PyTorch环境搭建与使用MindStudio进行PyTorch模型开发

本次实验的视频链接如下：​https://www.bilibili.com/video/BV1iA4y1f7o1/

本次实验在MindStudio上进行，请先按照教程配置环境,安装MindStudio。

​ MindStudio的是一套基于华为自研昇腾AI处理器开发的AI全栈开发工具平台，该IDE上功能很多，涵盖面广，可以进行包括网络模型训练、移植、应用开发、推理运行及自定义算子开发等多种任务。MindStudio除了具有工程管理、编译、调试、运行等一般普通功能外，还能进行性能分析，算子比对，可以有效提高工作人员的开发效率。除此之外，MIndStudio具有远端环境，运行任务在远端实现，对于近端的个人设备的要求不高，用户交互体验很好，可以让我们随时随地进行使用。

1、pytorch编译/安装介绍

• 1） 从gitee获取Pytorch源码。

git clone https://gitee.com/ascend/pytorch.git

​ 如果clone命令失败，可以使用以下命令重新安装git。

apt update; apt install git

​ 此外，也可以在Ascend仓库中查看Pytorch源码，链接为:https://gitee.com/ascend/pytorch

• 2） 根据需要切换分支并获取PyTorch源代码。

  AscendPytorch版本	CANN版本	支持PyTorch版本
  2.0.2	CANN 5.0.2	1.5.0
  2.0.3	CANN 5.0.3	1.5.0/1.8.1（1.8.1仅支持resnet50模型）
  2.0.4	CANN 5.0.4	1.5.0/1.8.1（1.8.1仅支持resnet50模型）

  ​ 从上表来看，我们的CANN版本是5.0.4，安装的Pytorch版本为1.5.0。因此切换到2.0.4的分支，具体有哪些分支可在gitee源码查看。

  ​ 分别执行以下命令：

  cd pytorch
  git checkout -b 2.0.4.tr5 remotes/origin/2.0.4.tr5
  git clone -b v1.5.0 --depth=1 https://github.com/pytorch/pytorch.git
  

• 3）获取Pytorch被动依赖代码

​ 分别运行以下命令

cd  pytorch
git submodule sync
git submodule update --init --recursive

​ 获取代码时，因为代码是位于GitHub上，受网络影响，获取时间可能较长，并且在获取过程中可能报错，如：

​ 出现这种情况时，我们需要删除该报错路径的文件，重新运行后面两条代码，直到执行git submodule update --init --recursive不再报错为止。如下图没有任何报错信息：

​ PS:重新运行时需要将报错信息的文件夹删除再重新运行，删除时要看清楚完整的文件夹路径，比如说报错的路径“/third_party/benchmark/”有完整路径可能是在“pytorch/third_party/onnx/third_party/benchmark/”，不要与“pytorch/third_party/benchmark/”搞混。

​ PS：如果一直有某个包克隆失败，我们可以手动添加。如third_party/QNNPACK/克隆失败，我们先在GitHub上搜索QNNPACK，然后再手动下载zip文件，再上传至服务器相关目录并解压。或者使用gitee将其导入，再从gitee中克隆。

• 4）编译生成适配昇腾AI处理器的PyTorch安装包

  (1) 回退一级目录，进入pytorch/scrips文件夹下，执行转换脚本，生成适配昇腾AI处理器的全量代码。运行截图如下：

cd ../scripts
bash gen.sh

(2) 进入pytorch/pytorch目录下，安装依赖库

cd ../pytorch
pip3 install -r requirements.txt

​ (3) 运行build.sh，编译生成pytorch的二进制安装包

bash build.sh --python=3.7

​ 编译成功如下图，并可以在路径./pytorch/pytorch/dist/下找到对应的whl文件。如果失败，请重新检查第3)步-获取Pytorch被动依赖代码的 *** 作。

