Atlas系列硬件: Atlas 200l DK A2 开发者套件; Atlas 200l DK 开发者套件（型号：3000）; 加速模块、加速卡、智能小站、服务器、集群

异构计算架构: CANN社区版; CANN商用版

AI框架: MindSpore; TensorFlow框架模型（社区版）; TensorFlow框架模型（商用版）; PyTorch框架适配

昇腾推理引擎: MindIE

应用使能MindX: MindX DL; MindX Edge; MindX SDK

全流程开发工具: MindStudio

接口列表

用户可以基于深度学习框架TensorFlow 2.6.5进行训练或在线推理脚本的开发，TF Adapter提供了适配TensorFlow 2.6.5框架的用户接口。

图1 TF Adapter接口

接口路径：{install_path}/python/site-packages/npu_device。

表1 TF Adapter接口列表
接口名称	接口简介
npu.open	用于注册NPU设备，当前必须连续调用as_default设置NPU为默认设备。
npu.global_options	返回NPU设备初始化全局单例配置对象，通过修改该全局单例对象的属性值，可以控制NPU设备初始化时的选项。该接口必须在调用npu.open接口初始化NPU设备前完成设置。
npu.distribute.all_reduce	用于NPU分布式部署场景下，worker间的聚合运算。
npu.distribute.broadcast	用于NPU分布式部署场景下，worker间的变量同步。
npu.distribute.npu_distributed_keras_optimizer_wrapper	在更新梯度前，添加npu的allreduce操作对梯度进行聚合，然后再更新梯度。该接口仅在分布式场景下使用。
npu.distribute.shard_and_rebatch_dataset	用于NPU分布式部署场景下，不同worker上数据集分片及batch大小调整。
npu.keep_dtype_scope	指定哪些算子保持原有精度，如果原始网络模型中的算子精度在昇腾AI处理器上不支持，则系统内部自动采用算子支持的高精度来计算。
npu.set_npu_loop_size	用于设置NPU循环下沉执行时的循环次数。
npu.train.optimizer.NpuLossScaleOptimizer	NPU提供的LossScaleOptimizer，浮点计算的溢出模式为“饱和模式”的场景下，由于NPU上的溢出运算不保证输出Inf或者NaN，所以此种场景下，使用LossScaleOptimizer的脚本应当替换为该优化器，来屏蔽溢出检测的差异。
npu.ops.gelu	计算高斯误差线性单元 (GELU) 激活函数。将输入Tensor乘以1个P(X <= x)，其中P(X) ~ N(0, 1)。
set_device_sat_mod	设置针对浮点计算的进程级溢出模式，当前可支持两种溢出模式：饱和模式与INF/NAN模式。饱和模式：计算出现溢出时，计算结果会饱和为浮点数极值（+-MAX）。 INF/NAN模式：遵循IEEE 754标准，根据定义输出INF/NAN的计算结果。

父主题： TF Adapter 2.x