使用mindspore lite 2.0转换的mindir模型，在Atlas 200 DK和Atlas 200I DK A2两块开发板上，后者推理速度慢十几倍？

仅仅特征提取环节的2个Conv2D算子计算循环数达到了172亿次，耗时14.16秒，占推理总耗时的97%，是什么原因？是硬件设计缺陷？还是mindspore lite的模型转换缺陷？

模型是在Mindspore2.0平台上训练的，导出为mindir格式，模型大小为126.5MB。

一、在Atlas 200 DK上试验，推理1.1s

软件配套：CANN 6.3.RC1 + Mindspore 2.0.0 + Mindspore lite 2.0.0

步骤：

（1）根据官方文档，使用Mindspore lite 的Python接口对原mindir模型进行转换（云侧工具），转换后大小为107.2MB；

（2）按照官方文档，使用Mindspore lite 的Python接口加载转换后的模型进行循环推理（云侧推理->基础推理），推理一次用时约1.1s（batch=5）。

推理时间见下图：

二、在Atlas 200I DK A2上试验，推理14.5s

软件配套，分别测试了2个版本，测试结果一致：

（1）默认镜像中包含的CANN 7.0.0. beta1 + Mindspore 2.0.0 + Mindspore lite 2.0.0 

（2）默认镜像中包含的CANN 7.0.0. beta1 + Mindspore 2.2.14 + Mindspore lite 2.2.14

步骤：

（1）根据官方文档，使用Mindspore lite 的Python接口对原mindir模型进行转换（云侧工具），转换后大小为106.1MB；

（2）按照官方文档，使用Mindspore lite 的Python接口加载转换后的模型进行循环推理（云侧推理->基础推理），推理一次用时约14.5s（batch=5）。

推理时间见下图

三、 Profiling数据采集分析

（1）使用Mindspore lite 2.0.0转换mindir模型后，能够同时生成.mindir和.om格式模型（Mindspore lite 2.2.14 没能生成om模型），因此可以使用Profiling pyACL API采集并落盘性能数据，得到数据 PROF_000001_20240902214031975_BMMFKPLFNFJRNJBA

（2）使用msprof工具解析性能数据

（1）执行命令，解析性能数据：msprof --export=on --output=./PROF_000001_20240902214031975_BMMFKPLFNFJRNJBA/

（2）得到mindstudio_profiler_output目录，包含以下数据文件

api_statistic_20240903190336.csv

ddr_20240903190336.csv

llc_read_write_20240903190336.csv

msprof_20240903190336.json

npu_mem_20240903190336.csv

op_statistic_20240903190336.csv

op_summary_20240903190336.csv

step_trace_20240903190336.csv

step_trace_20240903190336.json

task_time_20240903190336.csv

（3）查看其中的op_summary_20240903190336.csv和task_time_20240903190336.csv文件，发现有2个算子耗时特别多，共约14s左右，如何进行优化？是什么在Atlas 200 DK上没有出现这种情况？

任务用时见下图

算子用时见下图