文章插圖
然后執行:wq!命令保存文件并退出 。
最后執行source ~/.bashrc命令使其立即生效 。
關于MindStudio的具體安裝流程可以參考Windows安裝MindStudio（點我跳轉），MindStudio環境搭建指導視頻（點我跳轉） 。MindStudio官方下載地址：點我跳轉 。
本文教程基于MindStudio5.0.RC2 x64 ， CANN版本5.1.RC2實現 。
三、準備基于GPU運行生成的原始訓練網絡npy數據文件3.1 獲取項目代碼本樣例選擇resnet50模型 ， 利用git克隆代碼（git clone -b r1.13.0 https://github.com/tensorflow/models.git），下載成功后如下圖所示：
文章插圖
3.2 生成數據前處理數據比對前，需要先檢查并去除訓練腳本內部使用到的隨機處理，避免由于輸入數據不一致導致數據比對結果不可用 。
編輯resnet_run_loop.py文件，修改如下（以下行數僅為示例，請以實際為準）：
注釋掉第83、85行
文章插圖
注釋掉第587~594行
文章插圖
第607行，修改為“return None”
文章插圖
編輯cifar10_main.py文件，將train_epochs的值改為1 。
文章插圖
3.3 生成npy文件進入訓練腳本所在目錄（如“~/models/official/resnet”） ， 修改訓練腳本，添加tfdbg的hook 。編輯resnet_run_loop.py文件，添加如下加粗字體的信息 。
文章插圖
配置環境變量
文章插圖
執行訓練腳本
文章插圖
訓練任務停止后，在命令行輸入run，訓練會往下執行一個step 。
文章插圖
執行lt>gpu_dump命令將所有tensor的名稱暫存到自定義名稱的gpu_dump文件里 。命令行中會有如下回顯 。
文章插圖
另外開啟一個終端，在linux命令行下進入gpu_dump文件所在目錄，執行下述命令，用以生成在tfdbg命令行執行的命令 。
timestamp=$[$(date +%s%N)/1000] ; cat gpu_dump | awk '{print "pt",$4,$4}' | awk '{gsub("/", "_", $3);gsub(":", ".", $3);print($1,$2,"-n 0 -w "$3".""'$timestamp'"".npy")}'>dump.txt
將上一步生成的dump.txt文件中所有tensor存儲的命令復制（所有以“pt”開頭的命令），然后回到tfdbg命令行（剛才執行訓練腳本的控制臺）粘貼執行，即可存儲所有的npy文件，存儲路徑為訓練腳本所在目錄 。
文章插圖
文章插圖
退出tfdbg命令行，將生成的npy文件保存到tf_resnet50_gpu_dump_data（用戶可自定義）目錄下 。
文章插圖
四、準備基于NPU運行生成的訓練網絡dump數據和計算圖文件4.1 分析遷移單擊菜單欄“File > New > Project...”彈出“New Project”窗口 。
文章插圖
在New Project窗口中，選擇Ascend Training 。輸入項目的名稱、CANN遠程地址以及本地地址 。點擊Change配置CANN，如下圖所示：
文章插圖
- Name：工程名稱，可自定義 。
- Description：工程描述，可按需補充關于工程的詳細信息 。
- CANN Version：CANN軟件包版本，如未識別或想要更換使用的版本 ， 可單擊“Change”，在彈出界面中選擇Ascend-cann-toolkit開發套件包的安裝路徑（注意需選擇到版本號一級） 。
- Project Location：工程目錄，默認在“$HOME/AscendProjects”下創建 。
文章插圖
推薦閱讀
- JVM學習筆記——內存模型篇
- LabVIEW+OpenVINO在CPU上部署新冠肺炎檢測模型實戰
- 京東云開發者｜軟件架構可視化及C4模型：架構設計不僅僅是UML
- predator-prey model OpenFOAM 編程 | 求解捕食者與被捕食者模型問題（ODEs）
- 概念+協議的了解+OSI七層模型，TCP/IP五層協議，網絡數據傳輸流程 Linux--網絡基礎
- 三 Linux--多線程
- Hugging Face發布diffuser模型AI繪畫庫初嘗鮮！
- 推廣TrustAI可信分析：通過提升數據質量來增強在ERNIE模型下性能
- 洛克王國水晶犬的訓練怎么個玩法
- Pytorch模型量化