自动调优工具AOE，让你的模型在昇腾平台上高效运行 _调优

什么是AOE？
AOE（）是一款自动调优工具，目的是为了充分利用有限的硬件资源，满足算子和整网的性能要求。
AOE通过生成调优策略、编译、在运行环境上验证的闭环反馈机制，不断迭代，最终得到最佳的调优策略，从而更充分利用硬件资源，提升网络的性能。
AOE的架构如下。
层：调优入口，支持如下。
层：调优模式，支持以下类型。
层：为执行层，支持编译（）和在运行环境上运行（）。
AOE工作原理
如下以算子调优为例，介绍AOE的工作原理。
1. 将原始开源框架模型传入GE、FE进行图准备（、算子选择等）及子图拆分。
2. 进入算子编译阶段，根据拆分的子图信息匹配知识库。
- 未开启的场景，直接使用已有知识库中的调优策略编译算子。
- 开启的场景，通过AOE进行调优。
若调优后的结果优于当前已有的知识库，则会将调优后的结果存入用户自定义知识库，并使用自定义知识库中的调优策略编译算子。

文章插图
若调优后的结果不优于当前已有的知识库，则不再生成用户自定义知识库，直接使用已有的知识库编译算子。
- 若调优后的结果优于默认调优策略的性能，会将调优后的结果写入自定义知识库，并使用自定义知识库中的调优策略编译算子。
- 若调优后的结果不优于默认调优策略的性能，不生成自定义知识库，使用默认调优策略编译算子。
3. 推理场景下，编译完成后，生成适配昇腾AI处理器的离线模型文件。训练场景下，编译完成后，生成训练好的网络模型文件。
AOE使用场景
当算子性能或者网络性能不佳时，可以使用AOE进行调优。AOE调优支持的场景如下：
如何使用AOE进行调优？
如下以离线推理场景下Caffe网络的算子调优为例，介绍如何进行AOE调优。
1. 准备模型文件。
2. 配置环境变量。
- CANN组合包提供进程级环境变量设置脚本，供用户在进程中引用，以自动完成环境变量设置。执行命令参考如下，以下示例均为root或非root用户默认安装路径，请以实际安装路径为准。

# 以root用户安装toolkit包/usr/local/Ascend/ascend-toolkit/set_env.sh # 以非root用户安装toolkit包${HOME}/Ascend/ascend-toolkit/set_env.sh

- AOE工具依赖，以.7.5为例，请以运行用户执行如下命令设置.7.5的相关环境变量。

#用于设置python3.7.5库文件路径export LD_LIBRARY_PATH=/usr/local/python3.7.5/lib:$LD_LIBRARY_PATH#如果用户环境存在多个python3版本 ， 则指定使用python3.7.5版本export PATH=/usr/local/python3.7.5/bin:$PATH

export ASCEND_DEVICE_ID=1export TUNE_BANK_PATH=/home/HwHiAiUser/custom_tune_bankexport TE_PARALLEL_COMPILER=7export REPEAT_TUNE=True

命令中的参数含义如下。
3. 进行AOE调优，命令如下。命令中使用的目录以及文件均为样例，请以实际为准。
aoe --framework=0 --model=$HOME/module/resnet50.prototxt --weight=$HOME/module/resnet50.caffemodel --job_type=2
命令中的参数含义如下。
4. 若提示如下信息，则说明AOE调优完成。
Aoe process finished
调优完成后，生成文件如下。
${WORK_PATH}/aoe_workspace/${model_name}_${timestamp}/tunespace/result/${model_name}_${timestamp}_tune.om
【自动调优工具AOE，让你的模型在昇腾平台上高效运行】${}：调优工作目录
${}：模型名称
${}：时间戳

"basic": {"tuning_name": "调优任务名","tuning_time(s)": 1827}"OPAT": {"model_baseline_performance(ms)": 113.588725,"model_performance_improvement": "0.31%","model_result_performance(ms)": 113.236731,"opat_tuning_result": "tuning successful","repo_modified_operators": {"add_repo_operators": [{"op_name": "strided_slice_10","op_type": "stridedsliced",……"repo_summary": {"repo_add_num": 2,"repo_hit_num": 17,"repo_reserved_num": 15,"repo_unsatisfied_num": 0,"repo_update_num": 2,"total_num": 19}

5. 调优完成后，请使用调优后的自定义知识库重新推理，验证性能是否提高。
以上就是AOE的简单介绍。关于更多内容，可以在昇腾文档中心查看，您也可在“昇腾社区在线课程”板块学习视频课程，学习过程中的任何疑问，都可以在“昇腾论坛”互动交流！
相关参考：
[1]昇腾文档中心
[2]昇腾社区在线课程
[3]昇腾论坛