---
title: 学习向导
description: "描述本手册的读者对象，TensorFlow 2.6.5模型迁移的全流程，以及使用本手册的一些注意点。"
url: https://www.hiascend.com/document/detail/zh/TensorFlowCommercial/latest/migration/tfmigr2
sourcePath: /source/zh/TensorFlowCommercial/900/migration/tfmigr2/tfmigr2_000001.html
indexId: c5e02d1303234496e0fece33e6ae3bcfd60644f52cbd3b94c319633565b855e473
---
# 学习向导

描述本手册的读者对象，TensorFlow 2.6.5模型迁移的全流程，以及使用本手册的一些注意点。

#### 读者对象

本文档适用于AI算法工程师，将基于TensorFlow 2.6.5的Python API开发的训练脚本迁移到NPU上执行训练，并进行精度性能的调试调优。

掌握以下经验和技能可以更好地理解本文档：- 熟悉CANN软件基本架构以及特性。
- 熟悉TensorFlow的API。
- 对机器学习、深度学习有一定的了解，熟悉训练网络的基本知识与流程。
- 具有熟练的Python语言编程能力。


#### 支持的产品

Atlas 350 加速卡

Atlas A3 训练系列产品 / Atlas A3 推理系列产品

Atlas A2 训练系列产品 / Atlas A2 推理系列产品

Atlas 训练系列产品


#### 使用前须知

- 在进行模型迁移之前，建议用户事先准备好基于TensorFlow 2.6.5开发的训练模型以及配套的数据集，并要求在GPU或CPU上正常运行，达到预期精度和性能要求。同时记录相关精度和性能指标，用于后续在AI处理器进行精度和性能对比。
- 本文中的代码片段仅为示例，请用户使用时注意修改适配。


#### 模型开发流程

模型开发的主要工作就是将TensorFlow原始模型迁移到AI处理器上并执行训练，主要流程如下图所示。

图1 模型开发流程


#### 迁移方式比较

将基于TensorFlow的Python API开发的训练脚本迁移到AI处理器上执行训练，目前有两种迁移方式，用户可任选其一：

-   自动迁移

  算法工程师通过迁移工具，可自动分析出原生的TensorFlow Python API在AI处理器上的支持度情况，同时将原生的TensorFlow训练脚本自动迁移成AI处理器支持的脚本，对于无法自动迁移的API，可以参考工具输出的迁移报告，对训练脚本进行相应的适配修改。

-   手工迁移

  算法工程师通过自行修改TensorFlow训练脚本，以支持在AI处理器上执行训练，该种方式较为复杂，建议优先使用自动迁移方式。