| name | migration-ascend-torchnpu-skills-environment-setup |
| description | Provides detailed procedures for setting up Ascend NPU development environment. Invoke when installing Ascend drivers, CANN toolkit, torch\_npu, or resolving environment compatibility issues. |
Skill: 昇腾NPU环境搭建
你是一位专注于昇腾NPU环境配置的工程师。本Skill提供从驱动安装到Python环境配置的完整操作流程。
- MUST 优先采用昇腾官方Docker镜像搭建环境，避免手动安装带来的依赖问题
- MUST 优先保持原项目PyTorch版本不变；若与昇腾不兼容，则采用昇腾支持的最新版本
- MUST 保持torch_npu版本与PyTorch版本严格对应
- NEVER 在未验证版本兼容性的情况下安装软件包
- MUST 记录每一步操作命令，用于迁移报告
- MUST 使用pip安装时优先指定第三方镜像源（如阿里源、清华源），仅在镜像源失败时回退至pip默认源
- MUST 优先使用镜像站或ModelScope获取模型/数据集资源，NEVER默认使用HuggingFace官网；仅在用户明确确认网络可达HuggingFace时方可使用HuggingFace官网
<version_notice>
本Skill中的版本配套信息基于编写时的最新数据。昇腾软件栈版本迭代较快，后续出现新版本时，MUST以昇腾官网发布的版本配套表为准：
⚠ 版本会持续更新，MUST实时访问上述官网链接获取最新版本配套关系，不可依赖本Skill中已固化的版本信息。 每次执行迁移任务时，应首选查阅官方文档获取最新版本信息，仅在无法访问官网时回退使用本Skill中的参考数据。
</version_notice>
一、版本兼容性矩阵
1.1 核心组件版本对应关系
以下数据来源于 torch_npu 官方仓库（gitcode.com/Ascend/pytorch），仅为编写时快照，新版本请查阅官方文档。
| CANN版本 | PyTorch版本 | torch_npu版本 | Python版本 | 备注 |
|---|
| CANN 9.0.0 | 2.10.0 | 2.10.0 | 3.9-3.13 | 最新版，支持Python3.13 |
| CANN 9.0.0 | 2.9.0 | 2.9.0.post2 | 3.9-3.12 |
|
| CANN 9.0.0 | 2.8.0 | 2.8.0.post2 | 3.9-3.12 |
|
| CANN 9.0.0 | 2.7.1 | 2.7.1.post3 | 3.9-3.11 |
|
| CANN 8.5.2 | 2.9.0 | 2.9.0.post1 | 3.9-3.12 |
|
| CANN 8.5.2 | 2.8.0 | 2.8.0.post1 | 3.9-3.11 |
|
| CANN 8.5.2 | 2.7.1 | 2.7.1.post2 | 3.9-3.11 |
|
| CANN 8.5.2 | 2.6.0 | 2.6.0.post6 | 3.9-3.11 |
|
| CANN 8.5.1 | 2.9.0 | 2.9.0.post1 | 3.9-3.12 |
|
| CANN 8.5.1 | 2.8.0 | 2.8.0.post1 | 3.9-3.11 |
|
| CANN 8.5.1 | 2.7.1 | 2.7.1.post2 | 3.9-3.11 |
|
| CANN 8.5.1 | 2.6.0 | 2.6.0.post6 | 3.9-3.11 |
|
| CANN 8.5.0 | 2.9.0 | 2.9.0 | 3.9-3.12 |
|
| CANN 8.5.0 | 2.8.0 | 2.8.0 | 3.9-3.11 |
|
| CANN 8.5.0 | 2.7.1 | 2.7.1 | 3.9-3.11 |
|
| CANN 8.5.0 | 2.6.0 | 2.6.0.post5 | 3.9-3.11 |
|
| CANN 8.3.RC1 | 2.8.0 | 2.8.0 | 3.9-3.11 |
|
| CANN 8.3.RC1 | 2.7.1 | 2.7.1 | 3.9-3.11 |
|
| CANN 8.3.RC1 | 2.6.0 | 2.6.0.post3 | 3.9-3.11 |
|
| CANN 8.2.RC1 | 2.6.0 | 2.6.0 | 3.9-3.11 |
|
| CANN 8.2.RC1 |
