這次我們來(lái)看一個(gè)面向深度學(xué)習(xí)開(kāi)發(fā)者的國(guó)產(chǎn)框架——MindSpore昇思。如果你對(duì)TensorFlow或PyTorch的復(fù)雜配置感到頭疼或者想在國(guó)產(chǎn)硬件上獲得更好的性能支持那么這個(gè)項(xiàng)目值得你關(guān)注。它的核心目標(biāo)很明確降低AI模型開(kāi)發(fā)與部署的門檻通過(guò)“一次編寫多端部署”的理念讓開(kāi)發(fā)者能更專注于算法本身。最值得關(guān)注的幾個(gè)特點(diǎn)是開(kāi)發(fā)友好的Python原生編程體驗(yàn)、部署靈活的圖算融合與動(dòng)靜態(tài)圖統(tǒng)一、以及對(duì)國(guó)產(chǎn)昇騰芯片的深度優(yōu)化。這意味著無(wú)論是想在個(gè)人電腦上快速驗(yàn)證一個(gè)想法還是需要在服務(wù)器集群上進(jìn)行大規(guī)模訓(xùn)練MindSpore都提供了一套相對(duì)統(tǒng)一的解決方案。本文將帶你快速上手從環(huán)境搭建到第一個(gè)模型訓(xùn)練重點(diǎn)驗(yàn)證其宣稱的“超級(jí)簡(jiǎn)單”的代碼實(shí)現(xiàn)是否名副其實(shí)并觀察其在CPU和GPU包括昇騰NPU環(huán)境下的實(shí)際表現(xiàn)。1. 核心能力速覽在深入代碼之前我們先通過(guò)一個(gè)表格快速了解MindSpore的核心能力與門檻這有助于你判斷它是否適合你的當(dāng)前項(xiàng)目。能力項(xiàng)說(shuō)明項(xiàng)目類型全場(chǎng)景AI計(jì)算框架開(kāi)源團(tuán)隊(duì)華為開(kāi)源主要功能模型開(kāi)發(fā)、訓(xùn)練、推理、部署支持自動(dòng)微分、自動(dòng)并行、圖算融合等推薦硬件支持CPUx86/ARM、GPUNVIDIA CUDA、以及昇騰Ascend AI處理器NPU顯存/內(nèi)存占用取決于模型大小與批處理尺寸圖算融合技術(shù)有助于降低內(nèi)存消耗支持平臺(tái)Linux (Ubuntu/CentOS/EulerOS)、Windows (部分功能)、macOS (CPU)啟動(dòng)方式通過(guò)Python腳本或Jupyter Notebook直接運(yùn)行無(wú)需單獨(dú)的服務(wù)啟動(dòng)是否支持API提供完整的Python API涵蓋張量操作、網(wǎng)絡(luò)構(gòu)建、優(yōu)化器、損失函數(shù)等是否支持分布式支持?jǐn)?shù)據(jù)并行、模型并行、混合并行等多種分布式訓(xùn)練策略適合場(chǎng)景學(xué)術(shù)研究、產(chǎn)業(yè)應(yīng)用、邊緣部署、國(guó)產(chǎn)化AI平臺(tái)遷移與開(kāi)發(fā)2. 適用場(chǎng)景與使用邊界MindSpore并非一個(gè)“一鍵生成AI”的工具而是一個(gè)生產(chǎn)級(jí)的深度學(xué)習(xí)框架。它最適合以下人群和場(chǎng)景AI算法研究者與工程師希望有一個(gè)高效、靈活的框架進(jìn)行模型創(chuàng)新和實(shí)驗(yàn)。需要國(guó)產(chǎn)化部署的團(tuán)隊(duì)業(yè)務(wù)必須運(yùn)行在昇騰等國(guó)產(chǎn)AI硬件上MindSpore是首選生態(tài)。全棧開(kāi)發(fā)者從云到邊端的模型部署希望保持技術(shù)棧的統(tǒng)一。教育領(lǐng)域其相對(duì)清晰的API設(shè)計(jì)和中文文檔對(duì)初學(xué)者較為友好。需要注意的使用邊界社區(qū)生態(tài)相較于PyTorch和TensorFlowMindSpore的第三方模型庫(kù)、預(yù)訓(xùn)練模型和社區(qū)問(wèn)答資源仍在快速發(fā)展中。對(duì)于非常前沿或小眾的模型可能需要自己實(shí)現(xiàn)。硬件依賴若要充分發(fā)揮其性能優(yōu)勢(shì)特別是在訓(xùn)練階段使用昇騰NPU是最佳選擇。在普通NVIDIA GPU上其性能表現(xiàn)需與PyTorch等框架進(jìn)行具體對(duì)比測(cè)試。