Liger-Kernel 性能测试结果存储优化方案解析

在开源深度学习编译器项目 Liger-Kernel 的开发过程中，性能基准测试（benchmark）是评估优化效果的重要手段。近期项目团队对测试结果的存储方式进行了重要改进，从原先同时保存 PNG/HTML 可视化报告和 CSV 数据文件，调整为仅保留 CSV 格式的原始数据。这一变更看似简单，实则蕴含着对科研工程实践的深刻思考。

存储策略优化的技术背景

传统的性能测试流程通常会生成多种格式的结果：

• 可视化图表（PNG）：便于快速直观比较
• 交互式网页报告（HTML）：支持动态探索数据
• 结构化数据（CSV）：适合程序化处理和分析

Liger-Kernel 团队经过实践发现，可视化报告虽然便于人类阅读，但存在几个关键问题：

1. 图像格式无法保留原始精度，导致后续分析时丢失细节
2. HTML 报告增加了存储负担且不利于版本控制
3. 自动化分析流程更依赖结构化数据而非可视化结果

技术实现要点

本次改进的核心在于：

1. 精度保障：调整 Triton 工具链的输出设置，将浮点数精度从默认的2位小数提升到更高位数，确保原始数据完整性
2. 流程简化：移除 PNG/HTML 生成环节，降低 CI/CD 流水线的复杂度
3. 分析灵活性：鼓励开发者基于 CSV 数据自主生成所需可视化，避免预设图表限制分析维度

对开发实践的影响

这一变更反映了现代AI工程的最佳实践：

• 可复现性：原始数据比渲染结果更具长期价值
• 自动化友好：简化后的输出更易于集成到自动化分析流水线
• 存储效率：减少不必要文件的存储，特别有利于大规模基准测试场景

对于刚接触性能优化的开发者，这一调整也传递了重要理念：在工程实践中，应该优先保证基础数据的准确性和可用性，可视化应当作为可选的后续步骤而非必需环节。

总结

Liger-Kernel 的这次改进虽然看似只是文件格式的调整，实则体现了项目团队对工程严谨性的追求。这种以数据为核心、保持流程简洁的设计哲学，值得其他深度学习系统项目借鉴。开发者现在可以更专注于算法本身的优化，而不必分心处理冗余的输出结果。