准备工作

概述

在进行网络开发或网络迁移工作之前，首先需要安装MindSpore，并掌握机器学习的相关知识。用户可以选择购买《深度学习与MindSpore实践》一书来了解相关知识，通过访问MindSpore官网了解MindSpore的用法。

安装MindSpore

MindSpore支持在Ascend、CPU、GPU环境安装并使用，支持EulerOS-arm、CentOS-arm、CentOS-x86、Ubuntu-arm、Ubuntu-x86、Windows-X86操作系统，可访问MindSpore安装页面下载MindSpore安装包，并参考该网站指导完成安装。

使用pip安装

从官网下载MindSpore安装包后，得到mindspore_{device}-{version}-{python_version}-{os}_{arch}.whl文件，请使用pip安装。

pip install mindspore_{device}-{version}-{python_version}-{os}_{arch}.whl

{python_version}表示用户的Python版本，Python版本为3.7.5时，{python_version}应写为cp37-cp37m。Python版本为3.9.0时，则写为cp39-cp39。
{os}表示操作系统，如linux或win。
{arch}表示系统架构，如x86_64或amd64。

若环境已安装旧版本MindSpore，当前需要更新MindSpore，请在安装前卸载旧版本。

使用源码安装

访问MindSpore代码仓，使用git clone https://gitee.com/mindspore/mindspore.git下载MindSpore源码，源码根目录下的build.sh文件提供了多个备选参数，用于选择定制MindSpore服务，一般通过以下命令编译MindSpore。

cd mindspore
bash build.sh -e cpu -j{thread_num} # cpu环境
bash build.sh -e ascend -j{thread_num} # Ascend环境
bash build.sh -e gpu -j{thread_num} # gpu环境

编译成功后，在output目录下会生成MindSpore安装包，然后使用 pip安装 或 将当前目录添加到PYTHONPATH 的方式使用源码编译的结果。

使用pip安装的优点在于能够快速上手，方便快捷。

使用源码安装可以定制MindSpore服务，并可以切换到任意commit_id编译并使用MindSpore。

设置环境变量（仅用于Ascend环境）

# control log level. 0-DEBUG, 1-INFO, 2-WARNING, 3-ERROR, 4-CRITICAL, default level is WARNING.
export GLOG_v=2

# Conda environmental options
LOCAL_ASCEND=/usr/local/Ascend # the root directory of run package

# lib libraries that the run package depends on
export LD_LIBRARY_PATH=${LOCAL_ASCEND}/ascend-toolkit/latest/fwkacllib/lib64:${LOCAL_ASCEND}/driver/lib64:${LOCAL_ASCEND}/opp/op_impl/built-in/ai_core/tbe/op_tiling:${LD_LIBRARY_PATH}

# Environment variables that must be configured
export TBE_IMPL_PATH=${LOCAL_ASCEND}/ascend-toolkit/latest/opp/op_impl/built-in/ai_core/tbe            # TBE operator implementation tool path
export ASCEND_OPP_PATH=${LOCAL_ASCEND}/ascend-toolkit/latest/opp                                       # OPP path
export PATH=${LOCAL_ASCEND}/ascend-toolkit/latest/fwkacllib/ccec_compiler/bin/:${PATH}                 # TBE operator compilation tool path
export PYTHONPATH=${TBE_IMPL_PATH}:${PYTHONPATH}                                                # Python library that TBE implementation depends on

MindSpore验证

若以下命令能正常执行成功并退出，说明安装成功。

对于CPU环境：

import numpy as np
from mindspore import Tensor
import mindspore.ops as ops
import mindspore.context as context

context.set_context(device_target="CPU")
x = Tensor(np.ones([1,3,3,4]).astype(np.float32))
y = Tensor(np.ones([1,3,3,4]).astype(np.float32))
print(ops.add(x, y))

对于Ascend环境：

import numpy as np
from mindspore import Tensor
import mindspore.ops as ops
import mindspore.context as context

context.set_context(device_target="Ascend")
x = Tensor(np.ones([1,3,3,4]).astype(np.float32))
y = Tensor(np.ones([1,3,3,4]).astype(np.float32))
print(ops.add(x, y))

对于GPU环境：

import numpy as np
from mindspore import Tensor
import mindspore.ops as ops
import mindspore.context as context

context.set_context(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(ops.add(x, y))

知识准备

MindSpore编程指南

用户可以通过参考MindSpore教程了解如何使用MindSpore进行训练、调试、调优、推理；也可以通过参考MindSpore编程指南了解MindSpore的基本组成和常用编程方法；也可以通过参考MindSpore Python API详细了解MindSpore各接口的相关信息，以便于用户能够更好地使用。

ModelZoo和Hub

ModelZoo是MindSpore与社区共同提供的深度优化的模型集市，向开发者提供了深度优化的模型，以便于生态中的小伙伴可以方便地基于ModelZoo中的模型进行个性化开发。当前已经覆盖了机器视觉、自然语言处理、语音、推荐系统等多个领域的主流模型。

mindspore Hub是存放MindSpore官方或者第三方开发者提供的预训练模型的平台。它向应用开发者提供了简单易用的模型加载和微调API，使得用户可以基于预训练模型进行推理或者微调，并部署到自己的应用中。用户也可以将自己训练好的模型按照指定的步骤发布模型到MindSpore Hub中，供其他用户下载和使用。

云上训练

ModelArts是华为云提供的面向AI开发者的一站式开发平台，集成了昇腾AI处理器资源池，用户可以在该平台下体验MindSpore。相关文档可参考云上使用MindSpore和AI开发平台ModelArts。