在上一篇博客的基础上再总结一下：https://blog.csdn.net/qysh123/article/details/159352996

虽然上一篇博客能够按照网页成功输出了，但是我发现并不能正确运行一些小的Example，所以这里再总结一下。

前面的步骤都是一样的。我新建了一个Conda环境TorchTest，然后运行：

source /opt/miniconda/envs/TorchTest/Ascend/cann/set_env.sh
python3 -c "import acl;print(acl.get_soc_name())"

也可以看到输出：

Ascend310P3

但实际上这样有个问题，难道每次激活环境的时候都要手动设置环境脚本？如果不设置就会报错：

python3 -c "import acl;print(acl.get_soc_name())"

Traceback (most recent call last):
  File "<string>", line 1, in <module>
ModuleNotFoundError: No module named 'acl'

这也是很显而易见的。所以首先每次激活Conda环境的时候需要自动运行set_env.sh。这其实也很简单：

首先在conda环境的对应目录下建立activate.d文件夹：

mkdir -p /opt/miniconda/envs/TorchTest/etc/conda/activate.d

然后在这个目录下新建一个bash文件：

nano /opt/miniconda/envs/TorchTest/etc/conda/activate.d/ascend_set_env.sh

然后把source命令写到这个bash文件里（nano打开后正常编辑，ctrl+o，再按回车保存，然后ctrl+x退出编辑）

source /opt/miniconda/envs/TorchTest/Ascend/cann/set_env.sh

然后设置脚本的执行权限（否则conda激活的时候并不会自动运行）

chmod +x /opt/miniconda/envs/TorchTest/etc/conda/activate.d/ascend_set_env.sh

然后再重新激活，就可以看到可以正常输出了。到这里才算在Conda环境里配置好了CANN。

感觉这个过程和我当前配置Conda+CUDA的环境很像，参考我6年前的博客：https://blog.csdn.net/qysh123/article/details/108163188，但Nvidia环境下以后很久不需要这么配置，参考：https://blog.csdn.net/qysh123/article/details/142063926

---------------------------------------------------------------------------------------

下面安装一下PyTorch，这里吐槽一下官方的repo：https://github.com/Ascend/PyTorch，这里的例子还是torch 2.1.0呢，都不知道更新的吗？看到docs更新了：https://ascend.github.io/docs/sources/pytorch/install.html

选择2.6.0，pip安装，参考页面上的流程，首先安装Torch：

pip3 install torch==2.6.0

（如果速度慢的话，需要选择源或者用代理）

安装好之后，按照GitHub的repo，需要先安装下面这两个（但是docs里面并没有说，呵呵，自己都做不到统一的吗？）

pip3 install pyyaml
pip3 install setuptools

之后再安装torch-npu：

pip3 install torch-npu==2.6.0

按照docs里面的说法，安装到这里就可以了，接下来可以安装验证程序：

import torch
import torch_npu

x = torch.randn(2, 2).npu()
y = torch.randn(2, 2).npu()
z = x.mm(y)

print(z)

但是实际上报错：

/opt/miniconda/envs/TorchTest/lib/python3.10/site-packages/torch/_subclasses/functional_tensor.py:275: UserWarning: Failed to initialize NumPy: No module named 'numpy' (Triggered internally at /pytorch/torch/csrc/utils/tensor_numpy.cpp:81.)

这个嘛，这个错有点让人无语啊，感觉Nvidia平台下装torch的时候基本都装好了。那就装一下numpy：

pip3 install numpy

再运行一下，还是报错：

[PID: 341531] 2026-03-25-18:56:20.567.980 Environment_Error_Import_Python_Module_Failed(EC0010): Failed to import Python module ModuleNotFoundError: No module named 'decorator'..

呵呵呵，为啥安装脚本都不一次设置好，他们自己都不测试的吗？

pip3 install decorator

再运行一下，还是报错：

[PID: 341618] 2026-03-25-18:59:12.901.872 Environment_Error_Import_Python_Module_Failed(EC0010): Failed to import Python module ModuleNotFoundError: No module named 'scipy'..

我真的太无语了，继续装：

pip3 install scipy

再运行一下：

[PID: 341719] 2026-03-25-19:01:23.234.991 Environment_Error_Import_Python_Module_Failed(EC0010): Failed to import Python module ModuleNotFoundError: No module named 'attr'..

呵呵，继续装：

pip3 install attrs

再运行一下：

[PID: 341804] 2026-03-25-19:04:08.127.592 Environment_Error_Import_Python_Module_Failed(EC0010): Failed to import Python module ModuleNotFoundError: No module named 'psutil'..

继续装：

pip3 install psutil

然后终于可以运行了：

.start compile Ascend C operator IsFinite. kernel name is te_isfinite_78c81b6cbfa3d15bbfec686a57f201470ba92a6f2a7d582f50232b164e918710
[W325 19:06:51.505313780 compiler_depend.ts:164] Warning: Warning: Device do not support double dtype now, dtype cast repalce with float. (function operator())
.tensor([[ 0.0037, -0.0555],
        [-0.0960, -0.5503]], device='npu:0')

就是可能有编译的过程，比较慢。

再运行一个其他朋友给的例子：

# 验证关键组件版本
import sys, torch, torch_npu
print(f"Python版本: {sys.version}")
print(f"PyTorch版本: {torch.__version__}")
print(f"torch_npu版本: {torch_npu.__version__}")
print(f"可用NPU数量: {torch.npu.device_count()}")
print(f"当前设备: {torch.npu.get_device_name(0)}")
 
# 验证计算能力
device = torch.device("npu:0")
test_tensor = torch.randn(1024, 1024).npu()
result = test_tensor @ test_tensor.T
print("NPU计算测试通过，结果形状:", result.shape)

可以得到下面的结果：

Python版本: 3.10.20 (main, Mar 11 2026, 17:41:27) [GCC 14.3.0]
PyTorch版本: 2.6.0+cpu
torch_npu版本: 2.6.0
可用NPU数量: 8
当前设备: Ascend310P3
NPU计算测试通过，结果形状: torch.Size([1024, 1024])

感觉还是有点不明白的，为啥PyTorch是cpu版本呢？不过总算是可以跑一些简单的例子了。就简单总结到这里。