MindSpore是一個(gè)全場(chǎng)景深度學(xué)習(xí)框架，向數(shù)據(jù)科學(xué)家和算法工程師提供了統(tǒng)一的模型訓(xùn)練、推理和導(dǎo)出等接口。目前提供了Python編程范式，使用它可以更加方便地構(gòu)建復(fù)雜的神經(jīng)網(wǎng)絡(luò)模型，讓AI編程變得簡(jiǎn)單。有著靜態(tài)圖模式和動(dòng)態(tài)圖模式兩種執(zhí)行模式，同時(shí)提供了統(tǒng)一的編碼方式，增加了靜態(tài)圖和動(dòng)態(tài)圖的可兼容性，讓用戶可以隨時(shí)切換兩種模式。軟件API友好、調(diào)試難度低，高效執(zhí)行的特點(diǎn)深受開發(fā)人員的喜愛(ài)。

軟件特色

【簡(jiǎn)單的開發(fā)體驗(yàn)】

幫助開發(fā)者實(shí)現(xiàn)網(wǎng)絡(luò)自動(dòng)切分，只需串行表達(dá)就能實(shí)現(xiàn)并行訓(xùn)練，降低門檻，簡(jiǎn)化開發(fā)流程。

使用該深度學(xué)習(xí)、ai、人工智能框架的優(yōu)勢(shì)之靈活的調(diào)試模式

【靈活的調(diào)試模式】

具備訓(xùn)練過(guò)程靜態(tài)執(zhí)行和動(dòng)態(tài)調(diào)試能力，開發(fā)者通過(guò)變更一行代碼即可切換模式，快速在線定位問(wèn)題。

使用該深度學(xué)習(xí)、ai、人工智能框架的優(yōu)勢(shì)之充分發(fā)揮硬件潛能

【充分發(fā)揮硬件潛能】

最佳匹配昇騰處理器，最大程度地發(fā)揮硬件能力，幫助開發(fā)者縮短訓(xùn)練時(shí)間，提升推理性能。

使用該深度學(xué)習(xí)、ai、人工智能框架的優(yōu)勢(shì)之全場(chǎng)景快速部署

【全場(chǎng)景快速部署】

支持云、邊緣和手機(jī)上的快速部署，實(shí)現(xiàn)更好的資源利用和隱私保護(hù)，讓開發(fā)者專注于AI應(yīng)用的創(chuàng)造。

層次結(jié)構(gòu)

MindSpore向用戶提供了3個(gè)不同層次的API，支撐用戶進(jìn)行網(wǎng)絡(luò)構(gòu)建、整圖執(zhí)行、子圖執(zhí)行以及單算子執(zhí)行，從低到高分別為L(zhǎng)ow-Level Python API、Medium-Level Python API以及High-Level Python API。

♦Low-Level Python API

第一層為低階API，主要包括張量定義、基礎(chǔ)算子、自動(dòng)微分等模塊，用戶可使用低階API輕松實(shí)現(xiàn)張量定義和求導(dǎo)計(jì)算，例如用戶可通過(guò)Tensor接口自定義張量，使用ops.composite模塊下的GradOperation算子計(jì)算函數(shù)在指定處的導(dǎo)數(shù)。

♦Medium-Level Python API

第二層為中階API，其封裝了低價(jià)API，提供網(wǎng)絡(luò)層、優(yōu)化器、損失函數(shù)等模塊，用戶可通過(guò)中階API靈活構(gòu)建神經(jīng)網(wǎng)絡(luò)和控制執(zhí)行流程，快速實(shí)現(xiàn)模型算法邏輯，例如用戶可調(diào)用Cell接口構(gòu)建神經(jīng)網(wǎng)絡(luò)模型和計(jì)算邏輯，通過(guò)使用loss模塊和Optimizer接口為神經(jīng)網(wǎng)絡(luò)模型添加損失函數(shù)和優(yōu)化方式，利用dataset模塊對(duì)數(shù)據(jù)進(jìn)行處理以供模型的訓(xùn)練和推導(dǎo)使用。

♦High-Level Python API

第三層為高階API，其在中階API的基礎(chǔ)上又提供了訓(xùn)練推理的管理、混合精度訓(xùn)練、調(diào)試調(diào)優(yōu)等高級(jí)接口，方便用戶控制整網(wǎng)的執(zhí)行流程和實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練推理及調(diào)優(yōu)，例如用戶使用Model接口，指定要訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型和相關(guān)的訓(xùn)練設(shè)置，對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，通過(guò)Profiler接口調(diào)試神經(jīng)網(wǎng)絡(luò)性能。

通用場(chǎng)景

【快速入門】

通過(guò)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(lái)說(shuō)，完成整個(gè)樣例實(shí)踐會(huì)持續(xù)20~30分鐘。

