一站式
在消费电子领域，性能的重要性不言而喻，是产品竞争力的核心因素之一。
当一个系统软件工程师整合算法嵌入式系统软件教程，打造一个核心卖点的时候，如何确定这个卖点最终的性能值？
1.1 性能天花板
算法耗时理论上限为：算法计算量÷硬件工作频率=完成算法耗时。但单靠理论推导很难得到这个耗时准确值。一般在纯系统中写一个demo来跑算法，这个值就是当前算法耗时上限。在集成到具体的产品系统版本中时，必然会分配一部分算力去处理其他事情或者增加一些前后处理步骤，这些都会增加耗时。
1.2 性能限制
需要考察目前市场上相同功能竞品（需为同一芯片）的表现，或者相同算法的产品在性能较差的上一代芯片上的表现，作为该功能执行时间的下限。
这样，当算法融入到系统中，时间消耗落在上述性能范围内时，功能就能满足要求了。（理论上越接近性能极限越好，但对工程师的要求会越来越严苛，时间消耗和周期也会越来越长，对销售来说未必就是最优解，这种投入也存在边际效益递减的现象，好的产品经理总能设计出一个性能边界点，对销售来说就是最优解。）
2-拆卸
当一个算法融入到系统中，一个功能完成之后，验证效果之后的下一步应该是拆解和性能捕获。一般这个不管是被动还是主动都是一样的，需要汇报功能所花费的时间（主动），或者被 Bug 驱使去拆解（被动）。
2.1 算法应用环节各模块性能数据分析
单一算法
单个算法的集成一般需要统计的时间，包括init（准备算法handle不耗时，有些AI算法需要加载模型，耗时）、preprocess（准备算法需要的参数和数据，对于图形的话，如果需要对图形进行裁剪和变换，则耗时）、process（算法处理耗时）、以及整体的时间。
多种算法的组合
班级。
2.2 统计分析方法
如果需要计算平均值，可以在代码中添加静态属性变量来统计。或者在稳定的环境下抓取 trace（用 perfetto 查看）。这个不太准确，有一定的波动，但能更好地反映当前算法运行的更多详细信息。（网上有很多关于如何抓取 trace 的教程。）
3-分析
一般是这里出现了性能问题，通过上面的性能分析，一般可以看看是哪个模块出现了性能问题嵌入式系统软件教程，或者使用性能优化杀手 simpleperf 抓取并生成相应的火焰图，对大平面层相应接口进行分析和优化。（关于 perf 的使用以及火焰图的生成，网上也有很多教程）
4-定律
4.1 流程优化
性能公式：算法计算量÷硬件工作频率=完成算法的时间，但这仅针对单个纯算法而言。系统往往需要整合多种算法的组合才能实现一个功能，所以流程优化在这里非常重要。比如多线程并行执行算法，以优化性能。这里的多线程还需要考虑尽可能将算法放在不同的硬件上，以充分利用硬件；将重复执行的小算法抽取出来，一次执行完，等等。
4.2 数据传输优化
尽可能摆脱 memcpy 并使用零拷贝。选择合适的硬件进行数据转换。
4.3 牺牲空间换取时间
预应用过程中所需的缓冲内存、提前加载AI模型等
4.4 代码和算法优化
通过跟踪和火焰图，我们可以找到代码中的冗余，并强制对算法进行纯粹的优化。
4.5 硬件优化
通过Snapdragon profile（高通平台）或者met（MTK平台）观察算法执行过程中硬件频率，有无频率提升或者核心绑定的空间。
可以进一步观察硬件之间数据传输的带宽是否是性能的瓶颈，并进行优化。可以使用相应的系统命令来操纵任务事件的优先级。（嗯，这个目前作者还很难做到。）
以上是我对算法集成性能优化的一些浅见，欢迎大家提出意见和建议。
