东方智慧AI 算力
AI算力 · 昇腾部署课件 C2

昇腾部署第 C2 课：多框架——昇腾上装哪个框架，几条路有什么不一样

2026-10-05

编制：观澜｜日期：2026-10-05｜级别：T2 标准级 层级：C 层 · L2 框架（C 层第 2 课，前接 C1《TorchNPU 是什么》） 素材来源：昇腾官方文档 MCP 实时抓取（CANN 9.2.0-beta.2 / TorchNPU 26.1.X / MindSpore 官方 FAQ） 数据纪律：框架清单、包名、验证命令、TorchAir 定义逐字出自官方文档；标注「归纳」的是便于记忆的整理，非官方口径。

第一段 · 章前定位

C1 讲完了 PyTorch 这条路：装 CPU 版 PyTorch + 装 TorchNPU 插件。

但你一定注意到了一件事：

官方文档里，PyTorch 只是"其中一个"。 「昇腾部署」「框架适配」这些章节里，还反复出现 MindSpore、TensorFlow。

而且它们的形式完全不一样：

PyTorch MindSpore
装的东西 PyTorch 本体 + 插件 一个包（包名带 -ascend）
验证命令 import torch_npu + .npu() mindspore.run_check()
谁的框架 PyTorch 官方的 昇思的

这一课回答：

昇腾到底支持哪些框架？ "插件"这条路和"原生框架"这条路，差别在哪？ 我该装哪个？

为什么这一课有价值： 框架选择是框架层第一个、也是影响最大的一个决定—— 它决定你后面装什么、验什么、报错往哪查。选错了，后面每一步都别扭。

第二段 · 学习目标

学完这一课，你应该能回答：

  1. 官方口径里，昇腾向上支持哪些 AI 框架
  2. "原生框架"和"适配插件"两条路的形式差别
  3. MindSpore 这条路的包名、装法、验证命令
  4. 遇到"该装哪个"时，按什么判断
  5. TorchAir 是什么（以及为什么会出现"图模式"这个词）

第三段 · 官方口径：昇腾向上支持哪些框架

B1 引过 CANN 的官方定义，里面已经写了答案：

异构计算架构 CANN（Compute Architecture for Neural Networks）是昇腾针对 AI 场景推出的 异构计算架构，向上支持多种 AI 框架，包括 MindSpore、PyTorch、TensorFlow 等， 向下服务 AI 处理器与编程……

注意官方的措辞（归纳）：

官方用词 说明什么
"多种 AI 框架" 不止一个
"包括 MindSpore、PyTorch、TensorFlow 等" 列举了三个，"等"字表示不止这三个

⚠️ 数据纪律提示：官方此处用的是"包括……等"的表述。 本课不声称这是一份完整清单，也不替官方补全—— 具体某版本支持哪些框架、支持到什么程度，以官方《版本说明》与各框架的官方文档为准。

同时，官方 ModelZoo 的《环境准备》也直接给出了两条指引：

  • 安装 PyTorch 可参考：《PyTorch 框架训练环境准备》
  • 安装 MindSpore 可参考：《昇思 MindSpore 安装指南》

归纳：官方对这两个框架都有专门的安装文档， 说明它们都是被正式支持的路子（而不是"能用但没人管"）。

第四段 · 两条路的形式差别（本课核心）

路线一：适配插件（以 PyTorch 为例，C1 讲过）

PyTorch 本体（PyTorch 官方的，装 +cpu 版）
      +
TorchNPU 插件（昇腾提供）
      ↓
两者一起，才能用昇腾

特征：框架是别人的，昇腾以"插件"身份接进去。

路线二：原生框架（以 MindSpore 为例）

MindSpore（昇思自己的框架，有专门给昇腾的版本）
      ↓
一个包搞定

特征：框架本身就是为昇腾（及多后端）设计的， 所以不需要额外插件，但包名会区分后端。

差别的直观体现：看包名和验证命令

PyTorch 路线 MindSpore 路线
装几个包 两个（torch + torch_npu） 一个
包名里的后端标识 插件名 torch_npu 包名带后缀（官方 FAQ 中为 mindspore-ascend）
验证命令 import torch_npu + .npu() mindspore.run_check()
验证输出里的平台标识 —— platform [Ascend]
升级注意 两者版本要配对（C1 第五段） 官方 FAQ：先手动卸载旧版本