小版本迭代说明：实际使用时，CANN版本号可能会有小迭代（如 CANN 9.0.0 → CANN 9.0.1），此类小版本迭代通常保持与主版本的兼容性，可按照主版本（如9.0.0）的兼容性进行判断。但MUST在安装后通过 torch.npu.is_available() 验证实际可用性。
1.1b CANN与Ascend HDK（驱动固件）版本对应关系
以下数据来源于CANN社区版各版本说明文档（hiascend.com），仅为编写时快照。版本持续更新，MUST实时查阅官网获取最新对应关系：
https://www.hiascend.com/document/detail/zh/CANNCommunityEdition/900/releasenote/release-notes.md
| CANN版本 | 配套 Ascend HDK 版本 | 备注 |
|---|
| CANN 9.0.0 | 26.0.RC1 / 25.5.2 / 25.5.1 | 最新版 |
| CANN 8.5.2 | 25.5.x | — |
| CANN 8.5.1 | 25.5.x | — |
| CANN 8.5.0 | 25.5.x | — |
| CANN 8.3.RC1 | 25.x.x | — |
| CANN 8.2.RC1 | 25.2.0 | — |
| CANN 8.1.RC1 | 24.x.x | — |
| CANN 8.0.0 | 24.x.x | — |
| CANN 7.0.0 | 23.x.x | — |
说明：
- Ascend HDK 版本号即昇腾驱动固件版本号，驱动安装包文件名格式为
Ascend-hdk-{HDK版本}-npu-driver_linux-{arch}.run
26.0.RC1 中的 RC 表示 Release Candidate（发布候选版）- 同一CANN版本可能兼容多个HDK版本，以官网版本说明中的配套关系为准
- HDK版本与CANN版本之间的兼容性是单向的：必须先确定CANN版本，再确定配套的HDK版本
- ⚠ 版本会更新，上表仅作参考，MUST在官网实时查询： 通过访问对应CANN版本的版本说明页面（将URL中的版本号替换为目标版本），可查到该版本的精确配套HDK版本
1.2 版本选择原则
- 确定原项目使用的PyTorch版本
- 检查该版本是否在昇腾支持列表中
- 若兼容：保持原项目PyTorch版本，查找对应的torch_npu版本
- 若不兼容：采用昇腾支持的最新PyTorch版本，查找对应的torch_npu版本
- 根据torch_npu版本查找对应的CANN版本
- 根据CANN版本查找对应的昇腾驱动版本（查阅 1.1b CANN与Ascend HDK版本对应关系 和CANN版本说明中的配套HDK版本，MUST实时查阅官网获取最新对应关系）
- 无强制版本要求时：MUST查阅最新的版本配套关系，优先采用最新版本，以获得更好的算子支持和性能优化
1.3 版本选择示例
场景：原项目使用 PyTorch 2.1.0
1. 查表：PyTorch 2.1.0 在多个CANN版本中均有支持
2. 选择策略：选择最新的CANN版本（8.2.RC1），对应的torch_npu为 2.1.0.post13
3. 查CANN-HDK对应关系：CANN 8.2.RC1 配套 Ascend HDK 25.2.0（见 1.1b 节表）
4. 确认驱动：需要安装 25.2.0 版本的昇腾驱动
场景：原项目使用 PyTorch 2.9.0
1. 查表：PyTorch 2.9.0 在 CANN 9.0.0/8.5.2/8.5.1/8.5.0 中均有支持
2. 选择策略：选择最新的CANN版本（9.0.0），对应的torch_npu为 2.9.0.post2
3. 查CANN-HDK对应关系：CANN 9.0.0 配套 Ascend HDK 26.0.RC1 / 25.5.2 / 25.5.1（见 1.1b 节表）
4. 确认驱动：需要安装 26.0.RC1 或 25.5.x 版本的昇腾驱动
场景：原项目使用 PyTorch 2.6.0
1. 查表：PyTorch 2.6.0 在 CANN 8.5.2/8.5.1/8.5.0/8.3.RC1/8.2.RC1 中均有支持
2. 选择策略：选择最新的CANN版本（8.5.2），对应的torch_npu为 2.6.0.post6
3. 查CANN-HDK对应关系：CANN 8.5.2 配套 Ascend HDK 25.5.x（见 1.1b 节表）
4. 确认驱动：需要安装 25.5.x 版本的昇腾驱动
二、环境搭建（首选Docker镜像方式）
MUST优先使用Docker镜像方式搭建环境。昇腾官方镜像已预集成CANN toolkit、kernels、NNAL等软件包和系统依赖，可大幅减少手动安装的工作量和出错概率。建议以最新版本的CANN镜像作为基础进行搭建。
2.1 镜像选择
从昇腾镜像仓库选择镜像：https://www.hiascend.com/developer/ascendhub
CANN基础镜像（推荐，最灵活）：
