手把手教你用算能云空间搭建RISC-V版PyTorch环境（含最新CPUINFO补丁）
手把手教你用算能云空间搭建RISC-V版PyTorch环境（含最新CPUINFO补丁）
在AI技术快速发展的今天，RISC-V架构因其开源、可定制的特性，正逐渐成为边缘计算和云计算领域的新宠。然而，当工程师们尝试在这一架构上部署主流AI框架时，往往会遇到各种兼容性问题。本文将带你一步步在算能云空间上，为RISC-V架构搭建完整的PyTorch环境，包括解决最棘手的CPUINFO补丁问题。
1. 环境准备与基础配置
算能云空间为开发者提供了便捷的RISC-V开发环境，但在开始之前，我们需要完成一些基础配置工作。不同于x86架构的"开箱即用"，RISC-V平台需要更多手动配置步骤。
首先登录算能云空间控制台，创建一个新的RISC-V实例。建议选择至少16GB内存的配置，因为后续的编译过程非常消耗资源。实例创建完成后，通过SSH连接到服务器，我们开始环境准备。
基础软件包安装：
apt update && apt upgrade -y apt install -y python3 python-is-python3 python3-pip git pip install pyyaml注意：如果在安装过程中遇到"Could not get lock"错误，可以使用
ps aux | grep apt查找占用进程，然后用kill -9 [PID]终止该进程后重试。
开发工具链的安装是后续工作的基础，RISC-V平台需要特别注意BLAS库的兼容性：
| 软件包 | 作用 | 安装命令 |
|---|---|---|
| libblas-dev | 基础BLAS实现 | apt install libblas-dev |
| m4 | 宏处理器 | apt install m4 |
| cmake | 构建工具 | apt install cmake |
| cython3 | Python扩展 | apt install cython3 |
| ccache | 编译缓存 | apt install ccache |
如果libopenblas-dev无法正常安装，可以手动编译OpenBLAS：
git clone https://github.com/xianyi/OpenBLAS.git cd OpenBLAS make -j$(nproc) make PREFIX=/usr/local/OpenBLAS install echo 'export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/OpenBLAS/lib/' >> /etc/profile source /etc/profile2. 获取与修改PyTorch源码
PyTorch官方仓库并不直接支持RISC-V架构，因此我们需要获取源码并进行必要的修改。这一过程需要特别注意子模块的完整性。
mkdir -p ~/pytorch_riscv && cd ~/pytorch_riscv git clone --recursive https://github.com/pytorch/pytorch.git cd pytorch git submodule sync git submodule update --init --recursive接下来是关键的源码修改环节，这些修改主要是为了绕过RISC-V架构不支持的编译选项：
修改aten/src/ATen/CMakeLists.txt： 将
if(NOT MSVC AND NOT EMSCRIPTEN AND NOT INTERN_BUILD_MOBILE)替换为if(FALSE)修改caffe2/CMakeLists.txt： 将
target_link_libraries(${test_name}_${CPU_CAPABILITY} c10 sleef gtest_main)替换为target_link_libraries(${test_name}_${CPU_CAPABILITY} c10 gtest_main)修改test/cpp/api/CMakeLists.txt： 在
add_executable(test_api ${TORCH_API_TEST_SOURCES})后添加：target_compile_options(test_api PUBLIC -Wno-nonnull)
提示：使用vim编辑这些文件时，可以先用
/搜索目标语句，确认无误后再用shift+i进入编辑模式，修改完成后按ESC退出编辑，输入:wq保存退出。
3. 环境变量配置与编译
正确的环境变量设置可以避免大量不必要的编译错误。在开始编译前，设置以下变量：
export USE_CUDA=0 export USE_DISTRIBUTED=0 export USE_MKLDNN=0 export MAX_JOBS=$(nproc)现在可以开始编译了，这个过程可能需要几个小时，取决于服务器的性能：
python3 setup.py develop --cmake编译过程中可能会遇到几个常见问题：
问题1：Could not find any of CMakeLists.txt in /root/xxx/pytorch/third_party/pthreadpool
解决方法：
cd pytorch/third_party rm -rf pthreadpool cd ../.. git submodule update --init --recursive问题2：undefined reference to `__atomic_exchange_1'
解决方法：
apt install patchelf patchelf --add-needed libatomic.so.1 build/lib/libtorch_cpu.so4. 解决CPUINFO兼容性问题
编译完成后，尝试导入torch时可能会遇到最棘手的问题："Error in cpuinfo: processor architecture is not supported in cpuinfo"。这是因为官方cpuinfo仓库尚未完全支持RISC-V架构。
解决方法是用算能修改过的版本替换原cpuinfo：
cd third_party rm -rf cpuinfo git clone https://github.com/sophgo/cpuinfo.git cd ../.. python3 setup.py develop --cmake这个补丁专门为RISC-V架构进行了适配，解决了处理器信息识别的核心问题。重新编译后，应该可以正常导入torch模块了。
5. 验证环境与简单模型测试
为了验证环境是否正常工作，我们可以创建一个简单的全连接神经网络测试脚本：
import torch import torch.nn as nn # 检查PyTorch版本和基本功能 print(f"PyTorch版本: {torch.__version__}") print(f"是否支持CUDA: {torch.cuda.is_available()}") # 在RISC-V上应为False print(f"随机张量测试: {torch.rand(3,3)}") # 定义一个简单的全连接网络 class SimpleNet(nn.Module): def __init__(self): super(SimpleNet, self).__init__() self.fc1 = nn.Linear(1000, 100) self.fc2 = nn.Linear(100, 10) def forward(self, x): x = torch.relu(self.fc1(x)) x = self.fc2(x) return x # 测试模型 model = SimpleNet() input = torch.randn(64, 1000) output = model(input) print(f"模型输出形状: {output.shape}")将上述代码保存为test.py，然后运行：
python3 test.py如果一切正常，你应该能看到PyTorch版本信息和一个形状为[64,10]的输出张量。这表明你的RISC-V版PyTorch环境已经成功搭建完成。
在实际项目中，你可能还需要考虑以下优化：
- 使用
export OMP_NUM_THREADS=[核心数]来控制线程数量 - 定期清理编译缓存以节省空间：
ccache -C - 考虑使用更轻量级的BLAS实现，如BLIS