[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-NVIDIA--PyProf":3,"tool-NVIDIA--PyProf":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",142651,2,"2026-04-06T23:34:12",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107888,"2026-04-06T11:32:50",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":76,"owner_email":76,"owner_twitter":76,"owner_website":77,"owner_url":78,"languages":79,"stars":92,"forks":93,"last_commit_at":94,"license":95,"difficulty_score":10,"env_os":96,"env_gpu":97,"env_ram":98,"env_deps":99,"category_tags":104,"github_topics":76,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":105,"updated_at":106,"faqs":107,"releases":108},4863,"NVIDIA\u002FPyProf","PyProf","A GPU performance profiling tool for PyTorch models","PyProf 是一款专为 PyTorch 模型设计的 GPU 性能分析工具，旨在帮助开发者深入理解并优化深度学习模型在显卡上的运行效率。它通过聚合 Nsight Systems 或 NvProf 的底层数据，解决了传统分析中难以将 GPU 内核操作与具体代码层对应、缺乏张量维度及精度信息、以及前后向传播关联不明确等痛点。\n\n借助 PyProf，用户可以精准定位发起特定内核计算的代码行，识别对应的神经网络层级，并获取关键的张量尺寸与精度数据。这使得评估计算量（FLOPs）和带宽需求成为可能，从而判断内核是否达到了硬件的理论峰值性能。此外，PyProf 还能自动追踪前后向传播的关联关系，并高亮显示利用 Tensor Core 加速的内核，为性能调优提供直观依据。\n\n该工具特别适合从事深度学习模型开发与优化的工程师、数据科学家及研究人员使用。虽然官方已停止更新并推荐转向 NVIDIA DLProf，但 PyProf 提供的细粒度代码追踪与张量上下文分析功能，使其在排查复杂模型性能瓶颈时依然具有独特的参考价值，是提升模型训练与推理速度的得力助手。","..\n # Copyright (c) 2020-2021, NVIDIA CORPORATION. All rights reserved.\n #\n # Licensed under the Apache License, Version 2.0 (the \"License\");\n # you may not use this file except in compliance with the License.\n # You may obtain a copy of the License at\n #\n #     http:\u002F\u002Fwww.apache.org\u002Flicenses\u002FLICENSE-2.0\n # \n # Unless required by applicable law or agreed to in writing, software\n # distributed under the License is distributed on an \"AS IS\" BASIS,\n # WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.\n # See the License for the specific language governing permissions and\n # limitations under the License.\n\n|License|\n\nPyProf - PyTorch Profiling tool\n===============================\n\n    **ANNOUNCEMENT:** \n    On June 30th 2021, NVIDIA will no longer make contributions to the PyProf repository.\n    \n    To profile models in PyTorch, please use `NVIDIA Deep Learning Profiler (DLProf) \u003Chttps:\u002F\u002Fdocs.nvidia.com\u002Fdeeplearning\u002Fframeworks\u002Fdlprof-user-guide\u002F>`_\n    \n    DLProf can help data scientists, engineers, and researchers understand and improve performance of their models by analyzing text reports or visualizing the reports in a web browser with the DLProf Viewer\n    \n    DLProf is available on NGC or as a python PIP wheel installation.