Update 48.md

docs/1.7/48.md

@@ -182,6 +182,12 @@ def forward(self, x : torch.Tensor) -> torch.Tensor:
 
 让我们将分析器与 Chrome 跟踪导出功能一起使用，以可视化并行模型的性能：
 
+```py
+with torch.autograd.profiler.profile() as prof:
+    ens(x)
+prof.export_chrome_trace('parallel.json')
+```
+
 此代码段将写出名为`parallel.json`的文件。 如果您将 Google Chrome 浏览器导航到`chrome://tracing`，单击`Load`按钮，然后加载该 JSON 文件，则应该看到类似以下的时间轴：
 
 ![](img/6b495cb0cd4336a2469d9f07696faa3e.png)
@@ -230,4 +236,4 @@ def forward(self, x : torch.Tensor) -> torch.Tensor:
 
 ## 总结
 
-在本教程中，我们学习了`fork()`和`wait()`，这是在 TorchScript 中执行动态，互操作并行的基本 API。 我们看到了一些典型的使用模式，这些模式使用这些函数并行执行 TorchScript 代码中的函数，方法或`Modules`的执行。 最后，我们通过一个使用该技术优化模型的示例进行了研究，并探索了 PyTorch 中可用的性能测量和可视化工具。
\ No newline at end of file
+在本教程中，我们学习了`fork()`和`wait()`，这是在 TorchScript 中执行动态，互操作并行的基本 API。 我们看到了一些典型的使用模式，这些模式使用这些函数并行执行 TorchScript 代码中的函数，方法或`Modules`的执行。 最后，我们通过一个使用该技术优化模型的示例进行了研究，并探索了 PyTorch 中可用的性能测量和可视化工具。