第2章：CANN 软件栈与 AscendCL
理解 CANN 异构计算架构的分层设计，掌握 AscendCL 编程模型（Device/Context/Stream/内存管理），学会 aclnn 标准算子调用与 torch_npu 迁移，走通昇腾应用开发全流程
本章简介
硬件（第1章）之外，昇腾最需要学习的就是它的软件栈。NVIDIA 有 CUDA，昇腾有 CANN——一套从编译器、运行时到算子库的完整异构计算软件栈。
CANN 全栈架构先帮你建立分层认知：驱动固件、运行时、算子库、图编译器、框架适配，一层层叠起来，最终把 MindSpore / PyTorch / 上层应用「翻译」成昇腾芯片上的计算。
AscendCL 编程模型是应用开发的主入口。我们会学习 Device / Context / Stream / 内存管理这些基础概念，写出第一个完整跑通的昇腾程序——你会发现它的流程和 CUDA 惊人地相似。
aclnn 标准算子调用介绍昇腾的「算子库 API」：用 aclnnXxxGetWorkspaceSize + aclnnXxx 三步完成一个算子执行，相当于把 CUDA 里 cublas/cudnn 的调用方式搬到了昇腾。
torch_npu 则是 AI Infra 工程师最关心的部分：如何把现有 PyTorch 模型迁移到昇腾 NPU 上训练。我们会讲清楚 model.to('npu') 背后发生了什么，以及遇到不支持的算子该怎么办。
环境部署（2.5）与 npu-smi（2.6）是上手的实操基础：掌握驱动/固件/CANN 三件套的安装、昇腾容器化，以及用 npu-smi 监控设备、排查环境故障。即使从第 1 章开始学，也建议先翻一眼这两篇，遇到环境问题时不至于抓瞎。
GE 图引擎（2.7）则是本章最偏底层的一篇：深入 CANN 的图编译链路，理解算子融合、AKG 自动算子生成与 ATC 离线转换原理。它对读懂性能报告、做推理调优至关重要，进阶读者建议精读。
说明：CANN 版本迭代很快（8.0 / 9.1 等），文中示例基于通用 API 形态编写，具体版本差异请以昇腾社区 CANN 文档为准。