PaddlePaddle Code Convert Toolkits
- 当前共支持约900个Pytorch API的一键转换
PaConvert是一个代码转换工具，能自动将其它深度学习框架训练或推理的代码，转换为PaddlePaddle的代码，方便代码迁移。
目前支持自动转换Pytorch代码，其它深度学习框架的支持后续新增中，其原理是通过Python AST语法树分析，将输入代码生成为抽象语法树，对其进行解析、遍历、匹配、编辑、替换、插入等各种操作，然后得到基于PaddlePaddle的抽象语法树，最后生成Paddle的代码。
转换会尽量保持原代码的风格与结构，将代码中其它深度学习框架的接口转换为调用PaddlePaddle的接口。
转换时会尽可能保证原代码的行数不变，但某些情形下原来的1行代码会转换成多行。例如：
转换前：
import torch
y = torch.transpose(image, 1, 0)
转换后：
import paddle
x = image
perm_0 = list(range(x.ndim))
perm_0[0] = 1
perm_0[1] = 0
y = paddle.transpose(x=x, perm=perm_0)
这是由于两者API的用法差异，无法通过一行代码来完成，需要增加若干辅助行来实现相同功能。
转换过程中不会改动原文件，会将原项目文件一一转换到 out_dir 指定的文件夹中，方便前后对比。对不同类型的文件的处理逻辑分别为：
- Python代码文件：识别代码中调用其它深度学习框架的接口并转换
- requirements.txt： 替换其中的安装依赖为
paddlepaddle-gpu - 其他文件：原样拷贝
由于使用了一些较新的Python语法树特性，你需要使用>=python3.8的解释器。
- 使用pip安装
python3.8 -m pip install -U paconvert
paconvert -in_dir torch_project [--out_dir paddle_project] [--exclude_dirs exclude_dirs] [--log_dir log_dir] [--log_level "DEBUG"] [--run_check 1]- 使用源码安装
git clone https://github.com/PaddlePaddle/PaConvert.git
python3.8 paconvert/main.py --in_dir torch_project [--out_dir paddle_project] [--exclude_dirs exclude_dirs] [--log_dir log_dir] [--log_level "DEBUG"] [--run_check 1]参数介绍
--in_dir 输入torch项目文件，可以为单个文件或文件夹
--out_dir 可选，输出paddle项目文件，可以为单个文件或文件夹，默认在当前目录下创建./paddle_project/
--exclude_dirs 可选，排除转换的文件或文件夹，排除多项时请用逗号分隔，默认不排除
--log_dir 可选，输出日志的路径，默认会在终端上打印日志
--log_level 可选，打印log等级，仅支持"INFO" "DEBUG"，默认"INFO"
--run_check 可选，工具自检
以下面Pytorch代码为例，转换前：
import torch
import torch.nn as nn
import torch.optim as optim
import torch.nn.Linear as Linear
import torch.nn.functional as F
class MyNet(nn.Module):
test = "str"
def __init__(self):
self._fc1 = torch.nn.Linear(10, 10)
self._fc2 = nn.Linear(10, 10)
self._fc3 = Linear(10, 10)
@torch.no_grad()
def forward(self, x):
x = self._fc1(x)
x = self._fc2(x)
x = self._fc3(x)
y = torch.add(x, x)
return F.relu(y)
net = MyNet()
sgd = optim.SGD(net.parameters(), lr=0.1, momentum=0.9)
lr = optim.lr_scheduler.MultiStepLR(sgd, milestones=[2, 4, 6], gamma=0.8)
转换后：
import paddle
class MyNet(paddle.nn.Layer):
test = 'str'
def __init__(self):
self._fc1 = paddle.nn.Linear(in_features=10, out_features=10)
self._fc2 = paddle.nn.Linear(in_features=10, out_features=10)
self._fc3 = paddle.nn.Linear(in_features=10, out_features=10)
@paddle.no_grad()
def forward(self, x):
x = self._fc1(x)
x = self._fc2(x)
x = self._fc3(x)
y = paddle.add(x=x, y=x)
return paddle.nn.functional.relu(x=y)
net = MyNet()
>>>sgd = torch.optim.SGD(net.parameters(), lr=0.1, momentum=0.9)
>>>lr = torch.optim.lr_scheduler.MultiStepLR(sgd, milestones=[2, 4, 6], gamma=0.8)
打印信息如下：
===========================================
PyTorch to Paddle Convert Start ------>:
===========================================
Start convert /workspace/test_code.py --> /workspace/PaConvert/paddle_project/test_code.py
[test_code.py:1] remove 'import torch'
[test_code.py:2] remove 'import torch.nn as nn'
[test_code.py:3] remove 'import torch.optim as optim'
[test_code.py:4] remove 'import torch.nn.Linear as Linear'
[test_code.py:5] remove 'import torch.nn.functional as F'
[test_code.py] add 'import paddle' in first line
[test_code.py:25] [Not Support] convert torch.optim.SGD to Paddle is not supported currently
[test_code.py:26] [Not Support] convert torch.optim.lr_scheduler.MultiStepLR to Paddle is not supported currently
Finish convert /workspace/test_code.py --> /workspace/PaConvert/paddle_project/test_code.py
========================================
Convert Summary:
========================================
There are 10 Pytorch APIs in this Project:
