MindSpore是一個全場景深度學習框架，向數據科學家和算法工程師提供了統一的模型訓練、推理和導出等接口。目前提供了Python編程范式，使用它可以更加方便地構建復雜的神經網絡模型，讓AI編程變得簡單。有著靜態圖模式和動態圖模式兩種執行模式，同時提供了統一的編碼方式，增加了靜態圖和動態圖的可兼容性，讓用戶可以隨時切換兩種模式。軟件API友好、調試難度低，高效執行的特點深受開發人員的喜愛。

軟件特色

【簡單的開發體驗】

幫助開發者實現網絡自動切分，只需串行表達就能實現并行訓練，降低門檻，簡化開發流程。

使用該深度學習、ai、人工智能框架的優勢之靈活的調試模式

【靈活的調試模式】

具備訓練過程靜態執行和動態調試能力，開發者通過變更一行代碼即可切換模式，快速在線定位問題。

使用該深度學習、ai、人工智能框架的優勢之充分發揮硬件潛能

【充分發揮硬件潛能】

最佳匹配昇騰處理器，最大程度地發揮硬件能力，幫助開發者縮短訓練時間，提升推理性能。

使用該深度學習、ai、人工智能框架的優勢之全場景快速部署

【全場景快速部署】

支持云、邊緣和手機上的快速部署，實現更好的資源利用和隱私保護，讓開發者專注于AI應用的創造。

層次結構

MindSpore向用戶提供了3個不同層次的API，支撐用戶進行網絡構建、整圖執行、子圖執行以及單算子執行，從低到高分別為Low-Level Python API、Medium-Level Python API以及High-Level Python API。

♦Low-Level Python API

第一層為低階API，主要包括張量定義、基礎算子、自動微分等模塊，用戶可使用低階API輕松實現張量定義和求導計算，例如用戶可通過Tensor接口自定義張量，使用ops.composite模塊下的GradOperation算子計算函數在指定處的導數。

♦Medium-Level Python API

第二層為中階API，其封裝了低價API，提供網絡層、優化器、損失函數等模塊，用戶可通過中階API靈活構建神經網絡和控制執行流程，快速實現模型算法邏輯，例如用戶可調用Cell接口構建神經網絡模型和計算邏輯，通過使用loss模塊和Optimizer接口為神經網絡模型添加損失函數和優化方式，利用dataset模塊對數據進行處理以供模型的訓練和推導使用。

♦High-Level Python API

第三層為高階API，其在中階API的基礎上又提供了訓練推理的管理、混合精度訓練、調試調優等高級接口，方便用戶控制整網的執行流程和實現神經網絡的訓練推理及調優，例如用戶使用Model接口，指定要訓練的神經網絡模型和相關的訓練設置，對神經網絡模型進行訓練，通過Profiler接口調試神經網絡性能。

通用場景

【快速入門】

通過一個實際樣例實現手寫數字的識別，帶領大家體驗MindSpore基礎的功能，一般來說，完成整個樣例實踐會持續20~30分鐘。

面向專家的通用場景教程之圖像分類

【圖像分類】

結合CIFAR-10數據集，講解MindSpore如何處理圖像分類任務。

面向專家的通用場景教程之情感分析

【情感分析】

構建一個自然語言處理的模型，通過文本分析和推理實現情感分析，完成對文本的情感分類。

【生態合作】

開發者體驗（昇騰環境）

在云上ModelArts AI開發平臺搶鮮體驗昇騰資源

【開源合作】

MindSpore社區期待各位開發者的加入

【高校合作】

MindSpore誠摯邀請您加入華為沃土高校教研AI扶持計劃。

基礎使用教程

一、實現一個圖片分類應用

1、處理需要的數據集，這里使用了MNIST數據集。

2、定義一個網絡，這里我們使用LeNet網絡。

3、定義損失函數和優化器。

4、加載數據集并進行訓練，訓練完成后，查看結果及保存模型文件。

5、加載保存的模型，進行推理。

6、驗證模型，加載測試數據集和訓練后的模型，驗證結果精度。

二、實現簡單線性函數擬合

回歸問題算法通常是利用一系列屬性來預測一個值，預測的值是連續的。例如給出一套房子的一些特征數據，如面積、臥室數等等來預測房價，利用最近一周的氣溫變化和衛星云圖來預測未來的氣溫情況等。如果一套房子實際價格為500萬元，通過回歸分析的預測值為499萬元，則認為這是一個比較好的回歸分析。在機器學習問題中，常見的回歸分析有線性回歸、多項式回歸、邏輯回歸等。本例子介紹線性回歸算法，并通過MindSpore進行線性回歸AI訓練體驗。

整體流程如下：

1、生成數據集

2、定義訓練網絡

3、定義前向傳播網絡與反向傳播網絡并關聯

4、擬合過程可視化準備

5、執行訓練

三、加載模型用于推理或遷移學習

1、用于推理驗證

針對僅推理場景可以使用load_checkpoint把參數直接加載到網絡中，以便進行后續的推理驗證。

示例代碼如下：

resnet = ResNet50()

load_checkpoint("resnet50-2_32.ckpt", net=resnet)

dateset_eval = create_dataset(os.path.join(mnist_path, "test"), 32, 1) # define the test dataset

loss = CrossEntropyLoss()

model = Model(resnet, loss, metrics={"accuracy"})

acc = model.eval(dataset_eval)

load_checkpoint方法會把參數文件中的網絡參數加載到模型中。加載后，網絡中的參數就是CheckPoint保存的。

eval方法會驗證訓練后模型的精度。

2、用于遷移學習

針對任務中斷再訓練及微調（Fine Tune）場景，可以加載網絡參數和優化器參數到模型中。

示例代碼如下：

# return a parameter dict for model

param_dict = load_checkpoint("resnet50-2_32.ckpt")

resnet = ResNet50()

opt = Momentum()

# load the parameter into net

load_param_into_net(resnet, param_dict)

# load the parameter into operator

load_param_into_net(opt, param_dict)

loss = SoftmaxCrossEntropyWithLogits()

model = Model(resnet, loss, opt)

model.train(epoch, dataset)

load_checkpoint方法會返回一個參數字典。

load_param_into_net會把參數字典中相應的參數加載到網絡或優化器中。