学习向导

读者对象

本文档适用于AI算法工程师，用于将基于TensorFlow 1.15的Python API开发的训练脚本迁移到昇腾AI处理器上执行训练，并达到训练精度性能最优。当前昇腾AI处理器上支持TensorFlow 1.15的三种API开发的训练脚本迁移：分别是Estimator，Sess.run，Keras。

支持的产品型号

Atlas 训练系列产品

Atlas A2 训练系列产品

Atlas 推理系列产品（仅支持TensorFlow 1.15在线推理特性）

使用前须知

• 在昇腾AI处理器进行模型迁移之前，建议用户事先准备好基于TensorFlow 1.15开发的训练模型以及配套的数据集，并要求在GPU或CPU上跑通，精度收敛，且达到预期精度和性能要求。同时记录相关精度和性能指标，用于后续在昇腾AI处理器进行精度和性能对比。
• 本文中的代码片段仅为示例，请用户使用时注意修改适配。

模型开发向导

模型开发的主要工作就是将TensorFlow原始模型迁移到昇腾AI处理器上并执行训练，主要流程如下图所示。

图1 TensorFlow模型开发流程

迁移方式比较

将基于TensorFlow的Python API开发的训练脚本迁移到昇腾AI处理器上执行训练，目前有两种迁移方式，用户可任选其一：

• 自动迁移

  算法工程师通过迁移工具，可自动分析出原生的TensorFlow Python API和Horovod Python API在昇腾AI处理器上的支持度情况，同时将原生的TensorFlow训练脚本自动迁移成昇腾AI处理器支持的脚本，对于无法自动迁移的API，可以参考工具输出的迁移报告，对训练脚本进行相应的适配修改。

• 手工迁移

  算法工程师通过自行修改TensorFlow训练脚本，以支持在昇腾AI处理器上执行训练，该种方式较为复杂，建议优先使用自动迁移方式。

相关课程

您可以访问Link获取TensorFlow 1.15模型迁移和训练的在线视频课程。