摘要：所谓全场景 AI，是指可以将深度学习技术快速应用在云边端不同场景下的硬件设备上，包括云服务器、移动终端以及 IoT 设备等等，高效运行并能有效协同。 本文分享自华为云社区《AI框架的挑战与MindSpore的解决思路》，原文作者：HWCloudAI 。 全场景统一 AI 框架的挑战 所
技术背景 分布式和并行计算，在计算机领域是非常重要的概念。对于一些行外人来说，总觉得这是一些很简单的工作，但是如果我们纵观计算机的硬件发展史，从CPU到GPU，再到TPU和华为的昇腾（NPU），乃至当下的热点量子计算机（QPU），其实就是一个分布式与并行计算的发展史。从简单的数据并行，到算法并行，到
【本期推荐专题】物联网从业人员必读：华为云专家为你详细解读LiteOS各模块开发及其实现原理。 摘要：基于MindSpore自动并行、图算融合等特性，SPONGE可高效地完成传统分子模拟过程，利用MindSpore自动微分的特性，可以将神经网络等AI方法与传统分子模拟进行结合。 本文分享自华为云社区
技术背景 用惯了python，对其他语言就比较的生疏。但是python很多时候在性能上比较受局限，这里尝试通过C++来实现一个文件IO的功能，看看是否能够比python的表现更好一些。关于python的类似功能的实现，可以参考这一篇博客。 C++读取文件 首先我们构造一个txt文件用于测试，比如以下这个名
摘要：千亿参数量的中文大规模预训练语言模型时代到来。 本文分享自华为云社区《 MindSpore开源框架加持，如何「炼出」首个千亿参数、TB级内存的中文预训练语言模型？》，原文作者：chengxiaoli。 千亿参数量的中文大规模预训练语言模型时代到来。 近段时间，中文大规模预训练语言模型圈有些
技术背景 在前面一篇博客中，我们介绍了MindSpore在机器学习过程中保存和加载模型的方法。这种将模型存储为静态文件的做法，使得我们可以更灵活的使用训练出来的模型，比如用于各种数据集的验证，或者是迁移学习等场景。 前言 这里使用的数据集和加载的模型，都来自于这篇博客。关于MindSpo
技术背景 近几年在机器学习和传统搜索算法的结合中，逐渐发展出了一种Search To Optimization的思维，旨在通过构造一个特定的机器学习模型，来替代传统算法中的搜索过程，进而加速经典图论等问题的求解。那么这里面就涉及到一个非常关键的工程步骤：把机器学习中训练出来的模型保存成一个文
技术背景 在前面的几篇博客中，我们分别介绍了MindSpore的CPU版本在Docker下的安装与配置方案、MindSpore的线性函数拟合以及MindSpore后来新推出的GPU版本的Docker编程环境解决方案。这里我们在线性拟合的基础上，再介绍一下MindSpore中使用线性神经网络来拟合多变量非线性函数的解决
技术背景 在前面一篇博客中，我们介绍过MindSpore-CPU版本的Docker部署以及简单的案例测试，当时官方还不支持GPU版本的Docker容器化部署。经过MindSpore团队的努力，1.2.0版本的MindSpore-GPU终于推出了Docker版本的安装解决方案： 在本文中我们将针对这一方案进行直接的测试，并补充其中
使用MindSpore的优势 通用场景教程 生态合作 加入社区 Code China平台 文章资料参考来源: https://www.mindspore.cn/
华为在20年9月份开源了MindSpore Lite 1.0.0版本之后，其接口易用性、算子性能与完备度、第三方模型的广泛支持等方面，得到了众多手机应用开发者的广泛认可。MindSpore Lite为HMS Core AI领域提供了全场景AI推理框架，支撑华为手机的相机、图库、钱包、浏览器的二维码扫描、物体识别等AI
牛年三月——奖品免费领，祝大家开工大吉！ 2021年03月01日在大家的支持和使用过程中，MindSpore论坛茁壮成长，在此感谢各位一直以来的贡献，祝各位牛运亨通！划划重点：我们的论坛活动是持续的哦，2021开启我们新的征程，分享MindSpore使用上的经验、提出使用是的疑问、为其他小伙伴解答，我们好礼不
在Deep Learning的过程中，处处都有挑战： 训练过程难以观察、多次实验管理分析手段原始效率低、人肉调参费时费力、精度性能问题难定位等。推荐使用MindSpore生态下的可视化调试调优工具——MindInsight，MindInsight中集成了精度调优、性能调优、脚本迁移等功能，帮助你高效管理实
单精度和半精度混合训练 概述 混合精度训练方法，通过混合使用单精度和半精度数据格式，加速深度神经网络训练的过程，同时保持了单精度训练所能达到的网络精度。混合精度训练能够加速计算过程，同时减少内存使用和存取，并使得在特定的硬件上可以训练更大的模型或batch size。 对于FP16的
