昇腾 CANN 技术栈解析：Python、C++ 与算子开发选型指南
昇腾 CANN 生态持续扩展，功能日益丰富。面对 Python、C++、AscendCL、TBE、MindSpore、PyTorch Frontend、Kernel DSL 等多种接口，开发者常面临选择困难。
CANN 语言体系结构
整个 CANN 软件栈由多层 API 和 Kernel 构成，看似不同实则分工明确。为简化理解，可将其分为三层：
- 高层：框架调用 — 类似 PyTorch、MindSpore 训练推理
- 中层：算子 API 调用 — AscendCL、ACL Python、算子编写接口
- 底层：kernel 语言 — TBE、C++ Kernel、融合算子 DSL
场景化学习路径
模型推理：Python (ACL Python)
适用场景：
- 部署 YOLO
- 部署大模型
- ONNX 转 OM
- 简单前后处理
推荐理由： Python ACL 是官方主推的部署 API，上手快，无需接触复杂内存、流或 Device buffer，也不需编写 Kernel。
总结：不做算子开发，用 Python ACL 即可。
深度部署与自定义流程：C++ AscendCL
适用场景：
- 性能要求高
- 大规模离线服务
- 推理服务并发、异步、流水线
- 自定义 DVPP / AIPP / Memory Pool 管理
推荐理由： 真实部署场景中，Python 存在速度慢、多线程不友好、高并发不稳定等问题。C++ AscendCL 是最稳定且接近硬件的调用方式。
总结：做工程化推理，必须掌握 C++ ACL。
算子开发者：TBE 或 C++ Kernel
CANN 算子开发分两类：
- TBE (Tensor Boost Engine)：偏向静态图 + 模板，适合 Conv2D、Softmax、MatMul、BatchNorm 等已有算子的二次开发。
- C++ AICore Kernel：偏底层，写 AI Core 的 kernel pipeline，适合复杂融合算子手写 pipeline、性能极限优化及 AICore scheduler 调优。
总结：TBE = 快速开发；C++ Kernel = 极致性能。
框架训练端开发：MindSpore 或 PyTorch Adapter
CANN 训练侧主要依托两条路线：
- MindSpore（原生最佳）：CANN 与 MindSpore 深度集成，使用原生能力体验最好。
- PyTorch 前端：支持 AutoGrad、OpBuilder、AOT、动态图转图优化。
总结：训练选 MindSpore 最稳，PyTorch 最方便。
