К основному содержанию
скилл CX Codex

huawei-cloud-msot-msopprof-operator-profiler — скилл для Claude Code

Скилл huawei-cloud-msot-msopprof-operator-profiler собирает метрики производительности отдельных операторов на NPU Ascend через утилиту msopprof и строит отчёты.

MIT 162 установок ★ 59 обновлён 2026-10-23

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add huaweicloud/huaweicloud-skills --skill huawei-cloud-msot-msopprof-operator-profiler -a claude-code
Открыть на GitHub

Что делает huawei-cloud-msot-msopprof-operator-profiler

Скилл автоматизирует профилирование вычислительных операторов на ускорителях Ascend NPU. Работа строится по цепочке: настройка параметров, запуск сбора данных через msopprof, генерация аналитического отчёта и экспорт результатов в базу данных профилирования. Поддерживаются два режима запуска: прямое измерение на физическом устройстве (device) и прогон в симуляторе (simulator), что позволяет сравнивать поведение операторов до деплоя на реальное железо.

Внутрь встроена база знаний с рецептами оптимизации частых операторов (Conv2D, MatMul, Attention, NMS) и примерами переноса моделей, включая разбор кейса YOLOv8s на Ascend 910B. Для разбора полученных дампов профилирования запускается скрипт python3 scripts/analyze_profile.py --data /path/to/output.

Системное профилирование всей ОС или сторонние ускорители не поддерживаются: инструмент строго ограничен операторным уровнем платформы Ascend. Без установленного пакета CANN версии 7.0.0 или выше, драйвера Ascend NPU и бинарника msopprof от 1.0.0 запустить профилирование не получится.

Какие задачи решает

  • Собрать метрики времени выполнения оператора на ускорителе Ascend NPU
  • Сравнить показатели оператора между реальным чипом и симулятором
  • Найти узкие места и вытеснения вычислений на CPU при инференсе
  • Сформировать отчёт профилирования с помощью скрипта аналитики

Примеры запросов агенту

  • Проанализируй задержки оператора через msopprof в режиме device с выводом в папку ./prof_out
  • Собери профиль выполнения для ./my_operator на Ascend NPU и сформируй отчёт
  • Сравни производительность оператора в симуляторе и на реальном устройстве Ascend

Как установить huawei-cloud-msot-msopprof-operator-profiler

1Через Skills CLI (Vercel)

npx skills add huaweicloud/huaweicloud-skills --skill huawei-cloud-msot-msopprof-operator-profiler -a claude-code

2Вручную: положить файлы

~/.claude/skills/huawei-cloud-msot-msopprof-operator-profiler/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/huawei-cloud-msot-msopprof-operator-profiler/

По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов

Вопросы о huawei-cloud-msot-msopprof-operator-profiler

Как установить huawei-cloud-msot-msopprof-operator-profiler в Claude Code?

Выполните в терминале команду npx skills add huaweicloud/huaweicloud-skills --skill huawei-cloud-msot-msopprof-operator-profiler -a claude-code. Файл спецификации сохранится по пути ~/.claude/skills/huawei-cloud-msot-msopprof-operator-profiler/SKILL.md.

Что делает этот скилл?

Он помогает агенту настраивать и запускать утилиту msopprof для замера скорости исполнения вычислительных операторов на чипах Ascend, экспортировать дампы и строить аналитические отчёты.

Какие системные зависимости требуются на машине?

Нужны установленные драйверы Ascend NPU, платформа CANN версии 7.0.0 или новее, инструмент msopprof не ниже 1.0.0, а также Python 3 и Bash.

Исходный текст

SKILL.md · MIT
---
name: huawei-cloud-msot-msopprof-operator-profiler
description: |
  Collect operator-level performance data on Ascend NPU using msopprof tool.
  Supports both device mode and simulator mode, generates performance analysis
  reports. Use this skill when the user wants to: (1) profile operator
  performance on Ascend NPU, (2) collect performance data for analysis,
  (3) identify performance bottlenecks through operator execution characteristics.
  Trigger: user mentions "msopprof", "profiler", "performance profiling",
  "operator profiling", "Ascend", "NPU", "profile data", "性能采集",
  "算子性能", "性能剖析", "算子耗时采集"
compatibility:
  - msopprof >= 1.0.0
  - CANN >= 7.0.0
tags: [Ascend, msopprof, profiler, operator]
allowed-tools:
  - python3
  - msopprof
  - bash
---

# Huawei Cloud msOT msopprof Operator Profiler

## Overview

This skill provides operator-level performance profiling capabilities for
Ascend NPU.