镜像仓库地址：swr.cn-south-1.myhuaweicloud.com/ascendhub/cann
具体Tag请查阅以下官方渠道（Tag随CANN版本持续更新）：
Tag命名规则：{CANN版本}-{芯片型号}-{OS}-py{Python版本}
镜像内已集成 Toolkit开发套件包、Kernels算子包、NNAL加速库，无需额外安装。
示例（以编写时可查到的Tag为例，新版本请查阅上述官方渠道）：
| Tag组成部分 | 可选值 | 说明 |
|---|
| CANN版本 | 8.5.0、8.1.rc1、9.0.0 等 | 选择与torch_npu匹配的CANN版本 |
| 芯片型号 | 910b、910c、310p、910、950 | 910C对应A3系列，其他请查阅昇腾官网 |
| OS | ubuntu22.04、openeuler24.03 | 建议选择Ubuntu版本 |
| Python版本 | py3.10、py3.11 | 选择与项目匹配的Python版本 |
芯片型号与产品系列的对应关系请查阅昇腾官方文档，不要自行推断
2.2 拉取镜像
docker pull --platform=arm64 swr.cn-south-1.myhuaweicloud.com/ascendhub/cann:8.5.0-910b-ubuntu22.04-py3.10
docker pull --platform=amd64 swr.cn-south-1.myhuaweicloud.com/ascendhub/cann:8.5.0-910b-ubuntu22.04-py3.10
2.3 启动容器
宿主机MUST已安装昇腾驱动和固件，且Docker版本 >= 1.11.2。
docker images | grep ascendhub/cann
docker run --name npu_dev -dit --privileged --net=host --shm-size=500g \
-w /home \
--device=/dev/davinci0 \
--device=/dev/davinci1 \
--device=/dev/davinci2 \
--device=/dev/davinci3 \
--device=/dev/davinci4 \
--device=/dev/davinci5 \
--device=/dev/davinci6 \
--device=/dev/davinci7 \
--device=/dev/davinci_manager \
--device=/dev/devmm_svm \
--device=/dev/hisi_hdc \
-v /usr/local/dcmi:/usr/local/dcmi \
-v /usr/local/bin/npu-smi:/usr/local/bin/npu-smi \
-v /usr/local/Ascend/driver/lib64/:/usr/local/Ascend/driver/lib64/ \
-v /usr/local/Ascend/driver/version.info:/usr/local/Ascend/driver/version.info \
-v /etc/ascend_install.info:/etc/ascend_install.info \
-v /home:/home \
-v /data:/data \
-v /usr/share/zoneinfo/Asia/Shanghai:/etc/localtime \
{镜像ID} \
bash
设备挂载参数说明：
| 参数 | 说明 |
|---|
--privileged | 开启特权模式，确保NPU设备完整可用 |
--device=/dev/davinci0~7 | 映射所有NPU卡（davinci0~davinci7） |
--device=/dev/davinci_manager | 映射NPU设备管理接口 |
--device=/dev/devmm_svm | 映射设备内存管理接口 |
--device=/dev/hisi_hdc | 映射主机与设备间通信接口 |
-v /usr/local/dcmi | 挂载DCMI工具和库 |
-v /usr/local/Ascend/driver/lib64/ | 挂载驱动库 |
-v /usr/local/Ascend/driver/version.info | 挂载驱动版本信息 |
-v /etc/ascend_install.info | 挂载驱动安装信息 |
2.4 容器内环境配置
容器内不建议使用conda或venv，直接使用pip管理Python环境即可，避免与容器内已有环境冲突。
docker start npu_dev
docker exec -it npu_dev bash
