MindSpore 模型迁移

什么时候读：你把已有的模型（尤其是基于 PyTorch/其他框架）迁移到 MindSpore 框架上训练/推理。

若你选择 MindSpore，需要了解它与 PyTorch 的代码差异，以及数据/模型/训练流程的迁移方法。

一、MindSpore 与 PyTorch 主要差异

方面	PyTorch	MindSpore
张量定义	torch.Tensor	mindspore.Tensor
模块	torch.nn.Module	mindspore.nn.Cell
自动求导	动态图（默认）	动态图/静态图，@ms.jit
训练循环	手动写	model.train() 或手动 Cell
优化器	torch.optim	mindspore.nn.Optimizer
设备	cuda	Ascend

二、迁移方法框架

MindSpore 官方提供自动/半自动迁移(API 映射对照)，核心思路：

1. 把 torch.* 调用按算子映射表替换为 mindspore.*。
2. 处理数据加载（Dataset）方式差异。
3. 把训练/推理流程改为 MindSpore Model / Cell 写法。
4. 用 ms.set_device('Ascend') 指定设备。

三、快速上手差异点

import mindspore as ms
from mindspore import nn, ops

# 设备
ms.set_device('Ascend')

# 定义网络
class Net(nn.Cell):
    def __init__(self):
        super().__init__()
        self.fc = nn.Dense(10, 10)
    def construct(self, x):
        return self.fc(x)

四、迁移代码要点（对照示例）

以下要点汇总自 MindSpore 官方迁移教程，反映 PyTorch → MindSpore 的核心改写模式。

4.1 迁移前的模型分析

迁移前先判断哪些代码可复用、哪些必须改。通常只有与硬件/框架相关的部分需要改：

• 必须迁移：模型输入（数据加载、参数加载）、模型构建与执行、模型输出（参数保存）。
• 可直接复用：Numpy、OpenCV 等 CPU 计算的三方库，以及 Configuration、Tokenizer 等纯 Python 操作。

4.2 数据加载：GeneratorDataset

用 mindspore.dataset.GeneratorDataset 包装一个 Python 迭代器即可对接训练。必须传 column_names。

import numpy as np
from mindspore import dataset as ds

class MyDataset:
    def __init__(self):
        self.data = np.random.sample((5, 2))
        self.label = np.random.sample((5, 1))
    def __getitem__(self, index):
        return self.data[index], self.label[index]
    def __len__(self):
        return len(self.data)

dataset = ds.GeneratorDataset(source=MyDataset(), column_names=["data", "label"],
                              shuffle=True, num_shards=1, shard_id=0)
train_dataset = dataset.batch(batch_size=2, drop_remainder=True)

与 PyTorch DataLoader 的差别：

• GeneratorDataset 必须传入 column_names。
• 数据增强输入的是 numpy 数组（PyTorch 是 Tensor），且不能用 MindSpore 的 mint/ops/nn 算子做数据处理。
• batch 是独立方法（PyTorch 中 batch 是 DataLoader 属性）。

4.3 模型构建：Cell

MindSpore 用 nn.Cell 子类，__init__ 声明子模块，construct 里计算，对应 PyTorch 的 forward。

from mindspore import mint, nn

class Network(nn.Cell):
    def __init__(self, forward_net):
        super(Network, self).__init__()
        self.net = forward_net
    def construct(self, x):
        return mint.nn.functional.relu(self.net(x))

inner_net = mint.nn.Conv2d(120, 240, kernel_size=4, bias=False)
net = Network(inner_net)
for p in net.get_parameters():
    print(p)

4.4 权重的保存与加载

PyTorch：state_dict() / load_state_dict()；MindSpore：ms.save_checkpoint() / ms.load_checkpoint()。

# MindSpore
import mindspore as ms
ms.save_checkpoint(model, save_path)
param_dict = ms.load_checkpoint(save_path)
model.load_state_dict(param_dict)

4.5 优化器执行差异

PyTorch 每步需 optimizer.zero_grad() → loss.backward() → optimizer.step()；MindSpore 用 ms.value_and_grad 得到梯度和损失，再直接 optimizer(grads)，学习率更新在优化器内自动执行。

lr = nn.exponential_decay_lr(0.01, decay_rate, total_step, step_per_epoch, decay_epoch)
optimizer = nn.SGD(model.trainable_params(), learning_rate=lr, momentum=0.9)
grad_fn = ms.value_and_grad(forward_fn, None, optimizer.parameters, has_aux=True)
(loss, _), grads = grad_fn(data, label)
optimizer(grads)   # 更新权重（含自动学习率调整）

4.6 自动微分

MindSpore 用 value_and_grad(forward_fn, ...) 生成「同时返回 loss 和梯度」的图；构建反向图的逻辑与 PyTorch 不同，接口设计也不同。完整 Trainer 示例见官方迁移教程。

五、官方迁移教程

• MindSpore 模型迁移教程（与 PyTorch 代码差异）： 官方教程

六、何时选 MindSpore 而非 PyTorch

• 项目深度依赖 MindSpore（或客户指定）。
• 偏静态图/高性能部署场景。
• 想与昇腾做更深协同。

对生态和工具更依赖的场景，通常仍推荐 PyTorch + torch_npu（见 PyTorch 模型迁移）。

TIP

大多数新项目在昇腾上直接用 torch_npu 更省事。只有在明确要用 MindSpore 时才走这条迁移路径。

相关

• 环境：MindSpore 安装
• 训练全景