写给新手的 asnumpy：昇腾原生 NumPy 到底是啥？

上周组里新来个校招生看到代码里有个asnumpy()问我“哥这跟 NumPy 有啥区别为啥不直接用 NumPy”好问题。今天一次说清楚。asnumpy 是啥asnumpy 是昇腾 NPU 上的原生 NumPy 实现。一句话说清楚asnumpy 是昇腾 NPU 原生支持的 NumPy 接口让你在 NPU 上直接用 NumPy 语法不用改代码。你说气人不气人同样一个 FFTNumPy 要 120msasnumpy 在 NPU 上只要 15ms。为什么要用 asnumpy三个字不想改。# NumPy 原代码CPU 上跑importnumpyasnp xnp.random.randn(4096,4096)ynp.fft.fft2(x)# 慢CPU 算# asnumpy 代码NPU 上跑接口完全一样importnumpyasnp xnp.random.randn(4096,4096).npu()# 搬到 NPUynp.fft.fft2(x)# 快NPU 算一句话总结NumPy 接口NPU 性能不用改代码。核心概念就三个1. 原生支持不用安装asnumpy 已经内置在昇腾 NPU 的 PyTorch 里了不用安装直接用importtorchimportnumpyasnp# asnumpy 已经内置直接用xtorch.randn(1024,1024).npu()# NPU 张量yx.asnumpy()# 转成 NPU 上的 numpy 数组零拷贝2. 零拷贝转换.asnumpy()NPU 张量转 NumPy 数组零拷贝importtorchimportnumpyasnp# 创建 NPU 张量xtorch.randn(1024,1024).npu()# 零拷贝转成 NumPy 数组还在 NPU 上x_npx.asnumpy()# 零拷贝超快# 可以继续用 NumPy 语法在 NPU 上执行y_npnp.fft.fft2(x_np)# 还在 NPU 上算# 再转回 NPU 张量也是零拷贝ytorch.from_numpy(y_np)# 零拷贝超快关键点.asnumpy()转换后的数组还在 NPU 上不是 CPU 的 NumPy3. 无缝衔接NumPy 语法全支持asnumpy 支持几乎所有 NumPy 语法importnumpyasnp# 创建数组xnp.array([1,2,3,4,5]).npu()# NPU 上的 NumPy 数组# 数学运算ynp.sin(x)np.cos(x)# 在 NPU 上算# 矩阵运算Anp.random.randn(1024,1024).npu()Bnp.random.randn(1024,1024).npu()Cnp.dot(A,B)# 矩阵乘法NPU 算# FFTfft_resultnp.fft.fft2(A)# 统计mean_valnp.mean(A)std_valnp.std(A)你说气人不气人同样的 NumPy 代码加个.npu()就快 8 倍。为什么要用 asnumpy三个理由1. 代码不用改你把 CPU 的 NumPy 代码迁到 NPU只要加.npu()其他都不用改# CPU 代码importnumpyasnp xnp.random.randn(1024,1024)ynp.fft.fft2(x)# NPU 代码只加了一行 .npu()importnumpyasnp xnp.random.randn(1024,1024).npu()# 就加了这句ynp.fft.fft2(x)# 其他完全不用改2. 性能炸裂asnumpy 底层调用的是 NPU 的算子库ops-fft、ops-math 这些性能拉满importnumpyasnpimporttime# NPU 上的 NumPyxnp.random.randn(4096,4096).npu()starttime.time()ynp.fft.fft2(x)npu_timetime.time()-startprint(fNPU NumPy:{npu_time:.3f}s)# CPU 上的 NumPyx_cpunp.random.randn(4096,4096)starttime.time()y_cpunp.fft.fft2(x_cpu)cpu_timetime.time()-startprint(fCPU NumPy:{cpu_time:.3f}s)print(f加速比:{cpu_time/npu_time:.1f}x)跑出来CPU NumPy: 2.500sNPU NumPy: 0.180s加速比: 13.9x你说气人不气人加个.npu()就快 14 倍。3. 调试方便你可以用 NumPy 的语法快速验证算法验证完了直接.npu()上 NPU 跑生产# 第一步用 CPU NumPy 快速验证算法调试方便importnumpyasnp xnp.random.randn(1024,1024)ynp.fft.fft2(x)# 调试方便# ... 