本文由AI智能模型生成，在自有数据的基础上，训练NLP文本生成模型，根据标题生成内容，适配到模板。内容仅供参考，不对其准确性、真实性等作任何形式的保证，如果有任何问题或意见，请联系contentedit@huawei.com或点击右侧用户帮助进行反馈。我们原则上将于收到您的反馈后的5个工作日内做出答复或反馈处理结果。
猜你喜欢：ai识字：为了改善los鲲鹏计算的性能，可获得相同性能瓶颈。在程序训练过程中，FP+FP+BP耗时占总耗时，不存在性能瓶颈。基于以上的性能数据增强可以通过更新拖尾，开启Profiling功能查看。Profiling性能分析功能与优化提供的性能数据(如bp_point+fp_point+fp_point整个链路的算子耗时具体情况)。在该文件中，着重看TaskDuration列，它记录着当前算子的耗时。更多标题相关内容，可点击查看
猜您想看：可以通过表格中的自定义排序，选择TaskDuration为主要关键字，进行降序重排表格，开头部分截图如下。可见，当前网络中涉及的算子，最大耗时仅231.54us。图6op_summary从该表中依旧无法判断耗时较长的原因，那么继续打开AICore算子调用次数及耗时数据。该文件是对bp_point+fp_point整个链路上算子，不区分OPName，按算子的OPType做了统计。比如将Mul算子统计为一行，统计调用次数，总耗时，平均耗时，最大耗时，最小耗时等。更多标题相关内容，可点击查看
智能推荐：通过表格中的自定义排序，选择Ratio(%)为主要关键字，进行降序重排表格，截图如下。可见，AICPU在整体耗时占比达到76.5%。通过表格中的自定义排序，选择Total_time为主要关键字，进行降序重排表格，截图如下。可以看到在AICPU中耗时最大的是dropout算子中的随机数函数，且已经达到了毫秒级别。图8aicpu到此Profiling性能分析工具的任务已经完成。问题解决查看用户脚本，发现用户脚本中的drop脚本使用的是TensorFlow的原生脚本。更多标题相关内容，可点击查看
