在 AI 开发与模型迁移场景中，虚拟机 + 昇腾 NPU+PyTorch是最常用的安全隔离、便捷开发部署方案。该方案依托虚拟化环境实现开发环境隔离，通过昇腾 CANN 驱动实现 NPU 硬件直通，兼容 PyTorch 生态与昇腾硬件加速能力，支持模型训练、推理、量化全流程开发，广泛适用于企业研发、教学实验、离线验证等场景。

虚拟机安装昇腾 PyTorch 的核心优势在于：环境独立不污染宿主机、快速搭建与重置、适配 openEuler/Ubuntu 等国产化系统、支持 NPU 硬件加速，同时可无缝集成昇思 MindSpore 量化工具链，实现模型轻量化部署。相比物理机部署，虚拟机方案更灵活、更稳定，是 AI 开发者入门昇腾生态的首选方式。

一、昇腾 + PyTorch 虚拟机核心部署原理

昇腾虚拟机部署采用PCIe passthrough（设备直通） 技术，将 NPU 硬件资源直接映射至虚拟机，虚拟机可直接调用 CANN 驱动、达芬奇架构算力。部署流程分为三步：虚拟机环境配置、CANN 驱动安装、Torch-Ascend 适配库部署。整套方案兼容 VMware、KVM 等主流虚拟化平台，系统优先选择 openEuler，保证国产化生态兼容。

核心组件包括：CANN 驱动（昇腾硬件底层调度）、Python 环境、torch、torchvision、torchnpu 适配包，安装完成后 PyTorch 可自动识别昇腾 NPU，代码无需大量修改即可实现 GPU 代码向昇腾迁移。

二、虚拟机安装与环境部署代码（可直接执行）

1. 系统与依赖安装（虚拟机内执行）

# 更新源并安装基础依赖
sudo yum update -y
sudo yum install -y python3 python3-pip gcc git libgomp

# 配置Python软链接
sudo ln -sf /usr/bin/python3 /usr/bin/python
sudo ln -sf /usr/bin/pip3 /usr/bin/pip

# 安装Python基础库
pip install numpy pandas pillow tqdm

2. 安装昇腾 CANN 驱动（核心）

# 解压CANN安装包
chmod +x Ascend-cann-toolkit_*.run
./Ascend-cann-toolkit_*.run --install

# 配置环境变量（永久生效）
echo "source /usr/local/Ascend/ascend-toolkit/set_env.sh" >> ~/.bashrc
source ~/.bashrc

# 验证NPU识别
npu-smi info

3. 安装昇腾适配版 PyTorch

# 安装昇腾专属PyTorch
pip install torch==2.1.0 torchvision==0.16.0
pip install torchnpu==2.1.0

# 验证安装是否成功
python -c "import torch; print('PyTorch版本:', torch.__version__); print('NPU可用:', torch.npu.is_available())"

4. PyTorch 昇腾 NPU 运行测试代码

import torch

# 初始化昇腾NPU设备
device = torch.device("npu:0" if torch.npu.is_available() else "cpu")
print("当前使用设备:", device)

# NPU张量计算
a = torch.tensor([1.0, 2.0, 3.0], device=device)
b = torch.tensor([4.0, 5.0, 6.0], device=device)
c = a + b

print("NPU计算结果:", c)
print("昇腾PyTorch虚拟机部署成功！")

三、部署说明与注意事项

1. 虚拟机必须开启硬件直通，否则无法识别 NPU；
2. CANN 版本必须与 PyTorch 版本严格匹配，避免兼容性错误；
3. 虚拟机内存建议≥8GB，保证模型运行流畅；
4. 安装完成后npu-smi info能显示 NPU 信息，代表硬件识别成功；
5. PyTorch 代码只需将cuda替换为npu即可在昇腾平台运行。

四、总结

昇腾 + PyTorch 虚拟机方案为 AI 开发者提供了轻量化、隔离化、高兼容的开发环境，通过硬件直通技术释放 NPU 算力，兼容原生 PyTorch 使用习惯，降低昇腾生态入门门槛。该方案支持模型训练、推理、量化全流程，可与昇思 MindSpore 量化工具配合使用，实现高精度、高压缩率模型部署。