ATT

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

分析迁移工具

1. 脚本分析工具

   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。

2. （推荐）自动迁移工具

   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。

3. 脚本迁移工具

   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。

精度工具

1. api_accuracy_checker（Ascend模型精度预检工具）

   在昇腾NPU上扫描用户训练模型中所有API，进行API复现，给出精度情况的诊断和分析。

2. ptdbg_ascend（PyTorch精度工具）

   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。

性能工具

1. compare_tools（性能比对工具）

   提供NPU与GPU性能拆解功能以及算子、通信、内存性能的比对功能。

2. 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。

3. 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。

Tensorboard

Tensorboard支持NPU性能数据可视化插件PyTorch Profiler TensorBoard NPU Plugin。

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。

分支维护策略

ATT工具版本分支的维护阶段如下：

现有分支的维护状态

ATT分支名称格式为：版本号-ATT，而版本号命名规则如下：

1. ATT仓每年发布4个版本，每个版本都将对应一个分支；以v6.0为例，其将对应v6.0.RC1、v6.0.RC2、v6.0.RC3以及v6.0.0四个版本，在仓库中将存在与之对应的分支（增加后缀ATT，例如v6.0.0-ATT）；
2. 同时每个版本都将对应一个标签，例如v6.0.RC1-ATT，后续在对分支进行维护过程中将定期进行对应版本标签的更新，例如对v6.0.RC1-ATT标签再次更新之后将打标签v6.0.RC1.1，后续更新末尾数字依次增加。

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