• 5）安装Pytorch

​ 进入生成的whl包的目录dist下，使用pip命令进行安装

cd dist
pip3 install --upgrade torch-1.5.0+ascend.post3-cp37-cp37m-linux_aarch64.whl

​ PS：因为之前服务器环境存在pytorch，所以截图中先卸载后安装。

• 6）配置环境变量

安装完软件包后，需要配置环境变量才能正常使用昇腾PyTorch

进入pytorch/pytorch目录下，运行env.sh

cd ../
source env.sh

​ 这样，我们的pytorch就安装完毕了。

2、 模型简介

​ 本次实验我们的目标是在MindStudio上使用ResNet进行图像分类任务。ResNet曾在ILSVRC2015比赛中取得冠军，在图像分类上具有很大的潜力。 ResNet的主要思想是在网络中增加了直连通道，使得原始输入信息能够直接传输到后面的层中，ResNet的残差块的结构如下图所示。

​ ResNet会重复将残差块串联，形成多层网络。一般常见的ResNet根据层数的大小有ResNet-18，ResNet-34，ResNet-50，ResNet-101等等。后面的数字代表网络的层数。在本次实验中，我们选用的数据集是tiny-imagenet。该数据集是斯坦福大学提供的图像分类数据集，其中包含200个类别，每个类别包含500张训练图像，50张验证图像及50张测试图像。可以在此链接下载。因为数据集不是很大，这里我们选用的模型是较小的ResNet-18。

3、训练工程创建，工程功能以及相关菜单介绍 3.1 训练过程创建

• 打开MindStudio，点击New Project，进入新建工程界面。

• 选择Ascend Training。填入项目名。首次新建训练工程时，需要配置CANN的版本。点击install。
  

• 首先，点击 + 配置远程连接，然后根据选项填入自己服务器的ip地址、端口号、用户名和密码等。
  
  

• 配置Remote CANN location。该参数需要填入ascend-toolkit在服务器上的路径地址。在这里，我们toolkit的路径如下：/usr/local/Ascend/ascend-toolkit/5.0.4/。点击finishing进行配置。初次配置时时间稍长，请耐心等待。
  

• 点击Next，选择Pytorch Project。
  

• 点击Finish，完成工程创建，进入工程主界面。
  

• 配置Module SDK，便于编码。

​ 右键点击项目名，选择Open Module Settings。

​ 因为我们的模型任务都是基于Python编程的，本机环境也是Python3.7.5，因此我们选择Python 3.7

3.2 工程功能及相关菜单介绍

​ MindStudio是基于华为自研昇腾AI处理器开发的AI全栈开发工具平台，具有非常丰富的功能。在该IDE上可以进行包括网络模型训练、移植、应用开发、推理运行及自定义算子开发等多种任务。接下来我们简单介绍MindStudio中我们会用到的功能。

​ 新建Pytorch工程后，我们可以进行普通Pytorch框架下的所有开发任务，如模型构建，模型训练等。还有很多便捷的功能。

​ 如上图所示，MindStudio的菜单栏除了包含IDEA，Pycharm等IDE的File，Edit，View，Navigate，Code，Refactor，Run，Tools，VCS，Windows，Help等常规菜单按钮外。还多出了Ascend的特色菜单按钮。

在该菜单栏下，有很多便捷的功能。其相关选项，对应于上图中用红框表示的图标，可以快速点击使用。具体功能见下表所示。

名称	功能
AutoML	AI初学者可以通过AutoML工具结合数据集，生成满足需求的模型
Framework Trans	包含三种工具，X2MindSpore，Pytorch GPU2Ascend，TensorFlow GPU2Ascedn。其功能分别为：将PyTorch脚本文件、ONNX模型文件TensorFlow模型文件转换到MindSpore脚本；将基于GPU训练的Pytorch训练脚本转换到支持NPU训练的脚本；将基于GPU训练的TensorFlow训练脚本转换到支持NPU训练的脚本
Model Converter	将训练好的模型转换为离线模型
Model Visualizer	将转换的模型进行可视化
Dump	精度比对功能
System Profiler	性能采集和分析功能