8 Pytorch APIs have been converted to Paddle successfully!
2 Pytorch APIs are not supported to convert to Paddle currently!
Convert Rate is: 80.000%
For these 2 Pytorch APIs that do not support to Convert now, which have been marked by >>> before the line,
please refer to https://www.paddlepaddle.org.cn/documentation/docs/zh/develop/guides/model_convert/convert_from_pytorch/pytorch_api_mapping_cn.html
and convert it by yourself manually. In addition, these APIs will be supported in future.
Thank you to use Paddle Code Convert Tool. You can make any suggestions to us.
转换完成后，会打印 转换总结 ，包含 API总数、转换成功数、未转换数、转换率 。如未指定 out_dir ，则会在当前目录下 ./paddle_project/ 并输出到此目录。如未指定 log_dir ，则会在终端打印日志。
例如，上述代码里一共有10个Pytorch API，其中8个被成功转换，因此转换率为 80.00% ，如果项目中有多个python文件，则会统计所有文件的累计数据。
对于转换成功的API：代码风格上会略有变化，会 补全API全名、补全参数关键字、移除注释、移除多余空行 。因为在 源码->语法树->源码 的过程中，会采用标准写法来生成代码，而 注释、空行 等代码无法被语法树识别，将被移除。
对于不支持转换的API：将 补全为Pytorch API全名，同时在行前通过 >>> 的形式加以标记，用户必须对该API进行人工手动转换，然后删除标记，否则代码无法运行。
欢迎你向我们贡献代码。具体的开发步骤如下：
在开发本项目之前，请确保已经安装了以下依赖项：
# cpu 版本的paddle
python -m pip install paddlepaddle==0.0.0 -f https://www.paddlepaddle.org.cn/whl/linux/cpu-mkl/develop.html# cpu 版本的torch
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpupip install -r requirements-dev.txt代码审查包括两部分，一个是基于现有开源代码格式规范的审查，通过pre-commit来审查，另一个是基于自定义要求的审查，在tools下。
本项目使用了 pre-commit 工具来进行代码规范和格式化，主要包括black,flake8,pylint，在CI阶段代码审查执行，具体规范配置请见根目录.pre-commit-config.yaml文件。在提交代码之前，pre-commit 钩子将自动运行相关的检查和修复。本地运行方式如下
# 要安装 pre-commit 钩子，请执行以下命令：
pip install pre-commit
pre-commit install
# 调整代码格式和规范错误
pre-commit run --file [file_name]本项目使用了基于自定义要求的审查，相关代码文件在tools和scripts下,可自行本地调试。
相关CI的测试代码和本地scriptes的脚本文件对应如下
| CI名称 | repo对应脚本文件 |
|---|---|
| PR-CI-ModelTest | scripts/code_modeltest_check.sh |
| PR-CI-CodeCosistency | scripts/code_consistency_check.sh |
| PR-CI-CodeStyle | scripts/code_style_check.sh |
| PR-CI-UnitTest | scripts/code_unittest_check.sh |
| PR-CI-Coverage | scripts/code_modeltest_check.sh |
| PR-CI-Pipeline | scripts/code_pipeline_check.sh |
| PR-CI-PRTemplate | scripts/code_PRtemplate_check.sh |
运行对应CI文件需修改scriptes中*.sh的环境变量DEVELOP_IF="ON".