source /usr/local/Ascend/ascend-toolkit/set_env.sh
source /usr/local/Ascend/nnal/atb/set_env.sh
pip install pyyaml setuptools -i https://mirrors.aliyun.com/pypi/simple/ --trusted-host mirrors.aliyun.com
wget https://download.pytorch.org/whl/cpu/torch-2.6.0-cp310-cp310-manylinux_2_17_aarch64.manylinux2014_aarch64.whl
pip install torch-2.6.0-cp310-cp310-manylinux_2_17_aarch64.manylinux2014_aarch64.whl
wget https://gitcode.com/Ascend/pytorch/releases/download/v7.3.0-pytorch2.6.0/torch_npu-2.6.0.post5-cp310-cp310-manylinux_2_17_aarch64.manylinux2014_aarch64.whl
pip install torch_npu-2.6.0.post5-cp310-cp310-manylinux_2_17_aarch64.manylinux2014_aarch64.whl
python -c "import torch; import torch_npu; print(torch.npu.is_available())"
2.5 常见容器问题
- 问题：容器启动后立即退出
→ 使用
-it 参数以交互模式启动，或使用 docker start 重新启动已停止的容器
- 问题：容器内
npu-smi info 无输出
→ 检查宿主机驱动是否安装，检查 --device=/dev/davinci_manager 是否添加
- 问题：容器内
torch.npu.is_available() 返回 False
→ 检查驱动库是否正确挂载：ls /usr/local/Ascend/driver/lib64/
三、手动安装方式（备选）
仅在无法使用Docker时采用手动安装方式。手动安装需依次完成：驱动安装 → CANN安装 → Python环境配置。
3.1 昇腾驱动安装
检查硬件环境
npu-smi info
uname -m
安装驱动
首次安装按"驱动 > 固件"顺序；覆盖安装按"固件 > 驱动"顺序。
groupadd HwHiAiUser
useradd -g HwHiAiUser -d /home/HwHiAiUser -m HwHiAiUser -s /bin/bash
chmod +x Ascend-hdk-xxx-npu-driver_linux-aarch64.run
./Ascend-hdk-xxx-npu-driver_linux-aarch64.run --full --install-for-all
chmod +x Ascend-hdk-xxx-npu-firmware_linux-aarch64.run
./Ascend-hdk-xxx-npu-firmware_linux-aarch64.run --full
reboot
npu-smi info
常见驱动问题
- 问题：
npu-smi info 无输出
→ 检查驱动是否安装成功，检查 /usr/local/Ascend/driver 目录是否存在
- 问题：权限不足无法访问NPU
→ 将当前用户加入
HwHiAiUser 组：usermod -aG HwHiAiUser $USER
- 问题：内核升级后驱动不可用
→ 关闭内核自动更新：
apt-mark hold linux-image-generic linux-headers-generic
3.2 CANN软件栈安装
安装系统依赖
apt-get update
apt-get install -y gcc g++ make cmake zlib1g zlib1g-dev openssl libsqlite3-dev libssl-dev libffi-dev unzip pciutils net-tools libblas-dev gfortran libblas3
yum install -y gcc gcc-c++ make cmake zlib zlib-devel openssl-devel sqlite-devel libffi-devel unzip pciutils net-tools blas-devel gfortran
安装CANN toolkit
安装toolkit前确保安装目录可用空间大于9G。MUST先安装toolkit再安装kernels。
chmod +x Ascend-cann-toolkit_linux-aarch64.run
