PyTorchモデルのボトルネックを炙り出す！`torch.profiler`超入門
PyTorchパフォーマンス改善の切り札：`torch.profiler`とは？
「最適化できないものはプロファイリングできない」――この言葉は、AI/LLM開発に携わる私たちにとって、非常に重い意味を持ちます。大規模言語モデル（LLM）のトークン生成速度を向上させたい、推論時間をミリ秒単位で短縮したい、あるいはトレーニングループがなぜか遅い原因を突き止めたい。こうしたパフォーマンス改善の課題に直面したとき、最終的にたどり着くのが「プロファイリング」です。
しかし、プロファイリングには高いハードルがあるのも事実です。まるで色のついた長方形の壁のように密集したトレース、専門的で威圧感のあるイベント名。多くのチュートリアルは、すでにそれらを読み解けることを前提としているため、プロファイリングの必要性を感じていても、その複雑さに直面すると「後回しにしよう」あるいは「誰かに任せよう」となりがちです。
本シリーズは、そんなプロファイリングのハードルを下げることを目的としています。この記事（Part 1）では、PyTorchアプリケーションの実行状況を詳細に可視化し、どこに時間がかかっているかを特定する強力なツール、`torch.profiler`の基本に焦点を当てます。最もシンプルな操作である行列乗算とバイアス加算の例を通して、プロファイラの読み方をじっくりと学んでいきましょう。
`torch.profiler`で何ができる？開発現場での活用シーン
`torch.profiler`は、あなたのPyTorchモデルがどのようにリソース（CPU、GPUなど）を使用しているかを詳細に把握するためのツールです。これにより、具体的なボトルネックを特定し、効率的な最適化へと繋げることができます。
具体的な活用シーン
- LLMのトークン生成速度向上: 大規模言語モデルの推論において、どこで時間がかかっているかを特定し、より多くのトークンを1秒あたりに処理できるように改善します。
- 推論時間のミリ秒単位での短縮: リアルタイム性が求められるアプリケーションで、モデルの推論時間を可能な限り短縮するためのボトルネックを炙り出します。
- トレーニングループの遅延原因特定: トレーニングが期待よりも遅い場合、CPUとGPU間のデータ転送、特定の演算、あるいはデータローディングなど、どこに問題があるのかを明確にします。
本シリーズのロードマップ
このシリーズでは、プロファイラートレースを読み解くスキルを段階的に構築し、それを最適化に繋げる方法を学びます。
- Part 1（この記事）:
最もシンプルな操作（行列乗算とバイアス加算）から始め、`torch.profiler`のセットアップ方法、プロファイラテーブルとトレース（CPUレーン、GPUレーン、そしてその間の不審なギャップ）の読み方、Pythonの呼び出しからCUDAカーネルに至るイベントチェーン、そして`torch.compile`を適用した際の挙動の変化（および不変な点）を習得します。 - Part 2:
`nn.Linear`と小さなMLP（多層パーセプトロン）にスケールアップし、トレースから最適化のヒントを見つけ出し、その背後にあるカーネルを覗き見ます。 - Part 3:
これまでの知識を統合し、Transformerを用いた大規模言語モデルに応用します。
押さえておきたい基本知識
プロファイリングを進める上で、特に重要な二つの定義を頭に入れておきましょう。
- GPUカーネル: GPUの多数のスレッドで並行して実行されるプログラムです。CPUがこれらのカーネルをスケジュールし、起動します。通常、PyTorchの操作を使用すると、自動的に一つ以上のGPUカーネルに変換され、GPU上で処理が実行されます。
これらの概念を理解することで、プロファイラートレースの「なぜ？」を追いかけ、パフォーマンス改善の糸口を見つけることができるようになります。
まずはここから！`torch.profiler`を試す最初の一歩
プロファイリングを始めるのに、複雑なモデルを用意する必要はありません。まずは最もシンプルな操作からスタートし、`torch.profiler`がどのような情報を返すのかを肌で感じることが重要です。
元記事では、以下のスクリプト（01_matmul_add.py）が紹介されています。これは、行列乗算とバイアス加算という基本的な演算を行うだけのものです。
01_matmul_add.py
このスクリプトを別タブで開き、コードをステップバイステップで確認しながら進めることを強く推奨します。元記事ではNVIDIA A100-SXM4-80GB GPUを使用してスクリプトを実行していますが、基本的なPyTorchの知識があれば、手元の環境でもプロファイリングの概念は十分に学習可能です。
「待てよ、なぜこんなことが起きているんだ？」という疑問を常に持ちながらトレースを追いかけることで、きっと多くの「なるほど！」という発見（Aha! moments）があるはずです。さあ、あなたも`torch.profiler`を使って、PyTorchモデルの隠れたパフォーマンスボトルネックを炙り出してみませんか？
