注意
点击 此处 下载完整的示例代码
Inductor CPU 后端调试和性能分析¶
概述¶
PyTorch 2.0 引入了名为 torch.compile 的编译 API。此新功能通过由默认 Inductor 后端支持的图级优化，显著提高了比 Eager 模式执行的速度。
本教程旨在深入介绍 Inductor CPU 后端的调试和性能分析，深入探讨 torch.compile 的复杂性。
同时，您还可以找到有关 torch.compile 的相关教程，例如 基本用法、全面的 故障排除 和 GPU 特定知识，如 GPU 性能分析。
我们将从一个触发编译问题和精度问题的示例开始调试，演示调试过程以查明问题。
通过启用日志记录和探索生成的底层代码，您可以学习如何逐步缩小故障范围，并最终找出根本原因。
之后，我们将继续讨论如何分析编译后的代码，并通过与 Eager 模式的性能比较，详细说明 torch.compile 与其 Eager 模式对应版本相比能够提供额外性能提升的原因。
调试¶
这是一个使用 Inductor 运行 torch.compile 的简单示例，并将其结果与急切模式进行比较。
import torch
def foo1(x1, x2):
a = torch.neg(x1)
b = torch.maximum(x2, a)
y = torch.cat([b], dim=0)
return y
x1 = torch.randint(256, (1, 8), dtype=torch.uint8)
x2 = torch.randint(256, (8390, 8), dtype=torch.uint8)
compiled_foo1 = torch.compile(foo1)
result = compiled_foo1(x1, x2)
在 cpp 代码生成中，neg 的正确实现如下所示。
def neg1(x):
return f"decltype({x})(-{x})"
为了演示调试过程，我们稍后会将函数修改为错误的函数。
获取更多日志信息¶
默认情况下，如果您运行此简单示例，将不会提供任何调试信息。为了获取更多有用的调试和日志信息，我们通常会添加一个 TORCH_COMPILE_DEBUG 环境变量，如下所示：
TORCH_COMPILE_DEBUG=1 python xx.py
这将在输出日志中打印更多调试信息，并转储代码生成过程中生成的中间 IR。您可以在日志中找到转储的文件路径，如下所示：
torch._inductor.debug: [WARNING] model___20 debug trace: /tmp/torchinductor_root/rx/crxfi2ybd7yp5sbj2pnhw33wfhtdw7wumvrobyp5sjvdui5ktjc2.debug
在此目录中，以下文件用于调试目的：
文件 |
描述 |
|---|---|
|
可执行的 FX 图，分解后，模式匹配前。 |
|
转换后的 FX 图，模式匹配后。 |
|
融合前的 Inductor IR。 |
|
融合后的 Inductor IR。 |
|
为图生成的 Python 代码，包含 C++/Triton 内核。 |
请注意，fx_graph_runnable.py 和 output_code.py 都是可运行和可编辑的，以便于调试。以下是从文件中提取的主要代码部分，我们将 C++ 生成的行与 FX 代码行相关联。
fx_graph_runnable:
def forward1(self, arg0_1, arg1_1):
neg = torch.ops.aten.neg.default(arg0_1); arg0_1 = None
maximum = torch.ops.aten.maximum.default(arg1_1, neg); arg1_1 = neg = None
clone = torch.ops.aten.clone.default(maximum); maximum = None
return (clone,)
output_code 中的 C++ 内核
import torch
from torch._inductor.async_compile import AsyncCompile
async_compile = AsyncCompile()
cpp_fused_cat_maximum_neg_0 = async_compile.cpp('''
#include "/tmp/torchinductor_root/gv/cgv6n5aotqjo5w4vknjibhengeycuattfto532hkxpozszcgxr3x.h"
extern "C" void kernel(const unsigned char* in_ptr0,
const unsigned char* in_ptr1,
unsigned char* out_ptr0)
{
{
#pragma GCC ivdep
for(long i0=static_cast<long>(0L); i0<static_cast<long>(8390L); i0+=static_cast<long>(1L))
{
#pragma GCC ivdep
for(long i1=static_cast<long>(0L); i1<static_cast<long>(8L); i1+=static_cast<long>(1L))
{
auto tmp0 = in_ptr0[static_cast<long>(i1 + (8L*i0))];
auto tmp1 = in_ptr1[static_cast<long>(i1)];
// Corresponding FX code line: neg = torch.ops.aten.neg.default(arg0_1); arg0_1 = None
auto tmp2 = decltype(tmp1)(-tmp1);
// Corresponding FX code line: maximum = torch.ops.aten.maximum.default(arg1_1, neg); arg1_1 = neg = None
auto tmp3 = max_propagate_nan(tmp0, tmp2);
// Corresponding FX code line: clone = torch.ops.aten.clone.default(maximum); maximum = None