⭐ 从"装几个包"就能判断你在哪条路上：

装两个 → 插件路线；装一个（但名字带后端后缀）→ 原生路线。 这不是"哪个更好"，是"框架的设计方式不同"。

为什么会这样（归纳，帮理解）

  • PyTorch 是一个已经很成熟的框架，它有自己的设备抽象机制， 昇腾以插件的形式扩展出一个新设备类型（这也解释了为什么 .npu() 这个动作是插件加上的，见 C1）。
  • MindSpore 是昇思自己设计的框架，从一开始就把"多后端"作为设计目标， 所以直接发布针对不同后端的版本即可。

一句话： 插件路线是"接进去"，原生路线是"长出来"。

第五段 · MindSpore 这条路：怎么装、怎么验

安装方式（官方 FAQ 原文）

MindSpore 支持 Pip、Conda、Source、Docker、Binary 等安装方式，具体安装教程请参考官网。

归纳：装法比 CANN 少（CANN 是七种，B4 讲过）， 但覆盖的形式类似：包管理器装（Pip/Conda）、源码装（Source）、 容器装（Docker）、二进制装（Binary）。

这和 B4 的结论是一致的（归纳）： "怎么装"这件事，在任何一层都是同一批选项—— 包管理器 / 源码 / 容器。变的只是具体命令。

验证安装（官方原始命令与输出）

执行如下命令： bash python -c "import mindspore;mindspore.run_check()" 如果输出： MindSpore version: 版本号 The result of multiplication calculation is correct, MindSpore has been installed on platform [Ascend] successfully!

⭐ 注意输出里的三件事（归纳）：

输出内容 意义
MindSpore version: 版本号 装了哪个版本
The result of multiplication calculation is correct 真算了一次乘法且结果对 —— 说明算子能跑（呼应 C1 的 a + a）
on platform [Ascend] 确认跑在昇腾上（不是 CPU）

这三点和 C1 那行命令的思路完全一样： "装上了" "能算" "算在昇腾上" 三件都要验。

归纳（一条通用验收思路）： 不管哪个框架，验收都问三件事： ① 版本是什么？ ② 能不能算？ ③ 算在哪张卡上？

升级 MindSpore（官方 FAQ 原文）

从旧版本升级到 MindSpore 时，需要先手动卸载旧版本： bash pip uninstall mindspore-ascend 当需要升级 MindSpore 版本时，可执行如下命令： bash pip install --upgrade mindspore=={version} 其中：升级到 rc 版本时，需要手动指定 {version} 为 rc 版本号，例如 1.6.0rc1； 如果升级到正式版本，=={version} 字段可以缺省。

从这段能读出三件事（归纳）：

① 官方给的卸载命令里，包名是 mindspore-ascend —— 这就是"昇腾版 MindSpore"的实际包名（带 -ascend 后缀）。

② "先卸载再升级"这个模式，和 B3 讲 CANN 时一模一样：

B3 的官方规则是"从高版本回退至低版本，需卸载高版本后重新安装"。 这里更严格：升级也要先卸载旧的。

③ rc 版本要显式写版本号 —— 正式版可以省略，rc 版必须写（因为 rc 是预览版，pip 不会自动选它）。

⚠️ 一条实用提醒（归纳）： 看到 mindspore 和 mindspore-ascend 两个名字时要注意区分—— 官方 FAQ 给出的卸载命令用的是 mindspore-ascend， 说明昇腾场景下装的是后者。装错包会表现为"装上了但 run_check 里不是 [Ascend]"。

第六段 · 怎么选（归纳，非官方口径）

先声明：本段是便于决策的整理，不是官方建议。 官方对"该选哪个框架"没有统一口径——因为它取决于你的业务代码。

判断顺序

① 我的模型代码是哪个框架写的？
     PyTorch 写的（或要用 HuggingFace / 开源模型） → PyTorch + TorchNPU 插件
     MindSpore 写的（或要用昇思 ModelZoo）        → MindSpore 昇腾版
     → 这一条基本就定完了。

