alipay / Automatic_AI_Model_Greenness_Track_Toolkit

Automatic AI Model Greenness Track Toolkit

---

背景

---

Automatic AI Model Greenness Track Toolkit是整合蚂蚁绿色计算项目中的一个子项目，其主要目的为打造通用、开放的AI模型绿色度衡量工具。Automatic AI Model Greenness Track Toolkit以算力、能耗、碳排放三个绿色度指标评估AI算法对于环境的友好程度，可以有效的协助AI开发者发现或优化模型。

功能特性

Automatic AI Model Greenness Track Toolkit能够通过几行代码注入，快速准确的采集能耗和算力。 采集工具的整体架构上图所示。所有模块都基于绿色人工智能指数系统，可以分为以下三个层次：

第一层是Agent，主要用于连接用户计算机的硬件接口，获取元数据，进行初步处理（包括数据拆分和二氧化碳转换），同时将处理后的数据存储在用户的本地文件系统中，供用户后续查看和报告核心系统使用。

第二层是核心系统（Server）。在这一层中，Agent采集的数据将根据用户的实验维度进行收集和聚合，并由服务器提供数据存储和数据监控服务。同时，服务器端将收集用户的所有计算节点中的Agent，以确保用户整个实验的绿色数据的完整性。

第三层是用户界面。这一层主要为用户提供视觉交互界面和数据服务接口。用户可以根据自己的需求启动服务器来可视化绿色数据，并可以通过开放接口对绿色数据进行二次开发。

能耗

Automatic AI Model Greenness Track Toolkit支持以下硬件的能耗采集:

• Intel CPUs
• AMD CPUs
• NVIDIA GPUs

算力

Automatic AI Model Greenness Track Toolkit支持以下深度学习框架的算力采集:

• TensorFlow
  • 1.x版本

安装

---

pip install -r requirement.txt python setup.py build python setup.py install

快速开始

---

能耗与算力采集(Agent)

参数说明

• 必填参数

  • username :实验创建人

• 可选参数

  • batch_size (默认值=1): 模型训练时样本批次大小
  • co2signal_api_key (默认值=None): 可从 https://www.co2signal.com/ 获取，用以获得准确的碳排放因子。
  • model (默认值=None): 若是用户使用keras api，需要传递keras model。
  • session (默认值=None): 若用户使用Customer Loop，需要传递session。
  • estimator (默认值=None): 若用户使用Estimator，需要传递Estimator，并使用AgentSessionHook。
  • log_path (默认值=./): Agent数据日志存储位置。
  • server (默认值=None): greenflow-measure server地址，(IP:PORT)，None则代表本地模式。
  • duration (默认值=1): 数据采集时间间隔(秒)。
  • upload_server_duration (默认值=5): 数据上报时间间隔(秒)。

TensorFlow Estimator

from greenness_track_toolkit import AgentSessionHook

estimator = tf.estimator.Estimator(
    model_fn=model_fn,
)
estimator.train(
    input_fn=lambda: input_fn(mode=tf.estimator.ModeKeys.TRAIN, epochs=FLAGS.epochs, batch_size=FLAGS.batch_size),
    hooks=[
        AgentSessionHook(
            estimator=estimator,
            username="test",
            batch_size=FLAGS.batch_size,
            log_path="../logs",
            server="localhost:16886",
        )
    ]
)

TensorFlow Keras

from greenness_track_toolkit import Agent

model = keras.models.Sequential(layers=[
    keras.layers.Reshape(target_shape=[28, 28, 1]),
    keras.layers.Conv2D(filters=32, kernel_size=3),
    keras.layers.MaxPooling2D(),
    keras.layers.ReLU(),
    keras.layers.Conv2D(filters=64, kernel_size=3),
    keras.layers.MaxPooling2D(),
    keras.layers.ReLU(),
    keras.layers.AveragePooling2D(pool_size=(3, 3), strides=(1, 1)),
    keras.layers.Flatten(),
    keras.layers.Dense(units=10, activation=keras.activations.relu)
])
opt = keras.optimizers.SGD()
model.compile(optimizer=opt, loss=keras.losses.CategoricalCrossentropy())
model.build(input_shape=[None, 784])
model.summary()
# 仅需要使用Agent包裹Model.fit即可
with Agent(
        username="test",
        model=model,
        batch_size=256,
        log_path="../logs",
):
    model.fit(x=x_train, y=y_train, batch_size=256, epochs=100, validation_data=(x_test, y_test))

TensorFlow Customer Training Loop

from greenness_track_toolkit import Agent

with tf.Session() as sess:
    global_step = get_or_create_global_step()
    opt = tf.train.GradientDescentOptimizer(learning_rate=0.01).minimize(loss_, global_step=global_step)
    # 仅需使用Agent包裹自定义Training Loop即可
    with Agent(
            server="localhost:16886",
            username="test",
            session=sess,
            batch_size=batch_size,
            log_path="../logs",
    ) as agent:
        for epoch in range(0, epochs):
            for step in range(0, batch_per_epoch):
                pass
                # Customer training loop

示例输出

------------------------------------------
Automatic AI Model Greenness Track Toolkit  

2023-01-03 15:54:46~2023-01-03 15:56:07 
time-consuming: 80 seconds
FLOPs:  5167867.895263999 GFLOPs
Energy: 0.0006787550620902952 kWh
CO2:    0.00032240865449289016 kg
------------------------------------------

Server

参数说明

• 可选参数
  • db_save_path (默认值=./db): server数据存储db路径。
  • server_mode (默认值=SERVER): SERVER服务器模式，可以获取远程Agent上报数据。LOCAL读取Agent生成的本地数据并启动服务。
  • rpc_port (默认值=16886): RPC暴露端口。
  • api_port (默认值=8000): api暴露端口。
  • log_path (默认值=./): 日志位置。

中心服务器模式启动方法

Python代码启动

from greenness_track_toolkit import Server


if __name__ == '__main__':
    Server(api_port=8001,rpc_port=16886).start()

命令行启动

greenness_track_toolkit --api_port=8001 --rpc_port=16886

本地服务模型启动方法

Python代码启动

from greenness_track_toolkit import Server


if __name__ == '__main__':
    # log_path 本地日志文件路径，由Agent产出
    Server(server_mode="LOCAL", log_path="./logs",api_port=8001).start()

命令行启动

greenness_track_toolkit --server_mode=LOCAL --api_port=8001 --log_path="./logs"

注意事项

获取能耗需要root权限

如何贡献

本工具是在Apache 2.0许可下发布的，并遵循非常标准的Github开发流程，使用Github的问题跟踪器来解决问题，并将拉取请求合并到主分支。如果有其他的问题，可以通过邮件联系相关的作者。

致谢

相关开发由汤成富、刘国栋、林秀晶、屈维亮、赵耀、周正磊等共同完成。

开源许可

本开源遵循Apache2.0 协议

---