简介

昇腾NPU是AI算力的后起之秀，但目前训练和在线推理脚本大多是基于GPU的。由于NPU与GPU的架构差异，基于GPU的训练和在线推理脚本不能直接在NPU上使用，脚本转换工具提供了将基于GPU的脚本转换为基于NPU的脚本的自动化方法，节省了人工手动进行脚本迁移的学习成本与工作量，大幅提升了迁移效率。

脚本转换工具根据适配规则，对用户脚本给出修改建议并提供转换功能，大幅度提高了脚本迁移速度，降低了开发者的工作量。除使用表1里的脚本转换成功后可直接运行外，其他脚本的转换结果仅供参考，仍需用户根据实际情况做少量适配。
表1里的原脚本需要在GPU环境下且基于python3能够跑通。
表1里的脚本转换后的执行逻辑与转换前保持一致。
此脚本转换工具当前仅支持PyTorch训练脚本转换。

表1 模型支持列表
序号	模型名称	序号	模型名称
1	2S-AGCN	161	MobileNetV1
2	3D AttentionNet	162	MobileNetV2
3	3D Nested_UNet	163	MobileNetV3
4	3D Resnet	164	MobileNetV3-Small
5	3DUNet	165	Moco V2
6	ACGAN-Mod-Big-TAC	166	MSGAN
7	ADACOS	167	MSPN
8	ADLayer	168	MTCNN
9	Advanced East	169	Multi-Gradient_Descent
10	Adversarial Autoencoder	170	MultiPoseNet
11	Adversarial_Long-Tail	171	Mutual-Channel-Loss
12	AFN	172	MutualNet
13	AlexNet	173	NAS-SEGM
14	AMDIM	174	nest_small
15	ANTIALIASED-CNNS	175	NeuMF
16	Attention R2U-Net	176	nf_resnet26
17	Attention U_Net	177	NFM
18	AUTOAUGMENT	178	nfnet_f1s
19	Autodeeplab	179	NFNet-F
20	AutoInt	180	NF-ResNet
21	axial-deeplab	181	N-Gran
22	BDL	182	Non-Local
23	BEGAN	183	NTS-Net
24	beit_base_patch16_224	184	ONN
25	BERT-ITPT-FiT	185	OpenPose
26	BICYCLEGAN	186	opl
27	BigGAN-Mod-CR	187	ORDERED-NEURONS
28	BigGAN-Mod-DiffAug	188	PASSRnet
29	BiT-M-R50x1	189	PFF
30	BiT-S-R101x1	190	PICANET
31	BiT-S-R50x1	191	Pixel-BERT（VQA）
32	BiT-S-R50x3	192	PixelDA
33	botnet26t_256	193	PixelLink
34	Bottleneck Transformers	194	PNet
35	Boundary-Seeking GAN	195	PointNet++
36	BYOL	196	POSE-TRANSFER
37	CaaM	197	PPN
38	CausalHTP	198	PPON
39	CGAN	199	PreactResNet50
40	CIConv	200	PROSR
41	CMC	201	PSENet
42	CoaT	202	PVANet
43	coat_mini	203	Pysot
44	CondenseNetV2	204	R2U-Net
45	Context Encoder	205	RAFT
46	Context-Conditional GAN	206	RANet
47	ContraGAN	207	RCAN
48	ContraGAN-CR	208	RCNN
49	ContraGAN-DiffAug	209	RecVAE
50	convit_small	210	RefineNet
51	Convit-tiny	211	regnet
52	coral-cnn	212	regnetx_002
53	COSMIC	213	RegNetX-1.6GF
54	COSMIC	214	regnety_064
55	Coupled GAN	215	RegNetY-1.6GF
56	CPC	216	ReID
57	csp-resnet50	217	Relativistic GAN
58	DCNMix	218	repvgg
59	Deep & Cross Network	219	repvgg_a2
60	Deep Convolutional GAN	220	repvgg_b0
61	DeepFM	221	Res2Net
62	DEEPHYPERX	222	RES2NET-PRETRAINEDMODELS
63	DeeplabV3+	223	residual_adapters
64	DeeplabV3+(Xception-JFT)	224	ResMLP
65	DeepMar	225	ResNeSt
66	Deit	226	ResNet101
67	Densenet121	227	ResNet152
68	DenseNet161	228	ResNet18
69	DenseNet169	229	ResNet34
70	DenseNet201	230	ResNet50
71	dgc	231	resnet61q
72	DIFM	232	resnetv2_101
73	DINO	233	resnetv2_50t
74	DiscoGAN	234	Resnext101
75	dla34	235	Resnext101_32x8d
76	DnCNN	236	Resnext50
77	DoReFa-Net	237	ResNeXt-50-32x4d
78	Double-DIP	238	Retinanet
79	DPC	239	rexnet
80	DPL	240	RNet
