使用自定义融合算子

原理

由于有些算子在device侧NPU上计算过快，而导致device侧需要等待HOST侧CPU下发任务进行计算。此等待过程就产生了性能瓶颈。自定义融合算子的更多内容请参见《图融合和UB融合规则参考》。

问题定位

1. 参见Profiling数据采集及分析在训练脚本中使能profiling。
2. 对照表1查看profiling数据中是否存在连续的小算子且耗时占用较多，对应到相应的代码行并进行优化。

亲和库详细内容请参见《支持Caffe&TensorFlow&ONNX&PyTorch算子清单》中“支持PyTorch API清单 > 亲和库”章节。

优化策略

将存在下发瓶颈的算子替换成自定义融合算子。如将transpose+matmul融合为matmul_transpose，add+softmax+dropout融合为npu_dropout_with_add_softmax，transpose+reshape融合为torch.npu_confusion_transpose。调优案例请参见自定义融合算子替换优化调优案例。