4、模型迁移

因为MindStudio是在NPU上进行网络训练的，因此对于基于GPU训练的代码需要进行稍微的修改。

• 首先，将已经在GPU上正常训练的Pytorch训练代码拷贝至新建好的工程目录下。本次实验的代码文件及其实现功能可见下表。

文件名	功能
config.py	配置训练的相关参数，如学习率，数据集路径，模型存储路径等等
dataset.py	数据集读入文件
main.py	网络定义以及网络训练的主函数入口
train.py	网络训练
test.py	结果测试文件
util.py	通用函数文件
pt2onnx.py	将pt文件转为onnx模型

• 代码大致讲解

1）网络构建

​ ResNet在torchvision中自带有网络架构和预训练的网络参数。在这里我们使用其网络架构代码，并且修改其最后的全连接层(因为分类的物品只有200个类别)，并使用预训练的参数来初始化网络，再根据数据集微调。

import torchvision
model = torchvision.models.resnet18(pretrained=True)
## torchvision默认的ResNet输出维度为1000，本次使用的数据集总共只有200个类别，对模型的最后一层进行修改
fc_inputs = model.fc.in_features
model.fc = nn.Sequential(nn.Linear(fc_inputs, 200))

​ PS：如果想要查看ResNet-18的网络构建源码，可以在Pytorch的官方文档中查看：torchvision.models.resnet — Torchvision 0.12 documentation (pytorch.org)

2）数据读入和预处理

​ 我们下载tiny-imagenet后，解压文件后的目录架构如下：

tiny-imagenet-200
├── train
│   ├── class1
│   │   ├── images
│   │   │   ├── img1.JPEG
│   │   │   ├── img2.JPEG
│   │   │   └── ...
│   │   └── class1_boxes.txt
│   ├── class2
│   │   ├── images
│   │   │   ├── img3.JPEG
│   │   │   ├── img4.JPEG
│   │   │   └── ...
│   │   └── class2_boxes.txt
│   └── ...
├── val
│   ├── images
│   │   ├── img5.JPEG
│   │   ├── img6.JPEG
│   │   └── ...
│   └── val_annotations.txt
├── test
│   └── images
│       ├── img7.JPEG
│       ├── img8.JPEG
│       └── ...
├── wnids.txt
└── words.txt

​ 因为测试集的数据不带有标签，因此我们只使用训练集和验证集的数据。我们需要对数据进行预处理，用于之后的模型训练。新建类TinyImageNet来继承torch.utils.data.Dataset。并在这个类中定义以下函数：

​ create_class_idx_dict_train的作用是遍历训练集的文件目录，获取训练集中的数据总量，赋值到self.len_dataset。同时，统计类别总个数，将各个类别排序，按照从0开始逐渐增大的规律进行类别的重新命名，作为训练数据的标签。

def _create_class_idx_dict_train(self):
        if sys.version_info >= (3, 5):
            classes = [d.name for d in os.scandir(self.train_dir) if d.is_dir()]
        else:
            classes = [d for d in os.listdir(self.train_dir) if os.path.isdir(os.path.join(train_dir, d))]
        classes = sorted(classes)
        num_images = 0
        for root, dirs, files in os.walk(self.train_dir):
            for f in files:
                if f.endswith(".JPEG"):
                    num_images = num_images + 1

        self.len_dataset = num_images;

        self.tgt_idx_to_class = {i: classes[i] for i in range(len(classes))}
        self.class_to_tgt_idx = {classes[i]: i for i in range(len(classes))}