**Architecture**: Profiling Configuration → Data Collection → Report Generation
→ Analysis

**Related Skills**:

- `huawei-cloud-ascend-profiler-db-explorer` - Profiling database analysis and
  query
- `huawei-cloud-ascend-small-model-migrate` - Migration workflow that uses
  performance data

## Architecture Components

This skill involves the following cloud services and components:

- **msopprof**: Huawei Cloud operator profiling tool for Ascend NPU
- **CANN**: AI Computing Platform for NPU runtime support
- **Ascend NPU**: Target hardware for performance profiling
- **Profiling Database**: Storage for collected performance data

**Architecture Diagram:**

```text
┌─────────────────────────────────────────────────────────────┐
│           msOT msopprof Operator Profiler Skill            │
├─────────────────────────────────────────────────────────────┤
│  ┌──────────────┐    ┌──────────────┐    ┌──────────────┐ │
│  │  Profiling   │───▶│  Data        │───▶│  Report      │ │
│  │  Config      │    │  Collection  │    │  Generation  │ │
│  └──────────────┘    └──────────────┘    └──────────────┘ │
│         │                   │                   │          │
│         ▼                   ▼                   ▼          │
│  ┌──────────────┐    ┌──────────────┐    ┌──────────────┐ │
│  │  Mode        │    │  Operator    │    │  Data        │ │
│  │  Selection   │    │  Execution   │    │  Export      │ │
│  │  (Device/Sim)│    │  Monitoring  │    │              │ │
│  └──────────────┘    └──────────────┘    └──────────────┘ │
└─────────────────────────────────────────────────────────────┘
```

## Use Cases

**Typical Problem Scenarios:**

- Collecting operator-level performance data on Ascend NPU
- Profiling model inference performance
- Identifying performance bottlenecks through operator execution
- Comparing operator performance between device and simulator modes
- Generating performance analysis reports for model optimization

**Typical User Phrases:**

- "Profile operator performance on Ascend NPU"
- "Collect performance data using msopprof"
- "Generate performance analysis report"
- "Compare device vs simulator profiling"
- "Identify performance bottlenecks"
- "AscendCollectionOperatorPerformanceData"
- "msopprofPerformance"
- "PerformanceAnalysisReport"

## Scope

**Supported**:

- Operator performance data collection
- Device mode profiling
- Simulator mode profiling
- Report generation

**Not supported**:

- System-level profiling
- Non-Ascend platforms

## Core Workflow

### 1. Profiling Configuration

- Set up profiling parameters
- Configure collection mode (device/simulator)

### 2. Data Collection

- Execute profiling on target model
- Collect operator performance data

### 3. Report Generation

- Generate profiling reports
- Output performance metrics

### 4. Data Export

- Export data to profiling database
- Prepare for further analysis

## Enhanced Features

### Best Practices Knowledge Base

This skill integrates a searchable knowledge base containing migration success
stories and optimization patterns:

**Features:**

- **Case Study Repository**: Searchable database of migration success stories
  for common model architectures
- **Operator Optimization Recipes**: Proven optimization patterns with code
  snippets for common operators
- **Similarity Matching**: Recommends proven solutions based on model
  architecture similarity
- **Performance Patterns**: Collection of known performance patterns and
  anti-patterns
- **Expert Recommendations**: Curated tips from Ascend optimization experts

**Knowledge Base Structure:**

- **Case Studies**: YOLO, ResNet, UNet migration success stories
- **Operator Recipes**: Conv2D, MatMul, Attention optimization patterns
- **Performance Patterns**: Common bottleneck patterns and solutions
- **Expert Tips**: Optimization best practices from field experts

### YOLOv8 Migration Success Story

#### Model Information

- Model: YOLOv8s
- Input: 640x640
- Target: Ascend 910B

#### Challenges Encountered

1. **Issue**: NMS operator fallback to CPU

   - **Solution**: Implemented AscendC NMS operator
   - **Gain**: 30% latency reduction

2. **Issue**: Memory bandwidth bottleneck

   - **Solution**: Optimized data layout and batch processing
   - **Gain**: 15% throughput improvement

3. **Issue**: Custom activation function

   - **Solution**: Replaced with supported operators
   - **Gain**: Stable NPU execution

#### Final Results

- **Latency**: 8.2 ms → 5.1 ms (-37.8%)
- **Throughput**: 122 FPS → 196 FPS (+60.7%)
- **Accuracy**: 60.2% → 60.4% (+0.2%)

#### Key Takeaways

- Always check operator coverage before migration
- Implement custom operators for critical path
- Optimize memory access patterns

### Operator Optimization Recipes

- **Conv2D**: Padding overhead → Use native NPU padding (5-10% gain)
- **MatMul**: Memory layout → Optimal tiling config (10-15% gain)
- **Attention**: FlashAttention → Enable NPU FlashAttention (20-30% gain)
- **NMS**: CPU fallback → AscendC implementation (25-35% gain)

