正在加载
MindSpore(开源AI框架)
MindSpore(开源AI框架)
版本:v1.1.6 最新版
类别:编程开发
大小:226MB
时间:2022-01-20
  • 317

    MindSpore官网版是基于昇腾系列处理器构建的全栈AI计算基础设施及应用,,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。目前提供了Python编程范式,使用它可以更加方便地构建复杂的神经网络模型,让AI编程变得简单。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,增加了静态图和动态图的可兼容性,让用户可以随时切换两种模式。软件API友好、调试难度低,高效执行的特点深受开发人员的喜爱。

    MindSpore最新版应用场景:

    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。

    MindSpore最新版软件特色:

    简易的研发感受

    协助开发者完成互联网全自动切分,只需串行通信表述就能完成并行处理练习,减少门坎,简单化开发流程。

    应用该深度学习、ai、人工智能架构的优点之灵便的开发者模式

    灵便的开发者模式

    具有练习全过程静态数据实行和动态性调节能力,开发者根据变动一行编码就可以转换方式,迅速在线定位问题。

    应用该深度学习、ai、人工智能架构的优点之充分运用硬件潜力

    充分运用硬件潜力

    最好配对昇腾CPU,较大水平地充分发挥硬件能力,协助开发者减少培训時间,提高逻辑推理特性。

    应用该深度学习、ai、人工智能架构的优点之全情景迅速部署

    全情景迅速部署

    适用云、边沿和手机的迅速部署,完成更快的資源运用和个人隐私保护,让开发者致力于AI运用的造就。

    MindSpore最新版使用教程:

    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。

    温馨提示:

    该资源为网盘资源,请提前安装好百度网盘电脑版

    提取码:1234

    展开全部
    收起

    精选游戏

    热门搜索