② 如果从零开始、没有历史包袱呢？
     看生态、看你要用的模型和工具在哪个框架上有现成的
     （官方 ModelZoo 对两个框架都有内容）

③ 如果两边都行呢？
     这条不属于"部署"该决定的 —— 属于"选型"。
     部署层的任务是把已经定好的框架装对、装好。

⭐ 一个最实用的判断法

框架选择这件事，在部署阶段通常没有自由度 —— 因为它是被业务代码决定的，不是被部署决定的。

部署阶段真正要做的三件事（归纳）：

要做的事 看哪一课
装对（装的是昇腾版，不是普通版） C1（PyTorch）/ 本课（MindSpore）
验对（三件事：版本 / 能算 / 在昇腾上） C1 第四段 / 本课第五段
配套对（框架版本与 CANN 版本匹配） C1 第五段（五维）/ 本课

所以"该装哪个框架"这个问题，正确的问法其实是： "我的代码用什么框架？" —— 这个问题有答案之后，"怎么装"才有意义。

第七段 · 顺带认识一个词：图模式与 TorchAir

在官方文档里，你迟早会遇到"图模式"这个词，以及一个叫 TorchAir 的东西。 先说清它是什么（以下是官方原文）：

TorchAir 是为 TorchNPU 提供图模式能力的扩展库，支持用户使用 PyTorch 和 TorchNPU 在昇腾设备上进行图模式的训练和推理。TorchAir 对外提供昇腾设备的图模式编译后端， 对接 PyTorch 的 dynamo 特性，将 PyTorch 的 FX 计算图转换为昇腾的 GE 计算图……

拆开这句官方定义（归纳）

官方片段 意思
"为 TorchNPU 提供图模式能力" 它是给 TorchNPU 加一种模式的
"对接 PyTorch 的 dynamo 特性" 从 PyTorch 那边拿到计算图
"将 PyTorch 的 FX 计算图转换为昇腾的 GE 计算图" 做图的翻译
"图模式编译后端" 它是一条编译路径

与 C1 的一个呼应

C1 说过：

「TorchAir 不是独立软件包，而是作为 TorchNPU 的三方库，随着 TorchNPU 包一起发布。 请直接安装 TorchNPU 插件，即可使用 TorchAir。」

所以（归纳）：你不需要为 TorchAir 做任何额外的安装动作， 装 TorchNPU 就有。

为什么本课要提"图模式"

因为这是理解 C3 的钥匙（归纳）：

一个模型跑到昇腾上，有两种执行方式： 逐条算（单算子模式） vs 整图编译后算（图模式）。 "算子从框架到芯片走了哪条路"这个问题，答案就取决于走的是哪种模式 —— 这就是 C3 要讲的事。

⚠️ 数据纪律提示：本课只给出"图模式存在、TorchAir 是它的载体"这个事实。 两种模式的完整机制、适用场景、性能差异，留给 C3 展开—— 本课不做超出官方原文的推测。

第八段 · 出问题怎么查

先看验证输出，别急着猜

现象 先查什么
装完不知道装对没 跑官方验证命令：PyTorch 用 C1 那条；MindSpore 用 mindspore.run_check()
MindSpore 验证输出里不是 [Ascend] 装成非昇腾版了（检查包名是否是 mindspore-ascend）
PyTorch 侧 import torch_npu 失败 回 C1（插件没装 / 版本不配）
两个框架都想装，会不会冲突 两者是独立的 Python 环境包；是否同环境共存以各自官方文档为准（本课不推测）
想升级 MindSpore 官方 FAQ：先 pip uninstall mindspore-ascend，再 pip install --upgrade
装 MindSpore 报"找不到包" 确认包名带 -ascend（别装成通用版）
想用图模式 装 TorchNPU 即可（TorchAir 随之而来）→ 细节看 C3

