1 Ascend Extension for PyTorch
Ascend Extension for PyTorch 插件是基于昇腾的深度学习适配框架，使昇腾NPU可以支持PyTorch框架，为PyTorch框架的使用者提供昇腾AI处理器的超强算力。
项目源码地址请参见Ascend/Pytorch。
昇腾为基于昇腾处理器和软件的行业应用及服务提供全栈AI计算基础设施。您可以通过访问昇腾社区，了解关于昇腾的更多信息。
2 为什么需要此扩展？
PyTorch本身是个模型训练和推理的AI框架，与华为的昇思（mindspore）和百度的飞浆（paddlepaddle）等是同样的产品形态。pytorch作为业界的顶流，无论是在业界，还是高校或者说是AI相关社区，其重要性都是无法撼动的。但是，pytorch本身只对cpu和gpu进行了较好的适配，这就导致了新出现的npu硬件产品，如果要在pytorch上进行无缝对接，肯定得进行一些适配。比如：如何调用新npu硬件上配套的高性能算子？
3 Ascend在pytorch上的对接方案
以下架构图来源于昇腾社区。
Ascend Extension for PyTorch
该在线对接适配方案的特点包含：
- 最大限度的继承PyTorch框架动态图的特性。
- 最大限度的继承原生PyTorch的开发方式，可以使用户在将模型移植到昇腾AI处理器设备进行训练时，在开发方式和代码重用方面做到最小的改动。
- 最大限度的继承PyTorch原生的体系结构，保留框架本身出色的特性，比如自动微分、动态分发、Debug、Profiling、Storage共享机制以及设备侧的动态内存管理等。
- 扩展性好。在打通流程的通路之上，对于新增的网络类型或结构，只需涉及相关计算类算子的开发和实现。框架类算子，反向图建立和实现机制等结构可保持复用。
- 与原生PyTorch的使用方式和风格保持一致。用户在使用在线对接方案时，只需在Python侧和Device相关操作中，指定Device为昇腾AI处理器，即可完成用昇腾AI处理器在PyTorch对网络的开发、训练以及调试，用户无需进一步关注昇腾AI处理器具体的底层细节。这样可以确保用户的修改最小化，迁移成本较低。
根据上图，可以获取以下几点内容（全部是个人理解，如果错了还望指正）：
- 图中标识1的部分，这个是业务层，比如训练，推理等；
- 图中标识2的部分，是torch的原有python接口，方便用户侧调用。
- 图中标识3的部分，ascend对外提供的python接口，比如在分布式下，ascend是hccl，而gpu是nccl；在用户脚本侧，就得调用对应的接口；
- 图中标识4的部分，这个是pybind层。熟悉pytorch的这层作用很明了。python侧只是用户python中脚本呈现的，真正下发到硬件上去执行，都是c++侧下发。从python到c++，就有一个pybind的过程，也就是cpython。
- 图中标识5的部分，是框架中的通用层，比如算子关系，tensor实现，memory申请实现等；
- 图中标识6的部分，这个是ascend上特有的，如aclop需要编译然后执行（aclop特有），就是将算子的执行逻辑编译成一个.o的执行文件，让c++能够直接调用；
- 图中标识7的部分，算子执行库；也就是ACL（Ascend c）编译后的算子执行库；
- 图中标识8的部分，hccl（集合通信库）执行库；
- 图中标识9的部分，ascend的rumtime。runtime的作用，也就是给你一个op或者说一张图，让其在硬件升运行起来。
下一步，将从源码的角度来看看具体的实现逻辑，相关文章如下：
Ascend Extension for PyTorch的源码解析
