【MindSpore易点通】让我们谈谈MindSpore安装这点事儿~

引言:MindSpore易点通是易用性SIG打造的技术交流专区,致力于提升MindSpore易用性,帮助开发者打通使用MindSpore的“最后一公里”

万事安装起,今天和大家来掰扯掰扯MindSpore安装这点事儿,当前MindSpore支持在Ascend(910和310)、GPU(CUDA 10.1和CUDA 11.1)、CPU硬件平台的Linux、Windows、MacOS操作系统上进行安装,也支持多种安装方式如Pip、Conda、Source等。

这里敲黑板!!!随着1.7版本发布,我们在CPU-Linux、GPU、Ascend910和Ascend310环境上安装MindSpore都已支持自动安装啦!运行自动化脚本即可安装MindSpore,省时又省力!

那么大家肯定会问,什么情况下优先选择自动安装?什么时候又需要进行手动安装呢?总结了一个明确的划分界限:

  1. 如果是全新的操作系统上安装,我们推荐使用自动安装。
  2. 如果是已经安装了部分依赖,如Python,GCC等,推荐手动安装。

下面我们以CPU平台上Ubuntu18.04为例来说说不同安装方式的流程,可以先看视频:https://mindspore-website.obs.cn-north-4.myhuaweicloud.com:443/teaching_video/video/CPU-Ubuntu%E5%AE%89%E8%A3%85%E7%AF%87.mp4 

1      自动安装

1.1      Conda方式

Conda是Anaconda提供的包&环境管理器,允许用户方便地安装软件包与该计算平台需要的所有库,可以理解为Conda是虚拟环境用来接管软件包和第三方库安装。

首先,检查下系统是否为要求的版本。

第二,下载并执行自动安装脚本(可以在官网安装页面获取脚本:MindSpore官网),运行过程中会完成安装所需依赖软件,创建Conda虚拟环境和安装MindSpore对应版本几个步骤。

第三,新打开终端窗口以使环境变量生效,自动安装脚本会为MindSpore创建名为“mindspore_pyXX”的虚拟环境,输入命令,激活Conda虚拟环境。

最后,便可以验证安装是否成功啦,如下图所示,出现了版本号就安装成功了。

1.2      pip方式

pip是Python包安装与管理的工具,提供了对Python包的查找、下载、安装和卸载的功能,pip安装MindSpore过程步骤与Conda安装过程也很类似~

首先,依旧是确认系统版本为Ubuntu 18.04。

第二,下载并执行自动安装脚本,不过和Conda有所不同的是,该脚本会通过APT安装Python3和pip3并且通过pip安装MindSpore对应版本。

最后,也需要重新打开终端窗口以使环境变量生效,就可以验证安装是否成功了。

1.3      Source方式

Source也就是源码安装,和上述两种方法相比通用性是最强的,那么这个安装方法大家是不是应该好好学习下~

首先,依旧是确认系统版本为Ubuntu 18.04

第二,下载并执行自动安装脚本,这边和前两者不同的是,安装的依赖项会有所变化。

第三,重新打开终端窗口以使环境变量生效后,需要输入命令从代码仓下载源码并执行编译

最后,输入pip命令安装MindSpore,完成后就可以验证安装是否成功了。

2      手动安装

如果已经安装过部分依赖,如Python、GCC等,可以使用手动安装MindSpore,手动当然也支持不同方式:pip、Source、Conda等,当然不同平台有不同的步骤与要求,不同方式有不同的依赖软件,安装过程按照官网安装指南(MindSpore官网)即可。

之前也写过《如何高效安装MindSpore的GPU版本》,感兴趣的同学可以参考体验:如何高效安装MindSpore的GPU版本 - 知乎

3      手把手系列视频课程

除了文章上半部分的CPU-Ubuntu安装视频外,我们给大家准备了不同硬件平台、不同操作系统、多种方式的安装指导视频(属于《手把手安装与体验》系列课程:https://www.mindspore.cn/resources/courses/list?id=47#title52),还包含一些依赖软件的安装指导,希望能给安装MindSpore的各位带来小小的帮助。

最后,为了更好的让开发者参与到MindSpore易用性的讨论中,我们成立了MindSpore的易用性SIG组。欢迎对MindSpore框架易用性提升有兴趣的朋友参与,扫描下面的二维码添加小助手(备注“易用性”),小助手拉你进群哦 ~

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
MindSpore中,Transformer模型是基于自注意力机制的深度学习模型,在NLP领域被广泛应用。MindSpore提供了相关的API和方法来构建和训练Transformer模型。 首先,在MindSpore中,可以使用`EmbeddingLookup`类来定义词嵌入层,该层负责将输入的单词转换为向量表示。这个类在`transformer_model.py`文件中进行定义。 接下来,为了进行网络的反向传播和训练,可以使用MindSpore的高级接口`MindSpore.Model`来定义网络反向和进行训练。在`transformer_model.py`文件中,可以看到网络的反向定义以及使用`MindSpore.Model`进行训练的示例代码。首先,过`TransformerTrainOneStepCell`将网络和损失函数组合在一起,然后使用该组合后的网络进行训练。 最后,过调用`model.train`方法,可以使用定义好的模型、数据集和优化器进行训练。需要指定训练的轮数、数据集、回调函数等参数来完成训练过程。 综上所述,在MindSpore中,可以使用相关的API和方法来构建和训练Transformer模型。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [【MindSpore易点】Transformer的注意力机制](https://blog.csdn.net/Kenji_Shinji/article/details/127958722)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] - *2* *3* [基于MindSpore的Transformer网络实现](https://blog.csdn.net/Kenji_Shinji/article/details/127314332)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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