mindstudio-probe 8.2.0__py3-none-any.whl → 8.2.1__py3-none-any.whl

msprobe/core/hook_manager.py

@@ -13,6 +13,7 @@
 # See the License for the specific language governing permissions and
 # limitations under the License.
 
+import gc
 import os
 import threading
 from abc import ABC, abstractmethod
@@ -65,6 +66,18 @@ class BaseHookManager(ABC):
         BaseHookManager.hook_handle_dict.clear()
         BaseHookManager.params_grad_info.clear()
 
+    @staticmethod
+    def ensure_gc_enabled():
+        is_gc_disabled = not gc.isenabled()
+        if is_gc_disabled:
+            gc.enable()
+        return is_gc_disabled
+
+    @staticmethod
+    def restore_gc_state(original_state):
+        if original_state:
+            gc.disable()
+
     @staticmethod
     def _clear_input_kwargs(module, tid):
         if hasattr(module, 'msprobe_input_kwargs') and tid in module.msprobe_input_kwargs:
@@ -168,9 +181,11 @@ class BaseHookManager(ABC):
             if not self._should_execute_hook(Const.MODULE, tid):
                 return
             with ThreadSafe():
+                original_state = self.ensure_gc_enabled()
                 BaseHookManager.inner_switch[tid] = True
                 self.data_collector.params_data_collect(ori_name, param_name, self._pid, grad)
                 BaseHookManager.inner_switch[tid] = False
+                self.restore_gc_state(original_state)
             return
 
         return hook_fn
@@ -185,6 +200,7 @@ class BaseHookManager(ABC):
                 return None
 
             with ThreadSafe():
+                original_state = self.ensure_gc_enabled()
                 self._register_forward_hook(module, api_name)
                 BaseHookManager.inner_api_count[tid] += 1
                 if BaseHookManager.inner_api_count[tid] != 1:
@@ -209,6 +225,7 @@ class BaseHookManager(ABC):
                         self._is_recompute
                     )
                 BaseHookManager.inner_switch[tid] = False
+                self.restore_gc_state(original_state)
                 return args
 
         return forward_pre_hook
@@ -221,6 +238,7 @@ class BaseHookManager(ABC):
                 return None
 
             with ThreadSafe():
+                original_state = self.ensure_gc_enabled()
                 if hook_type == Const.API:
                     if BaseHookManager.inner_api_count[tid] != 1:
                         if BaseHookManager.inner_api_count[tid] > 1:
@@ -276,6 +294,7 @@ class BaseHookManager(ABC):
                         return forward_new_output
 
                 BaseHookManager.inner_switch[tid] = False
+                self.restore_gc_state(original_state)
                 return output
 
         return forward_hook
@@ -287,6 +306,7 @@ class BaseHookManager(ABC):
                 return
 
             with ThreadSafe():
+                original_state = self.ensure_gc_enabled()
                 BaseHookManager.inner_switch[tid] = True
                 self.data_collector.update_api_or_module_name(full_name)
 
@@ -306,5 +326,6 @@ class BaseHookManager(ABC):
                     params_dict = self._get_params_dict(module)
                     self.data_collector.params_data_collect_in_bw_hook(params_dict, full_name)
                 BaseHookManager.inner_switch[tid] = False
+                self.restore_gc_state(original_state)
 
         return backward_hook

msprobe/core/service.py

@@ -26,6 +26,7 @@ from msprobe.core.common.utils import Const, print_tools_ends_info, DumpPathAggr
 from msprobe.core.data_dump.api_registry import ApiRegistry
 from msprobe.core.data_dump.data_collector import build_data_collector
 from msprobe.core.kernel_dump.kernel_config import create_kernel_config_json
+from msprobe.core.common.megatron_utils import MegatronStepInfo
 
 
 class BaseService(ABC):
@@ -170,6 +171,7 @@ class BaseService(ABC):
         self.currrent_step_first_debug_save = True
         self.loop += 1
         self._reset_status()
+        MegatronStepInfo.reset()
 
     def save(self, variable, name, save_backward):
         '''

msprobe/core/single_save/single_comparator.py

@@ -14,6 +14,7 @@
 # limitations under the License.
 
