（推荐）自动迁移

简介

支持PyTorch 1.8.1、1.11.0、2.0.1、2.1.0版本。自动迁移方式较简单，且修改内容最少，只需在训练脚本中导入库代码。

使用方法

1. 配置环境变量。

   export PYTHONPATH={CANN包安装目录}/ascend-toolkit/latest/tools/ms_fmk_transplt/torch_npu_bridge:$PYTHONPATH

2. 在训练脚本中导入以下库代码。

   import torch
   import torch_npu
   .....
   import transfer_to_npu

3. 参考模型训练执行训练。查看训练后是否生成权重文件，生成了如下图文件则说明迁移训练成功。

   

   若训练过程中提示部分cuda接口报错，可能是部分API（算子API或框架API）不支持引起，用户可参考以下方案进行解决。

   • 参见PyTorch Analyse迁移分析工具对脚本进行分析，获得支持情况存疑的API列表，进入昇腾开源社区提出ISSUE求助。
   • 参见以下步骤，将部分不支持的算子API移动至CPU运行。
     1. 参见《CANN 软件安装指南》中安装PyTorch > 编译安装PyTorch ”章节获取Ascend PyTorch源码包。
     2. 进入获取后的源码包目录，修改“npu_native_functions.yaml”。

        cd pytorch/torch_npu/csrc/aten
        vi npu_native_functions.yaml

        在“tocpu”配置下添加算子API名称。

        tocpu:
          - angle
          - mode
          - nanmedian.dim_values
          - nansum
          - native_dropout
          - native_dropout_backward
          - poisson
          - vdot
          - view_as_complex
          - view_as_real

     3. 参见《CANN 软件安装指南》中安装PyTorch > 编译安装PyTorch ”章节获取Ascend PyTorch源码包。
     4. 重新进行迁移训练。
   • 参见《TBE&AI CPU算子开发指南》中“算子开发过程>算子适配>适配插件开发（PyTorch框架）”进行算子适配。