out_ptr0[static_cast<long>(i1 + (8L*i0))] = tmp3;
}
}
}
}''')
确定错误的组成部分¶
遇到错误或精度问题时，查找错误的一个直接解决方案是缩小问题范围。首先要确定发生错误的组件。幸运的是，这可以通过更改 torch.compile 的后端轻松实现。
代码 |
描述 |
|---|---|
|
启用 Dynamo |
|
启用 Dynamo + AOT 自动微分 |
|
启用 Dynamo + AOT 自动微分 + Inductor |
如果模型在后端设置为 eager 或 aot_eager 时可以成功运行，而在 inductor 时失败，我们可以将故障缩小到 Inductor。
编译错误¶
众所周知，图级优化的演化链类似于：
torch.neg (Python) -> torch.ops.aten.neg.default (within FX graph) -> ops.neg (within IR node) -> tmp2 = -tmp1 (within C++ kernel)
如果您遇到编译错误，则表示在编译输出代码中的 C++ 内核时出现问题。此类错误表示在将 IR 节点降低到输出代码时引入了错误。编译错误的根本原因通常显示在回溯日志中。
例如，neg 函数被修改如下：
def neg2(x):
return f"-{x}"
日志给出了以下编译错误，并给出了一个相当清晰的原因。
torch._dynamo.exc.BackendCompilerFailed: backend='inductor' raised:
CppCompileError: C++ compile error
/tmp/torchinductor_root/xg/cxga5tk3b4lkwoxyigrtocjp5s7vc5cg2ikuscf6bk6pjqip2bhx.cpp: In function ‘void kernel(const unsigned char*, const unsigned char*, unsigned char*)’:
/tmp/torchinductor_root/xg/cxga5tk3b4lkwoxyigrtocjp5s7vc5cg2ikuscf6bk6pjqip2bhx.cpp:17:57: error: no matching function for call to ‘max_propagate_nan(unsigned char&, int&)’
17 | auto tmp3 = max_propagate_nan(tmp0, tmp2);
| ^
In file included from /tmp/torchinductor_root/xg/cxga5tk3b4lkwoxyigrtocjp5s7vc5cg2ikuscf6bk6pjqip2bhx.cpp:2:
/tmp/torchinductor_root/gv/cgv6n5aotqjo5w4vknjibhengeycuattfto532hkxpozszcgxr3x.h:27:17: note: candidate: ‘template<class scalar_t> scalar_t max_propagate_nan(scalar_t, scalar_t)’
27 | inline scalar_t max_propagate_nan(scalar_t a, scalar_t b) {
| ^~~~~~~~~~~~~~~~~
/tmp/torchinductor_root/gv/cgv6n5aotqjo5w4vknjibhengeycuattfto532hkxpozszcgxr3x.h:27:17: note: template argument deduction/substitution failed:
/tmp/torchinductor_root/xg/cxga5tk3b4lkwoxyigrtocjp5s7vc5cg2ikuscf6bk6pjqip2bhx.cpp:17:57: note: deduced conflicting types for parameter ‘scalar_t’ (‘unsigned char’ and ‘int’)
17 | auto tmp3 = max_propagate_nan(tmp0, tmp2);
| ^
我们也来看看输出代码和 IR 节点中对应的 C++ 内核。
C++ 内核
include "/tmp/torchinductor_root/gv/cgv6n5aotqjo5w4vknjibhengeycuattfto532hkxpozszcgxr3x.h"
extern "C" void kernel(const unsigned char* in_ptr0,
const unsigned char* in_ptr1,
unsigned char* out_ptr0)
{
{
#pragma GCC ivdep
for(long i0=static_cast<long>(0L); i0<static_cast<long>(8390L); i0+=static_cast<long>(1L))
{
#pragma GCC ivdep
for(long i1=static_cast<long>(0L); i1<static_cast<long>(8L); i1+=static_cast<long>(1L))
{
auto tmp0 = in_ptr0[static_cast<long>(i1 + (8L*i0))];
auto tmp1 = in_ptr1[static_cast<long>(i1)];
auto tmp2 = -tmp1;
auto tmp3 = max_propagate_nan(tmp0, tmp2);
out_ptr0[static_cast<long>(i1 + (8L*i0))] = tmp3;
}
}
}
}
IR 节点
buf0: SchedulerNode(ComputedBuffer)
buf0.writes = [MemoryDep('buf0', c0, {c0: 67120})]
buf0.unmet_dependencies = []
buf0.met_dependencies =
