tf.profiler

原创

wx5ba0c87f1984b 2021-08-13 09:41:06 博主文章分类：TensorFlow ©著作权

文章标签 字段 tensorflow 字符串初始化 3d 文章分类 代码人生

©著作权归作者所有：来自51CTO博客作者wx5ba0c87f1984b的原创作品，请联系作者获取转载授权，否则将追究法律责任

1、类

2、函数

3、tf.profiler.AdviceProto

6、DiscardUnknownFields

7、FindInitializationErrors

15、SerializePartialToString

4、tf.profiler.AdviceProto.Checker

5、DiscardUnknownFields

6、FindInitializationErrors

14、SerializePartialToString

5、tf.profiler.AdviceProto.CheckersEntry

5、DiscardUnknownFields

6、FindInitializationErrors

14、SerializePartialToString

7、tf.profiler.GraphNodeProto

5、DiscardUnknownFields

6、FindInitializationErrors

14、SerializePartialToString

8、tf.profiler.GraphNodeProto.InputShapesEntry

5、DiscardUnknownFields

6、FindInitializationErrors

14、SerializePartialToString

9、tf.profiler.MultiGraphNodeProto

5、DiscardUnknownFields

6、FindInitializationErrors

14、SerializePartialToString

10、tf.profiler.OpLogProto

5、DiscardUnknownFields

6、FindInitializationErrors

14、SerializePartialToString

11、tf.profiler.OpLogProto.IdToStringEntry

5、DiscardUnknownFields

6、FindInitializationErrors

14、SerializePartialToString

12、tf.profiler.profile

13、tf.profiler.ProfileOptionBuilder

1、__init__

2、account_displayed_op_only

8、trainable_variables_parameter

9、with_accounted_types

10、with_empty_output

11、with_file_output

12、with_max_depth

13、with_min_execution_time

14、with_min_float_operations

15、with_min_memory

16、with_min_occurrence

17、with_min_parameters

18、with_node_names

19、with_pprof_output

20、with_stdout_output

21、with_step

22、with_timeline_output

14、tf.profiler.Profiler

8、serialize_to_string

15、tf.profiler.write_op_log

1、类

class AdviceProto
class GraphNodeProto
class MultiGraphNodeProto
class OpLogProto
class ProfileOptionBuilder: 用于分析API的选项生成器。
class Profiler: TensorFlow多步骤的分析器。

2、函数

advise(...): 自动配置和建议。
profile(...): 概要文件的模型。
write_op_log(...): Log提供了'op_log'，并在下面添加了额外的模型信息。

3、tf.profiler.AdviceProto

1、`init`

__init__(**kwargs)

2、性质

checkers

repeated CheckersEntry checkers

3、`ByteSize`

ByteSize()

`4、Clear`

Clear()

`5、ClearField`

ClearField(field_name)

`6、DiscardUnknownFields`

DiscardUnknownFields()

`7、FindInitializationErrors`

FindInitializationErrors()

查找未初始化的必需字段。

返回值：

字符串列表。每个字符串是从顶级消息到未初始化字段的路径，例如。“foo.bar [5] .baz”。

`8、FromString`

@staticmethod
FromString(s)

`9、HasField`

HasField(field_name)

`10、IsInitialized`

IsInitialized(errors=None)

检查是否设置了消息的所有必需字段。

参数：

errors:如果提供了一个列表，它将填充所有缺少的必需字段的字段路径。

返回值：

如果指定的消息已设置所有必需字段，则为True。

`11、ListFields`

ListFields()

`12、MergeFrom`

MergeFrom(msg)

`13、MergeFromString`

MergeFromString(serialized)

`14、RegisterExtension`

@staticmethod
RegisterExtension(extension_handle)

`15、SerializePartialToString`

SerializePartialToString(**kwargs)

`16、SerializeToString`

SerializeToString(**kwargs)

`17、SetInParent`

SetInParent()

将_cached_byte_size_dirty位设置为true，并将其传播给侦听器(如果这是状态更改)。

`18、UnknownFields`

UnknownFields()

`19、WhichOneof`

WhichOneof(oneof_name)

返回其中一个或None中当前设置字段的名称。

`20、eq`

__eq__(other)

4、tf.profiler.AdviceProto.Checker

`1、init`

__init__(**kwargs)

`2、ByteSize`

ByteSize()

`3、Clear`

Clear()

