External Gitcode Ascend Npu Model Migration

NPU Model Migration Skill

将任意 PyTorch 模型迁移到华为昇腾 NPU 并验证运行。

触发条件

使用此 skill 当用户说：

• "把这个模型迁移到 NPU"
• "帮我适配到昇腾"
• "在 NPU 上跑通这个模型"
• "迁移到 Ascend"
• "帮我看看这个模型能不能在 NPU 上跑"

核心理念

模型迁移是一项需要"诊断能力"的任务，而非简单的"查找替换"。

大多数 PyTorch 代码天生支持 NPU，只需要解决：

1. 设备检测逻辑
2. 第三方库兼容性
3. 不支持的 API

每个模型遇到的问题都不同，需要分析问题→定位根因→修复→验证的迭代循环。

迁移流程（七阶段）

┌─────────────────────────────────────────────┐
│ 阶段 1: 目标分析 (必做)                        │
│   1.1 环境分析 → 依赖、框架、Python 版本        │
│   1.2 代码分析 → 测试入口、训练/推理流程        │
│   1.3 迁移难度评估 → 预估需要改动的范围         │
└─────────────────────────────────────────────┘
                        ↓
┌─────────────────────────────────────────────┐
│ 阶段 1.5: 快速尝试 (强烈推荐!)                 │
│   1.5.1 尝试 transfer_to_npu                  │
│   1.5.2 检查是否还有遗漏项                     │
│   1.5.3 验证能否直接跑通                       │
└─────────────────────────────────────────────┘
                        ↓ (若失败则进入阶段2)
┌─────────────────────────────────────────────┐
│ 阶段 2: 方案设计 (必做)                        │
│   2.1 识别需要修改的文件                       │
│   2.2 确定迁移策略                            │
│   2.3 向用户反馈计划，等待确认                 │
└─────────────────────────────────────────────┘
                        ↓
┌─────────────────────────────────────────────┐
│ 阶段 3: 代码迁移                              │
│   3.1 设备适配                               │
│   3.2 依赖修复                               │
│   3.3 API 替换                               │
└─────────────────────────────────────────────┘
                        ↓
┌─────────────────────────────────────────────┐
│ 阶段 4: NPU 验证 (必做)                       │
│   4.1 克隆代码到 NPU 服务器                    │
│   4.2 安装依赖、运行测试                       │
│   4.3 收集输出、验证结果                       │
└─────────────────────────────────────────────┘
                        ↓
          ┌─────────────────────────────────┐
          │ 阶段 5: 调试与迭代 (循环)         │
          │   5.1 分析报错                    │
          │   5.2 定位根因                    │
          │   5.3 修复代码                    │
          │   5.4 重新验证                    │
          └─────────────────────────────────┘
                        ↓
                  (循环直到通过)
                        ↓
┌─────────────────────────────────────────────┐
│ 阶段 6: 输出迁移报告 (必做)                    │
│   6.1 生成报告 Markdown                       │
│   6.2 记录修改内容与验证结果                   │
│   6.3 归档到 references/cases/               │
└─────────────────────────────────────────────┘

阶段 1: 目标分析

1.1 环境分析

从项目入口获取关键信息：

# 查找依赖文件
find . -name "requirements*.txt" -o -name "setup.py" -o -name "pyproject.toml" | head -5

# 查找 README
find . -name "README*.md" -o -name "readme*.md" | head -3

需要获取：

• Python 版本要求
• PyTorch 版本
• 关键依赖（numpy、scikit-learn、transformers 等）
• 安装方式

1.2 代码分析

找到测试/运行入口：

# 查找测试目录
find . -type d -name "test*" -o -type d -name "example*" | head -5

# 查找训练/推理脚本
find . -name "train*.py" -o -name "main*.py" -o -name "run*.py" | head -10

分析代码结构：

• 训练流程：compile → fit → evaluate 还是自定义循环
• 测试框架：pytest / unittest / 手动脚本
• 设备选择逻辑：cuda.is_available() 的位置
• 数据加载方式：DataLoader、batch 处理

