简介

手工迁移需要用户对AI模型有迁移基础，了解GPU与NPU的接口设计的异同点以及各种迁移手段。手工迁移过程中，各个模型使用的迁移方法不完全相同，下文给出手工迁移的核心要点。

单卡迁移

导入NPU相关库。
```
import torch
import torch_npu  
```
指定NPU作为训练设备。指定训练设备需修改模型训练脚本，有两种指定方式：
- .to(device)方式：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)。该方式可以指定需要的训练资源，使用比较灵活。
  迁移前：
```
device = torch.device('cuda:{}'.format(local_rank)) # local_rank为当前设备卡号
model.to(device)
```
  迁移后：
```
device = torch.device('npu:{}'.format(local_rank))
model.to(device)
```
- set_device方式：调用set_device接口，指定训练设备。需注意该方式不会自动使用NPU，用户需要手动在想使用NPU的地方，添加xx.npu()代码，将模型数据集等加载到NPU上，如model.npu()。
  迁移前：
```
torch.cuda.set_device(local_rank)
```
  迁移后：
```
torch_npu.npu.set_device(local_rank)
```
替换CUDA接口：将训练脚本中的CUDA接口替换为NPU接口，例如模型、损失函数、数据集等迁移到NPU上。常见替换接口请参见常见PyTorch迁移替换接口。更多接口请参见《API参考》。
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(local_rank)
```
  迁移后：
```
model.npu(local_rank)
```
3. 数据集迁移。
  迁移前：
```
images = images.cuda(local_rank, non_blocking=True)
target = target.cuda(local_rank, non_blocking=True)
```
  迁移后：
```
images = images.npu(local_rank, non_blocking=True)
target = target.npu(local_rank, 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