`4、ClearField`

ClearField(field_name)

`5、DiscardUnknownFields`

DiscardUnknownFields()

`6、FindInitializationErrors`

FindInitializationErrors()

查找未初始化的必需字段。

返回值：

字符串列表。每个字符串是从顶级消息到未初始化字段的路径，例如。“foo.bar [5] .baz”。

`7、FromString`

@staticmethod
FromString(s)

`8、HasField`

HasField(field_name)

`9、IsInitialized`

IsInitialized(errors=None)

检查是否设置了消息的所有必需字段。

参数：

errors:如果提供了一个列表，它将填充所有缺少的必需字段的字段路径。

返回值：

如果指定的消息已设置所有必需字段，则为True。

`10、ListFields`

ListFields()

`11、MergeFrom`

MergeFrom(msg)

`12、MergeFromString`

MergeFromString(serialized)

`13、RegisterExtension`

@staticmethod
RegisterExtension(extension_handle)

`14、SerializePartialToString`

SerializePartialToString(**kwargs)

`15、SerializeToString`

SerializeToString(**kwargs)

`16、SetInParent`

SetInParent()

将_cached_byte_size_dirty位设置为true，并将其传播给侦听器(如果这是状态更改)。

`17、UnknownFields`

UnknownFields()

`18、WhichOneof`

WhichOneof(oneof_name)

返回其中一个或None中当前设置字段的名称。

`19、eq`

__eq__(other)

5、tf.profiler.AdviceProto.CheckersEntry

`1、init`

__init__(**kwargs)

`2、ByteSize`

ByteSize()

`3、Clear`

Clear()

`4、ClearField`

ClearField(field_name)

`5、DiscardUnknownFields`

DiscardUnknownFields()

`6、FindInitializationErrors`

FindInitializationErrors()

查找未初始化的必需字段。

返回值：

字符串列表。每个字符串是从顶级消息到未初始化字段的路径，例如。“foo.bar [5] .baz”。

`7、FromString`

@staticmethod
FromString(s)

`8、HasField`

HasField(field_name)

`9、IsInitialized`

IsInitialized(errors=None)

检查是否设置了消息的所有必需字段。

参数：

errors:如果提供了一个列表，它将填充所有缺少的必需字段的字段路径。

返回值：

如果指定的消息已设置所有必需字段，则为True。

`10、ListFields`

ListFields()

`11、MergeFrom`

MergeFrom(msg)

`12、MergeFromString`

MergeFromString(serialized)

`13、RegisterExtension`

@staticmethod
RegisterExtension(extension_handle)

`14、SerializePartialToString`

SerializePartialToString(**kwargs)

`15、SerializeToString`

SerializeToString(**kwargs)

`16、SetInParent`

SetInParent()

将_cached_byte_size_dirty位设置为true，并将其传播给侦听器(如果这是状态更改)。

`17、UnknownFields`

UnknownFields()

`18、WhichOneof`

WhichOneof(oneof_name)

返回其中一个或None中当前设置字段的名称。

`19、eq`

__eq__(other)

6、tf.profiler.advise

自动配置和建议。

tf.profiler.advise(
    graph=None,
    run_meta=None,
    options=_DEFAULT_ADVISE_OPTIONS
)

构建概要文件并自动检查各个方面的异常。更多信息:https://github.com/tensorflow/tensorflow/tree/master/tensorflow/core/profiler/README.md

参数：

graph:tf.Graph。如果没有启用None和eager执行，则使用默认图。
run_meta:可选tensorflow。RunMetadata原型。支持运行时信息分析(如时间和内存)是必要的。
options:参见上面的ALL_ADVICE示例。默认检查一切。

返回值：

返回AdviceProto原型

7、tf.profiler.GraphNodeProto

1、`init`

__init__(**kwargs)

`2、ByteSize`

ByteSize()

`3、Clear`

Clear()

`4、ClearField`

ClearField(field_name)

`5、DiscardUnknownFields`

DiscardUnknownFields()

`6、FindInitializationErrors`

FindInitializationErrors()

查找未初始化的必需字段。

返回值：

字符串列表。每个字符串是从顶级消息到未初始化字段的路径，例如。“foo.bar [5] .baz”。

`7、FromString`

@staticmethod
FromString(s)

`8、HasField`

HasField(field_name)

`9、IsInitialized`

IsInitialized(errors=None)

