整网首个溢出节点分析

简介

在分析inf、nan的场景下，会采集多个rank下的多个step的dump数据，前面出现的异常会传播到同rank后续的节点，并通过通信算子传播到其他rank的后续节点中，因此如何分析首个nan出现的节点位置尤为重要。

整网首个溢出节点分析（overflow_check）可以对PyTorch的dump数据进行分析，在多卡场景下，检测到每张卡中产生inf/nan的节点。若是经过通信导致的inf/nan，可以分析并找出首个产生inf/nan的rank和节点。

使用前准备

环境准备

安装msProbe工具，详情请参见《msProbe安装指南》。

数据准备

采集精度数据，详情请参见PyTorch场景精度数据采集。

约束

当前仅支持分析PyTorch场景的dump数据。

使用说明

执行命令

msprobe overflow_check -i dump_step_path -o output_dir_path

参数	说明
-i 或 --input_path	dump数据的目录。需指定到step层级，如-i /xxx/dump/step0/
-o 或 --output_path	输出文件的目录，可选，不填时默认在当前目录下创建 "./output/" 目录。

输出文件介绍

当日志打印

Cannot find any anomaly node, no need to generate analyze file.

时，分析认为不存在异常节点，不生成分析文件。

存在异常节点时，生成anomaly_analyze_{timestamp}.json文件，结构为：

{
  "rank_0": [  // 卡号
    {
      "op_name": "Tensor.op_name.0.forward",  // 节点名
      "data_info": {
        "input_args": [],  // input_args数据
        "input_kwargs": {},  // input_kwargs数据
        "output": []  // output数据
      },
      "construct_info": [],  // 节点层级数据
      "stack_info": {}   // 堆栈数据
    }
  ]
}

异常判定

异常计算节点判定

当某个计算节点的输入值正常，即Max或Min中不存在inf或nan，而输出值存在异常时认为从此节点开始产生了溢出，并有可能向后传递。

异常通信节点判定

通信节点按照功能分为有向节点，如send, recv, scatter, gather, broadcast, reduce等，以及无向节点，如all_gather, all_reduce, reduce_scatter, all_to_all等。

对于有向节点，当src节点的input存在异常时，通常认为传入的数据中本身就存在异常，因此考虑异常节点发生在src节点所在rank的上一个或多个计算节点中；当src节点的input正常而output存在异常值，或dst节点的output存在异常值时，考虑是通信节点本身的操作产生了异常数据。

对于无向节点，当节点input存在异常时，认为传入的数据中本身就存在异常，因此考虑异常节点发生在src节点所在rank的上一个或多个计算节点中；当input正常而output异常时，考虑是通信节点本身的操作产生了异常数据。

顺序判定

对于相连接的有向通信算子，认为src节点的异常发生早于dst节点；对于无向通信算子，认为异常是同时发生的。

对于计算节点按照dump的顺序排序。