在昇腾310上，使用了多种yolo的模型，包括yolo5s，yolo5n，yolo11n，yolo11l，都进行过不同batch的推理测试，试验结果均呈现：推理耗时随着batch增加呈现线性增大

其中，onnx转om模型，两种转换方式都有尝试过

静态转换：atc --model=yolov11n.onnx --framework=5 --output=yolov11n-body-fp16 --input_format=NCHW --input_shape="images:N,3,640,640" --log=error --soc_version=Ascend310 --precision_mode=force_fp16

动态转换：atc --model=yolov11n.onnx --framework=5 --output=yolov11n-body-fp16 --input_format=NCHW --input_shape="images:-1,3,640,640" --dynamic_batch_size="1,2,4,8,16" --log=error --soc_version=Ascend310 --precision_mode=force_fp16

两种方式得到的om模型，在推理耗时上基本上都是随着batch增加呈现线性增大，比方说我不设置batch时，模型推理耗时5ms，但是使用了batch=16时，耗时为80ms，差不多16倍；

问题1：我发现使用dynamic_batch_size，模型的输入都会按照设置的最大batch作为输入，在申请内存时，也会按照最大batch去申请，所以不知道dynamic_batch_size有什么作用？

问题2：为什么模型推理耗时上基本上都是随着batch增加呈现线性增大，不应该像GPU那样，在一定范围内，随着batch增加，模型的推理耗时基本上不会变，甚至更小吗？310上有什么方式可以做到该功能？