PS：要转载请注明出处，本人版权所有。
PS: 这个只是基于《我自己》的理解，
如果和你的原则及想法相冲突，请谅解，勿喷。
前置说明
本文作为本人csdn blog的主站的备份。（BlogID=112）
环境说明
- Ubuntu 18.04
- MLU270 加速卡一张
前言
阅读本文前，请务必须知以下前置文章概念：
- 《寒武纪加速平台(MLU200系列) 摸鱼指南（一）--- 基本概念及相关介绍》 （ https://blog.csdn.net/u011728480/article/details/121194076 ）
前文我们已经介绍一些基本的概念。在本文，将会从安装加速卡，到模型环境移植搭建完成，都会做一个简单的介绍。
若文中引用部分存在侵权，请及时联系我删除。
安装MLU270加速卡到主机
首先MLU270加速卡你可以直接把他看为一张普通的独立显卡就行。只需要安装在主机的PCIE x16 口即可，并连接好供电线，其供电线是特制的接口，需要官方提供的线缆进行转换一下接口。其官网渲染图如图：
开机后通过查看pcie设备即可发现刚刚安装的设备（lspci命令）：
安装驱动
根据其官网资料（ https://www.cambricon.com/docs/driver/index.html ），我简要说明部分内容。
首先根据其资料，我们可以看到大概支持两个系列的os，一个是ubuntu/debian，一个是centos。这里，我建议使用ubuntu，具体原因，有兴趣的可以去查看此文档的注意部分。
在Ubuntu18.04上安装驱动
首先从你的供应商拿到驱动包，名字如：neuware-mlu270-driver-dkms_xxx_all.deb。然后不用客气，直接执行：sudo dpkg -i neuware-mlu270-driver-dkms_xxx_all.deb。
我们其实可以看到，其用DKMS来管理驱动，和安装N卡驱动非常类似。具体显示信息，请查看如上官网资料。这里只有一个问题要注意，就是内核版本一定要在其文档说明支持的范围内。
当安装成功后，执行：cnmon，可以看到一个类似nvidia-smi的信息，包含了加速卡的一些基本信息。
安装CNToolKit
其实和我们前置文章里面讲的软件框架部分，当我们准备好驱动之后，其实下一步就是安装运行时层。运行时层就是CNToolKit，里面包含了好几个模块。其具体介绍请查看其官网： https://www.cambricon.com/docs/cntoolkit/index.html 。
在CNToolKit模块里面，我接触的最多的就是CNRT，因为这是离线模型推理部分的底层支持部分。也就是说前文我提到的EasyDK就是大部分基于CNRT进行设计的。
在Ubuntu18.04上安装CNToolKit
官方路子：
- sudo dpkg -i cntoolkit_xxx.deb
- sudo apt update
- sudo apt-get install cnas cncc cncodec cndev cndrv cnlicense cnpapi cnperf cnrt cnrtc cnstudio
野路子：
- 解压cntoolkit_xxx.deb。
- 找到里面的所有deb文件，选择自己需要的，直接解压安装。
注意，野路子在边缘端环境配置的时候、边缘端程序生成的时候有奇效。
配置相关环境变量：
- export NEUWARE_HOME="/usr/local/neuware"
- export PATH="${NEUWARE_HOME}/bin:${PATH}"
注意，此变量NEUWARE_HOME将会伴随着你移植模型，生成边缘端程序等阶段，需要注意。
安装好进行测试，执行命令：/usr/local/neuware/bin/cncc --version 得到如图输出：
配置模型移植开发环境
寒武纪官方支持3种常见框架的模型移植，他们分别是caffe/tensorflow/pytorch，他们的官方资料如下：
- caffe: https://www.cambricon.com/docs/caffe/index.html
- tensorflow: https://www.cambricon.com/docs/tensorflow/user_guide/index.html
- pytorch: https://www.cambricon.com/docs/pytorch/index.html
寒武纪官方支持的环境配置方式有两种，一种是全程手动搭建环境。第二种是docker。
对于手动搭建环境，这里仁者见仁智者见智，我个人认为新手可以尝试着搭建一次就行，后续还是使用docker。因为手动搭建可以让你更加的了解整个移植工作的流程。以pytorch为例，因为手动搭建，大概包含了安装virtualenv，解压源码，设定NEUWARE_HOME环境，打patch，安装依赖，编译编译生成对应的库，运行单元测试，最终检测即可。
对于业务开发来说，我建议还是docker来的快点。
搭建模型移植docker环境
docker的安装我就不说了，自己百度把docker基本环境搭好，能够跑hello-world就行。
首先我们在寒武纪那里可以拿到对应环境的docker镜像，下载到我们的安装了MLU270的主机电脑。然后执行命令： sudo docker load -i pytorch-xxxx-ubuntu18.04.tar，然后执行sudo docker images 查看你已经导入的image文件。如图：
然后执行寒武纪提供的run脚本即可。根据脚本中的配置，默认会将当期目录映射到docker的/home/share目录。
当我们第一次进入一个docker环境时，需要执行寒武纪提供的patch脚本（联系供应商），在docker根目录生成一个env_pytorch.sh文件，配设定相关的环境。
此外，每当我们执行run脚本进入docker后（docker run），每一次都需要执行：cd / && source env_pytorch.sh 进入pytorch虚拟环境。这个时候执行如下命令，并反馈如图：
使用docker还有一个好处是更新升级方便，更重要的是方便建立多个不同算法移植环境。
后记
对于寒武纪加速平台来说，我们不要将它视为一个新的事物，可以将它类比为Nvidia的显卡加速平台。加速卡驱动对应n卡驱动。cncc类比nvcc。bang c类比为cuda。更高级的算法推理和训练框架其实底层加速部分就是使用cuda/bang c/cpu-simd来构建的。对于我们用户来说，一般情况下，我们只需要普通的了解pytorch/tensorflow/caffe的api即可。只有当对某些特殊算子需要加速的时候，这个时候你有可能去涉及这些cuda/bang c/cpu-simd。这里寒武纪加速平台根据其提供的一些资料来看，直接在算子里面集成了例如ssd/yolov3/yolov5等目标检测的最后一个解码层，详情见相关文档。
这里介绍了寒武纪算法移植环境搭建的方法，同时也对整个流程做了一个简要的说明。其实如果你能够和供应商联系上，应该还可以得到一些其他的相关支持和资料。我这里由于一些原因，只引用了其官方公开的内容。
参考文献
- 《寒武纪加速平台(MLU200系列) 摸鱼指南（一）--- 基本概念及相关介绍》 （ https://blog.csdn.net/u011728480/article/details/121194076 ）
- https://www.cambricon.com/
- 其他相关保密资料。
PS: 请尊重原创，不喜勿喷。
PS: 要转载请注明出处，本人版权所有。
PS: 有问题请留言，看到后我会第一时间回复。