检查是否设置了消息的所有必需字段。

参数：

errors:如果提供了一个列表，它将填充所有缺少的必需字段的字段路径。

返回值：

如果指定的消息已设置所有必需字段，则为True。

`10、ListFields`

ListFields()

`11、MergeFrom`

MergeFrom(msg)

`12、MergeFromString`

MergeFromString(serialized)

`13、RegisterExtension`

@staticmethod
RegisterExtension(extension_handle)

`14、SerializePartialToString`

SerializePartialToString(**kwargs)

`15、SerializeToString`

SerializeToString(**kwargs)

`16、SetInParent`

SetInParent()

将_cached_byte_size_dirty位设置为true，并将其传播给侦听器(如果这是状态更改)。

`17、UnknownFields`

UnknownFields()

`18、WhichOneof`

WhichOneof(oneof_name)

返回其中一个或None中当前设置字段的名称。

`19、eq`

__eq__(other)

8、tf.profiler.GraphNodeProto.InputShapesEntry

`1、init`

__init__(**kwargs)

`2、ByteSize`

ByteSize()

`3、Clear`

Clear()

`4、ClearField`

ClearField(field_name)

`5、DiscardUnknownFields`

DiscardUnknownFields()

`6、FindInitializationErrors`

FindInitializationErrors()

查找未初始化的必需字段。

返回值：

字符串列表。每个字符串是从顶级消息到未初始化字段的路径，例如。“foo.bar [5] .baz”。

`7、FromString`

@staticmethod
FromString(s)

`8、HasField`

HasField(field_name)

`9、IsInitialized`

IsInitialized(errors=None)

检查是否设置了消息的所有必需字段。

参数：

errors:如果提供了一个列表，它将填充所有缺少的必需字段的字段路径。

返回：

如果指定的消息已设置所有必需字段，则为True。

`10、ListFields`

ListFields()

`11、MergeFrom`

MergeFrom(msg)

`12、MergeFromString`

MergeFromString(serialized)

`13、RegisterExtension`

@staticmethod
RegisterExtension(extension_handle)

`14、SerializePartialToString`

SerializePartialToString(**kwargs)

`15、SerializeToString`

SerializeToString(**kwargs)

`16、SetInParent`

SetInParent()

将_cached_byte_size_dirty位设置为true，并将其传播给侦听器(如果这是状态更改)。

`17、UnknownFields`

UnknownFields()

`18、WhichOneof`

WhichOneof(oneof_name)

返回其中一个或None中当前设置字段的名称。

`19、eq`

__eq__(other)

9、tf.profiler.MultiGraphNodeProto

`1、init`

__init__(**kwargs)

`2、ByteSize`

ByteSize()

`3、Clear`

Clear()

`4、ClearField`

ClearField(field_name)

`5、DiscardUnknownFields`

DiscardUnknownFields()

`6、FindInitializationErrors`

FindInitializationErrors()

查找未初始化的必需字段。

返回值：

字符串列表。每个字符串是从顶级消息到未初始化字段的路径，例如。“foo.bar [5] .baz”。

`7、FromString`

@staticmethod
FromString(s)

`8、HasField`

HasField(field_name)

`9、IsInitialized`

IsInitialized(errors=None)

检查是否设置了消息的所有必需字段。

参数：

errors:如果提供了一个列表，它将填充所有缺少的必需字段的字段路径。

返回值：

如果指定的消息已设置所有必需字段，则为True。

`10、ListFields`

ListFields()

`11、MergeFrom`

MergeFrom(msg)

`12、MergeFromString`

MergeFromString(serialized)

`13、RegisterExtension`

@staticmethod
RegisterExtension(extension_handle)

`14、SerializePartialToString`

SerializePartialToString(**kwargs)

`15、SerializeToString`

SerializeToString(**kwargs)

`16、SetInParent`

SetInParent()

将_cached_byte_size_dirty位设置为true，并将其传播给侦听器(如果这是状态更改)。

`17、UnknownFields`

UnknownFields()

`18、WhichOneof`

WhichOneof(oneof_name)

返回其中一个或None中当前设置字段的名称。

`19、eq`

__eq__(other)

10、tf.profiler.OpLogProto

`1、init`

__init__(**kwargs)

`2、ByteSize`

ByteSize()

`3、Clear`

Clear()

`4、ClearField`

ClearField(field_name)

