MindSpore基本原理

MindSpore基本原理
• MindSpore介绍
o 自动微分
o 自动并行
• 安装
o pip方式安装
o 源码编译方式安装
o Docker镜像
• 快速入门
• 文档

MindSpore介绍
MindSpore是一种适用于端边云场景的新型开源深度学习训练/推理框架。 MindSpore提供了友好的设计和高效的执行，旨在提升数据科学家和算法工程师的开发体验，并为Ascend AI处理器提供原生支持，以及软硬件协同优化。
同时，MindSpore作为全球AI开源社区，致力于进一步开发和丰富AI软硬件应用生态。

自动微分
当前主流深度学习框架中有三种自动微分技术：
• 基于静态计算图的转换：编译时将网络转换为静态数据流图，将链式法则应用于数据流图，实现自动微分。
• 基于动态计算图的转换：记录算子过载正向执行时，网络的运行轨迹，对动态生成的数据流图，应用链式法则，实现自动微分。
• 基于源码的转换：该技术是从功能编程框架演进而来，以即时编译（Just-in-time Compilation，JIT）的形式，对中间表达式（程序在编译过程中的表达式）进行自动差分转换，支持复杂的控制流场景、高阶函数和闭包。
TensorFlow早期采用的是静态计算图，PyTorch采用的是动态计算图。静态映射可以利用静态编译技术，来优化网络性能，但是构建网络或调试网络非常复杂。动态图的使用非常方便，但很难实现性能的极限优化。
MindSpore找到了另一种方法，即基于源代码转换的自动微分。一方面，它支持自动控制流的自动微分，像PyTorch这样的模型构建非常方便。另一方面，MindSpore可以对神经网络进行静态编译优化，以获得更好的性能。

MindSpore自动微分的实现可以理解为程序本身的符号微分。MindSpore IR是一个函数中间表达式，它与基础代数中的复合函数具有直观的对应关系。复合函数的公式由任意可推导的基础函数组成。MindSpore IR中的每个原语操作都可以对应基础代数中的基本功能，从而可以建立更复杂的流控制。
自动并行
MindSpore自动并行的目的，构建数据并行、模型并行和混合并行相结合的训练方法。该方法能够自动选择开销最小的模型切分策略，实现自动分布并行训练。

目前MindSpore采用的是算子切分的细粒度并行策略，即图中的每个算子被切分为一个集群，完成并行操作。在此期间的切分策略可能非常复杂，但是作为一名Python开发者，无需关注底层实现，只要顶层API计算是有效的即可。
安装
pip方式安装
MindSpore提供跨多个后端的构建选项：

使用pip命令安装，以CPU和Ubuntu-x86build版本为例：

请从MindSpore下载页面下载并安装whl包。
pip install https://ms-release.obs.cn-north-4.myhuaweicloud.com/1.1.0/MindSpore/cpu/ubuntu_x86/mindspore-1.1.0-cp37-cp37m-linux_x86_64.whl
执行以下命令，验证安装结果。
import numpy as np
import mindspore.context as context
import mindspore.nn as nn
from mindspore import Tensor
from mindspore.ops import operations as P
context.set_context(mode=context.GRAPH_MODE, device_target=“CPU”)
class Mul(nn.Cell):
```
def __init__(self):
```
```
    super(Mul, self).__init__()
```
```
    self.mul = P.Mul()
```
```
def construct(self, x, y):
```
```
    return self.mul(x, y)
```
x = Tensor(np.array([1.0, 2.0, 3.0]).astype(np.float32))
y = Tensor(np.array([4.0, 5.0, 6.0]).astype(np.float32))
mul = Mul()
print(mul(x, y))
[ 4. 10. 18.]
使用pip方式，在不同的环境安装MindSpore，可参考以下文档。
• Ascend环境使用pip方式安装MindSpore
• GPU环境使用pip方式安装MindSpore
• CPU环境使用pip方式安装MindSpore
源码编译方式安装
使用源码编译方式，在不同的环境安装MindSpore，可参考以下文档。
• Ascend环境使用源码编译方式安装MindSpore
• GPU环境使用源码编译方式安装MindSpore
• CPU环境使用源码编译方式安装MindSpore
Docker镜像
MindSpore的Docker镜像托管在Docker Hub上。目前容器化构建选项支持情况如下：

