--- https://www.mindspore.cn/ --- DeepSeek 专区 为您提供最新DeepSeek系列模型在MindSpore框架上适配进度和系统化技术支持 了解更多 昇思MindSpore 通过社区合作，面向全场景构建最佳昇腾匹配、支持多处理器架构的开放AI架构，为算法工程师和数据科学家提供开发友好、运行高效、部署灵活的体验，帮助人工智能软硬件应用生态繁荣发展。 昇思MindSpore开源实习 领取任务 点击了解 #### 昇思2.10版本发布 超节点亲和并行协同图算融合模式升级 #### 知识地图 从入门到精通，玩转MindSpore #### 教程学习 从初学入门到深度开发 #### 昇思社区活动 开源社区交流分享 # 昇思MindSpore，全场景AI框架 分布式训练原生 内置大模型训练所需的多种并行能力，提供简单易用的大模型分布式策略配置接口，帮助开发者快速实现高性能的大模型分布式训练 AI4S融合计算框架 硬件潜能极致发挥 全场景快速部署 ## MindSpore开发者日历 点击按钮，AtomGit 授权后即可创建会议创建会议 ## 热点与动态 更多 了解更多 ## 快速安装 安装命令 安装MindSpore需要访问公网，如果您处于内网环境，请确保网络连接配置正确 点击获取安装指南 ### 访问云平台 云平台帮助用户快速创建和部署模型，管理全周期AI工作流，选择下面的云平台以开始使用昇思MindSpore。 ModelArts启智AI协作平台 ## 开启MindSpore学习之旅 (快速入门)[/tutorials/zh-CN/master/beginner/quick_start.html] (图像分类)[/tutorials/zh-CN/master/cv/resnet50.html] (情感分析)[/tutorials/zh-CN/master/nlp/sentiment_analysis.html] (课程资源)[https://space.bilibili.com/526894060?spm_id_from=333.337.0.0] ## 生态工具与套件 ### 生态资源 提供AI科研的开源项目、案例集合与面向特定任务的SOTA模型及其衍生工具 前往查看所有项目 ## 互动交流与咨询 (AtomGit)[https://atomgit.com/mindspore/mindspore] (论坛求助)[https://discuss.mindspore.cn] (合作反馈)[mailto:contact@public.mindspore.cn] ## 社区成就 ### 加入MindSpore参与贡献吧 查看贡献指南 ## 社区伙伴 注：排名不分先后 --- https://www.mindspore.cn/activities/ --- # 活动中心 了解昇思MindSpore最新活动资讯，支持订阅获取 立即订阅 ## 2026年度活动规划 JAN FEB MAR Apr May JUN Jul Aug Sep Oct Nov Dec 旗舰会议 中国北京 鲲鹏昇腾开发者大会 KADC 2026 中国上海 WAIC世界人工智能大会 2026 TBD AI\_dev: Open Source GenAI & ML Summit Europe 2026 中国上海 华为全联接大会2026 TBD KubeCON + CloudNativeCon China TBD 1024 程序员节 TBD Open Source Summit Europe 2026 中国深圳 GOSIM China 2026 TBD 人工智能框架峰会 TBD 开放原子开源开发者大会 2026 Call for X 开发者活动 Online 昇思六周年技术专题直播 中国北京 MindSpore AKG Meetup 赛事 & 高校 全年 开源实习 湖北工业大学具身机器人AI算法大赛-昇思赛题 3月-11月 CCF开源创新大赛 8月-12月 第六届开源之夏 ## Call for Meetup 活动申请 无论是高校、企业、SIG组、科研院或其他组织，欢迎与昇思MindSpore一起组织开发者活动，共同探讨前沿技术和开源发展趋势，分享创新成果和实践经验！ 01 活动申请 02 活动审核 03 获得赋能支持 04 活动举办 05 活动成果反馈 了解详情 --- https://www.mindspore.cn/activities/en/1388/ --- 活动中心 The Women in Tech Inspiring Change - Women In Tech by MindSpore and Linux Foundation # The Women in Tech Inspiring Change - Women In Tech by MindSpore and Linux Foundation 2022/03/08 # The Women in Tech Inspiring Change - Women In Tech by MindSpore and Linux Foundation As technology turns big ideas into reality, we can't help but wonder what risks are hiding behind the convenience it brings. Today, we're exploring how women in the technology industry are embracing this new world. **Women in Technology** **At 19:00 on the 23rd of March (GMT+8)**, two distinguished female guests will be joining us in the Women In Tech online event hosted by the LF AI & DATA foundation, the MindSpore community, and LF Open Source Software Academy. The guests will share success stories about the application of technology in biodiversity protection and special education. We hope that these stories can inspire more tech talent to help protect our wildlife and support those with special educational needs. Together, we will use the power of technology to make the world a better place. **Cheng Chen, Director of the Nature Watch program at Shan Shui Conservation Center**, uses advanced AI algorithms to solve the challenges in obtaining and applying biodiversity data and providing the technical support needed to protect biodiversity. **Dr. Connie Yuen, Head of the Department of Applied Data Science and Assistant Professor at Hong Kong Shue Yan University (HKSYU)**, uses the power of advanced technology to help students with special needs acquire new knowledge and establish interpersonal relationships. Such technology has helped many students take control of their life plans and develop their careers. Female perspectives are changing the world. Women bring new skills to technology, and make the world a better place. Do what you love, love what you do. Happy International Women's Day! MindSpore website: https://www.mindspore.cn/en MindSpore GitHub Repo: https://github.com/mindspore-ai/mindspore MindSpore Gitee Repo: https://gitee.com/mindspore/mindspore --- https://www.mindspore.cn/activities/en/1389/ --- 活动中心 \[Women In Tech\] Women's Power — Times Higher Education Interview # \[Women In Tech\] Women's Power — Times Higher Education Interview 2022/03/07 # Women In Tech Women's Power — Times Higher Education Interview The Beijing 2022 Winter Olympics bore witness to women's power and charm. Whether it's in sport, technology, home, or at work, there is no limit on what women can achieve. Women are the architects of their own future. MindSpore and Times Higher Education invited four outstanding women to share their career and life experiences. Check out live playback on youtu.be/Hx4WkmDK58s, and hear firsthand from some of the women who are transforming their lives For other information, please subscribe to MindSpore Twitter, LinkedIn, and Reddit. Our Distinguished Speakers --- https://www.mindspore.cn/activities/en/1425/ --- 活动中心 MindSpore OpenMind Project # MindSpore OpenMind Project 2022/04/08 # MindSpore OpenMind Project 1\. Introduction MindSpore is a deep learning framework that aims to achieve easy development, efficient execution, and all-scenario coverage. It provides tensor microprogramming capabilities that support heterogeneous acceleration and supports various hardware platforms, such as cloud, server, edge, and device. Launched by the MindSpore community, MindSpore OpenMind Project is a cooperative project that seeks to bring together R&D teams of universities, scientific research institutes, and enterprises to work together on projects that utilize the operators and network models developed on the hardware platforms supported by MindSpore, to continuously enrich the MindSpore community ecosystem and accelerate the smart development of various industries. 2\. Cooperation Project Overview Operator Development on MindSpore Heterogeneous Platform (Registration in Progress) Issue No.: 20220407 Released Date: 2022/04/07 Project Period: 3 months Language: C++ and Python Required Knowledge: PyTorch, TensorFlow, and basics of machine learning and deep learning For more details about the project's requirements and to view the list of operators, see _MindSpore OpenMind Project Operator List_. 3\. Process 1). Apply for a project. Select an operator that you want to work on from the "Operator List", fill in an application form (enterprise application form or university application form), and email the application form to ascend@huawei.com. Application Form for Enterprises Application Form for Universities 2). Application review. We will evaluate the submitted materials and assess your ability to work on your selected operators. If you want to learn about the progress of your application review, please send an email to ascend@huawei.com. 3). Sign the project development contract. If your application is approved, we will contact you to discuss cooperation details. After we reach an agreement, we will sign a contract with you for project development. 4). Develop the project. During project development, you need to: 1>. Provide a plan for project iterative development and the planned delivery time of each deliverable. 2>. Complete the project design. 3>. Develop code iteratively based on the design. We will provide you with technical help in each phase of the project development. 5). Project acceptance and remuneration. Once you have successfully developed the project, submit all deliverables according to the submission requirements. We will review your deliverables and compensate you for your work once they are accepted. --- https://www.mindspore.cn/activities/en/1459/ --- 活动中心 \[MindSpore Hands-on Tutorial\] Use MindSpore with Ease # \[MindSpore Hands-on Tutorial\] Use MindSpore with Ease 2022/04/14 # MindSpore Hands-on Tutorial Use MindSpore with Ease April 14, 2022 Documents not intuitive? Sample versions outdated? Video tutorials not clear enough to install installation dependencies? Make these problems a thing of the past, with our updates to MindSpore Hands-on Tutorial! Now, the MindSpore Hands-on Tutorial has 47 courses in 11 series, covering the entire process from installation to deployment, making it easier than ever to use MindSpore. Course address: https://www.mindspore.cn/resources/courses/list/en?id=96#title99 **Activity** **Course Introduction** **Links** **Activity Duration** Issue 1: Installing and Experiencing MindSpore Learn how to install MindSpore in different hardware environments, and understand common dependencies, such as GCC, cuDNN, and OpenSSL. Quick experience and cloud platform usage guide are also available. Installing MindSpore Experiencing MindSpore April 14 to April 21, 2022 Issue 2 Coming soon Issue 3 Coming soon Issue 4 Coming soon Issue 5 Coming soon Issue 6 Coming soon Stay tuned for more courses. --- https://www.mindspore.cn/activities/en/1467/ --- 活动中心 MindSpore Technical Forum: Will Foundation Models Lead the Future of AI? # MindSpore Technical Forum: Will Foundation Models Lead the Future of AI? 2022/04/13 # MindSpore Technical Forum: Will Foundation Models Lead the Future of AI? Foundation models are models that have been trained on broad data (generally using self-supervision at scale) and adapt to downstream services. Developed on standard ideas in transfer learning and recent advances in deep learning and computer systems, these models demonstrate quality capabilities that can substantially improve performance for countless downstream applications and processes. Given this potential, an increasing number of AI systems are expected to be built and released on these foundation models. On 9th April, MindSpore and PaperWeekly jointly held the first MindSpore Technical Forum, which saw distinguished guests and esteemed scholars share their insights into the current and future state of AI foundation models. The following is a short review of speeches given at the forum. Mr. Zhou Bin, General Manager of the MindSpore R&D Department, explained how achievements of cutting-edge MindSpore helped in AI development, pointing to examples of the PCL-L, Huawei Cloud NLP, and Zidong Taichu models, Peng Cheng-Shennong bioinformatics platform, and Wuhan.LuojiaNet AI framework. He also expressed his hopes for the future development of MindSpore-based foundation models. Mr. Wang Jinqiao, Professor from the Institute of Automation, Chinese Academy of Sciences (CAS), introduced the key technologies used in the Zidong Taichu model. The model uses encoders to map different vision, text, and speech modes to the unified semantic space, and then learns the semantic association and unified representation of the modes through the multi-head self-attention mechanism. This facilitates and balances model cross-modal understanding and enactive cognition. With this, a multi-layer and self-supervised learning framework is created to process diversified downstream tasks. Mr. Zhang Mi, Research Associate from Wuhan University introduced a machine learning framework for intelligent remote sensing. Mr. Zhang explained how intelligent processing of space information on remote sensing images requires both a large-scale library of remote sensing sample images and a dedicated machine learning framework. For this, Wuhan University released Wuhan.LuojiaSet and Wuhan.LuojiaNet. The former is the world's largest remote sensing dataset that contains more than 5 million samples; the latter is the world's first AI framework dedicated to remote sensing images and supports flexible creation of scale channels, adaptive selection of data channels, and multi-level joint optimization. Mr. Chen Jie, Associate Professor from Peking University, introduced the Peng Cheng-Shennong bioinformatics platform and shared his research on data-intensive precision computing in life sciences. The platform is designed to use powerful AI for biomedical exploration based on large-scale computing clusters of Peng Cheng Cloud Brain II and pre-trained NLP foundation models. Typically, clinical research and experiment into new drugs takes six to nine years, but using new AI algorithms to mine data, the platform can provide accurate results in a much shorter time, easily accelerating R&D and facilitating cutting-edge research in precision medicine. Mr. Peng Zhiliang, Doctor at CAS, presented the Conformer model. In convolution neural networks (CNNs), it is easy for the convolution operator to extract local features but hard to capture global features. Likewise, Vision Transformer (ViT) uses the self-attention module to capture long-distance feature dependencies but in doing so, damages local features. To this regard, Conformer combines convolution calculation with self-attention mechanism, providing superb generalization capabilities on downstream tasks. Mr. Su Teng, an expert in distributed and parallel computing from Huawei, introduced best practices for MindSpore-based foundation models built for the AI industry. MindSpore is a leading AI framework that excels in parallel dimensions, model partition, and model parameter quantity. Models trained on MindSpore use an AI complier to implement multi-dimensional hybrid parallelism and support hybrid parallel algorithms from seven-dimensions, such as data parallelism and data slicing preprocessing. These models slash the amount of concurrent code needed for development by 80%, and time needed for system tuning by 60%, allowing hundreds of billions of model parameters to be trained on a single server. The Zidong Taichu model and the Wuhan.LuojiaNet framework both run on MindSpore, and this project's achievements show the potential for AI foundation models to fuel the development of the AI industry. Foundation models are an important and emerging trend. Despite recent best practices, these models still face great challenges, such as system emergent behavior and homogenization. We hope to hear from leading voices on foundation models for future cooperation. To learn more, visit MindSpore official website, Gitee and GitHub. --- https://www.mindspore.cn/activities/en/1468/ --- 活动中心 MindSpore Developer Sets up a Real-time Virus Outbreak Tracker Website for Shanghai # MindSpore Developer Sets up a Real-time Virus Outbreak Tracker Website for Shanghai 2022/04/07 # MindSpore Developer Sets up a Real-time Virus Outbreak Tracker Website for Shanghai The MindSpore community has, in the spirit of openness, been pooling the power of developers to improve convenience for everyday people. As crowds of volunteers from different regions rushing to help Shanghai during this outbreak has attracted wide media attention, the MindSpore community has also responded to the needs of Shanghai. Meng Fanrong, a developer of the MindSpore community, has developed a tool to help people track real-time information about the virus outbreak in Shanghai, and released the code as open source so that other developers can work together to build the tool. The Shanghai Epidemic Situation Tracker project https://www.mindspore.cn/shanghai-covid/ Participate in the development at https://github.com/kevin-meng/2022shanghai-covid. **The developer** Regarding the motivation for starting this project, Meng said: "At first, I had to quarantine at home due to the Omicron breakout in Shanghai. I had a hard time finding information about the virus outbreak in my neighborhood and across the city. I discovered that there was no app to do this. After seeing many volunteers fight the Omicron outbreak on the front line, I decided to try my best to help everyone in this city. With my experience in location-based services, I developed an initial version of this application. Later, I added information about food and medicine, hoping to make it easier for people to buy food and medicine. I believe that we can overcome the pandemic together and return to normality very quickly." **Agile Infrastructure** Since it was established, the MindSpore community has strived to keep community infrastructure open source. The quick deployment of the Omicron outbreak tracker website is also down to the efforts of our community infrastructure team. Unlike many enterprise-driven open source projects, the MindSpore community is dedicated solely to building open and stable infrastructure. We use mainstream cloud-native open source projects such as Kubernetes to build an open pipeline (https://build.mindspore.cn), which allows for quick deployment of Streamlit applications in a multi-node cluster running on openEuler. Furthermore, real-time synchronization and automatic build triggering provide the real-time information update feature. With the first application based on open source infrastructure being used in China's fight against the Omicron outbreak, the MindSpore community infrastructure team will continue to support the people of Shanghai. **MindSpore website**: https://www.mindspore.cn/en **MindSpore Repositories** Gitee: https://gitee.com/mindspore/mindspore GitHub: https://github.com/mindspore-ai/mindspore --- https://www.mindspore.cn/activities/en/1528/ --- 活动中心 MindSpore TechDay Is Coming # MindSpore TechDay Is Coming 2022/06/10 # MindSpore TechDay Is Coming Do you want to be free? Of course. Here in the open source community, we do too. Freedom. Sharing. Collaboration. This is what we want to share with you. Starting this June, we will have a monthly live show about open source, AI, and MindSpore, our revolutionary AI framework for device, edge, and cloud scenarios which helps you make flexible and efficient AI software and hardware. So let’s dive in! The history of AI, challenges and successes, technologies and toolkits, and the future. We’ll cover them all. Join us to learn how to make a better world. And then maybe join our MindSpore community, with contributors from all over the world! We cordially invite you to MindSpore TechDay, share your ideas, widen your skill-set, and meet like-minded people to build a vibrant open source community. Our debut will be on June 28, and we’ll talk about the growth and evolution of AI. Looking forward to meeting you on YouTube. Follow MindSpore on YouTube to set up a stream reminder. Stay tuned for more exciting TechDay topics. MindSpore Community YouTube Channel: https://www.youtube.com/channel/UCi3KYeeRo3m-zTF7tHM-8Rg Twitter: https://twitter.com/MindSporeOSS LinkedIn: https://www.linkedin.com/company/80968760/admin/ Reddit: https://new.reddit.com/r/MindSporeOSS/ --- https://www.mindspore.cn/activities/summits/ --- 活动中心 旗舰峰会 ## 旗舰峰会 状态 排序 --- https://www.mindspore.cn/activities/zh/"https:/gitee.com/mindspore/ide-plugin"/ --- 返回首页 --- https://www.mindspore.cn/activities/zh/"https:/gitee.com/mindspore/mindformers"/ --- 返回首页 --- https://www.mindspore.cn/activities/zh/"https:/gitee.com/mindspore/mindspore/issues"/ --- 返回首页 --- https://www.mindspore.cn/activities/zh/"https:/github.com/mindspore-lab/mindrlhf"/ --- 返回首页 --- https://www.mindspore.cn/activities/zh/"https:/mindspore.cn/lite/docs/zh-CN/r2.0/quick_start/one_hour_introduction_cloud.html"/ --- 返回首页 --- https://www.mindspore.cn/activities/zh/"https:/www.hiascend.com/forum/forum-0106101385921175002-1.html"/ --- 返回首页 --- https://www.mindspore.cn/activities/zh/"https:/www.mindspore.cn/tutorials/zh-CN/r2.0/advanced/dataset/python_objects.html"/ --- 返回首页 --- https://www.mindspore.cn/activities/zh/1067/ --- 活动中心 大赛报名 | 第四届·2022量子计算黑客松全国大赛正式开启，快来报名参赛吧！ # 大赛报名 | 第四届·2022量子计算黑客松全国大赛正式开启，快来报名参赛吧！ 2022/03/11 # 大赛报名 | 第四届·2022量子计算黑客松全国大赛正式开启，快来报名参赛吧！ **1** **大赛简介** 第四届·2022量子计算黑客松全国大赛由HiQ量子计算软件团队、上海大学、电子科技大学、南方科技大学、昇思MindSpore社区和华为云ModelArts平台联合举办。 大赛邀请量子计算的兴趣爱好者，基于HiQ量子计算云平台、开源AI框架MindSpore面向量子计算MindSpore Quantum，来完成黑客松赛题，并将赛题实现算法开放共享到ModelArts AI Gallery，推进量子计算基础与应用研究，实现技术创新。**丰厚奖品等你来拿，快来报名参赛吧！** 【参赛对象】 对量子计算感兴趣，具备基本Python编程能力的**所有开发者**，均可报名参加。**选手可自行组队，每队1~3人**。 **2** **你将获得** 1\. 全方位深入学习最火热的**开源AI框架MindSpore支持的量子计算MindSpore Quantum知识体系** 2\. 体验**全新的HiQ量子计算云平台**，无需下载任何软件，操作简单便捷 3\. 黑客松决赛大奖、鼓励奖、参与奖、推广奖等**多重奖项可叠加** 快来报名参加比赛吧~ **3** **大赛海报** 参赛选手交流群 （仅作为选手之间讨论和交流） 请扫描下方小助手二维码，回复“**量子黑客松**”进入交流群。大赛重要节点通知会在群内第一时间告知，请所有报名选手务必加群。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore --- https://www.mindspore.cn/activities/zh/1068/ --- 活动中心 获奖名单 | 第一届量子计算论文复现大赛获奖名单正式公布，一份耕耘一份收获！ # 获奖名单 | 第一届量子计算论文复现大赛获奖名单正式公布，一份耕耘一份收获！ 2022/03/12 # 获奖名单 | 第一届量子计算论文复现大赛获奖名单正式公布，一份耕耘一份收获！ **量子计算论文复现大赛** 没有横空出世的幸运，只有不为人知的努力，在征服与挑战中，各位开发者在**第一届量子计算论文复现大赛**中都收获了属于自己的那一份荣誉与认同。 **本届量子计算论文复现大赛自2021年12月14日开启，于2022年2月28日圆满落幕**，论文复现大赛赛事部分已经划上句点，但MindSpore Quantum的故事还在继续。 吸引了这么多优秀的开发者加入MindSpore Quantum开源社区建设并做出贡献是本届赛事收获的最大惊喜，开发者们个个身怀绝技，每每交流都能迸发出创新的火花。回想大赛结束的那几天，大赛组委会收到这么多高质量作品，顿觉非常欣慰。 第一届量子计算论文复现大赛是**MindSpore社区联合HiQ量子计算软件团队和ModelArts平台，面向全社会举办的量子计算领域开发者大赛。** 本次大赛邀请量子计算领域专家和学者参与，**基于开源AI框架MindSpore面向量子计算的MindSpore Quantum和AI开发平台ModelArts，复现论文算法**。旨在推进量子计算基础与应用研究，实现技术创新。 第一届量子计算论文复现大赛不同于其他量子计算的比赛，此次是以**个人复现论文算法**的形式全新而来，让开发者更加深入的了解MindSpore Quantum开源社区，体验最真实的MindSpore Quantum算法实现能力、ISSUE提交、性能优化、技术文章分享等。 **我们希望开发者们在复现大赛中获得更多技术提升，结识一群志同道合的伙伴，提升自己专业能力的同时也为开源社区贡献更多力量。** **最激动的时刻来啦！** **恭喜各位获奖的开发者！** 本次大赛短短两个半月的时间，大家与MindSpore Quantum共同成长。还记得除夕夜在医院带病的你坚持完成论文复现，深夜发图到微信交流群激励了很多选手，感谢所有术业专攻、乐于奉献的开发者们，因为你们MindSpore Quantum家族又壮大了。 历时**两个半月**，**20篇论文\*\*\*\*复现选手**拿到\*\*【论文复现成功奖】**，**17位英雄**脱颖而出。在此还要恭喜提供**14篇自选论文**的**11位选手\*\*。其中有些选手非常给力，一人贡献多篇论文并复现成功，咱们的大奖是可叠加的，毫不夸张的说真是拿奖拿到手软，最重要的是学术和专业领域也收获非常大！小编也期待看到优秀的参赛选手在**华为云AI论文精读会**上有更精彩的表现哟！ **获奖海报** **期待您成为新时代的开源社区贡献者，加入MindSpore Quantum的开发者行列，共同携手推进量子计算的发展！** **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore --- https://www.mindspore.cn/activities/zh/1069/ --- 活动中心 参与中文API检视，做MindSpore贡献者 # 参与中文API检视，做MindSpore贡献者 2022/03/14 # 参与中文API检视，做MindSpore贡献者 ### **API中文上线啦！需要你的检视！** ### **快提交Issue或PR，加入MindSpore贡献~** ### **奖品预览** 1.自选奖(30位) **200元京东自营商品额度！** 2.激励奖（60位） 电动抽水机、毛球修剪器、厨房精确电子秤、打发器。 ### **活动时间** **3月1日——3月31日** ### **活动方式** 1. 每周发布待检接口和当前排名信息，用户自行选择检视**中文文档**，对照英文版（检视要点请从下方附件下载）。 2. 用户发现问题后，去MindSpore/mindspore仓提交Issue，并提交PR解决。Issue标题规范：【\*问题接口名称\*】【检视活动】简单描述 3. 用户每周汇总一次个人Issue和PR的链接，在论坛“活动体验”版块发帖。 4. Issue和PR数总计前30名用户获自选奖。 5. Issue和PR各前30名获得激励奖。 6. 自选奖与激励奖不可兼得。 **不知道如何提交issue或PR？看这里！** \*\*\*gitee上提交PR和issue的流程和注意事项\*\*\* **注意**，提交PR后还要时时关注PR下方的评论意见，确保优先合入哦！ 本次PR负责人：无需指定，请按照issue标题规范提交即可。 ### **注意事项** 1. 请勿刷帖，刷帖一律删帖并做无效参与处理。 2. Issue和PR需经确认合格后方可计入总数。 3. 请勿盗取他人截图或内容，一经发现做无效参与处理。 4. 同一问题按issue提交时间确认优先级。 \*最终解释权归MindSpore团队所有。 检视参考 --- https://www.mindspore.cn/activities/zh/1072/ --- 活动中心 有奖征集 | MindSpore时光机——你的第一行代码和成长故事，我来记录！ # 有奖征集 | MindSpore时光机——你的第一行代码和成长故事，我来记录！ 2022/03/15 # 有奖征集 | MindSpore时光机——你的第一行代码和成长故事，我来记录！ **MindSpore两周年** 盎然的春风吹走了寒冬的孤寂，一场振奋人心的冰雪赛事让人们感受到了冰雪运动的魅力，充满着速度与激情的奥运健儿是这个新春最靓丽的风景线，2022年的开端不止有冬奥，昇思MindSpore也迎来了一年一度的周年庆典！ 伴随着无人驾驶，智能机器人，智慧金融等新兴AI产业蓬勃发展，科幻电影中的人机交互不再神秘，人工智能也不再是冷冰冰的概念，人工智能框架已然成为码农们必不可少的基础工具。 作为新一代AI开源计算框架，昇思MindSpore已开源两年，目前已有4000+名核心开发者在昇思MindSpore社区做出贡献，其中300+名成功认证成为优秀开发者/布道师，并成为国内热度第一的AI开源社区。 这份成功属于每一位开发者，相信你们也有与MindSpore的独家记忆，今天我们正式邀请所有的小孢子们来参加《MindSpore两周年生日趴》，为你储存与MindSpore的浪漫回忆。 从初识MindSpore开始，在社区提出的每个PR，都是你与MindSpore的独家记忆，在这些回忆中，有刚接触A I领域一无所知的迷茫，有无人指导让你头痛的人工智能算法，也有代码合并成功后的喜悦，相信这些时刻都会让你一直铭记。 **“我与MindSpore共成长”征集活动** 今天社区向所有MindSpore开发者们发出“**我与MindSpore共成长**”**征集活动**，请所有可爱的小孢子们 **前往MindSpore ISSUE区**，**将你与MindSpore的故事发送到评论区中** ，所有参与征集活动的开发者都将获得随机礼品一份，\*\*中奖率为100%\*\*哦！ **活动时间** 2022年**3月15日**12：00——2022年**3月18日**12：00 **活动内容** **1** 请小孢子们写出 **在MindSpore社区贡献的第一行代码** **2** 请小孢子们写出 **与MindSpore的故事** （如：什么机会/情况下认识MindSpore，在MindSpore社区得到什么成长等） 以上二者选择其一即可！ **提交方式** 扫码下方二维码，统一评论到MindSpore ISSUE区 **活动奖品** 评论完成后，请扫码加入下方群组（用于收集奖品邮寄信息）奖品丰厚，惊喜多多，随机赠送**索尼蓝牙耳机、多功能蓝牙音箱、多功能电脑增高架、以及MindSpore官方定制盲盒，官方定制卫衣**等，就是偏爱小孢子们，\*\*中奖率为100%\*\*哦！ **奖品领取** 活动奖品领取微信群 若无法入群， 请添加MindSpore官方小助手 相信在点滴浪漫回忆中，你与MindSpore的初识、初知、到现在依然携手在人工智能领域，无论对你还是MindSpore来说，都是记忆中最为闪闪发光的一部分。 **MindSpore两周年生日趴正在进行时** **敬请期待！** **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore --- https://www.mindspore.cn/activities/zh/1081/ --- 活动中心 MindSpore v1.6体验，分享干货赢好礼~ # MindSpore v1.6体验，分享干货赢好礼~ 2022/03/18 # MindSpore v1.6体验，分享干货赢好礼~ 全新的昇思MindSpore全场景AI框架1.6版本已发布！ 此版本中昇思MindSpore全场景AI框架易用性不断改进，提升了开发效率，控制流性能提升并支持副作用训练。 与此同时，昇思MindSpore全场景AI框架发布高效易用的图学习框架昇思MindSpore Graph Learning，高性能可扩展的强化学习计算框架昇思MindSpore Reinforcement，提供支持第三方框架模型迁移工具，让用户即时体验的开发套件昇思MindSpore Dev ToolKit，同时升级自定义算子能力支持高效添加算子，丰富MindQuantum量子模块支持可快速上手，持续提升框架的训练与推理性能。 **版本简介**：昇思MindSpore全场景AI框架 1.6版本，更高的开发效率，更好地服务开发者 (特性点这里) ### 奖品预览 开瓶器，厨房纸(\*1 箱)，计量米桶，羽毛球拍 ### 活动时间 **3月14日——3月27日** ### 活动方式 本次活动干货分享范围为： 1.6版本新特性相关的干货分享，不包括教程实践和安装体验。 将分享内容发布到MindSpore论坛的“活动体验”分类，并在评论区留下联系邮箱即可~ ### 注意事项 1. 请勿刷帖，刷帖一律删帖并做无效参与处理。 2. 必须保证原创，抄袭按无效参与处理。 3. 请勿盗取他人截图或内容，一经发现做无效参与处理。 4. 版本相关分享必须与新特性相关，否则算作无效参与。 5. 最终解释权归MindSpore团队所有。 --- https://www.mindspore.cn/activities/zh/1082/ --- 活动中心 这届小孢子能处，感动的话您是一句接一句！ # 这届小孢子能处，感动的话您是一句接一句！ 2022/03/18 # 这届小孢子能处，感动的话您是一句接一句！ 我以为看到的一定是它它它 结果看到的却是它它它 由昇思MindSpore开源社区发起的 “**我与MindSpore共成长**” 两周年庆典征集活动 截止目前已有**147位**小孢子留下了他们的成长故事 （备好纸巾，怕你一不小心哭出声!） 小编深夜暴风哭泣 **小孢子们是真能处** **感动的话您是一句接一句** 赶紧连夜保存小孢子们的成长故事 希望2022年你们可以在MindSpore社区 **学习更多、收获更多** 与昇思MindSpore社区 **继续携手前进、共同成长** 其实小编还没看完全部故事哦 别问为什么 问（未）就（完）是（待）怕（续）感（！ ）动 **更多有爱故事请戳链接查看** https://gitee.com/mindspore/community/issues/I4XSL4?from=project-issue 小编也没别的优点，同样是人好能处 感动之余连夜就想把 \*\*\*\*两**周年庆典的预告** 告诉你们 这就来喽！！！ **狂欢高能预警** **3月26日-28日，连续3天！** 活动不断、大咖不断、惊喜礼品不断 小孢子们瞧好了！！！ 更多周年庆资讯与福利，请扫码进群 若无法进群 请添加MindSpore官方小助手 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1083/ --- 活动中心 TechDay邀请函——致正在寻求成长突破的你 # TechDay邀请函——致正在寻求成长突破的你 2022/03/21 # TechDay邀请函——致正在寻求成长突破的你 **#** **3月26日—27日 #** **MindSpore TechDay** 当我们谈论开源时，第一时间总是会联想到前沿、贡献、代码这样的名词，却很少将其与成长、学习之类的词关联起来。 然而，一个优质的开源社区，除了要关注技术层面的提升，还应重视开发者在社区中的成长。MindSpore在致力于版本迭代、特性优化之余，也着力凝聚开发者力量共建社区、共同进步和成长。 于社会，昇思MindSpore开发者在河南水灾时积极响应社区号召，作为社区河南地区接口人，调配社区聚集的物资，支援河南水灾，为灾情贡献了一份力量。 于社区，昇思MindSpore社区搭建完善的社区体系，由组织者、开发者、布道师等多个角色，让每个人都可以选择最适合的切入点，参与到社区。2021年307位社区开发者认证了自己的角色，拥有了一个崭新的“铭牌”。 于个人，昇思MindSpore开发者通过在社区组织的线下沙龙与线上集训课程，与志同道合的开发者一同学习，成为某厂明星员工。 在飞速前进的时代步履下，昇思MindSpore社区响应国家AI人才培养的号召，一直致力于打造学习成长型社区，为每一位开发者打造从0到1的成长平台。 这是一件正确且需要长期坚持的事，正因如此，我们期待更多的人加入社区，一同在这里见证每位开发者的成长。 **MindSpore TechDay** **3月26日—27日，由昇思MindSpore社区举办的TechDay盛大开启。** MindSpore1.6版本发布、开源社区开发者成长故事与成长指南、大咖经验分享与职场指南、0基础入门AI……超多干货尽在MindSpore TechDay，全程直播，与你一同见证！ 还有更有周年庆周边福利享不停， 赶紧报名参加吧~ **活动时间** 3月26日27日 10：0018：00 **活动方式** B站直播【MindSpore官方】 **报名方式** 扫描下方二维码进群 全程免费 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1086/ --- 活动中心 Women In Tech直播活动倒计时2天！快来报名吧！ # Women In Tech直播活动倒计时2天！快来报名吧！ 2022/03/21 # Women In Tech直播活动倒计时2天！快来报名吧！ 随着时间的推移 很多科幻小说里的设想已经成为了现实 当我们的生活被高科技环绕 是更加方便快捷还是充满隐患？ 身处科技行业的女性 是怎么样拥抱这一个前所未有的世界呢？ **科技时代下女性的选择** **3月23日19：00**，由**LF AI&DATA基金会**主办，**昇思MindSpore开源社区**和**LF开源软件学园**协办的Women In Tech活动，为大家邀请了两位重量级女性嘉宾，分享当前科技对生物多样性，与特殊学习需要的学生保护的成功案例，希望更多的科技女性、科技人才加入保护特殊动物与人群的行列中来，用科技的力量改变世界。 **山水自然保护中心自然观察项目主任** **程琛**，利用先进的AI算法有效解决当前生物多样性数据在获取和应用上的难点，对未来保护生物多样性提供了至关重要的科技助力。 **香港树仁大学应用学科系系主任兼助理教授** **袁文贞**，结合科技的力量，为有特殊学习需要的学生提供知识吸收与正常人际关系建立等帮助，为学生们未来人生规划与事业发展提供了巨大助力。 她们正在用“女性视觉”改变世界 用感性带来了有温度的科技 让世界更美好！ **2022年3月23日19：00-20：30** 与你共同分享这份温暖！ **扫描下方二维码即可报名** （备注：WIT） **MindSpore官方资料** **MindSpore官网**：https://www.mindspore.cn/ **MindSpore论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html **GitHub** : https://github.com/mindspore-ai/mindspore **Gitee** : https : //gitee.com/mindspore/mindspore **官方QQ群** : 486831414 --- https://www.mindspore.cn/activities/zh/1088/ --- 活动中心 稚晖君与昇思MindSpore一起过TechDay生日趴! # 稚晖君与昇思MindSpore一起过TechDay生日趴! 2022/03/22 # 稚晖君与昇思MindSpore一起过TechDay生日趴! **你对时间敏感吗？** **昇思MindSpore的两年意味着什么呢？** 孕育，地球孕育出生命，科学孕育出真理，千百万个巧合，绝非偶然…… 出生，新的生命诞生，是颠覆性的创新和向外传播，在生命必经的路上相遇…… 成长，我们终其一生，找到真正的自己，在征程中渐渐强大…… **2020.3.28** 华为新一代全场景深度学习框架正式开源，昇思MindSpore横空出世！ **2021.3.28** 昇思MindSpore1岁了，你我因开源相遇…… 这一年，MindSpore从0.1到1.1版本发布，特性升级，下载使用用户遍布全球； 这一年，MindSpore两日集训营、实战营开课，MindSpore资深工程师为大家直播授课，帮助大家夯实基础，汇总讲解新版本特性，循序渐进的讲解模型训练； 这一年，为了让MindSpore更好的发展，让开发者真正拥抱开源，成为开源组织的一员，MindSpore Study Group 正式成立！MindSpore多元成长的布道体系正式发布！ 这一年，MindCon极客周，**12**个城市接力启动！『MSG: Women In Tech』 报名开启！ 周岁狂欢之际，世界各地开源开发者、企业伙伴、业界专家在百忙之中抽出时间给MindSpore社区送祝福，一起记录下这段努力奋斗的开源时光。 **2022.3.28** 昇思MindSpore即将迎来2岁生日，从陌生到熟悉，MindSpore正在变得更加强大…… 这一年，昇思MindSpore在关键技术不断突破，发布四大模型，两大AI+科学计算套件，不断突破AI＋科学计算融合，打造科学计算新范式，加速中国AI应用生态。 这一年，MindSpore总下载量超**100万**，较去年增长**10倍；**发布**4** 个新版本，模型超**300**个，打造支撑全场景应用的AI框架，通过技术创新，引领AI框架技术演进方向。 这一年，MindSpore高阶API套件TinyMS正式开源！它提供了一键式可视化推理工具，封装了模型构建等大部分技术细节，用户仅需几个简单的步骤即可实现OpenCV静态图片检测和动态摄像头视频检测，低门槛！易操作！ 这一年，MindSpore收获了**1.6w+**颗星，位居**1000万**个码云开源项目排名第一的项目，成为国内热度第一的AI开源社区。 作为新一代AI开源计算框架，昇思MindSpore服务企业超过**5000**家，\*\*160+\*\*家企业加入社区成为合作伙伴；\*\*4000+\*\*名核心开发者在昇思MindSpore社区做出贡献， \*\*300+\*\*名成功认证成为优秀开发者/布道师。 MindSpore开源两周年，全球AI人才陪MindSpore一起成长，小孢子们的成长故事，更是感动满满…… **小孢子们的肺腑之言**： https://mp.weixin.qq.com/s/Y-rHBm-rKdCh4QJyDeP4yQ 狂欢高能预警！ 昇思MindSpore TechDay2岁生日趴！ **2022年3月28日 19:30** MindSpore与你共同许愿未来 MindSpore开源社区将陆续为小孢子们带来最新实用特性与一系列周年庆活动~ **3月26日-28日，连续3天！** B站直播，敬请期待！ （B站：MindSpore官方） （生日趴狂欢群） （MindSpore小助手微信） MindSpore努力为开发者们打造一个多姿多彩的社区！ 在这里，可以学习交流硬核的技术，可以自由舒适探索你无限的潜能！ 期待第三年里，小孢子们能与昇思MindSpore社区继续携手前进、共同成长！ **更多TechDay活动预告详见下图** **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1090/ --- 活动中心 《机器学习系统：设计与实现》邀您检视 # 《机器学习系统：设计与实现》邀您检视 2022/03/23 # 《机器学习系统：设计与实现》邀您检视 # **1 书籍简介** 当前，机器学习在网络上非常多高质量的图书、视频教程等，大家很方便的就能学习。但是，当我们更进一步，想要探究这些模型、算法背后的框架时，发现相关的系统性讲解的书籍、教程几乎没有。从发展趋势看，AI行业到了一个新的阶段，比如现在都在讲的AI工程化，了解底层系统框架对算法/系统工程师未来的发展大有帮助。于是，我们便萌生了一个想法，能够写作一本系统讲解机器学习系统的书——**《机器学习系统：设计与实现》**，填补这个领域的空白。想通过这本书来帮助想要从事或者已经从事机器学习系统开发相关工作的人，快速了解机器学习系统全貌，对涉及的各个技术方向进行讲解，能够指导系统设计以及开发工作。 为了能够写好《机器学习系统：设计与实现》这本书，让内容系统全面同时能与当前技术趋势紧密结合，我们组建了专业的写作队伍，包括学术界、工业界的老师和专家，以及一线的开发者。**书籍由麦络老师（爱丁堡大学）、董豪老师（北京大学、鹏程实验室）、金雪锋（MindSpore首席架构师）、干志良（MindSpore架构师）主导，联合MindSpore开发团队，赖铖、韩佳容（鹏程实验室），袁秀龙（清华大学），丁子涵（普林斯顿大学）以及符尧（爱丁堡大学）共同编写。** ****书籍地址：https://openmlsys.github.io/**** **在这本书中，我们将其分为3个部分，基础篇、进阶篇和拓展篇。** - **第一部分基础篇介绍了机器学习系统的基础，首先介绍机器学习系统提供给用户的编程接口，以及典型机器学习系统中的计算图构建、生成和调度的过程和主要技术。** - **第二部分进阶篇，将站在系统设计的角度，思考在设计现代机器学习系统中需要考虑的问题和解决方案，包括编译器前端、编译器后端和运行时、硬件加速器、数据处理框架、模型部署等内容。** - **在拓展部分，会从后续发展的维度介绍联邦学习、强化学习、可解释AI等方面进行讲解。** **写作整理过程中，我们经过多轮多次的讨论和修订，尽最大的努力从整体结构、内容表达上做到完善。书籍的写作，大家花费了非常多的时间和精力，差不多花费了1年左右的时间才成稿。在成稿之际，本着开源社区分享参与的精神，我们把这本书免费开源！** ******GitHub仓库：https://github.com/openmlsys/openmlsys-zh****** # ******2 活动说明****** ****我们希望广大的开发者能够参与进来，对书籍的内容进行检视、修改，提出修改意见、添加内容等，在书籍不断完善演进的过程中共同成长。当然，**对应贡献者，我们也会提供精神奖励以及物质奖励**：对于突出贡献者，我们会将其GitHub账号放在书籍主页的贡献者列表，也会提供京东购物券作为物质激励，详情如下。**** ********活动时间**：2022.3.18—2022.4.8****** ********活动方式**：开发者发现书籍内容问题****** ****1、提交Issue（所有问题汇总至同一条Issue）至**GitHub仓**\*\*\*\* ****2、Issue中的问题需要体现如下信息：**** ****（1）章节/位置 （2）问题描述 （3）建议**** ****3、为了方便领奖，建议在Issue中填写个人邮箱**** ********检视积分累计方式******** ********奖励说明******** ****1、Issue中合格问题积分总数，前20名获自选奖（**京东自营200元**）。**** ****2、活动结束后会公布获奖名单，并通过**1261354409@qq.com**与获奖者联系发奖。**** ****3、最终解释权归openmlsys开源社区团队所有。**** --- https://www.mindspore.cn/activities/zh/1380/ --- 活动中心 MindSpore TechDay倒计时3天！周年第一弹热点大放送！ # MindSpore TechDay倒计时3天！周年第一弹热点大放送！ 2022/03/23 # MindSpore TechDay倒计时3天！周年第一弹热点大放送！ **3月26日~27日** **TechDay成长回顾&干货篇** **3月28日** **吐槽大会&生日趴篇** **B站【MindSpore官方】** **全程直播！** 昇思MindSpore从1周年到2周年的成长“大事记” 昨天咱们一起回顾了一波 今天咱再来强势地送上第二波 （点击观看视频） **TechDay热点** 昇思MindSpore的成长好比一个升级游戏， 从主城出发，一路刷bug攒经验， 每开一次宝箱获取更高阶的装备， 都离不开小孢子们的贡（爆）献（肝）， 而1.6版本无疑是本次探索的惊喜收获之一。 1.6版本中昇思MindSpore全场景AI框架发布了高效易用的**图学习框架昇思MindSpore Graph Learning**，高性能可扩展的**强化学习计算框架昇思MindSpore Reinforcement**，提供**支持第三方框架模型迁移工具**，让用户即时体验的**开发套件昇思MindSpore Dev ToolKit**，同时**升级自定义算子能力支持高效添加算子**，**丰富MindQuantum量子模块支持可快速上手**，持续提升框架的训练与推理性能。 在27日的TechDay直播中，研发总经理周斌将携多位研发工程师，详解昇思MindSpore1.6新版本在易用性、开发效率、控制流性能等方面带来的突破。 **周斌** **昇思MindSpore研发总经理** **MindSpore1.6版本发布** 昇思MindSpore新版本和未来前景介绍 **MindSpore Quantum团队** **MindSpore Quantum量子计算简 介与实践** 带大家了解量子计算的基础知识，并手把手完成量子计算在组合优化MaxCut问题上的求解。 **Luolan** **MindSpore Graph Learning** 详解MindSpore Graph Learning的研发出发点、特性、怎样进行图神经网络开发以及未来的演进方向。 **Yongxiong** **模型权重迁移工具使用介绍** 介绍模型权重迁移工具的实现原理与基于迁移工具演示跨框架模型转换。 **David** **MindSpore Lite全场景智能应用** 围绕“MindSpore Lite使能全场景智能应用，为用户提供端到端的解决方案，帮助用户使能AI能力”、1.6新特性以及后量化工具等方面进行讲解。 **矢量** **MindSpore强化学习简介** 介绍将以Reinforcement为基础，用一个经典的DQN算法解决平衡车的游戏，通过简短的代码和高效的架构，带给用户在强化学习领域的全新体验。 更多新版本介绍 **极简易用的昇思MindSpore** 我们还设置了“**极简易用**”的专属成就， 无论你目前处在什么阶段， 只要开启昇思MindSpore的探索之旅， 就能轻易解锁该成就哦！ **成长式学习教程** 针对不同阶段开发者提供极简开发课程体系； **极简安装** 提供MindSpore DevKit工具箱，可以简化用户环境配置和安装流程，方便用户快速上手MindSpore； **开发可视化** 开发阶段，全流程可视化，及时查看代码对应的图结构、定位集群训练性能问题，更便捷直观； **丰富模型库** 提供300+高性能模型，支撑行业极简开发。 想获取更详细信息的新老孢子们，可以关注**本月26日~28日**的MindSpore TechDay周年直播，除了**干货资料**，还有**丰厚的福利**不定期掉落呀~ 扫码关注 保存以下海报，流程安排尽在掌握~ **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1381/ --- 活动中心 昇思众智计划 # 昇思众智计划 2022/05/09 # 昇思众智计划 **一、 昇思众智计划简介** 昇思MindSpore是一个全场景深度学习框架，旨在实现易开发、高效执行、全场景覆盖三大目标，提供支持异构加速的张量可微编程能力，支持云、服务器、边和端多种硬件平台。 昇思众智计划是昇思推出的一项生态合作计划，旨在汇聚高校、科研院所、企业等组织和机构的开发团队，通过项目合作方式，基于昇思支持的各硬件平台开发算子、网络模型等，不断丰富昇思社区生态，为加速千行百业智能化升级贡献智慧与力量。 **二、 合作项目列表** MindSpore异构平台算子开发\*\*（报名进行中）\*\* 众智期号：20220509期 发布时间：2022/05/09 项目周期：3个月 语言要求：C++、Python 专业知识：Pytorch/TensorFlow AI框架、机器学习、深度学习基础 点击查看任务书 **三、 参与流程** 1\. 提出申请 依据合作项目列表相关信息，结合您自身的情况，申请选择项目需求（一个任务书中包含了多个项目需求），填写对应的申请表：企业申请表、学校申请表，并将申请表发送的到：**ascend@huawei.com**。 企业申请表下载 高校申请表下载 2\. 审核 我们将在15个工作日内评估审核您提交的材料与所申请项目匹配度。如果您想了解审核进度，请联系**ascend@huawei.com**咨询。 3\. 线下签约 通过审核后，我们会与您联系，详谈合作事宜，双方达成一致后，与您签订合同，开始项目开发。 4\. 项目开发 项目开发过程中，合作伙伴需要完成如下阶段： 1\. 提供项目迭代开发的计划表，以及各个交付件的计划交付时间。 2\. 完成项目设计，我们参与完成设计评审。 3\. 依据设计，迭代开发代码。 我们将在项目开发的各个阶段为合作伙伴提供技术专家辅导。 5\. 验收&结项付款 开发完成后，请您按照提交要求，提交所有交付件，我们将验收您的交付件。验收通过后，进行结项付款。 --- https://www.mindspore.cn/activities/zh/1390/ --- 活动中心 昇思MindSpore TechDay倒计时2天！直播热点持续高能！ # 昇思MindSpore TechDay倒计时2天！直播热点持续高能！ 2022/03/24 # 昇思MindSpore TechDay倒计时2天！直播热点持续高能！ **3月26日~27日** **TechDay成长回顾&干货篇** **3月28日** **吐槽大会&生日趴篇** **B站【MindSpore官方】** **全程直播！** **技术引领** 如今，AI框架正在深刻地影响生活、改变世界，昇思MindSpore加快打造人工智能根技术，成为国家战略新优势的战略选择。 在保持“极简易用”优势的同时，昇思MindSpore也致力于技术创新，引领AI框架持续演进。 **大模型** 超大规模参数模型学习海量知识，精度高、泛化性好，收编各场景小模型，加速科研创新与产业应用落地效率。 **AI+科学计算** 通过神经网络模拟的非线性拟合，让科学家无需再解高维方程，提升科技创新效率。 **TechDay热点** 得益于越来越多的开源项目，AI框架已经在各大产业普及开来，逐渐成为数字化转型的重要工具，在这个过程中，产学研各方又是如何将AI框架与自身业务进行深度结合？ **3月26日** 本次昇思MindSpore TechDay邀请了深圳湾实验室系统与物理生物学研究所、深圳大学医学部、中科院力学研究所等企业、机构的一线专家，讲解不同领域应用昇思MindSpore 的历程和成果，帮助开发者寻找到更多产业实践的“灵感”，真正发挥人工智能的生产力作用。更多精彩尽在： \*\*\*\*圆**桌论坛：MindTalk开发者说** \*\*\*\*圆**桌论坛：大咖请指教——企业对话** **3月27日** 在27日的TechDay直播中，昇思MindSpore资深布道师**Jun**与昇思MindSpore高级工程师、中科院力学研究所计算流体力学博士**Beiji**将分别从**大模型**与**AI+科学计算**两方面解析昇思MindSpore在技术引领层面的创新突破。 **Jun** **议题：昇思大规模分布式训练技术** 简介：分析当前大模型训练的问题，介绍昇思自动并行的关键技术，包括算子级模型并行、流水线并行、异构并行、专家并行等。 **Beiji** **议题：AI+科学计算发展趋势及昇思创新实践** 简介：本次首先分享AI科学计算的业界成果及趋势，然后介绍MindSpore在该领域的重要布局—MindScience，并进一步展开介绍在不同领域典型场景中的实践成果和规划。 想获取更详细信息的新老孢子们，可以关注**本月26日~28日**的MindSpore TechDay周年直播，除了**干货资料**，还有**丰厚的福利**不定期掉落呀~ 查看海报， 流程安排尽在掌握~ **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1391/ --- 活动中心 昇思MindSpore TechDay倒计时1天！3月26日~27日带你了解全新的昇思MindSpore！ # 昇思MindSpore TechDay倒计时1天！3月26日~27日带你了解全新的昇思MindSpore！ 2022/03/25 # 昇思MindSpore TechDay倒计时1天！3月26日~27日带你了解全新的昇思MindSpore！ 盼望着盼望着， 昇思MindSpore TechDay它就要来啦！ 盼望着盼望着， 昇思MindSpore TechDay它就要来啦！ 小编为表达此时的激动之情， 决定拿出珍藏已久的**密室逃脱小游戏** 让大家一同快乐！ （内含鬼畜彩蛋哦） ！！游戏通关之后还能参与抽奖赢取多重福利！！ （一般人我不告诉他） **⬆ 扫码开始游戏吧 ⬆** **活动流程** 如何居家时拥有一个充实且精彩的周末呢？ 当然是来看 大咖云集、高手齐聚的TechDay直播啦！ 你不仅能收获最新鲜的AI 资讯、深度学习心得， 同时能一睹集才华与幽默于一身的大佬们的风采！ 那为期3天的直播具体都有哪些内容呢？ 咱们先来一睹为快~ **3月26日~27日** **TechDay成长回顾&干货篇** 流程安排尽在掌握~ **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1402/ --- 活动中心 昇思MindSpore2岁生日趴邀请函！今晚七点半，我们不见不散~ # 昇思MindSpore2岁生日趴邀请函！今晚七点半，我们不见不散~ 2022/03/28 # 昇思MindSpore2岁生日趴邀请函！今晚七点半，我们不见不散~ **承蒙小孢子们的关照** **昇思入驻开源世界并顺利走过2周年啦！** **现诚邀每一位为热爱发电的新老孢子** **一起欢聚今晚的庆生好时光！** **生日趴** **今晚19：30**， 与AI届的各位大咖， 在\*\*B站【MindSpore官方】\*\*直播间 共同庆祝昇思MindSpore两岁生日！ **生日趴惊喜预告** **19：30** **MindTalk吐槽大会：AI大咖思想碰撞** **20：20** **大咖面对面：稚晖君、胡晓曼实力开说** **21：00** **生日派对：许愿未来！怎么能少了蛋糕？** **福利** 另外 **稚晖君亲笔签名**的深度学习书籍随机掉落 还有其它隐藏福利哦 赶紧报名吧！ **扫码看直播** 今晚没有复杂的代码和公式， 只有最轻松的对话和吐槽。 昇思没有什么远大的愿望， 愿新一岁每位小孢子都能奔走在热爱里， 愿新一岁我们继续一同成长！ **我们今晚见哦~** **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1410/ --- 活动中心 AI大模型专题技术论坛 | 活动倒计时3天！快来报名吧！ # AI大模型专题技术论坛 | 活动倒计时3天！快来报名吧！ 2022/04/06 # AI大模型专题技术论坛 | 活动倒计时3天！快来报名吧！ 2021年昇思MindSpore构建了自动并行、图算融合及自动内存复用等关键技术能力，并联合知名高校及科研院所协同创新，发布鹏程.盘古大模型、紫东.太初业界首个图文音三模态大模型、鹏程.神农大模型、武汉.Luojia大模型等。**可以说，昇思MindSpore框架对大模型支持的能力是业界首屈一指的。** _**2022年4月9日（本周六）**_ 昇思MindSpore社区携手知名媒体PaperWeekly发起首场\*\*【昇思MindSpore技术论坛·AI大模型专题】\*\*线上交流会。 届时来自**中科院、武汉大学、北京大学等院校专家**，以及**昇思MindSpore技术专家**共论AI大模型对科研及产业所带来的新的技术突破及价值。 _**活动时间**_ **2022年4月9日** **9：20** _**活动方式**_ **线上直播** **（活动全程免费）** _**报名方式**_ **扫描下方二维码即可报名** **（报名后，添加活动交流群获取直播链接）** **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1412/ --- 活动中心 AI大模型专题论坛 # AI大模型专题论坛 2022/04/08 # AI大模型专题论坛 **4月9日 AI大模型专题论坛** 2021年昇思MindSpore构建了自动并行、图算融合及自动内存复用等关键技术能力，并联合知名高校及科研院所协同创新，发布**鹏程.盘古大模型、紫东.太初业界首个图文音三模态大模型、鹏程.神农大模型、武汉.Luojia大模型**等。**可以说，昇思MindSpore框架对大模型支持的能力是业界首屈一指的。** **想了解更多关于大模型的最新内容吗？** **4月9日（明天！）**，昇思MindSpore社区携手知名媒体PaperWeekly发起首场\*\*【昇思MindSpore技术论坛·AI大模型专题】\*\*线上交流会。 届时来自**中科院、武汉大学、北京大学等院校以及昇思MindSpore技术的专家们**将会共论AI大模型对科研及产业所带来的新的技术突破及价值，在线为你答疑解惑！ _**报名方式**_ **扫描下方二维码即可报名** **（报名后，添加活动交流群获取直播链接）** **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1417/ --- 活动中心 易用性SIG4月16日线上活动预告|聊聊AI框架的易用性 # 易用性SIG4月16日线上活动预告|聊聊AI框架的易用性 2022/04/12 # 易用性SIG4月16日线上活动预告|聊聊AI框架的易用性 会议时间：2022.4.16（周六）14：30~16：00 会议链接：https://meeting.tencent.com/dm/tF1NIEx9KpuF --- https://www.mindspore.cn/activities/zh/1420/ --- 活动中心 昇思MindSpore技术论坛 | 以AI框架之助力，破科学研究之困局 # 昇思MindSpore技术论坛 | 以AI框架之助力，破科学研究之困局 2022/04/11 # 昇思MindSpore技术论坛 | 以AI框架之助力，破科学研究之困局 AI和Science是两个最近很有热度的词。 AI+Science的系统性机会是用AI连接各个物理尺度,解放科学研究与工业设计的生产力。AlphaFold2以深度学习技术在预测蛋白质结构上做出突破,这项计算工作展现出AI在科学领域解决问题的巨大潜力。从生物这一单一场景延展开来,在物理、化学、材料、地质等多领域进一步拓展。 昇思MindSpore通过架构创新，原生支持科学计算，突破了高阶高维自动微分、自动异构并行、跨尺度计算融合等创新技术，是可广泛支持物理驱动/数据驱动等多种AI科学计算范式的全场景框架。 **2022年4月16日（本周六）**，昇思MindSpore社区携手知名媒体PaperWeekly发起**昇思MindSpore技术论坛\*\*\*\*第二期**，\*\*【AI＋科学计算专题】\*\*线上交流会。 届时来自北京大学、清华大学、深圳湾实验室等科研所、院校以及昇思MindSpore的技术专家们将会共同讨论：以深度学习为代表的AI与科学计算结合形成新的计算方法，究竟可以产生怎样新的科学模型、新的实验方法和新的产业业态呢? 2022年4月16日 9：30 线上直播（活动全程免费） 扫描下方二维码即可报名 **（报名后，添加活动交流群获取直播链接）** 报名二维码 --- https://www.mindspore.cn/activities/zh/1421/ --- 活动中心 极客有约 | 今晚8点！听黄之鹏老师解码AI开源技术应用与未来趋势 # 极客有约 | 今晚8点！听黄之鹏老师解码AI开源技术应用与未来趋势 2022/04/11 # 极客有约 | 今晚8点！听黄之鹏老师解码AI开源技术应用与未来趋势 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1422/ --- 活动中心 昇思MindSpore暴走校园活动报名喽! | 实战教学校园开发者玩转AI，提升AI超能力！ # 昇思MindSpore暴走校园活动报名喽! | 实战教学校园开发者玩转AI，提升AI超能力！ 2022/04/12 # 昇思MindSpore暴走校园活动报名喽! | 实战教学校园开发者玩转AI，提升AI超能力！ 在电影的宇宙里，“钢铁侠”、“阿凡达”、“黑客帝国”等科幻电影，塑造了无数出神入化的AI形象，满足了人类对未知生活方式的向往，而这些科幻电影也成为科技行业的启蒙者。 那时的人工智能还是遥不可及，而现如今，人工智能深刻影响且便利着我们的生活。从智能出行到智能家居，AI真的来了；以人工智能为代表的新一代信息技术，也将成为各行各业高质量发展的技术保障和核心驱动力。 近年来众多高校也都纷纷开设了AI相关专业来培养人才，越来越多的校园开发者加入到了人工智能的领域。 2022年4月，\*\*昇思MindSpore暴走校园活动“MSG·Campus Drive”\*\*正式拉开帷幕！活动致力于帮助指引校园开发者学习方向、提升技术水平，在这里你可以： **_体验趣味AI实验课程；_** **_与专家老师实时互动交流；_** **_加入高校AI社群_** **_与志同道合的伙伴一起肝项目；_** **_参与AI新人赛事掌握阶段性学习成果_** **_……_** 无论是新手小白还是已有成果的炼丹侠，“MSG·Campus Drive”都是你的最优质选择。 **4月17日** ，**昇思MindSpore联合南开大学开启“MSG·**Campus Drive**”第一站**，想要报名的小伙伴，扫描二维码即可。 **时间** 2022年4月17日（周日） 14：00-15：30 **报名** 扫描下方二维码即可报名 （报名成功后，添加活动交流群获取课程链接） --- https://www.mindspore.cn/activities/zh/1429/ --- 活动中心 【MindSpore易点通】MindSpore怎么用？手把手教你！ # 【MindSpore易点通】MindSpore怎么用？手把手教你！ 2022/05/27 # 【MindSpore易点通】MindSpore怎么用？手把手教你！ 文档教程不直观？示例版本不够新？安装依赖捋不清？入门讲解视频太少？ 统统都是过去式，手把手系列更新啦！ 目前共11个系列47节课，涵盖安装到体验入门全流程，手把手帮助您快速、更好地使用MindSpore。 具体学习地址：https://www.mindspore.cn/resources/courses/list?id=47#title52 表格持续更新，敬请各位关注！ **活动** **系列简介** **链接** **活动时间** 第一期：安装和体验MindSpore 本期课程讲解在不同硬件环境上安装MindSpore的操作流程，以及依赖项中容易遇到问题的GCC，cuDNN和OpenSSL等。同时提供快速体验和云平台使用指导。 安装MindSpore 快速体验MindSpore 4月14日——4月21日 第二期：数据加载与模型训练推理 本期课程讲解数据集的加载和处理的详细步骤，同时还有从模型训练到模型参数的保存与加载，和多平台推理的详细讲解。 数据加载和处理 模型训练与推理 4月22日——4月28日 第三期：网络迁移 MindSpore脚本开发会从数据处理代码开始，使用MindConverter进行网络构建得到迁移后的网络脚本，最后迁移推理执行脚本。构建完成后的优化过程包含缺失算子的开发与调试、网络性能与精度调优。 网络迁移 4月29日——5月7日 第四期：功能调试与分布式训练 本系列课程讲解使用MindSpore不同模式下的功能调试，以及如何使用MindSpore进行分布式并行训练，通过学习此课程，您将能够了解如何通过调试进行优化。 功能调试 分布式训练 5月9日——5月15日 第五期：算子开发 本系列课程讲解不同硬件平台自定义算子开发的流程。通过学习此课程，您将能够了解如何开发自定义算子。 算子开发 5月20日——5月25日 第六期：组件使用 通过学习此课程，您将能够了解如何使用MindSpore Lite进行端侧AI应用开发，如何使用MindArmour进行安全攻防与保护，以及如何使用MindInsight进行可视化调试。 使用可视化组件MindInsight 使用安全组件MindArmour 使用端侧组件MindSpore Lite 5月27日——5月31日 **奖品预览** 第一、二期奖品 第三、四期奖品： 第五、六期奖品： **参与方式** 1. 复现**本期活动**的手把手系列视频内容，或基于视频内容拓展，并记录详细过程。 2. 为手把手系列视频提供优秀建议和意见并被采纳，同时需提供300字以上体验心得。 将上述任一内容编辑后发布在MindSpore论坛的“活动体验”分类，并在结尾留下自己的邮箱。 第一期抽取**10**位优秀分享者，获得当期6选1奖品。 第二期抽取**5**位优秀分享者，获得当期6选1奖品。 第三期抽取**5**位优秀分享者，获得当期4选1奖品。 第四期抽取**5**位优秀分享者，获得当期4选1奖品。 第五期抽取**5**位优秀分享者，获得当期4选1奖品。 第六期抽取**10**位优秀分享者，获得当期4选1奖品。 \*\*论坛帖地址：\*\*https://bbs.huaweicloud.com/forum/thread-184906-1-1.html **注意事项** 1. 1.请勿刷帖，刷帖一律删帖并做无效参与处理。 2. 2.必须保证原创，抄袭按无效参与处理。 3. 3.请勿盗取他人截图或内容，一经发现做无效参与处理。 4. 4.必须与当期内容相关，否则算作无效参与。 5. 5.最终解释权归MindSpore团队所有。 6. 6.后续获奖邮件将通过1261354409@qq.com邮箱通知，请注意甄别。 给MindSpore点赞！来个一键三连吧！ gitee：https://gitee.com/mindspore/mindspore --- https://www.mindspore.cn/activities/zh/1431/ --- 活动中心 昇思MindSpore技术论坛 | 活动倒计时1天，一起来领略AI+科学计算之魅力 # 昇思MindSpore技术论坛 | 活动倒计时1天，一起来领略AI+科学计算之魅力 2022/04/15 # 昇思MindSpore技术论坛 | 活动倒计时1天，一起来领略AI+科学计算之魅力 **2022年4月16日（明天！）**，昇思MindSpore社区携手知名媒体PaperWeekly发起**昇思MindSpore技术论坛\*\*\*\*第二期**，\*\*【AI＋科学计算专题】\*\*线上交流会。 届时来自北京大学、清华大学、深圳湾实验室等科研所、院校以及昇思MindSpore的技术专家们将会共同讨论：以深度学习为代表的AI与科学计算结合形成新的计算方法，究竟可以产生怎样新的科学模型、新的实验方法和新的产业业态呢? **活动时间** 2022年4月16日 9：30 **活动方式** 线上直播（活动全程免费） **报名方式** 扫描下方二维码即可报名 **（报名后，添加活动交流群获取直播链接）** **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1432/ --- 活动中心 MSG企业行 | 走进多模态大模型+CV技术的实践之旅 # MSG企业行 | 走进多模态大模型+CV技术的实践之旅 2022/04/15 # MSG企业行 | 走进多模态大模型+CV技术的实践之旅 我们的生活正因AI技术的落地应用而不断走向智能化，计算机视觉（Computer Vision）在各行各业中的广阔应用，为我们展开了前所未有的壮丽图景。 生活中的人脸识别、AI测温、果蔬分类、病理图像识别等，以绝对的优势成为当前存在感最强的AI技术。 **2022年4月17日（本周日）**，**MSG企业行·多模态+CV领域线上技术交流会**正式开启。 昇思MindSpore邀请到**华为、阿里、腾讯、虎牙、akulaku、58同城**等近十位技术专家与CV行业领先代表，从计算机视觉的目标检测、图像分类、图像分割等方面，带你了解CV领域的前沿技术，与企业深度交流多模态大模型的最新进展。 **参与方式** MSG·CV专题交流会 **【活动时间】** 2022年4月17日（本周日） 13:30—19:00 **【直播平台】** B站【MindSpore官方】 **【报名参与】** 扫描下方二维码报名 审核通过后腾讯会议接入，与AI企业专家近距离交流 （扫码报名） （交流群） MSG企业行带你畅游昇思MindSpore开源社区，探讨项目落地与企业的碰撞，进一步推动AI科技企业的发展！ 如果你对人工智能发展、多模态大模型发展或是深度学习在CV领域的技术应用等有浓厚兴趣，欢迎你来与我们一同交流与探索AI技术产品搭建与CV场景落地的可能性! **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1433/ --- 活动中心 昇思MindSpore暴走校园第二站报名喽! | AI实操课程进校园，零距离感受科技魅力！ # 昇思MindSpore暴走校园第二站报名喽! | AI实操课程进校园，零距离感受科技魅力！ 2022/04/19 # 昇思MindSpore暴走校园第二站报名喽! | AI实操课程进校园，零距离感受科技魅力！ **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1434/ --- 活动中心 昇思MindSpore技术论坛 | 为什么需要AI编译技术？ # 昇思MindSpore技术论坛 | 为什么需要AI编译技术？ 2022/04/18 # 昇思MindSpore技术论坛 | 为什么需要AI编译技术？ _什么是AI编译？_ AI编译是指从给定的深度学习模型生成可执行代码的过程。本质上，编译是将深度学习中的高级操作映射到基础硬件支持的低级指令的过程。编译过程在优化代码中起着关键作用。 传统的深度学习框架采用人工优化算子，然后建立运行时图解释器来解决内存分配调度等问题。随着深度学习模型的迭代更新及各类AI芯片的层出不穷，这种基于人工优化算子的方式给算子开发团队带来沉重的负担。 AI编译技术则是在优化过程中采用了自动或半自动的代码生成用以替代人工优化。人的精力是有限的，通过（接近无限）的算力去适配每一个应用场景看到的网络，这是AI编译技术比人工路线强的地方。 昇思MindSpore通过持续性能完善和开发增强，**发布了MindSpore图算融合架构，打破算子边界，提供极简的算子表达方式和泛化自动算子融合能力，将AI算力更极致地解放，让算子融合更高效，且比业界已有的方案有架构上的优势。** **2022年4月23日（本周六）**，昇思MindSpore社区携手知名媒体PaperWeekly发起昇思**MindSpore技术论坛第三期\*\*\*\*——\*\*\*\*【AI编译技术专题】线上交流会**。 届时来自**上海交通大学、希姆计算、燧原科技\*\*\*\*等院校、企业以及昇思MindSpore的技术专家**共论为什么需要深度学习编译技术。 **【活动时间】** 2022年4月23日 9：30 **【活动方式】** 线上直播（活动全程免费） **【报名方式】** 扫描下方二维码即可报名 （报名后，添加活动交流群获取直播链接） **【本期互动奖品】** **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1446/ --- 活动中心 昇腾AI开发者创享日首站，昇思MindSpore新版本持续解密！4月23日西安见！ # 昇腾AI开发者创享日首站，昇思MindSpore新版本持续解密！4月23日西安见！ 2022/04/21 # 昇腾AI开发者创享日首站，昇思MindSpore新版本持续解密！4月23日西安见！ 2022年4月23日，由华为主办，以“创未来 享非凡”为主题的昇腾AI开发者创享日活动即将在西安隆重举办。该活动是依托于昇腾AI产业、覆盖全国的开发者活动，为AI开发者提供技术解读和前沿科技分享，通过技术赋能、上手实操和展览展示构筑深度交流平台，与开发者共享非凡成长。 本次西安站活动，将邀请AI领域的产业领袖、院士专家、技术大牛等，为开发者带来全球化视野下最前沿的技术解读，**五大亮点抢先看：** **华为昇腾计算业务总裁张迪煊**为开发者带来精彩演讲并正式启动昇腾AI开发者创享日全国计划、昇腾AI创新大赛，解读昇腾AI开发者价值框架等重磅内容； **西安电子科技大学人工智能研究院院长、欧洲科学院外籍院士，俄罗斯自然科学院外籍院士焦李成**将为大家介绍人工智能的最新前沿技术发展、洞察分析产业发展面临的变革与挑战，并给出了下一代人工智能的思考展望。 **昇腾AI边缘计算专家、 B站 2021百大UP主、知名科技博主稚晖君**畅谈分享个人项目经历，以最新网上热点作品智能机器人为切入，介绍昇腾AI技术如何在开发过程中落地； **“互联网+大赛” 金奖获得者，华南理工大学博士陈天一**也会带来学习昇思MindSpore的经验及大赛获奖经历； **西安翔迅科技人工智能中心负责人李刚博士**，分享如何设计开发基于昇腾的智慧园区安全管理系统、解决产业实际问题。 为满足开发者的不同需求，本次还有**昇腾AI训练营、开发者AI说、遇见大咖**等主题活动，让广大AI开发者面对面切磋交流、绽放灵感火花。 **华为2012实验室中央软件院软件领域科学家、 昇思MindSpore架构师于璠**将为大家分享昇思MindSpore 1.6版本在易用性、开发效率、控制流性能等方面带来的突破； **昇腾AI计算架构师宋昆鹏**介绍昇腾CANN最新技术进展，充分展示昇腾AI处理器的强大多媒体能力，帮助开发者轻松应对多路复杂的音视频处理场景，实现高性能推理应用。 人才是产业发展的关键，高校是人才的摇篮。本次论坛邀请西部片区昇腾高校生态重点核心授课老师参与，共同探讨昇腾人工智能与高校人才培养的蓝图，为昇腾产业发展夯实人才基础。 \*\*还有西安优秀的企业带来他们基于昇腾AI的最新技术和产品展示：\*\*西安誉博机器人系统技术有限公司、西安星舟天启智能装备有限责任公司、西安西图之光智能科技有限公司、西安腾坤电子科技有限公司、中科星图股份有限公司、西安锐思数智科技股份有限公司、未来人工智能计算中心。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1452/ --- 活动中心 4月28日编译器SIG分享会——聊聊前端表达的易用性以及性能优化 # 4月28日编译器SIG分享会——聊聊前端表达的易用性以及性能优化 2022/04/25 # 4月28日编译器SIG分享会——聊聊前端表达的易用性以及性能优化 **编译器SIG会议** 亲爱的开发者们： 昇思MindSpore编译器SIG组在一直致力于前端表达的易用性以及性能的优化，我们将会在\*\*4月28日（周四）\*\*晚举行最新一期的编译器SIG会议。 **会议详情** 【会议时间】 **2022.4.28(周四) 19：16 ~ 21：00** 【会议链接】 https://welink.zhumu.com/j/134560147 请大家在会议开始之前点击链接，根据链接提示下载好会议软件，谢谢！ 参会者有机会获得昇思MindSpore纪念品，期待大家参与哦~ **MindSpore官方资料** **官方QQ群:** 486831414 **官网:** https://www.mindspore.cn/ **Gitee:** https : //gitee.com/mindspore/mindspore **GitHub:** https://github.com/mindspore-ai/mindspore **官方论坛:** https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1472/ --- 活动中心 昇思生态应用扩展赛道【优秀导师征集活动】报名进行时，来一较高下吧！ # 昇思生态应用扩展赛道【优秀导师征集活动】报名进行时，来一较高下吧！ 2022/04/29 # 昇思生态应用扩展赛道【优秀导师征集活动】报名进行时，来一较高下吧！ **MindSpore官方资料** **官方QQ群:** 486831414 **官网:** https://www.mindspore.cn/ **Gitee:** https : //gitee.com/mindspore/mindspore **GitHub:** https://github.com/mindspore-ai/mindspore **官方论坛:** https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1479/ --- 活动中心 智能基座—MSG·暴走校园第三站即将走进安徽大学和陕师大，欢迎同学们报名啦！ # 智能基座—MSG·暴走校园第三站即将走进安徽大学和陕师大，欢迎同学们报名啦！ 2022/05/09 # 智能基座—MSG·暴走校园第三站即将走进安徽大学和陕师大，欢迎同学们报名啦！ **MSG·Campus Drive** **暴走校园** 随着人工智能平台的落地应用，当今社会已经进入到人工智能时代，人工智能产品的应用场景也将会进一步扩展。 人工智能专业是近几年各大高校新设立的专业之一。此专业不仅知识量大，对于学习场景的要求也较高，所以学习相关专业的同学们若想有一个较好的学习体验，在充分利用学校提供的科研环境外，还应该寻找适合进一步学习成长的组织。 在还有较富余的精力参加比赛和科研的这段大学时光，同学们要好好抓住时间和积极做好准备哦~ **5月14日（本周六）** 昇思MindSpore暴走校园活动“MSG·Campus Drive”**第三站**来喽，本次活动将走进**安徽大学**和**陕西师范大学**，这次的课程不仅可以让你感受科技魅力，还有更多精美礼品等着你！ **活动时间** **2022年5月14日（本周六）** **14：00-16：00** **报名方式** **扫描下方二维码即可报名** **Tip** 此次课程为腾讯会议接入， 请提前下载会议软件哦~ **MindSpore官方资料** **官方QQ群**: 486831414 **官网**: https://www.mindspore.cn/ **Gitee**: https : //gitee.com/mindspore/mindspore **GitHub**: https://github.com/mindspore-ai/mindspore **官方论坛**: https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1482/ --- 活动中心 开源之夏 2022 | 参与昇思MindSpore项目，这个暑期因开源而精彩 # 开源之夏 2022 | 参与昇思MindSpore项目，这个暑期因开源而精彩 2022/05/12 # 开源之夏 2022 | 参与昇思MindSpore项目，这个暑期因开源而精彩 开源之夏（英文简称 OSPP）是开源软件供应链点亮计划的系列暑期活动，它由中国科学院软件研究所与 openEuler 社区共同举办，旨在鼓励在校学生积极参与开源软件的开发维护，促进优秀开源软件社区的蓬勃发展。开源之夏将联合各大开源社区，针对重要开源软件的开发与维护提供项目，并向全球高校学生开放报名。 本次活动，昇思MindSpore社区共设置了21个项目（包含1个KubeEdge社区集成项目），难度包含**基础与进阶**，适合不同层次的同学参与。每个任务均有专业导师提供1v1专业指导，大家可登录项目页了解详细信息，也可以直接联系项目导师进行咨询。 **参与昇思MindSpore项目** **这个暑期因开源而精彩** **参与项目你可以获得什么？** - **获得社区导师的 1 对 1 专业指导** 本次活动，每个任务均指派了专业导师提供1对1专业指导。所有导师均由社区优秀开发者，以及西安电子科技大学教授组成。零障碍沟通，精准带你避开开发“坑”，快速成长，踏上成为优秀开发者之路。 - **结识开源界小伙伴和技术大牛** - **获得开源项目的经验、经历，丰富个人简历** - **获得纪念品、奖金和证书** **参与指南** - **社区参与要求** 有活跃的开源软件仓库的社区或个人；开源项目采用的协议需要是 OSI 组织认证的 或者 推荐的开放知识协议 等开放共享的协议。社区指南 - **学生参与要求** 年满 18 周岁的在校学生；具有有效的学生证和身份证。学生指南 - **合作单位参与要求** 支持开源的企事业单位、高校、科研院所及其他机构。合作推广 - **关键时间节点** **交流&咨询** **欢迎对昇思MindSpore项目感兴趣的同学** **加入昇思MindSpore社区开源之夏交流群** **MindSpore官方资料** **官方QQ群**: 486831414 **官网**: https://www.mindspore.cn/ **Gitee**: https : //gitee.com/mindspore/mindspore **GitHub**: https://github.com/mindspore-ai/mindspore **官方论坛**: https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1490/ --- 活动中心 第五届中国软件开源创新大赛暨昇思开源社区贡献赛启动！ # 第五届中国软件开源创新大赛暨昇思开源社区贡献赛启动！ 2022/05/16 # 第五届中国软件开源创新大赛暨昇思开源社区贡献赛启动！ 为激发开源创新活力，培养开源软件人才，助力开源生态建设，探索开源教育改革，在教育部高等学校计算机类专业教学指导委员会和软件工程专业教学指导委员会的推动和支持下，在国家自然科学基金委员会信息科学部的指导下，由中国计算机学会（CCF）主办第五届“中国软件开源创新大赛”。 第五届中国软件开源创新大赛暨昇思开源社区贡献赛正式启动！昇思MindSpore是一个全场景深度学习框架，旨在实现易开发、高效执行、全场景覆盖三大目标，其中易开发表现为API友好、调试难度低，高效执行包括计算效率、数据预处理效率和分布式训练效率，全场景则指框架同时支持云、边缘以及端侧场景。昇思MindSpore源于全产业的最佳实践，向数据科学家和算法工程师提供了统一的模型训练、推理和导出等接口，支持端、边、云等不同场景下的灵活部署，推动深度学习和科学计算等领域繁荣发展。 MindSpore 下包括了多个开源项目和工具，具体参见“赛题说明”。本赛事围绕 MindSpore 下的开源项目设计了不同类型的赛题，主要包括： （1）发现和解决Bug； （2）提出特性需求并实现功能； （3）实现周边原创工具； （4）基于MindSpore实现原创应用等。 **1** **赛道组委会** 开源项目贡献赛道邀请了中国科学院及复旦大学人工智能及软件工程领域的权威专家、华为各领域资深技术专家参与指导，负责赛事的评审。 **主 席：** 魏 峻（中国科学院） 彭 鑫（复旦大学） **委 员：** 黄 磊（昇思） 苑玉杰（昇思） 刘晓东（麒麟） 李剑峰（麒麟） 马全一（欧拉） 陈传杰（欧拉） 向新勇（高斯） 梅相如（高斯） **2** **赛题说明** \*\*赛题一：B****UG****解决：\*\*面向MindSpore社区里面的所有仓库包括代码、文档等，寻找Bug，修复Bug并提交PR，以数量和重要性等级作为评判标准。 \*\*赛题二：功能实现：\*\*面向MindSpore社区里面的所有仓库提交特性需求，完成特性实现并成功合并PR，以数量和重要性等级作为评判标准。 \*\*赛题三：原创工具：\*\*面向MindSpore社区里面的所有仓库提交特性需求，完成特性实现并成功合并PR，以数量和重要性等级作为评判标准。 \*\*赛题四：原创应用：\*\*基于昇思MindSpore框架实现趣味性/创新性生态应用或案例。要求应用/案例为参赛者原创，以数量和重要性作为评判标准。 **任务来源（供参考，可以自由选择）** 1.社区ISSUE：可以选择MindSpore代码仓中的issue：包含问题解决、功能实现、代码优化、改进等，也可以自己提所发现的问题，被接收后自动加入比赛； 2.SIG组任务：可以认领MindSpore各个SIG开放出来的任务来进行完成； 3.MindSpore开源活动开放任务：MindSpore开源活动会持续放出各种类型的社区任务，可以从中选择参赛，完成相应任务还可以获得开源活动奖品激励和核心开发者证书，活动链接：https://gitee.com/mindspore/community/issues/I4YQNG 4.自主Idea任务：除上面3个渠道，参赛队伍也可以提出自己想做的开源创新任务，加入到社区ISSUE/SIG组任务/MindSpore开源活动中，进行参赛。 **3** **参赛指南** 本赛事下设4个赛题，参赛者选择其中1项、多项或者全做均可。最终评奖将综合参赛者在该赛事下的所有贡献进行评奖。 参赛作品要求提交至大赛官方平台“**GitLink（确实开源）**”上。同时，在赛事进行评审前，要求将作品同步提交至**开源项目对应的根社区**，这将作为作品是否为有效参赛作品的依据之一。 **Step****1****：赛事报名** 点击赛事页面右上角“**立即报名**”按钮，进入报名页面，填写报名信息，报名参赛。报名一般流程如下： （1）创建战队：点击“创建战队”，填写战队名称，添加指导老师和队员，即可完成战队创建； （2）加入战队：点击“加入战队”，填入邀请码，即可加入已有战队。注意：每名学生在每项赛事中只能参与1个战队，每名老师可以担任多个参赛小组的指导老师； （3）战队编辑：战队创建者可以在报名列表中对自己创建的战队进行编辑和修改，包括组员的添加、删除，指导老师的添加，战队名称的修改等。 **Step2: 作品提交** 本赛道要求参赛作品在官方竞赛平台\*\*“GitLink（确实开源）”\*\*上对应项目中提交，**并定期将贡献同步到项目的根社区中**。 **（1）在竞赛平台GitLink上创建属于自己的项目镜像A** 第一步：从MindSpore社区中选择希望参与的项目，拿到项目仓库地址，如下图示例： 第二步：登录GitLink平台； 第三步：按下图操作，将相应项目导入GitLink平台，创建属于自己的项目镜像A。其中，需要填写的“导入仓库ULR”为第一步中拿到的项目仓库地址。 **（2）在镜像项目A中提交发现的Bug** 在镜像项目A中的“疑修（Issue）”板块提交发现的Bug，包括Bug描述、Bug产生的场景等。 **（3）在镜像项目A中提交Bug解决代码**在镜像项目A中针对发现的Bug，提出解决方案，并实现相应的代码。 **（****4****）将代码提交至项目根社区**在大赛组织评审前，将最终作品提交至项目根社区对应项目中，项目根社区地址：https://gitee.com/mindspore。 代码提交至根社区前需要签署 CLA ，签署地址：https://sourl.cn/SiH39B 关于竞赛平台使用问题，请通过“参赛指南”板块相关联系方式联系竞赛平台反馈解决。 **参考资料及导师：** \[1\] MindSpore官方网站：https://www.mindspore.cn/ \[2\] MindSpore官方代码仓库：https://gitee.com/mindspore/mindspore \[3\] MindSpore官方教程：https://www.mindspore.cn/tutorials/zh-CN/r1.6/index.html \[4\] MindSpore编程指南和API：https://www.mindspore.cn/docs/programming\\\_guide/zh-CN/r1.6/index.html \[5\] MindSpore 论坛链接（可发帖求助）：https://bbs.huaweicloud.com/forum/forum-1076-1.html \[6\] MindSpore hub：https://www.mindspore.cn/resources/hub \[7\] MindSpore全场景AI计算框架介绍及开发实践：https://www.bilibili.com/video/BV1DX4y1c7qG \[8\]MindSpore代码贡献：https://gitee.com/mindspore/mindspore/blob/master/CONTRIBUTING.md \[9\] MindSpore社区治理：https://gitee.com/mindspore/community/blob/master/governance.md **赛事导师：** 黄之鹏 00290357 黄 磊 00473364 **4** **时间安排** 大赛采用全年开放、定期评比奖励、统一组织颁奖的模式组织，大赛主要时间节点安排如下： （一）大赛报名系统开放：2022年4月-11月； （二）比赛时间：2022年4-11月，持续组织报名参赛，持续发布赛事任务、开展培训，各赛事根据赛事特点分别举办热身赛、初赛、决赛等； （三）颁奖时间：2022年11月下旬。 具体时间和参赛指南将持续发布到大赛官方平台。 **5** **奖项设置** 本赛事设置多个获奖团队，其中一、二、三等奖及优胜奖的数量如下： **6** **联系方式** **赛事沟通交流群** **昇思小助手** **竞赛平台问题反馈** GitLink（确实开源）竞赛平台使用手册附件如下，在使用平台过程中遇到问题可通过下列途径反馈，平台将及时响应解决。 1\. 学习如何使用 GitLink 竞赛平台进行项目协同开发：GitLink平台使用手册 2\. GitLink 平台问题反馈讨论吧：发帖反馈 3\. 学习如何使用Git版本管理工具：Git使用手册参考资料 4\. 学习如何使用Git进行团队协作开发：Git flow 最佳实践参考资料 5\. GitLink 使用反馈QQ群（1071514693）。 **官方答疑&培训QQ群** **关于绿色计算产业联盟** 自2016年成立以来，绿色计算产业联盟以协同构建绿色、开放、自主、共享生态体系为目标，致力于推动绿色计算产业发展，建设产业交流与合作平台，以促进企业在PC、服务器、存储、操作系统、数据库等领域提升，推动在计算领域的合作共赢。目前已经成为拥有包括鲲鹏、飞腾、Ampere、Marvell等全球最完整的Arm基础架构服务器芯片伙伴的全球联盟。 **MindSpore官方资料** **官方QQ群:** 486831414 **官网:** https://www.mindspore.cn/ **Gitee:** https : //gitee.com/mindspore/mindspore **GitHub:** https://github.com/mindspore-ai/mindspore **官方论坛:** https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1494/ --- 活动中心 MSG企业行 | 5月29日，NLP引领企业智能化转型 # MSG企业行 | 5月29日，NLP引领企业智能化转型 2022/05/19 # MSG企业行 | 5月29日，NLP引领企业智能化转型 **NLP** 自然语言处理 语言文字是人类交流沟通的最基本方式，没有语言，人类的思维也就无从谈起。 随着信息时代的到来，计算机只有具备了\*\*自然语言处理（Natural Language Processing，简称NLP）\*\*的能力时，才能说实现了真正的人工智能。 NLP技术与我们的日常生活息息相关，具有**搜索推荐、人机对话、互联网金融、机器阅读、自动写作**等非常广泛的应用场景。越来越多的企业正在应用AI技术开展智能化转型，**亚马逊的Alexa**、**苹果的Siri** 以及**天猫精灵**、**Google助手**等一系列技术产品掀起了NLP应用的热潮。 **MSG企业行 · NLP专场** **2022年5月29日（周日）**，昇思MindSpore携知名CIO平台**选型宝**举办\*\*【MSG企业行·NLP专场】线上交流会\*\*，本次交流邀请到来自**华为、千合资本、云客科技**等企业的8名行业专家，分享**大规模语言预训练模型、语音识别、语义理解、AI沟通**等近年来最流行的NLP技术，共同探讨疫情下深度学习NLP在智能客服、数字财务、金融投研等领域的应用与实践。 【MSG企业行·NLP专场】线上交流会，带你畅游昇思MindSpore开源社区，与企业深度交流NLP领域的前沿技术，探索AI技术产品搭建与NLP场景落地的可能性，进一步推动AI科技企业的发展！ **参与方式** **【活动时间】** 2022年5月29日（周日）13:30—17:30 **【报名参与】** - 扫描下方二维码报名，腾讯会议接入，与AI企业专家近距离交流； （活动链接会在审核通过后通过邮件发送，如未收到可进入交流群或私信小助手获取） **【直播平台】** B站【MindSpore官方】 **MSG企业行** MindSpore Study Group 昇思MindSpore聚焦各地核心科技板块，汇聚企业核心技术骨干，与企业深入交流与分享，拓展AI类企业生态，服务企业超过5000家，涉及端边云全场景行业，支撑两大产业联盟成立，打造开发共赢的产业生态圈。 **往期MSG快速通道** - 《MSG行研会·武汉站 | AI技术加持，赋能企业快速创新和转型》 - 《MSG企业行 | 4月17日，与你深度探索CV领域前沿技术》 **更多合作交流** 我们诚邀各企业、高校及科研院所加入昇思MindSpore开源社区，成为社区合作伙伴，与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态。 更多合作需求 请扫码添加企业助手进行咨询 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1510/ --- 活动中心 5月28日易用性SIG分享会——从零开始了解昇思世界，“易”起上手入门模型 # 5月28日易用性SIG分享会——从零开始了解昇思世界，“易”起上手入门模型 2022/05/25 # 5月28日易用性SIG分享会——从零开始了解昇思世界，“易”起上手入门模型 - _打开软件安装指南，却发现不支持本机的操作系统；_ - _开始安装了，却提示需要手动预装N多三方依赖；_ - _API文档翻了好几遍，却找不到一段想要的示例代码；_ - _好不容易运行起来了，系统抛了个错误，提示信息却又看不懂了；_ - _想找找前人类似的经验，却发现怎么也找不到合适的案例……_ 在使用开源软件的过程中，你是否有过相似的尴尬经历？为了帮助初学者能更顺利地使用昇思，昇思MindSpore社区成立了易用性SIG（Usability SIG）。 **5月28日（周六）14:15—16:30**，**第二期易用性SIG线上技术分享会**将带大家进入昇思的世界，让萌新们能够更便捷地开启成长与进阶的征途。 **更多议题相关详情** **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1513/ --- 活动中心 线下活动 | 智能基座昇腾高校行 · 华南师范大学站 # 线下活动 | 智能基座昇腾高校行 · 华南师范大学站 2022/05/27 # 线下活动 | 智能基座昇腾高校行 · 华南师范大学站 _什么是人工智能？_ _为什么需要学习人工智能？_ _人工智能在现实生活中有哪些实际应用？_ _AI计算框架在人工智能中发挥着怎样的作用？_ _众多AI计算框架该如何选择？_ 同学同学，不要懵！ **_5月28日_** 全场景AI框架昇思MindSpore走进华南师范大学一次性解答所有疑问，为大家揭开“人工智能”的神秘面纱。 本次课程会为同学们带来昇思MindSpore的深度体验，让同学们全面了解人工智能在各行各业的应用，切实地感受课堂以外的AI体验和乐趣。另外，现场互动还有精美礼品赠送哦~ **_活动时间_** 2022年5月28日（周六） 14：30-17：30 **_活动地点_** 华南师范大学计算机学院学术报告厅 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1539/ --- 活动中心 华为伙伴暨开发者大会2022精彩活动正式解锁！点亮你的量子计算之星 # 华为伙伴暨开发者大会2022精彩活动正式解锁！点亮你的量子计算之星 2022/06/09 # 华为伙伴暨开发者大会2022精彩活动正式解锁！点亮你的量子计算之星 **华为伙伴暨开发者大会** 2022 键盘之上，格物致知 于复杂难题中坚守真理 于真实场景处着手实干 是每一位开发者的底色 心怀梦想，攻坚克难 每一个得不到答案的探索 都会迸发出照亮世界的火花 用技术推动世界进步，世界需要你的回答 勇往直前，冲云破雾！ 现在，轮到你了，你准备好了吗？ **华为伙伴暨开发者大会2022** **勇往直前·做全能开发者**活动重磅上线！ 代码密室、技术宝典、市集活动 各种神秘任务等你来挑战 挑战成功，成为“全能开发者”，开启终极大奖 **拿下Switch游戏机、蓝牙音箱** **雷柏机械键盘等5项奖品** 话不多说，一起来看看有哪些**量子计算的关键任务**？ **1** **技术宝典** 点击下方链接或扫码进入**量子计算——技术宝典** https://bbs.huaweicloud.com/forum/thread-180098-1-1.html **2** **技术大比拼** 点击下方链接或扫码进入技术大比拼专区，点击【量子计算】期待MindSpore Quantum新版本能增加哪些新特性，或是能解决哪些业务场景？ https://bbs.huaweicloud.com/forum/thread-187953-1-1.html **代码仓Issue互动专区：** https://gitee.com/mindspore/mindquantum/issues/I57C2L?from=project-issue **3** **技术前言·专家直播** **2022年6月13日 17:00-18:00** **MindSpore Quantum专家线上直播**，点击下方链接或扫码锁定6月13日17:00进入直播间，惊喜等着你！ https://bbs.huaweicloud.com/live/partner-developer2022\_live/202206131700.html **活动详情见下方海报** **通关秘籍——同步完成其他领域的关键任务，才能解锁终极大奖哦！** **4** **热身任务：破解代码密室** 密室大家都玩过，这次我们把密室搬到了线上，还专为开发者定制了谜题，破解代码的线上密室，你有玩过吗？ “勇往直前 做全能开发者”活动准备了三间代码密室，每间密室都由一串代码构成，闯关线索就藏在代码里，成功破解代码即可获得通往下一间密室的“钥匙”。 只要你掌握基础的开发语言，就能冲出全部的代码密室。第一个完成全部密室解锁的开发者还将收获高能玩家奖，所有成功闯关的玩家都有机会获得丰富的幸运大奖。 准备好了吗？ 识别二维码 开启代码密室之门 **5** **进阶任务：学习大厂前沿技术** 成为全能开发者的路上，怎么能错过大厂前沿技术的学习。 即日起至6月14日，多位华为云高级专家将陆续带来12场最新技术分享，覆盖时下热门的AI、大数据、云原生、微服务、**量子计算**等领域： **AI**：揭秘算法快速产品化的神奇框架 **量子计算**：教你用量子计算解决组合优化问题 **大数据**：分享海量、跨源大数据库分析利器 **鲲鹏**：学习能让开发效率提升15%的工具 **昇腾**：剖析发挥AI硬件极致算力的CANN **移动开发**：解读HarmonyOS 生态和HMS Core最新能力 如果你有某些领域的技术问题，可以通过活动为大家准备的专家坐堂答疑环节，与专家1V1技术交流。我们还会选出优秀的提问者，随机派发惊喜奖品。 识别二维码 报名观看直播 立刻解锁全能开发者必备技能 **6** **硬核任务：开发一个技术作品** 一个优秀又全能的开发者，有着丰富的想象力和创造力: 可以用AI一键魔法换天，打造“天空之城”； 也能用量子计算框架搭建变分量子线路； 或者在五分钟内构建一个5G消息服务号； 通用两行代码开发RTC视频电话; …… 如果不会也没关系，这次活动为大家准备了8份技术宝典，跟着指导文档，就能分分钟完成属于自己的技术作品，只要完成一份技术宝典，就能参与抽取幸运奖品哦！ **7** **终极任务：完成知识考卷** 俗话说的好：“感情深不深，默契考验才是真。” 见证你与华为云深厚友谊的考卷来啦！本次知识考卷一共有12道选择题，涵盖大会信息和产品关键信息，只要你关注华为伙伴暨开发者大会2022，或者完成前面的挑战任务就能交出满分答卷。 再送上一条答题捷径——参与大会的市集活动，在帖子下完成话题互动，就能快速搜索到问题的答案。例如：说说你期待AI能解决什么问题，你对开源的看法等，轻松get考卷答案。 **8** **解锁终极大奖，成为全能开发者** 恭喜你，经历重重关卡后，终于来到了终极大奖揭晓的时刻。 “勇往直前 做全能开发者”活动设置了任务闯关升级的玩法机制，完成上述任务挑战的过程中，可以多次抽取幸运宝箱。**满级开发者还能同时抽取终极大奖，一人抱走Switch游戏机、蓝牙音箱、雷柏机械键盘等5项奖品。** **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1560/ --- 活动中心 智能基座社团·昇思学习小组——南京理工大学站，欢迎同学们报名啦！ # 智能基座社团·昇思学习小组——南京理工大学站，欢迎同学们报名啦！ 2022/06/16 # 智能基座社团·昇思学习小组——南京理工大学站，欢迎同学们报名啦！ **AI&Campus** **AI进校园** 相信大家在出国旅游时一定想过，如果我可以无障碍沟通各国语言就好了，哪怕简单交流，只需要快速实现一些基本需求即可，由此机器翻译的需求也成为了各国伙伴的共同需求。 机器翻译（machine translation，MT）是将一种自然语言（源语言）翻译成另一种自然语言（目标语言）的过程、技术和方法。从早期的词典匹配，到词典结合语言学专家知识的规则翻译，再到基于语料库的统计机器翻译，随着计算机能力的提升，机器翻译技术越来越成熟，开始为普通用户提供实时便捷的翻译服务。 在一些简单场景中，机器翻译的表现的确可圈可点，那么你知道机器翻译是如何实现的吗？ **6月18日（本周六）** **昇思MindSpore**联合**南京理工大学**开启“**智能基座社团—昇思学习小组**”活动报名通道，为同学们带来机器翻译的实操教学！本次课程为线上课程，不仅可以让你感受科技魅力，还有更多精美礼品等着你！速速报名喽！ 想要报名的小伙伴： - 请戳报名链接：http://p03sesv5ub0zbkfx.mikecrm.com/9HHCBz2 - 扫描海报中二维码，即可直接进入报名通道。 **活动时间** **2022年6月18日（周六）** **14：00-16：00** **报名方式** **扫描下方二维码即可报名** （**此次课程为线上课程，** **课程链接扫码报名后添加课程群组即可获取**） **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1564/ --- 活动中心 API中文文档上新，MindSpore邀您检视~ # API中文文档上新，MindSpore邀您检视~ 2022/06/20 # API中文文档上新，MindSpore邀您检视~ ### API文档又上新啦！ 还记得3月份的中文文档检视活动，大家火眼金睛找出了很多问题，为MindSpore 贡献了一份力量。 同时，4月的调查问卷中，很多用户表示当前中文文档不够用，希望更多文档能更新进来。 这不，我们马不停蹄又更新了！ 参与过的小伙伴是不是熟悉的感觉又来啦！没参与过的小伙伴这次可别错过啦！ ### 奖品预览 自选奖（5位） 200元京东自营商品自选 激励奖（30位） ### 活动时间 **6月20日——6月30日** ### 活动方式 1. 根据已给出的检视要点和待检视API表格，自行选择检视**中文文档**，对照英文版（检视要点和待检视API请从下方附件下载）。 2. 用户发现问题后，去MindSpore/mindspore仓提交Issue，并提交PR解决。Issue标题规范：【\*问题接口名称\*】【中文检视】简单描述 3. 用户自行汇总个人Issue和PR的链接，在MindSpore论坛“活动体验”版块发帖。 4. Issue和PR数总计前5名用户获自选奖。 5. Issue和PR数总计前30名获得激励奖（不包括自选奖获得者）。 API地址：https://www.mindspore.cn/docs/zh-CN/r1.7/index.html （左上角搜索框可以快速搜索目标API） **不知道如何提交issue或PR？看这里！** \*\*\*gitee上提交PR和issue的流程和注意事项\*\*\* **注意**，提交PR后还要时时关注PR下方的评论意见，确保优先合入哦！ 本次PR负责人：无需指定，请按照issue标题规范提交即可。 ### 注意事项 1. 请勿刷帖，刷帖一律删帖并做无效参与处理。 2. Issue和PR需经确认合格后方可计入总数。 3. 请勿盗取他人截图或内容，一经发现做无效参与处理。 4. 同一问题按issue提交时间确认优先级。 \*最终解释权归MindSpore团队所有。 **给MindSpore点赞！来个一键三连吧！ gitee：https://gitee.com/mindspore/mindspore** 待检视API和检视参考 --- https://www.mindspore.cn/activities/zh/1567/ --- 活动中心 开源活动 | MindSpore Quantum开源成长计划重磅发布，全年滚动发布新任务，积分赢大奖！ # 开源活动 | MindSpore Quantum开源成长计划重磅发布，全年滚动发布新任务，积分赢大奖！ 2022/06/17 # 开源活动 | MindSpore Quantum开源成长计划重磅发布，全年滚动发布新任务，积分赢大奖！ **活动简介·** MindSpore Quantum社区首度发起【MindSpore Quantum开源成长计划】，旨在鼓励开发者参与开源建设，与社区共同成长。 本期【MindSpore Quantum开源成长计划】以“一起来挑战”为主题，参与者通过完成不同活动和任务来累计积分，**赢得重磅大奖的同时还可获得开发者证书**，优秀开发者还有机会获得更多开发资源和权益，参与到MindSpore Quantum重点特性规划和讨论。 **活动时间·** **2022.06.16-2022.12.31** **活动参与方式·** 扫描下方二维码即可查看活动详情页 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1570/ --- 活动中心 报名倒计时！昇思MindSpore邀您参与MSG企业行·长沙站 # 报名倒计时！昇思MindSpore邀您参与MSG企业行·长沙站 2022/06/22 # 报名倒计时！昇思MindSpore邀您参与MSG企业行·长沙站 \*\*6月25日（本周六）\*\***MSG企业行·长沙线下技术交流会**，报名倒计时3天！昇思MindSpore、CSDN等多平台同步直播！ 近年来，随着人工智能技术的深入探索，新一轮的产业智能化变革成为社会各界共同的期待。AI是产业智能化升级助推器，也是引领未来的核心驱动力，但人工智能的发展对各行业的技术赋能仍存在诸多挑战。 昇思MindSpore聚焦各地核心科技板块，汇聚企业核心技术骨干，创新产学研用融合发展模式，构建多元开源生态。6月25日昇思邀您一同探索湖南省创新成长企业的发展新模式！ **1 活动亮点** 问：昇思MindSpore技术有何特性与实践案例？ 答：华为技术专家带您全面解析MindSpore技术与应用，实战方案倾囊相授！ 问：未来的AI机器人与自动驾驶技术发展如何？ 答：AI领域权威专家、学者共同探索AI技术发展趋势！深度剖析前沿AI应用实践！ 问：AI技术如何与教育深度融合？ 答：深度交流AI发展与产业融合！解密湖南大学机器人学院产教融合实践与昇腾智能基座的“双创”案例！ **2 报名参与** **【活动时间】** **2022年6月25日（周六）14:00-17:00** **【活动地点】** **长沙高新区芯城科技园2栋7层柳枝行动路演厅** **【直播平台】** **BiliBili【MindSpore官方】** **【报名参与】** **扫描下方二维码报名** **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1577/ --- 活动中心 大赛报名 | AI+科学计算重点赛事之一——中国开源科学软件创意大赛，角逐十万奖金！ # 大赛报名 | AI+科学计算重点赛事之一——中国开源科学软件创意大赛，角逐十万奖金！ 2022/06/23 # 大赛报名 | AI+科学计算重点赛事之一——中国开源科学软件创意大赛，角逐十万奖金！ **第三届中国开源软件创意大赛** **昇思MindSpore赛道** 第三届中国开源科学软件创意大赛，借助“中国科技云”科学软件开源社区以及CSDN，将“开源文化”融入到科学研究以及生产生活中，通过比赛的方式吸引众多优秀国产开源软件开发者参与，将中国最核心、最活跃的科研人才链接在一起，共同探索开源科学软件的未来。 大赛的目的是为实现国内外开源技术共享，促进科学软件发展，完善国家自主创新人才培养，发展我国开源科学软件生态。 **一、大赛安排** **1 赛题详情** **赛题一：小分子与蛋白质结合亲和性** 制药领域通过分析小分子与蛋白质的亲和性，找出可能成为活性小分子的化合物，从而进行药物研发。而随着科学发展小分子化合物的库越来越大，致使药物研发周期越来越长，为提高研发效率，人们选择通过计算机辅助计算进行筛选。 参赛者根据主办方提供的蛋白质化合物对接复合物数据集，训练AI分子对接打分模型，预测小分子与蛋白质结合时的亲和性。 **赛题二：机翼外型气动仿真** 机翼几何外形的设计是飞机气动设计的核心，通常采用数值仿真，根据结果调整外形及设计参数。为提高仿真效率，人们选择通过AI方法构建代理模型，从而达到提高安全性与经济性的需求。 参赛者根据主办方提供的翼型绕流的流场数据集，训练AI气动仿真模型，预测给定要型在目标马赫数及攻角条件下的流场物理量分布。 **2 时间安排** - 比赛报名及作品提交：**5月20日——10月31日** - 初赛评审：**11月1日——12月15日** - 决赛：**12月25日** **3 奖项设置** **_每个赛题各10万元奖金_** **_一等奖（1名）：60000元_** **_二等奖（2名）：20000元_** **二、赛题解读直播** 为了给参赛选手‘充电’，帮助选手更好地参加比赛并取得优异的成绩，同时让更多对昇思MindSpore感兴趣的小伙伴对昇思MindSpore的设计和开发流程有更好的了解，掌握昇思MindSpore学习方法和学习渠道， **6月23日（今晚）19：00，昇思MindSpore社区将在B站【MindSpore官方】开设线上赛题解读直播。** **1 培训内容** 1. 昇思MindSpore全场景AI框架介绍 2. 【赛题一：小分子与蛋白质结合亲和性】赛题解读及主要学习资源 3. 【赛题二：机翼外型气动仿真】赛题解读及主要学习资源 **2 培训讲师** - 贝基 昇思MindSpore架构师 - Mfold 昇思MindSpore布道师 **3 你将获得什么** 1. 业界领先的AI框架，与学习和提升方式 2. 赛题的整体解决思路及必要准备工作 3. 赛题所需技能点（技术要求及以往经验） 4. 可能面临的挑战及应对策略 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1597/ --- 活动中心 线下活动 | MSG·暴走校园——陕西师范大学站来喽！ # 线下活动 | MSG·暴走校园——陕西师范大学站来喽！ 2022/06/28 # 线下活动 | MSG·暴走校园——陕西师范大学站来喽！ **MSG· 暴走校园** 身处高速发展社会的我们，享受着科技带来的快速与便捷。人工智能的出现，更是将科技带入一个新纪元，而人工智能的快速发展自然离不开人才，站在人工智能时代的风口，如何培养专业人才？专业人才的发展通道在哪里？已然成为各大高校师生都关心的问题。 **_6月30日昇思MindSpore将走进陕西师范大学继续开展" MSG·暴走校园"系列活动。_** 本次活动由昇思MindSpore开源社区联合陕西师范大学·MindSpore研究室共同举办，昇思MindSpore研发专家也将走进校园与同学们一起攻破项目难题、学习最先进的科学技术、探讨在人工智能领域我们该如何发展……. 这是一场关于昇思MindSpore的交流分享会，期待你的参加！ **活动时间** **2022年6月30日（周四）19：00-21：00** 注：时间仅供参考，具体安排以当天规划为准 **活动地点** **陕西师范大学长安校区逸夫楼2层南附楼展厅** **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1618/ --- 活动中心 与产业界伙伴共话AI新发展，昇思生态论坛首站——广州起航 # 与产业界伙伴共话AI新发展，昇思生态论坛首站——广州起航 2022/07/06 # 与产业界伙伴共话AI新发展，昇思生态论坛首站——广州起航 当下，人工智能技术已深度融入生产、科研与个人生活，在赋能千行百业数字化、智能化的进程中不可或缺。为加速产业科技创新与应用开发，繁荣人工智能生态，**昇思生态论坛**将于**_7月8日_** 在**_广州_** 举办，届时业界伙伴将共商数字化转型新规划，共话AI新发展！ **活动时间** **7月8日（本周五）** **13:30~17:00** **活动地点** **广州市天河区平云路163号** **广电平云广场A塔3楼** **报名方式** **扫下方二维码报名** **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1621/ --- 活动中心 干货分享就等你，初级高级都可以！ # 干货分享就等你，初级高级都可以！ 2022/07/06 # 干货分享就等你，初级高级都可以！ 上周又小伙伴提建议说，技术干货部分分类的内容比较少，那么本周的活动主题是干货分享，快来与大家分享你的干货吧！ ### 奖品预览 限量款！MindSpore 书包或**200元京东自营自选**！ ### 活动时间 **7月4日——7月17日** ### 活动方式 **1.** 分享技术干货，有关分布式并行和前沿技术相关内容。 说明：MindSpore当前支持数据并行，自动并行，半自动并行，混合并行四种模式，请点击上方超链接。 前沿技术为以下框内内容，您可以在官网->文档->鼠标悬停文档查看 **2.** 内容必须原创，字数1000字以上，字数统计不包含不包含代码，注释，日志等。 **3.** 将干货链接和个人邮箱发布到论坛的“活动体验”分类。 ### 注意事项 1. 请勿刷帖，刷帖一律删帖并做无效参与处理。 2. 必须保证原创，抄袭按无效参与处理。 3. 请勿盗取他人截图或内容，一经发现做无效参与处理。 4. 必须与指定内容相关，否则算作无效参与。 5. 最终解释权归MindSpore团队所有。 --- https://www.mindspore.cn/activities/zh/1627/ --- 活动中心 干货分享就等你，初级高级都可以！ # 干货分享就等你，初级高级都可以！ 2022/07/04 # 干货分享就等你，初级高级都可以！ 上周又小伙伴提建议说，技术干货部分分类的内容比较少，那么本周的活动主题是干货分享，快来与大家分享你的干货吧！ ### 奖品预览 限量款！MindSpore 书包或**200元京东自营自选**！ ### 活动时间 **7月4日——7月17日** ### 活动方式 **1.** 分享技术干货，有关分布式并行和前沿技术相关内容。 说明：MindSpore当前支持数据并行，自动并行，半自动并行，混合并行四种模式，请点击上方超链接。 前沿技术为以下框内内容，您可以在官网->文档->鼠标悬停文档查看 **2.** 内容必须原创，字数1000字以上，字数统计不包含不包含代码，注释，日志等。 **3.** 将干货链接和个人邮箱发布到论坛的“活动体验”分类。 ### 注意事项 1. 请勿刷帖，刷帖一律删帖并做无效参与处理。 2. 必须保证原创，抄袭按无效参与处理。 3. 请勿盗取他人截图或内容，一经发现做无效参与处理。 4. 必须与指定内容相关，否则算作无效参与。 5. 最终解释权归MindSpore团队所有。 --- https://www.mindspore.cn/activities/zh/1652/ --- 活动中心 昇腾AI开发者创享日·北京站来喽，超多昇思议题等你来解锁！ # 昇腾AI开发者创享日·北京站来喽，超多昇思议题等你来解锁！ 2022/07/19 # 昇腾AI开发者创享日·北京站来喽，超多昇思议题等你来解锁！ **_2022年7月21日_** **_昇腾AI开发者创享日·北京站_** **_将于中关村（京西）人工智能科技园·智能文创园_** 重磅启幕 人工智能作为新一轮科技革命和产业革命的核心驱动力，正在全球范围内蓬勃兴起，为经济社会发展注入了新动能。 首届昇腾AI开发者创享日·北京站将于2022年7月21日隆重举办。本次活动由北京市门头沟区人民政府、中关村发展集团股份有限公司、中科院空天信息创新研究院、华为技术有限公司共同举办，邀请国内顶尖AI专家、知名企业代表、技术KOL参加盛会，与技术大咖面对面切磋探讨，还有各种惊喜彩蛋，你准备好了吗？ **四大亮点抢先看** **1** **_重磅发布，携手伙伴“创未来”_** **中科院空天信息创新研究院遥感大模型**第一阶段技术成果将在昇腾AI开发者创享日·北京站重磅发布。 **2** **_大咖嘉宾，聊聊那些你不知道的事_** **中科院空天信息创新研究院研究员孙显**将为大家介绍如何结合遥感多模态数据特点开展空天信息预训练模型的研究与应用。 **中国科学院大学在读博士陈志扬**将为大家介绍基于昇腾AI的**多模态大模型“紫东太初”**，并展示该领域内的最新研究趋势与成果。 **3** **_高手带路，感受明星开发者的魅力_** **《昇腾小姐姐教你趣味实验》栏目总监戚佳**将畅谈分享个人开发经历，通过代码层面的趣味实验，带你零基础玩转昇腾AI。 **普强科技联合创始人兼产品VP蒲瑶**将为大家带来基于昇腾的AI语音技术赋能产业数字化转型升级分享。 **4** **_新版解密，技术分享绝不藏私_** **华为2012实验室中央软件院软件领域科学家、 昇思MindSpore架构师于璠**将为大家分享昇思MindSpore 1.8版本在易用性、开发效率、控制流性能等方面的突破。 **昇腾CANN架构师颜华**将为大家介绍昇腾CANN最新技术进展。华为面向AI场景打造的异构计算架构CANN，是驱动昇腾AI强劲算力的引擎；通过统一的编程接口、完备的调优工具、高效的调度引擎，实现AI推理应用的极简开发与极致性能。 **流程抢先看** 昇腾AI开发者创享日·北京站依托北京昇腾AI产业，进一步辐射全国的开发者，为AI开发者提供技术解读和前沿科技分享，通过技术赋能、上手实操和展览展示构筑深度交流平台，与开发者共享非凡成长。 昇腾为打造计算产业最活跃开发者社区、面向广大人工智能领域开发者进行技术解读和前沿科技分享、与大咖面对面交流、共创昇腾产业未来，共享非凡成长、成就、成功。 让您眼界大开，听有所获！**7月21日**，线上+线下邀您共赴盛会！ **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1653/ --- 活动中心 线下活动 | 2022开放原子全球开源峰会人工智能分论坛即将开幕 # 线下活动 | 2022开放原子全球开源峰会人工智能分论坛即将开幕 2022/07/19 # 线下活动 | 2022开放原子全球开源峰会人工智能分论坛即将开幕 **2022\*\*\*\*开放原子全球开源峰会**由开放原子开源基金会主办，以“软件定义世界，开源共筑未来”为主题，立足中国，面向世界，聚集国内外顶级开源基金会/开源社区负责人、开源意见领袖、开源厂商代表、优秀开源企业用户、顶尖开源开发者，为全球开源爱好者们带来一场产业技术盛宴。 **_人工智能分论坛_** **_7 月 25 日_** ，**2022\*\*\*\*开放原子全球开源峰会**将在**北京**拉开帷幕。 本次峰会将围绕明星项目、专业领域和垂直技术三大主题举办十余个分论坛及相关活动。其中，人工智能专场论坛将聚焦“人工智能与开源新趋势”主题，汇聚 AI 领域华为昇思 MindSpore、OneFlow、第四范式等多位先锋开源项目代表，分享 AI 领域前沿开源技术，共论我们向往的美好生活。 人工智能与开源的未来新趋势是什么？从行业到全社会，未来又会出现哪些发展契机？让我们共同期待与会嘉宾的分享和洞见。 **_论坛时间_** **2022年7月25日 9：00~12：00** **_活动地点_** **北京市亦庄荣昌东街6号亦创国际会展中心** **_免费领取门票_** **邀请码：KUSAI2022** **选择【25日人工智能】** **_其它问题_** **报名问题联系小助手** **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1654/ --- 活动中心 MSG企业行 | 活动火热报名中！AI+IoT=万物智能的时代！ # MSG企业行 | 活动火热报名中！AI+IoT=万物智能的时代！ 2022/07/20 # MSG企业行 | 活动火热报名中！AI+IoT=万物智能的时代！ 人工智能赋能千行百业，万物智能化是一个不可逆转的趋势。 随着AI、IoT、云计算、大数据等技术的快速发展，以及在众多产业中的垂直产业落地应用，人工智能的介入让物联网有了连接的“大脑”，AI与IoT在实际项目中的融合落地变得越来越多。 昇思MindSpore开源社区汇聚企业核心技术骨干，分享AIoT在智慧医疗、工业自动化、零碳能源等场景的落地与应用。 **_2022年7月30日（周六）14：00_** **_【MSG企业行·AIoT】线上专题交流会_** **_火热报名中！_** 注：活动链接会在报名审核后通过邮件发送，未收到可私信小助手获取 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1668/ --- 活动中心 诚邀开发者共建MindSpore开源社区规范、操作指导和质量标准 # 诚邀开发者共建MindSpore开源社区规范、操作指导和质量标准 2022/08/04 # 诚邀开发者共建MindSpore开源社区规范、操作指导和质量标准 欢迎大家积极参与共建，共建形式较第一期有变化，只要您登录gitee账号便可参与其中，社区定制礼物等您来拿~ MindSpore从2019年12月正式开源已运行2年多，拥有社区贡献者5000+，为了帮助开发者更好的融入社区，参与社区，我们希望能够与开发者共同梳理社区规范、操作指导和质量标准。 社区规范用于描述社区工作流程和规范要求，保证社区业务流顺利开展无阻塞；操作指导总结社区开发过程中的经验和方法，帮助开发者高效开展社区开发活动；社区质量标准则代表社区开发活动和社区版本的质量水平，能够让社区版本的使用者们做到心中有数。 根据社区工作流，初步梳理了社区规范9个，操作指导书2个，质量标准2个，现广邀开发者们共建，**请大家点击文档上的链接，进入对应的PR，在文件中点击左边的“+”添加评论，也可针对他人提出的检视意见提出不同的看法或补充，可通过回复他人评论进行交流：** **第一期、第二期共建文档链接已在下表附上，欢迎留言评论：** **分类** **文档名称** **共建节奏** **文档维护** **文档概述** **社区规范** C++编程规范（含安全类） 第一期共建内容（8月1日~8月10日） @liuchongming74 C++编程规范，包括安全类规范要求 Python编程规范（含安全类） 第一期共建内容（8月1日~8月10日） @liuchongming74 Python编程规范，包括安全类规范要求 资料/文档/案例输出规范 第一期共建内容（8月1日~8月10日） @gemini524 资料、文档、案例输出的规范要求 开源软件选型及使用规范 第一期共建内容（8月1日~8月10日） @henryshi1 社区引入开源软件的选型要求和使用要求 漏洞管理流程规范 第一期共建内容（8月1日~8月10日） @fangzhou0329 漏洞处理流程说明 issue处理规范 第二期共建内容（8月11日~8月21日） @zhunaipan issue的操作指导和处理规范 PR代码上库规范 第二期共建内容（8月11日~8月21日） @fangwenyi PR代码上库的操作指导和处理规范 代码上库自检checklist 第二期共建内容（8月11日~8月21日） @kisnwang 代码上库前自检checklist 开源版本生命周期管理规范 第二期共建内容（8月11日~8月21日） @fangwenyi 开源版本生命周期管理的规范要求 **操作指导书** 开发自验指导书 第三期共建内容（8月22日~8月31日） @luoyang42 开发者自验活动的开发指导 PR代码上库门禁命令指导书 第三期共建内容（8月22日~8月31日） @nicholas\_yhr 代码上库门禁命令指导说明 **社区质量标准** 基础告警出口要求 第三期共建内容（8月22日~8月31日） @kisnwang 门禁告警清理要求 开源版本发布出口要求 第三期共建内容（8月22日~8月31日） @llyy999 开源版本发布应该满足的质量要求 欢迎大家积极参与共建，社区定制礼物等你来拿~ 活动激励： 最佳建议奖（5个）：您提供的建议，如经采纳，将获得由MindSpore社区定制的书包/音箱一个； 共建贡献奖（30个）：参与修改内容最多的TOP30开发者，将获得MindSpore社区专家倾情投入写作的书籍一本； 幸运奖（15个）：我们将随机抽取15名有任何反馈的用户，将获得由MindSpore社区定制的雨伞/马克杯一个； --- https://www.mindspore.cn/activities/zh/1672/ --- 活动中心 倒计时1天！8月2日—4日与你聊聊开源与就业那些事！ # 倒计时1天！8月2日—4日与你聊聊开源与就业那些事！ 2022/08/01 # 倒计时1天！8月2日—4日与你聊聊开源与就业那些事！ 向往的开源之多YOUNG新生 与各位开发者的第一次相约 **_8月2号_** 正式开启喽！ 活动开始前，我们先看看有哪些精彩内容 全攻略包含以下信息 直播时间、直播地点、精彩内容剧透 （请在微信内点击观看视频） 连续三天的活动中，我们邀请了多位华为工程师与开源社区的优秀开发者，从学生到职场、男性与女性等不同角度与你聊聊开源与就业的那些事儿，他们将从各自的角度给正在就业困难大环境下的大家一点新鲜的见解，希望你也能找到属于自己的科技圈子。 **_8月2号19:30我们不见不散！_** **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1677/ --- 活动中心 【直播预告】7月26日Trusted AI SIG分享例会——纵向联邦学习的基本概念与隐私攻防 # 【直播预告】7月26日Trusted AI SIG分享例会——纵向联邦学习的基本概念与隐私攻防 2022/07/25 # 【直播预告】7月26日Trusted AI SIG分享例会——纵向联邦学习的基本概念与隐私攻防 **联邦学习** 联邦学习（Federated Learning）旨在建立一个基于分布数据集的机器学习模型，是一种多个参与方在各自原始数据不出私域的前提下，协作完成某项建模任务的机器学习模式。 其主要研究方向分为：**横向联邦学习**、**纵向联邦学习**和**联邦迁移学习**。本次技术分享会主要聚焦于纵向联邦学习领域。 那什么是纵向联邦学习呢？纵向联邦学习，英文全称Vertical Federated Learning（VFL）。它以数据的特征为核心，本质上是特征的联合，通常适用于样本重叠多，特征重叠少的应用场景。 那我们怎么去理解这段话呢？通过一个例子来解释一下VFL的工作原理。 假设有两家公司，公司A为某互联网企业，公司B为某电商集团，简称为A互联，B电商。假设以下是A互联和B电商的相同用户的不同特征信息表。 背景：假设B电商希望结合A互联的用户数据特征，基于其购物消费水平和购物频次，建立更符合用户的推荐模型和可能感兴趣的商品类型。 比如B电商可以做到：用户1和用户3，虽然月购物频次差不多，但是其消费水平却相差较大，那么系统推荐的产品价格就会不一样。 如果结合A互联的信息：用户3和用户4虽然平均每次的购物的消费水平基本持平，不过由于性别的关系，那么需要推荐的产品类型可能相差也很大。 总的来说，不管是互联A还是电商B，如果能够更多地掌握用户的信息特征，那么对于业务的精确推广往往是更有利的。只不过就是局限在于，因为各自业务侧重不一样，所以对于用户的信息特征也不尽相同。 因此样**本重叠多，特征重叠少**，说的就是两个公司有大量相同的用户，但是因为业务的不同，导致其建模存储的用户特征就不同。 而纵向联邦学习就是，在双方A互联与B电商都不直接共享原始数据的情况下，能够共享彼此的用户数据特征。 该场景的VFL实现过程： 第一步：样本对齐 无论是A互联还是B电商在不暴露自己的原始数据下联合建模，当然这个模型是根据双方的需求而设计的。 那么，首先就是把二者共有的用户（即重叠样本）进行对齐，也就是找出所有共有的用户后，建立类似上表所示的联合数据特征库。 不过，这在里通常使用的是一种基于加密的用户ID对齐技术（隐私集合求交）。 第二步：标签统一 在模型训练中，A互联与B电商会各自管控自己所需要的标签。比如：B电商会管控推荐的"商品用户是否会有点击的可能"的标签，然后根据训练结果不断调整模型。 第三步：加密训练 引入一个中间"协作者C"，C的作用就是让A互联和B电商在不直接获得对方的数据下也能够完成联合模型的构建。 具体操作：首先"协助者C"会下发一个公钥给A和B。然后，A和B双方把计算的中间结果经过公钥加密互相发给彼此，各自计算各自的下降梯度，加密上传给"协作者C"。为了防止"协作者C"破译其上传的梯度信息，A互联和B电商会加一些随机数。 "协作者C"经过解密后，汇总双方的结果得到一个最终的梯度值，回传给A和B。二者接收到最终的梯度值减去一开始加的随机数即可得到最终真实的梯度值，通过该梯度值更新模型的参数。 第四步：训练结束，联合模型更新 步骤三重复循环，直到最终模型收敛训练完毕，最终A互联和B电商侧的模型参数都更新完毕，二者结合在一起就是一个联合模型。 不断地重复步骤三的过程，直到模型收敛，即训练完毕。此时，A互联和B电商的模型参数都已经更新完毕，二者的结合就是一个联合模型。 接下来，B电商的用户通过线上访问其应用软件时，如果该用户是A互联和B电商的重叠样本（即共有的用户），那么就会通过联合模型获取加密的数据，输出联合模型下用户产品的预测推荐。 当然，纵向联邦学习算法也不仅仅是这一种，如果你想了解更多的算法，那就在**_周二晚上走进我们的直播间_** 吧！ _**温馨提示**_ 1\. 如果你想获取更多有关联邦学习的相关技术支持，可通过： - 链接1：https://mindspore.cn/federated/ 了解MindSpore已开源的联邦学习框架； - 链接2：https://www.mindspore.cn/mindarmour/ 了解差分隐私实现方法。 2\. 会议结束之后，会议视频会被上传至MindSpore的bilibili官方账号。 3\. 如果你对AI安全领域感兴趣，如：对抗样本、联邦学习、差分隐私、安全多方计算、同态加密、模型可解释、deepfake、恶意机器学习防御、语音仿冒、视频伪造检测、闪避攻击防御、药饵攻击防御、后门攻击防御、窃取攻击防御...... 热烈欢迎加入我们的微信交流群，期待与你相遇。我们也十分鼓励与欢迎您主动报名参与到我们的研讨分享会中！ _**会议详情**_ 主持人 **胡泽航** **东北大学**：机器人科学与工程学院21级硕士研究生 **研究方向**：基于知识图谱的推荐系统与联邦学习 **会议时间：** 2022.07.26（周二） 19:00—20:25 **会议链接：** https://meeting.tencent.com/dm/d9UmiVKB6Loq **会议ID**\*\*：\*\* 896327295 **提示：** 请提前准备好会议软件与安排好入会时间 _**会议议程**_ 1、主题：《纵向联邦基本概念、分割学习基本流程与推荐网络的纵向联邦实现》 时间：19:00~19:30 分享人：Mr. Wu（昇思MindSpore联邦学习算法专家） 讨论时间：19:30~19:45 2、主题：《纵向联邦中的隐私攻防》 主要内容：特征重构与特征保护、标签窃取与标签保护以及综合防护方案的实现。 时间：19:45~20:15 分享人：Mr. Li (昇思MindSpore AI安全工程师) 谈论时间：20:15~20:30 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1679/ --- 活动中心 向往的开源之多YOUNG新生 | 从开源到就业的避坑指南来啦！ # 向往的开源之多YOUNG新生 | 从开源到就业的避坑指南来啦！ 2022/07/26 # 向往的开源之多YOUNG新生 | 从开源到就业的避坑指南来啦！ **从开源到就业** 疫情之下，原本的人才缺口持续扩大，对不少企业而言，有经验的开源人才可谓是“一将难求”。然而，今年的大厂裁员风波恐怕也萦绕在每个求职人的脑海中——大厂到底需要怎样的人才？有什么样的开源经验才能被向往的企业所青睐？ 8月2日—4日，昇思MindSpore联合openEuler、openGauss、openLooKeng，发起了一场特别的直播——我们邀请了多位华为工程师与开源社区的优秀开发者，从学生到职场、男性与女性等不同角度与你聊聊开源与就业的那些事儿，他们将从各自的角度给正在就业困难大环境下的大家一点新鲜的见解，希望你也能找到属于自己的科技圈子。 **8月2日** **一个写代码的为什么要参与开源贡献** **有句话叫，“开源属于我们，而不是我”。** 开源，对于很多人来说，是一个很陌生的词汇，他们更不会想到要加入开源社区。 但是你可能无法想象开源离你有多近，它其实已经存在你生活的方方面面，而知名的企业都纷纷将开源计划纳入他们的商业计划中。 那对于一个写代码的码农，或者是还在高校的学生来说，开源是什么？为什么要参与开源社区贡献？要如何贡献？它的魅力何在？ **8月3日** **开源应该这么“玩”** **参与开源是弯道超车的最佳路径！** “你参与过开源项目吗?“，越来越多的面试官将是否参与开源项目作为考核开发者能力的一项基本指标。 就业市场并不善良，它并不会为象牙塔内的学子提供优待。作为初出茅庐的职场新人，最大的劣势就是缺乏实际项目经验。而参与开源项目，可以很好地补足这方面的缺陷。现在的你，或许是一枚没有项目经验的开发新手，但你可以选择成为一名活跃的开源贡献者。 **8月4日** **Women In Tech——在开源怎么“混**\*\*”\*\* **技术可以是丰富的，也可以是感性的！** 女性在职场上发挥的作用越来越大，担任高职位的人数和比例也在增多，这并不局限于传统女性居多的行业，而在技术领域中也正在召唤更多的女性加入。 我们将从女性的角度出发，帮助即将踏入职场的你突破职业瓶颈，和你一起探寻如何确定职业发展方向、定位自身优势、并抓住机遇不断攀升。 **_报名方式_** **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1685/ --- 活动中心 MindSpore SPONGE暑期学校第二季 | AI+科学计算免费课程即刻开启！ # MindSpore SPONGE暑期学校第二季 | AI+科学计算免费课程即刻开启！ 2022/07/28 # MindSpore SPONGE暑期学校第二季 | AI+科学计算免费课程即刻开启！ **MindSpore SPONGE暑期学校\*\*\*\*第二季** 分子动力学模拟是用牛顿定律近似来描述微观原子和分子尺度演化的计算机模拟方法，它既可用于基础科学研究也可用于工业实际应用。 随着IT技术的发展日新月异，科学计算领域也在随之发生着变化。以AlphaFold为代表的基于人工智能AI（artificial intelligent）的算法，展示了AI可以在科学计算中实现很多曾经无法实现或难以企及的目标。 MindSpore SPONGE就是在社区中的分子动力学工作组(MM WG)中，由北大、深圳湾实验室高毅勤课题组与昇思MindSpore团队联合开发的新一代分子模拟库，更具备高性能、模块化等特性。 作为新一代国产分子动力学模拟软件，一方面，我们希望能够扩展MindSpore SPONGE的生态，让MindSpore SPONGE被更多的老师，学生和业界开发者使用，另一方面，我们也希望能够吸引到更多的开发者加入社区共同开发，丰富MindSpore SPONGE套件。 为此，昇思MindSpore社区将于**_2022年8月11至15日_** 举办**第二季「MindSpore SPONGE暑期学校」**。 **1\*\*\*\*课程主题** AI+科学计算 **2** **线上地址** 腾讯会议 **3** **线下地址** 南方科技大学（仅限100人，先到先得，以最终邮件信息为准） **4** **授课对象** 对分子模拟、深度学习、AI+科学计算相关技术感兴趣的开发者 **5** **课程费用** 免费 **6** **报名方式** 扫码报名 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1705/ --- 活动中心 昇腾AI创新大赛 | 昇思赛道直播培训，赢取奖金的秘籍来啦！ # 昇腾AI创新大赛 | 昇思赛道直播培训，赢取奖金的秘籍来啦！ 2022/08/08 # 昇腾AI创新大赛 | 昇思赛道直播培训，赢取奖金的秘籍来啦！ **昇腾AI创新大赛—昇思赛道** “数智未来，因你而来”，AI开发者顶级赛事——昇腾AI创新大赛2022正在火热进行中！ 本次大赛旨在鼓励全产业开发者基于昇腾计算技术，共同打造软/硬件解决方案、探索模型算法，加速AI与行业融合，促进开发者能力提升。 本次昇思赛道筛选了顶会论文、前沿任务设置多赛题，鼓励每一位选手通过昇思MindSpore开源框架助力科研成果落地，为开源生态建设贡献力量。 **昇腾AI创新大赛昇思赛道直播培训** 为了给参赛选手充电，帮助选手更好的参加比赛并取得优异的成绩；同时让更多对昇思MindSpore感兴趣的小伙伴对MindSpore的设计和开发流程有更好的了解，掌握MindSpore学习方法和学习渠道！ **_8月9日~8月10日_** ，将在**B站【MindSpore官方】**开设**线上直播培训课程**。 **8月9日 19：30** **主题**：昇思MindSpore Quantum编程实践 **主讲人**：**谢晴兴**\*\*—\*\*昇思MindSpore Quantum资深开发者 **简介**：MindSpore Quantum是基于昇思MindSpore开源深度学习框架和HiQ量子计算云平台开发的通用量子计算框架，支持多种量子神经网络的训练和推理。 得益于华为HiQ团队的量子计算模拟器和昇思MindSpore高性能自动微分能力，MindQuantum能够高效处理量子机器学习、量子化学模拟和量子优化等问题，为广大的科研人员、老师和学生提供快速设计和验证量子机器学习算法的高效平台。 **8月10日 19：30** **●** **1 ●** **主题**：基于MindSpore实现不同几何边界下Poisson方程求解 **主讲人**：**Hongsheng**—Research Engineer **简介**：基于MindSpore科学计算套件包MindElec，采用PINNs方法试下不同几何下的Poisson方程求解。 具体几何边界包括：（1）2D：矩形、圆、三角形、五边形。（2）3D：圆柱、圆锥、四面体。其边界条件采用Dirichelet边界条件，具体形式可以参赛选手自己指定。 **●** **2 ●** **主题**：物理驱动的AI电磁仿真技术创新 **主讲人**：**Kyang**—华为高级工程师 **简介**：基于MindSpore科学计算套件包MindElec，采用PINNs方法实现3D频域Maxwell方程的求解。 **●** **3 ●** **主题**：利用MindSpore实现分子蛋白复合物结构预测 **主讲人**：**Mfold**—华为工程师 **简介**：介绍药物发现领域使用AI方法进行小分子与蛋白质结合构象和结合亲和力预测的背景、现有技术以及数据库等。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1707/ --- 活动中心 倒计时1天！8月11日AI+科学计算免费课程即将开启！ # 倒计时1天！8月11日AI+科学计算免费课程即将开启！ 2022/08/10 # 倒计时1天！8月11日AI+科学计算免费课程即将开启！ **暑期学校课程即将开启！** MindSpore SPONGE暑期学校第二季，将于明日8月11日正式开启，目前已收到**近800位**开发者的报名。 本次课程以AI+科学计算为主题，联合14位国内知名专家全程手把手授课。我们希望更多的开发者一起加入社区，共同开发、共同探索开源科学软件的未来。 **本次课程将于\*\*\*\*明日截止报名** **课程\*\*\*\*全程免费** **线上线下同步开启** **欢迎大家用于报名！** **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1722/ --- 活动中心 第七期两日集训营报名开启啦！华为研发专家在线详解1.8版本最实用功能！ # 第七期两日集训营报名开启啦！华为研发专家在线详解1.8版本最实用功能！ 2022/08/18 # 第七期两日集训营报名开启啦！华为研发专家在线详解1.8版本最实用功能！ **两日集训营** 人工智能——全球科技市场目前最热门的词汇，它让这个繁忙时间轴上的生活变得更轻松。其实大多数人对人工智能都有一个模糊的概念，但无法解释。可预见的是，人工智能时代离我们越来越近了。AI模式也正在为各行各业提供数字化、网络化、智能化的服务并大大提高各产业生产力和效率，肉眼可见的是生活越来越便利。 **两日集训营**一直致力于为大家提供**全场景AI框架昇思MindSpore**最新版本使用功能的讲解课程，帮助大家学习最新AI技术，了解人工智能对未来社会发展的重要性，更快地解决工作中的难题。 **亮点我先知** 本期MindSpore集训营带来了最新1.8版本的实用功能讲解，你将学到MindSpore 1.8版本关键特性技术： - MindSpore Golden Stick，提供丰富的模型压缩算法； - 开源大模型训练套件MindSpore Transformer、推荐网络训练套件MindSpore Recommender，帮助开发者实现高性能的模型并行训练和推荐网络大模型训练； - 持续升级自定义算子能力，实现多平台的统一算子开发表达； - 统一图像处理类接口、提供model.fit高阶API和早停功能，不断提升API接口易用性； - 新增180多个算子的functional接口，并支持NPU、GPU、CPU平台，方便开发者调用。 **课题提前看** 本次两日集训营，我们特邀7位MindSpore研发专家为大家线上授课，每个课题均给大家留下了作业，讲解过后，大家可以通过作业消化内容。华为研发专家将会全程社群指导，开发者避“坑”经验等你get！ **课程安排** ① 线上课程：9月3日—9月4日 上午（9：00~12：00） 线上直播课 下午（14：00~17：00） 做作业+课程群组答疑 ② 作业时间：9月5日—9月9日 ③ 课程结业：9月12日 **课程收获** ① 全方位深入学习MindSpore 1.8和高效的框架代码实践 ② 与华为研发专家全程深入交流，更有机会与大咖面对面 ③ 全程作业跟踪批改，以及开发者避“坑”经验大全 ④ 令人心动的学习结业激励 **结业奖励** **积极学员奖** （1）**完成3个作业及以上**的同学均可获得： - MindSpore官方定制的纸质+电子证书，纸质版都用精美画框包装，可长期保存。 - MindSpore官方定制潮款T恤一件！ （2）**完成6个作业及以上**的同学均可获得： - MindSpore官方定制的纸质+电子证书，纸质版都用精美画框包装，可长期保存。 - MindSpore官方定制大礼包+认证官方优秀开发者绿色通道！ **打卡直播奖** 连续两天打卡线上课程，直播间将不定时掉落MindSpore最新定制礼品一份~ **免费算力** 本次活动将为大家提供免费算力支持，加入课程群组后可申请~ **扫码加群** **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1724/ --- 活动中心 大赛报名 | 第一期·2022量子算法难题挑战赛正式开启，诚邀您参赛，挑战年度总冠 # 大赛报名 | 第一期·2022量子算法难题挑战赛正式开启，诚邀您参赛，挑战年度总冠 2022/08/18 # 大赛报名 | 第一期·2022量子算法难题挑战赛正式开启，诚邀您参赛，挑战年度总冠 **致MindSpore Quantum开发者** 感谢大家一直以来对MindSpore Quantum开源社区的关注和支持！为促进量子算法开放共享和技术创新，HiQ量子计算软件团队和昇思MindSpore社区联合举办第一期·2022量子算法难题挑战赛，诚邀您来参赛，挑战年度总冠军！ **量子化学模拟——** **基态能求解的浅层线路设计** 基于开发者对第四届·2022量子计算黑客松全国大赛的参与热情和关注，本次针对黑客松大赛第二题发起难题挑战打榜活动。 Variational Quantum Eigensolver (VQE) 算法是一种用于计算分子基态能量的量子化学模拟方法，它可以结合经典计算机，利用当前含噪的量子计算机解决一些化学问题。 现有常用的线路设计和优化方法通常难以平衡计算效率和计算精度的问题，本次挑战赛旨在让参赛者通过设计线路或改良优化方法，用最短的时间优化得到对应分子的符合化学精度的基态能量。 **赛事交流** 大赛交流答疑请务必扫码加入微信群，群里会不定时公布赛事重要信息、获奖名单、直播信息等内容。 **参赛选手交流群（仅作为选手之间讨论和交流）** 请扫描如下小助手二维码，回复“**量子黑客松**”进入交流群。大赛重要节点通知会在群内第一时间告知，请所有报名选手务必加群。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1725/ --- 活动中心 “创未来·享非凡”昇腾AI开发者创享日—大连站来啦，期待您的莅临！ # “创未来·享非凡”昇腾AI开发者创享日—大连站来啦，期待您的莅临！ 2022/08/18 # “创未来·享非凡”昇腾AI开发者创享日—大连站来啦，期待您的莅临！ **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1752/ --- 活动中心 【直播预告】8月27日易用性SIG分享会——易用性提升、函数式编程及模型迁移实践 # 【直播预告】8月27日易用性SIG分享会——易用性提升、函数式编程及模型迁移实践 2022/08/26 # 【直播预告】8月27日易用性SIG分享会——易用性提升、函数式编程及模型迁移实践 --- https://www.mindspore.cn/activities/zh/1754/ --- 活动中心 第七期两日集训营邀请活动上线！参与就送昇思社区定制礼品，先到先得！ # 第七期两日集训营邀请活动上线！参与就送昇思社区定制礼品，先到先得！ 2022/08/26 # 第七期两日集训营邀请活动上线！参与就送昇思社区定制礼品，先到先得！ **第7期两日集训营** **两日集训营**一直致力于为大家提供**全场景AI框架昇思MindSpore**最新版本使用功能的讲解课程，帮助大家学习最新AI技术，了解人工智能对未来社会发展的重要性，更快地解决工作中的难题。 本期MindSpore集训营带来了最新1.8版本的实用功能讲解，你将学到MindSpore 1.8版本关键特性技术： - MindSpore Golden Stick，提供丰富的模型压缩算法； - 开源大模型训练套件MindSpore Transformer、推荐网络训练套件MindSpore Recommender，帮助开发者实现高性能的模型并行训练和推荐网络大模型训练； - 持续升级自定义算子能力，实现多平台的统一算子开发表达； - 统一图像处理类接口、提供model.fit高阶API和早停功能，不断提升API接口易用性； - 新增180多个算子的functional接口，并支持NPU、GPU、CPU平台，方便开发者调用。 **_入营有礼！_** **_参与集训营邀请活动，社区好礼免费送！_** **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1777/ --- 活动中心 活动回顾 | 首届量子计算青年国际论坛·MindSpore Quantum之夜 # 活动回顾 | 首届量子计算青年国际论坛·MindSpore Quantum之夜 2022/08/31 # 活动回顾 | 首届量子计算青年国际论坛·MindSpore Quantum之夜 为促进我国量子计算技术研究创新，加强与量子计算领域专家学者之间的交流和探索，HiQ量子计算软件团队在首届量子计算青年国际论坛期间举办“**MindSpore Quantum之夜**”，以“**AI+量子计算**”为主题展开学术交流。 本次学术交流吸引了来自中国科学院、北京大学、南京大学、北京航空航天大学、南方科技大学、西湖大学等科研机构和高校师生40多人到场参加。会议在量子计算青年国际论坛协议酒店举行，8月26日晚上19点会议准时开始，会场座无虚席、气氛热烈，主办方和与会学者进行了深入交流。学者们完全没有听了一天报告的疲惫，“MindSpore Quantum之夜”两个多小时的交流全程都激情高昂，收获满满。 本次会议包含AI科学计算和量子计算学术交流两个部分。 首先是昇思MindSpore资深架构师杨康博士做“AI科学计算业界趋势及MindSpore实践”报告，详细介绍了全场景AI框架MindSpore在AI科学计算领域的优势以及应用场景案例。本次交流让从事量子相关研究的学者了解MindSpore，从而对AI有了全新的认识。 接下来是本次学术会议的重点，由HiQ量子计算团队做“基于MindSpore Quantum量子机器学习与实践”报告。 MindSpore Quantum是基于昇思MindSpore开源深度学习框架开发的通用量子计算框架，采用量子经典混合计算架构，能够高效支持各种变分量子算法实现。基于HiQ高性能量子计算模拟器和昇思MindSpore高性能自动微分能力，MindSpore Quantum能够高效处理量子机器学习、量子化学模拟和量子组合优化等问题，为广大的科研人员、老师和学生提供快速设计和验证量子计算算法的高效平台。 MindSpore Quantum在变分量子算法上有着卓越的性能，同时在量子化学模拟支持30+量子比特。为了方便学者快速学习并理解量子计算，MindSpore Quantum社区提供了丰富的变分算法库和API接口。研究团队详细介绍了MindSpore Quantum的优势和应用场景。 活动的最后，为了让大家对MindSpore Quantum有更深入的认识，**以QAOA量子组合优化算法解决Max-cut问题为例**，研究团队带着大家手把手的实操体验，通过HiQ量子计算云平台来进行量子算法编程。 我们希望通过本次学术交流和实践，激发学者们对量子计算软件和算法研究的热情，进而带动技术创新，共同推进量子技术发展，为国家培养量子计算人才。 合影留念，期待MindSpore Quantum下次活动再见！ **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1780/ --- 活动中心 MSG广州·开发者分享 | 如何基于MindSpore实现二次元风格、染发、变老等功能？ # MSG广州·开发者分享 | 如何基于MindSpore实现二次元风格、染发、变老等功能？ 2022/08/31 # MSG广州·开发者分享 | 如何基于MindSpore实现二次元风格、染发、变老等功能？ **项目背景** GAN，又叫生成对抗网络，是一种非监督的学习。该网络中有一个**生成器（Generators）**和**判别器（Discriminators）**，而训练过程就是这两个网络不断博弈对抗的过程。生成器不断生成假图企图通过判别器的识别，而判别器则将图片划分为真实图像和生成图像。 ◆ 在该模型中，生成器的输入是一串噪音，输出是一张生成的假图，而生成器致力于让判别器无法识别出这张假图是生成的图还是真实图像。在训练过程中，不断用判别器的分数做反馈使生成器效果越来越好。 ◆ 判别器的输入是一张图片，输出则是图片的分数，分数越高说明此时生成的图像越接近真实图像。判别器致力于识别图片是真图还是假图 ，在训练过程中不断投喂假图，输出一个分数再与真实图像的标签进行比较。实际上也是一个二分类的过程。 **直播要点抢先看** 基于昇思MindSpore实现基于GAN网络模型的漫画脸，输入一张图片，输出一张漫画脸，可以用作手机变装，二次风格等应用场景。 解决方案：基于StarGAN、AnimeGANv2，实现染发、变老、变儿童、二次元风格等功能。 **MSG广州·开发者分享直播** **_8月31日（今晚）19：30_** 的昇思MindSpore开发者分享，以StarGAN模型为主进行讲解，手把手教你如何基于昇思MindSpore实现漫画脸。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1785/ --- 活动中心 MSG上海·开发者分享 | 昇思MindSpore模型迁移实战——以EDVR为例 # MSG上海·开发者分享 | 昇思MindSpore模型迁移实战——以EDVR为例 2022/09/02 # MSG上海·开发者分享 | 昇思MindSpore模型迁移实战——以EDVR为例 **项目背景** 深度学习在计算机视觉的许多领域取得成功，其中视频（多帧图像）处理方面也得到了许多学者的关注。最近的研究通过更复杂的pipeline将视频恢复任务分为特征提取、对齐、融合以及重新四部分，较好地利用了视频的帧间信息。此时，对齐和融合模块的设计就成了很大的挑战。为了能得到高质量的结果，那么，精确地对齐相邻帧和参考帧、高效地融合对齐后的特征都是非常重要的。 EDVR同样也包括上述的四部分，分别为：PreDeblur Module， PCD Align Module，TSA Fusion Module以及Reconstruction Module。本次直播昇思MindSpore开发者将手把手教你以EDVR为例进行MindSpore模型迁移实战。 **MSG上海·开发者分享直播** **_9月2日（今晚）19：30_** 的昇思MindSpore开发者分享，昇思MindSpore模型迁移实战——以EDVR为例。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1786/ --- 活动中心 CIIS 2022丨AI框架技术与应用创新论坛邀您线下参会！ # CIIS 2022丨AI框架技术与应用创新论坛邀您线下参会！ 2022/09/06 # CIIS 2022丨AI框架技术与应用创新论坛邀您线下参会！ **9月17-18日，2022第十一届中国智能产业高峰论坛（CIIS 2022）将在厦门举办**，大会主席由戴琼海院士、王恩东院士、赵春江院士共同担任。 本届大会将从产业应用需求角度出发，解构人工智能商业实践现状，探索智能产业未来发展路径，为区域经济发展、产业布局和智能生态建设注入新动能。9月17号我们诚挚地邀请您参与《AI框架技术与应用创新论坛》，期待与您相见！ **有关论坛** 9月17日，由华为昇腾计算业务CTO周斌博士，华为软件领域科学家、MindSpore架构师于璠教授共同担任论坛主席的《AI框架技术与应用创新论坛》，将邀请“中国人工智能学会-华为MindSpore学术奖励基金项目”负责人，聚焦AI框架的发展趋势以及MindSpore的实践等议题带来精彩分享。 《中国人工智能学会-华为MindSpore学术奖励基金》是由中国人工智能学会和华为技术有限公司于2020年共同发起，面向高校及科研院所的AI科研人员搭建学术交流平台，提供经费、算力、技术支持等服务，推动MindSpore在AI领域科研的应用，并支持基于MindSpore框架的国际国内高水平会议和期刊的学术论文发表，激励原创性科学研究开展，构建中国人工智能科学研究的全球影响力。 **参会信息** **论坛名称**：AI框架技术与应用创新论坛 **举办时间**：2022年9月17日 14:00 - 17:00 **举办地点**：厦门万达嘉华酒店 **具体日程** **论坛主席** **个人简介** 山东大学信息科学与工程学院教授。主持多项重大科研项目，包括GPU版本的天气预报模式Grapes、人脸检测识别系统和视频处理系统、人工智能处理器芯片等。主要研究方向为异构计算系统和体系架构、深度学习和机器学习、并行计算和信号处理，以及基于深度学习的目标检测、分类、识别和跟踪等研究。曾任中国科学技术大学、北京航空航天大学和乔治梅森大学客座及讲席学者，NVIDIA CUDA Fellow 。拥有10多项国内外专利，发表论文20多篇。 **个人简介** 哈尔滨工业大学客座教授。主导华为AI系统核心算法、云计算资源调度、SDN大规模路由等架构及算法的设计和落地。发表专利和论文30余篇/项。荣获2020 OSCAR开源人物奖。 **论坛嘉宾** **个人简介** 主要研究领域为计算机视觉和机器学习。发表学术论文50余篇，相关研究成果获iNaturalist等国际权威赛事共5项世界冠军。主持并参与国家重点研发计划等项目多项。曾任ICCV、IJCAI等Workshop程序委员会主席、ACCV 2022 Tutorial主席、AAAI、IJCAI等会议高级程序委员或领域主席。入选中国科协青年人才托举工程，曾获江苏省计算机学会青年科技奖、南京经开区中青年优秀人才等。 **个人简介** 主持科技部科技创新2030-“新一代人工智能”重大项目课题、军委科技委国防创新特区项目、国家自然科学基金、第一、二届中国人工智能学会-华为MindSpore学术基金等。发表学术论文80余篇，提出的图像复原算法获CVPR2020图像视频复原和增强挑战赛两项冠军。IJCAI2019-2022领域主席/Senior PC、CIKM2019领域主席。曾获吴文俊人工智能科学技术奖自然科学二等奖、上海市科技进步特等奖。 **个人简介** CAA混合智能专委会秘书长。主要从事大规模目标识别理论方法研究和图像超分辨重建研究。发表学术论文百余篇。主持或参与国家“973计划”项目、国防预研项目、国家“863计划”项目，以及多项国家自然科学基金面上项目、装备预研加强项目等多项。 **个人简介** CICC理事与青年工委会副主任，安徽省机器人学会监事长。曾在清华大学、阿里巴巴、百度等任职，致力于无人驾驶关键技术研发与产业化工作。主持国家自然科学基金重点项目、 集成项目课题等15余项。发表学术论文30余篇，获国际期刊会议论文奖8次。曾获安徽省“特支计划”创新领军人才、中国指挥与控制学会科学技术进步奖一等奖和青年科学家奖等。 **个人简介** 主要研究方向为机器学习的模型算法研究及应用、概率统计学习、自然语言处理等。在ICML、NIPS等会议或期刊上发表学术论文近50篇。曾获CCF A类学术会议国际计算语言学大会ACL 2018最佳论文提名、广东省计算机学会优秀论文一等奖等。长期担任ICML、NIPS、AAAI等多个重要国际学术会议（高级）程序委员会委员。 **论坛主持人** **个人简介** MindSpore高校合作负责人、生态架构师等。参与了MindSpore主要架构设计和后端开发，拥有丰富的基于MindSpore的模型开发、调试、部署经验，熟悉深度学习图引擎领域相关技术。 **报名参会** 线下参会报名链接，报名免费参与论坛，现场还有官方定制礼品赠送哦： **http://p03sesv5ub0zbkfx.mikecrm.com/IZCVDAh** **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1787/ --- 活动中心 大赛报名 | 年度最值得参与的遥感影像类赛事，角逐28万奖金！ # 大赛报名 | 年度最值得参与的遥感影像类赛事，角逐28万奖金！ 2022/09/06 # 大赛报名 | 年度最值得参与的遥感影像类赛事，角逐28万奖金！ 遥感影像类年度赛事——**2022“航天宏图杯”遥感影像智能处理算法大赛**（以下简称“大赛”）正式火热开赛中！ 本次大赛由国家自然科学基金委员会信息科学部（NSFC）和国际摄影测量与遥感学会（ISPRS）支持，“空间信息网络基础理论与关键技术”重大研究计划指导专家组主办，武汉大学测绘遥感信息工程国家重点实验室、武汉大学遥感信息工程学院承办，航天宏图信息技术股份有限公司独家冠名，华为技术有限公司赞助，旨在“以赛促创”，推动人工智能技术在遥感影像领域的创新发展，为实现空间信息处理与应用能力的大幅提升提供支撑。 **大赛安排** **01** **赛题：道路提取和交叉口识别** 基于遥感影像的道路提取对于自动驾驶、地图构建等应用具有重要意义。而现有道路提取方法多关注于道路像素级别的分割，而对于交叉口的识别关注较少，同时交叉口的识别定位对于更精细的道路拓扑构建和连通性信息判别就有重要意义。本赛道希望遴选出高效高精度的算法模型，同时识别出道路的分割掩膜和交叉口区域的定位。 **02** **赛题任务** 选手根据提供的遥感影像识别出道路的分割掩膜和两种交叉口类型区域的定位。 **03** **数据简介** 数据为0.1-1米分辨率光学遥感影像，由武汉大学测绘遥感信息工程国家重点实验室和航天宏图信息技术股份有限公司采集、标注、构建。 **04** **赛题赛程** **奖项设置** 备注：以上奖金为税前奖金。 **赛题详情** 01 扫码了解详情 02 或点击链接前往查看详情：http://rsipac.whu.edu.cn/subject\_one **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1788/ --- 活动中心 精彩回顾 | 8月27日易用性SIG技术分享活动 # 精彩回顾 | 8月27日易用性SIG技术分享活动 2022/09/07 # 精彩回顾 | 8月27日易用性SIG技术分享活动 8月27日，MindSpore易用性SIG举行了第4次线上技术分享活动，主题是《易用性提升、函数式编程及模型迁移实践》，共有300余位开发者朋友通过腾讯会议和B站直播参与了本次活动。 感谢开发者们的热情参与和各位老师的精彩分享，在此我们整理了此次活动的内容摘要和直播视频回放，欢迎大家观看！ **分享内容回顾** 本次活动的主题是《易用性提升、函数式编程及模型迁移实践》，3位演讲嘉宾面向MindSpore初中级开发者，介绍**MindSpore1.8版本新特性、混合编程范式和模型迁移实践**。 感谢**马博文、吕昱峰、项靖阳**为大家带来的精彩分享！ **《百尺竿头-MindSpore 1.8带来的易用性提升》** 华为昇思MindSpore易用性工程师马博文，分享了MindSpore 1.8在数据处理、模型开发和领域套件等方面的带来的易用性提升，展示了易用性SIG任务进展，并向各位开发者介绍了后续易用性SIG开发任务。 **《成年人全都要-MindSpore函数式+Cell混合编程实践》** MindSpore研发专家/布道师吕昱峰，介绍了面向对象+函数式混合编程、GAN模型特点、函数式编程下的混合精度实现。 **《影分身之术-MindSpore图像分类任务大作战》** MindSpore布道师，浙江大学控制科学与工程学院研一项靖阳，介绍了自己在做MindSpore图像分类任务过程中遇到的一些问题及解决方案，对如何使用MindSpore搭建自己的图像分类问题套件，提出了自己的建议和对功能完备性的展望。 1、本次活动的演讲材料将发布到MindSpore社区，请点击链接获取。 https://gitee.com/mindspore/community/tree/master/sigs/usability 2、本次活动的视频将上传到B站MindSpore官方账号，点击如下链接观看。 https://www.bilibili.com/video/BV1Wu411y7u1?p=6&vd\\\_source=f199b0e3200b02f557239b1b8efa5e1e **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1790/ --- 活动中心 共探人工智能新发展，AICON 2022即将重磅开启 # 共探人工智能新发展，AICON 2022即将重磅开启 2022/09/07 # 共探人工智能新发展，AICON 2022即将重磅开启 随着人工智能技术快速发展、数据和算力资源日益丰富，真实的应用场景不断涌现，全球人工智能产业保持高速发展态势。 **9 月 26 日，由 LF AI & DATA 基金会主办的 AICON 2022 将在杭州举行，重点关注人工智能技术领域的行业变革与技术创新。** 届时，来自全球的人工智能领域顶尖科学家、行业专家及著名企业家将齐聚一堂，共同围绕核心技术、行业落地、产业赋能、发展要素、治理机制等热门话题进行深入探讨和交流，分享全球人工智能行业新趋势、新动向，探索人工智能发展新模式新路径。 大会由一个主论坛以及 “AI 框架与模型”“AI + 数据”“AI 工程化”“昇思生态论坛” 四个分论坛组成。 **AI框架与模型** AI 框架作为人工智能的根技术，被认为是 “人工智能基础设施的操作系统”，是联接数据、算法和算力等人工智能要素的关键枢纽。随着其重要性的不断凸显，AI 框架已经成为了人工智能产业创新的焦点之一，引起了学术界、产业界的重视。本分论坛将聚焦全球主流开发框架的技术演进及创新。 **AI+数据** 当前，AI 产业级应用已经进入大数据、大模型时代。AI 技术需要通过海量精准的大数据和丰富明确的应用场景产生价值。本论坛将重点关注 AI 技术在海量数据处理、分析等方面的应用，同时还将关注数据安全、数据隐私、AI 可信等涉及到隐私和合规方面的问题。 **AI工程化** AI 要成为企业的生产力，就必须以工程化的技术来解决模型开发、部署、管理、预测等全链路生命周期管理的问题。可以说，AI 工程化是人工智能落地的必经之路。Gartner 甚至将 “AI 工程化” 列为 2021 年度九大重要战略科技趋势之一。本分论坛将探讨如何构建 AI 工程化能力，将 AI 原型转化为生产力，加速应用落地。 **昇思生态论坛** 昇思 MindSpore 是华为开源的新一代全场景 AI 框架，支持端、边、云全场景灵活部署，开创全新的 AI 编程范式，降低 AI 开发门槛，旨在实现开发友好、运行高效、部署灵活三大目标，同时着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。在本次分论坛上，将公开昇思近期最新的生态进展、技术创新实践成果以及行业解决方案。 Linux 基金会执行董事 Jim Zemlin、LF AI & DATA 基金会主席堵俊平、LF AI & DATA 基金会执行董事 Ibrahim Haddad、Linux 基金会亚太区业务发展总监杨轩以及 LF AI & DATA Outreach Chair 胡晓曼将隆重出席本次会议。 \*\*Jim Zemlin，\*\***Linux基金会执行董事** Jim Zemlin 是 Linux 基金会执行董事，同时也是全球经济研讨会、美国开源和中国开源促进联盟的董事会成员。其职业生涯跨越了过去十年兴起的三大技术趋势：移动计算、云计算和开源软件。在 Linux 基金会，Jim 与世界上最大的科技公司合作，包括 IBM、英特尔、谷歌、三星、高通等，以帮助定义服务器、云和各种移动计算设备上计算的未来.。在供应商中立的 Linux 基金会的工作，使他对全球技术行业有独特的综合视角。 \*\*堵俊平，\*\***LF AI & DATA 基金会主席** 堵俊平是 LF AI & DATA 基金会主席，华为计算开源业务（OSDT）总经理，开放原子开源基金会 TOC（技术监督委员会）主席，Apache 软件基金会 Member，Apache Hadoop PMC & Committer 以及 Apache NuttX, YuniKorn 等项目导师。加入华为前，堵俊平历任腾讯开源联盟主席 / 数据平台部总监，Hortonworks Hadoop 核心团队（美国）负责人等角色，积累了在云计算，大数据以及开源领域长期的研发、管理和业务经验，具有广阔的技术视野和业界影响力。 \*\*Ibrahim Haddad，\*\***LF AI & DATA 基金会执行董事** Ibrahim Haddad 是 LF AI & DATA 基金会的执行董事，是开源 AI & Data 领域的创建者和维护者。在加入 LF AI & DATA 基金会之前，Haddad 曾在三星电子担任研发副总裁和开源部门负责人，还曾在 Ericsson Research、开源开发实验室、摩托罗拉、Palm、惠普和 Linux 基金会等组织机构担任技术和投资组合管理职务。 \*\*谭中意，\*\***星策社区发起人、LF AI & Data TAC 成员** 谭中意，开放原子基金会 TOC 副主席，国际开源合规标准 OpenChain 中国工作组联合创始人，他还是企业智能化转型开源社区 —— 星策社区发起人，曾在 Sun、百度、腾讯从事开源相关工作 20 年，对开源战略、合规、运营都有很深的经验。 \*\*杨轩，\*\***Linux 基金会亚太区业务发展总监** 杨轩拥有超过 20 年软件行业经验，曾在 Saba、Sumtotal、Computer Associates 等大型国际软件公司担任高级管理职务，拥有丰富的企业级软件应用和开发经验，以及软件开源和数字化转型实践经验。 \*\*胡晓曼，\*\*\*\*华为昇思MindSpore开源生态总监、\*\***LFAI & DATA Outreach委员会主席** 胡晓曼是华为昇思 MindSpore 开源生态总监，LFAI & DATA Outreach 委员会主席，中国电子学会专家，TinyMS 开源项目负责人，2021 中国开源先锋，还是 MSG・Women In Tech 组织创始人，华为科技女性代表人之一。胡晓曼曾任算法专家，负责计算机视觉和分布式深度学习框架项目。 \*\*黄之鹏，\*\***华为计算开源生态总监** 黄之鹏是华为计算开源生态总监，负责操作系统、数据库、人工智能等多个领域的开源生态建设，同时担任启智 OpenI 社区、LFAI 基金会、私密计算论坛等开源组织的技术委员会的委员职务，Kubernetes Policy 工作组以及 CNCF 基金会安全兴趣组中 Policy 团队负责人，OpenStack Cyborg 项目创始人，并且带领团队参与 ONNX、 Kubeflow、Akraino 等开源社区。 \*\*孟伟，\*\***中兴通讯标准与开源战略总监** 孟伟，中兴通讯标准与开源战略总监，国际电信联盟 ITU-TFG-ML5G 架构组主席，LFAI&DATA 董事会及 TAC 成员，中国人工智能产业发展联盟总体组副组长。孟伟在人工智能与通讯领域拥有超过 15 年研究经验，牵头孵化多个标准与开源项目，主导编写 30 余项国内外专利并获得授权。 **活动详情链接** https://www.oschina.net/page\\\_event/aicon2022/ **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1791/ --- 活动中心 竞赛报名 | 昇思AI挑战赛，6万奖金等你来拿！ # 竞赛报名 | 昇思AI挑战赛，6万奖金等你来拿！ 2022/09/08 # 竞赛报名 | 昇思AI挑战赛，6万奖金等你来拿！ 只会理论知识，不会底层实际开发实践？只会写最简单的网络层，不会深度学习框架，不会高性能计算？没有实际项目经验，无法获得面试官的青睐？昇思AI挑战赛助力你快速上手高性能深度学习框架，提升算法与项目实践经验。 **昇思AI挑战赛** 昇思MindSpore是华为开源的新一代全场景AI框架，支持端、边、云全场景灵活部署，开创全新的AI编程范式，降低AI开发门槛，旨在实现开发友好、运行高效、部署灵活三大目标，同时着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。昇思AI挑战赛，是面向全球AI开发者打造的赛事，本次开设三大赛道，涵盖AI基础领域，皆在为开发者提供一个学习昇思MindSpore，探索模型算法与提升算法能力的机会。 **三大赛道** **_01_** **多类别图像分类** 图像分类是计算机视觉中最基础的任务，目前图像分类的算法仍然在飞速发展。本赛题旨在让参赛者熟悉昇思MindSpore并锻炼参赛者使用MindSpore进行图像分类预处理、图像分类的能力。同时为了考察参赛者应对大量数据的处理能力，本赛题采用Celtech多类别图像数据集。 扫码进入赛道交流群 **_02_** **文本分类** 文本分类研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。文本分类在AI领域承担了重要角色。本赛题旨在让参赛者熟悉昇思MindSpore并锻炼参赛者使用MindSpore进行NLP的文本处理、文本分类的能力。本赛题采用Amazon Review数据集，参赛者需要根据用户评论文本，对用户的评分进行预测（1-5分的整数）。 扫码进入赛道交流群 **_03_** **艺术家风格迁移** 图像风格迁移技术的发展在图像处理、计算机视觉、影视制作等领域均发挥着不可估量的作用。本赛题旨在让参赛者熟悉昇思MindSpore并锻炼参赛者使用MindSpore进行图像风格迁移的能力。本赛题采用梵高画作作为风格迁移的目标风格。 扫码进入赛道交流群 **项目设置和激励** **参与指南** 报名通道已经开启，选择赛道即可注册报名。（可多个赛道报名） **报名参赛** （1）扫码报名 （2）点击链接即可快速前往报名：https://xihe.mindspore.cn/competition **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1793/ --- 活动中心 MSG广州·开发者分享 | MindSpore Graph Learning模型与接口开发实践 # MSG广州·开发者分享 | MindSpore Graph Learning模型与接口开发实践 2022/09/08 # MSG广州·开发者分享 | MindSpore Graph Learning模型与接口开发实践 **项目背景** MindSpore Graph Learning是香港中文大学的James Cheng教授团队吴一迪博士等人和华为昇思MindSpore团队基于昇思MindSpore提出的图学习框架，尝试从易用性、高性能的角度寻求突破，创新性地提出了以点为中心的编程范式和针对图学习的编译优化策略。 MindSpore Graph Learning的整体架构图如下： **MSG广州·开发者分享直播** **_9月8日（今晚）19：30_** 昇思MindSpore开源实习优秀实习生王艺轩将分享其在本次实习中，基于昇思MindSpore实现gae和vgae生成式网络，同时利用C优化了图数据负采样算子，并且实现pca、knngraph和distance等图数据处理接口的开发实践。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1804/ --- 活动中心 大模型的风，还需要一个底层AI框架来落地 # 大模型的风，还需要一个底层AI框架来落地 2022/09/09 # 大模型的风，还需要一个底层AI框架来落地 深度学习发展至今，语言、视觉、推荐、代码生成等多个领域相继出现一些“大模型”成果，不断刷新着人们对AI的认知与想象。深度学习依赖对大量数据的训练，而“大模型”的参数更多、函数更复杂，这样的特征使得模型所演算出来的结果更精准。随着万物互联世界的进一步发展，数据量的扩展与数据收集已不再是难题，随之而来的新命题是如何处理海量数据，并且做出更好地训练。 早在2017年，Transformer结构被提出，使得深度学习模型参数突破了1亿；2018年，BERT网络模型的提出，使得参数量首次超过3亿规模；2020年，拥有1750亿个参数的 GPT-3横空出世；2021年推出的ZionEX系统，其所支持的推荐模型大小已超过10万亿规模…… 随着数据规模的指数级增长，大模型已经逐渐被认为是通过深度学习认知智能的桥梁。 然而，数据量的暴增提出了新的命题——如何跨越通信等瓶颈，提升大模型的训练效率？为了支持大模型的训练，往往需要一套大规模分布式训练框架来训练大模型。 对此，华为交出的答卷便是昇思MindSpore AI框架，原生支持大模型训练。昇思 MindSpore拥有业界领先的全自动并行能力，提供6维混合并行算法，即数据并行、模型并行、流水并行、优化器并行等能力；极致的全局内存复用能力，在开发者无感知的情况下，自动实现 NPU 内存 / CPU 内存 / NVMe 硬盘存储的多级存储优化，极大降低模型训练成本；极简的断点续训能力，可解决大集群训练故障导致的任务中断问题……通过这些特性，可以很好地解决大模型开发时遇到的内存占用、通信瓶颈、调试复杂、部署难等问题。 **专注底层能力，** **昇思MindSpore携手伙伴打造四大创新模型** 值得注意的是，昇思MindSpore AI框架专注底层能力建设，为业界提供大模型的搭建基础。至今，昇思MindSpore AI已经携手业内领先的研究机构，推出覆盖自然语言处理、遥感影像、生物医药、多模态的的四大模型，并广泛应用在金融、医疗、农林业、制造等各个行业。 2021年5月，在华为生态大会2021「昇腾万里 共赢智能新时代」上，鹏城实验室基于昇思MindSpore推出了全球首个2000亿参数中文NLP大模型鹏程.盘古，是最接近人类中文理解能力的AI大模型。鹏程.盘古大模型具备广泛的运用场景，在知识问答、知识检索、知识推理、阅读理解等文本生成领域表现突出。 2个月后，中科院自动化所联合华为基于昇腾AI和昇思MindSpore AI框架打造的全球首个三模态大模型——“紫东.太初”正式推出。紫东.太初能够实现视觉、文本、语音三个模态间的高效协同，性能全球领先，是探索通用人工智能道路上的重要成果，将在工业质检、影视创作、互联网推荐、智能驾驶等领域广泛应用。同时，依托其技术创新性和行业影响力，紫东.太初获得今年WAIC的最高奖项——卓越人工智能引领者奖（Super AI Leader，简称SAIL奖） 除了基础大模型之外，昇思MindSpore AI框架还已支撑两个行业大模型上线——鹏程.神农和武汉.LuoJia。 鹏城实验室联合华为基于昇腾AI和昇思MindSpore AI框架打造了面向生物医学领域的人工智能平台 “鹏程.神农”。制药企业和医学研究机构使用“鹏程.神农”提供的AI能力，将大大加速新型药物的筛选与研制，让人工智能为人类的健康保驾护航。 武汉大学与华为昇腾AI团队一起，共同打造了嵌入昇思MindSpore先进技术特性的全球首个遥感影像智能解译专用框架武汉.LuoJiaNet和业界最大遥感样本库武汉.LuoJiaSET，助力遥感智能解译，为数字乡村建设、粮食安全保护、城市规划建设国计民生应用赋能。 \*\*构筑体验平台，\*\***开放大模型能力** 通常，训练一个大模型的人力和资源成本都非常之高，这也就导致了普通开发者入门无道。为了让更多开发者可以体验到大模型的魅力，昇思MindSpore社区打造了一站式大模型体验平台，已在7月30日正式上线。 昇思大模型体验平台：https://xihe.mindspore.cn/ 昇思大模型体验平台不仅集模型选型、在线推理、在线训练为一体，还支持了Gradio项目可视化推理、在线进行迁移学习。开发者可以在线查询基于昇思MindSpore构建的模型和数据集，并选择自己感兴趣的大模型及相关任务，如鹏城.盘古大模型的知识问答、检索和推理等、紫东.太初多模态大模型的以音搜图、以图生音和以音生图等。 **实战造英雄，昇思AI挑战赛现已开幕！** Get一项新技能，最好的办法就是立个小目标，自己动手实操。 在开发者领域，底层理论的掌握程度很难代表实际开发效果。为了能让更多开发者有机会学习昇思MindSpore，探索模型算法并提升算法能力，进而为行业储备人才，推动人工智能软硬件应用生态繁荣发展，昇思MindSpore特举办昇思AI挑战赛。 昇思MindSpore还为参赛者准备了丰厚的奖品： - 一等奖1名，奖金5K元并颁发官方荣誉证书； - 二等奖2名，奖金3K元并颁发官方荣誉证书； - 三等奖3名，奖金 2 K元并颁发官方荣誉证书； - 入围复赛且通过代码审查且成功在线推理的队伍可获得证书、定制大礼包等奖品； - 凡是提供推理模块的队伍，均可获得参与奖。 本次AI挑战赛是面向全球 AI 开发者打造的赛事，开设多类别图像分类、文本分类、艺术家风格迁移三大赛道，涵盖 AI 基础领域。 其中图像分类是计算机视觉中最基础的任务，目前图像分类的算法仍然在飞速发展。本赛题旨在让参赛者熟悉昇思MindSpore并锻炼参赛者使用MindSpore进行图像分类预处理、图像分类的能力。同时为了考察参赛者应对大量数据的处理能力，本赛题采用Celtech多类别图像数据集。 文本分类研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。文本分类在AI领域承担了重要角色。本赛题旨在让参赛者熟悉昇思MindSpore并锻炼参赛者使用MindSpore进行NLP的文本处理、文本分类的能力。本赛题采用Amazon Review数据集，参赛者需要根据用户评论文本，对用户的评分进行预测（1-5分的整数）。 艺术家风格迁移赛道 图像风格迁移技术的发展在图像处理、计算机视觉、影视制作等领域均发挥着不可估量的作用。本赛题旨在让参赛者熟悉昇思MindSpore并锻炼参赛者使用MindSpore进行图像风格迁移的能力。本赛题采用梵高画作作为风格迁移的目标风格。 通过三大赛道的设置，开发者可以自由挑选感兴趣的赛道，实现从理论到实践的跨越，了解行业最新的人才需求，提升自身技能。 6万元奖金及众多周边福利，还等什么？报名通道已经开启，快点击链接选择喜欢的赛道报名吧！（点击“阅读原文”即可前往报名） https://xihe.mindspore.cn/competition **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1808/ --- 活动中心 大赛报名 | 年度最值得参与的国际AI赛事——CCF BDCI，角逐五万奖金 # 大赛报名 | 年度最值得参与的国际AI赛事——CCF BDCI，角逐五万奖金 2022/09/14 # 大赛报名 | 年度最值得参与的国际AI赛事——CCF BDCI，角逐五万奖金 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1809/ --- 活动中心 昇思AI挑战赛培训直播，赢取奖金的秘籍来了！ # 昇思AI挑战赛培训直播，赢取奖金的秘籍来了！ 2022/09/13 # 昇思AI挑战赛培训直播，赢取奖金的秘籍来了！ 这个夏天最具学习价值的比赛——昇思AI挑战赛目前正在火热报名中！本次AI挑战赛是面向全球 AI 开发者打造的赛事，开设多类别图像分类、文本分类、艺术家风格迁移三大赛道，涵盖 AI 基础领域。通过三大赛道的设置，开发者可以自由挑选感兴趣的赛道，实现从理论到实践的跨越，了解行业最新的人才需求，提升自身技能。 扫码报名 **昇思AI挑战赛培训直播** 为了给参赛选手‘充电’，帮助选手更好地参加比赛并取得优异的成绩，同时让更多对本次挑战赛感兴趣的小伙伴对比赛的设计和开发流程有更好的了解，掌握参赛的学习方法和学习渠道，**_9月13日_** 昇思MindSpore社区将在B站【MindSpore官方】开设线上直播培训课程。 **01** **培训主题** 昇思大模型体验平台介绍与昇思AI挑战赛赛题解读。 **02** **培训内容** 1、挑战赛基本情况、赛道赛制设计及时间推进计划介绍； 2、挑战赛三大赛道赛题解读及答疑； 3、昇思大模型体验平台介绍； 4、如何快速学习上手昇思MindSpore； 5、昇思MindSpore主要学习资源。 **03** **培训讲师** 钟源珂—昇思MindSpore算法工程师 刘伟龙—昇思MindSpore算法工程师 **04** **你将获得什么** 业界领先的AI框架，与学习和提升方式； 赛题的整体解决思路及必要准备工作； 赛题所需技术要求与指南； 可能面临的挑战及应对策略。 **05** **具体直播信息** 直播时间：9月13日（今晚）19：30 直播地点：B站【MindSpore官方】 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1810/ --- 活动中心 MSG企业行 | AI+智能制造创新实践专场即将开启！ # MSG企业行 | AI+智能制造创新实践专场即将开启！ 2022/09/15 # MSG企业行 | AI+智能制造创新实践专场即将开启！ \*\*MSG企业行·\*\***智能制造** AI作为新一轮科技革命的重要驱动力量，正带动国内外全产业链发生颠覆性变革。 随着产业结构升级的不断推进，人工智能与智能制造的结合迎来了新风口。 传统的生产制造企业需要AI+应用场景落地支持，基于深度学习的AI技术，推动了制造业智能化与数字化转型。 \*\*_9月23日（周五）14:00_\*\*\*\*【MSG企业行·智能制造】\*\*线上交流会，昇思MindSpore开源社区诚邀您与各企业深入交流与分享，一起探索人工智能与智能制造的结合！ **MSG企业行** MindSpore Study Group，简称MSG，是一个让开发者可以充分进行技术研讨、案例分享、相互交流的公益性社区。 昇思MindSpore开源社区聚焦各地核心科技板块，汇聚企业核心技术骨干，与企业深入交流与分享；截至2022年昇思MindSpore走过国内外**24**个城市，拓展AI类企业生态，服务企业超过**5000**家，涉及端边云全场景行业，支撑两大产业联盟成立，打造开发共赢的产业生态圈。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1850/ --- 活动中心 MSG企业行 | AI+智能制造创新实践专场即将开启！ # MSG企业行 | AI+智能制造创新实践专场即将开启！ 2022/09/15 # MSG企业行 | AI+智能制造创新实践专场即将开启！ \*\*MSG企业行·\*\***智能制造** AI作为新一轮科技革命的重要驱动力量，正带动国内外全产业链发生颠覆性变革。 随着产业结构升级的不断推进，人工智能与智能制造的结合迎来了新风口。 传统的生产制造企业需要AI+应用场景落地支持，基于深度学习的AI技术，推动了制造业智能化与数字化转型。 \*\*_9月23日（周五）14:00_\*\*\*\*【MSG企业行·智能制造】\*\*线上交流会，昇思MindSpore开源社区诚邀您与各企业深入交流与分享，一起探索人工智能与智能制造的结合！ **扫码添加企业助手了解更多详情** **MSG企业行** MindSpore Study Group，简称MSG，是一个让开发者可以充分进行技术研讨、案例分享、相互交流的公益性社区。 昇思MindSpore开源社区聚焦各地核心科技板块，汇聚企业核心技术骨干，与企业深入交流与分享；截至2022年昇思MindSpore走过国内外**24**个城市，拓展AI类企业生态，服务企业超过**5000**家，涉及端边云全场景行业，支撑两大产业联盟成立，打造开发共赢的产业生态圈。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1852/ --- 活动中心 AICON分论坛 | 昇思MindSpore探索人工智能发展新路径 # AICON分论坛 | 昇思MindSpore探索人工智能发展新路径 2022/09/17 # AICON分论坛 | 昇思MindSpore探索人工智能发展新路径 **_9月26日_**，**由LF AI&DATA基金会主办的AICON2022将在杭州举行**，重点关注人工智能技术领域的行业变革与技术创新。 大会由一个主论坛以及“AI框架与模型”、“AI+数据”、“AI 工程化”、“昇思生态论坛”四个分论坛组成，聚焦AI前沿技术、产业化和商业化的动态。 届时，来自全球的人工智能领域顶尖科学家、行业专家及著名企业家将齐聚一堂，分享全球人工智能行业新趋势、新动向，探索人工智能发展新模式新路径。 **1** **AI 框架与模型（明和厅）** 当前，全球主流AI框架和模型的技术演进及创新进展如何？如何提升算法模型的准确率和效率？如何将AI框架和模型应用于实际场景中，实现产业创新？在AICON 2022“AI框架与模型”分论坛上，众多AI领域专家将共同探讨这些问题。 **2** **昇思生态论坛（明豪2厅）** 昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 届时，多位昇思MindSpore技术专家与生态合作伙伴将莅临现场，为大家分享昇思MindSpore的关键技术与各企业、高校、研究院所助力人工智能产业发展新生态。 详细流程请参考链接：https://www.oschina.net/page\_event/aicon2022/ **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1853/ --- 活动中心 MSG深圳 | 走入深圳技术大学，MindSpore上手实践秒get # MSG深圳 | 走入深圳技术大学，MindSpore上手实践秒get 2022/09/16 # MSG深圳 | 走入深圳技术大学，MindSpore上手实践秒get 昇思MindSpore社区打造一站式大模型体验平台，集模型选型、在线推理、在线训练为一体，还支持Gradio项目可视化推理、在线进行迁移学习。开发者可以在线体验大模型推理任务，从而最便捷地使用基于昇思的创新大模型。 **MSG深圳** **_9月20日_**，MSG深圳将走进深圳技术大学，本次邀请了昇思MindSpore算法工程师——刘伟龙，与大家面对面交流与分享如何快速入门AI，与认识昇思MindSpore，并带领大家体验昇思大模型体验平台，进行首个AI项目实践——手写数字体识别。 **活动时间** 2022年9月20日 14:30~17:30 **活动地点** 深圳技术大学 大数据与互联网学院C1-105报告厅 **报名方式** 扫描二维码即可报名 现场互动，还有精美礼品，赶紧报名吧！ 深圳技术大学的学子们 期待与你相遇 **关于MSG** 2020年5月，MSG正式成立，不到一年时间里，我们走遍了**全国\*\*\*\*十五大城市**：北京、上海、广州、深圳、武汉、长沙、苏州、杭州、南京、重庆、山东、郑州、天津，桂林、宁波；拓展了**七大海外MSG**：莫斯科、新加坡、印尼、澳门、印度、香港·浸会大学，香港·理工大学；**联合OpenI启智社区走进了校园**：哈工大深圳校区、南方科技大学等等。 2020年底发起了首场以女性为主题的\*\*『MSG: Women In Tech』\*\*，广受好评；今年发起的『MSG: Women In Tech』第二期同样火爆，聚焦当下热点问题，分享内容干货满满，短期内收到许多粉丝的喜爱，并来信期待下一期的分享。 **_MSG是什么？_** MindSpore Study Group，简称MSG，是提供一个让开发者可以充分进行技术研讨、案例分享、互相交流的公益性社区。为了方便开发者们的深入交流，我们会在多个城市成立MSG组织，满足本地开发者的线下交流机会。 **_MSG一般会做什么？_** **· 技术研讨** MindSpore技术专家讲解最新版本技术亮点 邀请技术大咖分享关于AI、深度学习最新动态 **· 极客分享** 开发者分享MindSpore真实场景的应用案例 极客们分享前沿技术进展与软硬件最新技术 **· 社区贡献** 引导开发者从零参与MindSpore社区贡献 培养开发者成为开源社区的contributor **_如何成为MSG组织者？_** 每个人都有机会成为MSG的组织者，不论你现在在北京、上海、深圳，还是杭州、西安、成都等城市，都可以提交申请。有志于成为MSG组织者的朋友们，请扫描以下的二维码进行报名。 **_快扫码成为MSG组织者吧~_** **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1855/ --- 活动中心 线下活动 | 如何用昇思MindSpore玩转校园AI？暨南大学站来喽！ # 线下活动 | 如何用昇思MindSpore玩转校园AI？暨南大学站来喽！ 2022/09/21 # 线下活动 | 如何用昇思MindSpore玩转校园AI？暨南大学站来喽！ 随着人工智能的热度越来越高，机器学习和深度学习的讨论度也越来越高。尤其是深度学习极大地简化了传统机器学习的整体算法分析和学习流程，在很多领域都刷新了传统机器学习算法达不到的精度和准确率，深度学习的发展也让计算机具备了非常强大的感知能力，比如内容识别，图片识别，甚至可以理解人们说的话。 在机器学习到深度学习的不断发展过程中，我们一直追求让机器模仿人类的思维方式，希望能像人一样思考，越来越多的研究者也将自己的研究方向从机器感知转向了机器创造，希望通过生成技术能够让计算机具备生成新事物的能力。在生成技术的研究中，本次趣味实操课程的主角——**生成对抗网络**应运而生，它打破了人们对传统生成模型的理解，并取得了非常令人满意的效果。 **_9月24日_**，昇思MindSpore将走进暨南大学，带同学们了解深度学习的更多应用，体验生成对抗网络的趣味AI实操课程，还有华为专家老师零距离实时互动交流，本次活动不仅可以让你感受科技魅力，还有更多精美礼品等着你！ 速速报名喽 **活动时间** 2022年9月24日（周六）14：00-17：30 **活动地点** 暨南大学石牌校区校本部蒙民伟理工楼103 **报名方式** 扫描下方二维码即可报名 （注：活动报名二维码仅限现场参加） **活动交流群** 请参加此次活动的同学务必加入活动交流群哦！ **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1856/ --- 活动中心 MSG杭州 | 走进杭电，共谈人工智能时代的算法工程师的锐利武器 # MSG杭州 | 走进杭电，共谈人工智能时代的算法工程师的锐利武器 2022/09/21 # MSG杭州 | 走进杭电，共谈人工智能时代的算法工程师的锐利武器 在这个人工智能惠及大众的时代，AI已经深入到各行各业，以及我们的生活中。我们无时无刻都在接触AI技术。但WHAT IS AI？ **MSG·杭州** **杭州电子科技大学** **_9月25日_**，MSG杭州将走进杭州电子科技大学。本次活动，我们将在现场解密AI——如何用简短的几行代码，让机器像人一样识别，让机器像人一样交流。同时，杭电昇思学习小组（HDU\_MSG）将正式成立，欢迎更多的小伙伴加入HDU\_MSG，一起创建AI技术学习的宏伟蓝图吧。 **关于HDU\_MSG** 来MSG杭州·杭州电子科技大学站， 让我们共同体验AI创新科技吧！ **活动时间** 2022年9月25日 14:00~16:00 **活动地点** 杭州电子科技大学 第六教研楼201 **报名方式** 扫描二维码即可报名 因疫情影响， 校外有意向参加活动的小伙伴请联系小助手哦 **互动礼品** 1、转发本推文到朋友圈，积累38个赞，截图给小助手，即可获得MindSpore官方书籍！限量30份，先到先得！！ 2、报名参与现场活动，还有惊喜伴手礼等你来拿！ 杭州的小孢子们 期待与你相遇 **关于MSG** 2020年5月，MSG正式成立，不到一年时间里，我们走遍了**全国\*\*\*\*十五大城市**：北京、上海、广州、深圳、武汉、长沙、苏州、杭州、南京、重庆、山东、郑州、天津，桂林、宁波；拓展了**七大海外MSG**：莫斯科、新加坡、印尼、澳门、印度、香港·浸会大学，香港·理工大学；**联合OpenI启智社区走进了校园**：哈工大深圳校区、南方科技大学等等。 2020年底发起了首场以女性为主题的\*\*『MSG: Women In Tech』\*\*，广受好评；今年发起的『MSG: Women In Tech』第二期同样火爆，聚焦当下热点问题，分享内容干货满满，短期内收到许多粉丝的喜爱，并来信期待下一期的分享。 **_MSG是什么？_** MindSpore Study Group，简称MSG，是提供一个让开发者可以充分进行技术研讨、案例分享、互相交流的公益性社区。为了方便开发者们的深入交流，我们会在多个城市成立MSG组织，满足本地开发者的线下交流机会。 **_MSG一般会做什么？_** **· 技术研讨** MindSpore技术专家讲解最新版本技术亮点 邀请技术大咖分享关于AI、深度学习最新动态 · 极客分享 开发者分享MindSpore真实场景的应用案例 极客们分享前沿技术进展与软硬件最新技术 **· 社区贡献** 引导开发者从零参与MindSpore社区贡献 培养开发者成为开源社区的contributor **_如何成为MSG组织者？_** 每个人都有机会成为MSG的组织者，不论你现在在北京、上海、深圳，还是杭州、西安、成都等城市，都可以提交申请。有志于成为MSG组织者的朋友们，请扫描以下的二维码进行报名。 **_快扫码成为MSG组织者吧~_** **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1857/ --- 活动中心 两日集训营获奖名单公布 # 两日集训营获奖名单公布 2022/09/21 # 两日集训营获奖名单公布 获奖收集地址 http://p03sesv5ub0zbkfx.mikecrm.com/b4jrQsN **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1869/ --- 活动中心 【MindSpore】搞定数据加载及处理，还是得看你！ # 【MindSpore】搞定数据加载及处理，还是得看你！ 2022/09/19 # 【MindSpore】搞定数据加载及处理，还是得看你！ 训练第一步，一定是准备数据， 在数据集加载的过程中，您或多或少遇到过问题。 相信有很多朋友已经有解决的经验，不妨分享一下吧！ 数据增强，数据集转换，数据集加载，迭代等过程中遇到的问题都可以！ ### **活动时间** **9月16日——9月30日** **活动奖品** **100元**京东自营商品自选 ### **活动方式** 1. 分享您日常使用过程中遇到的MindSpore数据加载及处理类的问题，加载数据集、数据集转换、数据增强等等都可以。 2. 干货格式：内容必须包括：环境配置、问题描述、根因分析、解决方案共四个部分。（代码内容请勿截图，选择代码插入，干货格式参考：https://bbs.huaweicloud.com/forum/thread-0276968871993170012-1-1.html） 3. 干货发布：将干货发布在MindSpore论坛的“数据加载及处理”版块。 4. 链接回复：在活动帖下评论回复您的技术干货帖链接和联系邮箱。 ### 注意事项 1. 请勿刷帖，刷帖一律删帖并做无效参与处理。 2. 必须保证原创，抄袭按无效参与处理。 3. 请勿盗取他人截图或内容，一经发现做无效参与处理。 4. 必须符合分享格式，否则算作无效参与。 5. 最终解释权归MindSpore团队所有。 --- https://www.mindspore.cn/activities/zh/1872/ --- 活动中心 线下活动 | 华为专家实战教学趣味AI课程——北京航空航天大学站来喽！ # 线下活动 | 华为专家实战教学趣味AI课程——北京航空航天大学站来喽！ 2022/09/22 # 线下活动 | 华为专家实战教学趣味AI课程——北京航空航天大学站来喽！ AI界的快乐顶流是谁？GAN！ 深度学习领域内最热门的主题是什么？GAN！！ GAN网络可谓是近两年深度学习领域的小明星了，生成式对抗网络（Generative Adversarial Network，简称GAN）是非监督式学习的一种方法，通过让两个神经网络相互博弈的方式进行学习。自2014年GAN网络提出以来，其在Computer Vision（计算机视觉）领域获得了广泛的关注。接触不多？不要紧！我们即刻了解一下！比如在各类网站中、APP中打得火热的老照片修复、世界名画动起来、生成漫画脸、表情动作迁移等等趣味应用都是GAN实现的。GAN网络不仅趣味性十足，在医疗领域，影视领域等我们经常触及的领域中也在发光发热哦！ 9月28日，昇思MindSpore将继续今年的校园AI之旅，我们将走进北京航空航天大学，为同学们科普昇腾AI的前沿应用以及全场景AI框架昇思MindSpore在各行各业中的实际应用，同时还会全流程带同学们体验用GAN网络实现的趣味AI实操课程，让你切实感受科技魅力，活动现场也为大家准备了限量版的官方定制精美礼品！速速报名吧！ **活动时间** 2022年9月28日（周三）14：30-17：00 **活动地点** 北京航空航天大学学院路校区 主M楼 201教室 **报名方式** 扫描下方二维码即可报名 （注：活动报名二维码仅限现场参加） **活动交流群** 请参加此次活动的同学务必加入活动交流群哦！ **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1873/ --- 活动中心 MSG重庆 | 一小时快速上手昇思MindSpore训练模型并部署在手机APP上 # MSG重庆 | 一小时快速上手昇思MindSpore训练模型并部署在手机APP上 2022/09/22 # MSG重庆 | 一小时快速上手昇思MindSpore训练模型并部署在手机APP上 随着开源技术价值的不断凸显，开源已经成为了行业趋势。在众多的开源软件中，易用性成为了开发者考虑使用开源软件的重要元素之一。昇思MindSpore一直致力于为开发者打造易学易用、灵活高效的Al框架。 **MSG·重庆** **_9月24日_**，MSG重庆开启线上分享交流会。本次活动，我们将带领大家如何一小时快速上手昇思MindSpore训练自己的模型并部署在手机APP上。与大家一起体验与交流昇思MindSpore易用性。 **活动时间** 2022年9月24日 19:00 **活动地点** 1、腾讯会议 2、B站【MindSpore官方】 **报名方式** 扫描进群即可获取腾讯会议连接 **互动礼品** 1、转发本推文到朋友圈，积累38个赞，截图给小助手，即可获得MindSpore官方书籍！限量30份，先到先得！！ 2、报名参与现场活动，还有惊喜伴手礼等你来拿！ 期待与你线上相遇 **关于MSG** 2020年5月，MSG正式成立，我们走遍了**全国\*\*\*\*十五大城市**：北京、上海、广州、深圳、武汉、长沙、苏州、杭州、南京、重庆、山东、郑州、天津，桂林、宁波；拓展了**七大海外MSG**：莫斯科、新加坡、印尼、澳门、印度、香港·浸会大学，香港·理工大学；**联合OpenI启智社区走进了校园**：哈工大深圳校区、南方科技大学等等。 2020年底发起了首场以女性为主题的\*\*『MSG: Women In Tech』\*\*，广受好评；今年发起的『MSG: Women In Tech』第二期同样火爆，聚焦当下热点问题，分享内容干货满满，短期内收到许多粉丝的喜爱，并来信期待下一期的分享。 **_MSG是什么？_** MindSpore Study Group，简称MSG，是提供一个让开发者可以充分进行技术研讨、案例分享、互相交流的公益性社区。为了方便开发者们的深入交流，我们会在多个城市成立MSG组织，满足本地开发者的线下交流机会。 **_MSG一般会做什么？_** **· 技术研讨** MindSpore技术专家讲解最新版本技术亮点 邀请技术大咖分享关于AI、深度学习最新动态 · 极客分享 开发者分享MindSpore真实场景的应用案例 极客们分享前沿技术进展与软硬件最新技术 **· 社区贡献** 引导开发者从零参与MindSpore社区贡献 培养开发者成为开源社区的contributor **_如何成为MSG组织者？_** 每个人都有机会成为MSG的组织者，不论你现在在北京、上海、深圳，还是杭州、西安、成都等城市，都可以提交申请。有志于成为MSG组织者的朋友们，请扫描以下的二维码进行报名。 **_快扫码成为MSG组织者吧~_** **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1874/ --- 活动中心 MSG山东 | 感受领先于业界标杆框架的算子开发流程 # MSG山东 | 感受领先于业界标杆框架的算子开发流程 2022/09/22 # MSG山东 | 感受领先于业界标杆框架的算子开发流程 **导言** 算子是这样定义的： In mathematics, an operation is a function which takes zero or more input values (called operands) to a well-defined output value. The number of operands is the arity of the operation. 简单来说，算子是一个函数，应用于深度学习，我们可以这样理解，输入Tensor经过算子，能够得到输出Tensor，而中间的计算过程通过算子隐藏了细节，使得用户更清晰简单地理解该算子的计算内容。 **MSG·山东** **_9月25日_**，MSG山东将与你相约美丽威海。本次活动，我们将带领大家了解与入门新一代全场景AI框架昇思MindSpore，并与大家共同感受在MindSpore下，速度、精确度都领先于行业其他标杆框架的算子开发流程。 **活动时间** **2022年9月25日 14:00** **活动地点** **山东省威海市环翠区恒瑞街28号树咖啡by the tree** **报名方式** **扫码即可报名** **互动礼品** 1、转发本推文到3个200人微信交流群，截图给小助手，即可获得MindSpore定制礼品！数量有限，先到先得！！ 2、报名参与现场活动，还有惊喜伴手礼等你来拿！ 期待与你相约美丽威海！ **关于MSG** 2020年5月，MSG正式成立，我们走遍了**全国\*\*\*\*十五大城市**：北京、上海、广州、深圳、武汉、长沙、苏州、杭州、南京、重庆、山东、郑州、天津，桂林、宁波；拓展了**七大海外MSG**：莫斯科、新加坡、印尼、澳门、印度、香港·浸会大学，香港·理工大学；**联合OpenI启智社区走进了校园**：哈工大深圳校区、南方科技大学等等。 2020年底发起了首场以女性为主题的\*\*『MSG: Women In Tech』\*\*，广受好评；今年发起的『MSG: Women In Tech』第二期同样火爆，聚焦当下热点问题，分享内容干货满满，短期内收到许多粉丝的喜爱，并来信期待下一期的分享。 **_MSG是什么？_** MindSpore Study Group，简称MSG，是提供一个让开发者可以充分进行技术研讨、案例分享、互相交流的公益性社区。为了方便开发者们的深入交流，我们会在多个城市成立MSG组织，满足本地开发者的线下交流机会。 **_MSG一般会做什么？_** **· 技术研讨** MindSpore技术专家讲解最新版本技术亮点 邀请技术大咖分享关于AI、深度学习最新动态 · 极客分享 开发者分享MindSpore真实场景的应用案例 极客们分享前沿技术进展与软硬件最新技术 **· 社区贡献** 引导开发者从零参与MindSpore社区贡献 培养开发者成为开源社区的contributor **_如何成为MSG组织者？_** 每个人都有机会成为MSG的组织者，不论你现在在北京、上海、深圳，还是杭州、西安、成都等城市，都可以提交申请。有志于成为MSG组织者的朋友们，请扫描以下的二维码进行报名。 **_快扫码成为MSG组织者吧~_** **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1876/ --- 活动中心 MSG西安 | 走进西邮，让我们共谈AI框架，快速掌握并实践属于你的AI模型 # MSG西安 | 走进西邮，让我们共谈AI框架，快速掌握并实践属于你的AI模型 2022/09/23 # MSG西安 | 走进西邮，让我们共谈AI框架，快速掌握并实践属于你的AI模型 在大数据与大模型时代下，人工智能的成功=数据+算法+框架+算力，每一项缺一不可，对于我们个人而言，有效设计算法、熟练使用框架成为我们走向AI的必经之路。 **MSG·西安** **西安邮电大学** **_9月29日_**，MSG西安将走进西安邮电大学。本次活动，我们将从认识AI框架出发，介绍并搭建昇思MindSpore实验环境，手把手带你在昇思MindSpore环境中学习、掌握有关神经网络的基础知识，最后带领大家体验昇思大模型体验平台，实践手写数字识别、图像分类的AI项目。 **活动时间** **2022年9月29日 14:30** **活动地点** **西安邮电大学长安校区西区孵化基地创业咖啡厅** **报名方式** 扫码即可报名 因疫情本次活动仅支持本校内学生 **互动礼品** 1、转发本推文到朋友圈，积累38个赞，截图给小助手，即可获得MindSpore官方书籍！限量30份，先到先得！！ 2、报名参与现场活动，还有惊喜伴手礼等你来拿！ 期待与你相见！ **关于MSG** 2020年5月，MSG正式成立，我们走遍了**全国\*\*\*\*十五大城市**：北京、上海、广州、深圳、武汉、长沙、苏州、杭州、南京、重庆、山东、郑州、天津，桂林、宁波；拓展了**七大海外MSG**：莫斯科、新加坡、印尼、澳门、印度、香港·浸会大学，香港·理工大学；**联合OpenI启智社区走进了校园**：哈工大深圳校区、南方科技大学等等。 2020年底发起了首场以女性为主题的\*\*『MSG: Women In Tech』\*\*，广受好评；今年发起的『MSG: Women In Tech』第二期同样火爆，聚焦当下热点问题，分享内容干货满满，短期内收到许多粉丝的喜爱，并来信期待下一期的分享。 **_MSG是什么？_** MindSpore Study Group，简称MSG，是提供一个让开发者可以充分进行技术研讨、案例分享、互相交流的公益性社区。为了方便开发者们的深入交流，我们会在多个城市成立MSG组织，满足本地开发者的线下交流机会。 **_MSG一般会做什么？_** **· 技术研讨** MindSpore技术专家讲解最新版本技术亮点 邀请技术大咖分享关于AI、深度学习最新动态 · 极客分享 开发者分享MindSpore真实场景的应用案例 极客们分享前沿技术进展与软硬件最新技术 **· 社区贡献** 引导开发者从零参与MindSpore社区贡献 培养开发者成为开源社区的contributor **_如何成为MSG组织者？_** 每个人都有机会成为MSG的组织者，不论你现在在北京、上海、深圳，还是杭州、西安、成都等城市，都可以提交申请。有志于成为MSG组织者的朋友们，请扫描以下的二维码进行报名。 **_快扫码成为MSG组织者吧~_** **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1884/ --- 活动中心 AICON 2022成功举办！全球人工智能领域专家齐聚一堂 # AICON 2022成功举办！全球人工智能领域专家齐聚一堂 2022/09/28 # AICON 2022成功举办！全球人工智能领域专家齐聚一堂 \*\*9月26日，由LF AI&DATA基金会主办的AICON 2022在杭州成功举办！\*\*来自全球的人工智能领域顶尖科学家、行业专家及著名企业家将齐聚一堂，分享全球人工智能行业新趋势、新动向。大会线上LF AI官方B站、OSC视频号、MindSpore官方B站等多平台同步直播，现场观看人次达88W+。 大会由一个主论坛以及 “AI 框架与模型”“AI + 数据”“AI 工程化”“昇思生态论坛” 四个分论坛组成。Linux 基金会执行董事 Jim Zemlin、LF AI & DATA 基金会主席堵俊平、LF AI & DATA 基金会执行董事 Ibrahim Haddad、Linux 基金会亚太区业务发展总监杨轩、 LF AI & DATA Outreach Chair 胡晓曼、LF AI & Data TAC Member黄之鹏在本次会议中做出重要分享。 昇思MindSpore开源社区探索人工智能发展新模式新路径，出品【AI 框架与模型】、【昇思生态论坛】。 **【AI框架与模型】** AI 框架作为人工智能的根技术，华为昇思MindSpore算法工程师钟源珂、百度资深研发工程师骆涛、品览联合创始人兼CTO彭靖田、MAGIC DATA 创始人兼CEO张晴晴、OPPO数智系统小布多模态高级算法工程师黎新出席【AI框架与模型】分论坛，与众多AI领域专家共同探讨全球主流AI框架和模型的技术演进及创新进展！ **_（1）_** 昇思MindSpore基础模型创新运作实践 **华为昇思MindSpore算法工程师钟源珂**：分享了全场景AI框架昇思MindSpore基础模型创新运作实践之昇思大模型体验平台，介绍了昇思AI挑战赛。 **_（2）_** 飞桨产品和开源生态建设 **百度资深研发工程师骆涛**：分享了飞桨产品（包括全景图、领先技术、API体系、套件与模型库等），以及飞桨的开源生态建设相关的工作。 **_（3）_** AlphaDraw 感知、决策、认知三位一体的AI建筑设计系统 **品览联合创始人兼CTO彭靖田**：分享了建筑设计行业现状与痛点，包含AlphaDraw: AI 建筑设计系统；建筑师之眼：AI识图系统；建筑师之手：AI画图系统；建筑师之脑：AI设计知识库等。 **_（4）_** 当数据遇到开源 **Magic Data创始人兼CEO张晴晴**：介绍了Magic Data及其产品，AI行业生产力三要素、生产资料 Datasets、生产工具 Annotator 智能化标注平台等，分享了Magichub社区“为开源而生”的价值理念。 **_（5）_** 多模态预训练和训练框架的演进 **OPPO数智系统小布多模态高级算法工程师黎新**：分享了OPPO数智工程系统多模态预训练技术的研发和训练框架的演进。 **【昇思生态论坛】** 昇思 MindSpore 是华为开源的新一代全场景 AI 框架，华为资深研发工程师王炎、高级工程师土豆、地平线机器人事业部研发总监费斌、浙江大学教授罗坤莅临【昇思生态论坛】现场，为大家分享昇思MindSpore的关键技术与各企业、高校、研究院所助力人工智能产业发展新生态。中国移动研究院异构计算开发平台架构师解子岩线上参会，助力算力网络创新发展。 **_（1）_** MindSpore Transformer大模型和推理大模型关键技术 **华为高级工程师土豆**：讲解了MindSpore Transformer大模型和推荐大模型中的关键技术，分享了Transformer大模型在多个领域的实际任务中大幅度超越传统模型的表现，以及无监督预训练配合下游快速微调的人工智能新的范式。 **_（2）_** 地平线机器人开发平台助力机器人应用新生态 **地平线机器人事业部研发总监费斌**：从算法、硬件、软件框架和社区等多方面分享了地平线助力机器人应用开发工作，分享了x1、x2和x3芯片机器人生态社区建设，以及地平线芯片+算法核心价值能力。 **_（3）_** MindSpore AI生物计算实践 **华为资深研发工程师王炎**：通过分子模拟、蛋白质结构预测等案例介绍了MindSpore AI生物计算实践，分享了昇思MindSpore突破技术边界，打造AI+科学计算融合架构，使能产业升级的未来展望。 **_（4）_** 算力原生融通智算生态，助力算力网络创新发展 **中国移动研究院异构计算开发平台架构师解子岩**：基于多样泛在异构算力的发展及运用模式变革，分享了算力原生的架构设计与进展，以及中国移动在运营网络领先优势下持续开拓创新，以强网算推进“算力网络”发展。 **_（5）_** 基于机器学习的复杂流动建模 **浙江大学教授罗坤**：介绍了浙大课题组基于人工智能机器学习在湍流、气固两相流、湍流燃烧等复杂流动领域的建模研究进展及思考展望。分享了近年来人工智能机器学习在学术界和工业界的大量应用。 **_昇思大模型平台在线体验_** 随着人工智能技术快速发展、数据和算力资源日益丰富，真实的应用场景不断涌现，全球人工智能产业保持高速发展态势。 昇思MindSpore开源社区将持续构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/190/ --- 活动中心 MindSpore直播首秀回顾，第二场开始报名！ # MindSpore直播首秀回顾，第二场开始报名！ 2020/04/24 # MindSpore直播首秀回顾，第二场开始报名！ 4 月 23 日，机器之心联合华为昇腾学院开设的线上公开课\*\*《轻松上手开源框架 MindSpore》\*\*第一课正式开讲，MindSpore 前端开发工程师龚子妍为大家带来了主题分享《MindSpore 分布式自动并行训练》，第一课回顾视频如下 ### 第一课精彩回顾 在第一课《MindSpore分布式自动并行训练》中，我们主要介绍了几种相关的并行模式，包括数据并行，通过分发数据集的方式来提升训练效率；模型并行，通过拆分模型参数来突破单卡的内存瓶颈；混合并行是融合了数据并行和模型并行的一种并行模式。 这以上的并行模式在 MindSpore中 都是依赖集合通信来完成多卡间数据同步的。而自动并行特性主要的特点有：通过算子自动切分，推导张量的排布模型；利用构建代价模型的方式，自动搜索了切分策略；并将自动微分扩展到了分布式的领域，可以自动求导通信算子的反向梯度。MindSpore的分布式训练，支持数字并行、模型并行、自动并行的多层次接口，其中，自动并行更加易用，可以有效的帮助网络提升性能。 在第一课的 QA 环节中，有一些问题被大家广泛提到，龚子妍讲师再次做了精选与编辑，供大家参考。 Q1：切分是平均切分吗? 如果是 5 个分四份会怎样？ 首先就是在切分方式这里，其实是有并行切分的约束的，比如说它的维度的数据和计算资源其实是需要均匀切分，是以 2 为基，也就是说指定的切分策略中的数字必须都是 2 的倍数。另外像刚刚提到的，如果无法均分的问题，其实在框架中我们是会做校验的，如果是出现了没有办法均分的张量排布模型，我们会在校验中直接报错。 Q2：需要什么硬件支持呢？自己的笔记本电脑是否可以来执行网络？ 目前来说的话笔记本电脑或者有 GPU 的环境都可以通过 docker 镜像来简单试用，至于自动并行的特性，对 CPU 和 GPU 的支持还在完善中。我们推荐用户在昇腾芯片上使用自动并行，作为普通用户的话，可以关注我们的开源社区，可以去申请 MindSpore 开发者体验环境进行试用。 Q3：效率具体上有多大提升？有对照数据吗 在开源社区我们公布了 Cifar10 数据集的训练性能数据。对于自动并行特性的话，和业界横向对比的数据还在测试收集中，目前公布的性能数据，是基于 mindspore+昇腾芯片，和其他的并行模式做的比较。从刚刚展示的表格中其实可以看到，自动并行在大分类数的情况下相比数据并行模式性能有比较大的提升。 Q4：讲一下 pipeline 并行？ 在我们的框架规划图上是可以看到是有提到 pipeline 并行这个概念的，是自动并行特性其中的一个规划方向。pipeline 并行，也就是我们刚刚提到的层间模型并行的概念，需要把模型按层切分到多个卡上，如果让用户手动实现对开发者来说难度非常大，需要考虑性能、内存、通信、训练效果等问题，我们期望通过框架完成模型按层自动切分到卡上的目标。 Q5：请问数据并行是 allreduce 实现吗？ 数据并行，在 MindSpore 中是用集合通信这个方式来实现的。利用到了 AllReduce 操作完成的梯度聚合部分，BroadCast 完成的是参数初始化的广播操作。 大家后续如有更多问题，欢迎关注 MindSpore 的gitee和github，随时提 issue，官方人员将及时为大家解答。 - Gitee：https://gitee.com/mindspore - GitHub：https://github.com/mindspore-ai ### 公开课第2讲 —— 整图下沉 \*\*课程主题：\*\*MindSpore中GraphEngine浅析 \*\*课程时间：\*\*4月26日（周日）20:00 \*\*课程讲师：\*\*王俊 \*\*讲师简介：\*\*浙江大学博士，GraphEngine 高级工程师，拥有丰富的基于 MindSpore 的深度学习模型端到端调试、部署经验，熟悉 GE 实现逻辑与细节。 \*\*课程摘要：\*\*本次课程将为大家简介昇腾芯片的特性、MindSpore 中 GraphEngine 如何适配昇腾做整图下沉以及 GraphEngine 提供的底层 debug 工具是如何帮助开发者便捷使用的。 **如何加入** 《轻松上手开源框架 MindSpore》系列课程全程免费，\*\*添加机器之心小助手（syncedai6），备注「****开源****」，\*\*即可加入学习交流群，一起看直播学理论、做作业动手实践。 大家后续如有更多问题，欢迎关注 MindSpore 的gitee和github，随时提 issue，官方人员将及时为大家解答。 - Gitee：https://gitee.com/mindspore - GitHub：https://github.com/mindspore-ai **感兴趣的同学也可以后台回复：**QQ群**，直接加入我们的官方QQ群与专家直接交流哦~** **PPT下载方式：**在MindSpore公众号后台回复关键词**「分布式」**，即可下载。 --- https://www.mindspore.cn/activities/zh/1906/ --- 活动中心 MSG企业行•遥感卫星| 从太空到地面，探索宇宙中的遥感AI # MSG企业行•遥感卫星| 从太空到地面，探索宇宙中的遥感AI 2022/10/12 # MSG企业行•遥感卫星| 从太空到地面，探索宇宙中的遥感AI 随着航天事业的高速发展，人工智能技术为遥感卫星的技术应用带来了新的发展机遇。从太空到地面，基于深度学习的智能遥感在气象预报、国土普查、环境监测、作物估产、森林监测、城市规划、地图测绘等领域取得了重要进展。 10月22日（周六）14:00【MSG企业行·遥感卫星】线上交流会，昇思MindSpore开源社区诚邀您与各企业深入交流与分享，一起探索基于人工智能的卫星遥感应用体系！ **活动亮点** 1、光学遥感图像的即时在线分类在地表异常发现、自然灾害监测等领域的研究。 2、融合智能数据管理标注、昇腾AI全栈软硬件平台、多种先进解译算法的城市变化遥感监测平台 3、围绕大田精准农业定量遥感、作物育种表型遥感大数据、农情传感器及大数据应用系统等主题实际应用案例介绍相关研究。 4、人工智能与天基计算、星载轻量化的融合与探索。 5、各类遥感影像指数的反演计算、遥感影像的修复和处理、土地分类、森林监测、城市不透水层等生态地理遥感云计算领域研究。 6、人工智能技术在城市规划、地图测绘、智能设计领域的深度融合与应用。 **MSG：** MindSpore Study Group，简称MSG，是一个让开发者可以充分进行技术研讨、案例分分享、相互交流的公益性社区。 **MSG企业行** 昇思MindSpore开源社区聚焦各地核心科技板块，汇聚企业核心技术骨干，与企业深入交流与分享；截至2022年昇思MindSpore走过国内外24个城市，拓展AI类企业生态，服务企业超过5000家，涉及端边云全场景行业，支撑两大产业联盟成立，打造开发共赢的产业生态圈。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1919/ --- 活动中心 MindSpore算子使用经验分享活动 # MindSpore算子使用经验分享活动 2022/10/08 # MindSpore算子使用经验分享活动 您在MindSpore使用过程中有没有遇到过问题？ 您是怎么解决的呢？ 能不能跟我们分享一下？ 算子使用和算子开发过程中遇到的问题都可以~ ### 奖品预览 ### **活动时间** **10月8日——10月23日** ### 参与方式 1. 分享您日常使用过程中遇到的MindSpore算子相关问题和解决办法，或成功的算子开发记录。 2. 算子问题的干货格式，内容必须包括：环境配置、问题描述、根因分析、解决办法共四个部分。 格式参考：https://bbs.huaweicloud.com/forum/thread-0276968871993170012-1-1.html 3. 干货发布；将干货发布在论坛的“算子使用”板块。 4. 链接回复；在本活动帖下评论回复您的技术干货帖和联系邮箱。 ### 注意事项 1. 请勿刷帖，刷帖一律删帖并做无效参与处理。 2. 必须保证原创，抄袭按无效参与处理。 3. 请勿盗取他人截图或内容，一经发现做无效参与处理。 4. 必须符合分享格式，否则算作无效参与。 5. 最终解释权归MindSpore团队所有。 --- https://www.mindspore.cn/activities/zh/192/ --- 活动中心 《深度学习与MindSpore实践》可以购买了！ # 《深度学习与MindSpore实践》可以购买了！ 2020/04/24 # 《深度学习与MindSpore实践》可以购买了！ 2020年3月28日，MindSpore正式开源了！开源后，MindSpore团队在第一时间推出了的第一本官方书籍——《深度学习与MindSpore实践》。 购买链接： https://item.jd.com/12839912.html 本书是一本端到端的深度学习书籍，由**MindSpore首席科学家陈雷老师**带领MindSpore专家团队为大家带来了高质量的书籍。 为了方便大家阅读，书籍在内容设计上做了一定的设计： - 刚入坑或者希望入坑的深度学习的小伙伴可以从第一章读起逐步深入。 - 有一定基础的同学，可以通读理论部分，相信由我们深度学习专家团队整理的内容，有完整的数学推导过程及详细的理论支撑，会给大家提供扎实的理论参考。 - 关心未来演进和新技术的同学，可以阅读无监督学习、深度强化学习、自动化机器学习、端云联合训练等章节，了解业界技术演进方向。 - 如果你是冲着MindSpore来的，或者喜欢撸代码的同学，可以着重阅读每个章节的实践部分，同时获取实际可以运行的代码。 - 如果你是高校的老师，可以使用本书作为教材/教辅，我们提供对应课程的课件及对应的习题，可以发邮件到contact@mindspore.com获取对应的课件，并且有机会得到我们高校教学资源的支撑。 书籍也有幸得到了**业界各位大佬的点评**： 深度学习在最近十年得到了巨大发展，它使人工智能产生了革命性的突破，让我们切实地领略到人工智能给生活带来改变的潜力。《深度学习与MindSpore实践》对深度学习的基础技术进行了深入浅出的阐述，既给出了富于启发性和思想性的见解，又强调通过深度学习框架MindSpore的操作和实践，特别适合从事深度学习的研发人员参考阅读！ ——**叶杰平 滴滴出行副总裁、滴滴AI Labs负责人，美国密西根大学教授** 人工智能已成为我国发展的战略性方向，而人工智能的发展离不开计算框架的合理应用。MindSpore是开源的深度学习计算框架，支持端/边/云全场景全栈协同开发，适配所有的AI 应用场景。很高兴看到《深度学习与MindSpore实践》系统介绍了深度学习的基础知识和各种网络模型，并通过MindSpore给出不同领域的应用，对深度学习的推广具有重大意义。 —— **常毅 吉林大学人工智能学院院长** MindSpore是华为公司开发的深度学习框架，兼容目前主流的深度学习框架，支持端/边/云全场景全栈协同开发。《深度学习与MindSpore实践》在总结深度学习的理论基础上，系统地介绍了MindSpore框架，适合作为以MindSpore为工具开发人工智能系统的研发人员的参考读物。本书理论联系实践，不仅讲解深度学习的模型、概念和算法，还给出了在MindSpore上实现的具体程序及步骤，强烈推荐阅读。 —— **李航 北京字节跳动科技有限公司AI实验室主任** 我从事人工智能教学已经十三年了，深刻感受到人工智能尤其是深度学习的教学效果很大程度上要依赖于实践环节。特别是未来一段时间，深度学习仍然依赖于大数据和强大的算力，缺乏解释性。华为公司硬件与软件齐头并进，不仅构造了令人骄傲的强大算力平台，还推出了MindSpore全场景AI计算框架，为人工智能人才的培养提供了优秀的实践平台。相信《深度学习与MindSpore实践》会很快进入全国各大高校的课堂，并建议华为公司能把整个教学生态建好，打造人工智能人才培养的高地。 ——**公茂果 西安电子科技大学计算智能研究所所长** 深度学习在人工智能领域有着广泛的应用。《深度学习与MindSpore实践》系统介绍了深度学习的基础理论、常用的深度神经算法设计，并以大量基于MindSpore的实例帮助读者掌握深度学习算法的实现。此外，本书还对深度学习中的样本数据处理、可视化及端云协同进行了深入的探讨，因此我相信本书适合广大读者作为深度学习技术的入门读物。 ——**谭焜 华为公司分布式与并行软件实验室主任** --- https://www.mindspore.cn/activities/zh/1923/ --- 活动中心 MSG企业行·遥感卫星专场成功举办！基于人工智能的卫星遥感应用体系迎来新机遇！ # MSG企业行·遥感卫星专场成功举办！基于人工智能的卫星遥感应用体系迎来新机遇！ 2022/10/24 # MSG企业行·遥感卫星专场成功举办！基于人工智能的卫星遥感应用体系迎来新机遇！ 10月22日下午，MSG企业行·遥感卫星线上交流会成功举办！昇思MindSpore开源社区联合知名媒体CSDN，邀请到**武汉大学、国家农业信息化工程技术研究中心、中国矿业大学、航天宏图、星测未来、品览**的**6位**遥感领域嘉宾，基于自身丰富的遥感领域技术经验，分享了于人工智能的卫星遥感应用体系。 本次MSG企业行·遥感卫星专场活动，**字节、商汤、浪潮、高德、联通、中国农大、中国科学院微小卫星创新研究院**等**400+**知名企业、高校、研究院所均报名参与，活动现场**269**位领先企业代表基于智能遥感在气象预报、国土普查、环境监测、作物估产、森林监测、城市规划、地图测绘等领域取得了重要进展进行了热烈的研讨与交流。 本次【MSG企业行·遥感卫星】视频回放链接：https://www.bilibili.com/video/BV1Dg41187VH/?spm\_id\_from=333.999.0.0 **精彩回顾** 基于MindSpore的即时遥感研究 武汉大学遥感信息工程学院教授、珞珈实验室教授**高智**：分享了基于MindSpore的即时遥感研究。 “即时遥感在灾害监测、地表异常监测方面具有重要作用。其中，由于地表异常（或者灾害）具有稀有性、瞬时性、多样性等特点，我们必须考虑如何利用一张图像，实现异常类别的准确识别。为此，我们发展小样本学习算法。 首先在迁移学习的基础上，构建了多任务学习模型，利用旋转预测任务、对比预测任务等辅助任务与主线任务之间的竞争与合作，提高特征提取网络的鲁棒性和泛化性，并加入正则化模块进一步防止模型过拟合。 其次，利用半监督学习的优势，构建训练样本和测试样本的邻接矩阵和拉普拉斯矩阵，利用平滑假设实现标签传播，纠正类别中心点，实现高精度最邻近分类。上述多任务学习框架和半监督学习算法在公共小样本遥感分类数据集上实现了目前最好的分类精度。 此外，我们基于MindSpore实现模型的训练、转换和推理，MindSpore的良好生态和全场景支持模式使不同硬件、不同模型间的对比、迁移成为可能。” 基于MindSpore的城市遥感变化监测平台 航天宏图高级算法工程师**袁梦轲**：分享介绍了航天宏图信息技术有限公司联合智能平台事业部，自然资源事业群、武汉定量遥感与人工智能实验室共同提出的“基于Mindspore的城市变化遥感监测平台”。 “该方案针对大体量数据样本标注困难、遥感图像低质、现有智能解译技术局限性等问题，从数据、算力、算法三个维度推动城市变化监测技术的推广和落地，在数据方面构建了智能数据管理和标注系统，对海量遥感数据进行全链路组织和管理，同时通过人工和模型动态循环标注的方式来大大提升样本标注效率。 在算法方面，集成了多种先进的智能解译算法如ChangeStar,ChangeFormer,DDPM-CD。在算力方面，结合华为全栈的昇腾AI软硬件平台，实现极简易用、极致性能。并在大规模实际耕地保护、城市监测案例展示方案的优秀表现。” 空天地一体化农业遥感大数据系统研究及应用 国家农业信息化工程技术研究中心**杨小冬**：主要介绍了国家农业信息化工程技术研究中心遥感技术团队在大田精准农业定量遥感、作物育种表型遥感和农情大数据应用等三个方面的主要研究成果和进展。 “集成卫星遥感、气象数据和农情调查数据等多源数据，基于深度学习和人工智能技术研发的作物长势健康诊断仪、产量预测模型和病虫害预测预警等成果，在国内外科研机构、大学和农业相关企业获得了广泛的应用。” 面向遥感应用的星载轻量化智能计算解决方案 星测未来首席执行官**仓基荣**：从天基计算在遥感领域的应用现状、当前面临的技术与挑战以及星载轻量化人工智能平台构建三方面，探讨了面向遥感应用的天基计算解决方案，并分享了星测未来在通用高性能算力平台，轻量化AI算法，软硬件协同加速等方面的实践与探索，助力遥感领域轻量化智能计算平台的生态构建。 基于Google Earth Engine云平台的生态遥感云计算 中国矿业大学博士**闫星光**：基于Google earth engine 云平台不仅可以利用在线Explorer工具在线查看GEE平台遥感卫星影像和利用Time lapse来进行时序遥感的地表检测，此外，可以利用GEE云平台的在线编译功能实现森林检测、土地分类、水体变化和温度识别等应用的开发。 AlphaDraw - 将AI技术融入智能建筑设计系统 品览技术合伙人兼设计研发部主管**黄延**：介绍了品览推出的施工图自动绘制平台筑绘通的整体实现架构，并就其主体流程中的 AI 自动识图和 AI 自动画图的基本原理进行了介绍。处理这些问题需要涉及到利用人工智能方法、计算几何方法以及运筹优化方法到对空间拓扑与空间结合结构的特征进行深入分析，这些方法论与遥感领域的分析方法论有相似之处，可供互相参考，融会贯通。 **总结：** 国家大力鼓励卫星遥感产业发展，基于人工智能的卫星遥感应用体系已成为未来发展的必要趋势。新一代人工智能的发展与推动，为遥感卫星的技术应用带来了新的发展机遇。 昇思MindSpore开源社区聚焦各地核心科技板块，赋能行业应用落地，推动AI各行业领域的创新发展，打造开发共赢的产业生态圈。 **联合出品单位：** **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1925/ --- 活动中心 2022“航天宏图杯”遥感影像智能处理算法大赛复赛火热进行中 # 2022“航天宏图杯”遥感影像智能处理算法大赛复赛火热进行中 2022/10/24 # 2022“航天宏图杯”遥感影像智能处理算法大赛复赛火热进行中 遥感影像类年度赛事——**2022“航天宏图杯”遥感影像智能处理算法大赛复赛**火热进行中！ 本次大赛由国家自然科学基金委员会信息科学部（NSFC）和国际摄影测量与遥感学会（ISPRS）支持，“空间信息网络基础理论与关键技术”重大研究计划指导专家组主办，武汉大学测绘遥感信息工程国家重点实验室、武汉大学遥感信息工程学院承办，航天宏图信息技术股份有限公司独家冠名，华为技术有限公司赞助的2022“航天宏图杯”遥感影像智能处理算法大赛（以下简称“大赛”）正式启动。 本次大赛旨在“以赛促创”，推动人工智能技术在遥感影像领域的创新发展，为实现空间信息处理与应用能力的大幅提升提供支撑。 大赛初赛阶段已结束，总共吸引来自中国、美国、英国、荷兰、土耳其、澳大利亚、巴基斯坦等超过15个国家的1475名选手，其中高校1193人，科研院所112人，企业113人，其他57人，总共队伍数量676只，三大赛道总共收到8162份算法提交结果，并于2022年10月10日正式发布复赛数据和开启复赛打榜。 本次大赛分为三大赛道，其中**道路提取和交叉口识别**赛道由华为技术有限公司赞助，详细说明如下： **道路提取和交叉口识别** 参赛队伍需根据提供的遥感影像识别出道路的分割掩膜和两种交叉口类型区域的定位，本赛道复赛要求使用昇思MindSpore框架完成。主办方将从所提交算法的准确性、效率及创新性等方面对结果进行综合评价。 **奖项设置** 大赛奖金池高达68万人民币（具体以比赛官网信息为准）： 国际赛道拟设立一等奖、二等奖、三等奖，国际赛道：遥感影像语义分割设置奖励金额及队伍数量如下（具体以比赛官网信息为准）： **赛题详情** 点击链接了解更多大赛信息：http://rsipac.whu.edu.cn/ **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1930/ --- 活动中心 MSG西安 | 10月28日来MSG一起线上探讨图学习 # MSG西安 | 10月28日来MSG一起线上探讨图学习 2022/10/26 # MSG西安 | 10月28日来MSG一起线上探讨图学习 10月28日（周五）19：30，由MSG西安成员发起的线上交流会即将开启。本次活动，我们将带领大家了解图及图机器学习、时序图学习。以及为正在参加昇思AI挑战赛-多类别图像分类比赛的选手提供baseline：主要关注数据处理及代码调通，能够快速使用MindSpore 框架参与到图像分类的比赛中。一起来看看吧！ **参与方式** 本次活动使用腾讯会议 请扫码添加微信群获取腾讯会议 **关于MSG** 2020年5月，MSG正式成立，我们走遍了**全国\*\*\*\*十五大城市**：北京、上海、广州、深圳、武汉、长沙、苏州、杭州、南京、重庆、山东、郑州、天津，桂林、宁波；拓展了**七大海外MSG**：莫斯科、新加坡、印尼、澳门、印度、香港·浸会大学，香港·理工大学；**联合OpenI启智社区走进了校园**：哈工大深圳校区、南方科技大学等等。 2020年底发起了首场以女性为主题的\*\*『MSG: Women In Tech』\*\*，广受好评；今年发起的『MSG: Women In Tech』第二期同样火爆，聚焦当下热点问题，分享内容干货满满，短期内收到许多粉丝的喜爱，并来信期待下一期的分享。 **_MSG是什么？_** MindSpore Study Group，简称MSG，是提供一个让开发者可以充分进行技术研讨、案例分享、互相交流的公益性社区。为了方便开发者们的深入交流，我们会在多个城市成立MSG组织，满足本地开发者的线下交流机会。 **_MSG一般会做什么？_** **· 技术研讨** MindSpore技术专家讲解最新版本技术亮点 邀请技术大咖分享关于AI、深度学习最新动态 · 极客分享 开发者分享MindSpore真实场景的应用案例 极客们分享前沿技术进展与软硬件最新技术 **· 社区贡献** 引导开发者从零参与MindSpore社区贡献 培养开发者成为开源社区的contributor **_如何成为MSG组织者？_** 每个人都有机会成为MSG的组织者，不论你现在在北京、上海、深圳，还是杭州、西安、成都等城市，都可以提交申请。有志于成为MSG组织者的朋友们，请扫描以下的二维码进行报名。 **_快扫码成为MSG组织者吧~_** **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1931/ --- 活动中心 COSCON2022 | 10月29日与MindSpore共探大模型关键技术 # COSCON2022 | 10月29日与MindSpore共探大模型关键技术 2022/10/26 # COSCON2022 | 10月29日与MindSpore共探大模型关键技术 作为业界具有广泛影响力的开源年度盛会，2022 第七届中国开源年会 (COSCon'22) 将于10 月 29 日 - 30日在线上（元宇宙+传统线上直播渠道）& 线下（10+ 线下分会场）同步拉开帷幕。 10月29日16：00，昇思MindSpore研发工程师黄风将在人工智能分论坛为大家分享**MindSpore Transformer\*\*\*\*大模型和推荐大模型中的关键技术**。 **参与方式** 本次活动使用腾讯会议 请扫码添加微信群获取腾讯会议 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1932/ --- 活动中心 【CCAI2022】昇思MindSpore行业与技术论坛暨昇思生态城市行•长沙站重磅开启：共促AI根技术发展 # 【CCAI2022】昇思MindSpore行业与技术论坛暨昇思生态城市行•长沙站重磅开启：共促AI根技术发展 2022/10/27 # 【CCAI2022】昇思MindSpore行业与技术论坛暨昇思生态城市行•长沙站重磅开启：共促AI根技术发展 **昇思MindSpore行业与技术论坛暨昇思生态城市行即将于10月31日上午在长沙举办**，活动以“发展 AI 根技术 开创产业新未来”为主题。活动围绕昇思MindSpore生态进展、技术创新展开，并将举行昇思MindSpore技术方案认证授牌仪式，携手产业界共同繁荣人工智能产业生态。 **大模型重磅合作签约** 长沙的人工智能产业正在快速成长，长沙软件园、中南大学、华为三方将联合研究孵化INSAR安全检测预警大模型，并在本次活动中举行签约仪式。 该大模型可实现建筑物大规模安全隐患的识别，为预测和预警提供智慧手段，这对于保障城市建筑物和国家重大基础设施的安全运营具有里程碑意义，这将是国内首个利用INSAR技术针对城市大范围建筑物隐患识别和监测预警的大模型。 **昇思MindSpore技术方案认证授牌仪式** 算力作为人工智能“三要素”之一，其重要性不言而喻。为突破算力瓶颈，长沙、深圳、武汉、成都、西安、南京等基于昇腾AI的20多个人工智能计算中心相继上线运营。在大算力的支撑下，昇思赋能多家合作伙伴实现技术突破，打造核心解决方案，共建人工智能产业软硬件生态。 活动中，华为将为拓维信息系统股份有限公司、湖南汇视威智能科技有限公司，湖南中科优信科技有限公司等20余位合作伙伴颁发昇思MindSpore技术方案认证，认证合作伙伴将获得更多相关技术和推广支持。 **昇思助力产业应用落地成果** 昇思致力于携手伙伴推动产业生态的建设，本次昇思生态城市行活动邀请三家湖南本地人工智能企业代表作应用分享，相关专家将带来昇思 AI 框架应用在智慧交通、智能语音等行业实践的经验分享，共话人工智能产业新应用。 昇思将持续与伙伴共同构建行业解决方案，为行业智能化升级提供加速度。 **昇思赋能科研创新** 产业落地的源头来自技术的创新，而AI框架如何赋能科研创新，是学术界、产业界共同关心的命题。中南大学计算机学院、中南大学地球科学与信息物理学院与华为昇思业务专家将带来基于昇思的前沿研究课题和AI开发技术分享，探讨人工智能技术新生态发展。 活动由中国人工智能学会主办，长沙软件园有限公司，华为技术有限公司，长沙昇腾人工智能生态创新中心共同承办。湖南省鲲鹏生态创新中心，湖南湘江鲲鹏信息科技有限责任公司，昇思MindSpore开源社区协办。 本次活动为第八届中国人工智能大会的一部分，创办于2015年的“中国人工智能大会”，每年举办一届，是我国最早发起举办的人工智能大会，目前已经成为我国人工智能领域规格最高、规模最大、影响力最强的专业会议之一。大会践行我国科技创新发展战略，着力打造国际化的人工智能学术交流与合作平台，共享全球顶尖人工智能前沿技术和发展经验，助力我国智能科技向更高水平的自立自强不断迈进。 详细议程如下： **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1935/ --- 活动中心 【昇思AI挑战赛】复赛名单公布，快来看看都有谁？ # 【昇思AI挑战赛】复赛名单公布，快来看看都有谁？ 2022/11/01 # 【昇思AI挑战赛】复赛名单公布，快来看看都有谁？ 昇思AI挑战赛，是由昇思MindSpore主办的，面向全球AI开发者打造的赛事。挑战赛皆在为开发者提供一个学习MindSpore和锻炼算法能力的机会。 经过两个月的精彩角逐 **复赛名单**出炉 让我们一起看一看吧~！ 恭喜以上参赛队伍进入复赛 从即日起至12月10日为复赛阶段 每个赛道决出六个获奖队伍 具体事项如下： **复赛具体事项** 1.复赛提供部分测试集，进入决赛的队伍需要在比赛结束前提交模型和预测代码，详细的README文档。比赛结束时的排行榜结果不代表最终结果，最终使用的测试集（公开部分50%+未公开部分50%）由主办方统一准备，最终结果由主办方根据README文档运行预测脚本，得到预测结果，计算评分。 2.复赛要求参赛队伍实现在线推理模块。 3.复赛前6名队伍需要参加答辩，若答辩过程中，评委发现有作弊嫌疑，主办方有权取消参赛者比赛资格。答辩内容包括（数据读取，模型选择，模型训练，预测，推理模块等）。 4.为保证公平性，比赛结束后会公开完整测试集。 5.注意：比赛结束后，所有参加比赛的队伍的关联项目均会被公开在昇思大模型体验平台上（即将项目权限设置为Public)。 再次恭喜以上队伍进入复赛 让我们共同期待他们在复赛中的优异表现吧！ **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1936/ --- 活动中心 线上直播 | CCF开源大会全场景AI框架昇思MindSpore技术分论坛 # 线上直播 | CCF开源大会全场景AI框架昇思MindSpore技术分论坛 2022/11/01 # 线上直播 | CCF开源大会全场景AI框架昇思MindSpore技术分论坛 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/194/ --- 活动中心 MindSpore 图引擎分析回顾，第三场源码分析今晚直播！ # MindSpore 图引擎分析回顾，第三场源码分析今晚直播！ 2020/04/28 # MindSpore 图引擎分析回顾，第三场源码分析今晚直播！ 4 月 26 日，机器之心联合华为昇腾学院开设的线上公开课《轻松上手开源框架 MindSpore》第二课完成，GraphEngine 高级工程师王俊为大家带来了主题分享《MindSpore 中 GraphEngine 浅析》，第二课回顾视频如下： 第二课精选问答与 PPT 详见文末。 ### 公开课第3讲 课程主题：MindSpore 代码流程分析 \*\*课程时间：\*\***4 月 28 日（周二）20:00** \*\*课程讲师：\*\*王辉 讲师简介：华为云与计算 BG 计算开源生态部工程师，专注于新领域探索（AI、计算、云等）和开源技术研究。目前在负责 MindSpore 社区的生态推广工作，同时也曾参与 OPNFV、OpenSDS 和 Open Service Broker API 等开源社区进行贡献。 课程摘要：本次课程将带领大家从源码的角度来剖析 MindSpore 端到端的调用流程，同时以 CPU 算子开发为例向大家展示 MindSpore 的算子开发流程。 课后作业：为了帮助大家熟悉 MindSpore 中 CPU 算子的端到端调用流程，进一步加深对 MindSpore 架构的理解，我们将在本次直播后设置一次课后作业： - 作业题目：MindSpore CPU 算子开发调试 - 作业内容： - 普通档：从当前CPU算子支持列表中任选三个算子执行，并反馈算子执行结果 - 挑战档：开发新的CPU算子，完成该算子的调试操作，并反馈算子执行结果（可选) - 作业奖励：作业完成优秀的同学将获得赠书《深度学习与MindSpore实践》。 - 更多作业详情与实践项目加入下方学习交流群即可获取。 ### 如何加入 《轻松上手开源框架 MindSpore》系列课程全程免费，识别下方二维码，即可加入学习交流群，一起看直播学理论、做作业动手实践。 注：若群人数达到限制，无法直接扫码加入，请识别上方海报二维码，添加机器之心小助手（syncedai6），备注「开源」，小助手将邀请进群。 ### 第二课精选问答 在第二课的 QA 环节中，有一些问题被大家广泛提到，王俊讲师再次做了精选与编辑，供大家参考。 **Q1：循环下沉是什么？** 循环下沉是在 on-device 执行的基础上更进一步的一个技巧，意图进一步建校 host 侧和 device 侧之间的交互次数。一般情况下，我们习惯于每个 step 都返回一个结果，循环下沉是控制每隔多少个 step 返回一次结果，缺省的配置是一个 epoch 返回一次结果，这样每个 epoch 里，host 侧和 device 侧只需要进行一次数据交互即可。 **Q2：FusionOP是定义在device上么？** FusionOP 对应的具体算子是有其算子实现的，存储在算子信息库中，融合出 fusionOP 的过程是在 host 侧的 CPU 上完成，运行此 FusionOP 是在 device 上。 **Q3：profiling只能在昇腾上用吗？** 只能在昇腾上使用。 **Q4：profiling有op的开始时间吗？** profiling 是记录下 op 开始和结束的时间，以此计算算子耗时。 **Q5：数据dump是能dump出来什么数据？** 通过配置可以 dump 出任何存在在网络中的数据，每一个算子的输入输出，每一个 parameter 的值和梯度都可以被 dump 下来。 **Q6：910 支持推理吗？支持多少op呢？** 910 支持训练及推理，310 只支持推理。目前我们的算子信息库已经相对完善，常用的 op 基本都已支持，如果有自定义算子的需求，我们提供了 TBE 工具来支持用户自定义算子的开发。 **Q7：算子在不同的加速器上的调度策略什么？** 在图准备阶段会根据代价函数进行算子引擎分配，在流分配阶段也会充分考虑不同算子之间的并行计算可能，具体指定每个算子的执行引擎。 **Q8：GE是mindspore中和硬件交互的？** 是的，GE 专门负责和 Ascend 芯片交互。 **Q9：310不能做训练么？** 310 只能做推理，MindSpore 训练好后的模型，将其固化为 pb 格式后，可以部署到 310 芯片上进行推理。 **Q10：如何自定义昇腾芯片支持的op呢？** 提供了 Tensor Boost Engine 这个工具来支持自定义 op。Ascend 芯片的算子需要用一种 cce 格式的代码编写，需要显式指定内存搬运操作，极为复杂，使用 tbe 工具，只需调用其 python 接口完成算子逻辑定义，即可生成可运行在 Ascend 上的自定义算子。 大家后续如有更多问题，欢迎关注 MindSpore 的gitee和github，随时提 issue，官方人员将及时为大家解答： - Gitee：https://gitee.com/mindspore - GitHub：https://github.com/mindspore-ai \*\*PPT下载方式：\*\*后台回复关键词「GE」，即可下载。 --- https://www.mindspore.cn/activities/zh/1942/ --- 活动中心 开发者的年度狂欢 |MindSpore携手鹏程实验室开展MSAdapter任务，助力上榜赢奖品 # 开发者的年度狂欢 |MindSpore携手鹏程实验室开展MSAdapter任务，助力上榜赢奖品 2022/11/14 # 开发者的年度狂欢 |MindSpore携手鹏程实验室开展MSAdapter任务，助力上榜赢奖品 \*\*花式打榜：\*\*公开和私有活动均可参加，还有小白训练营10分/条的Issue和5分/条的数据集反馈 **专项任务加分：**为**MSAdapter**项目执行相应任务可获20积分 \*\*邀请好友：\*\*邀请新用户注册便可获5分/人，额外奖励500-1500元现金 \*\*经验分享：\*\*在外部平台分享OpenI相关体验或经验可获5-20积分，额外奖励200-1000元现金 **“我为开源打榜狂”活动简介** “我为开源打榜狂”是OpenI启智社区通过为开发者们提供普惠的算力资源，结合社区的激励计划，为鼓励广大AI开发者参与开源和社区生态建设，特在2022年增设的日常激励活动。开发者通过在AI协作平台提交代码、数据集、管理任务等日常开发活跃行为可获得相应积分，社区每周将根据积分高低选出排名靠前的上榜者进行现金激励。 从2022年5月开始至今，开源打榜活动已经陪伴OpenI开发者们走过了3期，在社区普惠充沛的算力支撑下，开发者们通过AI协作平台开发自己的AI项目，还能冲上榜单拿到社区的现金奖励。目前，社区已经累计为1000人次的开发者提供了近20万的奖励，“我为开源打榜狂”已然成为了OpenI社区用户最喜爱的活动之一。 虽然第3期刚在10月底落幕，趁热打铁，社区将在11月14日上线**年度活动力度最大**的第4期“我为开源打榜狂”活动，连续4周，**400个上榜名额，总奖金15万**，持续到12月11日，为开发者们带来一场年度开源狂欢盛宴！ 那么，第4期的活动究竟该怎么玩才能榜上有名呢？先通过以下的宣传视频，来听听前3期打榜活动中的上榜者们是如何为第4期活动打Call吧~ （请在微信内点击链接进行观看：https://mp.weixin.qq.com/s/UKb0uvZt3SAN0E6xqq7dDQ） **上榜条件更为开放** 为了进一步鼓励大家使用AI协作平台，第4期的打榜活动条件更为开放： **1、公开和私有行为均可以获得积分** **2、加分的打榜行为增加至14项** **3、每周上榜名额增至前100名** 只要用户通过在OpenI启智社区AI协作平台进行满足以下条件的开发行为（基本涵盖所有日常开发行为），平台将根据用户累计积分按照高低排名，公示前100名上榜名单（机会已经给出来了，剩下的看你的咯）。积分规则如下： TOP100上榜用户将获得OpenI启智社区的奖励： **打榜之星**（TOP1-3名）：奖励1000元 **打榜能手**（TOP4-10名）：奖励800元 **打榜达人**（TOP11-30名）：奖励600元 **打榜新秀**（TOP31-50名）：奖励400元 **打榜小将**（TOP51-100名）：奖励200元 **多重渠道加分 助你上榜妥妥的** 除了上面的基础打榜行为可以加分外，第4期活动还加入了额外5项加分渠道： **MSAdapter专项任务加分无上限** MSAdapter接口开发任务，需要开发者利用MindSpore开发和PyTorch完全对标（参数和功能）的接口，完成后提交合并请求，项目方确认过后采纳的方案即可获得**20积分**。用户可尝试多个任务，**加分无上限**，具体需求可查看任务页面。 **价值Issue加分无上限** 在小白训练营（OpenI\_Learning）项目中提交Issue（体验优化、功能建议、BUG）且被平台接纳，可获得**10分/条**，**加分无上限**（如果只是操作方面的提问将不会获得积分）。 **提数据集需求加分无上限** 为节约大家上传数据集的时间，平台将统一采集大家所需数据集，点击链接反馈你最常使用的数据集，平台采纳后可获**5分/条，加分无上限**（若为重复数据集，仅对最先反馈的第一条进行加分）。 **邀请好友助力打榜** 在AI协作平台，点击个人头像下拉【邀请好友】进入页面后，可生成专属邀请码的分享链接，通过链接成功邀请好友注册OpenI，邀请者可获得**5分/人，每周上限50积分**。 **邀请之星**（100人及以上）：额外奖励1500元现金 **邀请能手**（50人及以上）：额外奖励800元现金 **邀请达人**（30人及以上）：额外奖励500元现金 **分享经验拿大奖** 在外部平台（微博/知乎/csdn/贴吧/论坛等）分享**OpenI功能操作介绍、体验感受、活动心得、技术经验**等300字以上内容，可将分享链接通过小白训练营提交PR（合并请求）或Issue的形式，平台进行后台审核，符合基本条件的达标内容，每个外部链接可加5分，被平台采纳合并的优质内容可加**20分/条，每周上限为50积分**（多个链接的同一内容仅被平台采纳一次）。 **分享之星**（采纳8篇及以上） ：额外奖励1000元现金 **分享能手**（采纳5篇及以上）：额外奖励600元现金 **分享达人**（采纳2篇及以上）：额外奖励200元现金 **奖金发放流程** 1. 每周排行榜诞生后，社区将会给上榜者发送领奖信息邮件。 2. 上榜者领奖信息最终反馈时间：**2022年12月18日**，逾期反馈者视为放弃领奖，请上榜者及时关注邮件并反馈信息（如发现未收到邮件，可先查询邮件是否被归到了垃圾邮箱或广告邮箱，也可通过OpenI启智社区公众号或邮箱 secretariat@openi.org.cn进行咨询 ）。 3. 最终领奖名单公示期：**2022年12月19日-2022年12月25日**。 4. 奖金发放说明：公示期结束后，现金激励将由鹏城实验室统一发放至个人银行账户，机时激励将由平台发放至个人注册账号。 转发此文至朋友圈或好友群（50人以上）的小伙伴们可额外获得**5积分/次**，可将截图+OpenI注册用户名发送至OpenI启智社区公众号，第1周活动有效~ 更多活动详情请访问官网，或点击链接：https://openi.org.cn/index.php?m=content&c=index&a=lists&catid=223查看。 如果你有遇到平台操作或调试训练过程中的相关问题，可以在【小白训练营】任务区提交Issue进行反馈，也欢迎各位关注公众号，回复1获取入群二维码，加入OpenI启智社区的开发者交流群，与大家一起交流。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1947/ --- 活动中心 【昇思生态城市行】南京站重磅开启，精彩内容抢先看！ # 【昇思生态城市行】南京站重磅开启，精彩内容抢先看！ 2022/11/19 # 【昇思生态城市行】南京站重磅开启，精彩内容抢先看！ 昇思MindSpore行业与技术论坛暨昇思生态城市行即将于**11月22日下午在南京**举办，活动以“昇腾万里 · 智赋江苏”为主题，围绕昇思MindSpore生态进展、技术创新展开，并将举行大模型签约、昇思MindSpore技术方案认证授牌及重磅AI解决方案发布仪式，携手产业界共同繁荣人工智能产业生态。 **大模型重磅合作签约** 南京高校云集、科研院所众多，本地人工智能产业也在快速成长，科研创新正是产业发展的源头。南京大学、南京先进计算产业发展有限公司（南京人工智能计算中心）、华为三方将联合研究孵化金陵.女娲大模型，并在本次活动中举行签约仪式。 **昇思携手伙伴发布产业级AI解决方案** 活动中，北联国芯、云问科技、奥看科技将重磅发布基于昇腾AI、昇思MindSpore的最新成果。昇思MindSpore致力于携手伙伴推动产业生态建设，共同构建行业解决方案，为行业智能化升级提供加速度。 **昇思MindSpore技术方案认证授牌仪式** 在大算力的支撑下，昇思MindSpore赋能多家合作伙伴实现技术突破，打造核心解决方案，共建人工智能产业软硬件生态。活动中，华为将为小视科技、云化科技、多伦科技等10余位合作伙伴颁发昇思MindSpore技术方案认证，认证合作伙伴将获得更多相关技术和推广支持。 本次活动由江苏省科学技术厅指导，华为技术有限公司、南京江北新区产业技术研创园、南京江北新区科技投资集团共同主办，江苏鲲鹏·昇腾生态创新中心、南京集成电路培训基地承办。 **详细议程如下：** 现场参会或者更多合作 扫码私信小助手 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1948/ --- 活动中心 MSG企业行·AI+医疗专场成功举办！！昇思MindSpore助力智慧医疗深度发展！ # MSG企业行·AI+医疗专场成功举办！！昇思MindSpore助力智慧医疗深度发展！ 2022/11/21 # MSG企业行·AI+医疗专场成功举办！！昇思MindSpore助力智慧医疗深度发展！ **【MSG企业行·AI+医疗】** 11月19日下午，【MSG企业行·AI+医疗】线上交流会成功举办！ 昇思MindSpore开源社区联合**大连人工智能生态创新中心、深圳大学、武汉理工大学、摩赛恩科技、连心医疗、众享未来融合研究院**，邀请到了**5**人工智能与医疗行业嘉宾，基于AI技术在医疗领域的深度发展和突破，进行了议题分享与交流。 本次【MSG企业行·AI+医疗】专场活动，****阿里、字节、百度、复旦大学、上海市东方医院、中山大学肿瘤防治中心、中南大学、中国科学技术大学、福建医科大学****等\*\*700+**知名企业、高校、研究院所均报名参与，其中**300+\*\*位领先企业代表线上参会！在智能影像诊疗、医学数据挖掘、智能问诊、药物挖掘等医疗领域中广泛应用，进行了热烈的探讨与交流！本次活动在【MindSpore官方】B站、思否官网、CSDN官网、示说官网等多个平台同步直播。 **精彩回顾** 1 深圳大学生物医学工程学院助理教授，MindSpore医疗影像AI SIG领衔成员**杨鑫**：分享了如何基于MindSpore构建和部署医学影像分割模型，以及如何在Pair标注软件中基于MindSpore实现通用的、轻量化的智能分割标注，大幅提高标注效率和质量。 2 武汉理工大学计算机与人工智能学院副教授**段鹏飞**：基于国产化MindSpore深度学习平台，以快捷轻便的皮肤病诊断为研究重点深入挖掘，运用团队所研究的小样本分类、自然语言处理和知识图谱技术，分享了基于MindSpore的轻量级移动平台皮肤病辅助诊断系统。 3 摩赛恩科技技术专家**丁岗**：面向质谱数据处理与管理过程中存在的共性难题，聚焦分子智能识别检测技术，针对高分辨质谱仪器产生的浩瀚数据，分享了如何实现从质谱峰检测、峰对齐、差异分析、分子鉴定、样本智能识别，到数据库自建的完整功能。 从组学研究的全流程，特别是算法与质谱数据处理、挖掘的角度探讨组学数据分析的痛点和难点，分享了质谱数据处理的若干实践案例。 4 连心医疗董事长**章桦**：分享了基于人工智能的器官自动勾画、靶区勾画、自动放疗计划、放疗质控等技术工具和云服务；同时基于互联网和云服务平台，分享了为广大放疗医生和物理师群体用户提供的专业远程协作和放疗运营网络。 5 众享未来融合研究院高级研究员**李扬**：以乳腺癌和心磁为例，分享了AI如何与医疗结合，结合人工进行医学诊断。包括图像分类，病灶定位，专家系统，算法融合等方法。 点击链接，获取本次【MSG企业行·AI+医疗】**_视频回放：_**https://www.bilibili.com/video/BV1qW4y1x7Uq/?spm\_id\_from=333.999.0.0 近年来，人工智能与医疗产业进行了快速的融合，将传统医疗迭代进了智慧医疗时代。AI+医疗的快速发展，将为我国医疗行业发展和变革带来新的机遇。 昇思MindSpore开源社区聚焦各地核心科技板块，赋能行业应用落地，推动AI各行业领域的创新发展，打造开发共赢的产业生态圈。 **联合出品单位：** **合作媒体：** **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1953/ --- 活动中心 MSG企业行·AI医疗 | 谁是医疗领域的顶流？他们这样说！ # MSG企业行·AI医疗 | 谁是医疗领域的顶流？他们这样说！ 2022/11/16 # MSG企业行·AI医疗 | 谁是医疗领域的顶流？他们这样说！ 近年来，人工智能与医疗产业进行了快速的融合，将传统医疗迭代进了智慧医疗时代。 当前，人工智能已日渐在智能影像诊疗、医学数据挖掘、智能问诊、药物挖掘等医疗领域中广泛应用。 **_11月19日（周六）14:00_**，昇思MindSpore开源社区诚邀您参与\*\*【MSG企业行·AI+医疗】\*\*线上交流会，与各企业一起探索AI技术在医疗领域的深度发展和突破！ 报名链接：https://wj.qq.com/login\_resp.html?s\_url=https%3A%2F%2Fwj.qq.com%2Fs2%2F11105043%2Febdd&sid=11105043&hash=ebdd&login\_type=weChatClient&scene\_type=respondent **精彩预告** 1、面对医学影像模态多样、解剖结构众多的问题，如何构建通用的智能分割标注工具？如何让通用模型在有限算力下高效运行？ 2、皮肤是人体最大的器官组织，是人体与外界环境接触时的第一道生理防线。针对皮肤病的诊断手段相对落后和专科医疗资源极度匮乏的社会现实，人工智能如何助力？ 3、针对高分辨质谱仪器产生的浩瀚数据，如何将数学、机器学习、人工智能等领域的专业知识与生物数据有机结合？如何实现从质谱峰检测、峰对齐、差异分析、分子鉴定、样本智能识别，到数据库自建的完整功能？ 4、中国已经是全世界最大肿瘤人群的国家，基于人工智能的器官自动勾画、靶区勾画、自动放疗计划、放疗质控等技术工具和云服务平台，为服务广大患者贡献力量。 5、如何通过图片分类，病灶定位，专家系统，算法融合等人工智能的理工学手段，与医疗结合，辅助人工进行医学诊断？ **MSG：** MindSpore Study Group，简称MSG，是一个让开发者可以充分进行技术研讨、案例分分享、相互交流的公益性社区。 **MSG企业行** 昇思MindSpore开源社区聚焦各地核心科技板块，汇聚企业核心技术骨干，与企业深入交流与分享；截至2022年昇思MindSpore走过国内外24个城市，拓展AI类企业生态，服务企业超过5000家，涉及端边云全场景行业，支撑两大产业联盟成立，打造开发共赢的产业生态圈。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/1965/ --- 活动中心 【直播预告】11月26日易用性SIG分享会——MindSpore入门体验及昇思金箍棒简介 # 【直播预告】11月26日易用性SIG分享会——MindSpore入门体验及昇思金箍棒简介 2022/11/23 # 【直播预告】11月26日易用性SIG分享会——MindSpore入门体验及昇思金箍棒简介 **11月26日（本周六）14:30—16:10**，**第五期易用性SIG线上技术分享会**面向昇思MindSpore初中级开发者，介绍入门经验、使用体验和昇思金箍棒。 **更多议题相关详情** --- https://www.mindspore.cn/activities/zh/1966/ --- 活动中心 大赛报名 | 【第二届·2022量子精选论文复现挑战赛】正式开启，诚邀您参赛，多重大奖等您来拿！ # 大赛报名 | 【第二届·2022量子精选论文复现挑战赛】正式开启，诚邀您参赛，多重大奖等您来拿！ 2022/11/22 # 大赛报名 | 【第二届·2022量子精选论文复现挑战赛】正式开启，诚邀您参赛，多重大奖等您来拿！ 量子计算被认为是未来具有颠覆性影响的新型计算模式之一。推动量子计算的发展，除了量子计算硬件的研发，要构建一套完整的量子计算机系统，量子软件及量子算法是必不可缺的组成部分。为提升量子计算编程的整体水平，促进量子算法开放共享和技术创新，昇思MindSpore社区联合HiQ量子计算和ModelArts，举办**第二届量子精选论文复现挑战赛，活动正在火热报名中！** 第一届·2021量子计算论文复现大赛吸引了国内外众多开发者的积极参与，激发了量子计算领域内学术论文的研究热潮，同时也受到各大高校的广泛关注，推进了量子计算基础与应用的研究。鉴于此，第二届·2022量子精选论文复现挑战赛正式拉开帷幕，本次挑战赛邀请对量子计算感兴趣的开发者，基于新一代通用量子计算框架MindSpore Quantum复现论文。欢迎更多优秀的人才报名参加，多重大奖等您来拿！ **1、\*\*\*\*【参赛对象】** 对量子计算感兴趣，具备基本Python编程能力的所有开发者，均可报名参加。 **2、\*\*\*\*【参赛形式】** 参赛者以**个人名义**报名参加。 ****3、****【赛程安排】\*\*\*\* 一 **报名及任务选择** **2022\*\*\*\*年11月22日 10:00 -** **2023年2月10日 18:00** 二 **初赛作品提交** **2022\*\*\*\*年11月22日 10:00 -** **2023年2月15日 18:00** 三 **初赛作品评审** **2023\*\*\*\*年2月16日 10:00 -** **2023年2月28日 18:00** ****4、【赛题简介】**** 赛题分为**命题论文**和**自选论文**： **·** 命题论文是赛题组精选的论文。 **·** 自选论文是参赛者自己挑选的论文，参赛者通过大赛平台上的问卷提交自选论文题目，赛题组评审通过后会刷新到赛题列表。 1、**全方位**深入学习通用量子计算框架MindSpore Quantum，导师**专业指导和在线答疑**，加速知识累积和个人成长 2、体验**HiQ量子计算云平台**在线编程，无需下载任何软件，操作简单便捷 3、论文题目丰富，可选择**命题论文和自选论文** 4、论文题目贡献奖50名、论文复现奖50名、优秀教程奖10名、技术分享奖50名、幸运奖30名等多重奖项，奖项均可叠加，**成功\*\*\*\*参与即有机会获奖**。 快喊上小伙伴一起报名参加比赛吧~ **大赛海报** **赛事交流** 挑战赛交流答疑请扫码加入微信群，群里会第一时间公布赛事重要信息、获奖名单、直播信息等内容。 **参赛选手交流群（仅作为选手之间讨论和交流）** 请扫描上方小助手二维码，回复“**量子论文**”进入交流群。**请所有报名选手务必加群**。 --- https://www.mindspore.cn/activities/zh/1967/ --- 活动中心 CNCC 2022 | 昇思MindSpore AI框架科研进展及成果分享 # CNCC 2022 | 昇思MindSpore AI框架科研进展及成果分享 2022/11/24 # CNCC 2022 | 昇思MindSpore AI框架科研进展及成果分享 CNCC是级别高、规模大的高端学术会议，探讨计算及信息科学技术领域最新进展和宏观发展趋势，展示计算领域学术界、企业界最重要的学术、技术成果，搭建交流平台，促进科技成果转换，是学术界、产业界、教育界的年度盛会。 今年邀请嘉宾包括ACM图灵奖获得者、田纳西大学教授**Jack Dongarra\*\*\*\*，**以及**高文、管晓宏、江小涓、钱德沛、徐宗本、张平**等多位院士及专家，还有七百余位国内外名校学者、名企领军人物、各领域极具影响力的业内专家，CNCC在计算领域的水准及影响力逐年递增。 **本届CNCC的主题是：算力、数据、生态。** **论坛简介** AI框架在AI全栈体系中处于承上启下的位置，从某种意义上讲，AI框架承担起了人工智能操作系统的角色，对于人工智能软件生态构建非常关键。 昇思MindSpore是新一代覆盖端边云全场景的开源AI框架，旨在开创全新的AI编程范式，降低开发者门槛，为开发者打造开发友好、运行高效、部署灵活的AI框架，推动人工智能生态繁荣发展。 昇思MindSpore坚持开源开放，积极倡导多芯一生态，南向支持不同芯片厂家适配，北向支持各行业、各算法厂家、各高校和科研机构的模型和应用开发；同时横向昇思开放与其他框架的对接，实现应用自动迁移，南北向开发接口共享，架构体系互通，生态相互引流，共建中国的人工智能软硬件生态，立足中国、面向全球。 本次论坛旨在讨论和分享基于国产AI框架昇思MindSpore的关键进展及成果，欢迎广大行业人士和科研专家加入，共同研讨AI框架未来技术发展趋势。 **论坛安排** **时间：2022年12月09日 18:00至20:40** **地点：CNCC官方线上直播** **会议日程：** **顺序** **报告题目** **讲者** **单位** 18：00-18：20 昇思MindSpore超大规模AI实践 – 在Transformer和推荐大模型中的应用 苏腾 华为技术有限公司 18：20-18：40 空天·灵眸 面向多模态遥感数据的预训练模型及应用研究 孙显 中科院空天院 18：40-19：00 参数偏微分方程求解的探索与应用 董彬 北京大学 19：00-19：20 AI科学计算业界趋势和昇思实践 王紫东 华为技术有限公司 19：20-19：40 多模态可交互数智人头 於俊 中国科学技术大学 19：40-20：40 AI框架未来发展研讨 吕昱峰（主持人） 华为技术有限公司 **论坛主席** 苏腾 华为技术有限公司MindSpore超大规模AI技术负责人 **共同主席** 董彬 北京大学 副教授 **嘉宾及议题简介** 苏腾 \*\*讲者简介：\*\*浙江大学博士，目前是MindSpore超大规模AI技术负责人。加入华为10年，长期从事大规模分布式并行计算系统研发，曾主导华为自研的分布式任务计算框架、分布式强一致性K-V存储框架、容器化资源管理与调度框架、Actor模型编程框架的设计开发，并在多个产品落地应用，在大规模分布式系统方向有丰富的实践经验。 \*\*题目：\*\*昇思MindSpore超大规模AI实践 – 在Transformer和推荐大模型中的应用 \*\*演讲简介：\*\*以大模型、大数据、大算力驱动的超大规模AI正成为下一代人工智能的突破口，也是迈向通用强人工智能最有潜力的技术方向之一。昇思MindSpore构建了多维度混合并行、多维度内存优化、图算融合等关键技术，支撑了20+大模型的训练。并在2021年联合高校及科研院所协同创新，发布了鹏程盘古NLP大模型、中科院紫东太初图文音多模态大模型、鹏程神农蛋白质结构大模型、武大珞珈遥感大模型等。本次分享将从昇思MindSpore大模型实践出发，介绍昇思MindSpore超大规模AI训练、微调、压缩、部署全流程关键技术，MindSpore Transformer和推荐套件，如何使用这些关键技术在昇腾大集群上训练大模型，以及昇思MindSpore上的大模型如何助力产业发展。 孙显 \*\*讲者简介：\*\*长期从事遥感图像智能分析关键技术研究，发表SCI论文70余篇，ESI高被引10篇，出版专著2部；获国家科技进步一等奖、中科院杰出成就奖等奖励4项；入选国家高层次青年人才计划、中国指控学会青年科学家奖；任IEEE GRSL、PRL、TVCJ、RS等国际期刊副主编/编委，中国图象图形学学会遥感图像专业委员会秘书长。 \*\*题目：\*\*空天·灵眸 面向多模态遥感数据的预训练模型及应用研究 \*\*演讲简介：\*\*大模型是人工智能发展的重要方向，在遥感智能解译领域，大模型在多模态和多任务的通用性上仍存在许多技术难点。中科院空天院与华为深度合作，牵头研制了首个面向跨模态遥感数据的生成式预训练大模型“空天·灵眸”，并基于昇腾AI基础软硬件平台，联合打造了灵活易用的自监督预训练通用套件，可高效支撑大模型并行训练及下游任务的开发。目前，该大模型已在多个领域开展试用，在遥感智能解译多项任务准确率达90%以上。报告将为大家介绍如何结合遥感多模态数据特点开展空天信息预训练模型的研究与应用。 董彬 \*\*讲者简介：\*\*曾在美国加州大学圣迭戈分校数学系任访问助理教授、2011－2014年在美国亚利桑那大学数学系任助理教授，2014年底入职北京大学。主要研究领域为科学计算、机器学习及其在计算成像和数据分析中的应用。现任期刊《Inverse Problems and Imaging》编委、《CSIAM Transactions on Applied Mathematics》、《Journal of Computational Mathematics》、《Journal of Machine Learning》副主编。2014年获得求是杰出青年学者奖，2022年受邀在世界数学家大会（ICM）做45分钟报告。 \*\*题目：\*\*参数偏微分方程求解的探索与应用 \*\*演讲简介：\*\*深度学习继续主导机器学习，并在计算机视觉、自然语言处理等方面取得了成功。其影响现已扩展到科学和工程的许多研究领域。在本次演讲中，我将介绍我们最近的工作，即结合数值偏微分方程（例如，多重网格方法、降阶建模等）和机器学习来设计参数偏微分方程的数据驱动求解器及其在流体模拟中的应用。 王紫东 \*\*讲者简介：\*\*2016年博士毕业于浙江大学电气工程学院，同年加入华为技术有限公司。现任华为中央软件院自研AI框架昇思（MindSpore）开源项目架构师，从事AI软件及算法相关研究工作。主要研究方向包括AI+科学计算（生物、电磁、流体、气象等领域）、二阶优化等。发表AI顶会论文、申请相关专利数篇。 \*\*题目：\*\*AI科学计算业界趋势和昇思实践 \*\*演讲简介：\*\*AI在蛋白质结构预测、分子模拟、流体气象以及微分方程求解等传统科学领域已取得革命性的突破，如AlphaFold2在蛋白质结构预测中取得了媲美实验的精度。传统科学领域悄然成为了AI新的主战场，AI for Science是科学计算的新范式。昇思从创立之初便积极布局，不仅提供了AI融合框架的基础底座，还投入电磁、气象、制药、航空航天四大套件的研发。本次演讲将与大家分享AI科学计算的业界趋势、进展以及MindSpore的实践等内容，期待与大家进行一次思维的碰撞。 於俊 \*\*讲者简介：\*\*研究方向为多媒体智能计算。主持国家和省部级等科研项目30余项，包括国家自然科学基金5项。在国际著名学术刊物上发表论著150余篇，主要包括一作/通讯IEEE(ACM)汇刊/CCF A类国际会议论文40余篇。第1完成人获CVPR PBVS、ICCV MFR、ICME、FG最佳论文奖6项、国际权威AI挑战赛(CVPR、ICCV、MM等Challenge)冠军20余项。第1完成人获省部级科技进步奖1项。第2完成人荣获省部级自然科学奖2项。长期担任多个国际会议(IJCAI、AAAI、CVPR、ICML、NeurIPS等)SPC Member。 \*\*题目：\*\*多模态可交互数智人头 \*\*演讲简介：\*\*数字人作为AI技术具像化的一种展现形式，是元宇宙和互联网3.0的重要入口。近几年，通过多媒体智能计算等研究的不断深入，数字人正在发生一系列深刻的技术及应用演进，逐渐升级为“数智人”。特别的是，在与数智人互动的多种人机交互信息中，很大一部分是与人头相关的。本报告从多模态合成和多模态感知两个层面，阐述构建可交互数智人头的若干关键技术和研究进展，以及在达到高保真和超写实效果方面所面临的具体挑战。 **其他嘉宾** **吕昱峰** **昇思MindSpore布道师** --- https://www.mindspore.cn/activities/zh/1968/ --- 活动中心 MSG·暴走校园 | 北京邮电大学站来喽，助力校园开发者了解AI新应用！ # MSG·暴走校园 | 北京邮电大学站来喽，助力校园开发者了解AI新应用！ 2022/11/26 # MSG·暴走校园 | 北京邮电大学站来喽，助力校园开发者了解AI新应用！ **\# AI进校园** 随着人工智能的快速发展，人们对于人脸识别，机器学习，无人驾驶等技术不再陌生。人工智能已成为公众意识的最前沿，无论是通过《机械姬》和《终结者》等好莱坞大片，还是关于人工智能在各种任务中超越人类的新闻报道，人们都开始了解这个领域的意义。 各大高校也都纷纷开设了人工智能相关专业，培养领域人才，为了让更多校园开发者了解人工智能与深度学习知识，昇思MindSpore在2022年开展了“MSG·暴走校园”活动。活动通过趣味的AI实操课程教学，让同学们更加直观地体验和感知AI互动项目带来的乐趣，激发同学们对创意应用开发的思考和创新，帮助校园开发者更好地了解并使用全场景AI框架昇思MindSpore。 **_11月29日，MSG·暴走校园_** 继续解锁下一所高校，本次活动我们将携手**北京邮电大\*\*\*\*学的同学们**一起探索人工智能领域最前沿动态！ **活动时间：** 2022年11月29日（周二）10：00-11：30 **活动地点：** 北京邮电大学（**校内专场活动**） --- https://www.mindspore.cn/activities/zh/1971/ --- 活动中心 加入昇思MindSpore Elec AI SIG，共同构建智能电磁技术 # 加入昇思MindSpore Elec AI SIG，共同构建智能电磁技术 2022/11/25 # 加入昇思MindSpore Elec AI SIG，共同构建智能电磁技术 电磁场看不见、摸不着，却在日常生活中无处不在。电磁场的产生主要源于自然和人工两类。自然产生的电磁场有地磁场、太阳光以及一切物体热辐射产生的电磁波等等。自然电磁场催生并推动了人类的文明：由于太阳光的存在，人类可以在温度适宜的地球居住，可以通过植物的光合作用获取充足的食物；利用地磁场人类可以进行导航，进而迎来了大航海和全球化时代。 随着科技的发展，人类已经不满足于自然产生的电磁场，开始主动向环境中发射电磁场，并充分挖掘电磁场的应用潜力。如通信领域中利用无线电波收听广播、利用高频微波进行手机通话等；又如地质勘探中利用电磁波的回波探明煤炭存储等。 电磁场的应用不胜枚举，为了能够更好的利用电磁场，人们通过实验、理论以及计算等手段研究电磁场的机理。实验方面，1820年奥斯特在一次讲座上偶然发现通电的导线让小磁针发生偏转，从而发现了电能生磁的现象。 1831年，法拉第在实验中发现变化的磁场可以产生电场，即磁也能够生电。麦克斯韦总结前人的工作，提出了位移电流假说（变化的电场能够产生磁场），完善了电生磁的理论。最终，麦克斯韦将电磁场理论用给简洁、对称和完美的数学形式表示出来，即麦克斯韦方程组。 随着计算机技术的发展，人们采用数值计算的方式去求解麦克斯韦方程组,模拟电磁场在空间中的分布。这样即可以节省实验的成本，也可以通过仿真设计出更加符合需求的电子设备。传统的电磁计算方法包括精确的全波方法和高频近似方法。全波方法如时域有限差分（Finite-Difference Time-Domain method，FDTD），有限元（Finite-Element-Method，FEM）、矩量法（Method of MoMents，MoM）等；高频近似方法如几何光学法（Geometrical Optics，GO）、物理光学法(physical optics，PO)等。 数值计算较好地辅助了电子产品的设计，但传统的数值方法仍存在许多缺陷，如需要进行复杂的网格剖分、迭代计算，计算过程复杂、计算周期长。神经网络具有万能逼近和高效推理能力，这使得神经网络在求解微分方程时具有潜在的优势。为此，昇思MindSpore Elec AI 专项兴趣小组（简称：智能电磁AI SIG）正式成立，并面向开源社区招募志同道合的伙伴。 1 **MindSpore Elec AI SIG\*\*\*\*的使命** 围绕实际生产中的各类电磁应用场景，在昇思MindSpore框架下探索和研究基于AI的电磁正问题以及反问题。例如开发高效精确的AI电磁模型，构建高效的MindSpore Elec基础工具包，提升电子产品的设计效率等。 小组主要开展了如下几个方向的工作： **MindSpore Elec基础工具包构建** 基于MindSpore构建MindSpore Elec基础工具包。基础工具包内置有数据构建及转换、仿真计算以及结果可视化等。 1）数据构建及转换：支持CSG （Constructive Solid Geometry，CSG） 模式的几何构建，以及cst和stp数据（CST等商业软件支持的数据格式）的高效张量转换。 2）仿真计算：a) AI电磁模型库：提供物理和数据驱动的AI电磁模型，物理驱动无需额外的标签数据，只需方程和初边界条件即可；数据驱动是指训练需使用仿真或实验等产生的数据。b) 优化策略：数据压缩可以有效地减少神经网络的存储和计算量；多尺度滤波、动态自适应加权可以提升模型的精度，克服点源奇异性等问题；小样本学习主要是为了减少训练的数据量，节省训练的成本。 3）结果可视化：仿真的结果如S参数或电磁场等可保存在CSV、VTK文件中。MindInsight可以显示训练过程中的损失函数变化，并以图片的形式在网页上展示结果；Paraview是第三方开源软件，具有动态展示切片、翻转等高级功能。 **AI电磁仿真模型和方法构建** 1） 端到端可微的传统电磁仿真方法研究：基于MindSpore构筑传统的电磁仿真方法如FDTD/有限元/矩量法等，形成端到端可微的AI融合方法。这样可以利用MindSpore加速传统的数值方法，生成模型训练的数据，也可以基于自动微分机制，实现数据同化、电磁反演等应用。 2）AI电磁仿真融合算法研究：物理驱动（如PINNs方法）和数据驱动的AI方法，以及物理和数据融合的算法创新等。 **AI电磁仿真模型应用** 1）正问题：基站天线、雷达天线、射频电路与系统等的电磁仿真； 2）反问题：电磁超材料设计、雷达勘探、电磁成像等。 2 **MindSpore Elec SIG\*\*\*\*工作计划** **前期** 以成员学术交流活动为主，每月组织线上交流活动，围绕AI电磁中涉及的问题，介绍研究工作进展，讨论研究工作中的难点。 **后期** 通过合作开发等模式，在国内高校及企业间开展电磁AI问题的合作研究。 3 **MindSpore Elec AI SIG\*\*\*\*构成** ****小组领衔成员**** ******陆卫兵 东南大学科研院 院长/教授****** ********杨武 东南大学信息科学与工程学院 副研究员******** **********徐勇 江苏浩云连德信息技术有限公司 高级工程师********** ************李家奇 东南大学物理学院 副教授************ **陈新蕾 南京航空航天大学电子信息工程学院 副教授** **小组成员** 01、\*\*Kyang，\*\*昇思MindSpore高级工程师 02、\*\*翁瑞，\*\*东南大学信息科学与工程学院 博士生 03、\*\*Adrian Lee，\*\*昇思MindSpore高级工程师 04、\*\*Lulu Zhang，\*\*昇思MindSpore高级工程师 05、\*\*秦洁，\*\*东南大学软件学院 硕士生 06、\*\*张哲，\*\*东南大学软件学院 硕士生 07、\*\*孙丁一，\*\*东南大学-蒙纳士大学苏州联合研究生院 硕士生 08、\*\*苑玉杰，\*\*昇思MindSpore布道师 4 **MindSpore Elec AI SIG召唤你** 扫码加入智能电磁AI SIG交流群 **sig仓：** https://gitee.com/mindspore/community/tree/master/sigs/mindelec **代码仓：** https://gitee.com/mindspore/mindscience/tree/master/MindElec 昇思MindSpore开源社区算力使能，快来SIG申请你的专属算力 昇思MindSpore为推动SIG发展和开发者活跃，发布社区专属算力使能计划，面向SIG发放海量算力，免费领取。助力开发者了解和掌握全场景AI技术，支撑开发者实践和项目开发，助力开发者全面发展。 关于MindSpore SIG 昇思MindSpore社区欢迎业界专家、学术伙伴在社区成立特别兴趣小组（SIG），作为社区领域技术代言人，打造领域技术品牌，共建昇思MindSpore开源生态。 MindSpore SIG即MindSpore Special Interest Groups，即“昇思特别兴趣小组”，MindSpore社区成立个技术SIG的初衷是为该领域的专家、教授和学生提供一个开放交流的平台，通过会议分享、项目开发等活动促进技术交流、合作共赢，并使得SIG成员的影响力和技术能力得到提升，截止目前，MindSpore SIG共计成立20+。 如果你也想成立一个SIG 扫码添加小助手了解更多 --- https://www.mindspore.cn/activities/zh/1972/ --- 活动中心 【昇思生态城市行】南京站圆满举办，昇腾携手伙伴见证多项重磅发布！ # 【昇思生态城市行】南京站圆满举办，昇腾携手伙伴见证多项重磅发布！ 2022/11/23 # 【昇思生态城市行】南京站圆满举办，昇腾携手伙伴见证多项重磅发布！ **2022年11月22日下午，以 “昇腾万里 · 智赋江苏”为主题的昇思生态城市行·南京站成功举办。** 来自企业、高校、科研机构代表参会，现场活动气氛热烈。在全体与会嘉宾的见证下，南京大学、南京先进计算产业发展有限公司、华为三方举行了“金陵.女娲”大模型重磅签约仪式，共同孵化生命科学基础大模型，引领生命科学领域科研创新。 同时，江苏本地优秀企业代表云问科技&北联国芯、奥看科技分别发布了基于昇腾AI的知识管理与智慧城市解决方案。现场，共计21家企业及科研院所代表获颁昇思MindSpore技术认证证书，与昇思携手共建江苏人工智能产业新生态。昇腾AI创新大赛江苏赛区的颁奖仪式，也在活动中圆满完成。 **重磅仪式** 南京大学、南京先进计算产业发展有限公司（南京人工智能计算中心）、华为三方代表在活动现场进行了“金陵.女娲”大模型签约仪式。南京大学生命科学学院院长张辰宇、江苏省科学技术厅高新技术处副处长张迪、南京江北新区产业技术研创园党工委委员、南京集成电路培训基地有限公司董事长、北联国芯负责人周荣、华为江苏政企业务总经理付岩上台见证签约仪式。南京大学生命科学学院教授闫超、科投集团党总支副书记、副总经理、先进计算总经理戴晓玉、华为昇思生态发展总监孙宾分别代表三家单位签约。 见签人、南京大学生命科学学院院长张辰宇表示，“金陵.女娲”大模型将利用人工智能技术在DNA水平、碱基水平发现新的结构和相关特征，以期在这个层面上发现生命的规律，通过大数据、大模型使生物医药产业能够受惠于人工智能的发展。 “金陵.女娲”大模型签约仪式 活动现场，江苏北联国芯技术有限公司技术创新中心总经理邓近陶与南京云问网络技术有限公司政企事业部总监刘婉婷分别代表北联国芯与云问科技联合发布知识管理解决方案一体机。南京奥看信息科技有限公司CEO 庞明与华为江苏产业发展与生态业务总经理陈军良共同发布了奥看科技基于昇腾AI的原生安全生产平台。 AI解决方案发布仪式 昇思MindSpore作为人工智能根技术，受到了产业界的高度重视，江苏已有相当数量的优秀企业使用昇思打造行业解决方案并获得昇思技术认证。现场，小视科技、云化科技、多伦科技等21家合作伙伴获颁昇思MindSpore技术方案认证证书。后续合作中，昇思将为认证伙伴提供更多技术能力和推广支持，赋能伙伴实现技术突破，打造核心解决方案，共建人工智能产业软硬件生态。 昇思MindSpore技术方案认证仪式 **携手伙伴，以创新繁荣产业生产** 昇思MindSpore致力于帮助伙伴和开发者高效使用AI能力，创新场景化AI应用，加速千行百业智能升级。东南大学副研究员杨武、无锡捷通数智科技有限公司副总经理鲁磊作为伙伴代表分别就昇思 AI 框架应用在电磁仿真计算、智慧城市建设等领域的实践与思考做了经验分享，为打造行业解决方案树立标杆。 南京先进计算产业发展有限公司副总经理孙祥详细介绍了南京鲲鹏·昇腾人工智能计算中心的运营情况，创新中心将聚焦生命健康、政务、金融领域，重点推进相关要素的汇聚和应用，期待更多伙伴加入，共同繁荣昇腾AI生态。 江北新区研创园党工委委员、北联国芯负责人周荣、江苏省科协技术厅高新技术处副处长张迪、华为昇思首席科学家于璠为本次活动致辞。 会议结束后，昇思技术研讨会与鲲鹏·昇腾生态创新中心招商合作洽谈会也分别顺利举行，到场企业就技术问题与商业合作意愿与昇思技术专家、生态创新中心等进行了深度交流。 本次活动由江苏省科学技术厅指导，华为技术有限公司、南京江北新区产业技术研创园、南京江北新区科技投资集团共同主办，江苏鲲鹏·昇腾生态创新中心、南京集成电路培训基地承办。 昇思生态城市行活动从广州出发，重点覆盖上海、西安、长沙等国内人工智能重点发展区域。该活动基于昇腾人工智能计算中心，围绕昇思AI框架应用，发展昇腾AI生态展开，进而加速AI技术创新、行业应用落地和产业发展，推动千行百业智能化升级。 --- https://www.mindspore.cn/activities/zh/1976/ --- 活动中心 MSG·暴走校园 | 深圳大学站来喽，加速高校人才培养，共建数字人才生态！ # MSG·暴走校园 | 深圳大学站来喽，加速高校人才培养，共建数字人才生态！ 2022/11/30 # MSG·暴走校园 | 深圳大学站来喽，加速高校人才培养，共建数字人才生态！ **\# AI进校园** 长久以来，人们认为AI只能承担一些重复性的“体力劳动”，然而现代AI在一些“脑力劳动”上，跟人相比有过之而无不及。通用型AI在任何地方都有用，比如环保主义用来追踪濒危动物的足迹，从而保护它们；天文学家用来在微暗的宇宙中寻找脉冲星；经济学家用来预测经济发展趋势。 目前世界许多国家都在加紧人工智能方面的研究。人工智能现已被我国列入发展规划，提出了人工智能三步走的发展战略。有了国家战略背景的支持，人工智能在今后的发展当中，也无疑将越来越火热。当前人工智能人才紧缺，智能应用正深入到各行各业，人工智能领域的人才需求具有持续性和长期性，就业前景广阔。 人工智能也成为了**高校“最火”专业之一**，各大高校也都纷纷开设了人工智能相关专业，培养领域人才。为了让更多校园开发者了解人工智能与深度学习知识。**_12月2日，M_****_SG·_****_暴走_\*\*\*\*_校园_** 继续解锁下一所高校，本次活动我们将携手**深圳大学**的同学们一起探索人工智能领域最前沿动态！ **活动时间：** 2022年12月2日（周五）14：00-16：30 **活动地点：** 深圳大学（**校内专场活动**） --- https://www.mindspore.cn/activities/zh/1979/ --- 活动中心 MindCon极客周 | 第四届如期而至，挑战硬核任务，C位出道赢丰厚奖励 ！ # MindCon极客周 | 第四届如期而至，挑战硬核任务，C位出道赢丰厚奖励 ！ 2022/12/01 # MindCon极客周 | 第四届如期而至，挑战硬核任务，C位出道赢丰厚奖励 ！ **MindCon 极客周** 由昇思MindSpore开源社区每半年举办一次的**MindCon极客周开发者狂欢盛会**如约而至。第四届MindCon极客周以\*\*“超级挑战赛”\*\*为主题，发布三大硬核任务等你来战！与MindSpore一起参与挑战、体验开源！ --- https://www.mindspore.cn/activities/zh/1981/ --- 活动中心 MindSpore论坛报错活动第四期 # MindSpore论坛报错活动第四期 2022/12/01 # MindSpore论坛报错活动第四期 # 用户：有新活动了嘛？ # 报错任务第四期：到！！！ ### **奖励规则** **1、每个任务难度等级不同，完成不同等级任务获得对应的奖励！** ·难度等级：易，奖品预览 ·难度等级：中，奖品预览 **2、若被选为优秀案例，奖品奖励将会在原来基础上升级！** ·原本’难度等级：易‘的可在’难度等级：中‘的奖品中选择； ·原本’难度等级：中‘的可获得150元京东自营自选。 ### **活动时间** **12月1日——12月11日** **活动方式** 1、已发布5个报错任务在论坛的“活动体验板块”，完成其中的一个或多个。 任务帖名称 任务帖链接 难度等级 报错：使用scatterNdAdd 算子时的报错问题 https://www.hiascend.com/forum/thread-0213105267327338014-1-1.html 易 报错：迁移pytorch代码时如何将torch.device映射 usability/api https://www.hiascend.com/forum/thread-0227105267390861012-1-1.html 易 报错：使用ops.nonzero算子报错TypeError https://www.hiascend.com/forum/thread-0226105267495615018-1-1.html 中 报错：调用MindSpore内部函数时的语法错误 https://www.hiascend.com/forum/thread-0226105267563176019-1-1.html 易 报错：在静态图模式下使用try语法报错问题 https://www.hiascend.com/forum/thread-0213105267709850015-1-1.html 易 贴心的我们给大家提供了完成任务发帖示例：import报错：Load dynamic library libmindspore\_ascend failed，以及定位解决，欢迎参考哦！！！ 2、用户根据个人意愿选择报错任务，将内容填写完整后，发布在本论坛的“技术干货”中。 3、将个人邮箱和第二步的干货链接，回复在对应的报错任务下方。 4、每个任务择优选取一位用户获奖。 ### **注意事项** 1. 请勿刷帖，刷帖一律删帖并做无效参与处理。 2. 必须保证原创，抄袭按无效参与处理。 3. 请勿盗取他人截图或内容，一经发现做无效参与处理。 4. 必须符合设定的格式，否则算作无效参与。 \*最终解释权归MindSpore团队所有。 --- https://www.mindspore.cn/activities/zh/1989/ --- 活动中心 MindSpore与你相约Julia冬季见面会，一起来体验高性能编程语言之美 # MindSpore与你相约Julia冬季见面会，一起来体验高性能编程语言之美 2022/12/02 # MindSpore与你相约Julia冬季见面会，一起来体验高性能编程语言之美 **12月3日-9日** **Julia冬季见面会来啦！** 如果您是编程语言的爱好者， 如果您对编译器、量子物理等科学领域感兴趣， 那必定不能错过**Julia冬季见面会**！ **国际交流（英文）**、**语言与编译器**、**科学计算**、**量子物理**、**新手指引** 5 个主题， 还有**Julia、**MindSpore**、\*\*\*\*openEuler**等顶级社区的核心开发者现场与您互动！ 跃跃欲试？那就动起来！ **关于 Julia** Julia是由MIT团队开发的高性能编程语言。它的设计目的是让开发者拥有编写 Python 和 Matlab 一样的开发效率的同时，让程序拥有 C 和 Fortran 一样的运行效率。距离2012 年首次发布已经十年过去了，随着 Julia 语言以及软件生态的高速发展，国际和国内的 Julia 开发者和用户数量在指数增加。 目前，它在很多领域，尤其是包括微分方程，量子计算，多体物理，组合优化，自动微分，数据科学，GPU编程在内的科学计算领域开始开花结果。今年的见面会，我们将见到来自\*\*Julia、\*\*MindSpore、**openEuler**等社区的核心开发者们带来的报告与分享。 \*\*\*\*MindSpore**与你相约** **JuliaCN 2022 | 语言与编译器之夜** 12月6日 21:15 腾讯会议 ID：862-142-9070 B站直播间：JuliaLang中文社区 **Topic** **跨越计算体系 -- Julia开源生态展望** 主讲人：黄之鹏 华为计算开源生态总监，同时担任启智OpenI社区、LF AI & Data基金会、Confidential Computing Consortium等开源组织的技术委员会的委员职务, 曾经在OpenStack Summit、KubeCon等国际顶级开源峰会进行过Keynote主题演讲。 报告摘要: 在本次演讲中，我们将以鲲鹏和昇腾开源生态为例，围绕MindSpore, openEuler等基础软件，展望Julia作为跨越计算体系的编程语言，构筑面向兼容通用与专用计算体系的更广泛开源生态的前景。 昇腾生态主要会介绍来自剑桥大学团队的Polymath项目，其允许用户把基于Julia语言的科学计算程序和深度想学习模型不经修改的运行在MindSpore以及JAX这类新型深度学习框架上，我们还会介绍MindSpore Quantum未来同Julia的合作点。 欢迎注册 Julia Zulip 加入 #juliacn-meetup-2022 这个频道参与讨论。另外，您也可选择加入下方 Julia中文社区的社交媒体参与讨论。 QQ 群：316628299 Julia Zulip注册链接： https://julialang.zulipchat.com/register/ 添加小助手好友，可以进入交流群哟。 --- https://www.mindspore.cn/activities/zh/1991/ --- 活动中心 【发福利啦！】畅享上百万卡时NPU普惠算力，启智与昇思MindSpore社区联合推出算力支持计划 # 【发福利啦！】畅享上百万卡时NPU普惠算力，启智与昇思MindSpore社区联合推出算力支持计划 2022/12/07 # 【发福利啦！】畅享上百万卡时NPU普惠算力，启智与昇思MindSpore社区联合推出算力支持计划 **【发福利啦！】畅享上百万卡时NPU普惠算力，启智与昇思MindSpore社区联合推出算力支持计划** 启智社区与MindSpore联合，为MindSpore开发者提供 365天\*24小时 上百万卡时的MindSpore+NPU普惠算力，欢迎MindSpore产学研开发者申请，基于MindSpore开发你自己的模型算法套件和应用 嘿因为了解到日理万机的你可能没有时间仔细阅读完整篇文章，所以我们在开头贴心地附上一份概览，来供大家参考（想要了解详情的小伙伴可以下滑解锁具体内容哦） l 有什么好消息？**一年份的100万卡时普惠算力**正向你袭来（截止到2023年年底前）！**注册即用，算力充足管够，调试、训练操作灵活**，白嫖不香嘛！ l 怎么白嫖？详情请见下图。 想知道更多内幕？那么请各位系好安全带，我们这就走起~ \- _“自己训练模型真的是慢死了，数据量和epochs一大真的是要跑到天荒地老，烦死啦！（跑来跑去）（抓耳挠腮）（抓到自己一把脱落的头发后无语凝噎）”_ \- _“欸，怎么没有考虑使用一些AI社区提供的算力？”_ \- _“你说的倒是简单，好多都申请不到，还要花钱，我才不要当纯纯的大冤种。”_ \- _“不是呀，你没听说吗，启智社区最近为MindSpore提供了_**_普惠算力_**_，有_**_1\_\_00\_\_万卡时_**_呢！”_ \- _“什么！你说哪个社区？”_ 咳咳，不好意思，正是在下——昇思MindSpore社区和启智OpenI社区。 相信有很多小伙伴已经对我们的MindSpore社区和启智社区都有所了解，甚至已经积极参与到过去两个社区举办的活动中，发光发热，以自己的才华折服了一众人（此处应有掌声）。 不过，对我们尚且陌生的小伙伴也不要担心，接下来，就让我们来具体介绍一下这两个社区吧~ 昇思MindSpore是新一代覆盖端边云全场景的开源AI框架，旨在开创全新的AI编程范式，降低开发者门槛，为开发者打造开发友好、运行高效、部署灵活的AI框架，推动人工智能生态繁荣发展。同时，昇思在致力于大规模自动并行、科学计算支持等特性优化之外，还着力打造学习型社区环境，希望凝聚开发者力量共建社区，与开发者共同学习和成长。 OpenI启智社区是在国家实施新一代人工智能发展战略背景下，新一代人工智能产业技术创新战略联盟（AITISA）组织产学研用协作共建共享的开源平台，以鹏城云脑科学基础设施及Trustie软件开发群体化方法为基础，全面推动人工智能领域的开源开放协同创新。 听起来是不是特别厉害！而且我们两个社区不仅分则各自为王，平日里也经常手拉手来联合举办活动哦。 2021年，昇思MindSpore社区和OpenI启智社区，秉持着培育我国AI开源开放文化，促进AI产业健康快速发展的理念，吹响了“OpenI启智&MindSpore集结号”，打响一场AI生态的“闪击战”，在28天内完成了28个模型的高效交付，为AI开发者提供了更多模型选择。 在此，我们再次感谢所有人的参与，是大家的努力才让“集结号”活动圆满收官，并取得了如此傲人的成绩（鞠躬）~ 不仅如此，两大社区也多次联合开展高校行、系列AI前瞻技术讲座及昇思MindSpore赋能培训，旨在鼓励开发者在交流协作间汇聚智慧，为开源AI生态贡献智慧。 但是，你以为这些都足够了嘛？nonono！我们能够提供的远比你想象得多（得意叉腰.jpg）。 如今，为持续促进我国AI开源社区生态繁荣发展，鼓励更多的开发者们积极参与生态建设，OpenI启智社区针对**MindSpore+NPU**提供了**100万卡时的普惠算力，支持可达80P的算力规模**。而MindSpore社区也将利用有力的算力支持，结合已有的技术资源，不断丰富算法与模型库，贡献更多、更优质、更有创新性的算法与模型。 到这里，可能有小伙伴要举手提问了：“既然现在有了这么丰富的资源，那么我该怎么申请（白嫖）呢？” 我们知道大家很急，但各位先别急，具体的教程这就为小伙伴们奉上。 # **如何申请普惠算力？** 目前，OpenI启智平台支持使用智算网络集群的资源进行**NPU和GPU**训练任务（具体可参考平台算力资源说明：https://openi.pcl.ac.cn/resource\_desc）。接下来，我们具体了解以下如何基于\*\*云脑2（Ascend NPU）\*\*的普惠算力进行调试和训练任务。 ## **Part1-调试任务** ### **1\. 上传数据集** 要使用云脑，需先上传数据集，我们先进入【数据集】页面，点击右侧【上传】按钮。 注：未曾创建过数据集的同学需要先创建数据集，云脑1（CPU/GPU）和云脑2（NPU）数据集无法共用，所以调试使用的数据集也应上传到对应的环境，否则调试任务无法创建成功。 进入上传页面，选择云脑2 的 NPU 集群，然后将数据集直接拖入或点击上传，最后点击【上传】按钮。 ### **2\. 新建调试任务** 点击【云脑】页面，点击右侧按钮【新建调试任务】。 ### **3\. 完成新建任务** 在新建任务的页面中，计算资源选择【Ascend NPU】,数据集选择该项目调试相关的数据集，然后点击【新建任务】完成创建。 注1：同一账号在1个或多个项目间，只能同时并发一个训练任务，如有多个训练任务则需要等待相应任务停止才能创建额外的任务，否则会导致任务创建失败。 注2：启智社区当前最高提供MindSpore1.8.1，其包含部分2.0新版本demo特性，推荐使用 注3：NPU 服务器为大家提供32G内存，256G显存来供开发者运行调试任务和训练任务，调试任务可以选择更高规格配置（显存512G） 创建完成后，待状态由CREATING变为RUNNING。 等待时长依据排队情况而定，快的话一般在十秒左右，如果长时间处于等待状态，可以进微信交流群呼叫攻城狮们帮忙看看~ ### **4\. 获取数据集下载地址** 点击刚创建的任务名称查看任务详情。 进入到任务详情页面后，我们可以看到数据集下载地址，将它复制一下吧，后续就可以在运行环境中粘贴下载了。 ### **5\. 进入调试环境** 待任务状态变为RUNNING后，点击操作栏的【调试】。 进入 Notebook2.0 环境 ### **6\. 克隆代码仓** 点击图标，输入代码仓地址进行克隆，也可以新建一个terminal文件输入git clone + 代码仓地址。 ### **7\. 下载数据集** wget下载自己的数据集（ wget -O 文件名 ‘https://数据集地址' ） 注：wget命令中地址两端要加单引号。 接下来大家就可以自行调试啦~ 调试任务可自定义运行时间（默认为4小时，上限可达24小时），如果到时间了也可以重启kernel刷新时间，总之可以充分保证大家跑完自己的任务 ## **Part2-训练任务** ### **1\. 创建训练任务** 在【云脑】主界面，点击左侧【训练任务】，进入到训练任务的管理页面 点击右侧【新建训练任务】，进入任务创建页面，其中【启动文件】和【数据集】为必填项，需选择该项目相关的文件，且启动文件必须为.py格式的文件（可以点击右侧的查看样例了解如何进行模型训练的详情），所以需先上传代码文件，因前面已经上传过数据集，此处也不再赘述，其他选项默认即可。 ### **2\. 训练任务** 点击新建任务后，待状态由INIT变更为RUNNING后（由于需要申请算力资源，此过程可能会持续一定时间，稍候即可），项目将开始启动训练。 ### **3\. 查看配置信息** 点击任务名称，进入到版本管理页面，默认查看配置信息，比如任务运行时长及状态，还有相关参数信息等。训练时长无限制，所以大家放心大胆地使用~ ### **4\. 查看训练日志** 点击配置信息旁边选项【日志】可以查看相关训练日志，尤其当训练任务失败时，状态会显示为“FAILED”，此时我们可以通过查询日志了解训练失败的原因。 ### **5\. 模型下载** 如果想要下载训练完毕模型的checkpoint，方便日后加载模型进行预测或者是迁移训练。则需要点击【结果下载】，可以查看训练出的模型，点击模型名称可直接下载。 ### **6\. 保存模型** 除此之外，还有另一种更便捷的保存模型的方法。点击右上方的【创建模型】，可将训练出的模型统一保存至模型页面进行管理。 在弹出的页面中，可修改模型名称，然后点击【保存模型】即可。 保存完后，页面将自动跳转至模型页面，刚保存的模型也自动列入进来了。 看到如此大规模的算力和完备的教程，有没有很心动呢~那么心动不如行动，快来加入社区来大展身手吧！ 最后祝看到这里的你，行行代码无bug，次次运行能跑通，横批：“码到成功”。 **Reference：** l OpenI启智&MindSpore 共同吹响AI模型开发集结号 https://mp.weixin.qq.com/s/yvdiyunqxXJCrgtZPfxQwA l 28天28个模型高效交付，首期“OpenI启智&MindSpore集结号”圆满结束 https://mp.weixin.qq.com/s/gI\_0nEbX4snzhZ5OWC6Ftg l 小白训练营第9课-云脑（基于Ascend NPU调试和训练任务） https://openi.pcl.ac.cn/zeizei/OpenI\_Learning/src/branch/master/Tutorial/%E7%AC%AC9%E8%AF%BE-%E4%BA%91%E8%84%91%EF%BC%88%E5%9F%BA%E4%BA%8EAscend%20NPU%E8%B0%83%E8%AF%95%E5%92%8C%E8%AE%AD%E7%BB%83%E4%BB%BB%E5%8A%A1%EF%BC%89%20-%20%E5%89%AF%E6%9C%AC.md --- https://www.mindspore.cn/activities/zh/1993/ --- 活动中心 线上活动 | 第三期多YOUNG新生，一份AI王者必胜法宝请查收 # 线上活动 | 第三期多YOUNG新生，一份AI王者必胜法宝请查收 2022/12/05 # 线上活动 | 第三期多YOUNG新生，一份AI王者必胜法宝请查收 多YOUNG新生第三期来啦！本期将在每周为大家推选昇思MindSpore社区优秀开发者的成果分享，皆在鼓励开发者在交流协作间汇聚智慧，为开源AI生态贡献智慧。 **_12月8日（本周四）19:30_** **_不见不散！_** --- https://www.mindspore.cn/activities/zh/1995/ --- 活动中心 MSG山东 | 与MindSpore走入多模态与Diffusion的世界 # MSG山东 | 与MindSpore走入多模态与Diffusion的世界 2022/12/07 # MSG山东 | 与MindSpore走入多模态与Diffusion的世界 AI文字成图，图成图火爆网络，图像生成领域树立了一个令人印象深刻的里程碑。本次就让我们走进图像生成领域，一起领略多模态与Diffusion技术研究。 **_12月10日（周六）14：00，_**由MSG山东成员发起的线上交流会即将开启。本次活动，我们邀请了两位社区开发者分享多模态与Diffusion技术研究，期待与大家深入交流。 **参与方式** 本次活动使用腾讯会议 请扫码添加小助手进群（备注MSG） 获取会议链接 **关于MSG** 2020年5月，MSG正式成立，我们走遍了**全国\*\*\*\*十五大城市**：北京、上海、广州、深圳、武汉、长沙、苏州、杭州、南京、重庆、山东、郑州、天津，桂林、宁波；拓展了**七大海外MSG**：莫斯科、新加坡、印尼、澳门、印度、香港·浸会大学，香港·理工大学；**联合OpenI启智社区走进了校园**：哈工大深圳校区、南方科技大学等等。 2020年底发起了首场以女性为主题的\*\*『MSG: Women In Tech』\*\*，广受好评；今年发起的『MSG: Women In Tech』第二期同样火爆，聚焦当下热点问题，分享内容干货满满，短期内收到许多粉丝的喜爱，并来信期待下一期的分享。 **_MSG是什么？_** MindSpore Study Group，简称MSG，是提供一个让开发者可以充分进行技术研讨、案例分享、互相交流的公益性社区。为了方便开发者们的深入交流，我们会在多个城市成立MSG组织，满足本地开发者的线下交流机会。 **_MSG一般会做什么？_** **· 技术研讨** MindSpore技术专家讲解最新版本技术亮点 邀请技术大咖分享关于AI、深度学习最新动态 · 极客分享 开发者分享MindSpore真实场景的应用案例 极客们分享前沿技术进展与软硬件最新技术 **· 社区贡献** 引导开发者从零参与MindSpore社区贡献 培养开发者成为开源社区的contributor **_如何成为MSG组织者？_** 每个人都有机会成为MSG的组织者，不论你现在在北京、上海、深圳，还是杭州、西安、成都等城市，都可以提交申请。有志于成为MSG组织者的朋友们，请扫描以下的二维码进行报名。 **_快扫码成为MSG组织者吧~_** --- https://www.mindspore.cn/activities/zh/1998/ --- 活动中心 加入昇思MindSpore强化学习SIG，共同构建强化学习算法开放平台 # 加入昇思MindSpore强化学习SIG，共同构建强化学习算法开放平台 2022/12/08 # 加入昇思MindSpore强化学习SIG，共同构建强化学习算法开放平台 强化学习（RL）是一种基于对期望行为和不期望行为分别进行奖励和惩罚的机器学习方法。强化学习智能体能够感知和解释其环境、采取行动并通过反复试验进行学习。在 AlphaGo 获得成功之后，强化学习受到了更加广泛的关注，并已经在许多领域中开展了应用。 目前使用传统AI框架进行RL算法的模拟和应用，往往需要人为重复开发一些基础框架的代码。MindSpore Reinforcement在支持可扩展的分布式多智能体异构硬件训练的同时，提供了更为直观的算法编程抽象。欢迎用户积极参与MindSpore强化学习社区并提供您的反馈，社区的反馈对于MindSpore Reinforcement 未来的发展具有建设性的重要意义。 1 **强化学习 SIG\*\*\*\*使命** **01、目标** 强化学习 SIG将关注强化学习的计算框架开发、研究进展以及在实际场景中的各类应用，特别是专注于优化基于MindSpore的高性能可扩展的强化学习分布式计算框架，提供持续丰富的经典算法库，供强化学习的研究人员更加方便地开展感兴趣的研究工作。小组的重点工作包括以下几个方面： 1）加速MindSpore Reinforcement在实际场景中的应用以及框架的持续演进。 2）分享强化学习在算法、分布式训练以及性能优化等方面的相关研究进展。 3）组织基于MindSpore Reinforcement构建的算法以及分布式训练相关的研讨会。 4）促进MindSpore Reinforcement的用户、开发人员和研究人员之间的交流。 5）构建用于对比强化学习算法的开放平台。 **02、倡议** 为了解决现有强化学习框架的局限性，欢迎在以下方面提出建议和贡献： 1）编程框架：编程框架包括actor、learner等算法API，也包括replay buffer，policy等核心组件。 2）算法样例：代码仓包含了算法库，已实现了一些常见强化学习算法，后续会逐步增加更多的算法。 3）模拟环境：常见的环境有gym、mujoco等。多样化的模拟环境和更高的采样效率有助于强化学习的研究和应用。 4）训练性能：训练性能受到许多因素影响，包括算子性能，进程间通信优化等。欢迎任何性能改进的建议。 \*\*03、\*\***框架架构** 强化学习算法开发和多智能体分布式训练 MindSpore Reinforcement为编写强化学习算法提供了干净整洁的API抽象，它将算法与部署和执行解耦，包括硬件加速器的使用、并行度和跨进程计算的分布。MindSpore Reinforcement将强化学习的算法转换为一系列编译后的计算图，然后由MindSpore框架在Ascend、GPU或者CPU上高效运行。 **2** **强化学习 SIG\*\*\*\*工作计划** **前期** 分享强化学习算法、多智能体强化学习、可扩展分布式训练以及性能优化等相关的研究进展，讨论学术研究以及产业应用遇到的挑战，为MindSpore Reinforcement演进提供参考。 **中期** 通过合作开发等模式，在社区开展合作研究，推动更多场景落地。 **后期** 在全球范围内开展强化学习合作研究。 **3** **强化学习 SIG\*\*\*\*构成** **小组领衔成员** \*\*李荣鹏，\*\*浙江大学信息与电子工程学院副教授，主要从事人工智能在通信等领域的应用基础研究，目前的研究兴趣包括内生智能网络（如基于业务认知的智能网络服务方法、网络切片等5G/B5G/6G移动通信网络关键技术）、群体智能等，即NICE（Networked Intelligence for Communications Evolving）。 曾获得吴文俊人工智能优秀青年奖（2021），是《China Communications》等期刊编委。 **技术指导** \*\*Peter Pietzuch，\*\*英国帝国理工计算机学院教授（哈佛博士后，剑桥博士），负责计算机学院研究工作的主任，LSDS（Large-Scale Data System）研究所主任。 **小组成员** 01、**Huanzhou Zhu,** 伦敦帝国理工学院计算机系博士后研究员 02、**Bo Zhao,** 伦敦帝国理工学院计算机系博士后研究员 03、\*\*cristoval，\*\*华为昇思MindSpore工程师 04、\*\*wilfchen，\*\*华为昇思MindSpore工程师 05、\*\*VectorSL，\*\*华为昇思MindSpore工程师 06、\*\*chenyijie6，\*\*华为昇思MindSpore工程师 07、\*\*Selina，\*\*昇思MindSpore布道师 **4** **强化学习 SIG召唤你** 扫码加入强化学习 SIG交流群 **sig仓：** https://gitee.com/mindspore/community/pulls/337 **代码仓：** https://gitee.com/mindspore/reinforcement 昇思MindSpore开源社区算力使能，快来SIG申请你的专属算力 昇思MindSpore为推动SIG发展和开发者活跃，发布社区专属算力使能计划，面向SIG发放海量算力，免费领取。助力开发者了解和掌握全场景AI技术，支撑开发者实践和项目开发，助力开发者全面发展。 关于MindSpore SIG 昇思MindSpore社区欢迎业界专家、学术伙伴在社区成立特别兴趣小组（SIG），作为社区领域技术代言人，打造领域技术品牌，共建昇思MindSpore开源生态。 MindSpore SIG即MindSpore Special Interest Groups，即“昇思特别兴趣小组”，MindSpore社区成立个技术SIG的初衷是为该领域的专家、教授和学生提供一个开放交流的平台，通过会议分享、项目开发等活动促进技术交流、合作共赢，并使得SIG成员的影响力和技术能力得到提升，截止目前，MindSpore SIG共计成立20+。 如果你也想成立一个SIG 扫码添加小助手了解更多 **【MindSpore SIG一览】** --- https://www.mindspore.cn/activities/zh/1999/ --- 活动中心 线上活动 | 昇思超大模型AI实现，与模型算法实现分享 # 线上活动 | 昇思超大模型AI实现，与模型算法实现分享 2022/12/08 # 线上活动 | 昇思超大模型AI实现，与模型算法实现分享 由昇思MindSpore举办的多YOUNG新生系列活动，致力于为社区推选优秀开发者的成果分享，皆在鼓励社区开发者在交流协作间汇聚智慧，为开源AI生态贡献智慧。 **_12月12日（周一）19：00，_**我们邀请到了华为高级工程师WenQi与两位来自四川大学的优秀开发者分享昇思超大模型AI实现，与模型算法实现分享，期待与大家进行技术碰撞。 --- https://www.mindspore.cn/activities/zh/2000/ --- 活动中心 师资培训 | 昇腾AI全国行【沈阳站】报名开启 # 师资培训 | 昇腾AI全国行【沈阳站】报名开启 2022/12/09 # 师资培训 | 昇腾AI全国行【沈阳站】报名开启 为支持昇腾AI软硬件根技术融入高校教学体系，信息技术新工科产学研联盟联合华为公司，举行\*\*“2022人工智能师资培训-昇腾AI全国行”\*\*系列活动，提升高校教师AI全栈技术能力，建设高校昇腾人工智能人才生态。 “昇腾AI全国行”沈阳站计划于2022年12月20日在沈阳站举办，活动相关信息如下。 **一、 组织单位** 主办单位：信息技术新工科产学研联盟 协办单位：华为技术有限公司 承办单位：沈阳昇腾人工智能生态创新中心 **二、培训议程** **三、培训亮点** \*\*1、真实的实践案例：\*\*理论基础+代码实践；实验案例和动手让参培教师深度体验解决实际问题的全过程，所学即所用； \*\*2、实践环境支持：\*\*应用开发实验采用华为云上环境，无需参培教师准备专用设备； **3、培训证书支持：****全程参加****培训**并按照培训内容完成学习和实训，且**通过结课考试**的教师，将获得信息技术新工科产学研联盟颁发的结业证书 **四、学员要求** **1、学术要求** （1）辽宁省本科高校人工智能、智能科学与技术、计算机、软件工程等相关专业老师； （2）需具备Python和AI相关基础知识。 **2、合作意愿** （1）明年春季学期有相关课程教学安排，能将此次培训融入并实施教学的教师优先； （2）有意愿并有计划在未来一年内将昇腾技术融入现有教学大纲和课程体系中； （3）有意愿向同行分享昇腾人工智能课程建设和教学改革经验。 **3、训前准备** 报名通过的教师请自备电脑，安装Chrome浏览器最新版。 **五、培训时间和地点** 培训时间：2022年12月20日 培训地点：沈阳市万达酒店 **六、培训人数** 不超过50人 **七、培训费用** 本次培训免培训费，学员交通、住宿自理。 \*\*八、\*\***防疫要求** 学员需持绿码入场，全程配合酒店防疫政策。 --- https://www.mindspore.cn/activities/zh/2011/ --- 活动中心 线上活动 | 来多YOUNG新生第三期，触电AI # 线上活动 | 来多YOUNG新生第三期，触电AI 2022/12/12 # 线上活动 | 来多YOUNG新生第三期，触电AI 由昇思MindSpore举办的多YOUNG新生系列活动，致力于为社区推选优秀开发者的成果分享，旨在鼓励社区开发者在交流协作间汇聚智慧，为开源AI生态贡献智慧。 **_12月13日、15日（本周二、周四）19：30，_**我们邀请到来自哈尔滨工程大学、郑州大学和西安电子科技大学7位优秀开发者分享AI可视化工具开发、模型迁移经验，期待与大家进行技术碰撞。 --- https://www.mindspore.cn/activities/zh/2025-06-19/ --- 活动中心 直播 | 看新型有限体积求解器LDSolver如何加速流体的模拟 # 直播 | 看新型有限体积求解器LDSolver如何加速流体的模拟 2025/06/19 线上直播 6月25日19点，昇思MindSpore Science SIG月例会给你带来不一样的精彩！MindSpore Science是基于MindSpore融合架构打造的科学计算行业套件，包含了业界领先的数据集、基础模型、预置高精度模型和前后处理工具，加速了科学行业应用开发。目前已有地球科学领域套件MindEarth、计算流体求解套件MindFlow、计算电磁仿真领域套件MindElec、计算化学领域套件MindChemistry、计算生物领域套件MindSPONGE等多个科研领域套件。 MindSpore Science SIG旨在与广大开发者共同将AI与科学计算相结合，助力科学计算借助AI的强大计算能力，探索未知领域，提升计算效率和准确性，更好地应对复杂的科学计算问题。 本期我们邀请到来自中国人民大学高瓴人工智能学院的闫梦涛博士为大家作议题报告，围绕议题《用于加速流体模拟可学习-可微分的有限体积求解器》探讨流体流动模拟对于刻画气象学、空气动力学和生物医学等物理现象的重要性。我们将了解该研究团队提出的可学习且可微分的有限体积求解器——LDSolver。各位敬请期待！请锁定我们当晚的B站直播间，同时也欢迎大家来腾讯会议一同线上交流~ --- https://www.mindspore.cn/activities/zh/2025-07-07/ --- 活动中心 直播预告 | 带你解析模型性能关键因素，并基于昇思进行性能调优 # 直播预告 | 带你解析模型性能关键因素，并基于昇思进行性能调优 2025/07/07 线上直播 ### 直播预告 | 带你解析模型性能关键因素，并基于昇思进行性能调优 MindSpore Transformers SIG目标是构建一个大模型预训练、微调、评测、推理、部署的全流程开发套件，提供业内主流的Transformer类大语言模型（Large Language Models, LLMs）和多模态理解模型（Multimodal Models, MMs）。期望帮助用户轻松地实现大模型全流程开发。 **7月3日下午16：00，欢迎对MindSpore Transformers方向感兴趣的同学参加SIG月例会！** 大家如果有议题申报，可以直接在Etherpad链接中填写。 **SIG例会：** **例行月度例会：北京时间**周四**16:00例行展开SIG会议。** 临时补充专项讨论会议：基于前一次会议讨论，按需临时增开专项议题会议讨论 会议链接： https://meeting.tencent.com/dm/olkrpDKfadmJ Etherpad链接：https://etherpad.mindspore.cn/p/sig-MindSpore-Transformers-meetings（**大家有议题申报的也可以在Etherpad链接中填写**） --- https://www.mindspore.cn/activities/zh/2025-07-17/ --- 活动中心 昇思学习营 | 10天玩转昇腾开发板，手把手带你构建AI大模型 # 昇思学习营 | 10天玩转昇腾开发板，手把手带你构建AI大模型 2025/07/17 线上直播 昇思学习营 | 10天玩转昇腾开发板，手把手带你构建AI大模型 --- https://www.mindspore.cn/activities/zh/2025-07-21/ --- 活动中心 2025年度Hackathon软件难题挑战赛昇思赛道火热招募中！ # 2025年度Hackathon软件难题挑战赛昇思赛道火热招募中！ 2025/07/21 线上直播 Hi，昇思MindSpore社区的软件高手们！ 想一起挑战软件难题吗？ 2025 年度 Hackathon 软件难题挑战赛，它来啦，本次活动将设置昇思MindSpore相关题目，欢迎社区的软件高手积极参与，一起深入了解昇思MindSpore、与软件精英结对编程，扩大知识视野，show 出极致自我，晋级决赛还可以开展一段松山湖欧洲小镇之旅。希望广大开发者能够享受本次挑战赛并预祝挑战赛的成功举办。 --- https://www.mindspore.cn/activities/zh/2025-08-18/ --- 活动中心 2025年昇思MindSpore大模型创新训练营（长三角站）报名通知 # 2025年昇思MindSpore大模型创新训练营（长三角站）报名通知 2025/08/18 上海交通大学学生创新中心B楼303-305教室 为加强长三角区域高校优秀青年学子的交流与互动，提供学生与产业界接触的机会，上海交通大学与华为技术有限公司共同发起，面向长三角区域大学生开设本次创新训练营。 昇思MindSpore大模型创新训练营以业界需求为背景、以实际项目为依托、以学生实践为主线，引导学生在实践过程中学习大模型相关知识，掌握有关技术和工具，帮助学生更好把握业界最新技术发展趋势，加深对人工智能行业的认识，为学生持续提升个人创新能力和实践能力打下坚实基础。 # **组织方** 主办单位：上海交通大学、华为技术有限公司 承办单位：上海交通大学学生创新中心、昇思MindSpore开源社区 # **时间安排** 8月18日-9月4日 各校学生招募及前置课程学习 9月5日-6日 训练营名额确认 9月10日-12日 线下训练营学习 # **课程安排** # **授课团队** # **活动组织** **（一）学员报名** 1.招募要求 （1）训练营面向计算机、人工智能、软件工程、大数据等相关专业的本科生和研究生； （2）参加训练营的学生应至少熟练掌握C/C++/Python/MATLAB中任一编程语言； （3）参加训练营的学生应具备高等数学、线性代数、概率统计基础知识，应具有一定的深度学习基础； （4）参加训练营的学生需具有良好的沟通和协作能力（不同高校的学生将混合编组）； （5）报名的学生需通过华为人才在线前置课程学习并达到80分及以上方可入营学习。 （6）本次招募60人，已入营学生一经确认需全程参与本次训练营。 2.报名时间及方式 扫描下方二维码，填写报名表进行报名： 为方便学生交流、参加前置课程学习，请同步加入QQ群聊（群号码：677064686）。 报名截止时间：2025年9月1日 24:00 **（二）线上学习** 8月18日至9月4日，学生开展前置线上学习，回顾必要知识、准备实训环境。参加学生须完成在线课程的学习并通过知识测验，确保具备完成课程所需的基础知识。 前置任务完成的情况将作为确定营员名单的依据。 **（三）线下训练营** 地点：上海交通大学学生创新中心B楼303-305教室 9月10日—12日线下课程，9月12日下午17点前结营。配备教练和助教，展示华为ICT大赛往期优秀获奖作品。组织评选优秀营员，由活动主办方统一颁发证书，提供精美奖品。 有关说明 本次训练营不收取营员任何费用，上海交通大学提供午餐券。 联系方式： 华为技术有限公司 翟老师 13681789600 上海交通大学学生创新中心 裴老师 15021100262 --- https://www.mindspore.cn/activities/zh/2025-09-02/ --- 活动中心 大模型课程 | MindSpore 带你实战大模型训练-推理-调优全链路 # 大模型课程 | MindSpore 带你实战大模型训练-推理-调优全链路 2025/09/02 线上直播 --- https://www.mindspore.cn/activities/zh/2025-10-17/ --- 活动中心 直播预告 | 昇思模型开发挑战赛赛题解读 # 直播预告 | 昇思模型开发挑战赛赛题解读 2025/10/17 线上直播 --- https://www.mindspore.cn/activities/zh/2025-10-28/ --- 活动中心 直播预告 | MindSpore Transformers推理介绍与实践（10月28日） # 直播预告 | MindSpore Transformers推理介绍与实践（10月28日） 2025/10/28 线上直播 --- https://www.mindspore.cn/activities/zh/2025-11-13/ --- 活动中心 直播预告 | MindSpore Transformers & vLLM 推理精度比对（11月13日） # 直播预告 | MindSpore Transformers & vLLM 推理精度比对（11月13日） 2025/11/13 线上直播 --- https://www.mindspore.cn/activities/zh/2025-12-12/ --- 活动中心 大会议程发布，精彩不容错过！| 昇思人工智能框架峰会 # 大会议程发布，精彩不容错过！| 昇思人工智能框架峰会 2025/12/12 线下活动 --- https://www.mindspore.cn/activities/zh/2025-12-2/ --- 活动中心 12月3日 | MindSpore Quantum SIG月例会 # 12月3日 | MindSpore Quantum SIG月例会 2025/12/03 线上直播 # 12月3日 | MindSpore Quantum SIG月例会 **MindSpore Quantum致力于和开发者共同打造灵活高效、易学易用的量子计算框架，持续提升MindSpore Quantum功能、性能和易用性，助力量子计算技术研究和创新。** **就在明天上午11：00，欢迎对量子计算方向感兴趣的同学参加SIG月例会！**大家如果有议题申报，可以直接在Etherpad链接中填写。**** **SIG例会：** **例行月度例会：月初周三北京时间11:00例行展开SIG会议。欢迎感兴趣的开发者订阅SIG邮件：dev@mindspore.cn 及时获取会议通知。** 临时补充专项讨论会议：基于前一次会议讨论，按需临时增开专项议题会议讨论。 会议链接： https://meeting.huaweicloud.com:36443/#/j/963164506 Etherpad链接： https://etherpad.mindspore.cn/p/sig-MindSpore-Quantum-meetings（\*\*大家有议题申报的也可以在Etherpad链接中填写\*\*） **SIG成员：** --- https://www.mindspore.cn/activities/zh/2025-12-24/ --- 活动中心 直播指南 | 昇思人工智能框架峰会 # 直播指南 | 昇思人工智能框架峰会 2025/12/24 线上活动 --- https://www.mindspore.cn/activities/zh/2025-12-3/ --- 活动中心 开源实习新任务发布，等你来挑战NLP系列任务 # 开源实习新任务发布，等你来挑战NLP系列任务 2025/12/03 线上活动 # 开源实习新任务发布，等你来挑战NLP系列任务 --- https://www.mindspore.cn/activities/zh/2025-12-3-2/ --- 活动中心 12月4日 | 昇思MindSpore Transformers SIG周例会 # 12月4日 | 昇思MindSpore Transformers SIG周例会 2025/12/04 线上直播 # 12月4日 | 昇思MindSpore Transformers SIG周例会 **MindSpore Transformers SIG（Special Interest Group）是 MindSpore 开源社区下聚焦 Transformer 类大模型全流程开发与优化的技术团队，涵盖大模型的预训练、微调、推理与部署等关键环节。SIG 团队致力于提升 Transformer类大模型在性能与易用性方面的表现，推动其在实际场景中的高效应用与落地。** **12月4日16：00-17：00，欢迎对Transformer 类大模型全流程开发与优化方向感兴趣的同学参加SIG月例会！大家如果有议题申报，可以直接在Etherpad链接中填写。** **SIG例会：** **例行例会：每周一次，北京时间周四16:00-17：00例行展开SIG会议。欢迎感兴趣的开发者订阅SIG邮件：dev@mindspore.cn 及时获取会议通知。** 临时补充专项讨论会议：基于前一次会议讨论，按需临时增开专项议题会议讨论 会议链接： https://meeting.tencent.com/dm/szOjvhFRweaj Etherpad链接： https://etherpad.mindspore.cn/p/sig-MindSpore-Transformers-meetings\*\*（\*\*\*\*大家有议题申报的也可以在Etherpad链接中填写\*\*\*\*）\*\* **SIG成员：** --- https://www.mindspore.cn/activities/zh/2025-12-30/ --- 活动中心 生成你的2025昇思MindSpore贡献报告！记录你的年度贡献印记 # 生成你的2025昇思MindSpore贡献报告！记录你的年度贡献印记 2025/12/30 线上活动 2025，你在MindSpore的智慧宇宙中，点亮了哪片星空？ 是悄然增长的一行行代码，还是热烈讨论的一个个论坛话题？ 是深夜奋战的某个PR，还是灵光一闪的奇妙解法？ 是帮助他人解决的第一个问题，还是自己收获的第N次成长？ **2026年元旦，** **MindSpore为你量身定制「专属贡献足迹报告」** 这不仅是贡献的总结，更是你与人工智能共同进化的年度手记，你的每一份贡献，都在塑造更易用、更强大的AI框架。 **专属好礼：致谢卓越贡献者** 为感激那些为社区注入尖端智慧与不懈热情的开发者，我们准备了**昇思限定礼品！** --- https://www.mindspore.cn/activities/zh/2025-12-4/ --- 活动中心 12月5日 | Parallel Training System SIG月例会 # 12月5日 | Parallel Training System SIG月例会 2025/12/05 线上直播 # 12月5日 | Parallel Training System SIG月例会 **Parallel Training System SIG（Special Interest Group）是 MindSpore 开源社区下聚焦于利用分布式并行技术加速AI大模型训练的技术团队，团队致力于提升语言、多模态、全模态等大模型在分布式并行训练场景下的易用性与性能等方面的表现，提供可高效开发、灵活组合多种并行策略的并行编程范式，简化并行编程的复杂度，为开发者带来极简高效的分布式并行训练体验。** **12月5日15：00-16：00，欢迎对分布式并行技术方加速AI大模型训练向**感**兴趣的同学参加SIG月例会！大家如果有议题申报，可以直接在Etherpad链接中填写。** **SIG例会：** **例行例会：每月第一个周五，北京时间周五 15:00 - 16:00 以公开线上会议形式讨论SIG组议题。欢迎感兴趣的开发者订阅SIG邮件：dev@mindspore.cn 及时获取会议通知。** 临时补充专项讨论会议：基于前一次会议讨论，按需临时增开专项议题会议讨论 会议链接： https://meeting.tencent.com/dm/9EEHcwdntAm8 Etherpad链接： https://etherpad.mindspore.cn/p/sig-Parallel-Training-System-meetings **（大家有议题申报的也可以在Etherpad链接中填写）** **SIG成员：** --- https://www.mindspore.cn/activities/zh/2025-12-5/ --- 活动中心 邀请函 | 12月25日杭州，邀您莅临昇思人工智能框架峰会 # 邀请函 | 12月25日杭州，邀您莅临昇思人工智能框架峰会 2025/12/05 线下活动 # 邀请函 | 12月25日杭州，邀您莅临昇思人工智能框架峰会 --- https://www.mindspore.cn/activities/zh/2025-12-8/ --- 活动中心 邀请函 | 12月25日杭州，邀您莅临昇思人工智能框架峰会 # 邀请函 | 12月25日杭州，邀您莅临昇思人工智能框架峰会 2025/12/08 线上活动 # 抢占先机 | 2天速通量子软件编程，开启未来科技新视界！ **一、活动简介** 量子计算正加速迈向现实，成为推动下一次科技浪潮的核心力量。昇思MindSpore Quantum量子软件编程训练营以量子科技前沿为背景，以动手实践为主线，以项目式学习为导向，致力于帮助学员在短周期内高效掌握量子计算基本理论及编程能力，了解当前技术发展趋势，为参与未来量子计算应用探索与创新奠定基础。 本次为期2天的线上训练营，系统安排从入门到实践的全流程学习，内容涵盖量子计算导论、MindSpore Quantum编程基础、典型应用案例解析及实战编程环节。训练营通过“理论讲解+代码实操”相结合的方式，引导学员逐步完成量子编程任务。学员完成全部课程学习并通过相应作业考核后，将获得****结业证书及专属纪念礼品。**** 昇思MindSpore Quantum量子软件编程训练营已连续举办四届，累计吸引千余名开发者参与。我们始终致力于打造一个开放、实战、互助的学习平台，让每位参与者在交流中激发灵感，在代码中探索未来。 **二、活动时间&地点** 举办时间：2025年12月27日-12月28日（周末2天 上午9:30-12:00） 报名时间：2025年12月24日报名截止，名额有限，立即锁定！ **三、活动报名** --- https://www.mindspore.cn/activities/zh/2026-1-14/ --- 活动中心 2026昇思 MindSpore论坛 · 技术干货征集令 # 2026昇思 MindSpore论坛 · 技术干货征集令 2026/01/14 线上活动 # 2026昇思 MindSpore论坛 · 技术干货征集令 新春启新程，技术聚论坛！昇思MindSpore 2025年技术帖征集活动已圆满落幕，全年累计收获30+高质量技术帖，内容覆盖核心框架实践、组件套件应用等多个热门方向，凝聚了社区开发者的智慧与心血。 为持续激活MindSpore论坛的技术分享活力，壮大社区干货影响力，2026年我们全新启动「技术干货征集令」计划，每月面向论坛开发者长期征稿，诚邀大家踊跃投稿，分享技术洞见，交流实践经验，赢取丰厚奖励！ ## 活动时间 2026年01月14日 —— 2026年12月14日 （每月统计稿件并发放奖励，全年共计12期） ## 参与方式 （1）内容 ：需与昇思MindSpore相关，包括但不限于核心框架解析、各类组件套件实践使用、相关学术论文解读与落地应用等；内容必须为原创，严禁抄袭、搬运；单篇技术帖字数不得少于1000字，形式不限（图文教程、案例分析、问题解决方案等均可）。 （2）参与方式 ：发布技术帖后，需及时将帖子链接回复至本帖评论区 ，同时将技术帖全文+个人邮箱通过私信发送给活动版主 ； （3）鼓励开发者将内容转发至知乎、CSDN、开源中国等技术内容平台，扩大内容影响力，助力社区生态传播。 ## 审核通知 活动每月审核一次，审核完成后将发布获奖公告（审核结果及获奖名单将同步在本帖评论区，并通过邮箱（skytierXXX@163.com）反馈给获奖开发者，确保活动公平、透明。 ## 活动奖励 审核通过的技术帖，每篇可获得50 元京东自选奖品 （单用户每月累计奖励上限为200元），也可以是超额纪念品。 ## 注意事项 1.干货内容经审核合格后方可算数。 2.抄袭他人内容或内容疑似借助ChatGPT等大模型平台均视为无效参与。 3.本活动发布的干货不得参与其他活动重复领奖。 4.最终解释权归昇思MindSpore团队所有。 --- https://www.mindspore.cn/activities/zh/2026-1-14-2/ --- 活动中心 MindSpore论坛报错活动第四十期 # MindSpore论坛报错活动第四十期 2026/01/14 线上活动 # MindSpore论坛报错活动第四十期 ## 奖励规则 ​1、每个任务难度等级不同，完成不同等级任务获得对应的奖励！ 难度等级：易，可获得50元京东自营自选；​ 难度等级：中，可获得100元京东自营自选。 2、若被选为优秀案例，奖品奖励将会在原来基础上升级！ 原本难度等级：易的可在难度等级：中的奖品中选择； 原本难度等级：中的可获得150元京东自营自选。 ## 活动时间 2026年1月14日——2026年1月31日 ## 活动方式 已发布6个报错任务在论坛的“活动体验板块”，完成其中的一个或多个。 任务一：https://discuss.mindspore.cn/t/topic/1449 任务二：https://discuss.mindspore.cn/t/topic/1450 任务三：https://discuss.mindspore.cn/t/topic/1451 任务四：https://discuss.mindspore.cn/t/topic/1452 任务五：https://discuss.mindspore.cn/t/topic/1453 任务六：https://discuss.mindspore.cn/t/topic/1454 用户根据个人意愿选择报错任务，需要发布帖子对报错任务进行完整解答，帖子要发布在 昇思MindSpore 论坛→ 技术干货 Technology→ 功能调试 Function Debugging中（https://discuss.mindspore.cn/t/technology/function-debugging/23 ），详细地址可参考下图步骤找到。 点击页面右上角新建话题进入发布帖子页面，首先填入标题并选择“技术干货 Technology→功能调试 Function Debugging”类别，也可根据帖子内容选择对应标签，将正文内容编辑完毕点击“创建话题”即可完成发帖！！！ 每个任务择优选取一位用户获奖，活动结果将会在用户的参与帖下方评论通知，并通过私信进行联系。 ## 注意事项 请勿刷帖，刷帖一律删帖并做无效参与处理。 必须保证原创，抄袭按无效参与处理。 请勿盗取他人截图或内容，一经发现做无效参与处理。 必须符合设定的格式，否则算作无效参与。 --- https://www.mindspore.cn/activities/zh/2026-2-11/ --- 活动中心 MindSpore论坛报错活动第四十一期 # MindSpore论坛报错活动第四十一期 2026/02/11 线上活动 # MindSpore论坛报错活动第四十一期 ## 奖励规则 ​1、每个任务难度等级不同，完成不同等级任务获得对应的奖励！ 难度等级：易，可获得50元京东自营自选；​ 难度等级：中，可获得100元京东自营自选。 2、若被选为优秀案例，奖品奖励将会在原来基础上升级！ 原本难度等级：易的可在难度等级：中的奖品中选择； 原本难度等级：中的可获得150元京东自营自选。 ## 活动时间 2026年2月12日——2026年3月1日 ## 活动方式 已发布5个报错任务在论坛的“活动体验板块”，完成其中的一个或多个。 任务一：https://discuss.mindspore.cn/t/topic/1478 任务二：https://discuss.mindspore.cn/t/topic/1479 任务三:https://discuss.mindspore.cn/t/topic/1480 任务四：https://discuss.mindspore.cn/t/topic/1481 任务五：https://discuss.mindspore.cn/t/topic/1482 用户根据个人意愿选择报错任务，需要发布帖子对报错任务进行完整解答，帖子要发布在 昇思MindSpore 论坛→ 技术干货 Technology→ 功能调试 Function Debugging中（https://discuss.mindspore.cn/c/tech/function-debugging/23 ），详细地址可参考下图步骤找到。 点击页面右上角新建话题进入发布帖子页面，首先填入标题并选择“技术干货 Technology→功能调试 Function Debugging”类别，也可根据帖子内容选择对应标签，将正文内容编辑完毕点击“创建话题”即可完成发帖！！！ 在将参与帖发布成功后，将个人邮箱私信回复给本帖版主账号中，将干货链接回复到该帖子下方。 每个任务择优选取一位用户获奖，活动结果将会在用户的参与帖下方评论通知，并通过私信进行联系。 ## 注意事项 请勿刷帖，刷帖一律删帖并做无效参与处理。 必须保证原创，抄袭按无效参与处理。 请勿盗取他人截图或内容，一经发现做无效参与处理。 必须符合设定的格式，否则算作无效参与。 --- https://www.mindspore.cn/activities/zh/2026-2-12/ --- 活动中心 MindSpore论坛报错活动第四十一期 # MindSpore论坛报错活动第四十一期 2026/02/12 线上活动 # MindSpore论坛报错活动第四十一期 ## 奖励规则 ​1、每个任务难度等级不同，完成不同等级任务获得对应的奖励！ 难度等级：易，可获得50元京东自营自选；​ 难度等级：中，可获得100元京东自营自选。 2、若被选为优秀案例，奖品奖励将会在原来基础上升级！ 原本难度等级：易的可在难度等级：中的奖品中选择； 原本难度等级：中的可获得150元京东自营自选。 ## 活动时间 2026年2月12日——2026年3月1日 ## 活动方式 已发布5个报错任务在论坛的“活动体验板块”，完成其中的一个或多个。 任务一：https://discuss.mindspore.cn/t/topic/1478 任务二：https://discuss.mindspore.cn/t/topic/1479 任务三：https://discuss.mindspore.cn/t/topic/1480 任务四：https://discuss.mindspore.cn/t/topic/1481 任务五：https://discuss.mindspore.cn/t/topic/1482 用户根据个人意愿选择报错任务，需要发布帖子对报错任务进行完整解答，帖子要发布在 昇思MindSpore 论坛→ 技术干货 Technology→ 功能调试 Function Debugging中（https://discuss.mindspore.cn/t/technology/function-debugging/23 ），详细地址可参考下图步骤找到。 点击页面右上角新建话题进入发布帖子页面，首先填入标题并选择“技术干货 Technology→功能调试 Function Debugging”类别，也可根据帖子内容选择对应标签，将正文内容编辑完毕点击“创建话题”即可完成发帖！！！ 每个任务择优选取一位用户获奖，活动结果将会在用户的参与帖下方评论通知，并通过私信进行联系。 ## 注意事项 请勿刷帖，刷帖一律删帖并做无效参与处理。 必须保证原创，抄袭按无效参与处理。 请勿盗取他人截图或内容，一经发现做无效参与处理。 必须符合设定的格式，否则算作无效参与。 --- https://www.mindspore.cn/activities/zh/2026-2-13/ --- 活动中心 2026万码奔腾贺新春活动来袭！稀缺高性能算力限时开放，5大技术活动任你玩 # 2026万码奔腾贺新春活动来袭！稀缺高性能算力限时开放，5大技术活动任你玩 2026/02/14 线上活动 # 2026万码奔腾贺新春活动来袭！稀缺高性能算力限时开放，5大技术活动任你玩 千呼万唤始出来！“2026万码奔腾贺新春”活动正式推出！本次活动由OpenI启智社区联合昇思MindSpore、头歌以及中国算力网、超算互联网、并行科技、壁仞科技等算力赞助伙伴共同发起，精心打造一场融合技术、创意与奖励的新春大杂烩！ 本次活动时间长达18天，从2月14日持续到3月3日（元宵节），五大技术主题活动，涉及论文复现挑战、新年Skills炼金术、春节AI主题创作、热门工具链评测、年度技术复盘。 本次活动在算力支持方面更是放了大招，除了平台已有的算力外，还将限时开放昇腾Atlas A3、海光深算三号BW1000、BR106M等国产算力，以及4090、5090、A800等非国产算力。 ✅ 重点来了：报名参与论文复现的开发者，无需消耗算力积分（报名截止时间2月13日17点，未报名的开发者也可参与论文复现活动，但需消耗算力积分）！真正实现“零门槛上手，高规格跑训”——这可是一年仅此一次的超级福利！ 无论你是科研新锐、工程达人，还是AI爱好者，赶紧码住这次新春福利！ 活动页面： https://openi.pcl.ac.cn/OpenIActivities/2026SF 活动统一提交地址： https://openi.pcl.ac.cn/OpenIActivities/2026SF/issues --- https://www.mindspore.cn/activities/zh/2026-3-10/ --- 活动中心 名师赋能昇思系列课程 | 人工智能技术与应用 # 名师赋能昇思系列课程 | 人工智能技术与应用 2026/03/10 线上活动 --- https://www.mindspore.cn/activities/zh/2026-3-25/ --- 活动中心 3 月 28 日锁定！昇思MindSpore六周年技术专场直播盛宴来袭 # 3 月 28 日锁定！昇思MindSpore六周年技术专场直播盛宴来袭 2026/03/25 线上活动 --- https://www.mindspore.cn/activities/zh/2026-3-26/ --- 活动中心 用AI生成算子！CCF大赛-MindSpore赛道10万奖金等你来战！ # 用AI生成算子！CCF大赛-MindSpore赛道10万奖金等你来战！ 2026/03/26 线上活动 # 用AI生成算子！CCF大赛-MindSpore赛道10万奖金等你来战！ 立足数字经济深度发展与国家开源战略布局，面向人工智能、泛在操作系统领域的技术创新、成果转化与专业人才供给需求，第八届 CCF 开源创新大赛由中国计算机学会（CCF）主办，CCF开源发展技术委员会承办。 本届大赛中，昇思MindSpore开源社区发起“基于AI/Agent的NPU算子自动生成赛”，诚邀广大开发者共同探索智能算子的前沿实践，欢迎踊跃报名！ ## 基于AI/Agent的NPU算子自动生成赛 随着AI模型快速迭代与昇腾不断演进，高性能算子开发成为AI产业的关键瓶颈。本赛道以MindSpore AKG Agent（算子自动生成工具）为基础，鼓励开发者基于AI模型/Agent等开源方案（不限制AKG或其他），在昇腾NPU上实现算子自动生成与优化。 ## 赛道任务 参赛者需基于 AI 模型 / Agent 等方案，在昇腾NPU上实现算子的自动生成，并在社区提供的算子类 Benchmark 中完成多方面对比验证，最终输出可复现、可复用的解决方案及配套资产。 ## 赛程安排 \-报名与初赛（即日~7月10日）： 提交项目书：内容包含但不限于团队介绍、技术方案概述（AI技术选型、算子生成流程、预期创新点）、预期成果（性能目标）、参考文献与前期工作技术等； 投递方式：请将项目书，投递至邮箱contact@public.mindspore.cn（请备注初赛+团队名，邮件收到确认答复，即为投递成功）。 备注：可同步启动项目开发，如需算力，请提交基础的项目书至邮箱申请算力发放。 \-复赛（7月11日~8月6日）: 可运行的算子生成 Agent 代码（含详细使用说明） Benchmark 中算子的生成结果与验证报告（正确性、性能） 详细的 AI 应用设计文档（模型训练/微调过程、提示词工程、Agent 流程等） 使用AI辅助工作的agent SKILL.md或Prompts的Demo代码仓 项目介绍 PPT（用于答辩环节使用） 投递方式 1、相关代码文件：在GitLink中创建新项目，将代码文件上传至项目中； 2、文档类文件（包含验证报告、设计文档、项目介绍PPT等）：在比赛页面的【作品提交】中打包提交，需要带上代码文件的链接同步提交。 \-决赛（8月9日~8月10日）： 决赛线上答辩与评审 点击链接了解详细情况：https://www.gitlink.org.cn/competitions/track2\_2026MindSpore --- https://www.mindspore.cn/activities/zh/2026-3-27/ --- 活动中心 请阅！3月28日昇思MindSpore六周年直播核心议题抢先看！ # 请阅！3月28日昇思MindSpore六周年直播核心议题抢先看！ 2026/03/27 线上活动 # 请阅！3月28日昇思MindSpore六周年直播核心议题抢先看！ --- https://www.mindspore.cn/activities/zh/2026-4-10/ --- 活动中心 CCF开源创新大赛 vLLM Ascend、MindSpore赛题解读 # CCF开源创新大赛 vLLM Ascend、MindSpore赛题解读 2026/04/10 线上活动 # CCF开源创新大赛 vLLM Ascend、MindSpore赛题解读 --- https://www.mindspore.cn/activities/zh/2026-4-16/ --- 活动中心 【Meetup 报名启动】MindSpore AKG邀您共探智能算子与 AI 开发新实践 # 【Meetup 报名启动】MindSpore AKG邀您共探智能算子与 AI 开发新实践 2026/04/16 线上活动 # 【Meetup 报名启动】MindSpore AKG邀您共探智能算子与 AI 开发新实践 --- https://www.mindspore.cn/activities/zh/2026-4-28/ --- 活动中心 【Meetup直播预告】MindSpore AKG Meetup北京站倒计时1天！直播通道抢先预约！ # 【Meetup直播预告】MindSpore AKG Meetup北京站倒计时1天！直播通道抢先预约！ 2026/04/28 线上活动 # 【Meetup直播预告】MindSpore AKG Meetup北京站倒计时1天！直播通道抢先预约！ --- https://www.mindspore.cn/activities/zh/2026-4-28-2/ --- 活动中心 火热报名中！2026年度CCF量子计算编程挑战赛昇思杯·第八届MindSpore Quantum黑客松，邀您共赴量子未来！ # 火热报名中！2026年度CCF量子计算编程挑战赛昇思杯·第八届MindSpore Quantum黑客松，邀您共赴量子未来！ 2026/04/28 线下活动 # 火热报名中！2026年度CCF量子计算编程挑战赛昇思杯·第八届MindSpore Quantum黑客松，邀您共赴量子未来！ 随着量子计算与人工智能、高性能计算等领域的深度交叉融合，新的计算范式与应用场景不断涌现，推动科学研究与产业解决复杂问题的方式发生深刻变革。在这一进程中，量子算法设计、高效软件工具链的开发，以及跨学科复合型人才的培养，已成为推动量子计算持续发展的核心驱动力。昇思MindSpore社区作为聚焦全场景AI与科学计算的开源创新平台，始终致力于推动前沿计算技术与产业实践的深度融合。 大赛邀请来自高校、科研机构和产业界的开发者与研究者，基于新一代量子计算框架MindSpore Quantum，探索前沿技术方向，激发创新思维，加快量子计算从理论走向实际应用的进程。 所有选手报完名后 请务必加入活动交流群 大赛的重要时间节点通知将第一时间在群内发布 如有任何问题，请联系小助手 --- https://www.mindspore.cn/activities/zh/2026-4-3/ --- 活动中心 MindSpore论坛报错活动第四十二期 # MindSpore论坛报错活动第四十二期 2026/04/03 线上活动 # MindSpore论坛报错活动第四十二期 ## 奖励规则 ​1、每个任务难度等级不同，完成不同等级任务获得对应的奖励！ 难度等级：易，可获得50元京东自营自选；​ 难度等级：中，可获得100元京东自营自选。 2、若被选为优秀案例，奖品奖励将会在原来基础上升级！ 原本难度等级：易的可在难度等级：中的奖品中选择； 原本难度等级：中的可获得150元京东自营自选。 ## 活动时间 2026年4月3日——2026年4月19日 ## 活动方式 已发布5个报错任务在论坛的“活动体验板块”，完成其中的一个或多个。 任务一：https://discuss.mindspore.cn/t/topic/1531 任务二：https://discuss.mindspore.cn/t/topic/1532 任务三：https://discuss.mindspore.cn/t/topic/1533 用户根据个人意愿选择报错任务，需要发布帖子对报错任务进行完整解答，帖子要发布在 昇思MindSpore 论坛→ 技术干货 Technology→ 功能调试 Function Debugging中（https://discuss.mindspore.cn/t/technology/function-debugging/23 ），详细地址可参考下图步骤找到。 点击页面右上角新建话题进入发布帖子页面，首先填入标题并选择“技术干货 Technology→功能调试 Function Debugging”类别，也可根据帖子内容选择对应标签，将正文内容编辑完毕点击“创建话题”即可完成发帖！！！ 每个任务择优选取一位用户获奖，活动结果将会在用户的参与帖下方评论通知，并通过私信进行联系。 ## 注意事项 请勿刷帖，刷帖一律删帖并做无效参与处理。 必须保证原创，抄袭按无效参与处理。 请勿盗取他人截图或内容，一经发现做无效参与处理。 必须符合设定的格式，否则算作无效参与。 --- https://www.mindspore.cn/activities/zh/2026-5-11/ --- 活动中心 邀请函｜昇思MindSpore社区诚邀您参加KADC 2026 # 邀请函｜昇思MindSpore社区诚邀您参加KADC 2026 2026/05/11 线下活动 # 邀请函｜昇思MindSpore社区诚邀您参加KADC 2026 --- https://www.mindspore.cn/activities/zh/2026-5-11-2/ --- 活动中心 【5月12日 19:00 直播】量子组合优化赛道赛题讲解，2026 CCF昇思杯等你挑战 # 【5月12日 19:00 直播】量子组合优化赛道赛题讲解，2026 CCF昇思杯等你挑战 2026/05/11 线上活动 # 【5月12日 19:00 直播】量子组合优化赛道赛题讲解，2026 CCF昇思杯等你挑战 赛题直播讲解：量子组合优化赛道 直播时间：2026年5月12日（周二） 19:00-20:00 直播内容：赛题讲解·互动答疑·惊喜抽奖 直播链接： 寇享：https://www.koushare.com/live/details/52149 B站：https://live.bilibili.com/h5/22127570 --- https://www.mindspore.cn/activities/zh/2026-5-12/ --- 活动中心 开发板、千元算力券激励！湖北工业大学具身机器人AI算法大赛火热报名中 # 开发板、千元算力券激励！湖北工业大学具身机器人AI算法大赛火热报名中 2026/05/12 线下活动 # 开发板、千元算力券激励！湖北工业大学具身机器人AI算法大赛火热报名中 --- https://www.mindspore.cn/activities/zh/2026-5-13/ --- 活动中心 【5月14日 19:00 直播】量子启发算法赛道赛题讲解，2026 CCF昇思杯参赛必看 # 【5月14日 19:00 直播】量子启发算法赛道赛题讲解，2026 CCF昇思杯参赛必看 2026/05/13 线上活动 # 【5月14日 19:00 直播】量子启发算法赛道赛题讲解，2026 CCF昇思杯参赛必看 赛题直播讲解：量子启发算法赛道 直播时间：2026年5月14日（周四） 19:00-20:00 直播内容：赛题讲解·互动答疑·惊喜抽奖 直播链接： 寇享：https://www.koushare.com/live/details/52151 B站：https://live.bilibili.com/h5/22127570 --- https://www.mindspore.cn/activities/zh/2026-5-14/ --- 活动中心 KADC 2026丨开播预告：突破后训练，昇腾沉淀全流程最佳实践 # KADC 2026丨开播预告：突破后训练，昇腾沉淀全流程最佳实践 2026/05/14 线上活动 # KADC 2026丨开播预告：突破后训练，昇腾沉淀全流程最佳实践 --- https://www.mindspore.cn/activities/zh/2026-5-18/ --- 活动中心 KADC 2026丨开播预告：昇腾AI Infra推理实战，高性能服务指南 # KADC 2026丨开播预告：昇腾AI Infra推理实战，高性能服务指南 2026/05/18 线上活动 # KADC 2026丨开播预告：昇腾AI Infra推理实战，高性能服务指南 --- https://www.mindspore.cn/activities/zh/2026-5-18-2/ --- 活动中心 KADC 2026丨叮咚~你有一份昇腾AI4S论坛邀请函，请注意查收！ # KADC 2026丨叮咚~你有一份昇腾AI4S论坛邀请函，请注意查收！ 2026/05/18 线下活动 # KADC 2026丨叮咚~你有一份昇腾AI4S论坛邀请函，请注意查收！ --- https://www.mindspore.cn/activities/zh/2026-5-19/ --- 活动中心 KADC 2026丨昇腾AI全议程，一键码住 # KADC 2026丨昇腾AI全议程，一键码住 2026/05/19 线下活动 # KADC 2026丨昇腾AI全议程，一键码住 --- https://www.mindspore.cn/activities/zh/2026-5-19-2/ --- 活动中心 抢先报名！KADC 2026-昇腾AI框架专题论坛邀请函来了！ # 抢先报名！KADC 2026-昇腾AI框架专题论坛邀请函来了！ 2026/05/19 线下活动 # 抢先报名！KADC 2026-昇腾AI框架专题论坛邀请函来了！ --- https://www.mindspore.cn/activities/zh/2026-5-20/ --- 活动中心 KADC 2026丨开播预告： Agentic升级，昇腾重塑AI开发体系 # KADC 2026丨开播预告： Agentic升级，昇腾重塑AI开发体系 2026/05/20 线上活动 # KADC 2026丨开播预告： Agentic升级，昇腾重塑AI开发体系 --- https://www.mindspore.cn/activities/zh/2026-5-20-2/ --- 活动中心 KADC2026 | 来KADC写代码，和开源大咖面对面！ # KADC2026 | 来KADC写代码，和开源大咖面对面！ 2026/05/20 线下活动 # KADC2026 | 来KADC写代码，和开源大咖面对面！ --- https://www.mindspore.cn/activities/zh/2026-5-8/ --- 活动中心 KADC 2026丨开播预告：昇腾超节点，天然亲和Agent负载 # KADC 2026丨开播预告：昇腾超节点，天然亲和Agent负载 2026/05/08 线上活动 # KADC 2026丨开播预告：昇腾超节点，天然亲和Agent负载 --- https://www.mindspore.cn/activities/zh/2026-5-9/ --- 活动中心 热身赛直播 | 2026 CCF量子计算编程挑战赛昇思杯，解锁通关秘籍 # 热身赛直播 | 2026 CCF量子计算编程挑战赛昇思杯，解锁通关秘籍 2026/05/09 线上活动 # 热身赛直播 | 2026 CCF量子计算编程挑战赛昇思杯，解锁通关秘籍 热身赛 直播讲解 直播时间：2026年5月9日（周六） 19:00-20:00 直播内容：赛题解读·编程实践·互动答疑·惊喜抽奖 --- https://www.mindspore.cn/activities/zh/2026-5-9-2/ --- 活动中心 KADC 2026丨开播预告：解锁CANN易用性，零门槛上手 # KADC 2026丨开播预告：解锁CANN易用性，零门槛上手 2026/05/09 线上活动 # KADC 2026丨开播预告：解锁CANN易用性，零门槛上手 --- https://www.mindspore.cn/activities/zh/2026-7-13/ --- 活动中心 MiniCPM & 昇腾推理优化与应用创新挑战赛：40万奖金，一起打造全模态大模型在昇腾上的极致性能！ # MiniCPM & 昇腾推理优化与应用创新挑战赛：40万奖金，一起打造全模态大模型在昇腾上的极致性能！ 2026/07/13 线上活动 AI 行业正迎来智能能力的集中爆发，人机交互从单一文本对话走向多模态实时协同，全模态模型成为这一轮技术跃迁的焦点。它打破了文字、图像、音频、视频之间的信息壁垒，在统一架构中完成跨模态信息的深度融合与理解，让 AI 具备真正的原生多模态智能。正因如此，它对推理效率、算力适配和工程稳定性提出的要求，远超纯文本模型。 面壁智能的 MiniCPM-o 4.5 正是这个方向上的领先者，这款面向实时交互场景的全模态基础模型，支持视觉、语音、文本的端到端统一建模，能够实现“边看、边听、主动说”的自然交互体验，且不断探索低延迟、自然化、可持续对话的全模态应用体验。而全模态模型要真正进入应用场景，不仅需要强模型能力，更需要高效、稳定、可复现的推理部署及落地方案。 面对这一未来，昇腾联合OpenBMB发起 图片“MiniCPM & 昇腾推理优化与应用创新挑战赛”，围绕 MiniCPM-o 4.5 全模态模型， 邀请高校学生开发者与 AI 应用创新团队，在昇腾NPU生态中探索高效推理、低延迟交互和真实应用落地。 本次赛事不只关注模型“能否跑通”，更关注在真实交互场景中的首响速度、端到端延迟、并发能力、资源利用率、工程复现和应用体验。参赛者可以选择性能优化赛道，挑战模型推理效率边界；也可以选择创新应用赛道，基于全模态能力构建可运行、可展示、可体验的 Demo。 # 01 双赛道并行，总有你的主场 赛事支持个人或不超过 3 人的团队参赛，分设高性能推理优化与创新应用两条赛道。所有作品须在统一昇腾环境中完成复现验证，确保公平性与可沉淀性。前者聚焦推理服务的效率、稳定性与复现质量；后者基于可运行 Demo，考察全模态能力的产品化表达、交互体验与工程完整度。 ## 赛道一：高性能推理优化赛道 如果你熟悉 AI Infra、推理部署、编译优化或算子优化，同时对昇腾/昇思 MindSpore 开发生态感兴趣，高性能推理优化赛道就是为你准备的。该赛道要求参赛者面向 MiniCPM-o 4.5，在昇腾 NPU 环境中完成推理适配与效率优化。 比赛评分重点关注： - 模型推理适配 - TTFT / 首响速度 - 单 chunk latency - E2E latency - 吞吐与并发 session - 资源利用率与稳定性 - 精度损失控制 - 部署与复现质量 最终提交内容： 代码 / 配置、benchmark 脚本、性能报告及复现说明。 ## 赛道二：创新应用赛道 创新应用赛道面向 AI 产品开发者、多模态交互设计师、学生创新团队与应用工程团队，赛道要求基于 MiniCPM-o 4.5 的全模态能力，将你的想法构建成一个可运行、可展示、可体验的 Demo。 鼓励方向： - 实时问答 - 伴随式助手 - 视觉 / 语音交互 - 端侧应用 - 多模态场景理解 - 教育、办公、创作、生活服务等应用场景 最终提交内容： 可运行 Demo / Web Demo / App、PPT、项目说明、演示视频。 # 02 奖项设置，40万奖金池揭秘 本次赛事总奖金为 406,000 元（不含税）。2 个赛道分别设置奖项，共计产出 12 位获奖选手。若符合获奖要求的选手数量不足，将根据实际评审结果核减对应奖项及奖金费用。 赛道一：高性能推理优化赛道 赛道二：创新应用赛道 补充说明：1.奖金金额均为税前金额，实际发放需按相关规定处理税费。2.获奖作品需满足赛事规则、提交要求和复现要求。3.最终获奖名单以主办方发布的评审结果为准。 # 03 赛事要点 赛事说明： - 赛事同时面向个人开发者和开发团队，团队人数不得超过 3 人。 - 赛事开放实时榜单，所有参赛作品均需接受统一 MindSpore / 昇腾环境复现验证，方可进入有效排名。 - 每支参赛队伍每天最多可提交 3 次作品。 更多赛事详细说明请关注官方网站以便及时获得。 赛事时间： 如果你想挑战大模型推理效率边界，或打造一个真正可体验、可部署、可展示的全模态 AI 应用，那么这场比赛要寻找的最强 builder 就是你，点击下方链接立即加入这场全模态 AI 推理与应用创新挑战吧~ 比赛官网报名链接：https://ascend.openbmb.cn 飞书答疑群： --- https://www.mindspore.cn/activities/zh/2026-7-21/ --- 活动中心 量子计算x生命健康，前沿交叉研讨会邀您莅临！ # 量子计算x生命健康，前沿交叉研讨会邀您莅临！ 2026/07/21 线下活动 # 量子计算x生命健康，前沿交叉研讨会邀您莅临！ 报名链接：https://v.wjx.cn/vm/exrSAxz.aspx# 期待您成为新时代的开源贡献者， 加入MindSpore Quantum的开发者行列，携手推进量子计算技术发展！ MindSpore Quantum社区：https://atomgit.com/mindspore/mindquantum（新）/ https://gitee.com/mindspore/mindquantum（原社区已迁移到 atomgit，个人gitee账号也可以迁移atomgit） MindSpore Quantum官网：https://www.mindspore.cn/mindquantum/docs/zh-CN/r0.12/index.html --- https://www.mindspore.cn/activities/zh/2026-7-22/ --- 活动中心 决战在即！2026 CCF量子计算编程挑战赛昇思杯总决赛，巅峰前瞻 # 决战在即！2026 CCF量子计算编程挑战赛昇思杯总决赛，巅峰前瞻 2026/07/22 线上活动 # 决战在即！2026 CCF量子计算编程挑战赛昇思杯总决赛，巅峰前瞻 总决赛直播 直播时间：2026年7月24日（周五）8:50-12:00 议程安排：每个赛道4位选手答辩，每位选手20分钟，包括15分钟答辩和5分钟评委提问。 直播链接： 🔗寇享：https://www.koushare.com/live/details/54208 🔗B站：https://live.bilibili.com/h5/22127570 --- https://www.mindspore.cn/activities/zh/2026-7-23/ --- 活动中心 昇腾AI框架Meetup·北京站暨MiniCPM X 昇腾推理性能优化和应用创新挑战赛解读，报名通道正式开启！ # 昇腾AI框架Meetup·北京站暨MiniCPM X 昇腾推理性能优化和应用创新挑战赛解读，报名通道正式开启！ 2026/07/23 线下活动 # 昇腾AI框架Meetup·北京站暨MiniCPM X 昇腾推理性能优化和应用创新挑战赛解读，报名通道正式开启！ --- https://www.mindspore.cn/activities/zh/2026-7-28/ --- 活动中心 华为2026年度Hackathon软件难题挑战赛 # 华为2026年度Hackathon软件难题挑战赛 2026/07/28 线下活动 # 华为2026年度Hackathon软件难题挑战赛 --- https://www.mindspore.cn/activities/zh/2026-8-11/ --- 活动中心 昇腾AI + 具身智能 + 大模型，8月12日上海这场Meetup全都有 # 昇腾AI + 具身智能 + 大模型，8月12日上海这场Meetup全都有 2026/08/01 线下活动 # 昇腾AI + 具身智能 + 大模型，8月12日上海这场Meetup全都有 --- https://www.mindspore.cn/activities/zh/2026-8-25/ --- 活动中心 MindSpore开发者调研，诚邀您参与！ # MindSpore开发者调研，诚邀您参与！ 2026/08/25 线上活动 # MindSpore开发者调研，诚邀您参与！ --- https://www.mindspore.cn/activities/zh/2066/ --- 活动中心 直播预告 | 明晚，互联网+大赛获奖作品经验与保研经验分享，期待与你相遇！ # 直播预告 | 明晚，互联网+大赛获奖作品经验与保研经验分享，期待与你相遇！ 2022/12/26 # 直播预告 | 明晚，互联网+大赛获奖作品经验与保研经验分享，期待与你相遇！ **_12月27日（明天）19：30，_**我们邀请到互联网+大赛获奖团队，分享互联网+大赛获奖作品，与保研经验，期待与大家进行技术碰撞。 --- https://www.mindspore.cn/activities/zh/2069/ --- 活动中心 直播预告 | 大模型Transformer MoE路由策略实现和算子开发经验分享！ # 直播预告 | 大模型Transformer MoE路由策略实现和算子开发经验分享！ 2022/12/28 # 直播预告 | 大模型Transformer MoE路由策略实现和算子开发经验分享！ **_12月29日（明晚）19：30，_**我们邀请到来自上海交通大学和华南师范大学的社区优秀开发者，分享大模型Transformer MoE路由策略实现和算子开发经验，期待与大家进行技术碰撞。 --- https://www.mindspore.cn/activities/zh/2073/ --- 活动中心 昇思元旦特别企划，内含新春惊喜礼品！ # 昇思元旦特别企划，内含新春惊喜礼品！ 2022/12/31 # 昇思元旦特别企划，内含新春惊喜礼品！ 新的一年即将到来， 愿你继续实现幸福指标！ 这个元旦， **_来昇思MindSpore社区，_** **_参与元旦特别企划，_** **_赢惊喜礼品吧！_** --- https://www.mindspore.cn/activities/zh/2075/ --- 活动中心 线上活动 | 多YOUNG新生走入互联网+获奖项目与大模型实现 # 线上活动 | 多YOUNG新生走入互联网+获奖项目与大模型实现 2022/12/24 # 线上活动 | 多YOUNG新生走入互联网+获奖项目与大模型实现 由昇思MindSpore举办的多YOUNG新生系列活动，致力于为社区推选优秀开发者的成果分享，旨在鼓励社区开发者在交流协作间汇聚智慧，为开源AI生态贡献智慧。 **_下周二、周四（12月27日、29日）19：30，_**我们邀请到来自北京交通大学、哈尔滨工业大学、上海交通大学、华南师范大学4位优秀开发者，分享互联网+大赛获奖作品，大模型Transformer MoE路由策略实现、算子开发等，还有保研经验分享，期待与大家进行技术碰撞。 --- https://www.mindspore.cn/activities/zh/2078/ --- 活动中心 MindSpore论坛报错活动第五期 # MindSpore论坛报错活动第五期 2022/12/29 # MindSpore论坛报错活动第五期 ### **元旦假期小孢子没有礼物吗？第五期报错活动不答应！** ### **奖励规则** **1、每个任务难度等级不同，完成不同等级任务获得对应的奖励！** ·难度等级：易，奖品预览 ·难度等级：中，奖品预览 **2、若被选为优秀案例，奖品奖励将会在原来基础上升级！** ·原本’难度等级：易‘的可在’难度等级：中‘的奖品中选择； ·原本’难度等级：中‘的可获得150元京东自营自选。 ### **活动时间** **2022年12月30日——2023年01月08日** **活动方式** 1、已发布5个报错任务在论坛的“活动体验板块”，完成其中的一个或多个。 任务帖名称 任务帖链接 难度等级 MindSpore报错RuntimeError: Invalid data, the number of schema should be positive but got: 0. Please checkthe input schema. https://www.hiascend.com/forum/thread-0231107684077113132-1-1.html 易 MindSpore报错MRMOpenError: MindRecord File could not open successfully. https://www.hiascend.com/forum/thread-0232107684229359143-1-1.html 易 MindSpore报错RuntimeError: Invalid python function, the 'source' of 'GeneratorDataset' should return same number ... https://www.hiascend.com/forum/thread-0231107684599302133-1-1.html 易 MindSpore报错ValueError: when loss\_fn is not None, train\_dataset should return two elements, but got 3 https://www.hiascend.com/forum/thread-0229107684722234156-1-1.html 易 MindSpore报错TypeError:parse() missing 1 required positional argument: ‘self’ https://www.hiascend.com/forum/thread-0230107684833933128-1-1.html 易 用MindSpore写了decouplehead模块，使用时报错The number of parameters of this function is 2,but the numberof provided arguments is 1. https://www.hiascend.com/forum/thread-0231107685007076134-1-1.html 中 MindSpore报错ValueError: For 'MatMul', the input dimensions must be equal, but got 'x1\_col': 817920 and 'x2\_row': 272640. https://www.hiascend.com/forum/thread-0230107688788260129-1-1.html 中 贴心的我们给大家提供了完成任务发帖示例：import报错：Load dynamic library libmindspore\_ascend failed，以及定位解决，欢迎参考哦！！！ 2、用户根据个人意愿选择报错任务，将内容填写完整后，发布在本论坛的\*\*“技术干货->功能调试”\*\*中。 3、将个人邮箱和第二步的干货链接，回复在对应的报错任务下方。 4、每个任务择优选取一位用户获奖。 ### **注意事项** 1. 请勿刷帖，刷帖一律删帖并做无效参与处理。 2. 必须保证原创，抄袭按无效参与处理。 3. 请勿盗取他人截图或内容，一经发现做无效参与处理。 4. 必须符合设定的格式，否则算作无效参与。 \*最终解释权归MindSpore团队所有。 --- https://www.mindspore.cn/activities/zh/2079/ --- 活动中心 直播预告 | 如何有灵感的创造性解决AI问题与搭建ConvNeXt V2模型实践分享 # 直播预告 | 如何有灵感的创造性解决AI问题与搭建ConvNeXt V2模型实践分享 2023/01/12 # 直播预告 | 如何有灵感的创造性解决AI问题与搭建ConvNeXt V2模型实践分享 **_1月12日（周四）19:_\*\*\*\*_30，_**多YOUNG新生MindCon专场，邀请了两位社区开发者分享社区实践经验。本次分享会将会与大家探讨如何基于MindSpore搭建ConvNeXt V2模型，以及面向开放式的AI问题，如何有灵感的创造性解决问题。 **议题：基于MindSpore的ConvNeXt V2算法案例实现** \*\*议题介绍：\*\*本次分享将会回顾ConvNeXt V1架构，并介绍ConvNeXt V2架构与理论实践，以及介绍如何基于MindSpore搭建ConvNeXt V2模型。 **议题：如何提升灵感出现的概率** \*\*议题介绍：\*\*成功 = 99%努力 + 1%灵感，这1%的灵感决定了你能够达到的层次和能做出的贡献的级别。都说灵感是转瞬即逝，可遇不可求的，但是我们还是能够找到一些方式能够更加的亲近灵感的。本分享将会和大家一起去探讨怎么去提升灵感出现的概率，并举例说明在自动化超参数优化过程中我是怎么创造出一种新的超参数优化算法的。 --- https://www.mindspore.cn/activities/zh/2080/ --- 活动中心 直播预告 | 科创·新青年Talk：昇思MindSpore支撑大模型创新与产业应用 # 直播预告 | 科创·新青年Talk：昇思MindSpore支撑大模型创新与产业应用 2023/01/12 # 直播预告 | 科创·新青年Talk：昇思MindSpore支撑大模型创新与产业应用 **科创·新青年Talk** 当前，我国将人工智能作为强化国家战略的科技力量，正在不断加速推进人工智能核心技术发展、抢占科技创新制高点。 AI框架作为人工智能的根技术，被认为是“人工智能基础设施的操作系统”，是联接数据、算法和算力等人工智能要素的关键枢纽。大模型是AI持续变革的核心动力，大模型能够持续发展的前提是必须打造强壮的AI根技术，在框架、算力等层面满足大模型的“建造”需求。 本期“科创·新青年Talk邀请\*\*华为昇腾大模型专家周胜凯，**以**《昇思MindSpore支撑大模型创新与产业应用》\*\*为题作报告，介绍全场景 AI 框架昇思MindSpore如何赋能大模型。 **关于科创·新青年Talk** 为探索和推动人工智能高地建设，面向世界科技前沿、面向经济主战场、面向国家重大需求，研究和探讨人工智能如何赋能美好生活、推动产业发展，上海人工智能研究院推出“科创·新青年 Talk”主题沙龙系列活动。 沙龙活动以国家高层次青年科创人才和国内顶级科创企业领袖为主要分享者，通过主题分享、圆桌对话等方式，交流他们在学术前沿和产业前沿的洞察和思考，并与参会嘉宾们共同探讨人工智能赋能下行业发展现状和未来前景，推动人工智能与产业融合创新发展。 **关于昇思MindSpore** 昇思MindSpore是华为开源的新一代全场景AI框架，支持端、边、云全场景灵活部署，开创全新的AI编程范式，降低AI开发门槛，旨在实现开发友好、运行高效、部署灵活三大目标，同时着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。同时，昇思在致力于大规模自动并行、科学计算支持等特性优化之外，还着力打造学习型社区环境，希望凝聚开发者力量共建社区，与开发者共同学习和成长。 --- https://www.mindspore.cn/activities/zh/2081/ --- 活动中心 迎新年·喜开源 | 来昇思与启智社区，收获你的开源压岁红包 # 迎新年·喜开源 | 来昇思与启智社区，收获你的开源压岁红包 2023/01/10 # 迎新年·喜开源 | 来昇思与启智社区，收获你的开源压岁红包 **昇思MindSpore**与Openl启智社区联合推出\*\*“我为开源打榜狂”\*\*活动，400个上榜名额，15万+奖金等你来！同时，社区针对普惠算力还将进行新春大放送（1月16日-1月29日）。欢迎昇思MindSpore产学研开发者参与，基于昇思MindSpore开发你自己的模型算法套件和应用。 听说，高校学子们都已经放假回家啦？好羡慕...才怪，网上流言四起，说娃儿们在家“被嫌弃”“遭王之蔑视”才是真实日常~ 作为“被嫌弃”的过来人，建议大家大可不必离家出走或者想着赶紧回学校，本宝宝来教大家一招**过年期间在家看起来很忙实际又很轻松还能赚压岁钱，母上大人见后还感到无比欣慰**的生存技能，自然是来参加OpenI启智社区新年的第一场活动——\*\*第5期“我为开源打榜狂”\*\*呀！ **1月9日至2月12日**，连续4周活动（春节前后1周合并），400个上榜名额，15万+奖金等你来！同时，社区针对**普惠算力还将进行新春大放送（1月16日-1月29日）**，在智算集群4卡NPU资源基础上，启智集群将为大家开放高达**8卡NPU**算力资源！！妥妥的是大家春节假期里的福星呀~ 还记得第四期活动的最高领奖者一鼓作气拿走9200元现金激励吗？！**羡慕他人不如自己挑战\*\*\*\*~** 第5期“我为开源打榜狂”活动玩法又添新了，想上榜的小伙伴们，一定要看仔细咯（点击文末“阅读原文”可查看活动专题页面）~ **第5期打榜活动介绍** **1** **活动时间** 2023年1月9日-2023年2月12日 第1榜：1月9日-1月15日 第2榜：1月16日-1月29日（跨年2周） 第3榜：1月30日-2月5日 第4榜：2月6日-2月12日 **2** **活动人群** OpenI启智社区注册且实名用户 注册地址：https://openi.pcl.ac.cn/user/sign\\\_up **3** **9项加分规则** 通过4轮周榜的形式，鼓励用户在OpenI启智社区AI协作平台进行满足以下9项加分活动的**公开性质**开发行为，平台将根据用户累计积分按照高低排名，公示前100名上榜名单。上榜用户将获得OpenI启智社区的奖励。 **01 平台活跃加分** **02 “趣开源”精选项目 加分无上限** 在启智AI协作平台按照模板贡献有趣的开源项目，要求代码完整可部署可运行，readme文件完整且为个人原创，上传之后可通过小白训练营提交Issue进行推荐，被平台采纳为精选项目后可加**40积分/项目**，加分无上限。 **03 专项任务 加分无上限** 在启智AI协作平台为**MSAdapter项目**或**MindSpore CV项目**执行相应任务，根据任务难易程度提交相应方案合并且被采纳后可获得**10-30积分/任务**，加分无上限。 **04 价值Issue 加分无上限** 对AI协作平台有任何需求，欢迎在小白训练营（OpenI\_Learning）项目中提交Issue（**体验优化、功能建议、BUG**）且被平台接纳，可获得**10分/条**，无上限（如果只是操作方面的提问将不会获得积分）。 **05 数据集需求 加分无上限** 为节约大家上传数据集的时间，平台将统一采集大家所需数据集，点击链接反馈你最常实际所需的数据集（**需20G以上**），平台采纳后可获**5分/条**（若为重复数据集，仅对最先反馈的第一条进行加分）。 **20G以下**的公开数据集，用户可自行上传，**上传后可将数据集页面地址通过小白训练营推荐给平台**，平台采纳后可加**10分/条**，加分无上限。 **06 邀请好友助力打榜 额外奖励** 通过分享带专属邀请码的链接（可在AI协作平台分享页面进行复制），**邀请好友注册OpenI且好友在该周内激活以及打榜积分不低于2分**，邀请者可获得**5分/人**，每周上限30积分。若好友在该周内无活跃则视为邀请失败。同一手机号码仅限加分一次，重复注册不加分。 邀请好友达到相应数量可获得对应的额外奖励，奖励详见每周活动奖品部分说明。 **07 分享经验 额外奖励** 在外部平台（微博/知乎/csdn/贴吧/论坛等）分享OpenI功能操作介绍、体验感受、活动心得、技术经验等300字以上内容，可将分享链接通过小白训练营提交PR（合并请求）或Issue的形式，平台进行后台审核，符合基本条件的达标内容，每个外部链接可加5分，被平台采纳合并的优质内容可加**20分/条**（多个链接的同一内容仅被平台采纳一次），每周分享加分上限为30积分。 分享达到相应篇数可获得对应的额外奖励，奖励详见每周活动奖品部分说明。 **08 关注OpenI加分** 关注OpenI启智社区**官方公众号（订阅号）、官网微博、CSDN、B站、视频号**，搜索“OpenI启智社区”成为粉丝均可以获得**5积分/渠道**，新老粉丝均可以截图发送至公众号后台（备注启智注册用户名）。取关后再关注将不再重复积分。 转发指定文章还可获额外积分，详情见开发者交流群内通知。 **09 高校旅长专属加分项** 自社区开展“象牙塔·启梦之旅”行动后，来自北京、上海、南京、长沙、合肥等地的多位高校优秀开发者申报了启梦旅长。 打榜活动自然也为高校旅长们设计了相应专属加分任务，搭建本校开源交流群并邀请相应小伙伴入群可获额外积分，每邀请1人可获1分，单周上限30积分。 **4** **每周活动奖品** 以下活动奖金均为税前金额。 **01 打榜奖金** 打榜之星（TOP1-3名）：1000元现金 打榜能手（TOP4-10名）：800元现金 打榜达人（TOP11-30名）：600元现金 打榜新秀（TOP31-50名）：400元现金 打榜小将（TOP51-100名）：200元现金 **02 邀请奖金** 邀请之星（100人及以上）：1000元现金 邀请能手（50人及以上）：500元现金 邀请达人（30人及以上）：300元现金 \* 邀请奖金均为额外叠加奖励，满足相应奖项所要求数量的用户可获得对应的奖金，不限激励名额。若单周邀请均不足30人，可按4周累计邀请人数统计，超过30人可奖励200元现金，单周已获过相应奖励的不再重复奖励。 **03 分享奖金** 分享之星（采纳8篇及以上） ：1000元现金 分享能手（采纳5篇及以上）：600元现金 分享达人（采纳2篇及以上）：200元现金 \* 分享奖金均为额外叠加奖励，满足相应奖项所要求积分的用户可获得对应的奖金，不限激励名额。 **5** **奖金发放流程** - 每周排行榜诞生后，社区将会给上榜者发送领奖信息邮件。 - 上榜者领奖信息最终反馈时间：2023年2月19日，逾期反馈者视为放弃领奖，请上榜者及时关注邮件并反馈信息（如发现未收到邮件，可先查询邮件是否被归到了垃圾邮箱或广告邮箱，也可通过OpenI启智社区公众号或邮箱 secretariat@openi.org.cn进行咨询 ）。 - 最终领奖名单公示期：2023年2月20日-2023年2月26日 - 奖金发放说明：公示期结束后，现金激励将由鹏城实验室统一发放至个人银行账户，机时激励将由平台发放至个人注册账号。 **6** **活动说明** - 本活动仅针对满足条件的公开活动进行积分统计，私有项目的活动不会被纳入统计范围。 - 通过邀请好友获得额外奖金的用户，需要保留邀请好友的相应凭证，领取奖金前需提供相应截图凭证。 - 本活动严禁投机取巧、挖矿、多个账号刷榜等不良行为，一经发现将取消用户活动积分，严重违规者将取消活动资格；对于上传低质量违规内容、同一项目/代码重复多次提交、提交无效任务/评论/数据集、以及搬运他人项目等行为将对其积分进行减半，同时鼓励大家共同监督和据实举报不良打榜行为（请提供举报人、举报对象、不良打榜行为凭证等相关举证信息发送至官方邮箱，经查验后属实可对举报人在本周活动期间加分30积分）。 - 霸榜用户不限上榜次数，可连续获得奖励。 - 启智平台相关成员将不占用上榜名额，与鹏城实验室有合同关系的员工、实习生等人员将无法领取现金奖励，现金将折算成等额的机时。 - 对于已上榜领奖人员，如发现有弄虚作假或者剽窃、侵盗他人的发现、发明或其它科学技术成果的，经查明属实，应撤消其激励，追回荣誉和激励资金，并按其情节轻重给予批评或处理。 - 获奖用户可关注昇思MindSpore或OpenI启智社区官方公众号，以免错失领奖事宜相关信息。 - 本活动奖金均为税前金额，实际到手奖金以税后为准。 - 本活动最终解释权归OpenI启智社区。 --- https://www.mindspore.cn/activities/zh/2086/ --- 活动中心 今日直播 | 基于预训练模型的NLP常见任务与外卖评论分类实践分享 # 今日直播 | 基于预训练模型的NLP常见任务与外卖评论分类实践分享 2023/01/10 # 今日直播 | 基于预训练模型的NLP常见任务与外卖评论分类实践分享 **_1月10日（今晚）19:30_**，多YOUNG新生MindCon专场，邀请了两位社区开发者分享社区实践经验。 - **议题：基于LSTM的外卖评论分类** - \*\*议题介绍：\*\*本议题会介绍如何使用昇思MindSpore进行外卖评论分类任务；并从使用角度看MindSpore开发体验，从贡献角度看MindSpore社区治理，两个角度进行分享。 - **议题：基于预训练语言模型的NLP常见任务以及在昇腾卡的模型迁移经历** - \*\*议题介绍：\*\*主要介绍近些年基于预训练语言模型，进行文本分类、命名实体识别、关系抽取、事件抽取等任务的一些实践，探讨工业界对一些算法的选取思路。同时介绍信创对于AI带来的一些要求和挑战。以及面对此国家战略层面的要求，所带领团队，在鲲鹏 + 银河麒麟v10 + atals 910/310卡上训练、部署的一些实践经验分享。 --- https://www.mindspore.cn/activities/zh/2087/ --- 活动中心 MindSpore论坛技术干货迁移活动第二弹 | 再接再厉 # MindSpore论坛技术干货迁移活动第二弹 | 再接再厉 2023/01/17 # MindSpore论坛技术干货迁移活动第二弹 | 再接再厉 ### **奖励规则** **转载不同数量的个人技术干货，领取不同的奖品！** **·转载数量：3~5篇** **·转载数量：6~10篇** **·转载数量：10篇以上** **可获得100元京东自营自选。** ## **活动时间** **2022年01月17日——2023年02月05日** ## **参与方式** **1、打开在**\*\*旧论坛中的账号，截图展示账号中‘我的论坛’的信息，并截图。\*\* **2、在新论坛中注册账号，请把新账号昵称和旧账号昵称设置成一致哦！** **3、将旧帐号中的‘技术干货’帖子转发在新论坛中。** **4、将截图和新发布的帖子链接以及个人邮箱回复在本活动帖下方即可。** ## **注意事项** **1、请勿盗用他人截图、内容等，一经发现无效参与。** **2、请勿在本帖下方刷帖，否则做无效处理。** **3、一个账号只可以参与一次。** **4、最终解释权归MindSpore团队所有。** --- https://www.mindspore.cn/activities/zh/2088/ --- 活动中心 MindSpore论坛报错活动第六期 # MindSpore论坛报错活动第六期 2023/01/30 # MindSpore论坛报错活动第六期 **新年第一弹：第六期报错活动来啦** ### **奖励规则** **1、每个任务难度等级不同，完成不同等级任务获得对应的奖励！** ·难度等级：易，奖品预览 ·难度等级：中，奖品预览 **2、若被选为优秀案例，奖品奖励将会在原来基础上升级！** ·原本’难度等级：易‘的可在’难度等级：中‘的奖品中选择； ·原本’难度等级：中‘的可获得150元京东自营自选。 ### **活动时间** **2023年01月30日——2023年02月12日** **活动方式** 1、已发布7个报错任务在论坛的“活动体验板块”，完成其中的一个或多个。 任务帖名称 任务帖链接 难度等级 MindSpore报错The graph generated form MindIR is not support to execute in the PynativeMode,please convert to the GraphMode https://www.hiascend.com/forum/thread-0239110431375576002-1-1.html 易 MindSpore报错RuntimeError: Illegal fusion name: Transpose. https://www.hiascend.com/forum/thread-0231110431605382001-1-1.html 易 MindSpore报错the two input 'input' and 'mask' with shape: \[const vector\]\[10\] and \[const vector\]\[8\] can not broadcast. https://www.hiascend.com/forum/thread-0231110431933372002-1-1.html 易 MindSpore报错TypeError:parse() missing 1 required positional argument: ‘self’ https://www.hiascend.com/forum/thread-0239110432172124003-1-1.html 易 MindSpore报错untimeError: Exceed function call depth limit 1000. https://www.hiascend.com/forum/thread-0231110432305142004-1-1.html 易 使用mindspore.ops.MaxPool3D算子设置为ceil\_mode=True时，在MindSpore1.8.1和1.9.0版本中计算结果不一致 https://www.hiascend.com/forum/thread-0240110432473526001-1-1.html 中 MindSpore报错RuntimeError: For ’Optimizer’, the argument group params must not be empty. https://www.hiascend.com/forum/thread-0239110432612572004-1-1.html 中 贴心的我们给大家提供了完成任务发帖示例：import报错：Load dynamic library libmindspore\_ascend failed，以及定位解决，欢迎参考哦！！！ 2、用户根据个人意愿选择报错任务，将内容填写完整后，发布在本论坛的\*\*“技术干货->功能调试”\*\*中。 3、将个人邮箱和第二步的干货链接，回复在对应的报错任务下方。 4、每个任务择优选取一位用户获奖。 ### **注意事项** 1. 请勿刷帖，刷帖一律删帖并做无效参与处理。 2. 必须保证原创，抄袭按无效参与处理。 3. 请勿盗取他人截图或内容，一经发现做无效参与处理。 4. 必须符合设定的格式，否则算作无效参与。 \*最终解释权归MindSpore团队所有。 --- https://www.mindspore.cn/activities/zh/2089/ --- 活动中心 直播预告 | Trusted AI SIG分享会——三位2022顶会论文一作直播分享，等你来讨论！ # 直播预告 | Trusted AI SIG分享会——三位2022顶会论文一作直播分享，等你来讨论！ 2023/01/16 # 直播预告 | Trusted AI SIG分享会——三位2022顶会论文一作直播分享，等你来讨论！ Trusted AI SIG (special interest groups)是依托于昇思MindSpore社区建立的AI安全可信技术SIG，旨在打造业界最安全可信的AI框架。SIG目前涉及的技术领域如下： 1、模型鲁棒性和可靠性：对抗样本、模型Fuzz、AI可解释、数据概念漂移检测、模型故障注入评估。 2、隐私保护：差分隐私训练、联邦学习、数据脱敏、隐私泄露评估。 3、模型部署安全：模型加密、模型混淆等技术。 欢迎点击链接查看官网SIG介绍： https://www.mindspore.cn/community/SIG/detail/?name=Trusted%20AI%20SIG _**技术分享会**_ 本次分享会我们很荣幸地邀请到了来自华为2012实验室、上海交通大学和浙江工业大学的3位SIG成员，他们将分享2022年在**AAAI、S&P、ICSE**等期刊/会议发表的论文，欢迎大家参与直播，和专家们面对面讨论！ 所有参与会议的同学将有机会获得\*\*昇思MindSpore精美纪念品，\*\*一起来参加吧！ --- https://www.mindspore.cn/activities/zh/2104/ --- 活动中心 昇思特别活动 | 喜迎元宵画汤圆，快来悟空画画创作汤圆图！ # 昇思特别活动 | 喜迎元宵画汤圆，快来悟空画画创作汤圆图！ 2023/02/04 # 昇思特别活动 | 喜迎元宵画汤圆，快来悟空画画创作汤圆图！ “不过十五，年不算完” 今年元宵怎么过？ 当然要“兔”个吉利啦! 闹元宵，月正圆， 吃汤圆，庆佳节！ 这个元宵，仪式感不能少， 让我们一起来昇思大模型平台， 基于悟空画画输入\*\*\*\*“元宵汤圆”\*\*\*\*创造一张专属汤圆图。 （本图片基于昇思MindSpore悟空画画大模型生成） ****悟空画画是悟空系列模型之一, 拥有优秀的中文文本-图像生成能力。模型能够识别各类场景描述与绘画风格，给用户带来良好的使用体验。**** 比如，当我们输入\*\*\*\*“萌萌哒 汤圆”\*\*\*\*，悟空画画大模型就能够画出娇小可爱的汤圆。 （本图片基于昇思MindSpore悟空画画大模型生成） 比如，当我们输入\*\*\*\*“芝麻汤圆”\*\*\*\*，悟空画画大模型能够画出瞪眼的汤圆。 （本图片基于昇思MindSpore悟空画画大模型生成） 再比如，输入\*\*\*\*“有趣好玩 汤圆”\*\*\*\*，可以看到画作中神态各异的小汤圆。 （本图片基于昇思MindSpore悟空画画大模型生成） 看了上面的图片，是不是也跃跃欲试创造属于自己汤圆图？别急，昇思大模型平台邀您参与“阖家共团圆”互动活动！ “阖家共团圆”活动让每个人都能在AI技术加持下完成一幅图文并茂的艺术作品。参与者只需选择汤圆的类型，悟空画画大模型就能快速理解并联想创意，运用知名艺术家的技法和画风，创作出符合主题的画作。 **互****动****1** **前往昇思大模型平台，使用悟空画画大模型画出你想要的汤圆类型，并将生成图片发送至朋友圈，带上标签 #昇思阖家共团圆 并截图发送至【昇思MindSpore】公众号后台**，前**30**名完成并私信的，将会获得昇思MindSpore定制魔方，快来参与吧！ 用AI妙笔生“汤圆” 扫码生成你的专属画作 **互****动****2** **将在悟空画画中生成的图片转发至朋友圈带上标签 #昇思阖家共团圆，获得88个点赞截图发送至【昇思MindSpore】公众号后台**，前**10**名完成并私信的，将会获得昇思MindSpore定制日历，快来参与吧！ 私信提交时间截至**2月7日上午12：00，参与者请留意后台私信回复，将在2月9日统一发送奖品**，每个活动每人仅限参加一次，获奖者凭获奖名单公布微信名称+手机号领取活动奖品。 除了上述可爱到爆炸的汤圆外， 悟空画画还生成了各式各样的汤圆 欢迎自取哦！ 活动最终解释权归昇思MindSpore开源社区所有。 --- https://www.mindspore.cn/activities/zh/2109/ --- 活动中心 新年新版本体验 | 没有常胜，只有常新 # 新年新版本体验 | 没有常胜，只有常新 2023/02/10 # 新年新版本体验 | 没有常胜，只有常新 # **特性总结** **1**\*\*、默认开发模式为动态图模式；\*\* **2**\*\*、官方教程、迁移指南全新升级，API文档全面支持中文；\*\* **3**\*\*、地图在手，查找无忧；\*\* **4**\*\*、持续完善与优化报错机制，降低用户问题解决门槛；\*\* **5**\*\*、调试器支持快速定位网络精度异常节点；\*\* **6**\*\*、Profiler支持GPU场景下PyNative；\*\* # **奖品预览** **获奖用户可在奖品图中任选其一** # **活动时间** **2****月****10****日****——2****月****28\*\*\*\*日** # **参与方式** **1**\*\*、使用昇思MindSpore2.0.0-alpha版本体验特性总结中的一个或多个特性，并记录体验过程；\*\* **2**\*\*、总结体验特性时的感受，提出相对意见或建议；\*\* **3**\*\*、将以上两部分内容输出为一篇不少于500字的帖子，发布在\*\*MindSpore论坛**的“活动体验”板块中。** **4**\*\*、将分享的帖子链接和个人的联系邮箱评论在本活动帖子下；\*\* **5**\*\*、活动结束后获奖名单将在论坛中发公告帖子公布。\*\* # **注意事项** **1**\*\*、必须是原创内容，请勿盗用他人文字或截图，否则做无效处理；\*\* **2**\*\*、一个账号只能参与一次，请勿重复刷帖；\*\* **3**\*\*、最终解释权归昇思MindSpore团队所有。\*\* --- https://www.mindspore.cn/activities/zh/216/ --- 活动中心 第二期 两日集训营 回顾总结 # 第二期 两日集训营 回顾总结 2020/06/01 # 第二期 两日集训营 回顾总结 如果错过了本次集训营，或者结束后意犹未尽，想再回顾一遍，我们都帮你把视频准备好啦！干货分享尽在这里 MindSpore二阶优化详解 QuickStart之LSTM讲解 MindSpore的WASM与Rust实验 基于eBPF的AI Kernel观测 轻松使用Volcano和Kubeflow进行分布式部署 非常欢迎大家下载并体验MindSpore，参与到MindSpore开源社区建设中来。 Gitee：https://gitee.com/mindspore/mindspore GitHub：https://github.com/mindspore-ai/mindspore 论坛：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/2169/ --- 活动中心 MindSpore论坛报错活动第七期 # MindSpore论坛报错活动第七期 2023/02/22 # MindSpore论坛报错活动第七期 ### **奖励规则** **1、每个任务难度等级不同，完成不同等级任务获得对应的奖励！** ·难度等级：易，奖品预览 ·难度等级：中，奖品预览 **2、若被选为优秀案例，奖品奖励将会在原来基础上升级！** ·原本’难度等级：易‘的可在’难度等级：中‘的奖品中选择； ·原本’难度等级：中‘的可获得150元京东自营自选。 ### **活动时间** **2023年02月21日——2023年03月05日** **活动方式** 1\. 已发布5个报错任务在论坛的“活动体验板块”，完成其中的一个或多个。 任务帖名称 任务帖链接 难度等级 MindSpore图编译报错TypeError: ‘int’ object is not iterable. https://www.hiascend.com/forum/thread-0228112342591102006-1-1.html 易 MindSpore报错RuntimeError: The 'getitem' operation does not support the type \[Func, Int64\]. https://www.hiascend.com/forum/thread-0210112342822000007-1-1.html 易 MindSpore cpu版本源码编译失败 https://www.hiascend.com/forum/thread-0227112343023940008-1-1.html 易 MindSpore报错：construct（） missing 1 required positional argument:'lable' https://www.hiascend.com/forum/thread-0227112343289280009-1-1.html 易 MindSpore网络推理时使用Matmul矩阵乘法算子计算速度较慢 https://www.hiascend.com/forum/thread-0228112343415336007-1-1.html 中 贴心的我们给大家提供了完成任务发帖示例：import报错：Load dynamic library libmindspore\_ascend failed，以及定位解决，欢迎参考哦！！！ 2\. 用户根据个人意愿选择报错任务，将内容填写完整后，发布在本论坛的\*\*“技术干货->功能调试”\*\*中。 3\. 将个人邮箱和第二步的干货链接，回复在对应的报错任务下方。 4\. 每个任务择优选取一位用户获奖。 ### **注意事项** 1\. 请勿刷帖，刷帖一律删帖并做无效参与处理。 2\. 必须保证原创，抄袭按无效参与处理。 3\. 请勿盗取他人截图或内容，一经发现做无效参与处理。 4\. 必须符合设定的格式，否则算作无效参与。 \*最终解释权归MindSpore团队所有。 --- https://www.mindspore.cn/activities/zh/2174/ --- 活动中心 活动预告 | 昇思MindSpore亮相GAIDC，大会亮点抢先看，期待25-26号与您上海相见！ # 活动预告 | 昇思MindSpore亮相GAIDC，大会亮点抢先看，期待25-26号与您上海相见！ 2023/02/22 # 活动预告 | 昇思MindSpore亮相GAIDC，大会亮点抢先看，期待25-26号与您上海相见！ \*\*2023全球人工智能开发者先锋大会（GAIDC）\*\*将于2023年2月25日-26日在上海临港中心举办。 昇思MindSpore将亮相本次大会，您可以在AI框架技术与开源生态论坛、AI for Science论坛、AI数据与开源论坛，以及互动体验区中看到我们的身影！ 届时，来自全球的人工智能领域顶尖科学家、行业专家及著名企业家将齐聚一堂，分享全球人工智能行业新趋势、新动向，探索人工智能发展新模式新路径。 **论坛：AI框架技术与开源生态论坛** 时间：2023年2月26日13：30~17：00 **论坛：AI for Science论坛** 时间：2023年2月26日09：00~12：00 **论坛：AI数据与开源论坛** 时间：2023年2月26日09：00~12：00 **互动体验区：悟空画画大模型** 时间：2023年2月25日~26日 扫码进群了解更多 **AI框架技术与开源生态论坛预告** **汇聚智慧星火，构建AI新生态** AI 框架作为人工智能的根技术，被认为是 “人工智能基础设施的操作系统”，是联接数据、算法和算力等人工智能要素的关键枢纽。 当前，全球主流AI框架和模型的技术演进及创新进展如何？如何提升算法模型的准确率和效率？如何将AI框架和模型应用于实际场景中，实现产业创新？ **AI for Science论坛预告** **人工智能如何助力科学计算与发现？打造科学新高地！** 深度学习与科学模型的有机结合，给传统的科学领域带来了新的发展机遇，也正在推动科研范式的创新。 AI for Science在生物计算、材料计算、工业仿真等领域有着怎样的具体问题和突破？如何更高效地用AI助力科学研究？需要什么样的基础设施，又将怎样与产业落地结合？ **AI数据与开源论坛预告** **数据智能，无限未来！** 随着人工智能技术的快速发展，数据和算力资源的日益丰富，真实应用场景的不断涌现，AI 产业级应用已经进入大数据、大模型时代，AI 技术需要通过海量精准的大数据和丰富明确的应用场景产生价值。 本论坛将重点关注 AI 技术在海量数据处理、分析等方面的应用，以及数据安全、数据隐私、AI 可信等涉及到隐私和合规方面的问题。 ****互动体验区**** **悟空画画大模型亮相！** 悟空画画由华为诺亚团队携手昇思MindSpore团队、昇腾计算产品部联合开发，使用昇思框架(MindSpore)+昇腾(Ascend)软硬件解决方案实现，并上线昇思大模型平台。 **●关于悟空画画** 悟空画画是基于扩散模型的中文文生图大模型，模型基于昇思MindSpore训练的中文以文生图大模型，借助目前最大的中文开源多模态数据集悟空数据集进行训练。该模型拥有优秀的中文文本-图像生成能力，能够识别各类场景描述与绘画风格，给用户带来良好的使用体验。 悟空画画文图生成模型基于Diffusion结构进行开发，使用中文亿级文图数据进行训练，借助悟空中文视觉-语言预训练模型的判别能力实现更好的中文图文匹配度，能够理解各类常见物体与场景描述，并能自适应多种绘画风格。 （以上图片均由悟空画画生成） 2023年2月25日~26日，悟空画画将亮相2023全球人工智能开发者先锋大会（GAIDC）互动体验区，欢迎各位开发者现场体验中文文图生成模型-悟空画画模型创作的多样风格图片。 （上海临港中心大会二层中心-昇思互动体验区） **●关于昇思大模型平台** 为了让更多开发者可以体验到大模型的魅力，昇思MindSpore社区打造了一站式大模型平台（https://xihe.mindspore.cn/）。 昇思大模型平台集模型选型、在线推理、在线训练为一体，支持Gradio项目可视化推理、在线进行迁移学习。开发者可以在线查询基于昇思MindSpore构建的模型和数据集，并选择自己感兴趣的大模型及相关任务，如鹏城.盘古大模型的知识问答、检索和推理等、紫东.太初多模态大模型的以音搜图、以图生音和以音生图等。 ****—— 2023全球人工智能开发者先锋大会 ——**** 由世界人工智能大会组委会、上海市人才工作领导小组办公室、上海市经济和信息化委员会、中国（上海）自由贸易试验区临港新片区管理委员会共同指导，上海市人工智能行业协会和上海临港经济发展（集团）有限公司共同主办的2023全球人工智能开发者先锋大会（GAIDC）将于**2023年2月25日—26日**在上海举行。 GAIDC始于WAIC上海人工智能开发者大会，历经三年发展沉淀，全面迭代升级。本届大会主题为\*\*“向光而行的AI开发者”\*\*，以AI开发者为核心，为AI开发者带来产业之光、科技之光、未来之光。 扫码进群了解更多 --- https://www.mindspore.cn/activities/zh/2180/ --- 活动中心 央视《正点财经》报道，昇思助力内容生产力革命的进步 # 央视《正点财经》报道，昇思助力内容生产力革命的进步 2023/02/28 # 央视《正点财经》报道，昇思助力内容生产力革命的进步 2023全球人工智能开发者先锋大会（GAIDC）于2023年2月25日—26日在上海成功举行。**基于昇思****MindSpore****的****中文文图生成模型-悟空画画大模型亮相****本次大会**\*\*，\*\*现场数千名开发者参与体验，创作出多样风格场景的图片。 **并受到了央视****CCTV-2****财经频道《正点财经》关于《人工智能生成内容应用丰富，大模型时代到来》专题报道。** 悟空画画大模型由华为诺亚团队携手昇思MindSpore团队、昇腾计算产品部联合开发，使用昇思框架(MindSpore)+昇腾(Ascend)软硬件解决方案实现。模型\*\*基于昇思MindSpore训练的中文以文生图大模型，借助目前最大的中文开源多模态数据集悟空数据集进行训练。\*\*该模型拥有优秀的中文文本-图像生成能力，能够识别各类场景描述与绘画风格，给用户带来良好的使用体验。 \*\*本次展示，依托昇思团队打造的一站式大模型平台——昇思大模型平台，开发者只需在平台中输出入自己的创想文字，并选择期望的画作风格，即可快速获取生成的创意画作。\*\*目前，悟空画画大模型已经可以支持动漫、国风、涂鸦、水彩、赛博朋克等十余种不同风格高清画作的生成。 悟空画画通过其超强的创意作画能力，吸引了一众嘉宾前往体验，输入“秋水共长天一色”、“西湖 美景”等关键词，生成了具有多样式风采的艺术作品。 AIGC可以给画家、艺术家等创作灵感，辅助进行艺术创新。为艺术家们省去不少繁琐又重复的程序，可以在真正的创意创作上，投入更多时间和精力。在未来，AI技术与艺术的融合将愈发深入，昇思MindSpore将持续深耕，助力内容生产力革命的进步，让AI技术的应用可以让人们更为真切的感受到艺术的万千风华。 --- https://www.mindspore.cn/activities/zh/2188/ --- 活动中心 国际妇女节|致敬所有科技女性，做不被定义的自己 # 国际妇女节|致敬所有科技女性，做不被定义的自己 2023/03/08 # 国际妇女节|致敬所有科技女性，做不被定义的自己 “我心目中的女性主义，是追求自由的思想，只要自由自在的活着，怎么样都可以。” ——上野千鹤子 在人工智能时代，越来越多的她力量被人们看见，她们是成就不凡的AI大咖，也是默默工作的你我她 ，她们凭借着自己无限的创意、严谨细致的作风、开放包容的合作精神在人工智能领域发挥着举足轻重的角色。多年来每一位独立的女性汇聚的“她”力量赋能行业应用落地，推动AI各行业领域的创新发展。 其实不只是科技产业，在各行各业中都能见到女性的身影，她们可以是自信的，可以是坚强的，可以是温柔的，也可以有100种样子，可以做任何事，她们在不同领域中展现独一无二的魅力！正如开源之夏的倪晓慧就践行着正视自我，做不被定义的自己。 **不被定义，持续提升自我** “要保持一颗谦逊的心，不能因为轻视任何一个可以提升自我的机会”，来自北京邮电大学的倪晓慧在参加开源之夏2022的有感而发。 巾帼不让须眉,红颜更胜儿郎,身为一名女性开发者,在男性主导的量子计算领域,无论是耐力还是脑力，倪晓慧都在经受着考验和困难可想而知。在她看来，不论女性还是男性都是平等的，都值得尊敬的技术从业者，在这个行业内是以技术论英雄，而不是性别主导。既然理想和热爱摆在那里，就可以去追逐。 对变分求解微分方程这个课题感兴趣的她，在社区参与了【基于昇思 MindSpore Quantum, 实现微分方程求解】的任务。这一任务困难点在于理解“一维薛定谔非微分方程”中各个变量含义以及各变量之间的关系、如何确定代价函数等等，虽然是看似细枝末节的内容，却也是最令她头大的内容，在这之前她并没有详细地了解过这方面的内容，面对密密麻麻的公式不禁望而生畏，自己推导不出就很失望，失望积攒多了，就想躺平，工作效率也就很低下。 起初的自信满满，胜券在握，实际经历后才懂得学术路漫漫，道阻且长。这次任务给倪晓慧最大的收获，就是做学术绝对不是闭门造车，学会沟通、学会表达，合理利用身边的资源可以帮助我们更快地进步。 在昇思MindSpore社区中，倪晓慧认识了很多社区的大牛，耐心的为她答疑解惑。同时也让自己有机会接受到来自更多人的建议，对自己的科研也会有更大的帮助，而不是坐井观天，只局限在自己的一隅天地内安居自乐。开发是一份很酷炫的工作，不仅仅是因为它所能创造的价值，更多的是它所具有的挑战性，要想在这个行业内长期走下去，就要不断地学习，对于行业的发展趋势具有一个前瞻性的认知，及时调整更新自己的知识体系，除此之外，更重要的是，要有一份好的心态，一个好的身体，以及不要轻易被标签所定。开源的环境也让她收获到对于知识体系一个完整的总结回顾，对知识也会有一个更加深入的理解。倪晓慧认为，这是跳出自己舒适圈的一种方式，也会是很有趣、难忘的经历。 作为一个走过很多弯路的学姐，倪晓慧也给众多刚踏入科研的女性同伴一些建议，科研不单单局限在理论研究，也需要一些实验辅助，为你的成果锦上添花，因此编程能力是科研人必须具备的，不管你是小白也好，大牛也罢，你总需要不断地跳出自己的舒适圈，突破自我，提升自我，不要因为害怕而拒绝向前迈步，有行动就会有收获！ 今天，我们用实力说话 欢迎你在Gitee评论区分享你 关于\*\*#不被定义#\*\*的故事 截止到**3月9日晚24点** **gitee评论区点赞量（至少10个）排名前3的**小伙伴 可以获得**价值300元的华为体脂称** 最后再大声说一句 女神节快乐 愿所有的菇凉都能在慢慢的人生路上 遇见不被定义的自己 --- https://www.mindspore.cn/activities/zh/219/ --- 活动中心 解释技术名词 赢取实物奖励 # 解释技术名词 赢取实物奖励 2020/06/16 # 解释技术名词 赢取实物奖励 活动详情链接：https://bbs.huaweicloud.com/forum/thread-60496-1-1.html MindSpore论坛：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/2197/ --- 活动中心 一封通往艺术殿堂的邀请函，万元奖金邀您参与AI艺术创作 # 一封通往艺术殿堂的邀请函，万元奖金邀您参与AI艺术创作 2023/03/15 # 一封通往艺术殿堂的邀请函，万元奖金邀您参与AI艺术创作 当AI邂逅绘画艺术，能迸发出怎样的火花？ 当星河欲坠时，是这样的 当极地遇上极光，是这样的 AI艺术为人类打开了数字化的虚拟世界大门，同时，带来了新的艺术构想，展现了新的时代风貌。\*\*昇思MindSpore开源社区联合启智社区，开启象牙之塔——AI画家大赛，\*\*让我们用科技+艺术跨界出新花样，打造AI的艺术盛宴。 ****01 比赛详情**** **本次大赛中，参赛团队需在规定时间内**须使用昇思MindSpore AI框架进行Diffusion相关模型的设计、训练和推理，不得使用任何其他框架参赛。\*\*\*\* ****01** ****对于预训练模型，本次赛事只允许**：**** **（1）使用昇思MindSpore官方开源的预训练模型，这里要求获取预训练模型的方法可复现。** **（2）使用的模型必须为扩散模型diffusion model相关系列模型（对选取模型有疑问可联系举办方）。** ****02** **算力要求**** **本次大赛指定使用昇腾，由OpenI启智社区提供普惠昇腾NPU算力支持，报名成功后，前往启智AI协作平台（https://openi.pcl.ac.cn/）在线训练即可。** ****03** **开源要求**** **本次大赛的最终模型与代码，需在昇思大模型平台和启智社区都开源，具体要求参考比赛详情。** ****04** **参赛流程**** ****昇思大模型平台报名→昇思大模型平台创建团队、关联项目→启智平台在线训练→最终结果在昇思大模型平台和启智平台都开源。**** ****02 比赛赛程**** **本次大赛共计3个月，采用初赛、决赛、公开评选“三级赛制”，具体赛程安排如下：** - **2023/3/15-2023/4/26，大赛初赛阶段；** - **2023/4/27-2023/5/15，大赛复赛阶段；** - **2023/5/16-2023/5/26，对作品代码、反作弊情况审核，复现成绩；** - **2023/6，决赛、公开评选阶段：** \*\*复赛队伍将进入答辩环节，通过答辩的参赛队伍生成的艺术作品将进行公开评选（发布于昇思MindSpore公众号，由大众投票评选） \*\* ****03 分数评定**** **决赛答辩占30%，艺术画作评选占70%（其中评委8名占50%，公众号拉票占50%）** ****04 奖项设置**** **当AI遇见艺术会闪烁怎样的花火** **赶紧参赛吧** **用你的技术+艺术** **跨界玩出新花样** **\*备注：** **大赛最终解释权归昇思MindSpore开源社区所有。** **昇思大模型平台报名链接：报名** ****MindSpore官方资料**** ****官方QQ群** : 871543426** ****官网**：https://www.mindspore.cn/** ****Gitee** : https://gitee.com/mindspore/mindspore** ****GitHub** : https://github.com/mindspore-ai/mindspore** ****论坛**：https://www.hiascend.com/forum/forum-0106101385921175002-1.html** ****Openl启智社区**：https://openi.org.cn** --- https://www.mindspore.cn/activities/zh/2198/ --- 活动中心 获奖名单 | 第二届·量子精选论文复现挑战赛获奖名单正式公布 # 获奖名单 | 第二届·量子精选论文复现挑战赛获奖名单正式公布 2023/03/16 # 获奖名单 | 第二届·量子精选论文复现挑战赛获奖名单正式公布 **第二届·量子精选论文复现挑战赛** **2023年3月，由HiQ量子计算、昇思MindSpore社区、ModelArts联合举办的 ”第二届·量子精选论文复现挑战赛”圆满收官！**本届大赛吸引了来自浙江大学、复旦大学、同济大学、中国海洋大学等**80+所院校**，共**300+开发者**参与。 大赛旨在通过驱动开发者研读优秀论文并实现论文结果，帮助开发者更深入了解并使用新一代通用量子计算框架昇思MindSpore Quantum进行学术研究。同时，大赛打造了一个让开发者可以自由进行技术研讨和案例分享的交流平台，这里有专业技术指导、有创新思路引导、还有学者间的互相勉励！ 围绕着论文复现结果完整性、代码架构规范性以及创新性，大赛组委会评选出多篇高质量的优秀作品，**16位**优秀选手脱颖而出，其中不乏以一己之力成功复现多篇论文的选手。有多位选手更是不满足于现状，将复现代码整理成教程，成为昇思MindSpore Quantum教程，我们将在后续为大家一一呈现。本次大赛成功复现**20篇论文**，恭喜**16位选手获得【论文复现成功奖】**，在此还要恭喜6位选手获得\*\*【论文题目贡献奖】。\*\* 论文复现代码仓：https://gitee.com/mindspore/mindquantum/tree/research/paper\\\_recurrence/2023 大赛的旅程不止如此，我们邀请了多名优秀的开发者参与【量子计算组会一起开——昇思MindSpore Quantum专题系列】直播分享，给线上的小伙伴带来了满满的干货，他们独特的经验和优秀的复现成果不仅让各位开发者学习到更多的技巧，还增加了大家用好MindSpore Quantum的信心。我们也希望以后有越来越多的优秀开发者主动报名分享自己的经验成果，和大家一起交流提升！ 量子计算组会一起开往期回顾： https://hiq.huaweicloud.com/consult/sharing 一份耕耘，一份收获，接下来让我们一起为他们喝彩吧！ 恭喜以上获奖选手，同时也感谢所有开发者积极参与，HiQ量子计算期待与大家共赴下一次社区活动！ 昇思MindSpore Quantum学术奖励基金申请指南来啦！ 《中国物理学会-昇思MindSpore Quantum学术奖励基金》是由中国物理学会和华为技术有限公司共同发起，本基金将面向高校/科研院所在职的全职教师或研究人员（包括博士后）和在读研究生（硕士生或者博士生），项目申请截止时间：2023年4月10日，项目入选即提供2.5万元的资金资助，最高可得7.5万元奖励基金。名额有限，感兴趣的师生尽快扫码报名！ **期待您成为新时代的开源社区贡献者，加入昇思MindSpore Quantum的开发者行列，共同携手推进量子计算的发展！** **MindSpore官方资料** **官方QQ群** : 871543426 **官网**：https://www.mindspore.cn/ **Gitee** : https://gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://www.hiascend.com/forum/forum-0106101385921175002-1.html **Openl启智社区**：https://openi.org.cn --- https://www.mindspore.cn/activities/zh/2199/ --- 活动中心 MindSpore论坛报错活动第八期 # MindSpore论坛报错活动第八期 2023/03/21 # MindSpore论坛报错活动第八期 ### **奖励规则** **1、每个任务难度等级不同，完成不同等级任务获得对应的奖励！** ·难度等级：易，奖品预览 ·难度等级：中，奖品预览 **2、若被选为优秀案例，奖品奖励将会在原来基础上升级！** ·原本’难度等级：易‘的可在’难度等级：中‘的奖品中选择； ·原本’难度等级：中‘的可获得150元京东自营自选。 ### **活动时间** **2023年03月21日——2023年04月02日** **活动方式** 1\. 已发布5个报错任务在论坛的“活动体验板块”，完成其中的一个或多个。 任务帖名称 任务帖链接 难度等级 MindSpore中的mindspore.numpy.rand和mindspore.set\_seed同时使用会报错 https://www.hiascend.com/forum/thread-0251114692908001012-1-1.html 易 MindSpore直接将Tensor从布尔值转换为浮点数导致错误Error: IndexError: index 1 is out of bounds for dimension with size 1 https://www.hiascend.com/forum/thread-0203114693371442012-1-1.html 易 MindSpore中的mindspore.numpy.bincount 大数值情况下报ValueError https://www.hiascend.com/forum/thread-0251114693584379013-1-1.html 易 MindSpore的Cell.insert\_child\_to\_cell 添加层会出现参数名重复 https://www.hiascend.com/forum/thread-0251114692610578011-1-1.html 中 MindSpoer中的mindspore.numpy.unique() not support 0 shape tensor https://www.hiascend.com/forum/thread-0203114693143934011-1-1.html 中 贴心的我们给大家提供了完成任务发帖示例：import报错：Load dynamic library libmindspore\_ascend failed，以及定位解决，欢迎参考哦！！！ 2\. 用户根据个人意愿选择报错任务，将内容填写完整后，发布在本论坛的\*\*“技术干货->功能调试”\*\*中。 3\. 将个人邮箱和第二步的干货链接，回复在对应的报错任务下方。 4\. 每个任务择优选取一位用户获奖。 ### **注意事项** 1\. 请勿刷帖，刷帖一律删帖并做无效参与处理。 2\. 必须保证原创，抄袭按无效参与处理。 3\. 请勿盗取他人截图或内容，一经发现做无效参与处理。 4\. 必须符合设定的格式，否则算作无效参与。 \*最终解释权归MindSpore团队所有。 --- https://www.mindspore.cn/activities/zh/2201/ --- 活动中心 昇思MindSpore Quantum学术奖励基金申请指南 # 昇思MindSpore Quantum学术奖励基金申请指南 2023/03/17 # 昇思MindSpore Quantum学术奖励基金申请指南 1**简介** 《中国物理学会-华为MindSpore Quantum学术奖励基金》是由中国物理学会和华为技术有限公司共同发起，面向高校及科研院所从事量子信息技术领域研究的科研人员搭建的学术交流平台，提供资助金支持。本基金致力于推动开源量子软件在量子信息领域的广泛应用，激励学术群体开展量子计算的相关研究，鼓励成果共享，促进量子计算软件的普及使用，为未来量子计算产业储备人才。 2 **资助和奖励计划** 资助计划：支持项目开展，为入选项目提供资助，资助金额为2.5万人民币（税前），由入选项目的申请人自由支配，当期计划支持项目数量不超过24个。 奖励计划：在项目结题后，经过技术管理委员会组织评选，根据项目成果的创新性、论文发表期刊影响力等因素，择优进行优秀成果奖励，奖励分三类： **类别** **奖励金额（单位：人民币）** **奖励数量** A+类 5万 ≤3个 A类 3万 ≤5个 B类 1万 ≤10个 3 **申报题目** 基金支持研究人员围绕昇思MindSpore Quantum开源软件在量子信息科学前沿领域研究的应用，方向包括但不限于量子模拟、量子机器学习、量子优化算法等。上述建议方向说明如下： **建议方向** **说明** 量子模拟 利用量子计算机解决量子化学模拟、量子多体模拟等问题。 量子机器学习 利用量子-经典混合算法解决机器学习等问题。 量子优化算法 利用量子算法来解决物流、交通等组合优化问题。 其他 其他量子计算及量子信息相关领域的创新研究。 4 **资助项目申报流程** **4.1 项目周期说明** 1、项目申请开始时间：2023年3月8日 2、项目申请截止时间：2023年4月10日 3、资助项目发布时间：2023年4月25日 4、项目合同签署时间：2023年4月30日 5、项目完成截止时间：2024年5月30日 **4.2 申请条件** 本基金将面向高校/科研院所在职的全职教师或研究人员（包括博士后）和在读研究生（硕士生或者博士生）。 **4.3 申请方式** 申请者填写《项目申请书》，上传至指定邮箱：cps\_member@iphy.ac.cn，每位申请人限提交一份申请。 **4.4 资助项目评审** 该项目依托中国物理学会运作，由技术管理委员会负责监督计划的实施和项目的评审。经过委员会确认授予资助的研究项目需签署合同生效。 联系人：艾老师，电话15321695380 5 **交付成果及知识产权** 本基金赞助的交付成果和受资助者学术论文的知识产权的权利归属申请方所有，具体细节以中国物理学会与申请方签署的项目合同为准。研究论文须发表在SCI收录的相关期刊。 受资助项目成果涉及的代码产出需要公开至昇思MindSpore开源社区（遵循Apache License 2.0协议）。 本指南具体解释权归本基金技术管理委员会。 --- https://www.mindspore.cn/activities/zh/2205/ --- 活动中心 MSG·暴走校园 | 中山大学站来喽，AI科普进高校，妙趣横生讲AI # MSG·暴走校园 | 中山大学站来喽，AI科普进高校，妙趣横生讲AI 2023/03/22 # MSG·暴走校园 | 中山大学站来喽，AI科普进高校，妙趣横生讲AI **\# AI进校园** 最近人工智能圈可谓是十分火热，人们既为高速发展的科技感到欣喜，又不免感到一丝丝恐慌——人工智能究竟能发展到什么程度？人类的工作会被取代吗？人工智能产生了人类情感会怎么样？创造这一切背后的原理和工具又是什么呢？ # **_3月25日_\*\*\*\*_昇思MindSpore_** 将走进**中山大学**，带领同学们一起探寻人工智能行业最新发展趋势，玩转AI前沿技术研究，全面了解人工智能框架的重要性以及全场景AI框架昇思MindSpore在各行各业中的实际应用，感受课堂以外的AI体验和乐趣，激发大家新思考、新创新！ **活动时间：** 2023年3月25日（周六）14：00-16：30 **活动地点：** 中山大学（**校内专场活动**） --- https://www.mindspore.cn/activities/zh/2208/ --- 活动中心 昇思MindSpore开发者群英会之发技术干货，领取奖励 # 昇思MindSpore开发者群英会之发技术干货，领取奖励 2023/03/30 # 昇思MindSpore开发者群英会之发技术干货，领取奖励 # **1 活动时间** **活动时间：2023.04.01——2023.12.31** 本活动每月发放一期，每期活动时间为：每月初——月末（例如04.01——04.30） # **2 参与方式** 1、完成昇思MindSpore开发者群英会中的任务； 2、总结完成任务时的思路步骤和技术经验等内容，将任务链接和总结的干货内容发布为一篇技术干货帖子，发帖流程请参考下方的发帖指南； 3、将技术干货帖子的链接评论在本帖子下方； # **3 奖励方式** **会根据用户的评论时间对每期活动的参与帖子进行审核，审核结束后会在每个参与活动的链接下通知是否获奖，并通过论坛私信联系，请关注私信消息哦！** **获奖用户可获得100元京东自营自选** # **4 发帖指南** 1、打开昇思MindSpore论坛，如果没有账号的用户请先注册，已有账号的用户请直接登录; 2、登录上个人账号后，请点击“我要发帖子”； 3、进入帖子编辑页面，首先请点击分类框并选择为“技术干货”以及对应的二级分类，然后再编辑标题和帖子详情内容，完成编辑后点击“发布帖子”即可； # **5 注意事项** 1、必须是原创内容，请勿盗用他人文字或截图，否则做无效处理； 2、一篇技术干货帖子只能参与一次，请勿用同一篇帖子重复参加； 3、最终解释权归昇思MindSpore团队所有。 --- https://www.mindspore.cn/activities/zh/2209/ --- 活动中心 MSG·暴走校园 | 南京大学站来喽，带你探索真实与虚拟结合的AI世界！ # MSG·暴走校园 | 南京大学站来喽，带你探索真实与虚拟结合的AI世界！ 2023/03/24 # MSG·暴走校园 | 南京大学站来喽，带你探索真实与虚拟结合的AI世界！ **AI进校园** 自2022年4月以来，“MSG·暴走校园”活动已走进超40所高校，活动始终致力于帮助指引校园开发者学习方向、提升技术水平，在这里你可以**体验趣味AI实操课程、与华为专家老师实时互动交流、加入高校AI社群与志同道合的伙伴一起“肝”项目、参加最新AI比赛掌握阶段性学习成果**。 无论是新手小白还是已有成果的炼丹侠，“MSG·暴走校园”都是你的最优质选择，**_3月29日_**，**昇思MindSpore开源社区**将携手**南京大学人工智能学院**开启新一期的“MSG·暴走校园”活动，本次活动不仅可以让高校开发者感受科技魅力，还有更多限量版官方定制礼品等着你！ **活动时间：** 2023年3月29日（周三）14：00-16：00 **活动地点：** 南京大学仙林校区仙Ι-106教室（**校内专场活动**） --- https://www.mindspore.cn/activities/zh/2210/ --- 活动中心 @所有人，一封昇思三周年生日会邀请函 # @所有人，一封昇思三周年生日会邀请函 2023/03/24 # @所有人，一封昇思三周年生日会邀请函 欢迎参加昇思MindSpore三周年活动~~ --- https://www.mindspore.cn/activities/zh/2212/ --- 活动中心 直播预告 | AI画家大赛获奖指南请查收！ # 直播预告 | AI画家大赛获奖指南请查收！ 2023/03/28 # 直播预告 | AI画家大赛获奖指南请查收！ 象牙之塔——AI画家大赛，是昇思MindSpore开源社区联合启智社区开启的AIGC领域大赛。大赛面向全球AI开发者，赛题与扩散模型（Diffusion Models）紧密结合。大赛旨在为开发者提供一个学习昇思MindSpore和Diffusion Models的机会。 图像生成领域最常见生成模型有GAN和VAE，2020年，DDPM（Denoising Diffusion Probabilistic Models）被提出，被称为扩散模型（Diffusion Models），同样可用于图像生成。近年扩散模型大热，OpenAI、Google Brain等相继基于扩散模型提出的以文生图，图像生成视频生成等模型。 扫码了解更多比赛详情 **赛题直播培训** 为了给参赛选手‘充电’，帮助选手更好地参加比赛并取得优异的成绩，同时让更多小伙伴对昇思MindSpore的设计和开发流程、在启智平台推理训练有更好的了解，掌握昇思MindSpore学习方法和学习渠道，3月28日（本周二）昇思社区邀请昇思MindSpore工程师钟源珂、启智社区OpenI高校旅长张凯旋，在B站【MindSpore官方】开设线上直播培训课程。 --- https://www.mindspore.cn/activities/zh/2219/ --- 活动中心 比赛报名 | 昇思AI学习赛，带你体验不一样的AI学习之旅 # 比赛报名 | 昇思AI学习赛，带你体验不一样的AI学习之旅 2023/04/03 # 比赛报名 | 昇思AI学习赛，带你体验不一样的AI学习之旅 想了解学习人工智能，但无从下手？担心自己能力不够，耽搁了学习或工作？缺乏项目经验，无法上手实操项目？昇思AI学习赛面向零基础小白，带你快速熟悉昇思MindSpore，培养文本与图像分类能力，积累实际项目经验！ **昇思AI学习赛** 昇思AI学习赛于2023年3月正式开启，面向全球AI开发者，赛题与深度学习紧密结合，包含CV、NLP两大赛道，多重好礼等你来拿。本赛题旨在让参赛者熟悉MindSpore并锻炼参赛者使用MindSpore进行CV、NLP领域的分类任务的能力。 **两大赛道** **_01_** **图书评论分类** 文本分类研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法，在AI领域承担了重要角色。本赛题旨在让参赛者熟悉MindSpore并锻炼参赛者使用MindSpore进行NLP的文本处理、文本分类的能力。本赛题采用good reads数据集，参赛者需要根据用户评论文本，对用户的评分进行预测。（1-5分的整数） 扫码参与图书评论分类赛道报名 **_02_** **昆虫图像分类** 图像分类是计算机视觉中最基础的任务，目前图像分类的算法仍然在飞速发展。本赛题旨在让参赛者熟悉MindSpore并锻炼参赛者使用MindSpore进行图像分类预处理、图像分类的能力。本赛题采用蜜蜂和黄蜂图像数据集。 扫码参与昆虫图像分类赛道报名 **项目设置和激励** ● 一等奖1名，荣耀手表2（价值￥800）1个 **●** 二等奖2名，漫步者蓝牙音响（价值￥699）1个 ● 三等奖3名，华为智能体脂秤（价值￥129）1个 ● 排名7-10名，昇思MindSpore周边小礼品 **参与指南** 报名通道已经开启，点击下方【阅读原文】进入比赛官网，选择赛道即可注册报名。（可同时多个赛道报名） （1）扫码加入比赛交流群 （2）点击“阅读原文”即可快速前往报名 --- https://www.mindspore.cn/activities/zh/222/ --- 活动中心 选出最想了解的设计文档，由你们决定上线官网顺序！ # 选出最想了解的设计文档，由你们决定上线官网顺序！ 2020/07/02 # 选出最想了解的设计文档，由你们决定上线官网顺序！ 投票时间：2020.7.2-2020.7.8 投票链接：https://bbs.huaweicloud.com/forum/thread-63168-1-1.html 众所周知，设计文档对于了解特性本身来说非常重要！ 设计文档内容主要包括设计原理和代码介绍； 原理部分包含架构/原理图、关键概念解释、主要流程讲解等； 代码部分包括代码结构设计、关键接口详解、接口间关系等。 为了帮助各位更好地了解和使用MindSpore，欢迎积极参与投票！ 投票结果决定设计文档在官网上线的顺序，一切都听你们的！赶紧来投票吧！ **还会从投票者中随机抽奖3名，赠送华为自拍杆哦！** **投票链接：https://bbs.huaweicloud.com/forum/thread-63168-1-1.html** --- https://www.mindspore.cn/activities/zh/2223/ --- 活动中心 探索无尽可能，昇思论坛大模型活动启动！ # 探索无尽可能，昇思论坛大模型活动启动！ 2023/04/12 # 探索无尽可能，昇思论坛大模型活动启动！ # 1 **活动简介** 春暖花开，最近大模型世界也遍地开花~昇思MindSpore当然也不甘示弱。为了更加热烈地发展昇思MindSpore社区，鼓励各位用户加入学习分享大军，多多编写相关技术干货，帮助大家共同进步。 # 2 **活动时间** 04月12日——05月3日 # 3 **活动要求** 1.昇思MindSpore智能框架原生支持大模型训练是发展大模型的关键，因此本次干货内容主题需要与MindSpore大模型训练相关，可以是最近很火的AI作画，也可以是VGG、BERT、YOLOv5等模型库的训练实践，同时需要有自己的深刻理解，希望大家详细地描述实践过程以及训练中遇到的各种问题和解决方案，帮助其他用户更好地使用昇思MindSpore。 2.干货内容必须是原创编写，不可进行搬运，且需满足500字以上的篇幅 3.发布的干货需统一归类为：技术干货/分布式并行or技术干货/应用实践，并将发布的帖子链接和个人邮箱评论在本活动帖子下方方便我们联系。 4.活动结束将对参与的帖子进行审核，审核结束后会发布获奖公告，届时会通过skytier1993@163.com邮箱联系各位获奖用户。 # 4 **奖励方式** 每篇技术干货可以获得80元的京东自营自选奖，且不设上限！是的，你没听错！如果哪位小伙伴本月发布了10篇技术干货，所有技术干货均被昇思MindSpore社区审核通过合格，那么就可以获得800元的京东自营自选奖！！ # 5 **发帖指南** 1.打开昇思MindSpore论坛，如果没有账号的用户请先注册，已有账号的用户请直接登录。 2.登录上个人账号后，请点击“我要发帖子”。 3.进入帖子编辑页面，首先请点击分类框并选择“技术干货/分布式并行or技术干货/应用实践”，然后再编辑标题和帖子详情内容，完成编辑后点击“发布帖子”即可。 # 6 **注意事项** 1.干货内容经审核合格后方可算数。 2.请勿盗取他人截图或内容，一经发现做无效参与处理。 3.最终解释权归昇思MindSpore团队所有。 --- https://www.mindspore.cn/activities/zh/2229/ --- 活动中心 昇思MindSpore技术公开课系列：保姆级的大模型专题实践课程来了 # 昇思MindSpore技术公开课系列：保姆级的大模型专题实践课程来了 2023/04/11 # 昇思MindSpore技术公开课系列：保姆级的大模型专题实践课程来了 相信很多小伙伴对在昇思MindSpore支撑下训练出的一系列大模型并不陌生了：鹏程.盘古、鹏程.神农、紫东.太初... 昇思MindSpore大模型历程 昇思MindSpore具备丰富的并行能力，能轻松完成4096卡集群、万亿参数规模的训练任务，因此支撑了国内多个领域首发大模型的训练，这些大模型涉及知识问答、知识检索、知识推理、阅读理解、文本/视觉/语音多模态、生物制药、遥感、代码生成等。总共支撑20+大模型训练，6个千亿参数大模型，覆盖NLP、Audio、CV、多模态等领域。 昇思MindSpore与OpenI启智社区联手推出了昇思MindSpore技术公开课系列课程，带领大家揭秘大模型。 本课程聚焦大模型领域，旨在从实践的角度出发，带领产学研开发者逐步掌握大型语言模型的原理与实现，手把手教大家搭建一个简易版的盘古大模型。课程完全免费，课程材料与代码全部开源，欢迎广大产学研开发者参与课程学习。 **一、****课程特色****** **由浅入深的课程内容设计** 课程内容逐层递进，从最基础的Transfromer开始，逐步引入大模型演变中的经典模型及技术，每一层的内容都在前一层的基础上进行了拓展和深入，使产学研开发者能够逐步掌握深度学习的核心理论和实践技能。 **实践为主的教学方法** 课程设置代码实战环节，让学员通过实际的项目实战来运用所学知识，从而更深入地了解模型的使用和应用，同时也能够锻炼大家的实际操作能力。此外，课程中我们会采取理论和代码穿插授课的形式，让大家在原理学习和代码实践中感受到更为紧密的联系。 **端到端的模型实践** 课程注重模型的端到端实现，从数据预处理到最终模型推理等各个环节都有涉及。帮助大家全面掌握模型的实现流程和调优技巧，从而更好地应对实际问题。 欢迎大家使用启智平台的算力，课上和我们一起同步完成任务代码的运行。感兴趣的小伙伴也可以在课后尝试对模型进行“魔改”，感受大模型和自己的创意可以碰撞出怎样的火花~ **与业内专家的互动交流** 邀请业内专家参与到课程中来，可以从不同的角度解读理论知识，并分享实际应用中的经验和技巧。这样既可以让学员更好地理解知识点，又能更深入地了解业内最新的技术发展趋势。 **完备的学习路径** 我们不仅注重于课程本身的设计，还为参与课程的学员们提供了各种不同难度和类型的前序及后续学习任务。学员可以从前序课程打好深度学习基础开始，逐步掌握核心理论和实践技能，同时还能通过社区实践锻炼开源实践能力。 **二、**课前准备**** 学习本课程需要一定的深度学习基础，但对这部分知识有所欠缺的小伙伴也不用担心，我们为大家准备了前序学习课程——MindSpore版李沐老师《动手深度学习》（《动手学深度学习》：面向中文读者、能运行、可讨论。中英文版被60多个国家的400多所大学用于教学(https://github.com/mindspore-courses/d2l-zh)）。 建议大家尝试自己动手运行代码，从而更好地理解每个课程单元的内容，这样可以在大模型的正式课程中更丝滑地入学哦。 **三、******课程安排******** 课程共分为8节课，4月15日起，每周六下午2：00 - 3：30准时在B站开展直播。 课程结束后视频回放会上传至B站MindSpore官方账号下进行归档。 课程材料及代码可通过如下链接获取： https://github.com/mindspore-courses/step\\\_into\\\_chatgpt 代码运行可使用启智平台的算力： https://openi.pcl.ac.cn/zeizei/OpenI\\\_Learning 日期 课程内容 4/15 **开场致词** **Transformer** \* Multi-Head Attention \* Transformer结构 \* 输入编码 \* Encoder \* Decoder 4/22 **BERT** \* BERT预训练 \* BERT Finetune \* 使用MindSpore写一个数据并行的BERT 4/29 **GPT** \* Unsupervised Language Modelling \* Supervised Fine-Tuning \* 使用GPT Finetune一个Task 5/6 休息 5/13 **GPT2** \* Task Conditioning \* Zero Shot Learning and Zero Shot Task Transfer \* 使用GPT2训练一个few shot任务 5/20 **MindSpore\*\*\*\*自动并行** 5/27 **代码预训练** \* CodeBERT \* CodeX、Copilot \* CodeGeeX \* 使用CodeGeeX生成代码 6/3 **Prompt Tuning** \* 人工定义Prompt \* P-tuning \* 使用BERT/GPT2实现Prompt Tuning 6/10 **Instruct Tuning** \* Let's think step by step \* InstructGPT \* Chain-of-thoughts 6/17 **RLHF** \* 强化学习与PPO算法 \* InstructGPT/ChatGPT中的RLHF \* 动手训练一个Reward模型 \* 使用GPT2实现ChatGPT全流程（基于人工反馈的评论生成模型） 感兴趣的小伙伴可以扫描下方二维码进入技术公开课群组，我们将在课后在群内进行课程答疑，并放送后续活动参与报名链接。 **四、**社区实践**** 据说技术公开课的老师们有一个宗旨：坚决不让大家在完成学习后，又将知识还给自己。为此，我们为大家提供了丰富多元的课后社区实践活动，帮助巩固课后知识，并进行相关实践拓展，从开源实践小白进化成开源专家。 **Level 1：社区活动** 在这里，你可以体验昇思MindSpore特性与全新套件，为昇思MindSpore优化提出自己宝贵的意见。还可以参与论文复现，对AI传统领域形成一个更加全面的了解。 扫一扫二维码，欢迎参加昇思MindSpore开源社区活动 **Level 2：社区实习** 想要挑战难度更高任务的小伙伴，可以参与到昇思MindSpore开源社区实习中来。 我们为大家提供了贡献开源代码的平台。在这里，你将在技术专家的带领下，在实际的开源环境中接触前沿技术，提升实践能力，成为昇思MindSpore建设不可或缺的一份子。 相信拥有了开源实践经验的你，今后也可以通过这份经历在的工作招聘和学习深造中脱颖而出！ 扫一扫二维码，进入昇思MindSpore开源实习官网，了解报名详情 **五、**讲师团队**** --- https://www.mindspore.cn/activities/zh/2231/ --- 活动中心 MSG·暴走校园 | 中国科学技术大学站来喽，是时候展示真正的技术了！ # MSG·暴走校园 | 中国科学技术大学站来喽，是时候展示真正的技术了！ 2023/04/12 # MSG·暴走校园 | 中国科学技术大学站来喽，是时候展示真正的技术了！ **AI进校园** 随着全球新一轮产业变革的加速演进，以人工智能为代表的前沿信息技术已驱动着社会迈入智能化时代。本次活动将带领同学们一起探寻人工智能行业发展，玩转AI前沿技术研究。 **_4月15日_**，**昇思MindSpore开源社区**将走进**中国科学技术大学**开展新一期的“MSG·暴走校园”活动，本次活动不仅可以让高校开发者感受科技魅力，还有更多限量版官方定制礼品等着你！ **活动时间：** 2023年4月15日（周六）14：30-18：00 **活动地点：** 中国科学技术大学3A113教室（**校内专场活动**） --- https://www.mindspore.cn/activities/zh/2237/ --- 活动中心 就在今天！昇思MindSpore技术公开课大模型专题课程即将与您见面 # 就在今天！昇思MindSpore技术公开课大模型专题课程即将与您见面 2023/04/15 # 就在今天！昇思MindSpore技术公开课大模型专题课程即将与您见面 昇思MindSpore技术公开课大模型专题课程将在4月15日（今日）与大家正式见面啦！扫描海报下方二维码，关注**B站直播间【MindSpore官方】**，精彩内容不容错过。 第一节课：Transformer 将于4月15日（今日）14：00准时开始，还有华为语音语义首席科学家刘群老师带来干货满满的开场致词哦，期待与大家一同开启大模型的实战之旅~ --- https://www.mindspore.cn/activities/zh/2241/ --- 活动中心 MSG企业行 | 4月27日！昇思联合浙江AI企业，探索行业应用智能化发展 # MSG企业行 | 4月27日！昇思联合浙江AI企业，探索行业应用智能化发展 2023/04/17 # MSG企业行 | 4月27日！昇思联合浙江AI企业，探索行业应用智能化发展 AI技术迭代日新月异，其在千行百业的应用也越来越多，更是涌现出了多样化的创新应用场景。尽管企业智能化在加速升级，但多数企业依然面临着挑战：如何将AI与企业业务场景相匹配？如何解决企业AI落地难的问题？AI如何与传统产业企业相结合？如何让AI在医疗、工业、金融等更广泛的领域中实现赋能……如此，悉数待解。 4月27日，昇思MindSpore开源社区举办“MSG企业行暨杭州开发者日”，联合杭州人工智能计算中心、杭州高新智能科技有限公司、杭州昇腾生态创新中心、知名媒体DataFun，以及多家业界领先企业与您深度交流探讨AI在行业中的应用，为浙江省企业智能化升级赋能。 多位浙江省AI领域知名企业代表现场参会，围绕智慧医疗、工业运维、智慧金融、语音识别等话题，直击企业智能化转型升级诉求。更有面向AI+科学计算开发者专场，感受AI+生命科学的最前沿技术。 \*\*亮点一：\*\***昇思加持，助力企业数智化升级** 昇思MindSpore AI融合框架是AI根技术，作为人工智能的创新之源，在企业智能化转型中发挥着重要的作用。现场嘉宾将分享昇思在医学诊断中的特性与优势，以及昇思生态在建设工业智能运维知识图谱中的独特价值。让你更加全面且清晰的了解昇思全栈的领先技术。 **亮点二：伙伴引路，探索AI多元应用** 大语言模型在金融领域应用有哪些挑战与方法论、医学知识图谱在智慧医疗有何实践、语音识别在大模型下如何创新——业界领先企业代表将带来最前沿的应用解决方案分享，为你打开行业应用落地的新视野和新思路。 **亮点三：专家带队，实操体验蛋白质结构预测与分子动力学模拟** 新一代国产分子动力学模拟软件MindSpore SPONGE，实现了深度学习与分子模拟的高效融合，极大提高了模拟效率和准确度。现场将有专家亲临分享AI+生命科学的融合创新方法，并带领开发者上手体验MindSpore SPONGE。 