设置线性度为单卡训练扩展到多卡，单机扩展到集群的效率度量指标，又名加速比（speed up），计算方式如下：
单机多卡总吞吐率，NLP在LLM语言大模型中以tokens/s为基本单位，在CV大模型中以samples/s为基本单位。
上述公式变换后可推出：
线性度的取值范围为0~1，数值越接近于1，其性能指标越好。
如果机器本身是多卡或多机的加速比接近高线性度（即线性度接近于1），说明在扩展时通信不是瓶颈，则通过改变或者增加通信带宽的性能提升，对于整体AI深度学习大模型训练的性能提升在通信问题中空间就会比较小。
当线性度不高（例如小于0.8）时，排除数据IO和CPU的本身因素影响后，可以判断此时分布式通信存在瓶颈。