FAQ
Ascend GPU CPU 环境准备 模型导出 模型训练 初级 中级 高级
安装类
pip安装
Q：使用pip安装时报错：SSL:CERTIFICATE_VERIFY_FATLED应该怎么办？
A：在pip安装命令后添加参数 --trusted-host=ms-release.obs.cn-north-4.myhuaweicloud.com重试即可。
Q：pip安装MindSpore对Python版本是否有特别要求？
A：MindSpore开发过程中用到了Python3.7+的新特性，因此建议您通过conda工具添加Python3.7.5的开发环境。
Q：使用pip安装时报错ProxyError(Cannot connect to proxy)，应该怎么办？
A：此问题一般是代理配置问题，Ubuntu环境下可通过export http_proxy={your_proxy}设置代理；Windows环境可以在cmd中通过set http_proxy={your_proxy}进行代理设置。
Q：使用pip安装时提示错误，应该怎么办？
A：请执行pip -V查看是否绑定了Python3.7+。如果绑定的版本不对，建议使用python3.7 -m pip install代替pip install命令。
Q：MindSpore网站安装页面找不到MindInsight和MindArmour的whl包，无法安装怎么办？
A：您可以从MindSpore网站下载地址下载whl包，通过pip install命令进行安装。
源码编译安装
Q：源码编译MindSpore过程时间过长，或时常中断该怎么办？
A：MindSpore通过submodule机制引入第三方依赖包，其中protobuf依赖包（v3.8.0）下载速度不稳定，建议您提前进行包缓存。
Q：如何改变第三方依赖库安装路径？
A：第三方依赖库的包默认安装在build/mindspore/.mslib目录下，可以设置环境变量MSLIBS_CACHE_PATH来改变安装目录，比如 export MSLIBS_CACHE_PATH = ~/.mslib。
Q：MindSpore要求的配套软件版本与Ubuntu默认版本不一致怎么办？
A：当前MindSpore只提供版本配套关系，需要您手动进行配套软件的安装升级。（注明：MindSpore要求Python3.7.5和gcc7.3，Ubuntu 16.04默认为Python3.5和gcc5，Ubuntu 18.04默认自带Python3.7.3和gcc7.4）。
Q：当源码编译MindSpore，提示tclsh not found时，应该怎么办？
A：当有此提示时说明要用户安装tclsh；如果仍提示缺少其他软件，同样需要安装其他软件。
环境变量
Q: 一些常用的环境变量设置，在新启动的终端窗口中需要重新设置，容易忘记应该怎么办？
A: 常用的环境变量设置写入到~/.bash_profile 或 ~/.bashrc中，可让环境变量设置在新启动的终端窗口中立即生效。
安装验证
Q:个人电脑CPU环境安装MindSpore后验证代码时报错：the pointer[session] is null，具体代码如下，该如何验证是否安装成功呢？
import numpy as np
from mindspore import Tensor
from mindspore.ops import functional as F
import mindspore.context as context
context.set_context(device_target="Ascend")
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))
A：CPU硬件平台安装MindSpore后测试是否安装成功,只需要执行命令：python -c 'import mindspore'，如果没有显示No module named 'mindspore'等错误即安装成功。问题中的验证代码仅用于验证Ascend平台安装是否成功。
算子支持
Q：官网的LSTM示例在Ascend上跑不通
A：目前LSTM只支持在GPU和CPU上运行，暂不支持硬件环境，您可以点击这里查看算子支持情况。
Q：conv2d设置为(3,10),Tensor[2,2,10,10]，在ModelArts上利用Ascend跑，报错：FM_W+pad_left+pad_right-KW>=strideW，CPU下不报错。
A：这是TBE这个算子的限制，x的width必须大于kernel的width。CPU的这个算子没有这个限制，所以不报错。
网络模型
Q：MindSpore现支持直接读取哪些其他框架的模型？支持哪些格式呢？
A：MindSpore采用protbuf存储训练参数，无法直接读取其他框架的模型。如果想用其他框架训练好的ckpt文件，可以先把参数读取出来，再调用MindSpore的save_checkpoint接口，就可以保存成MindSpore可以读取的ckpt文件格式了。
Q：MindSpore训练的模型如何在Ascend 310 上使用？
A：Ascend 310 支持OM模型，所以先导出ONNX或AIR模型，再转化为Ascend 310 支持的OM模型，具体步骤参考多平台推理
Q：MindSpore如何进行参数（如dropout值）修改？
A：在构造网络的时候可以通过 if self.training: x = dropput(x)，验证的时候，执行前设置network.set_train(mode_false)，就可以不适用dropout，训练时设置为True就可以使用dropout。
Q：从哪里可以查看MindSpore训练及推理的样例代码或者教程？
A：可以访问MindSpore官网教程。
Q：MindSpore支持哪些模型的训练？
A：MindSpore针对典型场景均有模型训练支持，支持情况详见Release note。
