如何优雅地测量GPU CUDA Kernel耗时？

背景

Rainlin：如何优雅地测量GPU CUDA Kernel耗时？（一）中介绍了常用的测量gpu耗时方法，而实际应用中，还会遇到其他的问题，比如：

1. 为什么同样的输入，测量的耗时存在较大差距？
2. 怎样才能精确的测量kernel耗时？

问题

我们看以下常见代码，仅仅做了linear操作：

def test():
    a_size = (20, 8192)
    b_size = (5120, 8192)
    events = [
        [torch.cuda.Event(enable_timing=True) for _ in range(6)] for _ in range(50)
    ]

    # warm up
    for _ in range(10):
        a = torch.rand(a_size, dtype=torch.float16).cuda()
        b = torch.rand(
            b_size,
            dtype=torch.float16,
        ).cuda()
        c = F.linear(a, b)

    # 测量
    for i in range(10):
        a = torch.rand(a_size, dtype=torch.float16).cuda()
        b = torch.rand(b_size, dtype=torch.float16).cuda()

        events[i][0].record()
        c = F.linear(a, b)
        events[i][1].record()

        events[i][2].record()
        c = F.linear(a, b)
        events[i][3].record()

        events[i][4].record()
        c = F.linear(a, b)
        events[i][5].record()
    torch.cuda.synchronize()

    # 输出时间
    for i in range(5):
        print(
            f"{i}: t1:{events[i][0].elapsed_time(events[i][1])},t2:{events[i][2].elapsed_time(events[i][3])},t3:{events[i][4].elapsed_time(events[i][5])}"
        )
    torch.cuda.synchronize()


if __name__ == "__main__":
    test()

以上代码在A100上输出为：

可以看到，t1耗时远大于t2与t3，显然这不合理，同样的输入，计算时间不可能相差这么多，接下来我们逐步分析。

为什么同样的输入，kernel的耗时相差巨大？

我们先对以上代码进行nsys分析：

观察到：三次linear在kernel层面只有60us+，但torch.cuda.event测量与nsys没对齐，第一次远大于kernel运行的时间。 推测第一次torch.cuda.event测量的耗时并非kernel的耗时，应该包含了其他部分的耗时。

观察到代码：

 a = torch.rand(a_size, dtype=torch.float16).cuda()
        b = torch.rand(b_size, dtype=torch.float16).cuda()

这里存在cpu数据拷贝到gpu，猜测torch.cuda.event把拷贝的时间也算进去了，那我们去掉拷贝试试：

.....
 
for i in range(10):
        # 改成直接从GPU生成rand数据，而不是拷贝
        a = torch.rand(a_size, dtype=torch.float16, device="cuda")
        b = torch.rand(b_size, dtype=torch.float16, device="cuda"