​ create_class_idx_dict_val函数与create_class_idx_dict_train函数的功能相同，但是因为数据的目录结构不同，代码也有稍许不同。

def _create_class_idx_dict_val(self):
        val_image_dir = os.path.join(self.val_dir, "images")
        if sys.version_info >= (3, 5):
            images = [d.name for d in os.scandir(val_image_dir) if d.is_file()]
        else:
            images = [d for d in os.listdir(val_image_dir) if os.path.isfile(os.path.join(train_dir, d))]
        val_annotations_file = os.path.join(self.val_dir, "val_annotations.txt")
        self.val_img_to_class = {}
        set_of_classes = set()
        with open(val_annotations_file, 'r') as fo:
            entry = fo.readlines()
            for data in entry:
                words = data.split("\t")
                self.val_img_to_class[words[0]] = words[1]
                set_of_classes.add(words[1])

        self.len_dataset = len(list(self.val_img_to_class.keys()))
        classes = sorted(list(set_of_classes))
        # self.idx_to_class = {i:self.val_img_to_class[images[i]] for i in range(len(images))}
        self.class_to_tgt_idx = {classes[i]: i for i in range(len(classes))}
        self.tgt_idx_to_class = {i: classes[i] for i in range(len(classes))}

​ make_dataset函数将图片和对应的标签作为集合添加到一个列表images中，便于读写。

def _make_dataset(self, Train=True):
        self.images = []
        if Train:
            img_root_dir = self.train_dir
            list_of_dirs = [target for target in self.class_to_tgt_idx.keys()]
        else:
            img_root_dir = self.val_dir
            list_of_dirs = ["images"]

        for tgt in list_of_dirs:
            dirs = os.path.join(img_root_dir, tgt)
            if not os.path.isdir(dirs):
                continue

            for root, _, files in sorted(os.walk(dirs)):
                for fname in sorted(files):
                    if (fname.endswith(".JPEG")):
                        path = os.path.join(root, fname)
                        if Train:
                            item = (path, self.class_to_tgt_idx[tgt])
                        else:
                            item = (path, self.class_to_tgt_idx[self.val_img_to_class[fname]])
                        self.images.append(item)

​ getitem函数是重写Dataset函数必须重写的函数，其功能是按照idx返回对应的图片和标签。

def __getitem__(self, idx):
        img_path, tgt = self.images[idx]
        with open(img_path, 'rb') as f:
            sample = Image.open(img_path)
            sample = sample.convert('RGB')
        if self.transform is not None:
            sample = self.transform(sample)

        return sample, tgt

​ 根据参数train的值，TinyImageNet可以分别生成训练集和验证集的数据库。并定义transform，将图片先转为Tensor，再根据平均值和标准差进行归一化。之后分别定义训练集和验证集的DataLoader，将数据按批次读入，方便模型训练。这样我们已经完成了数据读入的所有部分。

dataset_transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize(mean=cfg.dataset_mean, std=cfg.dataset_std),])
## 训练数据dataloader
def get_train_data(train = True):
    dataset_train = TinyImageNet(cfg.data_dir, train=train,transform=dataset_transform)
    data_loader = DataLoader(dataset_train, batch_size=cfg.batch_size, shuffle=train)
    return data_loader
## 验证数据dataloader
def get_val_data(train = False):
    dataset_train = TinyImageNet(cfg.data_dir, train=train,transform=dataset_transform)
    data_loader = DataLoader(dataset_train, batch_size=cfg.batch_size, shuffle=train)
    return data_loader

3）网络训练，主要的训练代码如下所示。首先调用torch.optim 定义Adam优化器optimizer，再将网络的所有参数置于optimizer中。随后按照epoch数进行循环，在每一个批次都进行前向传递，loss值计算，后向传递和参数更新，具体代码如下所示。

