分享一个AI开发者的强力助手：openMind Library

openMind社区

已于 2024-09-14 09:49:55 修改

阅读量1k

点赞数 25

文章标签：人工智能 ai

于 2024-09-12 17:50:19 首次发布

本文链接：https://blog.csdn.net/2401_87243659/article/details/142178793

版权

在人工智能的浪潮中，深度学习开发套件 openMind Library，以其强大的功能和易用性，逐步成为AI开发者们的强力助手。本文将通过魔乐社区近期关注挺高的大模型平台魔乐社区，深入了解openMind Library。

openMind Library是什么？

openMind Library 是一个深度学习开发套件，它通过简单易用的API接口，支持模型预训练、微调、推理、部署等流程。同时，它兼容PyTorch和MindSpore等主流框架，原生支持昇腾NPU处理器，为AI开发提供强大的支持。

功能亮点

多框架兼容
为满足开发者对于技术选择的多样性需求，openMind Library原生支持PyTorch和MindSpore主流框架，开发者都可以根据自己的项目需求，灵活选择最合适的框架进行开发。
大模型训练支持
为了应对大模型分布式训练的挑战，openMind Library提供了预训练接口，支持MindSpeed、Accelerate等加速库，帮助开发者顺畅快速地训练大模型。具体可参考模型预训练。
丰富的接口封装
openMind Library提供了对Transformers和MindFormers AutoClass、Pipeline、Trainer等接口的封装，并进行了功能增强，提供从魔乐社区自动下载和加载模型的能力，同时扩展新增了昇腾NPU亲和的特性，有效提升在昇腾NPU上进行模型训练推理的性能，具体可参考模型微调和模型推理。
简单的命令行接口
针对本地快速运行大模型的场景，openMind Library提供了简明易用的命令行接口，低代码迅速执行模型上传下载、推理、对话、部署等操作。具体可参考命令行接口。
丰富的模型案例
openMind Library提供了丰富的模型开发案例，从预训练到微调，再到推理，每一步都有详细的指导和脚本支持。无论是新手还是资深开发者，都能在这里找到适合自己的资源，快速实现模型的开发和部署。具体可参考openMind Library内置模型案例表格。

教程_快速入门openMind Library

1 快速安装

开始之前，请确认已经按照指引安装openMind Library。若未安装，可参考以下安装指引快速安装。

# 基于PyTorch的openMind Library快速安装

conda create -n your_venv_name python=3.8
conda activate your_venv_name

# 基于PyTorch和NPU安装openMind Library
pip install openmind[pt]

# 基于MindSpore的openMind Library快速安装

conda create -n your_venv_name python=3.8
conda activate your_venv_name

# 基于MindSpore和NPU安装openMind Library
pip install openmind[ms]

2 选择框架

根据您的项目需求，选择Python 或 MindSpore作为您的开发框架。openMind Library提供了对这两个框架的原生支持。

# MindSpore框架

## 方法一：直接在设备环境中指定使用MindSpore框架。
### Linux环境
export OPENMIND_FRAMEWORK="ms"

## 方法二：在代码中指定使用MindSpore框架。
import os
os.environ["OPENMIND_FRAMEWORK"] = "ms"

# 使用PyTorch框架  

## 方法一：直接在设备环境中指定使用PyTorch框架。

# Linux环境
export OPENMIND_FRAMEWORK="pt"

## 方法二：在代码中指定使用PyTorch框架。

import os
os.environ["OPENMIND_FRAMEWORK"] = "pt"

3 模型推理

在openMind Library中，开发者可以使用Pipeline进行推理。pipeline()提供了使用预训练模型进行推理的全流程，使用pipeline()可以轻松实现对文本、图像、音频等多种模态数据的多种任务，如文本情感分析、图像分割、语音识别等。笔者以对文本的情感分析任务为例，展示如何使用pipeline()执行一个指定的任务（初级任务）。更多细节可以参考资料：使用Pipeline进行推理

Pipeline指定任务（初级任务）
首先，实例化一个pipeline对象并指定任务类型，本示例中指定为sentiment-analysis（所有支持的任务类型详见 pipeline当前支持的推理任务与默认模型）。此方法未指定模型，pipeline使用任务对应的预定义默认模型进行推理。

from openmind import pipeline

# 当环境中只有一种框架，若不指定framework参数，将默认基于当前框架进行推理
classifier = pipeline("sentiment-analysis")
# 当环境中有多种框架，若指定framework参数为"ms"时，将基于MindSpore框架进行推理
classifier = pipeline("sentiment-analysis", framework="ms")

在仅指定任务类型时，pipeline()会自动下载预定义默认预训练模型及分词器，本示例中的预训练模型和分词器用于情感分析，随后使用classifier对输入文本进行情感分析。

classifier("Welcome to the openMind library!")

'''
输出：
[{'label': 'POSITIVE', 'score': 0.999705970287323}]
'''

当输入文本不止一条时，可以把所有输入放入到列表中，一次性传给pipeline()，classifier也将所有结果存储在一个字典列表内并返回：

results = classifier(["Welcome to the openMind library!", "Have a great experience using it!"])
for result in results:
    print(f"label: {result['label']}, with score: {round(result['score'], 4)}")

'''
输出：
label: POSITIVE, with score: 0.9997
label: POSITIVE, with score: 0.9998
'''