```bash
本地单个CI测试方法
bash scripts/code_modeltest_check.sh
bash scripts/code_consistency_check.sh
bash scripts/code_style_check.sh
bash scripts/code_unittest_check.sh
bash scripts/code_modeltest_check.sh
bash scripts/code_pipeline_check.sh
bash scripts/code_PRtemplate_check.sh
本地全部CI测试方法
bash scripts/run_ci.sh
合入必须要求通过全部CI检测，原则上禁止强行Merge，如果有代码风格阻塞，可以讨论是否禁止某一条pre-commit规范，必须要求一个Reviewer的approve，禁止出现敏感代码。
提交PR时，请尽可能按照以下规范
### PR Docs
<!-- Describe the docs PR corresponding the APIs -->
https://github.com/PaddlePaddle/docs/pull/_prID
### PR APIs
<!-- APIs what you’ve done -->
torch.transpose
torch.Tensor._index_copy
torch.permute
...首先你需要熟悉我们的 Pytorch-Paddle API映射关系表 ，映射关系相当于人工转换的思路，其是开发自动转换功能的前提，基于这些映射关系，我们才可以进行后续的开发。
根据映射关系的复杂程度，我们将API分为7大类：
-
第1类为
API可直接映射，此类情形最为容易。其又分为五种子情况：无参数、参数完全一致、仅参数名不一致、仅 paddle 参数更多、仅参数默认值不一致。 -
第2类为
torch 参数更多。如果 torch 和 paddle 都支持更多参数，统一写成torch 参数更多。 -
第3类为
参数用法不一致。比如 所支持的参数类型不一致(是否可以是元组)、参数含义不一致、返回参数类型不同。 -
第4类为
组合替代实现，表示该 API 可以通过多个 API 组合实现。 -
第5类为
用法不同：涉及上下文修改，表示涉及到上下文分析，需要修改其他位置的代码。 -
第6类为
对应 API 不在主框架。例如torch.hamming_window对应 API 在paddlenlp中。 -
第7类为
功能缺失，表示当前无该API功能，则不支持自动转换。
其中第1~6类API需按后续步骤开发，第7类由于无法支持自动转换，仅在 API映射表页面 标注 功能缺失 即可，无需其他开发。。
对于一个待支持转换的Pytorch API，首先查阅 Pytorch-Paddle API映射表，如果已经有了该API的映射关系，则无需新增映射关系文档，可以直接参考来编写转换规则。但如果发现其问题，则需要进行修复。
注意：当前已有一部分存量映射关系文档，但可能存在错误或考虑不全面之处，在开发自动转换规则时，如发现文档问题，需要对这些文档进行校正修改。
如果没有该API映射关系，则需要自行分析API，并根据统一模板来编写映射关系文档，提交PR到 https://github.com/PaddlePaddle/docs/tree/develop/docs/guides/model_convert/convert_from_pytorch/api_difference 目录下。统一模板详见：API映射关系模板。
在 paconvert/api_mapping.json 中增加该 API 的各项配置，每个配置字段的定义如下：
{
"torch.permute" : {
"Matcher": "GenericMatcher",
"paddle_api": "paddle.transpose",
"args_list" : ["input", "dims"],
"kwargs_change": {
"input": "x",
"dims": "perm"
}
},
"unsupport_args": {},
"paddle_default_kwargs": {}
}Matcher :必须，转换器，亦称为转换规则，表示执行转换时的核心逻辑。每一个API均对应一种转换规则，所有API都需要配置。
paddle_api :可选，对应的 Paddle API，仅 `GenericMatcher` 时需要。
args_list :必须，根据顺序填写 torch api 的 `全部参数名`，所有API都需要配置。
kwargs_change :可选，参数名称的差异，仅 `GenericMatcher` 且有参数名差异时需要。
unsupport_args:可选，Paddle API不支持的参数功能，通过该字段配置后，这些参数如被使用将直接标记为不支持转换。
paddle_default_kwargs :可选，当 paddle 参数更多 或者 参数默认值不一致 时，可以通过该配置，设置参数默认值。对于一个待开发API，首先依据步骤1的映射关系，确定其属于哪种分类情况。
对于以下映射关系的分类，都可以通过框架封装好的通用转换器：GenericMatcher 来处理：
-
第1类
API可直接映射：- 无参数：无需其他配置
- 参数完全一致：无需其他配置
- 仅参数名不一致：增加
kwargs_change配置 - 仅paddle参数更多：增加