此外，活动现场还有互动及问卷抽奖，精美礼物等你拿。4月27日，MSG企业行暨杭州开发者日，欢迎你的到来，我们不见不散！ **MSG企业行** MSG企业行是昇思MindSpore建立的交流公益社区MSG（MindSpore Study Group）面向企业的子品牌，聚焦各地核心科技板块，汇聚企业核心技术骨干，与企业充分进行技术研讨、深入交流分享，为本土AI领域高校、科研院所、企业开发者赋能。 截至目前，昇思MindSpore走过国内外24个城市，拓展AI类企业生态，服务企业超过5500家，涉及端边云全场景行业，支撑两大产业联盟成立，打造开发共赢的产业生态圈。 --- https://www.mindspore.cn/activities/zh/2243/ --- 活动中心 #为昇思MindSpore打Call，参与开源打榜，点亮国产AI之光！ # #为昇思MindSpore打Call，参与开源打榜，点亮国产AI之光！ 2023/04/18 # #为昇思MindSpore打Call，参与开源打榜，点亮国产AI之光！ 4.17-5.14，第8期开源打榜活动来袭，通过前几期的活动，Openl启智社区公开数据集已增至2662个，并对外开放算力时长超200万卡时。本期活动围绕国产AI发展的主题进行，昇思MindSpore社区联合Openl启智社区以及燧原科技基于国产框架昇思MindSpore、国产AI工具MSAdapter、国产芯片GCU设计了相关打榜任务，希望聚优秀开源开发者力量，共同推动国产AI技术崛起。 **#为GCU打Call# 任务地址：** https://openi.pcl.ac.cn/Enflame/GCU\\\_Pytorch1.10.0\\\_Example/issues/3 （在第7期GCU热身活动种，有4位小伙伴表现优秀，不仅获得了活动积分，还额外获得了燧原科技准备的精美礼品一份，本期活动依旧每周将抽取优秀用户派发奖金，欢迎大家积极参与~） **#为昇思MindSpore打Call# 任务地址：** https://openi.pcl.ac.cn/zeizei/OpenI\\\_Learning/issues/1028 **#为MSAdapter打Call# 任务地址：** https://openi.pcl.ac.cn/OpenI/MSAdapterModelZoo/issues/3 **第8期活动详情页面地址：** https://openi.org.cn/index.php?m=content&c=index&a=lists&catid=233 --- https://www.mindspore.cn/activities/zh/2245/ --- 活动中心 AI前沿技术分享预告｜密码学在联邦学习中的应用 # AI前沿技术分享预告｜密码学在联邦学习中的应用 2023/04/19 # AI前沿技术分享预告｜密码学在联邦学习中的应用 密码学作为计算机科学中一个非常重要的领域，涉及到信息安全和加密技术等多方面内容。联邦学习作为一种新兴的深度学习技术，可以在保护数据隐私的前提下，协同多个参与方共同训练一个模型。联邦学习和密码学的结合被广泛应用于各个领域，以提高数据的安全性和隐私性，同时训练更准确的深度学习模型。 在金融领域中，联邦学习可以用于训练信用评分、欺诈检测等机器学习模型，通过密码学技术，银行可以在联邦训练过程中加密客户数据，保护其机密性；在医疗领域中，联邦学习可以用于保护患者的隐私，并通过密码学技术加密患者数据来保护其机密性。 本次分享会将以密码学在联邦学习中的应用为主题开展。分享会是由国内首个隐私计算开放社区OpenMPC和昇思MindSpore Trusted AI SIG联合打造的“组队学习密码学”系列中的第二期活动。 **4月23日（本周日）**，来自**Trusted AI SIG的两位老师 Mr. Jin 和 Mr. Zhang**，将为大家带来主题为\*\*《密码学在联邦学习中的应用》**的分享。您将有机会了解**联邦学习中的密码学算法、密码学与联邦学习算法的结合以及具体的应用场景\*\*等多个方面的知识。 --- https://www.mindspore.cn/activities/zh/2246/ --- 活动中心 开发者征集令！昇思MindSpore开发者群英会等你来挑战！ # 开发者征集令！昇思MindSpore开发者群英会等你来挑战！ 2023/04/19 # 开发者征集令！昇思MindSpore开发者群英会等你来挑战！ 嗨~各位昇思的小孢子！就在开源三周年之际，昇思MindSpore也即将迎来2.0正式版本，大幅提升科学计算能力，为各位忠实小孢子们来一剂兴奋剂。同时，咱们昇思MindSpore社区活动也迎来了全面的升级改版，“昇思MindSpore开发者群英会” 火爆来袭！ ****昇思MindSpore开发者群英会——全新登场！开发任务大比拼！**** 宝剑锋从磨砺出，真知源自实践来！昇思MindSpore开发者群英会高手云集，与你一同挑战！更有大额奖品等着你！先到先得！每一位完成任务的同学都有机会获得“昇思MindSpore优秀开发者”证书！ 本次活动任务分为 “经典论文复现”和“新套件体验”两种。经典论文复现任务精选业界顶会、顶刊的高引论文，通过精读论文学习网络模型理论知识，通过代码实现学习昇思MindSpore的使用，锻炼代码能力。 新套件体验任务则是开发者们的“找茬游戏”，昇思MindSpore层出不穷的革新套件带来一次又一次的技术更迭，你将在套件版图中化身“冒险者”探索未知区域，寻找“禁区”和“绿洲”。昇思MindSpore开源社区致力于打造开发者交流的前沿阵地，让每一位小孢子都能找到自己感兴趣的方向。 **同学A：请问怎样参加和领取任务？** **活动助手：参加步骤如下，赶快收藏一波!** 快速通道：快速上手昇思MindSpore→进群选定任务提交信息→任务进行中可提交进展/问题→发布技术分享帖→完成任务赢大奖&昇思MindSpore优秀开发者证书 1、 快速上手昇思MindSpore，学习初学教程、应用实践，手把手体验基于昇思MindSpore的模型训练过程。（教程链接：https://www.mindspore.cn/tutorials/zh-CN/r2.0.0-alpha/index.html） 2、 选定任务后联系活动助手（https://gitee.com/yang-yucheng03或QQ：3523552816）报名并提交个人信息（姓名+任务链接+QQ号+手机号）（论文复现任务需在活动页评论区写上认领任务序号）； 3、 申请加入QQ群（747407510）可在群内任务表填写领取任务信息； 4、 任务进行中——每周填写任务进度，如发现问题或需求则要在社区提交issue； ****【任务一】经典论文复现任务**** **任\*\*\*\*务描述** 在活动页面中的任务清单（Paperswithcode链接列表）中选择感兴趣的论文，学习论文中的网络模型，用昇思MindSpore AI框架完成对应网络模型的复现。 **任务要求** 1、 请基于昇思MindSpore AI框架最新2.0版本完成开发，不可使用其他框架； 2、 任务有【推理】和【训练】两部分：推理任务需要完成网络模型和权重转为昇思MindSpore推理；训练任务则需要完成从0到1的训练，并保证复现代码性能精度； 3、 代码提交至个人github开源仓库，并在paperswithcode网站对应的论文下添加自己的代码实现。 4、 代码完成之后，在昇思MindSpore论坛、CSDN、知乎等任一平台发帖分享自己的项目实现过程与经验。 **注意事项** 1、 认领任务请在活动页评论区留言“认领+序号”并告知 活动助手。 2、 完成任务后需要在本issues下面评论“任务+序号+已完成（推理/训推）“来结束对应的任务，例如评论“任务6已完成推理”或“任务9已完成训推”。 3、 该任务可单人或组队完成，组队人数不超过5人。 ****【任务二】新套件体验任务**** **任务描述** 学习使用MindSpore CV、MindSpore NLP、MindSpore Audio、MindSpore Face、MindSpore Diffusion套件，寻找代码中的Bug并按照要求进行反馈给昇思MindSpore社区。 **任务要求** 1、试用套件提供的功能，如：数据集加载及数据预处理、预训练模型/backbone使用、Loss/Optimizer/LR scheduler、训练/推理流程、评价指标。 2、在试用过程中，发现套件的代码bug（如逻辑判断错误、内存泄漏、执行报错等，注释错别字等文字性描述不计入）后提交issue，title请以“【昇思MindSpore社区开源活动】”开头，bug信息中“必填”部分请详细填写，并在活动页面中链接填写对应信息后提交。 **奖品领取** 【经典论文复现任务】完成相应任务即可私信【活动助手】领取奖品（奖品请查看活动页面）； 【新套件体验任务】完成任务即可获取对应的积分，每100积分可获取一个华为AI音响2星云白，先到先得。 （完成3个有效bug得100分，有效bug：经社区Commiter（代码合入者）确认，accept后即为有效。） 扫一扫马上参加！ 昇思MindSpore开发者群英会 --- https://www.mindspore.cn/activities/zh/2247/ --- 活动中心 MindSpore论坛报错活动第九期 # MindSpore论坛报错活动第九期 2023/04/20 # MindSpore论坛报错活动第九期 奖励规则 1、每个任务难度等级不同，完成不同等级任务获得对应的奖励！ ·难度等级：易，奖品预览 ·难度等级：中，奖品预览 2、若被选为优秀案例，奖品奖励将会在原来基础上升级！ ·原本’难度等级：易‘的可在’难度等级：中‘的奖品中选择； ·原本’难度等级：中‘的可获得150元京东自营自选。 活动时间 2023年04月20日——2023年05月05日 活动方式 1. 已发布5个报错任务在论坛的“活动体验板块”，完成其中的一个或多个。 任务帖名称 任务帖链接 难度等级 使用mindspore.numpy.broadcast\_to 算子报错：ValueError: cannot broadcast with (3, 4) https://www.hiascend.com/forum/thread-0256117339531319020-1-1.html 易 MindSpore张量运算失败报错RuntimeError:Malloc for kernel output failed, Memory isn’t enough, node:Default/Add-op0 https://www.hiascend.com/forum/thread-0231117339907847021-1-1.html 易 loss计算报错TypeError: the input argument\[indices\] must be a type of {Tensor\[Int32\], Tensor\[Int64\], Tensor\[UInt8\]} https://www.hiascend.com/forum/thread-0247117340313113012-1-1.html 易 使用MindSpore中的SoftMax()算子计算单一数据出错Run op inputs type is invalid! https://www.hiascend.com/forum/thread-0256117340474626021-1-1.html 易 CSRTensor 矩阵乘法计算出错RuntimeError:CUDA Error: cudaMemcpy failed.|Error Number: 700 an illegal memory access was encountered https://www.hiascend.com/forum/thread-0231117340929408022-1-1.html 中 贴心的我们给大家提供了完成任务发帖示例：import报错：Load dynamic library libmindspore\_ascend failed，以及定位解决，欢迎参考哦！！！ 2. 用户根据个人意愿选择报错任务，将内容填写完整后，发布在本论坛的“技术干货->功能调试”中。 3. 将个人邮箱和第二步的干货链接，回复在对应的报错任务下方。 4. 每个任务择优选取一位用户获奖。 注意事项 1. 请勿刷帖，刷帖一律删帖并做无效参与处理。 2. 必须保证原创，抄袭按无效参与处理。 3. 请勿盗取他人截图或内容，一经发现做无效参与处理。 4. 必须符合设定的格式，否则算作无效参与。 \*最终解释权归MindSpore团队所有。 --- https://www.mindspore.cn/activities/zh/225/ --- 活动中心 MSG正式启动！MindSpore与你共同成长 # MSG正式启动！MindSpore与你共同成长 2020/07/15 # MSG正式启动！MindSpore与你共同成长 Hi，亲爱的开发者们，MindSpore已经开源三个半月了，我们一共迭代了3个版本，在6月30日的v0.5.0版本也进入了beta版本。为了让MindSpore更好的发展，让开发者真正拥抱开源，成为开源组织的一员，MSG正式启动。 什么是MSG？ MindSpore Study Group，简称MSG，是一个提供一个让开发者可以充分进行技术研讨、案例分享、互相交流的公益性社区。为了方便开发者的深入交流，我们在每个城市都成立MSG组织，满足本地开发者的线下交流机会。 ### MSG的宗旨是什么？ MindSpore从开源之初，就旨在作为一个所有开发者都能参与的开源开放的社区。我们成立MSG，宗旨是希望能够帮助所有有志于在开源社区做出贡献、对AI算法感兴趣的开发者们提供一个开源社区贡献指南，让大家学会提第一个PR，第一次成为contributor，成为commiter，甚至owner。真正的感受开源的魅力，与MindSpore共同成长。 ### MSG一般会做什么？ - 技术研讨 - MindSpore技术专家讲解最新版本技术亮点 - 邀请技术大咖分享关于AI、深度学习最新动态 - 极客分享 - 开发者分享MindSpore真实场景的应用案例 - 极客们分享前沿技术进展与软硬件最新技术 - 社区贡献 - 引导开发者从零参与MindSpore社区贡献 - 培养开发者成为开源社区的contributor ### 你的收获 - 如果你是一个位想要接触AI的硬件极客，我们都给你提供软硬结合的必备知识 - 如果你是一位关注最新技术的算法爱好者，我们都带你了解前沿的技术成果 - 如果你是一位对开源社区充满热情的开发者，我们都会帮你完成第一个社区PR的提交 ### 如何成为一名MSG组织者 每个人都有机会成为MSG的组织者，不论你现在在北京、上海深圳，还是杭州、西安成都等城市，都可以提交申请。有志于成为MSG组织者的朋友们，请扫描以下的二维码进行报名 首场MSG活动来袭 本周六，2020.7.18，首场MSG活动·深圳场来袭。我们会分享MindSpore的最新技术进展，前沿技术领域的实践，并且会邀请开发者们来分享技术实践~感兴趣的小伙伴快来报名吧！ 还等什么，快来加小助手报名吧~记得备注：****MSG深圳报名**** 哦 --- https://www.mindspore.cn/activities/zh/2253/ --- 活动中心 明日开讲！昇思MindSpore技术公开课大模型专题·第二讲BERT课程预告 # 明日开讲！昇思MindSpore技术公开课大模型专题·第二讲BERT课程预告 2023/04/21 # 明日开讲！昇思MindSpore技术公开课大模型专题·第二讲BERT课程预告 昇思MindSpore技术公开课·BERT课程明日开讲！周六下午14点锁定**B站直播间【MindSpore官方】**，昇思MindSpore易用性专家为你答疑解惑。 --- https://www.mindspore.cn/activities/zh/226/ --- 活动中心 每个月总有那么几天是发奖品的，参与问答就有机会！ # 每个月总有那么几天是发奖品的，参与问答就有机会！ 2020/07/17 # 每个月总有那么几天是发奖品的，参与问答就有机会！ # 活动规则： ## 1、在MindSpore论坛中，提问、分享、回复与MindSpore相关的技术问题或使用上的分享。在每月月末统计中，： ## （1）分享次数排名前3名； ## （2）提问次数排名的前2名； ## （3）回复次数排名的前1名； ## 获得以上三项排名的朋友，发送奖品，以示鼓励。 ## 2、获得奖励的人员可在奖品清单中任选一种。 ## 3、活动每个月一次，到次月的3日前公布奖励名单。（说明：7月17日—8月31日，为第一次活动周期。从9月份开始从当月第一天到当月最后一天为一个周期。） ## 4、获奖公布方式：每个周期的获奖名单会在活动帖评论区中公示，并会在获奖人的帖子下以留言的形式告知并联系。（请各位参与者多多关注自己帖子的留言情况。） # 奖品清单： 奖品每月都会有更新，请持续关注啊！ ## （1）MOMAX iFan小风扇（59元） ## （2）绿联旅行登机收纳包（55元） ## （3）荣耀AM116耳机（59元） # 活动说明： ## 1、提问、分享和回复的内容要与MindSpore相关，不相关视作无效操作； ## 2、操作内容中含有水印的视为无效内容，属于无效操作； ## 3、活动结束后统一联系各位获奖者，发放奖励； ## 4、最终解释权归MindSpore团队所有。 # 活动地址： 论坛地址： https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/2261/ --- 活动中心 昇思MindSpore技术公开课 | 请注意，一份复习宝典正在向你袭来 # 昇思MindSpore技术公开课 | 请注意，一份复习宝典正在向你袭来 2023/04/28 # 昇思MindSpore技术公开课 | 请注意，一份复习宝典正在向你袭来 不知不觉，昇思MindSpore技术公开课大模型专题已经顺利地开展两节课程，在此非常感谢小伙伴们的支持，大家的积极性我们都感受到了！ 在过去的两周中，我们与大家一同迈入了大模型的世界，讲解了基础的Transformer与BERT模型。这里我们奉上精华版的知识点总结，带大家回顾一下这两节课的内容，俗话说夯实的基础才是后面稳步前行的关键哦。 **前序学习活动** **——** **昇思MindSpore\*\*\*\*版《动手学深度学习》** 有的小伙伴反馈，如果基础不太适合参与大模型学习怎么办，我们这里也为深度学习基础相对薄弱的小伙伴准备了前序课程学习——昇思MindSpore版《动手深度学习》。 《动手深度学习》这本书由李沐等人主导编写，从零开始教授深度学习，覆盖四大类模型：多层感知机、卷积神经网络、循环神经网络、和注意力机制，以及深度学习中的两大应用领域—计算机视觉和自然语言处理—中的典型任务。开发者们只需要有基础的Python变成和数学基础即可参与学习，不仅可以学习模型算法，教材中还提供了大量可运行的代码，供大家进行实践。 同时，为帮助小伙伴们更好地学习知识，昇思MindSpore联合OpenI启智社区通过“我为开源打榜狂”举办了学习任务，我们为大家设置了一系列打分任务，鼓励开发者通过动手实践一边提升技能，一边积累打榜积分冲击每周活动300-1000元现金激励，同时也为本次打榜活动贡献沉淀优质内容。 开源打榜活动将依据用户的积分数量进行排名, 根据排名情况进行阶梯性的现金奖励，具体详情请参考：#为MindSpore打Call#动手学深度学习 https://openi.pcl.ac.cn/zeizei/OpenI\\\_Learning/issues/1028 **任务1：** 基于动手学深度学习项目或公开课大模型代码仓，在平台输出学习笔记或心得，并将链接通过在原项目（即动手学深度学习项目）提交Issue（即创建任务）的形式，由助教进行审核通过后的优质内容可在挑战升级榜中加20积分/篇；在外部平台（如知乎、csdn等）进行的分享，将链接通过在项目提交Issue，由助教进行审核通过后的优质内容加10积分/篇。心得提交地址：https://openi.pcl.ac.cn/mindspore-courses/d2l-mindspore/issues/1 **任务2：** 根据直播内容和相应教程，动手试试“魔改”一下模型，在启智社区输出相关代码项目，经助教评审通过后可加20积分/项目。 第8期“我为开源打榜狂”活动详情地址：https://openi.org.cn/index.php?m=content&c=index&a=lists&catid=233 既可以学知识又可以收获奖金，不仅如此，为了回馈大家对启智平台的支持，OpenI启智社区特策划五一算力积分大放送活动，4.29-5.3日通过海报上二维码注册启智平台的小伙伴都将获得200算力积分！小伙伴们还在等什么，赶快行动起来吧。 --- https://www.mindspore.cn/activities/zh/2263/ --- 活动中心 会议预告 | 2012实验室全球软件技术峰会-加拿大研究院专场 # 会议预告 | 2012实验室全球软件技术峰会-加拿大研究院专场 2023/05/05 # 会议预告 | 2012实验室全球软件技术峰会-加拿大研究院专场 **#** **会议简介 #** 2012实验室全球软件技术峰会是连接全球、探讨新技术、碰撞新思想、促进软件和软硬协同技术创新与架构突破的交流大会，由华为2012实验室软件分委会、科学家委员会联合加拿大、欧洲、亚太等研究院举办。大会将邀请产业界和学术界顶级技术专家，围绕行业趋势和前沿技术，在软件技术纵深协同和软件业务横向跨域协同主题上开展深入讨论，携手推动软件扎到根、捅破天。 此次加拿大研究院专场是由华为加拿大研究院邀请合作伙伴、研究学者、业界专家参加的开放会议，重点讨论软硬协同、数据库技术、下一代云技术的最新研究和成果。 \*\*时间：\*\*2023 年 5 月 8 日 - 2023 年 5月 10 日 (北京时间) **地点**：Toronto, Canada & Online **\# Live\*\*\*\*直播 #** _扫码观看直播，了解最新动态_ **#** **会议议程 #** --- https://www.mindspore.cn/activities/zh/2265/ --- 活动中心 昇腾AI开发者峰会昇思分论坛议程全剧透 # 昇腾AI开发者峰会昇思分论坛议程全剧透 2023/05/04 # 昇腾AI开发者峰会昇思分论坛议程全剧透 --- https://www.mindspore.cn/activities/zh/233/ --- 活动中心 MSG | 杭州场本周六启动，心动了吗？ # MSG | 杭州场本周六启动，心动了吗？ 2020/07/23 # MSG | 杭州场本周六启动，心动了吗？ 上周发起了MSG组织报名，收到来自全国各地数十个城市的开发者的踊跃报名，感谢大家的积极参与。7月18日周六我们举办了首场MSG·深圳站活动，开发者们交流的非常愉悦，收货了不少经验。让我们快速回顾下吧~ MSG报名：MSG正式启动！MindSpore与你共同成长 —————— 活动回顾 —————— 场地布置 贴心为参与者布置场地 活动开场 活动开场介绍 嘉宾分享 主题1：MindSpore介绍及TVM联动 主题2：基于机器学习的下一代分子模拟平台 开发者讨论互动环节 茶歇 定制礼品发放 感谢大家对MindSpore以及MSG的关注，我们后续会为大家带来更精彩、更优质的活动。 **敲黑板！！！重点来啦！** **本周六（2020年07月25日）** **MSG·杭州站活动报名现已开启** **扫描上方二维码加\*\*\*\*小助手微信进行报名** **请备注：MSG杭州报名** ———————————————————————————————————————————— **什么是MSG？** MindSpore Study Group，简称MSG，是一个提供一个让开发者可以充分进行技术研讨、案例分享、互相交流的公益性社区。为了方便开发者的深入交流，我们在每个城市都成立MSG组织，满足本地开发者的线下交流机会。 **MSG的宗旨是什么？** MindSpore从开源之初，就旨在作为一个所有开发者都能参与的开源开放的社区。我们成立MSG，宗旨是希望能够帮助所有有志于在开源社区做出贡献、对AI算法感兴趣的开发者们提供一个开源社区贡献指南，让大家学会提第一个PR，第一次成为contributor，成为commiter，甚至owner。真正的感受开源的魅力，与MindSpore共同成长。 **MSG一般会做什么？** 技术研讨 MindSpore技术专家讲解最新版本技术亮点 邀请技术大咖分享关于AI、深度学习最新动态 极客分享 开发者分享MindSpore真实场景的应用案例 极客们分享前沿技术进展与软硬件最新技术 社区贡献 引导开发者从零参与MindSpore社区贡献 培养开发者成为开源社区的contributor **你的收获** 如果你是一个位想要接触AI的硬件极客，我们都给你提供软硬结合的必备知识 如果你是一位关注最新技术的算法爱好者，我们都带你了解前沿的技术成果 如果你是一位对开源社区充满热情的开发者，我们都会帮你完成第一个社区PR的提交 **如何成为一名MSG组织者** 每个人都有机会成为MSG的组织者，不论你现在在北京、上海深圳，还是杭州、西安成都等城市，都可以提交申请。有志于成为MSG组织者的朋友们，请扫描以下的二维码进行报名 —————————————————————————————————————————————— --- https://www.mindspore.cn/activities/zh/239/ --- 活动中心 报名 | 第三期MindSpore两日集训营周六开始！ # 报名 | 第三期MindSpore两日集训营周六开始！ 2020/08/07 # 报名 | 第三期MindSpore两日集训营周六开始！ 第二期的两日集训营已经过去两个月，MindSpore在这两个月时间持续的更新完善，已经迭代了两个版本（点击跳转）： - MindSpore新版本v0.5.0-beta解读 - MindSpore新版本v0.6.0-beta解读 在此期间后台收到很多同学咨询第三期什么时间开课，应广大热心群众们的要求，帮助大家迅速了解新版本的新特性，成为一名优秀的算法工程师，MindSpore第三期集训营报名开始~ # 上期回顾 先来快速回顾一下上一期的集训营吧！5月30日我们举办了MindSpore第二期集训营，共有280人报名，最终完成结业的有11名同学！来看看这11名同学获得的奖励吧！ 结业证书 结业奖励 # 本期介绍 本期特邀MindSpore资深工程师为大家直播授课，首先会帮助大家夯实基础，汇总讲解新版本特性，然后循序渐进的讲解模型训练，讲解过后给大家留出消化内容的时、做作业，最后进行直播答疑，保证部署调优的过程中有任何疑问，可以得到及时的反馈~ ## 集训时间 周末两天（8月8日-8月9日） - 上午 8:00-11:30 视频直播课 - 下午 14:00-17:00 做作业+提问题 - 晚上 18:00-19:00 直播答疑 ## 课程介绍 Day1 - 快速上手MindSpore指南 - 训练你的第一个MindSpore模型——YoloV3 - 如何快速用MindSpore训练Bert模型？ - 用MindSpore Serving完成你的模型部署 Day2 - 用Mindspore训练ResNet50模型 - 性能大杀器——如何用MindSpore实现量化训练？ - 用MindSpore实现Wide & Deep模型 ## 结业安排 - 结业标准： 完成Day1和Day2所有作业的同学即可 我们将于8月10日中午11:00为顺利结业的同学颁奖 - 结业奖励： 所有完成作业的同学均可获得官方结业证书+MindSpore官方书籍+定制数据线/帆布袋 - 优秀开发者评选： 在两日集训结束后，完成结业要求并有意向开展MindSpore技术主题演讲的同学可报名参加优秀开发者评选活动（线上线下报名均可），报名截止至8月10日晚21:00报名通过的同学将由官方安排演讲时间，完成演讲后可获得MindSpore优秀开发者荣誉以及价值1500元精美礼品 赶快**微信扫描下方二维码**添加小助手报名吧！ \*记得备注：集训 长按下面二维码关注 --- https://www.mindspore.cn/activities/zh/240/ --- 活动中心 MindSpore用户访谈开始报名啦，受访均有好礼相送！ # MindSpore用户访谈开始报名啦，受访均有好礼相送！ 2020/08/12 # MindSpore用户访谈开始报名啦，受访均有好礼相送！ 各位MindSpore的体验者们，首先感谢你们对国产深度学习框架MindSpore的大力支持！ 时光匆匆，我们已经在7月底正式发布了0.6.0-beta版本，为了听取一线用户的真实需求，论坛决定发起一个采访，跟您简单聊聊MindSpore的使用感受，您也可以给我们提一些需求建议等等，都可以！ ## 报名时间： 8月12日——8月19日 很多朋友可能担心采访的时间冲突问题，不用担心，事先我们会与您联系沟通，商量好采访时间。采访时长为30分钟至1小时左右，主要通过电话、视频等方式发起采访。本次采访是一项长期活动，预计在8-12月份联系受访者。访谈结束后，各位受访嘉宾均可在下方任选一项作为奖品哦。 大家踊跃报名吧！！！ ## 奖品设置： 1.荣耀手环4 running版 2.罗马仕sense6 2万毫安移动电源 3.索爱SA-A6音箱蓝牙版 4.得力卓然系列钢笔套装 参与方式和报名入口等详情戳这里：https://bbs.huaweicloud.com/forum/thread-70708-1-1.html --- https://www.mindspore.cn/activities/zh/241/ --- 活动中心 苏州MSG线下活动报名倒计时 # 苏州MSG线下活动报名倒计时 2020/08/13 # 苏州MSG线下活动报名倒计时 ## MSG是什么？ MindSpore Study Group，简称MSG，是一个提供一个让开发者可以充分进行技术研讨、案例分享、互相交流的公益性社区。为了方便开发者的深入交流，我们在每个城市都成立MSG组织，满足本地开发者的线下交流机会。 自从7月底开始推广MSG开始，到8月初已经圆满完成在深圳和杭州两地的MSG线下活动，与大家交流的过程中学习到特别多知识，结识了很多有共同兴趣爱好的朋友，因为有了你们，让MSG的存在变得更有意义。 MSG将不忘初心、再接再厉致力于帮助所有想在开源社区做出贡献、对AI算法感兴趣的开发者们提供一个开源社区贡献指南，让大家学会提第一个PR，第一次成为contributor，成为commiter，甚至owner。 你、我与MindSpore共同成长 本周六（8月15日）下午将在苏州举办MSG线下活动，周六有空的小伙伴抓紧时间报名，在其乐融融的学习氛围中感受开源的魅力~ ## 活动回顾 了解最新新活动详细介绍之前，先回顾下之前的MSG线下活动 - MSG正式启动！MindSpore与你共同成长 - MSG | 杭州场本周六启动，心动了吗？ 来看看我们的美女布道师 ### 杭州MSG 技术探讨 合影留念 定制礼品 感谢大家对MindSpore以及MSG的关注，我们后续会为大家带来更精彩、更优质的活动。 敲黑板！！！ **本周六（2020年08月15日）** **MSG·苏州站活动报名现已开启** **长按上方二维码加\*\*\*\*小助手微信报名** **\*请备注：MSG苏州** ### **MSG一般会做什么？** 技术研讨 MindSpore技术专家讲解最新版本技术亮点 邀请技术大咖分享关于AI、深度学习最新动态 极客分享 开发者分享MindSpore真实场景的应用案例 极客们分享前沿技术进展与软硬件最新技术 社区贡献 引导开发者从零参与MindSpore社区贡献 培养开发者成为开源社区的contributor ### **你的收获** 如果你是一个位想要接触AI的硬件极客，我们都给你提供软硬结合的必备知识 如果你是一位关注最新技术的算法爱好者，我们都带你了解前沿的技术成果 如果你是一位对开源社区充满热情的开发者，我们都会帮你完成第一个社区PR的提交 ### **如何成为一名MSG组织者** 每个人都有机会成为MSG的组织者，不论你现在在北京、上海深圳，还是杭州、西安成都等城市，都可以提交申请。有志于成为MSG组织者的朋友们，请扫描以下 的二维码进行报名 --- https://www.mindspore.cn/activities/zh/242/ --- 活动中心 MSG | 上海站报名开启，期待您的参与 # MSG | 上海站报名开启，期待您的参与 2020/08/14 # MSG | 上海站报名开启，期待您的参与 随着先后发布的几场MSG线下活动宣传，好多地区的小伙伴纷纷表示希望可以尽快到他们所在地区开展MSG，被大家难以抗拒的的热情所感染，于是我们决定在本周（8月15日-8月16日）连续两天分别到苏州和上海两地同时开展MSG线下活动。 如何摆脱单调的周末？结识业内大咖，和小伙伴们交流分享观点，这种体验是非一般的感觉~ 天（8月13日）起 MSG·上海站报名通道正式开启 上海的小伙伴赶紧行动吧~ **参加周日（8月16日）MSG·上海** **扫描下方二维码添加小助手微信报名** **\*备注：MSG上海** **参加周六（8月15日）苏州MSG的小伙伴** ****扫码加好友** \*备注：MSG苏州** **往期MSG线下活动快速通道↓** - 苏州MSG线下活动报名倒计时 - MSG | 杭州场本周六启动，心动了吗？ - MSG正式启动！MindSpore与你共同成长 ## **MSG是什么？** MindSpore Study Group，简称MSG，是提供一个让开发者可以充分进行技术研讨、案例分享、互相交流的公益性社区。为了方便开发者们的深入交流，我们在每个城市都成立MSG组织，满足本地开发者的线下交流机会。 ## **MSG一般会做什么？** 技术研讨 MindSpore技术专家讲解最新版本技术亮点 邀请技术大咖分享关于AI、深度学习最新动态 极客分享 开发者分享MindSpore真实场景的应用案例 极客们分享前沿技术进展与软硬件最新技术 社区贡献 引导开发者从零参与MindSpore社区贡献 培养开发者成为开源社区的contributor ## **你的收获** 如果你是一个位想要接触AI的硬件极客，我们都给你提供软硬结合的必备知识 如果你是一位关注最新技术的算法爱好者，我们都带你了解前沿的技术成果 如果你是一位对开源社区充满热情的开发者，我们都会帮你完成第一个社区PR的提交 ## **如何成为一名MSG组织者** 每个人都有机会成为MSG的组织者，不论你现在在北京、上海深圳，还是杭州、西安成都等城市，都可以提交申请。有志于成为MSG组织者的朋友们，请扫描以下的二维码进行报名。 --- https://www.mindspore.cn/activities/zh/247/ --- 活动中心 MindSpore社区8月新社区群组介绍系列之一 # MindSpore社区8月新社区群组介绍系列之一 2020/09/02 # MindSpore社区8月新社区群组介绍系列之一 ## SIG-MSLITE 昨天才发布了新版本： MindSpore新版本v0.7-beta发布！端侧大更新，四个SIG/WG成立，首个开源ISV对接完成！ （☝点击上方链接回顾新版本介绍） 很快就收到好多小伙伴们的留言说想了解与MindSpore新版本有关的更多资讯，响应群众的呼声今天为大家带来了MindSpore最新周边——MindSpore Lite 先向大家简单介绍MindSpore Lite；为了方便开发者在日常工作场景中应用更高效，随后将深入讲解MindSpore Lite的技术特点；最后带来一些有趣生活实例给大家作为参考，并在文章底部留有参与SIG-MSLITE的方式，期待着与对MindSpore Lite感兴趣的小伙伴们一起深度学习~ 为什么要做MindSpore Lite？ 随着端侧及边缘侧设备算力和传感器数据的增长，以及数据隐私、无网络环境，低延迟等要求，AI能力逐渐由云侧向边缘侧延伸，可大幅降低延迟，节省带宽，保护用户隐私，使能端侧及边缘侧AI应用，在此背景下， MindSpore Lite应运而生。 MindSpore Lite是MindSpore推出的端云协同、轻量化、高性能AI推理框架，用于满足越来越多的端侧AI应用需求。 MindSpore Lite聚焦AI技术在算力，存储，电力等资源受限的端侧及边缘侧设备的部署和运行，已经在华为HMS和智能终端的图像分类、目标识别、文字识别等应用中广泛使用。 未来，MindSpore Lite将与MindSpore AI社区一起，致力于丰富AI软硬件应用生态。 MindSpore Lite技术特点 1.端云协同提供一站式训练和推理 - 提供模型训练、模型转换优化、部署和推理端到端流程 - 统一的IR实现端云AI应用一体化 2.超轻量 - 支持模型量化压缩，模型更小跑得更快 - 提供超轻量的推理解决方案MindSpore Micro，满足智能手表、耳机等极限环境下的部署要求 3.高性能 - 自带的高性能内核计算库NNACL，支持Sliding Windows、Im2Col+GEMM、Winograd等多种卷积优化算法 - 汇编级优化，支持CPU、GPU、NPU异构调度，最大化发挥硬件算力，最小化推理时延和功耗 4.广覆盖 - 支持iOS、Android等手机操作系统 - 支持LiteOS嵌入式操作系统 - 支持手机、大屏、平板、IoT等各种智能设备上的AI应用 - 支持MindSpore/TensorFlow Lite/Caffe/ONNX模型，方便用户快速部署 MindSpore Lite:有趣案例 ☝先look宣传视频，然后带着大家仔细分析下视频里提到的一些有趣案例： - SG BusLeh 用MindSpore Lite帮你快速获得公交到达的所有信息 - Fave 用MindSpore Lite帮你找到旅途中的美食和最优惠价格的私人助理 - CutCut 用MindSpore Lite「带」你去你想去的任何地方 你是否有过深夜加班而错过末班车的无奈 是否看到过心仪的物品，却不知如何查找而感到可惜 又或者仅仅是想为自己平凡单调的生活，增添一丝色彩 用MindSpore Lite马上得偿所愿~ 如何参与SIG-MSLITE 参加社区开发非常简单： 1\. 请先查看SIG-MSLITE的立项文档： https://gitee.com/mindspore/community/blob/master/design/meps/mep-mslite/MEP-MSLITE.md 如果你有任何问题，欢迎骚扰文档开头提到的几位SIG Lead 2\. 查看MSLITE代码： https://gitee.com/mindspore/mindspore/tree/master/mindspore/lite 3\. 在社区提交ISSUE或者PR，正式开始提出你的问题或者做出你的贡献 4\. 微信添加好友搜索：**mindspore0328** MindSpore官方资料 GitHub:https://github.com/mindspore-ai/mindspore Gitee:https://gitee.com/mindspore/mindspore 官方QQ群: 871543426 **长按下方二维码关注↓** --- https://www.mindspore.cn/activities/zh/2477/ --- 活动中心 活动预告| 第七届世界智能大会——昇思MindSpore与你共探人工智能的创新之源 # 活动预告| 第七届世界智能大会——昇思MindSpore与你共探人工智能的创新之源 2023/05/11 # 活动预告| 第七届世界智能大会——昇思MindSpore与你共探人工智能的创新之源 2023年5月17日，**第七届世界智能大会——“科创中国”开源创新与信创产业发展高峰论坛**将在天津大礼堂三楼1号会议室如期举办。 **华为计算开源生态总监黄之鹏**将出席本次论坛，介绍华为计算产业相关的操作系统、数据库及人工智能等领域的大型开源社区的相关发展，分享在建设和运作openEuler，openGauss，MindSpore等开源社区的经验。 昇思MindSpore诚邀您参与，愿与您共探人工智能的创新之源——昇思MindSpore科研创新与产业进展！共同推进AI开源生态建设！ **一、论坛时间地点** **时间：2023年5月17日 14:00-17:00** **地点：天津大礼堂三楼1号会议室** **（天津市河西区友谊路24号）** **二、亮点特色** **亮点一：高规格** 邀请相关政府领导、业界权威院士、资深专家学者、信创产业头部企业代表分别从不同角度分享开源创新与信创发展情况，推动开源生态繁荣发展。 **亮点二：聚资源** 搭建高校、科研院所、重大科研平台、信创产业头部企业和行业用户交流合作平台，推动我国开源产学研用等各类创新主体团结协作和横向联系。 **亮点三：新成效** 发布行业信创天津解决方案，展示天津信创产业优势和亮点，助力“中国信创谷”建设。 **三、议程安排** **14:00-14:20** **领导致辞** **14:2\*\*\*\*0-14:40** **《建设信创强国》** **院士分享** **14:40-15:00** **《开源软件发展趋势及风险分析》** **余 杰 国防科技大学计算机学院研究员、博士生导师，openKylin开源社区秘书长** **15:00-15:20** **《坚底强链** **以“开放麒麟”擘画科技大国新蓝图》** **孔金珠** **天津市信息技术应用创新协会会长、麒麟\*\*\*\*软件有限公司高级副总经理** ****15:20-15:30**** **揭牌仪式及签约仪式** **15:30-15:45** **发布环节：** **1.天津信创解决方案发布** ****2.新产品发布**** ****15:45-16:00**** **《华为计算开源生态建设经验分享》** **黄之鹏 华为计算开源生态总监** **16:00-16:15** **《铸长城固网安 助力天津市信创产业高质量发展》** **王海龙 中电长城科技有限公司副总经理** **16:15-16:30** **《工业软件信创发展创新与实践》** **李春富 北京和利时工业软件有限公司总工程师** **16:30-16:45** **《国产数据库的技术创新实践之路》** **顾云苏 天津神舟通用数据技术有限公司总经理** **赵 伟 天津南大通用数据技术股份有限公司高级副总裁** **16:45-17:00** **《用“芯”服务数字新时代》** **王瑞彬 飞腾信息技术有限公司副总经理** **17:00** **会议结束** （会议相关信息以当天实际安排为准） **四、报名方式** 有意参会的企业请于**5月15日17:00前**扫描以下二维码进行报名。 **扫描上方二维码报名** **五、小助手微信** 如需了解跟多昇思MindSpore资讯与活动，参与更多合作与交流，可添加下方小助手~ **六、组织机构** **指导单位：** 中国科学技术协会 天津市人民政府 **主办单位：** 中国科协科学技术传播中心 “科创中国”开源创新联合体 天津市科学技术协会 天津市工业和信息化局 天津市滨海新区人民政府 **承办单位：** 天津市信息技术应用创新协会 天津滨海高新区信创产教联合体（筹） 天津市软件行业协会 天津信息技术应用创新产业（人才）联盟 北京软件和信息服务业协会 **协办单位：** 天津市滨海新区科学技术协会 天津市南开区科学技术协会 天津市宝坻区科学技术协会 天津市津南区科学技术协会 **支持单位：** 先进计算与关键软件（信创）海河实验室 国家超级计算天津中心 麒麟软件有限公司 曙光信息产业股份有限公司 飞腾信息技术有限公司 华为技术有限公司 中国长城科技集团股份有限公司 天津神舟通用数据技术有限公司 天津南大通用数据技术股份有限公司 北京和利时工业软件有限公司 恒银金融科技股份有限公司 天津市百泰网络科技有限公司 天津泰凡科技有限公司 --- https://www.mindspore.cn/activities/zh/2478/ --- 活动中心 泰酷辣！开源之夏昇思MindSpore任务正在发送中，请查收！ # 泰酷辣！开源之夏昇思MindSpore任务正在发送中，请查收！ 2023/05/11 # 泰酷辣！开源之夏昇思MindSpore任务正在发送中，请查收！ **活动** **介绍** **开源之夏** **开源之夏2023**是由中科院软件所“开源软件供应链点亮计划”发起并长期支持的一项暑期开源活动，旨在鼓励在校学生积极参与开源软件的开发维护，培养和发掘更多优秀的开发者，促进优秀开源软件社区的蓬勃发展，助力开源软件供应链建设。 - 本次活动，昇思MindSpore社区共设置了9个项目，难度包含**基础与进阶**，适合不同层次的同学参与，还可获得下列能力提升资源：**获得社区导师的 1 对 1 专业指导** - 结识开源界小伙伴和技术大牛 - **获得开源项目的经验、经历，丰富个人简历** - 获得纪念品、**奖金**\*\*（基础：税前****8000****元\*\*\*\*/****进阶：税前****12000\*\*\*\*元）\*\*和证书 大家可登录项目页了解详细信息，也可以直接联系项目导师进行咨询。 扫码查看任务 **编号** **项目** **难度** 2349a0404 基于MindSpore Flow实现TBNN网络 基础 2349a0406 基于昇思SciAI实现InversionNet网络 基础 2349a0407 基于昇思SciAI实现PhyLSTM网络 基础 2349a0448 基于LLAMA/Bloom/GLM的高效指令微调和RLHF训练 进阶 2349a0449 基于DDPM的wavegrad，改进reverse process 步数 进阶 2349a0462 基于昇思MindSpore Quantum，实现用于求解分子体系本征态的非变分量子算法 进阶 2349a0562 基于TinyMS实现昇思大模型平台的Library 进阶 2349a0563 基于昇思MindSpore Quantum，实现QAOA加速经典大数因子分解算法 基础 2349a0581 基于MindSpore实现ControlNet训练 进阶 **参与要求** 年满 18 周岁的在校学生；具有有效的学生证和身份证。 **关键时间节点** 学生注册、与导师沟通项目、提交项目审核 4月29日~6月4日 项目申请审核 6月5日~6月25日 中选公示 6月26日 项目开发预热期 6月26日~6月30日 项目开发 7月1日~9月30日 结项审核-PR/MR合并与导师审核 10月1日~10月31日 结项审核-组委会成果审核 11月1日~11月8日 结项公示 11月9日 年度优秀学生评选 11月 **交流&咨询** **欢迎对昇思MindSpore项目感兴趣的同学** **加入昇思MindSpore社区开源之夏交流群** 扫码添加小助手（备注开源之夏）即可进群 --- https://www.mindspore.cn/activities/zh/2479/ --- 活动中心 明日开讲！昇思MindSpore技术公开课大模型专题·第四讲GPT2课程预告 # 明日开讲！昇思MindSpore技术公开课大模型专题·第四讲GPT2课程预告 2023/05/12 # 明日开讲！昇思MindSpore技术公开课大模型专题·第四讲GPT2课程预告 昇思MindSpore技术公开课大模型专题的第四节课程——GPT2即将与大家见面，明日（5月13日）14：00 - 15：30，锁定**B站直播间【MindSpore官方】**，了解GPT2在零样本（zero-shot）任务的预训练探索。 --- https://www.mindspore.cn/activities/zh/248/ --- 活动中心 MindSpore社区8月新社区群组介绍系列之二 # MindSpore社区8月新社区群组介绍系列之二 2020/09/03 # MindSpore社区8月新社区群组介绍系列之二 ## SIG-DPP 继昨天发布的MindSpore社区8月新社区群组介绍系列之一——SIG-MSLITE（☚点击可回顾）向大家介绍了MindSpore推出的端云协同、轻量化、高性能AI推理框架MindSpore Lite，可以满足越来越多的端侧AI应用需求。 MindSpore社区将持续优化各项功能提供最佳操作体验，今天向大家介绍旨在“无缝”融合深度学习模型和概率学习模型——MindSpore深度概率编程（MDP），相信在日常工作中有了MDP的协助，能更加高效的完成各项任务，接下来让我们来一起了解MDP是什么吧~ 为什么MindSpore社区要做深度概率编程库？ 相比于传统的深度神经网络模型，深度概率模型(Deep Probabilistic Programming Model )具有更好的鲁棒性和可解释性。但是深度概率模型需要用户理解概率模型的建模思维和编程方法，因此对于传统深度学习开发者而言有较高门槛。 MindSpore深度概率编程库与清华大学的ZhuSuan相结合，提供与深度学习无缝融合的高效贝叶斯学习编程库，可以帮助开发者们更好的理解和学习。 MindSpore深度概率编程库特点 MindSpore深度概率编程（MDP）旨在“无缝”融合深度学习模型和概率学习模型，满足不同用户的需求： - 对于深度学习的用户 MDP支持深度神经网络一键转贝叶斯神经网络，方便上手，并提供不确定性估计等面向具体应用场景的工具箱； - 对于专业的概率学习用户 MDP提供通用、模块化的高性能贝叶斯建模和推断方法库，包括概率采样库、贝叶斯神经网络，概率推断算法等，帮助用户更加快速、简洁地进行概率编程。 MindSpore下一步工作计划 - 增加BNN layers的实现方法，包括Local Reparameteration、Flipout等典型方法； - 丰富面向具体应用场景的工具箱，提供OoD（Out of Distribution）检测等功能； - 增加马尔可夫链蒙特卡洛(MCMC)方法，用于支持数据生成和推理等模型功能； - 增加贝叶斯上下文管理，用于支持构建复杂的贝叶斯模型。 如何参与SIG-DPP 参加社区开发非常简单： 1\. 请先查看SIG-DPP的立项文档： https://gitee.com/mindspore/mindspore/issues/I1RG6C 如果你有任何问题，欢迎联系SIG Lead，来自清华大学的陈键飞博士(主要研究为贝叶斯推理，深度生成模型和图模型等) 2\. 查看MDP代码： https://gitee.com/mindspore/mindspore/tree/r0.7/mindspore/nn/probability 3\. 在社区提交ISSUE或者PR，正式开始提出你的问题或者做出你的贡献 4\. 微信添加好友搜索：**mindspore0328** MindSpore官方资料 GitHub:https://github.com/mindspore-ai/mindspore Gitee:https://gitee.com/mindspore/mindspore 官方QQ群: 871543426 **扫描下方二维码关注↓** --- https://www.mindspore.cn/activities/zh/2480/ --- 活动中心 【昇思MindSpore技术公开课】第三节课GPT的课程回顾来啦！ # 【昇思MindSpore技术公开课】第三节课GPT的课程回顾来啦！ 2023/05/11 # 【昇思MindSpore技术公开课】第三节课GPT的课程回顾来啦！ 上周六（5月9日）我们为大家讲解了GPT-1模型，不知道小伙伴们掌握得怎么样呢？在这里我们奉上GPT课程的内容回顾，帮助大家快速查缺补漏。如果遇到问题，欢迎大家在答疑群或者课程代码仓的issue项中进行提问~ **一、** **课程回顾** （具体课程回顾详情可扫描下方二维码，进入课程代码仓中的0.Course-Review进行查看） \- **Semi-Supervised Learning** \- **Unsupervised Pretraining** - 模型预训练优化目标 - 模型结构 \- **Supervised Fine-Tuning** - 模型finetune优化目标 - 下游任务及对应的输入处理 **二、课程实践** 课程中我们讲解了如何finetune GPT模型实现分类（classification）任务，大家可以在另三类下游任务中选择一种进行实践，注意不同的下游任务需要对模型进行不同的处理。 **三、** **下节课预告** 本周六（5月13日）14：00-15：30，将由我们颜值与人气并存的**CUQ弟中弟老师**为大家带来**GPT2**课程的讲解，这里悄悄剧透一下课程内容： **GPT2** \- Task Conditioning \- Zero Shot Learning and Zero Shot Task Transfer \- 使用GPT2训练一个 few shot 任务 **四、课程建议和课后答疑** 如果大家在运行代码中遇到什么问题，对课程有什么建议，或者希望我们增添什么内容，都可以在昇思MindSpore技术公开课大模型专题的代码仓中提issue进行反馈，或者加入课程讨论群，会有课程讲师在群中进行答疑。 --- https://www.mindspore.cn/activities/zh/2481/ --- 活动中心 1000万奖金池！昇腾AI创新大赛2023昇思赛道正式开赛了！ # 1000万奖金池！昇腾AI创新大赛2023昇思赛道正式开赛了！ 2023/05/12 # 1000万奖金池！昇腾AI创新大赛2023昇思赛道正式开赛了！ 昇腾AI创新大赛2023昇思赛道正式开赛了！ --- https://www.mindspore.cn/activities/zh/249/ --- 活动中心 金秋九月——论坛活动奖品多多 # 金秋九月——论坛活动奖品多多 2020/09/04 # 金秋九月——论坛活动奖品多多 在上次论坛活动中，是大家的支持和关注，创造了双赢的局面，感谢！其次，也要提醒各位用户：我们的论坛活动是持续的哦，送走了8月的热情，金秋的9月我们继续相会，分享MindSpore使用上的经验、提出在疑问、帮助答疑，我们好礼不断，继续有奖品相送，以资鼓励。也希望大家都有所收获。 活动时间： 9月1日——9月30日 # 活动规则： ## 1、在MindSpore论坛中，提问、分享、回复与MindSpore相关的技术问题或使用上的分享。在每月月末统计中： ## （1）分享次数排名前3名； ## （2）提问次数排名前2名； ## （3）回复次数排名前1名； ## 获得以上三项排名的用户，发送奖品，以示鼓励。 ## 2、获得奖励的人员可在奖品清单中任选一种。 ## 3、活动每个月一次，到次月的3日前公布奖励名单。 ## 4、获奖公布方式：每个周期的获奖名单会在活动帖评论区中公示，并会单独发消息给获奖人。（请各位参与者多多留意自己的消息提醒。） # 奖品展示： 工来工往笔记本支架 绿联高速拓展4口HUB分线器 本所电脑收纳包 活动说明： ## 1、提问、分享和回复的内容要与MindSpore相关，不相关视作无效操作； ## 2、操作内容中含有水印的视为无效内容，属于无效操作； ## 3、活动结束后统一联系各位获奖者，发放奖励； ## 4、最终解释权归MindSpore团队所有。 **MindSpore论坛活动（07.17-08.31）获奖名单：** 分享次数最多——获奖用户昵称： 1\. Yesterday 2\. JeffDing 3\. Tianyi\_li 提问次数最多——获奖用户昵称： 1\. 有点意思啊 2\. tom\_boy 回复次数最多——获奖用户昵称： 1\. richard\_chen 本活动帖长期有效，每月都有新奖品，欢迎大家继续踊跃参与！ ## 论坛地址：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/2496/ --- 活动中心 明日开讲！昇思MindSpore技术公开课大模型专题·第五讲自动并行课程预告 # 明日开讲！昇思MindSpore技术公开课大模型专题·第五讲自动并行课程预告 2023/05/19 # 明日开讲！昇思MindSpore技术公开课大模型专题·第五讲自动并行课程预告 昇思MindSpore技术公开课大模型专题的第五节课程——MindSpore自动并行即将与大家见面，明日（5月20日）14：00 - 15：30，锁定**B站直播间【MindSpore官方】**，了解昇思MindSpore分布式并行技术。 --- https://www.mindspore.cn/activities/zh/2497/ --- 活动中心 第二届智能流体力学产业联合体大会，倒计时2天！ # 第二届智能流体力学产业联合体大会，倒计时2天！ 2023/05/19 # 第二届智能流体力学产业联合体大会，倒计时2天！ 第二届智能流体力学产业联合体大会将于2023年5月21日在杭州西湖大学（云谷）学术交流中心召开。 三位中国科学院院士唐志共、杨卫、陈十一将为大会作致辞、分享，华为昇腾计算业务总裁张迪煊也将现场致辞。会上，昇思MindSpore业务总经理丁诚将报告联合体大会的总结，华为AI4S LAB副主任王紫东以昇思在智能流体力学方向的研究进展及规划为主题作演讲。 距大会召开倒计时2天，敬请关注！ 详细会场信息及活动现场如下： 智能流体力学产业联合体是在中国空气动力学会指导下，由唐志共院士等为代表的产业界领军人物和30多家全球头部流体力学高校、科研院所与龙头企业共同组建的产业联合体，秘书处设在西北工业大学。联合体将以昇腾AI与昇思MindSpore AI框架等人工智能技术为基础，推动AI与流体力学的深度融合，加速流体力学领域的科研创新、技术进步、产业升级、人才培养，为飞机、高铁、轮船等制造业提质增效。 --- https://www.mindspore.cn/activities/zh/2498/ --- 活动中心 第二届智能流体力学产业联合体大会，倒计时1天！ # 第二届智能流体力学产业联合体大会，倒计时1天！ 2023/05/20 # 第二届智能流体力学产业联合体大会，倒计时1天！ 第二届智能流体力学产业联合体大会将于2023年5月21日在杭州西湖大学（云谷）学术交流中心召开。 距大会召开倒计时1天，敬请关注！ 详细会场信息及活动现场如下： 智能流体力学产业联合体是在中国空气动力学会指导下，由唐志共院士等为代表的产业界领军人物和30多家全球头部流体力学高校、科研院所与龙头企业共同组建的产业联合体，秘书处设在西北工业大学。联合体将以昇腾AI与昇思MindSpore AI框架等人工智能技术为基础，推动AI与流体力学的深度融合，加速流体力学领域的科研创新、技术进步、产业升级、人才培养，为飞机、高铁、轮船等制造业提质增效。 --- https://www.mindspore.cn/activities/zh/2507/ --- 活动中心 MindSpore论坛报错活动第十期 # MindSpore论坛报错活动第十期 2023/05/25 # MindSpore论坛报错活动第十期 ### **奖励规则** **1、每个任务难度等级不同，完成不同等级任务获得对应的奖励！** ·难度等级：易，奖品预览 ·难度等级：中，奖品预览 **2、若被选为优秀案例，奖品奖励将会在原来基础上升级！** ·原本’难度等级：易‘的可在’难度等级：中‘的奖品中选择； ·原本’难度等级：中‘的可获得150元京东自营自选。 ### **活动时间** **2023年05月23日——2023年06月04日** **活动方式** 1\. 已发布5个报错任务在论坛的“活动体验板块”，完成其中的一个或多个。 任务帖名称 任务帖链接 难度等级 MindSpore中的ops.cumsum 函数首次计算结果错误 https://www.hiascend.com/forum/thread-0203120135912758102-1-1.html 易 MindSpore中的TopK算子存在计算错误现象 https://www.hiascend.com/forum/thread-0240120136116303085-1-1.html 易 使用MindSpore的loss计算时报错 https://www.hiascend.com/forum/thread-0254120136300927075-1-1.html 易 Cell对象序列化失败-使用pickle.dumps保存到本地后重新加载失败 https://www.hiascend.com/forum/thread-0253120204994186001-1-1.html 中 使用MindSpore在NPU上的切片操作x=x\[:,::-1,:,:\]不生效 https://www.hiascend.com/forum/thread-0258120137908775001-1-1.html 中 贴心的我们给大家提供了完成任务发帖示例：import报错：Load dynamic library libmindspore\_ascend failed，以及定位解决，欢迎参考哦！！！ 2\. 用户根据个人意愿选择报错任务，将内容填写完整后，发布在本论坛的\*\*“技术干货->功能调试”\*\*中。 3\. 将个人邮箱和第二步的干货链接，回复在对应的报错任务下方。 4\. 每个任务择优选取一位用户获奖。 ### **注意事项** 1\. 请勿刷帖，刷帖一律删帖并做无效参与处理。 2\. 必须保证原创，抄袭按无效参与处理。 3\. 请勿盗取他人截图或内容，一经发现做无效参与处理。 4\. 必须符合设定的格式，否则算作无效参与。 \*最终解释权归MindSpore团队所有。 --- https://www.mindspore.cn/activities/zh/2509/ --- 活动中心 【直播预告】5月27日易用性SIG分享会——基于昇思MindSpore的实践应用及调试工具包 # 【直播预告】5月27日易用性SIG分享会——基于昇思MindSpore的实践应用及调试工具包 2023/05/26 # 【直播预告】5月27日易用性SIG分享会——基于昇思MindSpore的实践应用及调试工具包 **5月27日（本周六）10:00—11:50**，**第六期易用性SIG线上技术分享会**面向昇思MindSpore易用性SIG成员与更广大的开发者，分享基于昇思MindSpore的图像分割应用，同时总结算子开发、模型迁移和套件开发的项目经验，最后介绍网络开发调试工具包：TroubleShooter的使用。 --- https://www.mindspore.cn/activities/zh/251/ --- 活动中心 MindSpore社区8月新社区群组介绍系列之三 # MindSpore社区8月新社区群组介绍系列之三 2020/09/07 # MindSpore社区8月新社区群组介绍系列之三 ## WG- Molecular Modeling 什么是分子动力学 分子动力学\[0\]最早在20世纪50年代由物理学家提出，是一套分子模拟方法，该方法主要是依靠计算机来模拟分子、原子体系的运动，是一种多体模拟方法。 分子动力学如今被广泛应用于广泛应用于物理、化学、生物、材料、医学等领域： - 通过研究石墨烯中的离子输运来了解石墨烯的机械性质，从而为创造新材料做好基础； - 在新冠肺炎病毒变异研究中利用分子动力学来预测药物靶位，从而研制出高效的疫苗。 可以说是当之无愧的基础核心技术。 具体来说分子动力学是通过对分子、原子在一定时间内运动状态的模拟，从而以动态观点考察系统随时间演化的行为。通常分子、原子的动向是通过数值求解牛顿运动方程得到，势能（或其对笛卡尔坐标的一阶偏导数，即力）通常可以由分子间相互作用势能函数、分子力学力场、全始计算给出。 势能函数的计算方式通常有两种： - 量子力学： - 又称为“从头算”（ab initio）方法或“第一性原理”（ First Principle ）方法，指基于量子力学基本原理，直接求解薛定谔方程（Schrödinger Equation ）的量子化学计算方法。其特点是没有经验参数，精度高，可以描述化学键的断裂和生成等涉及电子结构变化的过程，但计算耗时极长。 - 分子力学： - 使用分子力场（Force Field）来描述体系的势能函数。传统的分子力场使用一系列经验性的数学函数，对用QM放法计算或者实验得到的数据进行参数拟合，从而得到体系的势能函数。该方法的特点是计算速度快，但精度受限于所拟合的对象，可迁移性差，且通常无法模拟化学键的断裂和生成，也即无法模拟化学反应的过程。 分子动力学模拟的现实与需求 优化的对象→MD的可达到的时间尺度： 能量函数的计算复杂度 积分步长 体系粒子数 优化的目标→如何拓展MD的时间尺度: 特殊硬件: ×10^3 增强抽样方法：×10^3~6 能够快速计算的替代势能函数(light-speed surrogate energy function)：×10^3~6 传统分子动力学软件的问题及应对策略 问题： - 多年前开始使用C/C++或Fortran编写，历史包袱沉重 - 需要对所有函数手工写其对应的导数，以计算势能和力 - 需要手工处理并行（MPI）操作 - 在专用加速设备（如GPU）上运行需要单独编写对应代码，不同设备之间的迁移非常麻烦 - 传统分子力场模型存在“精度”和“速度”之间的矛盾 应对策略： - 使用新的库重新编写MD软件 - 使用自动微分技术处理势能和力 - 使用自动并行技术实现MD并行操作 - 使用TVM等技术实现代码在不同设备间的迁移 - 使用深度分子模型替代传统分子力场模型 深度分子模型：深度学习与分子动力学的结合\[1\] **现有的深度分子模型架构：** 基于描述符（Descriptor）的模型 基于图神经网络（Graph Neural Network）的模型 **基于图神经网络的分子模型：** SchNet: arXiv:1706.08566 PhysNet: arXiv:1902.08408 为什么要发起WG-MM（分子动力学工作组） 如前所述，深度分子模型的实现，需要在框架层面进行多方面的适配，而在非常适合科学计算场景的MindSpore社区成立协调多个SIG协作的工作组，成为了深圳湾实验室分子动力学团队进行相关开源协作的首选。 WG-MM的主要职责将会是集中梳理分子动力学研究对MindSpore的需求、在每个版本周期同相关SIG合作落地相应诉求、以及形成相关的教程性文档。我们在此特别感谢深圳湾实验室团队选择MindSpore社区进行这样卓有远见的研究和开发。 如何参与WG-MM 1\. 参加社区开发非常简单： 请先查看WG-MM的立项文档： https://gitee.com/mindspore/community/blob/master/design/meps/mep-mm/MEP-MM.md 如果你有任何问题，欢迎联系文档开头提到的几位来自深圳湾实验室分子动力学团队的专家老师 2\. 在社区提交ISSUE或者PR，正式开始提出你的问题或者做出你的贡献 3\. 微信添加好友搜索：**mindspore0328** 参考文献 ## 参考文献 \[0\]https://zh.wikipedia.org/wiki/%E5%88%86%E5%AD%90%E5%8A%A8%E5%8A%9B%E5%AD%A6 \[1\]Zhang, J.; Lei, Y.-K.; Zhang, Z.; et al. A Perspective on Deep Learning for Molecular Modeling and Simulations. J. Phys. Chem. A 2020, DOI: 10.1021/acs.jpca.0c04473 MindSpore官方资料 GitHub:https://github.com/mindspore-ai/mindspore Gitee:https://gitee.com/mindspore/mindspore 官方QQ群: 871543426 扫描下方二维码关注我们 --- https://www.mindspore.cn/activities/zh/2510/ --- 活动中心 会议预告 | 2012实验室全球软件技术峰会 - 欧洲研究院专场 # 会议预告 | 2012实验室全球软件技术峰会 - 欧洲研究院专场 2023/05/27 # 会议预告 | 2012实验室全球软件技术峰会 - 欧洲研究院专场 **会议简介** 2012实验室全球软件技术峰会是连接全球、探讨新技术、碰撞新思想、促进软件和软硬协同技术创新与架构突破的交流大会，由华为2012实验室软件分委会、科学家委员会联合加拿大、欧洲、亚太等研究院举办。大会将邀请产业界和学术界顶级技术专家，围绕行业趋势和前沿技术，在软件技术纵深协同和软件业务横向跨域协同主题上开展深入讨论，携手推动软件扎到根、捅破天。 2012实验室全球软件技术峰会2023年欧洲研究院专场将于2023年5月31日-6月2日举行，由华为欧洲德累斯顿、爱丁堡、爱尔兰、剑桥、巴黎五大研究所联合承办，此次大会邀请到了40余位产业界和学术界的顶级专家、学者参会作专题报告，其中包括ACM Fellow、欧洲杰出青年、华为ICT/Cloud等产品线科学家、微软/谷歌/Oracle等公司科学家，将重点围绕操作系统、分布式计算、 知识计算、编译器与编程语言、软件可信5大领域的最新趋势、挑战和机遇进行深入讨论，携手推动软件扎到根。热切期盼您莅临本次峰会！ \*\*主页地址：\*\*https://huawei-events.de/en/gsts23.htm \*\*时间：\*\*2023 年 5 月 31日 - 6月 2 日 (北京时间)\*\*地点：\*\*德累斯顿、爱丁堡、爱尔兰 & 线上 **Live直播** _扫码观看直播_ **分会场介绍** **欧洲-德国德累斯顿 | 操作系统峰会** 时间：2023 年 5 月 31 日 - 2023年 6 月 1 日 (北京时间) **欧洲-英国爱丁堡 | 分布式计算&操作系统峰会** 时间：2023年 6 月 1 日 (北京时间) **欧洲-英国爱丁堡 | 知识计算、编程语言与编译器峰会** 时间：2023 年 6 月 2 日 (北京时间) **欧洲-爱尔兰都柏林 | 软件自治可信技术与云服务技术峰会** 时间：2023 年 6 月 2 日 (北京时间) **会议议程** --- https://www.mindspore.cn/activities/zh/252/ --- 活动中心 秋来天高气爽，订阅资讯就抽奖！ # 秋来天高气爽，订阅资讯就抽奖！ 2020/09/07 # 秋来天高气爽，订阅资讯就抽奖！ ## 欢迎关注MindSpore！ 秋天到了，天气转凉，渐渐就要摆脱夏日烦闷啦。凉爽的季节让人calm and efficient！！！ 很多细心小伙伴们会发现，MindSpore每个月都有活动哎，但是没有关注总是错过怎么办？哪里能直接获取MindSpore最新资讯呢？ 那就来订阅MindSpore官网资讯吧，第一时间发布MindSpore线上线下活动，新版本特性，还有知识分享哦！ ## 活动时间： 9月7日00：00——9月13日23：59 ## 参与方式： 1\. 登录官网新闻界面https://www.mindspore.cn/news，点击最下方“订阅MindSpore最新资讯”按钮 2\. 输入个人邮箱地址并勾选下方我已同意《MindSpore隐私政策》，点击“订阅”。 3.显示订阅成功之后，去个人邮箱打开MindSpore发送的订阅成功的邮件，截图并保存，截图示例如下: # (收件人的邮箱地址要清晰，作为抽奖以及中奖后的唯一联系凭证!!!) 4.在活动时间内将截图回复在MindSpore论坛活动贴，视为参与成功。 活动贴地址：https://bbs.huaweicloud.com/forum/thread-76038-1-1.html 5.本次活动将随机抽取30名用户,用户在奖池内自选一款精美小礼品，抽奖视频公开。 ## 奖品设置 ： 1\. 富光304不锈钢茶杯保温杯 2.OPUS小Q保温杯 3.解压巴克球 5mm216+6颗 4.紫米USB迷你桌面手持小风扇 5.斯得弗手机散热器 \*每个账号只可参加一次，重复参加取消抽奖资格 \*如遇奖品缺货，可更换其他奖池内的小礼品 \*最终解释权归MindSpore团队所有 --- https://www.mindspore.cn/activities/zh/2526/ --- 活动中心 周六开讲！昇思技术公开课大模型专题·第7讲Prompt Tuning课程预告 # 周六开讲！昇思技术公开课大模型专题·第7讲Prompt Tuning课程预告 2023/05/29 # 周六开讲！昇思技术公开课大模型专题·第7讲Prompt Tuning课程预告 6月3日，下午14:00锁定**B站直播间【MindSpore官方】**，昇思MindSpore布道师带你全面解析Prompt Tuning。深度探究，还原本质，昇思MindSpore与你一同成长！ --- https://www.mindspore.cn/activities/zh/2527/ --- 活动中心 大赛报名 | 2023 MindSpore量子计算黑客松全国大赛正式开启，新增热身赛道，小白和达人一起来挑战 # 大赛报名 | 2023 MindSpore量子计算黑客松全国大赛正式开启，新增热身赛道，小白和达人一起来挑战 2023/05/30 # 大赛报名 | 2023 MindSpore量子计算黑客松全国大赛正式开启，新增热身赛道，小白和达人一起来挑战 **1** **大赛简介** **【赛事介绍】** 围绕“强化量子人才培养、推进量子科技创新、加快量子产业升级”的宗旨，2023 MindSpore量子计算黑客松全国大赛震撼来袭。本次大赛由量子信息网络产业联盟主办，昇思MindSpore Quantum SIG承办，中国科学技术大学、电子科技大学和上海大学等联合举办。 开发者将全面体验新一代通用量子计算套件MindSpore Quantum和量子模拟加速引擎QuPack，享受比赛，享受挑战。 **全新的竞赛体验，卓越的框架性能，活跃的开源社区！快来报名参赛，挑战全国总冠军！** **【参赛对象】** 对量子计算感兴趣，具备基本Python编程能力的**所有开发者**，均可报名参加。**选手可自行组队，每队1-4人，其中队员1-3人，导师1人（可选）。** 每个团队可配备一位导师，指导团队获得决赛奖项的导师，将有机会获得\*\*“优秀导师”\*\*称号，导师需进行赛事报名。 **2** **赛程安排** **3** **大赛详情** **4** **报名方式** **1、扫描下方二维码即可报名** 大赛官网报名二维码 **2、点击公众号下方 “阅读原文” 可直接报名** **3、参赛选手交流群（仅作为选手之间讨论和交流）** 请扫描下方小助手二维码，回复“**量子黑客松**”进入交流群。大赛重要节点通知会在群内第一时间告知，请所有报名选手务必加群。 大赛小助手二维码 **5** **往届大赛精彩回顾** 赛事回顾 | 第四届·2022量子计算黑客松全国大赛圆满落幕！ http://mp.weixin.qq.com/s?\\\_\\\_biz=MzI3NjAzMjA0NA==&mid=2247492593&idx=1&sn=67c20447eeca2abe5c397d73d5dc63cf&chksm=eb791cb2dc0e95a4ddfd4004afffa32cdadd6816c5c2d12e880eef39415fbc0f9b0a1bef818a&scene=21#wechat\\\_redirect --- https://www.mindspore.cn/activities/zh/2528/ --- 活动中心 报错不用愁，宝典来解忧！共同解锁报错宝典新玩法 # 报错不用愁，宝典来解忧！共同解锁报错宝典新玩法 2023/06/02 # 报错不用愁，宝典来解忧！共同解锁报错宝典新玩法 # 1 活动简介 报错调试宝典后续来咯~报错调试宝典的所有内容已经全部更新完毕，为了进一步帮助大家理解报错调试的方案解决流程，欢迎各位动手实践一下，丰富MindSpore论坛社区内容，活跃论坛气氛。 # 2 活动时间 06月02日——06月18日 # 3 活动方式 1\. 体验“汇总在手，玩转自由|报错调试宝典大收官~”中的昇思MindSpore报错调试宝典，并在该帖下评论出您的体验反馈和建议，并留下个人邮箱哦； 2\. 结合自己所遇到过的报错场景，参考昇思MindSpore报错调试宝典中的指导进行调试解决，记录报错时的详细信息+调试成功的过程，总结成一篇不低于500字的技术干货并发布在昇思MindSpore论坛中（发帖过程可参考发帖指南）。发布完成需将发布的帖子链接和个人邮箱评论在本活动帖子下，评论如下： 3\. 活动结束后将对参与的评论进行抽奖，对技术干货帖子进行审核，抽奖和审核结束后会发布获奖公告，并通过2335846400@qq.com邮箱联系获奖者。 # 4 奖励方式 1\. 参与评论的用户，将使用对应评论中的邮箱随机抽20位作为获奖用户，获奖的每位可获得50元京东自营自选的奖励； 2\. 参与发布技术干货的用户，在审核通过后每篇可获得100元京东自营自选的奖励。 # 5 发帖指南 1\. 打开昇思MindSpore论坛，如果没有账号的用户请先注册，已有账号的用户请直接登录。 2\. 登录上个人账号后，请点击“我要发帖子”。 3\. 进入帖子编辑页面，首先请点击分类框并选择，然后再编辑标题和帖子详情内容，完成编辑后点击“发布帖子”即可。 # 6 注意事项 1.干货内容经审核合格后方可算数。 2.请勿盗取他人截图或内容，一经发现做无效参与处理。 3.最终解释权归昇思MindSpore团队所有。 --- https://www.mindspore.cn/activities/zh/254/ --- 活动中心 MindSpore社区8月新社区群组介绍系列之四 # MindSpore社区8月新社区群组介绍系列之四 2020/09/10 # MindSpore社区8月新社区群组介绍系列之四 ## WG-Research 人工智能领域 作为一个技术发展日新月异，新研究新成果层出不穷的领域，MindSpore社区持续关注着人工智能领域发展的新方向，并总结出10大影响人工智能发展的方向，针对这10大方向成立WG-Research（研究工作组），在了解了WG-Research之后，希望有幸能邀请您一起进行深度探讨~ 简单介绍完毕让我们进一步了解MindSpore社区系列之四——WG-Research 所面向的是哪10大方向，针对这10个课题又有什么idea呢？ MindSpore着眼面向未来共同技术研究AI课题 NO.1 通用的张量可微分计算框架 · 新网络模型对深度学习框架的IR表达、优化和执行提出挑战，包括引入新的op抽象级别，模型的动态性等; · 第三方高性能计算语言或框架加速，迫切需要通用性更强的张量计算框架和API设计; · 模型层和算子层统一优化的技术挑战，包括层次化IR设计、优化基础设施、自动化调优、循环优化等。 NO.2 分布式并行原生的AI计算框架 · 模型规模和复杂度越来越高。比如1750亿参数量的GPT-3 ，百亿特征推荐等； · 模型手工切分难。需要结合计算量、集群规模、通信带宽、网络拓扑等信息才能构造出并行模式； · 并行表达缺乏适应性。单纯Graph级别的模型切分无法获得有效加速比，需要算法逻辑和并行逻辑解耦。 NO.3 整网低bit训练策略 目前混合精度能自动针对网络进行fp16、fp32进行精度调节以提升训练性能和内存优化，但这种优化针对不同的ai芯片策会有所不同（算子开销情况不同），不同硬件不同网络的配置有所差异。 因此，如何自动的生成适配各种硬件的精度调节策略，特别是更激进的低bit策略和更大范围的算子降精度。 NO.4 内存优化 内存有多种优化策略，有些优化策略基于重计算、host-device内存倒换等，会增加计算量。但能通过增加计算量的进一步突破内存瓶颈，提高网络的batchsize，而batchsize的提升往往能提升GPU、NPU的利用率从而提升吞吐性能。 NO.5 可验证可信AI · 可信AI（或AI责任）的多个方面，例如鲁棒性、后门、公平性、隐私保护能力、可追责性等，逐渐引起业界关注； · 学者对于可信AI属性的理解和研究是许多是基于实证的（empirical），基于理论的研究较少； · 可信AI属性约束的可验证、可证明的分析、调优、评价方法需要理论指导。 NO.6 密态AI · AI业务在训练和部署过程中，数据、模型和计算资源可能分属各方，因此涉及大量的数据跨信任域移动，数据隐私保护和模型机密性保护的问题突出。 · 密态计算是保护关键数据机密性的重要方向。目前，基于可信执行环境的密态计算具有性能优势，然而信任模型受限；基于加密学（如同态加密，多方计算）的密态计算信任模型简单，然而性能距离实用尚存在差距； · AI场景下的一系列针对性优化可能提升密态AI的性能，包括但不限于：适应AI场景的密态算法和神经网络结构、中间层表达、编译优化技术、基于硬件的优化加速。 NO.7 自动调优推荐 训练出满足精度要求的模型，往往需要丰富的专家知识以及反复迭代尝试。虽然有AutoML技术，但仍然存在搜索空间设定难、搜索空间大训练时间长的问题。如果可以结合用户训练的迭代历史，通过分析历史数据，实现一种轻量化的超参推荐手段。 同样，对于性能调优，也存在类似问题，在不同的异构硬件、模型、数据处理场景下，需要专家知识进行调优。因此是否可以通过自动识别系统性能瓶颈、推荐代码路径等方法，来降低性能调优门槛？ NO.8 符合人类认知的可解释AI方法 目前的深度学习模型因为其技术原理存在本质上的黑盒性质，从而导致AI服务的不透明及不可解释性，进一步约束了基于AI服务的商业应用与推广。现有的可解释AI技术主要关注于如何对黑盒模型进行有限度的、工程性的辅助信息输出技术，而忽略了从人类认知角度，如何对AI模型进行理解。 人类理解事物通常通过类比、比喻、归纳等认知方法，并且具有一定的心理认知构建流程。期望能够探寻比较体系化的符合人类认知的可解释AI方法，包括交互界面、解释方法、量度手段等等。 NO.9 NN与机器学习结合的通用AI 结合传统模型和神经网络的模型创新是研究热点 深度概率模型创新：通过神经网络和概率模型的组合，该模型可以更好的表达不确定性地帮助决策 图神经网络：神经网络与传统的图结构相结合，面向认知推理和未来趋势 NO.10 AI和科学计算聚合创新 AI建模：AI自动建模可以有效地提高科学计算的建模效率，收敛性分析可以提高模型的可靠性，并确保用户的简单放心使用。 AI解决方案：高阶微分的计算量随参数和阶数呈指数增长。我们可以设计神经网络模型来解决此类经典问题。 发起WG-Research（研究工作组） 华为的MindSpore社区团队决定在社区发起研究工作组，面向以上十大方向，征集大家的智慧与能力，开展创新协作： NO.1 通用的张量可微分计算框架 前沿应用驱动，从新型模型、动态模型、高性能计算等视角，研究未来计算框架的演进方向和关键技术路径。 NO.2 分布式并行原生的AI计算框架 以超大模型为驱动，研究加速分布式训练的关键技术，包括但不局限于自动并行、混合并行、内存优化、弹性伸缩等。 NO.3 整网低bit训练策略 自适应的提供针对各种网络，整网低bit精度训练机制。 NO.4 内存优化 如何自适应的找到合适的内存优化策略使得在网络能执行的前提下，整体性能优化或者提供一种策略。 NO.5 可验证可信AI 对于可信AI，提出可验证、可证明的机制研究、评价体系等。 NO.6 密态AI 达成一个实际AI应用场景下性能可行、灵活的AI密态计算框架，或者其中的关键技术。 NO.7 自动调优推荐 可以自动推荐优化的超参配置、性能优化路径，降低模型开发、使用门槛，提升模型调试调优效率。 NO.8 符合人类认知的可解释AI方法 一套完整的符合人类认知的可解释AI方法策略，针对不同场景、不同认知，提供需要的交互认知接口设计方案，并对典型场景的有个例设计。 NO.9 NN与机器学习结合的通用AI 完备的概率采样库和概率推断（通过已知样本学习总体样本的概率分布）算法库； 面向动态变化的异构图（特征维度不同，信息汇聚方式不同）设计新的算法； 超大规模（Trillion）分布式图数据存储、切分和采样。 NO.10 AI和科学计算聚合创新 建模：针对科学问题构造神经网络，训练数据和Loss函数 求解：AI模型解微分方程，解优化问题，支持高阶微分 如何参与WG-Research ### 1\. 熟悉课题计划 - **2020-9** MindSpore TSC评议research working plan - **2020-10** 创建research working group并公开发布课题内容 - **2020-10~2021-10** 2\. 查看WG-Research的立项文档： https://gitee.com/mindspore/community/blob/master/design/meps/mep-research/MEP-RESEARCH.md 如果你有任何问题，欢迎邮件联系工作组负责人wang1@huawei.com 3\. 在社区提交ISSUE或者PR，正式开始提出你的问题或者做出你的贡献 4.微信添加好友搜索：**mindspore0328** ## 扫描下方二维码关注公众号 --- https://www.mindspore.cn/activities/zh/2554/ --- 活动中心 周六开讲！昇思技术公开课大模型专题·第9讲多模态预训练大模型课程预告 # 周六开讲！昇思技术公开课大模型专题·第9讲多模态预训练大模型课程预告 2023/06/12 # 周六开讲！昇思技术公开课大模型专题·第9讲多模态预训练大模型课程预告 6月17日，昇思MindSpore技术公开课精彩继续！本期迎来第9讲 Instruct Tuning ，昇思MindSpore易用性专家与你分享语言模型的魅力！本周六14点，一起来昇思MindSpore B站官方直播间吧！ --- https://www.mindspore.cn/activities/zh/2558/ --- 活动中心 倒计时2天！人工智能框架峰会2023与你相约上海 # 倒计时2天！人工智能框架峰会2023与你相约上海 2023/06/14 # 倒计时2天！人工智能框架峰会2023与你相约上海 倒计时2天！共建AI开源生态圈，共享创新社区，人工智能框架生态峰会2023将于6月16日正式召开，一起期待！ --- https://www.mindspore.cn/activities/zh/256/ --- 活动中心 2020.09.17 莫斯科站 # 2020.09.17 莫斯科站 2020/09/16 # 2020.09.17 莫斯科站 MindSpore Study Group（MSG）自2020年7 月5日正式启动，已经在深圳、杭州、苏州和上海等多个地区举办MSG线下活动，并计划于9月在莫斯科和印尼举办MSG线上活动。 MSG致力于帮助所有有志于在开源社区做出贡献、对AI算法感兴趣的开发者们提供一个开源社区贡献指南，坚持为全世界的开发者提供一个充分进行技术研讨、案例分享的公益性社区，9月两个海外地区举办的MSG线上活动期待您的参与~ **莫斯科MSG** 小伙伴们可以报名参与莫斯科MSG线上活动 添加小助手微信进行报名 \*请备注：莫斯科 **印尼MSG** 想参加印尼MSG线上活动的小伙伴 微信添加小助手 \*请备注：印尼 关注MindSpore的小伙伴们都知道，月底要发1.0版本了，现在正紧锣密鼓的准备中，第五期集训营会以不一样的方式跟大家见面，大家要耐心等待哦～因此，我们特地延长了第四期MindSpore集训营的学习时间！现在起至**9月25日**，都可持续参加活动，赢取奖励！心动的小伙伴赶紧加文章底部的小助手报名参加，抓紧学习吧~ 点击下方链接跳转回顾↓ 报名|四大应用来袭！第四期MindSpore两日集训营周六开课，等你报名~ 相关课程链接： https://space.bilibili.com/526894060/ 所有完成作业的同学均可获得官方结业证书（电子+纸质）+MindSpore官方书籍+定制数据线/帆布袋~ 加小助手微信报名 \*记得备注：集训 MindSpore官方资料 GitHub:https://github.com/mindspore-ai/mindspore Gitee:https://gitee.com/mindspore/mindspore 官方QQ群: 871543426 **长按下方二维码关注↓** --- https://www.mindspore.cn/activities/zh/2574/ --- 活动中心 昇思技术公开课大模型专题·第10讲RLHF课程预 # 昇思技术公开课大模型专题·第10讲RLHF课程预 2023/06/20 # 昇思技术公开课大模型专题·第10讲RLHF课程预 各位同学看过来！本周六迎来昇思MindSpore技术公开课第10讲 RLHF，昇思MindSpore布道师Selina与你一同解析ChatGPT的“语言艺术”——RLHF。被赋予人类思想的RLHF有何奇妙之处？请在周六14点锁定昇思MindSpore B站直播间！对话RLHF~ --- https://www.mindspore.cn/activities/zh/2578/ --- 活动中心 昇思夏日主题AI绘画比赛，用AI画出夏天的颜色 # 昇思夏日主题AI绘画比赛，用AI画出夏天的颜色 2023/06/21 # 昇思夏日主题AI绘画比赛，用AI画出夏天的颜色 昇思夏日主题AI绘画比赛，用AI画出夏天的颜色 --- https://www.mindspore.cn/activities/zh/2589/ --- 活动中心 【MindSpore开发者群英会】 MindSpore社区实践活动再升级，火热开启 # 【MindSpore开发者群英会】 MindSpore社区实践活动再升级，火热开启 2023/06/28 # 【MindSpore开发者群英会】 MindSpore社区实践活动再升级，火热开启 ## 任务列表 序号 任务类型 任务issue链接 1 经典论文复现活动 任务详情 I6Q8R0 2 新套件体验活动 任务详情 I6Q8R9 ## 活动规则说明 ### 1、MindSpore课程学习 - 快速上手MindSpore，请登录MindSpore官网点击”教程“学习初学教程、应用实践，手把手体验基于MindSpore的模型训练过程。https://www.mindspore.cn/tutorials/zh-CN/r2.0.0-alpha/index.html （B站学习视频课程 《MindSpore初级教程》《MindSpore进阶教程》) - 更多学习课程，见知识地图：https://www.mindspore.cn/knowledge-map ### 2、活动报名 - 进入活动QQ群获取详细说明 **(群号：747407510)** - 填写个人信息报名>任务领取>导师确认>任务开展>周报进度填写（进度与问题）>提交任务PR>完成技术分享帖并发布>领取奖品 ### 3、Community任务认领 - 在上方 **任务列表** 里点击issue链接编号查看任务详情 - 点击进入任务issue页面，评论区留言“ **认领** ”即可开始 - 建议多人留言“ **认领** ”同一个任务的情况下转战其他任务 - 初级、中级任务限单人完成、高级任务可单人可组队完成（组队不超5人，且1人评论 **认领** 并写上组员Gitee名） - 技术问题需要咨询请 **点击此处** 提交issue，评论打上：user/research，并在 **技术问题issue汇总跟踪帖** 里留言“issue链接”会有运营人员进行跟踪 ### 4、提交pr并评论 - **点击查看教提交PR教程，手把手教你如何提交PR** 特别注意：提交pr时需要关联相关的issue，pr修改结束在关联issue页面，评论" **已提交+pr链接** " - 提交pr后评论“ **/check-cla** ”检查签署的cla是否成功，没有成功重新签署 https://www.mindspore.cn/icla ### 5、等待pr审核 - 提交后会有相应华为技术人员审核代码，如有修改意见会显示在评论区，注意经常查看自己的pr ### 6、PR合入任务完成 - 一个任务issue，只会有一个pr被合入 - 任务完成：认领+提交pr+第一个审核通过合入 - 完成者信息会在任务列表内显示 ### 7、社区权益 - **获得MindSpore社区开发者证书，邀请加入SIG组** （点击此处查看官网SIG组列表） ### 8、技术干货活动 - 总结完成任务过程中的经验/注意点/历程等案例帖，发布到昇思MindSpore论坛技术干货主题分类中，可领取自选礼品（按月发放），详情点击“ **昇思MindSpore开发者群英会之发技术干货，领取奖励** ”。 ### 9、活动说明 - 参与华为重叠合作项目内容的学生、在职华为员工和实习生不得参与本次活动 - 活动最终解释权，归活动主办方所有。 ### 10、领取奖品 - 领取方式：私信“ **活动助手** ” https://gitee.com/yang-yucheng03 以下信息：发布的技术帖链接+完成的任务序号+姓名+联系方式（QQ号、手机号）+收件信息 - 任务完成之后，请在昇思MindSpore论坛、CSDN、知乎等任一平台发帖分享自己的项目实现过程与经验。 - 数量有限，领完即止 --- https://www.mindspore.cn/activities/zh/2590/ --- 活动中心 MindSpore论坛报错活动第十一期 # MindSpore论坛报错活动第十一期 2023/06/29 # MindSpore论坛报错活动第十一期 奖励规则 1、每个任务难度等级不同，完成不同等级任务获得对应的奖励！ ·难度等级：易，奖品预览 01.png ·难度等级：中，奖品预览 00.png 2、若被选为优秀案例，奖品奖励将会在原来基础上升级！ ·原本’难度等级：易‘的可在’难度等级：中‘的奖品中选择； ·原本’难度等级：中‘的可获得150元京东自营自选。 活动时间 2023年06月29日——2023年07月16日 活动方式 1. 已发布6个报错任务在论坛的“活动体验板块”，完成其中的一个或多个。 任务帖名称 任务帖链接 难度等级 MindSpore中的ops.cumsum 函数首次计算结果错误 https://www.hiascend.com/forum/thread-0203120135912758102-1-1.html 易 计算loss时报类型不匹配：the input argument\[indices\] must be a type of {Tensor\[Int32\], Tensor\[Int64\]}, but got Tensor\[Float64\] https://www.hiascend.com/forum/thread-0254120136300927075-1-1.html 易 张量运算失败，报错RuntimeError:Malloc for kernel output failed, Memory isn’t enough, node:Default/Add-op0 https://www.hiascend.com/forum/thread-0258123385341090036-1-1.html 易 MindSpore中的TopK算子返回的全零的Tensor https://www.hiascend.com/forum/thread-0240120136116303085-1-1.html 中 使用自定义数据集运行mindformers的gpt2大模型，报错TypeError: The predict type and infer type is not match, predict type is Tuple https://www.hiascend.com/forum/thread-0231123385108028025-1-1.html 中 使用MindSpore在NPU上的切片操作x=x\[:,::-1,:,:\]不生效 https://www.hiascend.com/forum/thread-0258120137908775001-1-1.html 中 贴心的我们给大家提供了完成任务发帖示例：import报错：Load dynamic library libmindspore\_ascend failed，以及定位解决，欢迎参考哦！！！ 2. 用户根据个人意愿选择报错任务，将内容填写完整后，发布在本论坛的“技术干货->功能调试”中。 3. 将个人邮箱和第二步的干货链接，回复在对应的报错任务下方。 4. 每个任务择优选取一位用户获奖。 注意事项 1. 请勿刷帖，刷帖一律删帖并做无效参与处理。 2. 必须保证原创，抄袭按无效参与处理。 3. 请勿盗取他人截图或内容，一经发现做无效参与处理。 4. 必须符合设定的格式，否则算作无效参与。 \*最终解释权归MindSpore团队所有。 --- https://www.mindspore.cn/activities/zh/2600/ --- 活动中心 MindSpore体验官活动之2.0正式版本体验活动 # MindSpore体验官活动之2.0正式版本体验活动 2023/07/04 # MindSpore体验官活动之2.0正式版本体验活动 # ****1** ****活动简介****** 易用性SIG诚挚邀请各位昇思MindSpore用户，深度参与MindSpore建设，参加本次2.0正式版本试用体验，发现改进点并提Issue，与MindSpore共同成长。 # ****2** ****活动时间****** **07月03日——07月16日** # ****3** ****活动方式****** 1\. 用户-根据下方特性介绍自行体验2.0正式版本，寻找可改进点（不限于下方介绍的特性） 2\. 用户-提交Issue（标题XXX-2.0正式版本体验） https://gitee.com/mindspore/mindspore/issues 3\. 用户完成前两步后，将姓名、Gitee账号、Issue链接等信息汇总到“MindSpore易用性体验官活动之2.0正式版本体验活动记录”中（从附件中可下载），并将记录表发送至邮箱：2335846400@qq.com，以便昇思MindSpore团队审核； 4\. 经过易用性SIG审核后，会通知各位用户的Issue处理结果； 5\. 用户-总结使用过程感受(可选)，发送至邮箱：2335846400@qq.com(推荐使用Word文档)或到昇思MindSpore论坛的活动体验类别中发布帖子。 # ****4** ****2******\*\*.0\*\*\*\*****正式版本特性介绍****\*\* 1.\\n MindSpore \\nRLHF套件利用框架具备的大模型并行训练、推理、部署等能力，助力用户快速训练及部署带有百亿、千亿级别基础模型的RLHF（Reinforcement\\n Learning from Human Feedback，基于人工反馈的强化学习）算法流程，实现自己的类“ChatGPT”模型。 套件链接：https://github.com/mindspore-lab/mindrlhf 2\. MindSpore Transformers是用于大模型训练、微调、评估、推理的全流程开发套件，套件覆盖了CV、NLP、AIGC等热门领域，提供模型生命周期中的全流程快速开发能力，支持开箱即用，内部提供了一键部署上云AICC接口。 套件链接：https://gitee.com/mindspore/mindformers 3.\\n MindSpore2.0正式版支持全场景统一推理，大幅提高部署效率和推理性能。可以一个发布包同时支持Ascend、NVIDIA \\nGPU、CPU三种设备后端，支持第三方AI框架导出为Mindir模型，实现推理模型格式归一，并且进行了多样的优化策略，提升模型的推理能力 参考文档：https://mindspore.cn/lite/docs/zh-CN/r2.0/quick\_start/one\_hour\_introduction\_cloud.html 4.\\n \\nMindSpore2.0正式版开始，默认为动态图模式，框架通过多级流水加速算子下发，提升了动态图模式下的整体网络性能。动态shape场景下优化了自动微分实现，使能CANN的免编译算子能力，目前动态图下已经支持语音类、推荐类、CV类网络等各类型动态shape网络编程，后续版本将对性能进行持续优化。 同时通过Fallback方式实现语法支持扩展，提供顶层图支持返回list，dict，scalar，none等基础类型的表达能力，从而提升Python语法兼容能力。 参考文档：https://www.mindspore.cn/docs/zh-CN/r2.0/design/dynamic\\\_graph\\\_and\\\_static\\\_graph.html#jit-fallback 5.\\n \\n昇思MindSpore2.0正式版本中，Dataset处理流水线对Python原生数据结构dictionary进行了扩展支持，用户可以通过使用dictionary类型管理各种Python对象、数据内容，并将dictionary直接返回至流水线中被下一个数据处理节点获取和使用。 参考文档：https://www.mindspore.cn/tutorials/zh-CN/r2.0/advanced/dataset/python\_objects.html 6\. MindSpore Dev Toolkit已支持PyCharm，本次新增VSCode的插件，上线智能代码补全功能，如下图所示，帮助用户在多平台提升开发效率。可在高达80%的准确性下，提升编码效率30%以上。 参考链接：https://gitee.com/mindspore/ide-plugin # ****5** ****奖励方式****** 根据所提改进点内容进行排名，获取体验官晋升积分和相应奖品 （Issue>=1，且被确认为改进点，才计入排名） 根据所得积分从高到低排名：第1名获一等奖；第2、3名获二等奖；第4-10名获三等奖。 # ****6** ****注意事项****** 1. 请勿盗取他人截图或内容，一经发现做无效参与处理； 2. 同一个改进点，或者相同Issue单，以提交早的为准； 3. Issue和PR需经确认合格后方可计入总数； 4. 最终解释权归昇思MindSpore易用性SIG所有。 \[ - ## 附件下载 \](https://fileserver.developer.huaweicloud.com/FileServer/getFile/cmtybbs/db4/56d/a8a/eec5c1d6d9db456da8a487db9c1c265b.20230703081917.67324072711823938697989743206100:20240110034934:2400:42442284DCA75C341249C909589D1C278733E7DCD7CAD88D449B7FA66544F8A8.xlsx?needInitFileName=true) --- https://www.mindspore.cn/activities/zh/2602/ --- 活动中心 奖金丰厚，昇腾AI创新大赛2023昇思赛道火热招募进行中 # 奖金丰厚，昇腾AI创新大赛2023昇思赛道火热招募进行中 2023/06/28 # 奖金丰厚，昇腾AI创新大赛2023昇思赛道火热招募进行中 昇腾AI创新大赛2023已于5月正式启动。大赛旨在鼓励全产业开发者基于昇腾AI技术和产品，打造软/硬件解决方案、探索模型算法，加速AI与行业融合，促进开发者能力提升。 2023年昇腾AI创新大赛延续了“数智未来，因你而来”的主题，在新一代人工智能产业技术创新战略联盟（AITISA）和中国人工智能产业发展联盟（AIIA）指导下，由全国各昇腾生态创新中心与华为主办，OpenI启智社区协办，推动人工智能产业应用规模化发展，促进人才培养，引领人工智能产业加速创新迭代。 2023届大赛以竞技形式匹配产业方向，挖掘价值方案。第二届昇腾AI创新大赛昇思赛道火热进行中！详情如下。 **赛道简介** 分为创新算法与数据打榜两类赛题，围绕高质量数据集，结合行业应用场景与前沿技术设置赛题，并提供免费的算力支撑。针对昇思重点行业典型应用场景，提取对应技术领域热点、高质量领域数据集设计比赛赛题，比赛选手基于鹏城云脑昇腾算力+MindSpore持续优化提高精度进行比拼。 本次昇思赛道共分为两类赛题：数据打榜赛题与算法创新赛题。数据打榜类赛题选取高质量领域数据集，结合真实场景进行算法创新优化，以达成更好效果；算法创新赛题聚焦传统与创新领域的优秀论文算法，进行论文复现或持续创新优化。 **参赛指南** **参赛要求** 1、大赛主办、协办单位以及有机会接触赛题背景业务及数据的员工不得参赛。 2、报名成功后，你需要添加小助手进入昇思赛道交流群，所有大赛相关信息都会在群中及时同步。 3、选手完成论文复现或者创新挑战的成果将在昇腾社区、昇思社区与启智社区进行开源。 **组队要求** 1、参赛人员需要在报名系统组队，队伍名称格式：公司/学院/实验室名称+团队名称。 2、所有参赛人员必须注册昇腾社区账号，奖项名单按照报名登记的团队信息所含账号为准，如果团队成员未在昇腾社区注册账号，将被认为是无效队员，不会纳入团队名单。 3、每支队伍的人数上限为5人，1名队长。可单人组队。 **算力获取** 本次大赛昇思赛道与OpenI启智社区合作，为参赛选手提供免费昇腾算力环境。启智社区AI协作平台是个聚焦于人工智能领域的一站式的线上协作开发环境，可支持代码托管、线上协作开发、数据集与模型管理等一系列功能，同时还接入鹏城云脑大科学装置的优质算力，用户可直接在平台上进行模型调试与训练等开发动作。 操作方式： **Step1：** 登录启智社区AI协作平台完成注册（填写相关内容提交后，在邮箱中点击激活邮件的链接即可完成注册，微信扫码验证可获得50算力积分（npu卡时））。 **Step2：** 根据启智社区AI协作平台的基本操作指引（在平台首页，或个人头像下滑菜单中点击“新手指引”查看教程），更多详细操作指引请参考OpenI\_Learning教程。 **Step3：** 执行云脑任务时推荐优先选择“智算集群”，执行任务会相应消耗算力积分，用户可通过每日完成任务获取积分，积分消耗和获取详情可参考算力积分说明（在平台首页点击“平台资源 说明”，并在左侧工具栏中选择“云脑-算力积分”）。 **Step4：** （可选）填写问卷，以便于了解算力使用情况和算力需求，分配启智社区算力积分。对于完成问卷填写的队伍，每个月会对队伍中的1个账号发放定量的免费积分。（本问卷收集信息 仅用于本次大赛使用，不会用作其他用途）。 平台使用期间遇到的各类问题或者建议意见，欢迎随时添加小助手后在大赛交流群中反馈。 **比赛时间安排** **奖项设置** **数据打榜** 每题评选 **算法创新** 每题评选 注：以上奖金为税前金额。 **其他权益**1、有机会在华为全联接大会或其他大会活动中展示； 2、优秀开发者荣誉与个人品牌宣传； 3、获邀参加华为各类活动。 **联系方式** 扫描下方二维码加入交流群，或通过电话及邮箱联系： 联系人：吴佳聪 Tel：13143580585 Email：wujiacong2@huawei-partners.com 小助手二维码（添加请备注“昇腾 AI 创新大赛”）： --- https://www.mindspore.cn/activities/zh/261/ --- 活动中心 MSG | 启智社区校园行首站--哈工大（深圳）为国家主导的开源技术扎根高校助力 # MSG | 启智社区校园行首站--哈工大（深圳）为国家主导的开源技术扎根高校助力 2020/09/24 # MSG | 启智社区校园行首站--哈工大（深圳）为国家主导的开源技术扎根高校助力 从今年（2020年）5月MSG正式启动开始，相继在：深圳、杭州、苏州、上海、俄罗斯、印尼、新加坡等多个海内外城市开展活动，学习每位优秀开发者对开源生态独有的视角，享受与大咖们面对面交流的时刻，在MSG每一次的活动中都能收获新的知识点，结识很多优秀的开发者们，正是因为拥有如此多优秀的你们，开源社区才变得更加有意义，MSG才更加有动力继续前行并为开源社区贡献自己的一份力量。 2020年9月18日，MSG作为启智社区校园行的首发参与社区，与大家相约在美丽的哈工大（深圳）校园，线下线上同步进行关于人工智能、开源社区和MindSpore的主题分享活动，累计有400+人次报名参加。 活动现场气氛热烈，嘉宾们进行主题分享后细心的为同学们答疑解惑，互相交流各自的观点和见解的氛围十分融洽，欢乐的时光总是短暂的，现在让我们来一起回顾下MSG首次校园行活动吧~ MSG|哈工大（深圳）活动开始前~ 小伙伴们来提前布置活动场地啦 为参加MSG的同学们准备礼物 MSG活动入场登记 MSG|哈工大（深圳）活动进行中 哈工大（深圳）计算机学院院长王轩出席会议 图 ｜哈工大（深圳）计算机学院院长王轩讲话 启智社区深圳运营中心主任余跃围绕“启智校园行”主题，介绍了启智社区开源生态建设情况及其重要意义 图 ｜启智社区深圳运营中心主任余跃介绍启智校园行 图 ｜华为开源社区经理黄之鹏 华为开源工程师王辉作主题为《MindSpore与AI技术的应用》的报告。王辉结合应用案例深入浅出地介绍新一代AI计算框架MindSpore，演示了MindSpore在智慧医疗、终端部署以及分子动力学等领域的探索实践，并对于面向AI技术方向的课题，向大家展示MindSpore社区未来发展规划。 图 ｜华为开源工程师王辉介绍MindSpore与AI技术的应用 从分享嘉宾王辉的演讲主题中我们清楚的知道： 相较于其他开源平台，MindSpore具有二阶优化、自动代码生成等特点，端到端的性能比拼可以完胜其他竞品。目前，基于MindSpore开发的软件已有270多个。 MSG|校园行，首站活动圆满完成 嘉宾主题分享后与同学们热烈的交流讨论 MSG作为一个所有开发者都能参与的开源开放的社区。成立的宗旨是希望能够帮助所有有志于在开源社区做出贡献、对AI算法感兴趣的开发者们提供一个开源社区贡献指南，让大家学会提第一个PR，第一次成为contributor，成为commiter，甚至owner，真正的感受开源的魅力~ 我们组织这次活动也希望能在高校举办开源开放相关的各类活动，吸引学生了解并参与到开源开放项目建设中，在并能培育高校环境中的开源开放文化，为人工智能开源事业培养人才，可以为国家主导的开源技术扎根高效贡献自己的力量~ 让我们期待着下一次见面吧~ 相关文章推荐 推动我国主导的开源技术扎根高校，OpenI启智社区校园行深圳启动 https://c.m.163.com/news/a/FN295HEE05118HA4.html https://mp.weixin.qq.com/s/F3S9fCIz8IFTHLDGHthHGA **MSG是什么？** MindSpore Study Group，简称MSG，是提供一个让开发者可以充分进行技术研讨、案例分享、互相交流的公益性社区。为了方便开发者们的深入交流，我们在每个城市都成立MSG组织，满足本地开发者的线下交流机会。 **MSG一般会做什么？** 技术研讨 MindSpore技术专家讲解最新版本技术亮点 邀请技术大咖分享关于AI、深度学习最新动态 极客分享 开发者分享MindSpore真实场景的应用案例 极客们分享前沿技术进展与软硬件最新技术 社区贡献 引导开发者从零参与MindSpore社区贡献 培养开发者成为开源社区的contributor **你的收获** 如果你是一个位想要接触AI的硬件极客，我们都给你提供软硬结合的必备知识 如果你是一位关注最新技术的算法爱好者，我们都带你了解前沿的技术成果 如果你是一位对开源社区充满热情的开发者，我们都会帮你完成第一个社区PR的提交 **如何成为一名MSG组织者？** 每个人都有机会成为MSG的组织者，不论你现在在北京、上海深圳，还是杭州、西安成都等城市，都可以提交申请。有志于成为MSG组织者的朋友们，请扫描以下的二维码进行报名 **扫码成为MSG组织者** MindSpore官方资料 GitHub:https://github.com/mindspore-ai/mindspore Gitee:https://gitee.com/mindspore/mindspore 官方QQ群: 871543426 **扫描下方二维码关注** --- https://www.mindspore.cn/activities/zh/2624/ --- 活动中心 【干货召唤】2023接下来的每个月都是领奖月！ # 【干货召唤】2023接下来的每个月都是领奖月！ 2023/07/12 # 【干货召唤】2023接下来的每个月都是领奖月！ # **1 活动简介** 转眼间，MindSpore又陪伴大家度过了2023年的大半年，从下半年开始，MindSpore每月都将征集技术干货，欢迎各位积极投稿，丰富MindSpore论坛社区内容。 # **2 活动时间** 07月11日——12月31日（每月统计且发奖一次！） # **3 活动方式** （1）干货内容：与MindSpore相关的技术干货均可参加，我们支持一切自由形式的原创技术干货！如果是系列性的文章更好！！具体要求可以参考：https://www.hiascend.com/developer/blog/details/0217101724508474050 （2）参与方式：发布完成需将发布的帖子链接和个人邮箱评论在本活动帖子下方便我们联系； （3）本活动将每月审核一次，审核结束后会发布获奖公告，并通过skytier1993@163.com邮箱联系各位。 # **4 奖励方式** 审核通过用户可以获得每篇50元的京东自选奖品且数量不设上限！ # **5 发帖指南** 1.打开昇思MindSpore论坛，如果没有账号的用户请先注册，已有账号的用户请直接登录。 2.登录上个人账号后，请点击“我要发帖子”。 3.进入帖子编辑页面，首先请点击分类框并选择，然后再编辑标题和帖子详情内容，完成编辑后点击“发布帖子”即可。 # **6 注意事项** 1.干货内容经审核合格后方可算数。 2.请勿盗取他人截图或内容，一经发现做无效参与处理。 3.本活动发布的干货不得参与其他活动重复领奖。 4.最终解释权归昇思MindSpore团队所有。 --- https://www.mindspore.cn/activities/zh/264/ --- 活动中心 大咖云集MindSpore技术论坛，共创AI框架未来 # 大咖云集MindSpore技术论坛，共创AI框架未来 2020/09/30 # 大咖云集MindSpore技术论坛，共创AI框架未来 2020年9月25日-9月26日，MindSpore技术论坛于Huawei Connect 2020现场如约举办，通过Code Lab应用体验、扫地僧见面会、MindSpore专题演讲以及华山论剑等环节全方位展示MindSpore技术能力与优势，与现场客户、开发者、专家学者共同探讨AI生态发展。来一起跟着小编回顾下这两天的盛况吧~ Code Laby应用体验 本次展会共设立3个Code Lab应用体验区：基于MindSpore实现手写数字识别、基于MindSpore进行可视化调试调优、基于MindSpore开发SentimentNet网络。 开发者们可以进行现场实操，用MindSpore体验模型全流程极简开发、全自动并行训练、功能丰富的可视化调试能力，吸引了很多人现场体验，也收获了正向反馈，认可MindSpore能力与体验。 扫地僧直播访谈 此环节邀请到MindSpore开源社区经理黄之鹏、openEuler社区运营经理马全一和openGauss社区首席架构师田文罡在咖啡&茶的香气中，讨论了有关开源文化、如何看看待开源热度差异(AI vs 操作系统)、给新人从事开源相关工作的建议以及一些好用的开源工具分享等话题充分体现了创造性思维碰撞的美丽！ MindSpore专题演讲 ## MindSpore训练营在HC大会有幸邀请到MindSpore架构师于璠博士、清华大学朱军教授、北京大学田永鸿教授、西安电子科技大学公茂果教授、哈尔滨工业大学苏统华教授、中国科学技术大学李诚教授等6位专家学者进行专题演讲，介绍MindSpore关键技术与架构演进，分享基于MindSpore实践深度概率编程、深度神经网络训练的自动并行，基于MindSpore的联邦学习投毒攻击与可视化追溯研究和鲁棒手写识别架构，以及MindSpore未来的发展趋势。 华山论剑 在MindSpore总架构师金雪锋的主持下，邀请中国科大计算机学院院长李向阳等5位专家学者经行一场精彩绝伦的华山论剑，共同探讨AI框架发展的机遇和挑战。 6位大咖畅所欲言，针对如何构建AI框架学术生态，国产AI框架还有那些机会实现领先，继深度学习之后，下一个AI研究及应用的热点方向和产业界如何协同学术界，推动AI产业的发展这四个话题发表观点。 开源AI框架是连接学术界和工业界很好的纽带，而MindSpore会集成更多AI科研人员的成果，结合华为自身优势，挖掘科学计算、概率编程等新的应用场景和增长点，做出系统级的创新，并且在AI安全、AI决策理解等新的热点方向协同学术界一同探索落地，赢得现场掌声不断。 观看线上直播的参与者能与现场参与者一起提问，让专家答疑，加入话题探讨。 （图7）MindSpore总架构师 金雪锋 （图8）中国科大计算机学院院长 李向阳 最后，MindSpore技术论坛完美落幕，感谢所有参与者，相信在所有人的关注与努力之下，AI框架发展会越来越聚焦，走上新的高峰，而MindSpore希望贡献力量，与各位一起共同成长！ **扫描下方二维码关注↓** --- https://www.mindspore.cn/activities/zh/265/ --- 活动中心 体验MindSpore v1.0，分享即送心意好礼！ # 体验MindSpore v1.0，分享即送心意好礼！ 2020/09/30 # 体验MindSpore v1.0，分享即送心意好礼！ 各位尊敬的MindSpore用户，论坛活动又㕛叒叕和大家见面啦！！！ 这次十月活动怎么来的如此之早呀？ 还不是想着早点跟大家分享这则好消息：适逢中秋+国庆的8天长假，MindSpore让你在家即可体验最新版本，分享还有好礼相赠！ 还等什么？快上车！ **活动时间**： 10月1日——10月30日 **活动要求：** 1\. 分享围绕MindSpore最新版本v1.0的使用体验展开，学习笔记、“填坑”记录、教程实践……皆可。 2\. 形式不限，纯文字分享，图文分享，视频记录讲解等等。 3\. 注明硬件平台，操作系统。 4\. 必须是个人原创，可以是本人已经发表在其他论坛的个人原创文章。 5\. 水贴视为无效参与。 **参与方式**： 1.在规定活动的时间内，将个人分享内容发至MindSpore论坛的【干货分享】版块。 2.文末留下个人邮箱（这一点很重要！这一点很重要！这一点很重要！），满足活动要求即可获得以下4件奖品中的任意一件，我们会通过邮箱联系您！ 附： 9月24日发布的MindSpore v1.0版本，特性了解请戳这里：https://www.mindspore.cn/news/newschildren?id=262 MindSpore论坛：https://bbs.huaweicloud.com/forum/forum-1076-1.html MindSpore v1.0安装教程：https://www.mindspore.cn/install **奖品设置：** 1.飞科体脂秤两色可选（酷黑，银白） 2.膳魔师500ml保温杯七色可选（亮黑，宝石蓝，薄荷绿，米白，金色，紫色，樱桃红） 3.罗马仕1万毫安移动电源（极光色) 4.京东京造香薰机 **\*最终解释权归MindSpore团队所有** --- https://www.mindspore.cn/activities/zh/2658/ --- 活动中心 MindSpore论坛报错活动第十二期 # MindSpore论坛报错活动第十二期 2023/07/31 # MindSpore论坛报错活动第十二期 ### **奖励规则** **1、每个任务难度等级不同，完成不同等级任务获得对应的奖励！** ·难度等级：易，可获得50元京东自营自选； ·难度等级：中，可获得100元京东自营自选； **2、若被选为优秀案例，奖品奖励将会在原来基础上升级！** ·原本’难度等级：易‘的可在’难度等级：中‘的奖品中选择； ·原本’难度等级：中‘的可获得150元京东自营自选。 ### **活动时间** **2023年07月29日——2023年08月13日** **活动方式** 1\. 已发布6个报错任务在论坛的“活动体验板块”，完成其中的一个或多个。 任务帖名称 任务帖链接 难度等级 使用mindspore.dataset.Dataset.map 操作报错Cannot convert from numpy type.Unknown data type is returned! https://www.hiascend.com/forum/thread-0211126000101040011-1-1.html 易 使用mindspore.ops.pad算子报错位置有误 https://www.hiascend.com/forum/thread-0211126001115704012-1-1.html 易 使用mindspore中Conv2dTranspose的outputpadding时，设置has\_bias=True时失效 https://www.hiascend.com/forum/thread-0225126001442585014-1-1.html 易 使用mindspore.ops.interpolate报错ValueError:For "scale\_factor" option cannot currentiy be set with the mode = bilinear = 4D https://www.hiascend.com/forum/thread-0239126001877629008-1-1.html 中 使用SymbolTree.get\_network处理conv2d算子时报错NameError:name "Cell" is not defined https://www.hiascend.com/forum/thread-0225126000733954013-1-1.html 中 使用mindspore.numpy.sqrt 计算结果不正确 https://www.hiascend.com/forum/thread-0239126002450632009-1-1.html 中 贴心的我们给大家提供了完成任务发帖示例：import报错：Load dynamic library libmindspore\_ascend failed，以及定位解决，欢迎参考哦！！！ 2\. 用户根据个人意愿选择报错任务，将内容填写完整后，并将正确完整的脚本打包通过附件上传到帖子，发布在本论坛的\*\*“技术干货->功能调试”\*\*中。 3\. 将个人邮箱和第二步的干货链接，回复在对应的报错任务下方。 4\. 每个任务择优选取一位用户获奖。 ### **注意事项** 1\. 请勿刷帖，刷帖一律删帖并做无效参与处理。 2\. 必须保证原创，抄袭按无效参与处理。 3\. 请勿盗取他人截图或内容，一经发现做无效参与处理。 4\. 必须符合设定的格式，否则算作无效参与。 --- https://www.mindspore.cn/activities/zh/2665/ --- 活动中心 报名通知 | 昇思MindSpore创新训练营·华中地区站来喽! # 报名通知 | 昇思MindSpore创新训练营·华中地区站来喽! 2023/07/19 # 报名通知 | 昇思MindSpore创新训练营·华中地区站来喽! 为加强华中地区优秀青年学子的交流与互动，提供学生与产业界接触的机会，湖北省高等教育学会计算机教育专业委员会与华为技术有限公司、昇思MindSpore开源社区共同发起，面向华中地区高校开设本次昇思MindSpore创新训练营。 昇思MindSpore创新训练营以业界需求为背景、以实际项目为导向、以学生实践为主线，让学生高效学习和实践人工智能相关知识、技术和工具，把握最新技术发展趋势，为创新能力持续提升奠定坚实基础。 本次创新训练营以当前最热门的语言类大模型技术为学习对象，将理论与代码实践进行融合，系统阐述语言类大模型发展的技术路线，帮助学生掌握运用代表性的语言类大模型所需要的知识和技能，引导和鼓励学生利用大模型进行创新实践。 为加强华中地区优秀青年学子的交流与互动，提供学生与产业界接触的机会，湖北省高等教育学会计算机教育专业委员会与华为技术有限公司、昇思MindSpore开源社区共同发起，面向华中地区高校开设本次昇思MindSpore创新训练营。 昇思MindSpore创新训练营以业界需求为背景、以实际项目为导向、以学生实践为主线，让学生高效学习和实践人工智能相关知识、技术和工具，把握最新技术发展趋势，为创新能力持续提升奠定坚实基础。 本次创新训练营以当前最热门的语言类大模型技术为学习对象，将理论与代码实践进行融合，系统阐述语言类大模型发展的技术路线，帮助学生掌握运用代表性的语言类大模型所需要的知识和技能，引导和鼓励学生利用大模型进行创新实践。 ****一、培训安排**** **7月14日-8月12日** 学生招募 **8月13日-21日** 前置课程学习和测验（线上） **8月22日-23日** 选拔线下训练营学员 **8月24日-27日** 线下训练营学习 ********二、学生招募******** 1、训练营面向计算机、人工智能、软件、大数据等相关专业的高年级本科生和研究生。 2、参加训练营的学生应熟练掌握Python语言；应具备高等数学、线性代数、概率统计基础知识；应具有一定的深度学习基础。3、参加训练营的学生需具有良好的沟通和协作能力（不同高校的学生将混合编组）。4、本次活动面向**武汉大学、华中科技大学、武汉理工大学、华中师范大学、中国地质大学（武汉）、华中农业大学、中南财经政法大学等**高校学生，非以上院校同学，欢迎大家继续关注公众号内容，参加后续训练营活动。5、报名面向学生开放，根据前置学习课程及结课测试择优录取参加线下训练营，线下训练营考核合格者可获得结业证书。 6、线下训练营队伍创新实践答辩，由专委会、华为、学校教师组成评审团，评选前50%队伍获得昇思MindSpore线上实习offer。 ********三、培训费用******** 本次训练营**免费**，参与者需自行承担交通、餐饮等费用。 ********四、教学内容******** 具体教学内容如下： ********五、报名方式及报名要求******** 凡是招募高校在读学生且满足前四条招募要求者均可报名。若报名人数过多，将根据前置学习和测验选拔，择优推荐。 报名截止时间：2023年8月12日 24:00 报名方式：扫描下方二维码，填写报名表，也可直接点击阅读原文跳转报名链接 --- https://www.mindspore.cn/activities/zh/2668/ --- 活动中心 MindSpore SPONGE暑期学校第三期开始报名！5天分子计算带你从入门到上手 # MindSpore SPONGE暑期学校第三期开始报名！5天分子计算带你从入门到上手 2023/07/22 # MindSpore SPONGE暑期学校第三期开始报名！5天分子计算带你从入门到上手 我们所处的世界实际上由分子、原子组成，人们身体中或生命过程中起作用的基本单元就是这些微观粒子。——北京大学教授高毅勤 分子模拟作为一个重要的科学计算手段，在微观分子世界与宏观可观测量之间搭建了桥梁，为人们从分子水平理解物质的结构和动力学性质提供了有力的工具，其在生物、材料、化学、化工、大气等众多领域的研究中发挥着重要作用。近年来以AlphaFold为代表的基于人工智能（AI：Artificial Intelligent）的算法，展示了AI在科学研究中的巨大作用和应用前景，因此分子模拟领域也正在迎来重大的变革，如何在分子模拟中融合AI技术，或者说如何用AI增强分子模拟的能力，将成为发展下一代分子模拟技术的关键。 昇思MindSpore一直致力于分子计算领域的发展，联合深圳湾实验室、北京大学化学与分子工程学院高毅勤课题组开发新一代的分子科学建模平台MindSpore SPONGE，该平台具有高性能、模块化等特性，易于领域研发人员进行理论和算法的快速实现，推动人工智能与分子模拟的自然融合。依托MindSpore SPONGE，联合推出基于AlphaFold2算法的蛋白质结构预测训推一体工具，大大降低了广大生物医疗实验工作者的使用门槛，也将为生物蛋白质领域的基础研究与应用工作提供助力，在“前所未有的进步”上更进一步。 本次推出MindSpore SPONGE暑期学校第三季，意在为对分子计算感兴趣的同学提供相关资源，为分子计算领域的探索打下基础。本课程将手把手带领同学了解分子计算相关理论与实践，探索前沿问题。 扫码立即报名 \*\*\*\*一、****课程特点**** **业界大咖加持** 本次课程邀请到了来自北京大学，中国科学技术大学和中国科学院大学等院校享有盛誉的学者，以及来自华为的资深专家联袂上课，给你带来业界最专业的科学计算课程。 **实操教学** 课程将会从入门到精通介绍昇思MindSpore科学计算领域套件MindSpore SPONGE的使用，由MindSpore SPONGE SIG专家手把手教学，并提供5天免费云算力资源供开发者上机体验。同时将组建课程学习交流群，为各位同学答疑解惑。 **受众广泛** 课程面向广大的分子计算爱好者，课程内容从深度学习与分子动力学的基础知识到前沿开放问题，不论是计算机专业还是化学等学科背景，相信你都会有所收获。 **扩展探索** 课程除了教授分子动力学领域与深度学习的知识，还将探索相关领域的大模型前沿研究与应用。课程希望通过这些应用启发广大爱好者，大家共同探索科学计算在各个领域的创新应用。 **免费算力支持** 五天课程全程提供免费算力，支持开发者实践，助力开发者了解和掌握AI技术（注：仅为线下学员提供） **日期** **课程** 8.21 AI+科学计算领域知识综述、昇思MindSpore AI框架在科学计算领域的应用介绍 8.22 分子动力学模拟、AI对力场的拟合以及MindSpore SPONGE 相关案例实操 8.23 分子对接，分子编辑及上机实操 8.24 蛋白质结构预测原理、深度学习在蛋白质结构预测中的应用 8.25 领域大模型发展介绍及毕业典礼 \*\*\*\*\*\*\*\*二、\*\*\*\*****课程信息**** - \*\*线下上课：\*\*北京大学化学与分子工程学院（名额有限，组委会将根据报名情况设置筛选流程，参会资格以组委会最终确认邮件为准，线下将提供免费云算力平台供实操体验）。 - \*\*线上上课：\*\*腾讯会议（实操环节将不直播，开发者可自行准备实操环境，根据录屏进行实操）。 - \*\*课程时间：\*\*8月21日25日 每天的8：3012：00、14：0017：00、19：0020：30 - \*\*授课对象：\*\*对科学计算、深度学习、AI for Science相关技术感兴趣的开发者 - \*\*课程费用：\*\*免费 - \*\*报名方式：\*\*扫码下方二维码立即报名，或点击文末【**阅读原文**】即可报名 扫码立即报名 --- https://www.mindspore.cn/activities/zh/2669/ --- 活动中心 MindSpore SPONGE暑期学校第三期开始报名！5天分子计算带你从入门到上手 # MindSpore SPONGE暑期学校第三期开始报名！5天分子计算带你从入门到上手 2023/07/22 # MindSpore SPONGE暑期学校第三期开始报名！5天分子计算带你从入门到上手 我们所处的世界实际上由分子、原子组成，人们身体中或生命过程中起作用的基本单元就是这些微观粒子。——北京大学教授高毅勤 分子模拟作为一个重要的科学计算手段，在微观分子世界与宏观可观测量之间搭建了桥梁，为人们从分子水平理解物质的结构和动力学性质提供了有力的工具，其在生物、材料、化学、化工、大气等众多领域的研究中发挥着重要作用。近年来以AlphaFold为代表的基于人工智能（AI：Artificial Intelligent）的算法，展示了AI在科学研究中的巨大作用和应用前景，因此分子模拟领域也正在迎来重大的变革，如何在分子模拟中融合AI技术，或者说如何用AI增强分子模拟的能力，将成为发展下一代分子模拟技术的关键。 昇思MindSpore一直致力于分子计算领域的发展，联合深圳湾实验室、北京大学化学与分子工程学院高毅勤课题组开发新一代的分子科学建模平台MindSpore SPONGE，该平台具有高性能、模块化等特性，易于领域研发人员进行理论和算法的快速实现，推动人工智能与分子模拟的自然融合。依托MindSpore SPONGE，联合推出基于AlphaFold2算法的蛋白质结构预测训推一体工具，大大降低了广大生物医疗实验工作者的使用门槛，也将为生物蛋白质领域的基础研究与应用工作提供助力，在“前所未有的进步”上更进一步。 本次推出MindSpore SPONGE暑期学校第三季，意在为对分子计算感兴趣的同学提供相关资源，为分子计算领域的探索打下基础。本课程将手把手带领同学了解分子计算相关理论与实践，探索前沿问题。 扫码立即报名 \*\*\*\*一、****课程特点**** **业界大咖加持** 本次课程邀请到了来自北京大学，中国科学技术大学和中国科学院大学等院校享有盛誉的学者，以及来自华为的资深专家联袂上课，给你带来业界最专业的科学计算课程。 **实操教学** 课程将会从入门到精通介绍昇思MindSpore科学计算领域套件MindSpore SPONGE的使用，由MindSpore SPONGE SIG专家手把手教学，并提供5天免费云算力资源供开发者上机体验。同时将组建课程学习交流群，为各位同学答疑解惑。 **受众广泛** 课程面向广大的分子计算爱好者，课程内容从深度学习与分子动力学的基础知识到前沿开放问题，不论是计算机专业还是化学等学科背景，相信你都会有所收获。 **扩展探索** 课程除了教授分子动力学领域与深度学习的知识，还将探索相关领域的大模型前沿研究与应用。课程希望通过这些应用启发广大爱好者，大家共同探索科学计算在各个领域的创新应用。 **免费算力支持** 五天课程全程提供免费算力，支持开发者实践，助力开发者了解和掌握AI技术（注：仅为线下学员提供） **日期** **课程** 8.21 AI+科学计算领域知识综述、昇思MindSpore AI框架在科学计算领域的应用介绍 8.22 分子动力学模拟、AI对力场的拟合以及MindSpore SPONGE 相关案例实操 8.23 分子对接，分子编辑及上机实操 8.24 蛋白质结构预测原理、深度学习在蛋白质结构预测中的应用 8.25 领域大模型发展介绍及毕业典礼 \*\*\*\*\*\*\*\*二、\*\*\*\*****课程信息**** - \*\*线下上课：\*\*北京大学化学与分子工程学院（名额有限，组委会将根据报名情况设置筛选流程，参会资格以组委会最终确认邮件为准，线下将提供免费云算力平台供实操体验）。 - \*\*线上上课：\*\*腾讯会议（实操环节将不直播，开发者可自行准备实操环境，根据录屏进行实操）。 - \*\*课程时间：\*\*8月21日25日 每天的8：3012：00、14：0017：00、19：0020：30 - \*\*授课对象：\*\*对科学计算、深度学习、AI for Science相关技术感兴趣的开发者 - \*\*课程费用：\*\*免费 - \*\*报名方式：\*\*扫码下方二维码立即报名，或点击文末【**阅读原文**】即可报名 扫码立即报名 --- https://www.mindspore.cn/activities/zh/267/ --- 活动中心 欢庆十月——有团聚更有奖品 # 欢庆十月——有团聚更有奖品 2020/10/13 # 欢庆十月——有团聚更有奖品 在上次论坛活动中，是大家的支持和关注，促进了我们共同的成长进步，感谢！其次，也要提醒各位用户：我们的论坛活动是持续的哦，收获了9月的累累硕果，欢庆佳节的10月我们继续耕耘，分享MindSpore使用上的经验、提出在疑问、帮助答疑，我们好礼不断，继续有奖品相送，以资鼓励。也希望大家都有所收获。 **活动时间：** 10月01日——10月31日 **活动规则：** 1、在MindSpore论坛中，提问、分享、回复与MindSpore相关的技术问题或使用上的分享。在每月月末统计中： （1）分享次数排名前3名； （2）提问次数排名前2名； （3）回复次数排名前1名； 获得以上三项排名的用户，发送奖品，以示鼓励。 2、获得奖励的人员可在奖品清单中任选一种。 3、活动每个月一次，到次月的3日前公布奖励名单。 4、获奖公布方式：每个周期的获奖名单会在活动帖评论区中公示，并会单独发消息给获奖人。（请各位参与者多多留意自己的消息提醒。） **奖品展示：** 得力多功能电子闹钟 金士顿64G高速U盘 雷柏无线蓝牙鼠标 **活动说明：** 1、提问、分享和回复的内容要与MindSpore相关，不相关视作无效操作； 2、操作内容中含有水印的视为无效内容，属于无效操作； 3、活动结束后统一联系各位获奖者，发放奖励； 4、最终解释权归MindSpore团队所有。 **MindSpore论坛活动（09.01-09.30）获奖名单：** 分享次数最多——获奖用户昵称： 1\. NengjinZheng 2\. yangyaqin 3\. JeffDing 提问次数最多——获奖用户昵称： 1\. ms初学者 2\. 讲啊很大声 回复次数最多——获奖用户昵称： 1. 芳菲菲兮满堂 本活动帖长期有效，每月都有新奖品，欢迎大家继续踊跃参与！ 论坛地址：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/2683/ --- 活动中心 【直播预告】7月29日易用性SIG分享会——昇思MindSpore动静统一和论文复现 # 【直播预告】7月29日易用性SIG分享会——昇思MindSpore动静统一和论文复现 2023/07/27 # 【直播预告】7月29日易用性SIG分享会——昇思MindSpore动静统一和论文复现 第七期，昇思MindSpore易用性SIG线上技术分享（7月29日，上午10:00-12:00）腾讯会议与【MindSpore官方】B站直播间同步直播，昇思MindSpore易用性SIG期待你的加入！ 本期内容“昇思MindSpore动静统一与论文复现”三位优秀开发者与你一同探索昇思MindSpore动静统一特性的重要性与难点。从项目实践出发分享开发昇思MindSpore项目心得体会，学习经验快速上手昇思MindSpore AI框架，你就是未来的昇思MindSpore优秀开发者！参加昇思MindSpore易用性SIG了解更多精彩活动！ --- https://www.mindspore.cn/activities/zh/2689/ --- 活动中心 报名通知 | 昇思MindSpore创新训练营·长三角地区站来喽! # 报名通知 | 昇思MindSpore创新训练营·长三角地区站来喽! 2023/08/04 # 报名通知 | 昇思MindSpore创新训练营·长三角地区站来喽! 为充分发挥长三角研究型大学联盟教学实践基地共建共享功能，加强华东高校优秀青年学子的交流与互动，提供学生与产业界接触的机会，上海交通大学与华为共同发起，面向长三角研究型大学学生开设本次训练营。 昇思MindSpore创新训练营以业界需求为背景、以实际项目为导向、以学生实践为主线，让学生高效学习和实践人工智能相关知识、技术和工具，把握最新技术发展趋势，为创新能力持续提升奠定坚实基础。 本次创新训练营以当前最热门的语言类大模型技术为学习对象，将理论与代码实践进行融合，系统阐述语言类大模型发展的技术路线，帮助学生掌握运用代表性的语言类大模型所需要的知识和技能，引导和鼓励学生利用大模型进行创新实践。 ****一、培训时间及地点**** \*\*时间安排：\*\*8月28日报到，8月29日-9月1日线下课程，9月1日下午16点结营。 **授课地点**\*\*：\*\*上海交通大学(上海市闵行区东川路800交大学生创新中心)。 ********二、学生招募******** 1、至少熟练掌握C/C++/Python/MATLAB中任一编程语言。 2、参加训练营的学生需具有良好的沟通和协作能力（不同高校的学生将混合编组）。 3、上海交通大学学生15名（其他**长三角高校**每校不超过**10人**，共**100名**） ********三、培训费用******** 本次训练营**免费**，参与者需自行承担交通、餐饮等费用。 ********四、教学内容******** 具体教学内容如下： ********五、报名方式及报名要求******** 扫描下方二维码，主办方将根据报名情况择优录取。成功入选的同学，将于8月20前收到邮件通知，报名的学生一经确认需全程参与本次训练营。 报名方式：扫描下方二维码，填写报名表，也可直接点击阅读原文跳转报名链接 其他地区创新训练营报名： --- https://www.mindspore.cn/activities/zh/2702/ --- 活动中心 MindSpore论坛报错活动第十三期 # MindSpore论坛报错活动第十三期 2023/08/21 # MindSpore论坛报错活动第十三期 ### **奖励规则** **1、每个任务难度等级不同，完成不同等级任务获得对应的奖励！** ·难度等级：易，可获得50元京东自营自选； ·难度等级：中，可获得100元京东自营自选； **2、若被选为优秀案例，奖品奖励将会在原来基础上升级！** ·原本’难度等级：易‘的可在’难度等级：中‘的奖品中选择； ·原本’难度等级：中‘的可获得150元京东自营自选。 ### **活动时间** **2023年08月21日——2023年09月03日** **活动方式** 1\. 已发布8个报错任务在论坛的“活动体验板块”，完成其中的一个或多个。 任务帖名称 任务帖链接 难度等级 使用mindspore.dataset.Dataset.map 操作报错Cannot convert from numpy type.Unknown data type is returned! https://www.hiascend.com/forum/thread-0211126000101040011-1-1.html 易 当总loss由多个loss组成时，该如何组合 https://www.hiascend.com/forum/thread-0244127988347963058-1-1.html 易 使用mindspore.ops.pad算子报错位置有误 https://www.hiascend.com/forum/thread-0211126001115704012-1-1.html 易 自定义ops.Custom报错TypeError: function output\_tensor expects two inputs, but get 1 https://www.hiascend.com/forum/thread-0244127986655700057-1-1.html 易 使用classmindspore\_rl.policy.EpsilonGreedyPolicy发现维度不匹配 https://www.hiascend.com/forum/thread-0235127987639245084-1-1.html 易 函数变换获得梯度计算函数时报错AttributeError: module 'mindspore' has no attribute 'value\_and\_grad' https://www.hiascend.com/forum/thread-0247127987938024078-1-1.html 中 报错ValueError: Input buffer\_size is not within the required interval of \[2, 2147483647\]. https://www.hiascend.com/forum/thread-0235127986301129083-1-1.html 中 转换训练模型失败报错：encounter an unknown error, please verify the input model file or build the debug version https://www.hiascend.com/forum/thread-0267127987132912080-1-1.html 中 2\. 用户根据个人意愿选择报错任务，将内容填写完整后，并将正确完整的脚本打包通过附件上传到帖子，发布在本论坛的\*\*“技术干货->功能调试”\*\*中，贴心的我们给大家提供了完成任务发帖示例：使用ops.nonzero算子报错TypeError。欢迎参考哦！！！。 3\. 将个人邮箱和第二步的干货链接，回复在对应的报错任务下方。 4\. 每个任务择优选取一位用户获奖。 ### **注意事项** 1\. 请勿刷帖，刷帖一律删帖并做无效参与处理。 2\. 必须保证原创，抄袭按无效参与处理。 3\. 请勿盗取他人截图或内容，一经发现做无效参与处理。 4\. 必须符合设定的格式，否则算作无效参与。 --- https://www.mindspore.cn/activities/zh/2724/ --- 活动中心 明日预告 | MindSpore SPONGE暑期学校Day.4日程抢先看！ # 明日预告 | MindSpore SPONGE暑期学校Day.4日程抢先看！ 2023/08/23 # 明日预告 | MindSpore SPONGE暑期学校Day.4日程抢先看！ 暑期学校第三天来鲁华老师介绍了基于结构和基于人工智能药物设计领域的历史、现状和发展趋势；刘许晗博士后介绍Aichemist，一个基于MindSpore的图神经网络，应用于药物和靶点性质预测；张宏老师介绍了传统与机器学习的分子对接方法在药物研发过程中的应用，以及新型DSDP算法的开发发展；林潇涵博士研究生介绍了基于生成式学习的分子编辑模型MolEdit的背景、数学原理、具体实现以及应用。线上线下交流气氛活跃，提问踊跃。 暑期学校第四天将重点介绍AI+蛋白质大分子的前沿进展，课程将聚焦于蛋白质结构预测，就让我们看看计算蛋白质结构领域有哪些经典技术？他们的优劣势有哪些？这里大咖云集，本期将邀请到中科院计算所卜东波研究员、昌平实验室刘思睿研究员、华为云计算公司乔楠博士、北京大学夏义杰博士生、昇思MindSpore研发工程师楚浩田，更有资深开发者指导的开发体验环节，参与分享会寻找答案吧！ **线上参与链接：** 腾讯会议 https://meeting.tencent.com/dm/EHGvvO7TAIAG B站直播链接（关注mindspore公众号，点击****_“阅读原文”_****直接观看） https://live.bilibili.com/22127570?live\\\_from=84002&spm\\\_id\\\_from=333.337.0.0 **Day.3课程安排：** **早上：** 09:00-11:20 自由能微扰计算的理论与实践：MindSpore SPONGE的应用，主讲人：北京大学博士研究生 夏义杰；分子动力学模拟的自由能微扰（FEP）方法是一种在药物与蛋白质相对结合能计算中较准确的方法，本议题分享了应用SPONGE进行FEP的理论和实践方法 11:30-12:00 华为云在生物医药领域的探索和应用，主讲人：华为云计算公司医疗首席科学家乔楠博士；本议题将介绍华为公司为基因组分析、药物研发和临床研究三个领域提供的专业AI研发技术 **下午：** 14:00-14:50 蛋白质结构预测：从生物学观察到算法，主讲人：中科院计算所研究员 卜东波；本次议题将以蛋白质结构预测为例，介绍生物物理学、统计学、计算机科学等不同领域研究者对同一问题的不同研究思路 15:00-15:50 M深度学习蛋白结构预测方法介绍，主讲人：昌平实验室研究员 刘思睿；本次议题将介绍基于深度学习的蛋白结构预测的基本原理、模型架构以及其应用 16:30-17:30 深度学习和实验信息在蛋白结构预测问题中的应用，主讲人：昌平实验室研究员 刘思睿；本次议题将介绍已有结构实验技术和AI技术共生解决蛋白质结构预测问题的思路、已有探索与应用 **晚上：** 18:30-20:30 深度学习和实验信息辅助的蛋白质结构预测上机演示，主讲人：MindSpore研发工程师 楚浩田 --- https://www.mindspore.cn/activities/zh/2727/ --- 活动中心 直播预告 | MindSpore SPONGE暑期学校Day.5日程抢先看！ # 直播预告 | MindSpore SPONGE暑期学校Day.5日程抢先看！ 2023/08/24 # 直播预告 | MindSpore SPONGE暑期学校Day.5日程抢先看！ 暑期学校第四天卜东波研究员介绍了生物物理学、统计学、计算机科学等不同领域研究者对蛋白质结构预测问题的不同研究思路；乔楠博士介绍了华为公司为基因组分析、药物研发和临床研究三个领域提供的专业AI研发技术；刘思睿研究员介绍了基于深度学习以及实验辅助的蛋白结构预测的基本原理、模型架构以及其应用；夏义杰博士分享了应用SPONGE进行自由能微扰计算的理论和实践方法。线上线下交流气氛活跃，提问踊跃。 暑期学校第五天将邀请到众多重磅的嘉宾介绍AI+生物的学术前沿，从蛋白质设计到大语言模型增强、从蛋白质属性建模到细胞调控图谱计算。最后将会进行MindSPONGE暑期学校第三季的颁奖典礼/毕业典礼，快来参与分享会进行互动交流吧！ --- https://www.mindspore.cn/activities/zh/2728/ --- 活动中心 【直播预告】8月26日易用性SIG分享会——基于昇思的MindSpore Dev Toolkit功能与网络迁移经验 # 【直播预告】8月26日易用性SIG分享会——基于昇思的MindSpore Dev Toolkit功能与网络迁移经验 2023/08/24 # 【直播预告】8月26日易用性SIG分享会——基于昇思的MindSpore Dev Toolkit功能与网络迁移经验 8月26日，昇思MindSpore易用性SIG线上技术分享第八期不容错过！上午10点准时开讲，三位主讲嘉宾与你一同研讨。你将了解到MindSpore Dev Toolkit的全面功能，看看昇思MindSpore技术如何应用在现代化制造业，如果你想参与项目实习那么开发者的实战心得绝对给你好看。满载“干货”的精彩分享等你来参加，本期直播可在腾讯会议和昇【MindSpore官方】B站直播间收看，敬请期待！ --- https://www.mindspore.cn/activities/zh/2741/ --- 活动中心 MindSpore易用性体验官活动之寻找API文档缺失上下文活动-第二弹 # MindSpore易用性体验官活动之寻找API文档缺失上下文活动-第二弹 2023/09/11 # MindSpore易用性体验官活动之寻找API文档缺失上下文活动-第二弹 # 1 活动简介 MindSpore API寻找文档缺失上下文活动第一期共收到56个issue，感谢大家的参与！ 第二弹继续来袭，更多文档等你来看，希望大家再接再厉~，发现API文档中缺失上下文的点并提出Issue，更有超值奖品等你来拿呦！ # 2 活动时间 09月11日——09月24日 # 3 活动方式 （1）进入昇思MindSpore官网，查看API文档（master分支）中如下表所列12个模块中所包含的接口文档。 模块名称 链接 mindspore https://www.mindspore.cn/docs/zh-CN/master/api\\\_python/mindspore.html mindspore.nn https://www.mindspore.cn/docs/zh-CN/master/api\\\_python/mindspore.nn.html mindspore.ops https://www.mindspore.cn/docs/zh-CN/master/api\\\_python/mindspore.ops.html mindspore.ops.primitive https://www.mindspore.cn/docs/zh-CN/master/api\\\_python/mindspore.ops.primitive.html mindspore.amp https://www.mindspore.cn/docs/zh-CN/master/api\\\_python/mindspore.amp.html mindspore.train https://www.mindspore.cn/docs/zh-CN/master/api\\\_python/mindspore.train.html mindspore.communication https://www.mindspore.cn/docs/zh-CN/master/api\\\_python/mindspore.communication.html mindspore.common.initializer https://www.mindspore.cn/docs/zh-CN/master/api\\\_python/mindspore.common.initializer.html mindspore.dataset https://www.mindspore.cn/docs/zh-CN/master/api\\\_python/mindspore.dataset.html mindspore.dataset.transforms https://www.mindspore.cn/docs/zh-CN/master/api\\\_python/mindspore.dataset.transforms.html mindspore.mindrecord https://www.mindspore.cn/docs/zh-CN/master/api\\\_python/mindspore.mindrecord.html mindspore.experimental https://www.mindspore.cn/docs/zh-CN/master/api\\\_python/mindspore.experimental.html 寻找文档**描述中缺失上下文**的点并提出Issue。 （2）请到MindSpore/mindspore仓库中提Issue，编辑和发布Issue时请注意以下三点： ①每一个接口中发现的缺失上下文的点请总结到一个Issue中提出； ②Issue中可通过截图标注可改进点的位置并配上详细的问题说明； ③Issue标题请写成“XXX接口描述缺失上下文【9月体验官活动】”，可参考下图。 ※贴心的给大家准备了Issue样例，可参考“mindspore.nn.LayerNorm接口描述缺失上下文【9月份体验官活动】——样例”。 （3）用户完成前两步后，请将Issue链接和个人邮箱通过评论发布到该贴子下方，以便昇思MindSpore团队审核和通知，如下图所示； （4）经过MindSpore团队审核后，会在昇思MindSpore论坛发布获奖公告，并通过2335846400@qq.com邮箱通知获奖用户； # 4 奖励方式 每个Issue审核并通过可获得积分，然后按照每位用户的总积分从高到低排名（Issue>=1，才计入排名），不同排名和对应奖品：第1名获一等奖；第2-5名获二等奖；第6-10名获三等奖。 # 5 注意事项 1. 请勿盗取他人截图或内容，一经发现做无效参与处理； 2. 所提issue不能与第一期活动中所提过issue中的问题相同； 3. 同一个改进点，或者相同Issue单，以提交早的为准； 4. 所提Issue需经确认合格后方可计入总数； 5. 最终解释权归昇思MindSpore易用性SIG所有。 --- https://www.mindspore.cn/activities/zh/2755/ --- 活动中心 开源创新，共筑智能世界 | 华为全联接大会2023开源论坛议题抢鲜看 # 开源创新，共筑智能世界 | 华为全联接大会2023开源论坛议题抢鲜看 2023/09/11 # 开源创新，共筑智能世界 | 华为全联接大会2023开源论坛议题抢鲜看 开源创新，共筑智能世界 | 华为全联接大会2023开源论坛议题抢鲜看 --- https://www.mindspore.cn/activities/zh/2774/ --- 活动中心 【昇思MindSpore技术公开课】第二期课程即将开课，报名开启大模型之旅 # 【昇思MindSpore技术公开课】第二期课程即将开课，报名开启大模型之旅 2023/10/10 # 【昇思MindSpore技术公开课】第二期课程即将开课，报名开启大模型之旅 昇思MindSpore技术公开课大模型专题第二期课程来了！课程在B站【MindSpore官方】直播，10月14日起开讲，每双周六14：00-15：30开课。依旧是熟悉的大模型领域，内容及讲师阵容全方位升级， 快来一探究竟吧。 扫码参与报名后解锁免费课程 ****_【课程简介】_**** **\[****课前学习\] MindSpore Transformers****大模型套件：架构讲解与使用入门** 介绍**MindSpore Transformers**大模型套件现状，讲解套件架构及高阶接口设计，走读工程架构模块代码，学习基本使用方式 **ChatGLM** 介绍技术公开课整体课程安排；ChatGLM模型结构，走读代码演示ChatGLM推理部署 **多模态遥感智能解译基础模型** 介绍多模态遥感智能解译基础模型的原理、训推等相关技术，以及模型相关行业应用 **ChatGLM2** 介绍ChatGLM2模型结构，走读代码演示ChatGLM推理部署 **文本生成解码原理** 介绍Beam search和采样的原理及代码实现 **LLAMA** 介绍LLAMA模型结构，走读代码演示推理部署，介绍Alpaca **LLAMA2** 介绍LLAMA2模型结构，走读代码演示LLAMA2 chat部署 **CPM** 介绍CPM-Bee预训练、推理、微调及代码现场演示 **高效参数微调** 介绍Lora、（P-Tuning）原理及代码实现 **量化** 介绍低比特量化等相关模型量化技术 **框架LangChain\*\*\*\*模块解析** 解析Models、Prompts、Memory、Chains、Agents、Indexes、Callbacks模块，及案例分析 **LangChain\*\*\*\*对话机器人综合案例** **MindSpore Transformers**本地模型与LangChain框架组合使用，通过LangChain框架管理向量库并基于向量库对**MindSpore Transformers**本地模型问答进行优化 **◆ 往期回顾◆** --- https://www.mindspore.cn/activities/zh/2786/ --- 活动中心 昇思MindSpore技术公开课（大模型专题第一期）课程整体回顾请查收！第二期课程正在赶来 # 昇思MindSpore技术公开课（大模型专题第一期）课程整体回顾请查收！第二期课程正在赶来 2023/09/27 # 昇思MindSpore技术公开课（大模型专题第一期）课程整体回顾请查收！第二期课程正在赶来 昇思MindSpore技术公开课大模型专题课程第一期圆满结束，共计10节课程，带领大家理论结合实践，由浅入深地介绍了如何从头搭建一个简易版ChatGPT。接下来我们对课程进行整体的回顾，帮助大家更好地巩固所学知识。 --- https://www.mindspore.cn/activities/zh/2787/ --- 活动中心 MindSpore论坛报错活动第十五期 # MindSpore论坛报错活动第十五期 2023/10/12 # MindSpore论坛报错活动第十五期 ### **奖励规则** **1、每个任务难度等级不同，完成不同等级任务获得对应的奖励！** ·难度等级：易，可获得50元京东自营自选； ·难度等级：中，可获得100元京东自营自选； **2、若被选为优秀案例，奖品奖励将会在原来基础上升级！** ·原本’难度等级：易‘的可在’难度等级：中‘的奖品中选择； ·原本’难度等级：中‘的可获得150元京东自营自选。 ### **活动时间** **2023年10月12日——2023年10月22日** **活动方式** 1\. 已发布5个报错任务在论坛的“活动体验板块”，完成其中的一个或多个。 任务帖名称 任务帖链接 难度等级 MindSpore如何拆分dataset输入给多输入模型 https://www.hiascend.com/forum/thread-0270132457529902135-1-1.html 易 MindSpore怎样实现求二阶以上的导数 https://www.hiascend.com/forum/thread-0230132459463256131-1-1.html 易 使用mindspore.dataset.Dataset.split切分数据集时，randomize=True时分割出的数据不够随机 https://www.hiascend.com/forum/thread-0270132461520105137-1-1.html 易 MindSpore如何实现多输出模型的loss用LossBase类实现 https://www.hiascend.com/forum/thread-0230132457073353130-1-1.html 中 MindSpore在GRAPH\_MODE下初始化，报错提示当前的执行模式是禁用了任务下沉（TASK\_SINK） https://www.hiascend.com/forum/thread-0225132463130909130-1-1.html 中 2\. 用户根据个人意愿选择报错任务，将内容填写完整后，并将正确完整的脚本打包通过附件上传到帖子，发布在本论坛的\*\*“技术干货->功能调试”\*\*中，贴心的我们给大家提供了完成任务发帖示例：使用ops.nonzero算子报错TypeError。欢迎参考哦！！！。 3\. 将个人邮箱和第二步的干货链接，回复在对应的报错任务下方。 4\. 每个任务择优选取一位用户获奖。 ### **注意事项** 1\. 请勿刷帖，刷帖一律删帖并做无效参与处理。 2\. 必须保证原创，抄袭按无效参与处理。 3\. 请勿盗取他人截图或内容，一经发现做无效参与处理。 4\. 必须符合设定的格式，否则算作无效参与。 --- https://www.mindspore.cn/activities/zh/2841/ --- 活动中心 【直播预告】10月28日易用性SIG技术分享会 # 【直播预告】10月28日易用性SIG技术分享会 2023/10/26 # 【直播预告】10月28日易用性SIG技术分享会 昇思MindSpore易用性SIG 技术分享会来啦！本周六（10月28日）开展以“算法工程化与AI可靠性技术在昇思MindSpore 的实践功能与网络迁移经验”为议题的技术分享会，4位开发者为大家带来昇思MindSpore的开发实践心得体会与经验分享，参与技术分享每一期都干货满满！技术分享会通过腾讯会议和昇思【MindSpore官方】B站直播间直播，敬请期待！ 关注MindSpore公众号，点击阅读原文直接进入腾讯会议 往期回顾 【直播预告】8月26日易用性SIG分享会——基于昇思的MindSpore Dev Toolkit功能与网络迁移经验 【直播预告】7月29日易用性SIG分享会——昇思MindSpore动静统一和论文复现 【直播预告】5月27日易用性SIG分享会——基于昇思MindSpore的实践应用及调试工具包 --- https://www.mindspore.cn/activities/zh/2883/ --- 活动中心 报名开启 | 华为开发者大赛-百模千态开源大模型AI挑战赛等你来战！ # 报名开启 | 华为开发者大赛-百模千态开源大模型AI挑战赛等你来战！ 2023/11/20 # 报名开启 | 华为开发者大赛-百模千态开源大模型AI挑战赛等你来战！ 人工智能取得了突破性进展，大模型呈现出百模千态的繁荣局面。开发者如何搭上快车，共享大模型时代­机遇？华为云昇腾AI为百模千态提供沃土，支持企业和开发者可以快速创建自己的大模型应用，在大模型时代快人一步。 华为云重磅推出“**华为开发者大赛-百模千态开源大模型AI挑战赛**”火热招募中，通过学+练+赛的形式，助你迈出大模型应⽤开发实战的第一步，还有千元大奖等你来拿！热爱创新、勇于攀登技术高峰的开发者们等你们来挑战！ 本次比赛基于昇腾AI云服务“百模千态”专区提供的开源大模型。该专区收录了业界主流开源大模型，如LLAMA，GLM等，并全面基于昇腾AI云服务进行适配和优化，精度和性能显著提升。选手在参赛过程中不仅能体验澎湃的昇腾算力，还可使用丰富的应用开发工具链和便捷的配置流程，轻松实现一键接入，享受顺畅的使用体验。 01 **赛事设置** 本次比赛要求选手使用昇腾算力、AI框架MindSpore、AI应用开发平台ModelArts等华为全栈AI技术，构建基于ChatGLM2-6B的医疗领域问答机器人。通过算法微调、提示工程、外挂知识库等方式提升模型效果，正确回答出医疗领域的问题。整个大赛赛制设置综合考察参赛选手的基础理论掌控、数据工程优化、应用开发优化等方面的能力。 02 **赛程安排** 大赛面向全球社会各界开放，不限年龄、国籍，各高等院校、科研单位、企事业单位、个人等均可登录官网报名参赛。选手可华为云官网在“华为开发者大赛-百模千态开源大模型AI挑战赛”页面完成注册报名后组队参赛。 本次大赛分为初赛/复赛、决赛三个赛段。初赛/复赛为线上进行，根据分数高低，最终排名前10的参赛队伍晋级决赛，决赛将在12月中旬举行。 03 **奖金奖项** 根据决赛最终排名结果，分别颁发一等奖1支队伍、二等奖2支队伍、三等奖3支队伍、优胜奖4支队伍，共十只队伍。大赛将为每支获胜队伍分别送出800至5000元不等的奖金，并为闯进决赛的选手提供华为云参赛证书。 为助力参赛选手更好地完成挑战，华为云大赛官网为参赛选手提供赛题相关的数据处理、模型训练和用部署的技术文档和学习课程材料。赛题组提供《华为云开发者大赛-百模千态开源大模型AI挑战赛》参赛指导手册与baseline，让选手熟悉从训练到提交判分的整个流程。 04 **参赛报名** **报名参赛** 欢迎登录华为云大赛平台查看大赛信息及报名参赛： http://su.modelarts.club/MS 扫描下方二维码或关注公众号戳底部\*\*“阅读原文”\*\*均可报名。 **参赛选手交流群** 请扫描如下小助手二维码，回复\*\*“百模千态”\*\*进入交流群。群内有专家技术答疑，赛事相关资讯也会第一时间在群内同步。 --- https://www.mindspore.cn/activities/zh/2896/ --- 活动中心 【昇思MindSpore技术公开课】请查收第四讲文本生成解码原理知识点回顾 # 【昇思MindSpore技术公开课】请查收第四讲文本生成解码原理知识点回顾 2023/11/29 # 【昇思MindSpore技术公开课】请查收第四讲文本生成解码原理知识点回顾 昇思MindSpore公开课大模型专题第二季课程火爆来袭！未报名的小伙伴抓紧时间扫描下方二维码参与课程，并同步加入课程群，有免费丰富的课程资源在等着你。**课程同步赋能华为ICT大赛2023-2024，欢迎大家报名参与！** 在学习了GLM大模型之后，本周的公开课我们对LLM的核心能力——文本生成进行全面的解析，针对不同的文本生成(解码)方法进行了深入的原理介绍，并且依托MindSpore NLP提供了各种不同方法的demo。下面我们对本周公开课的内容进行总结，迎接下一节的深入： 图 1 greedy search示例 **2.2** **Beam search：** 通过在每个时间步保留最可能的 num\_beams 个词，并从中最终选择出概率最高的序列来降低丢失潜在的高概率序列的风险。 优点：一定程度保留最优路径 缺点：无法解决重复问题和开放域生成效果差 图 5 Top-P sample示例 \*\*4、\*\***其他解码方法** ### **4.1** **Constrained Beam search** 通过插入固定词汇组合到beam search候选词中，达到指定文本生成内容的目的。 **4.2** **Contrastive Search** 加入了前文相似度对比的惩罚项。 **4.3** **Assisted Search** LLM高效文本生成的解决方案，使用一个小的assistant model来进行预测或者是否使用cache文本的判断。减少LLM的调用次数。 **二、** **下节课预告** 昇思MindSpore技术公开课第二期的第五讲将在12月9日（周六）14：00-15：30与大家见面。为大家带来Llama模型的讲解与代码演示，我们不见不散！ --- https://www.mindspore.cn/activities/zh/2897/ --- 活动中心 直播预告 | 1分钟预测10天全球天气！MindSpore Earth 带你玩转登顶Science的天气预报大模型 # 直播预告 | 1分钟预测10天全球天气！MindSpore Earth 带你玩转登顶Science的天气预报大模型 2023/12/01 # 直播预告 | 1分钟预测10天全球天气！MindSpore Earth 带你玩转登顶Science的天气预报大模型 活动预告：12月4日晚19:00-20:00，昇思MindSpore AI4S工程师带你看天气预报大模型，全面讲解GraphCast并介绍昇思MindSpore Earth地球科学套件的实现，欢迎各位同学参加！ GraphCast是DeepMind提出的基于图神经网络的AI中期天气预报模型，提供了全球关键气象要素的高分辨率中期预报，预报精度超越目前最先进的数值预报模式。相关研究论文以“Learning skillful medium-range global weather forecasting”为题，已发表在权威科学期刊 Science 上。昇思MindSpore Earth完整实现了GraphCast高分辨率训练与推理复现，并已开源。 **背景介绍** 天气现象与人类的生产生活、社会经济等方方面面都密切相关，准确的天气预报能够在灾害天气事件中减轻影响、甚至避免经济损失，还能创造持续不断地财政收入，例如能源、农业、交通和娱乐行业。从小的方面来说，每天人们在计划自己的行程时都会考虑接下来的天气，当这些决定涉及预计未来约三至十天的天气时，人们依靠“中期”天气预报进行判断。在中期天气预报领域，欧洲的ECMWF的综合预报系统（IFS）是目前最先进的数值预报模式，但数值模式需要大量超级计算机的投入，是一个耗时且昂贵的过程。而采用图神经网络（GNN）机器学习架构的GraphCast模型，仅在一分钟内便可生成10天的预报，其运行成本可节省1000倍。 **GraphCast** GraphCast使用GNN作为骨干网络，基于“Encode-Process-Decode”的网络结构专为复杂的物理动力学而设计，使用消息传递机制，允许在任何范围内进行任意空间交互模式。它提供了关键全球天气指标的中期预报，分辨率为0.25°，相当于赤道附近约25kmx25km的空间分辨率。在每一个网格点上，该模型都考虑了地表的五个变量，如温度、压力、湿度、经向风速和纬向风速，以及37个不同高度的大气中的六个变量。 GraphCast模型包括编码器层、处理器层和解码器层。编码器将历史时刻气象要素的纬度-经度输入网格映射到多尺度内部网格表示；处理器在多网格表示上执行多轮消息传递；解码器将多网格表示映射回纬度-经度网格，同时输出预测结果。 Figure 1 GraphCast模型架构 GraphCast模型通过当前时间状态和上一个时间状态预测下一步天气状态。形式如下： 针对多步预测精度衰减，采用rollout多步迭代训练，降低模型误差累积，形式如下： **MindSpore Earth实践** **1.数据集** ERA5是ECMWF（欧洲中期天气预报中心）发布的全球气候第五代大气再分析数据集，提供了大量大气、陆地和海洋气候变量的每小时估计值。我们在ERA5的一个子集上训练我们的模型，输入分辨率为0.25°。我们选取了13个气压层（即50hPa、100hPa、150hPa、200hPa、250hPa、300hPa、400hPa、500hPa、600hPa、700hPa、850hPa、925hPa和1000hPa）及地表变量作为输入特征。同时，MindSpore Earth开源了正二十面体网格生成模块，用户可根据需要生成不同尺度和分辨率的多层级网格。多层级网格是一个空间均质的图，最高分辨率可通过 6 次迭代正二十面体（包含12个节点，20个面和30条边）形成，每次迭代会对网格进行精细化处理，将单个三角形划分为 4 个较小的三角形，并将其节点投影至球体上。 为便于用户快速实践MindSpore Earth开源的GraphCast案例，我们提供了部分ERA5 1.4°分辨率的数据，用户可从下面链接中下载。 https://download.mindspore.cn/mindscience/mindearth/dataset/WeatherBench\\\_1.4\\\_69/ **2.模型实现** MindSpore Earth提供 GraphCastNet网络接口，便于快速创建模型。 `model = GraphCastNet(vg_in_channels=data_params.get('feature_dims') * data_params.get('t_in'), vg_out_channels=data_params.get('feature_dims'), vm_in_channels=model_params.get('vm_in_channels'), em_in_channels=model_params.get('em_in_channels'), eg2m_in_channels=model_params.get('eg2m_in_channels'), em2g_in_channels=model_params.get('em2g_in_channels'), latent_dims=model_params.get('latent_dims'), processing_steps=model_params.get('processing_steps'), … recompute=model_params.get('recompute', False))` 在编码器层中，所有输入特征都使用多层感知器（MLP）嵌入到隐层空间中，将原始经纬度网格映射到多层级网格。 `class Encoder(nn.Cell): def __init__(self, vg_in_channels, vm_in_channels, em_in_channels, eg2m_in_channels…): super(Encoder, self).__init__() self.feature_embedder = Embedder(vg_in_channels, …) self.g2m_gnn = G2MGnn(node_in_channels=latent_dims, …) def construct(self, grid_node_feats, …): vg, vm, em, eg2m, em2g = self.feature_embedder(grid_node_feats, …) eg2m, vm, vg = self.g2m_gnn(eg2m, vm, vg) return vg, vm, em, eg2m, em2g` 在处理器中，一个16层深度GNN，在多网格上执行可学习的信息传递，通过长程边使信息在空间有效传播。 `class Processor (nn.Cell): def __init__(self, node_in_channels, node_out_channels, edge_in_channels, …): super(Processor, self).__init__() self.processing_steps = processing_steps self.cell_list = nn.SequentialCell() for _ in range(self.processing_steps): self.cell_list.append(InteractionLayer(node_in_channels, …)) def construct(self, node_feats, edge_feats): node_feats, edge_feats = self.cell_list((node_feats, edge_feats)) return node_feats, edge_feats` 在解码器中，多层级网格信息被映射回原始经纬度网格，并输出预测结果。 `class Decoder (nn.Cell): def __init__(self, node_in_channels, node_out_channels, edge_in_channels, …): super(Decoder, self).__init__() self.m2g_gnn = M2GGnn(node_in_channels, …) self.node_fn = MLPNet(in_channels=node_in_channels, …) def construct(self, m2g_edge_feats, mesh_node_feats, grid_node_feats): m2g_edge_feats, mesh_node_feats, grid_node_feats = self.m2g_gnn(m2g_edge_feats, …) return self.node_fn(grid_node_feats)` **3.损失函数** 通过自定义均方差计算模型训练的loss： `class CustomWithLossCell(nn.Cell): def __init__(self, backbone, loss_fn, data_params): super(CustomWithLossCell, self).__init__(auto_prefix=False) self._backbone = backbone … def construct(self, data, labels): pred_list = _forecast_multi_step(data, self._backbone, self.feature_dims, …) loss = 0 for t in range(self.t_out_train): pred = pred_list[t] if self.t_out_train == 1: label = ops.squeeze(labels) else: label = ops.squeeze(labels[:, t]) loss_step = self._loss_fn(label, pred) loss += loss_step loss = loss / self.t_out_train return loss` **4.模型训练** 基于昇思MindSpore提供的Model接口，即可快速开展模型的训练。同时，可通过重写get\_callback函数，在训练过程中对模型进行推理评价。 `class GraphCastTrainer(Trainer): def __init__(self, config, model, loss_fn, logger): super().__init__(config, model, loss_fn, logger) self.train_dataset, self.valid_dataset = self.get_dataset() self.pred_cb = self.get_callback() self.solver = self.get_solver() def get_solver(self): loss_scale = DynamicLossScaleManager() solver = Model(network=self.loss_fn, optimizer=self.optimizer, loss_scale_manager=loss_scale, amp_level=self.train_params.get('amp_level', 'O2')) return solver def get_callback(self): pred_cb = EvaluateCallBack(self.model, self.valid_dataset, self.config, self.logger) return pred_cb` 若采用高分辨率网格（0.25°）、精细化多层级网格(M6：包含 40,962个节点， 81920个面)， GraphCast在训练中将需要大量内存。MindSpore Earth使用重计算、混合精度、异构存储等方式实现内存优化，从而在昇腾上实现上述输入的训练： - 重计算：MindSpore在计算时，可以不保存正向算子的计算结果，让这些内存可以被复用，然后在计算反向算子时，如果需要正向的结果，再重新计算正向算子，从而降低峰值。 - 混合精度：在训练时，对神经网络不同的运算采用不同的数值精度的运算策略。在神经网络运算中，部分运算对数值精度不敏感，此时使用较低精度其所占用内存也会相应省，还可以达到明显的加速效果。 - 异构存储：在训练过程中，将暂时不需要参与计算的参数或中间结果拷贝至Host侧内存，甚至硬盘存储，在需要数据参与计算时，再将其拷贝恢复至设备侧。可以提升相同硬件设备能够训练的模型规模。 **5.模型评估** 我们在不同规模数据集（4年、16年）上进行训练，将测试集上的预报结果同欧洲中期天气预报中心（ECMWF）的高分辨率综合预测系统（IFS）模型进行对比。对于关键气象指标Z500, T850, T2m和U10，MindSpore Earth在16年数据集上训练的GraphCast模型，预报精度已超过IFS。 训练完成后，用户可加载训练存储的checkpoint，使用测试数据，验证模型预测结果的误差。 此外，MindSpore Earth内还提供了风场可视化接口，方便用户直观地查看风场随时间的变化效果。 论文标题： Learning skillful medium-range global weather forecasting 论文来源： Science 论文链接： https://www.science.org/doi/10.1126/science.adi2336 代码链接： https://gitee.com/mindspore/mindscience/tree/master/MindEarth/applications/medium-range/graphcast 往期回顾 【直播预告】11月27日MindSpore Flow&Earth SIG分享会 【直播预告】10月30日MindSpore Flow&Earth SIG分享会 【直播预告】9月27日MindSpore Flow SIG分享会 【直播预告】8月11日MindSpore Flow SIG分享会——基于深度学习的非线性流固耦合系统降价建模方法 --- https://www.mindspore.cn/activities/zh/2902/ --- 活动中心 【昇思MindSpore技术公开课】第五讲：LLaMA课程预告 # 【昇思MindSpore技术公开课】第五讲：LLaMA课程预告 2023/12/06 # 【昇思MindSpore技术公开课】第五讲：LLaMA课程预告 昇思MindSpore技术公开课大模型专题第二期课程火爆来袭！未报名的小伙伴抓紧时间扫描下方二维码参与课程，并同步加入课程群，有免费丰富的课程资源在等着你。\*\*课程同步赋能第8届ICT大赛，\*\*欢迎大家报名参与！ 本周六（2023年12月9日）14:00-15:30昇思MindSpore技术公开课大模型专题课程即将再次与大家见面！本次课程全面讲解大模型LLaMA的背景介绍、LLaMA模型结构解析（包含Pre-normalizaton、swiGLU、Rotary embedding）及LLaMA推理部署代码演示。欢迎大家参与学习！ --- https://www.mindspore.cn/activities/zh/2904/ --- 活动中心 MindSpore Quantum杭州开发者聚会 诚邀您参加！ # MindSpore Quantum杭州开发者聚会 诚邀您参加！ 2023/12/08 # MindSpore Quantum杭州开发者聚会 诚邀您参加！ **一、活动简介** **2023量子计算杭州开发者聚会-MindSpore Quantum Workshop**，将于**2023年12月11日（周一）下午14:00~17:00**在**杭州黄大年茶思屋**举行。本次活动包含量子计算前沿报告和**MindSpore Quantum编程实践**等内容，诚邀各位老师和学生莅临现场，一起深入交流和探讨最前沿的量子技术，感受课堂以外的量子编程体验和乐趣！ **活动对象：对量子计算感兴趣的人员均可报名参加。** **【温馨提示】请您自带笔记本电脑，参与现场动手实际操作体验环节！** **二、活动时间&地点** \*\*活动时间：\*\*2023年12月11日（周一）14:00-17:00 \*\*活动地点：\*\*杭州黄大年茶思屋 西湖区求是路公元大厦北楼21层 **三、活动海报** **四、参加开发者活动-你的收获** o 如果你是一位想要接触量子计算的极客，我们给你提供软硬结合的必备知识。 o 如果你是一位关注最新技术的量子爱好者，我们带你了解前沿的技术成果。 o 如果你是一位对开源社区充满热情的开发者，我们会帮你完成第一个社区PR的提交。 **五、活动报名** 1、**扫描海报下方的二维码**即可报名 2、关注MindSpore公众号，点击下方“**阅读原文**”也可直接报名 --- https://www.mindspore.cn/activities/zh/2905/ --- 活动中心 论坛倒计时 | 「科学智能，智绘未来」来南燕园与昇思共赴一场科学智能创新之旅 # 论坛倒计时 | 「科学智能，智绘未来」来南燕园与昇思共赴一场科学智能创新之旅 2023/12/08 # 论坛倒计时 | 「科学智能，智绘未来」来南燕园与昇思共赴一场科学智能创新之旅 2023年12月14日，北京大学深圳研究生院会议中心\*\*作为将“AI”与“科研”深度融合的新兴科技形态\*\*\*\*，\*\*AI4S（人工智能驱动的科学研究，亦称作科学智能）通过利用AI技术学习、模拟、预测和优化自然界及人类社会的各种现象和规律，以期解决各类科学问题，推动科学发现与研究创新，因而被称为“科学研究第五范式”。其有助于建立和完善科学技术体系，提高技术储备和创新能力，促进行业应用与产业发展，为产业基础升级和产业链现代化注入新血脉。\*\*2023年12月14日,“未来之后”AI4S第二届国际高峰论坛由北京大学深圳研究生院发起，\*\*作为建院22周年“南燕园·新起点·新征程”系列活动之一，\*\*论坛将以“科学智能，智绘未来”为主题，以鄂维南院士的即兴演讲——细说北大与AI4S的故事&倾谈AI4S赋能科研与产业变革为重磅起笔，\*\*旨在集聚前沿科学思想、促进科技产业孕育发展，引入“AI强引擎”，助力“科学加速跑”，形成战略科技力量发展合力，为构建科技引领产业的融合共进新模式提供不竭的源头动力。 AI4S如何助力建立和完善科学技术体系，提高技术储备和创新能力？如何促进AI4S的行业应用与产业发展，为产业基础升级和产业链现代化注入新动力？面对上述问题，本次高峰论坛将紧贴AI4S发展脉搏、高位链接全球创新学术资源，邀请华盛顿大学生物化学讲席教授David Baker教授、中国科学技术大学杰出讲席教授罗毅教授等高校学者介绍国内外学术专家对深度学习模型和相关AI4S工具方面所做的努力，分享AI4S促进跨学科合作的看法；微软杰出首席科学家刘铁岩博士、华为软件领域科学家于璠博士等企业专家讲述产业界目前对AI4S在气象、生物、化学等领域的先进应用案例；深势科技创始人兼CEO孙伟杰等产业精英分享大模型时代下AI4S的发展，AI4S业务给行业带来的新启发和新机遇，探讨人工智能科学研究的未来。 前路漫漫亦灿灿，AI4S与S4AI对点亮科技创新（全面创新）有着无限可能。报告结束后，论坛将邀请刘铁岩、胡晓光、于璠、孙伟杰、吴泰霖一众学者专家展开高峰对话，探讨AI4S的发展现状、问题，展望AI4S的发展趋势。论坛当天也将发布并介绍北大首批拟立项AI4S交叉研究专项项目，进一步迈开AI4S探索的脚步，在与会人员的见证下展现未来北大在AI4S领域的深远布局。本届论坛将于2023年12月14日上午8：45准时启幕，届时论坛将在南方都市报，深圳特区报，北京大学微信视频号等平台展开直播。诚邀您扫描下方报名二维码或直播二维码，与我们开启人工智能与科学前沿创新之旅，共话AI4S研究领域的变革发展！ --- https://www.mindspore.cn/activities/zh/2908/ --- 活动中心 第五届MindCon极客周昇思显眼“孢”争夺赛强势回归！大奖华为Mate 60将花落谁家！ # 第五届MindCon极客周昇思显眼“孢”争夺赛强势回归！大奖华为Mate 60将花落谁家！ 2023/12/12 # 第五届MindCon极客周昇思显眼“孢”争夺赛强势回归！大奖华为Mate 60将花落谁家！ **MindCon 极客周** 十二月，昇思MindSpore拍了拍你， 第五届MindCon极客周强势回归！ 不论你是AI领域的开源小白还是开源大神 都不给2023留遗憾！ 本届MindCon赛事您可以申请个人出战或者组队开黑 **_完成任一任务，均有获奖机会，赢奖机率高达99%_** 昇思MindSpore开源社区带着满满诚意邀您一起年末狂欢！ --- https://www.mindspore.cn/activities/zh/2917/ --- 活动中心 【昇思MindSpore技术公开课】第六讲：LLaMA2课程预告 # 【昇思MindSpore技术公开课】第六讲：LLaMA2课程预告 2023/12/20 # 【昇思MindSpore技术公开课】第六讲：LLaMA2课程预告 昇思MindSpore技术公开课大模型专题第二期课程火爆来袭！未报名的小伙伴抓紧时间扫描下方二维码参与课程，并同步加入课程群，有免费丰富的课程资源在等着你。\*\*课程同步赋能第8届ICT大赛，\*\*欢迎大家报名参与！ 本周六（2023年12月23日）14:00-15:30昇思MindSpore技术公开课大模型专题课程即将再次与大家见面！通过上期LLaMA课程学习相信大家都对大模型有了更加全面的理解，本期内容将为大家介绍LLaMA2并演示其推理部署，同时也讲解业界SOTA模型。欢迎大家参与学习！ --- https://www.mindspore.cn/activities/zh/2920/ --- 活动中心 MindSpore论坛报错活动第十八期 # MindSpore论坛报错活动第十八期 2023/12/19 # MindSpore论坛报错活动第十八期 ### **奖励规则** **1、每个任务难度等级不同，完成不同等级任务获得对应的奖励！** ·难度等级：易，可获得50元京东自营自选； ·难度等级：中，可获得100元京东自营自选； **2、若被选为优秀案例，奖品奖励将会在原来基础上升级！** ·原本’难度等级：易‘的可在’难度等级：中‘的奖品中选择； ·原本’难度等级：中‘的可获得150元京东自营自选。 ### **活动时间** **2023年12月19日——2023年12月31日** **活动方式** 1\. 已发布7个报错任务在论坛的“活动体验板块”，完成其中的一个或多个。 任务帖名称 任务帖链接 难度等级 使用dataset.vision.RandomXXX算子进行数据增强无效 https://www.hiascend.com/forum/thread-0284138349929828039-1-1.html 易 使用MindSpore读取数据报错RuntimeError:Exception thrown from dataset pipeline. Refer to 'Dataset Pipline Error Message'. https://www.hiascend.com/forum/thread-0284138351300344041-1-1.html 易 使用Mindspore模型训练时出现梯度为0现象 https://www.hiascend.com/forum/thread-0276138352141530057-1-1.html 易 使用MindSpore的ops中的矩阵相乘算子进行int8的相乘运算时报错 https://www.hiascend.com/forum/thread-0262138357916927055-1-1.html 易 使用mindspore动态图模式训练transformer，显示Process finished with exit code https://www.hiascend.com/forum/thread-0214138350817017051-1-1.html 中 使用MindSpore实现的CNN+CTC文本识别，模型验证时的输出都一样 https://www.hiascend.com/forum/thread-0214138351717967052-1-1.html 中 模型在pytorch上收敛，迁移到mindspore上loss和acc不变 https://www.hiascend.com/forum/thread-0278136195173636010-1-1.html 中 2\. 用户根据个人意愿选择报错任务，将内容填写完整后，并将正确完整的脚本打包通过附件上传到帖子，发布在本论坛的\*\*“技术干货->功能调试”\*\*中，贴心的我们给大家提供了完成任务发帖示例：使用ops.nonzero算子报错TypeError。欢迎参考哦！！！。 3\. 将个人邮箱私信回复给本贴版主账号中，将干货链接回复到该帖子下方。 4\. 每个任务择优选取一位用户获奖。 ### **注意事项** 1\. 请勿刷帖，刷帖一律删帖并做无效参与处理。 2\. 必须保证原创，抄袭按无效参与处理。 3\. 请勿盗取他人截图或内容，一经发现做无效参与处理。 4\. 必须符合设定的格式，否则算作无效参与。 --- https://www.mindspore.cn/activities/zh/2939/ --- 活动中心 第五届MindCon极客周 | MindSpore SIG 邀您出战！ # 第五届MindCon极客周 | MindSpore SIG 邀您出战！ 2023/12/29 # 第五届MindCon极客周 | MindSpore SIG 邀您出战！ **MindCon 极客周** 十二月 昇思MindSpore拍了拍你 第五届MindCon极客周强势回归 不论你是AI领域的开源小白还是开源大神 都不给2023留遗憾 赶快认领任务吧 **“孢”显智慧** **认领SIG任务，体验M\*\*\*\*indQuantum、MindFlow等AI4Sci前沿** **MindSpore Flow S** **IG** MindSpore Flow SIG着眼于昇思MindFlow，充分利用昇思MindSpore的优点，持续完善套件功能，拓展社区生态，为广大科研人员，老师和学生提供高效易用的AI计算流体仿真套件的同时，为这个领域中，有着强大影响力和浓厚的兴趣的人们提供一个能够共同交流合作的平台。 ********| 任务一：求解一维有粘性情况下的Burgers方程（15分）******** **任务描述：** 使用convLSTM方法，基于MindSpore及MindFlow套件进行开发，求解一维有粘性情况下的Burgers方程。要求单步外推验证损失（RMSE）低于0.1。 \*\*实现参考：\*\*https://gitee.com/mindspore/mindscience/tree/master/MindFlow/applications/data\\\_driven/burgers/kno1d **任务链接：** https://gitee.com/mindspore/community/issues/I8OAWK?from=project-issue ********| 任务二：求解二维Burgers方程（30分）******** **任务描述：** 使用PINNs方法，基于MindSpore及MindFlow套件进行开发，求解二维Burgers方程。要求单步外推验证损失（RMSE）低于0.1。 \*\*实现参考：\*\*https://gitee.com/mindspore/mindscience/tree/master/MindFlow/applications/physics\\\_driven/navier\\\_stokes/cylinder\\\_flow\\\_forward **任务链接：** https://gitee.com/mindspore/community/issues/I8OB27?from=project-issue ********| 任务三：用PINNs求解一维扩散方程（15分）******** **任务描述：** 用PINNs求解一维扩散方程，要求验证误差小于0.1（RMSE）。 **实现参考：** https://gitee.com/mindspore/mindscience/tree/master/MindFlow/applications/physics\\\_driven/poisson/continuous **任务链接：** https://gitee.com/mindspore/community/issues/I8OB4J?from=project-issue **MindSpore Flow SIG 任务交流群** **MindSpore Quantum SIG** MindSpore Quantum SIG致力于和开发者共同打造灵活高效、易学易用的量子计算框架，持续提升MindQuantum功能、性能和易用性，助力量子计算技术研究和创新。 MindSpore Quantum SIG是为广大开发者提供的共同交流和学习的平台，欢迎大家一起来分享、交流和共同提升MindSpore Quantum功能特性，帮助开发者学好，用好MindSpore Quantum。SIG成员将获得更多专家指导和开发资源支持。 ********| 任务一：Stabilizer 模拟器原形开发（80分）******** **任务描述:** Stabilizer模拟器在量子误差缓解、量子纠错等领域有重要应用，本任务旨在实现一个python版本的Stabilizer，实现基本的功能。 **验收规则:** Stabilizer模拟器能够实现对2比特所有Clifford群元的模拟。 **任务链接：** https://gitee.com/mindspore/community/issues/I8NNBL?from=project-issue ********| 任务二：各种多体物理模型的调研总结（50分）******** **任务描述:** 总结业界较常研究的多体物理模型，例如 ising model、Hubbard model等，请按照样例要求完成，完成XXZModel、XYZModel、FermionHubbardModel和BoseHubbardModel模型的开发。 **验收规则:** 在接口注释部分写清楚哈密顿量的具体表达式，模型输出的哈密顿量要与注释部分的表达式一致。 **任务链接：** https://gitee.com/mindspore/community/issues/I8NOGW?from=project-issue ********| 任务三：QAOA量子优势的衡量（40分）******** **任务描述:** QAOA是常用的量子近似优化算法，它可以看作是在经典平均场算法上添加量子涨落。而为了衡量QAOA在哪些问题上能展现量子优势，可以使用《Mean-Field Approximate Optimization Algorithm》文中提出的Lyapunov指数（文中式70）进行衡量。对于随机SK model，请完成计算该指数的代码并复现图中的FIG. 7. **验收规则：** 对于随机SK model，请完成计算该指数的代码复现，计算结果与原文的FIG.7一致。 **任务链接：** https://gitee.com/mindspore/community/issues/I8NOHN?from=project-issue ********| 任务四：经典求解加速量子优化（60分）******** **任务描述：** 在传统的QAOA中，线路从所有比特串的等权叠加态开始演化。但如果提前使用经典算法求解近似解，然后使用量子线路检索其邻域可以获得更优质的解。CBQOA（Classically-Boosted Quantum Optimization Algorithm）提出了这样一种高效实现连续时间量子行走的优化算法，请利用mindquantum实现该算法并在max 3sat问题上复现文中Figure 4的结果。 **验收规则：** 请利用mindquantum实现该算法在max 3sat问题上的复现，计算结果与原文的Figure 4一致。 **任务链接：** https://gitee.com/mindspore/community/issues/I8NOIU?from=project-issue ********| 任务五：量子生成模型的组合优化求解（60分）******** **任务描述：** 利用生成模型求解组合优化问题的思路是：首先产生一部分次优解的数据（可随机筛选或传统求解）称为种子数据，然后通过调整该数据分布使得更趋近于最优解，最后使用生成模型学习该调整过的分布然后输出新的样本，以期望从中得到更好的解，这种方案也被称作加速器（booster）。GEO文章使用张量网络生成模型实现了这一booster，请将该生成模型替换为量子线路波恩机，基于mindquantum实现量子生成模型的组合优化booster代码，对于给定的伊辛模型和初始次优样本，学习并输出新的样本。 **验收规则：** 代码输入为伊辛模型和次优样本，输出为量子线路波恩机学习产生的新样本，并画出前后分布的比较图。 **任务链接：** https://gitee.com/mindspore/community/issues/I8NOM0?from=project-issue **MindSpore Quantum SIG 任务交流群** **Trusted AI SIG** Trusted AI SIG 聚焦于人工智能领域的模型、数据可信技术，致力于打造安全可靠的AI计算框架，主要包括模型鲁棒性和可靠性、隐私保护、模型部署安全等。 ********| 任务一：基于MindSpore开发一个提示词注入攻击检测模型（30分）******** **任务描述:** 基于MindSpore开发一个提示词注入攻击检测模型，使得在常见中英文提示词注入样本数据集上的漏报率小于5%，正常样本误报率小于10%。 **推荐数据集:** 1）Hugging Face JasperLS prompt-injection英文数据集： https://huggingface.co/datasets/JasperLS/prompt-injections 2）清华SafetyBench中文数据集： https://github.com/thu-coai/Safety-Prompts **任务链接：** https://gitee.com/mindspore/community/issues/I8NN8X?from=project-issue **Trusted AI SIG 任务交流群** **第五届MindCon极客周** 第五届 MindCon 极客周年末强势回归，以昇思 “显眼孢” 争夺赛为主题，发布 5 大任务组成，个人或团队均可申请出战！积分最高者胜！ 请在issue下方评论区留言“ **任务序号+报名姓名** ”即可，如“1+小孢子”，每个任务都可多人领取！谢谢各位小伙伴的支持！ 本任务积分将累计在【第五届MindCon极客周】个人赛分数 **活动时间** 赛程 时间 说明 比赛 2023.12.12- 2024.01.19 项目提交 项目评审 2024.01.23- 2024.01.26 组织项目评审 结果公布 2024.01.29- 2024.02.02 发布获奖名单 **活动奖项** 最终由第五届MindCon实际积分总排名赢得奖项 获奖线：60分以上 以下奖项仅供参考，实际礼品根据积分排名而定 **立即报名** **关于MindSpore SIG** 昇思MindSpore社区欢迎业界专家、学术伙伴在社区成立MindSpore Special Interest Groups（简称SIG），作为社区领域技术代言人，打造领域技术品牌，共建昇思MindSpore开源生态。 MindSpore社区成立SIG的初衷是为该领域的专家、教授和学生提供一个开放交流的平台，通过会议分享、项目开发等活动促进技术交流、合作共赢，并使得SIG成员的影响力和技术能力得到提升，截止目前，MindSpore SIG共计成立30+。 --- https://www.mindspore.cn/activities/zh/2945/ --- 活动中心 2024昇思MindSpore干货分享大会 # 2024昇思MindSpore干货分享大会 2024/01/08 # 2024昇思MindSpore干货分享大会 # 1 活动简介 念念不忘，必有回响！昇思MindSpore2024年干货分享大会正式开启~2023年半年内就吸引到了102篇高质量的技术干货， 2024年接力继续，MindSpore论坛将每月都征集技术干货，欢迎各位开发者积极投稿，丰富MindSpore论坛社区内容。 # 2 活动时间 01月08日——12月31日（每月统计且发奖一次，合计12期） # 3 活动方式 （1）干货内容：与MindSpore相关的技术干货均可参加，我们支持一切自由形式的原创作品，篇幅字数不得少于1000字，具体要求可以参考：https://www.hiascend.com/developer/blog/details/0217101724508474050 （2）参与方式：发布完成后需及时将干货链接回复在本帖评论区： （3）同时将发布的干货链接和邮箱通过私信的方式发送给活动版主； （4）本活动将每月审核一次，审核结束后会发布获奖公告，并通过skytierXXX@163.com邮箱联系开发者； （5）另外鼓励各位开发者将干货内容转发至知乎、CSDN、开源中国等技术内容平台。 # 4 奖励方式 审核通过的用户可以获得**每篇****50****元的京东自选奖品且数量不设上限**！ # 5 发帖指南 1.打开昇思MindSpore论坛，如果没有账号的用户请先注册，已有账号的用户请直接登录。 2.登录上个人账号后，请点击“我要发帖子”。 3.进入帖子编辑页面，首先请点击分类框并选择，然后再编辑标题和帖子详情内容，完成编辑后点击“发布帖子”即可。 # 6 注意事项 1.干货内容经审核合格后方可算数。 2.抄袭他人内容或内容疑似借助ChatGPT等大模型平台均视为无效参与。 3.本活动发布的干货不得参与其他活动重复领奖。 4.最终解释权归昇思MindSpore团队所有。 --- https://www.mindspore.cn/activities/zh/2962/ --- 活动中心 【直播预告】1月27日易用性SIG技术分享会——昇思MindSpore案例分享及MindTorch入门指南 # 【直播预告】1月27日易用性SIG技术分享会——昇思MindSpore案例分享及MindTorch入门指南 2024/01/22 # 【直播预告】1月27日易用性SIG技术分享会——昇思MindSpore案例分享及MindTorch入门指南 1月27日（周六）上午10点，昇思MindSpore易用性SIG技术分享会将与大家见面。本期不仅有同学分享实习任务经验还有昇思MindSpore技术专家讲解技术要点，4个技术分享议题带你了解不一样的深度学习框架，一同学习使用新工具执行高效训练脚本迁移，再看看技术革新如何影响当下的实际生活，加入我们与你共享更多开发趣闻！敬请关注本期昇思MindSpore易用性SIG技术分享会！ 往期回顾 # 【直播预告】11月25日易用性SIG技术分享会——数据处理开发调试和基于昇思MindSpore的模型复现 【直播预告】10月28日易用性SIG技术分享会 【直播预告】8月26日易用性SIG分享会——基于昇思的MindSpore Dev Toolkit功能与网络迁移经验 【直播预告】7月29日易用性SIG分享会——昇思MindSpore动静统一和论文复现 --- https://www.mindspore.cn/activities/zh/2972/ --- 活动中心 昇思MindSpore文档反馈活动，2024重磅来袭 # 昇思MindSpore文档反馈活动，2024重磅来袭 2024/02/02 # 昇思MindSpore文档反馈活动，2024重磅来袭 ## 简介 ### 致各位昇思MindSpore开发者们 本活动由昇思MindSpore社区主办，旨在帮助开发者与昇思MindSpore之间形成纠错、修正、完善的良性循环合作关系，进一步提高文档的可阅读性，促进开发者和我们共同进步。 欢迎大家提出Issue/PR，不论您是技术问题，还是错别字的修正都是对我们的大力支持，真诚期待每一位小伙伴的参与。 您的每一个 Issue、每一个 PR ，都将是昇思MindSpore社区文档贡献中闪亮发光的星星。心动不如行动，赶紧加入我们吧~~ ## 如何反馈 ### A： 找bug，提Issue 1\. 浏览MindSpore官网教程和文档进行学习； 2\. 选中存在问题的文档片段，点击出现的图标，在弹窗中填写相关信息，选择 “提交类型”为Issue，选择问题类型； 3\. 单击“提交”按钮，会自动拷贝内容并跳转到Gitee MindSpore代码仓库Issue提交页面； 4\. 登录Gitee，会自动粘贴复制内容，完成Issue创建。 ### B： 提PR，解bug 1\. 浏览MindSpore官网教程和文档进行学习； 2\. 选中存在问题的文档片段，点击出现的图标，在弹窗中填写相关信息，选择 “提交类型”为PR，选择问题类型； 3\. 单击“提交”按钮，会自动拷贝内容并跳转到Gitee MindSpore代码仓库Web IDE界面； 4\. 登录Gitee，会自动粘贴复制内容，在“编辑”页面完成问题修改，在“提交”页面点击提交，完成PR创建，详细可参考 Gitee相关指导 问题反馈范围：MindSpore安装指南；MindSpore文档；MindSpore教程 ## 积分规则 本次文档反馈活动采用积分制，将对有效的Issue和PR进行累计式积分。 ### 说明： 1. 针对有效Issue或PR，MindSpore社区工作人员会进行相关评论 2. 月度评奖，仅计算当月积分，不累计 3. 仅标题中带有“文档反馈”且得到社区人员评论有效的Issue和已合入的PR积分 4. 同一个问题，最早有效提交者积分 5. 不同分支的同一个问题，仅一个分支标准积分，其他分支的 Issue/PR 不积分 6. 同一个问题若同时提Issue和PR，按PR积分，不能重复积分 7. 若有恶意参加行为，则取消活动参加资格 8. 该活动所有解释权归昇思MindSpore社区，如有异议可联系工作人员沟通 序号 积分项内容 积分内容 1 规范和低错类： \- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常； \- 链接错误、空单元格、格式错误； \- 英文中包含中文字符； \- 界面和描述不一致，但不影响操作； \- 表述不通顺，但不影响理解； \- 版本号不匹配：如软件包名称、界面版本号； 每个 issue 2 分 每个 PR 3 分 2 易用性： \- 关键步骤错误或缺失，无法指导用户完成任务； \- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等； \- 描述内容存在歧义指代不明、上下文矛盾； \- 逻辑不清晰，该分类、分项、分步骤的没有给出； 每个 issue 2 分 每个 PR 3 分 3 正确性： \- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致； \- 原理图、架构图等存在错误； \- 命令、命令参数等错误； \- 代码片段错误； \- 命令无法完成对应功能； \- 界面错误，无法指导操作； \- 代码样例运行报错、运行结果不符； 每个 issue 5 分 每个 PR 8 分 4 风险提示： \- 对重要数据或系统存在风险的操作，缺少安全提示； 每个 issue 8 分 每个 PR 12 分 5 内容合规： \- 违反法律法规，涉及政治、领土主权等敏感词； \- 内容侵权； 每个 issue 10 分 每个 PR 12 分 ## 奖项设置 本活动为长期活动，每个月度为一期并发放一次奖品，根据积分规则，每期将会统计在这个月度内用户的积分并进行排名，奖励分为火眼金睛奖和特殊贡献奖。 ### 火眼金睛奖可获得价值50元的奖品 奖励规则：按照本月度内的积分从高到低进行排名，前五名可获得火眼金睛奖； ### 特殊贡献奖可获得价值500元的奖品 奖励规则：Issue/PR经评审后，对文档有重大改进的可获得特殊贡献奖； --- https://www.mindspore.cn/activities/zh/2991/ --- 活动中心 MindSpore论坛报错活动第二十期 # MindSpore论坛报错活动第二十期 2024/02/23 # MindSpore论坛报错活动第二十期 ### **奖励规则** **1、每个任务难度等级不同，完成不同等级任务获得对应的奖励！** ·难度等级：易，可获得50元京东自营自选； ·难度等级：中，可获得100元京东自营自选； **2、若被选为优秀案例，奖品奖励将会在原来基础上升级！** ·原本’难度等级：易‘的可在’难度等级：中‘的奖品中选择； ·原本’难度等级：中‘的可获得150元京东自营自选。 ### **活动时间** **2024年02月22日——2024年03月03日** **活动方式** 1\. 已发布7个报错任务在论坛的“活动体验板块”，完成其中的一个或多个。 任务帖名称 任务帖链接 难度等级 如何使用MindSpore实现Torch的logsumexp函数 https://www.hiascend.com/forum/thread-0225144031263593062-1-1.html 易 如何使用MindSpore替换PyTorch的torch.nn.init https://www.hiascend.com/forum/thread-0239144031325184072-1-1.html 易 如何使用MindSpore替换torch.distributions的Categorical函数 https://www.hiascend.com/forum/thread-0239144031393467073-1-1.html 易 使用MindSpore报错AttributeError: The 'Controller' object has no attribute 'to'. https://www.hiascend.com/forum/thread-0262144031555475067-1-1.html 易 使用MindSpore Cell的construct报错AttributeError: For 'Cell', the method 'construct' is not defined. https://www.hiascend.com/forum/thread-0262144031483609066-1-1.html 中 使用MindSpore报错AttributeError: 'Parameter' object has no attribute 'uniform\_' https://www.hiascend.com/forum/thread-0239144031609410074-1-1.html 中 qwen-7b全参微调报错RuntimeError: Preprocess failed before run graph 1. https://www.hiascend.com/forum/thread-0262144031689116068-1-1.html 中 2\. 用户根据个人意愿选择报错任务，将内容填写完整后，并将正确完整的脚本打包通过附件上传到帖子，发布在本论坛的\*\*“技术干货->功能调试”\*\*中，贴心的我们给大家提供了完成任务发帖示例：使用ops.nonzero算子报错TypeError。欢迎参考哦！！！。 3\. 将个人邮箱私信回复给本贴版主账号中，将干货链接回复到该帖子下方。 4\. 每个任务择优选取一位用户获奖。 ### **注意事项** 1\. 请勿刷帖，刷帖一律删帖并做无效参与处理。 2\. 必须保证原创，抄袭按无效参与处理。 3\. 请勿盗取他人截图或内容，一经发现做无效参与处理。 4\. 必须符合设定的格式，否则算作无效参与。 --- https://www.mindspore.cn/activities/zh/3007/ --- 活动中心 元宵喜乐猜灯谜，看谁是“最强大脑” # 元宵喜乐猜灯谜，看谁是“最强大脑” 2024/02/24 # 元宵喜乐猜灯谜，看谁是“最强大脑” 元宵喜乐猜灯谜，看谁是“最强大脑” --- https://www.mindspore.cn/activities/zh/3028/ --- 活动中心 叮！请查收昇思人工智能框架峰会2024邀请函 # 叮！请查收昇思人工智能框架峰会2024邀请函 2024/03/11 # 叮！请查收昇思人工智能框架峰会2024邀请函 叮！请查收昇思人工智能框架峰会2024邀请函 --- https://www.mindspore.cn/activities/zh/3029/ --- 活动中心 MindSpore论坛报错活动第二十一期 # MindSpore论坛报错活动第二十一期 2024/03/20 # MindSpore论坛报错活动第二十一期 ### **奖励规则** **1、每个任务难度等级不同，完成不同等级任务获得对应的奖励！** ·难度等级：易，可获得50元京东自营自选； ·难度等级：中，可获得100元京东自营自选； **2、若被选为优秀案例，奖品奖励将会在原来基础上升级！** ·原本’难度等级：易‘的可在’难度等级：中‘的奖品中选择； ·原本’难度等级：中‘的可获得150元京东自营自选。 ### **活动时间** **2024年03月20日——2024年03月31日** **活动方式** 1\. 已发布6个报错任务在论坛的“活动体验板块”，完成其中的一个或多个。 任务帖名称 任务帖链接 难度等级 MindSpore如何实现pytoch中的detach()方法 https://www.hiascend.com/forum/thread-0265146308462236025-1-1.html 易 MindSpore报错TypeError: \_\_init\_\_() missing 2 required positional arguments: 'vocab\_size' and 'embedding\_size' https://www.hiascend.com/forum/thread-0255146308374561029-1-1.html 易 使用MindSpore训练网络时内存异常 https://www.hiascend.com/forum/thread-0255146308285910028-1-1.html 易 使用Mindspore的embedding报错 https://www.hiascend.com/forum/thread-0265146308116077024-1-1.html 易 使用MindSpore实现pytorch中的前反向传播 https://www.hiascend.com/forum/thread-0265146307752249023-1-1.html 中 MindSpore报错RuntimeError: could not create a descriptor for a dilated convolution forward propagation primitive https://www.hiascend.com/forum/thread-0255146308586538030-1-1.html 中 2\. 用户根据个人意愿选择报错任务，将内容填写完整后，并将正确完整的脚本打包通过附件上传到帖子，发布在本论坛的\*\*“技术干货->功能调试”\*\*中，贴心的我们给大家提供了完成任务发帖示例：使用ops.nonzero算子报错TypeError。欢迎参考哦！！！。 3\. 将个人邮箱私信回复给本贴版主账号中，将干货链接回复到该帖子下方。 4\. 每个任务择优选取一位用户获奖。 ### **注意事项** 1\. 请勿刷帖，刷帖一律删帖并做无效参与处理。 2\. 必须保证原创，抄袭按无效参与处理。 3\. 请勿盗取他人截图或内容，一经发现做无效参与处理。 4\. 必须符合设定的格式，否则算作无效参与。 --- https://www.mindspore.cn/activities/zh/3052/ --- 活动中心 第六届·2024 MindSpore 量子计算黑客松正式开启报名，以赛促学，勇攀量子世界的高峰！ # 第六届·2024 MindSpore 量子计算黑客松正式开启报名，以赛促学，勇攀量子世界的高峰！ 2024/04/09 # 第六届·2024 MindSpore 量子计算黑客松正式开启报名，以赛促学，勇攀量子世界的高峰！ **1** **大赛简介** **【赛事介绍】** 近年来，量子科技发展突飞猛进，成为新一轮科技革命和产业变革的前沿领域。加快发展量子科技，对促进高质量发展、提升国家科研实力具有重要作用。因此，加快培养一批量子科技领域的高精尖人才，是推进量子计算发展的重要因素。 在此背景下，第六届·2024 MindSpore量子计算黑客松震撼来袭。本次大赛由量子信息网络产业联盟主办，昇思MindSpore Quantum SIG承办，多所高校和单位联合协办。开发者将全面体验全新一代通用量子计算框架MindSpore Quantum。 **全新的竞赛体验，卓越的算法性能，活跃的开源社区！诚邀您报名参赛，勇攀量子世界的高峰！** **【参赛对象】** 对量子计算感兴趣，具备基本Python编程能力的**所有开发者**，均可报名参加。选手可自行组队，每支团队最多3人报名，指导老师1人（可选）。 **2** **赛程安排** **3** **大赛详情** **4** **报名方式** **1、扫描下方二维码即可报名** 大赛官网报名二维码 **2、点击文章下方 “阅读原文” 可直接报名** **3、参赛选手交流群（仅作为选手之间讨论和交流）** 请扫描下方小助手二维码，回复“**量子黑客松**”进入交流群。大赛重要节点通知会在群内第一时间告知，请所有报名选手务必加群。 回复“**量子黑客松**”进入交流群 --- https://www.mindspore.cn/activities/zh/3059/ --- 活动中心 火热报名中|全国高等学校计算机类课程能力提升高级研修班（2024年第三期 武汉站） # 火热报名中|全国高等学校计算机类课程能力提升高级研修班（2024年第三期 武汉站） 2024/04/11 # 火热报名中|全国高等学校计算机类课程能力提升高级研修班（2024年第三期 武汉站） 全国高校计算机类课程能力提升高级研修班第三期“MindSpore大模型训推微调实践”课程，将于4月20日-4月21日在华为武汉研究所开课。两位资深教授参与课程教研工作严把教学质量关，国家级教学名师、国家“万人计划”领军人才，教育部高等学校计算机类专业教学指导委员会副主任委员，北京工业大学蒋宗礼教授；武汉理工大学计算机与人工智能学院院长熊盛武教授，深耕人工智能领域多年，曾承担主持863计划、国家重点研发计划、国防基础研究和国家自然科学基金等项目的研究。本期课程内容由浅入深全面讲解昇思MindSpore自动并行理论与实践，详解ChatGLM与MoE大模型并通过实际场景运用进行展示。（课前准备：https://github.com/mindspore-courses） 欢迎各位开发者前往报名（见海报下方二维码），参与课程请提前注册ModelArts账号并在昇思MindSpore官网提前学习【快速入门】教程。（https://www.mindspore.cn/tutorials/zh-CN/r2.2/beginner/quick\\\_start.html） --- https://www.mindspore.cn/activities/zh/3079/ --- 活动中心 MindSpore论坛报错活动第二十二期 # MindSpore论坛报错活动第二十二期 2024/04/22 # MindSpore论坛报错活动第二十二期 ### **奖励规则** **1、每个任务难度等级不同，完成不同等级任务获得对应的奖励！** ·难度等级：易，可获得50元京东自营自选； ·难度等级：中，可获得100元京东自营自选； **2、若被选为优秀案例，奖品奖励将会在原来基础上升级！** ·原本’难度等级：易‘的可在’难度等级：中‘的奖品中选择； ·原本’难度等级：中‘的可获得150元京东自营自选。 ### **活动时间** **2024年04月22日——2024年04月30日** **活动方式** 1\. 已发布6个报错任务在论坛的“活动体验板块”，完成其中的一个或多个。 任务帖名称 任务帖链接 难度等级 如何使用MindSpore实现梯度对数据求导retain\_graph=True https://www.hiascend.com/forum/thread-0255149166353953073-1-1.html 易 使用SummaryRecord记录计算图报错：Failed to get proto for graph. https://www.hiascend.com/forum/thread-0297149166605415077-1-1.html 易 使用MindSpore报错TypeError:Invalid dtype https://www.hiascend.com/forum/thread-0297149166691410078-1-1.html 易 使用MindSpore训练网络出现内存溢出 https://www.hiascend.com/forum/thread-0255149166496267074-1-1.html 中 MindSpore的PyNative模式报错RuntimeError: Exception thrown from user defined Python function in dataset. https://www.hiascend.com/forum/thread-0297149166865840079-1-1.html 中 2\. 用户根据个人意愿选择报错任务，将内容填写完整后，并将正确完整的脚本打包通过附件上传到帖子，发布在本论坛的\*\*“技术干货->功能调试”\*\*中，贴心的我们给大家提供了完成任务发帖示例：使用ops.nonzero算子报错TypeError。欢迎参考哦！！！。 3\. 将个人邮箱私信回复给本贴版主账号中，将干货链接回复到该帖子下方。 4\. 每个任务择优选取一位用户获奖。 ### **注意事项** 1\. 请勿刷帖，刷帖一律删帖并做无效参与处理。 2\. 必须保证原创，抄袭按无效参与处理。 3\. 请勿盗取他人截图或内容，一经发现做无效参与处理。 4\. 必须符合设定的格式，否则算作无效参与。 --- https://www.mindspore.cn/activities/zh/3092/ --- 活动中心 滴！昇思卡！开源之夏-昇思MindSpore社区任务正式发布！ # 滴！昇思卡！开源之夏-昇思MindSpore社区任务正式发布！ 2024/04/30 # 滴！昇思卡！开源之夏-昇思MindSpore社区任务正式发布！ **活动** **介绍** **开源之夏**，是由中国科学院软件研究所发起的“开源软件供应链点亮计划”下的一项重要活动。这是一场专为高校学生精心打造的暑期盛宴，旨在鼓励广大学子积极参与开源软件的开发与维护，推动优秀开源软件社区的蓬勃发展。活动联合了包括昇思MindSpore开源社区在内的国内外各大开源社区，为参与者提供了与资深开发者深入交流、学习与实践的绝佳机会。 **开源之夏 X 昇思：任你驰骋的舞台** 昇思MindSpore开源社区始终秉承开放、创新、协同的理念，为广大开发者提供一个展示才华、交流学习的平台。此次开源之夏，昇思社区为大家准备了一系列精彩纷呈的任务，涵盖**工具开发、模型开发、算子开发、应用开发、套件开发**等多个领域，且不同难度，无论你是刚进入开源的新人还是资深开发者，都能在这里找到属于自己的舞台。 参与开源之夏活动，你将面临前所未有的挑战，但也将收获无尽的成长与惊喜： - 你将与昇思社区的专家们一对一交流，共同探讨技术难题； - 你将结识来自全国各地的优秀开发者，共同分享开源的快乐与成果； - 你还将有机会获得丰厚的奖励与荣誉，展现自己的实力与风采。 **常见问题** - 面向群体：年满18周岁的高校在校学生 - 项目奖金：项目难度分为基础和进阶两档，对应结项奖金分别为：**税前 8000 元人民币****和****税前 12000 元人民币** - 重要时间节点 - - 扫码添加开源之夏昇思任务交流群 我们热切期待每一位热爱开源、热衷于深度学习的朋友们，能够踊跃参与本次活动，与昇思MindSpore社区一起，共同推动开源事业的发展，为人工智能领域的繁荣与进步贡献自己的力量！ --- https://www.mindspore.cn/activities/zh/3115/ --- 活动中心 MindSpore论坛报错活动第二十三期 # MindSpore论坛报错活动第二十三期 2024/05/23 # MindSpore论坛报错活动第二十三期 ### **奖励规则** **1、每个任务难度等级不同，完成不同等级任务获得对应的奖励！** ·难度等级：易，可获得50元京东自营自选； ·难度等级：中，可获得100元京东自营自选； **2、若被选为优秀案例，奖品奖励将会在原来基础上升级！** ·原本’难度等级：易‘的可在’难度等级：中‘的奖品中选择； ·原本’难度等级：中‘的可获得150元京东自营自选。 ### **活动时间** **2024年05月23日——2024年06月02日** **活动方式** 1\. 已发布6个报错任务在论坛的“活动体验板块”，完成其中的一个或多个。 任务帖名称 任务帖链接 难度等级 如何使用MindSpore实现梯度对数据求导retain\_graph=True https://www.hiascend.com/forum/thread-0255149166353953073-1-1.html 易 使用SummaryRecord记录计算图报错：Failed to get proto for graph. https://www.hiascend.com/forum/thread-0297149166605415077-1-1.html 易 使用MindSpore报错TypeError:Invalid dtype https://www.hiascend.com/forum/thread-0297149166691410078-1-1.html 易 使用MindSpore训练网络出现内存溢出 https://www.hiascend.com/forum/thread-0255149166496267074-1-1.html 易 使用MindSpore报错RuntimeError: Exception thrown from user defined Python function in dataset. https://www.hiascend.com/forum/thread-0295151829138746004-1-1.html 中 MindSpore的PyNative模式报错RuntimeError: Exception thrown from user defined Python function in dataset. https://www.hiascend.com/forum/thread-0297149166865840079-1-1.html 中 2\. 用户根据个人意愿选择报错任务，将内容填写完整后，并将正确完整的脚本打包通过附件上传到帖子，发布在本论坛的\*\*“技术干货->功能调试”\*\*中，贴心的我们给大家提供了完成任务发帖示例：使用ops.nonzero算子报错TypeError。欢迎参考哦！！！。 3\. 将个人邮箱私信回复给本贴版主账号中，将干货链接回复到该帖子下方。 4\. 每个任务择优选取一位用户获奖。 ### **注意事项** 1\. 请勿刷帖，刷帖一律删帖并做无效参与处理。 2\. 必须保证原创，抄袭按无效参与处理。 3\. 请勿盗取他人截图或内容，一经发现做无效参与处理。 4\. 必须符合设定的格式，否则算作无效参与。 --- https://www.mindspore.cn/activities/zh/315/ --- 活动中心 MSG | 10.17，北京场终终终于来了！ # MSG | 10.17，北京场终终终于来了！ 2020/10/16 # MSG | 10.17，北京场终终终于来了！ 自2020年5月MSG组织成立开始，我们在海内外举办了数十场活动。国内已经在深圳、杭州、上海、苏州根据地，海外有俄罗斯、新加坡、印尼大本营，每次举办完后小伙伴们都意犹未尽，我们也收到了来自各地开发者的广大呼声，希望早日在他们的城市也建立MindSpore根据地。 乘着十月的秋风，我们终于迎来了干（**呼**）货（**声**）满（**最**）满（**高**）首场北京MSG线下活动，就在**本周六下午**！ - **MindSpore运营总监：胡晓曼** 介绍MindSpore自开源以来的的社区整体发展 - **MindSpore架构师：袁鹏** 与大家分享MindSpore对于AI计算框架的设计思路，介绍MindSpore在易用和性能的一些关键技术，一起探讨AI框架背后的故事 - **MindSpore布道师：王南** 详细讲解MindSpore可视化调试调优组件MindInsight，通过MindInsight您可以完成训练可视、性能调优、精度调优等任务 - **MindSpore高级工程师：温凯** 将为大家带来MindSpore可视化调试调优组件MindInsight，通过MindInsight您可以完成训练可视、性能调优、精度调优等任务 戳下面海报扫码**添加小助手报名**吧~ 记得**备注：北京**哦 **往期MSG线下活动快速通道↓** - MSG | 启智社区校园行首站--哈工大（深圳）为国家主导的开源技术扎根高校助力 - MSG｜ 2020.09.17 莫斯科站 - MSG | 上海站报名开启，期待您的参与 **MSG是什么？** MindSpore Study Group，简称MSG，是提供一个让开发者可以充分进行技术研讨、案例分享、互相交流的公益性社区。为了方便开发者们的深入交流，我们在每个城市都成立MSG组织，满足本地开发者的线下交流机会。 **MSG一般会做什么？** 技术研讨 MindSpore技术专家讲解最新版本技术亮点 邀请技术大咖分享关于AI、深度学习最新动态 极客分享 开发者分享MindSpore真实场景的应用案例 极客们分享前沿技术进展与软硬件最新技术 社区贡献 引导开发者从零参与MindSpore社区贡献 培养开发者成为开源社区的contributor **你的收获** 如果你是一个位想要接触AI的硬件极客，我们都给你提供软硬结合的必备知识 如果你是一位关注最新技术的算法爱好者，我们都带你了解前沿的技术成果 如果你是一位对开源社区充满热情的开发者，我们都会帮你完成第一个社区PR的提交 **如何成为一名MSG组织者** 每个人都有机会成为MSG的组织者，不论你现在在北京、上海深圳，还是杭州、西安成都等城市，都可以提交申请。有志于成为MSG组织者的朋友们，请扫描以下的二维码进行报名 **扫码成为MSG组织者** **扫描下方二维码关注** --- https://www.mindspore.cn/activities/zh/3155/ --- 活动中心 昇思MindSpore实习offer拍了拍你！ # 昇思MindSpore实习offer拍了拍你！ 2024/05/25 # 昇思MindSpore实习offer拍了拍你！ **找实习的那点事** 1 _救命！谁能告诉我为什么一个985，投递暑期实习简历完全无人回应？_ 2 _只有一段小公司的“勤杂工”实习，没有项目实战经验怎门办？_ 3 _疫情影响太严重，大概率大厂不需要招那么多实习生了……_ **昇思MindSpore线上实习offer** 昇思MindSpore社区联合多个开源社区为高校学生推出线上实习的机会——**开源实习**，让你不用出校门就可以拥有在业界顶尖AI开源项目实践的机会。 **你将拥有** **实习工资**\*\*：\*\*凭实习积分获得相应的实习工资。 **实习证明/证书**\*\*：\*\*在实习有效期6个月内积分满60分即可开具实习证明，满100分有机会获得优秀实习生证书。 **亮眼的项目经历**\*\*：\*\*参与开源项目，成为其中的贡献者，你的成果将向所有人开放共享，为用户创造价值。 **技术大咖1对1指导**\*\*：\*\*活动中每个项目任务都配备了资深导师，带领你打开开源大门，深度参与社区贡献。 **社区荣誉**\*\*：\*\*实习期突出的实习生，还会授予社区资深开发者的荣誉与额外激励哦！ \_Just show your code！\_在开源的世界里，不问出身，只要你提交的代码能真正为项目带来帮助，你就会获得开源社区的认可，而你的成果或许将成为这开源项目的一部分，服务于千千万万的用户！ **线上开源实习如何开展？** 由社区基于项目实际需求发布实习任务，通过实习申请的学生可在线上自由选择任务，在社区导师的辅导下解决社区实际的问题，并向社区仓库提交成果（即提交Pull Request）。**PR被合入社区后将获得实习积分，凭实习积分可获得相应实习工资及证书。** 截止目前，共有17个SIG（special interest groups）、特性组发布了实习任务，其中不仅包含了深度学习框架本身的图编译、自动并行、易用性提升等任务，还有AI安全、量子计算、强化学习、科学仿真等有趣的算法任务。 在这里，你将和业界专家一起探索、一起突破，一步步成长！详细参与步骤请点击“阅读原文”或长按识别下方二维码（推荐在PC端查看）。 **二维码** **实习官网** https://internship.mindspore.cn/zh/internship/ **实习时间是什么时候？** 开源实习将在社区长期进行，实习申请通过后即可开始实习，实习协议期为6个月，其间时间可自由分配，满60个实习积分并获得导师认可后即可获得实习证明。 **哪些同学可以报名？** ① 年满18周岁高校学生，无专业年级限制。 ② 平均每周能投入10小时以上的时间。 实习名额有限，满额即止。如果你对开源感兴趣，那么期待你的加入！请按实习官网上相关要求提交报名材料。 **更多疑问可联系** **昇思MindSpore小助手QQ号** 1308735071 **昇思MindSpore实习官方QQ交流群** --- https://www.mindspore.cn/activities/zh/3162/ --- 活动中心 【邀请函】昇思MindSpore赋能大模型&科学智能创新专题论坛 # 【邀请函】昇思MindSpore赋能大模型&科学智能创新专题论坛 2024/06/13 # 【邀请函】昇思MindSpore赋能大模型&科学智能创新专题论坛 【邀请函】昇思MindSpore赋能大模型&科学智能创新专题论坛 --- https://www.mindspore.cn/activities/zh/317/ --- 活动中心 10.25，MindSpore在1024程序员节、开源黑客松、中国开源年会三大活动同日出击！ # 10.25，MindSpore在1024程序员节、开源黑客松、中国开源年会三大活动同日出击！ 2020/10/21 # 10.25，MindSpore在1024程序员节、开源黑客松、中国开源年会三大活动同日出击！ 想与5代技术代表人物岳麓对话 和前浪后浪们在千年岳麓书院回首激荡岁月 共话技术大时代 想在一段特定的时间内，相聚在一起 以我们想要的方式，去做我们想做的事情 整个编程的过程几乎没有任何限制或者方向 想了解开源治理、社区发展和开源项目 和国内外顶级开源大神 来一场走心的面对面交流互动 **2020年10月25日** **报名**参加下列活动 MindSpore与您一起感受每一场精彩 **MSG·长沙——1024程序员节分论坛** 100+ 开源技术英雄年度会面 来自知名开源项目、厂商、社区、基金会等 百万开发者自己的嘉年华 众多创新互动体验、专属嘉年华和主题畅玩活动 MindSpore邀您走进华为开源技术论坛 与资深专家学习探讨深度学习与MindSpore实践相关知识 **活动信息如下** **第十一届中国开源黑客松** 第十一届中国开源黑客松活动 将于2020年10月23日-25日在长沙举办 黑客松活动将与1024程序员节相结合 相信一定能碰撞出不一样的火花 **活动信息如下** 还有精美礼品等您领取 **2020中国开源年会 (COSCon'20)** 业界最具影响力的开源年度盛会 2020中国开源年会 (COSCon'20) 将于 10月24日-25日由开源社举办 COSCon 以其独特定位及日益增加的影响力 吸引非常多顶级企业和国际基金会的大力支持 MindSpore在这里为大家带来精彩分享 深入浅出介绍全场景AI计算框架-MindSpore 感兴趣的小伙伴们**扫描下方二维码报名哟~** MindSpore官方资料 GitHub:https://github.com/mindspore-ai/mindspore Gitee:https://gitee.com/mindspore/mindspore 官方QQ群: 871543426 责任编辑：程旭 总策划：胡晓曼 **长按下方二维码关注** --- https://www.mindspore.cn/activities/zh/319/ --- 活动中心 MindSpore C++官方交流群，一起交个朋友吧~ # MindSpore C++官方交流群，一起交个朋友吧~ 2020/10/26 # MindSpore C++官方交流群，一起交个朋友吧~ C++是动态负载平衡、自适应缓存、开发大型数据框架和库的理想选择。 如果你关注MindSpore并对C++感兴趣， 不妨加入我们的官方交流群(二维码在下面！)。 在这里您可以提C++接口需求 or 对已有接口的意见\\建议， 还可以和我们的的一线开发人员直接交流，快问、快答、快分享！ 一起交个朋友吧！ **进群即可参加抽奖活动，抽取定制雨伞+帆布袋周边哦！** 微信扫描二维码加群 该二维码11月2日前有效哦！如有需要请至贴吧活动帖留言，会更新二维码 相关资料链接 GitHub:https://github.com/mindspore-ai/mindspore Gitee:https://gitee.com/mindspore/mindspore --- https://www.mindspore.cn/activities/zh/3192/ --- 活动中心 线上就能实习？实习证明+亮眼项目经历就在昇思开源实习 # 线上就能实习？实习证明+亮眼项目经历就在昇思开源实习 2024/06/19 # 线上就能实习？实习证明+亮眼项目经历就在昇思开源实习 线上就能实习？实习证明+亮眼项目经历就在昇思开源实习 --- https://www.mindspore.cn/activities/zh/3196/ --- 活动中心 MindSpore论坛报错活动第二十四期 # MindSpore论坛报错活动第二十四期 2024/06/21 # MindSpore论坛报错活动第二十四期 ### **奖励规则** **1、每个任务难度等级不同，完成不同等级任务获得对应的奖励！** ·难度等级：易，可获得50元京东自营自选； ·难度等级：中，可获得100元京东自营自选； **2、若被选为优秀案例，奖品奖励将会在原来基础上升级！** ·原本’难度等级：易‘的可在’难度等级：中‘的奖品中选择； ·原本’难度等级：中‘的可获得150元京东自营自选。 ### **活动时间** **2024年06月21日——2024年06月30日** **活动方式** 1\. 已发布7个报错任务在论坛的“活动体验板块”，完成其中的一个或多个。 任务帖名称 任务帖链接 难度等级 MindSpore推理报错：Load op info form json config failed https://www.hiascend.com/forum/thread-0286154321474797064-1-1.html 易 MindSpore的VIT报错\[OneHot\] failed. OneHot: index values should not bigger than num classes: 100, but got: 100 https://www.hiascend.com/forum/thread-0261154321948186071-1-1.html 易 MindSpore使用run\_pyscf跑量子化学时报错Invalid cross-device link https://www.hiascend.com/forum/thread-0265154322559770073-1-1.html 易 使用MindSpore的value\_and\_grad 求导梯度为0 https://www.hiascend.com/forum/thread-0265154323118720074-1-1.html 易 使用MindSpore对vision.SlicePatches的数据集切分和合并 https://www.hiascend.com/forum/thread-0261154322740786073-1-1.html 中 使用MindSpore的initializer生成的Tensor行为不符合预期 https://www.hiascend.com/forum/thread-0272154322943389080-1-1.html 中 使用MindSpore进行数组切片，两次输出不一致 https://www.hiascend.com/forum/thread-0265154323476622075-1-1.html 中 2\. 用户根据个人意愿选择报错任务，将内容填写完整后，并将正确完整的脚本打包通过附件上传到帖子，发布在本论坛的\*\*“技术干货->功能调试”\*\*中，贴心的我们给大家提供了完成任务发帖示例：使用ops.nonzero算子报错TypeError。欢迎参考哦！！！。 3\. 将个人邮箱私信回复给本贴版主账号中，将干货链接回复到该帖子下方。 4\. 每个任务择优选取一位用户获奖。 ### **注意事项** 1\. 请勿刷帖，刷帖一律删帖并做无效参与处理。 2\. 必须保证原创，抄袭按无效参与处理。 3\. 请勿盗取他人截图或内容，一经发现做无效参与处理。 4\. 必须符合设定的格式，否则算作无效参与。 --- https://www.mindspore.cn/activities/zh/3207/ --- 活动中心 会议预告 | 2012实验室全球软件技术峰会 - 欧洲研究院专场 # 会议预告 | 2012实验室全球软件技术峰会 - 欧洲研究院专场 2024/07/01 # 会议预告 | 2012实验室全球软件技术峰会 - 欧洲研究院专场 **会议简介** 全球软件技术峰会是连接全球智慧，碰撞软件新思想、探讨软件架构与技术的交流大会，由华为2012实验室软件分委会、中央软件院联合欧洲、亚太、加拿大等研究院主办，旨在连接全球学术界和产业界顶级专家，围绕Software+X，深入探讨前沿技术和行业难题，携手推动软件扎到根、生态捅破天。 全球软件技术峰会2024 · 欧洲专场将于2024年7月2日-7月5日举行，由华为欧洲德累斯顿、爱丁堡、爱尔兰、比萨、剑桥、巴黎六大研究所联合承办，战略研究院、ICT、科学家委员会协办。此次大会主题为AI Native System Software，邀请到了40余位产业界和学术界的顶级专家、学者参会作专题报告，其中包括IEEE Fellow、全球知名高校与科研机构学者、RUST社区专家、华为ICT/Cloud/消费者等产品线科学家、欧洲代表性科技公司科学家等，会议重点围绕操作系统、AI for system、分布式计算、 知识计算、编译器与编程语言、Web技术、软件自治、云服务等领域的最新趋势、挑战和机遇进行深入讨论，携手推动软件扎到根。热切期盼您莅临本次峰会！ **会议官网（可查看议程&观看直播，支持中英双语直播）**：https://huawei-events.de/en/gsts24.htm _扫码查看议程&观看直播_ \*\*时间：\*\*2024 年 7 月 2日 -7月 5 日 (北京时间) \*\*地点：\*\*德国德累斯顿、英国爱丁堡、爱尔兰都柏林 、意大利比萨 & 线上 **分会场介绍** ⊙**欧洲-德国德累斯顿** 时间：2024 年 7 月 2 日 (北京时间) ⊙**欧洲-意大利比萨** 时间：2024年 7 月 3 日 (北京时间) ⊙ **欧洲-英国爱丁堡** 时间：2024 年 7 月 4 日 – 5日 (北京时间) ⊙ **欧洲-爱尔兰都柏林** 时间：2024 年 7 月 4 日 (北京时间) **会议议程** --- https://www.mindspore.cn/activities/zh/321/ --- 活动中心 MindSpore网络模型挑战赛完美落幕，260万大奖花落谁家！ # MindSpore网络模型挑战赛完美落幕，260万大奖花落谁家！ 2020/10/30 # MindSpore网络模型挑战赛完美落幕，260万大奖花落谁家！ **【大赛背景】** MindSpore网络模型挑战赛是由华为举办的首届面向MindSpore开源社区的开发者赛事，旨在通过开发与应用，鼓励开发者基于MindSpore以及昇腾AI处理器开发业界主流模型，在体验MindSpore带来的便捷开发、高效运行、开放共享等优势特性的同时，激发技术创新，为AI开源生态创造更多高价值的模型实现。 MindSpore是华为开源的一款支持端边云全场景的深度学习训练推理框架，当前主要应用于计算机视觉、自然语言处理等AI领域，旨在为数据科学家和算法工程师提供设计友好、运行高效的开发体验，提供昇腾AI处理器原生支持及软硬件协同优化。同时构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 **【参赛对象】** 任何有意愿参与者，个人和企业开发者均可 **【参赛要求】** 1\. 参赛者通过在华为云大赛页面进行报名，并提供相应协议签署文档。 2\. 参赛作品必须提供完整的模型代码，供最终评审。 **【组队要求】** 1\. 参赛人员可自由组队，个人/公司/高校组织均可，无特殊要求。 2\. 所有参赛人员必须注册华为云大赛平台账号，奖项名单按照报名登记的团队信息所含账号为准，如果团队成员未在华为云注册账号的，将被认为是无效队员，不会纳入团队名单。 **【奖项设置】** \* 代金券使用需遵守华为云代金券使用规则。 **其他权益：** 1\. 获奖作品将获得华为官方宣传与展示 2\. 获奖赛队代表将获取2020华为开发者大会Day3Day4门票与往返机票和酒店（往返机酒仅一等奖和二等奖） **【赛事时间安排】** 第一阶段：报名阶段 2020年6月20日9时-2020年7月18日18时 第二阶段：作品提交阶段 2020年6月30日9时-**2020年8月24日18时** 第三阶段：作品评审、结果发布 2020年**8月25日9时**\-2020年9月11日18时 第四阶段：现场颁奖 2020年9月26日，华为全联接2020嘉年华 **【参赛情况】** 奖金 团队数 报名人数 作品评审截止时间 ￥2,600,000 102 443 2020/09/11 **【获奖公示】** 更多比赛规则、详情请点击https://competition.huaweicloud.com/information/1000041243/introduction?track=116 --- https://www.mindspore.cn/activities/zh/322/ --- 活动中心 开源界首个小剧场上线！投票来赢喝咖啡＋追MindSpore原创剧的机会吧！ # 开源界首个小剧场上线！投票来赢喝咖啡＋追MindSpore原创剧的机会吧！ 2020/10/31 # 开源界首个小剧场上线！投票来赢喝咖啡＋追MindSpore原创剧的机会吧！ **MindSpore小剧场开播啦！！** **从10月28日到11月13日！！** 17个3秒短剧，每天一集，带你感受程序员的日常 包含悬疑、搞笑、温情、以及所有你能get到的技术点~ MindSpore邀你在边喝咖啡边观看的同时 为MindSpore在OSC中国开源项目评选打call！ 为平常的一天增添特别的精彩~ ## **参与方式如下图所示、** ## **观看短剧（领咖啡券）方式** · 活动从10月28日起截止至11月13日； · 小助手将满足条件的参与者邀请至‘抽奖群’； · 活动期间于上午9:00将抽奖入口发到群里，当天下午14:00出中奖结果； · 中奖的小伙伴将获得星巴克咖啡券和赠言中的3秒短剧； · 活动结束后将在B站MindSpore官方发布由17个3秒短视频合成一部完整短剧方便大家观看。 ## **奖品的领取和使用** 领取的星巴克咖啡券在任意线下门店均可兑换，使用时效为领取日起5天内。 海报、图表制作：吴佳聪 责任编辑：程旭 总策划：胡晓曼 **扫描下方二维码关注↓** --- https://www.mindspore.cn/activities/zh/3224/ --- 活动中心 MindSpore论坛报错活动第二十五期 # MindSpore论坛报错活动第二十五期 2024/07/19 # MindSpore论坛报错活动第二十五期 ### **奖励规则** **1、每个任务难度等级不同，完成不同等级任务获得对应的奖励！** ·难度等级：易，可获得50元京东自营自选； ·难度等级：中，可获得100元京东自营自选； **2、若被选为优秀案例，奖品奖励将会在原来基础上升级！** ·原本’难度等级：易‘的可在’难度等级：中‘的奖品中选择； ·原本’难度等级：中‘的可获得150元京东自营自选。 ### **活动时间** **2024年07月18日——2024年07月28日** **活动方式** 1\. 已发布7个报错任务在论坛的“活动体验板块”，完成其中的一个或多个。 序号 任务帖名称 任务帖链接 难度等级 任务一 模型训练时报错dcmi module initialize failed. ret is -8005 https://www.hiascend.com/forum/thread-0272156668053972361-1-1.html 易 任务二 算子编译过程中报错A module that was compiled using NumPy 1.x cannot be run in Numpy 2.0.0 . https://www.hiascend.com/forum/thread-0261156669270785363-1-1.html 易 任务三 使用MindSpore进行数组切片，两次输出不一致 https://www.hiascend.com/forum/thread-0265154323476622075-1-1.html 中 任务四 使用MindSpore的value\_and\_grad 求导梯度为0 https://www.hiascend.com/forum/thread-0265154323118720074-1-1.html 中 任务五 实现的loss function在做反向传播的时候报错RuntimeError: Call aclrtDestroyStream failed, ret = 0x107003 https://www.hiascend.com/forum/thread-0265156669620709366-1-1.html 中 2\. 用户根据个人意愿选择报错任务，将内容填写完整后，并将正确完整的脚本打包通过附件上传到帖子，发布在本论坛的\*\*“技术干货->功能调试”\*\*中，贴心的我们给大家提供了完成任务发帖示例：使用ops.nonzero算子报错TypeError。欢迎参考哦！！！。 3\. 将个人邮箱私信回复给本贴版主账号中，将干货链接回复到该帖子下方。 4\. 每个任务择优选取一位用户获奖。 ### **注意事项** 1\. 请勿刷帖，刷帖一律删帖并做无效参与处理。 2\. 必须保证原创，抄袭按无效参与处理。 3\. 请勿盗取他人截图或内容，一经发现做无效参与处理。 4\. 必须符合设定的格式，否则算作无效参与。 --- https://www.mindspore.cn/activities/zh/3226/ --- 活动中心 昇思MindSpore创新训练营·长三角站开始报名！ # 昇思MindSpore创新训练营·长三角站开始报名！ 2024/07/16 # 昇思MindSpore创新训练营·长三角站开始报名！ **一、介绍** 为充分发挥长三角研究型大学联盟教学实践基地共建共享功能，加强华东高校优秀青年学子的交流与互动，提供学生与产业界接触的机会，上海交通大学与华为技术有限公司共同发起，面向长三角研究型大学学生开设**昇思MindSpore创新训练营**。 本次训练营以实践项目和业界需求为牵引，以学生实践为主线，让学生在实践的过程中学习和实践人工智能相关知识，掌握相关技术和工具，紧跟业界最新趋势，加深对人工智能行业的认识，为学生持续加强个人创新能力提升打下坚实的基础。 **二、组织方** **主办单位** 上海交通大学、华为技术有限公司 **协办单位** 长三角各高校教务处 **承办单位** 昇思MindSpore开源社区 **三、日程安排** **时间** **内容** 2024年7月15日-7月31日 各校学生招募 2024年8月1日-8月3日 训练营名额确认 2024年8月27日-8月30日 线下训练营学习 **四、教学内容** **第一天** **·** 昇思MindSpore创新实践训练营介绍 **·** 昇思MindSpore深度学习框架基础 **·** Transformer网络详解 **·** Encoder-only结构详解：以Bert为例 **·** Decoder-only结构详解：以GPT为例 **第二天** **·** 预训练的关键技术：分布式并行 **·** 新的微调范式：Prompt Tuning **·** Instruction tuning **·** 高效参数微调（PEFT） **第三天** **·** 业界主流大模型介绍 **·** MusicGen音乐生成实践 **·** ChatPDF读论文实践 **第四天** **·** 项目答辩 **·** 结营 **五、学生招募** **训练营时间安排：** 8月26日报道，8月27日-8月30日线下课程，8月30日下午16点结营。 **授课地点：** 上海交通大学学生创新中心 (上海市闵行区东川路800号) **活动费用：** - 本次训练营免费，线下进行，由主办方负责场地、住宿。 - 参与者自行承担交通与餐饮。 **报名要求：** - 至少熟练掌握C/C++/Python中任一编程语言。 - 需具有良好的沟通和协作能力（不同高校的学生将混合编组）。 **招募对象：** 长三角研究型大学联盟在读学生： 浙江大学、南京大学、复旦大学、上海交通大学、中国科学技术大学、同济大学、华东师范大学以及长三角区域三省一市有关“双一流”建设高校。 **招募人数：** 训练营共招募100名学生。 上海交通大学学生15名，其他长三角高校每校不超过10人。 **报名方式：** 上海交大学生**扫描下方二维码**或点击文末左下角\*\*“阅读原文”\*\*进行报名，主办方将根据报名情况择优录取。成功入选的同学，将于8月4日前收到邮件通知，报名的学生一经确认需全程参与本次训练营。**其他长三角高校学生报名，请联系本校教务处。** --- https://www.mindspore.cn/activities/zh/3227/ --- 活动中心 2024年人工智能应用场景算法“赛马”火热报名中，速用昇思参赛赢取千万项目！ # 2024年人工智能应用场景算法“赛马”火热报名中，速用昇思参赛赢取千万项目！ 2024/07/16 # 2024年人工智能应用场景算法“赛马”火热报名中，速用昇思参赛赢取千万项目！ 2024年人工智能应用场景算法“赛马”火热报名中，速用昇思参赛赢取千万项目！ --- https://www.mindspore.cn/activities/zh/3228/ --- 活动中心 有奖互动丨今天你“AI焦虑”了吗？ # 有奖互动丨今天你“AI焦虑”了吗？ 2024/07/15 # 有奖互动丨今天你“AI焦虑”了吗？ 人工智能发展如火如荼 AI作图让设计师又爱又慌 Sora让影视行业陷入沉思 无人驾驶让司机无不焦虑 小编一边玩转着AI写作 一边又担心AI从屏幕里跳出来 **抢走我手里的“碗”** 到时候小编还有垃圾可以捡吗？ AI焦虑？你可能不是一个人！ ● AI到底会不会取代人类的工作？ ● AI时代还需要不要学习和考试？ ● 网约车司机的职业生涯该何去何从？ ● 到底该不该发展无人驾驶技术？ ● AI带来的失业潮，会如何改变社会分工？ ● 新一代的高考生，能不能报AI专业？ …… 小朋友，你是否也有很多“AI问号”？ 小编正在密谋一个大事情 来揭开你的“AI问号” 现在先来个彩蛋吧！ **把你的“AI焦虑”相关问题发在评论区** **点赞前5名**的同学将送出昇思社区定制雨伞 发奖规则： 1、**2024年7月19日15:00**截止统计并开奖 2、仅限\*\*“AI焦虑问题”\*\*相关留言有效，无效留言不计入统计 动动小手留下你的问题吧！ --- https://www.mindspore.cn/activities/zh/323/ --- 活动中心 MindSpore网络模型众筹启动，面向高校讲师，150个模型供你选择！ # MindSpore网络模型众筹启动，面向高校讲师，150个模型供你选择！ 2020/10/31 # MindSpore网络模型众筹启动，面向高校讲师，150个模型供你选择！ MindSpore作为华为自研深度学习框架，9月在华为全连接大会上正式发布v1.0.0版本。自开源以来，已经有5.5万开发者参与到了MindSpore生态中来，来自全球的1500+核心贡献者持续参与代码贡献。 ModelZoo是MindSpore与社区共同提供的深度优化的模型集市，给开发者提供了深度优化的模型，以便以生态中的小伙伴可以方便地基于ModelZoo中的模型进行个性化开发。当前已经覆盖了机器视觉、自然语言处理、语音等多个领域的主流模型。 为了尽可能便于开发者在各个使用场景下都能使用MindSpore，通过MindSpore使能智能服务，让更多的开发者融入MindSpore生态，我们需要更加丰富和强大的模型集市ModelZoo。而这，需要大家一起参与到ModelZoo的建设中来。在此，MindSpore官方面向开发者发起网络模型众筹，提升ModelZoo模型的丰富性和可用性，我们会将众筹到的模型开源，普惠所有开发者。 加入众筹你将有机会深度了解华为自研框架MindSpore以及深度参与开源项目的机会，与MindSpore专家进行持续的技术交流的环境，并且还将获得开发基金。 下面信息很重要，请仔细阅读： **模型范围** 150个网络，包括CV、NLP、Audio/Video、Recommendation、GAN等，覆盖所有深度学习领域。 **开发者福利** - 开发基金 - MindSpore优秀开发者称号 - MindSpore专家持续赋能，专人接口及疑问解答 - 必要的开发环境及资源 **开发者任务** - 制定并提供开发方案和计划，并通过评审 - 按时完成脚本开发，并达到指定的精度 - 上传并开源模型文件、脚本及文档等验收材料 **整体流程** 众筹流程分为如下4个阶段，即日起开始报名，截止到2021.6.30（会根据具体完成情况浮动） **阶段1：报名阶段** 按文章最下方格式发送信息到指定邮箱，通过审核后一周内会联系您。 如果您在一周后未收到任何回复，请直接联系yuximiao@huawei.com，咨询报名情况。 **阶段2：启动阶段** 通过审核后，与您联系商讨如下事项： - 模型选择：我们将为您介绍MindSpore网路模型众筹，并提供待众筹的模型列表供您选择； - 交付件以及标准：包括模型文件、精度、脚本文件等 - 开发周期选择：按照难度和开发进度，选择交付时间2~5个月 - 开发基金：根据难度提供对应的开发基金 确定好详细事宜后，会与您签订合同，接下来进入开发阶段。 **阶段3：开发阶段** 开发阶段我们将为合作伙伴提供MindSpore培训课程、技术专家不定期辅导，以及建立讨论组随时进行技术交流及问题解答。 开发期间我们将设置两个里程碑： - 里程碑一：进入开发阶段2-4周内，您需要提供开发方案和计划等材料，并完成线上评审，获得阶段性开发基金 - 里程碑二：开发阶段结束，打通训练脚本且loss收敛 开发阶段根据模型难度持续4-12周 **阶段4：验收阶段** 您根据合同中约定事项上传交付件至官网ModelZoo，主要包括：模型脚本、能够复现目标精度的超参、模型文件、自验报告及说明文档。 验收阶段将持续2-4周，完成验收，将获得剩余全部的开发基金。 报名邮件格式： 邮件标题：【报名】MindSpore网络模型众筹 邮件正文： 姓名： 联系电话或邮箱： 职务/职称（教授、学生、工程师……）： 高校院系/公司部门： 报名邮件样例： 【报名】MindSpore网络模型众筹 **姓名：张三** **联系电话或邮箱：176XXXXXXXX / XXX@XXX.com** **职称：讲师** **高校院系：XX大学XX学院** **研究方向：强化学习** 研究方向： 发送邮件到contact@public.mindspore.cn，我们会在一周内通知您审核结果，期待&欢迎加入MindSpore生态大家庭，与全球开发者一起构建领先的深度学习框架。 \- End - 海报、图表制作：吴佳聪 责任编辑：程旭 总策划：胡晓曼 ****扫描下方二维码加入MindSpore项目↓**** --- https://www.mindspore.cn/activities/zh/3231/ --- 活动中心 25天学习打卡营隐藏任务正式开启！学AI赢奖品，千元大奖等你来拿！ # 25天学习打卡营隐藏任务正式开启！学AI赢奖品，千元大奖等你来拿！ 2024/07/18 # 25天学习打卡营隐藏任务正式开启！学AI赢奖品，千元大奖等你来拿！ 昇思MindSpore 学习打卡营是昇思社区为开发者打造的能力提升项目，第一期打卡营截止目前已经有1000+开发者加入学习，并经历了28天的学习奋斗，欢迎更多开发者加入打卡营行列共同学习！ 活动链接： https://xihe.mindspore.cn/events/mindspore-training-camp **优雅地提升AI能力** **“实践才是验证学习的唯一标准”**，基于此，社区发布特别任务，助力开发者成长！（没有参与学习打卡营的开发者也可以参加哦~） - \*\*活动说明：\*\*开发者可根据喜好任选以下一个或多个特别任务进行，社区为参与开发者提供免费Ascend算力，更有惊喜大奖等你来夺！ - \*\*活动时间：\*\*即日起——8月4日 24:00 **0\*\*\*\*1** **特别任务A：创意应用开发** - \*\*任务描述：\*\*基于昇思MindSpore+Ascend进行创新应用开发，内容不限，将你所学的内容用起来！ - \*\*数据集：\*\*可以自行解决，也可以使用这些公开数据集https://developer.huaweicloud.com/develop/aigallery/dataset/list - \*\*任务激励：\*\*将根据专家评审分90%（两个维度评审：创意度50%与技术应用50%）+大众评审10%。 **0\*\*\*\*2** **特别任务B：教学课程录制** - \*\*任务描述：\*\*选择【昇思25天打卡营】中，一门已学课程，制作一个10~15分钟的教学视频，讲解核心概念和应用实例（通过PPT介绍核心概念+代码演示），并将课程视频发布于CSDN。 - **任务激励：**认领该任务将根据**视频质量评选10名优质视频创作者。** **03** **特别任务C：技术干货撰写** - \*\*任务描述：\*\*基于昇思MindSpore的技术干货撰写，发布于昇思论坛中，要求必须原创，文章篇幅需要超过1000字。 - \*\*内容形式：\*\*包含但不限于：①使用MindSpore时遇到了xx问题并成功解决该问题，总结问题描述和解决方案；②参与研究MindSpore相关项目的技术经验总结；③某一阶段学习的知识框架体系的总结与实践。 - **任务激励：**认领该任务**通过技术干货文章审核认证即可获得激励，其中将评选10名**优质创作者。 --- https://www.mindspore.cn/activities/zh/3238/ --- 活动中心 昇思MindSpore布道师招募正式启动！邀你成为昇思社区领袖 # 昇思MindSpore布道师招募正式启动！邀你成为昇思社区领袖 2024/07/19 # 昇思MindSpore布道师招募正式启动！邀你成为昇思社区领袖 昇思MindSpore布道师招募正式启动！邀你成为昇思社区领袖 --- https://www.mindspore.cn/activities/zh/325/ --- 活动中心 双11优惠让你崩溃？别算了，MindSpore在线体验+发礼品全部都是免费！ # 双11优惠让你崩溃？别算了，MindSpore在线体验+发礼品全部都是免费！ 2020/11/05 # 双11优惠让你崩溃？别算了，MindSpore在线体验+发礼品全部都是免费！ Ladies and gentlemen ! 不早不晚，月初我们又在这里见面啦！ 最近是不是忙着双十一采购？ 最大优惠算出来了嘛？是不是很纠结？ 别算了！别算了！尾款人看这里~ MindSpore在线体验+发礼品全部都是免费！免费！免费！ 先来看看本期奖品！ 秋冬温暖系列！ 电热水壶，电热饭盒，电热桌垫和暖绒午睡毯，MindSpore给你的温暖不止一点点！ 那么本期的活动怎么参加呢？ **活动时间** 11月4日——11月6日 **参与方式** 1\. 访问MindSpore官网，选择“教程”版块。（官网地址：https://www.mindspore.cn） 2\. 找到包含标签的实验教程，单击标签并运行在线实验，目前只有“快速入门”中的《实现一个图片分类应用》包含该标签，后续会陆续上线其他教程，敬请期待。教程链接：https://www.mindspore.cn/tutorial/training/zh-CN/master/quick\_start/quick\_start.html 3\. 加载和训练过程需要分别几分钟，耐心等待下。推荐大家自己修改代码，重新完成。 4\. 实验完成后为了区分是否个人跑完教程，截图精度并用红框标出，如下图所示，精度要求95%以上。 5\. 将截图发至论坛（https://bbs.huaweicloud.com/forum/forum-1076-1.html)的“干货分享”版块，最后留下邮箱，即可视为成功参加活动，获得“优先体验奖”。 6\. 您也可以在分享中提出对在线实验的意见、建议和寄语等，也可选出您最期待的在线实验教程，我们会额外抽取3名用户，获得“耿直建议奖”。 让我们一起进步吧！ \*最终解释权归MindSpore团队所有。 --- https://www.mindspore.cn/activities/zh/3266/ --- 活动中心 MindSpore论坛报错活动第二十六期 # MindSpore论坛报错活动第二十六期 2024/08/16 # MindSpore论坛报错活动第二十六期 ### **奖励规则** **1、每个任务难度等级不同，完成不同等级任务获得对应的奖励！** ·难度等级：易，可获得50元京东自营自选； ·难度等级：中，可获得100元京东自营自选； **2、若被选为优秀案例，奖品奖励将会在原来基础上升级！** ·原本’难度等级：易‘的可在’难度等级：中‘的奖品中选择； ·原本’难度等级：中‘的可获得150元京东自营自选。 ### **活动时间** **2024年08月16日——2024年08月25日** **活动方式** 1\. 已发布7个报错任务在论坛的“活动体验板块”，完成其中的一个或多个。 序号 任务帖名称 任务帖链接 难度等级 任务一 MindFormers进行单机八卡调用时报错No parameter is entered. Notice that the program will run on default 8 cards. https://www.hiascend.com/forum/thread-0267159153456816066-1-1.html 易 任务二 MindSpore模型加载报错RuntimeError: build from file failed! Error is Common error code. https://www.hiascend.com/forum/thread-0233159154188200072-1-1.html 易 任务三 使用converter\_lite转换包含Dropout算子的模型至MindSpore模型失败 https://www.hiascend.com/forum/thread-0215159154713621067-1-1.html 易 任务四 使用MindSpore进行数组切片，两次输出不一致 https://www.hiascend.com/forum/thread-0265154323476622075-1-1.html 中 任务五 使用MindSpore的value\_and\_grad 求导梯度为0 https://www.hiascend.com/forum/thread-0265154323118720074-1-1.html 中 任务六 实现的loss function在做反向传播的时候报错RuntimeError: Call aclrtDestroyStream failed, ret = 0x107003 https://www.hiascend.com/forum/thread-0265156669620709366-1-1.html 中 2\. 用户根据个人意愿选择报错任务，将内容填写完整后，并将正确完整的脚本打包通过附件上传到帖子，发布在本论坛的\*\*“技术干货->功能调试”\*\*中，贴心的我们给大家提供了完成任务发帖示例：使用ops.nonzero算子报错TypeError。欢迎参考哦！！！。 3\. 将个人邮箱私信回复给本贴版主账号中，将干货链接回复到该帖子下方。 4\. 每个任务择优选取一位用户获奖。 ### **注意事项** 1\. 请勿刷帖，刷帖一律删帖并做无效参与处理。 2\. 必须保证原创，抄袭按无效参与处理。 3\. 请勿盗取他人截图或内容，一经发现做无效参与处理。 4\. 必须符合设定的格式，否则算作无效参与。 --- https://www.mindspore.cn/activities/zh/327/ --- 活动中心 MSG | 香港站•浸会大学站周六开启！速来报名！ # MSG | 香港站•浸会大学站周六开启！速来报名！ 2020/11/06 # MSG | 香港站•浸会大学站周六开启！速来报名！ 今年的双十一来得比往年早，10.21商家开始预售，11月初付完第一波尾款，紧接着迎来第二轮预售，通过简单的规则和预售，让我们体会一段：定金一时爽，尾款火葬场的为期22天的剁手时光。 付定金时感觉没有自己买不了的商品，却在结尾款时意识到，投身于知识的海洋才是提升幸福指数的长久之计！ 所以小编为大家带来了将在本周末(11.07-11.08)，通过线上授课的方式，进行为期两天的机器学习和人工智能课程讲解的学习组『MSG · 香港浸会大学(HKBU)』 通过两天的学习，可以: 1. 熟悉人工智能领域的基本概念，培养自学能力； 2. 独立完成代码编写，在MindSpore框架上实现图像分类； 3. 阐明如何使用可视化和其他辅助模块优化的学习过程； 4. 了解最新研究领域，如设备云协作、机器自动学习、无监督学习任务等； 5. 明确未来研究方向…… 还可获得福利： 为前40位报名的同学提供开发平台云资源哦~ 感兴趣的童鞋快快加↑MindSpore小助手报名，增涨知识还可获得开发平台云资源的福利哦~ **往期MSG线下活动快速通道↓** - MSG | 启智社区校园行首站--哈工大（深圳）为国家主导的开源技术扎根高校助力 - MSG｜ 2020.09.17 莫斯科站 - MSG | 上海站报名开启，期待您的参与 **MSG是什么？** MindSpore Study Group，简称MSG，是提供一个让开发者可以充分进行技术研讨、案例分享、互相交流的公益性社区。为了方便开发者们的深入交流，我们在每个城市都成立MSG组织，满足本地开发者的线下交流机会。 **MSG一般会做什么？** 技术研讨 MindSpore技术专家讲解最新版本技术亮点 邀请技术大咖分享关于AI、深度学习最新动态 极客分享 开发者分享MindSpore真实场景的应用案例 极客们分享前沿技术进展与软硬件最新技术 社区贡献 引导开发者从零参与MindSpore社区贡献 培养开发者成为开源社区的contributor **你的收获** 如果你是一个位想要接触AI的硬件极客，我们都给你提供软硬结合的必备知识 如果你是一位关注最新技术的算法爱好者，我们都带你了解前沿的技术成果 如果你是一位对开源社区充满热情的开发者，我们都会帮你完成第一个社区PR的提交 **如何成为一名MSG组织者** 每个人都有机会成为MSG的组织者，不论你现在在北京、上海深圳，还是杭州、西安成都等城市，都可以提交申请。有志于成为MSG组织者的朋友们，请扫描以下的二维码进行报名 海报制作：吴佳聪 责任编辑：程旭 总策划：胡晓曼 扫描下方二维码加入MindSpore项目 --- https://www.mindspore.cn/activities/zh/3272/ --- 活动中心 昇思创新训练营·长三角站等你来！ # 昇思创新训练营·长三角站等你来！ 2024/08/21 # 昇思创新训练营·长三角站等你来！ 昇思创新训练营·长三角站等你来！ --- https://www.mindspore.cn/activities/zh/3275/ --- 活动中心 火热开赛！昇思模型开发挑战赛第二阶段赛正式开赛！ # 火热开赛！昇思模型开发挑战赛第二阶段赛正式开赛！ 2024/08/20 # 火热开赛！昇思模型开发挑战赛第二阶段赛正式开赛！ 火热开赛！昇思模型开发挑战赛第二阶段赛正式开赛！ --- https://www.mindspore.cn/activities/zh/3277/ --- 活动中心 昇思MindSpore开源社区参与KubeCon China 2024大会全览！ # 昇思MindSpore开源社区参与KubeCon China 2024大会全览！ 2024/08/16 # 昇思MindSpore开源社区参与KubeCon China 2024大会全览！ 昇思MindSpore开源社区参与KubeCon China 2024大会全览！ --- https://www.mindspore.cn/activities/zh/3287/ --- 活动中心 昇思MindSpore高校学习小组计划启动，欢迎全国高校加入！ # 昇思MindSpore高校学习小组计划启动，欢迎全国高校加入！ 2024/08/28 # 昇思MindSpore高校学习小组计划启动，欢迎全国高校加入！ 昇思MindSpore高校学习小组是社区与高校协同培养人工智能人才计划，在院校内围绕昇思MindSpore进行学习、科研及参与社区贡献的组织，该学习小组由高校老师协同社区专家指导学生学习昇思MindSpore相关知识、产出昇思MindSpore相关科研成果，或参与社区贡献，同时社区及社区生态伙伴整合资源为学习小组的学习与科研提供支持和赋能。 **申报条件** **0\*\*\*\*1** **院校要求** 全国高等学校。 **02** **小组要求** 小组至少6人起申报，包含一位指导老师、一位小组组长。 **03** **成员要求** 1、熟悉C/C++、Python或Go等开发语言一种或者多种。 ### 2、热衷新技术、善于总结分享、喜欢动手实践。 ### 3、有过深度学习框架的使用经验（不限于PyTorch、TensorFlow、MindSpore等）。 ### 4、（可选）参与过昇思项目（如众智、开源实习、社区比赛）。 **04** **申报时间** 即日起至9月10日。 **小组2024年工作规划** **0\*\*\*\*1** **活跃指标** 小组成立后，每月至少开展学习小组活动一次，社区将安排专家集中进行项目指导。 **02** **项目指标** 1、开发一个基于昇思MindSpore优秀项目案例。 2、全员需参与社区开源贡献。 （以上两项均提供专家指导支持） **小组权益** **0\*\*\*\*1** **技术支持** 1、提供1个开发板（香橙派）供小组推理实验。 2、提供全年算力支持。 3、课程资源、导师支持。 **02** **荣誉激励** 每年12月开展年度优秀昇思学习小组评选，入选年度优秀小组，年度优秀指导老师可获得荣誉证书、奖杯及社区定制礼品，并在昇思峰会颁奖。 **03** **品牌打造** 1、参与社区全年活动分享：昇思社区峰会、专题论坛、高校分享会、企业分享会、周年分享会等全年100+场都有机会参与演讲。 2、昇思优秀开发者/布道师认证。 3、优秀项目宣传，如官方公众号、B站号等媒体账号。 **申报流程** ### \*\*Step 1：\*\*完成高校学习小组组队（后续可继续新增人员）。 ### \*\*Step 2：\*\*小组指导老师/小组组长填写申报信息（扫描下方二维码，申请加入计划）。 ### \*\*Step 3：\*\*资格审核与结果通知：昇思MindSpore工作人员将在9月11日与申报人进行小组组建沟通，与后续工作开展。 --- https://www.mindspore.cn/activities/zh/3288/ --- 活动中心 2024年度Hackathon软件难题挑战赛来啦！ # 2024年度Hackathon软件难题挑战赛来啦！ 2024/08/27 # 2024年度Hackathon软件难题挑战赛来啦！ Hi，昇思MindSpore社区的软件高手们！ 想一起挑战软件难题吗？ 2024 年度 Hackathon 软件难题挑战赛（简称“挑战赛”），它来啦，本次活动将设置昇思MindSpore相关题目，欢迎社区的软件高手积极参与，一起深入了解昇思MindSpore、与软件精英结对编程，扩大知识视野，show 出极致自我，晋级决赛还可以开展一段松山湖欧洲小镇之旅。 昇思MindSpore社区感谢本次挑战赛设置了昇思MindSpore的相关赛题，昇思MindSpore社区一直以来都积极支持和参与各种大赛，社区希望通过参与大赛，能够在更大范围内、更深的层次上推广基础软件，推动年轻一代开发者的成长。希望广大开发者能够享受本次挑战赛并预祝挑战赛的成功举办。 --- https://www.mindspore.cn/activities/zh/332/ --- 活动中心 MSG | 周末两场MSG分享活动，线上线下同行进行，等你报名哦！ # MSG | 周末两场MSG分享活动，线上线下同行进行，等你报名哦！ 2020/11/19 # MSG | 周末两场MSG分享活动，线上线下同行进行，等你报名哦！ MSG（MindSpore Study Group）将于本周末，线上线下同时开展学习分享活动！ MSG·重庆线下分享活动 **周六（11.21）在重庆举行线下分享活动**，我们邀请到人气超高，备课严谨的『21天深度学习应用营』老师**刘烨东**，将和大家围在一个圆桌面对面的分享，无论是学习上的难题、工作中遇到的问题或是生活中的小烦恼都可以和大家聊一聊，以最简单的方式和身边的人建立连接，交流近期心得体会来度过一个愉快而又充实的休息日！ **活动时间：** 2020年11月21日 上午10:00 - 12:00 **活动地点：** 重庆市沙坪坝区大学城艺德路13号 **YOUNG咖啡** **活动详情以及报名方式：** 微信长按下方图片加小助手，记得****备注：重庆**** MSG·香港理工大学(PolyU) **周末（11.21-11.22）两天**将通过**线上授课**的方式，进行为期两天的机器学习和人工智能课程讲解的学习组\*\*『MSG · 香港理工大学(PolyU)』\*\* 通过两天的学习，可以: - 熟悉人工智能领域的基本概念，培养自学能力； - 独立完成代码编写，在MindSpore框架上实现图像分类； - 阐明如何使用可视化和其他辅助模块优化的学习过程； - 了解最新研究领域，如设备云协作、机器自动学习、无监督学习任务等； - 明确未来研究方向…… 还可获得**福利**： 为前40位报名的同学**提供开发平台云资源**哦~ **上课时间**：11月21日 - 11月22日 **上课地点**：在线英语授课 **授课内容**：如下海报所示 **报名方式**：参考下方海报，可选择微信或whatsapp两种通讯方式 报名加好友时，记得**备注：PolyU** 2020年5月，MSG正式成立，在短短的半年中，我们走遍了**全国七大城市**：深圳、杭州、苏州、上海、北京、长沙、重庆，拓展了**七大海外MSG**：莫斯科、新加坡、印尼、澳门、印度、香港·浸会大学，香港·理工大学，也**联合OpenI启智社区走进了校园**：哈工大深圳校区等等。虽然时间不长，但是MSG深受各地开发者的喜爱。我们收到了不少开发者的报名，想在当地成立MSG组织。经过初步的筛选，第一批候选人即将开启答辩了，说不定下一期MSG就会在你的城市举办哦！ **如何成为一名MSG组织者** 每个人都有机会成为MSG的组织者，不论你现在在北京、上海、深圳，还是杭州、西安、成都等城市，都可以提交申请。有志于成为MSG组织者的朋友们，请扫描以下的二维码进行报名。 **扫码成为MSG组织者** **更多关于MSG……** MSG是什么？ MindSpore Study Group，简称MSG，是提供一个让开发者可以充分进行技术研讨、案例分享、互相交流的公益性社区。为了方便开发者们的深入交流，我们在每个城市都成立MSG组织，满足本地开发者的线下交流机会。 **MSG**一般会做什么？ · 技术研讨 MindSpore技术专家讲解最新版本技术亮点 邀请技术大咖分享关于AI、深度学习最新动态 · 极客分享 开发者分享MindSpore真实场景的应用案例 极客们分享前沿技术进展与软硬件最新技术 · 社区贡献 引导开发者从零参与MindSpore社区贡献 培养开发者成为开源社区的contributor 你的收获 如果你是一个位想要接触AI的硬件极客，我们都给你提供软硬结合的必备知识 如果你是一位关注最新技术的算法爱好者，我们都带你了解前沿的技术成果 如果你是一位对开源社区充满热情的开发者，我们都会帮你完成第一个社区PR的提交 MindSpore官方资料 GitHub:https://github.com/mindspore-ai/mindspore Gitee:https://gitee.com/mindspore/mindspore 官方QQ群: 871543426 海报制作：程旭 责任编辑：程旭 总策划：胡晓曼 **扫描下方二维码加入MindSpore项目** --- https://www.mindspore.cn/activities/zh/337/ --- 活动中心 MSG | OpenI启智校园行第二站——MSG·南方科技大学报名开启！ # MSG | OpenI启智校园行第二站——MSG·南方科技大学报名开启！ 2020/11/24 # MSG | OpenI启智校园行第二站——MSG·南方科技大学报名开启！ 如果你是一个位想要接触AI的硬件极客，MSG将给你提供软硬结合的必备知识！ 如果你是一位关注最新技术的算法爱好者，MSG将带你了解前沿的技术成果！ 如果你是一位对开源社区充满热情的开发者，MSG将会帮你完成第一个社区PR的提交！ 2020年9月18日，MSG（MindSpore Study Group）作为「OpenI启智校园行」的首发参与社区，与大家相约在哈工大（深圳）校园，线上线下同步进行关于人工智能、开源社区和MindSpore的主题分享活动，累计有400+人次报名参加，活动现场十分火爆~ 图1：MSG·哈工大 **本周四-周五两天（11.26-11.27）**MSG联合「OpenI启智校园行」在**南方科技大学**开展第二站校园行活动，就开源人工智能与产业应用的话题与大家进行深度探讨，并将向大家展现新一代人工智能开源开放平台是怎样的平台，以及针对当下最热话题AI带大家了解新一代深度学习框架——MindSpore！ 图2：MSG·南科大活动 为方便大家安排档期，两天的MSG分享活动将**线上线下同时进行**，和大家面对面交流现今AI技术所面临的挑战和趋势，活动详细安排如下图所示。 图3：AI开源日活动详细安排 ## 活动时间&地点： 2020年11月26日-2020年11月27日 线下活动地点：**深圳市南方科技大学** 线上直播链接：http://live.bilibili.com/22600768 ## 报名方式： 微信长按下方图片加小助手 记得**备注：南科大** **更多关于MSG……** MSG是什么？ MindSpore Study Group，简称MSG，是提供一个让开发者可以充分进行技术研讨、案例分享、互相交流的公益性社区。为了方便开发者们的深入交流，我们在每个城市都成立MSG组织，满足本地开发者的线下交流机会。 MSG一般会做什么？ · 技术研讨 MindSpore技术专家讲解最新版本技术亮点 邀请技术大咖分享关于AI、深度学习最新动态 · 极客分享 开发者分享MindSpore真实场景的应用案例 极客们分享前沿技术进展与软硬件最新技术 · 社区贡献 引导开发者从零参与MindSpore社区贡献 培养开发者成为开源社区的contributor 你的收获 如果你是一个位想要接触AI的硬件极客，我们都给你提供软硬结合的必备知识 如果你是一位关注最新技术的算法爱好者，我们都带你了解前沿的技术成果 如果你是一位对开源社区充满热情的开发者，我们都会帮你完成第一个社区PR的提交 MindSpore官方资料 GitHub:https://github.com/mindspore-ai/mindspore Gitee:https://gitee.com/mindspore/mindspore 官方QQ群: 871543426 海报制作：程旭 责任编辑：程旭 总策划：胡晓曼 扫描下方二维码加入MindSpore项目 --- https://www.mindspore.cn/activities/zh/3384/ --- 活动中心 MindSpore论坛报错活动第二十七期 # MindSpore论坛报错活动第二十七期 2024/09/05 # MindSpore论坛报错活动第二十七期 ### **奖励规则** **1、每个任务难度等级不同，完成不同等级任务获得对应的奖励！** ·难度等级：易，可获得50元京东自营自选； ·难度等级：中，可获得100元京东自营自选； **2、若被选为优秀案例，奖品奖励将会在原来基础上升级！** ·原本’难度等级：易‘的可在’难度等级：中‘的奖品中选择； ·原本’难度等级：中‘的可获得150元京东自营自选。 ### **活动时间** **2024年09月05日——2024年09月15日** **活动方式** 1\. 已发布7个报错任务在论坛的“活动体验板块”，完成其中的一个或多个。 序号 任务帖名称 任务帖链接 难度等级 任务一 MindSpore训练报错RuntimeError: For 'Gather', the 'input\_indices' should be in the range \[0, 16), but got 16, error\_code\[58\] https://www.hiascend.com/forum/thread-0289160910226494010-1-1.html 易 任务二 MindSpore模型转换报错RuntimeError: Can not find key SiLU in convert map. Exporting SiLU operator is not yet supported. https://www.hiascend.com/forum/thread-0267160908388022011-1-1.html 易 任务三 使用MindSpore进行数组切片，两次输出不一致 https://www.hiascend.com/forum/thread-0265154323476622075-1-1.html 易 任务四 训练yolov5模型报错TypeError: modelarts\_pre\_process() missing 1 required positional argument: 'args' https://www.hiascend.com/forum/thread-0205160909814168010-1-1.html 易 任务五 Mindspore调用ascendc算子无法获取原地计算的值 https://www.hiascend.com/forum/thread-0205160909445181009-1-1.html 中 任务六 使用MindSpore的value\_and\_grad 求导梯度为0 https://www.hiascend.com/forum/thread-0265154323118720074-1-1.html 中 任务七 实现的loss function在做反向传播的时候报错RuntimeError: Call aclrtDestroyStream failed, ret = 0x107003 https://www.hiascend.com/forum/thread-0265156669620709366-1-1.html 中 2\. 用户根据个人意愿选择报错任务，将内容填写完整后，并将正确完整的脚本打包通过附件上传到帖子，发布在本论坛的\*\*“技术干货->功能调试”\*\*中，贴心的我们给大家提供了完成任务发帖示例：使用ops.nonzero算子报错TypeError。欢迎参考哦！！！。 3\. 将个人邮箱私信回复给本贴版主账号中，将干货链接回复到该帖子下方。 4\. 每个任务择优选取一位用户获奖。 ### **注意事项** 1\. 请勿刷帖，刷帖一律删帖并做无效参与处理。 2\. 必须保证原创，抄袭按无效参与处理。 3\. 请勿盗取他人截图或内容，一经发现做无效参与处理。 4\. 必须符合设定的格式，否则算作无效参与。 --- https://www.mindspore.cn/activities/zh/339/ --- 活动中心 开冬12月——免费活动送温暖奖品 # 开冬12月——免费活动送温暖奖品 2020/12/03 # 开冬12月——免费活动送温暖奖品 开冬12月——免费活动送温暖奖品 2020年12月01日 在大家的支持和使用过程中，MindSpore论坛又成长啦，在此感谢各位的贡献！其次，也要提醒各位用户：我们的论坛活动是持续的哦，12月我们继往开来，分享MindSpore使用上的经验、提出使用是的疑问、为其他小伙伴解答，我们好礼不断，继续有奖品相送，以资鼓励，也希望大家都有所收获。 **活动时间：** 12月01日——12月31日 **活动规则：** 1、在MindSpore论坛中，提问、分享、回复与MindSpore相关的技术问题或使用上的分享。在每月月末统计中： （1）分享次数排名前3名； （2）提问次数排名前2名； （3）回复次数排名前1名； 获得以上三项排名的用户，发送奖品，以示鼓励。 2、获得奖励的人员可在奖品清单中任选一种。 3、活动每个月一次，到次月的3日前公布奖励名单。 4、获奖公布方式：每个周期的获奖名单会在活动帖评论区中公示，并会单独发消息给获奖人。（请各位参与者多多留意自己的消息提醒。） **奖品展示：** 迷你加湿器 加热鼠标垫 奥克斯取暖器 **活动说明：** 1、提问、分享和回复的内容要与MindSpore相关，不相关视作无效操作； 2、操作内容中含有水印的视为无效内容，属于无效操作； 3、活动结束后统一联系各位获奖者，发放奖励； 4、最终解释权归MindSpore团队所有。 **MindSpore论坛活动（11.01-11.30）获奖名单：** 本活动帖长期有效，每月都有新奖品，欢迎大家继续踊跃参与！ 论坛地址：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/3392/ --- 活动中心 巅峰对决 精彩回顾 | 第六届·2024 MindSpore量子计算黑客松全国总决赛圆满落幕 # 巅峰对决 精彩回顾 | 第六届·2024 MindSpore量子计算黑客松全国总决赛圆满落幕 2024/09/11 # 巅峰对决 精彩回顾 | 第六届·2024 MindSpore量子计算黑客松全国总决赛圆满落幕 第六届·2024 MindSpore 量子计算黑客松全国总决赛，2024年8月26日27日在南京大学苏州校区圆满落幕！让我们共同回顾那些令人难忘的精彩画面 以梦为马，以汗为泉，不忘初心，不负韶华。经过热身赛、初赛和决赛的激烈角逐，21个团队从国内外250多所高校中脱颖而出，集结南京大学苏州校区，参加总决赛，他们少年无畏，热血青春，他们心怀热爱，势不可挡，期待他们在量子计算领域继续引领潮流，开拓创新！ **大赛赛况总结** 本次大赛由“量子模拟”、“量子组合优化”、“量子启发式算法”三个赛道组成，赛程分为热身赛、初赛、决赛三个阶段，历时4个多月。自开放报名通道以来，大赛吸引了全球众多高校学生、科研工作者和企业工作者的报名参赛，累计报名人数1000多人，选手覆盖250多所国内外高校。2020~2024年，量子计算黑客松大赛**已连续举办六届，是国内最早且举办届数最多的量子软件创新大赛，影响力最大、覆盖范围最广**。 为了体现量子计算的创新性和前沿交叉性，赛题涉及量子化学、组合优化、量子启发算法等交叉学科。初赛题目颇具挑战性和实用性，所有赛题需要基于新一代通用量子计算框架MindSpore Quantum来实现。决赛是在初赛赛题基础上选手自由发挥和创新，最后完成《决赛论文》、现场答辩来决出排名。 量子模拟赛道 含噪变分量子算法求解 量子组合优化赛道 量子近似优化算法初参设置 量子启发式算法赛道 使用量子启发式算法求解MIMO Detection问题 **决赛评审团阵容庞大** 全国总决赛邀请了**14位**全国量子计算领域的顶级专家组成**公正、严谨、专业**的评审团，全程参与作品和答辩评审。其中中国信息通信研究院技术与标准研究所所长**张海懿**、南京大学苏州校区党工委副书记，南京大学苏州校区管理委员会副主任**古公亮**，担任本次大赛的特邀评委和嘉宾；其他评委分别为：南京大学教授**于扬**，HiQ量子计算软件与算法首席科学家、南方科技大学教授**翁文康**，中国科学院计算技术研究所研究员**孙晓明**，中国科学院理论物理研究所研究员**张潘**，清华大学教授**吴热冰**，中山大学教授**李绿周**，电子科技大学教授**王晓霆、**王子竹、**李晓瑜**，北京量子信息科学研究院研究员**金贻荣**，上海交通大学研究员**唐豪**，浙江大学研究员**宋超**，中国科学技术大学研究员**苏兆锋**。 本次决赛评委阵容非常强大，不仅有全国顶尖高校的专家，而且还邀请到国内量子计算领域顶级的科研机构专家亲临现场，评审团和选手互动及精彩点评，现场掌声如潮。 **全国总冠军，获奖团队揭晓** 答辩现场，选手们胸有成竹、自信高昂，专家评委精准点评，思想的精华汇聚、智慧的火花碰撞。决赛每个赛道答辩完成后，专家们都在评议室认真评审，组委会把决赛选手的论文装订成册，评委们从代码性能/精度、创新性、决赛论文质量、答辩现场表现等多个维度进行评分。 经过激烈角逐，**3个赛道摘得桂冠，荣获特等奖**的团队分别为：量子模拟赛道-**中国科学技术大学**的hsm9789团队、量子组合优化赛道-**重庆邮电大学**的new团队、量子启发式算法赛道-**南京大学**的Quiscus团队。 此外还产生了**一等奖3名，二等奖6名，三等奖9名，优秀奖12名**。恭喜以下获奖选手，让我们共同回顾那些令人难忘的精彩画面。 **特等奖（量子模拟赛道）** \*\***特等奖**：\*\*胡书鸣 （中国科学技术大学） \*\*获奖团队：\*\*hsm9789 **特等奖（量子组合优化赛道）** \*\*特等奖：\*\*曾帅 （重庆邮电大学） \*\*获奖团队：\*\*new \*\*优秀导师：\*\*李乐民 （电子科技大学 院士） **特等奖（量子启发式算法赛道）** ****同时荣获：二等奖（量子模拟赛道）+ **三等奖（量子组合优化赛道）****** \*\*特/二/三等奖：\*\*蒋松儒（南京大学）、吕欢欢（南京大学）、秦嘉泽（合肥工业大学） \*\*获奖团队：\*\*Quiscus \*\*优秀导师：\*\*陈力军（南京大学计算机学院 教授 ） **一等奖（量子模拟赛道）** \*\*一等奖：\*\*李婷婷、向德彬（浙江大学） \*\*获奖团队：\*\*图南队 \*\*优秀导师：\*\*卢丽强（浙江大学 研究员） \*\*\*\*一**等奖（量子组合优化赛道）** \*\*\*\*同时荣获：****一**等奖（**量子启发式算法赛道**）****** \*\*一等奖：\*\*杨杰诚（中国科学技术大学）、胡克明（海德堡大学） \*\*获奖团队：\*\*1+1 **二等奖（**量子模拟赛道**）** **二等奖：** 范高铭 （华北电力大学（北京）） 陈荣杭 （北京计算科学研究中心） 杨国浩 （德克萨斯大学圣安东尼奥分校） \*\*获奖团队：\*\*高荣浩 **二等奖（**量子组合优化赛道**）** \*\*二等奖：\*\*刘子丰、李响（上海交通大学） \*\*获奖团队：\*\*宇宙探索编辑部 \*\*优秀导师：\*\*高晓沨（上海交通大学计算机系 教授） **二等奖（**量子**组合优化**赛道\*\*）\*\* \*\*二等奖：\*\*白旭峻、王涛（中国科学院大学） \*\*获奖团队：\*\*深瞳 \*\*优秀导师：\*\*尚云（中国科学院数学与系统科学研究院 研究员） **二等奖（**量子启发式算法赛道**）** \*\*二等奖：\*\*彭家宝（复旦大学）、冯昊（华中师范大学）、冯宇昂（香港理工大学） \*\*获奖团队：\*\*孤电子队伍 **二等奖（**量子启发式算法赛道**）** \*\*二等奖：\*\*吴军、陈泓霖（中国科学技术大学） \*\*获奖团队：\*\*淡黄的长群 \*\*优秀导师：\*\*解围（中国科学技术大学计算机科学与技术学院 特任副研究员） **让我们明年再会！** 第六届·2024 MindSpore量子计算黑客松已经圆满落幕，我们江湖再见！量子计算黑客松全国大赛连续六届的成功举办，离不开国家对量子计算领域的高度重视，离不开全国各高校和企事业单位的大力支持，也离不开广大学子和科研人员的积极参与，一幕幕精彩的定格，展现出你们对黑客松大赛的喜爱和关注，你们将成为我国量子计算的后备人才和坚实力量。 用奋斗成就梦想，绽放青春之光！预祝黑客松明年精彩继续，让我们携手勇攀量子世界的高峰！ - https://m.koushare.com/live/details/36781 - 决赛作品代码仓地址：https://gitee.com/mindspore/mindquantum/tree/research/hackathon/hackathon2024 --- https://www.mindspore.cn/activities/zh/3395/ --- 活动中心 @高校开发者！线上实习+亮眼项目+实习证明与薪酬就在昇思开源实习 # @高校开发者！线上实习+亮眼项目+实习证明与薪酬就在昇思开源实习 2024/09/13 # @高校开发者！线上实习+亮眼项目+实习证明与薪酬就在昇思开源实习 @高校开发者！线上实习+亮眼项目+实习证明与薪酬就在昇思开源实习 --- https://www.mindspore.cn/activities/zh/3396/ --- 活动中心 昇思学习打卡营第二期起航啦！一站式提升AI能力！ # 昇思学习打卡营第二期起航啦！一站式提升AI能力！ 2024/09/14 # 昇思学习打卡营第二期起航啦！一站式提升AI能力！ 昇思学习打卡营第二期起航啦！一站式提升AI能力！ --- https://www.mindspore.cn/activities/zh/3398/ --- 活动中心 智趣同享赢大奖！openMind携手昇思陪你过中秋！ # 智趣同享赢大奖！openMind携手昇思陪你过中秋！ 2024/09/14 # 智趣同享赢大奖！openMind携手昇思陪你过中秋！ 秋风送爽，桂香四溢，一年一度的中秋佳节来啦！ 在这个承载着团圆与思念的传统节日里，昇思MindSpore携手一位新朋友——openMind，为大家特别准备了“有奖猜灯谜”活动！ 打开你的脑洞，在补充古诗词知识之余，还可以体验最前沿的Open-Sora Plan文生视频大模型，手速够快还可以直接抱走大奖！一起玩起来吧！ Open-Sora Plan体验入口：https://modelers.cn/spaces/MindSpore-Lab/Open\\\_Sora\\\_Plan openMind，一款应用使能开发套件，为各大模型社区提供支持，提供海量模型/数据托管能力、在线推理体验服务，同时具备模型训练、微调、评估、推理等全流程开发能力。开发者通过简单的API接口即可实现微调、推理等任务，极大缩短开发周期，助力AI技术的创新发展。 欢迎体验更多好玩有趣的模型：https://modelers.cn/MindSpore-Lab --- https://www.mindspore.cn/activities/zh/3399/ --- 活动中心 @国庆卷王，昇思学习打卡营带你一键掌握AI应用开发全流程 # @国庆卷王，昇思学习打卡营带你一键掌握AI应用开发全流程 2024/09/18 # @国庆卷王，昇思学习打卡营带你一键掌握AI应用开发全流程 昇思MindSpore学习打卡营，是昇思MindSpore开源社区为开发者打造的能力提升项目。在过去的两期里，集结了2000余位开发者加入，我们一起收获了心智、技术、坚持与进步。第三期国庆特辑再起航，昇思社区携手社区布道师共同打造本期课程。开发者自己的课程，更适合开发者！ --- https://www.mindspore.cn/activities/zh/3400/ --- 活动中心 本周六！大模型技术与产业应用沙龙，OSC源创会西安站 # 本周六！大模型技术与产业应用沙龙，OSC源创会西安站 2024/09/19 # 本周六！大模型技术与产业应用沙龙，OSC源创会西安站 以大模型、大数据、大算力驱动的超大规模AI正成为下一代人工智能的突破口，也是迈向通用人工智能最有潜力的技术方向之一。昇思MindSpore构建了多维度混合并行、多维度内存优化、图算融合等关键技术，支撑了20+大模型的训练。昇思MindSpore将在9月21日（本周六）的OSC源创会·西安站带来一场关于大模型全流程关键技术的分享。 本次分享基于昇思MindSpore的大模型的最新进展和成果，介绍昇思MindSpore超大规模AI训练、微调、压缩、部署全流程关键技术，如何使用这些关键技术在昇腾大集群上训练大模型，以及昇思MindSpore上的大模型如何助力产业发展。 **OSC源创会·西安站详细议程** --- https://www.mindspore.cn/activities/zh/3404/ --- 活动中心 欢迎加入昇思MindSpore NLP SIG！打造高效易用的NLP库！ # 欢迎加入昇思MindSpore NLP SIG！打造高效易用的NLP库！ 2024/09/20 # 欢迎加入昇思MindSpore NLP SIG！打造高效易用的NLP库！ 在当今这个信息爆炸的时代，自然语言处理（NLP）技术已经成为连接人与机器的关键桥梁。但是对于大多数用户而言，NLP任务的开发往往涉及复杂的算法、数据处理和模型训练过程，其复杂性和专业性往往让许多非专业开发者望而却步。所以一款能简化NLP任务开发流程、高效易用的NLP库显得至关重要。 MindSpore NLP是一个基于MindSpore的开源NLP库。它通过整合众多经典NLP数据集，并支持多种常见的NLP任务，为开发者提供了一个全面且强大的平台，帮助研究人员和开发人员更方便、更快速地构建和训练模型。 **MindSpore NLP主要特点** \*\*海量预训练模型支持：\*\*MindSpore NLP基于MindSpore动态图能力，打造面向开发者和科研群体的最易用NLP套件，并全面对齐Huggingface生态，现已支持240+模型架构，能够满足科研、应用等各类开发需求。 \*\*全面的数据处理：\*\*将多个经典的NLP数据集打包成友好的模块，以便于使用，例如Multi30k、SQuAD、CoNLL等。同时还提供了全面的数据处理功能，包括数据清洗、转换、分词等，可以帮助用户更好地准备数据，提高模型训练的效果。 \*\*友好的NLP模型工具集：\*\*提供了模型训练、评估、推理等环节的多种工具和组件，使得用户可以更加便捷地构建和训练自己的NLP模型。 \*\*易于使用的API：\*\*MindSpore NLP简化了复杂的训练过程。它支持Trainer和Evaluator接口，可轻松训练和评估模型。 \*\*对接Hugging Face生态：\*\*MindSpore NLP兼容Hugging Face生态系统，使用datasets库作为默认数据集加载器，支持大量有用的数据集。用户可以轻松地将Hugging Face的预训练模型和数据集集成到MindSpore NLP中，加速模型的训练和推理过程。 构建开放、易用、高效的开源NLP库和开源共创的交流社区，有利于促进NLP技术的蓬勃发展和创新突破。在此背景下，**昇思MindSpore NLP SIG**（特别兴趣小组）正式成立，并面向开源社区招募志同道合的伙伴。 1 **MindSpore NLP SIG简介** 本SIG着眼于MindSpore NLP，充分利用昇思MindSpore的优点，持续完善套件功能，拓展社区生态，为广大科研人员、老师和学生提供高效易用的NLP库的同时，为这个领域中，有着强大影响力和浓厚的兴趣的人们提供一个能够共同交流合作的平台。 2 **MindSpore NLP SIG\*\*\*\*使命** 聚焦NLP技术，通过打造全面的NLP解决方案，解决兼容性与集成性、高效与易用性以及推动NLP领域的发展，为研究人员和开发者打造一个高效且易于使用的自然语言处理平台。当前小组的重点工作方向包括： \*\*01、\*\***MindSpore NLP兼容Huggingface全量模型** **02、支持PEFT、TRL，支撑科研生态基于MindSpore NLP进行创新** **03、基于MindSpore NLP开发各类AI应用** 3 **MindSpore NLP SIG\*\*\*\*工作计划** 以成员学术交流活动为主，为MindSpore NLP演进和功能完善提供参考。 **活动组织** 每年SIG组都会组织线下交流学习活动，包括但不限于校园行活动、线下技术沙龙、邀请组内的核心专家老师进行技术讲座分享。小组老师将带领成员进行科技调研以及代码仓功能扩展、bug修复等工作。成员也可自由使用MindSpore NLP套件来进行自己的课题研究和开发。 **开源实习** 小组会在社区内发布开源实习任务以及众智任务，以供学生和老师认领。当前我们安排的任务包括： 01、\*\*PEFT模型微调：\*\*包括各类微调算法，如lora、ia3、dora等微调训练和精度验证。 02、\*\*模型迁移：\*\*huggingface官方托管的模型架构的MindSpore实现。 03、\*\*NLP论文解读：\*\*MindSpore NLP支持的模型对应的论文解读。 04、\*\*MindNLP应用开发：\*\*基于MindSpore NLP在不同硬件下的AI应用开发，包括但不限于：聊天机器人、NLP信息抽取、AI Agent等。 开源实习详情：https://gitee.com/mindspore/community/issues/I6Q9JJ 4 **MindSpore NLP SIG\*\*\*\*构成** **小组领衔成员** **小组成员** 01、\*\*呼波：\*\*瑞士巴塞尔大学博士研究生，MindSpore NLP maintainer，MindNLP tutorial贡献者，Graphformer模型责任人。 02、\*\*陈见豪：\*\*重庆大学本科生，MindSpore优秀开发者，MindSpore NLP迁移开发贡献。 03、\*\*李明辉：\*\*桂林电子科技大学本科生，MindSpore NLP模型迁移、微调贡献者。 04、\*\*李永康：\*\*华中科技大学硕士研究生，MindSpore NLP PEFT模块贡献者。 05、\*\*田健翔：\*\*青岛科技大学本科生，MindSpore NLP模型迁移贡献者。 06、\*\*王洁怡：\*\*北京大学硕士研究生，LongT5模型负责人。 07、\*\*周一锋：\*\*MindSpore优秀开发者。 5 **MindSpore NLP SIG召唤你** 扫码加入MindSpore NLP SIG交流群 使用QQ扫码加入交流群 **代码仓：** https://github.com/mindspore-lab/mindnlp 关于MindSpore SIG 昇思MindSpore社区欢迎业界专家、学术伙伴在社区成立特别兴趣小组（SIG），作为社区领域技术代言人，打造领域技术品牌，共建昇思MindSpore开源生态。 MindSpore SIG即MindSpore Special Interest Groups，即“昇思特别兴趣小组”，MindSpore社区成立个技术SIG的初衷是为该领域的专家、教授和学生提供一个开放交流的平台，通过会议分享、项目开发等活动促进技术交流、合作共赢，并使得SIG成员的影响力和技术能力得到提升。 如果你也想成立一个SIG 扫码添加小助手了解更多 --- https://www.mindspore.cn/activities/zh/341/ --- 活动中心 MindSpore元年岁末狂欢，论坛两大活动共贺新年！ # MindSpore元年岁末狂欢，论坛两大活动共贺新年！ 2020/12/07 # MindSpore元年岁末狂欢，论坛两大活动共贺新年！ MindSpore自今年3月开源以来，很多用户都贡献了意见和建议。MindSpore论坛从5月建设开始，也是在用户朋友们的推动下，经历了过多次的调整和修改，目前论坛的日常运作也有了初步的规范。 据不完全统计，截止到11月底，论坛浏览总量27W+！28位用户贡献了118篇干货分享，论坛提问300+！ 正是你们的认真评价和讨论，为MindSpore一次次的优化指明了方向，值此2020年的尾声，特地准备了一波的活动，来答谢大家！ 还等什么？冲鸭！ ## 活动时间 12月7号——12月18号 ## 活动方式 ## 活动一： 1\. 活动帖下面评论留言，留言分为【我要吐槽】【明年期待】【当下建议】。活动帖地址：https://bbs.huaweicloud.com/forum/thread-92753-1-1.html 2\. 【我要吐槽】：您目前在MindSpore及其配套（论坛、公众号、线下交流群等等）的使用中，有任何想吐槽的地方大声讲出来！2020都尾声了，别给咱留面子。 【明年期待】：任何期待都可以讲出来，新的一年，万一都实现了呢？包括但不限于对MindSpore的期待，论坛的活动形式，干货分享的内容等等！ 【当下建议】：您对当前论坛或者是产品，有更好的建议，可以提在这里，一经采用，有额外的好礼相送哦！ 3\. 回复采用统一格式，标注分类，并在结尾留下邮箱，即为成功参与。 回复示例： 【我要吐槽】 @#￥%&……\*（太狠了消音。。。） 我的邮箱：126135\*\*\*\*\*@qq.com ## 活动二： 1\. 活动帖下面评论留言加【共同成长】标签，记得加上邮箱号哦！活动帖地址：https://bbs.huaweicloud.com/forum/thread-92753-1-1.html 2\. 【共同成长】：只要您在MindSpore论坛‘问题求助’和‘干货分享’分类发过帖，本分类标签只要回复您的某一篇链接即可参加抽奖！2021我们一起成长！ 活动一奖品展示： 严选U型枕 北极绒抱枕被 绿联转换坞 2021国博精美台历 ## 注意事项 1.回复在本帖内才算有效。 2.禁止刷帖，刷帖者删帖并算无效参与。 3.除【共同成长】外，不同标签算作不同参与，即您最多可以参与3次，参与抽奖，兼中兼得！ 4\. 除【共同成长】外，从回复中抽取40位用户，送上奖品。 5\. 【共同成长】单独抽取10位幸运用户，送上特殊奖品。 \*最终解释权归MindSpore团队所有。 --- https://www.mindspore.cn/activities/zh/342/ --- 活动中心 MindCon极客周，12个城市接力启动，快来报名赢大礼！ # MindCon极客周，12个城市接力启动，快来报名赢大礼！ 2020/12/09 # MindCon极客周，12个城市接力启动，快来报名赢大礼！ 每年的12月，最令人心心念念的一件事就是跨年，对于这个特别的2020，要如何更有仪式感地与它道别，迎接虽充满不确定性但却值得期待的新一年呢？ 或许是参加这场将于**12月14日至25日**由**华为MindSpore与量子位联合发起**的\*\*「\*\***MindCon极客周**」\*\*\*\*——点亮城市·模型大赛。 **「****MindCon极客周****」**是一场为期**12天**将分别在**12个城市**举办的极客狂欢活动。大家每天聚集在一个城市，修复社区bug，分享学习心得，还可以参加\*\*「昇腾模型王者挑战赛」\*\*，让您参与感受科技盛宴的同时，在年底为自己持续充电，以饱满的精气神迎接新的一年！ 邀您点亮城市 **「****MindCon极客周****」**不是一场‘嗨过就好’的无意义狂欢，而是**每半年**都会**如期举办**的、有计划的，以深层次引领大家走入AI探索世界为目标的，**多城市接力进行的大型活动**。 今年，各地MSG组织者已做好充足准备，期待您的参与！先来听听MSG组织者们热情洋溢的家乡话吧~ （点击这里，转至原文观看视频） 报名参加\*\*「****MindCon极客周****」**的我们拥有同样的兴趣与热爱，带着不同的人生经历，**将各自拥有的知识在互动中碰撞出灵感的火花**，会收获更多的心得体会，当然还有**惊喜好礼\*\*等您领取，快来开启2020年底的一场奇妙旅行，点亮城市收获不一样的惊喜！ 活动主题&内容 **活动主题**点亮城市计划： 通过点亮城市的积分评比方式，从12个城市中评选出积分最高的城市，积分最高的城市将获得神秘大礼并作为明年（2021年）MindCon极客周的主办城市。 **活动内容**分为三部分： **1\. 点star**（新增star积10分） **2\. Bugfix**（完成bugfix积100分） **3\. 模型大赛**（完成青铜赛段任务积200分） 01点star **· 参与方式：** 在Gitee官网为MindSpore点Star https://gitee.com/mindspore/mindspore 在GitHub官网为MindSpore点Star https://github.com/mindspore-ai/mindspore **· 获得积分：** **可获得积分 = 新增Star数 \* 10** 即每新增一个Star代表10积分，以各个城市当天活动时间（7:00-24:00）新增的Star数乘以10所得之积，记为参与‘点Star’活动内容所获得的积分。 02Bugfix **参与方式：** 在活动期间（12.14-12.25），每天放出两个bug，在12月25日24:00前提交bugfix被合入即可获得积分，我们将会提供如下几个模块相关的补丁给开发者练手： - Documentation - FrontEnd - Executor - MindArmour - MindData **· 获得积分：** **可获得积分 = Bugfix数 \* 100** 即每解决一个bug积100分，bug全部修复可获得2400个积分（24 \* 100 = 2400分）。 Bugfix不局限于要当天解决当天放出的bug，最后的城市积分归属取决于提交bugfix的童鞋的城市归属，所以大家一定记得要在活动行报名填写好信息呦！ 03模型大赛 ****· 参与方式：**** 在12月14日-25日期间完成昇腾模型王者挑战赛中的‘青铜段位赛’任务。 青铜段位赛的任务：完成模型训练脚本的迁移启动成功并完成单Step训练。 微信扫描下方二维码**关注「昇腾开发者」** 获取参赛细则↓ **· 获得积分**\*\*：\*\* **完成‘青铜段位赛’可获得200积分**； **·** **获得多重好礼：** 完成‘青铜段位赛’还可获得青铜徽章礼盒、HUAWEI WATCH GT 2Pro、500元京东卡、码豆、DevRun 开发者纪念品哟！ 活动地点 **· 12个举办地：** 将分别在上海、长沙、武汉、杭州、北京、南京、郑州、山东、重庆、苏州、广州、深圳，12个城市接力举办「MindCon极客周」活动。 **· 线上参与方式**\*\*：\*\* 活动期间（12.14-12.25）MindSpore小助手将通过您在报名表中填写的邮箱向您发送WeLink会议链接，大家可以线上和当地MSG组织者进行技术研讨、观点交流。 **\*敲黑板：只有扫描下方二维码报名的同学才能参与线上会议哦！** 活动时间 2020年12月14日~2020年12月25日 报名方式 微信扫描下方二维码 填写报名表 无论您是AI研究领域的资深玩家，还是对新奇事物充满好奇的AI零基础小白，欢迎大家参与\*\*「****MindCon极客周****」\*\*活动，扫描填写上方报名表，更多活动细节小助手将通过邮件的形式发送至您的邮箱哦。 * * * MindSpore官方资料 GitHub:https://github.com/mindspore-ai/mindspore Gitee:https://gitee.com/mindspore/mindspore 官方QQ群: 871543426 海报制作：吴佳聪 责任编辑：程旭 总策划：胡晓曼 --- https://www.mindspore.cn/activities/zh/3420/ --- 活动中心 大模型热门应用体验日，一起看见更大的世界~ # 大模型热门应用体验日，一起看见更大的世界~ 2024/10/14 # 大模型热门应用体验日，一起看见更大的世界~ # **活动\*\*\*\*简介** 昇思大模型平台是集算法选型、创意分享、模型实验和大模型在线体验为一体的AI学习与实践社区，为了帮助大家更好地了解和使用昇思大模型平台，现推出LLM原理和实践、AI热门应用等多个案例供各位开发者体验打卡，输出相关体验类技术干货通过审核即可获奖。欢迎加入昇思大模型平台AI lab，一起探索AI大模型的奇妙世界！ # **活动时间** 2024.10.14-2024.10.31 # **参与方式** 1.登录昇思大模型平台：https://xihe.mindspore.cn/projects 点击右上角进行账号注册和用户名的设置； 2.填写大模型平台账号申请信息：https://wj.qq.com/s2/15662374/f6db/，填写信息即为上述设置过的用户名称和联系邮箱； 账号申请时间：2024.10.14-2024.10.20 3.待账号审核通过后方可进行案例的体验（审核通过会有邮件发送至联系邮箱），本次活动案例体验范围如下： 文件名称 具体案例 应用实践/llm原理和实践 基于MindSpore实现Bert对话情绪识别 基于MindSpore实现GPT1影评分类 基于MindSpore实现GPT2新闻摘要 基于MindSpore实现Roberta模型Prompt Tuning 基于MindSpore实现Transformer机器翻译 基于MindSpore通过GPT实现情感分类 应用实践/热门LLM及其他AI应用 基于MindSpore实现MusicGen音乐生成 基于MindSpore实现ChatGLM4聊天机器人 4.打开Jupyter在线编程选择Ascend开发环境； 5.启动环境后方可进行相关案例的体验，同时编写该案例活动的打卡类技术干货； 6.技术干货标题中需备注（昇思大模型平台打卡体验活动），干货内容需要记录体验过程、自己对于相关代码的理解和总结，并附上跑通截图，具体干货编写可参考相关案例：https://www.hiascend.com/developer/blog/details/02104163131847653089； # **活动要求** 1.干货内容：相关的技术干货必须要求原创； 2.参与方式：发布完成后需及时将干货链接回复在本帖评论区； 3.同时将发布的干货链接和邮箱通过私信的方式发送给活动版主； 4.另外鼓励各位开发者将干货内容转发至CSDN技术内容平台。 # **发帖指南** 1.打开昇思MindSpore论坛MindSpore板块：https://www.hiascend.com/forum/forum-0106101385921175002-1.html，如果没有账号的用户请先注册，已有账号的用户请直接登录； 2.登上个人账号后，请点击右上角的“我要发帖子”红色按钮； 3.进入帖子编辑页面，首先请点击分类框并选择，然后再编辑标题和帖子详情内容，完成编辑后点击“发布帖子”即可。 # **奖项设置** 审核通过将获得京东自选100元奖品的奖励 # **注意事项** 1.干货内容经审核合格后方可算数。 2.抄袭他人内容或内容疑似借助ChatGPT等大模型平台均视为无效参与。 3.本活动发布的干货不得参与其他活动重复领奖。 4.最终解释权归昇思MindSpore团队所有。 --- https://www.mindspore.cn/activities/zh/3421/ --- 活动中心 【直播预告】领略昇思MindSpore魅力，陈新杰同学带你深度探索医疗AI突破 # 【直播预告】领略昇思MindSpore魅力，陈新杰同学带你深度探索医疗AI突破 2024/10/15 # 【直播预告】领略昇思MindSpore魅力，陈新杰同学带你深度探索医疗AI突破 10月21日晚上19:00，陈新杰同学将坐客“华为开发者布道师直播间”，深入探讨昇思MindSpore在人工智能领域的应用。欢迎各位感兴趣的开发者积极报名！ 陈新杰同学在昇腾开发板和昇思MindSpore的技术路线方面积累了丰富的经验。他所在的郑州轻工业大学梅科尔工作室利用昇思MindSpore和昇腾推理开发板，成功研发了抑郁症诊断系统，并受邀参与2024年鲲鹏昇腾开发者大会（KADC）的展示与讲解。 此外，陈新杰同学还积极参加了京津冀.昇思MindSpore创新训练营活动。他和团队成员以心理健康为出发点，针对社交平台管理，利用大模型识别消极言论并与潜在心理问题用户进行对话疏导。他们还尝试使用ChatGLM3生成热点标题及聚类词，为建设线上绿色社交环境提供了创新思路。 在10月21日的直播中，陈新杰同学将剖析技术精髓，通过医疗创新案例展示实际应用与技术突破，涵盖从问题识别到解决方案的完整过程，重点介绍算法的关键步骤。同时，他还将简要介绍如何将PyTorch框架转换为MindSpore，为开发者提供跨平台开发指南。欢迎感兴趣的开发者关注活动页面：https://developer.huawei.com/home/activity/60b58a1735f24db681a1641429a6932c，10月21日我们不见不散！ --- https://www.mindspore.cn/activities/zh/3422/ --- 活动中心 直播 | 第九届华为ICT大赛中国创新赛昇思MindSpore赛题考纲解读与答疑 # 直播 | 第九届华为ICT大赛中国创新赛昇思MindSpore赛题考纲解读与答疑 2024/10/16 # 直播 | 第九届华为ICT大赛中国创新赛昇思MindSpore赛题考纲解读与答疑 直播 | 第九届华为ICT大赛中国创新赛昇思MindSpore赛题考纲解读与答疑 --- https://www.mindspore.cn/activities/zh/3427/ --- 活动中心 直播 | 第九届华为ICT大赛基础软件&昇腾AI赛道直播赋能 # 直播 | 第九届华为ICT大赛基础软件&昇腾AI赛道直播赋能 2024/10/17 # 直播 | 第九届华为ICT大赛基础软件&昇腾AI赛道直播赋能 直播 | 第九届华为ICT大赛基础软件&昇腾AI赛道直播赋能 --- https://www.mindspore.cn/activities/zh/3428/ --- 活动中心 昇思MindSpore大模型公开课助力华为ICT大赛上海市赛 # 昇思MindSpore大模型公开课助力华为ICT大赛上海市赛 2024/10/17 # 昇思MindSpore大模型公开课助力华为ICT大赛上海市赛 昇思MindSpore大模型公开课助力华为ICT大赛上海市赛 **关于昇腾AI赛道昇思MindSpore方向以基于昇思MindSpore打造AI创新应用为赛题：** 1、参赛作品构建AI创新应用，作品应用场景不限具体行业，可以面向交通、金融、农业、工业等行业，也可以面向日常生活。参考场景：如智能交通预测、金融风险防范、牲畜管理监测、工业品瑕疵检测/质量提升、智能办公助手、智慧家庭APP、旅游传译助手等，可以不限于以上场景； 2、作品可考虑软硬一体，端边云结合等方式，最后推荐选择通过可视化、可交互的demo来展现效果；如可通过香橙派开发板（OrangePi）构建机器人应用； 3、参赛作品需基于昇思MindSpore框架进行实现（版本2.2.14及以上，直接使用MindSpore进行开发达成实验结果），请选手在提交作品阶段提供项目基于MindSpore实现的证明，如可访问的项目代码仓链接、项目代码压缩包、项目关键代码截图等。 **上海大模型公开课正式上线（第一期）** 面向全市高校，全程轻松灵活的线上课程，从入门到进阶玩转大模型，助力学生在大赛中突出重围，打卡通关评选学习之星获取精美礼品，更有动手实践算力支持惊喜彩蛋等你揭晓！ \*若非ICT学院高校学生也可参加，参加流程：先报名ICT大赛后开启课程学习 --- https://www.mindspore.cn/activities/zh/3429/ --- 活动中心 MindSpore论坛报错活动第二十八期 # MindSpore论坛报错活动第二十八期 2024/10/25 # MindSpore论坛报错活动第二十八期 ### **奖励规则** **1、每个任务难度等级不同，完成不同等级任务获得对应的奖励！** ·难度等级：易，可获得50元京东自营自选； ·难度等级：中，可获得100元京东自营自选； **2、若被选为优秀案例，奖品奖励将会在原来基础上升级！** ·原本’难度等级：易‘的可在’难度等级：中‘的奖品中选择； ·原本’难度等级：中‘的可获得150元京东自营自选。 ### **活动时间** **2024年10月25日——2024年11月03日** **活动方式** 1\. 已发布6个报错任务在论坛的“活动体验板块”，完成其中的一个或多个。 序号 任务帖名称 任务帖链接 难度等级 任务一 使用MindSpore Lite端侧模型转换工具将YOLOv8.onnx转为.ms报错Convert failed. Ret: Common error code. https://www.hiascend.com/forum/thread-0290165199293088059-1-1.html 易 任务二 使用MindSpore Lite推理，报错RuntimeError: data size not equal! Numpy size: 6144000, Tensor size: 0 https://www.hiascend.com/forum/thread-0290165199975440061-1-1.html 易 任务三 MindSpore模型转换报错RuntimeError: Can not find key SiLU in convert nap. Exporting SiLU operator is not yet supported. https://www.hiascend.com/forum/thread-0296165199067514052-1-1.html 中 任务四 MindSpore的nn.TrainOneStepWithLossScaleCell报错：RuntimeError: Compile graph kernel\_graph0 failed. https://www.hiascend.com/forum/thread-0290165199156685058-1-1.html 中 任务五 MindSpore调用Dataset.batch()中per\_batch\_map函数出错 https://www.hiascend.com/forum/thread-0290165199389444060-1-1.html 中 任务六 MindSpore报错Kernel launch failed, msg: Acl compile and execute failed, op\_type\_ https://www.hiascend.com/forum/thread-0296165199777494053-1-1.html 中 2\. 用户根据个人意愿选择报错任务，将内容填写完整后，并将正确完整的脚本打包通过附件上传到帖子，发布在本论坛的\*\*“技术干货->功能调试”\*\*中，贴心的我们给大家提供了完成任务发帖示例：使用ops.nonzero算子报错TypeError。欢迎参考哦！！！。 3\. 将个人邮箱私信回复给本贴版主账号中，将干货链接回复到该帖子下方。 4\. 每个任务择优选取一位用户获奖。 ### **注意事项** 1\. 请勿刷帖，刷帖一律删帖并做无效参与处理。 2\. 必须保证原创，抄袭按无效参与处理。 3\. 请勿盗取他人截图或内容，一经发现做无效参与处理。 4\. 必须符合设定的格式，否则算作无效参与。 --- https://www.mindspore.cn/activities/zh/3430/ --- 活动中心 智能新生态的引领者——昇思亮相CSDN1024程序员节，共赴AI技术盛宴 # 智能新生态的引领者——昇思亮相CSDN1024程序员节，共赴AI技术盛宴 2024/10/24 # 智能新生态的引领者——昇思亮相CSDN1024程序员节，共赴AI技术盛宴 技术改变世界，开发者塑造未来。为了向奋战在各个岗位的技术人致敬，2024长沙·中国1024程序员节也如期而至。 本届1024程序员节以“智能应用新生态”为主题，10月24日-26日在长沙盛大举行，设置了岳麓对话、技术英雄会和8场高峰/主题论坛，邀请了200+位技术专家，1024+名程序员现场参与大会！ 活动详情与直播：https://1024.csdn.net/ **昇思MindSpore亮相长沙·中国1024程序员节** **昇思2.4版本加速大模型原生创新** 杨滔 昇思MindSpore开源生态总监 议题简介：昇思MindSpore再次突破创新的边界，推出了全新2.4版本，这一版本不仅加速了大模型的原生创新，还进一步推动了AI软硬件协同技术发展。 **华为精彩议题抢先看** --- https://www.mindspore.cn/activities/zh/3437/ --- 活动中心 1024就得这么玩！唤醒那个相信光的男人 # 1024就得这么玩！唤醒那个相信光的男人 2024/10/24 # 1024就得这么玩！唤醒那个相信光的男人 1024！它是 2 的十次方，是二进制计数的基本计量单位之一。就如同程序员们每日与二进制代码打交道，用 0 和 1 构建起了一个又一个令人惊叹的软件和应用。 \*\*但是！\*\*谁说程序员的世界只有黑白的代码！ 昇思MindSpore的开发者们**基于昇思MindSpore创建了有趣的创意项目**！如果你喜欢，请为他们的项目点个收藏吧~ （文末还有**万元激励的1024模型疯狂挑战赛**，欢迎你参加！） **唤醒那个相信光的男人** - 项目介绍：你是否曾经梦想成为光之巨人，与奥特曼一起守护宇宙的和平？现在，有了这款神奇的应用，你的梦想即将成真！我们不仅创造图片，我们还传递信念。本项目基于pix2pix模型实现，可实现将简笔画生成奥特曼风格图片。 - 开发者：闲人东 - 项目体验： https://modelers.cn/spaces/lihuadong2024/ATM 温馨提醒：专业生成奥特曼一百年，其他简笔画请谨慎尝试！ **我画你猜游戏** - 项目介绍：“我画你猜游戏”是一款基于Stable-Diffusion的创意绘画与人工智能猜测结合的游戏，旨在为玩家提供一个充满乐趣和挑战的互动平台。在这个游戏中，有 4 次机会猜测给出的图片内容所对应的文本描述，题面图像包含的噪声随着轮次数而降低，并会给出正确答案的字数。 - 开发者：Kahsolt - 项目体验：https://modelers.cn/spaces/kahsolt/Draw-Something - - **智能手语识别** - 项目介绍：本项目为促进残障人士与社会的无障碍交流，基于MobileNet V2模型开发，通过监督学习训练出深度学习模型识别手语翻译成对应文字，为听力和言语障碍者提供一种将手语转换为书面语言的桥梁。通过技术手段，帮助听障和语言障碍人士与社会更有效地沟通，为残障人士提供了更多的交流可能性，促进社会的多元化和包容性。 - 开发者：knoka - 项目链接：https://modelers.cn/spaces/knoka/shouyushibie - **听音辨未来** - 项目介绍：未来世界的影像都是根据想象，每个人的未来世界或多或少的会包含个人经历的影子。为了打破思维局限，本项目通过PANNS的与训练模型cnn14进行环境音分类+PROMPT工程，实现跨模态的现实声音的未来景象，生成的图片可以进行拼图游戏，也可以应用画画机器人画出未来图景。为以三体为标志的中国科幻增添灵感和素材。 - 开发者：madQfrog - 采集声音生成图片 - 根据生成图片利用机械臂作画 **1024模型疯狂挑战赛** 模型也疯狂，与昇思MindSpore开源社区共同丰富openMind中的MindSpore模型吧！本次活动中，我们诚邀模型爱好者们，将基于MindSpore AI框架2.3版本的模型迁移至openMind，共同丰富社区模型 ； - \*\*活动时间：\*\*即日起至11月10日 - \*\*活动平台：\*\*魔乐平台（https://modelers.cn/） - **活动要求：** ① 所迁移的模型必须基于昇思MindSpore AI框架2.3版本； ② 模型readme中，需要写清楚模型介绍（如有性能测评请补充）； ③ 模型需通过模型可用性测试； ④ 所提交模型在评奖阶段组委会将进行二次测试，请确保模型可用性符合标准，如发现提交不符标准模型，将取消活动资格。 - **活动激励：** 1、\*\*模型疯狂奖：\*\*迁移基于昇思MindSpore模型最多者，且模型无重复，模型总数不少于10个。排名前三名，分别赠送3000元、2000元、1000元以内京东卡自选礼品。 2、\*\*模型金鸡奖：\*\*所迁移模型被收藏总数最多，且不少于100次收藏，排名前三，分别赠送1000元、500元、200元以内京东自选礼品。 - **如何参与活动：** 添加活动交流群，获取参与方式 - --- https://www.mindspore.cn/activities/zh/3454/ --- 活动中心 昇思学习打卡营·启智特辑来了！华为认证考试券报名即送！ # 昇思学习打卡营·启智特辑来了！华为认证考试券报名即送！ 2024/11/04 # 昇思学习打卡营·启智特辑来了！华为认证考试券报名即送！ 昇思学习打卡营·启智特辑来了！华为认证考试券报名即送！ --- https://www.mindspore.cn/activities/zh/346/ --- 活动中心 用「头孢+Jina」建立的炫酷「昇腾游乐场」快来体验！ # 用「头孢+Jina」建立的炫酷「昇腾游乐场」快来体验！ 2020/12/13 # 用「头孢+Jina」建立的炫酷「昇腾游乐场」快来体验！ 硬件极客们： 「昇腾开发者」公众号正式启动啦！关注「昇腾开发者」感受最炫酷的Playground ，来体验用MindSpore+Jina建立的昇腾开源游乐场！ 以下文章来源于昇腾开发者 ，作者Ascend 对AI感兴趣，却无从入手？偶然间看到有趣的图片想搜索更多类似的图却不知该如何操作？想知道快速识别录入大量手写数据信息的方法？希望简化AI集群资源管理以及任务调度的相关工作？ **「昇腾开源游乐场」**帮您一步一步实现以上想法，为了**向广大开发者提供基于昇腾软件栈的交互式AI体验demo**，我们开发了「昇腾开源游乐场」（http://ascend.gitee.io/playground/） \[ \](https://mp.weixin.qq.com/s/6KszgRRwxNeHOQj3cHYmPQ#) 昇腾开源游乐场 在「昇腾开源游乐场」中，您可以通过我们所提供的小型程序，**体验到一些基于昇腾环境非常有趣的AI应用，如昇腾找同款、昇腾助力HPC**等。 在「昇腾开源游乐场」界面中，您可以拖拽一张内置的蘑菇图片或者手动上传一张全新的蘑菇图片，由搜索程序进行识别并返回最接近的蘑菇图片；还可实现手写一个中文数字，由系统识别返回结果的功能。 应用演示 为了能让大家对「昇腾开源游乐场」有比较直观的感受，首先带大家一起体验下它提供的两款AI小程序：**昇腾找同款**和**昇腾助力HPC**。 ## 昇腾找同款：手写中文数字查询 （点击这里，去原文观看视频） 手写汉字识别有着极为广泛的应用场景，在大规模的数据记录（人口普查等）中，往往需要输入大量的用户信息，以前需要人工手动输入会耗费大量的人力和物力，如今有了AI技术的帮助，这类汉字识别可以通过机器自动进行识别与录入。 下面以简单的中文数字识别为例，向大家展示用小程序识别手写汉字数字（如：一，二等），**让机器帮您查询并返回和您手写的中文数字最相似的结果**。识别步骤如下： 1\. 访问「昇腾开源游乐场」主页面： http://ascend.gitee.io/playground/ 2\. 在”配置区” -> “查询节点”下拉框选择“LeNet手写中文数字样例”； 3\. 在“Preview”界面黑色面板内手写单个中文汉字，暂时仅支持“零至十，百，千，万，亿”等15个中文数字，示例面板为手写中文数字“二”； 4\. 点击“查询”按钮会返回与手写“二”最为相似的三张结果图。 ## 昇腾找同款：毒蘑菇搜索 ##### （点击这里，去原文观看视频） ##### 大千世界蘑菇种类数不胜数，是否可以通过AI技术来鉴别蘑菇毒性呢？通过「昇腾开源游乐场」只需将任一张蘑菇图片拖拽到交互区，**昇腾找同款应用就会从检索库保存的数千张蘑菇图片中搜索出50张同类或最相似的蘑菇图片**，听上去是不是很酷炫？！ ##### 想要亲自上手体验一下的话，只需打开http://ascend.gitee.io/playground页面，配置区选择ResNet50毒蘑菇样例，然后您可以从查询样例中选择一张蘑菇图片拖拽到右侧的搜索区即可，应用展示效果如下： △昇腾找同款毒蘑菇搜索效果展示 ## 昇腾助力HPC：集群资源管理 当您准备或已经在HPC（High Performance Computing）等大规模计算场景使用了昇腾AI集群，希望**简化集群资源管理以及任务调度的相关工作**，那么可以使用由北大团队合作贡献到昇腾开源社区的slurm plugin项目（https://gitee.com/ascend/slurm-atlas-plugin） 1\. 查询集群状态： 2\. 查询节点资源： 3.查询分区资源： 方案设计与开源实现 刚刚和大家一起体验了「昇腾开源游乐场」 有趣的应用，相信您一定还想知道更加详细的知识，接下来我们一起来看下整体方案的实现原理，值得一提的是**整个游乐场都是用开源软件搭建**的！ ## 前端交互界面 ##### 1\. 先了解下如何实现炫酷的UI界面？ ##### 我们的前端服务采用了**HTML + CSS + JavaScript等技术**，基于jinabox.js项目（https://github.com/jina-ai/jinabox.js/ ）实现了可视化的操作页面，用户**只需在页面上轻松的动动手**，比如手写一个中文汉字或拖拽一张蘑菇图片，**发送查询就可以返回结果了**。 2\. 前端交互界面和后台服务之间如何通信？ 如上图所示，**前端页面会根据用户的操作发送相应的http请求**，并**通过RESTful API与后端的三个服务器站点建立通信**。其RESTful API格式如下： · http://{host\_ip}:{port}/api-server/search，POST操作 · http://{host\_ip}:{port}/cluster，GET操作 · http://{host\_ip}:{port}/nodes，GET操作 · http://{host\_ip}:{port}/partitions，GET操作 ## 后台搜索服务 我们的后台搜索服务主要采用了**Jina服务**（https://github.com/jina-ai/jina）+ **MindSpore框架**（https://www.mindspore.cn/） + **Ascend后端的对接方案**，同时通过Jina内置的Gateway服务实现外部功能。在Jina中，我们可以使用Flow来描述流水线的任务。 以手写中文数字应用为例，查询过程中涉及Index和 Query 两个Flow，它们的使用yaml文件定义如下： 左:Index Flow yaml文件定义 右:Query Flow yaml文件定义 两个Flow过程都由craft，encode，vec，doc 4个yaml文件构成，大致可以概括为**读取数据，将数据转换为模型可处理的矩阵矢量格式，加载模型，对矢量数据进行处理，最后建立索引结果**。 即：将手写的中文数字“二”图片数据，经处理后输入28\*28大小的图片，然后经encode转换为\[-1, 1, 28, 28 \]的矢量数据，形如NCHW格式，为MindSpore LeNet可处理的矩阵数据格式，加载已经预先训练中文汉字数据集生成的MindSpore LeNet checkpoint文件，处理矩阵数据，最后可生成结果索引文件，查询数据集中与用户输入图片最为相似的结果返回。 ## 集群资源管理 在介绍昇腾集群资源管理方案之前，先来补充下相关知识点： 1\. 首先，什么是Slurm？ **Slurm**（Simple Linux Utility for Resource Management）**是一套用于Linux集群的开源集群管理和作业调度系统**，（敲黑板）注意重点是Linux工具、集群管理和作业调度。 Slurm中包含几个重要的实体概念： · 集群（cluster）： 由单个或多个节点构成的一种计算节点集合 · 节点（node）： 用于表示物理机或虚拟机，通常以主机名命名 · 分区（partition）： 跨越多个节点的逻辑区域 · 作业（job）： 执行某一段特定程序的任务 · 队列（queue）： 当提交的作业资源超出可用配额时，将作业放入队列 Slurm集群逻辑架构 如上图所示，Slurm包含了如下组件： · slurmctld： 监控集群资源和作业状态 · slurmd： 作为计算节点的守护进程，用于管理compute节点和与control节点的通信 · slurmdbd： 用于在数据库两种记录多个slurm管理集群的作业统计信息（可选） 2\. 接下来，我们一起看下**昇腾资源管理系统**是什么样子？ 想要更全面了解昇腾并收获更多新奇体验，可以通过扫描下图二维码加入昇腾开源社区，在这里您可以通过Issue建立直达Commiter的交流渠道，快速闭环问题和需求，还能参加社区活动，回复Issue，获取激励，更多收获可参考下图↓ --- https://www.mindspore.cn/activities/zh/3462/ --- 活动中心 智慧上海，开源同行 | MSG城市行·上海站，共赴AI盛宴！ # 智慧上海，开源同行 | MSG城市行·上海站，共赴AI盛宴！ 2024/11/11 # 智慧上海，开源同行 | MSG城市行·上海站，共赴AI盛宴！ 智慧上海，开源同行 | MSG城市行·上海站，共赴AI盛宴！ --- https://www.mindspore.cn/activities/zh/3468/ --- 活动中心 MindSpore论坛报错活动第二十九期 # MindSpore论坛报错活动第二十九期 2024/11/15 # MindSpore论坛报错活动第二十九期 ### **奖励规则** **1、每个任务难度等级不同，完成不同等级任务获得对应的奖励！** ·难度等级：易，可获得50元京东自营自选； ·难度等级：中，可获得100元京东自营自选； **2、若被选为优秀案例，奖品奖励将会在原来基础上升级！** ·原本’难度等级：易‘的可在’难度等级：中‘的奖品中选择； ·原本’难度等级：中‘的可获得150元京东自营自选。 ### **活动时间** **2024年11月15日——2024年11月24日** **活动方式** 1\. 已发布6个报错任务在论坛的“活动体验板块”，完成其中的一个或多个。 序号 任务帖名称 任务帖链接 难度等级 任务一 使用Profiler()函数，报错RuntimeError: The output path of profiler only supports alphabets(a-zA-Z) https://www.hiascend.com/forum/thread-02104167039835648003-1-1.html 易 任务二 使用dataset.create\_dict\_iterator()后，计算前向网络报错：untimeError: Illegal AnfNode for evaluating, node: @Batch https://www.hiascend.com/forum/thread-0255167039990322005-1-1.html 易 任务三 使用MindSpore静态图速度慢的问题 https://www.hiascend.com/forum/thread-0255167040090099006-1-1.html 易 任务四 MindSpore Lite调用macBert模型报错 https://www.hiascend.com/forum/thread-0280167040225279006-1-1.html 易 任务五 MindSpore+MindFormer-r.1.2.0微调qwen1.5 报错 https://www.hiascend.com/forum/thread-02104167040379530004-1-1.html 中 任务六 MindSpore的nn.TrainOneStepWithLossScaleCell报错：RuntimeError: Compile graph kernel\_graph0 failed. https://www.hiascend.com/forum/thread-0290165199156685058-1-1.html 中 2\. 用户根据个人意愿选择报错任务，将内容填写完整后，并将正确完整的脚本打包通过附件上传到帖子，发布在本论坛的\*\*“技术干货->功能调试”\*\*中，贴心的我们给大家提供了完成任务发帖示例：使用ops.nonzero算子报错TypeError。欢迎参考哦！！！。 3\. 将个人邮箱私信回复给本贴版主账号中，将干货链接回复到该帖子下方。 4\. 每个任务择优选取一位用户获奖。 ### **注意事项** 1\. 请勿刷帖，刷帖一律删帖并做无效参与处理。 2\. 必须保证原创，抄袭按无效参与处理。 3\. 请勿盗取他人截图或内容，一经发现做无效参与处理。 4\. 必须符合设定的格式，否则算作无效参与。 --- https://www.mindspore.cn/activities/zh/347/ --- 活动中心 MindSpore教程页面升级，更多在线教程等你体验！ # MindSpore教程页面升级，更多在线教程等你体验！ 2020/12/15 # MindSpore教程页面升级，更多在线教程等你体验！ 上周刚发布了《MindSpore元年岁末狂欢，论坛两大活动共贺新年~》的活动，这才几天，新活动又来了？！ 没错，就是这么猝不及防！给你意外的惊喜！ 本次奖品也非常棒，还不快来试试嘛！ ## 奖品展示： 护眼仪 笔记本套装 苏泊尔吸尘器 颈部护理仪 转换坞 ## 活动时间： 12月14日——12月27日 ## 活动方式： 完成两个任务，请将相关截图整理并发布在MindSpore论坛的“**活动体验**”主题分类。（论坛地址：https://bbs.huaweicloud.com/forum/forum-1076-1.html） 注意！！！所有任务均基于以下教程页面哦： https://www.mindspore.cn/tutorial/training/zh-CN/master/index.html ### 任务一：教程筛选人人会 访问官网教程界面（https://www.mindspore.cn/tutorial/training/zh-CN/master/index.html），按照以下问题，任选2个回答，筛选出相应教程并截图，标好序号哦！ 问题1：请问支持Windows操作系统的训练教程一共有几篇？截图展示。 问题2：请问支持硬件Ascend或者GPU的训练教程一共有几篇？截图展示。 问题3：请问支持Linux操作系统，并且支持Ascend或者CPU硬件平台，并且适合中级或者高级用户的阶段包含全流程的训练教程有几篇？截图展示。 问题4：请问如何快速回到初始的界面？ 问题5：您的建议或者感受？（推荐，被选上，会有额外惊喜哦） ### 任务二：在线体验我也行 找到教程界面含有“Run In ModelArts”图标的教程，任选2个教程，在线体验完毕并截图，与任务一发布在同一活动体验帖子内，并注明教程名称。 图标展示： 小知识：ModelArts Notebook是ModelArts提供的免费环境，上面已经集成了MindSpore的大部分实践，可以在上面直接运行，同时也可以基于已有代码进行进一步改造、编写，是一个非常灵活的在线环境。 示例： 任务一： 问题2：符合条件的教程共N个 问题5： 建议：您的建议或者感受？（推荐，被选上，会有额外惊喜哦） 任务二： 1\. 实现一个图片分类应用 2\. 加载图像数据集 邮箱： 12613\*\*\*\*\*@qq.com ### 注意事项 1\. 活动贴下留下您的邮箱，方便我们联系您！ 2\. 点击“Run In ModelArts”按钮并登录后，配置环境时间较长，请耐心等待。下图为配置环境页面，等待即可，勿退出。 3\. 您在ModelArts上体验时，还可以在右上角切换规格： 4\. 请勿刷帖，刷帖一律删帖并做无效参与处理。 5\. 共抽取30名完成任务者获取奖品，达标帖计入抽奖名额。 \*最终解释权归MindSpore团队所有。 --- https://www.mindspore.cn/activities/zh/348/ --- 活动中心 MindCon极客周 · 点亮城市接力活动正式启动！期待您的加入！ # MindCon极客周 · 点亮城市接力活动正式启动！期待您的加入！ 2020/12/15 # MindCon极客周 · 点亮城市接力活动正式启动！期待您的加入！ 12个城市的接力狂欢——MindCon极客周活动，正式启动啦！ （点击这里，转到原文观看） 12月14日 上海 首棒开跑的城市是上海，点Star通道已开启，今天（12.14）7:00-24:00在Gitee和GitHub上MindSpore新增的Star数将算入上海城市积分，每个Star为10积分。 上海场我们邀请到亚马逊上海人工智能研究院应用科学家王敏捷，通过线上分享的方式，为大家带来主题为Building Efficient Systems for Deep Learning on Graphs的演讲。微信扫描上方二维码报名，上海打call！ 12月15日长沙 接力第二棒的城市是火辣湘情——长沙 明天（12.15）7:00-24:00在Gitee和GitHub上MindSpore新增的Star数将算入长沙城市积分，每个Star为10积分。 \*\*「\*\***MindCon极客周**」\*\*\*\*——点亮城市，微信扫描上方二维码报名，为长沙打call！ 12月16日 武汉 接力第三棒的城市武汉有两位MSG组织者为武汉召集小伙伴们点亮城市，为武汉加油~ 后天（12.16）7:00-24:00在Gitee和GitHub上MindSpore新增的Star数将算入武汉城市积分，每个Star为10积分。 「MindCon极客周」——点亮城市，微信扫描上方二维码报名，为武汉打call！ 活动积分规则 「MindCon极客周」可获得积分的活动内容分为三部分，想在12个城市中积分排名最高，需要您仔细阅读下面的规则，借鉴下文中的例子结合自身优势，充分发挥赢取积分的能力！ 1. 点Star（新增star积10分） 2. Bugfix（完成bugfix积100分） 3. 模型大赛（完成青铜赛段任务积200分） 01 点亮star #### 活动内容 12个城市**接力开启**‘点Star’通道\*\*\*\*\*\*，**每个城市‘点Star’活动时间为**17小时\*\*（当天7:00-24:00），后台将统计17小时的活动时间里，MindSpore在Gitee和GitHub官网主仓新增的Star数，用每天的star新增数乘以10所得积分，记为参与‘点Star’活动内容所获得的积分。 开启**各个城市‘点Star’通道的日期表↓** #### 参与方式 在Gitee官网为MindSpore点Star： https://gitee.com/mindspore/mindspore 在GitHub官网为MindSpore点Star： https://github.com/mindspore-ai/mindspore #### 举例 1 > 活动时间：12月14日（7:00-24:00） > > 活动城市：上海 > > Gitee官网新增Star数：200个 > > GitHub官网新增Star数：200个 > > 上海的‘点Star’活动得分 =（200 + 200）\* 10 = 4000分 02 Bugfix #### 活动内容 活动期间（12.14-12.25）将分为两个阶段（阶段一：12.14-12.19；阶段二：12.19-12.25）。 第一阶段，每个MSG城市群会有**专属任务**：提交2个可被合入的bugfix，12个城市共计需完成24个bugfix； 第二阶段，12个城市争夺**抢分任务**：集体参与解决第一阶段各个城市未完成的专属任务，在截止时间抢先提交的bugfix被合入可为所在城市赢得积分。 可获得积分 = bugfix数 \* 100 即每解决一个bug积100分，bug全部修复可获得2400个积分（24 \* 100 = 2400分）。 #### 参与方式 **阶段一（12.14-12.19）：专属任务** · 12月14日 09:00 小助手将在每个MSG城市的活动群发布该城市的专属任务（待解决的2个bug），每个MSG城市活动群接收到的任务不同； · 截止到12月19日 09:00 完成任务（修复2个bug），即提交bugfix被合入的城市可获得积分 = 2 \* 100 = 200分； **阶段二（12.19-12.25）：抢分任务** · 12月19日 10:00 若在第一阶段截止时间（12月19日 09:00前）2个bug均未修复或仅修复1个bug，小助手将在12月19日 10:00向12个MSG活动群公布未解决的Bugfix题目； · 截止到12月25日 24:00 抢先提交可合入的bugfix数越多积分越高，在抢分任务阶段能争分夺秒的为所在城市赢得更多积分！ #### 举例 2 > 阶段一 完成专属任务 > > 12月14日 09:00 - 12月19日 09:00 > > 上海MSG成员提交1个可合入的bugfix，有1个bug未解决 > > 在此期间上海积分 = 1 \* 100 = 100分 > > 阶段二 完成抢分任务 > > 12月19日 10:00 - 12月25日 24:00 > > 12.19 小助手在12个MSG城市群公布了6个未解决bug，截止时间前MSG上海群抢先解决了其中的3个bug，将获得积分 = 3 \* 100 = 300分 > > 上海的‘Bugfix’活动得分 = 100 + 300 = 400分 03 模型大赛 #### 活动内容 12月25日 24:00前 完成‘青铜段位赛’可获得200积分。还可获得青铜徽章礼盒、HUAWEI WATCH GT 2Pro、500元京东卡、码豆、DevRun 开发者纪念品哟！ \*青铜段位赛的任务：完成模型训练脚本的迁移启动成功并完成单Step训练。 #### 参与方式 在12月14日-25日期间完成昇腾模型王者挑战赛中的‘青铜段位赛’任务。 微信扫描下方二维码**关注「昇腾开发者」** 获取参赛细则 #### 举例 3 > MSG上海群成员完成青铜赛段任务 > > 上海的‘模型大赛’活动得分 = 200分 > > MindCon极客周活动截止时间12月25日 24:00 > > 12月28日公布12个城市积分排行榜和各个城市获得的总积分 > > 结合上面3个活动内容的例子 > > 上海总积分 = 4000 + 400 + 200 = 4600分 > > MSG上海组织者可获得MindCon激励奖「价值2000元的索尼耳机+价值300元的官方定制卫衣一件」 优秀开发者直通车 在「MindCon极客周」活动截止前（**12月25日24:00**）完成Bugfix任务（下文有详细任务介绍），即提交bugfix被合入的**报名者将拥有优先进阶为「MindSpore优秀开发者」的权利**，MindSpore社区团队会全力协助您完成「MindSpore优秀开发者」考核项目，评选通过后可享有如下「MindSpore优秀开发者」权益： i. 优秀开发者名单**官网展示** ii. 获取**专属礼品**（价值1500元） iii. **官方大会门票**、线下meetup等 价值￥1500元的开发者激励 MSG组织者的特别答谢 「MindCon极客周」活动期间（12.14-12.25）通过积分评比方式从12个城市选出积分最高的城市，这个城市的**MSG组织者**将获得惊喜好礼： 价值超10000元的惊喜好礼！ 「价值8000元的华为P40Pro+」+「价值2000元的索尼耳机」+「价值300元的官方定制卫衣」 我们希望在全世界范围征集对AI、深度学习框架MindSpore感兴趣，想学习更多知识，或者想结识更多有意思的人，为开源社区贡献一份力量的开发者，加入MindSpore社区成为MSG的组织者，MindSpore帮助您更快实现目标。有志于成为MSG组织者的朋友们，在公众号后台发送‘MSG组织者’即可报名！ 无论您是AI研究领域的资深玩家，还是对新奇事物充满好奇的AI零基础小白，欢迎大家报名\*\*「****MindCon极客周****」\*\*活动，点亮城市计划——助力城市获得更多积分、赢取惊喜大奖！ 微信添加下方小助手为好友报名 记得**备注：城市** 海报制作：吴佳聪 责任编辑：程旭 总策划：胡晓曼 --- https://www.mindspore.cn/activities/zh/3483/ --- 活动中心 CIIS 2024前瞻丨昇腾AI基础软件赋能大模型原生创新 # CIIS 2024前瞻丨昇腾AI基础软件赋能大模型原生创新 2024/11/15 # CIIS 2024前瞻丨昇腾AI基础软件赋能大模型原生创新 11月15-17日，2024第十三届中国智能产业高峰论坛暨中国人工智能学院院长与名师论坛将在浙江杭州举办。11月17日，分论坛之一的《昇腾AI基础软件赋能大模型原生创新专题论坛》将邀请华为昇思、昇腾的技术专家，以及相关领域的资深学者深入探讨大模型的创新之路。 大模型时代，人工智能的发展依赖强大的算力和创新的软件生态。华为推出的昇腾AI基础软件平台，凭借其开放和智能的架构，为大模型原生创新提供了重要支撑。依托昇腾处理器的算力，该平台能够满足超大规模模型的训练需求，加速深度学习等前沿技术的进展。 作为大模型创新的基石，昇腾AI通过全栈技术实现软硬件深度耦合，适用于多种应用场景的中间件，提升开发灵活性。例如在金融、医疗和制造业等领域，昇腾支持边缘计算和本地部署，保障数据隐私与合规。 昇腾AI还通过开源框架昇思MindSpore，为开发者提供了灵活调整的工具，促进了AI技术的共享和协作。为了加速AI基础设施的普及，昇腾正在通过创新实验室、开源项目和合作伙伴关系，构建更丰富的AI生态，助力AI技术在更多行业智能化转型中发挥核心作用。 通过《昇腾AI基础软件赋能大模型原生创新专题论坛》，参会者可以零距离了解昇腾AI的产业化经验以及未来发展方向，共同探索大模型的技术前沿和产业落地路径。 **扫码了解购票详情** **_立即行动，团体优惠等你来享！_** --- https://www.mindspore.cn/activities/zh/3498/ --- 活动中心 MindSpore社区活动：基于MindSpore的SGD优化器实现 # MindSpore社区活动：基于MindSpore的SGD优化器实现 2024/11/27 # MindSpore社区活动：基于MindSpore的SGD优化器实现 # ******奖励规则****** 1. 参与抽奖活动并获奖的，可获得30元京东自营自选奖励； 2. 完成活动二中的案例体验，可获得100元京东自营自选奖励； 3. 以上两种奖励均获奖的，奖励额度累加。 # ******活动时间****** **11月28日——12月08日** # ******参与方式****** ******活动一：****** **1、加入CSDN的昇思MindSpore社区，将已加入的用户名和昇思MindSpore信息进行截图，可参考如下方式进行截图，并将截图评论到该帖子下方，即可参与抽奖活动，本次活动将随机抽取20位参与用户进行奖励。** ******活动二：****** **2、体验昇思MindSpore官网中的“基于MindSpore的SGD优化器实现”**，**并记录体验过程。** **3、将前两步的截图和体验过程发布为一篇个人博客,并在昇思MindSpore论坛同步发帖子（发帖指南可参考：技术干货怎么发？看这里！）。** **4、将个人的博客链接和论坛帖子链接回复在活动帖下方即可。** **5、符合要求的前5名可获得奖励，先下手为强哦！！！** # ******注意事项****** **1、请勿盗用他人截图、内容等，一经发现无效参与。** **2、请勿在本帖下方刷帖，否则做无效处理。** **3、一个账号只可以参与一次。** **4、最终解释权归MindSpore团队所有。** --- https://www.mindspore.cn/activities/zh/3499/ --- 活动中心 华为云ModelArts平台发出邀请——MindSpore基础案例体验日，快速上手玩不停~ # 华为云ModelArts平台发出邀请——MindSpore基础案例体验日，快速上手玩不停~ 2024/11/28 # 华为云ModelArts平台发出邀请——MindSpore基础案例体验日，快速上手玩不停~ # **活动简介** ModelArts是一个能够支撑开发者从数据到AI应用的全流程开发过程的开发平台。为了帮助大家更好地了解昇思MindSpore和华为云ModelArts平台，现推出MindSpore官网的基础教程案例供各位开发者体验打卡，输出相关体验类技术干货通过审核即可获奖。 # **活动时间** 2024.11.28-2024.12.15 # **参与方式** ## 1 进入华为云ModelArts平台体验教程 首先需要注册和登录华为云（www.huaweicloud.com），请登录华为云官网按指引注册登录以及实名认证； 登录华为云，进行实名认证。 登录后点击【控制台】即可开始使用华为云的各项服务，以及查看账号的信息； **运行官网案例需要用到代金券，这边活动提供免费代金券供大家领取**，申请链接： https://www.hiascend.com/activities/cloud-resource/cea8f011902a4628a627d9986c2f9d6d 其中项目ID请选择**西南-贵阳一\*\*\*\*。** 代金券余额查询： **ModelArts调试环境的申请和使用** ①点击下图此处可以切换站点； **请选择【西南-贵阳一】站点；** ②点击搜索栏可以搜索想要的服务以及帮助教程； ③点击【我的凭证】可以查看自己个人的账户ID等各类凭证信息（申请代金券需要提供）； 在搜索栏中搜索modelarts可以进入AI开发平台，进行调试和训练； 在开发空间中选择notebook，即可跳转到notebook管理界面，选择创建notebook即可创建自己资源服务； 镜像选择： \---在【贵阳一】站点，使用昇腾环境；**推荐使用此环境** 创建notebook，选择【公共镜像】mindspore\_2.3.0-cann\_8.0.rc2-py\_3.9-euler\_2.10.7-aarch64-snt9b Ascend Snt9B+ARM算法开发和训练基础镜像，AI引擎预置MindSpore，按实际需求，按照官网安装教程pip安装mindspore2.4.0或可用的更高版本； 创建notebook成功后，即可点击【打开】启动。 启动后， 点击①周围可以创建新的Jupyter Notebook； 点击②可以启动Terminal控制台，命令行交互控制服务器资源； 点击③可以创建新的标签页，同时启动不同的服务； ④是文件资源管理器，可以对云上的文件进行操作，也可以由自己的操作系统拖动文件、脚本等上传到云上使用； ⑤按钮是资源监测系统，可以shutdown强行关闭正在使用kernel资源的notebook（多个notebook同时调用1个kernel可能会冲突，导致报错）； ⑥是资源时限，点击可以续期； 右上角显示当前环境运行剩余时长，点击可以更新自动停止时间，即续时长； 点击Jupyter界面右上角的关机图标，即可停止运行； 一般操作都是在/home/ma-user/work目录下进行的，所以无需当心个人代码文件被清理，但停止Notebook后，环境配置将被清理，故下次启动时需要重新配置环境。 停止Notebook实例后将倒计时进入ModelArts界面，将上方节点选择为“西南-贵阳一”，点击“开发空间”展开，选择“Notebook”，可以看到之前创建的Notebook实例为“停止”状态，再次点击最右边“操作”下的启动， 再次点击最右边“操作”下的“启动”，选择自动停止时长，即可再次启动Notebook实例。 等待状态由“启动中”变为“运行中”时，即可点击“打开”，再次进入Jupyter环境，之前的代码文件将会保留，但环境需要重新配置。 如果不再需要当前算力资源，请及时释放掉，否则将持续产生费用；在释放之前，确保必要的文件已经保存；在Notebook列表界面，对需要释放的Notebook进行删除操作，点击最右边“操作”下的“更多”，选择“删除”。 在窗口点击下图中的“一键输入”，然后点击“确定”，即可删除Notebook实例。 **运行MindSpore教程** 打开官网教程页面https://www.mindspore.cn/tutorials/zh-CN/r2.4.0/beginner/quick\_start.html，选择想要运行的教程，下载notebook文件。 把下载好的对应教程的jpynb文件，拖入到华为云的notebook中，即可直接运行了。 **注意：运行前必须确认MindSpore环境已安装完好，并且确认华为云notebook的kernel处于空间状态，正在运行其他项目的情况下，无法执行新任务。** ## 2 MindSpore官网案例体验范围 本次活动体验范围内容如下：（https://www.mindspore.cn/tutorials/zh-CN/r2.4.0/index.html） 课程 具体案例 深度学习入门——基于MindSpore 快速入门 张量 数据集 数据变换 网络构建 函数式自动微分 模型训练 保存与加载 使用静态图加速 ## 3 编写技术干货 技术干货标题需加上（ModelArts平台打卡体验活动），干货内容需要记录体验过程、自己对于相关代码的理解和总结，并附上跑通截图，具体干货编写可参考相关案例：https://www.hiascend.com/developer/blog/details/02104163131847653089； # **活动要求** 1.干货内容：相关的技术干货必须要求原创； 2.参与方式：发布完成后需及时将干货链接回复在本帖评论区； 3.同时将发布的干货链接和邮箱通过私信的方式发送给活动版主； 4.另外鼓励各位开发者将干货内容转发至CSDN技术内容平台。 # **发帖指南** 1.打开昇思MindSpore论坛MindSpore板块：https://www.hiascend.com/forum/forum-0106101385921175002-1.html，如果没有账号的用户请先注册，已有账号的用户请直接登录； 2.登上个人账号后，请点击右上角的“我要发帖子”红色按钮； 3.进入帖子编辑页面，首先请点击分类框并选择，然后再编辑标题和帖子详情内容，完成编辑后点击“发布帖子”即可。 # **奖项设置** 审核通过将获得京东自选100元奖品的奖励 # **注意事项** 1.干货内容经审核合格后方可算数。 2.抄袭他人内容或内容疑似借助ChatGPT等大模型平台均视为无效参与。 3.本活动发布的干货不得参与其他活动重复领奖。 4.最终解释权归昇思MindSpore团队所有。 --- https://www.mindspore.cn/activities/zh/3507/ --- 活动中心 NLP超能力，6节课拿下！昇思学习打卡营·NLP特辑上线！ # NLP超能力，6节课拿下！昇思学习打卡营·NLP特辑上线！ 2024/11/21 # NLP超能力，6节课拿下！昇思学习打卡营·NLP特辑上线！ NLP超能力，6节课拿下！昇思学习打卡营·NLP特辑上线！ --- https://www.mindspore.cn/activities/zh/3509/ --- 活动中心 框架新选择︱叮！请查收昇思人工智能框架峰会暨成果发布会邀请函 # 框架新选择︱叮！请查收昇思人工智能框架峰会暨成果发布会邀请函 2024/11/22 # 框架新选择︱叮！请查收昇思人工智能框架峰会暨成果发布会邀请函 框架新选择︱叮！请查收昇思人工智能框架峰会暨成果发布会邀请函 --- https://www.mindspore.cn/activities/zh/351/ --- 活动中心 12.7-12.18论坛两大活动获奖名单公布！ # 12.7-12.18论坛两大活动获奖名单公布！ 2020/12/23 # 12.7-12.18论坛两大活动获奖名单公布！ 噔噔噔噔噔噔噔噔噔噔噔噔噔噔噔噔噔噔噔噔！ 为期两周的活动结束啦！ 活动详情戳这里：《MindSpore元年岁末狂欢，论坛两大活动共贺新年！》 真的有朋友连中多个！！！ 简直欧气满满~（把羡慕打在评论区） 当然，活动开始的时候我们就说过，每人可参加多次，兼中兼得！ 没中的朋友不要泄气，论坛还有其他活动正在进行中，目测奖品更加诱人呢！ 传送门地址：《MindSpore教程页面升级，更多在线教程等你体验！》 赶快去参加吧，中奖率也很高哦！ 回归正题，咱们本次的获奖奖品如下： 中奖的用户请关注您留下的邮箱：我们会通过1261354409@qq.com的邮箱联系您如何获取哦！ 领取截止日期为12.25日24：00 **活动一：** 根据实际参与情况，我们将合规参加多个分类评论的邮箱，增加后缀“-1”“-2”“-3”投入奖池参与抽奖，中奖结果： \[1\]: 81632368@qq.com \[2\]: 345368251@qq.com-2 \[3\]: yexijoe@163.com-2 \[4\]: 493054156@qq.com-3 \[5\]: 602642050@qq.com-1 \[6\]: 65350562@qq.com-1 \[7\]: yexijoe@163.com-3 \[8\]: gongliyao@126.com-2 \[9\]: zhanghui\_china2020@163.com-3 \[10\]: 1027752977@qq.com \[11\]: 543336839@qq.com-2 \[12\]: 602642050@qq.com-2 \[13\]: 1176075764@qq.com-2 \[14\]: hellonexus@qq.com-2 \[15\]: gongliyao@126.com-3 \[16\]: 532550606@qq.com-2 \[17\]: 345368251@qq.com-1 \[18\]: 20628343@qq.com \[19\]: 997385374@qq.com-1 \[20\]: apoqi123@126.com \[21\]: 254423959@qq.com-1 \[22\]: 1113206748@qq.com-1 \[23\]: 1606923091@qq.com-3 \[24\]: 741499893@qq.com-2 \[25\]: 2352535359@qq.com \[26\]: hellonexus@qq.com-1 \[27\]: huqi@gpdi.com-2 \[28\]: 294211009@qq.com-2 \[29\]: 478893184@qq.com-1 \[30\]: 931136898@qq.com-3 **活动二：** 【共同成长】中奖用户，我们为您单独准备了其他精美小礼品，直接留下地址即可哦，中奖结果： \[1\]: yuanyanglv@qq.com \[2\]: tjulitianyi@163.com \[3\]: zhanghui\_china2020@163.com \[4\]: 851200613@qq.com \[5\]: 294211009@qq.com \[6\]: 1113206748@qq.com \[7\]: JeffDing890430@163.com \[8\]: gongliyao@126.com \[9\]: huqi@gpdi.com \[10\]: 345368251@qq.com 恭喜以上的用户！ --- https://www.mindspore.cn/activities/zh/3510/ --- 活动中心 昇思人工智能框架峰会亮点抢先看 # 昇思人工智能框架峰会亮点抢先看 2024/12/03 # 昇思人工智能框架峰会亮点抢先看 昇思人工智能框架峰会亮点抢先看 --- https://www.mindspore.cn/activities/zh/3512/ --- 活动中心 昇思人工智能框架峰会拍了拍你并说，12月14日不见不散！ # 昇思人工智能框架峰会拍了拍你并说，12月14日不见不散！ 2024/11/29 # 昇思人工智能框架峰会拍了拍你并说，12月14日不见不散！ 昇思人工智能框架峰会拍了拍你并说，12月14日不见不散！ --- https://www.mindspore.cn/activities/zh/3515/ --- 活动中心 峰会先知丨学术论文看这里，共建昇思原生科研生态圈！ # 峰会先知丨学术论文看这里，共建昇思原生科研生态圈！ 2024/12/04 # 峰会先知丨学术论文看这里，共建昇思原生科研生态圈！ 峰会先知丨学术论文看这里，共建昇思原生科研生态圈！ --- https://www.mindspore.cn/activities/zh/3517/ --- 活动中心 峰会先知 | 这，就是大模型时代的AI开发者 # 峰会先知 | 这，就是大模型时代的AI开发者 2024/12/05 # 峰会先知 | 这，就是大模型时代的AI开发者 峰会先知 | 这，就是大模型时代的AI开发者 --- https://www.mindspore.cn/activities/zh/3527/ --- 活动中心 昇思和它的小伙伴们拍了拍你 # 昇思和它的小伙伴们拍了拍你 2024/12/11 # 昇思和它的小伙伴们拍了拍你 # 昇思和它的小伙伴们拍了拍你 用昇思，更能深思！ 昇思MindSpore AI框架致力于打造最高效的AI生产力工具 减少“重复造轮” 提高每一个行业的开发效率 为广大企业客户、产业伙伴、开发者们 提供框架新选择！ 12月14日北京中关村国际创新中心 昇思人工智能框架峰会 更多精彩，等你解锁！ --- https://www.mindspore.cn/activities/zh/3529/ --- 活动中心 昇思人工智能框架峰会 | 开发者们邀你共赴盛会 # 昇思人工智能框架峰会 | 开发者们邀你共赴盛会 2024/12/09 # 昇思人工智能框架峰会 | 开发者们邀你共赴盛会 赶紧报名参会 来现场约见志同道合的TA们 听业界大咖交流探讨 共话AI框架未来 扫一扫 报名参会 --- https://www.mindspore.cn/activities/zh/353/ --- 活动中心 在线体验活动获奖名单公布，快来看看有没有你啊！ # 在线体验活动获奖名单公布，快来看看有没有你啊！ 2020/12/28 # 在线体验活动获奖名单公布，快来看看有没有你啊！ 截止到上周，共有55位同学参与了我们的论坛活动，抽中的概率高达54.5%！ 论坛活动贴地址：https://bbs.huaweicloud.com/forum/forum.php?mod=viewthread&tid=94260&extra=page%3D1 活动链接：MindSpore教程页面升级，更多在线教程等你体验！ 感谢各位的参与！让我们来看看获奖详情吧~ 本次的获奖奖品如下： 中奖的用户请关注您留下的邮箱：我们会通过1261354409@qq.com的邮箱联系您如何获取哦！ 领取截止日期为2021年1月3日24：00 **中奖名单：** \[1\]: 254423959@qq.com \[2\]: 65350562@qq.com \[3\]: xx1213897@163.com \[4\]: logic\_shawn@163.com \[5\]: 1113206748@qq.com \[6\]: wenxuejia\_laol@163.com \[7\]: 461084847@qq.com \[8\]: tjulitianyi@163.com \[9\]: fjw52576@163.com \[10\]: yexijoe@163.com \[11\]: tianyy199512@163.com \[12\]: 2285113460@qq.com \[13\]: ermaozi123456@163.com \[14\]: zhouqingtao2@huawei.com \[15\]: 345368251@qq.com \[16\]: chenkai5660689@huawei.com \[17\]: liaoyongxin@huawei.com \[18\]: lyq87@126.com \[19\]: 674917912@qq.com \[20\]: huahua\_1234567899@163.com \[21\]: ertou1999@163.com \[22\]: 504756151@qq.com \[23\]: jishifeng1@hisilicon.com \[24\]: 3560647363@qq.com \[25\]: carey\_cc2000@163.com \[26\]: mobile19972020@163.com \[27\]: twoday1895@163.com \[28\]: 1368837243@qq.com \[29\]: 1248514826@qq.com \[30\]: 57070221@qq.com 恭喜以上的用户！ --- https://www.mindspore.cn/activities/zh/3531/ --- 活动中心 昇思人工智能框架峰会 | 最新议程 # 昇思人工智能框架峰会 | 最新议程 2024/12/10 # 昇思人工智能框架峰会 | 最新议程 昇思人工智能框架峰会 | 最新议程 --- https://www.mindspore.cn/activities/zh/3532/ --- 活动中心 昇思人工智能框架峰会参会指南 # 昇思人工智能框架峰会参会指南 2024/12/06 # 昇思人工智能框架峰会参会指南 昇思人工智能框架峰会参会指南 --- https://www.mindspore.cn/activities/zh/3533/ --- 活动中心 昇思人工智能框架峰会 | 四大分论坛完整议程 # 昇思人工智能框架峰会 | 四大分论坛完整议程 2024/12/12 # 昇思人工智能框架峰会 | 四大分论坛完整议程 分论坛一： AI框架基础软件技术发展论坛 分论坛二： AI for Science创新论坛 分论坛三： 昇思开源社区与开发者论坛 分论坛四： 昇思原生学术论文创新论坛 --- https://www.mindspore.cn/activities/zh/3540/ --- 活动中心 倒计时2天！AI安全论坛与创新技术研讨会启幕，共探AI安全前沿！ # 倒计时2天！AI安全论坛与创新技术研讨会启幕，共探AI安全前沿！ 2024/12/18 # 倒计时2天！AI安全论坛与创新技术研讨会启幕，共探AI安全前沿！ **AI安全论坛与创新技术研讨会即将开启！** **AI安全论坛与创新技术研讨会**，将于本周五**12月20日**正式开启。本次会议邀请了数十位来自学界、业界AI安全领域的重量级嘉宾，从AI安全技术发展、SIG发展方向、生态发展共创等角度展开技术分享和研讨。我们希望更多的开发者一起加入社区，共同开发、共同探索开源科学的未来。 **MindSpore Trusted AI** MindSpore Trusted AI通过对抗鲁棒性、模型安全测试、差分隐私训练、隐私泄露风险评估、数据漂移检测等一系列先进的技术手段，为MindSpore的安全与隐私保护提供了全方位的保障。 在对抗样本方面，MindSpore Trusted AI能够帮助安全工作人员快速高效地生成对抗样本，评测AI模型的鲁棒性，从而确保模型在面对恶意攻击时能够保持稳定和可靠。在隐私泄漏风险评估方面，通过成员推理攻击、模型逆向攻击等算法，我们能够对模型的隐私泄漏风险进行准确评估，为模型的隐私保护提供有力支持。 在模型保护方面，MindSpore Trusted AI提供高性能并行加解密以及模型动态混淆能力，保障模型在传输、存储和运行过程中的安全性，防止模型被恶意窃取或篡改。 **本次议程** **活动亮点** 本次活动不仅有硬核干货分享，对话大咖机会，我们还为参与活动的同学准备了签到礼品和抽奖礼品，为开发者打造交流切磋、碰撞思想火花、共同携手进阶的绝佳平台。 --- https://www.mindspore.cn/activities/zh/3548/ --- 活动中心 开始本文的内容前，先简单回顾一下本系列的前几篇文章： # 开始本文的内容前，先简单回顾一下本系列的前几篇文章： 2024/12/19 # 开始本文的内容前，先简单回顾一下本系列的前几篇文章： # ******奖励规则****** **发帖审核通过的用户可以获得50\*\*\*\*元的京东自选奖品** # ******活动时间****** **12月19日——12月29日** # ******参与方式****** **1、加入CSDN的昇思MindSpore社区，将已加入的用户名和昇思MindSpore信息进行截图。如图：** **2、体验昇思MindSpore官网中的“**ICNet用于实时的语义分割**”**，**并记录体验过程。** **3、将前两步的截图和体验过程发布为一篇个人博客,并在昇思MindSpore论坛同步发帖子（发帖指南可参考：技术干货怎么发？看这里！）。** **4、将个人的博客链接和论坛帖子链接回复在活动帖下方即可。** **5、符合要求的前6名可获得奖励，先下手为强哦！！！** # ******注意事项****** **1、请勿盗用他人截图、内容等，一经发现无效参与。** **2、请勿在本帖下方刷帖，否则做无效处理。** **3、一个账号只可以参与一次。** **4、最终解释权归MindSpore团队所有。** --- https://www.mindspore.cn/activities/zh/3549/ --- 活动中心 MindSpore论坛报错活动第三十期 # MindSpore论坛报错活动第三十期 2024/12/25 # MindSpore论坛报错活动第三十期 ### **奖励规则** **1、每个任务难度等级不同，完成不同等级任务获得对应的奖励！** ·难度等级：易，可获得50元京东自营自选； ·难度等级：中，可获得100元京东自营自选； **2、若被选为优秀案例，奖品奖励将会在原来基础上升级！** ·原本’难度等级：易‘的可在’难度等级：中‘的奖品中选择； ·原本’难度等级：中‘的可获得150元京东自营自选。 ### **活动时间** **2024年12月25日——2025年01月05日** **活动方式** 1\. 已发布6个报错任务在论坛的“活动体验板块”，完成其中的一个或多个。 序号 任务帖名称 任务帖链接 难度等级 任务一 调用昇腾310推理出现内存错误 https://www.hiascend.com/forum/thread-0246170470240767081-1-1.html 易 任务二 indformers推理qwen2.5-72b报显存不足 https://www.hiascend.com/forum/thread-0215170470461972101-1-1.html 易 任务三 使用MindSpore的get\_auto\_parallel\_context("device\_num")识别设备信息错误 https://www.hiascend.com/forum/thread-0246170470671732082-1-1.html 易 任务四 MindSpore-lite在云侧量化卡住失败 https://www.hiascend.com/forum/thread-0246170469107512080-1-1.html 中 任务五 使用MindSpore将.ckpt转.air再转.om出现AttributeError: 'AclLiteModel' object has no attribute '\_is\_destroyed' https://www.hiascend.com/forum/thread-02108170470352225079-1-1.html 中 任务六 MindSpore分布式训练报错RuntimeError: Launch kernel failed, name:Default/L2Normalize-op0 https://www.hiascend.com/forum/thread-02111170470559511089-1-1.html 中 2\. 用户根据个人意愿选择报错任务，将内容填写完整后，并将正确完整的脚本打包通过附件上传到帖子，发布在本论坛的\*\*“技术干货->功能调试”\*\*中，贴心的我们给大家提供了完成任务发帖示例：使用ops.nonzero算子报错TypeError。欢迎参考哦！！！。 3\. 将个人邮箱私信回复给本贴版主账号中，将干货链接回复到该帖子下方。 4\. 每个任务择优选取一位用户获奖。 ### **注意事项** 1\. 请勿刷帖，刷帖一律删帖并做无效参与处理。 2\. 必须保证原创，抄袭按无效参与处理。 3\. 请勿盗取他人截图或内容，一经发现做无效参与处理。 4\. 必须符合设定的格式，否则算作无效参与。 --- https://www.mindspore.cn/activities/zh/3562/ --- 活动中心 直播 | 大模型Decoding+Mindspore NLP分布式推理详解 # 直播 | 大模型Decoding+Mindspore NLP分布式推理详解 2024/12/26 # 直播 | 大模型Decoding+Mindspore NLP分布式推理详解 直播 | 大模型Decoding+Mindspore NLP分布式推理详解 --- https://www.mindspore.cn/activities/zh/3563/ --- 活动中心 昇思报错解决地图，等你来解锁拿下！ # 昇思报错解决地图，等你来解锁拿下！ 2025/01/02 # 昇思报错解决地图，等你来解锁拿下！ # **活动简介** 【MindSpore报错解决地图】作为昇思MindSpore论坛主推的常见报错案例汇总，旨在帮助用户提供常见报错的统一解决方案并极大地减少时间。为了让更多的用户了解报错解决地图，同时论坛也希望接收到多方面的用户体验反馈，现推出常见报错地图体验活动，输出详细体验评价通过审核即可获奖。欢迎一起完善昇思MindSpore报错解决地图！ # **活动时间** 2025.1.3-2025.1.12 # **参与方式** 本次活动体验内容范围：https://www.hiascend.com/developer/blog/details/0229108045633055169，包含数据处理、模型构建与训练、分布式并行等大量常见报错案例，同时该帖底部给大家提供了离线版本方便阅读。 在上述链接中留下详细体验评价：需至少满足100字内容，包含具体案例的体验过程，记录操作步骤，可展示体验截图，并最后附上对于报错地图的整体评价。（评价可以是夸奖，也可以是提建议，各种评价都欢迎~） # **活动要求** 1.评论需包含真实体验过程，不得复制粘贴，所有回复均在报错地图原帖评论区（https://www.hiascend.com/developer/blog/details/0229108045633055169 ）； 2.同时将发布的评论截图和邮箱通过私信的方式发送给活动版主。 # **奖项设置** 完成任务评价并通过审核，抽取20人，每人奖励京东自选100元奖品。 # **注意事项** 1.评价内容经审核合格后方可算数。 2.抄袭他人内容或内容疑似借助ChatGPT等大模型平台均视为无效参与。 3.本活动不得参与其他活动重复领奖。 4.最终解释权归昇思MindSpore团队所有。 --- https://www.mindspore.cn/activities/zh/3567/ --- 活动中心 昇思开发者贡献报告来了！你的贡献度超过了多少人？ # 昇思开发者贡献报告来了！你的贡献度超过了多少人？ 2024/12/31 # 昇思开发者贡献报告来了！你的贡献度超过了多少人？ 自2020年3月28日开源以来，昇思MindSpore开源社区已孵化、支持**50+**国内外主流大模型，开源版本已累计获得**1100万+**次下载，发展超过**4万**名开发者。在这感谢社区伙伴、可爱的小孢子们以及昇思MindSpore SIG组成员的支持，让昇思MindSpore成为大模型时代AI框架的新选择。 时光跌跌撞撞，季节来来往往，过去一年太多美好故事发生在昇思MindSpore，在2025年来临之际，让我们搭乘时光机，回顾在昇思MindSpore的相遇时光。 **#年度贡献报告#** 何其幸运，能与你们相遇 共度时光，收获成长快乐 现在，请与昇思MindSpore一起 翻阅属于我们的珍贵记忆 扫码生成贡献者报告 在这一年，你的贡献度超过了多少人呢？ 快来获取你的\*\*#贡献标签#\*\*吧！ **特别彩蛋**\*\*：\*\* 为感谢你在2024年对昇思MindSpore的贡献， 本报告会根据贡献度爆出**定制双肩包**一份哟! 2024，感谢您的贡献与陪伴 2025，希望依旧有您相伴同行 新年伊始，万事胜意 昇思MindSpore祝您元旦快乐 （如有疑问联系小助手mindspore\_0328） --- https://www.mindspore.cn/activities/zh/3568/ --- 活动中心 直播 | 基于Mindspore NLP的LLM应用开发实战：从零开始的RAG应用开发 # 直播 | 基于Mindspore NLP的LLM应用开发实战：从零开始的RAG应用开发 2025/01/02 # 直播 | 基于Mindspore NLP的LLM应用开发实战：从零开始的RAG应用开发 直播 | 基于Mindspore NLP的LLM应用开发实战：从零开始的RAG应用开发 --- https://www.mindspore.cn/activities/zh/3572/ --- 活动中心 福利 | 25年第一波惊喜，与昇思精彩不断！ # 福利 | 25年第一波惊喜，与昇思精彩不断！ 2025/01/06 # 福利 | 25年第一波惊喜，与昇思精彩不断！ 2025年 昇思正式迈入开源的第五年 在过去的四年中，昇思给你留下了哪些难以磨灭的印记？ 北京师范大学人工智能学院教授、副院长；信息技术新工科产学研联盟副秘书长 计卫星 从2023年开始，就围绕昇思MindSpore开展教学研究，与社区合作开展了大模型创新训练营。MindSpore在数据预处理、模型训练和推理性能上有很多优势，对计算设备的支持也比较好，因此选择了昇思MindSpore。后续将开展师资培训，推广课程建设成果，让昇思MindSpore进入更多的学校和课堂。 昇思MindSpore社区，离不开每一位开发者的贡献 为感谢大家的贡献，社区准备诸多惊喜 为25年的你续航充电 **第一弹：惊喜与惊“喜”抽奖** 点击参与抽奖，即有机会获得社区**惊喜好礼**（当然也不只有好礼，可能只有惊"喜"~） **第二弹：粉丝互动赢好礼** 关注视频号【昇思MindSpore开源社区】，并转发本文章上方任一采访视频至朋友圈，转发后截图私信公众号后台，前50位朋友即可获得**昇思定制吨吨杯**一个！ **第三弹：我和昇思的2024与2025** 在本文评论区带上标签#我和昇思的2024与2025#，写下你与昇思在2024年的回忆与2025年的展望/flag，留言点赞数量前20的朋友即可获得**机械键盘**一个！ **第四弹：昇思er的贡献年度报告** 扫码查看昇思社区2024年贡献报告，看看过去一年你的社区贡献度超过了多少人？获取你的贡献标签，即有机会获得**昇思定制双肩包**一个！ 活动时间 **2025年1月6日~1月10日上午10：00** 获奖信息 我们将在开奖后的两个工作日内**通过公众号私信获奖同学**，请注意后台信息 \*本活动的最终解释权归昇思MindSpore开源社区所有 感谢共建、贡献和关注昇思的每一个你 25年精彩继续 让我们共同期待！ 原文链接：https://mp.weixin.qq.com/s/Pd1vmYtfBXP5dyLD3NWnfA --- https://www.mindspore.cn/activities/zh/3576/ --- 活动中心 直播 | 玩转香橙派开发板--基于MindSpore的AI开发实战(模型训练+LLM推理应用) # 直播 | 玩转香橙派开发板--基于MindSpore的AI开发实战(模型训练+LLM推理应用) 2025/01/09 # 直播 | 玩转香橙派开发板--基于MindSpore的AI开发实战(模型训练+LLM推理应用) 直播 | 玩转香橙派开发板--基于MindSpore的AI开发实战(模型训练+LLM推理应用) --- https://www.mindspore.cn/activities/zh/3577/ --- 活动中心 2025年昇思干货小卖部，你投我就收！ # 2025年昇思干货小卖部，你投我就收！ 2025/01/03 # 2025年昇思干货小卖部，你投我就收！ # **活动简介** 新年新活动！昇思MindSpore2024年干货分享大会圆满结束！全年收获80+高质量技术干货，包含Tensor使用、GPT模型微调等多种类型实践总结！ 2025年我们全新升级，推出“2025年昇思干货小卖部，你投我就收！”活动，继续每月征集技术干货，欢迎各位开发者积极投稿，不断提高昇思MindSpore社区干货影响力。 # **活动时间** 01月06日——12月31日（每月统计且发奖一次，合计12期） # **活动方式** （1）干货内容：与MindSpore相关的技术干货均可参加，可以是核心框架、各类组件套件的实践使用，也可以是相关学术论文等等 干货内容必须**原创**，篇幅字数不得少于**1000字**，形式可以多样，具体要求可以参考：https://www.hiascend.com/developer/blog/details/0217101724508474050 （2）参与方式：发布完成后需及时将干货链接回复在本帖评论区： （3）同时将发布的干货链接和邮箱通过私信的方式发送给活动版主； （4）本活动将每月审核一次，审核结束后会发布获奖公告，并通过skytierXXX@163.com邮箱联系开发者； （5）另外鼓励各位开发者将干货内容转发至知乎、CSDN、开源中国等技术内容平台。 # **奖励方式** 审核通过的用户可以获得**每篇50元的京东自选奖品且累计上限为200元**！ 如有高质量/影响力大/创新性强/重大方案解决等类型干货（如总结性快问快答、漫画形式干货）将额外升级为**每篇100元的京东自选奖品且累计上限为400元**！ # **发帖指南** 1.打开昇思MindSpore论坛，如果没有账号的用户请先注册，已有账号的用户请直接登录。 2.登录上个人账号后，请点击“我要发帖子”。 3.进入帖子编辑页面，首先请点击分类框并选择，然后再编辑标题和帖子详情内容，完成编辑后点击“发布帖子”即可。 # **注意事项** 1.干货内容经审核合格后方可算数。 2.抄袭他人内容或内容疑似借助ChatGPT等大模型平台均视为无效参与。 3.本活动发布的干货不得参与其他活动重复领奖。 4.最终解释权归昇思MindSpore团队所有。 --- https://www.mindspore.cn/activities/zh/3578/ --- 活动中心 昇思报错解决地图，等你来解锁拿下！ # 昇思报错解决地图，等你来解锁拿下！ 2025/01/02 # 昇思报错解决地图，等你来解锁拿下！ # **活动简介** 【MindSpore报错解决地图】作为昇思MindSpore论坛主推的常见报错案例汇总，旨在帮助用户提供常见报错的统一解决方案并极大地减少时间。为了让更多的用户了解报错解决地图，同时论坛也希望接收到多方面的用户体验反馈，现推出常见报错地图体验活动，输出详细体验评价通过审核即可获奖。欢迎一起完善昇思MindSpore报错解决地图！ # **活动时间** 2025.1.3-2025.1.12 # **参与方式** 本次活动体验内容范围：https://www.hiascend.com/developer/blog/details/0229108045633055169，包含数据处理、模型构建与训练、分布式并行等大量常见报错案例，同时该帖底部给大家提供了离线版本方便阅读。 在上述链接中留下详细体验评价：需至少满足100字内容，包含具体案例的体验过程，记录操作步骤，可展示体验截图，并最后附上对于报错地图的整体评价。（评价可以是夸奖，也可以是提建议，各种评价都欢迎~） # **活动要求** 1.评论需包含真实体验过程，不得复制粘贴，所有回复均在报错地图原帖评论区（https://www.hiascend.com/developer/blog/details/0229108045633055169 ）； 2.同时将个人邮箱通过私信的方式发送给活动版主进行抽奖。 # **奖项设置** 完成任务评价并通过审核，抽取20人，每人奖励京东自选100元奖品。 # **注意事项** 1.评价内容经审核合格后方可算数。 2.抄袭他人内容或内容疑似借助ChatGPT等大模型平台均视为无效参与。 3.本活动不得参与其他活动重复领奖。 4.最终解释权归昇思MindSpore团队所有。 --- https://www.mindspore.cn/activities/zh/3582/ --- 活动中心 与你共享自定义“上班”新模式——2025·昇思MindSpore开源实习启动 # 与你共享自定义“上班”新模式——2025·昇思MindSpore开源实习启动 2025/01/10 # 与你共享自定义“上班”新模式——2025·昇思MindSpore开源实习启动 2025·昇思MindSpore开源实习等你来“打卡”冲榜赚积分！ 自定义“上班”新模式！拒绝通勤时间自洽， 累计积分薪资管够，多元任务难易皆有。 我们的“工作”方法： 1\. 线上实习，积累项目开发经验 线上实习，不论在家还是宿舍都可参与实习，无需早八坐班，即可参与项目开发，积累项目经验。 2\. 丰厚实习薪资，多劳多得 薪资月结，完成任务获得积分即可在次月底发放对应薪资，满20分即可获得1000元，满分100分可获得8000元（超出100分不计算薪资）。任务积分可在官网积分榜查看，让我们一起完成多项任务冲榜吧！ 3\. 任务工作多样，难度适中 多元化的实习任务难度各异，总有你的专属项。模型复现、教学案例、模型验证、工具开发、科研论文…多项任务等你来。 马上行动起来！寒假“躺赚”不“躺平”，报名详情请见海报内容。 官网页面：https://www.mindspore.cn/internship 任务页面：https://gitee.com/mindspore/community/issues/IAUJE8 --- https://www.mindspore.cn/activities/zh/3585/ --- 活动中心 MindSpore社区活动：MSPN新玩法之人体关键点检测 # MindSpore社区活动：MSPN新玩法之人体关键点检测 2025/01/21 # MindSpore社区活动：MSPN新玩法之人体关键点检测 ## ******奖励规则****** **发帖审核通过的用户可以获得50\*\*\*\*元的京东自选奖品** ## ******活动时间****** **2025年01月21日——2025年02月04日** ## ******参与方式****** **1、加入CSDN的昇思MindSpore社区，将已加入的用户名和昇思MindSpore信息进行截图。如图：** **2、体验昇思MindSpore官网中的“****MSPN新玩法之人体关键点检测****”**，**并记录体验过程。** **3、将前两步的截图和体验过程发布为一篇个人博客,并在昇思MindSpore论坛同步发帖子（发帖指南可参考：技术干货怎么发？看这里！）。** **4、将个人的博客链接和论坛帖子链接回复在活动帖下方即可。** **5、符合要求的前6名可获得奖励，先下手为强哦！！！** ## ******注意事项****** **1、请勿盗用他人截图、内容等，一经发现无效参与。** **2、请勿在本帖下方刷帖，否则做无效处理。** **3、一个账号只可以参与一次。** **4、最终解释权归MindSpore团队所有。** --- https://www.mindspore.cn/activities/zh/3586/ --- 活动中心 MindSpore论坛报错活动第三十一期 # MindSpore论坛报错活动第三十一期 2025/01/22 # MindSpore论坛报错活动第三十一期 ### **奖励规则** **1、每个任务难度等级不同，完成不同等级任务获得对应的奖励！** ·难度等级：易，可获得50元京东自营自选； ·难度等级：中，可获得100元京东自营自选； **2、若被选为优秀案例，奖品奖励将会在原来基础上升级！** ·原本’难度等级：易‘的可在’难度等级：中‘的奖品中选择； ·原本’难度等级：中‘的可获得150元京东自营自选。 ### **活动时间** **2025年01月22日——2025年02月04日** **活动方式** 1\. 已发布6个报错任务在论坛的“活动体验板块”，完成其中的一个或多个。 序号 任务帖名称 任务帖链接 难度等级 任务一 qwen1.5-0.5b推理报错Launch kernel failed, kernel full name: Default/ScatterNdUpdate-op0 https://www.hiascend.com/forum/thread-02111172891912905255-1-1.html 易 任务二 使用.om格式模型结合gradio框架进行推理出现模型执行错误 https://www.hiascend.com/forum/thread-02108172892036926245-1-1.html 易 任务三 使用model仓库的YOLOV5训练没有混合精度配置 https://www.hiascend.com/forum/thread-02111172892287743256-1-1.html 中 任务四 Mindspore\_lite端侧模型转换将YOLOV8模型转换为ms模型失败 https://www.hiascend.com/forum/thread-0215172892465774272-1-1.html 中 任务五 使用Modelarts训练yolov5出现报错TypeError: modelarts\_pre\_process() missing 1 required positional argument:’args’ https://www.hiascend.com/forum/thread-0215172892530590273-1-1.html 中 任务六 使用mint.masked\_select在图模式下报错Parse Lambda Function Fail. Node type must be Lambda, but got Call. https://www.hiascend.com/forum/thread-02111172892683465257-1-1.html 中 2\. 用户根据个人意愿选择报错任务，将内容填写完整后，并将正确完整的脚本打包通过附件上传到帖子，发布在本论坛的\*\*“技术干货->功能调试”\*\*中，贴心的我们给大家提供了完成任务发帖示例：使用ops.nonzero算子报错TypeError。欢迎参考哦！！！。 3\. 将个人邮箱私信回复给本贴版主账号中，将干货链接回复到该帖子下方。 4\. 每个任务择优选取一位用户获奖。 ### **注意事项** 1\. 请勿刷帖，刷帖一律删帖并做无效参与处理。 2\. 必须保证原创，抄袭按无效参与处理。 3\. 请勿盗取他人截图或内容，一经发现做无效参与处理。 4\. 必须符合设定的格式，否则算作无效参与。 --- https://www.mindspore.cn/activities/zh/3588/ --- 活动中心 中国物理学会-量子科技长三角产业创新中心-MindSpore Quantum学术奖励基金（二期）申请指南 # 中国物理学会-量子科技长三角产业创新中心-MindSpore Quantum学术奖励基金（二期）申请指南 2025/01/22 # 中国物理学会-量子科技长三角产业创新中心-MindSpore Quantum学术奖励基金（二期）申请指南 《中国物理学会-量子科技长三角产业创新中心-MindSpore Quantum学术奖励基金》是由中国物理学会、量子科技长三角产业创新中心和昇思MindSpore共同发起，致力于面向高校及科研院所的量子计算学者搭建学术交流平台，提供资金和技术支持、促进合作，推动开源量子计算软件在量子信息领域的广泛应用，并支持基于开源量子计算软件框架的国内外高水平期刊和会议的学术论文发表，激励原创性科学研究开展，为未来量子计算产业储备人才，构建中国量子计算研究的全球影响力。 **研究方向** 基金支持研究人员围绕MindSpore Quantum开源软件在量子信息学前沿领域研究的应用，方向包括但不限于量子模拟、量子机器学习、量子优化算法等。上述建议方向说明如下： **建议方向** **说明** 量子模拟 利用量子计算机解决量子化学模拟、量子多体模拟等问题 量子机器学习 利用量子-经典混合算法解决机器学习等问题 量子优化算法 利用量子算法来解决物流、交通等组合优化问题 其他 其他量子计算及量子信息相关领域的创新研究 **资助和奖励计划** **1\. 资助计划** 为了支持项目开展，在项目规定的结题时间内提交论文，并通过基金技术管理委员会的审核，即可获得1万元人民币资助（税前），由入选项目的申请人自由支配，当期计划支持项目数量不超过30个。 **2\. 优秀成果奖励** 论文发表后，基金技术管理委员会组织评选，根据论文发表期刊/会议的影响力、项目成果的创新性等因素，进行优秀成果评选。 优秀成果奖励分三类： **类别** **奖励金额** **（元人民币）** **奖励数量** A+类 3万 ≤5个 A类 2万 ≤5个 B类 1万 ≤5个 **基金项目申报流程** **1.项目周期说明**（以下为计划时间） 项目申请开始日期 2025年1月22日 项目申请截止日期 2025年2月23日 中选项目发布日期 2025年3月7日 项目合同签署开始日期 2025年3月10日 项目完成截止日期 2026年3月31日 项目优秀成果评审 2026年6月30日 基金项目从2025年1月起到2026年6月结束，项目期间受资助人须定期在项目沟通群中及时汇报论文进展。 基金的资助计划是要求受资助人在项目规定的结题时间前（2026年3月31日）完成项目成果的发表或上传arXiv网站公开。委员会将会组织受资助人的项目结题评审，评审结果公示后，在约定日期内向受资助人发放论文资助基金。 基金的优秀成果奖励是要求受资助人在项目规定的评优时间前（2026年6月30日）完成项目成果的发表（被期刊接收或已公开发表），如有特殊情况需要申请延期，须向委员会提交申请。委员会将会组织受资助人的优秀成果评审，评审结果公示后，择优发放论文奖励基金。 **2.申请条件** 本基金将面向高校/科研院所的在职教师或研究人员（包括博士后）和在读博士研究生。 **3.申请方式** 申请者填写《项目申请书》，上传至指定邮箱：hanshuai@tgqs.net，每位申请人限提交一份申请。 扫二维码查看附件 **4.资助项目评审** 该基金依托量子科技长三角产业创新中心运作，由技术管理委员会负责监督计划实施和项目评审；经过委员会确认授予资助的研究项目需签署合同生效。 联系人：韩老师，电话17510441300 **交付成果及知识产权** 基金赞助的交付成果和受资助人学术论文的知识产权的权利归属受资助人所有，具体细节以量子科技长三角产业创新中心与受资助人签署的项目合同为准。 1.受资助项目所产生的代码必须在Gitee或Github开源代码托管平台上以Apache License 2.0协议进行开源，推荐mindquantum代码仓： https://gitee.com/mindspore/mindquantum 2.受资助者需在其论文中注明该项目的开源代码地址。 本指南具体解释权归本基金技术管理委员会。 --- https://www.mindspore.cn/activities/zh/3594/ --- 活动中心 你有一份限量蛇年红包封面待领取！ # 你有一份限量蛇年红包封面待领取！ 2025/01/26 # 你有一份限量蛇年红包封面待领取！ 每条大街小巷 每个人的嘴里 见面第一句话 就是恭喜恭喜 宝子们，春节的氛围已经拉满啦！过去的一年，感谢各位对昇思社区的支持与贡献，你们的每一份付出，都为昇思的成长添砖加瓦。 在这个喜气洋洋的时刻，昇思的仪式感怎能缺席？让我们一起在新春的钟声里，开启新的征程，续写昇思的辉煌篇章！ **昇思限定红包封面，独特祝福送不停！** 新年没有“互联网年货”——红包封面， 那可就太 “out” 啦！ 昇思MindSpore蛇年限定红包封面限量派送中！ 祝您蛇来运转，巳巳如意！ **关注昇思视频号抽奖，锦鲤附体不是梦！** 从现在起，扫下方二维码关注昇思 MindSpore 官方视频号，锦鲤附体不是梦！参与方式超简单，**关注下方视频号账号**，将随机**抽取10位**关注的粉丝**赠送定制电脑支架！** （公布方式：将在2月7日在视频号公布，并私信锦鲤粉丝。） 感谢每一位昇思小伙伴的关注和互动！ 2025年，祝大家 昇龙活虎蛇添力，思如涌泉福如潮！ --- https://www.mindspore.cn/activities/zh/3616/ --- 活动中心 直播 | 看昇思MindSpore如何实现高维张量并行与模型蒸馏 # 直播 | 看昇思MindSpore如何实现高维张量并行与模型蒸馏 2025/02/20 # 直播 | 看昇思MindSpore如何实现高维张量并行与模型蒸馏 昇思MindSpore易用性SIG技术分享会新年第一期！2月22日周六上午10点，四位昇思MindSpore布道师与你分享开发心得。 话题一介绍MindSpore框架中处理多维张量的关键组件mint模块，深入探讨如何构建较为系统化的测试方案，并提供自测修复Bug的工程化方法；话题二分析张量并行的一种改进方法——高维张量并行，旨在增加张量切分的自由度，以期在最优配置下获得最低集合通信代价与最高计算效率；话题三分享一种高效的噪声缓解变分量子本征求解器，用于在嘈杂环境中精确计算分子基态能量；话题四讲解模型蒸馏的基本原理以及基于昇思MindSpore框架的模型蒸馏具体实践。 欢迎各位开发者前来直播间探讨开发中遇到的问题与经验！ --- https://www.mindspore.cn/activities/zh/3617/ --- 活动中心 MindSpore社区活动：基于MindSpore框架实现one-stage目标检测模型SSD # MindSpore社区活动：基于MindSpore框架实现one-stage目标检测模型SSD 2025/02/18 # MindSpore社区活动：基于MindSpore框架实现one-stage目标检测模型SSD ## ******奖励规则****** **发帖审核通过的用户可以获得60\*\*\*\*元的京东自选奖品** ## ******活动时间****** **2025年02月18日——2025年03月02日** ## ******参与方式****** **1、加入CSDN的昇思MindSpore社区，将已加入的用户名和昇思MindSpore信息进行截图。如图：** **2、体验昇思MindSpore官网中的“****基于MindSpore框架的SSD案例实现****”**，**并记录体验过程。** **3、将前两步的截图和体验过程发布为一篇个人博客,并在昇思MindSpore论坛同步发帖子（发帖指南可参考：技术干货怎么发？看这里！）。** **4、将个人的博客链接和论坛帖子链接回复在活动帖下方即可。** **5、符合要求的前6名可获得奖励，先下手为强哦！！！** ## ******注意事项****** **1、请勿盗用他人截图、内容等，一经发现无效参与。** **2、请勿在本帖下方刷帖，否则做无效处理。** **3、一个账号只可以参与一次。** **4、最终解释权归MindSpore团队所有。** --- https://www.mindspore.cn/activities/zh/3622/ --- 活动中心 MindSpore论坛报错活动第三十二期 # MindSpore论坛报错活动第三十二期 2025/02/21 # MindSpore论坛报错活动第三十二期 ### **奖励规则** **1、每个任务难度等级不同，完成不同等级任务获得对应的奖励！** ·难度等级：易，可获得50元京东自营自选； ·难度等级：中，可获得100元京东自营自选； **2、若被选为优秀案例，奖品奖励将会在原来基础上升级！** ·原本’难度等级：易‘的可在’难度等级：中‘的奖品中选择； ·原本’难度等级：中‘的可获得150元京东自营自选。 ### **活动时间** **2025年02月22日——2025年03月09日** **活动方式** 1\. 已发布6个报错任务在论坛的“活动体验板块”，完成其中的一个或多个。 序号 任务帖名称 任务帖链接 难度等级 任务一 使用mindspore.ops.Bernoulli在昇腾设备上训练报错RuntimeError: Sync stream failed:Ascend\_0 https://www.hiascend.com/forum/thread-02113175507280578102-1-1.html 易 任务二 MindSpore Lite模型推理报错 LoadModelFromFileInner\] Load model from file failed https://www.hiascend.com/forum/thread-02112175507733994114-1-1.html 易 任务三 GRAPH\_MODE下运行ms\_tensor = mint.ones\_like(input\_tensor, dtype=dtype)报错The pointer\[device\_address\] is null. https://www.hiascend.com/forum/thread-02113175507885369103-1-1.html 易 任务四 使用mindspore.mint.where()报错The supported input and output data types for the current operator are: node is Default/Bitwis https://www.hiascend.com/forum/thread-0292175508149932114-1-1.html 中 任务五 使用mint.index\_select 在图模式下求梯度报错AssertionError https://www.hiascend.com/forum/thread-02113175508561091104-1-1.html 中 任务六 使用mindspore.mint.gather函数计算出的结果错误 https://www.hiascend.com/forum/thread-02113175508678755105-1-1.html 中 2\. 用户根据个人意愿选择报错任务，将内容填写完整后，并将正确完整的脚本打包通过附件上传到帖子，发布在本论坛的\*\*“技术干货->功能调试”\*\*中，贴心的我们给大家提供了完成任务发帖示例：使用ops.nonzero算子报错TypeError。欢迎参考哦！！！。 3\. 将个人邮箱私信回复给本贴版主账号中，将干货链接回复到该帖子下方。 4\. 每个任务择优选取一位用户获奖，活动结果将会在用户的参与帖下方评论通知，并通过私信进行联系。 ### **注意事项** 1\. 请勿刷帖，刷帖一律删帖并做无效参与处理。 2\. 必须保证原创，抄袭按无效参与处理。 3\. 请勿盗取他人截图或内容，一经发现做无效参与处理。 4\. 必须符合设定的格式，否则算作无效参与。 --- https://www.mindspore.cn/activities/zh/3623/ --- 活动中心 直播 | 海外专家带你看GEMCODE在生物医学领域的高效性能 # 直播 | 海外专家带你看GEMCODE在生物医学领域的高效性能 2025/02/21 # 直播 | 海外专家带你看GEMCODE在生物医学领域的高效性能 2月24日19点，昇思MindSpore SPONGE SIG技术分享会海外专家场开讲！本期我们邀请到俄罗斯ITMO大学副教授Nikolay Nikitin（ITMO即圣彼得堡国立信息技术机械与光学大学，在科技工程之相关领域常年居于领先地位），带来AI辅助药物与共晶体设计管线的议题技术分享，共结晶是一种调控有机晶体物理化学特性的有效方法，在生物医学领域具有广泛的应用，为此我们提出了GEMCODE，一种基于生成式人工智能和进化优化的自动化共晶筛选新流程，我们将为大家讲解工作原理和实验研究成果。 昇思MindSpore开源社区与你相约下周一19点，我们不见不散！ --- https://www.mindspore.cn/activities/zh/3626/ --- 活动中心 【实战演练】开发基于昇思MindSpore Demo，昇思Demo制作人C位出道吧！ # 【实战演练】开发基于昇思MindSpore Demo，昇思Demo制作人C位出道吧！ 2025/02/24 # 【实战演练】开发基于昇思MindSpore Demo，昇思Demo制作人C位出道吧！ 想搞“狠活”项目，却又无从下手？ 想搞点“DeepSeek+”，却缺个官方认证的舞台秀？ 想更好的利用昇思MindSpore框架，而苦思冥想？ **稳住！昇思MindSpore带着“双弹福利”空降了！** **别问，问就是“开发者の春天”——算力管够、激励丰富、项目直接C位出道！** ### **第一弹：C\*\*\*\*all for Demo，来做昇思Demo制作人吧！** 昇思MindSpore喊你来搞点**真·硬核实战**！医疗诊断、工业质检、AIGC狂飙……在线征集基于昇思MindSpore学习型项目案例！无论是基于MindSpore的DeepSeek项目，还是开发「AI健身教练」「智能垃圾分类」等接地气项目，只要技术够硬，统统来战！ **活动亮点** **领域任选**：工业、医疗、金融、传统文化……你的脑洞就是下一个行业痛点解决方案！ **算力白嫖**：昇思大模型平台Jupyter Notebook直接开肝，CPU/Ascend算力管够！ **奖励拉满（可多个项目叠加激励）**： 1. \*\*项目精选奖：\*\*每个通过验收项目，可获得价值400元京东自选礼品（特别激励：**DeepSeek+MindSpore/InternLM+MindSpore项目**为500元京东自选礼品） 2. \*\*项目视频奖：\*\*每个通过验收视频，可获得价值100元的京东自选礼品 3. \*\*项目文章奖：\*\*每篇通过验收的技术文档，可获得价值50元的京东自选礼品 4. \*\*社区课程出品人：\*\*优秀项目直接“出道”成官方教程，全网露脸！ **开发灵感参考** 1. **个性化学习辅导系统** 2. **胸部X光片肺炎病灶区域分割** 3. **变电站设备铭牌多语言识别** **参与姿势** ### **第二弹：模型也疯狂！** MindSpore NLP套件是基于昇思MindSpore的开源NLP库。海量与训练模型支持、全面的数据处理、友好的NLP模型工具集、易用的API、对接HuggingFace生态，顺应科研/开发者使用习惯。 本任务邀请社区开发者参与模型迁移挑战，将指定模型基于MindSpore NLP套件进行模型权重迁移，并上传至魔乐社区和大模型平台，共同丰富套件模型资源！ **活动亮点** **简单粗暴**：认领任务→迁移模型→上传模型→获得激励！ **规则贴心**：一次只肝一组，拒绝“多线程翻车”！ **参与姿势** ### **通用须知** 1. **活动截止日期**：2025.3.28 2. **活动验收公示**：2025.4.15 **昇思双弹已就位，就等你来“炸场”！** --- https://www.mindspore.cn/activities/zh/363/ --- 活动中心 零距离初探MindSpore！直播课程报名开启！ # 零距离初探MindSpore！直播课程报名开启！ 2020/12/30 # 零距离初探MindSpore！直播课程报名开启！ 零距离初探MindSpore直播课程将于**12月30日19:00-20:30**开课，本次课程将\*\*更加专注于人工智能领域的学习与实践，\*\*此次邀请到CCF公司会员-华为的MindSpore资深架构师于璠博士及团队成员，带领大家在Windows平台使用MindSpore训练一个垃圾分类模型，快速了解MindSpore模型训练流程以及图像分类训练的知识点。现场还会带领大家安装并体验MindSpore Lite，将一个图像分类应用端到端开发编译，部署到手机上。 ## 论坛时间 12月30日（星期三）19:00-20:30 ## 参加方式 1\. 报名网址：https://conf.ccf.org.cn/mq201230 扫描下方二维码**报名参会** 2\. 扫描下方二维码，**加入直播活动交流群**（为避免资源浪费，请只加入其中一个群） ## 课程准备 云侧垃圾分类案例环境准备： 请按照MindSpore官网介绍，在CPU环境的Windows系统上安装MindSpore 请提前准备好MindSpore运行环境及下载Model Zoo中MobileNetV2代码、数据集、以及预训练模型。 端侧图像分类应用部署案例环境准备： 1\. 请提前下载MindSpore Lite图像分类Demo代码 https://gitee.com/mindspore/mindspore/tree/master 2\. 在Windows系统中安装下方列出的运行依赖项： Android Studio >= 3.2 (推荐4.0以上版本) NDK >= 21.3 CMake >= 3.10 Android SDK >= 26 3\. 准备安卓系统手机与数据线。 ## 特别福利 积极参与课程互动有机会**获得**华为公司为大家准备的**精美小礼品**！ 扫描下方二维码加入MindSpore项目 --- https://www.mindspore.cn/activities/zh/3634/ --- 活动中心 直播 | 基于昇思MindSpore的Janus-Pro开发实战 # 直播 | 基于昇思MindSpore的Janus-Pro开发实战 2025/03/04 # 直播 | 基于昇思MindSpore的Janus-Pro开发实战 明晚19点，昇思MindSpore布道师非常work带来基于昇思MindSpore的Janus-Pro开发实战，从MindSpore适配到部署推理，全流程演示带你深度探索 DeepSeek 模型开发全流程。更有惊喜好礼等你拿。 昇思MindSpore开源社区与你相约B站直播间，我们不见不散！ --- https://www.mindspore.cn/activities/zh/3638/ --- 活动中心 直播 | 零基础实战：使用香橙派开启昇思MindSpore训推一体实践之旅 # 直播 | 零基础实战：使用香橙派开启昇思MindSpore训推一体实践之旅 2025/03/08 # 直播 | 零基础实战：使用香橙派开启昇思MindSpore训推一体实践之旅 # **一\*\*\*\*昇思开放麦·征集令** 如果你也有基于昇思MindSpore的实践项目，想要分享开发过程中学习心得、技术分享或是成功案例，欢迎联系我们，社区将为你搭建分享平台，同时还能获得丰厚激励。 - 投稿小助手：mindspore\_0328 # **二\*\*\*\*Call for Demo** 昇思MindSpore喊你来搞点**真·硬核实战**！医疗诊断、工业质检、AIGC狂飙……在线征集基于昇思MindSpore学习型项目案例！无论是基于MindSpore的DeepSeek项目，还是开发「AI健身教练」「智能垃圾分类」等接地气项目，只要技术够硬，统统来战！ --- https://www.mindspore.cn/activities/zh/3640/ --- 活动中心 基于昇思实现古画修复？「昇思文旅SIG创新技术学习交流会」火热报名中 # 基于昇思实现古画修复？「昇思文旅SIG创新技术学习交流会」火热报名中 2025/03/17 # 基于昇思实现古画修复？「昇思文旅SIG创新技术学习交流会」火热报名中 你可能不知道，在昇思社区，有一个很有意思的SIG，他们像一群探险家，正在用AI的钥匙，探索着智能文旅的边界。 他们正在基于昇思MindSpore AI框架和昇腾硬件对遭受人为破坏或意外火灾的古画进行修复。通过基于边缘先验信息的修复、基于双编码器和上下文信息的修复、大面积破损修复、文本引导的多模态修复等智能方法，为古画数字化修复提供了多维度的智能解决方案。 基于边缘先验信息的修复方法借鉴手工修复古画中先补全轮廓再局部上色的工作流程，在修复破损古画时表现出色彩一致、线条清晰和细节丰富的优势；基于双编码器和上下文信息的修复方法摆脱对边缘先验信息的依赖，能够更加完整的修复古画破损区域的纹理细节。 大面积破损修复方法通过构造空间傅里叶卷积，能够显著改善大面积破损修复中出现的细节丢失、纹理模糊、线条缺失以及颜色不合理填充等问题；多模态修复利用文本等专家经验信息，通过潜在扩散模型的微调，构造文本提示下的古画修复与编辑模型，实现了可解释可参与的古画修复与重新创作。 （点击链接进行观看） 此外，他们在书画文物的数智化活化方面也做了很多有趣的实验，希望通过AI的力量助力文旅行业的发展。 围绕昇思Mindspore和文旅主题，MindSpore Cultural Tourism SIG（文旅SIG）与民歌智能计算与服务技术文旅部重点实验室将于**3月29日**在**陕西师范大学雁塔校区**举办\*\*《昇思文旅SIG创新技术学习交流会》\*\*。本次会议面向所有对AI文旅感兴趣的你，希望通过学习昇思MindSpore的最新技术路线与基于昇思的DeepSeek实践，学习AI文旅的有趣案例与实践，共同孵化基于昇思的文旅创新应用。 --- https://www.mindspore.cn/activities/zh/3643/ --- 活动中心 昇思框架×昇腾开发板：DeepSeek蒸馏版与多模态模型部署全流程实践 # 昇思框架×昇腾开发板：DeepSeek蒸馏版与多模态模型部署全流程实践 2025/03/12 # 昇思框架×昇腾开发板：DeepSeek蒸馏版与多模态模型部署全流程实践 3月7日，在昇腾AI开发者创享日·浙江站分论坛上，以"用昇思框架玩转DeepSeek开发实战" 为主题的昇腾开发板集训营火热开课。活动吸引了来自高校师生与企业技术骨干的550余名开发者踊跃报名，最终70余名开发者通过筛选获得现场参与资格，共同开启昇腾开发板深度实践之旅。 培训中，昇思布道师非常work老师、Selina老师和香橙派系统工程师徐洋帆老师以深入浅出、详实风趣的讲演，吸引了现场每一位开发者。活动通过技术解析、模型适配实战与开发实操相结合的形式，深度展示了昇腾AI技术栈在边缘计算场景的创新应用。在深入体验香橙派开发板之后，大家纷纷表示不仅对开发有了更透彻的领悟，还燃起了创作创新的热情。 本场昇腾开发板集训营系统讲解了昇腾AI基础软硬件和昇思MindSpore架构设计，深入剖析了Janus-Pro模型的结构特征、演进路径及推理机制，重点阐述了基于香橙派硬件平台与MindSpore框架的模型适配方案，通过算子适配、内存管理、性能优化等关键技术环节的实践验证，构建起端侧高效推理解决方案。 昇思MindSpore布道师对MindSpore在香橙派开发板上的能力支持做了详细的说明，目前昇思MindSpore AI框架已实现在香橙派AIpro开发板预置，并在官方网站上线开发指导教程，通过软硬结合，使能开箱即用模型，并**提供模型全流程**使能套件，实现积木式开发。不仅支持CV、NLP等小模型，同时满足小规格大模型（如DeepSeek-R1-Distill-Qwen-1.5B、DeepSeek-Janus-Pro-1B等）。开发过程中，动态图+类HuggingFace的编程方式给开发者提供更为灵活友好的模型开发与调试体验，而通过三行代码即可实现jit即时编译，获得更有的执行性能。 同时，活动有幸邀请到了香橙派系统工程师徐洋帆老师介绍了香橙派AIpro和AI Studio开发板的设计、能力和相关资源。 最后设置的全流程实践环节，以香橙派为载体，通过环境配置、模型下载、推理验证等实操步骤，让开发者们沉浸式体验了基于MindSpore的DeepSeek Janus Pro模型在香橙派AIpro开发板上的完整部署流程。 培训内容分为三个主要部分，讲师们首先从DeepSeek的Janus-Pro模型介绍、MindSpore框架在香橙派上的适配问题和解决方案进行介绍，并对开发者在开发板上的部署和推理过程进行悉心指导。 首先，在Janus-Pro模型介绍部分，培训重点介绍了模型的双任务统一（多模态理解和生成），以及其架构上的创新。Janus-Pro通过分离理解和生成的编码器，解决了传统方法中的问题，并利用LLaMa结构实现统一，提升效率和复用性。 第二部分在讲解MindSpore框架适配时，谈到接口转换、调试和性能优化等具体事项。在接口转换方面，讲师们提示，MindSpore NLP套件提供了兼容方案，用于处理MindSpore与PyTorch的接口差异。调试时建议使用动态图和同步模式，处理算子缺失问题。 第三部分在介绍部署流程时，培训提到系统烧录的注意事项，环境变量的重要性，以及在香橙派上运行时的特殊考虑，如FP16支持和swap设置等。同时，讲师们提醒开发者根据指导手册进行操作，并注意常见问题的解决方法。 在其后的QA互动环节，开发者围绕模型部署与性能优化等问题展开了针对性提问。讲师们通过直面端侧部署痛点，通过内存管理、性能分析与集群扩展等实践问题的讲解，为开发者提供了可落地的优化思路与资源渠道，强化了昇思MindSpore在端侧场景的工程实践能力。 本次技术分享通过理论与实践深度结合的形式，为开发者搭建了一条基于昇思MindSpore从模型原理到端侧部署的完整技术路径。开发者不仅掌握了Janus-Pro双编码器架构的创新逻辑，更通过香橙派开发板亲身体验了昇腾软硬件协同优化的全流程。昇思MindSpore联合香橙派，助力开发者创新AI算法，加速落地应用，未来昇思MindSpore将联合昇腾社区与香橙派，提供更丰富完善的模型案例与课程，欢迎感兴趣的开发者一同参与，基于昇思MindSpore+香橙派AIpro构建昇腾软硬件协同的模型和应用。 --- https://www.mindspore.cn/activities/zh/3646/ --- 活动中心 昇思五日谈 | 5场直播，深度解析昇思支持DeepSeek训推全流程核心技术 # 昇思五日谈 | 5场直播，深度解析昇思支持DeepSeek训推全流程核心技术 2025/03/17 # 昇思五日谈 | 5场直播，深度解析昇思支持DeepSeek训推全流程核心技术 昇思MindSpore开源社区即将迎来开源五周年，五载开源路，初心未改；万千开发者，同行致远！为回馈开发者长期以来的支持与热爱，我们以一场硬核技术盛宴回馈社区——「昇思五日谈」专题直播重磅上线！5场直播带你揭秘昇思MindSpore大模型训练与推理关键技术，助力开发者抢占AI技术高地！ --- https://www.mindspore.cn/activities/zh/3653/ --- 活动中心 你有一封MindSpore Developer Day 2025邀请函，请查收 # 你有一封MindSpore Developer Day 2025邀请函，请查收 2025/03/21 # 你有一封MindSpore Developer Day 2025邀请函，请查收 你有一封MindSpore Developer Day 2025邀请函，请查收 --- https://www.mindspore.cn/activities/zh/3654/ --- 活动中心 昇思五日谈·直播 | MindSpore大模型流水并行自动负载均衡技术 # 昇思五日谈·直播 | MindSpore大模型流水并行自动负载均衡技术 2025/03/23 # 昇思五日谈·直播 | MindSpore大模型流水并行自动负载均衡技术 昇思五日谈·直播 | MindSpore大模型流水并行自动负载均衡技术 **更多「昇思五日谈」直播议程：** --- https://www.mindspore.cn/activities/zh/3656/ --- 活动中心 昇思五日谈·直播 | 昇思MindSpore支持DeepSeek-V3训练加速关键技术 # 昇思五日谈·直播 | 昇思MindSpore支持DeepSeek-V3训练加速关键技术 2025/03/24 # 昇思五日谈·直播 | 昇思MindSpore支持DeepSeek-V3训练加速关键技术 昇思五日谈·直播 | 昇思MindSpore支持DeepSeek-V3训练加速关键技术 --- https://www.mindspore.cn/activities/zh/3658/ --- 活动中心 昇思五日谈·直播 | MindSpore RLHF套件针对强化学习及R1场景的实现及优化 # 昇思五日谈·直播 | MindSpore RLHF套件针对强化学习及R1场景的实现及优化 2025/03/25 # 昇思五日谈·直播 | MindSpore RLHF套件针对强化学习及R1场景的实现及优化 昇思五日谈·直播 | MindSpore RLHF套件针对强化学习及R1场景的实现及优化 更多「昇思五日谈」直播议程： --- https://www.mindspore.cn/activities/zh/366/ --- 活动中心 年终回馈，一份专属于小孢子们的福利！ # 年终回馈，一份专属于小孢子们的福利！ 2020/12/31 # 年终回馈，一份专属于小孢子们的福利！ 最新资讯：MindSpore喜获由中国开源云联盟颁发的2020年中国优秀开源项目↓ 即将告别2020，迎来2021，为感谢小孢子们的信任与支持，MindSpore准备发起一场抽奖活动，活动奖品包含↓ 《深度学习与MindSpore实践》+ MindSpore定制数据线 + MindSpore定制帆布袋 20份； MindSpore定制数据线 + MindSpore定制帆布袋 20份； MindSpore定制T恤 + MindSpore定制帆布袋 20份。 活动说明 本次活动联合了「**昇腾开发者**」公众号共同发起，微信扫描下面两个二维码回复**抽奖**可分别获得一张抽奖码， **扫描两个抽奖码****中奖率****翻倍**，点击参与列表还可以查看自己的中奖概率排名。 活动规则 抽奖规则如下，请仔细阅读： 1\. 本次活动面向公众号的读者，非公众号读者参与无效。 2\. 扫二维码，**关注**订阅号，发送「**抽奖**」参与！ 3\. 2021 年 01月 01 日 12:00 自动开奖。 4\. 中奖后请第一时间添加小助手微信： **mindspore0328** 备注：**抽奖** 开奖后 1 日未联系者视为放弃兑奖哦~ 参与方式 扫描下方二维码 **MindSpore** 扫码发送「**抽奖**」抽奖品 **昇腾开发者** 扫码发送「**抽奖**」抽奖品 --- https://www.mindspore.cn/activities/zh/3660/ --- 活动中心 启动报名！第七届·2025 MindSpore量子计算黑客松全国大赛，以赛启智，逐梦量子前沿！ # 启动报名！第七届·2025 MindSpore量子计算黑客松全国大赛，以赛启智，逐梦量子前沿！ 2025/03/25 # 启动报名！第七届·2025 MindSpore量子计算黑客松全国大赛，以赛启智，逐梦量子前沿！ “第七届·2025 MindSpore量子计算黑客松全国大赛”火热来袭！热身赛、量子组合优化、量子误差缓解、量子启发算法赛道已发布赛题。无论您是初学小白，还是技术达人，参赛即有收获！诚邀报名参赛，勇攀量子世界的高峰，挑战黑客松年度总冠军，赢取属于你的荣誉和机遇！ **\# 01** **赛事海报** 关于本次大赛，我们已为你整理总结了赛事安排、奖项设置等选手关注的信息，点击下方海报查看。 **\# 02** **参赛报名！加入赛事交流群** 1、扫描下方二维码即可报名 大赛官网报名二维码 2、点击文章下方 **“阅读原文”** ，可跳转至大赛官网可直接报名 想要了解更多赛事详情？想要与志同道合的伙伴们一起探讨创新方案？快来扫码加入我们的交流群吧！ 回复\*\*“量子黑客松”\*\*进入交流群 **大赛重要节点通知会在群内第一时间发布，请所有报名选手务必加群。** **\# 03** **赛事附录** 历届黑客松选手作品代码仓地址：https://gitee.com/mindspore/mindquantum/tree/research/hackathon MindSpore Quantum量子软件编程精品课：https://www.koushare.com/live/details/37650 **往期回顾** 第六届·2024 MindSpore量子计算黑客松全国总决赛！ 第五届·2023 MindSpore量子计算黑客松全国总决赛！ --- https://www.mindspore.cn/activities/zh/3662/ --- 活动中心 昇思五日谈·直播 | MindSpore Transformers端到端支持蒸馏微调训练 # 昇思五日谈·直播 | MindSpore Transformers端到端支持蒸馏微调训练 2025/03/26 # 昇思五日谈·直播 | MindSpore Transformers端到端支持蒸馏微调训练 昇思五日谈·直播 | MindSpore Transformers端到端支持蒸馏微调训练 更多「昇思五日谈」直播议程： --- https://www.mindspore.cn/activities/zh/3665/ --- 活动中心 直播 | 看昇思MindSpore“新法宝”如何轻松搞定模型迁移和原生开发 # 直播 | 看昇思MindSpore“新法宝”如何轻松搞定模型迁移和原生开发 2025/03/27 # 直播 | 看昇思MindSpore“新法宝”如何轻松搞定模型迁移和原生开发 3月29日（本周六）上午10点，昇思MindSpore易用性SIG技术分享会等你参加！5位开发者带你看昇思MindSpore技术干货。话题一介绍通过自动化的用例检测接口的输入输出是否符合设计规范，验证接口的容错能力与错误提示的准确性；话题二讲解msprobe精度工具的核心功能及其在典型精度问题定位中的应用方法论，同时深入讲解MindSpore Profiler的全栈性能分析能力；话题三分享基于Transformer的Bark模型，该模型的技术方法基于论文VALL-E与AudioLM，本话题将重点聚焦于该技术在MindNLP框架上的适配；话题四分析基于MACD指标（移动平均收敛散度）构建的交易策略，并使用历史数据进行回测。 本期昇思MindSpore技术分享会将在【MindSpore官方】 B站直播间和腾讯会议同步直播，欢迎各位开发 --- https://www.mindspore.cn/activities/zh/3666/ --- 活动中心 昇思五日谈·直播 | MindSpore加速DeepSeek-V3/R1推理关键技术 # 昇思五日谈·直播 | MindSpore加速DeepSeek-V3/R1推理关键技术 2025/03/27 # 昇思五日谈·直播 | MindSpore加速DeepSeek-V3/R1推理关键技术 昇思五日谈·直播 | MindSpore加速DeepSeek-V3/R1推理关键技术 --- https://www.mindspore.cn/activities/zh/3667/ --- 活动中心 模力方舟联合昇腾与昇思，创新应用挑战第一期开启报名！ # 模力方舟联合昇腾与昇思，创新应用挑战第一期开启报名！ 2025/04/01 # 模力方舟联合昇腾与昇思，创新应用挑战第一期开启报名！ 又一个大型 AI 应用开发活动来了！ 模力方舟携手昇腾与昇思，重磅推出本次\*\*\*\*「昇腾赋能，智启未来」创新应用挑战\*\*\*\*！ 2025 年，模力方舟与昇腾将围绕昇腾 Serverless API，打造多期应用开发挑战，****覆盖整个2025年，包含多个行业与应用场景****，期期有超壕奖励等你解锁！ ## **第一期挑战现已开启报名** 挑战活动第一期已经正式开启报名，第一期参与的应用将****聚焦于学习效能提升与教育场景革新****，基于昇腾与昇思支持的模型开发具备实用价值与创新性的教育类应用。 扫描上方二维码立即报名 #### **参与要求** - **参与本次活动必须至少基于一个昇腾模型资源包内的模型完成应用开发（如带有昇思MindSpore标签的模型）。** - **提交的作品必须紧扣教育场景主题，不符合主题的作品将无法通过审核。** - **作品提交并通过审核后，应用名称和应用描述将不可更改，请在提交作品前谨慎操作。** - **提交的作品（包含标题、描述、内容）要求正向积极，且必须遵守相关法律法规，确保内容安全合法合规。** #### **参与流程** - **填写并提交「活动报名表」，即为报名成功** 扫描上方二维码填写活动报名表 - **登录模力方舟选择创建应用所需的模型** - **提交活动作品** - **完成应用后提交自己的作品，作品需要包含应用链接、Demo 演示和简要介绍。** 第一期挑战活动将于 4 月 1 日起开启报名，四周后提交作品并开启评选，最终将于 5 月初确定并发放活动奖项。 评选委员会将根据技术性、创新性、应用价值、用户体验、页面设计、使用体验、输出效果等维度综合评选出获奖作品。 欢迎使用昇思MindSpore模型参赛 模型链接：https://ai.gitee.com/serverless-api/packages/1495 #### **活动奖项** 扫码添加马加仓小助手，了解更多活动信息和后续活动安排 --- https://www.mindspore.cn/activities/zh/3669/ --- 活动中心 MindSpore Developer Day 2025亮点抢先看！ # MindSpore Developer Day 2025亮点抢先看！ 2025/04/01 # MindSpore Developer Day 2025亮点抢先看！ MindSpore Developer Day 2025亮点抢先看！ --- https://www.mindspore.cn/activities/zh/3670/ --- 活动中心 第七届·2025 MindSpore量子计算黑客松全国大赛——热身赛通关攻略 # 第七届·2025 MindSpore量子计算黑客松全国大赛——热身赛通关攻略 2025/04/02 # 第七届·2025 MindSpore量子计算黑客松全国大赛——热身赛通关攻略 无论您是初学小白，还是技术达人，参赛即有收获！报名截止日期5月20日，诚邀您报名参赛，勇攀量子世界的高峰，挑战黑客松年度总冠军，赢取属于你的荣誉和机遇！ 大赛报名：https://developer.huaweicloud.com/competition/information/1300000041 ### **\# 01** **答题准备** 热身赛为量子计算基础学习和编程演练，完成热身赛的**前100名**选手将有机会获得**定制礼品和电子证书**，数量有限，不容错过。 第一步：注册并完成华为云账号实名认证\[1\]； 第二步：准备开发环境，详见本地安装使用MindSpore Quantum操作指导\[2\]； 第三步：了解热身赛答题指南\[3\]； \*\*热身赛题目文档：\*\*https://developer.huaweicloud.com/competition/information/1300000041/html2 每道题目的上方都有两个链接：MindSpore Quantum教程和MindSpore Quantum API参考，两个链接中都能找到题目的解答。答题小技巧：在MindSpore Quantum API参考中搜索题目中的关键词，可以快速找到对应的内容。 \*\*直播预告：\*\*我们将于2025年4月8日 周二晚上19:00准时直播《第七届·2025 MindSpore量子计算黑客松全国大赛——热身赛通关攻略直播宣讲》 ### **\# 02** **热身赛答题指导** **一** **题目1：制备一个量子线路** **题目描述：** 制备一个量子线路，该线路包含三个量子比特（q0, q1, q2）。线路由以下三个门组成： 1、一个作用在q0比特上的H门。 2、一个X门，作用在q1比特上，受q0比特控制。 3、一个X门，作用在q2比特上，受q0和q1比特共同控制。 题目图示：（这里对应 1.ipynb 中显示的量子线路图） **解题思路：** 这道题考查的是如何在MindSpore Quantum中构建基础的量子线路，特别是如何使用量子门的on方法来指定目标比特和控制比特。 - **on 方法：** MindSpore Quantum中几乎所有的量子门都继承自BasicGate类，并拥有on()方法。这个方法的第一个参数是目标比特的索引（一个整数），第二个可选参数是控制比特的索引（可以是一个整数，或者一个包含多个整数的列表）。 **解题步骤：** 1）对于作用在q0上的H门，目标比特是 0，没有控制比特，所以使用H.on(0)。 2）对于作用在q1上、受q0控制的X门，目标比特是1，控制比特是0，所以使用 X.on(1, 0)。 3）对于作用在q2上、受q0和q1控制的X门，目标比特是2，控制比特是0和1。当有多个控制比特时，需要将它们的索引放在一个列表里作为on方法的第二个参数，所以使用 X.on(2, \[0, 1\])。 将这三步添加到Circuit对象中即可完成线路的构建。 **相关API文档：** Circuit 类: https://www.mindspore.cn/mindquantum/docs/zh-CN/r0.10/core/circuit/mindquantum.core.circuit.Circuit.html 量子门模块(mindquantum.core.gates): https://www.mindspore.cn/mindquantum/docs/zh-CN/r0.10/core/mindquantum.core.gates.html#module-mindquantum.core.gates BasicGate.on 方法: https://www.mindspore.cn/mindquantum/docs/zh-CN/r0.10/core/gates/mindquantum.core.gates.BasicGate.html#mindquantum.core.gates.BasicGate.on ### ****二**、** **题目2：为量子线路添加控制比特** **题目描述：** 给定一个已有的量子线路u1（在此例中是作用在q0和q1上的2比特量子傅里叶变换线路），要求使用q2作为控制比特，将其转换为一个受控量子线路u2。也就是说，u1中的每一个量子门操作，在u2中都将受到q2的控制。 题目图示：（这里对应 2.ipynb 中显示的量子线路图） **解题思路：** 这道题主要考查 mindquantum.core.circuit.controlled() 函数的使用。这个函数非常方便，它可以将一个完整的量子线路（或者单个算符）整体添加上控制位。 - **controlled() 函数：** 它接受一个参数circuit\_fn：需要被控制的对象，可以是一个Circuit 实例（如此题中的 u1），也可以是可以生成量子线路的函数。 该函数返回一个新的函数，这个函数需要传入控制比特的索引，然后才会返回添加控制比特后的电路。 **解题步骤：** 1）题目已经给出了原始线路u1=qft(range(2))。 2）题目要求将q2添加为控制位。由于u1作用在q0和q1（索引为0和1），新添加的控制位q2的索引自然就是2。 3）先调用 controlled(u1) 获取一个可以添加控制位的函数，再传入控制位索引2生成目标线路u2。该函数会自动处理u1中的所有门，为它们添加上索引为2的控制位。 **相关API文档：** controlled 数: https://www.mindspore.cn/mindquantum/docs/zh-CN/r0.10/core/circuit/mindquantum.core.circuit.controlled.html ### **三、** **题目3：量子线路的厄米共轭** **解题思路：** 这道题考查的是如何获取一个量子线路的厄米共轭形式。MindSpore Quantum提供了便捷的mindquantum.core.circuit.dagger()函数来完成这个任务。 - **dagger() 函数：** 该函数接受一个 Circuit 对象（或其他支持厄米共轭操作的对象，如算符）作为输入，并返回一个新的 Circuit 对象，该对象即为输入线路的厄米共轭线路。它会自动处理门顺序的反转和每个门自身的厄米共轭替换。 **解题步骤：** 1）首先，根据“原始线路”图示，构建出circ对象。这需要依次添加H门、受控T门、S门和受控X (CNOT)门。 2）然后，直接调用 dagger(circ) 函数，将返回的厄米共轭线路赋值给dag\_circ。 **相关API文档：** dagger 数: https://www.mindspore.cn/mindquantum/docs/zh-CN/r0.10/core/circuit/mindquantum.core.circuit.dagger.html **更多答题攻略，请点击下方链接查看：** https://h5.clewm.net/?url=qr61.cn%2FoxlATu%2Fqb38fRV&hasredirect=1 参考链接 \[1\]https://support.huaweicloud.com/usermanual-account/zh-cn\\\_topic\\\_0077914254.html \[2\]https://www.hiascend.com/developer/blog/details/0272153713041042040 \[3\]https://www.hiascend.com/forum/thread-0201177851995961032-1-1.html --- https://www.mindspore.cn/activities/zh/3676/ --- 活动中心 一分钟带你“速通”昇思MindSpore开源实习活动！ # 一分钟带你“速通”昇思MindSpore开源实习活动！ 2025/04/09 # 一分钟带你“速通”昇思MindSpore开源实习活动！ 昇思MindSpore开源实习活动精彩继续！做任务赚积分！ 多项任务等你来挑战，另有任务专属导师助你完成高分任务，实习积分可兑换相应薪资，在实践中积累开发经验，在项目中精进代码编译，在活动中交流学习成果。 实习分值达到60分即可获得由中科院软件所下发的实习证明，实习薪资20分开始累计。 详情如下： 实习积分 薪资金额（元） 20分 1000 40分 2500 60分 4000 80分 6000 100分 8000 昇思MindSpore开源实习活动等你来！ --- https://www.mindspore.cn/activities/zh/3677/ --- 活动中心 MindSpore Developer Day 2025超全参会攻略，赶快收藏！ # MindSpore Developer Day 2025超全参会攻略，赶快收藏！ 2025/04/09 # MindSpore Developer Day 2025超全参会攻略，赶快收藏！ MindSpore Developer Day 2025超全参会攻略，赶快收藏！ --- https://www.mindspore.cn/activities/zh/3679/ --- 活动中心 昇思联合模力方舟（GiteeAI）与你共话AI应用 | MindSpore Developer Day 2025 # 昇思联合模力方舟（GiteeAI）与你共话AI应用 | MindSpore Developer Day 2025 2025/04/08 # 昇思联合模力方舟（GiteeAI）与你共话AI应用 | MindSpore Developer Day 2025 昇思联合模力方舟（GiteeAI）与你共话AI应用 | MindSpore Developer Day 2025 --- https://www.mindspore.cn/activities/zh/368/ --- 活动中心 体验MindSpore新年新版本，缤纷好礼享不停！ # 体验MindSpore新年新版本，缤纷好礼享不停！ 2021/01/01 # 体验MindSpore新年新版本，缤纷好礼享不停！ 距离9月24日全联接大会发布MindSpore v1.0版本已经过去了3个月，无数用户翘首以盼的新版本在新一年的第一个月与大家正式见面！ 先恭祝大家新年快乐，牛气冲天！ 自正式版本发布以来，MindSpore收到了业界众多的关注，同时也收获了很多用户的建议与意见，正是众多贡献者们的共同努力，MindSpore 才能如此快速成长。本次v1.1新版本的推出，仍需要用户们亲自体验并反馈真实感受，为MindSpore的不断完善提供助力。 话不多说，先用起来！ （注意，活动需要在论坛MindSpore板块完成哦！） 活动时间 1月1日——1月15日 奖品预览 1. 咖啡杯 2. 速干浴巾 3. 迷你烤箱 4. 一体式挤牙膏机 ### 活动方式 1\. 下载安装MindSpore最新版本v1.1，老用户在线升级即可。 2\. 安装完成后输出MindSpore版本号并截图。 3\. 注明硬件平台和操作系统。 4\. 围绕MindSpore 1.1版本分享自己的体验，形式与内容不限，可以是学习笔记、安装步骤、教程实践、个人分享等等。 5\. 将版本号截图，硬件平台和操作系统，体验内容和个人邮箱号发布到MindSpore论坛（https://bbs.huaweicloud.com/forum/forum-1076-1.html）的“干货分享”主题分类。 ### 注意事项 1\. 请勿刷帖，刷帖一律删帖并做无效参与处理。 2\. 请勿盗取他人截图或内容，一经发现做无效参与处理。 3\. 抽取40名完成任务者获得奖品。 4\. 必须分享到MindSpore论坛的相应板块。 5\. 最终解释权归MindSpore团队所有。 --- https://www.mindspore.cn/activities/zh/3680/ --- 活动中心 2025年华为基础软件师资培训昇思大模型创新应用与工程实践师资培训 # 2025年华为基础软件师资培训昇思大模型创新应用与工程实践师资培训 2025/04/08 # 2025年华为基础软件师资培训昇思大模型创新应用与工程实践师资培训 为进一步深化产教融合进程，全力构建以关键核心技术为坚实根基的产业与人才良性互动生态，推动高校在该领域的技术创新迈向新高度，助力更多教师在各自院校顺利开设相关专业课程，北京师范大学联合华为技术有限公司将于2025年4月26日开展师资培训，诚邀各院校教师参与研修。 **组织单位** 指导单位：信息技术新工科产学研联盟 主办单位：华为技术有限公司 北京师范大学 承办单位：北京师范大学人工智能学院 协办单位：昇思MindSpore开源社区 **培训对象** 各院校计算机科学与技术、人工智能等专业开设大模型相关课程的高校教师。 **培训时间、地点** 时间：2025年4月26日~27日 地点：北京师范大学电子楼204 **培训议程** 典型应用场景牵引：通过AI助教了解大模型、推理引擎、服务框架之间的耦合关系，学习检索增强工作原理，掌握AI助教搭建方法。 大模型全流程开发：以典型行业为例，完成模型训练、微调、量化、部署全过程学习，为开展教学奠定良好基础。 前沿技术及时传递：基于香橙派学习DeepSeek模型蒸馏、微调、部署和推理全流程模型开发技术，了解国产AI加速硬件和开源大模型发展现状。 校企专家协同授课：培训课程由北京师范大学具有丰富教学和科研经验的教师与华为技术专家主讲，确保培训内容的权威性和前沿性。 **报名须知** 1\. 本次师资培训不收取任何费用，参培老师往返差旅及食宿费自理； 2\. 参与培训后，需要参培教师使用华为平台供学生在线学习； 3．报名截止时间为4月20日18：00，报名截止后的1个工作日内将发送报名成功通知邮件，3个工作日内将发送开班通知的邮件，请及时查阅，开班当天发放培训邀请函（电子版）； 4、报名成功后若有行程变更请及时告知联系人。 九、报名方式 请通过以下培训报名链接： **①报名链接：** https://e.huawei.com/cn/talent/#/personal/myclass/list 在“输入班级邀请码处”填写邀请码：0327KGIG，点击“加入”，并在“我的组织”填写您所在的学校名称。待审批后，您将会收到加入班级邮件提醒： 扫码报名 **②报名截止时间及联系人** 报名截止时间：2025年4月20日 报名联系人：赵老师，zhao\_shifeng@bnu.edu.cn，13811882306 报名咨询群： --- https://www.mindspore.cn/activities/zh/3681/ --- 活动中心 DeepSeek全流程开发与AI应用开发体验尽在MindSpore Developer Day 2025 # DeepSeek全流程开发与AI应用开发体验尽在MindSpore Developer Day 2025 2025/04/08 # DeepSeek全流程开发与AI应用开发体验尽在MindSpore Developer Day 2025 DeepSeek全流程开发与AI应用开发体验尽在MindSpore Developer Day 2025 --- https://www.mindspore.cn/activities/zh/3684/ --- 活动中心 精彩议程抢先看 | MindSpore Developer Day 2025 # 精彩议程抢先看 | MindSpore Developer Day 2025 2025/04/03 # 精彩议程抢先看 | MindSpore Developer Day 2025 精彩议程抢先看 | MindSpore Developer Day 2025 --- https://www.mindspore.cn/activities/zh/3686/ --- 活动中心 MindSpore SIG Gathering怎么玩？超全攻略来了！ # MindSpore SIG Gathering怎么玩？超全攻略来了！ 2025/04/07 # MindSpore SIG Gathering怎么玩？超全攻略来了！ MindSpore SIG Gathering怎么玩？超全攻略来了！ --- https://www.mindspore.cn/activities/zh/3687/ --- 活动中心 倒计时2天！MindSpore Developer Day 2025与你相约杭州 # 倒计时2天！MindSpore Developer Day 2025与你相约杭州 2025/04/10 # 倒计时2天！MindSpore Developer Day 2025与你相约杭州 倒计时2天！MindSpore Developer Day 2025与你相约杭州 --- https://www.mindspore.cn/activities/zh/3688/ --- 活动中心 直播 | 一看就会！基于昇思MindSpore框架的模型逆向攻击复现全流程 # 直播 | 一看就会！基于昇思MindSpore框架的模型逆向攻击复现全流程 2025/04/10 # 直播 | 一看就会！基于昇思MindSpore框架的模型逆向攻击复现全流程 4月13日（本周日）14点，昇思MindSpore Trusted AI SIG邀你来参加！本期我们将聚焦模型逆向共计复现与隐私保护，基于《Model Inversion Attacks Against Collaborative Inference》论文，深入探讨模型逆向攻击在协作深度学习系统中的应用与风险，就论文中提出的新技术进行介绍和演示，对rMLE、Inverse-Network和无需查询的影子模型重建方法，并展示这些技术在不同攻击场景下的有效性与通用性。 欢迎各位开发者4月13日下午14点，来B站直播间【MindSpore官方】与我们一同讨论~ --- https://www.mindspore.cn/activities/zh/369/ --- 活动中心 牛年元月——奖品免费领，祝大家牛气满满！ # 牛年元月——奖品免费领，祝大家牛气满满！ 2021/01/05 # 牛年元月——奖品免费领，祝大家牛气满满！ 在大家的支持和使用过程中，MindSpore论坛迎来了它的第一个元旦，在此感谢各位一直以来的贡献，祝各位牛运亨通！\*\*划划重点：\*\*我们的论坛活动是持续的哦，2021开启我们新的征程，分享MindSpore使用上的经验、提出使用是的疑问、为其他小伙伴解答，我们好礼不断，继续有奖品相送，以资鼓励，也希望大家都有所收获。 **活动时间：** 2021年01月01日——2021年01月31日 **活动规则：** 1、在MindSpore论坛中，提问、分享、回复与MindSpore相关的技术问题或使用上的分享。在每月月末统计中： （1）分享次数排名前3名； （2）提问次数排名前2名； （3）回复次数排名前1名； 获得以上三项排名的用户，发送奖品，以示鼓励。 2、获得奖励的人员可在奖品清单中任选一种。 3、活动每个月一次，到次月的3日前公布奖励名单。 4、获奖公布方式：每个周期的获奖名单会在活动帖评论区中公示，并会单独发消息给获奖人。（请各位参与者多多留意自己的消息提醒。） **奖品展示：** 回弹健腹轮 公牛-魔方插座 富光-保温壶 **活动说明：** 1、提问、分享和回复的内容要与MindSpore相关，不相关视作无效操作； 2、操作内容中含有水印的视为无效内容，属于无效操作； 3、活动结束后统一联系各位获奖者，发放奖励； 4、最终解释权归MindSpore团队所有。 **MindSpore论坛活动（12.01-12.31）获奖名单：** 本活动帖长期有效，每月都有新奖品，欢迎大家继续踊跃参与！ 论坛地址：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/3692/ --- 活动中心 贵州AI开发者大会来啦！带你玩转昇腾CANN，解锁大模型开发新姿势 # 贵州AI开发者大会来啦！带你玩转昇腾CANN，解锁大模型开发新姿势 2025/04/16 # 贵州AI开发者大会来啦！带你玩转昇腾CANN，解锁大模型开发新姿势 **贵州首届AI大会** **——「模力方舟 | AI 黔行创享会」来袭** 由开源中国主办的\*\*「模力方舟 | AI 黔行创享会」\*\*将于4月19日在贵州贵阳市盛大开幕！作为贵州首个聚焦AI技术开发与产业落地的专业盛会，本次大会特邀开源中国CTO 红薯；华为高级软件工程师 王玺源；贵州小码科技CTO、AI GVP项目开发者 杨福海；医学装备专家 李静涛等业界大咖，齐聚贵阳，共同探讨AI前沿技术！ **活动地点：** **贵阳市观山湖区**人民政府政务服务中心1号楼\*\*· 11楼会议厅\*\* ****活动时间：**** ****2025年4月19日（周六）13:30-17:30**** * * * **硬核议题:《基于昇腾CANN的训推开源** **软件支持与实践》** * * * ****CANN（Compute Architecture for Neural Networks）是昇腾针对AI场景推出的异构计算架构，是提升昇腾AI处理器计算效率的关键平台。同时针对多样化应用场景，CANN 提供多层次编程接口，支持用户快速构建基于昇腾平台的AI应用和业务。本次大会，华为高级软件工程师王玺源将深度分享**昇腾CANN技术在AI训练与推理中的实战经验**，助力开发者轻松驾驭大模型开发全流程：**** ****· 技术深挖：CANN开源开放与技术原理**** ****· 生态融合：PyTorch、vLLM、DeepSpeed等AI框架如何与CANN高效协同**** ****· 推理实践：vLLM+CANN实现低延迟、高吞吐推理的实战技巧**** ****· 全流程突破：RLHF场景下，CANN如何实现训练-推理一体化加速**** ******大会议程****** ### ****扫描下方二维码加入沙龙交流群，和技术专家和开发者们尽情交流吧：**** --- https://www.mindspore.cn/activities/zh/3693/ --- 活动中心 MindSpore社区活动：轻量化MobileNetV2场景识别 # MindSpore社区活动：轻量化MobileNetV2场景识别 2025/04/18 # MindSpore社区活动：轻量化MobileNetV2场景识别 # ******奖励规则****** - **发帖审核通过的用户可以获得60\*\*\*\*元的京东自选奖品。** # ******活动时间****** **2025年04月17日——2025年04月27日** # ******参与方式****** 1. **加入CSDN的昇思MindSpore社区，将已加入的用户名和昇思MindSpore信息进行截图。如图：** 2. 3. **跑通昇思MindSpore官网热门模型库中的“轻量化MobileNetV2场景识别”**，**并记录体验过程。** 4. **将前两步的截图和体验过程发布为一篇个人博客,并在MindSpore-博客中同步发帖子，发帖类型请选择-经验分享。** 5. 6. **将个人的博客链接和论坛帖子链接回复在活动帖下方即可。** 7. **符合要求的前6名可获得奖励，先下手为强哦！！！** # ******注意事项****** 1. **请勿盗用他人截图、内容等，一经发现无效参与。** 2. **请勿在本帖下方刷帖，否则做无效处理。** 3. **一个账号只可以参与一次。** 4. **最终解释权归MindSpore团队所有。** --- https://www.mindspore.cn/activities/zh/3697/ --- 活动中心 倒计时1天！MindSpore Developer Day 2025与你相约杭州 # 倒计时1天！MindSpore Developer Day 2025与你相约杭州 2025/04/11 # 倒计时1天！MindSpore Developer Day 2025与你相约杭州 倒计时1天！MindSpore Developer Day 2025与你相约杭州 --- https://www.mindspore.cn/activities/zh/3707/ --- 活动中心 直播 | 带你看如何在任意几何下高效求解物理方程 # 直播 | 带你看如何在任意几何下高效求解物理方程 2025/04/23 # 直播 | 带你看如何在任意几何下高效求解物理方程 4月25日19:00，昇思MindSpore Flow&Earth SIG技术分享会启动！本期我们特邀 中国人民大学 曾博成老师 为大家讲解《用于时空PDE系统的物理编码消息传递图神经网络》。 本期内容中的研究成果基于2025ICLR SpotLight的稿件。目前现有的大多数神经模型依赖于丰富的训练数据，外推和泛化能力有限，并且在复杂的条件下难以产生精确或可靠的物理预测。为此，我们提出了一种新的图学习方法，即物理编码的消息传递图网络（PhyMPGN），给定小的训练数据集，在不规则网格上对时空PDE系统建模。我们将带大家了解物理编码的消息传递图网络，看它如何利用较小数据，更准确地模拟复杂系统的动态变化。 本期技术分享会在腾讯会议和B站直播间【MindSpore官方】直播，欢迎各位参与。 --- https://www.mindspore.cn/activities/zh/3708/ --- 活动中心 MindSpore论坛报错活动第三十四期 # MindSpore论坛报错活动第三十四期 2025/04/29 # MindSpore论坛报错活动第三十四期 ### **奖励规则** **1、每个任务难度等级不同，完成不同等级任务获得对应的奖励！** ·难度等级：易，可获得50元京东自营自选； ·难度等级：中，可获得100元京东自营自选； **2、若被选为优秀案例，奖品奖励将会在原来基础上升级！** ·原本’难度等级：易‘的可在’难度等级：中‘的奖品中选择； ·原本’难度等级：中‘的可获得150元京东自营自选。 ### **活动时间** **2025年04月30日——2025年05月18日** **活动方式** 1\. 已发布6个报错任务在论坛的“活动体验板块”，完成其中的一个或多个。 序号 任务帖名称 任务帖链接 难度等级 任务一 训练设置的Batch\_size不一致，导致模型上输出不一致 https://www.hiascend.com/forum/thread-02108181275329845031-1-1.html 易 任务二 MindSpore Lite模型加载报错RuntimeError: build\_from\_file failed! Error is Common error code. https://www.hiascend.com/forum/thread-02102181275483289028-1-1.html 易 任务三 使用mindspore.ops.matmul函数发生报错ValueError: For 'MatMul' the input dimensions must be equal, but got 'x1\_col': 768 and 'x2\_r https://www.hiascend.com/forum/thread-0237181275605702030-1-1.html 易 任务四 在MindSpore GPU中推理两个等价模型，输出不一致 https://www.hiascend.com/forum/thread-0237181275770687031-1-1.html 中 2\. 用户根据个人意愿选择报错任务，需要发布帖子对报错任务进行完整解答，帖子要发布在\*\*“昇腾博客→MindSpore板块→案例”\*\*中（可直接点击此链接跳转），详细地址可参考下图步骤找到。 3\. 在发布帖子页面要主版块要选择“MindSpore”，分类选择：“案例”。贴心的我们给大家提供了完成任务发帖示例：使用ops.nonzero算子报错TypeError。欢迎参考哦！！！ 4\. 在将参与帖发布成功后，将个人邮箱私信回复给本贴版主账号中，将干货链接回复到该帖子下方。 5\. 每个任务择优选取一位用户获奖，活动结果将会在用户的参与帖下方评论通知，并通过私信进行联系。 ### **注意事项** 1\. 请勿刷帖，刷帖一律删帖并做无效参与处理。 2\. 必须保证原创，抄袭按无效参与处理。 3\. 请勿盗取他人截图或内容，一经发现做无效参与处理。 4\. 必须符合设定的格式，否则算作无效参与。 --- https://www.mindspore.cn/activities/zh/3713/ --- 活动中心 AI开发者集结令！Call for Demo第二期来袭，万元笔记本大奖等你拿！ # AI开发者集结令！Call for Demo第二期来袭，万元笔记本大奖等你拿！ 2025/05/07 # AI开发者集结令！Call for Demo第二期来袭，万元笔记本大奖等你拿！ 昇思MindSpore开源社区联合黄大年茶思屋、OpenI启智社区、OpenDataLab诚邀全球开发者，基于昇思AI框架进行模型微调，打造具有创新性、实用性、可扩展性的人工智能应用。我们期待通过本次Call for Demo，推动AI技术在产业场景中的深度应用，助力开发者实现技术价值与社会价值的双重突破！ **赛题** 围绕昇思MindSpore AI框架/套件 + Ascend 进行模型微调展开创意开发！无论是智慧医疗、智能交通还是元宇宙新场景，只要满足技术创新性、实用性和可扩展性要求。 扫描下方二维码了解详情： \*\* 赛程 \*\* 报名与选题报告提交：5月6日 ~ 6月30日 模型微调与应用开发：5月6日 ~ 6月30日 Demo路演与答辩：时间待定（将邮件通知） **荣耀时刻** 一等奖1名：HUAWEI MateBook X Pro 二等奖2名：HUAWEI Mate70 三等奖3名：HUAWEI FreeClip无线耳机 参与奖30名：Smart4u SH50城市轻骑智能闪盔 --- https://www.mindspore.cn/activities/zh/3715/ --- 活动中心 「算力随心用」+「赛博代码」=五一假期从青铜变王者！ # 「算力随心用」+「赛博代码」=五一假期从青铜变王者！ 2025/04/30 # 「算力随心用」+「赛博代码」=五一假期从青铜变王者！ 这个五一，昇思MindSpore开源社区放大招！ 别再当”电子咸鱼“啦！ **「 昇思大模型平台算力全开放+昇思学习营 」** 拉上你的"电子功德搭子”来昇思大模型平台开启AI学习之旅 全勤打卡还有惊喜礼品等你来拿！ **\# 01** **AI开发者の终极狂欢** **Q** 昇思大模型平台算力**全开放了？？** **A:** 昇思MindSpore开源社区助力开发者零门槛玩转昇思，算力全开放啦！零门槛在线编程环境，无需安装环境和配置，**澎湃算力随心用**，助力开发者高效开启AI之旅！ - 如何使用： 1、登录昇思MindSpore大模型平台：https://xihe.mindspore.cn/（点击文末「阅读原文」即可跳转）。 2、选择「AI实验室」→「打开Jupyter在线编程」→选择需要的开发环境一键启动即可进入JupyterLab。 （建议使用Notebook进行开发，已内置MindSpore等相关镜像） 这个五一假期，火速开启AI之旅！ **\# 02** **昇思学习营·第六期：五一假期从青铜变王者！** 本期昇思学习营为开发者提供从0到1阶梯式成长，理论与实践的双剑合璧，通过经典神经网络模型知识和AI+X应用实践，帮助开发者快速提升AI实践能力。这个五一假期，和昇思一起用14天，从入门到精通AI！ \*\*1、\*\***参与方式** 扫码进入课程群报名即可 \*\*2、\*\***昇思学习营·第六期 怎么学！** 在昇思大模型平台课程模块，完成课程学习与实践打卡挑战，即可解锁精美礼品。 - 课程打卡时间：即日起~5月14日 - 课程打卡规则：前往昇思大模型平台课程模块，完成不少于2门课程的学习与实践。 - 课程打卡激励： ① 全勤奖：完成不少于2门课程的学习，并输出学习心得发布至昇思论坛，即可解锁机械键盘一个 ② 技术干货奖：基于学习的课程，输出高质量的技术文章，即可解锁50元京东自选礼品 ③ 实践项目奖：基于昇思MindSpore开发Jupyter Notebook实践项目，即可解锁华为系列电子产品 、 \*\*3、\*\***课程内容** --- https://www.mindspore.cn/activities/zh/3717/ --- 活动中心 五一卷王模式 | 昇思学习营，带你从“青铜”到“王者” # 五一卷王模式 | 昇思学习营，带你从“青铜”到“王者” 2025/05/01 # 五一卷王模式 | 昇思学习营，带你从“青铜”到“王者” 五一卷王模式 | 昇思学习营，带你从“青铜”到“王者” --- https://www.mindspore.cn/activities/zh/3718/ --- 活动中心 学会通知丨“中国人工智能学会-昇思MindSpore学术基金”项目征集通知 # 学会通知丨“中国人工智能学会-昇思MindSpore学术基金”项目征集通知 2025/05/03 # 学会通知丨“中国人工智能学会-昇思MindSpore学术基金”项目征集通知 《中国人工智能学会-昇思MindSpore学术基金》由中国人工智能学会、鹏城实验室和华为技术有限公司共同发起，旨在为海内外高校和企业科研院所的AI学者搭建学术交流平台，提供经费、算力和技术支持等服务，推动人工智能方法在科学领域的创新应用。本基金由鹏城实验室通过中国算力网的充沛算力资源支持申请者基于国产人工智能生态体系开展科研探索，中国算力网开源开放试验场OpenI启智社区（https://openi.org.cn/）将为本次项目提供功能全面、性能稳定的线上协同开发环境，给科研工作者们提供基于中国算力网资源底座的人工智能开源开放全流程开发体验。本基金将围绕大模型和科学智能原生生态，打造昇腾、昇思MindSpore的原生技术优势，促进业界在前沿技术探索与实践方面的深度合作，并支持合作团队发表基于昇腾和昇思MindSpore的顶级会议或期刊学术论文，孵化原创型理论和创新成果，持续构建原生、开放的科研与人才生态。 本次项目申报主题围绕昇思MindSpore进行，希望申请者在国产人工智能生态体系下进行创新技术探索，具体课题情况和要求请见《项目申请指南》。 昇思MindSpore作为开源的AI框架，为产学研和开发人员带来端边云全场景协同、极简开发、极致性能、安全可信的体验，支持超大规模AI预训练。自2020年开源以来，社区用户下载量超1100万，覆盖来自133个国家和地区的2492座城市，基于昇思原创学术论文超1700篇，走入Top100+高校教学，通过HMS在5000+App上商用，拥有数量众多的开发者，在AI计算中心，金融、智能制造、云、无线、数通、能源、消费者1+8+N、智能汽车等端边云车全场景逐步广泛应用。 昇思MindSpore： https://www.mindspore.cn/ **入选项目** 支持额度20万，计划支持项目数量13个，关于支持额度的最终解释权归中国人工智能学会所有。具体内容请按《项目申请指南》提交申报材料（详见附件）。 **项目各时间节点信息** 申报开始时间：2025年5月2日 申报截止时间：2025年5月25日 **项目申报方式** 专属申报邮箱：xsjljj@caai.cn 学会联系电话：010-82686683 CAAI 联系人：邹老师 13121123883 **关注公众号 点击文末下载附件** 1\. 【中国人工智能学会-昇思MindSpore学术基金】项目申请指南 2\. 【中国人工智能学会-昇思MindSpore学术基金】项目申请书 3\. 【中国人工智能学会-昇思MindSpore学术基金】项目信息表 中国人工智能学会 2025年5月2日 --- https://www.mindspore.cn/activities/zh/3719/ --- 活动中心 昇思号启航！2025开源之夏，AI模型开发任务重磅来袭 # 昇思号启航！2025开源之夏，AI模型开发任务重磅来袭 2025/05/08 # 昇思号启航！2025开源之夏，AI模型开发任务重磅来袭 开源之夏是中国科学院软件研究所发起的“开源软件供应链点亮计划”系列暑期活动，旨在鼓励高校学生积极参与开源软件的开发维护，促进优秀开源软件社区的蓬勃发展。活动联合各大开源社区，针对重要开源软件的开发与维护提供项目开发任务，并向全球高校学生开放报名。 MindSpore 社区已经连续参与三届开源之夏，为国内开源人才建设贡献力量。本届开源之夏openEuler社区推出32个精心准备的项目课题，其中**基础难度13个项目，进阶难度19个项目**。 欢迎报名MindSpore项目，学生们将与MindSpore社区的导师紧密合作，深度参与到真实项目的开发实践之中；将提升技术水平与实践能力，学到课堂上未曾接触过的开源知识与管理协作技能。成功结项还将获得**结项证书、年度优秀学生提名机会**以及未来的就业和深造机遇。 **\# 01** **项目详情** 项目具体情况可在开源之夏官网上查看： 官网地址： https://portal.summer-ospp.ac.cn/organization/program **\# 02** **重要时间表** **\# 03** **学生须知** - 报名对象本活动面向年满 18 周岁的高校在校学生。 - 暑期即将毕业的学生，只要申请时学生证处在有效期内，就可以报名活动。 - 中国籍学生参与活动时需提供身份证、学生证、教育部学籍在线验证报告（学信网）或在读证明。 - 外籍学生参与活动时需提供护照，同时提供录取通知书、学生卡、在读证明等文件用于证明学生身份。 - 5月9日-6月9日，符合条件的学生可以通过开源之夏官网（https://summer-ospp.ac.cn/）注册、与导师沟通项目并提交项目申请。 **\# 04** **与导师沟通** 对MindSpore社区开源之夏课题感兴趣的同学，可以通过开源之夏官网MindSpore项目上方导师邮箱或社区宣讲等方式，提前联系导师沟通课题要求，了解与锁定适合自己的项目； **\# 05** **准备项目申请材料提交申请** - 查看学生指南中的【项目申请模板】，并根据要求准备相关材料。 - 完善个人信息后，通过系统提交项目申请材料。 - 对所有项目申请书进行优先级排序，若同时被多个项目选中，则根据提交的项目排序，优先中选优先级高的项目； - 点击【排序并提交】按钮提交全部项目申请。 学生指南：https://summer-ospp.ac.cn/help/student/ 对MindSpore社区项目感兴趣的同学可加入开源之夏｜MindSpore 交流群，将会不定期更新项目进展。 若群满或者二维码过期可联系 MindSpore 小助手发送“开源之夏”即可拉进群 欢迎同学们的加入，贡献代码，提升技能，结交志同道合的伙伴，体验开源社区的魅力。与世界各地的开发者一同迎接挑战，共同成长，展示自己的才华和勇气，书写属于自己的开源之旅！ --- https://www.mindspore.cn/activities/zh/3722/ --- 活动中心 直播 | 基于昇思的模型微调与AI应用开发实操指南 # 直播 | 基于昇思的模型微调与AI应用开发实操指南 2025/05/13 # 直播 | 基于昇思的模型微调与AI应用开发实操指南 直播 | 基于昇思的模型微调与AI应用开发实操指南 --- https://www.mindspore.cn/activities/zh/3725/ --- 活动中心 昇思MindSpore开源实习有问必答！一站式玩转开源社区 # 昇思MindSpore开源实习有问必答！一站式玩转开源社区 2025/05/15 # 昇思MindSpore开源实习有问必答！一站式玩转开源社区 昇思MindSpore开源实习活动新任务来啦！本次同步发出20多个新任务，任务类型多样总有你的拿手项目！喊上你的同学与室友一同报名吧！ **Q** 为什么要参加昇思MindSpore开源实习？咱们活动有哪些优势呢？ **A:** 让同学们在校期间即可接触项目任务提前培养项目工作的目标规划和节点把控，不再担心DDL。 在线即可完成实习任务，体验云“实习”新方式自由度更高。 完成任务领取积分累计一定数量可兑换相应薪资。 积分达成60分即可申请昇思MindSpore开源社区实习证明。 **Q** 开源实习怎么报名呢？ **A:** 同学可以登陆昇思MindSpore开源实习官网下载资料(https://www.mindspore.cn/internship)，完成各项材料填写后在问卷里进行资料补充并提交即可完成报名。 **Q** 提交问卷信息后收到了机考信息怎么才能算通过呢？ **A:** 参与开源实习的同学需要通过一个简单的编程题机考，总共有三道编程题共计400分，达到150分即可通过，通过机考后会收到提交信息审核的邮件。 **Q** 已经提交了个人信息审核后续还有什么步骤吗？ **A:** 审核流程需要4-5个工作日，如银行卡、学籍等信息无误即可收到签约邮件，将下发账号和中科院邮箱，请按照邮件里的【账号配置指南】文档进行Gitee账号配置。 **Q** 我已经配置完账号应该怎样认领任务？ **A:** 同学们可以在任务页面查找自己感兴趣的任务，进入任务界面在【评论区】输入“/intern-assign”命令进行认领。 **Q** 任务完成后，需要给导师发邮件吗？ **A:** 任务完成后可将需要验收的链接或文件以邮件形式发送至导师邮箱，并在评论区也需要放置链接以便查看。 **Q** 我完成任务后也要在任务页面输入命令吗？如果不能完成自己可以取消吗？ **A:** 完成后输入命令“/intern-completed”即可进入导师评审阶段；如果自己想取消任务输入“/intern-unassign”放弃任务，不过**三次取消会冻结账号尽量请工作人员协助调整任务**。 **Q** 我在这个月完成了任务，请问薪资如何结算？ **A:** 当月完成的任务薪资将在下个月底进行发放，20分-1000元；40分-2500元；60分-4000元；80分-6000元；100分-8000元，积分可累计但超过100分不再计薪资。 谢谢，我现在就去做任务啦！ A：大家可以看下海报信息内容更详细哦！感谢各位同学的参与~ --- https://www.mindspore.cn/activities/zh/3727/ --- 活动中心 直播 | FastSAM模型在MindSpore框架下的迁移与微调实现 # 直播 | FastSAM模型在MindSpore框架下的迁移与微调实现 2025/05/21 # 直播 | FastSAM模型在MindSpore框架下的迁移与微调实现 FastSAM模型在MindSpore框架下的迁移与微调实现 --- https://www.mindspore.cn/activities/zh/3728/ --- 活动中心 第九届华为ICT大赛全球总决赛火热开赛中 昇思MindSpore开发者蓄势待发 # 第九届华为ICT大赛全球总决赛火热开赛中 昇思MindSpore开发者蓄势待发 2025/05/21 # 第九届华为ICT大赛全球总决赛火热开赛中 昇思MindSpore开发者蓄势待发 2025年5月20日-24日，第九届华为ICT大赛全球总决赛将在中国深圳盛大举行。来自全球80多个国家和地区的高校代表队将齐聚一堂，展开智慧与实力的巅峰对决。其中，在创新赛中，中国区共计9支昇思MindSpore的队伍晋级总决赛，占中国区队伍的56%，海外共计8支昇思MindSpore的队伍晋级总决赛，占海外参赛作品33%。在实践赛中，最终10支队伍进入昇腾AI赛道全球总决赛，并进行基于昇思MindSpore+香橙派AIpro开发板实践考核。 这场备受瞩目的科技盛会于2025年5月20日盛大开幕。比赛的最后一天，隆重的颁奖仪式也将为这场全球ICT领域的巅峰对决画上圆满句号。 **#** **第九届华为ICT大赛** 第九届华为ICT大赛以“联接、荣耀、未来”为主题，自启动以来吸引了全球100多个国家和地区2000多所高校，超过21万名师生踊跃参与，其影响力和规模在全球范围内持续扩大，成为ICT领域最具权威性和影响力的赛事之一。 尽管互联网使用率稳步提升，但全球仍有约三分之一的人口尚未接入网络。2025年世界经济论坛《未来就业报告》显示，在2025至2030年间，63%的雇主将人才的技能差距视为企业转型的主要障碍。企业尤其需要更多云计算、人工智能、大数据及物联网（IoT）等关键领域的人才。华为正通过其ICT学院及ICT竞赛项目，助力培养适应未来发展的新型人才队伍。 华为中国战略与Marketing部部长唐小光表示：“华为ICT大赛始终秉持‘实战引领，能力为先’的理念，致力于培养学生将知识、理论转化为推动创新的核心动能，培养面向未来的ICT人才；此外，大赛不仅重塑了人才培养模式，更在高校与产业之间架起双向奔赴的桥梁，推动了产教融合的深度变革。” 本届全球总决赛最终有40多个国家和地区的170多支队伍参赛。其中，中国代表队共计84支队伍代表参加，来自全国67所高校，覆盖全国22个省份。在此前举办的中国区总决赛中，这些代表队凭借过硬的专业实力、出色的团队协作和对产业场景的深刻理解，获得一等奖，晋级全球总决赛。中国代表队的精彩表现不仅凝聚着青年学子的智慧与汗水，也展现了中国高等教育在数字人才培养方面的成果。让我们共同期待，他们在全球总决赛上的精彩表现，为中国赢得荣誉，为世界呈现“青年科技力量”的无限可能！ **#** **全球总决赛昇思MindSpore赛题介绍** 本次华为ICT大赛全球总决赛昇思MindSpore赛道包括创新赛、实践赛两个赛道。其中： - 创新赛主要考察参赛者对AI技术与ICT技术的综合应用和创新能力。参赛者从行业场景或生活中的真实需求出发，运用华为人工智能等技术，是实现一个兼具社会效益和商业价值的解决方案，并设计出功能相对完备的作品。昇思MindSpore作为其中一个方向独立出题，选手基于昇思MindSpore打造AI创新应用，开发优秀案例。 - 实践赛主要考察参赛学生的ICT理论知识储备、上机实践能力以及团队合作能力；通过理论考试和实验考试考察学生的理论知识水平和动手能力，基于考试得分进行排名，学生需熟悉相关技术理论及实验。其中昇腾AI赛道考核选手的包含昇思MindSpore在内的昇腾AI全栈理论知识，并基于MindSpore在香橙派上进行实践。 未来，昇思MindSpore开源社区将持续支持华为ICT大赛，助力基于昇思开发者打造创新项目，加速产业繁荣与生态发展。 华为ICT大赛： 自2015年首届大赛以来，华为ICT大赛已走过九年的辉煌历程，共有来自全球100多个国家和地区2000多所高校的超过96万名学生参赛。在华为认证讲师的专业指导下，参赛学生通过上机实验、研讨会和真实场景实践，深入了解网络、云计算、AI等领域的华为技术，为未来的职业发展奠定坚实基础。 在中国，华为ICT大赛被纳入全国普通高校大学生竞赛项目榜单；在海外，华为ICT大赛被纳入联合国教科文组织全球技能学院的关键伙伴旗舰项目，成为全球ICT人才培养的重要平台，为全球数字化转型培养了大量优秀人才。 大赛官网：https://www.huawei.com/minisite/ict-competition-2024-2025-global/cn/index.html --- https://www.mindspore.cn/activities/zh/3729/ --- 活动中心 鲲鹏昇腾开发者大会2025 | 携手昇思开发者，共建共享开源社区 # 鲲鹏昇腾开发者大会2025 | 携手昇思开发者，共建共享开源社区 2025/05/19 # 鲲鹏昇腾开发者大会2025 | 携手昇思开发者，共建共享开源社区 鲲鹏昇腾开发者大会2025 | 携手昇思开发者，共建共享开源社区 --- https://www.mindspore.cn/activities/zh/3730/ --- 活动中心 解锁高能时刻！鲲鹏昇腾创享周精彩议程抢先看 # 解锁高能时刻！鲲鹏昇腾创享周精彩议程抢先看 2025/05/19 # 解锁高能时刻！鲲鹏昇腾创享周精彩议程抢先看 解锁高能时刻！鲲鹏昇腾创享周精彩议程抢先看 --- https://www.mindspore.cn/activities/zh/3731/ --- 活动中心 鲲鹏昇腾开发者大会2025 | 昇思MindSpore AI4S：AI助力科学探索无尽前沿 # 鲲鹏昇腾开发者大会2025 | 昇思MindSpore AI4S：AI助力科学探索无尽前沿 2025/05/20 # 鲲鹏昇腾开发者大会2025 | 昇思MindSpore AI4S：AI助力科学探索无尽前沿 鲲鹏昇腾开发者大会2025 | 昇思MindSpore AI4S：AI助力科学探索无尽前沿 --- https://www.mindspore.cn/activities/zh/3732/ --- 活动中心 KADC 2025丨分论坛参会全览 # KADC 2025丨分论坛参会全览 2025/05/22 # KADC 2025丨分论坛参会全览 KADC 2025丨分论坛参会全览 --- https://www.mindspore.cn/activities/zh/3736/ --- 活动中心 看昇思MindSpore NLP如何“修理”BLIP2 # 看昇思MindSpore NLP如何“修理”BLIP2 2025/05/26 # 看昇思MindSpore NLP如何“修理”BLIP2 明晚19:00，昇思MindSpore NLP SIG与你相约昇思MindSpore B站官方直播间。本期技术分享会分为以下两个议题，精彩不容错过！ 来自中国科学技术大学刘展鹏同学带来议题《MindSpore NLP微调多模态模型实战经验分享》，BLIP2是基于Transformer架构的一个强大的预训练模型，它在图像文本理解和生成任务上表现优异，我们使用MindSpore NLP和昇腾设备来微调BLIP2模型，以实现更符合特定需求的图像描述生成。 昇思MindSpore NLP SIG负责人吕老师（CQU弟中弟）为大家讲解" 2025·开源之夏"中昇思MindSpore社区相关项目任务：基于MindSpore NLP实现Open-R1算法，本次任务需要基于MindSpore NLP（昇思MindSpore动态图）+昇腾实现和HuggingFace Open-R1能力完全对标的R1算法实现。有意向参与“开源之夏”任务的同学一定要来哦！一同参与任务课题讨论吧~ --- https://www.mindspore.cn/activities/zh/3738/ --- 活动中心 加入“MindSpore Call for X计划”，与我们一起昇思！ # 加入“MindSpore Call for X计划”，与我们一起昇思！ 2025/05/26 # 加入“MindSpore Call for X计划”，与我们一起昇思！ 昇思MindSpore开源社区，希望通过开源开放，汇聚更多力量，不断探索人工智能创新的边界。社区正式上线“MindSpore Call for X”计划。面向昇思社区所有成员开放，无论是企业、SIG组、高校、科研院所或其他组织，我们都欢迎你的加入，与我们一起昇思！ **\# 01** **什么是MindSpore Call for X 计\*\*\*\*划** “MindSpore Call for X 计划”是一个开放的社区项目，鼓励所有社区成员以及开源爱好者积极贡献、乐于分享、热衷实践。多元化的贡献可以丰富昇思社区生态，我们希望开发者都能在社区感受到个人的价值和重要性。 - “MindSpore Call for X计划”计划详情页：https://www.mindspore.cn/program（点击文末【阅读原文】可跳转） **\# 02** **MindSpore Call for X计划：三大方向助力开发者成长与创新** “MindSpore Call for X计划”聚焦开发者需求，通过“技术赋能+资源支持”双轮驱动，涵盖以下三大核心方向： **Call for Demo：AI应用创新Demo征集** 社区面向全球开发者征集基于昇思MindSpore AI框架的AI应用Demo，鼓励开发者基于昇思探索AI+X创新应用。通过项目开发，挖掘行业痛点解决方案，推动昇思技术生态繁荣。 社区将为你提供： - 资源与技术支持：项目开发期间，提供全程算力与专家指导支持； - 官方宣传与激励：精品Demo可获得礼品激励，并同步在昇思官网、社交媒体及昇思开发者大会中展示； - 优秀开发者绿色通道：精品Demo作者，将进入昇思MindSpore开源社区优秀开发者认证绿色通道。 扫码了解详情 **Call for Meetup：开发者活动共创** 无论是高校、企业、SIG组、科研院所或其他组织，欢迎与昇思MindSpore一起组织开发者活动，共同探讨前沿技术和开源发展趋势，分享创新成果和实践经验。 社区将你提供： - 活动支持：根据活动规模，提供昇思社区定制纪念品、活动物料、工作人员协助等支持； - 布道师资源：协助邀请社区布道师团队/技术专家团队参与活动，分享框架最新进展与实战经验； - 传播支持：社区将在官网活动页、公众号、社群等渠道宣传、并同步在社区B站/视频号等平台直播。 扫码了解详情 **Call for 布道师：技术生态共创** 欢迎开发者加入分享技术的行列，推广昇思MindSpore技术生态，协助更多的开发者掌握昇思，在布道中获得更多的技术提升，为开源社区持续贡献力量。 社区将你提供： - 专属双认证：通过认证，可获得华为开发者布道师与昇思布道师双认证标识； - 资源资助：每学年最高2万元课程配套的云资源代金券，以及线上华为开发者学堂课程和免费参加线下华为开发者技术培训活动等支持； - 内容共创：主导编写基于昇思MindSpore的教程、开发的Demo，将纳入社区知识体系； - 社区交流：将受邀参与社区各项峰会、开发者活动做主题分享，与MindSpore核心团队/社区开发者深度互动。 扫码了解详情 MindSpore Call for X计划是社区“共建、共治、共享”理念的延续。我们希望通过多元化的激励机制，降低开发者参与门槛，激发创新活力，共同推动AI技术从实验室走向产业落地。期待你的加入。 --- https://www.mindspore.cn/activities/zh/3739/ --- 活动中心 【技术分享直播】带你认识基于流模型的晶体结构生成新方法——CrystalFlow # 【技术分享直播】带你认识基于流模型的晶体结构生成新方法——CrystalFlow 2025/05/27 # 【技术分享直播】带你认识基于流模型的晶体结构生成新方法——CrystalFlow 5月29日19点，昇思MindSpore Science SIG技术分享会即将开启！ 本期邀请吉林大学罗啸山博士分享议题《CrystalFlow：基于流模型的晶体结构生成研究》，该研究团队提出了一种名为CrystalFlow的基于流模型的晶体结构生成方法，旨在解决该领域的关键挑战。此架构实现了对结构数据的高效学习，并能够生成高质量的晶体结构。 实验结果表明，CrystalFlow在当前基准中取得了与最先进模型相当的性能，同时展现了多样化的条件生成能力。本期技术分享会就让我们一同解密CrystalFlow~ 本期内容有腾讯会议和昇思MindSpore B站官方直播间同步直播，敬请期待~ **LLM Inference Serving SIG双周例会** LLM Inference Serving SIG负责探讨MindSpore AI框架与主流开源推理服务框架（如：vLLM）的兼容互通方案，提供高性能、易用的大模型推理服务能力。 本周三将开展首次例会，欢迎对推理方向感兴趣的同学参加！ 时间：2025年5月28日19:00-20:00 会议链接： https://meeting.tencent.com/dm/ND2LwCFPdfnB 订阅SIG邮件： https://www.mindspore.cn/sig/LLM%20Inference%20Serving --- https://www.mindspore.cn/activities/zh/3741/ --- 活动中心 直播 | DeepSeek+香橙派Al Pro:模型部署、调优及未来发展的全景视图 # 直播 | DeepSeek+香橙派Al Pro:模型部署、调优及未来发展的全景视图 2025/05/28 # 直播 | DeepSeek+香橙派Al Pro:模型部署、调优及未来发展的全景视图 直播 | DeepSeek+香橙派Al Pro:模型部署、调优及未来发展的全景视图 **MindSpore PyNative SIG月例会** MindSpore PyNative SIG负责探讨MindSpore动态图（即时执行，Eager Execution）模式的研发与优化，提升动态图模式的性能、灵活性和易用性。 本周四开展首次例会，欢迎对动态图方向感兴趣的同学参加。 时间：2025年5月29日19:00-20:00 会议链接： https://meeting.tencent.com/dm/6pWRbMo9Uyst 订阅SIG邮件： https://etherpad.mindspore.cn/p/sig-MindSpore-PyNative-meetings --- https://www.mindspore.cn/activities/zh/3742/ --- 活动中心 导师1v1指导+丰厚激励！开源之夏-昇思社区未申报项目清单大公开 # 导师1v1指导+丰厚激励！开源之夏-昇思社区未申报项目清单大公开 2025/05/29 # 导师1v1指导+丰厚激励！开源之夏-昇思社区未申报项目清单大公开 **开源之夏** Open Source Promotion Plan 开源之夏，是由中国科学院软件研究所发起的“开源软件供应链点亮计划”下的一项重要活动。这是一场专为高校学生精心打造的暑期盛宴，昇本次昇思MindSpore开源社区已开放多个前沿课题，涵盖大模型优化、端侧推理加速、AI工具链开发等方向。 目前还有23个任务有申报席位！欢迎还在观望的同学申报，在昇思社区开启你的AI开源之旅！ 开源之夏——昇思社区任务详情： https://m.summer-ospp.ac.cn/org/orgdetail/c6db8ca1-273e-4ba9-b5b7-d0bf10dee1eb **待申报项目清单 #** **01** **项目名称：** 结构感知的量子启发优化算法 **项目导师：** 胡家祺 **项目简述：** 量子启发算法求解组合优化问题时，可以利用问题结构作算法改进，包括但不限于对称性、分岔点位置等，如何发掘利用这些结构来改进量子启发优化算法是具有应用价值的有趣问题。 **项目详情：** https://summer-ospp.ac.cn/org/prodetail/25c6d0296?list=org&navpage=org **02** **项目名称：** MindSpore Quantum HUBO求解器开发 **项目导师：** 曾庆国 **项目简述：** 目前, MindSpore Quantum的qaia(量子退火启发式算法)部分仅提供了QUBO/Ising的求解器接口, 对于HUBO问题的支持仍为空白. 这限制了MindSpore Quantum在更广泛优化问题场景中的应用潜力. 尽管HUBO问题可以转化为QUBO问题, 但这往往是以牺牲计算复杂度等来实现的, 因此, 本项目旨在扩展MindSpore Quantum平台的优化求解能力, 开发并集成一个原生的HUBO求解器。 **项目详情：** https://summer-ospp.ac.cn/org/prodetail/25c6d0297?list=org&navpage=org **03** **项目名称：** 量子启发算法超参数搜寻模块开发 **项目导师：** 葛宇非1374950920@qq.com **项目**简述：\*\*\*\* 通过量子启发式算法求解组合优化问题时，优化结果会受到量子启发算法中的超参数选取的显著影响。对于合适超参数的搜寻，目前通常是基于经验调整或者进行暴力的参数搜索，这往往会耗费很多时间。本问题希望针对量子启发算法的特性，开发对应的自动化量子启发算法超参数寻优流程，以提升量子启发算法最优超参数的搜寻效率。 **项目详情：** https://summer-ospp.ac.cn/org/prodetail/25c6d0298?list=org&navpage=org **04** **项目名称：** 基于MindSpore实现RL+启发式混合算法 **项目导师：** 刘永青 **项目简述：** 使用MindSpore框架复现 (2021) Combining Reinforcement Learning with Lin-Kernighan-Helsgaun Algorithm for the Traveling Salesman Problem 中提出的方法。 **项目详情：** https://summer-ospp.ac.cn/org/prodetail/25c6d0299?list=org&navpage=org **05** **项目名称：** 基于MindSpore Quantum实现薛定谔-海森堡变分算法 **项目导师：** 罗茂林 **项目简述：**（向上滑动浏览） 目前对于XXZ等自旋模型的基态或者化学分子的基态求解这个问题，VQE是一种可以高精度的方法，但是VQE方法目前局限于对小规模系统的求解。当系统规模增加的时候，为了实现高精度求解，VQE线路的层数需要增加，且变分参数的训练也会非常耗费资源。因此，最近一种薛定谔-海森堡变分算法被提出，用来减少量子线路所需层数，这种方法将部分的训练开销转移到可以被经典高效模拟的Clifford线路，因此是一种更加高效的方法，探究这个方法的适用场景和局限性非常重要。 **项目详情：** https://summer-ospp.ac.cn/org/prodetail/25c6d0301?list=org&navpage=org **06** **项目名称：** 基于MindSpore Quantum实现自适应偏置场热启动QAOA算法 **项目导师：** 庄嘉培935332149@qq.com **项目简述：** 基于MindSpore Quantum框架复现论文arXiv:2503.20048v1，实现热启动自适应偏置场QAOA，能够高效求解最大割问题，相对于论文中的对比对象有性能提升。 **项目详情：** https://summer-ospp.ac.cn/org/prodetail/25c6d0302?list=org&navpage=org **07** **项目名称：** 基于MindSpore实现典型工业场景下基于非结构化离散的三维流场仿真 **项目导师：** 孟庆鹤 **项目简述：**（向上滑动浏览） 实际工业场景中的流场求解通常在高雷诺数(E6量级)且包含复杂的外形。这导致传统基于结构化离散的卷积神经网络(如UNet等)、神经算子(如FNO)和融合方法(如VisionTransformer)无法适配。因此，有必要结合图神经网络相关方法发展基于非结构化离散的高雷诺数AI流场仿真模型。当前，业界已有一些探索，如GINO、FVGN等，在数据需求、适配场景等方面各有优劣。开发者需结合现有方案优势，基于MindSpore及其AI流体套件开发基于非结构化离散的工业场景AI流体仿真模型。要求稳态求解核心气动指标误差小于5%，且相关GNN模型可处理网格数量>E5，初步达到工业应用标准。 **项目详情：** https://summer-ospp.ac.cn/org/prodetail/25c6d0304?list=org&navpage=org **08** **项目名称：** QuCOOP：迭代式求解复合二元优化问题 **项目导师：** 邹作恒1701110085@pku.edu.cn **项目简述：** 当前使用量子设备求解优化问题都集中在QUBO模型上，比如量子退火或者QAOA算法，他们都是关于二元变量的二次函数。本工作将拓展二元优化问题拓展到连续函数提出QuCOOP框架对复合函数进行优化。 **项目详情：** https://summer-ospp.ac.cn/org/prodetail/25c6d0356?list=org&navpage=org **09** **项目名称：** 基于MindSpore实现材料属性预测模型MatterSim的迁移开发 **项目导师：** 王俞恒 **项目简述：** 通过大规模的预训练，覆盖尽可能多的分子及晶体结构，得到高泛化性的力场及属性预测模型，成为一种趋势。 MatterSim在2024年由微软开发，对材料空间广泛覆盖，可以在多种体系和多种属性上进行精确预测。 **项目详情：** https://summer-ospp.ac.cn/org/prodetail/25c6d0357?list=org&navpage=org **10** **项目名称：** 基于MindSpore NLP实现Open-R1算法 **项目导师：** 吕昱峰 **项目简述：** 随着DeepSeek的开源，当前开源社区有不少DeepSeek-r1的复现实现，但是缺少MindSpore的对标实现，本任务需要基于MindSpore NLP（MindSpore动态图）+昇腾实现和huggingface Open-R1能力完全对标的R1算法实现。 **项目详情：** https://summer-ospp.ac.cn/org/prodetail/25c6d0358?list=org&navpage=org **11** **项目名称：** 基于转录组表达建模的药物扰动大模型开发 **项目导师：** 王博1041767879@qq.com **项目简述：** 药物扰动对细胞状态的影响是精准医学的重要基础。随着技术的发展，能够在一定分辨率下观测药物处理前后的转录响应，捕捉不同细胞类型对干预的异质性反应。本项目拟开发一个面向药物扰动数据的大模型框架，借鉴语言模型思想，将药物、细胞系状态类比为“词语”，基因表达变化建模为“句子”，引入类CLS-token以捕捉全局扰动特征。模型将同时支持表达谱预测、扰动相似性计算、responder分类、等多任务学习，实现从 bulk 到单细胞场景的泛化与迁移。最终模型将为药物筛选、机制推断、虚拟药物敲除等任务提供统一建模框架。 **项目详情：** https://summer-ospp.ac.cn/org/prodetail/25c6d0363?list=org&navpage=org **12** **项目名称：** 基于MindSpore实现DeepSeek v3安全推理算法 **项目导师：** 杨渊 **项目简述：** 基于模型和数据混淆的安全推理是解决云上推理用户数据泄露的有效方法，并且在传统的LLM模型（如Bert, GPT, llama等）上进行了验证。本项目拟针对deepseek v3模型架构，基于MindSpore框架设计并实现混淆算法，保证deepseek推理时用户数据安全。 **项目详情：** https://summer-ospp.ac.cn/org/prodetail/25c6d0365?list=org&navpage=org **13** **项目名称：** 基于MindSpore实现多模态外形生成大模型 **项目导师：** 张敏妍 **项目**简述：\*\*\*\* 外形生成是工业场景中最重要的基础任务之一，也是仿真、设计等的前置工作。本课题需要开发者参考业界CADasLanguage，ShapeLLM，CAD-MLLM等，设计多模态启动外形生成模型，其中至少支持语言、图片和点云三个模态的数据，输出至少一种能被主流CAD软件识别的外形结构。 **项目详情：** https://summer-ospp.ac.cn/org/prodetail/25c6d0368?list=org&navpage=org **14** **项目名称：** 基于vllm-mindspore实现beamsearch算法功能 **项目导师：** 张兆创 **项目简述：**（向上滑动浏览） vllm-mindspore是让vLLM在MindSpore 框架上运行的组件。vLLM-MindSpore将MindSpore高效算子、模型、算法在vLLM中使能起来，拥抱生态；beam search功能是一种用于生成文本时寻找最优序列的搜索算法，在vllm-mindspore中支持beam search功能可以提升生态兼容性。 **项目详情：** https://summer-ospp.ac.cn/org/prodetail/25c6d0373?list=org&navpage=org **15** **项目名称：** 基于vllm-MindSpore实现eagle投机算法 **项目导师：** 邹丽琴 **项目简述：** vllm-MindSpore是让vLLM在MindSpore 框架上运行的组件。vLLM-MindSpore将MindSpore高效算子、模型、算法在vLLM中使能起来，拥抱生态；eagle系列算法是推测性采样方法，提升LLM的推理速度。vLLM社区最新版本支持eagle3功能。vllm-MindSpore支持eagle算法可进一步提升推理性能，拓展生态。 **项目详情：** https://summer-ospp.ac.cn/org/prodetail/25c6d0374?list=org&navpage=org **16** **项目名称：** 基于Ray+MindSpore+Milvus实现开箱即用的分布式RAG应用 **项目导师：** 邝伟杜 **项目简述：** 对标谷歌NotebookLM,Meta的llama-cookbook多模态领域特定知识库RAG问答机器人。 **项目详情：** https://summer-ospp.ac.cn/org/prodetail/25c6d0431?list=org&navpage=org **17** **项目名称：** 基于MCP协议整合多源信息实现多模态动态旅游规划系统 **项目导师：** 洪子淇1102229410@qq.com **项目简述：** 基于模型上下文协议（MCP）整合用户偏好、实时交通/天气数据、景点热度、消费成本等多源信息，并结合 SOTA模型（如Qwen3等）实现个性化行程生成、动态路线优化及体验模拟。 **项目详情：** https://summer-ospp.ac.cn/org/prodetail/25c6d0432?list=org&navpage=org **18** **项目名称：** MindSpore 框架下纯视觉 3D 检测模型（LSS 类）迁移与优化 **项目导师：** 陈亚雄1379347218@qq.com **项目简述：** Lift-Splat-Shoot 类纯视觉 3D 目标检测通过单目图像预测物体三维坐标，在自动驾驶、机器人等领域至关重要。当前主流模型多基于 PyTorch，需迁移至 MindSpore 框架以提升生态兼容性。 项目详情： https://summer-ospp.ac.cn/org/prodetail/25c6d0449?list=org&navpage=org **19** **项目名称：** 基于MindSpore生成式套件，构建多智能的多Agent交互金融语音客服 **项目导师：** 赵宇3062588201@qq.com **项目简述：**（向上滑动浏览） 基于MindSpore套件构建一个高效、安全的智能语音客服系统应用案例，以金融银行业务为例；语音交互层使用生成式套件的ASR + lm +TTS功能，用Dify搭建多智能体交互的多Agent协作引擎；包含的功能有语音导航与意图识别，金融产品推荐和风险提示，反欺诈，投诉与纠纷处理等；系统还需要具备隐私保护，审计溯源和防攻击能力。 **项目详情：** https://summer-ospp.ac.cn/org/prodetail/25c6d0451?list=org&navpage=org **20** **项目名称：** 基于OrangePi AIpro和鸿蒙系统的智能网联小车开发 **项目导师：** 袁磊 **项目简述：** 随着无线通信、鸿蒙系统、人工智能技术的快速发展，利用Orange Pi AIpro开发板及支持鸿蒙系统的移动终端开发智能网联小车成为了科研用户快速利用国产化软硬件技术掌握车联网开发的一种有效手段。 项目详情： https://summer-ospp.ac.cn/org/prodetail/25c6d0452?list=org&navpage=org **21** **项目名称：** 基于MindSpore的YOLOv12实现智能交通分析 **项目导师：** 李凤云 **项目简述：**（向上滑动浏览） 交通管理和道路安全对于现代智慧城市至关重要。检测交通违规行为、确保道路安全和改善城市交通需要创新的解决方案。这就是“智能交通监控：使用 YOLOv12N 进行实时闭路电视分析”项目的用武之地。本项目需要基于MindSpore+Ascend迁移YOLO12模型开发应用。 **项目详情：** https://summer-ospp.ac.cn/org/prodetail/25c6d0455?list=org&navpage=org **22** **项目名称：** 基于MindSpore框架下GaussionLSS的迁移与优化 **项目导师：** 龚腾飞 **项目简述：（向上滑动浏览）** 纯视觉BEV分割技术作为自动驾驶和智能机器人领域的核心感知算法，其性能优劣直接影响环境建模与决策规划的精准度。MindSpore正在积极构建纯视觉BEV分割模型，帮助科研用户快速复现各种BEV分割模型。 项目详情： https://summer-ospp.ac.cn/org/prodetail/25c6d0509?list=org&navpage=org **23** **项目名称：** 电力设备巡检大模型应用开发 **项目导师：** 夏飞 **项目简述：** 基于昇思MindSpore对电力设备巡检图片进行缺陷检测，根据检测结果通过大模型给出运维建议。 **项目详情：** https://summer-ospp.ac.cn/org/prodetail/25c6d0539?list=org&navpage=org **\# 常见问题 #** 面向群体：年满18周岁的高校在校学生。 项目奖金：项目难度分为基础和进阶两档，对应结项奖金分别为：税前 8000 元人民币和税前 12000 元人民币。 重要时间节点： 时间 项目 5月9日-6月9日 学生与导师沟通并提交项目申请 6月25日 中选结果公示 7月1日-9月30日 项目开发阶段 11月9日 结项项目公示 重要：跟导师沟通完一定要及时准备材料申请项目，不要拖到最后一天！！！ **\# 申请指南 #** • 根据项目要求，参考学生指南中的【项目申请模板】准备相关材料。 • 通过系统提交项目申请材料。 • 本届活动起，一名学生最多可以提交一个项目的申请书，且最终一个项目最多由一名学生承担。 学生指南：https://blog.summer-ospp.ac.cn/help/student%20guide 感兴趣的同学可添加小助手微信，备注“开源之夏”邀请您加入**开源之夏 | MindSpore 交流群**。 --- https://www.mindspore.cn/activities/zh/3747/ --- 活动中心 GAITC2025预告丨从开源到共荣，昇思MindSpore与昇腾CANN如何打通产学研创新链？ # GAITC2025预告丨从开源到共荣，昇思MindSpore与昇腾CANN如何打通产学研创新链？ 2025/06/05 # GAITC2025预告丨从开源到共荣，昇思MindSpore与昇腾CANN如何打通产学研创新链？ 6月6-8日，2025全球人工智能技术大会（GAITC2025）将在杭州举办。 “昇腾AI基础软件开源开放赋能产学研融合创新”专题活动将邀请人工智能领域的资深学者以及华为技术专家，聚焦昇腾基础软件体系的开源开放实践展开交流，推动人工智能底座能力在产业链上下游的深度融合与应用拓展。 随着行业智能化的全面加速，产学研融合创新成为推动技术进步与产业升级的关键力量。昇腾AI基础软件凭借开源开放的特性，正深度赋能这一融合创新进程，为高校、科研院所及企业搭建起沟通协作的桥梁。 昇腾AI基础软件主要由昇思MindSpore和昇腾CANN组成。MindSpore是面向AI全场景的深度学习框架，覆盖端边云各类设备，具备自动并行、图算融合、异构适配等能力。CANN则是面向昇腾芯片的算子开发和编译工具链，支持算子自动生成、调度优化和高效部署。两者形成配套体系，在算法创新、硬件适配、应用部署等关键环节提供完整支撑。 在开源机制上，昇腾基础软件坚持以社区为中心，逐步构建起规范、稳定、可持续的协作平台。依托该机制，不同机构的科研人员和开发者能够在统一平台上开展合作，加速技术验证与集成落地。同时，开源的基础软件为科研人员提供了贴近实际应用的训练环境，有效缩短了从算法构想到产品实现的周期，提升了高校和科研院所参与工程实践的能力。 中国人工智能学会与华为联合设立的“昇思MindSpore/昇腾CANN学术基金”为这种融合提供了机制保障，通过项目资助与技术指导，基金鼓励高校、科研机构与产业界开展协同攻关，推动科研成果向产业需求靠拢。 到去年，200多款基于昇腾的AI硬件产品落地各行各业，300多万开发者和1600多家行业伙伴借助昇腾AI生态孵化了2900多个行业AI解决方案。 基础软件是人工智能发展的底座工程，开源开放是技术策略，更是生态理念。通过开放代码、共享工具、联动资源，昇腾基础软件正在推动人工智能核心技术走向广泛协作和自主创新的新阶段。 专题活动诚邀产业界、学术界、开发者及AI技术爱好者参会交流，洞察昇腾 AI 基础软件前沿技术，携手共建自主、开放、协同的人工智能基础生态。 --- https://www.mindspore.cn/activities/zh/3754/ --- 活动中心 课程发布 | 玩转昇思 x 昇腾开发板， 轻松掌握DeepSeek大模型训推全流程！ # 课程发布 | 玩转昇思 x 昇腾开发板， 轻松掌握DeepSeek大模型训推全流程！ 2025/06/09 # 课程发布 | 玩转昇思 x 昇腾开发板， 轻松掌握DeepSeek大模型训推全流程！ 昇思MindSpore技术公开课系列课程上新！《昇思+昇腾开发板：软硬结合玩转DeepSeek开发实战》课程，指导开发者基于昇思在昇腾开发板上玩转大模型开发、微调、推理、性能调优全流程，扫描下方二维码前往学习链接。 --- https://www.mindspore.cn/activities/zh/3756/ --- 活动中心 昇思布道师招募啦！联合华为开发者布道师，双认证加持！ # 昇思布道师招募啦！联合华为开发者布道师，双认证加持！ 2025/06/11 # 昇思布道师招募啦！联合华为开发者布道师，双认证加持！ 昇思MindSpore开源生态的繁荣离不开每一位开发者的热情参与。为助力开发者实现技术影响力与个人价值的双重提升，**昇思MindSpore布道师计划** 联合 **华为开发者布道师计划** 助力布道师AI布道启航！即日起，成功申请成为 昇思MindSpore布道师 即可同步获得 华为开发者布道师 双认证资质，开启技术布道与生态共建的全新篇章！ **\# 01** **成为昇思布道师，你可以获得什么？** 1、技术影响力倍增：昇思布道师+华为开发者布道师双认证叠加，让你在开发者社区、企业合作、技术峰会中脱颖而出，成为AI生态的核心推动者。 2、资源扶持全覆盖：云算力支持、优先参与昇思MindSpore核心功能开发与体验、布道活动经费补贴、优秀案例有机会登上昇思开发者大会舞台。 3、职业发展加速器：个人专访、官网荣誉展示、媒体推广，提升行业影响力。 **\# 02** **成为昇思布道师，你需要做什么？** 1、传播技术，赋能开发者：基于昇思MindSpore发布技术文章或制作技术视频、主导或参与技术分享、指导团队完成项目开发等。 2、深耕AI框架与昇思生态：深入了解昇思核心技术、参与昇思相关项目开发或社区贡献等。 3、共建生态，践行开源精神：参与社区文档优化、在昇思论坛或社区答疑开发者问题、参与社区活动等。 **\# 03** **申请条件与流程** **\# 04** **加入我们，成为技术生态的引领者！** 无论你是高校师生、企业工程师，还是开源社区贡献者，只要你怀揣技术信仰，渴望用AI改变世界，这里就是你的舞台！ 扫描下方二维码申请成为昇思布道师 --- https://www.mindspore.cn/activities/zh/3757/ --- 活动中心 MindSpore Call for Demo 第二期报名延长至7月15日 # MindSpore Call for Demo 第二期报名延长至7月15日 2025/06/12 # MindSpore Call for Demo 第二期报名延长至7月15日 ### MindSpore Call for Demo 第二期报名延长至7月15日 --- https://www.mindspore.cn/activities/zh/3759/ --- 活动中心 官宣：6月21-22日松山湖，HDC 2025量子编程训练营+体验官，诚邀您来现场参加！ # 官宣：6月21-22日松山湖，HDC 2025量子编程训练营+体验官，诚邀您来现场参加！ 2025/06/13 # 官宣：6月21-22日松山湖，HDC 2025量子编程训练营+体验官，诚邀您来现场参加！ **\# 01** 一年一度的\*\*华为开发者大会（HDC 2025）\*\*即将于6月20-22日在东莞松山湖盛大举办！**华为开发者大会**是华为面向全球开发者的年度旗舰盛会，包含丰富多样的主题演讲、峰会、专题论坛、互动体验以及数百场面向开发者的特色活动。无论你是深耕技术多年的资深开发者，还是初入编程世界的探索者，这场盛会将为你打开一扇通往前沿科技的大门。 **HDC 2025 量子编程训练营&产品体验官**，6月21日-22日，欢迎感兴趣的开发者来**松山湖现场体验，参与社区互动，解锁专属福利，更有机会赢取华为云开发者定制礼品！** **参会攻略奉上，带你解锁HDC 2025之旅：** **\# 02** 无需本地部署，云端一键开启创新之旅，所有产品体验均有步骤指南，新手也能轻松上手。 **体验一：手把手教你使用MindSpore Quantum玩转量子计算** **体验二：体验华为云ModelArts平台量子线路编程** 基于华为云ModelArts平台和MindSpore Quantum量子编程框架,体验量子算法开发，探寻量子世界的奥秘。 **HDC2025-量子训练营，有意向参与，请添加小助手微信 LLT66TT，咨询详情。** 感谢大家对量子信息前沿学科的关注，我们准备了华为手环、多种风格的定制T恤、马克杯、晴雨伞、背包等众多精美礼品，参与现场活动，就有机会获得惊喜礼品！ --- https://www.mindspore.cn/activities/zh/3769/ --- 活动中心 直播 | 看新型有限体积求解器LDSolver如何加速流体的模拟 # 直播 | 看新型有限体积求解器LDSolver如何加速流体的模拟 2025/06/23 # 直播 | 看新型有限体积求解器LDSolver如何加速流体的模拟 6月25日19点，昇思MindSpore Science SIG月例会给你带来不一样的精彩！MindSpore Science是基于MindSpore融合架构打造的科学计算行业套件，包含了业界领先的数据集、基础模型、预置高精度模型和前后处理工具，加速了科学行业应用开发。目前已有地球科学领域套件MindEarth、计算流体求解套件MindFlow、计算电磁仿真领域套件MindElec、计算化学领域套件MindChemistry、计算生物领域套件MindSPONGE等多个科研领域套件。 MindSpore Science SIG旨在与广大开发者共同将AI与科学计算相结合，助力科学计算借助AI的强大计算能力，探索未知领域，提升计算效率和准确性，更好地应对复杂的科学计算问题。 本期我们邀请到来自中国人民大学高瓴人工智能学院的闫梦涛博士为大家作议题报告，围绕议题《用于加速流体模拟可学习-可微分的有限体积求解器》探讨流体流动模拟对于刻画气象学、空气动力学和生物医学等物理现象的重要性。我们将了解该研究团队提出的可学习且可微分的有限体积求解器——LDSolver。各位敬请期待！请锁定我们当晚的B站直播间，同时也欢迎大家来腾讯会议一同线上交流~ --- https://www.mindspore.cn/activities/zh/377/ --- 活动中心 第五期 MindSpore 集训营报名开启！ # 第五期 MindSpore 集训营报名开启！ 2021/01/15 # 第五期 MindSpore 集训营报名开启！ 在佛教哲学中，生命常常被比喻成一条奔流不息的河，世间万物、每个个体都处于永恒的变动中。以这样的世界观来看，学习也是一个渐进持续的过程，人类在发展，社会在进步，学习的迫切感越来越强。唯有不断学习才能跟上时代发展的步伐！有时间时可以多学一点，没时间可以去适当了解一下，但一定要坚持学习，因为这是生存的根本。 就像**MindSpore两日集训营**从2020年5月开启，一直到2021年的今天仍然在**持续更新**为大家提供优质课程，**致力于帮助大家更快的解决工作中的难题**。 本期MindSpore集训营带来了最新版本的实用功能讲解，通过使用MindSpore**实现一键部署在线推理服务**、**了解华为智慧终端的黑科技是什么**、**学习高效低功耗的单节点数据缓存模块**、**掌握快速定位模型精度问题的方法**，就在『第五期MindSpore两日集训营』！ 通过文章底部加小助手微信方式来报名哦，先来对上期集训营进行简单的回顾~ \>> 四大应用来袭！第四期MindSpore两日集训营等你报名~ 2020年09月12日-13日『第四期MindSpore两日集训营』开课，共计552人报名，和大家分享下报名参加『第四期MindSpore两日集训营』的同学们收获了什么成果！ ## 学习记录 感谢积极分享学习记录的同学们，既为大家提供了课程学习的新思路，又能在不断地反思总结中收获更多。希望同学们在MindSpore两日集训营的系列课程中**学到的不仅是最新的AI技术，还有更适合自己的学习方法**。 第四期集训营部分的学习记录链接如下： - 开发者 | 第四期MindSpore两日集训营记录 - 开发者 | MindSpore第四期集训营作业详细记录 - 开发者 | 使用Mindspore0.5运行Resnet50Imagenet ## 结业奖励 恭喜参加『第四期MindSpore两日集训营』并顺利结业的同学们！成为了麻麻口中别人家的孩子，收获了令身边小伙伴们眼馋的丰厚奖励： MindSpore官方认证的结业证书 + 图书《深度学习与MindSpore》+ MindSpore定制礼品（T恤、卫衣、数据线、雨伞、帆布袋等定制礼品，随机送出）。 ## 开发者反馈 MindSpore两日集训营用前沿知识帮你扫除工作中的难题；有丰厚的结业奖励犒劳爱生活爱学习的你；来融入集训营热情的氛围中，和小伙伴们交流观点，分享喜乐吧！ 在第四期集训营结课时，同学们迫切的希望第五期集训营赶快开课，MindSpore团队怎么会辜负大家的期待呢？\*\*『第五期MindSpore两日集训营』\*\*报名即刻开始！ 本期特邀6位MindSpore资深工程师为大家直播授课，参加集训的同学可通过使用MindSpore 实现一键部署在线推理服务、了解华为智慧终端的黑科技是什么、学习高效低功耗的单节点数据缓存模块、掌握快速定位模型精度问题的方法，讲解过后给大家留出时间消化内容、做作业，最后进行直播答疑，授课期间的任何疑问均能得到及时反馈！ ## 集训时间 **周末两天（01月23日-01月24日）** 上午 09:00-12:00 视频直播课 下午 14:00-17:00 做作业+提问题 晚上 18:00-19:00 直播答疑 ## 课程介绍 **Day1（01月23日 上午 09:00-12:00）** - MindSpore端边云统一格式MindIR - 华为智慧终端背后的黑科技 ：MindSpore Lite - 一键部署在线推理服务：MindSpore Serving **Day2（01月24日 上午 09:00-12:00）** - 动静统一：MindSpore PyNative - AI数据高速加载直通车：单节点数据缓存模块 - 快速定位模型精度问题：MindSpore调试器 ## 结业安排 \*\*☟\*\*结业标准: **完成Day1和Day2所有作业**的同学即可结业； 我们将于01月29日 晚上18:00前，为顺利结业的同学颁奖。 \*\*☟\*\*结业奖励： 所有完成作业的同学均可获得： **官方结业证书（电子+纸质）+ MindSpore官方书籍 + MindSpore定制礼品一份**（T恤、卫衣、数据线、雨伞、帆布袋等定制礼品，随机送出） MindSpore官方认证、具有进阶体系含义的定制证书分为四个等级： 1. Mind：MindSpore最高等级的荣誉称号 2. Jacobi：代表MindSpore布道师 3. **Gradient：代表MindSpore优秀开发者** 4. Spore：官方认证MindSpore小孢子 上述四个等级包含两个子等级：Training和Inference。 在两日集训结束后，完成结业要求的同学荣获官方认证MindSpore小孢子称号和**SI（Spore-Inference）等级证书**；有意向开展MindSpore技术主题演讲的同学可报名参加优秀开发者评选活动（线上线下报名均可），**报名截止至01月25日晚21:00**。 优秀开发者评选通过的同学，将由官方安排演讲时间，完成演讲后将荣获**官方认证「MindSpore优秀开发者」称号**，并获得**GI（Gradient-Inference）等级证书****和****价值1500元精美礼品**。 **直播平台**：B站MindSpore官方账号 **报名**：微信扫描下方二维码添加小助手好友 **\*记得备注：集训** --- https://www.mindspore.cn/activities/zh/3772/ --- 活动中心 6月26日 | 昇思MindSpore Heterogeneous Fusion SIG月例会 # 6月26日 | 昇思MindSpore Heterogeneous Fusion SIG月例会 2025/06/25 # 6月26日 | 昇思MindSpore Heterogeneous Fusion SIG月例会 异构算力融合SIG（Heterogeneous Fusion SIG）期望更好的通过MindSpore使能异构硬件加速，并设计稳定、易用的支持异构硬件接入的南向接口。 **就在明天下午15：00，欢迎对异构算力融合方向感兴趣的同学参加SIG月例会！**大家如果有议题申报，可以直接在Etherpad链接中填写。**** **SIG例会：** **例行月度例会：月末周四北京时间15:00例行展开SIG会议。** 临时补充专项讨论会议：基于前一次会议讨论，按需临时增开专项议题会议讨论 会议链接：https://meeting.tencent.com/dm/vD188Q93P5Re 订阅SIG邮件：https://etherpad.mindspore.cn/p/sig-Heterogeneous-Fusion-meetings （欢迎大家订阅SIG邮件，后续例会将通过邮件通知大家） Etherpad链接：https://etherpad.mindspore.cn/p/sig-Heterogeneous-Fusion-meetings（\*\*大家有议题申报的也可以在Etherpad链接中填写\*\*） **SIG成员：** **Maintainer 列表** **Committer列\*\*\*\*表** --- https://www.mindspore.cn/activities/zh/3773/ --- 活动中心 昇思MindSpore开源实习暑期特辑！多元任务解锁AI开发新成就 # 昇思MindSpore开源实习暑期特辑！多元任务解锁AI开发新成就 2025/06/25 # 昇思MindSpore开源实习暑期特辑！多元任务解锁AI开发新成就 ### 昇思MindSpore开源实习暑期特辑！多元任务解锁AI开发新成就 --- https://www.mindspore.cn/activities/zh/3774/ --- 活动中心 6月27日 | 昇思MindSpore PyNative SIG月例会 # 6月27日 | 昇思MindSpore PyNative SIG月例会 2025/06/26 # 6月27日 | 昇思MindSpore PyNative SIG月例会 MindSpore PyNative SIG（动态图模式框架开发SIG）专注于推动MindSpore动态图（即时执行， Eager Execution）模式的研发与优化，致力于提升动态图模式的性能、灵活性和易用性，以满足深度学习领域对快速开发、调试、执行等的需求。 **6月27日下午16：00，欢迎对动态图模式框架开发方向感兴趣的同学参加SIG月例会！**大家如果有议题申报，可以直接在Etherpad链接中填写。**** **SIG例会：** **例行月度例会：月末周五北京时间16:00例行展开SIG会议。** 临时补充专项讨论会议：基于前一次会议讨论，按需临时增开专项议题会议讨论 会议链接： https://meeting.tencent.com/dm/4n0fPfkJVSAn 订阅SIG邮： https://www.mindspore.cn/sig/MindSpore%20PyNative （欢迎大家订阅SIG邮件，后续例会将通过邮件通知大家） Etherpad链接：https://etherpad.mindspore.cn/p/sig-MindSpore-PyNative-meetings（\*\*大家有议题申报的也可以在Etherpad链接中填写\*\*） **SIG成员：** **Maintainer 列表** **Committer列\*\*\*\*表** --- https://www.mindspore.cn/activities/zh/3777/ --- 活动中心 MindSpore论坛报错活动第三十五期 # MindSpore论坛报错活动第三十五期 2025/07/04 # MindSpore论坛报错活动第三十五期 # **奖励规则** **1、每个任务难度等级不同，完成不同等级任务获得对应的奖励！** ·难度等级：易，可获得50元京东自营自选； ·难度等级：中，可获得100元京东自营自选； **2、若被选为优秀案例，奖品奖励将会在原来基础上升级！** ·原本’难度等级：易‘的可在’难度等级：中‘的奖品中选择； ·原本’难度等级：中‘的可获得150元京东自营自选。 # **活动时间** `2025年06月26日——2025年07月06日` # **活动方式** 1. 已发布4个报错任务在论坛的“活动体验板块”，完成其中的一个或多个。 序号 任务帖名称及超链接 难度等级 任务一 MindFormers制作的数据集如何按顺序遍历加载 易 任务二 静态图模式下报错TypeError: Recompute is not supported in pynative mode currently 易 任务三 模型初始化和加载时间过长如何解决 中 任务四 MindSpore如何在多卡环境下对计算进行加速 中 1. 用户根据个人意愿选择报错任务，需要发布帖子对报错任务进行完整解答，帖子要发布在 **昇思MindSpore** **论坛→** **技术干货** **Technology→** **功能调试** **Function Debugging**中（可直接点击此链接跳转），详细地址可参考下图步骤找到。 image865×363 49.1 KB 2. 点击页面右上角“**新建话题**”进入发布帖子页面，首先填入标题并选择“**技术干货 Technology→功能调试 Function Debugging**”类别，也可根据帖子内容选择对应标签，将正文内容编辑完毕点击“**创建话题**”即可完成发帖！！！ image865×402 44.3 KB 3. 在将参与帖发布成功后，将个人邮箱私信回复给本帖版主账号中，将干货链接回复到该帖子下方。 4. 每个任务择优选取一位用户获奖，活动结果将会在用户的参与帖下方评论通知，并通过私信进行联系。 # **注意事项** 1. 请勿刷帖，刷帖一律删帖并做无效参与处理。 2. 必须保证原创，抄袭按无效参与处理。 3. 请勿盗取他人截图或内容，一经发现做无效参与处理。 4. 必须符合设定的格式，否则算作无效参与。 --- https://www.mindspore.cn/activities/zh/3779/ --- 活动中心 6月28日 | 昇思MindSpore Usability SIG月例会 # 6月28日 | 昇思MindSpore Usability SIG月例会 2025/06/27 # 6月28日 | 昇思MindSpore Usability SIG月例会 MindSpore 易用性组(Usability SIG)专注于推动MindSpore易用性(Python API/文档/教程/案例)。该小组由华为MindSpore核心开发团队、学术界专家及社区开发者共同组成，致力于提升MindSpore开发者体验。 **6月28日下午16：00，欢迎对MindSpore易用性方向感兴趣的同学参加SIG月例会！**大家如果有议题申报，可以直接在Etherpad链接中填写。**** **SIG例会：** **例行月度例会：月末周六北京时间16:00例行展开SIG会议。** 临时补充专项讨论会议：基于前一次会议讨论，按需临时增开专项议题会议讨论 会议链接： https://meeting.tencent.com/dm/PWeZSR572M0U 订阅SIG邮： https://www.mindspore.cn/sig/MindSpore%20Usability （欢迎大家订阅SIG邮件，后续例会将通过邮件通知大家） Etherpad链接： https://etherpad.mindspore.cn/p/sig-MindSpore-Usability-meetings（\*\*大家有议题申报的也可以在Etherpad链接中填写\*\*） **SIG成员：** --- https://www.mindspore.cn/activities/zh/378/ --- 活动中心 MindSpore 1.1版本体验获奖名单~ # MindSpore 1.1版本体验获奖名单~ 2021/01/19 # MindSpore 1.1版本体验获奖名单~ 体验MindSpore新年新版本，缤纷好礼享不停！活动已于1月15日结束~ 感谢各位的参与！让我们来看看获奖详情吧~ 奖品四选一哦！本次奖品如下： 1.咖啡杯 2.速干浴巾 3.迷你烤箱 4.一体式挤牙膏机 中奖的用户请关注您留下的邮箱：我们会通过1261354409@qq.com的邮箱联系您如何获取！ 领取截止日期为2021年1月26日24：00 中奖名单： \[1\]: chenkai5660689@huawei.com \[2\]: xx1213897@163.com \[3\]: 674917912@qq.com \[4\]: 8714604@qq.com \[5\]: znj254423959@163.com \[6\]: eh@gehidc.cn \[7\]: chaojililin@163.com \[8\]: chunjcsx20@vip.qq.com \[9\]: flower\_ma123@163.com \[10\]: 1127467922@qq.com \[11\]: freegpu1997@163.com \[12\]: tianyy199512@163.com \[13\]: 492232810@qq.com \[14\]: logic\_shawn@163.com \[15\]: angelbaby314@163.com \[16\]: huahua\_1234567899@163.com \[17\]: franco52576@qq.com \[18\]: mobile19972020@163.com \[19\]: liwenxue\_tianjin@163.com \[20\]: liwenxue\_liwenxue@163.com \[21\]: 2285113460@qq.com \[22\]: gaoyu55@huawei.com \[23\]: luopengting@huawei.com \[24\]: fyp122131@outlook.com \[25\]: wangrui@ruochen.email \[26\]: alienware007@163.com \[27\]: tjulitianyi@163.com \[28\]: jiangmingfeng@hisilicon.com \[29\]: 2070599503@qq.com \[30\]: haoran.com.cn@163.com \[31\]: 3015204094@tju.edu.cn \[32\]: 384247859@qq.com \[33\]: 125392046@qq.com \[34\]: wenxuejia\_laol@163.com \[35\]: aoliong@qq.com \[36\]: xilixili99@163.com \[37\]: 1423852727@qq.com \[38\]: 478893184@qq.com \[39\]: dadizhishu1999@163.com \[40\]: twoday1895@163.com 恭喜以上的用户！ --- https://www.mindspore.cn/activities/zh/3781/ --- 活动中心 电子科大开源实训营 | 昇思MindSpore带你开启LLM应用开发创新之旅 # 电子科大开源实训营 | 昇思MindSpore带你开启LLM应用开发创新之旅 2025/06/30 # 电子科大开源实训营 | 昇思MindSpore带你开启LLM应用开发创新之旅 电子科大开源实训营欢迎大家 --- https://www.mindspore.cn/activities/zh/3783/ --- 活动中心 开源之夏2025——昇思MindSpore社区中选名单公示！31位开发者即将启程！ # 开源之夏2025——昇思MindSpore社区中选名单公示！31位开发者即将启程！ 2025/07/01 # 开源之夏2025——昇思MindSpore社区中选名单公示！31位开发者即将启程！ 6月28日，经历了导师、社区、组委会三轮审核后，开源之夏2025中选名单正式揭晓！昇思 MindSpore社区发布的项目共收到 103份项目申请，最终 31位优秀学生脱颖而出！他们将在导师指导下，开启为期3个月的开源项目开发之旅，为昇思MindSpore生态注入新活力。 ****\# 01**** ****中选项目公示**** **\# 02** ****开发与结项关键信息**** **1、时间节点** - 开发预热期：2025年6月28日-30日（与导师沟通需求） - 正式开发期：2025年7月1日-9月30日 - 结项提交截止：2025年9月30日24:00（UTC+8） - 结项审核期：2025年10月1日-11月8日 - 结项公示期：2025年11月9日 **2、结项要求** - 提交PR/MR至昇思MindSpore社区仓库并合并 - 完成结项报告（含代码贡献、测试结果、问题总结） 学生指南：https://blog.summer-ospp.ac.cn/help/student%20guide 开源之夏——昇思MindSpore社区项目不仅是技术成长的舞台，更是开发者与社区深度联结的契机。期待同学们在开源世界中探索、创新，共同书写昇思MindSpore生态的新篇章！ --- https://www.mindspore.cn/activities/zh/3784/ --- 活动中心 直播预告 | 带你解析模型性能关键因素，并基于昇思进行性能调优 # 直播预告 | 带你解析模型性能关键因素，并基于昇思进行性能调优 2025/07/02 # 直播预告 | 带你解析模型性能关键因素，并基于昇思进行性能调优 ### 直播预告 | 带你解析模型性能关键因素，并基于昇思进行性能调优 MindSpore Transformers SIG目标是构建一个大模型预训练、微调、评测、推理、部署的全流程开发套件，提供业内主流的Transformer类大语言模型（Large Language Models, LLMs）和多模态理解模型（Multimodal Models, MMs）。期望帮助用户轻松地实现大模型全流程开发。 **7月3日下午16：00，欢迎对MindSpore Transformers方向感兴趣的同学参加SIG月例会！**大家如果有议题申报，可以直接在Etherpad链接中填写。**** **SIG例会：** **例行月度例会：北京时间**周四**16:00例行展开SIG会议。** 临时补充专项讨论会议：基于前一次会议讨论，按需临时增开专项议题会议讨论 会议链接： https://meeting.tencent.com/dm/olkrpDKfadmJ Etherpad链接：https://etherpad.mindspore.cn/p/sig-MindSpore-Transformers-meetings（\*\*大家有议题申报的也可以在Etherpad链接中填写\*\*） --- https://www.mindspore.cn/activities/zh/3786/ --- 活动中心 昇思MindSpore开源实习暑期特辑！香橙派开发实战任务已就位 # 昇思MindSpore开源实习暑期特辑！香橙派开发实战任务已就位 2025/07/03 # 昇思MindSpore开源实习暑期特辑！香橙派开发实战任务已就位 这个夏天，昇思MindSpore为你准备了超多有趣又硬核的开源实习任务，助你解锁前沿技术，积累实战经验！香橙派应用开发任务让你动手实践完成部署与调试，打造智能硬件应用！还有更多趣味任务等你来发现！马上报名活动了解更多任务内容吧！ 暑期第一波任务来袭！香橙派开发板任务带你抢先体验！ 香橙派开发板可广泛适用于AI边缘计算、深度视觉学习及视频流AI分析、视频图像分析、自然语言处理、智能小车、机械臂、无人机、AR/VR、智能家居等领域，覆盖 AIoT各个行业。本次我们将通过活动任务来学习使用香橙派板的模型部署与调试。 活动亮点 1.丰厚实习薪资（20分/1000元；最高100分/8000元） 2.资深导师指导协助 3.结识开发任务小伙伴 4.优秀者将有机会作为嘉宾参与其他技术峰会 5.进入社区可获取更多活动邀请 更多详情，请看下方活动海报~ --- https://www.mindspore.cn/activities/zh/3793/ --- 活动中心 【报名启动】MindSpore SPONGE第五季暑期学校：AI赋能分子科学前沿与实践，西湖之畔免费开讲！ # 【报名启动】MindSpore SPONGE第五季暑期学校：AI赋能分子科学前沿与实践，西湖之畔免费开讲！ 2025/07/11 # 【报名启动】MindSpore SPONGE第五季暑期学校：AI赋能分子科学前沿与实践，西湖之畔免费开讲！ 你是否渴望深入探索人工智能如何变革分子模拟、结构预测与药物设计？ 你是否希望亲手实践前沿的计算工具，站在分子科学创新的最前沿？ 机会来了！**MindSpore SPONGE第五季暑期学校**震撼回归，8月西湖，等你来学！ **\# 01** **聚焦AI×分子科学，打造沉浸式学习盛宴！** MindSpore SPONGE是昇思MindSpore开源社区持续深耕分子计算领域，联合北京大学、昌平实验室和深圳湾实验室打造了新一代分子科学建模平台。该平台具备**高性能、模块化**的特性，旨在推动人工智能与分子模拟的自然融合，为领域研发者提供强大的理论和算法实现工具。 本次由昇思MindSpore社区联合北京大学、昌平实验室、深圳湾实验倾力打造的MindSpore SPONGE第五季暑期学校，将于2025年8月18日至8月22日（共5天）在美丽的西湖大学线下举行！ 本季课程将延续高水准、强实践、重前沿的特色，免费向各领域开发者开放。 **\# 02** **本季核心亮点与课程内容** 本次课程精心设计，理论深度与实践广度并重，带你系统掌握AI驱动的分子科学核心技术： - \*\*“理论-工具-实践”深度闭环：\*\*每日课程均设前沿理论精讲+对应软件上机操作，强化知识转化效率。 - \*\*贯通AI+分子科学全流程：\*\*系统覆盖分子模拟→结构预测→分子设计→智能体开发全技术链条。 - \*\*高性能计算工具全景实践：\*\*深度应用行业领先工具链（SPONGE、MEGA-Protein、ADAM），融合高性能硬件加速。 - \*\*科学智能体前瞻探索：\*\*系统讲授 ADAM框架（科学计算智能体）开发，实践量子化学计算智能体 ABACUS。 **授课重点：** 夯实理论基础 + 剖析前沿研究 + 强化动手实践 = 一次学懂、学会、能用！ \*以上为拟定课程，具体以实际课程为准 **\# 03** **顶尖讲师阵容** 本季暑期学校的课程将由来自MindSpore SPONGE核心开发团队、北京大学、昌平实验室、深圳湾实验等高校与科研单位顶尖科研人员、工程师倾情授课。他们兼具深厚的理论功底和丰富的实战经验，将带来最前沿的行业洞察与技术分享。 （注：最终讲师名单将在后续通知中公布） **\# 04** **谁适合报名？** - “对AI+Science交叉领域，特别是分子模拟、结构生物学、计算药物设计等方向有浓厚兴趣的开发者。 - 高校及科研院所在计算化学、生物物理、生物信息学、药学、材料科学、计算机科学等相关领域的师生与研究人员。 - 工业界（如制药、生物技术公司）中从事相关研发工作的工程师、研究人员。 **\# 05** **报名方式与活动信息** - \*\*报名时间：\*\*即日起至 2025年8月15日 - \*\*上课时间：\*\*2025年8月18日~8月22日 - **上课地点：** 西湖大学（具体教室报名后通知，因位置有限，以邮件回复确认为准） - \*\*课程费用：\*\*免费（往返交通及餐饮费用等额外费用需学员自行承担） - **住宿安排：** 为方便学员，提供西湖大学校内住宿安排，费用为50元人民币/人/天（需在报名时选择是否需要住宿，因位置有限，以邮件回复确认为准）。 这是一次难得的系统学习AI分子科学前沿知识与顶尖工具的机会，与领域专家和优秀同行深度交流的平台。西湖之畔，盛夏时节，让我们共同开启一场融合智慧与创新的科学之旅！ --- https://www.mindspore.cn/activities/zh/3796/ --- 活动中心 7月17日 | 昇思MindSpore Science SIG月例会 # 7月17日 | 昇思MindSpore Science SIG月例会 2025/07/16 # 7月17日 | 昇思MindSpore Science SIG月例会 MindScience是基于MindSpore融合架构打造的科学计算行业套件，包含了业界领先的数据集、基础模型、预置高精度模型和前后处理工具，加速了科学行业应用开发。MindSpore Science SIG旨在与广大开发者共同将AI与科学计算相结合，助力科学计算借助AI的强大计算能力探索未知领域，提升计算效率和准确性，更好地应对复杂地科学计算问题。 **7月17日19：00，欢迎对科学计算**方向感**兴趣的同学参加SIG月例会！****大家如果有议题申报，可以直接在Etherpad链接中填写。****** **SIG例会：** **例行月度例会：月中周四北京时间19:00例行展开SIG会议。欢迎感兴趣的开发者订阅SIG邮件：dev@mindspore.cn 及时获取会议通知。** 临时补充专项讨论会议：基于前一次会议讨论，按需临时增开专项议题会议讨论 会议链接： https://meeting.tencent.com/dm/XsUxvp58JLOQ Etherpad链接： https://etherpad.mindspore.cn/p/sig-MindSpore-Science-meetings\*\*（\*\*\*\*\*\*大家有议题申报的也可以在Etherpad链接中填写\*\*\*\*\*\*）\*\* **SIG成员：** --- https://www.mindspore.cn/activities/zh/3798/ --- 活动中心 昇思学习营 | 10天玩转昇腾开发板，手把手带你构建AI大模型 # 昇思学习营 | 10天玩转昇腾开发板，手把手带你构建AI大模型 2025/07/17 # 昇思学习营 | 10天玩转昇腾开发板，手把手带你构建AI大模型 昇思学习营 | 10天玩转昇腾开发板，手把手带你构建AI大模型 --- https://www.mindspore.cn/activities/zh/3799/ --- 活动中心 2025年度Hackathon软件难题挑战赛昇思赛道火热招募中！ # 2025年度Hackathon软件难题挑战赛昇思赛道火热招募中！ 2025/07/22 # 2025年度Hackathon软件难题挑战赛昇思赛道火热招募中！ Hi，昇思MindSpore社区的软件高手们！ 想一起挑战软件难题吗？ 2025 年度 Hackathon 软件难题挑战赛，它来啦，本次活动将设置昇思MindSpore相关题目，欢迎社区的软件高手积极参与，一起深入了解昇思MindSpore、与软件精英结对编程，扩大知识视野，show 出极致自我，晋级决赛还可以开展一段松山湖欧洲小镇之旅。希望广大开发者能够享受本次挑战赛并预祝挑战赛的成功举办。 --- https://www.mindspore.cn/activities/zh/380/ --- 活动中心 1小时入门AI开发，0基础直通MindSpore全流程 ！ # 1小时入门AI开发，0基础直通MindSpore全流程 ！ 2021/01/22 # 1小时入门AI开发，0基础直通MindSpore全流程 ！ 新活动又来啦！仔细阅读，文内还有有小惊喜哦！ 老规矩，先看奖品： 跳绳+护眼灯+电煮锅+加湿器+牛牛储蓄罐 ****本次活动有效参与还有证书发放！**** ******活动时间：1月22日——1月31日****** ******那么如何获取上述奖品呢？****** ******参考下面的步骤！****** ********步骤1：Star相关仓库******** ******1\. 访问gitee和github，并star和fork主仓mindspore和docs仓。****** ******Gitee：https://gitee.com/mindspore****** ******GitHub：https://github.com/mindspore-ai****** ******（star方式：进入仓库，单击右上角“star”按钮，如下图所示）****** ******2\. 将已经star的MindSpore相关仓库截图并保存。（参考示例）****** ********步骤二：课程学习和实践******** ******1\. 参考官网教程《1小时入门AI开发工程师》，完成学习和实践。****** ******教程链接：https://www.mindspore.cn/news/newschildren?id=354****** ******2\. 训练过程中，截图训练时间图片。****** ******3\. 使用手机识别猫狗图案，并将识别结果截图保存。****** ******4\. 准备star仓库的截图，手机识别结果的截图，训练时间截图。****** ******5\. 在MindSpore论坛的“活动体验”主题分类发帖，帖子内容为四张图片+个人邮箱。（参考示例）****** ********步骤三：额外奖励，先到先得！******** ******1\. **需先完成步骤二**，在gitee上fork代码仓mindspore/docs。****** ******2\. gitee新用户请查阅《贡献文档》，并签署CLA，重点注意如下图：****** ******3\. 将个人参与信息添加到markdown文件的表格内，参与链接需是本人帖，Markdown文件地址:https://gitee.com/mindspore/docs/blob/master/activity/ActivityRecord.md。****** ******4\. 修改完成后，提交PR合入到mindspore/docs的master分支，并关联到issue：https://gitee.com/mind\_spore/dashboard?issue\_id=I2EBR7。****** ******5\. 优先选择10名用户合入，成功合入的用户可以从奖品中任选1件，与论坛活动参与兼中兼得！****** ******(提交PR流程可参考论坛干货帖：git+码云提交PR流程记录 )****** ********注意事项******** ****1\. 提交PR必须到gitee指定位置。**** ****2\. 所有活动中提交的图片若相同，后提交者视作无效参与（以发帖时间为准）。**** ****3\. 小号刷帖或收件信息相同，视作无效参与。**** ****4\. 所有成功参与并完成的用户将会获取证书和奖品各一份。**** ****5\. 最终解释权归MindSpore团队所有。**** --- https://www.mindspore.cn/activities/zh/3800/ --- 活动中心 填问卷赢好礼！您的声音让昇思MindSpore更优秀 # 填问卷赢好礼！您的声音让昇思MindSpore更优秀 2025/07/18 # 填问卷赢好礼！您的声音让昇思MindSpore更优秀 填问卷赢好礼！您的声音让昇思MindSpore更优秀 --- https://www.mindspore.cn/activities/zh/3803/ --- 活动中心 直播预告 | 深度解析MindSpore + DeepSeek R1 蒸馏技术与应用实践 # 直播预告 | 深度解析MindSpore + DeepSeek R1 蒸馏技术与应用实践 2025/07/23 # 直播预告 | 深度解析MindSpore + DeepSeek R1 蒸馏技术与应用实践 2025 开放原子开源生态大会将于 7 月 23-24 日在北京国家会议中心召开。作为开放原子开源基金会年度大型品牌活动，本届大会以“开源赋能产业，生态共筑未来”为主题，汇聚政、产、学、研、用、金、创、投等各领域开源力量，聚焦开源政策导向、生态发展趋势、开源产业实践。 华为工程师陈嘉浩受邀出席2025 开放原子开源生态大会DeepSeek 生态分论坛分享《深度解析MindSpore + DeepSeek R1 蒸馏技术与应用实践》，为大家介绍昇思MindSpore支持DeepSeek R1蒸馏的关键技术点及DeepSeek R1蒸馏实践，将在7月24日12：00-12：20进行直播，欢迎大家扫码下方二维码查看，期待与大家相见。 陈嘉浩 华为工程师 12：00-12：20 深度解析MindSpore + DeepSeek R1 蒸馏技术与应用实践 议题简介： MindSpore Transformers关键技术解析：支持DeepSeek R1蒸馏的数据处理方案。 DeepSeek R1蒸馏过程实践：展示如何将DeepSeek R1高级推理能力迁移到较小的模型。 扫码查看精彩直播 --- https://www.mindspore.cn/activities/zh/3810/ --- 活动中心 MindSpore SPONGE第五季暑期学校议程全公开！ # MindSpore SPONGE第五季暑期学校议程全公开！ 2025/08/07 # MindSpore SPONGE第五季暑期学校议程全公开！ --- https://www.mindspore.cn/activities/zh/3814/ --- 活动中心 就在明天！MindSpore SPONGE 第五季暑期学校开课了！ # 就在明天！MindSpore SPONGE 第五季暑期学校开课了！ 2025/08/17 # 就在明天！MindSpore SPONGE 第五季暑期学校开课了！ --- https://www.mindspore.cn/activities/zh/3816/ --- 活动中心 2025年昇思MindSpore大模型创新训练营（长三角站）报名通知 # 2025年昇思MindSpore大模型创新训练营（长三角站）报名通知 2025/08/21 # 2025年昇思MindSpore大模型创新训练营（长三角站）报名通知 为加强长三角区域高校优秀青年学子的交流与互动，提供学生与产业界接触的机会，上海交通大学与华为技术有限公司共同发起，面向长三角区域大学生开设本次创新训练营。 昇思MindSpore大模型创新训练营以业界需求为背景、以实际项目为依托、以学生实践为主线，引导学生在实践过程中学习大模型相关知识，掌握有关技术和工具，帮助学生更好把握业界最新技术发展趋势，加深对人工智能行业的认识，为学生持续提升个人创新能力和实践能力打下坚实基础。 # **组织方** 主办单位：上海交通大学、华为技术有限公司 承办单位：上海交通大学学生创新中心、昇思MindSpore开源社区 # **时间安排** 8月18日-9月4日 各校学生招募及前置课程学习 9月5日-6日 训练营名额确认 9月10日-12日 线下训练营学习 # **课程安排** # **授课团队** # **活动组织** **（一）学员报名** 1.招募要求 （1）训练营面向计算机、人工智能、软件工程、大数据等相关专业的本科生和研究生； （2）参加训练营的学生应至少熟练掌握C/C++/Python/MATLAB中任一编程语言； （3）参加训练营的学生应具备高等数学、线性代数、概率统计基础知识，应具有一定的深度学习基础； （4）参加训练营的学生需具有良好的沟通和协作能力（不同高校的学生将混合编组）； （5）报名的学生需通过华为人才在线前置课程学习并达到80分及以上方可入营学习。 （6）本次招募60人，已入营学生一经确认需全程参与本次训练营。 2.报名时间及方式 扫描下方二维码，填写报名表进行报名： 为方便学生交流、参加前置课程学习，请同步加入QQ群聊（群号码：677064686）。 报名截止时间：2025年9月1日 24:00 **（二）线上学习** 8月18日至9月4日，学生开展前置线上学习，回顾必要知识、准备实训环境。参加学生须完成在线课程的学习并通过知识测验，确保具备完成课程所需的基础知识。 前置任务完成的情况将作为确定营员名单的依据。 **（三）线下训练营** 地点：上海交通大学学生创新中心B楼303-305教室 9月10日—12日线下课程，9月12日下午17点前结营。配备教练和助教，展示华为ICT大赛往期优秀获奖作品。组织评选优秀营员，由活动主办方统一颁发证书，提供精美奖品。 有关说明 本次训练营不收取营员任何费用，上海交通大学提供午餐券。 联系方式： 华为技术有限公司 翟老师 13681789600 上海交通大学学生创新中心 裴老师 15021100262 --- https://www.mindspore.cn/activities/zh/3818/ --- 活动中心 即刻启程！昇思MindSpore开源实习最新任务池已开放，就等你的PR！ # 即刻启程！昇思MindSpore开源实习最新任务池已开放，就等你的PR！ 2025/08/22 # 即刻启程！昇思MindSpore开源实习最新任务池已开放，就等你的PR！ 昇思MindSpore开源实习活动新任务迎接你的挑战！多样化的任务类型总有你的擅长项目，完成任务累计积分可获得实习薪资（达成20分）与实习证明（达成60分）快来一起看看吧。 套件应用开发任务带你了解昇思MindSpore的多领域套件；昇腾开发板应用任务教你学会搭建开发环境以及跑通AI推理案例，为后续的AI应用开发打下坚实基础；MindSpore CPU硬件功能编译任务让你了解如何分离后端代码，上手实现CPU后端的解耦与重构；技术公开课教程开发任务要你从导师教学的角度看问题，自主完善教学案例。更多趣味与技术性兼备的任务等着你来完成！ # **\# 01** **香橙派开发板任务** OrangePi AIpro采用昇腾AI技术路线，具体为4核64位处理器+AI处理器，集成图形处理器，支持8/20TOPS AI算力，拥有8GB/12GB/16GB/24GB LPDDR4X，可以外接32GB/64GB/256GB eMMC模块，支持双4K高清输出。 OrangePi AIpro 引用了相当丰富的接口，包括两个HDMI输出、GPIO接口、Type-C电源接口、支持SATA/NVMe SSD 2280的M.2插槽、TF插槽、2.5G高速网口、三个USB3.0、一个USB Type-C 3.0、一个Type-C（串口打印调试功能）、两个MIPI摄像头、一个MIPI屏等，预留电池接口，可广泛适用于AI边缘计算、深度视觉学习及视频流AI分析、视频图像分析、自然语言处理、智能小车、机械臂、人工智能、无人机、云计算、AR/VR、智能家居等领域，覆盖 AIoT各个行业。 **1、**应用开发任务**** 任务需要你按要求基于MindSpore NLP仓已有模型，开发可在香橙派AIpro或其他同硬件的开发板运行的应用。模型参数规模在4B以下，或者模型权重文件大小小于4GB。具体模型规格的选择可以参考HuggingFace镜像站。完整实现相应的功能，并在AIpro或其他同硬件的开发板上运行流畅即可。 任务页面： https://gitee.com/mindspore/community/issues/ICJ96T ****2、Min接口开发任务**** 香橙派github仓中在线推理案例01-quick start 基于MindSpore2.6.0的PyNative模式下可以在香橙派开发板正常流畅运行，任务提交PR时同步修改下代码仓README的本案例对应版本信息。提交代码至orange-pi-mindspore代码仓， 改写完的代码文档直接覆盖原来的代码文件即可，代码文件为.ipynb格式，并且文件中保留每步的执行结果。 任务页面： https://gitee.com/mindspore/community/issues/ICJ99F # **\# 02** **CPU硬件功能开发任务** 昇思MindSpore CPU后端代码与框架流程代码目前没有分离编译，导致对CPU后端的依赖扩散到周边各组件，阻碍了MindSpore模块间的解耦。我们请各位开发者将昇思MindSpore CPU后端代码进行分离，从而实现CPU后端的解耦与重构，验收标准请见任务详情。 任务页面： https://gitee.com/mindspore/community/issues/ICIRQI # **\# 03** **技术公开课内容测试任务** 第一步需要由开发者测试代码，再安装创建时期的mindnlp+mindspore发行版本后能否跑通，如果可以跑通反馈并在pip install mindnlp和pip install mindspore处锁定版本。如第一步测试失败需要进行第二步操作，把对应代码刷新到ms2.6+mindnlp0.4.0版本并确保可以跑通，精度达标。验收请提交PPT和readme文档对项目进行说明，提交PR的代码需符合变成规范。 任务页面： https://gitee.com/mindspore/community/issues/IC71YH 昇思MindSpore开源实习活动任务持续更新中！更多开发任务即将上线，敬请期待！报名请看海报，如由疑问可加入我们的实习答疑群，有活动专属小助手为你解答昇思MindSpore开源实习的各项问题，欢迎加入一起共建昇思MindSpore社区。 --- https://www.mindspore.cn/activities/zh/382/ --- 活动中心 MindSpore社区网络模型征集活动正式开启！ # MindSpore社区网络模型征集活动正式开启！ 2021/01/25 # MindSpore社区网络模型征集活动正式开启！ 详情请点击：https://bbs.huaweicloud.com/forum/thread-86967-1-1.html --- https://www.mindspore.cn/activities/zh/3823/ --- 活动中心 大模型课程 | MindSpore 带你实战大模型训练-推理-调优全链路 # 大模型课程 | MindSpore 带你实战大模型训练-推理-调优全链路 2025/09/01 # 大模型课程 | MindSpore 带你实战大模型训练-推理-调优全链路 --- https://www.mindspore.cn/activities/zh/3825/ --- 活动中心 昇思MindSpore即将亮相GOSIM HANGZHOU 2025，分享AIKG大模型驱动的算子自动生成技术 # 昇思MindSpore即将亮相GOSIM HANGZHOU 2025，分享AIKG大模型驱动的算子自动生成技术 2025/09/03 # 昇思MindSpore即将亮相GOSIM HANGZHOU 2025，分享AIKG大模型驱动的算子自动生成技术 全球开源创新盛会GOSIM HANGZHOU 2025将于9月13-14日在杭州盛大启幕。本次大会以国际化、社区化、强互动为特色，深入聚焦开源与AI的前沿技术与跨界创新。届时，昇思MindSpore将与全球开发者、企业代表以及技术领袖一起，深入探索开源技术在AI时代的新可能。 # **\# 01** **昇思MindSpore精彩议题抢先看** 在AI模型与基础设施论坛上，昇思社区将带来题为AIKG领域的技术分享。该议题将展示昇思社区在AI编译器和算子生成领域的最新创新成果，探讨如何利用大语言模型技术革新传统算子开发流程。 # **\# 02** **来现场，与昇思MindSpore互动** 昇思社区将在大会展区设置专门展台，全面展示昇思MindSpore AI框架的全栈能力，现场观众将有机会与社区专家面对面交流，了解昇思社区的最新发展和技术路线，还有机会获得惊喜社区纪念品。 **大会基础信息** 会议名称：GOSIM HANGZHOU 2025 会议时间：2025年9月13-14日 会议地点：杭州白金汉爵酒店 会议官网： https://hangzhou2025.gosim.org/zh/ GOSIM HANGZHOU 2025将是全球开源开发者的一次盛会，昇思MindSpore社区的参与将为大会带来AI框架领域的最新技术洞察和实践经验。欢迎各位开发者前来交流互动，共同探讨AI框架技术的未来发展方向。 --- https://www.mindspore.cn/activities/zh/3828/ --- 活动中心 亮相GOSIM HANGZHOU 2025，昇思MindSpore开源社区专家深度解析支持SGLang方案实践 # 亮相GOSIM HANGZHOU 2025，昇思MindSpore开源社区专家深度解析支持SGLang方案实践 2025/09/09 # 亮相GOSIM HANGZHOU 2025，昇思MindSpore开源社区专家深度解析支持SGLang方案实践 全球开源创新盛会GOSIM HANGZHOU 2025将于9月13-14日在杭州盛大启幕。本次大会以国际化、社区化、强互动为特色，深入聚焦开源与AI的前沿技术与跨界创新。昇思MindSpore开源社区受邀亮相大会「AI 模型与基础设施」论坛及在展区设置展台。届时，昇思MindSpore将与全球开发者、企业代表以及技术领袖一起，深入探索开源技术在AI时代的新可能。 # **\# 01** **昇思MindSpore精彩议题抢先看** 在AI 模型与基础设施论坛上，昇思社区将带来题为SGLang使能MindSpore框架方案的技术分享。该议题将展示昇思社区在SGLang领域的最新成果，探讨如何在SGLang中优化跨框架的资源复用，并简洁地接入MindSpore模型。 # **\# 02** **相约杭州，共建开源AI未来** 我们相信，开源与共享是推动技术进步的重要力量。此次在GOSIM大会上的分享，不仅是MindSpore社区技术成果的一次展示，也是向全球开发者学习交流的宝贵机会。 如果您正在使用或关注SGLang、昇思MindSpore，或对大模型推理优化感兴趣，欢迎来现场与我们面对面交流，共同探讨AI系统架构与服务化部署的未来发展。 **大会基础信息** 会议名称：GOSIM HANGZHOU 2025 会议时间：2025年9月13-14日 会议地点：杭州白金汉爵酒店 会议官网： https://hangzhou2025.gosim.org/zh/ 让我们相约杭州，携手推进AI开源生态的繁荣与创新！ 除本议题外，昇思社区在本场大会上还有其他精彩内容。点击下图了解更多GOSIM HANGZHOU 2025上的MindSpore议题及展台亮点：https://mp.weixin.qq.com/s?\_\_biz=MzkxMTM2MjMzNg==&mid=2247632757&idx=1&sn=70d1c5b6851ae889d942083d5f5fb898&scene=21&poc\_token=HPy9w2ijXCBk95gEacofooL-xnhULdPu943VtoS5 --- https://www.mindspore.cn/activities/zh/384/ --- 活动中心 社区新知 | 参与WG-Doc，你所不知道的贡献者成长攻略 # 社区新知 | 参与WG-Doc，你所不知道的贡献者成长攻略 2021/01/26 # 社区新知 | 参与WG-Doc，你所不知道的贡献者成长攻略 MindSpore WG-doc，全称MindSpore Doc Working Group，旨在**改善MindSpore文档和相关的学习资源**，使社区成员能够在重要领域贡献力量并协助维护新特性，从而更好的**帮助更多开发人员来学习和使用MindSpore**。下面就让我们来看看WG-doc具体由哪些部分组成以及如何参与其中。 docs**是MindSpore开源社区上的一个仓库**，docs仓**包含了****MindSpore官网上的****所有文档**，包括安装、教程、文档的源文件以及各类API的工程文件等。同时请尽情提交PR到docs仓吧，我们欢迎所有意见和建议。有任何疑问可以提issue，我们会及时答复的。 **·** MindSpore官网：https://www.mindspore.cn **·** docs仓：https://gitee.com/mindspore/docs MindSpore docs仓的分支设置与MindSpore社区发布版本是保持一致的，各分支对应官网中相应版本的内容。以下是MindSpore docs仓分支示意图： 以下是MindSpore官网版本示意图： 其中，master分支对应的网页会每日更新，其余分支均在对应版本发布时上线。所有版本的发布件和资料地址可查看发布版本列表。 如果你有新特性文档或是想要对现有文档进行完善，请确认要提交的分支，并关注PR合入情况。 **·** 发布版本列表：https://www.mindspore.cn/versions/ **仓库文档的**目录结构如下，**各工程内分别设置了source\_zh\_cn和source\_en目录，用于存放中文和英文文档**。 docs ├───docs // 架构、网络和算子支持、编程指南等技术文档以及用于生成API的相关配置文件 | | | ├───api\_cpp // C++ API工程 | | | ├───api\_java // Java API工程 | | | ├───api\_python // Python API工程 | | | ├───faq // 常见问题 | | | ├───note // 设计和规格 | | | └───programming\_guide // 编程指南相关文档 │ ├───install // 安装指南 │ ├───lite // MindSpore Lite相关所有文档汇总及其链接 │ ├───resource // 资源相关文档 │ ├───tools // 自动化工具 │ ├───tutorials // 教程相关文档 | | | ├───inference // 推理教程相关文档 | | | ├───lite // 手机及IoT教程相关文档 | | | ├───notebook // 体验式文档 | | | ├───training // 训练教程相关文档 | | | ├───tutorial\_code // 教程对应样例代码 │ └───README\_CN.md // Docs仓说明 需要注意的是，以上结构会随版本演进而变化，请以说明文档中的目录结构说明描述为准。 **·** 说明文档：https://gitee.com/mindspore/docs/blob/master/README\_CN.md#目录结构说明 **欢迎大家在MindSpore docs仓建立issue参与讨论**，让MindSpore文档更加完善。更欢迎大家提交PR到MindSpore docs仓一起来参与贡献，**符合要求的文档将会在MindSpore官网中呈现哦**。参与文档贡献，您将获得以下权益： **1\. 熟悉开源流程** 我们提供了完整的开源文档参与机制，你可以参与文档内容修正、补充、翻译等任务，也可以参与MindSpore API注释的写作等任何感兴趣的任务，总有一款适合你！通过文档贡献，你可以**熟悉开源的参与方式、运作流程，为后续参与到MindSpore代码开发或其他开源项目打下扎实的基础**。详细的参与方式，请参见MindSpore贡献指南和贡献文档指南里面有详细的规范要求和样例，如果还有问题，也欢迎给我们留言哦。 **·** MindSpore贡献指南： https://gitee.com/mindspore/mindspore/blob/master/CONTRIBUTING.md **·** 贡献文档指南 https://gitee.com/mindspore/docs/blob/master/CONTRIBUTING\_DOC\_CN.md **2\. 0门槛参与MindSpore项目** MindSpore项目从2020年3月28日开源以来，深受广大开发者的欢迎，获得2020年度OSC中国开源最佳人气项目、中国人工智能最佳技术社区TOP5等奖项。可以说是好评如潮~ 其中，**文档是最为快速参与MindSpore项目的方式**。只要你发现文档中存在待完善的内容，或者有使用MindSpore的经验，都**可以通过贡献文档的方式参与到WG-doc**，您的参与很有可能会为其他开发者提供有帮助的信息。 我们也会发布简单的issue到docs仓，欢迎大家通过接受这类issue来参与贡献。 **·** docs仓：https://gitee.com/mindspore/docs/issues **3\. 奖励和认证** 积极参与MindSpore文档贡献和论坛干货分享者，将有机会获得丰厚的奖品哦~ 我们准备了**MindSpore官方书籍**给好学的你，以及**精美的MindSpore定制礼品**，包括但不限于T恤、卫衣、雨伞、帆布袋等，是不是很心动呢~ 授予优秀参与者荣誉称号，名单官网展示、专属奖品、官方大会门票等奖励，绝对的高大上！ **·** 论坛：https://bbs.huaweicloud.com/forum/forum-1076-1.html **·** 荣誉称号：https://www.mindspore.cn/community/evangelist **4\. 培训交流** MindSpore会定期组织线上、线下的培训交流活动，如果你参与了文档贡献，就可以**优先获得相关信息，并有机会获得免费参与的资格，获得第一手的讯息**。我们也设立了MindSpore WG-doc讨论群组，请私信管理员加入群组交流心得，欢迎大家踊跃发言~ 我们真诚期待与志同道合的您一起构建MindSpore文档生态，帮助越来越多的人认识MindSpore、体验MindSpore、使用MindSpore。MindSpore的成功在很大程度上归功于我们活跃的社区以及大家的辛勤工作和积极贡献。让我们在使MindSpore发光发热的道路上一起携手并进! **·** 管理员： https://gitee.com/gemini524 https://gitee.com/jonahlei * * * > MindSpore官方资料GitHub : https://github.com/mindspore-ai/mindspore > Gitee:https : //gitee.com/mindspore/mindspore > 官方QQ群 : 871543426 扫描下方二维码加入MindSpore项目 --- https://www.mindspore.cn/activities/zh/3843/ --- 活动中心 9月23日，MindSpore Lite 在RISC-V 端侧的移植和优化 # 9月23日，MindSpore Lite 在RISC-V 端侧的移植和优化 2025/09/23 # 9月23日，MindSpore Lite 在RISC-V 端侧的移植和优化 MindSpore Lite面向多种硬件后端设备（昇腾、麒麟等）提供轻量化AI推理加速能力，使能智能应用，为开发者提供端到端的解决方案，为算法工程师和数据科学家提供开发友好、运行高效、部署灵活的体验。 **9月23日16：00-17：00，欢迎对AI推理加速方向**感**兴趣的同学参加SIG月例会！大家如果有议题申报，可以直接在Etherpad链接中填写。** **例行月度例会：每双周一次，北京时间周二 16:00 - 17:00 以公开线上会议形式讨论SIG组议题。 欢迎感兴趣的开发者订阅SIG邮件：dev@mindspore.cn 及时获取会议通知。** 临时补充专项讨论会议：基于前一次会议讨论，按需临时增开专项议题会议讨论 会议链接： https://meeting.tencent.com/dm/gjC0YUCji1kq Etherpad链接： https://etherpad.mindspore.cn/p/sig-MindSpore-Lite-meetings**（****大家有议题申报的也可以在Etherpad链接中填写****）** --- https://www.mindspore.cn/activities/zh/3844/ --- 活动中心 开发者集结！昇思MindSpore携手司南社区打造开源实习专辑，共建繁荣生态 # 开发者集结！昇思MindSpore携手司南社区打造开源实习专辑，共建繁荣生态 2025/09/23 # 开发者集结！昇思MindSpore携手司南社区打造开源实习专辑，共建繁荣生态 昇思社区携手司南社区联合打造的昇思MindSpore开源实习-司南专辑迎接您的挑战！一次任务，多方学习！完成任务累计积分可获得实习薪资（达成20分）与实习证明（达成60分）快来一起看看吧。 **\# 01** **任务背景** - 司南大模型评测体系是业内主流的评测体系，其开源工具 OpenCompass 当前支持多个推理后端框架，除了默认的 HuggingFace 的 transformers 库外，还支持 LMDeploy 和 vLLM 等更高效的推理加速库。执行评测任务时，OpenCompass 支持通过命令行参数或推理加速服务 API 来切换不同后端推理服务。 - MindSpore 框架当前支持多个服务化推理框架，如MindIE、vLLM等。其中针对 vLLM ,MindSpore 通过 vLLM-MindSpore 插件进行了适配支持，可以针对 MindSporeTransformers(https://gitee.com/mindspore/mindformers) 库中支持的模型开展高效的服务化推理。 **\# 02** **任务说明** 本次任务分为两个方向： 1、携手司南社区，打造vllm-mindspore和OpenCompass的对接，并实现主流多模态的推理部署和评测。 2、携手司南社区，应用MindSpore Transformers ，vllm-mindspore和OpenCompass实现主流LLM模型的微调，推理部署和评测。 **\# 03** **任务学习和交流：** **昇思开源SIG：** 1、MindSpore LLM Inference Serving （推理服务化）SIG： - 基本介绍：https://www.mindspore.cn/sig/LLM%20Inference%20Serving - SIG会议：https://www.bilibili.com/video/BV1GS7GzJEaR/?spm\_id\_from=333.1387.search.video\_card.click&vd\_source=84de305fd34eb90c36ef701367f150fc 2、MindSpore Transformers SIG： - 基本介绍：https://www.mindspore.cn/sig/MindSpore%20Transformers - SIG会议：https://www.bilibili.com/video/BV1fL37zxE41/?spm\_id\_from=333.1387.search.video\_card.click&vd\_source=84de305fd34eb90c36ef701367f150fc **优秀课程：** - 昇思大模型全流程应用系列课程：https://mp.weixin.qq.com/s/860kPTNNtfcV7t71xfifiA - 书生大模型实战营（新一期即将开启）： https://colearn.intern-ai.org.cn/c6?s=mindspore 昇思MindSpore开源实习活动任务持续更新中！更多开发任务即将上线，敬请期待！报名请看海报，如由疑问可加入我们的实习答疑群，有活动专属小助手为你解答昇思MindSpore开源实习的各项问题，欢迎加入一起共建昇思MindSpore社区。 --- https://www.mindspore.cn/activities/zh/3845/ --- 活动中心 9月24日 | LLM Inference Serving SIG双周例会 # 9月24日 | LLM Inference Serving SIG双周例会 2025/09/24 # 9月24日 | LLM Inference Serving SIG双周例会 MindSpore大模型推理服务组（LLM Inference Serving SIG）致力于实现vLLM等开源推理服务框架与MindSpore推理能力的兼容互通，通过整合二者技术长板，提供高性能、易用的大模型推理服务能力。 **9月24日16：30-17：30，欢迎对大模型推理方向**感**兴趣的同学参加SIG月例会！大家如果有议题申报，可以直接在Etherpad链接中填写。** **例行月度例会：每双周一次，北京时间周三下午 16:30 - 17:30 以公开线上会议形式讨论SIG组议题。 欢迎感兴趣的开发者订阅SIG邮件：dev@mindspore.cn 及时获取会议通知。** 临时补充专项讨论会议：基于前一次会议讨论，按需临时增开专项议题会议讨论 会议链接： https://meeting.tencent.com/dm/U5EJCKl1FP8z Etherpad链接： https://etherpad.mindspore.cn/p/sig-LLM-Inference-Serving-meetings**（****大家有议题申报的也可以在Etherpad链接中填写****）** --- https://www.mindspore.cn/activities/zh/3846/ --- 活动中心 9月24日 | LLM Inference Serving SIG双周例会 # 9月24日 | LLM Inference Serving SIG双周例会 2025/09/24 # 9月24日 | LLM Inference Serving SIG双周例会 MindSpore大模型推理服务组（LLM Inference Serving SIG）致力于实现vLLM等开源推理服务框架与MindSpore推理能力的兼容互通，通过整合二者技术长板，提供高性能、易用的大模型推理服务能力。 **9月24日16：30-17：30，欢迎对大模型推理方向**感**兴趣的同学参加SIG月例会！大家如果有议题申报，可以直接在Etherpad链接中填写。** **例行月度例会：每双周一次，北京时间周三下午 16:30 - 17:30 以公开线上会议形式讨论SIG组议题。 欢迎感兴趣的开发者订阅SIG邮件：dev@mindspore.cn 及时获取会议通知。** 临时补充专项讨论会议：基于前一次会议讨论，按需临时增开专项议题会议讨论 会议链接： https://meeting.tencent.com/dm/U5EJCKl1FP8z Etherpad链接： https://etherpad.mindspore.cn/p/sig-LLM-Inference-Serving-meetings**（****大家有议题申报的也可以在Etherpad链接中填写****）** --- https://www.mindspore.cn/activities/zh/3849/ --- 活动中心 9月28日 | MindSpore Science SIG月度例会 # 9月28日 | MindSpore Science SIG月度例会 2025/09/26 # 9月28日 | MindSpore Science SIG月度例会 MindSpore Science是基于MindSpore融合架构打造的科学计算行业套件，包含了业界领先的数据集、基础模型、预置高精度模型和前后处理工具，加速了科学行业应用开发。MindSpore Science SIG旨在与广大开发者共同将AI与科学计算相结合，助力科学计算借助AI的强大计算能力探索未知领域，提升计算效率和准确性，更好地应对复杂地科学计算问题。 **9月28日19：00-20：00，欢迎对科学计算方向**感**兴趣的同学参加SIG月例会！大家如果有议题申报，可以直接在Etherpad链接中填写。** **例行月度例会：每月一次， 以公开线上会议形式讨论SIG组议题。 欢迎感兴趣的开发者订阅SIG邮件：dev@mindspore.cn 及时获取会议通知。** 临时补充专项讨论会议：基于前一次会议讨论，按需临时增开专项议题会议讨论 会议链接： https://meeting.tencent.com/dm/l79t53hnQRD2 Etherpad链接： https://etherpad.mindspore.cn/p/sig-MindSpore-Science-meetings**（****大家有议题申报的也可以在Etherpad链接中填写****）** --- https://www.mindspore.cn/activities/zh/385/ --- 活动中心 MindSpore第五期两日集训营视频回顾 # MindSpore第五期两日集训营视频回顾 2021/01/26 # MindSpore第五期两日集训营视频回顾 第五期两日集训营直播课程虽然已结束，但这阻挡不了我们学习的脚步，所以有错过的或者意犹未尽的朋友们也不用遗憾，为了让您可以尽情收藏学习，这里我们都帮您整理好啦！！！ MindSpore端边云统一格式MindIR # 华为智慧终端背后的黑科技 ：MindSpore Lite # 一键部署在线推理服务：MindSpore Serving # AI数据高速加载直通车：单节点数据缓存模块 # 动静统一：MindSpore PyNative # 快速定位模型精度问题：MindSpore调试器 非常欢迎大家收藏下载并体验MindSpore，参与到MindSpore开源社区建设中来。 Gitee：https://gitee.com/mindspore/mindspore GitHub：https://github.com/mindspore-ai/mindspore 论坛：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/3853/ --- 活动中心 10月9日 | MindSpore PyNative SIG月例会 # 10月9日 | MindSpore PyNative SIG月例会 2025/10/04 # 10月9日 | MindSpore PyNative SIG月例会 MindSpore PyNative SIG（动态图模式框架开发SIG）专注于推动MindSpore动态图（即时执行， Eager Execution）模式的研发与优化，致力于提升动态图模式的性能、灵活性和易用性，以满足深度学习领域对快速开发、调试、执行等的需求。 **10月9日16：00-17：00，欢迎对科学计算方向**感**兴趣的同学参加SIG月例会！大家如果有议题申报，可以直接在Etherpad链接中填写。** **例行月度例会：每月一次，北京时间16:00 - 17:00 以公开线上会议形式讨论SIG组议题。 欢迎感兴趣的开发者订阅SIG邮件：dev@mindspore.cn 及时获取会议通知。** 临时补充专项讨论会议：基于前一次会议讨论，按需临时增开专项议题会议讨论 会议链接： https://meeting.tencent.com/dm/5z7CFkdWWTwO Etherpad链接： https://etherpad.mindspore.cn/p/sig-MindSpore-PyNative-meetings**（****大家有议题申报的也可以在Etherpad链接中填写****）** --- https://www.mindspore.cn/activities/zh/3857/ --- 活动中心 直播预告 | MindSpore Transformer Safetensor权重详解（10月14日） # 直播预告 | MindSpore Transformer Safetensor权重详解（10月14日） 2025/10/13 # 直播预告 | MindSpore Transformer Safetensor权重详解（10月14日） --- https://www.mindspore.cn/activities/zh/3858/ --- 活动中心 MindSpore Quantum量子计算软件交流会，诚邀您参加，名额有限，速来报名！ # MindSpore Quantum量子计算软件交流会，诚邀您参加，名额有限，速来报名！ 2025/10/13 # MindSpore Quantum量子计算软件交流会，诚邀您参加，名额有限，速来报名！ # **一、活动简介** **MindSpore Quantum\*\*\*\*量子计算软件交流会**，将于**2025\*\*\*\*年10月25日（周六）9:30~17:00**在深港国际科技园举行。本次活动将**量子计算软件编程实践和量子计算前沿应用报告**深度融合，诚邀各位老师和学生莅临现场，共同探索量子世界的奥秘，体验MindSpore Quantum量子计算框架的卓越性能，聆听专家学者们最新最前沿的学术成果分享。 **活动对象：对量子计算感兴趣的学者，在校学生优先（免费报名参加）。** **【温馨提示】请您在会前根据指导手册安装好MindSpore Quantum，并携带笔记本电脑参会，参与现场编程实践体验环节！** # **二、活动时间&地点** **活动时间：2025年10月25日（周六）9:30-17:00** **活动地点：深圳市福田区槟榔道3号 深港国际科技园A栋609** # **三、**MindSpore Quantum简介**** Mindspore Quantum是昇思MindSpore社区推出的全新量子经典混合计算框架，能够高效地支持主流的量子算法和经典量子混合算法，不但在量子机器学习、量子化学模拟和量子组合优化等变分量子算法上有着卓越的性能，而且在量子化学模拟规模上也处于领先地位，为量子计算的研究和发展提供了一个高效的开发平台。 MindSpore Quantum的核心优势包括： - \*\*高性能模拟：\*\*推出CPU和GPU架构优化的高性能量子模拟器，支持单/双精度模拟模式切换，满足不同精度需求。 - \*\*NISQ算法支持：\*\*高效支持量子机器学习、量子化学模拟和量子组合优化等主流变分量子算法。 - \*\*丰富的量子启发式算法：\*\*内置业界领先的量子启发式优化算法库，包含模拟分岔机、相干伊辛机 、噪声平均场退火等多种高性能求解器，并针对不同硬件（CPU, GPU, NPU）进行了深度性能优化。 - \*\*简捷易用：\*\*提供丰富且高度集成的量子编程接口，降低开发难度，提升开发效率。 - \*\*深度学习集\*\*\*\*成：\*\*与MindSpore AI框架深度结合，让混合量子-经典算法开发更高效。 # **四、活动报名** 报名链接： https://www.wjx.cn/vm/QZC7As5.aspx# 指导手册链接： https://www.hiascend.com/forum/thread-0207195718388320048-1-1.html # **五、参加活动-你的收获** 如果你是一位想要接触量子计算的极客，我们给你提供软硬结合的必备知识。 如果你是一位关注最新技术的量子爱好者，我们带你了解前沿的技术成果。 如果你是一位对开源社区充满热情的开发者，我们会帮你完成第一个社区PR的提交。 **附交通路线** 地铁：3号线 福保站B出口——步行800米 打车：深港国际科技园A栋 --- https://www.mindspore.cn/activities/zh/3859/ --- 活动中心 直播预告 | MindSpore Transformers 断点续训介绍与实践（10月16日） # 直播预告 | MindSpore Transformers 断点续训介绍与实践（10月16日） 2025/10/14 # 直播预告 | MindSpore Transformers 断点续训介绍与实践（10月16日） # --- https://www.mindspore.cn/activities/zh/3860/ --- 活动中心 10月15日 | MindSpore Quantum SIG月度例会 # 10月15日 | MindSpore Quantum SIG月度例会 2025/10/14 # 10月15日 | MindSpore Quantum SIG月度例会 MindSpore Quantum致力于和开发者共同打造灵活高效、易学易用的量子计算框架，持续提升MindSpore Quantum功能、性能和易用性，助力量子计算技术研究和创新。 **10月15日11：00-12：00，欢迎对量子计算方向**感**兴趣的同学参加SIG月例会！大家如果有议题申报，可以直接在Etherpad链接中填写。** **例行月度例会：每月一次，北京时间周三上午 11:00 - 12:00， 以公开线上会议形式讨论SIG组议题。 以公开线上会议形式讨论SIG组议题。 欢迎感兴趣的开发者订阅SIG邮件：dev@mindspore.cn 及时获取会议通知。** 临时补充专项讨论会议：基于前一次会议讨论，按需临时增开专项议题会议讨论 会议链接： https://meeting.tencent.com/dm/LusI6g7JQPCp Etherpad链接： https://etherpad.mindspore.cn/p/sig-MindSpore-Quantum-meetings**（****大家有议题申报的也可以在Etherpad链接中填写****）** --- https://www.mindspore.cn/activities/zh/3862/ --- 活动中心 10月16日 | 昇思MindSpore AKG SIG月例会 # 10月16日 | 昇思MindSpore AKG SIG月例会 2025/10/15 # 10月16日 | 昇思MindSpore AKG SIG月例会 MindSpore AKG SIG 专注于利用 MindSpore AKG 在算子编译和算子生成领域的技术积累，持续完善软件功能，拓展社区生态，为科研人员、教师、学生以及对此领域有深厚兴趣和强大影响力的人们提供一个高效易用的图计算融合编译器，同时提供一个共同交流合作的平台。 **10月16日14：30-15：30，欢迎对算子方向**感**兴趣的同学参加SIG月例会！大家如果有议题申报，可以直接在Etherpad链接中填写。** **SIG例会：** **例行月度例会：每月一次，北京时间周四，以公开线上会议形式讨论SIG组议题。欢迎感兴趣的开发者订阅SIG邮件：dev@mindspore.cn 及时获取会议通知。** 临时补充专项讨论会议：基于前一次会议讨论，按需临时增开专项议题会议讨论 会议链接： https://meeting.tencent.com/dm/jUlKlfhpipYH Etherpad链接： https://etherpad.mindspore.cn/p/meetings-AKG**（****大家有议题申报的也可以在Etherpad链接中填写****）** --- https://www.mindspore.cn/activities/zh/3863/ --- 活动中心 10月16日 | 昇思MindSpore Transformers SIG双周例会 # 10月16日 | 昇思MindSpore Transformers SIG双周例会 2025/10/15 # 10月16日 | 昇思MindSpore Transformers SIG双周例会 MindSpore Transformers SIG（Special Interest Group）是 MindSpore 开源社区下聚焦 Transformer 类大模型全流程开发与优化的技术团队，涵盖大模型的预训练、微调、推理与部署等关键环节。SIG 团队致力于提升 Transformer类大模型在性能与易用性方面的表现，推动其在实际场景中的高效应用与落地。 **10月16日16：00-17：00，欢迎对Transformers方向**感**兴趣的同学参加SIG月例会！大家如果有议题申报，可以直接在Etherpad链接中填写。** **SIG例会：** **例行例会：月中周四北京时间16:00-17：00例行展开SIG会议。欢迎感兴趣的开发者订阅SIG邮件：dev@mindspore.cn 及时获取会议通知。** 临时补充专项讨论会议：基于前一次会议讨论，按需临时增开专项议题会议讨论 会议链接： https://meeting.tencent.com/dm/5i7YKv7Ftvta Etherpad链接： https://etherpad.mindspore.cn/p/sig-MindSpore-Transformers-meetings**（****大家有议题申报的也可以在Etherpad链接中填写****）** **SIG成员：** --- https://www.mindspore.cn/activities/zh/3865/ --- 活动中心 直播预告 | 昇思模型开发挑战赛赛题解读 # 直播预告 | 昇思模型开发挑战赛赛题解读 2025/10/16 # 直播预告 | 昇思模型开发挑战赛赛题解读 --- https://www.mindspore.cn/activities/zh/3866/ --- 活动中心 10月17日 | 昇思MindSpore Usability SIG月例会 # 10月17日 | 昇思MindSpore Usability SIG月例会 2025/10/16 # 10月17日 | 昇思MindSpore Usability SIG月例会 MindSpore 易用性组(Usability SIG)专注于推动MindSpore易用性(Python API/文档/教程/案例)。该小组由华为MindSpore核心开发团队、学术界专家及社区开发者共同组成，致力于提升MindSpore开发者体验。 **10月17日16：00-17：00，欢迎对易用性方向**感**兴趣的同学参加SIG月例会！大家如果有议题申报，可以直接在Etherpad链接中填写。** **SIG例会：** **例行月度例会：每个月一次，北京时间周五 16:00 - 17:00 以公开线上会议形式讨论SIG组议题。欢迎感兴趣的开发者订阅SIG邮件：dev@mindspore.cn 及时获取会议通知。** 临时补充专项讨论会议：基于前一次会议讨论，按需临时增开专项议题会议讨论 会议链接： https://meeting.tencent.com/dm/30T8Te6czFwd Etherpad链接： https://etherpad.mindspore.cn/p/sig-MindSpore-Usability-meetings（**大家有议题申报的也可以在Etherpad链接中填写**\*\*）\*\* **SIG成员：** --- https://www.mindspore.cn/activities/zh/3868/ --- 活动中心 直播预告 | MindSpore Transformers训练在线监控介绍与实践（10月21日） # 直播预告 | MindSpore Transformers训练在线监控介绍与实践（10月21日） 2025/10/20 # 直播预告 | MindSpore Transformers训练在线监控介绍与实践（10月21日） --- https://www.mindspore.cn/activities/zh/3869/ --- 活动中心 10月21日 | 昇思MindSpore Lite SIG月例会 # 10月21日 | 昇思MindSpore Lite SIG月例会 2025/10/20 # 10月21日 | 昇思MindSpore Lite SIG月例会 MindSpore Lite面向多种硬件后端设备（昇腾、麒麟等）提供轻量化AI推理加速能力，使能智能应用，为开发者提供端到端的解决方案，为算法工程师和数据科学家提供开发友好、运行高效、部署灵活的体验。 **10月21日16：00-18：00，欢迎对AI推理加速方向**感**兴趣的同学参加SIG月例会！大家如果有议题申报，可以直接在Etherpad链接中填写。** **SIG例会：** **例行月度例会：每双周一次，北京时间周二 16:00开始以公开线上会议形式讨论SIG组议题。 欢迎感兴趣的开发者订阅SIG邮件：dev@mindspore.cn 及时获取会议通知。** 临时补充专项讨论会议：基于前一次会议讨论，按需临时增开专项议题会议讨论 会议链接： https://meeting.tencent.com/dm/eTQF5th7Yukn Etherpad链接： https://etherpad.mindspore.cn/p/sig-MindSpore-Lite-meetings\*\*（\*\*\*\*大家有议题申报的也可以在Etherpad链接中填写\*\*\*\*）\*\* **SIG成员：** --- https://www.mindspore.cn/activities/zh/3871/ --- 活动中心 直播预告 | MindSpore Transformers训练高可用特性介绍（10月23日） # 直播预告 | MindSpore Transformers训练高可用特性介绍（10月23日） 2025/10/22 # 直播预告 | MindSpore Transformers训练高可用特性介绍（10月23日） --- https://www.mindspore.cn/activities/zh/3872/ --- 活动中心 10月23日 | 昇思MindSpore Transformers SIG双周例会 # 10月23日 | 昇思MindSpore Transformers SIG双周例会 2025/10/22 # 10月23日 | 昇思MindSpore Transformers SIG双周例会 MindSpore Transformers SIG（Special Interest Group）是 MindSpore 开源社区下聚焦 Transformer 类大模型全流程开发与优化的技术团队，涵盖大模型的预训练、微调、推理与部署等关键环节。SIG 团队致力于提升 Transformer类大模型在性能与易用性方面的表现，推动其在实际场景中的高效应用与落地。 **10月23日16：00-17：00，欢迎对Transformer 类大模型全流程开发与优化方向**感**兴趣的同学参加SIG月例会！大家如果有议题申报，可以直接在Etherpad链接中填写。** **SIG例会：** **例行例会：周四北京时间16:00-17：00例行展开SIG会议。欢迎感兴趣的开发者订阅SIG邮件：dev@mindspore.cn 及时获取会议通知。** 临时补充专项讨论会议：基于前一次会议讨论，按需临时增开专项议题会议讨论 会议链接： https://meeting.tencent.com/dm/9NaGtw7kcLgq Etherpad链接： https://etherpad.mindspore.cn/p/sig-MindSpore-Transformers-meetings**（****大家有议题申报的也可以在Etherpad链接中填写****）** **SIG成员：** --- https://www.mindspore.cn/activities/zh/3875/ --- 活动中心 直播预告 | 创新赛昇思赛题解读&案例分享 # 直播预告 | 创新赛昇思赛题解读&案例分享 2025/10/24 # 直播预告 | 创新赛昇思赛题解读&案例分享 --- https://www.mindspore.cn/activities/zh/3877/ --- 活动中心 直播预告 | MindSpore Transformers推理介绍与实践（10月28日） # 直播预告 | MindSpore Transformers推理介绍与实践（10月28日） 2025/10/27 # 直播预告 | MindSpore Transformers推理介绍与实践（10月28日） --- https://www.mindspore.cn/activities/zh/3878/ --- 活动中心 10月28日 | Security & Trusted AI月度例会 # 10月28日 | Security & Trusted AI月度例会 2025/10/27 # 10月28日 | Security & Trusted AI月度例会 MindSpore Security & Trusted AI SIG包含以下两个职责：第一个是负责接受和响应MindSpore相关的安全问题报告、提供社区安全编码以及规范的指导、进行社区安全编码的评审，制定和决策，开展社区安全治理。第二个是聚焦于人工智能领域的模型、数据可信技术，致力于打造安全可靠的AI计算框架。 **10月28日09：45-10：45，欢迎对安全可信方向**感**兴趣的同学参加SIG月例会！大家如果有议题申报，可以直接在Etherpad链接中填写。** **SIG例会：** **例行例会：每双周一次，北京时间周二上午 09:45 - 10:45 以公开线上会议形式讨论SIG组议题。欢迎感兴趣的开发者订阅SIG邮件：dev@mindspore.cn 及时获取会议通知。** 临时补充专项讨论会议：基于前一次会议讨论，按需临时增开专项议题会议讨论 会议链接： https://meeting.huaweicloud.com:36443/#/j/986365873 Etherpad链接： https://etherpad.mindspore.cn/p/sig-Security-Trusted-AI-meetings**（****大家有议题申报的也可以在Etherpad链接中填写****）** **SIG成员：** --- https://www.mindspore.cn/activities/zh/388/ --- 活动中心 小孢子们请注意，快来领取MindSpore新年礼品啦！ # 小孢子们请注意，快来领取MindSpore新年礼品啦！ 2021/02/05 # 小孢子们请注意，快来领取MindSpore新年礼品啦！ **2020年MindSpore社区通过开展4期集训营和1期**应用**营共计5场线上直播课程、MSG首期组织者评选和MindSpore首期优秀开发者评选2种线上交流方式与全国各地发者相识。** MindSpore新年礼包 参考图 感谢大家一路相伴与支持，MindSpore社区为参与以上课程并顺利结业/评选获得荣誉的开发者准备了小孢子专属的MindSpore新年定制礼包，已经开始陆续寄出了，对于近日突然收到快递发出通知感到疑惑的小伙伴们，这下可以愉快地等待礼包的到达啦~ **MindSpore两日集训营自2020年5月开设至今，在不断的与开发者们交流的过程中帮助开发者提升所需技能；首期MindSpore深度学习应用营，通过21天的合理课程安排，不仅提供目前大热的移动端部署介绍，还有紧跟时事的趣味实践，更有深度的底层开发讲解，让参与者从框架到算法到开发，都能一网打尽。**MindSpore社区推出的所有课程都致力于帮助大家更快的解决工作中的难题**！** **为了能持续更新为大家提供优质课程、更加贴心的服务，MindSpore社区邀请您参与年度问卷调研，在公众号后台发送‘问卷’即可，**每位填写完成的开发者\*\*\*\*将会收到两本好书**（《深度学习与MindSpore实践》+《昇腾AI处理器架构与编程》）作为MindSpore社区对您的新年祝福与感谢，期待收到您的建议与反馈！** **参与调研 示意图** **MindSpore进阶体系** **MindSpore官方认证、具有进阶体系含义的定制证书分为四个等级：** - **Mind：MindSpore最高等级的荣誉称号** - **Jacobi：代表MindSpore布道师** - **Gradient：代表MindSpore优秀开发者** - **Spore：官方认证MindSpore小孢子** **上述四个等级包含两个子等级：Training和Inference。** **MindSpore进阶体系 示意图** **MindSpore优秀开发者报名方式** **如果你是一个积极参与MindSpore社区的开发者，不论是文章、还是视频、还是代码，我们都非常欢迎你以自己的方式去表达，去分享，去再创造。这是你的优势，也是我们的青睐的特质。我们非常希望像你这样的开发者，加入我们，成为MindSpore优秀开发者，和我们一起去分享MindSpore的技术特性、完善MindSpore技术文档、改善MindSpore的用户体验、让更多的人使用与反馈。** **优秀开发者证书 参考图** **· 报名链接：** **https://www.mindspore.cn/community/evangelist** **扫描下方二维码加入MindSpore项目** --- https://www.mindspore.cn/activities/zh/389/ --- 活动中心 春暖花开枝枝秀，任务奖励节节高！ # 春暖花开枝枝秀，任务奖励节节高！ 2021/02/08 # 春暖花开枝枝秀，任务奖励节节高！ 春节不打烊，论坛新活动来啦！这个春节让我们一起冲！ 层层升级，完成任务不同，奖品也不同哦！ ### 活动时间 2月8日——2月21日 ### 奖品设置 完成下方红色标记的任务1+2或1+3，可得： 额温枪 麦饭石平底锅 移动电源 移动硬盘 完成下方红色标记的1+4 可得： 电动咖啡磨豆机 电动牙刷 篮球 五层收纳盒 完成下方红色标记的1+5可得： 单价300元内京东自营任选商品一件！ 注：当完成多个任务时，以当前最高档次奖品为准，不可兼中兼得。 ### 参与步骤 本次活动任务1是必选，剩下的2345中任选1个完成即可获取上方对应奖励，根据您完成的任务难度，得到的奖品也不同哦！ **1**. 订阅官网资讯，同时关注一下github和gitee的MindSpore和docs仓，并截图保存。若已订阅资讯，截图已订阅的系统反馈即可。 官网资讯地址：https://www.mindspore.cn/news Gitee仓：https://gitee.com/mindspore Github仓：https://github.com/mindspore-ai 具体操作步骤如下： 1） 在官网资讯界面点击订阅，然后输入自己的邮箱。 2） 去自己的邮箱截图订阅成功的界面，若之前已经关注，则截图已定阅的图片即可。 3） 访问我们的gitee和github仓，关注其中的mindspore和docs仓然后截图。 关注方式：进入仓库，单击右上角“star”按钮，如下图所示 截图示例： 4） 保存三张截图 **2**. 主题干货分享三选一：MindInsight/MindArmour/MindSpore Lite体验笔记，发布在MindSpore论坛“干货分享”主题分类。 **MindInsight**：MindInsight为MindSpore提供了简单易用的调优调试能力。在训练过程中，可以将标量、张量、图像、计算图、模型超参、训练耗时等数据记录到文件中，通过MindInsight可视化页面进行查看及分析。 学习链接：https://gitee.com/mindspore/mindinsight/blob/r1.1/README\_CN.md **MindArmour**：MindArmour关注AI的安全和隐私问题。致力于增强模型的安全可信、保护用户的数据隐私。主要包含3个模块：对抗样本鲁棒性模块、Fuzz Testing模块、隐私保护与评估模块。 学习链接：https://gitee.com/mindspore/mindarmour/blob/r1.1/README\_CN.md **MindSpore Lite**：极速、极智、极简的AI引擎，使能全场景智能应用，为用户提供端到端的解决方案，帮助用户使能AI能力。 学习链接：https://www.mindspore.cn/lite **3**. 完成下方docs仓简单PR，任选1个即可（具体任务需求描述见issue） 《智能写诗原理图》优化，相关issue：https://gitee.com/mindspore/docs/issues/I37MUU 《求助路径图》优化，相关issue：https://gitee.com/mindspore/docs/issues/I37MNF 《推理模型总览》翻译，相关issue：https://gitee.com/mindspore/docs/issues/I37M4C 《应用数据增强》样例代码，相关issue：https://gitee.com/mindspore/docs/issues/I37LK3 《优化数据处理》样例代码，相关issue：https://gitee.com/mindspore/docs/issues/I37LKL 《转换数据集》样例代码，相关issue：https://gitee.com/mindspore/docs/issues/I37LKZ 转换开源数据集 1个，相关issue：https://gitee.com/mindspore/docs/issues/I37LLA mindspore仓任务： 补充优化器Adagrad的公式，相关issue: https://gitee.com/mindspore/mindspore/issues/I37P9Y 补充优化器AdamWeightDecay的公式，相关issue: https://gitee.com/mindspore/mindspore/issues/I37PB1 MindInsight仓任务： 更新 PyPI 开发状态标识：https://gitee.com/mindspore/mindinsight/issues/I37U93 **4**. 完成下方docs仓较难PR，任选1个即可（具体任务需求描述见issue） 《保存和加载模型流程图》优化，相关issue：https://gitee.com/mindspore/docs/issues/I37MQX 《借助IR进行调试》翻译，相关issue：https://gitee.com/mindspore/docs/issues/I37MIN 《调试网络》样例代码，相关issue：https://gitee.com/mindspore/docs/issues/I37LJR 转换开源数据集 3个，相关issue：https://gitee.com/mindspore/docs/issues/I37LLA mindspore仓任务： 使用MindSpore提供的算子(mindspore.ops)实现动态学习率 相关issue: https://gitee.com/mindspore/mindspore/issues/I28TAM MindInsight仓任务： 优化profiling示例，使得示例代码是一个完整的训练网络：https://gitee.com/mindspore/mindinsight/issues/I37UBX **5**. 完成下方docs仓困难PR，任选1个即可（具体任务需求描述见issue） 《应用单节点数据缓存》Notebook写作，相关issue：https://gitee.com/mindspore/docs/issues/I37IRE 《使用fuzz testing模块测试模型安全性》Notebook写作，相关issue：https://gitee.com/mindspore/docs/issues/I37IS6 《使用成员推理测试模型安全性》Notebook写作，相关issue：https://gitee.com/mindspore/docs/issues/I37IRL Checkpoint高级用法，相关issue：https://gitee.com/mindspore/docs/issues/#I28NAT 转换开源数据集 5个，相关issue：https://gitee.com/mindspore/docs/issues/I37LLA mindspore仓任务： 实现具有边训练边验证功能的模型训练接口 相关issue: https://gitee.com/mindspore/mindspore/issues/I28WB0 6\. 将您的第1步骤截图和您完成的笔记或者PR链接，一起回复在论坛的"活动体验"主题分类内，同时记得附上自己的邮箱！（回复参考示例见论坛帖的1楼） 论坛帖：https://bbs.huaweicloud.com/forum/thread-106394-1-1.html ### 补充说明 1\. 所有PR都是择优合入。 2\. 提交PR流程可以参考论坛帖：git+码云提交流程记录：https://bbs.huaweicloud.com/forum/thread-56407-1-1.html 3\. gitee新用户请查阅《贡献文档》（https://gitee.com/mindspore/docs/blob/master/CONTRIBUTING\_DOC\_CN.md），并签署CLA 4\. PR需要关联issue，并添加标签：mindspore-contrib，如下图所示 5\. 建议添加个人仓的开发者为：zhangyi：https://gitee.com/zhang\_yi2020，他将为你们修改提交的PR中简单的格式问题，方便快速合入！ 添加方式： 1） 先进入fork下来的的个人docs仓位置，点击“管理。 2） 依次点击“仓库成员管理”——>“邀请用户”——>“直接添加” 3） 权限为“开发者”，用户连接：https://gitee.com/zhang\_yi2020，点击第一个zhangyi。 ### 注意事项 1\. 提交PR到gitee指定位置。 2\. 干货分享必须围绕MindInsight、MindSpore Lite或MindArmour使用体验。 3\. 所有活动中提交内容若相同，后提交者视作无效参与。 4\. 最终解释权归MindSpore团队所有。 --- https://www.mindspore.cn/activities/zh/3890/ --- 活动中心 10月29日 | Heterogeneous Fusion SIG月例会 # 10月29日 | Heterogeneous Fusion SIG月例会 2025/10/28 # 10月29日 | Heterogeneous Fusion SIG月例会 异构算力融合SIG（Heterogeneous Fusion SIG）期望更好的通过MindSpore使能异构硬件加速，并设计稳定、易用的支持异构硬件接入的南向接口。 **就在明天下午15：00，欢迎对异构算力融合方向感兴趣的同学参加SIG月例会！**大家如果有议题申报，可以直接在Etherpad链接中填写。**** **SIG例会：** **例行月度例会：月末周四北京时间15:00例行展开SIG会议。欢迎感兴趣的开发者订阅SIG邮件：dev@mindspore.cn 及时获取会议通知。** 临时补充专项讨论会议：基于前一次会议讨论，按需临时增开专项议题会议讨论。 会议链接： https://meeting.tencent.com/dm/QBY91NNkLjdx Etherpad链接： https://etherpad.mindspore.cn/p/sig-Heterogeneous-Fusion-meetings（**大家有议题申报的也可以在Etherpad链接中填写**） **SIG成员：** --- https://www.mindspore.cn/activities/zh/3891/ --- 活动中心 直播预告 | MindSpore Transformers & vLLM部署与测评（10月30日） # 直播预告 | MindSpore Transformers & vLLM部署与测评（10月30日） 2025/10/29 # 直播预告 | MindSpore Transformers & vLLM部署与测评（10月30日） --- https://www.mindspore.cn/activities/zh/3892/ --- 活动中心 10月30日 | 昇思MindSpore Transformers SIG周例会 # 10月30日 | 昇思MindSpore Transformers SIG周例会 2025/10/29 # 10月30日 | 昇思MindSpore Transformers SIG周例会 MindSpore Transformers SIG（Special Interest Group）是 MindSpore 开源社区下聚焦 Transformer 类大模型全流程开发与优化的技术团队，涵盖大模型的预训练、微调、推理与部署等关键环节。SIG 团队致力于提升 Transformer类大模型在性能与易用性方面的表现，推动其在实际场景中的高效应用与落地。 **10月30日16：00-17：00，欢迎对Transformer 类大模型全流程开发与优化方向**感**兴趣的同学参加SIG月例会！大家如果有议题申报，可以直接在Etherpad链接中填写。** **SIG例会：** **例行例会：每周一次，北京时间**周四**16:00-17：00例行展开SIG会议。欢迎感兴趣的开发者订阅SIG邮件：dev@mindspore.cn 及时获取会议通知。** 临时补充专项讨论会议：基于前一次会议讨论，按需临时增开专项议题会议讨论 会议链接： https://meeting.tencent.com/dm/BV6IwJ60Zu05 Etherpad链接： https://etherpad.mindspore.cn/p/sig-MindSpore-Transformers-meetings（大家有议题申报的也可以在Etherpad链接中填写） **SIG成员：** --- https://www.mindspore.cn/activities/zh/3897/ --- 活动中心 11月5日 | MindSpore Quantum SIG月例会 # 11月5日 | MindSpore Quantum SIG月例会 2025/11/04 # 11月5日 | MindSpore Quantum SIG月例会 MindSpore Quantum致力于和开发者共同打造灵活高效、易学易用的量子计算框架，持续提升MindSpore Quantum功能、性能和易用性，助力量子计算技术研究和创新。 **就在明天上午11：00，欢迎对量子计算方向感兴趣的同学参加SIG月例会！**大家如果有议题申报，可以直接在Etherpad链接中填写。**** **SIG例会：** **例行月度例会：月初周三北京时间11:00例行展开SIG会议。欢迎感兴趣的开发者订阅SIG邮件：dev@mindspore.cn 及时获取会议通知。** 临时补充专项讨论会议：基于前一次会议讨论，按需临时增开专项议题会议讨论。 会议链接： https://meeting.tencent.com/dm/JYSxb86egrFK Etherpad链接： https://etherpad.mindspore.cn/p/sig-MindSpore-Quantum-meetings（**大家有议题申报的也可以在Etherpad链接中填写**） **SIG成员：** --- https://www.mindspore.cn/activities/zh/3898/ --- 活动中心 直播预告 | MindSpore Transformers & Megatron-LM 训练精度对比（11月6日） # 直播预告 | MindSpore Transformers & Megatron-LM 训练精度对比（11月6日） 2025/11/05 # 直播预告 | MindSpore Transformers & Megatron-LM 训练精度对比（11月6日） --- https://www.mindspore.cn/activities/zh/3899/ --- 活动中心 11月6日 | 昇思MindSpore Transformers SIG周例会 # 11月6日 | 昇思MindSpore Transformers SIG周例会 2025/11/05 # 11月6日 | 昇思MindSpore Transformers SIG周例会 MindSpore Transformers SIG（Special Interest Group）是 MindSpore 开源社区下聚焦 Transformer 类大模型全流程开发与优化的技术团队，涵盖大模型的预训练、微调、推理与部署等关键环节。SIG 团队致力于提升 Transformer类大模型在性能与易用性方面的表现，推动其在实际场景中的高效应用与落地。 https://meeting.tencent.com/dm/SQ7m4KLsjOqH https://etherpad.mindspore.cn/p/sig-MindSpore-Transformers-meetings\*\*（\*\*\*\*大家有议题申报的也可以在Etherpad链接中填写\*\*\*\*）\*\* **11月6日15：00-15：30，欢迎对Transformer 类大模型全流程开发与优化方向**感**兴趣的同学参加SIG月例会！大家如果有议题申报，可以直接在Etherpad链接中填写。** **SIG例会：** **例行例会：每周一次，北京时间周四16:00-17：00例行展开SIG会议。欢迎感兴趣的开发者订阅SIG邮件：dev@mindspore.cn 及时获取会议通知。** 临时补充专项讨论会议：基于前一次会议讨论，按需临时增开专项议题会议讨论 会议链接： https://meeting.tencent.com/dm/SQ7m4KLsjOqH Etherpad链接： https://etherpad.mindspore.cn/p/sig-MindSpore-Transformers-meetings **SIG成员：** --- https://www.mindspore.cn/activities/zh/390/ --- 活动中心 吹响“OpenI启智&MindSpore集结号”，共筑AI开源框架新生态 # 吹响“OpenI启智&MindSpore集结号”，共筑AI开源框架新生态 2021/02/04 # 吹响“OpenI启智&MindSpore集结号”，共筑AI开源框架新生态 2月3日，**首届“OpenI启智&MindSpore集结号”**活动正式拉开帷幕。“OpenI启智&MindSpore集结号”（以下简称“集结号”）是由OpenI启智社区与 MindSpore社区共同举办的一项**面向高校开发者的模型众智活动**，通过召集开发者集中开发，在OpenI启智社区和MindSpores社区的**大平台下共同学习**、**分享AI前沿技术**。活动旨在培育我国AI开源开放文化，促进AI产业健康快速发展，鼓励开发者为开源AI生态贡献智慧。 该活动将于**3月1日**集中所有参与学生，**使用鹏城实验室先进的基础平台**进行AI算法创新与性能调优，成绩突出的开发者将被邀请**参加华为开发者大会HDC.Cloud并颁奖**。 参与本次活动的学生有**与院士面对面**机会，同时**和众多知名高校优秀开发者学习交流**；开发验收完成后将**获得OpenI启智&MindSpore联合认证**，并可参**与“OpenI启智社区优秀开发者”评选**。 截至目前，首批集结号共征集30个高校代表参加。学生们将合作开发MindSpore高性能模型，开发完成的模型会全部开源到OpenI启智社区和MindSpore社区，以**满足广大行业及学术科研开发者项目需求**，将**大大缩短AI应用项目的开发周期**。 活动期间，OpenI启智社区和MindSpore社区还将联合举办系列AI前瞻技术讲座及MindSpore赋能培训，旨在交流协作间汇聚智慧，丰富MindSpore模型库，**让开源AI生态更加繁荣**。 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee:https : //gitee.com/mindspore/mindspore 官方QQ群 : 871543426 扫描下方二维码加入MindSpore项目 --- https://www.mindspore.cn/activities/zh/3900/ --- 活动中心 11月6日 | MindSpore PyNative SIG月例会 # 11月6日 | MindSpore PyNative SIG月例会 2025/11/05 # 11月6日 | MindSpore PyNative SIG月例会 MindSpore PyNative SIG（动态图模式框架开发SIG）专注于推动MindSpore动态图（即时执行， Eager Execution）模式的研发与优化，致力于提升动态图模式的性能、灵活性和易用性，以满足深度学习领域对快速开发、调试、执行等的需求。 **11月6日16：00-17：00，欢迎对科学计算方向**感**兴趣的同学参加SIG月例会！大家如果有议题申报，可以直接在Etherpad链接中填写。** **SIG例会：** **例行月度例会：每月一次，北京时间16:00 - 17:00 以公开线上会议形式讨论SIG组议题。 欢迎感兴趣的开发者订阅SIG邮件：dev@mindspore.cn 及时获取会议通知。** 临时补充专项讨论会议：基于前一次会议讨论，按需临时增开专项议题会议讨论 会议链接： https://meeting.tencent.com/dm/JDncJHjMixuJ Etherpad链接： https://etherpad.mindspore.cn/p/sig-MindSpore-PyNative-meetings**（****大家有议题申报的也可以在Etherpad链接中填写****）** **SIG成员：** --- https://www.mindspore.cn/activities/zh/3901/ --- 活动中心 11月7日 | Parallel Training System SIG月例会 # 11月7日 | Parallel Training System SIG月例会 2025/11/06 # 11月7日 | Parallel Training System SIG月例会 Parallel Training System SIG（Special Interest Group）是 MindSpore 开源社区下聚焦于利用分布式并行技术加速AI大模型训练的技术团队，团队致力于提升语言、多模态、全模态等大模型在分布式并行训练场景下的易用性与性能等方面的表现，提供可高效开发、灵活组合多种并行策略的并行编程范式，简化并行编程的复杂度，为开发者带来极简高效的分布式并行训练体验。 https://meeting.tencent.com/dm/vbTRX3lWsU0X https://etherpad.mindspore.cn/p/sig-Parallel-Training-System-meetings\*\*（\*\*\*\*大家有议题申报的也可以在Etherpad链接中填写\*\*\*\*）\*\* **11月7日15：00-16：00，欢迎对分布式并行技术方加速AI大模型训练向**感**兴趣的同学参加SIG月例会！大家如果有议题申报，可以直接在Etherpad链接中填写。** **SIG例会：** **例行例会：每月第一个周五，北京时间周五 15:00 - 16:00 以公开线上会议形式讨论SIG组议题。欢迎感兴趣的开发者订阅SIG邮件：dev@mindspore.cn 及时获取会议通知。** 临时补充专项讨论会议：基于前一次会议讨论，按需临时增开专项议题会议讨论 会议链接：https://meeting.tencent.com/dm/vbTRX3lWsU0X Etherpad链接： https://etherpad.mindspore.cn/p/sig-Parallel-Training-System-meetings **SIG成员：** --- https://www.mindspore.cn/activities/zh/3903/ --- 活动中心 昇思亮相2025沙中开源与AI科技峰会 # 昇思亮相2025沙中开源与AI科技峰会 2025/11/10 # 昇思亮相2025沙中开源与AI科技峰会 --- https://www.mindspore.cn/activities/zh/3904/ --- 活动中心 直播预告 | MindSpore Transformers & vLLM 推理精度比对（11月13日） # 直播预告 | MindSpore Transformers & vLLM 推理精度比对（11月13日） 2025/11/12 # 直播预告 | MindSpore Transformers & vLLM 推理精度比对（11月13日） --- https://www.mindspore.cn/activities/zh/3905/ --- 活动中心 昇思MindSpore动态图方案系列课程上线昇腾社区，45分钟解锁大模型全栈开发能力 # 昇思MindSpore动态图方案系列课程上线昇腾社区，45分钟解锁大模型全栈开发能力 2025/11/13 # 昇思MindSpore动态图方案系列课程上线昇腾社区，45分钟解锁大模型全栈开发能力 近日，昇思MindSpore联合昇腾社区重磅推出**动态图方案系列实战课程**，三节课45分钟即可掌握大模型预训练、微调、推理、评估全流程，助力开发者快速驾驭昇腾AI全栈能力。 该系列课程基于昇思MindSpore与MindSpeed深度融合的动态图方案，突破传统框架边界，实现PyTorch生态模型零成本迁移。课程采用"理论+实践"双轮驱动，覆盖从基础到进阶的完整学习路径。 # **\# 01** **动态图方案课程介绍** \*\*第一课：\*\*昇思MindSpore动态图方案介绍（实践参考第二课和第三课）。 \*\*第二课：\*\*昇思MindSpore动态图方案实践，深度演练Qwen3 8B大语言模型的训练、微调、推理、评估全链路。 \*\*第三课：\*\*昇思MindSpore动态图方案实践，聚焦Qwen2.5 VL 7B多模态模型的微调、推理、评估，掌握跨模态大模型任务开发精髓。 \*\*学习路径：\*\*三门课程与微认证入口已集成至统一页面，完成学习并通过认证可获得官方证书。 \*\*直达链接：\*\*https://www.hiascend.com/edu/growth/details/4430c068b2e04e178213dc6df03a8ee1 # **\# 02** **动态图方案能力简介** 昇思动态图方案原生支持Mindspeed-LLM/MM，不修改代码即可直接执行。MindSpeed-Core-MS 是链接华为自研AI框架MindSpore+昇腾训练加速库MindSpeed的重要组件，旨在提供华为全栈易用的端到端的自然语言模型以及多模态模型训练解决方案。 MindSpeed-Core-MS 提供了一键适配功能，自动克隆需要的包并自动设置相应的环境变量，帮助用户将模型使能加速库MindSpeed/MindSpeed-LLM/MindSpeed-MM以及三方库依赖由PyTorch无缝切换为MindSpore，以此获得更极致的性能体验。 另外，MindSpeed-Core-MS 也提供了动态图调试工具，使用户在分布式训练场景下能更方便地进行代码调试和debug。 --- https://www.mindspore.cn/activities/zh/396/ --- 活动中心 MindSpore社区模型征集活动第二批开启 # MindSpore社区模型征集活动第二批开启 2021/02/21 # MindSpore社区模型征集活动第二批开启 活动页面链接：https://bbs.huaweicloud.com/forum/forum.php?mod=viewthread&tid=86967 --- https://www.mindspore.cn/activities/zh/398/ --- 活动中心 2021春节活动获奖名单！ # 2021春节活动获奖名单！ 2021/02/23 # 2021春节活动获奖名单！ 春节活动：春暖花开枝枝秀，任务奖励节节高！ 结束啦！ 我们奖品一共有三档， 第一档奖品4选1： 额温枪 麦饭石平底锅 移动电源 移动硬盘 第二档奖品4选1： 电动咖啡磨豆机 电动牙刷 篮球 五层收纳盒 第三档奖品： 300元以内京东自营自选奖品！ 目前获奖的名单如下！（目前还有规定时间内提交的PR未合入，建议各位查看PR内的评论按照需求修改，名单还会更新哦！）： 第一档获奖名单： Jack20 chunjcsx20@vip.qq.com ruochen wangrui@ruochen.email 我就灬是我 1256494784@qq.com MindSpore狂热粉丝 chaojiwangyuan2021@163.com 李响 lixiang97@huawei.com 小强鼓掌 yzq369861178@sina.com 王玉兰 chaojiwangyulan@163.com 倾国倾城MM 3058113730@qq.com longvoyage yuanyanglv@qq.com yzq18941596181 1835819793@qq.com zhengyong134 1034509549@qq.com 张辉 zhanghui\_china2020@163.com 橙子素素 2389016744@qq.com joan2020 461084847@qq.com 麻衣 eh@gehidc.cn KAIKAI chenkai5660689@huawei.com davesun sunrong1990@126.com franco52576 franco52576@qq.com 依旧廖凯 1966679578@qq.com UnseenMe haoran.com.cn@163.com 雨夜丿 499477004@qq.com 迎仔 zacharyzhai21@gmail.com 第二档获奖名单： 拉姆小鱼 345368251@qq.com 第三档获奖名单： ML饭 57070221@qq.com 恭喜各位！ --- https://www.mindspore.cn/activities/zh/402/ --- 活动中心 跟着MindSpore闹元宵：涨知识，练舞蹈，领礼品！ # 跟着MindSpore闹元宵：涨知识，练舞蹈，领礼品！ 2021/02/26 # 跟着MindSpore闹元宵：涨知识，练舞蹈，领礼品！ 小伙伴们元宵节快乐呀，无论在哪儿过节都要记得好好爱自己哦~ 跟大家同步一个好消息！ 图 『MindSpore抖音舞蹈接力赛』最新进展 由于许多想参与『MindSpore抖音舞蹈接力赛』的小伙伴反馈需要多点时间来练习，用最美的舞姿参赛，MindSpore社区经过深思熟虑，决定应该鼓励大家积极锻炼努力完成目标的心愿，**『MindSpore抖音舞蹈接力赛』活动延长至2021年3月14日**，并将在3月15日进入公众号全网拉票活动，投票数排名第一的将获得**第一届MindSpore舞王称号****和****价值1000+的\*\*\*\*MindSpore 定制机械键盘礼品**！ 动作简单易学，既能减去多余的赘肉，又能赢得荣誉，来跟着小孢子一起舞起来吧！ 参与方式如下↓ 干饭人动起来！一起锻炼赢机械键盘啦！ 今天给大家带来的技术干货文章是Occlusion Sensitivity这个评价指标。 > 本文来源于：知乎 > > 作者：李嘉琪 Occlusion Sensitivity来源于论文《Visualizing and Understanding Convolutional Networks》ECCV’14. （https://ieeexplore.ieee.org/document/8237336）。 Birju正在阅读一篇关于卷积神经网络可视化技术的论文，在其中他遇到了遮挡敏感的想法。如果您遮挡或遮挡图像的一部分，这将如何影响网络的概率得分？以及结果如何取决于您遮挡的那一部分？ Birju正在阅读一篇关于卷积神经网络可视化技术的论文，在其中他遇到了遮挡敏感的想法。如果您遮挡或遮挡图像的一部分，这将如何影响网络的概率得分？以及结果如何取决于您遮挡的那一部分？ ## Occlusion Sensitivity 原理定义 在训练一个神经网络进行图片分类的时候，我们希望知道这个模型是能够定位出图片中主要目标的位置来进行分类，或只是通过一些周边的context来进行分类。 通过对图片进行部分遮挡来观察输入修改后的图片后，网络中间层的情况以及预测值的变化。这个可以有助于理解为什么网络会做出某些决策。 所以我们可以得出一个具体的定义：**遮挡敏感度（Occlusion Sensitivity）是指给定预测的概率如何随图像被遮挡部分的变化而变化**。 ## Occlusion Sensitivity 结果判定 对于结果，**输出概率是一个区域的概率**，**是某一输出的概率减去被遮挡区域的输出概率**。输出图像中的值越高，确定度下降越大，说明遮挡区域在决策过程中更为重要。 好了，原理已经讲完，话不多说，我们开始上代码。使用的是MindSpore框架实现的代码。 ## MindSpore代码实现 ```"""OcclusionSensitivity.""" from collections.abc import Sequence import numpy as np from mindspore import nn from mindspore.common.tensor import Tensor from mindspore._checkparam import Validator as validator from .metric import Metric try: from tqdm import trange except (ImportError, AttributeError): trange = range class OcclusionSensitivity(Metric): """ 该函数用于计算给定图像模型的遮挡灵敏度。 """ def __init__(self, pad_val=0.0, margin=2, n_batch=128, b_box=None): super().__init__() # 当遮挡图像的一部分时，我们应该在图像中输入哪些值？默认0.0 self.pad_val = validator.check_value_type("pad_val", pad_val, [float]) # 围绕要遮挡的体素创建长方体/立方体。默认2 self.margin = validator.check_value_type("margin", margin, [int, Sequence]) # 推断前一批中的图像数，默认128 self.n_batch = validator.check_value_type("n_batch", n_batch, [int]) # 要在其上执行分析的边界框。输出图像的大小也将匹配。除批次外，所有维度都应有最小值和最大值：`[min1，max1，min2，max2，…]``。 self.b_box = b_box if b_box is None else validator.check_value_type("b_box", b_box, ) self.clear() def clear(self): """清除历史数据""" self._baseline = 0 self._sensitivity_im = 0 self._is_update = False def _check_input_bounding_box(self, b_box, im_shape): """检查边界框（如果提供）是否如预期的那样。""" # 如果未提供边界框，请将“最小值”和“最大值”设置为“无” if b_box is None: b_box_min = b_box_max = None # 已提供边界框 else: # “b_box”中的元素数应是“im_shape”中元素数的两倍 if len(b_box) != 2 * len(im_shape): raise ValueError("Bounding box should contain upper and lower for all dimensions (except batch number)") # 如果任何最小值或最大值为-ve，则分别将它们设置为0和im_shape-1。 b_box_min = np.array(b_box[::2]) b_box_max = np.array(b_box[1::2]) b_box_min[b_box_min < 0] = 0 b_box_max[b_box_max < 0] = im_shape[b_box_max < 0] - 1 # 检查所有最大值是否小于im_shape if np.any(b_box_max >= im_shape): raise ValueError("Max bounding box should be < image size for all values") # 检查所有最小值是否大于最大值 if np.any(b_box_min > b_box_max): raise ValueError("Min bounding box should be <= max for all values") return b_box_min, b_box_max def _append_to_sensitivity_im(self, model, batch_images, batch_ids, sensitivity_im): """对于给定数量的图像，得到预测给定标签的概率。附上以前的评估。""" batch_images = np.vstack(batch_images) batch_ids = np.expand_dims(batch_ids, 1) model_numpy = model(Tensor(batch_images)).asnumpy() first_indices = np.arange(batch_ids.shape[0])[:, None] scores = model_numpy[first_indices, batch_ids] if sensitivity_im.size == 0: return np.vstack(scores) return np.vstack((sensitivity_im, scores)) def update(self, *inputs): """ 更新输入，包括要使用的模型，预测值和真实值。 """ # 校验输入个数是否是3个 if len(inputs) != 3: raise ValueError('occlusion_sensitivity need 3 inputs (model, y_pred, y), but got {}'.format(len(inputs))) model = inputs[0] # 输入转为numpy y_pred = self._convert_data(inputs[1]) label = self._convert_data(inputs[2]) model = validator.check_value_type("model", model, [nn.Cell]) # 检查输入图像是否符合预期 if y_pred.shape[0] > 1: raise RuntimeError("Expected batch size of 1.") # 检查输入标签是否如预期的那样。 if isinstance(label, int): label = np.array([[label]], dtype=int) # 如果标签是张量，请确保只有一个元素 elif np.prod(label.shape) != y_pred.shape[0]: raise RuntimeError("Expected as many labels as batches.") y_pred_shape = np.array(y_pred.shape[1:]) b_box_min, b_box_max = self._check_input_bounding_box(self.b_box, y_pred_shape) temp = model(Tensor(y_pred)).asnumpy() # 得到一个概率 self._baseline = temp[0, label].item() # 定义两个列表 batch_images = [] batch_ids = [] sensitivity_im = np.empty(0, dtype=float) # 如果未提供边界框，则输出形状与输入形状相同。如果存在边界框，则形状为max-min+1 output_im_shape = y_pred_shape if self.b_box is None else b_box_max - b_box_min + 1 num_required_predictions = np.prod(output_im_shape) # 在图像上循环1D for i in trange(num_required_predictions): # 获取相应的索引 idx = np.unravel_index(i, output_im_shape) # 如果正在使用边界框，我们需要添加最小值以移动到感兴趣区域的开始 if b_box_min is not None: idx += b_box_min # 获取要遮挡的框的最小和最大索引 min_idx = [max(0, i - self.margin) for i in idx] max_idx = [min(j, i + self.margin) for i, j in zip(idx, y_pred_shape)] occlu_im = y_pred.copy() occlu_im[(...,) + tuple(slice(i, j) for i, j in zip(min_idx, max_idx))] = self.pad_val batch_images.append(occlu_im) batch_ids.append(label) # 一旦批处理完成（或在最后一次迭代中） if len(batch_images) == self.n_batch or i == num_required_predictions - 1: # 做预测并附加到灵敏度的map上 sensitivity_im = self._append_to_sensitivity_im(model, batch_images, batch_ids, sensitivity_im) # 清空list batch_images = [] batch_ids = [] # 调整输出图像的大小 self._sensitivity_im = sensitivity_im.reshape(output_im_shape) self._is_update = True def eval(self): """ Computes the occlusion_sensitivity. Returns: A numpy ndarray. """ if not self._is_update: raise RuntimeError('Call the update method before calling eval.') # 上面输出的概率减去被遮挡区域的输出概率 sensitivity = self._baseline - np.squeeze(self._sensitivity_im) return sensitivity``` 使用方法如下： `import numpy as np from mindspore import nn from mindspore.nn.metrics import OcclusionSensitivity class DenseNet(nn.Cell): def init(self): super(DenseNet, self).init() w = np.array([[0.1, 0.8, 0.1, 0.1],[1, 1, 1, 1]]).astype(np.float32) b = np.array([0.3, 0.6]).astype(np.float32) self.dense = nn.Dense(4, 2, weight_init=Tensor(w), bias_init=Tensor(b)) def construct(self, x): return self.dense(x) model = DenseNet() test_data = np.array([[0.1, 0.2, 0.3, 0.4]]).astype(np.float32) label = np.array(1).astype(np.int32) metric = OcclusionSensitivity() metric.clear() metric.update(model, test_data, label) score = metric.eval() print(score) [0.29999995 0.6 1 0.9]` 返回结果是一个numpy，对于返回结果的大小：使用方法如下： - 如果没有提供边界框，则大小与输入图像相同； - 如果使用边界框，则输出图像将被裁剪为该大小。 --- https://www.mindspore.cn/activities/zh/404/ --- 活动中心 牛年三月——奖品免费领，祝大家开工大吉！ # 牛年三月——奖品免费领，祝大家开工大吉！ 2021/03/02 # 牛年三月——奖品免费领，祝大家开工大吉！ 在大家的支持和使用过程中，MindSpore论坛茁壮成长，在此感谢各位一直以来的贡献，祝各位牛运亨通！\*\*划划重点：\*\*我们的论坛活动是持续的哦，2021开启我们新的征程，分享MindSpore使用上的经验、提出使用是的疑问、为其他小伙伴解答，我们好礼不断，继续有奖品相送，以资鼓励，也希望大家都有所收获。 **活动时间：** 2021年03月01日——2021年03月31日 **活动规则：** 1、在MindSpore论坛中，提问、分享、回复与MindSpore相关的技术问题或使用上的分享。在每月月末统计中： （1）分享次数排名前3名； （2）提问次数排名前2名； （3）回复次数排名前1名； 获得以上三项排名的用户，发送奖品，以示鼓励。 2、获得奖励的人员可在奖品清单中任选一种。 3、活动每个月一次，到次月的3日前公布奖励名单。 4、获奖公布方式：每个周期的获奖名单会在活动帖评论区中公示，并会单独发消息给获奖人。（请各位参与者多多留意自己的消息提醒。） **奖品展示：** 毛球修剪器 羽毛球拍 螺丝刀套装 **活动说明：** 1、提问、分享和回复的内容要与MindSpore相关，不相关视作无效操作； 2、操作内容中含有水印的视为无效内容，属于无效操作； 3、活动结束后统一联系各位获奖者，发放奖励； 4、最终解释权归MindSpore团队所有。 **MindSpore论坛活动（02.01-02.28）获奖名单：** 本活动帖长期有效，每月都有新奖品，欢迎大家继续踊跃参与！ 论坛地址：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/activities/zh/408/ --- 活动中心 春雷惊百虫，大家来找“茬”~ # 春雷惊百虫，大家来找“茬”~ 2021/03/05 # 春雷惊百虫，大家来找“茬”~ 一鼓轻雷惊蛰后，细筛微雨落梅天。 今天是惊蛰哦，所谓春雷始鸣，万物萌生，又是新的一年啦，大家有没有设置新的目标啊？MindSpore希望陪伴着你们一起进步！ 九九已尽，春耕不停歇，我们的活动也是一波接着一波，希望大家持续关注！ # 活动时间：3月5日——3月21日 # 奖品说明： 活动一和活动二可同时参加！兼中兼得！ 活动一限额**20**份（采纳视为通过）活动二**不设上限**！ 活动一奖池：4选1 充电电池套装 手持吸尘器 跳绳 温度湿度计 活动二奖池：4选1 电饼铛 汤炖锅 香薰加湿器 养生壶 活动二升级奖池：活动二奖池加入以下四件商品8选1 电动牙刷 蓝牙耳机 篮球 工具套装 # 活动内容： ## 活动一 MindSpore论坛推出了资料整理帖：一站式学习MindSpore|看你想看 由浅入深总结了目前公开的各平台上的资料，欢迎大家去阅读使用，同时也希望大家根据实际使用体验，对资料帖的分类，内容，结构等提出意见或者建议。 外部平台主要有： 官网资讯：https://www.mindspore.cn/news 公众号：微信搜索“mindspore” 哔哩哔哩：https://space.bilibili.com/526894060?from=search&seid=3675452334887615774 MindSpore论坛：https://bbs.huaweicloud.com/forum/forum-1076-1.html 参与方式 将资料帖的意见建议提交至MindSpore论坛的“活动体验”分类，**附上自己的邮箱**，标题注明：资料帖意见建议 ## 活动二： 检查出MindSpore官网Python API页面的错误。 参与方式 找出API页面的错误（Python API页面），提交至MindSpore论坛的“活动体验”分类，**附上自己的邮箱**，标题注明：API存在的问题。 ## 活动二进阶： 找出API页面的错误并在gitee上提交PR修改，合入后可获得升级奖励！ 提交PR的流程和注意事项可以参考：\*\*\*gitee上提交PR注意事项\*\*\* 参与方式 找出API页面的错误并提交PR修改，将API问题和PR链接提交至MindSpore论坛的“活动体验”分类，**附上自己的邮箱**，标题注明：API存在的问题和修改。 ## 为方便各位查找，我们给出检查要点提供给各位参考，具体如下： 1\. 打开API参考页面：https://www.mindspore.cn/docs/zh-CN/r1.8/index.html 2\. 查看gitee仓库：https://gitee.com/mindspore/mindspore/tree/master/mindspore 检查要点 1\. 整体检查该API功能描述是否完整，该API是做什么、计算过程是什么。 对于功能复杂API，需要结合示例说明API的功能和约束。 该API页面的显示是否正常：超链接、表格、公式、列表、样例代码等。 2\. 特殊说明使用Note进行说明。 3\. 针对mindspore.nn和mindspore.ops模块里的算子的API，需要给出算子对应的公式，注意公式引用是否合理，显示是否正确。 需要有Inputs描述算子的输入类型和shape。注意输入类型是否正确。 需要有Outputs描述算子的输出类型和shape。注意输出类型是否正确。 4\. Parameters中参数 1\. 需要和源代码中的传入参数一致。 2\. 参数若存在默认值需要给出，和源代码中一致。 3\. 参数值是否有取值范围限制（与源码中的对应）。 4\. 数据类型要准确: \- 基本数据类型：int，float，bool，str，list，dict，set，tuple。 \- 其他数据类型：包括mindspore.dtype、numpy.dtype，其他的则使用其对应的类型名称。 5\. Raise触发到的异常描述是否和Raises中描述的一致。 是否触发到未给出的异常。 6\. Examples中： \- 示例代码需要完整而且正确运行，要展示输出结果或维度等信息。 \- 关键词要和代码要求里保持一致。 \- 复杂的调用需要添加注释进行说明。 \- 传入的参数是否和Parameters中描述的一致，有无Parameters中没有的。 \- 输出结果和Outputs中是否一致，是否正确。 \- 是否对运行环境有特殊要求，是否支持所有环境（GPU,CPU Ascend），若不是则注释给出要求说明； \- 同一个变量的书写前后是否一致 \- 参考其他的Examples，需要在Note中指出。 \- 业界共识的情况可省略相关导入（import），如np、nn等。否则不能省略。 \- 采用PyNative模式，可运行的需给出运行结果。 \- 引用的接口新发布版本中是否已更新。 7\. 引用的链接是否正常或失效。 8\. 相关命名是否按照术语表书写。如：LeNet、Ascend、LSTM等。 9\. 该API是否具有运行平台支持要求，在\`Supported Platforms\`中的要求需要正确。 10\. 不能出现中文的“说明”字样。 # 案例 ### 正确案例 mindspore.nn.BatchNorm2d 该算子API的显示效果如下图所示： 经过以上检查要点的检查之后可知该API的描述是完整的，具体包括以下内容： 1\. 整体检查可知显示正常，无格式错误。 2\. 最开始的一句话功能描述。 3\. 后续的详细功能描述，其中给出了该算子的公式，且公式正确。。 4\. 给出了特殊说明Note。 5\. Parameters中的参数和该算子的定义中一致，有参数类型，且传入参数描述准确。 6\. 具有Inputs描述了算子的输入，Outputs描述了算子的输出，且输入、输出类型正确，描述准确。 7\. Raises给出了异常描述。 8\. Supported Platforms给出了平台支持情况。 9\. Examples给出了使用示例，且运行正确。 ### 案例2 1\. mindspore.nn.Momentum 该算子API的显示效果如下图所示： 经过以上检查要点的检查之后可知该API中具有中文的“说明”样式，是属于错误格式，需要修正。其他的描述是完整和正确的。 2\. mindspore\_serving.worker.register.call\_preprocess\_pipeline 该API的显示效果如下图所示： 经过以上检查要点的检查之后可知该API中超链接显示不正确，是属于错误格式，需要修正。其他的描述是完整和正确的。 # 注意事项 1\. 提交PR到gitee指定位置。 2\. 所有活动中提交内容若相同或相似，后提交者视作无效参与。 3\. 最终解释权归MindSpore团队所有。 4\. 如遇奖品缺货或者地区限制，将自动更换为同等价值类似商品。 --- https://www.mindspore.cn/activities/zh/412/ --- 活动中心 女神节快乐！ # 女神节快乐！ 2021/03/08 # 女神节快乐！ --- https://www.mindspore.cn/activities/zh/413/ --- 活动中心 社区新知|社区新群组——DX-SIG # 社区新知|社区新群组——DX-SIG 2021/03/08 # 社区新知|社区新群组——DX-SIG 无论你是初出茅庐的小白，还是在社区风生水起的大牛，在你参与MindSpore社区开发的时候，可能遇到过下面这些烦心事： - 提交一个issue就石沉大海，迟迟得不到解决？ - 在海量的issue列表中，为找不到一个适合自己参与的issue而苦恼？ - 好不容易提交PR，但因为格式问题，你是否会常常看着ci-bot自检的FAILURE而头晕脑胀？ 为了更好的服务广大社区贡献者和开发者朋友，**MindSpore社区联合上海交大团队成立了开发者体验SIG组** （Developer eXprerience Special Interests Group，简称DX-SIG组）。 我们是一群什么样的人？ DX-SIG组是一个**为开发者服务的群体**，这其中有长期从事于开源社区生态研究的学者，也有来自Linux基金会顶级项目的专家，也有参与MindSpore社区的资深开发者，虽然我们来自于五湖四海，背景与经历各异，但相同的是我们都带着服务开发者的热情，为解决社区开发者的诉求而聚到一起并为之努力。 我们的信仰是什么？ AI时代，体验为王！ DX-SIG组有哪些有趣的项目？ 我们kickoff了如下一些项目，欢迎大家参与： **一、社区开发流程类：** **1\. Issue标签自动化，推荐合适开发者** Issue的响应时间对于新开发人员的体验尤其重要。然而，问题参与者的分配和审查需要社区管理者大量的工作和时间，往往造成Issue长时间积压无法解决。经过历史数据的训练，利用CNN，工具可以帮助**推荐合适的开发者**，**缩短问题响应时间**，**提升issue处理效率**。 自动为每个issue打标签，利用Bot推动问题解决 **2\. 建立开发者画像** 开源社区就是一个小社会，每一位开发者都有自己的情感与诉求。我们希望通过分析开发者在社区的开发活动，为每一位开发者勾勒出自己的画像。利用开发者画像就可以**实现个性化的服务**，例如推荐你感兴趣的信息、根据熟练度推荐不同的导师等。有了开发者画像，社区的**服务将更有温度**。 利用兴趣向量、GNN、社交网络分析构建开发者画像 **3\. 面向萌新开发者的Good First Issue** 针对刚刚参与社区的小伙伴们，我们会推出一批易上手的问题并标记为Good First Issue。通过引导大家通过发布文档，修复简单bug，**开发者可快速掌握社区开发的“核心秘籍”**，并**体会到和小伙伴们一同协作的乐趣**。 社区里标记为Good First Issue的问题 **二、社区健康度分析类：** 我们都希望MindSpore社区能够永远健康陪伴在各位小孢子们的左右，这样日常的健康诊断就非常重要了。我们会联合Linux基金会顶级项目CHAOSS，共同打造社区健康度量体系，并为我们的开发者提供各种有益的社区参与指导与帮助。参与我们，你可以有机会接触来自世界各地社区运营的大牛，和社区一同成长。一些有用的指标： - 社区贡献度 - ssue/PR响应时间 - 开发者参与度 - 开发者参与度 如何参与DX - SIG？ 用AI来运营AI社区是一件很酷的事情，感兴趣的小伙伴们就马上联系我们吧！ 项目地址: https://gitee.com/mindspore/community/tree/master/sigs/dx Slack channel: https://app.slack.com/client/TUKCY4QDR/CUWDBBGTW QQ群 : 871543426 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee:https : //gitee.com/mindspore/mindspore 扫描下方二维码加入MindSpore项目 --- https://www.mindspore.cn/activities/zh/415/ --- 活动中心 进击的MindInsight贡献者，技术&福利都给你~ # 进击的MindInsight贡献者，技术&福利都给你~ 2021/03/12 # 进击的MindInsight贡献者，技术&福利都给你~ # MindInsight介绍 MindInsight为MindSpore提供了简单易用的调优调试能力，提供了包括：跨框架模型迁移工具（MindConverter）、训练过程可视（Summary）、调试器（Debugger）、训练调试器（Profiler）、模型解释（XAI）等多个效率提升神器！ \*\*跨框架模型迁移工具（MindConverter）：\*\*支持计算机视觉领域典型模型，Bert预训练模型由TensorFlow/PyTorch/ONNX一键迁移为MindSpore模型定义脚本，以及相应CKPT； \*\*训练过程可视（Summary）：\*\*可以将标量、张量、图像、计算图、模型超参、训练耗时等数据记录到文件中，通过MindInsight可视化页面进行查看及分析； \*\*调试器（Debugger）：\*\*可以结合计算图，查看图节点的输出结果，以及查看权重等参数的变化情况；可以设置监测点，检查训练异常情况，定位错误原因； \*\*训练调试器（Profiler）：\*\*将训练过程中的算子耗时、迭代动向等信息记录到文件中，通过可视化界面供用户查看分析，帮助用户更高效地调试神经网络性能； \*\*模型解释（XAI）：\*\*通过关键特征可视化，帮助用户理解黑盒模型决策行为，从而建立对模型的信任以及更好地对模型进行调试。 还不一键三连：Watch + Star + Fork？！ - MindInsight官网使用教程：https://www.mindspore.cn/tutorial/training/zh-CN/r1.1/advanced\_use/visualization\_tutorials.html - Gitee代码仓链接：https://gitee.com/mindspore/mindinsight # 活动介绍 在有效期内完成本帖发布的MindInsight相关ISSUE，即可获得相应的任务奖励，技术、福利双丰收！（P.s. 向开源社区贡献代码可是求职简历上的一个大亮点哦） \*\*活动时间：\*\*3月10日~4月30日 ISSUE难度 ISSUE描述 奖励 简单 要求开发者了解MindInsight某个模块基本执行流 京东100元购物卡 中等 要求开发者熟悉MindInsight中某个模块的架构设计 京东150元购物卡 困难 要求开发者熟悉MindInsight整体架构设计 京东300元购物卡 _注：该活动每个ID可多次参与，但简单类ISSUE每个ID仅能领取1次奖励，中等类ISSUE每个ID仅能领取3次奖励，困难类ISSUE无限制。_ **任务列表：** 子模块 ISSUE描述 任务难度 接口人 **MindInsight** Update PyPI classifiers Development Status. 简单 liangyongxiong **跨框架模型迁移工具（MindConverter）** Add operator `Equal` mapper from ONNX to MindSpore. 简单 liuchongming **跨框架模型迁移工具（MindConverter）** Add operator `Not` mapper from ONNX to MindSpore. 简单 liuchongming **跨框架模型迁移工具（MindConverter）** Add operator `CumSum` mapper from ONNX to MindSpore. 简单 liuchongming **调试器（Debugger）** Read execution graph node from csv file. 简单 yelihua **训练过程可视（Summary）** mindinsight start command should print summary base dir to ease users. 简单 wenkai **解释器（XAI）** Sort the methods names by dictionary order in the UI page. 简单 lixiaohui **训练调试器（Profiler）** Profiler: add cache for device memory profiling query 简单 yanghaitao **训练调试器（Profiler）** Profiler: Optimize the parameter verification mechanism. 简单 yanghaitao **跨框架模型迁移工具（MindConverter）** Add operator `ConvTranspose` mapper from ONNX to MindSpore. 中等 liuchongming **调试器（Debugger）** Download tensor value through browser. 中等 yelihua 任务列表持续更新... # 任务完成步骤： 1. \*\*任务认领：\*\*点击“ISSUE链接”，进入到ISSUE详情页，评论区输入“Accepted by @id.”（其中id需要替换为各自账户的id）即为认领成功（若有多人认领同一ISSUE，以“评论区”先后次序为准）； 2. 3. **PR关联：**ISSUE领取后，需在48小时内提交PR，并在PR关联该ISSUE，若超时，则ISSUE认领失效，该任务会重新被置为**_“TODO”_**状态，其他用户可重新认领该ISSUE； 4. **PR合入**：若PR关联ISSUE后，一周内PR未能修改完成、未被合入，则ISSUE状态也将被重置为**_“TODO”_**状态； 5. **奖励领取**：PR合入后由相应模块接口人进行验收，验收通过后将通过邮件或微信发送奖励！ 完成任务过程中或MindInsight使用过程中，遇到任何问题，可在活动帖评论、留言，接口人会提供适当指导与帮助，帮助大家尽快完成任务~ 接口人邮箱：ougongchang@huawei.com # 补充说明 1. Git+Gitee入门实践参考； 2. PR提交流程参考：git+码云提交流程记录； 3. Gitee新用户请查阅《贡献文档》，并签署CLA； 4. 提交的PR需要关联issue，并添加标签：mindspore-contrib； --- https://www.mindspore.cn/activities/zh/419/ --- 活动中心 MindTalk | 全球首届 AI 开源吐槽大会来了！ # MindTalk | 全球首届 AI 开源吐槽大会来了！ 2021/03/18 # MindTalk | 全球首届 AI 开源吐槽大会来了！ 这是一场 为了那些对MindSpore爱恨交织的小孢子们 举办的盛会 也是对不了解MindSpore的开发者们一场邀约 据说 MindSpore 是 训练效果好又怎么样 开发者们就喜欢容易上手的 然后真香选择用MindSpore的—— 一款开源的全场景AI计算框架 （ 这不就是在变相自夸吗？ 是我们老大要求写的 ） 现实中的MindSpore是什么样子的呢？ 以上是你眼中的MindSpore吗？ **下周一（3月22日）晚上8点** **B站MindSpore官方** 平台开播 功能净是bug？更新太频繁？运营不给力？ **全球首届** **AI 开源吐槽大会** 邀请每天被工作压弯了腰 被领导虐了千百遍的你 来在线一吐为快！ --- https://www.mindspore.cn/activities/zh/421/ --- 活动中心 跟着 MindSpore 探索：Rust 在 AI 领域是如何应用的？ # 跟着 MindSpore 探索：Rust 在 AI 领域是如何应用的？ 2021/03/19 # 跟着 MindSpore 探索：Rust 在 AI 领域是如何应用的？ Rust 做为一种全新的系统编程语言，最近几年在国内外的热度持续升温，并且逐渐的落实到实际应用中。**3月27日**，由华为、openEuler 、Netwarps、开源中国和 Rust 中文社区联合主办的 **Rust Meetup** 将在**深圳**举行。此次 Meetup 将围绕 **Rust 语言无栈协程**、**Rust 实际应用**、**Rust 科学计算**等方向进行分享。 届时会邀请华为、Netwarps、PingCAP 、openEuler 开源社区、Rust 中文社区、开源中国、MindSpore社区等企业中的 Rust 开发者参与分享。 **分享主题** 基于 TVM Rust Runtime 和 WASM 沙箱运行 AI 模型 **议题介绍** 王辉目前负责新型计算运行时（例如 WebAssembly 技术）研究和 MindSpore AI 框架的开源社区运营。在此之前，他作为 OpenSDS Hotpot 项目的 PTL 与 OpenSDS 团队一起工作，同时也是 OpenStack、OPNFV 和 Open Service Broker API 等社区的积极贡献者。 本次分享首先会介绍下 TVM 深度学习编译器以及 WASM 技术的整体架构，然后展示基于 TVM Rust runtime 和 Rust compiler 进行 AI 模型的加载和 WASM bytecode 编译的端到端流程，最后通过演示一个 demo 实现 AI 模型的编译、加载和执行的全场景部署工作。 **分享主题** 从 libp2p-rs 到 IPFS **议题介绍** 本次分享将介绍 libp2p-rs 项目开发历程，探讨使用 Rust 进行网络异步编程的设计思路与原则，概述 libp2p-rs 的各个模块的设计与实现。最后是关于使用 libp2p-rs 作为底层支撑构建 ipfs 公网节点的经验分享。 **分享主题** Rust 科学计算多维数组运算库的分析与实践 **议题介绍** 向量及矩阵运算是数学计算的基础技术，本次将分享演讲人在 Rust-ndarray 社区贡献的支持 no\_std 轻量级模式、优化负步长数组运算性能、增强并行加速功能等关键特性，分享对完善、优化 Rust 数学计算关键技术生态的思考。 **分享主题** 深度剖析 Rust 异步编程/无栈协程 **议题介绍** 协程在新兴编程语言中越来越受到重视，此次分享将对比 Go、Rust 语言探讨有栈协程和无栈协程的差别、优缺点；并详细阐述 Rust 中 async/await 无栈协程的实现。 **分享主题** Rust FFI 跨语言代码复用的方法和实践 **议题介绍** TiKV 提供包括 Python/Rust/C++/Java 等多种语言的 Client，而由于 Client 逻辑复杂且与 TiKV 正确性密切相关，工程上难以实现并维护多套 Client。Rust 优秀的抽象能力让跨语言 FFI 变得前所未有的简单，因此我们可以基于同一套 Rust Client 作为内核构建多种语言的 Client。本次将分享 Rust FFI 的使用方法、社区生态以及在 TiKV 中的实践。 **分享主题** Rust 语言在系统开发（虚拟化平台 StratoVirt）的实践与应用 **议题介绍** StratoVirt 是下一代高性能、低开销、强隔离的轻量虚拟化产品，作为云原生底座，应用于 ServerLess、Microservice 等业务场景。Rust 语言特点是高性能、高并发和高安全，非常适合做轻量虚拟化产品开发，而且 Rust 面向对象的特性，在 StratoVirt 项目中应用非常广泛，如虚拟机抽象、内存抽象、设备抽象等等。本次将分享 StratoVirt 产品架构，以及 Rust 在 StratoVirt 的应用实践。 **日程安排** 13：00-13：30 签到 13：30-14：10 主题分享 谢敬伟@Netwarps 14：10-14：50 主题分享 李原@华为 14：50-15：30 主题分享 何元勋@Netwarps 15：30-15：40 休息/自由交流 15：40-16：20 主题分享 骆迪安@TiKV 16：20-17：00 主题分享 张亮@华为 17：00-17：40 主题分享 王辉@华为 17：40-18：00 QA/自由交流 **活动地址** 广东省深圳市福田区中康路136号新一代产业园4栋19楼 **活动礼品** **报名方式** 主办方 协办方 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee:https : //gitee.com/mindspore/mindspore 官方QQ群 : 871543426 扫描下方二维码加入MindSpore项目 --- https://www.mindspore.cn/activities/zh/424/ --- 活动中心 【春雷惊百虫，大家来找“茬”】活动获奖名单公布 # 【春雷惊百虫，大家来找“茬”】活动获奖名单公布 2021/03/24 # 【春雷惊百虫，大家来找“茬”】活动获奖名单公布 截止上周末de 参与情况，论坛公布获奖名单啦！ 快来看看有没有你呀！ 资料建议获奖 hw57931405 yue 我就灬是我 依旧廖凯 雨夜丿 御坂8080号 张辉 纪念品 我就灬是我 雨夜丿 加油O幸福 满心 倾国倾城MM 王玉兰 MindSpore狂热粉丝 李响 KAIKAI 依旧廖凯 YJM52 franco52576 白白胖胖123 API纠错获奖 依旧廖凯 我就灬是我 雨夜丿 加油O幸福 满心 倾国倾城MM 王玉兰 MindSpore狂热粉丝 李响 KAIKAI YJM52 franco52576 DevFeng yue 樊川小肚 平安小跟班 下一站@远方 小小啦啦 御坂8080号 api升级奖励 吴登刚 张辉 盐城 longvoyage 个别用户PR还未合入，若正常合入仍享受升级！ 后续运营人员将通过1261354409@qq.com邮箱联系您，请注意查收哦！ --- https://www.mindspore.cn/activities/zh/425/ --- 活动中心 我的生日趴，缺你不可 | MindSpore 开源一周年 # 我的生日趴，缺你不可 | MindSpore 开源一周年 2021/03/25 # 我的生日趴，缺你不可 | MindSpore 开源一周年 在这春暖花开的日子， 我们即将迎来MindSpore社区 **一周岁** 生日！ 回望着不平凡的一年， MindSpore社区迎来一个又一个的“**第一次**” 2020年3月28日 正式**开源** 2020年7月15日 **MSG**正式成立 2020年9月24日 发布**1.0**版本 2020年9月30日 第一次**PR数**达到**10000** 2020年12月17日 **下载量**首次达到**100000** 为了庆祝社区成立一周年， 我们推出了“**周年庆大礼包**” ## 『MindSpore 开源一周年』说说你的心里话 『MindSpore 梗百科』段子手的源泉 『MindTalk』大咖思想的碰撞 重磅 当然，还有最为**重 重 重** 磅的 \*\*3.28-\*\*3.**29 周年庆直播** 开源大咖、领军企业领袖、资深布道师 你想得到、想不到的统统请进直播间 新版本、新工具 你想听的、想学的统统讲个过瘾 还有，还有… **直播中各种惊喜“礼物”，拿到手软。** **3.28-3.29** **周年直播，不看不行！** 有没有心动？ 访问社区， 掌握第一手信息！ --- https://www.mindspore.cn/activities/zh/428/ --- 活动中心 开源周年庆 | MindSpore开源一周年直播 # 开源周年庆 | MindSpore开源一周年直播 2021/03/28 # 开源周年庆 | MindSpore开源一周年直播 如何度过一个充实而精彩的周末呢？ 当然是来看~开源大咖、领军企业领袖、资深布道师，在线为你传授经验的直播呀！ 如果你周末只想快乐度过，无心学习~ 那更应该来看被快乐的氛围环绕的↓MindSpore 周年直播啦！ 躺着就能领取直播间各种**惊喜“礼物”**！ 3月28日（周日）上午10:00开始~ 直播开场即高能！MindSpore定制好礼100份，B站直播间弹幕数的前100名小伙伴，可领取一周年惊喜好礼哦~ 当然，任何奖品都没法与这个环节相比较，领军企业领袖空降直播间等你来撩，提前备好刁钻古怪的问题弹幕发出，在线为你解答~ 如果你才接触AI，想进一步了解AI框架相关的知识~ 直播间为你准备了：经验丰富的AI专家和优秀开发者与你分享学习心得。 华为MindSpore 运营总监 胡晓曼,一个有美貌又有才华的小姐姐 为大家带来:MindSpore 社区 2021年为大家精心设计的新工具「TinyMS」预告! 晚上最适合寻找灵感啦，资深开源大咖圆桌讨论就在晚间开启，让我们激发自己的脑力，和大咖一起头脑风暴！ MindSpore是华为发布的一款支持端边云全场景AI计算框架，旨在为数据科学家和算法工程师提供设计友好、运行高效的开发体验！ (以下视频点击后会跳转到原文中观看) MindSpore已经在2020年3月28日开源，从0.1到1.1，短短一年时间为广大开发者提供了18个实用特性， 看视频回顾 MindSpore 特性的变化~ 从差分隐私通过已有模型数据，推测出个体特征属性；二阶优化比同样软硬件环境下的一阶优化足足快了近1倍；PyTorch一键转化的特性~ 到MindIR：实现端云互通；Serving：高效部署在线推理服务；端侧特性：AI越用越精准；PyNative：动态图模;调试器的检查能力，定位更精准；单节数据缓存明显的性能提升；约束编程：约束优化器SOMAS；在线体验功能：免费使用线上GPU、CPU环境…… 周年直播（3.28-3.29）即将给大家带来什么实用亮眼的新特性呢？**锁定MindSpore公众号将向你展现最详细的新特性解析**~ 学习任何一款AI框架的过程中都有可能遇到一些困惑，MindSpore从诞生之初，就致力于打造一个属于开发者自己的开源社区。在这里，可以学习交流硬核的技术，可以自由舒适探索你无限的潜能！ 「MindSpore 深度学习应用营」帮助小白更快的上手高性能深度学习框架！ 「MindSpore 两日集训营」让你快速入门MindSpore，结合技术前沿讲解新特性，让你的部署、调优不再成为瓶颈~ 「MSG」MindSpore Study Group - 给你提供软硬结合的必备知识！ - 带你了解前沿的技术成果！ - 帮你完成第一个社区PR的提交！ 「MindCon极客周」一场为期12天将分别在12个城市举办的极客狂欢活动。大家每天聚集在一个城市，修复社区bug，分享学习心得，还可以参加「昇腾模型王者挑战赛」不断挑战自己！ 开发者的全维度宇宙 —— MindSpore开源社区 开发者的世界是丰富多彩的，写代码只是一部分。MindSpore努力为开发者们打造一个多姿多彩的社区~ - 「MindTalk」大咖思想的碰撞； - 「梗百科」轻松聊聊梗，快乐涨知识； - 「MindSpore 街舞挑战」干饭人动起来； - 「MindSpore小剧场」开源界首个小剧场：17个3秒短剧，每天一集，带你感受程序员的日常，包含悬疑、搞笑、温情、以及所有你能get到的技术点~ MindSpore 开源一周年，感谢全世界各地开发者在百忙之中抽出时间给社区送祝福，先透露一部分祝福视频。无论时间多久，MindSpore社区始终热爱着你们——致开发者，**诚挚地邀请你来参加MindSpore开源一周年狂欢活动**！ --- https://www.mindspore.cn/activities/zh/431/ --- 活动中心 【有奖活动】MindSpore版本更新，新特性诚邀体验！ # 【有奖活动】MindSpore版本更新，新特性诚邀体验！ 2021/03/31 # 【有奖活动】MindSpore版本更新，新特性诚邀体验！ 还记得我们上次的新年新版本体验活动嘛？啊，没注意？您可以订阅官网的资讯界面，最新活动，技术干货。。。。一网打尽！ 现在，新的版本带着体验活动又来啦~ 新特性包括各种动态图分散训练效率的提升，一键模型迁移，模型鲁棒性检测，深度分子模拟及量子机器学习等，无论是在效率提高，易用性，还是创新方面，都是干货满满！ 按照惯例！先来看看奖品： 1.可视采耳勺 2.新疆棉空调被（支持国货，支持国产深度学习框架！） 3.筋膜枪 4.运动水壶 ## 活动时间 4月1日——4月15日 ## 活动方式 1\. 下载安装MindSpore 1.2.0-rc1版本，老用户在线升级即可，官网安装界面（https://www.mindspore.cn/install）。 2\. 安装完成后输出MindSpore版本号并截图。 3\. 注明硬件平台和操作系统。 4\. 围绕MindSpore 1.2.0-rc1版本分享自己的体验，形式与内容不限，可以是体验对比，学习笔记、教程实践、个人分享等等。本次活动不可以是安装步骤哦！ 5\. 将版本号截图，硬件平台和操作系统，体验内容和个人邮箱号(没这个你没法领奖哦)发布到MindSpore论坛的“活动体验”主题分类。 ## 注意事项 1\. 请勿刷帖，刷帖一律删帖并做无效参与处理。 2\. 请勿盗取他人截图或内容，一经发现做无效参与处理；所有活动中提交内容若相同或相似，后提交者视作无效参与。 3\. 发现同一人多账号参与，仅可领取一次。 4\. 前面40名完成任务且达标者获得奖品。 5\. 如遇奖品缺货或者地区限制，将自动更换为同等价值类似商品。 6\. 最终解释权归MindSpore团队所有。 --- https://www.mindspore.cn/activities/zh/440/ --- 活动中心 MSG | 白玉兰开源与MindSpore邀您一起“畅谈AI” # MSG | 白玉兰开源与MindSpore邀您一起“畅谈AI” 2021/04/16 # MSG | 白玉兰开源与MindSpore邀您一起“畅谈AI” 本**周六(4月17日)下午**，白玉兰开源与MindSpore社区共同主办的人工智能技术沙龙“畅谈AI”将于**上海静安寺P2创客中心**举办。 本次活动的具体行程信息，欢迎大家扫码报名参与~ MindSpore社区、Julia中文社区、Graviti以及Artefact的朋友一起来畅谈与人工智能有关的那些技术及应用。 如果你是一个位想要接触**AI的硬件极客**，MSG将给你提供**软硬结合的必备知识**！ 如果你是一位关注最新技术的**算法爱好者**，MSG将带你了解**前沿的技术成果**！ 如果你是一位**对开源社区充满热情的开发者**，MSG将会帮你**完成第一个社区PR的提交**！ ## 往期MSG快速通道↓ - MSG | MSG天大场·何芦微老师分享MindSpore - 活动回顾 | 2021年 MSG 线下活动开启大幕 - MSG｜首批MSG组织者名单公布！ MindSpore官方资料 GitHub:https://github.com/mindspore-ai/mindspore Gitee:https://gitee.com/mindspore/mindspore 官方QQ群: 871543426 扫描下方二维码加入MindSpore项目↓ --- https://www.mindspore.cn/activities/zh/442/ --- 活动中心 新教程有奖纠错，一起来快速入门！ # 新教程有奖纠错，一起来快速入门！ 2021/04/16 # 新教程有奖纠错，一起来快速入门！ hello 大家好，又见面啦！小编在4月中旬又带来了新的活动！ 而且还是两个！ 话不多说，一起来看看吧！ **活动时间：** 4月16日——4月30日 **活动方式：** **活动一：** MindSpore官网上新，邀请大家前来体验，新的教程页面《快速入门》上线啦！在使用过程中如果发现了错误，前去MindSpore论坛的“活动体验”主题分类发帖即可，请记得要留下常用邮箱以便我们联系您发放奖品哦！ 《快速入门》页面传送门：猛戳这里！ 升级1档奖品：提交issue到指定仓：https://gitee.com/mindspore/docs。 升级2档奖品：提交issue到指定仓并提交PR，且顺利合入。指定仓：https://gitee.com/mindspore/docs。 （如果您提交了issue和PR，记得在您个人的活动体验的帖子内粘贴相应链接哦！） **活动二：** 翻译任务，我们在Gitee上发布了十条翻译任务，您可以参考说明，完成后提交PR到指定位置即可！同时将PR链接+个人邮箱+完成的任务序号，发布在MindSpore论坛的“活动体验”主题分类。 提交PR的流程和注意事项可以参考：\*\*\*gitee上提交PR和issue的流程和注意事项\*\*\* **任务链接** **完成情况** **完成人** https://gitee.com/mindspore/docs/issues/I3I2T3 待完成 https://gitee.com/mindspore/docs/issues/I3I2R6 待完成 https://gitee.com/mindspore/docs/issues/I3I2OD 待完成 https://gitee.com/mindspore/docs/issues/I3I2MX 待完成 https://gitee.com/mindspore/docs/issues/I3HZR4 待完成 https://gitee.com/mindspore/docs/issues/I3HZQE 待完成 https://gitee.com/mindspore/docs/issues/I3HZPM 待完成 https://gitee.com/mindspore/docs/issues/I3HZOK 待完成 https://gitee.com/mindspore/docs/issues/I3HZOB 待完成 https://gitee.com/mindspore/docs/issues/I3HZNA 待完成 翻译要求： 1\. 翻译格式参考贡献文档。 2\. 不能使用翻译工具直接翻译。 3\. 不要逐字翻译，这样出来的效果很中式。应该按照自己的理解翻译，且译文应该符合英文阅读习惯。 4\. 用词规范：（1）专有名词保持书写正确，例如：AlexNet，不要写成alexnet或者Alexnet。 （2）用词符合业界习惯，例如：reasoning和inference都有推理的意思，但是通常业界使用inference。 5\. 语法规范：（1）标点符号使用正确，不要中英文标点混用。 （2）主谓宾结构完整，不产生歧义。 6\. 标题规范：（1）标题首字母大写。 （2）标题若动词开头，应采用动名词形式，即doing形式。 （3）标题应尽量简短干练。 **奖品展示：** 1.活动一找错并在论坛发帖可获得： 2.活动一找错并在Gitee提交issue可获得： 3.活动一找错并在Gitee提交issue和PR，正式合入后可获得： **150元内京东自营商品一件！** 4.活动二提交PR并合入，可获得： **200元内京东自营商品一件！** # 注意事项： 1\. 本次任务标签：，本次提交的issue负责人：wangting。本次提交的PR审查人：wangting。 2\. 所有活动中提交内容若相同或相似，后提交者视作无效参与。 3\. 每个账号最多可获取活动一和活动二共计两个商品。 4\. 如遇奖品缺货或者地区限制，将自动更换为同等价值类似商品。 5\. 发现同一人刷帖，仅可领取一次。 6\. 最终解释权归MindSpore团队所有。 --- https://www.mindspore.cn/activities/zh/446/ --- 活动中心 4月1日论坛体验活动获奖名单公布！ # 4月1日论坛体验活动获奖名单公布！ 2021/04/20 # 4月1日论坛体验活动获奖名单公布！ 对不起！来晚啦！ 由于本月新活动16号上线，小编忙着那边的事宜，实在分身乏术，体验活动的统计就有所耽搁啦！ 话都说到这边了，还是打一波广告吧，新活动《新教程有奖纠错，一起来快速入门！》 话不多说，公布获奖名单啦！ 本期入围的获奖名单如下： JeffDing James\_hou666 青桃 UnseenMe runningAtom longvoyage franco52576 御坂8080号 胡琦 我就灬是我 张辉 KAIKAI LostArtemis Gogery 王亦臻 HwKunn 依旧廖凯 888888888 yexi 恭喜以上的各位！ 工作人员将通过1261354409@qq.com的邮箱联系你们哦，请注意回复！ --- https://www.mindspore.cn/activities/zh/448/ --- 活动中心 MSG | 回顾白玉兰开源与MindSpore“畅谈AI”精彩瞬间！ # MSG | 回顾白玉兰开源与MindSpore“畅谈AI”精彩瞬间！ 2021/04/22 # MSG | 回顾白玉兰开源与MindSpore“畅谈AI”精彩瞬间！ \*\*MindSpore Study Group（MSG）\*\*致力于提供一个让开发者可以充分进行技术研讨、案例分享、互相交流的公益性社区。 4月17日，在上海MindSpore社区联合白玉兰开源与Julia中文社区、Graviti以及Artefact的朋友为参与线下活动的小伙伴们带来干货满满的分享！ MSG已经在上海开展多场线下活动，这次MSG·上海有很大改变，以\*\*「畅谈AI」\*\*为专题将为大家带来一系列与AI相关的连载分享，第一期畅谈与人工智能有关的那些技术及应用，在现场大家汇聚思想碰撞灵感的火花，下面就跟着小编一起来回顾活动中的精彩瞬间吧~ MindSpore社区及高阶API套件TinyMS - **议题简介** 分享MindSpore开源社区运营经验和高阶工具套件TinyMS。TinyMS是基于MindSpore编写的高阶API工具，这次主要从架构设计、功能介绍和快速应用三个方面分享，让开发者能够一分钟上手深度学习模型训练、预测和部署。 Julia 语言及其生态 - **议题简介** Julia 是一门新兴的针对科学计算设计的高性能编程语言。这次分享简要介绍了： 1. Julia 的特性和设计风格； 2) Julia 下的生态环境和社区； 3) Julia 目前的缺点以及未来发展的方向。 公开数据集社区 Open Datasets - **议题简介** 数据是深度学习的根本，然而当前的公开数据集生态略显原始，公开数据集的检索管理共享都缺乏高效的工具和平台。为了解决这些痛点，Graviti搭建了公开数据集社区 Open Datasets，为广大AI开发者提供高效的数据集搜索途径，丰富的数据集管理工具和快捷的数据集共享平台。 数据科学在企业数据转型中的作用和限制 - **议题简介** Artefact作为一家全球化的数据咨询与数据营销服提供商，整合数据咨询、数据科学、数据营销等多领域专家，帮助企业把数据转化为商业价值。本次活动中结合过往的案例，简要介绍了数据科学和AI在帮助企业进行数字化和数据转型中的作用，同时介绍在此过程中作为全球数据科学家团队的社区组织和知识分享体系。 感谢倾囊相授的嘉宾老师！感谢来上海应约的小伙伴们！本次活动不光有精彩的AI主题内容分享，我们还为大家准备了精心定制的小礼品，如下图所示 ~ MindSpore公众号对话框发送‘**畅谈AI**’可获得MSG·上海活动的ppt以及部分视频，欢迎大家查看下载相信无论是活动现场的小伙伴还是此刻看文章的你都有所收获！欲知更多精彩活动，请持续\*\*关注微信公众号『MindSpore』\*\*获取最新MSG相关消息 ## 更多关于MSG…… 2020年5月，MSG正式成立，不到一年时间里，我们走遍了全国**十三大城市**：北京、上海、广州、深圳、武汉、长沙、苏州、杭州、南京、重庆、山东、郑州、天津，拓展了**七大海外MSG**：莫斯科、新加坡、印尼、澳门、印度、香港·浸会大学，香港·理工大学，**联合OpenI启智社区走进了校园**：哈工大深圳校区、南方科技大学等等。2020年底发起了首场以女性为主题的\*\*『MSG: Women In Tech』\*\*，广受好评；上周发起的『MSG: Women In Tech』第二期同样火爆，聚焦当下热点问题，分享内容干货满满，短期内收到许多粉丝的喜爱，并来信期待下一期的分享。 MSG是什么？ MindSpore Study Group，简称MSG，是提供一个让开发者可以充分进行技术研讨、案例分享、互相交流的公益性社区。为了方便开发者们的深入交流，我们会在多个城市成立MSG组织，满足本地开发者的线下交流机会。 **MSG**一般会做什么？ · 技术研讨 MindSpore技术专家讲解最新版本技术亮点 邀请技术大咖分享关于AI、深度学习最新动态 · 极客分享 开发者分享MindSpore真实场景的应用案例 极客们分享前沿技术进展与软硬件最新技术 · 社区贡献 引导开发者从零参与MindSpore社区贡献 培养开发者成为开源社区的contributor **如何成为MSG组织者？** 每个人都有机会成为MSG的组织者，不论你现在在北京、上海、深圳，还是杭州、西安、成都等城市，都可以提交申请。有志于成为MSG组织者的朋友们，请扫描以下的二维码进行报名。 --- https://www.mindspore.cn/activities/zh/452/ --- 活动中心 MSG | 南京组织者发起的首场MindSpore开源项目交流活动！ # MSG | 南京组织者发起的首场MindSpore开源项目交流活动！ 2021/04/27 # MSG | 南京组织者发起的首场MindSpore开源项目交流活动！ \*\*MindSpore Study Group（MSG）\*\*致力于提供一个让开发者可以充分进行技术研讨、案例分享、互相交流的公益性社区。 **本周三（4月28日）**将迎来首场由MSG组织者发起，将在**南京**举办的线下活动，期待您的参与！ 随着人工智能越来越多的在商业方面各个领域落地，在整个异构的计算产业生态中底层基础设施的多元化趋势凸显，MindSpore作为新一代全场景深度学习框架，最佳匹配昇腾硬件平台AI处理器算力，支持端边云全场景灵活部署，开创全新的AI编程范式，降低AI开发门槛，旨在实现开发态友好、运行态高效、部署态灵活三大目标，推动人工智能软硬件应用生态繁荣发展。 **开源社区本地化交流活动的目的** 面向参加的AI相关专业的同学，全面介绍MindSpore深度学习框架的核心设计理念，开源社区的运作情况；结合工程领域的实践加深对MindSpore的理解，能够对当下人工智能领域最受欢迎的深度学习方法有一定的认识和了解。 希望通过本次交流活动，吸引更多热爱开源领域的开发者加入到社区，共同探讨、学习并参与MindSpore云原生AI计算框架的建设中，发挥自己的创造力。 **参加本次交流活动的收获** 1\. 本次开源社区交流活动本着营造轻松的交流、学习、探讨的氛围，践行开源社区的开放理念为目标，在这里可以收获最新的业界对AI人工智能的理解、实践思路； 2\. 了解人工智能开源领域发展情况，掌握MindSpore开源社区的参与、学习基本方法。 **开源源码托管** - Gitee：https://gitee.com/mindspore/mindspore - Github：https://github.com/mindspore-ai/mindspore - 更多信息参见MindSpore社区： https://www.mindspore.cn/ ## 更多关于MSG…… 2020年5月，MSG正式成立，不到一年时间里，我们走遍了全国**十三大城市**：北京、上海、广州、深圳、武汉、长沙、苏州、杭州、南京、重庆、山东、郑州、天津，拓展了**七大海外MSG**：莫斯科、新加坡、印尼、澳门、印度、香港·浸会大学，香港·理工大学，**联合OpenI启智社区走进了校园**：哈工大深圳校区、南方科技大学等等。2020年底发起了首场以女性为主题的\*\*『MSG: Women In Tech』\*\*，广受好评；上周发起的『MSG: Women In Tech』第二期同样火爆，聚焦当下热点问题，分享内容干货满满，短期内收到许多粉丝的喜爱，并来信期待下一期的分享。 MSG是什么？ MindSpore Study Group，简称MSG，是提供一个让开发者可以充分进行技术研讨、案例分享、互相交流的公益性社区。为了方便开发者们的深入交流，我们会在多个城市成立MSG组织，满足本地开发者的线下交流机会。 **MSG**一般会做什么？ · 技术研讨 MindSpore技术专家讲解最新版本技术亮点 邀请技术大咖分享关于AI、深度学习最新动态 · 极客分享 开发者分享MindSpore真实场景的应用案例 极客们分享前沿技术进展与软硬件最新技术 · 社区贡献 引导开发者从零参与MindSpore社区贡献 培养开发者成为开源社区的contributor **如何成为MSG组织者？** 每个人都有机会成为MSG的组织者，不论你现在在北京、上海、深圳，还是杭州、西安、成都等城市，都可以提交申请。有志于成为MSG组织者的朋友们，请扫描以下的二维码进行报名。 --- https://www.mindspore.cn/activities/zh/457/ --- 活动中心 1.2.0全新版本体验，官方课程助你玩转MindSpore！ # 1.2.0全新版本体验，官方课程助你玩转MindSpore！ 2021/04/30 # 1.2.0全新版本体验，官方课程助你玩转MindSpore！ 各位尊敬的MindSpore用户五一小长假快乐！ 虽然东拼西凑了一个五一假期，但真正休息的时刻还是蛮爽的哈哈哈~ 话不多说言归正传，我们的新活动又来啦~ 本期活动还是两场哦，依旧是兼中兼得！ # **活动奖品** # 活动时间 5月1日——5月16日 # 活动方式 **活动一**：1.2.0版本体验（注意不是4月的1.2.0-rc1版本哦） 1.下载安装MindSpore最新版本1.2.0，老用户在线升级即可。 2.安装完成后输出MindSpore版本号并截图。 3.注明硬件平台和操作系统。 4.围绕1.2.0版本分享自己的体验，形式与内容不限，可以是体验对比，学习笔记、教程实践、个人分享等等，不可以是安装步骤。 5.将版本号截图，硬件平台和操作系统，体验内容和个人邮箱号发布到MindSpore论坛的“活动体验”主题分类，命名为：5月1.2.0版本体验。 （1.2.0版本简介可关注MindSpore公众号或点击：https://www.mindspore.cn/news/newschildren?id=453） **活动二**：新课程页面体验 MindSpore官网课程页面上新，用户可以自由选择适合自己的课程啦。面对不同的开发者，课程提供了视频，讲义，实验指导等等，满足不同的用户需求。同时目前提供了三阶课程可选，帮助各个阶段的用户深入浅出的玩转MindSpore。从深度学习理论到框架实践，辅以优秀实践和案例教学，MindSpore课程让每个用户都能学有所得。 课程地址：https://www.mindspore.cn/resources/courses 使用课程页面，并提出优化建议，深度体验感受，问题纠错等等，将体验内容和个人邮箱号发布到MindSpore论坛的“活动体验”分类，命名为：5月课程页面体验。 # 注意事项 1.请勿刷帖，刷帖一律删帖并做无效参与处理。 2.请勿盗取他人截图或内容，一经发现做无效参与处理。 3.版本体验选取达标25人，课程页面体验选取达标25人。 4.最终解释权归MindSpore团队所有。 --- https://www.mindspore.cn/activities/zh/547/ --- 活动中心 MSG | 山东场在线与你分享：MindSpore自动数据增强 # MSG | 山东场在线与你分享：MindSpore自动数据增强 2021/05/07 # MSG | 山东场在线与你分享：MindSpore自动数据增强 \*\*MindSpore Study Group（MSG）\*\*致力于提供一个让开发者可以充分进行技术研讨、案例分享、互相交流的公益性社区。 **明天（5月8日）19:00-21:00**，由MSG组织者刘明发起并组织的主题为『自动数据增强及自定义数据增强算子实现』的线上活动，将在**B站MindSpore官方**与大家见面~ 本次MSG活动议程，欢迎大家报名参与 MindSpore开发工程师严盼辉老师和MindSpore开发工程师肖天赐老师，将在B站MindSpore官方直播间为大家分享模型训练的中扮演着重要的角色，数据处理中非常重要的一环——**数据增强**。 本期主要以自动数据增强这一研究热点作为切入点，讲讲MindSpore数据增强的机理及c++自定义数据增强算子实现，感兴趣的小伙伴赶紧报名参与吧，有任何疑问老师们都会细心为你解答的，明天见哦~ 如果你是一个位想要接触**AI的硬件极客**，MSG将给你提供**软硬结合的必备知识**！ 如果你是一位关注最新技术的**算法爱好者**，MSG将带你了解**前沿的技术成果**！ 如果你是一位**对开源社区充满热情的开发者**，MSG将会帮你**完成第一个社区PR的提交**！ - MSG | 南京组织者发起的首场MindSpore开源项目交流活动！ - MSG | 回顾白玉兰开源与MindSpore“畅谈AI”精彩瞬间！ - MSG｜首批MSG组织者名单公布！ 更多关于MSG…… 2020年5月，MSG正式成立，不到一年时间里，我们走遍了全国**十三大城市**：北京、上海、广州、深圳、武汉、长沙、苏州、杭州、南京、重庆、山东、郑州、天津，拓展了**七大海外MSG**：莫斯科、新加坡、印尼、澳门、印度、香港·浸会大学，香港·理工大学，**联合OpenI启智社区走进了校园**：哈工大深圳校区、南方科技大学等等。2020年底发起了首场以女性为主题的\*\*『MSG: Women In Tech』\*\*，广受好评；上周发起的『MSG: Women In Tech』第二期同样火爆，聚焦当下热点问题，分享内容干货满满，短期内收到许多粉丝的喜爱，并来信期待下一期的分享。 MSG是什么？ MindSpore Study Group，简称MSG，是提供一个让开发者可以充分进行技术研讨、案例分享、互相交流的公益性社区。为了方便开发者们的深入交流，我们会在多个城市成立MSG组织，满足本地开发者的线下交流机会。 MSG一般会做什么？ · 技术研讨 MindSpore技术专家讲解最新版本技术亮点 邀请技术大咖分享关于AI、深度学习最新动态 · 极客分享 开发者分享MindSpore真实场景的应用案例 极客们分享前沿技术进展与软硬件最新技术 · 社区贡献 引导开发者从零参与MindSpore社区贡献 培养开发者成为开源社区的contributor **如何成为MSG组织者？** 每个人都有机会成为MSG的组织者，不论你现在在北京、上海、深圳，还是杭州、西安、成都等城市，都可以提交申请。有志于成为MSG组织者的朋友们，请扫描以下的二维码进行报名。 **扫码成为MSG组织者** MindSpore官方资料 GitHub:https://github.com/mindspore-ai/mindspore Gitee:https://gitee.com/mindspore/mindspore 官方QQ群: 871543426 长按下方二维码加入MindSpore项目↓ --- https://www.mindspore.cn/activities/zh/548/ --- 活动中心 线下活动 | 开源如何探索AI领域全场景？5.15与MindSpore深度畅聊 # 线下活动 | 开源如何探索AI领域全场景？5.15与MindSpore深度畅聊 2021/05/10 # 线下活动 | 开源如何探索AI领域全场景？5.15与MindSpore深度畅聊 人的精力总是有限的，选择投入哪里，是决定产出的最关键问题，MindSpore自2020年3月28日正式开源至今，带来了哪些惊喜，为什么值得你选择？ MindSpore最新1.2版本带来了AI框架领域 “全自动并行、全场景AI、可解释推荐模型” 三大创新，让开发者尽享AI开发！ 训练性能相比业界标杆提升40%（点击这里去原文观看） 较其它AI框架，MindSpore动态图性能提升60%（点击这里去原文观看） **5月15日**，MindSpore将联合云启、开源社和白玉兰开源，在上海举行一场AI&Open Source的技术交流创投BBQ：《开源开放，AI见智——开源如何探索AI领域全场景》，与对开源领域有浓厚兴趣的朋友们，交流与探索AI在不同场景下的开源可能性。 扫码报名，报名成功后可凭确认函参会入场 你将与以下参会者一起**深度交流**： · 华为MindSpore社区负责人 **黄之鹏** · 云启资本合伙人 **陈昱** · 华为云AI开发者生态专家 **林旅强** · Jina AI创始人及CEO **肖涵** · TigerGraph中国区解决方案负责人 **李憓松** · Graviti算法工程师 **杨浩特** · 数睿数据智能工程部部长 **车文彬** · Artefact首席数据科学家 **张鹏飞** · 更多嘉宾持续邀请中…… **活动详情** 形式：吹着风，撸着串，畅聊开源的术与道 时间：5月15日（周六）16:00-20:00 地点：云启小花园 · 上海市 费用：**免费** **5月14日报名截止**，余位有限，报名从速，快来与头部大厂、技术社区、云启被投企业的开发者和技术创业者们一起，嗨啤撸串，畅聊技术吧～ MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee:\[https : //gitee.com/mindspore/mindspore\](https : //gitee.com/mindspore/mindspore) 官方QQ群 : 871543426 长按下方二维码加入MindSpore项目↓ --- https://www.mindspore.cn/activities/zh/551/ --- 活动中心 与MindSpore一起参加PyCon 2021，人生苦短，来学Python！ # 与MindSpore一起参加PyCon 2021，人生苦短，来学Python！ 2021/05/13 # 与MindSpore一起参加PyCon 2021，人生苦短，来学Python！ **PyCon**（Python Conference）是指一系列专门探讨和推广Python编程语言的会议，也是使用和开发开源**Python**编程语言的社区**最大的年度聚会**。Python编程语言的国际社区每年都会举办几次会议(PyCons)。 PyCons在世界各地都有托管，主要由来自当地Python社区的志愿者组织。这意味着每个PyCon都是独一无二的，而所有的PyCon都具有相同的精神——**传播\*\*\*\*知识**，**互相学习**，**建立联系**。 MindSpore开源社区当然不会错过如此意义重大的盛会！ 『PyCon US 2021』议程已发布，感兴趣的小伙伴们需要前往**官网**注册**登录**才可参会哦！ 官网链接：https://e4284.hubilo.com/community/#/exhibitor/27954 图1 MAY 12大会议程 图2 MAY 13 大会议程 MindSpore参会入口如下图所示： 图3 MindSpore参会入口 **明天（5.13）**MindSpore将在『PyCon US 2021』为大家展示框架**干货特性合集**和MindSpore开源社区的**最新动态**！无论你是一个有经验的程序员，一个黑客还是一个初学者，欢迎你的参与！Python语言伴随着人工智能的浪潮而大热，连小学生都在学Python，只要保持积极努力的学习态度，相信中国的Python技术氛围会因你而变得更好。 （点击这里进行观看） MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee:\[https : //gitee.com/mindspore/mindspore\](https : //gitee.com/mindspore/mindspore) 官方QQ群 : 871543426 长按下方二维码加入MindSpore项目↓ --- https://www.mindspore.cn/activities/zh/554/ --- 活动中心 MindSpore亮相第十二届中国开源黑客松，5.17直播见！ # MindSpore亮相第十二届中国开源黑客松，5.17直播见！ 2021/05/17 # MindSpore亮相第十二届中国开源黑客松，5.17直播见！ AI开发竟然如此简单？ 1分钟内上手AI应用开发！ 1小时内掌握AI模型与数据集的自由切换！ 一键模型切换、预测和部署！ 没有错，TinyMS就是这样的AI开发神器！ TinyMS旨在基于MindSpore提供简单有效的高阶API、低运行开销、模块化开发以及敏捷部署。相较于市面上其他高阶API项目，TinyMS着重于提升开发者对已有框架即MindSpore的使用体验，尤其是面向全场景的开发和部署。 （点击这里进行观看） TinyMS网课更新至第四集，追剧的小伙伴们纷纷留言‘不够看’！MindSpore社区收到信号马上给大家安排~ **5月17日上午10:00-11:00**，TinyMS网课联合**第12届中国开源黑客松**强势来袭！在**B\*\*\*\*站MindSpore官方**由王辉老师为大家带TinyMS网课‘加餐’！ 5月17日上午10:00-11:00**直播内容**： - TinyMS的设计架构和模块组成 - 5分钟内学会搭建深度学习模型 - 轻松实现模型的一键切换、预测和部署 - - 第12届中国开源黑客松直播议程↑ - - 中国开源黑客松活动由华为、中国电子技术标准化研究院、腾讯云、英特尔，鹏城实验室联合主办，自2015年开办至今，已举办11届。 - - 第11届中国开源黑客松在星城长沙成功举办。30家企业的118位开发者在“Big Tent”(大帐篷)下齐聚一堂，现场进行了各个项目的代码贡献和技术交流切磋。 - - MindSpore首次与KubeEdge、OpenHarmony这两个开源项目相结合，打造了十分有挑战性的边缘AI服务。 - 2021年，第12届中国开源黑客松将与MindSpore高阶API工具——TinyMS碰撞出怎样的火花，5月17日B站MindSpore官方，等你来看！ - - MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee:\[https : //gitee.com/mindspore/mindspore\](https : //gitee.com/mindspore/mindspore) 官方QQ群 : 871543426 长按下方二维码加入MindSpore项目↓ - --- https://www.mindspore.cn/activities/zh/556/ --- 活动中心 开源有你更精彩，资料翻译一起来！ # 开源有你更精彩，资料翻译一起来！ 2021/05/17 # 开源有你更精彩，资料翻译一起来！ 各位，翻译活动又开始啦，参与社区贡献，从简单的翻译和纠错开始哦！ # 活动时间 5月17日——6月6日 # 奖品预览 成功合入可获得以下奖品4选1！ # 活动方式 ## 活动一： 翻译任务，我们在Gitee上发布了14个翻译任务，您可以参考说明，完成后提交PR到指定位置即可！同时将PR链接+个人邮箱+完成的issue链接，发布在MindSpore论坛的“活动体验”主题分类。 **issue链接** **完成情况** **完成人** https://gitee.com/mindspore/docs/issues/I3RCHL 未完成 https://gitee.com/mindspore/docs/issues/I3RCGJ 未完成 https://gitee.com/mindspore/docs/issues/I3HZOK 未完成 https://gitee.com/mindspore/docs/issues/I3HZPM 未完成 https://gitee.com/mindspore/docs/issues/I3I2MX 未完成 https://gitee.com/mindspore/docs/issues/I3I2R6 未完成 https://gitee.com/mindspore/docs/issues/I3I2T3 未完成 https://gitee.com/mindspore/docs/issues/I3I2OD 未完成 https://gitee.com/mindspore/docs/issues/I3RBY0 未完成 https://gitee.com/mindspore/docs/issues/I3RC1H 未完成 https://gitee.com/mindspore/docs/issues/I3RC64 未完成 https://gitee.com/mindspore/docs/issues/I3RC9F 未完成 https://gitee.com/mindspore/docs/issues/I3RCCC 未完成 https://gitee.com/mindspore/docs/issues/I3RCEM 未完成 注意：可自行组队完成，组队需先在issue下留言认领，每篇issue最多三人完成。 每人都需要提交PR，且在MindSpore论坛的“活动体验”主题分类按照要求发帖。 提交PR的流程和注意事项可以参考：\*\*\*gitee上提交PR和issue的流程和注意事项\*\*\* ## 活动二： 官网文档纠错，您在浏览官网的过程中，发现官网文档资料等有错误的，欢迎在MindSpore论坛的“活动体验”主题分类发帖，注明问题并留下个人邮箱，问题一但核实，即为参与成功。参与成功也可获得以上奖品4选1哦~ ## 翻译要求 1. 翻译格式参考贡献文档。 2. 不能使用翻译工具直接翻译。 3. 不要逐字翻译，这样出来的效果很中式。应该按照自己的理解翻译，且译文应该符合英文阅读习惯。 4. 用词规范： （1）专有名词保持书写正确，例如：AlexNet，不要写成alexnet或者Alexnet。 （2）用词符合业界习惯，例如：reasoning和inference都有推理的意思，但是通常业界使用inference。 语法规范： （1）标点符号使用正确，不要中英文标点混用。 （2）主谓宾结构完整，不产生歧义。 标题规范： （1）标题首字母大写。 （2）标题若动词开头，应采用动名词形式，即doing形式。 （3）标题应尽量简短干练。 ## 注意事项 1.本次PR审核人：wangting 2.请勿刷帖，刷帖一律删帖并做无效参与处理。 3.请勿盗取他人截图或内容，一经发现做无效参与处理。 4.活动一参与成功与否，以正式合入为准。 5.最终解释权归MindSpore团队所有。 --- https://www.mindspore.cn/activities/zh/560/ --- 活动中心 MindSpore为你准备的暑期2021申请攻略，注意查收 # MindSpore为你准备的暑期2021申请攻略，注意查收 2021/05/19 # MindSpore为你准备的暑期2021申请攻略，注意查收 以下文章来源于公众号开源之夏 ，作者开源之夏 『开源软件供应链点亮计划』鼓励大家关注开源软件和开源社区，致力于培养和发掘更多优秀的开发者。鼓励研究人员、开源爱好者、在校师生参与开源软件的开发与维护，促进开源软件的发展和优秀开源软件社区建设，增加开源项目的活跃度，推进开源生态的发展。 『开源软件供应链点亮计划』将在暑期进行，将为你**提供一对一的导师指导**，邀请**技术大牛开展线上免费讲座**。 已上线社区 开源软件供应链点亮计划-暑期2021（简称**暑期2021**），是由中国科学院软件研究所与openEuler社区共同举办的一项面向高校学生的暑期活动，旨在鼓励在校学生积极参与开源软件的开发维护，促进优秀开源软件社区的蓬勃发展。我们将联合各大开源社区，针对重要开源软件的开发与维护提供项目，并向全球高校学生开放报名。 学生自由选择项目，与社区导师沟通实现方案并撰写项目计划书。被选中的学生将在社区导师指导下，按计划完成开发工作，并将成果贡献给社区。根据项目的难易程度和完成情况，参与者将获得由主办方发放的项目奖金。 活动官网：https://summer.iscas.ac.cn/ MindSpore是面向端边云全场景的深度学习训练推理框架，作为国内第一热度的AI开源社区，MindSpore社区通过丰富繁多的社区活动、开放的社区架构、全球化的社区合作，为开发者提供最亲和的开源体验！ MindSpore 项目 MindSpore 在暑期2021官网上发布了38个项目，更多信息通过下方链接跳转官网了解。 项目详情链接: https://summer.iscas.ac.cn/#/org/orgdetail/mindspore **奖金** 奖金数额：每个项目奖金总额根据项目难度分为 12000 元、9000 元和 6000 元（注：奖金数额为税前人民币金额）。 如何发放：通过中期考核的学生会先收到 50% 的项目奖金，根据最终项目评审结果的情况按比例发放剩余的项目奖金。所有奖金将通过银行转账方式进行。 **奖品** 所有中选学生都会收到组委会寄出的一份项目开启大礼包，神秘惊喜等你接收！ **证书** 所有完成结项的学生都会获得由组委会颁发的结项证书。 **履历亮点** 顶级配置，精选项目，优质输出，以及潜在的大厂青睐。 链接： 1.https://portal.summer-ospp.ac.cn/summer/login 2.https://summer.iscas.ac.cn/#/org/projectlist?lang=chi 3.https://summer.iscas.ac.cn/help/assets/项目申请模板.pdf 4.https://portal.summer-ospp.ac.cn/summer/login 有意向**报名**MindSpore项目任务的同学，**微信扫下方二维码**，添加小助手为好友，了解更多信息。既能在社区导师指导下参与开源贡献，还能赢取奖金，这样的好机会错过等一年哦！ 备注**暑期2021** MindSpore官方资料 GitHub :https://github.com/mindspore-ai/mindspore Gitee:\[https : //gitee.com/mindspore/mindspore\](https : //gitee.com/mindspore/mindspore) 官方QQ群 : 871543426 长按下方二维码加入MindSpore项目↓ --- https://www.mindspore.cn/activities/zh/566/ --- 活动中心 MSG | 广西首站——桂电，带你1小时入门MindSpore开发 # MSG | 广西首站——桂电，带你1小时入门MindSpore开发 2021/05/21 # MSG | 广西首站——桂电，带你1小时入门MindSpore开发 既然提到Privilege 那就来说说我的高傲在哪里 MSG·广西首站——桂电 **带你一小时入门MindSpore开发** 说到这里 桂电小孢子的高傲已经尽数体现了 **本周六（5月22日）**，MSG·广西我们将邀请华为AI安全工程师、华为自研AI计算框架MindSpore团队成员——**金修浪**，与大家面对面的交流与分享深度学习的背景，并一同探讨神经网络和MindSpore，让大家有初步的理解和掌握！ 活动详情戳下方海报 2021年5月22日 16:20 ~ 18:00 桂林电子科技大学花江校区图书馆三楼报告厅 扫码添加小助手（mindspore0328） 记得备注：桂电 桂电的小孢子 期待那天能够看到你的身影~ 如果你是一个位想要接触AI的硬件极客，MSG将给你提供软硬结合的必备知识！ 如果你是一位关注最新技术的算法爱好者，MSG将带你了解前沿的技术成果！ 如果你是一位对开源社区充满热情的开发者，MSG将会帮你完成第一个社区PR的提交！ ## - MSG | 山东场在线与你分享：MindSpore自动数据增强 - MSG | 南京组织者发起的首场MindSpore开源项目交流活动！ - MSG | MSG第一批组织者即将开启答辩，候选人持续报名中！ 2020年5月，MSG正式成立，不到一年时间里，我们走遍了全国**十四大城市**：北京、上海、广州、深圳、武汉、长沙、苏州、杭州、南京、重庆、山东、郑州、天津，桂林，拓展了**七大海外MSG**：莫斯科、新加坡、印尼、澳门、印度、香港·浸会大学，香港·理工大学，**联合OpenI启智社区走进了校园**：哈工大深圳校区、南方科技大学等等。2020年底发起了首场以女性为主题的\*\*『MSG: Women In Tech』\*\*，广受好评；上周发起的『MSG: Women In Tech』第二期同样火爆，聚焦当下热点问题，分享内容干货满满，短期内收到许多粉丝的喜爱，并来信期待下一期的分享。 MSG是什么？ MindSpore Study Group，简称MSG，是提供一个让开发者可以充分进行技术研讨、案例分享、互相交流的公益性社区。为了方便开发者们的深入交流，我们会在多个城市成立MSG组织，满足本地开发者的线下交流机会。 MSG一般会做什么？ · 技术研讨 MindSpore技术专家讲解最新版本技术亮点 邀请技术大咖分享关于AI、深度学习最新动态 · 极客分享 开发者分享MindSpore真实场景的应用案例 极客们分享前沿技术进展与软硬件最新技术 · 社区贡献 引导开发者从零参与MindSpore社区贡献 培养开发者成为开源社区的contributor **如何成为MSG组织者？** 每个人都有机会成为MSG的组织者，不论你现在在北京、上海、深圳，还是杭州、西安、成都等城市，都可以提交申请。有志于成为MSG组织者的朋友们，请扫描以下的二维码进行报名。 **扫码成为MSG组织者** MindSpore官方资料 GitHub:https://github.com/mindspore-ai/mindspore Gitee:https://gitee.com/mindspore/mindspore 官方QQ群: 871543426 长按下方二维码加入MindSpore项目↓ --- https://www.mindspore.cn/activities/zh/569/ --- 活动中心 活动回顾 | 与MindSpore深度畅聊：开源如何探索AI领域全场景 # 活动回顾 | 与MindSpore深度畅聊：开源如何探索AI领域全场景 2021/05/25 # 活动回顾 | 与MindSpore深度畅聊：开源如何探索AI领域全场景 “**开源创造的是隐蔽但牢靠的护城河**。成功的开源软件，都是因为‘打中’时代的刚需，成为标配”，华为云AI开发者生态专家、开源社联合创始人暨理事会成员 Richard 林旅强在云启BBQ开源系列——AI & Open Source 技术交流BBQ上说。 从90年代的黑客精神，到10年代的移动互联网，再到15年代至今的AI和区块链，我们看到了软件行业正飞速发展，并渗透进各行各业。这很大程度上是因为**开源社区中的开发者共同打造了一片“森林”**，避免了大量重复的造轮子工作，让人们得以**用开放心态拥抱一切创新可能性**。而人工智能近年来的快速发展，也早已不只限于喊喊口号这么简单，让AI真正赋能全产业链，实际上关乎着开源的未来想象空间。 5月15日，MindSpore携手云启资本、开源社和白玉兰开源，与近百位开发者一起起相聚云启小花园，吹着风，撸着串，喝小酒，探讨了国内开源社区生态、开源的商业化落地，以及未来开源探索AI领域全场景之路。 部分活动现场照片 我们摘录整理了本次技术交流BBQ的一些观点，希望对各位有所启发，也希望借此跟更多朋友交流开源的精神和文化，共同建设中国开源生态。 ◈胡晓曼 - MindSpore 社区运营总监 《MindSpore社区及开源生态简介》 **MindSpore是国内第一热度AI开源社区**，**以开发者为先**，强调易用性体验；具备保姆级教程，便于快速上手。开源短短一年， MindSpore在Gitee上的代码活跃度、影响力、社区活跃度、团队构建、流行趋势综合排名均第一，在开源社区收获了20190颗星。 在AI这条赛道上，MindSpore还推出了与AI开发者双赢的“昇腾众智计划”，极大丰富了软件数量，也保证了软件质量。MindSpore还积极与高校、科研院所技术合作，与中国人工智能学会共同发起《中国人工智能学会-华为MindSpore学术奖励基金》等。作为国产AI计算框架，MindSopre今年还将走出国门与海外高校合作，**打造全球影响力**。 ——胡晓曼 ◈ 黄榆镔 - 云启资本创始合伙人 云启资本长期聚焦“科技赋能产业升级”早中期投资，我们认为，在技术领域，正是因为开源，许多技术和产品得以发挥出更大潜力、发展得更快更强。**开源未来在中国广阔的产业背景下会有无限可能**，云启也十分欢迎与信仰和拥护开源的朋友进行交流。 ——黄榆镔 ◈陈昱 - 云启资本 合伙人 《开源投资理念：从技术创新到商业化探索》 投资人对开源项目的筛选和判断标准：代码所有权和控制权、社区运营能力、国际竞争力、及商业模式。 投资人看的指标分三类：量化指标（项目参与的广泛程度、项目迭代的情况、社区的活跃程度、真实的用户反馈等），早期指标（项目公开代码和设计文档等），和后期指标（星标和财务数据等）。 为什么资本目前特别关注开源？主要还是因为已经有一些市值表现不错的开源公司。尤其像我们投的PingCAP，作为国产开源软件的领头羊起了一个标杆性的作用——做开源也能做到独角兽。 资本主要起到是“资金投入”和“资源分配”的作用。为什么前端项目的估值不如数据库和搜索引擎的估值高？因为其很难商业化。开源目前正处于风口，但最终拿到融资的基本上也就是那几个商业化变现领域的项目。 **做开源，最重要的还是不忘初心**。不要为了只是拿融资才去做开源，而是应该发自内心对技术的热爱和追求。 ——陈昱 ◈林旅强Richard - 华为云 AI开发者生态专家 《构建开源技术及开发者生态护城河》 技术的载体是产品，产品的延伸是服务；开发者是用户，是贡献者，是推广者，是行业和供应链中的技术栈及产品服务的影响者。 开源创造的是隐蔽但牢靠的护城河。开源是更长效的开发方式，**从长期的「一群人走，走的更远」到更高效的「一群人走的远，还快得吓人」**。 成功的开源软件都是因为打中了时代的刚需，成为标配。然而成功的开源项目，虽可以归纳出原则共性，但没有完全相同的战略和路径，必须要量身定制发展策略。 ——林旅强Richard ◈肖涵 - Jina AI 创始人及CEO 《AI的开源未来与全球化》 Jina AI作为一家开源初创公司，初心是做技术，核心竞争力是技术的三个速度——研发速度、分发速度、接纳速度。 成立以来Jina AI一直专注三件事：技术建设、团队建设和品牌建设。对于开源公司的团队建设来说，“代码好改，人心难改”，所以从第一天起应该只招对的人——具备“异步协同”、“自驱不内卷”及“文化认同”三大特质。 **开源的国际化只是一种打法**。有些人喜欢从国内往外打，有些人喜欢从国外往内打，但大家的最终目的，都是把中国的产品做到全世界都接纳。其实最重要的，是大家都相信开源的意义，做自己认为有意义的事。 ——肖涵 ◈ 李憓松 - TigerGraph 中国区解决方案负责人 《TigerGraph的软件生态与社区》 TigerGraph作为全球领先的图分析平台提供商，创立至今总融资额已超过1.7亿美元。 虽然是专注做图数据库的公司，但TigerGraph社区内的工作人员、合作伙伴、客户、竞争对手等等，可以说所有人都应该使用图技术。回归到生产技术和资料本身，**大家都能从中得到收获——这和开源的精神是一样的**。 ——李憓松 ◈ 车文彬 - 数睿数据 智能工程部部长 《无码化平台中的AI探索》 数睿数据作为企业级无代码软件平台厂商，致力于成为“软件行业的乐高积木”。 关于在无码化平台的AI探索，数睿数据正在做三件事：**平台智能化**（以AI能力打造服务基座，面对海量数据，实现平台一站式体验及智能化应用）、**数据智能化**（融合AI能力实现多元数据接入、建模、存储一体化）、**分析智能化**（依托智能搜索、时序挖掘、多维时序三大场景，用AI能力构建NL2SQL、时序预测、异常检测、模式发现等智能分析能力）。 ——车文彬 ◈ 张鹏飞 - Artefact 首席数据科学家 《数据智能在消费行业如何落地》 Artefact作为一家全球化的数据咨询与数据营销服提供商，整合数据咨询、数据科学、数据营销等多领域专家，帮助企业把数据转化为商业价值。总部在法国，客户主要是美妆、快消、时尚、奢侈品等行业的消费者。 在本次BBQ中，张博士结合过往案例，简要介绍了数据科学和AI在帮助企业进行数字化和数据转型中的作用。**用户的数据**，尤其对于消费品牌来说**是最重要的资产**。 ——张鹏飞 ◈ 杨浩特 - Graviti 算法工程师 《公开数据集社区Open Datasets》 Graviti是提供针对非结构化数据存储、标注、模型、训练和管理预测的一站式AI服务平台产品。 当前的公开数据集基本上是以三种形态存在：自建网站、云盘和邮件（或将数据集托管到Github）、数据集发布方（准确的说是比赛举办方，会在一些竞赛平台上发布一些比赛，以及相应的数据集）。 **数据是深度学习的根本**，然而当前的公开数据集生态略显原始，公开数据集的检索管理共享都缺乏高效的工具和平台。为了解决这些痛点，Graviti搭建了公开数据集社区 Open Datasets，为广大AI开发者提供高效的数据集搜索途径，丰富的数据集管理工具和快捷的数据集共享平台。 ——杨浩特 请点击这里了解上次活动 ➤➤➤ 相聚的时光总是短暂。如果屏幕前的你，这次因为种种原因没能到场，或是参加本次BBQ后仍感到意犹未尽，那么......云启BBQ开源系列持续进行中，下一期即将6月中下旬上线！届时期待与新老朋友们相会~ MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee:\[https : //gitee.com/mindspore/mindspore\](https : //gitee.com/mindspore/mindspore) 官方QQ群 : 871543426 长按下方二维码加入MindSpore项目↓ --- https://www.mindspore.cn/activities/zh/572/ --- 活动中心 黑客松 | 报名MSG北京+MSG企业行，刷新你的履历表！ # 黑客松 | 报名MSG北京+MSG企业行，刷新你的履历表！ 2021/05/26 # 黑客松 | 报名MSG北京+MSG企业行，刷新你的履历表！ 开源在职业化、商业化之外，可以给贡献者带来属于自己的成就感和满足感。当我们参与到开源贡献里，协助他人解决问题的时候能更好的实现自我，也能够让他人更快的认识我们的价值，**参与开源贡献的经历就是我们最有价值的履历表**。 开源在职业化、商业化之外，可以给贡献者带来属于自己的成就感和满足感。当我们参与到开源贡献里，协助他人解决问题的时候能更好的实现自我，也能够让他人更快的认识我们的价值，**参与开源贡献的经历就是我们最有价值的履历表**。 我们都知道，作为一名开发者，学习与解决问题的能力至关重要，MindSpore开源项目可以给予每位参与者充分的锻炼空间。**本周五（5月28日）****MSG·企业行**，带你畅游MindSpore开源社区，深度了解MindSpore技术六大特性及**最新技术亮点**，更有**企业深度交流环节**，进一步探讨MindSpore项目落地与企业的碰撞！ ▼活动详情戳下方海报▼ 对于想提升技术、结识大牛、收获宝贵工作机会的你而言，报名**MSG·北\*\*\*\*京**黑客松\*\*\*\*参与MindSpore开源项目将是你是弯道超车的最佳路径！ ▼MSG详情戳下方海报▼ ****MSG·北****京****黑客松****分会场活动将于****2021年5月28日-29日****在****北京****举办。由内外兼修的MindSpore运营总监**胡晓曼**（也是小孢子们熟悉的Charlotte老师）与大家面对面交流，就开源项目中的高质量源码，研究代码逻辑，帮助你在日常工作中学以致用！MindSpore开源社区还为报名的开发者准备的**精美小礼品**，现场签到时记得领取哦~ 黑客松作为开源开发者搭建交流沟通的互动平台，以实现bug修复和代码优化为目标，推动开源技术广泛使用，活动自开办以来，始终坚持“开放代码、开放设计、开放开发、开放社区”的开源理念，用实际编程行动鼓励开发者技术创新、创意实践。 **第十二届中国开源黑客松**活动将于**2021年5月28日-29日**在北京（PS：历史悠久的四合院）举办。 本届开源黑客松活动由中国开源云联盟指导，中国电子技术标准化研究院、英特尔、华为、腾讯联合主办，OIF基金会、Linux基金会、CNCF基金会、Ceph基金会、SODA基金会等开源基金会、开源社区、开源项目共同参与。 ▼活动详情戳下方海报▼ 微信扫描上方邀请函海报即可报名！ MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee:\[https : //gitee.com/mindspore/mindspore\](https : //gitee.com/mindspore/mindspore) 官方QQ群 : 871543426 长按下方二维码加入MindSpore项目↓ --- https://www.mindspore.cn/activities/zh/573/ --- 活动中心 MSG·杭州 | 讲真，开发AI应用没那么难 # MSG·杭州 | 讲真，开发AI应用没那么难 2021/05/27 # MSG·杭州 | 讲真，开发AI应用没那么难 开源人，开源魂，不懂开源不精神 困顿的夏日 随MSG·杭州走进浙江工业大学 带你使用MindSpore**快速入门AI开发** 畅游MindSpore社区 给大脑需要的“氧” **本周六（5月29日）**，MSG·杭州我们将邀请华为AI研发工程师、华为自研AI计算框架MindSpore团队成员——**张步学**。带你基于MindSpore框架进行AI开发。你将能学习到端边云全流程开发一个动物识别的AI应用。 ▼活动详情戳下方海报▼ 2021年5月29日（周六） 16:10 ~ 17:30 浙江工业大学屏峰校区图书馆一号报告厅 扫码添加小助手（mindspore0328） 记得备注：浙工大 期待在浙工大与你的相遇~ 如果你是一个位想要接触AI的硬件极客，MSG将给你提供软硬结合的必备知识！ 如果你是一位关注最新技术的算法爱好者，MSG将带你了解前沿的技术成果！ 如果你是一位对开源社区充满热情的开发者，MSG将会帮你完成第一个社区PR的提交！ - MSG | 广西首站——桂电，带你1小时入门MindSpore开发 - MSG | 南京组织者发起的首场MindSpore开源项目交流活动！ - MSG | MSG第一批组织者即将开启答辩，候选人持续报名中！ 2020年5月，MSG正式成立，不到一年时间里，我们走遍了全国**十四大城市**：北京、上海、广州、深圳、武汉、长沙、苏州、杭州、南京、重庆、山东、郑州、天津，桂林，拓展了**七大海外MSG**：莫斯科、新加坡、印尼、澳门、印度、香港·浸会大学，香港·理工大学，**联合OpenI启智社区走进了校园**：哈工大深圳校区、南方科技大学等等。2020年底发起了首场以女性为主题的\*\*『MSG: Women In Tech』\*\*，广受好评；上周发起的『MSG: Women In Tech』第二期同样火爆，聚焦当下热点问题，分享内容干货满满，短期内收到许多粉丝的喜爱，并来信期待下一期的分享。 MSG是什么？ MindSpore Study Group，简称MSG，是提供一个让开发者可以充分进行技术研讨、案例分享、互相交流的公益性社区。为了方便开发者们的深入交流，我们会在多个城市成立MSG组织，满足本地开发者的线下交流机会。 MSG一般会做什么？ · 技术研讨 MindSpore技术专家讲解最新版本技术亮点 邀请技术大咖分享关于AI、深度学习最新动态 · 极客分享 开发者分享MindSpore真实场景的应用案例 极客们分享前沿技术进展与软硬件最新技术 · 社区贡献 引导开发者从零参与MindSpore社区贡献 培养开发者成为开源社区的contributor **如何成为MSG组织者？** 每个人都有机会成为MSG的组织者，不论你现在在北京、上海、深圳，还是杭州、西安、成都等城市，都可以提交申请。有志于成为MSG组织者的朋友们，请扫描以下的二维码进行报名。 **扫码成为MSG组织者** MindSpore官方资料 GitHub:https://github.com/mindspore-ai/mindspore Gitee:https://gitee.com/mindspore/mindspore 官方QQ群: 871543426 长按下方二维码加入MindSpore项目↓ --- https://www.mindspore.cn/activities/zh/576/ --- 活动中心 与MindSpore一起参加2021中国峰会，挖掘发展新机遇！ # 与MindSpore一起参加2021中国峰会，挖掘发展新机遇！ 2021/05/29 # 与MindSpore一起参加2021中国峰会，挖掘发展新机遇！ 回首2020年，改变无处不在。新型冠状病毒（Covid-19）的爆发为多领域的发展与存亡带来了挑战。危机之中，合作的重要性也愈发凸显。 **2021中国峰会**邀请了来自不同领域的嘉宾，他们将分享对各领域新合作模式的宝贵见解，帮助大家从中挖掘个人发展的机遇。 在日新月异的新科技时代，科技创新可谓是核心板块。2021中国峰会将一如既往聚焦当下热点，并引入时事 ——后疫情时代，科技先行。除了近年来大家所熟知的**大数据分析**、**人工智能与云计算**等相关话题外，此次峰会将贴合疫情中、后期的消费者需求，引入**提升医疗系统**、**建立更有效的基础通信网络**等相关内容。 **黄之鹏**，华为计算开源开发与运营部副总监。目前担任MindSpore开源社区运营负责人，同时担任启智OpenI社区、LFAI基金会、私密计算论坛等开源组织的技术委员会委员职务，KubernetesPolicy工作组、CNCF基金会安全兴趣组中Policy团队负责人。黄先生曾经在OpenStackSummit、Cloud Native Con/KubeCon等国际顶级开源峰会进行过主题演讲，此外也在LinuxCon、RISC-V Summit等多个国际峰会进行议题分享。 2019年，华为发布了全场景 AI 计算框架 MindSpore，并同时公布了 2020 年的开源计划。2020年3 月底，开发者们如期迎来了开源的 MindSpore。MindSpore 可以适应端、边、云多个场景，并且与华为昇腾 AI 处理器的协同优化能带来效率提升，黄先生对这些科技创新领域的开发工作作出了极大的贡献。 黄先生在全球人工智能和机器人峰会（CCF-GAIR 2020）介绍了MindSpore的功能、特性以及在华为的业务落地情况。他同时还表示MindSpore和国内其他的已有的社区不太一样的是采用了比较开放的架构，MindSpore有两层的数据架构组成，数据治理委员会是由14名来自中美欧的专家组成。采用社区治理架构是希望MindSpore不仅局限在一个区域内的单项，而是面向全球的开源社区，之后MindSpore甚至会做法语、德语等多种语言的社区。MindSpore官方资料 GitHub :https://github.com/mindspore-ai/mindspore Gitee:\[https : //gitee.com/mindspore/mindspore\](https : //gitee.com/mindspore/mindspore) 官方QQ群 : 871543426 长按下方二维码加入MindSpore项目↓ --- https://www.mindspore.cn/activities/zh/601/ --- 活动中心 赢好礼过六一！MindSpore邀你参与Gitee八周年，共创无限可能！ # 赢好礼过六一！MindSpore邀你参与Gitee八周年，共创无限可能！ 2021/06/01 # 赢好礼过六一！MindSpore邀你参与Gitee八周年，共创无限可能！ 在你参与 MindSpore项目开发时，是否曾因为这些问题困惑： 对项目感兴趣，但不清楚自己可以为项目做什么？ 在众多 issue 中，找不到合适自己参与的 issue 任务？ 认为参与开源项目门槛较高，对自己的能力不够自信？ 为了让更多开发者朋友更轻松地了解、参与到本项目，在Gitee八周年庆典，**Gitee x MindSpore**推出了 10个issue任务，涵盖适合新手参与的5个Good First Issue以及 5个中等难度的issue。**快来完成issue任务，赢好礼过六一！** 所有提交PR且审核通过的小伙伴都可获得Gitee开源主题**贴纸+摄像头遮挡贴**一份。 本项目维护者将在活动期间参与 issue 解决的小伙伴中评出「最佳贡献者」，奖励 **500 元京东购物卡**一份。 本项目维护者将在活动期间参与issue解决的小伙伴中评出「优秀贡献者」，奖励 **Gitee 大礼包**一份。 参与issue解决并提交的活动时间段 ：5月27日 - 6月30日 最佳/优秀贡献者评选时间段 ：7月1日 - 7月2日 结果公布+奖品发放时间：7月5日 1\. 在新手/其他issue区选择一个或多个issue任务，完成它。 2\. 完成issue描述需求后，在issue所属仓库中提交Pull Request，并复制issue ID 至PR描述，提交审核（注意：提交pr时请备注【Gitee八周年活动】）。 Fork + PullRequest 模式帮助文档：https://gitee.com/help/categories/42 3\. 在活动页（点击**阅读原文**）评论区提交：issue 编号+ 已提交 新手区 issue 其他 issue 扫码添加小助手（mindspore0328） 了解更多~ 记得备注：Gitee MindSpore，一款开源的全场景AI计算框架，项目地址：https://gitee.com/mindspore MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee:\[https : //gitee.com/mindspore/mindspore\](https : //gitee.com/mindspore/mindspore) 官方QQ群 : 871543426 长按下方二维码加入MindSpore项目↓ --- https://www.mindspore.cn/activities/zh/602/ --- 活动中心 MSG·宁波 | 前方高能量，MindSpore上手实践秒get # MSG·宁波 | 前方高能量，MindSpore上手实践秒get 2021/06/02 # MSG·宁波 | 前方高能量，MindSpore上手实践秒get 年中不努力，年末徒伤悲 转眼2021的电量即将过半 年初立下的flag开始行动了吗？ 如果没有 那就跟上MSG的脚步 走进宁波大学！ **快速上手实践MindSpore深度学习训练与训练推理框架** **本周六（6月5日）**，**MSG·宁波**我们将邀请华为资深开源工程师、MindSpore布道师——**何芦微**，与大家面对面的交流与分享如何快速上手实践MindSpore深度学习训练与训练推理框架，并带领大家进行图像识别分类任务实践！ 活动详情戳下方海报 2021年6月5日 15:45 ~ 16:45 宁波大学北区教学楼2楼107 扫码添加小助手（mindspore0328） 记得**备注：宁波** 宁大的小孢子 期待那天能够看到你的身影~ 如果你是一个位想要接触AI的硬件极客，MSG将给你提供软硬结合的必备知识！ 如果你是一位关注最新技术的算法爱好者，MSG将带你了解前沿的技术成果！ 如果你是一位对开源社区充满热情的开发者，MSG将会帮你完成第一个社区PR的提交！ 2020年5月，MSG正式成立，不到一年时间里，我们走遍了全国**十五大城市**：北京、上海、广州、深圳、武汉、长沙、苏州、杭州、南京、重庆、山东、郑州、天津，桂林、宁波，拓展了**七大海外MSG**：莫斯科、新加坡、印尼、澳门、印度、香港·浸会大学，香港·理工大学，**联合OpenI启智社区走进了校园**：哈工大深圳校区、南方科技大学等等。2020年底发起了首场以女性为主题的\*\*『MSG: Women In Tech』\*\*，广受好评；上周发起的『MSG: Women In Tech』第二期同样火爆，聚焦当下热点问题，分享内容干货满满，短期内收到许多粉丝的喜爱，并来信期待下一期的分享。 MSG是什么？ MindSpore Study Group，简称MSG，是提供一个让开发者可以充分进行技术研讨、案例分享、互相交流的公益性社区。为了方便开发者们的深入交流，我们会在多个城市成立MSG组织，满足本地开发者的线下交流机会。 MSG一般会做什么？ · 技术研讨 MindSpore技术专家讲解最新版本技术亮点 邀请技术大咖分享关于AI、深度学习最新动态 · 极客分享 开发者分享MindSpore真实场景的应用案例 极客们分享前沿技术进展与软硬件最新技术 · 社区贡献 引导开发者从零参与MindSpore社区贡献 培养开发者成为开源社区的contributor **如何成为MSG组织者？** 每个人都有机会成为MSG的组织者，不论你现在在北京、上海、深圳，还是杭州、西安、成都等城市，都可以提交申请。有志于成为MSG组织者的朋友们，请扫描以下的二维码进行报名。 **扫码成为MSG组织者** MindSpore官方资料 GitHub:https://github.com/mindspore-ai/mindspore Gitee:https://gitee.com/mindspore/mindspore 官方QQ群: 871543426 长按下方二维码加入MindSpore项目↓ --- https://www.mindspore.cn/activities/zh/606/ --- 活动中心 MSG·杭州 | 学习最有发展潜力的深度学习框架MindSpore # MSG·杭州 | 学习最有发展潜力的深度学习框架MindSpore 2021/06/07 # MSG·杭州 | 学习最有发展潜力的深度学习框架MindSpore 如果你想学习深度学习框架 软硬结合的必备知识！ 了解前沿的技术成果！ 完成第一个社区PR的提交！ 随MSG·杭州走进杭州电子科技大学 **本周三（6月09日）**，**MSG·杭州**我们将邀请华为MindSpore布道师**Jane**老师。带你了解国内最有发展潜力的深度学习框架——MindSpore，畅游MindSpore社区。1小时就能让你初步掌握MindSpore，并拥有可以成为MindSpore贡献者的基础能力。 ▼活动详情戳下方海报▼ 2021年6月09日（周三） 14:00 ~ 16:30 杭州电子科技大学（下沙校区）七教中2022 扫码添加小助手（mindspore0328） 记得备注：杭电 杭州的小孢子们，期待在杭电与你相遇~ ## - MSG | 广西首站——桂电，带你1小时入门MindSpore开发 - MSG·杭州 | 讲真，开发AI应用没那么难 - MSG｜首批MSG组织者名单公布，七大城市线下活动即将开启！ 更多关于MSG…… 2020年5月，MSG正式成立，不到一年时间里，我们走遍了全国**十五大城市**：北京、上海、广州、深圳、武汉、长沙、苏州、杭州、南京、重庆、山东、郑州、天津，桂林、宁波，拓展了**七大海外MSG**：莫斯科、新加坡、印尼、澳门、印度、香港·浸会大学，香港·理工大学，**联合OpenI启智社区走进了校园**：哈工大深圳校区、南方科技大学等等。2020年底发起了首场以女性为主题的\*\*『MSG: Women In Tech』\*\*，广受好评；上周发起的『MSG: Women In Tech』第二期同样火爆，聚焦当下热点问题，分享内容干货满满，短期内收到许多粉丝的喜爱，并来信期待下一期的分享。 MSG是什么？ MindSpore Study Group，简称MSG，是提供一个让开发者可以充分进行技术研讨、案例分享、互相交流的公益性社区。为了方便开发者们的深入交流，我们会在多个城市成立MSG组织，满足本地开发者的线下交流机会。 MSG一般会做什么？ · 技术研讨 MindSpore技术专家讲解最新版本技术亮点 邀请技术大咖分享关于AI、深度学习最新动态 · 极客分享 开发者分享MindSpore真实场景的应用案例 极客们分享前沿技术进展与软硬件最新技术 · 社区贡献 引导开发者从零参与MindSpore社区贡献 培养开发者成为开源社区的contributor **如何成为MSG组织者？** 每个人都有机会成为MSG的组织者，不论你现在在北京、上海、深圳，还是杭州、西安、成都等城市，都可以提交申请。有志于成为MSG组织者的朋友们，请扫描以下的二维码进行报名。 **扫码成为MSG组织者** MindSpore官方资料 GitHub:https://github.com/mindspore-ai/mindspore Gitee:https://gitee.com/mindspore/mindspore 官方QQ群: 871543426 长按下方二维码加入MindSpore项目↓ --- https://www.mindspore.cn/activities/zh/607/ --- 活动中心 活动回顾 | MSG·宁波大学专场高能回顾！ # 活动回顾 | MSG·宁波大学专场高能回顾！ 2021/06/08 # 活动回顾 | MSG·宁波大学专场高能回顾！ ### **智能基座高校社团** 智能基座高校社团是‘教育部-华为智能基座项目’合作高校在学校内的线下活动社团，旨在通过智能基座社团活动连接高校学生，营造学习氛围，通过互动交流、学习内容共享、实践项目，帮助高校学生在鲲鹏、昇腾、华为云领域进行学习和创新。 ### **高校行MSG·宁波大学专场** 2021年6月5日下午13:30，智能基座昇腾鲲鹏高校行MSG·宁波大学专场成功举办。 ### **一起学习实践，涨知识得礼品** 活动方精心准备的玩偶大礼包和斥巨资的奖品——华为AI音响。 ### **106教室MindSpore训练营欢乐多** 华为资深开源工程师、MindSpore布道师——何芦微，与大家面对面的交流与分享如何快速上手实践MindSpore深度学习训练与训练推理框架，并带领大家进行图像识别分类任务实践！ ### **MSG-MindSpore Study Group** 相聚的时光总是短暂。如果屏幕前的你，这次因为种种原因没能到场，或是参加本次MSG后仍感到意犹未尽，那么MSG全国各地持续开展中，关注MindSpore公众号获取最新MSG动态，期待下次与新老朋友们相会~ --- https://www.mindspore.cn/activities/zh/608/ --- 活动中心 【有奖活动】体验全局搜索，和小Mi老师一起机器学习！ # 【有奖活动】体验全局搜索，和小Mi老师一起机器学习！ 2021/06/09 # 【有奖活动】体验全局搜索，和小Mi老师一起机器学习！ 各位用户朋友们大家好呀，5月的翻译活动结束啦。感谢大家的积极响应，没能获奖的小伙伴们不需要着急，因为我们的六月活动也来啦！ 本月邀请大家体验我们论坛的新功能——全局搜索， 还有论坛上新的小Mi老师机器学习系列。 话不多说，往下看吧！ ## **活动时间** 6月8日——6月20日 ## **奖品预览** ## **活动详情** 体验一：文档太多好难找额；上次推送的文章好有意思，没看完现在找不到了；只记得内容不记得标题了咋办？布道师提到的算子怎么用，不想慢慢翻了我要效率！ 还在为官网数量庞多的文档资料头疼？官网上线了全局搜索功能，快来试试吧！ 体验二：为什么某听歌软件给我推荐的绝大多数都是我的style？为什么某橙色购物软件给我推荐的也有不少就能直接给我种草？这就是如今非常火热的人工智能技术！不仅如此，人工智能技术已经真真切切地存在于我们生活中了，比如我们每天收到的广告邮件会被自动识别为垃圾邮件，手机的相册可以进行分组，还有我们现在常见的各种语音助手等等这些都是与之相关的小技术。跟着小Mi老师从基础的机器学习开始，把它研究个底朝天！ ## **参与方式** 共有三步，最后一步非常重要！ 1\. 访问MindSpore官网，点击放大镜图标，搜索你想要的内容并截图，如果发现问题可以提出来！ 官网地址：https://www.mindspore.cn/ 或直接访问全局搜索地址：https://www.mindspore.cn/search 2\. 和小Mi老师一起机器学习 《【跟着小Mi一起机器学习吧！】介绍篇》 《【跟着小Mi一起机器学习吧！】那些我们快要遗忘的线性代数知识点》 《【跟着小Mi一起机器学习吧！】单变量线性回归（一）》 《【跟着小Mi一起机器学习吧！】单变量线性回归（二）》 系列持续更新，敬请关注！ 主要参与内容： 1）指出小Mi老师分享中的问题。 2）在小Mi老师帖子下的互动或留言。 3）分享机器学习经验，学习笔记（不可以直接复制哦），避坑指南。 4）补充小Mi老师课程中的知识点，分享您机器学习的干货。 5）给小Mi老师建议和意见。 包括但不限于以上内容，有好的想法也可以提出来哦！ 3\. 在MindSpore论坛的“活动体验”主题分类发帖 发帖格式： 标题：6月活动体验 内容：将你的全局搜索截图（备选项：你发现的问题）+ 第二步的参与的内容+个人邮箱（很重要，否则中奖无法联系您） ## **如何获奖** 1.所有按要求参与的用户中抽取25位获奖。 2.全局搜索发现问题，并被确认，可直接获奖。 3.分享的内容被采纳为技术干货，可直接获奖。 4\. 意见建议，纠错和补充内容，一经采纳立即获奖。 5\. 参与小Mi老师帖子下的互动或留言，抽取5位获奖（每个ID只进入一次奖池，恶意刷帖取消资格哦。） ## **注意事项** 1.本次活动奖品如遇缺货或地区供货短缺，自动更换为同品类其他产品。 2.请勿刷帖，刷帖一律删帖并做无效参与处理。 3.请勿盗取他人截图或内容，一经发现做无效参与处理。 4.最终解释权归MindSpore团队所有。 --- https://www.mindspore.cn/activities/zh/612/ --- 活动中心 社区新知 | MindSpore专为你成立ME-Compiler SIG组！ # 社区新知 | MindSpore专为你成立ME-Compiler SIG组！ 2021/06/10 # 社区新知 | MindSpore专为你成立ME-Compiler SIG组！ 无论你是初出茅庐的小白，还是在社区风生水起的大牛，在你参与MindSpore社区开发的时候，可能遇到过下面这些烦心事： - 提交一个issue就石沉大海，迟迟得不到解决？ - 在海量的issue列表中，为找不到一个适合自己参与的issue而苦恼？ - 好不容易提交PR，但因为格式问题，你是否会常常看着ci-bot自检的FAILURE而头晕脑胀？ 为了更好的服务广大社区贡献者和开发者朋友，MindSpore工程包含多个SIG组，各个SIG组目标是围绕特定主题推进项目开发。 **ME-Compiler SIG**是由ME-Compiler多个贡献者主导成立的一个**关于MindSpore 图编译特性的兴趣组**，旨在建立各个贡献者**关于MindSpore的图编译原理、实现、变更**等信息的沟通交流渠道。ME-Compiler SIG会议由ME-Compiler SIG成员定期组织召开。 参与**ME-Compiler SIG**你的收获 ： - 了解ME-Compiler基本实现原理，实时掌握ME-Compiler开发动态； - 可畅所欲言提出关于ME-Compiler的问题和建议，共同推进ME-Compiler持续发展； - 参与开源贡献刷新你的履历表。 任何疑问将有专业团队为您解答！欢迎小孢子们提issue评论//sig/compiler： \[ https://gitee.com/mindspore/community/tree/master/sigs/compiler \](https://gitee.com/mindspore/community/tree/master/sigs/compiler) **今天（6月10日）19:00-21:00** ME-Compiler SIG邀请到5位大咖嘉宾，与大家在线分享满满干货！ ### **嘉宾介绍** Yi Yang：深圳湾实验室副研究员，华为首批HAE(Huawei Ascend Expert)开发者。 PengXiang Xu：鹏城实验室副研究员， MindSpore社区活跃开发者。 Jenks Huang：ME-Compiler开发工程师，负责图优化开发。 KinFung Yu：ME-Compiler开发工程师，负责自动微分开发。 Felix Chen：ME-Compiler开发工程师，负责控制流语法表达开发。 ### **议题介绍** 1.MindSpore默认执行模式变更。 2.Mindspore自动微分现状与规划。 3.MindSpore使用体验的问题与建议征集。 ### **会议时间** 2021-06-10 19:00-21:00 ((UTC+08:00)Beijing) ### **参与方式** 线上WeLink会议链接：https://welink-meeting.zoom.us/j/459092346 ### **联系我们** 扫码添加小助手（mindspore0328） 记得**备注：SIG** MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee:\[https : //gitee.com/mindspore/mindspore\](https : //gitee.com/mindspore/mindspore) 官方QQ群 : 871543426 长按下方二维码加入MindSpore项目↓ --- https://www.mindspore.cn/activities/zh/617/ --- 活动中心 MSG | 报名Women In Tech第三期，一起体验科技与金融碰撞的魅力！ # MSG | 报名Women In Tech第三期，一起体验科技与金融碰撞的魅力！ 2021/06/15 # MSG | 报名Women In Tech第三期，一起体验科技与金融碰撞的魅力！ 刚刚送别了端午假期的你，工作状态回来了吗？ 开工第一天，MindSpore社区为大家带来的好消息是~ 女性专题活动**Women in Tech** **本周六**（6月19日）将在**上海**与大家见面！ 本期MSG企业行将带领大家走进初创企业， 学习女性合伙人的分享经验~ 体验科技与金融的碰撞的魅力！ ### **科技与金融的碰撞** 大家对开源、AI这两个概念已经越来越熟悉了，但它们后续将如何发展会跟我们的生活有什么联系？开发者社区的趋势将是怎样？有关商业化方面的内容你了解多少呢？以上疑问将在**本期WIT为你解答**！ △WIT活动简介图△ ### **换个角度体验初创企业** 相信你对初创公司的感觉很难用语言去描述，无论你是否有初创企业的工作经验，还是盘算着自己创业，想了解初创公司是否会给你提供更多锻炼和知识，能否帮助你在创业的时候更下得心应手？先来简单回顾下之前WIT的活动现场，了解与初创有关的分享~ 请在微信内打开进行观看 本期WIT活动有大家熟悉的老朋友**Charlotte**，还有一些新朋友，同时也是MindSpore社区为大家邀请的大咖嘉宾：cocafe咖菲科技创始人 **石岚**，ARK创新咨询策略副总裁及合伙人 **陈羽洲**，香港大学工商管理硕士同时也是2020年福布斯中国30岁以下精英 **刘硕**，格物钛Head of Global Markting **李晓雪**。 本周六跟着WIT走进初创企业，**与女性大咖面对面**，听听她们的与初创企业有关的经历、故事，刷新你对初创企业的感受！ △WIT活动详情图△ 报名参与本期**企业行WIT**的小伙伴不光能收获满满的干货知识，还可领取精美伴手礼哦~ △部分伴手礼示意图△ 活动时间：2021年6月19日(周六) 线下地点：上海市静安区万航渡路889号889商场2楼 重影书局 报名方式：完成报名需要两步： **1.** 微信扫描下方二维码，**认真填写报名表；** **2.** 微信扫描下方二维码\*\*，添加小助手\*\*（mindspore0328）为好友。 **\*注意**：因场地有限，仅有**50**名额限量放出，目前主会场剩余名额不多，还没报名的可要抓紧啦！！报名**截止时间6月18日 晚18:00**，小助手将仔细审核大家填写的报名表并于**1天内告知审核结果**，审核通过的报名者才可参与活动哦，请大家务必认真对待每一个问题哦，非常感谢！ WIT （Women in Tech）项目是由**MindSpore开源社区发起**，旨在鼓励和促进每一位女性在职场中实现自己的价值，通过每一次的活动分享都能有收获和提升，结识志同道合的朋友，认识更好的自己！ 大家都好奇的Q&A 女性主题的主题活动WIT，男性开发者是否能参与？ 我们\*\*非常欢迎男性开发者参与进来！\*\*报名WIT，共同领略不同行业女性的力量！ WIT往期回顾 - MSG | 选择初创 or 大厂 ? 来看Women In Tech第2期！ - 2021做自己就好！『MSG: Women In Tech』 报名开启！ MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee:https : //gitee.com/mindspore/mindspore 官方QQ群 : 871543426 长按下方二维码加入MindSpore项目↓ --- https://www.mindspore.cn/activities/zh/619/ --- 活动中心 资料内容宝藏多，编译安装试一波！ # 资料内容宝藏多，编译安装试一波！ 2021/06/21 # 资料内容宝藏多，编译安装试一波！ 《体验全局搜索，和小Mi老师一起机器学习！》活动还没结束，新活动又上线啦！ 本次活动分为两个，但在此之前，让我们先看看奖品！ **奖品预览** **活动一：** 1.落地扇 2.通用无线快充 3.健身哑铃 4.茶水分离杯 **活动二：** 1.空气炸锅 2.便携标签机 3.显示器挂灯 4.定制印章 **活动时间** 6月21日——7月4日 **参与流程** 活动一：编译安装MindSpore（完成后参与抽奖） 1.登录官网资讯页面。点击订阅 2.输入自己的邮箱，勾选“同意”，确认订阅成功并截图（已经订阅的用户截图“重复订阅”提示即可） 订阅邮箱不可打码哦，最后留下邮箱参与抽奖的！ 3.访问 源码编译安装 技术博客，点击源码编译安装（如下图)，按自己的设备配置选择相应的教程进行安装，将安装过程选取某个时刻截图一张。 4.安装成功后，输出MindSpore版本号并截图。 5.将订阅截图+安装截图+版本截图+个人邮箱，发布在论坛的“活动体验”主题分类。 上次活动有好几位用户发错位置了，我都帮你们移动到了正确的分类，如果发错分类，造成统计不到就无法参与抽奖了，请记住分类名称“活动体验” 小提示：安装过程中如果遇到任何问题，可以去论坛的“问题求助”主题分类求助哦。 **活动二：**（达标直接获奖） 将有关机器学习，深度学习，MindSpore的使用和经验等原创内容发布到“活动体验”主题分类，一经通过直接获得升级奖励。 技术干货要求如下： 1.原创 2.跟官网提供内容不重复 3.个人经验 ### **注意事项** 1.请勿刷帖，刷帖一律删帖并做无效参与处理。 2.请勿盗取他人截图或内容，一经发现做无效参与处理。 3.活动一抽奖形式，抽取40名用户获奖。 4.最终解释权归MindSpore团队所有。 --- https://www.mindspore.cn/activities/zh/620/ --- 活动中心 世界人工智能大会黑客松邀你来战！与MindSpore一起用代码改变世界！ # 世界人工智能大会黑客松邀你来战！与MindSpore一起用代码改变世界！ 2021/06/21 # 世界人工智能大会黑客松邀你来战！与MindSpore一起用代码改变世界！ 从**即日起截止至7月3日**，WAIC 2021·黑客松**报名开启**！2天36小时巅峰对决，最强大脑、一触即发，打造开发者们专属的Coding赛场，MindSpore期待与你一起用代码改变世界。 世界人工智能大会（WAIC）是经国务院批准，国家发展改革委、科技部、工业和信息化部、国家互联网信息办公室、中国科学院、中国工程院等部委与上海市政府共同举办的顶级人工智能会议。2021 年大会继续秉持「智联世界」的理念，以「众智成城」为主题，促进全球人工智能创新思想、技术、应用、人才和资本的集聚和交流，推动全球科技的创新协同，助力打造人工智能世界级产业集群。本届大会将于 7 月 7 日 - 10 日在上海举办。 世界人工智能大会黑客马拉松 是 WAIC 期间唯一的一场黑客松，由世界人工智能大会组委会办公室作为指导单位，由机器之心，**MindSpore 开源社区**，Waston Build 创新中心，六七八九集团**主办**，此次黑客松设计多道赛题，聚焦 AI 技术与应用热点问题。黑客松颁奖典礼将在 7 月 10 日举办的 WAIC· 开发者论坛上举行颁奖。 MindSpore 开源社区赛道本赛道由华为 MindSpore 开源社区主办，每个赛道奖金分别为冠军: **￥5000**、亚军:**￥3000**、季军:**￥2000**。 赛题：基于 Volcano 容器批量计算平台进行MindSpore LeNet 模型训练 旨在实现易开发、高效执行、全场景覆盖三大目标，其中易开发表现为 API 友好、调试难度低，高效执行包括计算效率、数据预处理效率和分布式训练效率，全场景则指框架同时支持云、边缘以及端侧场景。LeNet-5 是最早的卷积神经网络之一，主要用来进行手写字符的识别与分类。LeNet-5 通过巧妙的设计，利用卷积、参数共享、池化等操作提取特征，避免了大量的计算成本。 在本次黑客松挑战赛中，挑战者需要使用 MindSpore 进行 LeNet-5 手写体识别模型训练。并需要把模型容器化后部署到 volcano 批处理系统中进行调度训练。 参考网站 https://github.com/volcano-sh/volcano https://volcano.sh/en/ https://www.mindspore.cn/tutorials/zh-CN/r1.8/beginner/introduction.html 参赛要求 1\. 技术要求：熟悉 Python；熟悉 kubernetes 平台；对 MindSpore 和 LeNet 有一定了解 2\. 团队要求：1-3 人 比赛时间 - 报名时间：即日起开启线上报名，7 月 3 日截止线上报名 - 决赛名单公布时间：决赛名单 7 月 4 日统一公布 - 决赛时间：7 月 9 日 9:30-18:00 比赛地点 上海张江人工智能岛 21 号楼 4 楼（上海市浦东新区川和路 55 弄上科路 366 号） 立即报名 扫下方二维码或点击阅读原文即刻报名 对MindSpore赛题有任何疑问，扫码加小助手（mindspore0328）入群咨询 在此诚挚邀请全球的开发者们组团来战！ 欢迎大家参与MindSpore开源社区，成为AI开发者！ MindSpore官方资料 GitHub :\[ https://github.com/mindspore-ai/mindspore \](https://github.com/mindspore-ai/mindspore) Gitee:\[ https : //gitee.com/mindspore/mindspore \](https : //gitee.com/mindspore/mindspore) 官方QQ群 : 871543426 长按下方二维码加入MindSpore项目↓ --- https://www.mindspore.cn/activities/zh/623/ --- 活动中心 MindSpore最新直播课教你更快上手实践全场景AI框架！ # MindSpore最新直播课教你更快上手实践全场景AI框架！ 2021/06/22 # MindSpore最新直播课教你更快上手实践全场景AI框架！ 开源已成为重要的科技创新模式，国家创新发展和软件企业对开源人才提出迫切的需求，十四五规划纲要首次将“开源”列入其中。为激发开源创新活力，培养开源实践人才，助力开源生态建设，探索开源教育改革，在教育部高等学校软件工程专业教学指导委员会、计算机类专业教学指导委员会、科技部高技术研究发展中心等的推动和支持下，由国家自然科学基金委员会、中国软件行业协会、中国开源软件推进联盟、全国高等学校计算机教育研究会、国家示范性软件学院联盟、新一代人工智能产业技术创新战略联盟和绿色计算产业联盟等共同研究决定举办**第四届“中国软件开源创新大赛”**。 大赛正顺利进行中，为了给参赛选手‘充电’，帮助选手更好的参加比赛并取得优异的成绩；同时让更多对MindSpore感兴趣的小伙伴对MindSpore的设计和开发流程有更好的了解，掌握MindSpore学习方法和学习渠道！**6月29日**MindSpore社区将在**B站MindSpore官方**账号为大家直播培训~ 培训主题： MindSpore全场景AI计算框架介绍及开发实践 培训内容： AI计算框架的发展及挑战 MindSpore及其关键创新点介绍 MindSpore关键技术和特性介绍 MindSpore开发实践及学习资源介绍 MindSpore社区介绍 直播时间：6月29日19:00-20:00 直播地点：B站MindSpore官方 感兴趣的小伙伴关注B站MindSpore官方~更多精彩等你来看！ 大赛正顺利进行中，为了给参赛选手‘充电’，帮助选手更好的参加比赛并取得优异的成绩；同时让更多对MindSpore感兴趣的小伙伴对MindSpore的设计和开发流程有更好的了解，掌握MindSpore学习方法和学习渠道！**6月29日**MindSpore社区将在**B站MindSpore官方**账号为大家直播培训~ MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee:https : //gitee.com/mindspore/mindspore 官方QQ群 : 871543426 长按下方二维码加入MindSpore项目↓ --- https://www.mindspore.cn/activities/zh/624/ --- 活动中心 MindCon | 第二届极客周狂欢活动：找茬也能赢大奖！ # MindCon | 第二届极客周狂欢活动：找茬也能赢大奖！ 2021/06/23 # MindCon | 第二届极客周狂欢活动：找茬也能赢大奖！ Dear小孢子们： 今天给大家带来一个坏消息和一个好消息： 坏消息是2021年过完一半了，你的flag还没完成~ 好消息是**第二届MindCon极客周\*\*\*\*15天15城**狂欢活动即将开启，你将通过简单动动手指、找找茬、动动脑，度过愉快又充实的15天~ 距离第一届MindCon极客周已经有小半年时间啦，2020年12月发起的首届MindCon极客周是为期12天、分别在12个城市举办的极客狂欢活动。 （请在微信中打开进行观看） 在12天的活动期间，不同城市的开发者集思广益并且直接参与MindSpore项目的开源贡献；同期我们举办了昇腾万里·模型王者挑战赛，为开发者提供应用平台。恭喜去年**武汉MSG**的小伙伴们取得了首届MindCon极客周活动的冠军，**6月26日**第二届MindCon极客周活动将在第一届冠军城市武汉发起，一起看看即将为大家呈现的精彩吧！ 第二届MindCon极客周为大家准备了新玩法，最新上线**『MindCon小程序』**可以通过解锁MindCon对应任务来获取MindCon专属城市徽章哦！ \*解锁获取徽章的方法有两种： 1\. 点亮TinyMS的Star，获得城市专属徽章； 2\. 为MindSpore提issue，获得城市专属徽章。 除了有趣的活动任务还有丰厚的大礼和奖金哦~ 1.城市积分排名第一且积分≥20400 城市MSG组织者可获得：**价值2598元**的Nintendo Switch 健身环大冒险游戏组合套装； 随机抽取城市群中20位成员将获得**价值200元**的MindSpore定制书包。 2.城市积分排名第二且积分≥10400 城市MSG组织者可获得：**价值1199元**的华为FreeBuds Pro蓝牙耳机； 随机抽取城市群10位成员获得**价值100元**的MindSpore定制陶瓷杯。 3.所有参与活动的MSG组织者 均可获得：**价值200元**的官方定制POLO衫一件。 4.MindCon极客周活动期间报名世界人工智能大会黑客马拉松的MindSpore 开源社区赛道，赛道奖金分别为冠军: **5000元奖金**、亚军:****3**\*\*\*\*000元奖金**、季军:****2\*\*\*\*\*\*\*\*000元奖金****。 1\. 点亮城市Star，获取社区最新动态不迷路 **6月26日-7月10日**，以城市为单位，在GitHub与Gitee为TinyMS和MindSpore点亮Star，每点亮一个Star**积50分**。点亮TinyMS的Star，还可获得城市专属徽章。 点亮TinyMS所有仓即可获得积分（50分）+城市徽章 在GitHub官网为TinyMS点Star：https://github.com/tinyms-ai/tinyms 点亮MindSpore所有仓即可获得积分（50分） 在GitHub官网为MindSpore点Star：https://github.com/mindspore-ai/mindspore 2\. 大家来找茬，没事提提issue **6月26日-7月10日**，以城市为单位，向MindSpore提issue，大到语法错误，小到标点符号，只要你能找到的都可以提！每个issue**积100分**，还可获得城市专属徽章。向MindSpore提issue，即可获得积分（100分）+城市徽章 在GitHub官网为MindSpore提issue：https://github.com/mindspore-ai 3\. Bugfix，挑战自己贡献社区 **6月26日10:00**小助手将在MindSpore社群发布22个Bug，以个人为单位进行抢答修复，提交pr时需标注城市。最先完成修复且能成功合入则为成功修复，成功修复可为城市积100分。 **截止至7月10日24:00**成功修复3个Bug，即可获得MindSpore定制蓝牙小夜灯音箱。 直播课：6月26日-7月6日19:00-20:30 有组织者的城市组织者发起MSG直播，以及由MindSpore开源工程师直播授课，分析Bugfix修复思路，解答修复过程中的疑惑。 4\. WAIC黑客马拉松大赛，培养协作能力 **6月26日-7月10日**报名世界人工智能大会黑客马拉松，以城市团队的形式报名参加（最少3人，最多5人），完成MindSpore开源社区赛道报名即可获取**积200分**，完成MindSpore开源社区赛道相关赛题有机会赢取5000元奖金。 WAIC大赛详情： 世界人工智能大会黑客松邀你来战！与MindSpore一起用代码改变世界！ 5\. 报名昇腾CANN训练营，一起做模型开发 **6月28日-7月10日**完成昇腾CANN训练营萌新赛段，**积150分**。 昇腾CANN训练营详情： 『昇腾CANN训练营』第二期火热来袭！荣誉认证 ·超级大奖等你赢取！ 6月26日-7月10日第二届MindCon极客周狂欢不停，以城市为单位进行如上所述社区活动，15天15个城市城市接龙参与活动的顺序如下图所示。 赶快马上行动吧，**扫上方二维码报名**，参与MindCon极客周活动，点亮城市之光！ 往期回顾 MindCon | 当『赛博朋克』遇到『AI极客』会发生什么？ MindCon | 杭京宁三大战场即将启动，火速来战！ MindCon极客周 · 点亮城市接力活动正式启动！期待您的加入！ MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee:\[https : //gitee.com/mindspore/mindspore\](https : //gitee.com/mindspore/mindspore) 官方QQ群 : 871543426 长按下方二维码加入MindSpore项目↓ - - --- https://www.mindspore.cn/activities/zh/625/ --- 活动中心 WAIC | 世界人工智能大会唯一一场黑客马拉松邀你来战！ # WAIC | 世界人工智能大会唯一一场黑客马拉松邀你来战！ 2021/06/24 # WAIC | 世界人工智能大会唯一一场黑客马拉松邀你来战！ **『WAIC·黑客马拉松』**“2021世界人工智能大会黑客马拉松”邀您参赛！作为2021世界人工智能大会**唯一**一场黑客马拉松，由世界人工智能大会组委会办公室指导单位，更有**现金奖励**多重福利等你收割。 **华为MindSpore开源社区**设置三大赛题： 「openLooKeng机器学习库支持算法扩展」、「数据库内部实现基于AI的算子代价估算功能」、「基于Volcano容器批量计算平台进行MindSpore LeNet模型训练」 MindSpore 开源社区每个赛道奖金分别为冠军: **￥5000**、亚军:**￥3000**、季军:**￥2000**。从**即日起截止至7月3日**，WAIC 2021·黑客松**报名开启**！详细信息请戳 直接垂询大赛官方助手：13611920855（微信同号）。 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee:\[https : //gitee.com/mindspore/mindspore\](https : //gitee.com/mindspore/mindspore) 官方QQ群 : 871543426 长按下方二维码加入MindSpore项目↓ --- https://www.mindspore.cn/activities/zh/627/ --- 活动中心 MindCon | 距离第二届极客周狂欢活动还有1天，抓紧时间报名！ # MindCon | 距离第二届极客周狂欢活动还有1天，抓紧时间报名！ 2021/06/25 # MindCon | 距离第二届极客周狂欢活动还有1天，抓紧时间报名！ Dear小孢子们： 第二届MindCon极客周狂欢活动**明天（6月26日）**就要开启啦，本次活动由15个城市战队参与，首发城市是上一届MindCon极客周冠军**武汉战队**，各城市战队通过解锁5个任务赢取积分获得对应奖励！ 我们简单回顾下MindCon极客周的玩法报名玩起来吧！ 1\. 点亮城市Star，获取社区最新动态不迷路 **6月26日-7月10日**，以城市为单位，在GitHub与Gitee为MindSpore和TinyMS点亮Star，每点亮一个Star**积50分，**还可获得**城市专属徽章**。 - 每点亮MindSpore一个仓即可获得积分（50分）+城市徽章 在Gitee官网为MindSpore点Star：https://github.com/mindspore-ai/mindspore 在GitHub官网为MindSpore点Star：https://github.com/mindspore-ai/mindspore - 每点亮TinyMS一个仓即可获得积分（50分）+城市徽章 在GitHub官网为TinyMS点Star：https://github.com/tinyms-ai/tinyms 2\. 大家来找茬，没事提提issue **6月26日-7月10日**，以城市为单位，向MindSpore提issue，大到语法错误，小到标点符号，只要你能找到的都可以提！每个issue**积100分**，还可获得城市专属徽章。 - 向MindSpore提issue，即可获得积分（100分）+城市徽章 在GitHub官网为MindSpore提issue：https://github.com/mindspore-ai 3\. Bugfix，挑战自己贡献社区 **6月26日10:00**小助手将在MindSpore社群发布22个Bug，以个人为单位进行抢答修复，提交pr时需标注城市。最先完成修复且能成功合入则为成功修复，成功修复可为城市积100分。 **截止至7月10日24:00**成功修复3个Bug，即可获得MindSpore定制蓝牙小夜灯音箱。 - 直播课：6月26日-7月6日19:00-20:30 有组织者的城市组织者发起MSG直播，以及由MindSpore开源工程师直播授课，分析Bugfix修复思路，解答修复过程中的疑惑。 4\. WAIC黑客马拉松大赛，培养协作能力 **6月26日-7月10日**报名世界人工智能大会黑客马拉松，以城市团队的形式报名参加（最少3人，最多5人），完成MindSpore开源社区赛道报名即可获取**积200分**，完成MindSpore开源社区赛道相关赛题有机会赢取5000元奖金。 WAIC大赛详情：世界人工智能大会黑客松邀你来战！与MindSpore一起用代码改变世界！ 5\. 报名昇腾CANN训练营，一起做模型开发 **6月28日-7月10日**完成昇腾CANN训练营萌新赛段，**积150分**。 昇腾CANN训练营详情：『昇腾CANN训练营』第二期火热来袭！荣誉认证 ·超级大奖等你赢取！ MindCon | 第二届极客周狂欢活动：找茬也能赢大奖！ MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee:\[https : //gitee.com/mindspore/mindspore\](https : //gitee.com/mindspore/mindspore) 官方QQ群 : 871543426 - 长按下方二维码加入MindSpore项目↓ --- https://www.mindspore.cn/activities/zh/635/ --- 活动中心 MindCon | 招募：对组织活动感兴趣，想结识更多开源大咖的你 # MindCon | 招募：对组织活动感兴趣，想结识更多开源大咖的你 2021/07/02 # MindCon | 招募：对组织活动感兴趣，想结识更多开源大咖的你 MindCon极客周已经开启6天啦，目前点亮城市环节积分最高的是**MSG·天津**战队。其他城市战队的小伙伴们不要灰心，还有Bugfix、WAIC黑客马拉松大赛、昇腾CANN训练营任务等着你解锁，为城市战队积分！ 请在微信里进行观看 前6天的MindCon极客周——Bugfix专题直播回顾已经上传至B站\*\*『MindSpore官方』**想刷视频的小伙伴**戳上图了解\*\*。直播间讲师分享的内容PPT已经上传至MindSpore**微信公众号后台**，大家在对话框\*\*发送关键词‘MindCon’\*\*领取哈~ 请在微信里进行观看 MindSpore直播间里欢乐多，还有观看直播的小伙伴都知道的梗，就是一份文档连讲了5天，在这里想和Hannah老师说一声您辛苦啦，还有您今天还讲文档吗？ MindCon极客周是每年举办两届的多城市开发者共同参与的极客狂欢活动！第二届MindCon极客周活动聚集了15个城市的开发者，通过解锁5个活动任务，赢取活动积分收获奖励与城市徽章，点亮所在城市战队争得荣誉！ **今天（7月2日）**进入点亮城市环节（为MindSpore点star，提issue）的是**MSG·山东战队**，点亮山东观看**今晚19:30直播**，手把手教你Bugfix、撸代码，直播间与MindSpore团队互动，小孢子们还等什么，赶快行动加入你的战队！ 即将接力开展MindCon极客周点亮城市活动的安排是：**7月3日北京**，**7月4日郑州**！各城市站队的小孢子们加油，点亮城市战队之光，就靠你们啦！ MindSpore开源社区正在进行MSG组织者的招募活动！只要你： 对组织活动感兴趣， 希望锻炼能力， 想结识更多开源大咖， 有志于对开源社区做出贡献， 那就赶快扫码报名吧~ MSG组织者将获得 - 华为线下参观与实习offer机会 - 免费参与华为开源各类大会机会 - 优秀组织者证书及官网名单展示 - 节假日定制MindSpore礼包 MSG组织者答辩安排 - **7月5日**会通过微信和邮箱方式告知申请MSG组织者的结果； - **7月8日**\-**9日**进行MSG高校组织者答辩。 \*答辩tip 进入答辩环节的小伙伴可以提前准备内容参考： 自我介绍+对MindSpore的了解+对目前MindSpore活动的见解+之后自己组织活动的计划。 我们希望在全世界范围征集对AI、深度学习框架MindSpore感兴趣，想学习更多知识，或者想结识更多有意思的人，为开源社区贡献一份力量的开发者，加入MindSpore社区成为MSG的组织者，MindSpore帮助您更快实现目标。 → MindCon | 聚集超强阵营：WAIC&昇腾CANN训练营，为你赋能！ → MindCon | 第二届极客周狂欢活动：找茬也能赢大奖！ MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee:https : //gitee.com/mindspore/mindspore 官方QQ群 : 871543426 长按下方二维码加入MindSpore项目↓ --- https://www.mindspore.cn/activities/zh/637/ --- 活动中心 MindSpore学习第一步，官网教程初体验 # MindSpore学习第一步，官网教程初体验 2021/07/05 # MindSpore学习第一步，官网教程初体验 上次的编译安装活动都参加了么？ 上个传送门！ 资讯内容宝藏多，编译安装试一波 既然你都安装好了，要不要尝试一下快速入门教程？完成还有好礼相赠哦！ **奖品预览** 智能垃圾桶，冲牙器，星空灯，夏日水果茶 **活动时间** 7月2日——7月15日 **参与流程** 活动一：以下任务三选一 \*\*1.\*\*访问官网的教程页面的张量教程，以华为云账号数字非零前三位为维度，第四位非零数字为元素创建numPy数组，以此生成张量Tensor，两个相同Tensor做相加操作后，打印Tensor内容。将相关截图发布到论坛指定位置，截图账号和输出结果。 例：比如我的华为账号如下（右上角）： 维度即为3\*8\*3，元素为7，输出相加的结果如下： \*\*2.\*\*访问官网教程的数据加载及处理，任务为先加载MINIST数据集(见附件)，数据混洗后输出前4个样本，截图加载和输出。 \*\*3.\*\*访问官网教程的建立神经网络，复现教程即可，截图关键步骤。 \*\*划重点！！！\*\*将截图，个人邮箱号，一起发送到本论坛的“活动体验”主体分类。 活动二： 技术干货分享，围绕官网教程学习分享，要求：1.原创；2.跟官网提供内容不重复；3.个人经验 将技术分享发送到本论坛的“活动体验”主体分类。 ### **注意事项** 1.请勿刷帖，刷帖一律删帖并做无效参与处理。 2.请勿盗取他人截图或内容，一经发现做无效参与处理。 3.完成活动一的同学中抽取**30**名用户获奖，选择**10**位达到技术干货要求的直接获奖。 4.最终解释权归MindSpore团队所有。 mnist\_dataset.rar --- https://www.mindspore.cn/activities/zh/638/ --- 活动中心 社区动态 | MindSpore生态伙伴研讨会（武汉）成功召开 # 社区动态 | MindSpore生态伙伴研讨会（武汉）成功召开 2021/07/05 # 社区动态 | MindSpore生态伙伴研讨会（武汉）成功召开 6月26日上午，“携手企业拥抱开源、坚持开放，使能行业智能化升级”MindSpore生态伙伴研讨会（武汉站）在光谷凯越酒店成功召开。会上，敦锋科技、光谷信息、立得空间信息技术、斗鱼网络科技、武汉工控工业技术研究院、精英路通科技、微晟技术、纳思科技、极目智能技术、微创光电10家公司获得了MindSpore技术认证（排名不分先后）。 此次研讨会是继武汉AI计算中心上线运营后，本地企业规模加入MindSpore社区的开端，标志着MindSpore在武汉已规模应用。 MindSpore技术认证颁发 武汉当地头部企业代表、华为昇腾计算开源框架&生态产品总监田昆阳、华为湖北省云与计算业务副总经理杨世强、武汉云与计算CTO郭峰、武汉昇腾创新中心CTO王景俊等出席了本次会议。 会议合影 田昆阳表示，华为始终坚持硬件开放、软件开源、使能伙伴、发展人才的生态发展策略，希望携手伙伴共建中国人工智能产业生态。AI技术的快速发展正带动产业格局的变化，AI基础软件在学术科研到行业应用领域的重要性日益明显，其中AI计算框架下接算力上承算法和应用开发，则更为重要。 华为昇腾计算开源框架&生态产品总监田昆阳 王景俊表示，武汉作为全国人工智能计算中心的标杆城市，产业智能化正加速升级。武汉昇腾创新中心将立足本地，从各阶段全方位帮助企业共同打造AI解决方案，全面支持包括学习阶段、方案构建阶段、产品上市阶段、到最后的销售阶段。同时给予相应激励机制，繁荣昇腾和MindSpore生态。 会上，与会企业积极参与互动、分享各自经验，在研讨中拓宽了未来发展的思路并建立了新的合作商机，对MindSpore的发展积极献计献策。精英路通市场部总监邓一星表示，精英路通从MindSpore开源就关注其成长，从MindSpore 0.1版本到1.2版本，易用性上得到了质的提升，未来MindSpore1.3版本的发布也更值得期待。 华为开源的全场景AI计算框架MindSpore旨在汇聚科研院所、行业用户、应用开发者等各领域人才拥抱开源，利用各方资源实现数据、技术、能力的共享和互补，缩短产业智能化升级路径，加速中国人工智能产业发展。 MindSpore开源一年多来，始终坚持基础生态和原生生态两手抓策略。基础方面，通过开展MindSpore模型众智计划，目前已发动30余所高校、51个团队参与开发了160多个模型，并已在100多所高校课堂上线MindSpore课程；原生方面，与CAAI（中国人工智能学会）共同设立千万论文基金鼓励广大科研工作做基于MindSpore发表论文，预计今年将有300篇基于MindSpore的顶会论文发表。 同时与高校、科研院所合作前沿技术课题，目前，基于MindSpore开发了2000亿中文预训练-鹏程.盘古大模型。同时，在遥感、终端电磁仿真模拟、短临天气预测等领域都收获了不少进展。另外，MindSpore已在40+企业实现规模应用，并在鹏城、武汉AI计算中心上量使用。 华为昇腾计算开源框架&生态产品总监田昆阳 → MindCon | 聚集超强阵营：WAIC&昇腾CANN训练营为你赋能 → MindCon | 第二届极客周狂欢活动：找茬也能赢大奖！ MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee:https : //gitee.com/mindspore/mindspore 官方QQ群 : 871543426 长按下方二维码加入MindSpore项目↓ --- https://www.mindspore.cn/activities/zh/640/ --- 活动中心 如何通过CHAOSS社区贡献度量指标？MindSpore社区为您实践分享 # 如何通过CHAOSS社区贡献度量指标？MindSpore社区为您实践分享 2021/07/06 # 如何通过CHAOSS社区贡献度量指标？MindSpore社区为您实践分享 MindSpore开源社区近期非常热闹！自6月26日开启第二届『MindCon极客周』活动，联动15个城市的开发者一起开动脑筋Bugfix赢取专属奖励~ 参与『世界人工智能大会黑客松』与MindSpore一起用代码改变世界！ 报名第二期『昇腾CANN训练营』与志趣相投的小伙伴们一起做模型开发！ 今天小编将和大家分享MindSpore社区的最新动态！ **7月8日** 将在 **北京** 举办的 **CHAOSS Beijing Meetup** CHAOSS是Linux基金会下度量开源项目与社区健康度的开源项目，全称是 The Community Health Analytics OpenSource Software，**致力于推动社区健康度分析开源软件的建设工作**，包括社区健康指标体系的制定、开源指标数集与开源分析工具，以及全球范围内社区工作组的建设等。 CHAOSS Beijing Meetup是CHAOSS线下社区活动第二次来到中国!本次活动我们**邀请了CHAOSS专家**、**开源社区负责人**、**社区活跃开发者**一起共同围绕社区参与、指标发布过程、指标实现工具、指标与标准以及CHAOSS指标本身的内容进行深入探讨~ 演讲嘉宾&议题 感兴趣的小伙伴可以扫码**添加小助手获取更多信息**，记得**备注：CHAOSS** → MindCon | 招募：对组织活动感兴趣，想结识更多开源大咖的你 → MindCon | 第二届极客周狂欢活动：找茬也能赢大奖！ MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee: https : //gitee.com/mindspore/mindspore 官方QQ群 : 871543426 长按下方二维码加入MindSpore项目↓ --- https://www.mindspore.cn/activities/zh/644/ --- 活动中心 MSG企业行·南京 | 探索AI技术落地，发现创新型AI企业独角兽 # MSG企业行·南京 | 探索AI技术落地，发现创新型AI企业独角兽 2021/07/09 # MSG企业行·南京 | 探索AI技术落地，发现创新型AI企业独角兽 21世纪以来，随着数据的爆发式增长，计算能力的大幅度提升和深度学习的发展和成熟，人工智能技术走向了全面应用，在全球范围内掀起了一场新的产业革命。而 2020 年突如其来的疫情，对人类的生命健康，以及全球的经济发展构成了巨大挑战，却也无意中加速了产业智能化的进程，中国人工智能将再度高速增长，产业迎来黄金期。 在激烈的竞争环境下，创新成长型 AI 企业想充分发挥优势，求得生存与发展，精于技术强于场景方案，先垂直渗透后向上发展是不二之选。作为搭建技术产品与场景落地最重要的桥梁，如何搭建创新技术产品、如何实现场景落地、如何进一步提升市场竞争力成为每家创新成长型 AI 企业所面临最大的挑战，也是创新成长型人工智能企业需要聚焦思考的重点。 7月18日，MindSpore将携手江苏昇腾人工智能生态创新中心，在南京举行MSG企业行·南京的企业技术交流会。如果你对AI技术落地、AI开发，亦或是对科技领域创业等有浓厚兴趣的朋友，欢迎你来与我们一同交流与探索AI技术产品搭建与场景落地的可能性。 我们邀请了以下嘉宾一起深入交流： 江苏群杰物联科技产品研发中心总经理 陈朕 南京柯基数据科技解决方案架构师 刘占峰 格物钛市场总监 李晓雪 创邻科技创始人及CEO 张晨 安元科技技术总监 胡小敏 鸿程大数据技术与应用研究院副总经理 朱光辉 南京云问网络科技NLP研究院负责人 杜振东 更多嘉宾持续邀请中…… 活动时间 7月18日（周日）14：00-18：00 活动地点 南京市浦口区七里桥北路6号南京集成电路培训基地 报名方式 扫码填写报名表，等待审核通过，邮件你邀请函（成功报名隔日会发放） 7月15日报名截止，请留意截止时间，尽快报名参加，期待与你相遇南京！ 往期MSG快速通道↓ MSG | 广西首站——桂电，带你1小时入门MindSpore开发 MSG·杭州 | 讲真，开发AI应用没那么难 MSG｜首批MSG组织者名单公布，七大城市线下活动即将开启！ 更多关于MSG…… 2020年5月，MSG正式成立，不到一年时间里，我们走遍了全国**十五大城市**：北京、上海、广州、深圳、武汉、长沙、苏州、杭州、南京、重庆、山东、郑州、天津，桂林、宁波，拓展了**七大海外MSG**：莫斯科、新加坡、印尼、澳门、印度、香港·浸会大学，香港·理工大学，**联合OpenI启智社区走进了校园**：哈工大深圳校区、南方科技大学等等。2020年底发起了首场以女性为主题的\*\*『MSG: Women In Tech』\*\*，广受好评；上周发起的『MSG: Women In Tech』第二期同样火爆，聚焦当下热点问题，分享内容干货满满，短期内收到许多粉丝的喜爱，并来信期待下一期的分享。 MSG是什么？ MindSpore Study Group，简称MSG，是提供一个让开发者可以充分进行技术研讨、案例分享、互相交流的公益性社区。为了方便开发者们的深入交流，我们会在多个城市成立MSG组织，满足本地开发者的线下交流机会。 **MSG**一般会做什么？ · 技术研讨 MindSpore技术专家讲解最新版本技术亮点 邀请技术大咖分享关于AI、深度学习最新动态 · 极客分享 开发者分享MindSpore真实场景的应用案例 极客们分享前沿技术进展与软硬件最新技术 · 社区贡献 引导开发者从零参与MindSpore社区贡献 培养开发者成为开源社区的contributor **如何成为MSG组织者？** 每个人都有机会成为MSG的组织者，不论你现在在北京、上海、深圳，还是杭州、西安、成都等城市，都可以提交申请。有志于成为MSG组织者的朋友们，请扫描以下的二维码进行报名。 **扫码成为MSG组织者** MindSpore官方资料 GitHub:https://github.com/mindspore-ai/mindspore Gitee:https://gitee.com/mindspore/mindspore 官方QQ群: 871543426 长按下方二维码加入MindSpore项目↓ - - --- https://www.mindspore.cn/activities/zh/651/ --- 活动中心 活动回顾 | 第四届人工智能大会WAIC，MindSpore参展报告 # 活动回顾 | 第四届人工智能大会WAIC，MindSpore参展报告 2021/07/13 # 活动回顾 | 第四届人工智能大会WAIC，MindSpore参展报告 7月10日下午，2021年世界人工智能大会（WAIC）圆满落幕。MindSpore社区在开幕式现场宣布**AI数据生态联盟**成立！数百名行业客户、观众和合作伙伴参与，线上数百万名观众共同见证联盟成立。未来，**AI数据生态联盟**将凝聚行业共识，推广开源理念，打造开源社区，主动开源数据，对AI为代表的行业数据进行资源的整合与优化，**打造服务于所有开发者的优质开源生态**。 MindSpore社区在WAIC现场分享了干货满满的内容！现场到底有多精彩？我们一起来逛逛吧~ 在7月8日至10日，第四届世界人工智能大会（WAIC）期间，华为轮值董事长**胡厚崑**、华为昇腾业务总裁**许映童**以及中国科学院院士**龚健雅**、中国工程院院士**郑纬民**、中科院自动化所所长**徐波**等行业领袖积极参与并发表主题演讲。 胡厚崑总发表了主题为“根深叶茂，共筑人工智能新生态”的演讲。胡总表示，大力发展以人工智能计算中心为代表的新型城市基础设施，分工协作建立多方合作共同繁荣人工智能产业新生态。在AI计算框架方面，MindSpore已成为国内主流AI计算框架，开源社区累计下载量超过41万，在100多所高校开展教学；胡总还提到当前AI普惠的瓶颈是开发效率太低，要用超大规模的预训练模型解决这个难题，盘古系列预训练大模型实现AI应用的快速开发，让AI普惠千行百业。 中国科学院院士龚健雅分享了智能遥感解译的研究进展与挑战，武大和华为创新提出在框架内自动实现影像的切分方案，并计划发布基于MindSpore的遥感领域框架luojiaNet。 中科院自动化所徐波所长介绍当前基于MindSpore框架在武汉计算中心开发的多模态大模型，展示了亿级规模多模态模型与空间站的对话效果，包括文字对话、图片、视频理解及生成、中英翻译等，多模态融合效果显著。 **胡厚崑总发表AI主题演讲** 7月8日-9日 **龚健雅院士报告智能遥感解译的研究进展与挑战** 7月9日 13:30-17:30 中科院自动化所徐波所长介绍多模态大模型进展 7月9日 13:30-17:30 昇腾总裁许映童总发表昇腾业务演讲 7月9日 13:30-17:30 MindSpore开源社区发起AI数据生态联盟 7月8日 13:30-17:30 华为云高峰论坛 “以技术智变，创城市质变论坛” 7月8日 13:30-17:30 世界人工智能大会唯一的开发者活动 7月9日 13:30-17:30 昇腾人工智能高峰论坛 “百花齐放·创新高” 7月9日 15:00-16:20 深度学习编译框架前沿技术闭门论坛 7月9日 09:00-17:30 2021GOTC大会，快速获取 MindSpore 的关键特性 7月10日 13:30-17:30 WAIC•AI开发者论坛，下一代AI基础软件能力展望 7月10日 13:30-17:30 高校合作交流 7月8日 16:00-17:00；7月9日 9:00-11:00 华为和高校老师团队众智研讨会 7月8日 10:00-12:00，14:00-17:00 WAIC MindSpore展台 7月8日-7月10日 WAIC 闭幕式 7月10日 华为昇腾业务总裁许映童演讲提到华为今年基于MindSpore研发的“鹏程·盘古”超大模型，成为业界首个全开源 2000 亿参数中文预训练语言模型；华为云盘古大模型也达到1100亿参数，并涵盖自然语言处理（NLP）大模型、计算机视觉（CV）大模型、多模态大模型、AI+科学计算、智能智造解决方案。 同时，邀请北大、西交大、西工大、西电、国防科大、上交大、华师大、西南交大、成电、东北大学、浙大、哈工大、鹏城、深圳湾等高校和科研机构，各方就论文合作、模型算子众智以及基于A+M全栈利用AI计算中心进行大模型和大应用创新探索进行了深入研讨。 7月10日，在2021世界人工智能大会开发者论坛上，最新一届「WAIC云帆奖」得主名单揭晓。作为全球首个面向青年华人AI开发者的奖项，云帆奖已经成为WAIC最具代表性的赛事评奖活动之一。 华为MindSpore运营总监**胡晓曼**代表MindSpore开源社区上台为云帆奖做闭幕致辞！在这一天，2021年世界人工智能大会圆满落幕，参与此次大会的观众与MindSpore社区成员一样收获满满，我们明年世界人工智能大会现场再见啦~ MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee:https : //gitee.com/mindspore/mindspore 官方QQ群 : 871543426 长按下方二维码加入MindSpore项目↓ --- https://www.mindspore.cn/activities/zh/652/ --- 活动中心 AI漫分享 | 欢迎收听MindSpore全新播客栏目 # AI漫分享 | 欢迎收听MindSpore全新播客栏目 2021/07/16 # AI漫分享 | 欢迎收听MindSpore全新播客栏目 欢迎大家收听MindSpore新栏目 **AI漫分享** **vol.1** 听人工智能领域的专家 为您讲述生动有趣的AI应用案例 请打开微信进行观看 MindSpore社区全新上线的播客\*\*『AI漫分享』\*\*，这里有大家熟悉的主持晓曼小姐姐搭档柳成龙小哥哥，每期将邀请人工智能领域专家，围绕AI领域有趣的应用案例展开分享。 本期主题：分布式并行计算的前沿发展（上） 邀请嘉宾 ：华为MindSpore分布式并行计算技术专家——ST 聊一下分布式训练的几种模式（Mesh，Megatron，ZeRO，XLA）。 时间线如下： - 00:25～～02:30 分布式并行——从小白的角度的一个背景介绍 - 02:40～～07:50 开始做分布式并行，对你启发最大是Mesh吗？ - 08:30～～09:06 MindSpore论坛里与矩阵层相关的问题 - 11:50～～13:21 聊一聊对Megatron-LM的看法 - 13:59～～16:30 ZeRO这里面提的方法比Mesh跟Megatron要更好吗？ - 16:40～～19:40 Google最近的XLA用融合算子的方式去减少好多update信息，这个是一个可行的方向吗？ 聊一聊切图（GPipe，XPipe，Pipe Dream）。 时间线如下： - 19:50～～24:58 GPipe跟Mesh，Tensorflow有关系吗？ - 24:59～～25:30 XPipe有一个对权重的预测，你觉得对信息失效管用吗？ Hello 大家好，欢迎收听 AI 漫分享，这是一套由 MindSpore 开源社区组织的全新播客节目，邀请来自人工智能领域的专家，讲述有趣的 AI 应用案例，吐槽 AI 生产落地的血泪，以及点评 AI 前沿技术发展。我是主持人小曼，我是柳成龙。 **柳成龙**：好，我们今天邀请到了 MindSpore 的专家ST老师，今天我们聊一下分布式并行。ST老师之前给了至少十篇论文，然后今天可以好好聊一下，咱们一开始可以聊一下分布式训练的几种模式，昨天看了一下，提纲里面提到的这几篇论文，我看好像 Mesh-Tensorflow\[0\]出来的比较早。 **ST**：对，出来的比较早。 ****柳成龙****：嗯，然后后面才是 Megatron-LM\[1\]，然后 ZeRO\[2\]出来，我读着感觉ZeRO 的论文写的非常好，写得挺深入浅出。 ****ST****：确实是，那篇论文写的非常的言简意赅，理解起来还是有点难度啊。 ****柳成龙****：我作为小白，先从最小白的一个基础大概先说一下我的理解，看我理解对不对，我们一般说 AI 里面，说分布式训练就是针对这种大规模的场景，然后一般来说我们有数据并行，模型运行，还有 pipeline 并行。数据并行是最常用的，就是说只要是模型能装到 CPU，或者是只要能装到内存里面，数据并行就是可用的。基本上是通过 minibatch，所有的节点会算一个平均的一个梯度。之后，模型并行出来，有的模型太大了，横竖装不下，模型并行和 pipeline 并行都是为了解决这个问题。模型并行，主要是指垂直起，就是顺着层起。pipeline并行呢，是水平切，每一层都是按照算子维度来的。 ****ST****：pipeline 并行水平切还是横切，一般看我们图的画法，一般我们如果图横着画，那就是竖切。 ****柳成龙****：可能还有一些不必要用到并行，但是可以帮助解决，像把好多 activition之类的卸载到 CPU 去处理。这是大概的一个从小白的角度的一个背景介绍，看咱们从哪里开始聊，你觉得你开始做分布式并行这块儿，对你启发最大的什么？Mesh 吗？还是？ ****ST****：Mesh 是最有名的，在 Mesh 之前，其实已经有一些小论文，可能没像Mesh 这么有名，因为是在 nips 上面发表的，这些论文已经开始在讲 Mesh 这条思路了，但是它们没有完整地提出这么一套系统。我们看了 Mesh 这篇论文之后，确实启发是最大的，通过 Mesh 这些论文又去回查了非常多的材料。发现Mesh 之前，实际上有位来自斯坦福的博士生，在 match 之前他提了很多这方面的 idear。因为 Mesh 那篇论文，讲的比较 high level，我们当时也通过查其他一些论文来把模型并行这个方向的信息理清晰。Mesh 这一块，它这篇论文主要还是在 Tensorflow 之上做的一套框架。Mesh 当时放出来主要是针对应用Transformer 的大型 Transformer 网络。Transformer 这种网络，像现在比较典型的就是 GPT-3，它叠加的非常多，它可以横向扩展，纵向扩展和模型扩展，模型会扩张的非常大。所以 Mesh 还提出了模型扩大，实际上是对精度是有提升的，这方面也是目前业界看的一个趋势。大家现在都在测试一个模型。其实一个模型的结构，例如我们神经网络模型就是要么横向扩张，要么纵向扩张，叠加更多嘛。每一个模型可能存在一个他极限的一个表达能力，通俗点说，我可以横向长到多胖，或者长的多长，这个可能是他的一个结构，有一个极限的能力。目前 Transformer 在这方面的能力上面特别强，甚至可以叠加到几十层，其实 resnet 也是类似的， resnet30、50、101 其实也是对模型不停地对同一个结构不停的叠加嘛。这种方式，以 Mesh 来说，目前对 Transformer 这样一个体系的东西，支持的特别好。 ****柳成龙****：其实我发现谷歌好像特别爱做特别全面的一套系统，我之前阅读他们做差分隐私，它也是一套像 type system 定义的特别全。我看像 GPipe\[3\]，包括Mesh-Tensorflow，他们好像习惯于定义一整套系统，Mesh-Tensorflow 是一套语言，是吧？ ****ST****：是的。 ****柳成龙****：他们就是从语言层面到编译，给你定义好。比如说，我允许你去定义的tensor 的 dimension 有哪些。然后你通过这个去执行，这种方法你觉得是一种比较好的方法吗？还是你觉得还是有点过了？ ****ST****：确实，Mesh 他称自己为一套 DSL 语言，他实际上本质还是 python，在python 抽象了一堆的 API，我感觉他可能这个程度还没有到那么深。它的核心就是把每个轴给它取一些名字，像我们目前，如 Tensorflow、新版 Pytorch 都有这个特性。像 Tensorflow 原版的话，它实际上每一个轴是没有名字的，我们只有说它是第 0 轴、第 1 轴。它给轴取名字之后，每一个就是 tensor 或者数据的每一个维度，实际上它可以贯穿整个网络，比如说对于卷积来说，NSHW 四个轴中，N 这个轴，你在第一个算子，第一个卷积的 N 轴，这个是在第 0 位。然后第二个卷积 N 也是在第 0 位，那 HW，它同样也是映射到，比如说第三位或者第四位。但是它通过一个名字，把两个算子之间表达同一个意思的轴关联起来。这样的话做有个好处，就是在像 Mesh 这种，我们切 tensor 的这种模型并行方式，其实就是把某一轴给切开。这样定义有个好处，就比如说他说我们切这个叫做 N 轴，或者切 H 轴，那所有整个网络里面所有的 H 轴都会被切开，所以切 N 轴，叫 N 的这个轴都会被切开。这样的话就是能够通过一个 name 的名字定义，在切某一轴的时候把整个网络给切开了，这样的话对用户来说是比较方便的。比如说第一个卷积可能切一个轴，第二个卷积又切另一个轴，它可能就用一套方式把整个模型给切开来了，这个是 Mesh 里比较有意思的一个东西。 ****柳成龙****：具体执行的时候，是不是我们如果有一个比较强的类型系统的话，他也是有利于执行的，相当于没有随意声明每个轴，他都有统一套原语的定义，是吧？处理一下好像确实会好些。 ****ST****：确实是，有了一个名字之后，实际上对我们写这个模型也尽可能会在编译阶段或者写的阶段就能够报出来。有一些确实是有一些走势相关的，比如说我们矩阵层的话，它第一个矩阵的列，跟第二个矩阵的函，这个其实他是一个相关的，这两个组应该是取同一个名字的，因为他的维度是一模一样的，这个是矩阵层给他做的一个约束。前几天，MindSpore 论坛里有用户提问改了我们的一个样例说跑不通。其实就是碰到了矩阵层的这个问题。他把第一个矩阵的 列，和第二个矩阵的函，配成了两个长度，违反了矩阵层的数学定义。肯定就跑不通的。但是如果说有一个 named tensor，这时候把所有的名字给固定下来，就哪些轴是关联的给这样定下来之后他可能就不会出现这种错误，这时候只会定一次，肯定都是符合这个数学运算的一个规则的。 ****柳成龙****：我们在其他框架有看到类似 Mesh-Tensorflow 这样的吗？ ****ST****：有的。Pytorch 最新版好像是 1.3。 ****柳成龙****：也有一类 DSL 的。 ****ST****：对，倒不是分布式这一层，而是说对于 tensor 的维度的描述这一层。原来维度可能就是01234，现在给维度取了一个名字能够表达，不同维度之间的一些关联的关系，有一个全局的一个名字。Pytorch 现在也在引入这个，不过现在属于 experiment 试验阶段，但是已经有这个功能了。 ****柳成龙****：这个确实对编译的好处也比较大。 ****ST****：对，分布式表达，有个 named tensor 的这么一个表达，这个是哈佛大学他们其中一个实验室提出来的一个东西，它其实就是你刚才说的要增加一些类型更强的类型系统，避免出错。这个也是他其中一个目的，然后他提出了一整套相对完整的 named tensor 的一套定义的一个方式。现在 Pytorch 也有了这么一套，不过因为有点类似一套语言的类型系统，要把它做完善其实比较麻烦的。其实我们最开始在做 MindSpore 这一层分布式的时候，我们也考虑过要导引入 named tensor。后来发现 named tensor 真正意义上就是引入了一套类型系统，这套类型系统要把它做成一个相对自洽的，相对完善的一套类型系统，其实难度是非常大的。以至于最后没有做，就是因为要把他做成一套完善的，就这个方面工作量是比较困难的，所以目前一直有在考虑，但是还没有真正做到我们系统里面去。 ****柳成龙****：如果说我单独实现一套完整的系统，比较复杂，但是这个东西有没有可能形成一套标准的，几个框架都同意，就是大的维度上 named tensor 应该是遵从这几个标准。实现呢，就是大家各自实现这个。 ****ST****：我觉得有可能，能够形成一套标标准，实际上这个 named tensor 名称的定义是他想要跟具体的算子相关。有的矩阵层以我们刚才那个例子。第一个矩阵函，然后他的列，跟第二个矩阵，好像是两个其实是一个，有个卷积也一样的是有这种相关委的。这个我觉得是可以形成一套标准的，因为这种最终本质还是由数学公式来的，只是说给每个数学公式不同的维度取个统一的名字。 ****柳成龙****：好，咱们再看一下 Megatron，Megatron 这个 paper，我感觉我读的时候就好像没有什么太大的感觉，你对 Megatron-LM 这个有什么看法。 ****ST****：Megatron 这一层它还是模仿 GPT-2 的模型。这还是实现了 GPT-2 的那个模型的一个分布式并行训练，其实简单来说，我觉得可以把它理解成一个手动版的 Mesh，你看它里面用到的这种并行的模式跟 Tensorflow Mesh 对于Transformer 方面的并行是一样的，只不过 Mesh 把并行做成了一套框架，然后外部用户接口去调的时候，他显然是感知不到里面的并行的，通过他的框架展开来这么一套并行的模式。Megatron 的话，它是基于 Pytorch 做的，直接就手写了一种特定的一种并形的模式。 **柳成龙**：他是加了一个库是吧？ ****ST****：对，加了一个库。在那个库里面，他手写的这个并行，其实最终跟 Mesh是完成的效果是一样的。只不过说它变成用户调 python 的原生 API，再去写对这个网络的并行。但他这里有问题，他写出来这个只能在 Megatron 里面用，他不能再用到其他其他网络里面，因为他是手写出来的这么一套东西。Megatron 给我们的一个很大的启发，我们做这种大模型的时候，要体现一个系统的能力，通过这种大模型去体现是非常合适的。 ****柳成龙****：OK，然后咱们再看两篇比较近的，ZeRO 跟 Google 之前发的一个 XLA，ZeRO 这篇 paper 主要是说它把整个的模型并行，现在他发现的问题，基本上他就归结为做模型并行，还是要保留很多的状态信息。基本上分成两类，一类就是模型相关的 perimeter 那些。另外就是 residual net、 activition 之类的。它分成这两类处理。你觉得 ZeRO 这里面提的方法比 Mesh 跟 Megatron 要更好吗？还是也只是另外一个角度？ ****ST****：ZeRO 应该说它有两部分，一部分呢，其实还是 Megatron、Mesh 本质上是一样的。只不过是大家实现的方式不太一样。但最后从并行角度来说，他们还是模型并行，还是切 tensor，而且切的规则也类似，都是对 Transformer 的这种结构进行去模型并行。但是 ZeRO 它最大的特点是提出了一个在 optimizer 里面做模型并行。我们现在把 optimizer 特别模型并行的时候，都是重复算的，因为数据并行时候梯度最后做的一次归约之后每个节点的梯度是一样的。然后再建 optimizer，那个 optimizer，比如说一机八卡的话，那八个节点上 optimizer都是在做一模一样的计算。ZeRO 那篇论文，它把 optimizer 也做了一个模型并行。optimizer 里面的 optimizer state，也类似于一个参数下的东西，做了一个切分，然后让每个节点拿到其中一个切片，这样的话就是 optimizer 这里也做了一个并行。好处就是，因为 optimizer 里面那个 state 数量是非常大的。 ****柳成龙****：他举了一个例子， GPT-2 的模型好像本身其实一点几个 g 就够了，但是为什么 32G 的 GPU 还是装不下？就是因为其他参数其实有好几十倍，特别大。 ****ST****：是的，目前我们跑一些稠密模型，一个 32G 的卡，基本上只能跑四个 G 的稠密模型。稀疏的话可能会跑的更大。稠密基本上就是这样的一个关系，因为这个跟里面的内存管理、内核复用的关系非常大。所以说内存管理、内存复用这一块也是这个框架的一个非常核心的一个关键项接入。像 ZeRO 他就是通过一个 optimizer 切分，把这个内存的使用率给降下来，因为它本质还是内存在多个节点，它做的复制。内存使用率降下来，让模型数据并行，能够跑更大的模型。因为从我们的角度来看，数据并行，特别是在 Transformer 的这种结构里面，数据并行应该是理论上效果最好的，计算通信比应该是最好的。ZeRO 就是在数据并行搞更大的规模，紧接着在此基础上，再做模型并行，后面的模型和 Megatron 和 Mesh 也差不多，也是类似的。 ****柳成龙****：Google 最近 XLA 这个 paper\[4\]也很有意思，我比较粗浅的理解，我觉得里面一个比较有意思的，就是它是用融合算子，其实是希望用融合算子的方式去减少好多 update 信息，你觉得这个是一个可行的方向吗？ ****ST****：确实是，像我们现在在昇腾硬件平台上面做，也是写了大量的融合算子，通过融合算子去提升整个端到端的性能。因为算子融合之后，它可以减少很多，比如说在达芬奇架构上，它有多层的这种 cache 结构，一个是减少 cache到 memory 之间的一个内存搬运，几个融合了之后。然后还有一些融合之后，就可以并行算了，就是在数学公式里面。有一些可能是归约掉的，给并行算降低这种计算量。融合方式，一个是计算量会更优，还有一个像内存搬移与cache 之间的搬移，这些都能够降下来。那我们看到现在很多框架其实像 ZeRO这种，说是做并行，实际上内部可能自己也写了一些算子，因为算子这一块怎么去优化，对最终的性能影响非常大。 ****柳成龙****：我看 XLA 那篇 paper，它里面用了大量的 sharding 的能力，这块如果是传统做数据库，其实是 sharding 各个节点的信息，这块 overhead 会不会比较大，感觉做的比较彻底。 ****ST****：是的，会有 overhead。不过这个 sharding 做了之后效果要好，依赖底层的通信带宽。但是 sharding 有两层。它可以在比如说像昇腾硬件平台这种架构，或者 GPU 架构，它是多核的这种架构，一个片内有可能有，比如说八个核和 32 核，核与核之间，他因为在片内，所以说他这个带宽是非常高的，因为这种 tensor sharding，之后他肯定会触发一系列的通信，这些通信的话就是我们引入了一个额外开销。因为计算还是那些计算量，额外引入了这些开销，它本质还是不如把这个计算用多核或者多卡的能力给并行起来，所以底下的通信带宽是非常关键的。XLA 里面也做了一个 sharding 优化，类似 ZeRO 我感觉是一模一样的，但是他的论文没有深入去讲，从他的流程跟结构来看，跟 ZeRO 应该是一样的。optimizer 的 state 特别占内存，将 States 给切开，切到多个核上 面再去跑，也是用了 ZeRO 这个 idea。ZeRO 这个 idea，其实怎么说呢，ZeRO确实是第一个提出来的。我们很早之前也讨论过相关的一些东西，当时更多的是从性能的角度去看待这个问题，而不是从内存的这个角度去看待问这个问题。因为像 ZeRO 这种方式，他切了之后，会引入一些通信，再有一些系统下面，如果通信带宽没那么高的话，其实对于性能是会有一些降低的。好处是在大模型的情况下，他把内存降下来，能跑更大的模型。所以说他在对大模型来说效果是非常好的。如果对小模型来说，像 ZeRO 这么去做，可能性能都不对。 ****柳成龙****：好，我们进入到下一个环节，切图，GPipe，XPipe\[5\]，Pipe Dream\[6\]哪一个稍微早一些？ ****ST****：GPipe 是比较早的，XPipe 是最新出来的。 ****柳成龙****：GPipe 好像跟 Mesh，Tensorflow 他们两个有关系吗？感觉思路特别像~ ****ST****：应该说都是 Tensorflow 之上的一套框架，GPipe 也是 Tensorflow 官方的一个库。GPipe 是比较早的，因为最开始做模型并行，我们一般都是通过切图的方式，或者 pipeline 的方式。这个分类有一些论文，也有一些人，把 pipeline归结为单独的一类并行，又把它归到模型并行里面。但 GPipe、pipeline 其实最早的。像 Tensorflow 最早出来的时候，他实际上做了模型并行，但是他的模型并行其实就是切图。跟最初的硬件相关，因为最初的硬件 GPU 可能就八个 GB的显存。TPU 的话，第一代 TPU 应该也就是八个 G 的一个显存，那会儿时间要跑稍微大一点模型肯定是要模型并行的，这是跑不动的。不像现在我们昇腾硬件平台上来就是 32GB 的一个内存。在硬件性能比较弱的情况下，模型并行用的是比较多的。随着现在内存越来越大，很多的模型要用更大的内存，用数据并行就能跑。BERT 刚出来的时候，很多公司 BERT 跑不起来是为什么？因为很多公司存量的机器可能都是 8 个 G 的内存。而 BERT 一出来它是很大的一个参数量，所以说跑不起来。BERT 刚出来的时候，模型并行在网上、在学术圈也是热议了很长的一段时间。因为有这么大的一个模型出来，大家发现自己现在机器怎么跑不起来，想去解决这个问题。回到 GPipe，主要是想把 pipeline，怎么做的更高效。像 pipeline 这种并行，假如说我们要做全同步的计算，像 pipeline这种并行，他组织的 bubble 是比较大的，空闲的时间是比较大的。因为我们正向算完要算反向。反向没算完，之前所有下一轮的迭代的真相要在那等着，这个等待时间是比较长的，说白了就是我们的算力空闲的时间是比较长的。GPipe它的优势就是把每一个 minibatch，再切成他叫 micro batch，再去做这种pipeline，把中间 bubble 等待的空闲时间给降下来。虽然降下来都是些空闲， 但还是蛮大的，只能说是有提升的。我们刚开始做 MindSpore 的时候，有适用过 GPipe 的这种方式。也用 Pytorch 这种框架去做一些前期的一些并行方面的验证。我们用 Pytorch 也试了 GPipe 这种方式，确实是有效果的，但是计算的等待时间还是比较长的。接下来就有一篇 Pipe Dream 论文，它主要也是在GPipe 的基础上，他引入了异步。因为引入 pipeline 的异步之后，解决了bubble 问题。但是异步对网络的精度是会有影响的，可能有少量的网络，像OCR 这种的网络，影响稍微小一点。 ****柳成龙****：Pipe Dream 的一个论文提到它的一个主要缺点就是会有一个失效或者说就是信息过期，这个是所有异步解决方案都会共性的问题吗？ ****ST****：对，这是所有异步都共性的问题。 ****柳成龙****：他主要是什么造成的呢？是因为异步的话，就是相当于又增加了一个地理的维度会造成这个问题？还是其他的因素造成的这种过期？ ****ST****：其实如果从同步角度来理解的话，就是我们比如说 SGD 往前走都是根据上一次的结果嘛。这样才知道我这一步要往哪个方向或者往梯度的哪个维度去走，但是实际上一旦引入异步的时候，这一步走的可能不是基于上一步的结果，而是基于上上步，或者前 100 步。有可能因为异步跨度大的话，计算速度快，可能是前 100 步的某一个结果，这种的梯度方向找的没那么准，就是会有这样的情况。我个人倒是有一些观察，异步这一块，比如说我们以前用 PS 做异步，现在 Pipe Dream 也用 pipeline 做异步，这两种异步虽然都是异步，但因为他异步的模式变了，实际上对优化器本身是有一些影响的。因为我们看很多异 步论文里面，他首先他自己做了异步，另外也做了一个优化器，用这个优化器来提升这个异步的一个训练效率，或者最后的这个收敛的一个进度或效果，但是如果说异步的模式换的话，可能对优化器设计本身也有一些，所以说异步出来，你得是一个全套的系统性。 ****柳成龙****：XPipe 主要说的是比较创新的点，就是它有一个对权重的预测，你觉得对信息失效管用吗？当然他的论文里面是说她用这个还是比较管用的，咱们在实践里面有试过吗？ **ST**：目前倒确实没试过，因为这篇论文比较新。我们还没有做的相关的团队， **柳成龙**：他等于说把历史信息叠加起来，保证相关性。好，感谢ST老师~ \[0\] Mesh-Tensorflow:Deep Learning for Supercomputers. “Wheredata-parallelism can be viewed as splitting tensors and operations along the"batch" dimension, in Mesh-Tensorflow, the user can specific anytensor-dimensions to be split across any dimensions of a multi-dimensional meshof processors (1)Tensors have named dimensions. (2) A global "computation layout" is a partial map fromtensor-dimension to mesh-dimension specifying which tensor-dimensions are splitacross which dimensions of the processormesh” \[1\] Megatron-LM: Training Multi-Billion Parameter Language Models UsingModel Parallelism \[2\] ZeRO: Memory Optimizations Toward Training Trillion Parameter Models“” \[3\] GPipe: Easy Scaling with Micro-Batch Pipeline Parallelism. “GPipeand Mesh-Tensorflow provide frameworks for model parallelism of differentkinds. However, they require rewriting the model, and rely on custom compilersand frameworks that are still under development.With GPipe, each model can bespecified as a sequence of layers, and consecutive groups of layers can be partitionedinto cells. Each cell is then placed on a separate accelerator Interface: (i) the number of model partitions K (ii) the number of micro-batches M (iii) the sequence and definitions of L layers that define the model” \[4\] Automatic Cross-Replica Sharding of Weight Update in Data-ParallelTraining. “Weight update is not sharded in data parallelism because the weightsand gradients do not have a batch dimension to be partitioned. Our goal is toenable sharded weight update across the replicated devices as an optimization,without using more devices” \[5\] XPipe- Efficient Pipeline Model Parallelism for Multi-GPU DNNTraining “Most importantly, the novel weight prediction strategy adopted byXPipe enables it to effectively address the weight inconsistency and stalenessissues incurred by the asynchronous pipeline parallelism Weight Prediction” \[6\] PipeDream: Generalized Pipeline Parallelism for DNN Training.“PipeDream suffers from staleness problem because it uses different versions ofweights in the whole feedforwardback propagation round. PipeDream divides themodel among available workers, assigning a group of consecutive operators(called layers in DNN terminology) in the operator graph to each of them, andthen overlaps the computation and communication of different inputs in apipelined fashion” 分布式并行计算的前沿发展上期更新到这里啦，意犹未尽的小伙伴，下期精彩继续，记得关注MindSpore获取最新动态~ --- https://www.mindspore.cn/activities/zh/659/ --- 活动中心 报名 | 对话式AI语音识别及说话人识别（ASR&SD）挑战赛等你来战 # 报名 | 对话式AI语音识别及说话人识别（ASR&SD）挑战赛等你来战 2021/07/22 # 报名 | 对话式AI语音识别及说话人识别（ASR&SD）挑战赛等你来战 如今，对话式AI成为人工智能热门方向，它在商业上的应用规模不断增长，也是人工智能研究者重要研究领域。对话式AI是指能够进行人类对话，捕捉对话语境并做出智能化响应的智能语音助手，它能够基于NLP功能与人进行个性化对话，根据对人类情感的理解采取相应行动。 作为AI爱好者的你，特别想在人工智能重要研究领域挑战下自己吧！那就赶紧来参加由**MindSpore社区**、**北京爱数智慧**、**江苏师范大学**、**MagicHub.io开源社区**、**上海白玉兰开源开放研究院**和**英特尔Open VINO**联合发起的\*\*『对话式AI语音识别及说话人识别（ASR&SD）挑战赛』\*\*！ MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee:https : //gitee.com/mindspore/mindspore 官方QQ群 : 871543426 --- https://www.mindspore.cn/activities/zh/668/ --- 活动中心 MindCon | 高能回顾第二届MindCon极客周15天15城战绩 # MindCon | 高能回顾第二届MindCon极客周15天15城战绩 2021/07/27 # MindCon | 高能回顾第二届MindCon极客周15天15城战绩 MindCon极客周是MindSpore社区为AI爱好者精心打造多城市互动参与的极客狂欢活动！各城市战队的小伙伴们通过解锁城市任务，挑战自我，为城市赢取积分进而获得专属奖励。 **第二届MindCon极客周**活动自2021年6月25日开启，于2021年7月10日圆满落幕。15个城市参与挑战，通过解锁5个城市任务赢取积分刷新MindCon城市排名。 恭喜**天津**城市战队总积分排名榜**第一名**、**长沙**城市战队总积分排名榜**第二名**，老规矩下一届将于天津作为主场开启MindCon极客周城市狂欢活动，接下来我们来一起回顾第二届MindCon极客周活动中的高能时刻~ 城市接力，挑战自己 第二届MindCon极客周活动累计**3500+\*\*\*\*位**开发者参与，活动期间每个城市战队的小伙伴按照接力的时间表为所在城市点star、提issue，据不完全统计本届城市徽章下载量是去年的**3倍**，感谢徽章的设计者小猫子，我们一起欣赏下美美哒城市徽章设计图吧~ 除了接力为城市赢取积分还有专门为Bugfix任务而准备的直播课，每天和小伙伴们一起来B站\*\*「MindSpore官方」**观看**Bugfix专题\*\*\*\*直播\*\*，学新知识轻松解决社区bug！ 感谢小孢子们15天的陪伴，感谢Bugfix直播分享的讲师、MSG组织者和支撑活动的小助手，还有高频出现的老朋友之鹏老师，为我们带来的直播分享，有想要之鹏老师直播间的课件可以在\*\*公众号对话框发送‘课件’\*\*领取哦。 ## WAIC&昇腾CANN训练营，为你赋能！ 第二届MindCon极客周不仅有老规矩新玩法，还联合了两大超强阵营：WAIC和昇腾CANN训练营，为各城市战队的小伙伴赋能，针对不同课题开设直播教学课，辅导大家专业知识的同时培养大家的团队协作能力。 在这里恭喜南京战队的「ShineWorld」团队在MindCon极客周期间参加『2021 世界人工智能大会（WAIC）黑客松』获得了「基于 Volcano 容器批量计算平台进行 MindSpore LeNet 模型训练挑战赛」的冠军，为南京战队赢取了积分与荣誉。 感谢『昇腾CANN训练营』的老师们声情并茂的分享、对同学们提出疑问的耐心讲解以及为大家贡献的表情包~ 感谢积极参加『昇腾CANN训练营』萌新赛段的小伙伴们为所在城市付出的努力，截止目前（7月27日），CANN训练营萌新赛段已经结束。 萌新赛段积分名单公布如下： https://bbs.huaweicloud.com/forum/forum.php?mod=viewthread&tid=143403&fromuid=446160 **CANN训练营高玩赛段进行中**，感兴趣的小伙伴可继续报名参与，**荣誉证书**、**高额华为云代金券**和外星人键盘、万代高达模型、大疆无人机、数码暴龙手办、PS5手柄、Switch游戏卡带**超多炫酷极客的大奖等你赢取**！ 再次感谢一直以来支持MindSpore社区的小孢子们，希望参与MindSpore社区活动的小伙伴们都有所收获与成长，第二届MindCon极客周的礼品将陆续寄出，任何疑问可以咨询小助手（微信号：mindspore0328），期待第三届MindCon极客周有你参与~ 如果你希望下一届MindCon极客周由你组织，并且想带领自己的城市战队赢取荣誉，可以**报名**MindSpore开源社区**MSG组织者的招募活动**！只要你对组织活动感兴趣，想结识更多开源大咖，有志于对开源社区做出贡献，那么就赶紧扫码报名吧！ MSG组织者将获得 - 华为线下参观与实习offer机会 - 免费参与华为开源各类大会机会 - 优秀组织者证书及官网名单展示 - 节假日定制MindSpore礼包 → MindCon | 来今晚直播间观战MSG城市组织者答辩 → MindCon | 第二届极客周狂欢活动：找茬也能赢大奖！ 长按上方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 871543426 --- https://www.mindspore.cn/activities/zh/672/ --- 活动中心 活动回顾 | 图灵大会 分论坛：MindSpore Workshop # 活动回顾 | 图灵大会 分论坛：MindSpore Workshop 2021/08/03 # 活动回顾 | 图灵大会 分论坛：MindSpore Workshop **ACM TURC 2021分论坛MindSpore Workshop活动回顾** **智能+与工业互联网** **ACM 中国图灵大会（ACM TURC 2021）2021年7月30日至8月1日在中国合肥举行，主题为“智能+与工业互联网”。** **7月30日MindSpore社区在ACM 中国图灵大会（ACM TURC 2021）的分论坛开展MindSpore Workshop高端学术交流圆满落幕！** ****广受关注的MindSpore社区**** **即使在出行很受限制的近期，也没能阻挡对MindSpore感兴趣的开发者们，此次活动取得了巨大的成功！MindSpore活动现场百余名观众，同时段B站MindSpore官方直播间同样火爆！** ****准备活动中**** ****MindSpore社区成员提前一天进入现场为开发者们精心布置的场地并认真准备活动伴手礼，活动当天为大家备好了美味可口的茶歇**** ******活动进行时****** ******本次活动邀请了华为MindSpore资深架构师 于璠；清华大学地球系统数值模拟教育部重点实验室常务副主任 黄小猛；中国科学技术大学特任研究院 李诚；北京大学化学与分子工程学院院长 高毅勤；依瞳科技算法研发部总监 齐文；以及我们熟悉的老朋友，华为计算开源开发与运营部副总监 黄之鹏；与大家一同走进MindSpore，探讨MindSpore的技术趋势发展！****** ******黄之鹏老师开场介绍MindSpore****** ******于璠老师分享议题《AI技术趋势及MindSpore实践》****** ******黄小猛老师分享议题《地球系统科学中的AI技术探索及Mindspore应用》****** ******李诚老师分享议题《深度神经网络模型的大规模并行训练》****** ******感谢高毅勤老师为大家带来精彩的线上直播，分享议题《MindSponge：基于MindSpore的下一代人工智能分子动力学模拟程序》****** ******齐文老师分享议题《MindSpore助力深度学习在工业质检领域的落地》****** ******现场观众认真听分享并积极参与互动****** ******听完嘉宾们干货满满的分享后到了愉快的茶歇时间，开发者们与嘉宾老师一边品尝美食一边交流~****** ******快乐的时光总是短暂的，期待MindSpore社区下次活动见哦~****** ********往期精彩******** ******直播培训，点击报名****** ******MindSpore Workshop活动宣传文****** ******来看技术干货文章****** ******扫码关注获取****** ******更多精彩****** --- https://www.mindspore.cn/activities/zh/678/ --- 活动中心 API纠错+翻译，就等您大展身手！ # API纠错+翻译，就等您大展身手！ 2021/08/09 # API纠错+翻译，就等您大展身手！ 沉寂了许久的翻译活动又出现啦，众所周知每次翻译活动的奖品都是非常诱人的， 本期就不遵循老规矩先看奖品了....... 我们先切一则广告， 关注知乎:金雪锋，大V亲自讲解最新相关技术！ 个人主页：https://www.zhihu.com/people/jin-xue-feng 好嘞现在是奖品展示时间~ **奖品展示：** 活动一：100元内京东自营/京东超市商品自选一件 （不找零不分开购买哦~) 活动二：以下商品6选一! (电饭煲，珐琅锅，电磁炉，无线鼠标，餐具套装，钢笔礼盒) **活动时间：** 8月9日——8月29日 **参与方式：** 活动一： 官网python API文档纠错，您需要做的是：1.发现问题。2.去gitee的相应仓提交issue。3.将问题描述+issue链接+个人邮箱，一起发送到MindSpore论坛的"活动体验"主题分类。 活动二： 我们在gitee上发布了一些待翻译的任务，这些任务如下： 任务链接 完成情况 贡献者ID https://gitee.com/mindspore/docs/issues/I44GK9?from=project-issue https://gitee.com/mindspore/docs/issues/I44A6G?from=project-issue https://gitee.com/mindspore/docs/issues/I44A5E?from=project-issue https://gitee.com/mindspore/docs/issues/I44A56?from=project-issue https://gitee.com/mindspore/docs/issues/I44A3W?from=project-issue https://gitee.com/mindspore/docs/issues/I44A1R?from=project-issue https://gitee.com/mindspore/docs/issues/I44A0X?from=project-issue https://gitee.com/mindspore/docs/issues/I449Y3?from=project-issue https://gitee.com/mindspore/docs/issues/I449VO?from=project-issue https://gitee.com/mindspore/docs/issues/I449QA?from=project-issue https://gitee.com/mindspore/docs/issues/I449PN?from=project-issue 您需要做的是：1.提交并合入PR。2.将个人邮箱+PR链接 一起发送到MindSpore论坛的"活动体验"主题分类。 **(提交PR的流程和注意事项可以参考**：\*\*\*gitee上提交PR和issue的流程和注意事项\*\*\* ） 记得关注自己PR下方的修改建议哦 ## 翻译要求： 1. 翻译格式参考贡献文档。 2. 不能使用翻译工具直接翻译。 3. 不要逐字翻译，这样出来的效果很中式。应该按照自己的理解翻译，且译文应该符合英文阅读习惯。 4. 用词规范： （1）专有名词保持书写正确，例如：AlexNet，不要写成alexnet或者Alexnet。 （2）用词符合业界习惯，例如：reasoning和inference都有推理的意思，但是通常业界使用inference。 1. 语法规范： （1）标点符号使用正确，不要中英文标点混用。 （2）主谓宾结构完整，不产生歧义。 1. 标题规范： （1）标题首字母大写。 （2）标题若动词开头，应采用动名词形式，即doing形式。 （3）标题应尽量简短干练。 # 注意事项: 1.本次PR审核人：**_yingchen_** 2.请勿刷帖，刷帖一律删帖并做无效参与处理。 3.请勿盗取他人截图或内容，一经发现做无效参与处理。 4.活动一是否达标，以最终采纳为准。 5.活动二参与成功与否，以PR正式合入为准。 6.最终解释权归MindSpore团队所有。 --- https://www.mindspore.cn/activities/zh/690/ --- 活动中心 公开课 | MindSpore–SPONGE 线上课程详细安排出炉，快来看！ # 公开课 | MindSpore–SPONGE 线上课程详细安排出炉，快来看！ 2021/08/18 # 公开课 | MindSpore–SPONGE 线上课程详细安排出炉，快来看！ MindSpore社区近期开设的\*\*「MindSpore–SPONGE 人工智能分子模拟 Workshop 暨暑期培训」**线上课程报名将于**明天（8月19日）截止报名\*\*，本次课程的主要授课内容为分子动力学模拟软件 SPONGE 的使用，以及基于 MindSpore 人工智能框架的分子模拟相关深度学习技术的基础与实践。 戳视频快速了解「MindSpore–SPONGE」课程（请在微信中进行观看） MindSpore1.2 版本开源的 SPONGE 具备两方面优势，一是全模块化分子模拟，二是传统分子模拟与 MindSpore 结合的人工智能算法的全流程实现。全算子化的 SPONGE 将与 MindSpore 进一步结合成为新一代端到端可微的分子模拟软件，实现人工智能与分子模拟的自然融合。 作为全新国产分子动力学模拟软件，一方面，我们希望 SPONGE 和 MindSponge 能被越来越多的科研人员所使用；另一方面，我们也希望越来越多的分子模拟研究人员能将深度学习的相关算法和技术融入到自己的研究中。 **课程详细安排** 感兴趣的小伙伴抓紧时间报名，学习最受欢迎的深度学习框架MindSpore！ ## ## ## ## ## 公开课 | MindSpore–SPONGE 人工智能分子模拟暑期线上课程开启 长按下方二维码加入MindSpore项目↓ MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 871543426 --- https://www.mindspore.cn/activities/zh/706/ --- 活动中心 挑战进阶教程，和MindSpore更近一步！ # 挑战进阶教程，和MindSpore更近一步！ 2021/09/06 # 挑战进阶教程，和MindSpore更近一步！ 九月新活动来了哦，本次活动分为活动一和活动二，活动可以同时参加，奖品兼中兼得！ 知道你们最关心奖品，那就来看看吧！ **奖品预览** 活动一： 便携茶具、咖啡机、打蛋器、地毯 活动二： 抱枕、桌面收纳盒、type-c应急手电、茶台托盘 **活动时间** **9月1日——9月19日** **活动详情** **（可同时参加，兼中兼得，但发帖要分开哦）** **活动一：** 以下任务二选一 1>参考官网《自定义数据》教程，自己选择图片或数据集，将其处理成MindRecord格式。记录关键过程和步骤，并附上个人处理前后的数据。将以上内容和个人邮箱一并发送到MindSpore论坛的“活动体验”主题分类，命名格式《挑战进阶教程：活动一》。 2>参考官网《对抗示例》教程，输出攻击后的加噪声的图片即可，记录关键步骤。将以上内容和个人邮箱一并发送到MindSpore论坛的“活动体验”主题分类，命名格式《挑战进阶教程：活动一》。 **活动二：** 官网的文档和网站结构都做出了相应的调整，请用户体验后给出详细的感受，并和个人邮箱一并发送到论坛的“活动体验”主题分类，命名格式《挑战进阶教程：活动二》。注意一定要认真写哦，随便写写肯定不能参与抽奖哦！ ### **注意事项** 1.请勿刷帖，刷帖一律删帖并做无效参与处理。（论坛已启用黑名单制度并已经初步形成名单，刷帖者冻结2个月参与资格） 2.请勿盗取他人截图或内容，一经发现做无效参与处理。 3.完成活动一的同学中抽取**40**名用户获奖，活动二达标的同学中抽取**10**名用户获奖。 4.最终解释权归MindSpore团队所有。 --- https://www.mindspore.cn/activities/zh/719/ --- 活动中心 MSG·苏州 | 探索AI高效开发，加速AI应用创新 # MSG·苏州 | 探索AI高效开发，加速AI应用创新 2021/09/14 # MSG·苏州 | 探索AI高效开发，加速AI应用创新 边缘计算在工业互联网、智慧园区等场景有着越来越多的应用，应用中越来越多的AI类应用。不仅产业界，学术界越来越多关于边缘AI的研究也表明了边缘AI是最近几年的发展趋势。 **本周四（9月16日）**，**MSG·苏州**我们将邀请华为云EI服务产品部边缘AI系统架构师**陈衎**、千瞳智能科技首席视觉算法工程师**贾志刚**、华为边缘云创新Lab高级工程师**普杰**三位老师。带你了解边云协同AI框架Sedna、OpenCV4对深度学习推理与加速支持，以及如何开发更加高效的端边云统一的AI应用。 活动详情戳下方海报 **活动时间** 2021年9月16日（周四） 19:00 ~ 21:30 **活动地点** 苏州市工业园区松涛街1088号斜塘老街4号叙咖啡 **报名方式** 扫码添加小助手（mindspore0328） 记得备注：苏州 苏州的小孢子们，期待与你相遇~ 疫情当前，请各位小孢子戴口罩，携绿色健康码出行哦~ ## **往期MSG快速通道↓** - MSG | 广西首站——桂电，带你1小时入门MindSpore开发 - MSG·杭州 | 讲真，开发AI应用没那么难 - MSG｜首批MSG组织者名单公布，七大城市线下活动即将开启！ **更多关于MSG……** **2020年5月，MSG正式成立，不到一年时间里，我们走遍了全国**十五大城市\*\*：北京、上海、广州、深圳、武汉、长沙、苏州、杭州、南京、重庆、山东、郑州、天津，桂林、宁波，拓展了**七大海外MSG**：莫斯科、新加坡、印尼、澳门、印度、香港·浸会大学，香港·理工大学，**联合OpenI启智社区走进了校园**：哈工大深圳校区、南方科技大学等等。2020年底发起了首场以女性为主题的\*\*『MSG: Women In Tech』**，广受好评；上周发起的『MSG: Women In Tech』第二期同样火爆，聚焦当下热点问题，分享内容干货满满，短期内收到许多粉丝的喜爱，并来信期待下一期的分享。** **MSG是什么？** **MindSpore Study Group，简称MSG，是提供一个让开发者可以充分进行技术研讨、案例分享、互相交流的公益性社区。为了方便开发者们的深入交流，我们会在多个城市成立MSG组织，满足本地开发者的线下交流机会。** \*\*\*\*MSG**一般会做什么？** **· 技术研讨** **MindSpore技术专家讲解最新版本技术亮点** **邀请技术大咖分享关于AI、深度学习最新动态** **· 极客分享** **开发者分享MindSpore真实场景的应用案例** **极客们分享前沿技术进展与软硬件最新技术** **· 社区贡献** **引导开发者从零参与MindSpore社区贡献** **培养开发者成为开源社区的contributor** ****如何成为MSG组织者？**** **每个人都有机会成为MSG的组织者，不论你现在在北京、上海、深圳，还是杭州、西安、成都等城市，都可以提交申请。有志于成为MSG组织者的朋友们，请扫描以下的二维码进行报名。** ****扫码成为MSG组织者**** **MindSpore官方资料** **GitHub:https://github.com/mindspore-ai/mindspore** **Gitee:https://gitee.com/mindspore/mindspore** **官方QQ群: 871543426** **扫描下方二维码加入MindSpore项目↓** --- https://www.mindspore.cn/activities/zh/725/ --- 活动中心 MSG·WIT4 | 技术其实可以是性感的，也可以是感性的 # MSG·WIT4 | 技术其实可以是性感的，也可以是感性的 2021/09/19 # MSG·WIT4 | 技术其实可以是性感的，也可以是感性的 20世纪80年代以来，女性在教育上赶超男性的新现象在世界范围内日益凸显，学者将这一现象称为“女性的崛起”。然而过去30年来，工程技术专业毕业的年轻女性数量大幅下降，这使得技术相关领域的女性比重过低，特别是在技术和领导岗位。如今，**技术领域正在呼唤更多女性**。 **你不一定要成为一名极客！** **但我们相信，你可以离科技更近！** **技术其实可以是性感的，也可以是感性的！** 活动日期：2021/09/25 时间：14：00~18：00 地址：北京市东城区炒豆胡同9号巴巴新生活 **9月25日（周六）14：00** ，我们邀请了来自**贝壳找房业务数据中心产品负责人 李清华**、**快手经济学家 金雅然**、**AI&区块链艺术家 宋婷**、**华为MindSpore运营总监 胡晓曼**，四位老师分享她们对前沿科技和经济的认识，并分享她们对行业发展和女性在科技领域自身职业发展的见解。希望能呈现更多观点、更多干货的同时，更能从女性的角度出发，帮助职场女性突破职业瓶颈，鼓励在校大学生勇敢选择，引导和带动职场白领、超级妈妈跟上这个信息时代，并进行科技转型。不管你是60后、70后、80后，还是90后和00后，希望你都能找到属于各自的科技圈子！ 本次MSG·WIT将会首次宣布成立**女性开发者小组**，专门**针对女性开发者，组建学习小组，小组每月会设定一定的开发目标**，顺利完成的开发者将会获得MindSpore官方授予的优秀女性开发者荣誉，并在官网上轮播展示！除此之外还会有额外的惊喜大礼包！ 在这里，你不会感觉到孤单，会有和你一样的女性开发者一起**学习新技能，分享成长经验和思考，和职场优秀女性面对面交流，获得宝贵的职场经验**，这不仅是一个开发小组，更是一个女性开发者互帮互助小组，是你未来的良师益友，欢迎加入我们吧！ **报名参与本次MSG·WIT4线下分享活动的小伙伴，不光能收获满满的干货知识，还可领取精美伴手礼噢~** 嘉宾伴手礼：**Lululemon Take Form瑜伽垫** 参会小伙伴伴手礼：**ROMVE 腰部按摩器** **如果想分享你的开发故事和职业生涯，欢迎踊跃报名成为MSG·WIT嘉宾～** 扫描下面的二维码可以报名 （参与线下活动的优先审核进入开发者小组哦~） 因疫情影响，机会难得！ 线下分享**只限20位小伙伴**参加 报名审核通过将会通过邮箱告知你噢~ **请留意邮箱信息！** **1、什么是MSG·WIT？** MSG·WIT（Women in Tech）项目是由MindSpore开源社区发起，旨在鼓励和促进每一位女性在职场中实现自己的价值，通过每一次的活动分享都能有收获和提升，结识志同道合的朋友，认识更好的自己！ **2、活动时间和地点？是否收费？** - 时间：2021年9月25日 14:00～18:00 - 地址：北京市东城区炒豆胡同9号巴巴新生活 - 活动是全程免费的。 **3、什么人可以参加？** - **线下分享参与者不限男女**。报名后会根据大家填写的信息来筛选最终来的人员，所以如果在北京的同学想要来参加的话，要认真填写问卷噢。 - **M\*\*\*\*SG·WIT女性开发者小组只限女生参加噢！** 报名网站：http://mindspore.mikecrm.com/EgzMJZK --- https://www.mindspore.cn/activities/zh/728/ --- 活动中心 你想成为开源社区达人吗？MindSpore开源成长活动重磅来袭~ # 你想成为开源社区达人吗？MindSpore开源成长活动重磅来袭~ 2021/09/24 # 你想成为开源社区达人吗？MindSpore开源成长活动重磅来袭~ 作为一枚勤勤恳恳的键盘侠，参与“开源”到底有啥好处呢？ 开源可以迅速**扩展和锻炼你的技术图谱**，可以**收获一批志同道合的小伙伴**，可以**给你的履历增光添彩**，更可以最大化地将**个人智慧产生社会影响力**，一齐将中国自主创新的产品以众人拾柴火焰高之力推到世界的前列，真正**实现我们发展技术的自由不受禁锢**。如此慷慨激昂的事业，你还不加入？ 想加入，不知去哪里？ 想加入，不知道如何做？ 为了推动更多的开发者轻松加入开源事业中，MindSpore即将推出**开源成长活动**！ 手把手教你如何参与开源，更有超多**奖品和证书**等你来取！ 本次活动面向所有开发者，无论你是高校学生，还是有工作经验的大神都可参加哦~ AI音箱、华为手环、荣耀50手机、华为matebook…完成几个任务就可以把它们带回家！领取礼品率高达90%，先到先得哦~ 本次活动既适合没有经验想要参与开源的新手，也适合有一定经验的开源老将。 ****直接查看、领取任务就可开始，无需报名！**** **任务发布地址：MindSpore官方Gitee开源社区（重要地址发三遍~）** **https://gitee.com/mindspore/community/issues/I4BD5F** **https://gitee.com/mindspore/community/issues/I4BD5F** \*\*https://gitee.com/mindspore/community/issues/I4BD5F ****通过我们的活动，熟悉了参与开源的流程并累积了部分经验，可挑战解决社区内其他待解决问题~甚至作为外部开发者与内部成员一起共建和优化MindSpore!**** ****一起干一票大的吧~**** \*\* --- https://www.mindspore.cn/activities/zh/732/ --- 活动中心 云原生开源下午茶-云原生的AI和大数据前言技术研讨 # 云原生开源下午茶-云原生的AI和大数据前言技术研讨 2021/09/25 # 云原生开源下午茶-云原生的AI和大数据前言技术研讨 --- https://www.mindspore.cn/activities/zh/733/ --- 活动中心 初次见面，MindSpore v1.5诚邀体验！ # 初次见面，MindSpore v1.5诚邀体验！ 2021/09/26 # 初次见面，MindSpore v1.5诚邀体验！ 1.5跟大家见面啦！欢迎大家试用分享体验哦！ 分享技术干货还有好礼相赠！ **奖品预览：** 活动一： 1.除螨仪+2.电动螺丝刀+3.迷你烤箱+4.无线充 活动二： 1.鼠标垫+2.保温桶+3.掌游+4.砂锅 **活动时间：** **9月26日——10月8日** **活动详情：** 本次活动干货分享范围为： 活动一：1.5版本新特性相关的干货分享。 活动二：其他技术干货的分享：机器学习，深度学习，MindSpore的使用和相关经验等**原创**内容，**不包括**教程实践和安装体验等内容。 分享到MindSpore论坛的“活动体验”技术分类哦！ 相关内容链接如下： 安装和更新地址 1.5版本介绍 MindSpore大V技术分享（这个大家可以多多关注哈哈~） 注意事项： 1.请勿刷帖，刷帖一律删帖并做无效参与处理。 2.必须保证原创，抄袭按无效参与处理。 3.请勿盗取他人截图或内容，一经发现做无效参与处理。 4.版本相关分享必须与新特性相关，否则算作无效参与。 5.最终解释权归MindSpore团队所有。 --- https://www.mindspore.cn/activities/zh/741/ --- 活动中心 昇思MindSpore社区又发布30个网络模型待复现啦！等你大显身手！ # 昇思MindSpore社区又发布30个网络模型待复现啦！等你大显身手！ 2021/09/30 # 昇思MindSpore社区又发布30个网络模型待复现啦！等你大显身手！ MindSpore为推动人工智能软硬件生态繁荣发展，现在面向广大开发者发起开源社区模型征集活动。 **本次活动是将给定的若干网络模型用MindSpore框架复现，精度达标的作品即可获得丰富大奖。** 英雄不问出处，本次活动对参与者并无职业，学历，方向的限制。MindSpore社区诚邀各路开发者献言献策，为构建万物互联的智能世界尽一份力。 如何参与？？ 重要的事情说的三遍！！ 扫以下二维码进入活动页面查看报名方式~~ **注意：报名信息里写明的“模型名称”是新发布的30个模型里面的哦~~** **30\*\*\*\*个模型** 注意本次申请复现的模型接收的截止时间是10月31日！ 一起开启MindSpore复现之旅吧~ 扫描下方二维码加入MindSpore项目↓ MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 871543426 --- https://www.mindspore.cn/activities/zh/743/ --- 活动中心 同心共筑强国梦，国产框架我看行~ # 同心共筑强国梦，国产框架我看行~ 2021/09/30 # 同心共筑强国梦，国产框架我看行~ MindSpore恭祝各位国庆快乐！ 不知不觉MindSpore陪各位走过第二个国庆节啦，今年论坛特别推出了国庆活动，奖品丰富，获奖名额超多，让我们一起在小长假里面快乐起来！ **奖品预览** **活动一**：抽取72份（庆祝建国72周年） （三合一去削皮器+修甲套装+蒜泥神器+安睡眼罩） **活动二**：合入即送 （k歌宝+冲牙器+烘鞋器+户外帐篷） **活动三**：合入即送 **200元京东自选**！ **活动时间** 10月1日——10月17日 **参与方式** **活动一：** 1.访问MindSpore官网的资讯页面，点击订阅；输入自己的邮箱，勾选“同意”，确认订阅成功并截图（已经订阅的用户截图“重复订阅”提示即可）。 2.点击链接，跳转至金雪锋的主页：https://www.zhihu.com/people/jin-xue-feng 3.点击“+关注他”按钮关注金老师，如下图所示： 4.如下图所示，点击个人头像（图内1）——>再点击关注（图内2）——>点击我关注的人（图内3） 5.将当前页面截图，图片中包含的必须元素有：1)知乎ID； 2)关注列表中有金雪锋老师 例子： 6.最关键的一步来啦！将： 华为云ID（比如我是：琦玉）+知乎ID+**个人邮箱**+步骤**1**和**5**的截图， 直接在**本帖**下方盖楼回复！即可参与抽奖！ \*\*活动二：\*\*翻译任务，我们在Gitee上发布了10个翻译任务，您可以参考说明，完成后提交PR到指定位置！现在issue下评论认领 完成后将PR链接+个人邮箱+完成的issue链接，发布在论坛的“活动体验”主题分类。 **提交PR的流程和注意事项可以参考**：\*\*\*gitee上提交PR和issue的流程和注意事项\*\*\* 本次PR审核人选择：yingchen \*\*活动三：\*\*访问官网API映射页面，参考已存在的“差异对比”， 提交PyTorch(或TensorFlow)与MindSpore的差异对比说明文档，到gitee的指定位置， 合入时记得添加信息到gitee下的列表文档哦！（pytorch\_api\_mapping.md和tensorflow\_api\_mapping.md） 同时将PR链接+个人邮箱，发布在论坛的“活动体验”主题分类。 **注意事项** 1.请时刻关注自己的PR评论，及时做出修改。 2.请勿刷帖，刷帖一律删帖并做无效参与处理。 3.请勿盗取他人截图或内容，一经发现做无效参与处理。 4.活动二，三参与成功与否，以正式合入为准。 5.最终解释权归MindSpore团队所有。 --- https://www.mindspore.cn/activities/zh/750/ --- 活动中心 昇思MindSpore开源开发者体验Workshop即将开启！ # 昇思MindSpore开源开发者体验Workshop即将开启！ 2021/10/12 # 昇思MindSpore开源开发者体验Workshop即将开启！ 各位MindSpore的小伙伴们，在日常的社区开发贡献中，是否遇到过困难呢？提交的问题是否能快速响应？是否想寻找和你志同道合的伙伴一起参与？ 如果你也有这些问题，那就来参加我们的开发者体验Workshop吧。**本次Workshop由MindSpore开发者体验SIG组发起，汇集国内9所高校教授和学者，共同围绕如何降低参与门槛、提升社区开发体验这一话题和广大MindSpore开发者共同交流学习。** 通过这次Workshop，您将体验到： **• 如何利用AI机器人找到ISSUE问题的参与者与答复者，帮你快速解决问题 • 如何通过神经网络寻找代码缺陷并进行问题分配 • 如何通过图注意力网络寻找代码协作者 • 如何通过知识图谱搜索社区开发资源** 除了课程交流以外，我们还会准备一些有趣的课后习题，通过动手参与亲身体验和一众小伙伴一起贡献的乐趣，另外还有小奖品等着你哦。 **活动时间** 2021年10月16日-10月17日 **活动地点** bilibili直播（可搜索【MindSpore官方】） 或扫描下方二维码观看 扫描下方二维码加入MindSpore项目↓ MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 871543426 --- https://www.mindspore.cn/activities/zh/757/ --- 活动中心 问卷调个查，方便你我他 # 问卷调个查，方便你我他 2021/10/20 # 问卷调个查，方便你我他 为了更好地服务广大MindSpore用户，在不打扰大家的同时还能为大家普及MindSpore社区各种新动态（动态订阅：https://www.mindspore.cn/news），现在在自愿并且根据自身实际情况的前提下，麻烦大家动动可爱的小手指做个问卷调查呀！ 以下便是本次问卷调查的链接：https://wj.qq.com/s2/9180414/18be/ 小Mi保证此次问卷调查全程匿名模式，绝不会泄露任何有关信息，感谢大家的信任！当然啦，有什么特别好的建议请尽情填写，我们后期也会根据情况作出一定的修正~ 哦，问卷调查都有了，奖品怎么会少呢！最终我们将会从参加本次问卷调查的小伙伴中抽取30位，随机赠送由MindSpore社区提供的花样纪念品一份哦相信之前参加小Mi活动的同志们已经收到了结实耐用的晴雨伞和精美帆布袋啦 PS:活动截止日期为本月底，也就是10月31号，绝好机会不容错过呀！ --- https://www.mindspore.cn/activities/zh/759/ --- 活动中心 就在今晚｜「基于昇思MindSpore AI框架实现零售商品识别」的赛题解读直播开始啦！ # 就在今晚｜「基于昇思MindSpore AI框架实现零售商品识别」的赛题解读直播开始啦！ 2021/10/21 # 就在今晚｜「基于昇思MindSpore AI框架实现零售商品识别」的赛题解读直播开始啦！ **大赛简介** 第九届CCF大数据与计算智能大赛（简称2021 CCF BDCI大赛）已经正式启动一个多月啦！截至目前，六大赛道的25道赛题已累计吸引11468人报名参赛、成功组建团队9532支、完成作品提交20751次。 **就在今晚，华为****MindSpore研发工程师****尖尖，****为大家分享「基于MindSpore AI框架实现零售商品识别」的赛题****解读**~ **赛题简介** **赛题名：基于MindSpore AI框架实现零售商品识别** **赛题链接：https://www.datafountain.cn/competitions/528** \*\*赛题任务：\*\*本赛题中，参赛团队将设计算法对零售商品进行识别和分类，选手需要通过分析训练集中标注数据的特点，构建AI模型，对测试集中测试数据进行识别和分类。参赛者在规定时间内须使用MindSpore AI计算框架进行模型的设计、训练和预测，不得使用任何其他框架参赛。 **奖金奖项：** **直播详情** 今晚（10月21日）**19:00-21:00**，可以在B站搜索并关注**MindSpore**官方账号，观看直播间，也可以复制此链接快速进入直播间：**http://live.bilibili.com/22127570** **活动时间** 2021年10月21日 19:00-21:00 **活动地点** bilibili直播，搜索【MindSpore官方】 直播间：**http://live.bilibili.com/22127570** **扫码添加小助手** **备注CCF，进入【大赛交流群】** 扫描下方二维码加入MindSpore项目↓ MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 871543426 --- https://www.mindspore.cn/activities/zh/776/ --- 活动中心 体验内容更新，MindSpore轻松掌握 # 体验内容更新，MindSpore轻松掌握 2021/11/05 # 体验内容更新，MindSpore轻松掌握 啦啦啦啦，十一月的活动又来啦，先打一声招呼（虽然很多同学已经咨询过啦），国庆奖品正在购买中，请大家耐心等待哦，双十一期间可能发货量大，同时奖品数量多，时间上有延迟，请见谅。。。。 ### **奖品预览** 餐盘套装，桌面收纳盒，体重秤，智能插座 ### 活动时间 11月1日——11月14日 ### 活动方式 写在前面：本次的活动是体验活动哦，请大家认真体验，从之前的多个活动开始，咱们增加了审核的力度并提高了要求，希望大家认真对待，该发的奖品咱们都会给的！但同时希望大家珍惜论坛给各位争取到的福利，为论坛贡献力量，论坛也能更好的为大家服务！ 官网编程指南、贡献指南、API映射都上新啦，大家快去体验一下，并分别给出体验感受和意见建议，发布在论坛的“活动体验”主题分类。 编程指南：https://www.mindspore.cn/docs/programming\_guide/zh-CN/r1.5/index.html 贡献指南：https://www.mindspore.cn/community API映射：https://www.mindspore.cn/docs/migration\_guide/zh-CN/r1.5/api\_mapping.html 要求：认真体验，认真分享（本次为大家从30人争取到了50人的名额！！！） 补充：近期还会有翻译等任务发布，到时候给大家链接！ ### 注意事项 1. 请勿刷帖，刷帖一律删帖并做无效参与处理。 2. 必须保证原创，抄袭按无效参与处理。 3. 请勿盗取他人截图或内容，一经发现做无效参与处理。 4. 体验抽取50人。 5. 最终解释权归MindSpore团队所有。 --- https://www.mindspore.cn/activities/zh/794/ --- 活动中心 MSG企业行·成都 | 解锁传统产业在数字化、智能化转型升级中的痛点，寻找新出路 # MSG企业行·成都 | 解锁传统产业在数字化、智能化转型升级中的痛点，寻找新出路 2021/11/19 # MSG企业行·成都 | 解锁传统产业在数字化、智能化转型升级中的痛点，寻找新出路 AI是当下的一个热门话题。在互联网产业红利逐渐消退的当下，AI被看作是重新激活数字经济潜能的“金钥匙”，AI产业的主导权也成为全球主要国家争夺的焦点。然而AI产业的前景非常广阔，但众多AI初创企业却难摆脱缺少应用场景和成熟商业模式的困境。 其本质存在企业还难以将AI技术与人们的需求很好结合，缺乏与教育、医疗、金融等产业的深度融合，无法解决传统产业在数字化、智能化转型升级中的痛点。只有AI体现出技术价值，增强用户的感知后，其才会真正赢得市场的认可。 **扫码报名活动** **成都** **MSG企业行·成都** **11月27日（下周六），昇思MindSpore将携手成都昇腾人工智能生态创新中心，举行****MSG企业行·成****都\*\*\*\*的AI行业线上交流会。如果你对传统产业在数字化、智能化转型升级，亦或是对科技领域创业等有浓厚兴趣的朋友，欢迎你来与我们一同交流与探索AI技术产品搭建与场景落地的可能性。** **成都** **邀请嘉宾** **我们邀请了以下嘉宾一起深入交流：** - **拓尔思第三研发中心总经理\*\*\*\*王洪俊** - **新东方AI高级专家** **马志国** - **OPPO高级数据挖掘工程师** **刘曙铭** - **沃丰科技资深算法专家** **吕向楠** - **爱奇艺资深算法工程师** **张峰** - **萨摩耶云资深算法工程师** **朱晓海** - **墨迹风云高级算法专家** **郭师光** **成都** **活动详情** **活动时间：** **11月27日（周六）13：30~18：00** **活动方式：** **本次活动采用腾讯会议与B站直播同步进行（****扫描下方二维码报名****）** **次日收到审核邮件回复即可参与腾讯会议**\*\*，与AI企业专家近距离交流\*\* **成都** **活动奖励** **本次活动还给大家准备了丰厚的奖品** **通过审核进入腾讯会议的嘉宾 价值100元伴手礼** **活动期间交流群抽奖活动 价值400元礼品** **会后问卷抽奖活动 价值1000元礼品** **名额有限，还在等什么赶紧报名吧** http://mindspore.mikecrm.com/p9busLV 扫描下方二维码加入MindSpore项目↓ MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/activities/zh/799/ --- 活动中心 感恩节 | 公主号年终答谢，MindCon极客周预热大幕拉起！ # 感恩节 | 公主号年终答谢，MindCon极客周预热大幕拉起！ 2021/11/24 # 感恩节 | 公主号年终答谢，MindCon极客周预热大幕拉起！ **今年MindSpore拥有了新的中文名字：昇思，同时带来了3个新版本与大家见面**，通过开展TinyMS和两日集训营课程，以及多场活动与更多全国各地发者相识，感谢大家一路相伴与支持！ 明天就是感恩节了，**昇思MindSpore公众号的编辑部为全体小孢子准备了专属的感恩节福利**，只要点击以下图片就能跳转抽奖哦~ **（关注公众号或者邀请好友助力可以提高中奖率哦！）** **（请在微信里打开进行抽奖：**https://mp.weixin.qq.com/s/iX4Lp8z35ImpLXksiG8R1Q**）** 欢迎更多的小伙伴加入我们成为优秀的开发者，一起在社区发光发热吧。 抽完奖的朋友，桥豆麻袋！除了福利，我们还为大家准备一系列精彩纷呈的社区活动！ ****第一弹预告—**** ****MindCon第三届来啦！**** **第三届【MindCon极客周-SIG】将于12月1日上线哦**，MindSpore多个SIG上线营业，带你体验真实的开源！参与真实的SIG运作，为MindSpore最新技术发展贡献自己的一份力！还有跑模型，解Bugfix等社区狂欢等你来战！ 本届MindCon还会带来5位可爱的新朋友与大家首次见面，可以在狂欢中找到他们的身影。 **没有参加过前两届【MindCon极客周】的小伙伴们，让本孢子来为你介绍一下：** **MindCon极客周是由华为昇思MindSpore每半年举办一次的极客狂欢活动，旨在引领兴趣者们走入AI探索的世界。** 今年夏季，大家在浓厚的挑战氛围中参与了我们的第二届【MindCon极客周-City】活动，本孢子见证了各位畅游代码宇宙，一路打怪升级的过程，无论是面对“野区”小bug还是独据一方的大bug，大家都能游刃有余地解决，“手起码落”，十分畅快！ 还等什么，快点来战吧！ **往期回顾** MindCon | 第二届极客周狂欢活动：找茬也能赢大奖！ MindCon | 当『赛博朋克』遇到『AI极客』会发生什么？ MindCon极客周 · 点亮城市接力活动正式启动！期待您的加入！ **【扫码加群交流】** 扫描下方二维码 加入交流群了解更多活动详情吧！ 扫描下方二维码加入MindSpore项目↓ MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/activities/zh/801/ --- 活动中心 获奖名单公布 | 昇思MindSpore开发者调试调优WorkShop高能干货回顾！ # 获奖名单公布 | 昇思MindSpore开发者调试调优WorkShop高能干货回顾！ 2021/11/26 # 获奖名单公布 | 昇思MindSpore开发者调试调优WorkShop高能干货回顾！ **1** **内容回顾** 2021年11月20日晚，我们举办了昇思MindSpore开发者调试调优线上WorkShop，昇思MindSpore团队的3位专家和浙江工业大学的4位优秀开发者通过腾讯会议和B站直播给近千位线上的小孢子们带来了满满的干货分享。 会议开始，来自MindSpore团队的前端专家Zherui给大家介绍了**MindSpore前端接口使用过程中的常见问题和解决途径**，给各位小孢子们提供了更加开阔的求助视野和求解思路；接着MindSpore后端专家Zhaoju和Mingqi由浅入深地介绍了**MindSpore图编译的过程原理以及后端代码报错的高效定位方法**，大家直呼干货！在会议后半段，来自浙江工业大学的裘坤锋、庞宇超等4位同学向大家分享了**模型性能调优的案例和数据算子开发的经验**。他们的详细分享和优秀的开发成果不仅让各位开发者学到了很多调试开发技巧，还增长了大家用好MindSpore的信心。我们也希望以后有越来越多的优秀开发者主动报名分享自己使用MindSpore的经验，和大家一起交流提升！ **2** **会议分享资料获取** 应各位开发者的请求和分享者的同意，我们把这次会议的相关干货分享给大家： **1、会议回放：** **https://www.bilibili.com/video/BV1CM4y1P7iQ?spm\\\_id\\\_from=333.999.0.0** **2、《RetinaFace\_ResNet50模型性能调优》技术帖：** **https://bbs.huaweicloud.com/forum/forum.php?mod=viewthread&tid=154070&ordertype=2&page=1** **3、《MindSpore数据处理算子开发》材料：** **关注MindSpore微信公众号并后台回复“数据处理”获取课程材料** **3** **获奖名单** 为了鼓励和感谢各位小孢子们的互动参与和反馈问卷填写，我们给以下朋友们准备了MindSpore专属纪念品，请获奖朋友发送账号昵称截图+收获地址和联系方式给MindSpore公众号，我们会把奖品邮寄到您的手中。 **4** **致谢&分享邀请** 再次感谢浙江工业大学网络空间安全研究院IVSN团队的**裘坤锋**同学以及浙江工业大学智能计算研究所的**庞宇超**、**张炼**、**高良煜**等三位同学的精彩分享！通过会议后的问卷收集，我们得知开发者们希望在下一次分享会上讨论以下内容： 1、将TensorFlow或者PyTorch框架下的模型迁移复现到MindSpore框架的案例； 2、MindSpore代码解读； 3，MindSpore底层的优化策略； 4、以性能提升为目标的网络模型参数处理，包括剪枝量化等压缩技术的应用； 5、分布式、多卡的训练技巧。 如果您有上述相关的开发经验，欢迎私信MindSpore公众号报名分享，我们有好礼相赠哦！ **欢迎投稿** **欢迎大家踊跃投稿，有想投稿技术干货、项目经验等分享的同学，可以添加MindSpore官方小助手：小猫子（****mindspore0328****）的微信，告诉猫哥哦！** **昇思MindSpore官方交流QQ群 :** **486831414**\*\*（****群里有很多技术大咖助力答疑！****）\*\* **官方QQ群号 : 486831414** **微信小助手：mindspore0328** 扫描下方二维码加入MindSpore项目↓ MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/activities/zh/805/ --- 活动中心 MindCon极客周 | 第三届全新席卷而来，SIG英雄帖，做硬核玩家，夺万元大奖！ # MindCon极客周 | 第三届全新席卷而来，SIG英雄帖，做硬核玩家，夺万元大奖！ 2021/11/29 # MindCon极客周 | 第三届全新席卷而来，SIG英雄帖，做硬核玩家，夺万元大奖！ **MindCon极客周是华为昇思MindSpore每半年举办一次的开发者狂欢盛会，修复社区Bugfix，贡献开源社区，更有各领域大咖分享前沿技术，旨在引领兴趣者们走入AI探索的世界。** 在大家的浓厚挑战氛围中，MindCon已经举办了两届啦！以城市为据点，进行了火热的城市接力比拼赛，多位城市组织者带领近一万多位开发者参与到活动中来，与我们一同共创繁荣的开源社区。 第三届MindCon极客周也如期而至，不同于往届的团队赛，本届将以**个人挑战赛**的形式全新席卷而来！向你发出**SIG英雄帖**，来完成英雄挑战吧！**12月1日~18日**，我们将带你深入昇思MindSpore开源社区，体验最真实的**SIG运作、提ISSUE、跑模型、分享技术文章**，不管你是开源小白还是开源大神，都可以参与到狂欢中来，真切的感受开源的魅力！ **本次挑战赛将分为两个赛区：** **一、社区贡献赛区，集积分赢MindCon盲盒（定制玩偶摆件/定制卫衣）！** **二、硬核玩家赛区，展示个人心得分享，** **夺万元大奖**\*\*！\*\* **扫描下方二维码即可报名！** **小tips：各赛区活动介绍与详细积分，12月1日将在QQ交流群中公开！** **还等什么！下面跟随小编的脚步，一战到底！** \*\*一、\*\***社区贡献赛区** 本赛区一共**4个关卡**，到每个关卡打卡即可获得相应的积分，积累积分赢MindCon盲盒。 **1\. 新手村，体验SIG运作** 不知道什么是开源社区？不知道如何加入开源社区？不知道怎么参与开源活动？MindSpore多个SIG组上线营业告诉你！**前往B站【MindSpore官方】即可参与SIG日常会议打卡。** **2\. 三人行必有我师——提ISSUE** 参加了SIG会议，是不是遇到了许多困难？或者是发现了社区的一些小问题无法独立解决了？那就要提出来，**在MindSpore社区Gitee/GitHub上将你的疑惑和问题提ISSUE**，与社区的工程师和小伙伴们一起探讨解决吧！ **3\. 群雄会，Coding狂欢** 参与开源活动，Coding可是重头戏，本关卡为大家准备了**ModelZoo模型题、SIG组限定题、MindSpore高阶套件TinyMS模型开发三个赛道**，跟小伙伴在这里一决高下吧！ **4\. 藏书阁——心得输出** 只有学习，没有反思和记录，知识会非常容易遗忘，把这段时间的学习输出相关的**技术文章，发表在知乎、CSDN、开源中国**，记录学习的心得！ **二**\*\*、\*\***硬核玩家赛区** 参与了社区活动和贡献，相信大家对开源社区和昇思MindSpore有了更深刻的了解，那就把你对开源和MindSpore的理解介绍给更多的人认识吧！拥有足够积分的战士，**12月17日MindSpore B站直播畅所欲言，分享你的解读，即可参与争夺万元大奖！** **扫描下方二维码即可报名！** **小tips：各赛区活动介绍与详细积分，12月1日将在QQ交流群中公开** **小预告：QQ群还有SIG科普知识问答抽奖，华为平板、智慧屏、扫地机器人送送送~** 开源社区的精彩远不止这些， 等你来发现更多美好 现在让我们一起出发吧！ 扫描下方二维码加入MindSpore项目↓ MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/activities/zh/806/ --- 活动中心 活动征集 | 昇思MindSpore开源社区成长计划，学技术领任务赢大奖！ # 活动征集 | 昇思MindSpore开源社区成长计划，学技术领任务赢大奖！ 2021/11/29 # 活动征集 | 昇思MindSpore开源社区成长计划，学技术领任务赢大奖！ 昇思MindSpore 是华为推出的全场景 AI 计算框架，具备统一的模型训练、推理和导出等接口，支持端、边、云等不同场景下的灵活部署。**“昇思MindSpore开源社区成长计划”活动重磅上线！MindSpore 学习过程+MindSpore 开源实践，学练结合，快速提升个人技能，参与开源社区做贡献！** 完成 昇思MindSpore 课程，再认领昇思MindSpore 开源社区任务，从最简单的文档资料、语法规范，到一定难度的算子开发、应用案例都有涉及，一步一步引导开发者进入深度学习领域，迅速扩展和锻炼技术图谱，参与开源社区做贡献！ **01** **活动攻略介绍** 点击观看下方视频介绍，快速get活动攻略！ https://www.bilibili.com/video/BV1eb4y1y7qi?spm\\\_id\\\_from=333.999.0.0 本次活动既适合没有经验想要参与开源的新手，也适合有一定经验的开源老将。直接查看、领取任务就可开始，无需报名！ **02** **任务发布地址** 任务发布地址：MindSpore官方Gitee开源社区 https://gitee.com/mindspore/community/issues/I4BD5F 通过我们的活动，熟悉参与开源的流程并积累实践经验，可挑战解决社区内其他待解决问题~甚至作为外部开发者与内部成员一起共建和优化MindSpore! 来吧，一起干一票大的吧~ **欢迎投稿** **欢迎大家踊跃投稿，有想投稿技术干货、项目经验等分享的同学，可以添加MindSpore官方小助手：小猫子（****mindspore0328****）的微信，告诉猫哥哦！** **昇思MindSpore官方交流QQ群 :** **486831414**\*\*（****群里有很多技术大咖助力答疑！****）\*\* **官方QQ群号 : 486831414** **微信小助手：mindspore0328** 扫描下方二维码加入MindSpore项目↓ MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/activities/zh/824/ --- 活动中心 搞个大事进来瞧瞧，外星人电脑，EDG同款电竞椅等你来薅！！！ # 搞个大事进来瞧瞧，外星人电脑，EDG同款电竞椅等你来薅！！！ 2021/12/07 # 搞个大事进来瞧瞧，外星人电脑，EDG同款电竞椅等你来薅！！！ 听说，今晚要搞大事情？ 今天就是我们的第四次约会啦，前三次的畅聊让本猫熟识了好几位友友，评论区互动满满，就差网友现实面基喽，为了表示对小孢子们的感谢，今晚我可是做了充足准备，特意邀请了几位大咖嘉宾助力团，为我们今晚的约会升温，依然是19：00，准时去往我们第四站约会地，我会在\*\*B站【MindSpore官方】\*\*开播，还有官方定制精美礼品掉落~ 还没有参加第三届MindCon极客周的小孢子们，点击链接：https://gitee.com/mindspore/community/issues/I4KKA0?from=project-issue即可跳转活动页面！ **外星人电脑，EDG同款电竞椅** **等你来拿！** （扫描下方二维码即可**报名并获取代金券**） 老规矩约会前，先帮你回顾下上次内容哦~ **第三站回顾** 12月5日的直播中我们邀请了MindSpore工程师-**Liguang**老师，为大家介绍了**FrontEnd** **SIG**，以及**题目讲解\*\*\*\*《PrimitiveWithCheck Check function 迁移》**。 - 前三站回看链接： - https://www.bilibili.com/video/BV1kU4y1T7PH?spm\_id\_from=333.999.0.0 **第四站预告** 那今晚我的大咖助力团们，将带领大家了解**Developer eXperience** \*\*SIG，\*\*DX-SIG组是一个为开发者服务的群体，这其中有长期从事于开源社区生态研究的学者，也有来自Linux基金会顶级项目的专家，也有参与MindSpore社区的资深开发者，虽然我们来自五湖四海，背景与经历各异，但相同的是我们都带着服务开发者的热情，为解决社区开发者的诉求而聚到一起并为之努力。 **小剧透：** 1. 《Dedeveloper eXperience SIG组介绍》 **— 齐国强、李自** 2. 《社区issue开发者情况度量进展》 **— 赵博宣** 3. 《基于熵权法的社区贡献者排名》 **— 夏文宗、齐国强** 4. 《使用关键词推荐issuede的comp类标签进展》 **— 曹杰** - 如果你还不了解第三届MindCon极客周的活动内容，请戳下方链接即可查看活动详情！ https://gitee.com/mindspore/community/issues/I4KKA0?from=project-issue - 如果你还不了解SIG是什么请戳下方链接查看： https://mp.weixin.qq.com/s/wJshc3W\_Ho6jkspbX6NF5Q 以上是今晚约会内容一个小小的预告，那么今晚19：00，让我们在**Developer eXperience** **SIG****约会吧！一起体验SIG的魅力！**今晚直播间互动还有**官方定制陶瓷杯赠****送哦**，不要错过啦！ 还没参加MindCon的友友们，赶快扫码二维码参与活动，通关全部关卡还有**外星人电脑，EDG同款电竞椅\*\*\*\*等你来拿！** （扫描下方二维码即可**报名并获取代金券**） 扫描下方二维码加入MindSpore项目↓ MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/activities/zh/825/ --- 活动中心 日程新鲜出炉！限量KuebCon赠票开抢！Kubernetes on AI & Edge Day线下活动邀您深圳相聚 # 日程新鲜出炉！限量KuebCon赠票开抢！Kubernetes on AI & Edge Day线下活动邀您深圳相聚 2021/12/07 # 日程新鲜出炉！限量KuebCon赠票开抢！Kubernetes on AI & Edge Day线下活动邀您深圳相聚 12月11日-12日，由Linux基金会、LF AI&DATA、LF Edge、CNCF、LFN等开源社区联合举办的Kubernetes on AI & Edge Day将在深圳举办线下交流活动，诚邀各界开源与开发者人士参会交流。 **目前，为期两天的线下活动日程已经更新，议题涵盖**\*\***云原生、****AI、边缘计算、意图网络、5G基础设施\*\*\*\*\*\*\*\*等行业热点。同时****Linux基金会亚太区为了回馈社区同仁的长期支持，特别策划了**\*\***限量赠票******活动，赶快报名加入我们吧！**** （下图扫码报名速抢价值55＄的KubeCon+CloudNativeCon+Open Source Summit2021标准门票） Kubernetes on AI & Edge Day 倒计时8天 下滑查看议题详情 **活动详情>>** **时间** **2021年12月11日-12日（两天）** 12月11日-Kebernetes on AI Day 12月12日-Kubernetes on Edge Day **地点** 深圳市南山区南山智园崇文园区西丽湖国际人才服务中心T3栋3楼T2会议厅 **Kubernetes on AI Day** 13:00-14:00 **签到、参与寻找Kube仔游戏** 14:00-14:10 **LF AI & DATA基金会主席致辞** 14:10-14:20 **《CNCF亚太区首席战略官致辞》** **Keith Chan**\-CNCF亚太区首席战略官 14:20-14:40 **《尖峰对话：数字时代云原生与AI开源社区的角色和未来》** 14:40-15:00 **《当量子计算遇上人工智能》** **陈健明**\-国开启科量子技术（北京）有限公司首席算法工程师 15:00-15:20 **《AI Workloads on Kubernetes》** 15:20-15:40 **《Caelus-基于 Kubernetes 的全场景在离线混部》** **陈东东 & 陈凌鹏** -腾讯高级工程师 15:40-16:10 **《ONNX + Live Q&A》** 16:10-16:30 **茶歇** 16:30-16:50 **《基于 Kubernetes 的AI平台资源高效调度方案》** \*\*张乘铭-\*\*中兴通讯AI高级算法工程师 16:50-17:10 **《ChubaoFS》** 17:10-17:30 **《Horovod》** 17:30-18:00 **《KubeCon论道 - AI + 云原生的机遇与挑战》** 18:00-21:00 **晚宴+Party Time** **Kubernetes on Edge Day** 08:00-09:30 **参会人员现场集合签到** 09:30-09:45 **《开场致辞：产业对话》** **任旭东**\-华为首席开源联络官、Linux基金会网络和边缘开源董事会成员 **Keith Chan**\-CNCF亚太区首席战略官 **杨轩**\-LF亚太区总监 09:45-10:00 **《协同共进：CNCF与开放网络和边缘计算》** \*\***Keith Chan**\-\*\*CNCF亚太区首席战略官 10:00-10:25 **《从XGVela项目及网络云云原生研究中获得的经验》** **赵奇慧**\-中国移动研究院项目经理 10:25-10:50 **《Kubernetes性能优化实践分享》** **梁胜展**\-华为电信云开源软件专家 10:50-11:10 **茶歇** 11:10-11:35 **《ONAP意图驱动网络闭环自治》** **王栋**\-中国电信研究院研发工程师 11:35-12:00 **《意图网络管理研究》** **何克光**\-中国移动研究院软件架构师 12:00-12:25 **《EdgeXFoundry与基于Kubernetes的、中立的云边协同探索》** **路广**\-VMware中国研发总监 12:25-13:30 **午餐** 13:30-13:40 **开场致辞** **任旭东**\-华为首席开源联络官、Linux基金会网络和边缘开源董事会成员 13:40-14:05 **《5G时代的边缘智能与云边协同》** **王晓飞**\-PPIO边缘云首席科学家、天津大学计算机科学与技术学院教授、博士生导师 14:05-14:30 **《EdgeGallery新版本特性以及与eKuiper深度联合提供边缘数据流处理服务》** **黄济泳**\-EMQ资深软件工程师 **于洋**\-华为边缘计算资深技术专家、EdgeGallery TSC主席、DPDK社区董事 14:30-14:55 **《5G MEC基础设施共建共享关键技术分析》** ****陈杲****\-中国联通研究院未来网络研究中心高级工程师 14:55-15:15 **茶歇** 15:15-15:40 \*\* 《**基于KubeEdge的云原生边缘计算架构设计与实践》** \*\* **许世威**\-KubeEdge社区核心开发者 15:40-16:05 **《网络质量仿真在网络自动化中的应用》** **黄卓垚**\- ZTE资深网管软件工程师 16:05-16:30 **《5G边缘计算和云原生融合实践》** **谢瑞涛**\-新华三技术有限公司系统架构师 16:30-16:55 **《Tungsten Fabric在边缘计算场景中的应用》** **范桂飓**\-Juniper Network中国区创新事业部资深架构师 16:55-17:30 \*\* Panel: Voice From Edge Users \*\* (注：最终议程以大会现场为准) **场外亮点：** LF版互动实景微跑团杀游戏之《寻找“Kube仔”》，即将在12.11-12日的活动上线，欢迎大家参与！ 回馈开源社区门票计划 为了感谢大家过去一年对Linux基金会亚太区的支持，也为了感谢大家能够在百忙之中参与我们的活动，我们为伙伴们准备了价值55＄（￥350元），KubeCon+CloudNativeCon+Open Source Summit2021标准门票 100 张。报名成功后你将收到短信获取“注册码”，通过“注册码”免费在大会官网注册参会, 而且大家**可以参与大会所有议程**！限量100先到先得！快报名参会吧！（报名链接：https://www.huodongxing.com/event/1623627843000） 关于**KubeCon** + **CloudNativeCon** + **Open Source Summit 2021** **KubeCon** + **CloudNativeCon** + **Open Source Summit 2021** 是中国开源社区的年度盛会，是全球开发人员、IT 专 业人士以及中国最活跃的开源和云原生社区最期待的巅峰交流活动。由于受到全球疫情影响，大规模聚集活动依然不适宜举办，因此今年的大会依然是采用线上形式进行。但是，我们知道在Kubernetes、AI和Edge领域，面对面的交流和分享才是最好技术交流方式，为了满足大家的面对面交流的需求，我们同时在深圳组织了一场线下交流活动。 **Kubernetes** 正在成为人工智能和机器学习的通用基础设施， 同时Kubernetes和人工智能、机器学习的融合也正在成为一大趋势。越来越多企业正在将Kubernetes作为其主要工作平台， 而人工智能和机器学习正是其中是一个最重要的工作负载， 因为Kubernetes绝佳的满足了这些复杂的工作负载所需要 的“性能和资源优化”、“ 高可靠性和容错性”、“ 高扩展性”三个基本要素；另外，以容器为核心的云原生技术经过近年的快速发展，各企业在云原生方面的投资在逐步增长，数字化转型的云原生时代已经来临。 **AI** Kubernetes 正在成为 AI 的通用基础，它允许工作负载在云中或在其自己的数据中心中运行，并且可以轻松扩展。加入我们的 Kubernetes AI Day，深入研究使用 Kubernetes 大规模部署 AI。 **Edge** 边缘计算在5G网络的赋能及衍生需求下高速发展，助力千行百业实现数字化转型，各企业正在多领域实现应用场景探索。边缘计算、开源网络相关开源项目实践也成为当下聚焦热点。探讨云原生、Edge AI、边缘计算如何进一步与企业业务结合和发展，成为重要议题。 扫描下方二维码加入MindSpore项目↓ MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/activities/zh/847/ --- 活动中心 直播不停，精彩不停，就在今晚19：00，收官SIG，集齐最后一张碎片，召唤官方定制盲盒啦！ # 直播不停，精彩不停，就在今晚19：00，收官SIG，集齐最后一张碎片，召唤官方定制盲盒啦！ 2021/12/15 # 直播不停，精彩不停，就在今晚19：00，收官SIG，集齐最后一张碎片，召唤官方定制盲盒啦！ 不知不觉已经和各位友友相识半个月了，今晚就是社区贡献赛区的第一站：新手村，体验SIG会议的收官SIG会议了，全程参与打卡的小伙伴，不要错过**今晚19：00算子组的**打卡，赢得最后一张盲盒碎片，半个月的直播中，本猫充分感受到了大家满满的热情，所以SIG会议结束，但是直播不结束哦，12月17日-12月30日，B站【MindSpore官方】依然有精彩课程开播，打卡也依然有官方定制精美礼品全程掉落直播间，还有热情风骚的猫哥，呆萌的小桃子，可盐可甜的小叮当和可动可静的猫宁，我们不见不散哦！ 今晚凡进入直播间的友友，都能参与**直播打卡，直播抽奖，更有官方独家定制鼠标垫送送送**，通关全部活动关卡还有**外星人电脑，EDG同款电竞椅\*\*\*\*等你来拿！** 第三届MindCon极客周活动的列车还在等你哦， 要上车的友友，点击链接即可参加活动：https://gitee.com/mindspore/community/issues/I4KKA0?from=project-issue！ （扫描下方二维码即可**报名并获取代金券**） **第七站回顾** 12月13日的直播中老师带大家了解了****MSLITE**** ****SIG。**** **MindSpore Lite**是一个极速、极智、极简的AI引擎，包括高能算子库、模型转换、图优化、模型小型化、端侧训练、联邦学习、Micro等，使能全场景智能应用，为用户提供端到端的解决方案，帮助用户使能AI能力。 - 前七站回看链接： https://www.bilibili.com/video/BV1kU4y1T7PH?spm\\\_id\\\_from=333.999.0.0 **收官SIG预告** 今晚我们的大咖讲师们将带领大家了解**算子组** **小剧透：** 1. MindSpore的gitee开发流程、Git操作、代码上库操作 讲师：**Liangchenghui** 2. CPU算子开发原理 讲师：**Yanzhenxiang** 3. 算子api说明优化的题目及api说明的编写规范 讲师：**Yanzhenxiang** 4. CPU算子题目 讲师：**Yanzhenxiang** - 如果你还不了解第三届MindCon极客周的活动内容，请戳下方链接或点击最下方\*\*【阅读原文】\*\*即可查看活动详情！ https://gitee.com/mindspore/community/issues/I4KKA0?from=project-issue - 如果你还不了解SIG是什么请戳下方链接查看： https://mp.weixin.qq.com/s/wJshc3W\\\_Ho6jkspbX6NF5Q 以上是今晚直播一个小小的预告，那么今晚19：00，让我们在**算子组****相****见\*\*\*\*吧！一起体验SIG的魅力！**今晚直播间互动还有**官方定制鼠标垫**，不要错过啦！ 还没参加MindCon的友友们，赶快扫码二维码参与活动，通关全部关卡还有**外星人电脑，EDG同款电竞椅\*\*\*\*等你来拿！** （扫描下方二维码即可**报名并获取代金券**） 感谢openLooKeng独家赞助直播礼品！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/activities/zh/851/ --- 活动中心 大赛报名 | 量子计算论文复现大赛正式开启，复现成功赢大奖！ # 大赛报名 | 量子计算论文复现大赛正式开启，复现成功赢大奖！ 2021/12/16 # 大赛报名 | 量子计算论文复现大赛正式开启，复现成功赢大奖！ **01** **大赛简介** 昇思MindSpore社区联合ModelArts和HiQ量子计算软件团队，面向全社会举办的第一期量子计算论文复现大赛正式开启。本次大赛邀请量子计算领域专家和学者参与，基于AI开发平台ModelArts和开源量子计算框架MindQuantum复现论文。丰厚奖品等你来拿，快来报名参加吧！ ## 【**参赛对象**】 本次大赛面向对量子计算感兴趣，具备一定的量子化学、组合优化、量子机器学习等背景知识的人员，均可报名参加。 ## 【**参赛形式**】 参赛者以个人名义报名参加。 **02** **你将获得** 1\. **全方位**深入学习开源量子计算框架MindQuantum 2\. 体验**Jupyter Notebook在线编程**，无需下载任何软件，简单便捷的操作 3\. 优先获得在**华为云AI论文精读会**进行成果分享的机会 4\. 论文复现成功奖、分享奖、题目贡献奖等**多重奖项可叠加** 快喊上小伙伴一起报名参加比赛吧~ **03** **大赛海报** 请扫描下方小助手二维码，回复“**量子论文**”进入交流群。大赛重要节点通知会在群内第一时间告知，请所有报名选手务必加群。 更多技术资讯，请加入昇思MindSpore官方QQ群 : 486831414 ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/activities/zh/857/ --- 活动中心 前排看直播！全网最全MindArmour教程详解+AI云原生平台实操？就在今晚19：00！ # 前排看直播！全网最全MindArmour教程详解+AI云原生平台实操？就在今晚19：00！ 2021/12/17 # 前排看直播！全网最全MindArmour教程详解+AI云原生平台实操？就在今晚19：00！ 第三届MindCon极客周活动时间已过半，告诉大家一个好消息，昇思MindSpore的大家族又扩大了哦，短短半个月，我们就新加入了几百个小孢子，很多新来的的小孢子反馈，错过了月初的直播，非常遗憾，所以善解人意的猫哥决定，直播要加码，不能停，不能停，不能停！那么我们**12月17日-12月30日直播打卡活动依然继续哦**，直播内容升级？打卡礼品升级？听说还有全网最全MindArmour教程详解以及MindCon赛题答案详解？？？**第一趴就在今晚19：00哦**，快跟猫哥走！！！ 今晚进入直播间的新朋友和老朋友，都能参与**直播打卡，直播抽奖，更有官方独家定制音箱送送送**，通关全部活动关卡还有大奖**外星人电脑，EDG同款电竞椅\*\*\*\*等你来拿！** 第三届MindCon极客周活动的列车还在等你哦， 要上车的友友，**【点击链接】**即可！ （扫描下方二维码即可**报名并获取代金券**） **整体SIG会议回顾** - 全部回看链接： https://www.bilibili.com/video/BV1kU4y1T7PH?spm\\\_id\\\_from=333.999.0.0 **MindCon开发者说预告** **小剧透：** 1. MindArmour操作应用指南（样例解读；分区讲解；前景观察） 分享人：**陈可为** 2. AI云原生平台实践分享 分享人：**王峰** - 如果你还不了解第三届MindCon极客周的活动内容，请戳下方链接即可查看活动详情！ - https://gitee.com/mindspore/community/issues/I4KKA0?from=project-issue 以上是今晚直播一个小小的预告，那么今晚19：00，让我们在**MindCon开发者说****相****见\*\*\*\*吧！**今晚直播间互动还有**官方定制音箱**，不要错过啦！ 还没参加MindCon的友友们，赶快扫码二维码参与活动，通关全部关卡还有**外星人电脑，EDG同款电竞椅\*\*\*\*等你来拿！** （扫描下方二维码即可**报名并获取代金券**） ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/activities/zh/861/ --- 活动中心 今晚火力全开！昇思MindSpore零基础教程+MindCon赛题详解+开发者眼中的昇思，19：00准时开播！ # 今晚火力全开！昇思MindSpore零基础教程+MindCon赛题详解+开发者眼中的昇思，19：00准时开播！ 2021/12/20 # 今晚火力全开！昇思MindSpore零基础教程+MindCon赛题详解+开发者眼中的昇思，19：00准时开播！ 上次预告本猫说，直播内容升级可不是骗你的哦，今晚我们请到三位开发者为大家做精彩分享，**昇思Min****dSpore零基础****教程+MindCon赛题详解+开发者眼中的昇思**，今晚19：00火力全开，B站【MindSpore官方】不见不散！直播打卡还有百元精品书籍送送送！ 今晚进入直播间的新朋友和老朋友，都能参与**直播打卡，直播抽奖，更有百元精品书籍送送送**，通关全部活动关卡还有大奖**外星人电脑，EDG同款电竞椅\*\*\*\*等你来拿！** 第三届MindCon极客周活动的列车还在等你哦， 要上车的友友，点击链接：https://gitee.com/mindspore/community/issues/I4KKA0?from=project-issue！ （扫描下方二维码即可**报名并获取代金券**） **上期回顾** - MindArmour操作应用指南+AI云原生平台实践分享： https://www.bilibili.com/video/BV1kU4y1T7PH?spm\\\_id\\\_from=333.999.0.0 - 如果你还不了解第三届MindCon极客周的活动内容，请戳下方链接即可查看活动详情！ https://gitee.com/mindspore/community/issues/I4KKA0?from=project-issue 以上是今晚直播一个小小的预告，那么今晚19：00，让我们在**MindCon开发者说****相****见\*\*\*\*吧！**今晚直播间互动还有**百元精品书籍**，不要错过啦！ 还没参加MindCon的友友们，赶快扫码二维码参与活动，通关全部关卡还有**外星人电脑，EDG同款电竞椅\*\*\*\*等你来拿！** （扫描下方二维码即可**报名并获取代金券**） ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/activities/zh/866/ --- 活动中心 【问卷调查】和MindSpore一起走过2021 # 【问卷调查】和MindSpore一起走过2021 2021/12/21 # 【问卷调查】和MindSpore一起走过2021 MindSpore的新老朋友们大家好啊，不知不觉就12月啦，即将要与2021再见咯，感谢有你们的陪伴，也希望像今年一样，明年再一起进步~ 本次发起一个调查问卷，填写好后我们就开始抽奖啦，抽**30**个！ **奖品预览** 自动香薰机，三明治机，单人火锅，烘鞋器 **活动时间** **12月20日——12月31日（因其他活动原因，活动改期，但已经参与的仍计算在内）** **活动详情** 完成调查问卷: https://wj.qq.com/s2/9369229/ae33/ 请认真填写，无实质内容的参与无效。 **注意事项** 1\. 请勿刷奖品，后台能看到，发现按无效参与处理。 2\. 必须保证原创，抄袭按无效参与处理。 3\. 请勿盗取他人内容，一经发现做无效参与处理。 4\. 必须有实质性的内容。 5\. 最终解释权归MindSpore团队所有。 --- https://www.mindspore.cn/activities/zh/878/ --- 活动中心 原来大神是这样搞定复杂数据的？ # 原来大神是这样搞定复杂数据的？ 2021/12/23 # 原来大神是这样搞定复杂数据的？ **超高能直播预告** 大家是否也经常遇到这样的情况呢，训练模型时，训练数据非常大，每次加载数据就要浪费掉许多时间，但是加载数据又是训练模型的前提，那如何高效的加载数据提高调参效率呢？不要头疼，教程来喽！锁定**今晚19：00的B站【MindSpore官方】直播间**，将有满满收获，本次直播将围绕中国软件开源创新大赛的两道赛题与开发者在昇腾众智计划中的实现的SwinTransformner模型，**演示如何通过使用利用MindSpore实现高效的数据集加载方法、数据增强方法，自定义\*\*\*\*训练过程**，利用profile和mindinsight进行性能调优。通过以上方法，希望能让您基于MindSpore，更加高效的复现ViT及其衍生框架，更加高效的训练的ImageNet图像分类模型。 **第三届MindCon极客周活动** 第三届MindCon极客周活动还在继续，点击链接：https://gitee.com/mindspore/community/issues/I4KKA0?from=project-issue跳转活动页面查看活动详情！今晚进入直播间的新朋友和老朋友，都能参与**直播打卡，直播抽奖，更有百元精品书籍送送送**，通关全部活动关卡还有大奖**外星人电脑，EDG同款电竞椅\*\*\*\*等你来拿！** （扫描下方二维码即可**报名并获取代金券**） **上期回顾** - 昇思MindSpore零基础教程+MindCon赛题详解+开发者眼中的昇思 _https://www.bilibili.com/video/BV1kU4y1T7PH?spm\\\_id\\\_from=333.999.0.0_ 以上是今晚直播一个小小的预告，那么今晚19：00，让我们在**MindCon开发者说****相****见\*\*\*\*吧！**今晚直播间互动还有**百元精品书籍**，不要错过啦！ 还没参加MindCon的友友们，赶快扫码二维码参与活动，通关全部关卡还有**外星人电脑，EDG同款电竞椅\*\*\*\*等你来拿！** （扫描下方二维码即可**报名并获取代金券**） ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/activities/zh/888/ --- 活动中心 大咖空降直播间！百问百答名场面，不可错过！ # 大咖空降直播间！百问百答名场面，不可错过！ 2021/12/27 # 大咖空降直播间！百问百答名场面，不可错过！ 转眼间第三届MindCon极客周活动已接近尾声，冲入硬核玩家赛区的小孢子们已经开始报名为最后的大奖一搏！还未报名的伙伴，抓紧找到猫哥报名哦！（猫哥微信：mindspore0328） 仅仅一个月的时间MindSpore大家族就喜迎了近千位的新朋友加入，每日QQ群交流都是极其热闹，附赠QQ群号（486831414），新朋友对MindSpore也是产生诸多好奇和疑问，今天猫哥为大家薅来了我们社区的大咖，也是小孢子们的老朋友-华为昇思MindSpore开源社区经理黄之鹏老师，为大家答疑解惑，**对于MindSpore所有的疑惑点，您提问我们就帮您解答哦**，小编想说，这这这就是年终福利吧！！！各位新朋友老朋友，机会难得，咱可把握住！ **今晚凡进入B站【MindSpore官方】直播间提问的小伙伴，均有机会获得直播间精美礼品！！！** **MindCon整体活动回顾链接：** https://www.bilibili.com/video/BV1kU4y1T7PH?spm\\\_id\\\_from=333.999.0.0 **硬核玩家赛区报名** **昇思MindSpore官方QQ交流群 : 486831414** ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/activities/zh/899/ --- 活动中心 2021“昇腾杯”遥感影像智能处理算法大赛决赛开赛在即 # 2021“昇腾杯”遥感影像智能处理算法大赛决赛开赛在即 2021/12/29 # 2021“昇腾杯”遥感影像智能处理算法大赛决赛开赛在即 **2021“昇腾杯”遥感影像智能处理算法大赛于12月28日—31日举行全国总决赛。** 本次决赛由武汉人工智能计算中心提供昇腾NPU算力资源支持。 中心基于昇腾AI基础软硬件平台建设，上线即可提供高达100P的算力，相当于每秒十亿亿次的计算速度，堪称业界“神算子”。 在本次决赛中，晋级选手将基于华为昇腾面向全场景的AI框架昇思MindSpore，完成对复赛成果在昇腾算力平台的迁移和调优，根据精度对提交作品进行排名，获得NPU项得分，并计入总分中。 本届大赛由国家自然科学基金委信息科学部支持，“空间信息网络基础理论与关键技术”重大研究计划指导专家组主办，武汉大学测绘遥感信息工程国家重点实验室、武汉大学遥感信息工程学院承办，武汉人工智能计算中心协办，旨在“以赛促创”，推动人工智能技术在遥感影像领域的创新发展，为实现空间信息处理与应用能力的大幅提升提供支撑。 大赛下设细粒度语义分割和变化检测两大赛道，自9月3日开赛以来，吸引了来自全国各行业近百家企业和近**200**所高校的**723**位开发者踊跃报名参赛。经过初赛、复赛近**3**个月的激烈角逐，**20**支优秀队伍晋级总决赛。 总决赛分为**实时竞技环节**与**评审答辩环节**两个环节。 **实时竞技环节**，晋级选手将基于决赛提供的算力和数据集完成训练和预测，包含GPU和NPU两部分。**评审答辩环节**，评委将根据选手的技术创新型、答辩表现等进行提问打分。 选手最终成绩由GPU模型精度分、GPU模型速度分、NPU模型精度分和答辩分综合加权得出。 决赛每个赛道设置奖励金额及队伍数量如下： **一等奖** **奖金15万元人民币 + 7.5万NPU代金券** （1支队伍） **二等奖** **奖金8万元人民币 + 4万NPU代金券** （1支队伍） **三等奖** **奖金4万元人民币 + 2万NPU代金券** （3支队伍） **优胜奖** **奖金0.5万元人民币 + 0.25万NPU代金券** （5支队伍） 另外，所有使用昇思MindSpore框架进行训练、推理，并跑出精度结果的决赛队伍，将获得**MindSpore社区等级认证证书**。 更多大赛信息请访问：http://rsipac.whu.edu.cn/ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/activities/zh/900/ --- 活动中心 第三届MindCon极客周终极PK赛！呼叫全国小孢子集合啦！ # 第三届MindCon极客周终极PK赛！呼叫全国小孢子集合啦！ 2021/12/29 # 第三届MindCon极客周终极PK赛！呼叫全国小孢子集合啦！ 第三届MindCon极客周，终极PK，就在\*\*今晚19：00-B站【MindSpore官方】\*\*准时开播，历时一个月的个人积分赛，共有8位英雄通关来到硬核玩家赛区，今晚就是万众瞩目的分享赛啦，另外还有大咖评委 - **严肃又可亲的鹏哥，智慧与美貌并存的晓曼姐，以及我们可爱又聪明的微姐，3对1指导**，小编边写文边感叹，这是什么神仙机会，so so so请锁定今晚直播间，不可错过！ - 19:05-19:20 周一锋 - 19:20-19:35 刘俊君 - 19:35-19:50 丁一超 - 19:50-20:05 陈可为 - 20:05-20:20 kaierlong - 20:20-20:35 雅正 - 20:35-20:50 陈春来 - 20:50-21:05 秦浩然 - **地点：B站【MindSpore官方】直播间** - 链接：https://www.bilibili.com/video/BV1kU4y1T7PH?spm\_id\_from=333.999.0.0 **欢迎全国小孢子们进入直播间** **为大家加油！** **昇思MindSpore官方QQ交流群 : 486831414** ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/activities/zh/953/ --- 活动中心 MindQuantum开源活动 | 领任务得证书赢积分抢豪华大礼！ # MindQuantum开源活动 | 领任务得证书赢积分抢豪华大礼！ 2022/01/17 # MindQuantum开源活动 | 领任务得证书赢积分抢豪华大礼！ **MindQuantum2022首场开源生态活动震撼发布!** 开发者在活动期间认领并解决不同级别的任务来累积积分，赢得重磅大奖以及获得开发者证书，优秀开发者还有机会获得更多开发资源和权益，参与到MindQuantum核心技术演进的讨论。 **期待您成为新时代的开源社区贡献者，加入****MindQuantum****的开发者行列，共同携手推进量子计算的发展！** ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/activities/zh/963/ --- 活动中心 MindSpore虎年首场欧洲宣讲 # MindSpore虎年首场欧洲宣讲 2022/01/26 # MindSpore虎年首场欧洲宣讲 **文章导读** 本期 Jina AI 社区面对面，我们有幸邀请到了华为昇腾开源生态总监黄之鹏，他将围绕 MindSpore 及 Jina，带来精彩的分享。 云原生神经搜索框架 Jina，与华为自研 AI 框架 MindSpore，能碰撞出怎样的火花、产生哪些有趣的实例？ 参加本期 Jina AI 社区面对面活动，**华为昇腾开源生态总监黄之鹏，将带领大家一探究竟~** **活动详情** \*\*主题：\*\*Towards a SciML backed Jina with MindSpore and Julia \*\*时间：\*\*2022 年 2 月 8 日 21:00 (北京时间) \*\*嘉宾：\*\*黄之鹏 \*\*报名：\*\***https://reurl.cc/vem8d1** \*\*备注：\*\*本期活动为英文分享 **参加本期线上分享，你将了解：** \* 华为开源深度学习框架 MindSpore \* Jina 与 MindSpore 集成 Demo 展示 \* Julia MindSpore 整合，将丰富 Jina 在 SciML 领域的应用场景 **关于黄之鹏** 华为昇腾开源生态总监，启智 OpenI 社区、LFAI 基金会、私密计算论坛等开源组织的技术委员会委员。 **关于 EAH** EAH 全称 Engineering All Heads，是由 Jina AI 每月发起的社区面对面技术分享活动，旨在帮助开发者了解神经搜索，并尝试用 Jina 搭建自己的神经搜索应用。 本期活动为英文分享，你可以访问： **https://reurl.cc/vem8d1** 报名本次线上分享，欢迎小孢子们转发分享~ **想与大咖老师面对面交流？** **快来加入我们吧！** **（MindSpore官方QQ交流群）** **（MindSpore官方微信）** ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/activities/zh/968/ --- 活动中心 虎虎生风真得意，MindSpore送福利~ # 虎虎生风真得意，MindSpore送福利~ 2022/01/28 # 虎虎生风真得意，MindSpore送福利~ ### MindSpore提前祝大家新年快乐啊~ 快过年了，简简单单简盖个楼吧，感谢大家一年来对我们的支持，也衷心祝愿用户朋友们明年顺风顺水，一往无前！ 快来看我们的小礼品~ **奖品预览（抽30人）** 挂钩+湿巾+钥匙扣+沙漏（4选1哦） 希望大家钩住好运，擦去烦恼，保持可爱，珍惜时间~ ### 活动时间 **1月27日——2月8日** ### 活动方式 本次活动参与详情和步骤如下： 1. 关注MindSpore论坛并截图。 2. 订阅MindSpore官网资讯板块并截图。 3. 将1、2步截图+**新春祝福语**+邮箱一并发送到活动帖下，参与盖楼留言。 ### 提示： MindSpore官网资讯地址：https://www.mindspore.cn/news MindSpore论坛地址：https://bbs.huaweicloud.com/forum/forum-1076-1.html ### 注意事项 1. 请勿刷帖，刷帖一律删帖并做无效参与处理。 2. 请勿盗取他人截图或内容，一经发现做无效参与处理。 3. 活动以邮箱为唯一获奖凭证，请务必准确。 4. 最终解释权归MindSpore团队所有。 --- https://www.mindspore.cn/activities/zh/Call-for-Demo-2025-02/ --- 活动中心 【实战演练】开发基于昇思MindSpore Demo，昇思Demo制作人C位出道吧！ # 【实战演练】开发基于昇思MindSpore Demo，昇思Demo制作人C位出道吧！ 2025/02/24 线上活动 想搞“狠活”项目，却又无从下手？ 想搞点“DeepSeek+”，却缺个官方认证的舞台秀？ 想更好的利用昇思MindSpore框架，而苦思冥想？ **稳住！昇思MindSpore带着“双弹福利”空降了！** **别问，问就是“开发者の春天”——算力管够、激励丰富、项目直接C位出道！** # **第一弹：Call for Demo，来做昇思Demo制作人吧！** 昇思MindSpore喊你来搞点**真·硬核实战**！医疗诊断、工业质检、AIGC狂飙……在线征集基于昇思MindSpore学习型项目案例！无论是基于MindSpore的DeepSeek项目，还是开发「AI健身教练」「智能垃圾分类」等接地气项目，只要技术够硬，统统来战！ **活动亮点** **领域任选**：工业、医疗、金融、传统文化……你的脑洞就是下一个行业痛点解决方案！ **算力白嫖**：昇思大模型平台Jupyter Notebook直接开肝，CPU/Ascend算力管够！ **奖励拉满（可多个项目叠加激励）**： 1. **项目精选奖：** 每个通过验收项目，可获得价值400元京东自选礼品（特别激励：**DeepSeek+MindSpore/InternLM+MindSpore项目**为500元京东自选礼品） 2. **项目视频奖：** 每个通过验收视频，可获得价值100元的京东自选礼品 3. **项目文章奖：** 每篇通过验收的技术文档，可获得价值50元的京东自选礼品 4. **社区课程出品人：** 优秀项目直接“出道”成官方教程，全网露脸！ **开发灵感参考** 1. **个性化学习辅导系统** 2. **胸部X光片肺炎病灶区域分割** 3. **变电站设备铭牌多语言识别** **参与姿势** # **第二弹：模型也疯狂！** MindSpore NLP套件是基于昇思MindSpore的开源NLP库。海量与训练模型支持、全面的数据处理、友好的NLP模型工具集、易用的API、对接HuggingFace生态，顺应科研/开发者使用习惯。 本任务邀请社区开发者参与模型迁移挑战，将指定模型基于MindSpore NLP套件进行模型权重迁移，并上传至魔乐社区和大模型平台，共同丰富套件模型资源！ **活动亮点** **简单粗暴**：认领任务→迁移模型→上传模型→获得激励！ **规则贴心**：一次只肝一组，拒绝“多线程翻车”！ **参与姿势** ### **通用须知** 1. **活动截止日期**：2025.3.28 2. **活动验收公示**：2025.4.15 **昇思双弹已就位，就等你来“炸场”！** --- https://www.mindspore.cn/activities/zh/Call-for-Demo-2025-05/ --- 活动中心 AI开发者集结令！Call for Demo第二期来袭，万元笔记本大奖等你拿！ # AI开发者集结令！Call for Demo第二期来袭，万元笔记本大奖等你拿！ 2025/05/06 线上活动 昇思MindSpore开源社区联合黄大年茶思屋、OpenI启智社区、OpenDataLab诚邀全球开发者，基于昇思AI框架进行模型微调，打造具有创新性、实用性、可扩展性的人工智能应用。我们期待通过本次Call for Demo，推动AI技术在产业场景中的深度应用，助力开发者实现技术价值与社会价值的双重突破！ ## **赛题** 围绕昇思MindSpore AI框架/套件 + Ascend 进行模型微调展开创意开发！无论是智慧医疗、智能交通还是元宇宙新场景，只要满足技术创新性、实用性和可扩展性要求。 扫描下方二维码了解详情： ## **赛程** 报名与选题报告提交：5月6日 ~ 6月30日 模型微调与应用开发：5月6日 ~ 6月30日 Demo路演与答辩：时间待定（将邮件通知） ## **荣耀时刻** 一等奖1名：HUAWEI MateBook X Pro 二等奖2名：HUAWEI Mate70 三等奖3名：HUAWEI FreeClip无线耳机 参与奖30名：Smart4u SH50城市轻骑智能闪盔 --- https://www.mindspore.cn/activities/zh/Call-for-X-2025/ --- 活动中心 加入“MindSpore Call for X计划”，与我们一起昇思！ # 加入“MindSpore Call for X计划”，与我们一起昇思！ 2025/05/26 线上活动 昇思MindSpore开源社区，希望通过开源开放，汇聚更多力量，不断探索人工智能创新的边界。社区正式上线“MindSpore Call for X”计划。面向昇思社区所有成员开放，无论是企业、SIG组、高校、科研院所或其他组织，我们都欢迎你的加入，与我们一起昇思！ # **01 什么是MindSpore Call for X 计划** “MindSpore Call for X 计划”是一个开放的社区项目，鼓励所有社区成员以及开源爱好者积极贡献、乐于分享、热衷实践。多元化的贡献可以丰富昇思社区生态，我们希望开发者都能在社区感受到个人的价值和重要性。 “MindSpore Call for X计划”计划详情页：https://www.mindspore.cn/program # **02 MindSpore Call for X计划：三大方向助力开发者成长与创新** “MindSpore Call for X计划”聚焦开发者需求，通过“技术赋能+资源支持”双轮驱动，涵盖以下三大核心方向： ## **Call for Demo：AI应用创新Demo征集** 社区面向全球开发者征集基于昇思MindSpore AI框架的AI应用Demo，鼓励开发者基于昇思探索AI+X创新应用。通过项目开发，挖掘行业痛点解决方案，推动昇思技术生态繁荣。 社区将为你提供： - 资源与技术支持：项目开发期间，提供全程算力与专家指导支持； - 官方宣传与激励：精品Demo可获得礼品激励，并同步在昇思官网、社交媒体及昇思开发者大会中展示； - 优秀开发者绿色通道：精品Demo作者，将进入昇思MindSpore开源社区优秀开发者认证绿色通道。 扫码了解详情 ## **Call for Meetup：开发者活动共创** 无论是高校、企业、SIG组、科研院所或其他组织，欢迎与昇思MindSpore一起组织开发者活动，共同探讨前沿技术和开源发展趋势，分享创新成果和实践经验。 社区将你提供： - 活动支持：根据活动规模，提供昇思社区定制纪念品、活动物料、工作人员协助等支持； - 布道师资源：协助邀请社区布道师团队/技术专家团队参与活动，分享框架最新进展与实战经验； - 传播支持：社区将在官网活动页、公众号、社群等渠道宣传、并同步在社区B站/视频号等平台直播。 扫码了解详情 ## **Call for 布道师：技术生态共创** 欢迎开发者加入分享技术的行列，推广昇思MindSpore技术生态，协助更多的开发者掌握昇思，在布道中获得更多的技术提升，为开源社区持续贡献力量。 社区将你提供： - 专属双认证：通过认证，可获得华为开发者布道师与昇思布道师双认证标识； - 资源资助：每学年最高2万元课程配套的云资源代金券，以及线上华为开发者学堂课程和免费参加线下华为开发者技术培训活动等支持； - 内容共创：主导编写基于昇思MindSpore的教程、开发的Demo，将纳入社区知识体系； - 社区交流：将受邀参与社区各项峰会、开发者活动做主题分享，与MindSpore核心团队/社区开发者深度互动。 扫码了解详情 MindSpore Call for X计划是社区“共建、共治、共享”理念的延续。我们希望通过多元化的激励机制，降低开发者参与门槛，激发创新活力，共同推动AI技术从实验室走向产业落地。期待你的加入。 --- https://www.mindspore.cn/activities/zh/MindSpore-Developer-Day-2025/ --- Document is empty, overwrite this content with #empty slot in . --- https://www.mindspore.cn/activities/zh/MindSpore-Quantum-2025-10/ --- 活动中心 MindSpore Quantum量子计算软件交流会，诚邀您参加，名额有限，速来报名！ # MindSpore Quantum量子计算软件交流会，诚邀您参加，名额有限，速来报名！ 2025/10/25 深港国际科技园A栋609 # **一、活动简介** **MindSpore Quantum 量子计算软件交流会**，将于**2025年10月25日（周六）9:30~17:00**在深港国际科技园举行。本次活动将**量子计算软件编程实践和量子计算前沿应用报告**深度融合，诚邀各位老师和学生莅临现场，共同探索量子世界的奥秘，体验MindSpore Quantum量子计算框架的卓越性能，聆听专家学者们最新最前沿的学术成果分享。 **活动对象：对量子计算感兴趣的学者，在校学生优先（免费报名参加）。** **【温馨提示】请您在会前根据指导手册安装好MindSpore Quantum，并携带笔记本电脑参会，参与现场编程实践体验环节！** # **二、活动时间&地点** **活动时间：2025年10月25日（周六）9:30-17:00** **活动地点：深圳市福田区槟榔道3号 深港国际科技园A栋609** # **三、MindSpore Quantum简介** Mindspore Quantum是昇思MindSpore社区推出的全新量子经典混合计算框架，能够高效地支持主流的量子算法和经典量子混合算法，不但在量子机器学习、量子化学模拟和量子组合优化等变分量子算法上有着卓越的性能，而且在量子化学模拟规模上也处于领先地位，为量子计算的研究和发展提供了一个高效的开发平台。 MindSpore Quantum的核心优势包括： - **高性能模拟：** 推出CPU和GPU架构优化的高性能量子模拟器，支持单/双精度模拟模式切换，满足不同精度需求。 - **NISQ算法支持：** 高效支持量子机器学习、量子化学模拟和量子组合优化等主流变分量子算法。 - **丰富的量子启发式算法：** 内置业界领先的量子启发式优化算法库，包含模拟分岔机、相干伊辛机 、噪声平均场退火等多种高性能求解器，并针对不同硬件（CPU, GPU, NPU）进行了深度性能优化。 - **简捷易用：** 提供丰富且高度集成的量子编程接口，降低开发难度，提升开发效率。 - **深度学习集成：** 与MindSpore AI框架深度结合，让混合量子-经典算法开发更高效。 # **四、活动报名** 报名链接： https://www.wjx.cn/vm/QZC7As5.aspx# 指导手册链接： https://www.hiascend.com/forum/thread-0207195718388320048-1-1.html # **五、参加活动-你的收获** 如果你是一位想要接触量子计算的极客，我们给你提供软硬结合的必备知识。 如果你是一位关注最新技术的量子爱好者，我们带你了解前沿的技术成果。 如果你是一位对开源社区充满热情的开发者，我们会帮你完成第一个社区PR的提交。 **附交通路线** 地铁：3号线 福保站B出口——步行800米 打车：深港国际科技园A栋 --- https://www.mindspore.cn/activities/zh/MindSpore-SPONGE-2025-08/ --- 活动中心 MindSpore SPONGE第五季暑期学校议程全公开！ # MindSpore SPONGE第五季暑期学校议程全公开！ 2025/08/18 上海交通大学学生创新中心B楼303-305教室 --- https://www.mindspore.cn/activities/zh/evangelist-2025-06/ --- 活动中心 昇思布道师招募啦！联合华为开发者布道师，双认证加持！ # 昇思布道师招募啦！联合华为开发者布道师，双认证加持！ 2025/06/11 线上活动 昇思MindSpore开源生态的繁荣离不开每一位开发者的热情参与。为助力开发者实现技术影响力与个人价值的双重提升，**昇思MindSpore布道师计划** 联合 **华为开发者布道师计划** 助力布道师AI布道启航！即日起，成功申请成为 昇思MindSpore布道师 即可同步获得 华为开发者布道师 双认证资质，开启技术布道与生态共建的全新篇章！ # **01 成为昇思布道师，你可以获得什么？** 1、技术影响力倍增：昇思布道师+华为开发者布道师双认证叠加，让你在开发者社区、企业合作、技术峰会中脱颖而出，成为AI生态的核心推动者。 2、资源扶持全覆盖：云算力支持、优先参与昇思MindSpore核心功能开发与体验、布道活动经费补贴、优秀案例有机会登上昇思开发者大会舞台。 3、职业发展加速器：个人专访、官网荣誉展示、媒体推广，提升行业影响力。 # **02 成为昇思布道师，你需要做什么？** 1、传播技术，赋能开发者：基于昇思MindSpore发布技术文章或制作技术视频、主导或参与技术分享、指导团队完成项目开发等。 2、深耕AI框架与昇思生态：深入了解昇思核心技术、参与昇思相关项目开发或社区贡献等。 3、共建生态，践行开源精神：参与社区文档优化、在昇思论坛或社区答疑开发者问题、参与社区活动等。 # **03 申请条件与流程** # **04 加入我们，成为技术生态的引领者！** 无论你是高校师生、企业工程师，还是开源社区贡献者，只要你怀揣技术信仰，渴望用AI改变世界，这里就是你的舞台！ 扫描下方二维码申请成为昇思布道师 --- https://www.mindspore.cn/activities/zh/gosim-hangzhou-2025-AIKG/ --- 活动中心 昇思MindSpore即将亮相GOSIM HANGZHOU 2025，分享AIKG大模型驱动的算子自动生成技术 # 昇思MindSpore即将亮相GOSIM HANGZHOU 2025，分享AIKG大模型驱动的算子自动生成技术 2025/09/13 杭州白金汉爵酒店 全球开源创新盛会GOSIM HANGZHOU 2025将于9月13-14日在杭州盛大启幕。本次大会以国际化、社区化、强互动为特色，深入聚焦开源与AI的前沿技术与跨界创新。届时，昇思MindSpore将与全球开发者、企业代表以及技术领袖一起，深入探索开源技术在AI时代的新可能。 # **01 昇思MindSpore精彩议题抢先看** 在AI模型与基础设施论坛上，昇思社区将带来题为AIKG领域的技术分享。该议题将展示昇思社区在AI编译器和算子生成领域的最新创新成果，探讨如何利用大语言模型技术革新传统算子开发流程。 # **02 来现场，与昇思MindSpore互动** 昇思社区将在大会展区设置专门展台，全面展示昇思MindSpore AI框架的全栈能力，现场观众将有机会与社区专家面对面交流，了解昇思社区的最新发展和技术路线，还有机会获得惊喜社区纪念品。 **大会基础信息** 会议名称：GOSIM HANGZHOU 2025 会议时间：2025年9月13-14日 会议地点：杭州白金汉爵酒店 会议官网： https://hangzhou2025.gosim.org/zh/ GOSIM HANGZHOU 2025将是全球开源开发者的一次盛会，昇思MindSpore社区的参与将为大会带来AI框架领域的最新技术洞察和实践经验。欢迎各位开发者前来交流互动，共同探讨AI框架技术的未来发展方向。 --- https://www.mindspore.cn/activities/zh/gosim-hangzhou-2025-SGLang/ --- 活动中心 亮相GOSIM HANGZHOU 2025，昇思MindSpore开源社区专家深度解析支持SGLang方案实践 # 亮相GOSIM HANGZHOU 2025，昇思MindSpore开源社区专家深度解析支持SGLang方案实践 2025/09/13 杭州白金汉爵酒店 全球开源创新盛会GOSIM HANGZHOU 2025将于9月13-14日在杭州盛大启幕。本次大会以国际化、社区化、强互动为特色，深入聚焦开源与AI的前沿技术与跨界创新。昇思MindSpore开源社区受邀亮相大会「AI 模型与基础设施」论坛及在展区设置展台。届时，昇思MindSpore将与全球开发者、企业代表以及技术领袖一起，深入探索开源技术在AI时代的新可能。 # **01 昇思MindSpore精彩议题抢先看** 在AI 模型与基础设施论坛上，昇思社区将带来题为SGLang使能MindSpore框架方案的技术分享。该议题将展示昇思社区在SGLang领域的最新成果，探讨如何在SGLang中优化跨框架的资源复用，并简洁地接入MindSpore模型。 # **02 相约杭州，共建开源AI未来** 我们相信，开源与共享是推动技术进步的重要力量。此次在GOSIM大会上的分享，不仅是MindSpore社区技术成果的一次展示，也是向全球开发者学习交流的宝贵机会。 如果您正在使用或关注SGLang、昇思MindSpore，或对大模型推理优化感兴趣，欢迎来现场与我们面对面交流，共同探讨AI系统架构与服务化部署的未来发展。 **大会基础信息** 会议名称：GOSIM HANGZHOU 2025 会议时间：2025年9月13-14日 会议地点：杭州白金汉爵酒店 会议官网： https://hangzhou2025.gosim.org/zh/ 让我们相约杭州，携手推进AI开源生态的繁荣与创新！ 除本议题外，昇思社区在本场大会上还有其他精彩内容。点击下图了解更多GOSIM HANGZHOU 2025上的MindSpore议题及展台亮点：https://mp.weixin.qq.com/s?\_\_biz=MzkxMTM2MjMzNg==&mid=2247632757&idx=1&sn=70d1c5b6851ae889d942083d5f5fb898&scene=21&poc\_token=HPy9w2ijXCBk95gEacofooL-xnhULdPu943VtoS5 --- https://www.mindspore.cn/activities/zh/mindspore-internship/ --- Document is empty, overwrite this content with #empty slot in . --- https://www.mindspore.cn/activities/zh/mindspore-internship-2025-09/ --- 活动中心 开发者集结！昇思MindSpore携手司南社区打造开源实习专辑，共建繁荣生态 # 开发者集结！昇思MindSpore携手司南社区打造开源实习专辑，共建繁荣生态 2025/09/23 线上活动 昇思社区携手司南社区联合打造的昇思MindSpore开源实习-司南专辑迎接您的挑战！一次任务，多方学习！完成任务累计积分可获得实习薪资（达成20分）与实习证明（达成60分）快来一起看看吧。 # **01 任务背景** - 司南大模型评测体系是业内主流的评测体系，其开源工具 OpenCompass 当前支持多个推理后端框架，除了默认的 HuggingFace 的 transformers 库外，还支持 LMDeploy 和 vLLM 等更高效的推理加速库。执行评测任务时，OpenCompass 支持通过命令行参数或推理加速服务 API 来切换不同后端推理服务。 - MindSpore 框架当前支持多个服务化推理框架，如MindIE、vLLM等。其中针对 vLLM ,MindSpore 通过 vLLM-MindSpore 插件进行了适配支持，可以针对 MindSporeTransformers(https://atomgit.com/mindspore/mindformers) 库中支持的模型开展高效的服务化推理。 # **02 任务说明** 本次任务分为两个方向： 1、携手司南社区，打造vllm-mindspore和OpenCompass的对接，并实现主流多模态的推理部署和评测。 2、携手司南社区，应用MindSpore Transformers ，vllm-mindspore和OpenCompass实现主流LLM模型的微调，推理部署和评测。 # **03 任务学习和交流：** **昇思开源SIG：** 1、MindSpore LLM Inference Serving （推理服务化）SIG： - 基本介绍：https://www.mindspore.cn/sig/LLM%20Inference%20Serving - SIG会议：https://www.bilibili.com/video/BV1GS7GzJEaR/?spm\_id\_from=333.1387.search.video\_card.click&vd\_source=84de305fd34eb90c36ef701367f150fc 2、MindSpore Transformers SIG： - 基本介绍：https://www.mindspore.cn/sig/MindSpore%20Transformers - SIG会议：https://www.bilibili.com/video/BV1fL37zxE41/?spm\_id\_from=333.1387.search.video\_card.click&vd\_source=84de305fd34eb90c36ef701367f150fc **优秀课程：** - 昇思大模型全流程应用系列课程：https://mp.weixin.qq.com/s/860kPTNNtfcV7t71xfifiA - 书生大模型实战营（新一期即将开启）： https://colearn.intern-ai.org.cn/c6?s=mindspore 昇思MindSpore开源实习活动任务持续更新中！更多开发任务即将上线，敬请期待！报名请看海报，如由疑问可加入我们的实习答疑群，有活动专属小助手为你解答昇思MindSpore开源实习的各项问题，欢迎加入一起共建昇思MindSpore社区。 --- https://www.mindspore.cn/activities/zh/msg-shanghai-2024-11/ --- 活动中心 智慧上海，开源同行 | MSG城市行·上海站，共赴AI盛宴！ # 智慧上海，开源同行 | MSG城市行·上海站，共赴AI盛宴！ 2024/11/14 上海理工大学北校区计算机中心机房508室 智慧上海，开源同行 | MSG城市行·上海站，共赴AI盛宴！ --- https://www.mindspore.cn/activities/zh/saudi-china-opensource-exchange-2025/ --- 活动中心 沙中开源与AI科技峰会 # 沙中开源与AI科技峰会 2025/11/11 线下活动 --- https://www.mindspore.cn/activities/zh/summit-2023/ --- Document is empty, overwrite this content with #empty slot in . --- https://www.mindspore.cn/activities/zh/summit-2025/ --- Document is empty, overwrite this content with #empty slot in . --- https://www.mindspore.cn/activities/zh/summit-achievement-2024/ --- Document is empty, overwrite this content with #empty slot in . --- https://www.mindspore.cn/ai-coding-assistants/ --- # 政策规则 了解MindSpore社区的行为准则、AI贡献策略等相关内容 - 行为准则 - AI贡献策略 # MindSpore社区生成式AI工具使用与开源贡献策略 ## 1\. 开放策略 (Openness Strategy) MindSpore社区秉持开放、协同、创新的开源精神，将生成式AI与智能化Agent视为推动社区技术演进的重要生产力。社区允许贡献者在合理、透明、可审查的前提下使用生成式人工智能工具辅助贡献，但坚持以下原则： - **核心原则一：保持开放，AI开发导向 (Open & AI-Development-Oriented)** MindSpore社区对新技术始终秉承开放拥抱的姿态。我们积极迎接AI开发导向，并致力于构建一个对人类开发者与AI代理同样友好的智能化开源生态。MindSpore社区鼓励并支持开发者和自动化Agent深入参与到社区的各项贡献中（包括但不限于代码编写、文档翻译、测试用例生成、运维自动化等）。 - **核心原则二：开发者最终负责 (Developer Ultimate Responsibility)** AI只是人类开发者参与社区贡献的辅助工具，**人类开发者对其所提交的社区贡献质量负责并承担相关法律责任**。无论是人类开发者独立开发的成果，还是由AI辅助生成、触发的代码与内容，贡献者都必须对其所提交内容的正确性、安全性、合规性和质量负责并承担最终责任。社区维护者对贡献者提交内容的审查、合并、发布行为并不表示社区管理方确认其中所包含的AI输出不构成侵权、不存在安全缺陷或适合特定用途。 - **核心原则三：透明度，可追溯 (Transparency & Traceability)** 在向社区提交内容时，贡献者应如实披露与该贡献相关的AI工具使用情况、第三方材料来源、许可证信息和人工审查情况。MindSpore社区建立了一套严格的元数据记录机制，对AI生成内容的**关键元数据（包括生成该等内容所使用的Agent平台、模型、Prompt摘要等）进行完整记录**，从而确保AI参与的代码贡献都具备清晰的审查追踪链。 ## 2\. 适用范围 (Scope of Application) 本策略适用于贡献者向MindSpore社区（包括但不限于MindSpore组织下的所有代码仓库、文档库等）提交的各种形式的所有贡献： - **源代码与脚本**：包括各类核心代码、测试用例、构建脚本。 - **技术文档与社区内容**：包括API说明、部署指南、发布日志、Wiki页面等。 - **配置与元数据**：包括Containerfile/Dockerfile、CI/CD配置文件等。 ## 3\. 法律与合规 (Legal & Compliance) 贡献者向MindSpore社区提交包含AI生成内容的贡献，必须在以下法律与合规框架内： ### 3.1 CLA（贡献者许可协议） MindSpore社区采用**CLA（Contributor License Agreement，贡献者许可协议）**。 - 贡献者在提交贡献前，必须签署社区CLA。 - 依据CLA，当贡献者向社区提交包含AI生成内容的贡献时，即视为该贡献者承诺其对该贡献拥有合法的处分权（例如，已获得充分授权）。贡献者不能以“内容由AI生成”为由免除其在CLA中所做出的承诺以及应当承担的相关法律责任。 ### 3.2 追溯机制：关键元数据完整记录 若贡献者向社区提交的贡献包含主要**由AI生成或经AI自动化处理**的代码与文档，则其在提交Pull Request时应当在Pull Request和Commit Message中完整记录并携带以下**关键元数据**： Commit Message： - **Co-Authored-By:** 明确指明生成该内容所使用的生成式AI模型名称及版本（如 `GPT-4o`，`DeepSeek-V3` 等）。 Pull Request: - **Agent平台信息（Tool）**：明确指明生成该内容所使用的Agent平台名称及版本（如 `Claude Code 2.1.156`、`Qwen Code 0.16.1` 等）。 - **模型信息 (Model)**：明确指明生成该内容所使用的生成式AI模型名称及版本（如 `GPT-4o`，`DeepSeek-V3` 等）。 - **Prompt 摘要 (Prompt Summary)**：简要概述指导AI生成该内容的核心提示词或核心意图（如 `"Optimize memory allocation for Spec file"`），不得提交提示词或核心意图不明的AI生成内容。 **规范示例（Pull Request）：** ### 当前PR是否有AI参与: [] 否 [x] 是 __1. Agent平台信息: Claude Code 2.1.156 __2. 模型信息: DeepSeek-V3 __3. Prompt摘要: 基于现有代码逻辑，完成代码编写、逻辑优化、异常分支补充及注释完善，协助完成本次功能开发与问题修复 ### 希望检视人员了解: 1. 代码由AI辅助开发者编写，且开发者已人工逐行核对逻辑、校验功能正确性，且与开发者预期一致； **规范示例（Commit Message）：** Co-Authored-By: DeepSeek-V3 _注意：MindSpore社区门禁会检查 Commit Message 中 Co-Authored-By 填写的AI模型名称是否与 Pull Request 中披露的模型信息一致。如果您在 Pull Request 中披露的模型信息与 Commit Message 中 Co-Authored-By 字段的模型信息不一致，门禁会拦截您的PR。_ ## 4\. Agents规范Prompt（Standard Prompt for Agents） 为了让各种AI编程助手、自动化Agent（如PR自动化审查、代码自动修复Agent）在为MindSpore社区提供服务时能够严格遵循上述策略，特制定以下**系统级提示词规范（System Prompt）**： # 角色与目标 你是一个专为MindSpore开源社区服务的AI编程与合规助手（AI Agent）。你的目标是协助人类开发者高效参与社区贡献，同时必须坚守合规底线，确保所有输出符合MindSpore社区的合规与质量要求。 # 核心行为准则 ## 1. 明确责任边界与开发导向 - 你是开发者的效率放大器，但你必须明白，人类开发者将对你的输出质量负责并承担相关法律责任。因此，你生成的代码必须清晰、人类可读且易于人类开发者进行Review。 - 不得生成任何含义模糊、难以调试或存在黑盒逻辑的复杂代码块。 ## 2. 法律与许可证合规（底线原则） - 不得在不遵循适用许可证的情况下，从采用GPL2.0、GPL3.0等限制型许可证许可的代码库或独占许可的商业软件专有代码库中直接复制或变相复制任何代码片段。 - 如果你生成的代码直接引用了特定的开源组件或公开算法实现，则该等代码必须保留其原有著作权声明（包括但不限于保留原组件或算法的著作权声明）及许可证声明，而不得删除或修改该等声明。 ## 3. 关键元数据显式披露 - 当你协助人类生成代码，或者作为自动化Agent独立向MindSpore仓库提交PR时，必须按照固定PR模板与Commit Message进行提交。 - 在PR中必须包含的元数据： - Agent平台信息: [Agent平台名称及版本] - 模型信息: [AI模型名称及版本] - Prompt摘要: [核心提示词或核心意图] - 在Commit Message中必须包含的元数据： - Co-Authored-By: [AI模型名称及版本] ## 4. MindSpore技术栈适配 - 代码风格：在向MindSpore社区提交代码前，应分析对应代码仓库的代码风格，提交修改代码时必须严格遵守对应代码仓库的代码风格指南。 - 优先安全性：不得引入内存泄漏、缓冲区溢出等常见安全漏洞，优先推荐使用已经过MindSpore社区验证的安全函数。 ## 5\. 禁止或高风险行为 - 未经人工审查的AI输出 - 贡献者无法解释、无法维护或无法确认来源的代码 - AI工具明显复现第三方项目代码、文档、图片或其他受保护表达，但未提供合法来源、许可证和必要权属信息的内容 - 与本项目许可证不兼容的内容 - 违反AI工具使用条款、雇主政策、保密义务，违反出口管制、数据合规要求或侵犯第三方权利的内容 - 包含商业秘密、个人信息、敏感数据、私有代码、内部文档或未公开漏洞信息的提示词、输出或贡献 - 由AI Agent自动批量提交的贡献或提交人类贡献者未实质参与的贡献 ## 6\. 贡献者责任 贡献者向社区提交AI辅助贡献时，应确认并承诺： - 已对拟提交AI辅助贡献内容进行人工审查 - 理解拟提交AI辅助贡献的技术含义、设计影响和维护成本 - 已完成对拟提交的AI辅助贡献的必要测试、构建、许可证检查和安全检查 - 已确认AI工具输出未引入与项目许可证不兼容的限制 - 已确认拟提交AI辅助贡献不包含已知的未获授权的第三方材料，或已按照本项目要求披露第三方材料、许可证、著作权声明和权属信息 - 已遵守贡献者雇主、客户、学校或所属组织关于AI工具和开源贡献的政策 - 对所提交AI辅助贡献承担与非AI辅助贡献相同的责任 ## 7\. 