网站上传小马后怎么做,开封市网站建设,网站建设投标文件范本,做瑞士网站昇思MindSpore
学习昇思大模型的第一天,先了解一下此模型的架构,设计理念,以及层次结构,昇思大模型(MindSpore)的优点有很多,易开发,高效执行,全场景统一部署,是一个全场景深度学习框架 易开发的具体表现为API友好,调试难度低,高效执行包括计算效率,数据预处理效率和分布式训练…昇思MindSpore
学习昇思大模型的第一天,先了解一下此模型的架构,设计理念,以及层次结构,昇思大模型(MindSpore)的优点有很多,易开发,高效执行,全场景统一部署,是一个全场景深度学习框架 易开发的具体表现为API友好,调试难度低,高效执行包括计算效率,数据预处理效率和分布式训练效率 全场景具体体现在框架同时支持运,边缘以及端侧场景 总架构如下图: 昇思MindSpore作为全场景AI框架所支持的有端手机与IOT设备、边基站与路由设备、云服务器场景的不同系列硬件包括昇腾系列产品、英伟达NVIDIA系列产品、Arm系列的高通骁龙、华为麒麟的芯片等系列产品。
设计理念
支持全场景统一部署
昇思MindSpore源于全产业的最佳实践向数据科学家和算法工程师提供了统一的模型训练、推理和导出等接口支持端、边、云等不同场景下的灵活部署推动深度学习和科学计算等领域繁荣发展。
提供Python编程范式简化AI编程
昇思MindSpore提供了Python编程范式用户使用Python原生控制逻辑即可构建复杂的神经网络模型AI编程变得简单。
提供动态图和静态图统一的编码方式
目前主流的深度学习框架的执行模式有两种分别为静态图模式和动态图模式。静态图模式拥有较高的训练性能但难以调试。动态图模式相较于静态图模式虽然易于调试但难以高效执行。 昇思MindSpore提供了动态图和静态图统一的编码方式大大增加了静态图和动态图的可兼容性用户无需开发多套代码仅变更一行代码便可切换动态图/静态图模式用户可拥有更轻松的开发调试及性能体验。例如
设置set_context(modePYNATIVE_MODE)可切换成动态图模式。
设置set_context(modeGRAPH_MODE)可切换成静态图模式。
采用AI和科学计算融合编程使用户聚焦于模型算法的数学原生表达
在友好支持AI模型训练推理编程的基础上扩展支持灵活自动微分编程能力支持对函数、控制流表达情况下的微分求导和各种如正向微分、高阶微分等高级微分能力的支持用户可基于此实现科学计算常用的微分函数编程表达从而支持AI和科学计算融合编程开发。
分布式训练原生
随着神经网络模型和数据集的规模不断增大分布式并行训练成为了神经网络训练的常见做法但分布式并行训练的策略选择和编写十分复杂这严重制约着深度学习模型的训练效率阻碍深度学习的发展。MindSpore统一了单机和分布式训练的编码方式开发者无需编写复杂的分布式策略在单机代码中添加少量代码即可实现分布式训练提高神经网络训练效率大大降低了AI开发门槛使用户能够快速实现想要的模型。
层次结构
昇思MindSpore向用户提供了3个不同层次的API支撑用户进行AI应用算法/模型开发 High-Level Python API
第一层为高阶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。
Medium-Level Python API
第二层为中阶API其封装了低阶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。
Low-Level Python API
第三层为低阶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grad接口计算函数在指定处的导数。