##定义Adam优化器，并将网络的参数都放入优化器中
parameter_list = list(Net.parameters())
optimizer = optim.Adam(parameter_list, lr=cfg.lr, weight_decay=cfg.weight_decay)
##定义loss函数为交叉熵损失函数
criterion = nn.CrossEntropyLoss()
for epoch in range(cfg.end_epoch):
	for step, (image, targets) in enumerate(train_data): 
        image = image.float()
        image = image.npu()
        targets = targets.long()
        targets = targets.npu()
        
        optimizer.zero_grad()
        
		output = Net(image)
		loss = criterion(output, targets)
        ##计算loss值并更新参数
        loss.backward()
		optimizer.step()

4）网络测试。按批次读取验证集中的所有数据，分布统计cnt，corrct，corrct_5的值（cnt，corrct，corrct_5分布记录验证数据总数目，正确分类的数目，top-5正确的数目）。最终打印准确率和top-5。

corrct,cnt,corrct_5 = 0,0,0
for step, (image, targets) in enumerate(test_data):
	image = image.float()
    image = image.npu()
    targets = targets.npu()
    output = Net(image).cpu()
    targets = targets.cpu()
    for i in range(len(output)):
        index = torch.argmax(output[i])
        if index==targets[i]:
            corrct+=1
        _,t5 = torch.topk(output[i],5)
       for id in t5:
           if id == targets[i]:
              corrct_5+=1
       cnt+=1

print("The Accuracy is :{} ".format(corrct/cnt))
print("The top5 is :{}".format(corrct_5/cnt))

• 使用PyTorch GPU2Ascend 工具进行自动迁移。

​ 有多种方法可以打开Pytorch GPU2Ascend。

​ 1）选择菜单栏Ascend/Framework Trans/Pytorch GPU2Ascend。见3.2菜单栏介绍。

​ 2）右键点击项目名，选择Pytorch GPU2Ascend。

​ 3）点击菜单栏按钮。如图中红框所示

• 进如Pytorch GPU2Ascend界面，进行参数配置
  

​ 如图，选择输出的文件目录（需要与输入路径位于同一驱动器下：如同在C盘），然后点击Transplant进行转换。

​ 其他参数的功能如下表：

参数	参数说明
Input Path	要进行转换的原始脚本文件所在文件夹路径或文件路径。单击文件夹图标选择目录。必选。
Output Path	脚本转换结果文件输出路径。单击文件夹图标选择目录。必选。
Custom Rule	是否打开自定义转换规则。可选。
Rule File	**“Custom Rule”**开启后此参数才会体现。单击文件夹图标选择用户自定义通用转换规则的json文件路径。该json文件主要包括函数参数修改、函数名称修改和模块名称修改三部分。必选。
Distributed Rule	将GPU单卡脚本转换为NPU多卡脚本，此参数仅支持使用torch.utils.data.DataLoader方式加载数据的场景。可选。
Main File	"Distributed Rule"开启后此参数才会体现。单击文件夹选择训练脚本的入口python文件。必选。
Target Model	"Distributed Rule"开启后此参数才会体现。目标模型变量名，默认为’model’，可选。
Replace Unsupported APIs	用功能相似的API替换某些不支持的API，但有可能导致准确性和性能下降。可选。

• 转换完成后，除了包含迁移后的代码文件，还会生成相关日志文件msFmkTranspltlog.txt，进行迁移的函数列表文件change_list.csv和当前不支持的 *** 作统计文件unsupported_op.csv。如果存在不支持的函数，我们就需要进行一些人工调整。在本次实验中，我们不需要再进行人工修改。

5、执行训练/评估 5.1 模型训练

• ​ 配置运行文件，点击左上角三角形左侧的箭头，选择Edit Configurations。配置界面如下图：
  

​ 各个参数的功能见下表：

参数	参数说明
Name	工程名称，用户自行配置。名称必须以字母开头，数字或字母结尾，只能包含字母、数字、中划线和下划线，且长度不能超过64个字符。
Executable	训练工程中的执行入口文件。
Run Mode	运行环境选择。选择“Remote Run”或“Local Run”，默认为“Remote Run”。
SSH Connection	远程训练服务器地址，在“File > Settings… > Tools > SSH Configurations”中配置。
Command Arguments	训练工程执行参数。
Environment Variables	训练工程环境变量。