注意：不建议从源头构建GPU devel Docker镜像后直接安装whl包。强烈建议在GPU runtime Docker镜像中传输，并安装whl包。
• CPU
对于CPU后端，可以直接使用以下命令获取并运行最新的稳定镜像：
docker pull mindspore/mindspore-cpu:1.1.0
docker run -it mindspore/mindspore-cpu:1.1.0 /bin/bash
• GPU
对于GPU后端，确保nvidia-container-toolkit已经提前安装，以下是Ubuntu用户安装指南：
DISTRIBUTION=$(. /etc/os-release; echo IDIDIDVERSION_ID)
curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | apt-key add -
curl -s -L https://nvidia.github.io/nvidia-docker/$DISTRIBUTION/nvidia-docker.list | tee /etc/apt/sources.list.d/nvidia-docker.list

sudo apt-get update && sudo apt-get install -y nvidia-container-toolkit nvidia-docker2
sudo systemctl restart docker
编辑文件 daemon.json:
$ vim /etc/docker/daemon.json
{
“runtimes”: {
“nvidia”: {
“path”: “nvidia-container-runtime”,
“runtimeArgs”: []
}
}
}
再次重启docker:
sudo systemctl daemon-reload
sudo systemctl restart docker
使用以下命令获取并运行最新的稳定镜像：
docker pull mindspore/mindspore-gpu:1.1.0
docker run -it -v /dev/shm:/dev/shm --runtime=nvidia --privileged=true mindspore/mindspore-gpu:1.1.0 /bin/bash
要测试Docker是否正常工作，运行下面的Python代码并检查输出：
import numpy as np
import mindspore.context as context
from mindspore import Tensor
from mindspore.ops import functional as F

context.set_context(mode=context.PYNATIVE_MODE, device_target=“GPU”)

x = Tensor(np.ones([1,3,3,4]).astype(np.float32))
y = Tensor(np.ones([1,3,3,4]).astype(np.float32))
print(F.tensor_add(x, y))
[[[ 2. 2. 2. 2.],
[ 2. 2. 2. 2.],
[ 2. 2. 2. 2.]],

[[ 2. 2. 2. 2.],
[ 2. 2. 2. 2.],
[ 2. 2. 2. 2.]],

[[ 2. 2. 2. 2.],
[ 2. 2. 2. 2.],
[ 2. 2. 2. 2.]]]

MindSpore基本原理相关推荐

一文带你认识MindSpore新一代分子模拟库SPONGE
[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Mi ...
技术干货| MindSpore新一代自主研发分子模拟库：Mind-Sponge
MindSpore新一代分子模拟库:SPONGE,由北大和深圳湾实验室高毅勤课题组与华为MindSpore团队联合开发,具有高性能.模块化等特性,是一个完全自主研发的分子模拟软件库.基于MindSpo ...
人工智能导论实验——基于MindSpore的广告推荐
实验目的掌握Wide&Deep算法的基本原理以及点击率预测的实验流程. 实验任务基于Criteo数据,使用推荐系统的深度学习算法wide&deep实现广告推荐. 实验步骤在命令行 ...
Computer OS系统基本原理
Computer OS系统基本原理第一章绪论(考概念) 什么是OS? o 操作系统是一组控制和管理计算机软硬件资源.合理地对各类作业进行调度以及方便用户使用的程序集合. o 操作系统是位于硬件层( ...
MindSpore循环神经网络
MindSpore循环神经网络一．神经网络的组成神经元模型:首先简单的了解以下构成神经网络的最基础单元:神经元.每个神经元与其它神经元相连,处于激活状态时,就会向相连的神经元发送相应信号.从而改 ...
XGBoost4J-Spark基本原理
XGBoost4J-Spark基本原理 XGBoost4J-Spark是一个项目,旨在通过使XGBoost适应Apache Spark的MLLIB框架,无缝集成XGBoost和Apache Spark ...
Docker基本原理概述
Docker基本原理概述 Docker是一个用于开发,交付和运行应用程序的开放平台.Docker能够将应用程序与基础架构分开,从而可以快速交付软件.借助Docker,可以以与管理应用程序相同的方式来管 ...
多机多卡训练基本原理
多机多卡训练基本原理在工业实践中,许多较复杂的任务需要使用更强大的模型.强大模型加上海量的训练数据,经常导致模型训练耗时严重.比如在计算机视觉分类任务中,训练一个在ImageNet数据集上精度表现良 ...
超轻量AI引擎MindSpore Lite
超轻量AI引擎MindSpore Lite 揭秘一下端上的AI引擎:MindSpore Lite. MindSpore Lite是MindSpore全场景AI框架的端侧引擎,目前MindSpore L ...

MindSpore基本原理

MindSpore基本原理相关推荐

最新文章

热门文章