paddle_default_kwargs配置 - 仅参数默认值不一致：增加
paddle_default_kwargs配置
-
第2类
torch参数更多：仅多layoutmemory_format、inplace、generator、non_blocking、pin_memory、dtype、requires_grad、device参数时，与第1类按相同方式处理。
除了以上字段以及必选字段 Matcher 和 args_list 外，GenericMatcher 还需配置 paddle_api 。
以 torch.permute 为例，首先参照 torch.permute映射关系，其属于 仅参数名不一致 的情况，符合上述类型。因此可通过GenericMatcher来实现，在json中配置必选的 Matcher 和 args_list 字段，还需配置 paddle_api 和 kwargs_change。
"torch.permute" : {
"Matcher": "GenericMatcher",
"paddle_api": "paddle.transpose",
"args_list" : ["input", "dims"],
"kwargs_change": {
"input": "x",
"dims": "perm"
}
}如果不属于上述分类，则需要开发 自定义的Matcher，命名标准为：API名+Matcher 。例如 torch.transpose 可命名为TransposeMatcher ，torch.Tensor.transpose 可命名为 TensorTransposeMatcher。详见下面步骤3。
该步骤有一定难度，需要对AST相关知识有一定熟悉。
首先在 paconvert/api_matcher.py 中增加自定义的Matcher，继承自 BaseMatcher 基类，然后在json中配置必选的 Matcher 字段 和 args_list(类方法无需配置) 字段，其他字段不做要求，可选配 paddle_api 字段。
根据 是否为类方法 ，共有三种开发方式：
判断标准：所有不是类方法的API。
根据 是否支持可变参数 ，又分为以下两种情况：
可变参数是指Python语法中的
*args用法，例如torch.empty(*size)，则含可变参数。通常来讲，大多数API不含可变参数。
1）支持可变参数，则重写：
get_paddle_nodes(self, args, kwargs): 传入的是AST形式的位置参数和关键字参数（其中args为ast.Node的列表，kwargs为ast.keyword的列表），需针对AST语法进行处理，组装代码并生成新的AST节点返回。
以 torch.chain_matmul 为例，由于其支持可变参数，可以传入任意个矩阵，因此重新 get_paddle_nodes 函数，通过parse_args、parse_kwargs来解析AST形式的参数为字符串，具体代码如下：
class Chain_MatmulMatcher(BaseMatcher):
def get_paddle_nodes(self, args, kwargs):
new_args = self.parse_args(args)
new_kwargs = self.parse_kwargs(kwargs)
code = "{}".format(new_args[0])
for arg in new_args[1:]:
code = code + " @ {}".format(arg)
if "out" in new_kwargs and new_kwargs["out"] is not None:
code = "paddle.assign({}, output={})".format(code, new_kwargs["out"])
return ast.parse(code).body
对应的json配置为：
"torch.chain_matmul": {
"Matcher": "Chain_MatmulMatcher",
}
2）不支持可变参数，则重写：
generate_code(self, kwargs): 传入的kwargs是字符串字典形式的关键字参数，根据kwargs组装字符串形式的代码并返回。其相比get_paddle_nodes更为high_level一些，无需自行处理AST节点与字符串的各种解析、转换，直接处理纯字符串组装代码即可，相对容易些。
以 torch.transpose 为例，首先参照 torch.transpose映射关系，其属于 参数不一致 的情况，不符合 GenericMatcher 的适用范围。因此需要编写自定义Matcher：TransposeMatcher 。
由于 torch.transpose 不支持可变参数，因此重新 generate_code 函数，具体代码如下：
class TransposeMatcher(BaseMatcher):
def generate_code(self, kwargs):
API_TEMPLATE = textwrap.dedent(
'''
{} = list(range(len({}.shape)))
{}[{}] = {}
{}[{}] = {}
paddle.transpose({}, {})
'''
)
perm = unique_name('perm')
code = API_TEMPLATE.format(perm, kwargs['input'],