 import os
+import re
 import multiprocessing
 from dataclasses import dataclass
 
@@ -70,6 +71,9 @@ class SingleComparator:
         比较两个NumPy数组，计算最大绝对误差、最大相对误差和相同元素的百分比
         """
         # 计算每个维度上的最小尺寸
+        if array1.ndim != array2.ndim:
+            array1 = array1.flatten()
+            array2 = array2.flatten()
         min_shape = [min(s1, s2) for s1, s2 in zip(array1.shape, array2.shape)]
         # 截取数组到相同的形状
         sliced_array1 = array1[tuple(slice(0, s) for s in min_shape)]
@@ -176,9 +180,18 @@ class SingleComparator:
                 continue
             for step, step_path in cls.get_steps(tag_path):
                 for rank, rank_path in cls.get_ranks(step_path):
-                    for micro_step, micro_step_path in cls.get_micro_steps(rank_path):
-                        for array_id, array_path in cls.get_arrays(micro_step_path):
-                            array_paths.setdefault(tag, []).append((step, rank, micro_step, array_id, array_path))
+                    for item in os.listdir(rank_path):
+                        next_path = os.path.join(rank_path, item)
+                        if re.match(r"micro_step(\d+)", item):
+                            micro_step = re.match(r"micro_step(\d+)", item).group(1)
+                            for array_id, array_path in cls.get_arrays(next_path):
+                                array_paths.setdefault(tag, []).append(
+                                    (step, rank, int(micro_step), array_id, array_path))
+                        elif re.match(r"\w{1,100}_(\d{1,100})\.npy", item):
+                            array_id = re.match(r"\w{1,100}_(\d{1,100})\.npy", item).group(1)
+                            array_paths.setdefault(tag, []).append((step, rank, 0, int(array_id), next_path))
+                        else:
+                            array_paths.setdefault(tag, []).append((step, rank, 0, 0, next_path))
         return array_paths
 