`5、DiscardUnknownFields`

DiscardUnknownFields()

`6、FindInitializationErrors`

FindInitializationErrors()

查找未初始化的必需字段。

返回值：

字符串列表。每个字符串是从顶级消息到未初始化字段的路径，例如。“foo.bar [5] .baz”。

`7、FromString`

@staticmethod
FromString(s)

`8、HasField`

HasField(field_name)

`9、IsInitialized`

IsInitialized(errors=None)

检查是否设置了消息的所有必需字段。

参数：

errors:如果提供了一个列表，它将填充所有缺少的必需字段的字段路径。

返回值：

如果指定的消息已设置所有必需字段，则为True。

`10、ListFields`

ListFields()

`11、MergeFrom`

MergeFrom(msg)

`12、MergeFromString`

MergeFromString(serialized)

`13、RegisterExtension`

@staticmethod
RegisterExtension(extension_handle)

`14、SerializePartialToString`

SerializePartialToString(**kwargs)

`15、SerializeToString`

SerializeToString(**kwargs)

`16、SetInParent`

SetInParent()

将_cached_byte_size_dirty位设置为true，并将其传播给侦听器(如果这是状态更改)。

`17、UnknownFields`

UnknownFields()

`18、WhichOneof`

WhichOneof(oneof_name)

返回其中一个或None中当前设置字段的名称。

`19、eq`

__eq__(other)

11、tf.profiler.OpLogProto.IdToStringEntry

`1、init`

__init__(**kwargs)

2、`ByteSize`

ByteSize()

`3、Clear`

Clear()

`4、ClearField`

ClearField(field_name)

`5、DiscardUnknownFields`

DiscardUnknownFields()

`6、FindInitializationErrors`

FindInitializationErrors()

查找未初始化的必需字段。

返回值：

字符串列表。每个字符串是从顶级消息到未初始化字段的路径，例如。“foo.bar [5] .baz”。

`7、FromString`

@staticmethod
FromString(s)

`8、HasField`

HasField(field_name)

`9、IsInitialized`

IsInitialized(errors=None)

检查是否设置了消息的所有必需字段。

参数：

errors:如果提供了一个列表，它将填充所有缺少的必需字段的字段路径。

返回值：

如果指定的消息已设置所有必需字段，则为True。

`10、ListFields`

ListFields()

`11、MergeFrom`

MergeFrom(msg)

`12、MergeFromString`

MergeFromString(serialized)

`13、RegisterExtension`

@staticmethod
RegisterExtension(extension_handle)

`14、SerializePartialToString`

SerializePartialToString(**kwargs)

`15、SerializeToString`

SerializeToString(**kwargs)

`16、SetInParent`

SetInParent()

将_cached_byte_size_dirty位设置为true，并将其传播给侦听器(如果这是状态更改)。

`17、UnknownFields`

UnknownFields()

`18、WhichOneof`

WhichOneof(oneof_name)

返回其中一个或None中当前设置字段的名称。

`19、eq`

__eq__(other)

12、tf.profiler.profile

概要文件的模型。

tf.profiler.profile(
    graph=None,
    run_meta=None,
    op_log=None,
    cmd='scope',
    options=_DEFAULT_PROFILE_OPTIONS
)

教程和示例可以在https://github.com/tensorflow/tensorflow/tree/master/tensorflow/core/profiler/README.md找到

参数：

graph:tf.Graph。如果没有启用None和eager执行，则使用默认图。
run_meta:可选tensorflow。RunMetadata原型。支持运行时信息分析(如时间和内存)是必要的。
op_log: tensorflow.tfprof。OpLogProto原型。用户可以使用op_log为图形节点分配“类型”。“types”允许用户使用选项['accounted_type_regexes']灵活地分组和帐户配置文件。
cmd:字符串。“op”、“scope”、“graph”或“code”。“op”视图使用操作类型组织配置文件。(例如MatMul)“范围”视图使用图节点名称范围组织概要文件。“图形”视图使用图形节点输入/输出组织概要文件。“code”视图使用Python调用堆栈组织配置文件。
options:选项的dict。看到核心/分析器/ g3doc / options.md。

返回值：

如果cmd是“scope”或“graph”，则返回GraphNodeProto proto。如果cmd是'op'或'code'，返回MultiGraphNodeProto proto。副作用:stdout /文件/时间表。json依赖于选项['output']