perm, kwargs['dim0'], kwargs['dim1'],
perm, kwargs['dim1'], kwargs['dim0'],
kwargs['input'], perm)
return code
对应的json配置为：
"torch.transpose" : {
"Matcher": "TransposeMatcher",
"args_list" : [
"input",
"dim0",
"dim1"
]
}
由于 类方法 可能与其他Python class的类方式混淆，导致无法识别，如果该API具有独特的深度学习API名称，例如 x.backward() 、 sgd.step() ，则可以准确识别，可使用本方式开发。
判断标准：类方法API且具有独特的API名。需要与 numpy、scipy、python原生class(list/tuple/set/dict等)的类方法进行对比，若有任意相同API，则不符合此标准。
根据 是否支持可变参数 ，又分为以下两种情况：
1）支持可变参数，则重写：
get_paddle_class_nodes(self, func, args, kwargs): 主要用来处理类成员函数，与get_paddle_nodes不同的地方在于传入了func，根据这个func可以找到完整的调用链，首先需使用self.parse_func(func)，解析外部的调用链，然后self.paddleClass会存储调用类方法的对象。如x.abs().add(y)中，对于add(y)调用来说，它调用类方法的对象为x.abs()，即self.paddleClass='x.abs()'，通过self.paddleClass来组装新的调用代码，并生成新的AST节点返回。
2）不支持可变参数，则重写：
generate_code(self, kwargs): 传入的是字符串字典形式的关键字参数，即kwargs，根据该字典，组装字符串形式的代码并返回。其相比get_paddle_class_nodes更为high_level一些，已经进行了self.paddleClass的设置，也无需自行处理AST节点与字符串的各种解析、转换，直接处理纯字符串组装代码即可，相对容易些。
以 torch.Tensor.repeat_interleave 为例，由于该API名称很长，不容易出现误识别；numpy等其他库也没有 ndarray.repeat_interleave API，因此符合此标准。参照 torch.transpose映射关系，其属于 仅参数名不一致 的情况，符合 GenericMatcher 的适用范围。因此只需配置json字段即可，其中已编写了通用的 generate_code 函数。
"torch.Tensor.repeat_interleave": {
"Matcher": "GenericMatcher",
"paddle_api": "paddle.Tensor.repeat_interleave",
"args_list": [
"repeats",
"dim",
"output_size"
],
"kwargs_change": {
"dim": "axis"
}
}
所有不符合方式二的类方法，均采用方式三开发。
方式三与方式二的区别在于，其原理为保持转换前后代码不变，则可消除无法识别的问题。同时增加后台辅助代码对API的调整，来保证代码在完全不变的前提下，仍可正常运行。根据是否需要辅助代码，其又分为 不需要辅助代码 、需要辅助代码 两种情况。
1）不需要辅助代码
判断标准：代码保持完全不变，即可直接正常运行。此时直接在json中配置已封装好的 TensorUnchangeMatcher 即可，无需编写新的Matcher。
以 torch.Tensor.tan 为例：
"torch.Tensor.tan": {
"Matcher": "TensorUnchangeMatcher"
}
基于Pytorch-Paddle API映射表，其中的 无参数、参数完全一致、仅paddle 参数更多 分类，均符合该情形。
2）需要辅助代码
对于某些API，如果 代码保持完全不变时，无法直接运行，我们就需要在后台通过辅助代码对Paddle相应类方法进行一些修改，使得在 转换前后代码保持不变 的前提下，仍可正常运行。
开发方式：在 get_paddle_class_nodes 或 generate_code 增加相应的判断：
- 对于 不需要辅助代码 即可运行的用法，直接返回 'unchange'
- 对于 需要辅助代码 才可运行的用法，首先要额外重写
generate_aux_code函数，其是模仿Pytorch类API用法的辅助代码，然后显式的调用write_aux_code，此时将在后台模块里注入辅助代码，最后再返回 'unchange' 即可
由于 辅助代码 会不可避免的改变一些Paddle API的用法感官，因此尽可能减少使用辅助代码（即调用 self.write_aux_code()）。所以我们需要判断用户的不同用法，在必要的情形下才 write_aux_code 。
基于Pytorch-Paddle API映射表，我们可参考以下原则来判断是否需要辅助代码：
| 分类 | 不需要辅助代码的用法 | 需要辅助代码的用法 |
|---|---|---|
| 对应API名称不一致 | 全部需要辅助代码 | |
| 仅参数名不一致 | 未指定关键字参数 | 指定了关键字参数 |
| torch参数更多 | 未使用torch多的参数 | 使用了torch多的参数 |
