进阶调优

通过Profiling数据分析出性能瓶颈点，再进行对应的调优手段，需要开发者有丰富的调优经验，对开发人员要求较高。

• 通过对迭代轨迹数据进行分析，若发现“FP to BP Time”耗时较长，可进一步根据op_statistic_*.csv与op_summary_*.csv文件，分析耗时较长的算子。

  若分析算子性能数据时，发现ReduceSum算子的性能很差，可参见网络调测时ReduceSum算子性能差将算子配置到混合精度黑名单进行处理。

  若有AICPU算子，需要进一步分析AI CPU算子的时间段是否能被TBE算子（运行在AI Core上）的执行时间掩盖住，如果掩盖不住需要考虑将该AI CPU算子用TBE算子的方式进行实现，详细的实现方法可参见《TBE&AI CPU算子开发指南》。

• 通过对迭代轨迹数据进行分析，若发现“Data Aug Bound”即前端计算耗时较长，可进一步结合TensorFlow原生的Profiling工具，识别出计算无关操作，并将其进行屏蔽，从而提升单轮迭代性能。