# Profiling TorchNeuron \(Part 1\): System-level profiling on AWS Trainium

- 发布方：Amazon（发布于 Hugging Face Blog）；作者：Josh Longenecker
- 形式：文章 · en
- 原始资源：[https://huggingface.co/blog/amazon/profiling-torchneuron-part-1](<https://huggingface.co/blog/amazon/profiling-torchneuron-part-1>)
- 本站页面：[https://oplearnx.com/resources/res\_82prsmvkcxsw](<https://oplearnx.com/resources/res_82prsmvkcxsw>)
- 学习主题：人工智能 / AI 系统与效率；人工智能 / AI 系统与效率 / 加速器与算子优化；人工智能 / AI 系统与效率 / 推理服务与加速
- 内容状态：状态待核验
- 原始发布时间：2026-10-22 00:04
- 本站首次收录：2026-10-28 00:06

## 能学到什么

学会在 AWS Trainium 上用 Neuron 后端配置 torch.profiler 采集 trace，读懂 key\_averages\(\) 表定位耗时算子，并用 Neuron Explorer 从框架派发追到硬件执行，比较同一算子的不同实现。

- 理解 Neuron 作为 PyTorch 后端（PrivateUse1 扩展点）的工作方式
- 用 NeuronConfig 与 NeuronProfiler 配置 torch.profiler 并采集干净的 Neuron trace
- 使用 key\_averages\(\) 表按 self\_privateuse1\_time\_total 找出占用 Neuron 设备时间最多的算子
- 在 Neuron Explorer 中按 framework / runtime / hardware 车道追踪单个算子的执行路径
- 对比朴素 PyTorch 写法、torch.rms\_norm 与 torch.compile 三种实现剖析结果的变化

## 适合我吗

- 适合：适合想系统分析深度学习推理性能、并已在或计划在 AWS Trainium 上跑 PyTorch 模型的工程师。
- 需要留意：不适合想学 GPU（CUDA）性能剖析或完全没有 PyTorch 基础的学习者；文中后续小节的具体步骤节选未提供。

## 前置条件与费用

- 知识前置：需要能编写和运行 PyTorch 代码，了解张量与常见算子；文章自称不需要剖析经验。
- 软件、账号与硬件：需自备可使用的 AWS Trainium 环境与 torch-neuronx 包（原站未说明具体获取方式），以及 Neuron Explorer 的访问方式。
- 内容费用：免费：网页为公开的“Enterprise Article”，节选里可直接读到主要正文、代码与配置，未见付费墙或登录拦截。
- 实践费用：实践费用待核验：复现剖析需要 Trainium 硬件实例，网页未说明是否需要付费以及费用情况。
- 转载与修改：按材料分别核对，见本页“来源核验与开课实跑”；仓库许可不自动适用于教材或视频。

## 准备工具

- [PyTorch](<https://docs.pytorch.org/tutorials/advanced/privateuseone.html>)：运行待剖析的 RMSNorm 示例代码
- [torch-neuronx（TorchNeuron）](<https://github.com/aws-neuron/torch-neuronx>)：提供 Neuron 后端与示例脚本
- [Neuron Explorer](<https://awsdocs-neuron.readthedocs-hosted.com/en/latest/tools/neuron-explorer/get-started.html#step-5-upload-your-profile>)：浏览器查看系统 trace 与设备时间线
- [示例脚本目录](<https://github.com/aws-neuron/torch-neuronx/tree/main/examples/hf_profiling_blog_pt1>)：复现文中三份 RMSNorm 剖析脚本

