TorchNeuron 剖析（一）：在 AWS Trainium 上做系统级性能分析

教程从零介绍如何用 torch.profiler 配合 Neuron 后端抓取干净的性能轨迹，通过 key_averages() 表定位占用 Neuron 设备时间的 ATen 算子，并用 Neuron Explorer 追踪一次算子从框架分发、运行时调度到 NeuronCore 硬件执行的全过程。以 RMSNorm 为例对比三种实现：朴素逐算子约 2355 微秒、torch.rms_norm 约 403 微秒、torch.compile 约 376 微秒，后两者融合为单次内核调度，设备时间约为前者的六分之一。