     @classmethod

msprobe/docs/01.installation.md

@@ -16,6 +16,7 @@ pip install mindstudio-probe
 
 |  版本   |    发布日期    |支持 PyTorch 版本|支持 MindSpore 版本|                                                                下载链接                                                                |校验码|
 |:-----:|:----------:|:--:|:--:|:----------------------------------------------------------------------------------------------------------------------------------:|:--:|
+| 8.2.0 | 2025.9.03  |1.11/2.0/2.1/2.2|2.4.0/2.5.0/2.6.0| [mindstudio_probe-8.2.0-py3-none-any.whl](https://ptdbg.obs.myhuaweicloud.com/msprobe/8.2/mindstudio_probe-8.2.0-py3-none-any.whl) |bbc1577d76754adf987069308177d3e0a04e36de9c7f22e75c34cf4ad0ce1af2|
 | 8.1.2 | 2025.8.01  |1.11/2.0/2.1/2.2|2.4.0/2.5.0/2.6.0| [mindstudio_probe-8.1.2-py3-none-any.whl](https://ptdbg.obs.myhuaweicloud.com/msprobe/8.1/mindstudio_probe-8.1.2-py3-none-any.whl) |ff07bb81fddd3b8f3096d119ca1481bde8fdb24f10644def5250caad727448ab|
 | 8.1.1 | 2025.6.20  |1.11/2.0/2.1/2.2|2.4.0/2.5.0/2.6.0| [mindstudio_probe-8.1.1-py3-none-any.whl](https://ptdbg.obs.myhuaweicloud.com/msprobe/8.1/mindstudio_probe-8.1.1-py3-none-any.whl) |2aad10a243575544d7feef552caf4d06aa93028488ebd0bbc9aa350379da859d|
 | 8.1.0 | 2025.6.14  |1.11/2.0/2.1/2.2|2.4.0/2.5.0/2.6.0| [mindstudio_probe-8.1.0-py3-none-any.whl](https://ptdbg.obs.myhuaweicloud.com/msprobe/8.1/mindstudio_probe-8.1.0-py3-none-any.whl) |d10c0a57d073bbe7c681042a11e93a0eaaaf5aa45e1cec997142ce2593d77afd|
@@ -45,12 +46,12 @@ pip install ./mindstudio_probe-{version}-py3-none-any.whl # 安装whl包
 ## 3 从源码安装
 
 ```shell
-git clone https://gitee.com/ascend/mstt.git
+git clone https://gitcode.com/Ascend/mstt.git
 cd mstt/debug/accuracy_tools
 
 pip install setuptools wheel
 
-python setup.py bdist_wheel [--include-mod=[adump]]
+python setup.py bdist_wheel [--include-mod=[adump]] [--no-check]
 cd ./dist
 pip install ./mindstudio_probe*.whl
 ```
@@ -58,6 +59,7 @@ pip install ./mindstudio_probe*.whl
 |参数|说明|是否必选|
 |--|--|:--:|
 |--include-mod|指定可选模块，可取值`adump`，表示在编whl包时加入adump模块。默认未配置该参数，表示编基础包。<br>&#8226; adump模块用于MindSpore静态图场景L2级别的dump。<br>&#8226; 仅MindSpore 2.5.0及以上版本支持adump模块。<br>&#8226; 若使用源码安装，编译环境需支持GCC 7.5或以上版本，和CMake 3.14或以上版本。<br>&#8226; 生成的whl包仅限编译时使用的python版本和处理器架构可用。|否|
+|--no-check|指定可选模块`adump`后，会下载所依赖的三方库包，下载过程会进行证书校验。--no-check可以跳过证书校验。|否|
 
 # 特性变更说明
 
@@ -212,7 +214,7 @@ pip show mindstudio-probe
 Name: mindstudio-probe
 Version: 1.0.x
 Summary: Pytorch Ascend Probe Utils
-Home-page: https://gitee.com/ascend/mstt/tree/master/debug/accuracy_tools/msprobe
+Home-page: https://gitcode.com/Ascend/mstt/tree/master/debug/accuracy_tools/msprobe
 Author: Ascend Team
 Author-email: pmail_mindstudio@huawei.com
 License: Apache License 2.0
@@ -225,7 +227,7 @@ Required-by:
 
 ## 1 安装 CANN 包
 
-1.1 根据 CPU 架构和 NPU 型号选择 toolkit 和 kernel，可以参考 [CANN 软件安装指南](https://gitee.com/link?target=https%3A%2F%2Fwww.hiascend.com%2Fdocument%2Fdetail%2Fzh%2Fcanncommercial%2F700%2Fenvdeployment%2Finstg%2Finstg_0001.html)和[昇腾社区](https://www.hiascend.cn/developer/download/community/result?module=cann)。
+1.1 根据 CPU 架构和 NPU 型号选择 toolkit 和 kernel，可以参考 [CANN 软件安装指南](https://www.hiascend.com/document/detail/zh/canncommercial/700/envdeployment/instg/instg_0001.html)和[昇腾社区](https://www.hiascend.cn/developer/download/community/result?module=cann)。
 
 1.2 运行示例
 ```bash
@@ -239,7 +241,7 @@ source {cann_path}/ascend-toolkit/set_env.sh
 ```
 ## 2 安装 PyTorch_NPU 
 
-链接：[https://gitee.com/ascend/pytorch](https://gitee.com/ascend/pytorch)。
+链接：[https://gitcode.com/Ascend/pytorch](https://gitcode.com/Ascend/pytorch)。
 