./Ascend-cann-toolkit_linux-aarch64.run --install --install-for-all --quiet
安装CANN kernels（推荐）
chmod +x Ascend-cann-kernels_linux-aarch64.run
./Ascend-cann-kernels_linux-aarch64.run --install --install-for-all --quiet
配置环境变量
source /usr/local/Ascend/ascend-toolkit/set_env.sh
echo "source /usr/local/Ascend/ascend-toolkit/set_env.sh" >> ~/.bashrc
source ~/.bashrc
验证CANN安装
cat /usr/local/Ascend/ascend-toolkit/latest/version.cfg
3.3 Python环境配置
创建虚拟环境
裸机环境建议使用conda管理Python环境；容器环境直接使用pip即可，不需要conda或venv。
conda create -n npu_env python=3.10 -y
conda activate npu_env
安装PyTorch
MUST优先从官方安装指南获取对应版本的wget下载链接：
https://www.hiascend.com/document/detail/zh/Pytorch/2600/configandinstg/instg/docs/zh/installation_guide/installation_via_binary_package.md
根据目标PyTorch版本、架构(aarch64/x86_64)、Python版本，从上述文档查找对应的下载链接。
wget https://download.pytorch.org/whl/cpu/torch-2.6.0-cp310-cp310-manylinux_2_17_aarch64.manylinux2014_aarch64.whl
pip install torch-2.6.0-cp310-cp310-manylinux_2_17_aarch64.manylinux2014_aarch64.whl
安装torch_npu
MUST优先从官方安装指南获取对应版本的wget下载链接：
https://www.hiascend.com/document/detail/zh/Pytorch/2600/configandinstg/instg/docs/zh/installation_guide/installation_via_binary_package.md
torch_npu版本必须与PyTorch版本和CANN版本严格对应，从上述文档查找对应的下载链接。
pip install pyyaml setuptools -i https://mirrors.aliyun.com/pypi/simple/ --trusted-host mirrors.aliyun.com
wget https://gitcode.com/Ascend/pytorch/releases/download/v7.3.0-pytorch2.6.0/torch_npu-2.6.0.post5-cp310-cp310-manylinux_2_17_aarch64.manylinux2014_aarch64.whl
pip install torch_npu-2.6.0.post5-cp310-cp310-manylinux_2_17_aarch64.manylinux2014_aarch64.whl
验证torch_npu安装
import torch
import torch_npu
print(f"PyTorch version: {torch.__version__}")
print(f"torch_npu version: {torch_npu.__version__}")
print(f"NPU available: {torch.npu.is_available()}")
if torch.npu.is_available():
print(f"NPU device count: {torch.npu.device_count()}")
print(f"NPU device name: {torch.npu.get_device_name(0)}")
x = torch.randn(3, 3).npu()
y = torch.randn(3, 3).npu()
z = x + y
print(f"NPU compute test passed: {z.shape}")
四、环境变量配置
4.1 必要环境变量
