特性支持类

特性优势 端侧推理 功能模块 推理工具

Q:请问MindSpore支持梯度截断吗?

A:支持,可以参考梯度截断的定义和使用


Q:如何在训练神经网络过程中对计算损失的超参数进行改变?

A:您好,很抱歉暂时还未有这样的功能。目前只能通过训练–>重新定义优化器–>训练,这样的过程寻找较优的超参数。


Q:第一次看到有专门的数据处理框架,能介绍下么?

A:MindData提供数据处理异构硬件加速功能,高并发数据处理pipeline同时支持NPU/GPU/CPUCPU占用降低30%,点击查询优化数据处理


Q:MindSpore的IR设计理念是什么?

A:函数式:一切皆函数,易于微分实现;无副作用,易于实现自动并行化分析;JIT编译能力:图形IR,控制流依赖和数据流合一,平衡通用性/易用性;图灵完备的IR:更多的转换Python灵活语法,包括递归等。


Q:MindSpore会出强化学习框架么?

A:您好,感谢您关注MindSpore。当前还暂不支持,但正在处于设计阶段,欢迎您贡献想法和场景,参与建设,谢谢。


Q:谷歌Colab、百度AI Studio都有免费GPU算力提供,MindSore有免费算力提供么?

A:当前如果与MindSpore展开论文、科研合作是可以获得免费云算力支持的。如果只是想简单试用,也提供类似Colab的在线体验


Q:MindSpore Lite的离线模型MS文件如何进行可视化,看到网络结构?

A:模型可视化开源仓库Netron已经支持查看MindSpore Lite模型(MindSpore版本 >= r1.2),请到Netron官网下载安装包Netron


Q:MindSpore有量化推理工具么?

A:MindSpore Lite支持云侧量化感知训练的量化模型的推理,MindSpore Lite converter工具提供训练后量化以及权重量化功能,且功能在持续加强完善中。


Q:MindSpore并行模型训练的优势和特色有哪些?

A:MindSpore分布式训练除了支持数据并行,还支持算子级模型并行,可以对算子输入tensor进行切分并行。在此基础上支持自动并行,用户只需要写单卡脚本,就能自动切分到多个节点并行执行。


Q:请问MindSpore实现了反池化操作了吗?类似于nn.MaxUnpool2d 这个反池化操作?

A:目前 MindSpore 还没有反池化相关的接口。如果用户想自己实现的话,可以通过自定义算子的方式自行开发算子,详情请见自定义算子


Q:MindSpore有轻量的端侧推理引擎么?

A:MindSpore轻量化推理框架MindSpore Lite已于r0.7版本正式上线,欢迎试用并提出宝贵意见,概述、教程和文档等请参考MindSpore Lite


Q:MindSpore在语义协同和处理上是如何实现的?是否利用当前学术界流行的FCA理论?

A:MindSpore框架本身并不需要支持FCA。对于语义类模型,用户可以调用第三方的工具在数据预处理阶段做FCA数学分析。MindSpore本身支持Python语言,import FCA相关包即可使用。


Q:当前在云上MindSpore的训练和推理功能是比较完备的,至于边端场景(尤其是终端设备)MindSpore有什么计划?

A:MindSpore是端边云统一的训练和推理框架,支持将云侧训练的模型导出到Ascend AI处理器和终端设备进行推理。当前推理阶段支持的优化包括量化、算子融合、内存复用等。


Q:MindSpore自动并行支持情况如何?

A:自动并行特性对CPU GPU的支持还在完善中。推荐用户在Ascend 910 AI处理器上使用自动并行,可以关注开源社区,申请MindSpore开发者体验环境进行试用。


Q:MindSpore有没有类似基于TensorFlow实现的对象检测算法的模块?

A:TensorFlow的对象检测Pipeline接口属于TensorFlow Model模块。待MindSpore检测类模型完备后,会提供类似的Pipeline接口。


Q:其他框架的脚本或者模型怎么迁移到MindSpore?

A:关于脚本或者模型迁移,可以查询MindSpore官网中关于网络迁移的介绍。


Q:MindSpore是否附带开源电商类数据集?

A:暂时还没有,可以持续关注MindSpore官网


Q:能否使用第三方库numpy array封装MindSpore的Tensor数据?

A:不能,可能出现各种问题。例如:numpy.array(Tensor(1)).astype(numpy.float32)的报错信息为”ValueError: settinng an array element with a sequence.”。