问题一：

【问题描述】

在将MindSpore点云模型模型迁移到昇腾平台并使用ACL进行推理时，发现推理结果与预期不一致。经过排查，发现点云数据处理部分使用了transpose等操作，但在操作后没有对内存进行连续性处理，导致数据在内存中不是连续存储的。

【根本原因】

在MindSpore中，使用ops.Transpose()进行维度变换时，如果数据在内存中不是连续存储的，可能会导致一些问题。 transpose操作本质上是对张量进行维度重排，这种操作会改变张量的内存布局。具体来说：

1. ops.Transpose()不会实际移动数据在内存中的位置，而是通过修改张量的stride信息来实现维度变换
2. 这种变换会导致数据在内存中的存储顺序与逻辑顺序不一致，形成非连续存储
3. 需要注意的是，save和print等操作会对数据进行连续化处理，这会导致通过print和save很难定位到非连续存储的问题。

【解决方案】

在数据处理完成后，使用make_contiguous()方法确保数据在内存中是连续存储的。确保数据内存连续性 在数据处理管道中，特别是在使用transpose等维度变换操作后，需要显式确保数据的内存连续性： 具体修改如下：

- 示例代码：

```python
  import mindspore as ms
  import mindspore.ops as ops

  #原始可能有问题的方式
  data = ops.Transpose()(data, (0, 2, 1))  # 转置操作

  # 修正后的方式 - 确保内存连续性
  data = ops.Transpose()(data, (0, 2, 1))
  data = ops.Contiguous()(data)  # 显式确保内存连续



  ```
  - C++中使用Pybind11确保NumPy数组内存连续性的示例：
  ```cpp
  py::array_t<float> BinModelProcessBatch::make_contiguous(py::array_t<float> &input)
  {
      // 获取 numpy 模块
      py::module numpy = py::module::import("numpy");

      // 调用 numpy.ascontiguousarray() 确保内存连续性
      // 该函数会返回一个新的连续存储的数组，如果输入数组已经是连续的，则直接返回输入数组
      // 对于非连续数组，会创建一个新的连续存储的副本
      py::array_t<float> contiguous_array = numpy.attr("ascontiguousarray")(input);

      return contiguous_array;
  }
  ```

问题二：

【问题描述】

在MindSpore中使用ops.stack()函数进行张量堆叠操作时，当导出ONNX模型并转换为OM模型时，会遇到动态batch的问题，导致模型无法正常部署。

【根本原因】

1. ops.stack()函数会在新维度上堆叠张量，这会在ONNX模型中引入动态维度
2. 当使用ATC转换为OM模型时，昇腾平台对动态batch的支持有限，导致转换失败
3. ops.stack()操作会改变张量的维度结构，使得模型在推理时无法确定batch size

【解决方案】

使用ops.cat()函数替代ops.stack()函数，因为ops.cat()是在现有维度上进行拼接，不会引入新的维度，从而避免动态batch的问题。

附：
1、性能下降:
数据方面：磁盘IO，之前通过nfs挂载的方式，如果数据量大会，越往后性能越差出现训不动，建议使用本地存储，或者使用对象存储，比如minio。
算子层面：不同的算子底层实现不一样，方向传播会导致性能下降。
损失函数：损失函数选择不一样，导致收敛速度不一样，比如交叉熵损失函数，和mse损失函数。