昇腾 MindSpore 入门：新手从装环境到跑出第一个模型（附踩坑）

一提到深度学习框架，大家脑子里就是 PyTorch、TensorFlow。但如果你听说过昇腾，大概率也听过它的框架——MindSpore（昇思）。

很多人一看到"华为自研框架"就觉得门槛很高。其实真上手写一个模型，MindSpore 的代码和 PyTorch 有几分像。这篇文章带你用 CPU 跑通第一个模型，并把我自己踩的坑都列出来。

👥 适合谁：会一点 PyTorch、想了解 MindSpore 怎么写的同学。

✅ 看完你能收获：① 搞清 MindSpore 和 PyTorch 的关系；② 写出第一个能跑通的 MindSpore 模型；③ 避开我踩过的坑。

⏱️ 预计阅读 8 分钟，跟着动手约 30 分钟跑通。

📌 说明：本文代码在 CPU 上跑通（方便任何人复现）；MindSpore 在昇腾 NPU 上只是把设备从 "CPU" 改成 "Ascend"，其余代码一样。不涉及自定义算子和分布式训练。

---

一、MindSpore 到底是个啥？和 PyTorch 什么关系？

先把关系理清楚：

• PyTorch：Meta 出的框架，本来主要跑在 NVIDIA 显卡上；
• MindSpore（昇思）：华为开源的 AI 框架，设计之初就和昇腾 NPU 深度绑定。

打个比方：

PyTorch 主要跑在 NVIDIA 显卡上，后来通过 TorchNPU 也能跑昇腾；
而 MindSpore 是华为自研的框架，设计上就和昇腾配合得更紧。

	PyTorch	MindSpore
背后公司	Meta	华为
默认硬件	NVIDIA GPU	昇腾 NPU（也支持 CPU/GPU）
上手熟悉感	大家都熟	和 PyTorch 写法有几分像
优势	生态最大	和昇腾原生配合、全栈自主

一句话：你可以把 MindSpore 理解成"华为生态里的一个深度学习框架"。会 PyTorch，上手它会很快。

---

二、它和昇腾是什么关系？

在昇腾上，典型的链路是：

你的代码（MindSpore）→ CANN（软件栈）→ 昇腾 NPU（芯片）

这套是华为自家打通的，所以 MindSpore 在昇腾上往往"开箱就能识别 NPU"。

当然，PyTorch 通过 TorchNPU 也能跑昇腾。两者不冲突：

• 你已经熟 PyTorch → 用 TorchNPU 上手快；
• 你想深入华为昇腾生态 → MindSpore 是官方主推的路线。

---

三、先把环境装好（最容易卡的一步）

在写代码之前，先把环境配齐。新手最容易卡在"不知道怎么建虚拟环境"，下面一步一步来。

3.1 先装 Python（选 3.9 或 3.10）

MindSpore 不像 PyTorch 那样追最新版 Python。一定要装 Python 3.9 或 3.10，不要用 3.12/3.13。

• 去 https://www.python.org/downloads/ 下载 Python 3.10 安装包；
• Windows 安装时务必勾选 “Add Python to PATH”，否则后面命令行找不到 python。

3.2 建一个虚拟环境

虚拟环境的作用：给 MindSpore 单独开一个"干净房间"，不污染你电脑上其他 Python 项目。

在 PyCharm 里建（点鼠标就行）：

1. 打开 PyCharm → New Project；
2. Location 填个目录，比如 mindspore_demo；
3. Python Interpreter 选 New environment using Virtualenv，基础解释器选你刚装的 Python 3.10；
4. 点 Create。

建好后，PyCharm 底部 Terminal 里跑命令，就自动在这个虚拟环境里了。

3.3 安装 MindSpore

激活虚拟环境后（PyCharm 直接用 Terminal（终端）），执行：

pip install mindspore

如果下载特别慢或超时，换成国内镜像源：

pip install mindspore -i https://pypi.tuna.tsinghua.edu.cn/simple

后面用 Jupyter Notebook（.ipynb）一段一段跑代码，PyCharm 右键就能直接建，不用单独安装。

3.4 注意 NumPy 版本兼容（这里很容易报红）

MindSpore 对 NumPy 版本有要求。如果你机器上是 NumPy 2.x，import mindspore 时经常直接报红/报错（类似 module 'numpy' has no attribute 'XXX' 或 ABI 不兼容）。

解决办法：把 NumPy 降到兼容版本：

pip install "numpy<2"

3.5 验证环境是否 OK

import mindspore as ms
print(ms.__version__)

能正常打印版本号，不报红，环境就装好了。

💡 装环境就记住一句：Python 3.10 + 虚拟环境 + 清华源 + numpy<2，基本不会出问题。常见报错统一在第五章的速查表里。

---

四、第一个 MindSpore 模型：手写数字识别（Jupyter Notebook 逐格跑）

我们用最经典的 MNIST，在 PyCharm 里用 Jupyter Notebook 一段一段跑。

4.1 在 PyCharm 里建一个 Notebook

1. 右键项目名 → New → Jupyter Notebook（PyCharm 自带，不用额外装）；
2. 文件名随便起，比如 demo.ipynb；
3. 打开后选我们刚建的那个虚拟环境当解释器。

