我在开发算子的过程中碰到了下面的问题：

1、现有的Ascend CL中的aclnndiag , aclnngemm等算子是否使用到了NPU芯片的所有32个核心，如果不是，是否有设置方法。

2、请问如何监控NPU的性能数据，比如核心使用率，数据传输量等

3、是否有办法用下标索引进行矩阵计算。场景描述如下：

预先在NPU中用类似数组的方法存储上百万个点，每个点都是连续的1024维*float的数据，是否可以通过指针或者下标索引，直接得出得出参与计算的矩阵的数据，
也就是说  通过索引直接指定数据的第2，6，8，3的矩阵进行计算，而不是通过malloc+copy操作创建新的矩阵。

区别在于前者没有创建矩阵的过程，后者的时间开销较为庞大

4、在测试过程中，通过for循环直接进行DEVICE到DEVICE的copy操作，为什么时间随循环次数是线性增加，是否考虑加入相应的编译优化？，以下为通过chorono进行计时得到的传输速率