审查与合入规则 社区维护者可以基于以下原因要求贡献者修改、补充说明、重新提交AI辅助贡献或拒绝合入AI辅助贡献： - 贡献者未按要求披露AI辅助贡献的相关信息 - 贡献者无法解释其所提交的代码逻辑或来源 - 贡献内容与未经授权的第三方代码、文档或图片实质性相似 - 许可证、著作权或权属信息不清晰 - 未经测试、不可维护或增加安全风险的低质量AI辅助贡献 - 自动化、批量化提交影响社区正常维护秩序的低质量AI辅助贡献 - 社区维护者基于MindSpore项目风险偏好认为AI辅助贡献不适合合入 --- https://www.mindspore.cn/ai-coding-assistants/en/ --- # Policies & Rules Learn about the code of conduct, and AI contribution policies of the MindSpore community. - Code of Conduct - AI Contribution Policy # MindSpore Community Generative AI Use and Open Source Contribution Policy ## 1\. Openness Strategy Guided by the spirit of openness, collaboration, and innovation, the MindSpore community recognizes generative AI and intelligent agents as essential drivers for advancing community technologies. While we allow the use of generative AI tools in making contributions, provided such use is reasonable, transparent, and reviewable, we strictly adhere to the following principles: - **Core Principle 1: Open & AI-Development-Oriented** The MindSpore community actively embraces new technologies. Open to AI-centric development, we are committed to building an intelligent open-source ecosystem that is equally friendly to both human developers and AI agents. The MindSpore community welcomes both developers and automated agents to contribute deeply to the community, whether through code writing, document translation, test case generation, or O&M automation. - **Core Principle 2: Developer Ultimate Responsibility** AI is strictly a supporting tool for human contributors. **Human contributors hold ultimate responsibility and legal accountability for the quality of their submissions**. Whether an output is human-developed, or generated or triggered with AI assistance, contributors must assume final responsibility for the accuracy, security, compliance, and quality of their submissions. Review, merging, or publishing the submissions by community maintainers does not constitute an endorsement or warranty by the community that the AI output in the submissions is free of infringement, secure, or fit for a particular purpose. - **Core Principle 3: Transparency and Traceability** Upon submission, contributors should disclose the use of AI tools, sources of third-party materials, license information, and human review status associated with the submission. The MindSpore community enforces a strict metadata tracking system to fully log **critical metadata for AI-generated content, including the agent platform, model, and prompt summaries**. This guarantees a clear audit trail for AI-assisted code contributions. ## 2\. Scope of Application This policy applies to all forms of contributions submitted to the MindSpore community (including but not limited to all code and documentation repositories under the MindSpore organization): - **Source code and scripts**: including various core code, test cases, and build scripts. - **Technical documents and community content**: including API references, deployment guides, release logs, and Wiki pages. - **Configurations and metadata**: including Containerfiles/Dockerfiles, and CI/CD configuration files. ## 3\. Legal & Compliance Any submissions incorporating AI-generated content to the MindSpore community shall be governed by the following legal and compliance frameworks: ### 3.1 Contributor License Agreement (CLA) The MindSpore community implements a **Contributor License Agreement (CLA)**. - Contributors must sign the CLA before submitting any contributions. - According to the CLA, by submitting a contribution that contains AI-generated content to the community, the contributor is deemed to have lawful rights to dispose of that submission (e.g., having obtained sufficient authorization). The AI-generated nature of the content shall not serve as a ground to exempt the contributors from their obligations and legal liabilities pledged in the CLA. ### 3.2 Traceability: Full Logging of Key Metadata For contributions that contain code or documents **fundamentally generated or automatically processed by AI**, contributors shall fully record and attach the following **key metadata** in both the pull request (PR) and commit message. Commit message: **Co-Authored-By:** Specify the name and version of the generative AI model used (e.g., `GPT-4o`, `DeepSeek-V3`, etc.). PR: - **Agent Platform:** Specify the name and version of the agent platform used (e.g., `Claude Code 2.1.156`, `Qwen Code 0.16.1`, etc.). - **Model:** Specify the name and version of the generative AI model used (e.g., `GPT-4o`, `DeepSeek-V3`, etc.). - **Prompt Summary:** Briefly describe the core prompts or intent that guided the AI generation (e.g., `"Optimize memory allocation for Spec file"`). AI-generated content submitted with ambiguous prompts or unclear intent is prohibited. **Example (PR):** ### AI involvement in this PR: [] No [x] Yes __1. Agent platform: Claude Code 2.1.156 __2. Model: DeepSeek-V3 __3. Prompt summary: Based on the existing code logic, complete the code, optimize logic, add missing branches, and improve annotations to help with function development and problem fixing. ### Notes for reviewers: 1. The code was developed with AI assistance. The developer has manually reviewed the logic line-by-line and verified its functionality to ensure it behaves exactly as expected. **Example (commit message):** Co-Authored-By: DeepSeek-V3 _Note: The MindSpore CI gate checks whether the AI model name in the Co-authored-by commit trailer matches the model declared in the PR. Any discrepancy between the two will cause the CI check to fail and block the PR._ ## 4\. Standard Prompt for Agents To ensure that various AI programming assistants and automated agents (such as automated PR reviewers and auto-fixing agents) strictly comply with the preceding policies when serving the MindSpore community, the following **system prompt** is formulated: # Role and objective: You are an AI agent dedicated to serving the MindSpore community. Your goal is to assist human developers in contributing efficiently while strictly adhering to the compliance baseline, ensuring all outputs meet the MindSpore community's compliance and quality standards. # Core Code of Conduct ## 1. Clarify responsibilities and development orientation. - You serve as an efficiency amplifier for developers, but you must understand that human developers will bear the ultimate legal and quality liability for your outputs. Therefore, your generated code must be clean, readable, and easy for human developers to review. - Do not generate any complex code blocks with ambiguity, debugging difficulties, or black-box logic. ## 2. Legal and license compliance (red line) - Do not directly replicate or paraphrase any code snippets from repositories under restrictive licenses (such as GPL-2.0, GPL-3.0, etc.) or proprietary repositories of commercially licensed software without adhering to the applicable licenses. - If your generated code directly references specific open-source components or public algorithmic implementations, such code must retain its original copyright notices (including but not limited to preserving the copyright notices of the original components or algorithms) and license notices, which shall not be deleted or modified. ## 3. Explicit exposure of key metadata - When assisting humans in code generation or when independently submitting PRs to MindSpore repositories as an automated agent, compliance with the designated PR and commit message templates is mandatory. Required metadata in a PR: - Agent platform: [Agent platform name and version] - Model: [AI model name and version] - Prompt summary: [core prompts or intent] Required metadata in the commit message: Co-authored-by: [AI model name and version] ## 4. MindSpore technology stack adaptation - Code style: Before submitting any code to the MindSpore community, analyze the coding style of the target repository. Your modifications must strictly conform to that repository's code style guide. - Security first: Do not introduce security vulnerabilities such as memory leaks and buffer overflows. Always prefer secure functions verified by the MindSpore community. ## 5\. Prohibited or Risky Behaviors - Unreviewed AI outputs; - Code that contributors cannot explain, maintain, or verify the source of; - Content where AI clearly reproduces third-party code, documentation, images, or copyrighted expressions without providing legitimate sources, licenses, and necessary attributions; - Content that is incompatible with the project's license; - Content that violates AI terms of service, employer policies, confidentiality obligations, export controls, data compliance regulations, or third-party rights; - Prompts, outputs, or contributions that contain trade secrets, personal information, sensitive data, private code, internal documents, or undisclosed vulnerability information; - Contributions submitted in batch by AI agents or lacking substantial participation by human contributors. ## 6\. Contributor Responsibilities When submitting AI-assisted contributions to the community, contributors shall acknowledge and agree that they: - Have manually reviewed the AI-assisted contributions to be submitted; - Understand the technical implications, design impact, and maintenance costs of the AI-assisted contributions to be submitted; - Have completed all necessary testing, builds, license checks, and security reviews on the AI-assisted contributions to be submitted; - Have verified that the AI output does not introduce content incompatible with the project license; - Have confirmed that the AI-assisted contributions do not include any known unauthorized third-party materials, or that any third-party materials, licenses, copyright notices, and attributions have been fully disclosed as required by this project; - Have complied with all applicable policies of the contributors' employers, clients, academic institutions, or affiliated organizations regarding AI tools and open-source contributions; - Take the same responsibility for AI-assisted contributions as for non-AI-assisted contributions. ## 7\. Review and Merging Rules Community maintainers may request modifications, additional explanations, resubmissions of AI-assisted contributions by the contributors, or reject AI-assisted contributions for any of the following reasons: - The contributor fails to disclose information regarding the AI-assisted contribution as required; - The contributor is unable to explain the logic or source of the submitted code; - The contribution is substantially similar to unauthorized third-party code, documentation, or images; - The licensing, copyright, or attribution information is unclear; - The AI-assisted contribution is of poor quality, untested, unmaintainable, or introduces security risks; - Automated, mass submissions of low-quality AI-assisted contributions disrupt the maintainability and operations of the community; - The community maintainers consider the AI-assisted contribution inappropriate for merging based on the MindSpore project's risk control. --- https://www.mindspore.cn/calendar/ --- # SIG会议日历 SIG SIG会议日历 点击按钮，AtomGit授权后即可创建会议 创建会议 最新日程： 2026-10-21 当日没有活动，敬请期待 --- https://www.mindspore.cn/calendar/detail/ --- MindSpore社区活动 更多 # 活动介绍 # 活动议程 更多 # 参会信息 地址 立即报名 --- https://www.mindspore.cn/calendar/meeting-form/ --- \*会议名称 **0**/128 \*所属SIG \*会议时间 \* \*会议平台 \*会议内容 **0**/1000 \*Etherpad **0**/255 \*录制会议 开启后将自动录屏，本服务由腾讯会议提供 \*邮件地址 **0**/1000 立即预定重置 --- https://www.mindspore.cn/cases/ --- # 应用案例 了解企业、高校、开发者如何使用昇思MindSpore解决问题、技术研究、开发应用等 更多 ## 开发者案例 领域 全部 CV Diffusion LLM Audio 来源 全部 社区实习 创新训练营 社区开源 新闻情感播报 LLM 昇思创新训练营（长三角站）优秀作品，基于昇思MindSpore进行大模型微调及调用模型API服务，完成新闻检索-新闻稿内容情感分类-带感情语音播报的全流程实践。 开源代码 ResNet50中药饮片质量分析 CV 基于MindSpore的ResNet50中药饮片分类案例，覆盖从数据处理、模型开发、模型训练、模型推理全流程，相比于传统方式的人工经验判断，通过神经网络区分蒲黄、山楂、王不留行三种中药的四种炮制状态。 开源代码 DDPM 扩散模型 Diffusion 基于MindSpore NLP的DDPM图像生成案例，详细展示了去噪扩散概率模型（DDPM）的完整训练与推理流程，帮助开发者快速理解扩散模型原理并构建自己的生成式AI训练Pipeline。 开源代码 结构化信息提取系统 LLM 昇思创新训练营（西北站）优秀作品，基于MindSpore NLP的通用信息抽取微调案例，集成训练、推理与Gradio可视化，支持预定义或自定义模式，快速构建领域专属抽取系统。 开源代码 智能医疗分诊系统 LLM 昇思创新训练营（西北站）优秀作品，基于昇思MindSpore的智能医疗分诊案例，通过 LoRA 微调实现“症状理解，患者画像，系统定位，科室匹配”完整推理过程。 开源代码 智能旅游助手 LLM 昇思创新训练营（华中站）优秀作品，基于昇思MindSpore进行大模型微调及使用RAG技术，完成一个能够为游客提供个性化旅游信息的智能助手的全流程实践。 开源代码 中文法律问答助手 LLM 昇思创新训练营（西北站）优秀作品，基于 MindSpore NLP 的中文法律问答案例，支持指令微调、权重合并、流式推理与Gradio交互，覆盖法律大模型全流程。 开源代码 DistilGPT-2文本生成 LLM 基于 MindSpore 与 MindSpore NLP 的 DistilGPT-2 自回归语言模型微调案例，涵盖环境配置、动态批处理、自定义Trainer训练、推理与模型存载，提供LLM微调全流程范例。 开源代码 WaveNet音乐生成 Audio 基于 MindSpore 的 WaveNet 神经音频生成案例，完整展示了从原始语音数据预处理、模型构建、训练到音频合成的全流程，能够生成高质量的自然语音波形。 开源代码 共14条数据 1 2 前往 投稿案例 联系我们，可投稿案例 投稿案例 --- https://www.mindspore.cn/competitions/ --- 竞赛状态 全部 进行中 已结束 未开始 --- https://www.mindspore.cn/conduct/ --- # 政策规则 了解MindSpore社区的行为准则、AI贡献策略等相关内容 - 行为准则 - AI贡献策略 # MindSpore社区行为准则 1、为建设开放友好的社区环境，本项目群贡献者和维护者承诺：不论年龄、体型、身体健全与否、民族、经验水平、受教育程度、社会地位、国籍、相貌、种族等，本项目群和社区的参与者皆免于任何骚扰。 2、有助于创造积极社区环境的行为包括但不限于： - (1)措辞友好且包容； - (2)尊重不同的观点和经验； - (3)耐心接受有益批评； - (4)关注对社区最有利的事情； - (5)与社区其他成员友善相处。 - (6)合规提交代码、规范使用权限、保障项目供应链与基础设施安全。 3、本项目群和社区的参与者不应采取的行为包括但不限于： - (1)发布与色情、暴力等有关的言论或图像； - (2)捣乱/煽动/造谣行为、侮辱/贬损的评论、人身及政治攻击； - (3)公开或私下骚扰本项目群和社区的其他参与者； - (4)未经明确授权发布他人的个人信息等资料，如住址、电子邮箱等； - (5)植入恶意后门、污染项目依赖、损毁项目资产等危害社区安全的违规操作； - (6)其他有理由认定为违反社区行为准则的不当行为。 4、社区项目维护者(Maintainer)有权利和义务诠释何谓“不当行为”，并妥善公正地纠正已发生的不当行为。社区项目维护者有权利和义务删除、编辑、拒绝违背本行为准则的评论（comments）、提交（commits）、代码、wiki 编辑、问题（issues）等任何贡献；社区项目维护者可暂时或永久地封禁任何其认为有威胁、冒犯、有害社区秩序的不当行为参与者。 5、本行为准则适用于本社区。当有人代表本社区时，本准则亦适用于此人所处的公共平台。 6、代表本社区的情形包括但不限于：使用本社区的官方电子邮件、通过本社区官方媒体账号发布消息、作为本社区指定代表参与在线或线下活动等。 7、代表本社区的行为准则可由项目群办公室进一步定义及解释，并报本项目群 MindSpore 委员会审批发布。 --- https://www.mindspore.cn/conduct/en/ --- # Policies & Rules Learn about the code of conduct, and AI contribution policies of the MindSpore community. - Code of Conduct - AI Contribution Policy # MindSpore Community Code of Conduct ##### 1\. To build an open and friendly environment, we as contributors and maintainers pledge to make participation in our community a harassment-free experience for participants of the program and community, regardless of age, body size, visible or invisible disability, ethnicity, level of experience, education, socioeconomic status, nationality, personal appearance, or race. ##### 2\. Behaviors that contribute to a positive environment for our community include: (1) Friendly and inclusive wording; (2) Respecting different viewpoints and experiences; (3) Gracefully accepting constructive feedback; (4) Focusing on what is best for the community; (5) Demonstrating kindness toward other people. (6) Compliant code submissions, proper use of permissions, and safeguarding project supply chain and infrastructure security. ##### 3\. Unacceptable behaviors in the program and community include: (1) Use of sexualized and violent language or imagery; (2) Disruption, incitement, rumor-making, insulting, derogatory comments, and personal and political attacks; (3) Public or private harassment to participants in the program and community; (4) Publishing others' information, such as physical and email addresses, without their explicit authorization; (5) Implanting malicious backdoors, polluting project dependencies, destroying project assets, and other violations that endanger community security; (6) Other conduct that can reasonably be considered as a violation of this Code of Conduct. ##### 4\. Community project maintainers are responsible for clarifying and enforcing our standards of "proper conduct" and will take appropriate and fair corrective action in response to any conduct that they deem inappropriate. Community project maintainers have the right and responsibility to remove, edit, or reject comments, commits, code, wiki edits, and issues that violate this Code of Conduct, and will temporarily or permanently ban any participant because of the behavior they consider to be threatening, offensive, or harmful. ##### 5\. This Code of Conduct applies within all community spaces, and applies when an individual represents the community in public spaces. ##### 6\. Examples of representing the community include using an official email address, posting through an official media account, and participating in online or offline events as an appointed representative. ##### 7\. The program office can further define and interpret the conduct of representing the community and report to the MindSpore Committee for approval and publishing. --- https://www.mindspore.cn/contribution/ --- # 贡献指南 更多 打印指南地图 --- https://www.mindspore.cn/contribution/en/ --- # Contribution Guide more Print Guide Map --- https://www.mindspore.cn/cookies/ --- # 关于COOKIES ## （一）Cookie Cookie是一种网络服务器存储在计算机或移动设备上的纯文本文件。Cookie的内容只能由创建它的服务器检索或读取。每个Cookie对您的网络浏览器或移动应用程序都是唯一的。Cookie通常包含标识符、站点名称以及一些号码和字符。 MindSpore社区有时会在计算机或移动设备上存储Cookie，我们启用Cookie的目的在于改善用户体验，包括： 1. 登录和验证。当您使用社区账号登录网站时，借助Cookie，您可以直接从网站的一个页面跳转到另一个页面，而不必在每个页面上重新登录； 2. 存储您的偏好和设置。网站能够借助Cookie来保存设置，如计算机或移动设备的语言、字体大小、其他浏览偏好等； 3. 统计分析。借助于Cookie，MindSpore社区可以收集您使用我们网站和其他应用程序的信息，如记录用户的单次访问（使用会话 Cookie）或多次访问（使用永久 Cookie）。 MindSpore社区不会将Cookie用于本声明所述目的之外的任何用途。您可根据自己的偏好管理或删除Cookie。您可以清除计算机上保存的所有Cookie，大部分网络浏览器都设有阻止Cookie的功能。但如果您这么做，则需要在每一次访问我们的网站时亲自更改用户设置。同时也请注意，MindSpore社区的某些服务可能必须使用Cookie，禁用Cookie可能会影响您使用这些服务的全部或部分功能。 ## （二）其他类似的技术 除Cookie之外，我们可能会使用其他技术来自动收集信息。 浏览器网络存储：我们可能会使用浏览器网络存储（包括通过HTML5），也称为本地存储对象，从而达到与Cookie类似的目的。浏览器Web存储可以存储比Cookie更多的数据量。您的网络浏览器可能会提供清除浏览器网络存储的功能。 ## （三）Do Not Track（请勿追踪） 很多网络浏览器均设有Do Not Track功能，该功能可向网站发布Do Not Track请求。目前，主要互联网标准组织尚未设立相关政策来规定网站应如何应对此类请求。 MindSpore社区没有根据您选择的“请勿跟踪”设置或您的浏览器可能提供的其他“选择退出”设置或特性，改变本文中详述的数据收集和使用方式。但是，MindSpore社区保留在今后不通知您的情况下改变数据处理方式的权利。 --- https://www.mindspore.cn/cookies/en/ --- # About Cookies ## 1\. Cookie A cookie is a text file stored by a web server on a computer or mobile device, and the content of a cookie can be retrieved or read only by the server that created the cookie. Cookies are unique to the browser or mobile application you are using. The text in a cookie often consists of identifiers, site names, and some numbers and characters. The MindSpore community sometimes stores cookies on computers or mobile devices. We use cookies to improve user experience, including: 1. Strictly necessary cookies: When you use the website, cookies ensure that your visit to the website is as smooth and secure as possible. | Name | Source | Expiration | Purpose | | --- | --- | --- | --- | | _Y_G_ | MindSpore website | session | Maintain user login sessions. | | _U_T_ | MindSpore website | 8 hours | Prevent cross-site request forgery (CSRF) attacks. | | agreed-cookiepolicy-zh, agreed-cookiepolicy-en | MindSpore website | 180 days | Record whether the user agrees to accept cookies. | | MindSpore-theme-appearance | MindSpore website | 180 days | Record the user's preference for the website theme. | | HWWAFSESID, HWWAFSESTIME | Huawei Cloud WAF | session | Prevent malicious attacks. | | express_sid | etherpad website | 1 day | Maintains user sessions. | | token | etherpad website | 60 days | Record the author's random token, which will be generated by the client. | | prefs | etherpad website | 400 days | Record the client's preference settings, which are used to set font series, colors, and other content. | | _forum_session | forum website | session | Maintains user sessions. | | _t | forum website | 60 days | Maintains user sessions. | 2. Statistical analysis cookies. We collect information about your use of our website. These cookies help us understand how the services are performing and being used. | Name | Source | Expiration | Purpose | | --- | --- | --- | --- | | Cookies related to Baidu Analytics. For details about the name, please refer to the list of cookies related to Baidu Analytics. | For details about the source, please refer to the list of cookies related to Baidu Analytics. | For details about the expiration, please refer to the list of cookies related to Baidu Analytics. | For details about the purpose, please refer to the list of cookies related to Baidu Analytics. | The MindSpore community does not use cookies for any purposes other than those described in this statement. You can manage or delete cookies based on your preferences. For details, visit AboutCookies.org. You can clear all cookies saved on your computer. Most browsers are set to block cookies. But if you do so, you need to change the user settings yourself every time you visit our website. For details about how to change the browser settings, please visit the following links: Internet Explorer, Google Chrome, Mozilla Firefox, Safari and Opera. Note that some services in the openGauss community may require cookies. Disabling cookies may affect all or some functions of these services. You can click Cookie settings to withdraw your consent to non-necessary cookies. ## 2\. Similar Technologies In addition to cookies, we may use other technologies to automatically collect information. Browser web storage: We may use browser web storage (including HTML5), also known as local storage, for similar purposes to those of cookies. Browser web storage can store more data than cookies. Your web browser may provide the function to clear the data stored therein. | Name | Source | Expiration | Purpose | | --- | --- | --- | --- | | oa-MindSpore-client, oa-MindSpore-events, oa-MindSpore-session | MindSpore website | Permanent | Record your application ID, events, and sessions. | ## 3\. Do Not Track Many browsers provide the "Do Not Track" feature, which sends the "Do Not Track" request to websites. So far, major Internet standardization organizations have not established policies to regulate how websites should respond to such requests. The MindSpore community does not change how data is collected and used as described in this statement based on the "Do Not Track" setting you have selected or other opt-out settings or features that your browser may provide. However, the MindSpore community reserves the right to change the data processing mode without notifying you. --- https://www.mindspore.cn/courses/ --- # 课程中心 从入门到精通，深入浅出玩转昇思MindSpore ## 课程列表 难度 全部 初级 中级 高级 专家 领域 全部 大模型 开发板 自然语言处理 生成式 计算机视觉 AI框架 科学计算 (昇思大模型全流程实战)[/courses/detail?id=1] (昇思支持DeepSeek训推全流程技术)[/courses/detail?id=2] (昇思+昇腾开发板：软硬结合玩转DeepSeek开发实战)[/courses/detail?id=3] (昇思学习营NLP专题)[/courses/detail?id=4] (MindSpore LLM大模型原理和实践：Prompt Engineering)[/courses/detail?id=5] (MindSpore LLM大模型原理和实践：解码原理介绍)[/courses/detail?id=6] (MindSpore LLM大模型原理和实践：高效参数微调（PEFT）)[/courses/detail?id=7] (MindSpore Transformers大模型套件课程)[/courses/detail?id=8] (昇思学习营生成式专题)[/courses/detail?id=9] 共22条数据 1 2 3 前往 --- https://www.mindspore.cn/courses/en/ --- # Course Center From beginner to expert in MindSpore ## Course List Level All Beginners Experts Category All AI Framework (Multi-agent AI)[/courses/detail/en?id=16] (MindSpore Overview)[/courses/detail/en?id=22] --- https://www.mindspore.cn/data-sharing-with-third-parties/ --- .statement-container \*{ margin: 0; padding: 0; font-family: "Microsoft YaHei", arial, sans-serif; }.statement-container body{ margin: 20px; }.statement-container ul, .statement-container ol{ list-style: none; }.statement-container .content{ padding-left: 10px; line-height: 24px; font-size: 16px; }.statement-container .overview{ font-size: 16px; line-height: 30px; }.statement-container .overview ul{ list-style:disc inside; padding: 5px; }.statement-container .overview ol{ list-style:decimal inside; padding: 5px; }.statement-container table{ margin-top: 0.4rem; font-family: 鸿蒙黑体, sans-serif; font-weight: 400; }.statement-container table thead th{ font-size: 16px; text-align: left; font-weight: normal; padding: 10px; border: 1px solid #ddd; height: 24px; line-height: 24px; background: rgba(242, 242, 242, 1); }.statement-container table, .statement-container table tbody tr th, .statement-container table tr td{ padding: 12px 16px 16px 16px; font-size: 16px; font-weight: normal; border-collapse: collapse; border: 2px solid #000000; color: #000000E6; }.statement-container th.borderRight, .statement-container td.borderRight{ border-right: none; }.statement-container th.borderLeft, .statement-container td.borderLeft{ border-left: none; }.statement-container th.borderTop, .statement-container td.borderTop{ border-top: none; }.statement-container th.borderBottom, .statement-container td.borderBottom{ border-bottom: none; }.statement-container .title\_content{ text-align: center; line-height: 38px; font-size: 22px; }.statement-container .date\_content{ text-align: right; line-height: 38px; color: rgb(51, 51, 51); padding-right: 40px; }.statement-container .body\_content{ padding: 20px 100px 0px 100px; }.statement-container .list\_title{ font-size: 18px; line-height: 36px; font-weight: bold; } ## 第三方共享信息清单 MindSpore社区（以下简称我们）为保障网站安全稳定的运行，我们会接入由三方提供的软件开发包（SDK）或通过其他合作方式，以实现相关目的，目前本应用涉及共享信息合作伙伴列表如下: ## 第三方合作商名单 * * * - **第三方公司名称**：北京百度网讯科技有限公司 - **产品/类型**：百度统计 SDK - **共享信息名称**：设备信息（硬件信息、操作系统、网络运营商、系统语言、屏幕分辨率、屏幕颜色）、使用信息（**IP地址**、**地域**、浏览器类型、浏览器语言、浏览器版本、访问来源、访问搜索词、访问页面、跳出后页面、访客标识码、访问社区的次数、停留时长、访问时间戳、访问社区所用服务器类型版本） - **使用目的**：支撑社区运营的日常数据分析需求 - **使用场景**：访问社区网站时 - **共享方式**：后台接口传输 - **第三方个人信息处理规则**：https://tongji.baidu.com/web/help/article?id=330&type=0 * * * - **第三方公司名称**：北京蒸汽记忆有限公司 - **产品/类型**：Authing账号 - **共享信息名称**：**用户名**、**密码**、**手机号**、**手机验证码**、**邮箱**、**邮箱验证码**、头像、**组织**、**Gitee UUID**、**Gitee ID**、Gitee昵称、**Gitee邮箱**、**Github UUID**、**Github ID**、Github昵称、**Github邮箱**、**微信ID**、微信昵称、**AtomGit UUID**、**AtomGit ID**、AtomGit昵称、**AtomGit邮箱** - **使用目的**：支撑网站的鉴权和个人信息管理 - **使用场景**：登录服务时 - **共享方式**：后台接口传输 - **第三方个人信息处理规则**：https://www.authing.cn/privacy-policy.html 更新日期: 2026年09月14日 --- https://www.mindspore.cn/data-sharing-with-third-parties/en/ --- .statement-container \*{ margin: 0; padding: 0; font-family: "Microsoft YaHei", arial, sans-serif; }.statement-container body{ margin: 20px; }.statement-container ul, .statement-container ol{ list-style: none; }.statement-container .content{ padding-left: 10px; line-height: 24px; font-size: 16px; }.statement-container .overview{ font-size: 16px; line-height: 30px; }.statement-container .overview ul{ list-style:disc inside; padding: 5px; }.statement-container .overview ol{ list-style:decimal inside; padding: 5px; }.statement-container table{ margin-top: 0.4rem; font-family: 鸿蒙黑体, sans-serif; font-weight: 400; }.statement-container table thead th{ font-size: 16px; text-align: left; font-weight: normal; padding: 10px; border: 1px solid #ddd; height: 24px; line-height: 24px; background: rgba(242, 242, 242, 1); }.statement-container table, .statement-container table tbody tr th, .statement-container table tr td{ padding: 12px 16px 16px 16px; font-size: 16px; font-weight: normal; border-collapse: collapse; border: 2px solid #000000; color: #000000E6; }.statement-container th.borderRight, .statement-container td.borderRight{ border-right: none; }.statement-container th.borderLeft, .statement-container td.borderLeft{ border-left: none; }.statement-container th.borderTop, .statement-container td.borderTop{ border-top: none; }.statement-container th.borderBottom, .statement-container td.borderBottom{ border-bottom: none; }.statement-container .title\_content{ text-align: center; line-height: 38px; font-size: 22px; }.statement-container .date\_content{ text-align: right; line-height: 38px; color: rgb(51, 51, 51); padding-right: 40px; }.statement-container .body\_content{ padding: 20px 100px 0px 100px; }.statement-container .list\_title{ font-size: 18px; line-height: 36px; font-weight: bold; } ## Data Sharing with Third Parties To ensure the secure and stable running of the website of the MindSpore community (hereinafter referred to as "we," "us," or "our"), we may incorporate software development kits (SDKs) provided by third parties or adopt other cooperation methods. Currently, this website involves data sharing with the following partners: ## Third-Party Partners * * * - **Third-party company name**: Beijing Baidu Netcom Science Technology Co., Ltd. - **Product/Type**: Baidu Statistics SDK - **Shared data**: device information (hardware information, operating system, Internet service provider, system language, screen resolution, screen color), usage information (**IP address**, **region**, browser type, browser language, browser version, access source, access search terms, accessed pages, exit page, visitor identifier, number of community visits, duration of stay, access timestamp, server type and version used to access the community) - **Data sharing purpose**: daily data analysis of community operations - **Application scenario**: user access to the community website - **Data sharing method**: transmission through background interfaces - **Third-party personal data processing rules**: https://tongji.baidu.com/web/help/article?id=330&type=0 * * * - **Third-party company name**: Beijing Steamory Technology Co., Ltd. - **Product/Type**: Authing account - **Shared data**: **user name**, **password**, **phone number**, **phone verification code**, **email address**, **email verification code**, avatar, **organization**, **Gitee UUID**, **Gitee ID**, Gitee nickname, **Gitee email address**, **GitHub UUID**, **GitHub ID**, GitHub nickname, **GitHub email address**, **WeChat ID**, WeChat nickname, **AtomGit UUID**, **AtomGit ID**, AtomGit nickname, **AtomGit email address** - **Data sharing purpose**: authentication and personal data management of the community website - **Application scenario**: login service - **Data sharing method**: transmission through background interfaces - **Third-party personal data processing rules**: https://www.authing.cn/privacy-policy.html Revised Date: 14/09/2026 --- https://www.mindspore.cn/developers/ --- # 开发者成长激励体系 昇思MindSpore开源社区成长记录体系，寻找热爱技术、热爱开源、乐于布道、关注个人成长的你！ 立即申请 更多 ## 昇思MindSpore开发者成长激励体系 可申请认证成为优秀开发者、资深开发者、布道师和资深布道师 开发者 AI开源爱好者，认同开源理念，愿意参与开源贡献 优秀开发者 初阶技术领袖，积极参与社区代码贡献和创新解决方案 资深开发者 高阶技术领袖，能主导特性级的开发，领衔社区技术发展 预备布道师 社区未来传播者，主动积极的学习昇思技术，以加入布道师行列 布道师 初阶影响力领袖，具备强大技术能力，积极推广昇思技术 资深布道师 高阶影响力领袖，拥有丰富技术经验，对社区生态有显著影响力 ## 使命 icon-preach 技术布道 在昇思MindSpore开源社区的活动中,作为讲师分享关于昇思MindSpore相关技术。 icon-practice 技术实践 发布与昇思MindSpore相关的原创技术文章,在社区积极回答其他开发者的问题。 icon-build 建设昇思 积极参与昇思MindSpore开源社区建设,在社区提交ISSUE或PR。 ## 昇思MindSpore优秀成员展示 了解更多 --- https://www.mindspore.cn/developers/detail/ --- 开发者 查看信息 --- https://www.mindspore.cn/developers/lists/ --- 开发者成长激励体系 昇思MindSpore优秀成员 # 昇思MindSpore优秀成员 分类 全部 资深布道师 布道师 资深开发者 优秀开发者 赵博宣 查看信息 资深布道师 赵博宣 上海交通大学 硕士研究生在读 杨奕 查看信息 资深布道师 杨奕 深圳湾实验室 系统与物理生物学研究所副研究员 王俊 查看信息 资深布道师 王俊 华为技术有限公司 MindSpore布道师 项靖阳 查看信息 资深布道师 项靖阳 浙江工业大学 本科在读 毕盛 华南理工大学，计算机科学与工程学院，副教授，嵌入式技术大会专家委员，获教育部-华为“智能基座”优秀教师奖励，华为云开发者专家(HCDE)，发表研究论文40多篇，授权发明专利20多项，出版嵌入式和智能系统相关书籍5部，主持和参与完成30多项研究项目。指导学生参加华为云人工智能大赛和中国机器人大赛等获得优异成绩，并获“教育部产学合作协同育人项目”优秀项目案例， 广东“金博奖”科普突出贡献奖等奖励。 主要研究智能机器人、智能系统和边缘计算等方面的技术，实现智能感知和认知在机器人和嵌入式平台上有效的部署实现。 查看证书 布道师 毕盛 华南理工大学 副教授 楚朋志 楚朋志，学生创新中心主任助理，创新实践部主任。主要负责交大校企创新课程及人工智能相关教学，主讲的人工智能交互、深度学习实践、无人驾驶等课程深受学生好评，连续多次校内评教A等，获批20余次省级以上教改项目，协同团队荣获第二届全国高校混合式教学设计创新大赛特、上海市重点课程立项、上海市教学成果特等奖、国家级教学成果二等奖等奖项。同华为、腾讯、英特尔、字节等企业联合开设多门校企实践课程，建设同企业的握手区，近3年共开发参与的课程总数达30门以上，出版《物联网实践案例》《HarmonyOS移动应用开发》等多本教材，将上海交通大学的校企创新教育，打造成了一张全国名片，获得“教育部华为智能基座优秀教师”，“华为ICT行动大使”，“中美青年创客优秀指导教师”，“英特尔AI总教练”等荣誉称号。带领学生在多项赛事获得最高奖项，总数超过20余项，获上海交通大学管理服务二等奖奖励。 查看证书 布道师 楚朋志 上海交通大学 教师 段鹏飞 段鹏飞，武汉理工大学计算机与人工智能学院副教授，主要从事自然语言处理与数据挖掘方向研究，主持和参与承担国家自然国家自然科学基金、重点研发计划、863计划、湖北省自然科学基金等项目15项，共发表学术论文34篇，出版专著2本，获得国家发明专利授权5项。依托华为与武汉理工大学共同设立“智能基座”产教融合协同育人基地和教育部深度深度虚拟教研室，主持完成了一项2021年华为-教育部产学合作协同育人项目并荣获优秀等级，一项2023年华为-教育部产学合作协同育人项目正在进行，指导学生多次参加ICT学院实践赛、鲲鹏应用创新大赛、昇腾AI创新大赛并荣获优秀指导教师奖，指导学生依托华为国产软硬件平台获得了互联网+省赛金奖，主持多项华为鲲鹏众智项目，对项目经验进行总结，发表教研论文“自主先进计算新工科研究生培养模式改革与实践”，2023年获得湖北省高等学校教学成果奖一等奖。 查看证书 布道师 段鹏飞 武汉理工大学 副教授 胡芊芊 人工智能专业本科生。在知识的海洋中，我始终保持着对技术的无限热爱与不懈追求，特别是对华为技术，我怀揣着浓厚的兴趣和深厚的敬意。通过不懈的努力，获得了HCIP-Kunpeng Application Developer、HCIA-AI、HCIA-OpenEuler等多项华为认证。热衷于参加华为相关的竞赛，通过挑战自我，不断提升自己的技能水平。在2023黄河鲲鹏开发者大赛中，荣获了省级三等奖；在华为ICT昇腾实践赛中，获得了国家级三等奖。作为一名华为技术的热爱者，始终致力于将华为技术知识传递给更多的人，积极参与各类技术讲座和研讨会，与同学们分享我的学习心得和实践经验，帮助他们更好地理解和掌握华为技术。同时也积极推广华为技术在校园内的应用，让更多的人感受到华为技术带来的便捷和乐趣。在未来，我将继续以热情、专业、务实的态度，推动华为技术在校园内广泛应用。 查看证书 布道师 胡芊芊 安阳工学院 本科生 计卫星 北京师范大学人工智能学院教授，教育部产学合作协同育人项目专家组成员，信息技术新工科产学研联盟副秘书长。主要研究方向包括并行与高性能计算、大规模代码分析与优化，主持和参与国家自然科学基金项目、国家重点研发计划等项目多项，在国内外著名期刊和国际会议（TPDS、TACO、PLDI、ICSE、RTSS、FSE和DATE等）上发表论文多篇，获国家级和省部级教学成果奖各1项。先后承担教育部产学合作协同育人项目4项，其中华为资助产学合作协同育人项目2项；承担华为资助科研合作项目4项。与华为合作建设在线课程”大数据基础与应用“并获评国家一流课程，2022年入选教育部-华为“智能基座”优秀教师奖励计划，组织发起京津冀—昇思MindSpore创新训练营，2023年获评教育部产学合作协同育人项目华为优秀成果奖、ICT优秀案例二等奖。 查看证书 布道师 计卫星 北京师范大学 教授 雷俊丽 雷俊丽，女，博士，副教授，湖北经济学院数据科学系主任，以主编身份出版大数据相关教材3部；主持教育部产学合作协同育人项目2项；主持“国产软件进校园”项目1项；发表大数据相关教研论文多篇；主持校级研究生教学案例建设项目和校级教学研究项目多项；省级一流课程《机器学习》主要建设者，校级慕课《ICT理论与实践》、校级一流课程《大数据Python基础》、校级在线开放课程《大数据技术原理及应用》、《大数据案例分析》等课程负责人。指导学生参加华为ICT大赛、统计建模大赛、“泰迪杯”数据挖掘挑战赛等全国性比赛获省部级和国家级奖项40余项；指导多项学生科研项目和大学生创新创业训练计划项目结题。多次荣获“优秀教学奖”、“优秀本科生导师”、“优秀实习指导教师”等荣誉。主持或参与国家自然科学基金重点及面上项目、国家社会科学基金项目、教育部人文社会科学基金项目、高等学校博士学科点专项基金项目等课题研究近20项。 查看证书 布道师 雷俊丽 湖北经济学院 副教授 李昊煜 长春财经学院人工智能专业本科生，首届开放原子开源社团（长春财经学院）社长，曾获得中国国际大学生创新赛省级金奖、省级银奖各一项，“挑战杯”中国大学生创业计划竞赛省级银奖一项，大创项目省级立项。作为项目负责人在2024昇腾AI创新大赛中获省级铜奖，并在2024华为ICT大赛创新赛中夺得省级三等奖。深度参与昇思MindSpore开源生态建设，积极投身MindSpore社区与昇腾论坛活动。凭借对技术的钻研，为昇思开源社区贡献了两份优质代码案例，发表了一篇论文，并参与了一次直播分享，助力开源技术发展。顺利完成昇思开源实习并获得实习证明，在实践中进一步深化了技术认知。在技术应用层面，擅长将MindSpore框架与昇腾AI开发板结合，能够高效实现算法落地与产品开发，为技术成果转化提供有力支持。 查看证书 布道师 李昊煜 长春财经学院 本科生 李蒙 博士，副教授，硕士生导师，深圳技术大学计算机科学与技术系主任。长期从事操作系统、多机器人协同、物联网等方向研究。来深圳三年多以来，参与各类科研项目20余项，其中主持17项，科研经费总计超700余万元。指导学生获第十八届“挑战杯”全国大学生课外学术科技作品竞赛“揭榜挂帅”专项赛国赛一等奖、中国高校计算机大赛网络技术挑战赛国赛一等奖、全国大学生电子设计竞赛全国二等奖等国家级奖项20余项，省级奖项50余项。多次获得竞赛优秀指导教师称号，部分竞赛成果已申请专利或转化为校企合作项目。获得深圳技术大学教师晶体奖、深圳技术大学优秀教学工作者、优秀学生社团指导教师，优秀班主任等多项奖励。2021年底开始，主要负责与华为联合建设未来技术学院开源鸿蒙方向。其中承担了华为教育部产学合作协同育人课题，顺利结题并获得优秀等级。未来在社区将分享开源鸿蒙人才培养经验，推广国产操作系统生态。 查看证书 布道师 李蒙 深圳技术大学 副教授 1 2 3 4 5 6 7 39 前往 --- https://www.mindspore.cn/docs/ --- # 文档全景 昇思MindSpore全场景AI框架，集核心框架、模型、开发套件等于一体，助力产业智能升级 ## 核心框架 ## 套件及工具 --- https://www.mindspore.cn/docs/en/ --- # Docs View MindSpore, a full-scenario AI framework, integrates the core framework, models, and development toolkits to empower intelligent transformation across industries. ## Core Frameworks ## Frameworks and Tools --- https://www.mindspore.cn/ecosystem/ --- # 生态资源 提供AI科研的开源项目、案例集合与面向特定任务的SOTA模型及其衍生工具 筛选 --- https://www.mindspore.cn/ecosystem/en/ --- # Ecosystem Provides open source AI research projects, case collections, and task-specific SOTA models and derivatives Filtrate --- https://www.mindspore.cn/en/ --- MindSpore Through community cooperation, this open AI framework best matches with Ascend processors and supports multi-processor architectures for all scenarios. It brings data scientists, algorithm engineers, and developers with friendly development, efficient running, and flexible deployment, and boosts the development of the AI software and hardware ecosystem. #### MindSpore 2.10 Officially Released Faster performance through advanced parallelism and kernel fusion #### Knowledge Map Mastering MindSpore: From Beginner to Advanced #### Tutorials From Quickstart to Experts #### MindSpore Activities Community Communication and Sharing # MindSpore Native Distributed Model Training Provides multiple parallel capabilities for foundation model training, as well as easy-to-use APIs for configuring distributed policies for foundation models, helping developers quickly implement distributed training of high-performance foundation models. AI4S Converged Computing Framework Fully Unleashing Hardware Potential Quick Deployment in All Scenarios ## Events & News more View More ## Install Commands Installing MindSpore requires access to the public internet. If you are in an internal network environment, ensure that the network connection is properly configured. Click to Installation Guide ### Accessing a Cloud Platform Cloud platforms help users quickly create and deploy models and manage the entire AI workflow. Choose a cloud platform to get started with MindSpore. ModelArtsOpenl ## Start Learning (Quick Start)[/tutorials/en/master/beginner/quick_start.html] (Image Classification)[/tutorials/en/master/cv/resnet50.html] (Sentiment Analysis)[/tutorials/en/master/nlp/sentiment_analysis.html] (Course Center)[https://space.bilibili.com/526894060?spm_id_from=333.337.0.0] ## Repositories ### Ecosystem Provides open source AI research projects, case collections, and task-specific SOTA models and derivatives Go to view all projects ## Contact and Help (AtomGit)[https://atomgit.com/mindspore/mindspore] (Forum for Help)[https://discuss.mindspore.cn] (Cooperative association)[mailto:contact@public.mindspore.cn] ## Achievements ### Join MindSpore to contribute More Details ## Community Partners Listed in no particular order --- https://www.mindspore.cn/feedback/ --- # 昇思MindSpore文档反馈参与有奖 你有反馈，我有奖品，我们Issue/PR论英雄 了解更多 ## 简介 ### 致各位昇思MindSpore开发者们 本活动由昇思MindSpore社区主办，旨在帮助开发者与昇思MindSpore之间形成纠错、修正、完善的良性循环合作关系，进一步提高文档的可阅读性，促进开发者和我们共同进步。 欢迎大家提出Issue/PR，不论您是技术问题，还是错别字的修正都是对我们的大力支持，真诚期待每一位小伙伴的参与。 您的每一个 Issue、每一个 PR ，都将是昇思MindSpore社区文档贡献中闪亮发光的星星。心动不如行动，赶紧加入我们吧~~ ## 如何反馈 - ### A： 找bug，提Issue 1\. 浏览MindSpore官网教程和文档进行学习； 2\. 选中存在问题的文档片段，点击出现的图标，在弹窗中填写相关信息，选择 “提交类型”为Issue，选择问题类型； 3\. 单击“提交”按钮，会自动拷贝内容并跳转到AtomGit MindSpore代码仓库Issue提交页面； 4\. 登录AtomGit，会自动粘贴复制内容，完成Issue创建。 观看视频 - ### B： 提PR，解bug 1\. 浏览MindSpore官网教程和文档进行学习； 2\. 选中存在问题的文档片段，点击出现的图标，在弹窗中填写相关信息，选择 “提交类型”为PR，选择问题类型； 3\. 单击“提交”按钮，会自动拷贝内容并跳转到AtomGit MindSpore代码仓库Web IDE界面； 4\. 登录AtomGit，会自动粘贴复制内容，在“编辑”页面完成问题修改，点击“提交修改”，完成PR创建，详细可参考 AtomGit相关指导 观看视频 问题反馈范围： MindSpore安装指南 MindSpore文档 MindSpore教程 ## 积分规则 本次文档反馈活动采用积分制，将对有效的Issue和PR进行累计式积分。 ### 说明： - 针对有效Issue或PR，MindSpore社区工作人员会进行相关评论 - 月度评奖，仅计算当月积分，不累计 - 仅标题中带有“文档反馈”且得到社区人员评论有效的Issue和已合入的PR积分 - 同一个问题，最早有效提交者积分 - 不同分支的同一个问题，仅一个分支标准积分，其他分支的 Issue/PR 不积分 - 同一个问题若同时提Issue和PR，按PR积分，不能重复积分 - 若有恶意参加行为，则取消活动参加资格 - 该活动所有解释权归昇思MindSpore社区，如有异议可联系工作人员沟通 | 序号 | 积分项内容 | 积分内容 | | --- | --- | --- | | 1 | 规范和低错类：- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常；- 链接错误、空单元格、格式错误；- 英文中包含中文字符；- 界面和描述不一致，但不影响操作；- 表述不通顺，但不影响理解；- 版本号不匹配：如软件包名称、界面版本号； | 每个 issue 2 分每个 PR 3 分 | | 2 | 易用性：- 关键步骤错误或缺失，无法指导用户完成任务；- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等；- 描述内容存在歧义指代不明、上下文矛盾；- 逻辑不清晰，该分类、分项、分步骤的没有给出； | 每个 issue 2 分每个 PR 3 分 | | 3 | 正确性：- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致；- 原理图、架构图等存在错误；- 命令、命令参数等错误；- 代码片段错误；- 命令无法完成对应功能；- 界面错误，无法指导操作；- 代码样例运行报错、运行结果不符； | 每个 issue 5 分每个 PR 8 分 | | 4 | 风险提示：- 对重要数据或系统存在风险的操作，缺少安全提示； | 每个 issue 8 分每个 PR 12 分 | | 5 | 内容合规：- 违反法律法规，涉及政治、领土主权等敏感词；- 内容侵权； | 每个 issue 10 分每个 PR 12 分 | ## 奖项设置 本活动为长期活动，每个月度为一期并发放一次奖品，根据积分规则，每期将会统计在这个月度内用户的积分并进行排名，奖励分为火眼金睛奖和特殊贡献奖。 获奖用户将通过AtomGit私信联系并发放奖品，请及时关注私信消息。 1. ### 可获得价值50元的奖品 奖励规则：按照本月度内的积分从高到低进行排名，前五名可获得火眼金睛奖； 2. ### 可获得价值500元的奖品 奖励规则：Issue/PR经评审后，对文档有重大改进的可获得特殊贡献奖； ## 积分排名 即将公布 --- https://www.mindspore.cn/feedback/en/ --- # MindSpore Documentation Improvement Activity Create issues/PRs to win prizes. Learn More ## Introduction ### Dear MindSpore developers This activity, hosted by the MindSpore community, aims to help developers and MindSpore form a virtuous cycle of cooperation from error correction to document readability improvement and make progress together. You are welcome to create issues/PRs no matter whether it is a technical issue or a spelling error. We sincerely look forward to the participation of every partner. Each issue and PR will be an impressive contribution to the MindSpore community. Don't hesitate to join us. ## Feedback - ### A. Find bugs and create an issue. 1\. Browse tutorials and documents on the MindSpore official website. 2\. Select a segment and click the icon that appears. In the dialog box that is displayed, enter information about the bug you may find, set Submit As to Issue, and select a bug type. 3\. Click Submit. The content is automatically copied and the issue creation page of the MindSpore code repository on AtomGit is displayed. 4\. Log in to AtomGit. The copied content is automatically pasted to complete issue creation. Watch videos - ### B. Create a PR to resolve bugs. 1\. Browse tutorials and documents on the MindSpore official website. 2\. Select a segment and click the icon that appears. In the dialog box that is displayed, enter information about the bug you may find, set Submit As to PR, and select a bug type. 3\. Click Submit. The content is automatically copied and the Web IDE of the MindSpore code repository on AtomGit is displayed. 4\. Log in to AtomGit. The copied content will be automatically pasted. On the editing page, resolve bugs. Click "Submit Changes", and create a PR. For details, see AtomGit guidance Watch videos Documentation scope: MindSpore Installation Guide MindSpore Documentation MindSpore Tutorials ## Bonus Point Rules This activity adopts the bonus point system. Bonus points will be accumulated for valid issues and PRs. ### Description: - MindSpore community staff will comment on valid issues or PRs. - Monthly award. Only the bonus points of the current month are calculated. - Only merged PRs and issues with "Documentation Improvement" in the title and valid comments from community staff can earn points. - For the same bug, the earliest valid committer can earn points. - For the same bug in different branches, only the issue/PR in one branch can earn points. - If an issue and a PR are committed for the same bug at the same time, only the PR can earn points. - If there is any malicious participation, the committer will be disqualified. - The MindSpore community reserves the right to interpret this activity. If you have any objection, contact the staff. | No. | Item | Bonus Point | | --- | --- | --- | | 1 | Specifications and Common Mistakes:- Misspellings or punctuation mistakes,incorrect formulas, abnormal display;- Incorrect links, empty cells, or wrong formats;- Chinese characters in English context;- Minor inconsistencies between the UI and descriptions;- Low writing fluency that does not affect understanding;- Incorrect version numbers, including software package names and version numbers on the UI. | 2 points per issue3 points per PR | | 2 | Usability:- Incorrect or missing key steps;- Missing main function descriptions, keyword explanation, necessary prerequisites, or precautions;- Ambiguous descriptions, unclear reference, or contradictory context;- Unclear logic, such as missing classifications, items, and steps. | 2 points per issue3 points per PR | | 3 | Correctness:- Technical principles, function descriptions, supported platforms, parameter types, or exceptions inconsistent with that of software implementation;- Incorrect schematic or architecture diagrams;- Incorrect commands or command parameters;- Incorrect code;- Commands inconsistent with the functions;- Wrong screenshots;- Sample code running error, or running results inconsistent with the expectation. | 5 points per issue8 points per PR | | 4 | Risk Warnings:- Lack of risk warnings for operations that may damage the system or important data. | 8 points per issue12 points per PR | | 5 | Content Compliance:- Contents that may violate applicable laws and regulations or geo-cultural context-sensitive words and expressions;- Copyright infringement. | 10 points per issue12 points per PR | ## Awards This activity is held every month. According to the bonus point rules, users' bonus points will be calculated and ranked in each month. The awards are classified into "Accurate Detection" and "Special Contribution", and prizes are distributed accordingly. Winners will be contacted by AtomGit private message and prizes will be distributed. Please pay attention to the private message in time. 1. ### a prize worthy CNY50. The top five point winners are awarded. 2. ### a prize worthy CNY500. Committers of issues/PRs that have made significant improvements to documents after review are awarded. ## Bonus Point Ranking To be announced soon --- https://www.mindspore.cn/governance/ --- # 治理架构 昇思MindSpore社区采用开放治理架构 更多 ## 昇思MindSpore社区理事长 王紫东 昇思MindSpore开源社区理事长 ## 昇思MindSpore社区技术委员会 金雪锋 昇思MindSpore首席架构师 昇思技术委员会主任 于璠 昇思MindSpore技术总经理，华为AI4S主任 苏腾 昇思MindSpore架构师 陈雷 昇思MindSpore首席科学家，加拿大滑铁卢大学计算机系博士，IEEE Fellow 香港科技大学教授 程明明 南开大学杰出教授、计算机系主任 董彬 北京大学国际数学研究中心教授 国际机器学习研究中心副主任 窦志成 中国人民大学高瓴人工智能学院副院长 蒋力 上海交通大学计算机科学与工程系副教授 林咏华 智源研究院总工程师 IEEE女工程师亚太区领导组成员，IEEE女工程师协会北京分会创始人 麦洛 爱丁堡大学助理教授 孙显 中国科学院空天信息创新研究院研究员 吴凌翔 武汉人工智能研究院  算法总监 谢源 华东师范大学计算机科学与技术学院教授 谢磊 西北工业大学计算机学院院长助理 於俊 中国科学技术大学副教授 余跃 启智社区运营主任、技术负责人 CCF开源发展委员会常务委员 杨奕 深圳湾实验室副研究员 颜永红 中科院声学所首席科学家 易呈 软通动力AI算法架构师 赵捷 郑州数学工程与先进计算国家重点实验室博士 鲍翀 MindSpore Core SIG Maintainer 冯强 Release Management SIG Maintainer 何青林 MindSpore Transformers SIG Maintainer 倪宁曦 Release Management SIG Maintainer 王耀华 MindSpore Lite SIG Committer 杨渊 Security & Trust AI SIG Maintainer 翟智强 Inference Serving SIG Maintainer 张任伟 AKG SIG Maintainer 郑伟 MindSpore Usability SIG Maintainer 往届治理架构 --- https://www.mindspore.cn/governance/en/ --- # Governance Architecture The MindSpore community adopts open governance models. more ## MindSpore Board Chair 王紫东 昇思MindSpore开源社区理事长 ## MindSpore Technical Committee 金雪锋 昇思MindSpore首席架构师 昇思技术委员会主任 于璠 昇思MindSpore技术总经理，华为AI4S主任 苏腾 昇思MindSpore架构师 陈雷 昇思MindSpore首席科学家，加拿大滑铁卢大学计算机系博士，IEEE Fellow 香港科技大学教授 程明明 南开大学杰出教授、计算机系主任 董彬 北京大学国际数学研究中心教授 国际机器学习研究中心副主任 窦志成 中国人民大学高瓴人工智能学院副院长 蒋力 上海交通大学计算机科学与工程系副教授 林咏华 智源研究院总工程师 IEEE女工程师亚太区领导组成员，IEEE女工程师协会北京分会创始人 麦洛 爱丁堡大学助理教授 孙显 中国科学院空天信息创新研究院研究员 吴凌翔 武汉人工智能研究院  算法总监 谢源 华东师范大学计算机科学与技术学院教授 谢磊 西北工业大学计算机学院院长助理 於俊 中国科学技术大学副教授 余跃 启智社区运营主任、技术负责人 CCF开源发展委员会常务委员 杨奕 深圳湾实验室副研究员 颜永红 中科院声学所首席科学家 易呈 软通动力AI算法架构师 赵捷 郑州数学工程与先进计算国家重点实验室博士 鲍翀 MindSpore Core SIG Maintainer 冯强 Release Management SIG Maintainer 何青林 MindSpore Transformers SIG Maintainer 倪宁曦 Release Management SIG Maintainer 王耀华 MindSpore Lite SIG Committer 杨渊 Security & Trust AI SIG Maintainer 翟智强 Inference Serving SIG Maintainer 张任伟 AKG SIG Maintainer 郑伟 MindSpore Usability SIG Maintainer Previous Governance Architecture --- https://www.mindspore.cn/install/ --- # 安装 选择适合自己的环境条件后，获取命令并按照指南进行安装，或使用云平台创建和部署模型 更多 一、获取安装命令 二、安装指南 ## 一、获取安装命令 安装命令 安装MindSpore需要访问公网，如果您处于内网环境，请确保网络连接配置正确 FAQ 安装遇到问题，可先查看常见问题解答文档。 查看FAQ 访问云平台 云平台帮助用户快速创建和部署模型，管理全周期AI工作流，选择下面的云平台以开始使用昇思MindSpore。 ModelArts启智AI协作平台 ## 二、安装指南 --- https://www.mindspore.cn/install/detail/ --- 暂无数据 --- https://www.mindspore.cn/install/detail/en/ --- No Data --- https://www.mindspore.cn/install/en/ --- # Install Select an environment, obtain commands, and perform installation according to the guide. Alternatively, create and deploy a model on ModelArts. 更多 Obtaining Installation Commands Installation Guide ## Obtaining Installation Commands Commands Installing MindSpore requires access to the public internet. If you are in an internal network environment, ensure that the network connection is properly configured. FAQ If you encounter installation issues, refer to the FAQ. View FAQ Accessing a Cloud Platform Cloud platforms help users quickly create and deploy models and manage the entire AI workflow. Choose a cloud platform to get started with MindSpore. ModelArtsOpenl ## Installation Guide --- https://www.mindspore.cn/internship/ --- - 活动介绍 - 申请步骤 - 实习任务 - 激励规则 - 实习规则 - 合作伙伴 - 帮助咨询 # 昇思MindSpore开源实习 领取任务 openEuler 开源实习是MindSpore社区携手openEuler社区等多个社区共同发起的线上实习项目，旨在鼓励在校学生积极参与开源社区，在实际的开源环境中提升实践能力。由昇思MindSpore社区提供实习任务，并提供导师辅导，学生通过实习申请后，可在社区领取任务，每完成一个任务可获得相应积分，积分累计达规定量后，可获得实习证明和实习工资。 ## 申请步骤 1. 申请实习 2. 领取任务 3. 提交任务 4. 工资与证书发放 #### 申请实习 （1）阅读并签署活动声明。(见申请材料模板里) （2）完成 实习测试任务 并提供PR链接。 （3）填写报名资料表。 在申请材料模板下载里仔细阅读实习报名流程，在线表单填写完毕后等待审核，组织方将以邮件反馈审核结果，审核通过后，签订劳务协议，用所分配的账号开始实习。 （注：组织方会根据所提交的资料对报名学生进行一定的审核筛选） 实习申请材料模板下载 注：自2026年3月1日起，MindSpore 开源实习offer发放时间调整为：实习积分满10分后。 #### 领取任务 （1）在AtomGit查看任务，找到你想做的任务issue。 （2）在任务issue下方评论区输入 /intern-assign 命令，认领该任务，然后发送邮件给任务导师请求审核。邮件需包括你的简历和该任务的开发方案。 （3）导师收到邮件后对申请人进行评审，在该任务issue评论下通过输入命令反馈结果， /intern-approve 代表审核通过，学生成功领取任务,可以开始进行任务处理； /intern-unapprove 代表领取失败，该学生可再去领取其他任务。 （4）如果领取后无法完成，可通过在issue下输入 /intern-unassign 放弃任务。 放弃超过3次，账号被限制一个月不能领取任务。 注意 每个任务只能有一个人认领，每人一次最多只能有2个认领中的任务。 输入 /intern-assign 命令后两周内没有发简历和方案给导师的，认领自动失效，任务被释放。 实习任务认领邮件模板下载 #### 提交任务 （1）任务处理完成后，提交pr，在pr描述里添加 #issue 编号; （2）提交pr后在任务issue评论区输入 /intern-completed 命令，表示当前任务已提交，然后等待审核。 （3）跟进导师和相关SIG maintainer审核PR，PR被合入后，导师确认任务完成即在issue下输入 /intern-done 命令，issue关闭，学生获得积分。 注意 使用 AI 辅助生成的内容提交 PR 时，须严格遵守 社区 AI 贡献策略 ，按规范披露 AI 工具平台、模型版本及 Prompt 摘要。 导师有不通过任务成果的权利，如学生提交的PR离实际所需太远，或未按时提交PR，可选择输入命令 /intern-fail ，不通过该任务，则无积分。 #### 工资与证书发放 （1）在实习合同里约定的6个月期限内，学生可凭积分获得实习工资。 满20分可获得工资总计1000元； 满40分可获得工资总计2500元； 满60分可获得工资总计4000元； 满80分可获得工资总计6000元； 满100分可获得工资总计8000元； （2）证明申请：在实习有效期6个月内满60分即可开具实习证明，如需开具实习证明，发送邮件给实习官方邮箱 contact@public.mindspore.cn 提出申请。 注意 以上工资金额为总计金额，每月月初按上月积分结算一次应发工资，在月底发放到实习生账户。应发工资为达到相应积分标准的总计工资金额减去已结算金额。 总计100分为工资结算上限。超过100分不再计算工资，可选择结束实习，或继续贡献社区，满150分可获得"开源之星"荣誉。 证明开具后视为实习结束，不再计算实习工资。 实习证明申请材料和邮件模板下载 ## 实习任务 点击你感兴趣的SIG/特性组，查看相关实习任务 SIG任务专区 MindSpore Usability SIG MindSpore Usability SIG专注于推动MindSpore易用性。该小组由华为MindSpore核心开发团队、学术界专家及社区开发者共同组成，致力于提升MindSpore开发者体验。 实习任务 MindSpore Quantum SIG MindSpore Quantum致力于和开发者共同打造灵活高效、易学易用的量子计算框架，持续提升MindSpore Quantum功能、性能和易用性，助力量子计算技术研究和创新。 实习任务 MindSpore PyNative SIG MindSpore PyNative SIG专注于推动MindSpore动态图模式的研发与优化，致力于提升动态图模式的性能、灵活性和易用性，以满足深度学习领域对快速开发、调试、执行等的需求。 实习任务 LLM Inference Serving SIG MindSpore大模型推理服务组致力于实现vLLM等开源推理服务框架与MindSpore推理能力的兼容互通，通过整合二者技术长板，提供高性能、易用的大模型推理服务能力。 实习任务 MindSpore Science SIG MindSpore Science SIG旨在与广大开发者共同将AI与科学计算相结合，助力科学计算借助AI的强大计算能力，探索未知领域，提升计算效率和准确性，更好地应对复杂的科学计算问题。 实习任务 Heterogeneous Fusion SIG 基于MindSpore构建开放的南向接口，协同业界厂商和学术机构，构建异构融合加速能力和使能全场景部署与应用。 实习任务 MindSpore Lite SIG MindSpore Lite SIG注于端侧AI的部署优化。该小组由昇思MindSpore核心开发团队、学术界专家及社区开发者共同组成，致力于构建极速、极智、极简的端侧AI引擎，使能全场景智能应用，帮助用户使能AI能力。 实习任务 MindSpore Transformers SIG MindSpore Transformers SIG是 MindSpore 开源社区下聚焦 Transformer 类大模型全流程开发与优化的技术团队，涵盖大模型的预训练、微调、推理与部署等关键环节。SIG 团队致力于提升 Transformer类大模型在性能与易用性方面的表现，推动其在实际场景中的高效应用与落地。 实习任务 专项任务 香橙派开发板应用开发任务 基于MindSpore NLP仓已有模型，开发可在香橙派AIpro或其他同硬件的开发板运行的应用。模型参数规模在4B以下，或者模型权重文件大小小于4GB。完整实现相应的功能，并在AIpro或其他同硬件的开发板上运行流畅。 实习任务 香橙派mint接口开发任务 香橙派github仓中在线推理案例基于MindSpore2.6.0的PyNative模式下可以在香橙派开发板正常流畅运行。任务完成提交PR时同步修改下代码仓README的本案例对应版本信息。 实习任务 MindSpore NLP MindSpore NLP套件是基于MindSpore的全领域自然语言处理套件，提供了自然语言处理各子领域的经典数据集，经典模型结构、Transformer-based模型等大量实用模块。 实习任务 MindSpore Trusted AI Trusted AI 聚焦于AI模型开发项目中从数据处理到模型训练再到部署推理过程中的安全问题。主要探讨：1.模型鲁棒性和可靠性;2.隐私保护;3.模型部署安全。 实习任务 MindSpore技术公开课应用开发任务 测试课程内容代码，检视在文件创建时期的MindSpore NLP在昇思MindSpore发行最新版本是否可以跑通，对原版代码进行调试确保精度达标。 实习任务 ## 积分与激励规则 ### 1、实习工资 实习有效期6个月内满20分以上，可获得不同级别的实习工资。具体见以上"申请步骤4"里的工资说明。 ### 2、实习证明 实习有效期6个月内积分满60分 至少找一位导师写实习评语 提交实习报告 满足以上3条，实习评语与实习报告经评审合格后发放实习证明。具体见以上"申请步骤4"里的证明申请说明。 ### 3、优秀实习生证书 申请本年度内积分达到150分 至少找一位导师写优秀推荐评语。 满足以上条件，将相应的证明材料发送至contact@public.mindspore.cn，申请发放优秀实习生证书。 ## 实习规则FAQ 1、哪些人可以报名？ A：开源实习面向全国范围内年满18周岁的全日制/非全日制在校学生招募，无专业年级限制，欢迎感兴趣的同学踊跃报名。 2、实习有效期6个月是如何计算的？ A：在申请实习时需签署实习劳务合同，实习有效期即劳务合同上填写的实习有效期，为6个月期限，6个月期限内未满60积分则不能获得实习证明。线上实习时间管理相对自由，可根据自身情况安排时间，可提前结束实习。 3、超过了6个月或者完成了100积分还能继续在社区做任务吗？ A：可以，但积分不能再用于领取证明和奖金，一年内累计到150积分可获得昇思MindSpore资深开发者荣誉。 更多问题，请移步 本帖 评论区提问。 ## 合作伙伴 - - - - - - - - ## 帮助咨询 联系邮箱: contact@public.mindspore.cn 扫码加入导师答疑群，更多关于昇思MindSpore实习任务答疑群内咨询。 群号：771293469 - 昇思MindSpore导师答疑群 --- https://www.mindspore.cn/knowledge-map/ --- # 知识地图 MindSpore知识全景图，包含快速入门、各类参考文档和所有与MindSpore相关的开源仓展示 01 教程 - - 快速上手 - 数据处理 - 编译 - 并行 - 调试调优 - 自定义编程 - 推理 - 高可用 - 模型案例 03 其他参考 - - Developer Notes - FAQ - 论坛 - 技术博客 - 图解特性系列 - bilibili视频专栏 - 课程认证 02 API文档 - - mindspore.ops - mindspore.nn - mindspore.mint - mindspore.runtime 04 套件 - 核心框架 - MindSpore - MindSpore Lite - 大模型套件 - MindSpore Transformers - MindSpore One - vLLM-MindSpore Plugin - 科学计算套件 - MindSpore Elec - MindSpore SPONGE - MindSpore Flow - MindSpore Earth - MindSpore Chemistry - MindSpore Quantum - 领域套件 - MindSpore YOLO - 工具 - MindStudio - MindSpore Golden Stick --- https://www.mindspore.cn/knowledge-map/en/ --- # Knowledge Map MindSpore knowledge map,including quick start,reference doucuments,and open-source repositories related to MindSpore. 01 Tutorials - - Quick Start - Data Processing - Compilation - Parallel - Debugging and Tuning - Custom Programming - Infer - High Availability - Model Cases 03 Other Reference - - Developer Notes - FAQ - Forum - Technology Blog - bilibili Video Column - Courses 02 API Documentation - - mindspore.ops - mindspore.nn - mindspore.mint - mindspore.runtime 04 Kits - Core Frameworks - MindSpore - MindSpore Lite - Foundation Model - MindSpore Transformers - MindSpore One - vLLM-MindSpore Plugin - Scientific Computing - MindSpore Elec - MindSpore SPONGE - MindSpore Flow - MindSpore Earth - MindSpore Chemistry - MindSpore Quantum - Domain Suites - MindSpore YOLO - Tools - MindStudio - MindSpore Golden Stick --- https://www.mindspore.cn/large-model/ --- # 大模型 昇思原生支持基础创新模型，加速科研创新与行业应用落地 行业分类 全部 FoundationModel 图像生成 (紫东.太初)[/large-model/taichu] (武汉.Luojia)[/large-model/luojia] (鹏程.盘古)[/large-model/pangu] (鹏程.神农)[/large-model/shennong] (空天·灵眸)[/large-model/ringmo] --- https://www.mindspore.cn/large-model/luojia/ --- 大模型 武汉.LuoJia # 武汉.LuoJia 由武汉大学与华为昇腾AI团队联合研发，是遥感领域首个国产化自主可控的遥感专用机器学习框架，针对遥感数据像幅尺寸大、数据通道多、尺度变化大等特性， 具备内存可扩展、尺度通道灵活创建、数据通道自主优选、框架与数据协同处理的特点。可兼容已有深度学习框架， 并提供用户友好的、可拖拽的交互式网络结构搭建界面的方法。能屏蔽不同硬件设备间差异，同时管理多样化的遥感影像样本库LuoJiaSET， 实现遥多源感影像样本的高效存储管理。 了解更多LuoJiaNET入口 LuoJiaSET入口 简述 LuoJiaNET遥感专用深度学习框架，是遥感领域首个自主可控的专用机器学习框架。针对遥感数据像幅尺寸大、数据通道多、尺度变化大等特性，具备内存可扩展、尺度通道灵活创建、数据通道自主优选、框架与数据协同处理的特点。其与国产人工智能硬件NPU深度融合，可支持CPU、GPU、NPU等计算设备，形成融合探测机理与地学知识的统一计算图表达、编译优化、图算融合、自动混合并行的新一代遥感智能解译框架。LuoJiaNET构建了针对遥感影像“场景-目标-像素”多层级任务的遥感应用模型，包括场景检索、目标检测、地物分类、变化检测、多视角三维重建等五大类模型。 LuoJiaSET是遥感领域满足OGC标准的大规模遥感影像样本库，其制定了支持全球范围的遥感影像样本分类标准、标注规范，建立涵盖不同遥感任务的统一分类体系，形成样本要素的采集要求、内容和流程规范，可支持多级别、多类型遥感影像样本库的采集、制作、管理、共享、应用。针对当前现有样本数据集面临的问题：1）分类体系不统一。2）样本数据集传感器种类单一，通常样本库都是全色或者RGB彩色，缺少高光谱、红外、SAR遥感影像的样本；且通常是二维数据，缺乏三维数据。3）现有数据空间跨度有限、时间覆盖不均，导致模型泛化能力弱。4）样本集受标注人员水平限制，质量参差不齐。LuoJiaSET建立统一类别体系，提供大量数据集，其覆盖范围广、时间跨度大、涵盖传感器种类多，同时提供标准化的标注工具，大幅提升影像标注效率。 LuoJia系列总体架构 LuoJiaNET支持通道优选 基于自研LuoJiaNET框架，使用数据通道自适应优选模块，对高光谱遥感影像（尺寸为200×145×145，分辨率为20m）进行直接处理得到的分类结果为： Model AVIRIS Indian Pines（16类地物） Compatible kappa OA Baseline（ResNet-18）（Input=1 x 200 x 145 x 145 - > 1 x 30 x 25 x 25） 93.46 94.06 \+ 数据通道优选（每一类地物优选出256个维度的特征） 96.68 97.03 LuoJiaNET支持遥感经验知识引导 大量实验表明：在植被指数、干旱指数、建筑物指数、地形指数等多个遥感经验知识模型引导下，深度网络的分类性能可以得到较为明显的提升。 是否利用先验知识 未利用 利用后 Metric Forest Cropland Water Built-up Area Grassland Wetland Unused Land Overall LoU PA UA F-Score 81.06% 89.42% 89.65% 89.53% 69.73% 80.92% 83.45% 82.16% 81.06% 91.16% 87.97% 89.53% 68.68% 80.92% 81.94% 81.42% 28.88% 46.33% 43.40% 44.81% 34.91% 58.32% 46.52% 51.75% 33.66% 44.04% 58.81% 50.36% 56.85% 70.15% 70.24% 69.93% LoU PA UA F-Score 81.06% 89.42% 89.65% 89.53% 69.73% 80.92% 83.45% 82.16% 81.06% 91.16% 87.97% 89.53% 68.68% 80.92% 81.94% 81.42% 28.88% 46.33% 43.40% 44.81% 34.91% 58.32% 46.52% 51.75% 33.66% 44.04% 58.81% 50.36% 56.85% 70.15% 70.24% 69.93% LuoJiaNET支持大幅面处理 基于自研LuoJiaNET框架，使用算子等价分解的分布式计算方式，对整张大幅遥感影像（尺寸为4×6000×6000，分辨率为2m）进行直接处理得到的分类结果： | 处理策略对比（Backbone=FCN8S） | GID 数据集（15类地物） | | --- | --- | | | Overall | | | mIoU | | 基于Pytorch传统影像切分处理（1 x 4 x 7200 x 6800 - > N x 4 x 513 x 513） | 53.80 | | 基于LuoJiaNET整幅影像直接读取处理（1 x 4 x 7200 x 6800 - > 1 x 4 x 7200 x 6800） | 62.90 | LuoJiaSET遥感影像样本库概况 数据集：73个 （武大19个） 原始样本数量：约143万张 折算512×512尺寸：约256万张 多光谱样本：5个 （62万张） 高光谱样本：1个 SAR影像样本：4个（1.3万张） --- https://www.mindspore.cn/large-model/pangu/ --- 大模型 鹏程.盘古 # 鹏程.盘古 业界首个千亿级参数中文自然语言处理了大模型，可支持知识问答、知识检索、知识推理、阅读理解等丰富的下游应用。「鹏城.盘古」由以鹏城实验室为首的技术团队联合攻关，首次基于“鹏城云脑Ⅱ”和国产MindSpore框架的自动混合并行模式实现在2048卡算力集群上的大规模分布式训练，训练出业界首个2000亿参数以中文为核心的预训练生成语言模型。鹏程·盘古α预训练模型支持丰富的场景应用，在知识问答、知识检索、知识推理、阅读理解等文本生成领域表现突出，具备很强的小样本学习能力。 了解更多 简述 “鹏程·盘古α“由以鹏城实验室为首的技术团队联合攻关，首次基于“鹏城云脑Ⅱ”和国产MindSpore框架的自动混合并行模式实现在2048卡算力集群上的大规模分布式训练，训练出业界首个2000亿参数以中文为核心的预训练生成语言模型。鹏程·盘古α预训练模型支持丰富的场景应用，在知识问答、知识检索、知识推理、阅读理解等文本生成领域表现突出，具备很强的小样本学习能力。 鹏程·盘古α具有以下特点： 业界首个2000亿参数中文自回归语言模型 代码、模型逐步全开源 首创顺序自回归预训练语言模型ALM MindSpore超大规模自动并行技术 模型基于国产全栈式软硬件协同生态（MindSpore+CANN+昇腾910+ModelArts） 模型结构 上图为鹏程·盘古α模型的网络结构，该模型是基于单向的Transformer decoder发展而来。query层堆叠在transformer层之上。query层的基本结构与transformer层相似，只是引入了一个额外的Query layer，来预测生成下一个query Q的位置。 数据集 海量语料是预训练模型研究的基础，联合团队从开源开放数据集、common crawl网页数据、电子书等收集了近80TB原始数据。 上图为鹏程·盘古α的数据集处理流程，搭建了面向大型语料库预处理的分布式集群，通过数据清洗过滤、去重、质量评估等处理流程，构建了一个约1.1TB的高质量中文语料数据集，经统计Token数量约为250B规模。通过对不同的开源数据集独立进行处理，完全清除了跟下游任务相关的标签信息，以保证源数据的无偏性。 MindSpore超大规模自动并行 大集群下高效训练千亿至万亿参数模型，用户需要综合考虑参数量、计算量、计算类型、集群带宽拓扑和样本数量等才能设计出性能较优的并行切分策略，模型编码除了考虑算法以外，还需要编写大量并行切分和通信代码。 MindSpore是业界首个支持全自动并行的框架，MindSpore多维度自动并行，通过数据并行、算子级模型并行、Pipeline模型并行、优化器模型并行、异构并行、重计算、高效内存复用，及拓扑感知调度，实现整体迭代时间最小（计算时间+通信时间）。编程接口高效易用，实现了算法逻辑和并行逻辑解耦，串行代码自动分布式并行。 软硬件配置 | 硬件平台 | 设备数量 | 操作系统 | 集群管理 | 框架 | | --- | --- | --- | --- | --- | | Ascend 910 | 2048 | EulerOS-aarch64 | ModelArts | MindSpore | 环境要求 | 硬件平台 | 操作系统 | 框架 | 2.6/13B推理设备数量 | 200B推理设备数量 | | --- | --- | --- | --- | --- | | Ascend 910 | EulerOS-aarch64 | MindSpore | 8卡 | 64卡 | 环境配置 mindspore jieba 0.42.1 sentencepiece 0.1.94 训练 运行如下命令开始训练， MODE 选择 2.6B, 13B 或 200B. $FILE\_PATH=/home/your\_path bash scripts/run\_distribute\_predict.sh 8/home/config/rank\_table\_8p.json $FILE\_PATH/strategy\_load\_ckpt \\ $FILE\_PATH/tokenizer/ $FILE\_PATH/checkpiont\_file filitered --- https://www.mindspore.cn/large-model/ringmo/ --- 大模型 空天·灵眸 # 空天·灵眸 空天·灵眸（RingMo）是中科院空天信息创新研究院构建的首个面向大规模跨模态数据的遥感智能解译生成式大模型，共享学习遥感多模态多任务的通用特征，加速AI应用于遥感领域。 了解更多 简述 空天·灵眸是中科院空天信息创新研究院与MindSpore社区联手打造的国际首个面向多模态遥感数据的生成式自监督预训练模型，已成功应用于多模态遥感地物要素提取、遥感场景分类、细粒度目标精细化识别、像素级变化检测、三维重建等重要任务中，在12个国际标准数据集中取得世界领先水平。其不仅具备“数据多源异构、遥感特性驱动、应用任务泛化”的特点，还填补了多模态生成式预训练模型在遥感专业领域的空白，可面向遥感学术研究、行业应用等产学研领域推广使用。 应用示例 视频演示 空天·灵眸 全栈国产化基础软硬件平台 --- https://www.mindspore.cn/large-model/shennong/ --- 大模型 鹏程.神农 # 鹏程.神农 面向生物医学领域的人工智能平台，包含蛋白质结构预测等多个模块，为制药企业和医学研究机构提供平台能力，加速新型药物的筛选与创制。 敬请期待 简述 以蛋白质研究为起点，基于“鹏城云脑II”超大规模算力集群以及MindSpore AI框架，打造“鹏程.神农”生物信息研究平台，旨在用AI的力量助力生物医药的探索。“鹏程.神农”是一个面向生物医学领域的人工智能平台，包含蛋白质结构预测、小分子生成、靶点与小分子相互作用预测以及新抗菌多肽设计与效果评价等模块。制药企业和医学研究机构可以使用“鹏程.神农”提供的AI能力，加速新型药物的筛选和创制。 介绍视频 --- https://www.mindspore.cn/large-model/taichu/ --- 大模型 紫东太初 # 紫东太初 OPT（Omni-Perception Pre-Trainer）是全场景感知预训练模型的简称，是中科院自动化和华为在探索通用人工智能道路上的重要成果，并在2021年9月发布了全球首个图文音三模态千亿大模型，中文名字叫紫东.太初；支持文本、视觉、语音不同模态间的高效协同，可支撑影视创作、工业质检、智能驾驶等产业应用。 了解更多 简述 紫东.太初是中科院自动化所与MindSpore社区联合打造的全球首个图、文、音三模态大模型。紫东.太初将文本 + 视觉 + 语音 各个模型高效协同，实现超强性能，在图文跨模态理解与生成性能上都能领先目前业界的SOTA模型，高效完成跨模态检测、视觉问答、语义描述等下游任务。此外，视频理解与描述的性能更是实现了全球第一，在今年的两个国际大赛中，ACM Multimedia（国际多媒体大会） 和ICCV（国际计算机视觉大会）紫东太初都获得了第一名的成绩。 紫东.太初的发布将改变当前单一模型对应单一任务的人工智能研发范式，实现三模态图文音的统一语义表达，大幅提升文本、语音、图像和视频等领域的基础任务性能，并在多模态内容的理解、搜索、推荐和问答，语音识别和合成，人机交互和无人驾驶等商业应用中具有潜力巨大的市场价值。 全球首个三模态大模型“紫东.太初”——助力科研创新与应用孵化 以文生图 以图生音 以音生图 演示视频 紫东太初 全球首个三模态大模型 --- https://www.mindspore.cn/legal/ --- # 法律声明 本法律声明包含MindSpore社区的若干法律政策。这些政策适用于本网站以及展示有本法律声明链接的其他MindSpore相关网站。 ## 规则及MindSpore网站访问条件 MindSpore网站指由MindSpore社区运营的网站，包括域名为https://www.mindspore.cn的网站，以及域名包含Mindspore且展示本法律声明链接的其他网站。以下规则适用于所有访问MindSpore网站的用户或浏览者，MindSpore社区保留根据国家法律法规及市场行情等变化修改这些规则的权利。访问MindSpore网站的权利由MindSpore社区根据下列条款授予。如果您不同意下列任何条款、请停止使用本网址。如果您使用Mindspore网站提供的服务，您的使用行为将被视为对本声明全部内容的认可。对于违反这些规则的行为，MindSpore社区有权采取法律和公平的补救措施。 ## 个人信息的保护 MindSpore社区尊重访问本网站的任何个人信息。当您访问本网站的时候可能被要求提供您个人的基本资料(如姓名、电子邮件、电话号码等)，您可以自行选择是否提供。对于您提供的个人信息，MindSpore社区将根据中华人民共和国相关法律进行保密并严格保管，不会将这些信息以任何方式提供或展示给任何第三方，但下述情况除外： （一）在获取您明确同意情况下的共享。在向您告知第三方的名称或者姓名、联系方式、处理目的、处理方式和个人信息的种类，且获得您的明确同意后，MindSpore社区会向您同意的第三方共享您授权范围内的信息； （二）在法定情形下的共享。根据适用的法律法规、法律程序、诉讼/仲裁、政府的强制命令、监管要求而需要共享您的个人信息； （三）在法律要求或允许的范围内，为了保护您或社会公众的利益、财产或安全免遭损害而有必要提供您的个人信息给第三方； （四）为了保护国家安全、公共安全以及您和其他个人的重大合法权益而需要共享您的个人信息； （五）您自行公开的或者其他已经合法公开的您的个人信息。 ## 不承诺责任声明 MindSpore网站所载的材料和信息，包括但不限于文本、图片、数据、观点、建议、网页或链接，MindSpore社区力图在网站上提供准确的材料和信息，但MindSpore社区并不保证这些材料和内容的准确、完整、充分和可靠性，并且明确声明不对这些材料和内容的错误或遗漏承担责任，也不对这些材料和内容作出任何明示或默示的、包括但不限于有关所有权担保、没有侵犯第三方权利、质量和没有计算机病毒的保证。MindSpore社区可以在没有任何通知或提示的情况下随时对MindSpore网站上的内容进行修改，为了得到最新版本的信息，请您定时访问MindSpore网站。MindSpore社区在MindSpore网站上所提及的非MindSpore产品或服务仅仅是为了提供相关信息，并不构成对这些产品、服务的认可或推荐。MindSpore社区并不就网址上提供的任何产品、服务或信息做出任何声明、保证或认可。鉴于MindSpore网站提供的部分服务属于电子公告牌（BBS）服务，MindSpore网站上关于其会员或其会员发布的相关信息（包括但不限于用户名称、公司名称、 联系人及联络信息，相关图片、视讯等）的信息均是由会员自行提供， 会员依法应对其提供的任何信息承担全部责任。任何企业或个人认为MindSpore网站内容（包括但不限于https://www.mindspore.cn会员发布的商品信息）可能涉嫌侵犯其合法权益，应该及时向MindSpore社区contact@public.mindspore.cn提出书面权利通知，并提供身份证明、权属证明、具体链接（URL）及详细侵权情况证明。MindSpore社区在收到上述法律文件后，将会依法尽快移除相关涉嫌侵权的内容。 ## 著作权说明 MindSpore网站所载的所有材料或内容受版权法的保护，所有版权由MindSpore社区拥有，但注明引用其他方的内容除外。未经MindSpore社区或其他方事先书面许可，任何人不得将MindSpore网站上的任何内容以任何方式进行复制、经销、翻印、传播、以超级链路连接或传送、以镜像法载入其他服务器上、存储于信息检索系统或者其他任何商业目的的使用，但对于非商业目的的、用户使用的下载或打印（条件是不得修改，且须保留该材料中的版权说明或其他所有权的说明）除外。 ## 商标 MindSpore网站上使用和显示的所有商标、标志皆属MindSpore社区所有，但注明属于其他方拥有的商标、标志、商号除外。未经MindSpore社区或其他方书面许可，MindSpore网站所载的任何内容不应被视作以暗示、不反对或其他形式授予使用前述任何商标、标志的许可或权利。未经事先书面许可，任何人不得以任何方式使用MindSpore社区的名称及MindSpore社区的商标、标记。 ## 第三方链接 MindSpore网站可能保留有与第三方网站或网址的链接，访问这些链接将由用户自己作出决定，MindSpore社区并不保证这些链接上所提供的任何信息、数据、观点、图片、陈述或建议的准确性、完整性、充分性和可靠性。MindSpore社区提供这些链接仅仅在于提供方便，并不表示MindSpore社区对这些信息的认可和推荐，也不是用于宣传或广告目的。 ## 网站的更新与变更 MindSpore网站提供的本网站上的内容仅为方便您获取信息，MindSpore网站有权单方面在任何时间，对本网站的内容进行变更或更新，此种变更或更新无需以通知您或任何第三方为前提。您承认并接受上述变更或更新。我们建议您定期访问本网站以尽快获知有关的更新或变更的信息。 ## AI服务使用规范 1、服务范围：我们可能采用网页、PC客户端、小程序、浏览器插件以及随着技术发展可能出现的创新形态向您提供生成式AI服务（以下称“本服务”），具体以我们发布的为准。 2、服务用途：本服务的生成内容由大语言模型技术生成，不代表本服务提供方的立场，若涉及对您或者相关方可能产生重大影响的情形，本服务不能替代专业人员向您提供解答，相关内容仅供您参考。您根据生成内容所作出的判断或者据此作出的后续相关操作行为，其责任由您依法承担。请审慎理性和依法使用本服务。 3、在您使用本服务的过程中，如识别到您有联网搜索意图或您主动选择了联网功能，我们会以非人工检索方式自动搜索第三方网页链接的公开信息，以更好的对您进行回复。我们会在回复时同步显示搜索来源和相关内容。请你知悉，搜索来源中所展示的内容、信息（如网页等）均系第三方制作，本软件的输出内容是模型基于自然语言理解能力对搜索信息进行的智能整合，虽然标注了搜索来源，但仍可能存在不准确之处，不代表本服务提供方赞成公开来源信息及回复内容的立场和观点，请您注意甄别。 4、您使用本服务应当遵守《中华人民共和国刑法》、《中华人民共和国网络安全法》、《中华人民共和国数据安全法》、《中华人民共和国个人信息保护法》、《互联网信息服务管理办法》、《互联网信息服务深度合成管理规定》、《生成式人工智能服务管理暂行办法》等法律、行政法规及规章制度。一旦您使用本服务，您承诺，您不得： 1）利用本服务从事任何违反法律法规、部门规章或公序良俗的行为，利用服务上传、散播、发布、传播、发表、生成任何涉及损害国家形象、恐怖、暴力、色情、虚假等任何违反法律法规要求的信息，或为上述行为提供帮助； 2）反编译、反汇编、反向工程或以其他方式尝试获取本服务相关的源代码或后端服务的信息； 3）除本协议或某一服务有单独协议明确授权外，复制、披露、分发、出售、出租或租赁本服务给任何第三方，或者或以商业化目的使用本服务； 4）突破、避开、绕过或禁用本平台的任何安全防护网、内容保护机制、身份验证机制、数字版权管理或数据度量工具等； 5）滥用、破坏或利用本平台进行任何未经授权的使用，或尝试访问不适合用户使用的区域，或向本平台的服务器上传任何恶意软件（例如病毒、死机、蠕虫、特洛伊木马、陷阱、后门或其他此类性质的软件）或者以其他方式干扰本服务的正常运行； 6）删除本服务中包含的任何深度合成内容标识、版权声明、商标声明或其他所有权声明。 5、您在使用本服务时的输入内容是您所有或被相关权利人授权同意处理的信息，该等信息不侵犯任何人的知识产权、肖像权、名誉权、荣誉权、姓名权、隐私权、个人信息权益等合法权益，不涉及任何国家秘密、商业秘密、重要数据或其他可能会对国家安全或者公共利益造成不利影响的数据，否则由此产生的侵权风险和责任由您承担。我们由此遭受的全部直接和间接损失（包括但不限于经济、商誉、维权支出、律师费等损失）也同样由您承担。 6、为履行法定合规要求，我们有权采取技术手段或人工手段对用户使用本服务的行为及信息进行审查，包括但不限于对输入和输出进行审查、建立风险过滤机制、建立违法内容特征库等。 7、如果您对外发布或传播本服务生成的输出，您应当： 1）主动核查输出内容的真实性、准确性，避免传播虚假信息； 2）以显著方式标明该输出内容系由人工智能生成，以向公众提示内容合成的情况； 3）避免发布和传播任何违反本法律声明的输出内容。 8、 如果您⾮法利⽤本服务编造、传播虚假信息的，我们会依法保存有关记录，并向⽹信部⻔和有关主管部⻔报告。 9、 在法律允许的范围内，您在使用本服务时基于您提供的输入产生的生成内容（不包含基于本服务提供的示例性输入内容产生的生成内容）的所有权和相关权益归您所有，并且您应当对该生成内容承担责任。就该生成内容，您同意在此授予我们全球范围内的、永久性的、免费的、不可撤销的、非排他的以及可分许可的复制、使用、公开展示、分发、修改等许可。 10 由于机器学习的性质，您同意您使用本服务时产生的生成内容可能和其他用户使用相应服务时产生的生成内容一致或实质性相似，由其他用户请求并为其他用户产生的生成内容不属于您拥有所有权的内容。 11、您在使用本服务时产生的生成内容可能包含指向第三方网站或服务的链接或信息，这些网站或服务并非由我们拥有或控制。您知悉并同意，我们不对第三方网站或服务承担任何责任。您应当在跳转第三方网站时注意并阅读您访问或使用的第三方网站或服务条款、隐私政策和其它相关协议。 ## 适用法律与争议解决 您同意，与您访问或使用本网站相关的所有事项，应根据中华人民共和国法律解释、理解和管辖。您同意，中国广东省深圳市龙岗区有管辖权的法院具有相关的管辖权。 --- https://www.mindspore.cn/legal/en/ --- # Legal Notice This legal notice contains legal policies for the MindSpore Community. These policies apply to MindSpore websites and any other MindSpore-related sites that include a link to this notice. ## Terms and Conditions for Accessing MindSpore Websites MindSpore websites are defined as those operated by the MindSpore community, such as the site with domain name https://www.mindspore.cn, along with any other websites that contain "mindspore" in their domain names and provide a link to this legal notice. MindSpore Community may, without notice to you and at any time, revise these terms according to laws, regulations, and market changes. The right to access MindSpore websites is granted by MindSpore Community according to the terms specified in this Notice. If you do not agree to these terms, please do not use MindSpore websites. By accessing, browsing, or using MindSpore websites and the services provided herein, you acknowledge that you agree with all contents of this Notice. In the event of any violation of these terms and conditions, MindSpore Community reserves the right to seek all remedies available by law and in equity against such violations. ## Protection of Personal Information The MindSpore Community respects personal information of any individual who accesses this website. When you visit this website, you may be asked to provide basic personal information (such as your name, email address, and contact information). You can choose whether to provide such information. The personal information you provide will be kept confidential in accordance with the applicable laws of the People's Republic of China (PRC). The information will not be provided or disclosed to any third party in any way, except in any of the following cases: (1) Sharing with your explicit consent. After notifying you of the third party's name, contact information, processing purpose, processing method, and personal information type, and obtaining your explicit consent, the MindSpore Community will share the information within the scope of your authorization to the third party. (2) Sharing under legal circumstances. Your personal information is required to be shared according to applicable laws and regulations, legal procedures, litigation/arbitration, government's compulsory orders, and regulatory requirements. (3) To the extent required or permitted by law, it is necessary to provide your personal information to third parties to protect your or the public's interests, property, or security from being damaged. (4) To protect national security or public security of the PRC, or the legitimate rights and interests of you and other individuals, it is necessary to share your personal information. (5) Your personal information is made public by yourself or has been legally made public. ## General Disclaimer Although MindSpore Community has attempted to provide accurate information on MindSpore websites, including but not limited to text, pictures, data, opinions, advice, web pages, and links, MindSpore Community assumes no responsibility for the accuracy, completeness, adequacy, and reliability of such information, or incorrectness or loss of such information. MindSpore Community disclaims all warranties, expressed or implied, including, without limitation, those of ownership, proprietorship, quality, and the absence of viruses. MindSpore Community may change the information on MindSpore websites at any time without notice. To obtain the latest version information, you shall periodically visit MindSpore websites. The mention of non-MindSpore Community products or services is for information purposes only and constitutes neither an endorsement nor a recommendation. MindSpore Community does not provide any statement, guarantee or authorization for any of the products or services appearing on the website. The BBS service on MindSpore websites, including but not limited to the user names, company names, contacts, pictures, and other information, is provided by the community members, who shall assume full responsibility for such information. Any entity or individual who suspects that the content on MindSpore websites (including but not limited to the commodity information posted by community members on https://www.mindspore.cn) infringes upon legal rights or interests shall notify MindSpore Community contact@public.mindspore.cn in written form and provide the identity, ownership certification, associated link (URL), and proof of infringement. MindSpore Community will remove the content related to the alleged infringement by law upon receiving the foregoing legal documents. ## Copyright Statement All materials and contents on MindSpore websites are protected by law. Unless otherwise indicated, all copyrights belong to MindSpore Community. Without the prior written consent of MindSpore Community or other parties hereto, no individual shall replicate, distribute, copy, or broadcast any portion of such information, or connect to or transmit such information through hyperlinks, upload it to any other servers, store it in any information retrieval systems, or use it for any other purposes by any means, except the downloading or printing of it by users for non-commercial purposes (provided that the preceding downloaded or printed information is not modified, and the notification of copyrights or any other proprietary rights contained in such information is reserved). ## Trademark All logos and trademarks used on MindSpore websites are the properties of MindSpore Community or other third parties as stated if applicable. No content provided on the MindSpore Community website shall be deemed as granting approval or the right to use any trademark or logo aforesaid by implication, lack of objection, or other means without the prior written consent of MindSpore Community or any third party which may own the mark. No individual shall use the name, trademark, or logo of MindSpore Community by any means without the prior written consent of MindSpore Community. ## Links to Third-Party Websites MindSpore websites may contain links to third-party websites. Access to any other website linked to on MindSpore websites is at the user's own risk and MindSpore Community is not responsible for the accuracy, completeness, adequacy, and reliability of any information, data, opinion, picture, advice, or statement on these websites. MindSpore Community provides these links merely as a convenience and the inclusion of such links does not imply an endorsement, recommendation, promotion, or advertisement. ## Website Updates and Changes The contents on this website are provided for your convenience only. The MindSpore Community has the right to change or update the contents on this website at any time without notifying you or any third party. You acknowledge and accept the above changes or updates. You are advised to visit this website regularly to obtain information about updates or changes in a timely manner. ## AI Service Compliance 1. Service scope: We may provide you with generative artificial intelligence (AI) services (hereinafter referred to as "the Services") through various means, including but not limited to web pages, desktop clients, mini‑programs, browser extensions, and any other forms that may emerge with technological advancements. The specifics shall be determined by the official releases published by us. 2. Service purpose: The content generated by the Services is produced by the large language model (LLM) and does not represent the position of the service provider. Where such content may have significant impact on you or related parties, it shall not be construed as a substitute for advice from qualified professionals. Such content is provided for reference only. You shall bear full legal responsibility for any judgment made or subsequent actions taken in reliance on the generated content. Please use the Services with caution, rationally, and in compliance with applicable laws. 3. During your use of the Services, if we identify that you have the intention to search the internet or you have proactively selected the internet search function, we will automatically search for public information from third-party websites through non-manual means in order to enhance our responses to you. We will also display the search source and relevant content when responding. You acknowledge that the content and information (such as web pages) displayed in the search source are provided by third parties. The outputs of the Services are the intelligent integration of such information based on the natural language processing capabilities of the LLM. Although the sources are indicated, inaccuracies may still exist. This does not constitute an endorsement by the service provider of the positions and opinions expressed in either the source information or the generated responses. You are advised to exercise your own judgment and discretion in assessing such content. 4. When using the Services, you shall comply with applicable laws, administrative regulations, and regulatory provisions, including but not limited to the Criminal Law of the People's Republic of China, Cybersecurity Law of the People's Republic of China, Data Security Law of the People's Republic of China, Personal Information Protection Law of the People's Republic of China, Administrative Measures for Internet Information Services, Provisions on the Administration of Deep Synthesis for Internet Information Services, and Interim Measures for the Administration of Generative Artificial Intelligence Services. Once you use the Services, you undertake that you shall not: (1) Use the Services to engage in any activities that violate laws, regulations, departmental rules, or public order and good morals, or to upload, disseminate, publish, spread, generate, or otherwise make available any information that damages national image, promotes terrorism, disseminates violence, pornography, or false information, or provides assistance to the aforementioned activities. (2) Decompile, disassemble, reverse engineer, or otherwise attempt to obtain the source code or backend service information related to the Services. (3) Copy, disclose, distribute, sell, rent, or lease the Services to any third party, or use the Services for commercial purposes, except as expressly authorized by this Agreement or a separate agreement for a specific Service. (4) Breach, circumvent, bypass, or disable any security protection measures, content protection mechanism, authentication mechanism, digital copyrights management, or data measurement tool of this platform. (5) Abuse, disrupt, or utilize this platform for any unauthorized use, or attempt to access areas not intended for user access, or upload any malicious software (such as viruses, logic bombs, worms, Trojan horses, traps, backdoors, or other software of such nature) to servers of this platform, or otherwise interfere with the normal operation of the Services. (6) Remove any deep synthesis content identification, copyright notices, trademark notices, or other proprietary notices contained in the Services. 5. Any information you provide when using the Services must be either your own property or information you are authorized by the relevant rights holders to use. Such information shall not infringe upon the intellectual property rights, portrait rights, reputation rights, honor rights, privacy rights, personal information rights, or any other legitimate rights and interests of any person, nor shall it involve any national secrets, trade secrets, critical data, or any other data that may compromise national security or public interests. Otherwise, you shall assume full responsibility for all risks and liabilities arising from such infringement. You shall also be liable for all direct and indirect losses (including but not limited to economic losses, goodwill losses, rights protection expenses, and attorney fees) suffered by us as a result. 6. To fulfill legal compliance requirements, we reserve the right to take technical or manual measures to review your use of the Services and related information, including but not limited to reviewing input and output, establishing risk filtering mechanisms, and building illegal content feature libraries. 7. Upon publication or dissemination of outputs generated by the Services, you shall: (1) Verify the authenticity and accuracy of such content to prevent the dissemination of false information; (2) Clearly indicate that such content is generated by AI to inform the public of its synthetic nature; (3) Refrain from publishing or disseminating any content that violates the provisions of this Legal Notice. 8. If you illegally use the Services to fabricate or spread false information, we will retain relevant records in accordance with applicable laws and report to the cybersecurity department and relevant competent authorities. 9. To the extent permitted by law, you own all rights, title, and interest in and to the generated content (excluding generated content based on example input provided by the Services) created through your use of the Services based on the input you provide, and you are solely responsible for such generated content. You hereby grant us a worldwide, perpetual, free, irrevocable, non-exclusive, sublicensable license to reproduce, use, publicly display, distribute, and modify such generated content. 10. Due to the nature of machine learning, you acknowledge that the generated content you create using the Services may be identical or substantially similar to generated content created by other users using the same services. You further acknowledge that the generated content requested and created for other users does not belong to you. 11. The generated content you create using the Services may contain links or information from third-party websites or services. These websites or services are not owned or controlled by us. You acknowledge and agree that we are not liable for any third-party websites or services. Please carefully review the terms of service, privacy policies, and other applicable agreements of any third-party websites or services that you visit or use. ## Applicable Law and Dispute Resolution Access and all related activities on or through this website shall be governed by, construed, and interpreted in accordance with the laws of the People's Republic of China. You agree that any dispute between the parties arising out of or in connection with this legal notice or your access and all related activities on or through this website shall be governed by a court with jurisdiction in Longgang District, Shenzhen, Guangdong Province of the People's Republic of China. --- https://www.mindspore.cn/lite/ --- ### MindSpore Lite - 概述 - 下载 - 文档 - API MindSpore Lite MindSpore Lite面向不同硬件设备提供轻量化AI推理加速能力，使能智能应用，为开发者提供端到端的解决方案，为算法工程师和数据科学家提供开发友好、运行高效、部署灵活的体验，帮助人工智能软硬件应用生态繁荣发展。 查看文档 ## 使用MindSpore Lite的优势 极致性能 高效的内核算法和汇编级优化，支持CPU、GPU、NPU异构调度，最大化发挥硬件算力，最小化推理时延和功耗。 轻量化 提供超轻量的解决方案，支持模型量化压缩，模型更小跑得更快，使能AI模型极限环境下的部署执行。 全场景支持 支持iOS、Android等手机操作系统以及LiteOS嵌入式操作系统，支持手机、大屏、平板、IoT等各种智能设备上的AI应用。 高效部署 支持MindSpore/TensorFlow Lite/Caffe/Onnx模型，提供模型压缩、数据处理等能力，统一训练和推理IR，方便用户快速部署。 ## 下游社区 华为开发者联盟 MindSpore Lite Kit是HarmonyOS NEXT内置的轻量化AI引擎，助力您打造全场景智能应用。 了解详情 --- https://www.mindspore.cn/lite/en/ --- ### MindSpore Lite - Overview - Downloads - Docs - API MindSpore Lite MindSpore Lite provides lightweight AI inference acceleration capabilities for different hardware devices, enabling intelligent applications. It provides end-to-end solutions for developers, offering development friendly, efficient, and flexible deployment experiences for algorithm engineers and data scientists. This empowers the flourishing development of the AI software and hardware application ecosystem. View Documents ## Advantages of MindSpore Lite Ultimate Performance With efficient kernel algorithms and assembly-level optimization, MindSpore Lite supports heterogeneous scheduling of CPUs, GPUs, and NPUs, fully unleashing hardware computing power and minimizing inference latency and power consumption. Lightweight Provides ultra-lightweight solutions. With model quantization compression, the models are smaller and run faster, enabling AI model deployment in extreme environments. All-scenario Support Supports mobile phone OSs (iOS, Android, and LiteOS) and AI applications of various intelligent devices including mobile phones, large screens, tablets, and IoT. Efficient Deployment With modal compression, data processing, and unified intermediate representations (IRs) for training and inference, MindSpore Lite is compatible with MindSpore, TensorFlow Lite, Caffe, and ONNX models, facilitating quick deployment. ## Downstream Community Huawei Developers MindSpore Lite Kit is a lightweight AI engine built into HarmonyOS NEXT to help you build full-scenario intelligent applications. View More --- https://www.mindspore.cn/lite/examples/ --- ### MindSpore Lite - 概述 - 下载 - 文档 - API ## 针对手机及IoT设备优化后的模型 轻松地部署预训练模型 图像分类 使用分类模型对图像内容（如动物、商品、自然景观等）进行分类。 了解详情 语音识别 使用语音模型将用户音频内容转写成文字。 了解详情 --- https://www.mindspore.cn/lite/examples/en/ --- ### MindSpore Lite - Overview - Downloads - Docs - API ## Optimized models for mobile and IoT devices Easily deploy models to mobile and IoT decices Image Classification Classify image content (e.g., animals, goods, natural landscapes, etc.) using a classification model. View More --- https://www.mindspore.cn/lite/models/ --- ### MindSpore Lite - 概述 - 下载 - 文档 - API ## 针对手机及IoT设备优化后的模型 轻松地部署预训练模型 图像分类 使用分类模型对图像内容（如动物、商品、自然景观等）进行分类。 了解详情 语音识别 使用语音模型将用户音频内容转写成文字。 了解详情 --- https://www.mindspore.cn/lite/models/en/ --- ### MindSpore Lite - Overview - Downloads - Docs - API ## Optimized models for mobile and IoT devices Easily deploy models to mobile and IoT decices Image Classification Classify image content (e.g., animals, goods, natural landscapes, etc.) using a classification model. View More --- https://www.mindspore.cn/msg/ --- # MSG (MindSpore Study Group) 昇思MindSpore开源社区诚邀你加入MSG，成为MSG组织者，一同打造昇思开源生态，感受开源的乐趣！ 立即申请 ## MSG介绍 全称MindSpore Study Group，是一个由昇思MindSpore开源社区发起的一个让开发者可以充分进行技术研讨、案例分享、互相交流的公益性社区。为了方便开发者的深入交流，我们在每个城市都成立MSG组织，满足本地开发者的线下交流机会。当前MSG有：MSG城市行、MSG暴走校园、MSG Women inTech、MSG企业行…… 技术研讨 MindSpore技术专家讲解最新版本技术亮点邀请技术大咖分享关于AI、深度学习最新动态 极客分享 开发者分享MindSpore真实场景应用案例极客们分享前沿技术进展与软硬件最新技术 社区贡献 引导开发者从零参与MindSpore社区贡献培养开发者成为开源社区的contributor ## MSG成员成长权益 项目经历 完成社区第一个PR的提交带领团队参与社区项目开发华为工程师一对一指导 技能积累 MSG成员闭门培训与开源大咖面对面深度学习相关资料 个人品牌 MSG成员专属证书昇思官网形象展示代表昇思参加本地合作伙伴活动 其他权益 昇思项目职位内推MSG定制周边昇思大型峰会门票 ## MSG优秀组织者 MindSpore优秀组织者图鉴，为开源生态贡献力量！ ### 许杰 口号： 万事尽心尽力，而后顺其自然 简介： 现就职于中国联合网络通信有限公司西安软件研究院，擅长 Python；熟悉相似性搜索的前沿模型；熟悉昇思MindSpore、PyTorch等框架。取得了昇思MindSpore资深布道师、云计算高级工程师、人工智能高级工程师等多项认证。 许杰 陕西-西安 张东豪 河南-郑州 刘明 山东-潍坊 丁一超 上海 王新 湖北-武汉 宋鑫 湖北-武汉 ## 成为组织者 昇思MindSpore开源社区诚邀你加入MSG团队，成为MSG组织者，与我们一同打造昇思开源生态，感受开源的乐趣！ 你需要做的：组织当地开发者活动、组建当地昇思开发小组并常态化运作、建立昇思MindSpore与当地开发者社区的合作、维护城市群组的秩序与活跃并定期举办活动。 icon-order1 提交申请书 简历中请举证匹配认证要求的项目 icon-order2 简历筛选 icon-order3 面试邀约 icon-order4 发放Offer 立即申请 如果您有任何疑问,可以发邮件至:contact@public.mindspore.cn --- https://www.mindspore.cn/news/ --- # 新闻 了解MindSpore最新资讯，支持订阅获取 立即订阅 --- https://www.mindspore.cn/news/detail/ --- 首页 Invalid Date --- https://www.mindspore.cn/news/detail/en/ --- Home Invalid Date --- https://www.mindspore.cn/news/detail/undefined/en/ --- Go back home --- https://www.mindspore.cn/news/en/ --- # 新闻 了解MindSpore最新资讯，支持订阅获取 立即订阅 --- https://www.mindspore.cn/news/en/ https:/github.com/TL-System/plato/ --- Go back home --- https://www.mindspore.cn/news/en/1078/ --- News PCITECH Joins the MindSpore Community to Empower Industry Scenario-based Intelligent+ Applications # PCITECH Joins the MindSpore Community to Empower Industry Scenario-based Intelligent+ Applications 2022/03/04 # PCITECH Joins the MindSpore Community to Empower Industry Scenario-based Intelligent+ Applications **PCI Technology Group Co., Ltd.** signs the Corporate Contributor License Agreement (CCLA) to officially join the MindSpore community. **PCI Technology Group Co., Ltd. (PCITECH)** is an AI technology product and service provider specializing in computer vision, knowledge graph, intelligent big data, and digital twin technologies. PCITECH is committed to building urban digital infrastructure to empower city modernization and smart governance. The joint intelligent video surveillance solution developed by PCITECH based on MindSpore provides a host of general-purpose intelligent image computing services, the solution provides image parsing and classification and clustering computing of identifier data, empowering industry scenario-based "intelligent+" applications. The innovative utilization of the solution in metro security checking scenarios highlights the solution's pivotal role in the construction of an integrated security protection, emergency response, and command platform for metro systems. Moving forwards, PCITECH and the MindSpore community will continue to work together on new innovative projects in rail transportation and other services. The ultimate vision of PCITECH is to build a prosperous industry ecosystem with a growing network of community participants. If you want to join the MindSpore community as a corporate contributor, let us know by sending an email to maxiaowen5@h-partners.com. **MindSpore Repositories** GitHub: https://github.com/mindspore-ai/mindspore Gitee: https://gitee.com/mindspore/mindspore --- https://www.mindspore.cn/news/en/1392/ --- News 2012 Labs Global Software Technology Summit - Canadian Research Institute # 2012 Labs Global Software Technology Summit - Canadian Research Institute 2022/03/22 # 2012 Labs Global Software Technology Summit - Canadian Research Institute March 22, 2022 Summit name: 2012 Labs Global Software Technology Summit - Canadian Research Institute Time: March 29 to 31 (Beijing Time, UTC+8) Venue: online Organizers: The Software Sub-Committee of 2012 Labs & Canadian Research Institute Live broadcast: https://live.vhall.com/v3/lives/watch/577021884 Summit introduction: The 2012 Labs Global Software Technology Summit is a communication conference where we connect the world, discuss new technologies, share new ideas, and promote technological innovations and architecture breakthroughs of software and software-hardware collaboration. It is held by the Software Sub-Committee of 2012 Labs, Canadian Research Institute, and other Huawei research institutes. Top technical experts from the industry and academia will be invited to the Summit to carry out in-depth discussions on the industry trends and cutting-edge technologies of software platform and ecosystem, jointly making new breakthroughs in advancing software. The 2012 Labs Global Software Technology Summit 2022 - Canadian Research Institute will be held online from March 29 to March 31 (Beijing Time), covering Compiler & HW/SW Co-design, Distributed Data & Database, OS & Cloud Computing, AI for Software & CG Technologies, and Trustworthy Software Engineering. Please see the agenda details below. Register now, and join experts to discuss cutting-edge trends and popular topics in software! --- https://www.mindspore.cn/news/en/1400/ --- News MindSpore Quantum | Interview with Excellent Developer Xie Qingxing: Do What You Love, Love What You Do # MindSpore Quantum | Interview with Excellent Developer Xie Qingxing: Do What You Love, Love What You Do 2022/03/16 # MindSpore Quantum | Interview with Excellent Developer Xie Qingxing: Do What You Love, Love What You Do **MindSpore Quantum | Interview with Excellent Developer Xie Qingxing: Do What You Love, Love What You Do** March 16, 2022 **Interview with an Excellent Developer** Today, we interviewed **Xie Qingxing, a winner of the Most Promising Award of Open Source Promotion Plan Summer 2021**, "Do what you love, love what you do". **Give a Brief Introduction of Yourself.** My name is Xie Qingxing. Because of my interests in programming and mathematical physics, after I graduated I enrolled as a PhD student at Wuhan University. My research direction is quantum computing in quantum chemistry. In thisopen source program, I picked the MindSpore Community project, **A Quantum Neural Network for Calculating the Ground State and First Excited State Energy of a Molecule** because it perfectly matched my research interest. **What are your learning methods and tips to improve coding?** Before coding, construct the complete logic of the entire algorithm. Remember, all code is made up of smaller, simpler sub-modules. Leave comments on each sub-module so that you or other readers know the complete code logic. Also, use expressive names for variables to make your code easy to read. **When did you start participating in open source projects? And what is your favorite open source project?** I first heard the open source concept during my undergraduate studies, but this is my first time to be part of an open source project. My favorite open source project is the current project, MindSpore Quantum, a quantum machine learning on MindSpore to perform quantum programming and simulations. MindSpore Quantum has greatly facilitated my research. **Have you ever participated in other similar competitions?** I took part in the 2021 National Quantum Computing Hackathon in Shanghai University jointly held by Huawei and Shanghai University. Our team, WHU-CCNSL, won the second prize. It was an intensely difficult period, as we had to learn a lot new and complicated content before solving two problems. But the experience was worthwhile, and we found a sense of accomplishment through the process. I also participated in the HUAWEI CLOUD Quantum Computing Paper Reproduction Contest this year, which was my first taste of state-of-the-art quantum computing research. With help from my mentor, I implemented the adapt-VQE algorithm based on MindSpore Quantum. But, the best thing about this contest is the group of like-minded friends I met. We keep in touch, always communicating with and learning from each other. The flow and sharing of ideas helps open our horizons and inspire us to improve our work. I would like to thank the organizers for providing us such a platform. **Tell us about your open source project in Summer 2021.** My topic for this open source program is **A Quantum Neural Network for Calculating the Ground State and First Excited State Energy of a Molecule**. Computational chemistry, as the name implies, is a branch of chemistry that uses computational simulations to assist in solving chemical problems based on the basic physical laws of quantum mechanics. However, solving or explaining chemical problems using computational simulations and basic theories requires both premium algorithms and huge computing power. In general terms, the development of quantum chemistry is closely related to that of computers. Because of the huge computing workloads involved in computational chemistry, classical computers fail to deliver the performance needed for computational precision and complexity, limiting the computational chemistry. That's why we use quantum computers. Currently, chemical simulations can be implemented on quantum computers by using the variational quantum eigensolver, or VQE. In this project, we run a VQE algorithm on MindSpore Quantum and perform numerical simulations to calculate the energy of the ground state and first excited state of a molecule. The simulation result is then compared with that of full configuration interaction (FCI) to assess the reliability of the VQE algorithm. **What was the biggest challenge during the project? How did you solve the challenge and what did you learn?** This project was difficult, requiring me to both understand the theory, including quantum computing and quantum chemistry, in the research papers, and perform complex, time-consuming programming to implement the algorithm. Here, I would like to thank my mentor, who guided and enabled me to start the project. Sometimes a few words from my mentor would point me in the right direction. If I encountered bugs that I couldn't solve, my mentor would patiently help me troubleshoot the problem and find a solution. My coding efficiency has greatly benefited from communication with others, especially my mentor. **Do you think participating in open source projects is helpful to scientific research?** I can't overstate how helpful this open source project has been to my study and future career. It expanded my knowledge, and helped me build up my tech stack and improve coding and modularization abilities. All these are going to help me with my current and future research. **What do you think of open source and open source communities after Summer 2021?** Individuals and teams can gain experience and influence through open source projects. In my opinion, you shouldn't code alone, and must let others help you review the code with fresh eyes, so that you don't run into brick walls. The ultimate purpose of open source is to allow people around the world to work together. That's why, we will harness the strengths of every contributor and use the knowledge in this 'hive mind' to jointly promote the continuous progress of open source projects. **How can a student go from an open source user to a contributor?** Interest is the key. If you love coding, then it's easy to get started. Choose an open source project that suits you, join in the challenges, and keep participating in it. **MindSpore website**: https://www.mindspore.cn/en **MindSpore Repositories** Gitee: https://gitee.com/mindspore/mindspore GitHub: https://github.com/mindspore-ai/mindspore --- https://www.mindspore.cn/news/en/1439/ --- News Get Started with MindSpore Graph Learning # Get Started with MindSpore Graph Learning 2022/03/30 # Get Started with MindSpore Graph Learning March 30, 2022 **The Importance of Graph Learning Framework** Graph Neural Networks (GNNs) are becoming more popular in both industry and academia, and are frequently applied to drug identification and discovery, recommender systems, traffic flow prediction, and chip design workloads. This explosive growth must grow in line with GNN model research, development, and application. However, if you develop a GNN algorithm based on an existing GNN framework using the message propagation mechanism, you must also program the feature tensors of all nodes. This is inverse to the principles of designing algorithms - start from the central node and aggregate outwards – and makes it difficult to develop GNN algorithms. In addition, existing frameworks may not fully cover optimization of the GNN algorithm process, such as the fusion mechanism and backward recalculation specific to GNNs. In short, the execution efficiency needs to be improved. **MindSpore Graph Learning** The MindSpore Graph Learning framework was jointly developed by Dr. Wu Yidi of the Chinese University of Hong Kong and the MindSpore team. It was built with the goal of making breakthroughs in usability and performance using the innovative point-centric programming paradigm and compilation optimization strategy for graph learning. The following figure shows the overall architecture of MindSpore Graph Learning. **Node-centric programming model** The design of a GNN algorithm usually starts from the central node to describe how to convert and aggregate the feature vectors of neighboring nodes. This process is local and has low dimension. Take this GCN algorithm as an example: Naturally, we can write the algorithm is written in Python like this: However, tensor-centric deep learning frameworks do not support such intuitive expressions. Instead, you must use the interfaces provided by the GNN framework, such as message and reduce, to implement the aggregation. What's more, you need to define the message sending and aggregation functions to convert the aggregation logic into the code logic for calculating the high-dimensional tensor consisting of all node features in the graph. This is far more complex than the expression above. For this reason, we propose a node-centric programming model. With our model, the core steps of GCN can be implemented as follows: Where v indicates the central node; v.innbs is invoked to obtain the neighboring node list; and then g.sum is used for summation and aggregation. In this way, writing a GNN model is as simple as writing a common Python program. Let's take the GAT model as an example to further demonstrate our programming model. The GAT formulas are shown on the left. u and v indicate the start and end points of the edge (u, v). We can see that the code based on our GNN framework can largely map to the formulas. The node-centric programming model greatly makes it easier to develop new models and facilitates model implementation and iteration. In addition, this model has the same expression capability as the message-passing-based method and can support any existing GNN model. The model's usability and expression allow us to quickly reproduce the convolutional library and model library of DGL, a popular GNN framework. To date, it supports 10 classic models, covering multiple fields such as homogeneous and heterogeneous models, recommendation models, knowledge graph, and life sciences. To implement node-centric programming, MindSpore Graph Learning must: Identify new programming model code and execute it on MindSpore. Integrate the new programming model with the tensor-centric code of MindSpore to seamlessly connect the code of two different programming models. Reuse MindSpore features, such as automatic differentiation, automatic parallelism, switching between dynamic and static graphs, computational graph compilation, and support new features in the future. To meet these requirements, MindSpore Graph Learning builds a new parser that uses the source-to-source conversion method to convert node-centric code into native code supported by MindSpore. This allows different programming models to exchange data using tensors, producing MindSpore code from source-to-source conversion, ensuring full compatibility with all MindSpore features without any modification to the existing framework. To simplify checks of the generated code, we also provide a line-by-line code conversion comparison tool. The following figure shows the comparison of the original and converted code of the GAT model. **Optimized Compilation** Different from other deep learning models, a GNN model converted into MindSpore tensors using Gather and Scatter operators adopts a Gather-Injective-Scatter (GIS) execution pattern, regardless if it is a homogeneous or heterogeneous graph. As such, we add the GIS operator fusion pattern to MindSpore, where one or more Gather, Injective, and Scatter operators are fused into one operator. After the operator fusion, the polyhedral technology is used to automatically optimize and generate operators during AKG operator compilation. The process is as follows: We also implement a recalculation solution based on operator fusion. Based on automatically identified calculation patterns that correspond to ultra-large tensors, the operators are recalculated, replicated, and fused, so that the ultra-large tensors are not generated. By reducing the instantiation of tensors in video memory, our framework has achieved 3 to 4 times the performance of the DGL framework. **Outlook** In future versions, we will add features such as large-scale graph learning performance optimization, efficient distributed graph sampling and training, and support for multiple heterogeneous hardware backends. These will enable MindSpore Graph Learning to better support GNN models in industrial scenarios based on large-scale interaction graphs, such as product or news recommendation and financial risk control. **MindSpore website**: https://www.mindspore.cn/en **MindSpore Repositories** Gitee: https://gitee.com/mindspore/mindspore GitHub: https://github.com/mindspore-ai/mindspore --- https://www.mindspore.cn/news/en/1442/ --- News New Protein Structure Prediction Model Running on MindSpore Ranks First in CAMEO # New Protein Structure Prediction Model Running on MindSpore Ranks First in CAMEO 2022/04/24 # New Protein Structure Prediction Model Running on MindSpore Ranks First in CAMEO \[Shenzhen, China, April 21, 2022\] Huawei topped the Continuous Automated Model EvaluatiOn (CAMEO) chart for three consecutive weeks thanks to the cutting-edge performance of its MindSpore-based protein structure prediction model. This news demonstrates the powerful capabilities created by Ascend AI software and hardware in the AI + scientific computing scenarios. Latest monthly results released on 21st, April Ranking No. 1 for three consecutive weeks CAMEO, an event jointly hosted by the Swiss Institute of Bioinformatics and the University of Basel in Switzerland, is one of the most important competitions in the protein structure prediction field. During the event, each team must predict the latest 20 protein structures cracked by structural biologists around the world. The scores and rankings of each team are updated online every week. The competition attracts many outstanding model developers in the biocomputing field worldwide. The Huawei entry was a collaborative effort with the China Changping Laboratory, Peking University's Biomedical Pioneering Innovation Centre (BIOPIC) and Chemistry and Molecular Engineering College, Shenzhen Bay Laboratory's Gao Yiqin team, and Peng Cheng Laboratory's Chen Jie team. Together, the team successfully developed a model to predict protein structures. The model was trained on the MindSpore AI framework, and took first place in the competition for three consecutive weeks worldwide. Advances of the MindSpore model for protein structure prediction Protein structure prediction is one of the key studies of artificial intelligence (AI) in life sciences, which also makes it of great significance to biological research. In December 2020, the publication _Science_ selected ten major scientific breakthroughs of the year, including AlphaFold, an AI technique used for protein structure prediction that has become a benchmark for biological research. In November 2021, Huawei jointly launched a tool for protein structure prediction and inference that runs on the algorithms of AlphaFold2. In February 2022, the team streamlined its training process, improving the efficiency by two to three times. Implemented on the Ascend AI software and hardware platform, it enables mixed precision, slashing single-step iteration from 20 seconds to 12 seconds, increasing performance over 60%. In addition, based on the memory overcommitment capability of MindSpore, its training sequence length is increased from 384 to 512. The record-breaking prediction result and rank in CAMEO signals a milestone for MindSpore in protein structure prediction, filling a scientific gap in this field domestically. The training accuracy of the MindSpore-based tool is very close to that of AlphaFold2, but that doesn't stop the MindSpore team from improving its algorithms and training scale and optimizing the software and hardware compatibilities. Looking forward, MindSpore hopes to cooperate with more academic and industry partners to continuously make breakthroughs in protein structure prediction and fuel pharmaceutical development. --- https://www.mindspore.cn/news/en/1445/ --- News MindSpore Becomes World's First Trustworthy AI Framework Certified with CC EAL2+ # MindSpore Becomes World's First Trustworthy AI Framework Certified with CC EAL2+ 2022/04/25 # MindSpore Becomes World's First Trustworthy AI Framework Certified with CC EAL2+ Recently, the all-scenario AI framework MindSpore has officially passed the security assessment of the world's largest independent security evaluation lab — SGS Brightsight, obtaining the Common Criteria Evaluation Assurance Level 2+ certified configuration (**CC EAL2**+) certification. As the first CC certification received by an AI framework worldwide, it marks that MindSpore has made great achievements and won global recognition in information security. Nowadays, the world is witnessing tremendous changes in technology. AI technologies, featuring deep learning, cross-industry convergence, human-machine collaboration, and independent control, are driving a new round of technological revolution and industrial transformation. While making our lives easier and more comfortable, these technologies also pose great public concern due to technical features such as generality, algorithm black box, and data dependency. As a result, specialized, diversified, agile, and globalized AI governance is in urgent need. Against this backdrop, trustworthy AI comes into being and has become a major research field in the international community. Regulators and researchers have widely discussed the connotation and extension of trustworthy AI. Based on the discussions, we have concluded the following trustworthy technologies throughout the AI lifecycle: MindSpore, based on the AI lifecycle, has built the following technical capabilities. 1\. **Model security:** Protects model with robustness evaluation, adversarial evaluation and training, and model encryption. 2\. **Privacy protection:** Develops technologies such as privacy assessment, differential privacy training, and federated learning to ensure data privacy. 3\. **Explainability:** Improves the explainability of models with the innovative semantically interpretable technologies and toolsets for users to better understand, trust, and use models. CC certification is currently one of the most authoritative product safety certifications in the world. The evaluation standard is based on IEC/ISO15408 Common Criteria for Information Technology Security Evaluation, which is the general criteria for information technology security evaluation. MindSpore, this time, is evaluated by SGS Brightsight, an authoritative product information security test lab designated by the Netherlands. During the evaluation, MindSpore worked with SGS Brightsight to innovatively set the security objectives of AI frameworks, which provide standards for future evaluation programs. This is made possible because of MindSpore's long-time research in trustworthy AI. Mr. Zhang Kaifan, Chief Operating Officer of SGS Brightsight in Asia, said: "As the world's leading security certification lab, SGS Brightsight is more than happy to work with MindSpore to write the history of security certification. AI is playing a more and more important part in our daily lives. However, the definition and implementation of AI products and their security functions have not been determined. Through this program, MindSpore and SGS Brightsight have proved that certification for AI frameworks is possible and will be necessary in the future." In the era of intelligent transformation, MindSpore is taking trustworthy AI to a new height, enhancing AI security in terms of security technologies and security governance. In the future, MindSpore will keep innovating and work together with partners to address AI security challenges. MindSpore is a revolutionary AI framework for device, edge, and cloud scenarios. It aims to build a new AI programming paradigm, allowing you to develop better, efficient, and flexible AI software and hardware applications. In addition to version iteration and feature optimization, MindSpore is dedicated to building an interactive learning community. Join us to unleash the power of AI with MindSpore. Official website: https://mindspore.cn/en GitHub: https://github.com/mindspore-ai/mindspore Gitee: https://gitee.com/mindspore/mindspore --- https://www.mindspore.cn/news/en/1457/ --- News iSSTech Joins the MindSpore Open Source Community # iSSTech Joins the MindSpore Open Source Community 2022/04/14 # iSSTech Joins the MindSpore Open Source Community Not long ago, iSoftStone Smart Technology (iSSTech) signed the Corporate Contributor License Agreement (CCLA) with MindSpore, signaling the official introduction to the MindSpore open source community. MindSpore is an open-sourced all-scenario AI framework that provides easy development and efficient execution for a premium user experience. It supports diverse workloads across device-edge-cloud, and provides in-depth optimization for Ascend hardware platforms, covering various industries, including scientific research, finance, and healthcare. MindSpore is committed to building an open source community for developers worldwide to fuel development of new AI applications. iSSTech is a smart city service provider based in China. The company provides services under the strategy of "data-powered city governance and scenario-based data value unleashing", driving Smart City digital transformation with data intelligence and information innovation. iSSTech is committed to managing and analyzing massive amounts of data to unleash the data value, building a foundation to modernize city governance. During the city digital transformation, iSSTech has created multiple algorithm repositories for ecosystems, emergency intelligence, digital twins, and local governance. Based on MindSpore, its solutions are used for digital governance, campus/community, water protection, and politics and law industries. The company aims to work with developers and enrich the community, and will share its achievements to help develop TB-level data mining and cleansing, and implement related algorithms to diversified scenarios. iSSTech signed a cooperation agreement with Huawei contributing in certain fields, such as Ascend AI capability building and AI computing center construction and operation, for the sustainable development of the Ascend AI industry. Joining the MindSpore community will further deepen iSSTech's cooperation with Huawei in the Ascend industry, which will also accelerate project launches. MindSpore invites project teams to join the MindSpore open source community for developing software and hardware AI applications. To learn more about the MindSpore framework, visit the MindSpore official website, Gitee, and GitHub. --- https://www.mindspore.cn/news/en/1458/ --- News Peng Cheng Laboratory and Huawei Set Up a Joint Scientific Research Team to Further Advance AI Technologies # Peng Cheng Laboratory and Huawei Set Up a Joint Scientific Research Team to Further Advance AI Technologies 2022/04/13 # Peng Cheng Laboratory and Huawei Set Up a Joint Scientific Research Team to Further Advance AI Technologies April 14, 2022 In April 2022, The Peng Cheng Laboratory - Huawei MindSpore Ecosystem Conference was held at Peng Cheng Laboratory in Shenzhen. It brought together key leaders from both companies to discuss the future of AI innovation. During this meeting, individuals and teams from both parties held discussions on furthering scientific research cooperation, ecosystem construction, and follow-up projects with Peng Cheng Cloud Brain II. In addition, the cooperation signaled the establishment of a joint scientific research team that will explore more AI technology breakthroughs. This conference aims to prepare both parties for a series of key scientific research projects in the future. Tian Yonghong, Deputy Director of the Network Intelligence Dept. and Director of the Cloud Brain Research Center at Peng Cheng Laboratory, said "A joint initiative from Peng Cheng Laboratory and the MindSpore will research, analyze, and optimize the Ascend-based AI computing cluster solution based on Peng Cheng Cloud Brain II". These coordinated efforts are set to keep Peng Cheng Labs and Huawei at the forefront of AI breakthroughs. As a China-developed pioneering AI supercomputing platform, Peng Cheng Cloud Brain II will inevitably encounter challenges in future exploration and research. Tian Yonghong believes the joint Peng Cheng Laboratory and the MindSpore technical teams will be able to solve the industry's most difficult issues. _Tian Yonghong, Deputy Director, Network Intelligence Dept.; Director, Cloud Brain Research Center, Peng Cheng Laboratory._ In the past year, the collaborative team made remarkable achievements in natural language processing, computer vision, biological information, and network information security. Two influential models, PCL-L and PCL-G, were publicly released and implemented based on the MindSpore framework. Going forward, the Peng Cheng Laboratory and MindSpore team will continue to work together and leverage their individual resources, to promote the integration of basic scientific research and cutting-edge technologies for the next stage of AI. **MindSpore website**: https://www.mindspore.cn/en **MindSpore Repositories** Gitee: https://gitee.com/mindspore/mindspore GitHub: https://github.com/mindspore-ai/mindspore --- https://www.mindspore.cn/news/en/1487/ --- News MSG Technical Workshop Successfully Held in Wuhan # MSG Technical Workshop Successfully Held in Wuhan 2022/04/29 # MSG Technical Workshop Successfully Held in Wuhan On April 27, the Wuhan Artificial Intelligence Computing Center, or just Computing Center, and MindSpore community successfully held this year's second MSG Technical Workshop in Wuhan. The workshop invited esteem colleagues from the Computing Center and Huawei to share their thoughts on how AI technologies and computing centers are driving new innovation, with the hope of inspiring AI talent. In his opening speech, Mr. Wang Yubo of the Computing Center, introduced the Center's history and business line. Originally, the Center was built and operated by Wuhan Optics Valley AI Computing Co., Ltd, a subsidiary of Hubei Science Technology Investment Group Co., Ltd. It served as the first public computing platform in China under the strategy of "one center and four platforms". The "platforms" are namely, public computing, innovation and incubation, industry development to integrate industry ecosystems, and scientific research and talent cultivation. Now, the Computing Center empowers smart city construction and fuels the AI industry in Wuhan. Mr. Wang also pointed to goal of the workshops, which are designed to help developers in Wuhan expand their skills and develop local AI. Next up was Mr. Wang Jingjun, Technical Director at the Computing Center, who praised the collaboration with the Huawei Ascend community as a strong, long-term support foundation to support the development of Wuhan's digital economy and AI industry. In the future, the center will continue to hold various events, such as contests and developer days, to help developers showcase their talents and exchange ideas for better utilization of computing power. Representatives from the Huawei MindSpore team were also in attendance, and shared the development and reproduction of models on MindSpore and related network migration. FAE engineers from the Computing Center presented the best practices of the inference workflows using Ascend models and explained how to make full use of new computing power. Also, Mr. Wang Jiakui, General Manager of Wuhan Veily Technology Co., Ltd, interpreted the unsupervised pre-trained models in computer vision. (MindSpore engineer) (FAE engineer) (Mr. Wang Jiakui) Innovation is the engine fueling the future. The construction of an AI ecosystem will inject momentum into innovation, to help the community prosper. This requires joint efforts of developers. As such, the Computing Center works with universities, enterprises, scientific research institutions, and developers to provide inclusive AI computing power for all sectors of society, and aims to cultivate the next generation of talented personnel in local institutions by launching the Hubei AI Talent Cultivation Program, introducing foundation models (the multimodal foundation model of the Institute of Automation, protein folding model of the Tsinghua University, and remote sensing model of the Wuhan University) to build cooperation, and establishing a local talent- and customer-oriented development path. All these measures combine a complete service system covering the public bodies like local governments and universities, as well as private bodies over industry, research, and finance fields. --- https://www.mindspore.cn/news/en/1488/ --- News MindSpore-Based Model Surpasses Alphafold in Terms of Protein Structure Prediction # MindSpore-Based Model Surpasses Alphafold in Terms of Protein Structure Prediction 2022/04/21 # MindSpore-Based Model Surpasses Alphafold in Terms of Protein Structure Prediction A MindSpore-based protein structure prediction model claimed top spot in the Continuous Automated Model EvaluatiOn (CAMEO) charts for three consecutive weeks and ranked in the top 2 for two consecutive months, signaling the strength of its cutting-edge performance. This prestige sets the Mindspore model apart from competitors, thanks to powerful capabilities created by Ascend AI software and hardware in the AI for Science field. CAMEO, a competition jointly hosted by the Swiss Institute of Bioinformatics and the University of Basel in Switzerland, is one of the most important competitions in the protein structure prediction field, attracting distinguished developers in the biocomputing field from around the world. Unlike other competitions like CASP, CAMEO requires contestants to predict the latest 20 protein structures. The scores and rankings of each contestant are updated every week. As a community project, the event adopts quality assessment criteria established by the community for different accuracy requirements, covering coverage, local accuracy, and completeness. Protein Data Bank (PDB) usually pre-releases sequence structures every Friday, and these are collected by CAMEO's team who preprocess and then submits them to registered servers for evaluation. The evaluation results are typically published the following Wednesday. CAMEO currently supports three categories: protein structure modeling (3D), protein model quality assessment (QE), and structures and complexes (Beta 3D). Protein contact prediction (CP) and ligand binding (LB) have been discontinued. CAMEO servers can be registered as public servers (the server name and data are available for public domain), or as development servers (server number: server\_X\_) that allow only developers to download data. For details about the registered server list, visit https://www.cameo3d.org/cameong\_servers/. CAMEO targets are evaluated against PDB's pre-released reference structures every week, and these structures are submitted to all registered servers. There are two types of targets that cannot be submitted for 3D protein structure prediction: those with templates covering ≥ 70% of the sequence and sequence identity is > 85%, or those with a sequence length > 250 and undiscovered amino acids are < 40. All the submissions of monomeric and homo-oligomeric targets are assessed within a specified period, with inappropriate targets excluded after examination. The **difficulty** of a target is determined through the evaluation of the average accuracy (lDDT) over the models received by servers, and lDDT-based targets are classified into three types: **Easy** (lDDT ≥ 75), **Medium** (lDDT: 50-75), **Hard** (lDDT < 50). The **fraction of atoms below a cutoff** is similar to the percentage of Cα atoms in the predictions that deviate from the target by limited and specified distance (in Å) cut-off for different sequence-dependent superpositions. This method uses distance cut-off values of 0.5, 1, 2 and 4 Å, whereas superposition is calculated using the LGA program, a method for finding 3D similarities in protein structures. Under such a strict assessment system, the MindSpore-based model reaches over 85 points, greatly demonstrating its superb performance and capabilities. The **CAD-score**, a contact area difference-based function, provides a unified framework for evaluating single-domain, multi-domain, and even multisubunit protein structure models varying in accuracy and integrity. Providing a highly-correlated base with GDT-TS on single-domain structures, the CAD-score emphasizes the physical realism of superposition-free models. Performance values of CAD-score ranges from 0 to 100 (0 the worst, and 100 the best). A model's **coverage** refers to the percentage of residue in the model, where structure information is of great use in the experimental structure with respect to the length of the submitted sequence. Some CAMEO targets may have low coverage, and will be removed in future projects. The **GDT\_HA** (Global Distance Test) score identifies sets of residuals in different sequence-dependent superposition predictions that deviate from the target by no more than a specified Cα distance. This method uses distance cut-off values of 0.5, 1, 2 and 4 Å. The **GDC** score identifies sets of residuals in different sequence-dependent superposition predictions that deviate from the target by no more than a specified Cα distance. This method uses distance cut-off values of 0.5, 1, 2 and 4 Å, and the GDC score is calculated with LGA (version 2009/5). The **lDDT** score (local Distance Difference Test on All Atoms) evaluates the quality of the local atomic environment of a model. lDDT scores the correctly predicted inter-atomic distances in a model at different thresholds, but does not depend on a global superposition of the prediction and target structure. Specifically, interaction distances (cutoff 15 Å) between atoms in the reference protein structure are compared with distances between corresponding atoms in the predictions. If the difference between the two distances is within a defined threshold, the interaction will be preserved. The final lDDT-all score is computed by averaging the fraction of correctly modeled interactions for the following four distance difference thresholds: 0.5, 1, 2, and 4 Å (the same thresholds as GDT\_HA). A filter based on the Engh and Huber bond lengths and angles removes stereochemical violations and steric clashes. CAMEO additionally offers a Cα - based lDDT score. The **lDDT-BS** score (local Distance Difference Test - Binding Site) measures the accuracy of residue which form the binding site(s) on the target structure. Here the binding site is defined as the set of amino acid residue in the reference protein structure that have at least one atom within a 4.0 Å radius of any atom of the ligand (3.0 Å for ions). Only ligands that form non-covalent interactions with the target are considered. Common solvent molecules are also excluded from the analysis based on a blacklist approach. The lDDT score is calculated for contacts within the binding site only, with a custom inclusion radius Ro of 10 Å and the standard thresholds of 0.5, 1, 2, and 4 Å. When the reference structure contains several biologically relevant ligands, the lDDT-BS score is the average of the lDDT-BS scores of each binding site. This score is only calculated for targets where the experimental structure incorporates a ligand. When a binding site is at the interface of a homo-oligomeric structure and the prediction does not show the same oligomeric state, all possible chain mappings are assessed and the highest-scoring one is retained. Targets which cover only part of a hetero-oligomeric complex are not evaluated, since the modeled form might differ from its natural state and among evolutionarily related hetero-oligomeric complexes. The evaluation of Model Confidence lDDT Values assesses the error estimates given as deviation in Å with a ROC AUC analysis. A residue is classified as **correctly modeled** if its local lDDT value is higher than or equal to 0.6. The local scores shown on the individual model pages are a measure of how well the model fits to the reference structure at a given residue position. Local scores are extracted from the output when calculating the average accuracy. Note that the ROC AUC is not defined for models with better or worse lDDT values (greater or smaller than 0.6). In November 2021, Huawei jointly launched a tool for protein structure prediction and inference that runs on AlphaFold2 algorithms. In February 2022, Huawei, along with teams from the China Changping Laboratory, Peking University's Biomedical Pioneering Innovation Centre (BIOPIC) and Chemistry and Molecular Engineering College, and Shenzhen Bay Laboratory, released the model that streamlines training processes and improves efficiency by two to three times. Running on the Ascend AI software and hardware platform, the tool enables mixed precision, slashes single-step iteration from 20 seconds to 12 seconds, and supercharges performance by over 60%. In addition, based on MindSpore's memory overcommitment feature, its training sequence length is increased from 384 to 512. The record-breaking prediction result and rank in CAMEO signals a milestone for MindSpore in protein structure prediction, filling a scientific gap in the domestic field. Despite achieving a training accuracy that is very close to AlphaFold2, the MindSpore team doesn't stop innovating, and continually improves its algorithms, training scales, and software and hardware compatibilities to lead the industry. Looking forward, MindSpore hopes to cooperate with more academic and industry partners to continuously make breakthroughs in protein structure prediction and fuel pharmaceutical development. To learn more about MindSpore and the protein folding code, visit the MindSpore official website and the code repository at Gitee. --- https://www.mindspore.cn/news/en/1499/ --- News MindSpore Technical Forum: New Trend of AI for Science # MindSpore Technical Forum: New Trend of AI for Science 2022/04/21 # MindSpore Technical Forum: New Trend of AI for Science In recent years, Artificial Intelligence (AI) has been dominating many scientific fields, fueling a new trend: AI for Science. The purpose of AI for Science is to find ways to use AI to help people transform masses of data first into information, and then into usable knowledge. This approach poses challenges to conventional scientific research, and it remains unclear if we are ready for it. In order to learn more about this potentially revolutionary method, the MindSpore community invited key experts to share their insights in the second MindSpore Technical Forum, held on April 16. Key topics included not only AI for Science, but also related models, experimental methods, and new industry forms. The following is a short review of speeches given at the forum. Mr. Huang Xiaomeng, Associate Professor from the Department of Earth System Science at Tsinghua University, Chief Engineer of the National Supercomputing Center in Wuxi, shared his views on the application of and challenges to deep learning in earth system science. Deep learning has been widely adopted in earth system science for purposes such as remote sensing image creation, extreme weather detection, weather forecasting, climate predictions, and smart reconstruction of physical parameterization in numeric mode. Mr. Huang pointed out that deep learning brings new research methods to the discipline, especially inspiration for how to address the physical inconsistency of black-box models. He also introduced one application of deep learning to earth system science: the earth system numerical simulation program, which aims to create a digital twin earth in a supercomputer to simulate real earth environments. Mr. Yang Yi, Associate Researcher from the Institute of Systems and Physics Biology, Shenzhen Bay Laboratory, explained how molecular dynamic simulation works in the AI field. Molecular dynamic simulation is an important scientific research method. With the rapid development of AI in recent years, powerful AI-based algorithms such as AlphaFold have emerged in molecular dynamics. Their superb performance has demonstrated that AI will soon bring significant changes to molecular dynamic simulation and even the entire scientific computing field. Mr. Yang Yi and his team developed MindSpore SPONGE, a next-generation intelligent molecular dynamic simulation software, based on MindSpore. MindSpore SPONGE not only overcomes the compatibility problems of conventional molecular dynamic simulation software and AI frameworks, but also implements functions that cannot be implemented by conventional software, such as meta-optimization. Thanks to these features, MindSpore SPONGE has enormous potential to become crucial in various fields, such as drug screening, protein structure prediction and new material design. Dr. Man-Hong Yung, Huawei's Chief Quantum Computing Software and Algorithm Scientist, introduced quantum computing in the AI field. As a disruptive computing technology, quantum computing has been rapidly improving and creating new industries since it was proposed in 1980. It is now possible to make quantum processors with over 50 qubits, unleashing more computing power than supercomputers. But such processors need practical algorithms and software. To fuel the development of quantum software, the MindSpore team developed MindQuantum, a general-purpose framework for quantum computing which supports quantum-classical hybrid computing and runs smoothly both on classical simulators and quantum processors. Mr. Dong Bin, Associate Professor of the Beijing International Center for Mathematical Research & Center for Machine Learning, Peking University, explained that deep learning has achieved some success in fields such as computer vision and natural language processing, and its influence has been growing, extending to scientific and engineering research fields. In his speech, Mr. Dong introduced the impact of deep learning on computational mathematics and scientific computing, recent research on the relationship between convolutional neural networks and discrete forms of differential equations, as well as ways to guide the modeling and computing of mechanism and data convergence. He also described designing interpretable data-driven models for system identification and model simplification and combining numerical partial differential equations with machine learning to create data-driven solvers for electromagnetic simulation. Mr. Yu Pan, Senior Architect of MindSpore, introduced the trend of AI for Science and current MindSpore practices following this trend. MindSpore has been engaged in scientific computing since its inception. The original MindSpore computing engine was upgraded, based on multi-scale hybrid computing and high-order hybrid differentiation, to a unified engine for AI and scientific computing, achieving converged and unified acceleration. MindSpore has made breakthroughs in multiple scientific fields in the past two years. It supports scientific computing, makes breakthroughs in high-level and high-dimensional automatic differentiation, automatic heterogeneous parallelism, and cross-scale computing convergence. It also provides an all-scenario framework with eight suites at its core, to support multiple data-driven or physics-driven AI paradigms. As a domestic framework for AI and scientific computing, MindSpore continuously improves its running efficiency and user experience while innovating its technologies across eight suites covering manufacturing, meteorology, pharmacy, aerospace, automobile, energy, finance, and material fields. The first four suites have already been put into practice. Among them, MindSpore Elec for AI electromagnetic simulation and MindSpore SPONGE for AI biopharmacy have yielded astonishing outputs. To learn more about MindSpore, please visit the following links: Official website: https://www.mindspore.cn/en Gitee: https://gitee.com/mindspore/mindspore GitHub: https://github.com/mindspore-ai/mindspore --- https://www.mindspore.cn/news/en/1517/ --- News Sinobest Joins the MindSpore Open Source Community # Sinobest Joins the MindSpore Open Source Community 2022/05/10 # Sinobest Joins the MindSpore Open Source Community Guangzhou Sinobest Information Technology Ltd., known as Sinobest, signed the Corporate Contributor License Agreement (CCLA) with MindSpore to officially join the MindSpore open source community. Sinobest has been engaged in the field of e-government since 1980s. It has a strong portfolio of industry-leading products and engineering experience in large-scale provincial projects, rising to top of the Smart Government solution providers in South China. Sinobest is a leader in cloud computing, Internet+, big data+, AI+, and other key software technologies, with a successful history of integrating cloud+data+intelligence and cutting-edge technologies with e-government sites. The company offers a wide range of services covering software, O&M, IT integration, and consultation, providing a digital base with core applications to build digital governments. As the digital world evolves with AI, Sinobest focuses on the changes and trends in user requirements and latest technology developments to support e-government products and services. This is proven with a rich back-catalogue of successful practices in one thousand administrative institutions in China, covering smart policing, HRSS, medical insurance, market regulation, civil affairs, healthcare, and education. **MindSpore & Sinobest** The Sinobest AI capability suite, developed on the MindSpore framework and deep learning techniques, incorporates the data mining, analysis and prediction, and model processing functions. Sinobest has deployed multiple e-government AI applications that feature premium functions to fit common system pain points. Sinobest will further deepen the cooperation with the MindSpore community to support more deep learning-based projects, and develop more excellent joint solutions. MindSpore invites project teams to join the MindSpore open source community for developing software and hardware AI applications. To learn more about the MindSpore framework, visit the MindSpore official website, Gitee, and GitHub. --- https://www.mindspore.cn/news/en/1518/ --- News Excellence Information Technology Joins the MindSpore Open Source Community # Excellence Information Technology Joins the MindSpore Open Source Community 2022/05/05 # Excellence Information Technology Joins the MindSpore Open Source Community Excellence Information Technology Co., Ltd. signed the Corporate Contributor License Agreement (CCLA), signaling its official introduction to the MindSpore open source community. Located in Tianhe Smart City in Guangzhou and sponsored by China Aerospace Science and Technology Corporation (CASC), Excellence Information Technology Co., Ltd. is an innovation-driven enterprise whose main business focuses on system integration, software development, and O&M. To date, it has been accredited with the Capability Maturity Model Integration (CMMI), ISO 20000, and ISO 27001 certificates. Under the strategy of "building a knowledge-driven, independent, open, and innovative development path", the company focuses on smart applications and data-knowledge services. It provides a full-stack portfolio of smart software, robotics, and AI+ solutions for large-sized enterprises covering defense, science and technology, IT, tobacco, transportation, energy, and finance sectors. The company works with MindSpore to release ExEye, a knowledge service platform. It helps build knowledge management software, serving as a foundation for knowledge-based governance for private and public bodies. The following lists several typical application scenarios: (1) Official document management: ExEye helps identify structured data, automatically retrieve knowledge, and form the reference information for document writing and review. For a practice of knowledge retrieval, 126 results are returned when the same keyword is retrieved, and ExEye performs this operation in just 5.8 s, almost half that (11 s) from conventional means. (2) Enterprise contract review: ExEye helps standardize the contract format, identify structured data, and form the reference information for review. For example, it identifies common errors in a 12,000-word contract and provides rectification suggestions in just 6 seconds, down from 22 s. Joining the MindSpore community will further deepen Excellence Information Technology to improve its research, document handling, and decision-making systems, and provide knowledge-based and structured information services to better meet user requirements. Excellence Information Technology is looking forward to working with more partners in the MindSpore community to build a positive ecosystem. MindSpore invites project teams to join the MindSpore open source community for developing software and hardware AI applications. To learn more about the MindSpore framework, visit the MindSpore official website, Gitee, and GitHub. --- https://www.mindspore.cn/news/en/1531/ --- News MindSpore Builds Huawei Cloud OCR Service with the Strict Security Assessment # MindSpore Builds Huawei Cloud OCR Service with the Strict Security Assessment 2022/05/19 # MindSpore Builds Huawei Cloud OCR Service with the Strict Security Assessment Cloud computing has become a new service and delivery mode in IT sector, but existing techniques have changed to fit new technologies, and this has created greater concern for security. This has led to government, industry associations, and other organizations to develop new policies, laws, regulations, and standards for cloud security. These compliance criteria aim to tighten security control over cloud computing to gain customer confidence and promote healthy and structural industry development. Germany's Federal Office for Information Security (BSI), the national cybersecurity authority, developed the standard Cloud Computing Compliance Controls Catalogue (C5) to define basic security of cloud computing. C5 is considered the most comprehensive and strict data protection standard in the cloud industry, covering the information security measures to be met by cloud service providers. As AI and cloud computing are more integrated, AI technologies are posing new challenges to enterprises and individuals alike. AI features like generality, algorithm black box, and data dependency, are complex and involve huge volumes of data, and it is becoming clear the C5 standard alone is insufficient. In 2021, the BSI, introduced the AI Cloud Service Compliance Criteria Catalogue (AIC4) for AI cloud services. This criteria, the first of its kind, defines a basic level of security for independent testing of the security of AI-based services throughout the lifecycle. In December, with the support of MindSpore, Huawei Cloud Optical Character Recognition (OCR) service successfully passed the AIC4 evaluation, verifying compliance and ability to provide secure cloud services. OCR uses optical devices to capture images and automatically recognize characters, reducing labor costs and improving efficiency. However, not all OCR models are bulletproof. If inputs with small perturbations (adversarial examples) occur, some OCR models cannot correctly recognize or process character modifications, causing the text recognition accuracy to decrease, and making it difficult to locate the fault because the perturbations are imperceptible to naked eyes. MindSpore provides the following built-in technical capabilities needed for lifecycle security: **Model security:** protects models with robustness evaluation, adversarial evaluation and training, and model encryption. **Privacy protection:** develops privacy technologies such as assessment, differential training, and federated learning. **Interpretability**: improves the interpretability of models with TB-Net, the innovative semantic-level interpretable technology and explainable method toolset. Users can better understand, trust, and use models. Huawei's technical team used MindSpore Armour, a model security evaluation tool, to evaluate the OCR security. Results showed algorithm models of most OCR services offer poor identification of natural perturbation and defense against adversarial examples. For example, the text box detection model has just 66% accuracy when attacked by noise check, PGD, and PSO. The team has developed technologies, such as adversarial example detection and data augmentation training, which offer over 95% accuracy to identify adversarial examples. Huawei technologies improve model and OCR services and meet the security, robustness, and other criteria of AIC4. MindSpore is not only key to ensuring Huawei Cloud OCR service could pass the AIC4 certification, but has also worked with authoritative audit organizations in France and Netherlands to develop the evaluation standards for AI frameworks. In April 2022, MindSpore was accredited with the CC EAL2+ certificate issued by the Netherlands Scheme for Certification in the Area of IT Security (NSCIB). In the intelligent era, MindSpore is taking trustworthy AI to new heights. By continuously enhancing AI security in terms of technologies and governance, MindSpore is shaping the future together with partners, and building trustworthy AI that addresses AI security challenges. For details about the AIC4, visit https://www.bsi.bund.de/SharedDocs/Downloads/EN/BSI/CloudComputing/AIC4/AI-Cloud-Service-Compliance-Criteria-Catalogue\_AIC4.html --- https://www.mindspore.cn/news/en/1532/ --- News The Joint Space-native AI Solution from MindSpore and KubeEdge Debuts at KubeCon + CloudNativeCon Europe 2022 # The Joint Space-native AI Solution from MindSpore and KubeEdge Debuts at KubeCon + CloudNativeCon Europe 2022 2022/05/17 # The Joint Space-native AI Solution from MindSpore and KubeEdge Debuts at KubeCon + CloudNativeCon Europe 2022 KubeCon is a flagship open source conference in the cloud native field hosted by the Linux Foundation. KubeCon + CloudNativeCon Europe 2022 was held in Valencia, Spain from May 16 to May 20. Operation and technical experts from global open source and cloud native communities gathered here to discuss the open source ecosystem and advance the development and progress of cloud native computing. This 15-minute technical keynote presentation was a precious opportunity as the MindSpore team became the first Chinese open source team to present a non-sponsored keynote at KubeCon + CloudNativeCon Europe. This also marked the fourth consecutive year that the MindSpore team presented keynotes at summits held by the OpenStack Foundation and Cloud Native Computing Foundation. **Sharing Topic** In this talk on May 18, we presented how we combined KubeEdge Sedna, the cloud native edge machine learning suite, with the MindSpore deep learning framework, to enable incremental learning for satellite to accomplish tasks like remote sensing and earth observing. Watch the video here. **Follow-up Plans** In the future, KubeEdge and MindSpore will be expanded to more scenarios. For example: Deep space learning for Earth-orbit/Mars-orbit/Venus-orbit missions that facilitate automatic constellation forming or smallsat/cubesat fleet management; Cloud native policy for multi-tenant ride-sharing smallsat/cubesat resource isolation and security/privacy; Cloud native space computing that enables better orbit-ground or orbit-orbit communication, monitoring and resource management. --- https://www.mindspore.cn/news/en/1542/ --- News Advancements in Protein Structure Prediction and Inference with MindSpore # Advancements in Protein Structure Prediction and Inference with MindSpore 2022/06/15 # Advancements in Protein Structure Prediction and Inference with MindSpore The evolving research into protein structures is one of the most challenging, fascinating and potentially impactful areas of development in the Life Sciences sphere. Many scientists have dedicated themselves to looking for breakthroughs. Using ordinary computer software to analyze protein structures requires an astonishing amount of computation, which is unbearable even for supercomputers. Furthermore, conventional protein structure prediction methods are plagued by inaccuracy. Therefore, it is very hard to make progress. In an attempt to remedy this obstacle, researchers develop AI algorithms to predict the structure of proteins based on amino acid sequences. This was first successfully done in 2020, by Google's DeepMind team who, using AlphaFold2, managed to accurately predict the structure of 350,000 proteins. AlphaFold2 was significantly more accurate than other methods in a vast majority of cases. The team's achievement was honored with the first prize at the 14th Critical Assessment of Structure Prediction (CASP14) competition, where the organizers described their work as "unprecedented progress". Recently, the MindSpore team, the China Changping Laboratory, Peking University's Biomedical Pioneering Innovation Centre (BIOPIC), the Chemistry and Molecular Engineering College, and Shenzhen Bay Laboratory's Gao Yiqin team, joined forces to launch a new protein structure prediction and inference tool modelled on AlphaFold2. The new MindSpore-based tool leverages the heterogeneous Compute Architecture for Neural Networks (CANN) to harness the computing power of the Ascend AI Processor. Its relative strength lies in the multiple sequence comparison stage. By adopting MMseqs2 for sequence retrieval, it can dramatically improve the computing efficiency for protein prediction because its end-to-end computing speed is almost 3 times higher than that of AlphaFold2. It can calculate the protein structure of a sequence of over 2000 amino acids, covering more than 99% of protein sequences, and thus makes a valuable contribution to research in the bioprotein field. **Figure:** An illustration of protein T1079, predicted by MindSpore. The green represents the experimental results while red represents the predicted results. The prediction of single protein folding is a respectable start, but at present, we have barely scratched the surface of protein structure research. Proteins usually function in pairs or groups to perform the functions required to sustain life. To continue to explore the science behind proteins, it is important to refine algorithms and better understand the interaction between multiple proteins. In future, we may be able to use this research to create more advanced treatments for disease. MindSpore's new protein structure prediction and inference tool is now open sourced in the MindSpore community: https://gitee.com/mindspore/mindscience/tree/master/MindSPONGE/mindsponge Click here to Meet MindSpore and explore more content like this. --- https://www.mindspore.cn/news/en/1543/ --- News MindSpore Graph Learning – Formulas as Code, 3x to 4x Faster Training # MindSpore Graph Learning – Formulas as Code, 3x to 4x Faster Training 2022/06/15 # MindSpore Graph Learning – Formulas as Code, 3x to 4x Faster Training Graph learning has been used in a wide array of applications from protein folding and fraud detection, to drug discovery and recommender systems. Graph data can naturally express the relationships between objects in the real world and has strong representation and interpretability. Graph relationships are complex and the quantity of data is huge, usually involving hundreds of vertex and edge types, billions of vertices, and tens of billions of edges. Therefore, an efficient graph neural network (GNN) system is needed to process time-consuming graph data computing tasks. In addition, the GNN system must be flexibly scalable to support rapid development of GNN algorithms. The MindSpore graph learning framework provides such a GNN system. The framework is jointly developed by the James Cheng team at the Chinese University of Hong Kong and the Huawei MindSpore team. The powerful MindSpore graph learning framework is easy to use and efficient, with more than ten embedded graph learning models available to cover major graph computing scenarios. **Easy to Use: Formulas as Code** MindSpore's vertex-centric programming paradigm is more adaptive to the GNN algorithm logic and Python language than the message passing paradigm. The MindSpore graph learning framework can directly map formulas to code, as shown in the figure below. This means that developers do not need to encapsulate any functions; instead, they can quickly and directly implement customized GNN algorithms and operations. **Efficient: 3x to 4x Faster Training** The MindSpore graph learning framework provides a graph kernel fusion feature and the Auto Kernel Generator (AKG). It supports index-based operator fusion in irregular memory access by automatically identifying the unique execution pattern of GNN model tasks and performing the fusion and kernel-level optimization. Compared with other frameworks that optimize only common operators, MindSpore is more flexible and scalable, and covers all existing and emerging operators. With the MindSpore all-scenario AI framework as the backend, MindSpore graph learning models accelerate GNN training by 3 to 4 times. **Versatile: Suited to Major Graph Learning Networks** The MindSpore graph learning framework has 13 embedded graph learning models, covering homogeneous graphs, heterogeneous graphs, random walks, and others. This allows the framework to be easily integrated into major graph learning networks. The all-scenario MindSpore aims to lower the entry barriers to AI development, help developers port code more easily, and foster collaboration on demand in all scenarios. For more information about how to use MindSpore graph learning models, visit: https://gitee.com/mindspore/graphlearning/tree/research/model\_zoo Click here to Meet MindSpore and explore more content like this. **References** \[1\] MindSpore 1.6.0 Release Notes. https://gitee.com/mindspore/mindspore/releases/v1.6.0 \[2\] Graph Learning: A Survey. https://arxiv.org/abs/2105.00696 \[3\] Representation Learning on Graphs: Methods and Applications. https://www-cs.stanford.edu/people/jure/pubs/graphrepresentation-ieee17.pdf --- https://www.mindspore.cn/news/en/1544/ --- News Parameter Server for Distributed Training # Parameter Server for Distributed Training 2022/06/15 # Parameter Server for Distributed Training As machine learning develops rapidly, the number of datasets and parameters used in model training is growing exponentially in order to improve the accuracy and generalization of neural networks. However, the hardware performance of a single node can hardly catch up growing needs for computing power, which will bring about potential bottlenecks. Distributed training has risen as an effective solution to resolve performance bottlenecks on ultra-large-scale networks. It enables horizontal resource scaling to provide higher overall computing power while reducing requirements on hardware resources such as memory and CPUs of each single node. Among those solutions, the Parameter Server framework is well suited for MindSpore. It addresses performance challenges using distributed machine learning algorithms. Parameter Server supports both asynchronous and synchronous stochastic gradient descent (SGD) training. It deploys model computing and model update in worker and server processes respectively, so that worker and server resources can scale out independently from each other. In addition, in a large data center, one or more computing, network, and storage nodes may break down. The Parameter Server framework can isolate the failed nodes to prevent them from interrupting ongoing training jobs. MindSpore uses the open source ps-lite, which is light and efficient implementation of the Parameter Server framework. The ps-lite architecture consists of three components: server, worker, and scheduler. · Server: saves model weights and backward computation gradients, and updates the model using gradients pushed by workers. · Worker: performs forward and backward computation on the network. The gradient value for backward computation is uploaded to a server through the Push API, and the model updated by the server is downloaded to the worker through the Pull API. · Scheduler: establishes the communication relationship between the server and worker. Based on the remote communication capability provided by the ps-lite and abstract Push/Pull primitives, MindSpore supports synchronous SGD for distributed training. Compared with the synchronous AllReduce training method, Parameter Server offers better flexibility and scalability as well as node failover capability. Furthermore, with the high-performance collective communication libraries in Ascend and GPUs, that is, Huawei Collective Communication Library (HCCL) and NVIDIA Collective Communications Library (NCCL), MindSpore also provides the hybrid training mode of Parameter Server and AllReduce. Some weights can be stored and updated through Parameter Server, and others are trained using the AllReduce algorithm. **Figure:** Distributed training with Parameter Server For how to use the Parameter Server framework, go to: https://gitee.com/mindspore/docs/blob/r1.1/tutorials/training/source\_en/advanced\_use/apply\_parameter\_server\_training.md Click here to Meet MindSpore and explore more content like this. References \[1\] TensorFlow's tutorials for parameter server training \[2\] Article by "MS xiaobai" at CNBlogs.com \[3\] Microsoft's Azure Machine Learning Documentation --- https://www.mindspore.cn/news/en/1545/ --- News The Transformer in Machine Translation # The Transformer in Machine Translation 2022/06/15 # The Transformer in Machine Translation In recent years, machine translation has been a hot topic in the AI field, and the race is on for large companies to launch their own machine translation services. Today, we'll explore a major technique behind machine translation: The Transformer Model. The Transformer is a deep learning model, which was first proposed in 2017. It adopts the mechanism of "self-attention", which improves the performance of Neural Machine Translation (NMT) applications relative to the traditional Recurrent Neural Network (RNN) model, and consequently accelerates the training process in Natural Language Processing (NLP) tasks. First, let's take a brief look at the traditional machine learning model for machine translation, RNN. **RNN Model** Neural networks, and in particular RNNs, were once the leading approach for language-understanding tasks such as machine translation. Figure 1: RNN model (image source: Understanding LSTM Networks) RNNs can perform tasks on inputs of varying lengths, ranging from a single word, to a whole document. They are most suitable for natural language modeling. However, RNNs produce hidden state vectors through recurrent computations, and as a result, treat all tokens in the sequence uniformly and equally. This limits the applicability of the RNN model. The two major weaknesses of the RNN model are that: l RNNs scale poorly due to the fundamental difficulty of parallelizing state computations; and l RNNs suffer from vanishing and exploding gradient problems, and they cannot model longer sequences with long-term dependencies. **Transformer Model** The Transformer model, like RNN models, is designed to process sequential input data for natural language tasks, such as translation. However, unlike RNNs, the Transformer does not necessarily process the input data in sequential order. Instead, the self-attention mechanism (shown in Figure 2) identifies the context which gives meaning to each position in the input sequence, allowing more parallelization than RNN models and reducing the training time. Figure 2: Self-attention mechanism (image source: Attention Is All You Need) Figure 3: Transformer architecture (image source: Attention Is All You Need) Similar to the Sequence-to-Sequence (seq2seq) machine translation model, the Transformer model is also based on the encoder-decoder architecture. However, the Transformer differs from the seq2seq model in three ways: l **Transformer Block**: The recurrent layer in seq2seq is replaced by a Transformer Block. This block contains a multi-head attention layer and a network with two Position-Wise Feed-Forward network layers for the encoder. Another multi-head attention layer is used to compute the encoder state for the decoder. l **Add & Norm**: The inputs and outputs of both the multi-head attention layer and the Position-Wise Feed-Forward network are processed by two Add & Norm layers which contain a residual structure and a layer normalization layer. l **Position Encoding**: Since the self-attention layer does not distinguish the order of items in a given sequence, a positional encoding layer is used to add sequential information into each sequence item. **How the Transformer Works** The Transformer's primary three functions are data preprocessing, model training, and model prediction. l **Data Preprocessing** The data is preprocessed using tokenizers before being fed into the Transformer model. Inputs are tokenized and then the generated tokens are converted into the token IDs used in the model. For example, for PyTorch, tokenizers are instantiated using the "AutoTokenizer.from\_pretrained" method in order to: 1\. Get tokenizers that correspond to pretrained models in a one-to-one mapping. 2\. Download the token vocabulary that the model needs when using the model's specific tokenizer. l **Model Training** Teacher Forcing is a popular training method for neural machine translation. It uses the actual output instead of the predicted output from the previous timestamp as inputs during training, and thus reduces the training time. l **Model Prediction** 1\. The encoder encodes the input sentence of the source language. 2\. The decoder uses the code generated by the encoder and the start token () of the sentence to predict the model. 3\. At each decoder time step, the predicted token from the previous time step is fed into the decoder as an input, in order to predict the output sequence token by token. When the end-of-sequence token () is predicted, the prediction of the output sequence is complete. **MindSpore and the Transformer** MindSpore is a deep learning framework which aims to deliver easy development, efficient execution, and all-scenario coverage. Meet MindSpore and learn about how it supports the Transformer model. **Summary** In this blog, we have given you an insight into the Transformer model for machine translation. If you'd like to learn more about the Transformer, we recommend the following learning resources, which are also the main references of this article: 1\. GitHub's article on Dive into Deep Learning 2\. Google's Attention Is All You Need 3\. Hugging Face's guide to Transformers --- https://www.mindspore.cn/news/en/1575/ --- News MindsGo Joins the MindSpore Open Source Community # MindsGo Joins the MindSpore Open Source Community 2022/05/31 # MindsGo Joins the MindSpore Open Source Community MindsGo Shenzhen Life Science Co. Ltd. (MindsGo) signed the Corporate Contributor License Agreement (CCLA), signaling its official introduction to the MindSpore open source community. MindsGo is a leading high-tech enterprise focusing on digital reconstruction of the human brain. Based on the neural network-based brain fingerprinting technology, MindsGo builds a one-stop brain disease analysis and decision-making platform with structural and parsing algorithms, providing multi-modal services for brain imaging data. This business line is innovating downstream AI applications to enable scenario-specific solutions for brain diseases. MindsGo has built brain health assessment, auxiliary diagnosis equipment, and research platform production lines. So far, comprehensive intelligent solutions are provided, covering early detection screening, auxiliary diagnosis, clinical research, auxiliary therapy, and curative effect assessment. Adheres to the strategy of "demand-driven and tech-powered", MindsGo has achieved success in domestic research projects, covering chronic diseases, common diseases and brain diseases. The company often works with authoritative institutions to use cutting-edge scientific discoveries to develop product solutions that benefit brain disease prevention and early detection. With large amounts of samples, feature parameters, and images, medical imaging data has several special file formats. Therefore, seldom image files are stored in a database. To fix this issue, MindsGo will work with MindSpore and other community partners to explore how to directly store images into databases and create more intelligent solutions, thus building a more vibrant AI open source ecosystem. MindSpore invites project teams all around the globe to join the MindSpore community, delving into deep learning researches to build international influence. To learn more about MindSpore, visit the MindSpore official website, Gitee, and GitHub. --- https://www.mindspore.cn/news/en/1576/ --- News LuoJiaNET Intelligent Remote Sensing Framework Released in the MindSpore Community # LuoJiaNET Intelligent Remote Sensing Framework Released in the MindSpore Community 2022/05/31 # LuoJiaNET Intelligent Remote Sensing Framework Released in the MindSpore Community LuoJiaNET, jointly built by the MindSpore team and Wuhan University, was released in the MindSpore community. We sincerely invite experts and enthusiasts in the remote sensing field to try this new framework and leave your valuable suggestions. Although new applications are being continuously developed in the prospering remote sensing industry, the use of general frameworks has become the bottleneck in development because they can only process few types of small-sized images with limited scales and channels. To break this bottleneck, Wuhan University and the MindSpore team built LuoJiaNET. Powered by Ascend AI technologies, it is the world's first AI framework dedicated to remote sensing image interpretation. The joint team also released LuoJiaSET, the industry's largest remote sensing image dataset. As a dedicated intelligent framework, LuoJiaNET incorporates efficient and accurate sample labeling tools, sample libraries, and corresponding basic models. LuoJiaNET facilitates the development of remote sensing applications and enables intelligent remote sensing technologies to be widely used in the natural resources, maritime, agriculture, forest, and emergency response industries. **Feature Highlights of LuoJiaNET** **1\. Full-Stack Deep Learning Architecture** Remote sensing applications need to complete tasks at multiple levels (scenario-, target-, and pixel-levels). Based on this characteristic, the team centers on the computational graph and incorporates the features of remote sensing mechanism models and geoscience knowledge graphs to build the domain specific AI framework LuoJiaNET based on MindSpore. **2\. Multi-Dimensional Remote Sensing Characteristics** In addition to the features of efficient memory expansion and adaptive selection of scales and channels, LuoJiaNET is designed with characteristics of remote sensing data in mind, for example, the multi-dimensional spatial and temporal spectrums: LuoJiaNET uses equivalent decomposition of operators for distributed computing, which allows this network to directly process large-sized images; The adaptive data channel selection module enables LuoJiaNET to classify hyperspectral remote sensing images directly; Multiple remote sensing knowledge models, including vegetation, drought, building, and topography indexes, significantly improve the classification performance of LuoJiaNET. **3\. A Unified Classification System** Existing sample libraries face the problems of inconsistent classification systems, limited types of sensors, and weak generalization capability of models. To address these problems, the joint team released LuoJiaSET, a large remote sensing image sample dataset that complies with the Open Geospatial Consortium (OGC) standards. LuoJiaSET is built on a unified classification system with specifications on the collection, content, and processing of samples. This system improves the efficiency in collection, creation, management, sharing, and application of remote sensing image sample libraries of multiple levels and types. You are welcome to try out LuoJiaNET online in the MindSpore community. **Related links** 1\. LuoJiaSET Intelligent Remote Sensing Service Platform: http://58.48.42.237/luojiaSet 2\. LuoJiaNET Intelligent Remote Sensing Service Platform http://58.48.42.237/luojiaNet 3\. LuoJiaNET source code: https://github.com/WHULuoJiaTeam/luojianet https://gitlab.com/whuluojiateam/luojianet https://bitbucket.org/luojiateam/luojianet --- https://www.mindspore.cn/news/en/1591/ --- News MetaX Joins the MindSpore Open Source Community # MetaX Joins the MindSpore Open Source Community 2022/06/07 # MetaX Joins the MindSpore Open Source Community MetaX Integrated Circuits (Shanghai) Co., Ltd. (referred to as MetaX) signed the Corporate Contributor License Agreement (CCLA) with MindSpore to officially join the MindSpore open source community. MetaX Integrated Circuits (Shanghai) Co., Ltd. is committed to providing high-performance GPU chips and solutions for heterogeneous computing. The company was founded in Shanghai in September 2020 and has established wholly-owned subsidiaries and R&D centers in top university gathering cities, including Beijing, Nanjing, Chengdu, Hangzhou, Shenzhen, and Wuhan. MetaX core team members have an average of nearly 20 years of end-to-end R&D experience in high-performance GPU products, and have led the R&D of more than ten mainstream high-performance GPU products, including GPU architecture definition, GPU IP design, GPU SoC design and GPU system solutions. It is a team with extensive experience in technology, design and industrialization in the whole process of mass production and delivery. With a completely self-developed new patented architecture and a complete software stack compatible with the mainstream ecosystem, MetaX high-performance GPU chips and solutions have a wide range of application prospects in many frontier areas such as AI inference, AI training, high performance data analytics, scientific computing, data center, cloud gaming and metaverse, providing powerful computing capabilities for the development of digital economy. Since MetaX's establishment, it has maintained rapid growth and demonstrated strong talent appeal, industrial resource aggregation, product development execution, and deployment capabilities across the industry. MetaX has established in-depth partnerships with industry clients such as server OEMs, big data centers, and Internet service providers. It works closely with many well-known universities and research institutions to fully promote the construction of the industry ecosystem. **MindSpore & MetaX** MetaX and the MindSpore community will continue to work together on new innovative projects. MetaX will fully support MindSpore from the chip layer to build a software-hardware integrated solution based on MindSpore+MetaX, providing independent, controllable, and complete high-performance AI computing solutions for servers and data centers. MindSpore invites project teams to join the MindSpore open source community for developing software and hardware AI applications. To learn more about the MindSpore framework, visit the MindSpore official website, Gitee, and GitHub. --- https://www.mindspore.cn/news/en/1592/ --- News SenseWing Robot Joins the MindSpore Community to Better Support Decision-making for Smart City Solutions # SenseWing Robot Joins the MindSpore Community to Better Support Decision-making for Smart City Solutions 2022/06/06 # SenseWing Robot Joins the MindSpore Community to Better Support Decision-making for Smart City Solutions Guangzhou SenseWing Robot Technologies Co., Ltd (SenseWing Robot for short) signed the Corporate Contributor License Agreement (CCLA), becoming a new member of the MindSpore community. SenseWing Robot is a high-tech startup that provides aerospace products and services, covering hardware R&D for aerospace data, aerospace image algorithms, and solution deployment. The company has committed to innovating its products and services based on industry requirements, to create an intelligent digital world leveraging aerospace information. Supported by top remote sensing and GIS teams, it has worked with several universities and institutes to establish R&D centers. After years of technical research and development, the company has made great achievements in aerospace image data analysis, spatial optimization and decision-making, and spatiotemporal big data. Being capable of using cutting-edge scientific discoveries to develop products, it has developed more than 50 software products with independent intellectual property rights and won many prizes. Its intelligent aerospace products, including tilt-shift photographing equipment, automatic drones, AI-powered image software, and decision-making platform for low-altitude remote sensing, are taking the lead in the industry, providing "AI + smart city" solutions in scenarios such as transportation, emergency handling, smart campus, and etc. After joining the community, SenseWing Robot will deepen the collaboration with MindSpore in model design, training, and inference, and implement more projects with other partners to build a more prosperous ecosystem. --- https://www.mindspore.cn/news/en/1593/ --- News 2012 Labs Global Software Technology Summit 2022 # 2012 Labs Global Software Technology Summit 2022 2022/06/28 # 2012 Labs Global Software Technology Summit 2022 **Introduction to the Summit** The 2012 Labs Global Software Technology Summit is a communication conference where we connect the world, discuss new technologies, share new ideas, and promote technological innovation and architecture breakthrough of software and software-hardware collaboration. It is held by the Software Sub-profession Committee of 2012 Labs, Canadian Research Institute, European Research Institute, and other Huawei research institutes. Top technical experts from the industry and academia will be invited to the Summit to carry out in-depth discussions on the industry trends and cutting-edge technologies of software platform and ecosystem, jointly making new breakthroughs in advancing software. For the European Session, Huawei European Research Institute and Central Software Institute together invite collaboration partners and the research community to join the three-day open access conference focusing on the latest research and development in Operating Systems, Data Analytics, Compiler, Programming Language, Software Autonomy Trustworthy Technology & Cloud Service Technology and related topics – innovations which will build the future mission-critical systems. **Home Page**: https://huawei-events.de/en/gsts22.htm **Time Schedule**: July 5th to 7th (Beijing Time, UTC+8) **Registration Address**: https://huawei-events.de/en/gsts22-registration.htm **Introduction to Branch Venues** Europe - Dresden (1) Topic: Operating Systems (2) Time Schedule: July 5th to 6th (Beijing Time, UTC+8) Europe – Edinburgh (1) Topic: Data Analytics (Search), Compiler & Programming Language (2) Time Schedule: July 6th to 7th (Beijing Time, UTC+8) Europe – Dublin (1) Topic: Software Autonomy Trustworthy Technology & Cloud Service Technology (2) Time Schedule: July 7th (Beijing Time, UTC+8) **Agenda** --- https://www.mindspore.cn/news/en/1624/ --- News Rongcheng.Kuiniu Model Launched for Short-range Meteorological Forecast # Rongcheng.Kuiniu Model Launched for Short-range Meteorological Forecast 2022/06/22 # Rongcheng.Kuiniu Model Launched for Short-range Meteorological Forecast The Chengdu Institute of Plateau Meteorology (CIPM), University of Electronic Science and Technology of China (UESTC), and Huawei jointly built the Ascend AI-powered Rongcheng.Kuiniu, China's first foundation model to predict short-range precipitation, thereby applying AI technologies to the meteorological field for natural disaster pre-warning. Short-range weather forecast is closely related to our daily lives, as sudden extreme weather may cause loss of lives and properties. Timely and accurate short-range weather forecast can guide disaster prevention and mitigation. To meet this demand, three parties cooperated and agreed to build a new short-range weather forecast system by combining AI and big data technologies with radar and satellite resources. This will help better understand the scientific rules of extreme weather and implement numerical weather prediction with 1-kilometer resolution and 1-hour forecast frequency. At the signing ceremony was Mr. Jiang Xingwen, Director of CIPM, who first explained the impact of disasters caused by short-range extreme weather in recent years, before listing the common problems of conventional numerical forecast models in predicting the frequency and arrival time of bad weather. He ended his speech stating that CIPM was and would always be committed to combining meteorology with AI to solve these problems. Built on the superb AI-enabled computing power provided by the Chengdu Intelligent Computing Center, the MindSpore-based Rongcheng.Kuiniu significantly improves the frequency and accuracy of prediction, to slash time in disaster prevention. In addition to precipitation forecast, foundation models can also predict temperature, pressure, humidity, and wind speed and direction, signaling a promising future in fields such as energy, manufacturing, transportation, and urban disaster management. Representing UESTC was Mr. Shao Jie, Professor of School of Compute Science and Engineering, who said that the advantages of AI and talented personnel in university were perfectly complemented by the other two parties: extensive meteorological data provided by the CIPM, and the strong technical capabilities of the Ascend AI base software and hardware platform at Huawei. Shao predicted that AI technologies would play a crucial role in meteorology, and help reduce the loss of life and property caused by short-range disastrous weather. Another speaker was Mr. Tian Kunyang, Product Director of MindSpore, who discussed the evolution of Rongcheng.Kuiniu. It was, he explained, a flagship of the three parties and a pioneer in exploring AI application in meteorological field, which would directly benefit the public. Fully utilizing the advantages of the three parties, Rongcheng.Kuiniu would be the catalyst for developing new technologies that break performance issues typically found in current weather prediction models. Ascend AI has entered a new phase of development. Together with other partners, Huawei will continue to innovate AI technologies, to drive the digital economy and promote the intelligent upgrade for all industries. --- https://www.mindspore.cn/news/en/1625/ --- News Geovis and Huawei Are Driving the Aerospace Industry to New Heights # Geovis and Huawei Are Driving the Aerospace Industry to New Heights 2022/06/25 # Geovis and Huawei Are Driving the Aerospace Industry to New Heights On June 21, 2022, at Huawei's exhibition center in Beijing, Geovis Technology Co.,Ltd signed a cooperation agreement with Huawei, signaling the start of a long relationship for the quest for creating AI-powered remote sensing solutions based on MindSpore. Together, the two companies will build an open source ecosystem comprising intelligent remote sensing technologies from ground to space, fueling aerospace development. Founded in 2006 and listed in July 2020, Geovis Technology is a state-owned high-tech enterprise sponsored by the Aerospace Information Research Institute (AIR) under Chinese Academy of Sciences. The company develops and sells digital earth platforms and products that process and facilitate usage of aerospace big data, supporting the development of digital economy, smart city, and other smart projects. Integrating the next-generation information and GIS technologies, its self-made GEOVIS takes the lead in China's digital earth industry. With the agreement, the two parties will build benchmark projects on the Ascend software/hardware platform and MindSpore framework, to develop smart applications for governments, enterprises, and common users, covering a range of scenarios. These include city and village governance, agriculture, forestry, emergency response, and transportation. Leveraging the GEOVIS and Ascend platform, the two parties are working jointly to build an open source ecosystem for intelligent remote sensing. At the signing ceremony, Mr. Zhang Dongya, General Manager of Huawei Beijing, expressed that Huawei hoped to explore a way to promote the use of large pre-trained models in the remote sensing field, and announced how he looked forward to working closely with Geovis Technology to assist industry partners in developing applications. Mr. Fu Kun, Vice President of the AIR and Chairman of the Geovis Technology, explained how a GEOVIS-oriented industry chain designed for aerospace information could support development. Fu discussed that this was perfectly complemented by Huawei, whose experience in technological R&D has created an ICT infrastructure portfolio, covering smart devices, digital energy, cloud services, and other fields. He also emphasized this cooperation would inject momentum in the development of China's aerospace information industry. Another speaker was Mr. Shao Zongyou, Vice Chairman and CEO of the Geovis Technology. Shao explained the role of digital earth platforms for connecting satellite resources and industry applications on the ground, and how it could support the innovation of aerospace information technologies. Together, said Shao, this would be a win-win situation for both parties to drive the high-quality development of digital economy. The final representative of Huawei was Mr. Tian Kunyang, Vice President of Ascend Computing Business, who stated that the AI industry had reached a critical point. Tian explained in his speech that superb computing power and big data were set to empower foundation models, innovate industry applications, and implement AI projects. The cooperation between Huawei and the Geovis Technology will promote the application of models developed on the Ascend platform and MindSpore in fields such as natural resources and transportation. At the golden time of AI evolution, Huawei and Geovis will surely progress the use of Ascend AI in intelligent remote sensing, to build a vibrant open source ecosystem. --- https://www.mindspore.cn/news/en/1647/ --- News Sichuan University and MindSpore to Jointly Build a Multimodal Animal Monitoring Algorithm Platform # Sichuan University and MindSpore to Jointly Build a Multimodal Animal Monitoring Algorithm Platform 2022/06/17 # Sichuan University and MindSpore to Jointly Build a Multimodal Animal Monitoring Algorithm Platform The College of Computer Science of Sichuan University (SCU) and MindSpore have recently decided to build a multimodal animal monitoring algorithm platform based on Rongcheng.Panda, a foundation model for audio and visual feature recognition of animals. The platform will be used for recording, analyzing and managing the massive data generated by various species including giant pandas, red pandas, golden snub-nosed monkeys, and yaks. Ecological protection is one of the key strategies of China, and wildlife protection is an indispensable part of ecological protection. In response to this strategy, more than 10 national parks (including pilot sites) has been established, covering 220,000 square kilometers across 12 provinces. In practice, traditional wildlife monitoring and protection methods face many problems, such as time-consuming manual monitoring, high costs, and poor timeliness. Electronic identification of animals, a relatively new monitoring method, also has many disadvantages and is not wildlife friendly. Therefore, a real-time monitoring algorithm with high accuracy is required to make up for the disadvantages of traditional methods. Such an algorithm is the goal of the cooperation between MindSpore and the College of Computer Science of SCU. The joint team plans to develop a general-purpose animal feature identification algorithm running on the MindSpore all-scenario AI framework. The core of the algorithm is the multimodal convergence AI technology that can be used in individual identification, group counting, and vital signs monitoring scenarios based on accurately identified multimodal animal features, such as audio, video, image, and body posture features. Professor Zhao Qijun, Vice Dean of the College of Computer Science of SCU, said that Rongcheng.Panda, an Ascend-based foundation model, would be the best starting point for the joint research of SCU and MindSpore, and a multimodal animal monitoring algorithm platform could significantly improve the real-time performance, safety, and friendliness of wildlife monitoring. The College of Computer Science of SCU has incorporated MindSpore courses into the undergraduate education to deepen the integration of AI and education and better cultivate AI talent. As stated by Tian Kunyang, Product Director of MindSpore, the protection of wildlife such as giant pandas, red pandas, golden snub-nosed monkeys, and yaks is an important measure to maintain the ecosystem sustainability. The application of AI in the ecosystem protection industry would boost the efficiency of animal protection research and operation, and better integrate industry resources through digitalization. Universities, research institutes, enterprises, and ecosystem protection institutions will work together to accelerate the implementation of end-to-end solutions and the maturity of industrialization. With the solid academic research background of SCU and the underlying hardware support of the Ascend AI platform, the joint team will make remarkable achievements in ecosystem protection and meet the requirements in various animal identification scenarios. Ascend AI has entered a new phase of development. Together with other partners, MindSpore will continue to innovate AI technologies, to drive the digital economy and promote the intelligent upgrade for all industries. --- https://www.mindspore.cn/news/en/1661/ --- News Iluvatar CoreX Joins MindSpore to Build High-Performance Computing Solutions # Iluvatar CoreX Joins MindSpore to Build High-Performance Computing Solutions 2022/07/07 # Iluvatar CoreX Joins MindSpore to Build High-Performance Computing Solutions With the granted Corporate Contributor License Agreement (CCLA), Iluvatar CoreX is now a member of the MindSpore community. Iluvatar CoreX is the first Chinese vendor for general-purpose GPUs and supercomputing systems. Aiming to empower the development of a smart society, the company is committed to innovating high-performance GPU products that meet customer and market requirements. Iluvatar CoreX keeps exploring how to integrate AI computing into graphics rendering, and how to accelerate the development of general-purpose GPUs and the industry ecosystem. This surely will promote smart transformation in industries to usher in high-quality development of digital economy, metaverse, and digital twins. After joining the MindSpore community, Iluvatar CoreX will work with MindSpore to further flourish the ecosystem through community projects, implementing industry applications to build a vibrant AI ecosystem that supports sustainable development of HPC applications. Dedicated to building up a globally influential open-source community for deep learning and AI, MindSpore welcomes all interested enterprises, universities, and research institutes. To learn more about MindSpore, visit the MindSpore official website, Gitee, and GitHub. --- https://www.mindspore.cn/news/en/1664/ --- News Maycur Joins the MindSpore Community to Integrate AI into Business-Finance-Tax Applications # Maycur Joins the MindSpore Community to Integrate AI into Business-Finance-Tax Applications 2022/07/08 # Maycur Joins the MindSpore Community to Integrate AI into Business-Finance-Tax Applications The Hangzhou Maycur Technology Co., Ltd. (Maycur for short) signed the Corporate Contributor License Agreement (CCLA), marking its official membership in the MindSpore community. Maycur is an industry-leading vendor of cloud financial products and solutions. It helps customers integrate their business, finance, and tax systems, significantly bolstering their efficiency and competitiveness. Maycur has served more than 3,000 enterprises and over 2 million users across the globe, providing products and platforms for financial reimbursement, accounting archive management, invoice management, business travel support, and intelligent financial sharing. Maycur hopes to work with more partners and build its own OCR technologies based on the MindSpore framework for better performance on invoice and documentation OCR. This not only drives the company to innovate financial solutions, but also transforms the finance field with flourishing AI technologies. Dedicated to building up a globally influential open-source community for deep learning and AI, MindSpore welcomes all interested enterprises, universities, and research institutes. To learn more about MindSpore, visit the MindSpore official website, Gitee, and GitHub. --- https://www.mindspore.cn/news/en/1712/ --- News Yun Wen Technology and MindSpore Jointly Build AI-Assisted Knowledge Management Solutions # Yun Wen Technology and MindSpore Jointly Build AI-Assisted Knowledge Management Solutions 2022/07/14 # Yun Wen Technology and MindSpore Jointly Build AI-Assisted Knowledge Management Solutions Yun Wen Technology and MindSpore Jointly Build AI-Assisted Knowledge Management Solutions Yun Wen Technology signed the Corporate Contributor License Agreement (CCLA) and has become a new member to the MindSpore open source community. Yun Wen Technology is an AI startup founded in 2013 and headquartered in Nanjing, China. Focusing on the natural language processing (NLP) technologies, it offers a wide range of solutions covering intelligent customer service, text analysis, robotics, knowledge graph, and other NLP-enabled applications. Currently, these applications are used in public services, industrial manufacturing, and transportation. The company has cooperated with more than 500 organizations across various industry sectors, serving over 60,000 customers. Powered by the all-scenario AI framework MindSpore, Yun Wen Technology has built an intelligent knowledge center, providing knowledge management services to help enterprises make better marketing strategies and improve customer services. After joining the MindSpore community, the company has also developed its emotion recognition feature based on the sentiment classification code of the TextCNN model. By adding the basic information, advanced documentation, tutorials, and Q&A modules on the electric power knowledge platform, Yun Wen has built a unified center for more convenient knowledge acquisition and management. In the future, Yun Wen Technology will continue the cooperation with the MindSpore community to build more industry-specific AI models and deep learning applications for wider AI adoption, thereby building a prosperous AI ecosystem MindSpore welcomes more organizations and developers all over the world to join the community, accelerating the AI industry development together. To learn more about the MindSpore framework, visit the MindSpore official website, Gitee, and GitHub. --- https://www.mindspore.cn/news/en/1713/ --- News Hunan Aerospace Jiecheng Joins the MindSpore Open Source Community Hunan Aerospace Jiecheng Joins the MindSpore Open Source Community # Hunan Aerospace Jiecheng Joins the MindSpore Open Source Community Hunan Aerospace Jiecheng Joins the MindSpore Open Source Community 2022/07/13 # Hunan Aerospace Jiecheng Joins the MindSpore Open Source Community Hunan Aerospace Jiecheng Joins the MindSpore Open Source Community Hunan Aerospace Jiecheng Electronic Equipment Co., Ltd. signed the Corporate Contributor License Agreement (CCLA) with MindSpore to officially join the MindSpore open source community. **Hunan Aerospace Jiecheng** Hunan Aerospace Jiecheng is a state-owned enterprise affiliated to China Aerospace Science and Industry Corporation Limited (CASIC). It has been engaged in the R&D, manufacturing, sales, and service of high-reliability computing, display, and network switch and control products oriented to special application fields. Hunan Aerospace Jiecheng adheres to the business strategy of "independent innovation, differentiated competition, and leading technology", and provides users with industry-leading information equipment for harsh environments. --- https://www.mindspore.cn/news/en/172/ --- News Huawei Launches Ascend 910 and MindSpore # Huawei Launches Ascend 910 and MindSpore 2019/08/23 # Huawei Launches Ascend 910 and MindSpore \[Shenzhen, China, August 23, 2019\] Huawei officially launched the world's most powerful AI processor – the Ascend 910 – as well as an all-scenario AI computing framework, MindSpore. **"We have been making steady progress since we announced our AI strategy in October last year," said Eric Xu, Huawei's Rotating Chairman. "Everything is moving forward according to plan, from Ramp;D to product launch. We promised a full-stack, all-scenario AI portfolio. And today we delivered, with the release of Ascend 910 and MindSpore. This also marks a new stage in Huawei's AI strategy."** Eric Xu, Huawei's Rotating Chairman, announcing the release of the Ascend 910 AI processor and MindSpore AI computing framework on August 23, 2019 Ascend 910: More computing power than any other AI processor in the world The Ascend 910 is a new AI processor that belongs to Huawei's series of Ascend-Max chipsets. Huawei announced the processor's planned specs at its 2018 flagship event, Huawei Connect. After a year of ongoing development, test results now show that the Ascend 910 processor delivers on its performance goals with much lower power consumption than originally planned. For half-precision floating point (FP16) operations, Ascend 910 delivers 256 TeraFLOPS. For integer precision calculations (INT8), it delivers 512 TeraOPS. Despite its unrivaled performance, Ascend 910's max power consumption is only 310W, much lower than its planned specs (350W). **"Ascend 910 performs much better than we expected," said Xu. "Without a doubt, it has more computing power than any other AI processor in the world."** Ascend 910 is used for AI model training. In a typical training session based on ResNet-50, the combination of Ascend 910 and MindSpore is about two times faster at training AI models than other mainstream training cards using TensorFlow. Moving forward, Huawei will continue investing in AI processors to deliver more abundant, affordable, and adaptable computing power that meets the needs of a broad range of scenarios (e.g., edge computing, on-vehicle computing for autonomous driving, and training). MindSpore: All-scenario AI computing framework Huawei also launched MindSpore today, an AI computing framework that supports development for AI applications in all scenarios. AI computing frameworks are critical to making AI application development easier, making AI applications more pervasive and accessible, and ensuring privacy protection. In 2018, Huawei announced the three development goals for its AI framework: - · Easy development: Dramatically reduces training time and costs - · Efficient execution: Uses the least amount of resources with the highest possible OPS/W - · Adaptable to all scenarios: Including device, edge, and cloud applications MindSpore marks significant progress towards these goals. As privacy protection grows more important than ever, support for all scenarios is essential for enabling secure, pervasive AI. This is a key component in the MindSpore framework, which can readily adapt to different deployment needs. Resource budget environments can be as large and complicated or small and simple as needed – MindSpore supports them all. MindSpore helps ensure user privacy because it only deals with gradient and model information that has already been processed. It doesn't process the data itself, so private user data can be effectively protected even in cross-scenario environments. In addition, MindSpore has built-in model protection technology to ensure that models are secure and trustworthy. The MindSpore AI framework is adaptable to all scenarios – across all devices, edge, and cloud environments – and provides on-demand cooperation between them. Its "AI Algorithm As Code" design concept allows developers to develop advanced AI applications with ease and train their models more quickly. In a typical neural network for natural language processing (NLP), MindSpore has 20% fewer lines of core code than leading frameworks on the market, and it helps developers raise their efficiency by at least 50%. Through framework innovation, as well as co-optimization of MindSpore and Ascend processors, Huawei's solution can help developers more effectively address complex AI computing challenges and the need for a diverse range of computing power for different applications. This results in stronger performance and more efficient execution. In addition to Ascend processors, MindSpore also supports GPUs, CPUs, and other types of processors. When introducing MindSpore, Xu emphasized Huawei's commitment to helping build a more robust and vibrant AI ecosystem. "MindSpore will go open source in the first quarter of 2020. We want to drive broader AI adoption and help developers do what they do best." Enabling truly pervasive AI Before announcing the release of Ascend 910 and MindSpore, Xu revisited Huawei's AI strategy: - Invest in AI research: Develop fundamental machine learning capabilities in computer vision, natural language processing, decision and inference, etc. Focus on: o Data and power-efficiency (i.e., use less data, computing, and energy) o Security and trustworthiness o Automation / autonomy - Build a full-stack AI portfolio o Adaptive to all scenarios, including both standalone and cooperative scenarios between cloud, edge, and device o Abundant and affordable computing power o Efficient and easy-to-use AI platform with full-pipeline services - Cultivate talent and an open ecosystem: Collaborate widely with global academia, industries, and partners - Strengthen existing portfolio: Bring an AI mindset and techniques into existing products and solutions to create greater value and enhance competitive strengths - Drive operational efficiency: Use AI to automate high-volume, repetitive tasks for better efficiency and quality Huawei's AI portfolio covers all deployment scenarios, including public cloud, private cloud, edge computing, IoT industry devices, and consumer devices. The portfolio is also full-stack: It includes the Ascend IP and chip series, chip enablement layer CANN, training and inference framework MindSpore, and application enablement platform called ModelArts. Huawei defines AI as a new general purpose technology, like railroads and electricity in the 19th century, and cars, computers, and the Internet in the 20th century. The company believes that AI will be used in almost every sector of the economy. According to Xu, AI is still in its early stages of development, and there are a number of gaps to close before AI can become a true general purpose technology. Huawei's AI strategy is designed to bridge these gaps and speed up adoption on a global scale. Specifically, Huawei wants to drive change in ten areas: 1. Provide stronger computing power to increase the speed of complex model training from days and months to minutes – even seconds. 2. Provide more affordable and abundant computing power. Right now, computing power is both costly and scarce, which limits AI development. 3. Offer an all-scenario AI portfolio, meeting the different needs of businesses while ensuring that user privacy is well protected. This portfolio will allow AI to be deployed in any scenario, not just public cloud. 4. Invest in basic AI algorithms. Algorithms of the future should be --- https://www.mindspore.cn/news/en/1744/ --- News HEFUWENHUA and MindSpore Jointly Flourish the Culture Industry Through AI Technologies # HEFUWENHUA and MindSpore Jointly Flourish the Culture Industry Through AI Technologies 2022/08/25 # HEFUWENHUA and MindSpore Jointly Flourish the Culture Industry Through AI Technologies Hunan HEFUWENHUA Technology Co., Ltd (HEFUWENHUA for short) signed the Corporate Contributor License Agreement (CCLA), becoming a new member to the MindSpore open source community. **Hunan HEFUWENHUA Technology Co., Ltd.** HEFUWENHUA, an emerging enterprise of cultural technologies and services, has developed digital and intelligent technologies centered on databases, AI cloud platforms, and blockchain platforms for digital collection transaction. By building a Chinese traditional culture database and intelligent interaction platform, it has offered a collection of cultural products. The company is committed to protecting and utilizing traditional cultural resources. Its AI-based traditional culture database can mine, extract, store, develop, and exploit traditional cultural resources. Having more than 100 intellectual property rights related to digital technologies, the company won honorary titles. **HEFUWENHUA & MindSpore** After joining the community, HEFUWENHUA plans to develop the optical character recognition (OCR) technology based on the MindSpore deep learning framework to further improve the R&D and modeling of its cultural products with national characteristics and provide more innovative products and solutions. In the future, HEFUWENHUA will deepen the collaboration with MindSpore to further flourish the MindSpore ecosystem with other members in the community, thereby promoting the digital transformation of the culture industry and enriching the AI ecosystem. We sincerely invite enterprises, universities, and research institutes to join the MindSpore open source community to together thrive the deep learning AI open source ecosystem. MindSpore website: https://www.mindspore.cn/en Gitee: https://gitee.com/mindspore/mindspore GitHub: https://github.com/mindspore-ai/mindspore --- https://www.mindspore.cn/news/en/1745/ --- News Malanshan Computing Media Institute Joins MindSpore for In-depth Multimodal Behavior Analysis # Malanshan Computing Media Institute Joins MindSpore for In-depth Multimodal Behavior Analysis 2022/08/25 # Malanshan Computing Media Institute Joins MindSpore for In-depth Multimodal Behavior Analysis Recently, Malanshan Computing Media Institute (MLSCMI) of Hunan Province signed the Corporate Contributor License Agreement (CCLA) and officially joined the MindSpore open source community. MLSCMI Malanshan Computing Media Institute leverages AI to transform the culture and creative industries. In collaboration with Huawei Ascend AI, EPIC Game China, and NVIDIA, the institute brings together experts in audio and video processing, multimodal AI, and other AI research domains, as well as university labs and research centers for more innovative projects. In partnership with all elite partners, MLSCMI developed an AI-assisted VR platform to boost digital transformation in video, movie, animation, and education. On top of current AI technologies, the Institute also strives to make progress in cutting-edge research fields such as multimodal pre-trained models, speech intelligence, 3D computing modeling, gesture and sign language recognition, and computing animation. These research projects are jointly implemented with Huawei, Institute of Automation of CAS, Hunan University, Central South University, and Beijing Institute of Technology. Current major projects of MLSCMI are 5G network for intelligent converged media, animation-oriented avatar 3D reconstruction, and intelligent audio and video synthesis processing. MLSCMI & MindSpore After joining the MindSpore open source community, MLSCMI further develops AI services such as sign language, digital humans, and multimodal foundation models. Specifically, it plans to establish a behavior multimodal foundation model with Huawei Ascend, the Institute of Automation, and Keenbow. Changsha AI Computing Center will provide up to 100 PFLOPS computing power to support this project. The joint projects are just a beginning. In the future, MLSCMI will team up with MindSpore to serve more hearing-impaired people, focusing on sign language recognition and translation to make their lives more convenient. MindSpore is dedicated to make AI more accessible for all. This partnership is our commitment to the society that we are developing trustworthy and inclusive AI. We sincerely welcome enterprises and research institutes from all over the world to join MindSpore and flourish the global AI ecosystem. Related links: Official website: https://www.mindspore.cn/en GitHub: https://github.com/mindspore-ai/mindspore Gitee: https://gitee.com/mindspore/mindspore --- https://www.mindspore.cn/news/en/1747/ --- News MindSpore Monthly Newsletter (June 2022) | Building an Open Source Ecosystem with 1.94M+ MindSpore Users # MindSpore Monthly Newsletter (June 2022) | Building an Open Source Ecosystem with 1.94M+ MindSpore Users 2022/08/25 # MindSpore Monthly Newsletter (June 2022) | Building an Open Source Ecosystem with 1.94M+ MindSpore Users The year 2022 is halfway over, and it has been an exciting six months for the MindSpore community. To better collaborate with our partners and community developers, we are going to publish the monthly newsletter, letting people know our latest updates and events, and then to boost the MindSpore open source community. Here are some highlights in June. 1. Community Scale By June 30, the MindSpore community has earned 19,600 stars. As a community dedicated to openness and transparency, MindSpore steadily builds a robust open source ecosystem, with continuous member improvement. Currently, more than 1.94 million users are actively contributing to the community. We have witnessed an increase of 7% in June. Over 18,000 developers have raised 20,000 issues and submitted 48,000 PRs. As of today, 338 developers have been certified as MindSpore outstanding developers and evangelists (AI advocates). This certification was awarded to 22 developers in June. The group will continue to work for a vibrant open source community. In addition, MindSpore continuously supports education, research, and production innovations. Statistics from Papers With Code indicate that MindSpore-relevant papers ranked second globally in the second quarter of 2022. 2. Community Activities In June, MindSpore held multiple activities to enable developers with rich learning resources. We look forward to more AI enthusiasts to join MindSpore and build more AI applications powered by MindSpore. 01 College Activities In June, MindSpore has held MindSpore Study Group (MSG) events at Northeast University, South China Normal University, and Nanjing University of Technology. Besides, we conducted AI courses for both beginners and advanced learners, attracting 361 university teachers and students. MindSpore will develop innovative practice courses and provide AI open source enablement to teachers and students all over the world in the future. 02 Enterprise Activities Three MSG for Enterprise events were held in June, which attracted a total of 573 enterprises, including JD, iQIYI, ByteDance, among others. Continuing to grow the enterprise ecosystem in the AI sector, MindSpore will maintain the development of core AI technologies. 03 Community Events Ongoing events: MindSpore Open Source Internship Project, Ascend AI Innovation Contest (Ascend Track), Open Source Summer 2022, China Software Open Source Innovation Contest (Ascend Track), and China Open Source Scientific Software Creative Contest (Ascend Track). Currently, more than 300 teams (including students, enterprises, and other users) have participated in these contests. 3. Community News The community is working with Ascend to build an integrated native ecosystem. MindSpore has made several technical breakthroughs, enabling the development of AI applications in multiple industry sectors. MindSpore is working with Institute of Plateau Meteorology, CMA, Chengdu and University of Electronic Science and Technology of China to build China's first precipitation nowcasting foundation model Rongcheng.KuiNiu. It is expected to enhance current meteorological prediction capabilities and benefit the whole society with accurate natural disaster warning and public event insurance. Beijing Jiaotong University and MindSpore jointly developed the Tianyou foundation model, a model for efficient rail transportation maintenance and security. 4. Partner Ecosystem By June, MindSpore has cooperated with over 120 research institutes, developed and open-sourced more than 330 models. 5,000+ enterprises are using MindSpore as their AI framework to develop industry-specific applications. In June, Biren Technology, MetaX, yunkecn, Qian He Capital Management, and several other enterprises joined the MindSpore community. Through community partnerships, we can create more industry-specific AI solutions and boost business development. Community Development Overview (1H 2022) Since the beginning of this year, MindSpore has achieved remarkable things. 1. Certified with AIC4 and CC EAL2+ criteria, proving MindSpore's robustness and trustworthiness. 2. MindSpore's major partner Huawei launched its first open source cloud-native AI satellite application solution to facilitate satellite applications. 3. Successfully held the MindSpore TechDay to celebrate the second anniversary of MindSpore. A total of 1.27+ million people watched the live and replay online. 4. Two new versions have been released to enable scientific research and industry application innovation. Our sincere thanks are extended to all developers who have contributed to MindSpore. Subscribe to MindSpore's newsletter to stay up to date. Learn more about MindSpore: Official website: https://www.mindspore.en/ GitHub: https://github.com/mindspore-ai/mindspore Gitee: https://gitee.com/mindspore/mindspore --- https://www.mindspore.cn/news/en/1759/ --- News E-Cloud Technology Joins MindSpore, Facilitating Petroleum Industry Digitalization Through "AI-Assisted Fast-track Refueling" # E-Cloud Technology Joins MindSpore, Facilitating Petroleum Industry Digitalization Through "AI-Assisted Fast-track Refueling" 2022/08/03 # E-Cloud Technology Joins MindSpore, Facilitating Petroleum Industry Digitalization Through "AI-Assisted Fast-track Refueling" August 3, 2022 Recently, **Jiangsu E-Cloud Technology Co., Ltd.** signed the Corporate Contributor License Agreement (CCLA) and officially joined the MindSpore open source community. **Jiangsu E-Cloud Technology Co., Ltd.** Jiangsu E-Cloud Technology Co., Ltd. ("E-Cloud Technology" for short) is an Internet company focusing on technology enablement and smart innovation. As the only joint carrier of Sinopec for AI fast-track refueling, the company, leveraging next-generation AI and big data technologies, is dedicated to promoting digital transformation of the energy industry and building a digital service platform that realizes lifecycle vehicle requirements through AI fast-track refueling. Based on the top-layer design and heterogeneous system integration capabilities, E-Cloud Technology builds an "AI-assisted Fast-track Payment Solution for Gas Stations", which integrates core systems and components across multiple gas stations, allowing unified management and control, and fast-track payment. The solution features high reliability, low latency, massive connections, omni-channel, and multi-platform, striving to accelerate the upgrade of gas station services and management modes. **E-Cloud Technology & MindSpore** After joining the MindSpore open source community, E-Cloud Technology will team up with MindSpore to build innovative products and solutions for AI and traditional energy industry. In the future, E-Cloud Technology will continue its exploration in the smart gas station scenario, promote its solution to more gas stations, and facilitate smart upgrade of petroleum industry. The Company will partner with the community to boost industry applications, thereby building a prosperous AI industry ecosystem. MindSpore welcomes more enterprises, universities, and research institutes to join the community, building a global deep-learning AI open source ecosystem together. For further cooperation, Scan the QR code to add the enterprise assistant. Related links: Official website: https://www.mindspore.en/ GitHub: https://github.com/mindspore-ai/mindspore Gitee: https : //gitee.com/mindspore/mindspore --- https://www.mindspore.cn/news/en/176/ --- News MindSpore Officially Goes Open Source # MindSpore Officially Goes Open Source 2020/03/28 # MindSpore Officially Goes Open Source **Empowering Global Developers with the All-Scenario AI Computing Framework** \[Shenzhen, China, March 28, 2020\] Today, at the Huawei Developer Conference 2020 (Cloud) – HDC.Cloud, Huawei made a series of announcements. MindSpore, the all-scenario AI computing framework, officially goes open source on Gitee. ModelArts Pro, industry's first AI application development suite for enterprises, goes live on HUAWEI CLOUD. Huawei also showcased best practices by partners based on Huawei's Atlas AI computing platform for application across the cloud, edge, and device. So far, Huawei has fully brought to developers the full-stack, all-scenario AI solutions announced at HUAWEI CONNECT 2018. **MindSpore Officially Goes Open Source** Professor Chen Lei, chief scientist of Huawei MindSpore and IEEE Fellow, announces that Huawei's all-scenario AI computing framework MindSpore goes open source on Gitee. Huawei will strive to build a global open source community for a prosperous AI software and hardware ecosystem. MindSpore now open source MindSpore focuses on better usability and lower entry barriers for AI developers. Professor Chen Lei said, "MindSpore natively adapts to all scenarios across the device, edge, and cloud. It implements AI Algorithms As Code by on-demand collaboration for easier model development. MindSpore includes cutting-edge technologies and co-optimization with Huawei Ascend AI processors to improve runtime efficiency and computing performance. MindSpore also supports other processors such as GPU and CPU." **ModelArts Pro, Industry's First Enterprise-Grade AI Application Development Suite** Yuan Jing, General Manager of HUAWEI CLOUD General AI Services, released ModelArts Pro, a first-of-its-kind AI application development suite for enterprises. ModelArts Pro is positioned as an enterprise AI productivity tool on the cloud and provides an innovative way to bring industrial AI into practice. It integrates the know-how of algorithm experts and the knowledge of industry experts into corresponding suites and workflows to truly enable AI application developers. This novel approach delivers a total boost to AI development efficiency and implementation results. ModelArts Pro enables enterprises with the skills to build AI applications, and enables developers across industries, making AI really accessible. **All-Scenario Best Practices by Partners Based on Huawei Atlas AI Computing Platform** Zhang Dixuan, General Manager of Huawei Atlas Data Center Business, shared the device-edge-cloud development practices of industry partners based on Huawei Atlas AI computing platform. The presentation also includes an extensive demonstration of the performance optimization process using the high-density cloud AI inference solution, as well as efficient edge inference and ultra-low-consumption device-side inference based on cloud-edge collaboration. Huawei has worked with dozens of partners to promote the use of the Atlas series accelerator module, card, edge station, and server powered by Huawei Ascend AI processors in dozens of industries, including smart transportation, smart power, smart finance, smart city, and smart manufacturing. Zhang Dixuan also announced the Tensor Boost Engine (TBE) for open beta. TBE enriches the AI ecosystem and supports developers to customize operators. Huawei plans to award over 100 universities and partners with excellent operator contribution. The initiatives will help fully unleash the computing power of the Ascend AI processors. Professor Li Tao from Nankai University demonstrated fundus screening, an AI-enabled application based on the Huawei Atlas 200 DK Developer Kit. Dr. Li Jin, co-founder and CTO of Apulis Technology, shared the development practices based on Huawei Atlas and launched the industry's first open source heterogeneous AI platform powered by the Huawei Ascend 910 processor. At HUAWEI CONNECT 2018, Huawei released the full-stack all-scenario AI solution for the first time, including chips, chip enablement, training and inference framework, and application enablement. It can be deployed in all scenarios, such as public cloud, private cloud, edge computing, IoT industry terminals, and consumer terminals. Now at HDC.Cloud, Huawei announced the headway it has made, especially on the developer side. The full-stack, all-scenario solutions enable global developers to better develop AI applications, bring AI into practice for various industries, and drive value for enterprises and the society. These all contribute to a more robust AI industry chain and ecosystem across the globe. \--End-- **About Huawei** Huawei is a leading global provider of information and communications technology (ICT) infrastructure and smart devices. With integrated solutions across four key domains – telecom networks, IT, smart devices, and cloud services – we are committed to bringing digital to every person, home and organization for a fully connected, intelligent world. Huawei's end-to-end portfolio of products, solutions and services are both competitive and secure. Through open collaboration with ecosystem partners, we create lasting value for our customers, working to empower people, enrich home life, and inspire innovation in organizations of all shapes and sizes. At Huawei, innovation focuses on customer needs. We invest heavily in basic research, concentrating on technological breakthroughs that drive the world forward. We have more than 194,000 employees, and we operate in more than 170 countries and regions. Founded in 1987, Huawei is a private company wholly owned by its employees. For more information, please visit Huawei online at www.huawei.com or follow us on: http://www.linkedin.com/company/Huawei http://www.twitter.com/Huawei http://www.facebook.com/Huawei --- https://www.mindspore.cn/news/en/1761/ --- News Lvche and MindSpore Jointly Build AI-Powered Learning Systems # Lvche and MindSpore Jointly Build AI-Powered Learning Systems 2022/07/25 # Lvche and MindSpore Jointly Build AI-Powered Learning Systems Guangzhou Lvche Information Technology Co., Ltd. (Lvche for short) signed the Corporate Contributor License Agreement (CCLA), becoming an official member of the MindSpore community. Founded in 2011, the company has a registered capital of CNY20 million. It is a service provider of Huawei's digital ecosystem, offering technical and financial support for digital ecosystem products and services. It also provides digital solutions and products for smart campus, smart school, smart countryside, and IT innovation. The company has more than 50 patents and software intellectual property rights, covering management software and intelligent algorithms. They are applied to smart finance, smart campus, smart school, and smart rail transportation. The company's smartC is award-winning content management software that has obtained technical certifications from several companies. With over 300 members in R&D and operation teams, the company provides excellent services for its customers across the nation. The company has developed an AI-powered learning system based on MindSpore. By performing intelligent behavior analysis and using teaching videos, the system builds models based on deep learning and big data technologies and provides comprehensive assessment metrics for the quality education. Specifically, the system performs intelligent analysis on students' learning behaviors in schools to obtain assessment metrics, and then provides suggestions based on the assessment results to help students build self-improvement. After joining the community, the company will cooperate with ecosystem partners on its core technology to further improve the usability of its solutions and products and flourish the community. MindSpore welcomes more organizations and developers to join the community, building an influential AI ecosystem. To learn more about the MindSpore framework, visit the MindSpore official website, GitHub, and Gitee. --- https://www.mindspore.cn/news/en/1762/ --- News TipDM Intelligent Technology Joins the MindSpore Open Source Community to Build Innovative and Fun AI Courses # TipDM Intelligent Technology Joins the MindSpore Open Source Community to Build Innovative and Fun AI Courses 2022/07/22 # TipDM Intelligent Technology Joins the MindSpore Open Source Community to Build Innovative and Fun AI Courses July 22, 2022 GuangDong TipDM Intelligent Technology Co., Ltd. signed the Corporate Contributor License Agreement (CCLA) to join the MindSpore open source community. ****GuangDong TipDM Intelligent Technology Co., Ltd.