PyTorch profiling数据采集

1. 采集性能数据。
   进行PyTorch profiling数据采集，需要使用Profiling接口对原始代码的loss计算和优化过程进行改造。修改代码如下：

   # 使用ascend-pytorch适配的profiling接口，推荐先运行10个step，再profiling1个step。
   with torch.autograd.profiler.profile(use_npu=True) as prof:
       out = model(input_tensor)     
       loss=loss_func(out)
       loss.backward()  
       optimizer.zero_grad()   
       optimizer.step() 
   
   # 打印Profiling结果信息
   print(prof) 
   
   # 导出chrome_trace文件到指定路径
   output_path = '/home/HwHiAiUser/profile_data.json'
   prof.export_chrome_trace(output_path)

2. 查看profiling数据。
   在Chrome浏览器中输入“chrome://tracing”地址，将profile_data.json文件拖到空白处打开，通过键盘上的快捷键（w：放大，s：缩小，a：左移，d：右移）进行查看，如下图所示：

   图1 PyTorch profiling结果文件
   

   具体性能数据分析步骤如下：

   1. 单击图片中①所示按钮。
   2. 框选图片中②（用户所需数据）所示timeline数据。
   3. 单击图片中③所示按钮，详细数据信息如④所示。
   4. 根据④中selftime数据从大到小排序，可找出TopN耗时算子信息，分析模型中存在的性能问题。

PyTorch profiling更多内容请参见《CANN 开发工具指南》（开放态）中的“性能分析工具使用指南”章节"高级功能>性能数据采集（AI框架方式）>PyTorch Profiling"章节。