【mindspore系列】- 环境安装与使用_python 安装 mindspore-CSDN博客

本文链接：https://blog.csdn.net/chenhaojing/article/details/148157075

前言：MindSpore的发展历程

MindSpore是华为于2020年开源的全场景AI计算框架，支持端、边、云多设备协同，并针对昇腾AI处理器进行了深度优化。其设计目标是实现开发高效、运行高效及部署灵活，目前已广泛应用于图像识别、自然语言处理、推荐系统等领域。MindSpore通过自动并行、动态图与静态图统一等特性，显著降低了AI开发门槛，同时兼容多种硬件平台（如CPU、GPU、昇腾NPU）。社区生态方面，MindSpore积极推动开源协作，通过ModelZoo提供丰富的预训练模型，并支持开发者通过Gitee/GitHub贡献代码4810。

环境安装

Windows环境

Python环境准备

安装Python 3.7-3.9（推荐3.7.5），勾选“Add Python to PATH”选项58。

验证安装：命令行输入 python --version。

安装MindSpore（CPU版本）

#创建虚拟环境（推荐）
conda create -n mindspore python=3.7.5
conda activate mindspore

#安装MindSpore
pip install mindspore -i https://pypi.tuna.tsinghua.edu.cn/simple

验证安装

import mindspore
print(mindspore.__version__)  # 输出版本号即成功

Linux环境

使用pip安装（CPU/GPU版本）

# CPU版本
pip install mindspore -i https://pypi.tuna.tsinghua.edu.cn/simple

# GPU版本（需CUDA 11.6+）
pip install mindspore-gpu

源码编译（高级用户）

git clone https://gitee.com/mindspore/mindspore.git
cd mindspore
bash build.sh -e gpu -j8  # 编译GPU版本
pip install output/mindspore-*.whl

Ascend环境

CANN包安装

CANN包如何下载

商用版：需向华为申请权限，通过企业支持平台获取下载链接
社区版：从昇腾社区CANN下载页直接下载，推荐选择最新版本（如CANN 8.0.RC3.alpha003)

需要下载以下包：

NPU驱动 硬件控制接口 Ascend-hdk-910-npu-driver_8.0.RC3_linux-x86_64.run
固件包 芯片系统管理 Ascend-hdk-910-npu-firmware_8.0.RC3.run
Toolkit 开发工具集 Ascend-cann-toolkit_8.0.RC3_linux-x86_64.run
Kernels 动态shape支持 Ascend-cann-kernels-910_8.0.RC3_linux.run9

驱动和固件包是首次安装的时候才需要。如果已经安装过，只需重新安装后面两个包即可。

安装命令：

# 安装驱动（需root权限）
chmod +x Ascend-hdk-910-npu-driver_8.0.RC3_linux-x86_64.run
./Ascend-hdk-910-npu-driver_8.0.RC3_linux-x86_64.run --full

# 安装固件
chmod +x Ascend-hdk-910-npu-firmware_8.0.RC3.run
./Ascend-hdk-910-npu-firmware_8.0.RC3.run --install

# 安装Toolkit
chmod +x Ascend-cann-toolkit_8.0.RC3_linux-x86_64.run
./Ascend-cann-toolkit_8.0.RC3_linux-x86_64.run --install --install-path=/usr/local/Ascend

# 安装Kernels（可选）
./Ascend-cann-kernels-910_8.0.RC3_linux.run --install

注意事项

路径权限：确保安装目录/usr/local/Ascend对当前用户可读写，否则需执行：

sudo usermod -aG <用户组> $USER

版本匹配：MindSpore版本需与CANN版本严格对应（如MindSpore 2.2对应CANN 7.0）
环境变量：安装完成后需配置环境变量：

    source /usr/local/Ascend/ascend-toolkit/set_env.sh

MindSpore安装
pip安装（推荐）

# 创建虚拟环境
conda create -n mindspore python=3.7.5 -y
conda activate mindspore

# 安装MindSpore Ascend版本（需替换版本号）
pip install mindspore-ascend==2.2.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

# 安装额外依赖
pip install sympy
pip install /usr/local/Ascend/ascend-toolkit/latest/lib64/te-*-py3-none-any.whl

验证安装

import mindspore
print(mindspore.__version__)  # 应输出2.2.0
print(mindspore.ops.Reshape()(mindspore.Tensor([1]), (1,)))  # 无报错即成功:cite[1]

实践：从训练到推理

示例任务：MNIST手写数字识别

数据加载与预处理

from mindspore.dataset import MnistDataset, vision
from mindspore.dataset.transforms import TypeCast

# 下载数据集
train_dataset = MnistDataset("MNIST_Data/train")
test_dataset = MnistDataset("MNIST_Data/test")

# 数据增强与批处理
def datapipe(dataset, batch_size):
    dataset = dataset.map(vision.Rescale(1.0 / 255.0, 0), input_columns="image")
    dataset = dataset.map(TypeCast(mindspore.float32), input_columns="image")
    dataset = dataset.batch(batch_size)
    return dataset

train_dataset = datapipe(train_dataset, 64)
test_dataset = datapipe(test_dataset, 64)

构建神经网络

from mindspore import nn

class LeNet(nn.Cell):
    def __init__(self):
        super().__init__()
        self.flatten = nn.Flatten()
        self.dense1 = nn.Dense(28*28, 512, activation='relu')
        self.dense2 = nn.Dense(512, 10)

    def construct(self, x):
        x = self.flatten(x)
        x = self.dense1(x)
        x = self.dense2(x)
        return x

model = LeNet()

定义损失函数与优化器

loss_fn = nn.CrossEntropyLoss()
optimizer = nn.SGD(model.trainable_params(), learning_rate=0.01)

模型训练

from mindspore import train

# 封装训练过程
def train_step(model, dataset):
    model.set_train()
    for data, label in dataset:
        loss = train.forward_backward(model, data, label, loss_fn, optimizer)
    return loss

# 训练3个周期
for epoch in range(3):
    loss = train_step(model, train_dataset)
    print(f"Epoch {epoch+1}, Loss: {loss}")

模型推理

model.set_train(False)
for data, label in test_dataset:
    pred = model(data)
    predicted = pred.argmax(axis=1)
    accuracy = (predicted == label).astype(mindspore.float32).mean()
    print(f"Accuracy: {accuracy}")