81	DRAGAN	241	RRN
82	DualGAN	242	SAN
83	DYNABERT	243	SC-SfMLearner
84	EAST	244	S-DCNET
85	ECA-NFNet-L0	245	SegNet
86	EDSR	246	sehalonet33ts
87	efficientnet_b8	247	SelecSLS
88	efficientnet_l2	248	self-attention-GAN
89	Efficientnet-B0	249	SELF-ATTENTION-GAN
90	EfficientNet-B1	250	Semi-Supervised GAN
91	EfficientNet-B2	251	semnasnet_050
92	EfficientNet-B4	252	SENet
93	EfficientNet-b6	253	seresnet18
94	EfficientNet-b7	254	SE-ResNet-50
95	Enhanced Super-Resolution GAN	255	Se-ResNext-50-32x4d
96	ESRGAN	256	SETR
97	EXTD	257	SGCN
98	FACEBOXES-PYTORCH	258	SGNAS
99	FairDARTS	259	Shufflenetv2
100	FBNet-C	260	SiamRPN
101	fbnetc_100	261	SimplePose
102	fbnetv3_b	262	sknet
103	FCN	263	SOF-VSR
104	FD-GAN	264	SpanBERT
105	FIBINET	265	Speech Transformer
106	FixMatch	266	SPSR
107	FOTS	267	SqueezeNet1_0
108	FREE	268	SqueezeNet1_1
109	GAN	269	SRCNN
110	GCANET	270	SSD_MobileNetV2
111	GENet	271	SSD_MobileNetV3
112	gernet_s	272	SSD-Mobilenet
113	GGAG	273	SSL-FEW-SHOT
114	GGAN	274	STARGAN
115	Glu-Mixer	275	STGCN
116	gluon_senet154	276	StochasticDepth50
117	gluon_seresnext101_32x4d	277	SUPCONTRAST
118	gluon_xception	278	Super-Resolution GAN
119	gmlp	279	SUPERVISION-BY-REGISTRATION
120	gmlp_s16_224	280	SWAV
121	GoogleNet	281	Swin Transformer
122	GPU-efficient networks	282	Tacotron2
123	GreedyInfoMax	283	tnt_s_patch16_224
124	GRU	284	TOD
125	halonet_h1	285	Transformer-iN-Transformer
126	haloregnetz_b	286	TransformerXL
127	hardcorenas	287	TrellisNET
128	hardcorenas_a	288	Twins
129	Hourglass	289	twins_pcpvt_small
130	hyperseg	290	UCNET
131	I3D	291	ULTRA-FAST-LANE-DETECTION
132	ICT	292	U-Net
133	IFM	293	UNET-GAN
134	IIC	294	VAE+GAN
135	Inception V4	295	VASNET
136	Inception-ResNet-V2	296	VGG11
137	InceptionV1	297	VGG11_BN
138	InceptionV2	298	VGG13
139	InfoGAN	299	VGG13_BN
140	InsightFace	300	VGG16
141	InsightFace-v2	301	VGG16_BN
142	Lambda Networks	302	VGG19
143	lambda_resnet26t	303	VGG19_BN
144	Least Squares GAN	304	VIT
145	LFFD	305	VIT-base
146	LGAN	306	vovnet-39
147	LIGHT-WEIGHT-REFINENET	307	vsumm-reinforce
148	LPRNet	308	Wasserstein GAN
149	LSGAN	309	Wasserstein GAN DIV
150	LSTM	310	Wasserstein GAN GP
151	MATNET	311	WGAN-WC
152	MiningFSS	312	Wide & Deep
153	mixer_s32_224	313	Wide_ResNet101_2
154	mixnet_s	314	Wide_ResNet50_2
155	MLP-Mixer	315	wideresnet
156	MNasNet	316	Xception
157	MNASNet0_5	317	xception_aligned
158	MNASNet0_75	318	xDeepFM
159	MNASNet1_0	319	yolov5s
160	MNASNet1_3	320	ZERO-DCE

系统要求

脚本转换工具支持Ubuntu 18.04、CentOS 7.6或EulerOS 2.8。

环境准备

详情请参考《CANN 软件安装指南》安装开发环境。

使用此功能执行PyTorch训练脚本转换前须安装如下依赖：

pip3 install pandas         #pandas版本号需大于或等于1.2.4
pip3 install libcst

功能介绍

简介

系统要求

环境准备