ascend-ai-coding/awesome-ascend-skills/ascend-migration-analysis

Ascend NPU Migration Analysis Skill

Purpose

对任意 PyTorch 项目进行系统化的 Ascend NPU 迁移可行性分析。扫描代码库中的 CUDA/NVIDIA 依赖，按域分类，逐项给出替代方案，并估算迁移工作量。

When to Use

• 用户询问某个项目/模型能否在 Ascend NPU 上运行
• 用户需要评估 PyTorch 项目迁移到昇腾 NPU 的工作量
• 用户需要对 CUDA→Ascend 迁移做全面的技术尽职调查
• 用户遇到 NPU 兼容性问题，需要排查哪些 CUDA 依赖未替换

Analysis Workflow

对目标项目执行以下 7 步分析，每步对应一个迁移域。详细方法和替代方案见各域的 reference 文档。

Step 1: Third-Party Dependency Audit (Domain 1)

Read references/01-dependency-audit.md.

扫描内容：

• requirements.txt / setup.py / pyproject.toml 中的 NVIDIA 专属依赖
• flash-attn, triton, xformers, nvidia-ml-py, cuda-python, cupy 等
• 间接依赖中的 CUDA 硬编码

产出：依赖兼容性矩阵（每个依赖标注：兼容 / 需替换 / 不支持 / 不涉及）

Step 2: Device Layer Scan (Domain 2)

Read references/02-device-layer.md.

扫描内容（使用 grep/rg）：

• torch.cuda.* 全系列 API
• 硬编码 "cuda" 设备字符串
• backend="nccl" 分布式后端
• amp.autocast(device_type='cuda') 混合精度
• torch.compile / @torch.compile 使用
• torch.cuda.Stream / torch.cuda.Event
• init_device_mesh("cuda")

产出：设备层替换清单（文件:行号 → 替代方案）

Step 3: Attention Mechanism Analysis (Domain 3)

Read references/03-attention-mechanism.md.

扫描内容：

• flash_attn (FA2) 导入与调用
• flash_attn_interface (FA3) 导入与调用
• xformers 注意力调用
• F.scaled_dot_product_attention 调用
• 手动实现的 attention (Q×K^T softmax 等)
• 注意力的 tensor layout (BSHD / BNSD 等)

产出：注意力后端替换方案（每种 attention 类型 → 对应 NPU 替代）

Step 4: Custom Operator / Kernel Analysis (Domain 4)

Read references/04-custom-operators.md.

扫描内容：

• .cu / .cuh / .cpp 自定义 CUDA 内核文件
• @triton.jit 装饰的 Triton kernel
• torch.utils.cpp_extension.CUDAExtension 构建
• torch.autograd.Function 子类中的自定义前向/反向
• csrc/ / ops/ / kernels/ 目录

产出：自定义算子迁移方案（每个 kernel 的功能描述 + 替代路径）

Step 5: Distributed Communication Analysis (Domain 5)

Read references/05-distributed.md.

扫描内容：

• dist.init_process_group 后端选择
• dist.all_to_all / dist.all_gather / dist.broadcast 等
• init_device_mesh / DeviceMesh 使用
• Ulysses / Ring / Sequence Parallel 模式
• torch.distributed.P2POp / batch_isend_irecv

产出：分布式通信适配方案

Step 6: Precision & Numerics Analysis (Domain 6)

Read references/06-precision-strategy.md.

扫描内容：

• .float() / .double() 类型转换
• torch.bfloat16 / torch.float16 dtype 使用
• torch.complex128 / torch.float64 高精度使用
• autocast 上下文中的 dtype 设置
• 数值敏感操作中的 float32 保护 (RMSNorm, LayerNorm, AdaLN)
• dtype == torch.float32 assert 语句

产出：精度策略调整清单

Step 7: Task-Phase Dependency Matrix (Domain 7)

Read references/07-task-phase-matrix.md.

将前 6 步的发现按任务执行阶段拆分，识别：

• 哪些依赖在每个阶段都需要（P0）
• 哪些依赖仅在特定阶段/模式需要（P1）
• 哪些依赖在当前任务中不涉及（可跳过）

产出：按阶段的依赖矩阵 + 最小迁移集 + 完整迁移工作量估算

Output Format

分析完成后，输出结构化报告：

# {Project} Ascend NPU Migration Assessment
 
## Executive Summary
-Overall feasibility: [可行 / 需适配 / 困难 / 不可行]
-Estimated effort: [X 周]
-Blockers: [list]
 
## Dependency Matrix (per task phase)
| Dependency | Phase A | Phase B | Replacement | Effort |
|------------|---------|---------|-------------|--------|
 
## Detailed Findings (per domain)
### Domain 1: Third-Party Dependencies
### Domain 2: Device Layer
### Domain 3: Attention Mechanism
### Domain 4: Custom Operators
### Domain 5: Distributed Communication
### Domain 6: Precision Strategy
 
## Migration Roadmap
## Risk Matrix

Quick Reference: Common Replacements

Notes

• 本 skill 的替代方案知识库来自 Wan2.2 CUDA→Ascend 实际迁移经验
• DiT/Transformer 类架构的迁移模式高度可复用
• 分析结果需结合实际 CANN/torch_npu 版本验证
• 部分替代方案依赖 mindiesd 库，需确认环境中是否可用