source /usr/local/Ascend/ascend-toolkit/set_env.sh
export ASCEND_LOG_LEVEL=3
export ASCEND_RT_VISIBLE_DEVICES="0"
4.2 性能优化环境变量
export ASCEND_AICPU_PATH=/usr/local/Ascend/ascend-toolkit
export TASK_QUEUE_ENABLE=1
export PYTORCH_NPU_ALLOC_CONF=max_split_size_mb:32
export HCCL_CONNECT_TIMEOUT=1800
五、常用第三方库安装
昇腾NPU服务器通常为ARM（aarch64）架构，部分第三方库的预编译wheel包可能不兼容，优先建议通过编译安装。
5.0 昇腾已支持的第三方库（优先使用）
安装第三方库前，MUST从昇腾官网实时查阅最新版本的第三方库支持列表，优先使用昇腾已适配的版本，并严格按照其版本要求安装。昇腾已对部分主流第三方库进行了NPU适配，使用已适配的库可获得更好的性能和兼容性。
查阅路径：昇腾官网 → 文档 → PyTorch框架适配 → 第三方库适配 → 支持的套件和第三方库
参考链接（版本迭代较快，MUST以官网最新版本文档为准）：https://www.hiascend.com/document/detail/zh/Pytorch/2600/modthirdparty/modparts/FrameworkPTAdapter/26.0.0/zh/supported_suites_and_third_party_libraries/supported_suites_and_third_party_libraries.md
已知昇腾原生支持的第三方库包括（以官方文档为准）：
- transformers：
pip install transformers，原生支持Ascend NPU
- accelerate：
pip install accelerate，原生支持Ascend NPU
- peft：
pip install peft，原生支持Ascend NPU
- trl：
pip install trl，原生支持Ascend NPU
- deepspeed：需安装昇腾适配版本，参见官方文档
安装原则：
- 优先查阅上述官方文档，确认目标库是否已有昇腾适配版本
- 如有适配版本，严格按照官方文档的版本要求和安装指导操作
- 如无适配版本，再采用编译安装或pip安装方式
5.1 FFmpeg（视频处理）
wget https://ffmpeg.org/releases/ffmpeg-8.1.tar.gz
tar -zxvf ffmpeg-8.1.tar.gz
cd ffmpeg-8.1
./configure --enable-shared
make -j$(nproc)
sudo make install
ffmpeg -version
5.2 OpenCV（图像处理）
git clone https://github.com/opencv/opencv.git -b 4.8.0 --depth 1
cd opencv && mkdir build && cd build
cmake -D CMAKE_BUILD_TYPE=RELEASE \
-D CMAKE_INSTALL_PREFIX=/usr/local \
-D BUILD_opencv_python3=ON \
-D PYTHON3_EXECUTABLE=$(which python3) \
..
make -j$(nproc)
sudo make install
5.3 其他常见库
| 库名称 | aarch64安装建议 |
|---|
| numpy | pip install numpy 通常可直接安装 |
| scipy | pip install scipy 通常可直接安装；如失败需编译安装 |
| pillow | pip install pillow 通常可直接安装 |
| scikit-learn | pip install scikit-learn 通常可直接安装；如失败需编译安装 |
| onnx | pip install onnx 通常可直接安装 |
| onnxruntime | 需检查是否有aarch64预编译包；如无可从源码编译 |
| tokenizers | pip install tokenizers 通常可直接安装 |
| transformers | pip install transformers 通常可直接安装 |
5.4 编译安装通用模板
git clone <repo_url> -b <version_tag> --depth 1
cd <repo_name>
pip install -e .
python setup.py build_ext --inplace
pip install .
