12 KiB
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。
欲了解更多详情,请查看我们的总体架构。
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,因此像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自动并行的目的是构建数据并行、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,您无需关注底层实现,只要顶层API计算是有效的即可。
安装
二进制文件
MindSpore提供跨多个后端的构建选项:
硬件平台 | 操作系统 | 状态 |
---|---|---|
Ascend 910 | Ubuntu-x86 | ✔️ |
Ubuntu-aarch64 | ✔️ | |
EulerOS-x86 | ✔️ | |
EulerOS-aarch64 | ✔️ | |
CentOS-x86 | ✔️ | |
CentOS-aarch64 | ✔️ | |
GPU CUDA 10.1 | Ubuntu-x86 | ✔️ |
CPU | Ubuntu-x86 | ✔️ |
Ubuntu-aarch64 | ✔️ | |
Windows-x86 | ✔️ |
使用pip
命令安装,以CPU
和Ubuntu-x86
build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/1.0.0/MindSpore/cpu/ubuntu_x86/mindspore-1.0.0-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.]
来源
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:
硬件平台 | Docker镜像仓库 | 标签 | 说明 |
---|---|---|---|
CPU | mindspore/mindspore-cpu |
x.y.z |
已经预安装MindSpore x.y.z CPU版本的生产环境。 |
devel |
提供开发环境从源头构建MindSpore(CPU 后端)。安装详情请参考https://www.mindspore.cn/install 。 |
||
runtime |
提供运行时环境安装MindSpore二进制包(CPU 后端)。 |
||
GPU | mindspore/mindspore-gpu |
x.y.z |
已经预安装MindSpore x.y.z GPU版本的生产环境。 |
devel |
提供开发环境从源头构建MindSpore(GPU CUDA10.1 后端)。安装详情请参考https://www.mindspore.cn/install 。 |
||
runtime |
提供运行时环境安装MindSpore二进制包(GPU CUDA10.1 后端)。 |
||
Ascend | — | — | 即将推出,敬请期待。 |
注意: 不建议从源头构建GPU
devel
Docker镜像后直接安装whl包。我们强烈建议您在GPUruntime
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:1.0.0 docker run -it mindspore/mindspore-cpu:1.0.0 /bin/bash
-
GPU
对于
GPU
后端,请确保nvidia-container-toolkit
已经提前安装,以下是Ubuntu
用户安装指南:DISTRIBUTION=$(. /etc/os-release; echo $ID$VERSION_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:1.0.0 docker run -it --runtime=nvidia --privileged=true mindspore/mindspore-gpu:1.0.0 /bin/bash
要测试Docker是否正常工作,请运行下面的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.]]]
如果您想了解更多关于MindSpore Docker镜像的构建过程,请查看docker repo了解详细信息。
快速入门
参考快速入门实现图片分类。
文档
有关安装指南、教程和API的更多详细信息,请参阅用户文档。
社区
治理
查看MindSpore如何进行开放治理。
交流
- MindSpore Slack 开发者交流平台。
#mindspore
IRC频道(仅用于会议记录)- 视频会议:待定
- 邮件列表:https://mailweb.mindspore.cn/postorius/lists
贡献
欢迎参与贡献。更多详情,请参阅我们的贡献者Wiki。
分支维护策略
MindSpore的版本分支有以下几种维护阶段:
状态 | 持续时间 | 说明 |
---|---|---|
Planning | 1 - 3 months | 特性规划。 |
Development | 3 months | 特性开发。 |
Maintained | 6 - 12 months | 允许所有问题修复的合入,并发布版本。 |
Unmaintained | 0 - 3 months | 允许所有问题修复的合入,无专人维护,不再发布版本。 |
End Of Life (EOL) | N/A | 不再接受修改合入该分支。 |
现有分支维护状态
分支名 | 当前状态 | 上线时间 | 后续状态 | EOL 日期 |
---|---|---|---|---|
r1.1 | Development | 2020-12-31 estimated | Maintained 2020-12-31 estimated |
|
r1.0 | Maintained | 2020-09-24 | Unmaintained 2021-03-30 estimated |
|
r0.7 | Maintained | 2020-08-31 | Unmaintained 2020-11-30 estimated |
|
r0.6 | Unmaintained | 2020-07-31 | End Of Life 2020-12-30 estimated |
|
r0.5 | Maintained | 2020-06-30 | Unmaintained 2021-06-30 estimated |
|
r0.3 | End Of Life | 2020-05-31 | 2020-09-30 | |
r0.2 | End Of Life | 2020-04-30 | 2020-08-31 | |
r0.1 | End Of Life | 2020-03-28 | 2020-06-30 |
版本说明
版本说明请参阅RELEASE。