MindSpore是一种适用于端边云场景的新型开源深度学习训练/推理框架

MindSpore是一种适用于端边云场景的新型开源深度学习训练/推理框架。 MindSpore提供了友好的设计和高效的执行，旨在提升数据科学家和算法工程师的开发体验，并为Ascend AI处理器提供原生支持，以及软硬件协同优化。

同时，MindSpore作为全球AI开源社区，致力于进一步开发和丰富AI软硬件应用生态。

欲了解更多详情，请查看我们的总体架构。

自动微分

当前主流深度学习框架中有两种自动微分技术：

• 操作符重载法： 通过操作符重载对编程语言中的基本操作语义进行重定义，封装其微分规则。 在程序运行时记录算子过载正向执行时网络的运行轨迹，对动态生成的数据流图应用链式法则，实现自动微分。
• 代码变换法： 该技术是从功能编程框架演进而来，以即时编译（Just-in-time Compilation，JIT）的形式对中间表达式（程序在编译过程中的表达式）进行自动差分转换，支持复杂的控制流场景、高阶函数和闭包。

PyTorch采用的是操作符重载法。相较于代码变换法，操作符重载法是在运行时生成微分计算图的， 无需考虑函数调用与控制流等情况， 开发更为简单。 但该方法不能在编译时刻做微分图的优化， 控制流也需要根据运行时的信息来展开， 很难实现性能的极限优化。

MindSpore则采用的是代码变换法。一方面，它支持自动控制流的自动微分，因此像PyTorch这样的模型构建非常方便。另一方面，MindSpore可以对神经网络进行静态编译优化，以获得更好的性能。

MindSpore自动微分的实现可以理解为程序本身的符号微分。MindSpore IR是一个函数中间表达式，它与基础代数中的复合函数具有直观的对应关系。复合函数的公式由任意可推导的基础函数组成。MindSpore IR中的每个原语操作都可以对应基础代数中的基本功能，从而可以建立更复杂的流控制。

自动并行

MindSpore自动并行的目的是构建数据并行、模型并行和混合并行相结合的训练方法。该方法能够自动选择开销最小的模型切分策略，实现自动分布并行训练。

目前MindSpore采用的是算子切分的细粒度并行策略，即图中的每个算子被切分为一个集群，完成并行操作。在此期间的切分策略可能非常复杂，但是作为一名Python开发者，您无需关注底层实现，只要顶层API计算是有效的即可。

安装

pip方式安装

MindSpore提供跨多个后端的构建选项：

硬件平台	操作系统	状态
Ascend 910	Ubuntu-x86	✔️
	Ubuntu-aarch64	✔️
	EulerOS-aarch64	✔️
	CentOS-x86	✔️
	CentOS-aarch64	✔️
GPU CUDA 10.1	Ubuntu-x86	✔️
CPU	Ubuntu-x86	✔️
	Ubuntu-aarch64	✔️
	Windows-x86	✔️

使用pip命令安装，以CPU和Ubuntu-x86build版本为例：

1. 请从MindSpore下载页面下载并安装whl包。

   pip install https://ms-release.obs.cn-north-4.myhuaweicloud.com/1.2.0-rc1/MindSpore/cpu/ubuntu_x86/mindspore-1.2.0rc1-cp37-cp37m-linux_x86_64.whl

2. 执行以下命令，验证安装结果。

   import numpy as np
   import mindspore.context as context
   import mindspore.nn as nn
   from mindspore import Tensor
   from mindspore.ops import operations as P
   
   context.set_context(mode=context.GRAPH_MODE, device_target="CPU")
   
   class Mul(nn.Cell):
       def __init__(self):
           super(Mul, self).__init__()
           self.mul = P.Mul()
   
       def construct(self, x, y):
           return self.mul(x, y)
   
   x = Tensor(np.array([1.0, 2.0, 3.0]).astype(np.float32))
   y = Tensor(np.array([4.0, 5.0, 6.0]).astype(np.float32))
   
   mul = Mul()
   print(mul(x, y))

   [ 4. 10. 18.]

使用pip方式，在不同的环境安装MindSpore，可参考以下文档。

• Ascend环境使用pip方式安装MindSpore
• GPU环境使用pip方式安装MindSpore
• CPU环境使用pip方式安装MindSpore

源码编译方式安装

使用源码编译方式，在不同的环境安装MindSpore，可参考以下文档。

• Ascend环境使用源码编译方式安装MindSpore
• GPU环境使用源码编译方式安装MindSpore
• CPU环境使用源码编译方式安装MindSpore

Docker镜像

MindSpore的Docker镜像托管在Docker Hub上。 目前容器化构建选项支持情况如下：

硬件平台	Docker镜像仓库	标签	说明
CPU	mindspore/mindspore-cpu	x.y.z	已经预安装MindSpore x.y.z CPU版本的生产环境。
		devel	提供开发环境从源头构建MindSpore（CPU后端）。安装详情请参考https://www.mindspore.cn/install 。
		runtime	提供运行时环境安装MindSpore二进制包（CPU后端）。
GPU	mindspore/mindspore-gpu	x.y.z	已经预安装MindSpore x.y.z GPU版本的生产环境。
		devel	提供开发环境从源头构建MindSpore（GPU CUDA10.1后端）。安装详情请参考https://www.mindspore.cn/install 。
		runtime	提供运行时环境安装MindSpore二进制包（GPU CUDA10.1后端）。

