星火飞花

内存管理 （AscendCL内存管理&数据传输）模型推理 （AscendCL模型加载与执行）

模型转换基础AIPP功能说明。

图片分类应用”，从名称上，我们也能直观地看出它的作用：按照所属的类别来区分图片。但“图片分类应用”是怎么做到的呢？需要先有一个能做到图片分类的模型，我们可以直接使用一些训练好的开源模型，也可以基于开源模型的源码进行修改、重新训练，还可以自己基于算法、框架构建适合自己的模型。因为目前是初级课程，此处我们直接获取已经训练好的开源模型，这种最简单、最快。

参考链接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原脚本需要在GPU环境下且基于Python3.7及以上能够跑通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支持PyTorch1.5.0和1.8.1版本的训练脚本转换仅PyTorch 1.8.1版本及以上使用，自动迁移方式较简单，且修改内容最少，只需在训练脚本中导入库代码。介绍了PyTorch在晟腾上的适配原理新增npu的device类型，开辟新的路径。

华为公司面向计算机视觉、自然语言处理、推荐系统、类机器人等领域量身打造了基于“达芬奇（DaVinci）”架构的晟腾（Ascend）AI处理器，开启了智能之旅。AscendCL（Ascend Computing Language，晟腾计算语言）是晟腾计算开发编程框架，是对底层晟腾计算服务接口的封装，它提供运行时的资源（例如设备、内存等）管理、模型加载与执行、算子加载与执行、图片数据解编码/裁剪/缩放处理等API库，实现在晟腾CANN平台上进行深度学习推理计算、图形图像预处理、单算子加速计算等能力。

了解Atlas 200I DK A2 的基本使用。

工具预置4个典型模型，分别用于目标检测场景（VOLO V7）模型、图像分类场景（Mobilenet）、图像分割场景（Unet++模型）、关键点检测场景（Alphapose模型）提供UI操作界面，开发者可在界面上传自己的数据集，工具支持对数据进行标注支持用户在工具界面创建模型训练任务，并使用PC的CPU算力进行训练支持对训练完成的模型进行打包，从而方便的拷贝到Atlas 200I DK A2进行推理工具预置了典型模型，用户可以不用关注模型获取，只需关注场景任务。

了解Atlas 200I DK A2的主要规格、亮点。

图片分类应用”，从名称上，我们也能直观地看出它的作用：按照所属的类别来区分图片。但“图片分类应用”是怎么做到的呢？需要先有一个能做到图片分类的模型，我们可以直接使用一些训练好的开源模型，也可以基于开源模型的源码进行修改、重新训练，还可以自己基于算法、框架构建适合自己的模型。因为目前是初级课程，此处我们直接获取已经训练好的开源模型，这种最简单、最快。

【2023 · CANN训练营第一季】晟腾AI入门课（TensorFlow） 第二章 TensorFlow模型迁移&训练（下）

Ascend平台提供了Tensorflow 1.15网络迁移工具，该工具适用于原生的Tensorflow训练脚本迁移场景，AI算法工程师通过该工具分析原生的TensorFlow Python API和Horovod Python API在昇腾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昇腾AI处理器支持的脚本。对于无法自动迁移的API，您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。

华为公司面向计算机视觉、自然语言处理、推荐系统、类机器人等领域量身打造了基于“达芬奇（DaVinci）”架构的晟腾（Ascend）AI处理器，开启了智能之旅。AscendCL（Ascend Computing Language，晟腾计算语言）是晟腾计算开发编程框架，是对底层晟腾计算服务接口的封装，它提供运行时的资源（例如设备、内存等）管理、模型加载与执行、算子加载与执行、图片数据解编码/裁剪/缩放处理等API库，实现在晟腾CANN平台上进行深度学习推理计算、图形图像预处理、单算子加速计算等能力。

晟腾AI处理器的计算核心主要由 AI Core构成，其基本结构如下图所示，包括了三种基础计算资源：矩阵计算单元、向量计算单元和标量计算单元。将基于PyTorch的训练脚本迁移到晟腾AI处理器上进行训练，目前有以下三种方式：自动迁移（推荐）、工具迁移、手工迁移，且迁移前要保证该脚本能在GPU、CPU上运行。自动迁移：训练时，在训练脚本中导入脚本转换库，导入后执行训练。训练脚本在运行的同时，会自动将脚本中的CUDA接口替换为晟腾AI处理器支持的NPU接口。整体过程为：边训练边转换。