1、最简单的：Transfer2NPU（torch_npu）

这是昇腾现在最出圈的“懒人方案”，适合PyTorch模型 。
只需要在代码最前面加一行：
 from torch_npu.contrib import transfer_to_npu 
它会运行时自动拦截torch.cuda相关调用，自动映射成NPU接口。
✅ 优点：很多普通模型几乎不用改代码，拿来就跑；
❌ 局限：遇到手写CUDA核、特殊第三方加速库（xformers老版本、cuDNN深度定制算子），自动翻译会失效，速度掉很多或者直接报错。

2、PyTorch GPU2Ascend 脚本迁移工具（CANN自带）

是CANN工具箱内置的静态转换工具，不是运行时翻译，直接修改你的Python源码，生成一份适配昇腾的新脚本，同时输出一份报告：哪些API支持、哪些算子不支持、需要人工改哪里 。
适合批量迁移一堆训练脚本，适合企业批量改造。
缺点：复杂算子、自定义CUDA核，它识别不了，标记出来留给程序员手写。

3、ATC 模型转换工具（推理用得多）

如果你已经在CUDA上把模型训练完、导出成ONNX，用ATC把ONNX转成昇腾专属的 .om 离线模型文件，专门给上线推理部署用，不负责训练代码迁移 。
很多企业的做法：训练慢慢迁移，推理先用ATC快速落地。

4、MindStudio（图形IDE，带迁移分析）

相当于昇腾版的开发软件，里面集成了上面的迁移工具，可视化看算子支持情况、断点调试，适合开发人员，不适合纯脚本一键跑 。

5、底层兜底：Ascend C

上面工具都搞不定的高性能自定义CUDA算子（比如大模型里的注意力算子），就不能靠翻译了，需要程序员用Ascend C重新写一版等价逻辑，这是工作量最大的部分，也是迁移里最耗时间的地方。

很关键的现实总结

- 普通模型、开源现成模型：transfer_to_npu 就能搞定，迁移成本很低；
- 大模型、深度优化过的模型：大量手写CUDA算子，工具只能做一部分，必须人工重写、调优，这就是为什么大厂迁移周期依然很长；
- 不存在一个工具，能做到所有CUDA代码一键完美跑在昇腾、性能不变。架构底层不一样，翻译一定会有边界。

补充一个方向：CUDA兼容层（第三方方案）

还有一些商业兼容层项目，目标是直接跑原生CUDA程序，不用改代码。但这类方案一般有明显性能损耗，而且不是华为官方的，生产环境很少用。