| 参数不一致 | 未使用不一致的用法 | 使用了不一致的用法 |
| 其他分类 | 全部需要辅助代码 |
以 torch.Tensor.reshape 为例，其映射关系分类属于 参数不一致，是由于torch的shape即可为可变参数，也可为list/tuple，而Paddle仅支持list/tuple，因此我们只需对可变参数的用法 write_aux_code 。
class TensorReshapeMatcher(BaseMatcher):
def generate_aux_code(self):
CODE_TEMPLATE = textwrap.dedent(
"""
def reshape(self, *args, **kwargs):
if args:
if len(args)==1 and isinstance(args[0], (tuple, list)):
return paddle.reshape(self, args[0])
else:
return paddle.reshape(self, list(args))
elif kwargs:
return paddle.reshape(self, **kwargs)
setattr(paddle.Tensor, 'reshape', reshape)
"""
)
return CODE_TEMPLATE
def get_paddle_class_nodes(self, func, args, kwargs):
if len(args) == 1 and isinstance(args[0], (ast.List, ast.Tuple)):
return "unchange"
if len(kwargs) == 1 and "shape" in kwargs:
return "unchange"
self.write_aux_code()
return "unchange"
对应的json配置为：
"torch.Tensor.reshape": {
"Matcher": "TensorReshapeMatcher"
}
转换前：
x.reshape(2, 3)
转换后：
import sys
sys.append('/paddle_project/utils')
import paddle_aux
x.reshape(2, 3)
-
代码精简与美观性。要求尽可能只通过一行代码、一个API来实现（代码越少越好）。如果确实无法实现，才考虑通过多行代码、多个API来辅助实现该功能。
-
维护与负责。由于单测可能覆盖不全面，导致引入了非常隐蔽的用法bug，开发者需要后续维护自己开发的API转换规则。解决新反馈的用法case问题。
-
API功能缺失。如果是整个API都缺失的，只需在API映射表中标注 功能缺失 即可，无需其他开发。如果是API局部功能缺失，则对功能缺失点，在代码中返回None表示不支持，同时在API映射表中说明此功能点 Paddle暂无转写方式，同时编写单测但可以注释掉不运行；对其他功能点正常开发即可。
1）可以参考一些写的较为规范的Matcher：
- 传入参数既可以是可变参数，也可以是列表或元组时，例如
TensorExpandMatcher - (待补充)...
2）由于AST语法分析是静态代码分析，也就是Matcher被执行时的并未到代码的运行期，无法知道某个变量的运行值，要避免对变量运行值的判断，否则可能引入错误。
例如：如果在Matcher里的以下判断形式 if 'True' == kwargs['pin_memory'] ，对以下Python代码将失效，因为 kwargs['pin_memory'] 只有到代码运行期其值才为'True'，在AST语法分析期，只能获取 kwargs['pin_memory']='temp' ，无法获取具体运行值，所以上述判断将失效。
temp = True
torch.tensor(1., pin_memory=temp)因此在Matcher编写时，需格外注意此时为静态语法分析期，避免判断运行期的值；如必须判断，则不要在Matcher中判断，将其挪到转换后的代码也就是在运行期来判断。例如转成以下形式：
temp = True
paddle.to_tensor(1., place=paddle.CUDAPinnedPlace() if temp else None)3）谨慎通过多行代码来实现，多余代码行数将插入到该作用域中，最后一行将替换原本的API，注意不能破坏原代码的语法树结构。例如：
if x:
out = torch.add(torch.transpose(x, 1, 0).add(y), z)其中 torch.transpose(x, 1, 0) 会通过5行代码实现:
x = x
perm_0 = list(range(x.ndim))
perm_0[0] = 1
prem_0[1] = 0
paddle.transpose(x=x, perm=perm_0)其中前4行将直接插入到该作用域中，第5行将替换原本的ast.Call: torch.transpose(x, 1, 0)，转换完该API的中间结果为：
if x:
x = x
perm_0 = list(range(x.ndim))
perm_0[0] = 1
prem_0[1] = 0
