RaceSnail

本节介绍aclnn算子的三种适配场景。 Paddle-API 与 CANN-Kernel 差异剖析及适配策略 对于Paddle-API与CANN-Kernel两者中常见的差别与适配方法如下： Padd

适配代码仓介绍 Paddle 针对除 CPU 和 Nvidia GPU 之外的其他硬件的适配代码，均存于PaddleCustomDevice代码仓 以 NPU 适配代码为例，其路径为 PaddleCu

精度对齐说明 精度对齐旨在确保模型在训练一定轮次后，其损失（LOSS）或评分能够与原硬件训练的结果基本相符。 精度对齐标准 下图所示为在原硬件GPU上的训练精度： 迁移到NPU上后要求与GPU训练精度

本次案例以PaddleOCRv4的模型为例，介绍将模型迁移到NPU上的流程。 迁移过程要保证原模型的功能在新的硬件上不会出现错误，可以借助各种日志辅助定位，此处尤其需要注意的是偶发性错误与长跑时才会出

训练常用环境变量 本节介绍的环境变量建议在训练前提前设置好。 NPU私有格式 0为关闭，建议关闭： NPU在线编译 false为关闭，建议小模型关闭，大模型打开： aclnn_scale 在大模型场景

CANN环境准备 CANN镜像下载 优先下载cann8.0镜像： X86架构： https://paddle-ascend.bj.bcebos.com/cvmodel/docker-image/npu