13、tf.profiler.ProfileOptionBuilder

用于分析API的选项生成器。有关这些选项的教程，请参见https://github.com/tensorflow/tensorflow/tree/master/tensorflow/core/profiler/g3doc/options.md

# Users can use pre-built options:
opts = (
    tf.profiler.ProfileOptionBuilder.trainable_variables_parameter())

# Or, build your own options:
opts = (tf.compat.v1.profiler.ProfileOptionBuilder()
    .with_max_depth(10)
    .with_min_micros(1000)
    .select(['accelerator_micros'])
    .with_stdout_output()
    .build()

# Or customize the pre-built options:
opts = (tf.compat.v1.profiler.ProfileOptionBuilder(
    tf.profiler.ProfileOptionBuilder.time_and_memory())
    .with_displaying_options(show_name_regexes=['.*rnn.*'])
    .build())

# Finally, profiling with the options:
_ = tf.compat.v1.profiler.profile(tf.compat.v1.get_default_graph(),
                        run_meta=run_meta,
                        cmd='scope',
                        options=opts)

`1、init`

__init__(options=None)

构造函数。

参数：

options:可选的初始选项dict开始。

`2、account_displayed_op_only`

account_displayed_op_only(is_true)

是否只计算显示的分析器节点的统计信息。

参数：

is_true:如果为真，则只显示输出最终显示的节点的帐户统计信息。否则，只要节点的类型匹配“account_type_regexes”，节点的统计信息就由其父节点来解释，即使它在输出中被隐藏，比如由hide_name_regexes。

返回：

self

`3、build`

build()

构建分析选项。

返回：

分析选项的dict。

`4、float_operation`

@staticmethod
float_operation()

用于分析浮动操作的选项。有关浮点运算的注意事项，请参阅https://github.com/tensorflow/tensorflow/tree/master/tensorflow/core/profiler/g3doc/profile_model_architecture.md。

返回值：

分析选项的dict。

`5、order_by`

order_by(attribute)

根据属性对显示的分析器节点进行排序。支持的属性包括micros、bytes、occurrence、params等https://github.com/tensorflow/tensorflow/tree/master/tensorflow/core/profiler/g3doc/options.md

参数：

attribute:分析器节点拥有的属性。

返回值：

self

`6、select`

select(attributes)

选择要显示的属性。有关支持的属性，请参见https://github.com/tensorflow/tensorflow/tree/master/tensorflow/core/profiler/g3doc/options.md。

参数：

attribute:分析器节点拥有的属性列表。

返回值：

self

7`、time_and_memory`

@staticmethod
time_and_memory(
    min_micros=1,
    min_bytes=1,
    min_accelerator_micros=0,
    min_cpu_micros=0,
    min_peak_bytes=0,
    min_residual_bytes=0,
    min_output_bytes=0
)

显示操作时间和内存消耗。

参数：

min_micros:只显示执行时间不小于此值的分析器节点。它总结了加速器和cpu的时间。
min_bytes:只显示被请求分配不少于这个字节的分析器节点。
min_accelerator_micros:只显示分析器节点在加速器上花费的时间不少于这个时间(例如GPU)。
min_cpu_micros:只显示分析器节点在cpu上花费的时间不少于这个时间。
min_peak_bytes:只显示在峰值(高水印)使用不少于这个字节的分析器节点。对于由多个图节点组成的分析器节点，它对图节点的peak_bytes求和。
min_residual_bytes:只显示profiler节点不少于在Compute()结束后未被分配的这个字节。对于由多个图节点组成的分析器节点，它对图节点的residual_bytes求和。
min_output_bytes:只显示分析器节点的输出不少于这个字节。输出不一定由这个分析器节点分配。

返回值：

分析选项的dict。

`8、trainable_variables_parameter`

@staticmethod
trainable_variables_parameter()

用于分析可训练变量参数的选项。通常与“范围”视图一起使用。

返回值：

分析选项的dict。

`9、with_accounted_types`

with_accounted_types(account_type_regexes)

根据节点类型有选择地计算统计信息。这里，“types”表示分析器节点的属性。默认情况下，将设备名称(例如/job:xx/…/device:GPU:0)和操作类型(例如MatMul)作为概要节点的属性。用户还可以通过OpLogProto proto将定制的“类型”关联到分析器节点。例如，用户可以使用:account_type_regexes=['.*gpu:0]选择位于gpu:0上的分析器节点。*']如果节点的属性都不匹配指定的regexes，则不显示或计算该节点。

