- 博客(1181)
- 收藏
- 关注
RSS订阅原创 MindSpore 集成 HCCL 自定义算子
本文介绍了在昇腾910B服务器上为MindSpore 2.3.0框架集成自定义HCCL通信算子的完整流程。以AlltoAllV算子为例，详细说明了从算子编译、MindSpore注册到分布式训练部署的步骤，包括环境准备、参数配置和具体实现方法。实验结果表明，自定义算子与原生HCCL算子性能相当（64MB数据耗时约1.1ms），并在MoE模型训练中实现了10%的性能提升，验证了该方案的可行性和有效性。
2025-12-05 11:36:09
292
原创 【MindSpore进阶】抛弃Model.train，手把手教你写自定义训练流
本文介绍了如何在MindSpore2.x中实现自定义训练循环，特别适用于需要灵活控制训练流程的复杂场景（如GAN网络、强化学习等）。核心方法是采用函数式编程范式，通过ops.value_and_grad自动生成梯度计算函数，配合@ms.jit装饰器实现高效执行。文章提供了完整代码模板，包括网络定义、前向函数构建、梯度计算和训练循环实现，相比Model.train接口具有更高透明度和灵活性，同时保持高性能。这种模式尤其适合需要拦截或修改梯度、交替训练不同网络的应用场景。
2025-12-05 11:31:51
110
原创 利用MindSpore图模式融合特性优化Atlas 200I DK A2上的模型推理
摘要：本文介绍了在Atlas 200I DK A2开发板上优化DeepLabV3+语义分割模型的方法。通过将PyTorch模型转换为MindSpore，并采用静态图模式(Graph Mode)结合算子融合技术，显著提升了推理性能。重点分析了Conv2D-BatchNorm-ReLU序列的融合原理，对比了传统写法与优化写法(nn.Conv2dBnAct)的效果。实验显示，优化后模型推理延时从520ms降至125ms，内存占用减少24%，验证了算子融合技术在边缘设备部署中的有效性。
2025-12-05 11:22:30
247
原创 MindSpore：重新定义AI框架范式的“新编程、新执行、新生态”深度解析
摘要：华为开源的MindSpore框架通过系统性重构AI开发范式，提出"新编程范式、新执行模式、新开发生态"三大创新。其基于源码转换的AI原生编程支持函数式与面向对象统一，实现自动微分与优化；动静统一的执行模式结合JIT编译与图算融合技术，支持全场景部署；革命性的全自动并行能力大幅降低大模型训练门槛；同时拓展至科学智能领域，支持微分方程求解与AI+HPC融合计算。MindSpore作为"AI特化编译器"，将开发者从工程细节中解放，聚焦算法创新，代表了下一代AI框架的发
2025-12-05 11:12:48
417
原创 MindSpore自动微分原理与实现
自动微分是深度学习框架的核心技术，其设计质量直接影响模型训练的效率和稳定性。MindSpore采用基于函数式编程的自动微分方案，在动态图和静态图模式下提供统一的微分接口。与基于磁带记录的自动微分方案不同，MindSpore通过源码转换和计算图构建实现微分计算，这一设计在复杂模型和高级优化场景中展现出显著优势。本文系统分析MindSpore自动微分的技术路径，从基础原理出发，逐步深入实现细节和优化策略，为框架的深度使用和扩展开发提供理论支撑。
2025-12-03 16:09:14
398
原创 MindSpore显存救星：手把手教你实现“梯度累积”与断点续训
下面的代码演示了如何封装一个通用的梯度累积训练步。"""支持梯度累积的自定义训练步封装network: 前向网络optimizer: 优化器accumulate_step: 累积步数 (例如 4)sens: Loss缩放系数 (用于混合精度)"""# 定义梯度计算函数# 创建用于存储累积梯度的Parameter# 注意：必须初始化为0，且不参与优化器更新# 内部计数器# 算子定义# 1. 计算当前Micro-Batch的梯度# 构造sens tensor用于反向传播。
2025-12-03 15:56:38
232
原创 从 PyTorch 到 MindSpore：一次算子迁移的完整实战记录
本文介绍了将PyTorch实现的轻量化分类网络迁移至MindSpore框架的完整流程。通过五步迁移方案：环境准备、模型分析、自动转换、算子修正和验证部署，重点解决了算子兼容性、权重转换等关键问题。实践表明，迁移后在昇腾平台上实现了34%的推理加速和50%的功耗降低。迁移过程中需注意算子兼容性分析、自动转换工具使用以及性能优化策略，建议开发者先进行模型静态分析，充分利用msadapter工具，并实施混合精度等优化方案，以实现高效稳定的模型迁移。
