昇腾 CANN 学习路径指南
昇腾 CANN 软件栈由多层 API 和 Kernel 构成，包含多种接口。为了简化理解，可以将其分为三层：
- 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
这些接口并非重复，而是分工不同。
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、最简单、最快上手的一套部署 API。无需接触复杂内存、流、Device buffer，也不用写 Kernel。
总结：不做算子开发，用 Python ACL 就够了。
深度部署：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 可能较慢，多线程不友好，高并发时不稳定。C++ AscendCL 是 CANN 最稳、最强、最接近硬件的调用方式。
总结：做真正的工程化推理，C++ ACL 是必须掌握的语言。
算子开发：TBE 或 C++ Kernel
CANN 的算子开发分两类：
- 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、算子性能极限优化、AICore scheduler 调优。
总结：TBE = 快速开发；C++ Kernel = 极致性能。
如果未来想往昇腾、GPU、NPU 算子岗发展，这块是必修课。
框架训练：MindSpore 或 PyTorch Adapter
CANN 的训练侧主要依托两条路线：
- MindSpore（原生最佳）：CANN 和 MindSpore 生态紧密，使用原生能力、全栈功能，体验最好。
- PyTorch 前端：适合原本就用 PyTorch 的人，支持 AutoGrad、OpBuilder、AOT、动态图转图优化。
总结：训练方面，MindSpore 最稳；PyTorch 最方便。
选型建议
- 只做模型部署？ 学：Python ACL
- 要做企业级推理服务？ 学：C++ AscendCL
- 要做自定义算子？ 学：TBE + C++ Kernel
- 搞训练？ 学：MindSpore / PyTorch Frontend
- 科研学生？ 学：Python ACL + PyTorch Frontend（最通用、性价比最高）
未来趋势
未来几年 CANN 的语言路线会更清晰：
- Python → 上层易用封装
- C++ ACL → 核心部署接口（长期稳定）
- TBE/C++ → 算子强相关，长期保持底层能力
- MindSpore → 训练路径主力
- PyTorch → 长期兼容前端生态
总结：路线已经很明确了，上层简单、底层增强、接口稳定。不会出现'学了白学'的情况。
作为入门 CANN 的新手，应清楚每一层都有存在的价值。搞清楚自己要做什么，选对应的一两门开始学，完全不会走弯路。
- 如果只是想跑通模型：学 Python ACL 就足够了。上手快、成本低、不需要理解底层。
- 如果想做能上线的工程部署：Python + C++ 是必须的组合。Python 写流程、C++ 保性能与稳定性。
- 如果想往深度技术、算子方向走：TBE + C++ Kernel + ACL 缺一不可。这是最吃技术也最值钱的一条路线，但不需要一开始就全学。
CANN 不需要一次学会所有语言，选对起点更重要。随着项目深入，自然会从"会用"走向"能调"，越学越强，价值也就越高。