 ## 3 安装 MindSpeed LLM
 

msprobe/docs/04.kernel_dump_PyTorch.md

@@ -68,6 +68,6 @@ kernel dump 采集成功后，会在指定的 dump_path 目录下生成如下文
 
 2. 其次需要确认 API 是否运行在昇腾 NPU 上，如果是运行在其他设备上则不会存在 kernel 级数据。
 
-3. 如果排除上述两点仍然没有数据，您可以使用《[Ascend Extension for PyTorch 插件](https://gitee.com/ascend/pytorch)》提供的
+3. 如果排除上述两点仍然没有数据，您可以使用《[Ascend Extension for PyTorch 插件](https://gitcode.com/Ascend/pytorch)》提供的
 torch_npu.npu 接口进行 kernel 层数据采集，工具的 kernel dump 也是基于其中的init_dump、set_dump和finalize_dump三个子接口实现的。
 torch_npu.npu 接口详细描述见《[torch_npu.npu API 概述](https://www.hiascend.com/document/detail/zh/Pytorch/60RC3/apiref/apilist/ptaoplist_000192.html)》。

msprobe/docs/06.data_dump_MindSpore.md

@@ -88,7 +88,7 @@ PrecisionDebugger(config_path=None, task=None, dump_path=None, level=None, step=
 
 #### 6.1.1 start
 
-**功能说明**：启动精度数据采集。静态图场景下，必须在mindspore.communication.init 调用前添加。如果没有使用 [Model](https://gitee.com/link?target=https%3A%2F%2Fwww.mindspore.cn%2Ftutorials%2Fzh-CN%2Fr2.3.1%2Fadvanced%2Fmodel.html) 高阶 API 进行训练，则需要与 stop 函数一起添加在 for 循环内，否则只有需要传入model参数时，才使用该接口。
+**功能说明**：启动精度数据采集。静态图场景下，必须在mindspore.communication.init 调用前添加。如果没有使用 [Model](https://www.mindspore.cn/tutorials/zh-CN/r2.3.1/advanced/model.html) 高阶 API 进行训练，则需要与 stop 函数一起添加在 for 循环内，否则只有需要传入model参数时，才使用该接口。
 
 **原型**：
 

msprobe/docs/10.accuracy_compare_PyTorch.md

@@ -251,7 +251,48 @@ PyTorch 精度比对是以 CPU 或 GPU 的计算结果为标杆，通过计算
 
 上表中NPU_Stack_Info字段需要配置-s参数生成。
 
-### 3.2 颜色标记——真实数据模式、统计数据模式
+### 3.2 比对指标计算公式
+
+$N$: NPU侧tensor
+
+$B$: Bench侧tensor
+
+RE(Relative Error， 相对误差): $\vert\frac {N-B} {B}\vert$  
+
+真实数据模式：
+
+Cosine: $\frac {{N}\cdot{B}} {{\vert\vert{N}\vert\vert}_2{\vert\vert{B}\vert\vert}_2}$
+
+EucDist: ${\vert\vert{A-B}\vert\vert}_2$
+
+MaxAbsErr: $max(\vert{N-B}\vert)$
+
+MaxRelativeErr: $max(RE)$
+
+One Thousandth Err Ratio: $\frac {\sum\mathbb{I}(RE<0.001)} {size(RE)}$
+
+Five Thousandth Err Ratio: $\frac {\sum\mathbb{I}(RE<0.005)} {size(RE)}$
+
+统计数据模式：
+
+Max diff: $max(N)-max(B)$
+
+Min diff: $min(N)-min(B)$
+
+Mean diff: $mean(N)-mean(B)$
+
+L2 Norm diff: $l2norm(N)-l2norm(B)$
+
+MaxRelativeErr: $\vert\frac{max(N)-max(B)}{max(B)}\vert*100\%$
+
+MinRelativeErr: $\vert\frac{min(N)-min(B)}{min(B)}\vert*100\%$
+
+MeanRelativeErr: $\vert\frac{mean(N)-mean(B)}{mean(B)}\vert*100\%$
+
+NormRelativeErr: $\vert\frac{l2norm(N)-l2norm(B)}{l2norm(B)}\vert*100\%$
+
+
+### 3.3 颜色标记——真实数据模式、统计数据模式
 