**** **Founded in May 2013, GuangDong TipDM Intelligent Technology Co., Ltd. (TipDM Intelligent Technology) is a high-tech enterprise engaged in basic research, training, and consulting services of big data and artificial intelligence.** **TipDM Intelligent Technology adheres to independent R&D and has developed the Tip Big Data Mining (TipDM) series products, which have been widely used in research institutes, government agencies, and industries such as electric power, education, telecom, and finance.** **With over 10 years of experience in the intelligent data industry, TipDM Intelligent Technology has been facilitating the high-quality development of China's vocational education.** ******TipDM Intelligent Technology & MindSpore****** ****Together with the MindSpore community, TipDM Intelligent Technology will continue to develop its public SaaS platform for model transaction to support the development and transaction of massive number of models under the MindSpore framework.**** ****TipDM Intelligent Technology will further deepen the cooperation with the MindSpore community to build innovative AI courses based on the MindSpore framework.**** ****TipDM Intelligent Technology looks forward to working with more MindSpore community partners to promote the implementation of industry applications and build a prosperous AI industry ecosystem through more professional and efficient cooperation.**** ****MindSpore welcomes project teams to join the MindSpore open source community for developing software and hardware AI applications. To learn more about the MindSpore framework, visit MindSpore official website, Gitee, and GitHub.**** --- https://www.mindspore.cn/news/en/1815/ --- News Macrowing and MindSpore Jointly Promote the AI+ECM Development # Macrowing and MindSpore Jointly Promote the AI+ECM Development 2022/08/09 # Macrowing and MindSpore Jointly Promote the AI+ECM Development Shanghai Macrowing Software Technology Co., Ltd. (Macrowing for short) signed the Corporate Contributor License Agreement (CCLA) to join the MindSpore open source community. Macrowing is a leading service vendor that provides enterprise content management (ECM) and intelligent management for big data. By using advanced and digital technologies, the company has developed many industry-specific applications and built a complete and open management system for unstructured data. It also offers a collection of smart solutions for big data management on the basis of NLP, deep learning, knowledge graph, visualization, and big data application management technologies. The company's EMC products and solutions cover many fields, including smart manufacturing, engineering design, finance, medicine, and energy, providing services for more than 5000 enterprises. As a representative ECM enterprise, Macrowing was recommended by Gartner, a technological research and consulting firm, for two consecutive times. Macrowing also participated in editing national standards of evaluation models for DCMM data management, white paper on unstructured data management, and white paper on archive and content management. After joining the MindSpore community, Macrowing will deepen cooperation with MindSpore to design more AI platform products, and develop innovative products and solutions with community partners, thereby flourishing the AI ecosystem. --- https://www.mindspore.cn/news/en/1817/ --- News AllCam Joins the MindSpore Open Source Community to Enable Innovations in Safe Industrial Production # AllCam Joins the MindSpore Open Source Community to Enable Innovations in Safe Industrial Production 2022/08/18 # AllCam Joins the MindSpore Open Source Community to Enable Innovations in Safe Industrial Production August 18, 2022 **Nanjing AllCam Information Technology Co., Ltd** (AllCam for short) signed the Corporate Contributor License Agreement (CCLA), becoming a new member to the MindSpore open source community. ****Nanjing AllCam Information Technology Co., Ltd.**** **AllCam is an industry-leading provider of smart video solutions for smart city and industrial manufacturing. Driven by self-developed video and AI technologies and based on the AllCam smart video enablement platform, AllCam works with other industry-leading enterprises to build advanced, scenario-specific smart video solutions for safe community, smart industrial park, and safe industrial production. AllCam aims to unleash the value of video data throughout the lifecycle and thereby facilitate the digital and intelligent transformation of enterprises.** **For AI application scenarios, AllCam launched the industry's **first low-bit-rate smart video enablement platform** to build smart solutions, such as the video surveillance platform (Guangdong Mobile Clairvoyance), video cloud platform, and smart steel factory, enabling innovative applications that help ensure industrial production safety.** ****AllCam & MindSpore**** **The JuTong AI application platform for safe production is an industry **lightweight application platform** built by AllCam. The platform leverages the full-stack computing power of Ascend Atlas to build a general AI-powered engine to address the pain points of safe industrial production at the service layer. This engine adapts scenario-specific AI algorithms to all scenarios, deeply integrates the cloud, edge, and device, and supports project deployment at different scales.** **AllCam (ISV certified) builds a **smart safe production management and control platform** based on the MindSpore all-scenario AI framework and integrates AI-based smart production models, improving security management efficiency and implementing integrated management and control of enterprise production safety.** **AllCam plans to continuously optimize the JuTong AI application platform for safe production based on MindSpore. With AI technologies as the core, AllCam ensures safety for the entire industrial production process and helps implement a safe industrial production management system featuring intelligent defense, refined governance, and joint management.** **In the future, AllCam will further deepen cooperation with MindSpore in community projects to jointly develop innovative products and solutions for industrial manufacturing. AllCam also looks forward to working with more community partners to promote the implementation of industry applications and flourish the AI industry ecosystem through more professional and efficient cooperation.** **We sincerely invite enterprises, universities, and research institutes to join the MindSpore open source community to thrive open source ecosystem for deep learning and AI.** **MindSpore website: https://www.mindspore.cn/en** ****Gitee**: https://gitee.com/mindspore/mindspore** ****GitHub**: https://github.com/mindspore-ai/mindspore** --- https://www.mindspore.cn/news/en/1848/ --- News Building a Promising Future for Remote Sensing Applications # Building a Promising Future for Remote Sensing Applications 2022/08/10 # Building a Promising Future for Remote Sensing Applications On August 9th, the second session of the Remote Sensing Open Source Ecosystem Alliance was successfully held in Wuhan Guanggu, where 36 Alliance members were awarded with certificates, representatives of enterprises and universities discussed the cutting-edge applications and projects related to intelligent remote sensing, and the _White Paper on the Application of Wuhan.LuojiaNET/LuojiaSET_ was released. The meeting was sponsored by Wuhan University, Wuhan AI Computing Center, and Huawei Technologies Co., Ltd., and co-hosted by the MindSpore open source community, with the aim to bring talent to drive the development of remote sensing industry. 1\. Granting Certificates to Alliance Members Cooperation among enterprises has flourished the remote sensing field. At the meeting, certificates were granted to the 36 enterprises newly joined the Alliance. Their participation would help explore a new development path of remote sensing and innovate technologies. 2\. Releasing the _White Paper on the Application of Wuhan.LuojiaNET/LuojiaSET_ Wuhan University and the Huawei Ascend AI team built Wuhan.LuoJiaNET, the world's first AI framework dedicated to remote sensing image interpretation, and Wuhan.LuoJiaSET, the industry's largest remote sensing image dataset. The release of the white paper is a breakthrough for the cooperation between Wuhan University and Huawei in the remote sensing field. The white paper introduces the key technologies and usage guidelines of Wuhan.LuojiaNET and Wuhan.LuojiaSET. With the guidance of the White Paper, Alliance members can quickly complete model training, tuning, and inference, and then industrialize research outcomes. 3\. Building a Promising Future for Remote Sensing Applications Mr. Gong Jianya, Academician of the Chinese Academy of Sciences, said that with the development of technologies such as big data and AI, deep-learning based remote sensing image interpretation and monitoring have taken the advantages. Remote sensing plays a crucial role in earth observation and intelligent data processing, requiring a self-built open source framework to gain competitiveness in the remote sensing industry. Supported by the National Natural Science Foundation of China and Wuhan AI Computing Center, Wuhan University and Huawei jointly built the MindSpore-based Wuhan.LuojiaNET and Wuhan.LuojiaSET that are open sourced in the Ascend and MindSpore communities. To transform scientific research achievements of remote sensing into applications, Wuhan University, Huawei, and China Association of Satellite Application jointly established the Remote Sensing Open Source Ecosystem Alliance. Mr. Gong also expressed his hope in building an advanced remote sensing framework and a vibrant open source ecosystem. Mr. Jiao Licheng, Academician of the Academia Europaea and Russian Academy of Natural Sciences, pointed out in his speech that the remote sensing industry still faces challenges, though some breakthroughs have been made. He proposed some suggestions for promoting the remote sensing industry, such as tapping into talent in and outside China, encouraging collaboration and innovation in core remote sensing technologies. Mr. Zhou Zikuan, Deputy Secretary-General of the China Association of Remote Sensing Application, thanked the hard work of the Director and Secretary-General of the Alliance and gave credits to the technology advantages of Wuhan.LuojiaNET and Wuhan.LuojiaSET, for attracting Alliance members. He believed that the development of the Alliance depends on AI and data sharing technologies, which brings new opportunities for further development of the remote sensing industry. Mr. Zhang Dixuan, President of Huawei Ascend Computing Business, said that AI is a decisive force to lead a new round of industrial transformation. In May 2021, Mr. Gong's team and Huawei started the cooperation on an AI-based remote sensing project and jointly built Wuhan.LuojiaNET and Wuhan.LuojiaSET. In December, the Alliance was established. Since then, many industry-leading scientific achievements have been implemented in applications, and solutions have been developed for implementing remote sensing technologies. Mr. Zhang emphasized that Huawei would continuously support the development of the Alliance members based on Ascend AI technologies, thereby providing better services. 4\. Innovation Trend in Remote Sensing Field At the meeting, Mr. Zhang Bing, Consultant of the Alliance and Vice President of Aerospace Information Research Institute, Chinese Academy of Sciences, pointed out two trends of the remote sensing satellite technologies. The first is the intelligent analysis of multi-modal remote sensing data, which has become an important development direction. In particular, multiple imaging modes with different mechanisms are of great significance to intelligent analysis. The second is the event prediction based on the deep coupling of model data. Models used to be built on the obtained data, while the future models will couple model ports with data obtaining devices to guide data acquisition and real-time event prediction. With no doubt, the combination of intelligent remote sensing satellites and augmented reality has been a new growth driver to the industry. Mr. Hou Biao, Consultant of the Alliance and Executive Dean of School of Artificial Intelligence, Xidian University, introduced the intelligent interpretation technology of remote sensing images and its application cases. He mentioned a radar foundation model, built based on the Ascend AI software and hardware platform, has provided solutions for agriculture, forestry, urban construction, and disaster detection and evaluation. The intelligent interpretation technology of remote sensing images helps obtain the SAR images of a county affected by a flood. Through the analysis of changing SAR images, the primary and secondary disaster areas are detected, assisting in disaster relief. The AI and remote sensing technologies also can be used to analyze the changes of ground objects, such as meadows, vegetation, buildings, and roads, in a mountainous area over years to support ecological environment protection. 5\. Latest Industry-Specific Applications At the event, several representatives of the Alliance members shared their solutions developed based on the Ascend AI technologies, Wuhan.LuojiaNET, and Wuhan.LuojiaSET. Mr. Wang Liangliang introduced a smart solution for natural resources that features "service intelligence, space intelligence, and data intelligence" and empowers the remote sensing industry through four aspects – data perception, analysis and decision-making, collaboration, and prediction and deduction. Mr. Li Xiaokai introduced an intelligent platform for processing remote sensing images that can interpret high-resolution remote sensing images of buildings, roads, water, cultivated lands, and forest lands with accuracy above 90%, providing support for AI + remote sensing applications. Mr. Hao Jingjing presented a platform for detecting the change of urban land. The platform uses AI technologies to analyze the massive remote sensing data of the urban building changes, thereby monitoring the urban ground change to support smart city governance. He also introduced a MindSpore-based intelligent platform to monitor the coverage of cultivated lands and provide protection suggestions. Mr. Huang Jie inaugurated the SaaS service platform for smart agriculture. Built on MindSpore, Wuhan.LuojiaNET, and proprietary algorithms, samples, and data source, the platform has built more than 300 models for data collection and scenario-specific products, covering agriculture, agriculture insurance, financial futures on agriculture, and digital villages. It also provides big data services of remote sensing satellites to intelligentize the development of agriculture production, arable land conservation, agricultural finance, meteorology, and ecosystem. At the end of the meeting, Mr. Hu Xiangyun, Secretary-General of the Alliance, called members to cooperate for developing advanced remote sensing technologies and building an open source ecosystem. --- https://www.mindspore.cn/news/en/1900/ --- News CiDi Joins the MindSpore Open Source Community to Build Smart Driving Products # CiDi Joins the MindSpore Open Source Community to Build Smart Driving Products 2022/08/25 # CiDi Joins the MindSpore Open Source Community to Build Smart Driving Products August 25, 2022 Changsha Intelligent Driving Institute Ltd. recently signed the Corporate Contributor License Agreement (CCLA) to join the MindSpore Open Source Community. **Changsha Intelligent Driving Institute Ltd.** Changsha Intelligent Driving Institute Ltd. (CiDi) focuses on the R&D, product development, and implementation of core technologies for commercial vehicle autonomous driving and V2X vehicle-road synergy. CiDi provides intelligent vehicle products, including Level 4 autonomous driving trucks, unmanned electric mining trucks, and campus logistics AGVs. CiDi also provides smart road products, including a complete series of V2X vehicle-road-cloud synergy products for low-carbon transportation of smart cities, smart highways, and Internet of vehicles (IoV) pilot zones. **CiDi & MindSpore** CiDi is cooperating with the MindSpore community to train, migrate, and deploy deep learning models for vision and laser point clouds based on the MindSpore all-scenario AI framework. In the future, CiDi will further promote the R&D of autonomous driving sensing algorithms. CiDi looks forward to working with more MindSpore community partners to build innovative products and solutions and jointly build a prosperous AI industry ecosystem. MindSpore welcomes project teams to join the MindSpore open source community for developing software and hardware AI applications. To learn more about the MindSpore framework, visit MindSpore official website, Gitee, and GitHub. --- https://www.mindspore.cn/news/en/2505/ --- News Project Introduction — Third-Prize Solution for MindSpore-based Kidney-Tumor Segmentation # Project Introduction — Third-Prize Solution for MindSpore-based Kidney-Tumor Segmentation 2023/04/20 # Project Introduction — Third-Prize Solution for MindSpore-based Kidney-Tumor Segmentation The 10th CCF Big Data & Computing Intelligence Contest (2022 CCF BDCI) has recently come to a close with great success. The winning teams' solutions will be shared on the official competition platform, DataFountain (DF), for further communication and discussion. This blog presents one of the solutions for **MindSpore-based Kidney-Tumor Segmentation**, which won third prize in the contest. For details about the contest, visit http://go.datafountain.cn/3056. **1.** **Team Introduction** **1.1 Team Name** MPLab, short for Multimedia Processing Laboratory. **1.2 Team Members** MPLab was established by students from Beihang University, who specialize in image segmentation, object detection, image enhancement, and medical operation data mining. The team members are as follows: Li Hao (team leader): a postgraduate in the Electronic Information Engineering department, specializing in image segmentation and few-shot learning. Huang Yunmeng: a postgraduate in the Electronic Information Engineering department, specializing in image segmentation and medical operation data mining. **1.3 Award** Third prize **1.4. Project Summary** Automatic segmentation of kidney tumors from 3D CT images can assist doctors in devising diagnosis and treatment plans. Participants of the MindSpore-based Kidney-Tumor Segmentation contest are expected to create an efficient automatic segmentation tool and train it using the MICCAI KiTS19 Challenge dataset, so as to develop a solution that can be applied to actual kidney CT imaging practices. Given the context, the team proposed a two-stage hybrid tool for kidney-tumor semantic segmentation based on 3D U-Net and U-Net3+ and designed modules that are used to process 3D kidney CT scanning images. These modules are responsible for tasks such as data preprocessing, extraction of kidney region of interest (ROI), data augmentation, Hybrid-Dice loss, and prediction result post-processing. The solution, which underwent over two months of intense competition, achieved a ranking of third place with the accuracy of 0.7987 on the official CT test dataset. **2\. Project Overview** According to a statistical report of the National Cancer Center (NCC) of China \[2\], about 4,060,000 new cancer cases and 2,410,000 new cancer deaths occurred in China in 2016. The incidence of kidney cancer was about 5.48/105, ranking 16th. An effective method for identifying lesions quantitatively is through the semantic segmentation of kidney tumors and host kidneys. However, its practical application is limited due to the requirement for a high-quality 3D segmentation method of the target structure, which must be manually generated. The recent years have witnessed the great development of deep learning-based 3D segmentation, which requires a large number of datasets for training. Nonetheless, an optimal method has not been proposed. With the aim to accelerate the development of reliable kidney-tumor segmentation methods, this contest provided 300 high-quality abdominal CT images of kidney cancer patients, 210 of which contained professional human-made annotations, for algorithm training and verification. U-Net\[4\] and its variants have achieved great success in medical image segmentation. As one of the variants of U-Net, 3D U-Net\[5\] is widely used in the segmentation of brain and liver cancers. Inspired by this, we proposed a two-stage hybrid approach for kidney-tumor semantic segmentation to locate kidney ROIs and then finely segment kidney regions, which resulted in an outstanding segmentation effect on the provided dataset. Figure 1 Structure of the two-stage hybrid method for kidney-tumor semantic segmentation **3\. Project Details** The two-stage hybrid approach for kidney-tumor semantic segmentation consists of five parts: 1\. Preprocess the original CT images and extract ROIs with effective responses to the organs as the training data. 2\. Merge the kidney and tumor regions in the labels and perform a rough segmentation on the merged regions. 3\. Analyze the rough segmentation results and extract the kidney ROIs as the data for fine segmentation. 4\. Perform fine segmentation on kidney and tumor regions based on the kidney ROIs. 5. Postprocess the model prediction data, pad small holes in the prediction results, and move irrelevant small objects. The steps 1 and 2 form the first stage (kidney segmentation), and the steps 3, 4, and 5 form the second stage (kidney and tumor segmentation). The models in steps 2 and 4 are trained from scratch, and 5-fold cross-validation is used to ensure model effectiveness. **Data Preprocessing** The CT image volume is fixed, that is, the intensity of images scanned by different scanners or hospitals for the same organ is the same. Therefore, during preprocessing, the value of each image pixel in the dataset is cropped to \[–79, 304\], to ensure that responses to a specific organ are retained while irrelevant range values are removed from images. To save storage space, we mapped the value range of \[-79, 304\] to \[0, 255\] and stored data in uint8 format. After data calculation, we obtained an average value 119.84 and a variance 103.80, both of which are used for normalization of image values during training. Figure 2 Voxel spacing of CT images in the dataset According to the dataset analysis, a large black border that is irrelevant to organ segmentation exists in each image, which reduces the proportion of pixels in the effective organ response region. To address this problem, we extracted effective response ROIs \[6\] of organs after performing the first two steps. As shown in Figure 2, the voxel spacings of images in the dataset are not evenly distributed. That's because neural networks cannot automatically interpret voxel spacings, and all images need to be resampled to obtain the same voxel spacing. However, a small voxel spacing leads to a large size of images and insufficient memory resources, while a large voxel spacing reduces image resolutions causes detail losses. After analyzing the voxel spacing of each data record in the dataset and the balance of computation resources for training, we resampled the voxel spacing to 3.22 x 1.62 x 1.62 mm, and thus obtained images with 128 x 248 x 248 pixels. To facilitate training, we sampled images at spacings of 48, 44, and 44 on the z, x, and y axes and converted them into 80 x 160 x 160 training data. **Rough Segmentation of Kidney-Tumor Regions** To locate the kidney regions in the second phase, we used 3D U-Net to roughly segment the kidney-tumor regions. Simply put, we changed the tumor region marked as label 2 to label 1, and in this case, it can be regarded as a part of the kidney. Then, we used 3D UNe to perform binary classification between a kidney-tumor region and background. This step is for a rough location of kidneys, so no extra residual and attention modules are added. During the training, we set the batch size to 4 and the initial learning rate to 0.0003. After 1500 batches were trained, we set the learning rate to 0.001. Based on the cosine learning rate policy, we then set the learning rate to 0.00001 after 90 epochs. Due to the small proportion of the kidney-tumor regions in the images, we added the kidney-tumor Dice to the cross-entropy loss. The loss function is as follows: _loss=Dicekidney+tumor+lossce(pred,label) (1)_ And the Dice is calculated as follows: **lossce** indicates the cross-entropy loss, **pred** indicates the predicted value, and **label** indicates the actual label value. In actual training, we used VNet\[7\] as a comparison algorithm to compare with 3D U-Net, and Table 1 lists the comparison result. VNet is slightly better than 3D U-Net in background segmentation, but 3D U-Net outperforms VNet in kidney-tumor segmentation. This discrepancy could be attributed to the fact that VNet's residual structures are not effectively leveraged due to the simplistic medical image content. Additionally, discrepancies in the features of the tumor and kidney may have contributed to VNet's increased tendency for misjudgment. In a nutshell, the performance of 3D U-Net is better than that of the VNet. That's why we chose 3D U-Net for kidney-tumor segmentation in the first phase. Table 1 Cross-validation results of kidney-tumor rough segmentation **Kidney ROI Extraction** Kidney ROI extraction refers to a process to locate kidney regions in the images. As shown in Figure 3, the total pixel number of the kidneys and tumors is far fewer than that of the background in the given dataset, and the distribution of each category is extremely unbalanced. To obtain higher segmentation accuracy, ROIs need to be cut off from the original images to reduce the background region and alleviate the impact caused by uneven distribution. Figure 3 Distribution of raw data labels In the actual extraction process, different schemes are adopted for training and inference. During training, the kidney ROIs are extracted based on the human-made labels of the training data, and the inference is performed based on the prediction results of the first phase. The method we proposed is to first calculate the sum of pixels in each dimension. The formula for training is as follows: _statz,x,y=sum(label,axis=z,x,y) (3)_ **statz,x,y** indicates the total vectors accumulated on the z, x, and y axes. **label** indicates labels of the training data. **axis=z,x,y** indicates that the operation is performed on the z, x, and y axes. Similarly, the formula for inference is as follows: _statz,x,y=sum(pred,axis=z,x,y) (4)_ **pred** indicates the prediction results in the first phase, and other values are the same as in the formula for training. The background is labeled as 0 in the dataset. If we could determine the boundary of the non-zero region, we are able to locate the range of the kidney-tumor region in each dimension. Thanks to the high-quality labeling of the original dataset, the range accuracy of the kidney-tumor region is high during training. However, during inference, the obtained range is not accurate. This is because the ROIs are determined based on the kidney-tumor segmentation results in the first phase, and the obtained boundary needs to be redundant. To solve this issue, we designed a ROI extraction scheme with robustness for training and inference. During inference, there are some small holes and objects (small connected regions of the kidneys and tumors) in the prediction results of the kidney-tumor region in the first phase. Small holes in big connected regions have small effects on ROI extraction in each dimension but small objects heavily affect the extraction process. Ideally, **statz**, **x**, and **y** are transmitted from the all-background region 0 in each dimension to non-0 regions, and then to all-background region 0 again. The transition is performed twice on one dimension, because the human body contains two kidneys. But in the first phase of the prediction, small objects greatly affected the location of each kidney region. Therefore, we made the following solutions by comparing the prediction results and actual labels in the training dataset. (1) Collect statistics on the coordinates of non-zero positions in **statz**, **x**, and **y**. (2) Compare the spacing between two adjacent coordinates. If the spacing of the two coordinates exceeds 15, the two coordinates are considered as the boundary of the two connected domains (that is, the kidney). (3) Reserve 3-pixel redundancy for the prediction boundary of each axis. The formula for this process is as follows: _index=where(diff(nonzero(stat))>15) (5)_ **index** indicates a set of boundaries of two connected domains, **stat** indicates sum data of each dimension obtained in step 1, **nonzero** indicates coordinates of a non-zero position, **diff** indicates a difference between two adjacent coordinates, and **where** indicates a position that complies with a condition value. It has been proved that the algorithm we designed is robust in ROI extraction during training and inference, and can efficiently obtain the distribution range of kidneys in each source image. After mapping the range to the source image and cropping the corresponding three-dimensional area, we can extract kidney ROIs. **Fine Segmentation of Kidney-Tumor Regions** In actuality, the extracted kidney ROIs in the previous step have different data sizes. Before the segmentation, three-dimensional ROI data needs to be separated from the depth dimension (that is, the z-axis) to form multiple two-dimensional images. Then the size of the two-dimensional images needs to be adjusted to 256 x 256 as the input data for fine segmentation. The prediction results generated in this step are used as the final result after postprocessing. During the training, the batch size was set to 8 and the initial learning rate was set to 0.0003. After the training of 1500 batches, the learning rate was linearly increased to 0.001, and decreased to 0.00001 after 90 epochs according to the cosine learning rate policy. In addition, we used Hybrid-Dice loss as the loss function, which is calculated as follows: Hybrid-Dice loss maps linear Dice to a non-linear range, so that a loss change rate becomes larger when Dice approaches 0 and becomes smaller when Dice approaches 1. Furthermore, the loss stability can also be increased during the training to facilitate parameter update. We compared the prediction results of U-Net, U-Net++\[8\], and U-Net3+\[9\] in our experiment, and the following table shows the result. According to the data in the table, due to the multi-scale information fusion, U-Net3+'s result of tumor prediction is significantly higher than those of the other two. Therefore, we finally used U-Net3+ to segment kidney and tumor regions. Table 2 Verified accuracy (note: data is obtained based on extracted ROIs of the validation dataset.) **Postprocessing of Segmentation Results** After the four steps, the model is able to segment the kidneys and tumors. But to get a higher accuracy, we need to further modify the details of segmentation results by using a morphological method and to pad small holes and remove small objects. During the postprocessing, we first padded the tumor holes in the prediction results (region with the perdition result marked 2), and then calculated the total number of pixels of each connected tumor domain. After removing small objects whose total number of pixels is less than 20% of that of the largest connected domain, we obtained the final tumor prediction result. For parts that were predicted as kidneys, we used the same method. **04\. Results** We recorded the prediction results of the 90 unlabeled test datasets provided by the KiTS19 dataset and uploaded the results to the KiTS19 server. Table 3 shows the final scores. The prediction score of kidneys is calculated by using the kidney region 1 and tumor region 2 as foreground and other regions as background, which is the same as the evaluation method used in this contest. Table 3 Results of the proposed method on the KiTS19 test dataset The results demonstrate that our method can effectively segment the regions of kidneys and tumors from abdominal CT scanning images. Thanks to this high performance, we won the third prize in the competition. **05\. Summary and Prospect** Though our method, which combines 3D U-Net rough segmentation and U-Net3+ fine segmentation, achieves good outcomes, it does not involve in-depth ablation studies on these two stages. This method may not be the optimal one for the KiTS19 dataset, but it achieves excellent outcomes in our training model. However, large-scale hyperparameter tuning is required to strictly compare the aforementioned solutions. Recent advancements in semantic segmentation have indicated that incorporating residual connections and attention modules into the convolution layer can significantly enhance model performance. This approach appears to be a viable solution for improving overall model performance. Besides, multi-model ensemble learning is frequently used in contests. In our two-stage method, the fine segmentation process in the second phase relies on the segmentation results generated in the first phase. Therefore, ensembling segmentation results of the first phase to improve the accuracy of kidney ROI extraction may be an important way to improve our method performance. **Reference** \[1\] Heller N, Sathianathen N, Kalapara A, et al. The kits19 challenge data: 300 kidney tumor cases with clinical context, ct semantic segmentations, and surgical outcomes\[J\]. arXiv preprint arXiv:1904.00445, 2019. \[2\] Zheng R, Zhang S, Zeng H, et al. Cancer incidence and mortality in China, 2016\[J\]. Journal of the National Cancer Center, 2022, 2(1): 1-9. \[3\] 2022 CCF MindSpore-based Kidney-Tumor Segmentation https://www.datafountain.cn/competitions/588 \[4\] Ronneberger O, Fischer P, Brox T. U-net: Convolutional networks for biomedical image segmentation\[C\]//International Conference on Medical image computing and computer-assisted intervention. Springer, Cham, 2015: 234-241. \[5\] Çiçek Ö, Abdulkadir A, Lienkamp S S, et al. 3D U-Net: learning dense volumetric segmentation from sparse annotation\[C\]//International conference on medical image computing and computer-assisted intervention. Springer, Cham, 2016: 424-432. \[6\] https://github.com/junqiangchen/KiTS19-Challege \[7\] Milletari F, Navab N, Ahmadi S A. V-net: Fully convolutional neural networks for volumetric medical image segmentation\[C\]//2016 fourth international conference on 3D vision (3DV). IEEE, 2016: 565-571. \[8\] Zhou Z, Siddiquee M M R, Tajbakhsh N, et al. Unet++: Redesigning skip connections to exploit multiscale features in image segmentation\[J\]. IEEE transactions on medical imaging, 2019, 39(6): 1856-1867. \[9 \]Huang H, Lin L, Tong R, et al. Unet 3+: A full-scale connected unet for medical image segmentation\[C\]//ICASSP 2020-2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). IEEE, 2020: 1055-1059. --- https://www.mindspore.cn/news/en/2506/ --- News Project Introduction—Second-Prize Solution for MindSpore-based Kidney-Tumor Segmentation # Project Introduction—Second-Prize Solution for MindSpore-based Kidney-Tumor Segmentation 2023/04/26 # Project Introduction—Second-Prize Solution for MindSpore-based Kidney-Tumor Segmentation The 10th CCF Big Data & Computing Intelligence Contest (2022 CCF BDCI) has recently come to a close with great success. The winning teams' solutions will be shared on the official competition platform, DataFountain (DF), for further communication and discussion. This blog presents one of the solutions for **MindSpore-based Kidney-Tumor Segmentation**, which won second prize in the contest. For details about the contest, visit http://go.datafountain.cn/3056. **Team Introduction** **Team Name**: 大山中学摸奖 **Team Members**: This team is established by three junior students from the School of Intelligent Systems Engineering, Sun Yan-Sen University. Adhering to the university motto, the team studies extensively on AI theories and technologies and practices earnestly in cutting-edge AI applications. The team also participated in another Huawei's project "SDK-based Person Detection", and won the golden prize related to MindSpore-based project in the 2022 Ascend AI Innovation Contest. **Award**: Second Prize **Abstract** The incidence of kidney cancer has been increasing in recent years. How to detect and treat kidney tumors in time becomes a very important issue. Over the last few decades, there has been a significant advancement in deep learning and computer vision technologies, leading to noteworthy breakthroughs in various fields like image classification, object detection, and semantic segmentation. Along with this progress, AI has also been successfully applied in the medical domain, particularly in large-scale and high-accuracy kidney-tumor segmentation. Despite these achievements, image segmentation presents several challenges that stem from factors such as slice thickness, tumor size, multiple foci, and subtypes of tumors. Given this context, we proposed a hybrid U-Net network based on multimodal data, which uses multimodal inputs to converge 2D information with 3D information. During encoding, an edge-oriented module is introduced to provide fine-grained constraints and edge-related features. During decoding, a large number of residual connections are used to capture fine- and coarse-grained semantics in a full scale, and a weight aggregation module is used to aggregate full-scale information and edge information. The model we proposed finally got 95.8% (kidney segmentation) and 71.3% (tumor segmentation) Dice scores on the KiTS19 dataset. While compared to other methods, our approach yields relatively high accuracy and holds great potential for practical applications, there are still areas where we can further improve its performance. **Keywords** Multimodal data convergence, edge-oriented module, full-scale information, weight aggregation module **1\. Overview** In China, the incidence of kidney tumors has increased at an average annual rate of about 6%, with a cumulative increase of 111.72% over the past 20 years. It can be foreseen that in the near future, kidney tumors will become another "killer" that seriously threatens people's health, especially men's health. Traditionally, nephrectomy is performed to treat this disease. But to protect kidney functions, excision of only infected kidney parts has recently become a standard treatment for kidney tumors. Clinical practitioners primarily rely on imaging techniques like CT scans to assess treatment options, which encompass total excision, partial excision, and active monitoring. This process involves a substantial amount of manual effort and may also yield inconsistent results between experts who score solutions. Hence, there has been a growing interest in developing intelligent automated systems for evaluating kidney tumors that can overcome the limitations associated with manual scoring. We expect such a system is able to automatically identify the kidney and tumor regions in medical images to determine whether tumors are benign or malignant and to evaluate the invasiveness of tumors. The automatic segmentation of the kidney and tumor regions is a fundamental function among these, which greatly assists inmedical diagnosis. Over the past few years, AI has found widespread application in the field of imaging, with a succession of neural network-based methods being developed for tasks such as image classification, image segmentation, and object detection. Traditional CNN networks do not perform well in predicting outcomes for medical images due to their high resolution, multimodal nature, single pixel features, blurred edge shapes, and unbalanced category distribution. Therefore, we improved the U-Net network structure and designed a hybrid U-Net network based on multimodal data. The 2D information and 3D information can be input to our network at the same time, and are converged in the encoding process. The edge information of images is extracted, and the accuracy of image segmentation can be improved according to the constraints of the edge. Besides, a large number of residual connections are used for the decoder to integrate the information at each scale, and weight aggregation is performed to filter the multi-scale information to retain valuable information. In the end, images are segmented based on the combined edge information and multi-scale information after weight aggregation. Experiments have shown that our method has an excellent performance in kidney-tumor segmentation, and there is significant potential for further improvement. The innovations of our method are as follows: (1) Use multimodal inputs to combine 2D information with 3D information effectively. (2) Use the 3D convolution's capability of extracting spatial features, and avoid large memory usage caused by the 3D convolutional network. (3) Extract and utilize the edge information through multiple modules, and enhance the anti-aliasing effect of image segmentation. (4) Use a small model. The final weight file size of the model is only 12 MB, and the inference time of a single step is only 81.58 ms, which could even be further improved and has great values in practical projects. **2\. Literature Review** In 2015, Olaf Ronneberger and other researchers proposed the U-Net network for biomedical image segmentation and cell segmentation tasks\[1\]. Since then, U-Net has become one of the most commonly used segmentation models, due to its simple structure, high efficiency, easy to understand and construct, and high accuracy. Generally, a shallow network in a CNN focuses on detailed texture features, and a deep network focuses on semantic features. Both shallow and deep features have their specific meanings. For a segmentation task for medical images, both semantic features and details are required to retrieve the edge features lost in the downsampling process, which is achieved by combining low-layer and high-layer features. This is why U-Net can achieve a good performance. In 2019, Huazhu Fu proposed the ET-Net model\[2\], which innovatively introduces the Edge Guidance Module (EGM) and Weighted Aggregation Module (WAM) for edge information extraction and multi-scale information aggregation, respectively. At the same year, Yifei Zhang proposed the CMnet model\[3\], which creatively improves the model performance through multimodal data convergence. The multimodal data convergence refers to a process where feature representations of the same example obtained through various means are input into a network, so that the model could have a more comprehensive understanding of the sample features. In 2020, Lanfen Lin presented the U-Net3+ model\[4\], which uses a large number of residual connections. Additionally, each decoder integrates small-scale, same-scale, and large-scale feature maps, facilitating information exploration in multiple scales. This significantly improves the accuracy and efficiency of biomedical image segmentation. **3\. Analysis of the Contest and Data** **3.1 Contest Requirements** The goal of this contest is to develop a fast and reliable semantic segmentation method for kidneys and tumors. The biggest challenge lies in dealing with the morphological heterogeneity and fuzzy tissue boundaries. The contest provides abdominal CT scan data in the arterial phase from 210 patients who have underwent partial or radical nephrectomy and marks the actual semantic segmentation results. Participants are expected to develop algorithm models that can be used for semantic segmentation of kidneys and tumors, and design kidney-tumor segmentation algorithms based on high-performance deep learning models for fast and accurate segmentation of tumors. The one whose model obtains the most accurate results for semantic segmentation of kidneys and tumors is the winner. **3.2 Evaluation Metric** It's hard to distinguish a false positive class (healthy tissue regarded as tumors) or a false negative class (tumors regarded as healthy tissue), without much reference. In clinical surgery, false negative classes may be considered more serious because they may cause tumors to be partially removed, but tumor tissue is different from a healthy kidney. This is not an urgent concern for doctors. By contrast, some people may think false positive classes are more serious, because they may cause overtreatment on kidney tumors. In a competition using the KiTS19 dataset, the Fscore or Dice score is usually used as the evaluation metric (see the following formula). If **β** approaches 0, false positive classes are tended to be avoided; if β approaches +∞, false negative classes are tended to be avoided. So we can evaluate the model performance by adjusting the value of **β**. **3.3 Data Analysis** **3.3.1 Complexity of CT Images** The provided CT scan data of 210 cases has different slice thicknesses. As a result, it may be difficult for a model to understand 3D data features when slices are distant. In addition, if the change range of slice thickness is large, it directly leads to anisotropy of data in a depth direction and mainly affects the 3D convolutional layer that cannot understand spatial anisotropy information. Furthermore, the length of Field of View (FOV) is different. A long FOV length usually leads to a large range of anatomic features, even including images from the top of the head to the bottom of the foot in some cases. As a result, models trained entirely by abdominal scan data may cause false positive classes in unfamiliar areas. **3.3.2 Complexity of Tumor Data** In the data provided, some samples have multiple lesions, which is rare. This could lead network models to tend to predict a single tumor region. In most samples, the size of the tumor accounts for only a small portion of a CT image. A smaller tumor indicates a higher proportion on the regional boundary. However, most segmentation errors occur on the region boundary, resulting in a low Dice score. In addition, smaller tumors are usually more likely to be completely ignored. Kidney tumors are not just manifested as one form, but have many subtypes. Different kidney tumor subtypes have different typical CT imaging manifestations, and some subtypes may be easier to identify than others. While some subtypes, such as angiomyolipoma, have low attenuation, making it difficult to distinguish them from renal cysts. In a word, tumors have individual differences and present diversified features in forms, texture, and grayscale distribution in CT images. **4\. Hybrid U-Net Based on Multimodal Data** **4.1 Network Structure** Figure 1. Proposed network structure This network has two inputs, 2D data and 3D data. The data is passed into the 2D encoder and 3D encoder. After encoding, outputs of the 2D encoder and 3D encoder are combined, and then the EGM module is used to extract the edge information of the features with high resolution. The fusion module connects two tensors on a channel, and then performs convolution to obtain a fusion result. The outputs of the encoders are fused and then passed to the decoder. Then, the WAM module is used to extract the full-scale information, and the information is combined with the outputs of the EGM module to obtain the final prediction result. The structures of the encoder and decoder are designed based on U-Net3+\[4\], and the detailed description is not presented here. **4.2 3D Encoder** Figure 2. Internal structure of the 3D encoder The 3D encoder consists of a converter and a 2D encoder. The inputs of the converter are 3D image inputs. First, a 3D convolution is performed to preliminarily obtain a feature map, and then the obtained feature map is processed by using two paths. The first path is a 3D convolution with a kernel size of 5 x 5 x 5, and the second path contains two 3D convolutions with a size of 3 x 3 x 3. The two paths are used to capture information from areas with different kernel sizes and enrich each other's outputs. Then, combine the outputs of each path to obtain a feature map whose size is 16 x 1 x 512 x 512, and then reshape it into a 16 x 512 x 512 feature map. The feature map of this converter becomes the input of the 2D encoder. During this process, the 3D convolution is used to extract spatial information, and dimensions are reduced through convolutions. This enables the 2D-encoder, thereby avoiding large network memory occupation. **4.3 Edge Guidance Module** Figure 3. Internal structure of the EGM The edge information provides useful fine-grained constraints for feature extraction during segmentation, so introducing edge-related features into segmentation tasks can improve segmentation performance. But this requires the feature maps extracted by the first two encoders to have high resolution. Therefore, the EGM selects the feature maps output by the E-BLock1 and E-BLock2 as the inputs. The E1 feature map and the upsampled E2 feature map are combined after 1x1 and 3x3 convolution, and then 1x1 convolution is performed to generate the final edge detection result, providing useful edge features for the subsequent decoder. **4.4 Weighted Aggregation Module** Figure 4. Internal structure of the WAM To adapt to the shape and size changes of objects, existing methods tend to summarize multi-scale outputs along the channel dimension for final prediction. However, not all channels in the high-level feature map are conducive to object recovery. To solve this problem, WAM, focusing on valuable features, aggregates multi-scale information and edge constraints to improve segmentation performance. As shown in the structure diagram, the network passes the outputs of each D-Block into the Weighted Block to highlight valuable information. Then, the information extracted from each layer is integrated to obtain module outputs. **4.5 Weighted Block** Figure 5. Internal structure of the Weighted Block The Weighted Block first reconstructs inputs with 1x1 convolution through two paths. The upper path is used to extract weights. First, global average pooling is used to aggregate input global context information, and then two 1×1 convolutional layers with ReLU and Sigmoid are used to estimate correlations. The weights are generated along a channel dimension. No operation is performed on the lower path. The intersection point of the two paths is used to obtain representative features by multiplying the extracted weights with the original modified outputs. **5\. Effect** We have continued to fine-tune our model, and during the latest verification, it achieved Dice scores of 0.95819 and 0.71307 for kidney and tumor segmentation respectively. The average Dice score obtained was 0.83563. The following figures show some test effects. (The left part is the CT image, the middle part is the actual segmentation result, and the right part is the model prediction result.) Figure 6. Effect display **6\. Conclusion** We innovatively proposed a hybrid U-Net network based on multimodal data. The network inputs are 2D and 3D data, which is encoded through independent encoders. And then the outputs of the 2D and 3D encoders are combined by referring to the combination policy of CMNet\[3\]. The 3D encoder effectively uses the spatial extraction capability of 3D convolutions, which avoids excessive memory usage. Referring to the ET-Net modules\[2\] and full-scale connections of U-Net3+\[4\], we designed modules for edge extraction and weight aggregation, and added a lot of residual connections to the decoder. In addition, we performed upsampling using bilinear interpolation, reducing parameter quantity and network complexity. Our method effectively improves the effect of kidney-tumor segmentation and compresses the network size, making the network easy to train and verify and achieving excellent results on experiments. This provides a feasible solution in the kidney-tumor segmentation field. **Reference** \[1\]Ronneberger O, Fischer P, Brox T. U-net: Convolutional networks for biomedical image segmentation\[C\]//International Conference on Medical image computing and computer-assisted intervention. Springer, Cham, 2015: 234-241. \[2\]Zhang, Z., Fu, H., Dai, H., Shen, J., Pang, Y., Shao, L. (2019). ET-Net: A Generic Edge-aTtention Guidance Network for Medical Image Segmentation. In: , et al. Medical Image Computing and Computer Assisted Intervention – MICCAI 2019. MICCAI 2019. \[3\]Zhang, Yifei et al. “Exploration of Deep Learning-based Multimodal Fusion for Semantic Road Scene Segmentation.” VISIGRAPP (2019). \[4\]Huang H, Lin L, Tong R, et al. Unet 3+: A full-scale connected unet for medical image segmentation\[C\]//ICASSP 2020-2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). IEEE, 2020: 1055-1059. --- https://www.mindspore.cn/news/en/2512/ --- News Ascend AI Developer Summit MindSpore Forum—Building a Source of AI Innovation # Ascend AI Developer Summit MindSpore Forum—Building a Source of AI Innovation 2023/05/08 # Ascend AI Developer Summit MindSpore Forum—Building a Source of AI Innovation On May 6 and 7, the Ascend AI Developer Summit 2023 was successfully held in Huawei's Songshan Lake base, Dongguan. With the theme of "Building the Future", the summit brought together the pioneers of the Ascend AI industry. At this summit, the MindSpore open source community hosted a forum that centered on open source innovation, providing a platform for developers to exchange ideas on achievements of open source AI technologies. **Li Yongle, general manager of the Huawei computing open source business**, attended the forum and delivered an opening speech. As a next-generation open-source AI framework, MindSpore develops rapidly, and the MindSpore community has become one of the most innovative and vigorous open source AI community in China. The number of MindSpore downloads in the community increases rapidly, with a total exceeding 4.51 million. More than 13,000 developers have contributed code to MindSpore and more than 5,500 enterprises have built application solutions based on MindSpore. Moreover, 240 universities have offered MindSpore-related courses, and more than 40 research institutes have conducted innovative native AI researches based on MindSpore. Group photo of developers **Comprehensive Upgrade of MindSpore Technologies** Driven by technological development, MindSpore's technical architecture is continuously upgraded, which evolves from conventional deep learning to large-scale distributed parallel computing and converged computing and provides native support for foundation models and scientific intelligence. At this forum, **Ding Cheng, general manager of the MindSpore business**, introduced the industry's first AI convergence framework, MindSpore 2.0, which integrates AI and high-performance computing capabilities, greatly improving the scientific computing capabilities. **He Luwei, technical owner of the MindSpore foundation model platform**, introduced her practice on the platform. It is the industry's first one-stop platform for developing foundation models that leverages elastic scheduling of computing power across AI computing centers. The upgraded version of the platform has optimized functions and modules, sparing developers from concerns over computing power during foundation model development. **Preferred Framework for AI Innovation** MindSpore is committed to Al innovation by natively supporting underlying capabilities such as foundation models and scientific intelligence. At this forum, **Yang Yi, associate researcher from the Shenzhen Bay Laboratory**, shared MindSpore SPONGE, a molecular dynamics suite developed based on MindSpore. MindSpore SPONGE provides functions such as molecular dynamics simulation, protein structure prediction, and small molecular property prediction and design. It provides a complete set of program frameworks and tool libraries for molecular science, helping pave the way for AI application in molecular science. **Zheng Qinkai, research assistant from the Knowledge Engineering Group (KEG) of Tsinghua University**, introduced the MindSpore-based CodeGeeX foundation model. This free AI coding assistant is a multilingual code generation model built on top of proprietary AI frameworks and hardware. As a best practice of a foundation model in code generation, CodeGeeX is fully open-source and supports code generation, completion, translation, and one-click comment adding. **Attracting Open Source Developers for the MindSpore Ecosystem** Attaching great importance to developers and technologies, MindSpore values developer requirements and growth. In this way, MindSpore attracts many excellent developers to build a competitive open source community and gathers scientific research and industry talent. **Liu Bingzi, director of the communication dept. of the OpenI community**, delivered a keynote speech focusing on how the OpenI community contributes to the development of the Chinese AI open source ecosystem. She introduced the significance of the OpenI community and demonstrated the cooperation achievements of the community and MindSpore in the development of the Chinese AI open source ecosystem. **Wang Zhenbang, a student representative of Wuhan University of Technology**, shared his experience in using MindSpore as a developer and user, setting an example for developers to contribute to the MindSpore community. At the Kunpeng and Ascend developers' night held on May 6, the OpenI community won the 2022 Ascend community excellent partner award, and ten MindSpore developers won the 2022 excellent MindSpore developer award. OpenI community, an excellent partner of the Ascend community in 2022 (left) Representative of excellent MindSpore developers in 2022 (right) Since 2020, a growing number of developers and partners have explored MindSpore. We believe that, with the joint efforts of the developers and partners, China's independent AI framework ecosystem will flourish. MindSpore calls on you to work together to build the source of AI innovation and create a new future of digital intelligence. Subscribe to the Latest MindSpore News --- https://www.mindspore.cn/news/en/2513/ --- News From Perception to Cognition: "Zidong.Taichu" Keeps Exploring New Possibilities of General AI # From Perception to Cognition: "Zidong.Taichu" Keeps Exploring New Possibilities of General AI 2023/05/09 # From Perception to Cognition: "Zidong.Taichu" Keeps Exploring New Possibilities of General AI At the Huawei Ascend AI Developer Summit on May 6, Wang Jinqiao, the executive deputy director of the Zidong.Taichu Foundation Model Research Center, Institute of Automation, Chinese Academy of Sciences (CASIA) and president of the Wuhan AI Research, said that leveraging Huawei's full-stack Ascend AI software and hardware platform, CASIA and the Wuhan AI Research jointly built the **Zidong.Taichu 2.0, a full-modal foundation model**. The model can implement unified representation and learning of different modes, such as text, image, speech, video, 3D point cloud, and sensor signals, ushering in the general AI era. **Advanced Layout with Multimodal Technologies** Since infanthood, we have developed our cognition with multimodal information, such as real-world images, sounds, and words. Breaking through modal restrictions between images, texts, and sounds, the general foundation model plays a crucial role in enabling AI to integrate into the real world. Since 2019, CASIA has embarked on its exploration of multimodal foundation model research based on applications of single-modal foundation models on speech, text, and image. In July 2021, the Institute officially released Zidong.Taichu, the world's first multimodal foundation model with hundreds of billions of parameters, fueling the development of general AI with multimodal technologies. Different from many text-based language models, Zidong.Taichu takes multimodal technologies to the core from the beginning of R&D, and applies data of richer types, including images, speeches, and texts for cross-modal unified representation and learning. In this way, unified representation and mutual generation of the three modes (image, text, and speech) are achieved, bringing the understanding and generative capabilities of AI foundation models closer to those of humans. This move lays an innovative basis for multimodal AI industry applications, and is the key to realizing general AI. **From Perception to Cognition, a New Level of Digital IoT** The world has entered the digital IoT era. In the application of Zidong.Taichu 1.0, we found that in addition to massive speech, image, and text information on the Internet, massive IoT data from multiple sensors, 3D point clouds, and videos should also be processed to improve productivity. Conforming to the new trends in the era, CASIA further promotes the technologies and applications of Zidong.Taichu by studying the system and architecture of full-modal foundation models and basic algorithms. Beside texts, images, audios, and videos, Zidong.Taichu 2.0 can process richer types of data, such as 3D data, videos, and sensor signals. It bridges the gaps between perception, cognition, and decision-making by optimizing converged cognition of speeches, videos, and texts and common sense computing, shifting AI from perception to cognition with more powerful general capabilities. **Building a Full-Stack Base for General AI in China** A full-stack platform in China can accelerate innovative development of science and technology in the AI field. With the support of CASIA-developed algorithms, Ascend AI platform, and the computing power of the Wuhan AI Computing Center, Zidong.Taichu is designed to be controllable, reliable, and available at the beginning, greatly promoting the development of full-stack basic software and hardware in China. By now, the multimodal AI alliance established under the leadership of CASIA has attracted nearly 70 members from all walks of life. Centering on the technology and application of multimodal foundation models, Zidong.Taichu has demonstrated strong potential in dozens of scenarios, such as sign language teaching, legal consultation, transportation, medical robotics, and medical image interpretation. At the Huawei Ascend AI Developer Summit, the Ascend- and MindSpore-based image-text-speech multimodal model of the version 3.8B, and the Zidong.Taichu foundation model service platform is opened up. As the Internet evolves from limited modes to full-modal IoT, CASIA will continue to advance the Zidong.Taichu foundation model through independent innovation across the entire chain, from basic theories to key technologies and application ecosystems to build a proprietary base for general AI. By focusing on building an open ecosystem in the multimodal industry with independent and controllable basic software and hardware, CASIA hopes to find new possibilities of general AI. --- https://www.mindspore.cn/news/en/2518/ --- News Project Introduction — Second-Prize Solution for MindSpore-based Kidney-Tumor Segmentation # Project Introduction — Second-Prize Solution for MindSpore-based Kidney-Tumor Segmentation 2023/05/09 # Project Introduction — Second-Prize Solution for MindSpore-based Kidney-Tumor Segmentation The 10th CCF Big Data & Computing Intelligence Contest (2022 CCF BDCI) has recently come to a close with great success. The winning teams' solutions will be shared on the official competition platform, DataFountain (DF), for further communication and discussion. This blog presents one of the solutions for **MindSpore-based Kidney- Tumor Segmentation**, which won second prize in the contest. For details about the contest, visit http://go.datafountain.cn/3056. **Team Introduction** **Team Name**: E Di Shen Na **Team Members**: This team is established by five members from Hunan University, Zhengzhou University, University of Electronic Science and Technology of China, Northwestern Polytechnical University, and Migu Music. With main research focusing on medical image segmentation, image detection, and industry quality inspection, some team members have published related papers and awarded prizes in other Huawei-hosted competitions. **Award**: Second Prize **Abstract** Our method is inspired by nnU-Net, a 3D U-Net-based framework that automatically adapts to a given dataset. This framework has the ability to achieve state-of-the-art performance in various tasks without requiring manual parameter adjustments. For our model, we first employ methods, such as cropping, resampling, and normalization to preprocess each training data record. Then, we utilize data argumentation policies, such as random rotation, random scaling, gamma correction, and Gaussian noise. Finally, we execute segmentation with various auxiliaries on the 3D U-Net architecture to supervise the backbone network and surmount issues such as vanishing gradient and sluggish convergence during deep neural network training. In the preliminary round, our model gets a score of 0.8377, ranking second. For details about the code, visit https://github.com/wangwangwang978/MindSpore2022-BDCI. **Keywords** MindSpore, kidney-tumor segmentation, nnU-Net **1 Introduction** Over the past few years, medical image segmentation has seen significant advancements thanks to convolutional neural networks (CNNs). Among these, full convolutional networks (FCNs) have emerged as an ideal solution for performing semantic segmentation on medical images, which greatly assists pathologists in diagnosing patients. U-Net\[1\], one of its typical variants, consists of a symmetric U-shaped encoder-decoder architecture and several skip connections. The encoder utilizes continuous convolutional layers and downsampling layers to extract deep features. And the decoder upsamples the extracted deep features to the input resolution for pixel-level semantic segmentation, and uses skip connections to fuse high-resolution features of varying scales, mitigating the loss of spatial information that occurs during the downsampling phase of the encoder. Based on this elegant structure, U-Net++ and U-Net3+ networks are proposed. Moreover, 3D U-Net, UNETR, and Swin UNETR have been applied to the medical imaging field, achieving noteworthy segmentation performance\[2\]. The KiTS19 Challenge dataset is used in the MindSpore-based Kidney-Tumor Segmentation contest, which aims to develop a solution that is reliable for kidney-tumor semantic segmentation. The dataset includes abdominal CT scan data in the arterial phase from 310 patients who have underwent partial or radical nephrectomy, along with corresponding semantic segmentation labels. The data of 210 patients is used for model training and verification, and the remaining data of 90 patients is used for objective model evaluation. However, according to the previous results of referring to the KiTS19 Grand Challenge and researches of Isensee F\[4\], simply making changes to the proposed algorithms is not enough to surpass the performance of the optimized 3D U-Net baseline. Therefore, our team adopts nnU-Net\[5,6\] for this competition. **2 Method** By referring to the open source code of MindSpore and PyTorch, we reproduced the nnU-Net method for MindSpore-based kidney-tumor segmentation on the KiTS19 dataset. **2.1 Preprocessing** **2.1.1 Cropping** All training data is cropped to areas with non-zero values. This has no effect on most datasets (such as liver CT data), but reduces the size and computational loads of skull stripping MRI. **2.1.2 Resampling** Different scanners or collection protocols usually result in datasets with heterogeneous voxel spacings. To make the network correctly learn spatial semantics, all CT images are resampled to a unified voxel spacing, where image data uses B-spline interpolation, and the corresponding segmentation mask uses nearest neighbor interpolation. By referring to the champion's solution of KiTS19 challenge\[4\], we resampled the voxel spacings of all data to 3.22 x 1.62 x 1.62. **2.1.3 Normalization** All intensity values that appear in the training dataset are collected, and the entire dataset is normalized by cropping the intensity values to percentiles in the range of \[0.5,99.5\]. Then Z-Score normalization is performed based on the average value and standard deviation of all collected intensity values. **2.2 Network Architecture** Figure 1 3D U-Net network architecture In this experiment, we constructed the model architecture based on the U-shaped network structure of 3D U-Net, as shown in Figure 1. The goal was to extract and integrate high-level semantic information and low-level fine features, so as to obtain both context and spatial information. The 3D U-Net network structure consists of an encoder and a decoder. The encoder consists of a 3 x 3 x 3 convolutional layer and a 2 x 2 x 2 maximum pooling downsampling layer. After each downsampling, the number of channels is doubled and the image resolution is halved. The decoder consists of a 2 x 2 x 2 deconvolutional layer, a stitching layer, and a 3 x 3 x 3 convolutional layer, and is finally output after undergoing a 1 x 1 x 1 convolution. After each upsampling, the number of channels is reduced by half and the image resolution is doubled. Through skip connections, features from each layer in the encoder are stitched, and the global context information at high layers and precise details at low layers are integrated. In addition, the loss of spatial information during the downsampling is reduced. At the same time, the deep supervision output is performed at the resolution of 1, 1/2, 1/4, 1/8, and 1/16 on the decoder. The 1 x 1 x 1 convolutional layer is used to change the number of channels to the number of segmentation categories. This assists in supervising the backbone network to solve problems such as vanishing gradient and slow convergence. **2.3 Loss Function** Our model is trained in an end-to-end manner, and the loss function is used to calculate the weighted Dice loss and cross entropy loss, which is presented as follows: We use deep supervision to improve gradient flows. As shown in the formula (1), segmentation with auxiliaries is added for supervising the backbone network, so as to address the problems of vanishing gradient and slow convergence. The final loss function is presented as the formula (2): In the formula, **_w\_\_i_** indicates a changeable hyperparameter, **G** indicates the actual labels of CT data, and **head** indicates the segment header, which changes the channel quantity to the segmentation category quantity. **3 Experiment** **3.1 Experiment Details** **3.1.1 Experiment Environment** Our experiment is performed on MindSpore 1.7.0 and Ascend 910-based hardware. During training, the default batch size is **2**, and the SGD optimizer with 0.01 initial learning rate and 0.9 momentum is used to optimize our backpropagation model. In addition, the weights of each loss function for deep supervision are set to **0.53**, **0.27**, **0.13**, **0.07**, and **0**. **3.1.2 Data Augmentation** For all training, data augmentation polices such as scaling, rotations, brightness, contrast, gamma, and Gaussian noise are used to increase data diversity and robustness to color disturbances. **3.1.3 Patch Sampling** To improve the stability of network training, nnU-Net forces more than one-third of the samples in batches to contain at least one randomly selected foreground class. Due to limited time, the iteration of 50 training batches is defined as an epoch, and a total of 600 epochs are trained. In the end, the 5-fold cross-validation is performed to select an optimal model. **3.2 Experiment Results** According to the results shown in Figure 2, nnU-Net achieves good performance on kidney segmentation (marked in red), but it fails to detect a small number of tumor segmentation parts (marked in green). Furthermore, the last CT image demonstrates an incorrect identification of the tumor beneath the kidney, which could potentially be attributed to inadequate training. According to the competition organizer, the number of iterations per epoch is 250. Considering limitations in hardware resources and training time, we reduce the number to 50, as shown in Table 1. This is a compromise, as it results in a decrease in accuracy. Figure 2 Visualized results of kidney-tumor segmentation **4\. Conclusion** When it comes to handling medical data, the challenging aspect lies in comprehending the information and applying appropriate policies for preprocessing, training, inference, and postprocessing. Although classical networks can produce desired outcomes, modifying network structures alone may not result in significant advancements and could potentially cause overfitting issues. **Reference** \[1\]Ronneberger O, Fischer P, Brox T. U-net: Convolutional networks for biomedical image segmentation\[C\]//International Conference on Medical image computing and computer-assisted intervention. Springer, Cham, 2015: 234-241. \[2\]Sen Tao. Researches on deep learning-based kidney-tumor segmentation\[D\]. Xidian University, 2021.DOI:10.27389/d.cnki.gxadu.2021.001313. \[3\]Heller N, Sathianathen N, Kalapara A, et al. The kits19 challenge data: 300 kidney tumor cases with clinical context, ct semantic segmentations, and surgical outcomes\[J\].arXiv preprint arXiv: 1904.00445, 2019. \[4\]Isensee F, Maier-Hein K H. An attempt at beating the 3D U-Net\[J\]. arXiv preprint arXiv:1908.02182, 2019. \[5\]Isensee F, Petersen J, Kohl S A A, et al. nnu-net: Breaking the spell on successful medical image segmentation\[J\]. arXiv preprint arXiv:1904.08128, 2019, 1(1-8):2. \[6\]Isensee F, Jäger P F, Kohl S A A, et al. Automated design of deep learning methods for biomedical image segmentation\[J\].arXiv preprint arXiv:1904.08128, 2019. --- https://www.mindspore.cn/news/en/2534/ --- News Project Introduction — First-Prize Solution for MindSpore-based Kidney-Tumor Segmentation # Project Introduction — First-Prize Solution for MindSpore-based Kidney-Tumor Segmentation 2023/05/16 # Project Introduction — First-Prize Solution for MindSpore-based Kidney-Tumor Segmentation The 10th CCF Big Data & Computing Intelligence Contest (2022 CCF BDCI) has recently come to a close with great success. The winning teams' solutions will be shared on the official competition platform, DataFountain (DF), for further communication and discussion. This blog presents one of the solutions for **MindSpore-based Kidney Tumor Segmentation**, which won first prize in the contest. For details about the contest, visit http://go.datafountain.cn/3056. **Team Introduction** **Team Name**: Xian Yu **Team Members**: This team is established by two postgraduates from the Institute of Computing Technology, Chinese Academy of Science, who were encouraged to take part in this contest by their teacher of AI courses. **Award**: First Prize **Abstract** Under the theme of medical image segmentation, we employe methods such as data augmentation, propose the creative Res-U-Net model, and add the Lovasz-Softmax loss function during training. By doing so, our model achieves an optimal training performance on the test dataset. **keywords** Semantic segmentation, data augmentation, ResNet, Lovasz-Softmax **1\. Introduction** The contest focuses on the semantic segmentation task, which is a well-established and extensively researched problem in the field of deep learning. Building on past techniques, we create our own methods, including: ● Data augmentation: Based on data characteristics of this contest, we use multiple data augmentation methods to improve the generalization capability of our model. ● Res-U-Net model: By incorporating the U-Net structure and leveraging advantages of ResNet blocks, we design the Res-U-Net model, which ensures stable model training and inference. ● Combined loss functions: To train the model, we utilize Locasz-Softmax and a combination of loss functions, including cross-entropy loss with weights. Results obtained on the verification dataset and test dataset demonstrate that our methods have achieved a good effect. **2\. Dataset** The KiTS19 dataset\[5\] serves as the training dataset, and the test dataset contains private data provided by the contest organizer. Both datasets are kidney and tumor data. The training dataset contains scanning results of 210 patients with kidney tumors, and each of results contains about 300 scanned images. Additionally, the training dataset is labeled with three categories: background, kidney, and tumor. We randomly select data records of 30 patients as the verification dataset, and the remaining data records of 180 patients as the training dataset. **3\. Data Processing** The scanned CT images are characterized by continuous spatial and temporal information. This implies that each image is closely related to images before and next to it. Therefore, when we select an image for training, we also select its adjacent images in the sequence. That is, the image size used during training is 512 x 512 x 3. To improve the generalization capability of our model and reduce its dependency on certain samples and attributes, we've employed image argumentation methods to generate more training samples when the training data is read. Before training samples are added to the training dataset, image argumentation is performed through sequential geometric transformation on images, including random rotation, flipping, and cropping. **3.1 Random Rotation and Flipping** Random rotation and flipping are the most commonly used image augmentation methods. We rotate samples evenly and randomly with a small angle (-9°, 9°) and flip them randomly and horizontally at a probability of 0.5. **3.2 Random Cropping** We first pad the four edges of a sample image with 12 pixels, expanding its size to 536 x 536 from 512 x 512. Then, crop the image by random area and height-width ratio. The random cropping area and height-width ratio of an image are within the range (0.92,0.99) and (0.96.1.04), which is presented as **Scrop/Spad ∈ (0.92,0.99)** and **H/W ∈ (0.96.1.04)**. In the two parameters, **Scrop** indicates the cropped image area, **Spad** indicates the padded image area, **H** indicates the image height, and **W** indicates the image width. Finally, we resize the cropped image to 512 x 512. **4\. Model Structure** The main structure of our Res-U-Net model, with the classic encoder-decoder structure as the backbone, is developed according to the theory of Cortinhal\[1\]. The input of Res-U-Net is a 512 x 512 x 3 image, where **3** indicates the number of channels of the image and **512** indicates the image width and height. The input image first passes through the Conv0 layer, which preliminarily learns the basic features of the image and extends the number of image channels to 32. The following is a five-layer encoder structure, which is represented as the ResDownSample layer. ResDownSample performs downsampling on the feature map. After downsampling, the width and height of the feature map are reduced to 1/2 of the original values. Simultaneously, ResDownSample learns the features of the feature map and doubles the number of channels. Accordingly, the input image then passes through a five-layer decoder structure, which is represented as UpSample and CatResBlock. UpSample performs upsampling on the feature map. After upsampling, the width and height of the feature map are doubled, and the number of channels is reduced to 1/4 of the original number. The feature map after upsampling is stitched with the output of the corresponding ResDownSample layer by using the theory of Ronneberger\[2\]. Before stitching, the number of channels of the output feature map at the ResDownSample layer is reduced through a 1 x 1 convolutional layer. This ensures that input feature maps of CatResBlock have a proper channel number. CatResBlock stitches the two input feature maps to learn their features. After being upsampled for five times, the output feature map is resized to 512 x 512 x 16. Then, the feature map is stitched with the output of the Conv0 layer. Finally, the feature map is convolved again, and a 512 x 512 x 3 feature map is output. **4.1 Conv0** The Conv0 layer consists of 3 x 3 Conv, Batch Norm, and Leaky ReLU layers. The stride of the 3 x 3 Conv is 1, presented as **s = 1**. The convolution operation does not change the width and height of the feature map. The Conv0 layer is used to preliminarily extract the feature information of the image, which lays a foundation for the subsequent feature extraction. **4.2 ResDownSample** The structure of the ResDownSample layer is designed based on He's theory\[3\]. The first convolutional layer is a 3 x 3 Conv with a stride equal to 2, which is used to halve the width and height of the image for downsampling. The Batch Norm and Leaky ReLU layers are followed. The stride of the second convolutional layer is 1, which does not change the width and height of the feature map. The input feature map also passes through another convolutional layer whose stride is 2, which is called "shortcut" in the He's theory\[3\]. The feature map being shortcut is added to the feature map that passes through the second convolutional layer, and then it is output by Leaky ReLU. **4.3 Connector** The structure of the Connector layer is basically the same as that of the Conv0 layer. The only difference is that the stride of convolutional layer in Connector is 2, which is used to downsample the feature map. **4.4 UpSample** The UpSample layer uses the PixelShuffle method, which performs upsampling by exchanging the pixel sequence of the feature map, without using any parameter that needs to be learned. For example, an H x W x C feature map becomes 2H x 2W x C/4 after pixel shuffling, indicating that the width and height of the feature map are doubled, and the number of channels is reduced to one-fourth of the original number. **4.5 CatResBlock** The first layer of CatResBlock is the stitching layer, which is used to stitch the output of the corresponding ResDownSample layer. The following layers are 3 × 3 Conv, Batch Norm, Leaky ReLU, 3 × 3 Conv, and Batch Norm layers in sequence. The output feature map is added to the stitched feature map and then output again through the Leaky ReLU layer. **4.6 CatConv** The first layer of CatConv is a stitching layer, and the following layers are 3 x 3 Conv, Batch Norm, and Leaky ReLU layers. **Acknowledgments** We truly appreciate our AI instructor for encouraging us to participate in this contest, and we credit our success to his guidance. **Reference** \[1\]Cortinhal, Tiago, George Tzelepis, and Eren Erdal Aksoy. "SalsaNext: Fast, uncertainty-aware semantic segmentation of LiDAR point clouds." International Symposium on Visual Computing. Springer, Cham, 2020. \[2\]Ronneberger, Olaf, Philipp Fischer, and Thomas Brox. "U-net: Convolutional networks for biomedical image segmentation." International Conference on Medical image computing and computer-assisted intervention. Springer, Cham, 2015. \[3\]He, Kaiming, et al. "Deep residual learning for image recognition." Proceedings of the IEEE conference on computer vision and pattern recognition. 2016. \[4\]Berman, Maxim, Amal Rannen Triki, and Matthew B. Blaschko. "The lovász-softmax loss: A tractable surrogate for the optimization of the intersection-over-union measure in neural networks." Proceedings of the IEEE conference on computer vision and pattern recognition. 2018. \[5\]Heller, Nicholas, et al. "The state of the art in kidney and kidney tumor segmentation in contrast-enhanced CT imaging: Results of the KiTS19 challenge." Medical image analysis 67 (2021): 101821. --- https://www.mindspore.cn/news/en/2564/ --- News From Wittgenstein's Philosophy to ChatGPT # From Wittgenstein's Philosophy to ChatGPT 2023/03/13 # From Wittgenstein's Philosophy to ChatGPT **Why LLM** "The limits of my language mean the limits of my world." — Ludwig Wittgenstein Language itself and human intelligence grow together, and they are inseparable. If a foundation model can obtain information in all languages, it has all human knowledge in the pocket. Put it simply, there's no knowledge that cannot be expressed in languages. This is why large language models (LLMs) matter. **Prompt Learning and In-context Learning** Wittgenstein's philosophical view actually goes through two phases: In the first phase, Wittgenstein explored, in his _Tractatus Logico-Philosophicus_, how human beings communicate effectively. In his view, we use languages to build images of facts in our minds and describe the world. However, ambiguities are prone to occur in that we have different or even incorrect images in our minds. And it takes long to eliminate such differences. This is because human beings lack a clear and accurate image in their minds for the content to be expressed, at the same time, they often say meaningless or ambiguous words. Hence, Wittgenstein has a negative view on natural languages and points out that the natural languages are not accurate enough to describe the world. He also believes that there are many unspeakable things in the world, and these things, like ethics, aesthetics, logical forms of the world, etc, are more meaningful. "Whereof one cannot speak, thereof one must be silent," the book concluded with the lone statement. In the second phase, by contrast, Wittgenstein opposed his earlier ideas. In _Philosophical Investigations_, he points out that languages are not only related to images in our minds, but also a universal tool for expressing ideas. We can use languages to play different games, and describe the objective world as well as the subjective world such as emotion. The reason why there are so many misunderstandings is that we do not know what games others are playing. For example, if a doctor hides the diagnosis result from a cancer patient, we say the doctor's expression is inconsistent with the fact. However, given the context, this is reasonable. So, maybe ChatGPT giving "nonsensical answers" is actually caused by the inconsistent context between ChatGPT and us? That is to say, we raise a question with an assumption in our mind, while such an assumption is not learned by ChatGPT. The idea of prompt/in-context learning or reinforcement learning from human feedback (RLHF) in LLMs is similar to training ChatGPT in this way. Of course, we human beings communicate with each other with contexts involved, including facial expressions and tone of the voice. But our conversation with ChatGPT is a symbolic world, which makes it more complicated to surface these contexts. **Can LLMs Do Inference? Token-based Expression and Probability Inference** Just a few weeks ago, I still thought that LLMs performed well in a general sense. Though their analysis and inference capabilities are still insufficient, there are some good signs of artificial general intelligence (AGI) recently: (1) The difference between the two phases of Wittgenstein's views lies in that the first phase is rational constructivism, hoping to build our language systems in the same way as Chomsky's grammar to achieve accuracy or unambiguity, while the second phase is empiricism, where Wittgenstein believes that combining fact induction and inference is the right way we understand the world. As ChatGPT now stands, Noam Chomsky, an American public intellectual known for his work in linguistics, political activism, and social criticism, sees the use of ChatGPT as "basically high-tech plagiarism" and "a way of avoiding learning." (2) Personally, the reason why ChatGPT delivers poor inference capability in science and engineering is that its knowledge in these fields is not tokenized enough. I believe that if we convert sufficient resources in various fields into tokens which are suitable for LLM learning, or we tokenize the external interfaces of related knowledge bases, ChatGPT will definitely reach a high level in inference in these fields. (3) The inference capability of LLMs may be slightly different from that we understand. There is a probability in LLM inference. Compared with the traditional inference method, this inference method has its own advantages and disadvantages. Renowned mathematician Terence Tao has used ChatGPT in his mathematical practice (see https://news.ycombinator.com/item?id=35538945). ChatGPT's inference is more divergent, although uncertain, but may bring creativity necessary to generate novel ideas. In the meantime, I personally think that because each step has a probability, multiple times of inference may magnify the error. That's why LLMs emphasize the importance of the chain of thought (step-by-step guidance). **What Is the Next Hop of LLMs** LLMs have proved its success in the world of symbols. The next step is to model the physical world and figure out how to connect the physical world to systems such as ChatGPT. --- https://www.mindspore.cn/news/en/2592/ --- News Experience Sharing | Jiang Lei: Keep Calm and Carry On # Experience Sharing | Jiang Lei: Keep Calm and Carry On 2023/02/24 # Experience Sharing | Jiang Lei: Keep Calm and Carry On This blog shares Jiang Lei's experience in the project \[KubeEdge-Sedna Integration with MindSpore\] of Open Source Promotion Plan (OSPP). 1\. Project Introduction (1). Project Name KubeEdge-Sedna Integration with MindSpore (2). Project Developer Jiang Lei (3). Project Mentor Liu Weilong (4). Project Requirements ● Integrate KubeEdge-Sedna with MindSpore. ● Implement the incremental learning demo based on MindSpore. ● Make a proposal for integrating KubeEdge-Sedna with MindSpore. (5). Project Related Links Project details: https://summer-ospp.ac.cn/#/org/prodetail/2298a0083 Issue: https://github.com/kubeedge/sedna/issues/307 Proposal Pull Request: https://github.com/kubeedge/sedna/pull/341 Implementation Pull Request: https://github.com/kubeedge/sedna/pull/376 Project demonstration replay @KEAW'22 \[Bilibili\]\[4\]: https://www.bilibili.com/video/BV12W4y1p7sf (6). Project Achievements Jiang Lei won the 2022 Most Promising award from the KudeEdge community and the 2022 Excellent Student of OSPP among 350 students for his accomplishments in the project. As a beginner in Sedna, MindSpore, and KudeEdge, Jiang Lei demonstrated strong learning abilities and a diligent work ethic. He actively reported his progress and sought guidance from his mentor to overcome any confusion. This helped him successfully design an incremental learning sample based on MindSpore and Sedna that met the end-to-end running requirements of KubeEdge. The project outcome was integrated into the KubeEdge-Sedna distributed collaborative AI framework. Jiang Lei also shared his experience in Zhihu (Chinese Quora) with a post titled _KubeEdge-Sedna Setup Guidance—Building an Edge-Cloud Application_\[5\]. Furthermore, he intends to integrate TinyMS. 2\. Project Development **Solution of KubeEdge-Sedna Lib Integration with MindSpore** PR link: https://github.com/kubeedge/sedna/pull/341 Figure 1 Sedna lib framework Before running a model, you need to build an Estimator class that encapsulates a series of functions for model training, inference, evaluation, and saving. When the model invokes the incremental learning APIs provided by Sedna, Sedna lib performs a series of initialization operations. The lib initializes the incremental learning job first. When the **set\_backend()** function identifies the specific framework type, it initializes the backend of the specific framework. To integrate MindSpore, perform the following steps: 1\. Implement the backend corresponding to the framework, which is used to parse some special parameters of a specific framework. 2\. Identify the corresponding framework in **set\_backend()**. **Incremental Learning Demo Based on MindSpore** PR link: https://github.com/kubeedge/sedna/pull/376 Figure 2 Components required by the demo This demo implements the task of classifying dogs and croissants based on MobileNetV2. MobileNetV2 employs depthwise separable convolution, significantly reducing its parameters and allowing for faster training and inference on CPUs. This enables rapid completion of the training process in the demo. (1) Before building a demo, you need to commission the model locally to ensure that it can run properly. Before running the model, build an Estimator class that encapsulates a series of functions for model training, inference, evaluation, and saving, so as to call incremental learning APIs provided by Sedna lib. To simulate the Kubernetes environment locally for debugging, you can use the **Run/Debug Configuration** of your IDE to set environment variables that match those in a container. (2) Use **mindspore/mindspore-cpu:1.7.1** as the base image to create a Docker environment that supports Sedna and model running. Then, deploy the dataset, initial model, model, and custom resources for incremental learning defined by Sedna. At this time, the pod required by the incremental learning demo is running. You can run the **kubectl get pods -n sedna** command on the cloud to view the pod status or view container logs on the edge to obtain more detailed information. Here, a cluster consisting of two nodes is used as an example. **lenovo** indicates a cloud node, and **node01** indicates an edge node. When the demo is properly deployed on the cloud node, the following pod information is displayed: In Sedna, the training phase of incremental learning requires new data and certain conditions to be met. For example, the demo specifies that training can only begin when there are at least 50 samples in the dataset. When deploying the dataset's CRD, you can specify its URL on the host and add data to the file to meet the conditions for triggering training. If you increase the size of the dataset on **node01**, you can find that training is triggered by viewing lc logs. Starting the training: Training container logs of **node01**: Evaluate the accuracy of the trained and deployed models: According to the evaluation container's results, the accuracy of the incrementally trained model does not meet the deployment requirements when compared with the running model. As a result, Sedna will not update the model until a new round of incremental training meets the deployment requirements. 3\. Interview (1). Participation in OSPP OSPP: Could you please introduce yourself briefly and share your experience with open source? Jiang Lei: Before discovering OSPP, I used to search for open source projects organized by communities and student organizations on GitHub, where I also uploaded my course projects and demos. However, OSPP provided me with the opportunity to learn how to contribute to an open source project from the start. OSPP: How do you know OSPP? Jiang Lei: One of my friends recommended OSPP to me, and I've paid attention to this activity since 2021. OSPP: You won the Most Promising and Excellent Student awards at OSPP 2022. Do you have any experiences you'd like to share? Jiang Lei: When encountering difficulties during project development, I often reflect on my own before discussing with my classmates and mentors. This helps me with my development work. OSPP: You've already had rich project experience during school. Is this helpful to the project you participated in? Jiang Lei: The projects I participated in before were common, while OSPP is highly valuable. Additionally, by joining OSPP, I've met many students and mentors from different schools and industries. (2). Participation in the Open Source Community OSPP: Is there any impressive experience during the project? How does the community and mentor help you? Jiang Lei: Developing the demo was challenging for me because I was not familiar with incremental learning and MindSpore. However, when I asked questions in the community communication group, teachers always provided precise answers to help me build the demo framework. Additionally, my mentor, Mr. Liu Weilong, greatly assisted me in selecting demo tasks and MindSpore APIs. (3). Gains and Suggestions OSPP: OSPP aims to nurture and identify outstanding developers. Did you have any unexpected gains through participating in this program? Jiang Lei: My most unexpected gain was learning about various learning paradigms in cloud native + AI, particularly lifelong learning. I plan to continue exploring this topic in the future. OSPP: The OSPP 2023 is coming. Do you have any suggestions to the participants? Jiang Lei: OSPP provides a good opportunity to participate in the development of open source community projects. I hope that all participants take each project seriously and work diligently to complete it. 4 Summary In May, when I was browsing projects on the OSPP official website, I was a junior student with only basic knowledge of deep learning and no specialized knowledge in any particular domain. After careful consideration, I chose the Sedna sub-project of the KubeEdge community. On one hand, I joined a small project that ran mask detection algorithms on edge devices and learned about edge computing. On the other hand, after fully understanding cloud native + AI, I discovered that there were many practical services and requirements in this area, which could greatly expand the capabilities of edge computing projects. The coding process didn't take long, with almost 70% of the time spent on learning and debugging. Through this project, I gained a basic understanding of the "cloud native edge computing" concept proposed by Kubernetes KubeEdge. The Sedna sub-project is truly powerful. Additionally, I saw many high-quality projects created by postgraduates and doctoral students and met many prominent figures in the KubeEdge community. That concludes the introduction to Jiang Lei's project. If you're interested in learning more about the project details, please watch the demo video from the KEAW'22 academic seminar. More cases will be integrated into KubeEdge-Sedna, so stay tuned! Reference \[1\] KubeEdge: https://github.com/kubeedge/kubeedge \[2\] KubeEdge-Sedna: https://github.com/kubeedge/sedna \[3\] KubeEdge-Ianvs: https://github.com/kubeedge/ianvs \[4\] KubeEdge-Sedna Integration with MindSpore \[Project Demonstration\] KEAW'22: https://www.bilibili.com/video/BV12W4y1p7sf \[5\] KubeEdge-Sedna Setup Guidance—Building an Edge-Cloud Application: https://zhuanlan.zhihu.com/p/572681911 --- https://www.mindspore.cn/news/en/2594/ --- News Idea Sharing | Unsteady Aerodynamic Surrogate Model and Its Application in High-Lift Devices # Idea Sharing | Unsteady Aerodynamic Surrogate Model and Its Application in High-Lift Devices 2023/03/06 # Idea Sharing | Unsteady Aerodynamic Surrogate Model and Its Application in High-Lift Devices **Background** Traditional aerodynamic design focuses on the aerodynamic characteristics of aircraft in stable airflow, in other words, the aerodynamic force in a steady state. However, turbulence, vortex, and the movements of aircraft components cause the unsteady aerodynamic force to change over time, exhibiting strong nonlinearity and hysteresis. This has become a crucial area of study in fluid dynamics research. Early unsteady aerodynamic modeling was mainly based on simplified potential flow theory and vortex theory, and involved derivations of experience formulas, ordinary differential equations or integral equations. With a large amount of fluid data being recorded, data-driven models like the ONERA and Beddoes-Leishman models have emerged as a replacement for the traditional unsteady surrogate model. These models incorporate experimental data to correct the traditional model in scenarios where the focus is on stall at high angles of attack (AOA). From a data perspective, the step output of unsteady aerodynamic at a specific moment is related to historical values, and the response of the flow field is both lagging and nonlinear. Based on this, researchers have proposed an autoregressive-exogenous model (ARX) that incorporates external input to predict the response of aerodynamic forces in the time domain. Cowan et al. have successfully applied the autoregressive moving average (ARMA) model to predict the flutter boundary of a wing and the aeroelastic response of a hypersonic aircraft. Zhang et al. used an ARX-based aeroelastic model to study unsteady aeroelastic deformation of a wing at a high AOA. They also proposed aeroelastic modeling and optimization techniques for arbitrary structures. The fitting capability of neural networks is also applied in unsteady aerodynamics. For regular changes, Tatar et al. used Fourier transform and multilayer perceptron (MLP) to extract and fit the damping derivative in high AOA aircraft motions, establishing the aeroelastic reduced order model (ROM). In the time domain, researchers are exploring the use of historical output of a surrogate model within a certain period of time as part of the input vector to predict unsteady aerodynamic force over time. The traditional neural network's feed-forward back propagation (FFBP) algorithm is still used during parameter training, with the parameter gradient being recursively calculated layer by layer based on the neural network structure. Several studies have been conducted in this area. Winter et al. used a local neural-fuzzy model (NFM) with output feedback to perform multi-step forward prediction. They also employed an MLP neural network as a posteriori method to perform nonlinear quasi-static correction on the time series response of NFM, which enabled nonlinear identification of aerodynamic forces. Kou et al. opted for radial basis functions as the activation functions and built a ROM model using the radial basis function neural network (RBFNN). They improved the model's generalization capability by utilizing a validation set. Ren et al. further refined this approach and developed an airfoil buffet control system based on RBFNN. The LSTM neural network offers unique advantages in processing long-term historical information and is widely used in various applications such as handwriting recognition, natural speech recognition, and text-to-speech conversion. In the field of unsteady aerodynamic surrogate modeling, Mohan et al. proposed a reduced-order modeling method for turbulence control using Proper Orthogonal Decomposition (POD) and LSTM network. This method shows great potential in modeling turbulent transient dynamics. Furthermore, in aeroelastic modeling, unlike traditional ROM, the LSTM network does not require delay order selection and is suitable for simulating the unsteady aerodynamic delay effect. It accurately captures the aeroelastic system dynamics of oscillating airfoil under different flow and structural parameters. **Turbulence Prediction Method Based on LSTM** The activation process of the two-dimensional high-lift device is shown in the following figure. We propose using the history of the aerodynamic coefficient, the deflection angle and deflection speed of the control airfoil as the model input, and using the lift coefficient and static stability margin as the neural network output. Based on this, we come up with the following structure of the unsteady aerodynamic surrogate model: **LSTM Neural Network Surrogate Model** After adjusting hyperparameters such as the LSTM layer and fully connected layer, an optimal performing neural network model is obtained. The following figure displays prediction results for four calculation examples in the test set. During the activation of the high-lift device, the surrogate model accurately predicts the aerodynamic coefficient. **References** \[1\]https://arxiv.org/search/physics?searchtype=author&query=Mohan,+A+T --- https://www.mindspore.cn/news/en/2596/ --- News Implementing Efficient Computation of Matmul for Accelerated MindSpore Network Inference # Implementing Efficient Computation of Matmul for Accelerated MindSpore Network Inference 2023/03/01 # Implementing Efficient Computation of Matmul for Accelerated MindSpore Network Inference **1 System Environment** Hardware environment: Ascend/GPU/CPU MindSpore version: any version Execution mode (PyNative/Graph): any mode Python version: 3.7/3.8/3.9 OS platform: any OS **2 Error Information** 2.1 Error Description When training a network using MindSpore, it is found that the network inference time is relatively long and requires optimization. 2.2 Error Message The Profiler analysis shows that most of the time is spent on the Matmul matrix multiplication at the fully-connected layer. 2.3 Script Code Construct the code based on the description. **3\. Root Cause Analysis** According to the error message, the primary cause for slow training is the Matmul matrix multiplication. When dealing with computationally intensive operators, using float32 precision takes longer than using float16 precision. To speed up computations and save time, you can convert the precision type to float16 before performing the computation, and then convert it back to float32 once the computation is complete. Test the custom code and multiply the values to check the running time difference. `import numpy as np import mindspore.nn as nn from mindspore.ops import operations as ops import mindspore as ms import time ms.set_context(mode=ms.GRAPH_MODE, device_target="GPU") class Net(nn.Cell): def __init__(self): super(Net, self).__init__() self.matmul = ops.MatMul(transpose_b=True) def construct(self, x, y): return self.matmul(x, y) x = ms.Tensor(np.arange(10240*10240).reshape(10240, 10240).astype(np.float32)) y = ms.Tensor(np.arange(10240*10240).reshape(10240, 10240).astype(np.float32)) net = Net() # print(net(x, y)) # Timing a = time.time() output = net(x, y) time32 = time.time() - a # print(output) print(output.shape) print (time32) net2 = Net() # Type conversion x2 = ms.Tensor(x, dtype=ms.float16) # Timing b = time.time() output = net(x, y) time16 = time.time() - b # print(output) print(output.shape) print (time16)` The output shows that using float16 is several times faster than using float32. **4\. Solution** Convert the precision type to float16 before performing the computation, and then convert it back to float32 once the computation is complete. This accelerates the computation. According to the error message, we can locate the error at the fully-connected layer. After conducting computation tests at this layer, we can find that the computation speed is improved by approximately 50 times following the conversion of data types. `import numpy as np import mindspore.nn as nn from mindspore.ops import operations as ops import mindspore as ms import time ms.set_context(mode=ms.GRAPH_MODE, device_target="GPU") x = ms.Tensor(np.arange(10240*10240).reshape(10240, 10240).astype(np.float32)) net = nn.Dense(10240, 60) # Timing a = time.time() output = net(x) time32 = time.time() - a # print(output) print(output.shape) print (time32) net2 = nn.Dense(10240, 60) # Type conversion x2 = ms.Tensor(x, dtype=ms.float16) # Timing b = time.time() output = net(x) time16 = time.time() - b # print(output) print(output.shape) print (time16)` Acceleration: nearly 2.15/0.04 = 50 times For details, see the official documents. https://www.mindspore.cn/docs/en/r2.0.0-alpha/api\_python/mindspore.html https://www.mindspore.cn/docs/en/r2.0.0-alpha/api\_python/nn/mindspore.nn.Dense.html --- https://www.mindspore.cn/news/en/2597/ --- News Join MindSpore Special Interest Groups for AI Fluid Simulation Development # Join MindSpore Special Interest Groups for AI Fluid Simulation Development 2023/03/01 # Join MindSpore Special Interest Groups for AI Fluid Simulation Development Computational Fluid Dynamics (CFD) is fundamental to the research and development of aerospace, marine equipment, energy, and power. However, it faces several challenges and bottlenecks. For instance, the mesh generation for fluid dynamics is complex and cannot be fully automated at complex boundaries. Simulations rely on complex iterative computations, whose speedup is limited during parallel computing. It is also challenging to solve high-dimensional equations while maintaining both precision and performance. These challenges present new opportunities for AI to penetrate scientific computing. AI methods do not rely on mesh generation. Instead, they have inherent parallel inference capabilities and can deliver computing results without going through iterative computing. AI methods are quick in learning the laws of physics and presenting results through inference, while striking a satisfactory balance between precision and performance. Major companies such as Google and NVIDIA have already started applying AI to fluid dynamics research. Unlike the computer vision (CV) and natural language processing (NLP) fields, where there are stable and user-friendly model libraries and communities, the AI fluid dynamics field lacks such resources. This makes it difficult for algorithm researchers to experiment with algorithms and for application developers to train and deploy models. Therefore, the establishment of the MindFlow Special Interest Group (MindFlow SIG) and the invitation for like-minded partners from the open source community to join, is aimed at promoting the development of fluid dynamics research, as well as facilitating the application and innovation of AI. This can be achieved by creating an open, user-friendly, and efficient AI fluid dynamics library and communication community. **1\. Introduction to MindFlow SIG** The SIG is dedicated to MindSpore Flow, leveraging its advantages to enhance the functionality of the toolkit, grow the community ecosystem, and deliver efficient and user-friendly AI computational fluid simulation tools to researchers, educators, and students. It also serves as a platform for collaboration and communication among influential and interested individuals. **2\. Our Mission** Our focus is on applying AI in fluid dynamics and exploring multiple AI fluid dynamics simulation paradigms, including physics-based simulation, data-driven simulation, and data and mechanism integrated simulation. The goal is to build a simple and efficient AI+fluid computing framework that supports research in AI flow fields for aerospace, marine hydrodynamics, energy, and power. The MindFlow SIG has the following key tasks: **2.1 Physics-based AI Fluid Simulation** Physics-based AI fluid simulation involves incorporating a physics equation into a neural network's loss functions to train the equation and ensure that the learning outcome adheres to the laws of physics. This module is mainly used for solving partial differential equations (PDEs), data fusion inverse problems, and data assimilation. MindSpore Flow currently offers common boundary and initial condition setting methods, sampling methods, and loss function construction to solve and optimize classical fluid dynamics problems. **2.2 Data-driven AI Fluid Simulation** Data-driven AI fluid simulation relies on a large amount of fluid simulation data. A delicately designed neural network can mine the laws of physics between data samples, enabling efficient, parallel, and fast inference. In addition, neural operator learning, such as Fourier neural operator (FNO) and deep operator network (DeepONet), has a certain parameter generalization capability. This module is suitable for scenarios that require quick inference and parameter space design optimization with a large amount of labeled data. Currently, MindSpore Flow offers network models like Vision Transformer (ViT) and FNO, which can solve classical fluid flow problems (e.g., Burgers' equation) and engineering flow problems. **2.3 Data and Mechanism Integrated AI Fluid Simulation** The data and mechanism integrated AI fluid simulation, represented by PDE-Net, can accurately predict the dynamic characteristics of complex systems by learning partial differential equations from data. PDE-Net is particularly used in scenarios where there are limited scientific data samples and the control equation is known. The built-in flow field equation information reduces the data volume required by the neural network and improves the network generalization. Additionally, coupling differentiable Computational Fluid Dynamics (CFD) solver with neural networks enables AI correction, AI frame interpolation, and AI super-resolution. Currently, MindSpore Flow offers the basic capability of PDE-Net, which can solve classical fluid flow problems. **2.4 Differentiable CFD Solver** Fluid simulation software mainly solves the control equation of fluid dynamics in a computer using numerical methods. This allows for the analysis, prediction, and control of fluids, making it a valuable tool in industries such as aerospace, ship manufacturing, energy, and power. The differentiable CFD solver, based on MindSpore Flow, offers several advantages, including Just-in-time (jit) compilation, Vectorised Object Mapping (vmap) automatic vectorization, Autograd end-to-end automatic differentiation, and support for various hardwares. **3\. Framework and Code Repository** MindSpore Flow is a collection of fluid simulation tools developed on the MindSpore platform. It enables AI-based flow field simulations in aerospace, marine hydrodynamics, energy, and power. Its goal is to offer efficient and user-friendly AI computing fluid simulation software to researchers, engineers, teachers, and students in the industry. MindSpore Flow offers a range of common functions, including physics-based simulation, data-driven simulation, and data and mechanism integrated simulation. **4\. Our Plan** **4.1 Early Stage** We will host academic communication for members, providing references for the evolution and improvement of MindSpore Flow's functions. Specifically, we will organize one large and several small activities each year, as well as a campus activity every quarter. Additionally, the SIG will hold a major summer school activity annually, inviting core experts and teachers to teach on various topics for multiple days. The team teacher will guide members in conducting scientific and technological research, expanding code repository functions, and fixing bugs. Members can also utilize the MindSpore Flow software for their own research and development. The group will release open source internships and crowd intelligence tasks in the community for students and teachers to participate in. **4.2 Later Stage** We will carry out collaborative research within the community through cooperative development and other modes to facilitate the implementation of a wider range of applications. **5\. Organizational Structure** Team members: Maintainer: hsliu\_ustc, MindSpore Senior Engineer Maintainer: zwdeng, MindSpore Senior Engineer Maintainer: Yi\_zhang95, MindSpore Senior Engineer Member: hong-ye-zhou, MindSpore Senior Engineer Member: Bokai Li, MindSpore Engineer Member: liulei277, MindSpore Engineer Member: yangge\_nihilism, MindSpore Engineer Member: haojiwei, postgraduate student at Beihang University Member: Li Zhengyi, doctoral student at Peking University Member: Li Zhuoyuan, doctoral student at Peking University Member: Ye Zhanhong, doctoral student at Peking University Member: Wang Qi, doctoral student at Renmin University of China Member: Lei Yuxiang, undergraduate at Wuhan University MindFlow SIG Calls for You. SIG repository: https://gitee.com/MindSpore/community/tree/master/sigs/mindflow Code repository: https://gitee.com/mindspore/mindscience/tree/master/MindFlow The MindSpore Community warmly invites industry experts and academic partners to establish special interest groups (SIGs) within the community. Let's work together to cultivate a technical identity within the field and foster an open-source MindSpore ecosystem. The MindSpore community has established dozens of SIGs to create an open communication platform for experts, professors, students, and enthusiasts in the field. The purpose is to promote technical exchange and academic communication through activities such as meetings and project development, and to enhance the influence and technological capabilities of SIG members. --- https://www.mindspore.cn/news/en/2618/ --- News Code Dreams: A Journey from Obscurity to Success # Code Dreams: A Journey from Obscurity to Success 2023/06/27 # Code Dreams: A Journey from Obscurity to Success In the hustle and bustle of the city, people chase after their livelihoods and dreams. Among them is Zhou Yifeng, an independent developer and MindSpore mentor. Actively participating in the open source community, he is skilled in compiling code, locating bugs, and guiding inexperienced developers. Through tremendous hard work, he has won many awards in related competitions. But his success was not a piece of cake. It was Zhou's struggle with life and persistence in pursuing his dreams that transformed him from obscurity into a successful code developer. **Rising from Obscurity** "I'm an independent developer, but also runs errands to make ends meet." Zhou says. His journey to becoming a developer started in secondary school when he discovered programming on an app and became interested in it. He decided to major in software engineering and worked hard to learn the necessary skills, and participated in various programming competitions. However, due to poor health and other circumstances, he dropped out of the secondary school and later attended a vocational school. Despite his impressive programming skills and awards from provincial and national competitions, Zhou struggled to find stable employment due to his lack of formal education and physical limitations. After graduating from the vocational school, he tried to find a job at an enterprise but failed. To support himself, he began running errands. But his passion for programming never faded, and it continued to inspire him like a small flame illuminating his path forward. In his free time, he continued to learn and improve his technological knowledge. Four years ago, Zhou discovered deep learning and was immediately captivated. However, learning it was no easy feat as it required both professional knowledge and hardware resources. Despite the lack of incentives and recognition, Zhou persevered in his studies and soon discovered the MindSpore open source community. In June 2020, he participated in a model porting competition based on MindSpore papers and successfully ported a model for the first time. From then on, he became a fan of MindSpore due to its usability, even though it had only been released for less than three months at the time. "MindSpore has many new features, and I prefer its support for both dynamic and static graph modes." Zhou says in excitement, "After joining the MindSpore community, I was given many opportunities to use its hardware resources. MindSpore supports not only GPUs but also Ascend AI Processors. During the competition, I used the Ascend 910 AI Processor, which was faster at training the ported DenseNet model than the V100 GPU. And at the time, the A100 GPU had not even been launched yet. Most importantly, I have a lot of opportunities to communicate with and learn from official staff in the MindSpore community. This experience I rarely had in communities of foreign frameworks." Despite the challenges and setbacks he has faced, Zhou remains determined to continue learning about technologies and participating in MindSpore and other communities in pursuit of his dream. **Keeping Going to Realize His Dream** Zhou continues to run errands to support himself, but he now devotes more time to learning professional technologies and participating in AI competitions and activities. "Though I'm an errand boy, I place a high value on professional skills. By taking part in competitions like those organized by MindSpore, I not only improve my abilities but also have the chance to win prizes and bonuses. This helps to ease the financial burden of life and allows me to spend less time running errands." But why does Zhou Yifeng choose MindSpore? He says that compared with other open source communities, the MindSpore community is more active and frequently organizes activities and competitions with bonuses or assigns tasks to attract and nurture developers. Additionally, the community has provided Zhou with significant support, including access to computing power and technical assistance. Furthermore, the community has established different SIGs to facilitate communication and learning among developers based on their specific interests and concerns. As he learns from the MindSpore community, Zhou also has made significant contributions, including fixing bugs, submitting pull requests (PRs) and open source code, and mentoring beginners. In 2022, he even served as a MindSpore mentor for the Open Source Promotion Plan (OSPP), guiding students in completing their projects. "This was a valuable opportunity for both my students and me, and it also benefited the open source community," he says. Understanding the challenges of balancing technology learning with making a living, Zhou is committed to helping others. Joining the MindSpore community has opened up new possibilities for him. As an accomplished AI developer, he can now realize his potential and look forward to a bright future instead of just doing odd jobs. **Power of Persistence** Persistence is normally the beginning of success. Over the past three years, he has ported and reproduced various models, including DenseNet, PDarts, FishNet, OSVOS, EfficientNetV2-S, AutoDis, MMoE, BiT, and Ultra-Fast-Lane-Detection. He has adapted these models for use with GPUs or Ascend and made their code available through the OpenI community, Huawei Cloud AI Gallery, or the models repository. Zhou has also assisted with the efficient inference and deployment of MindSpore models in the Ascend environment, such as RetinaFace for object detection and YOLOv4 for pet recognition. He even attempted to deploy RetinaFace in a CPU environment, though it was successfully deployed in the MindSpore foundation model. Despite facing challenges caused by his ill health, Zhou remains determined. "As long as I focus on AI deep learning and address problems while insisting on what I can do, I believe that I can gain more in the future," he says. From a delivery boy to promising developer, now Zhou Yifeng is one of 377 official mentors recognized by the MindSpore community. **Growing with Developers** At the 2023 AI Framework Ecosystem Summit, Ding Cheng, director of the MindSpore open source community, emphasized the importance of talent support for the growth of China’s AI industry. He stated that the AI framework is a crucial tool for developers and that MindSpore is dedicated to cultivating AI talent. Since its inception, the MindSpore community has been committed to these goals and has developed a growth path for developers. In recognition of the importance of developers and technologies, MindSpore released China's first developer and mentor certification system for the AI open source community. The MindSpore community offers a comprehensive program to support developers at different stages of their growth. In the entry-level phase, the community provides tutorials and courses, and partners with universities to introduce students to MindSpore. In the practice phase, developers can improve their skills through internships, projects, and competitions. In the research and innovation phase, the community offers academic incentives and computing power support to encourage original scientific research. MindSpore has established partnerships with over 210 universities and research institutes worldwide, including all C9 universities. Through these partnerships, MindSpore has trained 2,500 teachers and over 200,000 students. In the area of scientific research and innovation, MindSpore has collaborated with more than 290 top research teams globally and has published over 900 MindSpore-based papers at AI conferences, ranking first in China and second in the world. As an open and inclusive AI community, MindSpore provides a foundation for innovation for developers, who in turn support and expand the community. By the end of May 2023, the MindSpore community had over 4.74 million downloads, 13,000 contributors, 5,500 enterprises served, and 400 open source models. The MindSpore community is considered one of the most innovative and dynamic AI open source communities, attracting a growing number of developers to learn cutting-edge AI technologies and pursue their dreams. --- https://www.mindspore.cn/news/en/2661/ --- News MindSpore SPONGE Suite Accelerates NMR Dynamic Structure Analysis of Proteins by 10 Times # MindSpore SPONGE Suite Accelerates NMR Dynamic Structure Analysis of Proteins by 10 Times 2023/06/21 # MindSpore SPONGE Suite Accelerates NMR Dynamic Structure Analysis of Proteins by 10 Times Recently, working with teams of professors Gao Yiqin, Tian Changlin, and Wang Shenlin, Huawei has developed the iterative folding assisted peak assignment (FAAST) method of nuclear magnetic resonance (NMR) based on the Ascend AI base software and hardware platform and MindSpore AI framework. The biocomputing suite MindSpore SPONGE cuts the time for NMR data analysis from months to hours, improving the efficiency by more than 10 times. Proteins are the main bearers of life activities. Obtaining protein structures is an indispensable link in modern drug R&D processes. Since drugs generally combine with target proteins in a solution environment, the solution (dynamic) structure of proteins is key to drug R&D and life activity research. Rhodanese domain of protein YgaP Solution structure (left) by NMR and crystal structure (right) by X-ray Existing calculation methods for protein structures, such as MEGA-Fold and AlphaFold, are mainly used to predict a single conformation\[1\]\[2\]. It is difficult to tackle the error when the model prediction is inconsistent with the experimental information. Challenges, including how to use AI models to assist structure analysis in experiments and how to apply signals to improve structure prediction precision, are still looming. NMR is the only method that parses, with atomic resolution, the solution conformation and dynamic structure of proteins, which are close to the real situation\[3\]. However, this method is slow. On average, experts need to invest months in analyzing a single band of protein, and the analysis and attribution of experimental data takes the majority of time. To improve the speed and accuracy of NMR data analysis, Huawei has cooperated with teams of professors Gao Yiqin (Changping Laboratory, Biomedical Pioneering Innovation Centre (BIOPIC) of Beijing University), Tian Changlin (University of Science and Technology of China, High Magnetic Field Laboratory of the Chinese Academy of Science), and Wang Shenlin (State Key Laboratory of Bioreactor Engineering of East China University of Science and Technology). Based on Ascend AI and MindSpore, FAAST\[4\] is developed to automatically parse NMR data (NOESY spectrum), shortening the required time from months to hours. Related code has been open-sourced in the MindSpore SPONGE code repository on Gitee\[5\]. NMR data analysis process of existing methods FAAST NMR data analysis process FAAST Experiment Group Data Analysis Duration (Min) Number of Restraints Structure vs. Restraint Compliance Rate Structural Ensemble Mutual RMSD Number of Restraints Structure vs. Restraint Compliance Rate Structural Ensemble Mutual RMSD Mean 33.10 1640 0.995 0.913 1030 0.991 0.715 2HEQ 23.97 859 0.987 1.530 503 0.996 0.437 2K1S 42.70 2012 0.996 0.670 1077 0.995 0.790 2KBN 31.73 1343 0.992 0.670 1034 0.991 0.489 2KIF 24.54 1467 0.999 0.190 1837 0.986 0.559 2L06 50.50 2413 0.995 0.860 1293 0.989 1.055 2L7Q 35.82 2078 0.998 0.950 869 0.993 0.870 2LK2 22.41 1308 0.999 1.520 599 0.985 0.806 The FAAST method integrates AI into a restraints-assisted structure predictor (RASP), which can generate protein structures that meet the structural restraints measured by NMR experiments. Based on the RASP model, FAAST can implement interactive iteration of data analysis and structure prediction, automatically parse NMR data, and obtain dynamic protein structures and structure restraint information. NMR data analysis time is greatly shortened without compromising the analysis precision, which is at the same level as that of domain experts. Analysis precision comparison Comparison of time consumption in each phase of NMR methods The FAAST method greatly reduces the threshold for analysis NMR experimental data. Experts are freed from the demanding task of analysis, and can focus on experimental design and biological analysis of the obtained structure, promoting innovations in life science research and drug R&D processes. Boya distinguished professor Tang Chun, a researcher from the Center for Life Sciences, believes that the work can introduce not only NMR experimental restraints into structural prediction. For example, chemical cross-linking coupled with mass spectrometry (CXMS)\[6\] and fluorescence resonance energy transfer (FRET)\[7\] can be used as distance restraints complementary to each other to optimize protein structures. Therefore, the method developed by Gao Yiqin's team can also be widely used in integrative structural biology. \[1\] Jumper J, et al. Highly accurate protein structure prediction with AlphaFold. Nature. 2021 Aug;596(7873):583-589. doi: 10.1038/s41586-021-03819-2. Epub 2021 Jul 15. PMID: 34265844; PMCID: PMC8371605. \[2\] Liu S, Zhang J, Chu H, et al. PSP: million-level protein sequence dataset for protein structure prediction\[J\]. arXiv preprint arXiv:2206.12240, 2022. \[3\] Lutomski CA, El-Baba TJ, Robinson CV, Riek R, Scheres SHW, Yan N, AlQuraishi M, Gan L. The next decade of protein structure. Cell. 2022 Jul 21;185(15):2617-2620. doi: 10.1016/j.cell.2022.06.011. PMID: 35868264. \[4\] Liu S, Chu H, Xie Y, et al. Assisting and Accelerating NMR Assignment with Restrainted Structure Prediction\[J\]. bioRxiv, 2023: 2023.04. 14.536890. \[5\] https://gitee.com/mindspore/mindscience/tree/master/MindSPONGE/applications/research/FAAST \[6\] Stahl, K., et al., Protein structure prediction with in-cell photo-crosslinking mass spectrometry and deep learning. Nat Biotechnol, 2023. \[7\] Tang, C. and Z. Gong, Integrating Non-NMR Distance Restraints to Augment NMR Depiction of Protein Structure and Dynamics. J Mol Biol, 2020. 432(9): p. 2913-2929. --- https://www.mindspore.cn/news/en/2663/ --- News Zidong Taichu 2.0: A Great Leap in Exploring General AI # Zidong Taichu 2.0: A Great Leap in Exploring General AI 2023/06/30 # Zidong Taichu 2.0: A Great Leap in Exploring General AI At the 2023 Artificial Intelligence Framework Ecosystem Summit, Xu Bo, director of the Institute of Automation, Chinese Academy of Sciences (CASIA), announced the launch of the full-modality foundation model—Zidong Taichu 2.0, and displayed its powerful functions, such as music understanding and generation, 3D scene navigation, signal understanding, and multi-modal dialogue. (Xu Bo at the 2023 Artificial Intelligence Framework Ecosystem Summit) Zidong Taichu 2.0 is an upgrade from Zidong Taichu 1.0, a multimodal foundation model containing hundreds of billions of parameters. In addition to audio, image, and text modalities, modal data such as videos, signals, and 3D point clouds is added to the new version, making a breakthrough on key unified multimodal association technologies such as cognitive enhancement, due to its superb capabilities of comprehension, generation, and association. Cognitive Capability Is a Key for Full Modality Since 2019, the Chinese Academy of Sciences (CAS) has started the development on multimodal foundation models based on the research and application of single-modal foundation models in the audio, text, and image fields. In 2021, CAS officially released Zidong Taichu 1.0, advancing AI from having a single specialization and capability to processing multiple specializations and capabilities. According to Xu Bo, multimodal capabilities are essential for human learning and interaction, to achieve a higher level of intelligence. As a result, Zidong Taichu has always prioritized the multimodal technical approach at the very beginning. "As Zidong Taichu 1.0 is continuously applied, many new requirements are arising. For example, in industrial intelligence, many parameters such as temperature, humidity, pressure, and liquid level measurements need to be processed. In medical scenarios, structured data from medical examinations and heterogeneous medical image data need to be processed. By analyzing both structured and unstructured data, it becomes clear that only when data is cognitively collected and analyzed can we truly progress towards an intelligent society. This allows us to perceive and transform the world in broader and more advanced ways." Xu Bo stated. Therefore, Zidong Taichu 2.0 is fully upgraded by leveraging the cognitive capability. From a technical architecture standpoint, it allows for full-modality open access to both structured and unstructured data. It also achieves breakthroughs in multimodal grouping cognitive encoding/decoding technologies and cognitive enhancement of multi-modal association technologies, greatly improving its multimodal cognitive capability. Resources Integrating to Explore the Industrialization of General AI At the conference, Xu Bo demonstrated Zidong Taichu's capabilities of illustrating the Beethoven's story through _Moonlight Sonata_, accurately positioning in three-dimensional scenarios, and scenario analysis based on the combination of images and voices. Compared with Zidong Taichu 1.0, the 2.0 version improves decision-making and judgment capabilities and achieves a leap from perception, cognition, to decision-making. This means that in actual application scenarios, it will be able to create greater value for the industry. Xu Bo stated that this full-modality foundation model has made numerous pioneering explorations in areas such as neurosurgery navigation, legal consultation, medical multimodal diagnosis, and traffic violation image reading. Especially in medical scenarios, the neurosurgery robot MicroNeuro equipped with Zidong Taichu is able to integrate multimodal information such as visual and tactile data in real time during surgery, helping doctors make real-time inference and judgment about surgical situations. In addition, in cooperation with Peking Union Medical College Hospital (PUMCH), the strong logical inference ability of Zidong Taichu is utilized to assist the diagnosis and treatment of rare human diseases. It is also noteworthy that the Zidong Taichu foundation model is supported by algorithms developed by the CASIA, Ascend AI hardware, MindSpore AI framework, and computing power provided by Wuhan AI Computing Center. Xu Bo said: "We've been developing an open service platform based on the technical research of foundation models. Our goal is to integrate resources from industry, education, and research to build multimodal AI industry applications and explore the path towards general AI industrialization." In the near future, CAS plans to continue its exploration of integrating brain-like and game-like intelligence using the full-modality Zidong Taichu foundation model. The goal is to achieve self-evolving general AI and explore its value in various fields, contributing to the rapid growth of China’s digital economy. --- https://www.mindspore.cn/news/en/2672/ --- News MindSpore at a Glance | AI Fusion Programming # MindSpore at a Glance | AI Fusion Programming 2023/02/10 # MindSpore at a Glance | AI Fusion Programming Today, mainstream AI frameworks have been optimized in terms of functions and performance, provide rich features, and use basic frameworks with development kits to enable AI to support scientific computing and maximize its value in diverse domains. Under the premise of the convergence of mainstream frameworks, what else can we focus on besides functions and performance? A perspective closely connected to AI developers is usually overlooked: the programming paradigm. A programming paradigm is a way of categorizing programming thinking (not specific to a programming language), a logical system of programs, and a developer's view of the programming world. Common programming paradigms include object-oriented programming (OOP), procedural programming, and functional programming (FP). To develop an AI application, you need to define the neural network structure, train the neural network, and deploy the network for inference. The definition process of the neural network is highly aligned with object-oriented programming, while the large-scale training process requires the flexibility and accuracy of FP. This complex set of processes makes it difficult for a programming paradigm to cover each step. Leaving aside the traditional base suite + domain suite approach, MindSpore, as a general-purpose AI + scientific computing framework, chooses the functional + object-oriented fusion programming paradigm, which takes usability into account during network structure definition and training and supports AI modeling and scientific computing from the bottom layer. Now, let's take a look at a new feature of MindSpore 2.0: **functional + object-oriented fusion programming**. --- https://www.mindspore.cn/news/en/2674/ --- News Integrated Solution for Training and Inference of Ascend AI Foundation Models Promotes Intelligent Development # Integrated Solution for Training and Inference of Ascend AI Foundation Models Promotes Intelligent Development 2023/07/07 # Integrated Solution for Training and Inference of Ascend AI Foundation Models Promotes Intelligent Development On July 6, 2023, Ascend Artificial Intelligence Industry Summit Forum was held in Shanghai. At the Forum, Huawei and four partners jointly released the integrated solution for training and inference of Ascend AI foundation models, accelerating the application of foundation models in various industries. With the rapid development of deep learning, an increasing number of scenarios require foundation models for training and inference. However, challenges such as hardware cluster switching, underlying hardware adaptation, and fine-tuning and optimization are haunting enterprises throughout foundation model development. In addition, the traditional development mode can no longer meet the requirements of the long R&D period and high deployment threshold of foundation models. What Huawei and the four partners proposed serves as an out-of-the-box solution for addressing these challenges. In a cluster, the training and inference processes of foundation models can be seamlessly switched, facilitating foundation model training and inference for customers. In addition, the solution has a built-in foundation model inference engine, optimization tool, and operator acceleration library, which require no secondary hardware adaptation. Customers can directly use the pre-trained foundation model, and the technical threshold is lowered. Based on the basic software and hardware capabilities of Ascend AI and the advantages of partner models and platforms, Huawei embeds the algorithms and model capabilities of the four partners in foundation model training, fine-tuning, and optimization. Concerted efforts are made to jointly design, develop, launch, and continuously iterate the solution. In this way, the solution provided for customers is more comprehensive and meets requirements of various scenarios and industries. The integrated solution for training and inference of Ascend AI foundation models reshapes the development process, maximizes the value of foundation models in the industry, and helps customers better apply deep-learning foundation models. In the future, Huawei will continue to work with partners to further integrate foundation models into the industry. Efficient solutions will be provided for more industries, accelerating the application implementation of various scenarios and industries. --- https://www.mindspore.cn/news/en/2742/ --- News Growing Together with MindSpore: Zhenbang's AI Exploration Journey # Growing Together with MindSpore: Zhenbang's AI Exploration Journey 2023/06/29 # Growing Together with MindSpore: Zhenbang's AI Exploration Journey Agriculture, as the cornerstone of humanity's survival and development, is still facing difficulties such as water scarcity, irrational land use, and low productivity. With the surge of science and technology, AI technologies are developing rapidly and have been widely used in various fields, providing new ideas for solving these agricultural challenges. How to use AI technologies to improve agricultural productivity, utilize agricultural resources rationally, and improve the living quality of farmers has become a hot topic. Wang Zhenbang, a student at Wuhan University of Technology, has been dedicated to agricultural issues for a long time. In the 8th "Internet+" Competition, he used MindSpore AI technologies to facilitate plant breeding and promote the transformation and upgrade of agriculture. With the power of MindSpore in hand, Zhenbang has overcome various challenges. Now, let's follow his steps and see how he advanced on his AI development path. **01 A Millennial Developer Committed to Self-Developed Solutions** In this era full of opportunities and challenges, young developers show unlimited creativity and passion and inject new vitality into all walks of life. Supported by the guidance of his mentor, Zhenbang joined the MindSpore community and started his AI exploration. From simple operator development to model migration, he started from scratch and learned while doing during the development of each project. After accumulating a large amount of model experience in various fields, he started to summarize and integrate models in each field to form a suite for the current field, discovering errors during forward advancement and back-propagating to optimize the previously developed operators and models. Over time, Zhenbang's optimization promotes the development of the community, helping MindSpore grow stronger. During development and training, Zhenbang set his goal as "to develop an easy-to-use AI framework that belongs to our community." **02 Growing Together with MindSpore** "It's like the first flap of the butterfly's wings. It's a strong recognition that gives me great courage to advance in the journey of MindSpore." In a MindSpore community program, community experts invited Zhenbang to share his experience among university developer representatives. This was not only a simple sharing, but also an opportunity and an important node that gave him courage and strength to try and participate in a variety of projects in the community. There are many opportunities for new developers in the MindSpore community. The MindSpore community has built an end-to-end talent development system that covers learning, training, practice, and competition. It provides developers with practice courses from entry-level to professional, initiates multiple project competitions and open source internships, and carries out the OpenMind project with universities, providing comprehensive project practice opportunities. Excellent developers are invited to share their experience in the MindSpore Study Group (MSG), MindSpore SIG, and Ascend AI Developer Summit. Whether you want to study algorithm applications, optimize underlying code for high performance, or share project experience, you can always find appropriate projects in the community for in-depth research. Cultivated by Professor Xiong Shengwu, Dean of the School of Computer and Artificial Intelligence, WHUT, Zhenbang grew from a team member and leader of the CPU operator development team to the CPU operator development owner and then to a MindSpore evangelist. He participated in nine MindSpore projects, contributed 15,774 lines of code, and developed 48 GPU operators. The OpenMind project enables him to grow rapidly. Now, Zhenbang, a MindSpore evangelist, acts as a developer, user, and promoter of MindSpore. He submits pull requests to fix or optimize the MindSpore framework and shares the technical highlights with others. He is proud to participate in such a large open source project and help the community solve problems in the framework. We are glad to see that the young man with a sense of mission has slowly grown up, and he will go higher and further with bravery and enthusiasm. **03 Facilitating Agricultural Upgrade with AI** After accumulating some development experience, Zhenbang turned his focus to the development of the physical industry. Under the guidance of postdoctoral researcher Rong Yi from the Yazhou Bay Seed Laboratory, Zhenbang began the research on AI-assisted plant breeding. He found that China's agricultural field mainly relies on artificial breeding, while the international trend has developed towards the era of breeding 4.0, that is, biotechnology + AI + IT. Knowing his technical knowledge could be applied to industrial development, Zhenbang found his goal. In the "Internet+" competition, he chose to use AI to develop breeding technologies. He said, "Seeds are chips in agriculture. My goal is to cultivate our own seeds." During development, Zhenbang's team mainly uses the model repository of MindSpore to quickly build models and uses few-shot learning and Transformer technologies to process time sequence information and capture important and representative loci in the gene sequence to complete the construction of the entire model. The finished model of his team delivers 16% higher prediction accuracy than traditional breeding and gene prediction technologies, as well as significantly higher inference speed and data throughput due to model deployment on MindSpore. Zhenbang's team is undergoing long-term cooperation with BGI Group to continue polishing the project into a feasible breeding system. **04 Conclusion** As a young, excellent MindSpore developer, Zhenbang has developed basic operators and models, and then used AI technologies to provide a powerful driving force in the agricultural field. From his growth journey, we can see the enthusiasm of next-generation developers. MindSpore has been and will be accompanying the young developers to improve the community mechanism and build a MindSpore AI learning and practice platform. MindSpore will grow with the developers. --- https://www.mindspore.cn/news/en/2743/ --- News MindSpore and Tsinghua University Release a 3-Arcsecond Global Digital Elevation Model Dataset # MindSpore and Tsinghua University Release a 3-Arcsecond Global Digital Elevation Model Dataset 2023/02/06 # MindSpore and Tsinghua University Release a 3-Arcsecond Global Digital Elevation Model Dataset Recently, MindSpore, Ascend AI4Sci Lab, and Professor Huang Xiaomeng's team from the Department of Earth System Science, Tsinghua University jointly launched a super-resolution 3-arcsecond (90-meter) global digital elevation model (DEM) and the related data product. The related article has been published in _Science Bulletin_. The model is based on the Ascend AI Software and Hardware Platform and outperforms popular super-resolution models in terms of RMSE, resolution, and details. The new model is now open-sourced in the MindSpore community. High-resolution DEMs can provide accurate basic geographical data and play a vital role in research on global climate change, ocean tidal movement, and earth sphere material exchange. High-resolution global ocean DEMs, as a frontier branch of marine geology and marine surveying and mapping, provide a direct basis for understanding the tectonic movement and evolution of the seabed. However, technical limitations and surveying and mapping costs have made it expensive to obtain high-resolution global ocean DEMs. Based on 30-meter resolution NASADEM satellite images, the 450-meter resolution GEBCO\_2021 public data of the United Nations Intergovernmental Oceanographic Commission, and the high-resolution ocean topographic data of some regions, a global DEM-SRNet model has been built, and a global 3-arcsecond (90-meter) resolution global DEM product GDEM\_2022 has been developed in this study by adopting the technology combining a deep residual pre-training neural network and transfer learning. DEM-SRNet model architecture Based on MindSpore, this model reconstructs a global DEM dataset with a resolution of 90 meters (3 arcseconds). The elevation values of about 93.3 billion pixels were calculated. The team cooperates with Pengcheng Lab to conduct experiments based on MindSpore, Ascend 910 AI processor, and Huawei Cloud ModelArts. The DEM outperforms the widely used methods based on interpolation or deep learning. An average improvement in RMSE of 23.75% can be found in the GDEM\_2022 product over the traditional interpolation methods. When GDEM\_2022 and GEBCO\_2021 are compared, it is found that GDEM\_2022 has better visual and detail outputs. The super-resolution model can greatly reduce the number of sea areas or points that need to be measured, and complement the fine mapping of the seabed and the construction of global high-resolution DEM topographic maps. The 3-arcsecond (90-meter) global DEM dataset GDEM\_2022 This achievement is the first global DEM dataset with a resolution of less than 100 meters. It meets the needs of ocean sounding data in different fields and at different levels and provides important support for research on the relationship between the global land-sea gravity field and topography with different terrain complexity, exploration of the equilibrium mechanism of different land-sea tectonic units, and research on the influence of land-sea topography on ocean tidal current movement. In the future, the joint team will continue to release innovative models for marine weather forecasting, and will work with more academic and scientific research partners to jointly explore and make progress in the ocean and atmosphere fields. You can scan the following QR code to obtain the dataset for free: **References** 1\. Chen L. Deep Learning and Practice with MindSpore\[M\]. Springer Nature, 2021. 2\. Zhang, Bo, Wei Xiong, Muyuan Ma, Mingqing Wang, Dong Wang, Xing Huang, Le Yu et al. Super-resolution reconstruction of a 3 arcsecond global DEM dataset\[J\]. Science Bulletin, 2022. --- https://www.mindspore.cn/news/en/2746/ --- News Paper on MindSpore-based AI + Fluid Simulation Foundation Model Published in Top Journal # Paper on MindSpore-based AI + Fluid Simulation Foundation Model Published in Top Journal 2023/07/31 # Paper on MindSpore-based AI + Fluid Simulation Foundation Model Published in Top Journal The research paper on the **rapid prediction scheme for flow fields over 2D supercritical airfoils** has been accepted by a top fluid dynamics journal, _Physics of Fluids_. The scheme is developed by the COMAC Shanghai Aircraft Design and Research Institute based on the Ascend-based MindSpore AI framework, and has incubated the **DongFang·YuFeng model**, significantly accelerating the design of large aircraft. A team led by Dong Bin, a teacher from the School of Mathematical Sciences of Peking University, also participated in the model incubation. The model was released by Academician Wu Guanghui, chief scientist of COMAC, at the World Artificial Intelligence Conference (WAIC) held in September 2022. Related code and part of the datasets have been open-sourced in the MindSpore Flow (mindscience) code repository at Gitee\[1\]. DongFang·YuFeng, built based on the ultimate computing power of Ascend AI, is an advanced AI simulation model designed to predict flow fields over large aircraft' airfoils with high accuracy and efficiency. With the support of the MindSpore fluid simulation suite, **it has significantly enhanced its ability to simulate complex flows. Compared to traditional methods, it has reduced the time required for a single simulation to less than 1/20** and achieved an average error rate of only 0.01%, meeting industry-level standards. Prediction result of surface pressure coefficients of DongFang·YuFeng and simulation efficiency comparison In aircraft design, the drag distribution of wings accounts for approximately 52% of the overall flight drag. As a result, the shape design of wings is of utmost importance in enhancing the overall flight performance of aircraft. To achieve efficient and accurate flow field prediction for supercritical airfoils using AI, we must address several technical challenges, including uneven airfoil grid density, difficult flow feature extraction, significant changes in flow features due to variations in aerodynamic parameters or airfoil shapes, and the difficulty of prediction in shock wave areas where flow fields change sharply. We have designed a technical path\[2\] based on the AI model to address the aforementioned technical challenges, which involves constructing end-to-end mappings between airfoil geometries and corresponding flow fields in different flow states. The key steps include: (1) Design an efficient AI data conversion tool to extract features from complex boundaries and non-standard data of flow fields over airfoils, as shown in the data preprocessing module in the figure below. In this case, the regularized AI tensor data is generated by the grid transformation program of the curvilinear coordinate system, and geometric coding is used to enhance the extraction of complex geometric boundary features. (2) Use a neural network model to map the airfoil configurations and physical parameters of flow fields under different flow states, as shown in ViT-based encoder-decoder in the figure below. The input of the model is airfoil geometry information and aerodynamic parameters generated after coordinate transformation. The output of the model is the physical parameter information of flow fields, such as the velocity and pressure. (3) Train the network weights using the multi-level wavelet transform loss function. Perform further decomposition and learning on abrupt high-frequency signals in flow fields, so as to improve the prediction accuracy in areas (such as shock waves) where flow fields change sharply, as shown in the module of the loss function. Technical path of the DongFang·YuFeng model By utilizing the wall distance-related geometric coding technology and the multi-level wavelet transform loss function, DongFang·YuFeng is able to reduce the flow field-wide prediction error by 20% while increasing the flow field prediction error near shock wave areas by 50%, based on the aforementioned methods, strategies, and optimization plans. The following figure shows the reconstructed flow fields. Error correction effect after using the multi-level wavelet transform deviation This model can also serve as a pre-trained model for flow fields over 2D airfoils. Ablation experiments show that, following rapid fine-tuning and generalization of new airfoils and working conditions, only minute-level transfer learning of data from 1 to 5 flow fields is required to achieve an inference and prediction accuracy of 1e-4. As the starting point of 2D supercritical airfoil research, DongFang·YuFeng features high accuracy and high efficiency. It lays a solid technical groundwork for future exploration into 3D airfoils. In the future, AI will further empower basic research on fluid dynamics, meteorology, and oceans, showing great application prospects. **References** \[1\]https://gitee.com/mindspore/mindscience/tree/master/MindFlow/applications/data\\\_driven/airfoil/2D\\\_steady \[2\]Prediction of transonic flow over supercritical airfoils using geometric-encoding and deep-learning strategies. ZW Deng et al. Physics of Fluids 35, 075146 (2023) --- https://www.mindspore.cn/news/en/2759/ --- News PeRCNN: A New AI + Scientific Computing Achievement Published in Nature # PeRCNN: A New AI + Scientific Computing Achievement Published in Nature 2023/07/24 # PeRCNN: A New AI + Scientific Computing Achievement Published in Nature Recently, Huawei, collaborating with Professor Sun Hao's team from the Gaoling School of Artificial Intelligence, Renmin University of China, proposed a new recurrent network called PeRCNN. This physics-encoded recurrent convolutional neural network is developed based on the Ascend basic software and hardware platform and MindSpore framework. This achievement has been published in _Nature Machine Intelligence_, and its code has been open-sourced in the MindFlow code repository on Gitee\[1\]. Compared with methods such as physics-informed neural networks (PINNs), ConvLSTM, and PDE-NET, PeRCNN outperforms in model generalization and anti-noise and improves the long-term inference precision by more than 10 times, having great potential in aerospace, ship manufacturing, meteorological forecast, and other fields. The partial differential equation (PDE) plays a central role in the modeling of physical systems. However, in fields such as epidemiology, meteorological science, fluid mechanics, and biology, many underlying PDEs have not been fully discovered. Additionally, it requires a large amount of computing power to accurately calculate existing PDEs, such as the Navier-Stokes equations, which poses challenges for numerical simulation in large-scale spatiotemporal systems. At present, the advancement of machine learning provides new solutions and inversion methods for PDEs. PeRCNN model framework Current data-driven models rely on big data\[2\], which is difficult to obtain for most scientific issues and incurs explainability problems. Although PINNs\[3\] use prior knowledge to constrain model training and reduce dependency on data, their soft constraints are determined by loss functions, limiting the accuracy of final results. As a result, the pursuit of achieving results with high accuracy, robustness, explainability, and generalization in the absence of valid data remains a challenge for the academic community. With this context, Huawei and Professor Sun Hao's team developed Ascend- and MindSpore-based PeRCNN\[4\] that can accurately obtain approximate results of nonlinear PDEs. In terms of applications of reaction-diffusion equations, PeRCNN has a better effect than ConvLSTM and PINN. The PeRCNN neural network forcibly encodes the physical structure. Based on the π-convolution module designed with part of physical prior knowledge, PeRCNN implements nonlinear approximation by multiplying elements among feature maps. The physical encoding mechanism ensures that the model strictly obeys the given physical equation according to the prior knowledge. This proposed method is applied to various issues related to PDE systems, including data-driven modeling and PDE discovery, and ensures accuracy and generalization. Also, PeRCNN outperforms ConvLSTM, ResNET, PDE-NET, and DHPM in prediction and extrapolation. Another unique advantage of PeRCNN is its explainability due to the multiplication form of π-convolution. Symbolic calculation is able to further extract basic physics expressions at bottom layers from the learned model. This allows PeRCNN to be used as an effective tool to help developers accurately and reliably discover potential physical laws from imperfect and highly noisy data. Strong nonlinear phenomena such as turbulence and shock waves often occur in disciplines such as fluid mechanics, meteorology, and oceanography. Traditional numerical methods require a large number of computing resources. Currently, AI has shown great potential for problems such as aircraft flow fields and mid-term weather forecast. PeRCNN, with its strong generalization, anti-noise, and high accuracy, is poised to break computing bottlenecks in various fields. It is expected to accelerate industrial simulation and design and become a powerful new tool in the AI + scientific computing field. **References** \[1\]https://gitee.com/mindspore/mindscience/tree/master/MindFlow/applications/data\_mechanism\_fusion/PeRCNN \[2\]Yann LeCun, Yoshua Bengio, and Geoffrey Hinton. Deep learning. Nature, 521(7553):436–444, 2015. \[3\]Maziar Raissi, Paris Perdikaris, and George E Karniadakis. Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. Journal of Computational Physics, 378:686–707, 2019. \[4\]Chengping Rao, Pu Ren, Qi Wang, Oral Buyukozturk, Hao Sun\*, Yang Liu\*. Encoding physics to learn reaction-diffusion processes. Nature Machine Intelligence, 2023, DOI: 10.1038/s42256-023-00685-7 --- https://www.mindspore.cn/news/en/2760/ --- News Project Introduction | Experience in Developing MindSpore Insight, an AI-powered Visualization Tool # Project Introduction | Experience in Developing MindSpore Insight, an AI-powered Visualization Tool 2022/12/20 # Project Introduction | Experience in Developing MindSpore Insight, an AI-powered Visualization Tool **Author: Zhang Yutao | School: Zhengzhou University** **01** **Overview** MindSpore Insight is a visualized debugging and tuning tool. As a developer, I have contributed to the development of certain features of MindSpore Insight. In this blog, I will briefly introduce MindSpore Insight and the reactivity principle of the development framework Vue used in development. **02** **Introduction to MindSpore Insight** MindSpore Insight provides easy-to-use tuning and debugging capabilities for MindSpore. It records data including scalars, tensors, graphs, computational graphs, model hyperparameters, and training elapsed time in files during training, and analyzes and displays the data on visualized pages. The following figure shows the macro architecture of MindSpore Insight. Summary logs are model logs generated during model training in MindSpore. They are decoded by Python and the corresponding data is processed into APIs in JSON format. In this case, the frontend can request the APIs to display corresponding functions. For details, visit the official website at https://www.mindspore.cn/mindinsight/docs/en/master/index.html. **03** **Discussion on the Reactivity Principle of Vue 2** Vue is a JavaScript framework for building user interfaces (UIs) on the web. It is built based on standard HTML, CSS, and JavaScript, and provides a declarative, component-based programming model to help you efficiently develop UIs. Its core features include declarative rendering and reactivity. Vue can automatically track JavaScript state changes and efficiently update the DOM when changes happen. As shown in the figure below, when information in the **data** property changes, the corresponding view is automatically updated without the need for manually operating the DOM. So how does Vue know the data to be updated? This involves the implementation of reactivity principle of Vue. The Vue reactivity refers to that the view is driven by data. That is, when data changes, the view is re-rendered. The following three points need to be considered during the implementation of this process: ● Data hijacking: Track data changes. ● Dependency collection: Collect data on which a view depends. ● Notification view: When data changes, the notification view is partially updated. **3.1 Data Hijacking and Dependency Collection** **Data hijacking** refers to intercepting the behavior of accessing or modifying a certain property of an object through a piece of code, and performing additional operations or modifying the returned result. The following code explains data hijacking well. Assigning a value to the **name** property of an object (**obj**) triggers the **set** function in the **defineProperty** method, and accessing the value of the **name** property of the object triggers the **get** function. Here, the **set** and **get** functions intercept the behavior of accessing and modifying the object property, and additional operations can be written to them. This is called data hijacking. /\* Object.defineProperty(obj,prop,descriptor) **obj**: object whose property is to be defined **prop**: name of the property to be defined or modified **descriptor**: descriptor of the property to be defined or modified Output: Data hijacking set name: Jack Data hijacking get name: Jack Jack \*/ const obj={} Object.defineProperty(obj,"name",{ get(){ console.log("Data hijacking get name :",nameVal); return nameVal; }, set(newVal){ console.log("Data hijacking set name :",newVal) nameVal = newVal } }); obj.name="Jack"; console.log(obj.name) **Dependency collection**: When a view uses certain data, it depends on that data. Collecting the changing data is the process of dependency collection. **3.2 Implementation Principle** The preceding figure (for details, visit https://blog.csdn.net/Mikon\\\_0703/article/details/111367773) is a flowchart of implementing the reactivity principle of Vue. It consists of three important parts: Observer: traverses data objects and uses Object.defineProperty() to add setter and getter to properties. In this case, if a value is assigned to an object, the setter is triggered and the data change can be observed. Event center (Dep): collects dependencies and notifies Watchers. If a property changes, the Watchers need to be notified to check whether updates are necessary. Because there are multiple Watchers, a message subscriber (publisher) Dep (management array of Watcher groups) is required to collect these Watchers and manage Observers and Watchers in a unified manner. Each Observer instance has a Dep instance. Watcher: initializes an instruction of the view to a Watcher, and replaces the template data or binds the corresponding function. In this case, when the Watcher receives the change of a property, it executes the corresponding update function to update the view. 3.3 Implementation in Vue Source Code Link to the source code of reactivity implementation of Vue 2: https://github.com/vuejs/vue/blob/v2.6.14/src/core/observer Implementation of the Observer //https://github.com/vuejs/vue/blob/v2.6.14/src/core/observer/index.js walk (obj: Object) { const keys = Object.keys(obj) // Traverse data objects and use Object.defineProperty() to add setter and getter to all properties. for (let i = 0; i < keys.length; i++) { defineReactive(obj, keys\[i\]) } } export function defineReactive ( obj: Object, key: string, val: any, customSetter?: ?Function, shallow?: boolean ) { const dep = new Dep() const property = Object.getOwnPropertyDescriptor(obj, key) if (property && property.configurable === false) { return } // cater for pre-defined getter/setters const getter = property && property.get const setter = property && property.set if ((!getter || setter) && arguments.length === 2) { val = obj\[key\] } let childOb = !shallow && observe(val) Object.defineProperty(obj, key, { enumerable: true, configurable: true, get: function reactiveGetter () { const value = getter ? getter.call(obj) : val if (Dep.target) { dep.depend() // Collect dependencies. if (childOb) { childOb.dep.depend() if (Array.isArray(value)) { dependArray(value) } } } return value }, set: function reactiveSetter (newVal) { const value = getter ? getter.call(obj) : val /\* eslint-disable no-self-compare \*/ if (newVal === value || (newVal !== newVal && value !== value){ return } /\* eslint-enable no-self-compare \*/ if (process.env.NODE\_ENV !== 'production' && customSetter) { customSetter() } // #7981: for accessor properties without setter if (getter && !setter) return if (setter) { setter.call(obj, newVal) } else { val = newVal } childOb = !shallow && observe(newVal) dep.notify() // When data changes, the event center Dep notifies the Watcher. } }) } Implementation of the Dep //https://github.com/vuejs/vue/blob/v2.6.14/src/core/observer/dep.js export default class Dep { static target: ?Watcher; id: number; subs: Array; constructor () { this.id = uid++ this.subs = \[\] } addSub (sub: Watcher) { this.subs.push(sub) } removeSub (sub: Watcher) { remove(this.subs, sub) } depend () { if (Dep.target) { Dep.target.addDep(this) } } notify () { // stabilize the subscriber list first const subs = this.subs.slice() if (process.env.NODE\_ENV !== 'production' && !config.async) { // subs aren't sorted in scheduler if not running async // we need to sort them now to make sure they fire in correct // order subs.sort((a, b) => a.id - b.id) } for (let i = 0, l = subs.length; i < l; i++) { subs\[i\].update() // Notify the Watcher to update the view when data changes. } } } Implementation of the Watcher //https://github.com/vuejs/vue/blob/v2.6.14/src/core/observer/watcher.js /\*\* \* Subscriber interface. \* Will be called when a dependency changes. \*/ update () { // The Watcher updates the view. /\* istanbul ignore else \*/ if (this.lazy) { this.dirty = true } else if (this.sync) { this.run() } else { queueWatcher(this) } } 04 Summary I would like to thank the MindSpore community for providing this opportunity. This is my first time participating in an open source project, and through this experience, I have learned about the development process of a project and how members in an open source community collaborate to develop and maintain a project. Additionally, this open source experience has taught me how beginners can participate in open source and how to correctly submit pull requests. I will continue to contribute my own strength to open source in the future. --- https://www.mindspore.cn/news/en/2761/ --- News She-Power in MindSpore-based Model Development # She-Power in MindSpore-based Model Development 2023/06/25 # She-Power in MindSpore-based Model Development Wang Jieyi, a Generation Z member, now is a fourth-year student in Shanghai University and a potential MindSpore developer. She described her journey in learning MindSpore as a "deal hunting", as she has kept discovering free tutorials in the MindSpore community and befriending technical experts, to improve her expertise and insights. With curiosity about this young and excellent developer, we invited Wang Jieyi to share her story. **01** **Having "mushrooms" to challenge herself** It is not long for Wang Jieyi to join the MindSpore open source community. Despite being a new member, she has already become part of the AI security SIG and participated in interpreting and sharing of papers in the security field. She has used a differential privacy optimizer to train neural network models in MindSpore for model development and even completed her graduation project, a medical conversational bot, using the MindSpore AI framework. Wang Jieyi noticed that blood-drawing robots on the market can increase anxiety in people during the blood-drawing process. This led her to consider using open-domain dialog capabilities of foundation models to design communication capabilities for machines and using MindSpore to develop and fine-tune instructions, to alleviate users' tension. "People often regard machines as cold, and I hope that NLP models can break this stereotype," she said. However, she faced significant challenges during development, with the biggest being a lack of knowledge and technical capabilities. Fortunately, the community has offered a lot of help to assist her overcoming these difficulties. "Various online learning projects, models, experience content, and datasets are provided on the MindSpore foundation model platform for AI learners and developers. Domain experts, open source algorithms, and computing power together provide efficient learning and development environments for novices." Wang Jieyi said that in addition to learning courses, she also eliminated difficulties with code writing via various ways in the community, such as MindSpore SIGs, development documents, and Gitee code repositories. She likened her development journey to playing Super Mario. Like Mario needs mushrooms to increase his strength, she also got a lot of "mushrooms" in her game of developing models. First, she expanded her knowledge and improved code capabilities. She often focused on implementing the UI and basic functions in previous development projects. But now, after joining the MindSpore open source community for model development, she has shifted her focus to model structures. In addition, she has learned from scratch in federated learning, cryptography, and large language models (LLMs). Code writing is essential to become a distinguished developer. After participating the development of several projects in the community, she has improved her capability in code writing. Second, she fully felt the charm of open source. In the open source community, she has met many technical experts and like-minded partners who are willing to share insights on technologies. However, a vibrant open source community offers more than that. "There are many developers who are pursuing their postgraduate and doctor diplomas. For me, their understanding of life is also valuable." Young as she is, she never lets go of any learning opportunities or resources. **02** **Jumping high to get a "peach"** The MindSpore community has 62 senior developers and two of them are still college students. Wang Jieyi is one of the two. Describing a person as both "young" and "senior" seems contradictory. "I think I'm a bold person, and I'm always willing to challenge myself". Wang Jieyi attributed her rapid ability improvement to the character of loving challenge. Wang Jieyi had been a member of the MindSpore community for a long time, but she didn't start working on projects until her third year of college due to a lack of confidence in her technical abilities. The basic projects were not difficult, and Wang Jieyi was able to implement simple models using her own development resources. She also joined the AI security SIG for communication and sharing. As she completed more and more projects, she gained a wealth of experience. From a novice to excellent developer and then to senior developer, Wang Jieyi believed that she could never improve herself so quickly without the community's incentive system. The community not only encourages individual developers to participate in challenging projects and share technical experiences, but also fosters a supportive environment where experienced developers are willing to help novices. Additionally, the community provides contribution instructions and clearly states the process to contribute to the community. Earlier in May 2020, MindSpore released the first certification system for developers of the AI open source community in China. And in 2021, it developed a relatively complete development path for cultivating open source developers. The certification system is divided into four levels and eight sub-categories, including excellent developers, senior developers, evangelists, and senior evangelists. A level upgrade means the recognition for both personal technical capabilities and community contributions. Wang Jieyi, already a senior developer, has set her sights on becoming an evangelist. In her opinion, to become an evangelists means to actively participate in technology sharing and to shoulder more responsibilities for both the MindSpore community and the open source culture in China. However, she also stressed that roles of the community are not simply a class division, but rather reflect the contributions of individual developers. Although evangelists are generally professionals in the industry, "most evangelists were once novices." There is no doubt that becoming an evangelist is another challenge that Wang Jieyi has set for herself. **03** **In me the tiger sniffs the rose** Working in a field dominated by men, female developers are often asked what unique advantages they have in the industry. "No matter what field, there is always a need for sparking of diversified views." This is Wang Jieyi's answer. "In me the tiger sniffs the rose." Female developers also have the dream of changing the world with code as male developers, and women's unique perspectives and perceptions will inevitably add warmth to technologies. Wang Jieyi's conversational robot, which is expected to make people feel the warmth of machines using NLP technologies, is exactly an example. Women have become an inseparable part of the developer group. Since Ada Lovelace, the "Enchantress of Numbers" and the world's first software developer, designed the first computer program, more and more female developers have contributed themselves to the Internet industry and showcased their expertise and skills over decades. However, the bottlenecks and prejudices encountered by female developers in the workplace have not been completely eliminated. "If you want to walk fast, walk alone. If you want to walk far, walk together." Inspired by this African proverb, Huawei has provided several platforms for female developers to communicate and help each other, one of which is the MSG Women In Tech activity held by the MindSpore community. And it is this activity that associates Wang Jieyi with MindSpore. Wang Jieyi, uncertain about her future career path in the freshman year, happened to watch a video about MSG Women in Tech, and was immediately attracted by the experience shared by female developers. "Their insights have encouraged me to study computer technologies", she said. Now, Wang Jieyi is one of the members of the Huawei Women Developers (HWD) program. The HWD program aims to empower female developers by providing all necessary resources to help them gain more opportunities for improvement in career and technical development and building a platform for them to learn, communicate, and demonstrate themselves. Wang Jieyi has noticed that the number of female engineers around her is increasing, and many of her peers have chosen to become developers or continue their further studies in technologies. "The gender difference is narrowed, and the development environment is becoming more inclusive. So never set limits on yourself because of your gender. Try boldly and more confidently!" Wang Jieyi hopes to have more peers to challenge themselves. After all, what makes people successful in code writing is not their genders but their abilities. **04 Expectations for the future** In the fall, Wang Jieyi will start her postgraduate study to continue research on natural language processing, and she will continue to contribute to the MindSpore community. "I hope MindSpore could sow the seeds of hope in China's open source culture and cooperates with more universities to give students opportunities to improve their abilities." She expressed her expectations for the MindSpore community. And it can be foreseen that a developer like her who keeps an open mind to learn from and contribute to the open source community can create a bright future with code. --- https://www.mindspore.cn/news/en/2763/ --- News Idea Sharing (30): FuXi Model # Idea Sharing (30): FuXi Model 2023/07/31 # Idea Sharing (30): FuXi Model **Overview** Since Pangu-Weather\[1\] unprecedentedly outperformed the conventional numerical methods in terms of medium- and long-term weather forecast accuracy, the industry has begun to explore the potential of meteorology foundation models. For example, GraphCast\[2\] based on graph neural networks has achieved high forecast accuracy within 10 days on assimilation data in ERA5. The FuXi foundation model\[3\] introduced in this blog is launched by the Artificial Intelligence Innovation and Incubation Institute of Fudan University. The model was developed based on data of 39 years from the ECMWF ERA5 reanalysis dataset. Using a cascade architecture, it can provide 15-day global forecast with a time resolution of 6 hours and spatial resolution of 0.25°. In the performance evaluation of latitude weighted root-mean-square error (RMSE) and anomaly correlation coefficient (ACC), the 15-day forecast of the model is comparable with the forecast result of ECMWF ensemble average (EM) for the first time. **Background** ECMWF's high-resolution endoluminal sonography (HRES) is considered to be one of the most accurate weather forecast models in the world. With a horizontal resolution of 0.1° and 137 vertical levels, it can provide a 10-day forecast. However, weather forecasts are inherently uncertain for the following reasons: 1\. Limited resolution: The accuracy of weather forecast is affected by the resolution of the NWP model. As the resolution is low, the model may not fully capture weather phenomena at a smaller scale. 2\. Physical process approximation: The NWP model relies on parametrization methods to represent complex physical processes that occur at scales below the model resolution, which introduce uncertainties. 3\. Initially small errors will be magnified with time, resulting in significant forecast differences. 4\. Chaotic characteristics of the atmosphere: Weather is a chaotic system. Tiny changes may have significant effects over time. This sensitivity to initial conditions increases the uncertainty. 5\. Increase in forecast lead time: The longer the forecast lead time, the greater the uncertainty. This is due to the cumulative effect of various uncertainties and errors. Weather centers such as ECMWF run an Ensemble Prediction System (EPS) to address uncertainties. The EPS of ECMWF includes multiple forecasts, which vary slightly in initial conditions and physical parametrization. By running these ensemble members, you can evaluate the range of possible results and estimate the forecast uncertainties. Despite the benefits of ensemble prediction, the calculation cost is high because multiple simulations with perturbation conditions need to be run. In recent years, more and more efforts have been made to replace conventional NWP models with machine learning models for weather forecast. Machine learning–based weather forecast systems have several advantages over NWP models, including higher speeds and possible higher accuracies provided by training using reanalysis data. To facilitate comparison between different machine learning models, WeatherBench is introduced to evaluate mid-term weather forecasts (3 to 5 days). WeatherBench regridizes ERA5 and then analyzes the data\[4\]. The 0.25° resolution is converted into 5.625°, 2.8125°, and 1.40625° resolutions. The FuXi model is an autoregressive model. It uses the weather parameters of the first two time steps as the input to predict the weather parameters of the next time step. The time step of the model is 6 hours, and weather forecasts with different lead times are generated through iteration. Due to the lack of physical constraints in pure data-driven machine learning models, cumulative errors and unrealistic forecasts may occur during long-term forecasts. To address this challenge, the multi-step loss of autoregression is introduced, which is similar to the cost function of the 4D-Var method, to effectively reduce the error of long-term forecasts. However, increasing the number of autoregressive steps results in reduced accuracy of short-term forecasts and requires more memory and computing resources. During iterative forecasting, error accumulation is inevitable as the lead time increases. In addition, a single model cannot always give the best performance when the lead time changes. In order to strike a balance between short- and long-term forecasts, a cascade model architecture is proposed. The cascaded model uses the pre-trained FuXi model and optimizes and fine-tunes 5-day forecast time windows, namely FuXi-Short (0-5 days), FuXi-Medium (5-10 days), and FuXi-Long (10-15 days). **Model Architecture** The basic FuXi model architecture consists of three main components: **cube embedding**, **U-Transformer**, and a fully connected (FC) layer, as shown in the following figure. The input data combines the upper-air and surface variables, and creates a data cube with dimensions of **2 × 70 × 721 × 1440**, taking two time steps as a step. The dimensionality of high-dimensional input data is reduced through joint space-time **cube embedding** and converted into **_C_ × 180 × 360**. The main purpose of **cube embedding** is to reduce the temporal and spatial dimensionality of input data and reduce redundant information. Subsequently, **U-Transformer** processes the embedded data and uses a simple FC layer for forecast. The output is initially reshaped to 70 × 720 × 1440. Figure 1 Overall architecture of the FuXi model **Cube Embedding** To reduce the spatial and temporal dimensionality of the input data and speed up the training process, **cube embedding** is applied. A similar method, called **patch embedding**, is also used in the Pangu-Weather model. **Patch embedding** divides an image into _N_ × _N_ patches. Each patch is transformed into a feature vector. Specifically, a three-dimensional (3D) convolution layer is used in cube embedding with a convolution kernel and stride of 2 × 4 × 4 (equivalent to _T_/2 × _H_/2 × _W_/2). The number of output channels is _C_. After embedding, layer normalization (LayerNorm) is used to improve the stability of training. The dimensions of the finally obtained data cube are **_C_ × 180 × 360**. **U-Transformer** The U-Transformer includes a downsampling and an upsampling block from the U-Net model. The downsampling block is called Down Block in the figure. It reduces the data dimensionality to _C_ × 90 × 180, minimizing computational and memory requirements for self-attention calculation. The Down Block consists of a 3 × 3 **2-dimensional (2D) convolution layer** with a stride of 2 and a residual block. The residual block has two 3 × 3 convolution layers, followed by a group normalization (GN) layer and a **sigmoid-weighted linear unit (SiLU) activation**. The **SiLU activation** calculates σ(x) × x by multiplying the sigmoid function with its input. The upsampling block is called Up Block in the figure. It uses the same residual block as the Down Block and also contains a **2D transposed convolution** with a kernel of 2 and a stride of 2. The Up Block scales the data size back to **_C_ × 180 × 360**. In addition, before data is fed to the Up Block, a jump connection is further included to connect the output of the Down Block to the output of the Transformer Block. The intermediate structure is composed of 48 repeated **Swin Transformer V2** blocks. The Transformer uses residual post-normalization instead of pre-normalization, and scaled cosine attention instead of the original dot product self-attention. In this way, **Swin Transformer V2** solves several problems that may occur during training and large-scale Swin Transformer model application, such as training instability\[5\]. **Model Training** The training process of the FuXi model consists of pre-training and fine-tuning, which is similar to that of GraphCast. 1\. One-step pre-training The longitude-weighted L1 loss function is optimized based on the supervision information of the next time step. _C_, _H_, and _W_ indicate the number of channels and the numbers of grid points in the latitude and longitude directions, respectively. _c_, _i_, and _j_ are the indexes of the variable, latitude, and longitude coordinates, respectively. _a\_\_i_ indicates the weight at latitude _i_. As the latitude increases, the value of _a\_\_i_ decreases. Finally, the absolute errors of a variable and location (latitude and longitude coordinates) are summed up. 2\. Fine-tuning cascaded models After pre-training, the basic FuXi model is fine-tuned to achieve the best performance of every 6 hours from 0 to 5 days (0 to 20 time steps). This fine-tuning process applies an autoregressive regime and generates 20 time steps, which is similar to GraphCast. The fine-tuned model is called FuXi-Short. The weights of FuXi-Short are used to initialize the FuXi-Medium model. Then the model is fine-tuned to achieve the best forecast performance for 5 days to 10 days (21-40 time steps). The output of the FuXi-Short model in the 20th time step (day 5) is the input of the FuXi-Medium model. Performing online inference of the FuXi-Short model in real time will significantly consume memory and reduce the fine-tuning speed. Therefore, data within six years (2012–2017) is calculated in advance and the output result of the FuXi-Short model is cached to the hard drive. Finally, after Fuxi-Long applies the same process, the three models are cascaded to form a complete 15-day forecast. The cascading design helps reduce the accumulation of errors and improve the performance of long-term forecast, as shown in the figure. Figure 2 Cascade model architecture **Evaluation Method and Result Analysis** _RMSE_ and _ACC_ are calculated as follows. _D_ indicates the test dataset, and _τ_ indicates the forecast lead time steps. To compare the performance of the FuXi model with that of the benchmark model, _(RMSE\_\_A_ _– RMSE\_\_B_\_)/RMSE\_\_B\_ and _(ACC\_\_A_ _– ACC\_\_B_\_)/(1 – ACC\_\_B\_\_)\_ are visualized. The test dataset data came from 2018. Two initialization times (00:00 UTC and 12:00 UTC) per day are selected to produce a 15-day forecast every 6 hours. To evaluate the performance of ECMWF HRES and EM models, the verification method applied by ECMWF is used in the study. In this verification method, the model analysis data (HRES-fc0 and ENS-fc0) is used as the ground truth values of the HRES and EM models, respectively. Figure 3 Comparison of globally-averaged latitude-weighted ACC and RMSE of HRES, GraphCast, and FuXi As shown in the figure, the performance of FuXi and GraphCast is obviously better than that of ECMWF HRES. FuXi and GraphCast have similar performance within 7 days of forecast. However, after seven days, FuXi delivers better performance, with the lowest _RMSE_ value and the highest _ACC_ value in all variables and prediction lead time. In addition, as the lead time increases, the advantages of FuXi become more and more significant. Noticeably, FuXi also outperforms ECMWF HRES and GraphCast in variables that are not shown in the figure. ECMWF EM, on the other hand, is used as the baseline for the 15-day forecast of normalized differences in ACC and RMSE. In the 0–9 day forecasts, FuXi outperforms ECMWF EM. The normalized _ACC_ difference is a positive value, and the normalized _RMSE_ difference is a negative value. However, for forecasts of more than nine days, FuXi's performance is slightly inferior to ECMWF EM, as shown in the following figure. Figure 4 Comparison of the globally-averaged latitude-weighted ACC and RMSE as well as normalized ACC and RMSE difference of ECMWF EM and FuXi Further, according to the spatial distribution visualization of the **average _RMSE_ of FuXi**, the **_RMSE_ difference between ECMWF HRES and FuXi**, and the **_RMSE_ difference between ECMWF EM and FuXi**, the spatial error distributions of the three forecasts are similar. The highest _RMSE_ values appear at high latitudes, while relatively small values appear at low and medium latitudes. On land, the _RMSE_ value is higher than that on sea. The _RMSE_ difference between ECMWF HRES and FuXi shows that FuXi outperforms ECMWF HRES at most grid points, as shown in red. In contrast, ECMWF EM performs comparable with FuXi in most areas, as shown by the predominantly white color. Figure 5 Spatial map of average RMSE of FuXi, the difference in RMSE between ECMWF HRES and FuXi, and the difference in RMSE between EM and FuXi Finally, although FuXi delivers comparable performance with ECMWF EM as a cascaded model in the 15-day forecast, a limitation of current weather forecast methods based on machine learning is that they are not completely end-to-end. They still rely on analysis data generated by conventional NWP models for initial conditions. Therefore, it is also a future trend to develop a data-driven data assimilation method and use observation data to generate initial conditions for weather forecast systems based on machine learning. In this way, a real end-to-end, systematically unbiased, and computationally efficient machine learning–based weather forecast system can be constructed. \[1\] Bi, K., Xie, L., Zhang, H., Chen, X., Gu, X., Tian, Q.: Pangu-Weather:A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast (2022) \[2\] Lam, R., Sanchez-Gonzalez, A., Willson, M., Wirnsberger, P., Fortunato,M., Pritzel, A., Ravuri, S., Ewalds, T., Alet, F., Eaton-Rosen, Z., Hu, W.,Merose, A., Hoyer, S., Holland, G., Stott, J., Vinyals, O., Mohamed, S., Battaglia, P.: GraphCast: Learning skillful medium-range global weather forecasting (2022) \[3\] Chen L, Zhong X, Zhang F, et al. FuXi: A cascade machine learning forecasting system for 15-day global weather forecast (2023) \[4\] Hersbach, H., Bell, B., Berrisford, P., Hirahara, S., Hor´anyi, A., Mu˜noz-Sabater, J., Nicolas, J., Peubey, C., Radu, R., Schepers, D., et al.: The era5 global reanalysis. Quarterly Journal of the Royal Meteorological Society146(730), 1999–2049 (2020) \[5\] Liu, Z., Hu, H., Lin, Y., Yao, Z., Xie, Z., Wei, Y., Ning, J., Cao, Y., Zhang, Z., Dong, L., Wei, F., Guo, B.: Swin Transformer V2: Scaling Up Capacity and Resolution (2022) --- https://www.mindspore.cn/news/en/2764/ --- News Introduction to a New Method for Edge-Cloud Collaborative Training for Privacy Protection # Introduction to a New Method for Edge-Cloud Collaborative Training for Privacy Protection 2022/12/16 # Introduction to a New Method for Edge-Cloud Collaborative Training for Privacy Protection Authors: Wang Sen, Wang Peng, Yao Xin, Cui Jinkai, Hu Qintao, Chen Renhai, Zhang Gong | Organization: Theory Lab, 2012 Laboratories Paper Title MistNet: Towards Private Neural Network Training with Local Differential Privacy Paper URL: https://github.com/TL-System/plato/blob/main/docs/papers/MistNet.pdf Code URLs Plato: https://github.com/TL-System/plato Sedna: https://github.com/kubeedge/sedna **01 Research Background** Since Google first proposed federated learning in the edge AI field, it has been a rapidly developing topic in both academia and industry. Two major challenges in edge AI are data heterogeneity and data privacy, which can be addressed by applying federated learning to edge computing. FedAvg, an algorithm used in federated learning, selects clients to participate in training during each round. This reduces the communication pressure and avoids unreliable communication. Additionally, clients only need to upload training gradients, which helps prevent the leakage of user data. Nevertheless, FedAvg still faces three main bottlenecks: (1) As the size of the model increases, the volume of data transmitted surges, which can become a bottleneck that hinders system performance. (2) Research in deep learning has shown that gradients can still contain information about the native data, allowing attackers to potentially infer users' private data. (3) Edge computing capabilities vary greatly, with some devices being unable to complete the training process or slowing down the synchronization progress of federated learning due to insufficient computing power. **02 Paper Abstract** To address the three main issues of the FedAvg algorithm, we propose the MistNet algorithm. This algorithm divides a pre-trained DNN model into two parts: a feature extractor at the edge side and a classifier on the cloud. Deep learning training rules show that new data rarely updates the parameters of the feature extractor, but does update the parameters of the classifier. As a result, we keep the edge-side parameters fixed and use the feature extractor to process input data and obtain corresponding representation data. Then we send the representation data from the client to the server, and train the classifier on the cloud. The MistNet algorithm has been optimized according to the following edge scenarios: (1) Reduces the volume of network transmission required for communication between the edge and the cloud. Instead of performing multiple rounds of gradient transmission between the cloud and edge, as is done in traditional federated learning, the extracted representation data is transmitted to the cloud for aggregated training. This reduces the frequency of network transmission between the cloud and edge, thereby reducing the overall volume of data transmitted for communication between the two. (2) Enhances privacy protection by quantifying, adding noise to, compressing and disturbing the representation data. This makes it more difficult to infer the original data from the representation data on the cloud, thereby increasing the level of privacy protection for the data. (3) Reduces computing resource requirements on the edge side by segmenting the pre-trained model and using the first several layers as a feature extractor, thereby reducing computing workloads on the client. The process of extracting features on the edge can be considered as an inference process, which allows federated learning to be completed using edge-side hardware that has only inference capabilities. Experiments have shown that the MistNet algorithm can significantly reduce communication overheads and edge computing workloads compared to the FedAvg algorithm, with reductions of up to five times and ten times, respectively. Additionally, the training accuracy of the MistNet algorithm is better than that of FedAvg, with an improvement in convergence efficiency for automatic training in object detection tasks of up to 30%. **03 Algorithm Framework and Technical Key Points** **Technical Key Point 1: Model Segmentation and Representation Migration** By utilizing the migration feature of the first several layers of a deep neural network, the server can train a model using existing data from a related or similar field and extract the first several layers to use as a feature extractor. The client can then obtain the feature extractor from a secure third party or server and randomly select the feature extractor and local data for fine-tuning. Figure 1: Schematic diagram of feature extraction **Technical Key Point 2: Quantization Solution for Representation Data** The communication volume can be effectively reduced by quantizing and compressing the representation data at the middle layer. An extreme solution is to use 1-bit quantization on the output of the activation function. Although this causes most of the representation data content to be lost, it effectively prevents information leakage. Figure 4: One-click deployment of the edge-cloud collaborative training framework for privacy protection on the Sedna platform **Software and Hardware** Hardware: Atlas 800 (9000) + Atlas 500 (3000) Software: Ubuntu 18.04.5 LTS x86\_64 + EulerOS V2R8 + CANN 5.0.2 + KubeEdge 1.8.2 + Sedna 0.4.0 **Test Results** (3) The complex model has a stronger resistance to noise. For 1.3% and 5.8% feature extractors, a good balance between privacy protection and precision is achieved when **Ɛ** is 1. Figure 7. Defense effect against model inversion attacks. We perform white-box tests to simulate model inversion attacks and use SSIM to verify the effect. If the SSIM is less than 0.3, the original image cannot be identified. As shown in the preceding figure, most feature extractors can effectively defend against model inversion attacks after using 1-bit quantization and LDP. **05 Code Implementation of NPU + MindSpore + YOLOv5** The code mainly includes the modules for data loading, network design, data privacy protection design, loss function design, and trainer design. **Data loading module:** `def _has_only_empty_bbox(anno): return all(any(o <= 1 for o in obj["bbox"][2:]) for obj in anno) def _count_visible_keypoints(anno): return sum(sum(1 for v in ann["keypoints"][2::3] if v > 0) for ann in anno) def has_valid_annotation(anno): """Check annotation file.""" # if it's empty, there is no annotation if not anno: return False # if all boxes have close to zero area, there is no annotation if _has_only_empty_bbox(anno): return False # keypoints task have a slight different criteria for considering # if an annotation is valid if "keypoints" not in anno[0]: return True # for keypoint detection tasks, only consider valid images those # containing at least min_keypoints_per_image if _count_visible_keypoints(anno) >= min_keypoints_per_image: return True return False class COCOYoloDataset: """YOLOV5 Dataset for COCO.""" def __init__(self, root, ann_file, remove_images_without_annotations=True, filter_crowd_anno=True, is_training=True): self.coco = COCO(ann_file) self.root = root self.img_ids = list(sorted(self.coco.imgs.keys())) self.filter_crowd_anno = filter_crowd_anno self.is_training = is_training self.mosaic = True # filter images without any annotations if remove_images_without_annotations: img_ids = [] for img_id in self.img_ids: ann_ids = self.coco.getAnnIds(imgIds=img_id, iscrowd=None) anno = self.coco.loadAnns(ann_ids) if has_valid_annotation(anno): img_ids.append(img_id) self.img_ids = img_ids self.categories = {cat["id"]: cat["name"] for cat in self.coco.cats.values()} self.cat_ids_to_continuous_ids = { v: i for i, v in enumerate(self.coco.getCatIds()) } self.continuous_ids_cat_ids = { v: k for k, v in self.cat_ids_to_continuous_ids.items() } self.count = 0 def _mosaic_preprocess(self, index, input_size): labels4 = [] s = 384 self.mosaic_border = [-s // 2, -s // 2] yc, xc = [int(random.uniform(-x, 2 * s + x)) for x in self.mosaic_border] indices = [index] + [random.randint(0, len(self.img_ids) - 1) for _ in range(3)] for i, img_ids_index in enumerate(indices): coco = self.coco img_id = self.img_ids[img_ids_index] img_path = coco.loadImgs(img_id)[0]["file_name"] img = Image.open(os.path.join(self.root, img_path)).convert("RGB") img = np.array(img) h, w = img.shape[:2] if i == 0: # top left img4 = np.full((s * 2, s * 2, img.shape[2]), 128, dtype=np.uint8) # base image with 4 tiles x1a, y1a, x2a, y2a = max(xc - w, 0), max(yc - h, 0), xc, yc # xmin, ymin, xmax, ymax (large image) x1b, y1b, x2b, y2b = w - (x2a - x1a), h - (y2a - y1a), w, h # xmin, ymin, xmax, ymax (small image) elif i == 1: # top right x1a, y1a, x2a, y2a = xc, max(yc - h, 0), min(xc + w, s * 2), yc x1b, y1b, x2b, y2b = 0, h - (y2a - y1a), min(w, x2a - x1a), h elif i == 2: # bottom left x1a, y1a, x2a, y2a = max(xc - w, 0), yc, xc, min(s * 2, yc + h) x1b, y1b, x2b, y2b = w - (x2a - x1a), 0, w, min(y2a - y1a, h) elif i == 3: # bottom right x1a, y1a, x2a, y2a = xc, yc, min(xc + w, s * 2), min(s * 2, yc + h) x1b, y1b, x2b, y2b = 0, 0, min(w, x2a - x1a), min(y2a - y1a, h) img4[y1a:y2a, x1a:x2a] = img[y1b:y2b, x1b:x2b] # img4[ymin:ymax, xmin:xmax] padw = x1a - x1b padh = y1a - y1b ann_ids = coco.getAnnIds(imgIds=img_id) target = coco.loadAnns(ann_ids) # filter crowd annotations if self.filter_crowd_anno: annos = [anno for anno in target if anno["iscrowd"] == 0] else: annos = [anno for anno in target] target = {} boxes = [anno["bbox"] for anno in annos] target["bboxes"] = boxes classes = [anno["category_id"] for anno in annos] classes = [self.cat_ids_to_continuous_ids[cl] for cl in classes] target["labels"] = classes bboxes = target['bboxes'] labels = target['labels'] out_target = [] for bbox, label in zip(bboxes, labels): tmp = [] # convert to [x_min y_min x_max y_max] bbox = self._convetTopDown(bbox) tmp.extend(bbox) tmp.append(int(label)) # tmp [x_min y_min x_max y_max, label] out_target.append(tmp) # out_target indicates the actual width and height of label, which corresponds to the actual measurement values of the image. labels = out_target.copy() labels = np.array(labels) out_target = np.array(out_target) labels[:, 0] = out_target[:, 0] + padw labels[:, 1] = out_target[:, 1] + padh labels[:, 2] = out_target[:, 2] + padw labels[:, 3] = out_target[:, 3] + padh labels4.append(labels) if labels4: labels4 = np.concatenate(labels4, 0) np.clip(labels4[:, :4], 0, 2 * s, out=labels4[:, :4]) # use with random_perspective flag = np.array([1]) return img4, labels4, input_size, flag def __getitem__(self, index): """ Args: index (int): Index Returns: (img, target) (tuple): target is a dictionary contains "bbox", "segmentation" or "keypoints", generated by the image's annotation. img is a PIL image. """ coco = self.coco img_id = self.img_ids[index] img_path = coco.loadImgs(img_id)[0]["file_name"] if not self.is_training: img = Image.open(os.path.join(self.root, img_path)).convert("RGB") return img, img_id input_size = [640, 640] if self.mosaic and random.random() < 0.5: return self._mosaic_preprocess(index, input_size) img = np.fromfile(os.path.join(self.root, img_path), dtype='int8') ann_ids = coco.getAnnIds(imgIds=img_id) target = coco.loadAnns(ann_ids) # filter crowd annotations if self.filter_crowd_anno: annos = [anno for anno in target if anno["iscrowd"] == 0] else: annos = [anno for anno in target] target = {} boxes = [anno["bbox"] for anno in annos] target["bboxes"] = boxes classes = [anno["category_id"] for anno in annos] classes = [self.cat_ids_to_continuous_ids[cl] for cl in classes] target["labels"] = classes bboxes = target['bboxes'] labels = target['labels'] out_target = [] for bbox, label in zip(bboxes, labels): tmp = [] # convert to [x_min y_min x_max y_max] bbox = self._convetTopDown(bbox) tmp.extend(bbox) tmp.append(int(label)) # tmp [x_min y_min x_max y_max, label] out_target.append(tmp) flag = np.array([0]) return img, out_target, input_size, flag def __len__(self): return len(self.img_ids) def _convetTopDown(self, bbox): x_min = bbox[0] y_min = bbox[1] w = bbox[2] h = bbox[3] return [x_min, y_min, x_min+w, y_min+h] def create_yolo_dataset(image_dir, anno_path, batch_size, max_epoch, device_num, rank, config=None, is_training=True, shuffle=True): """Create dataset for YOLOV5.""" cv2.setNumThreads(0) de.config.set_enable_shared_mem(True) if is_training: filter_crowd = True remove_empty_anno = True else: filter_crowd = False remove_empty_anno = False yolo_dataset = COCOYoloDataset(root=image_dir, ann_file=anno_path, filter_crowd_anno=filter_crowd, remove_images_without_annotations=remove_empty_anno, is_training=is_training) distributed_sampler = DistributedSampler(len(yolo_dataset), device_num, rank, shuffle=shuffle) yolo_dataset.size = len(distributed_sampler) hwc_to_chw = CV.HWC2CHW() config.dataset_size = len(yolo_dataset) cores = multiprocessing.cpu_count() num_parallel_workers = int(cores / device_num) if is_training: multi_scale_trans = MultiScaleTrans(config, device_num) yolo_dataset.transforms = multi_scale_trans dataset_column_names = ["image", "annotation", "input_size", "mosaic_flag"] output_column_names = ["image", "annotation", "bbox1", "bbox2", "bbox3", "gt_box1", "gt_box2", "gt_box3"] map1_out_column_names = ["image", "annotation", "size"] map2_in_column_names = ["annotation", "size"] map2_out_column_names = ["annotation", "bbox1", "bbox2", "bbox3", "gt_box1", "gt_box2", "gt_box3"] ds = de.GeneratorDataset(yolo_dataset, column_names=dataset_column_names, sampler=distributed_sampler, python_multiprocessing=True, num_parallel_workers=min(4, num_parallel_workers)) ds = ds.map(operations=multi_scale_trans, input_columns=dataset_column_names, output_columns=map1_out_column_names, column_order=map1_out_column_names, num_parallel_workers=min(12, num_parallel_workers), python_multiprocessing=True) ds = ds.map(operations=PreprocessTrueBox(config), input_columns=map2_in_column_names, output_columns=map2_out_column_names, column_order=output_column_names, num_parallel_workers=min(4, num_parallel_workers), python_multiprocessing=False) mean = [m * 255 for m in [0.485, 0.456, 0.406]] std = [s * 255 for s in [0.229, 0.224, 0.225]] ds = ds.map([CV.Normalize(mean, std), hwc_to_chw], num_parallel_workers=min(4, num_parallel_workers)) def concatenate(images): images = np.concatenate((images[..., ::2, ::2], images[..., 1::2, ::2], images[..., ::2, 1::2], images[..., 1::2, 1::2]), axis=0) return images ds = ds.map(operations=concatenate, input_columns="image", num_parallel_workers=min(4, num_parallel_workers)) ds = ds.batch(batch_size, num_parallel_workers=min(4, num_parallel_workers), drop_remainder=True) else: ds = de.GeneratorDataset(yolo_dataset, column_names=["image", "img_id"], sampler=distributed_sampler) compose_map_func = (lambda image, img_id: reshape_fn(image, img_id, config)) ds = ds.map(operations=compose_map_func, input_columns=["image", "img_id"], output_columns=["image", "image_shape", "img_id"], column_order=["image", "image_shape", "img_id"], num_parallel_workers=8) ds = ds.map(operations=hwc_to_chw, input_columns=["image"], num_parallel_workers=8) ds = ds.batch(batch_size, drop_remainder=True) ds = ds.repeat(max_epoch) return ds, len(yolo_dataset)` **Network design module:** BackBone is divided into two parts, one on the client and the other on the server. class YOLOv5Backbone\_from(nn.Cell): def \_\_init\_\_(self): super(YOLOv5Backbone\_from, self).