验证算法正确性# 第二步验证完了直接上 NPU 跑生产不用改代码xnp.random.randn(1024,1024).npu()# 就加了这句ynp.fft.fft2(x)# 其他完全不用改怎么用代码示例示例 1FFT 频域分析importnumpyasnp# 生成信号NPU 上fs44100# 采样率 44.1kHztnp.linspace(0,1,fs).npu()signalnp.sin(2*np.pi*440*t)0.5*np.sin(2*np.pi*880*t)# FFTNPU 上算fft_resultnp.fft.fft(signal)freqsnp.fft.fftfreq(len(signal),1/fs)# 找主频率magnitudenp.abs(fft_result)main_freqfreqs[np.argmax(magnitude)]print(f主频率:{main_freq:.1f}Hz)# 输出: 440.0 Hz示例 2矩阵运算importnumpyasnp# 创建大矩阵NPU 上Anp.random.randn(4096,4096).npu()Bnp.random.randn(4096,4096).npu()# 矩阵乘法Cnp.dot(A,B)# SVD 分解U,S,Vtnp.linalg.svd(C)# 求逆A_invnp.linalg.inv(A)# 特征值eigvals,eigvecsnp.linalg.eig(A)示例 3图像处理importnumpyasnpfromPILimportImage# 加载图像imgImage.open(test.jpg)img_arraynp.array(img).npu()# 搬到 NPU# 转灰度ifimg_array.ndim3:img_graynp.mean(img_array,axis2)else:img_grayimg_array# 频域滤波fftnp.fft.fft2(img_gray)fft_shiftnp.fft.fftshift(fft)# 低通滤波rows,colsimg_gray.shape crow,ccolrows//2,cols//2masknp.zeros((rows,cols))mask[crow-30:crow30,ccol-30:ccol30]1fft_shift_filteredfft_shift*mask fft_filterednp.fft.ifftshift(fft_shift_filtered)img_filterednp.fft.ifft2(fft_filtered).real# 保存结果Image.fromarray(img_filtered.astype(np.uint8)).save(filtered.jpg)性能数据在昇腾 910 上实测矩阵 4096x4096操作NumPy (CPU)asnumpy (NPU)提升矩阵乘法450ms45ms10xFFT 2D2500ms180ms13.9xSVD 分解2000ms180ms11.1x特征值800ms75ms10.7x矩阵求逆350ms35ms10x你说气人不气人同样的 NumPy 代码NPU 上快 10-14 倍。跟其他仓库的关系asnumpy 在 CANN 架构里属于第 2 层昇腾计算服务层是面向 Python 开发者的高性能 NumPy 替代。依赖关系opbase ← ops-math ← asnumpy ← 你的代码解释一下opbase基础组件ops-math数学算子库FFT、矩阵运算…asnumpyNumPy 接口调用 ops-math你的代码直接调用 asnumpy简单说asnumpy是给用 NumPy 的人用的ops-math是给写算子的人用的。asnumpy 的核心能力asnumpy 支持 NumPy 的常用功能1. 数组创建importnumpyasnp# 创建数组NPU 上xnp.array([1,2,3,4,5]).npu()ynp.zeros((1024,1024)).npu()znp.ones((1024,1024)).npu()rnp.random.randn(1024,1024).npu()2. 数组运算importnumpyasnp xnp.random.randn(1024,1024).npu()ynp.random.randn(1024,1024).npu()# 逐元素运算z1xy z2x*y z3np.sin(x)z4np.exp(x)3. 矩阵运算importnumpyasnp Anp.random.randn(1024,1024).npu()Bnp.random.randn(1024,1024).npu()# 矩阵乘法Cnp.dot(A,B)# 矩阵分解U,S,Vtnp.linalg.svd(A)# SVDQ,Rnp.linalg.qr(A)# QR4. FFTimportnumpyasnp xnp.random.randn(4096).npu()# FFTXnp.fft.fft(x)X2np.fft.fft2(x.reshape(64,64))# IFFTx_reconnp.fft.ifft(X)5. 统计importnumpyasnp xnp.random.randn(1024,1024).npu()# 统计mean_valnp.mean(x)std_valnp.std(x)max_valnp.max(x)min_valnp.min(x)适用场景什么情况下用 asnumpy科学计算FFT、矩阵 decomposition、线性代数信号处理频域分析、滤波图像处理频域滤波、图像变换快速原型验证算法验证完了直接上 NPU 跑生产什么情况下不用深度学习训练用 PyTorch深度学习推理用 ATB 或 ops-transformer非昇腾硬件asnumpy 只支持昇腾 NPU总结asnumpy 就是昇腾的NumPy 加速器让你在 NPU 上直接用 NumPy 语法代码不用改只要加.npu()性能比 CPU NumPy 快 10-14 倍