mindspore详解

最新推荐文章于 2024-08-20 12:41:29 发布

麦晓宇

最新推荐文章于 2024-08-20 12:41:29 发布

阅读量1.4k

点赞数

分类专栏：机器学习文章标签： python 人工智能大数据

本文链接：https://blog.csdn.net/fishmai/article/details/126898621

版权

MindSpore1.6版本着重优化了架构，包括静态图控制流的增强、端边云异构运行时统一、JIT Fallback基础架构构建和自定义算子能力升级。易用性方面，推出MindConvert模型迁移工具、IDE插件MindSpore Dev Toolkit。此外，GNN和强化学习框架得到创新，MindSpore Lite推理性能提升，支持异构并行技术。AI+科学计算领域也有显著更新，如MindQuantum和蛋白质结构预测功能。

摘要由CSDN通过智能技术生成

MindSpore1.6这个版本确实开发了比较长的时间，原因有两个：

一是MindSpore1.6做了大量的架构性的特性，工作量比较大；
二是团队也开始逐步掌控自己的节奏，争取把每个特性打磨好。

所以说跳票本身不是一个坏事。

下面，我想介绍一下MindSpore1.6的一些大的改进：

架构类的大特性

1、完善了静态图的控制流，支持副作用，灵活的微分

经过长达一年的设计和开发，静态图控制流的架构终于稳定了，采用了创新的闭包方案，以前存在的不支持副作用、子图膨胀等问题都得到了解决。

例如：AirNet网络子图数量由原来的162个降低至46个，减少了大量冗余计算，执行性能由12.3s/epoch优化至5.8s/epoch。

AirNet网络优化前后子图数量与执行性能对比

BFGS网络子图数量由原来的3236个降低至91个，执行性能由4.9s/epoch优化至0.6s/epoch。

2、端边云的异构运行时全部统一

我们原来在电信设备里面有一个支持异构的实时运行时，特点是资源占用少、性能高、支持异构芯片的调度；这次MindSpore重用了这个能力，基于此构建端边云统一的运行时，既能在手机上跑，也能在数据中心跑；同时我们在运行时上面增加了一个scheduler，实现算子、子图等灵活的调度模型。

3、初步构建JIT Fallback的基础架构

大家知道Python下面动态图到静态图转换一直存在很多困难，对研究到产业部署带来了很多不便，MindSpore1.6初步构建了JIT Fallback的能力，在Python AST转换到静态图的时候，如果有不认识的语法可以fallback到Python解释器，实现更多语法的兼容，这个特性当前还在持续完善中，不过已经取得了不错的效果。

4、自定义算子能力全面升级，统一Custom接口帮助用户高效添加算子

由于积累时间短，MindSpore当前在算子支持方面还是相对薄弱的，MindSpore内置的静态的算子库可能无法满足用户的需求，之前版本的MindSpore的自定义算子功能也存在着平台覆盖不到位，开发过程繁琐及第三方算子接入困难的问题。为了提供更好的自定义算子体验，1.6版本全面升级了自定义算子的能力，提供支撑包括Ascend，GPU和CPU在内的多平台的统一算子开发接口Custom，帮助用户在MindSpore方便快捷地进行不同类型自定义算子的定义和使用，可以满足包括快速验证，实时编译和第三方算子接入等不同场景下的用户需求。

查看文档：