Excel宏编写：自动化分析TensorRT性能日志
在AI模型部署日益复杂的今天，一个训练好的深度学习网络从实验室走向生产环境，往往要经历重重考验。推理延迟是否达标？吞吐量能否支撑高并发？哪些层成了性能瓶颈？这些问题的答案，通常藏在TensorRT生成的那些密密麻麻的日志文件里。
工程师打开终端，运行推理脚本，重定向输出到.log或.csv文件——这一步不难。但接下来呢？面对几百行甚至上千行的层执行时间记录，手动翻找最耗时的操作、逐条比对优化前后的变化、给产品经理解释“为什么这个版本快了15%”，不仅枯燥，还容易出错。更别说团队协作中，每个人都有自己的一套分析方式，结论难以统一。
有没有一种方法，能让这些专业但晦涩的数据，快速变成直观的图表和清晰的报告？答案是：用Excel。
别笑。尽管它看起来像是财务人员的工具，但结合VBA宏，Excel完全可以成为一个轻量级、高效率的AI性能分析平台。尤其对于中小团队，不需要搭建复杂的可视化系统，也不必依赖Python脚本环境，一张表格+一段宏代码，就能完成从日志解析到趋势对比的全流程。
NVIDIA TensorRT作为当前GPU推理优化的事实标准，其核心价值在于将训练模型转化为极致高效的运行时引擎。它的优化手段相当硬核：把多个连续操作合并成一个CUDA内核（比如Conv+ReLU+BN一键融合），使用INT8量化压缩计算量，在特定GPU架构上自动挑选最快的算子实现。最终生成的.engine文件，几乎只保留前向传播所需的最小结构。
而这一切优化的效果，都体现在运行时的性能剖析日志中。通过启用IProfiler接口，你可以得到每一层的执行时间、内存占用、FLOPs利用率等关键指标。例如：
LayerName,Duration_ms,LayerType,Flops_Gflops "conv1",0.45,"Convolution",2.22 "relu1",0.12,"Activation",0.00 "fc_out",1.20,"FullyConnected",5.10 total inference,8.76,,114.2 FPS这类数据本质上就是结构化表格，天然适合Excel处理。问题在于，如何让非编程背景的同事也能一键导入、自动绘图、快速得出结论？
解决方案的核心，是一段VBA宏。
设想这样一个场景：测试同学刚跑完一轮新模型的推理，拿到了最新的性能日志。他双击打开一个名为TensorRT_Analyzer.xlsm的Excel文件，点击界面上的“导入日志”按钮，选择文件后几秒钟内，工作表中就填满了各层耗时数据，旁边自动生成柱状图，顶部显示总耗时和FPS。再点一下“对比历史版本”，另一组数据并列出现，差异一目了然。
这背后的技术其实并不复杂，却极大提升了整个团队的迭代节奏。
我们来看具体实现。首先，为了让宏能稳定读取日志，建议在TensorRT代码中规范输出格式。虽然原始日志可能是空格分隔的文本块，但最好改为CSV或TSV格式，避免正则匹配失败。以下是推荐的日志模板：
import tensorrt as trt class Profiler(trt.IProfiler): def __init__(self): trt.IProfiler.__init__(self) self.layer_times = [] def report_layer_time(self, layer_name, ms): self.layer_times.append((layer_name, ms)) # 使用方式 with engine.create_execution_context() as context: context.profiler = Profiler() # 执行推理... # 推理结束后导出为CSV with open("perf_log.csv", "w") as f: f.write("LayerName,Duration_ms\n") for name, time in context.profiler.layer_times: f.write(f'"{name}",{time:.3f}\n')有了结构化输入，VBA就可以安心做它擅长的事：数据搬运与展示。
下面这段宏代码，实现了完整的自动化流程——用户无需写公式、不用拖图表，所有操作由按钮触发：
Sub ImportTensorRTLog() Dim filePath As String Dim fileContent As String Dim lines() As String Dim i As Long Dim ws As Worksheet Set ws = ThisWorkbook.Sheets("PerformanceData") ' 清空旧数据 ws.Cells.Clear ' 文件选择对话框 With Application.FileDialog(msoFileDialogFilePicker) .Title = "请选择TensorRT性能日志文件" .Filters.Add "Text Files", "*.log; *.txt; *.csv" If .Show <> -1 Then MsgBox "未选择文件", vbExclamation Exit Sub End If filePath = .SelectedItems(1) End With ' 读取文件内容 Open filePath For Binary As #1 fileContent = Space$(LOF(1)) Get #1, , fileContent Close #1 ' 按行分割（兼容Windows/Linux换行符） lines = Split(fileContent, vbCrLf) ' 写入表头 ws.Cells(1, 1).Value = "LayerName" ws.Cells(1, 