Was macht kernel-profiler-skill?
Kernel-Profiler-Workflow für CUDA- und Triton-Kernel mit Nsight Compute, standardisierten Berichten, visueller Analyse und vendor-portablen Adaptern.
Überblick
Dieser Skill bietet einen automatisierten Workflow zur Profilerstellung von CUDA- und Triton-Kernels mit Nsight Compute (ncu). Er erzeugt standardisierte Berichte, erlaubt visuelle Analyse (z. B. Flamegraph), und stellt Adapter bereit, um Ergebnisse plattformübergreifend zu verwenden.
Unterstützte Plattformen
- Claude Code
- Cursor
- Codex (z. B. Windsurf)
Funktionsweise
- Kernel-Profiling – Führt
ncuauf einem angegebenen CUDA- oder Triton-Kernel aus und sammelt Metriken (Speichernutzung, Rechenleistung, Latenz). - Berichterstellung – Wandelt rohe Profiling-Daten in ein standardisiertes JSON-Format um (z. B. mit Metadaten wie Kernel-Name, Blockgröße, Registerverbrauch).
- Visuelle Analyse – Generiert Flamegraphen oder Tabellen zur Engpassidentifikation.
- Vendor-Portable Adapter – Konvertiert Ergebnisse in andere gängige Formate (z. B. Chrome Tracing, Parquet) für Cross-Plattform-Vergleiche.
Verwendung
# Beispiel für ncu-Aufruf
ncu --set full --kernel-name my_kernel --call-passes 1 -o profile_out ./my_cuda_program
Konfiguration
Umgebungsvariablen (optional):
NCU_PATH– Pfad zum ncu-Binary (Standard:ncu)OUTPUT_DIR– Verzeichnis für Berichte (Standard:./profiles)
Abhängigkeiten
- Nsight Compute CLI (ncu)
- Python 3.8+ mit
json,subprocess,matplotlib(für Flamegraph)
Beispielausgabe
{
"kernel": "my_kernel",
"duration_ns": 1234567,
"registers_per_thread": 32,
"shared_memory_bytes": 4096
}
Lizenz
MIT