ดาวน์โหลด pyJoules - pyJoules แหล่งที่มาดาวน์โหลด

pyJoules

PowerBuilder

fix the bug with GPU

ดาวน์โหลด

pyjoules

เกี่ยวกับ

Pyjoules เป็นชุดเครื่องมือซอฟต์แวร์ในการวัดรอยเท้าพลังงานของเครื่องโฮสต์ตามการดำเนินการของรหัส Python มันตรวจสอบพลังงานที่ใช้โดยอุปกรณ์เฉพาะของเครื่องโฮสต์เช่น:

แพ็คเกจซ็อกเก็ต Intel CPU
RAM (สำหรับสถาปัตยกรรมเซิร์ฟเวอร์ Intel)
Intel Integrated GPU (สำหรับสถาปัตยกรรมลูกค้า)
Nvidia GPU

ข้อ จำกัด

CPU, RAM และ GPU แบบรวม

Pyjoules ใช้เทคโนโลยี Intel " การใช้งานค่าเฉลี่ยพลังงานเฉลี่ย " (RAPL) ที่ประเมินการใช้พลังงานของ CPU, RAM และ GPU แบบบูรณาการ เทคโนโลยีนี้มีอยู่ใน Intel CPU ตั้งแต่รุ่น Sandy Bridge (2010)

Nvidia GPU

Pyjoules ใช้เทคโนโลยี Nvidia " Nvidia Management Library " เพื่อวัดการใช้พลังงานของอุปกรณ์ Nvidia API การวัดพลังงานมีให้เฉพาะใน Nvidia GPU พร้อมสถาปัตยกรรม Volta (2018)

Windows และ MacOS

มีเพียงการสนับสนุน GNU/Linux เท่านั้นที่พร้อมใช้งานในขณะนี้ เรากำลังทำงานกับการสนับสนุน MAC

ปัญหาที่รู้จัก

RAPL Energy Counters ล้นหลังจากหลายนาทีหรือหลายชั่วโมงอาจทำให้เกิดการอ่านพลังงานที่ผิดพลาด

Pyjoules คำนึงถึงสิ่งนี้และเพิ่มค่าสูงสุดที่เป็นไปได้ของตัวนับ max_energy_range_uj ไปยังการวัดพลังงานเชิงลบ อย่างไรก็ตามหากเคาน์เตอร์ล้นสองครั้งในระหว่างการวัดพลังงานเพียงครั้งเดียวพลังงานที่รายงานจะเป็น max_energy_range_uj น้อยกว่าค่าที่คาดไว้

การติดตั้ง

ความถี่การวัด

Pyjoule ใช้เครื่องมือวัดฮาร์ดแวร์ (Intel Rapl, เครื่องมือ Nvidia GPU, ... ) เพื่อวัดการใช้พลังงานของอุปกรณ์ เครื่องมือเหล่านี้มีความถี่ mesasurement ที่ขึ้นอยู่กับอุปกรณ์ ดังนั้นคุณไม่สามารถใช้ pyjoule เพื่อวัดการใช้พลังงานในช่วงเวลาที่สั้นกว่าความถี่การวัดพลังงานของอุปกรณ์ Pyjoule จะส่งคืนค่า NULL หากระยะเวลาการวัดจะสั้น

ความต้องการ

Python> = 3.7
NVML (ถ้าคุณต้องการการสนับสนุน Nvidia GPU)

การติดตั้ง

คุณสามารถติดตั้ง pyjoules ด้วย pip: pip install pyJoules

หากคุณต้องการใช้ Pyjoule เพื่อวัดการใช้พลังงาน Nvidia GPU คุณต้องติดตั้งด้วยการสนับสนุนไดรเวอร์ Nvidia โดยใช้คำสั่งนี้: pip install pyJoules[nvidia]

การใช้งานขั้นพื้นฐาน

readme นี้อธิบายการใช้งานพื้นฐานของ pyjoules สำหรับคำอธิบายเชิงลึกเพิ่มเติมอ่านเอกสารที่นี่

นี่คือประเพณีพื้นฐานของ pyjoules โปรดทราบว่าการใช้พลังงานที่รายงานไม่เพียง แต่การใช้พลังงานของรหัสที่คุณใช้ ซึ่งรวมถึง การใช้พลังงานทั่วโลก ของกระบวนการทั้งหมดที่ทำงานบนเครื่องในช่วงเวลานี้ดังนั้นรวมถึงระบบปฏิบัติการและแอพพลิเคชั่นอื่น ๆ นั่นคือเหตุผลที่เราแนะนำให้กำจัดโปรแกรมพิเศษใด ๆ ที่อาจเปลี่ยนการใช้พลังงานของการทดลองโฮสติ้งของเครื่องและเพื่อเก็บรหัสภายใต้การวัด เท่านั้น ( เช่น ไม่มีแอปพลิเคชันเพิ่มเติมเช่นอินเทอร์เฟซกราฟิก สิ่งนี้จะให้มาตรการที่ใกล้เคียงที่สุดกับการใช้พลังงานจริงของรหัสที่วัดได้

ตกแต่งฟังก์ชั่นเพื่อวัดการใช้พลังงาน

ในการวัดพลังงานที่ใช้โดยเครื่องระหว่างการดำเนินการของฟังก์ชัน foo() เรียกใช้รหัสต่อไปนี้:

 from pyJoules . energy_meter import measure_energy

@ measure_energy
def foo ():
	# Instructions to be evaluated.

foo ()

สิ่งนี้จะพิมพ์บนคอนโซลการใช้พลังงานที่บันทึกไว้ของอุปกรณ์ที่ตรวจสอบได้ทั้งหมดในระหว่างการดำเนินการของฟังก์ชั่น foo

