mindspore掌中寶是依靠功能強(qiáng)大的ai計(jì)算框架，不僅在學(xué)術(shù)上有著巨大的作用，也能滿足工業(yè)方面的性能需求，支持照片檢測(cè)、代碼分享、場(chǎng)景識(shí)別等諸多功能，對(duì)于開發(fā)者而言此軟件也極為實(shí)用，極大提升了編程的效率，讓用戶可在短時(shí)間內(nèi)完成調(diào)試及部署等操作。

軟件功能

1、識(shí)別垃圾類別，通過垃圾分類功能可以利用相機(jī)檢測(cè)識(shí)別垃圾的類別；

2、檢測(cè)場(chǎng)景范圍狀況，使用場(chǎng)景檢測(cè)功能掃描識(shí)別當(dāng)前的場(chǎng)景并獲取參數(shù)信息；

3、照片經(jīng)檢測(cè)識(shí)別，點(diǎn)擊照片檢測(cè)即可馬上打開照片并查看其中的各種檢測(cè)元素；

4、給該軟件點(diǎn)贊，能在我的主頁選擇點(diǎn)贊功能并根據(jù)自己的使用體驗(yàn)給軟件點(diǎn)贊；

5、將軟件分享給自己的好友，選擇并點(diǎn)擊一鍵分享功能即可將軟件分享；

6、查詢代碼資源，進(jìn)入到官方代碼倉中就能從中查找需要的代碼內(nèi)容資源；

軟件特色

極致性能

高效的內(nèi)核算法和匯編級(jí)優(yōu)化，支持CPU、GPU、NPU異構(gòu)調(diào)度，最大化發(fā)揮硬件算力，最小化推理時(shí)延和功耗。

輕量化

提供超輕量的解決方案，支持模型量化壓縮，模型更小跑得更快，使能AI模型極限環(huán)境下的部署執(zhí)行。

全場(chǎng)景支持

支持iOS、Android等手機(jī)操作系統(tǒng)以及LiteOS嵌入式操作系統(tǒng)，支持手機(jī)、大屏、平板、IoT等各種智能設(shè)備上的AI應(yīng)用。

高效部署

支持MindSpore/TensorFlow Lite/Caffe/Onnx模型，提供模型壓縮、數(shù)據(jù)處理等能力，統(tǒng)一訓(xùn)練和推理IR，方便用戶快速部署。

快速入門

通過一個(gè)實(shí)際樣例實(shí)現(xiàn)手寫數(shù)字的識(shí)別，帶領(lǐng)大家體驗(yàn)MindSpore基礎(chǔ)的功能，一般來說，完成整個(gè)樣例實(shí)踐會(huì)持續(xù)20~30分鐘。

情感分析

構(gòu)建一個(gè)自然語言處理的模型，通過文本分析和推理實(shí)現(xiàn)情感分析，完成對(duì)文本的情感分類。

圖像分類

結(jié)合CIFAR-10數(shù)據(jù)集，講解MindSpore如何處理圖像分類任務(wù)。

識(shí)別貓狗APP

在PC上對(duì)預(yù)訓(xùn)練模型進(jìn)行重訓(xùn)，在手機(jī)終端完成推理和部署，1小時(shí)內(nèi)體驗(yàn)MindSpore端邊云全場(chǎng)景開發(fā)流程。

適用場(chǎng)景

圖像分類

您可以使用預(yù)制圖像分類模型，識(shí)別攝像頭輸入幀中的物體。

目標(biāo)檢測(cè)

您可以使用預(yù)置目標(biāo)檢測(cè)模型，檢測(cè)標(biāo)識(shí)攝像頭輸入幀中的對(duì)象并添加標(biāo)簽，并用邊框標(biāo)識(shí)出來。

圖像分割

圖像分割可用于檢測(cè)目標(biāo)在圖片中的位置或者圖片中某一像素是輸入何種對(duì)象的。

加載圖像數(shù)據(jù)集

準(zhǔn)備

導(dǎo)入模塊

該模塊提供API以加載和處理數(shù)據(jù)集。

import mindspore.dataset as ds

下載所需數(shù)據(jù)集

運(yùn)行以下命令來下載MNIST數(shù)據(jù)集的訓(xùn)練圖像和標(biāo)簽并解壓，存放在./datasets/MNIST_Data路徑中，目錄結(jié)構(gòu)如下:

