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

《Cambricon PyTorch 理论基础》

问题1:  Cambricon PyTorch 通过那种方式对原生 PyTorch 进行后端适配？

pytorch原生工程中添加 MLU设备的注册，然后将MLU后端代码封装在Aten模块，并利用Pytorch extension 扩展机制 将catch工程patch回pytorch原生工程，这样pytorch算子接口就可以通过torch tensor、aten ops链接mlu后端aten代码；其中catch工程中的mlu后端aten代码是通过对cambricon cntookit 的封装和使用，实现对计算任务分发到cnnl、mm算子，并下发驱动实现计算

问题2:  Cambricon PyTorch 训推一体架构的后端是如何实现的？

 使用 Cambricon Pytorch 进行训练时，使用cnnl后端，有4种训练模式分别为：量化感知训练、分布式训练、混合精度训练、单机单卡浮点训练。完成训练得到浮点模型，其中训练时mlu不支持的算子也会自动使用cpu进行训练；

使用 Cambricon Pytorch 进行推理时，有Eager 模式和 Jit模式，Eager 模式只能使用 float精度进行推理，Jit模式可以选择int量化或者float模式