out = torch.add(paddle.transpose(x=x, perm=perm_0).add(y), z)为避免破坏语法树结构，最后一行仅可为ast.Call/ast.Name/ast.Constant/ast.Attribute/ast.Compare...等较小的子节点形式，如果为ast.Assign/ast.For...等根节点形式，则容易破坏原来的语法树结构，当前会被自动过滤掉。
4）在开发时可能需要查询各种 ast.Node 的组成属性，可以参考 https://greentreesnakes.readthedocs.io/en/latest/nodes.html#function-and-class-definitions ，同时也建议熟悉各种常用AST节点，有利于开发效率的提升。
单测写法：
-
单测位置：所有的单测文件均放在
tests目录下，单测文件命名以test_为前缀，后面接测试的API名称（PyTorch API全称去掉模块名，保留大小写）。例如torch.add命名为test_add.py，torch.Tensor.add命名为test_Tensor_add.py。 -
默认检查逻辑：采用
pytest作为单测框架。一般情况下，用户只需要在单测文件中调用APIBase类的run()方法，传入pytorch_code和需要判断的Tensor变量名列表即可，参考 torch.permute测试用例。run()方法会调用compare()函数，该方法默认检查逻辑为：转换前后两个Tensor的计算数值、数据类型、stop_gradient属性、形状是否一致。 -
关闭数值检查：对于随机数API，允许
计算数值不同，可通过设置run(check_value=False)来实现，默认下不允许关闭数值检查。 -
不支持的检查：对于目前不支持的转换，负责转换的
Matcher需要返回None，表示暂不支持转换。在单测端可设置run(unsupport=True, reason="")来检测转换Matcher的正确性，其中reason表示不支持的原因(必填)。参考 torch.median测试用例。对于不支持的转换且Matcher在转写层难以判断是否支持，例如不支持某种特定类型的输入，单测函数可以以_开头表示暂不运行该单测，同时需要注释不支持的原因(原则上要避免这种不运行单测的情况)。参考 torch.addmm测试用例。 -
自定义检查：如果需要自定义检查逻辑，可以继承
APIBase类并重写compare()函数，实现自定义的检查逻辑，但需要有充分理由，例如torch.Generator由于返回的不为Tensor，无法使用常规方法测试。 参考 torch.Generator测试用例。 -
运行单测：可以在主目录下执行
pytest tests命令运行所有单测；也可以执行pytest tests/xxx.py运行tests目录下的某一单测；如果希望遇到error则停止单测，可以加上参数-x，即pytest tests/test_add.py -x，单测运行过程中会将转换后的paddle代码写入test_project/paddle_temp.py，方便排查错误。
单测要求：
需要考虑该torch api所有可能的用法case，可以从模型验证集中搜索并抽取尽可能多的用法case，要求至少列举3种完全不同的case（越多越好）。涉及到多个API参数的，应包含各种参数组合的情况（是否指定关键字、调整关键字顺序等），不能只考虑最简单常见的用法。
对任意torch API的用法case只允许有两种结果：a)正常转换且对比结果一致；b)不支持转换，此时返回None。不允许出现其他的错误情况，包括但不限于 报错异常退出、错误转换 等各种其他问题。
以 torch.Tensor.new_zeros 为例，其至少包含12种以上的torch用法case，如下：
case 1: x.new_zeros(2)
case 2: x.new_zeros(2, 3)
case 3: x.new_zeros([2, 3])
case 4: x.new_zeros((2, 3))
case 5:
shape = (2, 3)
x.new_zeros(shape, requires_grad=True)
case 6:
shape = (2, 3)
x.new_zeros(*shape, requires_grad=True, dtype=torch.float32, pin_memory=False)
case 7:
requires_grad_v = True
x.new_zeros(*shape, requires_grad=requires_grad_v, dtype=torch.float32, pin_memory=True)
case 8:
x.new_zeros(*shape, requires_grad=not True, dtype=torch.float32, pin_memory=False)
case 9:
pin_memory_v = True
x.new_zeros(*shape, requires_grad=False, pin_memory=pin_memory_v)
case 10:
x.new_zeros(2, 3, requires_grad=True, pin_memory=False)
case 11:
x.new_zeros(*x.size())
case 12:
x.new_zeros(x.size())
总的来说，转换规则与单测的开发具有一定的挑战性，是一项非常细心以及考验思维广度的工作。
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent