MindSpore(全场景深度学习框架) 官方版v1.1.0

MindSpore是一个全场景深度学习框架，向数据科学家和算法工程师提供了统一的模型训练、推理和导出等接口。目前提供了Python编程范式，使用它可以更加方便地构建复杂的神经网络模型，让AI编程变得简单。有着静态图模式和动态图模式两种执行模式，同时提供了统一的编码方式，增加了静态图和动态图的可兼容性，让用户可以随时切换两种模式。软件API友好、调试难度低，高效执行的特点深受开发人员的喜爱。

软件特色

【简单的开发体验】

帮助开发者实现网络自动切分，只需串行表达就能实现并行训练，降低门槛，简化开发流程。

使用该深度学习、ai、人工智能框架的优势之灵活的调试模式

【灵活的调试模式】

具备训练过程静态执行和动态调试能力，开发者通过变更一行代码即可切换模式，快速在线定位问题。

使用该深度学习、ai、人工智能框架的优势之充分发挥硬件潜能

【充分发挥硬件潜能】

最佳匹配昇腾处理器，最大程度地发挥硬件能力，帮助开发者缩短训练时间，提升推理性能。

使用该深度学习、ai、人工智能框架的优势之全场景快速部署

【全场景快速部署】

支持云、边缘和手机上的快速部署，实现更好的资源利用和隐私保护，让开发者专注于AI应用的创造。

层次结构

MindSpore向用户提供了3个不同层次的API，支撑用户进行网络构建、整图执行、子图执行以及单算子执行，从低到高分别为Low-Level Python API、Medium-Level Python API以及High-Level Python API。

♦Low-Level Python API

第一层为低阶API，主要包括张量定义、基础算子、自动微分等模块，用户可使用低阶API轻松实现张量定义和求导计算，例如用户可通过Tensor接口自定义张量，使用ops.composite模块下的GradOperation算子计算函数在指定处的导数。

♦Medium-Level Python API

第二层为中阶API，其封装了低价API，提供网络层、优化器、损失函数等模块，用户可通过中阶API灵活构建神经网络和控制执行流程，快速实现模型算法逻辑，例如用户可调用Cell接口构建神经网络模型和计算逻辑，通过使用loss模块和Optimizer接口为神经网络模型添加损失函数和优化方式，利用dataset模块对数据进行处理以供模型的训练和推导使用。

♦High-Level Python API

第三层为高阶API，其在中阶API的基础上又提供了训练推理的管理、混合精度训练、调试调优等高级接口，方便用户控制整网的执行流程和实现神经网络的训练推理及调优，例如用户使用Model接口，指定要训练的神经网络模型和相关的训练设置，对神经网络模型进行训练，通过Profiler接口调试神经网络性能。

通用场景

【快速入门】

通过一个实际样例实现手写数字的识别，带领大家体验MindSpore基础的功能，一般来说，完成整个样例实践会持续20~30分钟。

面向专家的通用场景教程之图像分类

【图像分类】

结合CIFAR-10数据集，讲解MindSpore如何处理图像分类任务。

面向专家的通用场景教程之情感分析

【情感分析】

构建一个自然语言处理的模型，通过文本分析和推理实现情感分析，完成对文本的情感分类。

【生态合作】

开发者体验（昇腾环境）

在云上ModelArts AI开发平台抢鲜体验昇腾资源

【开源合作】

MindSpore社区期待各位开发者的加入

【高校合作】

MindSpore诚挚邀请您加入华为沃土高校教研AI扶持计划。

基础使用教程

一、实现一个图片分类应用

1、处理需要的数据集，这里使用了MNIST数据集。

2、定义一个网络，这里我们使用LeNet网络。

3、定义损失函数和优化器。

4、加载数据集并进行训练，训练完成后，查看结果及保存模型文件。

5、加载保存的模型，进行推理。

6、验证模型，加载测试数据集和训练后的模型，验证结果精度。

二、实现简单线性函数拟合

回归问题算法通常是利用一系列属性来预测一个值，预测的值是连续的。例如给出一套房子的一些特征数据，如面积、卧室数等等来预测房价，利用最近一周的气温变化和卫星云图来预测未来的气温情况等。如果一套房子实际价格为500万元，通过回归分析的预测值为499万元，则认为这是一个比较好的回归分析。在机器学习问题中，常见的回归分析有线性回归、多项式回归、逻辑回归等。本例子介绍线性回归算法，并通过MindSpore进行线性回归AI训练体验。

整体流程如下：

1、生成数据集

2、定义训练网络

3、定义前向传播网络与反向传播网络并关联

4、拟合过程可视化准备

5、执行训练

三、加载模型用于推理或迁移学习

1、用于推理验证

针对仅推理场景可以使用load_checkpoint把参数直接加载到网络中，以便进行后续的推理验证。

示例代码如下：

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方法会把参数文件中的网络参数加载到模型中。加载后，网络中的参数就是CheckPoint保存的。

eval方法会验证训练后模型的精度。

2、用于迁移学习

针对任务中断再训练及微调（Fine Tune）场景，可以加载网络参数和优化器参数到模型中。

示例代码如下：

# 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方法会返回一个参数字典。

load_param_into_net会把参数字典中相应的参数加载到网络或优化器中。