​ 在模型训练时，是在远端服务器环境完成的，我们的运行文件为main.py。因为我们的参数已经在config.py中配置好了，因此Command Argument不需要填写。点击OK完成配置。

• 数据集准备

  本次实验我们使用的数据集是tiny Imagenet，可以点击官方下载链接下载。

  因为MindStudio的训练任务是在远端服务器上运行的，因此在开始模型训练时，需要首先对本地的文件与远端环境进行同步。为了加快运行时的前期文件同步工作，我们可以将较大的数据集预先上传至服务器中。这里，我们将数据集上传至/root/data/tiny-imagenet-200/路径下。

• 网络训练参数配置。本次训练的所有参数配置都在config.py文件中。学习率，epoch，batchsize可见下图。
  

• 点击菜单栏的三角形开始训练网络。输出日志会在底部任务台打印出。训练的loss值等信息保存在./loss文件夹下。训练完成后，如果保存的模型参数在工程目录下，会将保存的模型参数文件同步到本地。

5.2 结果评估

​ 如5.1 *** 作，将运行文件更改为test.py。点击run开始运行评估。

​ 本次实验进行的是200个不同物品的分类实验，评判标准使用准确率和top-5的方法。top-5即每次选择前五个概率最高的分类预测，如果这五个中有分类正确的，就判断为分类正确。

​ 运行的实验结果如下图：

​ 实验的最终结果如下表所示

ACC（%）	Top-5（%）
50.73	74.63

6、导出onnx

​ 在第五步模型训练中，我们获得了参数文件，其路径为./model/ResNet18_5e_5/ResNetEpoch15.pt

​ 我们需要将该模型转换为onnx模型，主要使用的方法是torch.onnx.export，首先加载模型参数，定义输入形状（输入的形状应与训练时的形状相同，但是batchsize可以不同），然后再进行onnx模型转换。其具体的转换方法如下代码所示：

##保存的参数文件路径
path = "./model/ResNet18_5e_5/ResNetEpoch15.pt"
model = build_model(path=path)
model.eval()
print(model)

input_names = ["image_input"]
output_names = ["outputs"]
dummy_input = torch.randn(1, 3, 64, 64)
torch.onnx.export(model, dummy_input, "resnet18.onnx", input_names=input_names, output_names=output_names, opset_version=11)

​ 这里，我们重新配置运行文件为pt2onnx.py，点击运行。运行完毕后，在工程目录下生成resnet18.onnx文件。

​ 得到onnx模型后，我们可以继续将该模型转换为om模型，这样就可以在Ascend310上进行推理任务了。

​ 这里我们可以利用MindStudio的模型转换工具进行转换。点击菜单栏上方的模型转换按钮。

​

​ 进入模型转换界面，选择之前导出的onnx格式文件。可以选择输出目录。这里我们只需要选择要转换的onnx模型，填入模型名字，其余参数默认即可。

上述参数对应的功能见下表

参数	功能
CANN Machine（仅Windows系统支持此参数）	自动填充。远程连接ADK所在环境的SSH地址，表现格式为username@localhost:端口号。
Model File	模型文件。必填。该模型文件需要取消其他用户写的权限。有两种选择方式：单击右侧的文件夹图标，在后台服务器路径选择需要转化的模型文件并上传。 在参数后面的输入框中自行输入模型文件在后台服务器的路径，包括模型文件名称后缀
Model Name	模型文件名称，必填。选择模型文件后，该参数会自动填充，用户可以根据需要自行修改名称，要求如下：只支持a-z、A-Z、0-9、下划线以及短划线的组合，最多支持64个字符。如果模型转换的输出路径已经存在相同名称模型文件，单击“Next”后会提示覆盖原有文件或重命名当前Model Name的信息，用户根据实际情况选择
Target SoC Version	模型转换时指定芯片型号。请根据板端环境具体芯片形态进行选择。
Input Format	输入数据格式。 当原始框架是MindSpore、ONNX时，取值为NCHW。
Input Nodes	模型输入节点信息。若原始框架类型为Caffe、ONNX，支持的数据类型为FP32、FP16、UINT8
Shape	模型输入的shape信息
Type	指定输入节点的数据类型
Output Nodes	指定输出节点信息。单击“Select”在d出的网络拓扑结构中，选中某层节点，右击选择“Select”，该层变成蓝色，单击“OK”后，在“Output Nodes”参数下面会看到标记层的算子，右击选择“Deselect”取消选中。
Load Configuration	导入上次模型转换的配置文件。