⭐ 一个最省时间的判断法

验证命令的输出里，"平台标识"是最该看的一行。

  • MindSpore：看 on platform [Ascend]
  • PyTorch：.npu() 能成功 + a + a 能打印（C1）

原因（归纳）："装上了"和"装对版本了"是两件事。 一个普通版的 MindSpore 也能 import 成功、也能 run_check() 通过 —— 但它会告诉你平台不是 Ascend。

这类"能用但不是你想要的那个"的错误，只能靠输出里的平台标识发现。

第九段 · 小结与下一课

三句话带走

  1. 官方口径：CANN 向上支持多种 AI 框架，包括 MindSpore、PyTorch、TensorFlow 等—— "等"字说明不止这三个（本课不补全，以官方文档为准）。
  2. 两条路形式不同：插件路线（PyTorch + torch_npu，装两个包） vs 原生路线（MindSpore 昇腾版，装一个包、名字带后端后缀）。 判据：装两个还是装一个。
  3. 不管哪个框架，验收都问三件事：① 版本是什么 ② 能不能算 ③ 算在哪张卡上—— MindSpore 的 run_check() 输出一次给了三个答案。

本课在体系里的位置

─── L0 硬件与环境（A 层，已完成）─── A0 / A1 / A2 / A3
─── L1 基础软件（B 层，已完成）─── B1 / B2 / B3 / B4 / B5
─── L2 框架（C 层）───
C1 TorchNPU 是什么：PyTorch 怎么接到昇腾上       ✅
C2 多框架：昇腾上装哪个框架，几条路有什么不一样    ★ 本课
C3（拟）框架适配原理：一个算子从框架到芯片走了哪条路
─── 排障（E 层）─── E1

本课留下的"钩子"

钩子 在哪一课填
单算子模式与图模式：两种执行方式到底差在哪 C3
TorchAir 那条"FX 计算图 → GE 计算图"的路怎么走 C3
框架层的报错怎么按层定位 E1 / C 层后续
推理服务层（MindIE）用哪个框架 D 层

课后自测（3 题）

  1. 同样是"在昇腾上用某个框架"，PyTorch 和 MindSpore 在装包数量上为什么不一样？
  2. mindspore.run_check() 的输出里，哪一句能证明"这是昇腾版"？如果不看这一句会漏掉什么？
  3. 官方 FAQ 说升级 MindSpore 要先手动卸载——这和 B3 讲的 CANN 升级规则有什么相似之处？

附录 A · 本课引用的官方出处

内容 出处
「向上支持多种 AI 框架，包括 MindSpore、PyTorch、TensorFlow 等」 官方《CANN - 使用导读》
zh/CANNCommunityEdition/920beta2/index/index.html（另见 B1）
「安装 PyTorch 可参考《PyTorch 框架训练环境准备》；安装 MindSpore 可参考《昇思 MindSpore 安装指南》」 官方 ModelZoo《文档中心 · 快速开始 · 环境准备》
zh/ModelZoo/Documentation/qs/qs_0003.html
MindSpore 支持 Pip / Conda / Source / Docker / Binary 等安装方式 官方《Ascend FAQ · MindSpore FAQ · 安装部署》
https://www.hiascend.com/document/detail/zh/AscendFAQ/ProduTech/MindSporeFAQ/mindsporefaq_001.html
验证命令 python -c "import mindspore;mindspore.run_check()" 与期望输出（含 platform [Ascend]） 同上
升级 MindSpore：先 pip uninstall mindspore-ascend，再 pip install --upgrade mindspore=={version}；rc 版本需显式指定 同上
TorchAir 的官方定义（图模式能力扩展库 / dynamo / FX 计算图 → GE 计算图） 官方 TorchNPU《用户指南 · 配套软件库》
zh/Pytorch/2610/userguide/SuppLib/.../supported_suites_and_third_party_libraries.md
「TorchAir 不是独立软件包，作为 TorchNPU 的三方库随 TorchNPU 包一起发布」 官方 TorchNPU《TorchAir · 简介》
zh/Pytorch/2610/devguide/TorchAir/docs/zh/overview.md（另见 C1）