## Reference Documents

- [Acceptance Criteria](references/acceptance-criteria.md) - Functional
  acceptance criteria
- [Verification Method](references/verification-method.md) - Verification approach
- [Troubleshooting](references/troubleshooting.md) - Common issues and solutions

## Prerequisites

- msopprof >= 1.0.0 installed
- CANN >= 7.0.0 installed
- Ascend NPU driver installed
- Operator code to be analyzed

## Core Commands

```bash
# Collect operator performance data
msopprof --output=/path/to/output \
  --mode=device \
  ./my_operator

# Analyze performance report
python3 scripts/analyze_profile.py --data /path/to/output
```

## Parameter Confirmation

- **output**: Performance data output path (Required)
- **mode**: Collection mode (device/simulator) (Optional)
- **operator**: Operator executable file path (Required)

© huaweicloud · MIT · huaweicloud/huaweicloud-skills

Похожие скиллы

Все скиллы по теме «ИИ и ML» →
argent-react-native-profiler software-mansion Скилл argent-react-native-profiler для Claude Code профилирует приложение React Native с Hermes и находит медленные компоненты, лишние рендеры и горячие участки CPU. Агент запускает его для замеров до и после исправлений. CX Codex +1 32 500установок kubernetes-operator claude-code-skills Скилл kubernetes-operator помогает проектировать Kubernetes-операторы и проверять CRD и reconcile-функции. Пригодится при разработке контроллера или аудите готового оператора. CX Codex +1 503установок memory-profiler rohitg00 Плагин memory-profiler находит утечки памяти и помогает анализировать состояние кучи прямо во время работы с кодом в Claude Code. ★ 2 858звёзд репо cloud-operator официальный google Передаёт задачи по инфраструктуре Google Cloud агенту Cloud Operator через сервер MCP autocloud. Включается перед правкой Terraform и Kubernetes. CX Codex +1 ★ 24 522звёзд репо cloud-operator-share-context официальный google Скилл cloud-operator-share-context для Claude Code переносит сведения о работе с Google Cloud в память агента-оператора. Запускается по просьбе сохранить или импортировать контекст GCP. CX Codex +1 ★ 24 522звёзд репо local-ai-app-integration amd Скилл local-ai-app-integration для Claude Code и Codex. Переводит запросы из облачных API в локальный процесс Embeddable Lemonade, встраивая автономные модели в приложение на Windows или Linux. CX Codex +1 1 300установок

Из того же набора80

Весь набор →
huawei-cloud-msmodelslim-model-adapt Скилл huawei-cloud-msmodelslim-model-adapt для Claude Code и Codex для создания адаптеров моделей Transformers под msModelSlim. Проводит от разбора config.json до проверки квантованных весов. CX Codex +1 165установок huawei-cloud-ucs-policy-governor Скилл huawei-cloud-ucs-policy-governor управляет политиками Huawei Cloud UCS через hcloud: создаёт экземпляры, включает их на кластерах и проверяет соответствие. CX Codex +1 164установок huawei-cloud-msmodelslim-model-analysis Скилл huawei-cloud-msmodelslim-model-analysis для Claude Code и Codex оценивает архитектуру языковой модели перед написанием адаптера под msModelSlim. Определяет источник кода и риски квантования MoE. CX Codex +1 163установок huawei-cloud-cce-kubernetes-event-analyzer Скилл huawei-cloud-cce-kubernetes-event-analyzer вытаскивает события Kubernetes из кластеров Huawei Cloud CCE, собирает повторяющиеся ошибки и показывает, что сломалось в поде или неймспейсе. CX Codex +1 162установок huawei-cloud-cdn-traffic-anomaly-analysis Скилл huawei-cloud-cdn-traffic-anomaly-analysis смотрит режим оплаты CDN и метрики трафика домена через hcloud CLI, сравнивает текущее окно с базой за три месяца и показывает, где трафик вышел за норму. CX Codex +1 159установок huawei-cloud-apig-instance-management Скилл huawei-cloud-apig-instance-management управляет выделенными инстансами шлюза APIG в Huawei Cloud через hcloud CLI. Помогает создавать группы, настраивать троттлинг и диагностировать доступ. CX Codex +1 155установок huawei-cloud-install-openjiuwenswarm Скилл huawei-cloud-install-openjiuwenswarm для Claude Code автоматически загружает, настраивает и запускает JiuwenSwarm внутри контейнера разработки Huawei Cloud без ручного ввода команд. CX Codex +1 153установок huawei-cloud-ecs-sqlbot-deploy Скилл huawei-cloud-ecs-sqlbot-deploy создаёт X-инстанс на Huawei Cloud и разворачивает SQLBot — приложение для умных SQL-запросов. За один проход: сервер, группы безопасности, деплой через COC. CX Codex +1 149установок

Спонсоры проекта

Компании, которые помогают держать аналитику открытой