PyTorch框架提供与算子编译相关的二进制配置参数，可设置模型编译时是否优先在线编译，以此优化模型训练性能。参数配置代码如下，可设置True或False。当前针对Atlas 训练系列产品，若不添加以下代码则默认为True。

torch_npu.npu.set_compile_mode(jit_compile=False)

用户可根据模型是固定shape或动态shape配置该参数以提高性能。

用户在模型训练后，可参见PyTorch Analyse迁移分析工具，使用“dynamic_shape”模式，添加动态分析代码并运行脚本，根据分析结果判断为固定shape或动态shape，然后选择如下配置：

固定shape场景：固定shape是指在模型计算过程中，模型的输入和输出的shape是固定的。推荐保持默认设置True。根据当前获得的算子信息，进行融合和优化，在线编译出运行性能更优的算子。若设置为False，则编译优化少，性能降低。
动态shape场景：动态shape是指在模型计算过程中，模型的输入和输出存在多种shape。推荐配置为False，优先查找当前编译好的算子二进制配置文件，若存在则不在线编译算子；若不存在，再进行在线编译。此时虽然编译优化少，但是没有编译时间，模型训练性能大概率比配置为True时高。

若将开关设置为False，则需安装二进制算子包，安装请参考《CANN 软件安装指南》中“常用操作 > 安装、升级和卸载二进制算子包”章节。

动态shape场景下，在模型脚本的main_worker函数中配置进程级别的开关，配置为False。
```
torch_npu.npu.set_compile_mode(jit_compile=False)
```
配置位置根据不同的训练拉起方式存在差异。
- 单卡训练。正常拉起方式需将代码使能在main函数开始位置，mp.spawn方式拉起需配置在main_worker函数中，保证全部进程拉起时配置生效。
  - 正常拉起：
```
if __name__ == '__main__':
    torch_npu.npu.set_compile_mode(jit_compile=False)
    main()
```
  - mp.spawn方式：
```
    mp.spawn(main_worker,...)
...
def main_worker():
    torch_npu.npu.set_compile_mode(jit_compile=False)
```
- 多卡训练。shell脚本、Python方式与单卡正常拉起方式配置相同，mp.spawn方式拉起需配置在main_worker函数中，保证全部进程拉起时配置生效。
  - shell脚本、Python方式：
```
if __name__ == '__main__':
    torch_npu.npu.set_compile_mode(jit_compile=False)
    main()
```
  - mp.spawn方式：
```
    mp.spawn(main_worker,...)
...
def main_worker():
    torch_npu.npu.set_compile_mode(jit_compile=False)
```

算子二进制调优