如何从TensorBoard按tf.name_scope获取命名空间维度耗时汇总数据

• 方法1：调用TF内置Profiler接口直接输出聚合结果
  无需依赖TensorBoard面板的交互功能，直接在代码中接入原生profiler，即可自动按name_scope维度累加算子耗时，参考实现：

  import tensorflow as tf
  
  # 图模式（TF1.x/TF2.x兼容图模式）参考实现
  from tensorflow.python.profiler import model_analyzer
  from tensorflow.python.profiler import option_builder
  
  profiler = model_analyzer.Profiler(graph=tf.compat.v1.get_default_graph())
  run_options = tf.compat.v1.RunOptions(trace_level=tf.compat.v1.RunOptions.FULL_TRACE)
  run_metadata = tf.compat.v1.RunMetadata()
  # 替换为实际的模型执行调用
  sess.run(target_tensor, options=run_options, run_metadata=run_metadata)
  profiler.add_step(step=0, run_meta=run_metadata)
  
  # 配置统计规则：按name_scope聚合，按耗时排序，统计墙钟时间和调用次数
  stat_options = option_builder.ProfileOptionBuilder(
      option_builder.ProfileOptionBuilder.time_and_memory()
  ).order_by('micros')\
   .account_displayed_op_only(True)\
   .select(['micros', 'occurrence'])\
   .build()
  
  # 直接打印各name_scope的聚合耗时结果
  profiler.profile_name_scope(stat_options)
  

  如果是TF2.x eager模式，可使用tf.profiler.experimental.start(logdir)、tf.profiler.experimental.stop()包裹待统计的代码段，采集完成后调用tf.profiler.experimental.profile(logdir, options)配置按name_scope维度输出统计结果即可。
• 方法2：自定义解析trace文件做聚合
  你通过tf.summary.trace_export导出的trace为标准Chrome Trace格式JSON文件，可通过简单脚本自行统计：
  1. 加载JSON文件，筛选出cat字段为Op、ph字段为X的算子执行事件
  2. 每个事件的name字段包含完整name_scope路径，按路径分隔符/即可提取事件所属的各层级scope
  3. 按scope分组累加所有事件的dur字段（单位为微秒），即可得到对应模块的总墙钟耗时
• 方法3：采集完整profiler数据使用TensorBoard聚合面板
  你当前TensorBoard仅显示Trace Viewer和Graph页面，是因为仅导出了基础trace数据，未采集完整profiler采样信息。将手动导出trace的逻辑替换为tf.profiler.experimental.start()/tf.profiler.experimental.stop()包裹待统计代码，重新生成日志后打开TensorBoard，Profile页会自动加载Op Profile面板，支持按name_scope层级展开查看各模块的聚合CPU/GPU总耗时、耗时占比等统计数据。

注意：如果模型使用tf.function编译，需将with tf.name_scope(...)代码块写在被@tf.function装饰的函数内部，避免scope前缀无法正确绑定到编译后的算子，导致聚合结果不准。

内容的提问来源于stack exchange，提问作者Gareth Williams