典型场景是开启混合精度进行一般模型训练的场景。

导入AMP模块

在构建神经网络前，我们需要torch_npu中导入AMP模块。

# 引入模块 
import time 
import torch 
import torch.nn as nn 
import torch_npu 
# 导入AMP模块 
from torch_npu.npu import amp    
from torch.utils.data import Dataset, DataLoader 
import torchvision 
 
#指定运行Device，用户请自行定义训练设备 
device = torch.device('npu:0')  
...... # 如样例代码所示，定义一个简单的神经网络

定义损失缩放参数

在模型、优化器定义之后，定义AMP功能中的GradScaler。

# 数据集获取 
train_data = torchvision.datasets.MNIST( 
    root = 'mnist', 
    download = True, 
    train = True, 
    transform = torchvision.transforms.ToTensor() 
) 
# 定义训练相关参数 
batch_size = 64 
model = CNN().to(device)  # 把模型放到指定NPU上 
train_dataloader = DataLoader(train_data, batch_size=batch_size)    # 定义DataLoader 
loss_func = nn.CrossEntropyLoss().to(device)    # 定义损失函数 
optimizer = torch.optim.SGD(model.parameters(), lr=0.1)    # 定义优化器 
scaler = amp.GradScaler()    # 在模型、优化器定义之后，定义GradScaler 
epochs = 10  # 设置循环次数

适配AMP并训练

在训练代码中添加AMP功能适配代码。最后运行整个脚本进行混合精度训练。

for epoch in range(epochs): 
    for imgs, labels in train_dataloader: 
        imgs = imgs.to(device)     # 把img数据放到指定NPU上 
        labels = labels.to(device) # 把label数据放到指定NPU上 
        with amp.autocast():   # 设置amp 
            outputs = model(imgs)    # 前向计算 
            loss = loss_func(outputs, labels)    # 损失函数计算 
        optimizer.zero_grad() 
        # 进行反向传播前后的loss缩放、参数更新 
        scaler.scale(loss).backward()    # loss缩放并反向转播 
        scaler.step(optimizer)    # 更新参数（自动unscaling） 
        scaler.update()    # 基于动态Loss Scale更新loss_scaling系数

适配样例（典型场景）

导入AMP模块

定义损失缩放参数

适配AMP并训练