2025-11-28 11:10:35
322
原创 基于昇思MindSpore的Qwen2.5-7B 全量微调实践
昇思MindSpore技术分享大会圆满落幕，2025年将升级推出"干货小卖部"活动。本文详细介绍了基于昇腾800TA2服务器和MindSpore动态图方案的Qwen2.5-7B模型全量微调实践，包括环境配置、数据集转换、分布式训练等关键步骤。通过混合精度训练和4卡并行，实现了486 tokens/sec的高效训练，显存占用仅38GB。最终微调后的模型在Alpaca评估中表现优异，推理输出逻辑清晰。该方案为开发者提供了完整的昇腾硬件大模型调优指南。
2025-11-28 11:02:53
1010
原创 Qwen3-8B 预训练数据处理与分布式训练
本文详细介绍了在昇腾平台上进行Qwen3-8B大模型预训练的完整实践方案。硬件采用2台昇腾800T A2服务器（8张910B芯片），软件环境配置了CANN8.3、MindSpore和MindSpeed-Core-MS工具链。关键步骤包括：预训练数据转换（将Enwiki数据转换为16个parquet分片）、多机多卡分布式训练配置（TP=4、PP=2的混合并行策略）以及分布式优化器的实现。实践结果显示，8卡训练吞吐量达732 tokens/sec，并行效率95%，显存占用42GB/卡，连续训练72小时稳定无中断
2025-11-25 16:33:37
860
原创 Qwen 模型推理加速与多场景评估
摘要：本文介绍了基于昇腾910B芯片和MindSpore动态图方案的大语言模型推理优化实践。通过昇腾800T A2服务器部署Qwen2.5-7B和Qwen3-8B模型，详细阐述了从环境搭建、模型转换、推理优化到多场景评估的全流程方案。重点展示了单卡/多卡推理配置、TensorRT加速、算子融合等关键技术，并通过lm_eval工具实现了MMLU、C-Eval等数据集的自动化评估。该方案为开发者提供了高性价比的昇腾平台大模型推理部署参考，显著提升了模型推理效率和吞吐量。
2025-11-25 16:30:17
831
原创 多机多卡环境下 Qwen3-8B 预训练实践与优化
本文详细介绍了基于昇腾800T A2服务器集群的Qwen3-8B大语言模型预训练实践。通过2台配备昇腾910B芯片的服务器（共8卡），采用昇思MindSpore框架和MindSpeed工具链，实现了高效分布式训练。文章系统阐述了从硬件配置、软件环境搭建（包括CANN8.3.RC1和MindSpore2.3.0安装）、多机通信设置到数据预处理（Enwiki数据集转换）的全流程。重点分享了分布式训练参数配置（包括8192长序列处理、张量/流水线并行策略）和实操步骤，最终实现732 tokens/sec的训练吞吐
2025-11-25 16:24:54
566
原创 Qwen 模型部署优化与多场景评估
本文介绍了基于昇腾910B芯片和MindSpore框架的大语言模型高效推理部署方案。重点阐述了Qwen2.5-7B和Qwen3-8B模型在昇腾800T A2服务器上的推理优化流程，包括硬件配置、软件环境搭建、模型转换与优化、单卡/多卡推理测试以及多场景评估。通过TensorRT加速、算子融合等技术，实现了吞吐量提升35%、延迟降低28%的优化效果，同时保持99.5%的推理一致性。该方案为开发者提供了工业级高性价比的LLM推理部署方案。
2025-11-25 16:20:32
565
原创 GFPGAN 转换为昇腾 OM 模型
摘要：GFPGAN模型转换为昇腾OM模型需通过PyTorch→ONNX→OM流程。首先导出PyTorch模型为ONNX格式，注意处理可能的自定义算子问题。然后使用华为ATC工具将ONNX转换为OM格式，需指定芯片型号（如Ascend310/910）和输入参数。转换时需注意算子兼容性、动态尺寸设置及精度模式（FP16/FP32）选择。常见问题包括ONNX导出失败、算子不支持及精度下降，可通过修改模型结构或调整转换参数解决。该转换过程需安装CANN工具链并配置相应软硬件环境。
2025-11-25 16:16:06
799
原创 MindSpore技术分享：以“原生适应”为核心理念的AI框架
