简介

自动迁移操作简单，且修改内容少，只需在训练脚本中导入库代码即可完成脚本迁移。

使用约束

仅支持PyTorch 1.11.0版本及以上使用。

当前自动迁移暂不支持channel_last特性，建议用户使用contiguous代替。

若原脚本中使用的backend为nccl，在init_process_group初始化进程组后，backend已被自动迁移工具替换为hccl。如果后续代码逻辑包含backend是否为nccl的判断，例如assert backend in ['gloo', 'nccl']、if backend == 'nccl'，请手动将字符串nccl改写为hccl。

由于自动迁移工具使用了Python的动态特性，但torch.jit.script不支持Python的动态语法，因此用户原训练脚本中包含torch.jit.script时使用自动迁移功能会产生冲突，目前自动迁移时会屏蔽torch.jit.script功能，若用户脚本中必须使用torch.jit.script功能，请使用工具迁移进行迁移。

使用方法

在训练脚本中导入库代码。
```
import torch 
import torch_npu 
..... 
from torch_npu.contrib import transfer_to_npu
```
- 仅PyTorch框架下需要导入from torch_npu.contrib import transfer_to_npu代码。
- 自动迁移工具与已适配的《套件与三方库支持清单》可能存在功能冲突，若发生冲突，请使用工具迁移进行迁移。
参考模型训练适配执行训练。如果训练正常进行，开始打印迭代日志，说明训练功能迁移成功。
参考模型保存与导出，如果成功保存权重，说明保存权重功能迁移成功。

注意事项

如果模型包含评估、在线推理功能，也可在对应脚本中导入自动迁移库代码，并通过对比评估推理结果和日志打印情况，判断与GPU、CPU是否一致决定是否迁移成功。
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。
- 使用迁移分析工具对模型脚本进行分析，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；Ascend C算子请参考《CANN Ascend C 算子开发指南》中“算子开发（进阶篇） > 网络中算子调用 > PyTorch框架”章节；或参考《CANN 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。
- PyTorch 1.11.0版本用户需将部分不支持的API移动至CPU运行，方法如下：
  
  此操作仅涉及PyTorch 1.11.0版本，PyTorch 2.1.0及以上版本已经接入原生to_cpu逻辑，无需执行此操作。
  1. 参见《配置与安装》“安装torch_npu插件”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《配置与安装》“安装torch_npu插件”章节重新编译框架插件包并安装。
  4. 重新执行迁移后的训练脚本，确认模型是否能正常训练。

（推荐）自动迁移

简介

使用约束

使用方法

注意事项