FlagPerf是智源研究院联合AI硬件厂商共建的一体化AI硬件评测引擎，旨在建立以产业实践为导向的指标体系，评测AI硬件在软件栈组合（模型+框架+编译器）下的实际能力。
构建多维度评测指标体系，不止关注“耗时”:
FlagPerf 指标体系除了衡量“芯片能否支持特定模型训练”的功能正确性指标之外，还包含更多维度的性能指标、资源使用指标以及生态适配能力指标等。
指标详细介绍见 这篇文章
支持多样例场景及任务，覆盖大模型训练推理场景
FlagPerf 已经涵盖计算机视觉、自然语言处理、语音、多模态等领域的**30余个经典模型，80余个训练样例，**支持评测AI硬件的训练和推理能力，以及大模型场景的推理任务评测。
支持多训练框架及推理引擎，灵活连接AI硬件与软件生态
在训练任务场景中，除了支持 PyTorch、TensorFlow，FlagPerf 还在积极与 PaddlePaddle、MindSpore 研发团队密切配合。作为国产训练框架的领军者，百度 Paddle团队、华为昇思MindSpore 团队正在将 Llama、GPT3 等明星模型集成至 FlagPerf 测试样例集。
在推理任务场景中，FlagPerf 适配了多家芯片厂商和训练框架研发团队的推理加速引擎，以更灵活地连接AI硬件与软件生态，拓宽评测的边界和效率，如英伟达TensorRT、昆仑芯XTCL（XPU Tensor Compilation Library）、天数智芯IxRT（Iluvatar CoreX RunTime）、PyTorch TorchInductor。
支持多测试环境，综合考察单卡、单机、多机性能
为全面评估国产AI芯片多样性、可扩展性、实际应用模拟情况，FlagPerf 设定了单卡、单机（通常是8卡）、多机三个测试环境，为不同的测试环境匹配了不同测试样例场景和任务。
注：当前FlagPerf在保证测试环境除芯片外其他条件一致的情况下，进行芯片本身的离线批处理评测，暂不支持集群和客户端的性能评估。
严格审核参评代码，关注“结果公平”，更关注“过程公正”
测试由智源研究院与众多芯片厂商联合展开。总体原则是确保客观、公平地评估芯片的通用性能，限制厂商开展有针对性的定制优化。在确定测试模型之后，首先由芯片厂商进行模型适配，这个过程中只允许厂商进行分布式通信、批数据量（batch size）等和硬件执行强相关的方面的代码修改，以确保模型能够在芯片上高效运行。其次由智源研究院依托基准测试平台FlagPerf对芯片能力开展测试，并确保测试过程顺利，芯片性能和稳定性得到最佳发挥。同时，所有测试代码均已开源，测试过程、数据可复现。
🎯 未来智源及众多AI硬件、框架团队还将共同拓展FlagPerf的评测场景，如开展集群性能的整体评估，以更全面的评估国产软硬件的性能。
基础规格列表：
编号 规格名称 规格类型 英伟达 沐曦 昇腾 1 FP64算力 算力 算子或原语,算子列表：
编号 规格名称 算子库 英伟达 1 mm-FP16 nativetorch训练列表：
推理列表：
export EXEC_IN_CONTAINER=True
更多阅读：
# 先各服务器间root帐号的ssh信任关系和sudo免密配置 git clone https://github.com/FlagOpen/FlagPerf.git cd FlagPerf/base/
cd FlagPerf/base/ vim configs/host.yaml
具体项修改方式及原则见基础规格文档中的运行时流程章节
cd FlagPerf/base/ sudo python3 run.py
# 先各服务器间root帐号的ssh信任关系和sudo免密配置 git clone https://github.com/FlagOpen/FlagPerf.git cd FlagPerf/training/ pip3 install -r requirements.txt
cd Flagperf/training/ vim run_benchmarks/config/cluster_conf.py
集群配置文件主要包括集群主机列表和SSH端口，修改HOSTS和SSH_PORT为机器实际地址
'''Cluster configs''' #Hosts to run the benchmark. Each item is an IP address or a hostname. HOSTS = ["10.1.2.3", "10.1.2.4", "10.1.2.5", "10.1.2.6"] #ssh connection port SSH_PORT = "22"
cd Flagperf/training/ vim run_benchmarks/config/test_conf.py
必改项：
VENDOR = "nvidia" #选择本次运行的硬件
FLAGPERF_PATH="" # FlagPerf项目路径，如"/home/FlagPerf/training"
CASES={} # 本次运行的测例，按照对应模型readme准备好数据，修改模型对应的地址
#如运行"bert:pytorch_1.8:A100:1:8:1": "/raid/home_datasets_ckpt/bert/train/"，需要把:后面的路径替换为本地路径
python3 ./run_benchmarks/run.py sudo python3 ./run_benchmarks/run.py
cd result/run2023XXXX/运行模型/
# ls
round1
# ls round1/
10.1.2.2_noderank0
# cd 10.1.2.2_noderank0/
# ls
cpu_monitor.log pwr_monitor.log rank2.out.log rank5.out.log start_pytorch_task.log
mem_monitor.log rank0.out.log rank3.out.log rank6.out.log
nvidia_monitor.log rank1.out.log rank4.out.log rank7.out.log
# tail -n 6 rank0.out.log
[PerfLog] {"event": "STEP_END", "value": {"loss": 2.679504871368408, "embedding_average": 0.916015625, "epoch": 1, "end_training": true, "global_steps": 3397, "num_trained_samples": 869632, "learning_rate": 0.000175375, "seq/s": 822.455385237589}, "metadata": {"file": "/workspace/flagperf/training/benchmarks/cpm/pytorch/run_pretraining.py", "lineno": 127, "time_ms": 1669034171032, "rank": 0}}
[PerfLog] {"event": "EVALUATE", "metadata": {"file": "/workspace/flagperf/training/benchmarks/cpm/pytorch/run_pretraining.py", "lineno": 127, "time_ms": 1669034171032, "rank": 0}}
