Spec-Zone.ru › TensorFlow

tf.profiler.experimental.Trace

Контекстный менеджер, создающий событие отслеживания в профайлере.

tf.profiler.experimental.Trace(
    name, **kwargs
)

Событие отслеживания начнётся при входе в контекст и завершится, сохранив результат в профайлере, при выходе из контекста. Откройте вкладку TensorBoard Profile и выберите просмотрщик отслеживания, чтобы просмотреть событие отслеживания на временной шкале.

События отслеживания создаются только при включённом профайлере. Дополнительную информацию о том, как использовать профайлер, можно найти по адресу https://tensorflow.org/guide/profiler

Пример использования:

tf.profiler.experimental.start('logdir')
for step in range(num_steps):
  # Creates a trace event for each training step with the step number.
  with tf.profiler.experimental.Trace("Train", step_num=step, _r=1):
    train_fn()
tf.profiler.experimental.stop()
Аргументы
name Имя события отслеживания.
**kwargs Дополнительные ключевые аргументы для события отслеживания. Ключ и значение должны быть типов, которые можно преобразовать в строки, которые будут интерпретированы профайлером в соответствии с именем отслеживаемого события.

Пример использования:

tf.profiler.experimental.start('logdir')
for step in range(num_steps):
  # Creates a trace event for each training step with the
  # step number.
  with tf.profiler.experimental.Trace("Train", step_num=step):
    train_fn()
tf.profiler.experimental.stop()

В примере выше используется ключевой аргумент "step_num" для указания этапа обучения, который отслеживается.

Методы

set_metadata

Просмотреть исходный код

set_metadata(
    **kwargs
)

Устанавливает метаданные в этом событии отслеживания.

Аргументы
**kwargs Метаданные в виде пар ключ-значение.

Этот метод позволяет задавать метаданные в событии отслеживания после его создания.

Пример использования:

def call(function):
  with tf.profiler.experimental.Trace("call",
       function_name=function.name) as tm:
    binary, in_cache = jit_compile(function)
    tm.set_metadata(in_cache=in_cache)
    execute(binary)

В этом примере мы хотим отследить время, затраченное на вызов функции, включая компиляцию и выполнение. Компиляция может быть либо получением кэшированной копии бинарного файла, либо фактической генерацией бинарного файла, что указывается булевым значением "in_cache", возвращаемым jit_compile(). Необходимо использовать set_metadata(), чтобы передать in_cache, потому что значение in_cache было неизвестно при создании отслеживания (и мы не можем создать отслеживание после jit_compile(), потому что хотим измерить все время вызова).

__enter__

Просмотреть исходный код

__enter__()

__exit__

Просмотреть исходный код

__exit__(
    exc_type, exc_val, exc_tb
)

© 2022 The TensorFlow Authors. All rights reserved.
Licensed under the Creative Commons Attribution License 4.0.
Code samples licensed under the Apache 2.0 License.
https://www.tensorflow.org/api_docs/python/tf/profiler/experimental/Trace

Spec-Zone.ru

Настройки Оффлайн Что нового Помощь О нас
Spec-Zone .ru
спецификации, руководства, описания, API