模型迁移：在NPU上正确使能混合精度

目标

在精度调优前，首先需要确保模型迁移成功且在NPU上功能调通。如果涉及分布式训练，确保正确使能。

特别需要注意的是，在迁移过程中，需要确保正确使能混合精度训练。

参考步骤

混合精度在NPU上使能可以使用如下两种主要方法，以达到性能、精度的最优权衡。需要注意，为了尽可能减少重复改图带来不期望的问题，以下方法需要确保仅使能一种。

1. 如果用户参考基准脚本使用了GPU的手动混合精度模式（参考链接），在模型中已经明确定义了所有的算子数据类型。那么迁移到NPU上时也保持同样的方式，并确保NPU的精度配置如下：

   针对Atlas 训练系列产品，使用“precision_mode”选项，取值为“allow_fp32_to_fp16”。

   针对Atlas A2 训练系列产品，使用“precision_mode_v2”选项，取值为“origin”。

2. 如果用户参考基准脚本使用了GPU的自动混合精度模式（参考链接），利用TensorFlow框架或者第三方接口(例如apex)能力，定义模型的算子数据类型。那么迁移到NPU上时也保持同样的方式，并确保NPU的精度配置如下：

   针对Atlas 训练系列产品，使用“precision_mode”选项，取值为“allow_fp32_to_fp16”。

   针对Atlas A2 训练系列产品，使用“precision_mode_v2”选项，取值为“origin”。