profiler 没捕获 gpu 运算是因为默认仅采集 cpu trace，需显式设置 gpu_trace_level=3 等参数；tf.data 瓶颈靠 input pipeline analyzer 定位，需启用 autotune；tf.function 不显示行号因源码映射丢失，需 python_tracer_level=2 和显式签名；profile_*.json 是 gzip 二进制文件，须用匹配版本 tensorboard 打开。
Profiler 为什么没捕获到 GPU 运算？
TensorFlow Profiler 默认只抓取 CPU 侧 trace，GPU kernel 执行不会自动显示——除非显式启用 gpu_trace_level 或设置正确的 host_tracer_level 和 python_tracer_level。常见表现是 profile 结果里只有 tf.function 调用开销，看不到 MatMul、Conv2D 等实际算子耗时。
实操建议：
- 用
tf.profiler.experimental.start(..., options=tf.profiler.experimental.ProfilerOptions(host_tracer_level=3, python_tracer_level=1, gpu_trace_level=3))启动，其中gpu_trace_level=3是关键 - 确保训练/推理代码在
tf.profiler.experimental.start()和tf.profiler.experimental.stop()之间执行，且该区间内至少有一次完整的 step（否则 GPU kernel 可能被优化掉） - 检查
nvidia-smi是否有持续 GPU 利用率，若为 0%，说明模型根本没跑 GPU 上，Profiler 自然无数据
如何快速定位 tf.data pipeline 的瓶颈？
Profile UI 中的「Input Pipeline Analyzer」会直接标出 tf.data 阶段的延迟占比，但前提是 pipeline 必须启用 tf.data.AUTOTUNE 并避免手动 prefetch(1) 这类硬编码缓冲。
实操建议：
- 在 dataset 构建链末尾加
.prefetch(tf.data.AUTOTUNE)，Profiler 才能识别 pipeline 边界 - 避免在
map()中调用np.array()或 PIL 图像处理——这些会触发 Python tracer，拖慢整体并掩盖真实 I/O 延迟 - 如果 Analyzer 显示「Host Idle」占比高，说明 GPU 在等数据；此时重点看
IteratorGetNext耗时和ParallelInterleave的并发数是否过低
tf.function 内部 trace 为何不显示 Python 行号？
默认情况下，tf.function 编译后丢弃原始 Python 源码映射，Profiler 只显示算子名（如 StatefulPartitionedCall），无法定位到具体哪行 Python 代码触发了慢 kernel。
快速生成专业的 Python 脚本和应用代码。一键创建完整项目结构，支持CLI、API、爬虫、Bot、Django等多种项目类型，包含完整的项目结构、配置文件、依赖管理、测试、README和文档。
实操建议：
- 启动 profiler 时传入
python_tracer_level=2，并确保函数定义时加@tf.function(input_signature=...)显式签名，避免多次 retracing 干扰 trace 清晰度 - 临时改用
@tf.function(jit_compile=False)+python_tracer_level=2，可强制保留部分 Python frame，但会牺牲性能——仅用于诊断 - 更可靠的做法：把可疑逻辑拆成独立小函数，逐个加
@tf.function并单独 profile，缩小定位范围
生成的 profile_*.json 文件打不开？
TensorFlow Profiler 输出的是二进制 xxx.trace.json.gz，不是纯文本 JSON；直接用浏览器或编辑器打开会显示乱码或报错「Unexpected token 」。
实操建议：
- 必须用
tensorboard --logdir=your_profile_dir启动，并访问http://localhost:6006/#profile - 确保 TensorBoard 版本与 TensorFlow 版本匹配（例如 TF 2.15 需 TB ≥ 2.15），否则 Profile 插件可能灰显或加载失败
- 若提示「No trace data found」，检查目录下是否有
plugins/profile/子目录，以及里面是否含*.trace.json.gz文件（而非仅overview_page.pb）
真正卡住的地方往往不在算子本身，而在 host-device 数据搬运、tf.data 的隐式同步点、或者 tf.function 编译时的 Python 依赖泄漏——这些在 UI 里不会高亮，得盯着 timeline 的 gap 和颜色块分布反复比对。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
