MindSpore(开源AI框架)

MindSpore(开源AI框架)

版本:v1.1.6

大小:226MB

类别:编程工具

时间:2022-01-21

运行截图

  • MindSpore官网版下载_MindSpore(开源AI框架) v1.1.6 最新版下载 运行截图1

软件介绍

MindSpore官网版是基于昇腾系列处理器构建的全栈AI计算基础设施及应用,,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。

MindSpore最新版应用场景:

通用场景教程

面向不同程度开发者提供多种场景下的使用教程,通过细分步骤指导如何使用MindSpore

面向新手的通用场景教程之快速入门

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。

MindSpore最新版软件特色:

简易的研发感受

协助开发者完成互联网全自动切分,只需串行通信表述就能完成并行处理练习,减少门坎,简单化开发流程。

应用该深度学习、ai、人工智能架构的优点之灵便的开发者模式

灵便的开发者模式

具有练习全过程静态数据实行和动态性调节能力,开发者根据变动一行编码就可以转换方式,迅速在线定位问题。

应用该深度学习、ai、人工智能架构的优点之充分运用硬件潜力

充分运用硬件潜力

最好配对昇腾CPU,较大水平地充分发挥硬件能力,协助开发者减少培训時间,提高逻辑推理特性。

应用该深度学习、ai、人工智能架构的优点之全情景迅速部署

全情景迅速部署

适用云、边沿和手机的迅速部署,完成更快的資源运用和个人隐私保护,让开发者致力于AI运用的造就。

MindSpore最新版使用教程:

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。

温馨提示:

该资源为网盘资源,请提前安装好百度网盘电脑

提取码:1234

展开全部
收起

应用排行榜

  • 最新排行
  • 最热排行
  • 评分最高