在 AI 计算场景中，算子的执行效率直接影响模型训练与推理的整体性能。Ascend C 作为面向昇腾 AI 处理器的算子开发语言，提供了丰富的编程接口与硬件抽象能力。然而，要充分发挥硬件潜力，开发者需要系统性地识别并消除性能瓶颈。本文从搬运、内存、API 使用、流水、Tiling 及头开销等六大方向出发，结合实际案例，总结了一套可复用的性能优化方法论，帮助开发者快速定位问题并实施有效优化。

在 AI 计算场景中，算子的执行效率直接影响模型训练与推理的整体性能。Ascend C 作为面向昇腾 AI 处理器的算子开发语言，提供了丰富的编程接口与硬件抽象能力。然而，要充分发挥硬件潜力，开发者需要系统性地识别并消除性能瓶颈。本文从搬运、内存、API 使用、流水、Tiling 及头开销等六大方向出发，结合实际案例，总结了一套可复用的性能优化方法论，帮助开发者快速定位问题并实施有效优化。

从GM读取数据方法错误：在`Init`中需要直接从GM中读取`rowPtr`以计算`startValIdx`和`endValIdx`，这个步骤在`SetGlobalBuffer`之前，而`GM_ADDR`的类型是，因此需要`reinterpret_cast<__gm__ uint32_t*>(rowPtr)`强转后读取，否则读取出来的数据错误导致精度问题。对于每一行，执行`CopyIn` -> `