面向?qū)＜业耐ㄓ脠?chǎng)景教程之圖像分類

【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)。

面向?qū)＜业耐ㄓ脠?chǎng)景教程之情感分析

【情感分析】

構(gòu)建一個(gè)自然語(yǔ)言處理的模型，通過(guò)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。

【生態(tài)合作】

開發(fā)者體驗(yàn)（昇騰環(huán)境）

在云上ModelArts AI開發(fā)平臺(tái)搶鮮體驗(yàn)昇騰資源

【開源合作】

MindSpore社區(qū)期待各位開發(fā)者的加入

【高校合作】

MindSpore誠(chéng)摯邀請(qǐng)您加入華為沃土高校教研AI扶持計(jì)劃。

基礎(chǔ)使用教程

一、實(shí)現(xiàn)一個(gè)圖片分類應(yīng)用

1、處理需要的數(shù)據(jù)集，這里使用了MNIST數(shù)據(jù)集。

2、定義一個(gè)網(wǎng)絡(luò)，這里我們使用LeNet網(wǎng)絡(luò)。

3、定義損失函數(shù)和優(yōu)化器。

4、加載數(shù)據(jù)集并進(jìn)行訓(xùn)練，訓(xùn)練完成后，查看結(jié)果及保存模型文件。

5、加載保存的模型，進(jìn)行推理。

6、驗(yàn)證模型，加載測(cè)試數(shù)據(jù)集和訓(xùn)練后的模型，驗(yàn)證結(jié)果精度。

二、實(shí)現(xiàn)簡(jiǎn)單線性函數(shù)擬合

回歸問(wèn)題算法通常是利用一系列屬性來(lái)預(yù)測(cè)一個(gè)值，預(yù)測(cè)的值是連續(xù)的。例如給出一套房子的一些特征數(shù)據(jù)，如面積、臥室數(shù)等等來(lái)預(yù)測(cè)房?jī)r(jià)，利用最近一周的氣溫變化和衛(wèi)星云圖來(lái)預(yù)測(cè)未來(lái)的氣溫情況等。如果一套房子實(shí)際價(jià)格為500萬(wàn)元，通過(guò)回歸分析的預(yù)測(cè)值為499萬(wàn)元，則認(rèn)為這是一個(gè)比較好的回歸分析。在機(jī)器學(xué)習(xí)問(wèn)題中，常見(jiàn)的回歸分析有線性回歸、多項(xiàng)式回歸、邏輯回歸等。本例子介紹線性回歸算法，并通過(guò)MindSpore進(jìn)行線性回歸AI訓(xùn)練體驗(yàn)。

整體流程如下：

1、生成數(shù)據(jù)集

2、定義訓(xùn)練網(wǎng)絡(luò)

3、定義前向傳播網(wǎng)絡(luò)與反向傳播網(wǎng)絡(luò)并關(guān)聯(lián)

4、擬合過(guò)程可視化準(zhǔn)備

5、執(zhí)行訓(xùn)練

三、加載模型用于推理或遷移學(xué)習(xí)

1、用于推理驗(yàn)證

針對(duì)僅推理場(chǎng)景可以使用load_checkpoint把參數(shù)直接加載到網(wǎng)絡(luò)中，以便進(jìn)行后續(xù)的推理驗(yàn)證。

示例代碼如下：

resnet = ResNet50()

load_checkpoint("resnet50-2_32.ckpt", net=resnet)

dateset_eval = create_dataset(os.path.join(mnist_path, "test"), 32, 1) # define the test dataset

loss = CrossEntropyLoss()

model = Model(resnet, loss, metrics={"accuracy"})

acc = model.eval(dataset_eval)

load_checkpoint方法會(huì)把參數(shù)文件中的網(wǎng)絡(luò)參數(shù)加載到模型中。加載后，網(wǎng)絡(luò)中的參數(shù)就是CheckPoint保存的。

eval方法會(huì)驗(yàn)證訓(xùn)練后模型的精度。

2、用于遷移學(xué)習(xí)

針對(duì)任務(wù)中斷再訓(xùn)練及微調(diào)（Fine Tune）場(chǎng)景，可以加載網(wǎng)絡(luò)參數(shù)和優(yōu)化器參數(shù)到模型中。

示例代碼如下：

# return a parameter dict for model

param_dict = load_checkpoint("resnet50-2_32.ckpt")

resnet = ResNet50()

opt = Momentum()

# load the parameter into net

load_param_into_net(resnet, param_dict)

# load the parameter into operator

load_param_into_net(opt, param_dict)

loss = SoftmaxCrossEntropyWithLogits()

model = Model(resnet, loss, opt)

model.train(epoch, dataset)

load_checkpoint方法會(huì)返回一個(gè)參數(shù)字典。

load_param_into_net會(huì)把參數(shù)字典中相應(yīng)的參數(shù)加載到網(wǎng)絡(luò)或優(yōu)化器中。