算子与计算图：从概念到实战
各位同学好，我是你们的老朋友。今天咱们聊聊算子与计算图。说实话，这两个概念是NPU算子映射的基石。我当年刚入行时，也是花了很长时间才真正搞明白它们之间的关系。
一、算子的基本概念
算子，英文叫Operator，在深度学习里就是"计算单元"。你可以把它想象成乐高积木里的基础块。每个块做一件特定的事，比如加法、乘法、卷积、池化。
我个人习惯把算子分成三类：
- 数学算子：加减乘除、指数、对数等
- 神经网络算子：卷积、池化、激活函数、归一化等
- 数据操作算子：reshape、transpose、concat等
举个例子，一个简单的卷积层，在计算图里其实是由多个算子组成的：
# 伪代码示例：一个卷积层的算子分解
input = Tensor(shape=[1, 3, 224, 224])
weight = Tensor(shape=[64, 3, 3, 3])
# 实际分解为多个算子
conv_result = conv2d(input, weight) # 卷积算子
bias_added = add(conv_result, bias) # 加法算子
activated = relu(bias_added) # 激活算子嗯，这里要注意：不同的框架对算子的粒度定义不一样。PyTorch可能把conv2d当做一个算子，但在底层编译器里，它会被拆成更细的im2col+gemm。我在项目中遇到过这种粒度不匹配导致的性能问题，后面会详细讲。
二、计算图的定义与表示
计算图，说白了就是算子的"流水线图"。它用图结构来描述数据是怎么流动的，算子是怎么连接的。
我建议你记住这个核心公式：
计算图 = 节点（算子） + 边（数据依赖）
每个节点代表一个算子，每条边代表张量（Tensor）的流向。比如：
# 一个简单的计算图示例
a = Tensor(2.0)
b = Tensor(3.0)
c = add(a, b) # 节点1：加法
d = mul(c, 2.0) # 节点2：乘法
e = relu(d) # 节点3：激活这个计算图长这样：a和b流入加法节点，结果流入乘法节点，再流入激活节点。数据是单向流动的，没有回路。
为什么会这样设计？因为深度学习模型本质上就是一个有向无环图（DAG）。你想想看，如果有了回路，训练时梯度传播就会出问题，对吧？
三、静态图 vs 动态图
这是面试高频题，也是实际开发中必须搞明白的。我直接说结论：
| 特性 | 静态图 | 动态图 |
|---|---|---|
| 定义时机 | 先定义后执行 | 边定义边执行 |
| 调试难度 | 较难（看不到中间结果） | 容易（可以随时打印） |
| 性能优化 | 容易（全局优化） | 较难（局部优化） |
| 典型框架 | TensorFlow 1.x, Caffe | PyTorch, TensorFlow 2.x |
静态图就像写剧本。你先写好所有台词和走位，然后演员照着演。好处是导演（编译器）可以全局优化，比如合并算子、消除冗余计算。
动态图就像即兴表演。你演一步看一步，灵活但不好优化。我记得有一次用PyTorch写模型，因为动态图的原因，调试起来确实方便，但部署到NPU上时，性能始终上不去。
我的建议：研究阶段用动态图（PyTorch），部署阶段转静态图（ONNX/TorchScript）。这样既保证了灵活性，又获得了性能。
四、核心知识体系
下面这张图是我自己画的，帮你理清本章的知识脉络：
五、避坑指南
我曾经在部署一个ResNet-50模型时，遇到过一个坑：PyTorch的动态图在训练时跑得好好的，但转成ONNX后，某些算子被合并了，导致精度对不上。
后来排查发现，是BatchNorm的推理模式在静态图里被优化掉了。解决办法是在导出时显式指定每个算子的行为。
警告：动态图转静态图时，一定要验证精度。我建议你准备一个测试集，对比转换前后的输出差异。差异超过1e-5就要警惕了。
另一个常见问题是算子粒度不匹配。比如NPU可能不支持某个自定义算子，这时候就需要手动分解成NPU支持的算子组合。嗯，这部分内容我们后面会专门讲。
好了，这一章就到这里。算子与计算图是理解NPU算子映射的基础，搞明白了这些，后面讲算子映射策略时你会轻松很多。