💡 如果你用的是 PyCharm 社区版（Community），右键可能没有 Jupyter 选项——要么用专业版，要么装个 Jupyter 插件，或者直接在命令行 jupyter notebook 打开。

后面代码我都按"一格（cell）一段"给，你复制进一格，点左边运行按钮逐格跑即可。

4.2 第 1 格：导入库、指定硬件

import mindspore as ms
import mindspore.dataset as ds
import mindspore.dataset.vision as vision
import mindspore.dataset.transforms as transforms
import mindspore.nn as nn
from mindspore import Model
from mindspore.train.callback import LossMonitor

# 新手先写 "CPU"；到昇腾 NPU 环境就换成 "Ascend"
ms.set_device("CPU")

4.3 第 2 格：下载并解压 MNIST

import os
import gzip
import urllib.request

base_url = "https://ossci-datasets.s3.amazonaws.com/mnist"

files = {
    "train/train-images-idx3-ubyte": "train-images-idx3-ubyte.gz",
    "train/train-labels-idx1-ubyte": "train-labels-idx1-ubyte.gz",
    "test/t10k-images-idx3-ubyte": "t10k-images-idx3-ubyte.gz",
    "test/t10k-labels-idx1-ubyte": "t10k-labels-idx1-ubyte.gz",
}

for save_name, gz_name in files.items():
    folder = os.path.join("MNIST_Data", os.path.dirname(save_name))
    os.makedirs(folder, exist_ok=True)
    gz_path = os.path.join(folder, gz_name)
    raw_path = os.path.join(folder, os.path.basename(save_name))

    print(f"下载 {gz_name} ...")
    urllib.request.urlretrieve(f"{base_url}/{gz_name}", gz_path)

    print(f"解压 {gz_name} ...")
    with gzip.open(gz_path, "rb") as f_in, open(raw_path, "wb") as f_out:
        f_out.write(f_in.read())
    os.remove(gz_path)

print("MNIST 数据准备完成！")

4.4 第 3 格：加载数据并预处理

# 加载 MNIST
train_ds = ds.MnistDataset("MNIST_Data/train", usage="train")
test_ds = ds.MnistDataset("MNIST_Data/test", usage="test")

def transform(dataset):
    image_op = [
        vision.Rescale(1.0 / 255.0, 0),   # 像素归一化到 0~1
        vision.HWC2CHW(),
    ]
    dataset = dataset.map(operations=image_op, input_columns="image")

    # 把标签从 uint32 转成 int32（CrossEntropyLoss 需要）
    label_op = transforms.TypeCast(ms.int32)
    dataset = dataset.map(operations=label_op, input_columns="label")

    dataset = dataset.batch(batch_size=64)
    return dataset

train_ds = transform(train_ds)
test_ds = transform(test_ds)

4.5 第 4 格：定义网络

# 注意：MindSpore 里叫 Cell，不叫 Module；前向函数叫 construct，不叫 forward
class Net(nn.Cell):
    def __init__(self):
        super().__init__()
        self.flatten = nn.Flatten()
        self.fc1 = nn.Dense(28 * 28, 128)   # 对应 PyTorch 的 nn.Linear
        self.relu = nn.ReLU()
        self.fc2 = nn.Dense(128, 10)

    def construct(self, x):
        x = self.flatten(x)
        x = self.relu(self.fc1(x))
        return self.fc2(x)

net = Net()

4.6 第 5 格：封装模型并训练

# 损失函数 + 优化器
loss_fn = nn.CrossEntropyLoss()
optimizer = nn.Adam(net.trainable_params(), learning_rate=1e-3)

# 封装成 Model
model = Model(net, loss_fn=loss_fn, optimizer=optimizer, metrics={"accuracy"})

# 训练 3 轮
model.train(epoch=3, train_dataset=train_ds, callbacks=[LossMonitor()])

(训练后的最后一部分结果的截图,因为训练的批次数（step）比较多，所以不好截图将其完全呈现出来，就截了最后一部分的)

4.7 第 6 格：在测试集上评估

acc = model.eval(test_ds)
print("测试集准确率：", acc)

4.8 实际跑起来是什么样？

在 PyCharm 里逐格运行时，LossMonitor 会按每个 batch 自动打印 loss。能看到 loss 稳定在 0.1 上下、没有爆掉，就说明训练在正常进行。最后一格 model.eval() 会打印测试集准确率（我这次跑出来是 约等于97% 左右，你跑出来数字可能略有差异，属正常）。

4.9 和 PyTorch 对比一下，你会发现差别不大

PyTorch	MindSpore
nn.Module	nn.Cell
forward(self, x)	construct(self, x)
nn.Linear	nn.Dense
自己写训练循环	有高层 Model.train()
.to("cuda")	ms.set_device("Ascend")