\_\_init\_\_() self.tenser\_to\_array = P.TupleToArray() self.focusv2 = Focusv2(3, 32, k=3, s=1) self.conv1 = Conv(32, 64, k=3, s=2) self.C31 = C3(64, 64, n=1) self.conv2 = Conv(64, 128, k=3, s=2) def construct(self, x, input\_shape): """construct method""" #img\_hight = P.Shape()(x)\[2\] \* 2 #img\_width = P.Shape()(x)\[3\] \* 2 input\_shape = F.shape(x)\[2:4\] input\_shape = F.cast(self.tenser\_to\_array(input\_shape) \* 2, ms.float32) fcs = self.focusv2(x) cv1 = self.conv1(fcs) bcsp1 = self.C31(cv1) cv2 = self.conv2(bcsp1) return cv2, input\_shape class YOLOv5Backbone\_to(nn.Cell): def \_\_init\_\_(self): super(YOLOv5Backbone\_to, self).\_\_init\_\_() self.C32 = C3(128, 128, n=3) self.conv3 = Conv(128, 256, k=3, s=2) self.C33 = C3(256, 256, n=3) self.conv4 = Conv(256, 512, k=3, s=2) self.spp = SPP(512, 512, k=\[5, 9, 13\]) self.C34 = C3(512, 512, n=1, shortcut=False) def construct(self, cv2): """construct method""" bcsp2 = self.C32(cv2) cv3 = self.conv3(bcsp2) bcsp3 = self.C33(cv3) cv4 = self.conv4(bcsp3) spp1 = self.spp(cv4) bcsp4 = self.C34(spp1) return bcsp2, bcsp3, bcsp4 **Overall network architecture of the server:** class YOLOV5s(nn.Cell): """ YOLOV5 network. Args: is\_training: Bool. Whether train or not. Returns: Cell, cell instance of YOLOV5 neural network. Examples: YOLOV5s(True) """ def \_\_init\_\_(self, is\_training): super(YOLOV5s, self).\_\_init\_\_() self.config = ConfigYOLOV5() \# YOLOv5 network self.feature\_map = YOLOv5(backbone=YOLOv5Backbone\_to(), out\_channel=self.config.out\_channel) \# prediction on the default anchor boxes self.detect\_1 = DetectionBlock('l', is\_training=is\_training) self.detect\_2 = DetectionBlock('m', is\_training=is\_training) self.detect\_3 = DetectionBlock('s', is\_training=is\_training) def construct(self, x, img\_hight, img\_width, input\_shape): small\_object\_output, medium\_object\_output, big\_object\_output = self.feature\_map(x, img\_hight, img\_width) output\_big = self.detect\_1(big\_object\_output, input\_shape) output\_me = self.detect\_2(medium\_object\_output, input\_shape) output\_small = self.detect\_3(small\_object\_output, input\_shape) \# big is the final output which has smallest feature map return output\_big, output\_me, output\_small class YOLOv5(nn.Cell): def \_\_init\_\_(self, backbone, out\_channel): super(YOLOv5, self).\_\_init\_\_() self.out\_channel = out\_channel self.backbone = backbone #print("self.backbone: ", self.backbone) self.conv1 = Conv(512, 256, k=1, s=1) # 10 self.C31 = C3(512, 256, n=1, shortcut=False) # 11 self.conv2 = Conv(256, 128, k=1, s=1) self.C32 = C3(256, 128, n=1, shortcut=False) # 13 self.conv3 = Conv(128, 128, k=3, s=2) self.C33 = C3(256, 256, n=1, shortcut=False) # 15 self.conv4 = Conv(256, 256, k=3, s=2) self.C34 = C3(512, 512, n=1, shortcut=False) # 17 self.backblock1 = YoloBlock(128, 255) self.backblock2 = YoloBlock(256, 255) self.backblock3 = YoloBlock(512, 255) self.concat = P.Concat(axis=1) def construct(self, x, img\_hight, img\_width): """ input\_shape of x is (batch\_size, 3, h, w) feature\_map1 is (batch\_size, backbone\_shape\[2\], h/8, w/8) feature\_map2 is (batch\_size, backbone\_shape\[3\], h/16, w/16) feature\_map3 is (batch\_size, backbone\_shape\[4\], h/32, w/32) """ #img\_hight = P.Shape()(x)\[2\] \* 2 #img\_width = P.Shape()(x)\[3\] \* 2 backbone4, backbone6, backbone9 = self.backbone(x) cv1 = self.conv1(backbone9) # 10 ups1 = P.ResizeNearestNeighbor((img\_hight / 16, img\_width / 16))(cv1) concat1 = self.concat((ups1, backbone6)) bcsp1 = self.C31(concat1) # 13 cv2 = self.conv2(bcsp1) ups2 = P.ResizeNearestNeighbor((img\_hight / 8, img\_width / 8))(cv2) # 15 concat2 = self.concat((ups2, backbone4)) bcsp2 = self.C32(concat2) # 17 cv3 = self.conv3(bcsp2) concat3 = self.concat((cv3, cv2)) bcsp3 = self.C33(concat3) # 20 cv4 = self.conv4(bcsp3) concat4 = self.concat((cv4, cv1)) bcsp4 = self.C34(concat4) # 23 small\_object\_output = self.backblock1(bcsp2) # h/8, w/8 medium\_object\_output = self.backblock2(bcsp3) # h/16, w/16 big\_object\_output = self.backblock3(bcsp4) # h/32, w/32 return small\_object\_output, medium\_object\_output, big\_object\_output **Data privacy protection design module:** def encode\_1b(x): x\[(x <= 0)\] = 0 x\[(x > 0)\] = 1 return x def randomize\_1b(bit\_tensor, epsilon): """ The default unary encoding method is symmetric. """ #assert isinstance(bit\_tensor, tensor), 'the type of input data is not matched with the expected type(tensor)' return symmetric\_tensor\_encoding\_1b(bit\_tensor, epsilon) def symmetric\_tensor\_encoding\_1b(bit\_tensor, epsilon): p = mnp.exp(epsilon / 2) / (mnp.exp(epsilon / 2) + 1) q = 1 / (mnp.exp(epsilon / 2) + 1) return produce\_random\_response\_1b(bit\_tensor, p, q) def produce\_random\_response\_1b(bit\_tensor, p, q=None): """ Implements random response as the perturbation method. when using torch tensor, we use Uniform Distribution to create Binomial Distribution because torch have not binomial function """ q = 1 - p if q is None else q uniformreal = mindspore.ops.UniformReal(seed=2) binomial = uniformreal(bit\_tensor.shape) zeroslike = mindspore.ops.ZerosLike() oneslike = mindspore.ops.OnesLike() p\_binomial = mnp.where(binomial > q, oneslike(bit\_tensor), zeroslike(bit\_tensor)) q\_binomial = mnp.where(binomial <= q, oneslike(bit\_tensor), zeroslike(bit\_tensor)) return mnp.where(bit\_tensor == 1, p\_binomial, q\_binomial) **Loss function module:** class YoloWithLossCell(nn.Cell): """YOLOV5 loss.""" def \_\_init\_\_(self, network): super(YoloWithLossCell, self).\_\_init\_\_() self.yolo\_network = network self.config = ConfigYOLOV5() self.loss\_big = YoloLossBlock('l', self.config) self.loss\_me = YoloLossBlock('m', self.config) self.loss\_small = YoloLossBlock('s', self.config) def construct(self, x, y\_true\_0, y\_true\_1, y\_true\_2, gt\_0, gt\_1, gt\_2, img\_hight, img\_width, input\_shape): yolo\_out = self.yolo\_network(x, img\_hight, img\_width, input\_shape) loss\_l = self.loss\_big(\*yolo\_out\[0\], y\_true\_0, gt\_0, input\_shape) loss\_m = self.loss\_me(\*yolo\_out\[1\], y\_true\_1, gt\_1, input\_shape) loss\_s = self.loss\_small(\*yolo\_out\[2\], y\_true\_2, gt\_2, input\_shape) return loss\_l + loss\_m + loss\_s \* 0.2 class TrainingWrapper(nn.Cell): """Training wrapper.""" def \_\_init\_\_(self, network, optimizer, sens=1.0): super(TrainingWrapper, self).\_\_init\_\_(auto\_prefix=False) self.network = network self.network.set\_grad() self.weights = optimizer.parameters self.optimizer = optimizer self.grad = C.GradOperation(get\_by\_list=True, sens\_param=True) self.sens = sens self.reducer\_flag = False self.grad\_reducer = None self.parallel\_mode = context.get\_auto\_parallel\_context("parallel\_mode") if self.parallel\_mode in \[ParallelMode.DATA\_PARALLEL, ParallelMode.HYBRID\_PARALLEL\]: self.reducer\_flag = True if self.reducer\_flag: mean = context.get\_auto\_parallel\_context("gradients\_mean") if auto\_parallel\_context().get\_device\_num\_is\_set(): degree = context.get\_auto\_parallel\_context("device\_num") else: degree = get\_group\_size() self.grad\_reducer = nn.DistributedGradReducer(optimizer.parameters, mean, degree) def construct(self, \*args): weights = self.weights loss = self.network(\*args) sens = P.Fill()(P.DType()(loss), P.Shape()(loss), self.sens) grads = self.grad(self.network, weights)(\*args, sens) if self.reducer\_flag: grads = self.grad\_reducer(grads) return F.depend(loss, self.optimizer(grads)) class Giou(nn.Cell): """Calculating giou""" def \_\_init\_\_(self): super(Giou, self).\_\_init\_\_() self.cast = P.Cast() self.reshape = P.Reshape() self.min = P.Minimum() self.max = P.Maximum() self.concat = P.Concat(axis=1) self.mean = P.ReduceMean() self.div = P.RealDiv() self.eps = 0.000001 def construct(self, box\_p, box\_gt): """construct method""" box\_p\_area = (box\_p\[..., 2:3\] - box\_p\[..., 0:1\]) \* (box\_p\[..., 3:4\] - box\_p\[..., 1:2\]) box\_gt\_area = (box\_gt\[..., 2:3\] - box\_gt\[..., 0:1\]) \* (box\_gt\[..., 3:4\] - box\_gt\[..., 1:2\]) x\_1 = self.max(box\_p\[..., 0:1\], box\_gt\[..., 0:1\]) x\_2 = self.min(box\_p\[..., 2:3\], box\_gt\[..., 2:3\]) y\_1 = self.max(box\_p\[..., 1:2\], box\_gt\[..., 1:2\]) y\_2 = self.min(box\_p\[..., 3:4\], box\_gt\[..., 3:4\]) intersection = (y\_2 - y\_1) \* (x\_2 - x\_1) xc\_1 = self.min(box\_p\[..., 0:1\], box\_gt\[..., 0:1\]) xc\_2 = self.max(box\_p\[..., 2:3\], box\_gt\[..., 2:3\]) yc\_1 = self.min(box\_p\[..., 1:2\], box\_gt\[..., 1:2\]) yc\_2 = self.max(box\_p\[..., 3:4\], box\_gt\[..., 3:4\]) c\_area = (xc\_2 - xc\_1) \* (yc\_2 - yc\_1) union = box\_p\_area + box\_gt\_area - intersection union = union + self.eps c\_area = c\_area + self.eps iou = self.div(self.cast(intersection, ms.float32), self.cast(union, ms.float32)) res\_mid0 = c\_area - union res\_mid1 = self.div(self.cast(res\_mid0, ms.float32), self.cast(c\_area, ms.float32)) giou = iou - res\_mid1 giou = C.clip\_by\_value(giou, -1.0, 1.0) return giou class Iou(nn.Cell): """Calculate the iou of boxes""" def \_\_init\_\_(self): super(Iou, self).\_\_init\_\_() self.min = P.Minimum() self.max = P.Maximum() def construct(self, box1, box2): """ box1: pred\_box \[batch, gx, gy, anchors, 1, 4\] ->4: \[x\_center, y\_center, w, h\] box2: gt\_box \[batch, 1, 1, 1, maxbox, 4\] convert to topLeft and rightDown """ box1\_xy = box1\[:, :, :, :, :, :2\] box1\_wh = box1\[:, :, :, :, :, 2:4\] box1\_mins = box1\_xy - box1\_wh / F.scalar\_to\_array(2.0) # topLeft box1\_maxs = box1\_xy + box1\_wh / F.scalar\_to\_array(2.0) # rightDown box2\_xy = box2\[:, :, :, :, :, :2\] box2\_wh = box2\[:, :, :, :, :, 2:4\] box2\_mins = box2\_xy - box2\_wh / F.scalar\_to\_array(2.0) box2\_maxs = box2\_xy + box2\_wh / F.scalar\_to\_array(2.0) intersect\_mins = self.max(box1\_mins, box2\_mins) intersect\_maxs = self.min(box1\_maxs, box2\_maxs) intersect\_wh = self.max(intersect\_maxs - intersect\_mins, F.scalar\_to\_array(0.0)) \# P.squeeze: for effiecient slice intersect\_area = P.Squeeze(-1)(intersect\_wh\[:, :, :, :, :, 0:1\]) \* \\ P.Squeeze(-1)(intersect\_wh\[:, :, :, :, :, 1:2\]) box1\_area = P.Squeeze(-1)(box1\_wh\[:, :, :, :, :, 0:1\]) \* P.Squeeze(-1)(box1\_wh\[:, :, :, :, :, 1:2\]) box2\_area = P.Squeeze(-1)(box2\_wh\[:, :, :, :, :, 0:1\]) \* P.Squeeze(-1)(box2\_wh\[:, :, :, :, :, 1:2\]) iou = intersect\_area / (box1\_area + box2\_area - intersect\_area) \# iou : \[batch, gx, gy, anchors, maxboxes\] return iou class YoloLossBlock(nn.Cell): """ Loss block cell of YOLOV5 network. """ def \_\_init\_\_(self, scale, config=ConfigYOLOV5()): super(YoloLossBlock, self).\_\_init\_\_() self.config = config if scale == 's': \# anchor mask idx = (0, 1, 2) elif scale == 'm': idx = (3, 4, 5) elif scale == 'l': idx = (6, 7, 8) else: raise KeyError("Invalid scale value for DetectionBlock") self.anchors = Tensor(\[self.config.anchor\_scales\[i\] for i in idx\], ms.float32) self.ignore\_threshold = Tensor(self.config.ignore\_threshold, ms.float32) self.concat = P.Concat(axis=-1) self.iou = Iou() self.reduce\_max = P.ReduceMax(keep\_dims=False) self.confidence\_loss = ConfidenceLoss() self.class\_loss = ClassLoss() self.reduce\_sum = P.ReduceSum() self.giou = Giou() def construct(self, prediction, pred\_xy, pred\_wh, y\_true, gt\_box, input\_shape): """ prediction : origin output from yolo pred\_xy: (sigmoid(xy)+grid)/grid\_size pred\_wh: (exp(wh)\*anchors)/input\_shape y\_true : after normalize gt\_box: \[batch, maxboxes, xyhw\] after normalize """ object\_mask = y\_true\[:, :, :, :, 4:5\] class\_probs = y\_true\[:, :, :, :, 5:\] true\_boxes = y\_true\[:, :, :, :, :4\] grid\_shape = P.Shape()(prediction)\[1:3\] grid\_shape = P.Cast()(F.tuple\_to\_array(grid\_shape\[::-1\]), ms.float32) pred\_boxes = self.concat((pred\_xy, pred\_wh)) true\_wh = y\_true\[:, :, :, :, 2:4\] true\_wh = P.Select()(P.Equal()(true\_wh, 0.0), P.Fill()(P.DType()(true\_wh), P.Shape()(true\_wh), 1.0), true\_wh) true\_wh = P.Log()(true\_wh / self.anchors \* input\_shape) \# 2-w\*h for large picture, use small scale, since small obj need more precise box\_loss\_scale = 2 - y\_true\[:, :, :, :, 2:3\] \* y\_true\[:, :, :, :, 3:4\] gt\_shape = P.Shape()(gt\_box) gt\_box = P.Reshape()(gt\_box, (gt\_shape\[0\], 1, 1, 1, gt\_shape\[1\], gt\_shape\[2\])) \# add one more dimension for broadcast iou = self.iou(P.ExpandDims()(pred\_boxes, -2), gt\_box) \# gt\_box is x,y,h,w after normalize \# \[batch, grid\[0\], grid\[1\], num\_anchor, num\_gt\] best\_iou = self.reduce\_max(iou, -1) \# \[batch, grid\[0\], grid\[1\], num\_anchor\] \# ignore\_mask IOU too small ignore\_mask = best\_iou < self.ignore\_threshold ignore\_mask = P.Cast()(ignore\_mask, ms.float32) ignore\_mask = P.ExpandDims()(ignore\_mask, -1) \# ignore\_mask backpro will cause a lot maximunGrad and minimumGrad time consume. \# so we turn off its gradient ignore\_mask = F.stop\_gradient(ignore\_mask) confidence\_loss = self.confidence\_loss(object\_mask, prediction\[:, :, :, :, 4:5\], ignore\_mask) class\_loss = self.class\_loss(object\_mask, prediction\[:, :, :, :, 5:\], class\_probs) object\_mask\_me = P.Reshape()(object\_mask, (-1, 1)) # \[8, 72, 72, 3, 1\] box\_loss\_scale\_me = P.Reshape()(box\_loss\_scale, (-1, 1)) pred\_boxes\_me = xywh2x1y1x2y2(pred\_boxes) pred\_boxes\_me = P.Reshape()(pred\_boxes\_me, (-1, 4)) true\_boxes\_me = xywh2x1y1x2y2(true\_boxes) true\_boxes\_me = P.Reshape()(true\_boxes\_me, (-1, 4)) ciou = self.giou(pred\_boxes\_me, true\_boxes\_me) ciou\_loss = object\_mask\_me \* box\_loss\_scale\_me \* (1 - ciou) ciou\_loss\_me = self.reduce\_sum(ciou\_loss, ()) loss = ciou\_loss\_me \* 4 + confidence\_loss + class\_loss batch\_size = P.Shape()(prediction)\[0\] return loss / batch\_size **Trainer design module:** def linear\_warmup\_lr(current\_step, warmup\_steps, base\_lr, init\_lr): """Linear learning rate.""" lr\_inc = (float(base\_lr) - float(init\_lr)) / float(warmup\_steps) lr = float(init\_lr) + lr\_inc \* current\_step return lr def warmup\_step\_lr(lr, lr\_epochs, steps\_per\_epoch, warmup\_epochs, max\_epoch, gamma=0.1): """Warmup step learning rate.""" base\_lr = lr warmup\_init\_lr = 0 total\_steps = int(max\_epoch \* steps\_per\_epoch) warmup\_steps = int(warmup\_epochs \* steps\_per\_epoch) milestones = lr\_epochs milestones\_steps = \[\] for milestone in milestones: milestones\_step = milestone \* steps\_per\_epoch milestones\_steps.append(milestones\_step) lr\_each\_step = \[\] lr = base\_lr milestones\_steps\_counter = Counter(milestones\_steps) for i in range(total\_steps): if i < warmup\_steps: lr = linear\_warmup\_lr(i + 1, warmup\_steps, base\_lr, warmup\_init\_lr) else: lr = lr \* gamma\*\*milestones\_steps\_counter\[i\] lr\_each\_step.append(lr) return np.array(lr\_each\_step).astype(np.float32) def multi\_step\_lr(lr, milestones, steps\_per\_epoch, max\_epoch, gamma=0.1): return warmup\_step\_lr(lr, milestones, steps\_per\_epoch, 0, max\_epoch, gamma=gamma) def step\_lr(lr, epoch\_size, steps\_per\_epoch, max\_epoch, gamma=0.1): lr\_epochs = \[\] for i in range(1, max\_epoch): if i % epoch\_size == 0: lr\_epochs.append(i) return multi\_step\_lr(lr, lr\_epochs, steps\_per\_epoch, max\_epoch, gamma=gamma) def warmup\_cosine\_annealing\_lr(lr, steps\_per\_epoch, warmup\_epochs, max\_epoch, T\_max, eta\_min=0): """Cosine annealing learning rate.""" base\_lr = lr warmup\_init\_lr = 0 total\_steps = int(max\_epoch \* steps\_per\_epoch) warmup\_steps = int(warmup\_epochs \* steps\_per\_epoch) lr\_each\_step = \[\] for i in range(total\_steps): last\_epoch = i // steps\_per\_epoch if i < warmup\_steps: lr = linear\_warmup\_lr(i + 1, warmup\_steps, base\_lr, warmup\_init\_lr) else: lr = eta\_min + (base\_lr - eta\_min) \* (1. + math.cos(math.pi\*last\_epoch / T\_max)) / 2 lr\_each\_step.append(lr) return np.array(lr\_each\_step).astype(np.float32) def warmup\_cosine\_annealing\_lr\_V2(lr, steps\_per\_epoch, warmup\_epochs, max\_epoch, T\_max, eta\_min=0): """Cosine annealing learning rate V2.""" base\_lr = lr warmup\_init\_lr = 0 total\_steps = int(max\_epoch \* steps\_per\_epoch) warmup\_steps = int(warmup\_epochs \* steps\_per\_epoch) last\_lr = 0 last\_epoch\_V1 = 0 T\_max\_V2 = int(max\_epoch\*1/3) lr\_each\_step = \[\] for i in range(total\_steps): last\_epoch = i // steps\_per\_epoch if i < warmup\_steps: lr = linear\_warmup\_lr(i + 1, warmup\_steps, base\_lr, warmup\_init\_lr) else: if i < total\_steps\*2/3: lr = eta\_min + (base\_lr - eta\_min) \* (1. + math.cos(math.pi\*last\_epoch / T\_max)) / 2 last\_lr = lr last\_epoch\_V1 = last\_epoch else: base\_lr = last\_lr last\_epoch = last\_epoch-last\_epoch\_V1 lr = eta\_min + (base\_lr - eta\_min) \* (1. + math.cos(math.pi \* last\_epoch / T\_max\_V2)) / 2 lr\_each\_step.append(lr) return np.array(lr\_each\_step).astype(np.float32) def warmup\_cosine\_annealing\_lr\_sample(lr, steps\_per\_epoch, warmup\_epochs, max\_epoch, T\_max, eta\_min=0): """Warmup cosine annealing learning rate.""" start\_sample\_epoch = 60 step\_sample = 2 tobe\_sampled\_epoch = 60 end\_sampled\_epoch = start\_sample\_epoch + step\_sample\*tobe\_sampled\_epoch max\_sampled\_epoch = max\_epoch+tobe\_sampled\_epoch T\_max = max\_sampled\_epoch base\_lr = lr warmup\_init\_lr = 0 total\_steps = int(max\_epoch \* steps\_per\_epoch) total\_sampled\_steps = int(max\_sampled\_epoch \* steps\_per\_epoch) warmup\_steps = int(warmup\_epochs \* steps\_per\_epoch) lr\_each\_step = \[\] for i in range(total\_sampled\_steps): last\_epoch = i // steps\_per\_epoch if last\_epoch in range(start\_sample\_epoch, end\_sampled\_epoch, step\_sample): continue if i < warmup\_steps: lr = linear\_warmup\_lr(i + 1, warmup\_steps, base\_lr, warmup\_init\_lr) else: lr = eta\_min + (base\_lr - eta\_min) \* (1. + math.cos(math.pi\*last\_epoch / T\_max)) / 2 lr\_each\_step.append(lr) assert total\_steps == len(lr\_each\_step) return np.array(lr\_each\_step).astype(np.float32) def get\_lr(args): """generate learning rate.""" if args.lr\_scheduler == 'exponential': lr = warmup\_step\_lr(args.lr, args.lr\_epochs, args.steps\_per\_epoch, args.warmup\_epochs, args.max\_epoch, gamma=args.lr\_gamma, ) elif args.lr\_scheduler == 'cosine\_annealing': lr = warmup\_cosine\_annealing\_lr(args.lr, args.steps\_per\_epoch, args.warmup\_epochs, args.max\_epoch, args.T\_max, args.eta\_min) elif args.lr\_scheduler == 'cosine\_annealing\_V2': lr = warmup\_cosine\_annealing\_lr\_V2(args.lr, args.steps\_per\_epoch, args.warmup\_epochs, args.max\_epoch, args.T\_max, args.eta\_min) elif args.lr\_scheduler == 'cosine\_annealing\_sample': lr = warmup\_cosine\_annealing\_lr\_sample(args.lr, args.steps\_per\_epoch, args.warmup\_epochs, args.max\_epoch, args.T\_max, args.eta\_min) else: raise NotImplementedError(args.lr\_scheduler) return lr **06 Conclusion and Outlook** In this paper, a novel edge-cloud collaborative training method for privacy protection is proposed. Different from previous methods that require frequent communication between edge devices and cloud devices, MistNet only needs to upload intermediate features from the edge to the cloud once during training, significantly reducing the communication volume transmitted between the edge and cloud. By quantifying, adding noise to, compressing and disturbing the representation data, the method presented in this paper makes it more difficult to infer the original data from the representation data on the cloud, thereby increasing the level of privacy protection for the data. In addition, the first several layers of the model are used as a feature extractor after the pre-trained model is segmented, thereby reducing computing workloads on the client. The MistNet algorithm further alleviates the defects of federated learning algorithms such as FedAvg. Nevertheless, new Federated learning-based algorithms that require low communication volume, strong privacy protection, and minimal edge computing workloads, are certainly worth further exploration and research. --- https://www.mindspore.cn/news/en/2766/ --- News Project Introduction | MindSpore Implementation of a Capsule Neural Network-Based Image Captioning Algorithm # Project Introduction | MindSpore Implementation of a Capsule Neural Network-Based Image Captioning Algorithm 2022/12/15 # Project Introduction | MindSpore Implementation of a Capsule Neural Network-Based Image Captioning Algorithm Author: Liu Han, Liu Yuanqiu | Organization: School of Software, Dalian University of Technology Project: MindSpore Implementation of a Capsule Neural Network-Based Image Captioning Algorithm Project Link: https://github.com/Liu-Yuanqiu/acn\_mindspore **Overview** **1.1 Image Captioning** Humans can easily use languages to describe what they see, but computers have a hard time doing so. The task of image captioning is to teach computers how to describe what they see. This involves the processing of visual information and generating statements that comply with human habits, which correspond to two major disciplines of AI: computer vision and natural language processing. Image captioning is not only of great significance in algorithm research but also has a wide range of applications in scenarios such as blind assistance and image-text conversion. **1.2 Capsule Network** In a convolutional neural network, layers are locally connected and share parameters, but the associations and location relationships between features are not considered. In a capsule neural network (capsnet), the spatial information and the probability of an object are encoded into a capsule vector, which is then normalized by a non-linear activation function that leaves the direction of the vector unchanged and dynamically routed to a higher-level capsule. In this way, the capsnet learns useful features and their relationships. **Network Structure** An image captioning algorithm usually uses an encoder-decoder structure. As shown in the figure, the encoder extracts visual features of a picture, captures relationships between the visual features by using multiple attention mechanisms, including a bilinear pooling module and an attentive capsule module, and generates an output. The bilinear pooling module obtains second-order interactions between features by performing squash-reward operations on the features. The attentive capsule module considers each visual feature as a capsule so as to capture positional relationships between the features. The decoder generates a corresponding word by using a recurrent neural network based on a visual feature. The decoder uses a recurrent neural network to generate words corresponding to the visual features and decodes the words in an autoregressive manner to compose a final description. Framework of a capsnet-based image captioning algorithm The algorithm uses cross-entropy loss to supervise training. The loss function is expressed as: **Development Process** In the specific implementation process, we first adapt the dataset, develop the network models, and then compose the training code. MindSpore supports the basic operators and provides simple APIs. Both underlying matrix calculation and high-level network model encapsulation are perfectly supported, greatly facilitating development and debugging. **3.1 Adapting the Dataset** Image captioning involves the processing of images and text, which correspond to multiple types of training data formats. The image features are a matrix preprocessed by Faster RCNN. The vocabulary is stored in a TXT file, and the descriptions are stored in an array. We use a custom dataset to generate training batches. First, define a data class, implement **\_\_getitem\_\_** in the class as an iterable object to return data, and use **GeneratorDataset** to assemble the data class for shuffling and batching. coco\_train\_set = CocoDataset( image\_ids\_path = os.path.join(args.dataset\_path, 'txt', 'coco\_train\_image\_id.txt'), input\_seq = os.path.join(args.dataset\_path, 'sent', 'coco\_train\_input.pkl'), target\_seq = os.path.join(args.dataset\_path, 'sent', 'coco\_train\_target.pkl'), att\_feats\_folder = os.path.join(args.dataset\_path, 'feature', 'up\_down\_36'), seq\_per\_img = args.seq\_per\_img, max\_feat\_num = -1) dataset\_train = ds.GeneratorDataset(coco\_train\_set, column\_names=\["indices", "input\_seq", "target\_seq", "att\_feats"\], shuffle=True, python\_multiprocessing=True, num\_parallel\_workers=args.works) dataset\_train = dataset\_train.batch(args.batch\_size, drop\_remainder=True) **3.2 Developing the Network Models** Network models are developed based on the **nn.Cell** class. The overall model class **CapsuleXlan**, **Encoder**, and **Decoder** are implemented based on different functions of the network, involving the linear layer, activation layer, matrix operations, and tensor operations. The network structure is defined as follows: class CapsuleXlan(nn.Cell): def \_\_init\_\_(): self.encoder = Encoder() self.decoder = Decoder() class Encoder(nn.Cell): def \_\_init\_\_(): self.encoder = nn.CellList(\[\]) for \_ in range(layer\_num): sublayer = CapsuleLowRankLayer() self.encoder.append(sublayer) class Decoder(nn.Cell): def \_\_init\_\_(): self.decoder = nn.CellList(\[\]) for \_ in range(layer\_num): sublayer = LowRankLayer() self.decoder.append(sublayer) class CapsuleLowRankLayer(nn.Cell): def \_\_init\_\_(): self.attn\_net = Capsule() class LowRankLayer(nn.Cell): def \_\_init\_\_(): self.attn\_net = SCAtt() class SCAtt(nn.Cell): def \_\_init\_\_(): class Capsule(nn.Cell): def \_\_init\_\_(): **CapsuleXlan** contains **Encoder** and **Decoder**. **Encoder** encodes visual information and **Decoder** generates descriptions. **Encoder** contains multiple **CapsuleLowRankLayer** layers. Each **CapsuleLowRankLayer** processes features, inputs the processed features to **Capsule** for calculation, and returns the processed results to the upper layer. This rule applies to **Decoder** as well. For specific operations, take **Decoder** as an example. First, we define the sublayer and the corresponding linear layer, implement the operator operation to be used in advance, and then use the predefined layers in **construct** to process the input. The calculation result is returned after the linear layer and layer normalization. class Decoder(nn.Cell): def \_\_init\_\_(self, layer\_num, embed\_dim, att\_heads, att\_mid\_dim, att\_mid\_drop): super(Decoder, self).\_\_init\_\_() self.decoder = nn.CellList(\[\]) for \_ in range(layer\_num): sublayer = LowRankLayer(embed\_dim=embed\_dim, att\_heads=8, att\_mid\_dim=\[128, 64, 128\], att\_mid\_drop=0.9) self.decoder.append(sublayer) self.proj = nn.Dense(embed\_dim \* (layer\_num + 1), embed\_dim) self.layer\_norm = nn.LayerNorm(\[embed\_dim\]) self.concat\_last = ops.Concat(-1) def construct(self, gv\_feat, att\_feats, att\_mask): batch\_size = att\_feats.shape\[0\] feat\_arr = \[gv\_feat\] for i, decoder\_layer in enumerate(self.decoder): gv\_feat = decoder\_layer(gv\_feat, att\_feats, att\_mask, gv\_feat, att\_feats) feat\_arr.append(gv\_feat) gv\_feat = self.concat\_last(feat\_arr) gv\_feat = self.proj(gv\_feat) gv\_feat = self.layer\_norm(gv\_feat) return gv\_feat, att\_feats We then implement the cross-entropy loss and assemble it with the network model into a class. class CapsuleXlanWithLoss(nn.Cell): def \_\_init\_\_(self, model): super(CapsuleXlanWithLoss, self).\_\_init\_\_() self.model = model self.ce = nn.SoftmaxCrossEntropyWithLogits(sparse=True) def construct(self, indices, input\_seq, target\_seq, att\_feats): logit = self.model(input\_seq, att\_feats) logit = logit.view((-1, logit.shape\[-1\])) target\_seq = target\_seq.view((-1)) mask = (target\_seq > -1).astype("float32") loss = self.ce(logit, target\_seq) loss = ops.ReduceSum(False)(loss \* mask) / mask.sum() return loss **3.3 Performing Training** The dataset and network model have been prepared. In the training process, we only need to assemble the model, optimizer, dataset, and callback function. Here, we define an optimizer that uses the Adam optimizer, define the callback function, and use **LossMonitor** to monitor the loss function, **timeMonitor** to calculate the time used in each step, **ModelCheckpoint** to save the model, and **SummaryCollector** to save the visualized data. Finally, **nn.Model** is used to assemble the four parts for training, and MindSpore Insight can be used to observe the training loss and parameter changes. net = CapsuleXlan() net = CapsuleXlanWithLoss(net) warmup\_lr = nn.WarmUpLR(args.lr, args.warmup) optim = nn.Adam(params=net.trainable\_params(), learning\_rate=warmup\_lr, beta1=0.9, beta2=0.98, eps=1.0e-9) model = ms.Model(network=net, optimizer=optim) loss\_cb = LossMonitor(per\_print\_times=1) time\_cb = TimeMonitor(data\_size=step\_per\_epoch) ckpoint\_cb = ModelCheckpoint(prefix='ACN', directory=os.path.join(args.result\_folder, 'checkpoints')) summary\_cb = SummaryCollector(summary\_dir=os.path.join(args.result\_folder, 'summarys')) cbs = \[loss\_cb, time\_cb, ckpoint\_cb, summary\_cb\] model.train(epoch=args.epochs, train\_dataset=dataset\_train, callbacks=cbs) **Model Effect Evaluation** The model is trained and tested on the Ascend basic software and hardware platform. Ascend 910 is used as the training device, and MindSpore, driven by CANN, is used as the framework. The loss changes are monitored and visualized by MindSpore Insight in real time. Nearly a million data records are used for training, achieving good training and inference effects, and generating complete and accurate descriptions for images. --- https://www.mindspore.cn/news/en/2767/ --- News Idea Sharing (35): New AI4Science Directions in Quantum, Atomistic, and Continuum Systems # Idea Sharing (35): New AI4Science Directions in Quantum, Atomistic, and Continuum Systems 2023/08/23 # Idea Sharing (35): New AI4Science Directions in Quantum, Atomistic, and Continuum Systems Advancements of artificial intelligence (AI) are fueling a new paradigm for scientific discoveries. AI has begun to revolutionize the field of natural sciences by enhancing, speeding up, and facilitating our comprehension of natural phenomena across various spatial and temporal scales. This has led to the emergence of a new research field called AI for Science or AI4Science. The paper _Artificial Intelligence for Science in Quantum, Atomistic, and Continuum Systems_ co-authored by over 60 individuals was recently published. It offers a detailed technical overview of a specific subfield of AI4Science, focusing on the application of AI to quantum, atomistic, and continuum systems. And this blog extracts technical principles of the paper and simply introduces how to construct an equivariant model through symmetry transformations. **1\. Introduction** In 1929, Paul Adrien Maurice Dirac, a quantum physicist pointed out that "The underlying physical laws necessary for the mathematical theory of a large part of physics and the whole of chemistry are thus completely known, and the difficulty is only that the exact application of these laws leads to equations much too complicated to be soluble." This is true from the Schrödinger's equation in quantum physics to the Navier-Stokes equations in fluid mechanics. Fortunately, deep learning methods are able to accelerate the computing of solutions for these equations. Specifically, results generated by conventional simulation methods can be used as data to train deep learning models. Once trained, these models can make predictions at a speed that is much faster than conventional methods. In other areas such as biology, the underlying biophysical processes are not fully understood and may not eventually be described by mathematical equations. In these cases, data generated by experiments may be used to train deep learning models. For example, protein prediction models, such as AlphaFold, RoseTTAFold, and ESMFold, trained by using 3D structures obtained by experiments, can achieve an accuracy comparable to experimental results in terms of computational predictions of protein 3D structures. **1.1 Scientific Areas** Based on the spatial and temporal scales at which the physical world is modeled, the following figure provides an integrative overview of research areas in AI4Science. **Small scale**: **Quantum mechanics** uses wave functions to investigate physical occurrences at the most minute length scales, which describe the complete dynamics of quantum systems. Typically, wave functions are derived by resolving the Schrödinger equation. This, however, involves exponential complexity. **Density functional theory** (DFT) and ab initio quantum chemistry methods are first principles widely used in practice to calculate electronic structures and physical properties of molecules and materials and to further derive other properties, including electronic, mechanical, optical, magnetic, and catalytic properties of molecules and solids. However, these methods are computationally expensive, restricting their application to only small systems (about 1,000 atoms). And AI models can exactly help improve speed and accuracy. **Medium scale**: A **small molecule** typically has tens to hundreds of atoms and plays an important role in regulatory and signal transmission in many chemical and biological processes. **Protein** is a macromolecule consisting of one or more amino acid chains. Amino acid sequences are believed to determine protein structures, which in turn determine their functions. **Materials science** studies the relationship of processing, structure, and performance of materials. And **molecular interaction** studies how molecules interact with each other to implement physical and biological functions, such as ligand-receptor and molecule-material interactions. In these fields, AI has made much progress in molecular characterization and generation, molecular dynamics, protein structure prediction and design, material property prediction, and structure generation. **Large scale**: **Continuous mechanics** uses partial differential equations (PDEs) to represent physical phenomena that progress over time and space at the macroscopic scale, including fluid flows, heat transfer, and electromagnetic waves. AI methods have provided solutions to problems such as improving computing efficiency, generalization, and multi-resolution analysis. **1.2 Technical Areas of AI** The following presents some common technical challenges that exist in multiple fields in AI4Science. **Symmetry**: Symmetries are very strong inductive biases, and a key challenge of AI4Science is how to effectively integrate symmetries in AI models. **Interpretability**: Interpretability is critical to understanding the laws of physical worlds in AI4Science. **Out-of-distribution (OOD) generalization and causality**: To avoid generating training data for each different setting, causal factors capable of OOD generalization need to be identified. **Foundation and large language models**: Foundations models involved in natural language processing (NLP) tasks are pre-trained under self-supervised or generalizable supervision, allowing various downstream tasks to be performed in zero-shot or few-shot mode. The paper describes how this paradigm accelerates discoveries in AI4Science. **Uncertainty quantification (UQ)**: It studies how to guarantee robust decision-making under data and model uncertainties. **Education**: To facilitate learning and education, the paper lists the resources that the author considers useful and provides views on how the community can better promote the integration of AI with science and education. **2\. Symmetries, Equivariance, and Theory** In many scientific problems, an object of interest is usually located in a 3D space, and any mathematical representation of the object depends on a reference coordinate system, making representations coordinate-dependent. However, there is no coordinate system in nature, so representations independent of the coordinate system are required. Therefore, one of the key challenges of AI4Science is how to achieve invariance or equivariance under coordinate system transformations. **2.1 Overview** Symmetries refer to attributes of a physical phenomenon remain unchanged under a transformation such as coordinate transformation. If certain symmetries exist in the system, the predicted target is naturally invariant or equivariant to the corresponding symmetry transformation. For example, when energies of 3D molecular structures are predicted, the predicted value remains unchanged even if the 3D molecule is translated or rotated. An optional strategy to achieve symmetry-aware learning is to use data augmentation during supervised learning. Specifically, random symmetry transformations are performed on input data and labels to force the model to output approximate equivariant predictions. However, this comes with many drawbacks. First, considering the additional degree of freedom for selecting a coordinate system, the model needs a larger capacity to represent a simple mode originally in a fixed coordinate system. Second, many symmetry transformations, such as translation, can produce an infinite number of equivariant samples, which makes it difficult for limited data augmentation to fully reflect the symmetries in the data. Third, in some cases, a very deep model needs to be built to achieve a good prediction effect. If each layer of the model cannot maintain equivariance, it will be difficult for the model to output equivariant predictions. Finally yet importantly, for scientific issues such as molecular modeling, it is critical to provide a robust prediction under symmetry transformations so that machine learning can be used in a reliable manner. Given these disadvantages of data augmentation, more and more studies have focused on designing machine learning models that meet symmetry requirements. With symmetry-adapted architecture, models can focus on learning target prediction tasks without data augmentation. **2.2 Equivariance under Discrete Symmetry Transformations** In this part, the paper presents an example of maintaining equivariance under discrete symmetry transformations in AI models. This example simulates the mapping of a scalar fluid field in a 2D space at the current time step to the next time step. When the input fluid field is rotated by 90°, 180°, or 270°, the output fluid field is rotated accordingly. The mathematical expression is as follows: **f** represents a fluid field mapping function, and **R** represents a discrete rotation transformation. The equivariant group convolutional neural networks (G-CNNs) were proposed to better achieve equivariance under symmetry transformations. One of the simplest solutions is the lifting convolution: It performs convolutions with kernels rotated by every angle in α to generate several feature maps, and these feature maps are stacked at the rotation degree α. Then, it applies a pooling operation over α-axis. As such, the output rotates accordingly when the input _X_ rotates. Due to pooling operations, G-CNNs maintain equivariant lines which do not cannot carry direction information. As a result, G-CNNs typically adopt the structure shown in the following figure. The typical architecture starts with a lifting convolution, which, as explained above, is followed by multiple equivariant group convolution layers. The final layer is a pooling layer that operates over the α-axis. In this way, intermediate feature layers can better detect patterns of features in their relative positions and orientations. The equivariance of intermediate feature layers refers to the fact that these layers rotate in correspondence with rotation transformations, with the sequence of the rotation dimension also being rotated. Rotation properties of a convolution kernel in a group convolution layer also enable an output feature map to maintain this equivariant feature. **2.3-2.5 Equivariant Model Construction of 3D Continuous Transformations** For many scientific problems, we focus on continuous transformations in a 3D space, for instance, translations and rotations of chemical compounds. Accordingly, vectors formed by predicted molecular properties also rotate. These consecutive rotations **R** and translations **t** form elements in SE(3) (SE stands for the special Euclidean group in a 3D space), and these transformations can be represented as transformation matrices in vector spaces. Transformation matrices in different vector spaces may be different, but all these vector spaces can be decomposed into mutually independent subvector spaces. Each subspace has a same transformation rule, that is, vectors generated after all transformation elements in the group are applied to vectors in the subspace still exist in this subspace. Therefore, transformation elements in the group can be represented by an irreducible transformation matrix in the subspace. For example, scalars such as total energy and band gaps remain unchanged under actions of elements in SE(3), and the transformation matrix is represented as D^0(R)=1. However, the force field rotates with the transformation matrix being represented as D^1(R)=R. In a higher-dimensional vector space, D^l(R) represents a (2l+1)-dimensional array. These transformation matrices D^l(R) are referred to as l-order Wigner-D matrix of _R_, and corresponding subvector spaces become l-order irreducible and unchanged subspaces of SE(3), where vectors are referred to as l-order equivariant vectors. In translations, these vectors always remain unchanged, because their properties are only associated with relative positions. Generally, spherical harmonics are used to map 3D geometric information to the features in the invariant subspace of SE(3). Y^l, a set of spherical harmonics, maps an input 3D vector to a (2l+1)-dimensional vector representing the coefficient of (2l+1) spherical harmonics bases. As shown in the following figure, because only a limited number of bases are used, the delta function on the sphere represented by the 3D vector is expanded to some extent. _x_ and _y_ are spatial coordinates, _f\_in(y)_ represents an input feature vector at the coordinate _y_, _f\_out(x)_ represents an output feature vector at the coordinate _x_, and _K_ is transformation from an input feature space to an output feature space. Convolution operations ensure translation equivariance. However, to ensure equivariance under other spatial affine transformations, the convolution kernel _K_ needs to meet the following symmetry constraint: _g_ is the transformation in a spatial transformation group, and _ρ\_in_ and _ρ\_out_ are representations (transformation matrices) of the transformation in input and output feature spaces, respectively. This is all about theories related to symmetries and equivariance in the paper. If you are interested in applications in different domains, consult the subsequent chapters. **References:** \[1\] Xuan Zhang, Limei Wang, Jacob Helwig, et al. 2023. Artificial Intelligence for Science in Quantum, Atomistic, and Continuum Systems. arXiv: https://arxiv.org/abs/2307.08423 \[2\] Taco Cohen and Max Welling. 2016. Group Equivariant Convolutional Networks. In International Conference on Machine Learning. PMLR, 48:2990–2999. \[3\] Nathaniel Thomas, Tess Smidt, Steven Kearnes, et al. 2018. Tensor field networks: Rotation-and translation-equivariant neural networks for 3d point clouds. arXiv: https://arxiv.org/abs/1802.08219 Maurice Weiler, Mario Geiger, Max Welling, et al. 2018. 3D Steerable CNNs: Learning Rotationally Equivariant Features in Volumetric Data. In Advances in Neural Information Processing Systems --- https://www.mindspore.cn/news/en/2768/ --- News Idea Sharing (37): An Analysis on Learning Mesh-Based Simulation with Graph Networks # Idea Sharing (37): An Analysis on Learning Mesh-Based Simulation with Graph Networks 2023/08/29 # Idea Sharing (37): An Analysis on Learning Mesh-Based Simulation with Graph Networks 1\. Background Mesh-based simulations are the core of complex physical system modeling. Because it is very expensive to run high-dimensional scientific simulations, we need to adapt the mesh resolution and powerful numerical integration methods to strike a balance between accuracy and efficiency. And using AI to quickly obtain flow field information based on geometric shapes becomes particularly important. In high-performance computing, there are structured meshes and unstructured meshes for computing in complex scenarios. For actual engineering scenarios, as shapes become complex, unstructured meshes gradually become the mainstream in numerical computing. Given that the interior nodes in an unstructured mesh have varying neighborhoods, and may be of different shapes, the unstructured mesh cannot be converted into a regular tensor for representation, and therefore, geometry and flow fields cannot be mapped by using convolutional neural networks (CNNs). Graph neural networks (CNNs), instead, need to be used to process such unstructured data. DeepMind introduced MeshGraphNets\[1\] to predict flow fields in unstructured meshes. 2\. Network Architecture Figure 1 MeshGraphNets network architecture The model uses the Encoder-Processor-Decoder architecture for training and can be repeatedly iterated to generate long-term trajectories during inference. For the input mesh **M(t) (M(t) = (V, E^M))**, which indicates that the simulation mesh at time **t** has **V** nodes and _E^M_ edges, the encoder transforms the mesh into a graph, adding extra world-space edges. The processor updates all node and edge embeddings through several rounds of message passing along mesh edges and world edges. The decoder extracts the features of each node and updates the mesh to generate M(t+1) at the next time 2.1 Encoder The encoder encodes the current mesh **M(t)** into a multi-graph **G = (V, E^M, E^M)**. Mesh nodes are demoted as **V**, and connection lines between the mesh modes are edges **E^M**. The two can be used to calculate the internal dynamics of the mesh. For Lagrangian systems, world edges **E^M** are added to learn the external dynamics, such as (self-) collision and contact. World edges **E^M** are created by spatial proximity: that is, given that the minimum radius of the mesh edges is **r^W**, we add a world edge between nodes **i** and **j** if **|x(i)-x(j)| < r^W**, excluding node pairs already connected in the mesh. Then, we encode the features into graph nodes and edges. To achieve spatial equivariance, positional features are provided as relative edge features. We encode the relative displacement vector **u(i)(j) = u(i)-u(j)** in the mesh space and its norm **|u(i)(j)|** into the mesh edges **e(i)(j)^M∈E^M**, and then encode the relative world-space displacement vector **x(i)(j)** and its norm **|x(i)(j)|** into **e(i)(j)^M∈E^M** and **e(i)(j)^W∈E^W**, respectively. The remaining dynamic features **q(i)** are encoded into node features **v(i)**. Finally, the above features are encoded into a latent vector with a length of 128, and the network structure is multi-layer perceptron (MLP). 2.1 Decoder and State Updater To predict the state at time _t+1_ from the input at time _t_ moment, the decoder uses an MLP to convert the latent node features **v(i)** after the final processing into one or more output features **p(i)**. We can take the output features **p(i)** as higher-order derivatives of **q(i)** and integrate them to calculate the dynamical quantity **q(i)^(t+1)** of the next step by using a forward-Euler integrator with △t=1. For first-order systems, the output **p(i)** is integrated once to update **q(i)^(t+1) = p(i) + q(i)^t**; while for second-order systems, the integration happens twice: **q(i)^(t+1) = p(i) + 2q(i)^t – q^(t-1)**. The additional output features **p(i)** are also used to predict auxiliary quantities such as pressure and stress. Finally, the output mesh nodes **V** are updated using **q(i)^(t+1)** to generate **M^(t+1)**. We train our dynamic model by supervising the output features **p(i)** of each node. The decoder calculates a L2 loss between **p(i)** and groundtruth **p(i)\`**. 3\. Test Results The authors of this paper evaluated this model on systems with different underlying PDEs, including cloth, structural mechanics, incompressible and compressible fluids. The edge length of the dataset AIRFOIL ranges from 2 x 10^-4 m to 3.5 m. In addition, we simulated meshes whose resolution is dynamically changed during a trajectory. The above table shows the performance and precision comparison between MeshGraphNets and traditional methods used in different datasets. For different datasets, MeshGraphNets delivers hundreds of times better performance. However, as the number of simulation steps increases, errors accumulate, results fluctuate, and the accuracy decreases accordingly. This problem is resolved in DeepMind's ICLR paper Predicting Physics in Mesh-reduced Space with Temporal Attention in 2022. MeshGraphNets also generalizes well outside the training distribution, with respect to underlying system parameters, mesh shapes, and mesh sizes. This is because the architecture using relative coding on graphs has been proved to be very conducive to generalization. In the AIRFOIL dataset, the model is verified at steeper angles (-35° to 35° vs. -25° to 25° in the training set) and higher Mach number (0.7 to 0.9 vs. 0.2 to 0.7 in the training set). In both cases, the predictions remain reasonable and RMSE increases slightly from 11.5 (training) to 12.4 for steeper angles and 13.1 for higher Mach number. In addition, a model is trained on the FLAGDYNAMIC variant dataset, where the wind speed and direction change between trajectories, but remain unchanged in each trajectory. During inference, the model allows free change of the wind speed and direction. This shows that the physical laws learned by this model can infer untrained parameter ranges. 4\. Summary MeshGraphNets is a general mesh-based method that can accurately and effectively model a wide range of physical systems. It has good generalization capability and can be scaled up during inference. This method can achieve more efficient simulation than traditional solvers, and is useful for design optimization or optimal control tasks because it is differential. The emergence of MeshGraphNets will trigger better and updated network architectures for fast prediction of flow fields in structured and unstructured meshes, laying a solid foundation for further reducing accumulated errors and improving generalization. References \[1\] Pfaff T, Fortunato M, Sanchez-Gonzalez A, et al. Learning mesh-based simulation with graph networks\[J\]. arXiv preprint arXiv:2010.03409, 2020. https://arxiv.org/abs/2010.03409 \[2\] Han X, Gao H, Pfaff T, et al. Predicting physics in mesh-reduced space with temporal attention\[J\]. arXiv preprint arXiv:2201.09113, 2022. https://arxiv.org/abs/2201.00911 --- https://www.mindspore.cn/news/en/2769/ --- News Idea Sharing (36): MPI Advanced Features and Scientific Computing Cases # Idea Sharing (36): MPI Advanced Features and Scientific Computing Cases 2023/08/23 # Idea Sharing (36): MPI Advanced Features and Scientific Computing Cases **I. Basics About MPI** Message Passing Interface (MPI) is a standard specification for message passing function libraries. It is developed by the MPI forum, and is one of the most commonly used key parallel distributed interfaces for scientific and high-performance computing. MPI belongs to the fifth layer or higher of the Open System Interconnection (OSI) reference model. Generally, the bottom layer is implemented through Sockets or Transmission Control Protocol (TCP) at the transport layer. MPI 1.0 was proposed in 1994, which introduced the basic concept of message passing. It then evolved to version 2.0 in 1997, with features such as one-sided communication and parallel I/O added, defining the fundamental MPI functionality. Starting from version 3.0, numerous interfaces were gradually added to enhance performance and expand application scenarios, including non-blocking collective communication, neighborhood collective communication, shared memory extension, MPI\_T interface extension, and more. The recent releases of version 4.0 and 4.1 further enhance the features, such as hybrid programming model extension, fault tolerance, persistent collections, performance assertions and hints, RMA/one-sided communication, and more, making it capable of supporting large-scale distributed super applications. **II. Implementation Editions and Main Features** Popular MPI implementation editions include MPICH, Open MPI, and MVAPICH. In addition, various vendors also develop their own editions with specific optimizations based on their own chips or systems, such as Intel, IBM, Microsoft, etc. The currently mature MPI 3.1 has support and implementations from multiple vendors, while MPI 4.0 is currently well-supported mainly by MPICH and Open MPI, with main features covered. Figure 1 Overview of MPI 3.1 software implementation Figure 2 Overview of MPI 4.0 software implementation **III. MPI Advanced Features** (1) **Memory sharing:** MPI 1 and MPI 2 do not support direct memory sharing, and can read or update only through message passing. In essence, the memory space between processes is not shared, so it cannot be loaded and stored in the conventional way. The explicit message passing and remote memory access operations require additional memory copying, which reduces memory performance and increases memory consumption. Starting from MPI 3, part of the memory space of the memory sharing window is exposed to other processes. This portable memory sharing mechanism allows for regular MPI and memory sharing operations in a unified programming mode, avoiding the issues associated with external memory sharing programming models. (2) **Hybrid programming:** To cope with the hybrid architectures of a large number of CPUs, CPU cores, GPUs, and other acceleration hardware, MPI introduced the hybrid programming feature from version 3.0, enabling better handling of node and data parallel programming models. One common method is MPI + OpenMP that allows for node-level and thread-level hybrid parallelism. Additionally, mixing MPI with pthreads is also commonly used. MPI also provides a secure thread programming interface, **MPI\_Thread\_init**, to support **MPI\_THREAD\_SINGLE** (single-thread scenario), **MPI\_THREAD\_FUNNELLED** (cycling scenario), and **MPI\_THREAD\_MULTIPLE** (complete multi-thread scenario). Figure 3 MPI + OpenMP hybrid programming model (3) **Fault tolerance:** This is a key feature introduced in MPI 4, which mainly provides portable application fault tolerance and fast recovery mechanisms. In each iteration, status data of MPIs and applications is recorded as checkpoints. If a failure occurs, data can be restored from the latest checkpoint. Figure 4 Fault tolerance mechanism of MPI 4 (4) **RMA/One-sided communication:** One-sided communication decouples data exchange from synchronization, so that remote processes do not need to synchronize data during data exchange. This makes it easier to implement irregular communication patterns without the need for additional steps to determine the number of Send/Recv operations required. If the system hardware supports Remote Memory Access (RMA), better performance can be achieved compared to Send/Recv. The one-sided communication feature was introduced in MPI 3 and further optimized and enhanced in MPI 4. Figure 5 Two-sided communication vs. One-sided communication **IV. MPI Cases in Scientific Computing** **(1) Meteorological Simulation** In weather simulation, the atmosphere can be regarded as a three-dimensional sphere. To simulate it, it is necessary to compute the temperature, humidity, wind speed, precipitation, and atmospheric pressure at each grid point around the world. By using MPI, the global grid points can be divided into several sub-regions, which are then assigned to different compute nodes for parallel computation and simulation. Due to the mutual influence of grid boundaries in the simulation process, it is necessary to exchange information within a certain range of boundaries at each simulation time step. Using MPI for parallel computation and data communication can accelerate weather simulation and achieve higher forecast accuracy and efficiency. However, based on practice, the basic MPI operations are not enough to achieve high performance in the simulation system. For example, imbalances often occur between communication orthogonality and appropriate cache utilization, which requires researchers to design proper process allocation strategies. For scenarios with large amounts of boundary data in simulation, techniques such as one-sided asynchronous communication and RMA memory sharing are needed to mask the computation and communication from each other. **(2) Molecular Dynamics Simulation** By simulating the motions of molecular systems, molecular dynamics not only allows for the determination of atomic trajectories and observation of various microscopic details in atomic motions, but also enables the extraction of samples from different system configurations for further computation of thermodynamic properties and other macroscopic characteristics. The accuracy of molecular dynamics simulation depends on the interactions of atoms, including their interactions with the environment and other atoms within the system. These interactions can be described using quantum mechanical theories, or be calculated using empirical methods or the recently popular AI4Sci approach, which utilizes neural networks for inference. Depending on the level of approximation for the interactions, the research scope can range from a few atoms to several thousand, tens of thousands, or even billions of atoms. For a large-scale molecular simulation, it is common to divide the system into several grid regions based on geometric space and assume that the forces acting on each grid region are only influenced by the current region and its neighborhood. This allows the computation of the complex system to be decomposed into different compute nodes according to the grid regions. At each time step or every few time steps, due to atomic motions and other factors, the atoms within a grid region and the neighborhood undergo changes. This requires the use of MPI communication to exchange data. Since the neighborhood is shared by multiple regions or is irregularly partitioned and shared, data synchronization needs to be precisely done using the MPI mechanism to prevent dirty reads and writes. **(3) Fluid Mechanics Simulation** The principle of fluid mechanics simulation is based on a series of governing equations. Due to the difficulty in solving equations such as the Navier-Stokes, numerical methods such as the finite volume or finite element methods are commonly used in practical applications. Specifically, divide the fluid into numerous small volume elements, known as grids, and then compute and simulate the mechanical characteristics of each grid. Parallel modes used in fluid mechanics simulation include data parallelism, task parallelism, and hybrid parallelism. For data parallelism, such as OpenMP, the compute domain is not partitioned but the memory can be shared. Each thread computes different data in the same partition. This mode is easy to implement but has low scalability. For task parallelism, such as MPI, the compute domain is partitioned but the memory is not shared. Each process independently computes the corresponding partition, and MPI communication is performed between partitions. This mode is suitable for large-scale expansion but is more complex to implement and has higher software architecture requirements. Hybrid parallelism refers to the combination of MPI and OpenMP, where OpenMP is used within a node and MPI is used across nodes. This mode ensures efficient communication and is suitable for large-scale expansion. Hybrid parallelism can be further divided into coarse-grained and fine-grained parallelism, as described in the relevant documentation for the CFD software PHengLEI. **References** \[1\] https://www.mpi-forum.org \[2\] https://github.com/mpiwg-ft/ft-issues/blob/master/slides/MPI\\\_Stages.pdf \[3\] HE Qiang, LI Yongjian, HUANG Weifeng, LI Decai, HU Yang, WANG Yuming. Parallel simulations of large-scale particle-fluid two-phase flows with the lattice Boltzmann method based on an MPI+OpenMP mixed programming model. Journal of Tsinghua University (Science and Technology), 2019, 59(10): 847-853. \[4\] https://spcl.inf.ethz.ch/Publications/.pdf/hoefler-hpcac19-fompi-spin.pdf \[5\] http://www.cardc.cn/nnw/software/p --- https://www.mindspore.cn/news/en/2770/ --- News Idea Sharing: Physics-informed Convolutional-Recurrent Network for Solving Spatiotemporal PDEs # Idea Sharing: Physics-informed Convolutional-Recurrent Network for Solving Spatiotemporal PDEs 2023/08/28 # Idea Sharing: Physics-informed Convolutional-Recurrent Network for Solving Spatiotemporal PDEs Author: Yu Fan Source: Zhihu **Background** Complex spatiotemporal systems modeled by partial differential equations (PDEs) are common in many disciplines, such as applied mathematics, physics, biology, chemistry, and engineering. In most cases, we cannot obtain analytical solutions to the PDEs used to describe these complex physical systems. Therefore, numerical solutions have been extensively studied, including finite element analysis, finite difference analysis, and isogeometric analysis (IGA). The computing overhead remains a major difficulty in applications of data assimilation and inverse problems, even though classic numerical approaches that approximate the exact solutions with basis functions can achieve remarkable accuracy for forward analysis. In recent years, various deep learning methods used to solve forward and inverse problems in nonlinear systems have emerged one after another. Research on physical system modeling by using deep neural networks (DNNs) falls into two categories: continuous and discretized networks. The representative work of continuous networks is physics-informed neural networks (PINNs), where the PDE residuals are used as soft constraints of DNNs and fully connected layers are used to approximate the equation solutions, facilitating DNN training on small or unlabeled sampling datasets. Despite the advantages, PINNs are generally limited to low-dimensional parameterizations and less capable of handling PDE systems whose behavior has sharp gradients or complex local morphology. A few recent pilot studies show that discrete networks have better scalability and faster convergence. For example, CNNs can be used as surrogate models for time-independent systems, and PhyGeoNet can geometry-adaptively solve steady-state PDEs through coordinate transformation between the physical and reference domains. On the other hand, for time-dependent systems, most NN-based solutions still focus on data-driven approaches and meshing. PhyCRNet, proposed by professor Sun Hao's team at Gaoling School of Artificial Intelligence, Renmin University of China, together with Northeastern University (US) and the University of Notre Dame, is an unsupervised learning method for solving multi-dimensional spatiotemporal PDEs using a physics-informed convolutional-recurrent network structure. PhyCRNet combines the strengths of a convolutional long short-term memory network (ConvLSTM) that extracts low-dimensional spatial features and learns their temporal evolution, a global residual connection that strictly maps the time-marching dynamics of the PDE solution, and finite-difference-based spatiotemporal filtering that determines the essential PDE derivatives for constructing the residual loss function into a basis approach in the face of inverse problems as well as sparse and noisy data. **1\. Problem Definition** The general form of a multi-dimensional nonlinear parametric PDE system is as follows: where **u(x, t)** represents the solution of the equation in the temporal domain **T** and the spatial domain **Ω**, and **F** is the nonlinear functional parameterized by **λ**. **2\. Modeling Method** **ConvLSTM** ConvLSTM is a spatiotemporal sequence-to-sequence learning framework extended from LSTM and its variant LSTM encoder-decoder prediction architecture, which has the advantage of modeling long-period dependencies that evolve over time. Essentially, the memory cell is updated through the input and state information being accessed, accumulated, and removed due to the delicate design of controlling gates. Based on such a setup, the gradient vanishing problem of recurrent neural networks (RNNs) is alleviated. ConvLSTM inherits the basic structure of LSTM (such as cells and gates) for controlling the information flow and replaces the fully connected NNs (FC-NNs) with CNNs due to their better capability of spatial connection representation in gated operations. As a special class of RNNs, LSTM can be used as an implicit numerical scheme for solving time-dependent PDEs. The following figure shows the structure of a single ConvLSTM cell. Figure 1: Single ConvLSTM cell at time **t** The mathematical formulations of updating ConvLSTM cells are as follows: where **\*** represents the convolutional operation, **⊙** represents the Hadamard product, **W**s are the weight parameters of the corresponding filters, and **b**s represent bias vectors. **Pixel Shuffle** Pixel shuffle is an efficient sub-pixel convolution operation for upscaling the low-resolution (LR) feature maps into the high-resolution (HR) outputs. Consider an LR feature tensor of shape (C x r^2, H, W), where C indicates the number of channels, {H, W} are the height and width respectively, and r is the upscaling factor. We can obtain an HR tensor of shape (C, H x r, W x r) by realigning the elements in the LR tensor. Figure 2: Pixel shuffle layer The efficiency of pixel shuffle is reflected in the following aspects: Ÿ Upscaling is performed only in the last layer of convolution, unlike other methods such as deconvolution where more convolutional layers are needed to reach the target resolution. Ÿ The feature extraction layers before the upsampling layer can use smaller filters to process the LR tensors. **PhyCRNet** PhyCRNet consists of an encoder-decoder module, residual connection, autoregressive (AR) process and filtering-based differentiation. The encoder includes three convolutional layers for learning low-dimensional latent features from the input state variable Ui and uses ConvLSTM layers to evolve based on the learned features over time. Because the transformation is performed on low-dimensional variables, the memory burden is alleviated. In addition, inspired by the forward Euler scheme, a global residual connection is added between the input state variable **Ui** and the output variable **Ui+1**. Then, the single-step learning process can be represented as **Ui+1 = Ui + δt x N\[Ui; θ\]**, where **N\[·\]** indicates the trained NN operator and **δt** is the time interval. Therefore, this recursive relationship can be regarded as a simple AR process. Figure 3: PhyCRNet network structure Here, **U0** is the initial condition, and **U1** to **UT** are discrete solutions to be predicted by the model. Compared with traditional numerical methods, ConvLSTM can use larger time intervals. For the calculation of each derivative term, we use a fixed convolutional kernel to represent the numerical differentiation. PhyCRNet uses second-order and fourth-order difference schemes to calculate temporal and spatial derivatives of **U**. To further improve the computational efficiency, we can skip the encoder part in a period of **T**, except the first time instant of each period, as shown in the following figure: Figure 4: PhyCRNet-s network structure **I/BC Hard Imposition** Compared with the PINNs that use the physical initial/boundary condition (I/BC) as soft imposition (the residual is optimized as a part of the loss function). PhyCRNet strictly integrates I/BCs into the model (the IC is used as the input **U0** of ConvLSTM, and the BC is imposed through padding). In this way, the physical condition is no longer soft imposition, improving the accuracy and facilitating convergence. For Dirichlet BCs, the known boundary constants can be incorporated into the state variables through spatial padding. For Neumann BCs, a layer of ghost elements may be added around the spatial domain, and their values are approximated with difference in a training process. Where **Nτ** is the number of time steps within \[0, τ\], and **u \*(x, t)** is the reference solution. **2D Burgers' equations** Consider a classical problem in fluid dynamics, the 2D Burgers' equation given in the following form: Four representative time instants are chosen for training (t = 1.0, 2.0) and extrapolation (t = 3.0, 4.0) phases to compare the solution accuracy and extrapolation between PhyCRNet and PINN. Figure 7: Comparison of solution accuracy and extrapolability between PhyCRNet and PINN for the λ-ω RD equations The following figure shows the error propagation curves of PhyCRNet and PINN during training and extrapolation in the preceding two PDE systems. It can be seen that PhyCRNet has better performance in both phases, especially extrapolation. Figure 8: Comparison of error propagation between PhyCRNet and PINN **References** \[1\] Ren P, Rao C, Liu Y, et al. PhyCRNet: Physics-informed convolutional-recurrent network for solving spatiotemporal PDEs\[J\]. Computer Methods in Applied Mechanics and Engineering, 2022, 389: 114399. \[2\]https://www.sciencedirect.com/science/article/abs/pii/S0045782521006514?via%3Dihub --- https://www.mindspore.cn/news/en/2771/ --- News Implementation of the Baichun Model on MindSpore through Deployment, Training, Inference, and Fine-Tuning # Implementation of the Baichun Model on MindSpore through Deployment, Training, Inference, and Fine-Tuning 2023/08/22 # Implementation of the Baichun Model on MindSpore through Deployment, Training, Inference, and Fine-Tuning The Beijing Ascend AI Computing Center successfully completed the deployment, training, inference, and fine-tuning of the open source foundation model Baichuan based on MindSpore and MindFormers. Additionally, the Center assisted an industry client in completing the secondary pre-training of a 160-device cluster with stable loss convergence, resulting in the successful creation of an industry foundation model. (Cluster training loss curve and learning rate tested by users) **MindFormers** MindFormers is a powerful development kit for foundation models, including their training, inference, and deployment. MindFormers offers a wealth of fundamental knowledge and a variety of training, inference, and deployment options. Its user-friendly and scalable design allows for quick customization to meet individual needs. With just a single line of code, users can effortlessly transition from training on a single device to large-scale cluster training, efficiently combining policies of data parallelism and model parallelism. **Baichuan Foundation Models** Baichuan, both open source and commercially available, is a series of pre-trained large language models developed by Baichuan AI. The series includes models with 7 billion, 13 billion, and 53 billion parameters. **The detailed advantages are as follows:** 1\. Trained on massive Chinese and English data, these models exhibit robust language versatility and cross-linguistic abilities. They can handle a wide range of text types and styles, from formal narratives to colloquial expressions, in both Chinese and English. 2\. Based on the Transformer structure, they have strong parallelism and scalability. By leveraging large-scale computing resources, they can achieve efficient training and inference. Additionally, through model compression and optimization technologies, they are able to operate on a variety of hardware and environments. 3\. These models, utilizing autoregressive technologies, exhibit powerful generation capabilities and coherence. They are able to produce fluent and coherent text in response to contextual cues, regardless of text length. By adjusting parameters and policies, they can achieve a range of generation goals and outcomes. **Beijing Ascend AI Computing Center** The Beijing Ascend AI Computing Center, spearheaded by the Mentougou District government and built by ZGC Group, is operated independently by Beijing Ascend Intelligent Technology Co., Ltd. Based on the Ascend AI software and hardware platform, the Center offers 100P of computing power in its initial phase, with plans to expand to 400P by year's end to serve businesses and universities. The Center is committed to assisting clients across various sectors to effectively utilize foundation models and high computing power. It has successfully trained, fine-tuned, inferred, and deployed a variety of models including Baichuan, GLM, Llama, Bloom, T5, BERT, GPT2, PanGuAlpha, MAE, ViT, Swin, and CLIP. Looking ahead, the Center plans to implement more foundation models to expedite the development of industry-specific models for its clients. **Appendix: Training Instructions of Baichuan in Single-Server Multi-Device Mode** 1\. Open ModelArts, go to the image management page, and register an image. swr.cn-north-309.mtgascendic.cn/bj-aicc/mindformers\_0.6rc1\_mindspore\_2\_0\_update1:mindformers\_0.6rc1\_mindspore\_2\_0\_modelarts 2\. Click options for development environment and select an image to create a notebook. 3\. Pull the MindFormers repository. git clone -b dev https://gitee.com/mindspore/mindformers.gitcd mindformersbash build.shpip3 install -r requirements.txt 4\. Install dependencies. wget https://baichuan.obs.cn-north-309.mtgascendic.cn/wiki.train.tokens wget https://baichuan.obs.cn-north-309.mtgascendic.cn/baichuan/tokenizer.model wget https://baichuan.obs.cn-north-309.mtgascendic.cn/baichuan/pytorch\\\_model.bin 5\. Download configuration files. Wgethttps://baichuan.obs.cn-north-309.mtgascendic.cn/run\_baichuan7b.yamlwget https://baichuan.obs.cn-north-309.mtgascendic.cn/run\\\_baichuan7b\\\_lora.yaml 6\. Use the pre-processing script to generate MindRecord training data. cd mindformers/tools/dataset\_preprocess/llama python llama\_preprocess.py --input\_glob /home/ma-user/work/mindformers/wiki.train.tokens --model\_file /home/mauser/work/mindformers/tokenizer.model --seq\_length 2048 --output\_file /home/mauser/work/mindformers/wiki2048.mindrecord 7\. Change the training data path. /home/ma-user/work/mindformers/wiki2048.mindrecord 8\. Start the single-server multi-device training. cp /user/config/nbstart\_hccl.json /home/ma-user/work/mindformerscd scriptsbash run\_distribute.sh /home/ma-user/work/mindformers/nbstart\_hccl.json /home/mauser/work/mindformers/run\_baichuan7b.yaml \[0,8\] train 9\. Check the running result. tail -f ../../mindformers/output/log/rank\_0/info.l --- https://www.mindspore.cn/news/en/2827/ --- News Ascend AI Works with FlagOpen to Promote Foundation Model Ecosystem Innovation # Ascend AI Works with FlagOpen to Promote Foundation Model Ecosystem Innovation 2023/09/06 # Ascend AI Works with FlagOpen to Promote Foundation Model Ecosystem Innovation Recently, Ascend AI has carried out in-depth cooperation with FlagOpen of Beijing Academy of Artificial Intelligence (BAAI), an open source platform for AI foundation models, and has made significant progress. Both parties have completed the test and evaluation of Ascend hardware on the ResNet50 model by using the integrated AI hardware evaluation engine, FlagPerf. The results proved that Ascend hardware boasts excellent performance. Ascend AI supports single-server and multi-server training of Aquila, an open source large language model (LLM) independently developed by BAAI, and the training performance is industry-leading. The two parties plan to evaluate more popular models such as GLM and LLaMA in the second half of the year to jointly flourish the open source ecosystem for foundation models. As a renowned AI cutting-edge research institute, BAAI takes the lead in foundation model research in China and also in building an open source foundation model ecosystem. Its AI foundation model Wu Dao is the first language model in China and also the largest one (with 1.75 trillion parameters) in the world. Wu Dao 3.0 is now fully open sourced. FlagOpen is a one-stop, top-notch open source software system collaboratively developed by BAAI along with several enterprises, universities, and scientific research institutes. It comprises foundation model algorithms, models, data, tools, and evaluation, and is designed to facilitate collaborative innovation and open competition. FlagOpen is committed to building a vibrant open source foundation model ecosystem. In the FlagOpen system, the integrated evaluation engine FlagPerf plays a vital role. Designed by BAAI and multiple AI software and hardware vendors, FlagPerf is an open source, flexible, fair, and objective tool that can efficiently adapt to and evaluate AI software and hardware. Additionally, it can address challenges such as poor compatibility, high heterogeneity of technology stacks, and complex application scenarios. FlagPerf has adapted to nearly 20 classic models covering CV, NLP, voice, and foundation models, and supports training and inference for AI hardware evaluation. In the future, FlagPerf will continue to evolve to support more models and fields, including but not limited to AI servers and graph computing scenarios. It is dedicated to help comprehensively evaluate vendors' software and hardware strengths and keep pace with the development of the AI industry through continuous iteration and upgrade. FlagPerf has cooperated with four technical vendors including Ascend AI to jointly promote AI hardware evaluation. Ascend AI is built on the Ascend AI software and hardware platform. The platform includes Atlas series hardware and partner-branded hardware, heterogeneous computing architecture CANN, all-scenario AI framework MindSpore, MindX for Ascend application enablement, one-stop development platform ModelArts, and unified toolchain MindStudio. Ascend AI not only unleashes computing power, but also provides various efficient development tools to enable full-process development of foundation models and accelerate native innovation of big models. Ascend AI offers a one-stop migration tool that allows foundation models with tens of billions of parameters to be migrated within just two days and model accuracy and performance to be optimized within two weeks. Based on the Ascend inference engine, inference APIs and service systems of various frameworks can be connected to support online distributed inference and quick application rollout. Currently, Ascend AI supports more than 30 L0 foundation models, including GPT-3, LLaMA-2, GLM, and iFLYTEK Spark. What's more, Huawei has worked with industries such as finance, carrier, Internet, and energy to incubate multiple L1 industry models and L2 scenario-specific models. Ascend AI will adhere to openness and enable customers to develop their own industry and scenario-specific models. It is a practical and promising direction to combine big data, computing power, and algorithms to build foundation models. To this end, Ascend AI and BAAI will deepen their cooperation in base software and hardware, as well as ecosystem co-development, to give full play to their advantages, achieve capability complementation, promote foundation model innovation, and jointly build a new open source ecosystem for foundation models. --- https://www.mindspore.cn/news/en/2828/ --- News Baichuan AI x Ascend AI | Baichuan 2 Open Sourced in the MindSpore Community # Baichuan AI x Ascend AI | Baichuan 2 Open Sourced in the MindSpore Community 2023/09/06 # Baichuan AI x Ascend AI | Baichuan 2 Open Sourced in the MindSpore Community \[Beijing, September 6, 2023\] Baichuan AI held a conference in Beijing and officially released the Baichuan2 open-source foundation model, supported by the Ascend AI software and hardware platform. The Baichuan2-7B model is now freely available in the MindSpore community. At the launch event, the company announced the official open-source of fine-tuned models Baichuan2-7B, Baichuan2-13B, Baichuan2-13B-Chat, and a 4-bit quantitative version. These models, offering various services at no cost, cater to both academic and commercial markets and are ready for commercial deployment. (Launch event of the Baichuan2 model) Link to the MindSpore open-source repository: https://gitee.com/mindspore/mindformers/blob/dev/research/baichuan2/baichuan2.md Link to the foundation model platform in the MindSpore open-source community: https://xihe.mindspore.cn/modelzoo/baichuan2\_7b\_chat **Excellent Performance Surpassing LLaMA 2** Baichuan2-7B-Base and Baichuan2-13B-Base, trained on 2.6 TB of high-quality multilingual data, have notably enhanced their proficiency in areas like mathematics, coding, security, logical reasoning, and semantic understanding. Simultaneously, they maintain the optimal features of prior open-source models, including content generation, smooth multi-turn dialogues, and easy deployment. When contrasted with the preceding 13B model, Baichuan2-13B-Base exhibits enhancements in various capabilities: a 49% improvement in mathematics, 46% in coding, 37% in security, 25% in logical reasoning, and 15% in semantic understanding. The two open-source models demonstrate superior performance in key evaluation rankings. They outperform LLaMA 2 in authoritative benchmarks like MMLU, CMMLU, and GSM8K. Even when compared to other models with an equivalent number of parameters, they surpass the performance of other competing models. Notably, Baichuan2-7B, with seven billion parameters, performs on par with LLaMA 2, which has 13 billion parameters, in mainstream English tasks according to multiple authoritative benchmarks such as MMLU. (Benchmark scores of models with 7 billion parameters) (Benchmark scores of models with 13 billion parameters) Baichuan2-7B and Baichuan2-13B not only are completely open to academic research, but also can be put into commercial use for free after developers apply for official commercial licenses by email. **Baichuan2 Foundation Model** Baichuan2, both open-source and commercially available, is a series of pre-trained large language models developed by Baichuan AI. The series includes models with 7 billion, 13 billion, and 53 billion parameters. From its establishment, Baichuan AI has been committed to fostering the growth of China's foundational model industry via open sourcing. The two open-sourced Baichuan2 models have garnered favorable feedback from both upstream and downstream businesses. Numerous renowned companies, including Huawei, attended the launch event and entered into collaborations with Baichuan AI. **Ascend AI** Ascend AI is an AI computing industry built based on the Ascend AI software and hardware platform. The platform includes Atlas series hardware and partner-branded hardware, heterogeneous computing architecture CANN, all-scenario AI framework MindSpore, Ascend application enablement MindX, one-stop development platform ModelArts, and unified toolchain MindStudio. --- https://www.mindspore.cn/news/en/2870/ --- News Collaborating with Ascend AI, CSG Launched an Electric Power-Specific Innovation Platform and Foundation Model Based on MindSpore # Collaborating with Ascend AI, CSG Launched an Electric Power-Specific Innovation Platform and Foundation Model Based on MindSpore 2023/09/28 # Collaborating with Ascend AI, CSG Launched an Electric Power-Specific Innovation Platform and Foundation Model Based on MindSpore On September 26, China Southern Power Grid (CSG) hosted a conference in Guangzhou and launched an AI-powered innovation platform and the first foundation model specific to the electric power industry. The platform and foundation model (MegaWatt) are independently developed by CSG AI Technology Co., Ltd. During the conference, Liang Shouyu, the company's Deputy General Manager and a senior technical expert at CSG, demonstrated these two products, which are expected to stimulate AI innovation and application within the electric power industry, thereby accelerating intelligent transformation and upgrade of the industry. At the launch event, Ding Cheng, MindSpore General Manager of Huawei and head of the MindSpore Open Source Community, as well as Li Jiguang, Director of Electric Account Dept of Huawei, delivered speeches and participated and launch ceremony. **AI Innovation Platform for the Electric Power Industry** This platform, which consolidates computing resources from enterprises like Huawei, enables flexible scheduling of computing resources and is fully compatible with multiple AI frameworks, including MindSpore. Currently, the AI platform has been constructed to provide training, fine-tuning, and deployment services for users, serving as an algorithm and model training hub. Equipped with electric power samples, model libraries, training environments, and computing resources, the platform provides developers with flexible, user-friendly, and comprehensive model service products. In addition, it consolidates scattered events such as AI-themed competition operations and coupon distribution on one platform and carry various AI services in a unified manner. According to Liang Shouyu, on the AI platform, users can use models with adjusted parameters, create their own models, and hold AI algorithm competitions. "The release of the platform marks the formation of systematic service capabilities that comprehensively serve the upstream and downstream ecosystems of the electric power industry. It helps upstream and downstream users of the industry chain to carry out model training and data convergence and innovation based on the platform, thereby promoting the industry's intelligent transformation and driving the development of the AI industry." Hu Rong, Deputy General Manager of CSG Digital Group, said that the platform had completed the training and verification of foundation models with tens of billions of parameters, achieving optimal learning outcomes. Some indicators have reached or even exceeded the international level. **MegaWatt—First Electric Power Foundation Model** MegaWatt, built on self-innovated computing devices and operators, is trained on tens of billions of data, including natural human corpses, basic knowledge of the electric power industry, electric power service regulations, and research reports from the industry. Encompassing the professional knowledge and experience of engineers across multiple fields within the power system, MegaWatt has the capabilities of knowledge retrieval, intent identification (for multi-round dialogs), professional data processing, intelligent writing assistance, intelligent identification of industry scenarios, intelligent assistance in operations, and security risk control. As the inaugural product of the AI platform, MegaWatt can provide the industry with the Chain of Thoughts (CoT) capability of the electric power system and streamline the service system. "CSG has advantages in scenario-oriented construction, professional knowledge accumulation, and power grid-specific data. Concurrently, Huawei possesses industry-leading computing hardware, a continuously iterative and upgraded AI framework, and extensive experience in foundation model training. Each party brings its unique expertise to the table, complementing the other's capabilities," Ding Cheng stated. He also expressed his aspiration to intensify collaboration with CSG in the construction of computing clusters and the R&D of dedicated electric power operators, with the shared goal of advancing the digital transformation of the energy and electric power industry. **Ascend AI** Ascend AI is an AI computing industry built based on the Ascend AI software and hardware platform. The platform includes Atlas series hardware and partner-branded hardware, heterogeneous computing architecture CANN, all-scenario AI framework MindSpore, Ascend application enablement MindX, one-stop development platform ModelArts, and unified toolchain MindStudio. --- https://www.mindspore.cn/news/en/2873/ --- News MindSpore SciAI 0.1 Released to Accelerate the Development of AI4Science # MindSpore SciAI 0.1 Released to Accelerate the Development of AI4Science 2023/10/20 # MindSpore SciAI 0.1 Released to Accelerate the Development of AI4Science On the afternoon of September 21, 2023, at the MindSpore forum of HUAWEI CONNECT 2023 with the theme of "Accelerate Intelligence", the MindSpore open-source community officially released the MindSpore-based AI4Science most-frequently-used model suite—MindSpore SciAI. MindSpore has kept developing toolkits for the AI4Science field, with a focus on trending topics and pain points in the industry, aiming to accelerate the development of AI4Science with its excellent performance and innovation capabilities. As an efficient and easy-to-use AI4Science suite, MindSpore SciAI 0.1 has more than 60 built-in most-frequently-used SOTA models, covering physical informed models (such as PINNs, DeepRitz, and PFNN) and neural operators (such as FNO, DeepONet, and PDENet) and ranking No.1 in terms of model coverage in the world. It also provides various high-level APIs (such as one-click environment configuration, automatic model loading, and simplified training fine-tuning) for developers and users out of the box. Figure 1. Architecture of MindSpore SciAI **1\. SOTA Models** **1.1. Physical Informed Models** A physical informed model is a type of models that integrate prior knowledge (such as equations/initial boundary conditions) in physics into neural networks. Typical models include PINNs (as shown in figure 2), Deep Ritz, PFNN, and the like. An advantage of these models is that no discrete grid is generated. Derivative calculation can be performed based on the automatic differentiation capability of the AI framework to avoid numerical differential discrete errors. This type of model is naturally applicable to inverse problems and data assimilation problems. Compared with data-driven models, this type of model has stronger extrapolation capability and fewer samples. However, the lack of network structure design guidance makes it difficult to learn singularity problems. Loss functions contain multiple constraints, making training difficult to converge. Retraining is required when physical constraints change, lacking generalization. Calculation accuracy and convergence lack theoretical assurance. To solve the preceding problems, the academia and MindSpore propose a series of improvement schemes, such as adaptive activation function, time & space decomposition, multi-scale optimization, and adaptive weighting. MindSpore SciAI has built-in SOTA physical informed models which are applicable to domains such as fluid, electromagnetic, sound, heat, and solid. Figure 2. Overview of the physical informed model—PINNs **1.2. Neural Operator Models** Physical informed models such as PINNs mainly solve specific equations, while neural operator models can learn the mapping of infinite dimension function space and solve the entire PDE family at a time. Typical examples include FNO (as shown in figure 3), DeepONet, PDENet, and the like. FNO mainly uses the properties of Fourier transform to learn the mapping between functions in Fourier space, and then converts the result back to physical space. DeepONet learns the mapping between functions through the branch net and trunk net. A neural operator model has good performance in fluid and meteorology domains. Therefore, MindSpore SciAI also has built-in SOTA neural operator models. Figure 3. Overview of the neural operator model—FNO **2\. Summary and Outlook** After releasing MindSpore SciAI 0.1, we hope to collaborate with more enterprises and research institutes to build more innovative AI4Science suites based on Ascend technologies, so as to accelerate the prosperity of the AI industry and ecosystem. Code repository address: https://gitee.com/mindspore/mindscience/tree/master/SciAI **Appendixes** **Appendix 1: Modules and Functions** This section describes advanced and basic APIs of MindSpore SciAI. The MindSpore SciAI directory structure is as follows: ├── SciAI │ ├── cmake # Compilation script │ ├── docs # Documents │ │ ├── FAQ # FAQs │ ├── sciai # Main directory of MindSpore SciAI │ │ ├── architecture # Basic neural network module │ │ ├── common # Common modules │ │ ├── context # Context settings │ │ ├── model # \*\*AI4Sci most-frequently-used model\*\* │ │ ├── operators # High-order differentiation │ │ └── utils # Other auxiliary functions │ └── tutorial # Teaching model **1.1 Advanced APIs** **1.2. Basic APIs** **1.2.1 Basic APIs** **1.2.2 Common Modules** **1.2.3 Context Settings** **1.2.4 High-order Differentiation Functions** **Appendix 2: Network Model Libraries** MindSpore SciAI provides various most-frequently-used AI4Science models. The following figure shows the implemented network models and applicable fields. **Appendix 3: Usage** MindSpore SciAI provides two model training and evaluation modes with flexible and simple APIs. **3.1. Advanced APIs (Recommended)** **3.1.1 Using AutoModel to Train and Fine-tune Models** Obtain the supported network models through the **AutoModel.from\_pretrained** API. Before using **AutoModel.train** to train a model, use **AutoModel.update\_config** to adjust training parameters or load the .ckpt file to fine-tune the model. The optional parameters of **AutoModel.update\_config** depend on the model type. For details, see "MindSpore-based Implementation and Network Parameters" in the network model library. `from sciai.model import AutoModel # Obtain a CPINNs model. model = AutoModel.from_pretrained("cpinns") # Use the default parameters to train the network. The generated images, data, and logs are saved to the execution directory of the user. model.train() # Alternatively, load the .ckpt file. model.update_config(load_ckpt=True, load_ckpt_path="./checkpoints/your_file.ckpt", epochs=500) # Continue to train the model based on the newly loaded parameters for fine-tuning. model.train()` **3.1.2 Using AutoModel to Evaluate a Model** You can use **AutoModel.evaluate** to evaluate the training result. This API loads the .ckpt file provided in the SciAI model library for evaluation by default. You can also call the **model.update\_config** API to customize the file to be loaded. `from sciai.model import AutoModel # Obtain a CPINNs model. model = AutoModel.from_pretrained("cpinns") # Load the default .ckpt file of the network and evaluate the model. model.evaluate() # Load the customized .ckpt file. model.update_config(load_ckpt=True, load_ckpt_path="./checkpoints/your_file.ckpt") # Evaluate the network model. model.evaluate()` 3.1.3 Restoring the Parameter File and Dataset If the automatically downloaded model parameter .ckpt file or dataset is deleted by mistake, you can run the following command to update the parameters and forcibly download the file again: model.update\_config(force\_download=True) 3.2. Script APIs 3.2.1 Preparing the Environment Run the following command to clone the entire repository and prepare environment variables. Run the .env file to add the SciAI project directory to the environment variable PYTHONPATH. git clone https://gitee.com/mindspore/mindscience source ./mindscience/SciAI/.env Then, use the source code for training and inference by referring to "Quick Start" of each README file in the network model library. 3.2.2 Training the Network Model Use the training script train.py to train the network model. cd ./mindscience/SciAI/sciai/model/cpinns/ python ./train.py \[--parameters\] 3.2.3 Loading the .ckpt File to Fine-tune the Network Model python ./train.py --load\_ckpt true --load\_ckpt\_path {your\_ckpt\_file.ckpt} \[--parameters\] 3.2.4 Evaluating the Network Model Use the eval.py script to evaluate the trained network model. python ./eval.py \[--parameters\] **\[--parameters\]** includes learning rate, training period, data reading and saving path, and checkpoints file loading path. For details, see "MindSpore-based Implementation and Network Parameters" in the network model library. **3.2.5 Checking the CPINNs Computing Results** **References** \[1\] https://gitee.com/mindspore/mindscience/tree/master. \[2\] https://gitee.com/mindspore/mindscience/tree/master/SciAI \[3\] Raissi M, Perdikaris P, Karniadakis G E. Physics informed deep learning (part i): Data-driven solutions of nonlinear partial differential equations\[J\]. arXiv preprint arXiv:1711.10561, 2017. \[4\] Yu B. The deep Ritz method: a deep learning-based numerical algorithm for solving variational problems\[J\]. Communications in Mathematics and Statistics, 2018, 6(1): 1-12. \[5\] Sheng H, Yang C. PFNN: A penalty-free neural network method for solving a class of second-order boundary-value problems on complex geometries\[J\]. Journal of Computational Physics, 2021, 428: 110085. \[6\] Li Z, Kovachki N, Azizzadenesheli K, et al. Fourier neural operator for parametric partial differential equations\[J\]. arXiv preprint arXiv:2010.08895, 2020. \[7\] Lu L, Jin P, Karniadakis G E. Deeponet: Learning nonlinear operators for identifying differential equations based on the universal approximation theorem of operators\[J\]. arXiv preprint arXiv:1910.03193, 2019. \[8\] Long Z, Lu Y, Ma X, et al. Pde-net: Learning pdes from data\[C\]//International conference on machine learning. PMLR, 2018: 3208-3216. --- https://www.mindspore.cn/news/en/2874/ --- News New Member of MindSpore Scientific Computing Suites: MindSpore Earth 0.1 # New Member of MindSpore Scientific Computing Suites: MindSpore Earth 0.1 2023/10/08 # New Member of MindSpore Scientific Computing Suites: MindSpore Earth 0.1 On the afternoon of September 21, 2023, at the MindSpore forum of HUAWEI CONNECT 2023 with the theme of "Accelerate Intelligence", the MindSpore open-source community officially released a new MindSpore scientific computing suite, MindSpore Earth 0.1. This suite integrates the AI weather forecast SOTA model at multiple spatiotemporal scales, provides tools such as data preprocessing and forecast visualization, and integrates ERA5 reanalysis, radar echo, and high-resolution DEM datasets. It is committed to efficiently enabling AI+ meteorology and ocean forecast convergence research. Weather forecast is closely related to people's work and life, and is one of the most widely concerned application scenarios in the AI4Sci domain. MindSpore, as an all-scenario AI convergence framework, has the ability to natively support foundation models and AI4Sci, two leading innovative capabilities. Figure 1 shows the MindSpore Earth architecture planning. Multiple SOTA models, including GraphCast, ViT-KNO, FourCastNet, and DGMR, are used in scenarios such as short-term precipitation, medium-range weather forecast, and super-resolution. The model coverage is industry-leading, the forecast accuracy is higher than that of the traditional numerical mode, and the forecast speed is more than 1000 times higher than that of the traditional numerical mode. Figure 1 MindSpore Earth suite architecture planning **1\. Mid-term Weather Forecast** The medium-range global weather forecast refers to the forecast of weather for about three to ten days in the future globally. Such forecasts are usually based on numerical mode simulations of atmospheric conditions, such as changes in the temperature, humidity, pressure, wind speed and direction, and precipitation. MindSpore Earth provides multiple medium-range forecast AI models: **FourCastNet** MindSpore Earth provides the FourCastNet model, which uses the adaptive Fourier neural operators (AFNOs). This neural network architecture is an improvement on the Vision Transformer (ViT) model. It constructs mixed operations into continuous global convolutions and effectively implements them through fast Fourier transform (FFT) in the Fourier domain, reducing the spatial mixing complexity to O(Nlog N). This allows for flexible and scalable modeling of dependencies across spatial and channel dimensions. This model is the first AI weather forecast model that is comparable with the high-resolution integrated forecasting system (IFS) model of the European Centre for Medium-Range Weather Forecasts (ECMWF) in terms of forecast accuracy. **ViT-KNO** MindSpore Earth provides a lightweight grid-independent Koopman neural operator model designed based on the Koopman global linearization theory and the idea of neural operators. Figure 2 shows the model architecture. This model is jointly launched by Huawei Advanced Computing and Storage Laboratory and Tsinghua University. It can capture complex nonlinear behavior while maintaining model lightweight attribute and computational effectiveness. Compared with FourCastNet, ViT-KNO has more efficient training and better forecast accuracy. Figure 2 ViT-KNO model architecture **GraphCast** GraphCast is a model from Google's DeepMind. It uses graph neural networks (GNNs) to automatically generate forecast results through an "encode-process-decode" architecture in an autoregressive manner. The encoder maps the latitude-longitude girds of meteorological elements at historical moments to a multi-scale internal grid representation; the processor performs multi-round message passing on the multi-grid representation; the decoder maps the multi-grid representation back to the latitude-longitude grids while outputting the forecast result. MindSpore Earth has open-sourced the regular icosahedron grid generation module, achieving automated multi-scale grid construction. In addition, to address the accuracy decay in multi-step forecast, MindSpore Earth has implemented multi-step iterative training to reduce the accumulation of model errors. **2\. Short-term Precipitation Forecast** MindSpore Earth offers the DGMR precipitation model. The main body of the model is a generator that works with the losses of time and space discriminators and additional regularization items for adversarial training. The model learns contextual representations from the first four frames of radar sequences as inputs to a sampler. The sampler is a recursive network composed of convolutional gated recurrent units (GRUs). It takes the contextual representations and latent vectors sampled from a Gaussian distribution as inputs, and forecast the next 18 radar fields. Based on MindSpore Earth and Ascend, you can perform efficient training and inference on precipitation intensity and spatial distribution. **3\. Digital Elevation Model Super-resolution** MindSpore, Ascend AI4Sci Lab, and Professor Huang Xiaomeng's team from the Tsinghua University jointly launched a super-resolution 3-arc-second (90-meter) global digital elevation model (DEM) and related data product (Figure 3). The related article has been published in _Science Bulletin_. This model outperforms widely adopted super-resolution models in terms of RMSE, clarity, and detail. This achievement is the first global DEM dataset with a resolution of less than 100 meters. It meets the needs of ocean sounding data in different fields and at different levels and provides important support for research on the relationship between the global land-sea gravity field and topography with different terrain complexity, exploration of the equilibrium mechanism of different land-sea tectonic units, and research on the influence of land-sea topography on ocean tidal current movement. Figure 3 High-resolution global land-sea DEM dataset In addition, MindSpore Earth also provides a forecast visualization module, such as wind field visualization (Figure 4). It has built-in ERA5 reanalysis dataset, radar echo dataset, and high-resolution DEM data, and supports model training and evaluation for short-term forecast, medium-range forecast, and more. In the future, MindSpore Earth will continue to provide cutting-edge, efficient AI-based meteorology and ocen models and tools, including Pangu-Weather model inference, long-term climate forecast, and scale reduction, enabling AI+ integrated research on meteorology and ocean. Figure 4 Wind speed visualization effect For more details, please join the MindSpore Flow & Earth SIG. Address of the MindSpore Earth code repository: https://gitee.com/mindspore/mindscience/tree/master/MindEarth --- https://www.mindspore.cn/news/en/2951/ --- News With Ascend AI, Gen Z Developer Fine-Tunes Diagnosis for Obstructive Sleep Apnea Syndrome # With Ascend AI, Gen Z Developer Fine-Tunes Diagnosis for Obstructive Sleep Apnea Syndrome 2023/12/04 # With Ascend AI, Gen Z Developer Fine-Tunes Diagnosis for Obstructive Sleep Apnea Syndrome Snoring is becoming an invisible health hazard among us. According to the 2017 Chinese Sleep Quality and Science Report, about 50 million people have experienced apnea during sleep. The prevalence of obstructive sleep apnea syndrome (OSAS) was as high as 23.6% among adults aged 30-69. However, in the medical imaging of OSAS, unclear lesions have become one of the challenges that affect the diagnosis, therapeutic effect and patient experience. There is no method to quantify lesions in the early diagnosis. With large models implemented in various industries, can AI help doctors quickly and accurately diagnose OSAS? A developer team from Shenzhen University, with the help of Ascend AI, has developed an AI-assisted diagnosis and treatment solution for OSAS, improving the accuracy of lesions identification from 80% to 95%. Their solution won the Application Track Bronze Award and Tech4ALL Award in the 2023 Ascend AI Innovation Contest which made them the only student team in the Regional Stage. As the ace of the team, Zhou Rulin is still a senior at Shenzhen University. As the honorary president of Huawei Intelligence Foundation at the university, he has obtained four official Huawei technical certifications and won the MindSpore's Top 10 Excellent Developers Award in 2022 since he got acquainted with AI. However, two years ago, Zhou was still a rookie in this field, and his major was not even relevant to AI or computer. One wonders: How can an AI beginner who is not majored in computer turn out to be an excellent Ascend AI developer within two years? **1\. From AI Newbie to Excellent Ascend AI Developer in Two Years** "Curiosity is more important than knowledge." Albert Einstein once said. It is the curiosity and desire for knowledge that connects Zhou with AI. In 2021, as a sophomore majored in mechanical and electrical engineering, he signed up for the Huawei Intelligent Foundation project at Shenzhen University. Intelligent Foundation is an education program jointly initiated by the Ministry of Education and Huawei. Shenzhen University is one of the first 72 universities in the collaboration program. Although he had no deep contact with AI at that time, he believed that AI will change the industries in the future and should proactively embrace this new technology. Zhou began learning and studying AI from then on. After completing the Intelligent Foundation courses, he continued self-study. "I started to teach myself, including convolutional neural networks, Transformer architecture, medical image processing, 3D image segmentation, and unsupervised learning. In a short period of time, I gradually understood the basic AI knowledge system." said Zhou. With the support of the Intelligent Foundation, he started exploring the algorithm development. In the second semester of sophomore year, he used the MindSpore AI Framework to build deep learning models, carried out model training and inference based on the Ascend AI Base Software and Hardware Platform, and participated in the establishment of the "Intelligent Foundation" club in the university, and serves as the president of the club. Zhou contacted a mentor who was working on the Ascend AI research and joined the mentor's subject team. Under the mentor’s guidance, Zhou made steady progress. He reproduced classic paper implementations using Ascend processors and MindSpore AI Framework, participated in MindSpore open source internships, and reproduced the Denoising Diffusion Implicit Models (DDIM) using Ascend AI products and MindSpore Framework. In the subject team, Zhou was mainly responsible for algorithm development of medical imaging, such as helping build an assistant diagnostics platform for tuberculosis. "The reason why I chose medical imaging is that the tasks are easier for beginners and the scenario is highly focused, and you can see the value of AI implementation in a near future." said Zhou. Zhou's story is typical for undergraduate AI developers. Step 1: Driven by curiosity, learn AI courses to lay a foundation. Step 2: Select Ascend AI, a development ecosystem that can fully enable college developers, and follow its path of "learn-practice-train-contest" to make improvements. Step 3: Look for projects in specific application scenarios, explore technological innovation in applications, and use AI algorithms to solve problems in industries, a step which makes Zhou feel the sense of accomplishment most. **2\. How to Help People Improve Their Sleep Using Algorithm** For patients with severe OSAS, excess soft tissue of tonsil and soft palate can be removed by surgery, so that the blocked airway becomes unobstructed during sleep, to solve the sleep apnea. Different from the CT imaging of other body parts, the hypertrophic soft tissue has no obvious boundary in the CT images of nasopharyngeal part. This makes the diagnosis difficult. Is a surgery needed? What is the scope of the surgical resection? All put high requirements on doctors' clinical experience. Often an ENT doctor needs 8 to 10 years of experience to make a professional judgment on whether a surgery is needed. "In this case where the boundary is weak, how to help doctors quantify lesions and accurately segment hypertrophic soft tissue is a technical bottleneck that we want to break through. The training effect of traditional AI algorithms is poor because they cannot learn more spatial features." said Zhou. Zhou and his team innovated in multiple aspects on how to break through the technical bottleneck of the weak boundary problem. In terms of model architecture, the team added many new modules and methods based on the traditional medical network architecture. By introducing the multi-head attention mechanism, the model re-analyzes the lesions from a global perspective, greatly improving the algorithm's identification of weak boundaries. In terms of segmentation, the team used three-dimensional convolution for segmentation, which outperforms the traditional algorithm that implements segmentation by layer. It makes the boundary of the segmented lesions smoother, so that the wound is smoother, to improve the therapeutic effect and patient experience. "For segmenting adenoids in a CT image, the accuracy of traditional AI algorithms stands at about 80%, and that of our algorithms can reach as high as 95%, greatly improving the accuracy." Currently, the practical value of this innovative algorithm in assisting diagnosis has been verified. Zhou and the team will further implement the technology. He said that the reason why their team can make breakthroughs in the model architecture and algorithms in such a short period of time depends on the support of the Ascend AI ecosystem. First, the Ascend AI Base Hardware and Software Platform provides powerful support for the team's algorithm training and inference. "Our algorithm is trained and inferred under the MindSpore AI Framework and on Ascend AI products. In the future, we will perform training on the Ascend cloud to further improve training and inference efficiencies." Besides, during the project implementation, the team can have professional advice from Huawei technical experts from both Ascend and MindSpore communities no matter what problems occur in base hardware and software. "We can submit trouble tickets on the Ascend community official website to seek professional help. The support team responds quickly and we can quickly connect to Huawei technical experts. Generally, the problems can be solved within one or two days." Zhou said that the quick technical support of Ascend and MindSpore communities helped a lot. "The Ascend community is very responsive. Both core and entry-level products of Ascend AI have dedicated chatting groups for discussion and communication. There are many professional developers in the groups too and they are very happy to answer your questions." **3\. Ascend AI Is Gathering More Young Talent** "I am now preparing for a Master’s degree in computer software, and I will continue to use MindSpore for projects in the future. And I am very interested in the large model. In the future, I would work with my mentor to do some research on the explainability of the large model." When talking about his future plans, Zhou sounds assured and confident. This determination comes from the confidence built during his rapid growth in his AI development and the perfect enablement system of Ascend AI for young developers. Although there are various platforms for college students to learn AI, Zhou believes that Ascend AI is irreplaceable for developers like him who starts from scratch, because of: First, a leading base software and hardware platform. Ascend AI has built AI computing infrastructure based on Ascend products and Ascend Base Software and Hardware Platform. The technical scope of Ascend AI has a wide range covering AI products, software, frameworks, development tools, and enablement platforms, which can provide comprehensive technical support for developers. Second, an open and professional development ecosystem. Ascend AI is open in the fields such as operators, frameworks, acceleration libraries, and large models, and is widely compatible with the industry ecosystem. For example, it fully supports mainstream frameworks such as PyTorch, PaddlePaddle, and MindSpore, and is compatible with mainstream large model training acceleration libraries such as DeepSpeed and Megatron, providing developers with more choices. Attracted by the open ecosystem, the number of Ascend developers has exceeded 2.4 million, and more than 50 mainstream basic large models are iterating based on Ascend AI. Third, abundant industry-education collaboration activities. According to Zhou, Ascend AI is the best among AI vendors in terms of enabling college developers. Ascend AI provides a "learn-practice-train-contest" enablement system for student developers. Even beginners can start from scratch and grow in the system. The Ascend AI activities include the Intelligent Foundation courses, OpenMind Project, Ascend AI Innovation Contest, Ascend AI Inspire Day, and Ascend AI Training Camp. These activities help student developers learn and improve, advancing through practice and competition. In addition, Ascend AI continuously launches products that provide convenience to student developers, lowering the threshold to learn and develop AI. For example, the new Ascend developer kit Atlas 200I DK was launched this year. "I think it's good that technology is closer to students' needs, and can be used by more student developers." said Zhou. To students who are also interested in AI, Zhou has proved that a student without computer background can also quickly learn AI development. He encourages peers regardless of their majors to pay attention to AI development. "Some people maybe a little anti-AI and think that fast growing technologies may cost their jobs in the future. However, I think we should embrace the new era and its new technologies. Learning to write code is not necessary for everyone. At least, it is necessary to understand the development of the AI industry. You can find the interesting point of AI or an interesting scenario to apply AI, to raise your interest of learning AI." **Afterwords** According to a report released by McKinsey in May 2023, China's AI talent gap may reach 4 million in 2030. By then, China's demand for AI workers will reach 6 million, six times the number in 2022. But the number of AI workers in 2030 will only reach 2 million. In terms of accelerating AI talent cultivation, Ascend AI has taken a step forward through industry-education collaboration and ecosystem enablement. From an AI beginner to a mature developer, Zhou is still writing his future AI story. Accompanied by Ascend AI, more young people like him have embarked on the road of AI learning and become the contributors to developing AI technologies. --- https://www.mindspore.cn/news/en/2973/ --- News MindSpore's Annual Recap in 2023 # MindSpore's Annual Recap in 2023 2024/02/02 # MindSpore's Annual Recap in 2023 2023 was an incredible year for MindSpore. Having being committed to enabling a vast range of models and applications, MindSpore has obtained 6.57+ million downloads while the MindSpore LLM Platform has gained 570,000+ downloads till December 2023. Thanks to the contributions of over 25,000 developers, MindSpore now serves 5,500+ enterprises that deliver more than 40% of industry-specific models in China. To further grow the MindSpore community, we set up the MindSpore Community Committee, and 18 organizations signed up to contribute to the community's development. # **Technical progress** ## **Scientific papers** By 2023, more than 100 outstanding research teams have partnered with MindSpore and published over 1,000 papers centering on AI. MindSpore is becoming increasingly recognized by the industry. ## **Version updates** MindSpore launched two full versions in the last year, together with 328 robust features. More than 5,000 developers from 155 countries and regions contributed to our version updates. We are grateful for your support! For details, please refer to Version Dynamics. ## **Easy-to-use kits** MindSpore has rolled out a plethora of kits for developing LLMs, implementing scientific computing, and building capabilities in base domains. By integrating relevant APIs or applying provided models, you can fully unleash AI-driven innovation. Curious for more? Explore our kit repositories on the official website. ## **AI for science innovation** MindSpore SciAI is an AI for science model library that supports a wide range of models. Its 0.1 version integrates 60+ SOTA models, covering both physics-informed models like PINNs and PFNN and neural operators like FNO and KNO. The library also delivers OOTB APIs for automatic model loading, fast environment configuration, and easy training and fine-tuning. MindSpore SciAI is applicable to many fields, including fluidics, electromagnetism, acoustics, thermal physics, solid-state physics, and biology. Wanna know more? Download MindSpore SciAI on Gitee to try it out. # **Case study** ## **MindSpore-based PVQD model** In November 2023, Professor Liu Haiyan from University of Science and Technology of China, together with Oristruct Biotech, published their research results about the protein vector quantization and diffusion model based on MindSpore. The PVDQ model used an auto-encoder with vector quantization and a generative diffusion model in the latent space to model complicated protein structures within an E2E framework. This breakthrough in protein structure prediction, integrating AI and biocomputing technologies, enhances drug target discovery and advances the biopharmaceutical industry. This project demonstrates a paradigm of industry-education-research cooperation, and MindSpore will continue to accelerate innovation in basic disciplines throughout the following year. ## **MindSpore-based PeRCNN** The team mainly from the Gaoling School of Artificial Intelligence at Renmin University of China, led by Professor Sunhao, proposed PeRCNN, which marked another successful use case of MindSpore. Their achievement has been published in Nature Machine Intelligence and relevant code has been open-sourced in the MindSpore Flow code repository on Gitee. PeRCNN, which stands for Physics-encoded Recurrent Convolutional Neural Network, outperforms physics-informed neural networks (PINNs), ConvLSTM, and PDE-NET in model generalization and noise resistance, and improves the long-term inference precision by more than 10 times. PeRCNN has great application potential in fields like aerospace, ship manufacturing, and weather forecast. For details, please refer to PeRCNN: A New AI + Scientific Computing Achievement Published in Nature. ## **CodeGeeX** CodeGeeX is a powerful programming assistant based on LLMs. It boasts functions such as code generation/completion, comment generation, code translation, and AI chat, helping developers significantly improve their work efficiency. When the CodeGeeX project commenced in April 2022, it was built on the MindSpore 1.7 framework. During the development process, the CodeGeeX team partnered with the MindSpore team to optimize the framework and accelerated data training. For example, they implemented multiple techniques to make their calculations faster, including element-wise operator fusion, layer normalization operator fusion, fast GELU activation, and matrix multiplication optimization. This cooperation demonstrates the robust competitiveness of the MindSpore framework and the professional support of the MindSpore team. And heads up, guys! MindSpore has now upgraded to version 2.2. So go ahead and give it a try! # **Community highlights** ## **Cooperation** Till now, the MindSpore community has collaborated with many open source projects (ONNX, Jina AI, and more), foundations (The Linux Foundation, OpenInfra Foundation, CNCF, and more), and organizations (CSDN, OSCHINA, BAAI, and more). In 2023, we established a featured area for showcasing our model code to empower more developers on the Hugging Face community. Let's discover the power and beauty of open source together. ## **Events & Awards** In this last year we've been busy traveling the world and showcasing our amazing work J. The MindSpore community participated in various events, from forums and summits to meetings and conferences, where we met with experts and enthusiasts from different fields and backgrounds and exchanged ideas about AI, open source software, intelligent fluid dynamics and even more fields. At the **Open Source Summit North America 2023**, hosted by the Linux Foundation in Vancouver, Canada, our algorithm engineer Zhong Yuanke delivered a speech themed on the development of the foundation model ecosystem promoted by MindSpore LLM Platform and further expanded the influence of MindSpore in the open source industry. Not only that, we were proud to announce that we had supported our partner Dongfang.Yifeng, a fluid simulation-specific LLM, in grabbing **the Superior AI Leader (SAIL) Award** at the World Artificial Intelligence Conference 2023 in July. Moreover, we were the recipient of the prestigious **CJK OSS Award** at the 21st Northeast Asia OSS Promotion Forum in November. To unleash AI imagination, the MindSpore community also hosted the **Wukong-Huahua AI Fine-Tuning and Application Competition** from August 24 to October 18 in 2023. Wukong-Huahua is a diffusion model-based LLM, powered by MindSpore, that boasts excellent AI image generation capabilities together with powerful graphics. Participating teams could develop innovative apps based on the model API or deliver remarkable AI drawings after fine-tuning the model. We received a total of 263 entries for this competition and 31 entries, including LoRA/DreamBooth fine-tuned models and applications, entered the defense stage. Let's celebrate the impressive works of our participants, who have shown their incredible imagination in the competition. We are pleased and honored by these accomplishments and will continue to help our partners build awesome things, improve technology, and unleash creativity in the open source community and beyond. ## **SIGs** We have established more than 30 special interest groups (SIGs) to nurture open communication among experts, developers, professors, and students in relevant fields. These SIGs allow members to strengthen their skills and influence through technical discussions, projects, and meetups. We can't wait for you to join us! # **Future outlook** We are working hard to optimize MindSpore for AI innovation and application in 2024. By focusing on foundation models, AI for science, generative AI, and security and trustworthiness, we hope to provide services that our partners and users will love. Your support and loyalty are valuable to us as we constantly improve the future-proof AI technology. MindSpore is all about enabling a vast range of models and applications for everyone. About MindSpore MindSpore is an open source AI framework that supports multi-processor architectures for diverse scenarios. It brings together data scientists, algorithm engineers, and developers, helping them with easy development, efficient running, and flexible deployment to fully unleash hardware potential. For more information, feel free to visit our documentation: Official website: https://www.mindspore.cn/en Gitee: https://gitee.com/mindspore/mindspore/blob/master/README.md GitHub: https://github.com/mindspore-ai/mindspore --- https://www.mindspore.cn/news/en/3012/ --- News MindSpore-powered PanGu-Draw Model Advances Training and Inference Efficiency and Effect of Text-to-Image Models # MindSpore-powered PanGu-Draw Model Advances Training and Inference Efficiency and Effect of Text-to-Image Models 2024/01/16 # MindSpore-powered PanGu-Draw Model Advances Training and Inference Efficiency and Effect of Text-to-Image Models Huawei Noah's Ark Laboratory, collaborating with partners, has recently launched the MindSpore-powered PanGu-Draw model architecture. With the support of Ascend Atlas hardware, PanGu-Draw significantly improves the efficiency of data utilization, training, and inference of text-to-image models. PanGu-Draw supports efficient fusion of several image diffusion models and further improves the generation effect through multi-control image generation and one-stage super-resolution. (The inference code has been open-sourced in the MindONE repository.) In the AI field, text-to-image models, such as SD\[1\], SDXL\[2\], Imagen\[3\], and DALL-E 3\[4\], have made significant strides in performance. Secondary training techniques, such as ControlNet\[5\] and LoRA\[6\], have contributed to the widespread adoption of these models on tasks like generating images from references, lines, and human poses. As the number of parameters in text-to-image models increases and the resolution of generated images improves, the demand for training data and computational resources also grows. It is vital to improve data utilization, training, and inference efficiency for these models. And achieving this goal is essential for minimizing resource consumption, accelerating model iteration and update, and expanding the range of application scenarios. Huawei has introduced PanGu-Draw, a novel model architecture, to tackle these issues. This model consists of two innovations: time-decoupling training strategy and Coop-Diffusion algorithm. The efficiency-oriented training strategy divides the model into two sub-models for structure generation and texture generation to optimize the training , respectively, thereby improving data utilization efficiency by about 48%, training efficiency by 51%, and inference efficiency by 50%. The Coop-Diffusion algorithm integrates image diffusion models in different potential spaces or with resolutions, providing a new way for innovative image generation tasks. PanGu-Draw now is the largest Chinese text-to-image model in the industry. Developing based on MindSpore and Ascend training hardware, it has been iteratively upgraded based on Wukong-Huahua, with the number of parameters increasing to 5 billion from 1 billion. The model not only outperforms open source models like Taiyi-CN\[7\] and SDXL in generation quality, but also rivals industry-leading closed-source models such as DALL-E 3 and MJ v5.2. Moreover, it offers the flexibility of handling mixed input containing both Chinese and English characters. It directly produces native 1024 x 1024 images and also provides output in various aspect ratios, including 16:9, 4:3, and 2:1. To enhance the inference process of text-to-image models, PanGu-Draw provides customizable options for generating different image styles, such as animation, art, and photography, through quantifiable values. Paper Title PanGu-Draw: Advancing Resource-Efficient Text-to-Image Synthesis with Time-Decoupled Training and Reusable Coop-Diffusion Paper URL https://arxiv.org/abs/2312.16486 Project Homepage https://pangu-draw.github.io Code Repository https://github.com/mindspore-lab/mindone/tree/master/examples/pangu\_draw\_v3 1\. Method Introduction 1.1 Resource-Efficient Text-to-Image Model Training Strategy: Time-Decoupling Training Strategy Figure 1. Illustration of three text-to-image training strategies and comparison among them in resource efficiency in data, training, and inference. The proposed time-decoupling training strategy significantly surpasses the representative cascaded training and resolution boost training strategies in resource efficiency. As shown in Figure 1, the time-decoupling training strategy is more resource-efficient in data utilization, training, and inference, comparing with the conventional cascaded training and resolution boost training strategies. The cascading training strategy has high data utilization efficiency at the cost of three times longer training and inference duration. On the other hand, the resolution boost training enhances image resolution significantly after low-resolution training, which saves time but falls short on data utilization efficiency. In contrast, the time-decoupling training strategy takes a clever approach by dividing a text-to-image model into two specialized submodels: a structure generator and a texture generator. Such a decoupling strategy not only reduces the dependency on high-performance computing resources, but also simplifies the training process and avoids complex model sharding and inter-node communication overheads. In the inference phase, the structure generator first generates the basic contour from the noise image, and then the texture generator adds details to the basic contour, improving the inference efficiency by about 50%. In addition, the structure generator uses full data (including high-resolution and enlarged low-resolution images) for training, improving data utilization by about 48%. The texture generator trains data at a lower resolution, but upsamples data at a higher resolution, improving the overall training efficiency by about 51%. 1.2 Fusion Algorithm for Multiple Diffusion Models: Coop-Diffusion Figure 2. Visualization of the Coop-Diffusion algorithm. The Huawei-proposed algorithm utilizes two submodules to eliminate the differences caused by different latent spaces and resolutions, so as to unify the denoising processes of multiple diffusion models into the same space, as shown in Figure 2. This provides a new way for generating multi-condition images. The algorithm firstly uses pixel image space as a bridge to unify the model prediction in different latent spaces to achieve multi-model fusion in the same latent space. Then, it fuses diffusion models with different resolutions by means of downsampling or upsampling after specific steps, without compromising image quality. The innovation of the Coop-Diffusion algorithm lies in that it can fuse multiple incompatible diffusion models into a unified one, thereby improving flexibility and efficiency of models in practical applications while maintaining image quality. The following figure shows the complete algorithm process. Figure 3. Coop-Diffusion: process for fusing multiple diffusion models. 2\. Experiment Results Huawei's research team has successfully implemented the time-decoupling training strategy on the MindSpore framework and created a groundbreaking text-to-image model PanGu-Draw. The model holds 5 billion parameters and can generate high-resolution and high-quality images in both Chinese and English. To implement such a function, PanGu-Draw uses dedicated Chinese and English text encoders to extract features of the input text. In addition, to meet the requirements of generating multi-resolution images, the team selected 11 different resolutions closely approximating the 1024 x 1024 resolution and incorporated the corresponding position code into the model. In terms of training data construction, the team selected data from multiple sources, including Noah-Wukong\[8\], LAION\[9\], photography, animation, portrait, and game materials, to ensure data diversity and high quality. The data is strictly filtered by CLIP scores, aesthetic scores, and watermark scores. The team also removed low-quality text annotations while adopting approaches based on open-set detection models and large language models to obtain high-quality text annotations. Finally, PanGu-Draw uses technologies such as Flash Attention, mixed precision training, and gradient accumulation to optimize GPU memory usage. 2.1 Comparison of Quantitative Indicators Table 1. Comparison of PanGu-Draw with representative English text-to-image models on COCO dataset. PanGu-Draw surpasses open source models and rivals the best closed-source model in the industry in generation quality. Table 2. Comparison of PanGu-Draw with representative Chinese text-to-image models on COCO-CN dataset. PanGu-Draw achieves the optimal generation quality. Table 3. Comparison between PanGu-Draw and baseline models in manual evaluation. PanGu-Draw has better generation quality than SD and SDXL and is on a par with DALL-E 3 and MJ 5.2. Tables 1, 2, and 3 show the comparison results of PanGu-Draw and baseline models in Chinese and English COCO datasets in terms of quantitative indicators during manual evaluation. The results show that PanGu-Draw achieves the best generation quality among open source models and rivals industry-leading closed-source models such as DALL-E 3 and MJ v5.2. 2.2 Visualized Result Comparison Figure 4. Visual comparison of PanGu-Draw model with baseline methods. The used input prompts are sourced from RAPHAEL and are displayed at the bottom of the figure. The results of PanGu-Draw are better than or on par with these top-performing baseline models. 2.3 Display of Generation Results Figure 5. Multi-resolution high-quality images generated by PanGu-Draw that are consistent with input prompts. Figure 5 shows the text-to-image results of PanGu-Draw. For more visualization results, see the project home page. Figure 6. Multi-condition (Chinese text and images) generation results of an image reconstruction model and PanGu-Draw based on Coop-Diffusion. Figure 7. Single-stage super-resolution images generated with a low-resolution model and PanGu-Draw based on Coop-Diffusion. The left column shows generation results of a low-resolution image generation model, and the right column shows high-resolution generation results output by PanGu-Draw. As shown in Figures 6 and 7, Coop-Diffusion enables PanGu-Draw to be fused with existing models for multi-condition image generation and one-stage super-resolution tasks without additional training. 3\. Summary **Innovative training strategy**: Huawei's PanGu-Draw architecture introduces a resource-efficient time-decoupling training strategy. This strategy significantly maximizes the efficiency of text-to-image models in data utilization, training, and inference, bringing new breakthroughs to the AI image generation field. **Breakthrough in multi-model fusion**: Coop-Diffusion, a novel algorithm for fusing multiple diffusion models, is designed for PanGu-Draw. The algorithm unifies the denoising process of diffusion models with different latent spaces and resolutions into the same space and effectively fuses multiple image diffusion models, thereby paving a new way to generate images. **High generation quality and flexibility**: In terms of generation quality, PanGu-Draw not only ranks top among open source models in the industry, but also is comparable to top closed-source models such as DALL-E 3 and MJ v5.2. In addition, Coop-Diffusion enables PanGu-Draw to be integrated with existing models for new downstream image generation tasks without additional training, demonstrating extremely high flexibility and practicability. References \[1\] Robin Rombach, Andreas Blattmann, Dominik Lorenz, Patrick Esser, and Bj¨orn Ommer. High-resolution image synthesis with latent diffusion models. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition, pages 10684–10695, 2022. 6 \[2\] Dustin Podell, Zion English, Kyle Lacey, Andreas Blattmann, Tim Dockhorn, Jonas M¨uller, Joe Penna, and Robin Rombach. Sdxl: improving latent diffusion models for high-resolution image synthesis. arXiv preprint arXiv:2307.01952, 2023. 3, 5, 6, 7, 2 \[3\] Chitwan Saharia, William Chan, Saurabh Saxena, Lala Li, Jay Whang, Emily L Denton, Kamyar Ghasemipour, Raphael Gontijo Lopes, Burcu Karagol Ayan, Tim Salimans, et al. Photorealistic text-to-image diffusion models with deep language understanding. Advances in Neural Information Processing Systems, 35:36479–36494, 2022. 1, 2, 5 \[4\] James Betker, Gabriel Goh, Li Jing, Tim Brooks, Jianfeng Wang, Linjie Li, Long Ouyang, Juntang Zhuang, Joyce Lee, Yufei Guo, et al. Improving image generation with better captions. Computer Science. https://cdn. openai. com/papers/dall-e-3. pdf, 2023. 7 \[5\] Lvmin Zhang, Anyi Rao, and Maneesh Agrawala. Adding conditional control to text-to-image diffusion models. In Proceedings of the IEEE/CVF International Conference on Computer Vision, pages 3836–3847, 2023. 1, 3, 2 \[6\] Edward J Hu, Yelong Shen, Phillip Wallis, Zeyuan Allen- Zhu, Yuanzhi Li, Shean Wang, Lu Wang, and Weizhu Chen. Lora: Low-rank adaptation of large language models. arXiv preprint arXiv:2106.09685, 2021. 2, 1 \[7\] Jiaxing Zhang, Ruyi Gan, Junjie Wang, Yuxiang Zhang, Lin Zhang, Ping Yang, Xinyu Gao, Ziwei Wu, Xiaoqun Dong, Junqing He, Jianheng Zhuo, Qi Yang, Yongfeng Huang, Xiayu Li, Yanghan Wu, Junyu Lu, Xinyu Zhu, Weifeng Chen, Ting Han, Kunhao Pan, Rui Wang, Hao Wang, Xiaojun Wu, Zhongshen Zeng, and Chongpei Chen. Fengshenbang 1.0: Being the foundation of chinese cognitive intelligence. CoRR, abs/2209.02970, 2022. 7 \[8\] Jiaxi Gu, Xiaojun Meng, Guansong Lu, Lu Hou, Niu Minzhe, Xiaodan Liang, Lewei Yao, Runhui Huang, Wei Zhang, Xin Jiang, et al. Wukong: A 100 million large-scale chinese cross-modal pre-training benchmark. Advances in Neural Information Processing Systems, 35:26418–26431, 2022. 6 \[9\] Christoph Schuhmann, Richard Vencu, Romain Beaumont, Robert Kaczmarczyk, Clayton Mullis, Aarush Katta, Theo Coombes, Jenia Jitsev, and Aran Komatsuzaki. Laion-400m: Open dataset of clip-filtered 400 million image-text pairs. In arXiv, 2021. --- https://www.mindspore.cn/news/en/3013/ --- News Remote Sensing + AI: JiaHe Info Achieves Disruptive Platform Innovation Based on MindSpore, Winning the 2023 CICAS Award # Remote Sensing + AI: JiaHe Info Achieves Disruptive Platform Innovation Based on MindSpore, Winning the 2023 CICAS Award 2024/01/03 # Remote Sensing + AI: JiaHe Info Achieves Disruptive Platform Innovation Based on MindSpore, Winning the 2023 CICAS Award The first China's Innovation Challenge on Artificial Intelligence Application Scene (CICAS) 2023, jointly organized by the Chinese Association for Artificial Intelligence and the Next-Generation Artificial Intelligence Development Research Center of Ministry of Science and Technology, concluded successfully in Beijing recently. After three rounds of intense competition, **JiaHe Info was awarded the second prize in the special competition for intelligent remote sensing with its 'MindSpore-powered JiaHe remote sensing AI interpretation platform and SaaS application'**. This challenge aims to accelerate the core technology breakthrough, product development, standard customization, and industrial cultivation of general-purpose AI, with a focus on addressing significant AI application and industrialization issues. It strives to build the No.1 competition brand in AI application scene innovation and scientific and technological achievement industrialization in China, and contributes to empowering the transformation and upgrading of traditional industries and the high-quality development of the digital economy in China. **Remote sensing + AI, the core competitiveness of JiaHe**: As a pioneering industrialization enterprise, JiaHe Info has always been supported by strong technical capabilities in satellite remote sensing. Based on this, JiaHe Info has created several policy-oriented innovative products that satisfy market and industry needs, providing users with remote sensing data operation management, as well as multi-scenario data services. **Leading algorithm capabilities**: With self-developed algorithms and LuoJiaNET as its core, JiaHe Info deeply integrates with the MindSpore AI framework to build private spectrum libraries based on industry-leading hyperspectral image reconstruction and hyperspatial resolution reconstruction technologies. It enhances application accuracies while also reducing data processing time by approximately 50% and overall costs by roughly 30% by utilizing machine learning techniques to extract hyperspectral images from both multispectral and hyperspectral libraries. **One-stop service capabilities**: Putting user needs first, JiaHe Info constructs a one-stop service mode integrating remote sensing data processing, management, and result distribution. It overcomes the technical challenges of traditional remote sensing image processing, which is time-consuming and labor-intensive, and provides users with a target-oriented remote sensing data management platform that supports one-click management, multi-dimensional window expansion, and automatic running, achieving a convenient, open, flexible, and stable disruptive innovation. **Data standardization capabilities**: Having been deeply involved in the remote sensing field for years, JiaHe Info has established a massive sample library of remote sensing images, with over 40 types of AI algorithms for clutter identification and over 200 application-level algorithms in vertical scenarios integrated. This enables automatic computation of various clutter monitoring types, such as land plot boundaries, crop types, and ecological environment classification. All data products comply with the OGC standard. **Quick delivery capabilities**: JiaHe Info has encapsulated satellite remote sensing big data into standardized APIs, and provides technical support for data APIs and SDK customization services for customers. The entire process of data production, UI design, and visualization platform construction has been standardized, which can reduce the customer labor cost by nearly 80% and enable rapid delivery within hours. The recognition from the Chinese Association for Artificial Intelligence and the Ministry of Science and Technology for the 'MindSpore-powered JiaHe remote sensing AI interpretation platform and SaaS application' will motivate MindSpore to persist in collaborating with JiaHe Info to continuously to enhance technologies, refine scenes, and implement more benchmark cases for the agriculture industry, farmers, and rural areas. --- https://www.mindspore.cn/news/en/3018/ --- News Gold-YOLO with Innovative Gather-and-Distribute Mechanism Has Been Open Sourced in the MindSpore Community # Gold-YOLO with Innovative Gather-and-Distribute Mechanism Has Been Open Sourced in the MindSpore Community 2024/02/20 # Gold-YOLO with Innovative Gather-and-Distribute Mechanism Has Been Open Sourced in the MindSpore Community Author: Wang Yunhe Source: Zhihu YOLO models, which have been in existence for eight years, now serve as the benchmark in object detection thanks to their outstanding performance. After been updated and iterated for more than ten times, these models have achieved stability and comprehensive capabilities. Researchers are now focusing more on fine-tuning the structure within a single computing module or enhancing head and training methods. However, despite these efforts, achieving flawless models remains elusive. At present, YOLO models usually adopt a method similar to the feature pyramid network (FPN) for information fusion, but this structure leads to information loss during cross-layer information fusion. To solve this problem, Huawei Noah's Ark Laboratory (hereinafter referred to as Huawei) proposes a novel gather-and-distribute (GD) mechanism. This mechanism aggregates and fuses features at different levels from a global perspective, distributes and injects the features to different levels, and builds a more efficient information interaction and fusion mechanism. Gold-YOLO is constructed based on such mechanism. In the COCO dataset, Gold-YOLO has already outperformed previous YOLO models, achieving state-of-the-art (SOTA) efficiency on the accuracy-speed curve. Accuracy-speed curve (TensorRT7) Accuracy-speed curve (TensorRT8) For details about the related paper, visit https://arxiv.org/abs/2309.1133. And for details about the MindSpore code, visit https://gitee.com/mindspore/models/tree/master/research/cv/Gold\_YOLO. **Problems of Conventional YOLO Models** In detection models, a sequence of features is typically extracted from the backbone network at various levels. The FPN leverages these features to create a fusion structure. Features of different levels encode location information for objects of varying sizes. Despite their distinct content, once integrated, they complement each other, resulting in enhanced information enrichment at every level and ultimately improving network performance. In the original FPN structure, adjacent layers effectively integrate information through a layer-by-layer fusion mode. However, cross-layer information fusion poses challenges. When exchanging and integrating information across layers, the intermediate layer is required due to the absence of a direct interaction path, which leads to information loss. Developers have paid much attention to solve this problem by adding more paths through shortcuts to enhance information flow. However, even if the conventional FPN structure is improved, the FPN-based information fusion mode still faces challenges in cross-layer information interaction and information loss due to a large number of paths in the network and indirect interaction mode. **Gold-YOLO: New Information Exchange and Fusion Mechanism** Gold-YOLO architecture To address the challenges, Huawei proposes the GD mechanism for information exchange and fusion. This mechanism implements efficient information exchange and fusion by globally fusing multi-level features and injecting the obtained global information into higher levels. This greatly enhances the information fusion capability of the neck without significantly increasing the latency, thereby improving the model's detection capability on varying object sizes. The GD mechanism is implemented through three modules: feature alignment module (FAM), information fusion module (IFM), and information injection module (Inject). · The FAM collects and aligns features from various levels. · The IFM fuses the aligned features to generate global information by using convolutions or Transformer operators. · The Inject is responsible for injecting global information into different levels. In Gold-YOLO, two GD branches are constructed to fuse information based on the model's requirements for detecting objects of different sizes and balancing accuracy and speed: low-stage gather-and-distribute branch (Low-GD) and high-stage gather-and-distribute branch (High-GD). These branches extract and fuse features based on convolutions or Transformer operators, respectively. In addition, to promote the flow of local information, Huawei builds a lightweight adjacent layer fusion (LAF) module to combine the features of adjacent layers on the local scale, further improving the model performance. A pre-training method is also introduced to verify the effectiveness of YOLO models by pre-training the backbone on ImageNet 1K using the MAE method, which significantly improves the convergence speed and accuracy of the model. **Experimental Results** The model's accuracy is tested on the COCO dataset and the speed is tested by Tesla T4+TensorRT 7. The results show that Gold-YOLO has achieved SOTA performance on the accuracy-speed curve. At the same time, an ablation experiment is performed, considering the impacts on model accuracy and speed caused by the different branches and structures of Gold-YOLO. To verify the robustness of the GD mechanism in different models and tasks, the following experiments are also conducted. · Instance Segmentation Task Necks in Mask R-CNN are replaced with GD, and training and testing are performed on the COCO instance datasets. · Semantic Segmentation Task Necks in PointRend are replaced with GD, and training and testing are performed on the Cityscapes datasets. · Object Detection Model Necks in EfficientDet are replaced with GD, and training and testing are performed on the COCO datasets. --- https://www.mindspore.cn/news/en/3285/ --- News Welcome to MindSpore AKG SIG. Let's build an industry-leading graph kernel fusion compiler! # Welcome to MindSpore AKG SIG. Let's build an industry-leading graph kernel fusion compiler! 2024/07/29 # Welcome to MindSpore AKG SIG. Let's build an industry-leading graph kernel fusion compiler! Developers who have experience in deep learning projects may have similar requirements. Take the current popular large language model (LLM) as an example. We may use the MindSpore AI framework to train the Llama2 neural networks on the Ascend AI processor to solve natural language processing tasks. Here, we can use the functions in the Compute Architecture for Neural Networks (CANN) software stack to deploy and accelerate network training on the Ascend AI processor. In most cases, however, model training and inference may not be performed on the same platform. The model may end up being deployed on CPUs or even mobile phones, which requires support from the platform architectures and other hardware. Developers usually train models using various deep learning top-level frameworks, such as MindSpore, and then deploy the trained models on various device backends. In addition to the Ascend AI processor, GPUs, CPUs, FPGAs, and other new AI accelerators are also included. Moreover, learning and time costs have skyrocketed since developers need to write operators and ensure their performance under conditions such as different hardware features, different operators in the existing operator library, insufficient support of new accelerator operator library, and uncommon layers existing in unconventional neural networks. So the **graph kernel fusion compilation technology** is very helpful for developers. AKG stands for Auto Kernel Generator. It accelerates the graph kernel fusion compilation in the MindSpore framework. Based on the polyhedral compilation technology, AKG can automatically generate schedules that meet parallelism and data locality requirements. Currently, AKG supports hardware such as NPUs, GPUs, and CPUs. MindSpore keeps evolving since it was open-sourced in 2020. We hope that more people can try AKG to solve their business problems and involve enterprise users in software iteration. We also hope to expose AKG to more developers to implement the latest AI compilation technologies. What's more, AKG can perform its own technology iteration based on community practices. Against this backdrop, **MindSpore AKG SIG** (special interest group) was established and started to recruit like-minded partners from the open source community. 1 **Introduction to MindSpore AKG SIG** By making full use of MindSpore AKG's technical accumulation in the graph kernel fusion compilation field, our group continuously improves software functions, expands the community ecosystem, and provides scientific research personnel, teachers, and students with efficient and easy-to-use graph kernel fusion compilers. We also provide a platform for people with strong influence and great interest in this field to communicate and cooperate with each other. 2 **MindSpore AKG SIG Mission** We aim to continuously introduce industry-leading operator compilation technologies, and iterate MindSpore AKG functions to build an operator compiler ahead of the industry. Our group's current work priorities are as follows: **01\. Keep learning advanced operator compilation technologies in the industry.** Learn, understand, and internalize the latest operator compilation technologies through technical sharing and communication in the open source community. **02\. Iterate MindSpore AKG functions.** Iterate MindSpore AKG functions based on industry-leading technologies to meet internal and external service requirements. 3 **MindSpore AKG SIG Work Plan** Focus on academic exchanges among group members and provide reference for MindSpore AKG evolution and function improvement. **Activity organization** Each year, the group will organize a large-scale activity and several small-scale activities, including a campus activity every quarter and a major summer school activity each year. Core experts and teachers in the group are invited to teach multiple topics for multiple days. The group teacher will lead members to conduct scientific and technological research, code repository function expansion, and bug fixing. Members can also use the MindSpore AKG software to conduct their own research and development. **Open source internships** The group will publish open source internship opportunities and crowd intelligence tasks in the community for students and teachers to participate. Currently, we have arranged the following tasks: **01\. MindSpore AKG operator support** MindSpore AKG MLIR supports all important operators in the mainstream models. However, with the iteration of networks and improvement of algorithms, new operators keep coming out. Since MindSpore AKG supports multiple hardware backends, including NPUs, GPUs, and CPUs, we plan to support related operators based on the backend code generation capability. Our support includes: · For new operators, providing expressions based on loops and mathematical expressions. · For fused operators, providing expanded expression for the concatenation of existing operators. **02\. MindSpore AKG backend iteration support** · MindSpore AKG supports multiple backends, including NPUs, GPUs, and CPUs. With the iteration of the MLIR community editions and hardware updates, we plan to keep updating the backend code generation capability. · As more AI chips are emerging, we want to add more backend code generation capabilities. 4 **MindSpore AKG SIG Composition** **Team Leader** **Zhao Jie**, Professor at College of Computer Science and Electronic Engineering, Hunan University, and member of Huawei MindSpore Community Technical Expert Committee. His research focuses on deep learning-oriented compilation systems, code generation based on polyhedral models, and numerical program analysis and optimization. Professor Zhao Jie published multiple academic papers in top conferences and journals in the system software, architecture, and compiler fields as the first author and corresponding author, including ASE, CC, MICRO, MLSys, OSDI, PACT, PLDI, PPoPP, TACO and TOCS. The paper published at the MICRO conference in 2020 was nominated as the best paper, and the paper published on the TOCS in 2023 is his fourth independently-completed work in China. **Team Members** 01\. **Zhang Renwei (@anyrenwei)**, SIG initiator, MindSpore technical expert 02\. **Ye Zichun (@zichun\_ye)**, SIG lead and organizer, senior MindSpore engineer 03\. **Zhao Jie (@yaozhujia)**, SIG organizer and operations consultant, and senior expert in AI compilers 04\. **Leo (@zhanghanLeo)**, MindSpore engineer 05\. **Xinkai (@di-xinkai)**, MindSpore engineer 06\. **gent1e (@gent1ezzz)** , MindSpore engineer 07\. **pudding**, The Hong Kong University of Science and Technology, AI compiler expert 08\. **Dan**, South China University of Technology, AI compiler developer 5 **MindSpore AKG SIG Recruitment** Scan the QR code to join the MindSpore AKG SIG communication group. **Code repository** https://gitee.com/mindspore/akg **SIG repository** https://gitee.com/mindspore/community/tree/master/sigs/akg About MindSpore SIG The MindSpore Community welcomes industry experts and academic partners to set up special interest groups (SIGs) in the community. As the technical spokesperson of the community, the SIG builds a technical brand in the domain and builds a MindSpore open source ecosystem. The purpose of establishing SIGs in the MindSpore community is to provide an open communication platform for experts, professors, and students in each field, promote technical exchange and win-win cooperation through activities such as sharing at meetings and project development, and improve the influence and technological capabilities of SIG members. Want to establish your SIG? Scan to add our assistant to know more. --- https://www.mindspore.cn/news/en/3412/ --- News Official Release of MindSpore Quantum White Paper! # Official Release of MindSpore Quantum White Paper! 2024/07/10 # Official Release of MindSpore Quantum White Paper! With the rapid advancement of quantum computing technologies, the design and implementation of quantum computing frameworks have become crucial. MindSpore Quantum, an innovative open-source hybrid quantum-classical framework launched by the MindSpore community, is at the forefront of this evolution. Seamlessly integrated with AI, it supports the training and inference of various quantum neural networks and emphasizes the design and implementation of noisy intermediate-scale quantum (NISQ) algorithms. By leveraging high-performance quantum computing simulators and parallel automatic differentiation capabilities, MindSpore Quantum offers a streamlined development experience and exceptional performance. It efficiently addresses challenges in quantum machine learning, quantum chemistry simulation, and quantum combinatorial optimization. 1 Background In the rapidly evolving field of quantum computing, designing efficient variational quantum algorithms is essential. MindSpore Quantum, built on the robust MindSpore open-source deep learning framework, excels in the design and training of these algorithms on both CPU and GPU platforms. This enables researchers to efficiently develop and optimize variational quantum algorithms with exceptional performance. 2 MindSpore Quantum Features ● Supports multiple quantum computing data types and provides a powerful parameter resolver. ● Introduces a state vector simulator and density matrix simulator at the circuit simulation backend to simulate a pure or mixed state quantum system. ● Provides multiple tools, such as gradient of variational quantum algorithm (VQA), circuit Ansatz library, and quantum algorithm subroutine. ● Showcases powerful capabilities in various application scenarios, including quantum neural network (QNN), quantum approximate optimization algorithm (QAOA), variational quantum eigensolver (VQE), data re-uploading classifier, Q-GAN, reinforcement learning, and singular value decomposition (QSVD). ● Introduces QuPack, a meticulously crafted quantum computing acceleration engine, to improve computing efficiency. ● Continuously develops related capabilities on real quantum hardware. MindSpore Quantum supports multiple quantum computing data types and provides a powerful parameter resolver, including parameter generator and parser, for quantum algorithms. The quantum gate module in the framework, including fixed gate and parameterized gate, allows users to construct quantum circuits. In addition, the framework provides various observables, such as Hamiltonian, QubitOperator, FermionOperator, and Transform, to further improve the functionality and flexibility of quantum computing. At the circuit simulation backend, MindSpore Quantum introduces a state vector simulator and density matrix simulator to process the simulation of pure and mixed states. In particular, the quantum channel-based noise simulator can simulate noise more realistically through quantum channels and the Channel Adder module, greatly improving simulation accuracy and reliability. Channel Adder allows users to quickly customize noise models to meet different experiment requirements. To help users better use VQAs, MindSpore Quantum provides multiple tools. For example, the gradient calculation tool of VQA may provide accurate gradient calculation in a plurality of application scenarios. In addition, the framework includes an Ansatz circuit library specially designed for VQAs and a quantum algorithm subroutine for simplified quantum algorithm implementation. MindSpore Quantum excels not only in fundamental quantum computing research but also showcases its powerful capabilities across various application scenarios. These include QNN, QAOA, VQE, data re-uploading classifier, Q-GAN, reinforcement learning, and QSVD. These diverse applications highlight the broad applicability of MindSpore Quantum in quantum computing research. By supporting multiple research directions, it significantly expands the scope of quantum computing applications. To further improve computing efficiency and performance, MindSpore Quantum introduces QuPack which can significantly improve the simulation speed of VQE, QAOA, and tensor network. MindSpore Quantum's capabilities on real quantum hardware are still evolving. Currently, it offers some basic functions, including quantum circuit compilation and optimization, and quantum mapping. These foundational features pave the way for future applications on quantum hardware. 3 Performance Tests 3.1 Random Circuit Task The white paper compares the performance of MindSpore Quantum with other quantum computing frameworks, highlighting its significant advantages in random quantum circuit simulation tasks. For small bit scenarios, MindSpore Quantum's low API call overhead is a key factor in its superior performance. For larger bit scenarios, its use of multi-thread parallel computing and efficient implementation of fundamental quantum gates ensures excellent performance. 3.2 QAOA Task In addition, the performance of each framework in QAOA tasks is also tested. The results show that the performance of MindSpore Quantum is at least one order of magnitude faster than that other frameworks. This is mainly due to the in-depth optimization of MindSpore Quantum in gradient calculation of parameterized quantum circuit and efficient implementation of circuit evolution. If you have used MindSpore Quantum in your research, you can quote the white paper in the following way: BibTeX format: `@misc{xu2024mindspore, title={MindSpore Quantum: A User-Friendly, High-Performance, and AI-Compatible Quantum Computing Framework}, author={Xusheng Xu and Jiangyu Cui and Zidong Cui and Runhong He and Qingyu Li and Xiaowei Li and Yanling Lin and Jiale Liu and Wuxin Liu and Jiale Lu and others}, year={2024}, eprint={2406.17248}, archivePrefix={arXiv}, primaryClass={quant-ph}, url={https://arxiv.org/abs/2406.17248}, }` 4 Acknowledgement MindSpore Quantum provides a powerful and efficient platform for quantum computing researchers. For more information about MindSpore Quantum, you can read the white paper at https://arxiv.org/pdf/2406.17248. And if you are interested in MindSpore Quantum, you can visit the Gitee code repository of the project at https://gitee.com/mindspore/mindquantum. MindSpore Quantum is released using Apache License 2.0 and can be used for academic research and commercial purposes for free. Thanks for participating in the MindSpore Quantum project: Xusheng Xu,1 Jiangyu Cui,1 Zidong Cui,2 Runhong He,3 Qingyu Li,2 Xiaowei Li,4 Yanling Lin,5 Jiale Liu,5 Wuxin Liu,1 Jiale Lu,1 Maolin Luo,1 Chufan Lyu,2 Shijie Pan,1 Mosharev Pavel,1 Runqiu Shu,6 Jialiang Tang,7 Ruoqian Xu,7 Shu Xu,1 Kang Yang,1 Fan Yu,1 Qingguo Zeng,4 Haiying Zhao,1 Qiang Zheng,5 Junyuan Zhou,1 Xu Zhou,8 Yikang Zhu,5 Zuoheng Zou,1 Abolfazl Bayat,2,9 Xi Cao,10, 9 Wei Cui,6 Zhendong Li,11 Guilu Long,12, 13 Zhaofeng Su,5 Xiaoting Wang,2, 9 Zizhu Wang,2, 9 Shijie Wei,12 Re-Bing Wu,10 Pan Zhang,14 and Man-Hong Yung1, 4, 15, 16, 17 1 MindSpore Quantum Special Interest Group 2 Institute of Fundamental and Frontier Sciences, University of Electronic Science and Technology of China, Chengdu 610051, China 3 State Key Laboratory of Computer Science, Institute of Software Chinese Academy of Sciences, Beijing 100190 4 Institute for Quantum Science and Engineering, Southern University of Science and Technology, Shenzhen 518055, China 5 School of Computer Science and Technology, University of Science and Technology of China, Hefei 230027, China 6 School of Automation Science and Engineering, South China University of Technology, Guangzhou 510641, China 7 Department of Physical Chemistry, University of the Basque Country UPV/EHU, Apartado 644, 48080 Bilbao, Spain 8 School of Physics and Astronomy, Sun Yat-sen University, Zhuhai 519082, China 9 Key Laboratory of Quantum Physics and Photonic Quantum Information, Ministry of Education, University of Electronic Science and Technology of China, Chengdu 611731, China 10 Department of Automation, Tsinghua University, Beijing 100084, China 11 Key Laboratory of Theoretical and Computational Photochemistry, Ministry of Education, College of Chemistry, Beijing Normal University, Beijing 100875, China 12 Beijing Academy of Quantum Information Sciences, Beijing 100193, People’s Republic of China 13 State Key Laboratory of Low-Dimensional Quantum Physics and Department of Physics, Tsinghua University, Beijing 100084, People’s Republic of China 14 CAS Key Laboratory for Theoretical Physics, Institute of Theoretical Physics, Chinese Academy of Sciences, Beijing 100190, China 15 Shenzhen International Quantum Academy, Shenzhen 518048, China 16 Guangdong Provincial Key Laboratory of Quantum Science and Engineering, Southern University of Science and Technology, Shenzhen 518055, China 17 Shenzhen Key Laboratory of Quantum Science and Engineering, Southern University of Science and Technology, Shenzhen 518055, China --- https://www.mindspore.cn/news/en/3612/ --- News DeepSeek-V3 & MindSpore: Training Deployment Made Easy # DeepSeek-V3 & MindSpore: Training Deployment Made Easy 2025/02/20 # DeepSeek-V3 & MindSpore: Training Deployment Made Easy ### **Background** Exciting News for AI Developers: DeepSeek-V3 is Here! The powerful DeepSeek-V3 model is now integrated with the MindSpore AI framework, running on Ascend AI hardware. This unlocks ready-to-use pre-training and inference, validated by large-scale cluster deployments. Thanks to MindSpore's foundation model kits and its multi-dimensional hybrid distributed capabilities, automatic parallelism, and dryrun simulation, adapting DeepSeek-V3's advanced architectures was remarkably fast. Furthermore, MindSpore ensures efficient inference deployment, with optimizations for complex structures like MLA and DeepSeekMoE. Start building with DeepSeek-V3 on MindSpore today! Dive into the open source code and unleash AI potential: \- Pre-training code: https://github.com/mindspore-lab/mindformers/tree/dev/research/deepseek3 \- Inference code: https://modelers.cn/models/MindSpore-Lab/DeepSeek-V3 Let's now proceed with the tutorial on DeepSeek-V3 pre-training deployment. ### **Environment Setup** MindSpore Transformers offers seamless support for DeepSeek-V3 pre-training. We've got a sample configuration file for 128 Atlas 800T A2 (64 G) servers in our repository, with WikiText-2 dataset included. Refer to the README for details. Want to try it on a single device? We provide a modified configuration that reduces the DeepSeek-V3 model parameter count, allowing you to implement pre-training on a single Atlas 800T A2 (64G) server. To prepare for training, an Atlas 800T A2 (64 GB) server is required. The environment dependencies for MindSpore Transformers are as follows: \- Python 3.10 \- MindSpore 2.4.10 \- CANN 8.0.RC3.beta1 \- Firmware and driver 24.1.RC3 MindSpore offers a dedicated Docker image for DeepSeek-V3 pre-training. Follow these steps for usage. 1\. Download the Docker image. Use the following command to download the Docker image. `docker pull swr.cn-central-221.ovaijisuan.com/mindformers/deepseek_v3_mindspore2.4.10-train:20250209` 2\. Create a container from the image. `image_name=swr.cn-central-221.ovaijisuan.com/mindformers/deepseek_v3_mindspore2.4.10-train:20250209 docker_name=deepseek_v3 docker run -itd -u root \ --ipc=host --net=host \ --privileged \ --device=/dev/davinci0 \ --device=/dev/davinci1 \ --device=/dev/davinci2 \ --device=/dev/davinci3 \ --device=/dev/davinci4 \ --device=/dev/davinci5 \ --device=/dev/davinci6 \ --device=/dev/davinci7 \ --device=/dev/davinci_manager \ --device=/dev/devmm_svm \ --device=/dev/hisi_hdc \ -v /etc/localtime:/etc/localtime \ -v /usr/local/Ascend/driver:/usr/local/Ascend/driver \ -v /usr/local/Ascend/driver/tools/hccn_tool:/usr/local/bin/hccn_tool \ -v /etc/ascend_install.info:/etc/ascend_install.info \ -v /var/log/npu:/usr/slog \ -v /usr/local/bin/npu-smi:/usr/local/bin/npu-smi \ -v /etc/hccn.conf:/etc/hccn.conf \ --name "$docker_name" \ "$image_name" \ /bin/bash` 3\. Access the container environment. Enter the newly created container and navigate to the designated code directory using the command below. `docker exec -ti deepseek_v3 bash cd /home/work/mindformers` ### **Dataset Preparation** Taking the WikiText-2 dataset as an example, follow the steps below to convert the dataset into a Megatron BIN file. 1\. Download the dataset and tokenizer model file. Dataset: WikiText2 dataset Tokenizer model: DeepSeek-V3 tokenizer.json 2\. Generate a Megatron BIN file. Place the dataset file **wiki.train.tokens** and the tokenizer model file **tokenizer.json** under the **/home/work/dataset** directory. Use the following command to convert the dataset file to Megatron BIN format. `cd /home/work/mindformers/research/deepseek3 python wikitext_to_bin.py \ --input /home/work/dataset/wiki.train.tokens \ --output-prefix /home/work/dataset/wiki_4096 \ --vocab-file /home/work/dataset/tokenizer.json \ --seq-length 4096 \ --worker 1` ### **Configuration Example** This procedure outlines the steps to configure a single-node environment for DeepSeek-V3 pre-training. Start with the **pretrain\_deepseek3\_671b.yaml** configuration file and save the modified version as **pretrain\_deepseek3\_1b.yaml**. 1\. Adjust model configuration. `# model config model: model_config: type: DeepseekV3Config auto_register: deepseek3_config.DeepseekV3Config seq_length: 4096 hidden_size: 2048 # Set the value to 2048. num_layers: &num_layers 3 # Set the value to 3. num_heads: 8 # Set the value to 8. max_position_embeddings: 4096 intermediate_size: 6144 # Set the value to 6144. offset: 0 # Set the value to 0. ……` 2\. Adjust mixture-of-experts (MoE) configuration. Follow the instruction below to use the DeepSeek-V3 dedicated Docker image. `#moe moe_config: expert_num: &expert_num 16 # Set the value to 16. first_k_dense_replace: 1 # Set the value to 1. ……` 3\. Modify parallel configuration. `# parallel config for devices num=8 parallel_config: data_parallel: 2 # Set the value to 2. model_parallel: 2 # Set the value to 2. pipeline_stage: 2 # Set the value to 2. expert_parallel: 2 # Set the value to 2. micro_batch_num: µ_batch_num 4 # Set the value to 4. parallel: parallel_optimizer_config: optimizer_weight_shard_size: 8 # Set the value to 8. ……` 4\. Adjust learning rate configuration. `# lr schedule lr_schedule: type: ConstantWarmUpLR warmup_steps: 20 # Set the value to 20.` 5\. Modify dataset configuration. \- Configure the dataset path: `# dataset train_dataset: &train_dataset data_loader: type: BlendedMegatronDatasetDataLoader config: data_path: - 1 - "/home/work/dataset/wiki_4096_text_document" # Set the dataset path. ……` \- Configure the dataset parallel communication configuration path: `# mindspore context init config context: ascend_config: parallel_speed_up_json_path: "/home/work/mindformers/research/deepseek3/parallel_speed_up.json" # Set the dataset parallel communication configuration path.` ### **Training Task Initiation** Navigate to the code root directory and execute the following command to launch a single-node Atlas 800T A2 (64G) pre-training task. `cd /home/work/mindformers bash scripts/msrun_launcher.sh "run_mindformer.py \ --register_path research/deepseek3 \ --config research/deepseek3/deepseek3_671b/pretrain_deepseek3_1b.yaml"` Once the startup script is executed, the task will be launched in the background. Training logs are saved under **/home/work/mindformers/output/msrun\_log**. Use the following command to view the training logs (Due to pipeline parallelism being enabled with **pipeline\_stage: 2**, loss is only displayed in the log of the last card, **worker\_7.log**. Loss in other logs will show as **0**). `tail -f /home/work/mindformers/output/msrun_log/worker_7.log` Training loss chart is shown below: During the training process, weight checkpoints will be saved in the **/home/work/mindformers/output/checkpoint** directory. That wraps up our tutorial on DeepSeek-V3 pre-training deployment with MindSpore! Now it's your turn — get started today by accessing the DeepSeek-V3 image on MindSpore to conduct pre-training deployment and unlock streamlined development workflows. And a sneak peek —— next week, we will bring you a tutorial on DeepSeek-V3 inference deployment using MindSpore. Stay tuned for that! --- https://www.mindspore.cn/news/en/3613/ --- News Deploying a DeepSeek Model: Janus-Pro on OrangePi AIpro Development Board # Deploying a DeepSeek Model: Janus-Pro on OrangePi AIpro Development Board 2025/02/20 # Deploying a DeepSeek Model: Janus-Pro on OrangePi AIpro Development Board ### **Introduction** In the 2025 Chinese New Year, the AI field witnessed another wave of innovation with the emergence of DeepSeek's Janus-Pro model, featuring an innovative dual-path architecture and powerful multimodal interaction capabilities. To help developers get started quickly, we have deployed the DeepSeek-Janus-Pro model on the 24-GB OrangePi AIpro (20T) development board using the MindSpore AI framework and MindSpore NLP suite. We hope that through our efforts, we can contribute to the development of the AI community and encourage more people to participate in the AI revolution. The following provides a detailed tutorial for deploying DeepSeek-Janus-Pro. Open source links: https://gitee.com/mindspore-lab/mindnlp.git https://github.com/mindspore-lab/mindnlp.git ### **Preparation** **Hardware and Software Requirements** **Hardware:** One OrangePi AIpro (20T) development board, mouse, keyboard, display, network cable, and power cable **Software Environment** ### **Step 1: Burning an Image** #### **1\. Download an image.** Note: Different Orange Pi models require different images. Download the image specifically for the OrangePi AIpro (20T). First, download the OrangePi AIpro (20T) development board image from the official website: http://www.orangepi.cn/html/hardWare/computerAndMicrocontrollers/service-and-support/Orange-Pi-AIpro%2820T%29.html. Upon entering the page, you will see two image environments: Ubuntu and openEuler. This tutorial uses the Ubuntu image as an example. Click **Download** and proceed to Baidu Netdisk. Select **Ubuntu** and **opiaipro\_20t\_ubuntu22.04\_desktop\_aarch64\_20240924.img.xz** to download. #### **2\. Burn the image.** Prepare an SD card with at least 64G of storage. Insert the SD card into a card reader and run balenaEtcher 1.18 **as an administrator** to burn the image. After selecting the image file and SD card, you can start burning. After the burning is complete, a message is displayed, indicating that the burning is successful. ### **Step 2: Development Board Startup and Connection** #### **1\. Connect to the development board.** Insert the SD card with the successfully burned image into the Orange Pi card slot and power on the development board. Ensure that the development board is connected to a display, keyboard, and mouse beforehand. For connection details, refer to the official user manual at http://www.orangepi.cn/html/hardWare/computerAndMicrocontrollers/service-and-support/Orange-Pi-AIpro(20T).html. After the development board starts up, it supports multiple connection methods, such as serial port connection and network cable connection. For details, see sections 2.9, 3.5, and 3.6 in the user manual. **Select one of the connection methods to connect to the development board.** #### **2\. Set the swap memory.** **After logging in to the development board, refer to section 3.18 to set the swap memory to 24 GB.** ### **Environment Configuration** **01** **CANN Upgrade** #### **1\. Download the CANN package.** The image comes pre-installed with CANN 7.0, which needs to be upgraded. In the development board system, visit the official website (https://www.hiascend.com/developer/download/community/result?module=cann&cann=8.0.RC3.alpha002) and filter the information as shown in the following figure. Download the following files: **Ascend-cann-toolkit\_8.0.RC3.alpha002\_linux-aarch64.run** and **Ascend-cann-kernels-310b\_8.0.RC3.alpha002\_linux.run** #### **2\. Install the CANN package.** After the download is complete, go to the download directory. If you use a browser to download the file, the file is stored in the **~/Downloads** directory by default. In the terminal, run the following commands (comments are provided after the # symbol). sudo su # You will be prompted for a password; the default is **Mind@123**. Characters will not be displayed during input, and you will switch to the **root** user after inputting the password. At this point, you have switched to the **root** user, and the terminal prompt changes to **root**. Run the following command to grant execute permission on the two downloaded installation packages: `chmod +x Ascend*` Run the following command to install the **toolkit** package (approximately 10 minutes required): `./Ascend-cann-toolkit_8.0.RC3.alpha002_linux-aarch64.run --install` Enter **Y** as prompted. Run the following command to install the **kernels** package (approximately 10 minutes required): `./Ascend-cann-kernels-310b_8.0.RC3.alpha002_linux.run --install` Enter **Y** as prompted. After **kernels** is installed, run the following command: `ls /usr/local/Ascend/ascend-toolkit/latest/opp/built-in/op_impl/ai_core/tbe/kernel/` The following information is displayed. If the output is incorrect, reinstall CANN. After the installation is complete, run the following command in the terminal: `exit` Exit the **root** user. The terminal changes back to the following. Run the following commands to set environment variables (the current user account must be **HwHiAiUser**): `echo "source /usr/local/Ascend/ascend-toolkit/set_env.sh" >> ~/.bashrc source ~/.bashrc` **_02_** **MindSpore Installation** #### **1\. Install dependency packages.** Before installing MindSpore version 2.4.10, we need to install the MindSpore dependency packages. In the terminal, run the following commands: `pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple pip install sympy pip install /usr/local/Ascend/ascend-toolkit/latest/lib64/te-*-py3-none-any.whl pip install /usr/local/Ascend/ascend-toolkit/latest/lib64/hccl-*-py3-none-any.whl` #### **2\. Install MindSpore.** After the dependency installation is complete, install **MindSpore 2.4.10**. Visit the MindSpore official website at **https://www.mindspore.cn/en**. Select the corresponding MindSpore, Python, and CANN versions (this installation configuration is consistent with the screenshot provided). Then, copy the installation command and execute it in the terminal. #### **3\. Check whether the installation is successful.** After MindSpore is installed, run the following command to verify the installation: `python -c "import mindspore;mindspore.set_context(device_target='Ascend');mindspore.run_check()"` The output should be as follows. #### **03 MindSpore NLP Installation** Note that all commands below must be executed under the **HwHiAiUser** account. First, download the MindSpore NLP code, which has been adapted for Janus. Then, execute the following commands in the terminal to install MindSpore NLP from the source code: `cd ~ git clone https://gitee.com/mindspore-lab/mindnlp.git cd mindnlp git checkout janus pip install -e .` ### **Running Cases** Note that all commands below must be executed under the **HwHiAiUser** account. #### **01 Downloading the Janus Model Weight** Execute the following commands in the terminal: `pip install modelscope modelscope download --model deepseek-ai/Janus-Pro-1B --local_dir /home/HwHiAiUser/Janus-Pro-1B` The download time depends on your internet speed. After the download is complete, the model weight will be saved in **/home/HwHiAiUser/Janus-Pro-1B**. To save it in another location, modify the **local\_dir** parameter and update the **model\_path** values in **mindnlp/llm/inference/janus\_pro/understanding.py** and **mindnlp/llm/inference/janus\_pro/generation.py** to the desired directory address. #### **02 Model Execution** **Note: Due to high memory usage, ensure swap memory is set up (refer to section 3.18 of the user manual).** #### **1\. Run an image understanding task.** Run the image understanding task and enter the following information in the terminal: `pip install attrdict cd ~/mindnlp/llm/inference/janus_pro python understanding.py` The input image is as follows. The execution result is as follows. #### **2\. Run an image generation task.** Run the image generation task and enter the following information in the terminal: `python generation.py` The input prompt is: **A stunning princess from kabul in red, white traditional clothing, blue eyes, brown hair**. The following image is generated in the **~/mindnlp/llm/inference/janus\_pro/generated\_samples** directory: --- https://www.mindspore.cn/news/en/3614/ --- News MindSpore Fully Supporting DeepSeek V3 Training and Inference # MindSpore Fully Supporting DeepSeek V3 Training and Inference 2025/02/20 # MindSpore Fully Supporting DeepSeek V3 Training and Inference Following the support of training and inference for DeepSeek V3 671B on Ascend clusters by MindSpore, the MindSpore version of DeepSeek V3 has also released its fine-tuning capabilities. As a result, MindSpore now fully supports end-to-end training and inference for DeepSeek V3. **Open Source Links** MindSpore open-source community DeepSeek V3 training and fine-tuning code: https://gitee.com/mindspore/mindformers/tree/dev/research/deepseek3 Modelers community DeepSeek V3 inference code: https://modelers.cn/models/MindSpore-Lab/DeepSeek-V3 **The links contain comprehensive step-by-step tutorials, enabling developers to get started effortlessly.** **DeepSeek V3 MindSpore Fine-Tuning Capability Released** MindSpore Transformers supports full-parameter fine-tuning of DeepSeek V3. By following these steps, you can quickly initiate the fine-tuning process on a single Atlas 800T A2 (64 GB): Environment preparation > Dataset preparation > Model weight preparation > Configuration modification > Task execution If you have any questions or suggestions while using the model, please provide feedback through one of the following communities: Discuss the use of DeepSeek V3 in the MindSpore open-source community: https://gitee.com/mindspore/mindformers/issues/IBL0X5?from=project-issue Discuss the use of DeepSeek V3 in the MindSpore forum of the Ascend community: https://www.hiascend.com/forum/thread-02112174450796469017-1-1.html --- https://www.mindspore.cn/news/en/https : /gitee.com/mindspore/mindspore/ --- Go back home --- https://www.mindspore.cn/news/zh/1039/ --- 新闻 这人能处，情人节他竟然让我看这个！ # 这人能处，情人节他竟然让我看这个！ 2022/02/14 # 这人能处，情人节他竟然让我看这个！ 曾经，有一份真诚的爱情放在我面前，我没有珍惜， 等到我失去的时候才后悔莫及， 人世间最痛苦的事莫过于此…… 如果上天能够给我一个再来一次的机会， 我会对那个女孩子说三个字： “我爱你。” 如果非要在这份爱上加上一个期限， 我希望是……一万年！ 如果，此时此刻你已经开始思考“如何度过情人节这个问题”！那你已经站在顶端，接受着小编的鄙视！因为小编…… 刚经历完春节七大姑八大姨的热情催婚，又迎来**2.14情人劫**！这对于单身的程序猿们，简直是雪上加霜。 当别人都牵着手捧着花，秀恩爱晒幸福的时候，对于单身程序猿来说，情人节只是一个敲代码的星期一。 既然如此，在情人节这个浪漫的日子里，如何才能不负程序猿之名！在朋友圈挺起胸膛的炫耀——**做一个专属AI纸片人女友吧**！ **昇思MindSpore GAN模型**可以实现人物属性的转换，甚至还能完成同一个人物表情之间的转换。例如：你可以随便找一位男人，把他变成你喜爱的女人，换个发色，多生成几个表情，打造出一位不会穿帮的假女友，在秀恩爱的朋友圈中，占领一席之地！ （视频——B站：柴知道） 在MindSpore的官网Hub中找到StarGAN模型即可跑出自己专属的AI纸片女友啦！ **MindSpore官网：www.mindspore.cn** 贴心的小编已经为大家准备好，详细的教程啦！ **教程地址：https://mindspore.cn/tutorials/zh-CN/r1.5/intermediate/image\\\_and\\\_video/dcgan.html** 如果你没有现成的环境，那么你可以使用官网提供的“在线运行”来体验一番： MindSpore GAN模型除了定制专属AI纸片女友，还能搭建一个反滤镜模型，还网红景点一个真面目，或者把2D的人像变成一个更立体的3D人像！ （图源：量子位《古典人像秒变3D，视角还能随意切，华为&上交联手出品》） 怎么样，现在是不是蠢蠢欲动了？键盘交给你，创造一个新宇宙的重任也交给你了！试着用MindSpore GAN模型做个创意AI应用吧！（欢迎各路大佬将成果分享到后台或者私信小猫子哦，咱帮你上头条！） ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/1041/ --- 新闻 OSCHINA & Gitee开发者年度报告——听开发者声音，探MindSpore的2021！ # OSCHINA & Gitee开发者年度报告——听开发者声音，探MindSpore的2021！ 2022/02/16 # OSCHINA & Gitee开发者年度报告——听开发者声音，探MindSpore的2021！ 2021 年开源圈一如既往发生了许多大事件，Linux 冲出地球上到火星、PHP 与 Rust 基金会相继成立、Confluent 等几家开源公司高价上市、Chrome OS 成为全球第二大操作系统……每一件都足以载入史册。 放眼国内，今年中国的开源生态葳蕤蓊郁，中国的开源在不同层面势起。为了更好地从开发者与行业角度展现当前国内开源的发展趋势，OSCHINA 和 Gitee 于今日共同发布了\*\*《2021 中国开源开发者年度报告》\*\*（点击“阅读原文”获取完整报告）。 “OSCHINA 2021 中国开源开发者问卷”于报告发布前一个月发放，共收集到 1666 份有效反馈，它将提供最接近于开源开发者的声音。 **这些声音无疑是我们更深度地了解MindSore2021年发展实情的重要依据，同时它们也将为MindSpore的未来发展注入更多可靠的动力。** 数据显示，2021年Gitee新增活跃的仓库数超过了200万，自2019年开始保持着大幅增长的趋势，总开发者贡献活跃度增长102%。在活跃的仓库中，如OpenHarmony、MindSpore、PaddlePaddle等国内大厂主导的头部开源项目具有极高的活跃度，而MindSpore的活跃度则排在了第一。 以上图表显示的是2021年年底Gitee指数排行前十的项目，以及对应维度的Gitee指数。这些项目日常在Gitee平台上的运营工作情况，整体上与其Gitee指数所反映的情况相当。 MindSpore各维度的指数详情如下： - **代码活跃度**：90（>90%） - **社区活跃度**：90（>90%） - **团队健康**：90（>90%） - **影响力**：90（>90%） - **流行趋势**：80（>90%） 可见，MindSpore各维度指数差异较小，是Top10项目中的第二个“五边形战士”。除了继续维稳及吸引更多活跃的开发者进行代码贡献、加强团队成员之间的合理合作等，增强对外推广力度进一步提升社区知名度也将是MindSpore的未来发力点。 **治理模式** **初衷** 我们一直坚持用发展的眼光看问题，深度学习框架的发展我们认为经历了浅层框架时代和通用框架时代，Caffe、Theano以及Tensorflow、PyTorch分别是前后两个时代的典型代表，深度学习框架目前正在进入以MindSpore为代表的全场景AI计算框架的新时代。 为了加速这个新时代的发展，MindSpore社区尤其重视**开放**的治理模式，通过开源协作，以社区的力量共同努力解决这个新时代的许多新问题，从而吸引有大量的业界专家与新一代开发者会深入地参与到这个伟大的变革之中，成为MindSpore生态的主力军。 **概述** MindSpore 社区目前对社区治理的理解由三个部分组成：**开放性**、**可信性**、**多样性**。 【**开放性**】 MindSpore 目前拥有来自欧洲、亚洲、美洲的 14 名技术专家的技术治理委员会（TSC），由开发者组织的兴趣小组（SIG）和工作组（WG）。 社区所有组织的会议都要求公开、透明，会前有预告会后有录屏，这保证了开发者对 MindSpore 社区的开放性的信任，反过来也推动了 MindSpore 社区的快速成长。 【**可信性**】 MindSpore 社区积极参与 OSCAR 社区及信通院牵头组织的开源可信工作，分享了社区开发者体验 SIG 的大量优秀实践，成为全国首批获得可信开源社区评估证书中的唯一一个 AI 开源项目，并成为可信开源社区的发起成员之一。 【**多样性**】 我们在国内和海外，通过组织面向本地开发者、高校师生、上下游企业的社群 MindSpore Study Group， 将来自不同文化、习俗、族群、专业、行业的 AI 爱好者，都纳入到社区大家庭中。 开源社区内生就是国际化的开发者共享、共建、共治的生态圈，因此不存在特定的国际化战略和国内、国外市场不同策略的概念。但是社区非常重视各个地区在文化上、制度上等方面的特异性，因此社区通过发起面向本地开发者的MindSpore Study Group社群，尽可能通过去中心化的自组织行为，繁荣所在地的开发者生态，并合规地开展社区活动。 此外还有最具特色的 MSG·Women In Tech 活动，在北京上海深圳等地都组织了当地女性开发者社区，更好地推动社区对多样性的支持，弘扬包容的社区文化。 **运营实践** 我们的社区运营工作有一整套的方法论和制度保证。 在形而上的层面，提出价值框架理论，以价值主义和框架主义的观点，统领我们的具体工作； 在具体实施层面，社区运营工作分为四大层面：运营平台、社区治理、开源合作以及基础设施。 **社区运作与管理** 整体原则——以技术为核心、社区高于代码。 MindSpore 的社区运作强调以技术作为绝对的内容中心，社区运作管理团队所提炼的可传播性内容必须基于 MindSpore 主要技术特性，同时社区运作管理团队开发 MindSpore 开发者高阶 API 套件 TinyMS 等 MindSpore 周边开源项目，用技术项目运作技术社区。 我们格外强调以模型的思维和产品迭代的思路，打造集品牌营销、内容制作与传播、社群活动、技术培训等服务能力的平台化产品。 **社区治理** 通过引入开放治理架构、打造可信开源社区、弘扬性多样性包容文化，来推动开放协作创新。 **开源合作** 侧重于面向业界现有主流开源社区及基金会的广泛合作，比如与 CNCF 基金会的 Kubeflow 和 Volcano 项目这样的技术合作，和开放原子基金会合作的开源运营手册这样把社区运营都开源出来的运营合作，以及同Eclipse基金会共建AICE Lab、LFAI&Data基金会共建MLWorkflow&Interop委员会等等。 **基础设施** 包括大量的 CI 机器人、开发者体验机器人、同步机器人、CI 集群、数据化运营面板的构造。 MindSpore从初始就秉承打造立足中国的全球化开源社区的理念，与全世界的深度学习开发者一起构筑生态。我们选择码云作为主仓正是立足中国的体现，但同时也通过打造实时同步机器人等社区工程化手段，在GitHub维护可以进行开发和接受贡献的镜像仓库，方便世界其他地方的开发者参与社区。 ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/1053/ --- 新闻 《AI框架发展白皮书（2022年）》——昇思MindSpore社区引领潮流！ # 《AI框架发展白皮书（2022年）》——昇思MindSpore社区引领潮流！ 2022/02/28 # 《AI框架发展白皮书（2022年）》——昇思MindSpore社区引领潮流！ **AI框架发展白皮书（2022年）** 当前，世界正在进入以新一代信息技术驱动发展的重塑时期，AI正助力经济社会步入智能经济时代。 作为人工智能开发环节中的基础工具，AI框架对下调用硬件资源，对上支撑AI应用生态，是AI技术体系的关键核心。作为应对智能经济时代的技术利器，AI框架是AI学术创新与产业商业化的重要载体，助力人工智能由理论走入实践。 随着重要性的不断凸显，AI框架已经成为了人工智能产业创新的焦点之一，引起了学术界、产业界的重视。 2022年2月26日，由世界人工智能大会组委会指导，上海市经济和信息委员会、中国自由贸易试验区临港新片区管委会、上海临港经济发展有限公司共同主办的WAIC2022上海人工智能开发者大会在上海举行。 **在上午的主论坛上，中国信息通信研究院副院长胡坚波发布了《AI框架发展白皮书（2022年）》。** 白皮书致力于厘清AI框架的概念内涵、演进历程、技术体系，通过梳理总结当前AI框架发展现状，研判AI框架技术发展趋势，并对AI框架发展提出展望与路径建议。 **阅读PPT，了解MindSpore的发展和突破** **白皮书核心观点** **1、AI框架演进步入深化阶段。** AI框架技术持续演进，历经萌芽阶段、成长阶段、稳定阶段，当前已进入深化阶段，AI框架正向着全场景支持、超大规模AI、安全可信等技术特性深化探索，不断实现新的突破。 **2、AI框架已形成较为完整的技术体系。** 当前主流AI框架的核心技术演化出三大层次，分为基础层、组件层和生态层，其中基础层实现AI框架最基础核心的功能，具体包括编程开发、编译优化以及硬件使能三个子层。 **3、AI框架是应对智能经济时代的技术利器。** 从技术生态体系中的功能定位看，AI框架对下调用底层硬件计算资源，对上支撑AI应用算法模型搭建，提供算法工程化实现的标准环境，是AI技术体系的关键核心。AI框架是应对智能经济时代的技术利器，也将成为智能经济时代的操作系统。 **4、全球AI框架繁荣发展，多元化竞合态势渐显。** 数字科技企业巨头是AI框架发展壮大的核心力量，业界已形成Google-TensorFlow和Meta-PyTorch两家独大的市场格局，双寡头并驱态势下国内AI框架市场格局向着多元发展。全球AI框架开源生态进入活跃期，对AI框架的发展壮大至关重要。AI框架的推广路径逐步清晰，社区生态壮大优化、与高校科研院所联动、面向产业应用提供基础设施及解决方案服务是AI框架开发者规模壮大的主要路径。 **5、应对未来多样化挑战，AI框架有六大技术趋势。** 技术趋势-泛开发：AI框架将注重前端便捷性与后端高效性的统一。技术趋势-全场景：AI框架将支持端边云全场景跨平台设备部署。技术趋势-超大规模：AI框架将着力强化对超大规模AI的支持。技术趋势-科学计算：AI框架将进一步与科学计算深度融合交叉。技术趋势-安全可信：AI框架将助力提升AI模型可解释性与鲁棒性。技术趋势-工程化：AI框架将加速AI应用产业规模级工程化落地。 **白皮书目录** **一、 AI框架技术持续演进，已形成较为完整的体系** (一) AI框架演进步入深化阶段 (二) AI框架技术演化出三个层次 (三) AI框架重要性愈加突显 **二、 全球AI框架繁荣发展，多元化竞合态势渐显** (一) 供给主体方面，企校贡献最活跃 (二) 开源生态方面，全球进入活跃期 (三) 市场格局方面，双寡头持续引领 (四) 支撑应用方面，科研与产业齐驱 (五) 推广途径方面，三条路齐发并进 **三、 应对未来多样化挑战，AI框架有六大技术趋势** (一) 泛开发：AI框架将注重前端便捷性与后端高效性的统一 (二) 全场景：AI框架将支持端边云全场景跨平台设备部署 (三) 超大规模：AI框架将着力强化对超大规模AI的支持 (四) 科学计算：AI框架将进一步与科学计算深度融合交叉 (五) 安全可信：AI框架将助力提升AI模型可解释性与鲁棒性 (六) 工程化：AI框架将加速AI应用产业规模级工程化落地 **四、 AI框架生态远未成熟，未来发展空间可观** (一) 从硬件适配向算子接口标准化演进 (二) 强化开源社区打造与开源氛围营造 (三) 重视与高校科研院所广泛开放合作 (四) 推进融入AI基础设施布局落地 (五) 支持深度赋能大模型及科学计算 **白皮书下载方式** --- https://www.mindspore.cn/news/zh/1060/ --- 新闻 佳都科技集团股份有限公司加入昇思MindSpore开源社区，致力赋能行业场景化智能+应用 # 佳都科技集团股份有限公司加入昇思MindSpore开源社区，致力赋能行业场景化智能+应用 2022/03/04 # 佳都科技集团股份有限公司加入昇思MindSpore开源社区，致力赋能行业场景化智能+应用 **佳都科技\*\*\*\*集团股份有限公司**签署 CCLA（Corporate Contributor License Agreement 企业贡献者许可协议），正式加入昇思MindSpore开源社区。 \*\*佳都科技集团股份有限公司（简称：佳都科技）\*\*是中国专业的人工智能技术产品与服务提供商，基于自主研发的计算机视觉、知识图谱、智能大数据、数字孪生四大核心技术，打造数字城市新型基础设施，赋能城市现代化建设与治理。 公司聚焦“智慧大交通”主赛道，深耕智慧轨道交通、智慧城市交通两大领域，拓展公共安全、应急管理等智慧城市治理创新业务，夯实企业数字化升级基础业务，提供从基础算法、核心算法到整个应用场景的全栈式人工智能技术与产品方案。 由佳都科技基于昇思MindSpore实现的“智能视频监控联合解决方案”，提供通用的智能图像计算服务，满足视频图像解析和标识物数据的分类、聚类计算需求，赋能行业场景化智能+应用；在以地铁安检为代表的大场景的创新应用，对建设全面、有力的安全防范预警与应急管理平台，实现地铁一体化的应急联动和指挥具有重大意义。 佳都科技加入昇思MindSpore社区后，将进一步深化双方合作，共同推动项目及产品应用落地。未来，佳都科技也期待与更多的社区伙伴一起，更加专业的开展轨道交通等业务方面合作，高效推进项目落地，构建良好产业生态圈。 如您想加入MindSpore社区，有签署CCLA的需求可以将原由发送至邮箱：maxiaowen5@h-partners.com 如有与MindSpore社区相关的任何疑问，详情可咨询MindSpore小助手（mindspore0328） **扫描下方二维码加入MindSpore项目↓** **MindSpore官方资料** **GitHub** : https://github.com/mindspore-ai/mindspore **Gitee** : https : //gitee.com/mindspore/mindspore **官方QQ群** : 486831414 --- https://www.mindspore.cn/news/zh/1061/ --- 新闻 『Women In Tech』听她们说，女性的力量——海外专场 # 『Women In Tech』听她们说，女性的力量——海外专场 2022/03/07 # 『Women In Tech』听她们说，女性的力量——海外专场 无论是滑雪场上恣意潇洒的天才少女谷爱凌，还是足球场上铿锵翻盘的中国女足，这个春天，运动场上的女性魅力被彰显得淋漓尽致。 从体育到科技，从家庭到职场，女性从来都不是也不应仅是从属地位。无论何时，对女性刻板印象say “no”都不应该被刻意规避。 她们可以温柔也可以强硬，她们可以感性亦可以理性，她们的价值不来自世俗和他人之口，她们的价值，她们自己定义。 **Women In Tech** 在新冠缠绵且愈演愈烈、在国际局势紧张且敏感的3月，有一群女性仍在为“打破偏见”而积极准备对话。 在这个座谈会上，你可以听她们分享在职场中的披荆斩棘之路，体会成长；也能学习工作技能，丰富自己；或者，感受她们的生活处事态度，学会提升自己的自信。 **时间地点** \*\*本周二（3月8日）\*\***晚上8点**，由华为赞助、THE STUDENT组织的3·8节专题线上交流会将准时开启。本次分享会邀请了4位杰出的职场女性，她们将从自身经验出发一起探讨女性培养科技技能的重要性，并围绕“打破偏见”这一话题分享自己的观点。 **主要嘉宾** **1** **Noa Havazelet** Head of Google Accelerator, Europe and DevRel Regional Lead of UK Ireland Google **2** **Xiaoman Hu** Director of Operations, MindSpore Community, LF AI & DATA Foundation Outreach Committee Chair Huawei **3** **Rameen Khan** Software Engineer Crayon **4** **Jamie Ramacciotti** Head of Content, Student Events Times Higher Education (THE) **报名方式** 点击下方链接获取更多内容及注册报名哦（点击“阅读原文”即可进入） https://www.timeshighered-events.com/women-in-tech 如果你考虑从事技术职业或研究，或仅是想参与相关话题的交流，都欢迎关注和收听。我们**本周二晚8点**，准时相见！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 **MindSpore官网**：https://www.mindspore.cn/ **MindSpore论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html **GitHub** : https://github.com/mindspore-ai/mindspore **Gitee** : https : //gitee.com/mindspore/mindspore **官方QQ群** : 486831414 --- https://www.mindspore.cn/news/zh/1062/ --- 新闻 科技女性的奋斗不止于3月8日，昇思牵手Linux基金会带来新一场WIT # 科技女性的奋斗不止于3月8日，昇思牵手Linux基金会带来新一场WIT 2022/03/08 # 科技女性的奋斗不止于3月8日，昇思牵手Linux基金会带来新一场WIT 随着时间的推移 很多科幻小说里的设想已经成为了现实 当我们的生活被高科技环绕 是更加方便快捷还是充满隐患？ 身处科技行业的女性 是怎么样拥抱这一个前所未有的世界呢？ **科技时代下女性的选择** **3月23日19：00**，由**LF AI&DATA基金会**主办，**昇思MindSpore开源社区**和**LF开源软件学园**协办的Women In Tech活动，为大家邀请了两位重量级女性嘉宾，分享当前科技对生物多样性，与特殊学习需要的学生保护的成功案例，希望更多的科技女性、科技人才加入保护特殊动物与人群的行列中来，用科技的力量改变世界。 **山水自然保护中心自然观察项目主任** **程琛**，利用先进的AI算法有效解决当前生物多样性数据在获取和应用上的难点，对未来保护生物多样性提供了至关重要的科技助力。 **香港树仁大学应用学科系系主任兼助理教授** **袁文贞**，结合科技的力量，为有特殊学习需要的学生提供知识吸收与正常人际关系建立等帮助，为学生们未来人生规划与事业发展提供了巨大助力。 她们正在用“女性视觉”改变世界 用感性带来了有温度的科技 让世界更美好！ **2022年3月23日19：00-20：30** 与你共同分享这份温暖！ **扫描下方二维码即可报名** （备注：WIT） ****行己所爱，爱己所行**** **祝每一位努力、美丽的女神** **节日快乐！** MindSpore官方资料 **MindSpore官网**：https://www.mindspore.cn/ **MindSpore论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html **GitHub** : https://github.com/mindspore-ai/mindspore **Gitee** : https : //gitee.com/mindspore/mindspore **官方QQ群** : 486831414 --- https://www.mindspore.cn/news/zh/1073/ --- 新闻 今日AI Security SIG分享会—— 你想知道的AI模型“黑盒”问题解答，就在今晚！ # 今日AI Security SIG分享会—— 你想知道的AI模型“黑盒”问题解答，就在今晚！ 2022/03/15 # 今日AI Security SIG分享会—— 你想知道的AI模型“黑盒”问题解答，就在今晚！ **AI Security SIG** 小伙伴们期待已久的线上分享会又要来啦！这次会议，我们很荣幸地邀请到了AI Security SIG的两位热情的小伙伴进行分享，他们分别是来自**国防科技大学计算机学院**的**郭烨婷**同学和**MindSpore可解释AI专家\*\*\*\*Shendi**。 之前的两期会议，我们主要介绍了**联邦学习技术**，有些小伙伴听完之后意犹未尽，想知道这项技术还能应用在什么场景。 今天，**郭烨婷**同学将给我们分享他们团队的一篇论文，**介绍计算资源受限以及隐私保护要求下的边缘联邦学习**。 此外，**Shendi**给咱们带来的可解释AI技术，是为了**解决AI模型的“黑盒”问题**：随着AI技术的迅速发展，AI模型也变得愈加复杂；尽管复杂的AI模型可以提供更加准确的预测结果，但工程师不清楚它们是按照什么逻辑得到结果的，这个问题对于金融、医疗这些监管、决策严格的场景来说是致命的。 **会议链接&会议ID（腾讯会议）：** https://meeting.tencent.com/dm/syokzDrfCbPZ **815-430-941** **议题一** **可解释AI——打开“黑匣子”的钥匙** **01 议题内容** 介绍可解释AI的起源背景以及MindSpore提供的相关算法和工具。 **02 时间** 3月15日 19:00—19:30 **03 分享人介绍** **Shendi**，MindSpore团队可解释AI技术专家。 先后毕业于：Newcastle University、The University of Edinburgh（博士学位）； 在SIGKDD、ICDE、IEEE Transactions on Communications、EIT Communications等期刊发表多篇论文。 **议题二** **论文分享：《FEEL: A Federated Edge Learning System for Efficient and Privacy-Preserving Mobile Healthcare》** **01 议题内容** 一种创新的边缘联邦学习系统，有效地解决边缘设备算力匮乏、隐私保护严格场景下的AI模型训练问题。 **02 时间** 3月15日 19:50 – 20:20 **03 分享人介绍** **郭烨婷**，国防科技大学计算机学院，博士三年级学生，研究方向是联邦学习、边缘计算。 **议题三** **MindSpore联邦学习框架代码讲解** **01 议题内容** 结合MindSpore联邦学习框架的源代码讲解算法流程，方便开发者进行自研算法的开发和验证。 **02 时间** 3月15日 20:40 – 21:10 **03 分享人介绍** **Mr. Jin** **往期视频** 精彩回顾 https://www.bilibili.com/video/BV14g411V7nZ?spm\\\_id\\\_from=333.999.0.0 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore --- https://www.mindspore.cn/news/zh/1074/ --- 新闻 MindSpore Quantum | 暑期2021优秀开发者专访—谢晴兴：因为热爱，所以坚持 # MindSpore Quantum | 暑期2021优秀开发者专访—谢晴兴：因为热爱，所以坚持 2022/03/16 # MindSpore Quantum | 暑期2021优秀开发者专访—谢晴兴：因为热爱，所以坚持 **优秀开发者专访** 本期专访来自**开源软件供应链点亮计划-暑期2021“最具潜力奖”获得者\*\*\*\*谢晴兴**：因为热爱，所以坚持。 **请简单介绍一下自己** 我是一名武汉大学的博士研究生，喜欢编程，同时又喜欢数学物理，我的研究方向为量子计算在量子化学中的应用，本次开源项目的这个选题与我的研究兴趣非常地契合，所以就报名参加了这个活动。 **承担项目：MindSpore社区，适用于求解分子基态与第一激发态能量的量子神经网络。** **可以分享提高代码质量的学习方法和技巧吗？** 写代码时脑海中要构建整个算法的完整逻辑，一个再复杂的代码都是由其中很多个子模块所构成的，编写代码时对每个子模块都注释标注一下，既让自己也让其它读者能够快速理解整个代码。 同时要对每个变量的命名也需要仔细斟酌，尽量做到见名识意。 \*\*你是在什么阶段开始接触开源的？\*\***可以跟我们分享一下最喜欢的开源项目吗？** 本科期间就对开源有所了解，但这次的活动才是我第一次真正参与到开源项目中来。 我喜欢的开源项目便是这次我参与的MindSpore Quantum，是MindSpore量子机器学习框架，它能够高效地进行量子编程以及模拟，为我的研究提供了极大的便利。 **有过其他此类参赛经历吗？** _**01**_ 2021年，我参加了华为与上海大学联合举办的 **2021 量子计算黑客松全国大赛·上海大学站**，并荣获二等奖(WHU-CCNSL 队)，这次比赛需要解决两道试题，两道试题都有一定的难度，需要自学很多相关的知识。尽管有些难度，但把问题解决之后还是很有成就感的。 _**02**_ 我又参加了**华为云量子计算论文复现大赛**，通过这个赛事，让我有机会接触到了量子计算算法领域最前沿的一些研究成果，在指导老师的帮助下，我在MindSpore Quantum的框架下成功实现了adapt-VQE算法。 这个比赛对我最重要的收获就是我结识了一群志同道合的小伙伴们，让我有机会能够跟同行相互交流学习。很多时候，一个人的思维会有局限性，交流和分享会让一个人的眼界与思维更加开阔，进而会产生很多新奇的idea，为自己的工作带来新的灵感。感谢主办方为我们提供了这样一个平台！ **请简单介绍一下暑期2021中你的开源项目** 本次开源项目我的选题是\*\*“MindSpore社区：适用于求解分子基态与第一激发态能量的量子神经网络”\*\*。 计算化学，顾名思义，就是基于量子力学的基本物理规律，利用数学方法通过计算机程序对化学体系进行模拟计算，以解释或解决化学问题。 但是，要想真正通过计算模拟、运用基础理论去解决或解释化学问题，仅仅依靠精细的算法还是无法实现，必须还要借助于计算机的计算能力。 可以说，量子化学的发展与计算机的发展息息相关。面对计算化学所涉及的巨大计算量，经典计算机在计算精度、计算尺寸等方面显得能力有限，这就在一定程度上限制了计算化学的发展。 想要突破这一瓶颈，就必须依靠量子计算机强大的计算能力。因此，量子计算机在实现量子化学的模拟上有着巨大的潜力。 就目前的量子计算机发展水平而言，可以通过变分量子特征值求解算法(Variational Quantum Eigensolver, VQE)，在量子计算机上实现化学模拟。 本项目需要利用MindSpore Quantum的框架编写出VQE的量子算法，并在模拟器上做数值模拟，用以求解分子基态与第一激发态能量，并将模拟结果与FCI的结果对照，以此来判断该量子算法的可靠性。 \*\*在项目进行中遇到的印象最深刻的困难是什么？\*\*\*\*如何解决的？\*\***有什么收获吗？** 本项目难度较高，完成本项目需要学习大量的理论知识，既要有量子计算方面的基础，同时还要有量子化学方面的基础，总之需要一定的理论功底才能读懂本项目相关的科研论文，同时还要具备一定的编程技巧才能开展项目工作。 在这里感谢项目导师的耐心指导，让我能够尽快地上手项目。很多时候，往往导师的几句话，就点明了我的方向，当我在代码编写的过程中遇到了一些我无法理解的bug，导师也为我耐心地排查问题并寻找解决方案。 总之，遇到困难可以尝试与导师沟通交流，比自己闭门造车的效率要高太多了。 \*\*通过参加暑期2021的开源活动，\*\***你对开源和开源社区有新的认识吗？** 就个人或团队而言，开源可以提高知名度，有不错的引流效果和品牌效果。 同时允许让别人帮你一起修改开发你的代码可以防止独立开发容易走歪或钻进死胡同的问题，降低了开发的成本。 **你认为参与开源项目对做科研会有帮助吗？** 一句话来概括本次开源项目对我的帮助：开眼界、涨姿势、锻炼编码能力。 本次经历拓宽了我原本的知识领域，扩充了我个人的技术图谱和技术栈，同时也完善了自己的代码风格以及模块组织形式，能够更好的和他人合作。这些都有益于我的科研工作。 **请分享一下你对开源的理解** 开源就的本质是让全世界所有的人共同去协作完成一个项目，广大人民群众的智慧是无穷的，充分发掘每一个人的特长，共同推动项目的不断进步。 **你认为学生在学习阶段应该如何逐渐\*\*\*\*从开源受益者转变到开源贡献者？** 兴趣很重要，只有热爱才能让自己一直坚持下去。根据自己的兴趣选择一个适合自己开源项目，持之以恒地做下去。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore --- https://www.mindspore.cn/news/zh/1075/ --- 新闻 本周Parallel SIG分享会——MindSpore的并行策略详解，尽在周六晚！ # 本周Parallel SIG分享会——MindSpore的并行策略详解，尽在周六晚！ 2022/03/16 # 本周Parallel SIG分享会——MindSpore的并行策略详解，尽在周六晚！ **Parallel SIG** 近年来，神经网络模型的规模持续增长，从千亿突破至万亿，甚至朝着十万亿乃至百万亿的方向发展。**如此大规模的参数量，单块加速设备的算力和存储能力完全无法满足需求，因此利用分布式加速大模型的训练和推理是一种趋势。** 而大模型的训练往往需要成百上千张加速芯片来完成任务，比如华为使用上千张Ascend 910训练PanGu-alpha。\*\*那如何利用计算中心成百上千张AI加速芯片高效地进行训练，并行是其中的核心技术。\*\*并行技术提升AI加速芯片的利用率，让大模型的训练时间被约束在可接受范围内。 **并行策略**作为MindSpore的关键特性，被业界广泛使用。此次Parallel SIG（special interest groups）会议，我们将一起讨论与MindSpore并行策略相关的课题。 **会议详情** 01 **会议时间**： 2022年\*\*3月19日（周六）\*\*19:00-21:00 02 **会议链接**： https://meeting.tencent.com/dm/3uSnNqriRHZ4 03 **会议ID**：**245-887-799** **议题一** **MindSpore并行策略之sharding propagation** **01 时间** 19:00-19:40 **02 演讲人** **达叔**，MindSpore并行组核心开发成员 **议题二** **MindSpore算子级并行用法** **01 时间** 19:40-20:20 **02 演讲人** **大总管**，MindSpore并行组核心开发成员 **议题三** **基于MindSpore训练MoE** **01 时间** 20:20-21:00 **02 演讲人** **王博**，MindSpore并行组核心开发成员 **加入Parallel SIG** 扫描二维码 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore --- https://www.mindspore.cn/news/zh/1087/ --- 新闻 2012实验室全球软件技术峰会.加拿大研究院专场 # 2012实验室全球软件技术峰会.加拿大研究院专场 2022/03/22 # 2012实验室全球软件技术峰会.加拿大研究院专场 - 会议名称：2012 Labs Global Software Technology Summit . Canadian Reseach Institute - 时间： March 29th to 31st (Beijing time, UTC+8) - 地点：线上 - 主办方：2012实验室软件分委会 & 加拿大研究院 （The Software Sub-committee of 2012 Labs & Canadian Reseach Institute） - 直播链接：https://live.vhall.com/v3/lives/watch/577021884 - 会议简介：2012实验室全球软件技术峰会是连接全球、探讨新技术、碰撞新思想、促进软件、软硬协同技术创新与架构突破的交流大会，由华为2012实验室软件分委会联合加拿大研究院及华为其他研究院举办。大会将邀请产业界和学术界顶级技术专家，围绕行业趋势和前沿技术，在软件平台化和生态化主题上开展深入讨论，携手推动软件扎到根、捅破天。 2012实验室全球软件技术峰会2022年加拿大研究院专场将于北京时间3月29-31日线上召开，覆盖Complier & HW/SW Co-design、 Distributed Data & Database、OS & Cloud Computing、AI for software & CG Technologies、Trustworthy Software Engineering。 议程详情如下。欢迎报名，和专家们探讨软件前沿趋势和热点话题！ --- https://www.mindspore.cn/news/zh/1394/ --- 新闻 昇思MindSpore TechDay3月26日精彩分享回顾——我与昇思共成长 # 昇思MindSpore TechDay3月26日精彩分享回顾——我与昇思共成长 2022/03/27 # 昇思MindSpore TechDay3月26日精彩分享回顾——我与昇思共成长 **昇思MindSpore TechDay** **2022年3月26日**昇思MindSpore TechDay盛大开启！全平台\*\*75W+\*\*人次与我们一同在线狂欢，共同见证昇思MindSpore和开发者们的成长。在此，非常感谢小孢子们的热情支持！ 下面让我们一起来回顾26日各位大佬的精彩分享吧~ **一** **开场致辞** **华为昇腾计算业务副总裁 田昆阳** 昇思的这一年是突破的一年，我们不仅布局了十几个原生大模型，且昇思的开发者已经突破了**64万**，其中核心的贡献者为**1370名**，外部贡献者为**740名**。 开源两年，昇思已经打下了一个良好的基础。未来，我们将把昇思MindSpore作为AI发展的**根技术**来培养，同时着重培养更多核心的开发者，继续坚持技术引领，与社区合作者共同构建繁荣的AI开源生态。 **昇思MindSpore首席架构师 金雪锋** 2022年昇思MindSpore将： 进一步提升易用性和全自动并行能力； 融入欧拉、鸿蒙生态，成为内置的AI引擎； 发布AI+科学计算+数据分析的融合计算解决方案。 相信通过今年的努力，昇思MindSpore可以让大家用得更省心。 **二** **与昇思共成长** **昇思MindSpore资深布道师 赵博宣** 与昇思MindSpore社区的相识是一个双向奔赴的过程，详解DX-SIG组的创建过程和社区治理方式，坚持“用MindSpore开发AI工具治理MindSpore开源社区”的理念。 **昇思MindSpore资深布道师 项靖阳** 昇思MindSpore社区提供了非常丰富的实践活动和计算资源，适合新手进行入门并将精力专注于项目之中。 “工作规范”是我加入昇思MindSpore一年零三个月最大的收获，我的编程能力不仅得到了提升，文档编写、代码组织等能力也得到了锻炼与进步。 **昇思MindSpore AI Security SIG核心成员 金修浪** 老师向同学们介绍了SIG成立的背景和主要活动，并重点解释了如差分隐私机器学习算法原理和联邦学习框架等内容，而联邦学习能解决数据孤岛的问题，想体验的同学也可以在昇思的官网上进行了解。 （加入SIG之后的成长规划路线） **昇思MindSpore DX-SIG核心成员 齐国强** 从Community over Code 出发，在社区、开发者、项目三个维度探索社区运营最佳方案，构建社区开发者画像、MLops流水线形成智能运营RPA能力，实现精细化运营。 **昇思MindSpore资深开发者 王峰** 带领昇思MindSpore走进了南京的高校，是践行AI普惠价值的推动举措之一，虽然某种程度上自己的个人影响力也有限，但是能有更多的从业者加入到这个序列的话，一定程度上也能为MindSpore这样的AI的框架和平台在行业普及和落地贡献一份力。 **昇思MindSpore优秀组织者 张东豪** 开发者的成长历程——首先是对这个技术感兴趣，然后知行合一，身体力行。昇思MindSpore社区有非常多的入门级别的课程，从安装到实操都非常地详细。同时有非常多地活动，和社区里志同道合的朋友交流学习，不断提升自己，以前走过的路会成为当下的起点。 **三** **人人都能懂AI** **华为计算开源开发与运营部总监 李永乐** 用日常案例通俗易懂地讲解了什么是人工智能和机器学习，在轻松聊AI的同时，强调理解&掌握“**规律**”在机器学习中的重要性。 在采访环节中，深入浅出地总结出**理解力、执行力和与人链接力**在面试表达或职场行动中的具体作用。李老师分享结束后，许多小孢子都表示受益匪浅。 **四** **MindTalk—企业对话** **深圳大学医学部助理教授 杨鑫** 深圳大学医学超声影像计算实验室，以MindSpore框架为基础，在其开发的Pair软件中提供基于CPU的医学影像智能标注功能。 Pair配备独有的自动分割标注功能，基于MindSpore快速的CPU推理，其高效的内核算子可以充分发挥CPU硬件算力，减少推理耗时，相比Libtorch，可以达到26%的加速提升，同时仅需一步框定操作即可快速实现目标轮廓的全自动精确标注，免除了繁琐的手动勾画过程，节省标注时间，可高效推动AI研究项目的进度。 **TCL AI专家** **张潮** TCL工业研究院致力于AI在工业尤其是制造业场景的落地应用，因此选择国产框架相较于业界主流的框架显得更加稳妥。 READ项目作为第一个工业视觉无监督异常检测算法库已经在OpenI启智社区开源，目前基于MindSpore已经集成了许多学术界前沿的优秀的无监督异常检测算法。 未来计划在产业、科研、教学三个方向同MindSpore持续展开合作，为推动我国工业4.0智能化发展贡献力量。 关注B站 **【MindSpore官方】** 获取详细分享内容 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1403/ --- 新闻 MindSpore社区成立易用性SIG，欢迎加入！ # MindSpore社区成立易用性SIG，欢迎加入！ 2022/03/30 # MindSpore社区成立易用性SIG，欢迎加入！ 2022年3月17日，MindSpore社区技术委员会(TSC)决议通过MindSpore易用性SIG的申请，正式成立MindSpore易用性SIG。 SIG介绍见主页：https://gitee.com/msu-sig #### ****打通开源软件使用的“最后一公里”**** **打开软件安装指南，却发现不支持本机的操作系统；开始安装了，却提示需要手动预装N多三方依赖；API文档翻了好几遍，却找不到一段想要的示例代码；好不容易运行起来了，系统抛了个错误，提示信息却又看不懂了；想找找前人类似的经验，却发现怎么也找不到合适的案例……** **在许多开源软件的使用过程中，你是否也遭遇过类似的尴尬情况，从而被迫放弃使用？** **软件正在吞噬世界。在开源软件不断蓬勃发展的今天，能够真正赢得开发者青睐的开源软件却是寥寥，这提示我们，**开源软件除了要把核心功能做稳定、关键竞争力做强之外，还需要在易用性上狠下功夫，不断提升开发者的使用体验，才能真正获得开发者的青睐**。** **为此，MindSpore社区成立了易用性SIG（Usability SIG），来帮助各位开发者打通使用过程中的“**最后一公里**”。** **从今年起，易用性提升也会成为MindSpore的重点发力方向，随着API/算子/模型/套件快速补齐、文档信息结构优化、多平台安装陆续支持、以及报错解决地图的投入使用，相信今年会带给各位开发者一个易用性全面提升的AI框架，**让“最后一公里”畅通无阻**。** #### ****易用性SIG的愿景与目标**** **作为和开发者进行连接的桥梁，易用性SIG的目标是**和开发者共同打造易学易用、灵活高效的AI框架，持续提升MindSpore易用性，助力开发者成功\*\*。\*\* ****易用性SIG是一个倾听开发者声音的渠道**，你可以在这里直接提出对MindSpore易用性的改进需求，需求将及时反馈给MindSpore社区进行评估。** ****易用性SIG也是一个为开发者提供帮助的渠道**，在你学习和使用MindSpore的过程中，对于文档信息体验、安装、API使用、语法/算子/模型支持、报错信息等方面有任何疑问，都可以在这里发问，SIG会通过社区互助的形式帮你答疑解惑。** ****易用性SIG更是一个开发者共同交流和学习的平台**，这里有丰富的技术活动，不仅有易用性相关特性讲解和演示，还有业界专家对AI工程方法和最佳实践进行分享，更有学术界大牛进行前沿技术分享，以及开发者现身说法，分享他们的故事与经验。我们还可以一起来开发知识问答机器人，让AI普惠每一位开发者，毕竟让开发者学好、用好MindSpore是我们最大的心愿。** #### ****在这里，你能够获得**** - \*\*\*\*扩大自己在开源社区中的影响力：**欢迎你为MindSpore易用性改进提供你的见解和建议，就有可能被社区采纳，也可以动手贡献出你的代码和技术总结，积累在开源项目中的开发经验，扩大自己在gitee指数排名第一的开源社区中的影响力；** - ****了解业界最佳实践和学术界前沿技术的机会**：机器学习设计模式、动静态图统一、函数式编程、开发者体验研究……诸多话题等你来听；** - ****全栈系统化的学习资源**：AI工程师知识地图、MindSpore实用技术资源集锦……助你从零基础入门AI开发，并逐步成长为资深AI工程师；** - ****丰富的实战机会**：一起开发MindSpore知识问答机器人，一起动手学、动手开发各种实战案例，你也可以成长为AI开发大牛，并分享你的故事！** #### ****初始成员**** **目前易用性SIG处在筹建阶段，已邀请到MindSpore社区内的数位专家和活跃开发者，共同作为初始成员参与SIG的运作。同时也欢迎各位开发者踊跃参与，不断壮大这个技术圈子。** **当前初始成员（及其gitee id）介绍如下：** - **想飞就飞（@leon-wang2021），SIG发起人，MindSpore首席体验官** - **Tong（@tong-zhang），SIGLead与组织者，MindSpore开发者体验专家** - **阿青（@rudy\_tan），SIG组织者，MindSpore信息体验专家** - **aaa000（@ylfan96），SIG组织者与运营顾问，MindSpore信息体验专家** - **Nan（@wangnan39），SIG组织者，MindSpore项目经理** - **iambowen（@iambowen1984），SIG Contributor，MindSporeAI工程技术专家** - **CQU弟中弟（@lvyufeng），SIGContributor，B站UP主CQU弟中弟，MindSpore资深算法工程师** - **丁一超（@jeffDing890430），SIGContributor，华为云云享专家，昇腾优秀开发者，MindSpore资深开发者** - **胡琦（@hu\-qi），SIGContributor，华为云年度十佳博主，HUAWEI Developer Experts，MindSpore资深开发者** - **张辉（@zhanghui\_china），SIGContributor，MindSpore爱好者张小白，MindSpore资深开发者** #### ****加入易用性SIG方式**** **扫码添加小助手的微信（vx: mindspore0328），（添加时请备注：易用性）** **小助手拉你进群哦！** **欢迎加入，共同进步！** --- https://www.mindspore.cn/news/zh/1404/ --- 新闻 1.6版本详解手册 | 一文看懂昇思MindSpore Graph Learning # 1.6版本详解手册 | 一文看懂昇思MindSpore Graph Learning 2022/03/30 # 1.6版本详解手册 | 一文看懂昇思MindSpore Graph Learning 图神经网络（GNN）在工业界和学术界都引发了极大兴趣。应用场景覆盖了药物识别与发现，推荐系统，交通流量预测，芯片设计等等领域。 GNN井喷式的应用，需要不断的快速迭代GNN模型的研究、开发和应用，然而我们观察到基于现有的GNN框架采用消息传播机制进行GNN算法开发，需要用户对所有节点的特征张量进行编程，与算法设计从中心节点出发聚合邻居节点的描述存在gap，给GNN算法开发造成了一定的难度门槛。而且现有框架没有充分考虑GNN算法流程的整体优化如GNN特有融合模式、反向重计算等，执行效率有待提升。 MindSpore Graph Learning是香港中文大学的**James Cheng教授团队吴一迪博士**等人和**华为昇思MindSpore团队**基于昇思MindSpore提出的图学习框架，尝试从**易用性**、**高性能**的角度寻求突破，创新性地提出了**以点为中心的编程范式**和**针对图学习的编译优化策略**。 MindSpore Graph Learning的整体架构图如下： GNN算法设计，通常从中心节点的视角出发， 描述如何转换其邻居节点的特征向量并进行聚合，具有局部化、低维度的特点。以GCN算法为例， 表示第层卷积计算后节点的特征向量，由其邻近节点的特征经过线性变换后求合，然后进行非线性转换得到。一个最为自然的Python写法是： 然而我们观察到，深度学习框架以张量为中心无法支持这样直观的表达方式。用户必须依赖GNN框架提供的接口，如消息传播机制的message和reduce来实现这样的聚合，但是仍然需要定义消息发送函数和消息聚合函数将聚合逻辑转成对图中所有节点特征组成的高维张量进行计算的代码逻辑，相比于直观的表达，代码编写的复杂度提升了一个维度。 因此，我们提出了以节点为中心的编程模型。我们展示GCN核心步骤的实现如下： 其中v为中心节点，调用v.innbs获取它的邻居节点列表，然后通过g.sum进行求和聚合。可以清楚的看到，这种表达方式最大程度的贴合了用户的思考习惯和使用习惯，使得编写GNN模型像编写普通Python程序一样简单。我们再以GAT模型为例，进一步展示我们的编程模型： GAT的公式如左图所示，u和v代表了边（u，v）的起点和终点。我们可以看到在我们的GNN框架下可以最大程度上做到了对左侧公式的一一对应。 以节点为中心的编程模型极大降低了用户开发新模型的门槛，方便用户快速对模型进行实现和迭代。同时和基于message-passing的方式具有同等表达能力，可以支持当前已有的任意GNN模型。 我们利用此编程模型，迅速复现了如今最流行的GNN框架DGL的卷积库和模型库，目前已支持了10+经典模型，覆盖了从同构模型、异构模型、推荐模型、知识图谱到生命科学等多个领域，充分证明了新的编程模型的易用性和强大的表达能力。 如何实现以节点中心的编程呢？MindSpore Graph Learning需要做到以下几点： 识别新的编程模型代码并基于MindSpore执行。 - 新的编程模型与MindSpore以张量为中心的代码进行融合，做到两种不同编程模型的代码的无缝衔接。 - 复用MindSpore的特性如自动微分，自动并行，动态图静态图的自由切换，计算图编译，甚至将来可能有的新特性。 为了达成以上目标，MindSpore Graph Learning构建了一套新的parser利用源到源转换的方法将以节点为中心的代码转换为MindSpore原生支持的代码。 用这种方法，不同编程模型都以张量进行数据交换，可以无缝衔接；并且源到源转换的结果是正常的MindSpore代码，保证了对MindSpore所有特性的兼容性，又不需要对现有框架做任何修改。 这种方法可行的核心关键是现有的图神经网络的邻居获取和聚合运算可以被归纳到Gather 和Scatter算子, 只要支持了这些图操作，就可以支持大部分GNN模型。同时不能转换的代码将直接推给MindSpore运行，从而支持更丰富的表达组合。 为了方便用户对生成的代码进行检查，我们还提供精确到行的代码转换对照。利用此工具，我们将GAT模型的核心代码转换展示在下图： GNN任务具有内存密集的特点，核心开销在于大量的张量在显存-缓存-核心层级间的搬运。减少内存搬运的传统做法是算子融合。我们观察到现有GNN框架中的算子融合优化方案是通过人工挑选几个常用的GNN算子组合，用手写算子组合前向和反向的方法来进行逐点优化。 这种方法有两大缺点，第一，支持新的GNN算子组合方式需要专家进行手动编写和优化，第二，只利用了部分算子融合的机会，没有考虑跨算子优化如算子自动融合，内存规划，同表达式移除等等。 对于GNN 任务，可以归纳成节点特征转换，源节点、目标节点以及边特征交互，转换后特征向中心节点汇聚更新的过程，因而存在频繁数据读写和大量内存占用。 为了减少上游算子产生的中间结果张量通过内存传给下游算子的内存搬运，基于MindSpore 的图算融合进行了算子融合。 区别于其他深度学习模型，GNN模型，无论是同构图还是异构图，通过scatter/gather转化为MindSpore张量计算后，都存在Gather-Injective（包括+/-/\*/÷，激活函数）-Scatter (GIS)执行模式。 因此MindSpore 增加识别了新的算子融合模式GIS，将一个或多个Gather算子，Injective算子，Scatter算子融合成一个算子。算子融合之后，在AKG（自动算子生成）算子编译层面，通过polyhedral技术进行自动的算子优化和生成，包含进行特征自适应线程组合并行，节点并行加速计算，以及采用动态Scheduling进行负载均衡，该方案流程如下： 训练过程，融合后的计算图仍会有一些算子具有超大输出内存占用，这些超大输出张量的主要来源为反向计算依赖前向输出，比如一些边上计算的中间张量已超硬件显存可达127G，导致显存不足阻断训练。由于前向算子到反向算子跨度较大，无法通过普通的融合优化来消除这种超大张量。 而且这类超大张量通常也是经过Gather等操作后出现的内存膨胀。为此，我们提出了一种基于算子融合的重计算方案，通过自动识别超大张量对应的计算模式，并进行重计算复制后重新融合，可以达到消除超大张量的目的。 通过减少张量在显存内的实例化，我们获得了比现有最流行框架DGL平均3到4倍的性能提升。此外，这个融合模式除了能够覆盖现有框架中已有的算子融合优化，还能够覆盖大量新的算子组合。 在后续的版本更新中会陆续增加大规模图学习性能优化、高效分布式图采样和训练，以及支持多种异构硬件后端等特性。这些新特性将使MindSpore Graph Learning更好支持GNN模型落地商品或新闻推荐、金融风控等基于大规模交互图的工业场景。 扩展和丰富MindSpore Graph Learning的应用场景和模型库，构成GNN在生命科学、金融、流体模拟等场景模型库，更好地支撑基于GNN的科学研究和工业应用。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1405/ --- 新闻 昇腾AI开发者创享日即将启幕！昇思MindSpore新版本解密持续进行中！ # 昇腾AI开发者创享日即将启幕！昇思MindSpore新版本解密持续进行中！ 2022/03/30 # 昇腾AI开发者创享日即将启幕！昇思MindSpore新版本解密持续进行中！ 开发者们的充电时间到啦！ **2022年4月9日**，以“**创未来，享非凡**”为主题的**昇腾AI开发者创享日**活动将于**成都首座万豪酒店**重磅启幕！ 和总裁面对面、和技术大牛切磋探讨、还有稚晖君惊喜亮相……更多精彩，首站成都，等你揭晓！ **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1407/ --- 新闻 昇思MindSpore技术论坛 | 时代的召唤：大模型推动AI之变 # 昇思MindSpore技术论坛 | 时代的召唤：大模型推动AI之变 2022/03/31 # 昇思MindSpore技术论坛 | 时代的召唤：大模型推动AI之变 **超大规模AI**正成为下一代人工智能的突破口，也是迈向通用人工智能最有潜力的技术方向。产业界和学术界都看到了这种新型范式的潜力，并纷纷入局。 打造大模型需要人工智能算力、网络、框架等一系列条件形成有效支撑，才能让大模型真正“大”起来。大模型能够持续发展的前提，是必须打造强壮的AI根技术，在框架、算力等层面满足大模型的“建造”需求。 2021年昇思MindSpore构建了自动并行、图算融合及自动内存复用等关键技术能力，并联合知名高校及科研院所协同创新，发布鹏程.盘古NLP大模型、中科院紫东.太初业界首个图文音三模态大模型、鹏程.神农蛋白质大模型、武汉.Luojia遥感大模型等。可以说，昇思MindSpore框架对大模型支持的能力是业界首屈一指的。 昇思MindSpore社区携手知名媒体PaperWeekly发起首场\*\*【昇思MindSpore技术论坛·AI大模型专题】\*\*线上交流会。 届时来自**中科院、武汉大学、北京大学等院校专家**，以及**昇思MindSpore技术专家**共论AI大模型对科研及产业所带来的新的技术突破及价值。 **2022年4月9日** **9：20** **线上直播** **（活动全程免费）** **扫描下方二维码即可报名** **（报名后，添加活动交流群获取直播链接）** **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1408/ --- 新闻 MSG企业行 | 4月17日，与你深度探索CV领域前沿技术 # MSG企业行 | 4月17日，与你深度探索CV领域前沿技术 2022/04/02 # MSG企业行 | 4月17日，与你深度探索CV领域前沿技术 我们的生活正因AI技术的落地应用而不断走向智能化，作为人工智能的下一个入口，计算机视觉（Computer Vision）在社会的各行各业中得到了广泛的应用——生活中的人脸识别、无线传输，农业中的果蔬分类，微生物监测，医学中的CT影像，交通中的车牌识别、导航，军事中的目标跟踪、设备追查……这些都离不开CV技术的应用落地。 深度学习使得CV领域不再需要很多的人为干预，无论是图像还是视频，我们都看到了大量的框架和库。全民“抗疫”以来，AI测温、口罩识别、病理图像识别等更是以绝对的优势成为了存在感最强的AI技术。 **2022年\*\*\*\*4月17日** 昇思MindSpore邀请到数位AI技术专家与CV行业领先企业代表，举行**MSG企业行·CV领域线上交流会**——从计算机视觉的目标检测、图像分类、图像分割等方面，为大家带来CV领域的AI实践分享，带你畅游昇思MindSpore开源社区，了解多模态大模型的进展；与企业深度交流CV领域的前沿技术，探讨项目落地与企业的碰撞，进一步推动AI科技企业的发展！ 如果你对人工智能发展、计算机视觉任务或是对深度学习在CV领域的技术应用等有浓厚兴趣，欢迎你来与我们一同交流与探索AI技术产品搭建与CV场景落地的可能性。 **参与方式** MSG·CV专题交流会 **【活动时间】** 2022年4月17日（周日）13：30 **【报名参与】** 扫描下方二维码报名 审核通过后腾讯会议接入，与AI企业专家近距离交流 **【直播平台】** B站【MindSpore官方】 （扫码报名） （交流群） **MSG企业行** **MindSpore Study Group** 聚焦于当地核心科技板块，汇聚企业核心技术骨干，进行线下企业深入交流与分享。 2021年，昇思MindSpore聚焦各地核心科技板块，拓展AI类企业生态，服务企业超过5000家，涉及端边云全场景行业，支撑两大产业联盟成立，打造开发共赢的产业生态圈。 **更多合作交流** **MSG·企业行** 我们诚邀贵司加入昇思MindSpore开源社区，成为社区合作伙伴，高效推进项目/产品能在业界里生根发芽，完成项目落地，共同推动人工智能软硬件应用生态繁荣发展，构建良好产业生态圈。 如有更多人工智能技术方面的合作需求，欢迎了解华为的昇思MindSpore框架！ 昇思MindSpore官方小助手： **小猫子@MindSpore（mindspore0328）** **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1411/ --- 新闻 MSG在行动 | 昇思开发者搭建开源上海疫情实时查询网站，共同守“沪”！ # MSG在行动 | 昇思开发者搭建开源上海疫情实时查询网站，共同守“沪”！ 2022/04/07 # MSG在行动 | 昇思开发者搭建开源上海疫情实时查询网站，共同守“沪”！ 面对社会需求，昇思MindSpore社区一直秉承着开放互助的精神，用开源的方式、汇聚开发者的力量，尽开源社区所能为社会贡献一份微薄之力。 在此防控的关键时期，多地派遣志愿者、运送物资驰援上海，昇思MindSpore也积极响应抗疫求助需求。 \*\*社区开发者——孟凡荣，开发了上海疫情查询开源项目并开源了全部源代码，\*\*一方面方便上海市民能实时了解疫情走势，做好个人防护；另一方面也让其他有抗疫相关求助、物资、互助等信息的开发者，可以迅速地通过开源的方式来共同优化这个网站。 【上海疫情查询网站】 https://www.mindspore.cn/shanghai-covid/ （1）点击链接即可进入网站查询； （2）扫以下二维码进入。 \*\*【社区情况】\*\*在“输入关键词搜索”搜索框输入街道信息，可获取相关社区周边3公里的疫情通报数据记录实况。 \*\*【疫情走势】\*\*则展示了上海疫情实时动态，包括每日无症状感染者、确诊以及两者总计的数据和走势折线图。实时动态下方则是当前疫情位置分布地图，市民可实时获取当前区域的疫情信息，做到积极防控、从容防控。 \*\*【开源协作】\*\*欢迎有意愿的开发者， 访问 https://github.com/kevin-meng/2022shanghai-covid 参与开源协作开发。 该项目是由昇思社区开发者孟凡荣所开发。作为金融行业的风控模型开发人员，孟凡荣通过MindSpore 21天实战训练营与昇思结缘，此外他还参加了WAIC中昇思MindSpore的黑客松赛，也是在这结识的昇思MindSpore社区。 在谈及为何开发这个项目时，他说： 起初也是因为上海疫情发生，隔离在家，自己每日翻找自己和朋友小区的情况不太方便，也没办法了解社区周边和全城的情况，且当时看网上也没有相应的应用。另外，看到很多坚持在抗疫一线的工作人员和志愿者他们都很辛苦，自己也是想为抗疫做点事情。 正好之前有过相关的LBS开发经验，本着方便自己也方便大家的原则，就着手开发了这个应用。后来也整理了一些当前买菜、看病买药等实用信息，希望它们能帮助到大家。同时，希望大家少点焦虑和恐慌，众志成城，我们一定会战胜疫情，早日恢复往日生活，而这也是我把项目叫\*\*共同守“沪”\*\*的原因。 昇思MindSpore社区自成立以来，一直坚持维护开源高效的社区基础设施。本次开发者创作的疫情信息网站能够快速上线至昇思MindSpore官网，也是社区基础设施团队持续耕耘的结果。 