[ MemoryDep('arg0_1', c1, {c0: 8390, c1: 8}),
MemoryDep('arg1_1', c0, {c0: 67120})]
buf0.users = [NodeUser(node=OUTPUT, can_inplace=False)]
buf0.group.device = cpu
buf0.group.iteration = ((8390, 8), ())
buf0.sizes = ([8390, 8], [])
class buf0_loop_body:
var_ranges = {z0: 8390, z1: 8}
index0 = 8*z0 + z1
index1 = z1
def body(self, ops):
get_index = self.get_index('index0')
load = ops.load('arg1_1', get_index)
get_index_1 = self.get_index('index1')
load_1 = ops.load('arg0_1', get_index_1)
neg = ops.neg(load_1)
maximum = ops.maximum(load, neg)
get_index_2 = self.get_index('index0')
store = ops.store('buf0', get_index_2, maximum, None)
return store
根据回溯日志，编译错误是由 max_propagate_nan 输入的数据类型不一致引起的。通过检查 C++ 内核，我们知道在执行 - 后，tmp2 不再是 long 类型，因为 tmp0 是 long 类型。我们可以轻松地将 C++ 内核中的 - 和 max_propagate_nan 分别与 IR 节点中的 ops.neg 和 ops.maximum 匹配。
现在我们成功地发现根本原因是 cpp 代码生成中 ops.neg 的实现，它在执行 neg 时会静默地更改数据类型。
精度调试¶
否则，如果模型运行时出现其他错误或精度问题，您可以使用 PyTorch 调试工具 Minifier。
Minifier 的核心思想是不断删除图的节点和输入，直到找到具有问题的最小图。它有助于通过四种策略自动生成简化的有问题的图：截断后缀、增量调试、消除死代码和删除未使用的输入。
现在，我们将展示在 Minifer 的帮助下进行精度问题调试的过程。精度问题指的是后端 eager 和 inductor 的输出不同的情况。
例如，我们像这样修改示例：
from torch._dynamo.utils import same
def foo2(x1, x2):
a = torch.neg(x1)
b = torch.maximum(x2, a)
y = torch.cat([b], dim=0)
return y
x1 = torch.randn((1, 8), dtype=torch.float32)
x2 = torch.randn((8390, 8), dtype=torch.float32)
expected_result = foo2(x1, x2)
compiled_foo2 = torch.compile(foo2)
actual_result = compiled_foo2(x1, x2)
assert same(expected_result, actual_result) == True
并修改 neg 函数：
def neg3(x):
return f"decltype({x})(2 * {x})"
将引发如下精度问题：
torch._dynamo.utils: [ERROR] Accuracy failed: allclose not within tol=0.0001
Traceback (most recent call last):
File "test_script.py", line 18, in <module>
assert same(expected_result, actual_result) == True
AssertionError
要使用 Minifier 调试精度问题，需要两个环境变量：
TORCHDYNAMO_REPRO_AFTER="aot" TORCHDYNAMO_REPRO_LEVEL=4 python xx.py
这将为我们提供演示简化步骤的日志信息。
Started off with 6 nodes
Trying granularity 2
Strategy: Truncate suffix (G: 2) (6 nodes, 2 inputs)
SUCCESS: Went from 6 to 4 nodes
Trying granularity 4
Strategy: Remove unused inputs (G: 4) (4 nodes, 2 inputs)
SUCCESS: Went from 4 to 3 nodes
运行后，我们得到最终简化的图，目标节点为 neg。
def forward2(self, arg0_1):
neg = torch.ops.aten.neg.default(arg0_1); arg0_1 = None
return (neg,)
有关 Minifier 的更多使用细节，请参考 故障排除。
性能分析¶
在本节中，我们将演示对使用 Inductor CPU 后端编译的模型进行性能分析的过程。在下面的示例中，我们使用急切模式和 Inductor 图模式对 Hugging Face Transformer 模型 MobileBertForQuestionAnswering 进行基准测试。基准测试完成后，将打印 Inductor 的执行时间和加速比。我们使用 Intel(R) Xeon(R) Platinum 8358 CPU @ 2.60GHz，并在第一个插槽上运行基准测试，以演示本节中的优化。作为最佳实践，我们设置以下环境变量以在 Intel(R) CPU 上进行基准测试。
export KMP_BLOCKTIME=1
export KMP_SETTINGS=1
export KMP_AFFINITY=granularity=fine,compact,1,0