## 学习指南

开课检查：提示词由本站整理，尚未按提示词实际完成开课检查。

### 开课提示词（Windows）

```text
请帮我把「Profiling TorchNeuron (Part 1): System-level profiling on AWS Trainium」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。
开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。

课程入口：https://huggingface.co/blog/amazon/profiling-torchneuron-part-1
我的系统：Windows。如果实际不符，先调整方案。
本次路线：Windows：本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。
练习：用文中三份 RMSNorm 脚本（朴素算子、torch.rms_norm、torch.compile）重复剖析，对比 key_averages() 中算子数量与设备时间的变化，总结融合与编译对执行路径的影响。
课节（官方顺序）：
1. Profiling TorchNeuron (Part 1): System-level profiling on AWS Trainium：https://huggingface.co/blog/amazon/profiling-torchneuron-part-1

1. 环境
- 可访问 Trainium 的 Linux 环境与 SSH 隧道（或用 VS Code 扩展）
- 上游 PyTorch 与 torch-neuronx
- 浏览器访问 Neuron Explorer
- 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。
2. 材料
- 官方课程页面：只记录链接 https://huggingface.co/blog/amazon/profiling-torchneuron-part-1
3. 目录（最外层放在我确认的位置）
profiling-torchneuron-part1/
├── README.md        # 课程入口、课节清单、每次怎么开始
├── progress.md      # 每课：读讲义 / 做练习 / 记笔记
├── questions.md     # 待解决的问题
├── check-env.ps1     # 环境自检，按 README 操作
├── data/            # 练习用到的样例数据
└── lessons/         # 每课一个文件夹：notes.md + exercises/
    └── 01-01-profiling-torchneuron-part-1-system/
- 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。
- 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。
4. 自检
- 创建 check-env.ps1，逐项检查并记录“通过/未通过”：
- 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。将下面检查转换为 PowerShell 命令，不使用 Bash 语法。
  - python -c "import torch, torch_neuronx; print(torch.__version__)"  → 打印 PyTorch 版本且无导入错误
  - 打开输出目录确认 trace.json 存在  → 存在 trace.json；若抓取设备数据则还有配对的 .neff 与 .ntff 文件
  - 在 Neuron Explorer 中打开上传的 profile  → 能看到 framework、runtime、hardware 三类车道及其事件
- 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。
- 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。
- 运行一次，把结果给我看；未通过的项目说明原因和修复办法。
5. 学习计划
- README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。
- progress.md：每课三项勾选——读讲义、做练习、记笔记。
6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。
```

### 开课提示词（macOS）

```text
请帮我把「Profiling TorchNeuron (Part 1): System-level profiling on AWS Trainium」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。
开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。

课程入口：https://huggingface.co/blog/amazon/profiling-torchneuron-part-1
我的系统：macOS。如果实际不符，先调整方案。
本次路线：macOS：本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。
练习：用文中三份 RMSNorm 脚本（朴素算子、torch.rms_norm、torch.compile）重复剖析，对比 key_averages() 中算子数量与设备时间的变化，总结融合与编译对执行路径的影响。
课节（官方顺序）：
1. Profiling TorchNeuron (Part 1): System-level profiling on AWS Trainium：https://huggingface.co/blog/amazon/profiling-torchneuron-part-1

1. 环境
- 可访问 Trainium 的 Linux 环境与 SSH 隧道（或用 VS Code 扩展）
- 上游 PyTorch 与 torch-neuronx
- 浏览器访问 Neuron Explorer
- 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。
2. 材料
- 官方课程页面：只记录链接 https://huggingface.co/blog/amazon/profiling-torchneuron-part-1
3. 目录（最外层放在我确认的位置）
profiling-torchneuron-part1/
├── README.md        # 课程入口、课节清单、每次怎么开始
├── progress.md      # 每课：读讲义 / 做练习 / 记笔记
├── questions.md     # 待解决的问题
├── check-env.sh     # 环境自检，按 README 操作
├── data/            # 练习用到的样例数据
└── lessons/         # 每课一个文件夹：notes.md + exercises/
    └── 01-01-profiling-torchneuron-part-1-system/
- 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。
- 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。
4. 自检
- 创建 check-env.sh，逐项检查并记录“通过/未通过”：
- 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。使用当前系统的终端运行。
  - python -c "import torch, torch_neuronx; print(torch.__version__)"  → 打印 PyTorch 版本且无导入错误
  - 打开输出目录确认 trace.json 存在  → 存在 trace.json；若抓取设备数据则还有配对的 .neff 与 .ntff 文件
  - 在 Neuron Explorer 中打开上传的 profile  → 能看到 framework、runtime、hardware 三类车道及其事件
- 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。
- 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。
- 运行一次，把结果给我看；未通过的项目说明原因和修复办法。
5. 学习计划
- README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。
- progress.md：每课三项勾选——读讲义、做练习、记笔记。
6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。
```

