X2MindSpore工具可将基于PyTorch和TensorFlow开发的模型及其训练脚本根据适配规则迁移为可基于MindSpore运行的代码，大幅度提高了脚本迁移速度，降低了开发者的工作量。
- 该分析迁移工具支持对包括但不限于模型列表列出的模型进行迁移，迁移成功后可直接运行，部分模型需要根据实际情况进行少量适配。
- X2MindSpore工具当前仅支持PyTorch和TensorFlow训练脚本的迁移。
- X2MindSpore工具会在迁移后的目录中生成适配层文件目录x2ms_adapter。该目录中保存的是基于MindSpore实现的PyTorch/TensorFlow API替换接口，工具会将原PyTorch/TensorFlow API按照映射关系迁移至适配层API，迁移后代码依赖适配层运行。
- X2MindSpore工具能支持模型列表中的模型迁移后训练成功且收敛，对最终精度和性能暂不作保证。
- 通过该分析迁移工具迁移后的训练工程支持在MindSpore1.7及更新版本上运行。
使用限制
- MindSpore支持两种运行模式（Graph模式和PyNative模式），由于Graph模式存在Python语法限制，当前仅有表1中的ResNet和BiT系列（PyTorch）的模型支持迁移至Graph模式，其余模型只支持迁移至PyNative模式，训练性能较Graph模式有所降低。具体差异详见MindSpore文档。
- 当前为了规避MindSpore中数据处理不支持创建Tensor的限制，在PyTorch迁移过程中将运行模式设置成了算子同步下发模式，可能存在训练性能的部分降低；用户可通过将context.set_context中的pynative_synchronize=True去除，使用算子异步下发模式提升性能；此时若报错，可检查数据处理部分代码，去除其中的创建Tensor行为，改为使用numpy的ndarray。
- 当其他程序占用当前卡，导致可用内存不足，可在context.set_context语句中添加device_id = *，*为指定卡号。
- 当前TensorFlow 1迁移结果不支持多卡运行。