快速入门

环境准备

本快速入门以在Atlas 800T A2 训练服务器上运行为例。

• 驱动和固件、CANN软件安装请参考《》（商用版）或《》（社区版）：

  • 安装方式：选择“在物理机上安装”
  • 安装类型：选择“离线安装”
  • 操作系统：选择可用的操作系统（兼容性请参考）

• 安装PyTorch框架及torch_npu插件请参见《》。

模型迁移训练

本节提供了一个简单的模型迁移样例，采用了最简单的自动迁移方法，帮助用户快速体验GPU模型脚本迁移到昇腾NPU上的流程。基于CNN模型识别手写数字的脚本，对在GPU上训练的该脚本代码进行修改，使其可以迁移到昇腾NPU上进行训练。

1. 新建脚本train.py，写入以下原GPU脚本代码。

   [object Object]

2. 在train.py中添加以下代码。

   • 若用户使用[object Object]Atlas 训练系列产品[object Object]，则在迁移完成、训练开始之前，由于其架构特性需要，用户需要开启混合精度。
   • 若用户使用[object Object]Atlas A2 训练系列产品[object Object]或[object Object]Atlas A3 训练系列产品[object Object]，则可以自行选择是否开启混合精度。

   [object Object]

   [object Object]

   若未使能自动迁移，用户可参考《PyTorch 训练模型迁移调优指南》中的“”章节进行相关操作。

3. 使能AMP混合精度计算。若用户使用[object Object]Atlas A2 训练系列产品[object Object]或[object Object]Atlas A3 训练系列产品[object Object]，则可以选择跳过此步骤。

   在模型、优化器定义之后，定义AMP功能中的GradScaler。

   [object Object]

   删除以下原GPU脚本代码。

   [object Object]

   添加以下代码开启AMP。

   [object Object]

4. 执行命令启动训练脚本（命令脚本名称可根据实际修改）。

   [object Object]

   训练结束后生成如下图权重文件，则说明迁移训练成功。

   

进阶开发

• 如果您想体验PyTorch模型训练迁移更丰富的功能，请前往《》文档阅读了解。

• 如果您想体验大模型训练更丰富的功能，请参见了解。

  表 1 模型迁移指导[object Object][object Object]

  [object Object]undefined