移動(dòng)端與邊緣端雖然支持部署但需要轉(zhuǎn)換為特定的MindIR格式并可能涉及額外的工具鏈。3. 環(huán)境準(zhǔn)備與前置條件在編寫第一行代碼前確保你的環(huán)境滿足基本要求。以下是通用檢查清單操作系統(tǒng)推薦Ubuntu 18.04/20.04 LTS (x86_64) 或 EulerOS 2.0/2.8 (ARM)。Windows和macOS主要用于CPU推理和學(xué)習(xí)。Python版本官方推薦Python 3.7.x, 3.8.x 或 3.9.x。避免使用過(guò)新或過(guò)舊的版本。包管理工具pip版本建議升級(jí)到最新。硬件要求CPU: 無(wú)特殊要求。GPU: 需已安裝對(duì)應(yīng)版本的NVIDIA驅(qū)動(dòng)、CUDA Toolkit和cuDNN。MindSpore GPU版本對(duì)CUDA有特定要求如1.5版本對(duì)應(yīng)CUDA 10.1/11.1。NPU (昇騰)需安裝CANNCompute Architecture for Neural Networks工具包這是運(yùn)行在昇騰硬件上的基礎(chǔ)軟件棧。磁盤空間預(yù)留至少2-3GB空間用于安裝框架及依賴。關(guān)鍵一步創(chuàng)建獨(dú)立的Python虛擬環(huán)境。這能避免與系統(tǒng)或其他項(xiàng)目的包版本沖突。# 使用 conda (推薦) conda create -n mindspore-env python3.8 conda activate mindspore-env # 或使用 venv python -m venv mindspore-env # Linux/macOS source mindspore-env/bin/activate # Windows mindspore-env\Scripts\activate4. 安裝部署與啟動(dòng)方式MindSpore的安裝非常直接主要通過(guò)pip完成。你需要根據(jù)你的硬件平臺(tái)選擇正確的安裝命令。以下以CPU版本和GPUCUDA 11.1版本為例。1. 安裝CPU版本最通用適合所有初學(xué)者這是驗(yàn)證代碼和功能的最快方式。# 根據(jù)你的Python版本選擇例如Python 3.8 pip install https://ms-release.obs.cn-north-4.myhuaweicloud.com/1.8.1/MindSpore/cpu/x86_64/mindspore-1.8.1-cp38-cp38-linux_x86_64.whl注意上述URL中的版本號(hào)1.8.1和cp38Python3.8可能需要替換為最新版本。請(qǐng)務(wù)必查閱 官方安裝指南 獲取最新、最準(zhǔn)確的安裝命令。2. 安裝GPU版本需要CUDA環(huán)境假設(shè)你的環(huán)境是CUDA 11.1。pip install https://ms-release.obs.cn-north-4.myhuaweicloud.com/1.8.1/MindSpore/gpu/x86_64/cuda-11.1/mindspore_gpu-1.8.1-cp38-cp38-linux_x86_64.whl3. 驗(yàn)證安裝安裝完成后運(yùn)行一個(gè)簡(jiǎn)單的Python交互命令來(lái)驗(yàn)證。import mindspore as ms import numpy as np # 測(cè)試張量創(chuàng)建和計(jì)算 x ms.Tensor(np.ones([2, 3]).astype(np.float32)) y ms.Tensor(np.ones([3, 2]).astype(np.float32)) z ms.ops.matmul(x, y) print(z) print(fMindSpore version: {ms.__version__})如果成功輸出一個(gè)2x2的全2矩陣和版本號(hào)恭喜你環(huán)境搭建成功這整個(gè)過(guò)程相比配置復(fù)雜的C后端環(huán)境確實(shí)體現(xiàn)了“超級(jí)簡(jiǎn)單”的一面。5. 功能測(cè)試與效果驗(yàn)證從線性回歸到MNIST現(xiàn)在我們通過(guò)兩個(gè)經(jīng)典案例來(lái)驗(yàn)證MindSpore的易用性和功能完整性。