手动适配指南

由于框架机制差异，目前MindTorch还存在部分接口或参数未对标，需要手动适配成支持的写法。该部分功能我们在不断优化中，如果在使用过程中遇到问题，欢迎交流和参与贡献。

1. 数据处理部分

通常情况下仅需将数据处理相关导入模块转换为mindtorch相应模块，即可实现PyTorch数据部分的迁移，示例如下：

from mindtorch.tools import mstorch_enable
from torch.utils.data import DataLoader
from torchvision import datasets, transforms

# 手动转换
# from mindtorch.torch.utils.data import DataLoader
# from mindtorch.torchvision import datasets, transforms

transform = transforms.Compose([transforms.Resize((224, 224), interpolation=InterpolationMode.BICUBIC),
                                transforms.ToTensor(),
                                transforms.Normalize(mean=[0.4914, 0.4822, 0.4465], std=[0.247, 0.2435, 0.2616])
                               ])
train_images = datasets.CIFAR10('./', train=True, download=True, transform=transform)
train_data = DataLoader(train_images, batch_size=128, shuffle=True, num_workers=2, pin_memory=True)

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[TorchVision_SupportedList.md]中查看接口支持情况。

另外，如果遇到数据处理接口未完全适配的场景，可以暂时使用PyTorch原生的数据处理流程，将生成的数据PyTorch张量转为MindTorch支持的张量对象，请参考convert_tensor 工具使用教程实现。

2. 模型构建部分

2.1 自定义module

from mindtorch.torch.nn import Module, Linear, Flatten

class MLP(Module):
    def __init__(self):
        super(MLP, self).__init__()
        self.flatten = Flatten()
        self.line1 = Linear(in_features=1024, out_features=64)
        self.line2 = Linear(in_features=64, out_features=128, bias=False)
        self.line3 = Linear(in_features=128, out_features=10)

    def forward(self, inputs):
        x = self.flatten(inputs)
        x = self.line1(x)
        x = self.line2(x)
        x = self.line3(x)
        return x

自定义Module写法和PyTorch原生写法一致，但需要注意下述问题：

自定义module时可能出现变量名已被使用场景，如self.phase，需要用户自行变更变量名;
自定义反向传播函数差异，反向函数需要满足MindSpore自定义反向函数格式要求，以下是适配案例，混合精度等更多信息可以参考自定义反向章节内容。

# PyTorch 写法
class GdnFunction(Function):
    @staticmethod
    def forward(ctx, x, gamma, beta):
        # save variables for backprop
        ctx.save_for_backward(x, gamma, beta)
        ...
        return y

    @staticmethod
    def backward(ctx, grad_output):
        x, gamma, beta = ctx.saved_variables
        ...
        return grad_input, grad_gamma, grad_beta

# MindTorch 写法
class GdnFunction(nn.Module):
    def __init__(self):
        super(GdnFunction, self).__init__()

    def forward(self, x, gamma, beta):
        ...
        return y

    def bprop(self, x, gamma, beta, out, grad_output):
        x = torch.Tensor(x)
        gamma = torch.Tensor(gamma)
        beta = torch.Tensor(beta)
        grad_output = torch.Tensor(grad_output)
        ...
        return grad_input, grad_gamma, grad_beta

2.2 inplace类接口适配

暂时无法对标inplace相关操作，当前此类并不真实共享内存，所以torch.xxx(*, out=output)接口推荐写成output = torch.xxx(*)形式，tensor_a.xxx_(*)推荐写成tensor_b = tensor_a.xxx(*)形式，则该接口在图模式下也可正常执行;

