# pytorch **Repository Path**: drogo/pytorch ## Basic Information - **Project Name**: pytorch - **Description**: Ascend PyTorch adapter - **Primary Language**: Python - **License**: BSD-3-Clause - **Default Branch**: master - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 0 - **Forks**: 1235 - **Created**: 2022-06-22 - **Last Updated**: 2022-06-22 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README # AscendPyTorch

简介

本项目开发了PyTorch Adapter插件，用于昇腾适配PyTorch框架，为使用PyTorch框架的开发者提供昇腾AI处理器的超强算力。用户在准备相关环境进行基于PyTorch框架模型的开发、运行时，可以选择在服务器中手动编译相关模块。

前提条件

- 需完成CANN开发或运行环境的安装，具体操作请参考《CANN 软件安装指南》。 - 需安装python版本为3.7.5、3.8、3.9。 # 系统依赖库 ## CentOS & EulerOS yum install -y cmake==3.12.0 zlib-devel libffi-devel openssl-devel libjpeg-turbo-devel gcc-c++ sqlite-devel dos2unix openblas git gcc==7.3.0 ## Ubuntu apt-get install -y gcc==7.3.0 g++ make build-essential libssl-dev zlib1g-dev libbz2-dev libreadline-dev libsqlite3-dev wget curl llvm libncurses5-dev libncursesw5-dev xz-utils tk-dev libffi-dev liblzma-dev m4 cmake==3.12.0 dos2unix libopenblas-dev git # Ascend配套软件 | AscendPyTorch版本 | CANN版本 | 支持PyTorch版本 | Gitee分支名称 | | :------------ | :----------- | :----------- | ------------- | | 2.0.2 | CANN 5.0.2 | 1.5.0.post2 | 2.0.2.tr5 | | 2.0.3 | CANN 5.0.3 | 1.5.0.post3 | 2.0.3.tr5 | | 2.0.4 | CANN 5.0.4 | 1.5.0.post4 | 2.0.4.tr5 | | 3.0.rc1 | CANN 5.1.RC1 | 1.5.0.post5 | v1.5.0-3.0.rc1 | | 3.0.rc1 | CANN 5.1.RC1 | 1.8.1.rc1 | v1.8.1-3.0.rc1 | # 安装方式 ## 安装Pytorch依赖环境如果使用非root用户安装，用户需要在本步骤的每句命令后加**--user**，示例如：pip3 install pyyaml --user。 ```sh pip3 install pyyaml pip3 install wheel ``` ## 编译安装PyTorch和昇腾插件首先安装官方torch包，然后编译安装插件。（ARM架构CPU安装，请参见第一条FAQ） ```sh pip3 install torch==1.8.1+cpu ``` 编译生成pytorch插件的二进制安装包。 ``` git clone -b master https://gitee.com/ascend/pytorch.git & cd pytorch # 下载master分支代码，进入插件根目录 # 指定python版本编包方式： bash ci/build.sh --python=3.7 # 或 bash ci/build.sh --python=3.8 # 或 bash ci/build.sh --python=3.9 ``` 然后安装pytorch/dist下生成的插件torch_npu包 ``` pip3 install --upgrade dist/torch_npu-1.8.1rc1-cp37-cp37m-linux_{arch}.whl ``` # 运行 ## 运行环境变量在当前仓库根目录中执行设置环境变量脚本 ``` source env.sh ``` ## 自定义环境变量以下环境变量为NPU场景下使用的功能类或可以提升性能的环境变量： ``` export TASK_QUEUE_ENABLE=1 # 使用异步任务下发，异步调用acl接口，建议默认开启，开启设置为1 ``` 可选的环境变量可能会对运行的模型产生影响: ``` export DYNAMIC_COMPILE_ENABLE=1 # 动态shape特性功能，针对shape变化场景，可选，开启设置为1 export COMBINED_ENABLE=1 # 非连续两个算子组合类场景优化，可选，开启设置为1 export ACL_DUMP_DATA=1 # 算子数据dump功能，调试时使用，可选，开启设置为1 export DYNAMIC_OP="ADD#MUL" # 算子实现，ADD和MUL算子在不同场景下有不同的性能表现。可选 ``` **表 1** 环境变量说明

