| name | ascend-profiling-analysis |
| description | Analyze Ascend NPU profiling data to identify training performance bottlenecks. Breaks down step-level time into compute, unoverlapped communication, and freetime; within compute, analyzes compute vs memory-bound ratios and cube vs vector utilization to summarize the model's performance bottleneck. |
模型 Profiling 数据分析
对基于 Ascend NPU 训练的模型，通过 torch.profile 采集的 profiling 数据进行自动化分析，拆解模型性能瓶颈，统计 cube/vector 算子耗时比例，计算和访存比例。
触发条件
当用户提供 profiling 数据目录路径并要求以下任一分析时调用此 skill：
- 分析模型训练耗时瓶颈
- 分析 step trace 中计算/通信/空闲占比
- 分析 kernel 算子耗时分布
- 分析计算 vs 访存带宽比例
执行步骤
1. 确认路径
用户需提供 profiling 数据根目录（包含 *_ascend_pt 子目录的路径），例如：
D:\profile\gr00t-n1.6
如果用户未提供路径，使用 AskUserQuestion 询问。
2. 运行分析脚本
执行以下命令（使用 miniconda3 的 Python 环境）：
& "$env:USERPROFILE\miniconda3\python.exe" "D:\code\DrivingSDK\mx_driving\tools\profile_analyse\profile_analyse.py" "<用户提供的路径>"
3. 解读结果
脚本会输出以下分析内容，将结果整理后呈现给用户：
Section 1 — Step Trace 分析：
- 各卡耗时明细表（Computing / Comm / FreeTime in us）
- 数据分析表（耗时占比 + 耗时波动 min~max）
Section 2 — Kernel Details 分析：
- 每种算子计算耗时与访存带宽耗时占比（Top 20，含计算类型 cube/vector）
Section 3 — 整网计算 vs 访存比例：
- 计算:访存百分比比值（如 43.20% : 56.80%）
- Cube:Vector 百分比比值（如 64.85% : 35.15%）
CSV 输出文件（保存在 mx_driving\tools\profile_analyse\ 目录下，所有数值保留两位小数）：
| 文件 | 说明 |
|---|
step_trace_analysis.csv | Step 1 — 各卡耗时明细 + Summary（耗时占比与波动） |
top20_ops_compute_memory_breakdown.csv | Step 2 — Top 20 算子计算/访存耗时占比 |
computing_summary.csv | Step 3 — cube/vector 大类汇总 + 计算:访存 / Cube:Vector 比例 |
注意事项
- Kernel Details 分析只取第一张卡的 kernel_details.csv 以加速计算
- 若 step_trace_time.csv 包含多个 Step，脚本自动取最后一个 Step 进行分析
依赖
- Python 环境：miniconda3（路径
$env:USERPROFILE\miniconda3\python.exe）
- 三方库：pandas, numpy