切片后的inplace算子不生效，需修改为如下写法：

# PyTorch 原生写法
boxes[i,:,0::4].clamp_(0, im_shape[i, 1]-1)

# MindTorch 推荐写法
a = boxes[i,:,0::4].clamp_(0, im_shape[i, 1]-1) 
boxes[i, :, 0::4] = a

3. 执行流程部分

3.1 指定执行硬件

PyTorch原生接口通过to等接口将数据拷贝到指定硬件中执行，但是MindTorch暂不支持指定硬件执行，实际执行的硬件后端由conetxt指定。如果您的程序运行在云脑2，则默认执行昇腾硬件，如果想执行在其他硬件后端可以参考如下代码;

import mindspore as ms
ms.set_context(device_target="CPU") # 指定CPU执行
ms.set_context(device_target="Ascend", device_id=1) # 指定昇腾1号卡执行， device_id为可选参数，默认0号卡执行

如果未设置device_target参数，则使用MindSpore包对应的后端设备。

3.2 自动微分求导

当调用ms.ops.value_and_grad接口时，如果has_aux为True，不允许存在多层嵌套的输出(优化中)，且求导位置必须为第一个输出;
torch.nn.utils.clip_grad_norm_ 可替换为 ms.ops.clip_by_global_norm等价实现梯度裁剪功能;

4 自定义操作

当内置接口和算子不满足使用需求时，可以利用框架提供的接口和机制实现自定义反向以及硬件算子。MindTorch基于MindSpore框架提供了不同于PyTorch的算子定义方式和接口。

4.1 自定义反向

在部分场景中，不仅需要自定义神经网络层的正向逻辑，也需要手动控制其反向的计算。MindTorch使用nn.Module.bprop代替torch.autograd.Function.backward来实现自定义反向。

PyTorch写法：

from torch.cuda.amp import custom_fwd, custom_bwd

class CustomNet(torch.autograd.Function):
     @staticmethod
     @custom_fwd
     def forward(ctx, a, b):
         ctx.save_for_backward(a, b)
         return a.mm(b)

     @staticmethod
     @custom_bwd
     def backward(ctx, grad):
         a, b = ctx.saved_tensors
         return grad.mm(b.t()), a.t().mm(grad)

output = CustomNet.apply(input)

MindTorch写法：

import mindtorch.torch as torch

class CustomNet(torch.nn.Module):
     def forward(self, a, b):
         return a.mm(b)

     def bprop(self, a, b, out, dout):
         return dout.mm(b.t()), a.t().mm(dout)

custom_net = CustomNet()
custom_net = torch.amp.auto_mixed_precision(custom_net)
output = custom_net(input)

上述两种写法的差异点如下：

MindTorch的正向和反向计算分别使用forward和bprop代替forward和backward，并且无需使用staticmethod。
MindTorch目前不支持通过ctx保存正向计算的中间值，而是在反向计算中根据输入重新获取和计算。
bprop方法有三类入参：

a,b：正向输入，当正向输入有多个时，需同样数量的入参；
out：正向输出；
dout：反向传播时，当前Module执行前的反向结果。

调用方式由CustomNet()代替CustomNet.apply。
混合精度场景下，使用auto_mixed_precision接口代替custom_fwd和custom_bwd。

4.2 自定义算子

由于框架机制和硬件差异，开发者基于PyTorch自定义实现的C++/cuda算子需要手动迁移到MindSpore框架，详细使用教程请参考MindSpore自定义算子描述。

5. 其他

网络中如果调用了MindSpore原生接口，则需要调用mindtorch.torch.cast_to_adapter_tensor接口将输出tensor转换为MindTorch tensor后方可继续调用PyTorch风格接口。除网络训练部分，不推荐混用MindTorch接口和MindSpore接口;
MindTorch tensor暂不支持格式化输出，如label = f"{class_names[labels[i]]}: {probs[i]:.2f}"，可先转换为numpy后输出;
代码中调用torch.autograd.Variable接口，替换为torch.tensor即可;
输出tensor如果要输入到opencv等其他组件进行处理时需要先转为numpy后再执行;
三方库适配：如果代码中使用的三方库不依赖PyTorch，可正常使用无需适配。如果使用的的三方库是基于PyTorch接口开发的，则需要将三方库相关功能代码迁移到MindTorch。目前我们也正在适配一些常用的三方库，例如einops，具体使用方式可参考third_party路径下内容。