昇思25天学习打卡营第1天|基本介绍

已于 2024-06-24 16:27:24 修改
阅读量216 收藏
点赞数 3
文章标签： 学习
于 2024-06-24 16:23:31 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/randomize0/article/details/139872141
版权

今天是参加昇思25天学习打卡营的第一天，学习的内容是昇思技术体系的基本介绍，这里做一个简单的分享。

本章核心的问题是学习昇思MindSpore是什么，能做什么？

昇思MindSpore是一个全场景深度学习框架，其核心在于为深度学习模型的开发、执行、部署提供框架支持。

开发方面：提供友好的深度学习API，可以降低模型学习开发的难度；

高效执行方面：平台在计算效率、数据预处理效率和分布式训练效率等方面提供了软硬件的一体化优化，让模型能够更加高效的执行。

部署方面：框架提供全场景的统一部署的能力支持，覆盖了云、边、端场景的灵活部署。

这是一个可以在国产环境下提供深度学习模型开发、执行、部署支持的框架体系。

通过本章的学习的，可以系统的从框架、执行流程、设计理念、层次结构等不同角度了解了昇思的冰山一角，对昇思有了一个初步的了解。

打开记录：

流淌_
关注
昇思25天学习打卡营第1天|快速入门
数字人生
06-18 923
本节通过MindSpore的API来快速实现一个简单的深度学习模型。若想要深入了解MindSpore的使用方法，请参阅各节最后提供的参考链接。
昇思25天学习打卡营第7天|MindSpore-ShuffleNet图像分类
pblh123的专栏
06-30 1233
基于MindSpore的ShuffleNet实践，ShuffleNetV1是一种高效的CNN模型，主要应用于移动端。其设计目标是在有限的计算资源下实现最佳精度。ShuffleNetV1引入了两种操作：Pointwise Group Convolution和Channel Shuffle，从而降低了模型的计算量。与MobileNet类似，ShuffleNetV1通过优化网络结构实现了模型的压缩和加速。
2023年度总结｜昇思MindSpore开源社区携手产业伙伴和开发者，使能百模千态，繁荣生态
Kenji_Shinji的博客
01-12 1567
上线问界M9，支撑小艺实现全车免唤醒，听声识人；在原生支持大模型领域，基于昇思MindSpore孵化、支持的重磅大模型超过30个，包括华为云盘古大模型3.0、中科院自动化所紫东太初2.0全模态大模型、面壁智能CPM-Bee、智谱AI CodeGeex大模型、云从科技从容大模型等领先成果，部分大模型已经在金融、制造等行业发挥重要价值。昇思MindSpore开源社区联合南方电网人工智能基础设施运营中心，基于昇思大模型平台，共建电力人工智能专区，共同打造面向广大开发者的电力人工智能生态。
昇思 MindSpore 安装教程
Five—菜鸟级的博客
09-26 2788
昇思MindSpore是一个全场景深度学习框架，旨在实现易开发、高效执行、全场景覆盖三大目标。其中，易开发表现为API友好、调试难度低；高效执行包括计算效率、数据预处理效率和分布式训练效率；全场景则指框架同时支持云、边缘以及端侧场景。昇思MindSpore总体架构如下图所示：ModelZoo（模型库）：ModelZoo提供可用的深度学习算法网络，也欢迎更多开发者贡献新的网络(ModelZoo地址)。
华为昇思MindSpore和昇腾AI介绍
最新发布
weixin_42553583的博客
07-23 985
本节将会整体介绍昇思MindSpore和华为昇腾AI全栈，并介绍昇思MindSpore在华为昇腾AI全栈中的位置。对昇思MindSpore感兴趣的开发者，最后可以参与昇思MindSpore的社区并一键三连。昇思MindSpore是一个全场景深度学习框架，旨在实现易开发、高效执行、全场景统一部署三大目标。其中，易开发表现为API友好、调试难度低；高效执行包括计算效率、数据预处理效率和分布式训练效率；全场景则指框架同时支持云、边缘以及端侧场景。ModelZoo（模型库）
叮！请查收昇思人工智能框架峰会2024邀请函
skytttttt9394的博客
03-12 417
昇思MindSpore人工智能框架峰会，北京国家会议中心，2024年3月21闭门会议，3月22日主论坛和开发者嘉年华，人工智能产学研用专家齐聚，诚邀各位开发者参加～～
【直播预告】1月27日易用性SIG技术分享会——昇思MindSpore案例分享及MindTorch入门指南
Kenji_Shinji的博客
01-24 470
1月27日（周六）上午10点，昇思MindSpore易用性SIG技术分享会将与大家见面。本期不仅有同学分享实习任务经验还有昇思MindSpore技术专家讲解技术要点，4个技术分享议题带你了解不一样的深度学习框架，一同学习使用新工具执行高效训练脚本迁移，再看看技术革新如何影响当下的实际生活，加入我们与你共享更多开发趣闻！敬请关注本期昇思MindSpore易用性SIG技术分享会！
项目分享 | 基于昇思MindSpore与LoRA微调方法训练独属于你的AI模型
Kenji_Shinji的博客
12-01 737
