Cambricon PyTorch 系列课程涵盖基础理论、训练、推理入门，推理入门课后练习答案如下：

《Cambricon PyTorch 的推理入门》

问题1：简单描述 Cambricon      PyTorch Eager/JIT 推理模式的后端设计和运行流程。 

• 通过torch api或者pt模型，进行load model ，pytorch会通过 parser 解析加载的模型，然后通过pytorch 分发和 catch分发，得到了前向cnnl算子，通过cnnlsetqueue创建cnnl队列,在forward的时候进行cnrtsyncqueue对驱动进行计算任务下发，最后返回结果；

• 通过torch api或者pt模型，进行load model，pytorch会通过 parser 解析加载的模型，得到torch 计算图表示，然后通过jittrace进入图优化和图融合，其中resblock中的conv bn relu 层会融合成cbr组合层，我们将该融合图称为 magicmind sub graph，接着该subgraph会经过MagicMind parser、MagicMind builder得到序列化的magicmind model，最后绑定magicmind engine和context，启动magicmind sync 将该model对驱动进行计算任务下发，返回计算结果

问题2：复现课程中运用的两个推理示例，并通过实践去分析两种推理模式的差异。

Eager 推理实践代码（答案）.docx

Jit 推理实践代码（答案）.docx