配置项	说明
LD_LIBRARY_PATH	动态库的查找路径，参考上述举例配置。若训练所在系统环境需要升级gcc（例如CentOS、Debian和BClinux系统），则 “LD_LIBRARY_PATH”配置项处动态库查找路径需要添加 “${install_path}/lib64”，其中 “{install_path}”为gcc升级安装路径。请参见5。
PYTHONPATH	Python搜索路径，参考上述举例配置。
PATH	可执行程序的查找路径，参考上述举例配置。
ASCEND_OPP_PATH	算子根目录，参考上述举例配置。
OPTION_EXEC_EXTERN_PLUGIN_PATH	算子信息库路径。
ASCEND_AICPU_PATH	aicpu算子包路径。
TASK_QUEUE_ENABLE	使用异步任务下发，异步调用acl接口。建议开启，开启设置为1。
HCCL_WHITELIST_DISABLE	配置在使用HCCL时是否开启通信白名单。 0：开启白名单，无需校验HCCL通信白名单。 1：关闭白名单，需校验HCCL通信白名单。缺省值为0，默认开启白名单。
HCCL_IF_IP	配置HCCL的初始化通信网卡IP。 ip格式为点分十进制。暂只支持host网卡。缺省时，按照以下优先级选定host通信网卡名：docker/local以外网卡（网卡名字字典序升序排列）>docker 网卡 > local网卡
ASCEND_SLOG_PRINT_TO_STDOUT	（可选）设置是否开启日志打屏。 0：表示采用日志的默认输出方式。 1：表示日志打屏显示。其他值为非法值。
ASCEND_GLOBAL_LOG_LEVEL	设置应用类日志的全局日志级别。 0：对应DEBUG级别。 1：对应INFO级别。 2：对应WARNING级别。 3：对应ERROR级别。 4：对应NULL级别，不输出日志。其他值为非法值。
ASCEND_GLOBAL_EVENT_ENABLE	设置应用类日志是否开启Event日志。 0：不开启Event日志。 1：开启Event日志。其他值为非法值。
DYNAMIC_COMPILE_ENABLE	（可选）动态shape特性功能，针对shape变化场景，开启设置为1（PyTorch1.8.1不支持该环境变量）。
COMBINED_ENABLE	（可选）非连续两个算子组合类场景优化，开启设置为1。
ACL_DUMP_DATA	（可选）算子数据dump功能，调试时使用，开启设置为1。
DYNAMIC_OP	（可选）算子实现，ADD和MUL算子在不同场景下有不同的性能表现。默认不设置。
unset GOMP_CPU_AFFINITY	（可选）当系统为openEuler及其继承操作系统时，如UOS，需设置此命令，取消CPU绑核。

## 执行单元测试脚本验证运行, 输出结果OK ```shell cd test/test_network_ops/ python3 test_div.py ``` # 安装混合精度模块（可选） AscendPyTorch1.8.1集成了AMP模块，也可用于混合精度训练等应用场景，与Apex模块的区别如下，请用户根据功能需要选择使用，若需安装Apex模块请参考相关[README文档](https://gitee.com/ascend/apex)进行编译安装Apex模块。 - AMP - 动态loss scale：动态计算loss scale的值并判断是否溢出。 - 不支持tensor融合功能。 - APEX - O1配置模式：Conv，Matmul等使用float16精度计算，其他如softmax、BN使用float32精度。 - O2配置模式：除BN使用float32精度外，其他部分使用float16精度。 - 静态loss scale：静态设置参数确保混合精度训练收敛。 - 动态loss scale：动态计算loss scale的值并判断是否溢出。 # 文档有关安装指南、模型迁移和训练/推理教程和API列表等更多详细信息，请参考[用户文档](docs/zh)。 # 建议与交流热忱希望各位在用户社区加入讨论，并贡献您的建议，我们会尽快给您回复。 # 分支维护策略 Ascend PyTorch的版本分支有以下几种维护阶段： | **状态** | **持续时间** | **说明** | |-------------|---------------|--------------------------------------------------| | Planning | 1 - 3 months | 特性规划。 | | Development | 3 months | 特性开发。 | | Maintained | 6 - 12 months | 允许所有问题修复的合入，并发布版本。 | | Unmaintained| 0 - 3 months | 允许所有问题修复的合入，无专人维护，不再发布版本。 | | End Of Life (EOL) | N/A | 不再接受修改合入该分支。 | # 现有分支维护状态 | **分支名** | **当前状态** | **上线时间** | **后续状态** | **EOL 日期**| |------------|--------------|----------------------|----------------------------------------|------------| | **v2.0.2** | Maintained | 2021-07-29 | Unmaintained
2022-07-29 estimated | | | **v2.0.3** | Maintained | 2021-10-15 | Unmaintained
