平台系统类

Linux Windows Ascend GPU CPU 硬件支持 初级 中级

Q:PyNative模式和Graph模式的区别?

A: 在使用效率上,两个模式使用的算子是一致的,因此相同的网络和算子,分别在两个模式下执行时,精度效果是一致的。由于执行机理的差异,网络的执行性能是会不同的,并且在理论上,MindSpore提供的算子同时支持PyNative模式和Graph模式;

在场景使用方面,Graph模式需要一开始就构建好网络结构,然后框架做整图优化和执行,对于网络固定没有变化,且需要高性能的场景比较适合;

在不同硬件(AscendGPUCPU)资源上都支持这两种模式;

代码调试方面,由于是逐行执行算子,因此用户可以直接调试Python代码,在代码中任意位置打断点查看对应算子/api的输出或执行结果。而Graph模式由于在构造函数里只是完成网络构造,实际没有执行,因此在construct函数里打断点是无法获取对应算子的输出,而只能等整网执行中指定对应算子的输出打印,在网络执行完成后进行查看。


Q:使用PyNative模式能够进行迁移学习?

A: PyNative模式是兼容迁移学习的,更多的教程信息,可以参考预训练模型加载代码详解


Q:MindSpore只能在华为自己的NPU上跑么?

A: MindSpore同时支持华为自己的Ascend NPUGPUCPU,是支持异构算力的。


Q:MindSpore在Ascend 310上是否可以转AIR模型?

A:Ascend 310不能导出AIR,需要在Ascend 910加载训练好的checkpoint后,导出AIR,然后在Ascend 310转成OM模型进行推理。Ascend 910的安装方法可以参考官网MindSpore安装指南


Q:MindSpore导出AIR模型对单个Tensor输入大小有什么限制?

A:对于单个Tensor的输入,Tensor大小不能超过2GB,否则导出AIR模型会产生错误。


Q:我用MindSpore在GPU上训练的网络脚本可以不做修改直接在NPU上进行训练么?

A:可以的,MindSpore面向NPU/GPU/CPU提供统一的API,在算子支持的前提下,网络脚本可以不做修改直接跨平台运行。


Q:Ascend 310 不能安装MindSpore么?

A:Ascend 310只能用作推理,MindSpore支持在Ascend 910训练,训练出的模型转化为OM模型可用于Ascend 310上推理。


Q:安装运行MindSpore时,是否要求平台有GPU、NPU等计算单元?需要什么硬件支持?

A:MindSpore当前支持CPU/GPU/Ascend /NPU。目前笔记本电脑或者有GPU的环境,都可以通过Docker镜像来试用。当前MindSpore Model Zoo中有部分模型已经支持GPU的训练和推理,其他模型也在不断地进行完善。在分布式并行训练方面,MindSpore当前支持GPU多卡训练。你可以通过RoadMap和项目Release note获取最新信息。


Q:针对异构计算单元的支持,MindSpore有什么计划?

A:MindSpore提供了可插拔式的设备管理接口,其他计算单元(比如FPGA)可快速灵活地实现与MindSpore的对接,欢迎您参与社区进行异构计算后端的开发工作。


Q:MindSpore与ModelArts是什么关系,在ModelArts中能使用MindSpore吗?

A:ModelArts是华为公有云线上训练及推理平台,MindSpore是华为深度学习框架,可以查阅MindSpore官网教程,教程中详细展示了用户如何使用ModelArts来做MindSpore的模型训练。


Q:MindSpore是否支持Windows 10?

A:MindSpore CPU版本已经支持在Windows 10系统中安装,具体安装步骤可以查阅MindSpore官网教程


Q:Ascend硬件平台,在个人的Conda环境中,有时候出现报错RuntimeError: json.exception.parse_error.101 parse error at line 1, column 1: syntax error while parsing value - invalid literal; last read: ‘T’,该怎么处理?

A:出现这种类型的报错,大概率是run包更新后个人的Conda环境中没有更新te或topi或hccl工具包,可以将当前Conda环境中的上述几个工具包卸载,然后使用如下命令再重新安装:pip install /usr/local/Ascend/fwkacllib/lib64/{te/topi/hccl}*any.whl