!unzip -o MNIST_Data.zip -d ./datasets

!tree ./datasets/MNIST_Data/

./datasets/MNIST_Data/

├── test

│   ├── t10k-images-idx3-ubyte

│   └── t10k-labels-idx1-ubyte

└── train

├── train-images-idx3-ubyte

└── train-labels-idx1-ubyte

2 directories, 4 files

加載數(shù)據(jù)集

MindSpore目前支持加載圖像領(lǐng)域常用的經(jīng)典數(shù)據(jù)集和多種數(shù)據(jù)存儲(chǔ)格式下的數(shù)據(jù)集，用戶也可以通過構(gòu)建自定義數(shù)據(jù)集類實(shí)現(xiàn)自定義方式的數(shù)據(jù)加載。

下面演示使用mindspore.dataset模塊中的MnistDataset類加載MNIST訓(xùn)練數(shù)據(jù)集。

1.配置數(shù)據(jù)集目錄，創(chuàng)建MNIST數(shù)據(jù)集對(duì)象。

DATA_DIR = './datasets/MNIST_Data/train'

mnist_dataset = ds.MnistDataset(DATA_DIR, num_samples=6, shuffle=False)

2.創(chuàng)建字典迭代器，通過迭代器獲取一條數(shù)據(jù)，并將數(shù)據(jù)進(jìn)行可視化。

import matplotlib.pyplot as plt

mnist_it = mnist_dataset.create_dict_iterator()

data = next(mnist_it)

plt.imshow(data['image'].asnumpy().squeeze(), cmap=plt.cm.gray)

plt.title(data['label'].asnumpy(), fontsize=20)

plt.show()

../_images/use_load_dataset_image_16_0.png

此外，用戶還可以在數(shù)據(jù)集加載時(shí)傳入sampler參數(shù)用來指定數(shù)據(jù)采樣方式。MindSpore目前支持的數(shù)據(jù)采樣器及其詳細(xì)使用方法，可參考編程指南中采樣器章節(jié)。

數(shù)據(jù)處理

下面演示構(gòu)建pipeline，對(duì)MNIST數(shù)據(jù)集進(jìn)行shuffle、batch、repeat等操作。

操作前的數(shù)據(jù)如下：

for data in mnist_dataset.create_dict_iterator():

print(data['label'])

5

0

4

1

9

2

1.對(duì)數(shù)據(jù)進(jìn)行混洗。

ds.config.set_seed(58)

ds1 = mnist_dataset.shuffle(buffer_size=6)

print('after shuffle: ')

for data in ds1.create_dict_iterator():

print(data['label'])

after shuffle:

4

2

1

0

5

9

2.對(duì)數(shù)據(jù)進(jìn)行分批。

ds2 = ds1.batch(batch_size=2)

print('after batch: ')

for data in ds2.create_dict_iterator():

print(data['label'])

after batch:

[4 2]

[1 0]

[5 9]

3.對(duì)pipeline操作進(jìn)行重復(fù)。

ds3 = ds2.repeat(count=2)

print('after repeat: ')

for data in ds3.create_dict_iterator():

print(data['label'])

after repeat:

[4 2]

[1 0]

[5 9]

[2 4]

[0 9]

[1 5]

可以看到，數(shù)據(jù)集被擴(kuò)充成兩份，且第二份數(shù)據(jù)的順序與第一份不同。

說明：

因?yàn)閞epeat將對(duì)整個(gè)數(shù)據(jù)處理pipeline中已經(jīng)定義的操作進(jìn)行重復(fù)，而不是單純將此刻的數(shù)據(jù)進(jìn)行復(fù)制，故第二份數(shù)據(jù)執(zhí)行shuffle后與第一份數(shù)據(jù)順序不同。

數(shù)據(jù)增強(qiáng)

下面演示使用c_transforms模塊對(duì)MNIST數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)。

1.導(dǎo)入相關(guān)模塊，重新加載數(shù)據(jù)集。

from mindspore.dataset.vision import Inter

import mindspore.dataset.vision.c_transforms as transforms

mnist_dataset = ds.MnistDataset(DATA_DIR, num_samples=6, shuffle=False)