export LD_PRELOAD=${CONDA_PREFIX:-"$(dirname $(which conda))/../"}/lib/libiomp5.so:${CONDA_PREFIX:-"$(dirname $(which conda))/../"}/lib/libjemalloc.so
export MALLOC_CONF="oversize_threshold:1,background_thread:true,metadata_thp:auto,dirty_decay_ms:-1,muzzy_decay_ms:-1"
numactl -C 0-31 -m 0 python bench.py
# bench.py
from transformers import MobileBertForQuestionAnswering
# Initialize an eager model
model = MobileBertForQuestionAnswering.from_pretrained("csarron/mobilebert-uncased-squad-v2")
seq_length = 128
bs = 128
vocab_size = model.config.vocab_size
input = torch.randint(0, vocab_size, (bs, seq_length), dtype=torch.int64)
input_dict = {"input_ids": input}
# Initialize the inductor model
compiled_model = torch.compile(model)
with torch.no_grad():
compiled_model(**input_dict)
NUM_ITERS=50
import timeit
with torch.no_grad():
# warmup
for _ in range(10):
model(**input_dict)
eager_t = timeit.timeit("model(**input_dict)", number=NUM_ITERS, globals=globals())
with torch.no_grad():
# warmup
for _ in range(10):
compiled_model(**input_dict)
inductor_t = timeit.timeit("compiled_model(**input_dict)", number=NUM_ITERS, globals=globals())
# print(f"eager use: {eager_t * 1000 / NUM_ITERS} ms/iter")
# print(f"inductor use: {inductor_t * 1000 / NUM_ITERS} ms/iter")
# print(f"speed up ratio: {eager_t / inductor_t}")
输出
eager use: 802.1023553796113 ms/iter
inductor use: 339.95180135127157 ms/iter
speed up ratio: 2.359459053287382
在我们自己的测试中，我们发现 Inductor CPU 后端将模型速度提高了大约 2.355 倍。
接下来，让我们深入了解操作级别的性能，以了解速度提升的来源。Pytorch Profiler 是一个很好的帮助工具。Inductor CPU 后端支持使用 enable_kernel_profile 配置选项将融合内核的时间报告给分析器。
from torch._inductor import config
config.cpp.enable_kernel_profile = True
按照 Pytorch Profiler 中的步骤，我们可以获取分析表和跟踪文件。
# bench.py
from torch.profiler import profile, schedule, ProfilerActivity
RESULT_DIR = "./prof_trace"
my_schedule = schedule(
skip_first=10,
wait=5,
warmup=5,
active=1,
repeat=5)
def trace_handler(p):
output = p.key_averages().table(sort_by="self_cpu_time_total", row_limit=20)
# print(output)
p.export_chrome_trace(f"{RESULT_DIR}/{p.step_num}.json")
for _ in range(10):
model(**input_dict) # compiled_model(**input_dict) to get inductor model profiling
total = 0
with profile(
activities=[ProfilerActivity.CPU],
schedule=my_schedule,
on_trace_ready=trace_handler
) as p:
for _ in range(50):
model(**input_dict) # compiled_model(**input_dict) to get inductor model profiling
p.step()
我们获得了急切模式模型的以下性能分析表（省略了一些列）：
------------------------- ------------ ------------ ------------
Name CPU total % CPU total # of Calls
------------------------- ------------ ------------ ------------
aten::addmm 45.73% 370.814ms 362
aten::add 19.89% 161.276ms 363
aten::copy_ 14.97% 121.416ms 488
aten::mul 9.02% 73.154ms 194
aten::clamp_min 8.81% 71.444ms 96
aten::bmm 5.46% 44.258ms 48
ProfilerStep* 100.00% 810.920ms 1
