• MSAdapter
• • MindTorch
  • • 简介
    • 文档
  • MindTorch入门指南
  • • 安装
    • • 安装MindSpore
      • 安装MindTorch
      • • 通过pip安装
        • 通过源码安装
    • 使用MindTorch
    • 资源
    • 版本说明
    • 正在进行的工作
  • 贡献
  • 加入我们
  • 许可证

MSAdapter

简体中文 | English

MSAdapter是一款MindSpore生态适配工具，在不改变用户原有使用习惯下，将PyTorch/JAX等三方框架代码快速迁移到MindSpore生态上，帮助用户高效使用中国算力网——智算网络的昇腾算力。

MindTorch

---

---

简介

MindTorch是将PyTorch训练脚本高效迁移至MindSpore框架执行的工具，其目的是在不改变原有PyTorch用户的使用习惯情况下，使得PyTorch代码能在昇腾上获得高效性能。

• PyTorch接口支持： MindTorch目前支持大部分PyTorch常用接口适配。用户接口使用方式不变，基于MindSpore动态图或静态图模式下执行在昇腾算力平台上。可以在torch接口支持列表中查看接口支持情况。
• TorchVision接口支持： MindTorch TorchVision是迁移自PyTorch官方实现的计算机视觉工具库，延用PyTorch官方API设计与使用习惯，内部计算调用MindSpore算子，实现与torchvision原始库同等功能。可以在TorchVision接口支持列表中查看接口支持情况。

文档

有关安装指南、教程和API的更多详细信息，请参阅教程文档。

MindTorch入门指南

安装

首先查看版本说明选择所需的MindTorch和MindSpore版本。

安装MindSpore

请根据MindSpore官网安装指南进行安装。

安装MindTorch

通过pip安装

pip install mindtorch (MindSpore版本 >= 2.2.1)

或

pip install msadapter (MindSpore版本 == 2.0.0)

通过源码安装

 git clone https://git.openi.org.cn/OpenI/MSAdapter.git
 cd MSAdapter
 python setup.py install

如果出现权限不足的提示，请按照如下方式安装：

 python setup.py install --user || exit 1

使用MindTorch

安装好MindTorch后, 你可以按照以下方式使用它:

在代码文件主入口导入mstorch_enable即可将PyTorch代码适配到MindTorch在NPU设备上运行PyTorch代码

 from mindtorch.tools import mstorch_enable   # 需要在主入口文件导入torch相关模块的前面使用
 import torch
 from torch import nn
 from torch.utils.data import DataLoader
 from torchvision import datasets
 from torchvision.transforms import ToTensor
 
 # 1.Working with data
 # Download training data from open datasets.
 training_data = datasets.FashionMNIST(root="data", train=True, download=True, transform=ToTensor())
 # Download test data from open datasets.
 test_data = datasets.FashionMNIST(root="data", train=False, download=True, transform=ToTensor())
 
 # 2.Creating Models
 class NeuralNetwork(nn.Module):
     def __init__(self):
         super().__init__()
         self.flatten = nn.Flatten()
         self.linear_relu_stack = nn.Sequential(
             nn.Linear(28*28, 512),
             nn.ReLU(),
             nn.Linear(512, 512),
             nn.ReLU(),
             nn.Linear(512, 10)
         )
 
     def forward(self, x):
         x = self.flatten(x)
         logits = self.linear_relu_stack(x)
         return logits
 
 def train(dataloader, model, loss_fn, optimizer, device):
     size = len(dataloader.dataset)
     model.train()
     for batch, (X, y) in enumerate(dataloader):
         X, y = X.to(device), y.to(device)
 