\n    \n    To look for continued development on PyProf, please use https:\u002F\u002Fgithub.com\u002Fadityaiitb\u002FPyProf\n\n.. overview-begin-marker-do-not-remove\n\nPyProf is a tool that profiles and analyzes the GPU performance of PyTorch\nmodels. PyProf aggregates kernel performance from `Nsight Systems\n\u003Chttps:\u002F\u002Fdeveloper.nvidia.com\u002Fnsight-systems>`_ or `NvProf\n\u003Chttps:\u002F\u002Fdeveloper.nvidia.com\u002Fnvidia-visual-profiler>`_ and provides the \nfollowing additional features:\n\n* Identifies the layer that launched a kernel: e.g. the association of \n  `ComputeOffsetsKernel` with a concrete PyTorch layer or API is not obvious.\n\n* Identifies the tensor dimensions and precision: without knowing the tensor \n  dimensions and precision, it's impossible to reason about whether the actual \n  (silicon) kernel time is close to maximum performance of such a kernel on \n  the GPU. Knowing the tensor dimensions and precision, we can figure out the \n  FLOPs and bandwidth required by a layer, and then determine how close to \n  maximum performance the kernel is for that operation.\n\n* Forward-backward correlation: PyProf determines what the forward pass step \n  is that resulted in the particular weight and data gradients (wgrad, dgrad), \n  which makes it possible to determine the tensor dimensions required by these\n  backprop steps to assess their performance.\n \n* Determines Tensor Core usage: PyProf can highlight the kernels that use \n  `Tensor Cores \u003Chttps:\u002F\u002Fdeveloper.nvidia.com\u002Ftensor-cores>`_.\n \n* Correlate the line in the user's code that launched a particular kernel (program trace).\n\n.. overview-end-marker-do-not-remove\n\nThe current release of PyProf is 3.10.0 and is available in the 21.04 release of\nthe PyTorch container on `NVIDIA GPU Cloud (NGC) \u003Chttps:\u002F\u002Fngc.nvidia.com>`_. The \nbranch for this release is `r21.04\n\u003Chttps:\u002F\u002Fgithub.com\u002FNVIDIA\u002FPyProf\u002Ftree\u002Fr21.04>`_.\n\nQuick Installation Instructions\n-------------------------------\n\n.. quick-install-start-marker-do-not-remove\n\n* Clone the git repository ::\n    \n    $ git clone https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FPyProf.git\n\n* Navigate to the top level PyProf directory\n\n* Install PyProf ::\n\n   $ pip install .