华为昇腾系列——入门学习

概述

昇腾（Ascend）是华为推出的人工智能处理器品牌，其系列产品包括昇腾910和昇腾310芯片等。

生态情况

众所周知，华为昇腾存在的意义就是替代英伟达的GPU。从事AI开发的小伙伴，应该明白这个替代，不仅仅是 Ascend-910加速卡的算力达到了Nvidia-A100的算力，而是需要整个AI开发生态的替代。下面简单列一下，昇腾生态与英伟达生态的一些对标项。

	Ascend	Nvidia
加速卡	Ascend-910、Ascend-310	Nvidia-A100、Nvidia-H100...
服务器	Atlas 800 训练服务器	NVIDIA DGX
计算架构	CANN	CUDA cuDNN NVCC
集合通信库	HCCL	NCCL

入门使用

假设原有基于GPU运行代码如下：

# 引入模块
import time
import torch
import torch.nn as nn
from torch.utils.data import Dataset, DataLoader
import torchvision# 初始化运行device
device = torch.device('cuda:0')   # 定义模型网络
class CNN(nn.Module):def __init__(self):super(CNN, self).__init__()self.net = nn.Sequential(# 卷积层nn.Conv2d(in_channels=1, out_channels=16,kernel_size=(3, 3),stride=(1, 1),padding=1),# 池化层nn.MaxPool2d(kernel_size=2),# 卷积层nn.Conv2d(16, 32, 3, 1, 1),# 池化层nn.MaxPool2d(2),# 将多维输入一维化nn.Flatten(),nn.Linear(32*7*7, 16),# 激活函数nn.ReLU(),nn.Linear(16, 10))def forward(self, x):return self.net(x)# 下载数据集
train_data = torchvision.datasets.MNIST(root='mnist',download=True,train=True,transform=torchvision.transforms.ToTensor()
)# 定义训练相关参数
batch_size = 64   
model = CNN().to(device)  # 定义模型
train_dataloader = DataLoader(train_data, batch_size=batch_size)    # 定义DataLoader
loss_func = nn.CrossEntropyLoss().to(device)    # 定义损失函数
optimizer = torch.optim.SGD(model.parameters(), lr=0.1)    # 定义优化器
epochs = 10  # 设置循环次数# 设置循环
for epoch in range(epochs):for imgs, labels in train_dataloader:start_time = time.time()    # 记录训练开始时间imgs = imgs.to(device)    # 把img数据放到指定NPU上labels = labels.to(device)    # 把label数据放到指定NPU上outputs = model(imgs)    # 前向计算loss = loss_func(outputs, labels)    # 损失函数计算optimizer.zero_grad()loss.backward()    # 损失函数反向计算optimizer.step()    # 更新优化器# 定义保存模型
torch.save({'epoch': 10,'arch': CNN,'state_dict': model.state_dict(),'optimizer' : optimizer.state_dict(),},'checkpoint.pth.tar')

参考华为官方文档快速体验-PyTorch 网络模型迁移和训练-模型开发（PyTorch）-...-文档首页-昇腾社区 (hiascend.com)

改造后，可以得到以下用于在昇腾NPU上运行的训练代码（故意加多了全连接层的参数，以便看NPU使用情况）：

# 引入模块
import time
import torch
import torch.nn as nn
from torch.utils.data import Dataset, DataLoader
import torchvisionimport torch_npu
from torch_npu.npu import amp # 导入AMP模块
from torch_npu.contrib import transfer_to_npu    # 使能自动迁移# 初始化运行device
device = torch.device('npu:0')   # 定义模型网络
class CNN(nn.Module):def __init__(self):super(CNN, self).__init__()self.net = nn.Sequential(# 卷积层nn.Conv2d(in_channels=1, out_channels=16,kernel_size=(3, 3),stride=(1, 1),padding=1),# 池化层nn.MaxPool2d(kernel_size=2),# 卷积层nn.Conv2d(16, 32, 3, 1, 1),# 池化层nn.MaxPool2d(2),# 将多维输入一维化nn.Flatten(),nn.Linear(32*7*7, 4000), # 激活函数nn.ReLU(),nn.Linear(4000, 10000), nn.ReLU(),nn.Linear(10000, 10))def forward(self, x):return self.net(x)# 下载数据集
train_data = torchvision.datasets.MNIST(root='mnist',download=True,train=True,transform=torchvision.transforms.ToTensor()
)# 定义训练相关参数
# batch_size = 64   
batch_size = 128
model = CNN().to(device)  # 定义模型
train_dataloader = DataLoader(train_data, batch_size=batch_size)    # 定义DataLoader
loss_func = nn.CrossEntropyLoss().to(device)    # 定义损失函数
optimizer = torch.optim.SGD(model.parameters(), lr=0.1)    # 定义优化器scaler = amp.GradScaler()    # 在模型、优化器定义之后，定义GradScalerepochs = 20  # 设置循环次数# 设置循环
for epoch in range(epochs):for imgs, labels in train_dataloader:start_time = time.time()    # 记录训练开始时间imgs = imgs.to(device)    # 把img数据放到指定NPU上labels = labels.to(device)    # 把label数据放到指定NPU上with amp.autocast(): outputs = model(imgs)    # 前向计算loss = loss_func(outputs, labels)    # 损失函数计算optimizer.zero_grad()# 进行反向传播前后的loss缩放、参数更新scaler.scale(loss).backward()    # loss缩放并反向转播scaler.step(optimizer)    # 更新参数（自动unscaling）scaler.update()    # 基于动态Loss Scale更新loss_scaling系数# 定义保存模型
torch.save({'epoch': 10,'arch': CNN,'state_dict': model.state_dict(),'optimizer' : optimizer.state_dict(),},'checkpoint.pth.tar')

使用 "python train.py" 运行代码后，我们可以通过以下命令查看昇腾NPU的使用情况：