Code Migration And Alignment

导言

• 越靠近一线的研发，更会忙碌于开源代码/特性的迁移工作。
• 原因主要在于客户发现了效果好的开源成果，就觉得没有复用门槛，反过来催促开发快点实现。
• 读论文也是为了更好的理解迁移的代码，而较少关注其原理。

无论是把 PyTorch代码 迁移到其他框架（e.g.，MindSpore），还是把将代码继承到All IN ONE 框架（e.g., MindSpeed-MM），都经常遇到如下头大的问题：

1. 一行行代码理解迁移速度太慢，并且要理解的非重要、不相关内容太多。
2. 一股脑先移植过来，总是遇到channel对不上、触发算子计算维度限制条件 等问题。
3. 训练推理流程打通之后，也会遇到精度不对齐的问题。

原始的解决办法就是在计算流程上打印关键数据的变化，找到是开始出现了差异（非预期）地方，使用起来非常不方便：

1. 需要手动加print；
2. 需要肉眼对比打屏信息；

想寻找/开发一个python工具DataDiffer/TensorDiffer：

1. 比如通过装饰器等方法，跟踪函数内，指定变量的变化；
2. 包括shape，tensor内前5个非0值，
3. 支持将变化信息保存到文件，方便后续对比；

项目