Ascend平台模型迁移方法和步骤（PyTorch）

Ascend平台模型迁移方法和步骤（PyTorch）

1.NPU&Davinci硬件架构介绍

NPU又叫AI芯片，是一种嵌入式神经网络处理器，其与CPU、GPU明显区别之一在于计算单元的设计，如图所示，在AI Core内部计算单元进一步划分为矩阵运算，向量运算和标量运算。下面详细介绍一下各部分：

• Cube，负责矩阵运算，每次可完成一个fp16类型的16 * 16与16 * 16大小的两个矩阵相乘，相关操作包括matmul，Conv2d，linear等运算。
• Vector，负责向量运算，算力低于Cube，但灵活度高。Vector运算类型包括fp16，fp32，int32，int8
• Scalar，负责标量运算和程序流程控制，功能上类似于一个小型cpu

2.Ascend-Pytorch（1.8）安装

放一个Ascend官方安装教程，具体不再赘述。

3.Pytorch模型迁移指导

注意：这里所说的迁移只是指用Pytorch搭建的模型在Ascend系列硬件上训练，并不直接涉及MindSpore。

Pytorch的模型迁移共有三种方式，根据源代码的不同修改的难易程度也不同，因此修改时需要因‘’地‘’制宜

自动迁移

• 难度系数：一颗心

• 操作方式：只需要在训练脚本中添加下面一行代码即可跑通整个模型

  from torch_npu.contrib import transfer_to_npu
  

脚本转换工具迁移

• 难度系数：三颗心

• 操作方式：

  # 进入脚本转换工具所在路径（即脚本工具的安装路径）
  cd Ascend-cann-toolkit安装目录/ascend-toolkit/tools/ms_fmk_transplt/
  # 执行脚本转换
  ./pytorch_ _gpu2npu.sh -i 原始脚本路径 -0 脚本转换结果输出路径 -V 原始脚本框架
  # 查看结果
  

手工迁移，需要注意的点，已在下面列出

第一步——迁移准备（DDP&混合精度方式修改）

• 关于分布式:于NPU上的一 些限制，PyTorch需要使DistributedDataParallel(DDP), 若原始代码使用的是DataParallel(DP)则需要修改为DDP，DP相应的一些实现例如torch.cuda.common, 则可以替换为torch.distributed相关操作
• 由于npu天然的混合精度，因此需要使用apex对原始代码进行修改，如下图所示
  

第二步：单卡模型迁移（训练设备修改）

• 将设备从cuda切换至npu（具体示例参见文尾链接）

  torch.cuda→torch.npu
  

第三步：多卡模型迁移

• 将分布式通讯方式“nccl”改为“hccl”（具体示例参见文尾链接）

个人经验：可以先试着使用自动迁移的方式，在训练脚本中添加添加那一行代码，若不行的话则直接进行手动迁移

4.总结

• 了解了Pytorch是如何适配到昇腾平台上的

• 了解了Davinci硬件架构以及什么样的模型在昇腾上更亲和

• 了解了软件术语和Ascend-Pytorch的安装步骤

• 了解了如何将原生Pytorch的模型代码适配到Ascend-Pytorch

5.链接

昇腾CANN应用开发和Pytorch网络迁移学习文档