aten::div 2.89% 23.447ms 24
aten::_softmax 1.00% 8.087ms 24
aten::linear 46.48% 376.888ms 362
aten::clone 2.77% 22.430ms 98
aten::t 0.31% 2.502ms 362
aten::view 0.14% 1.161ms 850
aten::transpose 0.17% 1.377ms 386
aten::index_select 0.12% 952.000us 3
aten::expand 0.12% 986.000us 458
aten::matmul 8.31% 67.420ms 48
aten::cat 0.09% 703.000us 1
aten::as_strided 0.08% 656.000us 963
aten::relu 8.86% 71.864ms 96
------------------------- ------------ ------------ ------------
Self CPU time total: 810.920ms
类似地，我们还获得了使用 Inductor 编译的模型的表（省略了一些列）：
----------------------------------------------- ------------ ------------ ------------
Name CPU total % CPU total # of Calls
----------------------------------------------- ------------ ------------ ------------
mkl::_mkl_linear 68.79% 231.573ms 362
aten::bmm 8.02% 26.992ms 48
ProfilerStep* 100.00% 336.642ms 1
graph_0_cpp_fused_constant_pad_nd_embedding_0 0.27% 915.000us 1
aten::empty 0.27% 911.000us 362
graph_0_cpp_fused__mkl_linear_add_mul_relu_151 0.27% 901.000us 1
graph_0_cpp_fused__mkl_linear_add_mul_relu_226 0.27% 899.000us 1
graph_0_cpp_fused__mkl_linear_add_mul_relu_361 0.27% 898.000us 1
graph_0_cpp_fused__mkl_linear_add_mul_relu_121 0.27% 895.000us 1
graph_0_cpp_fused__mkl_linear_add_mul_relu_31 0.27% 893.000us 1
graph_0_cpp_fused__mkl_linear_add_mul_relu_76 0.26% 892.000us 1
graph_0_cpp_fused__mkl_linear_add_mul_relu_256 0.26% 892.000us 1
graph_0_cpp_fused__mkl_linear_add_mul_relu_346 0.26% 892.000us 1
graph_0_cpp_fused__mkl_linear_add_mul_relu_241 0.26% 891.000us 1
graph_0_cpp_fused__mkl_linear_add_mul_relu_316 0.26% 891.000us 1
graph_0_cpp_fused__mkl_linear_add_mul_relu_91 0.26% 890.000us 1
graph_0_cpp_fused__mkl_linear_add_mul_relu_106 0.26% 890.000us 1
graph_0_cpp_fused__mkl_linear_add_mul_relu_211 0.26% 890.000us 1
graph_0_cpp_fused__mkl_linear_add_mul_relu_61 0.26% 889.000us 1
graph_0_cpp_fused__mkl_linear_add_mul_relu_286 0.26% 889.000us 1
----------------------------------------------- ------------ ------------ ------------
Self CPU time total: 336.642ms
从急切模型的分析表中，我们可以看到最耗时的操作是 [aten::addmm、aten::add、aten::copy_、aten::mul、aten::clamp_min、aten::bmm]。与 Inductor 模型分析表进行比较，我们注意到一个 mkl::_mkl_linear 条目和多个 graph_0_cpp_fused_* 形式的融合内核。它们是 Inductor 模型进行的主要优化。让我们分别讨论它们。
(1) 关于 mkl::_mkl_linear：您可能会注意到对该内核的调用次数为 362，这与急切模型分析表中的 aten::linear 完全相同。 aten::linear 的 CPU 总时间为 376.888 毫秒，而 mkl::_mkl_linear 为 231.573 毫秒。这表明“线性”部分的加速比约为 1.63 倍。速度提升主要来自 将权重张量打包到块内存格式 并调用 Inductor CPU 后端中的 cblas_sgemm_compute 以在 GEMM 计算期间获得更好的缓存行为。
(2) 关于其他内存密集型操作：在我们测试中，急切/Inductor 模型的端到端延迟分别为 802/339 毫秒。因此，我们可以粗略地推断出其他内存密集型操作的加速比约为 3.94 倍。让我们阅读生成的代码以了解 Inductor 如何实现这种令人印象深刻的优化。您可以在 output_code.py 中搜索 cpp_fused__mkl_linear_add_mul_relu_151 以找到生成的代码。
cpp_fused__mkl_linear_add_mul_relu_151 = async_compile.cpp('''