 通过在命令行中配置-hl或--highlight开启，或者在比对函数中配置参数highlight=True开启，用于标记精度可疑API或模块。开启后，比对性能会有降低，建议比对较大dump.json文件时不配置此参数。
 颜色标记分为红色标记和黄色标记，红色标记优先级高于黄色标记。
@@ -270,7 +311,7 @@ PyTorch 精度比对是以 CPU 或 GPU 的计算结果为标杆，通过计算
 4. 一个 API 或模块的 Cosine 的 input/parameters - output > 0.1（真实数据模式）；
 5. 一个 API 或模块的 Requires_grad Consistent 为 False。
 
-### 3.3 比对结果（Result）——统计数据模式、MD5 模式
+### 3.4 比对结果（Result）——统计数据模式、MD5 模式
 
 统计数据模式：
 1. Warning 情况：4种统计值至少一种相对误差 > 0.5，要重点检查该 API；
@@ -282,7 +323,7 @@ MD5 模式：
 2. Different 情况：NPU 与标杆的 CRC-32 值不一致，即 API 数据不完全一致；
 3. N/A 情况：API 没有匹配上。
 
-### 3.4 判断计算精度达标情况（Accuracy Reached or Not）——真实数据模式
+### 3.5 判断计算精度达标情况（Accuracy Reached or Not）——真实数据模式
 
 标记为 `No`，表示精度不达标：
 1. Cosine < 0.99 且 MaxAbsError > 0.001；
@@ -300,7 +341,7 @@ MD5 模式：
 标记为 `Yes`，表示精度达标：
 1. 除以上情况外的其余情况。
 
-### 3.5 错误信息提示（Err_message）——真实数据模式、统计数据模式
+### 3.6 错误信息提示（Err_message）——真实数据模式、统计数据模式
 
 1. "Need double check api accuracy."：四个统计值中至少 1 个相对误差 > 0.5（统计数据模式）；
 2. "Fuzzy matching data, the comparison accuracy may be affected."：NPU 或 Bench 的真实数据名没有匹配上（真实数据模式）；
@@ -319,7 +360,7 @@ MD5 模式：
 
 除以上错误信息提示外，异常数据颜色高亮标记的原因叠加呈现于此列。
 
-### 3.6 计算精度评价指标分析
+### 3.7 计算精度评价指标分析
 
 1. Cosine：通过计算两个向量的余弦值来判断其相似度，数值越接近于 1 说明计算出的两个张量越相似，实际可接受阈值为大于 0.99。在计算中可能会存在 nan，主要由于可能会出现其中一个向量为 0。
 

msprobe/docs/14.data_parse_PyTorch.md

@@ -6,7 +6,7 @@
 
 使用场景：本工具主要用于精度比对前后两次 NPU kernel 层级 dump 数据的一致性。
 
-依赖：CANN 包中的 msaccucmp 工具，需要安装 Ascend-CANN-toolkit，详见《[CANN 软件安装指南](https://gitee.com/link?target=https%3A%2F%2Fwww.hiascend.com%2Fdocument%2Fdetail%2Fzh%2Fcanncommercial%2F700%2Fenvdeployment%2Finstg%2Finstg_0001.html)》。
+依赖：CANN 包中的 msaccucmp 工具，需要安装 Ascend-CANN-toolkit，详见《[CANN 软件安装指南](https://www.hiascend.com/document/detail/zh/canncommercial/700/envdeployment/instg/instg_0001.html)》。
 
