Hugging Face · Aritra Roy Gosthipaty · Sayak Paul · Sergio Paniego · Rémi Ouazan Reboul · Pedro Cuenca
Profiling in PyTorch (Part 1): A Beginner's Guide to torch.profiler
学会用 torch.profiler 采集并解读 PyTorch 程序的性能剖析结果,能读 profiler 表格区分 CPU 与 GPU 耗时,判断优化方向。
Face
- 难度
- 入门
- 形式
- 实践教程
- 语言
- en
- 规模
- 1 个课节
- 内容费用
- 免费
- 动手
- 需要动手环境
使用限制
阅读文章本身无需账号,也不需要 GPU;运行示例脚本需自备 PyTorch 环境,原文建议在带 GPU 的机器上运行,或通过需要 Hugging Face 账号的 Spaces Dev Mode / Jobs 获取 GPU,均属可选实践。
- 练习与作业
- GPU:原文建议在带 GPU 的机器上运行示例脚本,仅用于复现 trace 与 GPU 车道分析
- 补充内容
- Hugging Face 账号:仅在用 Spaces Dev Mode 或 Jobs 获取 GPU 时需要如需在 Hugging Face 上使用付费算力运行脚本
- 内容提示
- 付费内容:全文免费阅读,但运行文中示例脚本需自备 PyTorch 环境;原文建议在带 GPU 的机器上运行,或通过 Hugging Face Spaces Dev Mode / Jobs 获取 GPU,可能产生算力费用。内容时效:原文注明文中的 trace 由 PyTorch 2.13 生成,使用其他版本时部分 trace 细节(如 CompiledFxGraph)可能不同或缺失。
选择学习环境
按你的电脑系统准备;提示词在你自己的电脑上使用。
本机动手
先准备好 PyTorch 环境(原文建议带 GPU),再跟着文章一步步运行示例、导出 profiler 表格与 trace。原文示例脚本为 01_matmul_add.py,文中 trace 由 PyTorch 2.13 生成,版本不同时细节(如 CompiledFxGraph)可能不同。原文称这是轻松读物,除基础 PyTorch 外没有前置要求。
需要可运行 PyTorch 的环境;原文建议在带 GPU 的机器上运行示例脚本(作者使用 NVIDIA A100-SXM4-80GB),并提到可用 Hugging Face Spaces Dev Mode 或 Jobs 获取 GPU。原文未说明必须自备 GPU 才能阅读文章。
准备工具和账号
标“选用”的可以跳过。
- PyTorch运行示例脚本并进行性能分析
- uv按原文命令运行脚本(uv run 01_matmul_add.py)
- GPU 环境(本地或 Hugging Face Spaces/Jobs)选用按原文建议在 GPU 机器上跑脚本,采集 CUDA 活动
- Perfetto UI 选用查看导出的 Chrome trace 文件(原文后文涉及,节选未提供正文)
让 AI Agent 一次搭好课程
复制开课提示词发给你常用的 AI Agent。它会下载允许保存的官方材料、建立课节目录并自检;需要账号、权限或费用时会先问你。
开课提示词 · 只需用一次此提示词尚未实测验证请帮我把「Profiling in PyTorch (Part 1): A Beginner's Guide to torch.profiler」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/torch-profiler 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:用文章提供的 01_matmul_add.py 脚本,先在 64 尺寸下采集结果并读表格最后两行的 Self CPU/CUDA 总时间,再按原文换成 4096 尺寸对比。节选中 torch.compile 与 Trace reading cheatsheet 等内容只出现标题,未提供正文,需以原文后续内容为准。 课节(官方顺序): 1. Profiling in PyTorch (Part 1): A Beginner's Guide to torch.profiler:https://huggingface.co/blog/torch-profiler 1. 环境 - Python 与 PyTorch(原文示例用 PyTorch 2.13 生成 trace) - uv(原文运行命令为 uv run 01_matmul_add.py) - 可选:支持 CUDA 的 GPU(原文建议在 GPU 机器上运行) - 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/torch-profiler 3. 目录(最外层放在我确认的位置) torch-profiler-beginner-guide/ ├── 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-in-pytorch-part-1/ - 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; print(torch.__version__, torch.cuda.is_available())" → 打印 PyTorch 版本号,GPU 可用时为 True。 - ls traces/01_matmul_add → 看到 64_bf16_cold_eager.json 与 64_bf16_cold_eager.txt。 - 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。搭好后的课程目录
torch-profiler-beginner-guide/ ├── 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-in-pytorch-part-1/
来源与使用须知
- 原始资源
- Hugging Face
- 收录时间
- 本站首次收录 2026-10-20
- 指南参考
- 课程主页
版权与转载
- 课程材料未标明许可:仅供个人学习,转载、修改或商用前请先联系原作者。
- 本站只提供原始链接和学习指南,不转载、不镜像课程材料;引用时请注明原作者与出处。