1. 直接上结果，最终性能调优对比如下：

注意的是，根据环境系统负载，数据存在一定波动。性能和精度表现一般，其实不太行，有同学调试的非常好，应该已经合并到仓库了，可以对比原始代码查看差异，得到一些启示，具体代码可见官方仓库：

（调优后）一位调试的很好的同学的代码：https://gitee.com/ascend/modelzoo/tree/master/contrib/TensorFlow/Research/nlp/char-level_cnn/CharCNN_tf_hw09124698

（调优前）官方原始代码：https://gitee.com/ascend/modelzoo/tree/master/contrib/TensorFlow/Research/nlp/char-level_cnn/CharCNN_tf_huangjinsai

2. 性能和精度调优过程（仅供参考，有同学做的更好，可以直接在论坛搜过相关经验分享帖）

首先来说，在默认脚本下，精度和性能都是不达标的，主要工作在于性能的提升，且要保证性能提升的同时，精度不下降（与GPU相比），还有就是精度提升。先来介绍一下：基于官方仓库的初始代码进行调试：

（1）调整batch size等超参数，寻求最佳超参数组合，具体一些尝试和结果如下：

觉得调参这方面提升不大，还有就是数据加载部分耗时很大，明显感受到等待时间很长，在依瞳环境下，一般需要接近20分钟时间，这个解决办法，qoooqqq同学给了一个办法，就是一次性获取完整epoch所需要的数据获得最优数据输入耗时！，具体介绍可参考他的帖子。

下面尝试下官方提供的性能调优工具。

（3）Auto Tune

这是一个官方提供的自动优化用的工具，在Terminal里执行即可，注意仅在该Terminal下有效，具体操作如下：

· 在新建的Terminal下执行如下命令：

如果报没有权限的错误，只要赋予其权限就行了，具体参考上述最后一条指令。之后执行你的代码，启动训练。

其实，和DS CNN类似，不太行，会报错，得到回复说是暂不支持动态shape。

下面是Profiling，这方面我没什么好的优化办法，上面提到的同学提出了一些方法，可以到上面帖子中参考。

总的来说，Ascend 910（NPU）和GPU各有优势，得益于AI Core的先天性优势，一般来说比GPU是要快的，但GPU的生态更加完善，这也是目前昇腾所努力的，经过黄金赛，看到了很多同学很好的尝试和努力，觉得他们还是很厉害的，有这样的开发者支持（当然还有很多企业的支持，记得有Powered by Ascend），昇腾的生态也在不断完善和发展，感受很深的是，遇到问题，工程师响应还是很迅速的，回答也比较专业，能迅速定位问题，查找解决办法，还能修改底层算子，执行力非常强大。在这之中，相比之下，自己还有很多不足，需要改进和努力，期待日后的中国软件开源创新大赛·第二赛道：开源任务挑战赛（模型王者挑战赛）能继续参与，尝试。

1. 直接上结果，最终性能调优对比如下：

注意的是，根据环境系统负载，数据存在一定波动。

2. 性能和精度调优过程

首先来说，在默认脚本下，DS CNN的精度基本是达标的，主要工作在于性能的提升，且要保证性能提升的同时，精度不下降（与GPU相比）。但是这里也进行了精度提升的调试，先来介绍一下：注意一下均在数据集划分test和val比例均为10%下，基于官方仓库的初始代码进行调试：

（1）调整batch size等超参数，寻求最佳超参数组合，在train.py的最下面涉及很多超参数，可以进行调试，我尝试了一些，但是精度影响不大，但是对性能有一定影响，暂时不做考虑，留作性能调优时调整。

（2）调整优化损失函数和优化器，一般来讲，损失函数或优化器改进对最终精度还是有比较大影响的，但是考虑到是复现，损失函数只做了一点调整，并未做太多或太大的改动，主要尝试了不同的优化器，一般来说，不同的优化器对收敛速度和最终精度有些影响，但这里发现原始代码的优化器比较好，虽然其他优化器可以更快，但是精度略有损失。

（3）Auto Tune

这是一个官方提供的自动优化用的工具，在Terminal里执行即可，注意仅在该Terminal下有效，具体操作如下：

· 在新建的Terminal下执行如下命令：

如果报没有权限的错误，只要赋予其权限就行了，具体参考上述最后一条指令。

之后执行你的代码，启动训练。

其实，这个不太行，会报错，得到回复说是暂不支持动态shape，但是可以运行一部分，得到一些优化，具体如下：

但是由于后来环境无法使用，这一部分未能合并到知识库中使用，所以不知道最终结果，但应该会有一点性能的提升。

之后也尝试过Profiling，具体分析耗时算子，但是暂未能找到相应优化办法。

在运行中，可以发现AI Core最高利用率为26%左右，且是间歇性的，一般都是0，这说明未能充分利用AI Core，应该把更多计算放到AI Core上进行，因为这是相比于参考对象GPU来说，Ascend 910或者说NPU最具有优势的地方，AI Core的计算效率胜于GPU，特别是对于CNN来说，未来应该还有优化空间，期待感兴趣的同学和大佬来尝试，官方原始提供的代码可到官方仓库查看，链接如下：https://gitee.com/ascend/modelzoo/tree/master/contrib/TensorFlow/Research/speech/ds-cnn/ds-cnn_tf_huangjinsai