MindSpore
整体介绍
MindSpore总体架构
MindSpore API概述
设计介绍
技术白皮书
全场景统一架构
函数式可微分编程
静态图和动态图
分布式训练
异构并行训练
MindSpore IR（MindIR）
高性能数据处理引擎
可视化调试调优↗
安全可信↗
术语
快速入门
实现简单线性函数拟合↗
实现一个图片分类应用↗
基本概念
DataType
Tensor
Parameter
算子
Cell
Dataset
数据加载和处理
快速入门数据加载和处理
数据集加载
数据处理
数据处理高级用法
数据迭代
网络构建
构建单算子网络和多层网络
Initializer初始化器
网络参数
使用流程控制语句
参数传递
网络内构造常量
损失函数
求导
运算重载
优化器
构建训练与评估网络
模型运行
配置运行信息
运行方式
ms_function动静结合
模型保存与加载
保存模型
加载模型用于推理或迁移学习
Model接口应用
推理
推理模型总览
加载Checkpoint在线推理
使用离线模型推理
分布式并行
分布式并行总览
分布式并行高级特性
分布式并行使用样例
图编译
JIT Fallback
PyNative
PyNative模式应用
Numpy
MindSpore NumPy函数
功能调试
如何查看IR文件
使用PyNative模式调试↗
使用Dump功能在Graph模式调试
自定义调试信息
算子增量编译
固定随机性以复现脚本运行结果
精度调优
精度问题初步定位指南↗
精度问题详细定位和调优指南↗
性能优化
混合精度
算子调优工具
自动数据加速
数据准备异构加速
梯度累积算法
使用Profiler调试性能↗
自适应梯度求和算法
降维训练算法
高级特性
二阶优化
图算融合加速引擎
感知量化训练
应用实践
机器视觉
自然语言处理
高性能计算
在云上使用MindSpore
MindSpore
»
模型保存与加载
View page source
模型保存与加载
保存模型
加载模型用于推理或迁移学习