\n\n* Verify installation is complete with pip list ::\n\n   $ pip list | grep pyprof \n\n* Should display ::\n\n   pyprof            3.11.0.dev0\n\n.. quick-install-end-marker-do-not-remove\n\nQuick Start Instructions\n------------------------\n\n.. quick-start-start-marker-do-not-remove\n\n* Add the following lines to the PyTorch network you want to profile: ::\n\n    import torch.cuda.profiler as profiler\n    import pyprof\n    pyprof.init()\n\n* Profile with NVProf or Nsight Systems to generate a SQL file. ::\n\n    $ nsys profile -f true -o net --export sqlite python net.py\n\n* Run the parse.py script to generate the dictionary. ::\n  \n    $ python -m pyprof.parse net.sqlite > net.dict\n\n* Run the prof.py script to generate the reports. ::\n\n    $ python -m pyprof.prof --csv net.dict\n\n.. quick-start-end-marker-do-not-remove\n\nDocumentation\n-------------\n\nThe User Guide can be found in the \n`documentation for current release \n\u003Chttps:\u002F\u002Fdocs.nvidia.com\u002Fdeeplearning\u002Fframeworks\u002Fpyprof-user-guide\u002Findex.html>`_, and \nprovides instructions on how to install and profile with PyProf.\n\nA complete `Quick Start Guide \u003Chttps:\u002F\u002Fdocs.nvidia.com\u002Fdeeplearning\u002Fframeworks\u002Fpyprof-user-guide\u002Fquickstart.html>`_ \nprovides step-by-step instructions to get you quickly started using PyProf.\n\nAn `FAQ \u003Chttps:\u002F\u002Fdocs.nvidia.com\u002Fdeeplearning\u002Fframeworks\u002Fpyprof-user-guide\u002Ffaqs.html>`_ provides\nanswers for frequently asked questions.\n\nThe `Release Notes \n\u003Chttps:\u002F\u002Fdocs.nvidia.com\u002Fdeeplearning\u002Fframeworks\u002Fpyprof-release-notes\u002Findex.html>`_\nindicate the required versions of the NVIDIA Driver and CUDA, and also describe \nwhich GPUs are supported by PyProf\n\nPresentation and Papers\n^^^^^^^^^^^^^^^^^^^^^^^\n\n* `Automating End-toEnd PyTorch Profiling \u003Chttps:\u002F\u002Fdeveloper.nvidia.com\u002Fgtc\u002F2020\u002Fvideo\u002Fs21143>`_.\n   * `Presentation slides \u003Chttps:\u002F\u002Fdeveloper.download.nvidia.com\u002Fvideo\u002Fgputechconf\u002Fgtc\u002F2020\u002Fpresentations\u002Fs21143-automating-end-to-end-pytorch-profiling.pdf>`_.\n\nContributing\n------------\n\nContributions to PyProf are more than welcome. To\ncontribute make a pull request and follow the guidelines outlined in\nthe `Contributing \u003CCONTRIBUTING.md>`_ document.\n\nReporting problems, asking questions\n------------------------------------\n\nWe appreciate any feedback, questions or bug reporting regarding this\nproject. When help with code is needed, follow the process outlined in\nthe Stack Overflow (https:\u002F\u002Fstackoverflow.com\u002Fhelp\u002Fmcve)\ndocument. Ensure posted examples are:\n\n* minimal – use as little code as possible that still produces the\n  same problem\n\n* complete – provide all parts needed to reproduce the problem. Check\n  if you can strip external dependency and still show the problem. The\n  less time we spend on reproducing problems the more time we have to\n  fix it\n\n* verifiable – test the code you're about to provide to make sure it\n  reproduces the problem. Remove all other problems that are not\n  related to your request\u002Fquestion.\n\n.. |License| image:: https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-Apache2-green.svg\n   :target: http:\u002F\u002Fwww.apache.org\u002Flicenses\u002FLICENSE-2.0\n","..\n # 版权所有 © 2020-2021，NVIDIA Corporation。保留所有权利。\n #\n # 根据 Apache 许可证第 2.0 版（“许可证”）授权；\n # 您不得在不符合许可证的情况下使用此文件。\n # 您可以在以下网址获得许可证副本：\n #\n #     http:\u002F\u002Fwww.apache.org\u002Flicenses\u002FLICENSE-2.0\n # \n # 除非适用法律要求或书面同意，否则软件\n # 按照“AS IS”的基础分发，并且不提供任何类型的\n # 明示或暗示的保证或条件。\n # 有关许可的具体语言、权限和限制，请参阅许可证。\n\n|许可证|\n\nPyProf - PyTorch 性能分析工具\n===============================\n\n    **公告：** \n    2021年6月30日，NVIDIA 将不再对 PyProf 仓库进行贡献。\n    \n    若要对 PyTorch 中的模型进行性能分析，请使用 `NVIDIA 深度学习性能分析器 (DLProf) \u003Chttps:\u002F\u002Fdocs.nvidia.com\u002Fdeeplearning\u002Fframeworks\u002Fdlprof-user-guide\u002F>`_。\n    \n    DLProf 可以帮助数据科学家、工程师和研究人员通过分析文本报告或使用 DLProf 查看器在网页浏览器中可视化报告来理解并提升其模型的性能。\n    \n    DLProf 可在 NGC 上获取，也可通过 Python PIP 轮子安装。\n    \n    如需继续开发 PyProf，请访问 https:\u002F\u002Fgithub.com\u002Fadityaiitb\u002FPyProf。\n\n.. overview-begin-marker-do-not-remove\n\nPyProf 是一款用于分析和评估 PyTorch 模型 GPU 性能的工具。PyProf 会聚合来自 `Nsight Systems\n\u003Chttps:\u002F\u002Fdeveloper.nvidia.com\u002Fnsight-systems>`_ 或 `NvProf\n\u003Chttps:\u002F\u002Fdeveloper.nvidia.com\u002Fnvidia-visual-profiler>`_ 的内核性能数据，并提供以下附加功能：\n\n* 识别启动某个内核的层：例如，`ComputeOffsetsKernel` 与具体的 PyTorch 层或 API 之间的关联并不明显。\n\n* 识别张量的维度和精度：如果不了解张量的维度和精度，就无法判断实际（硬件层面）的内核执行时间是否接近该内核在 GPU 上的最大性能。通过了解张量的维度和精度，我们可以计算出该层所需的 FLOPs 和带宽，从而确定该内核对于该操作的性能距离峰值还有多远。\n\n* 前向传播与反向传播的相关性：PyProf 可以确定导致特定权重梯度和数据梯度（wgrad、dgrad）产生的前向传播步骤，从而可以推断这些反向传播步骤所需的张量维度，以评估其性能。\n\n* 确定 Tensor Core 的使用情况：PyProf 可以高亮显示使用 `Tensor Cores \u003Chttps:\u002F\u002Fdeveloper.nvidia.com\u002Ftensor-cores>`_ 的内核。\n\n* 将用户代码中启动特定内核的行与程序跟踪相关联。\n\n.. overview-end-marker-do-not-remove\n\nPyProf 的当前版本为 3.10.0，已在 NVIDIA GPU Cloud (NGC) 上的 PyTorch 容器 21.04 版本中发布。该版本的分支为 `r21.04\n\u003Chttps:\u002F\u002Fgithub.com\u002FNVIDIA\u002FPyProf\u002Ftree\u002Fr21.04>`_。\n\n快速安装说明\n-------------\n\n.. quick-install-start-marker-do-not-remove\n\n* 克隆 Git 仓库 ::\n    \n    $ git clone https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FPyProf.git\n\n* 进入 PyProf 的顶级目录\n\n* 安装 PyProf ::\n\n   $ pip install .