昇腾 CANN 学习路径指南：Python、C++ 与算子开发选型
昇腾 CANN 生态功能日益丰富，但接口众多导致开发者面临选择困难。为简化理解，可将 CANN 软件栈分为三层：
- 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
模型部署场景：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，上手最快。无需接触复杂内存、流或 Device buffer，也不需编写 Kernel。
总结：非算子开发人员，使用 Python ACL 即可满足需求。
深度部署与工程化：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： 真实生产环境中，Python 存在性能瓶颈，多线程支持有限。C++ AscendCL 是最稳定且接近硬件的调用方式。
总结：做真正的工程化推理，C++ ACL 是必须掌握的技能。
算子开发：TBE 或 C++ Kernel
TBE (Tensor Boost Engine)：偏向静态图 + 大量已有模板，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 用于快速开发，C++ Kernel 用于极致性能。
