一、实验环境：

Pytorch：1.8.1

Python：3.7

NPU：AICore

二、实验过程：

1.上传数据集“dogs-vs-cats-redux-kernels-edition”，解压得到train和test文件夹。实验过程如下：

加载数据集时遇到的问题，不能传输超出100M的数据集，但是猫狗数据集总共387M，因此采用远程Kaggle链接下载，结果如图所示：

解压后得到train和test文件夹：

2.训练之前下载Restnet50的预训练模型：

将Resnet的最后一个全连接层更换为2，代码如下：

模型结构：

在训练中导入NPU和AMP模块：

重新书写Dataset类，初始化时加载文件路径，完成数据增强操作，在__getitem__方法中实现根据索引index读取对应的数据和标签label，并规定dog是1，cat是0。

训练中将传统的计算模型output和loss语句放入AMP模块下，以自动完成数据的计算并在loss回传和参数更新中使用Ascend自带的scalar模块进行更新：

3.开始在训练中使用NPU：

4.训练结果

实验总结：

        总体实验较为简单，数据集处理较为繁琐，在书写Dataset和DataLoader时需要不断考虑NPU是否可以适配，后经过torch_npu的自动迁移，发现无需将cuda相关的函数以及字符修改，自动迁移可以进行自动更换，方便我们使用。其次需要将模型迁移到不同数据集时更换预训练的网络层，以避免输出与label不匹配。

        Ascend使用整体情况，发现模型在npu’和cpu之间转换时耗时太长，同样的实验环境，在gpu中可能需要更少时间，后续计划着重研究如何调用Ascend来优化模型训练时间。