         # Compute prediction error
         pred = model(X)
         loss = loss_fn(pred, y)
 
         # Backpropagation
         loss.backward()
         optimizer.step()
         optimizer.zero_grad()
 
         if batch % 100 == 0:
             loss, current = loss.item(), (batch + 1) * len(X)
             print(f"loss: {loss:>7f}  [{current:>5d}/{size:>5d}]")
 
 def test(dataloader, model, loss_fn, device):
     size = len(dataloader.dataset)
     num_batches = len(dataloader)
     model.eval()
     test_loss, correct = 0, 0
     with torch.no_grad():
         for X, y in dataloader:
             X, y = X.to(device), y.to(device)
             pred = model(X)
             test_loss += loss_fn(pred, y).item()
             correct += (pred.argmax(1) == y).type(torch.float).sum().item()
     test_loss /= num_batches
     correct /= size
     print(f"Test Error: \n Accuracy: {(100*correct):>0.1f}%, Avg loss: {test_loss:>8f} \n")
 
 if __name__ == '__main__':
     train_dataloader = DataLoader(training_data, batch_size=64)
     test_dataloader = DataLoader(test_data, batch_size=64)
     # Get cpu, gpu or mps device for training.
     device = (
         "cuda"
         if torch.cuda.is_available()
         else "mps"
         if torch.backends.mps.is_available()
         else "cpu"
     )
     model = NeuralNetwork().to(device)
 
     # 3.Optimizing the Model Parameters
     loss_fn = nn.CrossEntropyLoss()
     optimizer = torch.optim.SGD(model.parameters(), lr=1e-3)
 
     epochs = 5
     for t in range(epochs):
         print(f"Epoch {t+1}\n-------------------------------")
         train(train_dataloader, model, loss_fn, optimizer, device)
         test(test_dataloader, model, loss_fn, device)
     print("Done!")
 
     # 4.Saving Models
     torch.save(model.state_dict(), "model.pth")
     print("Saved PyTorch Model State to model.pth")
 
     # 5.Loading Models
     model = NeuralNetwork().to(device)
     model.load_state_dict(torch.load("model.pth"))
 
     classes = [
         "T-shirt/top",
         "Trouser",
         "Pullover",
         "Dress",
         "Coat",
         "Sandal",
         "Shirt",
         "Sneaker",
         "Bag",
         "Ankle boot",
     ]
     # 6.Predicted
     model.eval()
     x, y = test_data[0][0], test_data[0][1]
     with torch.no_grad():
         x = x.to(device)
         pred = model(x)
         predicted, actual = classes[pred[0].argmax(0)], classes[y]
         print(f'Predicted: "{predicted}", Actual: "{actual}"')

导入mstorch_enable后，代码执行时torch同名的导入模块会自动被转换为mindtorch相应的模块（目前支持torch、torchvision、torchaudio相关模块的自动转换），接下来执行主入口的.py文件即可。更多的使用方式可以参考使用指南

资源

• 模型库：MindTorch支持丰富的深度学习应用，MSAdapterModelZoo给出了从PyTorch官方代码迁移到MindTorch的模型。

版本说明

分支名	发布版本	发布时间	配套MindSpore版本	启智算力资源
master	-	-	MindSpore master	-
release_0.4	0.4	2024-10-31	MindSpore 2.4.0	-
release_0.3	0.3	2024-04-29	MindSpore 2.3.0-rc1	智算网络集群 - 镜像：mindtorch0.3_mindspore2.3.0_torchnpu2.2.0_cann8.0
release_0.2	0.2.1	2024-02-01	MindSpore 2.2.1 / MindSpore 2.2.10	-
release_0.1	0.1	2023-06-15	MindSpore 2.0.0	-

• MindTorch已发布版本获取请参阅RELEASE。
• MindSpore版本推荐从MindSpore官网获取，或者从启智平台数据资源中获取。

中间版本：

• 适用于MindSpore 2.2.1，且用户脚本中仍使用导入“msadapter”包名（安装包名已由”msadapter“更名为”mindtorch“，建议使用工具一键切换到“mindtorch”）:
  pip install git+https://openi.pcl.ac.cn/OpenI/MSAdapter.git@da13b6719c
• 适用于MindSpore 2.1.0:
  pip install git+https://openi.pcl.ac.cn/OpenI/MSAdapter.git@59f62a1858

正在进行的工作

• 支持torch自动微分接口。
• 支持torch分布式接口。
• 网络性能优化。
• 支持大模型第三方库Megatron-LM,DeepSpeed。

贡献

欢迎开发者参与贡献。更多详情，请参阅我们的贡献指南.

加入我们

如果您在使用时有任何问题或建议，欢迎加入MSAdapter SIG参与讨论。

许可证

Apache License 2.0