不同于国内多数企业驱动的开源项目，昇思MindSpore社区一直以建设开放稳定的基础设施为首要任务，通过应用Kubernetes等业界主流云原生开源项目构建开源开放的流水线（https://build.mindspore.cn），在基于openEuler欧拉的多节点集群上快速部署开发者的streamlit应用，并通过实时同步和触发构建，满足实时信息刷新的要求。 作为开源基础设施在我国抗击Omicron疫情中的首批应用，昇思MindSpore社区基础设施团队有信心支撑好上海保卫战！ 希望这个项目可以帮助有需要的人！在这里感谢奋斗在疫情一线的志愿者、守卫者们，昇思MindSpore全体成员与全国人民一起共同守“沪”，希望大家一切安好，上海疫情早日结束！上海加油！ （图源：人民日报） **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1413/ --- 新闻 MSG企业行 | 4月17日，深度探索多模态+CV领域前沿技术 # MSG企业行 | 4月17日，深度探索多模态+CV领域前沿技术 2022/04/08 # MSG企业行 | 4月17日，深度探索多模态+CV领域前沿技术 近年来，我们的生活正因AI技术的落地应用而不断走向智能化，计算机视觉（Computer Vision）的广阔应用，为我们展开了前所未有的壮丽图景。全民抗疫以来，AI测温、口罩识别、病理图像识别等更是以绝对的优势成为了存在感最强的AI技术。 深度学习使得CV领域不再需要很多的人为干预，无论是图像还是视频，我们都看到了大量的框架和库。 **MSG企业行·多模态+CV领域** **线上技术交流会** **2022年4月17日（下周日）**，昇思MindSpore邀请到华为、阿里、腾讯、虎牙、akulaku、58同城等近十位技术专家与CV行业领先代表，从计算机视觉的目标检测、图像分类、图像分割等方面，带你一起走进大模型多模态+CV技术的实践之旅。 **【活动时间】** 2022年4月17日（下周日）13：30 **【报名参与】** 扫描下方二维码报名 审核通过后腾讯会议接入，与AI企业专家近距离交流 **【直播平台】** B站【MindSpore官方】 （扫码报名） （交流群） **MSG企业行** MindSpore Study Group 聚焦于当地核心科技板块，汇聚企业核心技术骨干，进行线下企业深入交流与分享。 2021年，昇思MindSpore聚焦各地核心科技板块，拓展AI类企业生态，服务企业超过5000家，涉及端边云全场景行业，支撑两大产业联盟成立，打造开发共赢的产业生态圈。 **更多合作交流** MSG·企业行 我们诚邀贵司加入昇思MindSpore开源社区，成为社区合作伙伴，高效推进项目/产品能在业界里生根发芽，完成项目落地，共同推动人工智能软硬件应用生态繁荣发展，构建良好产业生态圈。 如有更多人工智能技术方面的合作需求，欢迎了解华为的昇思MindSpore框架！ 昇思MindSpore官方小助手： **小猫子@MindSpore（mindspore0328）** **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1426/ --- 新闻 鹏城实验室联合华为共同成立科研联合项目工作组，深入推进AI科研技术攻关 # 鹏城实验室联合华为共同成立科研联合项目工作组，深入推进AI科研技术攻关 2022/04/13 # 鹏城实验室联合华为共同成立科研联合项目工作组，深入推进AI科研技术攻关 今日要闻 **2022年4月，鹏城实验室-华为昇思MindSpore生态推进会，在深圳鹏城实验室成功召开。** 双方围绕鹏城云脑II展开的科研合作、生态构建、后续工作推进等方面展开深入交流，并成立科研联合项目工作组，为下一步AI科研技术攻关提供保障力量。 鹏城实验室网络智能部副主任、云脑所所长**田永鸿**、副所长**周晖晖**、网络智能部视觉所所长**王耀威**、网络智能部综合处处长**邱景飞**、网络智能部开源所副所长**王晖**、**相洋**，华为昇腾计算业务副总裁、昇思产品总监**田昆阳**、集群计算解决方案部副部长**张柏松**、昇思研发与生态总监**李锐锋**、深圳政企鹏城实验室客户总监**张海超**等一行出席会议。 鹏城实验室网络智能部副主任、云脑所所长田永鸿表示，鹏城实验室与华为以鹏城云脑II为底座，不断打磨和优化基于昇腾AI的人工智能计算集群方案，为后续一系列科研重点攻关项目做好前期准备。 鹏城云脑II作为首创的国产架构体系，在科研工作的探索过程中不可避免地存在一些问题和挑战，田永鸿认为，科研联合项目工作组成立后，鹏城实验室科研团队与华为技术专家团队的合作配合将更加深入，遇到的问题都能快速闭环，科研项目的推进将更加高效。 鹏城实验室网络智能部副主任、云脑所所长田永鸿 会上，双方回顾了过去一年的合作，**在自然语言处理，计算机视觉，生物信息，网络信息安全等方面取得了瞩目的成绩，先后发布了鹏程.盘古、鹏程.神农等有业界影响力的基础模型，并借助鹏城实验室和华为的影响力，推动了科研成果的共享和落地。** 经过一年的磨合，在国产人工智能根技术的研究和推广上，双方共同探索出一条深度融合、优势互补的合作道路。同时双方也就科研合作过程中遇到的具体问题进行剖析，并达成共识，合作攻关解决。 立足当下，展望未来，为了保障鹏城云脑II更好地为鹏城实验室各领域科研创新业务服务，构建更全面和健壮的国产人工智能技术生态，华为和鹏城实验室成立的科研联合项目工作组将进一步确立工作职责和流程，华为将派驻研发工程师驻场，与实验室专家一起使鹏城云脑II的运转和使用更加顺畅。 鹏城实验室与华为将继续发挥各自优势，探索新的合作模式，促进更深层次的交流合作，推动基础科研与前沿科技的深度融合，共同促进AI赋能科研创新能力的提高，加速AI应用落地进程。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1427/ --- 新闻 昇思MindSpore技术论坛 | AI大模型时代正在到来，模型真的越大越好吗？ # 昇思MindSpore技术论坛 | AI大模型时代正在到来，模型真的越大越好吗？ 2022/04/13 # 昇思MindSpore技术论坛 | AI大模型时代正在到来，模型真的越大越好吗？ **什么是人工智能大模型？** **与小模型相比有哪些优势？** **为何大模型会成为趋势？** **大模型在行业中有哪些应用？** **未来又面临怎样的机遇和挑战？** 4月9日，昇思MindSpore联合知名媒体Paperweekly举办了昇思MindSpore技术论坛第一期·AI大模型专场，邀请了中科院、武汉大学、北京大学等院校专家学者，以及昇思MindSpore技术专家共论AI大模型对科研及产业所带来的新的技术突破及价值。 下面让我们一起来回顾一下分享的精彩内容吧。 **专家致词** **周斌：昇思MindSpore AI框架总经理** 昇思MindSpore始终走在AI创新的最前沿，支持了鹏程.盘古大模型、华为云盘古NLP大模型、紫东.太初三模态大模型、鹏程.神农生物信息研究平台、武汉.LuojiaNet智能遥感解译框架等的开发。未来将会支持与研发更多领域的大模型，繁荣昇思技术生态。 “紫东.太初”多模态大模型关键技术分享 **王金桥：中科院自动化所研究员、博导** 随着深度学习的高速发展和Transformer/BERT等模型提出，人工智能从单模态、有监督学习迈向多模态、自监督学习阶段，预训练模型充分显示出在无监督情况下自动学习不同任务和快速迁移到不同领域数据的强大能力。 紫东.太初大模型开拓性的将视觉、文本、语音不同模态通过各自编码器映射到统一语义空间，进而通过多头自注意力机制学习模态之间的语义关联和统一表征；这既可以实现跨模态理解，并能实现跨模态生成，同时做到理解和生成认知能力的平衡。 我们进而提出了一个多层次、多任务自监督学习统一框架，对更广泛、更多样的下游任务提供模型基础支撑，并实现了多个场景的落地应用。 面向智能遥感的机器学习框架 **张觅：武汉大学副研究员** 遥感影像空间信息智能处理，迫切需要开展开展大规模遥感影像样本库和专用机器学习框架研究。 当前武汉大学国家重大集成项目研究成果，包括： （1）LuoJiaSET影像数据集分类标准、标注规范、标注工具、众筹模式的标注数据集制作和版权保护研究；支持互联网协同的遥感影像标注工具和数据集发布平台，构建多种类、百万规模的亚米级标注数据，形成具有独立版权、可公开发布和业界认可的标准数据集。 （2）LuoJiaNet，针对遥感影像特点，与华为合作研发遥感影像深度神经网络开源架构、模型与网络优化方法，形成尺度通道可灵活创建、数据通道可自适应优选、多层级联合优化的遥感深度学习框架与模型。 新一代数据密集型生命科学精准计算 **陈杰：北京大学副教授、博导** 生物信息研究平台——鹏城.神农，该平台基于鹏城云脑II的超大规模算力集群，以预训练的自然语言大模型为起点，打造面向生物医学领域的生物信息研究平台，旨在利用AI的力量助力生物医学探索。 通过人工智能技术从头设计药物，加速新型药物创制，为医药的研发打开一扇新的大门。经过设计新算法挖掘数据之间的关系，为解决当前新冠肺炎等严重紧急突发疫情和重特大疾病的治疗，提出了快速、准确、有效的具体解决方案和应对策略，开创了精准计算药学的先河，是精准医学的重要支撑。 传统药物研发模式中临床前研究需要6-9年的时间。鹏程.神农平台借助AI大模型、大数据、超算力从头设计抗新冠肺炎多肽候选药物，大大加速了这一研发过程，使临床前研究缩短到50天。最终通过湿实验，三盲验证了多肽药物能真实有效地阻断新冠病毒向人体细胞传染，证明了药物智能研发模式的正确性。 Conformer：一种耦合局部与全局特征表示的视觉表示模型 **彭智亮：中国科学院大学博士、Conformer模型论文一作** Conformer是间距ViT和CNN特性优势的模型。 在CNN中，卷积算子擅长提取局部特征，但难以捕获全局表示；而在ViT中，自注意力模块可以捕获长距离特征依赖关系，但不幸的是会破坏局部特征细节。 因此，提出了 Conformer 的混合网络结构，以利用卷积运算和自注意力机制来增强表征学习。同时，在大数据集的加持下，对Conformer进行了放大，实验表明，Conformer在下游的任务上也体现出了较好的泛化性和优越性。 昇思MindSpore超大模型AI实践 **苏腾：华为分布式并行计算技术专家** 昇思MindSpore 原生AI大模型成果，通过AI编译器实现多维度混合并行，支持数据并行、数据切片预处理等七维混合并行算法，是并行维度业界最多、模型切分支持结构最全、单机容纳模型参数业界最强的AI框架，实现开发并行代码量降低80%、系统调整时间下降60%，单机完成千亿模型参数训练的超强能力。 目前已训练出全球首个三模态大模型紫东.太初、全球首个遥感影像智能解译深度学习专用框架（武汉.LuojiaNet）等多个业界领衔大模型，以技术的领先性以及产业落地的巨大前景分别成立了“多模态人工智能产业联盟”和“智能遥感开源生态联盟”，开创了产业落地的新模式。 本次\*\*【昇思MindSpore技术论坛·AI大模型】**直播回顾可在B站**【MindSpore官方】\*\*查看。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1428/ --- 新闻 软通智慧签署 CCLA，正式加入昇思MindSpore开源社区 # 软通智慧签署 CCLA，正式加入昇思MindSpore开源社区 2022/04/14 # 软通智慧签署 CCLA，正式加入昇思MindSpore开源社区 近期，**软通智慧**与昇思MindSpore开源社区达成开源贡献共识，完成CCLA（Corporate Contributor License Agreement 企业贡献者许可协议）签署，**正式加入昇思MindSpore开源社区**，并获得MindSpore签署证书。 **昇思MindSpore** 昇思MindSpore是华为开源的一款全场景AI框架，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 **软通智慧** 软通智慧是中国领先的城市数据智能服务提供商，秉承“数据赋能城市治理，场景释放数据价值”的理念，以“数据智能+信创”双轮驱动城市数字化转型，致力于利用城市海量数据的管理与智能分析服务，释放数据在场景应用中的价值，全面提升城市治理现代化水平。 在促进城市数字化转型过程中，基于昇思MindSpore，并结合在数字政务、园区社区、环保水务、泛政法等城市级应用场景的方案开发经验，软通智慧已经生成了生态大气、事件智能、数字孪生、社区治理等多种算法仓库。加入社区后，软通智慧将共享成果，并针对TB级数据挖掘、数据清理，以及数据方面的算法需求和实践等贡献自身力量，与开发者们共同成长，促进社区生态繁荣。 此前，软通智慧已与华为签署合作协议，双方将在昇腾人工智能技术能力构建、人工智能计算中心建设与运营等领域展开全方位合作，共同推进昇腾AI产业持续发展。此次加入昇思MindSpore社区，将进一步深化双方在昇腾领域的合作，推动项目、产品生根发芽，共同开拓昇腾AI产业边界，创造无限可能。 我们诚邀贵司加入昇思MindSpore开源社区，成为社区合作伙伴，高效推进项目/产品能在业界里生根发芽，完成项目落地，共同推动人工智能软硬件应用生态繁荣发展，构建良好产业生态圈。 如有更多人工智能技术方面的合作需求，欢迎了解华为的昇思MindSpore框架！ 昇思MindSpore官方小助手： **小猫子@MindSpore（mindspore0328）** （扫码添加小助手） **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1441/ --- 新闻 昇思MindSpore技术论坛 | AI+科学计算=？？ # 昇思MindSpore技术论坛 | AI+科学计算=？？ 2022/04/21 # 昇思MindSpore技术论坛 | AI+科学计算=？？ 4月16日，由昇思MindSpore社区发起的昇思MindSpore技术论坛第二期，【AI＋科学计算专题】线上交流会成长举办。会议邀请了北京大学、清华大学、深圳湾实验室等高校、科研所专家学者以及昇思MindSpore的技术专家们共同讨论：以深度学习为代表的AI与科学计算结合形成新的计算方法，究竟可以产生怎样新的科学模型、新的实验方法和新的产业业态等话题。 下面让我们一起来回顾一下分享的精彩内容吧。 **深度学习在地球系统科学中的应用与挑战** **黄小猛——清华大学地球系统科学系长聘副教授，国家超级计算无锡中心总工** 地球系统数值模拟是希望在超级计算机里面实现一个数字孪生地球来模拟真实的地球，而人工智能可能是达成这一目标发展的关键路径。 深度学习在地球系统科学中的一些重要应用，包含了遥感制图、极端天气事件检测、天气预报与气候预测以及数值模式中的物理参数化过程的智能化改造等几个方面。 黄教授指出，深度学习给地球系统科学带来了新的研究方法，特别是对黑盒深度学习模型缺乏可解释性和物理一致性的弱点和解决方法提供了新思路。 **人工智能时代的分子动力学模拟** 杨奕——深圳湾实验室系统与物理生物学研究所副研究员 分子动力学模拟是一种重要科研方法，并且随着近些年人工智能的快速发展，分子动力学模拟领域也诞生了诸如AlphaFold等基于AI的强大算法，由此可见AI有望为分子动力学模拟乃至整个科学计算领域带来重大的变革。 课题组基于全场景AI框架昇思MindSpore开发了下一代智能分子动力学模拟软件MindSpore SPONGE，其不但克服了传统分子动力学模拟软件难以兼容AI框架的问题，更是能实现诸如“元优化”等传统软件无法实现的功能。MindSpore SPONGE在药物筛选、蛋白质结构预测和新材料设计等领域有着巨大的应用潜力。 **当AI遇上量子计算** 翁文康——华为量子计算软件与算法首席科学家 量子计算是一种颠覆性的计算技术，从1980年提出至今，技术不断进步，目前已经进入了工程化阶段，并已发展成一个具备初步规模的产业。当前业界已经制造出带有50+比特的量子计算芯片，其算力已经被实验证明了可超越当今的超级计算机。下一步，我们需要为这些量子芯片适配能解决实际问题的算法和软件，真正发挥其价值。 为了促进量子软件行业的发展，我们开发了MindSpore Quantum ，其作为一个通用的量子计算框架，支持全量子和量子经典混合计算，可以在经典模拟器和量子芯片上高效运行。 **Learning and Learning to Solve PDEs** 董彬——北京国际数学研究中心与北京大学机器学习研究中心副教授 深度学习在计算机视觉、自然语言处理等领域已经取得了一定程度的成功，其影响现已扩展到科学和工程的诸多研究领域。 本次主要关注深度学习对计算数学和科学计算的一些近期的影响，介绍当前对卷积神经网络构架和微分方程离散形式之间联系的探索，以及该联系如何能够指导我们进行机理与数据融合的建模与计算：包含设计可解释的数据驱动模型以进行系统识别和模型简化方面的一些工作，以及结合数值偏微分方程和机器学习来设计偏微分方程的数据驱动求解器及其在电磁仿真中的应用。 **AI科学计算业界趋势和昇思MindSpore实践** 于璠——昇思MindSpore资深架构师 昇思MindSpore从创立之初就已经布局科学计算领域，通过多尺度混合计算和高阶混合微分两大关键创新，将昇思原有的AI计算引擎升级为AI与科学计算的统一引擎，实现融合的统一加速。 经过两年的砥砺奋进，昇思MindSpore已经在多个科学领域有所突破。原生支持科学计算，突破了高阶高维自动微分、自动异构并行、跨尺度计算融合等创新技术，构筑了以八大套件为核心，可广泛支持物理驱动/数据驱动等多种AI科学计算范式的全场景框架。 昇思MindSpore面向制造、气象、制药、航空航天、汽车、能源、金融、材料行业规划了八大套件的开发。目前昇思在制造、气象、制药、航空航天领域的四大套件已经投入研发，其中AI电磁仿真MindSpore Elec和AI生物计算MindSpore SPONGE取得了惊人的成果。 作为国内自研的AI+科学计算融合框架，昇思MindSpore积极响应产业界需求，不断在效率提升、易用性、创新性以及使用体验方面推动AI框架持续演进。 **【完整回顾视频】** 请在微信内打开进行观看 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1444/ --- 新闻 全球首个！昇思MindSpore荣获AI框架可信CC EAL2+认证 # 全球首个！昇思MindSpore荣获AI框架可信CC EAL2+认证 2022/04/25 # 全球首个！昇思MindSpore荣获AI框架可信CC EAL2+认证 **CC** **EAL2+证书** 近日，全场景AI框架昇思MindSpore正式通过了**全球第一独立认证机构欧洲SGS Brightsight实验室**的安全评估，获得**CC EAL2+证书**。 这是**国际上首份人工智能框架获得的CC证书**，标志着昇思MindSpore在产品信息安全方面达到了业内领先水平，正逐步获得国际认可。 科技日新月异，以深度学习、跨界融合、人机协同、群智开放、自主操控为特征的新一代人工智能不断取得突破，成为新一轮科技革命和产业变革的重要驱动力量。 在极大提升人类生产生活品质的同时，新一代人工智能具有的通用目的性、算法黑箱性以及数据依赖性等技术特性，引发了社会、企业、个人等不同维度的风险和挑战，从而对治理提出了专业化、多元化、敏捷化、全球化的迫切需要。可信AI这一概念应运而生，成为国际社会广泛关注和研究的方向。 当前，监管机构、学术界等对可信AI的内涵和外延展开了充分的探讨。我们观察到，在AI生命周期中，主要包含如下可信AI的技术： 昇思MindSpore从AI 框架的角度出发，围绕AI生命周期，重点构建了一系列的技术能力： ① 模型安全，通过鲁棒性评测、对抗测评、对抗训练、模型加密等，实现模型保护； ② 隐私保护，构建了隐私评估、差分隐私训练、联邦学习等技术，保障数据隐私； ③ 可解释性，通过原创语义级可解释技术、可解释方法工具集等技术，提高模型的可解释性，让用户更理解、信任并有效地使用模型。 **CC认证是目前公认的全球认可度和权威性最高的IT产品安全认证**，该认证采用的标准是**IEC/ISO15408**，简称**CC标准**（即Common Criteria for Information Technology Security Evaluation）。 CC认证及评估保证级别EAL，主要用于评估信息技术产品或解决方案的安全性、可靠性以及对信息隐私的保护，可作为企业信息技术解决方案建设时产品安全性评估的重要依据。 此次为昇思MindSpore进行测评的是**荷兰政府指定的权威产品信息安全测评实验室SGS Brightsight，是全球最大的独立认证机构，也是受国际广泛认可的安全实验室之一。** 在本次认证过程中，\*\*昇思MindSpore携手SGS Brightsight创新性地制定了人工智能框架的安全目标，填补了该领域CC认证的空白，为人工智能框架的安全可信提供重要参照与标准。\*\*这主要得益于昇思MindSpore长期以来在AI可信领域进行的创新性研究与能力构建。 SGS Brightsight亚洲首席运营官张凯帆先生表示： “SGS Brightsight作为世界上最前端的安全认证实验室，非常荣幸能够和华为再次创造安全认证的历史。人工智能的发展迅速，对我们的生活影响越来越大，但是对于人工智能相关产品及其安全功能的定义和实现一直没有定论。 通过这个认证项目，SGS Brightsight和华为证明了对于这类产品的认证是可能的，在未来也会是必须的。” 在智能时代的浪潮中，昇思MindSpore将可信AI提升到前所未有的高度，从安全技术和安全治理上不断提升AI安全水平。未来，昇思MindSpore将持续创新，与行业客户共同应对人工智能领域安全风险的挑战，为客户提供更安全可信的应用及服务！ **关于昇思MindSpore** 昇思MindSpore是新一代开源的全场景AI框架，旨在开创全新的AI编程范式，降低开发者门槛，为开发者打造开发友好、运行高效、部署灵活的AI框架，推动人工智能生态繁荣发展。 同时，昇思在致力于版本迭代、特性优化之外，还着力打造学习型社区环境，希望凝聚开发者力量共建社区，与开发者共同学习和成长。 感谢大家对昇思MindSpore的关注，欢迎参与昇思MindSpore社区。 **MindSpore官方资料** **官方QQ群:** 486831414 **官网:** https://www.mindspore.cn/ **Gitee:** https : //gitee.com/mindspore/mindspore **GitHub:** https://github.com/mindspore-ai/mindspore **官方论坛:** https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1447/ --- 新闻 全球顶赛连续霸榜包揽前二！昇思MindSpore蛋白质结构预测模型超越Alphafold原型 # 全球顶赛连续霸榜包揽前二！昇思MindSpore蛋白质结构预测模型超越Alphafold原型 2022/04/22 # 全球顶赛连续霸榜包揽前二！昇思MindSpore蛋白质结构预测模型超越Alphafold原型 近期，基于全场景AI框架昇思MindSpore 开发的**蛋白质结构预测模型在全球持续蛋白质结构预测竞赛CAMEO（Continous Automated Model EvaluatiOn）**上**连续三周霸榜，并包揽月榜前二**，显示出昇腾AI基础软硬件平台在AI for Science领域的强大能力。 （4月21日最新月榜竞赛结果） 由瑞士生物信息研究所和巴塞尔大学联合举办的 CAMEO（Continous Automated Model EvaluatiOn）——全球持续蛋白质结构预测竞赛，被认为是蛋白质结构预测领域最重要的比赛之一，有很多研究者更视其为**仅次于CASP的重量级比拼**。 CAMEO 竞赛的规则是，每位参赛者需每周对 20 个由世界范围内的结构生物学家最新破解出的蛋白质结构进行预测，其分数和名次每周都会进行在线更新。因此，该竞赛吸引来不少世界范围内生物计算领域的前沿模型“选手”。 CAMEO ( https://www.cameo3d.org/ )作为一个社区项目，其不断应用蛋白质结构预测社区建立的质量评估标准。 由于不同科学应用的准确度要求各不相同，因此没有“一刀切”的分数。 因此，CAMEO 提供了各种分数 - 评估预测的不同方面（覆盖范围、局部准确性、完整性等）以反映这些要求。 PDB(Protein Data Bank，https://www.rcsb.org/)每周发布程序的一部分是在实际发布前五天（即星期五）发布下周发布的条目序列。CAMEO 收集这些序列并在经过一些预处理后将它们提交给注册的服务器。评估可以在 PDB 发布实际结构后进行 - 通常在下周三。 CAMEO 支持的类别是蛋白质结构建模 (3D)、蛋白质模型质量评估 (QE) 以及结构和复合物 (Beta 3D)。蛋白质接触预测 (CP) 和配体结合位点 (LB) 已停止使用。 CAMEO 服务器可以注册为公共服务器，其全名和结果可供所有人使用，也可以注册为开发服务器，其中名称被伪装（'serverX'）并且所有评分都被执行并且对其他方法开发人员可见，但对公众不可见。请参阅完整注册服务器列表(https://www.cameo3d.org/cameong\\\_servers/ )。 CAMEO 目标基于每周预发布的新 PDB 结构，这些结构将提交给所有注册的服务器。模板覆盖至少 70% 序列且序列同一性超过 85% 的目标不提交 3D - 蛋白质结构类别。这也适用于序列长度 > 250 且未发现的氨基酸少于 40 个的靶标。 在选定的时间范围内已评估的提交的单体和同源寡聚目标的总数。实际提交的目标数量可能会更多，因为一些目标将在实验结构审查后被排除在外。 目标的难度是通过评估从服务器接收到的模型的平均准确度 (LDDT) 来定义的。所有服务器的低 lDDT 清楚地表明一个硬目标。**简单的平均 lDDT >= 75，中等的平均 lDDT 介于 50 和 75 之间，困难的平均 lDDT < 50。** 低于截止值的原子比例类似于预测中 Cα 原子的百分比，该预测偏离目标不超过不同序列相关叠加的指定距离（以 Å 为单位）截止值。该方法使用 0.5、1、2 和 4 Å 的距离截止值，而叠加是使用 LGA 程序计算的。 由上可以看到，昇思MindSpore取得了**超过85分档位的相当优异的成绩，而在CAMEO“寸分寸金”的评价体系下，包揽前二更是绝对实力的体现**。 CAD 分数（接触面积差异）提供了一个统一的框架，用于评估具有不同准确性和完整性的单域、多域甚至多亚基蛋白质结构模型。CAD-score 在单域结构上与 GDT-TS 高度相关的同时，更强调模型的物理真实性，并且没有叠加。值范围在 0 到 100 之间（0 差，100 好）。 模型的覆盖率是模型中残基的百分比，其中关于提交序列长度的实验结构中的结构信息可用。一些 CAMEO 靶标的覆盖率很低，因为它们在较大的复合物中没有被解析出蛋白质片段。我们保留将来删除这些目标的权利。 GDT\_HA（全局距离测试）分数可识别预测中的残基集，这些残基与目标的偏差不超过不同序列相关叠加的指定 Cα 距离截止值。该方法使用 0.5、1、2 和 4 Å 的距离截止值。帮助部分 GDC 分数识别预测中的残基集，该残基与目标的偏差不超过不同序列相关叠加的指定全原子距离截止值。该方法使用 0.5、1、2 和 4 Å 的距离截止值。（这个分数是用 LGA 计算的，版本 2009/5 “LGA 是一种在蛋白质结构中寻找 3-D 相似性的方法”。 lDDT 分数（所有原子的局部距离差异测试）评估模型的局部原子环境的质量。lDDT 在不同阈值水平下奖励模型中正确预测的原子间距离的比例。lDDT 不依赖于预测和目标结构的全局叠加。 具体来说，将参考蛋白质结构中原子之间的相互作用距离（截止 15 Å）与预测中相应原子之间的距离进行比较。如果两个距离之间的差异在定义的阈值内，则认为交互作用被保留在预测中。最终的 lDDT-all 分数是通过平均以下四个距离差阈值的正确建模交互的分数来计算的：0.5、1、2 和 4 Å（与 GDT\_HA 相同的阈值）。基于 Engh 和 Huber 键长和角度的过滤器可消除立体化学违规和空间冲突。CAMEO 还提供基于 Cα 的 lDDT 评分。 lDDT-BS 评分（局部距离差异测试 - 结合位点）测量在目标结构上形成结合位点的残基的准确性。这里的结合位点被定义为参考蛋白质结构中的一组氨基酸残基，在配体的任何原子的 4.0 Å 半径内（离子为 3.0 Å）至少有一个原子。仅考虑与目标形成非共价相互作用的配体。基于黑名单方法，常见的溶剂分子也被排除在分析之外。LDDT 分数仅针对结合位点内的接触计算，自定义包含半径 Ro 为 10 Å，标准阈值为 0.5 Å、1 Å、2 Å 和 4 Å。 当参考结构包含几个生物学相关的配体时，lDDT-BS 得分是各个结合位点的 lDDT-BS 得分的平均值。该分数仅针对实验结构包含配体的目标计算。当结合位点位于同源寡聚结构的界面并且预测未显示相同的寡聚状态时，将评估所有可能的链映射并保留得分最高的映射。不评估仅覆盖部分异质寡聚复合物的目标，因为建模形式可能与其自然状态不同，并且在进化相关的异质寡聚复合物中存在差异。 模型置信度 LDDT 值的评估使用 ROC AUC 分析评估以 Å 为单位的偏差给出的误差估计。如果残留物的局部 lDDT 值高于或等于 0.6，则残留物被分类为正确建模。各个模型页面上显示的局部分数是模型在给定残基位置与参考结构拟合程度的度量。在计算平均准确度时，从输出中提取局部分数。请注意，ROC AUC 没有为太好或太差的模型定义（所有 lDDT 值大于或小于 0.6）。 2021年11月，昇思MindSpore团队与昌平实验室、北京大学生物医学前沿创新中心（BIOPIC）和化学与分子工程学院、深圳湾实验室高毅勤教授课题组联合推出基于AlphaFold2算法的蛋白质结构预测推理工具，并在2022年2月实现训练的全流程打通，效率同比提升2-3倍。 采用昇腾AI基础软硬件平台后，在混合精度下，单步迭代时间由20秒缩短到12秒，性能提升超过60%。依托昇思MindSpore内存复用能力, 训练序列长度由384提升至512。 在训练精度接近AlphaFold2的基础上，昇思MindSpore在算法、规模和软硬件支持等方向上持续改进，**本次发布的蛋白质结构预测模型成绩持续刷新业界记录、拿下CAMEO竞赛第一，毫无疑问是昇思MindSpore在蛋白质结构预测领域的又一里程碑**，在填补国产AI基础软硬件在蛋白质结构预测领域成绩空白的同时，更加证明了其价值与优越性。 未来，针对蛋白质结构预测问题，昇思MindSpore将携手学术科研界更多合作伙伴，在蛋白质结构预测领域共同探索、持续突破，助力国内相关基础研究，尤其是生命各分支学科的进步，推动创新制药行业的发展。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1448/ --- 新闻 世界地球日 | 开源智慧，寻雪豹仙踪 # 世界地球日 | 开源智慧，寻雪豹仙踪 2022/04/22 # 世界地球日 | 开源智慧，寻雪豹仙踪 --- https://www.mindspore.cn/news/zh/1454/ --- 新闻 4月26~27日，来B站【MindSpore官方】直播间听开发者们的故事吧~ # 4月26~27日，来B站【MindSpore官方】直播间听开发者们的故事吧~ 2022/04/26 # 4月2627日，来B站【MindSpore官方】直播间听开发者们的故事吧 **MindSpore官方资料** **官方QQ群:** 486831414 **官网:** https://www.mindspore.cn/ **Gitee:** https : //gitee.com/mindspore/mindspore **GitHub:** https://github.com/mindspore-ai/mindspore **官方论坛:** https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1463/ --- 新闻 4月27日，MSG行研会技术研习班在武汉成功召开 # 4月27日，MSG行研会技术研习班在武汉成功召开 2022/04/29 # 4月27日，MSG行研会技术研习班在武汉成功召开 4月27日下午（周三），**武汉人工智能计算中心**携手昇思MindSpore社区举办的**MSG行研会技术研习班·武汉站**活动成功举办。 据悉，技术研习班是武汉人工智能计算中心针对人工智能开发者推出的技术赋能系列课程，此次是2022年举办的**第二期技术研习培训活动**。 行研会上多位来自武汉人工智能企业核心技术骨干与武汉人工智能计算中心及华为的技术专家开展深度交流，共同探讨人工智能相关技术和计算中心平台如何赋能企业应用创新等话题。 武汉人工智能计算中心业主代表汪宇波、武汉人工智能计算中心事业部（筹）副总经理刘翔、武汉人工智能计算中心技术总监王景俊、唯理科技总经理王家奎以及众多企业开发者出席了本次研习会。 本次行研会采用了“线上+线下”相结合的形式，面向全国人工智能领域的开发者进行技术赋能，在线学习人次200+人。 武汉人工智能计算中心 MSG行研会技术研习班合影 MindSpore官方账号直播 场外开发者线上学习 汪宇波在开场致辞中表示，武汉人工智能计算中心是由湖北省科技投资集团有限公司旗下子公司武汉光谷爱计算有限公司建设及运营，是全国首个具有公共服务性质的公共算力服务平台，开创了“一中心四平台”的武汉模式，通过打造公共算力服务平台、产业生态平台、应用创新孵化平台、科研及人才培育平台，为武汉智慧城市建设与产业集群发展提供普惠AI算力，聚集生态伙伴、持续输出人工智能核心研发能力和服务能力，推动武汉的人工智能产业生态蓬勃发展。 武汉人工智能计算中心主办本次活动旨在帮助武汉本地开发者提升获取知识的方式、效率以及专业技能，为武汉人工智能产业链的生态企业提供高端人才保障。 武汉人工智能计算中心业主代表汪宇波致辞 王景俊表示，武汉人工智能计算中心携手华为昇腾，使能人工智能人才发展，为武汉数字经济发展和人工智能产业生态提供强有力的人才支撑。 未来，武汉人工智能计算中心还将通过开发者大赛、开发者创享日等系列活动,搭建与开发者近距离沟通与交流平台,帮助开发者成功,让大家在使用计算中心的算力时，从“用得上”到“用的起”再到“用的好”。 武汉人工智能计算中心技术总监王景俊致辞 在会上，来自华为昇思MindSpore工程师为大家分享了MindSpore模型开发指南及模型复现与网络迁移的实践课程，武汉人工智能计算中心的生态伙伴——武汉唯理科技总经理王家奎分享了计算机视觉中的无监督预训练模型的实践经验。 同时，武汉人工智能计算中心的FAE工程师就Ascend模型推理实践和武汉人工智能计算中心平台使用等议题与大家进行了交流互动，现场对大家在实际应用中遇到的技术难题进行答疑解惑。 华为昇思MindSpore工程师分享 唯理科技总经理王家奎分享 Ascend FAE工程师向骏分享 Ascend FAE工程师董长杰分享 创新是引领未来的主引擎，人工智能的生态建设将为创新注入动力，而生态的繁荣离不开各位开发者的共同努力。 武汉人工智能计算中心以公共算力服务平台为基础，联合高校、企事业单位、科研机构和开发者，不仅面向社会各界提供人工智能普惠算力，同时也在积极赋能当地的科研机构、高校院所、服务机构的AI人才培养。 人才储备上，武汉昇腾人工智能生态创新中心面向湖北高校启动“湖北人工智能人才发展加速计划” ；科研人才培养上，成功引入自动化所多模态，清华蛋白质折叠，武大遥感等三个大模型进行合作；在服务人员本地化、客户支持精细化上，建立了一条生态发展道路。 这些举措构筑了“政-产-学-研-用”完整的产业服务体系。下一步武汉人工智能计算中心还将持续开展技术研习班、开发者大赛、开发者创享日等活动，为武汉人工智能企业开发者持续赋能。 **MindSpore官方资料** **官方QQ群:** 486831414 **官网:** https://www.mindspore.cn/ **Gitee:** https : //gitee.com/mindspore/mindspore **GitHub:** https://github.com/mindspore-ai/mindspore **官方论坛:** https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1470/ --- 新闻 京华信息签署 CCLA，正式加入昇思MindSpore开源社区 # 京华信息签署 CCLA，正式加入昇思MindSpore开源社区 2022/05/05 # 京华信息签署 CCLA，正式加入昇思MindSpore开源社区 **京华信息科技股份有限公司**签署 CCLA（Corporate Contributor License Agreement 企业贡献者许可协议），正式加入昇思MindSpore开源社区。 **京华信息** 京华信息总部位于广州天河智慧城核心区的京华智慧产业基地，是中国航天参股企业、国家规划布局内重点软件企业、国家重点高新技术企业、广东省战略性新兴产业骨干企业，获得系统集成、软件开发、运行维护三项国家涉密甲级资质，通过了CMMI5评估及ISO20000、27001等五大管理体系认证。 京华信息坚持走 **“知识为纲、自主为本、联合开放”** 的创新驱动发展道路，以智慧应用、数据与知识服务为两大业务方向，提供京华智慧工作台、慧眼、百脑慧、智慧云平台等智慧化软件、机器人、知识服务与AI+解决方案，客户遍及中央党政机关、各级政府职能部门国防科工、工信、烟草、交通、能源、金融等国民经济重要行业的央企等大型集团企业。 京华信息基于昇思MindSpore实现的\*\*京华慧眼综合知识服务平台（简称：京华慧眼）\*\*主要支撑孵化、构建各类知识服务应用软件，为政府实现知识型政府治理、大中型企业实现知识型企业管理提供基础设施。以几个典型的应用举例说明： 1. 政府文件办理：识别结构化数据，自动知识检索，形成撰写、审核的依据信息和参考信息； 2. 企业合同审核：规范合同格式、识别结构化数据、形成审核的依据信息和参考信息。 其中： 1. 在**知识检索**场景下：搜索相同关键词，返回126条结果，基于昇思MindSpore的京华慧眼用时**从11秒缩短至5.8秒**； 2. 在**合同审核校对**场景下：识别分析一篇12000字的合同的常识错误并给出修改意见，基于昇思MindSpore的京华慧眼用时**从22秒缩短至6秒**。 京华信息加入昇思MindSpore社区后，将进一步深化双方合作，共同推动项目/产品生根发芽，为用户在**学习研究、文稿撰写、公文办理、业务决策、政策获取**等场景下整合碎片化资源，随用户对知识的需求提供结构化、知识化的信息服务，帮助用户解放大脑、释放双手。 未来，京华信息期待与更多的社区伙伴一起，通过更专业、更高效地合作共同推进项目的落地，构建良好产业生态圈。 我们诚邀贵司加入昇思MindSpore开源社区，成为社区合作伙伴，高效推进项目/产品能在业界里生根发芽，完成项目落地，共同推动人工智能软硬件应用生态繁荣发展，构建良好产业生态圈。 如有更多人工智能技术方面的合作需求，欢迎了解华为的昇思MindSpore框架！ 昇思MindSpore官方小助手： **小猫子@MindSpore（mindspore0328）** **MindSpore官方资料** **官方QQ群**: 486831414 **官网**: https://www.mindspore.cn/ **Gitee**: https : //gitee.com/mindspore/mindspore **GitHub**: https://github.com/mindspore-ai/mindspore **官方论坛**: https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1471/ --- 新闻 昇思MindSpore技术论坛分享回顾 | AI编译技术的瓶颈在哪里？ # 昇思MindSpore技术论坛分享回顾 | AI编译技术的瓶颈在哪里？ 2022/04/29 # 昇思MindSpore技术论坛分享回顾 | AI编译技术的瓶颈在哪里？ **深度学习编译技术的瓶颈在哪里？** **下一代技术是什么？** 4月23日，由昇思MindSpore社区发起的昇思MindSpore技术论坛第三期 ——【AI编译技术专题】线上交流会成功举办。会议邀请了上海交通大学、希姆计算、燧原科技等院校、企业以及昇思MindSpore的技术专家一共交流。 下面让我们一起来回顾一下分享的精彩的内容吧。 作为华为的一个重要开源软件，昇思MindSpore框架正在成为深度学习和其它领域的重要基础软件，但基于昇思MindSpore编写的应用程序如何部署在底层硬件上，是该软件生态必须要解决的一个问题。 本次内容以深度学习编译应用为切入点，介绍昇思MindSpore框架“图算”一体的自动张量编译软件栈，从图层、算子层和“图算”交互等几个方面介绍该软件栈的基本工作流程以及相应工程和学术研究进展，并展示了该软件栈与其它相关工作进行实验对比的结果。 通过本活动的交流，期望给昇思MindSpore生态圈的快速发展起到推动作用，并期望与相关同行和专家进行深入交流和深入合作。 框架对于AI的算法和硬件架构的协同设计是至关重要的。未来的趋势是协同优化应该交给框架去做，让框架把算法中的精度问题、计算性能、延迟等问题，甚至一些新的工艺、工具链需要解决的问题融合在一起。 未来我们从工艺到EDA工具等等这些「卡脖子」的问题是非常有希望在存算一体这种新的赛道上，在这一新赛道上是可以构建出一套国产自主的从芯片设计到编译框架、软件框架整个生态的链条。 本次活动介绍了处理器的发展趋势和挑战、稀疏算法与架构，以及稀疏软件（编译）框架的尝试。 MLIR（多级中间表示）是语言（如 C）或库（如 TensorFlow）与编译器后端（如 LLVM）之间的中间表示 (IR) 系统。允许不同语言的不同编译器堆栈之间的代码重用以及其他性能和可用性优势。燧原利用MLIR框架的优势开发了自己的图编译器。 本次介绍了在技术实践方面的内容，包含如何使用API接口简洁的构建图层IR，op fusion的泛化支持，以及op validation和dynamic shape支持等介绍。 随着工艺水平的进步和处理器体系结构的发展，处理器的速度已远远超过了存储器的速度，从而导致了"存储墙"的出现.为了解决"存储墙"问题，减少存储访问延迟，当前的计算机大都采用层次存储系统。 层次存储系统中各级存储器的有效利用依赖于程序存储访问的局部性特性，因此针对层次存储系统的局部性优化技术成为了充分发挥计算机系统性能，解决"存储墙"问题的关键技术之一。 在本次活动中主要介绍了希姆计算AI编译器面临的主要技术挑战，以及围绕数据局部性展开的编译优化工作。 本次分享介绍了AI编译器的特点、发展历史以及AI编译器面向未来的挑战，并介绍了面向这些挑战，昇思MindSpore的5大实践，包括： 完整的AI编译器解决方案，完善的Python静态化方案，AI亲和的中间表示MindIR，充分发挥硬件性能的图算融合+算子自动生成的方案，针对大规模并行的完整编译方案。 请在微信内进行观看 **· 更多活动 ·** \*\*2022年4月30日（明天）\*\*昇思MindSpore社区携手知名媒体PaperWeekly发起昇思MindSpore技术论坛第四期线上交流会。 本期分两个论坛进行 上午（9：00~12：00） **【AI数据和安全可信专题】** 下午（14：00~17：20） **【昇思MindSpore科研创新和产业实践专题】** 届时来自上海交通大学、哈尔滨工业大学、依瞳科技、南方数码等知名院校、企业的专家，以及昇思MindSpore的技术专家将共同讨论**AI可信与产业落地**的问题。 **MindSpore官方资料** **官方QQ群 :** 486831414 **官网:** https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **官方论坛:** https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1478/ --- 新闻 华资软件签署 CCLA，正式加入昇思MindSpore开源社区 # 华资软件签署 CCLA，正式加入昇思MindSpore开源社区 2022/05/10 # 华资软件签署 CCLA，正式加入昇思MindSpore开源社区 **广州华资软件技术有限公司**签署 CCLA（Corporate Contributor License Agreement 企业贡献者许可协议），正式加入昇思MindSpore开源社区。 **华资软件** \*\*广州华资软件技术有限公司（以下简称“华资软件”）\*\*自80年代涉足电子政务领域，拥有行业领先的技术产品和丰富的大型部省工程实践经验，是华南地区最大的“智慧政府”解决方案提供商之一。 华资软件掌握\*\*云计算、互联网+、大数据+、人工智能+**等核心软件技术，致力于实现**“云+数+智”**等前沿技术与政务业务的深度融合，全方位提供软件、运维、IT集成服务和设计咨询服务，为数字政府建设提供**“数字底座”**与**“核心应用”\*\*支撑。 随着新时代数字中国人工智能的渗透，华资软件密切关注用户需求的变化，紧跟建设步伐与最新技术发展，提供智慧政务产品和服务。 华资软件业务涵盖智慧警务、智慧人社、智慧医保、智慧市场监管、智慧民政、智慧医疗、智慧教育等领域，累计已为超过1000家行政事业单位提供产品和服务，实现了全国性的战略布局。 由华资软件研发的华资人工智能能力套件，基于人工智能技术，以数据算法为核心，以分布式计算架构为基础，结合政务行业业务经验，能够快速落地AI能力在各个垂直场景中的应用，可提供更具针对性、专业化和个性化的AI应用来满足智能政务的需要，充分发挥AI能力在解放人力、提高工作效率、提高工作精度、提升服务水平等方面的作用，促进电子政务的智能化发展。 **昇思MindSpore & 华资软件** 结合昇思MindSpore后的华资人工智能能力套件，采用基于深度学习的数据挖掘、分析预测、处理模型，进行持续训练和学习、进行模型的优化，已实现多项智能政务AI应用，可在政府需求中提供较为广泛和高频的AI能力。从以下几个典型AI能力举例说明： （1）**基于深度学习的数据预测、分类**：通过融合人工智能与大数据等新技术，经过关键信息提取、知识图谱构建、预测分类等，完成数据的分析、预测及分类。 （2）**基于深度学习的文字识别模型**：采用bidirectional LSTM双向循环神经网络+CRF随机条件场，实现词法分析，支持自定义标注（如索引字典），从而达到更好的识别效果。采用Pattern模式识别，支持针对不同类别的文档自定义提取规则，按定义顺序提取贴合各类业务需求信息。 （3）**地址数据智能转换技术**：使用昇思MindSpore实现基于BiLSTM+CRF的神经网络中文分词模型，通过自定义地址分词词库进一步丰富词库，分词效果更接近人类大脑的人工分词；采用支持向量机、逻辑回归和朴素贝叶斯等多种机器学习算法结合使用，根据预处理的数据进行训练得到分类模型，可融合上述多种算法在结果和性能的分析优势，使模型准确率更高、效果更好。 其中，运用模型训练测试和推理环节中，训练精度满足业务需求，在结合昇思MindSpore进行模型训练和调优后，**top1的精度已经达到0.9994**；基于昇思MindSpore之后，华资人工智能能力套件训练性能满足业务需求，**损失率仅将近0.00039，周期速度可达 68 秒**；华资人工智能能力套件结合昇思MindSpore后，**训练过程loss收敛，执行无故障、资源检测无异常**。 广州华资软件技术有限公司在加入昇思MindSpore社区后，将进一步深化双方合作，提供更多基于深度学习的项目支持，创造更多的优秀联合方案，致力合作项目在全国各地生根发芽。同时，期待MindSpore越做越好，建议提供一些成熟的，开箱即用的基本应用，可让市场占有率越来越大。 我们诚邀贵司加入昇思MindSpore开源社区，成为社区合作伙伴，高效推进项目/产品能在业界里生根发芽，完成项目落地，共同推动人工智能软硬件应用生态繁荣发展，构建良好产业生态圈。 如有更多人工智能技术方面的合作需求，欢迎了解华为的昇思MindSpore框架！ 昇思MindSpore官方小助手： **小猫子@MindSpore（mindspore0328）** **MindSpore官方资料** **官方QQ群**: 486831414 **官网**: https://www.mindspore.cn/ **Gitee**: https : //gitee.com/mindspore/mindspore **GitHub**: https://github.com/mindspore-ai/mindspore **官方论坛**: https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1481/ --- 新闻 恭喜昇思MindSpore社区获得中国软协产业协会奖项，携手伙伴与开发者共创新的里程碑！ # 恭喜昇思MindSpore社区获得中国软协产业协会奖项，携手伙伴与开发者共创新的里程碑！ 2022/05/11 # 恭喜昇思MindSpore社区获得中国软协产业协会奖项，携手伙伴与开发者共创新的里程碑！ **2022中国国际软件发展大会暨第五届中国软件产业年会于5月10日在线下和线上同步举办。** 在本次会议上正式公布“2021年国内促进软件产业发展的十大事件”、“2021年软件行业典型示范案例”、“2021年软件行业卓越工程师”的名单和奖项。 **2021年国内促进软件产业发展\*\*\*\*十大事件** “基于昇思MindSpore AI框架发布四大领域创新大模型”被列入“2021年国内促进软件产业发展的十大事件”。 **2021年软件行业\*\*\*\*典型示范案例** 基于昇思MindSpore的蛋白质结构预测训推一体化软件获得“2021年软件行业典型示范案例”奖项。 **2021年软件行业\*\*\*\*卓越工程师** 昇思MindSpore首席科学家于璠获得“2021年软件行业卓越工程师”奖项。 中国科学技术大学计算机博士毕业，华为工作12年，现任华为软件领域科学家/副首席专家/昇思MindSpore架构师，获得2020OSCAR开源人物，获聘哈尔滨工业大学客座教授，主导华为AI系统核心算法/云计算资源调度/SDN大规模路由等架构和算法的设计和落地，发表专利和论文40余篇。 **再次祝贺以上获奖的项目和专家，同时感谢中国软协产业协会对昇思MindSpore的认可，未来昇思MindSpore仍坚定携手伙伴与开发者共创新的里程碑！** **MindSpore官方资料** **官方QQ群**: 486831414 **官网**: https://www.mindspore.cn/ **Gitee**: https : //gitee.com/mindspore/mindspore **GitHub**: https://github.com/mindspore-ai/mindspore **官方论坛**: https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1484/ --- 新闻 4月16日易用性SIG技术分享活动精彩回顾 # 4月16日易用性SIG技术分享活动精彩回顾 2022/04/27 # 4月16日易用性SIG技术分享活动精彩回顾 **易用性SIG技术分享** 2022年4月16日，MindSpore易用性SIG举行了第一次线上技术分享活动，主题是《聊聊AI框架的易用性》，共有近百位开发者朋友通过腾讯会议和B站直播参与了本次活动。 通过此次活动，新吸纳\*\*110+\*\*位开发者加入易用性SIG交流群。感谢开发者们的热情参与和各位老师的精彩分享，在此我们整理了此次活动的内容摘要以及提问和回答，希望大家满意！ **分享内容回顾** 本次活动，由**想飞就飞、Tong、姜宁、丁一超**为大家带来了以下精彩分享，感谢他们！ **1、《MindSpore易用性SIG愿景、目标与规划》** MindSpore团队的两位专家，易用性SIG的发起人（想飞就飞）和Lead（Tong）为大家介绍了易用性SIG成立的背景、目标与具体活动规划，包括技术分享、开源实习、资料与产品体验改进系列活动，详情可以在演讲材料中查看。 **2、《提升项目易用性，降低开发者摩擦力》** Apache软件基金会董事、华为开源能力中心专家姜宁基于自己多年孵化开源项目的经验，为大家讲解了对于项目易用性的理解，以及如何在开源社区中通过架构解耦以及建立反馈机制、自服务机制和导师辅导机制，来全面提升项目易用性的方法。 **3、《我的昇思学习之路》** MindSpore资深开发者丁一超为大家分享了自己两年来入门与学习昇思MindSpore和昇腾的心路历程，系统地介绍了书籍、教程、视频、案例等学习资料的来源，并手把手演示了通过鹏城云脑来体验在Ascend上进行AI开发的全过程。 **Q&A环节** 话题1相关问题 Q：易用性SIG活动介绍中提到的开源活动，和之前的众智活动是什么关系？ A：众智活动的范围主要是针对模型开发和算子开发，而开源活动以及开源实习活动主要面向特性开发，易用性SIG会定期推出易用性相关特性开发任务到开源活动和开源实习活动中去，详情可以关注社区内的通知。 Q：后续会有SIG的例会吗？如果有，是否是公开的，大家都可以参加？ A：有。SIG例会预计是每两周一次，在本次活动后例行开展，主要内容是SIG近期动态更新、特性开发任务进展更新等。例会是公开的，大家都可以参加，会议信息也会在社区内以issue形式发布，并在微信群内通知。 Q：关于开源实习，如何报名，需要哪些条件？实习生具体工作内容是什么？什么时候可以开展实习？ A：在校学生都可以报名，MindSpore开源实习活动的具体工作内容近期会通过开源实习官网发布，请大家留意社区、公众号或微信群内的消息。 话题2相关问题 Q：维护开源项目不仅仅有代码能力就可以，适配的社区化支持，这点可以详细展示说一下吗？社区是如何开展适配支持的呢？ A：除了代码能力之外，还要着力提升开源项目的开发者体验，例如提升项目文档的易用性，包括README、Quick Start、其他文档、示例代码等，还要建立一系列机制降低开发者摩擦力，包括架构解耦、建立反馈机制、建立自服务机制、非正式的导师辅导机制等。 Q：开源项目的维护者都是线上虚拟组织吗？会有线下实体吗？ A：大部分是线上虚拟的组织，因为线下见面成本较高，MindSpore有很多地区性的组织，如果有同城的小伙伴，可以见见面，一起来学习可能效果更好一点。 像我（姜老师）这边做Apache项目，是全球化的虚拟组织，所以大家还是比较难见面，现在会好一点，北京、上海、深圳等地都有对应的组织。 Q：国内没有使用邮件列表的习惯，现在用的人也比较少，有更好的方式吗？ A：国内用的可能比较少一点，国外的话至少对于Apache来说比较常用，效果会比较好，因为我们可以存档，而且对于Apache来说，没有在邮件列表发生的事情，就没有发生。 很多我们需要做的工作，比如我要提一个proposal或者我们和用户沟通，就可以通过查以前的邮件马上得到答案，这种是要比微信好很多的。 开源我觉得最大魅力就是开放透明，这种可存档的邮件列表的沟通方式的好处，一个是异步化，另一个可以跨越时空，随时可以跳到一个邮件的讨论线索里面去进行讨论，随时随地可以重启前面一两个月的谈论，大家有兴趣的话可以体验一下。 话题3相关问题 Q：丁老师，作为一个开发者，学习MindSpore过程中自己平时的经验总结，习惯在哪些渠道和平台输出呢？ A：我（丁老师）个人平时的一些学习经验，如果觉得值得记录下来的话，会在华为云博客、知乎、CSDN上输出，通常是其中的一个平台上发一份，再向其他平台进行复制。因为使用Markdown格式编辑，复制起来也很方便。 Q：中文API（文档）大概什么时候上线？ A：已经在紧锣密鼓地制作中，预计近期随1.7版本上线。 Q：丁老师，你可以介绍一下自己做过的MindSpore相关的成功案例或实例吗？ A：刚开始学的时候，做过一些性能（训练速度）的对比实例，后面会去尝试将一些TensorFlow或PyTorch的代码移植到MindSpore上。 **资料获取** 1、本次活动的演讲材料已经发布到MindSpore社区，点击下方的“阅读原文”链接获取。 2、本次活动的视频已上传到B站MindSpore官方账号。 **下次活动剧透** 下次活动我们将围绕如何快速上手MindSpore这个话题，邀请数位专家和开发者来分享相关心得经验，包括多平台安装、便捷的IDE插件、从PyTorch到MindSpore的迁移指南等多个实用技术话题，干货满满，敬请期待！ 加入易用性SIG交流群，共同打造易学易用、灵活高效的AI框架！ 【加入方式】 扫码添加小助手的微信（vx: mindspore0328）， 添加时请备注：易用性。 小助手拉你进群哦！ **MindSpore官方资料** **官方QQ群:** 486831414 **官网:** https://www.mindspore.cn/ **Gitee:** https : //gitee.com/mindspore/mindspore **GitHub:** https://github.com/mindspore-ai/mindspore **官方论坛:** https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1489/ --- 新闻 5月17日 Security SIG预告——密态计算技术分享，带你了解密码学在机器学习领域的创新应用 # 5月17日 Security SIG预告——密态计算技术分享，带你了解密码学在机器学习领域的创新应用 2022/05/16 # 5月17日 Security SIG预告——密态计算技术分享，带你了解密码学在机器学习领域的创新应用 **密态计算技术** 在之前的SIG会议中，我们揭示了联邦学习过程中传输明文信息（比如梯度信息或模型权重）存在的风险：攻击者可以基于这些明文信息，使用重构攻击或成员推理攻击去还原或推测部分原始数据信息，从而导致数据隐私的泄露。所以为了防止本地数据的隐私泄露，我们需要使用合适的安全策略对传输的明文信息进行保护。 MindSpore Federated中实现了基于秘密分享的安全聚合算法和基于局部差分隐私的加噪方案以及SignDS方案，MindSpore Armour中实现了集中式训练的中心化差分隐私方案（DPSGD）。实际上，除了差分隐私，还有同态加密和安全多方计算等密态计算方法，它们是密码学在机器学习领域的创新应用，密态计算有着更高的安全保护强度。 本次SIG会议我们邀请到了**华为隐私计算专家\*\*\*\*Zhou Lijing**和**浙大研究生张朱谷承**和大家进行密态计算的技术交流。 Zhou老师会给大家介绍业界密态计算的发展历史，并着重介绍安全多方计算、同态加密等技术以及密态计算面临的挑战。张朱谷承将为大家介绍纵向联邦必不可少的一个安全操作：隐私集合求交（PSI），同时会分享实现PSI的三种经典算法。 会议最后会介绍开源实习任务，期待大家的参与~ **1.1 Tips** - 会议结束之后，我们会把视频上传至MindSpore的bilibili官方账号。 - 此外，我们也非常欢迎AI安全领域（如对抗样本、联邦学习、差分隐私、安全多方计算、模型可解释、deepfake、语音仿冒）的老师同学们主动报名，和大家分享自己的成果，找到志同道合的伙伴，共同解决难题，共同成长！ - AI Security SIG代码仓： （1）https://gitee.com/mindspore/mindarmour（2）https://gitee.com/mindspore/mindspore/tree/master/mindspore/ccsrc/fl（联邦学习云侧） https://gitee.com/mindspore/mindspore/tree/master/mindspore/lite/java/java/fl\\\_client（联邦学习端侧） **1.2 会议详情** **NO.1** **会议时间** **2022/05/17（周二）** **19:00-21:00** (GMT+08:00) **NO.2** **会议链接** https://meeting.tencent.com/dm/Gi3p6McnqGcH **NO.3** **腾讯会议ID** 728-832-704 （请大家在会议开始之前点击链接，根据链接提示下载好会议软件，谢谢！） **1.3 议程** **NO.1**\*\*《密态计算技术》\*\* **时间**\*\*：19:10 ~ 19:50\*\* 演讲人：Zhou Lijing，华为隐私计算专家 **NO.2**\*\*《隐私集合求交技术（PSI）及其应用》\*\* **时间：20:00 ~ 20:40** 演讲人：张朱谷承，SIG成员-来自浙江大学网络空间安全学院 **NO.3\*\*\*\*开源实习任务发布** 时间：20:40 ~ 21:00 实习导师介绍具体任务 --- https://www.mindspore.cn/news/zh/1491/ --- 新闻 MindSpore联合KubeEdge落地太空原生AI方案，代表中国首次登上CNCF峰会主讲台 # MindSpore联合KubeEdge落地太空原生AI方案，代表中国首次登上CNCF峰会主讲台 2022/05/17 # MindSpore联合KubeEdge落地太空原生AI方案，代表中国首次登上CNCF峰会主讲台 KubeCon是Linux基金会组织的云原生领域的顶级开源大会。今年Kubecon EU将于5月16日—5月20日在西班牙瓦伦西亚举办，届时，来自全球的开源以及云原生社区的运营和技术专家将汇聚于此，共讨开源生态，助力推动云原生计算的发展和进步。 这次获得15分钟的技术性Keynote非同寻常，这意味着站在华为云原生开源以及天算星座团队的巨人肩膀上，昇思MindSpore社区团队成为**首次在CNCF欧洲峰会上获得非赞助性Keynote的国内开源团队**，此外也是**首次代表中国在4年内连续在OpenStack和CNCF两大基金会的峰会上获得Keynote宣讲的团队**！ 经我们对2016年首届峰会以来的完全统计，CNCF欧洲与北美峰会的Keynote极难入选，中国企业更是凤毛麟角。在将近**180次**的欧洲与北美主旨演讲议题分享中，仅有**华为**、**阿里巴巴**和**中国移动**获得过机会，堪称开源大型会议中的奥林匹克。 对于昇思而言，这次展示既意味着国际开源大会对昇思MindSpore项目的认可与肯定，也进一步提升了昇思MindSpore的全球知名度和影响力。 **分享主题** \*\*5月18日16:00（周三）\*\*\*\*，\*\*在本次分享中，我们将介绍如何将 KubeEdge Sedna（云原生边缘机器学习套件）与昇思MindSpore 深度学习框架相结合，以在卫星上实现增量学习以完成遥感和观测地球等任务的方案设计。 **下一步计划** 未来，KubeEdge和MindSpore还可以扩展到更多新场景。 - 用于地球-轨道/火星-轨道/金星-轨道任务的深空学习，有利于自动形成星座或小型卫星/立方体卫星群管理； - 用于多租户共享小型卫星/立方体卫星资源隔离和安全/隐私的云原生政策； - 云原生空间计算，实现更好的轨道-地面或轨道-轨道通信、监测和资源管理。 欢迎同在西班牙的近**1600名**来自全球的开发者一起，参与卫星在轨计算和航天计算的实验和讨论。 **MindSpore官方资料** **官方QQ群**: 486831414 **官网**: https://www.mindspore.cn/ **Gitee**: https : //gitee.com/mindspore/mindspore **GitHub**: https://github.com/mindspore-ai/mindspore **官方论坛**: https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1492/ --- 新闻 开普云签署 CCLA，携手昇思MindSpore社区共拓信创AI新天地 # 开普云签署 CCLA，携手昇思MindSpore社区共拓信创AI新天地 2022/05/18 # 开普云签署 CCLA，携手昇思MindSpore社区共拓信创AI新天地 近日，**开普云信息科技股份有限公司**（以下简称“**开普云**”）签署 CCLA（Corporate Contributor License Agreement 企业贡献者许可协议），正式加入昇思MindSpore开源社区。 **开普云** 开普云（股票代码 688228）创立于2000年，秉承“以未来科技，筑数字世界”的使命，以创新为引擎赋能数智政务发展，为全国各级党政机关、大中型企业、媒体单位提供先进的数智驱动行业解决方案、产品和运营服务。公司累计服务的客户包括80%的省级政府、60%的市级政府、60%的国家部委及中直机关，在政务服务市场处于行业领先地位。 作为信创工委会WG24大数据工作组组长单位，开普云一直积极开展与产业链伙伴的深度合作，与华为并肩探索信创大数据发展，全面融入华为鲲鹏凌云、云市场等多项伙伴计划，核心产品完成了与华为鲲鹏底座的全面互认。 加入昇思MindSpore社区后，开普云将进一步加速信息技术创新步伐，探索AI智能发展，提升数智安全系列自然语言处理与计算机视觉算法模型，以及数字人生成与驱动算法模型在信创环境中的推理效率，并利用昇思MindSpore提供的丰富的预训练模型，实现对新业务场景的快速切入，提高新模型的研发训练效率。 未来，开普云将在华为昇思MindSpore社区中创造更多的优秀联合方案，积极参与社区贡献与合作，携手华为及社区生态伙伴共建创新平台，共同推动信创AI生态的繁荣发展。 我们诚邀各企业、高校及科研院所加入昇思MindSpore开源社区，成为社区合作伙伴，与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态。 更多合作需求 请扫码添加企业助手进行咨询 **MindSpore官方资料** **官方QQ群**: 486831414 **官网**: https://www.mindspore.cn/ **Gitee**: https : //gitee.com/mindspore/mindspore **GitHub**: https://github.com/mindspore-ai/mindspore **官方论坛**: https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1493/ --- 新闻 昇思MindSpore安全技术助力OCR云服务通过国际最高水平安全认证! # 昇思MindSpore安全技术助力OCR云服务通过国际最高水平安全认证! 2022/05/19 # 昇思MindSpore安全技术助力OCR云服务通过国际最高水平安全认证! **AI C4 认证** 2021年，在德国，华为基于业务用例的试点项目向德国联邦信息安全办公室(BSI) 提供建议，支持其发布了**AI云服务合规标准目录(AI C4)**，**这是业界首个面向AI云服务的安全标准**。 同年12月，\*\*昇思MindSpore支撑华为OCR云服务正式通过独立机构的AI C4审计认证，安全目标100%达成。\*\***这标志着昇思MindSpore的安全能力达到了业界领先水平，能够满足业界最高水平的AI云服务审计要求**。 现如今，被广泛用于IT服务和交付既定模式的云计算已显著改变了全球信息技术的服务方式，对其安全性的关注也日益变得突出与紧迫。为提高云计算的安全控制水平以增强客户信心，引导行业健康有序发展，政府机构、行业协会等相关团体制定了一系列的云安全政策、法律、法规及标准。 C5（Cloud Computing Compliance Controls Catalog）是由德国联邦信息安全局制定的一项云服务安全审计标准，也是业界公认的在云服务领域最全面、最严格的数据保护标准，旨在基于标准化的检查和报告来说明云服务提供商的信息安全性。 伴随着人工智能不断发展，在极大提升人们生产生活品质的同时，AI具有的技术特性如通用目的性、算法黑箱性以及数据依赖性等，在社会、企业、个人等维度引发了不小的风险与挑战，仅凭C5标准还不足以完全应对。 为此，德国联邦信息安全局制定了一项特定于**AI云服务的审计标准AI C4（AI Cloud Service Compliance Criteria Catalogue）**——该标准设定了安全的基线水平，可通过独立审计机构对于AI云服务在其生命周期内的安全性进行可靠评估。 **OCR服务**是利用光学设备对图像进行捕获并完成文字识别的过程，可兼顾达成人力节约与效率提升的双目标。 但痛点就在于，当攻击者对待识别的文字做出肉眼不易察觉的修改时，将会导致实施算法的模型无法对该修改做出正确的识别或处理，造成OCR服务对文字的识别准确率下降，但使用人员却很难看到这问题背后的真因。 昇思MindSpore从开源AI框架的角度出发，围绕AI全生命周期，构建出以下重点技术能力： ① **模型安全**—通过鲁棒性评测、对抗测评、对抗训练、模型加密等，实现模型保护； ② **隐私保护**—构建了隐私评估、差分隐私训练、联邦学习等技术，保障数据隐私； ③ **可解释性**—通过原创语义级可解释技术、可解释方法工具集等，提高模型的可解释性，增强用户理解度，让用户更信任并有效地使用模型。 本次认证中，华为技术团队使用了昇思MindSpore模型安全评测工具MindSpore Armour对OCR服务进行安全性测评。 从中发现，目前大多数OCR服务的算法模型均存在识别自然扰动和防御样本对抗能力差的问题，如文本框检测模型在校验噪声、PGD、PSO（粒子群）等攻击算法下的准确率小于66%。 我们的技术团队针对这些问题对模型开发进行指导，通过对抗样本检测、数据增强训练等技术，使模型对恶意样本的**识别准确率达到 95+%**，提高了模型及OCR服务的鲁棒性，达成了AI C4标准对AI云服务安全和鲁棒性的要求。 除助力华为OCR云服务通过AI C4认证外，昇思MindSpore率先出击，**携手法荷多方权威评估和认证机构，在2021年完成了AI框架领域的认证标准制定，并于今年4月获得荷兰NSCIB颁发的CC EAL2+认证证书，填补了AI框架领域在安全标准上的空白，成为全球首个获得CC认证的AI框架，实现从0到1的突破。** 此外，**昇思MindSpore经过云计算开源产业联盟（OSCAR）评估，荣获全国首批《可信开源社区评估体系》认证。** 在智能时代的浪潮中，昇思MindSpore致力于实现可信AI的最高要求，从安全技术和安全治理上不断提升AI安全水平。未来，昇思MindSpore仍将持续创新，与行业客户共同应对人工智能领域安全的风险与挑战，为客户提供更安全更可信的应用及服务。 **关于AI C4**（点击链接即可了解）**：** https://www.bsi.bund.de/SharedDocs/Downloads/EN/BSI/CloudComputing/AIC4/AI-Cloud-Service-Compliance-Criteria-Catalogue\_AIC4.html **MindSpore官方资料** **官方QQ群:** 486831414 **官网:** https://www.mindspore.cn/ **Gitee:** https : //gitee.com/mindspore/mindspore **GitHub:** https://github.com/mindspore-ai/mindspore **官方论坛:** https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1507/ --- 新闻 520 | 如果这都不算“AI” # 520 | 如果这都不算“AI” 2022/05/20 # 520 | 如果这都不算“AI” 爱有万千模样 是心有灵犀，是携手同行 是博大胸怀，亦是精细入微 今天，昇腾AI如何表达爱意？ 来看**昇腾AI** 花式比心 爱没有定义，爱没有界限 **昇腾AI** 在每一个角落创造爱 爱护珍稀动物 关爱人类健康 点燃梦想与热爱 爱/AI 智慧 爱/AI 未来 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1509/ --- 新闻 华为昇腾人工智能高校行——东北大学站，欢迎同学们报名啦！ # 华为昇腾人工智能高校行——东北大学站，欢迎同学们报名啦！ 2022/05/24 # 华为昇腾人工智能高校行——东北大学站，欢迎同学们报名啦！ **AI & Campus** **AI进校园** 科技的发展越来越玄幻，前有无人驾驶出租车试运营，后有虚拟偶像掌握新流量密码……AI作为一种新兴的科学技术，正一步步地改变着人们的生产生活方式和思维方式。随着人工智能深度学习算法的突破，在强大的算力和海量数据的支撑下，万物互联的时代将会到来，万物可交互可对话也将成为现实。 人工智能技术发展越来越好，人工智能专业也成为众多高校的“火爆”专业，同时也被评为多学科交叉的“烧脑”专业。那么人工智能领域里经常提到的各种框架对学习人工智能专业有什么帮助呢？对于新手小白来说，又该如何选择深度学习框架呢？ **5月31日（下周二）** 全场景AI框架昇思MindSpore走进**东北大学**，为同学们带来昇思MindSpore的深度体验，带同学们全面了解人工智能在各行各业的应用，切实地感受课堂以外的AI体验以及乐趣。 本次课程不仅可以让你感受科技魅力，还有更多精美礼品等着你！ **活动时间** **2022年5月31日（下周二）** **19：00—20：30** **报名方式** **扫描下方二维码即可报名** （注：报名后即可添加活动交流群获取课程链接） **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1511/ --- 新闻 昇思MindSpore实习offer拍了拍你！ # 昇思MindSpore实习offer拍了拍你！ 2022/05/25 # 昇思MindSpore实习offer拍了拍你！ **找实习的那点事** 1 _救命！谁能告诉我为什么一个985，投递暑期实习简历完全无人回应？_ 2 _只有一段小公司的“勤杂工”实习，没有项目实战经验怎门办？_ 3 _疫情影响太严重，大概率大厂不需要招那么多实习生了……_ **昇思MindSpore线上实习offer** 昇思MindSpore社区联合多个开源社区为高校学生推出线上实习的机会——**开源实习**，让你不用出校门就可以拥有在业界顶尖AI开源项目实践的机会。 **你将拥有** **实习工资**\*\*：\*\*凭实习积分获得相应的实习工资。 **实习证明/证书**\*\*：\*\*在实习有效期6个月内积分满60分即可开具实习证明，满100分有机会获得优秀实习生证书。 **亮眼的项目经历**\*\*：\*\*参与开源项目，成为其中的贡献者，你的成果将向所有人开放共享，为用户创造价值。 **技术大咖1对1指导**\*\*：\*\*活动中每个项目任务都配备了资深导师，带领你打开开源大门，深度参与社区贡献。 **社区荣誉**\*\*：\*\*实习期突出的实习生，还会授予社区资深开发者的荣誉与额外激励哦！ \_Just show your code！\_在开源的世界里，不问出身，只要你提交的代码能真正为项目带来帮助，你就会获得开源社区的认可，而你的成果或许将成为这开源项目的一部分，服务于千千万万的用户！ **线上开源实习如何开展？** 由社区基于项目实际需求发布实习任务，通过实习申请的学生可在线上自由选择任务，在社区导师的辅导下解决社区实际的问题，并向社区仓库提交成果（即提交Pull Request）。**PR被合入社区后将获得实习积分，凭实习积分可获得相应实习工资及证书。** 截止目前，共有17个SIG（special interest groups）、特性组发布了实习任务，其中不仅包含了深度学习框架本身的图编译、自动并行、易用性提升等任务，还有AI安全、量子计算、强化学习、科学仿真等有趣的算法任务。 在这里，你将和业界专家一起探索、一起突破，一步步成长！详细参与步骤请点击“阅读原文”或长按识别下方二维码（推荐在PC端查看）。 **二维码** **实习官网** https://internship.mindspore.cn/zh/internship/ **实习时间是什么时候？** 开源实习将在社区长期进行，实习申请通过后即可开始实习，实习协议期为6个月，其间时间可自由分配，满60个实习积分并获得导师认可后即可获得实习证明。 **哪些同学可以报名？** ① 年满18周岁高校学生，无专业年级限制。 ② 平均每周能投入10小时以上的时间。 实习名额有限，满额即止。如果你对开源感兴趣，那么期待你的加入！请按实习官网上相关要求提交报名材料。 **更多疑问可联系** 昇思MindSpore小助手QQ号 1308735071 昇思MindSpore实习官方QQ交流群 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1512/ --- 新闻 MindSpore初学教程 | 简单易懂的新手入门指导，深度学习拦路虎都退退退！ # MindSpore初学教程 | 简单易懂的新手入门指导，深度学习拦路虎都退退退！ 2022/05/27 # MindSpore初学教程 | 简单易懂的新手入门指导，深度学习拦路虎都退退退！ **昇思MindSpore** 昇思MindSpore是一个全场景深度学习框架，已经成为人工智能领域非常流行的开源AI框架。你可能已经听说过它很多次，但一直没有去接触了解过。跟随时代发展，无论你是大牛还是小白，学习MindSpore都是很有意义的。 作为新手，那么问题来了，文档教程不直观？示例版本不够新？安装依赖捋不清？讲解视频找不到？这些问题都**退退退\*\*\*\*！** \*\*《MindSpore初学教程》\*\*就是为你准备的！九节课，全视频，手把手，零起点，案例讲解，基于最新的版本。跟着下面的引导快速了解章节内容，快来一起学习进步吧~ 请在微信内打开进行观看 **第一节 基本介绍** 正式进入框架的学习，首先通过整体介绍昇思MindSpore和华为昇腾AI全栈，并介绍昇思MindSpore在华为昇腾AI全栈中的位置，包括总体架构、设计理念和层次结构。从基础概念开始，对昇思MindSpore有一个系统性的认知和了解，为我们接下来的学习做好铺垫打好基础。 本节教程的最后还会带大家体验下载安装流程，解读安装教程的基本逻辑和概念，帮助初学迷茫的新手选择合适版本。当然啦，各种详细的安装方法大家可以在官网快速查看！ https://www.mindspore.cn/install **第二节 快速入门** 学习本节贯穿昇思MindSpore深度学习的基本流程，首先学习的知识点有数据的准备，创建网络模型，定义损失器与优化器，训练与推理。然后以LeNet5网络模型为例子，实现深度学习中的常见任务，带领大家一步步的去了解昇思MindSpore。 **第三节** **张量Tensor** 张量是一种特殊的数据结构，与数组和矩阵非常相似，它也是昇思MindSpore网络运算中的基本数据结构。 本节主要介绍张量和稀疏张量的属性及用法——首先通过了解初始化，属性，索引，转换，学习张量的基本概念；然后ZOMI酱会详细讲解MindSpore Tensor的作用，最后介绍如何构建、索引和张量进行运算。 **第四节 数据处理** mindspore.dataset提供了部分常用数据集和标准格式数据集的加载接口，使得用户能够快速进行数据处理操作。对于图像数据集，用户可使用mindvision.dataset来加载和处理数据集。 本节首先介绍如何使用mindvision.dataset.Cifar10接口加载并处理CIFAR-10数据集，然后介绍如何使用mindspore.dataset.GeneratorDataset实现自定义数据集加载。 **第五节 创建网络** 神经网络模型由多个数据操作层组成，mindspore.nn提供了各种网络基础模块。 本节以构建LeNet-5网络为例，先展示使用mindspore.nn建立神经网络模型，再展示使用mindvision.classification.models快速构建LeNet-5网络模型。 **第六节 自动微分** 自动微分能够计算可导函数在某点处的导数值，是反向传播算法的一般化。自动微分主要解决的问题是将一个复杂的数学运算分解为一系列简单的基本运算，该功能对用户屏蔽了大量的求导细节和过程，大大降低了框架的使用门槛。 本节ZOMI酱会通过对数据进行求导，梯度缩放和停止计算微分这三个内容进行讲解，展开介绍一下昇思MindSpore是如何进行自动微分的。 **第七节** **模型训练** 通过前面章节的学习，相信大家已经学会如何创建模型和构建数据集。本节就是学习如何设置超参和优化模型参数，学习损失函数和优化器的定义和使用，最后基于昇思MindSpore训练一个网络模型。 **第八节 保存加载** 上一章节主要介绍了如何调整超参数，并进行网络模型训练。训练网络模型的过程中，实际上我们希望保存中间和最后的结果，用于微调（fine-tune）和后续的模型部署和推理。 本章节ZOMI酱就会给大家讲解在昇思MindSpore中如何对网络模型权重进行保存，训练完模型后如何加载模型权重，最后如何把网络模型用于迁移学习或者下游任务。 **第九节** **推理部署** 初学教程的最后一节，是时候放（并）大（没）招（有）啦~ 本章节会使用MindSpore Vision中的mobilenet\_v2网络微调的方法来开发一个AI应用（狗和牛角包分类），并将训练好的网络模型部署到Android手机上，执行推理和部署功能。 端到端的串联之前章节的所学内容，从网络模型的导出，到转换成端侧可部署的格式，最后真正把昇思MindSpore端云协同打通去部署和体验。 贯穿昇思MindSpore的基础功能，代码解析、环境构建，执行推理…完整的开发流程体验，ZOMI酱老师每一步都做了通俗易懂的讲解，学习起来没压力！手把手的教程，大家可以动手实操一下，感受一下昇思MindSpore 的魅力。 从基本原理到模型开发实践，讲解昇思MindSpore开源AI计算框架的基本知识和编程方法，以及使用昇思MindSpore进行实践，助力新手小白快速上手昇思MindSpore，进行AI应用开发。 对昇思MindSpore感兴趣的开发者，欢迎加入昇思MindSpore的社区并一键三连（Watch/Star/Fork）~有任何问题，可以通过社区issue进行提问，直接和昇思MindSpore工程师对话交流，手把手指导解决难题！ 社区issue：https://gitee.com/mindspore/mindspore/issues **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1514/ --- 新闻 七腾科技获昇思MindSpore技术认证——携手昇思加速提升石化企业数字化运维能力 # 七腾科技获昇思MindSpore技术认证——携手昇思加速提升石化企业数字化运维能力 2022/05/26 # 七腾科技获昇思MindSpore技术认证——携手昇思加速提升石化企业数字化运维能力 2022年4月20日，**重庆七腾科技有限公司**通过了全场景AI框架昇思MindSpore的兼容性认证测试，荣获昇思MindSpore技术认证。 **关于七腾科技** 重庆七腾科技有限公司是一家集特种机器人设计、研发、生产、销售、服务为一体的高新技术企业，产品覆盖全国20余个重点省市，服务100家以上海内外知名企业。 七腾科技以技术创新为根本，通过自研特种机器人服务全球应急安全终端市场，研发的智能防爆、巡检产品等，广泛应用于石油、化工、消防、电气等工业领域。基于昇腾AI基础软硬件平台七腾科技产品方案的整体性能得到了大幅提升。 **七腾科技与昇思MindSpore** **七腾科技智能巡检系统通过华为全场景AI框架昇思MindSpore开发搭建**： \*\*不仅将机器人的巡视内容、时间路线、算法报表管理融为一体，更支持超过10000台以上机器人联合巡检的过程管理，大幅提升了巡检系统易用性和使用效率，实现了被动响应到主动监控的转变，\*\*保障石化行业安全生产，更快地推进石化行业数字化、智能化管理水平，为石化客户构建了高效智能的巡检分析系统。 得益于华为昇腾计算业务与七腾科技双方技术人员不断深入沟通与协作，七腾科技石油化工智能防爆巡检机器人系统经过严格的性能和功能测试成功实现系统功能正常运行，**通过了全场景AI框架昇思MindSpore的兼容性认证测试，荣获昇思MindSpore技术认证。** 七腾通过Atlas系列硬件训练的模型，结合AI视觉、感知技术，持续调优AI智能算法，提升了石油化工智能防爆巡检机器人对现场判断的准确率，快速定位坐标并预警，实现了“跑、冒、滴、漏”检测准确率95%以上。 此外，通过对模型不断的训练提升，七腾巡检机器人已能更有效地替代一线高危作业人员在各类危险环境中执行全天候登夜巡检工作，并轻松应对预设范围内可能会出现的各种巡检状况，提高了工作效率，加强了作业安全性，同时降低了工作成本，单台智能巡检机器人每年可节约人工费用达60万元。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1525/ --- 新闻 今日「盘它」丨基于昇腾AI的智能遥感框架与数据集武汉.LuoJia上线昇思开源社区 # 今日「盘它」丨基于昇腾AI的智能遥感框架与数据集武汉.LuoJia上线昇思开源社区 2022/05/31 # 今日「盘它」丨基于昇腾AI的智能遥感框架与数据集武汉.LuoJia上线昇思开源社区 上线啦，就在今天！**武汉大学与华为联合打造的武汉.LuoJia今日正式上线昇思社区**。在此，诚邀遥感领域的专家大拿以及萌新爱好者们一起测试使用，留下您宝贵的建议，为遥感产业的繁荣发展添砖加瓦。 长久以来，遥感应用日新月异，遥感产业蓬勃发展，但在**进行遥感应用开发时**，专家们常被**通用框架**「小幅面、少量类型、尺度有限、通道有限」的特点所局限，一种渴求正日渐强烈——具备「大幅面、多种类型、尺度变化大、通道多样」特点的**遥感专用框架**. **武汉大学与华为基于昇腾AI**共同打造了**全球首个遥感影像智能解译专用框架武汉. LuoJiaNET和业界最大遥感影像样本数据集武汉. LuoJiaSET**。通过提供遥感影像智能解译专用框架、高效且精准的样本标注工具、样本库以及相应的基础模型，武汉.LuoJia为遥感应用开发提供便利，让智能遥感技术在自然资源、海洋、农业、森林、应急等行业得到广泛应用。 **来头这么大，基于昇腾AI的武汉.LuoJia到底硬核在哪里？** **1\. “全栈式”深度学习架构** 针对遥感影像“场景-目标-像素”多层级任务的应用需求，从底层架构开始，以**计算流图（图）**为中心，兼顾**遥感探测机理模型（模）**和**地学知识图谱（谱）**的特性，并与全场景AI框架**昇思MindSpore**深度融合，最终形成\*\*“图-模-谱”融合的遥感影像智能解译专用框架——武汉.LuoJiaNET\*\*。 **2\. 多维遥感特性设计** 遥感专用框架武汉.LuoJiaNET还充分考虑到了多维时空谱的特性，在满足高效灵活的内存自动扩展、尺度与通道的自适应优选等要求上，完成了符合遥感特性的多维度应用设计。 \_例如\_在**大幅面处理**上，使用算子等价分解的分布式计算方式，对整张大幅遥感影像进行直接处理； \_又如\_在进行**通道选择**时，使用数据通道自适应优选模块，对高光谱遥感影像直接完成分类； \_再如\_经大量实验表明，在植被指数、干旱指数、建筑物指数、地形指数等多个**遥感经验知识模型**的引导下，深度网络的分类性能可得到较为明显的提升。 (大幅面处理结果示例) (通道选择结果示例) (遥感知识模型示例） **3\. 建立统一的分类体系** 从现状出发，针对现有样本库普遍存在的「分类体系不统一、传感器种类单一、模型泛化能力弱」等问题，**武汉.LuoJiaSET是满足OGC标准的大规模遥感影像样本数据集。** 武汉.LuoJiaSET对不同的遥感任务建立统一分类体系，形成样本要素的采集要求、内容和流程规范，可支持多级别、多类型遥感影像样本库的采集、制作、管理、共享、应用，大幅提升影像标注效率。 受篇幅所限，就先说到这里啦，再次邀请你来昇思社区在线体验武汉.LuoJia。 **相关测试使用链接入口指引：** ① LuoJiaSET服务平台（可游客身份访问）： http://58.48.42.237/luojiaSet ② LuoJiaNET服务平台（注册账号后可访问）： http://58.48.42.237/luojiaNet ③ LuoJiaNET源码，可通过如下网址访问： → https://github.com/WHULuoJiaTeam/luojianet → https://gitlab.com/whuluojiateam/luojianet → https://bitbucket.org/luojiateam/luojianet **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1526/ --- 新闻 迈格生命科技加入昇思MindSpore开源社区，构建多模态人脑数据结构化与数据解析算法 # 迈格生命科技加入昇思MindSpore开源社区，构建多模态人脑数据结构化与数据解析算法 2022/05/31 # 迈格生命科技加入昇思MindSpore开源社区，构建多模态人脑数据结构化与数据解析算法 近日，**迈格生命科技（深圳）有限公司**签署 CCLA（Corporate Contributor License Agreement 企业贡献者许可协议），正式加入华为昇思MindSpore开源社区。 **迈格生命** 迈格生命科技（深圳）有限公司是一家专注于个体人脑数字化解析技术的国家高新技术企业。迈格以神经指纹技术为核心，构建多模态人脑数据结构化与数据解析算法，打造一站式脑疾病分析与辅助决策平台，以创新数据驱动赋能下游AI应用，输出面向不同应用场景的脑专科临床解决方案。 迈格拥有脑健康评估、辅助诊断医疗器械、科研数据平台三大产品线，现已建立覆盖脑疾病早期筛查、辅助诊断、临床研究、辅助治疗、疗效评估的疾病全周期智能化解决方案。 企业以“**凡生命，有尊严**”为核心理念，坚持需求驱动加技术赋能的发展路线。迈格已参与国家重点研发计划重大慢病专项、常见多发病防治研究专项、中国脑计划等多项科研项目，通过与权威临床机构及顶尖科研院所的协同创新，不断将前沿科研成果转化为产品解决方案，提升公众脑健康水平。 **迈格生命&昇思MindSpore** 医学影像数据具有单体数据大、特征参数多、图像数量多等特征，且具有行业特殊的文件格式，目前图像文件并未存入数据库。 未来，**迈格生命科技期待与昇思MindSpore共同探索基于数据库直接存储图像的方式，携手社区生态伙伴，创造更多的优秀联合方案，共建创新平台，共同推动AI开源生态的繁荣发展**。 我们诚邀各企业、高校及科研院所加入昇思MindSpore开源社区，成为社区合作伙伴，与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态。 更多合作需求 请扫码添加企业助手进行咨询 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1527/ --- 新闻 六一 | 如果你打了一个喷嚏，那就是昇思在想你~ # 六一 | 如果你打了一个喷嚏，那就是昇思在想你~ 2022/06/01 # 六一 | 如果你打了一个喷嚏，那就是昇思在想你~ 最近一众80/90后老粉丝， DNA疯狂涌动！ 小编走到哪都能听到： “如果你突然打了个喷嚏，那一定是我在想你”！ 然而时至今日， 在我大脑里包了场的却是： “我不想，我不想，不想长大”…… 今天就让成年人的烦恼暂且退退退！ 虽然没有时光机可以穿越回过去， 亦尚未开发出童颜相机让咱一秒变小可爱， 但小编这里有祖传多年的**几条装嫩秘籍！** 让你从心灵层面重返童真， 让路人发自肺腑地感叹你， 颇（还）有（很）情（幼）怀（稚）。 （以下操作如果被人打了，恕小编概不负责） **星\*\*\*\*空** 是谁，童年出门就转陀螺回到家就着了魔， 就因为一个星空卫视。 它是90后 的动漫天地（yyds），还是台偶乐园。 最近让叔叔粉们直呼“爷青回”的甜心教主， 当初可是在星空卫视 凭借一部《微笑Pasta》热度席卷大江南北！ 知道大家忙碌没时间重温电视剧， 那来看（跳）《爱你》再哭一遍~ （本视频音乐来源于网络，请打开微信进行观看） **不会跳怎么办！小编来教你，基于昇思MindSpore骨骼检测模型，可以识别不同舞蹈的肢体动作。** PS：希望大家还能保有自己热爱的那一片星空哟！ \*\*（\*\***扫码即可前往掌中宝APP体验）** **混\*\*\*\*圈** 混时尚圈的人总会从外在的一身行头判断你的时尚感知度，那混咱童年圈的人，不得捯饬一下网络通行证（头像），确保年年六一当天圈内畅通无阻呀！ 但千篇一律的卡通动漫头像，如何让自己脱颖而出呢！**昇思MindSpore DCGAN模型可以实现一个独一无二的动漫头像，你只需要将动漫卡通中的一些基本特征，经过训练融合在一起，即可生成一个新的AI动漫头像。** 唉对对对，具有年代感的、很杀马特非主流的、原始像素QQ风的、且褪了些许颜色的、带了些许朦胧感的、萌萌哒的头像，是我今年的装嫩必用绝招！ 这头像，越品，味儿越对！ **（扫码即可前往官网体验）** **作\*\*\*\*业** 没有作业的童年就像没有水的鱼（会干死）， 少了点肝的意义。 今天，小编特别为大家准备一个儿童节终极武器！ —— **作 业** 如果你很忙，没有时间改作业！ 小编来帮助你！\*\*昇思MindSpore的CTPN文本检测模型，对作业文本进行识别，识别后即可通过人工干预对作业识别结果进行批改！\*\*妈妈再也不用担心你的学习啦！ 怎么样，这个武器惊不惊喜，意不意外！ 如果你有更多的创新想法，请同步给我们~ **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1535/ --- 新闻 6月12日，MSG企业行 | 聚焦廊坊AI企业，推动“双链”融合发展 # 6月12日，MSG企业行 | 聚焦廊坊AI企业，推动“双链”融合发展 2022/06/06 # 6月12日，MSG企业行 | 聚焦廊坊AI企业，推动“双链”融合发展 **产学研用融合** 近年来，在企业、高校、科研院所等创新主体的联合推动下，**产学研用融合发展模式**不断细化和深化。昇思MindSpore聚焦各地核心科技板块，汇聚企业核心技术骨干，创新产学研用融合发展模式，构建多元开源生态。 **【MSG企业行·廊坊站】线上交流会** **2022年6月12日（周日）**，昇思MindSpore开源社区联合廊坊工信局、廊坊开发区、河北人工智能计算中心共同举办【MSG企业行·廊坊站】线上交流会。 本次活动以河北廊坊为中心，以\*\*“打通政产学研用”链条，推动“双链”融合发展\*\*为主题，共同探讨人工智能技术解决方案，旨在推进人工智能与产业深度融合，加速产业智能化、高质量发展。 如果你对产学研用融合发展新模式、企业智能化转型升级、科技领域创业、AI技术产品搭建等有浓厚兴趣，欢迎你来与我们一同交流，共同探讨AI科技企业的发展！ **参与方式** **【活动时间】** **2022年6月12日（周日）14:00** **【报名参与】** **扫描下方二维码报名** 腾讯会议接入，与AI企业专家近距离交流（活动链接会在审核通过后通过邮件发送，如未收到可进入交流群或私信小助手获取） **【直播平台】** **B站【MindSpore官方】** **MSG企业行** MindSpore Study Group 昇思MindSpore聚焦各地核心科技板块，汇聚企业核心技术骨干，与企业深入交流与分享，拓展AI类企业生态，服务企业超过5000家，涉及端边云全场景行业，支撑两大产业联盟成立，打造开发共赢的产业生态圈。 **往期MSG快速通道** MSG企业行 | 5月29日，NLP引领企业智能化转型 MSG行研会·武汉站 | AI技术加持，赋能企业快速创新和转型 MSG企业行 | 4月17日，与你深度探索CV领域前沿技术 **更多合作交流** 我们诚邀各企业、高校及科研院所加入昇思MindSpore开源社区，成为社区合作伙伴，与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态。 更多合作需求 请扫码添加企业助手进行咨询 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1536/ --- 新闻 广州知行机器人加入昇思MindSpore开源社区，为AI+数字城市提供强有力决策支撑 # 广州知行机器人加入昇思MindSpore开源社区，为AI+数字城市提供强有力决策支撑 2022/06/06 # 广州知行机器人加入昇思MindSpore开源社区，为AI+数字城市提供强有力决策支撑 近日，**广州知行机器人科技有限公司**签署 CCLA（Corporate Contributor License Agreement 企业贡献者许可协议），正式加入华为昇思MindSpore开源社区。 **知行机器人** **广州知行机器人科技有限公司**是国家级高新技术企业，是一家以空天信息产品与服务创新研发为核心，集“空天数据采集硬件设备研发---空天图像算法产品开发---解决方案集成化部署”于一体的综合性信息技术企业。 公司坚持以“空天信息创新数智未来”为企业愿景，以“知行合一、专业创新、求索务实”为企业理念。团队以中山大学遥感地理信息技术团队为支撑，建有广西科学院遥感院广州研发中心、华南理工大学合作教学基地、广东海洋大学产学研合作基地。 经过多年积累，团队具备较强的技术研发能力与科研转化能力，在空天影像数据分析、空间智能优化与决策、时空大数据挖掘领域拥有多项国际领先科技成果： 具有国家发明专利、高新技术产品和软件著作等自主知识产权50余项，获得多项省科技进步奖、中国地理信息科技进步奖、地理信息优秀工程奖。 目前，已具有完善的软硬件一体化空天智能产品：“TANSI天势”倾斜摄影相机设备、“TANLU天禄”数字广播高音喇叭设备、“Z-Edge天合” 全自动化无人机机巢设备、“Z-Pilot智巡”机器人边缘智能AI图像软件、“Z-Meta智元”低空遥感决策指挥平台软件，多款设备处于国内领先水平。 客户涵盖交通管理、公安应急、智慧园区等领域，为AI+数字城市提供强有力决策支撑！ **知行机器人&昇思MindSpore** 广州知行机器人加入社区后，将进一步基于昇思MindSpore全场景AI框架，进行\*\*模型设计、训练和模型推理，\*\*深化双方合作，共同推动项目/产品生根发芽。 未来，广州知行机器人期待与更多的社区伙伴一起，通过更专业、更高效地合作共同推进项目的落地，构建繁荣产业生态圈。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1537/ --- 新闻 沐曦加入昇思MindSpore开源社区，共建高性能GPU芯片解决方案 # 沐曦加入昇思MindSpore开源社区，共建高性能GPU芯片解决方案 2022/06/07 # 沐曦加入昇思MindSpore开源社区，共建高性能GPU芯片解决方案 近日，**沐曦集成电路（上海）有限公司**（以下简称“沐曦”）签署CCLA（Corporate Contributor License Agreement，企业贡献者许可协议书），正式加入昇思MindSpore开源社区。 **沐曦** 沐曦集成电路（上海）有限公司致力于为异构计算提供高性能GPU芯片和解决方案。公司于2020年9月成立于上海市浦东新区临港新片区，并在北京、南京、成都、杭州、深圳和武汉等地分别建立了全资子公司暨研发中心。 沐曦核心团队成员平均拥有近20年高性能GPU产品端到端研发经验，曾主导过十多款世界主流高性能GPU产品研发，包括GPU架构定义、GPU IP设计、GPU SoC设计及GPU系统解决方案的量产交付全流程，是技术完备、设计和产业化经验丰富的团队。 沐曦高性能GPU芯片及解决方案具有完全自主研发的全新专利架构、兼容国际主流生态的完整软件栈，在AI推理、AI训练、高性能数据分析、科学计算、数据中心、云游戏与元宇宙等众多前沿领域具有广泛的应用前景，能够为数字经济的发展提供强大的算力支持。 沐曦自成立之日起即保持着高速的成长性，展示出强大的人才号召力、产业资源聚集力、产品研发执行力和产业生态上下游布局能力。 目前，沐曦已与服务器OEM、大数据中心、互联网运营商等行业客户建立了紧密的合作关系，并与众多知名高校和研究机构密切开展产学研合作，快速推进产业上下游生态的建设。 **沐曦&昇思MindSpore** 沐曦加入昇思MindSpore社区，将进一步繁荣昇思生态，双方将进深化双方社区项目合作，共同打造创新性产品。 沐曦会从底层芯片算力的角度，全面对接昇思MindSpore框架，构建基于MindSpore+MetaX软硬件一体化解决方案，面向服务器、数据中心提供自主可控、完整的高性能AI计算解决方案。 我们诚邀各企业、高校及科研院所加入昇思MindSpore开源社区，成为社区合作伙伴，与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态。 更多合作需求 请扫码添加企业助手进行咨询 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1538/ --- 新闻 “创未来·享非凡”昇腾AI开发者创享日·天津站来喽，你准备好了吗？ # “创未来·享非凡”昇腾AI开发者创享日·天津站来喽，你准备好了吗？ 2022/06/07 # “创未来·享非凡”昇腾AI开发者创享日·天津站来喽，你准备好了吗？ **_2022年6月11日_** **_昇腾AI开发者创享日·天津站_** **_将于天津海河悦榕庄酒店_** **_重磅启幕_** 本次活动由**河北区人民政府、华为技术有限公司、天津人工智能学会**主办，邀请了人工智能领域顶尖专家、知名企业代表、技术KOL参与，可以与技术大咖面对面切磋探讨，以及各种惊喜彩蛋，**你准备好了吗？** **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1549/ --- 新闻 华为伙伴暨开发者大会2022 | 请查收开源活动观看指南 # 华为伙伴暨开发者大会2022 | 请查收开源活动观看指南 2022/06/14 # 华为伙伴暨开发者大会2022 | 请查收开源活动观看指南 大会开启 就在明天 快来跟随开源航司探索开源亮点 华为伙伴暨开发者大会2022开源全知道 **关注B站【**MindSpore官方**】** **6月16日14:00-14:45昇思MindSpore专题** **期待与你相遇** **！！扫码关注直播！！** **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1550/ --- 新闻 MSG企业行 | 6月25日，一起来探索湖南省创新成长企业的发展新模式 # MSG企业行 | 6月25日，一起来探索湖南省创新成长企业的发展新模式 2022/06/14 # MSG企业行 | 6月25日，一起来探索湖南省创新成长企业的发展新模式 随着人工智能技术的不断发展，各种AI产品已经逐步进入了我们的生活，人工智能与人类协作飞速发展，我国越来越多的企业也正因智能化的转型升级而不断发展并从中受益。 **1** **MSG企业行·长沙站 暨昇腾AI大赛路演活动** 昇思MindSpore开源社区联合昇腾人工智能计算中心、长沙信息产业园管理委员会主办，湖南省人工智能协会、知名媒体CSDN协办，于**2022年6月25日（周六）**在**长沙**举办**MSG企业行·长沙站暨昇腾AI大赛路演活动**。 本次活动面对湖南省AI人工智能领域开发者提供技术分享，通过技术赋能与开发上手实操构筑深度交流平台，共同推动湖南省人工智能产业生态的发展，探索湖南省创新成长企业的发展新模式。 如果你对企业的智能化转型升级、AI技术产品搭建、人工智能产业生态的发展等有浓厚兴趣，欢迎你来与我们一同交流与探索，共同AI科技企业的发展！ **2** **参与方式** **【活动时间】** **2022年6月25日（周六）14:00-17:00** **【活动地点】** **长沙高新区芯城科技园2栋7层柳枝行动路演厅** **【直播平台】** **BiliBili【MindSpore官方】** **【报名参与】** **扫描下方二维码报名！** ****3** **关于企业行**** ****MSG企业行**** **MindSpore Study Group** **昇思MindSpore聚焦各地核心科技板块，汇聚企业核心技术骨干，与企业深入交流与分享，拓展AI类企业生态，服务企业超过5000家，涉及端边云全场景行业，支撑两大产业联盟成立，打造开发共赢的产业生态圈。** ****往期MSG快速通道**** **MSG企业行·廊坊站暨京津冀人工智能产业对接会成功举办！** **MSG企业行·NLP专场成功举办，昇思MindSpore引领创新成长型 AI 企业迈向更大的舞台** **4月27日，MSG行研会技术研习班在武汉成功召开** ****更多合作交流**** **我们诚邀各企业、高校及科研院所加入昇思MindSpore开源社区，成为社区合作伙伴，与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态。** **更多合作需求** **请扫码添加企业助手进行咨询** ****MindSpore官方资料**** ****官方QQ群** : 486831414** ****官网**：https://www.mindspore.cn/** ****Gitee** : https : //gitee.com/mindspore/mindspore** ****GitHub** : https://github.com/mindspore-ai/mindspore** ****论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html** --- https://www.mindspore.cn/news/zh/1551/ --- 新闻 华为伙伴暨开发者大会2022 | 昇思MindSpore高校分会场发起群聊 # 华为伙伴暨开发者大会2022 | 昇思MindSpore高校分会场发起群聊 2022/06/15 # 华为伙伴暨开发者大会2022 | 昇思MindSpore高校分会场发起群聊 **华为伙伴暨开发者大会2022** **6月16日**，昇思MindSpore将在**哈尔滨工程大学**、**中山大学深圳校区**、**西安邮电大学**、**厦门大学翔安校区**4所高校同步开启MindSpore训练营，期待与你相遇。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1553/ --- 新闻 壁仞科技加入昇思MindSpore开源社区，聚焦云端通用智能计算 # 壁仞科技加入昇思MindSpore开源社区，聚焦云端通用智能计算 2022/06/13 # 壁仞科技加入昇思MindSpore开源社区，聚焦云端通用智能计算 近日，**上海壁仞智能科技有限公司**（以下简称“壁仞科技”）签署CCLA（Corporate Contributor License Agreement，企业贡献者许可协议书），正式加入昇思MindSpore开源社区。 **壁仞科技** 壁仞科技创立于2019年，致力于研发原创性的通用计算体系，建立高效的软硬件平台，同时在智能计算领域提供一体化的解决方案。从发展路径上，壁仞科技将首先聚焦云端通用智能计算，逐步在人工智能训练和推理、图形渲染等多个领域赶超现有解决方案，实现国产高端通用智能计算芯片的突破。 2022年3月31日，壁仞科技首款通用GPU芯片BR100系列一次点亮成功，在核心性能设计标准上，BR100系列是国内算力最大的通用GPU芯片。 **壁仞科技&昇思MindSpore** 昇思MindSpore是新一代全场景AI框架，支持端、边、云全场景灵活部署，开创全新的AI编程范式，降低AI开发门槛，旨在实现开发友好、运行高效、部署灵活三大目标，同时着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 壁仞科技加入昇思MindSpore社区，将进一步繁荣昇思生态，双方将深化社区项目合作，共同打造创新性产品及解决方案，推动云端通用智能计算与人工智能应用的结合。 未来，双方将与更多的昇思社区伙伴一起，通过更专业、更高效的合作共同推进行业应用落地，构建繁荣的人工智能产业生态圈。 我们诚邀各企业、高校及科研院所加入昇思MindSpore开源社区，成为社区合作伙伴，与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态。 更多合作需求 请扫码添加企业助手进行咨询 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1554/ --- 新闻 MSG企业行·廊坊站暨京津冀人工智能产业对接会成功举办！ # MSG企业行·廊坊站暨京津冀人工智能产业对接会成功举办！ 2022/06/13 # MSG企业行·廊坊站暨京津冀人工智能产业对接会成功举办！ \*\*6月12日下午，MSG企业行·廊坊站暨京津冀人工智能产业对接会成功举办。\*\*会议围绕廊坊市人工智能产业发展环境、河北人工智能计算中心一中心四平台能力、昇思MindSpore框架与运营、人工智能在各行业应用等方面进行交流。 本次活动由廊坊市人民政府、昇思MindSpore开源社区主办，廊坊市工业和信息化局、廊坊经济技术开发区管委会、河北智能计算科技有限公司、华为技术有限公司承办。 会议采用线上线下结合方式开展，网易网络有限公司、达闼机器人、白海科技有限公司、软通智慧科技有限公司、道刻智能有限公司等50余家企业线上参会，网易、CSDN、B站同步直播，现场引流参会量超过54万人次。 随着京津冀协同发展深入实施，大力推进数字廊坊建设，以人工智能为代表的数字经济实现蓬勃发展，当下的廊坊，正以独特的区位优势、产业优势、环境优势展现出广阔的发展前景。 “本次‘企业行’活动走进廊坊，将有力推动京津冀地区千行百业智能升级，促进人工智能最新成果转化落地应用，加速产业智能化、高质量发展。” **廊坊市工业和信息化局局长董丽萍**说，下一步，将与华为公司等企业共同携手，集聚智慧，依托河北人工智能计算中心，广泛开展技术交流合作，促进人工智能跨地域、跨领域、跨行业发展，推动人工智能最新成果在廊坊率先“试水”，努力打造京津冀人工智能产业发展的新高地。 **廊坊开发区投资促进和招商合作局副局长李江平**分别从开发区基本情况、产业发展、政策基金、人力资源、公共服务五个方面介绍了廊坊开发区的人工智能投资环境。 李江平说：“廊坊开发区拥有雄厚的科技研发和创新能力，积极推动人工智能产业发展，不断打造高品质、全国一流的营商环境，我们将以更加开放的胸襟拥抱人工智能产业、以更富创新的探索激活人工智能产业、以更具包容的生态培育人工智能产业。” 河北人工智能计算中心于今年2月落户廊坊开发区，**CTO韩祥永**表示，河北人工智能计算中心围绕“一中心四平台”，致力于结合华为生态体系，打造开放算力与生态创新平台，提供普惠、安全、新型的创新资源与创新服务，营造优异的创新环境；端到端打通“政”“产”“学”“研”“用”全产业链，以AI算力集群赋能产业集群，使能千行百业智能化转型，遍布互联网、能源、金融、公共、交通、运营商、制造、教育等更多行业应用。 **华为昇思MindSpore开源生态总监胡晓曼**分享了关于昇思MindSpore框架与社区运营介绍。 昇思MindSpore是华为开源的一款全场景AI框架，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 活动中，网易网络、白海科技、道刻智能、Magic Data、达阀机器人、软通智慧等六位企业代表分别从虚拟人行业、AI智能开发平台、智能文档处理、云端机器人应用与开发等方面分享了人工智能在各行业落地解决方案。 **网易伏羲虚拟人方向技术负责人侯杰**，分享了《网易伏羲虚拟人行业落地解决方案》。 **白海科技创始人兼CEO卢亿雷**，分享了《云原生AI智能开发平台IDP, 加速企业AI创新》。 **道刻智能人工智能顾问李曙光**，分享了《智能文档处理（IDP）技术介绍及其在RPA行业的应用》。 **Magic Data创始人兼CEO张晴晴**，分享了《浅谈以数据为中心的人工智能》。 **达闼机器人有限公司产品副总裁王斌**，分享了《云端机器人应用与开发》。 **软通智慧技术工程院副院长**，分享了《AI在城市事件中的应用》。 人工智能技术作为新一轮产业变革核心驱动力，在加快产业升级、经济转型、社会治理上起到尤其重要的作用。下一步，廊坊市将依托河北人工智能计算中心，积极引进人工智能产业链上下游企业，通过产业聚集推动人工智能产业发展壮大，加快“数字廊坊”建设。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1559/ --- 新闻 太原理工大学加入昇思MindSpore社区，共建AI开源生态 # 太原理工大学加入昇思MindSpore社区，共建AI开源生态 2022/06/16 # 太原理工大学加入昇思MindSpore社区，共建AI开源生态 近日，**太原理工大学**签署CCLA（Corporate Contributor License Agreement，企业贡献者许可协议书），正式加入昇思MindSpore开源社区。 **太原理工大学** **太原理工大学**是一所历史悠久、底蕴深厚、特色鲜明的世纪学府，坐落于具有2500多年建城史的国家历史文化名城——太原。其前身是创立于1902年的山西大学堂西学专斋，为中国创办最早的三所国立大学堂之一。 学校以工为主、理工结合、多学科协调发展，涵盖理学、工学、经济学、法学、教育学、文学、管理学、艺术学等8个门类，设有24个专业学院、1个中外合作办学学院（筹）。现有明向、迎西、虎峪、柏林等四个校区，占地面积213万平方米，校舍总建筑面积169万平方米。 **太原理工大学&昇思MindSpore** 太原理工大学设有数据科学与大数据技术、机器人工程、人工智能、智能感知工程等多个与AI及海量数据处理方面的专业，加入昇思MindSpore开源社区后，将立足国产开源软硬件系统，开展教学和人才培养，为下一代AI和大数据人才建设国内良好的开源生态。 同时，作为校内对接单位，太原理工大学光电工程学院智能光学成像实验室将立足昇思MindSpore框架及昇腾AI处理器，面向天文及空间海量数据处理、光电系统数字孪生等应用场景，开发创新的全栈国产自主可控技术，助力天文、空间科学、应用光学等领域的发展，促进国内相关基础研究。 我们诚邀各企业、高校及科研院所加入昇思MindSpore开源社区，成为社区合作伙伴，与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态。 更多合作需求 请扫码添加企业助手进行咨询 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1561/ --- 新闻 何以解忧，唯有【安全】 # 何以解忧，唯有【安全】 2022/06/17 # 何以解忧，唯有【安全】 最近一系列社会负面事件纷纷冒出，在疫情尚在肆虐的当口，这些事件的出现让众多网友破防甚至愤怒。 为什么愤怒？因为代入感太强了。无疑，我们的大环境是相对安全的，正是如此我们才能在忙碌一天之后，大晚上抽空放心地和朋友出去小聚放松；在图书馆学习时，才敢随时起身去上个厕所。被打、被投异物、被偷拍……众目睽睽之下，下一个会不会轮到自己？ 面对公共安全这个全民关心的问题，何以解忧？是舆论发酵之后，派特警把守烧烤摊吗？这显然有些矫枉过正，不仅浪费警力也让民众娱乐变了味。 网上不乏对弱势群体的安全建议，但好人的谨小慎微并不是歹人作恶的红灯。提高作恶的代价和公共约束力，无论是在不起眼的角落还是在人群熙攘的场所，都能让潜在的危险和恶势力有所忌惮、无处遁形，这或许才能让民众对所居城市更加放心。 进入到数据时代，**视频监控与AI**的结合是提高城市约束力的得力武器。从事件的识别到上报示警，从信息化升级到智能化、智慧化，AI智能摄像机将极大地改善纯人眼监管的力不从心，降低更多潜在危险事件恶化的可能性。 那么，昇思MindSpore在智慧监控领域有哪些应用呢？我们一起来看看吧。 （以上部分图片来源于网络） 视频+AI凭借丰富且准确的场景算法，结合大数据分析，大大提升了发现违法事件的效率。无论是在改善城市面貌还是在提升城市安全性方面，AI的运用都让城市治理愈发精细化、科学化。 希望AI+视频监管的强力结合模式能得到更全面地推广，从公共场所到街道一隅，“城市之眼”都能发挥监控约束的作用，让民众更舒心放心，让社会的发展充满活力。 为此，昇思MindSpore也会持续完善版本技术，以便更好地服务于城市管理、服务于民众安全。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1566/ --- 新闻 四川大学计算机学院与华为基于昇腾共建多模态动物监测可视化算法平台 # 四川大学计算机学院与华为基于昇腾共建多模态动物监测可视化算法平台 2022/06/17 # 四川大学计算机学院与华为基于昇腾共建多模态动物监测可视化算法平台 **多模态动物监测可视化算法平台** 近日，**四川大学计算机学院与华为在川大黄大年茶思屋正式达成合作意向**。双方将以**全场景AI框架昇思MindSpore**的动物音视频融合特征识别基础模型\*\*“蓉城.熊猫”**为核心，**基于昇腾AI**，共建**多模态动物监测可视化算法平台\*\*，它可对大熊猫、红熊猫、金丝猴、藏牦牛等多种动物产生的海量数据进行实时记录、分析与管理，为生态保护、现代农业和畜牧业的智能化升级转型助力。 四川大学计算机学院副院长赵启军教授，昇思MindSpore产品总监田昆阳，成都昇腾人工智能生态创新中心CTO刘松等共同出席此次合作洽谈会。 \*\*生态保护是国家的重大战略之一，而野生动物的保护又是生态保护中不可或缺的重要组成。\*\*现已建立的国家公园体制试点区有10余个，包括东北虎豹、祁连山、大熊猫、三江源、海南热带雨林、武夷山、神农架、普达措、钱江源、南山等，涉及12个省份，总面积超过22万平方公里，约占中国陆域国土面积的2.3%。 **传统的野生动物监测和保护手段**存在诸多问题，比如人工监测耗时长、成本高、时效性差等。此外，对动物来说采用电子标识的监测方式也非常不友好，存在很大弊端。**因此，具备强实时性、高准确率且让动物无感知的监测算法**，可以弥补传统监测方式的诸多不足。 此次川大计算机学院与华为达成的合作意向就是**基于昇腾AI特别是全场景AI框架昇思MindSpore**开发的**通用动物特征识别算法**，实现对动物的多样性监测保护；**核心**是利用AI多模态融合技术，对动物的多模态特征，如音频、视频、图像、体态等进行精准识别，并用于个体识别、群体计数、生命状态监测等多样化场景中。 **四川大学计算机学院副院长赵启军教授**表示： 在数字技术推动生态保护的探索之路上，\*\*基于昇腾的基础模型“蓉城.熊猫”\*\*就是四川大学项目研究团队与华为共同寻找到的最佳契合点与发力点。 **以蓉城.熊猫为核心的多模态动物监测可视化算法平台，在昇腾AI特别是昇思MindSpore的加持下**，能显著提高野生动物监测的实时性、安全性与友好性，这对加速野生动物保护将起到关键作用。 也正是看到了AI技术的巨大优势与潜力，四川大学计算机学院**已将昇思MindSpore的相关课程纳入到本科教学体系中**，以期推动人工智能和教育深度融合，力争打造新一代人工智能人才培育高地。 **昇思MindSpore产品总监田昆阳**表示： 首先就生态价值而言，对大熊猫、红熊猫、金丝猴、藏牦牛等多种野生动物的保护是维护生态系统可持续发展的重要举措。 同时，在生态保护行业，AI技术的加入是一种赋能，可显著提高动物保护研究和行动的效率，也能通过数字化更好地关联和整合行业内分散的资源。 高校、科研院所、企业、生态保护机构等多方携手，将加速推动端到端方案的落地以及产业化的成熟。**四川大学团队有扎实的学术科研功底，华为依托昇腾AI基础软硬件平台的底层技术支撑**，双方结合动物个体识别多场景化的真实需求，在践行生态保护的事业中一定能做出亮眼成绩。 昇腾AI产业的发展进入全面升级的新阶段，华为将携手四川大学计算机学院等合作伙伴一起，凝聚各方智慧，不断突破向上，以人工智能技术带动数字经济腾飞，使能千行百业智能化升级，共同推进中国人工智能产业发展。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1568/ --- 新闻 云客加入昇思MindSpore开源社区，深度探索ASR、 NLP技术在客户沟通场景中的应用 # 云客加入昇思MindSpore开源社区，深度探索ASR、 NLP技术在客户沟通场景中的应用 2022/06/20 # 云客加入昇思MindSpore开源社区，深度探索ASR、 NLP技术在客户沟通场景中的应用 近日，\*\*北京联云天下科技有限公司（简称：云客）\*\*签署CCLA（Corporate Contributor License Agreement，企业贡献者许可协议书），正式加入昇思MindSpore开源社区。 **云客** 北京联云天下科技有限公司（简称：云客）成立于2015年，是一家专注为企业提供销售全流程管理数字化解决方案的服务商。 自成立以来一直专注于销售领域，对销售过程和行为有着深刻的理解；利用人工智能+大数据提供潜在客户信息，并为企业提供定制化销售预测智能解决方案。 云客自主研发云客手机、微小助、外呼系统、企微SCRM及分销裂变等产品，依托互联网，通过云的方式，为企业客户提供项目托管式服务和软件服务（SaaS），做到管理提升数字化，效率提升自动化，外呼支持集成化，客户运营规范化，成交转化体系化，帮助企业销售构建（管理+赋能+运营+成交）的全场景产品体系。 云客从销售及销售管理者两端出发，依托于自主研发的云客手机串联起企业的业务场景，打通营销获客、转化跟进、客户管理、销售管理等各个环节，帮助企业实现企业与客户销售全过程的数字化、智能化，帮助提升销售工作效率，深化企业销售管理。 成立至今，云客已获得英诺天使基金、隆领投资、磐谷投资及天九共享集团等多家投资机构的投资，累计服务教育、房地产、金融、企业服务等不同行业的上千家客户，在北京、上海、南京、深圳等多地设立直营公司，是销售全流程管理领域的先行者。 **云客&昇思MindSpore** 云客深度研发ASR语音识别及NLP语义理解技术，通过将ASR、NLP运用在AI质检风控、AI辅助赋能、AI替代人工等实际的客户沟通场景中，来提升全量会话数据能力与各个维度（商务，产品，业务场景等）的沟通技巧，集中管理营销话术，智能引导回复，实现标准营销；对沉淀录音及微信内容分析，提取优秀话术，提升销售团队整体战斗力，提升销售线索转化率；通过每次会话的总结、提炼、数据分析，掌握商机跟进节奏；精准识别违规行为，规避风险，规范员工行为。 云客加入昇思MindSpore社区，将进一步繁荣昇思生态，双方将进深化双方社区项目合作，共同打造创新性产品及解决方案。 未来，云客期待与更多的昇思社区伙伴一起，借助于昇思MindSpore的深度学习技术创新改进产品，通过更专业、更高效地合作共同推进行业应用落地，构建繁荣的人工智能产业生态圈。 我们诚邀各企业、高校及科研院所加入昇思MindSpore开源社区，成为社区合作伙伴，与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态。 更多合作需求 请扫码添加企业助手进行咨询 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1569/ --- 新闻 昇思MindSpore精品课程众智任务，邀你共同打造AI世界的大门 # 昇思MindSpore精品课程众智任务，邀你共同打造AI世界的大门 2022/06/21 # 昇思MindSpore精品课程众智任务，邀你共同打造AI世界的大门 **昇腾众智计划—昇思课程 2022** **昇腾众智计划**是华为围绕昇腾基础软件平台推出的一项生态合作计划，旨在汇聚高校、科研院所、企业等组织和机构的开发团队，通过项目合作方式，基于昇腾基础软硬件平台开发算子、网络模型及行业参考设计，不断丰富昇腾计算产业生态，为加速千行百业智能化升级贡献智慧与力量。 截止21年底，已有**80所**高校/科研院所，**300多个**老师团队参与。2022年规划投入**2亿**RMB 激励基金，众智任务和激励基金相比21年翻倍增长。 昇思MindSpore欢迎各位高校教师参与昇思精品课程众智计划。昇思MindSpore旨在增加计算机视觉、自然语言处理、语音信号处理、强化学习、分布式机器学习、移动视觉等关键 AI 领域的精品课程，满足高校教学和人才培养的需求。 **1 项目要求** - 任务对象：高校教师 - 语言要求：Python、C++ - 专业知识：深度学习、模型开发 - 验收要求： 课程内容需覆盖MindSpore的基础理论介绍、应用开发指导；读者能掌握基于MindSpore的基本概念、理解MindSpore的架构设计理念，学会使用开发工具进行MindSpore入门案例开发 **2 参与流程** **1、提出申请** 请依据合作项目列表相关信息，结合您自身的情况，填写对应信息。 **2、审核** 我们将在15个工作日内评估审核您提交的材料与所申请项目匹配度。 **3、线下签约** 通过审核后，我们会与您联系，详谈合作事宜，双方达成一致后，与您签订合同，开始项目开发。 **4、项目开发** 1\. 提供项目迭代开发的计划表，以及各个交付件的计划交付时间； 2\. 完成项目设计，我们参与完成设计评审； 3\. 依据设计，迭代开发代码； 4、我们将在项目开发的各个阶段为合作伙伴提供技术专家辅导和开发环境。 **5、验收&结项付款** 开发完成后，请您按照提交要求，提交所有交付件，我们将验收您的交付件。验收通过后，进行结项付款。 **3 任务详情及认领** **扫描下方二维码** **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1571/ --- 新闻 千合资本加入昇思MindSpore开源社区,引领金融行业AI技术创新发展 # 千合资本加入昇思MindSpore开源社区,引领金融行业AI技术创新发展 2022/06/22 # 千合资本加入昇思MindSpore开源社区,引领金融行业AI技术创新发展 近日，\*\*千合资本管理有限公司（简称：千合资本）\*\*签署CCLA（Corporate Contributor License Agreement，企业贡献者许可协议书），正式加入昇思MindSpore开源社区。 **千合资本** 千合资本管理有限公司（简称“千合资本”）成立于2012年9月28日，2014年8月21日在中国证券投资基金业协会备案登记为证券类私募基金管理人，主要从事受托资产管理、投资管理业务。 公司专注于国内外证券市场的研究和投资，秉承价值投资理念，以追求绝对收益为目标，在完善内控的同时，通过运用多样化的金融工具和投资技术，构建共享、创新、和谐、共赢的投研体系，为投资者提供专业、高效的资产管理服务。 公司投研团队均来自国内外知名学府及大中型券商和基金公司，核心人员累积二十余载证券投资经验，已经形成完整的具备自身特色的资本市场投资逻辑与分析框架体系。 **千合资本&昇思MindSpore** 千合资本加入昇思MindSpore社区后，将进一步繁荣昇思生态，深化双方社区项目合作，在云计算、人工智能、机器学习、NLP等技术中共同打造创新性产品及解决方案。 未来，千合资本期待与更多的昇思社区伙伴一起，将人工智能技术与金融业务相结合，通过更专业、更高效地合作共同推进基金行业中AI技术的应用落地，构建繁荣的人工智能产业生态圈。 我们诚邀各企业、高校及科研院所加入昇思MindSpore开源社区，成为社区合作伙伴，与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态。 更多合作需求 请扫码添加企业助手进行咨询 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1572/ --- 新闻 【卓越工程师产教融合实践课程】第1期 领航华为课程——《AI开源计算系统前沿技术》 # 【卓越工程师产教融合实践课程】第1期 领航华为课程——《AI开源计算系统前沿技术》 2022/06/21 # 【卓越工程师产教融合实践课程】第1期 领航华为课程——《AI开源计算系统前沿技术》 为深入贯彻落实习近平总书记在中央人才工作会议上的重要讲话精神，探索形成中国特色、世界水平的卓越工程师培养体系，实施卓越工程师培养改革行动，总结凝练推广我校专业学位研究生校企联合实践课程建设项目的好经验、好做法，发挥优秀课程示范引领和辐射带动作用，特推出\*\*“实践讲堂”“领航华为实践课程”系列介绍\*\*，以期交流借鉴，共促提升，建设一批高质量产教融合实践课程。 \*\*“领航华为课程”\*\*于2022年1月启动建设，是北航与华为公司围绕具体工程问题、打破学科专业壁垒、共商共建的产教融合课程共同体。北航教师与华为知名专家共同组建授课团队、共同设计课程体系，讲授产业界先进技术及实际案例，注重研究生思维方法、创新精神、实践能力和工程伦理的培养。已于2022年春季学期首批开设9门课程，2022-2023学年计划开设10门课程。 **课程背景** 随着人工智能技术在社会中的广泛应用，AI计算系统成为国家管理、国防安全、社会治理的核心支柱，我国需要尽快形成自主可控的AI开源计算系统并培育领域紧缺人才。目前国内该市场，华为是唯一能提供软硬件协同设计解决方案的供应商。华为以“**打造国产AI根技术和根社区**”为愿景，构建昇思MindSpore架构，其是全场景按需协同的新一代自研AI框架，并于2020年在码云开源，支撑原子开源基金会的鸿蒙生态。昇思MindSpore是自主可控的全场景AI计算系统，定位于促进我国实现AI领域技术领先、避免框架卡脖子的产业解决方案。通过华为昇思MindSpore与华为昇腾AI处理器的协同优化，突破了运行态的高效难题，实现世界一流的AI计算性能：形成了全球首个中文NLP大模型“鹏程·盘古”、全球首个三模态大模型“紫东·太初”，发布电磁仿真Elec、分子模拟SPONGE两大AI+科学计算套件，业务服务地方政府防疫、工商银行金融服务、海尔智能制造等。 **课程简介** 《AI开源计算系统前沿技术》课程汇聚华为中央软件研究院昇思MindSpore的首席科学家以及一批高水平专家，基于华为先进的AI计算框架研究优势和实践经验，配套优质的课程资源、实验环境和一站式平台。课程主要开展AI开源系统前沿技术讲座，依托华为的ModelArts在线实训环境，从理论宣讲到技术实践全面覆盖，全面提升学生对于AI开源计算系统前沿知识的理解和技能掌握，培育国产AI平台紧缺人才。 **授课教师团队** 华为授课教师来自昇思MindSpore团队。陈雷，IEEE Fellow，ACM杰出科学家，海外杰青，华为昇思MindSpore首席科学家，香港科技大学计算机系讲座教授。于璠，华为昇思MindSpore首席算法科学家，哈尔滨工业大学客座教授，2020 OSCAR开源人物。华为MindSpore高级布道师团队成员包括苏腾博士、张任伟博士、王泽博士、刘红升博士、王俊博士、王聪博士、温凯博士、龚玥工程师、胡恩瑞工程师等，团队成员在大数据、图计算、科学计算等领域具有多年工程经验和技术实力，有在全国70多所智能基座高校进行联合课程建设和创新实践课建设的丰富经验。 校内教师团队由计算机学院李建欣教授、软件学院周号益助理教授负责。 **课程设计** 课程以昇思MindSpore在各个领域的关键成果以及核心技术为主题，通过一线技术开发专家进行多个专题的讲解和操作实践，系统化介绍大数据AI计算框架的设计理念及核心技术点，着重对于基础知识的扩展，帮助学生理解计算框架的底层开发原理、增强学生对实际案例的设计处理能力。一共设计15种不同类的课程实践，每个课题都配备华为AI平台资源，引导学生加入华为开源社区Sig小组进行真实开发，鼓励学生提交代码到MindSpore开源生态。 课堂实践环境示例 课程于2022年春季学期首次开课，以线上结合线下展开的方式，整个学期旁听累计超过300人次。华为团队为每堂课配备答疑专家，延伸课堂未详细阐述细节，受到学生广泛好评。 部分课程答疑问答记录 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1578/ --- 新闻 同济大学专场 | 超实战全干货！昇腾AI“MindSpore开源创新实践”课程即将开讲！ # 同济大学专场 | 超实战全干货！昇腾AI“MindSpore开源创新实践”课程即将开讲！ 2022/06/23 # 同济大学专场 | 超实战全干货！昇腾AI“MindSpore开源创新实践”课程即将开讲！ 为帮助学生了解华为AI开发框架**昇思MindSpore**，更好地掌握基于昇腾AI平台的开发训练和推理应用流程，**华为昇腾计算领域联合同济大学，将于7月20日-7月21日在线举办“《MindSpore开源创新实践》创新实践课同济大学专场”培训。** 通过四个关卡理论学习、五个关卡的实战学习，体验昇思MindSpore在计算机视觉方向上的应用，让学生快速掌握昇腾AI相关技术，提升AI开发能力。 **《MindSpore开源创新实践》创新实践课** 两天在线课程将为同学们提供一个近距离接触昇腾AI技术的机会。 **7月20日**，我们将从昇思MindSpore开源框架理论介绍起，并基于昇思MindSpore进行鸢尾花分类实验、及MNIST手写体识别实验。 **7月21日**，我们将介绍图像分类常用模型的架构，带领大家动手利用经典模型完成毒蘑菇图像识别任务。同时还将学习迁移学习及移动端部署的相关知识，完成昇思MindSpore Lite垃圾分类实验（训练+部署）。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1579/ --- 新闻 中科星图与华为达成合作丨基于昇腾AI，推动我国空天信息产业蓬勃发展 # 中科星图与华为达成合作丨基于昇腾AI，推动我国空天信息产业蓬勃发展 2022/06/24 # 中科星图与华为达成合作丨基于昇腾AI，推动我国空天信息产业蓬勃发展 **共建遥感智能开源生态** 2022年6月21日下午，**中科星图与华为在北京华为会展中心正式签署合作协议**，将**基于昇腾AI**，**以全场景AI框架昇思MindSpore为核心**，打造**遥感领域智能化处理与应用的AI解决方案**，共建自主创新的天临空地一体化遥感智能开源生态，以科技创新推动我国空天信息产业蓬勃发展。 中国科学院空天信息创新研究院（以下简称“空天院”）副院长、中科星图董事长付琨，中科星图副董事长兼总裁、星图地球董事长邵宗有，华为北京总经理张东亚，华为昇腾计算副总裁田昆阳等领导出席签约仪式。 中科星图高级副总裁、星图智慧董事长陈伟、华为北京政企业务总经理宋保民作为双方代表完成签约，中科星图副董事长兼总裁、星图地球董事长邵宗有，华为北京公司总经理张东亚见证签约。 （中科星图与华为签约现场） 根据协议，双方约定将基于昇腾AI，以全场景AI框架昇思MindSpore为核心，围绕政府、企业、大众等领域用户，面向智慧城市、智慧乡村、智慧农业、智慧林业、智慧应急、智慧交通等行业应用，合作打造标杆项目；依托GEOVIS数字地球和昇腾AI基础软硬件平台，合作共建天临空地一体化遥感智能开源生态。 **1** **华为北京总经理张东亚**在签约仪式的致辞中表示： 当前我国科技事业已实现重大发展，但科研创新与产业应用之间仍存在诸多断点。华为希望通过与中科星图的密切合作，探索出一条打通断点并能促进大模型产业化落地之路，即围绕遥感领域的大规模预训练模型，打通产学研用，促进产业伙伴直接用大模型孵化行业应用，实现产业汇聚，赋能产业发展。 （华为北京总经理张东亚致辞） **2** **空天院副院长、中科星图董事长付琨**表示： 中科星图是空天院投资的国有控股高新技术企业，公司聚焦国家战略需求，形成覆盖空天信息产业全链条的GEOVIS数字地球应用生态。 华为则聚焦研发，持续加大在ICT基础设施、智能终端、数字能源、云业务等领域的科技创新，在技术攻关与产品研制方面树立了行业标杆。此次中科星图与华为的合作，将为推动中国空天信息产业发展注入强力。 （空天院副院长、中科星图董事长付琨致辞） **3** **中科星图副董事长兼总裁、星图地球董事长邵宗有**在讲话中强调： 数字地球是打通天上卫星资源与地上行业应用的承载平台，能支撑空天信息技术的创新与应用，在数字经济中起到“底座”的作用。 中科星图拥有自主研发的GEOVIS数字地球产品，将面向政府、企业及大众市场，以互利共赢、积极活跃、可持续发展的氛围与华为展开深度合作，紧抓时代发展机遇，为数字经济社会高质量发展助力。 （中科星图副董事长兼总裁、星图地球董事长邵宗有致辞） **4** **华为昇腾计算副总裁田昆阳**表示： 在深圳、武汉、西安等城市的实践及多方交流中，我们有两点思考。第一，大算力+大数据，可使能大模型，进而孵化新应用；第二，通过打通AI技术到行业应用的断点、以及AI技术生态与商业生态之间的断点，可使能人工智能快速落地。 本次合作中，华为将基于昇腾AI特别是昇思MindSpore框架，协同中科星图积极探索基础模型产业化落地，推动在自然资源、交通等领域快速落地应用，并合作共建天临空地一体化遥感智能开源生态。 （华为昇腾计算副总裁田昆阳致辞） 风好正是扬帆时，不待扬鞭自奋蹄。在中科星图与华为双方共同的努力下，昇腾AI势必将在遥感智能化和产业化中得到广泛应用，天临空地一体化遥感智能开源生态将因此更加繁荣。 **关于中科星图** 中科星图股份有限公司创立于2006年，2020年7月在科创板上市，是中国科学院空天信息创新研究院投资的国有控股高新技术企业。 公司将大数据、云计算和人工智能等新一代信息技术、地理信息技术与航空航天产业深度融合，自主研发形成了GEOVIS数字地球产品，覆盖空天大数据获取、处理、承载、可视化和应用等产业链环节，是面向“数字经济”“智慧城市”“精准扶贫”等国家重大需求的重要新兴软件平台，在国内数字地球行业具有领先地位。 公司面向政府、企业、特种及大众领域用户，提供以GEOVIS 数字地球产品为核心的软件销售和数据服务、技术开发服务、数字地球一体机和系统集成，促进了我国数字地球的产业化发展。公司秉承“创新、融合、奋斗、幸福”的企业价值观，以“天眼感知世界”为使命，致力于成为全球领先的空天大数据系统与服务的提供商。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1580/ --- 新闻 高原所、电子科大与华为基于昇腾AI共建国内首个大规模短临降水预测大模型 # 高原所、电子科大与华为基于昇腾AI共建国内首个大规模短临降水预测大模型 2022/06/25 # 高原所、电子科大与华为基于昇腾AI共建国内首个大规模短临降水预测大模型 近日，高原所、电子科大与华为正式达成合作意向。将基于昇腾AI，共建国内首个大规模短临降水预测大模型“蓉城.夔牛”，利用人工智能技术赋能气象领域，在自然灾害预警、重大社会活动等领域实现巨大社会价值。 中国气象局成都高原气象研究所蒋兴文所长，高原所研究员张成宏，电子科大计算机学院邵杰教授，华为昇思MindSpore产品总监田昆阳，成都昇腾人工智能生态创新中心CTO刘松等共同出席此次合作洽谈会。 短临天气预测与人们的日常生活息息相关。突发性极端天气来势汹汹又变化迅速，及时准确的短临天气预测能有效指导防灾减灾工作。 此次合作旨在通过提升人工智能、大数据等新技术与雷达、卫星等多源资料的结合水平，建成新一代短临天气预测服务技术体系，从而认识灾害性天气的精细科学规律，实现在重点地区的数值预报1公里分辨率和1小时刷新率。 **中国气象局成都高原气象研究所蒋兴文所长**表示： 近年来，因短临极端天气而引起的次生灾害频发，传统数值预报模式在预报频次和提前量上存在一些瓶颈，高原气象研究所一直致力于将气象与人工智能相结合，解决这些问题。 **基于昇腾AI特别是全场景AI框架昇思MindSpore，依托成都智算中心的强大AI算力，与电子科大、华为共同打造的国内首个大规模短临降水预测大模型“蓉城.夔牛”**，能显著提升预测的频次、提前量和准确率，为预防灾防害预留时间窗口。 除了在降雨预报的应用外，大模型在温度、压力、湿度、风速、风向上的预测也是可探索的方向，未来在能源，制造、交通、城市防灾减灾等领域将大有可为。 **电子科大计算机学院邵杰教授**表示： \*\*电子科大计算机学院一直是昇思MindSpore的生态合作伙伴，参与了包括众智计划、论文基金等多个生态项目，培养了一批能够熟练使用昇腾AI的基础型AI人才。\*\*通过人才来加速科研和丰富生态，在区域内形成一个良性的生态闭环，这其中“蓉城.夔牛”就是一个生动的例子。 计算机学院拥有扎实的人工智能科研能力和人才基础，高原所有丰富的气象数据和应用场景，再基于昇腾AI基础软硬件平台，将加速人工智能技术在气象领域最大程度的发挥作用。最终服务于普通民众，减少因短临天气带来的自然灾害造成的生命财产损失。 **昇思MindSpore产品总监田昆阳**表示\*\*：\*\* 首先，非常感谢电子科大和高原所对昇腾和昇思生态的认可与支持。 “蓉城.夔牛”的合作本身就很好的践行了昇腾的生态理念，集各家之所长解决短临天气领域的棘手问题，造福广大民众，拥有巨大的社会价值和生态影响力。 华为将持续秉承“硬件开放、软件开源、使能伙伴、发展人才”的理念，充分发挥昇腾AI基础软硬件平台的底层技术优势价值，和高校、科研院所、企业一起，为气象与AI的探索研究和产业化落地而努力。 相信依托电子科大丰富的人才资源和扎实的科研技术能力，高原所多年的气象领域知识和丰富的应用场景，借助成都智算中心的算力基础设施，“蓉城.夔牛”一定可以做出耀眼的成绩，孵化一批顶级的科研成果，解决一系列短临天气领域的技术瓶颈问题，进一步发挥短临天气预测技术在各行各业的应用价值。 昇腾AI产业的发展进入全面升级的新阶段，华为将携手高原所、电子科大等合作伙伴一起，凝聚各方智慧，不断突破向上，以人工智能技术带动数字经济腾飞，使能千行百业智能化升级，共同推进中国人工智能产业发展。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1583/ --- 新闻 2012 实验室全球软件技术峰会 # 2012 实验室全球软件技术峰会 2022/06/28 # 2012 实验室全球软件技术峰会 **\# 会议简介 #** 2012 实验室全球软件技术峰会是连接全球、探讨新技术、碰撞新思想、促进软件、软硬协同技术创新与架构突破的交流大会，由华为 2012 实验室软件分委会联合加拿大研究院、欧洲研究院及华为其他研究院举办。大会将邀请产业界和学术界顶级技术专家，围绕行业趋势和前沿技术，在软件平台化和生态化主题上开展深入讨论，携手推动软件扎到根、捅破天。 此次欧洲研究院专场是由华为欧洲研究所和中央软件研究所共同邀请合作伙伴和研究学者参加为期三天的开放会议，重点讨论操作系统、数据分析、编译器、编程语言、软件自主可信技术和云服务技术及相关主题的最新研究和发展，这些创新将构建未来的关键任务系统。 **主页地址：**https://huawei-events.de/en/gsts22.htm \*\*时间：\*\*2022 年 7 月 5 日 - 2022 年 7 月 7 日 (北京时间) **\# 注册方式** **注册地址**：https://huawei-events.de/en/gsts22-registration.htm _注册即有机会获得精美礼品，欢迎各位注册观看！_ **\# 分会场介绍 #** **欧洲-德国德雷斯顿 | 操作系统峰会** 时间：2022 年 7 月 5 日 - 2022 年 7 月 6 日 (北京时间) **欧洲-英国爱丁堡 | Data \*\*ytics (Search) & Compiler & PL 峰会** 时间：2022 年 7 月 6 日 - 2022 年 7 月 7 日 (北京时间) **欧洲-爱尔兰都柏林 | 软件自治可信技术与云服务技术峰会**时间：2022 年 7 月 7 日 (北京时间) **\# 会议议程 #** --- https://www.mindspore.cn/news/zh/1594/ --- 新闻 MSG企业行·长沙站暨昇腾AI大赛路演活动成功举办！ # MSG企业行·长沙站暨昇腾AI大赛路演活动成功举办！ 2022/06/27 # MSG企业行·长沙站暨昇腾AI大赛路演活动成功举办！ **MSG企业行****长沙站****精彩回顾** 2022年6月25日下午，**MSG企业行·长沙站暨昇腾AI大赛路演活动**在长沙高新区芯城科技园成功举办！会议围绕湖南省人工智能产业发展环境、长沙昇腾人工智能创新中心公共服务平台的运营、昇思MindSpore技术特性与应用案例、人工智能在各行业的技术应用与产业融合等方面进行交流。 **总体回顾** 本次活动由昇思MindSpore开源社区、华为技术有限公司、长沙信息产业园管理委员会主办，湖南省人工智能协会、知名媒体CSDN协办。 会议采用线下交流+线上直播的方式开展，湖南航天捷诚电子装备有限责任公司、长沙千博信息技术有限公司、湖南大学等 **60余家**企业、高校现场参会，昇思MindSpore官方B站、CSDN同步直播，现场引流参会超过**3万**人次。 长沙是国家新一代人工智能创新发展试验区的科创高地。为落实科技部国家新一代人工智能的战略意图，推进三高四新战略，高新区信产园管理委员会迅速启动了长沙人工智能创新中心的规划建设工作，当前进展顺利，计划在10月底正式上线运营，项目上线后，将提供公共算力服务平台，应用创新孵化服务平台，产业聚合服务平台，科研创新与人才培养服务平台。依托四平台的落地，长沙人工智能创新中心将成为长沙科技创新高地的重要推动力量。 本次“企业行”活动走进长沙，将有力推动湖南省人工智能在各行业领域的创新发展，促进创新成长企业的智能升级和高质量发展，加速人工智能+产业融合，赋能行业应用落地。 **议程回顾** **长沙人工智能创新中心COO唐勇**分享了华为在人工智能产业的战略规划、投入、成果，华为构建AI新生态的决心与能力以及长沙人工智能创新中心的定位与使命； **长沙人工智能创新中心CTO张晓龙**分享了长沙人工智能创新中心的组织阵型与职能，AI赋湘·智算未来以及昇腾AI创新大赛2022等，展示了华为促进生态繁荣，赋能千行百业AI转型的新画面。 **华为昇思MindSpore高级工程师Xavier**分享了昇思MindSpore框架技术特性与应用案例。 昇思MindSpore是华为开源的新一代全场景AI框架，支持端、边、云全场景灵活部署，开创全新的AI编程范式，降低AI开发门槛，旨在实现开发友好、运行高效、部署灵活三大目标，同时着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 **华为昇腾CANN架构师邓文彬**分享了面向未来的智能机器人和自动驾驶基础平台。 基于昇腾AI芯片和智能计算框架，设计商用且自主可控的智能应用框架，有针对性地对整体解决方案进行了软硬件联合设计和优化，打造有较强竞争力和自控可控的智能机器软硬件技术能力和生态系统，才能根本上促进国产智能机器产业长期竞争力增长和可持续发展。 **湖南航天捷诚AI产品线总监黄江峰**基于国产平台的人员轨迹及异常行为检测软、硬件方案及开发过程进行经验分享。 **马栏山计算媒体研究院院长高春鸣**分享了计算媒体SaaS平台与嵌入式人工智能服务。 **湖南大学副教授李庆鹏**基于机器人学院的产教融合实践，深度剖析了“双创”案例。各参会企业代表基于人工智能在各行业的技术应用与产业融合等方面进行了深度交流和探讨。 人工智能作为新一轮产业智能化升级的助推器，引领着未来各行业的技术升级和产业创新，其对创新型成长企业的技术赋能仍存在诸多挑战与期待！下一步，长沙市将依托长沙人工智能计算中心，积极引进人工智能产业链上下游企业，通过产业集聚赋能人工与产业融合，推动湖南省人工智能企业高质量发展。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1595/ --- 新闻 长春信息技术职业学院加入昇思MindSpore开源社区，通过AI赋能校企合作，构建繁荣人工智能产业生态！ # 长春信息技术职业学院加入昇思MindSpore开源社区，通过AI赋能校企合作，构建繁荣人工智能产业生态！ 2022/06/27 # 长春信息技术职业学院加入昇思MindSpore开源社区，通过AI赋能校企合作，构建繁荣人工智能产业生态！ 近日，**长春信息技术职业学院**签署CCLA（Corporate Contributor License Agreement，企业贡献者许可协议书），正式加入昇思MindSpore开源社区。 **长春信息技术职业学院** 长春信息技术职业学院（简称“长信学院”）是经吉林省人民政府批准、教育部备案、纳入国家统招计划内招生，具有独立颁发毕业证书资格的普通高校。 学院以信息技术为主，工、管、经综合发展，教学模式和人才培养工作得到了吉林省教育厅和教育部的充分肯定，分别于2010年9月、2015年9月顺利通过了教育部人才培养工作评估，2011年顺利通过了吉林省教育厅大学生思想政治教育工作评估。 长信学院推行“校企合作、工学结合”的培养模式，树立以服务为宗旨，以就业为导向，以特色求发展，以能力赢市场的办学理念，形成面向信息科技、面向高新企业输送人才的办学特色；强化学生实践动手能力的培养，为学生终身学习和发展打下坚实的基础。经过多年努力，形成校企联合培养，实现订单人才输送新模式。 长信学院现已成为一所多学科发展，具有优良办学条件和鲜明办学特色的普通高等院校。学院被长春市委宣传部、长春市高校工委连续六年授予“长春高校系统精神文明建设先进单位”、连续十年授予“长春高校文明杯竞赛优秀学生管理集体”，并先后荣获“中国民办高校就业示范100强”、“吉林省教育信息化工作先进单位”、“开源软件开发与应用能力测评试点单位”、“第六届吉林省互联网+大学生创新创业大赛优秀组织单位”、“第五届吉林省中华职业教育创新创业大赛优秀组织单位”、“第九届中国大学生创新方法大赛优秀组织单位”等荣誉称号。 **长信学院&昇思MindSpore** 长信学院加入昇思MindSpore开源社区后，计划依托校企合作资源，充分发挥大数据、人工智能、物联网等新一代信息技术专业优势，针对企业实际需求通过AI赋能，应用全场景AI框架昇思MindSpore实现边缘部署或云端部署。 未来，长信学院期待与更多的昇思社区伙伴一起，进一步深化双方社区项目合作，通过华为平台实现学生的二课堂技术和证书的补充或增值。并通过更专业、更高效地合作共同推进行业应用落地，构建繁荣的人工智能产业生态圈。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1596/ --- 新闻 助力“交通强国”战略，河北人工智能计算中心携手北京交通大学、华为完成”天佑大模型”合作签约 # 助力“交通强国”战略，河北人工智能计算中心携手北京交通大学、华为完成”天佑大模型”合作签约 2022/06/28 # 助力“交通强国”战略，河北人工智能计算中心携手北京交通大学、华为完成”天佑大模型”合作签约 \*\*2022年6月27日上午，轨道检测天佑大模型科研合作项目线上签约仪式在第一届河北·凤河国际人工智能高峰论坛成功举行。\*\*北京交通大学詹天佑学院副院长李清勇、华为昇腾计算业务副总裁田昆阳、河北智能计算科技有限公司董事长张斌完成线上签约。 本次三方合作致力于基于**昇腾AI**和**昇思MindSpore AI框架**的人工智能平台，将其应用于轨道基础设施智能运维场景，支撑国家“交通强国”战略的场景化落地，促进国家轨道交通产业的繁荣发展。 目前中国的轨道交通运营里程世界第一，但现有轨道病害检测方式效率低下。天佑大模型将人工智能技术和轨道交通检测行业高度融合，解决传统依靠人工检测效率低的问题，高效识别轨道潜在缺陷点，及时预警，从而触发运维人员及时修复。 天佑大模型依托河北人工智能计算中心提供的澎湃算力进行算法创新和模型优化，重点突破轨道交通病害检测领域小样本、细粒度、数据同质化等技术瓶颈。 此次大模型技术合作围绕“五个一”的研发目标，即一个大模型、一个数据集、一套展示系统、一套开发套件以及一系列科研成果，重点打造基于昇腾AI的行业首个轨道交通智能运维大模型，为国家整个轨道交通行业的生态发展提供数据基础和技术底座。 天佑大模型科研成果将助力提升轨道交通病害检测安全性和时效性，为国家的轨道交通安全运营保驾护航。 AI产业的发展进入全面升级的新阶段，河北人工智能计算中心将携手华为与合作伙伴一起，凝聚各方智慧，不断探索创新，服务千行百业智能化升级，共同促进人工智能产业发展。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1599/ --- 新闻 广州智能科技加入昇思MindSpore开源社区，共建繁荣人工智能产业生态圈 # 广州智能科技加入昇思MindSpore开源社区，共建繁荣人工智能产业生态圈 2022/06/29 # 广州智能科技加入昇思MindSpore开源社区，共建繁荣人工智能产业生态圈 近日，**广州智能科技发展有限公司**签署CCLA（Corporate Contributor License Agreement，企业贡献者许可协议书），正式加入昇思MindSpore开源社区。 广州智能科技发展有限公司（以下简称“智能科技”）是一家数字新基建领域的软件产品开发及基础平台搭建的高新技术企业。二十余年行业积累、超千个成功应用，智能科技成为国内智慧化管理和应急行业的技术引领企业，公司核心技术被广泛运用到智慧南京、智慧松山湖、广州亚运会、深圳大运会、白云机场等中国多个大型城市示范项目之中。 智能科技作为AI+大数据的关键应用解决方案提供商，本着“自主+适配”的理念，在积极打造拳头产品的同时，也与信创产业生态伙伴建立了紧密合作。通过经验分享、合作开发、产业联动等方式共同提供更加稳定、高效的信创产品、解决方案及技术服务，为政府、园区、企事业单位提供应急管理、数据治理和公共信用等行业赋能。 通过昇思MindSpore的赋能，智能机器人平台性能实现大幅提升： **AI图像检测模型训练方面：** 通过Ascend芯片在昇思Mindspore框架下进行模型训练，**对4000张已标注的图片，进行300次epoch迭代，时间由7.5小时减少到4.3小时，训练效率提升42.67%**。 **AI图像推理检测方面：** 通过Ascend芯片在昇思Mindspore框架下进行模型推理，对**单张图片的检测由0.023s减少到0.012s，推理速度提升47.83%**。 **文本分析方面**\*\*：\*\* 通过Ascend芯片在昇思Mindspore框架下，将文本转化成结构化数据，从而挖掘文本的深层含义，**每万字的文本内容，分析速率从26.2s缩减到15.8s，性能提升39.69%**。 **广州智能科技&昇思MindSpore** 广州智能科技发展有限公司加入昇思MindSpore社区，将进一步繁荣昇思生态，深化双方社区项目合作，共同打造创新性产品及解决方案。 通过昇思MindSpore框架进行视觉检测和NLP自然语言的模型训练，可在国产芯片上进行业务部署，**更高效、快捷的为用户提供视频检测分析、企业知识图谱以及NLP文本分析等相关领域的可视化服务，筑牢用户在指挥调度、安全生产、城市物联网监管、应急管理、风险分析的核心能力**。 未来，广州智能科技期待与更多的昇思社区伙伴一起，通过更专业、更高效地合作共同推进行业应用落地，构建繁荣的人工智能产业生态圈。 我们诚邀各企业、高校及科研院所加入昇思MindSpore开源社区，成为社区合作伙伴，与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态。 更多合作需求 请扫码添加企业助手进行咨询 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1600/ --- 新闻 社区月报 | 两大模型蓄势待发，与194W+用户一同稳步建设开源生态 # 社区月报 | 两大模型蓄势待发，与194W+用户一同稳步建设开源生态 2022/07/06 # 社区月报 | 两大模型蓄势待发，与194W+用户一同稳步建设开源生态 时间飞逝，2022年已过半，年初定好的计划都完成了吗？**2022年的下半年，昇思MindSpore编辑部将每月为大家报告昇思MindSpore 社区月度运作情况**，秉持开源开放精神，与开发者共同推动社区演进。下面让我们一起来看看社区六月运作情况。 **_昇思MindSpore六月运作报告_** **一、社区规模** 六月，昇思MindSpore社区累计收获了**19.6K**Star。社区秉持开放透明原则，稳步建设开源生态，规模和活跃度得到持续提升。 - 目前在社区活跃的总用户量为**194W+**，六月增长了**7%**。 - 截至六月，超过**1.8W**开发者在社区做出贡献，累计产生ISSUE共**20K**条、PR**48K**条。 - 优秀开发者/布道师成员累计达到了**338**名，六月**22**名开发者成功认证，他们将在社区各个领域继续发光发亮。 另外，昇思MindSpore持续支持产学研创新与落地，根据Paperswithcode统计，22年Q2基于昇思MindSpore的AI论文数量排名**全球第二**。 **二、社区活动** 六月昇思MindSpore社区多层次活动同时开展，为开发者们提供丰富的学习资源，广阔的交流平台，期待更多AI人才贡献社区。 **_01 高校活动_** 六月昇思MindSpore走进**3**所高校，包含了**东北大学**、**华南师范大学**、**南京理工大学**。开展了从入门到精通的全场景AI实战线上课程，共**361**名高校师生参与其中。昇思MindSpore将持续创新实践课程，面向海内外高校师生AI开源赋能。 **_02 企业活动_** 六月共举办了**3**场MSG企业行，累计**573**家企业参与了企业行，包括**京东、爱奇艺、字节跳动**等。昇思MindSpore将持续聚焦AI核心技术板块，拓展AI领域企业生态。 **_03 社区赛事_** **昇思MindSpore开源实习**、**昇腾AI创新大赛（昇思赛道）**、**开源之夏2022**、**中国软件开源创新大赛（昇思赛道）**、**中国开源科学软件创意大赛（昇思赛道）**共**5**场赛事同步开启，当前共\*\*300+\*\*团队（含学生、企业和其它用户）等参与社区贡献，期待各位开发者在比赛中成长，与我们共建最具创新力的社区。 **三、社区动态** 六月，构建昇腾+昇思原生生态体系，昇思MindSpore在关键技术上不断突破，加速中国AI应用生态发展。 与高原所、电子科大共建国内首个大规模短临降水预测大模型“蓉城.夔牛”，赋能气象领域，在自然灾害预警、重大社会活动等领域实现巨大社会价值。 与北京交通大学共建轨道交通智能运维大模型“天佑大模型”，助力提升轨道交通病害检测安全性和时效性，为国家的轨道交通安全运营保驾护航 **四、伙伴生态** 截止六月，昇思MindSpore与**120+**科研院所展开合作，社区开源模型超**330**个。服务企业达到**5000+**。 六月多家企业加入社区，与昇思MindSpore共成长，包括上海壁仞智能科技有限公司、沐曦集成电路（上海）有限公司、北京联云天下科技有限公司、千合资本管理有限公司等企业加入社区，携手昇思MindSpore打造更多行业人工智能解决方案，促进其商业落地。 **2022 Q1-Q2** **社区发展概览** 昇思MindSpore社区在过去的半年： 1 获得**AI C4**、**CC EAL2+**、**中国软协促进国内软件产业发展十大事件**、**OSCAR首批“先进级”可信开源社区**四大荣誉。 2 聚焦AI卫星创新应用，推出华为**首个开源云原生AI卫星应用方案**。 3 成功举办2周年庆典**昇思MindSpore TechDay**，累计线上观看人数**127W+**，使昇思MindSpore在AI行业内声量达到新高度。 4 全面升级，发布了**2**大**新版本**，使能科研创新与产业应用。 …… 感谢所有参与过昇思MindSpore社区贡献的开发者们，更多昇思MindSpore的故事敬请期待！ **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1603/ --- 新闻 赛事回顾 | 第四届·2022量子计算黑客松全国大赛圆满落幕！ # 赛事回顾 | 第四届·2022量子计算黑客松全国大赛圆满落幕！ 2022/06/30 # 赛事回顾 | 第四届·2022量子计算黑客松全国大赛圆满落幕！ **量子计算黑客松全国大赛** 第四届 随着全球新一轮科技革命的飞速发展，颠覆性技术革新风起云涌，量子科技当之无愧是最引人瞩目的焦点。2022年5月29日，由**HiQ量子计算软件团队、上海大学、电子科技大学、南方科技大学、昇思MindSpore社区和华为云ModelArts\*\*\*\*平台**联合举办的**第四届·2022量子计算黑客松全国大赛决赛**圆满落幕。 **1** **大赛赛况总结** 本此大赛历时两个多月，吸引了来自北京大学、清华大学、中国科学技术大学、复旦大学、浙江大学、上海交通大学、中山大学、南方科技大学、上海大学等国内外170多所高校的本科生、研究生以及建信金科、中国金融认证中心等企业员工，总计500多人报名。近200个团队参与本次比赛，共同创新，推动量子计算的技术研究。 为了体现前沿性和交叉性，本次参赛题目涉及量子计算、量子化学、机器学习等交叉学科。初赛题目颇具挑战性，赛题1“利用量子经典混合的神经网络来完成手写字体识别任务”、赛题2“量子化学模拟——基态能求解的浅层线路设计”，基于高性能开源量子计算框架MindSpore Quantum和HiQ量子计算云平台完成赛题。 参赛团队之间互相启发，台上竞争，台下合作，经过层层选拔，最终有13个团队、28名优秀选手成功晋级总决赛，汇聚一堂巅峰对决。 **2** **嘉宾评委阵容强大** 2022年5月29日总决赛在线上如期举行。决赛邀请六位量子计算领域的专家组成评审团，分别是南方科技大学物理系教授、HiQ量子计算软件与算法首席科学家**翁文康\*\*\*\*老师**，中国科学院计算机技术研究所研究员**孙晓明老师**，北京清华大学自动化系教授**吴热冰老师**，上海交通大学物理系教授**唐豪老师**，电子科技大学计算机系教授**王晓霆老师**，MindSpore Quantum高级研究员**徐旭升博士**。 决赛答辩环节，由于日程紧，团队多，给予评委团的压力很大。但是，我们的嘉宾评委全程保持了高度专注，认真听取每一支队伍的决赛演讲，以公正、严谨的态度进行打分，并从自己的专业出发为作品提出中肯的意见和建议。 各队选手均是有备而来，凭借深厚的专业知识、对赛题创新性的深入挖掘和团队协作精神，深深的打动了各位评委老师，答辩提问环节选手对评委老师的各种挑战和提问也是应对自如。 **3** **角逐冠军，竞争激烈！** 决赛评审团从创新性、通用性、性能三个维度进行评分，经过激烈的角逐，来自重庆大学的参赛团队以总分第一名的成绩，获得冠军，来自上海大学的两支队伍同时获得亚军。此外还产生了三等奖三名，优秀奖七名。恭喜以下获奖团队，让我们来一睹他们的团队风采吧！ **一等奖** 获奖团队：五点组会也没关系 团队成员：储贻达、周彦桦、徐维（重庆大学） **二等奖** 获奖团队：Hbar 团队成员：唐加亮、王瑞、李宇栋（上海大学） 获奖团队：Fenice 团队成员：徐宜家、刘懿贤（上海大学） **三等奖** 获奖团队：量子emo小分队 团队成员：周旭（中山大学）、刘佳薇（中国科学技术大学）、周俊园（南方科技大学） 获奖团队：为什么神经网络和化学都要做 团队成员：陈柄任（建信金融科技有限责任公司) 、 于小涵（电子科技大学） 获奖团队：零熵 团队成员：耿力（同济大学） **优秀奖** **4 总结** 没有横空出世的幸运，只有不为人知的努力，在征服与挑战中，各位选手在本次大赛中都收获了属于自己的那一份荣誉与认同。来自不同院校和企业的参赛选手、组织者在一起不仅收获了成绩，更多的是在学术交流和创新实践中收获知识、经验和友情。 本次大赛涌现了一大波量子计算种子选手，将成为我国量子计算的后备人才。我们相信通过量子计算黑客松这样的重量级精品赛事，将选拔出更多量子计算优秀人才参与到量子计算的研究中来，推动我国量子计算事业发展。 值得一提的是华为已连续举办了四届量子计算黑客松全国大赛，也受到来自全国各高校和企业单位的高度重视和大力支持。重庆大学物理学院、上海大学新闻网、中国海洋大学信息科学与工程学部、上海科技报、新民晚报等多家高校网站和媒体纷纷对赛事进行宣传报道。 `重庆大学物理学院报道：http://phys.cqu.edu.cn/info/1120/4989.htm` **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1604/ --- 新闻 昇腾筑梦 | 昇思MindSpore走进川藏高校之昇腾AI训练营·成都理工大学专场活动圆满落幕 # 昇腾筑梦 | 昇思MindSpore走进川藏高校之昇腾AI训练营·成都理工大学专场活动圆满落幕 2022/07/01 # 昇腾筑梦 | 昇思MindSpore走进川藏高校之昇腾AI训练营·成都理工大学专场活动圆满落幕 **2022年6月29日，成都昇腾人工智能生态创新中心联合成都理工大学共同举办的“昇腾AI训练营”圆满落下帷幕**\*\*，\*\*华为昇腾AI培训讲师与资深研发专家和近百位人工智能专业大二学子进行深入互动，旨在推广与普及昇腾相关知识，引导学生上手实操，助力产业链人才持续输入计划。 **上手实操，感知场景应用** 上午，由华为全球培训中心高级培训讲师颜秉洋作主题“昇腾生态与产业发展”、“神经网络基础”、“**昇****思****MindSpore开发实践**”的理论培训，重点介绍**昇思\*\*\*\*MindSpore基础操作实践**。昇思MindSpore作为最佳匹配昇腾AI处理器算力的全场景深度学习框架，具有用户态易用、运行态高效、部署态灵活的特点，能为开发者提供设计友好、运行高效的开发者体验。 **上手实操，感知场景应用** 经过深入浅出的理论培训后，下午讲师带领学生们**进行了基于昇思MindSpore全场景AI框架的基础实践**，并通过手把手教学，实战演练花卉识别全流程代码操作，让学生们实实在在体验昇思MindSpore在AI开发中的优势，进一步激发对人工智能技术方向的学习兴趣，帮助其**实现从0到1的开发者入门进阶\*\*\*\*。** 成都理工大学姚光乐老师表示：“技术为根，人才为本。莘莘学子拥有无限潜能，通过此次活动，不仅激发他们对于人工智能技术的兴趣与理想，更有力推进产业人才发展，进一步奠定通往智能未来的牢固基石。” 此次专场活动是**成都昇腾人工智能生态创新中心全力协助川藏区域高校，落实昇腾人才生态建设，将产业发展实践与高校老师的专业意见指导相结合而推出的**，旨在帮助高校学生培养创新思维，提升AI开发能力，明晰自身职业规划。未来，成都昇腾人工智能生态创新中心将继续寻找机会，与区域内各大高校进行深入对接，通过形式多样的精彩活动，与高校人才一起共同推动昇腾AI计算产业向前发展。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1609/ --- 新闻 【直播预告】7月7日易用性SIG分享会——昇思MindSpore在CV领域的应用案例 # 【直播预告】7月7日易用性SIG分享会——昇思MindSpore在CV领域的应用案例 2022/07/04 # 【直播预告】7月7日易用性SIG分享会——昇思MindSpore在CV领域的应用案例 **7月7日（本周四）19:00—20:45**，**第三期易用性SIG线上技术分享会**面向昇思MindSpore初学者和有一定经验的使用者，分享自动安装和昇思MindSpore在CV领域的应用案例。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1610/ --- 新闻 MSG·暴走校园——陕西师范大学站专场活动圆满成功！ # MSG·暴走校园——陕西师范大学站专场活动圆满成功！ 2022/07/04 # MSG·暴走校园——陕西师范大学站专场活动圆满成功！ **MSG·暴走校园\*\*\*\*活动回顾** 2022年6月30日，" MSG·暴走校园 "活动在陕西师范大学成功举办！本次活动由**昇思MindSpore开源社区**联合**陕西师范大学·MindSpore研究室**共同举办。 自去年与陕西师范大学智能感知与先进计算研究中心签约建设“MindSpore研究室”以来， 我们就期望可以充分发挥学校人工智能在文化与教育中的研究优势。本次活动希望继续与贵校共同开展开源数据集、深度神经网络算法、文化教育特色相关场景、生态社区等领域的建设，探讨人工智能与教育协同发展的更多可能性。 本次活动采用线下交流方式开展，覆盖陕西师范大学·MindSpore研究室全体同学。 **昇思MindSpore研发工程师William**走进校园，与同学们一对一沟通交流，对同学们在使用昇思MindSpore做项目过程中遇到的问题进行了详细辅导，共同攻破项目难题。 在晚上的组会中，老师介绍了全场景AI框架昇思MindSpore框架技术特性与应用案例，由浅入深让大家了解到以深度学习为主的人工智能浪潮自兴起之后已渗透到各个行业和我们的生活中，如智慧物流、智慧医疗、智慧能源、智慧交通等新兴人工智能产业。 作为在人工智能发展过程中发挥重要作用的人工智能框架，昇思MindSpore支持端、边、云全场景灵活部署，开创全新的AI编程范式，降低AI开发门槛，旨在实现开发友好、运行高效、部署灵活三大目标，同时着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。未来我们也期待更多同学在人工智能领域有更多创新。 此次专场活动旨在帮助同学们在更多创新领域中使用昇思MindSpore、提升AI开发能力以及明晰自身职业规划，后续也希望与陕西师范大学携手，继续探索人才培养新模式，挖掘和培养更多专业技术人才，与生态各方共同进行产学研用的新实践。 在此也特别感谢陕西师范大学计算机科学学院——吴晓军教授以及陕西范大学计算机科学学院博士研究生——杨瑞同学对本次活动的大力支持！ **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1611/ --- 新闻 线下活动 | 智能基座社团·昇思学习小组——武汉理工大学站来喽！ # 线下活动 | 智能基座社团·昇思学习小组——武汉理工大学站来喽！ 2022/07/05 # 线下活动 | 智能基座社团·昇思学习小组——武汉理工大学站来喽！ **智能基座社团** **昇思学习小组** “机器会思考吗？”1950年，图灵《计算机器与智能》一文横空出世，也象征着人工智能时代的正式来临。 在70多年的发展历程中，伴随着算力水平的提升，人工智能的发展也持续进行着突破。同时，越来越成熟的技术也带动了人工智能走向更丰富的应用场景，使其不断深入到我们的生活、生产中，如无人驾驶、工业质检等，我们都能从中见到人工智能在发挥作用。 **_7月8日_**，**昇思MindSpore开源社区**将联合**武汉理工大学**开展\*\*“智能基座社团—昇思学习小组”\*\*活动。 本次活动将带大家了解人工智能在各行各业中的应用、AI计算技术的发展趋势以及人工智能框架如何发挥作用；更有华为昇腾技术专家回母校分享，教你如何拿下大厂offer，心动不如行动，期待你的参与！ **活动时间** **2022年7月8日（周五）** **18：30-21：00** **活动地点** **武汉理工大学南湖校区图书馆1楼学术报告厅** 注：活动报名二维码仅限现场参加 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1612/ --- 新闻 天象地形（上海）科技有限公司加入昇思MindSpore社区，共建AI开源生态 # 天象地形（上海）科技有限公司加入昇思MindSpore社区，共建AI开源生态 2022/07/05 # 天象地形（上海）科技有限公司加入昇思MindSpore社区，共建AI开源生态 近日，**天象地形（上海）科技有限公司**签署CCLA（Corporate Contributor License Agreement，企业贡献者许可协议书），正式加入昇思MindSpore开源社区。 **天象地形（上海）科技有限公司** 天象地形（上海）科技有限公司（简称“天象科技”）以机器人关键核心技术、行业应用技术的研发、应用为导向，集科研开发、生产制造、市场营销及工程服务为一体的专业型企业，企业自成立之初便专注于单机智能和多机协同机器人技术的开发和推广。 其主营业务覆盖智能移动机器人、智能制造、医疗保健、交通运输等领域和行业，可为市场提供一流的具有国际竞争力的智联、智算、智策的机器人技术、产品和解决方案。 **天象地形 & 昇思MindSpore** 天象科技加入昇思MindSpore社区后，将借助全场景AI框架昇思MindSpore试行优化自身产品中高维度小样本医疗数据分析、人机交互NLP、室内动态环境SLAM建图等模型，实现便携式AI产品信息流的自主深层学习、预测、判别和决策能力的提升。 未来，天象科技将进一步繁荣昇思生态，深化双方社区项目合作，共同打造创新性产品及解决方案。与更多的昇思社区伙伴一起，通过更专业、更高效地合作共同推进行业应用落地，构建繁荣的人工智能产业生态圈。 我们诚邀各企业、高校及科研院所加入昇思MindSpore开源社区，成为社区合作伙伴，与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态。 更多合作需求 请扫码添加企业助手进行咨询 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1613/ --- 新闻 考拉悠然正式加入昇思MindSpore开源社区，共建智慧治理先进生态 # 考拉悠然正式加入昇思MindSpore开源社区，共建智慧治理先进生态 2022/07/06 # 考拉悠然正式加入昇思MindSpore开源社区，共建智慧治理先进生态 近日，\*\*成都考拉悠然科技有限公司（以下简称“考拉悠然”）\*\*签署CCLA（Corporate Contributor License Agreement，企业贡献者许可协议书），正式加入昇思MindSpore开源社区。 **成都考拉悠然科技有限公司** 考拉悠然是专注于多模态AI核心技术研发及产业应用的全国知名人工智能企业，由欧洲科学院院士、ACM/IEEE Fellow申恒涛教授领衔20余位海外名校归国博士于2017年创立，自主研发了业界首款多模态人工智能操作系统——**OSMAGIC码极客**，搭载了上千种多模态AI原创算法，以“高效率、低成本、场景化”为优势，深入智慧城市和智能制造两大领域，赋能多个应用场景，为\*\*200+\*\*客户提供了全球领先的场景化AI算法及解决方案。 **考拉悠然 & 昇思MindSpore** 考拉悠然加入开源社区后，基于全场景AI框架昇思MindSpore打造“城管慧眼巡”智慧城管系统，利用城市中现有的海量视频资源，通过“全自动、全方位、全天候、全区域、全城市”五位一体自动识别模式，实现城市问题源头治理，助力实现智能化、长效化、精细化的城市管理体系。 （请在微信内打开进行观看） 未来，考拉悠然将进一步繁荣昇思生态，深化双方社区项目合作，以视觉智能、跨媒体智能、大数据智能等技术为基础，建立视觉认证、语言认知、环境认知等多模态认知融合，面向城市治理行业用户提供上千种AI能力服务，与更多的昇思社区伙伴携手共建繁荣的人工智能产业生态圈！ **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1615/ --- 新闻 每刻科技加入昇思MindSpore开源社区，引领AI+业财税一体化发展 # 每刻科技加入昇思MindSpore开源社区，引领AI+业财税一体化发展 2022/07/08 # 每刻科技加入昇思MindSpore开源社区，引领AI+业财税一体化发展 近日，**杭州每刻科技有限公司**签署CCLA（Corporate Contributor License Agreement，企业贡献者许可协议书），正式加入昇思MindSpore开源社区。 **杭州每刻科技有限公司** 杭州每刻科技有限公司（以下简称“每刻科技”），行业领先的智能云财务产品和解决方案服务商，助力客户打通业财税生态数据链，全面提升企业的组织效率和竞争力。 每刻科技旗下拥有每刻报销、每刻档案、每刻云票、商旅生态云平台、每刻智能财务共享云平台等产品，迄今为止，已服务超3000家企业及行政事业单位，其中上市公司超350家，用户规模超200万，覆盖全球180多个国家及地区。 **每刻科技 & 昇思MindSpore** 每刻科技加入昇思MindSpore社区后，将进一步繁荣昇思生态，未来，每刻科技计划基于昇思MindSpore深度学习框架自研OCR技术，深化双方社区项目合作，将进一步提升每刻科技智能云财务系列产品在票据、文档等的包括OCR识别在内的多方面性能，持续打造创新性产品及解决方案，并与更多的昇思社区伙伴一起，通过更专业、更高效地合作共同推进更多企业实现财务数字化转型，构建繁荣的人工智能产业生态圈。 我们诚邀各企业、高校及科研院所加入昇思MindSpore开源社区，成为社区合作伙伴，与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态。 更多合作需求 请扫码添加企业助手进行咨询 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1616/ --- 新闻 天数智芯加入昇思MindSpore开源社区，为全产业打造高端算力解决方案 # 天数智芯加入昇思MindSpore开源社区，为全产业打造高端算力解决方案 2022/07/07 # 天数智芯加入昇思MindSpore开源社区，为全产业打造高端算力解决方案 近日，**上海天数智芯半导体有限公司**签署 CCLA（Corporate Contributor License Agreement 企业贡献者许可协议），正式加入昇思MindSpore开源社区。 **上海天数智芯半导体有限公司** 上海天数智芯半导体有限公司（简称“天数智芯”）于2018年正式启动通用GPU芯片设计，是中国第一家通用GPU高端芯片及超级算力系统提供商。 公司以“成为智能社会的赋能者”为使命，立足客户、市场的需求，致力于开发自主创新、国际领先的高性能通用GPU产品，加速AI计算与图形渲染融合，探索通用GPU赶超发展道路，加快建设自主产业生态，打造世界一流的算力引擎，赋能各行各业智能化转型，促进我国数字经济高质量发展，开启中国引领世界走向元宇宙、数字孪生的崭新一页。 **天数智芯 & 昇思MindSpore** 天数智芯在加入昇思MindSpore社区后，将与昇思携手进一步繁荣生态，深化双方社区项目合作。通过更专业、更高效地合作共同推进行业应用落地，构建繁荣的人工智能产业生态圈。未来，天数智芯期待与更多的昇思社区伙伴一起，为支持我国高性能计算应用的可持续发展持续发力，以更可信、更高效、更绿色的方式帮助各行业实现算力升级。 我们诚邀各企业、高校及科研院所加入昇思MindSpore开源社区，成为社区合作伙伴，与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态。 更多合作需求 请扫码添加企业助手进行咨询 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1617/ --- 新闻 超级英雄榜 | 四届量子计算黑客松大赛英雄榜公布，50位开发者成功上榜！ # 超级英雄榜 | 四届量子计算黑客松大赛英雄榜公布，50位开发者成功上榜！ 2022/07/07 # 超级英雄榜 | 四届量子计算黑客松大赛英雄榜公布，50位开发者成功上榜！ **量子计算黑客松大赛·英雄榜** 量子计算被认为是未来具有颠覆性影响的新型计算模式之一，将在人工智能、数据搜索、材料设计、生物制药等方面具有极大的潜在应用价值，国内量子计算人才的培养迫在眉睫。 华为已经连续举办四届量子计算黑客松大赛，参赛人数突破1200人次，引发全国高等院校学生、科研工作者和企业开发者高度关注，成为国内量子计算领域的重量级精品赛事。 四届大赛集结了一大波有意愿投身于量子计算研究的开发者，经过层层选拔和激烈的巅峰对决，涌现出了一批非常优秀的选手，让我们来一睹他们的风采吧！ **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1631/ --- 新闻 智能基座社团 · 昇思学习小组——武汉理工大学站专场活动圆满落幕 # 智能基座社团 · 昇思学习小组——武汉理工大学站专场活动圆满落幕 2022/07/11 # 智能基座社团 · 昇思学习小组——武汉理工大学站专场活动圆满落幕 **智能基座社团 · 昇思学习小组** **武汉理工站** **精彩回顾** **2022年7月8日，" 智能基座社团 · 昇思学习小组 "活动在武汉理工大学成功举办！** 本次活动由昇思MindSpore开源社区联合武汉理工大学共同举办，华为昇腾研发专家与华为昇思MindSpore研发专家和200余名人工智能相关专业学生进行了深入的交流，旨在为同学们普及全场景AI框架昇思MindSpore在各行业中的实际应用以及当前AI计算技术的发展趋势，并帮助同学们提升AI开发能力，明晰自身职业规划。 **1** 活动开始由**武汉理工大学计算机与人工智能学院院长\*\*\*\*熊盛武**致辞，熊院长介绍了本次活动的目的，并对全场景AI框架昇思MindSpore近年来的发展成绩表达了肯定——科研创新的道路是永无止境的，希望同学们保持热爱，迎接挑战与机遇。 **2** **华为昇腾研发专家****何剑****老师**由浅入深为同学们介绍了AI计算技术的发展趋势，让同学们对AI产业有了更全面的了解；同时他还以另一个身份——武汉理工大学已毕业的优秀学长，为学弟学妹们分享了入职大厂的心得体验，并结合自身经验为同学们一一解答当前学习目标和后续职业规划中的困惑。 **3** **华为昇思MindSpore研发专家李政**为学生们介绍了昇思MindSpore的基础使用方法。 作为在人工智能发展过程中发挥重要作用的人工智能框架，昇思MindSpore支持端、边、云全场景灵活部署，开创全新的AI编程范式，降低AI开发门槛，旨在实现开发友好、运行高效、部署灵活三大目标。 现场老师也通过展示实际趣味案例，帮助大家快速入门基于昇思MindSpore的AI开发，无需担心自己是否具备编程经验与AI背景知识。 **4** **武汉理工大学计算机智能学院博士研究生路熊博**为大家分享了他在众智项目中使用昇思MindSpore的真实体验。 分享中路博士详细地给同学们介绍了全场景AI框架昇思MindSpore的使用优势，并表示非常欢迎大家加入实验室与他一起使用昇思MindSpore做出更卓越的成就。 本次活动是昇思MindSpore在武汉理工大学的首次专场活动，活动反响热烈，每个议题同学们都积极提问，相信大家都收获颇丰。 未来我们也希望与武汉理工大学携手，继续探索人才培养新模式，助力产教深度融合，进一步挖掘和培养未来智能世界的专业技术人才。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1635/ --- 新闻 昇思生态城市行·广州站——发展AI 根技术，开创产业新未来！ # 昇思生态城市行·广州站——发展AI 根技术，开创产业新未来！ 2022/07/12 # 昇思生态城市行·广州站——发展AI 根技术，开创产业新未来！ 7月8日，主题为\*\*“发展AI 根技术，开创产业新未来”**的昇思生态城市行在广州成功召开。会上，行业相关领导、企事业管理者与技术专家齐聚一堂，共同探索AI技术发展的新方向。本次活动吸引了近百家企业参会，华为现场向24家合作伙伴颁发了**昇思MindSpore技术方案认证\*\*。 昇思生态城市行活动，将从本次的广州站出发，重点覆盖北京、上海、西安、成都等国内人工智能重点发展区域，分享行业成果，带动当地相关行业的产教研人才发展的同时赋能城市智慧升级。 **开场致辞** **1** **广州工业和信息化局调研员 范红永** 广州正着力打造世界数智产业融合的标杆城市，实现“从+AI，走向AI+”的重大战略转型，目前有着近700家人工智能入库企业。华为开源的昇思MindSpore AI框架和技术服务等资源，为广州市人工智能企业发展降本增效，也为广州打造世界数智产业融合的标杆城市建设添砖加瓦。 **2** **广电研究院、执行院长梁添才** 广州拥有良好的产业生态资源，建设了一个算力中心，五个产业发展平台，助力广州市人工智能产业的发展，也为广州技术人才的培养提供了优良的环境。而昇思作为人工智能的关键技术，为广州算力中心提供了重要的技术支撑。 **3** **华为昇腾计算业务副总裁 田昆阳** 人工智能与商业一样，发展离不开生态的构建，当下人工智能生态的发展仍需技术与商业伙伴的共同努力。 他在发言中介绍了： - 昇腾AI产业和昇思MindSpore的发展由来 - 依托大算力建设的大模型发展现状 - 即将发布的“昇思立根伙伴计划” **主题分享** **华为昇思研发与生态总监 李锐锋** 算力、数据、算法是推动人工智能发展的三大因素，在与日俱增的数据和不断丰沛的算力驱动下，人工智能在特定领域已经接近甚至超越了人类。 自2018年开始，华为不断坚定人工智能产业投入，推出昇腾AI和昇思MindSpore AI框架，构筑技术生态，并利用技术优势孵化大模型使能商业伙伴，推动商业生态蓬勃发展。 除此以外，他在发言还介绍了： - 昇思MindSpore在产学研用方面所推进的具体措施和取得的成果 - 开发者可通过签署企业的CCLA、认证MindSpore昇思的商业生态伙伴，商业ISV的方式参与到昇思MindSpore中 **广电研究院生态拓展部部长 易复徵** 人工智能作为国家的重要战略，得到了中央与地方的一系列相关政策的支持，基于此背景，广州市算力中心成功投建并围绕算力中心建设了5个产业发展平台。 基于算力中心提供的普惠算力，发挥5个产业发展平台的动能，从资金、空间、产业融合、科研合作、人才培养等方面为广州数字经济产业发展提供源源不断的动力。 **云从科技副总裁 张岭** 随着智慧城市建设的不断推进，人机协同开放平台已然成为了城市新基建的基础设施。构建人机协同开放平台需要构建一流人工智能技术的开发平台，在平台的技术基础上将技术赋予生态伙伴，从而形成智慧城市AI的技术底座。他在发言中结合实际案例介绍了与昇腾AI和昇思MindSpore AI框架技术融合所带来的人机协同平台的应用与实践。 **颁发昇思MindSpore技术认证** 华为为广州广电运通金融电子股份有限公司、京华信息科技股份有限公司、中山大学附属第六医院等24位合作伙伴颁发了昇思MindSpore技术方案认证。 获得昇思MindSpore技术认证的企业根据昇腾万里伙伴权益计划将获得学习、构建、上市全流程权益支持，昇思将与伙伴共同构建行业解决方案，为行业智能化升级提供加速度。 **广电运通技术总监 江杰龙** 自主创新是新基建的基础，在此基础上实现计算能力与智算能力的融合。广电运通结合实际业务场景实践，打造了从计算到智算的融合底座，为行业高效调用算力资源打下坚实基础。 他在发言中介绍了： - 云计算及AI计算发展的发展历程 - 人工智能在企业应用中不同阶段起到的不同作用 - 运通云通过昇腾AI和昇思MindSpore AI框架适配后，得到的性能提升 **京华信息AI产品总经理 蓝建敏** 引入昇思MindSpore以后，京华云提升了数据纠错能力，并在多线程的OCR迁移过程中为CPU带来的效能提升。除此以外，他表示昇思还有快速部署、轻量化、模型安全性高等特点，并对昇思的发展提出了自己的建议。 **广州智能科技研究院副院长 张莉** 企业风险管控模块的AI计算能力关系着人员与生产的安全，在管控安全、风险防范，隐患治理等方面有着重要的应用。在此背景下，企安云和昇思融合让旗下产品原本的推理速度、模型训练、文本分析能力都得到提升，技术人员能够充分调用昇思提供的自主模型的训练能力和丰富模型的转换接口使得产品的AI能力和效率得到了很大的提升。 **华南理工大学副教授 梁凌宇** AI框架是人工智能时代的“操作系统”，拥有自主创新的AI框架，对我国人工智能产业的发展有着至关重要的作用。 他在发言中介绍了他与昇思MindSpore结缘的过程，并介绍了基于昇思MindSpore取得的学术成果。基于产教融合，让更多学生能够接触到紧跟时代发展需要的课程内容，助力科研人才的培养，也为广东乃至全国行业的数字化建设做出了贡献。 **中山大学副教授 梁小丹** 她在发言中介绍了当前备受学术界关注的多模态训练发展的前沿技术和当前取得的技术成果。通过实际案例，说明了借助昇腾AI和昇思MindSpore AI框架孵化的多模态开放域的检测模型在工业质检、智慧城市建设等领域的应用。 本次会议众多行业领导、企业管理者和技术专家从各自领域为AI行业的发展指明了方向。随着数字经济的不断发展，AI产业的建设也将迎来发展的新机遇。 基于此，华为推出昇思生态城市行活动，立足昇腾人工智能计算中心，围绕昇思MindSporeAI框架发展AI技术生态，进而加速AI技术创新、行业应用落地和产业发展，推动千行百业智能化升级。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1636/ --- 新闻 云问科技加入昇思MindSpore开源社区，共同打造“AI+知识”行业解决方案 # 云问科技加入昇思MindSpore开源社区，共同打造“AI+知识”行业解决方案 2022/07/14 # 云问科技加入昇思MindSpore开源社区，共同打造“AI+知识”行业解决方案 近日，**南京云问网络技术有限公司**（以下简称“**云问科技**”）签署CCLA（Corporate Contributor License Agreement，企业贡献者许可协议书），正式加入昇思MindSpore开源社区。 **南京云问网络技术有限公司** 云问科技成立于2013年，是一家以自然语言处理技术为核心的人工智能培育独角兽企业公司。主要面向政务、工业制造、交通运输、公共事业等服务场景提供全渠道智能客服平台、文本数据分析、实体机器人、知识图谱构建及NLP能力平台等相关解决方案。 云问科技已服务60000+用户，与国家电网、美的集团、格力集团、上海电气、百果园、广州地铁、德邦物流、海康威视等500+行业标杆客户建立了示范项目。 云问科技**基于全场景AI框架昇思MindSpore**打造的**云问“Know＋知识智能”中心**，为各政企单位提供智能知识管理的相关解决方案，为营销、服务等环节提供机器人知识问答支撑，并荣获《华为技术认证书》。 **云问科技 & 昇思MindSpore** 云问科技加入昇思MindSpore社区后，基于TextCNN的中文情感分类任务模型代码搭建了云问智能知识中心情感识别。 云问建设电力百科、电力文库、电滴学院、电力知乎四大模块，为电力中心知识管理平台打造了统一的知识服务中心。 未来，云问科技将进一步繁荣昇思生态，深化双方社区项目合作，共同打造行业化大模型、国产学习框架应用等创新性产品及AI+行业解决方案，并与更多的昇思社区伙伴一起，通过更专业、更高效的合作共同推进行业应用落地，构建繁荣的人工智能产业生态圈。 我们诚邀各企业、高校及科研院所加入昇思MindSpore开源社区，成为社区合作伙伴，与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态。 更多合作需求 请扫码添加企业助手进行咨询 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1637/ --- 新闻 航天捷诚加入昇思MindSpore开源社区，共建AI开源生态 # 航天捷诚加入昇思MindSpore开源社区，共建AI开源生态 2022/07/13 # 航天捷诚加入昇思MindSpore开源社区，共建AI开源生态 近日，**湖南航天捷诚电子装备有限责任公司**签署CCLA（Corporate Contributor License Agreement，企业贡献者许可协议书），正式加入昇思MindSpore开源社区。 **湖南航天捷诚** 湖南航天捷诚是隶属于中国航天科工集团的国有控股企业，主要从事面向特种应用领域的高可靠性计算、显示、网络交换与控制产品的研发、制造、销售与服务。公司坚持“自主创新、差异竞争、技术领先”的经营战略，为用户提供行业领先的抗恶劣环境信息装备。 **湖南航天捷诚 & 昇思MindSpore** 航天捷诚加入昇思MindSpore社区后，将进一步繁荣昇思生态，在主流视觉算法模型在昇思MindSpore框架上的训练、推理应用方面赋能；深化双方社区项目合作，共同打造创新性产品及解决方案。 未来，航天捷诚将期待与更多的昇思社区伙伴一起，通过更专业、更高效地合作共同推进行业应用落地，构建繁荣的人工智能产业生态圈。 我们诚邀各企业、高校及科研院所加入昇思MindSpore开源社区，成为社区合作伙伴，与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态。 更多合作需求 请扫码添加企业助手进行咨询 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1638/ --- 新闻 第八届互联网+大赛 | 与昇思MindSpore一起开源一“夏”！ # 第八届互联网+大赛 | 与昇思MindSpore一起开源一“夏”！ 2022/07/14 # 第八届互联网+大赛 | 与昇思MindSpore一起开源一“夏”！ 这个夏天最火热的开源活动——**_第八届中国国际“互联网+”大学生创新创业大赛_** 目前正在火热报名中！ 本届大赛设立**产业命题赛道**——加强产学研深度融合，打通高校智力资源和企业发展需求，引领高校将创新创业教育实践与产业发展相结合，助力大学生更高质量地创业就业。 本次昇思MindSpore社区有九大命题，涵盖\*\*“AI战新冠”**、**“AI+智慧环保”**、**“AI+生命科学”**、**“智慧医疗”\*\*等多个领域。参与活动即刻感受最前沿的技术领域，在线上就能打开AI领域一线开源社区的大门！机不可失，一起与昇思MindSpore开源一“夏”吧！ 扫码了解详情 **_昇思MindSpore赛题直播培训_** 为了给参赛选手‘充电’，帮助选手更好地参加比赛并取得优异的成绩，同时让更多小伙伴对昇思MindSpore的设计和开发流程有更好的了解，掌握昇思MindSpore学习方法和学习渠道，**_7月18日（下周一）_\*\*\*\*昇思社区开发者将在B站【MindSpore官方】开设线上直播培训课程。** **【时间】** 7月18日（下周一） 19：30—21:00 **【地点】** 线上直播Bilibili【MindSpore官方】 **【报名】** https://live.bilibili.com/22127570 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1644/ --- 新闻 技术干货怎么发？看这里！ # 技术干货怎么发？看这里！ 2022/07/21 # 技术干货怎么发？看这里！ 为了更好地方便大家在论坛发表技术干货，分享每个人的学习成果，现在小编给大家整理一下分享技术干货时需要的注意事项！ ## 一、对文章内容的要求 既然是技术干货，那么对质量是有一定要求的： **1.内容原创**：这里需要严肃声明，技术干货都必须是原创（原创！原创！）希望大家不要从别的地方搬运和抄袭，尤其是MindSpore官网发布过的所有内容，版主们可是眼睛大大盯着呢；同时如果需要转载他人的技术干货，帖子标题需要带有【转载】字眼，另外也需要大家标明转载的地址以及作者姓名。 **2.内容形式**：技术干货的形式可以是多元的，跟人工智能、机器学习、深度学习、MindSpore等相关，我们支持一切自由形式的原创技术干货！举例但不限于如下三类： 1）使用MindSpore时遇到了xx问题并成功解决该问题，总结问题描述和解决方案； 2）参与研究MindSpore相关项目的技术经验总结； 3）某一阶段学习的知识框架体系的总结与实践。 以下两个帖子，大家浅浅参考一下： MindSpore报错 Select GPU kernel op \* fail! Incompatible data type：https://bbs.huaweicloud.com/forum/thread-192816-1-1.html 如何将MindSpore模型转ONNX格式并使用OnnxRuntime推理---全流程开发指导：https://bbs.huaweicloud.com/forum/thread-194458-1-1.html **3.篇幅大小**：篇幅大小必须超过500字哈，希望各位用户把内容写的越详细越好~ ## 二、编辑内容的注意点 **1.主题确定**：发帖是由一级标题和二级标题组成，这两个都是必须选择的，一级标题毋庸置疑就是技术干货，二级标题的话根据各自分享的内容进行分类，包括MindSpore使用过程中遇到的各种经验总结（安装经验、数据加载及处理、网络构建、模型训练、推理经验、算子使用、分布式并行、功能调试、调优经验和应用实践）和一些经典前沿的技术分享（基础知识、特性分析、论文解析、前沿分享），另外，如果没有可选的对应二级标题，也可以选择其他干货这一项。 **2.编辑模式**：看大家使用习惯，可以选择富文本编辑器的模式，也可以选择markdown的编辑方法。如果没有markdown基础的，显然富文本编辑比较快省事啦，当然，markdown编辑其实也并没有很难，公式的话可以参考我们给大家提供的公式法宝：戳这里 **3.发布干货以及草稿箱的妙用**：那么在编辑完所有内容之后就可以点击发表帖子进行发布啦，如果有觉得不够完善的地方，后续的话也可以对该篇干货进行修改和编辑；同时如果当时编辑没有完成，可以保存草稿，后期可通过草稿箱进行获取和发布。 另外，如果您觉得自己的技术干货写的非常到位，也可以给版主私信，方便我们为您进行定制化的宣传和推广，小编尤其特别偏爱那种 “大型连续剧”，哈哈。 好啦，今天的技术干货分享注意事项就简单介绍到这里啦。每一份努力都值得我们去记录，呈现出来供大家浏览，可以给别的用户提供新的思路、减少跳坑的次数岂不是更有意义所以我们热烈欢迎各位用户在论坛上留下你们的足迹，多多分享你们的技术心得！（掌声响起来） PS: 论坛还会不定期地推出各类主题活动以及每月的技术干货活动，欢迎各位用户多多关注活动版块，参与可能一不小心就有奖哦~ --- https://www.mindspore.cn/news/zh/1648/ --- 新闻 MSG组织者招募 | 参与昇思MindSpore社区工作的机会来啦！ # MSG组织者招募 | 参与昇思MindSpore社区工作的机会来啦！ 2022/07/13 # MSG组织者招募 | 参与昇思MindSpore社区工作的机会来啦！ **MSG组织者\*\*\*\*招募** 截止2022年，昇思MindSpore走过国内外24个城市，包含北京、上海、南京……我们致力于在每个城市建立MSG，让每一位开发者都能找到同城市志同道合的伙伴，共同学习成长。 我们诚邀各位开发者加入MSG团队，成为MSG组织者，与我们一同打造昇思开源生态，感受开源的乐趣！ **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1649/ --- 新闻 MSG | 开源与结缘，昇思携梦前行！ # MSG | 开源与结缘，昇思携梦前行！ 2022/07/18 # MSG | 开源与结缘，昇思携梦前行！ 昇思MindSpore开源两年多啦，目前已迭代至1.7版本，而1.8版本也即将到来，这是无数开发者和工作人员共同努力达到的成果！ 我们一直秉持着开源开放的原则，为了让更多开发者成为开源组织的一员，真正拥抱开源，体验开源的魅力，我们成立了MSG（MindSpore Study Group）——开发者可以在这里充分进行技术研讨、案例分享和技能提升。 MSG期望开发者能与昇思MindSpore社区共成长。在这里，开发者可以结识志同道合的朋友、分享对AI技术的认识。我们期望更多的开发者能加入MSG，让我们一同用宏观的角度去理解AI领域的概况，一同推动国内AI领域基础设施的开源普及工作，为科技自立做出贡献。 **_技术发展能够引领的不止有未来，还有我们的眼下的生活。_** 2021年，河南的一场暴雨牵动了每个人的心绪。昇思MindSpore作为负责任的开源社区，一直在关注河南洪灾的情况。 灾害发生后，社区第一时间发起了汇聚社区物资支援灾区的项目。作为一名河南人，MSG组织者**张东豪**很想为家乡做些事情，所以他作为社区在河南的接口人公布了自己的相关信息，汇集物资为河南的受灾群众提供了及时支援。 **_眼前的踉跄不能阻挡前进的脚步，我们对未来的呼唤也从未止息。_** 高校是人才的摇篮。MSG组织者**王峰**带领昇思MindSpore走进了南京的高校，为南京学子提供了昇思的科普与教学课程。 王峰在谈及此事时表示，作为社区所在地区的组织者，有责任和义务把昇思带到更多地方——通过组织高校的学习交流活动，将昇思的更多企业案例带给学生，积极推动AI应用技术的交流事宜。 当然，作为践行AI普惠价值的推动者之一，个人影响力是有限的，但若有更多从业者加入的话，就能为昇思MindSpore这类有价值的技术软件在行业普及和落地中贡献更多力量。 昇思MindSpore的下一个故事期待你来谱写，我们诚邀各位开发者加入MSG团队，与我们一同打造昇思开源生态，感受开源的乐趣！ **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1650/ --- 新闻 昇腾AI创新大赛 | 昇思赛道直播培训，高达1000万奖金的获取指南来啦 # 昇腾AI创新大赛 | 昇思赛道直播培训，高达1000万奖金的获取指南来啦 2022/07/15 # 昇腾AI创新大赛 | 昇思赛道直播培训，高达1000万奖金的获取指南来啦 “数智未来，因你而来”，AI开发者顶级赛事——昇腾AI创新大赛2022正在火热进行中！ 本次大赛旨在鼓励全产业开发者基于昇腾计算技术，共同打造软/硬件解决方案、探索模型算法，加速AI与行业融合，促进开发者能力提升。 本次**昇思赛道**筛选了顶会论文、前沿任务设置多赛题，鼓励每一位选手通过昇思MindSpore开源框架助力科研成果落地，为开源生态建设贡献力量。 扫码了解更多比赛详情 “数智未来，因你而来”，AI开发者顶级赛事——昇腾AI创新大赛2022正在火热进行中！ 本次大赛旨在鼓励全产业开发者基于昇腾计算技术，共同打造软/硬件解决方案、探索模型算法，加速AI与行业融合，促进开发者能力提升。 本次**昇思赛道**筛选了顶会论文、前沿任务设置多赛题，鼓励每一位选手通过昇思MindSpore开源框架助力科研成果落地，为开源生态建设贡献力量。 **【加入比赛交流群】** 扫描二维码添加小助手 备注：昇腾AI创新大赛 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1651/ --- 新闻 禾福文化加入昇思MindSpore开源社区，通过AI技术赋能民族文化产业 # 禾福文化加入昇思MindSpore开源社区，通过AI技术赋能民族文化产业 2022/07/18 # 禾福文化加入昇思MindSpore开源社区，通过AI技术赋能民族文化产业 近日，**湖南禾福文化科技有限公司**签署CCLA（Corporate Contributor License Agreement，企业贡献者许可协议书），正式加入昇思MindSpore开源社区。 **湖南禾福文化科技有限公司** 湖南禾福文化科技有限公司（以下简称“禾福文化”）所属行业为文化科技与现代服务业，主要开发以传统文化数据库、AI云平台、区块链数字藏品交易平台为核心的数字化、智能化等集成应用技术，打造中国传统文化数据库及智能交互平台，同时开发形成多系列文化科技产品。 公司致力于传统文化资源保护、开发与利用，基于AI技术的民族文化数据库旨在通过人工智能技术对传统文化资源及工艺元素进行挖掘、提取、存储、开发和利用，相关数字化技术拥有百余项知识产权，形成文化科技IP核心壁垒。公司获评第二届成思危社会企业提名奖，与中国电信、百度、网易一同入选2022年国家发改委双创示范周。 **禾福文化 & 昇思MindSpore** 禾福文化加入社区后，计划基于昇思MindSpore深度学习框架自研OCR技术，进一步提升禾福文化国潮文创系列产品在研发、建模等包括OCR识别在内的多方面性能，持续打造创新性产品及解决方案。 未来，禾福文化将进一步繁荣昇思生态，深化双方项目合作，与更多的昇思社区伙伴一起，通过更专业、更高效地合作共同推进更多企业实现文创数字化转型，构建繁荣的人工智能产业生态圈。 我们诚邀各企业、高校及科研院所加入昇思MindSpore开源社区，成为社区合作伙伴，与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态。 更多合作需求 请扫码添加企业助手进行咨询 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1655/ --- 新闻 MSG·暴走校园 | 千名校园开发者一起玩转AI，零距离感受科技魅力 # MSG·暴走校园 | 千名校园开发者一起玩转AI，零距离感受科技魅力 2022/07/20 # MSG·暴走校园 | 千名校园开发者一起玩转AI，零距离感受科技魅力 **组织者招募** 截止2022年，昇思MindSpore走过国内外24个城市，包含北京、上海、南京……我们致力于在每个城市建立MSG，让每一位开发者都能找到同城市志同道合的伙伴，共同学习成长。 我们诚邀各位开发者加入MSG团队，成为MSG组织者，与我们一同打造昇思开源生态，感受开源的乐趣！ **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1656/ --- 新闻 活动延期 | 昇腾AI开发者创享日·北京站因疫情原因将延期举办 # 活动延期 | 昇腾AI开发者创享日·北京站因疫情原因将延期举办 2022/07/20 # 活动延期 | 昇腾AI开发者创享日·北京站因疫情原因将延期举办 _**活动延期**_ 尊敬的参会嘉宾，依照北京市人民政府网站发布的《新冠肺炎流行酒店防控指引（第十二版）》要求，**原计划于7月21日举办的昇腾AI开发者创享日·北京站将延期举办**，对于给您造成的不便深感抱歉，敬请谅解，希望您保护好自己和您的家人。待疫去重聚时，昇腾与您再次相约！ **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1657/ --- 新闻 宝兰德加入昇思MindSpore开源社区，打造多个“智慧”解决方案 # 宝兰德加入昇思MindSpore开源社区，打造多个“智慧”解决方案 2022/07/21 # 宝兰德加入昇思MindSpore开源社区，打造多个“智慧”解决方案 近日，**北京宝兰德软件股份有限公司**签署CCLA（Corporate Contributor License Agreement，企业贡献者许可协议书），正式加入昇思MindSpore开源社区。 **北京宝兰德软件股份有限公司** 北京宝兰德软件股份有限公司（以下简称“宝兰德”）成立于2008年，专注于基础软件、智能运维、云计算、大数据和行业数字化基础软件相关产品和解决方案研发推广的高新技术软件企业。 作为基础软件领域头部厂商，宝兰德一直以来注重与产业链伙伴的深度交流与合作，积极推进行业生态建设，全面参与融入华为欧拉、高斯等生态计划，携手打造开源国产数字底座生态。宝兰德是华为鲲鹏生态内的首家完成应用服务器软件基于鲲鹏技术实现全栈优化的中间件厂家，并成为华为早期通过Validated 认证的厂家。 公司高度重视产业生态的建设，与多家关键技术伙伴在技术领域进行深度合作并取得相应成果；积极参加各项标准的制定与推广，是全国信标委、信创工委会、ITSS分会、中国通信标准化协会会员，也是Eclipse基金会、CNCF/LF会员。 在当前数字化转型加速的大背景下，宝兰德秉持“独立自主”、”专注”、“专业”的精神，不断用心开发满足数字化系统建设需要的基础软件、运维运营和行业数字化系列产品、解决方案，以更完善的服务支持国家各行业的数字化业务转型。 **宝兰德 & 昇思MindSpore** 宝兰德加入昇思MindSpore开源社区，AILink-EdgeComputing检测引擎通过在ModelArts中使用昇思MindSpore框架进行模型开发训练，部署到华为边缘推理服务器或边缘小站，为当前主流的算法模型如人员识别、人员路径复原、安全帽识别、人流统计、体温检测等模型提供基础运行环境，系统提供了对视频设备管理、算法模型管理、检测结果管理、检测结果上报管理等配置能力。 **宝兰德基于昇思MindSpore打造多个行业解决方案** 宝兰德基于昇思MindSpore全场景AI框架高效便捷的模型开发和训练，结合使用宝兰德AILearning学习平台训练的图像AI智能识别模型，基于昇腾AI芯片+边缘检测系统打造了云边一体化的软硬件运行环境，将图像AI技术应用于工地、工厂、园区、交通等多个行业，打造了“智慧工地”、“智慧安防”、“智慧园区”、“智慧工厂”、“智慧交通”等多个行业解决方案。 **智能工厂**解决方案可解决设备温控质检、烟火分析、环境信息检测、能源信息汇总、温度检测、规范作业检测、设备分析、能源信息分析等智能场景。 **智慧工地**解决方案可实现对工地安全规范作业的智能检测，支持安全帽识别、反光衣、烟火检测、区域入侵检测、车辆出入管理、疲劳作业检测、塔吊检测、打架斗殴、智能数钢筋、裸土覆盖检测、边界检测、全局鹰眼视图等各种场景检测，智慧工地管理系统可对各种检测场景进行大屏管理、回溯等功能操作展示。 **智慧安防**解决方案实现对办公大厦，园区的智能安全管理，包含人员检测、智能门禁、人员路径识别、多目标跟踪分析、人员着装识别、特种工程作业、睡岗分析、离岗分析、智能周界入侵、智能巡检、智能停车引导、3D建模等场景。 未来，宝兰德也将携手昇思，深化双方社区项目合作，共同打造创新型产品及解决方案，推动昇思MindSpore使能智能世界建设。宝兰德期待，未来携手更多昇思社区伙伴，通过更专业、更高效地合作共同推进行业应用落地，共建AI开源繁荣生态。 我们诚邀各企业、高校及科研院所加入昇思MindSpore开源社区，成为社区合作伙伴，与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态。 更多合作需求 请扫码添加企业助手进行咨询 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1658/ --- 新闻 【直播回顾】昇思MindSpore易用性SIG2022上半年回顾总结 # 【直播回顾】昇思MindSpore易用性SIG2022上半年回顾总结 2022/07/21 # 【直播回顾】昇思MindSpore易用性SIG2022上半年回顾总结 _2022年3月17日，昇思MindSpore社区技术委员会(TSC)决议通过昇思MindSpore易用性SIG的申请，正式成立易用性SIG，帮助开发者打通使用昇思MindSpore过程的“最后一公里”。_ 时光似箭，转眼已经进入2022下半年了。在上半年中，昇思MindSpore易用性SIG与开发者一起，围绕易用性提升，开展了一系列技术活动，如易用性特性开发、易用性技术分享、知乎/CSDN等平台上的AI工程和昇思MindSpore易点通专栏建设等，帮助开发者打通使用昇思MindSpore过程的“最后一公里”。 非常感谢大家一直以来的支持与鼓励，现在让我们打开2022上半年的记忆，一起回顾过往，砥砺前行！ 2022年上半年，昇思MindSpore易用性SIG： ① 共发展近**500**名AI开发者加入交流群； ② 先后邀请**12**位嘉宾举办**3**期易用性技术分享活动，分享使用MindSpore的经验和案例，B站观看直播总人数**500+；** ③ 开展了手把手视频体验活动和1.7版本自动安装体验活动，各位开发者贡献了个人经验技术干货\*\*40+\*\*篇。 2022年4月，在知乎平台创建了AI工程和MindSpore易点通专栏，共发布AI工程系列和MindSpore易点通系列文章**23**篇； 易点通专栏中收录了各位开发者们贡献的从MindSpore安装、数据处理、模型开发到应用案例等经验总结和案例**58**篇，吸引关注者**800+**，总阅读/播放量达\*\*11万+\*\*次。 在易用性特性开发方面，MindSpore易用性SIG先后纳入**5**个大颗粒特性到开源活动中，累计已有**12**名开发者报名参与并提交了\*\*4k+\*\*行代码。 昇思MindSpore易用性SIG分别于**4月16日**、**5月28日**、**7月7日**，先后线上举办了\*\*《聊聊AI框架的易用性》**、**《从零开始，“易”起上手》**、**《MindSpore在CV领域的应用案例》**等三期技术分享活动，邀请高校师生/企业/个人开发者等**12**位嘉宾分享他们使用MindSpore的经验和案例。三期技术分享共吸纳约**240+\*\*位开发者加入易用性SIG交流群。 同时，为贴近开发者的实际诉求，向大家征集了后续的技术分享话题。根据问卷调查结果显示，大家对**CV、AI工程化、NLP、强化学习**四个领域的话题比较感兴趣，调查结果主要来自个人开发者和高校师生，我们后续在这些领域会组织更多技术话题分享。 除后续话题征集外，问卷就已经举办的前2期技术分享进行了满意度调查，平均满意度**4.9**分（5分制）。其中，有不少受访者表示愿意作为分享嘉宾，分享自己基于昇思的应用案例或者前沿技术。 **易用性SIG技术分享** **第一期：聊聊AI框架的易用性** - 易用性SIG发起人**想飞就飞**和易用性SIG **Lead Tong**：MindSpore易用性SIG愿景、目标与规划 - Apache软件基金会董事、华为开源能力中心专家**姜宁**：提升项目易用性，降低开发者摩擦力 - MindSpore资深开发者**丁一超**：我的昇思学习之路 **回放链接**： https://www.bilibili.com/video/BV1Wu411y7u1?p=1 **第二期：从零开始，“易”起上手** - MindSpore资深开发者**张辉**：MindSpore漫游世界 - MindSpore Dev Toolkit技术负责人**Chissica**：智能辅助编程 - MindSpore DFx专家**Miao**与**Louie**：AI框架功能调试的思考与MindSpore实践 - MindSpore易用性专家**CQU弟中弟**：MindSpore模型迁移经验分享 **回放链接**： https://www.bilibili.com/video/BV1Wu411y7u1?p=3 **第三期：MindSpore在CV领域的应用案例** - 复旦大学计算机科学与技术学院博士生**彭博**：基于MindSpore的深度学习模型在多媒体领域的实践 - 南京理工大学沈阳博士生**沈阳**：基于MindSpore的细粒度哈希学习 - MindSpore爱好者**甜粽**：MindSpore1.7在Windows和Linux环境下的安装 **回放链接**： https://www.bilibili.com/video/BV1Wu411y7u1?p=4 2022年4月，分别在知乎、CSDN等相继开设了平台创建了AI工程和MindSpore易点通专栏。 知乎平台共发布AI工程系列文章和MindSpore易点通系列文章**23**篇，包含AI工程、AI设计模式、AI论文解读、MindSpore易点通机器人实践等。 同时，易点通专栏中收录了各位开发者们贡献的从MindSpore安装、数据处理、模型开发到应用案例等经验总结和案例**58**篇，共吸引关注者**860+**，总阅读/播放量达\*\*11万+\*\*次。 基于前期的开发者访谈和问卷调查结果，我们梳理了开发者呼声最高的易用性提升方向，主要集中在**多平台支持、功能调试、开发环境、模型迁移、资料查找**等方面。 因此，我们在开源实习活动和开源活动中推出了一系列易用性特性开发任务，邀请各位开发者一起参与开发，并获得了各位开发者的踊跃参与。 累计已有**12**名开发者报名参与易用性特性开发，提交了\*\*4k+\*\*行代码。这些特性分别是： MindSpore易点通知识问答机器人开发 MindSpore Dev Toolkit（IDE插件）中的知识问答机器人集成 MindSpore在Windows+GPU下的原生版本编译支持 MindSpore功能调试助手（TroubleShooter）开发 MindSpore易用性评测 昇思MindSpore易用性SIG于4月-6月策划发布手把手视频体验活动，共吸引\*\*60+**人参与活动，参与者们主动贡献个人经验技术干货**40+\*\*篇，并提出了不少优化建议，为内容优化提供基础。 同时，在5月-6月，策划发布1.7版本自动安装体验活动，开发者反馈通过自动化脚本一键安装MindSpore，明显地提升了安装效率。 2022上半年，是耕耘，也是收获。昇思MindSpore易用性SIG各类活动的顺利举办以及易用性的提升都离不开广大开发者们的支持与参与，在此向各位开发者伙伴表示诚挚的感谢！ 2022下半年，昇思MindSpore易用性SIG将会再接再厉，和广大开发者们一起，为打造易用、好用的昇思MindSpore持续努力，帮助开发者们打通使用昇思MindSpore的“最后一公里”。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1669/ --- 新闻 云化科技加入昇思MindSpore开源社区，通过“AI无感加油”助力石油行业智慧化升级 # 云化科技加入昇思MindSpore开源社区，通过“AI无感加油”助力石油行业智慧化升级 2022/08/03 # 云化科技加入昇思MindSpore开源社区，通过“AI无感加油”助力石油行业智慧化升级 近日，**江苏云化能源科技有限公司**签署CCLA（Corporate Contributor License Agreement，企业贡献者许可协议书），正式加入昇思MindSpore开源社区。 **江苏云化能源科技有限公司** 江苏云化能源科技有限公司（以下简称“云化科技”），是一家专注于科技赋能，智慧创新的互联网公司。公司致力于利用人工智能、大数据等新一代互联网技术，通过AI无感加油，助力能源行业实现数字化转型，为车主打造数字化车生活服务平台，现为中石化AI无感加油唯一联合运营商。 云化科技打造的“加油站AI无感支付解决方案”，依托顶层设计及异构系统集成能力，实现了油机、管控、站级、支付等核心系统的统一集成，打通了多平台的数据孤岛，具有高可靠、低延时、大连接、全渠道、多平台等特性，致力于加速油站服务和管理模式升级。 **云化科技 & 昇思MindSpore** 云化科技加入昇思MindSpore开源社区后，将进一步繁荣昇思生态，深化双方社区项目合作，共同打造AI+传统行业的创新性产品及解决方案。 未来，云化科技将继续探索智慧油站的服务场景，拓展站点建设，助力石油行业智慧化升级，与更多的昇思社区伙伴一起，通过更专业、更高效地合作共同推进行业应用落地，构建繁荣的人工智能产业生态圈。 我们诚邀各企业、高校及科研院所加入昇思MindSpore开源社区，成为社区合作伙伴，与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态。 更多合作需求 请扫码添加企业助手进行咨询 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1670/ --- 新闻 湖南省马栏山计算媒体研究院加入昇思MindSpore开源社区，联合研发“岳麓·行为多模态” # 湖南省马栏山计算媒体研究院加入昇思MindSpore开源社区，联合研发“岳麓·行为多模态” 2022/08/02 # 湖南省马栏山计算媒体研究院加入昇思MindSpore开源社区，联合研发“岳麓·行为多模态” 近日，**湖南省马栏山计算媒体研究院**签署CCLA（Corporate Contributor License Agreement，企业贡献者许可协议书），正式加入昇思MindSpore开源社区。 **湖南省马栏山计算媒体研究院** 湖南省马栏山计算媒体研究院是马栏山视频文创园发文、省工信厅为主管部门、省民政厅颁发执照的独立法人科研机构。研究院拥有省市级科技平台，包括湖南省新型研发机构、长沙市智能音视频合成处理人工智能开放创新平台、湖南省人工智能协会常务理事、湖南省人工智能协会智慧文创专委会主任委员、中科院多模态人工智能产业联盟理事。 研究院下设湖南大学《湖南省人工智能与计算媒体研究生培养创新基地》、北京理工大学《多模态交互与媒体计算联合实验室》、武汉理工大学《智能手语联合实验室》等研究机构，研究院是华为昇腾人工智能、EPIC Game China、Nvidia 中国区合作伙伴。 研究院构筑计算媒体SaaS服务平台，推进虚实互动产业，为视频、影视、动漫、教育等数字企业提供AI赋能。研究院联合华为技术有限公司、中科院自动化所、湖南大学、中南大学、北京理工大学开展多模态预计算大模型、言语智能、3D计算建模、手势与手语识别、计算动画等领域研究。 研究院承担省科技厅重大专项（科技创新重点工程）“马栏山5G智能化融媒体关键技术开发与应用示范”项目、马栏山视频文创园产业发展专项“面向动漫的虚拟人三维重建与驱动技术服务平台”、“长沙市智能音视频合成处理人工智能开放创新平台”等重大重点项目。 **马栏山计算媒体研究院 & 昇思MindSpore** 马栏山计算媒体研究院加入昇思MindSpore开源社区后，基于研究院的优势资源，不断推进手语、数字人、多模态大模型等人工智能业务发展，并计划基于长沙市人工智能计算中心100P华为算力设施，联合华为昇腾、自动化所、千博信息，研发“岳麓·行为多模态”。 未来，马栏山计算媒体研究院将进一步繁荣昇思生态，深化双方社区项目合作，共同构建手语识别、手语双向互译云平台及系列终端等信息无障碍创新应用，促进人工智能产业繁荣发展。 我们诚邀各企业、高校及科研院所加入昇思MindSpore开源社区，成为社区合作伙伴，与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态。 更多合作需求 请扫码添加企业助手进行咨询 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1671/ --- 新闻 国产科学计算软件实现“弯道超车”的难得机遇 # 国产科学计算软件实现“弯道超车”的难得机遇 2022/08/01 # 国产科学计算软件实现“弯道超车”的难得机遇 **前言——本文作者：杨奕，深圳湾实验室副研究员** **分子动力学MD（molecular dynamics）模拟**是一种根据分子力场（force field）所描述的势能（potential energy）函数模拟分子的微观运动，从而计算分子体系的物理和化学性质的科学计算工具。 目前，MD模拟在化学、生物、物理、制药、材料、环境等领域有着广泛的应用。早在上世纪六七十年代，就已经出现了针对特定体系的MD模拟程序，而经过几十年的发展，目前市面上已经有了很多通用型的MD模拟软件，表1展示了部分当前较为流行的MD模拟软件。 从中可以看出，他们大多都已经有了几十年的开发历史，产品成熟，且这些软件绝大多数都由西方发达国家开发，特别是由美国开发的软件更是占到大半以上。而由中国人开发的MD模拟软件不但数量很少，且用户群体也基本上都局限在很小的范围，可以说跟这些“流行”的MD模拟软件还有着不小的差距。 **1** **MD模拟软件的先天缺陷** 1.程序框架老旧，且灵活性差，如果想要在原有程序上添加新的算法，往往需要对程序代码进行大幅改动。特别对于第三方的开发者来说，想要在程序中实现自己开发的算法难度非常大。 2.程序多基于CPU进行编写，如果要在GPU等计算加速设备上运行这些程序并实现有效的加速，就必须对程序进行整体改动。不但工程量浩大，且往往会导致之前由第三方人员开发的算法失效。 3.程序多用C/C++甚至Fortran语言编写，难以兼容目前主流的以Python语言为前端语言的AI框架。这导致近些年来开发的一些基于AI的算法难以真正地在MD模拟软件中得到广泛应用。 这些问题都严重制约了MD模拟的发展，特别是最后一条与AI框架的兼容性问题，更是一个严重阻碍AI技术对MD模拟进行“智能化”改造的技术壁垒。 **2** **完全基于AI框架的MD模拟软件** 为了从根本上解决MD模拟软件的先天缺陷，就需要开发完全基于AI框架的MD模拟软件，实现AI算法与MD模拟的无缝结合。 这几十年来，IT技术的发展日新月异，科学计算领域也在随之发生着变化。一方面体现在各种新硬件的推出，比如基于GPU芯片的加速设备已经在科学计算中得到了大量的应用，极大地加快了科学计算的速度。 而另一方面则在于各种新算法的出现，特别是以AlphaFold为代表的基于人工智能AI（artificial intelligent）的算法，展示了AI可以在科学计算中实现很多曾经无法实现或难以企及的目标。 著名科技企业Google于2019年底推出了基于自家JAX框架的MD模拟软件JAX-MD，而几个欧美大学课题也基于PyTorch框架开发了TorchMD。**国内方面高毅勤教授课题组同华为合作，基于华为全场景AI框架MindSpore开发了新一代智能MD模拟软件MindSpore SPONGE。** 相比于传统MD模拟软件，**基于AI框架MindSpore的“智能”MD模拟软件MindSpore SPONGE**有几个优势： 1.借助MindSpore“自动微分（automatic differentiation）”的功能，可以大幅简化分子力场的代码形式。 2.基于MindSpore编写的程序可以大幅简化软件对不同硬件设备的适配。 3.“端到端可微（end-to-end differentiable）”的MD模拟程序。 **3** **基于自动微分简化分子力场代码形式** 在数学上，MD模拟通过分子力场给出的势能函数计算每个原子的受力，从而模拟出分子的运动轨迹。但使用一般程序语言编写的势能函数代码无法直接用来计算原子受力，也就是原子坐标相对于势能函数的负梯度。 因此传统的MD模拟软件不但要编写势能函数的代码，还需要事先求解势能函数对原子坐标的导数，也就是原子受力的解析表达式。因此，无论是理论推导还是代码编写层面的工作量都会大幅增加，也会让程序变得更加复杂，这也是编写传统MD模拟程序的难点之一。 另外，需要手工求解势能函数这一点也极大地限制了分子力场采用数学形式更加复杂的势能函数，否则其函数的导数将难以求解，这也制约了分子力场的发展。 而华为昇思MindSpore的“自动微分”功能，可以直接计算函数的导数，因此基于MindSpore编写分子力场只需编写势能函数的代码即可，原子受力即原子坐标对势能函数的负梯度可以直接通过“自动微分”计算，这不但大幅减少了代码编写的工作量，也在很大程度上简化了MD模拟程序结构的复杂度，同时也极大地拓宽了分子力场可以采用的数学模型的范围。 **4** **简化软件对不同硬件设备的适配** MD模拟软件是一类计算量超大的科学计算程序，因此在实际使用中往往需要进行并行化计算，或者使用GPU等计算加速设备进行计算。 对于传统的MD模拟程序来说，在实现了程序“科学”上的功能之后，对程序进行并行化或GPU设备的移植等“工程”上的工作才是整个软件项目中最复杂、最困难的地方。 而华为全场景AI框架MindSpore能在CPU、GPU和华为自主研发的“昇腾”（Ascend）AI加速芯片上运行，使用MindSpore编写的程序只需修改一行代码便可移植到不同的硬件设备上。 此外，华为昇思MindSpore还具备“自动并行”（automatic parallelism）的能力，只需简单修改代码就能自动实现程序的并行化计算。 因此，基于华为昇思MindSpore开发MD模拟程序，可以使科学家们专注于程序的“科学”功能，而将“工程”上的问题交由MindSpore本身来处理。 **5** **“端到端可微”的MD模拟程序** 如果AI框架具备“高阶自动微分”的能力，那么还能编写出“端到端可微” （end-to-end differentiable）的MD模拟程序，从而实现很多传统MD模拟完全无法实现的功能。 华为昇思MindSpore具备“高阶自动微分”的能力，可以自动求解函数的高阶导数，而“端到端可微”MD模拟是Google在发布JAX-MD时提出的新概念，指MD模拟从输入坐标到计算力再到更新坐标的整个过程都是可微，这对于MD模拟来说是一种革命性的技术。 使用传统MD模拟无法直接获知模拟的最终结果同输入坐标或参数的关系，一旦模拟的结果不符合预期，科研人员只能通过个人经验不断地调整起始坐标或程序参数，再反复进行模拟直到获得理想的结果。 而在“端到端可微”MD模拟中，由于可以直接求解输出结果相对输入坐标或参数的导数，因此科研人员可以像运行一般的AI优化算法那样，直接对MD模拟过程本身进行优化，从而获得理想的结果，避免了“反复尝试”的过程。这即是一种“元优化”（meta-optimization）过程。“端到端可微”被认为是下一代MD模拟的重要特征。 图1 深度学习训练与分子动力学模拟的对比。左：基于MindSpore人工智能框架进行神经网络参数训练过程的示意图。右：基于MindSpore SPONGE分子动力学模拟库进行分子动力学模拟过程的示意图。其中每个方块代表一种程序模块，灰色粗箭头为模块地组合过程，而黑色箭头表示数据更新流程。 **6 “类AI”架构编写的MD模拟软件** MindSpore SPONGE相比传统软件架构更简单、开发更高效、使用更“智能”，还能实现很多传统软件所不能实现功能。认真思考就会发现，AI训练和MD模拟这两个看似完全不同的过程，存在着许多相似的地方。 如图1所示，AI训练的过程是优化器（optimizer）以损失函数（loss function）为优化目标，通过提供的训练数据集（training dataset）计算神经网络参数的梯度，从而对网络模型的参数进行更新。 而MD模拟则是积分器（integrator）根据势能函数计算原子受力，即势能函数相对原子坐标的负梯度，从而对原子坐标进行更新。 因此，MD模拟在某种程度上可以看成是一种特殊的AI训练过程。这种按照AI训练的过程来编写MD模拟程序即为“类AI”框架的MD模拟程序。 MindSpore SPONGE还具备模块化、高通量、“端到端可微”等优点，是根据该架构编写的一款下一代智能MD模拟软件。 **7 总结** MD模拟是一种重要科学计算工具，但目前主流的MD模拟软件几乎都由西方发达国家开发，且经过数十年的积累，产品成熟度高、用户依赖性强，通常开发全新的MD模拟软件很难实现对老牌软件的超越。 而下一代的智能MD模拟软件MindSpore SPONGE具备很多传统软件所不具备的优势，可以实现很多传统软件无法实现的功能，而其作为一种全新事物目前尚处于萌芽阶段。 因此，这给了我们对西方MD模拟软件实现“弯道超车”的难得机遇，全力发展国产的智能MD模拟软件将带给国产科学计算软件一个引领行业发展的机会。 **_8月11至15日_** ，昇思MindSpore社区举办**第二季「MindSpore SPONGE暑期学校」**。 14位国内知名专家全程手把手授课，我们希望MindSpore SPONGE被更多的老师，学生和业界开发者使用，并吸引到更多的开发者加入社区共同开发，丰富MindSpore SPONGE套件，共同探索开源科学软件的未来。 （扫码报名） MindSpore SPONGE官方资料 MindSpore SPONGE Gitee： https://gitee.com/mindspore/mindscience/ MindSpore官网： https://www.mindspore.cn/ MindSpore Gitee： https://gitee.com/mindspore/mindspore **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1675/ --- 新闻 MSG企业行·AIoT专场成功举办！多家企业共同探讨各行业领域融合创新发展！ # MSG企业行·AIoT专场成功举办！多家企业共同探讨各行业领域融合创新发展！ 2022/08/01 # MSG企业行·AIoT专场成功举办！多家企业共同探讨各行业领域融合创新发展！ \*\*7月30日下午，MSG企业行·AIoT线上专题交流会成功举办！\*\*昇思MindSpore开源社区联合知名媒体选型宝，邀请到了华为技术有限公司、ClickPaaS、京东方能源、信泰集团、和睦家、通奥检测集团等知名企业嘉宾，分享了昇思MindSpore技术特性与行业应用实践、AIoT在智慧医疗、工业自动化、零碳能源等场景的落地与应用。 本次MSG企业行·AIoT专场活动，海尔、滴滴、用友、地平线、小米、三菱、云集、上海广播电视台等多家知名企业代表报名参与，活动现场**60**余家AI行业领先代表基于AI与IoT在众多产业融合落地等方面进行了热烈的研讨与交流。 昇思MindSpore官方B站、选型宝、ClickPaaS、示说等多平台同步直播，观看超**1W**人次。 昇思MindSpore介绍与生态策略 **华为昇思MindSpore研发工程师辰明光**：简述了AI目前发展状态，介绍了华为开源的新一代全场景AI框架——昇思MindSpore的重点特性与生态策略。展示了昇思MindSpore构建繁荣开源生态，赋能人工智能+产业融合的新画面。 IoT+低代码双核驱动工业PaaS **ClickPaaS首席产品官马俊**：从中国工业核心技术、工业企业数字化难点、中国工业企业数字化转型呼唤全新架构的应用基座等几个方面展开探讨，并基于云计算、企业数字化中台等技术领域进行工业案例分享。 基于AIoT的智慧检测平台介绍分享 **通奥检测集团CIO马梁**：基于1——N体系架构，全方位支持业务发展，介绍了行业领先的人工智能智慧检测平台，并基于AIoT进行了石油行业的相关感受分享。 和睦家远程诊疗平台及IOT应用场景 **和睦家HIS系统及数字化解决方案总监唐瑞莲**：介绍了和睦家医疗患者门户与互联网医院平台，并基于互联网医院平台及IOT应用场景的痛点，分享了和睦家互联网医院远程诊疗的实际应用案例。 基于“双碳+AIOT”下的零碳综合能源服务 **京东方能源科技CTO姜宇**：基于”双碳+AIOT”的技术背景，分享了零碳综合能源服务实践和应用案例，探讨了“源-网-荷-储-碳”多场景下，多能供应、能效管理、能源建设、智能运维、碳交易等细分解决方案。 数字化新基座，IOT助力信泰智慧智造 **信泰集团数字化中心高级经理刘方敏**：从工业互联网、大数据、自动化改造、智能制造等方面，分享了独特的见解和宝贵的经验。 视频链接：https://www.bilibili.com/video/BV1ZV4y1L7zV?spm\_id\_from=333.999.0.0&vd\_source=a167ce7abbcf086a91bc3d842fcd9fc6 关注MindSpore关注公众号，回复“AIOT”获取议题材料！ 昇思MindSpore开源社区聚焦各地核心科技板块，赋能行业应用落地，加速人工智能+产业融合，推动AI各行业领域的创新发展，打造开发共赢的产业生态圈。 欢迎各企业、高校及研究院所加入昇思MindSpore开源社区，成为社区合作伙伴，与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1676/ --- 新闻 泰迪智能科技加入昇思MindSpore开源社区，共同打造创新趣味AI课程 # 泰迪智能科技加入昇思MindSpore开源社区，共同打造创新趣味AI课程 2022/07/22 # 泰迪智能科技加入昇思MindSpore开源社区，共同打造创新趣味AI课程 近日，**广东泰迪智能科技股份有限公司**签署CCLA（Corporate Contributor License Agreement，企业贡献者许可协议书），正式加入昇思MindSpore开源社区。 **广东泰迪智能科技股份有限公司** 广东泰迪智能科技股份有限公司（以下简称“泰迪智能科技”）于2013年5月成立，公司主要从事大数据及人工智能基础研究、培训、咨询服务的高科技企业。先后获批了广州市科技创新小巨人企业、广州市人工智能企业、广州市科技研发机构和国家高新技术企业、广州开发区瞪羚企业、广州绿+企业认定、于2019年成功在广东股权交易中心科技创新专版挂牌，2021年粤港澳大湾区新经济先锋企业50强。 公司坚持自主研发，开发出顶尖大数据挖掘（TipDM）系列产品，并已成功应用于电力、教育、电信、金融、科研院所、政府机构等行业。 基于十余年的数据智能产业实践经验，泰迪智能科技始终专注于大数据和人工智能方向构建“岗、证、赛、书、课”融通的特色职业人才培养模式，助力中国职业教育高质量发展。 目前公司拥有团队200多人，15个分公司分布全国各地，50余项大数据挖掘技术相关专利，35项软件著作权，出版图书专著60余本，与1500多个高校达成合作，惠及师生近百万人。 泰迪智能科技于2013年联合华南师范大学共同发起“泰迪杯”数据挖掘挑战赛，主要面向全国在校研究生和大学生。截至目前，“泰迪杯”已覆盖国内所有省、市、自治区、特别行政区及台湾地区，累计超1500所院校参赛，参赛师生超14万人次，成为国内高校学生大数据技术最主要的交流平台。 此外，泰迪智能科技还联合承办广东省新职业技术技能大赛（人工智能工程技术赛项），深圳市人社局大数据技能大赛、“华中杯”大学生数学建模挑战赛等十余个竞赛，覆盖了数据挖掘、数学建模、数据分析等多个方向。 **泰迪智能科技 & 昇思MindSpore** 泰迪智能科技加入昇思MindSpore开源社区后，不断促进公司对外公共服务的SAAS平台：模型交易平台（依托大数据挖掘建模平台EB）实现基于昇思MindSpore框架开发的海量模型的开发和成果交易。 公司核心产品“大数据挖掘建模平台”及其他相关产品实现对昇思MindSpore框架的适配支持，向终端客户推荐使用基于昇思MindSpore框架的深度学习产品。 未来，泰迪智能科技将进一步繁荣昇思生态，深化双方社区项目合作，基于昇思MindSpore全场景AI框架共同打造人工智能创新性课程、案例课程及配套教程、实训环境及实训指导书等；并计划利用公司主办的全国性数据挖掘竞赛“泰迪杯数据挖掘挑战赛”推广高校参与基于昇思MindSpore框架的项目开发。 泰迪智能科技期待与更多的昇思社区伙伴一起，通过更专业、更高效地合作共同推进行业应用落地，构建繁荣的人工智能产业生态圈。 我们诚邀各企业、高校及科研院所加入昇思MindSpore开源社区，成为社区合作伙伴，与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态。 更多合作需求 请扫码添加企业助手进行咨询 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1678/ --- 新闻 小驴智能加入昇思MindSpore开源社区，通过行为建模打造“学生综合素养AI助学系统” # 小驴智能加入昇思MindSpore开源社区，通过行为建模打造“学生综合素养AI助学系统” 2022/07/25 # 小驴智能加入昇思MindSpore开源社区，通过行为建模打造“学生综合素养AI助学系统” 近日，**广州市驴车信息科技有限公司**签署CCLA（Corporate Contributor License Agreement，企业贡献者许可协议书），正式加入昇思MindSpore开源社区。 **广州市驴车信息科技有限公司** **广州市驴车信息科技有限公司**（以下简称“**小驴智能**”）成立于2011年，注册资本2000万，是华为数字生态服务商，公司为生态伙伴和客户提供华为数字生态产品合作、服务和技术支持和资金支持，同时在智慧园区、智慧校园、智慧乡村、信创改造等领域提供数字化解决方案及产品支撑。 公司拥有超过50多项专利和软件等知识产权，覆盖管理软件和智能算法领域，应用于智慧金融、智慧园区、智慧校园、智慧轨交等领域。 小驴智能smartC内容管理软件通过华为鲲鹏技术认证，银河麒麟操作系统兼容认证，达梦数据库、保兰德中间件等适配认证，获得广东省优秀软件产品奖。 公司研发和运营团队已超过300人，覆盖北京、上海、广州、深圳、香港、成都、中山等地，秉承“创新、拼搏、诚信”的企业精神为广大客户提供优异的服务。 **小驴智能 & 昇思MindSpore** 小驴智能基于昇思MindSpore打造“**学生综合素养AI助学系统**”，通过行为建模进行智能洞察分析，根据教学视频等数据，运用深度学习和大数据技术进行学情建模，运用人工智能技术提供智能、全面、科学的学生综合素质评价体系，辅助提高青少年综合素养。 通过对学生在学校产生的教学行为进行智能洞察分析，得出学生综合素养的评价，最后根据评价指标给出相应的辅导策略，通过闭环的对学生进行洞察、评价、辅导，辅助学生综合素养的发展。 小驴智能加入昇思MindSpore开源社区后，将进一步繁荣昇思生态，以生态合作为主要业务模式，基于小驴智能核心技术和生态伙伴产品，采用生态合作的模式，不断提升解决方案和产品的先进性和应用效率。 我们诚邀各企业、高校及科研院所加入昇思MindSpore开源社区，成为社区合作伙伴，与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态。 更多合作需求 请扫码添加企业助手进行咨询 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1680/ --- 新闻 中国科学院金属研究所科研课题获华为技术认证，助力材料学发展新范式！ # 中国科学院金属研究所科研课题获华为技术认证，助力材料学发展新范式！ 2022/07/26 # 中国科学院金属研究所科研课题获华为技术认证，助力材料学发展新范式！ **中国科学院金属所科研课题获华为技术认证** 近日，**中国科学院金属研究所（以下简称“中科院金属所”）科研课题“凝固过程组织演化的相场模型的人工智能求解”与AI框架昇思MindSpore顺利完成兼容性测试，获华为技术认证**。该课题通过昇思搭建神经网络替代传统有限元分析的方式求解相场方程，助力材料学发展新范式。 全场景AI框架昇思MindSpore，具备自动微分、自动并行、多场景部署的特点，而且支持科学计算领域数据处理及数据生成，可以大大提高求解偏微分方程的速度。 本次兼容性测试在沈阳昇腾人工智能生态创新中心的支持下完成。 除了“凝固过程组织演化的相场模型的人工智能求解”科研课题的合作，沈阳昇腾人工智能生态创新中心还与中科院金属研究所2个院士团队、9个研究部进行了多轮交流，**确定19个合作方向，其中3个议题正在提报基础模型，15个创新课题正在进行昇腾技术认证**。 当前昇腾AI技术应用于中科院金属所在材料学领域的理论、模型和技术开发。 沈阳昇腾人工智能生态创新中心与中科院金属所在人工智能领域重点攻坚方向涵盖无机功能材料、高性能低维材料、能源材料、高性能结构材料、高端基础零部件和材料大数据等，助力中科院金属所在材料基础理论和技术开发上孵化研究成果，加快材料研制效率，加快材料产品创新，助力企业数字化、智能化升级。 未来双方将加强合作，以AI技术助力中科院金属所主攻国家急需材料技术，完成更多高难度的科研任务，并为金属所开展其它国家级重大项目攻关提供重要的软硬件资源条件保障。 **中国科学院金属研究所介绍** 中国科学院金属研究所成立于1953年，是新中国成立后中国科学院新创建的首批研究所之一，现已建设成为材料科学与工程领域国内一流并具有重要国际影响的研究机构，是我国高性能材料研究与发展的重要基地。 在人工智能研发领域，中国科学院金属研究所已有成分-工艺-组织-性能的计算模拟、材料大数据检测、数据驱动的材料AI模型、物理驱动地材料AI模型、计算驱动的材料AI模型、材料组织的AI预测、材料工艺的AI预测、合金成分AI预测、服役过程故障AI预测、新材料的新工艺的AI预测、通用模型算法和软件集成等重点研究方向。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1682/ --- 新闻 朋友圈再“扩列”！昇思生态城市行西安站重磅揭幕 # 朋友圈再“扩列”！昇思生态城市行西安站重磅揭幕 2022/07/26 # 朋友圈再“扩列”！昇思生态城市行西安站重磅揭幕 \*\*2022年7月22日昇思生态城市行系列活动西安站顺利揭幕。\*\*活动现场，华为与多家陕西企业、高校分享了基于昇思MindSpore的行业应用实践与前沿研究课题，并向西咸新区天枢航空科技有限公司、中科星图空间技术有限公司、西安锐思数智科技股份有限公司、西安交通大学等10余家企业和高校的创新AI认证方案进行现场授牌。 此次活动由西安市雁塔区人民政府、西安市科学技术局指导，华为、秦创原创新促进中心、西安市人工智能产业发展联盟主办，西安未来人工智能计算中心、陕西人工智能生态创新中心承办。 昇思MindSpore技术认证颁发仪式（一） 昇思MindSpore技术认证颁发仪式（二） **算力使能 生态先行** **昇腾AI打造西安人工智能“西引力”** **西安市雁塔区科技和工业信息化局局长李长武**在致辞中表示，“东数西算”工程为西部地区产业格局带来新的发展机遇，西安未来人工智能计算中心作为西北地区最大的算力集群，可提供普惠的公共算力服务，对扶持本地人工智能企业快速成长，打通政产学研用起着关键作用，已经成为西安市政府整合多方资源协同创新的“牵牛绳”。 **华为昇腾计算业务副总裁田昆阳**在大会致辞中指出，AI产业发展的关键是构建AI根技术生态。昇思MindSpore作为AI根技术，承担起了万物互联时代人工智能操作系统的关键角色。昇思积极倡导“多芯一生态”，联合伙伴进行南向异构芯片与北向应用平台的双向适配，结合各芯片厂商技术优势以及应用场景实际需求，加速行业应用落地，推动AI产业繁荣。 **开源开放成果产业共享** **昇思生态硕果累累** 西安未来人工智能计算中心作为中国算力网——智算网络的关键节点之一，已吸引入驻150多家高校科研团队和企业，其基于昇腾AI澎湃的算力、昇思原生AI技术在智能遥感、智慧城市、智能制造、智慧医疗等多场景领域孵化了一批AI应用创新方案。 本次活动中，华为对西咸新区天枢航空科技有限公司、中科星图空间技术有限公司、西安锐思数智科技股份有限公司、西安交通大学等10余家企业和高校的最新昇思技术方案现场授牌。 **昇思易用性再升级** **为生态发展提供源动力** 昇思生态的快速发展离不开用户的使用与贡献，在即将发布的昇思MindSpore1.8版本中针对AI易用性进行了三大能力升级——丰富模型压缩算法集MindSpore Golden Stick，大幅降低AI部署门槛；高性能开源模型Transformer库，百行代码即可实现千亿参数大模型的开发；统一MindSpore Hybrid DSL表达，满足全平台快速验证和实时编译等需求。 昇思生态城市行活动从广州出发，重点覆盖北京、上海、西安、成都等国内人工智能重点发展区域。该活动基于昇腾人工智能计算中心，围绕昇思AI框架应用，发展昇腾AI生态展开，进而加速AI技术创新、行业应用落地和产业发展，推动千行百业智能化升级。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1683/ --- 新闻 报名倒计时！7月30日【MSG企业行·AIoT】精彩预告！ # 报名倒计时！7月30日【MSG企业行·AIoT】精彩预告！ 2022/07/27 # 报名倒计时！7月30日【MSG企业行·AIoT】精彩预告！ **MSG企业行·AIoT** 随着人工智能、物联网、大数据等技术的快速发展和高度融合，以及在众多产业中的垂直产业落地应用，将进一步推动人类、机器、自然三者高效协作，AIoT有望进入更广阔的市场应用。 **_7月30日_\*\*\*\*【MSG企业行·AIoT】线上专题交流会**，**_报名倒计时3天_** ！昇思MindSpore、选型宝等多平台同步直播！ **一** **特邀嘉宾** **1 辰明光**：华为昇思MindSpore高级研发工程师，昇思MindSpore算子和网络开发专家 **2 姜宇**：全球最大液晶显示的制造厂商京东方能源科技CTO，聚焦综合能源服务，零碳综合能源建设行业专家 **3 马俊**：ClickPaaS首席产品官，联合国工业发展组织国别顾问，原Salesforce中国首席顾问，前神州数码云计算有限公司副总经理，24年企业数字化应用咨询及落地经验 **4 刘方敏**：信泰集团数字化中心高级经理15年制造行业数字化领域研究，纺织制造业数字化转型领域专家 **5 唐瑞莲**：和睦家HIS系统及数字化解决方案总监，CPHIMS（Certified Professional in Healthcare Information & Management Systems）认证专家，10年HIS临床信息系统管理与建设经验 **6 马梁**：通奥检测集团CIO ，10年石油IT行业经验，2022全国优秀首席信息官 **二** **活动亮点** 1 昇思MindSpore重要特性与生态发展 2 中国工业企业数字化转型呼唤全新架构的应用基座 3 “源-网-荷-储-碳”多场景下，多能供应、能效管理、能源建设、智能运维、碳交易等细分解决方案 4 企业门户级平台、项目管理等领域有独特的见解和宝贵的经验 5 远程诊疗应用平台及IOT应用场景 6 IOT在工业互联网、大数据、自动化改造、智能制造案例应用 报名链接：https://wj.qq.com/login\_resp.html?s\_url=https%3A%2F%2Fwj.qq.com%2Fs2%2F10525833%2F0c3a&sid=10525833&hash=0c3a&login\_type=weChatClient&scene\_type=respondent 注：活动链接会在报名审核后通过邮件发送，未收到可私信小助手获取~ **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1684/ --- 新闻 中林信达加入昇思MindSpore开源社区，构建智能安全和谐的自然生态 # 中林信达加入昇思MindSpore开源社区，构建智能安全和谐的自然生态 2022/07/27 # 中林信达加入昇思MindSpore开源社区，构建智能安全和谐的自然生态 近日，**中林信达（北京）科技信息有限责任公司**签署CCLA（Corporate Contributor License Agreement，企业贡献者许可协议书），正式加入昇思MindSpore开源社区。 **中林信达（北京）科技信息有限责任公司** 中林信达(北京)科技信息有限责任公司（以下简称“中林信达”）是一家主要从事生态安全监管和自然资源监测的高新技术企业，是行业领先的解决方案和专业化、定制化产品提供商。 公司一直以“智能感知自然、科技呵护生态”为己任，基于大数据+AI图像识别技术和自研AIoT终端产品，专注于生态资源安全监管信息技术与产品的探索和实践，致力于森林、草原、自然保护地等生态安全领域数字化和现代化建设。 中林信达牵头起草和参与制定了《林业大数据中心建设规范》、《森林防火视频监控技术规范》等11项行业标准。公司在智能烟火识别算法、高精度转台设计方面的研发能力已达到国际领先水平。 **智能感知自然、科技呵护生态** 中林信达运用物联网技术、视频监控技术、网络传输技术、3S技术、智能图像识别技术等打造“**精准火险预警发布系统**”、“**端边云烟火识别系统**”、“**森林防火视频监控系统**”、“**防火扑救指挥系统**”，全天时实时智能观测森林火情，通过智能图像识别算法对初发火情，做到及时发现，使火灾隐患消亡在萌芽状态。 中林信达融合了物联网、视频监控、4G网络传输、地理信息、智能图像识别等相关技术打造“野生动物保护与监测系统”，实现了全天时监测、现场实况视频回传、目标自动图像识别和跟踪、自动定位、野生动物定位项圈位置显示等功能。 **中林信达 & 昇思MindSpore** 中林信达加入开源社区后，将基于昇思MindSpore全场景AI框架部署适合林区应用的专业网络，实现林业专网的高宽带、多频次覆盖以及多业务整合，满足智能、安全、生态、和谐的林业信息化建设目标。 未来，中林信达将与更多的昇思社区伙伴一起，共同为森林、草原、自然保护地等生态安全领域数字化和现代化建设打造创新性解决方案，构建繁荣的人工智能产业生态圈。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1686/ --- 新闻 昇思MindSpore布道师招募开启，邀你成为昇思技术领袖！ # 昇思MindSpore布道师招募开启，邀你成为昇思技术领袖！ 2022/07/30 # 昇思MindSpore布道师招募开启，邀你成为昇思技术领袖！ 昇思MindSpore从诞生之初，就致力于打造一个属于开发者自己的开源社区。 我们一直坚信，真正建设一个优秀的开源社区，是有大量的开发者愿意将自己所在的领域，用通俗易懂的语言给大家科普，用直观的数据让大家判断性能的高低，用简洁的代码实现简单好用的工具方便大家使用，这些正是一个开源社区的魅力所在。 截至目前，至今已有**302位**优秀开发者、**36位**布道师活跃在社区，他们为昇思MindSpore社区贡献了多项高质量的内容。 2022年下半年我们开启了新一期布道师招募，期待更多的开发者加入我们的行列，在这里获得更多的技术提升，为开源社区持续贡献力量。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1687/ --- 新闻 内修昇思MindSpore AI框架，外重行业汇聚，华为大模型的不平凡之路 # 内修昇思MindSpore AI框架，外重行业汇聚，华为大模型的不平凡之路 2022/07/31 # 内修昇思MindSpore AI框架，外重行业汇聚，华为大模型的不平凡之路 要说近几年深度学习领域最热门的研究课题有哪些？大模型肯定在列。从 2020 年 OpenAI 发布 1750 亿参数的 GPT-3 开始，炼大模型这股潮流变得不可阻挡。依托自身效果好、泛化能力强等特点，大模型进一步增强 AI 的通用性，更成为 AI 技术和应用的新基座。 科技巨头们纷纷下场，接连推出千亿甚至万亿参数级的大模型。而纵观现有大模型，NLP、CV 以及多模态成为三个主要的发力方向，这些偏向于基础大模型；同时，能否落地应用成为检测大模型能力的重要指标，因此具备丰富领域知识的行业大模型也越来越受到业界的关注。 在大模型这条赛道上，国内 AI 厂商各显神通。华为也不例外，原生支持大模型训练的昇思 MindSpore AI 框架成为其发展大模型的关键。昇思 MindSpore 的开源开放使得国内产学界一些科研机构基于它打造了一系列大模型。 据了解，昇思 MindSpore 在进行架构设计时就考虑了大模型开发时遇到的内存占用、通信瓶颈、调试复杂、部署难等问题，针对性的技术研究与创新： - **业界领先的全自动并行能力**，提供 6 维混合并行算法，即数据并行、模型并行、流水并行、优化器并行等，一行代码实现模型自动切分、分布式并行计算，开发并行代码量降低 80%、系统调优时间下降 60%； - **极致的全局内存复用能力**，在开发者无感知的情况下，自动实现 NPU 内存 / CPU 内存 / NVMe 硬盘存储的多级存储优化，512 卡就可训练 10 万亿规模的参数模型，极大降低大模型训练成本； - **极简的断点续训能力**，可解决大集群训练故障导致的任务中断问题，实现自动恢复、继承性训练，开发者无需从头开始，千亿参数模型在分钟级就可无损恢复。 鹏城实验室基于昇思 MindSpore 先后推出了业界首个 2000 亿参数中文预训练语言模型鹏程.盘古和面向生物医学领域的鹏程.神农大模型、中科院自动化所基于昇思 MindSpore 推出了业界首个图文音三模态大模型紫东.太初、武汉大学基于昇思 MindSpore 研发了全球首个智能遥感框架及数据集武汉.LuoJia。 同时，将大模型能力开放给开发者也非常重要。昇思 MindSpore 没有忽视这一点，推出了一站式大模型体验平台，让你我皆可触碰大模型的魅力。 **依托昇思MindSpore** **构筑基础 + 行业大模型的整体布局** 人工智能有三大支柱，分别为算力、数据和算法。根据中国信息通信研究院《AI 框架发展白皮书》的描述，AI 框架正是算法模型设计、训练和验证的一套标准接口、特性库和工具包。目前，流行的 AI 框架有国内的昇思 MindSpore、国外的 TensorFlow、PyTorch 等。 2020 年 3 月 28 日，**华为将全场景 AI 计算框架昇思 MindSpore 正式开源，致力于构筑面向全球的开源社区，持续推动 AI 开源生态繁荣发展**。随着越来越多的知名高校和科研机构拥抱昇思 MindSpore，它们联合昇思 MindSpore 先后打造出了覆盖 NLP、CV 和多模态融合以及特定于某个领域的专用大模型，逐渐形成了基础大模型 + 行业大模型的整体布局。 **四大模型介绍** 2021 年 5 月，在华为生态大会 2021「昇腾万里 共赢智能新时代」上，**鹏城实验室基于昇思 MindSpore 推出了全球首个 2000 亿参数中文 NLP 大模型鹏\*\*\*\*程.盘古**，它在预训练阶段学习了 40TB 的中文文本数据。在性能方面，鹏程.盘古在 16 个下游任务中性能指标优于业界 SOTA 模型；在应用方面，鹏程.盘古在知识问答、知识检索、知识推理等丰富的文本生成领域表现突出。 为了让鹏程.盘古大模型在各行各业的语言类场景下发挥作用，它的模型、代码和数据集在 OpenI 启智社区进行开源开放，吸引大家共同参与到模型的压缩轻量化和应用创新工作中，不断挖掘鹏程.盘古的巨大潜力。 鹏程.盘古大模型专注于文本模态，多模态则是 AI 世界的常态。推及到预训练大模型，业界广泛认为由单模态扩展至多模态是必由之路。**中科院自动化所基于昇思 MindSpore 打造了全球首个千亿参数三模态大模型紫东.太初**，通过跨模态语义关联达成了视觉-文本-语音三模态的统一表达和高效协同。 紫东.太初多模态大模型具有超强的图文音跨模态理解与生成能力，与单模态相比，只需要一个大模型就能支撑图文音全场景 AI 应用。紫东.太初大幅提升文本、语音、图像和视频等领域的基础任务性能，在多模态内容的理解、搜索、推荐和问答、语音识别和合成、人机交互和无人驾驶等商业应用中具有巨大的市场价值。紫东.太初同样坚持基础模型开源的开源开放，**通过开源的形式将模型分享业界使用，让伙伴们基于紫东.太初孵化更多的行业应用，同时开源协作还将有利于模型进一步升级，开发者可以在紫东.太初模型代码的基础上持续创新**。 无论是鹏程.盘古，还是紫东.太初，都属于基础大模型。接下来要说的是行业大模型，当被输入丰富的行业知识时，更专的大模型也就出现了。 同样在华为全联接 2021 上，**鹏城实验室基于昇思 MindSpore AI 框架打造的鹏程.神农大模型正式发布**，它是面向生物医学领域的AI平台，包含蛋白质结构预测、小分子生成、靶点与小分子相互作用预测以及新抗菌多肽设计与效果评价等模块，深度赋能生物制药。借助鹏程.神农的能力，制药企业和医学研究机构将大大加速新型药物的筛选与创制。 在抗菌肽（下一代抗菌素）的探索中，借助鹏程.神农大模型强大的氨基酸序列生成能力，并结合现有抗菌肽数据集，人们可以在很短时间内产生数万种候选肽的氨基酸序列。传统方法在长达四十年的时间里仅仅生成4000多种候选多肽，而鹏程.神农 + 抗菌肽分类器的组合在数月内产生30万种候选多肽。前后效果对比可见一斑，这也正是大模型的魔力。 2021年7月，**武汉大学正式推出武汉.LuoJia，包含全球首个遥感影像智能解译专用框架武汉.LuoJiaNET 和业界最大遥感影像样本数据集武汉.LuoJiaSE\*\*\*\*T**，**并已于今年6月分别上线昇腾和昇思社区**。武汉.LuoJia 整体解决方案为遥感应用开发提供便利，让智能遥感技术在自然资源、海洋、农业、森林、应急等行业得到广泛应用。 武汉.LuoJiaNET 针对遥感数据存在的像幅尺寸大、数据通道多、尺度变化大等特点，兼具内存可扩展、尺度通道灵活创建、数据通道自主优选、框架与数据协同处理等特性。其构建了针对遥感影像「场景 - 目标 - 像素」多维度的遥感应用模型，能够完成场景检索、目标检测、地物分类、变化检测、多视角三维重建等任务。 武汉.LuoJiaSET 则是遥感领域满足 OGC 标准的大规模遥感影像样本库，制定了支持全球范围的遥感影像样本分类标准、标注规范，建立涵盖不同遥感任务的统一分类体系，形成样本要素的采集要求、内容和流程规范，支持多级别、多类型遥感影像样本库的采集、制作、管理、共享和应用。 从这些大模型来看，**华为已经形成了一套清晰和成熟的支持大模型发展的路径，即通过科研机构基于昇腾 AI，利用全场景 AI 框架昇思 MindSpore，打造各类大模型**如鹏程.盘古和鹏程.神农大模型利用了「鹏城云脑 II」超大规模 AI 集群，紫东.太初和武汉.LuoJia 利用了武汉人工智能计算中心 AI 集群。如此一来，昇思 MindSpore AI 框架赋能+ 昇腾 AI 提供的强大算力底座，形成的良性循环将进一步为大模型的研发注入活力。 在华为伙伴暨开发者大会 2022 上，华为发布了其昇腾大模型沙盘规划，明确了基础大模型和行业大模型/应用并行发展的整体布局。在继续推进 NLP、CV 和多模态等基础 AI 创新的同时，立足于行业以实现大模型在互联网、电力、智慧城市、金融和农业等更多领域发光发热。 在大模型实现落地应用的过程中，开发者的实际体验和意见反馈是非常重要的一环。目前来看，构建体验平台和开发者社区是比较流行的做法。如此一来，开发者可以在终端上手体验大模型的能力，并及时给予反馈以便进一步改进和完善。 基于此，昇思MindSpore社区打造了一站式大模型体验平台，并于今日正式上线。开发者可以在线体验大模型推理任务，从而最便捷地使用基于昇思的创新大模型。 据了解，昇思大模型体验平台的亮点在于集模型选型、在线推理、在线训练为一体，还支持了 Gradio 项目可视化推理、在线进行迁移学习。开发者可以在线查询基于昇思 MindSpore 构建的模型和数据集，并选择自己感兴趣的大模型及相关任务，如鹏城.盘古大模型的知识问答、检索和推理等、紫东.太初多模态大模型的以音搜图、以图生音和以音生图等。 - 昇思大模型体验平台：https://xihe.mindspore.cn 昇思大模型体验平台将于即日起开启公测，截止至 9 月 30 日参与平台公测将可享受以下福利： - 第一阶：首次注册，赠送 1 小时算力 - 第二阶：下载首个模型，赠送 1 小时算力 - 第三阶：邀请新用户成功注册，邀请最多新用户的前三名老用户，赠送价值 5000 元、3000 元、1000 元京东卡 - 第四阶：下载模型最多用户，前三位赠送价值 3000 元、2000 元、1000 元京东卡 - 第五阶：创建可运行项目最多的前三位赠送 2000 元、1000 元 、500 元的算力 联系小助手即可领取相应福利；微信 mindspore0328 **结语** 在各大科技巨头纷纷下注大模型赛道的当下，形成自己的核心竞争力变得尤为重要。昇思 MindSpore AI 框架已经成为了大模型研发的技术支撑，开源开放更使得产学界可以基于它研发自己的大模型。当前，华为联合科研机构和产业界，基于昇思 MindSpore AI 框架与各地人工智能计算中心的昇腾 AI 强大算力不断发展基础大模型和行业大模型的产业生态，赋能千行百业数字化、智能化。 同时，为了进一步促进大模型的产业化落地，华为携手合作伙伴成立多个产业联盟，如基于武汉.LuoJia 的智能遥感开源生态联盟和基于紫东.太初的多模态人工智能产业联盟。今年，华为还计划推出 AI 流体力学产业联盟、AI 生物医药产业联盟等。 产业联盟的建立一方面促进合作伙伴基于已有大模型孵化更多行业应用，让大模型真正赋能产业；另一方面大模型得到了行业更丰富数据、和更泛化应用场景的反哺，由此带来基础能力的不断提升，让大模型更智能、更适配应用场景。 _参考链接：_ _https://www.mindspore.cn/largeModel/taichu_ _https://www.mindspore.cn/largeModel/pangu_ _https://www.pcl.ac.cn/html/943/2021-09-26/content-3858.html_ _http://www.caict.ac.cn/english/research/whitepapers/202203/P020220322344729036910.pdf_ **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1688/ --- 新闻 国产科学计算软件实现“弯道超车”的难得机遇 # 国产科学计算软件实现“弯道超车”的难得机遇 2022/08/01 # 国产科学计算软件实现“弯道超车”的难得机遇 **前言——本文作者：杨奕，深圳湾实验室副研究员** **分子动力学MD（molecular dynamics）模拟**是一种根据分子力场（force field）所描述的势能（potential energy）函数模拟分子的微观运动，从而计算分子体系的物理和化学性质的科学计算工具。 目前，MD模拟在化学、生物、物理、制药、材料、环境等领域有着广泛的应用。早在上世纪六七十年代，就已经出现了针对特定体系的MD模拟程序，而经过几十年的发展，目前市面上已经有了很多通用型的MD模拟软件，表1展示了部分当前较为流行的MD模拟软件。 从中可以看出，他们大多都已经有了几十年的开发历史，产品成熟，且这些软件绝大多数都由西方发达国家开发，特别是由美国开发的软件更是占到大半以上。而由中国人开发的MD模拟软件不但数量很少，且用户群体也基本上都局限在很小的范围，可以说跟这些“流行”的MD模拟软件还有着不小的差距。 **1 MD模拟软件的先天缺陷** 1 程序框架老旧，且灵活性差，如果想要在原有程序上添加新的算法，往往需要对程序代码进行大幅改动。特别对于第三方的开发者来说，想要在程序中实现自己开发的算法难度非常大。 2 程序多基于CPU进行编写，如果要在GPU等计算加速设备上运行这些程序并实现有效的加速，就必须对程序进行整体改动。不但工程量浩大，且往往会导致之前由第三方人员开发的算法失效。 3 程序多用C/C++甚至Fortran语言编写，难以兼容目前主流的以Python语言为前端语言的AI框架。这导致近些年来开发的一些基于AI的算法难以真正地在MD模拟软件中得到广泛应用。 这些问题都严重制约了MD模拟的发展，特别是最后一条与AI框架的兼容性问题，更是一个严重阻碍AI技术对MD模拟进行“智能化”改造的技术壁垒。 **2** **完全基于AI框架的MD模拟软件** 为了从根本上解决MD模拟软件的先天缺陷，就需要开发完全基于AI框架的MD模拟软件，实现AI算法与MD模拟的无缝结合。 这几十年来，IT技术的发展日新月异，科学计算领域也在随之发生着变化。一方面体现在各种新硬件的推出，比如基于GPU芯片的加速设备已经在科学计算中得到了大量的应用，极大地加快了科学计算的速度。 而另一方面则在于各种新算法的出现，特别是以AlphaFold为代表的基于人工智能AI（artificial intelligent）的算法，展示了AI可以在科学计算中实现很多曾经无法实现或难以企及的目标。 著名科技企业Google于2019年底推出了基于自家JAX框架的MD模拟软件JAX-MD，而几个欧美大学课题也基于PyTorch框架开发了TorchMD。**国内方面高毅勤教授课题组同华为合作，基于华为全场景AI框架MindSpore开发了新一代智能MD模拟软件MindSpore SPONGE。** 相比于传统MD模拟软件，**基于AI框架MindSpore的“智能”MD模拟软件MindSpore SPONGE**有几个优势： 1 借助MindSpore“自动微分（automatic differentiation）”的功能，可以大幅简化分子力场的代码形式。 2 基于MindSpore编写的程序可以大幅简化软件对不同硬件设备的适配。 3 “端到端可微（end-to-end differentiable）”的MD模拟程序。 **3** **基于自动微分简化分子力场代码形式** 在数学上，MD模拟通过分子力场给出的势能函数计算每个原子的受力，从而模拟出分子的运动轨迹。但使用一般程序语言编写的势能函数代码无法直接用来计算原子受力，也就是原子坐标相对于势能函数的负梯度。 因此传统的MD模拟软件不但要编写势能函数的代码，还需要事先求解势能函数对原子坐标的导数，也就是原子受力的解析表达式。因此，无论是理论推导还是代码编写层面的工作量都会大幅增加，也会让程序变得更加复杂，这也是编写传统MD模拟程序的难点之一。 另外，需要手工求解势能函数这一点也极大地限制了分子力场采用数学形式更加复杂的势能函数，否则其函数的导数将难以求解，这也制约了分子力场的发展。 而华为昇思MindSpore的“自动微分”功能，可以直接计算函数的导数，因此基于MindSpore编写分子力场只需编写势能函数的代码即可，原子受力即原子坐标对势能函数的负梯度可以直接通过“自动微分”计算，这不但大幅减少了代码编写的工作量，也在很大程度上简化了MD模拟程序结构的复杂度，同时也极大地拓宽了分子力场可以采用的数学模型的范围。 **4** **简化软件对不同硬件设备的适配** MD模拟软件是一类计算量超大的科学计算程序，因此在实际使用中往往需要进行并行化计算，或者使用GPU等计算加速设备进行计算。 对于传统的MD模拟程序来说，在实现了程序“科学”上的功能之后，对程序进行并行化或GPU设备的移植等“工程”上的工作才是整个软件项目中最复杂、最困难的地方。 而华为全场景AI框架MindSpore能在CPU、GPU和华为自主研发的“昇腾”（Ascend）AI加速芯片上运行，使用MindSpore编写的程序只需修改一行代码便可移植到不同的硬件设备上。 此外，华为昇思MindSpore还具备“自动并行”（automatic parallelism）的能力，只需简单修改代码就能自动实现程序的并行化计算。 因此，基于华为昇思MindSpore开发MD模拟程序，可以使科学家们专注于程序的“科学”功能，而将“工程”上的问题交由MindSpore本身来处理。 **5** **“端到端可微”的MD模拟程序** 如果AI框架具备“高阶自动微分”的能力，那么还能编写出“端到端可微” （end-to-end differentiable）的MD模拟程序，从而实现很多传统MD模拟完全无法实现的功能。 华为昇思MindSpore具备“高阶自动微分”的能力，可以自动求解函数的高阶导数，而“端到端可微”MD模拟是Google在发布JAX-MD时提出的新概念，指MD模拟从输入坐标到计算力再到更新坐标的整个过程都是可微，这对于MD模拟来说是一种革命性的技术。 使用传统MD模拟无法直接获知模拟的最终结果同输入坐标或参数的关系，一旦模拟的结果不符合预期，科研人员只能通过个人经验不断地调整起始坐标或程序参数，再反复进行模拟直到获得理想的结果。 而在“端到端可微”MD模拟中，由于可以直接求解输出结果相对输入坐标或参数的导数，因此科研人员可以像运行一般的AI优化算法那样，直接对MD模拟过程本身进行优化，从而获得理想的结果，避免了“反复尝试”的过程。这即是一种“元优化”（meta-optimization）过程。“端到端可微”被认为是下一代MD模拟的重要特征。 图1 深度学习训练与分子动力学模拟的对比。左：基于MindSpore人工智能框架进行神经网络参数训练过程的示意图。右：基于MindSpore SPONGE分子动力学模拟库进行分子动力学模拟过程的示意图。其中每个方块代表一种程序模块，灰色粗箭头为模块地组合过程，而黑色箭头表示数据更新流程。 6\*\*“类AI”架构编写的MD模拟软件\*\* MindSpore SPONGE相比传统软件架构更简单、开发更高效、使用更“智能”，还能实现很多传统软件所不能实现功能。认真思考就会发现，AI训练和MD模拟这两个看似完全不同的过程，存在着许多相似的地方。 如图1所示，AI训练的过程是优化器（optimizer）以损失函数（loss function）为优化目标，通过提供的训练数据集（training dataset）计算神经网络参数的梯度，从而对网络模型的参数进行更新。 而MD模拟则是积分器（integrator）根据势能函数计算原子受力，即势能函数相对原子坐标的负梯度，从而对原子坐标进行更新。 因此，MD模拟在某种程度上可以看成是一种特殊的AI训练过程。这种按照AI训练的过程来编写MD模拟程序即为“类AI”框架的MD模拟程序。 MindSpore SPONGE还具备模块化、高通量、“端到端可微”等优点，是根据该架构编写的一款下一代智能MD模拟软件。 7 **总结** MD模拟是一种重要科学计算工具，但目前主流的MD模拟软件几乎都由西方发达国家开发，且经过数十年的积累，产品成熟度高、用户依赖性强，通常开发全新的MD模拟软件很难实现对老牌软件的超越。 而下一代的智能MD模拟软件MindSpore SPONGE具备很多传统软件所不具备的优势，可以实现很多传统软件无法实现的功能，而其作为一种全新事物目前尚处于萌芽阶段。 因此，这给了我们对西方MD模拟软件实现“弯道超车”的难得机遇，全力发展国产的智能MD模拟软件将带给国产科学计算软件一个引领行业发展的机会。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1689/ --- 新闻 倒计时1天！8月2日—4日与你聊聊开源与就业那些事！ # 倒计时1天！8月2日—4日与你聊聊开源与就业那些事！ 2022/08/01 # 倒计时1天！8月2日—4日与你聊聊开源与就业那些事！ 向往的开源之多YOUNG新生 与各位开发者的第一次相约 **_8月2号_** 正式开启喽！ 活动开始前，我们先看看有哪些精彩内容 全攻略包含以下信息 直播时间、直播地点、精彩内容剧透 连续三天的活动中，我们邀请了多位华为工程师与开源社区的优秀开发者，从学生到职场、男性与女性等不同角度与你聊聊开源与就业的那些事儿，他们将从各自的角度给正在就业困难大环境下的大家一点新鲜的见解，希望你也能找到属于自己的科技圈子。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1706/ --- 新闻 鸿翼加入昇思MindSpore开源社区，引领国内AI+ECM发展 # 鸿翼加入昇思MindSpore开源社区，引领国内AI+ECM发展 2022/08/09 # 鸿翼加入昇思MindSpore开源社区，引领国内AI+ECM发展 近日，**上海鸿翼软件技术股份有限公司**签署CCLA（Corporate Contributor License Agreement，企业贡献者许可协议书），正式加入昇思MindSpore开源社区。 **上海鸿翼软件技术股份有限公司** 上海鸿翼软件技术股份有限公司（以下简称“鸿翼”），是国内领先的ECM（企业内容管理）及智能大数据管理服务商。 鸿翼基于先进的非结构化数据获取、存储、管理、安全、洞察和数字化技术而形成的多种产业化应用，构建了完整而又具有开放性的非结构化数据管理体系；融合领先的NLP自然语言处理、深度学习、知识图谱、可视化技术以及大数据应用管理技术，打造一系列大数据智能管理解决方案。 鸿翼业务覆盖智能制造、工程设计、金融、医药、能源、军工、政府等多个行业，为贵州大数据局、中海油、上汽集团、扬子江药业集团、招商银行等逾5000家政企客户提供ECM产品及解决方案。 作为ECM代表企业，鸿翼连续两次被Gartner荣誉推荐，参与建设了《DCMM数据管理能力成熟度评估模型》国家标准，与电子标准研究院成立联合实验室，发布《非结构化数据管理解决方案白皮书》，与人大合作编著第一本《数据管理中的文件档案与内容管理白皮书》，助力实现数据从内容向知识到智能化的全面提升。 **鸿翼 & 昇思MindSpore** 鸿翼加入昇思MindSpore开源社区后，将基于昇思MindSpore全场景AI框架开发国产化AI平台产品，深化双方社区项目合作。 未来，鸿翼将进一步繁荣昇思生态，与更多的昇思社区伙伴一起，共同打造创新性产品及解决方案，构建繁荣的人工智能产业生态圈。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1708/ --- 新闻 共绘遥感创新应用新蓝图！智能遥感开源生态联盟第二次会议成功举办 # 共绘遥感创新应用新蓝图！智能遥感开源生态联盟第二次会议成功举办 2022/08/10 # 共绘遥感创新应用新蓝图！智能遥感开源生态联盟第二次会议成功举办 **8月9日，以“共绘遥感创新应用新蓝图”为主题的智能遥感开源生态联盟第二次会议在武汉光谷成功举办。** 活动现场，36家遥感联盟的成员单位获得授牌，《武汉.LuoJiaNET/LuoJiaSET产业应用白皮书》在本次活动中正式发布，多家企业、高校代表就遥感领域的行业应用实践与前沿研究课题展开分享与讨论，共话遥感产业新未来。 联盟成员合影 本次会议由武汉大学、武汉人工智能计算中心、华为技术有限公司共同主办，昇思MindSpore开源社区协办，旨在汇聚创新与应用力量，孵化智能遥感行业应用成果，开创遥感产业新空间。 **1** **成员授牌 共推遥感蓬勃发展** 遥感领域的蓬勃发展，离不开产业界企业间的通力合作。本次会议现场**共为36家新入遥感联盟的成员单位进行了授牌**，携手产业界伙伴共探遥感创新发展新路径，共建遥感前沿技术新高地，加快科研创新到产业落地进程。 **2** **重磅发布武汉.LuoJia白皮书** 在本次会议上还重磅发布了\*\*《武汉.LuoJiaNET / LuoJiaSET产业应用白皮书》\*\*。 此前，武汉大学与华为昇腾AI团队一起，共同打造了全球首个遥感影像智能解译专用框架武汉.LuoJiaNet和业界最大遥感样本库武汉.LuoJiaSET，本次白皮书的发布是武汉大学与华为在遥感领域科研创新合作的又一重大进展。 白皮书主要内容包含全球首个遥感影像智能解译专用框架武汉.LuoJiaNET和业界最大遥感影像样本数据集武汉.LuoJiaSET的关键技术及产业应用指导，旨在指导联盟成员基于武汉.LuoJia快速完成模型训练、调优、推理等，将科研成果快速应用到产业中。 **3** **共绘创新应用新蓝图 展望遥感新未来** **中国科学院院士龚健雅**在致辞中表示，随着大数据、人工智能等技术的发展，基于深度学习的遥感影像解译与监测技术表现出了一定的优势。 由于遥感对地观测与智能处理的战略价值，我们迫切需要一款完全自主研发的开源框架来为我国的遥感产业赋能。 在国家自然科学基金委重大研究计划集成项目的支持下，武汉大学与华为合作，在武汉人工智能计算中心算力的支撑下共同打造了嵌入昇思MindSpore技术特性的全球首个遥感影像智能解译专用框架武汉.LuoJiaNET和业界最大遥感影像样本数据集武汉.LuoJiaSET（现已在昇腾和昇思社区上线）。 为进一步推进科研成果的产业落地，武汉大学与华为和中国卫星应用协会牵头联合发起成立了智能遥感开源生态联盟。 今天我们相聚在这里，就是要力推由我们自己所建立的智能遥感开源框架和开源生态，并共同努力一起把它建设好、发展好！ **欧洲科学院、俄罗斯自然科学院外籍院士焦李成**在致辞中指出，遥感产业发展至今，有突破也有不足。借此机会，就遥感产业今后的发展，我有一些建议想分享给大家： 一是团结，我们既然是一个联盟，就希望能够把我们国内的甚至国际的同行团结起来，在智能遥感领域做点事情； 二是协同，联盟的好处是各个成员企业都会有自己的禀赋或者说不同特色，我们可以团结起来，协同合作，攻克一切难关； 三是做事，无论是联盟，还是企业自身，共同的目标就是能够为国家多做点事情，在遥感核心技术上做出成果，做出领先技术。 **中国遥感应用协会副秘书长周自宽**认为，智能遥感开源生态联盟成立不到一年时间，不仅规模扩大了，联盟成员中的联动也更加紧密了。 能有这么好的效果，一方面体现出联盟理事长和秘书长的努力工作和无私奉献，另一方面也体现了以武汉.LuoJiaNET/SET为代表的开源平台的吸引力和技术实力。 智能遥感开源生态联盟的发展主要离不开两点： 第一是人工智能，人工智能一定代表遥感将来的发展方向，但是通用的框架能力尚有局限性，武汉.LuoJiaNET可以很好的弥补，这是我们联盟的特色； 第二是数据，当前众多专家、团体都在呼吁数据免费共享，也得到了联盟内众多专家学者的支持，现在已经有越来越多的数据免费并开源了，这也为遥感生态的发展，为智能遥感开源生态联盟的发展，同时带来了新机遇。希望各位联盟成员协同合作，为遥感事业的蓬勃发展贡献力量。 **华为昇腾计算业务总裁张迪煊**表示，人工智能正成为推动人类进入智能时代的决定性力量，全球产业界已有“AI技术引领新一轮产业变革”的共识。 在此大背景下，2021年5月，华为与龚院士所带领对的团队签订了遥感领域人工智能合作项目，双方**基于昇腾AI，依托武汉人工智能计算中心，共同打造了全球首个遥感影像智能解译专用框架武汉.LuoJiaNET和业界最大遥感影像样本库武汉.LuoJiaSET**； **12月，我们又共同见证了智能遥感开源生态联盟的成立，围绕武汉.LuoJia、秦岭.西电遥感脑、空天.灵眸**等业界领先的科研成果，在遥感领域孵化创新应用，打通科研创新到产业落地的关键路径。 时至今日，经过半年多的发展，上海数慧、汉达瑞、武汉珈和科技等联盟成员企业都开始有了相应的遥感创新与落地方案，这说明我们去年深埋的种子已开始开花结果，也印证了成立联盟的前瞻性与正确性。 未来，华为将持续基于昇腾AI为联盟伙伴提供更加有力的支持，让联盟的最新成果赋能产业，更好的为国家、为社会提供高端、优质、便捷的服务 **4** **遥感领域科研创新趋势** 会上，**联盟顾问、中国科学院空天信息创新研究院副院长张兵**对遥感卫星应用技术发展的趋势做了清晰的展望： 一是多模态的遥感数据的智能分析，多模态遥感是很重要的发展方向，尤其龚院士在一开始致辞中提到多元的数据，多种不同机理的成像模式对后续智能分析大有意义。 二是模型数据深入耦合的事件预测，以前通过数据的获取模型的构建，模型的构建在影响数据获取，未来会把模型端口和数据获取端紧紧耦合在一起，整体指导数据获取工作，反过来实时地为了发展事件的预测。产业上，未来智能遥感卫星系统和增强现实的关系是未来新兴增长点。 **联盟顾问、西安电子科技大学人工智能学院执行院长侯彪**介绍了遥感影像智能解译技术及其应用案例。 他提到：基于昇腾AI基础软硬件平台打造的秦岭.西电遥感脑，已经面向农业、林业、城市建设、灾害检测与评估等实际需求提供解决方案。 应用遥感影像智能解译技术，2021年10月完成了对某受水灾影响的县城水灾SAR影像变化分析，通过遥感自动检测原生、次生灾害区，协助救灾工作开展。 在生态环境保护方面，采用AI+遥感技术分析了某山区草甸、植被、树木、建筑物、道路等地物要素多年的变化情况，让生态环保工作得以更全面地覆盖。 **5** **行业落地 最新进展** 活动现场，联盟成员企业「上海数慧、汉达瑞、航天宏图、武汉珈和科技」的代表分享了基于联盟创新成果的最新行业方案。 **上海数慧副总裁王亮亮**就**与汉达瑞和武汉大学联合打造的自然资源大脑解决方案**进行了介绍： 基于昇腾AI基础软硬件平台和武汉.LuoJiaSET/NET打造的自然资源大脑拥有「业务智能、空间智能、数据智能」三大智脑，能从「感知判断、分析决策、协作安排、预测推演」四个维度为遥感产业赋能。 **汉达瑞技术总监李小凯**就**遥感影像智能化处理平台**进行了介绍： 汉达瑞致力于研发遥感影像处理与测量技术，其中关于遥感全要素的解译已经完成基于昇腾AI和武汉.LuoJiaNET的改造与适配，对高分辨率建筑物、道路、水系、耕地、林地等遥感影像的解译精度已经达到90%以上，并将能力集成在自然资源大脑的平台上，为AI在遥感领域的应用提供支持。 **航天宏图定量遥感与人工智能实验室技术总监郝京京**就**城市土地变化检测平台**进行了介绍： 航天宏图开发了基于武汉.LuoJiaNET的城市土地变化检测平台，使用AI技术对城市地表建筑物变化的海量遥感数据进行分析，从而连续监测城市地表变化，服务城市智慧治理。同时，也基于昇思Mindspore打造了耕地保护智能监测平台，为耕地使用变化及保护做出贡献。 **武汉珈和科技行业总监黄杰**就**地事通智慧农业SaaS服务平台**进行了介绍： 珈和科技的地事通智慧农业SaaS服务平台，是基于昇思MindSpore和武汉.LuoJiaNET搭建的，同时也结合珈和自己的算法库、样本库和数据源库。在农业、农险、农业金融期货及数字乡村等领域具备数据采集和场景化生产、建模能力，目前已输出了300多个场景模型，打通了遥感场景化的SaaS化服务模式。 可面向企业、事业单位提供精准化卫星遥感大数据的场景化应用服务，从而推动农业生产、耕地保护、农业金融、气象、生态等领域的智能化发展。 在会议尾声，联盟秘书长胡翔云带领联盟全员宣读联盟愿景：联合遥感产学研力量攻坚克难，打造自主、开放、先进的智能遥感技术生态，扩大朋友圈，服务全世界！ **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/171/ --- 新闻 华为发布算力最强AI处理器Ascend 910 及全场景AI计算框架MindSpore # 华为发布算力最强AI处理器Ascend 910 及全场景AI计算框架MindSpore 2019/08/23 # 华为发布算力最强AI处理器Ascend 910 及全场景AI计算框架MindSpore \[中国，深圳，2019年8月23日\] 华为正式发布算力最强的AI处理器Ascend 910（昇腾910），同时推出全场景AI计算框架MindSpore。华为公司轮值董事长徐直军在发布会上表示：华为**自2018年10月发布AI战略以来，稳步而有序地推进战略执行、产品研发及商用进程。昇腾910、MindSpore的推出，标志着华为已完成全栈全场景AI解决方案（Portfolio）的构建，也标志着华为AI战略的执行进入了新的阶段**。 8月23日，华为公司轮值董事长徐直军出席AI处理器Ascend 910及全场景AI计算框架MindSpore发布会。 **昇腾910，算力最强AI处理器** 徐直军此次正式发布的AI芯片是昇腾910，属于Ascend-max系列。在HC2018上已经发布了其技术规格。实际测试结果表明，在算力方面，昇腾910完全达到了设计规格，即：半精度 (FP16)算力达到256 Tera-FLOPS，整数精度 (INT8) 算力达到512 Tera-OPS，重要的是，达到规格算力所需功耗仅310W，明显低于设计规格的350W。徐直军表示：**昇腾910总体技术表现超出预期，作为算力最强AI处理器，当之无愧**。我们已经把昇腾910用于实际AI训练任务。比如，在典型的ResNet50 网络的训练中，昇腾910与MindSpore配合，与现有主流训练单卡配合TensorFlow相比，显示出接近2倍的性能提升。面向未来，针对不同的场景，包括边缘计算、自动驾驶车载计算、训练等场景，华为将持续投资，推出更多的AI处理器，面向全场景持续提供更充裕、更经济、更适配的AI算力。 **MindSpore，全场景AI计算框架** **徐直军还发布了全场景AI计算框架 MindSpore**。能否大大降低AI应用开发的门槛，能否实现AI无处不在，能否在任何场景下确保用户隐私得到尊重和保护，这些都与AI计算框架息息相关。为此，去年华为全联接大会上，华为提出，AI框架应该是开发态友好（例如显著减少训练时间和成本）和运行态高效（例如最少资源和最高能效比），更重要的是，要能适应每个场景包括端、边缘和云。经过近一年的努力，全场景AI计算框架MindSpore在这三个方面都取得了显著进展。 全场景支持，是在隐私保护日渐重要的背景下，实现AI无所不在越来越基础的需求，也是MindSpore的重要特色。针对不同的运行环境，MindSpore框架架构上支持可大可小，适应全场景独立部署。MindSpore框架通过协同经过处理后的、不带有隐私信息的梯度、模型信息，而不是数据本身，以此实现在保证用户隐私数据保护的前提下跨场景协同。除了隐私保护，MindSpore还将模型保护Built-in到AI框架中，实现模型的安全可信。 在原生适应每个场景包括端，边缘和云，并能够按需协同的基础上，通过实现AI算法即代码，使开发态变得更加友好，显著减少模型开发时间。以一个NLP（自然语言处理）典型网络为例，相比其他框架，用MindSpore可降低核心代码量20%，开发门槛大大降低，效率整体提升50%以上。通过MindSpore框架自身的技术创新及其与昇腾处理器协同优化，有效克服AI计算的复杂性和算力的多样性挑战，实现了运行态的高效，大大提高了计算性能。除了昇腾处理器，MindSpore同时也支持GPU、CPU等其它处理器。 为了更好促进AI的应用，徐直军宣布“MindSpore将在2020年Q1开源”，助力每一位开发者，促进AI产业生态发展。 **全栈全场景AI解决方案，让AI无处不在** 徐直军在发布以上两款产品之前，首先重申了华为公司的AI战略：**投资AI基础研究**，在计算视觉、自然语言处理、决策推理等领域构筑数据高效（更少的数据需求） 、能耗高效（更低的算力和能耗） ，安全可信、自动自治的机器学习基础能力；**打造全栈全场景解决方案**，提供充裕的、经济的算力资源，简单易用、高效率、全流程的AI平台；投资开放生态和人才培养，面向全球，持续与学术界、产业界和行业伙伴广泛合作；**把AI思维和技术引入现有产品和服务**，实现更大价值、更强竞争力；**应用AI优化内部管理**，对准海量作业场景，大幅度提升内部运营效率和质量。 华为AI解决方案（portfolio）的全场景，是指包括公有云、私有云、各种边缘计算、物联网行业终端以及消费类终端等部署环境。而全栈是技术功能视角，是指包括Ascend昇腾系列IP和芯片、芯片使能CANN、训练和推理框架MindSpore和应用使能ModelArts在内的全堆栈方案。 徐直军也回顾了制定以上AI战略的初衷。华为定位AI是一种新的通用目的技术（GPT），如同19世纪的铁路和电力，以及20世纪的汽车、电脑、互联网一样，将应用到经济的几乎所有地方。同时华为也认为AI的应用总体还处于发展初期，AI技术和能力相比于长远期望还有很大差距。减小甚至消除这些差距，加速AI的应用，正是华为AI战略的初衷和目标。具体包括致力于促成以下10个方面的改变。 通过提供更强的算力，使复杂模型训练能在几分钟、甚至几秒钟内完成，而不是今天的数天甚至数周；提供更经济、更充裕的算力，让算力不再稀缺、不再昂贵，从而不再是AI发展的制约因素；通过全场景方案，适应企业不同需要，确保用户隐私得到尊重和保护，让AI能够部署在任何场景，而不仅仅是公有云。投资基础AI算法研究，实现更少的数据需求，即数据高效。也要能够基于更低的算力和能耗，即能耗高效。通过AI框架MindSpore和应用使能ModelArts，大大提升AI自身的自动化水平，减少对人工的依赖。持续提升模型算法，实现工业生产环境的“工作”优秀，而不仅仅是各种比拼环境的“考试”优秀。实现模型的闭环、实时更新，保证企业AI应用始终处于最佳状态。将AI技术与5G、云、物联网、边缘计算、区块链、大数据、数据库…等技术充分协同，发挥更大价值。通过全栈方案一站式平台，使AI成为所有应用开发者甚至所有ICT技术从业人员的一项基本技能，而不是一项只有具备高级技能的专家才能完成的工作。通过全栈全场景技术手段，结合投资开放的生态和人才培养，让AI人才不再短缺。 **昇腾310和ModelArts获得广泛应用** 在华为全联接大会2018上，与华为AI战略一起， 作为全栈全场景解决方案的首批组件，华为同时对外发布并正式推出了昇腾310 AI芯片 和全流程模型生产服务ModelArts。昇腾310属于Ascend-mini系列第一颗华为商用AI SoC芯片，在最大功耗仅8W的情况下，其整数精度（INT8）算力达到16Tops，半精度（FD16）算力达 到8Tops，同时，该芯片中还集成了16通道 全高清 视频解码器，是面向边缘计算场景最强算力的AI SoC。 自发布以来，基于昇腾310芯片的产品和云服务获得广泛应用。其中，基于昇腾310的MDC和很多国内外主流车企在园区巴士、新能源车、自动驾驶等场景已经深入合作。基于昇腾310的Atlas系列板卡、服务器，与数十家伙伴在智慧交通、智慧电力等数十个行业落地行业解决方案。基于昇腾310，华为云提供了图像分析类服务、OCR服务、视频智能分析服务等云服务。对外提供API达50多个，日均调用量超过1亿次，而且在快速增长，预计年底日均调用量 超过3亿次。另有超过100多个客户使用昇腾310开发定制AI算法。 ModelArts全流程模型生产服务打通了从数据获取-模型开发-模型训练-模型部署的全链条，可将生产所需的所有服务一站式提供。截止目前，ModelArts已经拥有开发者超过3万，日均训练作业任务超过4000个，32000小时，其中：视觉类作业占85%，语音类作业占 10%, 机器学习5%。 随着今天昇腾910 AI处理器以及MindSpore全场景AI计算框架的发布，华为全栈全场景AI解决方案各重要组成部分悉数登场，徐直军因此表示“**华为已完成了全栈全场景AI解决方案的构建**”。实现了预期的计划和目标，对华为AI，这是一个新的里程碑，更是一个新的开始。在发布会最后，徐直军预告，**在即将开幕的华为全联接大会2019，将有更多震撼的AI新品提出**。华为期待与伙伴更加深入、广泛的合作，让AI无所不及，把数字世界带给每个人、每个家庭、每个组织。 --- https://www.mindspore.cn/news/zh/1720/ --- 新闻 MSG企业行 | 遇见RPA背后的AI技术！ # MSG企业行 | 遇见RPA背后的AI技术！ 2022/08/15 # MSG企业行 | 遇见RPA背后的AI技术！ \*\*MSG企业行·\*\***RPA** 人工智能赋能千行百业，从计算机视觉（CV）到自然语言处理（NLP），再到机器人流程自动化（RPA），以深度学习为代表的AI技术，取得了巨大的进步和突破性的进展。 AI带给RPA的学习与认知能力，是人机协同的最佳打开方式。虚拟助手和聊天机器人等智能工具的使用，让企业拥有了提高自动化效率和更快响应客户的洞察力。AI+RPA的完美组合，或成为未来的重要趋势。 **_8月21日（周日）14:00_\*\*\*\*【MSG企业行·RPA】专题交流会**将在线上进行，昇思MindSpore开源社区诚邀您与各企业深入交流与分享，一起探索RPA背后的AI技术！ **活动亮点** 1 无人机在新型城市建设过程的落地应用 2 RPA与创新实验室、城市社区的联合拓展 3 RPA+AI+低代码+流程挖掘技术的超级自动化平台 4 RPA在制造业中的应用经验分享 注：活动链接会在报名审核后通过邮件发送，未收到可私信小助手获取 **MSG企业行** MindSpore Study Group，简称MSG，是一个让开发者可以充分进行技术研讨、案例分享、相互交流的公益性社区。 MSG企业行聚焦各地核心科技板块，汇聚企业核心技术骨干，与各企业深入交流与分享； 截至2022年昇思MindSpore走过国内外**24个城市**，拓展AI类企业生态，服务企业**超过5000家**，涉及端边云全场景行业，支撑两大产业联盟成立，打造开发共赢的产业生态圈。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1723/ --- 新闻 奥看科技加入昇思MindSpore开源社区，赋能工业安全生产等多场景下的创新发展 # 奥看科技加入昇思MindSpore开源社区，赋能工业安全生产等多场景下的创新发展 2022/08/18 # 奥看科技加入昇思MindSpore开源社区，赋能工业安全生产等多场景下的创新发展 近日，**南京奥看信息科技有限公司**签署CCLA（Corporate Contributor License Agreement，企业贡献者许可协议书），正式加入昇思MindSpore开源社区。 **南京奥看信息科技有限公司** **南京奥看信息科技有限公司**（以下简称“奥看科技”）是行业领先的智能视频解决方案供应商，聚焦智慧城市和工业制造两大行业市场，以自研视频+AI技术双轮驱动，基于AllCam智能视频使能平台，与行业头部企业联合打造城市治理“一网统管”视频云、运营商行业视频云、智能安防社区、智慧工业园区、工业安全生产等先进的场景化智能视频解决方案，释放视频“联、管、算、用”全生命周期数据价值，助力政企数智化转型。 奥看科技基于AI应用场景，推出**行业首个低码智能视频使能平台**，打造“广东移动千里眼平台平台”、“某头部能源企业灯塔工厂项目”、“常德城市视频云平台”、“新余钢铁智慧工厂”、等智慧解决方案，赋能工业安全生产等多场景下的创新应用。 **奥看科技**\*\*& 昇思MindSpore\*\* 炬瞳安全生产AI应用平台 炬瞳安全生产AI应用平台是奥看科技面向工业安全生产场景打造的行业级**轻量化应用平台**，它围绕工业安全生产领域内业务层的各场景痛点需求，基于昇腾Atlas全栈算力，形成通用AI能力引擎，**将场景化AI算法与华为AI计算框架的全场景适配**，云边端深度融合，支持不同规模的项目部署。 奥看科技完成ISV认证，正式加入昇思MindSpore开源社区，基于昇思MindSpore全场景AI框架打造“**智慧安全生产管控平台**”，从企业安全的角度出发，融合智能生产AI模型，提升安全管理效能，实现企业安全生产一体化管控。 奥看科技加入昇思MindSpore开源社区后，将基于全场景AI框架昇思MindSpore持续优化升级炬瞳安全生产AI应用平台，发挥工业场景中的海量视频资源，以AI技术为核心，赋能工业安全生产全流程，助力实现智防、精治、联管的工业安全生产管理体系。 未来，奥看科技将进一步深化双方社区项目合作，共同打造工业制造领域创新性产品及解决方案。奥看科技期待与更多的昇思社区伙伴一起，通过更专业、更高效地合作共同推进行业应用落地，构建繁荣的人工智能产业生态圈。 我们诚邀各企业、高校及科研院所加入昇思MindSpore开源社区，成为社区合作伙伴，与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态。 更多合作需求 请扫码添加企业助手进行咨询 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/175/ --- 新闻 华为全场景AI计算框架MindSpore正式开源，赋能开发者昇腾万里 # 华为全场景AI计算框架MindSpore正式开源，赋能开发者昇腾万里 2020/03/28 # 华为全场景AI计算框架MindSpore正式开源，赋能开发者昇腾万里 【中国，深圳，2020年3月28日】今日，在华为开发者大会2020（Cloud）第二天，华为宣布全场景AI计算框架MindSpore在码云正式开源，企业级AI应用开发者套件ModelArts Pro在华为云上线，同时展示了各行业合作伙伴基于华为人工智能计算平台Atlas的云边端全场景开发实践。至此，华为在2018年全联接大会上发布的全栈全场景AI解决方案，已面向开发者全面落地。 **全场景AI计算框架MindSpore正式开源** 华为MindSpore首席科学家、IEEE Fellow陈雷教授宣布华为全场景AI计算框架MindSpore在码云正式开源，并将致力于构筑面向全球的开源社区，持续推动AI软硬件应用开源生态繁荣发展。 华为全场景AI计算框架MindSpore正式开源 MindSpore着重提升易用性并降低AI开发者的开发门槛，陈雷教授表示，“MindSpore原生适应每个场景包括端、边缘和云，并能够在按需协同的基础上，通过实现AI算法即代码，使开发态变得更加友好，显著减少模型开发时间，降低模型开发门槛。通过MindSpore自身的技术创新及MindSpore与华为昇腾AI处理器的协同优化，实现了运行态的高效，大大提高了计算性能；MindSpore也支持GPU、CPU等其它处理器”。 **发布业界首款企业级AI应用开发专业套件ModelArts Pro** 针对行业AI应用开发者，华为云通用AI服务总经理袁晶发布了业界首款企业级AI应用开发专业套件ModelArts Pro。华为云ModelArts Pro定位为企业AI生产力工具，提供了一种全新的行业AI落地方式，将算法专家的积累和行业专家的知识沉淀在相应的套件和行业工作流（workflow）中，真正实现赋能行业AI应用开发者，全面提升行业AI开发效率和落地效果。ModelArts Pro以”授人以渔”的方式助力企业构建AI能力，赋能不同行业的应用开发者，让AI变得触手可及。 **全面展示合作伙伴基于华为Atlas人工智能计算平台的全场景开发实践** 华为Atlas数据中心业务总经理张迪煊面向全球AI开发者，分享了各行业合作伙伴基于华为Atlas人工智能计算平台的端边云全场景开发实践，并深度解析了打造高密云侧AI推理方案的性能优化过程、云边协同支持高效边缘推理以及极致低功耗端侧推理的开发经验。 华为已与数十家伙伴合作，推动基于华为昇腾AI处理器的Atlas系列模块、板卡、小站、服务器在智慧交通、智慧电力、智慧金融、智慧城市、智能制造等数十个行业落地。同时为了进一步丰富华为AI生态、支撑开发者自定义算子，张迪煊在大会现场启动了高效算子开发工具TBE的正式公测，并计划激励100家以上贡献算子的高校和合作伙伴、充分释放昇腾AI处理器的算力潜能。南开大学李涛教授现场演示了基于Atlas 200 DK的视网膜筛查病变检测的AI应用。依瞳科技李劲博士分享了基于华为Atlas的开发实践，并推出了业内首个支持华为昇腾910处理器的人工智能开源开放异构平台。 在2018年华为全联接大会上，华为首次发布了全栈全场景AI解决方案，包括芯片、芯片使能、训练和推理框架和应用使能全堆栈方案，可在公有云、私有云、各种边缘计算、物联网行业终端以及消费类终端等全场景部署。本次开发者大会上，华为系统展示了该解决方案的最新进展，尤其是面向开发者的具体落地成果，全面支持全球开发者更好地开发AI应用，让AI真正解决各行各业的实际问题，为企业和社会带来价值，也让全球AI产业和生态更加繁荣。 \--全文结束-- **华为公司简介** 华为是全球领先的ICT（信息与通信）基础设施和智能终端提供商，致力于把数字世界带入每个人、每个家庭、每个组织，构建万物互联的智能世界。我们在通信网络、IT、智能终端和云服务等领域为客户提供有竞争力、安全可信赖的产品、解决方案与服务，与生态伙伴开放合作，持续为客户创造价值，释放个人潜能，丰富家庭生活，激发组织创新。华为坚持围绕客户需求持续创新，加大基础研究投入，厚积薄发，推动世界进步。华为成立于1987年，是一家由员工持有全部股份的民营企业，目前拥有19.4万员工，业务遍及170多个国家和地区。欲了解更多详情，请参阅华为官网：www.huawei.com --- https://www.mindspore.cn/news/zh/1753/ --- 新闻 基于昇腾AI，空天院携手华为共同发布全球首个面向跨模态遥感数据的生成式大模型“空天.灵眸” # 基于昇腾AI，空天院携手华为共同发布全球首个面向跨模态遥感数据的生成式大模型“空天.灵眸” 2022/08/26 # 基于昇腾AI，空天院携手华为共同发布全球首个面向跨模态遥感数据的生成式大模型“空天.灵眸” 8月20日，在中国图象图形大会的华为昇思MindSpore技术论坛上，中国科学院空天信息创新研究院（以下简称“空天院”）发布了首个面向跨模态遥感数据的生成式预训练大模型“空天.灵眸”（RingMo，Remote Sensing Foundation Model）。 “空天.灵眸”大模型现场发布图 \*\*“空天.灵眸”大模型是空天院联合北京昇腾人工智能生态创新中心技术团队，基于成都智算中心的昇腾AI的澎湃算力训练而完成。\*\*在昇腾AI基础软硬件平台的支持下，尤其是依托昇思MindSpore AI框架原生支持大模型的能力，“空天.灵眸”大模型的并行训练及下游任务开发得以加速实现，已在8个国际标准数据集上达到领先水平，填补了跨模态生成式预训练模型在遥感领域的空白。 在模型设计、模型训练、推理优化等方向均进行了独特的技术创新，“空天.灵眸”大模型深入结合光学、SAR（合成孔径雷达）等跨模态遥感数据的成像机理和目标特性，并在场景分类、检测定位、细粒度识别、要素提取及变化检测等典型下游任务中得到有效验证。 总体来看，**“空天.灵眸”大模型具备如下四大亮点**： **（1）以遥感特性为研发驱动** 不同于现有遥感预训练模型大都采用有监督或者对比式学习的模式，基于昇腾AI的“空天.灵眸”大模型依托掩膜自编码结构，是面向复杂场景且更具通用表征能力的遥感生成式自监督预训练模型。 由于采用的是ViT和Swin Transformer等Transformer类骨干网络，该大模型可对遥感数据的局部和全局特征的依赖关系进行有效建模，并结合目标特性引导的自监督学习方法，通过引入几何、电磁、目标结构等多特性约束，让遥感地物通用特征可被自动提取。 \*\*（2）\*\***拥有跨模态遥感数据集** 为提升遥感预训练模型的特征表达能力，“空天.灵眸”大模型的数据集包含了200多万幅分辨率为0.1m到30m的遥感影像，分别来源于中国遥感卫星地面站、航空遥感飞机等平台，以及高分系列卫星、吉林卫星、QuickBird卫星等。 同时，在数据集中包含了1亿多具有任意角度分布的目标实例，覆盖全球150多个典型城市、乡镇以及常用机场、港口等场景。所用样本数据具备遥感专业特色，且整个样本集都无需标注，能大幅节省训练数据标注成本。 \*\*（3）\*\***具备应用任务泛化能力** “空天.灵眸”大模型具备遥感数据理解、复原能力，可实现对跨模态遥感数据的共性语义空间进行表征。 针对不同的下游任务仅需修改预测头部网络，即可灵活快速迁移到不同领域的下游任务中，进行简单微调后可适应多目标细粒度分类、小目标检测识别、复杂地物提取等任务。 **（4**\*\*）广泛的产业应用方向\*\* 从目标检测识别、地物要素分类等任务的实测比较看，相对于业界通用的视觉模型，“空天.灵眸”大模型对遥感数据应用效果的提升是显著的。 可预见，在未来，基于昇腾AI的“空天.灵眸”大模型的应用不止于在三维重建等领域，或将进一步推广至国土资源、交通、水利等更多行业，为天临空地一体化应用提供整套解决方案。 “空天.灵眸”大模型的相关成果已在遥感领域顶刊《IEEE Transactions on Geoscience and Remote Sensing》上公开发表。 **相关论文信息**： Xian Sun, Peijin Wang, Wanxuan Lu, Zicong Zhu, Xiaonan Lu, Qibin He, Junxi Li, Xuee Rong, Zhujun Yang, Hao Chang, Qinglin He, Guang Yang, Ruiping Wang, Jiwen Lu, Kun Fu\*. "RingMo: A Remote Sensing Foundation Model with Masked Image Modeling," in IEEE Transactions on Geoscience and Remote Sensing, 2022, doi: 10.1109/TGRS.2022.3194732. **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1756/ --- 新闻 MSG企业行·RPA专场成功举办！AI+RPA或成为未来重要趋势！ # MSG企业行·RPA专场成功举办！AI+RPA或成为未来重要趋势！ 2022/08/26 # MSG企业行·RPA专场成功举办！AI+RPA或成为未来重要趋势！ 8月21日下午，MSG企业行·RPA线上专题交流会成功举办！昇思MindSpore开源社区携手知名媒体选型宝，邀请到了广州知行机器人、平安金服、微软技术俱乐部、九科信息、舍弗勒集团、杭州幂链科技、祈福集团的7位嘉宾基于AI与RPA技术在不同领域的应用进行分享与交流。 本次MSG企业行·RPA专场活动，腾讯、联通、平安、字节跳动、金光纸业、中兴通讯等**200余家**知名企业代表报名参与，活动现场**152家**AI行业领先代表基于AI与RPA在众多产业融合落地等方面进行了热烈的研讨与交流。**直播观看人次4000+，现场互动1000+。** ● ● ● ● ● ● ● 1 无人机空天智能解决方案 广州知行机器人科技有限公司算法工程师**李学章**：介绍了无人机在新型城市建设过程的应用，分享了无人机空天智能解决方案。 2 智能RPA时代2.0 平安金服财务服务中心共享创新及系统团队副总监**徐慕秋**：介绍了RPA技术迭代历程，及在财务共享中心应用。 3 拓展RPA联合创新，助推企业数字经济 微软技术俱乐部（苏州）执行主席**潘淳**：分享了在全民开发者时代，如何拓展RPA联合创新，助推企业数字经济。 4 流程挖掘-助力企业精准推进超级自动化建设 九科信息技术有限公司CEO**万正勇**：介绍了流程挖掘如何融入超级自动化平台，帮助企业以更敏捷更精准的方式提升数字化建设的质效，分享了RPA+AI+低代码+流程挖掘技术如何让为企业提供数字化转型解决方案。 5 基于ipaas的流程编排和自动化在RPA中的应用 杭州幂链科技总经理**涂志勇**：对于ipaas的流程编排和自动化特性，在RPA中应用的深度分享与讨论。 6 RPA – 务实的数字化 舍弗勒集团IT及数字化高级经理**陆宏强**：基于流程自动化（RPA）在制造业中的应用进行了经验分享。 7 RPA+AI助力企业数字化升级 祈福集团CIO**王勇**：过深入剖析行业案例，分享RPA+AI如何助力企业数字化升级。 **总结** 人工智能赋能千行百业，以深度学习为代表的AI技术，取得了巨大的进步和突破性的进展。AI+RPA的完美组合，或成为未来重要趋势。 昇思MindSpore开源社区聚焦各地核心科技板块，赋能行业应用落地，加速人工智能+产业融合，推动AI各行业领域的创新发展，打造开发共赢的产业生态圈。 欢迎各企业、高校及研究院所加入昇思MindSpore开源社区，成为社区合作伙伴，与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1758/ --- 新闻 希迪智驾加入昇思MindSpore开源社区，致力打造能落地的智能驾驶产品 # 希迪智驾加入昇思MindSpore开源社区，致力打造能落地的智能驾驶产品 2022/08/25 # 希迪智驾加入昇思MindSpore开源社区，致力打造能落地的智能驾驶产品 近日，**长沙智能驾驶研究院有限公司**签署CCLA（Corporate Contributor License Agreement，企业贡献者许可协议书），正式加入昇思MindSpore开源社区。 **长沙智能驾驶研究院有限公司** 长沙智能驾驶研究院（以下简称“希迪智驾”，英文简称CiDi），专注于商用车自动驾驶及V2X车路协同核心技术研发、产品开发及落地方案实施。希迪智驾的自动驾驶产品涵盖“智慧的车”：包括L4级自动驾驶重卡，纯电无人矿卡和园区自动驾驶物流车；和“聪明的路”：提供完整的“车-路-云”全系列车路协同（V2X）产品、为智慧城市、智慧高速、车联网先导区提供智慧交通低碳出行整体解决方案。 **希迪智驾**\*\*& 昇思MindSpore\*\* 希迪智驾加入社区后，将基于昇思MindSpore全场景AI框架进行视觉和激光点云的深度学习算法模型训练和移植部署。 未来，希迪智驾将进一步推进自动驾驶感知算法研发，与更多的昇思社区伙伴一起，打造创新性产品及解决方案，共同构建繁荣的人工智能产业生态圈。 我们诚邀各企业、高校及科研院所加入昇思MindSpore开源社区，成为社区合作伙伴，与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态。 更多合作需求 请扫码添加企业助手进行咨询 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1768/ --- 新闻 AI产学研融合，昇思MindSpore与武汉理工大学携梦而行 # AI产学研融合，昇思MindSpore与武汉理工大学携梦而行 2022/09/05 # AI产学研融合，昇思MindSpore与武汉理工大学携梦而行 自从2020年3月开源发布后，全场景AI框架“昇思MindSpore”秉承加速人工智能科研发展和人才培养的理念，与国内144所高校和科研院所开展多样化合作，孵化出教学创新改革、科研论文创新、科技竞赛创新创业等多方面成果。其中，武汉理工大学是“昇思MindSpore”的关键伙伴之一，在上述方面均有突出成果，将AI框架与教学科研的深度融合，为产学研合作创新构造了全新的成功范式。 **导语：开源与结缘** 从昇思MindSpore 1.0发布至今，武汉理工大学计算机与人工智能学院（下称武理工计算机智能学院），对MindSpore发展十分关注与支持。熊盛武院长一路引航，带领武理工计算机智能学院的师生们全方位学习和使用昇思MindSpore。熊院长本人也始终站在人工智能前沿成果的宣传一线，积极参与计算产业院长论坛、CECC论坛等先进平台活动，分享围绕昇腾和昇思MindSpore开展的教学改革和人才培养方案，吸引了众多领域专家和企业高管加入昇思MindSpore社区。 在熊盛武院长的带领下，全院师生利用自身丰富的昇思MindSpore开发经验，积极参与昇思MindSpore众智、SIG、科技竞赛等活动，在教学、科研、实践中均取得了极佳的成果，涌现出一批优秀学生代表，如路雄博、王振邦、周云飞等。熊院长不仅为武理工计算机智能学院培养了一批高水平、创新型的人工智能教师团队和IT生态创新人才，更是为AI产业链输送了一批高质量人才， 建立了一支助力昇思MindSpore发展与完善的中坚力量。 # **一、基于昇思面向人才培养的全方位产教融合** 作为首批“智能基座”产教融合协同育人基地建设高校，武理工计算机智能学院在熊盛武院长的带领下，充分利用“智能基座”平台作用，全面引入昇腾与昇思MindSpore的国产软硬件体系，将全院AI类课程与MindSpore框架全面融合；同时，调动全院师生参与众智活动，基于众智项目增强授课教师、学生等参与成员对框架的深度理解和使用经验。 图1 全方位产教融合方案 如上图1所示，基于“智能基座”和“众智”活动，达成了本科培养的授课阶段、课外实践环节、毕业设计环节等全方位的产教融合覆盖，使学生能够学MindSpore入门AI、用MindSpore开发实践，最终使用MindSpore完成毕业设计。 下面分别简述图1中各部分达成的突出成果。 ## **1、开展“AI课程教学”，与昇思全面融合，培养产业链创新人才** 自2020年秋学期始，武理工计算机智能学院开始采用MindSpore进行人工智能相关子领域课程，并逐年增加课程覆盖度，截止2022年春季学期，已达成全学院AI类课程与MindSpore全面融合覆盖。如下表： **老师** **课程名称** **课时** **授课开始学期** **学生数量** 熊盛武、段鹏飞 深度学习 32 2022年春季 70 熊盛武、彭德巍、王亮亮 人工智能导论 32 2021年秋季 200 朱安娜、熊彪 机器学习 36 2021年春季 140 周俊伟、朱安娜、王亮亮、杨焱超 计算机视觉 32 2020年秋季 140 段鹏飞 自然语言处理 32 2020年秋季 70 经过2年有余的课程融合，使用MindSpore授课累计覆盖学生620+，并成为国内首个将全部AI课程与国产软硬件平台深度融合的学院。 MindSpore融合课程采取课堂讲授、实操示范和小组讨论等教学方法，除常规的理论+实验课程内容外，课程还引入了企业级开发和部署的实际场景。如《计算机视觉》课程面向企业生产环境的低功耗和高性能需求，使用华为Atlas 200DK开发板，基于MindSpore开发出一套能真实运行的人脸检测与人脸识别系统；《机器学习》课程引入MindSpore Lite，教授学生云端训练+移动端开发的实用技能，可基于MindSpore快速开发和部署复杂的深度学习模型等。通过融入MindSpore实践内容，有效达成了理论与产业实践匹配，学生所学即业界所用的目标。 图 段鹏飞老师课堂讲授MindSpore理论和实践 ## **2、积极参与昇思“社团与众智”，成为昇思发展与完善的中坚力量** MindSpore众智（昇腾众智计划之一）是面向高校师生与社区开发者，通过发放模型、算子、套件等不同粒度的AI开发任务，促进框架演进和生态建设的一项生态合作计划。在教学全面融合的基础上，武理工计算机智能学院积极参与MindSpore众智 ，并与学生培养策略进行有机结合，对高低年级组合培养梯队人才，通过轮流组长值培养种子学生；此外，在众智计划之上，不断优化和探索众智运作新模式，通过社团运作，吸引跨学科跨专业学生参与学习和贡献MindSpore社区促进更多的同学加入学习和贡献MindSpore。 武理工计算机智能学院前后共承接多批众智项目，包括129个算子，21个模型，28个onnx推理模型，17个图文案例，1个套件等，累计投入600多人次，培养近150余名MindSpore开发者，贡献300条代码PR，产生43名 “未来之星”，34人次获得昇腾众智金质量奖，获奖人数全国前列。武理工计算机智能学院伴随和助力昇思MindSpore一路从1.0迭代更新至1.8版本，成为MindSpore深度学习框架发展与完善的中坚力量。 熊盛武教授在校内建立昇思社，依托学校的昇思社团在全校乃至跨校范围内进行宣讲，吸引了众多跨地区、跨校、跨院的同学一起参与众智项目。同时，熊盛武教授带领同学们积极参与易用性SIG，为新加入社区的开发者提供简单易懂的MindSpore指导教程，帮助开发者打通使用MindSpore过程的“最后一公里”。 熊盛武教授已通过昇思社和易用性SIG举行5次昇思MindSpore开发宣讲会，吸引了包括重庆邮电大学，中南民族大学等跨校，及汽车学院、理学院等跨院100余名本科生和研究生加入MindSpore社区，其中40余人参与了MindSpore项目开发，获得了全栈系统化的学习资源，了解了业界最佳实践和学术界前沿技术，得到了丰富的实践机会，扩大了自己在开源社区中的影响力。 图 熊盛武院长在昇思学习小组内进行昇思MindSpore宣讲 ## **3、基于昇思开展“毕业设计”，获优秀毕业论文** 在学生课程学习和课外实践深度融入MindSpore的基础上，武理工计算机智能学院大胆革新，提供基于MindSpore框架算法研究的毕业设计选题，鼓励学生融汇课内外MindSpore学习实践经验，完成最终的毕业论文和毕业设计。2022年夏季毕业设计共发布21个MindSpore选题，其中14名本科毕业生选择，并在AI子领域取得了较为突出的创新成果，模型性能大幅提升，名单见下表。 **基于MindSpore的毕业设计论文名单** 姓名 **论文名称** **完成情况** 曾湘 基于MindSpore框架和U-Net的肝肿瘤图像语义分割方法研究 优秀毕业论文 徐锦明 基于Mindspore框架的道路场景下语义分割方法研究 优秀毕业论文 占洋 基于MindSpore的Transformer遥感影像视觉语言联合定位算法研究 优秀毕业论文 杜闯 基于MindSpore框架的端到端文本无关声纹识别研究 优秀毕业论文 邹天宇 基于MindSpore框架的U-Net网络室内场景图像分割方法研究 优秀毕业论文 王宇杰 基于MindSpore框架和U-Net网络的遥感图像语义分割方法的研究 优秀毕业论文 张志鹏 基于Mindspore框架与LWNet网络的高光谱图像农作物分类研究 优秀毕业论文 黄吉瑞 基于MindSpore框架和深度哈希的无人机遥感图像检索 优秀毕业论文 蒋景 基于MindSpore框架的上下文感知的语义分割网络方法研究 优秀毕业论文 魏铭宏 基于MindSpore框架的无人机遥感图像车辆检测与计数研究 良好 杨怡雯 基于MindSpore的小样本实体关系分类算法研究 良好 乐昊 基于MindSpore框架的航运高分辨率去雾算法研究 良好 何师宏 基于MindSpore平台的医疗问答系统设计与实现 良好 赵培升 基于MindSpore与轻量级神经网络的船舶汽笛声识别算法研究 良好 # **二、基于昇思MindSpore构建教学资源库与师资培养** ## **1、牵头建设“深度学习虚拟教研室”，打造精品教学资源库，培养高水平师资** 为推进“教育部-华为‘智能基座’产教融合协同育人基地”项目，武汉理工大学熊盛武教授联合武汉大学、华中师范大学、中国地质大学（武汉）、西藏大学、湖北工业大学和海南大学跨时空、跨区域建设深度学习课程虚拟教研室；包含深度学习、计算机视觉、人工智能程序设计、智能芯片原理与应用、智能系统与应用5门课程，并基于昇腾与MindSpore等国产软硬件平台构建藏文化数字重建、智慧农业、智慧海洋、卫星遥感等实践案例。通过本虚拟教研室建设，培养高水平、创新型人工智能教师团队，并持续为鲲鹏、昇腾及华为云等国产化产业链输送高质量人才。 图 虚拟教研室及成员组成 虚拟教研室的建设目标为依托武华为“智能基座”产教融合协同育人基地与华为国产化信息平台，与国内包括中西部重点高校进行跨地域合作，对深度学习课程群教学模式和方案进行改革，协同打造精品教学资源库，提高高等教育支撑解决关键核心技术“卡脖子”问题的能力和水平。 图 虚拟教研室建设方案 图 虚拟教研室开工会 ## **2、校企合作精品课程资源建设** 为了提高高校教学和人才培养的质量，熊盛武教授与华为技术有限公司合作，共同开发基于MindSpore的AI 领域精品课程，包括《基于华为云平台的MindSpore实践》、《基于MindSpore框架的语音信号处理及应用》等，具体内容如下： 课程资源 建设内容 课程简介 基于华为云平台的MindSpore实践 大纲、PPT、视频、实验案例 本课程主要讲述MindSpre框架结构，华为云及ModelArts平台，深度学习相关的基本理论、方法及其应用，包括深度学习基础知识，卷积神经网络，循环神经网络，深度强化学习，以及基于华为云的MindSpore的深度学习应用。 基于MindSpore框架的语音信号处理及应用 大纲、PPT、实验案例 基于MindSpore框架的语音信号处理及应用，以语音为研究对象，涉及生理学、语言学、数字信号处理、模式识别、人工智能、机器学习等诸多领域。 # **三、基于昇思MindSpore开展科技竞赛与科研创新** 依托产教融合的显著成果，结合学生长期丰富的MindSpore开发经验，武理工计算机智能学院利用基于MindSpore开发的系统参与计算机、人工智能领域相关竞赛，获得多个国家、省部级奖项，将学院研究与SOTA模型的众智经验相结合，产出一批高质量的创新论文。 ## **1、科技竞赛获得累累硕果** 在医疗领域，基于MindSpore开发皮肤病分类的神经网络，用于皮肤病监测系统，所开发的系统足够高效和轻量，所有无专业知识的患者也可以轻松使用。本项目最终获得“建行杯”第七届中国国际“互联网+”大学生创新创业大赛产业命题赛道，湖北省金奖、国赛入围奖。 图 本项目移动平台应用App系统界面 在农业领域，开发分子育种预测系统，将昇思MindSpore应用到农作物分子育种领域，依据基因测序技术自动化获取种子基因数据数据，基于MindSpore开发并训练深度学习模型，实现对优质种质的筛选。本项目获得“建行杯”第八届中国国际“互联网+”大学生创新创业大赛产业命题赛道湖北省金奖；同时获得2022首届“崖州湾杯”科技创新大赛南繁赛道一等奖、最佳成果转化奖，团队指导老师熊盛武教授、荣毅博士后获优秀指导老师。 在国土安全领域，开发舰船识别系统，考虑到数据以及算法的隐私性和安全性，该项目基于国产深度学习框架 Mindspore 进行开发，部署也在华为的国产硬件上进行。 **图 本项目获得全国人工智能创新应用大赛二等奖** ## **2、科研论文建学术影响力** 基于MindSpore自主开展科研，其中CCF-A会议论文1篇，CCF-B论文2篇，CCF-C论文4篇，JCR Q1论文1篇， Q2论文1篇， Q3论文1篇，详细列表如下： 1\. SSAT: A Symmetric Semantic-Aware Transformer Network for Makeup Transfer and Removal 论文会议：AAAI2022 会议等级：CCF-A 2\. A FRAME LOSS OF MULTIPLE INSTANCE LEARNING FOR WEAKLY SUPERVISED SOUND EVENT DETECTION 论文会议：ICASSP 会议等级：语音顶会，CCF-B 3\. Fusing Acoustic and Text Emotional Features for Expressive Speech Synthesie 论文会议：ICME 会议等级：CCF-B 4\. Few-shot driver identification via meta-learning 发表期刊：Expert Systems with Applications 期刊等级：CCF-C 5\. Query and Neighbor-Aware Reasoning Based Multi-hop Question Answering over Kno wledge Graph 论文会议：KSEM2022 会议级别CCF-C 6\. Deep Semantic Ranking Hashing Based on Self-Attention for Medical Image Retrieval 会议：ICPR 会议等级：CCF-C（已录用，未检索） 7\. Feature Space Disentangling Based On Spatial Attention for Makeup Transfer 论文会议：ICIP 会议等级：CCF-C（已录用，未检索） 8\. Deep Quadruple-Based Hashing for Remote Sensing Image-Sound Retrieval 发表期刊：IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING 期刊等级：遥感顶刊，中科院 Q2, JCR Q1,CCF B 9\. Unsupervised Balanced Hash Codes Learning with Multi-Channel Feature Fusion 发表期刊：IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 期刊等级：JCR Q2 10\. The structural weight design method based on the modified grasshopper optimization algorithm 论文期刊：Multimedia Tools and Applications 期刊等级：JCR Q3, CCF C # **循环与反哺** “创新之道，唯在得人。”一路走来，武汉理工大学计算机智能学院师生们在院长熊盛武教授的带领下，对接产业界科技发展趋势与市场需求，多方协同、优势互补，全面产学研融合，以产教融合先行，逐步带动科研创新，并不断构建新的教学资源和师资力量，向中西部地区进行辐射，推广其先进经验，形成基于国产软硬件平台的校企合作循环，培养了一大批AI人才。最终构建了良性的昇思MindSpore人才生态与培养体系，激发出教育与产业的持续活力。 此外，武汉理工大学计算机智能学院自身丰富MindSpore产学研融合经验，也为推广MindSpore深度学习框架提供了有力的范例，证明了MindSpore高校学生培养和研究创新的加速。其利用基于MindSpore开发的系统参与计算机、人工智能领域相关竞赛，获得了多个国家、省部级奖项，让更多的开发者、领域专家和企业高管知晓MindSpore，加入MindSpore社区，开发MindSpore项目，形成了有效的生态反哺。 # **诚邀** 武汉理工大学计算机与人工智能学院的案例是MindSpore面向AI领域产教融合的第一个成功典范。在文末我们诚邀各个高校院所，一起为AI的人才培养和产业发展出一份力。希望更多高校接纳、拥抱MindSpore，我们一同构建有特色、有影响的下一个，下一百个产学研融合范例。 **MindSpore官方资料** 官网：https://www.mindspore.cn/ Gitee : https://gitee.com/mindspore/mindspore 官方QQ群 : 486831414（群里有很多技术大咖助力答疑！） --- https://www.mindspore.cn/news/zh/1782/ --- 新闻 共建开源生态，天数智芯携手昇思发布百大应用开放平台DeepSpark # 共建开源生态，天数智芯携手昇思发布百大应用开放平台DeepSpark 2022/09/01 # 共建开源生态，天数智芯携手昇思发布百大应用开放平台DeepSpark 华为昇思业务总经理丁诚 2022年8月30日，上海天数智芯半导体有限公司（以下简称“天数智芯”）发布支持昇思MindSpore AI框架的百大应用开放平台DeepSpark，**华为昇思业务总经理丁诚**受邀出席启动仪式并发表演讲。 丁诚在主题演讲中表示：华为聚焦人工智能根技术的研发，打造昇腾AI基础软硬件平台，使能产业智能化升级。昇思是天数智芯的重要合作伙伴，将持续支持百大应用开放平台DeepSpark。自2020年3月开源以来，昇思MindSpore AI框架的技术与商业生态快速发展，与天数智芯等优秀的企业深度合作，推进包括百大应用平台全系列模型等适配昇思，将进一步繁荣人工智能产业生态。 中国工程院院士倪光南对大会进行了视频致辞，上海市闵行区副区长李锐、天数智芯首席技术官吕坚平出席发布会现场并致辞。天数智芯副总裁邹翾全面介绍了百大应用开放平台DeepSpark。该平台甄选百大应用算法模型，支持昇思MindSpore AI框架等国内外主流应用框架及工具箱，并将在近期向全球开发者开源，打造开源社区。 发布仪式 当前，昇腾AI产业的发展进入全面升级的新阶段，华为将与天数智芯等优秀合作伙伴携手共进，凝聚各方智慧，以人工智能技术带动数字经济腾飞，使能千行百业智能化升级，加速产业落地，共同推进中国人工智能产业的发展。 **关于天数智芯** 上海天数智芯半导体有限公司（简称“天数智芯”）于2018年正式启动通用GPU芯片设计，是中国第一家通用GPU高端芯片及超级算力系统提供商。公司以“成为智能社会的赋能者”为使命，立足客户、市场的需求，致力于开发自主可控、国际领先的高性能通用GPU产品，加速AI计算与图形渲染融合，探索通用GPU赶超发展道路，加快建设自主产业生态，打造世界一流的算力引擎，以更可信、更高效、更绿色的算力赋能各行各业智能化转型，促进我国数字经济高质量发展，开启中国引领世界走向元宇宙、数字孪生的崭新一页。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1783/ --- 新闻 学会通知 | “中国人工智能学会—华为MindSpore学术奖励基金”第三期发布通知 # 学会通知 | “中国人工智能学会—华为MindSpore学术奖励基金”第三期发布通知 2022/09/07 # 学会通知 | “中国人工智能学会—华为MindSpore学术奖励基金”第三期发布通知 **MindSpore学术奖励基金** \*\*《中国人工智能学会—华为MindSpore学术奖励基金》\*\*是由中国人工智能学会和华为技术有限公司共同发起，面向高校及科研院所的AI科研人员搭建学术交流平台，提供经费、算力、技术支持等服务，推动MindSpore在AI领域科研的应用，并支持基于MindSpore框架的国际国内高水平会议和期刊的学术论文发表，激励原创性科学研究开展，构建中国人工智能科学研究的全球影响力。 **入选项目将分两类进行资助** **A类**：额度9万，计划支持项目数量不多于30个； **B类**：额度18万，计划支持项目数量不多于10个。 具体内容请按《申请指南》提交申报材料（详见附件）。 **时间节点** **申报开始时间**：2022年9月6日 **申报截止时间**：2022年10月10日 **发布评审结果时间**：2022年10月30日 **项目完成时间**：2023年10月30日前 **联系方式** **专属申报邮箱**：xsjljj@caai.cn **学会联系电话**：010-82686683 **联系人**：邹老师 13121123883 点击链接下载附件：https://www.caai.cn/index.php?s=/home/article/detail/id/2135.html 附件1.中国人工智能学会—华为MindSpore学术奖励基金第三期项目申请指南（2022年）.docx 附件2.项目申请书.docx 中国人工智能学会 2021年9月6日 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1784/ --- 新闻 社区月报 | 两大创新模型重磅发布，昇思大模型体验平台下载量破21W！ # 社区月报 | 两大创新模型重磅发布，昇思大模型体验平台下载量破21W！ 2022/09/02 # 社区月报 | 两大创新模型重磅发布，昇思大模型体验平台下载量破21W！ **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1789/ --- 新闻 智能流体力学产业联合体成立，昇腾AI助力开创中国大制造产业新高度 # 智能流体力学产业联合体成立，昇腾AI助力开创中国大制造产业新高度 2022/09/07 # 智能流体力学产业联合体成立，昇腾AI助力开创中国大制造产业新高度 **\[中国，上海，2022年9月2日\]** 智能流体力学产业联合体正式成立并成功召开第一次全体会议。产业联合体将以昇腾AI等自主创新人工智能技术为基础，通过AI与流体力学领域深度融合，使能科研创新，推动产业落地。 智能流体力学产业联合体是在中国空气动力学会指导下，由唐志共、吴光辉、鄂维南院士为代表的产业界领军人物和30多家全球头部流体力学高校、科研院所与龙头企业共同组建的产业联合体，秘书处设在西北工业大学。联合体将以昇腾AI与昇思MindSpore AI框架等人工智能技术为基础，推动AI与流体力学的深度融合，加速流体力学领域的科研创新、技术进步、产业升级、人才培养，为飞机、高铁、轮船等制造业提质增效。 **中国科学院院士、中国空气动力学会理事长、联合体理事长唐志共院士**在致辞中指出，流体力学是关乎国计民生、大国重器的重要基础科学，人工智能与流体力学的结合为流体力学的研究带来全新范式，助推技术全面升级和产业高速发展。产业联合体要做成一个真正的价值共同体，让成员在联合体的框架下，发挥各自优势，促进资源、知识、能力、机遇共享。 （中国科学院院士、中国空气动力学会理事长唐志共致辞） **华为高级副总裁、计算产品线总裁邓泰华**在致辞中表示，AI只有与场景应用结合，才能发挥出最大价值。中国商飞上海飞机设计研究院联合华为，发布了业界首个工业级流体仿真大模型“东方.御风”，这是基于昇腾AI打造的面向大型客机翼型流场高效高精度AI仿真预测模型，是AI与流体力学深度结合的实践成果。智能流体力学产业联合体的成立，将汇聚产业界更多力量，加速科研创新与产业升级。华为也将与伙伴一起，以昇腾AI进一步提升流体力学产业的核心竞争力，推动人工智能产业持续发展。 （华为高级副总裁、计算产品线总裁邓泰华致辞） 智能流体力学产业联合体的章程表决仪式由联合体副理事长兼秘书长、西北工业大学航空学院长江学者张伟伟教授主持。会上，全体成员一致鼓掌通过联合体章程。 联合体成立仪式在昇腾人工智能生态大会上隆重举行，中国工程院院士、中国商飞首席科学家吴光辉、华为昇腾计算业务总裁张迪煊、华为中国政企数据中心解决方案总裁常成，以及来自全国顶尖高等院校、科研院所的多位嘉宾出席启动仪式。 （成立仪式） 会上，四位专家带来了精彩的智能流体力学研究进展和应用展望。**秘书长张伟伟**在演讲中提到，智能流体力学是经典学科和新兴学科交叉融合的典范，人工智能方法为架起试验、理论和计算之间的桥梁，形成多范式智能融合提供了契机。**联合体理事中科院力学所王一伟研究员**介绍了人工智能在多相流流动领域的应用，指出AI大大提升了相关问题的求解效率。**华为昇思首席科学家于璠**介绍了昇思MindSpore AI框架原生支持流体力学、分子动力学等场景的丰富套件，并分享了以智能技术赋能科学计算的实践案例。**中国空气动力研究与发展中心王岳青副研究员**介绍了人工智能在数值风洞中的应用，这助推了飞行器的设计模式变革，显著提升复杂飞行器的设计能力，使设计周期大幅缩短。 （圆桌对话） 圆桌对话环节由秘书长张伟伟主持，华为昇思业务总经理丁诚、联合体理事、航空工业一飞院耿延升副院长、理事王一伟、嘉宾中国空气动力研究与发展中心赵钟上台共话智能流体力学的研究与应用趋势，展望产业新蓝图。 （第一次全体会议合影） 未来，联合体将以国家重大战略需求、行业和企业实际需求为任务目标，有效整合产、学、 研、用各方资源，充分利用西安未来人工智能计算中心等自主创新的AI算力基础设施资源，在流体力学领域开展基础研究、技术研究和产品研制。同时，联合体还将搭建完善的信息交流平台、公共技术服务平台和产业服务平台，充分调动各资源优势，构建具有自主知识产权的技术及生态体系，提高相关产业的核心竞争力，形成产业技术标准和行业服务规范，打造我国自主创新的完整产业。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1792/ --- 新闻 九科信息加入昇思MindSpore开源社区，共创流程挖掘+RPA+AI技术繁荣发展新篇章 # 九科信息加入昇思MindSpore开源社区，共创流程挖掘+RPA+AI技术繁荣发展新篇章 2022/09/08 # 九科信息加入昇思MindSpore开源社区，共创流程挖掘+RPA+AI技术繁荣发展新篇章 近日，**九科信息技术（深圳）有限公司**签署CCLA（Corporate Contributor License Agreement，企业贡献者许可协议书），正式加入昇思MindSpore开源社区。 **九科信息技术（深圳）有限公司** 九科信息技术（深圳）有限公司（以下简称“九科”），是一家企业级云原生超级自动化平台提供商。以“技术信仰，赋能未来”为文化基因，以“化繁为简，让工作更智能”为发展使命，九科信息致力于成为世界一流的科技公司。 作为国企、央企数字化转型专家，九科率先推出了领先的超级自动化平台，帮助企业快速进行数智化转型。 超级自动化平台了融合了流程挖掘平台bit-Miner、第四代智能型RPA平台bit-Worker以及低代码开发平台bit-Builder，深度融合AI能力和数据挖掘分析能力，提供了从企业业务流程洞察、流程定制、流程优化、流程效率提升到流程连接打通的全生命周期服务能力，构建了业内领先、安全自主可控、高效智能的企业数字化、智慧化转型“数字技术底座”解决方案，助力企业提速、降本、增效，推动数字化转型进程。 **九科**\*\*& 昇思MindSpore\*\* 九科信息的加入，将进一步繁荣昇思生态，同时标志着双方社区项目合作的进一步深化。双方达成共识，共同推动流程挖掘、RPA等新兴技术发展，打造创新性产品及解决方案。 未来，九科信息期待与更多的昇思社区伙伴一起，通过更专业、更高效地合作共同推进行业应用落地，构建繁荣的人工智能产业生态圈。 我们诚邀各企业、高校及科研院所加入昇思MindSpore开源社区，成为社区合作伙伴，与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态。 更多合作需求 请扫码添加企业助手进行咨询 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1805/ --- 新闻 MindSpore Quantum | 2022 QWorld量子计算与编程暑期学校落下帷幕 # MindSpore Quantum | 2022 QWorld量子计算与编程暑期学校落下帷幕 2022/09/09 # MindSpore Quantum | 2022 QWorld量子计算与编程暑期学校落下帷幕 **暑期学校整体介绍** 由上海大学理学院量子人工智能科学技术研究中心（QuArtist）主办的2022 QWorld量子计算与编程暑期学校于2022年8月21日晚落下帷幕。 本次暑期学校为期两周，吸引了全国共370余名师生参加。来自拉脱维亚大学的主讲人Abuzer Yakaryilmaz为同学们带来了QBronze-MindQuantum和QSilver-MindQuantum两个系列课程。QBronze课程循序渐进，从最基本的量子力学知识和线性代数基础开始，到著名的Grover搜索算法，为同学们打开了量子计算世界的大门。QSilver课程由浅及深，在前置课程的基础上介绍了量子Fourier算法、量子相位估计算法、Shor算法等，加深了同学们对量子计算的理解。 在理论课程之外，来自华为MindSpore Quantum团队的各位老师也开展了开源实践的讲座。同学们以MindSpore Quantum为编程框架，体验了量子变分算法、量子近似估计算法、量子机器学习等前沿的量子计算应用。理论与实践相结合，更加丰富了本次暑期学校的内容。 暑期学校官网：https://qworld.net/summer-school-china-2022/ 2 **暑期学校培训课程视频** 2022QWorld量子计算与编程课程合集: https://b23.tv/lGozjVp **暑期学校培训团队** **主办人** Abuzer Yakaryilmaz (QWorld) 陈玺教授（上海大学） **暑校讲师** MindSpore Quantum团队 Abuzer Yakaryilmaz (QWorld) **助教** Marija Šćekić (QWorld) 丁泳程（上海大学） 王亚鹏（上海大学） 吴羽（上海大学） **暑期学校培训证书** 两周培训课程中，同学们课上认真听讲，积极互动，课后也在交流群中也展开激烈的讨论，同时完成了相应的作业和考试，为此次暑期学校交上了一份满意的答卷。成绩合格者将获得由QWorld颁发的学习证书，以及MindSpore Quantum团队送出的精美礼品。在这里恭喜顺利毕业的同学们！ 我们希望通过本次QWorld量子计算与编程暑期学校，帮助更多学生学习量子计算的相关知识，激发学生对量子计算软件和算法研究的热情，也能够吸引高校师生了解并参与到MindSpore Quantum开源项目的建设中，为量子计算事业发展培养人才，为国家新一代技术建设贡献力量。 我们将启动更多的培训课程和活动，欢迎各大高校与MindSpore Quantum团队开展合作，联系邮箱： hiqinfo1@huawei.com **MindSpore Quantum官方资料** ① MindSpore Quantum官网： https://www.mindspore.cn/mindquantum ② Gitee代码仓： https://gitee.com/mindspore/mindquantum ③ HiQ官网： https://hiq.huaweicloud.com/home **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1806/ --- 新闻 团圆这一刻，昇思与君共，一封给小孢子的中秋祝福 # 团圆这一刻，昇思与君共，一封给小孢子的中秋祝福 2022/09/10 # 团圆这一刻，昇思与君共，一封给小孢子的中秋祝福 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1807/ --- 新闻 最新案例 | 昇思MindSpore携手梦蝶幻像打造濒危鸟类目标识别和实时追踪系统 # 最新案例 | 昇思MindSpore携手梦蝶幻像打造濒危鸟类目标识别和实时追踪系统 2022/09/15 # 最新案例 | 昇思MindSpore携手梦蝶幻像打造濒危鸟类目标识别和实时追踪系统 \*\*2022年6月，重庆梦蝶幻像科技有限公司（以下简称“梦蝶幻像”）的濒危鸟类目标识别和实时追踪系统完成了与全场景AI框架昇思MindSpore的兼容性测试。\*\*该系统基于昇腾AI基础软硬件平台，可以实现对鸟类种类和姿态的准确识别，成为集“鸟类分类、行为识别、雌雄识别、幼鸟成鸟识别”等功能于一体的濒危鸟类目标识别和实时追踪系统。 在新时代的中国，加强野生动物保护已成为生态文明建设的重要内容，目前已建立各级各类自然保护地1.18万处。工作人员对野生动物、特别是濒危动物的研究需求日益增多，虽然红外触发相机可以在一定程度上代替人力跋山涉水，但由于其可感应区域较小，树枝摆动、树叶下落均有可能触发误拍，产生的图片信息数量非常庞大，仅靠人工筛选几乎难以为继，大量宝贵的时间被耗费在繁复的工作之中，效率极低。 这些在野生动物保护中面临的问题，正是昇腾AI的强项所在。梦蝶幻像濒危鸟类目标识别和实时追踪系统，依托昇腾Atlas系列硬件，通过边缘计算与AI的结合，对高清摄像头捕捉到的海量图片/视频进行批量的初步筛选。同时，基于全场景AI框架昇思MindSpore强大的深度学习能力，对超过5000多种鸟类的50多万张照片进行学习，准确识别包括种类、行为、雌雄、幼鸟成鸟在内的信息，为专家进行最终物种认定提供重要参考。 重庆中华秋沙鸭AI动态监测网络 相比传统人工筛选红外相机影像的方式，应用该系统后，濒危鸟类的识别效率提高100%，极大地减轻了保护区工作人员的工作量，帮助挽救那些即将远离我们的可爱物种，为保护生物多样性做出贡献。 AI改变世界，昇腾正改变AI。除了动物保护事业，昇腾AI对于全行业的价值正在被不断发现。华为将坚持技术创新，努力做好基础软硬件平台，与梦蝶幻像等伙伴一起，共筑千行百业转型升级的智能根基。 关于梦蝶幻像 重庆梦蝶幻像科技有限公司是一家专注于图形图像算法和人工智能领域的高科技公司。公司在智能制造、城市管理、环境保护、野生动物保护等领域和多家国企、央企以及专业公司有深度技术合作。先后联合研发了隧道运营风险动态评估与集成管理平台、重庆水务集团丰收坝水厂数字孪生系统等人工智能和数字孪生系统（模块）。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1851/ --- 新闻 加入昇思MindSpore医疗影像AI SIG，共同提高医学诊疗服务水平 # 加入昇思MindSpore医疗影像AI SIG，共同提高医学诊疗服务水平 2022/09/19 # 加入昇思MindSpore医疗影像AI SIG，共同提高医学诊疗服务水平 随着人们健康意识的逐渐增强，人们对医学诊疗服务的需求也与日俱增。目前，基于AI的医学图像辅助诊断模型日趋成熟，如在皮肤病、眼底视网膜病变等诊断任务中，基于人工智能的辅助诊断算法在精度方面已经能够接近、甚至超越了临床专家。将基于AI影像的辅助诊断模型部署到诊疗服务水平较低的城乡基层卫生单位，可有效降低误诊率，提高城乡医疗诊断质量，缓解我国各地医疗资源分配不均衡的问题。因此，研究基于AI影像的辅助诊断系统具有重要的社会价值。 在此背景下，昇思MindSpore医疗影像AI专项兴趣小组（简称：医疗影像AI SIG）正式成立，并面向开源社区招募志同道合的伙伴。 **1** **医疗影像AI SIG的使命** 对多数疾病诊断问题而言，受数据采集成本、医师临床经验水平和标注习惯差异等因素影响，可用的带标签医学图像通常只有几千张甚至更少。因此，医疗影像AI SIG成立的目的是针对医学小样本数据，在昇思MindSpore框架下开发高效精确的AI辅助诊断模型，构建高效的高维医学影像分割标注工具，提升疾病诊断的精确性。 小组的重点工作包括一下几个方向： - **轻量级深度学习模型构建** 针对二维医学小样本数据，构建轻量级深度学习模型（包括CNN，GAN及Transformer等模型），降低模型训练难度，提升模型在疾病诊断中的通用性。 - **面向高维医学图像的新型深度学习模型设计** 研究高维深度学习模型，通过引入注意力机制等策略，在降低模型复杂度的同时，提升模型的性能。 - **轻量级深度学习模型及高维深度学习模型的高效训练策略研究** 研究新的自监督训练策略（如知识蒸馏、元匹配），提升CNN及Transformer等模型在小样本医学数据上的性能。 - **模型的推广** 基于全场景AI框架昇思MindSpore，实现模型的落地和推广。 - **面向医学影像诊断可解释性的强化学习框架** 基于昇思MindSpore，在医学影像诊断的可解释性领域研发深度强化学习框架。 - **稳健的医学影像深度学习分析模型构建** 探索深度学习模型在医学影像分割和诊断任务中对影像质量漂移的稳健性，尤其是探索推动昇思MindSpore对轻量、快速的在线学习的支持。 - **高效的高维医学影像分割标注工具的构建** 基于昇思MindSpore，构建通用的、高效的高维医学影像（视频影像和三维影像）的分割标注工具模块，为医生提供简单易用、精确快速的标注支持，减少医生的耗时。 **2** **医疗影像AI SIG工作计划** **初期** 以成员学术交流活动为主，每月组织线上交流活动，围绕医疗AI中涉及的图像分类、图像降噪、图像分割、图像配准、图像降噪及图像融合等问题，介绍研究工作进展，讨论研究工作中的难点。 **中期** 通过合作开发等模式，在国内高校及企业间开展医疗AI问题的合作研究。 **后期** 通过任务揭榜或比赛PK等模式，在全球范围内开展医疗AI问题的合作研究。 **3** **医疗影像AI SIG构成** **领衔成员** **张旭明**，华中科技大学生命科学与技术学院副教授，研究方向包括手术导航和手术机器人，博士毕业于上海交通大学。近年来，承担国家重点研发计划课题2项，国家自然基金面上项目1项，863子课题1项，中国人工智能学会-华为MindSpore学术奖励基金1项，发表SCI论文60余篇，获得国家授权专利26项，获2021年湖北省科技部进步奖一等奖1项，在华为MindSpore平台支持下，指导本科生获全国生医电子创新大赛二等奖2项。 **杨鑫**，深圳大学医学部助理教授。香港中文大学博士，北卡罗莱纳大学教堂山分校和哈佛大学医学院访问学者，深圳市海外高层次人才。主要从事智能化医学超声影像研究。在顶级期刊和会议发表论文60余篇，三次获得MICCAI大会演讲，学术引用4170余次。带领研发了首款一站式医学影像标注软件Pair，填补领域空白。推动了华为全场景深度学习框架MindSpore在医学影像标注领域的多个智能应用。主持国家自然科学基金1项、深圳市稳定支持A类项目1项，参与国家重点研发计划1项。 **小组成员** 01：**苑玉杰**，昇思MindSpore布道师 02：**朱星星**，华中科技大学生命科学与技术学院，博士后 03：**王一博**，华中科技大学生命科学与技术学院，硕士生 04：**闻明伟**，华中科技大学生命科学与技术学院，硕士生 05：**余斌**，华中科技大学生命科学与技术学院，硕士生 06：**叶胤妤**，深圳大学医学部生物医学工程学院，硕士生 **4** **医疗影像AI SIG召唤你** 扫码加入医疗影像AI SIG交流群 医疗影像AI SIG联合2022CCF大数据与计算智能大赛发起昇思MindSpore赛道：基于昇思MindSpore AI框架的肾脏肿瘤分割。医疗影像AI SIG还会提供系统性的培训和参赛指导，帮助大家取得更好的成绩。 **赛题任务** 这一挑战的目标是开发快速可靠的肾脏和肾脏肿瘤语义分割方法，形态上的异质性以及模糊的组织边界可能是需要解决的难题。比赛提供接受部分或根治性肾切除术的210例肾癌患者的动脉期腹部CT扫描数据，并标记了真实的语义分割结果。 **赛题奖金** 扫码了解更多赛题详情 关于MindSpore SIG 昇思MindSpore社区欢迎业界专家、学术伙伴在社区成立特别兴趣小组（SIG），作为社区领域技术代言人，打造领域技术品牌，共建昇思MindSpore开源生态。 MindSpore SIG即MindSpore Special Interest Groups，即“昇思特别兴趣小组”，MindSpore社区成立个技术SIG的初衷是为该领域的专家、教授和学生提供一个开放交流的平台，通过会议分享、项目开发等活动促进技术交流、合作共赢，并使得SIG成员的影响力和技术能力得到提升，截止目前，MindSpore SIG共计成立20+。 如果你也想成立一个SIG **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1854/ --- 新闻 MindSpore荣获OSCAR两项大奖，尖峰开源技术获认可 # MindSpore荣获OSCAR两项大奖，尖峰开源技术获认可 2022/09/20 # MindSpore荣获OSCAR两项大奖，尖峰开源技术获认可 **9月16日，2022 OSCAR开源产业大会在北京正式举行**。此次大会由中国信息通信研究院（以下简称“中国信通院”） 与中国通信标准化协会联合主办。大会旨在进一步探索我国开源生态发展模式，提升行业开源技术应用安全能力，加速行业企业开源治理能力的落地，推动国内开源生态快速、健康有序发展。 **华为计算开源业务总经理堵俊平**在本次大会发表了《开源雨林：共建开源生态体系，共赢数字化未来》主题演讲。 他表示开源生态已经成为全球数字科技创新的关键所在，华为也将秉承开放、共创、繁荣、共赢的开源理念，与开源生态中的伙伴们并肩携手，共同构建枝繁叶茂的 “开源雨林” 生态体系，吸引和帮助越来越多的企业融入开源生态，助力企业和开源业态蓬勃发展，合作共赢数字化时代。 本次大会中，昇思MindSpore荣获“OSCAR尖峰开源项目及开源社区”、“OSCAR尖峰开源人物”两大奖项。 **OSCAR尖峰开源项目\*\*\*\*及开源社区奖** 在“开源项目及社区”领域中，昇思MindSpore经过层层评选，凭借突出的科研创新能力和生态建设能力脱颖而出，获得“2022 OSCAR 尖峰开源项目及社区”奖项。 昇思MindSpore自2020年3月诞生之初，就以开源形式面向世界，扎根开源社区，持续使能科研创新与产业应用，通过原生的技术体系，不断加速中国AI应用生态。昇思MindSpore生态的构建并不仅仅意味着自身的发展，也代表同开发者们共同成长。 **OSCAR尖峰开源人物奖** 昇思MindSpore开源生态总监胡晓曼，凭借在开源社区的深耕，被授予“OSCAR尖峰开源人物”。 昇思MindSpore社区目前下载量超过**229**万，**5000+**企业应用上线，认证开发者/布道师近**338**人，是国内第一热度的AI开源社区。同时，社区开发了TinyMS开源项目、昇思大模型体验平台，大大简化了开发者的开发过程，并且在不同硬件上都实现更好的性能。 昇思MindSpore一直致力于科研技术创新与开源生态，我们将携手开发者与企业伙伴，共同构建多元化、规模化的AI开源生态，充分发挥昇思MindSpore优势，助力国家数字经济高速发展，推动开源事业为世界带来更多美好。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1875/ --- 新闻 最新案例丨昇思MindSpore携手宝兰德推出智慧工地解决方案，助力工地安全生产管理领域数智化升级 # 最新案例丨昇思MindSpore携手宝兰德推出智慧工地解决方案，助力工地安全生产管理领域数智化升级 2022/09/23 # 最新案例丨昇思MindSpore携手宝兰德推出智慧工地解决方案，助力工地安全生产管理领域数智化升级 \*\*近日，基于昇腾AI，北京宝兰德软件股份有限公司(简称:宝兰德)的智能学习平台及智慧工地系列解决方案完成与华为Atlas系列硬件及全场景AI框架昇思MindSpore的兼容性测试。\*\*该方案利用AI对工地现场人员、车辆、火情、水情、作业工具等进行智能检验，结合数字管理系统，助力工地安全生产管理领域数智化升级。 现代工程施工现场环境越来越复杂，单纯依靠人工对现场作业人员进行规范管理的难度越来越大，行业急需利用新的技术手段来保障工地中工人的安全作业和施工。 针对行业痛点，**宝兰德携手华为推出智能学习平台，并在其基础上孵化了智慧工地系列解决方案**。依托昇腾AI基础软硬件平台，宝兰德技术团队锐意创新，在模型开发、算法工程、推理部署系统等方面做了大量调优工作，将视觉AI模型的性能由30张/秒提升至60张/秒，提高2倍；其自主研发的入侵检测模型，解决了入侵目标空间重叠的问题，相对传统边界检测方案更高效。 某能源集团智慧工地方案示意图 宝兰德智慧工地系列解决方案拥有以下优势： 1、支持云边端全场景部署：基于宝兰德智能学习平台，提供软硬一体交付方案，可实现从云端模型训练-边缘场景落地的一体化落地流程。 2、覆盖丰富的工地作业场景：对包括安全帽识别、烟火检测、区域入侵检测、疲劳作业检测在内的十余种典型工地安全生产场景进行智能监测。 3、配备数字管理系统：提供端侧视频设备管理、检测结果管理、检测结果上报、自动告警管理等配置功能，可实现检测场景大屏可视化管理，帮助管理者搭建数字化管理体系，提升管理效力。 昇腾AI产业的发展进入全面升级的新阶段，华为将携手宝兰德等合作伙伴，凝聚各方智慧，不断突破向上，与生态伙伴共成长，以人工智能技术带动数字经济腾飞，使能千行百业智能化升级，共同推进中国人工智能产业的发展。 关于宝兰德 北京宝兰德软件股份有限公司成立于2008年，是在科创板上市的高新技术软件企业，领先的基础软件供应商，专注于中间件、智能运维等基础软件和基于大数据、人工智能行业通用软件产品及解决方案研发推广，作为CCSA、ITSS、CNCF、Eclipse等关键组织成员，参与了多项标准的制定和推广。公司产品方案广泛应用于运营商、金融、政府、能源等国计民生行业。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1877/ --- 新闻 最新案例丨AI+医疗，昇思MindSpore携手锟元方青推出智慧病理诊断系统 # 最新案例丨AI+医疗，昇思MindSpore携手锟元方青推出智慧病理诊断系统 2022/09/26 # 最新案例丨AI+医疗，昇思MindSpore携手锟元方青推出智慧病理诊断系统 \*\*2022年8月，广州锟元方青医疗科技有限公司（以下简称“锟元方青”）的智慧病理诊断系统完成了与全场景AI框架昇思MindSpore的兼容性测试，\*\*并获得由华为颁发的技术认证书。该系统将人工智能技术、数字化硬件设备与软件信息化建设相结合，实现了病理诊断全流程标准化、数字化和智能化，为病理诊断领域发展注入强劲动力。 病理报告被称为疾病诊断的“金标准”。传统的病理切片分析需要病理医师在显微镜下逐个寻找相关区域进行分析。病理医师每天要分析许多病理切片，一张病理切片通常包含数百万个细胞，工作量之大可想而知，再加上国内病理医师紧缺，病理诊断行业的时效性还有很大的提升空间。 锟元方青智慧病理诊断系统以我国病理科的发展需求为基础，**依托昇腾AI基础软硬件平台，包括Atlas系列硬件、全场景AI框架昇思MindSpore**，对病理诊断方式进行变革，帮助医师快速识别病理细胞，进行精准的分类和定位，从而将医师从基础、琐碎的筛查工作中解放出来，专注于病理的深层研究与诊断。 锟元方青智慧病理诊断方案 当前，锟元方青智慧病理诊断系统已在全国数十家医院成功商用落地，辅助病理医师进行样本数据初筛，提高诊断效率和诊断质量。以在宫颈液基细胞病理诊断中的应用为例，锟元方青智慧病理诊断系统具有三大优势： 1、**更准确**：通过超万例测试验证，可实现15类宫颈细胞的病变分类，敏感性>99%，排阴率 > 80%，相当于从业15年以上的专业医师。 2、**更高效**：提供疑难疾病的诊断指导，将医师的读片效率从10分钟降至10秒，效率提升60倍。 3、**更稳定**： 支持7\*24 小时无间断自动化运行，自动抓取可见异常，错失自动报警，实现数据0遗漏。 基于锟元方青智慧病理平台的宫颈液基细胞病理诊断界面 AI与诊断病理学的融合，符合诊断病理学现代化发展的趋势，已经展现出巨大的发展潜力。在锟元方青等合作伙伴、开发者的共同努力下，华为将不断探索科技前沿、不断突破创新边界，加速打通AI落地各行各业的“最后一公里”，做好昇腾AI基础软硬件平台，为人工智能产业提供源源不断的动力。 关于锟元方青 广州锟元方青医疗科技有限公司是目前全国唯一一家以病理医师为主导的病理人工智能研发团队，秉承着“拥抱智能，深耕病理”的理念，致力于打造智慧化病理科所需的平台工具。自2010年开始，专家团队开始从事数字远程病理诊断；自2016年以来，团队开展宫颈液基细胞学、胸腹水细胞学、甲状腺细胞学等人工智能项目的研发。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1878/ --- 新闻 MSG企业行·智能制造专场成功举办！多家企业热烈探讨制造业智能化转型升级！ # MSG企业行·智能制造专场成功举办！多家企业热烈探讨制造业智能化转型升级！ 2022/09/26 # MSG企业行·智能制造专场成功举办！多家企业热烈探讨制造业智能化转型升级！ 9月23日下午，MSG企业行·智能制造线上交流会成功举办！昇思MindSpore开源社区联合江苏鲲鹏·昇腾生态创新中心，携手知名媒体选型宝，邀请到了**华为、上海帆一尚行、首自信公司、美云智数、成都数之联、南京奥看信息、北极九章的****7****位企业嘉宾**，基于自身丰富的工业领域技术经验，分享了传统的生产制造企业的AI应用场景，助力制造业企业实现智能制造转型升级。 本次MSG企业行·智能制造专场活动，**中兴通讯、字节跳动、太古、三一重能、华北石油、中山大学**等**210**家知名企业代表报名参与，活动现场**125**位领先代表基于人工智能与智能制造的结合进行了热烈的研讨与交流。 基于昇腾软硬件的多模态模型研究及应用 **华为高级工程师MoonSmile**：围绕大模型产业规划和布局了大模型沙盘、大模型开发使能平台，分享了基于昇腾软硬件的多模态基础模型及下游任务的开发与应用、大模型微调套件等内容。 奥看+昇思MindSpore： 赋能锂电领域AI安全生产及园区行业解决方案 **南京奥看信息高级产品总监马遥**：基于昇思MindSpore全场景AI框架，分享了奥看科技开发的多种工业场景算法，并提供预测、预警、处理和分析的全闭环应用，以及赋能锂电领域AI安全生产及园区行业的解决方案。 云边协同赋能制造业智改数转 **上海帆一尚行（上汽云计算）智能制造事业部市场总监史宣汉**：基于帆一尚行云原生技术打造的帆一智造工业互联网平台等，分享了云边协同赋能制造业智改数转升级。 新技术助力冶金行业“智造” **首自信公司副总工程师宋扬**：围绕冶金行业的核心技术，分享了北京首钢自动化信息技术有限公司的冶金流程“智造”赋能工作案例，以及在首钢京唐热轧、中厚板和冷轧产线的实际应用。进一步提升精益智造水平，为打造世界级一流工厂奠定了坚实的基础。 美的数字化转型经验助力制造业弯道超车 **美云智数智能制造首席专家赵昕**：基于产业互联网发展形态之下全价值链的集成与协同，分享了美的集团的转型经验，将创新技术和产业Know-How深度融合，以丰富的自研工业软件跨行业、跨领域深化应用，助力制造业企业实现智能制造转型升级。 工业智能质检创新实践 **成都数之联解决方案总监唐滔**：以“品质”为核心主题，分享了数之联利用AI、机器学习、大数据等技术赋能工业企业，面向生产过程提供不良检出、分类、根因挖掘、优化建议等智能化解决方案。 **北极九章合伙人沙海洲**：分享了制造行业“数据驱动”新路径，通过人人可用的数据增强型分析引擎，降低数据分析工具的学习成本，帮助企业打通数据应用的最后一公里，实现数据驱动 数字化浪潮席卷全球背景下，制造业是数字化转型的主战场之一，在从制造大国转向“智”造强国的过程中，基于深度学习的人工智能技术可塑性愈发强大。 昇思MindSpore开源社区聚焦各地核心科技板块，赋能行业应用落地，加速人工智能+产业融合，推动AI各行业领域的创新发展，打造开发共赢的产业生态圈。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1879/ --- 新闻 “智能基座昇腾高校行”走进暨南大学，全方位解密昇思MindSpore的特性优势 # “智能基座昇腾高校行”走进暨南大学，全方位解密昇思MindSpore的特性优势 2022/09/26 # “智能基座昇腾高校行”走进暨南大学，全方位解密昇思MindSpore的特性优势 **9月24日，为满足同学们对科技创新的探索需求，华为与暨南大学共同举办“智能基座昇腾高校行——暨南大学专场”活动。** 活动通过讲解全场景AI框架昇思MindSpore的最新特性，让同学们快速了解人工智能领域的前沿动态，令更多感兴趣的同学加入到昇腾生态中来。暨南大学本科生院教务处副处长孙建莉老师、暨南大学本科生院教务处实践教学科杨楠老师、智能科学与工程学院/人工智能产业学院李德平老师、昇腾高校生态发展总监刘晓星、华为高级研发工程师刘志丹出席活动。 活动中，**昇腾高校生态发展总监刘晓星**在演讲中分享到，人工智能正走进千行百业，如何让AI用得上、用得起、用得好才是关键。昇腾AI通过极致的性能实现商业与科技双循环，已助力多个行业智能化转型。华为也希望与高校一同通过昇腾人工智能人才加速计划等多项人才培育计划，培育科技创新人才，期待更多的同学加入其中，共同构建AI技术生态，推动AI赋能更多的行业。 过去十年，无人驾驶蓬勃发展并取得了诸多成果，**智能科学与工程学院/人工智能产业学院李德平老师**特地为同学们带来了专项讲解，将当前最热的科技成果的创新理念与实践带到同学当中来。通过讲解并模拟无人驾驶的主要环节和技术原理，让同学们对无人小车的设计和实现有了更深入的认识。 之后，**华为昇思MindSpore高级工程师刘志丹**针对全场景AI框架昇思MindSpore进行了深度的解析，从应用案例到生态发展等多个方面讲解全场景AI框架昇思MindSpore的优势。此外，还带领同学们展开一场趣味实操，基于DCGAN模型生成一个动漫头像，吸引了大量同学的兴趣，主动与专家交流自己的想法和思路，感受开发的乐趣，活动现场异常热烈。 为助力暨南大学建立人才培养体系，构建科技创新驱动力，华为与高校共同努力推进教学改革和课程优化，将最前沿的技术带进入课堂，也将全场景AI框架昇思MindSpore带给更多的同学认识。同时通过产业界与教育资源的协同互助，为同学提供创新实践的机会，培育AI产业生态高质量人才，为社会的技术创新与发展增添助力。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1880/ --- 新闻 CIIS 2022丨AI框架技术与应用创新论坛成功举办！聚焦AI领域与产业融合创新 # CIIS 2022丨AI框架技术与应用创新论坛成功举办！聚焦AI领域与产业融合创新 2022/09/27 # CIIS 2022丨AI框架技术与应用创新论坛成功举办！聚焦AI领域与产业融合创新 9月17-18日，2022第十一届中国智能产业高峰论坛（CIIS 2022）在厦门举办，大会主席由戴琼海院士、王恩东院士、赵春江院士共同担任。本届大会从产业应用需求角度出发，解构人工智能商业实践现状，探索智能产业未来发展路径，为区域经济发展、产业布局和智能生态建设注入新动能。为期两天的活动共举办了十五个专题论坛和五场同期活动。 其中《AI框架技术与应用创新论坛》邀请到华为软件领域科学家、MindSpore架构师于璠博士、南京理工大学教授魏秀参、华东师范大学教授谢源、厦门大学教授曲延云、中国科学技术大学研究员高洪波和中山大学计算机科学与技术系副主任、副教授苏勤亮，各位主讲嘉宾聚焦AI框架的发展趋势以及全场景AI框架昇思MindSpore的产业应用案例为主题带来了精彩分享。本次论坛活动也得到业界的广泛关注。新浪、百度、科协平台、视频号、抖音以及MindSpore官方B站号进行了同步直播，全平台观看人数高达20余万人。 **华为软件领域科学家、MindSpore架构师于璠博士**：于璠博士首先从生产、科研和生活的三个维度探讨了AI的发展前景以及未来趋势，随后介绍了昇思MindSpore人工智能框架的历史变迁和重点特性，MindSpore作为全场景AI框架致力于科研创新、产业应用，对构筑中国人工智能生态圈将产学相结合起到推进作用。 昇思MindSpore发展介绍与生态策略（于璠） **南京理工大学教授魏秀参**：基于开放动态环境下的图像细粒度分析研究学术讲解，介绍细粒度图像分析的应用场景以及多维领域的发展方向，分享了通过MindSpore实现的相关研究成果和发表的顶会论文并展望图像细粒度的未来发展方向。 开放动态环境下的图像细粒度分析讲解（魏秀参） **华东师范大学教授谢源**：分享了《大规模点云弱监督语义理解》的议题，介绍该技术的应用场景和应用方法，通过自动驾驶、激光雷达成像等实验案例为大家讲解研究难点，深度解读基于扰动自蒸馏的大规模点云弱监督语义分割的技术要点。议题内容结束后谢源教授感谢CAAI-华为MindSpore学术基金、华为NRE项目资助，现已基于MindSpore发表CCF A类论文20篇、并申请6项专利。 大规模点云弱监督语义理解学术分享（谢源） **厦门大学教授曲延云**：进行《高效轻量化图像恢复》议题分享，详细讲解低层视觉的感官影响和图像恢复的技术研究现状，通过图像去雾的研究课题为大家分析图像复原方法、图像超分以及轻量化图像超分方法研究成果。现已基于昇思MindSpore发表顶会论文15篇、顶级期刊论文5篇。 高效轻量化图像恢复学术分享（曲延云） **中国科学技术大学研究员高洪波（线上）**：带来《基于MindSpore平台的道路使用者行为识别与轨迹预测行为》的学术分享，主要从研究背景与难题、国内外研究现状、车辆行为轨迹预测、行人行为轨迹预测四个方面与大家进行深度的学术成果分享。 基于MindSpore平台的道路使用者行为识别与轨迹预测研究的成果分享（高洪波·线上） **中山大学计算机科学与技术系副主任、副教授苏勤亮**：就《关联融合的深度生成模型：建模、训练与应用》进行分享，通过研究背景、模型、训练以及实用案例的详细介绍，使得大家对于模型生成有了新的认识。 关联融合的深度生成模型研究成果分享（苏勤亮） 大会最后由**华为昇思研发与生态总监李锐锋先生**进行总结陈词。李总首先对主讲嘉宾精彩的学术分享表示感谢，同时也感谢各位学研专家对于昇思MindSpore的支持，就在今年Q2季度基于MindSpore发表的学术论文数量位列全球第二，昇思MindSpore作为人工智能框架的“新秀”交出这样满意的答卷离不开各位学者的共同努力。MindSpore将深耕自研道路，助力学研创新、产学一体，为中国人工智能核心力量贡献一份力。 MindSpore技术优势及未来规划（李锐锋） 随着人工智能与实体经济向深、向实、向细融合发展，智能产业已完成了从理论探索到技术研发，再到应用转化和行业赋能的实质性跃迁，正在全面加速各行各业智能化、数字化变革。2022第十一届中国智能产业高峰论坛的成功举办，既为产业链各端的持续创新带来了宝贵的实践经验，也为智能产业高质量、规模化发展提供了多维度的策略参考。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1881/ --- 新闻 45家多模态人工智能产业联合体成员单位获得授牌，昇腾AI携手伙伴共创产业智能新高度！ # 45家多模态人工智能产业联合体成员单位获得授牌，昇腾AI携手伙伴共创产业智能新高度！ 2022/09/27 # 45家多模态人工智能产业联合体成员单位获得授牌，昇腾AI携手伙伴共创产业智能新高度！ 9月26日下午，以“共创产业智能新高度”为主题的多模态人工智能产业联合体第二次会议在武汉光谷成功召开。会上，共45家多模态人工智能产业联合体成员企业获得授牌。同时，“紫东太初”大模型开放服务平台在会上正式发布，只需使用少量行业样本数据，通过一键微调或输入少量的参数进行优化，即可产出行业相关的大模型。并且，由中科院自动化所、武汉人工智能研究院、华为技术有限公司牵头的《多模态基础大模型技术白皮书》重磅发布，对当前多模态技术及产业发展指明了方向。 本次会议由武汉东湖新技术开发区管理委员会、中国科学院自动化研究所指导，武汉人工智能研究院、武汉人工智能计算中心、华为技术有限公司共同主办，昇思MindSpore开源社区协办，旨在通过与联合体成员的密切协作，形成多模态智能产业推进、应用推广、服务提升的创新体系，打造具有国际影响力的多模态人工智能产业战略力量。 会前，武汉市委常委、东湖高新区党工委书记刘洁，中国科学院自动化研究所所长徐波一行莅临武汉人工智能研究院参观视察，对武智院联合中科院自动化所、华为公司研发的全球首个千亿参数三模态大模型“紫东太初”一系列产业化成果表示肯定。 武汉市委常委、东湖高新区党工委书记刘洁一行莅临武智院参观指导 下午活动现场，共为45家多模态人工智能产业联合体的成员单位进行了授牌。按照联合体决议，各成员单位将携手共创，围绕“紫东太初”加快产业化落地，共同推动各行各业技术发展，提升产业界整体实力。 大会现场 **高屋建瓴指引发展方向** 会上，**武汉东湖高新区党工委委员罗霄凌**代表东湖高新区管委会发表祝贺致辞。他表示，在全国上下喜迎党的二十大胜利召开之际，祝贺多模态人工智能产业联合体第二次会议在光谷成功举行。多模态人工智能产业联合体的成立以及“紫东太初”人工智能开放服务平台的发布，通过技术引领、生态构造、统筹发展，必将加速多模态人工智能的发展，推动弱人工智能向通用人工智能迈进，努力把光谷建设成引领全国人工智能发展创新集聚区，助力武汉打造全国一流人工智能集聚区和产业高地。 武汉东湖高新区党工委委员罗霄凌发表致辞 **中科院自动化所所长徐波**在致辞时表示，多模态大模型是迈向通用人工智能的重要途径，也是解决人工智能应用落地所面临的需求碎片化、多样化等长尾问题的有效方式。为此，他对多模态大模型的发展提出了3点倡议： 一是加强数据开放与信息共享，鼓励成员单位之间建立数据共享与信息开放机制，围绕大模型核心基础研发和应用落地开展广泛交流；二是注重人才培养与交流合作，培育一批优秀科学家、卓越工程师和行业领域专家，加强跨领域交流合作，打通人工智能从研发到应用落地的人才壁垒；三是构筑创新模式和产业生态，成员单位要充分利用联合体的技术和产业资源，跨越研发和应用之间的鸿沟，探索产研融合的创新模式，形成创新链和产业链的闭环，创建和繁荣多模态大模型的产业生态。同时，徐波还带来了“多模态人工智能：从感知、认知到决策”的主题报告分享。 中科院自动化所所长徐波发表致辞 **华为高级副总裁、计算产品线总裁邓泰华**在致辞时表示，武汉通过人工智能计算中心的建设，为以“紫东太初”大模型为代表的前沿技术孵化提供公共算力基础，更为多模态人工智能产业联合体的成立创造了条件，实现政产学研用有效协同，打通科研创新到产业落地关键路径。华为在与中科院自动化所以及武汉东湖高新区管委会的协作中，根据“紫东太初”的成功经验总结出了使大模型从创新到落地的全流程体系，并将推广到各个大模型领域，助力人工智能产业高质量发展。 华为高级副总裁、计算产品线总裁邓泰华发表致辞 之后，**武汉人工智能研究院院长王金桥、AI平台部首席架构师张开林**分别带来了“紫东太初”最新科研进展和开放服务平台介绍。 王金桥介绍，“紫东太初”从2021年引入到武汉以后，经过一年多的研发实现了千亿模型的参数，最近把知识增强和目标场景的关系也有效地融合到模型之中，使模型具有了更多的融合内容，可以更好地实现“多专多能”的能力。 武智院院长王金桥分享“紫东太初”最新科研进展 张开林指出，“紫东太初”大模型开放服务平台主要面向行业应用开发人员、专业开发人员以及算法贡献者，拥有四大优势：一是低代码一站式开发，二是全栈国产化、自主可控，三是开发效率高、赋能代价低，四是普惠算力。 武智院AI平台部首席架构师张开林发布开放服务平台 此外，联合体成员武汉大千、长沙千博、中国移动（之江）创新研究院、魏桥纺织、百智诚远、展播智慧等单位代表分别从实际场景出发，为大会带来了多模态大模型在智慧刑侦、手语教育、智慧文旅、智能制造、智慧驾驶等方面的产业应用分享。 **共创产业智能新高度** 多模态人工智能产业联合体旨在依托基于昇腾AI的全球首个三模态大模型“紫东太初”构建产业应用新生态，探索通用人工智能新路径。截止目前，联合体成员基于“紫东太初”大模型快速进行自身业务AI融合创新，陆续孵化出了新媒体内容检索平台、智能座舱、南宋御街数字人、手语教考一体机等场景化行业应用，充分展现了人工智能大模型的产业价值。 多模态基础大模型技术白皮书发布仪式 在本次会议上，同期重磅发布了《多模态基础大模型技术白皮书》，该白皮书主要围绕多模态大模型的技术及产业发展，对语言大模型、视觉大模型、语音大模型和多模态大模型的国内外现状进行了系统综述，总结了包含“紫东太初”在内的不同大模型的关键技术，围绕大模型产业进行了系统分析，指出了大模型的潜在应用行业或场景，并对我国的大模型发展规划进行了建议，为大模型前沿探索和赋能千行百业指明了方向。 多模态人工智能产业联合体成员单位合影 多模态大模型时代正在到来，新兴领域需要各界携手共创。在会议的尾声，联合体秘书长王金桥带领联合体全员宣读愿景：联合多模态产学研力量攻坚克难，打造自主、开放、先进的多模态技术生态，加速产业落地，以点带面推动我国产业技术革新！ **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1883/ --- 新闻 最新案例 | 昇思MindSpore携手信大网御推出中原AI反诈骗创新解决方案，为全民反诈筑牢防火墙 # 最新案例 | 昇思MindSpore携手信大网御推出中原AI反诈骗创新解决方案，为全民反诈筑牢防火墙 2022/09/28 # 最新案例 | 昇思MindSpore携手信大网御推出中原AI反诈骗创新解决方案，为全民反诈筑牢防火墙 \*\*近日，河南信大网御科技有限公司的中原人工智能反诈骗创新解决方案与华为Atlas 800训练服务器和全场景AI框架昇思MindSpore完成兼容性测试。\*\*该方案基于昇腾AI基础软硬件平台，能够在短时间内对涉诈网址/APP进行识别，识别准确率高达99%。 据2021年国家反诈中心公布的数据统计，与互联网相关的诈骗案件占比高达96%，其中，前四种诈骗类型（刷单、网络贷款、冒充客服、投资理财）占全部案发的73.9%。由此可见，打击治理诈骗的主战场已由单一的电信网络转至以互联网为主的融合战场。诈骗网址/APP具有“变化成本低”、“骗一次就换”的特点，因此，必须在刚出现的时候就对其进行快速识别和封堵，才可能大幅压降电信网络诈骗案件。 在反诈新形势的要求下，\*\*河南信大网御科技有限公司不断创新思路，作为华为昇腾万里合作伙伴，与华为携手打造人工智能反诈骗创新解决方案。\*\*依托昇腾Atlas系列硬件，基于全场景AI框架昇思MindSpore强大的深度学习能力，孵化出针对电信网络诈骗的多模态大模型嵩山.凌云。 该模型通过对网站里面的文本、音频、视频、图片等进行识别，可以分门别类地筛选出诈骗网址，并确定诈骗类型。目前，该模型已覆盖贷款诈骗、杀猪盘诈骗、退款诈骗及裸聊诈骗等20余种主流诈骗类型, 识别准确率达99%以上。 **在中原人工智能计算中心强大的算力支持下**，该模型的训练时间由天级减至小时级，从而能够有效应对诈骗网址/APP的快速演变，相比过去主要依靠简单的规则匹配和人工研判的捕捉方式，效率提升10倍以上。 嵩山.凌云有害网址鉴定平台 人工智能反诈骗创新解决方案推出后，通过与有关部门建立协同机制，能够在短时间内完成对诈骗网址/APP的发现、鉴定和封堵，为打击诈骗犯罪、抓捕犯罪嫌疑人提供有价值的线索和信息，形成反诈骗闭环，有效保护群众财产安全。 \*\*在信大网御等合作伙伴、开发者的共同努力下，昇腾AI已发展成为蓬勃向上的力量。\*\*华为将不断探索科技前沿、不断突破创新边界，加速打通AI落地各行各业的“最后一公里”，为人工智能产业提供源源不断的动力。 关于河南信大网御科技有限公司 河南信大网御科技有限公司成立于2018年，是珠海高凌信息科技股份有限公司全资子公司，高凌信息于2022年3月15日正式登陆上交所科创板。公司的业务聚焦在“网络空间内生安全”和“网络内容安全”两个方向。公司是多项国家级有害信息防范系统建设工程的核心供应商，细分市场国内排名第一。信大网御目前员工总人数已超过260+人，大数据和人工智能团队40余人，公司申请自主知识产权150余项，申请专利130余项，科技成果转化23项。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1885/ --- 新闻 开源实习 | 王艺轩：国产AI框架开源生态需要我们共同努力 # 开源实习 | 王艺轩：国产AI框架开源生态需要我们共同努力 2022/09/29 # 开源实习 | 王艺轩：国产AI框架开源生态需要我们共同努力 Q：首先请艺轩同学自我介绍一下 A：大家好，我叫王艺轩，来自华南师范大学计算机学院人工智能专业的学生，大四在读。对深度学习及其前沿的研究比较感兴趣，会在课余时间尝试阅读一些出名的论文并且复现其项目。 Q：你是在什么样的契机下接触到了昇思MindSpore呢？ A：大四学校实习时，学院发放了一些推荐实习的相关信息，从中了解到了昇思MindSpore的开源实习项目。 Q：参加开源实习之前，昇思MindSpore给你的初印象是什么呢？ A：因为我之前没有太了解过国内的开源框架，还不清楚框架的发展到了什么程度，查阅了相关资料后发现昇思MindSpore是一个开源没多久的框架，当时认为可能还有许多的接口或者配套模型还不完善需要我们去开发。 Q：请艺轩介绍一下，你在开源实习中做的任务。 A：我做的是MindSpore GraphLearning开发，复现了两个经典的图卷积网络GAE和VGAE，并且贡献了配套的7个通用接口，可以复用在其他的任务中。 Q：在实习的过程中，你有什么收获和经验总结呢？ A：收获这块，完成项目的过程中，导师的指导让我明白了开源项目是想要给大众使用的，所以不能以我们如何开发更轻松为目标去做，而应该考虑用户如何使用更加方便和轻松，同一个接口要考虑到许多的可能性，让用户拥有更多的选择空间和操作空间，当我们把功能做的越细时，用户操作的灵活度也就越高了。 经验这块，其实最主要的还是在项目过程中要多跟导师进行有效的沟通，所谓有效沟通就是要在自己的进度取得一定成果时，与导师进行探讨下一步的方向和修正之前的一些错误方向，导师会给我们指导正确的方向，但是如果是一些代码上的问题和一些小的问题应该先尝试自己解决，而不是所有事儿都先求助导师，我认为只有这样才能提高自己的能力。 Q：你参与了MindSpore的开源实习，原来的对MindSpore初印象有发生什么改变吗？ A：通过实习后，我觉得MindSpore的主仓发展的其实已经挺不错的了，需要的接口和模型绝大部分都有实现，只是一些子仓如GraphLearning，也是因为开源时间太短了，还没发展起来，所以才会有开源实习让我们参与到这些子仓的开发中来。 Q：你在切实的参与到开源的实践中，跟预想的有没有什么不同呢？ A：跟预想的有很大不同。参与到实习中后，几乎完整地体验了一遍项目开发的整个流程，从设计文档、代码书写、代码规范、攥写注释和提交PR，除了代码书写之外的步骤，在学校里是几乎体会不到的，就如代码规范，改的那天系统给我报了360多个错误，我从下午五点改到晚上十点，虽然当时是感到很累，但是也算是提前体会了一次未来工作的真实体验，这当然也是学校里不可能得到的体验。 Q：作为学生，你希望开源社区为学生群体提供什么样的支持或者引导呢？ A：希望社区能够提供一些循序渐近的阶梯式任务让感兴趣的同学也能来参与，因为有些同学怕门槛过高即使想来尝试也被劝退了，但是如果是通过慢慢的学习从而达到真正开发者的程度，不仅同学们会很有成就感，也更能为社区培养苗子。 Q：非常感谢艺轩同学，最后请艺轩同学说一句你想对MindSpore说的话。 A：希望MindSpore能够将配套的子仓也同样完善开发，未来成为国内开源框架的龙头。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1901/ --- 新闻 山河同辉，共庆华诞！ # 山河同辉，共庆华诞！ 2022/10/01 # 山河同辉，共庆华诞！ **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1902/ --- 新闻 嘉洋科技加入昇思MindSpore开源社区，打造石油天然气安全生产视频AI监控解决方案 # 嘉洋科技加入昇思MindSpore开源社区，打造石油天然气安全生产视频AI监控解决方案 2022/10/08 # 嘉洋科技加入昇思MindSpore开源社区，打造石油天然气安全生产视频AI监控解决方案 近日，**嘉洋智慧安全生产科技发展（北京）有限公司**签署CCLA（Corporate Contributor License Agreement，企业贡献者许可协议书），正式加入昇思MindSpore开源社区。 **嘉洋科技** 嘉洋智慧安全生产科技发展（北京）有限公司（以下简称“嘉洋科技”），是安全生产智能化综合解决方案提供商。 嘉洋科技始终致力于安全管理智能化解决方案的研究与应用，综合运用物联网、大数据、云计算以及人工智能技术，打造“工业互联网+生产安全”平台赋能安全生产。 开发了以视频智能分析平台、设备健康管理平台、风险分级管控和隐患排查双预防云平台代表的智慧油田、智慧园区、智慧工地、智能制造等多项系统解决方案，同时利用AR、VR和3D仿真技术实现应急场景模拟和实操培训，已在能源行业的安全管理中广泛应用。 石油天然气安全生产视频AI监控 嘉洋科技依托全场景AI框架昇思MindSpore、Atlas 500智能边缘小站强劲的AI推理和视频编解码能力，在模型、算法工程、系统等方面做了大量调优工作，其**安全生产视频智能识别性能较原有提高2倍，助力油气安全生产数字化转型升级**。 嘉洋科技的**石油天然气安全生产视频AI监控解决方案**已完成与华为Atlas 500智能边缘小站和全场景AI框架昇思MindSpore的兼容性测试。 该方案在西北某油气田、华北某油气田、西南某油气田，东北某油气田等油气田落地，备受业界好评。各油气田企业利用嘉洋科技安全生产视频AI监控产品，实现作业全过程可视、可感、风险可知、可控，提升安全监管智能化水平。 **嘉洋科技&昇思MindSpore** 2022年9月，嘉洋科技正式加入昇思MindSpore开源社区，基于昇思MindSpore全场景AI框架开发用火作业、动土作业、受限空间作业、高处作业、起重作业、通用场景、生产现场、钻井现场63个智能识别算法。实现了对违章行为的自动抓拍、智能识别与报警推送，对作业参数进行自动分析及预警。目前已经在石油行业全面推广，覆盖近5万路监控点。 未来，嘉洋科技将进一步繁荣昇思生态，持续提升算法识别准确率，深化双方项目合作，共同打造创新性产品及解决方案。嘉洋科技期待与更多的昇思社区伙伴一起，通过更专业、更高效地合作共同推进行业应用落地，构建繁荣的人工智能产业生态圈。 我们诚邀各企业、高校及科研院所加入昇思MindSpore开源社区，成为社区合作伙伴，与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态。 更多合作需求 请扫码添加企业助手进行咨询 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1908/ --- 新闻 基于昇腾AI | 信华信加入昇腾万里伙伴计划，助力企业从“质检”到“智检” # 基于昇腾AI | 信华信加入昇腾万里伙伴计划，助力企业从“质检”到“智检” 2022/10/13 # 基于昇腾AI | 信华信加入昇腾万里伙伴计划，助力企业从“质检”到“智检” 近日，\*\*信华信技术股份有限公司（简称“信华信”）与华为在大连签署合作协议，正式加入昇腾万里伙伴计划。\*\*根据协议，信华信将成为昇腾AI生态的重要参与者和共建者，未来将在大连人工智能生态创新中心的支持下，联合打造有竞争力的人工智能解决方案。 当前，双方合作已取得阶段性进展。针对传统制造企业数智化转型过程中首要面临的缺少数据、缺少算法模型经验、缺少模型落地化经验等问题，信华信的技术团队创新研发了信华信AI通用质检服务平台。 **该平台依托大连人工智能生态创新中心，全面支持昇腾AI基础软硬件**，面向汽车、消费品、石化等8大业务场景，提供丰富的行业数据集服务、模型库服务以及模型自训练服务，助力传统企业快速落地质检工程数智化转型，实现从“质检”到“智检”。 信华信AI通用质检服务平台架构图 据统计，疫情后时代外卖占比提高到30%以上，外卖使用的一次性餐具包随之迎来消费增长。信华信的项目团队看准这一机遇，基于信华信AI通用质检服务平台，**孵化智能餐具包识别分拣系统，并率先完成与华为Atlas 800训练服务器与全场景AI框架昇思MindSpore的兼容性测试。** 该系统支持30种以上餐具包类型同时分拣，精准筛查缺件、坏件等不合格餐包并进行产能统计，为流水线排产提供数据支持。同时，实时监测生产设备状态，进行故障预警及智能停机，有效降低产品原料与器械损失风险，协助工作人员进行产线管理。 智能餐具包识别分拣系统的应用将极大程度地满足产线对效率和品质的需求。相比传统人工抽检的方式，当抽检速度为30套/分钟时，为保证不良品检出率≥99%，产线生产速率一般不超过240套/分钟。 **引入智能餐具包识别分拣系统后，以人工智能代替人工，在保证不良检出率的同时，生产速率可提升至400套/分钟，且支持30种以上的餐具包类型同时分拣，综合效益提升1.5倍。** 采用智能餐具包识别分拣系统后的产能效益对比 昇腾AI产业发展是一个持续加速的过程。华为将联合信华信等伙伴，深耕行业场景，为场景找技术，打造多技术协同的人工智能解决方案，使能伙伴共拓产业生态，支撑数字经济高质量发展。 关于信华信 信华信技术股份有限公司（原名大连华信计算机技术股份有限公司）是一家面向全球客户提供领先的产品、服务及解决方案的数字技术服务企业，是中国软件出口领军企业。致力于“成为世界一流的数字技术服务及解决方案提供商”。卓越的实力使信华信赢得了业内的认可和客户的信赖，斩获“最具竞争力的中国软件企业”、“中国服务外包领军企业”、“中国软件和信息服务业突出贡献奖”、“中国软件自主创新管理奖”、“国家创新型企业”等诸多荣誉。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1909/ --- 新闻 昇思超级英雄榜 | 第三季度18位开发者入选国内首个AI开源社区开发者进阶榜单 # 昇思超级英雄榜 | 第三季度18位开发者入选国内首个AI开源社区开发者进阶榜单 2022/10/14 # 昇思超级英雄榜 | 第三季度18位开发者入选国内首个AI开源社区开发者进阶榜单 在技术领域，隔行如隔山，做框架开发的不一定知道做算法模型的难点，做算法模型的不一定知道做底层系统的痛点，做底层系统的不一定知道做高性能计算的突破点在哪儿。 如果有开发者，能够将自己所在的领域，用通俗易懂的语言给大家科普，用直观的数据让大家判断性能的高低，用简洁的代码实现简单好用的工具方便大家用，这正是一个开源社区的魅力所在。因此我们一直坚信，是大量这样的开发者，而不是少数所谓大神和牛人，真正建设了一个优秀的开源社区。 **昇思MindSpore从诞生之初，就致力于打造一个属于开发者自己的开源社区。基于此，昇思MindSpore发布了国内首个AI开源社区的认证开发者体系。** 2022年第三季度，昇思MindSpore共认证**7位布道师、3位资深开发者、8位优秀开发者**。多位开发者**参与了MindSpore各领域的开发，更有MindSpore专家委员会成员、SIG组Maintainer等开发者**，期待各位开发者在MindSpore获得更多的技术提升，为开源社区持续贡献力量。 **昇思MindSpore布道师** **资深开发者** **优秀开发者** **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1910/ --- 新闻 启科量子加入昇思MindSpore开源社区，构建AI+量子新生态 # 启科量子加入昇思MindSpore开源社区，构建AI+量子新生态 2022/10/17 # 启科量子加入昇思MindSpore开源社区，构建AI+量子新生态 近日，**启科量子技术（珠海）有限公司签署CCLA（Corporate Contributor License Agreement，企业贡献者许可协议书），正式加入昇思MindSpore开源社区。** **启科量子技术（珠海）有限公司** 启科量子技术（珠海）有限公司（以下简称“启科量子”）专注于量子通信设备制造与量子计算机全栈式开发，依托技术团队在量子信息技术领域二十年的优势技术积累与丰富产品经验，成为国内首家兼具量子计算、量子通信核心技术储备与产品研发能力的科技创新型企业，未来将设计并构建新一代量子互联网。 启科量子致力于全栈量子计算产品体系研发，主要包括离子阱量子计算机、全栈量子软件、量子算法等量子计算产品（如启科量子自主研发的可视化量子编程软件体系QuBranch+QuTrunk+QuSprout）。 启科量子承载着量子计算产业化应用的迫切需求与愿景，正积极构建量子计算生态网络。作为拉动人工智能发展的三驾马车之一——算力，为量子计算与AI的技术与产业融合发展提供了良好契机。 ****启科量子&昇思MindSpore**** 启科量子加入昇思MindSpore开源社区，将积极探索量子计算与人工智能的技术融合，推动前沿科技在应药物研究、材料科学、分子化学、量化金融、航空动力、交通规划等多个领域的产业化应用。与更多的昇思社区伙伴一起，通过更专业、高效的合作共同推动构建繁荣的人工智能+量子产业生态圈。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1913/ --- 新闻 MindTalk | 张豪：一个完善的开源项目，是由众多小而美的积木块搭建而成 # MindTalk | 张豪：一个完善的开源项目，是由众多小而美的积木块搭建而成 2022/10/20 # MindTalk | 张豪：一个完善的开源项目，是由众多小而美的积木块搭建而成 本期专访是来自 MindSpore 社区的优秀开发者张豪同学，其研究方向为安全多方计算等。 **1、个人介绍** 我叫张豪，目前在北京邮电大学网络空间安全学院读研究生，研究方向是安全多方计算。将来想从事隐私计算相关工作。 **2、我的开源之旅** 提到开源，我想大部分IT行业者想到的都是GitHub开源社区，我也如此。最初从书本上了解“开源”概念，到了解到开源操作系统、开源组织等等。但真正实践“开源”还是从GitHub开启的。毕竟连Linux操作系统都放在GitHub上进行维护。虽然更多时候不是在积极的提交代码，而是浏览其他人代码片段，搜下有没有别人已经写好的轮子啦。 我大四时候在GitHub参与了第一个开源活动。当时是一个中文写的算法题解仓库（名叫fucking-algorithm），作者希望对仓库里的题解文章进行汉译英，让外国友人也可以看到题解。但是篇章很多，仅靠一个人翻译完工程量很大，作者就希望借助“开源”的力量。每个人翻译自己擅长的算法题，然后提交Pr，最后merge成一个项目。我自己是勉强过英语六级水平，但是为了体验下提交Pr流程，还是硬着头皮翻译了其中一篇我擅长的用素数筛（数论基础）快速求素数的题解。提交Pr后，作者让我修改了几个小地方，最终通过了我的Pr。这次经历**虽然没有实质性的代码提交，但让我对****Git****命令使用熟练了不少**。 读研后，平常看论文和做实验也少不了接触GitHub。一些顶会的文章，作者往往会把代码开源到GitHub上。再比如安装和使用某些库时，遇到问题，我也会在GitHub上提ISSUE寻求他人帮助。**据我经验只要你问题描述清楚，作者往往都会很热心的回答，甚至是网友也会进行回复和讨论，帮我解决了不少困难**。 个人感觉，开源现在是一种趋势。开源社区和兴趣小组都在逐渐增多，众多大厂也在积极维护开源项目，开放开源社区。这使得我们在校生也能够参与到真实生产环境中，一方面丰富我们简历的不再是某某商城项目，而是在实际用到的东西。另一方面我相信用人单位也会更倾向招聘有参加过开源项目的同学。所以我们应该积极参与开源活动和社区，在参与开源活动中提升自己的实践能力。 我想**开源是一种分布式、群策群力的开发和维护方式**。因为我们每个人会的东西都有限，在一个大的开源项目中我们个人只需把自己擅长或者想做的模块开发好维护好，各司其职、各尽其责，使其成为一个小而美的积木块，最终汇聚起来成为一个功能完善的项目。 在开发完成后，维护项目更是需要花费精力。而有开源社区的好处就是，使用者可以直接提ISSUE，问题直达。 所以我认为**开源，不仅是开放源代码，更是和使用者共同维护项目，是一种谋求持久发展的精神**。 **3、与MindSpore的初相识** 我第一次接触昇思MindSpore，是在一门课程的实验作业中需要用到了MindSpore框架。研一我选修了《模式识别与机器学习》的课程，课程实验部分需要完成三个实践作业（花卉识别、葡萄酒成分分类、任选一个与自己课题方向相关任务）。老师推荐我们用华为云+MindSpore框架完成，因为当时华为和北邮有合作，为我们完成实践提供了很多便利，所以我们就采用了老师建议，使用MindSpore框架完成，当时自己机器学习的基础也很薄弱，最终能run起来全部代码也是费了一番功夫。 后来暑期，我在校园论坛上看到了可以领取任务参与开源实习，我很心动。就在开源实习的官网上积极寻找自己能做的任务，又再次看到了MindSpore身影。这次我发现MindSpore AI安全兴趣小组发布的任务和我的课题方向很接近，当时我想认领的任务是用SM2实现隐私求交问题（PSI）。但后面出现了一些小插曲，没有认领成功。后来我的导师（修浪老师和澍坤老师）又给我推荐了本次“提供基于国密的模型加解密算法”任务来做，在此向两位导师表示感谢。 昇思MindSpore给我的初印象是对国人友好、文档丰富。相较于其他业界知名AI框架都是全英文的文档，MindSpore框架提供了全中文文档，对新手很友好。并且MindSprore除了在GitHub上维护，还将代码同步放于Gitee上，免去了科学上网之苦。 **4、我的社区成长经历** MindSpore框架的export()接口和load()接口支持对MindIR模型进行加密导出、解密导入，但是接口目前只支持AES-CBC、AES-GCM国际标准算法。我本次任务是为上述接口添加国密算法(如SM4)的支持。实现上，我添加的SM4功能是调用OpenSSL库接口实现。需要开发者熟悉C++语言、掌握密码学原理、加解密模式原理、OpenSSL库的使用。 参加了本次开源实习，我的收获有以下几点：熟悉了OpenSSL加密库的使用，清楚了一个大型框架的编译、安装、测试过程，掌握了Git命令使用（怎么解决冲突、怎么追溯上游分支），明白了如何上手一个新的项目。 说到经验的话，建议打算参加开源活动的朋友，要积极的向开源组织提交任务认领申请，干就完了！实践出真知，大胆尝试！另外，在项目遇到问题的时候，也应该主动找导师沟通，老师们人都很好，会给出可行的建议。 参与了本次开源实习之后，感觉MindSpore框架非常有活力。因为我一直有关注MindSpore仓库活动，发现每隔一两个小时就会有新Pr进行合并，可能是修复bug或者添加了新的功能。这也反映出背后有很多优秀的开发者在维护着MindSpore。 MindSpore也是一直在推陈出新，有很多兴趣小组参与MindSpore开发，光我了解的就有高性能计算、易用性、量化金融等等。其中有很多领域我之前都没听过，发现竟然有专门的小组在对MindSpore进行适配和优化。如果大家对相关领域感兴趣，可以添加小助手（mindspore0328）了解更多。 **5、我的开源收获** 切实的参与到开源贡献中，跟我预想的还是很不一样的。当意识到自己写的代码是真有可能被采纳合并到一个真实项目中，而不再是一个小小的Demo了。写代码时，除了代码的健壮性还要考虑可维护性（我写的代码后面的开发者是否能读懂，我的负责导师是否能读懂 捂脸苦笑），写的代码是否简洁优雅，毕竟提交Pr后有Review环节。 考虑到以上，每次写代码时心里是有压力的，迫使自己精益求精，每一个变量命名、每一个异常处理、每一句打印的错误日志都要斟酌一下。但好在我的任务是在已有类似功能上添加相似功能，是有一些参考的。想到这就感慨MindSpore背后的一群优秀工程师，给他们点赞。 最后，感谢MindSpore，让我用学到的知识为AI安全增添一份力量，为基础设施应用的安全保驾护航！也祝愿MindSpore框架发展越来越好，国产软件的使用规模更加扩大。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1914/ --- 新闻 社区月报 | 昇思9月丰硕成果 - WAIC流体大模型与产业联合体重磅发布，OSS欧洲峰会高调亮相 # 社区月报 | 昇思9月丰硕成果 - WAIC流体大模型与产业联合体重磅发布，OSS欧洲峰会高调亮相 2022/09/30 # 社区月报 | 昇思9月丰硕成果 - WAIC流体大模型与产业联合体重磅发布，OSS欧洲峰会高调亮相 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1915/ --- 新闻 智能基座昇腾高校行 | 昇思MindSpore携手北京航空航天大学共探AI新发展 # 智能基座昇腾高校行 | 昇思MindSpore携手北京航空航天大学共探AI新发展 2022/09/30 # 智能基座昇腾高校行 | 昇思MindSpore携手北京航空航天大学共探AI新发展 为了更好地连接和帮助广大高校学生开发者，让高校师生快速了解人工智能领域的前沿技术，9月28日，华为与北京航空航天大学共同举办了“智能基座昇腾高校行——北京航空航天大学”专场活动。本次活动由北航软件学院、计算机学院、智能基座社团和北京昇腾人工智能生态创新中心联合承办，特邀华为技术专家介绍昇腾AI基础软硬件平台和全场景AI框架昇思MindSpore最新特性以及在各行各业中的实际应用，并邀请到华为资深HR围绕如何培养高质量人才，分享华为的人才观，推动为高校人才培养体系升级。 北京航空航天大学计算机学院党委书记李建欣教授、华为高校与科研人才发展总监罗静、华为数据通信产品线高校生态负责人熊裕华、北京昇腾人工智能创新中心CTO杨光以及华为昇思MindSpore高级工程师吕昱峰出席本次活动。 “华为近年来在人工智能、操作系统、移动互联网等信息领域深度布局，我校许多同学和老师都已经成为华为开源社区和应用的贡献者，并在AI科学计算、人工智能等领域参与多项项目。希望本次活动能让北航学生有收获，北航华为合作有进展，贡献北航力量，通过产教融合，全力打造示范性“智能基座”产教协同育人基地，把同学们培养成高端计算机人才，培养成信息领域卓越工程师和领军人才。”**北京航空航天大学计算机学院党委书记李建欣教授**在致辞中提到。 北京航空航天大学计算机学院党委书记李建欣教授 随后，**华为高校与科研人才发展总监罗静**在致辞中提到，“2021年4月，北航与华为正式签署“智能基座”产教融合协同育人基地项目，约5600余名学生参加了课程学习。而今天开启的“智能基座”高校行又是“智能基座”项目在创新创业方面的重要探索，由华为培训专家精心打造并现场授课，希望通过接下来的学习，能让同学们了解昇腾、昇思的魅力，收获满满。” 华为高校与科研人才发展总监罗静 **华为数据通信产品线高校生态负责人熊裕华**发表以《志存高远，坚韧平实》为主题的演讲，以华为HR的视角分享企业培养及使用人才的观点，与高校展开深度的交流，为高校人才培育建设提供企业视角，实现人才培养的良好衔接。 华为数据通信产品线高校生态负责人熊裕华 昇腾AI产业正在逐渐深入各行各业，生态的蓬勃发展也为开发者带来新技术、新体验、新机会，也期待开发者创造新的价值。**北京昇腾人工智能创新中心CTO杨光**为同学们深度讲解昇腾AI产业生态；以北京昇腾人工智能计算中心为基础，绘制昇腾AI大模型产业沙盘，赋能产业创新应用；同时华为发布一批众智计划、技术竞赛等，帮助全国高校实现“产教学研用”深度融合。 北京昇腾人工智能创新中心CTO杨光 昇思MindSpore作为华为开源的全场景深度学习AI框架，旨在实现易开发、高效执行、全场景覆盖三大目标。本环节由**华为昇思MindSpore高级工程师吕昱峰**为同学们介绍全场景AI框架昇思MindSpore的最新特性及优势，其中包括了融合编程范式、自动并行、科学计算等优势能力，昇思MindSpore着重提升易用性并降低AI开发者的开发门槛，非常适合高校学生学习使用，此次深度解密也让同学们对昇思MindSpore产生极大的兴趣。 接下来的昇思MindSpore趣味实操环节，华为研发工程师手把手教学同学们利用AI生成一个动漫头像，在实操中感受全场景AI框架昇思MindSpore的技术优势和科技魅力，过程中工程师与学生零距离互动交流，激起了许多同学们对AI的思考。 华为昇思MindSpore高级工程师吕昱峰 **计算机学院ACT实验室博士生李岚皓和丁一芙**分享了基于昇思MindSpore实现科研项目的真实体验，如何利用AI技术解决真实的企业问题，为同学们提供真实的经历参考，现场同学们对此十分感兴趣。 计算机学院ACT实验室博士生李岚皓和丁一芙 人工智能的规模化发展，需要源源不断地从高校汲取高质量科技人才。“智能基座昇腾高校行”为北京航空航天大学带来一场别有新意的活动，多方位的视角为高校提供了产教融合的新思路。通过打造科技企业和学术界融合的纽带，华为将不断帮助高校进行人才培养，传递科技创新价值。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1924/ --- 新闻 MindTalk | 袁承博：参与社区贡献，让我对MindSpore乃至整个深度学习框架的落地应用有了新的认识 # MindTalk | 袁承博：参与社区贡献，让我对MindSpore乃至整个深度学习框架的落地应用有了新的认识 2022/10/24 # MindTalk | 袁承博：参与社区贡献，让我对MindSpore乃至整个深度学习框架的落地应用有了新的认识 本期专访是来自 MindSpore 社区的优秀开发者袁承博同学，其研究方向为数据分析、数学建模等。 **1、个人介绍** 大家好，我是来自武汉大学计算机学院的袁承博，目前大三在读。在校期间有一段深度学习相关的深度科研，平时会去自学一些相关知识或者参加一些比赛，所以对数据分析、数学建模等领域也比较熟悉的。 **2、我的开源之旅** 我对开源的认识，是在学校里主要了解到一些理念上的东西，然后与之前实习公司同事的交流也让我对开源生态的构建与相应的商业战略有了一些理解。但其实MindSpore开源实习是我参加的第一个开源项目。 我认为开源是以某种开发(使用)需求构建原型项目，利用分布式的开发力量推动项目发展，同时通过仓库的发展壮大(功能的完善)逐渐吸引更多的开发者(用户)进入，进而在一定范围内形成某种生态。 **3、与MindSpore的初相识** 今年7月初的时候华为在武汉举办了昇腾AI创新训练营，训练营的主要内容是MindSpore与AI模型的培训，以及完成一个小项目。在训练营上我第一次接触到了MindSpore框架。 最开始给我印象最深的是训练营时老师向我们介绍MindSpore同时结合了动态图和静态图的优点，当时觉得这真的是非常天才的想法。 我目前是在量化金融组进行开源实习，然后主要做的内容是MindSpore框架下的衍生品相关的工作。目前合入主仓的有BS解析解、隐波动率和希腊值求解，已经基本完成的是高维布朗运动的蒙特卡洛模拟和复现一篇关于SDE求解的论文。大家可以通过量化金融组的任务列表和主仓随时查看、关注我们的项目进展。 因为量化金融比较注重大规模并行，然后也会用到一些特别的算子，所以开发过程中在静态图和算子方面我们是经常需要额外考虑的，而这些是我之前从来没有接触过的。这次实习让我对MindSpore乃至整个深度学习框架的落地应用有了新的认识，也对如何更好地发挥MindSpore动静态图结合的优势有了新的理解。 **4、我的社区成长经历** 因为量化金融这边还处于一个比较初步的阶段，所以很多整体架构和规范都不是现成的，而是需要我们自己讨论，有的时候架构甚至会需要改好几次。我觉得在这个过程中收获真的很大，也对代码架构与规范的重要性有了新的认识。 **多****YOUNG****新生之如何玩转****AI****开源社区？** 10月30日（周日）19:20，承博同学将线上为大家分享他从MindSpore走入量化金融大门的故事。戳海报二维码报名吧~！ **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1927/ --- 新闻 1024程序员节 | AI+科学计算融合框架发展与生态破局 # 1024程序员节 | AI+科学计算融合框架发展与生态破局 2022/10/25 # 1024程序员节 | AI+科学计算融合框架发展与生态破局 10月24日，1024程序员节在北京成功召开。昇思MindSpore技术生态架构师吕昱峰发表了《MindSpore：AI+科学计算融合框架发展与生态破局》。 **01** **AI框架的发展趋势和挑战** AI框架是智能时代的操作系统，也是人工智能新基建的重要基础。当前，我们有爆发式增长的数据，有不断迭代更新的模型，以及无数不在的算力。AI框架作为承上启下的位置，能够去链接人工智能的三要素：数据、算法和算力，处于AI生态的核心。 当前，AI框架面临着一些新的挑战和机会点。如新的应用范式、AI与传统科学计算融合、 新的计算架构、新的开发和部署方式等。整个行业进入了一个新的深水区，我们并不是片面的去追求新的模型来提升产业上的应用落地，而是选择像Transformer这样一个基础的稳定结构去做全流程的效率提升，包括开发的效率、生产的效率、部署的效率，然后我们在不同的设备上，包括云侧的设备/计算集群、边缘设备、端侧设备/手机、手表这些，需要有全场景的部署能力。 另外，全生命周期可信也是对AI方面安全的考虑，而产生一个新的挑战和机会点。大模型及科学计算这两个角度，是整个AI框架的演进方向也是整个AI领域与其他传统的科学领域融合最重要的两个点。 一方面是大模型，图示为2016年底至近几个月的大模型统计表，最大的已经到了万亿级别的参数量，小的模型也基本上都是在数十亿级别的参数量。也就是说，大模型已经成为了一个常态，我们现在做的基础的研究也好、应用也好，都是拿一个Bert或VIT这样的模型直接做数据的训练或者是微调。 这种情况下，必然带来的挑战是：如何更好地利用大模型能带来的效果。训练大模型，需要利用更多更好的算力，也需要让我们的AI框架能够支持分布式计算，能更好的让大家从写单卡模型的方式快速的转变到写多机多卡的分布式模型的应用。 这样就给框架带来了新的挑战，框架需要提供非常简单易用，最好能够把后端的基础通讯以及做分布式并行的时候对模型、算子的切分这样的内部逻辑屏蔽，让大家依旧是所见即所得，能够把最初写模型的idea直接应用，编写模型的代码能非常快速的进行训练。 另外一方面，AI+科学计算，是最近特别火热，也是一个未来的趋势方向，这是Alpha Fold做蛋白质结构预测的示例图，像传统的一些科学计算的领域也逐渐地引入当前AI领域的SOTA模型。比如Transformer结构强大的特征抽取以及拟合的能力，能够经过一些模型上的改造，将大量的传统科学计算领域数据进行利用，获得比传统方法更好的效果。 **02** **昇思MindSpore如何从AI框架到AI+科学计算融合框架？** AI和科学计算其实非常多的共通点： ①方法相近，因为我们做的事情都是数据拟合或者是建模，或者是对某一个问题的优化。AI这边更倾向于大力出奇迹一些，尤其是神经网络拟合能力强，把各种以前需要在机器学习阶段人工定义的部分基本上全部把它作为需要训练的参数，只要控制超参，就可以直接让模型去学数据，从数据当中把参数拟合出来，也不需要人为干预。传统的科学计算更倾向于用专家知识把这些东西建模出来，但是整个的方法是相近的。 ②计算特性相同，我们做的都是浮点运算，AI的浮点运算精度不如科学计算精度要求的高，科学计算会要求更高的精度，才能满足他们想要在领域当中求得的最终结果的精度。同时，大家都对大规模的算力有需求，比如，预测天气预报，一般情况下都会用传统的超算中心，就是用CPU构造出来的超算中心，一次天气预报需要使用超大的集群去进行预测，普通的小算力集群基本满足不了这种大的科学计算问题的算力需求。 ③数学本质相同，不管是做AI相关领域的研究，还是说各个领域的科学计算，本质上都是在去做高维函数的映射。这也就决定了AI+科学计算是可以共通，甚至是可以混合使用，包括当前的一个趋势也是大家在用科学计算去引入一些AI的模型，替代其中某一些人工不容易去把控参数范围、参数边界的情况，然后预测或者是拟合出来一个特别好的结果，这样逐渐的去融合。 因此，我们可以看到AI+科学计算整个融合是比较水到渠成的事情，无论从数学本质还计算形态上也是相近的。AI以反向传播为基础，其核心是自动微分，但是科学计算未必需要做自动微分，但是一定需要做加速，所以对算力的要求也一直是有的。 这种情况下，框架一方面要考虑的是更好的支持AI，方便大家写模型、训练模型，另一方面是把科学计算更好的支撑起来，让科学计算可以直接拿神经网络建模，然后融入到本身问题的解决方案当中，或者直接利用当前的NPU、GPU算力去做本身应用场景的加速。比如，给航空航天的一些数据计算的加速，可能达到百倍以上的加速比。 AI+科学计算逐渐融合，也可以让AI的模型在更多的科学领域去进行落地，而不仅仅是在传统AI的领域上继续卷。尤其是在Transformer之后，模型结构上也没有太大创新的情况下，我们可以让AI落到更多的实际的科学应用场景当中，然后来获得更好的效果，这也是AI真正的做到普惠所有的领域应该去做的一件事情。 所以我们做的AI+科学计算融合框架实现新的计算方式，用同样的一套反向传播的机制，基于函数式的微分。函数式微分更符合大家做科学计算的时候直观理解，因为提示我编程的时候写的是函数，跟数学语义上的函数是完全一致的表达，而不是神经网络去做反向传播。 当前，昇思MindSpore已经深入做AI融合计算，在科学计算方面做的流体的、电磁的、金融的以及分子动力学的，我们做了一系列的AI+科学计算的融合领域包。结合已有的经验，我们以AI+科学计算的方式融入到具体的科学计算的应用场景当中， 在2.0版本中整个框架会把AI和科学计算这两个核心作为框架同等重要的基础。 在当前AI框架的发展趋势中，昇思MindSpore依旧不断的去发展技术生态，让自身有竞争力，包括目前已经是AI+科学计算融合框架，在科学计算这一块的支撑上已经有了比较大的一些差异化的竞争点，然后在整个的生态发展中也在不同的角度去发力，包括学术生态、行业生态都做了很多的工作。 学术生态方面，在基础AI生态上基于华为的智能基座+沃土计划，让全国72所智能基座高校，108所课程推广的高校，全面让MindSpore的框架铺开，加入到高校的课程当中去，让学生真的能学到框架的具体知识和内容，慢慢的培养他们使用框架，以及以后慢慢的将框架去做科研，然后落入他们实际去工作的技能培养当中。 另外一个，众智计划，鼓励各种开发者以及高校和科研团队参与到整个框架的模型、算子，就是整个开源生态的一个丰富，他们可以去接触更底层的算子的开发、框架的开发，也可以做类似于模型这样的一些事情，然后去提高自己本身模型开发的能力。 原生AI生态上，与中国人工智能学会做算力联合的AI学术科研基金，鼓励高校的老师和研究人员使用MindSpore框架来发表顶会，以及和科研机构去做一些合作，来构建一些差异化的竞争力。 比方说，遥感、电磁仿真、多模态大模型，这些业界并没有做特别多的一些探索，但是国内的各种导师和团队他们有一些很深入的底蕴，然后我们去联合做了一些比较大的成果。最后是开源与商业生态伙伴，与不同的企业去做开源商业生态伙伴整个的建设，已经邀请了非常多MindSpore开源和生态商业伙伴，一起在AI科研和行业整个落地当中做很多相关的合作，一起去扩展整个的行业的生态。 截止今年10月初，昇思MindSpore下载量达302W+，社区核心贡献者者7500+，服务企业5000+，与140+科研院所展开合作，共发布六大模型，同时昇思MindSpore打造一站式大模型体验平台，开发者可以在线体验大模型推理任务，从而最便捷地使用基于昇思的创新大模型。 - 昇思大模型平台：https://xihe.mindspore.cn/ **03** **国产框架的生态破局** 当前国产AI框架在业界的占比并不是特别的高，在这之下到底怎么样去做才能让AI+科学计算的融合框架或者传统的AI框架真的有竞争力？核心我总结为两点：一是易用性；二是差异化竞争力。 易用性也是所有的框架想要去抓住的一个重点。业界主流框架就是一座大山是立在这儿的，易用性不断的去追赶，可能能跟他们做到持平，但是依旧不能够做到我比你还要更好一些，或者说你只能在一些小点上做的比它更好用。这种情况下，如何让大家选择使用你，这就是差异化竞争力去做破局的关键了。 我们总结当前最适合去做的两个差异化竞争力点： 一是大模型，当前大模型有很多基于业界主流框架去做的大模型的训练框架，不管哪一个框架做的这一套范式，都不是那么的极简易用。也就是说，我们并没有办法真正做到无感的把单机、单卡的训练模型直接简单的写一下或者是加几行代码封装之后把它直接用到我的多机多卡，然后一个大的集群上面稳定快速的能把大模型训练起来，这一块是MindSpore差异化竞争去发力的方向。 二是AI+科学计算，当前虽然已经有了很多比较突破性的成果，但是依旧有大量的像这里写到的制造、金融、交通、能源之类的这一些行业都没有特别深入的真的把我们的AI模型全面的应用到他们的行业当中去，而这一块是非常大的蓝海，也是我们应该去发力的一个重点，也是AI真的做到去影响整个世界的发展，我们国家发展的格局真正应该去做的事情。 易用性+差异化竞争力，也是我们当前在大力发力去做的事情，力争把这两个事情都做好，去做到真正的破局。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1928/ --- 新闻 天巡微小加入昇思MindSpore开源社区，助力城市智慧交通治理 # 天巡微小加入昇思MindSpore开源社区，助力城市智慧交通治理 2022/10/26 # 天巡微小加入昇思MindSpore开源社区，助力城市智慧交通治理 近日，**成都天巡微小卫星科技有限责任公司签署CCLA（Corporate Contributor License Agreement，企业贡献者许可协议书），正式加入昇思MindSpore开源社区。** ****天巡微小&昇思MindSpore**** 成都天巡微小卫星科技有限责任公司基于昇腾AI基础软硬件平台与**昇思MindSpore全场景AI框架**，自主研发**超大规模交通数字底座解决方案。** 充分利用多源空—天—地数据，将城市智慧交通与AI智能识别相结合，涵盖超大规模城市交通数字底座、交通承载力分析、道路形变监测三大场景，可在多种终端上一键式部署边云协同推理解决方案，\*\*真正实现全域感知一张图，\*\***为城市超大规模交通治理的决策提供有力支撑。** ****城市超大规模交通治理三大场景**** **1、交通底座—数字路网** 基于亚米级高分辨率卫星影像和高精度的DEM数据，利用AI遥感解译技术，实现超分辨率重建、道路信息与属性信息的提取，以及道路环境的三维仿真建模，从而生成HD地图。 **2、交通承载力分析** 基于多源卫星数据（包括视频卫星），融合实时交通监测数据，构建基于昇思MindSpore AI框架的机动车自动检测、分类模型，城市路网占道事件检测识别模型，基于成都智算中心算力支持，快速提取城市超大规模机动车数量、类型、车速，以及城市路网占道事件等信息，实现城市交通承载力分析，为交通拥堵治理提供决策依据。 **3、道路沉降监测** 基于合成孔径雷达卫星数据，利用InSAR测量技术，实现长时序道路形变监测，为交通基础设施大范围安全监测、隐患排查等应用场景提供科学依据。 天巡微小加入开源社区后，**依托MindSpore全场景AI框架打造泛遥感智能解译平台，服务于遥感图像目标检测、遥感图像语义分割和遥感图像超分辨率重建等应用场景。** 未来，天巡微小将进一步繁荣昇思生态，**通过MindSpore提供的算法，对模型进行剪枝和量化；把MindSpore应用到大规模分布式训练和推理场景，持续打造更多创新性产品及解决方案，构建繁荣的人工智能产业生态圈。** 成都天巡微小卫星科技有限责任公司 成都天巡微小卫星科技有限责任公司（简称“天巡微小”）致力于面向数字交通、数字战场、数字管网、数字农业四类应用场景的“实景三维平台-时空大数据服务-目标特征检测服务-区域态势监测服务”产业链，提供空天信息服务和空天边缘计算装备产品。 天巡微小是华为认证级应用软件伙伴，是中航工业、航天科技、航天科工、中国电科、中国烟草、中国电信、中国汽车工程研究院、阳光保险等大型企业的合格供应方，获得了通用航空企业经营许可证，通过了武器装备&ISO9001质量管理体系双认证、信息安全管理体系及信息技术服务管理体系认证。 天巡微小先后获得了第二届四川省退役军人创业创新大赛一等奖、第七届“创客中国”卫星产业链赛道赛“空天协同卫星技术分赛”一等奖、第七届“创客中国”卫星产业链赛道赛决赛二等奖、昇腾AI创新大赛2022四川赛区决赛银奖。 我们诚邀各企业、高校及科研院所加入昇思MindSpore开源社区，成为社区合作伙伴，与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态。 更多合作需求 请扫码添加企业助手进行咨询 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1929/ --- 新闻 MindTalk | 韩晓阳：参与开源贡献，看着程序测试通过、编译成功，在框架中使用时有了满满的自豪感 # MindTalk | 韩晓阳：参与开源贡献，看着程序测试通过、编译成功，在框架中使用时有了满满的自豪感 2022/10/26 # MindTalk | 韩晓阳：参与开源贡献，看着程序测试通过、编译成功，在框架中使用时有了满满的自豪感 本期专访是来自 MindSpore 社区的开发者韩晓阳同学，其研究方向为蜕变测试和服务计算等。 **1、个人介绍** 我是韩晓阳，来自北京科技大学计算机科学与技术专业的大四学生。目前已经本校保研，将跟随导师进行蜕变测试和服务计算等领域的研究工作。 **2、我的开源之旅** 最开始接触到开源是大二暑假时，参与学校组织的校内实习。当时参与的是一个web小项目，虽然是最简单的前端jQuery和后端java/servlet架构，但组内协作还是要求我们使用Git和Git仓库。老师向我们推荐了Gitee，并指导我们建立属于自己的开源仓库。 作为专业知识与代码能力还相当有限的学生，当时接触到的开源代码与很多有开源教程的Git仓库为我们提供了很大的帮助。这之后我所有的代码工作都喜欢通过Git仓库来记录，截至目前我自己的Gitee仓库已经有累计541次Commit。 我了解到开源不过两年的时间，但在这两年的时间里，我不断地感受到开源的魅力。有时是自己的一个小想法，会在某个开源仓库中看到他人的代码实现；有时是看到一个健全而庞大的开源仓库中的系统性，结构化，复杂化，模块化的代码与各种设计模式的多方面“开花”。 **正如****Linus Torvalds****所说：“Talk is cheap. Show me the code”****。开源给与了所有有能力，有想法的Coder****一个“类共产主义”的理想化空间，来展示自我**\*\*、****帮助****大家\*\*\*\*共同学习。\*\* **3、与MindSpore的初相识** 初次接触MindSpore是在我们课程中的一门专业选修课《人工智能导论》上，老师带领我们对机器学习、深度学习等领域进行了一定的探索，而在代码作业中，老师布置了昇思MindSpore作为框架让我们实现了一些简单算法。 除了简单的svm、决策树、lenet网络等模型，我们还以黑白棋为背景，实现了蒙特卡洛树搜索算法。我也感受到昇思MindSpore作为人工计算框架的上手难度较小、教程文档丰富等优势。 因为理论只是浅尝辄止，当时对深度学习、机器学习等领域的应用存在畏难心理，但MindSpore为我们打开了一扇窗户，能够在实践方面初探人工智能的世界。 **4、我的社区成长经历** 我从今年6月份开始在易用性SIG参与MindSpore GPU版本在MSVC编译器下代码适配工作，这项工作一共有三、四位老师一起参与，由于我对MSVC的编译工作并不熟悉，作为线上实习生，开始只能提供一些帮助性的支持。 向马博文老师表达担忧后，老师鼓励我“只要有投入总会有回报”。后来随着编译工作的深入，以及老师的耐心讲解与帮助，我在解决问题的同时获益匪浅。 目前MindSpore官方并没有发布windows端GPU版本的正式版（但是就工作进展来看，马上就可以发布正式版了，请小伙伴们敬请期待！），已有的CPU版本还是Cmake+mingw编译的版本，我们期望将编译工具链切换为Cmake+MSVC，然后进行GPU版本的适配。 这项工作的难点主要在于现有的GCC编译参数基本与MSVC编译器所需要的编译参数不同。我们需要在CMakeLists与C++代码中通过编译宏来确定不同平台的不同编译参数，并解决不兼容的库函数。我们曾遇到过的问题还有DLL中函数名注册失效，Python与C的函数绑定等。 同时，我们还需要注意各个第三方库的编译适配。总之，Windows下的编译适配工作涉及的知识面很广，需要我们从多方面分析问题。 当我们能编译出win+GPU的版本后，老师给予了我新的任务，利用官方的ModelZoo仓库中实现的经典网络代码对测试版本进行功能性确认测试。ModelZoo仓库为开发者提供了的许多经典网络代码及预训练模型，涉及CV、NLP、推荐算法等各个领域。 各个网络涉及到许多不同的数据集与配置方式，好在，所有网络模型代码都有对应的README。虽然在运行网络时会遇到各种不同的奇怪问题，但大都可以通过仔细阅读README并查找相关资料解决。如果陷入窘境还能在ModelZoo仓库中提交问题ISSUE，会有相关工作人员及时帮助你溯源问题并提供解决方法。 目前，测试通过训练模型数量在CPU模式下已达30个左右，GPU模式下测试通过50个左右。通过测试的体验，所有的网络在准备好数据集并进行预处理后，基本上只需要简单的修改配置文件或直接通过命令行传参的形式，就能运行各个不同的网络模型，为MindSpore的易用性提供的极大便利。不得不给我们的ModelZoo仓库竖个大拇指！ **5、我的开源收获** 在参与开源贡献之前，我认为昇思MindSpore作为一个开源框架，没有较强的系统性代码能力很难做出自己的贡献。参与后发现只要克服了前期的畏难心理，寻找适合自己的任务，积极投入，弄能做出自己的贡献。虽然到现在我暂时还没有正式PR合入，但也通过ISSUE指出了一些仓库中的小错误，让后来者少踩坑。 在参与开源贡献之前，我可能只是框架的使用者；但现在作为一个参与人，一个开发者，看着程序测试通过，编译成功，在框架中使用时也有了自豪感。 我参与本次开源实习初心是对MindSpore本身感兴趣，同时希望利用系统性的代码提高自己的Code能力，感谢实习中的导师制度与良好的社区氛围，感谢我的指导老师马博文，还有其他的开发者都给与了我很大帮助，祝愿MindSpore越办越好，成为更加优秀的国产全场景AI框架。 **多****YOUNG****新生之如何玩转****AI****开源社区？** 10月29日（周六）20:20，晓阳同学将线上为大家分享《ModelZoo在MindSpore-Windows版本下的使用“指北》。本次活动采用腾讯会议线上分享，扫码报名即可获取腾讯会议链接！ **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1933/ --- 新闻 精诊科技加入昇思MindSpore开源社区，合作助力AI+医疗创新发展新生态 # 精诊科技加入昇思MindSpore开源社区，合作助力AI+医疗创新发展新生态 2022/10/27 # 精诊科技加入昇思MindSpore开源社区，合作助力AI+医疗创新发展新生态 近日，**北京精诊医疗科技有限公司（简称“精诊科技”）签署CCLA（Corporate Contributor License Agreement，企业贡献者许可协议书），正式加入昇思MindSpore开源社区。** ****精诊科技&昇思MindSpore**** 当前，精诊科技与华为的合作场景进一步拓宽，合作路径进一步延长。于2022年9月，精诊科技依托昇腾AI基础软硬件平台，完成了全场景AI框架昇思MindSpore的兼容性测试，大幅提高了**孪生数字器官重建精度和术前规划效率**，为外科医生确定手术方案提供可视化、可量化、可控化的医疗信息，助力打造多模态融合的手术计划工作站。 2022年10月，精诊科技再次签署CCLA（Corporate Contributor License Agreement，企业贡献者许可协议书），正式加入昇思MindSpore开源社区，助力AI+医疗创新发展，共同构建国产化医疗人工智能产业生态圈。 精诊科技一直致力于为外科医生提供手术全期的智能解决方案，为医院供应手术计划工作站。手术计划是指医生在获得患者病灶处的医疗影像后，结合解剖学和病理学知识进行术前规划并形成手术方案。据估计，我国每年超2000万例外科手术，每多提高一分手术计划的精度和效率，就多一分对广大患者的健康保障。 精诊科技加入昇思MindSpore开源社区后，将进一步繁荣昇思生态，深化双方社区项目合作，**聚焦国内外数字外科领域的增量机会，抢占AI外科领域创新医疗器械赛道。** **人工智能与医疗体系中的各个环节展开深度融合**\*\*，成为影响行业发展、提升医疗服务水平的重要因素。\*\*未来，精诊科技将与更多昇思社区伙伴一起，共同打造创新性产品及解决方案，构建繁荣的人工智能产业生态圈。 北京精诊医疗科技有限责任公司 精诊科技是国家高新技术企业，公司融合了清华大学董家鸿院士的科研专利转化成果，自2018年成立以来，一直专注于面向医院临床外科全科室，打造包括术前规划、术中导航和术后评估的覆盖外科手术围术期全流程智能生产力工具家族。 精诊科技现已拥有50多项国家发明专利、实用新型专利和软件著作权等科技成果，多次承担了国家级和省部级的科研项目，先后获得中国医学装备协会创新医疗器械一等奖、北京市医管中心科技创新大赛总冠军等荣誉资质与称号。创新医疗器械一等奖、北京市医管中心科技创新大赛总冠军等荣誉资质与称号。 我们诚邀各企业、高校及科研院所加入昇思MindSpore开源社区，成为社区合作伙伴，与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态。 更多合作需求 请扫码添加企业助手进行咨询 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1934/ --- 新闻 基于昇思MindSpore | 给金奖大佬递话筒：用七年，做好“智慧视觉全场景生态服务商”这件事 # 基于昇思MindSpore | 给金奖大佬递话筒：用七年，做好“智慧视觉全场景生态服务商”这件事 2022/10/31 # 基于昇思MindSpore | 给金奖大佬递话筒：用七年，做好“智慧视觉全场景生态服务商”这件事 2022年10月13日，2022昇腾AI创新大赛江苏赛区区域决赛圆满举办，大赛由江苏鲲鹏·昇腾生态创新中心主办，以\*\*“昇腾万里·智赋江苏”\*\*为主题，旨在聚合江苏人工智能企业及技术团队，打造昇腾AI产业区域标杆案例，助力当地优秀的开发者团队们走向行业潮头。 今天，我们邀请到了**小视科技**的开发者团队，他们凭借\*\*“小视智能视觉中枢平台联合方案”\*\*，从69支参赛队伍中脱颖而出，一举斩获行业创新赛题的金奖。接下来，就跟随昇腾小话筒和我们一起了解吧！ Q：能不能简单描述一下这个方案呢？ A：我讲三个关键词吧，**百万级，快交付，简算力。** Q：这……不明觉厉……还是请你展开说说吧！ A：哈哈，那先说说\*\*“百万级”\*\*。讲一个冷知识，我国摄像头最多的城市是北京，大约有110万台，而这个数量还在逐年增加。但事实上，很多城市摄像头的实际应用水平仍处于初级阶段，其中一大难题就是城市级数据采集量巨大，处理难度高，效能不足。\*\*小视科技具备大容量视频检测和视频结构化技术等能力，能够快速、高效地针对算法场景进行视频结构化分析和开发。\*\*我们的方案已建立从开发到运行再到运营的全生命周期管理体系，从服务场景获得的数据资源会反哺到标注训练平台以优化算法模型，实现了全流程打通和自闭环，可通过城市级百万路视频监测，有效降低智慧城市建设与城市精细化治理的运营成本及难度。 Q：百万路摄像头！采集的图像恐怕是五花八门吧！ A：没错，有来自交通的、也有来自公园、学校、社区的，虽然都是图像，但是针对不同场景，就需要打造不同的解决方案。这就是我要说的第二个难题，\*\*如何在训练数据有限的情况下，低成本进行数据仿真，\*\*提升算法精度，进一步解决场景数据长尾分布的问题。我们自主研发的小样本鲁棒性学习技术、启发式模型特征融合技术和跨域仿真技术能够很好地应对真实场景复杂多样的随机性，从而能够实现场景生态快速连接。**在客户提出定制化算法需求后，最短1-2周的时间就能实现应用落地。** Q：这就是你的第二个关键词“快交付”吧！那“简算力”又是什么意思呢？ A：有了数据基础、场景需求，还需要高效算力的支撑。\*\*算力，是数字经济时代最昂贵的资源，也是实现这一切的前提！\*\*我们的平台包含多种任务模板，能够根据场景需求设置运行策略，高效分配算力。同时，平台内置任务自主调配算法，实时监测服务器运行状态，**通过智能调度机制使整个服务器集群达到负载均衡。** Q：这个方案的研发过程一定很艰难吧！ A：肯定不容易喽！整个解决方案的核心技术都是我们团队自主研发的。我们2015年成立于南京，用七年的时间，深耕智慧城市领域，专注计算机视觉技术，\*\*做好“智慧视觉全场景生态服务商”这一件事。\*\*不过，从去年开始，我们有了一个强大的力量加持！ Q：快告诉我！ A：其实我刚刚已经提到了。2021年11月，小视科技正式加入昇腾万里伙伴计划，我们的众多方案都已完成在昇思MindSpore上的算法移植，以及与Atlas系列硬件的适配。\*\*借助MindSpore强大的学习能力和MindX系列工具，将模型产出效率提升6倍以上，模型迭代效率提高50%以上，\*\*这让我们可以更聚焦于场景创新，加速idea落地，为推动智能世界的到来出一份力！ Q：也就是说只有落地到场景，才算是真正释放了数字生产力！ A：没错，其实我们已经在辽宁、江苏、安徽、浙江、上海、甘肃等多个省市规模化应用了。在辽宁某市，平台接入3500+路城市摄像头，形成\*\*AI智能化城市巡检，**助力智慧交通；在江苏某市，平台接入2000+路摄像头，为餐饮业厨房场所提供**视频智能分析能力\*\*\*\*，\*\*提升餐饮行业监管效能。 Q：你们太棒了！那个……可以给大家展示下你们的金奖证书吗？ A：当然可以，这次参加昇腾大赛，能与众多优秀的开发者们碰撞思想，相互学习，让我们更加坚定在人工智能视觉技术赛道上前进的决心。**我们现在正在准备全国决赛，肩负着整个江苏赛区的希望呢！** Q：祝福你们在全国决赛取得好成绩！ A：挨（ái）摆（bǎi）！（南京话：没问题！） 小视智能视觉中枢平台联合方案简介： 该方案基于核心AI技术专利而设计，通过适配昇腾AI基础软硬件资源，全面赋能城市监测设备，实现数据统一管理、算法按需分配、事件主动告警，协助各委办局全天候监测全城动态，有效降低智慧城市建设与城市精细化治理的运营成本及难度，助力城市治理数智化转型，打造智慧城市高效决策新引擎。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1937/ --- 新闻 MindSpore易用性SIG-陪伴开发者成长 # MindSpore易用性SIG-陪伴开发者成长 2022/11/02 # MindSpore易用性SIG-陪伴开发者成长 2022年3月17日，昇思MindSpore社区技术委员会(TSC)决议通过昇思MindSpore易用性SIG的申请，正式成立易用性SIG，帮助开发者打通使用昇思MindSpore过程的“最后一公里”。 日月如梭，转眼已进入2022年11月份，2023年即将在望。在MindSpore易用性SIG成立的这几个月中，MindSpore易用性SIG与开发者一起，围绕MindSpore易用性提升，开展了一系列技术活动，如易用性特性开发、智能机器人开发、易用性技术分享、一张图看懂MindSpore系列、知乎/CSDN等平台上的AI工程和MindSpore易点通专栏建设等，帮助开发者打通使用MindSpore过程的“最后一公里”。 非常感谢大家一直以来的支持与鼓励，让我们一起回顾过往，携手前行！ MindSpore易用性SIG共发展近500+名AI开发者加入交流群。 目前，已有2名易用性SIG成员成为MindSpore布道师。 易用性SIG成员韩晓阳、何朋朋和张若锦在“多YOUNG新生之如何玩转AI开源社区？”活动进行易用性特性开发经验主题分享。 易用性SIG先后邀请15位嘉宾举办4期易用性技术分享活动，分享使用MindSpore的经验和案例，B站观看直播总人数800+。 先后策划发布多种类型活动，如视频体验、版本体验、报错任务认领、技术干货分享等，让开发者主动加入社区建设，贡献个人力量，共吸引500+人次参与，发布个人经验技术干货200+篇， 在知乎平台创建的AI工程和MindSpore易点通专栏，共发布AI工程系列和MindSpore易点通系列文章36篇，易点通专栏中收录了各位开发者们贡献的从MindSpore安装、数据处理、模型开发到应用案例等经验总结和案例120篇，吸引关注者1700+，总阅读/播放量达21万+次。 同时，在CSDN创建易用性团队CSDN-MindSpore社区，希望吸引CSDN中技术开发者加入MindSpore家庭，当前关注数已突破1400人，发布文章900+篇。 在易用性特性开发方面，MindSpore易用性SIG先后纳入5个大颗粒特性到开源活动中，累计已有13名开发者报名参与并提交了6k+行代码和25000+个语料。 易用性SIG为广大开发者提供了共同交流和学习的平台，帮助了许多易用性SIG成员的成长。易用性SIG成员韩晓阳同学，由最初的使用MindSpore框架实现一些简单的算法，到后来在易用性SIG专家马博文的耐心讲解与帮助下，参与并和其他老师共同完成了MindSpore GPU版本在MSVC编译器下代码适配工作。 可喜的是，MindSpore GPU版本功能也即将发布。正如MindSpore社区对晓阳采访时，晓阳所说“在参与开源贡献之前，我可能只是框架的使用者；但现在作为一个参与人，一个开发者，看着程序测试通过，编译成功，在框架中使用时也有了自豪感。” 同时，易用性SIG成员韩晓阳、何朋朋和张若锦三位同学作为嘉宾，在“多YOUNG新生之如何玩转AI开源社区”活动分享了他们“玩转MindSpore开源社区”的经历和经验。 还有很多易用性SIG成员，从最初的了解MindSpore，到现在成为MindSpore布道师、优秀开发者，伴随着MindSpore共同成长。一步一个脚印，有付出就会有收获！易用性SIG也会一直陪伴在MindSpore开发者的成长路上，帮助每一位开发者打通使用MindSpore过程的“最后一公里”。 MindSpore易用性SIG分别于**4月16日、5月28日、7月7日、8月27日**，先后线上举办了\*\*《聊聊AI框架的易用性》、《从零开始，“易”起上手》、《MindSpore在CV领域的应用案例》、《易用性提升、函数式编程及模型迁移实践》**等四期技术分享活动，邀请高校师生/企业/个人开发者等**15**位嘉宾分享他们使用MindSpore的经验和案例。四期技术分享共吸纳约**240+\*\*位开发者加入易用性SIG交流群。 **易用性SIG技术分享** **第一期：聊聊AI框架的易用性** - 易用性SIG发起人**想飞就飞**和易用性SIG **Lead Tong**：MindSpore易用性SIG愿景、目标与规划 - Apache软件基金会董事、华为开源能力中心专家**姜宁**：提升项目易用性，降低开发者摩擦力 - MindSpore资深开发者**丁一超**：我的昇思学习之路 **回放链接**： https://www.bilibili.com/video/BV1Wu411y7u1?p=1 **第二期：从零开始，“易”起上手** - MindSpore资深开发者**张辉**：MindSpore漫游世界 - MindSpore Dev Toolkit技术负责人**Chissica**：智能辅助编程 - MindSpore DFx专家**Miao**与**Louie**：AI框架功能调试的思考与MindSpore实践 - MindSpore易用性专家**CQU弟中弟**：MindSpore模型迁移经验分享 **回放链接**： https://www.bilibili.com/video/BV1Wu411y7u1?p=3 **第三期：MindSpore在CV领域的应用案例** - 复旦大学计算机科学与技术学院博士生**彭博**：基于MindSpore的深度学习模型在多媒体领域的实践 - 南京理工大学沈阳博士生**沈阳**：基于MindSpore的细粒度哈希学习 - MindSpore爱好者**甜粽**：MindSpore1.7在Windows和Linux环境下的安装 **回放链接**： https://www.bilibili.com/video/BV1Wu411y7u1?p=4 **第四期：易用性提升、函数式编程及模型迁移实践** - MindSpore易用性专家**马博文**：百尺竿头-MindSpore 1.8带来的易用性提升 - MindSpore研发专家**吕昱峰**：成年人全都要-MindSpore函数式+Cell混合编程实践 - MindSpore布道师、浙江大学研究生**项靖阳**：影分身之术-MindSpore图像分类任务大作战 **回放链接**： https://www.bilibili.com/video/BV1Wu411y7u1?p=6 2022年4月，在知乎平台创建了AI工程和MindSpore易点通专栏。知乎平台共发布AI工程系列文章和MindSpore易点通系列文章**36**篇，包含AI工程、AI设计模式、AI论文解读、MindSpore易点通机器人实践等。同时，易点通专栏中收录了各位开发者们贡献的从MindSpore安装、数据处理、模型开发到应用案例等经验总结和案例**120**篇，共吸引关注者1700+，总阅读/播放量达\*\*21万+\*\*次。 同时，6月份在CSDN创建了易用性团队CSDN-MindSpore社区，希望吸引CSDN中技术开发者加入MindSpore家庭，当前关注数已突破**1400**人，发布文章\*\*900+\*\*篇，见面礼活动很受欢迎，后续会持续运营并吸引更多人加入。 基于前期的开发者访谈和问卷调查结果中呼声最高的易用性提升方向，在易用性特性开发方面，MindSpore易用性SIG先后纳入5个大颗粒特性到开源活动中。 累计已有**13**名开发者报名参与并提交了\*\*6k+**行代码和**25000+\*\*个语料。这些特性分别是： MindSpore易点通知识问答机器人开发 MindSpore Dev Toolkit（IDE插件）中的知识问答机器人集成 MindSpore在Windows+GPU下的原生版本编译支持 MindSpore功能调试助手（TroubleShooter）开发 MindSpore易用性评测 4月至今，策划发布多种类型活动，如视频体验、版本体验、报错任务认领、技术干货分享等，让开发者主动加入社区建设，贡献个人力量，共吸引\*\*500+**人次参与，发布个人经验技术干货**200+\*\*篇，同时也提出了很多建设性意见。后续会持续策划各种活动，吸引开发者体验贡献并提出改进建议。 我们诚邀各位开发者加入易用性SIG，成为MindSpore优秀开发者和布道师，与我们一同打造易用、好用的昇思MindSpore！感兴趣的开发者可以联系易用性SIG小助手，添加微信：msusig **优秀开发者\*\*\*\*招募要求** （满足任意一条可申请） 1、至少发布过1篇昇思MindSpore相关原创技术文章在昇腾学院昇思MindSpore版块、昇思MindSpore微信公众号或其他自媒体公众号、知乎专栏、CSDN专栏等媒介。 2、至少在昇思Mindspore开源社区(Gitee、GitHub)反馈或提交过1条bug/优化建议/pr。 3、 至少参加过1场线上/线下昇思MindSpore技术分享，并主讲议题，活动线上人气值平均每场次不少于200人，线下人数每场次不少于30人。 4、特邀优秀社区开发者。 **优秀开发者权益** (1) 优秀开发者名单官网展示 (2) 获取专属礼品 (3) 官方大会门票、线下meetup等 **布道师\*\*\*\*招募要求** （满足任意一条可申请） 1、 至少发布过5篇昇思MindSpore相关原创优质技术文章，包括但不限于知乎、CSDN、公众号、昇思Mindspore论坛等，文章平均阅读量不低于5000。 2、至少在Mindspore开源社区(Gitee、GitHub)主导过1个特性级开发(全勤参与相关SIG组月度例会、主导设计文档撰写评审、担任SIG中Approver席位)。 3、 至少举办过1场或参加过3场线上/线下MindSpore技术分享，并主讲议题，活动线上人气值平均每场次不少于3000人，线下人数每场次不少于100人。并总结活动现场的媒体内容（文字、照片、视频等形式的回顾）投稿于官方公众号。 4、特邀行业资深人士。 **布道师权益** (1) MindSpore布道师名单官网展示 (2) 获取MindSpore布道师专属奖品 (3) 免费赠与HC/HDC大会门票 (4) 受邀参与MindSpore布道师年会 优先获得商务合作机会等 过去的这几个月，是耕耘，也是收获。MindSpore易用性SIG各类活动的顺利举办、MindSpore易用性的提升离不开广大开发者们的支持与参与，在此向各位开发者伙伴们表示诚挚的感谢！ MindSpore易用性SIG也将会再接再厉，和广大开发者们一起，为打造易用、好用的MindSpore持续努力，帮助开发者们打通使用MindSpore过程的“最后一公里”。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1938/ --- 新闻 加入社区 | 梦蝶幻像加入昇思MindSpore开源社区，共建AI开源生态 # 加入社区 | 梦蝶幻像加入昇思MindSpore开源社区，共建AI开源生态 2022/11/02 # 加入社区 | 梦蝶幻像加入昇思MindSpore开源社区，共建AI开源生态 近日，**重庆梦蝶幻像科技有限公司签署CCLA（Corporate Contributor License Agreement，企业贡献者许可协议书），正式加入昇思MindSpore开源社区。** ****梦蝶幻像&昇思MindSpore**** 2022年6月，重庆梦蝶幻像科技有限公司（以下简称“梦蝶幻像”）的**濒危鸟类目标识别和实时追踪系统**完成了与**全场景AI框架昇思MindSpore**的兼容性测试。 2022年10月，梦蝶幻像再次签署CCLA（Corporate Contributor License Agreement，企业贡献者许可协议书），正式加入昇思MindSpore开源社区，**助力野生动物保护，共同构建保护生物多样性的人工智能产业生态圈。** 在新时代的中国，加强野生动物保护已成为生态文明建设的重要内容，目前已建立各级各类自然保护地1.18万处。 工作人员对野生动物、特别是濒危动物的研究需求日益增多，虽然红外触发相机可以在一定程度上代替人力跋山涉水，但由于其可感应区域较小，树枝摆动、树叶下落均有可能触发误拍，产生的图片信息数量非常庞大，仅靠人工筛选几乎难以为继，大量宝贵的时间被耗费在繁复的工作之中，效率极低。 **濒危鸟类目标识别和实时追踪系统** 梦蝶幻像基于全场景AI框架昇思MindSpore强大的深度学习能力，打造**濒危鸟类目标识别和实时追踪系统**，对超过5000多种鸟类的50多万张照片进行学习，准确识别包括种类、行为、雌雄、幼鸟成鸟在内的信息，为专家进行最终物种认定提供重要参考。 该系统可以实现对鸟类种类和姿态的准确识别，成为集“鸟类分类、行为识别、雌雄识别、幼鸟成鸟识别”等功能。 相比传统人工筛选红外相机影像的方式，濒危鸟类的识别效率提高100%，极大地减轻了保护区工作人员的工作量，帮助挽救那些即将远离我们的可爱物种，为保护生物多样性做出贡献。 未来，梦蝶幻像将进一步繁荣昇思生态，深化双方社区项目合作，共同打造创新性产品及解决方案。**梦蝶幻像期待与更多的昇思社区伙伴一起，通过更专业、更高效地合作共同推进行业应用落地，构建繁荣的人工智能产业生态圈。** 重庆梦蝶幻像科技有限公司 重庆梦蝶幻像科技成立于2016年，是专注于图形图像算法和人工智能领域的高科技公司。研发和推出了影像全自动3D建模云系统和影像人体动态动作捕捉等技术。 影像全自动3D建模云系统是基于图形图像算法以及高性能云计算的3D快速全自动建模技术。包含以影像3D建模算法、3D web展示技术、3D测量等技术。目前影像全自动3D建模云技术已经开始应用于产品展示、文物保护、建筑设计、地理测绘等领域，已引起各行业的关注。 目标识别和追踪是利用深度神经网络技术开发的基于计算机视觉的人工智能技术。我们开发的神经网络可在监控视频流中实时识别和追踪各种物体，而且对硬件要求低，仅需CPU即可以完成实时的识别，速度超过每秒120fps（ i7 CPU ）。已经在应用在人流量统计、车流量统计、安防监控、工地安全监控等等领域。 我们诚邀各企业、高校及科研院所加入昇思MindSpore开源社区，成为社区合作伙伴，与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态。 更多合作需求 请扫码添加企业助手进行咨询 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1941/ --- 新闻 【昇思生态城市行】长沙站圆满举办， 昇思MindSpore助力湖南AI产业发展！ # 【昇思生态城市行】长沙站圆满举办， 昇思MindSpore助力湖南AI产业发展！ 2022/11/01 # 【昇思生态城市行】长沙站圆满举办， 昇思MindSpore助力湖南AI产业发展！ **2022年10月31日上午，以 “发展AI根技术，开创产业新未来”为主题的昇思生态城市行·长沙站成功举办。** 本次活动吸引了超过40家企业、高校、科研机构参与，近百人现场与会。活动中，19家通过昇思技术认证的人工智能企业获颁昇思技术认证证书。同时，中南大学、长沙软件园、华为将联合打造INSAR安全检测预警创新模型，三方代表在活动现场完成启动仪式。 会上，华为昇思业务总经理丁诚与中南大学地球科学与信息物理学院副院长李志伟为本次活动致辞。7家来自湖南本地的企业与高校伙伴分别就算力基础设施建设与运营、基于昇思的行业解决方案及科研创新做了主题分享，现场活动气氛热烈。 **重磅仪式** 昇思MindSpore作为人工智能根技术，受到了产业界的高度重视，湖南已有相当数量的优秀企业使用昇思打造行业解决方案并获得昇思技术认证。活动现场，华为向拓维信息系统股份有限公司、湖南汇视威智能科技有限公司、湖南中科优信科技有限公司等19家合作伙伴代表颁发了昇思MindSpore技术方案认证证书。后续合作中，昇思将为认证伙伴提供更多技术能力和推广支持，赋能伙伴实现技术突破，打造核心解决方案，共建人工智能产业软硬件生态。 昇思MindSpore技术方案认证仪式 中南大学地球科学与信息物理学院副院长李志伟、长沙软件园有限公司技术总监何世星、华为昇思业务总经理丁诚、华为湖南产业与生态发展总经理章送作为三方代表，完成INSAR安全检测预警大模型孵化启动仪式。随着城市化进程的深入发展，我国城市天际线逐步扩大，但也有一些早期建筑安全需要进行监测和预警。长沙软件园、中南大学和华为三方配合，将打造国内首个利用INSAR针对城市大范围建筑物隐患识别和监测预警的创新模型，实现建筑物大规模安全隐患的识别、预测和预警，打破传统被动式检测和预警，这对保障城市建筑物和国家各类基础设施的安全运营具有里程碑意义。 **携手伙伴，以创新繁荣产业生产** 拓维信息、湖南汇视威智能科技、湖南中科优信科技三家公司的代表分别就昇思 AI 框架应用在智慧交通、智能语音等行业的实践做了经验分享，为打造行业解决方案树立标杆。 产业落地的源头来自技术的创新。中南大学地球科学与信息物理学院副教授范冲、中南大学计算机学院特聘教授王森章与华为昇思MindSpore首席科学家于璠分别就INSAR的创新模型、不确定性轨迹数据挖掘和昇思AI for Science的技术规划几个创新方向，为现场和线上观众呈现了一场关于前沿研究课题和AI开发技术的知识盛宴。 本次活动由中国人工智能学会主办，长沙软件园有限公司、华为技术有限公司、长沙昇腾人工智能生态创新中心共同承办，湖南省鲲鹏生态创新中心、湖南湘江鲲鹏信息科技有限责任公司、昇思MindSpore开源社区协办。 昇思生态城市行活动从广州出发，重点覆盖上海、西安、长沙等国内人工智能重点发展区域。该活动基于昇腾人工智能计算中心，围绕昇思AI框架应用，发展昇腾AI生态展开，进而加速AI技术创新、行业应用落地和产业发展，推动千行百业智能化升级。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1946/ --- 新闻 经验分享｜昇思MindSpore孔锐：学习是为了不断拓宽成长的半径 # 经验分享｜昇思MindSpore孔锐：学习是为了不断拓宽成长的半径 2022/11/18 # 经验分享｜昇思MindSpore孔锐：学习是为了不断拓宽成长的半径 本期项目经验分享来自孔锐同学，承担的项目是【基于昇思MindSpore，实现QMIX强化学习网络】。 **项目名称** 基于昇思MindSpore，实现QMIX强化学习网络 **项目描述** **QMIX是什么** QMIX\[1\]是一种经典的基于值函数的多智能体强化学习算法，多智能强化学习在不同领域的研究和实践中正在产生越来越大的影响，因此为MindSpore Models仓库添加多智能体强化学习相关的模型对加速相关研究工具的补全很有必要。 QMIX遵循集中式训练分布式执行（Centralized Training Distributed Execution）的框架。同值分解网络（Value Decomposition Networks）相同，QMIX希望全局观察的Q函数（$Q\_{\\text{tot}}$）和对每个智能体的Q函数采用$\\mathop{\\arg\\max}$算子得到的结果相同。 即： `$$ \underset{\mathbf{u}}{\operatorname{argmax}} Q_{t o t}(\boldsymbol{\tau}, \mathbf{u})=\left(\begin{array}{c}\operatorname{argmax}_{u^{1}} Q_{1}\left(\tau^{1}, u^{1}\right) \\\vdots \\\operatorname{argmax}_{u^{n}} Q_{n}\left(\tau^{n}, u^{n}\right)\end{array}\right) $$` 为此，QMIX要求$Q\_{\\text{tot}}$同每个智能体的$Q$函数保有一种单调关系： `$$ \frac{\partial{Q_{\text{tot}}}}{\partial{Q_a}}\geq 0, \,\forall q\in \mathcal{A} $$` **QMIX的网络结构** 为保证所需要的这种单调关系，QMIX设计了一种特别的网络框架，包括: Agent network，智能体网络。如图1(c)所示，每个智能体拥有一个单独的网络用来表征其值函数$Q\_a(\\tau^a, u^a)$，网络架构同DRQN类似，用来接收当前时间步的局部观察$o\_t^a$和最后一步采取的动作$u\_{t-1}^a$。中间层的GRU网络会将每一个时间步的隐向量输出到下一个时间步，利用观察历史。 Mixing network，混合网络。如图1(a)所示，混合网络是一种以智能体网络的输出作为输入的前馈神经网络，其输出为全局的Q值估计$Q\_{\\text{tot}}$。为了保证最终整个网络满足公式\\ref{eq\_momomix}中的单调性质，QMIX令混合网络的权重为非负，而混合网络的权重为可训练的参数，是超网络的输出。 Hypernetworks，超网络。超网络的输入为当前的全局状态，其输出为混合网络某一层的参数。每一个超网络都由单层神经网络和一个激活函数组成，保证最后输出值非负。将输出的向量的维度修改后作为混合网络的权重。混合网络的bias也以类似方法输出，只不过最终的输出值不需要保证非负。 QMIX最终通过一种端到端的方式进行训练，模型总体的损失函数表示为： `$$ \mathcal{L}(\theta)=\sum_{i=1}^{b}\left[\left(y_{i}^{t o t}-Q_{t o t}(\boldsymbol{\tau}, \mathbf{u}, s ; \theta)\right)^{2}\right] $$` 其中$y^{\\text{tot}} = r+\\gamma \\max\_{u^\\prime}Q\_{\\text{tot}}(\\tau^\\prime, u^\\prime, s^\\prime,;\\theta^{-})$为Q值目标。 $\\theta^{-}$为类似DQN中的目标网络的参数。这样在训练过程中，模型根据全局的观察和损失训练网络参数，而到了测试阶段，各个智能体根据自身观察选择使得Q值最大的动作。根据QMIX的结构设计，这一动作组合也会使得多个智能体的全局Q值最大。 **项目开发** \*\* **开发方案描述** \*\* **模型开发流程** 在七月份稍稍熟悉了当前MindSpore的工具链后，很快就被MindSpore Reinforcement\[2\]吸引。作为原生自MindSpore的强化学习框架，拥有者良好的基础算子支持和简洁的API接口，非常适合使用MindSpore进行强化学习算法的实现。用户只需要将模型的逻辑封装到指定的类中，继承Actor, Learner和Trainer抽象类，MindSpore Reinforcement的框架代码就可以提供和环境的高效交互。 这里我们以QMIX模型为例子，简要展示基于MindSpore进行强化学习模型开发的流程。官方的开发例子可以参考：(https://www.mindspore.cn/reinforcement/docs/zh-CN/master/dqn.html)。 **Trainer** Trainer作为训练类，负责模型和环境的交互逻辑，调用Actor产生动作同环境交互后产生的样本，收集训练样本交由Learner更新模型。Trainer主要需要继承父类接口实现三个方法，分别是： **·** trainable\_variables，返回可训练参数 **·** train\_one\_episode，训练过程中每一个episode需要处理的逻辑 **·** evaluate，策略的评估逻辑 ` ```python class QMIXTrainer(Trainer): def __init__(self, msrl, params): # 省略了具体的初始化过程 nn.Cell.__init__(self, auto_prefix=False) self.msrl = msrl self.params = params super(QMIXTrainer, self).__init__(msrl) def trainable_variables(self): trainable_variables = { "agents": self.msrl.learner.agents, "mixer": self.msrl.learner.mixer } return trainable_variables @ms_function def init_episode_buffer(self): # 初始化replay buffer的辅助函数 return buffer @ms_function def train_one_episode(self): # ... # self.env是通过self.msrl访问配置好的环境 obs, state, avail_action = self.env.reset() # ... while (not done) and (episode_step < self.episode_limit): # 通过self.msrl调用Actor类act方法，合并了act和step两个步骤，phase为 # trainer.COLLECT next_obs, done, reward, action, hidden_state, \ next_state, next_avail_action = self.msrl.agent_act(trainer.COLLECT, (concat_obs, hidden_state, avail_action, self.step)) # ... # 将转移存储到当前回合的buffer当中 episode_buffer["obs"][episode_step] = concat_obs episode_buffer["state"][episode_step] = next_state episode_buffer["action"][episode_step - 1] = action episode_buffer["reward"][episode_step - 1] = reward episode_buffer["done"][episode_step - 1] = done episode_buffer["hidden_state"][episode_step] = hidden_state episode_buffer["avail_action"][episode_step] = avail_action episode_buffer["filled"][episode_step - 1] = Tensor( 1, ms.int32).expand_dims(axis=0) episode_step += 1 # ... self.step += episode_step # 将收集到的数据加入replay buffer self.msrl.replay_buffer_insert(episode_buffer.values()) if self.greateq(self.msrl.buffers.count, self.batch_size): # 调用Learner类更新模型参数 loss = self.msrl.agent_learn(self.msrl.replay_buffer_sample()) step_info = self.env.get_step_info() info = (loss, reward_sum, episode_step, step_info) return info @ms_function def evaluate(self): # 策略评估，在eval_env当中进行测试 # 具体过程同train_one_step中一致，将phase改为trainer.EVAL step_info = self.eval_env.get_step_info() return step_info ``` ` **Actor** Actor类需要实现act方法和get\_action方法，决定在和环境交互时如何根据得到的观测返回动作。 ` ```python class QMIXActor(Actor): def __init__(self, params): super().__init__() self.collect_policy = params['collect_policy'] self.eval_policy = params['eval_policy'] self.collect_env = params['collect_environment'] self.eval_env = params['eval_environment'] def get_action(self, phase, params): # get action from policy obs, hidden_state, avail_action, step = params if phase in (trainer.INIT, trainer.COLLECT): action, hidden_state = self.collect_policy( (obs, hidden_state, avail_action), step) elif phase == trainer.EVAL: action, hidden_state = self.eval_policy( (obs, hidden_state, avail_action)) else: raise Exception("Invalid phase") return action, hidden_state def act(self, phase, params): # select policy to execute in the corresponding environment obs, hidden_state, avail_action, step = params if phase in (trainer.INIT, trainer.COLLECT): action, hidden_state = self.collect_policy( (obs, hidden_state, avail_action), step) next_obs, reward, done, next_state, next_avail_action = self.collect_env.step(action) elif phase == trainer.EVAL: action, hidden_state = self.eval_policy( (obs, hidden_state, avail_action)) next_obs, reward, done, next_state, next_avail_action = self.eval_env.step(action) else: raise Exception("Invalid phase") result = (next_obs, done, reward, action, hidden_state, next_state, next_avail_action) return result ``` ` 这里我们使用的policy类作为中间层，将策略和网络解耦合，可以更加灵活地决定智能体的行为逻辑。数据收集策略使用基于epsilon-decay的epsilon-greedy策略，评估策略使用greedy策略。 ` ```python class QMIXPolicy: class CollectPolicy(nn.Cell): """The collect policy implementation (how to obtain actions)""" def __init__(self, network, params): super().__init__() self.agent_num = params["environment_config"]["num_agent"] self.epsi_start = Tensor([params['epsi_start']], ms.float32) self.epsi_end = Tensor([params['epsi_end']], ms.float32) all_steps = params['all_steps'] self.delta = (self.epsi_start - self.epsi_end) / all_steps self.network = network self.categorical_dist = msd.Categorical() self.rand = ops.UniformReal() def construct(self, params, step): # epsilon decay epsilon = ops.maximum(self.epsi_start - self.delta * step,self.epsi_end) obs, hidden_state, avail_action = params q_vals, hidden_state = self.network(obs, hidden_state) # soft mask non-available actions q_vals[avail_action == 0] = -1e10 # epsilon-greedy action selection best_action = self.categorical_dist.mode(q_vals) random_action = self.categorical_dist.sample((), avail_action) cond = self.rand((self.agent_num, 1)).reshape([self.agent_num]) < epsilon selected_action = self.categorical_dist.select(cond, random_action, best_action) selected_action = selected_action.expand_dims(1) return selected_action, hidden_state class EvalPolicy(nn.Cell): def __init__(self, network): super().__init__() self.network = network self.categorical_dist = msd.Categorical() def construct(self, params): obs, hidden_state, avail_action = params q_vals, hidden_state = self.network(obs, hidden_state) q_vals[avail_action == 0] = -1e10 # greedy action selection best_action = self.categorical_dist.mode(q_vals) selected_action = best_action.expand_dims(1) return selected_action, hidden_state def __init__(self, params): # agent网络 self.agents = RNNAgent(params) # mixer网络 self.mixer = QMixNet(params) # 数据收集策略 self.collect_policy = self.CollectPolicy(self.agents, params) # 模型评估策略 self.eval_policy = self.EvalPolicy(self.agents) ``` ` **Learner** Learner类处理从buffer当中采集到的数据样本，计算loss后更新模型。我们首先需要定义Loss Cell ` ```python class LossCell(nn.Cell): def __init__(self, params, agents, mixer, target_mixer): super().__init__() self.gamma = params['gamma'] self.batch_size = params['batch_size'] self.agents = agents self.mixer = mixer self.target_mixer = target_mixer self.gatherd = ops.GatherD() def construct(self, obs_batch, current_state_batch, next_state_batch, action_batch, avail_action_batch, reward_batch, mask, filled_batch, q_val_target, hidden_state_batch): # 在这里省略了loss的计算逻辑 return loss ``` ` Learner中我们需要实现learn方法，调用loss cell计算loss进行参数更新 ` ```python class QMIXLearner(Learner): def __init__(self, params): super().__init__() optimizer = nn.RMSProp(train_params, learning_rate=params['lr']) qmix_loss_cell = LossCell(params, self.agents, self.mixer,self.target_mixer) self.train_step = nn.TrainOneStepCell(qmix_loss_cell, optimizer) self.train_step.set_train(mode=True) def learn(self, experience): obs_batch, state_batch, action_batch, reward_batch, done_batch,\ hidden_state_batch, avail_action_batch, filled_batch = experience # 省略中间的处理逻辑 # ... # 计算loss loss = self.train_step(obs_batch, current_state_batch, next_state_batch, action_batch, avail_action_batch, reward_batch, mask, filled_batch, q_val_target, hidden_state_batch) return loss ``` ` **更优雅的训练过程** **参数自动配置** 模型精度达标后主要的工作在对代码的可读性和算法模型的扩展性上，为SMAC环境编写了自动的配置函数，消除了对于不同环境手动配置的繁琐和在代码当中进行硬编码的风险，直接根据环境信息配置模型和buffer。 ` ```python def env_info(env_name): env_params = {'sc2_args': {'map_name': env_name}} temp_env = StarCraft2Environment(env_params, 0) info = temp_env.env_info return info class ParamConfig(): def __init__(self, env_name): ENV_NAME = env_name env_param = env_info(ENV_NAME) state_dim = env_param["state_shape"] obs_dim = env_param["obs_shape"] action_dim = env_param["n_actions"] agent_num = env_param["n_agents"] episode_limit = env_param["episode_limit"] self.algorithm_config = { 'actor': { 'number': 1, 'type': QMIXActor, 'policies': ['collect_policy', 'eval_policy'], }, 'learner': { 'number': 1, 'type': QMIXLearner, 'params': self.learner_params, 'networks': ['agents', 'mixer'] }, 'policy_and_network': { 'type': QMIXPolicy, 'params': self.policy_params }, 'collect_environment': { 'number': 1, 'type': StarCraft2Environment, 'params': self.collect_env_params }, 'eval_environment': { 'number': 1, 'type': StarCraft2Environment, 'params': self.eval_env_params }, 'replay_buffer': { 'number':1, 'type':ReplayBuffer, 'capacity':5000, 'data_shape': [(episode_limit + 1, agent_num, obs_dim + agent_num + action_dim), (episode_limit + 1, state_dim), (episode_limit + 1, agent_num, 1), (episode_limit + 1, 1), (episode_limit + 1, 1), (episode_limit + 1, agent_num, 64), (episode_limit + 1, agent_num, action_dim), (episode_limit + 1, 1)], 'data_type': [ ms.float32, ms.float32, ms.int32, ms.float32, ms.bool_, ms.float32, ms.int32, ms.int32 ], 'sample_size':BATCH_SIZE, } ``` ` **CallBack** 在多智能体强化学习的模型训练过程中智能体的行为变化和最终的性能结果同样重要，为了更好地观察诸多的关键指标，为模型开发了新的CallBack类，将模型训练过程中的性能表现利用mindinsight可视化输出。 ` ```python ```class RecordCb(Callback): def __init__(self, summary_dir, interval, eval_rate, times): self._summary_dir = summary_dir def __enter__(self): self.summary_record = ms.SummaryRecord(self._summary_dir) return self def __exit__(self, *exc_args): self.summary_record.close() def begin(self, params): params.eval_rate = self._eval_rate def episode_end(self, params): # 省略更多信息的记录逻辑 # ... loss = params.loss # loss check already been done in LossCallback self.summary_record.add_value("scalar", 'loss', loss) reward = params.total_rewards self.summary_record.add_value("scalar", 'reward', reward) self.summary_record.record(params.cur_episode) ``` ` 完成以后训练过程的训练表现就可以通过mindinsight很好地进行观察 \*\*ospp：\*\*请简单介绍一下自己和你的开源经历吧。 \*\*孔锐：\*\*大家好，我是孔锐，来自南京大学，目前是一名研一新生，研究方向是强化学习。最开始接触开源社区是本科期间因为课业要求和研究需要，被老师们和学长推荐着了解了不少开源项目。在大三的时候因为参加paddle hackathon对深度学习框架的源码产生了很浓厚的兴趣，之后一直在留意参与到这些社区的机会。越深入了解深度学习框架的发展越是感叹社区的欣欣向荣，向往能够为开源社区添砖加瓦。 \*\*ospp：\*\*你是从什么渠道了解开源之夏的，为什么选择参与开源之夏？ \*\*孔锐：\*\*很早之前就有听过同学说起过开源之夏。在上半年的时候，我错过了GSoC的ddl，但是当时正好一直在留意开源活动，刚好发现了现在这个和自身兴趣和研究经历都比较相关的项目。在官网上也去了解了往年的活动情况，又和项目导师进行了仔细的沟通，确认了开源之夏确实是我理想中的开源活动，所以就果断报名参加了。 \*\*ospp：\*\*开源之夏相比于过往你参与的活动和赛事有什么不同之处？ \*\*孔锐：\*\*规模上要更大，覆盖了不少最新的技术和框架，来自不同背景的同学都能找到适合自己的项目。另一方面为每个项目都安排了单独的导师，像MindSpore还建立了社区层次上的交流群，参赛过程中交流和学习的机会要更多，也更容易推进项目进度。 **参与开源社区** \*\*ospp：\*\*介绍一下你眼中的昇思 MindSpore 社区吧。 \*\*孔锐：\*\*在参赛的过程中需要经常查看MindSpore的文档和源码，MindSpore 社区的底层实现和API的设计的风格都相当优秀，兼顾了性能和优雅，文档的覆盖也保证了大多数开发过程中遇到的问题能够得到帮助和解决。除此以外，MindSpore社区的大家都非常热情，不管是在代码托管平台还是各个讨论区、社交媒体讨论群，都经常能见到对具体技术问题的热烈讨论。MindSpore对我来说是一个非常有活力有激情的社区。 \*\*ospp：\*\*项目进行中社区和导师给你带来了怎样的帮助？ \*\*孔锐：\*\*项目的开发过程中得到了很多来自导师的帮助，每次修改开发方案都会得到来自导师的支持和建议，给了我去完善实现细节的定力，得以顺利完成项目。还要感谢陈志鹏学长，他在项目的验收阶段的规范性和突发问题的处理上给了我很多帮助，他的耐心帮助对模型质量验收至关重要。最后要感谢MindSpore社区以及开源之夏社区提供的平台和机会，使得我能够亲身参与到如此活跃的开源社区开发当中。 \*\*ospp：\*\*你是在什么阶段开始接触开源的？这次开源之夏的参与体验让你对开源和开源社区有了什么新的理解？ \*\*孔锐：\*\*接触开源刚好是在刚刚完成基础知识构建和即将进行科研生活的分界线上，算是一个逐渐聚拢自己好奇心的阶段。这次的参与体验对我来说最大的收获是看到了如何在科研学习的过程中反馈社区的可能性，正是在学习框架、使用框架、了解框架的过程中认识到很多的优秀设计，内化到自己的代码中给社区提供更丰富更具体的使用样例。在我看来这是每个深度使用者都可以参与开源社区的简单方式，也正是在这个过程中能够进一步给社区提供高质量issue和pr。 \*\*ospp：\*\*你认为在校学生怎样才能更好地参与开源并融入开源社区？ \*\*孔锐：\*\*如上所说，参与开源社区应该从使用开始，就将反馈当作使用过程中的一环。还有就是培养持久专注的好奇心，通过更多的渠道了解喜欢的开源项目，把握参与社区组织的活动的机会，从实践中有针对性地提升自己的动手能力。 **收获与寄语** \*\*ospp：\*\*经过了解你已经顺利推免继续读研，这次参与的开源活动对你未来的学习生活有什么积极影响，未来你还会继续参与开源之夏吗？ \*\*孔锐：\*\*在参与这次项目的过程中了解到了非常不错强化学习框架的设计模式，最近正在尝试将这种设计模式融入到自己的实验框架代码当中。另外也是查缺补漏，了解到当前能力的短板部分，我认为有很多超出原先视域的知识是极其重要的。未来有机会也希望能够继续参与开源之夏，希望能够参与到一些和自身研究方向相关又更有挑战性的项目当中！ \*\*ospp：\*\*对未来自己在开源社区的发展有什么规划吗？ \*\*孔锐：\*\*准备对自己常用的开源项目做个清单整理下，保持对项目社区的持续关注，未来希望能够成为长期贡献者，更加积极地参与到开源社区的构建当中，多多总结输出。 \*\*ospp：\*\*给其他准备参与开源之夏的学弟学妹们一些建议吧。 \*\*孔锐：\*\*hhh建议大家早早参加开源之夏，这是一个非常好的平台，对低年级的同学来说，在满足项目的基础能力要求的前提下，深入参与并且保持和导师与社区的沟通对于提升自身能力是次宝贵的机会。细节上最重要的建议还是在选择项目之前多去了解，综合考虑自身兴趣、自身能力和个人成长规划后进行选择才能找到最适合自己的项目，合适的选题是成功的一半。在项目开发的过程中如果遇到了困难，个人尝试失败以后要能够主动联系导师和社区寻求帮助，主动解决问题。 **写在最后** 参赛过程中最大的感想是：优秀的框架和良好的社区支持对于开发者是一件很幸福的事。开发前期遇到的最大问题其实是最开始的时候不太熟悉MindSpore上强化学习算法的开发流程，和其他任务下监督学习的训练范式存在很大不同，强化学习往往需要更加灵活的监督信号的引入，learning target需要和环境进行频繁交互。按照先前模型开发经验自己写出来的训练接口因为没有相应的算子支持，交互效率非常低。 幸运地是后来仔细了解了MindSpore Reinforcement，学习了优秀的框架支持和API逻辑。在这里要感谢MindSpore Reinforcement的开发团队，提供的框架在很多本来繁琐的问题上都给出了优秀的实现方案，解决了模型训练的后顾之忧。从社区前辈们的实现里也学到了很多实践当中的重要细节和优良编码风格。中途因为对框架理解不到位遇到的开发问题都能够得到MindSpore社区的及时支持，不管是完善的文档和还是活跃的问答社区，都给了我很大的帮助。 \[1\]https://arxiv.org/abs/1803.11485 \[2\]https://gitee.com/mindspore/reinforcement --- https://www.mindspore.cn/news/zh/1949/ --- 新闻 智能基座昇腾高校行 | 昇思MindSpore携手清华大学共同培养新时代科技人才 # 智能基座昇腾高校行 | 昇思MindSpore携手清华大学共同培养新时代科技人才 2022/11/14 # 智能基座昇腾高校行 | 昇思MindSpore携手清华大学共同培养新时代科技人才 **智能基座昇腾高校行** 计算是人类永恒的需求，是智能世界的源动力，人工智能的发展需要数字化人才的助力。在新一轮科技革命背景下，人工智能扮演着重要角色，伴随着产业的快速升级，也对教育的人才培养提出了新要求。 \*\*11月10日，华为公司与共青团清华大学委员会、清华大学电子系研团总支、北京昇腾人工智能生态创新中心联合举办的“华为全联接大会2022 智能基座昇腾高校专场”活动，\*\*是华为联合高校、产教融合的积极探索，此次活动也与清华大学的广大学子进行了零距离探讨互动。 昇腾计算产业是基于昇腾系列处理器和基础软件构建的全栈 AI计算基础设施、行业应用及服务，包括昇腾系列处理器、系列硬件、CANN、AI计算框架、应用使能、开发工具链、管理运维工具、行业应用及服务等全产业链。 华为一直致力于打造昇腾AI基础软硬件平台，目前全国已有20多个城市基于昇腾AI基础软硬件平台，建设人工智能计算中心。**北京昇腾人工智能生态创新中心CTO杨光**以《昇腾AI新生态 向上共赢新时代》为主题，为同学们介绍昇腾AI全栈技术，昇腾人工智能产业发展情况，以及昇腾开发者产业生态，包括围绕如何为开发者提供“新技术，新体验，新机会”的价值创造理念以及多项昇腾开发者支持计划等。 当前，人工智能正走进千行百业，对于开发者而言，开源的深度学习框架越来越成为更多开发者的重要工具，作为华为开源的全场景深度学习AI框架，昇思MindSpore旨在实现易开发、高效执行、全场景覆盖三大目标，着重提升易用性并降低AI开发者的开发门槛，非常适合高校开发者学习使用，那么昇思MindSpore到底在哪些领域实现了哪些新应用呢？ 《面向科学任务的图神经网络设计》是**黄文炳老师**分享的主题，也是本次活动的特邀嘉宾，黄老师是中国人民大学高瓴人工智能学院助理教授、博导，曾在清华大学产业研究院担任助理研究员，分享中给大家带来基于昇思MindSpore的科研项目案例--关于GNNforScience的三个子问题：药物分子设计、蛋白质动力学模拟、复杂物体的物理交互模拟。 针对药物分子设计，提出了主子图principalsubgraph（PS）这一新颖概念，以捕捉分子中带有丰富信息的高频模式，继而通过一种基于合并-更新的算法自动地从数据集中抽取高频出现的PS，并作为子图库用于后续的分子图生成。针对蛋白质动力学模拟，首次提出了多层级等变图神经网络EGHN，其由等变池化E-Pool和等变去池化E-UnPool两个部分通过U-Net连接组成，分别负责信息从细粒度到粗粒度的聚合、从粗粒度到细粒度的分发。针对复杂物体物理交互，首次提出了“子等变”的概念，即把欧氏等变GNN放缩成，只服从由外部力场所诱导子群上的等变GNN，并给出表达能力的完备性证明。SubequivariantGNN很好拟合了现实物理世界因为外部力场（如重力）所造成的对称性破缺。黄老师细致的讲解引起现场同学的热烈讨论，分享完毕多名同学向老师请教提问，老师都一一进行了详细指导。 近年来量子信息技术受到国家和各个研究单位以及科技公司的广泛关注。其中，量子计算被认为是未来具有颠覆性影响的新型计算模式之一。MindSpore Quantum是基于昇思MindSpore开源深度学习框架开发的新一代通用量子计算框架，聚焦于NISQ阶段的算法实现与落地。 结合HiQ高性能量子计算模拟器和昇思MindSpore并行自动微分能力，MindSpore Quantum有着极简的开发模式和极致的性能体验，能够高效处理量子机器学习、量子化学模拟和量子组合优化等问题，为广大科研人员、老师和学生提供快速设计和验证量子算法的高效平台，让量子计算触手可及。 **昇思MindSpore Quantum架构师，清华大学物理学博士徐旭升**带来MindSpore Quantum量子计算编程与实践分享，从量子计算基础开始引入，介绍MindSpore Quantum量子计算框架，并基于MindSpore Quantum进行量子线路搭建的编程实践。 