我們將遵循“定義網(wǎng)絡(luò) - 準(zhǔn)備數(shù)據(jù) - 定義損失與優(yōu)化器 - 訓(xùn)練循環(huán)”的標(biāo)準(zhǔn)流程。5.1 測(cè)試一超級(jí)簡(jiǎn)單的線性回歸這個(gè)例子旨在展示其API的簡(jiǎn)潔性。import mindspore as ms from mindspore import nn, ops import numpy as np # 1. 定義超參數(shù) input_size 1 output_size 1 num_epochs 100 learning_rate 0.01 # 2. 制造玩具數(shù)據(jù) X ms.Tensor(np.array([[1.1], [2.2], [3.3], [4.4]], dtypenp.float32)) Y ms.Tensor(np.array([[2.2], [4.4], [6.6], [8.8]], dtypenp.float32)) # 假設(shè) y 2*x # 3. 定義網(wǎng)絡(luò)就一層全連接 class LinearNet(nn.Cell): def __init__(self): super().__init__() self.fc nn.Dense(input_size, output_size, has_biasTrue) # has_bias 表示包含偏置項(xiàng) def construct(self, x): return self.fc(x) model LinearNet() # 4. 定義損失函數(shù)和優(yōu)化器 loss_fn nn.MSELoss() optimizer nn.SGD(model.trainable_params(), learning_ratelearning_rate) # 5. 定義前向傳播和梯度計(jì)算過(guò)程 def forward_fn(data, label): logits model(data) loss loss_fn(logits, label) return loss # 使用 mindspore.ops.value_and_grad 自動(dòng)求導(dǎo) grad_fn ms.ops.value_and_grad(forward_fn, None, optimizer.parameters) # 6. 訓(xùn)練循環(huán) def train_step(data, label): loss, grads grad_fn(data, label) optimizer(grads) # 優(yōu)化器更新參數(shù) return loss print(開(kāi)始訓(xùn)練...) for epoch in range(num_epochs): loss train_step(X, Y) if (epoch1) % 20 0: print(fEpoch [{epoch1}/{num_epochs}], Loss: {loss.asnumpy():.4f}) # 7. 測(cè)試 test_x ms.Tensor(np.array([[5.5]], dtypenp.float32)) pred_y model(test_x) print(f\n預(yù)測(cè)輸入 5.5 的結(jié)果是: {pred_y.asnumpy()}) print(f期望結(jié)果 (2*5.511) 是: 11.0)預(yù)期結(jié)果與判斷程序應(yīng)能正常訓(xùn)練損失逐漸下降。最終對(duì)輸入5.5的預(yù)測(cè)值應(yīng)接近11.0。這驗(yàn)證了MindSpore基礎(chǔ)自動(dòng)微分和優(yōu)化器工作的正確性。5.2 測(cè)試二手寫數(shù)字識(shí)別MNIST與動(dòng)態(tài)圖模式MNIST是檢驗(yàn)一個(gè)框架是否“可用”的試金石。這里我們使用更接近PyTorch風(fēng)格的動(dòng)態(tài)圖PyNative模式進(jìn)行開(kāi)發(fā)調(diào)試更直觀。