[torch 参数更多]torch.profiler.profile

torch.profiler.profile

torch.profiler.profile(*, activities=None, schedule=None, on_trace_ready=None, record_shapes=False, profile_memory=False, with_stack=False, with_flops=False, with_modules=False, experimental_config=None, use_cuda=None)

paddle.profiler.Profiler

paddle.profiler.Profiler(*, targets=None, scheduler=None, on_trace_ready=None, record_shapes=False, profile_memory=False, timer_only=False)

PyTorch 相比 Paddle 支持更多其他参数，具体如下：

参数映射

PyTorch PaddlePaddle 备注
activities targets 指定性能分析所要分析的设备，PyTorch 为 torch.profiler.ProfilerActivity 类型，Paddle 为 paddle.profiler.ProfilerTarget 类型。
schedule scheduler 如果是 Callable 对象，代表是性能分析器状态的调度器，仅参数名不一致。
on_trace_ready on_trace_ready 处理性能分析器的回调函数。
record_shapes record_shapes 如果设置为 True, 则会开启收集框架算子输入张量的 shape。
profile_memory profile_memory 如果设置为 True, 则会开启收集显存分析的数据。
with_stack - 记录 source 信息，Paddle 无此参数，暂无转写方式。
with_flops - 使用公式来估计浮点计算，Paddle 无此参数，暂无转写方式。
with_modules - 记录模块层次，Paddle 无此参数，暂无转写方式。
experimental_config - 实验性特征配置，Paddle 无此参数，暂无转写方式。
use_cuda - 已废弃，Paddle 无此参数，暂无转写方式。
- timer_only 如果设置为 True，将只统计模型的数据读取和每一个迭代所消耗的时间，而不进行性能分析，PyTorch 无此参数，Paddle 保持默认即可。

转写示例

参数类型不同

# PyTorch 写法:
with torch.profiler.profile(
    activities=[
        torch.profiler.ProfilerActivity.CPU,
        torch.profiler.ProfilerActivity.CUDA,
    ],
    schedule=torch.profiler.schedule(
        wait=1,
        warmup=1,
        active=2),
    on_trace_ready=torch.profiler.tensorboard_trace_handler('./log')
) as p:
    for iter in range(10):
        p.step()

# Paddle 写法:
with paddle.profiler.Profiler(
    targets=[
        paddle.profiler.ProfilerTarget.CPU,
        paddle.profiler.ProfilerTarget.GPU
    ],
    scheduler=(2, 5),
    on_trace_ready = paddle.profiler.export_chrome_tracing('./log')
) as p:
    for iter in range(10):
        p.step()