写给前端的 CAAN-profiling-suite：昇腾性能分析套件到底是啥？

上周做模型优化，老板问我：“你的模型在 NPU 上跑得慢，到底慢在哪里？” 我愣住了——不知道啊。

好问题。今天一次说清楚。

profiling-suite 是啥？

profiling-suite 是昇腾的性能分析套件。采集 NPU 执行的方方面面，帮你找到性能瓶颈。

一句话说清楚：profiling-suite 是昇腾的性能分析套件，采集 NPU 执行数据、算子耗时、通信耗时、内存带宽，生成可视化报告。

你说气人不气人，之前找性能瓶颈靠猜，现在用 profiling-suite 直接看数据。

为什么需要 profiling-suite？

三种情况：

1. 模型慢，不知道为什么
算子是瓶颈？通信是瓶颈？内存带宽是瓶颈？

2. 优化后不知道有没有效
改了代码，性能有没有提升？提升了多少？

3. 想深入优化
看流水线、看内存访问模式、看指令发射效率。

profiling-suite 核心能力

1. 性能数据采集

采集 NPU 执行的各类数据。

import torch
import torch_npu
from canning import profiling_suite as ps

# 方式一：上下文管理器
with ps.Profile() as prof:
    output = model(input_data)

# 方式二：装饰器
@ps.profile()
def forward(model, input_data):
    return model(input_data)

output = forward(model, input_data)

# 方式三：手动控制
ps.start()
output = model(input_data)
ps.stop()

你说气人不气人，加一行代码就能采集完整性能数据。

2. 算子耗时分析

看每个算子花了多少时间。

import torch
import torch_npu
from canning import profiling_suite as ps

model = MyModel().npu()

with ps.Profile() as prof:
    output = model(input_data)

# 打印算子耗时
print(prof.op_summary())

# 输出：
# Op Type         Calls    Total(ms)   Avg(ms)    Min(ms)    Max(ms)
# ---------------------------------------------------------------------------
# MatMul         100       350.2        3.50        3.20        4.10
# Conv2D         50       210.5        4.21        3.80        5.20
# Softmax        100       15.3         0.15        0.12        0.18
# LayerNorm      100       25.7         0.26        0.22        0.30

结论：MatMul 和 Conv2D 是瓶颈，优化重点在这里。

3. 内存分析

看内存分配、释放、峰值。

import torch
import torch_npu
from canning import profiling_suite as ps

with ps.Profile() as prof:
    output = model(input_data)

# 打印内存报告
print(prof.memory_summary())

# 输出：
# Memory Events:
# - Allocations: 1,200
# - Frees: 1,150
# - Peak memory: 8.5 GB
# - Device: NPU:0

结论：峰值内存 8.5GB，如果 NPU 内存只有 16GB，要注意 OOM 风险。

4. 通信分析

看集合通信的耗时。

import torch
import torch_npu
import torch.distributed as dist
from canning import profiling_suite as ps

dist.init_process_group(backend='hccl')

with ps.Profile() as prof:
    output = model(input_data)
    dist.all_reduce(tensor)

# 打印通信报告
print(prof.communication_summary())

# 输出：
# Communication Events:
# - AllReduce: 50 calls, 120ms total, 2.4ms avg
# - AllGather: 20 calls, 80ms total, 4.0ms avg
# - ReduceScatter: 30 calls, 90ms total, 3.0ms avg

结论：AllReduce 通信占比 15%，考虑使用梯度累积或者通信-计算重叠。

5. 时间线导出

导出 Chrome Trace 格式，在 Chrome 里可视化。

import torch
import torch_npu
from canning import profiling_suite as ps

with ps.Profile() as prof:
    for i in range(10):
        output = model(input_data)

# 导出时间线
prof.export_chrome_trace("trace.json")

# 在 Chrome 中打开：
# 1. 打开 chrome://tracing/
# 2. 点击 "Load" 按钮
# 3. 选择 trace.json
# 4. 查看时间线可视化

时间线能看到的：

• 每个算子的开始/结束时间
• 算子之间的并行关系
• 内存分配/释放事件
• 通信事件

6. 性能建议

自动给出优化建议。

import torch
import torch_npu
from canning import profiling_suite as ps

with ps.Profile() as prof:
    output = model(input_data)

