Optimización de Rendimiento en Ascend, Biren y Cambricon

Conceptos y Métricas de Rendimiento

• Latencia, rendimiento, consumo de energía, utilización de recursos
• Cuellos de botella a nivel de sistema vs. modelo
• Perfilado para inferencia vs. entrenamiento

Perfilado en Huawei Ascend

• Uso de CANN Profiler y MindInsight
• Diagnóstico de kernels y operadores
• Patrones de descarga (offload) y mapeo de memoria

Perfilado en GPU Biren

• Características de monitoreo de rendimiento del SDK de Biren
• Fusión de kernels, alineación de memoria y colas de ejecución
• Perfilado consciente de energía y temperatura

Perfilado en MLU de Cambricon

• Herramientas de rendimiento de BANGPy y Neuware
• Visibilidad a nivel de kernel e interpretación de registros
• Integración del perfiles de MLU con marcos de trabajo de despliegue

Optimización a Nivel de Grafo y Modelo

• Estrategias de poda de grafo y cuantización
• Fusión de operadores y reestructuración del grafo computacional
• Estandarización del tamaño de entrada y ajuste de lotes (batch)

Optimización de Memoria y Kernels

• Optimización del diseño (layout) y reutilización de memoria
• Gestión eficiente de búferes entre conjuntos de chips
• Técnicas de ajuste a nivel de kernel por plataforma

Mejores Prácticas entre Plataformas

• Portabilidad de rendimiento: estrategias de abstracción
• Construcción de tuberías de ajuste compartidas para entornos multi-chip
• Ejemplo: ajuste de un modelo de detección de objetos en Ascend, Biren y MLU

Resumen y Próximos Pasos