1.3 README 分析（重点！）

README 是迁移工作的重要参考依据，必须仔细阅读。

README 通常包含以下关键信息：

分析要点：

# 查找 README 文件
find . -name "README*.md" -o -name "readme*.md" -o -name "INSTALL.md" | head -5

1. 环境依赖

   • 查看 requirements.txt 或 setup.py
   • 确认 Python、PyTorch 版本要求
   • 记录所有第三方库

2. 数据准备

   • 数据集名称、下载链接
   • 数据格式（CSV、JSON、TFRecord 等）
   • 数据目录结构
   • 预处理方式

3. 训练流程

   • 训练命令示例
   • 关键超参数
   • 训练脚本入口
   • 需要修改的配置

4. 验证方式

   • 如何测试模型
   • 评估指标（accuracy、loss、AUC 等）
   • 预期的输出格式
   • 这是迁移后验证成功的重要参考！

迁移后的验证应参考 README 中的测试/验证方式，确保输出格式和指标与原版一致。

1.4 迁移难度评估

阶段 1.5: 快速尝试（强烈推荐）

在完成目标分析后，务必先尝试这个"偷懒"办法！

1.5.1 什么是 transfer_to_npu

torch_npu.contrib.transfer_to_npu 是一个自动重定向工具，通过 monkey-patch 将代码中的 torch.cuda.* API 自动劫持到 torch.npu.*。

它能自动处理：

• torch.cuda.is_available() → torch.npu.is_available()
• tensor.cuda() → tensor.npu()
• torch.cuda.empty_cache() → torch.npu.empty_cache()
• torch.cuda.set_device(x) → torch.npu.set_device(x)
• device='cuda:0' → device='npu:0'
• backend="nccl" → backend="hccl" (分布式)
• torch.profiler CUDA 相关 → NPU 版本
• transformers/trl/peft/accelerate 等主流库的部分 API

1.5.2 快速尝试方法

在原代码入口文件头部添加：

import torch_npu
from torch_npu.contrib import transfer_to_npu

然后直接运行测试。如果成功，无需任何其他修改！

# 使用 NPU 卡 0,1（根据实际情况修改）
ASCEND_VISIBLE_DEVICES=0,1 ASCEND_RT_VISIBLE_DEVICES=0,1 python run.py

1.5.3 检查遗漏项

如果 transfer_to_npu 不能完全跑通，需要手动检查以下遗漏项：

# 搜索遗漏项
grep -rn "autocast.*cuda\|'cuda'\|is_cuda\|\.cuda(" --include="*.py" .

1.5.4 验证结果判断

成功标准：

• 训练正常输出：Epoch 1/10, Loss: 0.123
• 推理正常输出：Output shape: torch.Size([...])
• 评估正常输出：AUC: 0.755

失败处理：

• 如果遇到报错，记录错误信息
• 进入阶段 2 进行深度迁移

阶段 2: 方案设计（深度迁移用）

⚠️ 只有在阶段 1.5（快速尝试）失败后才进入此阶段

2.1 识别需要修改的文件

基于代码分析，找出需要修改的文件：

1. 设备相关 - 包含 cuda.is_available()、.cuda() 的文件
2. 入口文件 - main.py、train.py、run.py
3. 配置相关 - config.yaml、args.py

2.2 确定迁移策略

策略 A: 最小改动（推荐）
├── 保留原代码不变
├── 创建 npu 版本目录
└── 只修改必要的设备相关代码

策略 B: 条件适配
├── 添加 NPU 检测逻辑
├── 同时支持 GPU/NPU
└── 通过环境变量切换

2.3 向用户反馈 (必做)

在开始修改之前，必须向用户确认：

## 迁移计划

### 目标模型
- 模型名称: xxx
- 仓库: xxx

### 分析结果
- 依赖: torch >= 1.x, sklearn, ...
- 测试方式: pytest tests/xxx.py
- 预估复杂度: 中等

### 快速尝试
- 已尝试 transfer_to_npu: ❌ 失败
- 失败原因: xxx

### 迁移策略
- 策略 A: 最小改动
- 需要修改的文件:
  1. xxx.py (设备适配)
  2. xxx.py (依赖修复)

### 下一步
- 等待确认后开始修改
- 修改后会在 NPU 服务器上验证

阶段 3: 代码迁移（深度迁移用）

3.1 设备适配 (核心)