摘要： 华为MindSpore作为全场景AI框架，通过原生适应设计实现高效开发与部署。其创新源码转换自动微分机制融合动静优势，提升性能与调试友好性。动静态结合的图执行引擎兼顾开发灵活性与部署效率，MindIR统一格式支持云边端无缝部署。与昇腾芯片深度协同，释放硬件算力，为企业提供高性能AI解决方案。MindSpore以“高效、易用、全场景”为核心，打通从研究到落地的AI应用链路。
2025-11-25 16:14:02
333
原创 Vision Transformer 图像分类实践笔记：基于 MindSpore 的实现解析
本文基于MindSpore框架，详细解析了VisionTransformer(ViT)中的多头注意力机制实现。该机制将输入特征映射到多个注意力头并行处理，通过QKV变换、缩放点积计算和Softmax归一化建模图像块间关系。文章重点剖析了初始化阶段的多头维度划分、QKV合并生成等设计，以及前向传播中的三阶段流程：QKV重构分离、缩放注意力计算和输出融合投影。MindSpore的高效算子组合实现了简洁高效的注意力计算，展现了Transformer在视觉任务中的强大适应能力。
2025-11-25 16:12:13
408
原创 MindSpore 与 MySQL 深度集成实战：构建智能数据训练管道
本文介绍了MindSpore深度学习框架与MySQL数据库的集成方案，构建端到端AI解决方案。通过环境准备、数据库设计、核心实现和高级特性四个部分，详细展示了如何实现数据读取、训练监控和结果存储的全流程管理。方案采用模块化设计，包含数据库连接管理器、数据加载器、训练监控器等组件，支持分布式训练和模型服务化部署。该集成方案具有数据一致性、可追溯性、灵活性和可扩展性等优势，特别适合企业级AI应用场景，为MindSpore项目开发提供了完整的数据库集成参考实现。
2025-11-25 16:01:40
685
原创 基于昇腾NPU的YOLOv5目标检测模型训练与推理全流程实战
本文以华为MindSpore框架为核心，详细介绍了在昇腾910 NPU上实现YOLOv5目标检测模型的全流程开发。内容涵盖环境搭建、数据预处理、模型训练与优化、推理部署等关键环节，通过实际案例展示了国产AI框架的性能优势（单帧推理延迟32ms，mAP@0.5达96.1%）。特别强调了MindSpore原生支持昇腾芯片的特性，以及混合精度训练、模型转换等实用技巧，为开发者提供了在国产化AI生态中构建高性能应用的完整参考方案，具有显著的工程实践价值。
2025-11-25 15:54:42
620
原创 上手 MindSpore：用 nn.Cell 构建你的第一个神经网络
本文介绍了MindSpore框架中构建神经网络的核心方法——使用nn.Cell类。通过"继承Cell+实现construct"的基本范式，开发者可以快速搭建各类模型。文章以MNIST分类任务为例，详细演示了全连接网络(MLP)和卷积网络(LeNet-5)的实现过程，包括层定义、前向传播流程和维度转换技巧。同时提供了模型验证方法和常见错误提示，帮助初学者快速掌握MindSpore模型开发要点。
2025-11-25 15:50:10
315
原创 基于昇腾NPU的Transformer模型在金融时间序列预测中的实战应用
本文介绍了基于MindSpore框架和昇腾910 NPU构建Transformer股票价格预测模型的全流程解决方案。该方案针对券商短期股价波动预测需求，通过数据预处理、特征工程和Transformer模型设计，实现了42ms延迟的实时推理，测试集准确率达76.3%，较传统LSTM模型提升12%精度和3倍速度。重点展示了MindSpore在昇腾平台上的自动并行加速、模型导出部署等关键技术，为金融AI国产化落地提供实践参考。
2025-11-25 15:48:17
799
原创 基于MindSpore与Ascend C的自定义算子集成
本文系统研究了将高性能AscendC算子集成到MindSpore框架的方法。针对LayerNorm操作的性能瓶颈问题，通过AscendC开发融合算子并实现MindSpore集成，实验结果显示单算子性能提升16倍，端到端模型训练加速8.1%。研究验证了该方法在优化AI计算性能方面的有效性，并总结出性能热点优先、严格梯度验证等最佳实践。该方案为MindSpore框架下的算子优化提供了可行路径，对提升AI模型训练效率具有实际意义。
2025-11-25 15:42:47
919
原创 PTQ4SAM模型论文解读，并基于MindSpore NLP推理复现