 ## 2 数据解析操作指导
 

msprobe/docs/19.monitor.md

@@ -62,6 +62,8 @@ monitor.set_monitor(
 ) 
 ```
 
+*注意*：若框架为FSDP1，请先保证model包裹FSDP时设置use_orig_params=True。
+
 *注意*：补充deepspeed下常用框架的使能位置。
 
 deepspeed与accelerate、transformers同时使用时，optimizer传值方式为`optimizer=optimizer.optimizer`，若未使用deepspeed，单独使用accelerate、transformers，optimizer传值方式为`optimizer=optimizer`。

msprobe/docs/21.visualization_PyTorch.md

@@ -21,18 +21,16 @@
 
 ### 1.1 安装msprobe工具
 
-[msprobe工具安装](https://gitee.com/ascend/mstt/blob/master/debug/accuracy_tools/msprobe/docs/01.installation.md)
+[msprobe工具安装](./01.installation.md)
 
 ### 1.2 安装tb_graph_ascend
 
 **请安装tb_graph_ascend，否则无法解析构图结果。**
 
-``pip3 install tb-graph-ascend``即可。
-
-如需升级工具，请先``pip3 uninstall tb-graph-ascend``再``pip3 install tb-graph-ascend``即可。
+[tb_graph_ascend安装](../../../../plugins/tensorboard-plugins/tb_graph_ascend#2-安装方式)
 
 ## 2.模型结构数据采集
-[PyTorch场景的数据采集](https://gitee.com/ascend/mstt/blob/master/debug/accuracy_tools/msprobe/docs/05.data_dump_PyTorch.md)
+[PyTorch场景的数据采集](./05.data_dump_PyTorch.md)
 
 **需要选择level为L0（module信息）或者mix（module信息+api信息），才能采集到模型结构数据，即采集结果件construct.json内容不为空**。
 
@@ -50,11 +48,10 @@ msprobe -f pytorch graph -i ./compare.json -o ./output
 |------------------------|---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|------|
 | -f 或 --framework       | 指定训练框架。pytorch。                                                                                                                                                                                                                                                                                                                                                                                                                                                                             | 是                                 |
 | -i 或 --input_path      | 指定比对文件，参考[比对文件说明](#313-比对文件说明)                                                                                                                                                                                                                                                                                                                                                                                                                                                              | 是    |
-| -o 或 --output_path     | 配置比对结果文件存盘目录，str 类型。文件名称基于时间戳自动生成，格式为：`compare_{timestamp}.vis或build_{timestamp}.vis`。                                                                                                                                                                                                                                                                                                                                                                                                      | 是    |
+| -o 或 --output_path     | 配置比对结果文件存盘目录，str 类型。文件名称基于时间戳自动生成，格式为：`compare_{timestamp}.vis.db或build_{timestamp}.vis.db`。                                                                                                                                                                                                                                                                                                                                                                                                | 是    |
 | -lm 或 --layer_mapping  | 跨套件比对，例如同一个模型分别使用了DeepSpeed和Megatron套件的比对场景。配置该参数时表示开启跨套件Layer层的比对功能，指定模型代码中的Layer层后，可以识别对应dump数据中的模块或API。需要指定自定义映射文件*.yaml。自定义映射文件的格式请参见[自定义映射文件（Layer）](#71-自定义映射文件layer)，如何配置自定义映射文件请参考[模型分级可视化如何配置layer mapping映射文件](./visualization/layer_mapping_example.md)。 配置该参数后，将仅按节点名称进行比对，忽略节点的 type 和 shape。如果调试侧和标杆侧有名称不同的节点，则需要配置自定义映射文件，-lm参数传入自定义映射文件路径；如果调试侧和标杆侧节点名称相同，则仅指定-lm即可。<br/><br/>可参考的实际案例：[MindSpeed&LLamaFactory数据采集和自动比对](./visualization/mindspeed_llamafactory_mapping.md) | 否    |
-| -oc 或 --overflow_check | 是否开启溢出检测模式，开启后会在输出vis文件中（`compare_{timestamp}.vis或build_{timestamp}.vis`）对每个溢出节点进行标记溢出等级，溢出等级说明参考[溢出等级说明](#312-溢出等级说明)                                                                                                                                                                                                                                                                                                                                                                      | 否    |
+| -oc 或 --overflow_check | 是否开启溢出检测模式，开启后会在输出db文件中（`compare_{timestamp}.vis.db或build_{timestamp}.vis.db`）对每个溢出节点进行标记溢出等级，溢出等级说明参考[溢出等级说明](#312-溢出等级说明)                                                                                                                                                                                                                                                                                                                                                                 | 否    |
 | -f 或 --fuzzy_match     | 是否开启模糊匹配，bool类型。模糊匹配说明参考[匹配说明](#311-匹配说明)                                                                                                                                                                                                                                                                                                                                                                                                                                                   | 否    |
-| -cs 或 --complete_stack | 是否使用完整的堆栈信息，bool类型。默认使用精简的堆栈信息，数据量小有助于增加流畅度。完整堆栈和精简堆栈信息参考[堆栈信息说明](#72-堆栈信息说明)                                                                                                                                                                                                                                                                                                                                                                                                               | 否    |
 
 #### 3.1.1 匹配说明
 
@@ -139,7 +136,7 @@ msprobe -f pytorch graph -i ./compare.json -o ./output
 
 3.md5：dump了API和Module的输入输出数据统计信息和md5信息。
 
-dump类型如何配置见[数据采集配置文件介绍](https://gitee.com/ascend/mstt/blob/master/debug/accuracy_tools/msprobe/docs/02.config_introduction.md)
+dump类型如何配置见[数据采集配置文件介绍](https://gitcode.com/Ascend/mstt/blob/master/debug/accuracy_tools/msprobe/docs/02.config_introduction.md)
 
 **1. 准备比对文件**：
 
@@ -168,7 +165,7 @@ npu_path或bench_path格式：必须包含dump.json、stack.json和construct.jso
 msprobe -f pytorch graph -i ./compare.json -o ./output
 ```
 
