开局叠甲，我们都爱nihui~
看到nihui老师的测评文章，里面评测了CPU，GPU，NPU的性能，关于NPU性能这一点看到如下结论：
就产生了一个疑问，NPU为什么在如此极端构造case的情况下还远不及理论的算力呢？
能不能尽可能深的去挖掘，去猜测导致如此的可能原因呢？
再叠个甲，由于本人能力有限，文章的信息不一定准确，如有纰漏请指正。其次，对NPU信息的挖掘，完全基于个人过去所学知识的合理推测。
1. 算力计算公式的问题
文中公式是：
print('gi8ops = ', 800 * 800 * 3 * 3 * 102 * 102 * 10.0 / (1024 * 1024 * 1024) / duration * 2)
我理解的是：总共有10个conv，每个conv输出是1*800*100*100，kernel size是3*3， 输入channel大小也是800，于是总的MAC量是：
10*800*100*100*3*3*800*2 MACs，就是总的计算量；
总的计算量除以真实跑的时间就得到了OPS（Operations Per Second），除以10^9就得到了TOPS。
所以我稍微改了下计算公式得到的结果就如下所示：
"性能无损猛涨5.6%"
2. 深入挖掘NPU信息
我们了解NPU架构信息的方式是看书《AI处理器硬件架构设计》，毕竟大家的架构都差不多；
了解具体某款NPU信息的方式是看文档《NPU_SDK_User_Guide.pdf》；
而，作为普通用户，要弄清性能问题时，则需要看profiler报告，接下来我么就基于SDK来一步一步看怎么生成profiler，并解读profiler信息，并基于perf信息来推断NPU的一些关键参数。
##2.1 如何配置profiler参数
Sdk文档中有说可以dump profile数据的，在build cfg里面设置profile = True；
ps. 为了直接看最后生成的图长什么样子，我们要打开png输出选项，如上图所示。
这一步完成后，正常来说在执行指令cixbuild build.cfg之后，会生成最终的执行图，以及能输出profile报告的cix model文件，我们分两步走，先粗看下graph.png看下有什么端倪，其次带着这些疑问去生成最终的profiler报告，并在报告中找寻我们所需要的答案！
##2.2 解读graph.png
可以一打眼就看到的是，输入是多了个transpose，conv都有切分， 切分走的不是NHW而是Cout，为何图长这样？我们一个一个"推理"。
- transpose这里很好理解，是因为onnx支持data layout 为NCHW，而NPU这里是不支持NCHW，所以需要transpose层做转接，至于为什么不支持NCHW，这就是硬件架构相关的内容了，具体可参考《AI处理器硬件架构设计》。
这个transpose在整网中的占比多少？对算力的计算影响多大？我们留到后面章节的profiler报告解读环节解答。
- Conv之所以要做切分，是因为NPU是三核的，所以这里有切分,切Cout天然不会带入overlap，因此没选择切NHW；
但是切分就会涉及计算重叠、多核均衡、抢总线带宽等一系列问题，这些问题我们也等后面的profiler报告分析一并进行点评。
##2.3 生成profiler报告
来到了如何生成性能报告的部分了。
通常我认为在build.cfg里面设置了profiler=True，且板子上正常流程跑完后，是会输出一个性能原始数据，然后用cix_profiler就能生成性能报告；
实际情况是，默认跑完后并没有直接输出性能数据，而且我也不知道如何导出这个PerfData.bin数据，因此尝试去libnoe动态库内去看下API信息：
在开发板上我们找到/usr/lib/python3/dist-packages/libnoe.so动态库，查看CIX NOE UMD python APIs信息可以看到有Aipu_ioctl_tickcounter_t class接口, 而且有对应的IOCTL命令描述，
但遗憾的是折腾了好一会，并没有尝试成功。
因此，转向寻求其他方案，板子上找一下就能发现，有个aipu_profiler_test的工具，查看其使用方法，发现需要用到至少两个文件，aipu.bin/input.bin，现在问题是aipu.bin是怎么生成的？
直接说结论：cixbuild是一个封装脚本，我们看到里面就有aipu.bin的部分，cix打完包后就删除了，我们只要加点代码，提前把它抽出来就好了。
我们在~/anaconda3/envs/cix_npu/lib/python3.8/site-packages/AIPUBuilder/build_cix.py
下找到脚本源码, 稍微改下即可得到aipu.bin
然后放到板子上生成profiler 数据：
放回本地电脑生成报告，报告总览如下：
可以看到总耗时是94.072ms，与python推理耗时是94.531ms一致，得到的整网平均算力是：12.186TOPS
我们依次看下之前的几个问题：
######2.3.1 Transpose耗时总共3ms，对整网算力的计算影响不是很大；
我们假设数据是一直在读，同时也一直在写，pipeline起来了，那么整个op的平均读带宽是： 7.629MB / (2044399/1.2)ns = 4.48 GB/s，假设三核均衡抢占带宽，那么总的NPU带宽就是3*4.48GB/s=13.44GB/s，说明两个问题，要么axi总线带宽soc分给npu的不足，要么就是。。。
######2.3.2 我们看到mac利用率有40%跟74%左右的，40%的是因为crop融合了
为了看下能达到的上限我们单看mac利用率达到74%的conv算子，
该算子总共需要的计算量为：12*100*800 * 3*3*800 *2 = 13.824*10^9 OPS
消耗的时间为：2255952 cycles / 1.2 GHz = 1.88*10^-3 second
因此实际跑出来的最高算力为：7.35TOPS，注意这是单核的性能。
三核心的话（不考虑多核均衡、多核竞争），极限最好能达到7.35TOPS*3=22.05TOPS，已经很接近理论算力了。
PS. 标称28.8TOPS算力是这么来的，主频1.2GHz，三核算力，换算下来每个核心8TOPS/1GHz， 支持的算力大小是8Kops per cycle，由此我们可以推断出一些信息（根据《AI处理器硬件架构设计》），这里我们不推算。
注意看这里的带宽利用率也是不足的，可以推知之所以没跑满算力，大概率是带宽受限了，具体NPU的带宽上限能达到多少呢？
其实我们是可以设计实验来推测的，适当设计网络模型使得axi总线上NPU prefetch的合适，outstanding数量足够，就有可能打满ddr latency，从而实现满带宽，这个留到下一篇文章再做。
越写越多，写不完了，打住打住，三核均衡，抢带宽，计算overlap，切分策略等问题我们后面有机会再说。
小结： 实测来看，算力达成率在算子层面能达到74%，但是整网情况下受到硬件架构、模型特点、系统带宽、编译参数等因素的影响，仅能达到41.6%；