2022-10-15 estimated | | | **v2.0.4** | Maintained | 2022-01-15 | Unmaintained
2023-01-15 estimated | | | **v3.0.rc1** | Maintained | 2022-04-10 | Unmaintained
2023-04-10 estimated | | # FAQ ## CPU架构为ARM架构时，由于社区未提供ARM架构CPU版本的torch包，无法使用PIP3命令安装PyTorch1.8.1，需要使用源码编译安装。下载PyTorch v1.8.1源码包。 ``` git clone -b v1.8.1 https://github.com/pytorch/pytorch.git --depth=1 pytorch_v1.8.1 ``` 进入源码包获取被动依赖代码。 ``` cd pytorch_v1.8.1 git submoudule sync git submoudule update --init --recursive ``` 执行编译安装。 ``` python3 setup.py install ``` ## 在PIP设置为华为源时，安装requirments.txt中的typing依赖后，会导致python环境错误。在PIP设置为华为源时，需打开requirments.txt文件，删除typing依赖，再执行命令。 ``` pip3 install -r requirments.txt ``` ## 编译过程执行bash build.sh报错no module named yaml/typing_extensions. pytorch编译依赖 yaml库和typing_extensions库，需要手动安装。 ``` pip3 install pyyaml pip3 install typing_extensions ``` 安装成功后，注意需要执行make clean在执行bash build.sh进行编译，否则可能因缓存出现未知编译错误。 ## 运行遇到找不到te问题开发态: ``` cd /urs/local/Ascend/ascend-toolkit/latest/{arch}-linux/lib64 ``` 用户态: ``` cd /urs/local/Ascend/nnae/latest/{arch}-linux/lib64 pip3 install --upgrade topi-0.4.0-py3-none-any.whl pip3 install --upgrade te-0.4.0-py3-none-any.whl ``` ## 命令行安装cmake依赖时提示找不到包、编译cmake报错版本过低，可使用安装脚本或源码编译安装。下载安装脚本安装cmake。（参考cmake官网） X86_64环境推荐脚本安装：cmake-3.12.0-Linux-x86_64.sh 部分源下载cmake时会提示无法找到包，需要使用源码编译安装。 1. 获取Cmake软件包。 ``` wget https://cmake.org/files/v3.12/cmake-3.12.0.tar.gz --no-check-certificate ``` 2. 解压并进入软件包目录。 ``` tar -xf cmake-3.12.0.tar.gz cd cmake-3.12.0/ ``` 3. 执行配置、编译和安装命令。 ``` ./configure --prefix=/usr/local/cmake make && make install ``` 4. 设置软连接。 ``` ln -s /usr/local/cmake/bin/cmake /usr/bin/cmake ``` 5. 执行如下命令验证是否安装成功。 ``` cmake --version ``` 如显示“cmake version 3.12.0”则表示安装成功。 ## 命令行安装gcc依赖时提示找不到包、编译时gcc报错问题部分源下载gcc时会提示无法找到包，需要使用源码编译安装。以下步骤请在root用户下执行。 1. 下载gcc-7.3.0.tar.gz，下载地址为[https://mirrors.tuna.tsinghua.edu.cn/gnu/gcc/gcc-7.3.0/gcc-7.3.0.tar.gz](https://mirrors.tuna.tsinghua.edu.cn/gnu/gcc/gcc-7.3.0/gcc-7.3.0.tar.gz)。 2. 安装gcc时候会占用大量临时空间，所以先执行下面的命令清空/tmp目录： ``` sudo rm -rf /tmp/* ``` 3. 安装依赖（以CentOS和Ubuntu系统为例）。 - CentOS执行如下命令安装。 ``` yum install bzip2 ``` - Ubuntu执行如下命令安装。 ``` apt-get install bzip2 ``` 4. 编译安装gcc。 1. 进入gcc-7.3.0.tar.gz源码包所在目录，解压源码包，命令为： ``` tar -zxvf gcc-7.3.0.tar.gz ``` 2. 