-比对完成后将在**output**下生成一个**vis后缀文件**。
+比对完成后将在**output**下生成一个**vis.db后缀文件**。
 
 #### 3.2.3 批量构建或比对
 ##### 3.2.3.1 多rank批量构建或比对
@@ -212,25 +209,15 @@ npu_path或bench_path格式：必须只包含rank+数字格式的文件夹，且
 ```
 msprobe -f pytorch graph -i ./compare.json -o ./output
 ```
-比对完成后将在**output**下生成n个**vis后缀文件**。
+比对完成后将在**output**下生成1个**vis.db后缀文件**。
 
 图构建：
 ```
-├── build_rank0_{timestamp}.vis
-├── build_rank1_{timestamp}.vis
-├── build_rank2_{timestamp}.vis
-├── build_rank3_{timestamp}.vis
-├── ...
-├── build_rankn_{timestamp}.vis
+├── build_{timestamp}.vis.db
 ```
 图比对：
 ```
-├── compare_rank0_{timestamp}.vis
-├── compare_rank1_{timestamp}.vis
-├── compare_rank2_{timestamp}.vis
-├── compare_rank3_{timestamp}.vis
-├── ...
-├── compare_rankn_{timestamp}.vis
+├── compare_{timestamp}.vis.db
 ```
 ##### 3.2.3.2 多step批量构建或比对
 批量构建或比对多个step下的所有rank的数据
@@ -277,33 +264,15 @@ npu_path或bench_path格式：必须只包含step+数字格式的文件夹，且
 ```
 msprobe -f pytorch graph -i ./compare.json -o ./output
 ```
-比对完成后将在**output**下生成若干个**vis后缀文件**。
+比对完成后将在**output**下生成1个**vis.db后缀文件**。
 