原则：尽量少改，只改必要的设备相关代码。

3.1.1 基础设备检测

# 方案 1: 环境变量控制
import os
CPU_ENABLE = os.environ.get("MODEL_CPU_ONLY", "false").upper() == "TRUE"
GPU_ENABLE = torch.cuda.is_available() and not CPU_ENABLE
NPU_ENABLE = not GPU_ENABLE and not CPU_ENABLE

if NPU_ENABLE:
    import torch_npu

3.1.2 设备替换规则

3.1.3 设备初始化模板

def get_device(prefer_npu=True):
    """自动获取可用设备"""
    import os
    import torch

    # 优先级: 环境变量 > NPU > GPU > CPU
    if os.environ.get("MODEL_CPU_ONLY", "").upper() == "TRUE":
        return torch.device("cpu")

    if prefer_npu:
        try:
            import torch_npu
            if torch_npu.npu.is_available():
                return torch.device("npu:0")
        except ImportError:
            pass

    if torch.cuda.is_available():
        return torch.device("cuda:0")

    return torch.device("cpu")

3.2 依赖修复

常见第三方库问题：

处理原则：

• 非核心依赖尽量不动
• 核心依赖问题优先尝试升级/降级版本
• 必要时将部分计算放回 CPU

3.3 API 替换

常见需要替换的 API：

# 需要替换
torch.cuda.get_device_capability()  # NPU 无此概念
torch.cuda.comm.scatter/gather     # NPU 不支持

# 可以保留（自动兼容）
torch.nn.Module.to("cuda")         # 内部会处理
torch.tensor(device="cuda")        # 内部会处理

详细 API 支持列表见： references/npu-api-mapping.md

阶段 4: NPU 验证（通用）

4.1 环境准备

# 设置 NPU 卡号（根据环境约束）
export ASCEND_VISIBLE_DEVICES=0,1
export ASCEND_RT_VISIBLE_DEVICES=0,1

4.2 运行测试

直接在本地 NPU 环境执行：

# 1. 克隆代码（如果不在本地）
git clone <repo-url> -b <branch-name>
cd <project-dir>

# 2. 安装依赖
pip install -r requirements.txt

# 3. 运行测试（使用指定的 NPU 卡）
ASCEND_VISIBLE_DEVICES=0,1 ASCEND_RT_VISIBLE_DEVICES=0,1 python run.py --config config.yaml
# 或
ASCEND_VISIBLE_DEVICES=0,1 ASCEND_RT_VISIBLE_DEVICES=0,1 pytest tests/test_model.py -v

4.3 验证标准

必须看到以下输出之一才算成功：

• 训练过程：Epoch 1/10, Loss: 0.123
• 推理过程：Output shape: torch.Size([...])
• 评估指标：AUC: 0.755

禁止：

• 只看到 "import 成功" 就说通过
• 只看到 "开始训练" 就说通过
• 没有具体数值输出

阶段 5: 调试与迭代（通用）

5.1 报错分类

5.2 迭代流程

1. 分析错误信息
2. 判断错误类型
3. 搜索解决方案 (文档/案例)
4. 修改代码
5. 重新运行验证
6. 通过则结束，失败则回到步骤 1

最大迭代次数: 5 次
超过次数应向用户报告困难

5.3 常见问题速查

Q: 提示 torch_npu 找不到 A: 确认容器中 torch 和 torch_npu 版本匹配

Q: 提示 NPU not found A: 检查 ASCEND_VISIBLE_DEVICES 环境变量是否正确设置

Q: 提示 API 不支持 A: 查看 references/npu-api-mapping.md 找替代 API

Q: 精度不达标 A: 检查 HF32 配置，尝试调整 rtol/atol

Q: OOM 内存不足 A: 减小 batch_size，使用 gradient checkpointing

阶段 6: 输出迁移报告（必做）

⚠️ 每个模型迁移完成后，必须生成迁移报告并归档

6.1 报告模板

使用标准模板：references/migration-report-template.md

必须包含的内容：

1. 基本信息（模型名称、类型、仓库、迁移日期、状态）
2. 环境信息（NPU 设备、Python/PyTorch/torch_npu 版本）
3. 迁移过程（快速尝试结果、修改的文件、依赖修复）
4. 验证结果（运行命令、输出日志、性能对比）
5. 遇到的问题与解决
6. 待优化项

