MindSpore(开源AI框架)

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版

提取码：1234