---
title: 分析Profiling数据
description: "开发人员可通过分析Profiling工具解析得到的Timeline和Summary文件，识别性能瓶颈点。"
url: https://www.hiascend.com/document/detail/zh/TensorFlowCommercial/latest/migration/tfmigr1/tfmigr1_000063.html
sourcePath: /source/zh/TensorFlowCommercial/900/migration/tfmigr1/tfmigr1_000063.html
indexId: 51dc82d126b3a4f1fc973928419464dd1d081da092a82ce0a7c719510dededd773
---
# 分析Profiling数据

开发人员可通过分析Profiling工具解析得到的Timeline和Summary文件，识别性能瓶颈点。

下面仅介绍常用的关键性能数据文件以及分析思路，关于更多Profiling数据文件的介绍可参见《性能调优工具(https://www.hiascend.com/document/detail/zh/canncommercial/900/devaids/Profiling/atlasprofiling_16_0144.html)》 。

- Timeline文件：step_trace_*.csv文件
  “step_trace_*.csv”记录了迭代轨迹数据信息，包含每轮迭代的耗时，主要字段及含义如下：
  - Iteration Time：一轮迭代的计算时间，主要包含FP/BP和Grad Refresh两个阶段的时间。
  - FP to BP Time：网络正向传播和反向传播的计算时间。
  - Iteration Refresh：迭代拖尾时间。
  - Data Aug Bound：两个相邻Iteration Time的间隔时间。


  展示数据如下图所示，开发者进行数据分析时，需要注意选择合适的Iteration ID和Model ID的数据。

  图1 step_trace_*.csv文件示例

  从上面示例可以看出，Model ID=1的数据明显与后续不同，为初始化图，而Model ID=11才为真正的迭代计算图，因此要选择Model ID=11的数据进行分析。另外，可以看到在Model ID=11，Iteration ID=1时，Data Aug Bound的时间很长，因为该阶段存在编译等操作，所以耗时较长，因此需要选择Model ID=11且Iteration ID>2的数据进行分析。

- Summary文件：op_statistic_*.csv与op_summary_*.csv
  “op_statistic_*.csv”文件记录了AI Core和AI CPU算子调用次数及耗时统计，“op_summary_*.csv”文件记录了详细的AI Core和AI CPU算子数据。

  开发者可根据“op_statistic_*.csv”文件初步判断耗时较长的算子，然后再根据耗时长的算子，查找“op_summary_*.csv”文件中的详细信息，从而定位出最小粒度事件。