MindSpore最新版是一款专业的全场景深度学习框架，MindSpore最新版是最佳匹配昇腾AI处理器算力的全场景深度学习框架，MindSpore最新版目前提供了Python编程范式，用户在使用时它可以更加方便地构建复杂的神经网络模型，它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。

软件介绍

      MindSpore最新版是最佳匹配昇腾AI处理器算力的全场景深度学习框架，为数据科学家和算法工程师提供设计友好、运行高效的开发体验，推动人工智能软硬件应用生态繁荣发展，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。

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。

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。

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。