import mindspore as ms from mindspore import nn, ops, dataset from mindspore.dataset import vision, transforms import matplotlib.pyplot as plt # 設(shè)置運(yùn)行模式為動(dòng)態(tài)圖便于調(diào)試 ms.set_context(modems.PYNATIVE_MODE) # 1. 數(shù)據(jù)加載與預(yù)處理 def create_dataset(data_path, batch_size32, trainingTrue): 創(chuàng)建MNIST數(shù)據(jù)集 ds dataset.MnistDataset(data_path, usagetrain if training else test) # 定義圖像變換管道 image_transforms [ vision.Rescale(1.0 / 255.0, 0), # 歸一化 vision.HWC2CHW(), # 轉(zhuǎn)換維度 (H, W, C) - (C, H, W) ] ds ds.map(operationsimage_transforms, input_columnsimage) ds ds.map(operationstransforms.TypeCast(ms.int32), input_columnslabel) ds ds.batch(batch_size) return ds # 假設(shè)你的MNIST數(shù)據(jù)在 ./datasets/MNIST 目錄下 train_ds create_dataset(./datasets/MNIST, batch_size64, trainingTrue) test_ds create_dataset(./datasets/MNIST, batch_size64, trainingFalse) # 2. 定義一個(gè)簡(jiǎn)單的CNN網(wǎng)絡(luò) class SimpleCNN(nn.Cell): def __init__(self, num_classes10): super().__init__() self.conv1 nn.Conv2d(1, 32, kernel_size3, stride1, pad_modesame) self.relu1 nn.ReLU() self.pool1 nn.MaxPool2d(kernel_size2, stride2) self.conv2 nn.Conv2d(32, 64, kernel_size3, stride1, pad_modesame) self.relu2 nn.ReLU() self.pool2 nn.MaxPool2d(kernel_size2, stride2) self.flatten nn.Flatten() self.fc1 nn.Dense(7*7*64, 128) # 經(jīng)過(guò)兩次2x2池化28x28 - 14x14 - 7x7 self.relu3 nn.ReLU() self.fc2 nn.Dense(128, num_classes) def construct(self, x): x self.conv1(x) x self.relu1(x) x self.pool1(x) x self.conv2(x) x self.relu2(x) x self.pool2(x) x self.flatten(x) x self.fc1(x) x self.relu3(x) x self.fc2(x) return x model SimpleCNN() # 3. 定義損失、優(yōu)化器和評(píng)估指標(biāo) loss_fn nn.CrossEntropyLoss() optimizer nn.Adam(model.trainable_params(), learning_rate0.001) # 使用MindSpore的Metric計(jì)算精度 metric nn.Accuracy() # 4. 