Ascend PyTorch Profiler性能数据离线解析

当使用Ascend PyTorch Profiler接口采集的性能数据较大时，若在当前环境直接使用on_trace_ready接口进行自动解析，则可能导致资源占用过大出现卡顿，那么可以取消on_trace_ready接口，并通过环境变量ASCEND_WORK_PATH设置落盘目录（例如：export ASCEND_WORK_PATH=xx/xx），在采集完成性能数据后，使用如下方式进行离线解析：

1. 创建{file_name}.py文件，{file_name}自定义，并编辑如下代码：

   from torch_npu.profiler.profiler import analyse
   
   if __name__ == "__main__":
       analyse(profiler_path="./result_data", max_process_number=max_process_number)

   表1 参数说明

   参数	描述	可选/必选
   profiler_path	PyTorch性能数据路径。路径格式仅支持由字母、数字和下划线组成的字符串，不支持软链接。指定的目录下保存PyTorch性能数据目录{worker_name}_{时间戳}_ascend_pt。	必选
   max_process_number	离线解析最大进程数。取值范围为1~CPU核数，默认为CPU核数的一半。若设置超过该环境的CPU核数，则自动取CPU核数；若设置为非法值，则取默认值CPU核数的一半。	可选

   

   离线解析接口支持多性能数据目录并行解析，当性能数据量较大且数据目录较多的情况下，可能因环境内存不足导致解析失败，此时可以通过自定义最大进程数（max_process_number）来控制资源的占用。

2. 保存文件后执行如下命令解析性能数据：

   python3 {file_name}.py

3. 解析完成后可使用《MindStudio Insight 用户指南》进行数据分析。