本文提出PTQ4SAM框架，针对SAM模型量化中的双峰分布和复杂Softmax分布问题，创新性地采用双峰集成策略和自适应粒度量化方法。实验表明，该方法在实例分割、语义分割等任务中，W6A6量化下性能接近无损，W4A4量化仍保持较高精度。通过MindSpore实现的推理验证显示，该方案能有效降低SAM模型的计算和存储成本，为视觉大模型部署提供实用解决方案。
2025-11-24 11:45:04
645
原创 MindSpore与CANN的协同优化：实现极致性能的深度学习训练与推理
摘要：华为昇思MindSpore与CANN协同优化技术显著提升AI计算性能。通过计算图融合、智能内存管理、高性能算子实现等关键技术，在昇腾AI处理器上实现训练效率提升35%、内存占用降低60%的优化效果。文章详细介绍了自动并行、动态形状支持等创新技术方案，并提供了实际配置建议和性能分析工具使用方法。这一软硬件协同优化体系为大规模深度学习应用提供了高效解决方案，将持续推动AI计算性能突破。
2025-11-24 11:40:08
619
原创 MindSpore与openGauss 的深度融合实践
昇思MindSpore与openGauss深度集成技术解析 摘要：本文探讨了华为两大开源项目——昇思MindSpore AI框架与openGauss数据库的协同创新。通过三种集成模式（数据库内AI、外部AI服务调用、端到端AI流水线），展示了如何构建智能数据驱动应用。重点介绍了智能推荐系统实战案例，包括用户嵌入模型构建、实时推荐服务实现及数据库表设计。文章还分享了性能优化策略（数据读取优化、模型部署优化）和运维监控方案。最后展望了未来发展方向，如数据库内直接执行模型、自动化特征工程等，为企业级AI应用提供了
2025-11-24 11:31:54
314
原创 把 Llama 迁到 MindSpore：一份带坑的实战笔记
本文详细记录了将Llama7B模型从PyTorch/HF生态迁移到MindSpore框架的技术实践过程。重点包括：1) 环境配置要点，推荐使用GRAPH_MODE提升性能；2) Tokenizer与RoPE的实现细节，特别关注decode阶段的位置索引处理；3) 权重转换方案，提供键名映射表和转换脚本；4) KVCache优化技巧，强调就地写入避免内存移动开销；5) 训练微调建议，介绍LoRA实现方式；6) 常见报错解决方案。文章强调采用"先跑通再优化"的务实策略，避免过度设计，最终实现
2025-11-24 11:21:20
914
原创 昇思MindSpore动态图方案系列课程上线昇腾社区，45分钟解锁大模型全栈开发能力
昇思动态图方案原生支持Mindspeed-LLM/MM，不修改代码即可直接执行。MindSpeed-Core-MS 是链接华为自研AI框架MindSpore+昇腾训练加速库MindSpeed的重要组件，旨在提供华为全栈易用的端到端的自然语言模型以及多模态模型训练解决方案。
2025-11-24 11:04:12
249
原创 MindSpore深度解析：从模型训练到昇腾NPU推理的全流程技术实践与优化指南
【摘要】昇思MindSpore2024技术分享大会圆满落幕，全年收获80+高质量技术帖，并预告2025年将升级为"干货小卖部"持续征稿。本文由开发者投稿，深度解析MindSpore全场景AI框架的核心架构（含图编译/动态执行混合模式、Lite轻量引擎等）及实战应用。以YOLOv5为例，详细演示从环境配置、模型训练（支持AMP/分布式）到NPU部署（OM格式转换）的全流程，提供性能优化策略与常见问题解决方案。文章强调MindSpore作为连接算法与硬件的桥梁，在昇腾生态中的关键作用，助力开
2025-11-24 10:59:12
299
原创 MindSpore模型压缩与量化：极致推理性能优化实践
摘要：昇思MindSpore 2024年技术分享会圆满落幕，全年收获80+高质量技术帖。2025年将推出"干货小卖部"活动，持续征集技术文章。本文由社区开发者分享模型压缩技术，包括量化感知训练、知识蒸馏和结构化剪枝三大核心方法。通过MindSpore工具链可实现模型大小减少4-10倍、推理速度提升3-5倍、功耗降低60-80%，为移动端部署提供完整解决方案。文章详细介绍了各技术的实现原理、代码示例及端到端压缩流程，助力开发者在资源受限环境下高效部署深度学习模型。
2025-11-24 10:45:50
419
原创 昇思同路人第五期：当数学遇见昇思MindSpore：王一权的AI for Science探索之路
