通过Profiling数据分析算子问题，相关文件参数解释请参见《CANN 开发工具指南》（开放态）中的“性能分析工具使用指南”章节中“Profiling数据说明”章节。以下以E2E profiling数据采集方式为例。

通过profiling结果数据op_summary文件（./result/PROF_***/device_0/summary/op_summary_***.csv文件）分析调度任务执行时间，排查算子耗时。
按照Task Duration排序，找出高耗时算子。
通过profiling结果数据op_summary文件（./result/PROF_***/device_0/summary/op_summary_***.csv文件）分析算子类型。
按照Task Type排序，查看是否AI CPU算子耗时过高。
通过profiling结果数据op_statistic_文件（./result/PROF_***/device_0/summary/op_statistic_***.csv文件）分析算子调用总时间，排查是否算子总耗时较长。
按照Total Time排序，分析转换类算子是否耗时占比较大，如transdata、cast。
通过结合PyTorch profiling数据的json文件和CANN profiling获得的算子信息文件分析是否存在动态shape问题。
如果CPU轴无算子耗时，则排除调度问题。再结合算子信息文件，若算子耗时较大，则大概率为编译耗时，可能存在动态shape。