- 非连续转连续消除
由于底层实现的差异，GPU上可以只支持对于非连续的tensor进行操作而不会产生额外性能问题，对于NPU则需要插入非连续转连续算子。因此GPU上某些代码的写法会连续对一个非连续tensor操作，对NPU来说就会插入多余的转换算子造成性能下降。因此可以提前一把将非连续的tensor转连续，避免后续额外转换算子插入。
- 换轴reduce，换轴index
由于NPU上有些算子泛化性能较差，因此对于一些非尾轴reduce的算子以及一些非首轴的随机访存算子，优化有显著问题。此时可以先transpose做尾轴reduce或首轴随机访存，再transpose回来，可能性能更好。
- 亲和操作替换例如，将select转换为pointwise计算，将viewcopy转换为select等等。示例如下：
bboxes = torch.where(bboxes < min_xy, min_xy, bboxes) 可以换成 bboxes = torch.lerp(bboxes, min_xy, (bboxes < min_xy).float()) 可以用where assigned_gt_inds[pos_inds] = argmax_overlaps[pos_inds] + 1 assigned_gt_inds = torch.where(pos_inds, argmax_overlaps + 1, assigned_gt_inds) last_tags = tags[seq_ends, torch.arange(batch_size)]
- 使用NPU-Fast_GELU。GELU实现公式有很多，大致可以分为以下三个版本：
- Google-GELU，是PyTorch官方默认版本，NPU上没有对应的实现，这种实现性能也是最慢的（未证实）。
- OpenAI-GELU，也可以称作GPU的Fast_GELU，这个实现是Google-GELU的近似版本，PyTorch 2.0之后已支持，通过设置approximate='tanh'使能，实现比Google-GELU更快。当前NPU上默认是用这种实现的，所以说NPU的GELU等价于GPU的Fast_GELU，这种实现已经用于GPT训练，因此可以看作是业界主流。
- NPU-Fast_GELU，NPU的Fast_GELU是在OpenAI-GELU也就是GPU的Fast_GELU公式基础上，通过泰勒展开逼近得到的新公式，性能更快，同时在GPU上并没有对应的使用，有可能产生精度问题。