注意： 不建议从源头构建GPU devel Docker镜像后直接安装whl包。我们强烈建议您在GPU runtime Docker镜像中传输并安装whl包。

• CPU

  对于CPU后端，可以直接使用以下命令获取并运行最新的稳定镜像：

  docker pull mindspore/mindspore-cpu:1.1.0
  docker run -it mindspore/mindspore-cpu:1.1.0 /bin/bash

• GPU

  对于GPU后端，请确保nvidia-container-toolkit已经提前安装，以下是Ubuntu用户安装指南：

  DISTRIBUTION=$(. /etc/os-release; echo $ID$VERSION_ID)
  curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | apt-key add -
  curl -s -L https://nvidia.github.io/nvidia-docker/$DISTRIBUTION/nvidia-docker.list | tee /etc/apt/sources.list.d/nvidia-docker.list
  
  sudo apt-get update && sudo apt-get install -y nvidia-container-toolkit nvidia-docker2
  sudo systemctl restart docker

  编辑文件 daemon.json:

  $ vim /etc/docker/daemon.json
  {
      "runtimes": {
          "nvidia": {
              "path": "nvidia-container-runtime",
              "runtimeArgs": []
          }
      }
  }

  再次重启docker:

  sudo systemctl daemon-reload
  sudo systemctl restart docker

  使用以下命令获取并运行最新的稳定镜像：

  docker pull mindspore/mindspore-gpu:1.1.0
  docker run -it -v /dev/shm:/dev/shm --runtime=nvidia --privileged=true mindspore/mindspore-gpu:1.1.0 /bin/bash

  要测试Docker是否正常工作，请运行下面的Python代码并检查输出：

  import numpy as np
  import mindspore.context as context
  from mindspore import Tensor
  from mindspore.ops import functional as F
  
  context.set_context(mode=context.PYNATIVE_MODE, device_target="GPU")
  
  x = Tensor(np.ones([1,3,3,4]).astype(np.float32))
  y = Tensor(np.ones([1,3,3,4]).astype(np.float32))
  print(F.tensor_add(x, y))

  [[[ 2.  2.  2.  2.],
  [ 2.  2.  2.  2.],
  [ 2.  2.  2.  2.]],
  
  [[ 2.  2.  2.  2.],
  [ 2.  2.  2.  2.],
  [ 2.  2.  2.  2.]],
  
  [[ 2.  2.  2.  2.],
  [ 2.  2.  2.  2.],
  [ 2.  2.  2.  2.]]]

如果您想了解更多关于MindSpore Docker镜像的构建过程，请查看docker repo了解详细信息。

快速入门

参考快速入门实现图片分类。

文档

有关安装指南、教程和API的更多详细信息，请参阅用户文档。

社区

治理

查看MindSpore如何进行开放治理。

交流

• MindSpore Slack 开发者交流平台。
• #mindsporeIRC频道（仅用于会议记录）
• 视频会议：待定
• 邮件列表：https://mailweb.mindspore.cn/postorius/lists

贡献

欢迎参与贡献。更多详情，请参阅我们的贡献者Wiki。

分支维护策略

MindSpore的版本分支有以下几种维护阶段：

状态	持续时间	说明
Planning	1 - 3 months	特性规划。
Development	3 months	特性开发。
Maintained	6 - 12 months	允许所有问题修复的合入，并发布版本。
Unmaintained	0 - 3 months	允许所有问题修复的合入，无专人维护，不再发布版本。
End Of Life (EOL)	N/A	不再接受修改合入该分支。

现有分支维护状态

分支名	当前状态	上线时间	后续状态	EOL 日期
r1.9	Maintained	2022-10-26	Unmaintained 2023-10-26 estimated
r1.8	Maintained	2022-07-29	Unmaintained 2023-07-29 estimated
r1.7	Maintained	2022-04-29	Unmaintained 2023-04-29 estimated
r1.6	Maintained	2022-01-29	Unmaintained 2023-01-29 estimated
r1.5	End Of Life	2021-10-15		2022-10-15
r1.4	End Of Life	2021-08-15		2022-08-15
r1.3	End Of Life	2021-07-15		2022-07-15
r1.2	End Of Life	2021-04-15		2022-04-29
r1.1	End Of Life	2020-12-31		2021-09-30
r1.0	End Of Life	2020-09-24		2021-07-30
r0.7	End Of Life	2020-08-31		2021-02-28
r0.6	End Of Life	2020-07-31		2020-12-30
r0.5	End Of Life	2020-06-30		2021-06-30
r0.3	End Of Life	2020-05-31		2020-09-30
r0.2	End Of Life	2020-04-30		2020-08-31
r0.1	End Of Life	2020-03-28		2020-06-30