进入解压后的文件夹，执行如下命令下载gcc依赖包： ``` cd gcc-7.3.0 ./contrib/download_prerequisites ``` 如果执行上述命令报错，需要执行如下命令在“gcc-7.3.0/“文件夹下下载依赖包： ``` wget http://gcc.gnu.org/pub/gcc/infrastructure/gmp-6.1.0.tar.bz2 wget http://gcc.gnu.org/pub/gcc/infrastructure/mpfr-3.1.4.tar.bz2 wget http://gcc.gnu.org/pub/gcc/infrastructure/mpc-1.0.3.tar.gz wget http://gcc.gnu.org/pub/gcc/infrastructure/isl-0.16.1.tar.bz2 ``` 下载好上述依赖包后，重新执行以下命令： ``` ./contrib/download_prerequisites ``` 如果上述命令校验失败，需要确保依赖包为一次性下载成功，无重复下载现象。 3. 执行配置、编译和安装命令： ``` ./configure --enable-languages=c,c++ --disable-multilib --with-system-zlib --prefix=/usr/local/linux_gcc7.3.0 make -j15 # 通过grep -w processor /proc/cpuinfo|wc -l查看cpu数，示例为15，用户可自行设置相应参数。 make install ``` >![](D:\projects\pzrpytorch\pytorch\docs\zh\PyTorch安装指南\public_sys-resources\icon-notice.gif) **须知：** >其中“--prefix“参数用于指定linux\_gcc7.3.0安装路径，用户可自行配置，但注意不要配置为“/usr/local“及“/usr“，因为会与系统使用软件源默认安装的gcc相冲突，导致系统原始gcc编译环境被破坏。示例指定为“/usr/local/linux\_gcc7.3.0“。 5. 配置环境变量。当用户执行训练时，需要用到gcc升级后的编译环境，因此要在训练脚本中配置环境变量，通过如下命令配置。 ``` export LD_LIBRARY_PATH=${install_path}/lib64:${LD_LIBRARY_PATH} ``` 其中$\{install\_path\}为[3.](#zh-cn_topic_0000001135347812_zh-cn_topic_0000001173199577_zh-cn_topic_0000001172534867_zh-cn_topic_0276688294_li1649343041310)中配置的gcc7.3.0安装路径，本示例为“/usr/local/gcc7.3.0/“。 >![](D:\projects\pzrpytorch\pytorch\docs\zh\PyTorch安装指南\public_sys-resources\icon-note.gif) **说明：** >本步骤为用户在需要用到gcc升级后的编译环境时才配置环境变量。目前存在测试环境从GCC4.8.5 切换到 GCC7.3.0。这个过程容易出现错误导致pytorch编译不过，以下是需要软连接的库 gcc, g++,c++(--version 必须是7.3.0) libstdc++->libstdc++.so.6.0.24(7.3.0) ## 找不到libblas.so问题环境缺少openblas库，需要安装openblas库 Centos，EulerOS环境 ```sh yum -y install openblas ``` Ubuntu环境 ```sh apt install libopenblas-dev ``` ## 容器中未挂载device问题在容器中运行脚本出现NPU相关ERROR。由于启动容器实例时，未挂载device参数，导致无法正常启动实例。 ![](figures/FAQ.png) 请用户参考以下命令，重启容器。 ```sh docker run -it --ipc=host \ --device=/dev/davinciX \ --device=/dev/davinci_manager \ --device=/dev/devmm_svm \ --device=/dev/hisi_hdc \ -v /usr/local/Ascend/driver \ -v /usr/local/dcmi \ -v /usr/local/bin/npu-smi \ ${镜像名称}:{tag} \ /bin/bash ``` 参数说明： /dev/davinciX：NPU设配，X是芯片物理ID号例如davinci0。 /dev/davinci_manager：管理设备。 /dev/devmm_svm：管理设备。 /dev/hisi_hdc：管理设备。 /usr/local/Ascend/driver：驱动目录。 /usr/local/dcmi：DCMI目录。 /usr/local/bin/npu-smi：npu-smi工具。 ${镜像名称}:{tag}：镜像名称与版本号。 ## 安装-torch--whl-提示-torch-1-5-0xxxx-与-torchvision-所依赖的版本不匹配安装“torch-\*.whl”时，提示"ERROR：torchvision 0.6.0 has requirement torch==1.5.0, but you'll have torch 1.5.0a0+1977093 which is incompatible"。 ![](figures/zh-cn_image_0000001190081735.png) 安装torch时，会自动触发torchvision进行依赖版本检查，环境中安装的torchvision版本为0.6.0，检查时发现我们安装的torch-\*.whl的版本号与要求的1.5.0不一致，所以提示报错，但实际安装成功。对实际结果无影响，无需处理。 # 版本说明版本说明请参阅[ReleseNote](docs/zh/RELEASENOTE)