![MindSpore标志](docs/MindSpore-logo.png "MindSpore logo") ============================================================ [View English](./README.md) - [MindSpore介绍](#mindspore介绍) - [自动微分](#自动微分) - [自动并行](#自动并行) - [安装](#安装) - [二进制文件](#二进制文件) - [来源](#来源) - [Docker镜像](#docker镜像) - [快速入门](#快速入门) - [文档](#文档) - [社区](#社区) - [治理](#治理) - [交流](#交流) - [贡献](#贡献) - [版本说明](#版本说明) - [许可证](#许可证) ## 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。 MindSpore Architecture 欲了解更多详情，请查看我们的[总体架构](https://www.mindspore.cn/doc/note/zh-CN/master/design/mindspore/architecture.html)（9月24日前请访问[总体架构](https://www.mindspore.cn/docs/zh-CN/master/architecture.html)）。 ### 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。 Automatic Differentiation 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。 Automatic Parallel 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： 1. 请从[MindSpore下载页面](https://www.mindspore.cn/versions)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 ``` 2. 执行以下命令，验证安装结果。 ```python 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 [MindSpore安装](https://www.mindspore.cn/install)。 ### Docker镜像 MindSpore的Docker镜像托管在[Docker Hub](https://hub.docker.com/r/mindspore)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:1.0.0 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： ```python 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](docker/README.md) repo了解详细信息。 ## 快速入门 参考[快速入门](https://www.mindspore.cn/tutorial/training/zh-CN/master/quick_start/quick_start.html)（9月24日前请访问[快速入门](https://www.mindspore.cn/tutorial/zh-CN/master/quick_start/quick_start.html)）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](https://gitee.com/mindspore/docs)。 ## 社区 ### 治理 查看MindSpore如何进行[开放治理](https://gitee.com/mindspore/community/blob/master/governance.md)。 ### 交流 - [MindSpore Slack](https://join.slack.com/t/mindspore/shared_invite/zt-dgk65rli-3ex4xvS4wHX7UDmsQmfu8w) 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： ## 贡献 欢迎参与贡献。更多详情，请参阅我们的[贡献者Wiki](CONTRIBUTING.md)。 ## 版本说明 版本说明请参阅[RELEASE](RELEASE.md)。 ## 许可证 [Apache License 2.0](LICENSE)