2).Value = "Duration_ms" ws.Cells(1, 3).Value = "LayerType" Dim row As Integer row = 2 ' 解析每一行（假设为逗号分隔） For i = 0 To UBound(lines) Dim parts() As String parts = Split(Trim(lines(i)), ",") If UBound(parts) >= 1 Then If IsNumeric(Replace(parts(1), """", "")) Then ws.Cells(row, 1).Value = Replace(parts(0), """", "") ws.Cells(row, 2).Value = CDbl(Replace(parts(1), """", "")) If UBound(parts) >= 2 Then ws.Cells(row, 3).Value = Replace(parts(2), """", "") End If row = row + 1 End If End If Next i ' 自动调整列宽 ws.Columns("A:C").AutoFit ' 创建图表 Call CreateChart(ws) ' 计算汇总指标 Dim total_time As Double total_time = Application.WorksheetFunction.Sum(ws.Range("B:B")) ws.Range("E1").Value = "Total Inference Time (ms):" ws.Range("F1").Value = Round(total_time, 3) ws.Range("E2").Value = "Average FPS:" ws.Range("F2").Value = Round(1000 / total_time, 2) MsgBox "日志导入完成！总耗时：" & total_time & " ms", vbInformation End Sub Private Sub CreateChart(ws As Worksheet) On Error Resume Next ' 避免重复创建图表时报错 ws.ChartObjects.Delete ' 删除旧图表 On Error GoTo 0 Dim chtObj As ChartObject Set chtObj = ws.ChartObjects.Add(Left:=300, Width:=400, Top:=10, Height:=250) With chtObj.Chart .SetSourceData Source:=ws.Range("A1:B" & ws.Cells(ws.Rows.Count, "B").End(xlUp).Row) .ChartType = xlColumnClustered .HasTitle = True .ChartTitle.Text = "TensorRT Layer-wise Inference Time" .Axes(xlCategory, xlPrimary).HasTitle = True .Axes(xlCategory, xlPrimary).AxisTitle.Text = "Layer Name" .Axes(xlValue, xlPrimary).HasTitle = True .Axes(xlValue, xlPrimary).AxisTitle.Text = "Time (ms)" End With End Sub这段代码有几个值得强调的设计细节：
- 错误容忍性：加入了基本的异常判断，比如跳过无法转换为数字的行，防止因个别格式错误导致整个宏崩溃。
- 用户体验优化：每次运行前清除旧图表，避免叠加混乱；自动调整列宽提升可读性。
- 扩展性强：字段预留了
LayerType列，后续可通过字典映射自动分类卷积层、注意力模块等，便于按类型聚合统计。 - 兼容性考虑：使用基础VBA语法和Excel内置函数，确保在Office 2016及以上版本均可运行，不受插件限制。
实际使用中，还可以进一步增强功能。比如增加“多文件批量导入”，用于生成不同优化策略下的性能对比图；或者加入条件格式，自动高亮耗时超过阈值的层（如>1ms）；甚至可以添加简单的回归测试逻辑，当某层耗时突增超过20%时弹出警告。
当然，也得面对现实挑战。企业环境中，出于安全策略，默认会禁用VBA宏。解决办法有两个：一是指导用户将该工作簿添加到“受信任位置”；二是对宏进行数字签名，提升可信度。此外，虽然Excel单表支持百万行数据，但对于超大规模模型（如Transformer类），仍需注意性能边界。
但从工程实践角度看，这套方案的价值恰恰在于“够用且简单”。它不像Grafana那样需要整套监控体系，也不像Jupyter Notebook那样要求人人会写Python。它的门槛足够低，连实习生都能上手；它的输出足够直观，项目经理一眼看懂优化成果。
更重要的是，它建立了一种标准化的分析范式。过去，每个工程师可能都有一套自己的脚本和图表风格，而现在，所有人共用同一份模板，结果可复现、过程可追溯。这对于性能回归测试、跨版本评估、客户交付文档都意义重大。
未来如果项目规模扩大，自然可以迁移到更强大的平台——比如用Python Flask构建Web服务，前端用Plotly动态展示，后端用Pandas处理历史数据。但在那个阶段到来之前，Excel+VBA依然是连接技术深度与协作广度的最佳桥梁之一。
这种“土法炼钢”式的工程智慧，在AI落地过程中其实屡见不鲜。真正的生产力，往往不是来自最前沿的技术，而是那些能把复杂问题变得简单的工具组合。TensorRT负责把模型压到极致，而Excel宏，则让这份极致变得可见、可感、可用。