新疆大学大二学生王一权基于昇思MindSpore框架完成的AI艺术版权保护论文被ICLR2025接收。该研究融合数学思维与AI技术，通过提取波洛克画作的分形维数等"数学指纹"，构建了鲁棒性更强的数字水印系统。王一权从高中起就坚信"数学是AI的基石"，在清华暑期研习和开源社区实践中逐步确立AI for Science研究方向。他不仅利用昇思框架的高阶微分等优势完成创新研究，还积极回馈社区，从使用者成长为答疑版主。这一成果展现了数学基础与自主AI框架结合带来的创新潜力。
2025-11-24 10:37:49
911
原创 昇思MindSpore同步首发Qwen3-VL系列模型
阿里发布新一代视觉语言大模型Qwen3-VL系列，包括4B和8B版本，昇思MindSpore第一时间完成适配支持。该系列在文本理解、视觉感知、空间推理等方面全面升级，支持256K长文本处理、多语言OCR识别等功能。昇思社区提供完整的推理指南，包含模型下载、Docker镜像部署及中英文图片描述生成示例。开发者可通过指定服务器配置，快速体验模型的多模态能力。模型权重和代码已开源，支持从边缘到云的灵活部署。
2025-10-17 11:46:51
797
1
原创 Nature子刊收录，部分性能超越AlphaFold3！基于昇思打造的蛋白质复合物结构预测模型GRASP亮相
中国科学家研发GRASP模型在蛋白质复合物结构预测领域取得突破。该研究由高毅勤教授团队联合华为等机构在《Nature Methods》发表，创新性地提出"实验约束引导AI预测"范式，将多种实验数据转化为AI可处理的约束信息，并开发抗噪系统。GRASP在抗体-抗原复合物预测等场景中表现优异，部分指标超越AlphaFold3达23%-38%。这一成果标志着中国在AI+生物计算领域的重要进展，为实验科学与AI协同提供了新思路。
2025-10-17 11:41:53
360
原创 0day同步！昇思MindSpore同步首发Qwen3-VL-30B-A3B-Instruct模型
阿里云发布视觉语言大模型Qwen3-VL-30B-A3B-Instruct，昇思MindSpore实现0day支持。该模型是Qwen系列最强版本，具备256K长文本处理、32种语言OCR、空间感知等能力，支持视觉代理操作和视频理解。开发者可通过指定路径下载约60GB的模型文件，使用2卡Atlas800服务器运行昇思提供的Docker镜像进行推理，支持中英文图像描述生成。模型已开源至MindSpore社区，提供完整部署指南。
2025-10-17 11:40:52
472
原创 MindSpore SafeTensors 技术详解：高效模型存储与懒加载机制
摘要：昇思MindSpore 2024年技术大会圆满落幕，宣布2025年全新升级"干货小卖部"技术帖征集活动。会议重点介绍了MindSpore对SafeTensors格式的集成应用，该格式解决了传统pickle格式的安全隐患，采用标准化二进制结构和懒加载机制，显著提升了大规模模型存储的安全性、加载速度和内存效率。MindSpore的独特实现包括内存映射、元数据预解析和代理对象系统等技术，使普通硬件也能高效处理超大模型。这种创新方案为深度学习模型训练提供了更安全、更快速、更节省资源的解决方
2025-10-17 11:36:20
953
原创 Bert-generation 模型论文解读，并基于MindSpore NLP推理复现
【摘要】本研究探讨了预训练模型在序列生成任务中的应用，提出基于Transformer的seq2seq架构，兼容BERT、GPT-2等预训练检查点。实验表明，预训练编码器显著提升机器翻译、文本摘要等任务性能，权重共享策略可优化内存占用。研究使用MindSporeNLP框架进行评估，在BBC数据集上通过ROUGE指标验证模型有效性。创新点包括将预训练模型扩展至生成任务、设计兼容性架构及权重共享方法。结果表明较大模型性能更优但需防过拟合，预训练编码器和权重共享是提升生成任务效果的关键要素。（149字）
2025-10-17 11:32:48
709
原创 MindSpore动态图调试与静态图部署的双模式实战
MindSpore动静态图使用指南：MindSpore采用动态图（PyNative）调试与静态图（Graph）部署相结合的模式。动态图模式便于逐行调试，支持实时打印和Python调试器；静态图模式通过整体编译优化提升性能。开发时建议先用动态图调试，再切换静态图部署，并利用Profiler进行性能分析。需注意控制流在静态图中的特殊处理方式，以及两种模式切换时的兼容性问题。