訓(xùn)練循環(huán)動(dòng)態(tài)圖模式寫法更靈活 num_epochs 3 for epoch in range(num_epochs): model.set_train() total_loss 0 step 0 for data, label in train_ds.create_tuple_iterator(): # 前向傳播 logits model(data) loss loss_fn(logits, label) # 反向傳播 grads ms.ops.grad(loss_fn, grad_position(0, 1))(logits, label) # 手動(dòng)梯度計(jì)算示例 # 更常用的方式是使用 Cell 的 train_step 封裝這里為展示動(dòng)態(tài)圖靈活性 optimizer(grads) # 簡(jiǎn)化處理實(shí)際需將梯度與參數(shù)對(duì)應(yīng) total_loss loss.asnumpy() step 1 avg_loss total_loss / step print(fEpoch [{epoch1}/{num_epochs}], Average Loss: {avg_loss:.4f}) # 5. 簡(jiǎn)單測(cè)試每個(gè)epoch后評(píng)估一次 model.set_train(False) metric.clear() for data, label in test_ds.create_tuple_iterator(): logits model(data) metric.update(logits, label) accuracy metric.eval() print(fTest Accuracy after epoch {epoch1}: {accuracy:.4f}\n) print(基礎(chǔ)訓(xùn)練流程驗(yàn)證完成)判斷成功的標(biāo)準(zhǔn)程序能正常讀取MNIST數(shù)據(jù)集。訓(xùn)練循環(huán)能執(zhí)行損失有下降趨勢(shì)。在測(cè)試集上能計(jì)算出準(zhǔn)確率經(jīng)過(guò)幾個(gè)epoch后應(yīng)顯著高于隨機(jī)猜測(cè)的10%。整個(gè)過(guò)程無(wú)需復(fù)雜的圖編譯符合動(dòng)態(tài)圖開(kāi)發(fā)的直覺(jué)。6. 接口API與進(jìn)階功能靜態(tài)圖與模型導(dǎo)出MindSpore的一個(gè)強(qiáng)大特性是動(dòng)靜態(tài)圖統(tǒng)一。動(dòng)態(tài)圖PyNative便于調(diào)試靜態(tài)圖Graph則能獲得更高的執(zhí)行性能。下面演示如何切換到靜態(tài)圖模式并導(dǎo)出模型用于部署。6.1 切換到靜態(tài)圖模式訓(xùn)練只需修改運(yùn)行上下文即可。靜態(tài)圖模式下框架會(huì)將整個(gè)計(jì)算過(guò)程編譯成一張圖然后高效執(zhí)行。# 在訓(xùn)練腳本開(kāi)頭設(shè)置靜態(tài)圖模式 ms.set_context(modems.GRAPH_MODE) # 后續(xù)的網(wǎng)絡(luò)定義、數(shù)據(jù)管道、訓(xùn)練循環(huán)代碼可以與動(dòng)態(tài)圖基本一致。 # 但需要注意在靜態(tài)圖模式下控制流如if-else、for循環(huán)的寫法可能需要使用MindSpore提供的操作符。6.2 模型導(dǎo)出為MindIR訓(xùn)練好的模型可以導(dǎo)出為MindSpore IRMindIR格式這是一種跨平臺(tái)、跨硬件的統(tǒng)一中間表示便于在昇騰AI處理器等設(shè)備上高效推理。# 假設(shè) model 是已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)實(shí)例 input_tensor ms.Tensor(np.ones([1, 1, 28, 28]).astype(np.float32)) # 構(gòu)造一個(gè)符合網(wǎng)絡(luò)輸入的假數(shù)據(jù) # 導(dǎo)出模型 ms.export(model, input_tensor, file_namesimple_cnn_mnist, file_formatMINDIR) print(模型已導(dǎo)出為 simple_cnn_mnist.mindir)導(dǎo)出的.mindir文件可以通過(guò)MindSpore Lite等工具部署到手機(jī)、邊緣設(shè)備或服務(wù)器上進(jìn)行推理。7. 資源占用與性能觀察對(duì)于深度學(xué)習(xí)框架資源占用和性能是硬指標(biāo)。