 图构建：
 ```
-├── build_step0_rank0_{timestamp}.vis
-├── build_step0_rank1_{timestamp}.vis
-├── build_step0_rank2_{timestamp}.vis
-├── build_step0_rank3_{timestamp}.vis
-├── build_step1_rank0_{timestamp}.vis
-├── build_step1_rank1_{timestamp}.vis
-├── build_step1_rank2_{timestamp}.vis
-├── build_step1_rank3_{timestamp}.vis
-├── ...
-├── build_stepn_rankn_{timestamp}.vis
+├── build_{timestamp}.vis.db
 ```
 图比对：
 ```
-├── compare_step0_rank0_{timestamp}.vis
-├── compare_step0_rank1_{timestamp}.vis
-├── compare_step0_rank2_{timestamp}.vis
-├── compare_step0_rank3_{timestamp}.vis
-├── compare_step1_rank0_{timestamp}.vis
-├── compare_step1_rank1_{timestamp}.vis
-├── compare_step1_rank2_{timestamp}.vis
-├── compare_step1_rank3_{timestamp}.vis
-├── ...
-├── compare_stepn_rankn_{timestamp}.vis
+├── compare_{timestamp}.vis.db
 ```
 
 #### 3.2.4 仅模型结构比对
@@ -412,9 +381,11 @@ tensorboard --logdir out_path
 
 ### 5.1 浏览器打开图
 推荐使用谷歌浏览器，在浏览器中输入机器地址+端口号回车，出现TensorBoard页面，其中/#graph_ascend会自动拼接。
+
 ![vis_browser_1](./img/visualization/vis_browser_1.png)
 
 如果您切换了TensorBoard的其他功能，此时想回到模型分级可视化页面，可以点击左上方的**GRAPH_ASCEND**
+
 ![vis_browser_2](./img/visualization/vis_browser_2.png)
 
 ### 5.2 查看图
@@ -534,42 +505,6 @@ yaml文件中只需配置待调试侧与标杆侧模型代码中功能一致但
 
 ![ms_dump](./img/ms_layer.png)
 
-### 7.2 堆栈信息说明
-
-**精简堆栈**
-
-保留一条当前模块或api的调用信息
-
-```json
-{
-    "Module.layer1.0.bn1.BatchNorm2d.forward.0": [
-        "File /home/torchvision/models/resnet.py, line 93, in forward, \n out = self.bn1(out)"
-       ]
-}
-```
-
-**完整堆栈**
-
-当前模块或api完整的调用信息
-
-```json
-{
-    "Module.layer1.0.bn1.BatchNorm2d.forward.0": [
-        "File /home/torchvision/models/resnet.py, line 93, in forward, \n out = self.bn1(out)",
-        "File /home/torch/nn/modules/module.py, line 1568, in _call_impl, \n result = forward_call(*args, **kwargs)",
-        "File /home/torch/nn/modules/module.py, line 1518, in _wrapped_call_impl, \n return self._call_impl(*args, **kwargs)",
-        "File /home/torch/nn/modules/container.py, line 215, in forward, \n input = module(input)",
-        "File /home/torch/nn/modules/module.py, line 1568, in _call_impl, \n result = forward_call(*args, **kwargs)",
-        "File /home/torch/nn/modules/module.py, line 1518, in _wrapped_call_impl, \n return self._call_impl(*args, **kwargs)",
-        "File /home/torchvision/models/resnet.py, line 273, in _forward_impl, \n x = self.layer1(x)",
-        "File /home/torchvision/models/resnet.py, line 285, in forward, \n return self._forward_impl(x)",
-        "File /home/torch/nn/modules/module.py, line 1527, in _call_impl, \n return forward_call(*args, **kwargs)",
-        "File /home/torch/nn/modules/module.py, line 1518, in _wrapped_call_impl, \n return self._call_impl(*args, **kwargs)",
-        "File /home/visualization/resnet18.py, line 40, in <module>, \n outputs = model(inputs)"
-       ]
-}
-
-```
 # FAQ
 1. 图比对场景，节点呈现灰色，且没有精度比对数据，怎么处理？