\n\n* 使用 pip list 验证安装是否完成 ::\n\n   $ pip list | grep pyprof \n\n* 应显示 ::\n\n   pyprof            3.11.0.dev0\n\n.. quick-install-end-marker-do-not-remove\n\n快速入门说明\n-------------\n\n.. quick-start-start-marker-do-not-remove\n\n* 在您想要分析的 PyTorch 网络中添加以下几行代码：::\n\n    import torch.cuda.profiler as profiler\n    import pyprof\n    pyprof.init()\n\n* 使用 NVProf 或 Nsight Systems 进行性能分析，生成 SQL 文件。::\n\n    $ nsys profile -f true -o net --export sqlite python net.py\n\n* 运行 parse.py 脚本以生成字典文件。::\n\n    $ python -m pyprof.parse net.sqlite > net.dict\n\n* 运行 prof.py 脚本以生成报告。::\n\n    $ python -m pyprof.prof --csv net.dict\n\n.. quick-start-end-marker-do-not-remove\n\n文档\n----\n\n用户指南可在 \n`当前版本的文档 \u003Chttps:\u002F\u002Fdocs.nvidia.com\u002Fdeeplearning\u002Fframeworks\u002Fpyprof-user-guide\u002Findex.html>`_ 中找到，其中提供了关于如何安装和使用 PyProf 进行性能分析的说明。\n\n一份完整的 `快速入门指南 \u003Chttps:\u002F\u002Fdocs.nvidia.com\u002Fdeeplearning\u002Fframeworks\u002Fpyprof-user-guide\u002Fquickstart.html>`_ 提供了逐步指导，帮助您快速上手使用 PyProf。\n\n一个 `常见问题解答 \u003Chttps:\u002F\u002Fdocs.nvidia.com\u002Fdeeplearning\u002Fframeworks\u002Fpyprof-user-guide\u002Ffaqs.html>`_ 列出了常见问题的答案。\n\n`发行说明 \u003Chttps:\u002F\u002Fdocs.nvidia.com\u002Fdeeplearning\u002Fframeworks\u002Fpyprof-release-notes\u002Findex.html>`_ 指明了所需的 NVIDIA 驱动程序和 CUDA 的版本，并描述了哪些 GPU 支持 PyProf。\n\n演示文稿和论文\n^^^^^^^^^^^^^^^^^^^\n\n* `自动化端到端 PyTorch 性能分析 \u003Chttps:\u002F\u002Fdeveloper.nvidia.com\u002Fgtc\u002F2020\u002Fvideo\u002Fs21143>`_。\n   * `演示文稿幻灯片 \u003Chttps:\u002F\u002Fdeveloper.download.nvidia.com\u002Fvideo\u002Fgputechconf\u002Fgtc\u002F2020\u002Fpresentations\u002Fs21143-automating-end-to-end-pytorch-profiling.pdf>`_。\n\n贡献\n----\n\n我们非常欢迎对 PyProf 的贡献。要贡献代码，请提交拉取请求，并遵循 `贡献说明 \u003CCONTRIBUTING.md>`_ 文档中的指南。\n\n报告问题、提问\n----------------\n\n我们感谢您对该项目的任何反馈、问题或错误报告。当需要代码方面的帮助时，请遵循 Stack Overflow (https:\u002F\u002Fstackoverflow.com\u002Fhelp\u002Fmcve) 文档中概述的流程。请确保发布的示例：\n\n* 最小化——尽可能使用最少的代码，但仍能重现相同的问题。\n* 完整性——提供所有用于重现问题的部分。检查是否可以去除外部依赖，同时仍然展示问题。我们花在重现问题上的时间越少，就越有更多的时间来修复它。\n* 可验证性——在提供代码之前，请先测试代码，确保它确实能够重现问题。移除所有与您的请求或问题无关的问题。\n\n.. |License| image:: https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-Apache2-green.svg\n   :target: http:\u002F\u002Fwww.apache.org\u002Flicenses\u002FLICENSE-2.0","# PyProf 快速上手指南\n\n> **重要提示**：NVIDIA 已于 2021 年 6 月 30 日停止对官方 PyProf 仓库的维护。对于新的 PyTorch 性能分析需求，官方推荐使用 **NVIDIA Deep Learning Profiler (DLProf)**。如果您仍需使用或参与 PyProf 的后续开发，请参考社区维护版本：https:\u002F\u002Fgithub.com\u002Fadityaiitb\u002FPyProf\n\nPyProf 是一款用于分析 PyTorch 模型 GPU 性能的工具。