由于環(huán)境差異巨大這里提供觀察方法而非具體數(shù)字。觀察顯存/內(nèi)存占用Linux/macOS在終端使用htop或nvidia-smi(GPU) 命令。Windows使用任務(wù)管理器性能選項(xiàng)卡。在代碼中可以在關(guān)鍵步驟前后插入ms.context.get_context(device_target)和ms.context.get_context(device_id)來(lái)確認(rèn)運(yùn)行設(shè)備。性能影響因素運(yùn)行模式靜態(tài)圖GRAPH通常比動(dòng)態(tài)圖PYNATIVE在訓(xùn)練時(shí)更快、內(nèi)存利用率更高。數(shù)據(jù)加載使用mindspore.dataset模塊的并行化數(shù)據(jù)加載和預(yù)處理可以極大減少CPU瓶頸。圖算融合MindSpore默認(rèn)開(kāi)啟圖算融合優(yōu)化將多個(gè)算子融合為一個(gè)減少內(nèi)核啟動(dòng)開(kāi)銷和內(nèi)存訪問(wèn)。你可以在set_context中通過(guò)enable_graph_kernelTrue來(lái)啟用更激進(jìn)的融合可能對(duì)某些模型有奇效?；旌暇仁褂胣n.TrainOneStepCell與amp.build_train_network可以輕松實(shí)現(xiàn)混合精度訓(xùn)練顯著降低顯存占用并加速計(jì)算。一個(gè)簡(jiǎn)單的性能測(cè)試思路import time # ... 定義好model和data ... start_time time.time() for _ in range(100): # 循環(huán)多次前向傳播 _ model(data) end_time time.time() print(f平均前向傳播時(shí)間: {(end_time - start_time)/100:.4f} 秒)8. 常見(jiàn)問(wèn)題與排查方法初次使用難免遇到問(wèn)題下表整理了常見(jiàn)坑點(diǎn)問(wèn)題現(xiàn)象可能原因排查方式解決方案ImportError: No module named mindsporeMindSpore未安裝或不在當(dāng)前Python環(huán)境在終端輸入python -c “import mindspore; print(mindspore.__version__)”激活正確的虛擬環(huán)境或重新執(zhí)行對(duì)應(yīng)硬件的pip安裝命令。安裝時(shí)提示找不到符合的whl包Python版本或系統(tǒng)架構(gòu)不匹配檢查python --version和uname -m(Linux)前往 官方安裝頁(yè)面 選擇與你環(huán)境完全匹配的命令。運(yùn)行時(shí)報(bào)CUDA相關(guān)錯(cuò)誤GPU版本與CUDA環(huán)境不匹配檢查nvcc --version和安裝的MindSpore GPU版本要求的CUDA安裝對(duì)應(yīng)版本的CUDA和cuDNN或安裝匹配你現(xiàn)有CUDA的MindSpore版本。動(dòng)態(tài)圖模式運(yùn)行正常切靜態(tài)圖報(bào)錯(cuò)靜態(tài)圖對(duì)控制流、數(shù)據(jù)形狀有更嚴(yán)格要求仔細(xì)檢查錯(cuò)誤信息定位到出錯(cuò)的代碼行將動(dòng)態(tài)控制流改為MindSpore的ops操作如ms.ops.control_depend或確保張量形狀在編譯期可推斷。數(shù)據(jù)加載慢訓(xùn)練卡在第一個(gè)epoch數(shù)據(jù)預(yù)處理是瓶頸或數(shù)據(jù)集路徑錯(cuò)誤檢查CPU占用確認(rèn)數(shù)據(jù)管道是否在正常工作使用dataset的map操作時(shí)設(shè)置num_parallel_workers確保數(shù)據(jù)集路徑正確且已提前下載。內(nèi)存/顯存溢出 (OOM)批次大小過(guò)大或模型參數(shù)過(guò)多觀察任務(wù)管理器/nvidia-smi的內(nèi)存使用情況減小batch_size使用梯度累積嘗試混合精度訓(xùn)練檢查是否有不必要的大張量駐留。