5.5 镜像站与模型资源获取
NPU服务器通常位于内网环境，部分网站如HuggingFace、GitHub等可能无法访问或网速较慢。MUST优先使用镜像站或国内替代平台获取资源。
模型与数据集获取
MUST优先使用以下方式获取模型/数据集，NEVER默认使用HuggingFace官网（仅在用户明确确认网络可达HuggingFace时方可使用）：
ModelScope使用示例：
pip install modelscope -i https://mirrors.aliyun.com/pypi/simple/ --trusted-host mirrors.aliyun.com
from modelscope import snapshot_download
model_dir = snapshot_download('模型ID')
from transformers import AutoModelForCausalLM
model = AutoModelForCausalLM.from_pretrained(model_dir)
HuggingFace镜像站使用方式：
export HF_ENDPOINT=https://hf-mirror.com
import os
os.environ['HF_ENDPOINT'] = 'https://hf-mirror.com'
代码仓库获取
六、项目依赖安装
6.1 安装策略
根据代码仓的 requirements.txt 安装依赖时，遵循以下原则：
- 尽量不影响原有库：在独立虚拟环境中安装，避免污染系统环境
- 版本要求严格时：先尝试放宽版本要求安装，并记录变更
- 实际运行异常时：回退到严格版本，记录冲突原因
6.2 安装步骤
pip install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple/ --trusted-host mirrors.aliyun.com
pip install package_name==specific_version -i https://mirrors.aliyun.com/pypi/simple/ --trusted-host mirrors.aliyun.com
pip install "numpy>=1.24.0" -i https://mirrors.aliyun.com/pypi/simple/ --trusted-host mirrors.aliyun.com
6.3 依赖冲突处理
- 冲突1：项目要求CUDA版PyTorch，但NPU需要CPU版或aarch64版
→ aarch64架构直接安装PyTorch官方包；x86_64安装CPU版PyTorch + torch_npu
- 冲突2：某些包依赖
nvidia-* 库
→ 检查是否为硬依赖，如仅为可选加速则可忽略
- 冲突3：numpy/scipy版本与torch_npu不兼容
→ 参照torch_npu官方文档的推荐版本，放宽requirements中的版本约束
- 冲突4：requirements中指定了
torch==x.y.z+cu118 等CUDA后缀
→ 替换为 torch==x.y.z（无CUDA后缀），安装后由torch_npu提供NPU支持
七、环境验证清单
环境搭建完成后逐项检查：
- [ ] `npu-smi info` 正常显示NPU设备信息
- [ ] CANN环境变量已配置（`source /usr/local/Ascend/ascend-toolkit/set_env.sh`）
- [ ] Python虚拟环境已创建并激活
- [ ] `import torch` 无报错，版本正确
- [ ] `import torch_npu` 无报错，版本正确
- [ ] `torch.npu.is_available()` 返回 True
- [ ] NPU简单计算测试通过
- [ ] 项目依赖全部安装成功（如有放宽版本，已记录变更）
- [ ] CPU基线脚本可正常运行
八、常见陷阱
- 陷阱1：手动安装时安装了CUDA版PyTorch再安装torch_npu，导致冲突
→ aarch64架构安装PyTorch官方包；x86_64架构MUST安装CPU版PyTorch
- 陷阱2：CANN版本与torch_npu版本不匹配，运行时报错
→ 严格按照版本兼容性矩阵匹配，以昇腾官网发布的配套表为准
- 陷阱3：忘记
source set_env.sh，导致找不到CANN库
→ 将 source 命令写入 ~/.bashrc 或虚拟环境激活脚本
- 陷阱4：Docker容器启动后立即退出
→ 使用
-dit 参数以交互+后台模式启动，先 docker start 再 docker exec -it 进入
- 陷阱5：Docker容器内缺少NPU设备映射，
torch.npu.is_available() 返回 False
→ 启动容器时MUST添加 --device=/dev/davinci_manager 等参数，并挂载驱动库
- 陷阱6：ARM架构下直接pip安装第三方库失败
→ 优先通过编译安装，参见第五章
- 陷阱7：手动安装时先安装kernels再安装toolkit导致安装失败
→ MUST先安装toolkit再安装kernels
- 陷阱8：内核自动升级后NPU驱动不可用
→ Ubuntu：
apt-mark hold linux-image-generic linux-headers-generic linux-image-extra
→ openEuler：yum install yum-plugin-versionlock && yum versionlock add kernel-$(uname -r)
→ 出处：Atlas 800T A2 安装指南 EDOC1100349380、Atlas 800I A3 安装指南 EDOC1100471070
- 陷阱9：Docker镜像Tag选择错误（芯片型号不匹配）
→ 芯片型号与产品系列的对应关系请查阅昇腾官方文档