它能聚合 Nsight Systems 或 NvProf 的数据，帮助您识别算子对应的网络层、张量维度、精度、前后向传播关联以及 Tensor Core 使用情况。\n\n## 环境准备\n\n*   **操作系统**: Linux\n*   **GPU**: 支持 CUDA 的 NVIDIA GPU\n*   **前置依赖**:\n    *   Python 3.x\n    *   PyTorch (已安装并配置好 CUDA)\n    *   NVIDIA 性能分析工具：需安装 **Nsight Systems (`nsys`)** 或 **NvProf** (推荐在新版硬件上使用 Nsight Systems)\n    *   Git\n\n## 安装步骤\n\n1.  **克隆仓库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FPyProf.git\n    ```\n\n2.  **进入目录**\n    ```bash\n    cd PyProf\n    ```\n\n3.  **安装工具**\n    ```bash\n    pip install .\n    ```\n    *(注：国内用户若下载缓慢，可添加 `-i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple` 使用清华镜像源)*\n\n4.  **验证安装**\n    ```bash\n    pip list | grep pyprof\n    ```\n    输出应包含 `pyprof` 及其版本号（例如 `3.11.0.dev0`）。\n\n## 基本使用\n\n### 1. 修改代码\n在需要分析的 PyTorch 脚本（例如 `net.py`）中，导入并初始化 PyProf：\n\n```python\nimport torch.cuda.profiler as profiler\nimport pyprof\n\npyprof.init()\n\n# ... 原有的模型定义和训练代码 ...\n```\n\n### 2. 采集性能数据\n使用 `nsys` (或 `nvprof`) 运行脚本并生成 SQLite 数据库文件。以下命令将生成 `net.sqlite`：\n\n```bash\nnsys profile -f true -o net --export sqlite python net.py\n```\n\n### 3. 解析数据\n运行 `parse.py` 将 SQLite 文件转换为字典格式：\n\n```bash\npython -m pyprof.parse net.sqlite > net.dict\n```\n\n### 4. 生成报告\n运行 `prof.py` 生成分析报告（支持 CSV 格式）：\n\n```bash\npython -m pyprof.prof --csv net.dict\n```\n\n执行完成后，您将看到包含算子名称、耗时、FLOPs、带宽利用率等详细信息的报表，可用于定位性能瓶颈。","某计算机视觉团队在训练基于 ResNet-50 的目标检测模型时，发现 GPU 利用率波动异常，导致训练周期远超预期。\n\n### 没有 PyProf 时\n- **算子定位困难**：面对 Nsight Systems 生成的底层内核名称（如 `ComputeOffsetsKernel`），开发者无法直接对应到具体的 PyTorch 网络层，排查如同“大海捞针”。\n- **性能基准缺失**：由于缺乏张量维度与精度信息，团队无法计算理论 FLOPs 和带宽需求，难以判断当前内核运行时间是否已接近硬件极限。\n- **前后向关联断裂**：反向传播中的梯度计算（wgrad\u002Fdgrad）无法追溯至对应的前向传播步骤，导致无法评估特定层整体链路的性能瓶颈。\n- **核心特性盲区**：无法直观确认哪些算子成功启用了 Tensor Core 加速，错失了混合精度优化的关键线索。\n\n### 使用 PyProf 后\n- **层级映射清晰**：PyProf 自动将底层内核关联至具体的代码行和网络层，让开发者能迅速锁定耗时异常的模块。\n- **量化评估可行**：工具自动解析张量形状与精度，计算出理论性能上限，帮助团队明确当前效率与理想状态的差距。\n- **全链路追踪**：通过建立前向与反向传播的精确关联，团队得以完整分析每一层的计算开销，精准定位拖慢训练的“短板”。\n- **加速可视化**：PyProf 高亮显示启用 Tensor Core 的内核，指导工程师针对性调整算子实现以最大化硬件算力。\n\nPyProf 通过将晦涩的底层内核数据转化为可操作的网络层性能洞察，让深度学习模型的优化从“盲目猜测”转变为“数据驱动”。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNVIDIA_PyProf_3086e4f0.png","NVIDIA","NVIDIA Corporation","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FNVIDIA_7dcf6000.png","",null,"https:\u002F\u002Fnvidia.com","https:\u002F\u002Fgithub.com\u002FNVIDIA",[80,84,88],{"name":81,"color":82,"percentage":83},"Python","#3572A5",95.8,{"name":85,"color":86,"percentage":87},"Shell","#89e051",3.6,{"name":89,"color":90,"percentage":91},"Dockerfile","#384d54",0.6,511,50,"2026-03-22T05:32:56","Apache-2.0","Linux","必需 NVIDIA GPU（支持 Tensor Core），具体型号未说明；需安装 NVIDIA Driver 和 CUDA（具体版本需查阅 Release Notes 链接），依赖 Nsight Systems 或 NvProf 工具","未说明",{"notes":100,"python":98,"dependencies":101},"1. 