算子性能优化验收规范¶

CI 通过性¶

提交至 Paddle repo 的 Pull Request（简称 PR），涉及到的相关检测 CI 必须全部 Pass。用来验证对之前功能点的兼容和影响，保障新合入代码对历史代码不产生影响。

新增代码必须要有相应的单测保障测试覆盖率达到准入要求（测试覆盖率（行覆盖率)90%）。

性能测试¶

OP Benchmark作为一套测试飞桨内算子性能的专业工具, 如下图所示能够输出各类 case 下的 OP 性能真实状态, 建议用其进行算子性能测试。经过性能优化，OP Benchmark 中全部 case 不能出现性能下降，需要通过列表，对比性能优化前后的 OP 性能情况。

          ===========================================================================
-- paddle version             : 0.0.0
-- paddle commit              : 9b7126d05987b725ad3fb31f31298218c860b2f5
-- benchmark commit           : a6ba32197d7b3adb1dcc95b803f8f0d7fa18322c
-- benchmark last update time : Wed Jun 15 02:45:49 2022 +0000
===========================================================================
run command: nvprof --profile-from-start off /work/.virtualenvs_cuda10.2/paddle_py38/bin/python /work/benchmark/api/dynamic_tests_v2/adaptive_avg_pool2d.py --api_name adaptive_avg_pool2d --task speed --framework paddle --testing_mode dynamic --json_file /work/benchmark/api/tests_v2/configs/adaptive_avg_pool2d.json --config_id 0 --backward False --use_gpu True --repeat 1000 --allow_adaptive_repeat True --profiler nvprof
            Type  Time(%)      Time     Calls       Avg       Min       Max  Name
 GPU activities:  100.00%  437.44ms      1000  437.44us  422.98us  472.29us  void phi::funcs::KernelPool2D<phi::funcs::AvgPool<float>, float>(int, phi::funcs::AvgPool<float> const *, int, int, int, int, int, int, int, int, int, int, int, phi::funcs::FastDivModForPooling, float, bool, bool, phi::funcs::KernelPool2D<phi::funcs::AvgPool<float>, float>*, bool)

total gpu_time: 437.4400 ms

W0615 14:55:43.819144 28877 gpu_resources.cc:61] Please NOTE: device: 0, GPU Compute Capability: 7.0, Driver API Version: 11.4, Runtime API Version: 10.2 , cuDNN Version: 7.6.

[paddle][adaptive_avg_pool2d] adaptive_avg_pool2d {
  run_tf: True
  run_torch: True
  data_format: NCHW
  output_size: [32, 32]
  x_shape: [4, 2048, 64, 128]
  x_dtype: float32
  atol: 1e-06
}
{"framework": "paddle", "version": "0.0.0", "name": "adaptive_avg_pool2d", "device": "GPU", "backward": false, "speed": {"repeat": 1000, "begin": 10, "end": 990, "total": 0.6467142883612185, "wall_time": 0, "total_include_wall_time": 0.6467142883612185, "gpu_time": 0.43744}, "parameters": "x (Variable) - dtype: float32, shape: [4, 2048, 64, 128]\ndata_format (string): NCHW\noutput_size (list): [32, 32]\n"}

         

PR 内容描述要求¶

单元测试内容需要和开发代码放在同一个 PR 提交，后续修改也需要基于此 PR。PR 内容描述测试部分需要明确描述下列内容：

          1. 合入前 Paddle 中算子的性能现状

业内最优方案的算子性能现状

PR 性能优化方案概述

优化前后算子性能对比表格

OP 测试内容及单元测试要求¶

性能测试至少覆盖OP Benchmark中全部的 case 场景。OP 性能优化后，需要在 Paddle 单元测试中对 GPU Kernel 进行有效性和边界值测试。

交流与改进¶

PR 的单测部分必须 Paddle 测试人员 review，确保完整覆盖了待测功能点后，会给予 approved。如果 review 过程中发现测试缺失和遗漏的测试点，会通过 GitHub 代码行 Comment 的和 Request Changes 的方式交流改进，待 PR 修改完毕后给予 approved。

后续维护¶

代码成功合入后，如果发现对框架造成了性能下降影响，或者和部分功能存在严重冲突导致 Bug，会对代码进行 Revert 并通过 ISSUE 告知相关的开发者，请提交 PR 修复问题，并重新合入。

算子性能优化 验收规范¶