2.定義數(shù)據(jù)增強(qiáng)算子，對(duì)數(shù)據(jù)集執(zhí)行Resize和RandomCrop操作。

resize_op = transforms.Resize(size=(200,200), interpolation=Inter.LINEAR)

crop_op = transforms.RandomCrop(150)

transforms_list = [resize_op, crop_op]

ds4 = mnist_dataset.map(operations=transforms_list,input_columns='image')

3.查看數(shù)據(jù)增強(qiáng)效果。

mnist_it = ds4.create_dict_iterator()

data = next(mnist_it)

plt.imshow(data['image'].asnumpy().squeeze(), cmap=plt.cm.gray)

plt.title(data['label'].asnumpy(), fontsize=20)

plt.show()

加載文本數(shù)據(jù)集

準(zhǔn)備

1.準(zhǔn)備文本數(shù)據(jù)如下。

Welcome to Beijing!

北京歡迎您！

我喜歡English!

2.創(chuàng)建tokenizer.txt文件并復(fù)制文本數(shù)據(jù)到該文件中，將該文件存放在./test路徑中，目錄結(jié)構(gòu)如下。

└─test

└─tokenizer.txt

3.導(dǎo)入mindspore.dataset和mindspore.dataset.text模塊。

import mindspore.dataset as ds

import mindspore.dataset.text as text

加載數(shù)據(jù)集

MindSpore目前支持加載文本領(lǐng)域常用的經(jīng)典數(shù)據(jù)集和多種數(shù)據(jù)存儲(chǔ)格式下的數(shù)據(jù)集，用戶也可以通過構(gòu)建自定義數(shù)據(jù)集類實(shí)現(xiàn)自定義方式的數(shù)據(jù)加載。

下面演示使用mindspore.dataset中的TextFileDataset類加載數(shù)據(jù)集。

1.配置數(shù)據(jù)集目錄，創(chuàng)建數(shù)據(jù)集對(duì)象。

DATA_FILE = "./test/tokenizer.txt"

dataset = ds.TextFileDataset(DATA_FILE, shuffle=False)

2.創(chuàng)建迭代器，通過迭代器獲取數(shù)據(jù)。

for data in dataset.create_dict_iterator(output_numpy=True):

print(text.to_str(data['text']))

獲取到分詞前的數(shù)據(jù)：

Welcome to Beijing!

北京歡迎您！

我喜歡English!

數(shù)據(jù)處理

MindSpore目前支持的數(shù)據(jù)處理算子及其詳細(xì)使用方法，可參考編程指南中數(shù)據(jù)處理章節(jié)。

下面演示構(gòu)建pipeline，對(duì)文本數(shù)據(jù)集進(jìn)行混洗和文本替換操作。

1.對(duì)數(shù)據(jù)集進(jìn)行混洗。

ds.config.set_seed(58)

dataset = dataset.shuffle(buffer_size=3)

for data in dataset.create_dict_iterator(output_numpy=True):

print(text.to_str(data['text']))

輸出結(jié)果如下：

我喜歡English!

Welcome to Beijing!

北京歡迎您！

2.對(duì)數(shù)據(jù)集進(jìn)行文本替換。

replace_op1 = text.RegexReplace("Beijing", "Shanghai")

replace_op2 = text.RegexReplace("北京", "上海")

dataset = dataset.map(operations=[replace_op1, replace_op2])

for data in dataset.create_dict_iterator(output_numpy=True):

print(text.to_str(data['text']))

輸出結(jié)果如下：

我喜歡English!

Welcome to Shanghai!

上海歡迎您！

數(shù)據(jù)分詞

MindSpore目前支持的數(shù)據(jù)分詞算子及其詳細(xì)使用方法，可參考編程指南中分詞器章節(jié)。

下面演示使用WhitespaceTokenizer分詞器來分詞，該分詞是按照空格來進(jìn)行分詞。

1.創(chuàng)建tokenizer。

tokenizer = text.WhitespaceTokenizer()

2.執(zhí)行操作tokenizer。

dataset = dataset.map(operations=tokenizer)

3.創(chuàng)建迭代器，通過迭代器獲取數(shù)據(jù)。

for data in dataset.create_dict_iterator(output_numpy=True):

print(text.to_str(data['text']).tolist())

獲取到分詞后的數(shù)據(jù)：

['我喜歡English!']

['Welcome', 'to', 'Shanghai!']

['上海歡迎您！']