参数：

account_type_regexes:指定类型的regexes列表。

返回值：

自我

`10、with_empty_output`

with_empty_output()

不要产生副作用输出。

`11、with_file_output`

with_file_output(outfile)

将结果打印到文件中。

`12、with_max_depth`

with_max_depth(max_depth)

设置显示的最大深度。深度取决于分析视图。对于“scope”视图，它是名称范围层次结构的深度(树)，对于“op”视图，它是操作类型的数量(列表)，等等。

参数：

max_depth:要显示的数据结构的最大深度。

返回值：

self

`13、with_min_execution_time`

with_min_execution_time(
    min_micros=0,
    min_accelerator_micros=0,
    min_cpu_micros=0
)

只显示使用不少于'min_micros'的分析器节点。

参数：

min_micros:只显示执行时间不小于此值的分析器节点。它总结了加速器和cpu的时间。
min_accelerator_micros:只显示分析器节点在加速器上花费的时间不少于这个时间(例如GPU)。
min_cpu_micros:只显示分析器节点在cpu上花费的时间不少于这个时间。

返回值：

self

`14、with_min_float_operations`

with_min_float_operations(min_float_ops)

只显示使用不少于“min_float_ops”的分析器节点。有关浮点运算的注意事项，请参阅https://github.com/tensorflow/tensorflow/tree/master/tensorflow/core/profiler/g3doc/profile_model_architecture.md。

参数：

min_float_ops:只显示具有不小于此浮点操作的分析器节点。

返回值：

self

`15、with_min_memory`

with_min_memory(
    min_bytes=0,
    min_peak_bytes=0,
    min_residual_bytes=0,
    min_output_bytes=0
)

只显示使用不少于“min_bytes”的分析器节点。

参数：

min_bytes:只显示被请求分配不少于这个字节的分析器节点。
min_peak_bytes:只显示在峰值(高水印)使用不少于这个字节的分析器节点。对于由多个图节点组成的分析器节点，它对图节点的peak_bytes求和。
min_residual_bytes:只显示profiler节点不少于在Compute()结束后未被分配的这个字节。对于由多个图节点组成的分析器节点，它对图节点的residual_bytes求和。
min_output_bytes:只显示分析器节点的输出不少于这个字节。输出不一定由这个分析器节点分配。

返回：

self

`16、with_min_occurrence`

with_min_occurrence(min_occurrence)

只显示包含不少于“min_occurrence”图形节点的分析器节点。“节点”表示分析器输出节点，它可以是python行(代码视图)、操作类型(op视图)或图节点(图/范围视图)。python行包含由该行创建的所有图形节点，而操作类型包含该类型的所有图形节点。

参数：

min_occurrence:只显示不少于这个值的节点。

返回值：

自我

`17、with_min_parameters`

with_min_parameters(min_params)

只显示包含不少于“min_params”参数的分析器节点。参数通常是指张量流变量的权重。它反映了模型的“能力”。

参数：

min_params:只显示包含不少于这个数量的参数的分析器节点。

返回：

self

`18、with_node_names`

with_node_names(
    start_name_regexes=None,
    show_name_regexes=None,
    hide_name_regexes=None,
    trim_name_regexes=None
)

用于选择要显示的分析器节点的正则表达式。在'with_accounted_types'被求值后，'with_node_names'被求值如下:对于概要文件数据结构，profiler首先找到匹配'start_name_regexes'的概要文件节点，然后从那里开始显示概要文件节点。然后，如果节点匹配“show_name_regexes”而不匹配“hide_name_regexes”，则显示该节点。如果一个节点匹配“trim_name_regexes”，分析器将停止进一步搜索该分支。

参数：

start_name_regexes:要开始显示的节点名regexes列表。
show_name_regexes:要显示的节点名称列表。
hide_name_regexes:应该隐藏的node_names regexes列表。
trim_name_regexes:从何处停止的节点名regexes列表。

返回值：

self

`19、with_pprof_output`

with_pprof_output(pprof_file)

生成一个pprof概要文件gzip文件。要使用pprof文件:pprof -png——nodecount=100——sample_index=1

参数：

pprof_file:输出的文件名，通常后缀为.pb.gz。

返回值：

self

`20、with_stdout_output`

with_stdout_output()

将结果打印到stdout。

`21、with_step`

with_step(step)

要使用哪个概要文件步骤进行概要分析。这里的“步骤”指的是profile .add_step() API定义的步骤。

参数：

step:当配置文件的多个步骤可用时，选择要使用哪个步骤的配置文件。如果-1，使用所有可用步骤的平均值。

返回：

self

`22、with_timeline_output`

with_timeline_output(timeline_file)

生成一个时间轴json文件。

14、tf.profiler.Profiler

TensorFlow多步骤的分析器。

Typical use case:
  # Currently we are only allowed to create 1 profiler per process.
  profiler = Profiler(sess.graph)

  for i in xrange(total_steps):
    if i % 10000 == 0:
      run_meta = tf.compat.v1.RunMetadata()
      _ = sess.run(...,
                   options=tf.compat.v1.RunOptions(
                       trace_level=tf.RunOptions.FULL_TRACE),
                   run_metadata=run_meta)
      profiler.add_step(i, run_meta)

      # Profile the parameters of your model.
      profiler.profile_name_scope(options=(option_builder.ProfileOptionBuilder
          .trainable_variables_parameter()))

      # Or profile the timing of your model operations.
      opts = option_builder.ProfileOptionBuilder.time_and_memory()
      profiler.profile_operations(options=opts)

      # Or you can generate a timeline:
      opts = (option_builder.ProfileOptionBuilder(
              option_builder.ProfileOptionBuilder.time_and_memory())
              .with_step(i)
              .with_timeline_output(filename).build())
      profiler.profile_graph(options=opts)
    else:
      _ = sess.run(...)
  # Auto detect problems and generate advice.
  profiler.advise()

`1、init`

__init__(
    graph=None,
    op_log=None
)

构造函数。

参数：

graph:tf.Graph。如果没有启用None和eager执行，则使用默认图。
op_log:可选的。tensorflow: tfprof:: OpLogProto原型。用于定义额外的op类型。

`2、add_step`

add_step(
    step,
    run_meta
)

添加步骤的统计信息。

参数：

step:int，用于将一个或多个不同的run_meta组合在一起的id。当使用profile_xxx api进行概要分析时，用户可以使用选项中的步骤id对这些run_meta进行概要分析。
run_meta:包含会话运行统计信息的RunMetadata原型。

`3、advise`

advise(options)

自动检测问题并生成报告。

参数：

options:选项的dict。参见上面的ALL_ADVICE示例。

返回值：

一个建议证明，从所有的检查报告。

`4、profile_graph`

profile_graph(options)

描述由数据流图组织的图节点统计信息。

参数：

options:选项的dict。看到核心/分析器/ g3doc / options.md。

返回值：

记录结果的GraphNodeProto。

`5、profile_name_scope`

profile_name_scope(options)

概述按名称范围组织的图节点的统计信息。

参数：

options:选项的dict。看到核心/分析器/ g3doc / options.md。

返回值：

记录结果的GraphNodeProto。

`6、profile_operations`

profile_operations(options)

分析操作类型的统计信息(例如MatMul、Conv2D)。

参数：

options:选项的dict。看到核心/分析器/ g3doc / options.md。

返回值：

记录结果的多重图形节点。

`7、profile_python`

profile_python(options)

分析Python代码的统计数据。默认情况下，它显示根目录下的调用堆栈。为了避免冗余输出，可以使用以下选项过滤['show_name_regexes'] = ['.my_code.py ']。

参数：

options:选项的dict。看到核心/分析器/ g3doc / options.md。

返回值：

记录结果的多重图形节点。

`8、serialize_to_string`

serialize_to_string()

将ProfileProto序列化为二进制字符串。用户可以通过tfprof命令行或图形界面将其写入文件进行离线分析。

返回值：

ProfileProto二进制字符串。

15、tf.profiler.write_op_log

Log提供了'op_log'，并在下面添加了额外的模型信息。

tf.profiler.write_op_log(
    graph,
    log_dir,
    op_log=None,
    run_meta=None,
    add_trace=True
)

API还为tf.compat.v1.trainable_variables()中的ops分配了一个名为“_trainable_variables”的op类型。该API还为定义了op.RegisterStatistics()的ops记录“flops”统计信息。flops计算依赖于“graph”中定义的张量形状，这可能不完整。如果提供了'run_meta'，则尽最大努力完成形状信息。

参数：