RoadMap

Ascend GPU CPU 全流程 框架开发 中级 高级 贡献者

查看源文件

以下将展示MindSpore近一年的高阶计划,我们会根据用户的反馈诉求,持续调整计划的优先级。

总体而言,我们会努力在以下几个方面不断改进。

  1. 提供更多的预置模型支持。

  2. 持续补齐API和算子库,改善易用性和编程体验。

  3. 提供华为昇腾AI处理器的全面支持,并不断优化性能及软件架构。

  4. 完善可视化、调试调优、安全相关工具。

热忱希望各位在用户社区加入讨论,并贡献您的建议。

预置模型

  • CV:目标检测、GAN、图像分割、姿态识别等场景经典模型。

  • NLP:RNN、Transformer类型神经网络,拓展基于Bert预训练模型的应用。

  • 其它:GNN、强化学习、概率编程、AutoML等。

易用性

  • 补齐算子、优化器、Loss函数等各类API

  • 完善Python语言原生表达支持

  • 支持常见的Tensor/Math操作

  • 增加更多的自动并行适用场景,提高策略搜索的准确性

性能优化

  • 优化编译时间

  • 低比特混合精度训练/推理

  • 提升内存使用效率

  • 提供更多的融合优化手段

  • 加速PyNative执行性能

架构演进

  • 图算融合优化:使用细粒度Graph IR表达算子,构成带算子边界的中间表达,挖掘更多图层优化机会。

  • 支持更多编程语言

  • 优化数据增强的自动调度及分布式训练数据缓存机制

  • 持续完善MindSpore IR

  • Parameter Server模式分布式训练

MindInsight调试调优

  • 训练过程观察

    • 直方图

    • 计算图/数据图展示优化

    • 集成性能Profiling/Debugger工具

    • 支持多次训练间的对比

  • 训练结果溯源

    • 数据增强溯源对比

  • 训练过程诊断

    • 性能Profiling

    • 基于图模型的Debugger

MindArmour安全增强包

  • 测试模型的安全性

  • 提供模型安全性增强工具

  • 保护训练和推理过程中的数据隐私

推理框架

  • 算子性能与完备度的持续优化

  • 支持语音模型推理

  • 端侧模型的可视化

  • Micro方案,适用于嵌入式系统的超轻量化推理, 支持ARM Cortex-A、Cortex-M硬件

  • 支持端侧重训及联邦学习

  • 端侧自动并行特性

  • 端侧MindData,包含图片Resize、像素数据转换等功能

  • 配套MindSpore混合精度量化训练(或训练后量化),实现混合精度推理,提升推理性能

  • 支持Kirin NPU、MTK APU等AI加速硬件

  • 支持多模型推理pipeline

  • C++构图接口