1. 【Document Link】/【文档链接】
   https://gitee.com/lytgogogo/mindscience/blob/master/MindSPONGE/applications/research/esm/src/gvp_utils.py

2. 【Issues Section】/【问题文档片段】
   该文件flatten_graph函数的tensor to numpy以及后续过程。
   

3. 【Existing Issues】/【存在的问题】
   Esm模型训练过程较慢，花费时间过长。以下为原因分析以及性能异常报告。
   Esm模型每个step训练时间在GPU中和昇腾910中性能对比如下：
   GPU：
   
   昇腾910：
   

昇腾910profiling：计算时间较长的算子均转为了float16进行运算。CPU.NPU时间均正常。
CPU耗时：78.16ms
NPU算子总耗时：1747.94ms

模型性能较差原因：
在gvp_utils中存在tensor to numpy的转换：

该过程只能转换为numpy进行。且存在动态shape问题：模型的edge_embedding过程需要调用flatten_graph函数。该函数以及该过程存在张量尺寸变化问题。
该问题导致模型无法转为静态图测试。

尝试解决方案：
尝试通过ops.nonzero()产生mask序号，并通过序号实现动态shape过程的平替。

该平替过程在gvp_utils的单个函数中可达到相同的效果，但在网络中由于nonzero会产生某一维度的shape为-1，该问题会导致网络后续无法继续计算，并导致大量报错。

ValueError: For 'Concat', element1 shape in input can not concat with element0. To perform concat in the axis 0 direction, except for the 0th axis, all other axes must have the same shape. But got element1_shape[0]: -1, element0_shape[0]: 16470.

4. 【Expected Result】【预期结果】
   昇腾910性能与GPU保持相当，并可以转换为静态图运算。