在人工智能与深度学习飞速发展的当下，高效、友好的计算工具成为开发者们的迫切需求。随着算力需求的不断攀升，专用计算芯片及相应的软件生态愈发重要。值得注意的是，截至2025年8月2日，Python 以26.14% 的占比成为 Tiobe 历史上最受欢迎的编程语言，在科学计算、数据分析与人工智能领域均占据主导地位。而在 Python 生态中，Numpy 是基石性的数学运算库，为后续的诸多深度学习框架和工具提供了底层支撑。
❗ 为进一步提升开发者在昇腾 NPU 上的计算体验，哈尔滨工业大学计算学部苏统华教授团队联合华为团队打造了 昇腾 NPU 原生 Numpy —— AsNumpy。
AsNumpy 是一款 深度支持昇腾 NPU 并高度兼容 Numpy 接口的轻量级 Python 数学运算库。
通过精心设计的 NPUArray 核心数据结构，AsNumpy 在 Python 层完全兼容 Numpy API，同时在 C++ 底层深度集成了 华为 Ascend C 算子库，对 NPU 算子（包括数学运算、线性代数、随机采样等）进行系统化封装，并高效管理 dtype、shape 以及 aclTensor 等底层资源，实现了与主机端 numpy.ndarray 的双向拷贝。借助 pybind11 实现高效的 Python-C++ 接口绑定，使用户能够像使用 Numpy 一样在 NPU 上无缝创建、操作张量。
与 Numpy 接口高度兼容，几乎无需额外学习成本，即可释放昇腾 NPU 的高效原生计算能力。
NPUArray 是 AsNumpy 的核心数据结构，设计理念主要体现在以下三个方面：
在 Python 层完全兼容 Numpy API，为用户提供与 ndarray 无缝衔接的体验。
这意味着你可以像使用 Numpy 一样使用 NPUArray。
NPUArray 内部封装了 dtype、shape 等基本信息，以及底层的数据 aclTensor。
用户在 Python 层操作时，无需关心底层复杂的细节。
NPUArray 提供了方便的构造函数，并且在对象不再使用时，会自动调用析构函数释放资源。
这种设计避免了手动管理内存可能引发的内存泄漏问题，使用户能够更加专注于算法逻辑。
AsNumpy 的 API 架构分为 功能模块 与 基础模块 两大类。
API 架构设计示意图如下所示：
AsNumpy 已实现涵盖 数学运算（三角函数、指数、对数等常见数学计算）、线性代数（矩阵运算与分解）、随机抽样、逻辑函数、数组创建、输入输出等多个功能模块，以及 辅助工具、内存池管理、数据类型 等基础模块，为开发者提供全面的科学计算支持。
详细 API 列表请参阅 docs 目录下的各模块文档。
由于 CANN 内置算子主要面向 AI 编程与神经网络训练等深度学习场景，而 AsNumpy 作为通用科学计算库，更侧重于数据计算、处理与分析等传统数值计算场景，两者的应用领域存在差异。在将 Numpy 的完整 API 体系迁移到 NPU 的过程中，AsNumpy 会面临算子覆盖度不足的挑战。为此，引入了 NPU 扩展功能模块，通过自研算子与开源算子库相结合的方式，提升 API 覆盖率与计算性能。
NPU扩展功能模块设计示意图如下所示：
- AsNumpy 需要封装 CANN 内置算子。
- CANN 内置算子无法覆盖 NumPy 的全部 API。
- 对缺失的算子进行手动开发。
- 借助 OpenBOAT 开源算子库来补齐算子。
- 优先安排缺失算子的开发计划。
- OpenBOAT 为 AsNumpy 提供算子支持。
- 推动 AsNumpy 兼容更多 NumPy API。
- 加速 AsNumpy 项目的落地与完善。
📌 说明：
OpenBOAT 是由 哈尔滨工业大学计算学部苏统华教授团队 设计的 Ascend C 算子仓库，能够为 AsNumpy 提供灵活的算子扩展支持。
💻 下面展示一组代码示例，帮助开发者直观对比 Numpy 与 AsNumpy 的使用差异。
import numpy as np
rows = 20000
cols = 20000
m1 = np.random.normal(...)
m2 = np.random.normal(...)
elementwise_product = np.multiply(m1, m2)
total_sum = np.sum(elementwise_product) import asnumpy as ap
m1_npu = ap.ndarray.from_numpy(m1)
m2_npu = ap.ndarray.from_numpy(m2)
elementwise_product = ap.multiply(m1_npu, m2_npu)
total_sum = ap.sum(elementwise_product) | 功能 | 状态 |
|---|---|
| AscendCL 系统配置与运行时管理 | ✅ 已完成 |
| NPUArray 数据结构 | ✅ 已完成 |
基础创建函数：ones、zeros |
✅ 已完成 |
与 Numpy 双向拷贝（to_numpy、from_numpy） |
✅ 已完成 |
| 完整 Numpy API 兼容 | 🚧 进行中 |
| 更多逐元素 / 规约算子 | 🚧 进行中 |
以不同形状的张量作为输入，针对 AsNumpy 与 Numpy 进行背对背测试。
示例：multiply() 函数，数据类型为 float32，测试时间单位为秒（小数点后四位）。
可以看出，在一定规模下，NPU 的原生计算能力能得到充分释放。
| 张量形状 | AsNumpy 执行时间 (s) | Numpy 执行时间 (s) | 加速比 |
|---|---|---|---|
| (500, 500) | 1.9355 | 0.1708 | 0.09× |
| (1000, 1000) | 0.0692 | 0.7029 | 10.16× |
| (2000, 2000) | 0.1033 | 3.8387 | 37.17× |
| (3000, 3000) | 0.1115 | 14.3567 | 128.70× |
本仓库目前支持用户以 源代码编译安装 的方式使用，后续将以 whl 包形式提供预编译版本。
环境要求:
- 硬件平台：
- CPU：AArch64或X86_64
- NPU：昇腾910B
- 系统版本：
- 主流Linux系统，Ubuntu 20.04及以上版本
- 软件版本：
- 编译工具：
GCC >= 11.2、CMake >= 3.22、ninja-build >= 1.12 - Python环境：
Python >= 3.9、具有pip工具 - CANN：
8.2.RC1.alpha003及以上版本
- 编译工具：
用户使用方式：
git clone --recursive https://gitcode.com/cann/asnumpy.git
cd asnumpy
pip install -r requirements.txt
python -m build
pip install dist/*.whl| 阶段 | 目标 |
|---|---|
| v0.2 | 内部代码 面向对象 重构，结构更清晰 |
| v0.3 | 支持逐元素 & 规约算子：sum、matmul … |
| v1.0 | 兼容 Numpy 使用率前 100 的 API，支持大部分 Numpy 算法迁移至 AsNumpy |
| v2.0 | 扩展 Ascend C 算子库，支持使用自定义 Ascend C 算子 |
- 哈尔滨工业大学苏统华老师团队
- 王甜甜老师团队
- 华为 CANN 团队
Apache License, Version 2.0 © 2024-2025 AsNumpy 贡献者