rknn、torch.jit.trace、depth2space之间的影响和关系

    我在rv1126上部署超分模型，模型后面有一个pixelshuffle算子，用pytorch训练的pth模型直接转为rknn后，可以顺利进行量化，此时在netron中可以看到pixelshuffle变为了depth2space，但是通过rknn的耗时分析，发现depth2space特别耗时；    然后我发现当我用torch.jit.trace将pth模型转为pt模型后，再转为rknn模型并进行量化时，depth2space会被拆分为reshape、permute、reshape三个op，此时模型推理速度会加快，但推理结果有问题。
    随后我用rknn的准确性分析，分别对jit前后的两个rknn模型进行了分析，发现两个模型无论是输出的各层结果还是各层的余弦相似性都完全相同。但是使用rknn.inference链接板子进行推理时，非jit转换的模型就可以得到正确的结果，jit转换的模型就会出现错误。请问这种情况会是什么原因导致jit之后的rknn模型无法推理出正确的结果楠？准确性分析出现的"entire_qnt_error_analysis.txt"文件内容如下所示：
    未进行jit直接转换的余弦相似性结果如下：
   inputs_15_out0_nhwc_1_120_90_3.npy                                     u8        eculidean_norm=0.002681        cosine_norm=0.999996
   Resize__Resize_3_out0_nhwc_1_480_360_3.npy                           None        eculidean_norm=0.002681        cosine_norm=0.999996
   Conv__body.0_Conv_14_out0_nhwc_1_120_90_64.npy                       None        eculidean_norm=0.027703        cosine_norm=0.999616
   PRelu__body.1_PRelu_13_out0_nhwc_1_120_90_64.npy                     None        eculidean_norm=0.108149        cosine_norm=0.994152
   Conv__body.2_Conv_12_out0_nhwc_1_120_90_64.npy                       None        eculidean_norm=0.107276        cosine_norm=0.994246
   PRelu__body.3_PRelu_11_out0_nhwc_1_120_90_64.npy                     None        eculidean_norm=0.151476        cosine_norm=0.988528
   Conv__body.4_Conv_10_out0_nhwc_1_120_90_64.npy                       None        eculidean_norm=0.127811        cosine_norm=0.991832
   PRelu__body.5_PRelu_9_out0_nhwc_1_120_90_64.npy                      None        eculidean_norm=0.217819        cosine_norm=0.976277
   Conv__body.6_Conv_8_out0_nhwc_1_120_90_64.npy                        None        eculidean_norm=0.104153        cosine_norm=0.994576
   PRelu__body.7_PRelu_7_out0_nhwc_1_120_90_64.npy                      None        eculidean_norm=0.311085        cosine_norm=0.951613
   Conv__body.8_Conv_6_out0_nhwc_1_120_90_64.npy                        None        eculidean_norm=0.168560        cosine_norm=0.985794
   PRelu__body.9_PRelu_5_out0_nhwc_1_120_90_64.npy                      None        eculidean_norm=0.335073        cosine_norm=0.943863
   Conv__body.10_Conv_4_out0_nhwc_1_120_90_48.npy                       None        eculidean_norm=0.241604        cosine_norm=0.970814
   DepthToSpace__upsampler_DepthToSpace_2_out0_nhwc_1_480_360_3.npy         None        eculidean_norm=0.241604        cosine_norm=0.970814
   Add__Add_1_out0_nhwc_1_480_360_3.npy                                 None        eculidean_norm=0.033127        cosine_norm=0.999451
    进行jit后再进行转换的余弦相似性结果如下：
    x.1_0_out0_nhwc_1_120_90_3.npy                                       u8        eculidean_norm=0.002681        cosine_norm=0.999996
    upsample_nearest2d_at_base.1_13_15_out0_nhwc_1_480_360_3.npy         u8        eculidean_norm=0.002681        cosine_norm=0.999996
    convolution_at_input.2_1_1_out0_nhwc_1_120_90_64.npy                 u8        eculidean_norm=0.027703        cosine_norm=0.999616
    prelu_at_55_2_2_out0_nhwc_1_120_90_64.npy                            u8        eculidean_norm=0.108149        cosine_norm=0.994152
    convolution_at_input.4_3_3_out0_nhwc_1_120_90_64.npy                 u8        eculidean_norm=0.107276        cosine_norm=0.994246
    prelu_at_68_4_4_out0_nhwc_1_120_90_64.npy                            u8        eculidean_norm=0.151476        cosine_norm=0.988528
    convolution_at_input.6_5_5_out0_nhwc_1_120_90_64.npy                 u8        eculidean_norm=0.127811        cosine_norm=0.991832
    prelu_at_81_6_6_out0_nhwc_1_120_90_64.npy                            u8        eculidean_norm=0.217819        cosine_norm=0.976277
    convolution_at_input.8_7_7_out0_nhwc_1_120_90_64.npy                 u8        eculidean_norm=0.104153        cosine_norm=0.994576
    prelu_at_94_8_8_out0_nhwc_1_120_90_64.npy                            u8        eculidean_norm=0.311085        cosine_norm=0.951613
    convolution_at_input.10_9_9_out0_nhwc_1_120_90_64.npy                u8        eculidean_norm=0.168560        cosine_norm=0.985794
    prelu_at_107_10_10_out0_nhwc_1_120_90_64.npy                         u8        eculidean_norm=0.335073        cosine_norm=0.943863
    convolution_at_input.1_11_11_out0_nhwc_1_120_90_48.npy               u8        eculidean_norm=0.241604        cosine_norm=0.970814
    pixel_shuffle_to_reshape_0_at_120_12_12_acuity_mark_perm_18_out0_nhwc_1_48_120_90.npy         u8        eculidean_norm=0.241604        cosine_norm=0.970814
    pixel_shuffle_to_reshape_0_at_120_12_12_out0_nhwc_1_3_4_4_120_90.npy         u8        eculidean_norm=0.241604        cosine_norm=0.970814
    pixel_shuffle_to_permute_1_at_120_13_13_out0_nhwc_1_3_120_4_90_4.npy         u8        eculidean_norm=0.241604        cosine_norm=0.970814
    pixel_shuffle_to_reshape_1_at_120_14_14_out0_nhwc_1_3_480_360.npy         u8        eculidean_norm=0.241604        cosine_norm=0.970814
    add_at_42_14_16_acuity_mark_perm_19_out0_nhwc_1_480_360_3.npy         u8        eculidean_norm=0.241604        cosine_norm=0.970814
    add_at_42_14_16_out0_nhwc_1_480_360_3.npy                            u8        eculidean_norm=0.033127        cosine_norm=0.999451
麻烦有朋友遇到过该问题，或者瑞芯微工作人员看到的话，能帮忙解答一下，谢谢