#include <ATen/record_function.h>
#include "/tmp/torchinductor_root/lr/clrlgu27q4ggd472umdzwsu6qcpqxcuusjxqvx2hwitjbujiiz7z.h"
extern "C" void kernel(float* in_out_ptr0,
const float* in_ptr0,
const float* in_ptr1,
const float* in_ptr2,
const float* in_ptr3)
{
RECORD_FUNCTION("graph_0_cpp_fused__mkl_linear_add_mul_relu_151", c10::ArrayRef<c10::IValue>({}));
#pragma omp parallel num_threads(32)
{
{
#pragma omp for
for(long i0=static_cast<long>(0L); i0<static_cast<long>(16384L); i0+=static_cast<long>(1L))
{
for(long i1=static_cast<long>(0L); i1<static_cast<long>(512L); i1+=static_cast<long>(8L))
{
auto tmp0 = at::vec::Vectorized<float>::loadu(in_ptr0 + static_cast<long>(i1 + (512L*i0)));
auto tmp1 = at::vec::Vectorized<float>::loadu(in_ptr1 + static_cast<long>(i1));
auto tmp3 = at::vec::Vectorized<float>::loadu(in_out_ptr0 + static_cast<long>(i1 + (512L*i0)));
auto tmp5 = at::vec::Vectorized<float>::loadu(in_ptr2 + static_cast<long>(i1));
auto tmp7 = at::vec::Vectorized<float>::loadu(in_ptr3 + static_cast<long>(i1));
auto tmp2 = tmp0 + tmp1;
auto tmp4 = tmp2 + tmp3;
auto tmp6 = tmp4 * tmp5;
auto tmp8 = tmp6 + tmp7;
tmp8.store(in_out_ptr0 + static_cast<long>(i1 + (512L*i0)));
}
}
}
}
}''')
从上面生成的代码中，我们可以看到该内核对 [add, add, mul, add] 执行了典型的 循环融合。这是一个阻止良好性能的内存绑定瓶颈。为了对这种优化有一个更直观的认识，我们可以推断输入的大小和步幅，并进一步对 [add, add, mul, add] 模式进行基准测试。
# bench.py
def func(arg_0, arg_1, arg_2, arg_3, arg_4):
add_0 = arg_0 + arg_1
add_1 = add_0 + arg_2
mul_1 = add_1 * arg_3
add_2 = mul_1 + arg_4
arg_2 = add_2
return arg_2
arg_0 = torch.rand(16384, 512)
arg_1 = torch.rand(1, 512)
arg_2 = torch.zeros(16384, 512)
arg_3 = torch.rand(1, 512)
arg_4 = torch.rand(1, 512)
input = (arg_0, arg_1, arg_2, arg_3, arg_4)
inductor_func = torch.compile(func)
with torch.no_grad():
inductor_func(*input)
import timeit
NUM_ITERS=100
with torch.no_grad():
# warmup
for _ in range(10):
func(*input)
eager_t = timeit.timeit("func(*input)", number=NUM_ITERS, globals=globals())
with torch.no_grad():
# warmup
for _ in range(10):
inductor_func(*input)
inductor_t = timeit.timeit("inductor_func(*input)", number=NUM_ITERS, globals=globals())
# print(f"eager use: {eager_t * 1000 / NUM_ITERS} ms/iter")
# print(f"inductor use: {inductor_t * 1000 / NUM_ITERS} ms/iter")
# print(f"speed up ratio: {eager_t / inductor_t}")
输出
eager use: 5.780875144992024 ms/iter
inductor use: 0.9588955780491233 ms/iter
speed up ratio: 6.0286805751604735
这只是一个例子。分析表显示，在此模型中，Inductor 自动融合了所有逐元素操作。您可以在 output_code.py 中阅读更多内核。
结论¶
本文档提供了 Inductor CPU 后端的深入教程。
通过激励示例，我们逐步介绍了调试和分析的过程。主要思想是缩小问题范围。
我们逐步演示了在调试日志和 Minifier 工具的帮助下，深入挖掘问题并找到故障根本原因的方法。首先确定故障发生在哪个组件中，然后尝试生成可以重现故障的最小代码片段。
当 Inductor 的性能优于 Eager 模式时，我们提供了一种可靠的性能分析方法。我们将展示如何使用 PyTorch Profiler 找到耗时热点，并找出算子级或内核级的根本原因来解释这种现象。
脚本总运行时间：（8 分 57.746 秒）
