Description
MindSpore est un framework d'apprentissage profond open-source qui vise à fournir une plateforme unifiée pour le développement d'IA sur divers matériels. La documentation de l'API détaille les interfaces étendues disponibles pour que les développeurs construisent et gèrent efficacement les modèles d'IA. Ces interfaces couvrent les opérations fondamentales du framework, les fonctions spécialisées et les blocs de construction pour les réseaux neuronaux.
Lire la suite
L'API du framework est organisée en modules distincts, chacun abordant un aspect spécifique du cycle de vie du développement d'IA. Le module `mindspore` sert de fondation, tandis que `mindspore.ops` fournit des interfaces de fonctions. Pour la construction de réseaux neuronaux, `mindspore.nn` offre des couches prédéfinies et des unités de calcul, et `mindspore.mint` s'aligne sur l'utilisation courante de l'industrie pour les interfaces fonctionnelles, NN et d'optimiseur.
Des modules plus spécialisés incluent `mindspore.common.initializer` pour l'initialisation des paramètres, `mindspore.amp` pour l'entraînement en précision mixte, et `mindspore.train` pour la gestion du processus d'entraînement. Des capacités avancées sont prises en charge via `mindspore.parallel` pour l'auto-parallélisme et `mindspore.graph` pour la compilation de graphes. Les opérations d'exécution, la gestion des périphériques et des backends sont respectivement gérées par `mindspore.runtime` et `mindspore.device_context`.
La gestion des données est simplifiée avec `mindspore.dataset`, qui fournit des interfaces pour charger et traiter divers jeux de données. Le framework s'intègre également à des bibliothèques familières via les interfaces de classe `mindspore.numpy` et `mindspore.scipy`. Pour le calcul distribué, `mindspore.multiprocessing` est disponible. De plus, `mindspore.tools` offre des fonctions utilitaires, `mindspore.utils` fournit des interfaces auxiliaires comme dryrun, et `mindspore.experimental` expose des fonctionnalités de pointe.
La documentation de l'API MindSpore comprend également des sections sur les variables d'environnement, un tableau de correspondance des API PyTorch et MindSpore pour faciliter la migration, et des mécanismes de retour d'information pour que les utilisateurs signalent des problèmes ou suggèrent des améliorations. La plateforme met l'accent sur la facilité d'utilisation et la flexibilité, prenant en charge les environnements de développement basés sur le cloud comme Jupyter pour un codage et un débogage transparents.
- CatégoriePlateformes de machine learning
- Modèle tarifaireOpen source
- DéploiementCloud
- PlateformesWeb
Fonctionnalités principales de MindSpore
Interfaces de fondation du framework
Interfaces de fonctions
Interfaces de couches de réseaux neuronaux
Interfaces d'optimiseur
Initialisation des paramètres
Interfaces d'entraînement en précision mixte
Interfaces d'entraînement
Interfaces d'Auto Parallel
Interfaces de compilation de graphes
Interfaces d'exécution
Gestion des périphériques et des backends
Interfaces de communication de collection
Chargement et traitement des jeux de données
Interfaces de classes NumPy et SciPy
Interfaces de multiprocessus
Interfaces d'outils
Interfaces auxiliaires
Interfaces expérimentales
Interfaces d'opérateurs primitifs
Interfaces de réseaux d'accélération automatique
Distributions de probabilité paramétrables
Modification du code source du modèle basée sur des règles personnalisées
Interfaces de gestion des périphériques, des flux, des événements et de la mémoire
Premiers pas avec MindSpore
Explorer les modules d'API : Naviguez dans la documentation pour trouver le module pertinent pour votre tâche.
Comprendre les descriptions d'interface : Lisez les descriptions de chaque module et de ses interfaces pour saisir leur fonctionnalité.
Examiner les exemples : Recherchez des exemples de code ou des modèles d'utilisation pour voir comment les API sont appliquées en pratique.
Vérifier la compatibilité : Vérifiez les versions des API et leur compatibilité avec votre installation MindSpore.
Intégrer dans le flux de travail : Implémentez les API choisies dans votre pipeline de développement de modèles d'IA.
Utiliser les environnements cloud : Tirez parti des notebooks Jupyter pour un codage et un débogage flexibles.
Gérer les ressources : Soyez conscient des limitations de ressources dans les environnements de développement cloud.
Cas d'utilisation de MindSpore
- Construction de modèles
- Entraînement de modèles
- Inférence de modèles
- Prétraitement des données
- Calcul distribué
- Entraînement en précision mixte
- Compilation de graphes
- Développement basé sur le cloud