### 开课提示词（Linux）

```text
请帮我把「Profiling TorchNeuron (Part 1): System-level profiling on AWS Trainium」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。
开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。

课程入口：https://huggingface.co/blog/amazon/profiling-torchneuron-part-1
我的系统：Linux。如果实际不符，先调整方案。
本次路线：Linux：本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。
练习：用文中三份 RMSNorm 脚本（朴素算子、torch.rms_norm、torch.compile）重复剖析，对比 key_averages() 中算子数量与设备时间的变化，总结融合与编译对执行路径的影响。
课节（官方顺序）：
1. Profiling TorchNeuron (Part 1): System-level profiling on AWS Trainium：https://huggingface.co/blog/amazon/profiling-torchneuron-part-1

1. 环境
- 可访问 Trainium 的 Linux 环境与 SSH 隧道（或用 VS Code 扩展）
- 上游 PyTorch 与 torch-neuronx
- 浏览器访问 Neuron Explorer
- 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。
2. 材料
- 官方课程页面：只记录链接 https://huggingface.co/blog/amazon/profiling-torchneuron-part-1
3. 目录（最外层放在我确认的位置）
profiling-torchneuron-part1/
├── README.md        # 课程入口、课节清单、每次怎么开始
├── progress.md      # 每课：读讲义 / 做练习 / 记笔记
├── questions.md     # 待解决的问题
├── check-env.sh     # 环境自检，按 README 操作
├── data/            # 练习用到的样例数据
└── lessons/         # 每课一个文件夹：notes.md + exercises/
    └── 01-01-profiling-torchneuron-part-1-system/
- 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。
- 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。
4. 自检
- 创建 check-env.sh，逐项检查并记录“通过/未通过”：
- 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。使用当前系统的终端运行。
  - python -c "import torch, torch_neuronx; print(torch.__version__)"  → 打印 PyTorch 版本且无导入错误
  - 打开输出目录确认 trace.json 存在  → 存在 trace.json；若抓取设备数据则还有配对的 .neff 与 .ntff 文件
  - 在 Neuron Explorer 中打开上传的 profile  → 能看到 framework、runtime、hardware 三类车道及其事件
- 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。
- 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。
- 运行一次，把结果给我看；未通过的项目说明原因和修复办法。
5. 学习计划
- README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。
- progress.md：每课三项勾选——读讲义、做练习、记笔记。
6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。
```

### 每课提示词

```text
继续学习「Profiling TorchNeuron (Part 1): System-level profiling on AWS Trainium」。课程目录是 profiling-torchneuron-part1/（不知道完整路径就先问我）。
1. 读 progress.md，找到下一课；如果我指定了第几课，就准备那一课。
2. 打开这一课的官方页面和本地讲义，列出本课练习要用的工具、文件和样例数据。缺少的先告诉我，等我同意再安装或下载。
3. 在 lessons/ 对应的课节文件夹里准备好练习：exercises/ 里给每道题建一个文件，写上题号和题目原文链接，不写答案；已有文件保留，样例数据放到 data/。拿不到官方题目或起始代码时记录限制，不编造替代品。
4. 按 README 运行开课时生成的自检脚本或在线检查清单，并检查本课新增工具能否正常使用。
5. 告诉我：本课先读哪几节、从哪道练习开始、大约需要多久。我学完后，帮我在 progress.md 勾选并把问题整理到 questions.md。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
```

### 课节（官方顺序）

1. [Profiling TorchNeuron \(Part 1\): System-level profiling on AWS Trainium](<https://huggingface.co/blog/amazon/profiling-torchneuron-part-1>)

## 指南参考

- [课程主页](<https://huggingface.co/blog/amazon/profiling-torchneuron-part-1>)

## 来源、许可与验证记录

- **开课提示词未完整验证，需要自备账号或资源**：AWS Trainium 加速器实例（运行 device='neuron' 的剖析代码）；torch-neuronx（TorchNeuron）与上游 PyTorch；Neuron Explorer（浏览器查看 trace，可经 SSH 隧道或 VS Code 扩展访问）；Trainium 实例与相关云资源可能产生费用（原站未说明）
- 转载与修改 · 课程页面与材料：未找到明确许可。网页未声明本文内容的许可；正文引用的 torch-neuronx 代码仓库本次节选也未写明许可名 [依据](<https://huggingface.co/blog/amazon/profiling-torchneuron-part-1>)
- 链接检查：1/1 个可以访问

## 来源与推荐

- 编辑整理收录

---
来源：LearnMap · 学径（https://oplearnx.com）