คำอธิบายเอาต์พุต

การใช้งานขั้นพื้นฐานของ Decorator จะพิมพ์ iformation ด้วยรูปแบบนี้:

begin timestamp : XXX; tag : YYY; duration : ZZZ;device_name: AAAA

กับ :

begin timestamp : ฟังก์ชั่นการเปิดใช้งานเวลา
tag : แท็กของการวัดหากไม่มีการระบุสิ่งนี้จะเป็นชื่อฟังก์ชัน
duration : ระยะเวลาการดำเนินการฟังก์ชั่น
device_name : การใช้พลังงานของอุปกรณ์ device_name ใน UJ

สำหรับอุปกรณ์ CPU และ RAM อุปกรณ์ device_name จับคู่โดเมน RAPL ที่อธิบายไว้ในภาพด้านล่างบวกกับรหัสซ็อกเก็ต CPU โดเมน Rapl อธิบายไว้ที่นี่

กำหนดค่ามัณฑนากรที่ระบุอุปกรณ์เพื่อตรวจสอบ

คุณสามารถกำหนดค่าอุปกรณ์ใดที่จะตรวจสอบโดยใช้พารามิเตอร์ของมัณฑนากร measureit ตัวอย่างเช่นตัวอย่างต่อไปนี้จะตรวจสอบการใช้พลังงานของ CPU บนซ็อกเก็ต CPU 1 และ Nvidia GPU 0 โดยค่าเริ่มต้น Pyjoules จะตรวจสอบอุปกรณ์ที่มีอยู่ทั้งหมดของซ็อกเก็ตซีพียู

 from pyJoules . energy_meter import measure_energy
from pyJoules . device . rapl_device import RaplPackageDomain
from pyJoules . device . nvidia_device import NvidiaGPUDomain
	
@ measure_energy ( domains = [ RaplPackageDomain ( 1 ), NvidiaGPUDomain ( 0 )])
def foo ():
	# Instructions to be evaluated.
	
foo ()

คุณสามารถผนวกรายการโดเมนต่อไปนี้เพื่อตรวจสอบ:

pyJoules.device.rapl_device.RaplPackageDomain : CPU (ระบุซ็อกเก็ต ID ในพารามิเตอร์)
pyJoules.device.rapl_device.RaplDramDomain : ram (ระบุซ็อกเก็ต ID ในพารามิเตอร์)
pyJoules.device.rapl_device.RaplUncoreDomain : GPU แบบรวม (ระบุซ็อกเก็ต ID ในพารามิเตอร์)
pyJoules.device.rapl_device.RaplCoreDomain : Rapl Core Domain (ระบุซ็อกเก็ต ID ในพารามิเตอร์)
pyJoules.device.nvidia_device.NvidiaGPUDomain : Nvidia GPU (ระบุซ็อกเก็ต ID ในพารามิเตอร์)

เพื่อให้เข้าใจว่า PAR ของ CPU แต่ละตัวตรวจสอบโดเมน RAPL ดูส่วนนี้

กำหนดค่าเอาต์พุตของมัณฑนากร

หากคุณต้องการจัดการข้อมูลที่มีเอาต์พุตที่แตกต่างจากมาตรฐานคุณสามารถกำหนดค่ามัณฑนากรด้วยอินสแตนซ์ EnergyHandler จากโมดูล pyJoules.handler

ตัวอย่างเช่นหากคุณต้องการเขียนการใช้พลังงานที่บันทึกไว้ในไฟล์. csv:

 from pyJoules . energy_meter import measure_energy
from pyJoules . handler . csv_handler import CSVHandler
	
csv_handler = CSVHandler ( 'result.csv' )
	
@ measure_energy ( handler = csv_handler )
def foo ():
	# Instructions to be evaluated.

for _ in range ( 100 ):
	foo ()
		
csv_handler . save_data ()

สิ่งนี้จะสร้างไฟล์ CSV 100 บรรทัด แต่ละบรรทัดที่มีการใช้พลังงานที่บันทึกไว้ในระหว่างการดำเนินการเดียวของฟังก์ชั่น foo คลาส Handler ที่กำหนดไว้ล่วงหน้าอื่น ๆ มีอยู่เพื่อส่งออกข้อมูลไปยัง MongoDB และ Panda DataFrame

ใช้ตัวจัดการบริบทเพื่อเพิ่ม " เบรกพอยต์ " ที่ติดแท็กในการวัดของคุณ

หากคุณต้องการทราบว่า " จุดร้อน " อยู่ที่ไหนที่รหัส Python ของคุณใช้พลังงานมากที่สุดที่คุณสามารถเพิ่ม " จุดพัก " ในระหว่างกระบวนการวัดและติดแท็กพวกเขาเพื่อทราบปริมาณพลังงานที่ใช้ระหว่างจุดพักนี้

สำหรับสิ่งนี้คุณต้องใช้ตัวจัดการบริบทเพื่อวัดการใช้พลังงาน มันสามารถกำหนดค่าได้เป็นมัณฑนากร ตัวอย่างเช่นที่นี่เราใช้ EnergyContext เพื่อวัดการใช้พลังงานของ CPU 1 และ NVIDIA GPU 0 และรายงานในไฟล์ CSV:

 from pyJoules . energy_meter import EnergyContext
from pyJoules . device . rapl_device import RaplPackageDomain
from pyJoules . device . nvidia_device import NvidiaGPUDomain
from pyJoules . handler . csv_handler import CSVHandler
	
csv_handler = CSVHandler ( 'result.csv' )

with EnergyContext ( handler = csv_handler , domains = [ RaplPackageDomain ( 1 ), NvidiaGPUDomain ( 0 )], start_tag = 'foo' ) as ctx :
	foo ()
	ctx . record ( tag = 'bar' )
	bar ()

csv_handler . save_data ()