TorchNeuron 系统级性能分析教程：使用 AWS Trainium 定位推理耗时

TorchNeuron 教程演示如何使用 torch.profiler 和 Neuron Explorer 系统分析 AWS Trainium 上的推理性能。教程以 RMSNorm 的三种实现为例，对比算子耗时、CPU 时间和硬件执行链路，其中融合实现约需 376 µs 至 403 µs 设备时间，朴素实现为 2,355 µs。复现脚本提供在 torch-neuronx examples 目录中。