我使用了Timeline对象来获取图中每个节点的执行时间：

• 您使用经典的sess.run() ，还指定了可选参数options和run_metadata
• 然后使用run_metadata.step_stats数据创建一个Timeline对象

这是一个测量矩阵乘法性能的示例程序：

import tensorflow as tf
from tensorflow.python.client import timeline

x = tf.random_normal([1000, 1000])
y = tf.random_normal([1000, 1000])
res = tf.matmul(x, y)

# Run the graph with full trace option
with tf.Session() as sess:
    run_options = tf.RunOptions(trace_level=tf.RunOptions.FULL_TRACE)
    run_metadata = tf.RunMetadata()
    sess.run(res, options=run_options, run_metadata=run_metadata)

    # Create the Timeline object, and write it to a json
    tl = timeline.Timeline(run_metadata.step_stats)
    ctf = tl.generate_chrome_trace_format()
    with open('timeline.json', 'w') as f:
        f.write(ctf)

然后，您可以打开Google Chrome浏览器，转到chrome://tracing页面并加载timeline.json文件。您应该看到类似以下内容：

要更新此答案，我们确实有一些针对CPU分析的功能，重点是推理。如果您查看https://github.com/tensorflow/tensorflow/tree/master/tensorflow/tools/benchmark，您会看到一个可以在模型上运行的程序，以获取每个操作的时间。

对于Olivier Moindrot回答下的fat-lobyte的评论，如果要在所有会话中收集时间线，可以将“ open('timeline.json', 'w') ”更改为“ open('timeline.json', 'a') “。

由于在谷歌搜索“ Tensorflow Profiling”时这是很高的，因此请注意，当前（2017年末，TensorFlow 1.4）获取时间轴的方法是使用ProfilerHook 。这适用于tf.Estimator中的MonitoredSessions，其中tf.RunOptions不可用。

estimator = tf.estimator.Estimator(model_fn=...)
hook = tf.train.ProfilerHook(save_steps=10, output_dir='.')
estimator.train(input_fn=..., steps=..., hooks=[hook])

您可以使用运行时统计信息提取此信息。您将需要执行以下操作（请查看上述链接中的完整示例）：

run_options = tf.RunOptions(trace_level=tf.RunOptions.FULL_TRACE)
run_metadata = tf.RunMetadata()
sess.run(<values_you_want_to_execute>, options=run_options, run_metadata=run_metadata)
your_writer.add_run_metadata(run_metadata, 'step%d' % i)

比只打印它更好的是，您可以在tensorboard中看到它：

此外，单击节点将显示确切的总内存，计算时间和张量输出大小。

作为Tensorflow 1.8的，有使用一个很好的例子tf.profile.Profiler 这里 。

公开发布中尚无此方法。我们知道这是一项重要功能，我们正在努力。