PyTorch框架全景介绍：
性能分析工具pytorch profiling
性能分析工具cann profiling
pytorch模型参数迁移(三种方法)：
方法一：将原来预训练好的模型参数迁移到新的resnet18网络架构中，只有迁移两者相同的模型参数，不同的参数还是随机初始化。
方法二：修改网络名称并迁移学习
方法三：去除原模型的某些模块
在npu上训练，必须使用混合精度
一般来说，衡量模型性能的数据是看单step单位时间内的数据吞吐量
查看模型算子耗时的工具是cann profiling
宏观查看模型性能的工具是pytorch profiling
cann profiling的模型性能数据比pytorch profiling的更准确。
以下方法可以提升模型性能：
arm架构下绑核启动程序
使用融合优化器
使用npu亲和算子
有动态shape的模型，可以使用如下方法进行训练：
固定shape
模糊编译
分档
arm架构下，使用绑核的方式启动模型训练，性能会得到一定的提升。
第一次训练模型启动比较慢，是因为模型在编译，第二次启动训练，速度会明显提升。