Q：MindSpore有哪些现成的推荐类或生成类网络或模型可用？
A：目前正在开发Wide & Deep、DeepFM、NCF等推荐类模型，NLP领域已经支持Bert_NEZHA，正在开发MASS等模型，用户可根据场景需要改造为生成类网络，可以关注MindSpore Model Zoo。
Q：MindSpore模型训练代码能有多简单？
A：除去网络定义，MindSpore提供了Model类的接口，大多数场景只需几行代码就可完成模型训练。
平台系统
Q：Ascend 310 不能安装MindSpore么？
A：Ascend 310只能用作推理，MindSpore支持在Ascend 910训练，训练出的模型转化为.om模型可用于Ascend 310上推理。
Q：安装运行MindSpore时，是否要求平台有GPU、NPU等计算单元？需要什么硬件支持？
A：MindSpore当前支持CPU/GPU/Ascend /NPU。目前笔记本电脑或者有GPU的环境，都可以通过Docker镜像来试用。当前MindSpore Model Zoo中有部分模型已经支持GPU的训练和推理，其他模型也在不断地进行完善。在分布式并行训练方面，MindSpore当前支持GPU多卡训练。你可以通过RoadMap和项目Release note获取最新信息。
Q：针对异构计算单元的支持，MindSpore有什么计划？
A：MindSpore提供了可插拔式的设备管理接口，其他计算单元（比如FPGA）可快速灵活地实现与MindSpore的对接，欢迎您参与社区进行异构计算后端的开发工作。
Q：MindSpore与ModelArts是什么关系，在ModelArts中能使用MindSpore吗？
A：ModelArts是华为公有云线上训练及推理平台，MindSpore是华为深度学习框架，可以查阅MindSpore官网教程，教程中详细展示了用户如何使用ModelArts来做MindSpore的模型训练。
Q：MindSpore是否支持Windows 10？
A：MindSpore CPU版本已经支持在Windows 10系统中安装，具体安装步骤可以查阅MindSpore官网教程。
后端运行
Q：MindSpore的operation算子报错：device target [CPU] is not supported in pynative mode
A：pynative 模式目前只支持Ascend和GPU，暂时还不支持CPU。
Q：使用ExpandDims算子报错：Pynative run op ExpandDims failed。具体代码：
context.set_context(
mode=cintext.GRAPH_MODE,
device_target='ascend')
input_tensor=Tensor(np.array([[2,2],[2,2]]),mindspore.float32)
expand_dims=P.ExpandDims()
output=expand_dims(input_tensor,0)
A：这边的问题是选择了Graph模式却使用了PyNative的写法，所以导致报错，MindSpore支持两种运行模式，在调试或者运行方面做了不同的优化:
PyNative模式：也称动态图模式，将神经网络中的各个算子逐一下发执行，方便用户编写和调试神经网络模型。
Graph模式：也称静态图模式或者图模式，将神经网络模型编译成一整张图，然后下发执行。该模式利用图优化等技术提高运行性能，同时有助于规模部署和跨平台运行。 用户可以参考官网教程选择合适、统一的模式和写法来完成训练。
编程语言拓展
Q：最近出来的taichi编程语言有Python扩展，类似import taichi as ti就能直接用了，MindSpore是否也支持？
A：MindSpore支持Python原生表达，import mindspore相关包即可使用。
Q：MindSpore是否（计划）支持多语言扩展？
A：MindSpore目前支持Python扩展，针对C++、Rust、Julia等语言的支持正在开发中。
特性支持
Q：MindSpore有轻量的端侧推理引擎么？
A：MindSpore有自己的端侧推理引擎，当前版本中已开源了端侧推理的部分功能。预计8月底会有更新，届时MindSpore端侧推理引擎在易用性，性能，算子完备度，以及第三方模型支持方面会更加完善和强大。
Q：MindSpore在语义协同和处理上是如何实现的？是否利用当前学术界流行的FCA理论？
A：MindSpore框架本身并不需要支持FCA。对于语义类模型，用户可以调用第三方的工具在数据预处理阶段做FCA数学分析。MindSpore本身支持Python语言，import FCA相关包即可使用。
Q：当前在云上MindSpore的训练和推理功能是比较完备的，至于边端场景（尤其是终端设备）MindSpore有什么计划？
A：MindSpore是端边云统一的训练和推理框架，支持将云侧训练的模型导出到Ascend AI处理器和终端设备进行推理。当前推理阶段支持的优化包括量化、算子融合、内存复用等。
Q：MindSpore自动并行支持情况如何？
A：自动并行特性对CPU GPU的支持还在完善中。推荐用户在Ascend 910 AI处理器上使用自动并行，可以关注开源社区，申请MindSpore开发者体验环境进行试用。
Q：MindSpore有没有类似基于TensorFlow实现的对象检测算法的模块？
A：TensorFlow的对象检测Pipeline接口属于TensorFlow Model模块。待MindSpore检测类模型完备后，会提供类似的Pipeline接口。
Q：其他框架的脚本或者模型怎么迁移到MindSpore？
A：关于脚本或者模型迁移，可以查询MindSpore官网中关于网络迁移的介绍。
Q：MindSpore是否附带开源电商类数据集？
A：暂时还没有，可以持续关注MindSpore官网。