6.2 输出位置

references/cases/<模型名小写>.md

例如：

• references/cases/autoint.md
• references/cases/yolov5.md
• references/cases/deepfm.md

6.3 报告示例

# AutoInt NPU 迁移报告

## 基本信息

| 字段 | 内容 |
|------|------|
| **模型名称** | AutoInt |
| **模型类型** | 推荐系统（CTR 预估） |
| **仓库地址** | https://github.com/FuxiCTR/AutoInt |
| **迁移日期** | 2026-04-03 |
| **迁移状态** | ✅ 成功 |

## 环境信息

- NPU: Ascend 910B4 (30GB)
- Python: 3.9
- PyTorch: 2.3.0
- torch_npu: 2.6.0

## 迁移过程

### 1. 快速尝试
- transfer_to_npu: ❌ 失败
- 失败原因: sklearn 兼容性

### 2. 深度迁移
- 修改 fuxictr/metrics.py (sklearn 兼容性)
- 修改 fuxictr/pytorch/torch_utils.py (NPU 设备支持)

## 验证结果

运行命令:
```bash
ASCEND_VISIBLE_DEVICES=0 python run.py --config config.yaml

输出:

AUC: 0.755208

总结

迁移结论: 简单

### 6.4 注意事项

- **必须归档**：不输出报告 = 迁移未完成
- **验证结果**：必须包含实际运行输出（数值）
- **问题记录**：如实记录遇到的问题和解决方案
- **后续复用**：报告是 future migration 的重要参考

---

## 案例参考

### 案例结构

每个案例应该包含：
1. **模型信息** - 名称、仓库、特点
2. **遇到的问题** - 报错信息、分析过程
3. **解决方案** - 具体修改了什么
4. **验证结果** - 运行输出、指标

### 已验证案例

| 模型 | 复杂度 | 状态 | 关键修改 |
|------|--------|------|----------|
| AutoInt | 简单 | ✅ | sklearn 兼容性、设备检测 |
| DeepFM | 中等 | ✅ | 设备适配、HF32 |
| DIN | 中等 | ✅ | 分布式配置 |
| Wide&Deep | 简单 | ✅ | 设备检测 |

详细案例见：`references/cases/`

---

## 多模型项目处理

如果用户给的是一个**模型框架**（包含多个模型），如：
- TorchEasyRec（DeepFM、DIN、Wide&Deep...）
- FuxiCTR（AutoInt、DeepFM...）

**处理方式：**
1. 先告知用户这是一个框架
2. 询问用户要迁移哪个具体模型
3. 确定后按单模型流程处理

---

## 约束条件

1. **工作目录限制**：根据实际环境配置
2. **NPU 环境**：确保 NPU 驱动和 torch_npu 已正确安装
3. **NPU 卡号**：根据实际可用卡号设置，建议通过环境变量配置
4. **不修改原代码**：建议在并行目录进行修改，或使用 Git 分支
5. **必须验证**：没有在 NPU 上运行过，不说"迁移成功"

---

## 文件结构

npu-model-migration/ ├── SKILL.md # 本文件 └── references/ ├── README.md # 快速参考指南 ├── npu-api-mapping.md # API 映射表 ├── common-issues.md # 常见问题汇总 ├── migration-report-template.md # 迁移报告模板 └── cases/ # 迁移案例 └── autoint.md

---

## 参考资料

- [Ascend PyTorch 官方文档](https://gitcode.com/Ascend/pytorch)
- [RecSDK Benchmark](https://gitcode.com/Ascend/RecSDK)
- [torch_npu API 映射表](references/npu-api-mapping.md)

---

*Skill 版本: 1.2.0* - 新增迁移报告输出流程（阶段 6）
*更新日期: 2026-04-15*