手工迁移

简介

手工迁移需要用户对AI模型有迁移基础，了解GPU与NPU的代码的异同点以及各种迁移手段。手工迁移过程中各个模型的迁移方法均有不同，下文给出手工迁移的核心要点。

使用方法

• 单卡迁移
  1. 导入NPU相关库。

     import torch
     import torch_npu  

  2. 迁移适配GPU的模型脚本，指定NPU作为训练设备。指定训练设备有两种方式，迁移前后样例代码如下：
     • .to(device)方式：该方式可以指定需要的训练资源，使用比较灵活，定义好device后可通过xx.to(device)的方式将模型或数据集等加载到GPU或NPU上，如model.to(device)。
       迁移前：

       device = torch.device('cuda:{}'.format(args.gpu))

       迁移后

       device = torch.device('npu:{}'.format(args.gpu))

     • .cuda（迁移前）和.npu（迁移后）方式：该方式不会自动使用GPU或NPU，需要以xx.cuda()或xx.npu()的方式将模型数据集等加载到GPU或NPU上，如model.cuda()。
       迁移前：

       torch.cuda.set_device(args.gpu)

       迁移后：

       torch_npu.npu.set_device(args.gpu)

  3. 替换CUDA接口：将训练脚本中的CUDA接口替换为NPU接口，例如CUDA接口、模型、损失函数、数据集等迁移到NPU上。常见替换接口请参见PyTorch接口替换。更多接口请参见API列表章节。
     1. CUDA接口替换为NPU接口。
        迁移前：

        torch.cuda.is_available()

        迁移后：

        torch_npu.npu.is_available()

     2. 模型迁移。
        迁移前：

        model.cuda(args.gpu)

        迁移后：

        model.npu(args.gpu)

     3. 数据集迁移。
        迁移前：

        images = images.cuda(args.gpu, non_blocking=True)
        target = target.cuda(args.gpu, non_blocking=True)

        迁移后：

        images = images.npu(args.gpu, non_blocking=True)
        target = target.npu(args.gpu, non_blocking=True)

• 多卡迁移（分布式训练迁移）

  除单卡迁移包含的3个修改要点外，在分布式场景下，还需要切换通信方式，直接修改init_process_group的值。

  修改前，GPU使用nccl方式：

  dist.init_process_group(backend='nccl',init_method = "tcp://127.0.0.1:**", ...... ,rank = args.rank)    # **为端口号，根据实际选择一个闲置端口填写

  修改后，NPU使用hccl方式：

  dist.init_process_group(backend='hccl',init_method = "tcp://127.0.0.1:**", ...... ,rank = args.rank)    # **为端口号，根据实际选择一个闲置端口填写