name | about | labels |
---|---|---|
Task | Use this template for task tracking | kind/task |
问题背景:论文基金的学生在服务器上GPU运行代码训练模型,但是与pytorch相比速度很异常,慢了接近10倍,然
后为了确定到底是代码有问题还是我配置、环境有问题,学生去Mindspore官网上找了开源代码作为
baseline进行比较,用MNIST数字识别官方代码来跑,不经过任何修改,与Mindspore官方文档
的结果进行比较,官方说明中的时间大概是17秒,但是我自己运行需要160秒,差别太大,导致我在复
现论文实验的时候没法跑到论文中的要求。
案例链接:
https://www.mindspore.cn/tutorials/en/r1.7/beginner/quick_start.html
复现环境:
mindspore2.0
问题:经过复现,动态图下的运行时间确实存在性能劣化,
与教程中的1288.413ms有很大差距。
达到官网教程中所贴的性能
No. | Task Description | Issue ID |
---|---|---|
1 | ||
2 |
Please assign maintainer to check this issue.
请为此issue分配处理人。
@zhangying
此处可能存在不合适展示的内容,页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容,可点击提交进行申诉,我们将尽快为您处理。
Please add labels (comp or sig), also you can visit https://gitee.com/mindspore/community/blob/master/sigs/dx/docs/labels.md to find more.
为了让代码尽快被审核,请您为Pull Request打上 组件(comp)或兴趣组(sig) 标签,打上标签的PR可直接推送给责任人进行审核。
更多的标签可以查看https://gitee.com/mindspore/community/blob/master/sigs/dx/docs/labels.md
以组件相关代码提交为例,如果你提交的是data组件代码,你可以这样评论:
//comp/data
当然你也可以邀请data SIG组来审核代码,可以这样写:
//sig/data
另外你还可以给这个PR标记类型,例如是bugfix或者是特性需求:
//kind/bug or //kind/feature
恭喜你,你已经学会了使用命令来打标签,接下来就在下面的评论里打上标签吧!
当前ms2.0下,动态图在lenet的性能上,较图模式的性能差距在8倍左右,由于lenet网络算子较少,导致时间都在host侧上,当前框架机制的原因,在算子较少的场景下,网络性能较pytorch有一定差距,不存在性能劣化的问题。
登录 后才可以发表评论