核心思想完全一样：搭网络、选损失、选优化器、喂数据、反复训练。只是名字换了几个。

---

五、我自己踩过的坑：常见问题对照

下面这些是实际跑这段代码时最容易卡住的地方，按真实遇到的顺序整理：

坑 1：MindSpore 不会自动帮你下载 MNIST，路径不对会报错

和 PyTorch 的 datasets.MNIST(download=True) 不一样，MindSpore 不会自动联网下数据，路径不对也会报"找不到数据文件"。

解决办法：用第四章第 2 格那段 urllib + gzip 手动下载解压，并确认目录结构是 MNIST_Data/train/...、MNIST_Data/test/...，和代码里 ds.MnistDataset("MNIST_Data/train", usage="train") 写的一致。下载慢就多试几次，或浏览器手动下 4 个 .gz 放好解压。

坑 2：设备到底怎么写？set_context 还是 set_device？

不同版本的 MindSpore 写法不一样，老教程常写：

ms.set_context(device_target="Ascend")

新版本里可以直接用更简洁的：

ms.set_device("CPU")   # NPU 环境换成 "Ascend"

解决办法：新手先用 "CPU" 跑通逻辑，确认代码没错，再到昇腾在线环境把它改成 "Ascend"。这样排错最快，不用一边怀疑环境、一边怀疑代码。

坑 3：标签类型不对，报类型错误

MNIST 读进来的标签默认是 uint32，而 CrossEntropyLoss 要求 int32，直接训练会报类型不匹配。

解决办法：在预处理里加一句类型转换：

label_op = transforms.TypeCast(ms.int32)
dataset = dataset.map(operations=label_op, input_columns="label")

坑 4：MindSpore 对 Python 版本有要求，版本太高装不上

这是最容易劝退新手的一个坑：MindSpore 不像 PyTorch 那样追最新版 Python。如果你装了最新的 Python（比如 3.12、3.13），pip install mindspore 时很可能找不到对应版本的包，报"没有匹配的 wheel / Could not find a version"。

解决办法：

• 别一上来就装最新 Python，选 MindSpore 官方支持的版本（一般 3.9 / 3.10 比较稳）；
• 或者直接用昇腾在线 NPU 环境——它已经帮你配好了兼容的 Python 和 MindSpore，省得本地折腾。

常见报错速查表

现象	原因	怎么办
pip/python 不是内部或外部命令	Python 没加到 PATH	重装 Python 勾上 “Add to PATH”，或用 PyCharm Terminal
pip install mindspore 找不到包	Python 版本太高	换 3.9/3.10，或用在线 NPU 环境
import mindspore 报红/NumPy 报错	NumPy 2.x 不兼容	pip install "numpy<2"
报 Ascend 相关错误	不在 NPU 环境	先写 set_device("CPU") 调试，再切 NPU
找不到数据文件	没下载/路径不对/下载失败	用第四章第 2 格手动下载，核对目录结构，或手动下载解压
报标签类型不匹配	标签是 uint32	加 TypeCast(ms.int32)
下载卡住/超时	网络问题	重试、换网络，或浏览器手动下载
导入 mindspore 失败	没装或版本不对	按 CANN 对应版本装（在线环境一般已装好）

💡 排错总原则：先 CPU 跑通、再切 Ascend；代码逻辑和环境问题分开查，别混在一起纠结。

---

六、往深走一步（知道就行）

1. 动态图 vs 静态图：MindSpore 早期以"静态图+自动并行"出名，现在也支持更灵活的写法，新手不用一开始就纠结。
2. 全栈自主：从框架、软件栈到芯片都是华为一套，做国产化项目时这点很重要。
3. 生态比 PyTorch 小：资料、第三方教程没 PyTorch 多，遇到问题要多查官方文档。
4. 什么时候真该用 MindSpore：如果你只是自己跑跑模型、不挑硬件，PyTorch 足够；但如果你要在昇腾上做正式训练/部署、或者公司要求国产化，MindSpore + CANN 就是官方主推、长期维护最顺的路线。

---

七、写在最后

MindSpore 没那么玄乎：

它就是华为的一个深度学习框架。会搭网络、会选损失和优化器，你就能上手。

至于学 PyTorch 还是 MindSpore，结论很简单：

• 找工作、做通用项目 → PyTorch 生态最大；
• 进华为昇腾生态、做国产化 → MindSpore 值得学。

两个不冲突，核心思想是通的。

🚀 下期预告

下一期想讲：

• MindSpore 和 PyTorch 写法差异逐行对比；
• 或者 在昇腾上跑一个真实的小项目。

评论区告诉我你想看哪个，点个关注不迷路～

🎉 跑通的同学评论区扣个 “1”；卡在哪个报错了，贴出来一起看。

---

📝 本文代码在本地 CPU 上跑通，方便任何人复现；要在昇腾 NPU 上跑，只需把 set_device("CPU") 改成 "Ascend"。版本和数据集路径以官方当时文档为准。