过去一年大模型发展迅速，除了已发布的熟知的一些预训练大模型（pretrained model）：Llama，Llama2，ChatGLM，falcon等外，Hugging Face Open LLM Leader board（Open LLM Leaderboard - a Hugging Face Space by HuggingFaceH4）上 ，大量排行靠前的模型都是微调模型（finetune model）。上图为LoRA的示意图，左边蓝色部分是该方法会冻结的权重，右边是新增的微调权重模块。
《昇思25天学习打卡营第1天 - 快速入门 mindspore》
06-27
昇思25天学习打卡营 - 02 快速入门
昇思25天学习打卡营第6天|MindSpore-ResNet50迁移学习
pblh123的专栏
06-30 519
基于MindSpore-ResNet50模型进行迁移学习，实现狼狗与狗的分类预测。熟悉迁移学习方式，参数冻结微调，预训练模型使用
昇思25天学习打卡营第14天|基于MindNLP的文本解码原理
pblh123的专栏
07-07 1585
基于MindSpore,MindNPL实现自回归模型，贪婪搜索，Bean搜索，文本解码是自然语言处理中的一个关键任务，特别是在机器翻译、文本生成等领域。自回归模型是文本解码中常用的一种方法
昇思25天学习打卡营第一天|基本介绍
qq_45889771的博客
06-24 181
昇思MindSpore是一个全场景深度学习框架，旨在实现易开发、高效执行、全场景统一部署三大目标。其整体架构如下图所示其中MindExpression（全场景统一API）是接下来打卡学习的主要内容，MindExpression主要基于Python的前端表达与编程接口，支持两个融合（函数/OOP编程范式融合、AI+数值计算表达融合）以及两个统一（动静表达统一、单机分布式表达统一）。MindSpore的执行流程如下图所示。
昇思25天学习打卡营第1天|sammgs
qq_33500308的博客
06-30 1019
昇思MindSpore是一个全场景深度学习框架，旨在实现易开发、高效执行、全场景统一部署三大目标。其中，易开发表现为API友好、调试难度低；高效执行包括计算效率、数据预处理效率和分布式训练效率；全场景则指框架同时支持云、边缘以及端侧场景。ModelZoo（模型库）：ModelZoo提供可用的深度学习算法网络，也欢迎更多开发者贡献新的网络(ModelZoo地址MindSpore Extend（扩展库）
【昇思25天学习打卡营打卡指南-第一天】基本介绍与快速入门
JeffDing
06-19 869
昇思MindSpore是一个全场景深度学习框架，旨在实现易开发、高效执行、全场景统一部署三大目标。其中，易开发表现为API友好、调试难度低；高效执行包括计算效率、数据预处理效率和分布式训练效率；全场景则指框架同时支持云、边缘以及端侧场景。ModelZoo（模型库）：ModelZoo提供可用的深度学习算法网络，也欢迎更多开发者贡献新的网络(ModelZoo地址MindSpore Extend（扩展库）
论文精讲 | 基于昇思MindSpore Quantum搭建量子神经网络分类器
Kenji_Shinji的博客
06-06 307
幅度编码中，待训练数据进行归一化之后，以量子态幅度的形式输入到含参量子线路中，使用的比特数量与数据长度为对数关系。块编码中，训练数据作为参数，编码到ansatz的含参量子门中，需要的比特数与数据长度和线路深度相关。ansatz中分为参数层和纠缠层两部分，四种ansatz参数层选取一致，纠缠层分别由CZ、CNOT、两层CNOT、多体系统下的时间演化构建。下，不同的线路深度和ansatz对应的四种数据集的分类表现为下表，Ent1、Ent2、Ent3分别为前面提到三种纠缠线路(a)、(b)、(c)。
昇思25天学习打卡营第4天 | LSTM+CRF序列标注
u014556926的博客
07-07 872
本次打卡介绍bilstm+crf序列标注模型，此类模型多数用于识别文本中的序列，序列标注通常用于识别出文本中分词(Word Segmentation)、词性标注(Position Tagging)、命名实体识别(Named Entity Recognition, NER)等特点信息，其中crf算法中包含3个部分，score计算，normalizerf计算，viterbi计算，现有的常用序列标注模型通常基于rnn/lstm+crf模型。
《昇思25天学习打卡营第1天 | 认识MindScope AI框架和昇思大模型平台》
m0_61486963的博客
06-19 1004
MindSpore的架构设计精妙，从ModelZoo的丰富模型库到MindSpore Extend的领域扩展，再到MindScience的科学计算套件，每一个模块都充满了创新和可能。对于大规模神经网络模型，MindSpore的分布式训练原生支持让我无需编写复杂的分布式策略，只需少量代码即可实现高效的并行训练，这简直是开发者的福音。不过没关系，对于我的理解在于，对于非专业的业余AI爱好者，mindScope 依靠 昇思大模型平台 开展了许多的活动，其中就包括AI入门课程。
AI打卡训练营7天总结：从格式化输出到选手识别
在Day1的第一次作业中，要求输出9*9乘法口诀表，并且注意格式。通过使用for循环和format函数，可以实现格式化输出的需求。例如： ``` def table(): for i in range(1, 10): for j in range(1, i+1): print("{}*...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值