# 打印优化建议
print(prof.optimization_suggestions())

# 输出：
# Optimization Suggestions:
# 1. MatMul op consumes 35% of total time. Consider:
#    - Use FlashAttention for attention computation
#    - Enable operator fusion for MatMul + bias + activation
# 2. Communication overhead is 18%. Consider:
#    - Overlap communication with computation
#    - Use gradient accumulation
# 3. Memory peak is 8.5GB. Consider:
#    - Use activation checkpointing
#    - Use FP16 precision

性能数据

在昇腾 910 上分析 ResNet-50 推理：

分析项目	数值	说明
总耗时	15.2ms	单张图片推理
算子耗时占比	85%	计算是瓶颈
通信耗时占比	5%	可忽略
内存峰值	1.2GB	模型 + 中间激活值
最慢算子	Conv2D	占总时间 40%

优化后：

分析项目	数值	提升
总耗时	8.5ms	1.8x
算子耗时占比	90%	-
通信耗时占比	3%	-
内存峰值	0.8GB	1.5x 降低
最慢算子	Conv2D (fusion)	25% 占比

怎么用？

方式一：Python 接口（推荐）

import torch
import torch_npu
from canning import profiling_suite as ps

# 1. 准备模型和数据
model = ResNet50().npu()
input_data = torch.randn(1, 3, 224, 224).npu()

# 2. 性能分析
with ps.Profile(
    activities=[ps.ProfilerActivity.CPU, ps.ProfilerActivity.NPU],
    record_shapes=True,
    profile_memory=True,
    with_stack=True
) as prof:
    output = model(input_data)

# 3. 查看报告
print(prof.key_averages().table(sort_by="cpu_time_total", row_limit=10))

# 4. 导出时间线
prof.export_chrome_trace("resnet50_trace.json")

方式二：命令行工具

# 分析脚本
canning-prof --mode=performance \
            --output=./prof_results \
            python train.py

# 查看报告
canning-prof --mode=view \
            --input=./prof_results/performance.json

方式三：集成到训练脚本

import torch
import torch_npu
from canning import profiling_suite as ps

# 只在特定 step 分析，避免大量日志
prof = ps.Profile(
    start_on_cpu=True,
    with_stack=True,
    record_shapes=True
)

for epoch in range(num_epochs):
    for step, (inputs, labels) in enumerate(dataloader):
        inputs = inputs.npu()
        labels = labels.npu()

        # 每 100 个 step 分析一次
        if step % 100 == 0:
            prof.start()

        outputs = model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        if step % 100 == 0:
            prof.stop()
            prof.export_chrome_trace(f"trace_step_{step}.json")
            prof.start()  # 重置，开始新的采集

prof.stop()

踩坑指南（亲身经历）

1. 分析会影响性能

   • 开启 profiling 会增加 5-15% 开销
   • 不要在每个 step 都开启
   • 定期采样即可

2. 时间线文件很大

   • 长时间采集会生成 GB 级 JSON
   • 设置 with_stack=False 可以减少文件大小
   • 或者只采集特定 step

3. 内存分析不准

   • 如果用了 torch_npu.npu.empty_cache()，内存分析会不准
   • 建议在分析时注释掉 empty_cache()

4. 分布式训练要指定 rank

   prof = ps.Profile(
       activities=[ps.ProfilerActivity.NPU],
       on_trace_ready=ps.tensorboard_trace_handler('./log'),
       record_shapes=True
   )
   

与 msprof 的区别

特性	profiling-suite	msprof
定位	Python 层性能分析	系统层性能分析
使用难度	简单（Python API）	中等（命令行 + 配置）
粒度	算子级	算子级 + 指令级
输出格式	Python 对象 + Chrome Trace	JSON + 文本报告
适用场景	快速定位瓶颈	深度性能调优

简单说：

• profiling-suite：Python 开发者，快速定位瓶颈
• msprof：系统工程师，深度性能调优

总结

profiling-suite 就是昇腾的性能分析套件：

• 采集算子耗时
• 采集内存使用
• 采集通信耗时
• 导出时间线可视化
• 给出优化建议