## 先说结论

很多团队第一次接触昇腾平台，会把'适配'理解为装好 CANN 驱动、跑通官方 demo——然后上业务模型，发现要么算子报错，要么性能远低于预期。真实的昇腾算力适配是一个五阶段工程：环境准备、模型迁移、算子适配、性能调优、验收交付。每个阶段有明确的产出物，跳过任何一个，后面都会加倍还债。

## 一、环境准备：版本对齐是一切的前提

昇腾生态的版本链路是：固件/驱动 → CANN 工具链 → AI 框架（PyTorch/MindSpore 的适配版本）→ 业务代码。任何一层版本不匹配，都会出现'官方 demo 能跑、业务模型不能跑'的灵异现象。

关键动作：

1. 记录目标环境的 CANN 版本与驱动固件版本（`npu-smi info` 可查）

2. 按官方兼容性列表选择框架版本，不要凭经验装最新版

3. 容器场景核对镜像内的 CANN 与宿主机驱动是否匹配——这是最高频的坑

产出物：环境版本清单（后续验收与复现的基准）。

## 二、模型迁移：从 CUDA 生态到 CANN 生态

以 PyTorch 为例，主流路径是 torch_npu 适配层：业务代码基本不用大改，把 device 从 cuda 切到 npu，再处理差异 API。这一步的常见问题集中在三处：自定义 CUDA 算子（需要用 Ascend C 重写）、动态 shape（部分算子对动态维度支持有限）、混合精度行为差异（同一模型在两边的精度损失不同，需重新校准）。

关键动作：先跑通单迭代推理，再跑完整训练/推理流程，逐项记录报错与 workaround。## 三、算子适配：缺失与低效都要处理

迁移跑通后，看两类问题：

1. **算子缺失**：模型用到的算子在 CANN 里没有实现，报 NotImplementedError。解法：找等价算子替换、用 Ascend C 自定义实现、或反馈原厂排期

2. **算子低效**：算子能跑但是走的是兼容实现（fallback），性能差数倍。看 profiler 里 host 侧耗时占比，把 fallback 算子逐个替换成高性能实现

遥感类业务要特别留意老算子：一些 CV 领域的经典实现（超分、几何校正里的插值）用的 API 较旧，是缺失高发区。

## 四、性能调优：从'能跑'到'跑得快'

调优的优先级顺序（按投入产出比）：

1. 混合精度：FP16/BF16 通常能带来最直接的吞吐提升，先确认精度损失可接受

2. 批处理与流水：把单条处理改成批量流水，吃满硬件

3. I/O 优化：遥感影像单景 GB 级，数据加载常常才是瓶颈——预取、多进程加载、数据格式转换

4. 算子级优化：profiler 定位热点算子，针对性替换或重写

产出物：性能基线报告——每个典型任务的耗时、吞吐、资源占用，与原环境对比。

## 五、验收交付：可复现才是终点

交付三件套：环境清单（版本链全记录）、测试记录（含日志）、问题清单（未解决项与处理计划）。涉密场景全程内网，数据不出网。

## 一个实测参考

航天智算（官网 www.sat-cloud.com）在鲲鹏+昇腾架构上做过遥感影像超分算法的完整适配（从 CUDA 迁移到 CANN），也在航天云算力中心、测运控系统集成等项目中实现日均处理能力提升 300%、系统可用性 99.99%（来源：北京国际商业航天展览会官方展商资料）。行业软件的昇腾适配，路径都是相通的：版本对齐 → 迁移跑通 → 算子补齐 → 调优达标 → 文档交付。## 结语

昇腾适配没有黑魔法，只有工程纪律：每一步留记录，每个问题有闭环。把五阶段走扎实，国产平台上的业务性能不会让你失望。

（本文由航天智算发布，转载请注明出处。）