转载自 华为云论坛 https://bbs.huaweicloud.com/forum/forum.php?mod=viewthread&tid=106624 MindSpore模型精度调优实战（二） 精度调试调优思路 MindSpore团队 引子：在模型的开发过程中，精度达不到预期常常让人头疼。为了帮助用户解决模型调试调优的问题，我们为MindSpore量身
MindSpore 高阶优化器 MindSpore自研优化器THOR(Trace-based Hardware-driven layer-ORiented Natural Gradient Descent Computation)，该优化器在ImageNet上训练ResNet50，使用MindSpore+8 Ascend 910 仅需66.7分钟，当使用256节点时仅需2.7分钟！ 关于一二阶优化器，其中二阶优化器与一
MindSpore模型精度调优实践 引论：在模型的开发过程中，精度达不到预期常常让人头疼。为了帮助用户解决模型调试调优的问题，为MindSpore量身定做了可视化调试调优组件：MindInsight。还梳理了针对常见精度问题的调试调优指南，将以“MindSpore模型精度调优实战”系列文章的形式分享出
MindSpore模型精度调优实践 引论：在模型的开发过程中，精度达不到预期常常让人头疼。为了帮助用户解决模型调试调优的问题，为MindSpore量身定做了可视化调试调优组件：MindInsight。还梳理了针对常见精度问题的调试调优指南，将以“MindSpore模型精度调优实战”系列文章的形式分享出来，希望
MindSpore：自动微分 作为一款「全场景 AI 框架」，MindSpore 是人工智能解决方案的重要组成部分，与 TensorFlow、PyTorch、PaddlePaddle 等流行深度学习框架对标，旨在大幅度降低 AI 应用开发门槛，让人工智能无处不在。 MindSpore 是一款支持端、边、云独立/协同的统一训练和推理框架。希
华为 MindSpore 两日集训营第五期笔记 MindSpore 端边云统一格式 MindIR 华为智慧终端背后的黑科技：MindSpore Lite 一键部署在线推理服务：MindSpore Serving AI数据高速加载直通车：单节点数据缓存模块 动静统一：MindSpore PyNative 快速定位模型精度问题：MindSpore 调试器 MindIR 如
摘要：本次实践基于 mobilenetV2 实现猫狗图像分类，贯穿了数据集获取及处理、预训练模型微调及迁移、端侧部署及推理等环节和知识点，体会到了 MindSpore 简单的开发体验和全场景快速部署的魅力。 startTime： 2021年1月23日00:43:22endTime: 2021年1月23日11:34:44 (包含学习、睡觉
MindSpore部署图像分割示例程序 本端侧图像分割Android示例程序使用Java实现，Java层主要通过Android Camera 2 API实现摄像头获取图像帧，进行相应的图像处理，之后调用Java API 完成模型推理。 此处详细说明示例程序的Java层图像处理及模型推理实现，Java层运用Android Camera 2 API实现
MindSpore后端运行类 Q：如何在训练过程中监控loss在最低的时候并保存训练参数？ A：可以自定义一个Callback。参考ModelCheckpoint的写法，此外再增加判断loss的逻辑： class EarlyStop(Callback): def __init__(self): self.loss = None def step_end(self, run_context):
MindSpore特性支持类 Q：请问MindSpore支持梯度截断吗？ A：支持，可以参考梯度截断的定义和使用。 Q：如何在训练神经网络过程中对计算损失的超参数进行改变？ A：暂时还未有这样的功能。目前只能通过训练–>重新定义优化器–>训练，这样的过程寻找较优的超参数。 Q：第一次看到有专门的数据处理框
MindSpore算子支持类 Q：在使用Conv2D进行卷积定义的时候使用到了group的参数，group的值不是只需要保证可以被输入输出的维度整除即可了吗？group参数的传递方式是怎样的呢？ A：Conv2D算子是有这个约束条件的：当group大于1 时，其值必须要与输入输出的通道数相等。不要使用ops.Conv2D，这个算子
