MindSpore在昇腾310上推理结果不稳定且出现GetNext算子错误

问题描述：

最近在昇腾310平台上部署一个基于MindSpore训练的目标检测模型时，遇到了两个比较棘手的问题：

1. 推理结果不一致：同一模型、同一输入数据多次推理，输出置信度波动较大，差值最高能达到15%左右，这严重影响了模型的可靠性。

2. 性能波动异常：部分批次的推理耗时从正常的平均50ms突然增加到200ms以上，且这种波动没有明显规律可循。

3. 特定错误日志：在某些情况下会出现 [ERROR] RUNTIME: aicpu kernel execute failed, fault kernel_name=GetNext的报错。

环境信息：

• 硬件：昇腾310加速卡（Atlas 300）

• 操作系统：Ubuntu 18.04.6 LTS

• MindSpore版本：1.8.1（Python 3.7）

• CANN版本：5.1.RC2

• 驱动版本：22.0.2

• 模型：YOLOv5s转换后的MindIR格式，输入尺寸为1×3×640×640

详细现象：

模型训练阶段一切正常，loss收敛良好。但在推理阶段，即使使用完全相同的输入数据，连续运行多次推理，模型的输出置信度会有明显差异。同时，推理时间也会出现不规律的突增，从监控数据看，NPU利用率在性能下降时并没有明显变化。

已尝试的解决方案：

1. 检查了数据预处理流程，确保输入数据格式和归一化方式与训练时完全一致

2. 尝试固定输入尺寸为640×640，但问题依然存在

3. 调整了batch size（从8降到4再到2），性能波动有所减少但未根本解决

4. 检查了内存连续性，在数据送入模型前添加了contiguous()操作

5. 配置了动态分辨率支持，设置了多个预设尺寸档位

6. 通过npu-smi info监控显存使用，未发现明显异常

核心疑问：

1. 昇腾310的GRAPH接口对动态尺寸输入的支持是否完善？是否需要强制固定所有输入尺寸？

2. GetNext算子错误通常与数据预处理流水线相关，但在简化预处理流程后问题仍然出现，是否有其他可能原因？