该项目自 2021 年 6 月 30 日起 NVIDIA 已停止维护，官方建议迁移至 NVIDIA Deep Learning Profiler (DLProf)。\n2. 运行流程需先使用 nsys 或 nvprof 生成 .sqlite 文件，再通过 pyprof.parse 和 pyprof.prof 脚本进行分析。\n3. 该工具通常包含在 NGC 的 PyTorch 容器（如 21.04 版本）中，建议在容器环境中使用。",[102,103],"PyTorch (torch)","Nsight Systems 或 NvProf",[14],"2026-03-27T02:49:30.150509","2026-04-07T13:27:58.780058",[],[109,114,119,124,129,134,139,144,149,154],{"id":110,"version":111,"summary_zh":112,"released_at":113},135851,"v3.10.0","# PyProf - 用于 GPU 的 PyTorch 性能分析工具\n\nPyProf 是一款用于对 PyTorch 模型的 GPU 性能进行剖析和分析的工具。PyProf 会从 Nsight Systems 或 NvProf 中汇总内核性能数据。该工具能够识别启动相应内核的层、确定张量的维度和精度、执行前向传播与反向传播的相关性分析、判断 Tensor Core 的使用情况，并将用户代码中启动特定内核的那行代码关联起来。\n\n## 3.10.0 版本的新特性\n\n* 兼容 NGC 21.04 版本","2021-04-28T17:31:15",{"id":115,"version":116,"summary_zh":117,"released_at":118},135852,"v3.9.0","# PyProf - 用于 GPU 的 PyTorch 性能分析工具\n\nPyProf 是一款用于对 PyTorch 模型的 GPU 性能进行剖析和分析的工具。PyProf 会从 Nsight Systems 或 NvProf 中汇总内核性能数据。该工具能够识别启动相应内核的层、确定张量的维度和精度、执行前向传播与反向传播的相关性分析、判断 Tensor Core 的使用情况，并将用户代码中启动特定内核的那行代码关联起来。\n\n## 3.9.0 版本的新特性\n\n* 与 NGC 21.03 版本兼容","2021-03-29T18:46:32",{"id":120,"version":121,"summary_zh":122,"released_at":123},135853,"v3.8.0","# PyProf - 用于 GPU 的 PyTorch 性能分析工具\n\nPyProf 是一款用于对 PyTorch 模型的 GPU 性能进行剖析和分析的工具。它可以从 Nsight Systems 或 NvProf 中汇总内核性能数据。该工具能够识别启动相应内核的层、确定张量的维度和精度、执行前向传播与反向传播的相关性分析、判断 Tensor Core 的使用情况，并将用户代码中启动特定内核的那行代码关联起来。\n\n## 3.8.0 版本的新特性\n\n* `Torch.ones` 和 `Torch.zeros` 的输入现在可以是列表、元组或整数序列。","2021-02-26T21:16:17",{"id":125,"version":126,"summary_zh":127,"released_at":128},135854,"v3.7.0","# PyProf - 用于 GPU 的 PyTorch 性能分析工具\n\nPyProf 是一款用于对 PyTorch 模型的 GPU 性能进行剖析和分析的工具。PyProf 会从 Nsight Systems 或 NvProf 中汇总内核性能数据。该工具能够识别启动相应内核的层、确定张量的维度和精度、执行前向与反向传播的相关性分析、判断 Tensor Core 的使用情况，并将用户代码中启动特定内核的那行代码关联起来。\n\n## 3.7.0 版本的新特性\n\n* 支持对 APEX 库进行猴子补丁（monkey patching）。\n","2020-12-18T19:55:26",{"id":130,"version":131,"summary_zh":132,"released_at":133},135855,"v3.6.0","# PyProf - 用于 GPU 的 PyTorch 性能分析工具\n\nPyProf 是一款用于对 PyTorch 模型的 GPU 性能进行剖析和分析的工具。PyProf 会从 Nsight Systems 或 NvProf 中聚合内核性能数据。该工具能够识别启动相应内核的层、确定张量的维度和精度、执行前向与反向传播的相关性分析、判断 Tensor Core 的使用情况，并将特定内核与用户代码中发起该内核的那行代码关联起来。\n\n## 3.6.0 版本的新特性\n\n* 降低了 PyProf 的开销，以提升运行时性能\n  * 优化了来自 Nsight Systems 的数据库查询\n  * 重构了 nvmarker.py 文件\n","2020-11-20T21:36:16",{"id":135,"version":136,"summary_zh":137,"released_at":138},135856,"v3.5.0","# PyProf - 用于 GPU 的 PyTorch 性能分析器\n\nPyProf 是一款用于对 PyTorch 模型的 GPU 性能进行剖析和分析的工具。