同时点击右侧的眼睛，还可以对模型进行可视化。

一直点击Next，最后点击finish，完成模型转换。

7、FAQ

​ 1） 在进行pytorch编译执行bash build.sh --python=3.7报错怎么办？

​ 请检查上一步的git submodule update --init --recursive命令是否出现报错。每次出现报错时应把报错的文件夹删除后重新运行git submodule sync 和git submodule update --init --recursive命令。建议运行完成后检查下每一个./pytorch/pytorch/third_party/目录下的每一个文件夹是否有空文件夹。

​ 删除文件时要看清楚完整的文件夹路径，比如说报错的路径“/third_party/benchmark/”，其完整路径可能是在“pytorch/third_party/onnx/third_party/benchmark/”，不要与“pytorch/third_party/benchmark/”搞混。

​ 2）pip3 install -r requirements.txt时报错torchvision版本未找到。

​ 默认的requirements.txt里的torchvision版本为0.6.0，这是对应x86-64架构的，aarch64架构请改为torchvision==0.2.2.post3。

​ 3）pip安装torch后在import torch时报错ImportError: llibtorch_cpu.so: cannot open shared object file: No such file or directory。

​ 使用命令find / -name libtorch_cpu.so找到libtorch_cpu.so的位置，再建立软连接。如ln -s /usr/local/python3.7.5/lib/python3.7/site-packages/torch/lib/libtorch_cpu.so /usr/lib

​

8、从昇腾论坛获得更多支持

​ 如果上述步骤中大家在实践中仍然遇到其他问题，比如使用自带的脚本迁移工具PyTorch GPU2Ascend最终生成的报告unsupported_op.csv中有需要人工修改的代码，或者遇到其他上述步骤中未能出现的错误，欢迎大家到昇腾论坛中提出自己的问题，在这里有很多技术大拿可以解决你的问题。或者也可以访问昇腾博客，搜索他人的独到见解。

​ 访问昇腾论坛的方法是进行昇腾官网。选择开发者选项，点击进入昇腾论坛或者昇腾博客。

torch时报错ImportError: llibtorch_cpu.so: cannot open shared object file: No such file or directory。

​ 使用命令find / -name libtorch_cpu.so找到libtorch_cpu.so的位置，再建立软连接。如ln -s /usr/local/python3.7.5/lib/python3.7/site-packages/torch/lib/libtorch_cpu.so /usr/lib

​

8、从昇腾论坛获得更多支持

​ 如果上述步骤中大家在实践中仍然遇到其他问题，比如使用自带的脚本迁移工具PyTorch GPU2Ascend最终生成的报告unsupported_op.csv中有需要人工修改的代码，或者遇到其他上述步骤中未能出现的错误，欢迎大家到昇腾论坛中提出自己的问题，在这里有很多技术大拿可以解决你的问题。或者也可以访问昇腾博客，搜索他人的独到见解。

​ 访问昇腾论坛的方法是进行昇腾官网。选择开发者选项，点击进入昇腾论坛或者昇腾博客。

[外链图片转存中…(img-pONxm2eo-1652579573585)]