（推荐）自动迁移

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

• 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

1. 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。

2. 参考环境变量和脚本配置执行训练。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。
3. 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；算子请参考《套件与三方库支持清单》中的“单算子适配OpPlugin插件开发”章节进行适配。