PyProf 会从 Nsight Systems 或 NvProf 中聚合内核性能数据。该工具能够识别启动相应内核的层、确定张量的维度和精度、执行前向与反向传播的相关性分析、判断 Tensor Core 的使用情况，并将用户代码中启动特定内核的那行代码关联起来。\n\n## 3.5.0 版本的新特性\n\n* 改进了 Nsight System 数据库查询，使运行时性能剖析时间提升了 50 倍。\n\n* 节点名称现在会包含类信息，并可链接回原始的 Python 源代码。","2020-10-26T17:55:29",{"id":140,"version":141,"summary_zh":142,"released_at":143},135857,"v3.4.0","# PyProf - 用于 GPU 的 PyTorch 性能分析工具\n\nPyProf 是一款用于对 PyTorch 模型的 GPU 性能进行剖析和分析的工具。PyProf 会从 Nsight Systems 或 NvProf 中聚合内核性能数据。该工具能够识别启动相应内核的层、确定张量的维度和精度、执行前向传播与反向传播的相关性分析、判断 Tensor Core 的使用情况，并将用户代码中启动特定内核的那行代码关联起来。\n\n## 3.4.0 版本的新特性\n\n* 更新了 README 和用户指南文档，增加了更多安装选项和相关链接。\n","2020-10-01T17:45:29",{"id":145,"version":146,"summary_zh":147,"released_at":148},135858,"v3.3.0","# PyProf - 用于 GPU 的 PyTorch 性能分析工具\n\nPyProf 是一款用于对 PyTorch 模型的 GPU 性能进行剖析和分析的工具。它可以从 Nsight Systems 或 NvProf 中聚合内核性能数据。该工具能够识别启动相应内核的层、确定张量的维度和精度、执行前向与反向传播的相关性分析、判断 Tensor Core 的使用情况，并将用户代码中启动特定内核的那行代码关联起来。\n\n## 3.3.0 版本的新特性\n\n* 捕获 PyTorch API 信息及数据加载配置\n* 将 CUTLASS 添加到 GEMM 内核列表中\n* 为 NVTX 标记添加了可选的函数调用栈跟踪功能。可通过以下方式启用：\n```python\n    pyprof.init(enable_function_stack=True)\n```\n\n## 已知问题\n\n* 该软件仅支持 PyTorch 1.6。\n* 在 PyTorch 1.6 中，前向-反向内核相关性启发式算法无法正常工作。推荐的解决方法包括：\n    * 使用 PyTorch 1.5\n    * 在 20.08 版本的 NGC PyTorch 容器中使用 DLProf\n    * 使用 20.03-py3 版本的 PyTorch NGC 容器\n```bash\n $ docker pull nvcr.io\u002Fnvidia\u002Fpytorch:20.03-py3\n```","2020-08-28T18:59:36",{"id":150,"version":151,"summary_zh":152,"released_at":153},135859,"v3.2.0","# PyProf - 用于 GPU 的 PyTorch 性能分析工具\n\nPyProf 是一款用于对 PyTorch 模型的 GPU 性能进行剖析和分析的工具。PyProf 会从 Nsight Systems 或 NvProf 中聚合内核性能数据。该工具能够识别启动相应内核的层、确定张量的维度和精度、执行前向与反向传播的相关性分析、判断 Tensor Core 的使用情况，并将用户代码中启动特定内核的那行代码关联起来。\n\n## 3.2.0 版本的新特性\n\n* 支持对 APEX、融合 Adam 和 Layer Norm 函数进行猴子补丁（monkey patch）处理\n* 已移除对 PyYAML 的依赖\n* 增加了对不存在的解析文件参数的错误处理机制\n\n\n## 已知问题\n\n* 本软件仅支持 PyTorch 1.6。\n* 在 PyTorch 1.6 中，前向-反向内核相关性启发式算法无法正常工作。推荐的解决方法包括：\n    * 使用 PyTorch 1.5 版本\n    * 在 20.078 NGC PyTorch 容器中使用 DLProf\n    * 使用 20.03-py3 版本的 PyTorch NGC 容器\n```  \n$ docker pull nvcr.io\u002Fnvidia\u002Fpytorch:20.03-py3\n```","2020-07-30T16:15:48",{"id":155,"version":156,"summary_zh":157,"released_at":158},135860,"v3.1.0","# PyProf - 用于 GPU 的 PyTorch 性能分析工具\n\nPyProf 是一款用于对 PyTorch 模型的 GPU 性能进行剖析和分析的工具。PyProf 会从 Nsight Systems 或 NvProf 中聚合内核性能数据。该工具能够识别启动相应内核的层、确定张量的维度和精度、执行前向与反向传播的相关性分析、判断 Tensor Core 的使用情况，并将特定内核与用户代码中发起该内核的代码行关联起来。\n\n## 3.1.0 版本的新特性\n\n* 改进了 NVTX 功能及其覆盖范围。\n* 增加了 [NVIDIA 深度学习性能分析器](https:\u002F\u002Fdocs.nvidia.com\u002Fdeeplearning\u002Fframeworks\u002Fdlprof-user-guide\u002F) 所需的支持。\n\n## 已知问题\n\n* 该软件仅支持 PyTorch 1.6。\n","2020-06-29T23:18:44"]