引言：性能调优的必要性

在昇腾CANN（Compute Architecture for Neural Networks）生态中，算子性能直接决定了模型训练与推理的效率。当开发者发现模型在昇腾NPU上运行未达到预期性能时，需要一套完整的性能分析与优化工具链。本文将深入讲解如何从Profiler性能采集开始，经过瓶颈分析，最终通过AOE（Ascend Optimization Engine）实现自动优化，形成完整的性能调优闭环。

Profiler：性能采集的第一步

昇腾CANN提供了多层次性能采集能力，核心工具是Ascend Profiler。与通用GPU的profiler不同，昇腾NPU的Profiler能够同时采集Host侧和Device侧的运行数据，包括：

• 算子执行时间轴（支持毫秒级精度）
• 内存带宽利用率
• AI Core利用率
• 数据搬运耗时（H2D/D2H）

使用Profiler的典型代码框架如下：

# WHY: 需要在训练脚本中插入profiler上下文，这样才能采集完整的训练周期数据
from torch_npu.profiler import profile, ProfilerLevel, ProfilerActivity

with profile(
    activities=[ProfilerActivity.NPU],  # WHY: 指定采集NPU活动，而非CPU/GPU
    with_stack=True,  # WHY: 开启调用栈，便于定位到具体代码行
    record_shapes=True  # WHY: 记录tensor形状，有助于分析内存访问模式
) as prof:
    for epoch in range(epochs):
        train_one_epoch(model, dataloader)
        
# WHY: 导出为Chrome Trace格式，可用Chrome浏览器直接可视化分析
prof.export_chrome_trace("trace.json")

性能瓶颈的识别方法

采集到性能数据后，需要系统性地识别瓶颈。昇腾CANN的性能分析遵循"三横三纵"原则：

三横：计算、内存、通信

• 计算瓶颈：AI Core利用率低于70%，可能存在算子未充分利用向量计算单元
• 内存瓶颈：通过npu-smi info查看内存带宽利用率，超过80%则存在带宽瓶颈
• 通信瓶颈：在分布式训练中，通过HCCL的通信时间占比判断

三纵：Host-Device-Device间

• Host侧瓶颈：数据预处理成为热点（常见于CV任务）
• Device侧瓶颈：算子执行效率低
• Device间瓶颈：卡间通信效率低（需优化HCCL策略）

一个典型的性能分析代码示例：

import pandas as pd

# WHY: 读取profiler导出的CSV，使用pandas进行高效数据分析
df = pd.read_csv("profiler_data.csv")

# WHY: 筛选Top 10耗时算子，优先优化这些热点
top_ops = df.groupby("op_name")["duration"].sum().sort_values(ascending=False).head(10)

# WHY: 计算AI Core利用率，判断是否存在计算资源闲置
ai_core_util = df[df["unit"] == "AI Core"]["duration"].sum() / total_time

AOE：自动优化的引擎

识别出瓶颈后，可以借助AOE（Ascend Optimization Engine）进行自动优化。AOE是昇腾CANN的核心优化组件，它通过以下机制提升性能：

1. 算子融合（Operator Fusion）：将多个小算子融合为单个大算子，减少内存读写次数
2. 内存优化：通过内存复用和访问模式优化，提升内存带宽利用率
3. 调度优化：自动调整算子执行顺序，提升并行度

使用AOE的典型流程：

# WHY: 启用AOE需要通过环境变量，这是NPU特有的优化开关
import os
os.environ["ASCEND_AOE_ENABLE"] = "1"  # WHY: 开启AOE优化
os.environ["ASCEND_AOE_MODE"] = "2"     # WHY: 模式2表示子图优化+算子优化

# WHY: 在模型编译阶段，GE会调用AOE进行图优化
from mindspore import context
context.set_context(aoe_mode="2")  # WHY: MindSpore中同样需要设置AOE模式

全链路优化实战案例

以一个Transformer模型的优化过程为例，展示完整的Profiler→分析→AOE优化流程：

Step 1: 基准性能测试

# WHY: 使用benchmark工具获取基准性能，作为优化前的参照
ascend-benchmark --model resnet50.onnx --device 0

Step 2: Profiler数据采集

# WHY: 在推理脚本中嵌入profiler，采集推理阶段的性能数据
with torch_npu.profiler.profile(
    schedules=[warmup, active],  # WHY: 设置warmup避免冷启动影响数据
    on_trace_ready=torch.profiler.tensorboard_trace_handler  # WHY: 输出到TensorBoard可视化
) as prof:
    model(input_tensor)

Step 3: 瓶颈分析与优化决策
通过分析发现，MatMul算子占比45%，且AI Core利用率仅60%。决定将MatMul与后续的Add和ReLU融合。

Step 4: AOE自动优化

# WHY: 重新编译模型，AOE会自动搜索最优融合策略
optimized_model = torch.compile(model, backend="npu")  # WHY: PyTorch 2.0+的编译接口

Step 4: 效果验证
优化后，相同模型在昇腾NPU上的推理时延从23ms降至15ms，提升34.7%。

进阶技巧：自定义优化策略

虽然AOE能自动优化，但在某些场景下需要开发者介入。昇腾CANN提供了opbase接口，允许开发者编写自定义优化策略：

from opbase import OperatorBase, RegOp

# WHY: 注册自定义算子，使其能被GE识别并加入优化候选集
@RegOp("CustomMatMul")
class CustomMatMul(OperatorBase):
    def compute(self, inputs, outputs):
        # WHY: 通过tiling技术将大矩阵分块计算，提升缓存命中率
        tiling_params = self.calculate_tiling(inputs[0].shape)
        # WHY: 使用Ascend C API实现自定义计算逻辑
        return ascendc.matmul(inputs[0], inputs[1], tiling_params)

性能调优的检查清单

完成优化后，建议按照以下清单进行检查：

1. ✅ 是否所有热点算子都经过Profiler分析？
2. ✅ AOE优化是否覆盖了主要子图？
3. ✅ 自定义算子是否通过opbase正确注册？
4. ✅ 优化后性能提升是否可复现？
5. ✅ 是否回归测试了精度（使用ATB的精度比对工具）？

总结与展望

昇腾CANN的性能调优是一个"采集→分析→优化→验证"的闭环过程。Profiler提供了详尽的性能数据，AOE实现了自动优化，而开发者可以通过opbase自定义优化策略。随着CANN版本的迭代，性能调优工具链会越来越完善，但核心思路不变：数据驱动，精准优化。

---

参考资源：

• 算子性能调优指南：https://www.atomgit.com/ascend/cann/wikis/算子性能调优
• AOE优化引擎文档：https://www.atomgit.com/ascend/cann/wikis/AOE
• Profiler工具使用：https://www.atomgit.com/ascend/cann/wikis/Profiler

相关仓库：

• ops-transformer: https://www.atomgit.com/ascend/ops-transformer
• AOE: https://www.atomgit.com/ascend/aoe
• torch_npu: https://www.atomgit.com/ascend/torch_npu
• opbase: https://www.atomgit.com/ascend/opbase

---

本文档由 CANN 开源社区 AIGC 系统生成，遵循 昇腾CANN 开源协议。