网络脚本分析
算子评估
MindSpore算子设计
使用MindSpore框架搭建神经网络流程与其他框架（TensorFlow/PyTorch）类似，但支持的算子存在差异，需要在进行网络迁移（例如由TensorFlow迁移至MindSpore Ascend平台）时找出MindSpore框架缺失的算子。
MindSpore API由各种Python/C++ API算子组成，可以大致分为：
数据框架算子
包括张量、基本数据类型、训练梯度、优化器算子，如
mindspore.int32、mindspore.nn.Cell等。数据预处理算子
包括图片读取、数据类型转化算子，如
mindspore.dataset.MnistDataset等。网络结构算子
包括网络构建中使用到的卷积、归一化算子，如
mindspore.nn.Conv2d、mindspore.nn.Dense等。网络结构算子表层为ME算子，即用户调用的算子API（例如
mindspore.nn.Softmax），ME算子底层调用TBE算子（C/C++）实现。统计缺失ME算子时，需要找出源码脚本中所有算子（含数据框架类、数据预处理、网络结构算子）在MindSpore框架的对应算子（例如
tf.nn.relu对应MindSpore算子为mindspore.nn.ReLU）。如果MindSpore中没有对应算子，则计入缺失。
查询算子映射表
在代码库找到网络结构及实现训练功能的Python文件（名称一般为train.py model.py等等），在脚本文件中查找所有相关算子（含数据框架类、数据预处理、网络结构算子），并与MindSpore算子API对比，查找mindspore.nn或者mindspore.ops下算子的平台支持情况。
若该网页均未能找到对应的ME算子，则可继续在MindSpore API列表中搜索算子名称。
若源码为PyTorch脚本，则可以直接查询MindSpore与PyTorch的算子映射找到对应的MindSpore算子。其他框架算子的映射可以参考算子命名与功能描述。注意，针对相同功能的算子，MindSpore的命名可能与其他框架不同，同名算子参数与功能也可能与其他框架有区别，均以官方描述为准。
缺失算子处理策略
考虑用其他算子替换：需要分析算子实现公式，审视是否可以用现有MindSpore算子叠加达到预期目标。
考虑临时规避方案：比如某个loss不支持，可以替换为同类已支持的loss算子。
在MindSpore社区提交建议开发缺失算子。
语法评估
MindSpore提供GRAPH_MODE和PYNATIVE_MODE两种模式。
PyNative模式下模型进行推理的行为与一般Python代码无异。
而在使用GRAPH_MODE时，或使用PYNATIVE_MODE进行训练时，通常会出现语法限制。在这两种情况下，需要对Python代码进行图编译操作，而这一步操作中MindSpore目前还未能支持完整的Python语法全集，所以construct函数的编写会存在部分限制。具体限制内容可以参考MindSpore静态图语法。
常见限制原则
相较于详细的语法说明，常见的限制可以归结为以下几点：
构图时不要调用其他Python库，例如numpy、scipy，相关的处理应该前移到
__init__阶段。构图时不要使用自定义类型，而应该使用MindSpore提供的数据类型和Python基础类型，可以使用基于这些类型的tuple/list组合。
构图时不要对数据进行多线程或多进程处理。
常见处理策略
使用MindSpore内部提供的算子替换其他Python库的功能。常量的处理可以前移到
__init__阶段。使用基础类型进行组合，可以考虑增加函数参数量。函数入参数没有限制，并且可以使用不定长输入。
避免网络中出现多线程处理。