环境准备

请参见《CANN 软件安装指南》手册，安装硬件与OS，NPU驱动和固件以及CANN软件；请参见《Ascend Extension for PyTorch 软件安装指南》手册，安装PyTorch框架、torch_npu插件以及APEX模块（可选）。
根据实际需求准备模型环境，如conda、docker以及三方库依赖。

模型脚本配置

GPU转NPU

通常模型源码支持GPU单机单卡训练，用户根据模型脚本迁移章节的指导，将模型源码映射至NPU，即可完成模型脚本配置。以下示例以一个简单的自定义模型为例，适配NPU需要注意和修改的内容已加粗标注。

import argparse

import torch
import torch_npu
import torch.nn as nn
import torch.optim as optim

from torch.utils.data import DataLoader
from torchvision import datasets, transforms


class ToyModel(nn.Module):
    def __init__(self):
        super(ToyModel, self).__init__()
        self.net1 = nn.Linear(10, 10)
        self.relu = nn.ReLU()
        self.net2 = nn.Linear(10, 5)

    def forward(self, x):
        return self.net2(self.relu(self.net1(x)))

def parse_args():
    parser = argparse.ArgumentParser(description="command line arguments")
    parser.add_argument('--batch_size', type=int, default=64)
    parser.add_argument('--epochs', type=int, default=10)
    parser.add_argument('--learning_rate', type=float, default=0.0001)
    return parser.parse_args()

def data_process(inputs, labels):
    squeezed_tensor = inputs.squeeze(0).squeeze(0)
    inputs = squeezed_tensor[:, :10]
    labels = labels.repeat(28, 5) * (1/140)
    return inputs, labels


def main():
    # 获取传参
    args = parse_args() 
    transform = transforms.Compose([
        transforms.ToTensor(),
        transforms.Normalize((0.5,), (0.5,))
    ])
    train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform)
    # 加载数据集
    train_loader = DataLoader(train_dataset, batch_size=args.batch_size, shuffle=True) 
    # 将模型转移到NPU上
    device = torch.device("npu")
    model = ToyModel().to(device)

    # 定义损失函数
    criterion = nn.CrossEntropyLoss() 
    optimizer = optim.Adam(model.parameters(), lr=args.learning_rate)
    step = 0

    for epoch in range(args.epochs):
        model.train()
        for inputs, labels in train_loader:
            # 数据预处理，将数据集的数据转成需要的shape
            inputs, labels = data_process(inputs, labels)   
            # 将数据转到NPU处理
            inputs, labels = inputs.to(device), labels.to(device) 

            optimizer.zero_grad()
            outputs = model(inputs)
            # 将loss转到NPU处理
            loss = criterion(outputs, labels).to(device) 
            loss.backward()
            optimizer.step()
            # 添加每个step的打印，用户可自行修改
            print(f"step == {step}") 
            step += 1

if __name__ == "__main__":
    main()

CPU转NPU

如果模型源码仅使用了CPU编程，不支持GPU单机单卡训练，用户可使用如下命令，将数据、模型放置NPU上训练。

import torch
import torch_npu

device = torch.device("npu")
# 将数据加载至npu
for data in dataloader:
  if torch.npu.is_available():
       data.to(device)

# 将模型加载至npu
model = Model()
if torch.npu.is_available():
     model.to(device)

# 将损失函数加载至npu
loss_fn = nn.CrossEntropyLoss()
if torch.npu.is_available():
     loss_fn=loss_fn.to(device)

启动脚本配置

执行如下命令启动脚本拉起单机训练，以下参数为举例，用户可根据实际情况自行改动。

GPU转NPU

python3 main.py \               # main.py为上述模型脚本配置示例代码名称，用户可自行定义
      --learning_rate 0.0001 \  # 学习率
      --batch_size 1 \          # 训练批次大小
      --epochs 1                # 训练迭代轮数

CPU转NPU

python3 main.py \                                             # main.py为上述模型脚本配置示例代码名称，用户可自行定义
                  --batch_size 128 \                          # 训练批次大小 
                  --data_path /home/data/resnet50/imagenet \  # 数据集路径
                  --lr 0.1 \                                  # 学习率 
                  --epochs 90 \                               # 训练迭代轮数 
                  --arch resnet50 \                           # 模型架构 
                  --world_size 1 \                            # NPU数量
                  --rank 0 \                                  # 本节点编号
                  --workers 40 \                              # 加载数据进程数 
                  --momentum 0.9 \                            # 动量   
                  --weight_decay 1e-4 \                       # 权重衰减 
                  --gpu 0                                     # device号, 这里参数名称仍为gpu, 但迁移完成后实际训练设备已在代码中定义为npu

单机单卡场景

环境准备

模型脚本配置

启动脚本配置