⚠️ 数据纪律提示： ① 框架清单不完整：官方表述为"包括……等"，本课不替官方补全， 具体支持情况以官方《版本说明》与各框架官方文档为准； ② "该选哪个框架"的决策部分（第六段）标注为「归纳」，非官方口径—— 官方对框架选型无统一口径； ③ 图模式只给了"存在"这个事实与 TorchAir 的官方定义， 完整机制留给 C3，本课不做推测； ④ 本课未声称两个框架可/不可在同一 Python 环境共存——此类问题以各框架官方文档为准。

附录 B · 本课出现的命令详解

python -c "import mindspore;mindspore.run_check()"

  • 含义：官方给的 MindSpore 安装验证命令。
  • 拆解：
片段 含义
python -c "..." 把引号里的内容当代码执行（同 C1 的 python3 -c）
import mindspore 导入 MindSpore
mindspore.run_check() MindSpore 自带的自检函数：跑一次乘法，并报告版本与平台
- 用法：python -c "import mindspore;mindspore.run_check()"
- 期望结果（官方原文）：
```
MindSpore version: 版本号
The result of multiplication calculation is correct,
MindSpore has been installed on platform [Ascend] successfully!
```
- 读输出：version: → 版本；calculation is correct → 能算；
platform [Ascend] → 算在昇腾上。
- 不用会怎样：无法区分"装了昇腾版"还是"装了一般的版本"。

pip uninstall mindspore-ascend

  • 含义：卸载昇腾版 MindSpore。
  • 拆解：pip = 包管理器；uninstall = 卸载；mindspore-ascend = 昇腾版包名。
  • 用法：pip uninstall mindspore-ascend
  • 为什么需要：官方 FAQ 明确升级前需先手动卸载旧版本。
  • 注意：包名是 mindspore-ascend，不是 mindspore —— 这两个是不同的包（对应不同后端）。
  • 不用会怎样：直接 --upgrade 可能升不干净（官方要求先卸）。

pip install --upgrade mindspore=={version}

  • 含义：升级 MindSpore 到指定版本。
  • 拆解：--upgrade = 升级；=={version} = 精确版本约束。
  • 用法：pip install --upgrade mindspore==1.6.0rc1（rc 版本需显式指定）
  • 官方说明：升级到正式版本时，=={version} 字段可以缺省； 升级到 rc 版本时必须手动指定。
  • 不用会怎样：想装 rc 版但没写版本号 → pip 装的是正式版。

import torch_npu 与 .npu()（C1 回顾）

  • 见 C1《TorchNPU 是什么》附录 B——本课用它做两条路线的对照。

参数速查表

命令 / 片段 用途 属于哪条路
python -c "import mindspore;mindspore.run_check()" MindSpore 安装验证 原生
platform [Ascend]（输出中） 确认是昇腾版 原生
pip uninstall mindspore-ascend 卸载昇腾版 MindSpore 原生
import torch_npu + .npu() TorchNPU 启用与验证 插件
npu-smi info 装框架前确认驱动（A1） 通用
source .../set_env.sh 装框架前配 CANN 环境变量（B1） 通用

附：C1 与 C2 的分工（避免重复）

问题 在哪一课
TorchNPU 是什么、五维版本对应、验收命令拆解 C1
昇腾支持哪些框架、插件路线 vs 原生路线的形式差别、MindSpore 怎么装怎么验、图模式与 TorchAir 是什么 本课（C2）
单算子模式与图模式的完整机制、算子从框架到芯片的路径 C3
框架层报错的分层定位 C3 / E1
选修 · 昇腾 AI 部署实操 本机读完 0/51
选修 C · 昇腾 AI 部署实操
从零把昇腾 AI 部署学一遍：先看懂分几层，再逐层装起来，最后出问题能自己定位到哪一层。不需要先有卡就能开始。
下一站 → 昇腾部署第 C3 课：框架适配原理——一个算子从框架到芯片走了哪条路 （文章）
看完整学习路径（6 站 + 3 门选修） · 进度只存在你这台设备的浏览器里，不用登录
辽ICP备2026019944号-1