如何按目录过滤.pstats文件？Nerfacto性能分析求助

按目录过滤cProfile结果 #

1. 用pstats脚本预处理 #

写个简单的Python脚本加载原始profile文件，只保留你关注的项目目录下的函数：

import pstats

# 替换为你的nerfstudio项目根目录
TARGET_DIR = "/path/to/your/nerfstudio"

# 加载原始profile数据
stats = pstats.Stats("profile_data.profile")
# 清理路径前缀，方便过滤
stats.strip_dirs()
# 筛选出路径包含TARGET_DIR的函数
filtered_funcs = [func for func in stats.stats if TARGET_DIR in func[0]]
stats.filter_stats(*filtered_funcs)
# 保存过滤后的结果
stats.dump_stats("filtered_profile.profile")

之后用Snakeviz打开过滤后的文件：

py -m snakeviz filtered_profile.profile

2. Snakeviz界面直接过滤 #

Snakeviz顶部的搜索框支持模糊匹配，直接输入nerfstudio或nerfacto，就能只显示和目标模块相关的函数，不用提前处理文件。

更适合大型项目的性能分析工具 #

针对NerfStudio这类依赖PyTorch的大型训练项目，以下工具比cProfile更高效：

• py-spy：采样式分析，开销极低，适合长时间训练任务。安装后直接启动分析：

  # 启动训练时同时记录profile
  py-spy record -o profile.svg -- python -m ns-train nerfacto --data poster
  # 或者attach到已运行的训练进程（替换<PID>为进程号）
  py-spy record -o profile.svg -p <PID>
  

  生成的SVG可视化文件能清晰展示函数时间占比，默认不会追踪Python/PyTorch内置函数。

• torch.profiler：PyTorch官方工具，专门针对张量运算、CUDA操作优化。可以在训练代码中插入profiler逻辑：

  import torch.profiler
  
  # 在训练循环外初始化profiler
  with torch.profiler.profile(
      activities=[torch.profiler.ProfilerActivity.CPU, torch.profiler.ProfilerActivity.CUDA],
      schedule=torch.profiler.schedule(wait=1, warmup=1, active=3),
      on_trace_ready=torch.profiler.tensorboard_trace_handler("./profile_logs"),
      record_shapes=True,
      profile_memory=True
  ) as prof:
      for step in range(total_train_steps):
          # 你的训练步骤代码
          train_step()
          # 标记profiler步骤
          prof.step()
  

  之后用TensorBoard查看结果：

  tensorboard --logdir ./profile_logs
  

  可以精准过滤nerfacto模块的函数，还能分析CUDA内存和运算耗时。

• line_profiler：行级性能分析，适合定位具体函数内的瓶颈代码。给目标函数添加@profile装饰器后，运行：

  kernprof -l -v your_train_script.py
  

  需要注意适配NerfStudio的入口脚本，可能需要修改ns-train的启动逻辑来引入装饰器。

内容的提问来源于stack exchange，提问作者Youssef Haddouda