Optimización de Rendimiento en Ascend, Biren y Cambricon

Conceptos y Métricas de Rendimiento

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

Perfilado en Huawei Ascend

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

Perfilado en GPU Biren

• Funciones de monitoreo de rendimiento del SDK de Biren
• Fusión de núcleos (kernel fusion), alineación de memoria y colas de ejecución
• Perfilado consciente de potencia y temperatura

Perfilado en MLU Cambricon

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

Optimización a Nivel de Grafo y Modelo

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

Optimización de Memoria y Núcleos (Kernels)

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

Mejores Prácticas entre Plataformas

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

Resumen y Próximos Pasos