承接上文《【CANN训练营】CANN训练营_昇腾AI趣味应用实现AI趣味应用（上）随笔》，我们接着来分析。

先来介绍下npu-smi工具，其功能类似于英伟达的nvidia-smi都是用来查看硬件状态和信息的，不同的是nvidia-smi是用来查看显卡信息的，npu-smi是用来查看昇腾处理器信息的，这里就是我们用到的Ascend 310。

通过这个命令可以实时查看昇腾处理器的信息，进行数据监控。还记得我们上次最后留了一个开放性问题吗？就是进行优化加速，因为之前除了模型处理外，余下操作基本是使用OpenCV等调用CPU完成，这里我们有很多可以加速的地方，将一些操作使用专用硬件电路来加速处理，从而实现性能的优化，下面来一一介绍。

DVPP

AIPP

AIPP是DVPP的补充和完善，更好地完成数据的处理，实现性能加速。

优化提升

优化提升，从本质上来，就是在实现基础功能的基础上，最大程度发挥硬件算力，从而实现性能的提升。一方面是要做亲和硬件的操作，这需要熟悉硬件特性，另一方面是找到当前性能瓶颈，针对性解决瓶颈，这样才是高效的工作方法，抓大放小，抓主要矛盾，不要过分注意那些细枝末节。

从本Demo，主要是分析数据预处理，模型推理和后处理三方面的性能问题，分别进行优化提升，下面一一分析。

数据预处理

介绍了这么多，来看看如何在我们这个项目上进行加速，具体介绍如下图所示：

如上图所示的橙色和黄色部分，就是我们可以用DVPP或AIPP来加速的。

其实，就是分析整个推理过程，查看哪些操作可以有专用硬件来代替，专用硬件电路要比CPU实现更加高效和快速，从而实现加速。

得益于acllite做了封装，使用DVPP和AIPP来加速还是比较简单的，来看下如下的示意图：

如果你希望了解更加详细的细节和底层的接口，可以到官仓查案acllite的代码和示例，我们这里是直接使用了。

后处理

后处理可以固定输出图片尺寸，从而实现性能提升，因为动态的过于灵活，对性能会有损失。其实，我们还可以将后处理做成单算子 + DVPP的操作，用硬件来取代当前的软件操作，应该能有很大的性能提升。

模型推理

前面都是数据处理方面，而模型推理本身还没有做性能优化，下面来看看对模型推理做优化，那就要对模型“下手”了。目前主要的方法是通过AMCT量化，其实质就是降低计算量，从我们朴素的思想来看，需要计算的少了，性能自然就提升了。

具体操作步骤如下，不过对于这个模型影响不大，可以不考虑。

其他调优方法

1. Tuning调优

2. AOE调优

3. 多Batch

简单来说，就是一次推理多张图片，相比于之前，一次只推理了一张图片，我们一次推理的多了，一般来讲能提升性能。但也不一定，因为如果模型本身在推理一张的时候，就已经占用了很多资源，多Batch可能提升不大，甚至可能因为数据量增加，带来数据搬运或切分的额外损失，就得不偿失了，但一般会有收获，值得一试。

4. 多线程

多线程加速应用广泛，适用范围很广，也适用于这里，一般是在硬件算力未能充分发挥的情况下，比如NPU的AI Core的利用率一直在20%左右，我们就可以考虑开启多线程加速，提高AI Core的利用率，从而提升性能。

下图是多线程处理视频文件的加速思路：

结语

总的来说，调优是最大程度发挥或者说压榨硬件性能，使得硬件利用率很高，实现性能的提升。调优是要具体问题具体分析的，思路大同小异，但具体做法却千差万别，要多积累，多分析，勤做记录和交流，才能有所收获。

最后宣传一波这次的活动，上图：