MindSpore编程指南

整体介绍

• MindSpore总体架构
• MindSpore API概述

设计介绍

• 技术白皮书
• 全场景统一架构
• 函数式可微分编程
• 静态图和动态图
• 分布式训练
• 异构并行训练
• MindSpore IR（MindIR）
• 高性能数据处理引擎
• 可视化调试调优↗
• 安全可信↗
• 术语

快速入门

• 实现简单线性函数拟合↗
• 实现一个图片分类应用↗

基本概念

• DataType
• Tensor
• Parameter
• 算子
• Cell
• Dataset

数据加载和处理

• 快速入门数据加载和处理
• 数据集加载
• 数据处理
• 数据处理高级用法
• 数据迭代

网络构建

• 构建单算子网络和多层网络
• Initializer初始化器
• 网络参数
• 使用流程控制语句
• 参数传递
• 网络内构造常量
• 损失函数
• 求导
• 运算重载
• 优化器
• 构建训练与评估网络

模型运行

• 配置运行信息
• 运行方式
• ms_function动静结合
• 模型保存与加载
• Model接口应用

推理

• 推理模型总览
• 加载Checkpoint在线推理
• 使用离线模型推理

分布式并行

• 分布式并行总览
• 分布式并行高级特性
• 分布式并行使用样例

图编译

• JIT Fallback

PyNative

• PyNative模式应用

Numpy

• MindSpore NumPy函数

功能调试

• 如何查看IR文件
• 使用PyNative模式调试↗
• 使用Dump功能在Graph模式调试
• 自定义调试信息
• 算子增量编译
• 固定随机性以复现脚本运行结果

精度调优

• 精度问题初步定位指南↗
• 精度问题详细定位和调优指南↗

性能优化

• 混合精度
• 算子调优工具
• 自动数据加速
• 数据准备异构加速
• 梯度累积算法
• 使用Profiler调试性能↗
• 自适应梯度求和算法
• 降维训练算法

高级特性

• 二阶优化
• 图算融合加速引擎
• 感知量化训练

应用实践

• 机器视觉
• 自然语言处理
• 高性能计算
• 在云上使用MindSpore