2025-09-19 10:24:55
307
原创 MindSpore与PyTorch迁移指南：无缝切换到昇腾生态
摘要：本文介绍了从PyTorch迁移到MindSpore框架并利用昇腾（Ascend）NPU生态的完整指南。主要内容包括：1）MindSpore与PyTorch的API对比和优势分析；2）迁移前的环境准备和知识储备；3）详细的代码迁移四步法（API替换、网络构建、权重转换、训练验证）；4）常见问题的解决方案（如Dropout参数反向、数据对象差异等）；5）实际性能提升案例（ResNet-50训练速度提升147%）。文章提供了从环境搭建到完整代码示例的实用指导，帮助开发者在昇腾硬件上获得更高效的AI训练和推理
2025-09-19 10:22:16
1215
原创 昇腾AI在自然语言处理中的突破：MindSpore的应用与优化技巧
昇腾AI生态通过MindSpore框架和Ascend NPU为NLP任务提供了强大的支持。MindSpore 2.0的多维混合自动并行功能和MindNLP库实现了与HuggingFace的无缝兼容，显著提升了文本生成和情感分析等任务的效率。应用案例显示，在Ascend硬件上运行可实现30%以上的推理速度提升。优化技巧包括利用bfloat16精度、自动并行训练和算子优化等，可进一步提升模型性能。昇腾AI正推动NLP在智能客服、内容创作等领域的创新应用。
2025-09-19 10:13:16
550
原创 MindSpore与CANN的协同优化：实现极致性能的深度学习训练与推理
本文探讨了华为MindSpore框架与CANN在昇腾AI处理器上的协同优化技术，通过计算图融合、智能内存管理、高性能算子实现等创新方法，显著提升深度学习性能。研究显示，这种软硬件协同设计使ResNet-50训练速度提升80%，BERT-Large提升110%，并实现30-70%的内存优化。优化策略包括自动图融合、动态形状支持、零内存拷贝等技术，特别在分布式训练和推理场景表现优异。该协同方案为AI计算提供了高效解决方案，展现了华为全栈AI技术的性能优势。
2025-09-19 10:09:30
617
原创 昇思MindSpore基于昇腾硬件快速支持Qwen3-Next-80B-A3B系列模型，内附教程4步实现推理！
阿里云发布Qwen3-Next系列大模型，包括80B参数的Thinking和Instruct版本，主打长文本处理与参数效率。该模型通过HybridAttention、High-SparsityMoE等创新技术提升性能，训练成本仅为Qwen3-32B的十分之一。昇思MindSporeAI框架已实现快速支持，提供完整推理部署方案，支持8卡Atlas服务器运行。开发者可通过魔乐社区下载模型（约152GB），使用专属Docker镜像快速体验，并提供详细的服务化部署指南和API调用示例。
2025-09-19 10:01:25
761
原创 RelTR模型论文解读，并基于MindSpore NLP推理复现
RelTR是一种基于Transformer架构的单阶段端到端场景图生成方法，通过引入固定数量的主语/宾语查询和多种注意力机制（CSA、DVA、DEA），直接预测关系三元组。相比传统两阶段方法，RelTR具有参数少、计算复杂度低（O(n)）的优势。其创新点包括：1）稀疏三元组预测机制；2）基于IoU的集合预测损失函数；3）利用实体解码结果优化主客体定位。实验在Visual Genome数据集上验证了有效性，MindSpore实现版本已开源。迁移过程中发现了参数加载和计算精度问题，通过在启智平台运行解决了推理异
2025-09-19 09:59:03
604
原创 MindSpore vs. PyTorch：设计理念、优劣势对比与选型指南
PyTorch与MindSpore深度对比：两大AI框架各有千秋 PyTorch以动态计算图著称，支持灵活调试，成为学术界首选（89% ICLR论文使用）。MindSpore采用动静统一架构，兼顾开发灵活性与执行效率。性能方面，MindSpore在昇腾910上展现出50%的吞吐量优势，内存占用降低35%，得益于其自动图优化和混合精度技术。PyTorch在NVIDIA GPU生态更成熟，而MindSpore对华为昇腾芯片深度优化。PyTorch社区资源丰富，适合研究；MindSpore提供端边云协同能力，更匹
2025-09-11 11:34:31
1112
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人