在昇騰NPU上無(wú)法運(yùn)行CANN環(huán)境未正確安裝或配置運(yùn)行npu-smi info檢查NPU狀態(tài)參考華為昇騰文檔正確安裝和配置CANN工具包并設(shè)置device_target為Ascend。9. 最佳實(shí)踐與使用建議基于上述測(cè)試和踩坑經(jīng)驗(yàn)總結(jié)以下幾點(diǎn)建議助你更順暢地使用MindSpore從CPU版本開(kāi)始無(wú)論你最終目標(biāo)硬件是什么都建議先在CPU環(huán)境下跑通整個(gè)訓(xùn)練和推理流程排除代碼邏輯錯(cuò)誤。善用官方文檔與案例MindSpore官網(wǎng)的 教程 和 API文檔 是首要資源。GitHub倉(cāng)庫(kù)的model_zoo和examples提供了大量可直接運(yùn)行的示例。理解動(dòng)靜態(tài)圖差異開(kāi)發(fā)調(diào)試用PYNATIVE追求性能用GRAPH。在GRAPH模式下遇到問(wèn)題可先切回PYNATIVE模式驗(yàn)證。規(guī)范數(shù)據(jù)管道盡量使用mindspore.dataset模塊進(jìn)行數(shù)據(jù)加載和增強(qiáng)它能自動(dòng)與訓(xùn)練流程進(jìn)行性能優(yōu)化集成。模型保存與加載使用ms.save_checkpoint保存檢查點(diǎn)使用ms.load_checkpoint加載。對(duì)于推理部署優(yōu)先導(dǎo)出為MindIR格式。社區(qū)求助遇到棘手問(wèn)題可以在 MindSpore社區(qū)論壇 或GitHub Issues提問(wèn)提供盡可能詳細(xì)的環(huán)境、代碼和錯(cuò)誤信息。10. 總結(jié)與下一步回顧整個(gè)體驗(yàn)MindSpore在“代碼實(shí)現(xiàn)簡(jiǎn)單”這一點(diǎn)上確實(shí)做出了努力。其Pythonic的API設(shè)計(jì)、清晰的模塊劃分nn,ops,dataset讓熟悉PyTorch的用戶能快速上手。動(dòng)態(tài)圖模式提供了靈活的調(diào)試體驗(yàn)而靜態(tài)圖與圖算融合則保障了生產(chǎn)環(huán)境的性能。對(duì)昇騰硬件的原生支持是其不可替代的核心優(yōu)勢(shì)。最值得嘗試的點(diǎn)如果你有國(guó)產(chǎn)化AI算力的需求那么MindSpore幾乎是當(dāng)前最成熟、生態(tài)最完整的選項(xiàng)。即使沒(méi)有其統(tǒng)一的動(dòng)靜態(tài)圖體驗(yàn)和不斷增長(zhǎng)的模型庫(kù)也值得作為技術(shù)儲(chǔ)備進(jìn)行探索。最先應(yīng)該驗(yàn)證的功能按照本文步驟在CPU上完成線性回歸和MNIST分類兩個(gè)基礎(chǔ)任務(wù)。這能幫你快速建立對(duì)框架工作流的整體認(rèn)知。最容易踩的坑環(huán)境配置和動(dòng)靜態(tài)圖語(yǔ)法差異。務(wù)必嚴(yán)格按照官方指南安裝對(duì)應(yīng)版本并在靜態(tài)圖模式下注意控制流和形狀的編譯期確定性。下一步可以做什么探索Model Zoo在官方GitHub的mindspore/models倉(cāng)庫(kù)中嘗試運(yùn)行更復(fù)雜的模型如ResNet、BERT、Transformer等。嘗試分布式訓(xùn)練學(xué)習(xí)使用mindspore.communication模塊進(jìn)行多卡或多機(jī)訓(xùn)練。深入性能調(diào)優(yōu)實(shí)踐混合精度訓(xùn)練、圖算融合高級(jí)選項(xiàng)等。部署實(shí)踐學(xué)習(xí)使用MindSpore Lite將訓(xùn)練好的模型部署到Android手機(jī)或嵌入式設(shè)備上。MindSpore作為一個(gè)后來(lái)者正在以可觀的速度追趕和完善。對(duì)于開(kāi)發(fā)者而言多掌握一個(gè)主流框架尤其是在特定領(lǐng)域有優(yōu)勢(shì)的框架無(wú)疑是拓寬職業(yè)邊界的有力工具。建議將本文作為起點(diǎn)動(dòng)手運(yùn)行一遍代碼其“超級(jí)簡(jiǎn)單”的體驗(yàn)自會(huì)顯現(xiàn)。