att

介绍

Ascend Training Tools，昇腾训练工具链 针对训练&大模型场景，提供端到端命令行&可视化调试调优工具，帮助用户快速提高模型开发效率

模型训练迁移全流程

使用说明

1. 性能工具tools

   a. compare_tools

   **GPU与NPU性能比较工具**：提供NPU与GPU性能拆解功能以及算子、通信、内存性能的比较功能。
   

   b. distribute_tools

   **集群场景脚本集合**：提供集群场景数据一键汇聚功能。
   

   c. merge_profiling_timeline

   **合并大json工具**：融合多个profiling的timeline在一个json文件中的功能。
   

   d. cluster_analyse

   **集群分析工具**：提供多机多卡的集群分析能力（基于通信域的通信分析和迭代耗时分析）, 当前需要配合Ascend Insight的集群分析功能使用。
   

2. 精度工具tools

   a. api_accuracy_checker

   **预检功能**：Ascend模型精度预检工具能在昇腾NPU上扫描用户训练模型中所有API，给出它们精度情况的诊断和分析。
   

   b. ptdbg_ascend

   **PyTorch精度工具**：用来进行PyTorch整网API粒度的数据dump、精度比对和溢出检测，从而定位PyTorch训练场景下的精度问题。
   

3. 分析迁移工具tools

   a. 脚本分析工具

   **脚本分析能力**：脚本分析工具提供分析脚本，帮助用户在执行迁移操作前，分析基于GPU平台的PyTorch训练脚本中算子、三方库套件、亲和API分析以及动态shape的支持情况
   

   b. 脚本迁移工具

   **脚本迁移能力**：脚本迁移工具提供后端命令行用于将GPU上训练的PyTorch脚本迁移至NPU上，得到新的训练脚本用于训练
   

   c. 自动迁移工具

   **自动迁移能力**：自动迁移只需在训练脚本中导入库代码即可完成模型脚本迁移，使用方式较简单，且修改内容最少
   

4. tensorboard支持npu可视化插件tb-plugin

   PyTorch profiling数据可视化的TensorBoard的插件： 它支持将Ascend平台采集、解析的Pytorch Profiling数据可视化呈现，也兼容GPU数据采集、解析可视化。

参与贡献

1. Fork 本仓库
2. 新建 xxx 分支
3. 提交代码
4. 新建 Pull Request