MindSpore是一個全場景深度學(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編程變得簡單。有著靜態(tài)圖模式和動態(tài)圖模式兩種執(zhí)行模式，同時提供了統(tǒng)一的編碼方式，增加了靜態(tài)圖和動態(tài)圖的可兼容性，讓用戶可以隨時切換兩種模式。軟件API友好、調(diào)試難度低，高效執(zhí)行的特點深受開發(fā)人員的喜愛。

軟件特色

【簡單的開發(fā)體驗】

幫助開發(fā)者實現(xiàn)網(wǎng)絡(luò)自動切分，只需串行表達就能實現(xiàn)并行訓(xùn)練，降低門檻，簡化開發(fā)流程。

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

【靈活的調(diào)試模式】

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

使用該深度學(xué)習(xí)、ai、人工智能框架的優(yōu)勢之充分發(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)勢之全場景快速部署

【全場景快速部署】

支持云、邊緣和手機上的快速部署，實現(xiàn)更好的資源利用和隱私保護，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個不同層次的API，支撐用戶進行網(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Low-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、自動微分等模塊，用戶可使用低階API輕松實現(xiàn)張量定義和求導(dǎo)計算，例如用戶可通過Tensor接口自定義張量，使用ops.composite模塊下的GradOperation算子計算函數(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)模型和計算邏輯，通過使用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模塊對數(shù)據(jù)進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)等高級接口，方便用戶控制整網(wǎng)的執(zhí)行流程和實現(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，對神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，通過Profiler接口調(diào)試神經(jīng)網(wǎng)絡(luò)性能。

通用場景

【快速入門】

通過一個實際樣例實現(xiàn)手寫數(shù)字的識別，帶領(lǐng)大家體驗MindSpore基礎(chǔ)的功能，一般來說，完成整個樣例實踐會持續(xù)20~30分鐘。

面向?qū)＜业耐ㄓ脠鼍敖坛讨畧D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脠鼍敖坛讨楦蟹治?/p>

【情感分析】

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

【生態(tài)合作】

開發(fā)者體驗（昇騰環(huán)境）

在云上ModelArts AI開發(fā)平臺搶鮮體驗昇騰資源

【開源合作】

MindSpore社區(qū)期待各位開發(fā)者的加入

【高校合作】

MindSpore誠摯邀請您加入華為沃土高校教研AI扶持計劃。

基礎(chǔ)使用教程

一、實現(xiàn)一個圖片分類應(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，進行推理。

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

二、實現(xiàn)簡單線性函數(shù)擬合

回歸問題算法通常是利用一系列屬性來預(yù)測一個值，預(yù)測的值是連續(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)等等來預(yù)測房價，利用最近一周的氣溫變化和衛(wèi)星云圖來預(yù)測未來的氣溫情況等。如果一套房子實際價格為500萬元，通過回歸分析的預(yù)測值為499萬元，則認為這是一個比較好的回歸分析。在機器學(xué)習(xí)問題中，常見的回歸分析有線性回歸、多項式回歸、邏輯回歸等。本例子介紹線性回歸算法，并通過MindSpore進行線性回歸AI訓(xùn)練體驗。

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、擬合過程可視化準備

5、執(zhí)行訓(xùn)練

三、加載模型用于推理或遷移學(xué)習(xí)

1、用于推理驗證

針對僅推理場景可以使用load_checkpoint把參數(shù)直接加載到網(wǎng)絡(luò)中，以便進行后續(xù)的推理驗證。

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方法會驗證訓(xùn)練后模型的精度。

2、用于遷移學(xué)習(xí)

針對任務(wù)中斷再訓(xùn)練及微調(diào)（Fine Tune）場景，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方法會返回一個參數(shù)字典。

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