[PerfLog] {"event": "EPOCH_END", "metadata": {"file": "/workspace/flagperf/training/benchmarks/cpm/pytorch/run_pretraining.py", "lineno": 127, "time_ms": 1669034171159, "rank": 0}}
[PerfLog] {"event": "TRAIN_END", "metadata": {"file": "/workspace/flagperf/training/benchmarks/cpm/pytorch/run_pretraining.py", "lineno": 136, "time_ms": 1669034171159, "rank": 0}}
[PerfLog] {"event": "FINISHED", "value": {"e2e_time": 1661.6114165782928, "training_sequences_per_second": 579.0933420700227, "converged": true, "final_loss": 3.066718101501465, "final_mlm_accuracy": 0.920166015625, "raw_train_time": 1501.713, "init_time": 148.937}, "metadata": {"file": "/workspace/flagperf/training/benchmarks/cpm/pytorch/run_pretraining.py", "lineno": 158, "time_ms": 1669034171646, "rank": 0}}
# 先各服务器间root帐号的ssh信任关系和sudo免密配置 git clone https://github.com/FlagOpen/FlagPerf.git cd FlagPerf/inference/ pip3 install -r requirements.txt
cd Flagperf/inference/ vim configs/host.yaml
集群配置文件主要包括集群主机列表和SSH端口，修改HOSTS和SSH_PORT为机器实际地址
#必须修改项
FLAGPERF_PATH: "/home/FlagPerf/inference" #FlagPerf inference 路径
HOSTS: ["127.0.0.1"] # 机器地址
VENDOR = "nvidia" #测试机器对象，nvidia/kunlunxin/iluvatar
CASES: #待测case，记得修改数据地址
"resnet50:pytorch_1.13": "/raid/dataset/ImageNet/imagenet/val"
batch_size: 256 # 1 item(like 1 sequence, 1 image) flops # Attention! For transformer decoder like bert, 1 token cause 2*param flops, so we need 2*length*params like 2*512*0.33B here # format: a_1*a*2*...*a_nea_0,like 2*512*0.33e9(bert) or 4.12e9(resnet50) flops: 4.12e9 fp16: true compiler: tensorrt num_workers: 8 log_freq: 30 repeat: 5 # skip validation(will also skip create_model, export onnx). Assert exist_onnx_path != null no_validation: false # set a real onnx_path to use exist, or set it to anything but null to avoid export onnx manually(like torch-tensorrt) exist_onnx_path: null # set a exist path of engine file like resnet50.trt/resnet50.plan/resnet50.engine exist_compiler_path: null
必改项：
VENDOR = "nvidia" #选择本次运行的硬件
FLAGPERF_PATH="" # FlagPerf项目路径，如"/home/FlagPerf/training"
CASES={} # 本次运行的测例，按照对应模型readme准备好数据，修改模型对应的地址
#如运行"bert:pytorch_1.8:A100:1:8:1": "/raid/home_datasets_ckpt/bert/train/"，需要把:后面的路径替换为本地路径
sudo python inference/run.py
# 按照FlagPerf/inference中安装相关环境 git clone https://github.com/FlagOpen/FlagPerf.git cd FlagPerf/inference/ pip3 install -r requirements.txt
cd Flagperf/generate/ vim host.yaml
#必须修改项 data_path: "/Xsum.csv" #数据路径 model_path: "/llama3_70b_hf"#模型路径，该测量的标程应选用Llama3 70b进行测量 VENDOR :"nvidia" #测试机器对象，nvidia/kunlunxin engine :"hf" #推理框架类型，现支持vllm、huggingface。推理框架需自己本地配置 log_path :"/log" #日志路径 config_path :"./host.yaml" #host.yaml文件所在路径 nproc_per_node: 8 #参与推理评测的GPU数量 chip："A100_40_SXM" #芯片名称
# 必改项 GPU_NAME: "A100_40_SXM" #Theoretical FLOPs peak of the GPU for different precision computations (measured in TFLOPs) TFLOPS_FP16:312
# 若不修改则采用默认任务数量配置，需要保证总推理评测时间在5-15分钟内完成且并发数不应高于256 task_nums: 256
sudo python generate/main.py
如需参与共建FlagPerf基础规格、训练、推理评测，请参考详细文档，依次位于基础规格文档目录、训练文档目录、推理文档目录。
为了更直观的展示厂商参与共建的实际工作量，下面给出6个已经合并进FlagPerf，面向不同特征厂商的Pull Request。
模型训练适配适配
模型推理适配
本项目基于Apache 2.0 license。
本项目的代码来源于不同的代码仓库，关于各模型测试Case的情况，请参考各模型测试Case目录的文档。
如有疑问，可以发送邮件至flagperf@baai.ac.cn，或在issue中说明情况
RetroSearch is an open source project built by @garambo | Open a GitHub Issue
Search and Browse the WWW like it's 1997 | Search results from DuckDuckGo
HTML:
3.2
| Encoding:
UTF-8
| Version:
0.7.4
