计算图
计算图是深度学习中表示网络模型计算逻辑和状态的关键工具。它由张量(Tensor)和算子(Operator)构成，通过节点表示算子，有向线段表示张量状态，揭示计算之间的依赖关系。例如，MIGraphX框架中的模型计算图可表示为：
input -> convolution->silce->contiguous->flatten
在MIGraphX中，可以通过以下代码查看计算图的文本形式：
migraphx::program net;
std::cout<<net<<std::endl;
MIGraphX中的计算图类型
MIGraphX支持打印两种类型的计算图：未编译和编译后的计算图。
未编译的计算图示例
module: "main"
[...]
main:@2 = convolution[...](input, main:@0) -> float_type, {...}
[...]
第一行moudle:"main"表示计算图，下面每一行表示该主计算图中的一条指令，例如main:@2 = convolution[...]，其中：
main:@2：指令ID，main表示主计算图，@2表示指令序号。convolution：算子名称。[...]：算子属性。(input, main:@0)：指令输入参数。float_type, {...}：输出shape和类型。
特殊指令以@开头，如@literal表示常量，@param表示模型输入，@return表示模型结束指令。
编译后的计算图示例
module: "main"
main:@0 = check_context::migraphx::version_1::gpu::context -> float_type, {}, {}
[...]
编译后的计算图包括内存分配(hip::hip_allocate_memory,提前统一分配，后面直接使用)、当设置offload_copy=true，能看到数据拷贝到GPU(hip::copy_to_gpu，)指令、常量拷贝GPU(hip::hip_copy_literal)、数据拷贝主机端(hip::copy_from_gpu)、hip::sync_stream用于流同步。
性能分析工具migraphx-driver
migraphx提供了性能分析工具migraphx-driver，可在安装目录下的bin文件找到。使用方法如下：
/opt/dtk/bin/migraphx-driver perf [--enable-offload-copy] [-h] [--batch] [--input-dim] [-n] [--fp16] [--gpu/--cpu] --onnx
参数说明：
--enable-offload-copy：启用offload_copy模式，必填-h：显示帮助文档--batch：可选，设置batchsize，但如果程序中的使用的onnx模型没有batchsize参数，就要设置一下，不如就会报错了。--input-dim：自定义模型输入shape。使用方法：--input-dim @input 64 3 224 224,@input表示onnx的输入节点名，后面的64 3 224 224表示输入shape，格式为NCHW-n：迭代次数,默认100次，工具以此计算平均耗时--fp16：使用FP16模式，默认使用FP32--gpu/--cpu：默认gpu--onnx：指定onnx模型文件路径
性能分析
运行分析工具之后，输出的结果中首先是模型的编译的计算图，然后在计算图后面会显示计算图中每一条指令执行的时间：
Allocating params ...
Running performance report ...
main:@0 = check_context::migraphx::version_1::gpu::context -> float_type,{},{}:0.00269076ms,0.00632856%
main:@1 = hip::hip_allocate_memory[shape=float_type,{38535168},{1},id=main:scratch]->float_type,{38535168},{1}:0.00169618ms, 0.00395935%
...
会列出模型中每个算子的执行时间及其在总时间中的占比。
最后会输出总体性能指标：
性能分析的最后部分会总结模型的整体性能指标，如总耗时、每秒处理的数据量（Rate）、额外开销（Overhead）等。例如：
Summary:
gpu::convolution: 22.6576ms / 49 = 0.4624ms，53.2898%
...
Batch size: 32
Rate: 975.796/sec
Total time: 32.7937ms
Total instructions time: 37.1238ms
Overhead time: 0.189906ms, -4.33002ms
Overhead: 1%, -13%
- Summary后面表示：所有相同算子的耗时/模型中的调用次数=平均耗时，占比
- Total time：n次平均后的模型总耗时。
- Rate：每秒处理的数据量，
Rate=1000.0/total time*batchsize - Total instructions time：所有算子耗时总和。（包含同步时间）
- Overhead time：额外开销，正常开销是算子执行的耗时，但实际上还有遍历计算图的耗时，这里数值的意义是第一个表示实际测试出来的额外开销，第二个表示
total time-total instruction time的差值。 - overhead：表示额外的开销占据total time的比例。
通常使用total time或者rate来表示模型的实际推理性能
通过这些数据，用户可以精确地了解模型中哪些算子是性能瓶颈，从而对模型进行优化。
调试MIGraphX
输出每个节点结果
要查看每个指令的输出，设置环境变量：export MIGRAPHX_TRACE_EVAL=2
运行程序之后可以得到类似下面格式的输出：
Run instruction: main:@151 = gpu::add(main:@147,main:@150,main:@149) ->
float_type, {8, 6, 4, 96}, {2304, 384, 96, 1}
Time: 0.008117ms, 0.160552ms
Output has normal
Output: 0.932655, 0.78008, 0.455646, 0.490867, 0.500787, ..., -1.57317, -1.5806,
-1.59469, -1.48618, -1.80712
第一行Run instruction：后面表示指令，最后一行Output：后面的数值就是该指令的输出结果，为了方便查看，只显示结果中的最前面5个数值和最后面5个数值
查看MIGraphX版本
不同版本间可能存在差异，通过以下命令查看版本：/opt/dtk/bin/migraphx-driver --version