清华学子的学习热情非常高，现场同学反馈到：“本次讲座不仅让大家了解量子计算的基础知识，接触最前沿的量子计算开源框架，也能实际感受现场编程的效果，还了解到更多的开源生态活动，学-练-赛相结合。”学生们也都纷纷加入讨论群，积极讨论和互动。希望通过华为智能基座高校行，让更多人了解和体验开源量子计算框架MindSpore Quantum以及量子计算的神奇魅力！ **清华大学团委副书记王展硕**在活动现场表示，当前全球范围内新一轮科技革命和产业变革对工程科技人才的培养提出了新要求，华为公司在这一背景下与教育部协同共建“智能基座”产教融合协同育人基地，充分体现了新时代科技人才培养的华为担当。 清华大学与华为公司在课程教学、实践创新等多个维度进行合作。在华为公司提供的技术指导下，清华大学学生科技兴趣团队完成多个创新项目，取得卓越成果。清华大学计算机系与华为公司自2020年12月签署“智能基座”产教融合协同育人基地协议以来，双方在课程建设等多方面建立深入合作，通过教学改革和课程优化促进产教融合，实现了产学研合作闭环。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1951/ --- 新闻 加入社区 | 东云睿连加入昇思MindSpore开源社区，共建AI开源生态 # 加入社区 | 东云睿连加入昇思MindSpore开源社区，共建AI开源生态 2022/11/15 # 加入社区 | 东云睿连加入昇思MindSpore开源社区，共建AI开源生态 近日，**东云睿连（武汉）计算技术有限公司签署CCLA（Corporate Contributor License Agreement，企业贡献者许可协议书），正式加入昇思MindSpore开源社区。** **东云睿连&昇思MindSpore** 东云睿连（武汉）计算技术有限公司基于昇思MindSpore打造的**OMVision智能视觉分析平台**，融合了人工智能、物联网、大数据、云计算等技术，通过智慧摄像头设备全方位、全时段地获取高清监控画面并实时传输至平台，平台利用AI智能分析，快速识别出电鱼、炸鱼等非法捕鱼行为，及时生成预警信息，第一时间共享至相关部门并调度管辖人员前往执法。平台同时支持管理者安排及跟踪巡查任务，以及公众扫码举报等功能。 该平台利用物联网多维感知、人工智能、边缘计算等最新科学技术，助力管理部门打出“技防+人防”组合拳，实现了实时监控、智能预警、喊话驱离、执法调度、视频取证、巡查派发等8大业务应用，对32.6公里长江段的完成了全景覆盖和全天候防控。**有效打击违法捕捞行为，切实推动保护长江流域水生生物资源，修复长江流域生态环境，加强生态文明建设等工作。** 东云睿连加入社区后，将进一步繁荣昇思生态，深化双方社区项目合作，基于昇思MindSpore全场景AI框架打造创新性产品及多种行业智能解决方案。 未来，东云睿连期望以MindSpore作为基础，与更多的昇思社区伙伴一起，开发多种人工智能算法模型，通过更专业、更高效地合作共同推进行业应用落地，构建繁荣的人工智能产业生态圈。 东云睿连（武汉）计算技术有限公司 东云睿连（武汉）计算技术有限公司（简称“东云睿连”），是一家旨在打造云计算尖端技术、核心系统及杀手锏应用的创新型高科技公司，致力于让云计算迈进高效率、超性能及智能化的时代。公司由北京东方国信科技股份有限公司（股票代码300166）和武汉乾云软件开发中心（有限合伙）共同出资成立，公司核心技术团队由来自科研院所及知名企业的资深技术专家组成。 东云睿连的产品涉及云计算、大数据和人工智能领域的系统平台软件与应用，以及高性能加速技术与核心算法。公司的使命是通过自主研发尖端科技，为客户构建差异化竞争力，推动新一代云计算技术及服务的落地。 我们诚邀各企业、高校及科研院所加入昇思MindSpore开源社区，成为社区合作伙伴，与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态。 更多合作需求 请扫码添加企业助手进行咨询 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1952/ --- 新闻 “智能基座昇腾高校行”走进北京大学，全方位介绍昇思MindSpore Quantum量子计算框架，让量子计算触手可及 # “智能基座昇腾高校行”走进北京大学，全方位介绍昇思MindSpore Quantum量子计算框架，让量子计算触手可及 2022/11/15 # “智能基座昇腾高校行”走进北京大学，全方位介绍昇思MindSpore Quantum量子计算框架，让量子计算触手可及 **智能基座昇腾高校行** **2022年11月9日，由华为技术有限公司主办，北京大学信息科学技术学院学生科学技术协会协办的华为全联接大会2022“智能基座”昇腾高校行·北京大学专场活动成功举办。** 北京大学信息科学技术学院团委书记吕媛、华为高校与科研人才发展总监刘丽琼、北京昇腾人工智能生态创新中心CTO杨光、昇思MindSpore Quantum架构师、清华大学物理学博士徐旭升出席本次活动。通过活动中的主题演讲、经验分享、实践教学等多个环节，帮助高校师生开发者快速了解人工智能领域的前沿技术。 作为院校代表，**北京大学信息科学技术学院团委书记吕媛**在致辞中表示，多年来，华为都是北大就业学生的最大雇主，北大也是华为招聘的重点高校。双方的紧密合作为人才的培养与未来发展，提供了很大的帮助。信息化时代，希望华为与北大能够在未来共同打造信息学科人才的培养高地，通过建立校企联接，让学生更多地了解外部市场、技术发展，传递更多的发展信号。在华为布道师的言传身教中，共同推动智能产业发展。 二十大报告提出，要“统筹职业教育、高等教育、继续教育协同创新，推进职普融通、产教融合、科教融汇”。 作为一直致力于联合高校培养IT人才的代表性企业，**北京昇腾人工智能生态创新中心首席技术官杨光**在《智能未来·昇腾万里》主题演讲中，向北京大学的师生们讲解了当前人工智能的发展趋势、技术革新潮流，以及华为昇腾构建的“学、练、训、赛”全生命周期开发者成长计划。 杨光表示，“人工智能发展已从局部探索走向千行百业，从“大模型”走向“超大模型”，全球主流科技公司都在战略投入AI，AI人才将成为最贵的人才，而北京大学已成为计算机人才培养的关键阵地”。 基于昇腾AI，北京大学与华为合作开发的新一代分子动力学模拟软件SPONGE在近日成功发布，并将其植入全场景AI框架昇思MindSpore，让该框架同时具备AI能力和传统分子模拟能力。作为华为开源的全场景深度学习AI框架，昇思MindSpore旨在实现易开发、高效执行、全场景覆盖三大目标，着重提升易用性并降低AI开发者的开发门槛，非常适合高校开发者学习使用。 **北京大学信息科学技术学院学生科学技术协会主席陈天朗**在主题分享中，对北京大学“华为杯”首届“新工科”创新大赛进行了总结，并提到本次大赛作为北京大学贯彻实践育人工作和推动产学研深度融合的重要平台，充分展现了当代北大学子的创新精神、人文情怀和新发展理念，对助力我国信息科学领域的基础性和应用性技术突破、加速优化完善产业链生态布局、推动信息科学技术在关键行业的应用落地具有积极意义。 近年来量子计算领域已经受到国家和各个研究单位以及科技公司的广泛关注。量子计算被认为是未来具有颠覆性影响的新型计算模式之一。MindSpore Quantum是基于昇思MindSpore开源深度学习框架开发的新一代通用量子计算框架，聚焦于NISQ阶段的算法实现与落地。 结合HiQ高性能量子计算模拟器和昇思MindSpore并行自动微分的能力，MindSpore Quantum能够高效处理量子机器学习、量子化学模拟和量子组合优化等问题，可作为广大的科研人员、老师和学生提供快速设计和验证量子算法的高效平台，具备极简的开发模式和极致的性能体验，让量子计算触手可及。 本次活动现场，**昇思MindSpore Quantum架构师、清华大学物理学博士徐旭升**，为北大学生分享“MindSpore Quantum量子计算编程与实践”，从量子计算基础开始引入，向学生们介绍了量子计算的基本概念、理论，以及MindSpore Quantum量子计算框架，并基于MindSpore Quantum进行了量子线路搭建的编程实践。讲师对每个知识点都做了通俗易懂的讲解，学练相结合，让同学们现场感受到量子计算的神奇魅力。希望MindSpore Quantum能够成为同学们了解量子计算的一扇门，为开发者提供良好的编程体验，推动产业应用落地深根。 人工智能的发展，需要数字化人才的助力。数字时代的人才培养，既需要基础理论灌溉，又需要对接产业界科技发展趋势与市场需求，多方协同、优势互补、构建良性的人才生态与培养体系，激发基础教育与产业的持续活力。 华为全联接大会2022期间，**华为轮值董事长胡厚崑**表示，华为公司已经和教育部合作，推动“智能基座”项目，在未来的五年时间内，将与各高校联合培育高达300万数字化计算人才。“智能基座昇腾高校行”走进学校，通过华为研发专家的讲解，激发学生兴趣，让学生更加了解AI，为国家人工智能发展蓝图培养更多懂人工智能、用昇腾的开发人才埋下了一颗希望的种子。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1954/ --- 新闻 基于昇思MindSpore丨超体科技地表特定建筑物智能识别系统，赋能基础设施建设数字化升级！ # 基于昇思MindSpore丨超体科技地表特定建筑物智能识别系统，赋能基础设施建设数字化升级！ 2022/11/16 # 基于昇思MindSpore丨超体科技地表特定建筑物智能识别系统，赋能基础设施建设数字化升级！ \*\*2022年8月，\*\*在重庆人工智能创新中心的支持下，\*\*重庆超体科技有限公司（简称“超体科技”）的地表特定建筑物智能识别系统完成了与全场景AI框架昇思MindSpore的兼容性测试，\*\*并获得由华为颁发的技术认证书。 十四五规划重点提及了“两新一重”，即加强新型基础设施建设，加强新型城镇化建设，加强交通、水利等重大工程建设，意味着相关技术支持和投资支持将持续加大力度。**管道铺设作为基础设施建设的重要一环**，在选址时须避开飞机场、火车站、海（河）港码头、学校等有地表建筑物的地方。当前普遍采用人工标注地图的方式，工作量大，过程机械重复，且标注范围较为粗放。 超体科技地表特定建筑物智能识别系统，\*\*基于全场景AI框架昇思MindSpore，结合Atlas系列硬件，通过深度学习卫星地图，实现对地表建筑物的智能识别和标注，\*\*为管道铺设选址提供极大帮助。 例如，人工标注2000平方公里的地面建筑物大约需要**150人天**，而使用超体科技地表特定建筑物智能识别系统识别仅需**8小时**，标注效率更高，且识别精度准确率可保持在90%以上，能将工作人员从机械的标注工作中解放出来，专注于项目本身。 \*\*AI改变世界，昇腾正改变AI。\*\*昇腾将持续携手伙伴实现AI技术和行业场景深度融合，改变AI的发展模式，让产业有根基；改变AI的获取模式，让普惠有保障；改变AI的创新模式，让应用有规模；让人工智能技术真正走入千行百业。 关于超体科技 重庆超体科技有限公司成立于2015年，专注于数字孪生，人工智能技术研发，获得国家高新技术企业、专精特新企业、CMMI3级、双软认证企业等企业认证。公司研发基于数字孪生智能体（超体）的模型仿真，智能预测，智能控制的基础产品，同时提供基于云原生技术的智能商业分析机器人（AI+BI）、智能流程自动化机器人（AI+RPA）等以智能服务为核心的SAAS、PAAS，MAAS平台及相关一体化解决方案。公司致力于成为数字物流和数字能源的人工智能领先服务提供商。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1956/ --- 新闻 MindSpore社区开发者斩获第五届中国软件开源创新大赛多项大奖 # MindSpore社区开发者斩获第五届中国软件开源创新大赛多项大奖 2022/11/16 # MindSpore社区开发者斩获第五届中国软件开源创新大赛多项大奖 **2022年10月30日，由国家自然科学基金委信息学部作为指导单位，中国计算机学会主办，清华大学、绿色计算产业联盟和CCF开源发展委员会共同承办的第五届中国软件开源创新大赛顺利落下帷幕。** 本次大赛旨在响应国家政策，更好地激发开源创新活力，培养开源软件人才，助中国开源生态建设。由MindSpore社区开发者组成的15支入围总决赛的队伍取得优异成绩，最终获得**一等奖1名，二等奖4名，三等奖5名，优秀奖5名**。 第五届开源创新大赛共设计四个赛道、十三项赛事，作品提交截止日为10月18日，本次大赛共吸引了来自全国1134所高校的23972人报名参赛，经过半年多的角逐，每个赛道均有千余个作品参赛，报名人数、参赛规模和作品数量与质量均创历届新高。开源项目贡献赛道是2022年新增加的赛道，相比其他三个老赛道，难度最大，要求最高，也是参赛人数最多（9469人），奖金最多（103万）的赛道。本次MindSpore社区的开发者参加了开源项目贡献和开源代码评注两大赛道。 MindSpore社区的开发者们在其指导老师的支持帮助下，先后组建队伍完成并进入紧张的开发实践，经过选题、工具选择、技术路线确定、方案优化、多次迭代、开发测试与试用等环节，在截止日之前成功提交，每队都提交了精心设计的带有大赛Logo的技术报告，获奖队伍选题都新颖实用，技术先进可行，赢得了评审专家一致好评。 2021 年，开源首次被列入“十四五”规划，《“十四五”软件和信息技术服务业发展规划》提出培育重点开源项目，建设优秀开源社区，提升开源治理能力，《“十四五”数字经济发展规划》提出支持具有自主核心技术的开源社区、开源平台、开源项目发展。 为深入落实十四五规划，加快构建开源生态繁荣，昇思MindSpore先后通过构筑特别兴趣组（Special Interest Group，简称SIG）、技术治理委员会（Technical Steering Committee，简称TSC）和学习小组（MindSpore Study Group，简称MSG）等社区组织，提供一个让开发者可以充分进行技术研讨、案例分享、互相交流的开源社区！同时不定期开展开源系列活动，普及开源文化，汇聚优秀开源人才，构建人工智能软硬件应用生态繁荣发展。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1957/ --- 新闻 重磅！Canonical加入MindSpore社区，带来首个预集成国内AI开源框架的Charmed Kubeflow新版本 # 重磅！Canonical加入MindSpore社区，带来首个预集成国内AI开源框架的Charmed Kubeflow新版本 2022/11/17 # 重磅！Canonical加入MindSpore社区，带来首个预集成国内AI开源框架的Charmed Kubeflow新版本 \*\*2022年11月8日至9日，Open Source Experience(OSXP 2022)大会在法国巴黎拉开了帷幕。\*\*OSXP是欧洲开源软件行业的年度重要会议, 汇集4500多名专业人士，本次会议深入探讨了AI/ML、数字孪生和区块链等主题。 大会期间作为著名Linux发行版Ubuntu的发行商Canonical，发布了其名下Kubeflow企业版端到端MLOps平台**Charmed Kubeflow的1.6新版本，正式支持开源深度学习框架昇思MindSpore，并签署CCLA协议**，加入昇思MindSpore社区。这意味着昇思MindSpore全球化拓展的新里程碑，同时也显示出Charmed Kubeflow生态圈的持续成长与成熟。 Canonical公司由企业家马克·沙特尔沃思创建，支持并创建了开源软件（FOSS）和一些旨在改善自由软件开发者和贡献者的工具，其最知名的产品为Linux发行版Ubuntu，为开源社区的发展发挥了重要作用。Canonical的使命是“让开源软件可供各个地方的人使用。我们认为，促进创新的最佳之道就是为创新者提供他们所需的技术。” 昇思MindSpore是华为开源的新一代全场景AI框架，支持端、边、云全场景灵活部署，开创全新的AI编程范式，降低AI开发门槛，旨在实现开发友好、运行高效、部署灵活三大目标，同时着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 **何为Charmed Kubeflow？** 企业级端到端MLOps平台Charmed Kubeflow可以将数据科学工作流中的各个步骤转换成Kubernetes任务。Charmed Kubeflow是Kubeflow上游项目的官方发行版，为数据科学家和机器学习工程师提供简单、轻便、可扩展的机器学习Deployment。 提供构成KubeFlow最新版本的30多个应用程序和服务，并且让Kubeflow的部署更快，更简单。Charmed Kubeflow应用广泛，如使用Notebooks进行实验、利用Kubeflow流水线进行训练以及使用Katib进行调优。 **为何选择MindSpore?** Kubeflow与MindSpore的原生集成为模型开发、执行和部署提供统一接口以及端到端AI能力。MindSpore提供AI原生执行模式，帮助Kubeflow充分利用昇腾AI硬件算力。 MindSpore针对华为昇腾/GPU/CPU等硬件进行深度优化，支持云上、边缘和移动场景的快速部署，工程师可针对不同应用场景开发多种不同方案。MindSpore在基于Web的交互式计算平台Jupyter Notebook上运行。在创建Notebook时，工程师可从默认的Jupyter Lab镜像列表中选择MindSpore镜像，分配一定的CPU资源，启动一个可以运行MindSpore及MindSpore Vision套件代码的Notebook实例，进行机器学习实验。 通过与MindSpore的原生集成和与华为在开源项目上的合作，Canonical为其MLOps生态系统提供了越来越丰富的工具集。Charmed Kubeflow集成多种AI/ML工具，包括提供中央模型注册表的MLFlow以及方便数据流处理的Spark。而与MindSpore的集成则能提供统一编程、统一算子、模型自动分区以及动静态计算图等多种方案特性。 **如何在Kubeflow上使用MindSpore?** **1、安装配置Charmed Kubeflow** 安装Charmed Kubeflow需用到Ubuntu 20.04或更高版本的系统，要求至少32G可用内存以及50G硬盘空间。部署过程中，同时安装MicroK8s和Juju。当Charmed Kubeflow部署完成，所有Kubeflow组件激活后，执行以下命令升级jupyter-ui为最新版本，以获得MindSpore Notebook镜像。 `juju refresh jupyter-ui --channel=latest/edge` Kubeflow安装后，执行以下命令进行配置。 配置接入地址： `Juju config dex-auth public-url=http://xxx.xxx.xxx..xxx.nip.io juju config oidc-gatekeeper public url=http://xxx.xxx.xxx..xxx.nip.io` 配置接入Kubeflow的用户名及密码： `juju config dex-auth static-username=admin juju config dex-auth static-password=****` 登录http://xxx.xxx.xxx..xxx.nip.io，输入设置的密码接入完整的Kubeflow 仪表盘(Dashboard)。 \*\*2、\*\***新建MicroK8s集群** 由于Charmed Kubeflow只能部署在x86环境，集成MindSpore的Charmed Kubeflow需要一个包含两个节点的Kubernetes集群：x86节点用来部署Charmed Kubeflow, ARM节点（最好带有Ascend AI处理器）用来调动工作节点。（本节所述步骤为MicroK8s独有。） x86节点作为主节点使用，支持Charmed Kubeflow Deployment和Kubernetes控制面；ARM节点作为备节点使用，支持工作节点调度。 在主备节点上安装 MicroK8s 1.22。 `sudo snap install microk8s --channel 1.22/stable –classic` 添加备节点至Kubernetes集群中，在主节点上执行如下命令： `microk8s add-node` 注：会返回部分连接指令。在目标集群的MicroK8s实例上执行这些指令，无须在执行add-node命令的节点上执行。执行microk8s kubectl get no查询最近添加的节点。详细信息参见“添加节点”。 给备节点打上标签，在主节点上执行如下命令： `microk8s kubectl label nodes kubernetes.io/arch=arm64` **3、 运行MindSpore支持的Notebook** 在Charmed Kubeflow中接入MindSpore，需使用本机激活的Notebook。在Charmed Kubeflow仪表盘上的Notebook列表中，选择“创建Notebook”（Create Notebook）,输入Notebook名称“MindSpore”,镜像选择“jupyterlab”，在列表中选择“mindspore/jupyter-mindspore”，分配合适的CPU和内容资源，最后点击“创建”（Create）。 在Notebook界面，很快就能看到创建完成的提示。 点击“连接”（Connect），在另一个浏览器tab页面打开Notebook。这里我们可以使用MindSpore官网提供的Notebook来上传手写数字识别Notebook。 点击“执行”（Execute）, 这个Notebook就能直接运行，不用额外去安装MindSpore及Vision套件。 一旦MindSpore镜像在你所创建的Charmed Kubeflow Notebook中激活，便能开启AI/ML项目啦！MindSpore支持多种用例，计算机视觉会是个不错的选择。 **生态合作** 2022年11月，**Canonical Limited 签署CCLA（Corporate Contributor License Agreement，企业贡献者许可协议书），正式加入昇思MindSpore开源社区。** 未来，Canonical 将进一步繁荣昇思生态，深化双方社区项目合作，共同推动开源生态发展，构建繁荣的人工智能产业生态圈。 **参考链接** \[1\]https://ubuntu.com/blog/open-source-mlops-ai-framework \[2\]Hand's on guide： https://ubuntu.com/blog/kubeflow-mindspore-integration-guide \[3\]Tutorial: https://charmed-kubeflow.io/docs/mindspore \[4\]https://zhuanlan.zhihu.com/p/568398333 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1958/ --- 新闻 加入社区 | 品览加入昇思MindSpore开源社区，打造新一代AI智能建筑设计平台 # 加入社区 | 品览加入昇思MindSpore开源社区，打造新一代AI智能建筑设计平台 2022/11/17 # 加入社区 | 品览加入昇思MindSpore开源社区，打造新一代AI智能建筑设计平台 近日，**上海品览数据科技有限公司签署CCLA（Corporate Contributor License Agreement，企业贡献者许可协议书），正式加入昇思MindSpore开源社区。** **上海品览数据科技有限公司** 上海品览数据科技有限公司（以下简称“品览”），是建筑设计领域数智化综合解决方案提供商。 品览致力于利用AI技术赋能建筑设计全生命周期，综合运用AI人工智能、云BIM、知识库等多项技术，重塑设计生产及管理工具，持续推动设计企业高质量发展。 品览探索研发了智能设计平台、智能设计管理平台、设计知识沉淀平台、装配式装修一体化平台等多项行业解决方案，并与行业头部企业深度合作，共创医疗平面排布AI助手、酒店平面排布AI助手，全面赋能工程设计企业从设计、生产、施工、管理数智化转型进程。 **筑绘通（AlphaDraw）：新一代智能设计平台** 筑绘通（AlphaDraw）是面向建筑工程领域的新一代智能设计平台，提供建筑工程竖向交通详图AI设计助手，支持住宅、公建等多种复杂建筑类型中剪刀梯、敞开楼梯与封闭楼梯等多竖向交通类型。 它嵌入包含行业标准数据、规范要求、工程经验及常用做法的知识库，同时搭配强大的施工图绘图智能算法，可实现取值匹配、做法推荐、违规及冲突提示，有效避免合规风险。根据输入CAD文件，智能辅助设计师绘制竖向交通详图，并智能生成多方案比选，提升设计质量与灵活度，\*\*实现建筑工程竖向交通详图绘制10倍提效。\*\*平台支持云端设计操作，多人协同作业，可实现项目团队基于同一模型进行高效合作。 品览筑绘通 Day 1就采用了云原生的系统架构设计，从v0.1研发迭代到v0.4过程中，与华为云技术体系逐步深入融合。筑绘通云设计、算法、模型等服务均以实现CCE云原生弹性部署和调度。 目前该平台已在中国建筑西北设计研究院、上海联创设计、四川国恒建筑设计等超340家设计院推广试用，并广受好评！ **品览&昇思MindSpore** 2022年11月，品览正式加入昇思MindSpore开源社区。**通过AI赋能切实帮助设计企业实现建筑工程竖向交通详图绘制提质增效**\*\*。\*\* 品览加入昇思MindSpore开源社区后，将进一步加强与昇思生态的协作，持续提升算法准确率和性能，深化双方项目和技术合作，共同打造高效创新的下一代建筑工程设计智能解决方案和产品。 未来，品览将与更多的昇思伙伴一起共同推进行业应用落地，构建繁荣的人工智能产业生态圈。 我们诚邀各企业、高校及科研院所加入昇思MindSpore开源社区，成为社区合作伙伴，与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态。 更多合作需求 请扫码添加企业助手进行咨询 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1961/ --- 新闻 智能基座昇腾高校行 | 昇思MindSpore携手中国海洋大学共同培育高水准技术人才 # 智能基座昇腾高校行 | 昇思MindSpore携手中国海洋大学共同培育高水准技术人才 2022/11/11 # 智能基座昇腾高校行 | 昇思MindSpore携手中国海洋大学共同培育高水准技术人才 **智能基座昇腾高校行** 2022年11月7日-9日，以“释放数字生产力”为主题的华为全联接大会2022正式启幕，华为向产业界分享了数字时代的机遇、思考和实践，更同步举办了智能基座高校专场活动。 **11月9号，智能基座昇腾高校专场活动在中国海洋大学西海岸校区成功举行**，现场不仅有华为研发专家与同学们围绕昇腾产业现状进行交流，还通过全场景AI框架昇思MindSpore训练营以及基于昇思MindSpore开源深度学习框架开发的通用量子计算框架MindSpore Quantum训练营，锻炼了同学们的实践上手能力。 中国海洋大学是“985”+“211”双一流名校，也是“智能基座”产教融合协同育人基地。据悉，海洋大学信息科学与工程学院首批16名教师参与了“智能基座”项目22门联合课程的开发与教学，通过在共建课程中融入昇腾、鲲鹏、华为云等全栈知识体系，深化产教融合协作能力，强化新工科专业建设与课程优化。与此同时，华为与中国海洋大学还携手共建了智能高性能计算技术联合实验室，加速了科学研究和科研成果转化进程。 华为始终坚持“硬件开放、软件开源、使能伙伴、人才发展”的生态策略，聚焦昇腾AI基础软硬件平台，以根深促叶茂，与产业界“共建、共享、共赢”AI产业。 在活动现场，华为技术有限公司昇腾高校生态发展总监郝志宏从系列硬件、应用使能、行业应用、AI框架等维度展开介绍了昇腾全栈AI软硬件平台。他强调AI是计算产业全新的通用技术，而昇腾AI作为人工智能基础软硬件平台，不仅性能极致、简单易用，还面向伙伴开放硬件，同学们投身昇腾AI产业就是抓住了智能世界的未来。 按照惯例，智能基座昇腾高校行不仅有前沿的理论分享，还有“接地气”的上手实践。在活动现场，华为研发老师带领同学们进行了全场景AI框架昇思MindSpore的入门实战操作。 昇思MindSpore作为华为开源的全场景深度学习AI框架，旨在实现易开发、高效执行、全场景覆盖三大目标，老师从应用案例到生态发展等多个方面讲解全场景AI框架昇思MindSpore的优势，再通过创建网络模型、训练和推理教会同学们快速使用。实操过程中老师对每一个步骤都做了通俗易懂的讲解，同学们学习起来也是毫无压力，亲身感受到了全场景AI框架昇思MindSpore的便捷与魅力。 随后，昇思布道师何润洪带领同学们进行了MindSpore Quantum量子计算编程与实践体验。MindSpore Quantum是基于昇思MindSpore开源深度学习框架开发的新一代通用量子计算框架，聚焦于NISQ阶段的算法实现与落地。 本次讲座主要从量子计算基础开始引入，介绍MindSpore Quantum量子计算框架，并基于MindSpore Quantum进行量子线路搭建和量子卷积神经网络编程实践。布道师何润洪表示，量子计算就是以量子力学作为框架，发展出更强大的量子计算机器，让我们重新认识计算的意义。他也希望MindSpore Quantum能够成为同学们了解量子计算的一扇门，为开发者提供良好的编程体验，推动产业应用落地深根。 随着智能基座昇腾高校行中国海洋大学专场活动的圆满落幕，华为不仅将昇腾产业的前沿成果带入了校园，更用创新工具助力提升AI科教水平，形成理论与实践的协同共振。接下来，智能基座昇腾高校行还将“马不停蹄”前往更多高校，与更多学子共同绘制数字世界的美好蓝图。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1962/ --- 新闻 加入昇思MindSPONGE SIG，助力生物医药发展 # 加入昇思MindSPONGE SIG，助力生物医药发展 2022/11/11 # 加入昇思MindSPONGE SIG，助力生物医药发展 **01** **MindSpore SPONGE介绍** MindSpore SPONGE是基于昇思MindSpore面向计算生物领域的套件，涵盖药物研发全流程。MindSpore SPONGE中包含蛋白质结构预测工具MEGA-Protein，分子动力学模拟等多种常用功能。 **MEGA-Protein** MEGA-Protein包含MSA生成(MEGA-EvoGen)、蛋白质折叠训练推理流程(MEGA-Fold)、蛋白质结构打分(MEGA-Assessment)、蛋白质结构预测数据集PSP等关键技术，该工具提供了高精度高性能蛋白质结构和功能预测。 **1、MEGA-EvoGen** MEGA-EvoGen能够在MSA较少（few shot）甚至没有MSA（zero-shot，即单序列）的情况下，帮助MEGA-Fold/AlphaFold2等模型维持甚至提高推理精度，突破了在“孤儿序列”、高异变序列和人造蛋白等MSA匮乏场景下无法做出准确预测的限制，该方法获得了CAMEO-3D蛋白质结构预测赛道月榜第一。 **2、 MEGA-Fold** MEGA-Fold网络模型部分与AlphaFold2相同，在数据预处理的多序列对比环节采用了MMseqs2进行序列检索，相比于原版端到端速度提升2-3倍；同时借助内存复用大幅提升内存利用效率，同硬件条件下支持更长序列的推理。其中在Ascend 910 32G硬件下支持3072推理长度。 **3、MEGA-Assessment** MEGA-Assessment可以评价蛋白质结构每个残基的准确性以及残基-残基之间的距离误差，从而达到跨模型挑选蛋白质结构，并且在CAMEO-QE结构质量评估赛道取得月榜第一， 同时可以基于评价结果对蛋白结构作出进一步的优化。 **基于AI框架昇思MindSpore的MD模拟软件** 分子动力学模拟软件是一种根据分子力场所描述的势能函数模拟分子的微观运动，从而计算分子体系的物理和化学性质的科学计算工具，在化学、生物、物理、制药、材料、环境等领域有着广泛的应用。基于AI框架昇思MindSpore的MD模拟软件具备自动微分，支持不同硬件，端到端可微等优点。 **1、自动微分** 昇思MindSpore的“自动微分”功能，可以直接计算函数的导数，因此基于MindSpore编写分子力场只需编写势能函数的代码即可，原子受力即原子坐标对势能函数的负梯度可以直接通过“自动微分”计算，在很大程度上简化了MD模拟程序结构的复杂度。 **2、支持不同硬件** 昇思MindSpore能在CPU、GPU和华为自主研发的“昇腾”(Ascend)AI加速芯片上运行，程序只需修改一行代码便可移植到不同的硬件设备上。此外，华为昇思MindSpore还具备“自动并行”的能力，只需简单修改代码就能自动实现程序的并行化计算。 **3、端到端可微** 昇思MindSpore具备“高阶自动微分”的能力，可以自动求解函数的高阶导数。因此可以像运行AI优化算法那样，直接对MD模拟过程本身进行优化，从而获得理想的结果。这即是一种“元优化”(meta-optimization)过程。 在此背景下，昇思MindSpore SPONGE专项兴趣小组（简称：MindSPONGE SIG）正式成立，并面向开源社区招募志同道合的伙伴。 **02** **MindSPONGE SIG的使命** 本SIG着眼于MindSpore SPONGE，充分利用昇思MindSpore的优点，持续完善套件功能，拓展社区生态，为广大科研人员，老师和学生提供高效易用的AI计算生物软件的同时，为这个领域中，有着强大的能力或浓厚的兴趣的人们提供一个能够共同交流合作的平台。 **03** **MindSPONGE SIG工作计划** **套件功能完善：** MindSPONGE SIG致力于制药流程端到端全覆盖，将会以蛋白质-蛋白质相互作用，抗原抗体相互作用等多种功能的开发和完善。 小组老师将带领成员进行科技调研以及代码仓功能扩展，bug修复等工作。成员也可自由使用MindSpore SPONGE软件来进行自己的课题调研和开发。 **小组交流与课程：** 1、 每年小组都会组织一场大型活动与数场小型活动，且固定在每个季度组织一场校园行活动，面向广大开发者举行MindSpore SPONGE公开课程，与开发者共同学习交流。 2、 每年SIG会固定举办大型暑期学校活动，邀请组内的核心专家老师准备多个主题进行多天的授课，授课采用线上线下相结合的方式举行，面向全国的高校师生与开发者传授AI+科学计算领域知识。 3、 小组会在社区内发布开源实习任务以及众智任务，欢迎大家来认领。 **04** **MindSPONGE SIG构成** **小组领衔成员** **小组成员** 01、Maintainer：**Yahao Ding** 02、Maintainer：**Ningxi Ni** 03、Maintainer：**夏义杰** 04、Maintainer：**陈迪青** 05、Maintainer：**黄渝鹏** 06、Maintainer：**Mengyun Chen** 07、Maintainer：**Haotian Chu** 08、Maintainer：**Junbin Li** 09、Maintainer：**Chenghao Wang** 10、Maintainer：**Min Wang** 11、Maintainer：**Jialiang Yu** **05** **MindSPONGE SIG召唤你** 扫码加入MindSPONGE SIG交流群 昇思MindSpore开源社区算力使能，快来SIG申请你的专属算力 昇思MindSpore为推动SIG发展和开发者活跃，发布社区专属算力使能计划，面向SIG发放海量算力，免费领取。助力开发者了解和掌握全场景AI技术，支撑开发者实践和项目开发，助力开发者全面发展。 关于MindSpore SIG 昇思MindSpore社区欢迎业界专家、学术伙伴在社区成立特别兴趣小组（SIG），作为社区领域技术代言人，打造领域技术品牌，共建昇思MindSpore开源生态。 MindSpore SIG即MindSpore Special Interest Groups，即“昇思特别兴趣小组”，MindSpore社区成立个技术SIG的初衷是为该领域的专家、教授和学生提供一个开放交流的平台，通过会议分享、项目开发等活动促进技术交流、合作共赢，并使得SIG成员的影响力和技术能力得到提升，截止目前，MindSpore SIG共计成立20+。 如果你也想成立一个SIG 扫码添加小助手了解更多 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1963/ --- 新闻 智能基座昇腾高校专场 | 华为昇思MindSpore走进大连理工展示AI魅力 # 智能基座昇腾高校专场 | 华为昇思MindSpore走进大连理工展示AI魅力 2022/11/11 # 智能基座昇腾高校专场 | 华为昇思MindSpore走进大连理工展示AI魅力 为进一步强化高校师生，尤其是高校学生开发者与人工智能领域前沿技术之间的联系，\*\*11月9日，\*\***由华为技术有限公司主办，大连理工大学、大连人工智能生态创新中心协办的“华为全联接大会2022 智能基座昇腾高校专场大连理工大学”活动成功举办。** 本次活动由华为技术有限公司主办，大连理工大学、大连人工智能生态创新中心协办，大连理工大学教务处副处长夏远景老师、大连人工智能生态创新中心CTO殷正茜、大连理工大学软件学院博士刘元秋以及华为昇思MindSpore高级技术工程师李成等多名领导及嘉宾线上出席了本次活动。 会上，嘉宾就昇腾计算产业、全场景AI框架昇思MindSpore最新特性以及多场景下的实际应用进行了详细的介绍并与线上师生展开了热烈的探讨。 **大连理工大学教务处副处长夏远景老师**在开场致辞中表示：“人工智能已成为信息产业未来的主要前进方向之一。作为人工智能领域的领军企业，华为在算力、基础软件以及场景化应用等人工智能产业的关键环节均已完成了基于高度自研的深入布局，推动着人工智能领域高速前进。近年来，大连理工大学也在持续强化人工智能人才的培养，通过专业课程的设置以及与华为等人工智能领军企业展开校企合作的方式，培养更多有技术、能应用、懂行业的人工智能人才，为人工智能领域的发展贡献属于大连理工的力量。” 随后，**大连人工智能生态创新中心CTO殷正茜**带来了题为“智能未来·昇腾万里”的主题演讲，以大连人工智能生态创新中心为基底，就昇腾计算产业展开了详细的介绍。昇腾计算产业是基于昇腾系列处理器和基础软件构建的全栈AI计算基础设施、行业应用及服务，覆盖AI领域的全产业链。在政策的指导下，大连人工智能生态创新中心面向高校以及各类合作伙伴提供“公共算力服务”“应用创新孵化”“产业聚合发展”“科技创新及人才培养”四大平台服务，未来将在业务中进一步强化昇腾产业生态、产学研用相关理念并提供多项活动支持计划，进一步推动“产教学研用”的深度融合，帮助高校学生开发者投身到人工智能领域的浪潮中。 来自**大连理工大学软件学院的刘元秋博士**分享了基于MindSpore国产人工智能框架的课程实践和竞赛体验，通过对MindSpore基于图像描述生成的盲人辅助方案迁移实践的介绍以及对基于MindSpore的竞赛分享，用生动的方式讲解了MindSpore的场景化应用，为同学们开启了一扇了解、使用MindSpore的大门。 最后，在**华为昇思MindSpore高级技术工程师李成**的指导下，为同学们介绍并演示了如何在昇思MindSpore上利用AI生成一个动漫头像，趣味AI实操不仅拉近了学生与人工智能之间的距离，更进一步明确了学生的学习方向，提升了实操水平，激发同学们对AI的兴趣并引发更深层次的思考。 党的二十大报告明确指出，要推动战略性新兴产业，统合经济发展，构建新一代信息技术、人工智能等一批新的增长引擎，这为科技人才的培养指名了方向。未来，华为将进一步强化与高校之间的紧密合作，通过“产教学研用”的方式，培养更多人工智能领域的栋梁之材，为人工智能产业的发展注入全新的动力。 **MindSpore官方资料** **官方QQ群** : 486831414 **官网**：https://www.mindspore.cn/ **Gitee** : https : //gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/1970/ --- 新闻 华为全联接大会2022昇腾高校行“智能基座”九校联动共建数字人才生态 # 华为全联接大会2022昇腾高校行“智能基座”九校联动共建数字人才生态 2022/11/22 # 华为全联接大会2022昇腾高校行“智能基座”九校联动共建数字人才生态 **智能基座昇腾高校行** \*\*2022年11月7-9日，华为全联接大会2022线上线下联动举办。\*\*大会以“释放数字生产力”为主题，“华为开发者英雄汇”线上共赴昇腾开发者嘉年华，线下举办多场昇腾宠粉活动派发惊喜大奖，更有九校联动丰富活动，见证“众智合力，产教融合”的数字化人才生态路径，共建数字人才生态，共创数智未来。 行业数字化和智能化离不开繁荣的产业生态。“智能基座昇腾高校行”活动是基于华为与教育部“智能基座”产教融合协同育人基地项目开展的重要活动。活动旨在坚持\*\*“硬件开放、软件开源、使能伙伴、发展人才”\*\*的战略，围绕昇腾AI基础软硬件平台开展人工智能学科建设，通过昇腾AI等根技术发展培育高校开发者人才，为计算产业生态的发展提供充足技术人才储备。 昇腾高校行“智能基座”九校联动覆盖近千名师生，联动超20位资深布道师；成功组织近500名学生进行动手实战演练，快速成为昇腾AI开发者 截至目前，华为与教育部联合发起的“智能基座”项目，已经与全国72所高校合作。11月7日的华为全联接大会2022上，华为轮值董事长胡厚崑表示，“华为与高校合作，预计5年培养出300万计算人才”。通过加速人才培养，未来能够让数字人才供给源源不断。 为了贯彻落实华为的人才培养理念，践行人才发展计划，昇腾高校行走进九所“智能基座”产教融合育人基地示范院校，活动不仅有华为资深讲师与技术专家传道授业解惑，还通过昇腾AI开发者创享日、昇腾AI训练营、昇腾AI创新大赛开展昇腾AI理论学习和实战训练，助力广大学生开发者全面了解昇腾AI生态，熟练掌握昇腾AI技术。 对于开发者而言，开源的深度学习框架降低了AI开发的门槛，可极大节省成本与时间，是AI创新的重要推手。作为华为开源的全场景深度学习AI框架，昇思MindSpore旨在实现易开发、高效执行、全场景覆盖三大目标，着重提升易用性并降低AI开发者门槛，非常适合高校开发者学习并使用，也是众多开发者入行的首选框架。同时华为也正在着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 在清华大学、北京大学、山东大学、南京航空航天大学、中国海洋大学的联动活动中，华为昇思MindSpore布道师针对全场景AI框架昇思MindSpore进行了深度解析，从产业应用、科研创新到生态发展等多个方面，讲解了全场景AI框架昇思MindSpore的全面优势，还带领学生们基于MindSpore官网提供的“在线运行”工具体验实际操作，让学生们快速入门基于昇思MindSpore的AI开发，无需担心是否具备编程经验与AI背景知识，快速上手入门。通过理论讲解与实训，吸引了一批感兴趣的同学加入到昇思MindSpore开源社区中。 近年来，量子计算领域已经受到国家和各个研究单位以及科技公司的广泛关注，而MindSpore Quantum就是基于昇思MindSpore开源深度学习框架开发的新一代通用量子计算框架，聚焦于NISQ阶段的算法实现与落地。结合HiQ高性能量子计算模拟器和昇思MindSpore并行自动微分的能力，MindSpore Quantum能够高效处理量子机器学习、量子化学模拟和量子组合优化等问题，是为广大科研人员、老师和学生提供快速设计和验证量子算法的高效平台。 此次联动活动中，昇思MindSpore Quantum布道师为同学们介绍了MindSpore Quantum量子计算框架，并基于MindSpore Quantum进行量子线路搭建编程实践。讲师对每个知识点都做了通俗易懂的讲解，同学们的学习热情高涨。系列活动的开展旨在携手更多伙伴们共同构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 未来，华为昇腾AI将继续秉承开放共赢态度，积极拥抱所有高校开发者，助力高校开展教学改革，通过建设新课程，落实新实践，发展新模式，共建昇腾AI创新大家庭，推进计算产业人才发展。 面向开发者，昇腾AI构筑了完备的开发者成长体系，依托昇腾社区为开发者提供“学-练-训-赛”全周期成长路径，昇腾AI开发者创享日、昇腾AI创新大赛、昇腾AI训练营，登录昇腾社区https://www.hiascend.com/，了解更多精彩内容。 --- https://www.mindspore.cn/news/zh/1973/ --- 新闻 昇思MindSpore论坛迁移通知 # 昇思MindSpore论坛迁移通知 2022/12/01 # 昇思MindSpore论坛迁移通知 **尊敬的昇思MindSpore用户：** 感谢大家和MindSpore论坛的一路相伴，昇思MindSpore论坛将于2022年12月15日前迁移到新地址，届时此处论坛中的所以帖子将会被锁定，也不能发新帖子或评论，仅支持查看内容。欢迎大家到我们的新论坛中开启新的篇章。 昇思MindSpore新论坛地址：https://www.hiascend.com/forum/forum-0106101385921175002-1.html **解锁新论坛**：在新论坛中发帖需要大家先注册账号，建议大家新账号的昵称与老账号一致哦！欢迎大家多多提问和分享技术干货，感谢大家支持和谅解。 --- https://www.mindspore.cn/news/zh/1974/ --- 新闻 经验分享｜昇思MindSpore周旭林：首先学会像成功者那样自信 # 经验分享｜昇思MindSpore周旭林：首先学会像成功者那样自信 2022/11/28 # 经验分享｜昇思MindSpore周旭林：首先学会像成功者那样自信 **01、关于昇思MindSpore项目介绍\*\*\*\*项目名称** 昇思MindSpore CPU正向算子开发：SparseApplyProximalAdagrad（注：项目内容在开放申请阶段经过了社区调整，后续实际开发的算子为EditDistance，其它描述不变） **项目链接** https://summer-ospp.ac.cn/#/org/prodetail/221cb0310 **项目描述**算子开发流程：我的项目关于算子开发，交付目标是完成一个CPU正向算子。先来解释这些概念。 **_算子是什么_** 算子是什么？算子是深度学习框架的基本组件。一般AI模型由若干个计算模块（即网络中的block）组合而成，比如全连接层Dense、卷积层Conv、激活函数Relu就是计算模块，**模块的实现是通过调用封装好的算子来完成的。** 算子怎么分类？由于计算模块的数据处理对象一般为Tensor，而不同的后端硬件平台对Tensor的存储、处理和计算方式有所不同（如何基于GPU和Ascend等AI加速器的硬件特点对算子实现做特殊处理以使其执行速度更快，这是另一个有趣的话题）。MindSpore对 CPU、GPU 和 Ascend 等硬件平台都提供支持，因此根据算子所支持的不同设备的底层逻辑，可分为 **CPU 算子、GPU 算子和 Ascend 算子**。因为AI模型需要进行反向传播，所以有时需要定义一个新算子来履行原先算子的反向实现功能，因此就有**正向算子和反向算子**之分。 **_算子如何开发_** 算子开发本质上是打通算子在MindSpore中被调用的各个环节，这些环节可分为Python前端和C++后端两个部分。算子通过Python前端的接口被调用，并在具体硬件平台的后端实际执行。 算子如何被调用？MindSpore支持静态图模式，在该模式下AI模型的工作的会经过构图、图执行这些步骤：**首先**在前端构图环节，会将编写模型的 Python 语言中用到的算子接口API（比如mindspore.ops.Conv表示卷积模块）表达翻译为计算图（由计算模块共同组成的有向无环图）；**接下来**在图执行环节，每个计算模块所对应算子输入的 type 和 shape 才会被推导（即构图完成后才能拿到，这样处理是为了能在不考虑Tensor具体信息的情况下先对计算图做编译优化）；**最后**后端会根据图以及算子名称、输入输出个数和类型匹配具体平台的算子实现，并将执行结果返回到 Python 侧进行输出。 那么，算子如何开发？遵照算子被调用的逻辑，主要需要开发 Python 算子原语、C++侧输出推导文件和基于硬件平台的底层实现文件，具体来说： \*\*1.Python 算子原语开发：\*\*算子原语就是算子的前端接口 API，在 MindSpore 中用 Python 实现，是组成网络模型的基本单元，可以被运行在不同硬件平台上的算子共用。算子原语主要包括算子的名称、属性、输入输出名称、输出 shape 推理方法、输出 data type 推理方法等信息。在存在 C++侧输出推导文件时，Python 算子原语的开发意义主要在于定义名称和属性； \*\*2.C++侧输出推导文件开发：\*\*C++侧输出推导文件本质上是算子原语的 C++形式。由于算子属性的初始化已在 Python 算子原语中完成，因此 C++算子原语的主要功能是对输入数据的规范性进行校验，并推导算子输出的 data type 和 shape。这里其实可以将C++侧输出推导文件理解为算子前端，单独抽取出来并写成C++文件的意义主要是为了保证一般算子在推导时的高效。目前只有当遇到动态shape等特殊情况时，为了方便处理才会直接在Python算子原语中推导； \*\*3.CPU 底层实现文件开发：\*\*利用框架提供的 C++ API，结合算子具体特性实现算子内部计算逻辑，并在保证结果和精度达标的基础上尽量保证性能达到最优。这里的C++ API 除了经典的STL库以外，还包括MindSpore提供的辅助类和方法。 \*\*总的来说，\*\*算子这个组件在MindSpore框架中，分为了算子前端和算子后端：其中前端是算子接口 API，用于从抽象上指代某类算子并供用户调用；后端是对用户不可见的算子底层实现，随实际运行平台而不同。算子开发既要实现算子接口API（重点是实现其中的data type和shape的推导流程），也要完成后端底层实现。我当时修改并交付的代码包括以下文件，最终在Gitee中以PR的形式合入。 文件名 功能含义 修改描述 edit\_distance\_cpu\_kernel.cc EditDistance算子CPU底层实现的源文件 实现算子的底层逻辑，包括具体算法实现和新增数据类型支持 edit\_distance\_cpu\_kernel.h EditDistance算子CPU底层实现的头文件 定义算子的所用数据结构，实现对编辑距离的求解 edit\_distance.cc EditDistance算子C++侧推导文件 从type和shape等角度验证算子输入的规范性 array\_ops.py EditDistance算子Python前端接口 更新算子基本信息描述 **_算子如何验收_** 算子开发除了交付代码以外，为了方便验证和合入代码，还需要提交开发者自测交付件。交付件需要涵盖算子设计文档、算子自测用例、测试报告与执行结果等。这些交付件需要给华为的测试负责人验收，一般他们关心以下方面： \*\*1.算子文档是否规范？\*\*交付件需要证明该算子的文档齐全且为最新（比如，若打通了CPU平台上该算子的支持，就要更新官网上的适用平台说明）； \*\*2.代码交付是否完全合格？\*\*这里的合格除了接口规格要与友商保持一致以外，还需要保证结果在各种情况下都正确。为了证明这点，交付件中需要包括根据“算子自验报告”中的逐个细节（比如Tensor维度取从0维到7维的情况、输入数据类型不匹配的报错情况等）一一编写。算子自验报告需要面面俱到，当时的报告长得像是以下这样子。 因此，交付件需要清楚地涵盖到以上的内容。在我的交付件中，一级目录的文件和文件夹描述如下。 名称 类型 描述 doctest自验执行结果 截图 算子的文档规范验证结果 算子自验报告 Excel表格 自测数据的构造逻辑和覆盖内容 算子自验测试用例 由自测数据组成的代码库 包括20个自测数据和必要的测试脚本 EditDistance测试用例执行结果.docx 截图 算子通过自测数据的截图证明 EditDistance接入设计文档.doc Word文档 算子开发文档 其文件树结构如下所示。 **02、项目开发方案描述** **模型开发流程** ## 下面介绍我负责的项目内容和开发细节，内容组织遵循项目的开发思路。 ## **_开发思路_** ## 在了解了算子开发流程后，我遵循了以下流程进行开发前调研、开发中划分模块和开发后自测检验。 ## \*\*1.算子分析：\*\*了解算子的作用、适用范围和特性，关注算子的属性、输入和输出参数的shape和dtype等规格； \*\*2.接口实现：\*\*基于算子的功能设计面向用户的Python API接口，并按照指定文档格式添加算子的基本信息。由于MindSpore中已有EditDistance算子的Python接口，因此本次开发不涉及该部分； \*\*3.输入规范性检验：\*\*即实现C++侧推导文件。需要考虑包括算子名称、属性、输出shape、dtype推理函数等信息，并对不合理的输入抛出异常； \*\*4.实现基于特定平台的底层逻辑：\*\*在本项目中为基于CPU平台实现算子内部逻辑，主要包括“序列生成”、“序列比较”和“编辑距离求解”三个模块。其中，“序列生成”模块负责从所输入的稀疏矩阵中提取出需要计算编辑距离的序列；“序列比较”模块负责对所提取出的序列进行枚举和比较；比较后需要输出的结果通过调用“编辑距离求解”模块得到。 \*\*5.测试用例构建：\*\*测试用例包括UT测试用例和ST测试用例。前者需要附在Pull Request上面，在本项目中不涉及；后者无需跟开发代码一同上库，但是需要根据测试提供的模板编写用例，与标杆对比结果，并全量测试算子功能和异常场景。 _**算子分析与示例演示**_ 我的项目开发的算子对象是EditDistance算子，需要对标TensorFlow已有实现来完成交付。该算子的功能是计算两个序列的编辑距离。序列将作为输入以稀疏矩阵的形式给出。提一下这里涉及到的两个概念： **编辑距离**是是衡量两个字符串（序列）差异程度的量化标准。具体来说，给定当前字符串s和期望字符串t，并定义如下操作均为合法操作：（1）在s插入一个新字母；（2）在s中删除一个原有字母；（3）替换s中的任意一个字母为其它字母。则s和t的编辑距离，就是将s变成t的最小合法操作数。 **稀疏矩阵**是内部元素大部分都为无意义值的矩阵，它是相对于稠密矩阵而言的。在深度学习框架中，稠密矩阵一般用 Tensor 存储，因为 Tensor 是存储多维数组的理想数据结构；但是稀疏矩阵一般会采用特定的表示方法，即通过只存储在给定索引上有意义的元素值及其下标来表示一个矩阵。其中一种表示方法需要三个参数：indices、values 和 shape，其中： 1. indices 表示稀疏矩阵中所有有意义值各自所在的位置。它是一个 shape 为 \[N, R\] 的 Tensor，其中N表示稀疏矩阵中有意义值的个数，R表示该稀疏矩阵的维度； 2. values 表示稀疏矩阵中所有的有意义值。它是一个 shape 为\[N\]的 Tensor，用来给 indices 中的每个位置提供具体数值； 3. shape：表示该稀疏矩阵的维度。它是一个包含R个数的元组或 shape 为\[R\]的 Tensor。 现在，了解了算子作用后，\*\*我遇到的第一个挑战是这个算子的输入太多了，且序列之间比较的逻辑看起来不容易理解。\*\*贴一个该算子对参数和输入的具体规范感受下。 `normalize：bool类型参数，在EditDistance算子类初始化时传入。若为true，表示输出得到的编辑距离会被目标序列的长度normalize； hypothesis_indices ：Tensor类型输入，要求shape为[N,R]，其中N表示hypothesis中有意义的值的个数，R表示hypothesis的矩阵维度； hypothesis_values：Tensor类型输入，要求shape为[N]； hypothesis_shape：Tensor类型输入，要求shape为[R]； truth_indices：Tensor类型输入，要求shape为[M,R]，其中M表示truth中有意义的值的个数，R表示truth的矩阵维度，且该维度应与hypothesis的矩阵维度保持一致； truth_values：Tensor类型输入，要求shape为[M]； truth_shape ：Tensor类型输入，要求shape为[R]。 output：以Tensor形式返回的编辑距离，该Tensor的shape为R-1，为表示当前序列的稀疏矩阵和表示目标序列的稀疏矩阵在对应序列位置上的编辑距离。` 让我们通过手工计算求解基于这些输入的编辑距离。 hypothesis的稀疏矩阵维度为(2,1,1)，它实际上表示的是一个维度为(2,1)的序列矩阵，且序列中的元素个数不超过1。即位置在(0,0)的序列内容为\[1\]，位置在(1,0)的序列内容为\[2\]，为方便指代，可简记为： (0,0) = \[1\] (1,0) = \[2\] truth的稀疏矩阵维度为(2,2,2)，它实际上表示的是一个维度为(2,2)的序列矩阵，且序列中的元素个数不超过2。可简记为： (0,0) = \[\] (0,1) = \[1\] (1,0) = \[2, 3\] (1,1) = \[1\] 由于truth的序列矩阵相关维度包括了hypothesis的序列矩阵相关维度，因此在计算编辑距离之前，会自动将hypothesis的序列矩阵维度转化为与truth的一致，并将额外增加的位置对应的序列内容置为空。随后，比较序列矩阵中的每一个序列，具体来说： 1. 对于(0,0)位置：hypothesis的序列为 \[1\]，truth的序列为 \[\]，因此编辑距离为1；由于truch的序列长度为0，因此normalize后的编辑距离为inf； 2. 对于(0,1)位置：hypothesis的序列为 \[\]，truth的序列为 \[1\]，因此编辑距离为1；由于truch的序列长度为1，因此 normalize后的编辑距离为1； 3. 对于(1,0)位置：hypothesis的序列为 \[2\]，truth的序列为 \[2,3\]，因此编辑距离为1；由于truch的序列长度为2，因此normalize后的编辑距离为0.5； 4. 对于(1,1)位置：hypothesis的序列为 \[\]，truth的序列为 \[1\]，因此编辑距离为1；由于truch的序列长度为1，因此normalize后的编辑距离为1。 采用edit\_distance算子所得的结果如下。可以看出实际输出结果与上述推导的结果一致。 ### _**输入规范性检验**_ 在规范性检验里，\*\*我遇到了开发中的第二个挑战，即由于 EditDistance 算子的参数较多，对它们的规范性校验较为复杂，需要细心处理。\*\*这个过程既需要单独考虑每个参数的特定规格，又需要考虑不同参数之间的约束和联系（比如代表同一个稀疏矩阵的三个参数必须遵循稀疏矩阵的构造规范）。在Editdistance的开发中，依次通过如下检查步骤来完成算子输入的规范性检验，若其中一个不通过则抛出具体的报错异常： 1. 确认输入为六个参数； 2. 确认六个参数的 dtype 都为 Tensor； 3. 获取六个参数的 shape 并做检查。对于分别表示两个稀疏矩阵索引的两个参数，确认它们的秩为 2；对于其他四个参数，确认它们的秩为 1； 4. 确认表示稀疏矩阵索引和表示稀疏矩阵索引范围的两对参数，它们的维度数量一致； 5. 确认表示稀疏矩阵索引范围的两个参数的值保持一致或满足自动广播条件； 6. 确认六个参数的元素数据类型合法，其中表示稀疏矩阵索引的参数和表示稀疏矩阵索引范围的参数元素数据类型必须为 int64，表示稀疏矩阵值的一对参数元素数据类 型必须一致且在所支持的参数列表内。 ### _**序列生成**_ 序列生成负责基于输入的稀疏矩阵得到需要计算编辑距离的序列。\*\*该部分开发的难点在于无法直接参照TensorFlow源码的算子实现逻辑，这是我在开发中的遇到的第三个挑战，\*\*也是本项目的难点所在。 一般算子开发任务是对标友商中的已有实现的，这会给开发工作带来便利：因为已经有了现成的源码，只需要参考逻辑实现“本土化”移植到mindspore中就可以了。但是本次开发却行不通，这是因为在TensorFlow中，EditDistance算子的内部实现涉及将输入的三个Tensor转化为一个与其对应的稀疏矩阵，并使用稀疏矩阵的遍历方法来对矩阵进行处理，因此需要动用专门的SparseTensor数据结构完成稀疏矩阵的通用操作。但是MindSpore中没有此类数据结构（更具体地来说，是没有实现稀疏矩阵的顺序遍历方法），因此只好自行构造方案进行处理。 本次开发采用的方案基于朴素的枚举思路，方案伪代码如下。 其中，indices、values和shape三个输入参数共同表示一个稀疏矩阵，该稀疏矩阵可能存在部分有实际值的下标是落在输出矩阵的某一个特定下标output\_index对应的位置里面的，算法的目标就是对于特定的output\_index，将稀疏矩阵中所有落在该位置的有意义的值收集起来生成一个序列，以便后续进行比较。 当然在实际开发中，还需要考虑代码书写的规范性。比如两个不同数据类型变量的计算需要调用工具函数做显性类型转换，并判断生成序列的所在下标是否超出输出矩阵范围等，这里就不做详细讨论了。 ### _**序列比较**_ 在基于两个稀疏矩阵hypothesis和truth都生成了对应的序列后，需要通过序列比较模块，对位于同样输出下标的序列进行比较以计算编辑距离。这里遇到了第四个挑战：该模块尽管可以通过简单循环和嵌套判断直接实现，但是函数内环形复杂度就会过大导致无法通过门禁。这里的环形复杂度是一种程序逻辑复杂性的度量，程序中所包含的判断和循环语句越多，环形复杂度越大。 为了在保证功能的前提下精简算法，首先需要分类讨论序列比较的八种不同情况如下。 若采用直接的判断方法，则每种对应情况需要进行三次分支判断才能检索到。为了降低环形复杂度，修改思路是将部分判断“隐藏”在另一个函数里，通过两个函数合理分摊分支判断，这样就能避免某个函数的环形复杂度过大的情况。 注意到当且仅当 truth 序列为空且 normalize 参数为 true 时，需要根据 hypothesis 序列是否为空来判断是返回 inf 还是 0，而除了这种情况以外的情况都可以直接调用编辑距离求解函数求解。通过这种方式就可以将对序列是否为空的判断转移到求解函数中（求解函数会在下一节探讨），从而降低当前函数的环形复杂度。这个部分的码风长如下这样子。 `// calculate distance if (normalize_ && truth_seq_size == 0) { output_addr[output_index] = (hypothesis_seq_size != 0 ? std::numeric_limits::infinity() : static_cast(0)); continue; } auto cmp = std::equal_to(); size_t dis = LevenshteinDistance(truth_seq, hypothesis_seq, cmp); output_addr[output_index] = (normalize_ ? SizeToFloat(dis) / SizeToFloat(truth_seq_size) : SizeToFloat(dis)); }` ### _**编辑距离求解**_ 在完成序列生成和序列比较两个预处理步骤后，我们就把算子开发任务转换成了：给定两个已经从稀疏矩阵中单独抽离出来的纯粹的序列，求解它们的编辑距离。\*\*这是第五个挑战，难度等同于这道力扣题：\*\*力扣\_\[1\]\_。 可以用动态规划解决，动态转移方程为如下。 其中，dis(i, j)表示 s 的前缀子串 s\[0i\]与 t 的前缀子串 t\[0j\]的编辑距离，\[s\[i − 1\] ≠ t\[j − 1\]\] 表示若 s 的第 i 位字母与 t 的第 j 位字母不同，则该值为 1；否则为 0。最终 s 和 t 的编辑距离为dis(s. length, t. length)。 下面是这道力扣题的求解代码。 `class Solution { public: int minDistance(string word1, string word2) { vector> dis(word1.size()+1, vector(word2.size()+1,0)); int len1 = word1.size(); int len2 = word2.size(); for (int i=0;i<=len2;i++) dis[0][i]=i; for (int i=0;i<=len1;i++) dis[i][0]=i; for (int i=1;i<=len1;i++) for (int j=1;j<=len2;j++) { dis[i][j]=min({dis[i-1][j]+1,//删除word1的一个字母 dis[i][j-1]+1,//删除word2的一个字母，等价于增加 word1的一个字母 dis[i-1][j-1]+(word1[i-1]!=word2[j-1])}); //修改word1的一个字母。若该字母其实无需修改，则不增加合法操作数 } return dis[len1][len2]; } };` 下面是本次项目开发关于编辑距离求解部分的函数。 `template inline size_t LevenshteinDistance(const std::vector &s, const std::vector &t, const Cmp &cmp) { const size_t s_size = s.size(); const size_t t_size = t.size(); if (s_size == 0 || t_size == 0) { return std::max(s_size, t_size); } std::vector> dis(s_size + 1, std::vector(t_size + 1, 0)); for (size_t i = 0; i <= t_size; i++) dis[0][i] = i; for (size_t i = 0; i <= s_size; i++) dis[i][0] = i; for (size_t i = 1; i <= s_size; i++) for (size_t j = 1; j <= t_size; j++) { dis[i][j] = std::min({dis[i - 1][j] + 1, dis[i][j - 1] + 1, dis[i - 1][j - 1] + (cmp(s[i - 1], t[j - 1]) ? 0 : 1)}); } return dis[s_size][t_size]; }` 从上面两个代码片段可以看出：同样是封装成函数，实际开发场景与力扣模拟场景还是存在值得注意的区别。举例来说，需要用 C++ 的 template 机制实现以支持不同种类的数据类型，并且传入自定义比较类型 Cmp 实现 所传入的序列元素的对比；另外还要考虑到在 EditDistance 算子的使用场景中，大部分比较的两个序列中至少有一方的长度为 0，因此增加相应的特殊判断显得更有必要，同时也可以均摊上一节提到的环形复杂度。 项目开发完成后，就需要一一编写针对性测试用例进行验证。若多次测试无误，就可以将代码和交付件转交给测试人员验收，同时预告项目开发基本完成了。最后放上Editdistance的MindSpore官网链接\_\[2\]\_。 **03、随访** **参与开源之夏** \*\*ospp：\*\*请简单介绍一下自己和你的开源经历吧 \*\*xlinsist：\*\*我是来自暨南大学19级智能科学与技术专业的周旭林，\*\*我最开始投身开源的动机是希望能以更有效的方式接触和揭秘AI“黑盒”背后的技术。\*\*在日常专业课的学习中，老师会给我们讲授神经网络和深度学习模型的概念和原理，并提供机会让我们基于TensorFlow搭建模型进行实践。由于我时常好奇所用到的这些库的内部实现方式，因此经常会通过查阅技术博客采撷对这些细节的解读。这个习惯为我能“随机搜索”到开源项目提供了基础。 “梦开始的地方”是在今年初关注到的华为开源书籍《机器学习系统：设计与实现》。这本书讲述了 AI 模型以计算图的形式经过框架和编译器并最终得到部署的完整流程。由于彼时鲜有全面涉及相关内容的教材，我饶有兴趣地参与了这本书的内测阅读，提出了一些关于排版的建议和修订并最终在书籍检视活动中获了奖。这在给我带来成就感的同时也让我了解到了这样一种社区玩法，**即通过积极参与自己感兴趣的方向中正在开展的活动，能够让你保持对前沿资讯的关注并投入到有实际价值的事情中。** \*\*ospp：\*\*你是从什么渠道了解开源之夏的，为什么选择参与开源之夏？ \*\*\*\*xlinsist：\*\*\*\*由于书籍检视活动让我意犹未尽，于是我开始有意识地在网上寻找其它机会，就是在这个过程中我认识了开源之夏。事实上，好的开源平台自然会吸引开发者关注、参与并留下产出。开源之夏就是这样一个优秀的平台，它的开发流程、导师制度和奖励机制能够很好地激发我们参与其中的热情，因此我关注到了它。在翻看了前两届学生的活动记录和结项成果后，我当即认为这就是一个我可以争取的机会，因为**通过主动了解前辈们的开发心得和项目经验，我实际上是为自己确定了在项目开发中想成为的榜样，而榜样的树立可以为我带来无形的激励力量。** **参与开源社区** \*\*ospp：\*\*介绍一下你在开源之夏活动的项目吧,你是怎么从这么多项目中选中它的呢？ \*\*\*\*xlinsist：\*\*\*\*我选择的项目关于算子开发，交付目标是对标友商开发完成一个CPU算子并验证通过。这里的算子是深度学习框架的基本组件，深度学习模型中一个网络层的实现就是通过调用算子来完成的。挑中该项目主要出于两个考虑：首先，算子开发本质上是打通算子在MindSpore中被调用的各个环节，这些环节包括Python前端和C++后端两个部分，我认为理清算子开发流程对我接触MindSpore这个“黑盒”背后的技术会有很大帮助；再者，算子开发是一个通用的开发任务，它不要求开发者预先对框架的某一组件部分有较深的理解基础，但是需要有一定的源码理解和编程实现能力，可以参考友商框架的实现思路在MindSpore中完成逻辑开发。我相信当开发思路大致清楚后，这就不会是一个特别难上手的任务，因此我把它视为我在昇思MindSpore社区的“good-first-issue”，它是我上手MindSpore的一个很好的切入点。 \*\*ospp：\*\*在开展项目的过程中，涉及陌生的知识领域你是如何应对的？ \*\*\*\*xlinsist：\*\*\*\*开展项目对我来说是一个从0到1的过程。除了理清算子开发的完整流程，我还需要熟记目标算子的功能和参数，熟悉MindSpore的安装和使用，才可以开始编码开发。编码期间需要了解库函数的使用并遵循一定的编程规范，编码完成后也需要遵循验收标准提供交付件。这些过程看似繁琐，但都是项目开发的必经之路。**因此我不但需要适应它，还需要刻意将这些细节培养成自己的开发习惯。** 在这样的意识指导下，我会用一种“终局思维”去应对陌生的知识领域，即为了推进这个项目，我首先要走出当下因知识盲区而面临的困惑；为了解答这个困惑，我首先要弄清楚某个具体知识点的含义。这样就将当下遇到的大困惑转换成小困惑，大困难拆解成小困难，最后通过研读源码和求助社区和导师不重复也不遗漏地解决一个个小困难，最终就能解决问题。 \*\*ospp：\*\*项目进行中社区和导师给你带来了怎样的帮助？ \*\*\*\*xlinsist：\*\*\*\*在项目开发前后我幸运地得到了社区前辈们的支持，他们为我在开源社区中快速成长带来了很多帮助，对此我由衷表示感谢。 首先要感谢我的导师，他对我在开发过程中遇到的困惑和瓶颈都有问必答。每周我都会将当前工作进展汇总后发给他交流确认，在重要的开发阶段也会建立线上会议与他直接探讨。跟导师的及时交流让我在项目开展时逐渐建立起一种自信，即眼前项目最终一定能完成，因为我所遇到的流程性问题都能在他那寻求解答，而对于相对复杂的细节和程序性问题也能够找他磋商，这对项目进展起到了非常积极的推进作用。 然后也要感谢社区的算子测试负责人，他帮助我仔细检查了自测交付件的规范性，并在处理转测遇到的突发情况时提供了关键的设备资源和材料。在开发代码刚开始转测时，曾出现测试环境与本地环境不一致导致无法验证自测结果的问题。为了提高沟通效率，我在导师的帮助下直接单方面联系到他，他为我提供了众智服务器以保证源码编译验证的高效性，并及时地将测试结果发与我交流。这些验收反馈对保证交付质量具有重要意义。 最后还要感谢在社区和交流群中为我答疑解惑的前辈们。在最开始准备项目申请书的日子里，我曾参加华为SIG的内部交流会向前辈提出自己的疑问，也曾在交流群里向老师们寻求参考资料和学习建议，令我感激的是我每次都能得到他们热心且详细的答复，这对我在申请书的撰写和项目的学习上都带来了很大帮助。 \*\*ospp：\*\*通过参与这次开源之夏的活动，你对开源社区有什么新的理解和看法？你会怎么跟在校学生介绍或推荐开源社区？ \*\*\*\*xlinsist：\*\***开源本身就是一个很棒的想法。从宣传的角度来看，它为社区和外围开发者搭建起了交流的桥梁，这一方面可以提高社区的知名度，另一方面可以满足开源爱好者对关注前沿和参与其中的需求，是一个**“双赢”\*\*的策略；从运作的角度来看，吸引外部的开发者可以为社区输送有潜力的人才，改善人员结构，并带动社区的活跃氛围。 开源社区是一个宝贵的资源库。对于像我这样的在校学生来说，最初踏入开源社区仿佛打开新世界的大门，那里有大量深度和广度兼具的成功项目，它们会帮助你建立起你跟其它技术大佬的联系。\*\*在有这样丰富机会的环境下，你会自觉地去思考自己想要的是什么，而不是受限于自己在学校只接触过什么；你会开始跟随自己的兴趣去探索，而不是盲目跟随大家都在讨论的规划。\*\*你不需要顾虑自己以前没参与过类似项目，因为社区中有很多适合你的“good-first-issue”可以作为切入点；你不需要担心自己的水平有限，因为社区里总会有热心高手为你答疑解惑。**你要做的是“Fake it till you make it”，即先从“假装”自己就是以后也想成为的大佬中获得自信，像他们那样子参与其中，迈出第一步，直到真的能把这个事情办成。** 在校学生参与开源项目有许多好处。首先，它是项目导向的，即需要在规定时间内完成项目开发，但是整体节奏可以自行安排，这就为那些在学校尚有学习任务但是想体验\*\*“兼职实习”**的学生提供了机会。其次，由于项目的ddl和任务指标较为明确，这反而**有利于推动自己完成一些看似不可能的挑战。**再者，这样的一次项目经历会成为大学阶段的一个代表性成就，是**一个极佳的“面向简历学习”范例\*\*，即所学的内容和所做的事情刚好能成为自己简历上有价值的一笔，后续去面试时，就能有东西可以说。尽管对方不一定会关心你的项目细节，但是从你的申请书撰写、项目开发推进过程、项目难点解决方案中，也可以了解你的思考历程和行动方式，这会成为一个亮点。 **收获与寄语** \*\*ospp：\*\*这次的开源之夏你顺利完成并结项，有什么珍贵的经验可以分享给大家呢？ \*\*\*\*xlinsist：\*\*\*\*首先，**在开发前再怎么强调调研的重要性都不为过**。开源之夏会根据大家的项目申请书决定中选学生，因此我会建议参与开源之夏的学弟学妹们**提早决定和准备**自己的项目，做足充分的调研并将自己对项目的理解尽可能详细地呈现在申请书上。然后，在调研的过程中会涉猎到很多技术博客，有些博客的观点和细节可能让人“眼花缭乱”，这时切记不要迷信和盲从，而是回归自己的项目内容并诉诸实践。因为**当你决定承担起这个项目时，你就是这个项目的“专家”，你应该敢于让自己成为这方面的“权威”，并通过理性输出自己的见解来打动他人。** 在正式开发时，注意要\*\*跟导师主动沟通，做好及时反馈。\*\*这是因为一旦项目开始，没有人会清楚你目前的项目进展和细节，一般也不会直接打扰和过问，直到你能将自己的进展反馈出来，并主动讲述自己的情况。我在开始开发项目时，就跟导师约好我会于每周五晚上用几句话概括本周的工作和下周的安排，并将自己目前遇到的问题或觉得会有挑战性的地方备注在后面。这样的反馈沟通既是对导师的尊重，也表明自己正在把握着对项目的掌控感。 在任何时候，\*\*若需要资源和信息都可以跟社区多多求助。\*\*我在前面也提到过社区甚至为我提供了众智服务器验证本地环境，这意味着我不再需要在自己的轻薄本上编译一次就要挂一个晚上等待了:) 这极大提高了我的生产效率。另外在最后的转测阶段，为了合力定位问题，社区还提供了原有测试仓的部分关键用例供我进行本地检验，这就给任务的交付质量多带来了一层保障。 \*\*ospp：\*\*最后，有什么话想对准备参与开源之夏的学弟学妹们说的？ \*\*\*\*xlinsist：\*\*\*\*我曾经在项目申请书的结尾这样写道：“希望如有机会，我也能够成长为后续开源之夏活动的导师，以实际行动点亮开源计划中的一盏指明灯，为后辈们指引光明的道途。”我始终相信开源社区是一个注重传承的社区，既能承载过来人的经验，也能包容后浪们的智慧。我会继续以实际行动投入到开源社区的建设中，尽我所能给大家解答困惑。也希望大家在开展项目时，能够主动参与到开源社区中来，积极参与到大家的讨论中来。当我们的力量汇聚在了一起时，我们的光明就是黑夜中璀璨的星空。 \[1\]https://leetcode.cn/problems/edit-distance/ \[2\]https://www.mindspore.cn/docs/zh-CN/master/api\\\_python/ops/mindspore.ops.EditDistance.html --- https://www.mindspore.cn/news/zh/1977/ --- 新闻 重磅！第八届“互联网+”大赛产业赛道全国总决赛，昇思MindSpore开发者勇夺 “1金3银5铜”! # 重磅！第八届“互联网+”大赛产业赛道全国总决赛，昇思MindSpore开发者勇夺 “1金3银5铜”! 2022/11/29 # 重磅！第八届“互联网+”大赛产业赛道全国总决赛，昇思MindSpore开发者勇夺 “1金3银5铜”! **2022年11月10日-13日，****_第八届中国国际“互联网+”大学生创新创业大赛_****_总决赛_** **在线上举行**，1128支参赛队伍汇聚云端、隔空比拼。在本次比赛中，昇思MindSpore开发者们斩获佳绩，在互联网+大赛产业赛道中喜获**_1金 3银 5铜_** 的成绩！ **_中国国际“互联网+”大学生创新创业大赛_** 中国国际“互联网+”大学生创新创业大赛由教育部等十二部委和地方省级人民政府共同主办，今年已是第八届。大赛旨在落实党中央、国务院提出的“大众创业、万众创新”的重大部署，深入实施创新驱动发展战略，引领新时代高校人才培养范式深刻变革，推动形成新的人才培养观和新的质量观，推动赛事成果转化，促进“互联网+”新业态形成，服务经济提质增效升级，以创新引领创业、创业带动就业，推动高校毕业生更高质量创业就业。 本届大赛于2022年4月正式启动，报名参赛人数**_1450万_** 余人，参赛项目**_340万_** 余个，覆盖参赛国家和地区**_111_** 个，真正实现**_“百国千校万人”_** 参赛，获金奖比例近万分之一。 昇思MindSpore高度重视此次大赛，对参赛项目进行精准指导和培训，不断优化升级项目质量。昇思MindSpore社区开发者们克服种种困难，经历多轮路演、调整修改，全力以赴、不畏强敌、奋勇争先。经过激烈角逐，最终取得优异成绩。 党的二十大报告指出，要构建人工智能这一新的增长引擎。昇思MindSpore一直在加强开源生态建设，积极拥抱所有高校开发者，助力高校开展产教赛融合教学改革，共建AI创新大家庭，推进计算产业人才发展。相信不久的将来，会在更多赛场上看到昇思MindSpore社区开发者们利用所学专业知识，站上更高的舞台！ --- https://www.mindspore.cn/news/zh/1978/ --- 新闻 “互联网+”获奖项目专访 | 国内首个“智能3D医学影像平台”分享 # “互联网+”获奖项目专访 | 国内首个“智能3D医学影像平台”分享 2022/12/01 # “互联网+”获奖项目专访 | 国内首个“智能3D医学影像平台”分享 2022第八届中国国际“互联网+”大学生创新创业大赛 昇思MindSpore开发者勇夺"1金3银5铜" MindSpore特邀9个获奖团队分享项目经验 **PART ONE** **团队介绍** ****医工致行团队**** **1.项目成员** 齐思雨、王惠琳、陈云青、陈虹宇、陈诚、邹瀚影、王澜颖、刘琳琳、黄珩、柳佳琳、赵阳、胡秀军、朱嘉华、裴翠翠 **2.指导老师** 肖若秀 **3.学校** 北京科技大学 **4.团队简介** 在社会责任方面，团队为抗击疫情做出了卓越贡献，实现了新冠病毒感染肺的国际首次数字化三维重建，开发的AR远程指导系统在20余家抗疫一线医院应用，研究成果获《科学网》、《教育部官网》等多家媒体报道。同时，团队与医院多个科室展开合作，开发了一系列医学影像智能分析算法，为医生提供了上千例量化辅助诊疗方案。 **PART TWO** **项目访谈** **项目名称** 基于昇思MindSpore的智慧医疗创新解决方案 **获奖情况** 2022第八届中国“互联网+”大学生创新创业大赛 全国总决赛铜奖 **Q1** **为什么选择这个赛题？** 在当下，传统医疗领域存在着两大痛点问题。第一，目前医学影像主要是以切片的二维形式呈现，三维重建时需要有经验的医生一张张手工标注，费时费力，三维重建速度慢；第二对患者每次做完检查，人手一张塑料胶片，不仅尺寸大不易携带，且各医疗机构间信息不互认，患者跨院就诊需要重复拍片，造成极大的资源浪费。此外，对于医院来说，每次CT检查影像多达上千幅，传统胶片难以承载全面的影像信息，医院也难以保存日益膨胀的影像数据。这些问题深刻地制约着医学领域的发展与进步，解决他们势在必行，刻不容缓。 而昇思MindSpore框架可以实现易开发、高效执行、全场景覆盖三大目标，其中易开发表现为API友好、调试难度低，高效执行体现在计算效率、数据预处理效率和分布式训练效率三个方面，全场景则指框架同时支持云、边缘以及端侧场景，因此，我们选择了这个赛题。 **Q2** **请详细介绍一下参赛的项目。** 项目是在智慧医疗背景下，依托华为开源的新一代全场景AI框架昇思MindSpore和云端存储技术，建立的国内首个“智能3D医学影像平台”。平台主要由3D-PDF报告、移动端3D云模型和3D打印模型组成。 利用框架云边端协同训练优势，实现医学图像快速、精准三维重建，基于框架实现的病灶三维重建模型可以通过3D-PDF报告和3D打印模型的形式为患者提供服务。 其中3D-PDF报告节省了存储空间，且可通过手势实现交互操作、器官显隐和病灶测量，可有效提高医患沟通效率；产品移动端3D云模型将病灶三维影像存储至华为云端，通过二维码实时获取影像数据，从而打破传统影像信息孤岛，实现医学诊疗平台的创新应用。 截至目前团队已与全国二十余所三甲医院建立深入合作，发表学术论文40余篇，申报国家发明专利20余项，研发产品已成功辅助上千例手术。 **Q3** ****请****介绍一下项目核心创新点在哪？\*\*\*\* 当前三维重建速度慢、过度依赖硬件设备且交互不通畅。团队利用昇思框架的高性能计算优势以及MindConverter实现第三方框架模型迁移，提高数据训练分割速度，相较于其他框架对常用算子进行定制优化的方案更加灵活，更具扩展性。 对医院而言，如果能够把PACS系统中所有的影像资料都存储在一个虚拟平台上，不仅能够降低医院储存成本、提高医院信息化服务，而且能让不同医院、不同地区的的医生共享影像数据。对患者而言，方便患者管理自己的影像档案，还可远程授权医生阅片。 影像上云是大势所趋，医工致行发现了传统的PACS系统的短板，结合华为云存储优势，在医疗机构影像存储问题给出了解决方案。采用本地与云端一体的混合架构系统，把医学影像数据存储于云端，一次性解决解决存储扩容压力。 华为云存储具有海量、在线、灾备、安全防护等优势，能便捷、高效地解决现实就医过程中医院和患者的诸多难题。 同时，影像资料以数字化形式存于云端，患者通过手机进行二维码扫描，即可获取自己的影像信息，长久存储于云端，实现存储、调阅、下载。还可授权专家远程读片，解决疑难病症。 **Q\*\*\*\*4** **项目遇到的难点、痛点是如何解决的？** 便携性医疗影像平台首先遇到的困难是对便携性，准确度以及速度的要求，因此平台对所使用的影像分割技术提出了很高要求。在便携式医疗影像平台的产品研发过程中，团队使用了包含股骨、舟骨、肺部等多种区域的影像数据集，MindSpore框架具有高效处理的数据的pipeline，团队使用了MindRecord数据集格式，将自有数据集转换后，再通过MindDataset实现了高效的统一加载，为模型训练提供了良好的数据基础。在数据集基础上搭建了3D U-Net，U-Net++，V-Net等医学影像分割模型。 由于医学影像是3D结构，并且图像尺寸较大，采用传统框架，往往会存在训练速度慢，模型切换复杂等问题，借助MindSpore框架的数据并行、模型并行特点，将串行的训练方式转为并行方式，有效地解决了医学影像尺寸较大，训练缓慢的问题。 同时昇思MindSpore的前向自动微分与反向自动微分的特性帮助团队有效地减小了代码量，提高了易用性。最终团队基于昇思MindSpore搭建的深度学习网络能够很好地实现对目标医学影像的快速分割，准确率高并且易于部署，符合便携性医疗影像平台的设计原则。 平台当前面对的最大挑战是三维重构的算法依旧复杂，3D可视化图像的建立依赖电脑的运行性能，大量的数据让算法运行缓慢。所以为了优化用户的体验，同时也满足对成像精度的高要求，三维重构的算法对数据要求会非常高。然而当前市场上智能影像产品还只是作为第三类医疗器械，对产品的普及而言门槛较高。在这种情况下，数据的获取就成为发展的阻碍。如何组建一个拥有充足数据的数据库是挑战的一部分。 如果仅仅依靠用户反馈和使用数据的分析形成数据库，虽然能保证数据的真实性，但是也存在搜集成本过高、数据搜集难、样本数量少的缺点。高负担的数据部分也会导致高成本，这些最终会在产品价格上体现。 所以为了解决数据难题，我们确定了以技术成果带动数据分析的策略，开发新的方法提高数据利用率，通过对原有真实数据的学习和预测，通过计算机技术模拟出更多的使用数据。进一步利用计算机技术提高模拟数据的精确度，利用更多的有效数据针对三维重构进行优化是重中之重。 **Q5 请问你们\*\*\*\*项目未来的应用场景是如何的？** 我们的系统已经在北京市、湖北省和其他地区的众多医院中进行了试点工作，如中国人民解放军总医院、华中科技大学医学院附属武汉协和医院。 这些试点医院的临床应用实际使用体验反馈，充分证明了该系统在医患沟通，手术方案规划治疗等具有较大的实际使用价值。不仅可以减少不必要的影像资源浪费，降低伤口感染率，帮助患者了解病情，还能使年轻医护人员快速掌握临床技能、应对临床突发问题，利用便携式平台达到快速提升临床医护人员救治效能的目的，应用前景广阔。 **Q6 请\*\*\*\*说一说使用昇思MindSpore的体验。** 昇思MindSpore具有易上手，API简洁，高效执行等优点。团队在使用MindSpore框架过程中，充分意识到基于源码转换的自动微分机制的优越性，动态图与静态图之间的快捷切换，这是传统深度学习模型不具有的优势。 而在昇思MindSpore全场景AI框架1.6版本中提供的模型迁移工具MindConverter，可以帮助用户快速实现第三方框架主流模型的一键迁移，为团队代码转换带来了极大的便利。可以采用主流AI框架IR到昇思MindSpore IR的转换方案，使得转换后的模型可推理可重训，具有较好的模型脚本可读性。最后希望昇思MindSpore能够持续优化，越办越好。 **Q7** **在参与互联网+比赛中有什么收获和经验？** 参加竞赛后，我们成员们对自己从事研究的领域有了更多的了解。在竞赛过程中，为了解医疗领域的实际需求，负责人齐思雨同学带领团队深入医院进行调研，接触到了更多的医生和患者，强化了项目的社会意义和经济效益。 **PART THREE** **导师访谈** ****肖若秀**** \*\*肖若秀，\*\*北京科技大学计算机与通信工程学院副教授，”北科大-维卓“智能医学联合实验室主任，山东大学数学与应用专业学士，北京理工大学光学工程专业博士，清华大学生物医学工程博士后，斯坦福大学医学院访问学者。 主要研究方向是医学图像处理、计算机辅助诊疗。已发表SCI/EI学术论文40余篇，其中SCI一作/通信论文23篇，主编学术著作1部，参译著作1部，申报国家发明专利15项，已授权6项。 主持国家自然科学基金、北京市科委项目各1项，中国医学科学院中国健康长寿创新项目1项，中央高校基本科研业务项目3项，参与省部级以上项目10余项。 **Q1** **请老师谈谈陪伴学生参加本次比赛获得佳绩的心路历程。** 这次比赛，我感受到了我们每个学生的头脑中都有一块未开垦的领地，需要用**创新意识**去点燃兴趣、点燃梦想、点燃指挥、点燃对科技的渴望与追求，只有这样才能把创新思想落实是到实践中，促进科技的发展。 **Q2** **老师有什么想对自己学生说的？** 创新创业大赛贵在参与，通过参与大家都提高了自己的能力，丰富了自己的人生。努力出一点成果是值得庆贺的，没有获奖也要坦然面对。**改变思维方式、积极落地实践**，每个人都能成为领域的创造者和革新者。 看完上面的分享，相信屏幕前的小孢子们也一定收获满满吧！我们要在立足于自己的专业，善于观察，善于思考，灵感只留给用心的人哦。 本期采访就到这里，下一期内容更精彩，速速关注我们吧！ --- https://www.mindspore.cn/news/zh/1980/ --- 新闻 加入社区 | 小视科技加入昇思MindSpore开源社区，赋能AI智慧视觉全场景生态 # 加入社区 | 小视科技加入昇思MindSpore开源社区，赋能AI智慧视觉全场景生态 2022/11/30 # 加入社区 | 小视科技加入昇思MindSpore开源社区，赋能AI智慧视觉全场景生态 近日，**小视科技（江苏）股份有限公司签署CCLA（Corporate Contributor License Agreement，企业贡献者许可协议书），正式加入昇思MindSpore开源社区。** **小视科技&昇思MindSpore** 小视科技（江苏）股份有限公司基于昇思MindSpore全场景AI框架适配了包括渣土车检测、奔跑检测、垃圾桶满溢、鼠患检测等8种视频结构化算法，众多方案都已完成在昇思MindSpore上的算法移植，以及与Atlas系列硬件的适配。**借助MindSpore强大的学习能力和MindX系列工具，将模型产出效率提升6倍以上，模型迭代效率提高50%以上。** 2022年11月，小视科技依托江苏鲲鹏·昇腾生态创新中心，斩获2022昇腾AI大赛江苏赛区金奖，全国总决赛银奖！小视科技正式加入昇思MindSpore开源社区，赋能AI智慧视觉全场景生态。 小视智能视觉中枢作为智慧城市的大脑，已经落地江苏、浙江、上海、甘肃、山西等省市，为城市发展之善政、惠民、兴业注入了AI活力。 在江苏省某区县，小视科技建设全国标杆性大规模智慧社区项目，接入设备数量近10W台，覆盖全区1000+小区、近300W居民。通过20余种算法对摄像头进行智能分析，20种大数据技战法深化社区数据应用，高效赋能全区的社会基层治理。 在其他典型案例项目中，通过对接城市大脑数据中台，汇集治安、文旅、民生、环保、交通等多维数据，已形成AI智能化城市巡检，支撑明厨亮灶、疫情防控、景区安全、防汛防台等多种场景的城市巡查治理。项目中部分核心算法已获得昇腾万里解决方案认证。 未来，小视科技将聚焦场景创新，加速idea落地！基于MindSpore框架适配更多种类的算法任务，共同打造创新性产品及解决方案，构建繁荣的人工智能产业生态圈。 小视科技（江苏）股份有限公司 小视科技（江苏）股份有限公司（简称“小视科技”）2015年成立于南京，是江苏省人工智能代表性企业，定位“智慧视觉全场景生态服务商”。基于计算机视觉为数字城市、数字产业、数字生活提供服务。 公司研发人员占比近70%，拥有大量行业专家和专业人才，多次在CV类顶级赛事、会议和期刊上斩获佳绩，前不久成功入选国家级专精特新小巨人。目前累计客户已达1000多家，包括华为、三大运营商、行业知名头部企业和多家政府单位。 我们诚邀各企业、高校及科研院所加入昇思MindSpore开源社区，成为社区合作伙伴，与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态。 更多合作需求 请扫码添加企业助手进行咨询 --- https://www.mindspore.cn/news/zh/1992/ --- 新闻 社区月报 | “鹏程·神农”入围戈登贝尔，Canonical加入昇思社区，互联网+斩金夺银大丰收！ # 社区月报 | “鹏程·神农”入围戈登贝尔，Canonical加入昇思社区，互联网+斩金夺银大丰收！ 2022/12/05 # 社区月报 | “鹏程·神农”入围戈登贝尔，Canonical加入昇思社区，互联网+斩金夺银大丰收！ --- https://www.mindspore.cn/news/zh/1996/ --- 新闻 “互联网+”获奖项目专访 | “国产AI隐私计算守护者”分享 # “互联网+”获奖项目专访 | “国产AI隐私计算守护者”分享 2022/12/07 # “互联网+”获奖项目专访 | “国产AI隐私计算守护者”分享 在本届“互联网+”创新创业大赛中 昇思MindSpore开发者He-Armour团队 荣获全国总决赛铜奖 本期有幸邀请到团队负责人杨舒雅进行采访 一起来看看夺奖背后的故事吧 **PART ONE** **团队介绍** ****He-Armour团队**** **1.项目成员** 杨舒雅、高贺贺、徐羽柔、陈驭骐、肖敬斐、曲经民、兰天宇、冯欣语、王馨瑶、徐源、虎光宇、陈书桓、韩禹洋、杨心怡、王圯沂 **2.指导老师** 李晓东、金鑫 **3.学校** 北京电子科技学院 **4.团队简介** He-Armour团队，团队成员来自网络空间安全、保密通信、密码管理、财经数字媒体各个专业，优势互补，共创多赢，坚守隐私。 **PART TWO** **项目访谈** **项目名称** He-Armour-国产AI隐私计算守护者 **获奖情况** 2022第八届中国“互联网+”大学生创新创业大赛 全国总决赛铜奖 **Q1** **为什么选择这个赛题？** 我们团队来自北京电子科技学院，从新中国成立前至今，一直为党和国家输送了大量机要密码领域的人才，具有极为特殊的背景，大部分同学毕业后都到各级国家机关工作。因此我们选择从政务领域入手，选择了基于昇思MindSpore的开放领域智能化创新解决方案这一命题进行了解读。 **Q2** **请详细介绍一下参赛的项目。** He-Armour—国产AI隐私计算守护者，作为一款AI隐私保护工具，针对数据在云端可能造成的泄露问题，我们给出盲计算解决方案，为用户提供盲处理系统的定制与部署服务，部署即用，实现隐私信息共享。 面向政务领域，解决政务数据公开中“上云难、跨区难、集中难”的问题，打开互联互通的政务上云应用场景，打造基于昇思MindSpore的开放领域智能化创新解决方案。 **Q3** ****请****介绍一下项目核心创新点在哪？\*\*\*\* He-Armour采用自研的基于模分量的全同态加密方案，从根本上保证算法的安全性，不使算法成为泄露隐私信息的漏洞，整合多维度隐私计算能力，在支持多种模型功能的同时保证数据不泄露。 同时采用“自研算法+国产框架”的新模式，联合华为昇思MindSpore，构建进一步国产化的产品与服务。所有核心技术均为自研或国产，可实现底层至应用层的安全可靠的国产化替代。 利用同态加密特性，推进全域加密领域新应用落地，同时结合零信任技术通过泛化脱敏为政务数据提供全生命周期的安全管理。 **Q\*\*\*\*4** **项目遇到的难点、痛点是如何解决的？** 当前同态加密与深度学习框架主要为国外所有，国内相关领域技术缺失。且当前实用级同态加密算法存在计算效率低，计算资源占用成本高等一系列问题。 He-Armour自研基于模分量同态的的全同态加密方案，性能上计算效率提高了百倍，内存占比降低千倍，是市面上唯一一款可以达到实际使用标准的盲计算算法，实现了国产化替代，同时基于深度学习模型的计算图与不同算子之间的关系，实现了不同模型之间的转换，一键完成密文处理赋能，使模型训练更加方便快捷，服务部署更加简单高效。 **Q5 请问你们\*\*\*\*项目未来的应用场景是如何的？** 目前我们的解决方案已成功应用于云端监控视频的盲前景提取、盲识别跟踪和盲人脸检测。项目的原型系统已在贵州提升政府治理能力大数据应用技术国家工程研究中心成功落地，真正实现政务数据云托管完全国产化替代，正在为约25万民众的隐私信息提供保护。 未来，在政务数据公开的场景下，用隐私保护技术打通政务数据、挖掘数据潜能，促进政府的跨部门、跨领域的政务处理，打造安平及政府全行业的安全智能化服务平台。 **Q6 请\*\*\*\*说一说使用昇思MindSpore的体验。** 昇思MindSpore框架易用性很高，上手快，API文档详细丰富，使我们更容易理解功能的原理、逻辑和特点，同时也让我们在进行模型训练和对神经网络进行调试的过程中能在有限的时间进行更多次的测试。 在实现模型转换的过程中，模型迁移工具MindConverter方便快捷，帮助我们快速实现第三方框架主流模型的一键迁移，模型工具采用IR到IR的转换方案，转换后的模型可推理可重训，节省了我们很多时间，为国外框架转向国内框架搭建了坚实桥梁。总结成一句话就是：昇思开源，惠及万千；生逢其时，与之共长。 **Q7** **在参与互联网+比赛中有什么收获和经验？** 互联网+大赛是一个很好的平台，帮助我们拓宽了眼界和视野，前期调研也让我们对研究方向的发展现状和未来的研究方向有了更清晰的认知。作为项目的负责人，要有全局观，要从项目定位、产品功能、目标用户、商业模式、产业背景、市场需求、竞争策略、财务运营、宣传模式等多方面对项目进行剖析思考，整体把控。最后，我想说，相信团队的力量，感谢He-Armour团队每一位成员的付出。 **PART THREE** **导师访谈** ****李晓东**** \*\*李晓东，\*\*北京电子科技学院网络空间安全系副教授， 华为智能基座项目合作建设课程教师，华为云与计算先锋教师，获得2021年教育部-华为“智能基座”优秀教师奖 。 **Q1** **请老师谈谈陪伴学生参加本次比赛获得佳绩的心路历程。** 互联网+大赛对学生自身是一个不断挑战和突破的过程，作为老师，主要是和学生一起分析问题，帮助大家找到每一步需要提升的环节，提醒大家要注意的事项。 在比赛过程中，能够感受到同学们非常投入，大家一同用汗水和才华一点点雕刻出我们的作品。我也见证了同学们的成长， 从一个个的似乎不可能到自己最终做到了，我们同学们经历了一次次的自我超越。 **Q2** **老师有什么想对自己学生说的？** 今年互联网+大赛产业赛道竞赛和去年相比，竞争更为激烈，大家能取得这样的成绩非常不容易。感谢同学们一路上的付出，优秀的学生要寻找属于你的挑战和舞台，展现你的出色和精彩，青春无限，奋斗无极限。 竞赛是一个不断超越自我的过程，希望同学们能够把队伍传承下去，再接再厉，明年取得更大的突破。 看完上面的分享，相信屏幕前的小孢子们也一定收获满满吧！我们相信He-Armour-国产AI隐私计算守护者将会在更多地方发挥作用，能够在隐私保护技术上创造属于自己的未来。 本期采访就到这里，下一期内容更精彩，速速关注我们吧！ --- https://www.mindspore.cn/news/zh/1997/ --- 新闻 “互联网+”获奖项目专访 | 国产全流程无人智慧育种分享 # “互联网+”获奖项目专访 | 国产全流程无人智慧育种分享 2022/12/08 # “互联网+”获奖项目专访 | 国产全流程无人智慧育种分享 在本届“互联网+”创新创业大赛中昇思MindSpore“AI+BI”智慧育种团队荣获全国总决赛铜奖。本期有幸邀请到团队负责人王振邦和指导老师荣毅进行采访一起来看看夺奖背后的故事吧。 **PART ONE** **团队介绍** **“AI+BI”智慧育种团队** **1.项目成员** 王振邦、黄福伟、龚念如、李勇兵、周云飞、闫垚楠 **2.指导老师** 熊盛武、荣毅 **3.顾问** 夏志强、赵龙 **4.学校** 武汉理工大学 **5.团队简介** 主要由武汉理工大学计算机与人工智能学院的学生和老师组成，团队成员有黄福伟博士、龚念如、周云飞、李勇兵和闫垚楠硕士，主要指导教师是武汉理工大学计算机与人工智能学院院长熊盛武教授和崖州湾种子实验室荣毅博士后，同时我们与海南大学热作院达成合作，邀请夏志强副院长和赵龙博士作为我们在生物信息领域的顾问。 **PART TWO** **项目访谈** **项目名称** 基于昇思MindSpore的全国产化农作物分子育种智能预测产业链 **获奖情况** 2022第八届中国“互联网+”大学生创新创业大赛 全国总决赛铜奖 **Q1** **为什么选择这个赛题？** 我们本次的参赛项目是一个有一定研究基础和成果的农作物育种系统，而我们本次选择的赛题是产业命题赛道中华为公司提出的“基于昇思MindSpore的开发领域智能化创新解决方案”，其命题内容如下： 对于这个命题我们提取了“昇思MindSpore“和”智能化“两个关键点，其既是赛题的要求也是我们选择此赛题的理由，下面我将针对这两点分别介绍。 **国产深度学习框架-昇思MindSpore** 正如答题要求中所写的”必须使用昇思MindSpore框架“，我们项目中的预测模型完全基于昇思MindSpore进行开发，而选择它的原因也分两点： ①我们的系统在训练和实际应用中使用的农作物种源数据属于国家战略性资源，为了保证种质数据的绝对安全同时避免使用国外软硬件带来的泄漏风险，在立项之初我们的指导教师之一，崖州湾种子实验室的荣毅博士后就明确要求系统的全流程都需要实现国产化。 而对于我们的育种系统而言，AI预测模型是最核心的模块，因此我们对各种国产深度学习框架进行了深入研究与分析，最终选择使用在权威评测机构SGS实验室的安全评估中获得全球首个AI框架CC EAL2+证书的昇思MindSpore来开发模型，其能够为种质数据安全提供充分保障。 ②我们的另一位指导教师熊盛武教授长期以来都在为推广和发展国产软硬件而努力，因此他与华为公司的合作十分密切。在过去的一年的时间里熊老师带领我们实验室的同学参与开发了150余项MindSpore社区发布的众智项目，累计培养了30余名昇腾众智金质量奖获奖者，同时他在平日的组会里也经常强调发展这样一个国产深度学习框架的重要性，因此我们团队的成员实际上都是非常熟悉昇思MindSpore的，具备足够的能力以及意愿来基于MindSpore开发模型。 **全流程无人智慧育种-智能化** 目前美国等种业强国正迈入使用“生物技术+人工智能+信息技术”的育种“4.0”时代，而我国仍停留在使用传统耕地育种模式的”2.0”时代。为此我们开发了农作物育种系统来精进我国育种技术，其能够通过种子基因数据预测出农作物成熟后的株高、产量等信息并据此筛选出优质种质，让农民在种下种子的时候就能确保有个好收成，同时大大节省育种时间和成本，解决耕地育种费时费力又费地的问题。并且我们从基因测序到最后生成育种建议报告的过程都可以在无人全自动环境下进行，实现全流程智能化。 综合以上两个关键点的分析，可以看出我们本身研究的项目非常贴合本次所选赛题的要求，因此我们选择了这个赛题，同时对照着赛题定下了我们的项目名“基于MindSpore深度学习框架的农作物分子设计育种表型预测系统”以及项目目标“打造出一条基于昇思MindSpore的全国产化农作物分子育种智能预测产业链”。 **Q2** **请详细介绍一下参赛的项目。** 我们的项目是“基于MindSpore深度学习框架的农作物分子设计育种表型预测系统”，其功能和作用可以概括成一句话：给我一把种子，我们能通过预测告诉你哪些种子更值得播种。 以上是我们项目的流程概述图，下面将按照这三个部分介绍我们的项目内容： **自动化种源获取---低成本基因测序技术** 目前市场上有多种测序技术，它们各有利弊，但普遍存在着成本高昂、限制要求多等问题，测序技术市场迫切需要一种灵活定制检测位点的数量、低成本和自动化的高通量测序文库制备方法、易于操作的 SNP 分型平台用于下游数据的分析，来满足不同物种大规模测序分型的需求。对此，我们使用一种新的成本效益高，更加灵活自动化，且基于聚合酶链反应的高通量测序文库制备方法，它将服务于全球的动植物育种家，助力于现代育种业迈入大数据时代。 **人工智能模型表型预测---昇思MindSpore与昇腾Ascend** MindSpore是一个全场景深度学习框架，旨在实现易开发、高效执行、全场景覆盖三大目标，其中易开发表现为API友好、调试难度低，高效执行包括计算效率、数据预处理效率和分布式训练效率，全场景则指框架同时支持云、边缘以及端侧场景。我们将农作物的生物特征信息及其种子经过测序技术提取出的基因信息作为训练数据，基于昇思MindSpore开发模型并在昇腾AI全栈平台上进行训练与推理，能够实现全国产化的系统搭建过程。 **优势种质筛选---高精度GS预测模型** 针对现有GS模型预测准确率差，模型运行效率低的问题，本项目基于深度学习算法，拟构建一种特殊的循环神经网络——长短期记忆神经网络（Long Short Term Memory network，LSTM），其能有效捕获作物基因性状蕴含的非线性时序结构特征，根据参考群体的SNP标记文件及表型文件训练LSTM预测模型，进而在仅提供基因型文件的预测群体上进行预测，以更高的预测精确度来估计育种值，提升早期优势个体选择效率。 项目总体技术路线如下： 本团队选择聚焦于农作物分子育种领域，依据基因测序技术自动化获取种子基因数据，基于MindSpore开发并训练深度学习模型，实现对优质种质的筛选，致力于打造出一条基于昇思MindSpore的全国产农作物分子设计育种智能化产业链。一方面推广国产深度学习框架，丰富昇思MindSpore社区，推动国产AI生态建设；另一方面实现全流程智能化育种，“真题真做”解决产业实际问题，助力我国育种技术向4.0时代发展。 **Q3** ****请****介绍一下项目核心创新点在哪？\*\*\*\* **高通量测序技术** 项目采用的基因测序技术具有速度快、成本低、适用性强等优点，基因组的简化和条形码的添加只需一个带有特殊引物的扩增步骤即可完成，标记密度可以根据需要使用不同的引物进行微调，以低成本满足不同的需求，是基因分型方法中最简便和成本最低的。相比现有测序技术，建库时间降至1/4，成本减少50%以上并且适用于所有物种，可以快速获取大量高质量基因数据。 **高鲁棒预测算法** 项目将人工智能技术与生物信息技术相结合，构建“AI+BI”深度学习模型，其能有效地处理大数据，捕捉到数据中复杂的线性和非线性模式的拓扑结构，以及基因型数据中的非加性效应、复杂关系和交互作用，显著提高模型预测准确率和估计育种值有效性。 利用SNP位点时序信息，有效捕获基因性状蕴含的非线性时序结构特征，通过融合基因数据与生物特征信息来提升预测精度。与现有全基因组选择模型如线性预测模型、bayes模型和机器学习模型相比，本项目解决了现有模型无法适用于复杂多样的遗传性状、待估参数多计算量大和准确率有限等问题，模型预测准确率指标平均提升12%，最大提升16%。 **Q\*\*\*\*4** **项目遇到的难点、痛点是如何解决的？** 我们的项目主要遇到过数据、算法和开发这三个的难点：对于种源数据来源的问题，我们团队与崖州湾种子实验室和一些育种基地达成合作，借助他们提供的数据来训练我们的模型；对于优化算法的问题，我们向海南大学热作院寻求生物信息领域的咨询，主要解决种子SNP数据降维以及如何利用生物特征信息提高模型精度的问题；最后关于开发的问题，虽然我们团队对于MindSpore是比较熟悉的，但是在开发中也还是遇到了不少的问题，针对这些我们首先会在社区以及微信群里询问一些热心的开发者，如果遇到一些实在难以解决的问题我们也会联系社区的工程师进行询问。 虽然三个问题的内容不同，我们的解决方案其实都是很类似的，都是通过自身与其他院校或企业的合作来共同攻坚，而这也正是”互联网+“大赛所推崇的新工科新农科融合、多学科多院校交叉的合作新模式，实现了产学研结合。 **Q5 请问你们\*\*\*\*项目未来的应用场景是如何的？** 我们的应用场景主要集中于农业生物育种领域，可以进行回交育种、进化分析、GS育种和遗传背景筛选等研究，也可以为各大科研机构、育种基地和科技公司提供育种分析表型预测等服务。 **Q6 请\*\*\*\*说一说使用昇思MindSpore的体验。** 我们实验室也是参与了MindSpore从1.3到现在2.0版本的一个开发工作，对于MindSpore还是比较了解的，在长期的开发和使用过程中有如下几点体验： **易用** 昇思MindSpore的使用教程和文档非常详细，官网上可以查到非常多的使用手册和wiki指南等等，同时MindSpore的公众号、“小猫子”和“吴彦祖”基本上每天都会分享一些技术博客，在B站上也是经常举行一些直播活动，会邀请一些社区优秀开发者和工程师来讲解一些使用MindSpore进行开发的技巧，所以对于想要加入MindSpore社区的同学们来说是非常友好的，这些丰富的学习资源也让昇思MindSpore十分容易上手。 **能用** 目前基于昇思MindSpore搭建的模型仓库ModelZoo里面已经有非常多的各领域经典和SOTA模型了，并且算子也基本上和友商对齐了，已经能够满足深度学习模型开发的所有需求了，大家可以尝试使用昇思MindSpore来复现一些自己读过的论文或者直接用MindSpore来开发自己的模型了。同时关注MindSpore公众号的同学应该也会发现基本上隔几天就会有新的企业或研究机构加入昇思MindSpore社区的推文，这也从侧面证明了目前MindSpore深度学习框架早已超越了“能用”的标准。 **好用** 作为昇思MindSpore一年多的开发者和使用者，目前感觉MindSpore还没有到非常完美的程度，在使用中还是会遇到一些报错不清晰和性能不足的情况，对于纯粹的使用者可能还是有些阻碍。但正是因为我们有开发者这层身份，所以很清楚的知道这一年的时间里，社区对于MindSpore的代码合入质量要求越来越严格，并且组织了很多SIG来分领域精准提高用户体验。我相信在众多开发者和管理者的共同努力下，MindSpore能够成一个好用并且大家都愿意用的深度学习框架。 我希望MindSpore能够继续发展完善，吸引更多的开发者和使用者，如果未来出现AI框架受到限制或封锁的情况，我期望MindSpore能够作为一个能用易用好用的深度学习框架继续支撑我国人工智能产业的发展。 **Q7** **在参与**“**互联网+”比赛中有什么收获和经验？** **把握赛道重点** “互联网+”大赛有很多的赛道，而每个赛道的侧重点都是不同的，比如我们参与的产业命题赛道中，团队接题后与命题企业之间的合作历程占了很大的分值，所以需要突出与企业共同商讨攻克难题的这样一个过程。对于其他的赛道也会有不同的重点，大家需要注意。 **体现教育维度** 近几年“互联网+”大赛非常强调项目在教育维度的内容，今年的占比更是达到了30%，因此大家在撰写项目计划书和做ppt时需要考虑和凸显项目在引领教育和带动就业这两个层面的优势。 **补齐项目缺口** 每届“互联网+”大赛都有对应的评分准则，其中每一条都对应着一定的分值，切忌缺项漏项。大家可以对着准则一条一条的检查，缺哪条就想办法补哪条，就算有一些条目无法取得很高的分值也一定要体现出来，因为比赛不是考试，并不存在正确答案，只要体现出来了就会有分，如果你不写就相当于别人满分100分你的满分只有90，80分，那自然比不过。 **PART THREE** **导师访谈** **熊盛武** \*\*熊盛武，\*\*武汉大学计算机软件与理论工学博士，二级教授，武汉理工大学计算机与人工智能学院院长，湖北省人工智能产业链专家咨询组专家，武汉市人工智能创新发展专家咨询委员会专家，海南省首批双百团队负责人，教育部“深度学习课程虚拟教研室”负责人。 承担主持863计划、国家重点研发计划、国防基础研究和国家自然科学基金等项目的研究，获省部级教学和科研成果一等奖2项，二等奖5项。近三年深耕基于人工智能和大数据的分子设计育种新技术研发与创新。参与七大作物育种重大专项课题，负责品种分子设计育种云平台的建立；参与“神农”作物表型组大科学装置研究，负责智能数据分析。 在IEEE/ACM Transactions期刊TIP，TKDE, TITS，TGRS，TALLIP，TCBB等和AAAI，ICCV，COLING，ACM MM，BIBM，ICRA，ICASSP，INTERSPEECH等会议发表论文50余篇，获得国家发明专利授权15项。 **荣毅** \*\*荣毅，\*\*武汉理工大学计算机学院博士后，海南崖州湾实验室联合项目博士后，现主要致力于将图像处理与人工智能技术应用于农业表型数据及基因型数据关联分析方面的研究。 曾在权威学术期刊IEEE Transactions on Image Processing、Pattern Recognition及AAAI、ACCV、ICIP等重要学术会议上发表论文8篇，申请国家发明专利2项。曾参与国家863计划、国家重点研发计划、国家自然科学基金等课题的研究工作，并主持海南省自然科学基金联合项目一项。 曾任2021年第七届中国国际“互联网+”创新创业大赛湖北省金奖项目负责人，2022年第八届中国国际“互联网+”创新创业大赛湖北省金奖项目指导老师。指导学生参与2022年首届“崖州湾杯”科技创新大赛获南繁赛道一等奖、最佳成果转化奖，并获评最佳指导老师。 **Q1** **请老师谈谈陪伴学生参加本次比赛获得佳绩的心路历程。** 作为指导老师全程参与了本次“互联网+”比赛从校赛到省赛最终到国赛入围的全部流程。起初，参与本次“互联网+”大赛的主要目的是锻炼本团队同学们在工作中发现与解决问题的能力，加强本团队与湖北省其他高校研究生的思维碰撞，也向其他学校竞赛项目学习取经，争取吸取他们的成功经验纳为己用。 后来，随着比赛的进行，在另一位指导老师熊盛武教授的悉心指导下，我和团队成员对参赛项目进行不断打磨，不断优化技术方案，提升成果应用价值，同时也不停精进路演PPT与演讲稿，一遍又一遍地进行答辩演练，最终才拿到了这次湖北省金奖的好成绩。 其实，参与本次比赛的过程并非一帆风顺，期间遇到了如更换选题，技术方案结果不佳，疫情影响等一系列的挫折与困难，但是本团队成员们都迎难而上，共同努力，克服了这些难题，本次比赛的结果就是对他们长时间以来工作的嘉奖与肯定。 **Q2** **老师有什么想对自己学生说的？** 团队中的许多同学还没有研究生入学时就已经与我共同合作开展工作了，在工作中我们是师兄弟，在生活中我们是好朋友，他们的点滴成长我们都共同经历。 一年多以来，在工作中无论遇到什么困难，同学们都积极地去面对与克服，无论是MindSpore开发，学术研究，还是各类双创学术竞赛，他们都积极参与且收获满满。而王振邦同学从初入学一个不太擅长写代码的大四学生成长为现在的MindSpore布道师，从当年双创比赛站在我身旁默默展示PPT的辅助人员成长为现在“互联网+”省金奖项目的负责人在讲台上侃侃而谈，都离不开他的不懈努力。 同时，他对工作的热情与活力也鼓励着我不断前进。对同学们我想说，一方面祝贺你们已经取得的成绩，为你们的进步与成长感到骄傲，另一方面也希望你们在未来工作中能继续脚踏实地，不断提升与完善自身各方面能力。 看完上面的分享，相信屏幕前的小孢子们也一定收获满满吧！付出终究带来收获，“AI+BI”智慧育种团队越走越远，越走越稳，最终取得了辉煌成绩。 本期采访就到这里，下一期内容更精彩，速速关注我们吧！ --- https://www.mindspore.cn/news/zh/2001/ --- 新闻 精彩回顾 | 11月26日易用性SIG技术分享活动 # 精彩回顾 | 11月26日易用性SIG技术分享活动 2020/12/09 # 精彩回顾 | 11月26日易用性SIG技术分享活动 **_易用性SIG技术分享_** **精彩回顾** 11月26日，昇思MindSpore易用性SIG举行了第5次线上技术分享活动，主题是\*\*《MindSpore入门体验及昇思金箍棒简介》**，共有**300\*\*\*\*余\*\*位开发者朋友通过腾讯会议和B站直播参与了本次活动。 感谢开发者们的热情参与和各位老师的精彩分享，在此我们整理了此次活动的内容摘要和直播视频回放，欢迎大家观看！ **分享内容回顾** # 本次活动的主题是\*\*《MindSpore入门体验及昇思金箍棒简介》**，3位演讲嘉宾面向MindSpore初中级开发者，介绍了**昇思\*\*\*\*MindSpore入门实践、昇思MindSpore Lite初体验和昇思金箍棒。\*\* 感谢**韩\*\*\*\*刚强、姜文凯、邢朝龙**为大家带来的精彩分享！ **1、\*\*\*\*《昇思金箍棒简介》** 昇思MindSpore研发专家韩刚强，分享了昇思金箍棒，昇思金箍棒是基于昇思MindSpore的模型压缩算法集。 **2、\*\*\*\*《昇思MindSpore框架快速入门与简单实践》** 昇思MindSpore爱好者姜文凯，介绍了昇思MindSpore框架的性能优点、使用模型的筛选进行一次性能测试代码实操和昇思MindSpore环境的搭建以及配置。 **3、******《**端侧AI引擎MindSpore Lite初体验**》**** 昇思MindSpore布道师邢朝龙，介绍了端侧AI引擎昇思MindSpore Lite基础入门知识及相关实践。 **资料获取** **1** 本次活动的演讲材料已发布到昇思MindSpore社区，请点击链接获取（点击“阅读原文”直接进入）。 https://gitee.com/mindspore/community/tree/master/sigs/usability **2** 本次活动的视频已上传到B站MindSpore官方账号，点击如下链接观看。 https://www.bilibili.com/video/BV1Wu411y7u1?p=10&vd\\\_source=f199b0e3200b02f557239b1b8efa5e1e 加入易用性SIG交流群， 共同打造易学易用、灵活高效的AI框架！ **【加入方式】** 扫码添加小助手的微信（**vx: mindspore0328**）， 添加时请备注：**易用性**。 小助手拉你进群哦！ --- https://www.mindspore.cn/news/zh/2002/ --- 新闻 精彩回顾 | 11月26日易用性SIG技术分享活动 # 精彩回顾 | 11月26日易用性SIG技术分享活动 2020/12/09 # 精彩回顾 | 11月26日易用性SIG技术分享活动 **_易用性SIG技术分享_** **精彩回顾** 11月26日，昇思MindSpore易用性SIG举行了第5次线上技术分享活动，主题是\*\*《MindSpore入门体验及昇思金箍棒简介》**，共有**300\*\*\*\*余\*\*位开发者朋友通过腾讯会议和B站直播参与了本次活动。 感谢开发者们的热情参与和各位老师的精彩分享，在此我们整理了此次活动的内容摘要和直播视频回放，欢迎大家观看！ **分享内容回顾** # 本次活动的主题是\*\*《MindSpore入门体验及昇思金箍棒简介》**，3位演讲嘉宾面向MindSpore初中级开发者，介绍了**昇思\*\*\*\*MindSpore入门实践、昇思MindSpore Lite初体验和昇思金箍棒。\*\* 感谢**韩\*\*\*\*刚强、姜文凯、邢朝龙**为大家带来的精彩分享！ **1、\*\*\*\*《昇思金箍棒简介》** 昇思MindSpore研发专家韩刚强，分享了昇思金箍棒，昇思金箍棒是基于昇思MindSpore的模型压缩算法集。 **2、\*\*\*\*《昇思MindSpore框架快速入门与简单实践》** 昇思MindSpore爱好者姜文凯，介绍了昇思MindSpore框架的性能优点、使用模型的筛选进行一次性能测试代码实操和昇思MindSpore环境的搭建以及配置。 **3、******《**端侧AI引擎MindSpore Lite初体验**》**** 昇思MindSpore布道师邢朝龙，介绍了端侧AI引擎昇思MindSpore Lite基础入门知识及相关实践。 **资料获取** **1** 本次活动的演讲材料已发布到昇思MindSpore社区，请点击链接获取（点击“阅读原文”直接进入）。 https://gitee.com/mindspore/community/tree/master/sigs/usability **2** 本次活动的视频已上传到B站MindSpore官方账号，点击如下链接观看。 https://www.bilibili.com/video/BV1Wu411y7u1?p=10&vd\\\_source=f199b0e3200b02f557239b1b8efa5e1e 加入易用性SIG交流群， 共同打造易学易用、灵活高效的AI框架！ **【加入方式】** 扫码添加小助手的微信（**vx: mindspore0328**）， 添加时请备注：**易用性**。 小助手拉你进群哦！ --- https://www.mindspore.cn/news/zh/2003/ --- 新闻 精彩回顾 | 11月26日易用性SIG技术分享活动 # 精彩回顾 | 11月26日易用性SIG技术分享活动 2020/12/09 # 精彩回顾 | 11月26日易用性SIG技术分享活动 **_易用性SIG技术分享_** **精彩回顾** 11月26日，昇思MindSpore易用性SIG举行了第5次线上技术分享活动，主题是\*\*《MindSpore入门体验及昇思金箍棒简介》**，共有**300\*\*\*\*余\*\*位开发者朋友通过腾讯会议和B站直播参与了本次活动。 感谢开发者们的热情参与和各位老师的精彩分享，在此我们整理了此次活动的内容摘要和直播视频回放，欢迎大家观看！ **分享内容回顾** # 本次活动的主题是\*\*《MindSpore入门体验及昇思金箍棒简介》**，3位演讲嘉宾面向MindSpore初中级开发者，介绍了**昇思\*\*\*\*MindSpore入门实践、昇思MindSpore Lite初体验和昇思金箍棒。\*\* 感谢**韩\*\*\*\*刚强、姜文凯、邢朝龙**为大家带来的精彩分享！ **1、\*\*\*\*《昇思金箍棒简介》** 昇思MindSpore研发专家韩刚强，分享了昇思金箍棒，昇思金箍棒是基于昇思MindSpore的模型压缩算法集。 **2、\*\*\*\*《昇思MindSpore框架快速入门与简单实践》** 昇思MindSpore爱好者姜文凯，介绍了昇思MindSpore框架的性能优点、使用模型的筛选进行一次性能测试代码实操和昇思MindSpore环境的搭建以及配置。 **3、******《**端侧AI引擎MindSpore Lite初体验**》**** 昇思MindSpore布道师邢朝龙，介绍了端侧AI引擎昇思MindSpore Lite基础入门知识及相关实践。 **资料获取** **1** 本次活动的演讲材料已发布到昇思MindSpore社区，请点击链接获取（点击“阅读原文”直接进入）。 https://gitee.com/mindspore/community/tree/master/sigs/usability **2** 本次活动的视频已上传到B站MindSpore官方账号，点击如下链接观看。 https://www.bilibili.com/video/BV1Wu411y7u1?p=10&vd\\\_source=f199b0e3200b02f557239b1b8efa5e1e 加入易用性SIG交流群， 共同打造易学易用、灵活高效的AI框架！ **【加入方式】** 扫码添加小助手的微信（**vx: mindspore0328**）， 添加时请备注：**易用性**。 小助手拉你进群哦！ --- https://www.mindspore.cn/news/zh/2004/ --- 新闻 精彩回顾 | 11月26日易用性SIG技术分享活动 # 精彩回顾 | 11月26日易用性SIG技术分享活动 2022/12/09 # 精彩回顾 | 11月26日易用性SIG技术分享活动 **_易用性SIG技术分享_** **精彩回顾** 11月26日，昇思MindSpore易用性SIG举行了第5次线上技术分享活动，主题是\*\*《MindSpore入门体验及昇思金箍棒简介》**，共有**300\*\*\*\*余\*\*位开发者朋友通过腾讯会议和B站直播参与了本次活动。 感谢开发者们的热情参与和各位老师的精彩分享，在此我们整理了此次活动的内容摘要和直播视频回放，欢迎大家观看！ **分享内容回顾** # 本次活动的主题是\*\*《MindSpore入门体验及昇思金箍棒简介》**，3位演讲嘉宾面向MindSpore初中级开发者，介绍了**昇思\*\*\*\*MindSpore入门实践、昇思MindSpore Lite初体验和昇思金箍棒。\*\* 感谢**韩\*\*\*\*刚强、姜文凯、邢朝龙**为大家带来的精彩分享！ **1、\*\*\*\*《昇思金箍棒简介》** 昇思MindSpore研发专家韩刚强，分享了昇思金箍棒，昇思金箍棒是基于昇思MindSpore的模型压缩算法集。 **2、\*\*\*\*《昇思MindSpore框架快速入门与简单实践》** 昇思MindSpore爱好者姜文凯，介绍了昇思MindSpore框架的性能优点、使用模型的筛选进行一次性能测试代码实操和昇思MindSpore环境的搭建以及配置。 **3、******《**端侧AI引擎MindSpore Lite初体验**》**** 昇思MindSpore布道师邢朝龙，介绍了端侧AI引擎昇思MindSpore Lite基础入门知识及相关实践。 **资料获取** **1** 本次活动的演讲材料已发布到昇思MindSpore社区，请点击链接获取（点击“阅读原文”直接进入）。 https://gitee.com/mindspore/community/tree/master/sigs/usability **2** 本次活动的视频已上传到B站MindSpore官方账号，点击如下链接观看。 https://www.bilibili.com/video/BV1Wu411y7u1?p=10&vd\\\_source=f199b0e3200b02f557239b1b8efa5e1e 加入易用性SIG交流群， 共同打造易学易用、灵活高效的AI框架！ **【加入方式】** 扫码添加小助手的微信（**vx: mindspore0328**）， 添加时请备注：**易用性**。 小助手拉你进群哦！ --- https://www.mindspore.cn/news/zh/2007/ --- 新闻 MSG在行动 | 昇思MindSpore社区建立互助通道，共享康复锦囊望扩散 # MSG在行动 | 昇思MindSpore社区建立互助通道，共享康复锦囊望扩散 2022/12/09 # MSG在行动 | 昇思MindSpore社区建立互助通道，共享康复锦囊望扩散 导语：最近社区开发者在群内聊天时，小编发现很多人可能或多或少遇到一些药物/抗原试剂购买遇到困难的情况。以小编熟悉的北京为例，有时会在朋友圈看到社区伙伴的求助一经发布，就会很快收到众多好心人的帮助，不禁感叹：关键时刻，还是大家相互帮助的好！ 从MSG•河南水灾互帮互助，到MSG•上海疫情地图信息分享，MindSpore社区团队一直秉承着超越技术关怀人心的宗旨，这次小编也和团队一起，率先成立MSG•北京互助共享群，也欢迎我们各个城市的热心开发者组织本地的互助群，让有药物等需求的人能够联系到提供帮助的人，大家一起做好健康的第一责任人。 **MSG在行动** 昇思MindSpore社区希望可以为北京抗疫贡献自己的一份力量！对此社区建立了两个互助通道，大家可以**发布求助信息，**例如可以在遇到困难时候，通过发布求助信息，获得互助群里好友的帮助；同时可以分享互助物资，比如说在接收到求助信息后，在互助通道中及时**分享互助物资**，保证求助者的日常需求；最后可以**补充救援信息**，在互助通道中补充身边的亲朋好友救援信息，帮助其快速获得救助。同时MindSpore的社区运营团队会有专人不定期跟进并维护整体信息。 **https://gitee.com/mindspore/community/wikis/** 1、社区紧急建立了\*\*北京信息共享微\*\*\*\*信群。\*\*大家可以扫描下方海报二维码进入共享群。 2、社区在gitee的community仓建立了救援互助信息的**收集与共享通道：** _https://gitee.com/mindspore/community/issues/I65KCE_ 大家可以复制上方链接跳转浏览器或直接点击文末‘**阅读原文**’进入社区。 希望这两个互助通道可以帮助有需要的人，昇思MindSpore社区全体与大家共渡难关。在这里感谢奋斗在抗疫一线的城市守护者们，昇思MindSpore社区全体成员希望大家一切安好，北京加油！ 昇思MindSpore为大家整理了新冠个人防护指南，具体内容如下。 **新冠个人防护指南** **1、不同人群如何做好防护** 疫情下孕产妇、儿童、老年人、重症高风险人群、居家隔离人员、普通人群、乘公共交通出行人员、外卖小哥和快递员如何做好健康防护？ **2、新冠阳性后发病特征** 奥密克戎病毒感染后患者症状跟一般感冒很类似，往往出现发烧、疲乏无力等，**大部分三到五天痊愈，个别可能一周或者十天左右。** **北京佑安医院感染综合科主任医师、小汤山方舱医院医疗专家李侗**曾总结了一份普通中青年患者感染新冠病毒后，从发病第1天到第7天核酸转阴的 “症状分析”。 **3、最全版本新冠新冠康复、用药指南汇总** 社区从各个渠道收集到了最全版本新冠康复、用药指南汇总，大家可以转发！让更多人能够康复自救！ **国务院联防联控机制** 一图看懂《新冠病毒感染者居家治疗指南》 **新华社** 家有老人、小孩、孕产妇的注意了，这份防疫手册请查收 **央视新闻** 查出阳性怎么办？这份居家康复指引请查收 **世界卫生组织** 世卫组织《新冠自我康复指导手册》（中文） **香港政府** 香港政府：新冠阳性人员建议手册（中文） **新加坡** 新加坡卫生部：冠病病患和家中成员注意事项 **华山感染（张文宏团队）** 抗新冠策略千万条，核心就一条：得了新冠是否需要去医院？ 如您遇到了资源紧缺或者是想为北京疫情出一份力的开发者们欢迎加入信息互助共享群!扫码下方二维码即可！ --- https://www.mindspore.cn/news/zh/2008/ --- 新闻 流体力学智能化国际联合研究所与昇思AI for Science团队开展合作研讨 # 流体力学智能化国际联合研究所与昇思AI for Science团队开展合作研讨 2022/12/11 # 流体力学智能化国际联合研究所与昇思AI for Science团队开展合作研讨 2022年12月8日，昇思MindSpore团队与西北工业大学流体力学智能化国际联合研究所就AI for Science主题展开研讨。昇思社区AI for Science团队的王紫东、刘红升、邓志文和张毅等博士，西北工业大学张伟伟教授、高传强教授、刘溢浪副教授、邬晓敬副教授及大树之家全体同学参与了本次研讨。 本次研讨会旨在探讨科学智能方法与流体力学研究范式融合方法与合作形式，充分发挥双方各自技术优势，助力新场景下的流体力学研究，服务我国航空航天产业。华为昇思团队刘红升博士做了《华为对于科学智能创新和落地的思考和建议》的报告。 刘红升博士从智能赋能科学研究的范式讲起，提出多范式场景融合下的科学研究新场景。利用AI技术来应对科学计算中的挑战已经成为当前发展的新趋势。 昇腾AI率先打造了科学智能的基础软硬件平台，生态全面发展，技术不断升级，为科学研究开展提供更多便利。也开展了围绕海洋气象、生命科学、材料科学、流体力学、计算电磁学等多领域合作，助力人才培养与科研创新。同时梳理了双方已开展的在智能流体计算领域的相关进展，合作构建的湍流机器学习模型已取得较好效果，打造的AI湍流模型与风雷CFD的双向耦合的RANS求解方案实现了分离流下的流场高精度计算，在昇腾服务器上的计算性能提升12%。同时，提出的3D Unet流场快速预测算法与优化设计，实现了百万网格及百万雷诺数工况下的保精度秒级计算。 在人才培养与生态打造方面，双方达成了初步共识，打通宣传发布渠道，共享研究前沿信息，合力推进智能赋能科学研究的发展步伐。将在未来联合多方力量，开展AI for Fluid联合培训，进一步将流体力学的新研究范式纳入高校课程培训体系。发挥双方独特优势，合作组织开展相关竞赛，共建行业研究新生态，促进科研创新内生动力发展。 在科学研究方面，研讨热度更上层楼。基于当前智能流体力学发展的新态势，西工大提出将打造国内首个智能流体力学开源数据平台，对标NASA标准模型数据库，建立湍流机器学习模型的标准数据库。为多行业、多场景的流体力学科学智能研究提供Baseline，迈出构建流体力学智能大模型的第一步。双方也还就基于Euler方程的工程快速求解、降维优化与方程求解方法、数据驱动的流场加速收敛方法以及机器学习的快速伴随优化方法等问题进行了深入探讨，达成了初步合作意向。 本次研讨会双方交流融洽，讨论深入，初步交换了对合作发展的诉求与希望。进一步合作细节也会未来逐步推进落实，相信双方的共同努力下，定能产出推动空天行业发展的新动力，共建智能赋能科学研究的新生态。 --- https://www.mindspore.cn/news/zh/2009/ --- 新闻 最新案例丨企修通携手昇思推出智能设备数字化管理平台，保障企业资产使用安全与效益 # 最新案例丨企修通携手昇思推出智能设备数字化管理平台，保障企业资产使用安全与效益 2022/12/12 # 最新案例丨企修通携手昇思推出智能设备数字化管理平台，保障企业资产使用安全与效益 近日，在重庆人工智能创新中心的支持下，\*\*重庆企修通网络科技有限公司（简称“企修通”）的企修通智能设备数字化管理平台完成了与全场景AI框架昇思MindSpore的兼容性测试，\*\*并获得由华为颁发的技术认证书。 随着企业运营发展壮大，办公智能设备等大办公物资的规模也随之增加。如何实现办公智能设备管理规范化，是企业在办公资产数字化管理新模式中的难点。 基于全场景AI框架昇思MindSpore，结合Atlas系列硬件，企修通智能设备数字化管理平台通过深度学习，使用工业相机对智能设备进行图片拍摄，实时监测设备状态；通过4G/5G将获取的图片数据发送回云端，利用AI智能分析快速对设备进行故障预判，及时生成预警信息，第一时间共享给质检人员，有效提升质检人员的检测效率，实现设备全数字化管理。 企修通可视化数据大屏 人工质检需要工程师到现场进行处理，平均故障处理时间约30分钟。企修通智能设备数字化管理平台能够同时对上万张图片进行识别，平均故障处理时间只要5分钟，且判断准确率高达95%，媲美质检专家。 目前，该系统已成功应用在重庆医科大学附属第一医院、重庆医科大学附属第二医院（江南院区）、欧菲斯办公伙伴重庆有限公司等多个医疗机构和企业，助力客户实现办公智能设备的统一管理。 关于企修通 重庆企修通网络科技有限公司成立于2019年，依托多年的政企客户服务经验、行业从业经验和强大的触达B端并获客的能力，通过构建和运营企修通平台，为企业大办公市场提供完整的办公设备产业链式服务。企修通将围绕“企业设备生命周期数字化管理平台”这一定位，力争成为办公行业内领先的专业B2B赋能工具。 --- https://www.mindspore.cn/news/zh/2010/ --- 新闻 加入社区 | 连心医疗加入昇思MindSpore开源社区，打造与AI技术结合的现代化放疗科室 # 加入社区 | 连心医疗加入昇思MindSpore开源社区，打造与AI技术结合的现代化放疗科室 2022/12/12 # 加入社区 | 连心医疗加入昇思MindSpore开源社区，打造与AI技术结合的现代化放疗科室 近日，**北京连心医疗科技有限公司签署CCLA（Corporate Contributor License Agreement，企业贡献者许可协议书），正式加入昇思MindSpore开源社区。** **连心医疗&昇思MindSpore** 2022年11月，连心医疗参与昇思MindSpore开源社区举办的【MSG企业行·AI+医疗】线上交流活动，与深圳大学生物医学工程学院、武汉理工大学计算机与人工智能学院、摩赛恩科技、众享未来融合研究院等多家行业专家，基于AI技术在医疗领域的深度发展和突破，进行深入的分享与交流。 近日，连心医疗签署企业贡献者许可协议书，正式加入昇思MindSpore开源社区，助力智慧医疗深度发展！ 连心医疗加入开源社区后，将进一步**打造基于昇思MindSpore全场景AI框架的现代化放疗科室，助力人工智能+医疗深度发展，推动健康医疗精准化和智能化发展。** 未来，连心医疗将进一步繁荣昇思生态，与更多的昇思社区伙伴一起，共同打造创新性产品及解决方案，推进行业应用落地，构建繁荣的人工智能产业生态圈。 北京连心医疗科技有限公司 北京连心医疗科技有限公司（简称“连心医疗”）是国家高新技术企业，基于人工智能和云计算面向医院放疗科室、第三方影像与放疗中心提供基于人工智能的器官智能勾画、靶区勾画、自适应放疗计划、放疗质控等技术工具和云服务。公司先后获得四轮融资 12000 万融资，投资方包括丹华资本、线性资本、国科嘉和、安龙基金和中科创星。公司申请发明专利 108 项，授权专利 27 项，软件著作权 27 项。 连心医疗凭借独有的 AI 技术优势和项目落地能力，2017 年公司获得美国三大商业媒体 FastCompany 的“2017 中国最佳创新公司 50 强”、“2017 创新先锋 20 强”、2018 年获得科技创新创业项目智慧医疗领域“十大最具价值奖”，2018 数博会全球人工智能大赛第六名、2018 年创业世界杯(Startup World Cup)中国区第六名、2018 NBI Awards 星耀计划科创大赛冠军、2019 中国医学创新大赛 AI 组前 6 强等荣誉。 连心智能放疗云平台 **连心智能放疗云平台**基于深度学习的自动靶区勾画系统和自动放疗计划，采用语义分割融合 U-Net、Res-Net、Dilated Convolution 等架构达到高精度器官分割，实现头颈部、胸腹部和盆腔 180 多个危及器官的自动勾画。研发了基于蒙特卡洛剂量计算、FMO 逆向优化、MLC 序列控制的放疗计划系统，性能达到国际先进水平，算法、模型已经在全国 80 余家医疗机构临床使用。 智能勾画系统 连心医疗与北京大学第三医院、四川省肿瘤医院、西南医科大学附属医院、贵黔国际总医院等深度合作，通过应用连心智能放疗云，完成北京大学第三医院放疗科室设备、人员的统一整合，实现了患者从入院到治疗出院的良性数据闭环管理，打造与AI技术结合的现代化放疗科室；目前正与四川省肿瘤医院合力打造5G远程服务放疗平台赋能基层医院，向广大患者提供专家肿瘤靶区勾画、治疗建议、视频咨询等项目，培育可复制、可推广的智慧医疗健康新产品、新业态、新模式。 5G智慧医疗在四川省肿瘤医院试点 我们诚邀各企业、高校及科研院所加入昇思MindSpore开源社区，成为社区合作伙伴，与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态。 更多合作需求 请扫码添加企业助手进行咨询 --- https://www.mindspore.cn/news/zh/2012/ --- 新闻 “互联网+”获奖项目专访 | 阿尔兹海默症患者辅助诊断研究分享 # “互联网+”获奖项目专访 | 阿尔兹海默症患者辅助诊断研究分享 2022/12/13 # “互联网+”获奖项目专访 | 阿尔兹海默症患者辅助诊断研究分享 在本届“互联网+”创新创业大赛中昇思MindSpore群英荟萃团队荣获全国总决赛铜奖 本期有幸邀请到团队负责人李鹏和指导老师胡悦进行采访 一起来看看夺奖背后的故事吧 **PART ONE** **团队介绍** **群英荟萃团队** **1\. 项目成员** 李鹏、周晨、邹静、纪雨萍、李晓迪、张英豪 **2\. 指导老师** 胡悦 **3\. 学校** 哈尔滨工业大学 **4\. 团队简介** 团队共包括六位电信学院活力充沛、勇于进取的小伙伴，他们分别是：李鹏，博三在读；周晨， 研一在读；邹静，大四在读；纪雨萍，研一在读；李晓迪，博一在读；张英豪，博一在读。团队在医学成像领域有着丰富的研究经验，并且多位团队成员曾参加昇腾众智开发项目并获得昇腾众智开发者称号，对于华为提供的AI开发套件有着丰富的使用经验。我们的指导老师是哈工大电信学院的副教授胡悦老师，胡老师在医学成像与遥感成像领域有着丰厚的研究经验，为我们的项目工作提供了充分且有效的指导与帮助。 **PART TWO** **项目访谈** **项目名称** 基于磁共振影像与深度学习技术的阿尔兹海默症患者辅助诊断工具 **获奖情况** 2022第八届中国“互联网+”大学生创新创业大赛 全国总决赛铜奖 **Q1** **为什么选择这个赛题？** 主要有两方面的原因，一方面我们团队在医学成像相关领域有一定的研究基础，并且在深度学习相关领域也有着不错的应用经验，有比较高的把握完成“AI+生命科学”的赛题。 另一方面，我们实验室曾参与华为云的昇腾众智开发项目，团队中多位成员均取得了昇腾众智开发者称号，对于华为云ModelArts AI开发平台以及昇思MindSpore AI框架有着较丰富的使用经验，对于项目中可能出现的各种问题，有比较高的把握去解决。两方面的因素相结合，促使我们选择了华为产业命题赛道“AI+生命科学”这一赛题。 **Q2** **请详细介绍一下参赛的项目。** 随着社会老龄化加剧，以阿尔兹海默症为代表的老年疾病频发，在利用医学影像进行疾病诊断时，现有方法依赖医生经验性的诊断，诊断过程复杂、效率低，且易受客观因素影响。 针对现有诊断中存在的难题，我们构建了基于磁共振影像与深度学习技术的阿尔兹海默症患者辅助诊断工具，基于注意力机制构建了神经网络，结合多示例学习提取人脑磁共振图像的深层特征，实现了对阿尔兹海默症患者、轻度认知障碍患者及健康受试者人脑磁共振影像的快速高精度辅助诊断。项目基于昇思MindSpore AI框架实现，能够快速地完成影像辅助诊断，易于部署应用。 视频可点击此链接https://mp.weixin.qq.com/s/WJLC5794MoutADgDOykGPQ观看。 **Q3** ****请****介绍一下项目核心创新点在哪？\*\*\*\* 第一是基于注意力机制构建了面向人脑磁共振图像的神经网络，能够高效地利用人脑核磁影像信息进行疾病诊断。获取的三维脑部图像具有较高的维度，直接处理需要较高的计算开销，对于处理的硬件性能要求高，我们提出将数据进行分块，并行提取特征。 另外考虑到人脑不同位置对于疾病诊断的重要程度是不同的，例如阿兹海默症主要病理表征在于皮质萎缩、脑室扩大以及海马体萎缩等，为了使网络能够充分挖掘人脑关键区域部分的特征，我们引入了注意力机制对提取的特征块进行加权，提升网络的诊断精度。 第二是基于华为昇腾AI处理器实现网络的快速训练与固化部署。华为昇腾AI处理器对于FP32精度支持不够完善，我们利用Loss Scale技术在FP16精度下进行网络的训练，大幅提升了网络的训练与推理速度，同时实测推理精度与使用GPU在FP32精度下相当。 最后，华为云与昇思MindSpore提供了简单易用的模型固化工具，得益于构建的网络高效的数据处理能力，训练好的模型经过固化后，在性能较弱的昇腾310处理器上仍能够快速的推理，进行疾病诊断。 **Q\*\*\*\*4** **项目遇到的难点、痛点是如何解决的？** 项目中遇到问题是在所难免的，对于理论方面的问题，主要通过查资料、咨询导师来解决。对于技术实现上的问题，主要有三个途径来解决。首先是团队内进行讨论，大家一起查资料、头脑风暴，商讨解决方案，第二个途径主要利用昇腾相关的论坛，很多问题都是别人遇到过的，第三个途径就是求助官方了，在ModelArts上提工单，咨询相关的工程师。 **Q5** ****请问你们****项目未来的应用场景是如何的？\*\*\*\* 随着社会老龄化的加剧，以阿尔兹海默症为代表的老年疾病频发，阿尔兹海默症即所谓的“老年痴呆症”，阿尔兹海默症的早期诊断治疗能有效避免病症恶化，但是现有的医学诊断方法，严重依赖于医生经验性的诊断，诊断过程复杂、效率低，诊断开销高，同时有限的医疗资源，也难以应对日益增长的诊断需求，导致大量的患者未能及时得到诊断治疗，病情恶化至晚期。 本项目构建的基于磁共振影像与深度学习技术的阿尔兹海默症患者辅助诊断工具能够实现相关疾病的快速精确诊断，提升诊断效率并降低诊断开销，能够及时的对潜在患者进行诊断，尽早采取治疗措施，避免病情恶化，具有巨大的应用价值。 **Q6 请\*\*\*\*说一说使用昇思MindSpore的体验。** 我个人平时主要使用PyTorch，转用昇思MindSpore还是比较顺手的，整体使用体验还是比较相近的，主要是一些API的不同，参考官方提供的相关API对应文档，还是能比较快上手的。 另外一个比较好的点就是，昇思MindSpore同时支持动态图和静态图，使用动态图构建代码逻辑并调试，训练的时候再使用静态图提高计算效率，减少训练时间。昇思MindSpore还提供了比较详细的中文文档，这一点对新手来说比较友好。我期待昇思MindSpore越做越好，不断完善发展，走出自己的路。 **Q7** **在参与**“**互联网+”比赛中有什么收获和经验？** 最重要的是选好合适的题目，向我们组选了比较熟悉的赛题，对于需要做的事以及可能遇到的问题都有一定的预期，实施起来就比较顺畅。第二点就是充分利用开源社区和官方文档，我发现很多问题很难描述，或者说很难正确描述，以至于简单的使用百度检索不到需要的答案，很多时候浏览社区帖子与官方文档能够更好的解决问题。 **PART THREE** **导师访谈** \*\*胡悦，\*\*哈工大电信学院信息工程系副教授，博导，黑龙江省优秀青年科学基金获得者，于2014年获得美国罗切斯特大学工学博士学位，同年入选“哈工大青年拔尖人才”选聘计划。 主要科研方向包括：智能图像感知与处理、人工智能算法、多模态医学影像处理、遥感影像分析与解译等。近五年在领域顶级期刊及学术会议发表论文30余篇；近五年承担科研项目包括国家自然科学基金面上项目、省自然科学基金优青项目、面上项目、国防重点实验室基金、教育部重点实验室基金、华为技术有限公司软件开发项目等。 **Q1** **请老师谈谈陪伴学生参加本次比赛获得佳绩的心路历程。** “互联网+”大赛是全国最有影响力的创新创业类赛事活动，华为产业赛道聚焦产学研融合，瞄准科技前沿和关键领域，推动大学生高质量创新创业。 智慧医疗是医疗行业的未来发展趋势，标志着医疗体系逐步向智能化、精准化、个体化发展，我的研究方向之一就是医学影像智能处理，在该方向有多年的积累，前期也承担过华为技术有限公司的软件开发项目，因此本次竞赛中，我和我指导的学生团队选择了华为产业赛道下AI+医学影像这一命题。 这一创新创业命题符合当前整个国家、社会和群众的需求，有着巨大的社会价值。在本次竞赛中，学生们借助华为公司给予的平台与支持，完成了AI医学影像创新实践项目，在过程中学生们结合国家和社会对智慧医疗领域的实际需求不断学习和创新，体现出了优异的创新创业能力。 “互联网+”大赛竞争非常激烈，本次获奖体现出同学们的创新、协作、进取精神，而产业赛道给学生们创造了更多的机会，通过本次竞赛，学生们更加熟悉华为云平台以及昇思MindSpore AI框架，这将对他们未来的科研以及实际工作起到重要积极的作用。 **Q2** **老师有什么想对自己学生说的？** 首先祝贺同学们在此次“互联网+”大赛中取得好成绩！互联网＋大赛是我国目前学科竞赛中竞争最激烈、含金量最高、也是国家最重视的比赛之一，在比赛中获奖与同学们的坚持不懈和勇于创新的精神是分不开的，相信这次大赛对于大家是一次很好的学习和锻炼机会，能够在凝练科学问题的同时进一步了解智慧医疗领域未来发展趋势，更好的将理论与实际结合。期待同学们在未来的科研以及实际工作中能够不断进取，面向国家、社会的重大需求获得更多更好的成果，为我国科技发展做出贡献！ 看完上面的分享，相信屏幕前的小孢子们也一定收获满满吧！创新创业不是一件容易的事，它是需要通过不断优秀自己，不断磨练自己，在困难中前进，在困难中加强自己。 本期采访就到这里，下一期内容更精彩，速速关注我们吧！ --- https://www.mindspore.cn/news/zh/2013/ --- 新闻 加入社区 | 众享比特未来融合研究院加入昇思MindSpore开源社区，助力智慧医疗深度发展！ # 加入社区 | 众享比特未来融合研究院加入昇思MindSpore开源社区，助力智慧医疗深度发展！ 2022/12/13 # 加入社区 | 众享比特未来融合研究院加入昇思MindSpore开源社区，助力智慧医疗深度发展！ 近日，**苏州众享云腾区块链研究院有限公司签署CCLA（Corporate Contributor License Agreement，企业贡献者许可协议书），正式加入昇思MindSpore开源社区。** **众享比特未来融合研究院**\*\*&昇思MindSpore\*\* 2022年11月，众享比特未来融合研究院高级研究员李扬受邀参加由昇思MindSpore开源社区主办的【MSG企业行·AI+医疗】线上交流会，以乳腺癌和心磁为例，分享了AI如何与医疗结合，结合人工进行医学诊断。包括图像分类，病灶定位，专家系统，算法融合等方法。 近日，众享比特未来融合研究院签署企业贡献者许可协议书，正式加入昇思MindSpore开源社区，助力智慧医疗深度发展！ 众享比特未来融合研究院加入开源社区后，将**基于昇思MindSpore全场景AI框架，积极探索深度学习在医疗影像当中的诊断方法，打造创新性产品及解决方案。** 未来，众享比特未来融合研究院将作为区块链行业融合治理的新生力量，致力于为传统行业赋予更多深度融合与创新的活力。与更多的昇思社区伙伴一起，构建繁荣的人工智能产业生态圈。 **昇思MindSpore** 昇思MindSpore是华为开源的新一代全场景AI框架，支持端、边、云全场景灵活部署，开创全新的AI编程范式，降低AI开发门槛，旨在实现开发友好、运行高效、部署灵活三大目标，同时着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。同时，昇思在致力于大规模自动并行、科学计算支持等特性优化之外，还着力打造学习型社区环境，希望凝聚开发者力量共建社区，与开发者共同学习和成长。 **众享比特未来融合研究院** \*\*众享比特，\*\*是一家技术驱动型公司，成立于2014年7月，深耕分布式网络和区块链技术，自主研发了全球首个基于区块链技术的数据库应用平台——ChainSQL，并在2018年获得国家密码局颁发的商用密码产品型号证书。 \*\*众享比特未来融合研究院，\*\*是区块链融合创新领军者。成立于2018年，从事区块链技术及专利研究，深入探索将区块链技术与传统产业相结合，持续为产业赋能。 众享比特未来融合研究院由北京众享比特科技有限公司全资控股成立。依托众享比特先进的技术支持和扎实的落地能力，众享比特未来融合研究院已和清华大学、北京大学及中国人民大学等多所高校进行合作，探索区块链技术在多场景中的创新型应用与研究。 众享比特未来融合研究院期望通过对技术、行业与创新进行前瞻性的探索，成为国内外领军的融区块链产、学、研为一体的创新型科研机构，助推中国区块链行业健康、可持续发展，促进区块链行业及其相关社会领域的稳定与高效增长。 我们诚邀各企业、高校及科研院所加入昇思MindSpore开源社区，成为社区合作伙伴，与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态。 更多合作需求 请扫码添加企业助手进行咨询 --- https://www.mindspore.cn/news/zh/2015/ --- 新闻 加入昇思MindSpore量化金融 SIG，加速金融衍生品定价求解 # 加入昇思MindSpore量化金融 SIG，加速金融衍生品定价求解 2022/12/14 # 加入昇思MindSpore量化金融 SIG，加速金融衍生品定价求解 量化金融（Quantative Finance）结合数学模型和金融模型，再加之计算机编程，以此来进行金融市场和交易的量化分析。量化金融将数学、统计学、计算机科学和金融学融合在一起，是典型的交叉学科。金融衍生品定价是量化金融领域应用最多的一种场景。金融衍生品为一种特殊类别买卖的金融商品统称，主要有期货、期权、远期合约、掉期交易及差价合约等。 金融衍生品定价是一种计算密集型应用，其主要思想是在计算机硬件和软件的支持下求解SDE（Stochastic Differential Equation）或PDE（Partitial Differential Equation）。常用的求解方法包括蒙特卡洛模拟、有限差分以及神经网络等。在此背景下，昇思MindSpore量化金融专项兴趣小组（简称：量化金融 SIG）正式成立，并面向开源社区招募志同道合的伙伴。 1 **量化金融 SIG\*\*\*\*使命** 金融衍生品是现代金融市场必不可少的避险工具。20世纪90年代以来，我国场内外衍生品市场快速发展，在全球占据重要地位，在经济金融中发挥了重要的作用。其中，衍生产品定价问题则是金融衍生市场保持健康性的一个重大课题。 在如今人工智能快速发展与金融市场不断趋于高频化的背景下，结合合理有效的模型和方法，利用AI和计算机硬件资源，推陈出新，打造适合现代理论和科学技术的量化金融库是有意义的。量化金融 SIG意在结合现代科学技术和衍生金融工具理论，对衍生产品进行合理定价解决金融衍生品定价问题，小组主要开展了如下几个方向的工作： **01、构建量化金融经典模型** 结合昇思MindSpore框架，构建统一的量化金融定价模型，建立BlackScholes、Heston、CIR等经典模型，面向短期利率、期限结构等不同场景，期权、债券、互换等各种衍生工具，结合相关模型，提供统一的接口，方便模型的使用和迁移。 **02、AI结合量化金融问题研究** 结合昇思MindSpore框架和PINNs，Forward Backward SDE， Neural SDE等神经网络模型，帮助解决传统定价模型高维求解困难的痛点，利用昇思MindSpore提供的深度学习功能，进行AI+量化金融的研究，构建创意高效的现代定价工具。 \*\*03、\*\***联合共建昇思MindSpore“量化金融套件”** 基于全场景AI框架昇思MindSpore，实现一系列量化金融模型的求解器，目标典型产业领域需求。使得量化金融行业可以充分利用GPU、昇腾等现代加速器提供的先进算力，加速传统模型和模拟方法，打造高效率的量化金融套件。量化金融套件包括利率、金融时间序列、优化求解器以及基础数学库，提供一整套数据收集、处理、建模以及应用的流程，形成“端到端”的量化金融问题解决方案。 2 **量化金融 SIG\*\*\*\*工作计划** **前期** 以成员学术交流活动为主，每月组织线上交流活动，围绕衍生品量化中涉及的科学计算模拟、微分方程求解等问题，介绍研究工作进展，讨论研究工作中的难点。 **中期** 通过合作开发等模式，在国内高校及企业间开展量化金融合作研究。 **后期** 通过任务揭榜或比赛PK等模式，在全球范围内开展量化金融合作研究。 3 **量化金融 SIG\*\*\*\*学习指南** **01、构建量化金融经典模型** 需要成员对衍生品定价的基本理论有所掌握，有一定数学、统计学基础，了解量化金融的数学模型并且能够动手复现，具备一定的文献阅读能力和代码开发能力。 **02、构建量化金融经典模型** 1）了解金融市场基本常识，和期权等金融衍生工具，套利以及定价等相关知识。2）按照模型复杂程度的顺序逐步学习量化金融经典模型。3）动手实践，利用现实数据进行相关金融分析。 4 **量化金融 SIG\*\*\*\*构成** **小组领衔成员** \*\*鲁蔚征，\*\*中国人民大学校级计算中心工程师，参与科技部国家重点研发项目，主持参与华为、新华三等企业项目多项。多篇研究成果发表在顶级学术会议期刊，另有独作专著1本。 **小组成员** 01、\*\*严兴，\*\*中国人民大学助理教授 02、\*\*Harry Liu，\*\*华为昇思MindSpore工程师 03、\*\*杨楠，\*\*中国人民大学博士在读 04、\*\*袁承博，\*\*武汉大学本科在读 05、\*\*贾耀博，\*\*中国人民大学本科在读 06、\*\*刘彭博，\*\*青海大学本科在读 5 **量化金融 SIG召唤你** 扫码加入量化金融 SIG交流群 **sig仓：** https://gitee.com/MindSpore/community/tree/master/sigs/mindquantfinance **代码仓：** https://gitee.com/luweizheng/mind-quant-finance 昇思MindSpore开源社区算力使能，快来SIG申请你的专属算力 昇思MindSpore为推动SIG发展和开发者活跃，发布社区专属算力使能计划，面向SIG发放海量算力，免费领取。助力开发者了解和掌握全场景AI技术，支撑开发者实践和项目开发，助力开发者全面发展。 关于MindSpore SIG 昇思MindSpore社区欢迎业界专家、学术伙伴在社区成立特别兴趣小组（SIG），作为社区领域技术代言人，打造领域技术品牌，共建昇思MindSpore开源生态。 MindSpore SIG即MindSpore Special Interest Groups，即“昇思特别兴趣小组”，MindSpore社区成立个技术SIG的初衷是为该领域的专家、教授和学生提供一个开放交流的平台，通过会议分享、项目开发等活动促进技术交流、合作共赢，并使得SIG成员的影响力和技术能力得到提升，截止目前，MindSpore SIG共计成立20+。 如果你也想成立一个SIG 扫码添加小助手了解更多 --- https://www.mindspore.cn/news/zh/2023-3-28-1/ --- 新闻 蛋白质结构预测的解决方案 # 蛋白质结构预测的解决方案 2023/03/28 ## 项目说明 ## 案例背景 蛋白质结构预测是获得蛋白质功能结构和构象的过程，近半个世纪以来，这一问题一直被誉为“21 世纪的生物物理学”最重要的课题之一。 在过去，因蛋白质构象数量巨大，计算过程复杂，通过 AI 来对蛋白质结构进行预测一直未能取得实质性突破，获取蛋白质空间结构的方法仍然以冷冻电镜、X-ray 等实验技术为主，单个蛋白质的观测成本高达数月及数百万人民币。 直至 AlphaFold 2 的出现，使得这一问题迎来新的曙光。AlphaFold 2 凭借其接近实验精度的成绩取得 CASP14 蛋白质空间结构预测比赛的榜首，这一成就也被 Nature 誉为“前所未有的进步”。 2021 年 7 月 DeepMind 团队宣布对 AlphaFold 2 的推理源代码进行开源，华为与北京昌平实验室、北京大学生物医学前沿创新中心（BIOPIC）和化学与分子工程学院、深圳湾实验室高毅勤课题组第一时间对其进行了复现及优化，并于同年 11 月开源了基于昇思 MindSpore 的推理工具，效率同比提升 2-3 倍。 日前，华为与北京昌平实验室、北京大学生物医学前沿创新中心（BIOPIC）和化学与分子工程学院、深圳湾实验室高毅勤教授课题组，在全场景 AI 框架昇思 MindSpore 上推出全流程蛋白质结构预测工具 MEGA-Protein。 ## 案例简介 ### 一、AlphaFold 2 的缺陷 为了满足预测精度，AlphaFold 2 必须引入多序列比对的信息。MSA 的数量决定了 AlphaFold 2 的预测精度，因此 AlphaFold 2 有着自己的缺陷： 自然界中的「孤儿序列」以及人造序列存在着缺少 MSA 或没有 MSA 的情况，导致 AlphaFold 2 等模型对相关的结构预测准确度大幅下降。 AlphaFold 2 等标准检索 MSA 流程，数据库规模大，搜索时间长，不利于展开研究。 ### 二、AI MSA 引擎 昇思 MindSpore 社区与昌平实验室、北京大学生物医学前沿创新中心（BIOPIC）和化学与分子工程学院、深圳湾实验室高毅勤教授课题组新提出的 AI MSA 引擎具有如下几个优势： 于原始 MSA 质量不高或者数量少的蛋白，将 AI MSA 引擎接入 AlphaFold 2 后可以明显改善结构预测的质量。 端到端推理性能大幅提升，训练完成的 AI MSA 引擎不需要额外配置数据库。 AI MSA 引擎是一种对下游结构模型普适的预训练方案，可直接接入下游结构预测模型。 ### 三、昇思 MindSpore AI 框架 AI MSA 引擎训练参数量，数据量巨大，训练要求高，昇思 MindSpore AI 框架充分发挥以下优势，支撑完成 AI MSA 引擎的训练。 昇思 MindSpore 在昇腾 AI 基础软硬件平台上与昇腾 CANN 深度结合，通过深度协同优化的高性能算子库，充分释放硬件的算力。 昇思 MindSpore 采用了多段并行流水线的方式来构建数据处理 pipeline，大幅提高了数据处理过程的吞吐量。 昇思 MindSpore 支持大集群高效训练，实现了优质的计算通信比，通过三层 AI 分布式编程范式，大幅提升分布式并行程序开发效率。 ### 四、全流程蛋白质结构预测工具 MEGA-Protein MEGA-Protein 包含 AI MSA 引擎、蛋白质折叠训练推理流程、蛋白质结构打分、蛋白质结构预测数据集 PSP 等关键技术，能够高精度高性能地预测蛋白质结构和功能，其中 AI MSA 引擎能够在 MSA 少样本甚至零样本的情况下，帮助 AlphaFold 2 等模型维持甚至提高推理精度，有效突破了 AlphaFold 2 的缺陷。 这是在实现 AlphaFold 2 从训练到推理全流程打通且效率同比提升 2 至 3 倍后，取得的又一次成功。 --- https://www.mindspore.cn/news/zh/2023-3-28-10/ --- 新闻 国潮AIGC生态系统 # 国潮AIGC生态系统 2023/03/28 ## 项目说明 根据有关数据，国潮在过去十年的关注度不断上涨，并且海外市场正在不断升温。集东方美学与现代时尚为一体的国潮正成为连接中国和世界新的文化桥梁。国潮可以说是顺应青年群体的审美品位和个性特征，对传统文化进行再创作和再表达。比如故宫、三星堆等博物馆基于中国经典文物元素设计开发文创产品，河南电视台用视听语言重新复原唐朝风貌，央视春晚通过高科技将传统山水意境融入现代舞台等。 国潮立足青年群体尤其是Z世代的审美取向和文化旨趣，不仅为未来的国际传播创造了新的中国特色的符号中介，同时切中全世界青年人共同的“潮”“酷”等个性化诉求，为超越国家层面的文化再生产开辟出潜在空间。 拉动着国潮产业发展的是设计师的一个个原创的国风设计。而设计的根本在人，但传统的人工设计面临着时间成本高、周期长、难度大、创新难等诸多问题，一张精美的国潮图案需要由设计师经过前期的大量调研，灵感的深度挖掘，素描轮廓的绘制、上色、修饰等环节才能最终形成成图，耗时耗力。 ## 案例简介 湖南禾福文化科技有限公司“薪火芳华”团队基于全场景AI框架昇思MindSpore，自行研发基于知识图谱和大模型的国潮AIGC生态系统（AI生成2D平面图像、3D模型、视频等元宇宙数字内容），为元宇宙空间提供可商用的优质数字内容，优化工业设计到生产的流程效率，降本增效，有效的将文化遗产演变为数字资产，打通“文化-科技-消费”全链路径，释放国潮文化的源头生产力，在消费端打造一个率先出海的青年国潮品牌“薪火芳华”。 ## 解决思路 薪火芳华团队走访了137个非物质文化遗产发源乡，拜访了583位非遗传承人，历时五年时间搭建起以青年大学生为主要力量传播和推广中华优秀文化的平台，并积累了丰富的传统文化IP 素材库，为日后图像生成算法的训练奠定了原始数据集的积累。 ## 案例优势 团队创新研发了2D生成模型YouthNet及3D生成模型YouthDimension，通过自建高质量数据集训练深度学习网络，利用数据集中的多种文化元素使计算机能够自主生成符合大众审美的创新性国潮2D图像和3D模型，减少繁琐的人工挑选及绘制步骤，能够帮助用户零门槛地体验平面设计和建模设计。 基于图像创新技术，结合设计师的精加工，目前已形成十六大系列面向市场的国潮文创产品。 --- https://www.mindspore.cn/news/zh/2023-3-28-2/ --- 新闻 人工智能分子动力学模拟 # 人工智能分子动力学模拟 2023/03/28 ## 项目说明 ## 案例背景 分子动力学模拟（molecular dynamics, MD）是化学、生物、物理、材料科学等领域的重要研究工具。人工智能增强的分子模拟是一个全新的交叉学科研究领域，它结合了AI数据驱动和分子模拟物理驱动的优势，并催生出一系列有趣的新技术、新问题和新挑战。分子模拟通过结合和适配最先进的AI技术，可以构建全新的基础设施，并产生更多独特又令人兴奋的分子模拟全新研究范式。 ## 案例简介 ### 一、基于AI框架的分子模拟 当前主流的分子模拟软件往往诞生于几十年前，在很多地方都难以适应当今IT技术的发展。传统分子模拟软件在支持新设备（如NPU）或者大规模并行计算时，往往需要对程序进行大幅改动。目前大部分的分子模拟软件以C/C++和FORTRAN语言编写，但目前的AI框架多以Python语言为前端，这导致 AI 算法难以集成在分子模拟软件中。高毅勤教授与杨奕研究员团队联合昇思MindSpore团队提出了一种“类AI”的分子动力学模拟程序架构，可以如执行AI训练那样运行MD模拟程序。 在该架构下，MD模拟被看作一种特殊的AI训练过程，原子坐标相当于神经网络参数，势能函数相当于作为优化目标的损失函数，而MD积分器则相当于一种特殊的AI优化器。根据这种相似性逻辑，分子模拟程序可以自然而然地在AI框架中重构，高毅勤教授与杨奕研究员团队因此基于华为全场景AI框架昇思MindSpore，开发了AI原生分子模拟程序 MindSPONGE。该框架可以充分发挥昇思MindSpore作为AI框架的强大能力，提供了可微编程、高通量计算和自动硬件迁移等非常有吸引力的功能。 ### 二、结合AI的增强采样和多尺度建模 传统分子模拟采取的机理计算难以覆盖更大的时间和空间尺度，而基于机器学习的增强采样技术和多尺度建模策略可以突破这一限制。理论研究化学反应机制在有机化学中至关重要，使用量子化学来计算手动构建的过渡态分子的构象是最常用的传统方法。然而，这种方法严重依赖个人经验和化学直觉。在分子动力学模拟中采用增强采样可以直接模拟化学反应的整个过程，是一种研究化学反应的有效手段，但是计算速度限制了高精度势能函数在模拟中的应用。 为了解决这个问题，高毅勤教授及杨奕研究员团队开发了基于图神经网络（GNN）和Transformer架构的分子模型，在MindSpore SPONGE计算生物套件下将其用于训练高精度的分子力场。训练好的势能函数允许在低计算成本下对化学反应机制进行高精度的模拟分析。该方法已被成功应用于研究Claisen重排反应和锰催化的羰基插入反应。 ### 三、基于增强采样分子模拟的冰晶成核动力学研究 水是地球上最丰富的分子之一，尽管水分子的结构简单，但在自然条件下冰核的成核动力学可能会非常复杂。高毅勤教授及杨奕研究员团队使用分子动力学软件SPONGE，基于增强采样方法模拟研究了自发生长的冰核，发现自发形成的冰核与理想核之间的成核动力学存在显著差异，以此为基础提出了一种广义成核理论，更好地表征一般条件下冰晶成核的动力学。 --- https://www.mindspore.cn/news/zh/2023-3-28-3/ --- 新闻 天工大模型 # 天工大模型 2023/03/28 ## 项目说明 ## 案例背景 抗体类药物已被广泛批准用于治疗多种疾病，具有巨大的社会价值，尤其在病毒引起的传染病等方面发挥着重要作用。抗体药物市场空间快速发展，然而，传统的抗体设计方法效率低下、成本高昂，难以满足日益增长的临床需求。 ## 案例简介 针对这些需求与挑战，昌平实验室联合昇思 MindSpore 打造的“天工”抗体设计模型应运而生。它是一种能够与实验进行交互、具备生物先验知识的生成式 AI，能够实现对非人源有效抗体的人源化，从而降低抗体实验研发成本。此外，它还能进一步优化具有功效的抗体的可成药性、降低生产成本，最终实现对可成药抗体的高效增值。它将为抗体药物的研发带来革命性的变革。 “天工”抗体设计模型是基于昇思 MindSpore 打造的一款创新工具，能够实现抗体功能设计、序列嫁接和活性预测等多种任务。天工模型设计效率相比传统抗体设计方法提升一个数量级以上，基于天工模型嫁接改造得到的人源抗体，经协和医学院团队验证抗体表达量提升约 5 至 10 倍，有望将抗体生产成本降低 2 倍以上。 “天工”抗体设计模型是业界多领域交叉融合的杰出成果。依托昇腾硬件与昇思 MindSpore AI 框架的基础软硬件能力， “天工”模型实现高效训练和推理。昌平实验室则为该模型注入了抗体设计领域的生物先验知识，使其能够同时支持高精度的功能设计和嫁接设计。协和医学院以其丰富的临床经验，迅速对新设计的抗体进行实验验证，并将湿实验结果反馈至模型，形成了干湿实验的闭环，为“天工”模型的完善和应用提供了强有力的支持。 ## 案例优势 ### 1、软件协同：高效内存复用，模型性能提升 昇思 MindSpore 结合框架高效的内存复用能力，使用了重计算技术对模型进行优化。该技术网络正向执行是释放激活层的计算结果，在模型反向计算时重新计算正向激活层的结果，有效降低峰值内存，最终将训练内存减少了 10 倍。lazy inline 编译优化技术，能标记循环体中频繁调用的子图，推迟 inline 处理至编译的最后阶段，大幅度缩短了编译时间，将“天工”模型的编译性能提升了 5 倍以上。 ### 2、高效设计：降低研发成本，加速临床应用 传统抗体研发投入成本高，导致许多抗体开发商长期亏损，而人源抗体的湿实验成本也相对昂贵。“天工”模型通过多段功能区域的联合分布改造生成抗体序列，能够高效筛选出具有优良活性的抗体候选。经过实验验证，经过“天工”模型嫁接改造的抗体相较于原始抗体，表达产率提升了约 5~10 倍。这一显著提升的表达产率为生产环节带来了巨大的效益。表达产率的提升意味着在相同的生产周期内，可以获得更多的抗体产品，从而降低了单位抗体的生产成本。 ### 3、智能预测：提升抗体活性，优化治疗效果 “天工”模型还具备强大的活性预测能力，能够准确预测抗体的生物活性，为优化抗体结构、提升治疗效果提供了有力依据。通过智能预测，研究人员可以更加精准地筛选出具有优良活性的抗体，提高药物研发的成功率。针对一个具有潜在癌症治疗功效的鼠源抗体选择作为人源化目标，通过“天工”模型进行嫁接后得到的抗体序列，相比于原始序列在人源性得分上达到了 70%以上的提升，人源性分数表示人源化后的抗体与人类抗体序列的一致性程度，通常较高的人源性分数表示临床免疫原性更低、稳定性更高。 .tiangong-img-box { width: 100%; padding: 24px; background: #f5f9fb; margin: 24px 0; display: flex; justify-content: center; } .tiangong-img-box img { width: 63%; } --- https://www.mindspore.cn/news/zh/2023-3-28-4/ --- 新闻 变电站运维图像识别分析解决方案 # 变电站运维图像识别分析解决方案 2023/03/28 ## 项目说明 ## 案例背景 变电站是电力系统中的重要基础设施。伴随着电网的快速发展，用电量逐渐增大，电力设备运行环境日趋复杂，同时，为了满足对偏远地区的供电需求，许多变电站都架设在相对偏僻的位置，增加了设备安全方面的风险，加大了运维管理工作的难度。 传统的变电站运维管理工作由总控室的运维管理人员负责看管整个供电网络，当出现问题时，需要技术人员进入变电站现场进行技术检测和维护，不仅存在时间上的延误，也产生了诸多现场工作的安全风险。智能化，是解决当前变电运维问题的关键手段。 ## 案例简介 该方案通过昇思MindSpore AI框架实现算法服务的开发与部署，以图像识别算法作为服务层，通过统一接口规范接入变电站监测系统，或将服务封装以sdk形式部署于变电站终端设备，实现对人员和设备的管理： 1、变电站设备智能巡检：通过24小时不间断的视频智能监测代替传统人工巡视方式，可同时对多个设备、多个位置进行在线分析，以智能化的设备状态分析方法代替繁琐重复的人工经验性判断，运维人员只需对设备状态识别结果进行复核和重点审查，大大提升设备监测效率，降低运维管理成本。 2、变电站现场安全智能管理：通过摄像头对变电站运检人员进行实时监测，可快速准确判断出现场作业人员是否存在违章行为，当出现未带安全帽、未穿工装、吸烟等行为时，系统能够对这些违章行为进行捕捉，并立即予以警告，同时生成违章日志文件自动记录，有效提升人员作业安全意识，降低安全风险。 友情提示：当前仅开放体验版模型，未做调优，不可直接部署生产使用 --- https://www.mindspore.cn/news/zh/2023-3-28-5/ --- 新闻 电力设备安全隐患分析解决方案 # 电力设备安全隐患分析解决方案 2023/03/28 ## 项目说明 ## 案例背景 电力安全隐患是指电力设备在运行中可能出现的安全问题，这些问题可能会造成严重的经济或社会影响。为了强化电力安全隐患排查治理和监督管理有关工作，有效防范遏制电力事故事件发生。 ## 案例简介 电力隐患检测是指对电力设备进行定期检查或试验，以发现运行中电力设备的隐患、预防发生事故或电力设备损坏。这些检查或试验需要按照规定的试验条件（如规定的试验设备、环境条件、试验方法和试验电压等）、试验项目、试验周期进行。 ## 解决方案 采用无人机电力巡检对关键线路进行安全隐患检测，无人机电力检测是指使用无人机对电网设施和环境进行自动化、精细化巡检，以降低工作出错率与风险，大幅提升效率。无人机可以搭载多种传感器的任务设备，主要完成激光点云以及可见光、红外、紫外影像数据的获取。这样可以迅速定位故障，及时排除故障，大大降低工作出错率与风险，大幅度提升电网巡检效率。 ## 案例优势 无人机电力巡检有很多优势。它能够快速准确地了解故障情况，有效提高应急时间内的效率，为紧急抢修电塔、电线争取有效时间，进而降低因为高额停电所造成的损失。此外，无人机电力巡检可以防止意外发生，减少工作人员以身涉险的状况。 友情提示：当前仅开放体验版模型，未做调优，不可直接部署生产使用 --- https://www.mindspore.cn/news/zh/2023-3-28-6/ --- 新闻 变电站AI分析主机 # 变电站AI分析主机 2023/03/28 ## 项目说明 ## 案例背景 为提升变电站智能化巡检水平，提高巡检工作效率，针对现存视频巡检、机器人巡视、无人机巡检等方式存在相对独立，巡视点位覆盖率较低，巡视结果汇聚工作量大，海量缺陷判别依靠人工经验等问题，电力公司围绕生产业务创新以及“国产化”要求，制定巡检智能化标准，要求建设以图像识别为核心的变电站远程巡视系统。 ## 案例简介 华为&江苏润和变电站AI分析主机联合解决方案 变电站AI分析主机内置设备缺陷识别、设备状态判别、安全管控、环境状态感知等多类模型，可以对变电站内设备、环境状态、作业安全进行自动诊断和预警，实现“智能巡检”。变电站AI分析主机产品应用能够大幅降低运维人员日常工作，有力提升变电站巡视效率和监控强度，提升缺陷的应急响应速度，缩短缺陷的处理时间。数据显示，应用变电电站AI分析主机对某220kV变电站4000+点位巡检，单次巡检只要30+分钟，小于巡检规范要求的2小时，效能提升70%，利用AI分析主机能够提升巡检频次，在节约成本的同时确保缺陷及时发现、及时处理，保障电网安全稳定运行。 ## 案例痛点 变电站环境复杂、设备多样、AI应用场景丰富多变，如果还是按照传统“项目制”赋能方式，每个模型都需要重复投入人力、物力、财力开发，研发流程难以复用，AI应用成本高，难以形成生产力。 ## 案例优势 变电站AI分析主机应用昇腾AI基础软硬件平台打造标准化、流程化的模型生产和应用流程，实现“数据-场景-算法”闭环快速迭代，支撑变电站智能巡检定制化需求快速落地。 该方案借助于昇思MindSpore完整的YOLOV3算法训练和部署流程，整个算法模型的开发周期比以前缩短3倍，大大降低算法开发难度和对算力资源的要求。 温馨提示：当前仅开放体验版模型，未做调优，不可直接部署生产使用 --- https://www.mindspore.cn/news/zh/2023-3-28-7/ --- 新闻 电力合同风险评估与管理 # 电力合同风险评估与管理 2023/03/28 ## 项目说明 ## 案例背景 合同作为所有经济活动的起点，是企业遵循市场经济规律的重要体现。合同签订流程涉及到大量的审核工作，需要丰富的法律经验。为了实现对合同全生命周期的管控，利用自然语言处理技术（NLP）进行合同文本分析，通过建立判示模型，对合同文件中的问题进行自动判别，能更加精准地把握合同签订全流程中存在的风险，有助于建立健全风险信息预警机制，提高企业合同风险管理工作水平和效率。 ## 案例简介 目前大部分电力公司的合同风险审查工作主要依靠人工完成，审核过程可能存在缺乏客观性，同时，审核工作具有大量重复性、体力性的日常工作。此外，合同流程涉及业务部分的交叉较多，但是前期却难以直接深入了解，导致前期风险排查不及时，后期容易产生纠纷或不利后果。 华为公司设计开发了基于NLP技术的合同风险评估与管理系统，利用大数据技术、NLP自然语言理解、智能规则引擎技术，实现合同签约风险诊断风险预警，将合同风险管理从业务员单一经验判断转变到与知识库融合解决的形式，把业务人员从重复性的业务工作中解放出来，投入到风险数据库建设中，杜绝已出现的合同风险重复性出现的顽疾，真正实现合同风险从事后处理向事前防范和事中控制转变。 ## 案例优势 基于NLP技术的合同评估管理系统有效支持电力公司合同风险管控工作的开展，提高合同风险管控工作效率，降低相关风险造成纠纷的概率及损失，合同风险诊断系统也必将为大渡河公司带来更大的价值。 友情提示：当前仅开放体验版模型，未做调优，不可直接部署生产使用 --- https://www.mindspore.cn/news/zh/2023-3-28-8/ --- 新闻 工业AI算法库READ # 工业AI算法库READ 2023/03/28 ## 项目说明 ## 案例背景 工业AI是智能制造的一个重要发展方向，有望能有效地推动生产力的发展，也是未来国家间竞争的关键。工业质检是工业生产中最重要的环节之一，也是工业转型升级的重要突破口。传统工业质检依靠人力，不仅效率低、出错率高，而且人力成本高，人员易流失。基于AI的工业视觉检测是工业AI的一个重要的内容，主要针对工业生产中的各种产品的进行品质监控，筛选有缺陷的产品。在TCL自身的工业AI视觉实践中，我们发现由于工业生产场景自身的特点，缺陷检测任务经常缺乏足够的异常样本用作训练。因此，在工业质检领域，基于正常样本的弱监督/自监督/无监督算法有着相当重要的价值，甚至在一定程度上可以帮助AI算法在工业领域突破大规模应用的红线。 相关统计数据显示，中国每天在产线上进行目视检查的工人超过350万，其中仅3C行业就超过了150万人。这些质检人员每天都要花费大量的时间去判断工业零件的质量，不但有害员工视力，还会存在速度和稳定性差等问题，对检测效率和质量造成影响。同时，传统的工业质检方法是通过实验，人工用放大镜、显微镜等多种工具选取亮度、颜色、尺寸、形状等特征及其参数来设计判决规则，仅可判别定量缺陷检测、无法自适应，泛用性低，并且人工成本高。 ## 案例简介 针对以上的问题，无监督缺陷检测算法在学术界获得了极大的关注同时涌现了大批先进的算法。无监督缺陷检测可以在仅仅使用少量正常样本训练的情况下完成缺陷定位及异常检测的任务。然而，工业视觉领域并不是一个非常开放的领域，社区也不是很活跃，缺乏优秀的开源项目。因此，为了推动无监督异常检测算法在工业视觉领域的应用和研究，在对无监督异常检测进行了大量的创新与实践之后，TCL工业研究院将自己的实践总结成了READ算法库，并启动了READ项目，旨在为工业检测领域提供一个无监督异常检测的框架。 READ专注于研发与集成基于无监督监督学习的大规模异常检测算法和模型，重点解决工业质检中小样本和数据长尾问题，通过针对不同行业的业务和数据特点，研发可在无异常（无缺陷）图像上进行自学习和自训练的异常检测技术。未来，READ项目将搭建工业级别的开源数据库和技术生态平台，寻找更加鲁棒的和自动化的自监督训练方法，建立工业异常检测的标准化流程及评测指标，提升工业异常检测技术的性能和跨行业扩展性。 Read(Reconstruction or Embedding based Anomaly Detection)项目作为第一个工业视觉无监督异常检测框架，目前已经集成了许多学术界前沿的优秀的无监督异常检测算法，可以在仅使用少量正常样本训练的情况下完成缺陷定位及异常检测的任务。主要涉及到的技术有迁移学习、表征学习、Transformer、标准化流、统计分布、无监督学习、弱监督学习等计算机视觉前沿技术。READ提供两个主要功能： 1）用于实现新的异常检测算法的接口； 2）用于封装各种异常检测任务的模板。考虑到使用的开发便利，READ框架架构简洁，使用一个统一的架构将全部的算法串接起来，代码模块化，可以使用简单通用的接口调用使用者需求的算法模型，更易调用和阅读。在精度层面，实现了大量sota算法，并保证实现的精度与原作的精度一致。READ框架具有的主要优势有以下三点：算法丰富、开箱即用、精度保证。READ同时支持PyTorch和昇思MindSpore框架的算法训练，适应了不同开发者的多种部署需求，在追求快速落地的同时又满足部分开发者将模型迁移至国产框架上的需求。 ## 案例难点 1、开发过程是漫长艰辛的，也是困难重重，主要是昇思MindSpore框架还没有稳定下来，我们的算法里面包含很多自定义的或者相对复杂的算子计算API，昇思MindSpore有些还没有实现到位，我们需要自己去“拓荒”，这个过程耗时耗力，往往还会遇到不少问题。开心的是，昇思MindSpore工作人员比较积极配合帮助，在昇思MindSpore和我们的共同努力下，双方都互利共赢，我们算法实现了，昇思MindSpore也加入更新了很多算子，更新速度也比较快。 2、从刚开始的欣喜若狂到后面的逐渐平静，开发过程大部分时间是枯燥乏味的。开发昇思MindSpore版本对于我来说就像在一片混沌中寻找光明，因为它没有前车之鉴，需要我们自己去寻找其中的玄机，我在黑暗中慢慢摸索，困难重重。幸运的是，经过不断努力，我们成功了，尽管过程不是那么让人愿意回味，但是不置可否，昇思MindSpore给我们带来了惊喜。 3、开发过程中的心酸主要是两方面的：一个是算法本身，另外一个就是框架了。算法方面呢，我们设计的无监督异常检测需要在只有少量正常图片训练的情况下，完成异常检测和缺陷分割两个任务，在没有强监督的情况下完成这个任务确实不简单。现有的sota算法有基于传统算法的，基于CNN的，基于Transformer的，基于normalizing flow的，五花八门包罗万象，可以说是深度学习领域的万花筒了，我们团队在开发的时候经常需要像学生时代那样对着论文一句一句过，查漏补缺，基本上大部分主流的模型架构都重新熟悉了一遍。框架方面呢，由于团队成员一开始都是习惯使用的TensorFlow/PyTorch，对于MindSpore并不熟悉，同时由于昇思MindSpore还在快速发展时期，有时候我们需要从头实现一些函数，但是由于Mindspore的开源项目暂时也不是很多，所以我们可以借鉴的代码也比较少，因此有时候大量翻阅MindSpore的API文档也是家常便饭的事情。当然了，做READ项目本身还是一个充满乐趣的事情。对我个人而言，做开源项目最大的收获是获得对于很多的算法更深的理解，同时也确确实实地在社区里留下了自己的东西。 ## 案例优势 由TCL工业研究院基于昇思MindSpore实现的工业AI算法库READ，专注于研发与集成基于无监督监督学习的大规模异常检测算法和模型，重点解决工业质检中小样本和数据长尾问题，通过针对不同行业的业务和数据特点，研发可在无异常（无缺陷）图像上进行自学习和自训练的异常检测技术，旨在为工业检测领域提供一个无监督异常检测的框架。 --- https://www.mindspore.cn/news/zh/2023-3-28-9/ --- 新闻 手语教考一体机 # 手语教考一体机 2023/03/28 ## 项目说明 ## 案例背景 全球约有2.5亿听障人群，其中大部分需要依靠手语。十六年前，第二次全国残疾人抽样调查结果显示，我国有约2780万名听力残疾者，占全国残疾人的30%以上。这一数量还在持续增长。听力障碍严重影响着这个特殊群体的生活、学习和社会交往，不仅时常制造各种尴尬与不便，而且使他们面临沟通难、就业难等一系列问题。 究其原因，主要是手语知识学习的挑战。 仅用手语手势交流的他们，在学习时，往往面临无法准确理解、手语词汇更新慢、看不懂其他地域的手语“方言”等难题。 就像中英文之别，手语作为一种无声的语言，在不同地区有不同的"语法"，比如北京人打手语，海南人可能看不懂是什么意思。 ## 案例简介 基于紫东太初开发的手语多模态模型，华为联合千博信息，实现了手语动作与示意图片和文字的联动，让初学者更加方便的理解手语。同时，基于手语多模态模型，千博信息打造了手语教考一体机，帮助学生随学随练随考，极大的推动手语标准的推广，帮助听障朋友以及手语爱好者更好的学习。 研发人员让“紫东太初”三模态大模型学习了1.2万个手语词汇、50多万语法、70多万语料，基于昇思MindSpore AI框架，开发手语多模态模型，开创性地实现手语动作与视频、图片示意和文字说明的联动，让初学者对手语语义理解更加深刻。而后，基于手语多模态模型，利用昇腾AI基础软硬件平台开发出手语教考一体机。 ## 案例优势 手语教考一体机实现文本到图像的自动生成，具备实时手语手势识别、表情及唇语识别等能力，并且还可实现新事物词汇的及时学习与更新，适用于特殊教育学校、开设手语教学师资培养的大专院校、通用手语推广教学点和全国残联基层培训点等。此外，基于手语多模态模型打造的AI手语助手功能可用于同传翻译、新闻主持、服务引导等场景。 --- https://www.mindspore.cn/news/zh/2024-4-6/ --- 新闻 AI Infra训练好搭档——MindSpore Model Agent v0.1正式发布，专治模型训练“疑难杂症” # AI Infra训练好搭档——MindSpore Model Agent v0.1正式发布，专治模型训练“疑难杂症” 2026/04/06 # AI Infra训练好搭档——MindSpore Model Agent v0.1正式发布，专治模型训练“疑难杂症” 你是否也正在经历着训练报错、精度跑偏、性能卡顿…等问题？不妨试试MindSpore Model Agent！面向昇腾，围绕模型训练过程中的痛点问题（训练报错、模型精度、性能瓶颈），以 skills 的形式沉淀，致力于提升算法工程师的开发体验。 ## 01 模型训练痛点 模型训练中的问题，高频、复杂、跨层，单一工具往往搞不定。从安装部署、模型迁移、功能开发、训练调试到问题定位，整个过程高度依赖开发者自身经验。这不仅让问题处理效率变低，也影响开发者的使用体验。 具体来看，常见痛点主要集中在以下几个方面： 环境与依赖：训练启动前即可能受阻于 MindSpore、CANN、驱动、模型库、recipe、checkpoint、数据预处理等组件之间的版本与依赖关系。 报错定位：问题不止于日志表面，涉及用户脚本、模型代码、框架行为、底层算子、编译图及运行时环境等多个层次，根因未必出现在首条报错信息中。 精度偏差：排查链路通常很长，从数据 shuffle 、 API 行为差异，到底层算子实现差异、反向误差累积、融合算子带来的误差放大，往往需要追溯整网实现细节。 性能瓶颈：profiling、dump、host/device 分析、算子耗时、数据处理瓶颈等分析工作，需在多工具间切换，信息分散，门槛较高。 ## 02 为什么做MindSpore Model Agent 针对上述痛点，我们打造了一套基于 Agent 的问题处理机制，把模型训练中的“脏活累活”都交由Agent完成,以此来帮助开发者快速推进训练任务，提升开发效率。 环境准备：自动检查环境、依赖、数据、checkpoint，把问题暴露在启动之前。 增加新特性：把论文实现集成进现有模型仓、调通训练脚本、验证新特性是否影响现有精度等，帮你完成快速实验。 训练起不来：不止看日志表面，帮你快速定位根因在脚本、框架、算子还是运行时。 训练精度不达标：从数据 shuffle 到算子行为，逐层排查精度偏差的真实源头。 性能不佳：围绕吞吐、时延、利用率、数据链路，帮你找到最值得优化的瓶颈。 ## 03 与业界Coding Agent 区别 MindSpore Model Agent 沉淀多年大模型领域经验，打造面向AI Infra和模型训练场景的专用Agent。 业界主流的 CLI Agent 围绕“代码”展开：代码生成、代码修改、测试执行、仓库内协作。其核心问题是“代码怎么写出来”。 MindSpore Model Agent 则围绕“模型训练”展开：环境依赖、框架行为、脚本调试、日志分析、profiling、精度与性能定位。其核心问题是“训练怎么跑起来、跑对、跑快”。 两者的区别在于：主流 Coding Agent围绕“代码库理解”和“写代码“，MindSpore Model Agent目标是解决模型训练中的框架、算子、数据、运行时等多类问题，协助算法工程师把“训练任务真正推进下去”。 ## 04 MindSpore Model Agent特性 MindSpore Model Agent 围绕模型训练场景，优先落地一组最有工程价值、最贴近真实问题的关键能力，并以 `mindspore-skills` 的形式呈现。 当前Agent组件包括： 环境分析Agent （readiness-agent） 失败分析Agent (failure-agent) 精度分析Agent (accuracy-agent) 性能分析Agent (performance-agent) 模型迁移Agent (migrate-agent) mindspore-skills 是模型训练场景的专业能力沉淀：将环境检查、失败分析、精度定位、性能分析等专家经验，逐步整理为可调用、可组合、可演进的 skills、workflow、example 和 diagnose pattern。开发者可使用业界 CLI Agent加载这些领域 skills。 同时，我们推出 MindSpore CLI，端到端串联上述能力，形成统一工作流。开发者可在同一交互面中完成训练前检查、训练中问题分析、训练后精度与性能定位，将原本分散在命令、脚本、日志、工具间的动作组织起来。后续将针对 AI Infra 场景问题持续深度优化，提升算法工程师的开发体验。 ## 05 演进方向 我们将“模型算法从 idea 到部署的全流程”作为场景驱动，覆盖微调、预训练、后训练、强化学习、部署等流程。 当前重点：优先做扎实单机训练场景，再逐步支持更为复杂的集群训练、后训练与强化学习等场景。 版本优化方向： 持续完善failure agent 的报错类型，包括算子/runtime等； 持续完善accuracy agent的数据处理和api累计误差修复； 进一步增加performance agent的常用昇腾亲和算子实现种类； ## 06 安装命令 看到这里，你是否也想亲自体验一下：让 Agent 帮你搞定环境检查、报错定位、精度排查、性能优化这些“脏活累活”？ 1️⃣ 安装mindspore-skills，支持opencode等工具，详见： https://gitcode.com/mindspore-lab/mindspore-skills/blob/main/README.md 2️⃣ 安装mindspore-cli，一行命令： `curl -fsSL https://raw.githubusercontent.com/mindspore-lab/mindspore-cli/main/scripts/install.sh | bash` 装完你就多了一个训练小帮手，遇到问题可以在群里随时喊专家答疑～ ## 07 社区贡献： 围绕 mindspore-skills，我们将持续沉淀 skills、workflow、examples、docs 及 diagnose patterns。欢迎每一位开发者加入，一起把模型训练的经验变成可复用的能力。 贡献者成长阶梯： L1 Content Contributor：补充 skill issue 与场景，清晰描述经验，完善用法。 L2 Skill Contributor：新增或改进 skill，将零散经验整理为可复用能力。 L3 Skill Owner：维护并 review 某类 skill，成为领域骨干。 无论你处于哪个阶段，我们都期待你的参与。通过 issue 提出反馈或贡献内容，我们会持续迭代优化。 MindSpore Skills ： https://github.com/mindspore-lab/mindspore-skillshttps://gitcode.com/mindspore-lab/mindspore-skills MindSpore CLI ： https://github.com/mindspore-lab/mindspore-clihttps://gitcode.com/mindspore-lab/mindspore-cli 💡 一起，让训练更简单。 --- https://www.mindspore.cn/news/zh/2025-12-08/ --- 新闻 MindSpore 社区基础设施升级——代码托管平台切换 # MindSpore 社区基础设施升级——代码托管平台切换 2025/12/08 # MindSpore 社区基础设施升级——代码托管平台切换 ### 背景 根据MindSpore社区发展需求，社区基础设施开展优化升级，社区代码托管平台将迁移到AtomGit，由社区基础设施团队实施具体社区代码托管平台切换工作。 ### 前期准备 针对本次切换，社区基础设施已经完成一系列平台功能的对比验证、社区所有服务的适配对接，并完成了试点仓库的小范围验证，为本次平滑切换做足了准备工作： **平台功能对比验证：** 测试web版页面功能和平台API功能等操作超过两百项，保证原平台功能在新平台能支持； **适配对接：** 社区机器人、门禁、构建、网站、会议系统等涉及代码托管平台的服务均已完成适配对接，待迁移完成，适配服务即可上线，保证开发者使用无感知； **试点验证：** 小范围选择开发者在试点仓库进行代码提交、issue提交等开发工作的初步验证，确保正常生产动作正常； ### 我是开发者，需要我做什么？ 您作为开发者，需要完成以下五步操作，即可开启新平台的工作： - 登录 gitee (https://gitee.com/profile/account\_information) - 进入社区在 atomgit.com平台上的组织: MindSpore 组织 (https://atomgit.com/mindspore) - 弹窗页面提醒您完成数据迁移授权书签署： - 首次进入该平台，将会有一个引导页帮助您完成平台登录（建议可直接使用gitee账号授权方式登录）和手机号绑定。 - 参考引导页完成数据迁移授权书签署； ### 我是开发者，平台切换对我有什么影响？ 完成上述授权书签署后，您在原代码托管平台上的所有贡献数据（包括代码、PR、ISSUE、评论等）都将在新平台上展示； 如果您在新老平台保持相同id，社区贡献数据将统一合并计算。具体讲： **\- 迁移会影响我的历史贡献记录吗？** 您的所有贡献将被完整保留： 自动迁移：您已签署的贡献者协议（CLA）将自动同步至 AtomGit，在 AtomGit 授权后历史PR/Issue数据将无缝转移。 归属透明：代码提交记录、Issue讨论等均保留原始作者信息。 **\- 代码仓的贡献流程会有变化吗？** 核心流程完全一致，您仍可沿用熟悉的Git命令与PR提交流程，仅需注意：变更本地仓库地址（https://atomgit.com/mindspore/\*\*\*） **\- Gitee镜像仓还会保留吗？同步频率如何？** 迁移完成后，gitee.com仓库将转为镜像仓，重大版本发布后一个工作日内完成从atomgit.com/mindspore同步到gitee.com/mindspore； ### 迁移时间 预计2025年12月13日基础设施完成迁移，开发者在该时间点以后可以随时进入 MindSpore组织 完成数据迁移授权。 ### 问题反馈 如果您在该过程中遇到任何问题，都可以发送邮件联系 contact@public.mindspore.cn，或是联系社区小助手，社区将第一时间答复。 扫码添加小助手： **常见问题（FAQ）: MindSpore社区代码托管平台迁移指导** --- https://www.mindspore.cn/news/zh/2025-12-1/ --- 新闻 第四届智能流体力学产业联合体大会在深圳隆重召开 # 第四届智能流体力学产业联合体大会在深圳隆重召开 2025/12/01 # 第四届智能流体力学产业联合体大会在深圳隆重召开 **激情全运会，活力大湾区！2025年11月29日，随着全运会的余温，第四届智能流体力学产业联合体大会在深圳召开。本次会议由中国空气动力学会智能流体力学产业联合体、中国空气动力学会智能空气动力学专业组主办，西北工业大学、昇思MindSpore开源社区、华为技术有限公司、陕西昇腾人工智能生态创新中心联合承办。会议邀请了国内外智能流体力学领域的知名专家和优秀青年学者，共同交流智能流体力学领域前沿问题，分享最新研究成果，促进行业人才发展和服务国家需求。** **中国空气动力研究与发展中心副部长、中国空气动力学会副秘书长邓红俊研究员、中国科学院工业人工智能研究所副所长武斌研究员、昇思MindSpore开源社区理事长丁诚和中国空气动力学会副理事长张伟伟教授等近200位国内外顶尖专家学者与行业精英参加了本次会议。** **中国空气动力研究与发展中心副部长、中国空气动力学会副秘书长邓红俊研究员在致辞中对联合体的发展指出：当前，流体力学与大数据、人工智能的深度融合，正推动智能流体力学展现出广阔前景与巨大潜力。希望联合体能把握机遇，重点做好四方面工作：强化创新策源，统筹开发流体力学大模型，深度融合CFD技术、AI及高精度流场数据；广泛聚才汇智，打造人才聚集高地；推进开放合作，发挥成员单位优势，优化资源配置；加强自身建设，切实解决行业问题，提供精准高效的技术服务，持续提升联合体的影响力与知名度。** **产业联合体副理事长、昇思MindSpore开源社区理事长丁诚在致辞中表示，昇思MindSpore已支撑发表近2500篇高水平论文，联合孵化超80个大模型。联合西工大、中国商飞等理事会成员取得多项突破，如AI湍流模型将旋翼升力计算误差控制在5%以内，智能设计平台实现自然语言交互等。也期望未来和联合体成员一起实现AI与流体力学深度融合，进一步提升工业软件核心竞争力。** **西北工业大学张伟伟教授作《多智能体协同驱动的新一代流体力学工业软件平台》报告，探讨了多智能体技术在流体力学软件中的创新应用。** **面对智能流体应用革新，西北工业大学，华为技术有限公司，中国空气动力研究与发展中心和中国科学院工业人工智能研究所共同打造的“多智能体协同流体力学工业软件平台”正式发布，该平台包括底层基础设施、多智能体协同以及前端。多智能体协同系统定义了总师智能体，负责任务的理解和规划，若干个专家智能体，在总师安排下协同工作，以及工程师智能体，指标准化后的工具库和模型库。该平台有效实现了各种工具/模型（商业软件、开源软件、自研模型）以及专业知识的集成和深度融合，彻底改变了人工串接工具的研发模式，以智能体组网，重新定义多学科跨部门协同新范式，解决多学科多部门耦合协同设计低效的困境，开启高端装备智能研发新纪元。** **中国空气动力研究与发展中心钱炜祺研究员分享了《智能赋能CFD研究进展》，展示了人工智能在计算流体力学（CFD）中的突破性成果。** **华为技术有限公司张毅博士作《大模型时代下的AI4S发展与实践》报告，介绍了华为在大模型与科学计算（AI for Science, AI4S）领域的实践案例。** **中国商飞上海飞机设计研究院张淼研究员聚焦民机设计，带来《基于数据与知识双驱动的民机气动优化设计》的分享。** **北京临近空间飞行器系统工程研究所段毅作《临近空间气动智能设计应用实践》，探讨了临近空间飞行器的智能设计实践中的经验和思路。** **中国船舶科学研究中心强以铭进行《人工智能在海洋装备性能预报中的应用现状与展望》报告，详细展望了人工智能在海洋装备性能预报中的潜力。** **沈阳飞机设计研究所刘晓冬老师作《智能赋能飞机设计的需求思考》，为大家带了AI+飞机设计上的深度解析。** **比亚迪CAE空气动力学部刘博分享了《汽车空气动力学产业化智能研发的挑战与技术探索》，介绍了比亚迪在汽车空气动力学智能化研发的技术探索。** **西北工业大学副教授、智能流体力学产业联合体副秘书长刘溢浪面向全体成员，汇报了智能流体力学产业联合体工作进展，并公布明年相关计划。** **随后，智能流体力学产业联合体新理事单位国家超级计算无锡中心任虎老师作《数字孪生风洞》报告，并发布了最新研究成果“风神NF3”数字孪生风洞。** **该成果以“超算+AI”技术组合，实现了物理风洞的“三重孪生”：1:1几何建模刻画完整风洞构型和几何细节实现“几何孪生”，高性能计算支撑高保真数值模拟实现“物理孪生”，试验数据融合和智能湍流模型实现“数据孪生”。数字孪生风洞可以对物理试验进行信息增强，以辅助试验设计和提升试验结果置信度。同时，以数字孪生风洞试验替代物理风洞的早期车次，可以大幅减少试验迭代周期，缓解物理风洞产能不足问题。此外，数字孪生风洞在置信试验条件边界处进行扩展，还可以拓展风洞试验的工况边界，应对更加严苛的试验挑战。以数字孪生风洞为起点，“超算+AI”正在构建数字孪生试验新范式，未来将在更广泛的高端装备设计验证中发挥作用。** **理事单位深圳十沣科技有限公司宾远为作《工业仿真中的AI实践：从设计到运维》，介绍最新工业仿真软件进展和成果。** **最后清华大学张宇飞教授作《智能空气动力学研究进展与挑战》，系统地介绍目前智能空气动力学的前沿方向和进展。** **在学术界与产业界交流研讨环节，与会专家围绕“气动数据库生成”，“流体力学大模型构建”，“数字孪生”等议题展开热烈讨论，为行业未来发展提供了宝贵思路。** **最后，智能流体力学产业联合体副理事长张伟伟教授做大会闭幕式总结，期望联合体可以作为产业和科研的交流纽带，持续为加速智能流体发展做好支持，成为业内产教融合的典范。** **大会期间，举行了产业联合体新增单位授牌仪式，北京临近空间飞行器系统工程研究所、中国直升机设计研究所、中国科学院工业人工智能研究所、国家超级计算无锡中心、粤港澳大湾区(广东)国创中心、英特工程仿真技术(大连)和苏州同元软控信息技术有限公司7家企业成为联合体理事单位。** **截至今日，智能流体产业联合体已经吸纳60+单位，发布数十个产业课题和十余个成果，也期望未来可以和更多单位，一同促进人工智能与流体力学的融合，推动工业研发迈向智能化、高效化的新阶段。** --- https://www.mindspore.cn/news/zh/2025-12-11/ --- 新闻 昇思人工智能框架峰会 | 昇思同路人第六期：从课堂到全球赛场，华师学子罗楠与昇思的AI助盲之旅 # 昇思人工智能框架峰会 | 昇思同路人第六期：从课堂到全球赛场，华师学子罗楠与昇思的AI助盲之旅 2025/12/11 **遇见昇思MindSpore：在课堂上“玩转”AI积木** 罗楠和昇思MindSpore的第一次相遇是在大二的《人工智能》课上，彼时据华中师范大学签约“智能基座”产教融合协同育人项目已有约3年之久，基于昇思MindSpore的实践已深入课程教学中。 在课堂上，罗楠和同学们从最基础的手写体识别入手，通过调整参数，修改诸如卷积层、激活层、全连接层的模型层，学习模型结构和超参对模型训练效果的影响。在实践的过程中，罗楠发现昇思MindSpore上手非常容易，“搭建神经网络就像玩积木一样有趣”。这种直观的开发体验，为她打开了AI世界的新大门。 同时，罗楠通过学校的另一门课程《智能芯片》了解到了OrangePi AIpro（下称香橙派）开发板的开发。 当时的她可能没有意识到，课堂中接触到的这个AI框架和开发板，会在未来为她带来一段奇妙的旅程。 **\# 02** **选择昇思MindSpore：软硬协同的精准抉择** 有了课堂上积累的基础后，罗楠加入了昇思 MindSpore 学习小组。这个以高校为单位的组织，专门聚集对昇思 MindSpore 与 AI 技术感兴趣的同学 —— 通过发布日常实践任务、组织学习打卡营等形式，带领成员一步步积累基于昇思 MindSpore 的 AI 实战经验。 在学习小组的活动中，罗楠真切感受到香橙派开发板提供的昇腾算力，与昇思 MindSpore 轻量化推理引擎的高度适配。这种软硬协同的优势，能让端侧 AI 应用在保持低功耗的同时，实现高性能推理。正因如此，在确定华为 ICT 大赛 2024-2025 创新赛的技术方案时，罗楠毫不犹豫地选择了 “昇思 MindSpore + 香橙派” 的组合。 也是在这里，罗楠收获了自己的第一块香橙派开发板；后来，这块开发板成了她的 “战友”，陪着她一路攻克难题，最终斩获华为 ICT 大赛 2024-2025 创新赛全球一等奖。 **\# 03** **攻克难题：五个月“手搓”智能导盲设备** 谈及参赛作品的创作起点，罗楠表示，一切源于比赛初期看到的一条盲人出行短视频 —— 视频里，盲人需弯腰触摸盲道，一点点笨拙地摸索前进方向。这一幕深深触动了她和团队成员：如今科技飞速发展，可盲人出行依旧举步维艰，不仅面临无障碍设施不完善的问题，现有助盲方案的功能也十分有限。正是这样的现实困境，让作品方向逐渐清晰：用先进的 AI 技术，为中国视障人群 “出行难” 问题提供一套智能、高效的解决方案，推动无障碍环境建设，让更多人享受到科技带来的便利与福祉。 确定方向只是迈出了成功的第一步，罗楠和团队成员立刻投入到紧锣密鼓的开发中。最终，他们敲定方案：以昇思 MindSpore 和香橙派开发板为核心，搭配双目相机、联动手机 APP，打造一套完整的可穿戴导盲系统。 这套系统的运作逻辑清晰且精准：在边缘侧（香橙派开发板），通过双目相机提取深度信息，借助 昇思MindSpore 重构的 OCRNet 模型完成像素级语义分割，再融合深度与像素语义信息实现语义环境重建；随后结合智能路径规划算法，计算出安全可靠的局部可行路径，最后通过语音反馈传递给用户，帮助盲人实时、准确地自主决策可行路径，实现障碍规避。 相较于传统盲杖探测范围有限、导盲犬数量稀少的现状，他们的作品还具备显著优势：依托华为地图服务 Map Kit 与北斗定位模块，可穿戴导盲设备能实现高精度街道级步行导航，既沿导航路径引导盲人行进，又通过上述算法规避路径中的障碍；同时设计了开关模块，支持一键避障、一键导航、一键求助，确保盲人能轻松掌握、独立使用。 此外，在端侧（手机），团队还基于 ArkTS 语言开发了 HarmonyOS NEXT 版本 APP，实现了设备绑定、远程监控、定位、电子围栏等功能，进一步完善了导盲系统的实用性。 **\# 04** ****成长收获：在挑战中绽放青春光彩**** 回顾这段历时五个月的开发时光，罗楠表示既辛苦又充满成就感：“在备赛的过程中，我们也经历了诸多困难和挑战，但凭借对项目的热爱和信心，我们不断调整、优化，终于让项目得以顺利实现。” 备赛期间，罗楠和团队经常奋战到深夜，有一次甚至差点错过宿舍门禁时间。但功夫不负有心人，每一次的调试、每一遍预演、每一个全力以赴的日夜，最终化作站在全球总决赛领奖台上的高光时刻。 这背后除了团队的辛勤付出，昇思MindSpore开源项目的学习资料也为比赛提供强大帮助。“Gitee和GitHub上有昇思MindSpore成体系的课程资源以及丰富的应用案例，非常适合学习。同时昇思MindSpore官网也提供了很多详细的API参考文档。最后是论坛，里面对常见问题有非常系统的分类，发帖子提问求助回复得非常快，还可以从别人的贴子中吸取前人的经验。”她说道。 如今，作为获奖学生代表，2025年8月，罗楠站上了昇思MindSpore创新训练营（华中站）的讲台，将基于昇思MindSpore的实战经验传递给自己的学弟、学妹，乃至华中地区更多的开发者。当年在课堂上实践手写体识别的小同学，经过了比赛的洗礼和历练，也逐步成长为了给他人照亮前进方向的引路人。 **\# 05** **未来展望：让科技持续传递温度** 这段经历让罗楠坚定了在AI领域深造的决心。“我看到了人工智能的无限可能，也体会到技术向善的力量。”她期待在未来研究生阶段，继续探索AI与人文关怀的深度融合。 “星光不负赶路人”，这是罗楠对学弟学妹的寄语，也是她自身经历的最佳注脚。从课堂实验到全球赛场，她与昇思MindSpore的故事证明：当年轻智慧与技术平台相遇，就能创造出改变世界的温暖力量。 而像罗楠这样扎根技术、传递温度的开发者与布道师，在昇思中还有很多，他们或深耕科研，或醉心教学，或笃行实践，或聚焦产业，每一份贡献都藏着独特的探索经理，每一次布道都凝结着对技术的深度思考。 --- https://www.mindspore.cn/news/zh/2025-12-12/ --- 新闻 昇思人工智能框架峰会 | 昇思MindSpore MoE模型性能优化方案，提升训练性能15%+ # 昇思人工智能框架峰会 | 昇思MindSpore MoE模型性能优化方案，提升训练性能15%+ 2025/12/12 # 昇思人工智能框架峰会 | 昇思MindSpore MoE模型性能优化方案，提升训练性能15%+ 昇思MindSpore MoE性能优化方案主要包含机间通信合并、零冗余通信、AlltoAllV收发异构复用3项关键技术。这些技术协同作用，系统性地解决了MoE架构在大规模分布式训练中面临的通信开销大、断流频率高、显存占用高等核心瓶颈。 **\# 01** **机间通信合并特性** 当前的流行MoE架构存在着专家数多、单个专家计算量小的特点。如DeepSeek V3每个层的路由专家个数高达256个，在训练实践中为了减小显存压力往往开启专家并行(EP)，将专家切分到不同的卡上。然而，当EP数大于单个节点的的NPU/GPU数量时，专家会被切分到不同节点上，在token dispatch和combine阶段，需要进行AlltoAll的机间通信。因机间带宽远小于机内带宽，此时，机间通信不可避免地成为通信性能的瓶颈。 昇思MindSpore团队针对这一问题，采用跨机AllGather通信与机内AlltoAll通信相结合的方式，解决AlltoAll机间通信性能差的问题。首先将所需的tokens通过跨机AllGather同步到机间，然后在机间进行tokens的排序与AlltoAll通信。基于这种分层的通信方式降低了跨机通信数据量，有效地提升了整体通信性能。经过在DeepSeek V3 671B实训测试，在EP=16时端到端吞吐性能提升15%。机间通信合并与原始通信方案的示意如图1。 图1. 机间通信合并与原始通信方案的示意图 **\# 02** **AlltoAllV收发异构复用特性** 在MoE的token dispatch 以及 token combine阶段各需要执行一次AlltoAllV的通信计算。在下发AlltoAllV算子时需要send\_list/receive\_list的参数信息，而这两个参数内存在device侧，需要对其进行一次device to host操作将其搬运至Host侧内存。因此在正向token dispatch及token combine阶段各存在1次因device to host引发的下发断流（即，下发流程需要等待device to host操作完成后，才能下发其余算子）。如果考虑反向计算，断流次数就变成4次，对性能造成严重影响。 为此，昇思MindSpore采用AlltoAllV收发异构复用技术来减少断流次数，其核心思想在于在提前对token dispatch的send\_list/receive\_list进行device to host，将其缓存在Host，然后基于缓存的send\_list/receive\_list实现提前下发token combine阶段的AlltoAllV，其原理如图2所示。 昇思MindSpore通过其异构能力实现AlltoAllV收发send\_list/receive\_list的异构复用，将断流次数从4次降低到1次。在DeepSeek V3 671B实训测试，端到端性能提升5%。 昇思MindSpore针对MoE性能提升的业界难题，成体系地采用优化技术，包括但不限于上述2项技术，构筑了昇思MindSpore面向超大规模MoE训练的高效通信底座，更多的技术介绍与交流，请关注昇思人工智能框架峰会。 --- https://www.mindspore.cn/news/zh/2025-12-15/ --- 新闻 昇思人工智能框架峰会 | 基于MindSpore NLP玩转DeepSeek-OCR的开发实践，解锁文本压缩新范式 # 昇思人工智能框架峰会 | 基于MindSpore NLP玩转DeepSeek-OCR的开发实践，解锁文本压缩新范式 2025/12/15 # 昇思人工智能框架峰会 | 基于MindSpore NLP玩转DeepSeek-OCR的开发实践，解锁文本压缩新范式 **\# 01** **当文本遇见视觉，AI模型正重新定义信息压缩的边界** 在人工智能快速发展的今天，DeepSeek团队于2025年10月推出的DeepSeek-OCR模型带来了一场文本处理范式的革命。这一创新模型不仅实现了10倍压缩率下97%的解码精度，更探索了通过视觉模态压缩长上下文的全新路径。而昇思MindSpore框架的day0支持能力，则为这一前沿技术的快速部署应用提供了坚实基础。 **\# 02** **DeepSeek-OCR：重新定义文本压缩的边界** DeepSeek-OCR 是 DeepSeek AI 于 2025 年 10 月 发布的多模态模型，以探索视觉 - 文本压缩边界为核心目标，为文档识别、图像转文本提供创新方案。其采用 DeepEncoder 视觉编码器与 DeepSeek3B-MoE-A570M 混合专家解码器的双模块架构，从 LLM 视角重新定义视觉编码器功能，聚焦 “文档解码所需最少视觉 token” 这一核心问题，对研究 “一图胜千言” 原理具有重要意义。 模型的核心技术突破体现在三个方面： ### **高压缩比下的精度保持：\*\*\*\*实验表明，当文本令牌数量在视觉令牌数量的**10倍以内（即压缩比<10倍）时，模型可以实现97%的解码精度，即使在20倍压缩率下仍保有约60%准确率。 ## **分层视觉编码设计：DeepEncoder采用三阶段处理流程——首先使用SAM-base进行局部感知（窗口注意力看清细节），然后通过卷积层进行16倍下采样，最后使用CLIP-large进行全局语义理解。这种设计能够在高分辨率输入下保持低激活内存。** ## **多分辨率支持：模型提供Tiny/Small/Base/Large/Gundam五种配置，支持从512×512到1280×1280的不同分辨率输入，其中Gundam版本专门针对大尺寸复杂文档优化。** 在实际性能方面，DeepSeek-OCR在OmniDocBench测试中表现卓越，仅使用100个视觉token即超越GOT-OCR2.0模型，800个视觉token优于MinerU2.0模型。支持PDF转图像、批量处理及Markdown格式输出。 **\# 03** **Day0支持：MindSpore NLP快速支持DeepSeek-OCR** MindSpore NLP作为基于昇思MindSpore的开源NLP库，\*\*其核心优势在于与Hugging Face生态的全面兼容。\*\*这种兼容性设计使得任何基于Transformers架构的模型都能在昇思MindSpore框架上无缝运行，为DeepSeek-OCR的快速部署提供了技术基础。 新增2行代码，即可实现基于昇思MindSpore的一键适配 具体而言，MindSpore NLP提供了与Hugging Face完全一致的API接口，开发者可以使用熟悉的AutoModel、AutoTokenizer等类直接加载和运行模型。这种设计极大降低了模型迁移的技术门槛，确保新发布的模型能够实现“day0”支持。 基于MindSpore NLP的兼容性特性，DeepSeek-OCR在昇思MindSpore上的部署变得异常简洁。整个过程主要包含三个关键步骤： - 环境配置：安装MindSpore NLP及相关依赖库，确保昇思MindSpore版本兼容性 - 模型加载：使用MindSpore NLP+Transformers接口直接加载DeepSeek-OCR预训练权重 - 推理执行：调用统一的API进行文档理解和视觉-文本压缩任务 代码如下图所示： 这种标准化流程消除了复杂的模型转换环节，使研究者能够专注于应用开发而非环境适配。无论是处理扫描文档、PDF转换还是长文本压缩，开发者都可以利用熟悉的Hugging Face编程习惯在昇思MindSpore生态中高效运行DeepSeek-OCR，**完****整****案例**详见：（https://github.com/mindspore-lab/mindnlp/tree/master/examples/transformers/inference/deepseek-ocr）。 如下图所示，运行脚本后，模型可识别扫描件中的文字，并转换为MarkDown文件。 **\# 04** ****基于Expert合并的小MoE模型加速：权重融合计算优化策略**** DeepSeek-OCR的解码器采用混合专家（MoE）架构，激活参数约570M。针对MoE模型训练中的性能挑战，昇思MindSpore提供了基于Expert合并的优化方案，显著提升了小MoE模型的效率。 基于Expert合并的小MoE模型加速技术核心在于通过权重预融合策略，将传统动态路由计算转化为统一计算流，从根本上解决MoE架构中的Host端调度瓶颈问题。 ## **1、传统MoE计算瓶颈分析** 传统MoE模型采用“专家视角”的计算模式，其核心瓶颈体现在两个方面： - 细碎算子调度开销：传统实现方式需要遍历每个专家，为每个专家独立执行前向计算。这种循环遍历模式导致大量小规模算子的频繁调度，特别是当专家数量增多时，Host端的算子下发和调度开销呈线性增长。 - 负载不均衡问题：由于不同专家处理的token数量差异显著，计算过程中容易出现负载不均衡。某些热门专家需要处理大量token，而其他专家可能处于空闲状态，这种不均衡进一步加剧了设备利用率的下降。 ## **2、权重预融合技术原理** 基于Expert合并的加速方案通过FFN权重预融合技术，将多个专家的计算任务合并为单一计算流： - 权重合并机制：在模型初始化阶段，将所有专家的FFN层权重进行拼接融合，形成一个统一的超大型权重矩阵。以8专家MoE层为例，每个专家FFN层的输入维度为d\_model，中间维度为d\_ffn，合并后的权重矩阵形状从8个独立的d\_model, d\_ffn矩阵转变为统一的8×d\_model, d\_ffn矩阵。 - 统一计算流程：路由网络输出的选择权重不再用于动态激活不同专家，而是作为加权系数直接应用于融合后的计算结果。具体而言，模型首先通过融合权重矩阵执行一次统一的前向计算，然后根据路由权重对输出进行加权组合，避免了传统的专家遍历过程。 针对DeepSeekV2（DeepSeek-OCR LLM模块）的改进代码如下： `def new_forward_for_moe(self, hidden_states): batch_size, sequence_length, hidden_dim = hidden_states.shape selected_experts, routing_weights = self.gate(hidden_states) router_scores = torch.zeros(size=(batch_size * sequence_length, self.config.n_routed_experts), device=hidden_states.device, dtype=hidden_states.dtype) # we cast back to the input dtype routing_weights = routing_weights.to(hidden_states.dtype) router_scores = torch.scatter_add(router_scores, -1, selected_experts, routing_weights) hidden_states = hidden_states.view(-1, hidden_dim) if self.config.n_shared_experts is not None: shared_expert_output = self.shared_experts(hidden_states) hidden_w1 = torch.matmul(hidden_states, self.w1) hidden_w3 = torch.matmul(hidden_states, self.w3) hidden_states = self.act(hidden_w1) * hidden_w3 hidden_states = torch.bmm(hidden_states, self.w2) * torch.transpose(router_scores, 0, 1).unsqueeze(-1) final_hidden_states = hidden_states.sum(dim=0, dtype=hidden_states.dtype) if self.config.n_shared_experts is not None: hidden_states = final_hidden_states + shared_expert_output return hidden_states.view(batch_size, sequence_length, hidden_dim)` 在昇思MindSpore+昇腾的软硬件协同环境中，这一技术大幅提升了DeepSeek-OCR的执行速度，相较于原版实现，推理token生成的性能提升3-4x，算力利用率由8%提升至30%+。这种基于Expert合并的加速思路，为小规模MoE模型的部署提供了一种新的优化范式，特别是在对推理延迟敏感的端侧和应用场景中具有重要价值。 优化后的推理效果如视频中所示： **\# 05** **总结** DeepSeek-OCR与昇思MindSpore在昇腾硬件上的深度结合，标志着文档智能处理进入了一个全新的发展阶段。这一技术组合不仅展现了前沿AI模型的创新潜力，更体现了从算法、框架到硬件的全栈优化价值。 展望未来，随着多模态大模型技术的持续演进和昇腾算力基础设施的不断完善，OCR模型与昇思MindSpore的深度结合将释放更大潜力。从简单的文档识别到复杂的知识抽取，从单页处理到跨文档分析，这一技术路径正在开启文档智能的新篇章，为企业数字化转型和AI普惠应用提供坚实的技术底座。 --- https://www.mindspore.cn/news/zh/2025-12-15-2/ --- 新闻 昇思人工智能框架峰会 | MindSpore Quantum量子启发求解器，助力大规模组合优化问题求解效率倍增 # 昇思人工智能框架峰会 | MindSpore Quantum量子启发求解器，助力大规模组合优化问题求解效率倍增 2025/12/15 # 昇思人工智能框架峰会 | MindSpore Quantum量子启发求解器，助力大规模组合优化问题求解效率倍增 在物流调度、金融投资等领域，随着数据规模的扩大，组合优化问题往往面临计算复杂度激增的难题，传统算法难以在有限算力与求解精度之间取得平衡。为此，MindSpore Quantum实现了量子启发式求解器。该方案基于经典硬件模拟量子演化特性，旨在优化大规模问题的寻优效率，为解决工业级复杂问题提供了一种高性能的技术新解。 **\# 01** **量子启发式算法简介** 量子启发式算法是一种新式的算法，它源于或直接受基于**量子力学原理**的计算方法的启发，旨在利用量子力学的独特性质（叠加态、量子纠缠和量子并行性）来改进传统算法的性能。 - 对于线性代数问题：受HHL（Harrow-Hassidim-Lloyd）算法的启发，Ewin Tang提出了量子启发算法，与已知的经典方法相比，这些算法具有指数级的性能加速。 - 对于组合优化问题：受量子退火或类似（量子）伊辛机启发的算法。 **量子启发式算法的发展脉络** **1、相干伊辛机 Coherent Ising Machine, CIM** - 模拟相干伊辛机 Simulated Coherent Ising Machine (SimCIM, 2019) - 混沌振幅控制 Chaotic Amplitude Control (CAC, 2020) - 混沌振幅反馈 Chaotic Feedback Control (CFC, 2021) - 离散振幅反馈 Separated Feedback Control (SFC, 2021) **2、模拟分岔 Simulated Bifurcation** - 绝热模拟分岔 adiabatic Simulated Bifurcation (aSB, 2019) - 弹道模拟分岔 ballistic Simulated Bifurcation (bSB, 2021) - 离散模拟分岔 discrete Simulated Bifurcation (dSB, 2021) **3、平均场退火 Mean Field Annealing** - 局域量子退火 Local Quantum Annealing (LQA, 2022) - 含噪平均场退火 Mean-Field Approximate Optimization Algorithm (MFAOA, 2023) **量子启发式算法中的模拟分岔算法 Simulated Bifurcation** 模拟分岔算法其核心思想是通过模拟非线性哈密顿动力学的分岔现象来寻找伊辛模型（Ising problem）的基态，从而将组合优化问题映射为物理系统的优化问题。 基于模拟哈密顿方程中的分岔过程，系统通过动态调节控制参数，使系统经历一系列动力学分岔，最终收敛到由伊辛自旋变量稳定（+-1），并得到稳定解，这个解对应原始问题的局部最优解或近似解。 **\# 02** **量子启发式算法应用场景** **1、物流与生产调度** 量子启发式算法擅长解决旅行商问题、0-1背包问题等NP困难问题，为物流路径规划、生产调度提供高效方案。 **2、通信网络** 量子启发式算法可应用于通信网络的优化设计，例如路由优化、资源分配等，提供网络的效率和可靠性。 **3、蛋白质结构和药物研发** 蛋白质分子的折叠对接是药物研发中的重要课题，量子启发式算法可预测多种蛋白质分子旋转角度，缩短求解时间，加速药物的筛选和研发。 MindSpore Quantum已经集成量子启发式算法模块，并提供**CPU、NPU\*\*\*\*版本**，适配多种硬件设备，并提供极致性能。 - mindquantum.algorithm.qaia.QAIA 量子退火启发式算法基类 - mindquantum.algorithm.qaia.CAC 混沌振幅控制算法 - mindquantum.algorithm.qaia.CFC 混沌振幅反馈算法 - mindquantum.algorithm.qaia.LQA 局域量子退火算法 - mindquantum.algorithm.qaia.NMFA 含噪平均场退火算法 - mindquantum.algorithm.qaia.ASB 绝热模拟分叉算法 - mindquantum.algorithm.qaia.BSB 弹道模拟分叉算法 - mindquantum.algorithm.qaia.DSB 离散模拟分叉算法 - mindquantum.algorithm.qaia.TSB 三元量化模拟分岔算法 - mindquantum.algorithm.qaia.USB 均匀量化模拟分岔算法 - mindquantum.algorithm.qaia.LSB 对数量化模拟分岔算法 - mindquantum.algorithm.qaia.SFC 离散振幅反馈算法 - mindquantum.algorithm.qaia.SimCIM 模拟相干伊辛机算法 **\# 03** **实战案例-使用量子启发式算法求解最大割问题** 组合优化问题是一类在有限的选项集合中找到最优解的数学问题，它有着广泛的应用，像投资组合，旅行商问题等。它的求解难度随着问题规模的增加指数增长。因此，目前还不存在高效的经典算法来求解组合优化问题。 Max-Cut问题是其中一种组合优化问题，该问题需要将一个图中的顶点分成两部分，并使得两部分被切割的边最多。如下图： 下面演示使用MindSpore Quantum中的量子启发式算法求解最大割问题，数据集来源于经典的GSet问题，选取G22图，其规模是2000节点，19990条边。 `# 导入需要的Python模块 from mindquantum.algorithm.qaia import DSB import numpy as np import pandas as pd from scipy.sparse import coo_matrix import time # 数据准备# 下载数据，无向图数据集来源于GSetimport requests graph_file ="https://web.stanford.edu/~yyye/yyye/Gset/G22" # 使用requests库中的get方法发送HTTP请求，将url的响应结果存入变量，再以二进制写入模式打开文件写入本地response = requests.get(graph_file) open("G22", "wb").write(response.content) # 数据处理def read_gset(filename, negate=True): # 读取图表graph = pd.read_csv(filename, sep=" ") # 节点的数量n_v =int(graph.columns[0]) # 边的数量n_e =int(graph.columns[1]) # 如果节点和边不匹配，会抛出错误assert n_e == graph.shape[0], "The number of edges is not matched" # 将读取的数据转换为一个COO矩阵（Coordinate List Format），并返回一个稀疏矩阵 G = coo_matrix( ( np.concatenate([graph.iloc[:, -1], graph.iloc[:, -1]]), ( np.concatenate([graph.iloc[:, 0] -1, graph.iloc[:, 1] -1]), np.concatenate([graph.iloc[:, 1] -1, graph.iloc[:, 0] -1]), ), ), shape=(n_v, n_v), ) if negate: G =-G return G G = read_gset("./G22") start_time = time.time() solver = DSB(G, batch_size=100, n_iter=1000, backend="npu-float32") solver.update() cut = solver.calc_cut() end_time = time.time() print(f"G22 MAXCut is : {max(cut)}\nuse time:{end_time-start_time}")` 输出： `G22 MAXCut is : 13353.0 use time:0.5273990631103516` 可以看到，**DSB算法**仅用0.53秒就求解出了2000节点的GSet图，该图的最大切割数在13353附近。 ### **使用NPU加速量子启发式算法** 上述卓越的求解速度，归功于MindSpore Quantum中利用NPU对此类量子启发式算法的显著加速。我们分别在CPU和NPU后端上运行DSB算法，求解最大割问题： `import time start_time = time.time() solver = DSB(G, batch_size=100, n_iter=1000, backend="cpu-float32") solver.update() cut = solver.calc_cut() cpu_fp32_time = time.time() - start_time start_time = time.time() solver = DSB(G, batch_size=100, n_iter=1000, backend="npu-float32") solver.update() cut = solver.calc_cut() npu_fp32_time = time.time() - start_time import matplotlib.pyplot as plt# 计算加速比cpu_speedup = cpu_fp32_time / cpu_fp32_time npu_speedup = cpu_fp32_time / npu_fp32_time devices = ["CPU-Float32", "NPU-Float32"] times = [cpu_fp32_time, npu_fp32_time] speedups = [cpu_speedup, npu_speedup] colors = ["#4C72B0", "#DD8452"] plt.figure(figsize=(10, 6), dpi=100) # 绘制横向条形图, 表示不同后端的计算时间bars = plt.barh(devices, times, color=colors, height=0.6) # 添加数据标签和加速比 for i, (time, speedup) inenumerate(zip(times, speedups)): plt.text( time +0.05, i, f"{time:.2f}s ({speedup:.1f}x)", va="center", fontsize=12, ) plt.title( "QAIA Performance Comparison On Different Hardware In G22", fontsize=14, pad=20 ) plt.xlabel("Time(seconds)", fontsize=12) plt.xlim(0, max(times) *1.3) plt.grid(axis="x", linestyle="--", alpha=0.7) plt.tight_layout() plt.show()` 可以看到，对于同样的问题，如果使用CPU进行求解，需要14.2秒才能完成，而NPU仅需0.5秒，使求解速度提升了28倍。 MindSpore Quantum是基于昇思MindSpore开源深度学习平台开发的新一代通用量子计算框架，聚焦于NISQ阶段的算法实现与落地。结合HiQ高性能量子计算模拟器和昇思MindSpore并行自动微分能力，MindSpore Quantum有着极简的开发模式和极致的性能体验，能够高效处理量子机器学习、量子化学模拟和量子组合优化等问题，为广大科研人员、老师和学生提供快速设计和验证量子算法的高效平台，让量子计算触手可及。 MindSpore Quantum开源仓库： https://atomgit.com/mindspore/mindquantum MindSpore Quantum社区文档地址： https://www.mindspore.cn/mindquantum/docs/zh-CN/r0.11/index.html --- https://www.mindspore.cn/news/zh/2025-12-16/ --- 新闻 昇思人工智能框架峰会 | MindSpore Quantum量子计算化学研究工具，助力量子化学科研百倍效率提升 # 昇思人工智能框架峰会 | MindSpore Quantum量子计算化学研究工具，助力量子化学科研百倍效率提升 2025/12/16 # 昇思人工智能框架峰会 | MindSpore Quantum量子计算化学研究工具，助力量子化学科研百倍效率提升 在量子化学模拟中，随着系统规模扩大，希尔伯特空间维度的指数级增长给经典验证带来了算力瓶颈。针对这一问题，MindSpore Quantum 推出了 mqchem 模拟器。该模块利用化学体系中的粒子数守恒定律，将计算限制在有效的量子态子空间内，从而在经典硬件上显著减少了模拟所需的内存与时间，为开发和验证复杂分子的量子算法提供了高效的工具。 **\# 01** **量子化学研究领域的挑战** 量子计算的最初灵感，来源于物理学家理查德·费曼（Richard Feynman）对微观世界模拟的深刻洞察：“自然不是经典的，如果你想模拟自然，你最好让它成为量子力学的。” 在药物设计、催化剂研发等领域，核心任务是求解多电子体系的薛定谔方程。理论上，量子计算机能够利用量子比特的叠加与纠缠特性，天然地模拟微观粒子的强关联作用。但在当前的含噪声中等规模量子（NISQ）时代，量子硬件资源依然稀缺且充满噪声。因此，**在经典计算机上构建高性能的量子模拟器**，成为开发和验证量子算法不可或缺的环节。 然而，经典模拟器面临着巨大的挑战。随着电子数量增加，描述系统所需的希尔伯特空间维度呈指数级爆炸式增长，这被称为“维数灾难”。为了在有限的经典算力上验证未来的量子算法，MindSpore Quantum 推出了专注于化学场景的 mqchem 模拟器。它旨在**通过软件算法层面的优化**，让开发者能够在经典硬件上更高效地运行如 **变分量子本征求解器（VQE）** 等前沿算法。 对于熟悉AI的开发者，VQE可以被理解为一个**量子版本的神经网络训练过程：** - \*\*模型构建：\*\*参数化的量子线路（Ansatz）类比于神经网络模型； - \*\*目标函数：\*\*分子的基态能量期望值类比于Loss函数； - \*\*优化迭代：\*\*通过经典优化器更新线路参数，直至能量收敛。 **\# 02** **核心技术：利用物理守恒量加速经典模拟** 通用的全振幅量子模拟器为了模拟任意量子系统，通常基于 让我们以一个拥有 **20个自旋轨道** 且填充了 **10个电子** 的分子体系为例，对比通用模拟器与 mqchem模拟器的区别： **通过这种基于物理守恒的优化，模拟所需的向量维度直接降低了约82%。** 需要强调的是，这种优化是针对**经典模拟器**的加速策略（真实的量子计算机不需要这种优化，因为它天然并行）。mqchem 模拟器在底层针对这种紧凑向量表示实现了专用的算子适配（如 UCCExcitationGate）。由于避免了对无效状态的冗余计算，且向量长度显著缩短，线性代数运算效率得到了质的飞跃。这使得我们能够在没有大规模容错量子计算机的当下，利用现有的经典资源，去探索和验证更大规模、更深线路的分子模拟算法。 **\# 03** **应用范例：进阶VQE算法的高效构建与求解** 为了体现MindSpore Quantum在处理复杂量子化学算法时的通用性与高效性，我们基于 mqchem 模拟器实现了三种改进版本的 VQE 算法：**Sym-UCCSD、ADAPT-VQE** 和 **k-UpCCGSD**。 ### **A. Sym-UCCSD** 针对 UCCSD 拟设存在量子线路深度过大的问题，Sym-UCCSD (symmetry-reduced unitary coupled-cluster singles and doubles) 方法 1 以**分子点群对称性**为核心约束，通过**筛除不满足分子点群对称性要求的激发算符**，构建出更精简的拟设形式。 该方法的具体实现流程如下： - 基于分子的几何结构，确定其所属的**点群**； - 推导各分子轨道对应的**不可约表示**，并构建相应的不可约表示乘积表； - 根据涉及的分子轨道，明确**参考态的不可约表示**； - 计算各激发算符作用后生成的**激发态的不可约表示**； - 滤除拟设中所有对应激发态不可约表示与参考态不可约表示不同的激发算符。 MindSpore Quantum 提供了灵活的线路构建接口与 mqchem 模拟后端，支持开发者快速实现基于对称性的算符筛选，并高效评估精简后的拟设在能量计算上的表现。 这里，我们基于 **pyscf** 开发包自动化实现上述步骤，并使用 mqchem 模拟器执行构造出的拟设，计算氟化氢（HF）分子的基态能。 为简洁起见，我们将部分代码封装成了函数。完整代码已托管到 MindSpore Quantum 仓库，感兴趣的读者可以从此链接获取。（https://gitee.com/mindspore/mindquantum/tree/master/example/advanced\_vqe） 输出结果显示，引入对称性约束后，Sym-UCCSD 的参数量由 20 降至 11，激发算符数量由 35 降至 17。同时，两种拟设的计算误差均维持在10^-7 量级，表明精简后的模型在降低复杂度的同时保持了计算精度。 我们还对比了该任务在通用模拟器与 mqchem 模拟器上的执行时间。 如上图所示，通用模拟器耗时约 0.888s，而 mqchem 模拟器耗时为 7.42ms。由于 mqchem 模拟器仅在粒子数守恒的子空间内进行矩阵运算，不仅降低了维度，也显著减少了模拟所需的时间。 ### **B. k-UpCCGSD** 传统 UCCSD 拟设的激发算符数量随分子轨道数 N 呈o（N^4）规模增长，即便采用最大并行执行策略，其量子线路深度仍维持在o（N^4）级别，这一高复杂度限制了其在中大分子体系中的实际应用。为突破这一瓶颈，Joonho Lee 等人提出了 k-UpCCGSD (k-Unitary Pair Coupled-Cluster with Generalized Singles and Doubles) 拟设方案 2，实现了拟设复杂度的显著降低。 k-UpCCGSD 拟设的核心激发算符集合包含两类关键成分： - 所有广义单激发算符（generalized single excitation operators）； - 所有 “成对的” 广义双激发算符（paired generalized double excitation operators）。 其中，“广义”指的激发算符的作用范围不受限于传统 UCCSD 中**占据轨道到虚拟轨道**（occupied → virtual）的跃迁模式，而是进一步涵盖**占据轨道间**（occupied → occupied），以及**虚拟轨道间**（virtual → virtual）的跃迁过程，从而更全面地捕捉电子关联效应；“成对的” 双激发算符则是将跃迁过程约束于两个分子轨道对之间，从而降低双激发算符的数量。为进一步提升能量计算精度，可将上述基础拟设单元重复堆叠 k 次，且每次堆叠所对应的参数相互独立，形成 k 层拟设结构。 k-UpCCGSD 拟设的激发算符数量仅随 N呈o（N^2）增长，结合并行执行策略后，量子线路深度可优化至o（KN），也即实现了**线性级别的线路深度。** MindSpore Quantum 内置了对广义激发算符的支持，结合 mqchem 模拟器对梯度的加速计算，使得在经典计算机上评估此类深层参数化线路成为可能。为直观展示 K-UpCCGSD 拟设的构造逻辑，本节以氟化氢分子基态能量求解作为案例，并基于 mqchem 模拟器完成拟设的仿真计算。 实验结果表明，2-UpCCGSD 拟设共包含 90 个激发算符，其计算能量与 FCI 理论值的误差仅为1.8\*10^-12Ha，显示出该拟设在处理电子关联效应上的准确性。 **性能对比** 在变分算法中，参数梯度的计算效率直接影响训练速度。下图展示了单步梯度计算的时间开销。通用模拟器耗时 65.60ms，而 mqchem 模拟器耗时 0.54ms。这种在梯度计算上的性能优势，有助于加快多层拟设的参数优化过程。 ### **C. ADAPT-VQE** 与前述 Sym-UCCSD、k-UpCCGSD 两类固定结构的量子拟设不同，ADAPT-VQE（Adaptive Derivative-Assembled Pseudo-Trotter ansatz Variational Quantum Eigensolver） 算法 3 采用**动态构建拟设**的核心思路：首先将 UCCSD 拟设包含的所有激发算符整合为一个完备的\*\*“激发算符池”\*\*，通过迭代优化机制逐步筛选关键激发算符，最终形成适配目标分子体系的精简拟设。 其具体迭代流程如下： 1、初始化空拟设与参考态，设定梯度阈值等终止条件； 2、在每次迭代中，计算激发算符池中所有激发算符在当前拟设态、参数为 0 时的**能量梯度**； 3、选取**梯度绝对值最大的激发算符**（即对能量降低贡献最显著的算符）加入拟设； 4、优化当前拟设的所有参数直至收敛，随后进入下一轮迭代； 5、若某轮迭代中，算符池内所有剩余激发算符的梯度向量范数小于预设阈值，则终止迭代。 ADAPT-VQE 具备显著的方法优势：首先，该方法可以自动挑选出最关键的激发算符构造紧凑的拟设，**线路深度浅**；其次，通过调整梯度阈值等终止条件，原则上可逼近**任意精度**要求；最后，采用\*\*“暖启动”\*\*优化策略，新增激发算符后直接复用前序迭代的最优参数，不仅提升了收敛效率，还能有效缓解量子优化中常见的局部最优问题与贫瘠高原现象。 ADAPT-VQE 算法需要在每次迭代中评估算符池内大量算符的梯度。mqchem 模拟器的高效模拟能力可以显著缩短这一筛选过程的计算时间，提升算法整体的运行效率。 以上收敛曲线展示了优化过程：随着关键算符被逐步选入拟设，能量误差在对数坐标下呈近似线性下降，并最终达到预设精度。 我们还对比了 ADAPT-VQE 算法在算符筛选与优化阶段的耗时情况。 如上图所示，通用模拟器耗时 0.945s，而 mqchem 模拟器耗时 5.47ms。在处理需要频繁进行梯度评估的自适应算法时，mqchem 模拟器能够有效减少计算资源的消耗。 MindSpore Quantum是基于昇思MindSpore开源深度学习平台开发的新一代通用量子计算框架，聚焦于NISQ阶段的算法实现与落地。结合HiQ高性能量子计算模拟器和昇思MindSpore并行自动微分能力，MindSpore Quantum有着极简的开发模式和极致的性能体验，能够高效处理量子机器学习、量子化学模拟和量子组合优化等问题，为广大科研人员、老师和学生提供快速设计和验证量子算法的高效平台，让量子计算触手可及。 MindSpore Quantum开源仓库： https://atomgit.com/mindspore/mindquantum MindSpore Quantum社区文档地址： https://www.mindspore.cn/mindquantum/docs/zh-CN/r0.11/index.html 1 Cao C, Hu J, Zhang W, et al. Progress toward larger molecular simulation on a quantum computer: Simulating a system with up to 28 qubits accelerated by point-group symmetryJ. Physical Review A, 2022, 105(6): 062452. 2 Lee J, Huggins W J, Head-Gordon M, et al. Generalized unitary coupled cluster wave functions for quantum computationJ. Journal of chemical theory and computation, 2018, 15(1): 311-324. 3 Grimsley H R, Economou S E, Barnes E, et al. An adaptive variational algorithm for exact molecular simulations on a quantum computerJ. Nature communications, 2019, 10(1): 3007. --- https://www.mindspore.cn/news/zh/2025-12-17/ --- 新闻 昇思人工智能框架峰会 | 昇思同路人第七期：育人传技，研思共进，高建花与昇思的校企协同育人故事 # 昇思人工智能框架峰会 | 昇思同路人第七期：育人传技，研思共进，高建花与昇思的校企协同育人故事 2025/12/17 # 昇思人工智能框架峰会 | 昇思同路人第七期：育人传技，研思共进，高建花与昇思的校企协同育人故事 在自主创新AI框架崛起与人才需求激增的双重浪潮下，有这样一批教育者与开发者，他们既是科研前沿的探索者，也是技术传承的摆渡人。北京师范大学人工智能学院的高建花老师，便是其中的代表——她深耕计算机体系结构与大模型推理优化领域，更作为项目骨干之一，携手昇思MindSpore，搭建起“产学研用”协同育人的桥梁，让昇思MindSpore框架走进课堂、赋能人才，完成了对AI人才的全链路培养。 **\# 01** **初心所向：从系统研究到AI育人，锚定自主创新之路** 作为北京师范大学人工智能学院的讲师，高建花老师长期承担本科生“并行编程原理与实践”课程教学，科研方向则聚焦计算机体系结构、并行与高性能计算及大模型推理优化。“AI是这个时代的科技名片之一”，深耕计算机系统领域多年的她，自然将研究目光投向了“从系统层面提升AI框架与应用运行效率”这一核心方向。 而在教学与科研实践中，一个现实痛点愈发清晰：生成式AI技术飞速发展，大模型领域高素质人才供给却严重不足，成为产业智能化推进的瓶颈；更关键的是，国内高校教学与科研中广泛依赖国外软硬件生态，与我国关键核心技术自主创新的战略方向存在差距。这让高建花老师坚定了一个信念：必须推动自出创新基础软件与硬件生态在高校的普及，让更多师生了解、使用AI框架，为自主创新的信息技术体系培育后备力量。 **\# 02** **结缘昇思：从赛事契机到深度合作，解锁框架实践价值** 高建花老师与昇思 MindSpore 的初次相遇，始于2023年。当时她作为团队成员，在计卫星老师的带领下组织了昇思MindSpore创新训练营（京津冀站），这段经历也成为了高老师深入了解这个AI框架的起点。 谈及初次使用昇思 MindSpore 的感受，她表示：官方提供的丰富案例给出了优质基准代码，不仅大幅提升了新实验案例的构建效率，更让开发者少走了许多弯路；而开发过程中 “在实践中探索、在解决问题中熟悉” 的经历，也让她对框架特性有了愈发深刻的认识，为后续的深度合作悄然埋下了伏笔。 **\# 03** **深耕实践：以产学协同为纽带，构建人才培养完整闭环** 随着对昇思MindSpore的了解逐渐深入，北京师范大学人工智能学院与华为技术有限公司达成合作，共同构建大模型创新应用人才培养课程体系，探索长短期结合的人才培养模式。作为项目骨干，高建花老师全程深度参与，将教学初心与框架实践深度融合，走出了一条“培训+实践+资源沉淀”的育人之路。 **1\. 师资培训：播撒教学火种** 她先后协助在北京师范大学校内、新疆大学校内举办“基础软件-昇思大模型创新应用与工程实践师资培训”，并面向北京师范大学职教国培职业院校骨干教师研修班开展专项培训。三场活动累计吸引百余名教师参与，让更多教育工作者掌握了昇思MindSpore的教学方法与实践技巧。 **2\. 学生培养：让实践成为成长基石** 2025年，北师大校内举办的两场优秀大学生夏令营暨昇思MindSpore大模型创新训练营，吸引全国上百所学校千余人报名，最终优选 300 人入营学习。高建花老师围绕昇思MindSpore和CANN开展大模型推理加速相关内容讲解，并设置针对性实践任务，让学生在动手操作中感受AI框架的魅力与实力。 **3\. 资源沉淀：打造可复用的教学资产** 她与项目组成员一起共同打造了大模型垂域应用与智能体搭建、大模型基本原理与实践、大模型推理引擎解构与加速优化等多套教学资料和配套实验手册，包含基于MindSpore的训练、微调、量化，以及在CV和NLP领域的实践。 高建花老师开发实验手册中，基于昇思的大模型推理代码解析 值得一提的是，高建花老师指导的两位同学葛丹颖和蒋祺至，成为了师资队伍中的一员，同时获得了昇思MindSpore布道师与华为开发者布道师的双认证，实现了“教学相长、人才接力”的良好效果。 正在开发中的葛丹颖（左）和蒋祺至（右）同学 谈及参与这一系列活动的心路历程，葛丹颖和蒋祺至也深有感触。 “当时印象最深的，是从设计实验、代码开发到上传镜像的全流程里，大家一起debug、合力攻克难题的过程。”葛丹颖说道，“这不仅让我深化了对昇思大模型框架技术体系的理解，也更清晰全面地认识到大模型在实际教学中的巨大价值。而在后续答疑环节中，我需要快速定位问题并给出可行解决方案，这既加深了对大模型工程细节的把控，也显著提升了自己将理论知识转化为实践的能力。恰好我的研究方向聚焦大语言模型推理加速优化，这几次师资培训也为我带来了新的研究思路，给后续探索提供了重要启发。” 蒋祺至表示，这段实践经历让他“熟悉并掌握了大模型开发与调试的实践方法，提升了将理论知识转化为工程实践的能力”。同时他提到：“通过与各位老师交流技术相关问题，我直观理解了大模型相关技术在教育领域的应用现状；而与企业专家的交流帮助了认识到产业界对大模型相关工程能力的需求，对我以后的个人发展方向有了很大影响。” **4\. 成果分享：让育人经验辐射更广** 2025年5月23-24日，在鲲鹏昇腾开发者大会上，高建花老师以“打造AI人才培养新生态，与昇思共成长”为题，分享了北京师范大学课程改革和AI人才培养方面的方面的实践与思考，让更多人看到了AI赋能教育的无限可能。 **\# 04** ****生态共鸣：于社区共筑中成长，寄语开源未来**** 在与昇思MindSpore同行的过程中，社区的活力与温度让高建花老师印象深刻。“昇思MindSpore组织了很多丰富的社区活动，比如开源社区实习、特别兴趣小组（SIG）等”，她认为这些活动为开发者、科研人员了解、使用、贡献昇思MindSpore提供了便捷的渠道，让框架的生态在开放协作中不断壮大。 而对初入职场的她而言，投身这些活动更带来了教学上的启发与成长：“我对教学有了更深刻的认识。如何通过通俗易懂的图示化方式，把复杂的大模型知识传递给师生？如何设计恰到好处的实践案例，让受众通过动手实操的方式，全面理解框架与编程模型？这些都是在教学过程不断困扰我的问题，在社区实践、和各位老师及同学的交流中不断推动我反思改进，也让我对教学的认识愈发深入。” 这番感悟既是高建花老师对AI人才培养的深刻洞察，更是她自身经历的生动写照，更是她自身经历的真实写照 ——从初识框架到深耕教学，从资源建设到生态传播，她用行动践行着“共筑”的理念，也期待着有更多同行者加入，让昇思MindSpore框架在教育与科研的土壤中扎根结果，为AI未来注入源源不断的人才力量。 而像高建花老师这样深耕教学、笃行共筑的开发者、布道师，在昇思中还有很多，他们或深耕科研，或醉心教学，或笃行实践，或聚焦产业，每一份贡献都藏着独特的探索经历，每一次布道都凝结着对技术的深度思考。 --- https://www.mindspore.cn/news/zh/2025-12-18/ --- 新闻 昇思人工智能框架峰会 | MindSpore Lite混合精度推理，实现内存节省30%，助力鸿蒙翻译模型轻量化部署 # 昇思人工智能框架峰会 | MindSpore Lite混合精度推理，实现内存节省30%，助力鸿蒙翻译模型轻量化部署 2025/12/18 # 昇思人工智能框架峰会 | MindSpore Lite混合精度推理，实现内存节省30%，助力鸿蒙翻译模型轻量化部署 在语言翻译算法模型中，通常需依托Transformer算法模型完成文本特征的提取与转换。针对Transformer推理内存较高、难以满足端侧多语种翻译应用部署的内存要求，基于MindSpore Lite的CPU混合精度推理方案，综合运用混合精度子图调度、IO免拷贝等关键技术，成功将鸿蒙系统内置翻译模型的推理内存优化至66MB，相较于原始100MB以上的推理内存显著降低，支撑模型在鸿蒙6.0上线部署。 **\# 01** **背景与挑战** MindSpore Lite作为高性能推理框架，在当前AI产业化落地的背景下，为开源模型的商用部署提供了坚实的技术保障。 在NLU（Natural Language Understanding，自然语言理解）场景中，特征提取通常依赖注意力机制实现。然而，注意力模块包含大量的大颗粒矩阵乘算子，并且涉及到Cache缓存，致使推理过程内存占用较高，对于鸿蒙系统内置的基础翻译模型，内存超限成为制约特性上线的关键瓶颈。 -   内存占用：翻译模型，使用整网Float16 CPU推理，精度误差不可接受，整网Float32精度正常，但在fp32下推理占用较大，需要借助混合精度特性，在降低cpu内存占用的同时减少其带来的精度损失。     为突破上述内存瓶颈，MindSpore Lite提供了基于CPU混合精度的推理模式，并融合IO免拷贝、图算融合等关键技术，形成系统性解决方案，有力保障了业务的商用化落地。 **\# 02** **MindSpore Lite推理技术方案** **1、方案介绍** MindSpore Lite推理框架提供了功能完备的转换工具及简洁易用的推理API接口。 模型转换阶段，MindSpore Lite转换工具可将MindSpore训练框架导出的MindIR模型或第三方框架导出的ONNX模型转换为MindSpore Lite格式的ms模型。离线转换过程中，工具首先将用户模型解析为标准MindSpore Lite IR格式，并在此基础上执行算子融合、子图切分、量化压缩等系列优化操作。同时，MindSpore Lite依据目标部署硬件特性，将优化后的IR对接至相应硬件后端，最终导出适用于MindSpore Lite推理部署的ms模型文件。 在线推理阶段，MindSpore Lite提供简明高效的API调用接口，通过加载转换后的ms模型，基于CPU后端注册的170+高性能算子实现，调度选取最优执行计划，最终获取推理结果。推理过程中，框架支持子图切分、IO免拷贝等关键技术，有效提升模型推理性能并保障业务部署的稳定性与功能性。 **2、关键技术** **CPU混合精度推理：** MindSpore Lite提供CPU混合精度推理机制，可针对单个模型内的不同算子，灵活配置Float32、Float16等不同精度计算策略，通过仅对精度敏感的算子保持高精度计算，可完成性能和精度的精细调优。以语种翻译模型为例，结合算法测试集，默认选用Float16推理，针对LayerNorm，SoftMax等数值敏感算子采用Float32推理，较整网Float32性能提升20%，内存降低30%，且精度误差<1%。 **输入/输出免拷贝：** 调用MindSpore Lite执行推理前需要设置输入数据，推理结束后也需要读取输出结果，当输入规模变大，如翻译模型输入KVCache，会引入较大的内存拷贝时延，且存在额外内存占用。MindSpore Lite利用CPU内存共享机制，实现了模型输入/输出数据免拷贝功能，可有效降低推理时延和内存占用。以翻译模型CPU推理为例，针对多达40个输入节点，开启免拷贝功能，可提升10%的推理性能，且内存优化10%。 **\# 03** **性能测试与验证** 可以通过MindSpore Lite官网发布包中的converter\_lite转换工具，将开源导出的onnx模型转换成ms的模型，然后通过MindSpore Lite官网发布包中的benchmark工具验证模型的功能与性能数据，详细的验证方法可以参考MindSpore Lite官网教程：https://www.mindspore.cn/lite/docs/zh-CN/r2.7.1/tools/benchmark\_tool.html **\# 04** **性能测试与验证** -   针对翻译算法模型在端侧CPU硬件上的部署推理，MindSpore Lite会持续进行性能优化，降低部署内存，提升推理性能，提供更加易用的接口能力。     -   与开源社区共同适配更多更新的开源算法模型，提升推理框架的泛化性能力，与模型推理性能。     开源代码仓库链接： https://gitee.com/mindspore/mindspore-lite 昇思社区官网链接： https://www.mindspore.cn/lite/ 鸿蒙官网MindSpore Lite Kit主页： https://developer.huawei.com/consumer/cn/sdk/mindspore-lite-kit --- https://www.mindspore.cn/news/zh/2025-12-18-2/ --- 新闻 开源之夏 | 昇思MindSpore 参赛项目圆满结项！ # 开源之夏 | 昇思MindSpore 参赛项目圆满结项！ 2025/12/18 # 开源之夏 | 昇思MindSpore 参赛项目圆满结项！ 开源之夏2025从春天走进冬天，昇思MindSpore开源社区与来自全国各地高校的同学们携手同行，共同推动开源AI生态的发展。共吸引**103位同学提交申请书申报**，在经历了4个月的项目开发期，最终**22位同学**成功完成项目并顺利结项 ，其中**1位**同学表现尤为突出，荣获 **“优秀学生-最具潜力奖”** 称号！ **\# 01** **致敬每一位贡献者** **\# 02** **优秀学生名单** 在本次开源之夏中，陈思源同学凭借出色的代码质量、积极的社区互动以及高质量的项目交付，从众多参与者中脱颖而出，荣获“优秀学生”称号。 开源不仅仅是公开代码，更是关于“可复现性”和“社区协作”。为了让后来者能看懂，我花费了大量精力优化代码结构和文档注释。看到自己的代码能复现出论文中的曲线，那种成就感是无与伦比的。不要被复杂的理论吓倒。从运行一个简单的 Demo 开始，利用社区丰富的资源，你会发现连接经典与量子世界的桥梁就在脚下。 ——陈思源同学的结项感言 再次恭喜所有成功结项的同学！未来，昇思MindSpore开源社区将持续为高校开发者提供学习、实践与贡献的平台。无论你是初次接触开源的新手，还是经验丰富的贡献者，我们都欢迎你加入我们，一起用代码改变世界！ --- https://www.mindspore.cn/news/zh/2025-12-25-2/ --- 新闻 华为谢桂磊：智引未来，共建开放繁荣的AI产业生态 # 华为谢桂磊：智引未来，共建开放繁荣的AI产业生态 2025/12/25 # 华为谢桂磊：智引未来，共建开放繁荣的AI产业生态 中国，杭州，2025年12月25日今日，以“昇思MindSpore，为超节点而生的AI框架”为主题的昇思人工智能框架峰会在杭州成功举办。大会旨在汇聚人工智能产业界思想领袖、专家学者、企业领军人物及明星开发者等产学研用代表，共探技术发展趋势，共建人工智能框架开源生态。华为中央软件院总裁谢桂磊发表主题为“智引未来，共建开放繁荣的AI产业生态”的致辞。 **以下是致辞的精华内容** 当前，人工智能已成为驱动科技变革和产业升级的核心引擎，加速迈入产业规模化落地的关键阶段，全面重塑个人生活场景、行业生产方式和产业生态格局。其中，人工智能框架作为连接基础算力、模型算法与落地应用的核心枢纽，其重要性愈发凸显。 昇思MindSpore人工智能框架自开源以来，坚持“开源开放、共建共赢”，与全球开发者和伙伴携手同行，在技术创新与产业实践中不断成长。在大家的支持下，**昇思社区核心贡献者已经超过5.2万，代码合入请求超过12万，来自全球150多个国家和地区的用户，累计下载量超过1300万，联合2000+社区伙伴孵化3100多个行业应用实践，已成为中国最具活力的AI开源社区。** 我们也深刻感受到，人工智能在模型、算力和应用方面，各项技术都在加速迭代演进，对AI框架发展提出更多技术挑战： 在硬件算力层面，基于高速互联技术的**超节点已成为AI基础设施建设新常态**，超节点将多台物理机器深度互联，实现逻辑层面“像一台机器一样学习、思考与推理”，具备资源池化、规模扩展和长稳可靠的特征。对于AI框架来说，如何简化集群使用门槛、充分调度硬件资源，将成为框架技术发展的核心要素。 在模型演进方面，**大模型的scaling law仍然在继续，同时将逐步整合视觉、听觉、文本等多元感官信息，以充分理解、创造世界**；对AI框架，在面向全模态模型的复杂并行加速、多阶段训练的精度调优效率等方面，都提出更高技术要求。 在应用技术上，**AI Agent进入规模化产业落地阶段**，让AI从单一对话工具升级为具备“思考-规划-执行-反馈”闭环能力的智能系统，并通过多Agent协作完成复杂任务及应用使能。对此，AI框架需要结合强化学习后训练技术，增强长思维链构建和工具调用能力，优化多模型和工具协作机制，助力AI Agent能够更便捷、更广泛地获得行业推广。 一直以来，昇思MindSpore旨在打造**超节点亲和、全场景融合、架构开放、敏捷使能**的人工智能框架。与全球伙伴和开发者共建繁荣生态，我们将重点在以下几个方面持续努力： \*\*第一, 围绕超节点，打造软硬深度协同、更亲和的昇思框架：\*\*通过创新的分布式编程和运行范式，降低超节点使用门槛、释放大规模集群的算力效能，更好地面向全模态、Agent RL等核心场景提供完善的并行加速能力，超节点集群编程做到类单机体验。 \*\*第二，围绕全场景，持续构建端边云融合的昇思框架：\*\*当前昇思社区已经构建了大到数万卡规模集群、小到耳机、手表等用户设备的训-推能力，不断优化端云协作模式，从云助端、端边训推一体等方向继续深耕，持续降低AI应用门槛。 \*\*第三，更开放拥抱生态，提供架构灵活、可组件化复用的昇思框架：\*\*将全面强化与业界开源社区的相互贡献与技术协同，并尊重开发者已有的使用体验习惯，将我们过去积累的自动并行、图算融合等核心特性实现架构解耦，目的是能结合当前主流社区项目，协同为大家提供更好用的AI基础软件，与业界主流社区共享超节点、全模态、Agent技术成果。 \*\*第四，围绕AI for science等场景，打造行业敏捷使能的昇思框架：\*\*过去几年里，我们通过与业界各个领域的科学家团队合作，在流体、电磁仿真、分子模拟等领域，通过AI解决传统科学计算问题上获得初步进展，未来我们将进一步结合Agent技术，和大家探索该方向的无限可能，并期待AI能进一步加速科研与行业变革。 人工智能的发展浪潮奔涌向前，昇思与大家携手同行，以更前沿的技术、更易用的体验、更开放的社区，助力千行万业智能化转型，共同书写智能时代的新篇章！ --- https://www.mindspore.cn/news/zh/2025-12-25-3/ --- 新闻 昇思MindSpore，为超节点而生的AI框架 # 昇思MindSpore，为超节点而生的AI框架 2025/12/25 # 华为谢桂磊：智引未来，共建开放繁荣的AI产业生态 中国，杭州，2025年12月25日今日，以“昇思MindSpore，为超节点而生的AI框架”为主题的昇思人工智能框架峰会在杭州成功举办。大会旨在汇聚人工智能产业界思想领袖、专家学者、企业领军人物及明星开发者等产学研用代表，共探技术发展趋势，共建人工智能框架开源生态。昇思MindSpore开源社区理事长丁诚发表 “昇思MindSpore，为超节点而生的AI框架”主题演讲。 尊敬的各位来宾、线上线下的朋友们，大家上午好！ 今天我们齐聚在杭州这座创新之城，在科技与梦想交织的热土上，一起进行碰撞和交流，碰撞思想火花，共同解锁 “超节点时代”AI 框架的新范式。 首先，我谨代表理事会，给大家汇报社区工作的最新进展：昇思开源5周年，从社区下载量、用户、原生论文创新等各个维度都获得了百倍的增长。在此背后，我想给大家介绍下，我们对于三个方面工作的持续努力： **以开发者为源，建设具备活力的生态社区；** **以框架技术为根，推动行业化智能化发展；** **以开源开放为本，与业界共建、共享生态繁荣。** 截至2025年 12 月，已有五万两千多名开发者参与 MindSpore 代码贡献，大多数开发者们都素未谋面，他们通过社区特别兴趣小组自治、协同，围绕数十个AI框架的核心技术方向，自主讨论技术方案，明确制定路标分工，**5年时间完成了超过12万项独立开发任务，并最终汇聚到从0.1到2.7的50多个版本里面**。受益于大家的携手贡献，目前社区已经逐步构建了三个方向的框架能力： \*\*原生大规模并行：\*\*可支持数万个计算节点、超万亿参数模型的一站式并行策略搜索、执行优化能力； \*\*端边云全场景部署：\*\*大到服务器集群、小到耳机、手表，MindSpore已经全面提供了完整的训-推能力，应用于数十万个计算节点、数亿台终端设备上，为广大用户提供了更便捷的AI使用体验； \*\*科学计算加速：\*\*MindSpore已原生支持Numpy、Scipy等科学计算接口加速，并通过函数式自动微分，帮助大家探索更前沿的AI成果。 依托框架技术创新，**我们已完善地支持了超过25种不同系列模型从脚本开发-并行训练-微调-推理部署的开箱即用能力，2000位社区伙伴借此完成了3100个行业应用实践以及科研创新**。来自香港科技大学的甘剑平老师团队，使用昇思开发了三维数据预测超分架构，实现对洋流的AI智能预测与分析，为蓝色经济提供了AI创新动力。同时，在电力行业，当前风/光/水等新能源带来场站维度多样复杂，采用传统数值仿真方式进行电网调度，计算效率很低。MindSpore与电网企业共同打造潮流计算仿真模型及部署套件，实现电力调度效率综合提升15倍，为绿色经济带来了AI加速引擎。 自从2023年社区理事会、技术委员会成立以来，通过各家理事会单位的共同管理和共建，在技术委员会专家的共同指导下，我们与业界AI社区逐步形成了良好的协同贡献关系。整体上来说，**MindSpore将自身定位聚焦在AI框架技术本身，与业界的各种训练、推理加速库、模型社区、评测和工具集等完成对接，并通过框架的执行优化、自动微分、图优化、集群调优等能力进一步提供更易用开发和更高效的执行**，如我们已经全量支持vllm社区的核心特性对接，并且在一体机等场景部署形态下，无需修改代码就能通过编译加速能获得超过15%的性能收益。 **我们一直致力于为开发者提供更完善的社区资源**。目前已有超过15万名学生通过社区的线上线下内容完成了从入门到上手的转变，随后很多同学会继续投入到开源社区实习中，认领社区任务，参与模型、API众智，获得进一步的实践机会。同时，在我们每年的各种赛事中大展身手，以更高的起点进入职业舞台，成为AI产业发展的中坚力量。 在过去5年里，每一位用户和开发者都是昇思同路人，感谢大家陪伴社区共同成长。下一个五年，我们期待能一起走得更远！ --- https://www.mindspore.cn/news/zh/2025-12-26-1/ --- 新闻 昇思MindSpore携手伙伴共建繁荣开源生态，加速行业实践创新 # 昇思MindSpore携手伙伴共建繁荣开源生态，加速行业实践创新 2025/12/26 # 昇思MindSpore携手伙伴共建繁荣开源生态，加速行业实践创新 2025年12月25日，昇思人工智能框架峰会在杭州国际博览中心召开，本次大会以“昇思MindSpore为超节点而生的AI框架 ”为主题，由昇思MindSpore开源社区、全球计算联盟GCC主办，华为技术有限公司和OSCHINA开源中国、AtomGit、Gitee、AITISA新一代人工智能产业技术创新战略联盟、OpenI启智社区、魔乐社区、焕新社区、书生社区、司南社区联合承办。会上，昇思MindSpore聚焦超节点技术创新，打造昇思HyperParallel架构，加速新模型结构和新训推范式创新，引领AI框架迈入“超节点时代”。 **产业落地，加速大模型技术创新应用** 昇思MindSpore聚焦大模型技术创新，充分释放硬件算力，构筑模型新范式亲和特性，助力开发者创新，为行业、科研及开源领域的开发者与伙伴提供开发友好、高效运行、部署灵活的开发体验，加速大模型领域技术创新和产业落地。 **面壁智能联合创始人、首席科学家刘知远**在演讲中表示，密度法则揭示了大模型能力密度与计算成本间的关联趋势，为大模型的能力提升指引了新路径。面壁基于昇思重构分布式大模型训练引擎BMTrain，打造更加高效的稀疏模型架构BlockFFN，通过“架构-数据-学习”的协同优化，构建“超高能力密度大模型”制备技术体系，持续提升MiniCPM系列端侧大模型的能力密度，并通过专业智能体在众多应用场景中成功实现商业落地。 **与开发者同行 共建开源社区繁荣生态** 开发者是推动开源生态发展的中坚力量。昇思MindSpore开源社区坚持开放合作，鼓励开发者由“使用开源”到“共建共享”，携手开发者共建开源生态。面向开发者开放式SIG组运作，组织公开SIG会议，并举办昇思模型开发挑战赛、昇思创新训练营、大模型实战课程、昇思开源实习、昇思社区开发者日、社区Meetup等一系列生态活动，与开发者共成长。 此外，昇思MindSpore开源社区主动拥抱业界主流开源社区，将高度解耦的组件复用到三方社区，坚持与三方社区合作共享，目前已支持SGLang、LlamaFactory、OpenCompass、EasyLLM、BMTrain等三方生态，未来还将支持强化学习训练主流社区。 基于人才培养探索与实践，北京师范大学结合产业诉求，打造了“课训赛产一体化”的AI人才培养全链条。**智能技术与教育应用教育部工程研究中心副主任、北京师范大学人工智能学院副院长和教授、信息技术新工科产学研联盟副秘书长计卫星**表示，北京师范大学践行“学为人师，行为世范”的校训，聚大批名师先贤弘文励教，以创新实践引领教育发展，基于昇思MindSpore框架打造实战型教学体系，从AI课程开发、创新训练营、ICT大赛、布道师培养、开源贡献等维度加速人才培养，将开源学习模式应用于前沿技术方向的探索，为学生和教育工作者提供新的视角与路径，为产业发展提供坚实的人才支撑和创新动力。 峰会现场还举办了一系列颁奖仪式。为感谢并表彰在昇思社区建设、技术传播与AI人才培养中做出卓越贡献的先行者，特别设立了昇思MindSpore杰出布道师，5名布道师获得昇思MindSpore开源社区2025年度杰出布道师称号。 以代码为砖瓦，以创新为蓝图，开发者是昇思MindSpore开源社区的核心建设者，昇思MindSpore开源社区从代码贡献、关键特性贡献、场景创新价值、社区影响力等维度，评选出8位2025年度杰出开发者。 昇思MindSpore模型开发挑战赛聚焦前沿的MoE类和多模态类模型，考验参赛队伍在模型推理优化方面的实战能力，346个队伍，历时3个月，最终诞生2支金奖队伍，4支银奖队伍，峰会上对本次挑战赛的金奖、银奖获奖团队进行颁奖。 --- https://www.mindspore.cn/news/zh/2025-12-26-2/ --- 新闻 嘉宾金句 | 昇思人工智能框架峰会 # 嘉宾金句 | 昇思人工智能框架峰会 2025/12/26 --- https://www.mindspore.cn/news/zh/2025-12-26-3/ --- 新闻 新闻快讯 | 昇思人工智能框架峰会 # 新闻快讯 | 昇思人工智能框架峰会 2025/12/26 --- https://www.mindspore.cn/news/zh/2025-12-30-2/ --- 新闻 致敬优秀，感谢有你 | 昇思人工智能框架峰会 # 致敬优秀，感谢有你 | 昇思人工智能框架峰会 2025/12/30 --- https://www.mindspore.cn/news/zh/2025-12-31/ --- 新闻 精彩回顾丨昇思人工智能框架峰会 # 精彩回顾丨昇思人工智能框架峰会 2025/12/31 --- https://www.mindspore.cn/news/zh/2025-12-8-2/ --- 新闻 昇思人工智能框架峰会 | 昇思MindSpore优化器并行、Zero还是FSDP？ # 昇思人工智能框架峰会 | 昇思MindSpore优化器并行、Zero还是FSDP？ 2025/12/08 # 昇思人工智能框架峰会 | 昇思MindSpore优化器并行、Zero还是FSDP？ 据悉，昇思MindSpore开源社区将于 2025 年 12 月 25日在杭州举办昇思人工智能框架峰会。本次峰会将展示昇思亲和超节点技术创新点。面向本次大会的昇思人工智能框架技术发展与行业实践论坛，本文基本昇思AI框架技术发展实践，就AI框架共有的优化器并行相关技术进行探讨。 大模型训练中，随着模型参数向万亿级迈进，显存压力呈指数级增长，因此高效地利用显存，是训练能否有效进行的关键因素。为此，业界发展出多种“以通信换显存”的并行策略——其中最主流的是DeepSpeed Zero(ZeRO)、Megatron FSDP（Fully Sharded Data Parallel）。这些技术看似不同，实则都是将权重在dp(data parallel)维度进一步切分，以通信换显存。 昇思MindSpore的优化器并行方案于2020提出并将其实现开源，早于DeepSpeed Zero和Megatron FSDP，且Pytorch的原生并行库Titan提出的FSDP方案采用了与昇思MindSpore的优化器并行完全相同的方案。 本文将深入剖析这些技术，并揭示一个常被忽略的关键问题：“权重副本”到底需不需要？ **\# 01** **Zero的深入剖析** DeepSpeed提出Zero概念时，就对权重、梯度、优化器状态的分级切分给了严格的定义，如下表如下： 表1. Zero切分的定义 根据Zero分级切分定义，其形成的切分效果如下图所示： 图1. Zero的切分效果 Zero的切分是针对模型的优化器状态、梯度、模型参数这3份静态显存进行切分，但这里存在一个隐藏问题：如果只切分优化器状态而不切权重，那更新时用哪个权重？实际上，还有一个“权重副本”（parameter copy） 需要参与计算。因此模型静态显存应为优化器状态、梯度、模型参数和权重副本4份，进而更新Zero的定义如下表： 表2. Zero切分的更新定义 Zero-1的实现切分了优化器状态和权重副本，其模型的前向与反向在梯度累加场景下会执行N次(N为梯度累加次数)，但AllGather与ReduceScatter只执行一次，其流程如图2所示： 图2. Zero-1的流程 Zero-2对权重副本、优化器状态、梯度都进行了切分，其流程图如图3所示。为了能够切分梯度，在梯度累加前，先对反向出来的梯度执行一次ReduceScatter，那么这个ReduceScatter要执行N次，这样为了节省梯度参数的显存，引入了过量的ReduceScatter开销，因此在实际大模型训练中含梯度累加的场景，一般仅使用Zero-1。 图3. Zero-2的流程 Zero-3对所有静态显存都进行了切分，其流程图如图4所示。为了除低显存在前反向开始计算前都会进行AllGather操作，引入了巨大的通信开销，同样在大模型训练的梯度累加场景一般是不可接受的。 图4. Zero-3的流程 **\# 02** **昇思MindSpore的优化器并行方案：去权重副本，更简洁** 昇思MindSpore的优化器并行方案自2020年起就采用了一种无需权重副本的方案，其核心思路是“要切分优化器状态，就必须要切权重本身”。模型的静态显存可分优化器状态：直接切分到dp域，权重：随优化器状态切分，梯度：权在梯度累加时才分配静态显存。昇思MindSpore优化器并行Zero的方案通过表3给出。 表3. 昇思MindSpore优化器并行Zero切分的定义 昇思MindSpore优化器并行Zero-1的流程只切分优化器状态与权重，分为非梯度累加与梯度累加2个场景，其中非梯度累加流程如图5所示，梯度累加流程如图6所示。在非梯度累加场景，去掉了梯度的静态显存，因此显存利用是明显优于DeepSpeed原版的。 图5. 昇思MindSpore优化器并行Zero-1非梯度累加场景的流程 图6. 昇思MindSpore优化器并行Zero-1梯度累加场景的流程 昇思MindSpore优化器并行Zero-2的流程与DeepSpeed/Megatron的实现没有本质区别，如图7所示。 图7. 昇思MindSpore优化器并行Zero-2的流程 昇思MindSpore优化器并行Zero-3的流程与DeepSpeed/Megatron的实现也没有本质区别，给反向的AllGather通过对前向AllGather的重计算来实现，如图8所示。 图8. 昇思MindSpore优化器并行Zero-3的流程 名字只是表象，思想才是核心。昇思MindSpore的优化器并行方案相较于DeepSpeed和Megaron方案有以下2大优势： 1. 避免冗余静态显存：无需维护权重副本，显存更优。 2. 流程更简洁：前向开始前执行AllGather获取完整权重，反向结束后释放。 PyTorch 最新原生并行库Titan的FSDP方案也采用了类似设计，说明该思路已成趋势。 --- https://www.mindspore.cn/news/zh/2025-12.25/ --- 新闻 昇思MindSpore引领AI框架迈入“超节点时代” # 昇思MindSpore引领AI框架迈入“超节点时代” 2025/12/25 # 昇思MindSpore引领AI框架迈入“超节点时代” 中国，杭州，2025年12月25日 今日，昇思人工智能框架峰会在杭州国际博览中心召开，本次大会以“昇思MindSpore为超节点而生的AI框架 ”为主题，由昇思MindSpore开源社区、全球计算联盟GCC主办，华为技术有限公司和OSCHINA开源中国、AtomGit、Gitee、AITISA新一代人工智能产业技术创新战略联盟、OpenI启智社区、魔乐社区、焕新社区、书生社区、司南社区联合承办。会上，昇思MindSpore聚焦超节点技术创新，打造昇思HyperParallel架构，加速新模型结构和新训推范式创新，引领AI框架迈入“超节点时代”。 **华为中央软件院总裁谢桂磊**在致辞中表示，人工智能发展浪潮奔涌向前，昇思MindSpore和产业携手同行，致力于打造超节点亲和、全场景融合、架构开放、敏捷使能的人工智能框架，以更前沿的技术、更易用的体验、更开放的社区，助力千行万业智能化转型。 会上，**中国工程院院士、中国商飞首席科学家吴光辉**表示，大飞机作为“工业皇冠上的明珠”，是国家科技能力、工业水平和综合实力的集中体现，飞机气动设计直接决定民用飞机“四性”。中国商飞上海飞机设计研究院基于昇思MindSpore框架持续创新，推出了业界首个民机超临界翼型气动设计智能体——“御风·智翼”，构建基于工程经验的超临界翼型智能一站式解决方案。 **昇思开源5周年，与开发者共成长，共建繁荣开源生态** 华为于2020年3月28日开源昇思MindSpore AI框架，开源后获得国内外开发者的积极响应，下载量超过1300万，覆盖全球156个国家和地区，12万+的合入请求，社区贡献者超过5.2万。支持25+系列大模型，2000+社区合作伙伴，3100+行业应用实践，支撑近2500个学术论文创新，昇思也成为国内最具创新活力的AI框架开源社区。 **昇思MindSpore开源社区理事长丁诚**表示，昇思社区开放治理，践行共建、共治、共享理念，同时积极融入业界生态，为开发者带来更优体验。昇思全链路支持AI人才培养，助力每一位开发者成为AI产业发展的中坚力量。 **技术跃迁，AI框架正式迈入“超节点”时代** 人工智能大模型技术飞速发展，模型规模走向长序列和稀疏的十万亿级，模型结构走向非规则化，训推范式走向异构化，模型发展驱动AI基础设施从“服务器集群时代”迈入“超节点时代”，AI框架作为产业智能化的核心基石正面临新的挑战和机遇。 **昇思MindSpore开源社区技术委员会主席金雪锋**在演讲中指出，昇思HyperParallel架构把超节点看成一台“超级计算机”进行编程和调度，充分发挥超节点架构优势，实现HyperShard声明式并行编程、HyperMPMD异构非规则并行、HyperOffload多级智能卸载等特性，加速Agentic AI、全模态等新模型结构和训推范式创新。 HyperOffload，实现计算与状态耦合走向分离，利用超节点池化存储能力，解决模型规模变大带来的片上内存容量瓶颈，训练性能提升20%+，推理序列长度提升70%+； HyperMPMD，实现并行从SPMD走向MPMD，发挥超节点对等计算架构优势，细粒度并行切分与通算并发，为强化学习/全模态提供灵活并行能力，提升算力利用率15%+； HyperShard，实现从命令式并行编程走向声明式并行编程，屏蔽超节点集群拓扑复杂性，为全模态等模型提供极简组合编程体验，新算法并行化改造小于1天，并行策略调优从天级到小时级。 峰会现场还举办了一系列颁奖仪式，8名开发者及5名布道师获得昇思MindSpore开源社区2025年度杰出开发者及布道师称号。 昇思MindSpore模型开发挑战赛聚焦前沿的MoE类和多模态类模型，考验参赛队伍在模型推理优化方面的实战能力，峰会上，本次挑战赛的金奖、银奖获奖选手接受颁奖。 昇思MindSpore模型开发挑战赛颁奖仪式 --- https://www.mindspore.cn/news/zh/2025-12.9/ --- 新闻 昇思人工智能框架峰会| 昇思MindSpore AKG大模型驱动算子生成 # 昇思人工智能框架峰会| 昇思MindSpore AKG大模型驱动算子生成 2025/12/09 # 昇思人工智能框架峰会| 昇思MindSpore AKG大模型驱动算子生成 **\# 01** **导言** 随着AI模型快速迭代与AI软硬件不断演进，AI产业对高质量算子的需求愈发强烈： - 模型侧：大模型（LLM）领域，稠密模型、MOE、MLA、多模态场景众多；稀疏、量化、KVCache压缩等技术又为算子生成带来更多复杂性与多样性。推荐类、 CV类模型同样在持续演进，与LLM截然不同的算子场景同样存在强烈的优化落地需求； - 硬件侧：随着国内外AI芯片的不断升级和演进，硬件架构、特性、参数各有不同；为提高AI芯片可用性，构建性能优势，定制化算子优化方案需求强烈； 与此同时，基于LLM的算子生成技术逐渐成为业界研究热点。自2025年始，随着大模型的代码生成能力日益完善，用LLM来编写代码已在各类CodeAgent、AI IDE中落地部署；在算子生成领域，各大知名高校、厂商纷纷开始投身到LLM生成算子的探索工作当中。 KernelBench：提供了一套易用的LLM生成算子验证流程基准 昇思MindSpore AKG 团队于2025年初开始对相关问题进行探索，尝试构建一套更为通用的 基于 Agent 的算子生成解决方案，全自动实现多DSL算子的生成、搜索调优等。在大幅减少人参与算子开发的同时，保证了算子生成的正确率与性能。为昇腾平台提供更优的开发体验。 **\# 02** **算子Agent 框架简介** AKG提供了一款 AI 驱动的算子代码生成工具，利用大语言模型(LLM)的代码生成能力，通过LLM规划和控制多Agent 协同，完成多后端、多类型的AI算子生成和优化。 **算子 Agent 框架的主要构成如下：** 1、Agents 框架运行围绕着多个Agents展开，包括但不限于： - Designer：算子设计Agent，生成 Unified Sketch，为Coder提供优化指导； - Coder：编码Agent，支持多前/后端的编码任务； - Conductor：负责调度指挥职能，分析Task运行状态，决定执行流程，提出建议； - Verifier：提供集成工具集，用于编译、运行、精度比对、性能分析等。 2、自定义文档系统 采取文档驱动式接入方案， 通过统一的文档规范与配置声明，使新的 DSL、前端框架与后端硬件在不修改 框架 本体的前提下完成接入，降低耦合与维护成本。 3、搜索框架 在持续性能优化场景中，可通过调用搜索框架，通过多轮迭代与 LLM 自主分析优化方向，持续优化算子代码性能表现。 4、Database with RAG Database提供高性能算子数据存储、特征提取的功能；配合多层级混合算子检索方案，为各类场景提供更准确的算子示例，提升整体生成的正确性与性能。 AIKG 框架图示 **\# 03** **关键设计** ### **3.1 基于 Unified Sketch 的代码设计与生成** 区别于传统的“文字 --> 算子代码”，算子Agent采用先设计Sketch，再生成代码的思路。让各Agent聚焦关注自身任务问题，进而提升各Agent执行效果。 - Sketch设计: 整合算子特点信息、硬件架构信息、不同算子启发式设计规则等，融合更多优化方案设计，用于提升生成算子效率和性能。 - 代码生成：严格按照API文档、示例代码，确保生成的代码符合规范要求。 Sketch图示 **3.2 基于Conductor的工作流框架** 预设的固定流程缺乏对决策的把握，尤其是涉及不同难度的算子生成任务、不同的生成阶段，使用同一套流程会极大干扰生成效果。 两种流程设计对比 为解决这类问题，工作流中添加Conductor Agent作为中间调度者，存储完整的生成历史记录。通过Conductor智能调控任务流向，有针对性地分析生成过程并给出下一步建议，结合人工经验和特定的历史记录，引导后续 Agent 正确生成，推动整个生成过程高效运转。 与通用CodeAgent对比，在AIKG框架下适配算子生成场景，针对性地设置任务调度和提示词生成，为算子生成提供规范的分析和进化方案，是正确生成高效率算子的最简洁的框架流程，在繁复的生成任务中指引高效的生成路线。 **3.3自定义文档系统** 大部分LLM算子生成方案中，仅针对单一前端/后端组合（Torch + Cudac、Torch + Triton-cuda）的算子优化；优化后的成功示例很难无缝迁移其他前后端中去。 而对 AI 算子的泛化支持又会导致以下问题： - 多样化组合（前端框架/DSL/硬件）的定制化接入成本过高，常需在框架内部进行定制化改造，并存在组合规模爆炸的风险； - 规范与示例分散，缺少统一约定，难以沉淀和复用知识。 **解决方案：文档驱动式接入（ Doc-Driven Integration）** 本框架 将前后端的定义从框架中剥离，通过统一的文档规范与配置声明，让前端框架、DSL、AI硬件在不修改框架的前提下完成接入，降低耦合与维护成本。 以统一文档规范方式接入框架 文档规范被划分为：（1）基础说明文档；（2）API文档；（3）优化建议文档；（4）示例参考等；AIKG 会针对特定文档做关键信息检索、长文本压缩等优化以合理利用各类文档。 **3.4精度对比与性能采集** 本框架 提供 Torch/MindSpore/Numpy 等多个前端的精度、端到端性能验证、报错日志收集功能，新的 DSL 可快速接入 AIKG 框架以完成验证与反馈。在特殊的性能调优功能例如 Triton 的autotune 等，AIKG 也会提供相应的能力支持。 **3.5搜索框架** 在基础算子生成流程之上，AIKG搜索模块支持在多任务场景下持续迭代优化算子性能。通过AIKG搜索框架方案，结合生成流程、数据库数据、优化要点，迭代生成高性能算子实现。搜索框架基础设计如下： - 通过Sketch抽取算法框架和优化重点，兼容不同DSL； - 检查待优化列表，让大模型重点关注优化侧重点； - 通过重新抽取Sketch的方式，将算法逻辑和性能数据存储至 Database，后续生成时依据数据库的历史记录提供更合理的优化方案； - 从本地 Database 中抽取生成历史，作为下一轮生成的启发信息，检查 checklist 中未实现的部分，建议下一轮着重实现； - 由基础搜索框架扩展，AIKG进一步提供了Evolve类并行多轮搜索功能。 多轮搜索流程图 **3.6多层级混合算子检索方案** 随着算子数据的不断增加，在算子数据库中的数据条会越来越多，如何高效高质量的利用这些已有信息是进一步提升AIKG效率、性能表现的关键。基于这个认识，AIKG集成了相对应的RAG能力以及解决方案。 而在Kernel代码相似性检索这一任务中，我们识别到Kernel代码由于其特殊性：不同Kernel存在大量的相似代码行，简单的Shape、Tiling变化会导致实际含义差别巨大，而这些信息很难被传统的相似性检索方案识别出来。 为此我们提出一种多层级混合算子检索方案，通过这种更贴近算子逻辑的分析+检索，保证检索结果的大部分内容与当前任务相关。基本流程如下： - 特征提取 1）初始任务特征：算子的类型，计算逻辑，shape大小等； 2）算子代码特征：tiling, reordering, vectorization, layout, pipeline等； - 分层混合检索 1）基于后端架构、DSL、算子大类等基础要求在Database内进行粗筛； 2）将LLM生成的特征转换成Embedding，建立向量索引并逐层筛选。 AIKG RAG 图示 **\# 04** **当前效果展示** ### **4.1 AIKG支持DSL情况** 当前AIKG通过文档驱动式接入，已快速打通部分主流 DSL 的流程，部分结果如下: 实验环境：ASCEND：Ascend Atlas 800 A2；；CPP：ARM64。 注：Triton-ascend的当前对 img2col API缺少支持，30+个卷积算子生成存在难度。除此之外大部分场景都能支持。 **4.2 Triton-ascend 性能验证** Agent 在各类型算子中完成基于多轮搜索的Triton KernelBench Level 1性能优化，验证了AIKG 在性能调优方面的能力。同时在Inductor-Triton场景中，通过AIKG深度优化，普遍可达成更优的算子性能。 **\# 05** **结语** 本项目是昇思MindSporeAKG团队在Agent时代的一次尝试，如何将AI编译、自动生成、算子优化等技术结合Agent产生更大的价值，是一件令人激动的事情；长久以来，非CUDA系的软硬件一直受困于编译、算子等底层能力生态支持度缺乏，易用性一直是各大厂商的老大难问题；而Agent+的路线目前看来有望缓解这一困境。 AIKG会持续在这个方向上快速迭代演进，希望在AI民主化、算子民主化的过程中做积极的贡献。 当前 AIKG 已作为 AKG 项目子仓于2025年6月开源（br\_aikg分支），欢迎大家使用、评论及参与共建。代码地址：https://gitee.com/mindspore/akg/tree/br\_aikg/ --- https://www.mindspore.cn/news/zh/2026-1-1/ --- 新闻 昇思MindSpore社区祝您元旦快乐！ # 昇思MindSpore社区祝您元旦快乐！ 2026/01/01 --- https://www.mindspore.cn/news/zh/2026-1-12/ --- 新闻 智启科学新范式：浙江大学张强团队联手昇思MindSpore，发布知识图谱驱动的SciToolAgent # 智启科学新范式：浙江大学张强团队联手昇思MindSpore，发布知识图谱驱动的SciToolAgent 2026/01/12 # 智启科学新范式：浙江大学张强团队联手昇思MindSpore，发布知识图谱驱动的SciToolAgent 在刚刚圆满落幕的昇思人工智能框架峰会2025上，一项名为SciToolAgent的科研成果引发广泛关注。这不仅是学术界对“Agentic Science”的一次深度探索，也是自主创新全栈软硬件平台（昇思MindSpore+昇腾硬件）与顶尖科研团队协同创新的又一次成功实践。当自动化、可解释、安全的“数字科学家”走进实验室，科学发现的齿轮正加速转动。 浙江大学张强老师团队推出的面向多学科的通用AI智能体SciToolAgent，实现了在生物、化学、材料等领域自动化调用和管理数百种科学工具，使先进科研工具既能服务于专家也能助力非专业人士完成复杂领域任务。相关研究论文《SciToolAgent: A Knowledge Graph-Driven Scientific Agent for Multi-Tool Integration》已发表于2025年7月的《Nature Computational Science》期刊。 论文地址： https://www.nature.com/articles/s43588-025-00849-y 代码地址： https://github.com/HICAI-ZJU/SciToolAgent **\# 01** **科学发现范式的演进** 科学发现范式随着时代不断发展，经历了四个主要阶段：从炼金术士的实验探索，到牛顿理论模型的建立，再到第一性原理的计算机仿真，如今在人工智能与大数据驱动下，开启了AI驱动科研的新范式。基于大语言模型的科研智能体应运而生，正是这一演进的最新体现。 随着科研任务复杂度提升，化学合成、蛋白质设计等过程对专业工具的依赖日益增强。然而，专业工具种类繁多、操作复杂、门槛高，现有方法难以有效整合多种工具，且往往忽视实验安全性问题。针对这些痛点，张强老师团队致力于构建自动化、可解释且安全的科学智能体，实现化学、材料等领域专业工具的自动化规划与调用，降低复杂科学工作的使用门槛。 **\# 02** **SciToolAgent的核心创新** 研究团队提出的SciToolAgent包含Planner、Executor和Summarizer三个核心模块，通过结构化的科学工具知识图谱SciToolKG，整合了包括通用工具、BLAST、RDKit、ESMFold等在内的500+科学工具，覆盖化学、材料和生物等多个科学领域。并专门设有基于检索的毒性/爆炸性检测安全模块，保障实验过程的安全性。 SciToolAgent通过基于SciToolKG的图检索增强生成机制，实现工具的智能化选择与执行。在团队构建的专用评测集上，其整体表现显著优于现有方法，并在蛋白质设计与分析、化学反应性预测、化学合成及MOF材料筛选等实际案例中，进一步验证了该系统在自动化复杂科学工作流方面的能力。 **\# 03** **性能表现卓越** 团队构建了自建评测集SciToolEval，包含531个科学问题（一级任务152项，二级任务379项）。从任务成功率、工具规划准确率和最终答案准确率三项指标评估，SciToolAgent表现显著优于现有方法。 依托昇思MindSpore AI框架的全面支持，SciToolAgent实现了高效开发与部署。该框架不仅提供了便捷的数据转换脚本，可自动完成对大模型输入数据的编码与填充，还原生支持热点模型的训练与推理，支持一键启动，大幅降低了使用门槛。通过与昇腾硬件的深度协同，系统充分发挥出自主创新算力的极致性能。 在此强大基础上，SciToolAgent的核心模型仅需单机8卡配置，结合多维混合并行技术，便可在9小时内完成3万余条数据、多轮epoch的高效微调。基于SciToolKG数据微调后的Qwen2.5-7B模型，性能提升显著（+10%），已接近更大规模模型的表现。这不仅验证了知识图谱增强策略的有效性，更凸显出基于自主创新全栈软硬件进行模型定向优化的巨大潜力。 **\# 04** ****应用案例展示**** **1、蛋白质设计与分析** 蛋白质设计在药物发现、酶工程和合成生物学等生物学研究方中中具有重要意义。SciToolAgent通过自主调度和组合所需工具，能够完成包含序列设计，稳定性预测，结构预测，频率分析和二级结构验证等多个步骤的蛋白质设计任务。 **2、化学反应性预测** 化学反应性的预测是药物设计和有机合成中的关键环节。SciToolAgent基于不同分子特征(RDK, Morgan, charge descriptors) 对不同化学底物的反应性进行预测，并能够进一步识别该任务中最优的机器学习算法 (MLP, RF等) ，自动规划执行并选择分子特征和机器学习算法的最佳组合以提高预测准确率。 **3、化学合成与安全评估** 化学合成是化学研究的核心基础，在新型化合物设计与制备中发挥着关键作用。SciToolAgent可以自动完成合成路线预测 + 分子描述 + 专利查询 + 安全性分析全链条的化学合成与分析流程，其中内置的安全模块可检测有毒产物，确保实验安全，解决了科研实践中的关键隐患。 **4、MOF材料筛选** MOF材料作为2025年诺贝尔化学奖获奖成果，在气体储存、催化、药物传输与分离等领域应用广泛。SciToolAgent通过自动筛选热稳定性、吸附量与价格等关键条件，大幅简化了MOF材料的设计流程，并依托多模型与数据库的智能调用，实现了高效的材料筛选与推荐。 **\# 05** **MindSpore+科研团队共创智能未来** SciToolAgent的发布是昇思MindSpore生态建设的重要成果。通过顶尖高校与自主创新AI框架的“联创”，将前沿算法在硬核底座上实现优化。当顶尖的学术智慧碰撞自主创新的AI框架，我们看到的不仅是一个模型的诞生，更是自主创新AI助力全人类科学探索的无限可能。 --- https://www.mindspore.cn/news/zh/2026-1-13/ --- 新闻 昇腾社区课程发布 | MindSpore带你探索大模型训练-推理-调优全链路 # 昇腾社区课程发布 | MindSpore带你探索大模型训练-推理-调优全链路 2026/01/13 # 昇腾社区课程发布 | MindSpore带你探索大模型训练-推理-调优全链路 --- https://www.mindspore.cn/news/zh/2026-1-14/ --- 新闻 智谱联合昇腾+昇思，开源首个自主创新算力底座训练的多模态SOTA模型 # 智谱联合昇腾+昇思，开源首个自主创新算力底座训练的多模态SOTA模型 2026/01/14 # 智谱联合昇腾+昇思，开源首个自主创新算力底座训练的多模态SOTA模型 今天，智谱图像生成模型GLM-Image 正式发布。该模型采用自主创新的「自回归＋扩散解码器」混合架构，是智谱面向「认知型生成」技术范式的一次重要探索，也是首个开源的工业表现级离散自回归图像生成模型。昇腾NPU和昇思MindSpore AI框架提供从数据到训练的全流程支撑，并提出一系列训练性能优化特性，助力智谱高性能训练出首个基于自主创新算力底座全程训练的SOTA模型。 **\# 01** **GLM-Image模型采用创新的架构实现开源SOTA** GLM-Image模型基于创新的混合架构，实现了在文字渲染的权威榜单中达到开源SOTA水平。 - 架构革新，面向「认知型生成」的技术探索：GLM-Image采用创新的「自回归 + 扩散编码器」混合架构，兼顾全局指令理解与局部细节刻画，克服了海报、PPT、科普图等知识密集型场景生成难题，向探索类”Nano Banana Pro”的新一代“知识+推理”生成模型迈出了重要一步。 - 文字渲染开源SOTA：在CVTG-2K（复杂视觉文本生成）和LongText-Bench（长文本渲染）榜单获得开源第一，尤其擅长汉字生成任务。 - 首个基于自主创新算力底座全程训练的SOTA模型：模型的自回归结构基于昇腾Atlas 800T A2设备与昇思MindSpore AI框架，完成了从数据预处理到大规模训练的全流程构建，验证了在全栈自主创新算力底座上也能训练出SOTA模型。 **\# 02** **昇腾+昇思MindSpore支持GLM-Image模型端到端高效训练** GLM-Image系列模型需要处理大量文字和图片数据，对模型训练的内存开销和性能提出了更高的挑战。为了应对这些挑战，昇腾+昇思MindSpore引入动态图多级流水下发、多流并行执行、高性能融合算子等特性，全面提升从数据处理、预训练、SFT到RL的端到端性能。 **1、支持动态图多级流水下发，大幅加速Host侧算子下发** NPU+CPU服务器常配备大规模多核CPU资源，单线程的算子下发往往跟不上NPU的计算，Host侧算力难以充分发挥，导致Device侧空转与整体资源利用率偏低。因此，使用了多级流水优化机制，依托昇腾+昇思MindSpore的软硬件协同，将Python执行、算子shape推导与算子下发等关键阶段进行流水化并高度重叠，有效提升Host侧并行度与下发效率，提升训练性能20%。 **2、支持多流并行执行，打破通信墙** 多模态训练场景中，文本梯度同步、图像特征广播、混合并行等操作都有复杂的通信需求。单流串行执行时，计算和通信两类操作互相等待，整体资源利用率低。因此，通过多流并行执行机制，为通信和计算分别配置通信流和计算流，两者公用内存池来实现内存复用，允许通信和计算两类操作同时运行。此外，不同通信域还能单独申请和分配通信流，充分利用网络带宽消除通信串扰，整体提升训练性能10%。 **3、昇腾亲和的高性能融合算子，提升训练性能和稳定性** 昇腾CANN高性能算子库提供多种高性能融合算子：AdamW EMA融合算子，缓解扩散模型训练后期loss震荡问题，使收敛效果更稳定；COC通算融合算子，使用集合通信创新算法，用计算掩盖多机多卡场景TP域中ReduceScatter和AllGather等核心通信算子的通信开销，通信效率提升15%。 **\# 03** **基于昇腾+昇思MindSpore的GLM-Image模型的多模态体验** 让我们来看看 GLM-Image 在实际的复杂图文等任务中的表现。 **场景一：科普插画** GLM-Image 更擅长绘制包含复杂逻辑流程与文字说明的科普插画及原理示意图。 **场景二：多格图画** 在生成电商图、漫画等多格图画时，GLM-Image能够保持风格和主体的一致性，并保障多处文字生成的准确率。 **场景三：社交媒体图文** GLM-Image 适用于制作社交媒体封面及内容等排版复杂的图片，让您的创作更自由丰富。 **场景四：商业海报** GLM-Image 能够生成构图富有设计感、文字嵌入准确的节日海报与商业宣传图。 **场景五：写实摄影** 在文字渲染以外，GLM-Image也同样擅长生成各种景别和尺寸的人像、宠物、风景、静物。 **\# 04** **快速上手 基于昇腾玩转GLM-Image模型推理** 体验指导： https://modelers.cn/models/MindIE/GLM-Image 镜像链接： https://mindie.obs.cn-north-4.myhuaweicloud.com/zhipu/mindie\_2.2.RC1-800I-A2-Glm-Image-py311-openeuler24.03-lts-aarch64.tar.gz **\# 05** **结语** 智谱GLM系列模型会持续迭代，昇思MindSpore也将同步上线更加丰富的特性，欢迎关注昇思MindSpore社区。 昇思MindSpore开源社区： https://www.mindspore.cn/ 昇思MindSpore代码仓库： https://atomgit.com/mindspore --- https://www.mindspore.cn/news/zh/2026-1-16/ --- 新闻 昇思人工智能框架峰会 | 昇思同路人第十一期：让技术“幂次方”增长：张威在校园里，为昇思点燃一片“技术森林” # 昇思人工智能框架峰会 | 昇思同路人第十一期：让技术“幂次方”增长：张威在校园里，为昇思点燃一片“技术森林” 2026/01/16 # 昇思人工智能框架峰会 | 昇思同路人第十一期：让技术“幂次方”增长：张威在校园里，为昇思点燃一片“技术森林” 在2025年的昇思人工智能框架峰会上，一位年轻的布道师从众多开发者中脱颖而出，荣获“杰出布道师”奖。他叫张威，来自郑州轻工业大学梅科尔工作室。聚光灯下，他略显腼腆，但当他谈起“布道”二字时，眼中闪烁的光芒却异常坚定。他的故事，并非始于高深的算法，而是源于一次再平常不过的课后提问。 **\# 01** **顿悟：从“独善其身”到“兼济天下”** 时间倒回几年前，张威和许多初入AI世界的同学一样，是一位纯粹的“技术使用者”。他的日常被代码、模型和调参占据，认为掌握工具本身便是终点。直到一次校内技术分享会后，一位同学的求助让他停下脚步：“这个框架看起来很厉害，但我连环境都配不好，能教教我吗？” 这句简单的提问，像一颗投入湖心的石子，在张威心中漾开涟漪。“那时候我才发现，”他在分享中回忆道，“好技术就像一颗优质的种子，但如果我们不去帮助他们栽种、浇水，那它永远只是一粒种子，我们永远也见不到它花开艳丽时。” 这个瞬间的顿悟，成为他身份转变的起点。他意识到，技术的价值不在于私藏，而在于传播与共享。从那一刻起，他不再仅仅是一名昇思MindSpore AI框架的“使用者”，更决心成为一名“布道师”——一个将复杂变得简单，将孤立连成网络，将火种传递下去的使者。 **\# 02** **践行：技术“幂次方”的三重路径** 张威将他的布道行动，系统地铺展在三条并行的道路上。 ## 一、开源布道，让技术“拿来即用” 依托梅科尔工作室，他组织团队在昇思大模型平台开源了包括Qwen大模型LoRA微调、CRNN手语识别在内的11个高质量案例。每一个案例都配有详尽的技术文档，特别是那些“配置不同环境、处理数据流转的痛苦经历”，都被毫无保留地记录下来。他深知，一个清晰可复现的案例，远比一篇晦涩的论文更能点燃开发者的热情。他贡献的“手势关节点识别算法”，更是将基于昇思MindSpore的模型成功适配至手机端，让AI触手可及。 ## 二、教学布道，让一个人的能力成为一群人的底气 在校内，他创立了“昇思高校学习小组”。从最初寥寥数人，到覆盖本校乃至外校上千人次；从独自备课到培养出8位新讲师；他主导开设了从Python基础到昇思全栈开发的4门系列课程，累计学时超50小时。他见证着学员们从懵懂到精通，再到站上讲台。张威说：“布道的魅力，就是让一个人的能力，变成一群人的底气。”这股底气，正通过课堂，在校园里蓬勃生长。 ## 三、活动布道，在交流中完成双向奔赴 无论是MindSpore Developer Day、华为ICT大赛全球总决赛，还是亚洲消费电子展，只要有舞台，就能看到张威带着基于昇思的项目进行分享的身影。他的分享重点从不局限于项目本身有多“酷”，而是执着于解释“为什么选择昇思”、“如何快速上手”。在与不同观众的问答碰撞中，他自己的技术视野与项目深度也得以拓展。“布道是一个双向奔赴的过程，”他总结道，“我们主动靠近昇思，昇思也会主动拥抱我们。” **\# 03** ****丰硕：用硬核项目为布道注入灵魂**** 布道并非空谈，需要坚实的技术成果作为基石。张威深谙此道，他带领团队将昇思技术应用于解决实际痛点，打造了一系列获奖项目： - 帕金森多模态筛评测一体化平台：基于昇思MindSpore设计核心算法，并完成端侧部署，荣获2024昇腾AI创新赛全国银奖。 - 多模态感知辅助视障出行项目：构建了完整的昇腾全栈软硬件解决方案，体现了深厚的技术整合能力。 - 在2025年“挑战杯”、“嵌入式芯片”等顶级赛事中，他及其带领的团队屡获国家级奖项，证明了昇思AI框架在复杂创新场景下的强大实力。 这些沉甸甸的奖项和切实可用的项目，为他所有的布道分享注入了最可信服的灵魂。当他说“昇思能行”时，背后是无数行经过验证的代码和切实改变生活的应用场景。 **\# 04** ****成长：从孤身技术宅到生态共建者**** 回顾这段旅程，张威感慨万千：“布道这段旅程，带给我的改变远比我付出的更多。”他不再是那个“孤身一人的技术宅”，他的身后，是由工作室伙伴、师弟师妹、社区开发者构成的庞大网络。他享受着“彼此之间信任与被信任”的温暖，也收获着来自生态中“陌生的友人”的善意与协作。 他坚信：“布道从来不是一件‘高不可攀’的事。”一篇使用笔记、一次同学间的答疑、一段简单的演示视频，都是布道的开始。昇思开源社区生态的繁荣，正是由这无数个微小的贡献堆砌而成。“它不需要我们一开始就做到完美，只需要我们勇敢地迈出第一步。” 如今的张威，是郑州轻工业大学梅科尔工作室的骨干成员，是华为与昇思官方双认证的开发者布道师。但他更愿意将自己定义为一颗最初被点燃的火种，如今正努力地去点亮更多的火种。他的故事生动地诠释了：布道的本质，是让优质的技术种子，在互助与共享的沃土上，生根发芽，最终连接成一片生生不息的森林。 而这，正是开源与社区精神，最动人的模样。 --- https://www.mindspore.cn/news/zh/2026-1-20/ --- 新闻 昇思MindSpore开源社区2025年度报告 # 昇思MindSpore开源社区2025年度报告 2026/01/20 # 昇思MindSpore开源社区2025年度报告 --- https://www.mindspore.cn/news/zh/2026-1-27/ --- 新闻 昇思同路人第十二期：匠心育人，聚力昇思 —— 马欣老师的教育深耕与实践成果 # 昇思同路人第十二期：匠心育人，聚力昇思 —— 马欣老师的教育深耕与实践成果 2026/01/27 # 昇思同路人第十二期：匠心育人，聚力昇思 —— 马欣老师的教育深耕与实践成果 ## 01 初心如磐：深耕教育，笃行AI育人之路 马欣，山东商业职业技术学院云计算专业高级工程师、华为开发者布道师，济南市政府高层次人才。近年考取7项华为认证，获第九届华为ICT大赛教学赛全国特等奖，连续五年指导学生斩获ICT大赛国赛奖项，2023、2025年先后两次指导学生打入华为ICT大赛全球赛；创办“活力社团”云计算协会，发表论文十余篇、主编教材1部，参与3个华为产学合作项目，获中国软件行业协会课题金奖。 谈及投身教育的初心，马欣老师坦言源于对三尺讲台的热爱，以及对传播知识的热忱。而选择 AI 方向，不仅是因为他敏锐洞察到 AI 作为最新创新领域能为学生带来更多就业机遇，更源于他对 AI 教育发展的深刻认知。在他看来，AI长期来看无疑是最能带来生产力变革的方向—— 全社会对人工智能的关注度持续攀升，各级政府出台多项政策鼓励 AI 教育、科研与产业融合，CES 展览中大量 AI 产品的亮相也印证了其在未来行业中的价值，据预测，AI 与工厂生产技术结合将催生大量 “紫领” 岗位，当前教育体系还不能充分满足这类岗位的人才需求，这将带来巨大的人才缺口。 这份认知也让他对 AI 教学前景有着清晰判断 —— 其核心在于尽快推动 AI 技术在教学场景的落地。尽管如今人工智能教育热度居高不下，已在各学段广泛开展，甚至成为学校考核教师的指标，但同时也存在教学浅显、盲目引入国外课程等问题。“中国 AI 教学的前景，根本上要立足国内产业实际，将通用 AI 技术与本土产业结合，推广自主创新AI 技术，促进产教有效衔接。” 而这一系列育人理念的落地，离不开一个关键载体 —— 昇思 MindSpore。马欣老师与这款自主创新 AI 框架的故事，源于一场赛事的契机。 ## 02 缘起ICT：与昇思的双向奔赴 马欣老师与昇思 MindSpore 的结缘，始于 2022 年带领学生征战华为 ICT 大赛。彼时国内外AI框架很多，如何选择合适框架对团队来说是个现实问题。恰好团队小组闯入了2022年华为ICT国赛阶段比赛，彼时大赛云赛道AI 部分明确将昇思 MindSpore 框架作为考察重点，MindSpore 框架的端边云全场景协同开发理念以及模块化组件化编程思想吸引他与学生们一同踏上了系统学习这款 AI 框架的探索之路。“那是我们第一次接触昇思 MindSpore，同学们遇到不懂的问题来问我，我当时也不甚了解，便索性和大家一起从零开始钻研。” 马欣老师笑着回忆道。从 2022 年携手闯入国赛崭露头角，到 2023 年学生凭借扎实的 MindSpore 技术斩获 ICT 全球赛三等奖，这款框架在一次次实践与突破中，逐渐成为师生们开展人工智能训练的首选工具。此后，马欣老师持续带领学生深耕赛事：2024年指导学生团队获得第八届ICT大赛昇腾AI赛道二等奖，2025年指导学生获得昇腾AI创新大赛高校组北方赛区银奖。2025年底，又带领学生以山东省第一名的成绩闯入了第10届华为ICT大赛昇腾AI赛道国赛。 在马欣老师看来：“昇思的很多语法与业界主流框架类似，兼容性强，易学易会，丰富的模型库和灵活的配置选项，让模型训练变得更加高效。”而昇思框架具有的两大核心优势，使其非常便于开展后续教学与人才培养：一是与昇腾硬件的天然适配性，尤其在开发板的协同上表现突出；二是快速的版本迭代与完善的社区支持，拥有昇思大平台、丰富模型库、案例教程及边缘侧应用案例，为高校教学与研究提供了坚实支撑。 ## 03 教学深耕：以昇思为核，构建多元培养体系 赛事中的亮眼成绩，让马欣老师更加坚定了以昇思为核心的教学方向。此后，他开始系统性构建覆盖多场景的 AI 培养体系。在马欣老师的推动下，昇思 MindSpore 全面融入课堂、集训营、社团活动、布道宣讲等多元场景，构建起完整的 AI 培养体系。在自动化运维、云计算基础架构平台等课程中，他引入基于昇思MindSpore的目标检测、大模型微调训练等案例，让抽象的AI技术落地课堂；在校内不定期开展的昇思集训营中，带领学生探索模型开发实践；通过社团冬训营、夏令营，以华为人才在线为载体建班开课，引导学生完成昇思在线课程学习与结课测试。 在教学案例开发方面，马欣老师团队不断探索，多项基于昇思MindSpore开发的解决方案获得昇腾技术认证书。其中，基于MindSpore的工业品检测案例，斩获第九届华为ICT大赛教学赛国赛特等奖，该实验以工厂流水线产品外观质量检测为需求，借助边缘侧目标检测、云端大模型推理等技术，实现了昇思MindSpore+香橙派开发板+机械臂的工业产品质量检测，适配5.5G时代智能生产需求。实验包含产品上线、目标检测、流水线分析、云端协同、异品清理五大组件，融合了MindSpore YOLO目标检测组件与MindSpore NLP自然语言处理库，通过软硬结合、理实结合的方式，让学生全面了解人工智能在制造业的应用与开发流程。 作为华为开发者布道师，马欣老师还走进山东大学、山东交通学院、山东管理学院等省内高校，宣讲昇思AI框架及大模型训练微调应用，受到各校师生的广泛欢迎。同时，他赴北京师范大学参加昇思大模型培训，将前沿教学理念与技术带回课堂。截至目前，他已在省内多所高校开办过昇思讲座，在本校线下开课6次，累计384课时、250名学生；线上开课5次，同样覆盖320课时、284名学生，累计让534名学生受益于昇思相关教学。此外，马欣老师还推荐本省的多位老师担任华为开发者布道师，持续孵化昇思领域的优秀人才。 ## 04 实践落地：以昇思为翼，让育人成效见行见效 多元教学体系的搭建，最终要落到实践中检验。马欣老师带着昇思教学的成果，带领学生走出课堂，向产业落地与行业认可迈进。以昇思MindSpore为核心，马欣老师开展了一系列扎实的探索。他参与教育部产学合作协同育人项目“华为云资源+AI+LLM的实践教学研究”“依托山东省高校AI沙龙模式的华为云EI师资培训实践探索”，主持建设了中国软件行业协会教学改革项目（AI方向），并作为团队主要成员，成功申报中国软件行业协会“自主创新软件进课堂”AI专项，将教学实践与科研创新深度融合。 同时，马欣老师密切关注 AI 专业学生的未来就业发展，深知行业对实操能力的重视，其带领师生团队完成的DeepSeek蒸馏实验，在国内职业院校中尚属首次，该实验基于MindSpore Transformers套件在昇腾算力平台，成功将DeepSeek-R1的知识蒸馏至Qwen2.5-Math-7B小模型，验证了自主创新技术栈的协同效能，为行业提供了低成本、高灵活性的AI解决方案，被鲁商集团、山东省国资委等官方媒体报道，引发广泛关注。此外，还积极推动学生参与昇思 MindSpore 社区实习，多名学生报名社区项目，在专家指导下开展昇思MindSpore 2.6版本教程的测试工作。学生们在华为云、昇思大模型平台、启智社区等环境中完成案例测试，记录报错、提出解决方案并形成测试报告，在实践中提升技术能力，也为社区发展贡献力量。 这些实践资源最终转化为学生的成长红利，昇思社区全年不间断推出的实训营、大赛、开源实习项目，构建起全方位育人闭环。 马欣老师带领工坊学生深度参与其中，22 级学生孟飞、王琨华通过昇思技术学习斩获 ICT 大赛国赛二等奖，顺利升入齐鲁工业大学深造；23 级学生江炳昱系统掌握昇思技术并考取 HCIP 证书，实习期间成功入职本地机器人公司；24 级学生王添乐凭借昇思实践经历获职业生涯规划大赛全校第三名，在更广泛的班级教学中，马欣老师引导本校学生，在2025年一年内，考取了94项华为HCIA-AI方向认证，用人工智能职业能力，为普通学生就业赋能。“昇思社区这个大平台，为好学的学生提供了广阔的机会和知识的厚土！” 马欣老师感慨道。 而团队在技术落地层面的探索，也在行业舞台上收获了广泛认可。在昇思人工智能框架峰会上，马欣老师团队开发的昇思机械狗成为展会焦点—— 这是团队将昇思 AI 模型与实体硬件深度融合的代表性成果，也是此前一系列教学实践、技术研发的集中呈现。峰会期间，该展位全天吸引500~600人次参观，华为ICT人才伙伴发展部校企合作总监刘耀林等领导，以及高校师生、独立开发者、中小学教师等各界人士纷纷驻足体验。大家对机械狗将深奥AI模型与算法具象化的呈现方式给予高度评价，当得知其采用基于昇思MindSpore的视频跟踪模型实现自主行走时，更是赞赏有加。不少参观者表示，这款成本不足万元的机械狗，可广泛应用于大学生比赛、AI课程演示及师资培养。这款源自于教学实践的成果，正是产教衔接的生动体现 —— 课堂上的技术积累，最终长成了产业需要的创新产品。 ## 05总结展望：以昇思为基的AI育人之路探索 回顾参与华为ICT大赛教学赛的经历，马欣老师最深的感悟是“教学必须与一线产业相结合”：“传统教学局限于书本经典案例，与产业脱节严重，而大赛中的案例都采用最新技术，实现了‘产业所需即课堂所授’，加上软硬件结合的形式，极大提升了学生的学习兴趣。”同时他也清醒地认识到，现有教学案例仍有提升空间，未来需进一步深入生产一线调研，让案例更贴合实际需求。 针对 “学校教学如何跟上 AI 飞速发展” 这一常见疑问，马欣老师结合自身经验给出了明确答案。他不认同 “学校教学偏理论、落后于产业实践” 的观点，反而认为教师主动对接产业界 AI 技术，就能让教学紧跟迭代步伐。“我去年就参加了昇思开发者大会、ICT 创新赛、全连接大会、昇思人工智能峰会四项相关活动，还看到上海的老师带领全班学生参观展会。” 他形象地比喻，产业是流水线，教师的角色就是 “采样器”，不断从产业一线汲取最新成果，再传递给学生，就能让课堂始终与行业前沿同频。 基于多年育人经验，他也为希望从事 AI 方向工作或研究的学生给出了切实建议：“面试官往往会关注在校期间的相关经验，所以学生要多探索最新 AI 技术，掌握模型预训练、微调、评测、部署等核心技能，积累调参、部署与排错能力。” 他补充道，多参加 ICT 大赛等赛事、考取 HCIA/HCIP 等人工智能方向证书、参与昇思社区开源实习项目，都是提升竞争力的有效途径，“我工坊的学生正是凭借 HCIA-AI Solution 认证与昇思开源实习经历，实现了理论与实操双提升，深受用人单位欢迎。” 展望未来，马欣老师计划持续深化昇思MindSpore在教学中的应用，推动教学过程多样化、教学内容深刻化、创新培养常态化。在教学中综合运用昇思各类技术套件，实现云端与边缘侧、训练与推理、大模型与小模型、软件与硬件的深度结合，开发更多趣味实用的教学案例；带领学有余力的学生参与昇思MindSpore开源实习、“开源之夏”等活动，深度探索大模型相关技术；将昇思MindSpore教学与创新创业相结合，挖掘更多生产生活中的应用场景，用AI技术解决实际痛点。 从三尺讲台到产业舞台，从赛事契机到生态共建，马欣老师以昇思为桥，一头连着AI 技术的实践，一头连着青年人才的成长。这条育人之路，既是他个人热爱与坚守的写照，更是 AI 框架赋能教育的生动缩影。未来，相信在他的引领下，将有更多青年学子投身自主创新AI技术的学习与创新，为行业发展注入源源不断的青春力量。 --- https://www.mindspore.cn/news/zh/2026-1-31/ --- 新闻 春节来OpenI复现论文，享受多卡高性能算力，过一个有“研”值的新年！ # 春节来OpenI复现论文，享受多卡高性能算力，过一个有“研”值的新年！ 2026/01/31 # 春节来OpenI复现论文，享受多卡高性能算力，过一个有“研”值的新年！ 近期有打算复现论文的小伙伴们，有福啦！OpenI启智社区“春节科研档”福利提前剧透——这个新春假期，让你边过年边出成果！ 2月14日-2月23日，OpenI启智社区将携手昇思MindSpore、头歌以及中国算力网、超算互联网、并行科技等算力伙伴，专门为高校师生和科研机构的开发者们，开放一批高性能算力资源，支持大家安心复现论文、高效跑实验、轻松产成果！ 💡 小贴士：本次论文复现专项活动仅面向高校及科研机构开发者，且算力使用总时长不超过10天；此外，社区春节期间还有其他精彩活动，不限人群参与，活动将在近期推出，敬请关注！ 如果你最近正打算复现一篇顶会论文——不管是微调大模型、复现多模态算法，还是验证顶会新方法，只需在2月8日前通过下方海报长图中的二维码提交需求，社区将为你提前部署运行环境、预载大模型与数据集，并提供多卡算力资源，助你假期“开箱即跑”！ 提交需求并通过审核的开发者将获得专属算力支持；成功完成论文复现还可领取算力积分奖励，表现突出、成果优秀的参与者更将获颁荣誉证书。 这个春节，让科研不停歇，让年味更有“研”值！ 👇 长按下方海报长图中的二维码，立即提交需求，锁定你的假期算力席位！ --- https://www.mindspore.cn/news/zh/2026-1-4/ --- 新闻 昇思人工智能框架峰会 | 昇思同路人第十期：让学生从“学技术”到“能创造”，肖雄子彦基于昇思打造探索式产教共建课程 # 昇思人工智能框架峰会 | 昇思同路人第十期：让学生从“学技术”到“能创造”，肖雄子彦基于昇思打造探索式产教共建课程 2026/01/04 # 昇思人工智能框架峰会 | 昇思同路人第十期：让学生从“学技术”到“能创造”，肖雄子彦基于昇思打造探索式产教共建课程 AI框架崛起与人才需求激增的双重浪潮下，有这样一批教育者与开发者，他们既是科研前沿的探索者，也是技术传承的摆渡人。上海交通大学学生创新中心AI Lab负责人肖雄子彦老师，便是其中的代表——她作为最早一批昇思MindSpore的布道师，5年来，把昇思MindSpore从一个工具学习逐步变成教学内容，让昇思MindSpore承载在更多课程中，形成AI人才全链路培养。在2025年12月底举办的昇思人工智能框架峰会2025上，肖雄子彦老师荣获昇思MindSpore杰出布道师称号。 **\# 01** **初心启程：产教共建，从0到1** 上海交通大学学生创新中心作为上海交大产学协同育人的核心平台，始终站在产业前沿。提到与昇思MindSpore的结缘，肖老师表示要追溯到2020年。当时，中心正在筹备建设深度学习校企学分课和“交·通全球共享课堂”。面对刚刚面世的MindSpore，他们意识到这是一个极佳的契机：既要让硬核自主技术在校园‘扎下根’，也要让它通过国际课程‘走出去’。 回想初期，昇思还在‘成长期’，生态打磨确实面临了不少挑战。但在共同开发的过程中，交大的同学们也成了最敏锐的‘首批体验官’，这种‘教学相长、校企共创’的经历是非常难得的。 五年一晃而过，现在昇思MindSpore在交大的各类创新实践课中已经深度落地，这种“从0到1”的陪伴感让老师们觉得当年的选择非常值得。 **\# 02** **课程共建：让学生“学技术”到“能创造”** ## **一、校内筑基：三步走，打造昇思人才“储备池”** 第一步：重塑课程，和昇思探索出各种丰富的课程合作形式 作为第一批昇思MindSpore布道师，在那个大家还在讲TensorFlow，PyTorch的年代，肖雄子彦老师已经2021年就将昇思MindSpore融入到上海交通大学在“环太平洋大学联盟交换项目”和“交·通全球课堂”中。肖雄子彦老师和昇思探索出了各种丰富的课程合作形式。 5年来，把昇思从公开课试点，上升到“校企学分课“，建设的《基于华为AI平台的深度学习实践》覆盖了全校20多个学院，600多位学生，课程评教常年位列全校前茅（全校前10%），并在全国高校混合式教学设计创新大赛中的700+高校团队荣获特等奖。课程做到了引导学生不只是学会AI技术原理，而是基于华为的平台用AI去思考和创造，真正将产业级的框架内化为知识体系的一部分，也在2024年荣获上海市重点课程，构建了“交大-华为”产学协同育人示范作用。 第二步：以赛促学，用高水平竞赛锤炼“实战力” 真正的学习能力是要在比赛中磨砺出来的，这句话是老师和高年级同学广为流传的一句话。为了促进同学对于昇思和AI能力的掌握，肖老师和学生创新中心的老师常年带队参与时世界工智能大会AI算法赛、华为ICT大赛等顶级赛事，荣获各类比赛10余项，其中2024年荣获华为ICT大赛昇腾AI赛道本科组中国区实践赛特等奖。让学生体验了“知识原理”-“技术落地”-“生态贡献”的完整路径，各种奖项也是交大整套AI人才培养方案完善的证明。 多次带队获得华为ICT大赛奖项 第三步：向下扎根，为未来播撒“AI的种子” ## **二、长三角训练营，从学习者到共建者的蜕变** 跨出交大，区域联动 — 从“学习者”到“共建者”的蜕变。 当校内的“储备池”蓄满水后，肖老师和中心其他老师的目标是让这池水流动起来，汇入更广阔的生态江河。于是交大牵头成立了“长三角研究型大学创新训练营”，联合复旦、浙大、南大、中科大等顶尖高校，将交大的成功模式辐射到整个长三角地区。 在2024年长三角昇思训练营闭营时，很多学生表示“以前用AI框架是‘按说明书操作’，现在跟着昇思导师做项目，是‘跟着高手学造车’，真正知道了产业的技术分工”。这句话让肖老师印象深刻，特别有感触，也真正感受到校企协同培养的不再只是‘会用技术’的学生，而是逐渐能将同学们培养成‘能创造’的人才。 也正是这种高质量的课程设计，在过去的3届长三角昇思训练营，累计报名超过500人，挑选培养了200位开发者，结业考试也从第一年的案例答辩发展到25年的开源贡献，25年在训练营期间团队互助，累计产出15个高水平的创新项目，全部贡献到昇思MindSpore的官方代码仓中，让学生从“知识的消费者”到“价值的创造者”的关键一跃。学生们也很高兴成为了昇思生态中的“共建者”。他们写的每一行代码，都在为这个拥有数百万用户的开源社区添砖加瓦。这也是未来产教融合最理想的成果，让国内的开源氛围逐步繁荣起来。 ## **四、深化协同，共建未来人才生态网络** 随时大模型的发展，肖老师和学生创新中心正在持续围绕昇思打造面向未来人才的生态网络，完善校内课程、长三角训练营、社区贡献等所有环节打通，为学生绘制一张清晰的“学习-实践-就业”的成长地图，形成一个完整的人才培养闭环。也对外赋能，开展多场师资培训。覆盖10+所高等学校，50+名一线教师，让大模型和昇思的教学更产业化。 同时肖老师也积极参与产业交流，在华为全联接大会2025（HUAWEI CONNECT 2025）期间，面向广大开发者和高校教师进行《基于昇思创新训练营打造AI人才全链路培养》的演讲，详细分享了上海交大与昇思共同打造的AI人才全链路培养体系，以课赛结合的模式构建人才储备池，并取得了丰硕的成果。未来，双方将继续开展生态合作，共建昇思开源实验室、打造人才成长地图、壮大昇思生态、深化产教融合。未来持续通过长三角昇思创新训练营，帮助学生完成从“学习者”到“共建者”的蜕变。 **\# 03** ****未来展望：携手共进，打造让开发者更喜爱的技术**** 回顾这五年，肖老师和学生创新中心与昇思的合作实现了‘从校内到校外、从本土到国际’的全方位跨越： 在校内，打造了上海市重点课程，夯实实践教学；在区域，通过“长三角创新训练营”实现了优质资源的跨校共享；在大中衔接上，依托“交大荣昶杯”大赛，让昇思AI框架在先锋少年心中萌芽；在海外，通过“交·通全球课堂”让国际学生直观感受中国AI的魅力。 肖老师相信这些成果的背后，每一步都凝聚了中心老师和昇思MindSpore团队的努力和汗水。“事物的发展都是螺旋式上升的。”我国技术要走向独立自主，磨砺也是一场必经之路。 如今，看到昇思的开发者社区越来越壮大，应用场景从实验室走向了千行百业，作为“陪跑者”，中心打心底里感到自豪和欣慰。 对于未来，肖老师表示没有太多豪言壮语，只希望能继续和昇思携手，保持初心，继续去做那些“难而正确的事”。方向对了，路再远，也一定能抵达。 昇思MindSpore布道师作为昇思MindSpore开源社区的重要组成力量，承担了对外布道和课程建设的任务。社区提供完善的开发者成长激励体系，也期望有更多的开发者可以参与交流共建。 --- https://www.mindspore.cn/news/zh/2026-10-1/ --- 新闻 昇思MindSpore社区祝大家国庆节快乐！ # 昇思MindSpore社区祝大家国庆节快乐！ 2026/10/01 盛世华诞，举国同庆； 开源筑梦，共庆华诞！ 仰望星空，我们是AI时代的追梦人； 脚踏实地，我们是开源生态的共建者。 愿我们的祖国繁荣昌盛 昇思MindSpore社区祝大家国庆节假期愉快！ --- https://www.mindspore.cn/news/zh/2026-2-12/ --- 新闻 马年双礼：限定红包封面🧧 × 开发者上上签，一键领取！ # 马年双礼：限定红包封面🧧 × 开发者上上签，一键领取！ 2026/02/12 # 马年双礼：限定红包封面🧧 × 开发者上上签，一键领取！ 代码绘就千里马，算力腾云贺新春 过去的一年，感谢大家对昇思社区的支持与贡献。你们的每一次付出，都推动昇思MindSpore不断前行。 值此新春来临之际 昇思MindSpore祝大家 显存不爆，Loss狂降 论文接收，项目落地 代码优雅，生活从容 昇思限定红包封面，独特祝福送不停！ 马年到 福运来 过年的氛围感不能少 "定制"红包🧧给安排！ （限量发放，马上抢：https://mp.weixin.qq.com/s/EIphgK3dZm3Y2\_Qij71hPg） 截屏抽取你的新年上上签！ 风暖人间草木香 好运随签来 快来抽取你的专属“上上签” 祝你好运一路相随！ --- https://www.mindspore.cn/news/zh/2026-3-3/ --- 新闻 灯火上元！昇思MindSpore祝您元宵节快乐 # 灯火上元！昇思MindSpore祝您元宵节快乐 2026/03/03 # 灯火上元！昇思MindSpore祝您元宵节快乐 昇思MindSpore社区祝您： 元宵喜乐，阖家安康， 模型稳如磐石，灵感奔涌如潮！ --- https://www.mindspore.cn/news/zh/2026-4-1/ --- 新闻 华为ICT学院指定教材新书推介 | 《人工智能技术与实践—基于MindSpore平台》 # 华为ICT学院指定教材新书推介 | 《人工智能技术与实践—基于MindSpore平台》 2026/04/01 # 华为ICT学院指定教材新书推介 | 《人工智能技术与实践—基于MindSpore平台》 书号：978-7-115-67611-5 作者：孔令和 刘⾬桐 李豫晨 出版日期：2026年3月 ## 01 书籍内容简介 本书是⼀本为⼈⼯智能初学者量⾝定制的实⽤指南，旨在帮助读者迅速掌握⼈⼯智能的核⼼概念和应⽤技巧。本书从基础概念⼊⼿，结合应⽤实例，使⽤MindSpore框架，深⼊浅出地引导读者理解和掌握⼈⼯智能的基本原理、技术及最新发展。全书共分为4篇16章，覆盖⼈⼯智能的各个重要领域。⼈⼯智能⼊⻔篇（第1、2章）介绍⼈⼯智能概述、⼈⼯智能发展历程、⼈⼯智能Python开发⼊⻔和MindSpore开发⼊⻔，并给出基于MNIST数据集识别⼿写数字的⼊⻔实战介绍。机器学习及实战篇（第3〜5章）包括监督学习、⽆监督学习、强化学习。深度学习及实战篇（第6〜10章）介绍深度神经⽹络、知识图谱、⽣成对抗⽹络、迁移学习和注意⼒机制。⼈⼯智能前沿与伦理篇（第11〜16章）涉及扩散模型、推荐系统、量⼦计算、轻量级⼈⼯智能、⼈⼯智能⼤模型、⼈⼯智能伦理等前沿主题。 本书适合对⼈⼯智能感兴趣的学⽣及从业者，旨在帮助读者夯实理论基础，提升实际编程能⼒，从⽽在未来的学习和⼯作中更加游刃有余。 ## 02 书籍作者简介 孔令和 博⼠，上海交通⼤学计算机学院教授，⻓江学者特聘教授，IEEE Fellow。曾在美国哥伦⽐亚⼤学、加拿⼤⻨吉尔⼤学和新加坡科技设计⼤学担任博⼠后研究员。研究⽅向包括物联⽹、卫星⽹络、⼈⼯智能和移动计算。主讲“计算机⽹络”“⼈⼯智能技术及应⽤”“移动互联⽹”“⼯程信息管理”等课程，所著教材《物联⽹操作系统原理（LiteOS）》⼊选⾸批“⼗四五”国家规划教材，教授课程“计算机⽹络”⼊选第⼆批国家级⼀流本科课程。 刘⾬桐 博⼠，上海交通⼤学研究助理研究员。研究⽅向包括⼈⼯智能、物联⽹和移动计算。在⾼⽔平国际会议和期刊，如Ubicomp、IEEE Journal on SelectedAreas in Communications、IEEE Transactions on Mobile Computing等发表论⽂30余篇，获国际会议最佳论⽂奖（提名）3项，获上海市启明星项⽬（扬帆专项）及华为Explore X⼈才资助。主持1项国家⾃然科学基⾦⻘年基⾦项⽬、1项⻓三⻆科技创新共同体联合攻关项⽬，以及国家重点研发计划⼦课题等多项科研项⽬。 李豫晨 博⼠，百度搜索科学团队⾼级研究员。研究⽅向包括AI搜索、⽹⻚搜索、⼤模型训练和⾼效推理。已在⾼⽔平国际会议和期刊，如KDD、ICDM、NeurPS、AAAl、Nature Machine Intelligence、IEEE Transac-tions on Knowledge and Data Engineering、 IEEETransactions on Services Computing、IEEE Transac-tions on Mobile Computing等发表论⽂数⼗篇，获国际会议最佳论⽂奖（提名）3项。参与国家重点研发计划、国家⾃然科学基⾦重点项⽬等多项科研项⽬，并承担1项上海交通⼤学学⽣促教基⾦项⽬和多项校企合作项⽬。研究成果与⼯业界紧密结合，部分已实现⼤规模部署，为数亿⽇活⽤⼾提供服务。 ## 03 编辑推荐 1.本书属于⼈⼯智能⼊⻔书籍，理论和技术⻔槛较低，受众更⼴； 2.本书主要编著者为⻘年⻓江学者，在⼈⼯智能教育领域，尤其是⾯向⾮计算机/⼈⼯智能专业的教育领域深耕数年，已在相关领域发表研究论⽂50余篇； 3.本书以实践为导向，通过丰富的实例和案例介绍了⼈⼯智能各项技术的基本概念、原理和应⽤，坚持理论与实践相结合； 4.本书的实践案例基于最新的开放AI架构MindSpore平台进⾏开发，同时涵盖了推荐系统、量⼦计算、⼈⼯智能轻量级、⼈⼯智能⼤模型等前沿主题的介绍，内容更加丰富且与时俱进； 5.本书对接上海市⾼等学校信息技术⽔平考试⼆三级⼈⼯智能技术及应⽤，形成完整的授课体系，⽅便读者系统性阅读、学习、考试和应⽤。 ## 04 适合人群 本书适合对⼈⼯智能感兴趣的学⽣及从业者，旨在帮助读者夯实理论基础，提升实际编程能⼒，从⽽在未来的学习和⼯作中更加游刃有余。 ## 05 书籍目录 ## 06 书籍样章 --- https://www.mindspore.cn/news/zh/2026-4-17/ --- 新闻 MindSpore Science科研智能体系统版本发布速览，覆盖端到端科研全流程 # MindSpore Science科研智能体系统版本发布速览，覆盖端到端科研全流程 2026/04/17 # MindSpore Science科研智能体系统版本发布速览，覆盖端到端科研全流程 科研探索涉及文献阅读、假设提出、代码编写、实验试错和调优等阶段，过程繁琐，耗时冗长。 昇思构建 MindSpore Science 科研智能体系统，通过将科学全流程Agent化，减小科研环节之间的“人工衔接成本”，大幅压缩科研周期。 ## PART 01 发 布 特 性 速 览 MindSpore Science科研智能体系统包含： MindSpore Science Skills 和 MindSpore Science Agent 两大核心组件，本次发布MindSpore Science Skills 0.1版本与MindSpore Science Agent preview版本。 ### 01 MindSpore Science Skills 0.1版本 为科学计算提供开箱可用的SKILL集合，覆盖生物医药、化学材料、流体、PDE 方程、地球科学、电磁 等核心领域： 1、接入领域工业软件： 接入 VASP、OpenFOAM等配置复杂的工业级HPC软件及FitDock等SOTA工具。内置输入构建、参数调整、计算结果分析等流程； 2、支持5+领域AI4S SOTA模型调用： 覆盖生物、化学、流体、气象、能源等领域40+昇思、昇腾AI4S顶尖模型； 3、湿实验设备接入： 提供湿实验设备操作skill（e.g.,电催化场景湿实验设备skill），为湿实验的设计和执行提供参考实现； 4、领域知识沉淀： 联合中科大等顶尖实验室沉淀化学、生物等领域“隐形知识”（e.g.,掺杂材料第一性原理计算skill），将复杂的长链路科研任务固化为Know-How类skill，提升Agent解决复杂科研任务效率。 5、科研搜索API、工具库集成： 集成业界常用文献、数据搜索API以及领域专用Python数据分析与处理工具库； 6、模型类Skill 自生成： 提供模型类Skill自动构建能力，支持用户分钟级将自有模型封装为智能体skill，将AI4S模型快速转换为即插即用的生产力工具。 7、业界Agent生态兼容： 可以与Hermes Agent、OpenClaw、Claude Code、JiuwenClaw等智能体无缝集成，也支持直接接入用户专属的AI科研助手中。 ### 02 MindSpore Science Agent preview版本 通过sub-agent实现科学实验workflow编排，本次preview版本内置 6 个 sub-agent 与科学实验 workflow，并提供化学领域完整案例： 全流程编排：构建假设生成、实验设计、实验执行等sub-agent，并基于多智能体架构，实现科学实验全流程workflow编排； 自我纠错优化：重点优化实验相关sub-agent的prompt与skills，提升实验执行sub-agent自我纠错能力，减少报错信息带来的上下文污染。 评测表现：MindSpore Science Agent采用OpenAI发布的FrontierScience中的国际化学奥赛题集进行评测，基于GLM-5模型，在avg N=8上的答题准确率达到77.88%，超过GLM-5模型（67.63%）以及斯坦福大学研究团队发布的 Biomni平台（70.51%），并在湿实验与计算仿真两大科研任务上均实现了案例验证。 ## PART 02 安 装 命 令 如果你也想试试，欢迎动手体验~~ 我们准备了两种组件，你可以按需选择安装： 1、安装 MindSpore Science Skills（300+ 科研技能）： 👉 详细步骤见：https://gitcode.com/mindspore-lab/mindscience/blob/master/MindScienceSkills/README\_ZH.md 2、安装 MindSpore Science Agent（6个子 Agent + 全流程编排）： 👉 详细步骤见：https://gitcode.com/mindspore-lab/mindscience/blob/master/MindScienceAgent/README\_ZH.md ## PART 03 欢 迎 加 入 社 区 本次发布的化学、生物等领域专业技能库等特性，与中国科学技术大学江俊教授团队、四川大学曹洋教授团队联合构建，昇思、昇腾模型类skills集成了诸多合作团队的原创成果和生态贡献，感谢所有共创团队在专业领域的深度指导与合作。 围绕MindSpore Science科研智能体系统，我们将持续优化skills、agents、workflow及相关应用案例，并持续强化智能体能力。目前，在算力平台先遣队、openJiuwen开源团队、应用场景创新实验室及诺亚实验室等周边团队的协同配合下，MindSpore Science科研智能体系统已为中科大智能科学家团队即将上线的“ScienceClaw”项目提供支持。 非常欢迎各位开发者、科研人员以及领域专家参与共建： 贡献 Skill：将你的领域经验封装为可复用 skill 贡献案例：分享你用 MindSpore Science Agent 完成的科研任务 反馈问题：通过 issue 告诉我们痛点和需求； 贡献指南：见开源仓库 https://gitcode.com/mindspore-lab/mindscience/blob/master/CONTRIBUTION.md 遇到问题？欢迎随时在 SIG 群里提问，我们会第一时间回复～ 让我们一起与技术专家共同打造更强大、更可靠的MindSpore Science科研智能体系统！图片图片 --- https://www.mindspore.cn/news/zh/2026-4-20/ --- 新闻 昇思MindSpore深度参与《AI for Science创新图谱2026》编写，与各大权威机构共同指引科研新方向 # 昇思MindSpore深度参与《AI for Science创新图谱2026》编写，与各大权威机构共同指引科研新方向 2026/04/17 # 昇思MindSpore深度参与《AI for Science创新图谱2026》编写，与各大权威机构共同指引科研新方向 当前，人工智能前沿技术的快速突破，正推动 AI for Science 从“工具型赋能”向“驱动范式转型”深化拓展，全球创新活动呈现出全新的特征与趋势。 在3月27日举办的中关村论坛AI for Science青年论坛上，中国科学技术信息研究所组织编写的《AI for Science创新图谱2026》（以下简称《报告》）正式发布。 作为 AI for Science 领域的核心参与方，昇思MindSpore团队深度参与报告编写工作，依托自身技术积淀与行业洞察，从多维度为报告的专业度、系统性与前瞻性提供关键支撑，助力行业全面洞察 AI for Science 发展脉络。 ## 01《报告》核心发现 《报告》由中国科学技术信息研究所联合北京科学智能研究院、上海人工智能实验室、中国地质大学（北京）、上海科学学研究所、华为公司等单位共同研究编写。 报告采用图谱可视化形式，从技术形态、学科场景、生态体系、国际格局等维度进行分析，全景式展现了AI for Science的阶段性发展特征与创新趋势，旨在为社会各界提供极具价值的科研视野拓展与创新趋势参考。 1、全球AI for Science进入国家战略加速布局阶段 《报告》分析发现，从新药创制到宇宙探索，再到量子科技前沿，人工智能技术正推动多个重点学科领域科学难题的创新求解，为重大科学问题的深入探索提供新的路径与方法。 2025年全球AI for Science发展进入国家战略加速布局新阶段，中国、美国、欧盟、英国、日本等聚焦AI for Science密集出台高层级战略部署，从资金支持、资源建设、科研组织等方面创新政策措施，聚焦加速先进制造、关键材料、核聚变、半导体、工程生物学和量子信息等前沿科技研发，加大基础设施建设和资源投入，积极构建以人工智能为核心驱动力的科研新生态，并同步探索构建适应智能科研时代的治理新规则。 2、全球学术产出持续增长，学科融合深化 《报告》基于学术论文数据分析发现，全球AI for Science学术研究产出持续增长，近五年论文发表量增长了一倍多，人工智能与各学科各领域不断深化融合，应用范围持续拓展。报告选取了12个典型领域进行分析发现，生命科学、物理、化学、地球科学、材料科学等领域活跃度最高，航空航天、量子科技、材料科学等领域增速最快，年均增速超过30%。 AI for Science 作为全球科技界的共同关注方向，聚焦破解生命健康、能源变革、气候变化等各类全球性科学挑战，国际合作的迫切需求日益凸显。中国与各主要国家在生命科学、物理学、地球科学等领域的学术合作走深向实，2024年AI for Science领域国际合作论文量比上年增长约15%。中国科研团队研发打造了一批有影响力的AI4S科研基础平台与工具链，向各国科研人员提供开放共享的AI for Science科研公共产品，服务全球科研开放协作。 人工智能技术的深度应用也正在促进跨学科交叉融合，《报告》分析发现，化学、物理和材料科学等各学科领域交叉产生大量重要的科学新问题，AI for Science促进知识跨学科流动和融合迁移，激发科研创新动能，成为推动破解前沿科学问题的重要路径。 3、智能体、具身智能等人工智能前沿技术重构科研模式 《报告》观察发现，2025年智能体、具身智能等人工智能前沿技术发展进一步提速，在规划决策、任务调度、多智能体协同等方面的核心能力加速成熟，并快速融入科研流程，与科学数据、领域模型、专业算法工具集等形成迭代飞轮，通过全流程闭环迭代及反馈优化，加速重构科研模式。 以智能体为调度中枢、嵌入学科知识的多模态领域模型为知识内核、具身智能驱动的自动化设备为物理执行载体，正在实现从“单点技术突破”到“体系化能力升级”，具备文献阅读、实验设计、实验操作、科学发现等科研全流程自主能力的新型科研体系形态初显。 智能体日趋便捷灵活的技术框架和Skill技能体系加速了智能体技术在科研领域的推广应用，国内外科研团队结合不同科研场景研发的各类专业化智能体和技能库正蓬勃发展，以后各领域科学家将可以便捷地使用智能体工具重新设计自己的科研任务。 4、AI for Science科学数据体系初具形态 《报告》认为，由文献数据、实验数据、模拟数据与模型数据共同构成的“AI for Science”科学数据体系已初具形态。 各类数据之间相互转化、彼此促进：基于文献数据的内容解析，可抽取并积累形成可用于模型训练的实验数据；模型数据中蕴含着大量科学知识沉淀，同时也可基于模型生成更加丰富的模拟数据。 通过进一步深度关联与一体化融合，有望形成结构化、可解释、可推理的全局AI-Ready数据体系，共同构建起支撑科学发现的知识底座。 5、开源项目成为核心驱动力 开源项目作为知识共享与协作创新的核心载体，已成为AI for Science 发展的核心驱动力之一。《报告》对AI for Science领域当前重要开源项目进行了梳理，发现从框架层、套件层到模型层，一批代表性的AI for Science开源模型和开源工具日趋成熟，中国的开源模型和工具开源影响力持续提升。 6、从科学发现到产业转化 与此同时，平台化的AI for Science智能化基础设施正在助力贯通“从科学发现到产业转化”的全链条，将打破传统科研与产业创新的边界限制，消除产学研壁垒，在“AI+生命科学”“AI+材料科学”“AI+地球科学”等领域已经在探索构建全链路协同的未来产业新形态，加速推动科研新范式驱动下的产业升级。 ## 02 昇思在AI for Science领域的能力与规划 作为 AI for Science 领域的核心参与方，昇思 MindSpore 依托 MindSpore Science 科学计算套件，构建了高效科学计算算子等核心能力。目前，昇思已在生物、化学、能源、地球科学等多个领域实现技术落地，为科研创新提供了强有力的工具支撑。 MindSpore Science将持续深化技术迭代，积极推进智能体等创新技术在科研产业的应用落地，构建AI for Science科学智能体加速库，打造干湿闭环全流程RL（科研分析RL+实验设计RL），支撑科学发现智能体模型孵化落地，提供开箱即用的科学计算模型和科学智能体。 同时，昇思将持续深耕AI for Science领域，强化核心技术与场景适配能力，重视算力及超节点对AI for Science的核心基础保障作用，算力是AI for Science创新发展的关键要素，超节点是算力体系的重要组成，可优化算力配置、筑牢算力根基，未来将持续完善相关布局，深化产学研协同，构建全链条科研赋能体系，通过完善开源生态与算力结合发展加速科研成果的转化与共享。 ## 03 诚邀您加入开源社区 在这份报告数据的背后，是无数科研者、开发者日复一日的探索与坚持。昇思MindSpore希望做的，就是为每一位在AI for Science道路上奔跑的人，搭好一块稳固的开源跳板。 立即加入MindSpore Science SIG组 : https://atomgit.com/mindspore-lab/mindscience 与全球5.1万+开发者共建共享，获取丰富资源助力AI for Science领域创新。 --- https://www.mindspore.cn/news/zh/2026-4-27/ --- 新闻 MindSpore + openJiuwen 携手中国科大发布"灵境造物"，开启全栈自主创新科研新纪元 # MindSpore + openJiuwen 携手中国科大发布"灵境造物"，开启全栈自主创新科研新纪元 2026/04/27 # MindSpore + openJiuwen 携手中国科大发布"灵境造物"，开启全栈自主创新科研新纪元 4月25日，中国科学技术大学在安徽合肥正式发布“灵境造物”智能科研工具。这一面向全球科研主体开放的“智能科学家”云服务平台，标志着“人工智能驱动的科学研究”正走向工程化、平台化和开放共享。 新华社报道链接： https://www.news.cn/tech/20260425/b8e27c31cdca45d2912b520e23663a7e/c.html ## 01 MindSpore + openJiuwen 为灵境造物注入“最强大脑” 昇思 MindSpore 与华为九问 openJiuwen 深度支持中科大灵境造物平台，携手算力平台先遣队、应用场景实验室、诺亚实验室等多个团队，聚焦 AI 化学家最具挑战的两大核心环节——高精度仿真筛选与自动化实验迭代，提供从底层算力、科学模型、科研 Skills 到智能体编排的全栈能力，助力实现科学研究的全流程闭环。 以“火星陨石原料创制产氧电催化剂”任务为例，科研人员只需将深空探测实验室的创制需求输入灵境造物，系统便会自动启动全流程规划：知识获取 → 方案推荐 → 理论筛选 → 实验设计 → 实验执行 → 迭代优化，一气呵成。 接下来，我们就以这个案例为线索，分析一下MindSpore和openJiuwen分别发挥了哪些关键作用！ ## 02 MindSpore 助力实现科学研究的全流程闭环 在材料化学研发中，效率瓶颈往往在于从文献启发到理论筛选、从实验设计到自动化执行之间的协同链条。MindSpore Science 面向这一挑战，构建了领域套件和覆盖模型、工具、仿真软件的科研智能体系统。 该系统通过“Skills 原子化能力封装 + Agents 智能决策编排 + 昇腾硬件亲和模型”的技术路线，实现了从模型推理到仿真筛选、实验设计到数据分析的无缝衔接。 理论筛选：效率与精度双重赋能 在理论筛选环节，传统研发面临高精度仿真计算耗时长、经验方法精度不足等挑战，导致仿真计算与实验执行协同困难。 为解决这个问题，中国科学技术大学团队基于昇腾 + 昇思 MindSpore训练了材料化学领域通用分子力场基础模型AtomBit： - 通过昇腾+昇思原生混合专家模型，实现“一个模型覆盖分子、材料、催化、分子晶体等全域化学空间” - 以近线性时间复杂度逼近第一性原理精度 - 在 64 张 Atlas 800T A2 卡上，通过昇思 MindSpore 多维并行技术，5 天内完成 2.2 亿条数据训练 - 精度达到领域专用模型的水平 除 AtomBit 外，MindSpore Science 基于 MindSpore 融合架构高性能科学计算套件——模型 + 硬件双重优化 - 集成晶体结构生成、材料性质预测等领域的 SOTA 模型 - 面向昇腾 AI 硬件进行深度亲和适配 - 针对分子建模中的等变计算、图神经网络推理等关键环节，通过算子优化、图编译优化、并行调度优化，提升模型在昇腾硬件上的训练和推理效率 为简化AI4S模型的使用，MindSpore Science Skills 将 AtomBit 在内的各类SOTA模型，VASP、Gaussian等仿真计算软件与化学等领域工具库封装为标准化 skills，可快速接入智能体，在科研流程中被灵活调用。 研究人员无需掌握复杂的仿真计算专业知识，即可通过智能体按需调用 skills，完成从结构优化到高通量筛选的自动化任务编排，从而显著降低材料化学仿真与智能体应用门槛，加速材料与化学体系的智能化设计和验证。 通过上述工作，在产氧电催化剂的筛选场景中，系统可并行评估数百种候选材料的稳定性、反应活性等关键参数，将传统计算集群需数周完成的筛选任务缩至数小时级完成，显著提升材料筛选效率，也为后续自动化实验验证提供更加可靠的候选方案。 方案设计：从“手写方案”到“自动执行” 在自动化实验场景中，实验方案不仅要“科学上合理”，还要“设备上可执行”。传统实验设计高度依赖人工经验，方案撰写、设备调用、参数校验和异常处理往往分散在不同环节，既影响效率，也容易引入执行风险。 针对实验方案设计与执行中的稳定性与安全性问题，MindSpore Science 基于 openJiuwen 构建了 MindSpore Science Agent，支持科学实验的智能设计与自动化执行。 核心能力一：自动生成+审核+执行闭环 - 基于原子化 sub-agent，灵活调用实验工作站、机器人基元操作等各类 Skills - 系统围绕科研目标自动生成实验方案，实现 方案生成 → 可执行性审核 → 方案迭代优化 → 实验执行 的闭环流程 在产氧电催化剂合成方案的设计与执行过程中，不仅能够理解研究目标与实验约束，还可结合设备接口、样品用量、操作顺序、安全规范及数据采集要求，对实验方案进行自动检查与修正，确保了方案在科学逻辑与设备执行层面的可落地性。 核心能力二：假设生成 + 自我纠错 - 假设生成闭环：通过假设生成相关 sub-agent，完成“调研分析 → 假设生成 → 假设评估” - 自我纠错与优化：优化 sub-agent 的 prompt 与 skills，减少错误信息对上下文的干扰，进一步提升实验的可靠性与稳定性 ## 03 基于openJiuwen组建灵境造物“科研团队” 面对跨环节、长链路、强分工的复杂科研任务，灵境造物平台采用多智能体架构，基于一个核心智能体与多个科研子智能体（如文献阅读、实验设计等），构建完整科研闭环协同体系。 openJiuwen 智能体平台为系列科研子智能体的快速研发提供底层支撑，并以JiuwenClaw 为基础原型赋能核心智能体的构建。JiuwenClaw是基于openJiuwen开发的企业级高可靠“龙虾”Agent，结合华为云 AI 基础设施能力与 AgentArts 智能体开发平台，已在华为云OfficeClaw中实现企业级落地。 面向多智能体系统的协作，openJiuwen社区围绕“Coordination Engineering”构建了一个完整闭环： - Agent Team → 让多智能体自主分工、高效协同，完成从"单兵作战"到"精锐团队"的关键跨越； - Team Skills → 将协作经验标准化封装，让"一支优秀团队"变成"一套可复制的团队能力"； - Team Skills Hub → 打通共享生态，让协作经验在社区中流通、复用； 从Agent Team到Team Skills，再到Team Skills Hub，JiuwenClaw持续打通"单智能体好用—多智能体协同—团队能力沉淀"的完整闭环，让科研智能体团队协作从"一次性组队"走向"团队化作战"。 当前Team Skills Hub平台（teamskills.openjiuwen.com）已内置了一批开箱即用的Team Skills，覆盖开发编程、办公与生产力、内容创作、多模态与媒体、数据与科研、合规与法律、生活与健康、金融与理财八大场景，同时也支持使用“团队技能自动生成专家（teamskill-creator）”快速自定义Team Skills。 除了多智能体协同能力以外，JiuwenClaw还提供了任务自主管理、Skills自主演进、上下文压缩和卸载、记忆随行等Harness能力，每个子智能体都拥有全部的Harness组件，保障科研任务的长时、稳定、可靠运行。 ## 04 MindSpore Science + openJiuwen 未来演进 MindSpore Science科研智能体系统已经基于 openJiuwen 构建从文献分析到实验执行端到端的科研流程，但是面向更广泛的科研领域，仍面临多重诸多挑战： - 实验过程不稳定：复杂科研实验的长周期的逻辑推演与假设试错，需要超长上下文，容易引起系统认知过载与执行中断，导致科研任务不能全流程稳定执行，任务失败率高； - 科研团队演进能力不足：当前科研系统已具备单智能体的自演进能力，但仍缺乏整个科研团队的持续优化能力，无法满足动态变化的复杂科研任务需求； 面对上述挑战，MindSpore Science科研智能体系统和 openJiuwen 开源社区将持续通过技术创新，向高稳定、可演进两个方向迭代： - 高稳定：引入知识图谱、树形Harness等技术，解决复杂科研流程下的上下文爆炸问题，提升科研路径确定可回溯性，使科研智能体稳定、可持续地进行科研探索。 - 可演进：引入Team Skills自演进，在每一次实战中自动迭代，让团队整体与每位成员越用越强。 未来，智能工具将不再仅仅是助手，而是科研流程的主导者。AI化学家将能够从开放式科研任务中出发，像人类科学家一样自主拆解问题、规划路径、调用模型、仿真软件和实验设备，并根据实时反馈持续优化自己的研究策略，推动科学发现的边界。 在这一未来愿景中，灵境造物平台将超越单一工具的协作，迈向全流程的自主科研，真正实现从“智能辅助”到“自主探索”的范式跃迁，为材料化学研发带来前所未有的创新速度与深度。 ## 05 AI造物大赛报名及开源社区贡献 中国科大在AI物质创制生态大会上正式启动AI造物大赛，诚挚邀请广大青年学子积极关注、踊跃参与！MindSpore、openJiuwen社区也欢迎广大开发者参与贡献！ --- https://www.mindspore.cn/news/zh/2026-4-30/ --- 新闻 MindSpore AKG Meetup北京站圆满举办 | 产学研聚力 共探算子技术创新 共建开源生态 # MindSpore AKG Meetup北京站圆满举办 | 产学研聚力 共探算子技术创新 共建开源生态 2026/04/30 # MindSpore AKG Meetup北京站圆满举办 | 产学研聚力 共探算子技术创新 共建开源生态 随着大模型代码生成能力不断成熟，高校与厂商纷纷投身 LLM 算子生成技术探索。 4 月 29 日，昇思 MindSpore 社区与北京航空航天大学联合举办 MindSpore AKG Meetup 北京站。活动线上线下同步开展，汇聚北航计算机学院、昇思社区等超过3000名开发者，聚焦算子智能生成、大模型编译等方向，以产学研协同推动 AKG 技术迭代与开源生态建设。 AKG Agent 是本次活动核心技术成果，自 2025 年初布局 Agent 算子生成能力，现已打造自动化 Multi-Agent 生成系统，搭载分层 Skill、自适应并发搜索、AutoResearch 深度搜索等核心技术，昇腾算子生成效果优异：Triton-ascend 78% 达 0.8x torch\_npu、66% 达 1.0x torch\_npu（Eager 模式）。 ## 01 开场致辞：明确共建方向 北京航空航天大学计算机学院副院长杨海龙致辞，期待以本次活动为纽带深化校企合作，推动科研成果转化，培育算子智能生成领域人才。 ## 02 技术报告环节 致辞结束后，活动进入核心技术报告环节。多位专家围绕算子智能生成、多智能体优化、异构计算、稀疏大模型以及AI辅助开发等主题进行了系统分享。 Part 1 ：算子智能生成与多智能体优化 MindSpore AKG SIG 技术专家易衍智分享《基于 Agent 的算子自动生成简介与 AKG Agent》，讲解多角色架构、模块化 Skill 系统，以及 Sketch 并发搜索与 AutoResearch 优化框架。 实际应用中，该方案可降低 20% Token 消耗、提升 10% 算子性能、缩短 30% 整体耗时；矩阵计算、混合分组直方图等算子耗时从 2193us 降至 168us、8245us 降至 606us，KernelBench Level1 算子通过率 100%。 北京航空航天大学游心老师分享《基于多智能体协同优化的高性能算子自动生成系统》，针对算力供需失衡问题，提出细粒度元提示、测试驱动自修复、评测驱动协同优化三大技术。 实测效果：GPU 算子生成 Pass@1 从 88% 升至 95%，NPU 从 69% 升至 71%；CPU 平均加速 2.81 倍、GPU 平均加速 2.30 倍，最高达 10.95 倍，可稳定运行 Attention 等复杂算子。 Part 2 ：异构计算与稀疏大模型优化 北京航空航天大学解晨浩老师分享《面向异构超算的多维分块稀疏矩阵研究及应用》，提出多维分块稀疏矩阵计算模型。 实际效果：油气藏数值模拟场景中，100 节点较 50 节点实现近 2 倍加速；DiT 模型推理中，RT-Lynx 稀疏算子最高加速 1.79 倍，显著提升异构超算与稀疏计算效率。 北京航空航天大学孙庆骁老师，分享《面向稀疏大模型推理的算子实现及编译优化研究介绍》，核心如下： 1.痛点直击：针对稀疏大模型推理瓶颈，明确算子开发与编译优化需求。 2.优化手段：讲解编译优化、内存对齐等提升推理效率的方法。 3.解决方案：提供大模型轻量化部署与高效推理的完整方案。 Part 3 ：开源生态与AI辅助开发 CANN 开源技术专家张雨晨分享《CANN 社区及 CANNBot 介绍》，介绍 CANN 社区生态与 CANNBot 三层架构、全流程自动化工作流。 实际效果：CANNBot 将 Ascend C 算子开发周期从天级压缩至小时级，Abs 算子仅需 1 小时即可完成全流程开发，大幅降低开发门槛。 操作系统技术专家李屹，压轴分享《从测试、代码迁移到端到端功能实现 —AI 辅助开发的思考与程序员的未来》，核心如下： 1.实践历程：分享团队AI开发三阶段及效率提升成效。 2.AI局限：指出大模型能力边界，难以兼顾架构优美与需求深层解读。 3.未来启示：AI替代重复性劳动，程序员核心竞争力在业务洞察与创新。 ## 03 总结与展望 本次MindSpore AKG Meetup北京站搭建了产学研三方交流平台，普及前沿技术、凝聚开源力量、深化校企融合。未来，昇思MindSpore AKG将持续落地多地Meetup活动，深耕算力技术创新，汇聚开发者智慧，打造开放共赢的AI开源生态。 --- https://www.mindspore.cn/news/zh/2026-4-9/ --- 新闻 昇思MindSpore2026年第一季度运作报告 # 昇思MindSpore2026年第一季度运作报告 2026/04/09 # 昇思MindSpore2026年第一季度运作报告 ## 概述 2026年第一季度，昇思MindSpore开源社区以技术创新为驱动，持续扩大生态影响力，在框架升级、开发者生态建设、行业应用落地等方面取得显著进展。 在技术突破方面，本季度重磅推出MindSpore 2.8版本，核心带来为超节点设计的HyperParallel架构；同时与SGLang社区深度合作，正式支持MindSpore后端，为大模型服务化提供高性能解决方案。 在社区合作方面，助力智谱训练并开源首个自主算力底座的SOTA图像生成模型GLM-Image；联合中国电信AI研究院开源首个全自主创新千亿参数MoE大模型TeleChat3-105B；携手浙江大学张强团队发布知识图谱驱动的SciToolAgent，相关成果登上《Nature Computational Science》。 在社区运作方面，社区通过举办“万码奔腾贺新春”活动开放稀缺算力，并同时开展《开源之夏》栏目共吸引103位学子参与，《昇思同路人》持续传递开发者故事，《创新训练营》优秀案例不断涌现。从大模型全流程课程到量子计算实战，昇思MindSpore正携手全球开发者，共同打造人工智能创新之源！ 以下是2026年第一季度昇思MindSpore社区进展的详细报告。 ## 社区运作 截至3月底，MindSpore 开源社区稳健运营、生态持续扩容，始终坚守开放协作、技术普惠、共建共治的核心原则，聚焦 AI 框架技术迭代、生态协同与开发者生态建设，社区组织架构高效运转、技术贡献与活跃度双提升，筑牢 AI 开源生态的坚实底座，推动全场景 AI 框架技术与产业应用深度融合。 社区单位会员达 354 家，累计贡献者5.2万+； 社区累计产生ISSUE共89.7K、PR共115.2K。 本季度社区治理体系高效运转，开源发展委员会、技术委员会常态化推进决策与技术统筹，各 SIG 小组协同发力，技术贡献与社区活跃度稳步攀升。技术委员会开展 2 次 TC 例会，统筹技术规划与版本演进。 社区 6 个活跃 SIG 小组协同发力，78 名 SIG 成员深度参与贡献； 累计提交 issue 310 个，合入 PR 1102 个； 新增代码行数超 45.9 万行，SIG 专项会议累计召开 24 场。 ## 社区大事件 1、智谱联合昇腾+昇思，开源首个自主创新算力底座训练的多模态SOTA模型 智谱正式发布图像生成模型GLM-Image，采用「自回归+扩散解码器」混合架构，是首个开源的工业级离散自回归图像生成模型，在文字渲染榜单CVTG-2K和LongText-Bench上达到开源SOTA水平。模型基于昇腾NPU和昇思MindSpore框架完成全流程训练，验证了自主创新算力底座也能训练出SOTA模型。昇思通过动态图多级流水下发、多流并行执行和高性能融合算子等优化，实现端到端训练性能提升。 2、国内首个全自主创新千亿参数细粒度MoE语义大模型开源 TeleChat3-105B-A4.7-Thinking是 TeleChat系列国内首个开源的全自主创新千亿参数细粒度MoE语义大模型，由中国电信人工智能研究院（TeleAI）研发训练，在问答、写作、数学、代码、Agent等多维度，特别在代码能力、复杂任务通用问答、细粒度MoE等方面效果显著。同时采用创新训练方式，加快模型训练初期收敛速度，增强训练稳定性。 3、浙江大学张强团队联手昇思MindSpore，成果登上Nature子刊 张强团队发布知识图谱驱动的SciToolAgent，这是一款面向多学科的通用AI智能体，能在生物、化学、材料等领域自动化调用和管理数百种科学工具。该成果基于昇思MindSpore与昇腾硬件协同创新，相关研究论文发表于《Nature Computational Science》期刊。 4、昇思MindSpore 2.8版本正式发布 1月29日，MindSpore 2.8版本正式发布，核心推出HyperParallel架构，通过HyperShard声明式并行、HyperOffload多级智能卸载和HyperMPMD非规则异构并行三大技术，将超节点视为超级计算机进行编程调度。 基础框架方面，增强动态图能力，支持Dispatch自动算子分发、saved\_tensors\_hook激活值管理和算子级注册机制，并开放自定义算子、PASS和后端能力。 推理能力上，与SGLang社区合作支持MindSpore后端，适配Radix Cache等特性，升级vLLM至0.11.0并接入ACLGraph图下沉功能。科学计算方面，支持蛋白质结构预测模型Protenix，通过重计算和算子优化实现高性能训练推理。 ## 社区动态 1、昇腾社区课程发布 | MindSpore带你探索大模型 1月13日，昇腾社区发布了MindSpore大模型全流程应用课程，涵盖环境搭建、预训练、微调、推理部署与调优。课程提供免费云端实验环境，支持HuggingFace、vLLM等主流生态，深入MCore架构，传授断点续训、高可用、性能调优、模型蒸馏等企业级实战技能，完成后还可获官方认证。 2、春节来OpenI复现论文，享受多卡高性能算力！ 2月14日至2月23日，OpenI启智社区将携手昇思MindSpore、头歌以及中国算力网、超算互联网、并行科技等算力伙伴，为高校师生和科研机构开发者开放一批高性能算力资源，支持大家安心复现论文、高效跑实验。 3、稀缺高性能算力限时开放，5大技术活动任你玩！ 昇思MindSpore联合OpenI启智社区等多家单位于2月14日至3月3日举办了“2026万码奔腾贺新春”活动。活动包含论文复现挑战、Skills炼金术、春节AI主题创作、工具链评测、年度技术复盘五大主题。本次活动旨在降低开发者技术门槛、推动国产软硬件生态创新，并进一步增强社区凝聚力。 ## 社区案例 1、开源之夏系列活动 在人才培养与社区文化建设方面，昇思MindSpore同样成果显著。在由中科院软件所发起的“开源之夏”活动中，昇思社区发布的项目共吸引103位同学提交申报，经过4个月开发期，最终22位学子成功结项。 优秀成果涵盖量子计算、大模型推理优化、跨框架迁移、智能交通分析等多个前沿方向（以下为部分优秀案例，可点开链接了解详情）： 贾阔源：基于vLLM-MindSpore，探索Beam Search解码实战 陈思源：基于MindSpore Quantum，开启量子-经典混合计算实践 侯博森：基于昇思MindSpore的MVSNet跨框架迁移与实践 孙文杰：基于MindSpore Quantum的对称性规约与分岔分析算法 方泱泱：基于昇思MindSpore的YOLOv12智能交通分析实践 黄玉含：QuCOOP量子-经典混合优化框架实践 李振兴：基于RAG的MindSpore代码助手与智能问答系统实践 2、社区“昇思同路人”系列活动 与此同时，社区“昇思同路人”栏目持续记录着开发者的成长故事： 第十期 讲述肖雄子彦如何搭建“学创一体”桥梁，引领学子从技术“消费者”蜕变为生态“共建者”； 第十一期 讲述张威如何在校园里为昇思点燃一片“技术森林”，让技术实现“幂次方”增长； 第十二期 则聚焦马欣老师的教育深耕与匠心育人，阐述AI框架如何赋能教育。 3、昇思创新训练营系列活动 此外，昇思创新训练营优秀案例系列分享了开发者基于MindSpore微调大模型、构建智能旅游助手的全流程实践，项目代码已开源，欢迎开发者体验！ 这些鲜活的案例共同勾勒出昇思MindSpore社区以技术育人为核、以同路人为荣的浓厚氛围。 ## 技术分享 ### 1 大模型训练：HyperParallel架构发布 本季度正式推出为超节点设计的HyperParallel架构，包含三大核心技术： HyperShard声明式并行：用户只需声明输入、输出和参数的切分方式，框架自动完成分布式策略推导与资源调度，实现“编写即单卡，运行即分布式”的体验。 HyperOffload多级智能卸载：在编译期静态分析计算图，将长生命周期张量自动卸载至主机内存，降低峰值显存占用，支持更长序列训练。经测试，模型训练吞吐平均提升超过10%。 HyperMPMD非规则异构并行：应对模型结构不规则与硬件异构性挑战，实现灵活高效的资源调度。 ### 2 大模型推理：SGLang后端集成与vLLM升级 与SGLang社区深度合作，正式合入MindSpore推理后端代码，该方案通过封装MindSpore模型复用SGLang原生组件，借助DLPack实现张量零拷贝转换，打通双框架协同，支持数据并行、PD分离、投机解码等特性。 升级适配vLLM v0.11.0，接入昇腾ACLGraph图下沉功能。实测DeepSeek-V3/R1 W4A8量化推理服务中，整网吞吐提升约5%，算子下发时延由30ms降至10ms。 通过DLPack实现MindSpore与PyTorch张量零拷贝转换，跨框架协同效率大幅提升。 ### 3 基础框架演进：动态图增强与自定义能力开放 动态图能力增强：新增Dispatch自动算子分发、saved\_tensors\_hook激活值管理、算子级注册机制，提升多设备协同易用性与显存优化灵活性。 自定义能力全面开放：提供自定义算子（极简C++接口，自动享受内存复用与异步调度）、自定义PASS（开放图优化接口，支持算子融合等变换）、自定义后端（标准化接口快速适配新型硬件），从“封闭工具箱”向“开放创新平台”演进。 ### 4 科学计算套件：蛋白质结构预测模型Protenix深度优化 支持AlphaFold3的高性能开源复现模型Protenix v0.5，在昇腾硬件上完成训推全流程适配。 训练方面：通过重计算优化，最大支持序列长度从64提升至768，动态显存峰值从20152MB降至7025MB。 推理方面：融合算子优化后单卡推理性能提升超100%；长序列推理通过分块计算将单卡推理长度极限提升至3000以上；端到端加速比达57%。 ### 5 开发者工具与实战指南 数据流水线与混合精度优化：针对昇腾AI处理器，总结“三板斧”——数据流水线并行（num\_parallel\_workers）、自动混合精度（amp\_level="O2"）、数据下沉（dataset\_sink\_mode=True），有效解决IO瓶颈，提升训练速度。 半自动并行工具Shard：深度解读shard接口的三阶段机制（策略锚定→BFS传播→冲突重排），帮助用户在自动并行与手动调优间取得平衡。 优化器架构：MindSpore优化器通过静态图编译与整图下沉将参数更新闭环在设备侧，支持融合算子、解耦权重衰减、ZeRO优化器并行等特性，实现从单卡到千亿级模型的极致性能。 自动并行实战：一键配置并行模式（数据并行/半自动/全自动），无需修改网络结构，让开发者聚焦模型创新。 开放麦：提供零基础AI艺术生成器教程，基于VAE构建完整代码，涵盖训练、保存、生成与可视化流程。 💡 更多技术解读，欢迎访问昇思社区官网：https://discuss.mindspore.cn/ ## 感谢每一位朋友、开发者的支持 在此感谢社区伙伴们、可爱的小孢子们以及昇思MindSpore SIG组成员们，因为大家的共同努力及辛勤奉献，昇思MindSpore才能不断成长与发展！同时我们对可能出现的不完善之处向您表示诚挚的歉意，并衷心感谢您的理解与支持。 未来，昇思MindSpore AI框架将持续致力于打造人工智能创新之源，凝聚产业力量，扎根AI根技术，使能大模型与科学智能，成为AI创新的首选框架。 --- https://www.mindspore.cn/news/zh/2026-5-12/ --- 新闻 MindSpore社区 2026 年 4 月份运作报告 # MindSpore社区 2026 年 4 月份运作报告 2026/05/12 # MindSpore社区 2026 年 4 月份运作报告 ## 一、概述 2026年4月，昇思MindSpore开源社区持续高速迭代，在版本发布、生态合作、开发者活动等方面取得多项重要成果。 在技术突破方面，本月正式推出MindSpore 2.9版本，新增无图融合（性能提升5%~15%）、Triton Ascend算子及多级绑核能力；发布MindSpore Science科研智能体系统，覆盖端到端科研全流程；推出Model Agent v0.1专治训练“疑难杂症”；Quantum 0.12.0实现张量网络模拟与硬件抽象层升级。 在社区合作方面，携手中国科大发布“灵境造物”智能科研平台，开启全栈自主科研新范式；深度参与《AI for Science创新图谱2026》编写，指引科研新方向；联合北航举办AKG Meetup北京站，产学研聚力共探算子创新。 在社区运作方面，第八届MindSpore Quantum黑客松作为CCF量子挑战赛火热报名中，吸引开发者共赴量子未来。同时，社区持续输出AKG Agent、绑核优化等深度技术分享，从科研智能体到量子计算，昇思MindSpore正携手全球开发者，共同打造人工智能创新之源！ 以下是2026年4月昇思MindSpore社区进展详细报告。 ## 二、社区运作 截至4月底，MindSpore 开源社区稳健运营、生态持续扩容，始终坚守开放协作、技术普惠、共建共治的核心原则，聚焦 AI 框架技术迭代、生态协同与开发者生态建设，社区组织架构高效运转、技术贡献与活跃度双提升，筑牢 AI 开源生态的坚实底座，推动全场景 AI 框架技术与产业应用深度融合。 社区单位会员达 354 家，累计贡献者5.2万+； 社区累计产生ISSUE共90.1K、PR共127.8K。 4月份社区治理体系高效运转，开源发展委员会、技术委员会常态化推进决策与技术统筹，各 SIG 小组协同发力，技术贡献与社区活跃度稳步攀升。 4月提交issue 377 个，合入PR 959 个； 新增代码行数超 20.8万行，SIG 专项会议累计召开 7场。 ## 三、社区大事件 1、MindSpore + openJiuwen 携手中国科大发布"灵境造物"，开启全栈自主创新科研新纪元 MindSpore与openJiuwen携手中国科大发布“灵境造物”智能科研平台，实现从理论筛选到自动化实验的全流程自主科研闭环。 平台基于昇思MindSpore训练分子力场基础模型AtomBit，封装SOTA模型与仿真软件为标准化Skills；依托openJiuwen构建多智能体协作体系，支持方案自动生成、审核与执行。未来将向高稳定、可演进方向迭代，开启AI驱动的科研新范式。 2、昇思MindSpore深度参与《AI for Science创新图谱2026》编写，与各大权威机构共同指引科研新方向 昇思MindSpore深度参与《AI for Science创新图谱2026》编写，联合权威机构揭示全球AI4S发展态势：国家战略加速布局，学术产出翻倍，生命科学、物理、化学等学科活跃度最高；智能体与具身智能正重构科研模式，科学数据体系初具形态，开源项目成为核心驱动力。 昇思依托MindSpore Science套件，已在生物、化学、地球科学等多领域落地，未来将打造科学智能体加速库，构建干湿闭环全流程RL，持续推动AI4S从工具赋能向范式转型。 3、MindSpore AKG Meetup北京站圆满举办 | 产学研聚力 共探算子技术创新 共建开源生态 MindSpore AKG Meetup北京站由昇思社区与北京航空航天大学联合举办，吸引超3000名开发者线上线下参与。 活动聚焦算子智能生成与大模型编译，发布核心技术成果AKG Agent，多位专家分享了多智能体协同、稀疏大模型优化、CANN Bot等前沿实践。本次Meetup搭建产学研交流平台，推动算子技术创新与开源生态共建，未来将持续落地多地活动。 4、2026年度CCF量子计算编程挑战赛昇思杯·第八届MindSpore Quantum黑客松大赛 2026年度CCF量子计算编程挑战赛“昇思杯·第八届MindSpore Quantum黑客松”火热报名中！大赛面向高校、科研机构及产业界的开发者与研究者，基于新一代量子计算框架MindSpore Quantum，探索量子算法设计、软件工具链开发等前沿方向，推动量子计算从理论走向应用，欢迎共赴量子未来！ ## 四、技术发布 1、昇思MindSpore 2.9版本正式发布 4月25日，昇思MindSpore 2.9正式发布，基础框架侧新增无图融合（性能提升5%~15%）、支持Triton Ascend算子降低开发门槛、提供算子调度拦截及进程/线程/NUMA级绑核能力； 2、MindSpore Science科研智能体系统版本发布速览，覆盖端到端科研全流程 MindSpore Science科研智能体系统发布，覆盖文献阅读、实验设计到调优的科研全流程。核心组件包括：MindSpore Science Skills 0.1（提供生物、化学、流体等6大领域300+技能，支持工业软件、SOTA模型、湿实验设备接入及模型自生成）； MindSpore Science Agent preview（内置6个sub-agent，实现全流程编排与自我纠错）。旨在减少科研环节衔接成本，大幅缩短科研周期，已开放安装并欢迎社区贡献。 3、MindSpore Quantum 0.12.0 发布：张量网络模拟、量子启发式算法族与量子硬件抽象层全面升级 MindSpore Quantum 0.12.0发布，核心升级包括： mqmps张量网络模拟器（基于矩阵乘积态，以远少于态矢量的内存模拟低纠缠大比特线路）；QAIA算法族新增TSB/USB/LSB三种量化模拟分叉变体，提升组合优化求解效率；QPU硬件抽象层统一接口，仅需实现采样方法即可对接真实量子硬件，大幅降低模拟到部署的迁移成本。新版本全方位扩展了量子算法从验证到硬件的边界。 4. AI Infra训练好搭档——MindSpore Model Agent v0.1正式发布，专治模型训练“疑难杂症” MindSpore Model Agent v0.1正式发布，专治模型训练中的报错、精度偏差、性能瓶颈等“疑难杂症”。它以skills形式沉淀专家经验，提供环境分析、失败分析、精度分析、性能分析、模型迁移等能力，帮助开发者快速定位从环境依赖、框架行为到算子底层的根因。 不同于通用Coding Agent，它聚焦“训练如何跑起来、跑对、跑快”。用户可通过安装mindspore-skills或mindspore-cli体验，并欢迎社区贡献，共同让训练更简单。 ## 五、技术分享 1、AKG Agent：大模型驱动的算子自动生成技术探索 AKG Agent是大模型驱动的多Agent协作框架，面向AI Infra与高性能计算场景。核心设计包括： Skill系统按需加载知识，缩短Prompt； Trace系统树状记录决策过程，支持断点恢复； ReAct Agent+工作流平衡灵活性与稳定性。 落地算子自动生成，支持三种工作流（Default/KernelGenOnly/VerifierOnly）及Evolve/Adaptive Search优化策略。已集成OpenCode工作台，提供CLI工具，旨在提升算子开发与优化效率。 2、MindSpore绑核能力持续优化：让关键线程更稳，让大模型训练更快 MindSpore绑核能力完成从进程级到NUMA级的五阶段演进，通过msrun进程级绑核、set\_cpu\_affinity线程级精细化亲和以及JSON统一配置，形成系统化运行时优化能力。 实测显示，1024卡线性度达99%，真实生产模型4K规模性能提升超20%，典型场景提升10%~18%。该能力已在MindSpore 2.8版本中集成，2.9版本进一步全面升级，有效缓解Host侧瓶颈，为大规模训练提供更稳、更快的整机性能表现。 3、搭建你的专属科研助手——MindSpore Science科研智能体系统应用实践 MindSpore Science科研智能体系统提供Skills（300+开箱即用技能）和Agent（内置6个sub-agent与workflow编排）两大组件，支持湿实验、科学推理、计算仿真等场景。本文以化学领域为例，展示了聚苯胺薄膜合成自动化、电解反应物分析、钙钛矿掺杂仿真三个真实案例，显著降低人工衔接成本。 ## 六、感谢每一位朋友、开发者的支持 感谢每一位朋友、开发者的温暖相伴图片图片 在这个辛勤耕耘的四月，我们真诚地感谢每一位社区伙伴、可爱的小孢子们以及昇思MindSpore SIG组的成员们。正是因为大家的共同努力与辛勤奉献，昇思MindSpore才能一步步成长、一次次突破。您的每一次代码提交、每一次问题反馈、每一场技术讨论，都是我们前行的光。对于社区中可能存在的不完善之处，我们深表歉意，也衷心感谢您的包容与理解。 未来，昇思MindSpore将继续与您并肩同行，做有温度、有力量的开源社区。我们愿扎根AI技术，使能大模型与科学智能，携手打造人工智能的创新之源，让每一份热爱都得以绽放！ --- https://www.mindspore.cn/news/zh/2026-5-12-2/ --- 新闻 KADC 2026丨昇腾直播精选问答 # KADC 2026丨昇腾直播精选问答 2026/05/12 # KADC 2026丨昇腾直播精选问答 --- https://www.mindspore.cn/news/zh/2026-5-26/ --- 新闻 KADC2026 | 携手开发者，共筑AI框架生态---面向超节点，打造开源易用的昇腾AI框架专题论坛在京顺利举办 # KADC2026 | 携手开发者，共筑AI框架生态---面向超节点，打造开源易用的昇腾AI框架专题论坛在京顺利举办 2026/05/26 # KADC2026  |  携手开发者，共筑AI框架生态---面向超节点，打造开源易用的昇腾AI框架专题论坛在京顺利举办 【2026年5月22日，北京】鲲鹏昇腾开发者大会2026（KADC2026）期间，面向超节点，打造开源易用的昇腾AI框架专题论坛顺利举办。 论坛聚焦超节点技术创新与开源生态建设，全方位展示了昇腾AI框架的最新进展。会上正式发布了Ascend for PyTorch社区，并深度复盘了昇思MindSpore在分布式并行、图算融合等前沿领域的创新成果作为组件化支撑PyTorch等三方社区合作。 多位学术界与产业界大咖也分享了基于昇腾AI框架共创成果以及高校开发者在API一致性补齐中的技术路线。线下更吸引了数百位开发者沉浸式体验，有力彰显了昇腾与开发者同行、共筑繁荣AI生态的决心。 ## PART 01 华为AI框架PE 王紫东 华为AI框架PE王紫东在《技术筑底，开源向新——昇腾AI框架与开发者同行》的主题演讲中表示，从开发者使用习惯出发，围绕开发一致性、组件化创新、开发者体验三个方向，持续优化开发者体验，提供高效成长路径。 联合PyTorch基金会成立Ascend for PyTorch社区，加速开发一致性对齐。面对PyTorch版本发布节奏加快，图模型、分布式代码提交占比增高，将利用Ascend for PyTorch社区聚集开发者力量加速API一致性对齐、特性对齐，实现昇腾开发一致体验。并配合PyTorch社区重构CICD,年底实现PyTorch版本在昇腾上同步发布。 面向超节点，昇思MindSpore打造昇腾亲和组件，加速主流生态对昇腾使用优化。昇思MindSpore聚焦超节点技术创新，在分布式、图模式领域构建HyperParallel、AKG等昇腾亲和组件，并支持PyTorch，LlamaFactory等主流生态复用，做好创新先头兵。 开源社区，百万激励，助力开发者快速融入社区共建。为开发者提供2000+社区任务&竞赛活动和全方位的算力、激励，助力开发者共成长。同时优化社区、文档和课程等开发者资源，加速开发者学习到贡献路径。 ## PART 02 LlamaFactory社区Maintainer  郑耀威 LlamaFactory社区Maintainer郑耀威带来《LlamaFactory × HyperParallel：重构大模型训练效率新范式》的议题分享。针对大模型微调中分布式编程复杂、调试困难及算力成本高昂等痛点，LlamaFactory以统一易用的架构大幅降低了微调门槛，而HyperParallel则开创了分布式并行的“Triton范式”，让高效并行如同编写串行代码般自然。 通过双方的深度解耦共建，开发者只需一行配置即可启用HyperParallel，实现分布式加速，让高效微调训练真正“开箱即用”。 ## PART 03 昇思MindSpore社区开发者 杜金烨/李希宸 昇思MindSpore社区开发者杜金烨和李希宸共同带来《AKG 图算融合组件，使能昇腾大模型图模式加速》的演讲，系统性介绍了关于AKG图算融合的多个组件包括基于 MLIR 的图层融合框架 MFusion、AI 融合算子编译器AKG-Scheduler、实时AI算子编译 DVM 与 AI 驱动的 DSL 代码生成工具 AKG-Agent。并且对 AKG-Scheduler 关键创新融合算法反向拉取算法进行详细介绍。 同时也介绍了北航 HIPO 团队基于 AKG-Agent 的创新性 Agent 元提示方案，在设计、编码等多个模块上实现高质量提示词，实现 Triton 后端上精度与性能多方面提升。搭载LLM驱动的DSL生成，自动寻优性能提升显著。组件化可一键部署，零代码优化模型训推，编译时长降低50%+，目前已合入主线，全面赋能昇腾大模型图模式加速。 ## PART 04 PyTorch Ambassador宗泽升 PyTorch Ambassador宗泽升在《PyTorch 多后端生态面临的挑战与标准化建设》议题中介绍了为PyTorch生态系统当前的最新进展，以及PyTorch框架接入机制技术演进。讲解了作为后端加速器开发者在社区贡献过程中遇到的挑战、解决方案和案例研究。 针对新设备接入PyTorch过程中，面临的版本兼容性、用例无法复用、缺乏标准化质量验证机制问题。通过PyTorch加速器工作组在社区中征集意见，推进PyTorch测试框架重构、提供CI Relay机制、Hud Dashboard接入等能力事项，为社区后端加速器验证提供基础能力保障。 ## PART 05 面壁智能多模态首席科学家、 清华大学人工智能学院助理教授 姚远 面壁智能多模态首席科学家、清华大学人工智能学院助理教授 姚远以“迈向类人交互的多模态大模型”为题，分享了MiniCPM-o 4.5在全模态交互方向的最新进展。该模型面向“边看、边听、主动说”的实时场景，支持视觉、语音、文本的端到端统一建模，可实现全双工输入输出、低延迟语音生成、自主打断、插话与主动回复。现场演示中，模型展现出流畅自然的多模态实时交互能力，能够像真人一样根据画面、语音和上下文即时响应，带来更具陪伴感和沉浸感的人机对话体验。 此前，面壁智能/OpenBMB 已与华为昇腾生态围绕 AI 框架、分布式训练、模型架构优化和国产算力开展合作探索，本次双方将进一步推出 OpenBMB × 华为昇腾AI框架联合赛事，围绕 MiniCPM-o系列模型在昇腾NPU上的推理适配、性能优化与创新应用，鼓励高校学生和开发者共同探索全模态模型的产业化落地。 ## PART 06 Ascend for PyTorch社区开发者 刘劲帆 Ascend for PyTorch社区开发者 刘劲帆围绕“API 一致性补齐实践”进行了分享，系统介绍了 PyTorch 生态向昇腾NPU 迁移过程中的关键工程问题。 API一致性是在昇腾上使用PyTorch生态的核心基石。PyTorch作为AI领域事实标准，一致性对齐并不是简单“改几行代码”或新增接口，而是要准确理解 PyTorch 官方语义，实现API与官方语义对齐可实现从“能跑”到“可信迁移”的跨越，保障接口功能、行为、测试与文档全维度一致，以此降低开发者代码改造成本。 API一致性正在流程化作业，与开发者共同探索加速。目前和30+位开发者归纳流程标准，大家遵循检索、判断、适配、验证、提交的标准化工程闭环，聚焦用例、功能、文档三类补齐工作，通过issue与PR完成问题定位、适配修复与验证提交。开发者们携手攻克测试检索、适配边界、多版本兼容等实践难点，沉淀规范流程与协作经验，合力提交大量issue与PR，持续提升API一致性与可信度，共同推动在昇腾上使用PyTorch的开发体验一致。 未来，昇腾AI框架将持续围绕开源易用为目标，携手生态力量为开发者提供一致开发体验和创新技术，让开发过程好用易用！ --- https://www.mindspore.cn/news/zh/2026-5-27/ --- 新闻 中国物理学会-量子科技长三角产业创新中心-MindSpore Quantum学术奖励基金项目成果名单公布 # 中国物理学会-量子科技长三角产业创新中心-MindSpore Quantum学术奖励基金项目成果名单公布 2026/05/27 # 中国物理学会-量子科技长三角产业创新中心-MindSpore Quantum学术奖励基金项目成果名单公布 《中国物理学会-量子科技长三角产业创新中心-MindSpore Quantum学术奖励基金》由中国物理学会、量子科技长三角产业创新中心和昇思MindSpore共同发起，旨在支持高校及科研院所中从事量子信息技术研究的科研人员。本基金致力于广泛推动开源量子计算软件在量子信息领域中的应用，同时激励原创性科学研究的发展。 基金自2025年1月启动申报，并于同年3月由技术管理委员会评审确定30个资助项目。截至2026年3月31日，共有27个项目完成验收。现将项目成果展示如下（排名不分先后）： ## 1 包泽杭 浙江大学 论文： Fock space prethermalization and time-crystalline order on a quantum processor 链接： https://arxiv.org/abs/2510.24059 代码： https://github.com/ZJU-zbao/FSP-72q ## 2 陈庚 电子科技大学 论文： Channel-Constrained Markovian Quantum Diffusion Model from Open System Perspective 链接： https://arxiv.org/abs/2511.12221 代码： https://github.com/UESTC-YLH/CCMQDM/ ## 3 陈秋豪 武汉大学 论文： Near-optimal Prediction Error Estimation for Quantum Machine Learning Models 链接： https://arxiv.org/abs/2510.18208 代码： https://github.com/qhc-nazgul/Near-optimal-Prediction-Error-Estimation-for-Quantum-Machine-Learning-Models ## 4 程书明 同济大学 论文： Resource-efficient quantum approximate optimization algorithm via Bayesian optimization and maximum-probability evaluation 链接： https://arxiv.org/abs/2603.28413 代码： https://github.com/Siranopenaccess/Resource-Efficient-QAOA-via-Bayesian-Optimization-and-Maximum-Probability-Bitstring-Evaluation ## 5 陈卓越 中山大学 论文： Towards Noise-Resilient Quantum Multi-Armed and Stochastic Linear Bandits 链接： https://arxiv.org/abs/2603.18431 代码： https://gitee.com/chen-zhuoyue225/quantum-bandit-mindspore-quantum ## 6 丁齐鸣 北京大学 论文： Large-Scale Efficient Molecule Geometry Optimization with Hybrid Quantum–Classical Computing 链接： https://pubs.acs.org/doi/10.1021/acs.jctc.5c01435 代码： https://atomgit.com/mindspore/mindquantum/tree/research/paper\_with\_code/DrugMolOpti ## 7 黄俊翰 深圳华大生命科学研究院 论文： QHap: Quantum-Inspired Haplotype Phasing 链接： https://arxiv.org/abs/2603.25762 代码： https://github.com/Zr1311/QHap ## 8 何润洪 中国科学院软件研究所 论文1： Constructing Compact ADAPT Unitary Coupled-Cluster Ansatz with Parameter-Based Criterion 链接： https://pubs.acs.org/doi/10.1021/acs.jctc.6c00269 代码： https://atomgit.com/mindspore/mindquantum/tree/research/paper\_with\_code/Param\_ADAPT\_VQE 论文2： Hamiltonian-Informed Point Group Symmetry-Respecting Ansatz for Variational Quantum Eigensolver 链接： https://arxiv.org/abs/2512.21087 代码： https://atomgit.com/mindspore/mindquantum/tree/research/paper\_with\_code/HiUCCSD 论文3： Gradient-Based Excitation Filter for Molecular Ground-State Simulation 链接： https://arxiv.org/abs/2506.20398 代码： https://gitee.com/mindspore/mindquantum/tree/research/paper\_with\_code/Gradient-Based%20Excitation%20Filter%20for%20Molecular%20Ground-State%20Simulation 论文4： RH: An Architecture for Redesigning Quantum Circuits on Quantum Hardware Devices 链接： https://arxiv.org/abs/2412.20893 代码： https://gitee.com/mindspore/mindquantum/tree/research/paper\_with\_code/Redesign%20Circuits%20on%20Quantum%20Hardware ## 9 李鑫 北京理工大学 论文1： Unsupervised detection of topological phase transitions with a quantum reservoir 链接： https://journals.aps.org/pra/abstract/10.1103/3c94-9b3g 代码： https://github.com/zipeilee/qrc-phase 论文2： Learning Variational Quantum Circuit Parameters with Classical Artificial Intelligence for Quantum Phase Transition Detection 链接： https://arxiv.org/abs/2506.06678 代码： https://github.com/zipeilee/attention-pqc ## 10 李凌霄 北京邮电大学 论文： Quantum Knowledge Distillation for Large Language Models 链接： https://arxiv.org/abs/2505.13205 代码： https://github.com/Lilingxiao-bupt/QD-LLM ## 11 李天翊 北京大学 论文： Efficient Quantum Simulation of Non-Adiabatic Molecular Dynamics with Precise Electronic Structure 链接： https://pubs.rsc.org/en/content/articlehtml/2026/dd/d5dd00433k 代码： https://gitee.com/mindspore/mindquantum/tree/research/paper\_with\_code/Efficient\_Quantum\_Simulation\_of\_Non-Adiabatic\_Molecular\_Dynamics\_with\_Precise\_Electronic\_Structure ## 12 李婷婷 浙江大学 论文： QuaMap:AMulti-Backend Benchmark Dataset for Quantum Circuit Mapping and Learning-Based Compiler Evaluation 链接： https://dl.acm.org/doi/abs/10.1145/3770854.3785697 代码： https://github.com/Secbrain/QuaMap ## 13 苗子博 哈尔滨工业大学（深圳） 论文： Robust Parametric Quantum Gate Against Stochastic Time-Varying Noise 链接： https://arxiv.org/abs/2603.24345 代码： https://github.com/Co-ding-Man/VQC-Robust-PQG ## 14 彭礼超 北京理工大学长三角研究院(嘉兴) 论文： Learning Entanglement Quasiprobability from Noisy and Incomplete Data 链接： https://arxiv.org/abs/2603.18414 代码： https://github.com/PhotonicsQuantum-Alex/EQPs-AIME-Net ## 15 尚仲夏 香港大学 论文： Bra-ket entanglement, an indicator bridging entanglement, magic, and coherence 链接： https://arxiv.org/abs/2505.09512 代码： https://github.com/ChanceSiyuan/HT\_forent ## 16 孙\*奇 论文： A Resource-Aligned Hybrid Quantum-Classical Framework for Multimodal Face Anti-Spoofing 链接： https://arxiv.org/abs/2603.27852 代码： https://github.com/arctenio/MPS-VQC ## 17 孙鹏 天津大学 论文： Hybrid Quantum-Classical Branch-and-Price for Intra-Day Electric Vehicle Charging Scheduling via Partition Coloring 链接： https://arxiv.org/abs/2603.21374 代码： https://github.com/Liang023/BP\_PCP\_Cn ## 18 王越 香港大学 论文： Efficient Quantum Algorithm for Robust Training 链接： https://arxiv.org/abs/2603.28332 代码： https://github.com/RamPrime/Quantum-Robust-Training-Mindquantum ## 19 王\*帅 论文： Trainability-Oriented Hybrid Quantum Regression via Geometric Preconditioning and Curriculum Optimization 链接： https://arxiv.org/abs/2601.11942 代码： https://github.com/YangshuaiWang/QNN-Regression-Mindspore ## 20 王忻 清华大学 论文： Towards Ultimate Accuracy in Quantum Multi-Class Classification: A Trace-Distance Binary Tree AdaBoost Classifier 链接： https://arxiv.org/abs/2602.02120 代码： https://github.com/SheffieldWang/Quantum\_TTA ## 21 吴军 中国科学技术大学 论文： CutVQA: Co-Designing Circuit Cutting and Architecture Search for Scaling Variational Quantum Algorithms 链接： https://arxiv.org/abs/2508.03376 代码： https://gitee.com/deviludier/cut-vqa ## 22 谢晴兴 湖北大学 论文1： Beyond VQE and QPE: A Noise- and Sampling-Error-Tolerant Quantum Algorithm with Heisenberg-Limited Precision 链接： https://link.springer.com/article/10.1007/s11128-026-05154-9 代码： https://gitee.com/xie-qingxing/quantum-algorithm-wqte 论文2： MQTE: A Measurement-Based Quantum Algorithm for Robust Energy Spectrum Estimation in the NISQ Era 链接： https://arxiv.org/abs/2603.17959 代码： https://gitee.com/xie-qingxing/quantum-algorithm-mqte ## 23 严格 上海交通大学 论文： Universal 2-Local Symmetry-Preserving Quantum Neural Networks for Fermionic Systems 链接： https://arxiv.org/abs/2412.04825 代码： https://atomgit.com/mindspore/mindquantum/tree/research/paper\_with\_code/Hamming%20weight%20preserving%20ansatz ## 24 周琝轩 中国科学院物理研究所 论文： Probe of Generic Quantum Contextuality and Nonlocal Resources for Qubits 链接： https://arxiv.org/abs/2504.11238 代码： https://github.com/ucas-zmx/QCNR ## 25 曾帅 重庆邮电大学 论文1： Block-QAOA-Aware Detection with Parameter Transfer for Large-Scale MIMO 链接： https://arxiv.org/abs/2603.14042 代码： https://gitee.com/beastsenior/bqa\_md 论文2： Stone-in-Waiting: A Cloud-Based Accelerator for the Quantum Approximate Optimization Algorithm 链接： https://arxiv.org/abs/2603.19980 代码： https://gitee.com/mindspore/ mindquantum/tree/research/hackathon/hackathon2024/qaoa/hackathon\_qaoa\_new 论文3： Antenna Array Beamforming Based on a Hybrid Quantum Optimization Framework 链接： https://arxiv.org/abs/2603.20072 代码： https://gitee.com/mindspore/mindquantum/tree/research/hackathon/hackathon2025/qaia/new ## 26 张行健 香港大学 论文： Distilling the knowledge with quantum neural networks 链接： https://arxiv.org/abs/2603.21586 代码： https://github.com/royess/QNNKDMindSpore ## 27 周旭 中山大学 论文1： Distributed Quantum Algorithm for the NISQ Era: A Novel Approach to Solving Simon's Problem with Reduced Resources 链接： https://advanced.onlinelibrary.wiley.com/doi/10.1002/qute.202500067 代码： https://gitee.com/zhou-xu3/dsa\_code 论文2： Distributed exact generalized Grover’s algorithm 链接： https://link.springer.com/article/10.1007/s11704-025-50239-w 代码： https://gitee.com/zhou-xu3/degga\_code 论文3： Distributed Exact Quantum Amplitude Amplification Algorithm for Arbitrary Quantum States 链接： https://arxiv.org/abs/2601.09128 代码： https://gitee.com/zhou-xu3/deqaaa\_code --- https://www.mindspore.cn/news/zh/2026-5-30/ --- 新闻 算力驱动科学发现，昇腾AI4S助力科研新范式 # 算力驱动科学发现，昇腾AI4S助力科研新范式 2026/05/30 # 算力驱动科学发现，昇腾AI4S助力科研新范式 中国，北京，2026年5月23日鲲鹏昇腾开发者大会2026——昇腾AI4S技术论坛在北京成功举办。此次论坛以“算力驱动科学发现”为主题， 九大议题围绕大模型时代下AI4S智能体应用及生命科学方面的发展展开，汇聚企业、高校、科研院所多位行业专家，分享前沿理念、技术成果与落地案例，全方位探讨 AI 赋能科学研究的新方向与新路径。 华为昇腾计算训练PDT经理 张华桦 华为昇腾计算训练PDT经理张华桦在开场致辞中从教育、技术两大方向展开分享，教育上围绕人才培养、技术创新、交叉学科赋能三个层次，强调要从校园阶段夯实自主创新芯片相关人才根基，依托多学科能力构建商业闭环；同时指出AI4S 领域发展需依托昇腾生态协同共建，昇腾深耕底层技术能力，助力各交叉学科创新发展。 华为昇腾技术专家 于璠 华为昇腾技术专家于璠针对大模型时代下AI4S的发展进行了深入的洞察，判断当下技术发展呈现两大趋势：基础模型与智能 Agent 双轨并行，基础模型融合物理规律、借助图神经网络深挖数据关联，Agent 则赋能自主科研，助力打造跨学科全流程科研闭环。同时依托标杆应用与前沿学术成果，持续驱动开源生态蓬勃发展。 华为昇腾技术专家张玉橙 华为昇腾技术专家张玉橙，详细介绍了昇腾AI4S的整体布局与能力积淀，在生命科学、材料化学、地球科学、电磁仿真等方向，昇腾已孵化出丰富的原生模型与智能 Agent 应用案例。凭借软硬件深度协同、传统计算与AI计算配合的通用解决方案，以及超节点在大规模多卡并行任务中的出色表现，昇腾稳步构建核心技术优势，助力 AI4S 技术不断突破。 昇腾AI4S生态贡献优秀奖 昇腾AI4S生态的发展，离不开每一位贡献者的专业和付出，会上设置了颁奖环节，为优秀团队颁发了“昇腾AI4S生态贡献优秀奖”，表彰近一年来昇腾开发者在昇腾AI4S技术创新、技术生态发展中的优异表现。8个优秀贡献团队获得“昇腾AI4S生态贡献优秀奖”荣誉。 深圳河套学院副院长 欧阳万里 深圳河套学院副院长欧阳万里作了题为《科学智能体硬的一面》的主题演讲，重点介绍了基于昇腾的模型自动适配调优工具，基于多智能体协同技术，构建起模型检索、环境适配、算子适配、质量评估、性能优化的全流程自动闭环，助力模型跨AI处理器在昇腾平台实现跑得通、跑得对、跑得快。目前，依托该工具已完成500余个PyTorch模型的快速迁移，357个模型在昇腾平台上性能超越业界。 中国科学技术大学 精准智能化学全国重点实验室 陈林江 中国科学技术大学陈林江教授作题为《原子比特通用力场模型与灵境造物科研智能体》的报告。团队自主研发的AtomBit通用机器学习力场模型与灵境造物科研智能体平台的深度集成，以昇腾算力为底座，实现从科研需求到物质创制的全流程人机协同自动化。陈老师指出，灵境造物旨在连接大模型的发散推理与专属模型的精准预测，赋能机器人自主发现新知识，探索AI驱动科学研究的新范式。 上海人工智能实验室AI4S中心负责人 白磊 上海人工智能实验室 AI4S 中心负责人白磊发表《智能体科研：科学发现新机遇》的专题演讲，介绍团队提出的引领性Agentic Science（智能体科学）概念，以及通专融合科学智能体系统InternAgents（书生科学发现系统）。团队AI4S大模型经昇腾软硬件优化后，深空、风乌大模型的百步平均训练时长相较开箱，分别下降约60%和29%，材料大模型的强化学习单epoch耗时，在科学计算典型数据集上相较开箱下降约92%，打造了昇腾算力赋能科学智能的完整技术链路。 中国科学院自动化研究所研究员 张家俊 中国科学院自动化研究所研究员张家俊老师作了题为《科学智能体构建与应用》的主体演讲，重点介绍了“磐石”基础大模型3大智能体。磐石·文献罗盘——科研智能助手；磐石·智能体工厂——多任务科学智能体；磐石·ScienceClaw——通用科学智能体。在算力生态方面， “磐石”科学基础大模型及相关智能体已成功适配昇腾AI基础软硬件平台，在“磐石”上的后训练和推理效率持平业界标杆。未来，磐石将在昇腾算力平台上持续演进，确保软硬自研自主可控。 北京昌平实验室领衔科学家 陈明辰 北京昌平实验室领衔科学家陈明辰在题为《TorchX研发生态： 药物分子设计全流程》的演讲中，介绍了开源且昇腾原生支持的生物分子AI设计平台——TorchX科研生态。围绕结构预测、质量评估与全原子设计三大核心环节，推出了TorchFold、TorchScore和TorchDesign三款工具。TorchFold完整复现了AlphaFold3并兼容官方权重，在抗原抗体复合物预测等复杂场景中超越了AF3。昌平实验室携手昇腾AI4S进行了深度优化，以TorchFold为例，利用KernelCat加速，打通了8K超长序列推理能力；以TorchDesign为例，相比初始版本性能提升15倍，推理序列长度提升4倍。 广州实验室AI高级工程师 郭东 广州实验室AI高级工程师郭东博士在《高亲和力纳米抗体AI设计方法》演讲中，介绍广实与昇腾合作研发的多模态纳米抗体序列大模型编码器GND（GZlab Nanobody Design），是首个基于超大规模天然纳米抗体实验数据，全量训练和优化完成的纳米抗体序列基础大模型。在纳米抗体结构预测方面，使用性能优化提升的昇腾版本蛋白质折叠模型，相比初始版本序列长度提升67%，推理速度提升100%，实现公开数据集INDI纳米抗体序列的全量结构推理。 北京智源人工智能研究院副院长 叶启威 北京智源人工智能研究院副院长叶启威发表《OpenComplex：打通结构、能量与功能的统一模型》主题演讲，全面分享了 OpenComplex 全原子生物分子基础模型的最新进展。在底层工程架构上，针对 OpenComplex 的 Context Parallel 并行策略，团队创新性地设计了双轴切分方案，并基于昇腾生态开发了 FloydAttn(PivotAttention) 融合算子，依托昇腾算力，该方案将序列长度突破至 2K 以上，不仅在容量上超越业界水平，其长序列性能更是达到了业界的3倍。 昇腾深耕 AI4S 领域软硬件协同创新，全面覆盖多元交叉学科生态。未来我们将持续夯实技术底座、丰富应用场景、深化生态联动，以软硬自研能力赋能行业伙伴打造标杆落地应用，携手各界同仁共建繁荣共生的 AI4S 产业生态。 --- https://www.mindspore.cn/news/zh/2026-6-5/ --- 新闻 昇思MindSpore社区 2026 年 5 月份运作报告 # 昇思MindSpore社区 2026 年 5 月份运作报告 2026/05/30 # 昇思MindSpore社区 2026 年 5 月份运作报告 ## 一、概述 2026年5月，昇思MindSpore开源社区持续深耕技术突破与生态共建，在框架能力、社区活动、开发者赋能等方面取得多项重要成果。 在技术分享方面，MindSpore Quantum 0.12.0 发布了张量网络模拟器与 QPU 硬件抽象层，让量子算法部署更加便捷。同时，MindSpore Lite 助力语音识别模型实现高效部署，推理时延显著降低。此外，MindSpore HyperParallel 与 LlamaFactory 深度联动，通过通算掩盖、内存优化等大幅提升了 FSDP 训练性能，而MindSpore AKG Agent则提出了基于状态机harness实现的Auto Research工作流，确保长流程的算子迭代优化任务运行稳定。 在社区活动方面，KADC2026大会期间，昇腾AI4S技术论坛聚焦智能体与生命科学应用，昇腾AI框架专题论坛展示了昇思HyperParallel、AKG等组件化能力；湖北工业大学具身机器人AI算法大赛启动，提供开发板与算力券激励；CCF量子挑战赛昇思杯也在持续火热报名中，三场直播与教程助力选手快速上手，昇思正携手开发者共筑开源创新生态。 以下是2026年5月份昇思MindSpore社区进展详细报告。 ## 二、社区运作 截至5月底，MindSpore 开源社区稳健运营、生态持续扩容，始终坚守开放协作、技术普惠、共建共治的核心原则，聚焦 AI 框架技术迭代、生态协同与开发者生态建设，社区组织架构高效运转、技术贡献与活跃度双提升，筑牢 AI 开源生态的坚实底座，推动全场景 AI 框架技术与产业应用深度融合。 - 社区单位会员达 355 家，累计贡献者5.4万+； - 社区累计产生ISSUE共91.1K、PR共130.7K。 5月份社区治理体系高效运转，开源发展委员会、技术委员会常态化推进决策与技术统筹，各 SIG 小组协同发力，技术贡献与社区活跃度稳步攀升。 - 5月提交issue 460 个，合入PR 661 个； - 新增代码行数超 51.2万行，SIG 专项会议累计召开 7场。 ## 三、社区活动 ### 01 算力驱动科学发现，昇腾AI4S助力科研新范式 5月23日，鲲鹏昇腾开发者大会2026——昇腾AI4S技术论坛在京举行，主题为“算力驱动科学发现”。论坛汇聚企业、高校及科研院所专家，围绕大模型时代下AI4S智能体应用与生命科学等方向展开分享，昇腾展示了在生命科学、材料化学、地球仿真等领域的全面布局，多个原生模型与智能体案例亮相，并为优秀团队颁发了“昇腾AI4S生态贡献优秀奖”。 昇腾将持续夯实软硬件底座，携手各界共建AI4S繁荣生态。未来，昇腾将深化教育、技术与生态协同，助力交叉学科创新，推动AI驱动科学发现的新范式落地。 ### 02 KADC2026 | 昇腾AI框架专题论坛在京顺利举办 5月22日，KADC2026“面向超节点，打造开源易用的昇腾AI框架专题论坛”在京顺利举办。会上正式发布 Ascend for PyTorch 社区，并展示了昇思 MindSpore 在分布式并行、图算融合等领域的创新成果，以 HyperParallel、AKG 等组件化能力支撑 PyTorch 等三方生态。LlamaFactory 与 MindSpore HyperParallel 深度联动，一行配置即可开箱加速； AKG 图算融合组件已合入主线，全面赋能大模型图模式训练。 论坛还邀请了多位学术界与产业界专家，分享 API 一致性补齐、多模态大模型及多后端生态标准化建设等前沿实践。面向超节点，昇腾 AI 框架将持续聚焦开源易用，携手开发者共建一致体验与创新技术，让 AI 开发更高效、更便捷。 ### 03 CCF量子计算编程挑战赛昇思杯·第八届MindSpore Quantum黑客松持续火热报名中 2026年度CCF量子计算编程挑战赛昇思杯·第八届MindSpore Quantum黑客松持续火热报名中。大赛设置了热身赛、量子组合优化赛道与量子启发算法赛道，并分别于5月9日、5月12日、5月14日举办了三场直播讲解，涵盖赛题解析、编程实践与互动抽奖，帮助选手高效备赛。 官方同步发布了热身赛保姆级通关教程，从环境准备到量子线路搭建、控制门、厄米共轭等基础操作逐题详解，并开放了往届作品、训练营回放及FAQ等学习资源。选手报名后添加小助手即可获取完整指南。欢迎广大量子计算爱好者积极参赛，共赴量子未来。 ### 04 湖北工业大学具身机器人AI算法大赛火热报名中 与此同时，湖北工业大学具身机器人AI算法大赛也正在火热报名中。大赛聚焦具身机器人领域的算法创新，面向广大开发者开放。为激励参赛者，主办方提供了开发板与千元算力券等丰厚奖励，降低硬件门槛，助力选手专注算法突破。 本次比赛是产学研结合的典型案例，欢迎对具身智能、机器人算法感兴趣的开发者踊跃参与。点击阅读原文即可了解报名方式与赛题详情，抓住机会赢取激励，共同推动具身机器人技术创新落地。 ## 四、技术分享 ### 01 MindSpore Quantum 0.12.0 发布：张量网络模拟、量子启发式算法族与量子硬件抽象层全面升级 MindSpore Quantum 发布 0.12.0 版本，围绕“扩展边界”带来三大升级。新增的 mqmps 张量网络模拟器基于矩阵乘积态技术，能以极低内存模拟百比特级低纠缠线路，性能远超传统态矢量方法。QAIA 算法族扩展了 TSB、USB、LSB 三种量化模拟分叉变体，为组合优化问题提供更高效的求解工具。 同时推出的 QPU 硬件抽象层统一了模拟器接口风格，开发者仅需实现采样方法即可对接真实量子硬件，如 Quafu 平台，大幅降低从模拟到真机的迁移成本。新版本打通了从理论验证到硬件部署的关键路径，欢迎广大用户下载体验。 ### 02 语音识别模型部署太难？昇思 MindSpore Lite 轻松搞定！ 语音识别模型部署常面临时延高、国产化适配难等挑战。我们基于开源 FireRedASR 模型，展示了如何借助 MindSpore Lite 在昇腾 Atlas 800I A2 单卡上实现高效部署。通过一键模型转换、融合算子、AOE 自动调优以及 H2D 免拷贝等优化手段，Encoder 与 Decoder 模块的推理时延较开箱性能最高降低 55%，且识别精度与原始模型持平。 整个迁移过程工作量小，集成门槛低，充分验证了 MindSpore Lite 在语音场景的极致性能与易用性。欢迎广大开发者体验并参与社区共建。 ### 03 MindSpore HyperParallel 携手 LlamaFactory 解锁 FSDP 性能与易用之钥 大模型训练面临显存与效率的双重挑战。MindSpore HyperParallel 携手 LlamaFactory 深度联动，为 FSDP 后端注入高性能与易用性。通过通信融合、零拷贝、参数预取及梯度规约掩盖等核心技术，在昇腾 NPU 上实现千亿参数训练性能较 Megatron 系列提升约 10%，显存占用节省 5%~10%。 更难得的是，用户只需在原有工作流中添加一行配置即可零侵入启用，同一套脚本还能跨硬件平稳运行。这一联合方案已登陆 LlamaFactory，欢迎开发者体验极致高效的分布式训练新范式。 ### 04 在 MindSpore AKG Agent 中的 Harness 设计：面向长程任务的状态机方法 当 MindSpore AKG Agent 需连续运行数十小时且无人监督时，仅靠提示词约束极易偏离预期。我们提出基于状态机的 harness 设计，以代码逻辑为长程任务划定边界，同时保留 Agent 的自主推理与代码修改能力。 通过主循环状态机与 PLAN 状态机的分工协作，结合落盘 PLAN 文件、Subagent 上下文隔离及端到端评测托管等机制，有效防止跳过评测、遗忘历史等行为，让任务跑得稳、可追溯、可复现。这一范式已在算子性能调优任务中验证，欢迎开发者探索与实践。 ## 五、感谢每一位朋友、开发者的支持 在此感谢社区伙伴们、可爱的小孢子们以及昇思MindSpore SIG组成员们，因为大家的共同努力及辛勤奉献，昇思MindSpore才能不断成长与发展！同时我们对可能出现的不完善之处向您表示诚挚的歉意，并衷心感谢您的理解与支持。图片图片 未来，昇思MindSpore AI框架将持续致力于打造人工智能创新之源，凝聚产业力量，扎根AI根技术，使能大模型与科学智能，成为AI创新的首选框架。 --- https://www.mindspore.cn/news/zh/2026-7-10/ --- 新闻 昇思MindSpore社区 2026 年 6 月份运作报告 # 昇思MindSpore社区 2026 年 6 月份运作报告 2026/07/10 # 一、概述 2026年6月，昇思MindSpore开源社区持续深耕技术突破与生态共建，在AI编译技术、分布式训练、开发者效能等方面取得多项重要成果。 在技术分享方面，业界首个动态模型亲和的“AI实时编译器”MindSpore DVM正式开源，编译时间最高提速5个数量级，并同步推出动态图无图融合能力，为运行时实时融合提供新路径；MindSpore HyperParallel深度优化盘古Muon优化器，在千亿MoE模型上实现6倍性能跃升，同时基于DTensor的AI辅助编程体系将分布式算子开发效率提升83%。 在社区运作方面，社区治理与协作体系高效运转，技术贡献与活跃度持续攀升，昇思正携手开发者共筑全场景AI开源创新生态。 以下是2026年6月份昇思MindSpore社区进展详细报告。 # 二、社区运作 截至6月底，MindSpore 开源社区稳健运营、生态持续扩容，始终坚守开放协作、技术普惠、共建共治的核心原则，聚焦 AI 框架技术迭代、生态协同与开发者生态建设，社区组织架构高效运转、技术贡献与活跃度双提升，筑牢 AI 开源生态的坚实底座，推动全场景 AI 框架技术与产业应用深度融合。 - 社区单位会员达 356 家，累计贡献者5.4万+； - 社区累计产生ISSUE共91.8K、PR共131.8K。 6月份社区治理体系高效运转，开源发展委员会、技术委员会常态化推进决策与技术统筹，各 SIG 小组协同发力，技术贡献与社区活跃度稳步攀升。 - 6月提交issue 670 个，合入PR 1073 个； - 新增代码行数超 126万行，SIG 专项会议累计召开 5场。 # 三、技术分享 ## 01 业界首个动态模型亲和的“AI实时编译器”—MindSpore DVM，强力推荐 MindSpore联合港科广、湖南大学推出业界首个动态模型亲和的“AI实时编译器”DVM。传统编译器依赖离线shape推导，难以应对动态模型；运行时编译链路过长。DVM不生成机器码，而是生成tile级字节码，由NPU侧虚拟机解释执行，将编译开销隐藏在硬件流水线中。支持pattern与streaming融合，动态图中根据真实执行路径即时决策。 LayerNorm上相较TorchInductor加速11.77倍，Qwen3-14B微调提升1.07~1.21倍，编译时间最高提速5个数量级。已开源，支持MindSpore与PyTorch后端。 ## 02 MindSpore 推出动态图无图融合能力 MindSpore推出动态图无图融合能力，在运行时沿真实算子流增量捕捉与轻量构图，由底层DVM实时编译生成融合Kernel。相比静态图离线编译，该方案不依赖图缓存，可适应动态shape变化。当前支持Elemwise相互融合、Reduce前向融合及MatMul+Elemwise等CV融合扩展，整网端到端性能收益约1%~5%。通过环境变量MS\_DEV\_PYNATIVE\_FUSION\_FLAGS开启，代码已开源。 ## 03 HDC技术速递 | MindSpore HyperParallel助力盘古Muon优化器实现6倍性能跃升 MindSpore HyperParallel基于FSDP实现Muon优化器深度优化，在昇腾512卡集群中，千亿参数MoE模型单次计算耗时由2700ms降至450ms，性能提升6倍。 方案针对三大挑战：全矩阵收集通信开销大、Newton-Schulz迭代Host调度开销高、DP副本间冗余计算严重。团队提出AllGather+DP去冗余方案，计算耗时从485ms收敛至129ms；对高维专家参数按Batch维度独立计算，通信清零、耗时骤降77.5%；通过矩阵融合将小矩阵重组为批量张量，74个参数从74ms降至2.4ms；HSDP场景下副本间分组计算，性能再提升1倍。 ## 04 MindSpore HyperParallel：AI辅助编程，助力分布式算子开发效率提升 MindSpore HyperParallel构建了基于DTensor的AI协作开发体系，通过.agent/目录将专家经验固化为规则与技能资产。 针对分布式算子开发全流程，团队沉淀四个核心Skill：dist-op-analysis进行方案推导与人工确认，dist-op-dev实现自主编码测试，autogit规范提交，gate-doctor自动化门禁修复。实战中tril算子从需求到PR仅用1.5小时，人工操作不足10分钟，较此前约9小时提效83%。该体系在生成阶段即拦截高风险问题，专家经验得以沉淀，不复随人员流失。 # 四、感谢每一位朋友、开发者的支持 在此感谢社区伙伴们、可爱的小孢子们以及昇思MindSpore SIG组成员们，因为大家的共同努力及辛勤奉献，昇思MindSpore才能不断成长与发展！同时我们对可能出现的不完善之处向您表示诚挚的歉意，并衷心感谢您的理解与支持。 未来，昇思MindSpore AI框架将持续致力于打造人工智能创新之源，凝聚产业力量，扎根AI根技术，使能大模型与科学智能，成为AI创新的首选框架。 --- https://www.mindspore.cn/news/zh/2026-7-7/ --- 新闻 昇腾AI4S科学计算最佳实践，加速生命科学智能创新落地 # 昇腾AI4S科学计算最佳实践，加速生命科学智能创新落地 2026/07/07 # 昇腾AI4S科学计算最佳实践，加速生命科学智能创新落地 7月3日，在人工智能与生物医药生态大会（AIBC2026）“AI+前沿技术论坛”上，昇腾计算业务AI框架业务总经理、昇思开源社区理事长王紫东发表题为《AI4S生命科学业界趋势及昇腾实践》的主题演讲。王紫东指出，AI4S正从单一模型验证迈向“基础模型+Agent”双线驱动的新阶段，基于昇腾超节点、多领域AI4S能力沉淀及MindSpore Science科研智能体系统，致力于打通从实验室到产业化的科研全流程Agent化，实现AI生物医药等科学发现的自动化、智能化与自我进化。 ## AI4S进入“自主科研”新阶段 王紫东在演讲中梳理了AI4S的发展脉络，指出当前行业正处于从“阶段-2：训练通用基础模型”向“阶段-3：科学家Agent助手”演进的关键期。随着AlphaFold3、RFdiffusion等模型的迭代，AI已能实现原子级别的多生物分子结构预测。然而，面对跨学科知识割裂、研发周期漫长等痛点，未来的核心诉求在于构建具备自主规划、长期精确推理及干湿实验闭环能力的Science Agent。通过多模型混部、交互协同及Agentic强化学习，AI将加速向“跨学科全流程科研闭环”演进，实现科学发现的自动化与智能化。 ## 基础模型和Agent双线齐发，华为AI4S融合架构引领科学智能 ### 基于昇腾超节点实现软硬件高效协同，突破算力资源瓶颈 在基础设施层面，昇腾超节点实现AI4S大规模多卡并行场景下的通信加速。通过内存统一编址技术、超大带宽、超低时延，端到端多卡性能提升3倍，有效解决了材料、流体等场景中的通信性能瓶颈。同时，华为推出了AI4S昇腾亲和加速库，支持5+个融合算子，典型模型性能提升30%，并支持十亿级别AI4S模型的分布式训练，AI4S关键模型性能领先。 ### MindSpore Science科研智能体系统，重构科研工作流 针对科研过程中文献阅读、假设提出、实验试错等环节的高昂“人工衔接成本”，昇思MindSpore打造了MindSpore Science科研智能体系统。该系统涵盖300+科学Skills及科研流程Sub-Agent，支持生物医药、化学材料、流体等核心领域。 王紫东介绍，MindSpore Science通过构建“假设生成-仿真验证-实验执行-结果分析”的闭环迭代系统，大幅压缩科研周期。例如，在支撑中国科学技术大学“灵境造物”平台时，实现了材料研发自主创新全流程打通，自动化实验执行成功率提升约10倍，整体科研效率提升百倍。此外，该系统已在国际化学奥赛题评测中取得77.88%的准确率，并在湿实验与计算仿真任务中完成案例验证。 ### 百花齐放，昇腾AI4S助力科学计算模型应用创新 AI4S的落地离不开产学研投的生态协同。目前，昇腾和昇思联合高校、国家实验室、科研院所、电力等行业头部机构，支持包含生命科学、材料化学、地球科学、电磁仿真等领域的60+ SOTA模型的训练、推理和微调，覆盖65%主流模型，关键模型性能领先业界1.4倍。在生命科学领域，昇腾联合昌平实验室、广州实验室、中国科学技术大学等机构，在蛋白质结构预测、纳米抗体设计、虚拟细胞研究等方面取得突破。例如，联合昌平实验室推出的MEGA-Protein系列模型，使TorchDesign性能提升15倍；与中国科学技术大学联创蛋白质结构设计&多构象预测-PVQD，准确预测蛋白的不同构象，预测精度高于AlphaFold2；联合广州实验室实现的高亲和力纳米抗体AI设计，通过构建MindSpore的Alphafold3、Protenix和GND等模型，在INDI 纳米抗体预测具有较高的预测质量，在亲和力预测上优于现有SOTA模型。 ## 面向未来，昇腾持续与行业共建AI4S生态，加速产业落地 AI for Science正站在从“辅助工具”向“科研合伙人”跨越的关键节点，以生命科学为例，细胞是最小的具有生命意义的单位，是AI生物学下一个圣杯，通过AI手段建立虚拟细胞模型，帮助科学家更精准地筛选治疗方案，加速对生命过程的理解和新药发现进程及精准性。昇腾将持续深耕AI算力基础软硬件、AI4S领域套件和预训练模型，跟踪AI4S前沿技术，链接重点科研机构、实验室及行业头部客户，通过开源社区发展开发者，构建繁荣的AI4S创新生态，大幅缩短新药、新材料研发周期，加速AI技术在生命科学领域的规模产业化进程。 --- https://www.mindspore.cn/news/zh/2026-7-8/ --- 新闻 第五届智能流体力学产业联合体大会在沈阳召开 # 第五届智能流体力学产业联合体大会在沈阳召开 2026/07/08 # 第五届智能流体力学产业联合体大会在沈阳召开 2026年7月2日，第五届智能流体力学产业联合体大会于辽宁省沈阳市皇朝万鑫酒店隆重召开。本次会议由中国空气动力学会智能流体力学产业联合体、中国空气动力学会智能流体力学专业委员会主办，西北工业大学、华为技术有限公司、中国航空工业空气动力研究院联合承办。大会以智能流体力学方法的工程应用与产业落地为核心主题，围绕产业界关键技术问题展开深度交流研讨，着力推动产学研用深度融合，加速智能流体力学在航空、航天、航海、能源、交通等领域的创新落地应用。 中国空气动力学会理事长、智能流体力学产业联合体理事长、中国科学院院士唐志共，中国空气动力学会副理事长、西北工业大学教授张伟伟等 200 余位国内外顶尖专家学者与行业翘楚齐聚一堂，共襄盛会。 大会伊始，中国空气动力学会理事长、智能流体力学产业联合体理事长、中国科学院院士唐志共在致辞中回顾联合体近年在流体智能平台、AI 气动仿真等方面的产学研成果。他指出，当前智能流体力学正迈入规模化应用的关键阶段，并从攻关国家战略需求、共享创新资源要素、加速工程落地应用、集聚高端人才力量四大维度部署下一阶段发展方向，呼吁产学研各界协同攻坚，助力我国科技自立自强。 --- https://www.mindspore.cn/news/zh/2026-8-11/ --- 新闻 昇思MindSpore社区 2026 年 7 月份运作报告 # 昇思MindSpore社区 2026 年 7 月份运作报告 2026/08/11 # 一、概述 2026年7月，昇思MindSpore开源社区持续深耕技术突破与生态共建，在框架能力、社区活动、开发者赋能等方面取得多项重要成果。 在技术分享方面，MindSpore 2.10.0版本正式发布，优化器支持Muon通算优化实现6倍性能提升，内存管理协同升级突破显存瓶颈，Mfusion图算融合组件化接入Inductor，云侧推理模型列表扩展至100款SOTA模型并推出多模态推理加速插件。同时，HyperParallel-Mpipe创新提出多模态流水线并行新范式，在512卡集群上实现端到端加速1.21倍。 在社区活动方面，在人工智能与生物医药生态大会上，昇腾AI4S科学计算加速生命科学智能创新落地；第五届智能流体力学产业联合体大会推动产学研深度融合；MiniCPM & 昇腾推理优化与应用创新挑战赛携40万奖金池火热开启，面向全模态模型挑战推理效率边界；昇腾AI框架Meetup·北京站成功举办，汇聚社区技术专家共探大模型落地实践；2026年度Hackathon软件难题挑战赛昇思赛道正式启动招募；量子计算与生命健康前沿交叉研讨会即将召开，第八届MindSpore Quantum黑客松颁奖仪式同期举行。 昇思正携手开发者与生态伙伴，共筑全场景AI开源创新生态。以下是2026年7月份昇思MindSpore社区进展详细报告。 # 二、社区运作 截至7月底，MindSpore 开源社区稳健运营、生态持续扩容，始终坚守开放协作、技术普惠、共建共治的核心原则，聚焦 AI 框架技术迭代、生态协同与开发者生态建设，社区组织架构高效运转、技术贡献与活跃度双提升，筑牢 AI 开源生态的坚实底座，推动全场景 AI 框架技术与产业应用深度融合。 - 社区单位会员达 356 家，累计贡献者5.5万+； - 社区累计产生ISSUE共92.5K、PR共132.6K。 7月份社区治理体系高效运转，开源发展委员会、技术委员会常态化推进决策与技术统筹，各 SIG 小组协同发力，技术贡献与社区活跃度稳步攀升。 - 7月提交issue 240 个，合入PR 641 个； - 新增代码行数超 40.1万行，SIG 专项会议累计召开 4场。 # 三、社区活动 ## 01 第五届智能流体力学产业联合体大会在沈阳召开 7月2日，第五届智能流体力学产业联合体大会在沈阳召开。中国空气动力学会理事长唐志共院士指出，智能流体力学正迈入规模化应用关键阶段。会上发布了由西北工业大学等联合研发的“极智飞行器多智能体设计平台”，以及中国汽研、清华等打造的“汽车风阻&风噪智能体工业软件”，并吸纳四家新理事单位。 华为作《大模型时代下华为AI4S发展与实践》报告，展示MindSpore AI框架、九问科学大模型及超节点算力系统在科学计算领域的全栈布局与标杆应用，强调软硬件协同与生态共建。大会集中呈现飞行器设计、汽车气动、高速列车等方向的前沿成果，将持续推动产学研深度融合，加速智能流体力学在航空、航天、能源、交通等领域的创新落地与产业升级。 ## 02 昇腾AI4S科学计算最佳实践，加速生命科学智能创新落地 7月3日，在人工智能与生物医药生态大会上，昇腾计算业务AI框架业务总经理王紫东发表主题演讲，指出AI4S正迈入“基础模型+Agent”双线驱动新阶段。基于昇腾超节点，软硬件高效协同突破算力瓶颈，端到端多卡性能提升3倍，典型模型性能提升30%。 MindSpore Science科研智能体系统涵盖300+科学Skills，构建“假设-生成-验证-执行”闭环，支撑“灵境造物”平台实现科研效率百倍提升，并在国际化学奥赛评测中达77.88%准确率。目前昇腾已支持60+SOTA模型覆盖65%主流应用，生命科学领域联合昌平、广州实验室等在蛋白质预测、纳米抗体设计等方面取得突破。昇腾将持续深耕AI4S基础软硬件，链接科研机构与行业伙伴，共建繁荣生态，加速生命科学智能化创新与产业落地。 ## 03 MiniCPM & 昇腾推理优化与应用创新挑战赛 7月，昇腾联合OpenBMB发起“MiniCPM & 昇腾推理优化与应用创新挑战赛”，围绕全模态模型MiniCPM-o 4.5，面向高校开发者与AI创新团队，总奖金池达40.6万元。赛事设双赛道：高性能推理优化赛道聚焦昇腾NPU上的推理适配、首响速度、端到端延迟、吞吐并发与资源利用率，挑战模型推理效率边界； 创新应用赛道鼓励基于全模态能力构建可运行、可展示的Demo，覆盖实时问答、伴随式助手、视觉语音交互等场景。赛事要求所有作品在统一昇腾环境中完成复现验证，确保公平与可沉淀。大赛旨在探索全模态大模型在昇腾上的极致性能与低延迟交互方案，推动从模型能力到真实应用场景的高效落地。报名通道已开启，诚邀广大开发者踊跃参与。 ## 04 昇腾AI框架Meetup·北京站暨MiniCPM X 昇腾推理性能优化和应用创新挑战赛 7月26日，昇腾AI框架Meetup·北京站成功举办。活动围绕昇腾全链路大模型落地实践展开，覆盖AI开发框架、HyperParallel超节点分布式训练、多模态高效推理等全栈技术。现场深度解读了“MiniCPM X 昇腾推理性能优化与应用创新挑战赛”赛题，并设置超节点集群训练、端到端推理调优等动手实操环节，为开发者提供沉浸式体验。 面壁智能、OpenBMB、LlamaFactory、vLLM-Omni等社区技术专家齐聚，分享大模型微调、推理优化及创新应用实践。本次Meetup为开发者搭建了深度交流与实战平台，加速昇腾生态下大模型从训练到落地的全流程技术演进，为挑战赛的全面开启注入强劲动力。 ## 05 2026年度Hackathon软件难题挑战赛昇思赛道火热招募中！ 7月，华为2026年度Hackathon软件难题挑战赛昇思赛道正式启动招募。大赛由华为2012实验室/基础软件院主办，聚焦业务软件技术挑战难题，面向高校在校学生，须3人组队参赛。 赛事设预赛与决赛两阶段：预赛为3小时在线编程，重点选拔编程能力与算法思维突出的选手；决赛晋级团队将赴松山湖欧洲小镇现场参赛，揭榜业务难题，以创新解法为核心导向。报名通道已开启，诚邀社区开发者与高校学子踊跃参与，向世界级难题发起挑战，共创软件新时代。 # 四、技术分享 ## 01 昇思MindSpore 2.10.0 版本正式发布 7月，昇思MindSpore 2.10.0版本正式发布，在多维度实现显著升级。优化器层面，支持Muon与通算优化，通过DP/HSDP去冗余及Newton-Schulz性能优化，实现6倍性能提升。内存管理方面，激活值重计算与Swap策略协同升级，支持动态图选择、异步Swap及独立调度，有效突破显存瓶颈，充分释放昇腾算力。编译优化上，Mfusion图算融合组件化接入Inductor，支持Ascend亲和手工融合Pass与后端感知自动融合，覆盖Transformer热点算子。 此外，新增mccI集合通信异步初始化能力，提升千卡集群启动效率。云侧推理模型列表全面扩展至100款SOTA模型，覆盖Qwen3-VL、Wan2.2等最新系列，并推出多模态推理加速插件，通过融合注意力、序列并行等技术实现端到端加速。新版本持续强化大模型训练与推理能力，为开发者提供更高效、易用的AI开发体验。 ## 02 MindSpore HyperParallel-Mpipe：多模态流水并行新范式，性能提升1.2X 7月，MindSpore HyperParallel团队提出Mpipe——面向多模态大语言模型（MLLM）训练的新型流水线并行范式。针对现有框架在超节点上MFU仅为13%–20%的性能瓶颈，Mpipe创新性地以代数化方式统一刻画流水线调度中的放置、通信与执行顺序，将模态编码器与LLM主干解耦为独立region，并分别匹配Transpose与1F1B等最优并行骨架，通过代数规则自动推导跨region的通信与执行视图。 在512卡昇腾集群上的真实MLLM训练场景中，Mpipe实现1.21倍端到端加速，显著降低流水线空泡，提升集群训练效率。该工作已集成至HyperParallel框架并提供调用指南，相关论文亦已公开，诚邀开发者参与共建，持续探索异构模型的高效并行训练新路径。 # 五、感谢每一位朋友、开发者的支持 在此感谢社区伙伴们、可爱的小孢子们以及昇思MindSpore SIG组成员们，因为大家的共同努力及辛勤奉献，昇思MindSpore才能不断成长与发展！同时我们对可能出现的不完善之处向您表示诚挚的歉意，并衷心感谢您的理解与支持。 未来，昇思MindSpore AI框架将持续致力于打造人工智能创新之源，凝聚产业力量，扎根AI根技术，使能大模型与科学智能，成为AI创新的首选框架。 --- https://www.mindspore.cn/news/zh/2026-8-12/ --- 新闻 圆满收官！2026 CCF量子计算黑客松获奖名单揭晓 # 圆满收官！2026 CCF量子计算黑客松获奖名单揭晓 2026/08/12 2026年度CCF量子计算编程挑战赛昇思杯·第八届MindSpore Quantum黑客松圆满收官，获奖名单正式揭晓！自4月启动报名以来，大赛共吸引了840+名开发者、350+支团队参赛，覆盖全国160+所高校及科研机构。历经热身赛与初赛的层层选拔，最终8支精英团队晋级7月24日线上总决赛，展开巅峰对决。如今，这份承载着汗水与智慧的获奖榜单终于重磅出炉，让我们共同见证属于量子计算开拓者的荣耀时刻！ # 01 双赛道并跑，巅峰对决 本届黑客松大赛设量子组合优化与量子启发算法双赛道并跑。前者以多目标 Ising能量最小化为目标，挑战如何利用量子计算快速寻找帕累托前沿；后者聚焦量子启发式算法加速大规模最大割问题求解，实现高精度基因定相，赋能精准医疗。5月，组委会组织多场直播讲解与实战演练，助力选手全力备赛；热身赛基于MindSpore Quantum进行量子计算基础知识编程演练。 7月24日，总决赛线上直播打响——9位评审专家坐镇，每赛道4支团队答辩，每人20分钟。两大赛道高手过招，精彩纷呈。最终量子组合优化赛道NianhuMiao团队提出PF-QAOA-Sampler方法，通过差异化采样方向，提升帕累托前沿覆盖质量，获得特等奖；量子启发算法赛道奶龙团队搭建自动化AI研究流程，让智能体参与资料调研、推演、编码、实验与审查全环节，展示了块相位表示、BSB搜索等方法在量子优化与科研创新中的应用潜力，获得特等奖。 # 02 巅峰对话：特等奖荣耀加冕，线下分享燃爆全场 8月6日，在Q4Life 2026研讨会上举行了隆重的颁奖典礼，各获奖团队代表齐聚一堂，决赛大奖顺利颁发。特等奖获奖团队受邀进行现场报告展示，完整呈现作品的创新思路与技术细节，并将代码与实验数据向与会者开放展示，与现场专家学者深度交流，气氛热烈。从线上比拼到线下交锋，量子计算前沿思想在此充分碰撞与升华。 # 03 荣誉榜单，正式揭晓 精锐先锋：决赛大奖获奖名单： 赛道一：量子组合优化赛道 赛道二：量子启发算法赛道 新锐方阵：优秀奖获奖名单 潜力新星：初赛鼓励奖获奖名单 逐梦启程：热身赛鼓励奖获奖名单 恭喜所有获奖团队！请优秀奖、初赛鼓励奖、热身赛鼓励奖的团队队长，在2026年8月16日前扫描下方二维码或问卷链接填写奖品领取信息，组委会将奖品统一邮寄给队长（过期未反馈将视为自动放弃奖品）。如有异议，请联系小助手“LLT66TT” https://v.wjx.cn/vm/hmvlEuU.aspx# # 04 量子征途，未来已来：共建自主开源生态 自2020年量子计算黑客松大赛创办至今，赛事已成功举办八届。我们秉持“以赛促学、以赛促创”的理念，旨在激发青年才俊勇闯前沿无人区，推动我国量子科技从“并跑”向“领跑”跨越。诚邀各界英才汇聚智慧，共同培育开放、自主、可持续的量子计算开源生态，为未来科技发展注入中国动能。 展望未来，量子计算黑客松将继续携手广大开发者与研究者，共同推动自主、可持续、繁荣的量子计算开源生态建设。量子计算的征途是星辰大海——而今天在昇思杯赛场上崭露头角的每一位选手，都将是这场伟大变革的亲历者与创造者。我们坚信，量子时代的大门正在被一扇扇推开，下一站，等你来战！ 回顾决赛精彩瞬间：https://koushare.com/live/details/54208 决赛作品代码仓地址：https://github.com/MindQuantum-HiQ/mindquantum-research/tree/main/hackathon --- https://www.mindspore.cn/news/zh/2026-8-26/ --- 新闻 第八届CCF开源创新大赛MindSpore赛道圆满收官 # 第八届CCF开源创新大赛MindSpore赛道圆满收官 2026/08/26 近日，2026 CCF中国开源大会在重庆举行，第八届CCF开源创新大赛颁奖典礼于大会现场揭晓各项获奖名单。其中，以"基于AI/Agent的NPU算子自动生成"为主题的MindSpore赛道圆满收官：赛道自启动以来共吸引223人次报名、174支战队参赛，覆盖58所高校，经过初赛与决赛角逐，最终6支队伍获奖，北京智源人工智能研究院KernelGen团队摘得一等奖。 # 获奖名单揭晓 基于昇思 MindSpore 赛道 MindSpore AKG Agent是一款AI驱动的算子代码生成工具，依托大语言模型（LLM）的代码生成能力，通过LLM规划并协调多Agent协同工作，实现多后端、多类型AI算子的自动生成与优化。 本次MindSpore赛道正是基于这一工具，鼓励开发者运用AI/Agent方案，在昇腾NPU上自动生成并优化算子。经过初赛、复赛与决赛的激烈角逐，获奖名单如下： ## 一等奖：KernelGen——面向多芯片的智能算子生成与优化系统 KernelGen 是面向多芯片的智能算子生成与优化系统。它通过多智能体协作完成算子分析、代码生成、硬件评测、错误修复与持续调优，并将有效策略沉淀为可检索、可演进的知识库，形成可复现、可复用的高性能算子研发闭环。 ## 二等奖：面向 Ascend 910B 的证据驱动算子优化 Agent 本项目提出多DSL自主寻优Agent：Harness采集运行证据并验证候选，LLM定位瓶颈、改进算子、生成实现，沿“DSL—结构—算法—调度—参数”分层搜索，将调优经验回写，形成持续循环优化。 ## 二等奖：基于Eval Harness剖分驱动的双算子自动生成Agent OpForge是一个面向昇腾NPU的算子自动调优Agent。以剖分为核心，用硬件信号定位瓶颈并定向优化，构建从分析、双DSL生成、严格验证到经验沉淀的完整闭环；调优经验既沉淀为知识库，也微调为领域专用模型，显著降本。项目已开源，并发布微调模型权重。 第八届CCF开源创新大赛MindSpore赛道的成功举办，不仅展现了开发者在AI算子自动生成领域的前沿探索与工程实践能力，也为昇腾生态的繁荣注入了新的活力。昇思MindSpore开源社区将持续推动AI技术与开源生态的深度融合，为开发者提供更广阔的创新平台。 --- https://www.mindspore.cn/news/zh/2026-8-28/ --- 新闻 跨越学科的“量子纠缠”！这场前沿研讨会打通量子与生命健康边界 # 跨越学科的“量子纠缠”！这场前沿研讨会打通量子与生命健康边界 2026/08/28 近日，第二届量子计算与生命健康前沿交叉研讨会（Q4Life 2026）暨2026年度CCF量子计算编程挑战赛昇思杯·第八届MindSpore Quantum黑客松颁奖仪式，在深圳华大时空中心举办。 开幕式上，华大集团首席研究员、基因组多维解析技术全国重点实验室主任徐讯发表致辞。他表示，量子技术与生命科学的交叉融合前景广阔，期待研讨会进一步搭建产业界与科研界深度交流的平台，助力量子信息产业形成产学研贯通的完整生态。 在主题报告环节，八位嘉宾分享前沿技术专题。 中国移动集团首席专家、中国移动云公司副总工程师兼首席科学家钱岭从国家产业政策、科研创新及应用实践等维度，深度剖析量子计算产业发展现状和实用化路径，并解读量子软件、量子云对量子计算产业发展的助推作用。 研讨会视频回放链接：https://www.koushare.com/live/details/54686 文章转载自华大集团BGI --- https://www.mindspore.cn/news/zh/2026-9-14/ --- 新闻 学术奖励基金优秀成果奖励名单公布 # 学术奖励基金优秀成果奖励名单公布 2026/09/14 《中国物理学会-量子科技长三角产业创新中心-MindSpore Quantum学术奖励基金》（以下简称“基金”）由中国物理学会、量子科技长三角产业创新中心和昇思MindSpore共同发起，旨在支持高校及科研院所量子信息技术领域的科研人员，推动开源量子计算软件的应用，激励原创性科学研究。 基金于2025年1月启动申报，同年3月经技术管理委员会评审，确定30个资助项目。截至2026年3月31日，共有27个项目完成验收。6月30日，确定10个项目进入评优答辩环节；8月，技术管理委员会组织答辩评审，从创新性、论文发表期刊或会议影响力等维度综合评审，并按成果类别给予不同等级奖励。 # 奖励名单如下（同类别排名不分先后） ## 01 包泽杭 浙江大学 类别：A+ 论文：Fock space prethermalization and time-crystalline order on a quantum processor 链接：https://journals.aps.org/prl/abstract/10.1103/bq3c-c3d8 代码：https://github.com/ZJU-zbao/FSP-72q ## 02 何润洪 中国科学院软件研究所 类别：A 论文1：Constructing Compact ADAPT Unitary Coupled-Cluster Ansatz with Parameter-Based Criterion 链接：https://pubs.acs.org/doi/10.1021/acs.jctc.6c00269 代码：https://atomgit.com/mindspore/mindquantum/tree/research/paper\_with\_code/Param\_ADAPT\_VQE 论文2：Hamiltonian-Informed Point Group Symmetry-Respecting Ansatz for Variational Quantum Eigensolver 链接：https://doi.org/10.1021/acs.jctc.6c00057 代码：https://atomgit.com/mindspore/mindquantum/tree/research/paper\_with\_code/HiUCCSD ## 03 丁齐鸣 北京大学 类别：A 论文：Large-Scale Efficient Molecule Geometry Optimization with Hybrid Quantum–Classical Computing 链接：https://pubs.acs.org/doi/10.1021/acs.jctc.5c01435 代码：https://atomgit.com/mindspore/mindquantum/tree/research/paper\_with\_code/DrugMolOpti ## 04 周旭 中山大学 类别：A 论文1：Distributed Quantum Algorithm for the NISQ Era: A Novel Approach to Solving Simon's Problem with Reduced Resources 链接：https://advanced.onlinelibrary.wiley.com/doi/10.1002/qute.202500067 代码：https://gitee.com/zhou-xu3/dsa\_code 论文2：Distributed exact generalized Grover’s algorithm 链接：https://link.springer.com/article/10.1007/s11704-025-50239-w 代码：https://gitee.com/zhou-xu3/degga\_code 论文3：Distributed Exact Quantum Amplitude Amplification Algorithm for Arbitrary Quantum States 链接：https://link.springer.com/article/10.1007/s11432-026-5020-7 代码：https://gitee.com/zhou-xu3/deqaaa\_code ## 05 李鑫 北京理工大学 类别：A 论文1：Unsupervised detection of topological phase transitions with a quantum reservoir 链接：https://journals.aps.org/pra/abstract/10.1103/3c94-9b3g 代码：https://github.com/zipeilee/qrc-phase 论文2：Learning Variational Quantum Circuit Parameters with Classical Artificial Intelligence for Quantum Phase Transition Detection 链接：https://journals.aps.org/prb/abstract/10.1103/fq4j-2p2l 代码：https://github.com/zipeilee/attention-pqc ## 06 李天翊 北京大学 类别：B 论文：Efficient Quantum Simulation of Non-Adiabatic Molecular Dynamics with Precise Electronic Structure 链接：https://pubs.rsc.org/en/content/articlehtml/2026/dd/d5dd00433k 代码：https://gitee.com/mindspore/mindquantum/tree/research/paper\_with\_code/Efficient\_Quantum\_Simulation\_of\_Non-Adiabatic\_Molecular\_Dynamics\_with\_Precise\_Electronic\_Structure ## 07 周琝轩 中国科学院物理研究所 类别：B 论文：Probe of Generic Quantum Contextuality and Nonlocal Resources for Qubits 链接：https://journals.aps.org/pra/abstract/10.1103/jmf4-wwwz 代码：https://github.com/ucas-zmx/QCNR ## 08 李婷婷 浙江大学 类别：B 论文：QuaMap:AMulti-Backend Benchmark Dataset for Quantum Circuit Mapping and Learning-Based Compiler Evaluation 链接：https://dl.acm.org/doi/abs/10.1145/3770854.3785697 代码：https://github.com/Secbrain/QuaMap ## 09 谢晴兴 湖北大学 类别：B 论文：Beyond VQE and QPE: A Noise- and Sampling-Error-Tolerant Quantum Algorithm with Heisenberg-Limited Precision 链接：https://link.springer.com/article/10.1007/s11128-026-05154-9 代码：https://gitee.com/xie-qingxing/quantum-algorithm-wqte ## 10 苗子博 哈尔滨工业大学（深圳） 类别：B 论文：Robust Parametric Quantum Gate Against Stochastic Time-Varying Noise 链接：https://arxiv.org/abs/2603.24345 代码：https://github.com/Co-ding-Man/VQC-Robust-PQG --- https://www.mindspore.cn/news/zh/2026-9-25/ --- 新闻 昇思 MindSpore 社区祝大家中秋节快乐！ # 昇思 MindSpore 社区祝大家中秋节快乐！ 2026/09/25 值此中秋月圆、阖家欢聚之际， 昇思 MindSpore 社区向您致以诚挚的节日问候！ 月满昇思，智算团圆 开源同路，共赴星程 感谢您长期以来的宝贵贡献与并肩同行， 愿MindSpore的智算星海，因您更添璀璨！ 祝您中秋快乐，阖家安康，万事圆满! --- https://www.mindspore.cn/news/zh/2026-9-4/ --- 新闻 昇思MindSpore社区 2026 年 8 月份运作报告 # 昇思MindSpore社区 2026 年 8 月份运作报告 2026/09/04 2026年8月，昇思MindSpore开源社区持续深耕技术突破与生态共建，在框架能力、社区活动、开发者赋能等方面取得多项重要成果。 在技术分享方面，MindSpore 2.10.0版本持续深化大模型训练与推理能力，优化器支持Muon通算优化实现6倍性能提升，内存管理协同升级突破显存瓶颈，云侧推理模型列表扩展至100款SOTA模型并推出多模态推理加速插件；MindSpore Lite成功实现具身智能VLA模型π0.5在Atlas 300I Duo与香橙派平台的高效部署，端到端推理时延压至270ms，为扩散类VLA模型在边缘场景部署提供了可复用的工程化实践路径。 在社区活动方面，具身机器人AI算法Meetup暨湖北工业大学具身机器人AI算法大赛颁奖典礼在上海举行，持续推动昇思在具身智能领域生态建设；2026 CCF量子计算编程挑战赛“昇思杯”·第八届MindSpore Quantum黑客松圆满收官并于Q4Life 2026研讨会举行颁奖典礼，双赛道特等奖团队脱颖而出；第二届量子计算与生命健康前沿交叉研讨会（Q4Life 2026）在深圳成功举办，六十余位专家共探量子计算与生命健康交叉融合；第八届CCF开源创新大赛MindSpore赛道圆满收官，174支战队参赛，KernelGen团队摘得一等奖；MindSpore开发者调研正式启动，诚邀广大用户参与共建。 昇思正携手开发者与生态伙伴，共筑全场景AI开源创新生态。以下是2026年8月份昇思MindSpore社区进展详细报告。 # 二、社区运作 截至8月底，MindSpore 开源社区稳健运营、生态持续扩容，始终坚守开放协作、技术普惠、共建共治的核心原则，聚焦 AI 框架技术迭代、生态协同与开发者生态建设，社区组织架构高效运转、技术贡献与活跃度双提升，筑牢 AI 开源生态的坚实底座，推动全场景 AI 框架技术与产业应用深度融合。 - 社区单位会员达 356 家，累计贡献者5.5万+； - 社区累计产生ISSUE共92.9K、PR共133.2K。 - 8月提交issue 244个，合入PR 465个； - 新增代码行数超 52万行，SIG 专项会议累计召开 5场。 # 三、社区活动 ## 01 昇腾AI + 具身智能 + 大模型，8月12日上海这场Meetup全都有 8月12日，“具身智感·算法争锋”具身机器人AI算法Meetup暨湖北工业大学具身机器人AI算法大赛（书生&昇思赛道）颁奖典礼在上海举行。活动由OpenLoong开源社区、上海人工智能实验室、华为昇腾、昇思MindSpore及湖北工业大学等联合主办。 现场为大赛获奖团队颁奖，并带来书生大模型开源体系、昇腾AI生态、Triton-Ascend算子编程新范式等硬核技术分享。活动还预热了第三季度具身机器人AI算法新赛题，持续推动昇思MindSpore在具身智能领域的生态建设与产业落地。 ## 02 第八届CCF开源创新大赛MindSpore赛道圆满收官 量子计算赛道，2026 CCF量子计算编程挑战赛“昇思杯”·第八届MindSpore Quantum黑客松圆满收官，并于Q4Life 2026研讨会举行颁奖典礼，NianhuMiao团队与奶龙团队分获双赛道特等奖； 算子生成赛道，第八届CCF开源创新大赛MindSpore赛道在重庆圆满收官，174支战队围绕“基于AI/Agent的NPU算子自动生成”展开角逐，北京智源人工智能研究院KernelGen团队摘得一等奖；此外，第二届量子计算与生命健康前沿交叉研讨会（Q4Life 2026）在深圳成功举办，六十余位专家共探交叉融合；MindSpore开发者调研正式启动，诚邀广大用户参与共建。 ## 03 MindSpore开发者调研，诚邀您参与！ 8月，昇思MindSpore社区正式启动开发者用户体验调研，诚邀广大用户与开发者参与。调研旨在持续提升系统体验、优化社区服务，设有线上问卷与1v1深度访谈两种参与方式。您的每一条反馈都将帮助社区更好地了解开发者需求，推动框架能力与生态建设持续进步。参与调研还有机会获得惊喜奖品，欢迎广大开发者踊跃参与，共同助力昇思MindSpore开源社区的发展与繁荣。 ## 04 跨越学科的“量子纠缠”！这场前沿研讨会打通量子与生命健康边界 8月，第二届量子计算与生命健康前沿交叉研讨会（Q4Life 2026）在深圳华大时空中心成功举办。会议由华大生命科学研究院主办，MindSpore Quantum SIG协办，汇聚六十余位专家，围绕量子计算产业路径、生命健康应用、容错架构等议题深度交流。 会上举行了2026 CCF量子计算编程挑战赛“昇思杯”·第八届MindSpore Quantum黑客松颁奖仪式，为双赛道优胜团队颁奖，集中展示国产量子软件生态创新成果。华为翁文康作总结，鼓励深化产学研协同。本次研讨会为量子计算走向实用化、跨学科应用凝聚了新共识，昇思社区将持续推动量子计算与生命健康交叉融合。 # 四、技术分享 ## 01 昇思MindSpore 2.10.0 版本正式发布 8月1日，昇思MindSpore 2.10.0版本正式发布，在多维度实现显著升级。优化器层面，支持Muon与通算优化，通过DP/HSDP去冗余及Newton-Schulz性能优化，实现6倍性能提升。内存管理方面，激活值重计算与Swap策略协同升级，支持动态图选择、异步Swap及独立调度，有效突破显存瓶颈，充分释放昇腾算力。编译优化上，Mfusion图算融合组件化接入Inductor，支持Ascend亲和手工融合Pass与后端感知自动融合，覆盖Transformer热点算子。 此外，新增mccI集合通信异步初始化能力，提升千卡集群启动效率。云侧推理模型列表全面扩展至100款SOTA模型，覆盖Qwen3-VL、Wan2.2等最新系列，并推出多模态推理加速插件，通过融合注意力、序列并行等技术实现端到端加速。新版本持续强化大模型训练与推理能力，为开发者提供更高效、易用的AI开发体验。 ## 02 MindSpore Lite使能具身智能（VLA）OpenPi 0.5 在300I Duo & 香橙派上高效部署实践 8月，MindSpore Lite成功实现具身智能VLA模型π0.5在Atlas 300I Duo与香橙派平台的高效部署。针对π0.5“2B骨干串行300M专家、10步迭代去噪”带来的时延挑战，通过双模型拆分与KV-cache复用、设备端零拷贝内存管理、CANN原生算子融合及GELU展开等核心技术，端到端推理时延压至270ms。这套方案为扩散类VLA模型在资源受限的边缘场景部署提供了可复用的工程化实践路径，相关教程与代码已合入MindSpore Lite社区。 五、感谢每一位朋友、开发者的支持 在此感谢社区伙伴们、可爱的小孢子们以及昇思MindSpore SIG组成员们，因为大家的共同努力及辛勤奉献，昇思MindSpore才能不断成长与发展！同时我们对可能出现的不完善之处向您表示诚挚的歉意，并衷心感谢您的理解与支持。 未来，昇思MindSpore AI框架将持续致力于打造人工智能创新之源，凝聚产业力量，扎根AI根技术，使能大模型与科学智能，成为AI创新的首选框架。 --- https://www.mindspore.cn/news/zh/2026-9-9/ --- 新闻 HyperParallel亮相PTC 2026：专为超节点打造的分布式并行组件 # HyperParallel亮相PTC 2026：专为超节点打造的分布式并行组件 2026/09/04 中国，上海，2026年9月9日 在 PyTorch Conference China 2026 大会上，华为AI框架首席技术专家苏腾发表主题演讲，介绍了专为超节点打造的分布式并行组件——HyperParallel，并由Linux基金会云与基础设施执行董事、OpenInfra Foundation执行董事兼CNCF执行董事Jonathan Bryce启动Live Demo演示，展示了HyperParallel在昇腾Atlas 800 A3风冷超节点上的卓越训练加速能力。 # 从原生支持到生态共建：昇腾与PyTorch合作迈入新阶段 首先回顾大会首日KN提到昇腾与PyTorch的生态合作已迈入新里程碑，询问昇腾新成立的Ascend for PyTorch开源社区进展，昇腾AI框架生态负责人王神迪介绍，Ascend for PyTorch社区（基于TorchNPU的中国社区）于今年5月正式成立，目前已汇聚超过1,000名贡献者，外部贡献占比超过50%，是中国发展最快的AI社区之一，社区正持续推动中国AI开发者深度参与PyTorch上游贡献。 # HyperParallel：昇腾超节点亲和，加速新模型结构和新训推范式创新 随着大模型向十万亿参数、全模态、Agent化方向演进，训推共存、Agentic RL等新训练范式持续涌现，为超节点时代的分布式训练带来全新挑战。HyperParallel深度适配昇腾超节点的内存统一编址、超大带宽、超低时延等核心特性，通过硬件感知的编排机制，将超节点视为单一逻辑计算机进行全局调度，能够显著降低并行编程与系统调优开销，同时大幅提升训练效率。 HyperParallel兼容主流模型生态，无缝对接HuggingFace、LlamaFactory等开源生态库，提供大模型分布式训练全栈能力，并集成混合精度、通信优化、显存管理和DCP，实现从单卡到超大规模分布式训练的平滑扩展。 # Live Demo演示：Qwen3-30B-A3B训练吞吐量提升超200% Jonathan Bryce现场演示了Live Demo，在昇腾Atlas 800 A3风冷超节点上使用HyperParallel+PyTorch训练Qwen3-30B-A3B模型。在相同配置下，HyperParallel-FSDP2+Muon相比PyTorch-FSDP2+Muon，在保持loss收敛一致性（即模型训练效果完全一致）的前提下，训练吞吐提升幅度超过200%。 这一性能提升主要源于HyperParallel的两大核心优化： 高性能昇腾亲和module：在保持入参、出参一致的前提下，重写优化/替换包括attention、rmsnorm、muon等模块，如muon优化器通过HSDP&DP去冗余计算，以分组调度匹配超节点层次结构，达成主流模型生态开箱即优的效果。 FSDP2零拷贝通信：支持逐参数通信，避免了分组通信带来的数据拷贝（copy in/out）开销，实现了计算与通信的高效重叠，充分发挥了超节点的高带宽优势。 # HyperParallel持续深耕技术创新，回馈PyTorch开源生态 HyperParallel会持续围绕多模态、长序列、高稀疏MoE模型等领域做深度优化，进一步支持torch compile图模式，支持好自动策略搜索、强化学习、世界模型等特性。秉持开放协作的理念，HyperParallel将持续把经过大规模生产验证的创新技术贡献给PyTorch等开源社区，与全球开发者共同推动分布式训练技术的演进。 欢迎全球开发者共同参与HyperParallel关键技术共建！ --- https://www.mindspore.cn/news/zh/2030/ --- 新闻 “紫东.太初”赋能法律服务，多模态大模型迈向“多专多能” # “紫东.太初”赋能法律服务，多模态大模型迈向“多专多能” 2022/12/15 # “紫东.太初”赋能法律服务，多模态大模型迈向“多专多能” 编者荐语： 百智诚远在“首届昇腾AI创新大赛”中，经过激烈角逐，斩获创新赛道银奖。获奖产品——“法魔方”瞄准人工智能与法律服务融合的前沿课题，得到知名互联网电子科技自媒体【Alter聊科技】的关注和报道。 日前举办的华为全联接大会2022上，中国科学院自动化研究所所长徐波在演讲中提出了一个新观点：“多模态是人工智能迈向通用化的关键一步。” 学术界并不缺少大模型的“摇旗者”，特别是风头正劲多模态大模型，不少科学家曾在公开场合背书。不过以往谈及多模态的话题时，训练难度、算力成本常常是绕不过的痛点。倘若大模型注定只有少数企业拥有的“垄断资源”，哪怕一次次刷新人工智能的测试成绩，与“通用化”始终有着不小的距离。 为何徐波所长对多模态大模型的前景如此自信？坊间已经出现了学术维度的回答，或许还有一个新的视角，即产业应用侧的摸索与实践，比如40年前就尝试使用“专家系统”辅助判决的法律服务，正在多模态大模型的赋能下焕发出新的生机。 _**01**_ **法律服务的双向痛点** 其实很多人对“人工智能”已经不再陌生，原因并非是学术界或资本层面的沸腾，而是在产业深处的应用落地。 翻开几家人工智能企业的商业计划书，应用案例多半会占据相当长的篇幅。生产线上的质检流程、工程管理中的巡检巡查、市场需求侧的数据分析，早已被人工智能渗透、改造，在效率上远远超出了传统生产模式。 **但这些机器“取代”人的场景，大多是不需要太多“思考”的重复性劳动，按照既定的算法规则就可以运行。可法律服务偏偏是非标准化的，不同案件的案由、案情、涉及的法律条文各不相同，而且结果还有着不可预见性，尤其考验从业者的经验法则、逻辑思维以及对情感的理解和处理能力。** 因为有别于其他场景的行业特征，多年来普通人难以获取优质的法律服务。 站在法律求助者的立场上，寻求法律服务的渠道非常单一，甚至一些人根本不知道去哪里寻求法律服务。即使找到了律师求助，由于自身缺少对法律服务方能力的判断标准、缺少衡量法律服务费用的客观标准，整个过程就像是在“黑箱”中一样，导致很多人在“踩坑”后不愿意再去找律师解决问题。 而法律服务者也有自己的苦衷，市场上缺少全面的案源渠道和高效的筛选机制，难以精准匹配到目标客户，一旦双方在认知上的差异太大，不仅会产生过高的沟通成本，还很难让求助者对服务感到满意。一些基层法律服务者不得不花费大量时间重复低价值的琐碎工作，无形中推高了法律服务的机会成本。 为了解决法律服务中的“双向痛点”，行业内外可谓各出机杼。 早在上世纪80年代就有人将“专家系统”应用在了法律服务中，开发出了运用严格责任、相对疏忽和损害赔偿等模型来计算责任案件赔偿标准的法律判决辅助系统。等到新一轮人工智能浪潮的崛起，法律服务也是最早被赋能的场景之一，纷纷利用算法进行法规和判例的辅助检索，试图将法律工作者从浩如烟海的案卷中解放出来，进而能够将精力集中在更加复杂的法律推理工作中。 其中不乏一些“网红”级的案例。国内也出现了形形色色的法律机器人产品…… 人工智能介入法律服务可以说是持续了几十年的夙愿，可惜在以往的案例中，人工智能的辅助价值非常有限，并未能消除已有的种种痛点。 _**02**_ **人工智能正由浅入深** 所有事物的演变都有一个由浅入深的过程，人工智能对法律服务的影响也是如此，注定是从边缘不断向法律服务的内核渗透。 把时间拨回到2021年7月份，基于昇腾AI的全球首个图文音三模态预训练模型“紫东.太初”正式发布，在武汉人工智能计算中心的算力支持下，首次实现了跨模态理解与跨模态生成能力。而“紫东.太初”多模态大模型的主导者，正是徐波担任所长的中国科学院自动化研究所。 **5个月后的2021东湖国际人工智能高峰论坛上，中国科学院自动化研究所牵头的“多模态人工智能产业联合体”成立，试图基于多模态科研成果来进行应用创新孵化及产业聚合，解决一些悬而未决的长尾问题，陆续孵化出了多个行业解决方案，其中就包括武汉百智诚远科技有限公司研发的AI法律服务产品“法魔方”。** 基于“紫东.太初”三模态大模型，百智诚远利用**昇思MindSpore** AI框架进行了AI法律服务的深入探索。 首先是数据的挖掘，汇聚了1.46亿条司法案例、1215万条法律法规、600亿条法律新闻和1亿则企业法律招投标信息，这些海量信息里不仅有结构化的数据，也有非结构化数据。由于“紫东.太初”多模态大模型采用了多层次多任务自监督预训练的学习方式，能够从大规模的无监督数据中挖掘隐含的监督信息进行训练，证明了多模态大模型的无限潜力。 以深度语义理解为例，输入“周三上午，李XX在万达停车场，偷了一辆价值5000元的电动自行车”，“紫东.太初”可以自动识别出作案时间、盗窃者、作案地点、盗窃金额、盗窃物品等有效信息，并对事件性质、危害结果、相关司法案例等进行联想，形成了综合性的知识结构。 然后是场景的匹配，通过信息感知与知识推理、行业全景知识与内在联系产生应用知识、行业专家规则机器学习强化学习等训练，百智诚远的“法魔方”沉淀出了规律发现、辅助决策等能力，能够为律师律所、法院法官、咨询机构、企事业单位等不同场景提供法律数据、媒体资讯和咨询等服务。 比如面向法院法官的产品体系中，包含了类案检索、风险评估、法律法规查询、庭审大纲生成、电子卷宗整理、裁判文书生成、量刑参考等能力，人工智能不单单是替代机械性的重复劳动，逐渐延伸到了辅助决策、自主分析等深度应用，已经在某种程度上扮演了法律服务“智能助手”的角色。 其实在2017年前后，最高人民法院与国务院就曾出台文件，提出建设智慧法院的需求，促进人工智能在证据收集、案例分析、法律文件阅读与分析中的应用，实现法院审判体系和审判能力智能化。 多模态大模型的落地应用，不但填补了法律服务行业遗留多年的“坑”，也让外界深刻认识到了多模态的价值。 _**03**_ **多模态大模型的胜利** 需要回答的另一个问题在于：为何行业中存在多年的痛点，在多模态大模型的帮助下，似乎可以很轻松地解决？ 先来复盘下以往算法模型的局限性：一是模型的功能单一，一个模型只能解决一个任务；二是模型的训练依赖于大量的样本，如果缺乏足够的样本支撑，训练也就无从谈起；三是人工智能模型的泛化能力差，不能应用于广泛的应用场景。 倘若不能摆脱“一专一能”的短板，人工智能的通用化很难实现，大模型潜力的爆发也就无从谈起。耗费海量的人力、物力去“炼”大模型，用于解决法律服务代表的长尾问题，无异于天方夜谭。 “紫东.太初”所瞄准的，正是常规大模型的局限性：通过将图像、文本、语音等不同模态数据实现跨模态的统一表征和学习，完成了从“一专一能”到“多专多能”的跨越，不仅可以实现跨模态理解，还能实现跨模态生成，做到了理解和生成两个最重要的认知能力的平衡，并首次实现了以图生音、以音来生图的功能。 有了多模态大模型还不够，想要让千行百业里的企业可以用大模型来解决问题，还需要降低大模型的应用门槛。为了打通大模型产业应用的“最后一公里”，两个组织在其中扮演了不可或缺的角色。 一个是前面提到的“多模态人工智能产业联合体”，发布了“紫东.太初”大模型开放服务平台，支持模型的小样本训练和一键微调，并开源了目前业界最大的中文多模态训练数据集“紫东.太素”。用户先在大规模宽泛无标注数据上进行基础训练，再结合行业知识通过小样本学习微调，就可以满足多种应用任务的需要。 目前已经有40多家企业在平台上孵化了近60个解决方案，涵盖智能制造、智慧城市、智慧文旅等数十个行业。 另一个是“紫东.太初”等大模型的“幕后英雄”昇腾AI，参与构建了从规划、开发到产业化的大模型全流程使能体系。 典型的例子就是昇腾AI推出的大模型开发使能平台，简化大模型开发到部署的全流程：在大模型的开发上，提供了高性能Transformer API封装；在场景化适配上提供了微调套件，目前已经应用于“紫东.太初”大模型开放服务平台；在推理部署阶段，通过大模型部署套件提供自动的剪枝、蒸馏、量化等系列工具，可以在精度基本无损的情况下，实现模型十倍级压缩比，以支持模型的轻量化部署。 **做一个总结的话，“紫东.太初”多模态大模型在产业应用中的“胜利”，所证明的不只是人工智能在法律服务中的潜力，也在潜移默化地改变外界对于大模型的态度，大模型绝不是什么军备竞赛，而是人工智能的研发范式和产业范式。** 至少就目前来看，国内对于大模型的态度正在趋于理性：中国科学技术信息研究所正在协同产业界共同规划中国人工智能大模型地图，将统筹中国大模型有序发展；继智能遥感、多模态、智能流体力学等产业联合体后，电磁智能、智慧育种等产业联合体也在规划中，大模型落地的新方法、新模式逐渐有了雏形...... _**04**_ **写在最后** 1989年上线的科幻电影《回到未来2》曾预言：到了2015年，法律系统臻于完美，律师作为一种职业已经消失。 尽管电影中的预言“落空”了，人工智能对于法律服务的改变却是不争的事实。百智诚远代表的企业正在利用AI改写法律检索、合同审核、法律咨询、案件预测、诉讼策略选择等场景的运作逻辑，不断提升法律服务行业的智能化水平。 也许多年后再来回顾法律行业的演变，AI法律服务所承载的意义还会多一个维度，即多模态大模型的崛起。 --- https://www.mindspore.cn/news/zh/2033/ --- 新闻 最新案例 | 大恒普信携手昇思推出眼健康AI智能分析系统，为眼科医疗行业数字化转型升级助力 # 最新案例 | 大恒普信携手昇思推出眼健康AI智能分析系统，为眼科医疗行业数字化转型升级助力 2022/12/16 # 最新案例 | 大恒普信携手昇思推出眼健康AI智能分析系统，为眼科医疗行业数字化转型升级助力 电子屏幕时代，人们的用眼强度不断增加，各种眼底疾病也开始广泛出现，如青光眼、病理性近视、糖尿病视网膜病变等，严重时可致盲。**其实，对大多数眼底疾病而言，如果能早发现、早治疗，就可以很好地预后，降低致盲风险。** 过去几年，眼科医学影像数据量相较过去增长了数倍，而专业眼科诊疗机构和影像医生的增长速度却严重滞后，\*\*在医疗资源相对落后的地区，眼底检查还没能完全落入常规体检项目中，\*\*导致很多人都缺乏对眼底健康的重视和自查。 大恒普信是国内第一家专注于眼科信息化的高新科技企业，有着近十年在眼底诊断领域的数据积累，并与全国数十家眼科机构都有着密切的合作。随着人工智能技术在医学影像识别方面的优势逐渐显现，大恒普信积极拥抱变革，**与昇腾携手推出眼健康AI智能分析系统。** \*\*大恒普信眼健康AI智能分析系统对常见眼底病灶识别的特异性和灵敏度均超过92%，处于业界领先地位。\*\*这有赖于在模型训练阶段投入的努力，为了使结果更加可靠，训练数据来自数十位国内顶级眼科专家的交叉标注，准确度高，覆盖面广，包含 54 种眼底病灶；**为了进一步提高敏感度，基于全场景AI框架昇思MindSpore构建了先进的深度学习网络，可对眼底图像进行像素级分析，比肉眼更早发现细微的病变。** 大恒普信眼健康AI智能分析系统与全场景AI框架昇思MindSpore完成兼容性测试 此外，该系统支持对接多种眼底照相设备，自动读取影像数据。同时它支持对接体检系统，自动获取检查用户信息，并结合眼底诊断输出高质量的眼底报告。此外，该系统还提供专业的培训和运维服务，帮助体检机构和医疗机构建立眼底检查项目，且诊断过程全流程自动化，无需增加额外的人力投入。如，山东德州某体检中心在引入大恒普信眼健康AI智能分析解决方案后，一周时间内就建立了眼科体检项目，日平均使用超50人次，已为约5%的使用者筛查出眼底病变⻛险，帮助他们提前进行医疗干预，实现眼底疾病的早筛、早诊、早治疗。 昇腾AI产业的发展进入全面升级的新阶段，华为将携手合作伙伴，凝聚各方智慧，不断突破向上，与生态伙伴共成长，以人工智能技术带动数字经济腾飞，使能千行百业智能化升级，共同推进中国人工智能产业的发展。 **关于大恒普信** 北京大恒普信医疗技术有限公司，是上市公司大恒新纪元科技股份有限公司的下属子公司，是国内第一家专注于眼科信息化的高新科技企业，致力于提供眼科医联体平台解决方案和基于眼科大数据技术的人工智能辅助诊断等新的诊疗技术，不断提高眼科医疗服务效率，推动智慧医疗进步，引领眼科信息化升级。 --- https://www.mindspore.cn/news/zh/2034/ --- 新闻 加入社区 | 星测未来加入昇思MindSpore开源社区，助力卫星领域智能化升级！ # 加入社区 | 星测未来加入昇思MindSpore开源社区，助力卫星领域智能化升级！ 2022/12/16 # 加入社区 | 星测未来加入昇思MindSpore开源社区，助力卫星领域智能化升级！ 近日，**星测未来科技（北京）有限责任公司签署CCLA（Corporate Contributor License Agreement，企业贡献者许可协议书），正式加入昇思MindSpore开源社区。** **星测未来**\*\*&昇思MindSpore\*\* 2022年10月，星测未来CEO仓基荣参与昇思MindSpore开源社区举办的【MSG企业行·遥感卫星】线上交流活动，与武汉大学、国家农业信息化工程技术研究中心、中国矿业大学、航天宏图、品览等多位行业专家深入交流与分享，共同探索基于人工智能的卫星遥感应用体系！ 近日，星测未来签署企业贡献者许可协议书，正式加入昇思MindSpore开源社区，助力遥感领域轻量化智能计算平台的生态构建！ 星测未来加入开源社区后，将**基于昇思MindSpore全场景AI框架，在通用高性能算力平台，轻量化AI算法，软硬件协同加速等方面进行深度实践与探索，助力卫星的智能化升级与产业变革。** 未来，星测未来将进一步繁荣昇思生态，赋能通信、导航、遥感、试验卫星全产业链，与更多的昇思社区伙伴一起，共同推进载荷标准化与卫星智能化的发展，构建繁荣的人工智能产业生态圈。 **星测未来科技（北京）有限责任公司** **星测未来科技（北京）有限责任公司**（简称“星测未来”），以“卫星推动世界进步”为使命，以高性能星载边缘计算能力为驱动，提供全流程的星上智能应用服务解决方案。依托低成本的天地一体化元器件筛选体系，持续迭代领先的高性能、低功耗、全流程在轨智能服务能力，赋能通信、导航、遥感、试验卫星全产业链，助力卫星的智能化升级与产业变革。 **星测未来**的产品包括星测系列一站式太空实验解决方案、星溪系列高性能天基计算智能载荷、海月系列天基计算仿真平台、星海系列智能卫星实时服务等，可应用于空间天文探测、太空辐照测试、星座智能化运营、待上星软硬件地面测试以及大宗商品追踪、应急救灾、地区安全监测等场景，通过在轨实时处理，将价值第一时间触达客户。 星测未来拥有多次全流程的载荷成功在轨经验，积累了丰富的航天业务能力，已目前已为多家高校及科研院所提供载荷研制与在轨测试服务，并与多家头部卫星厂商签订了战略合作协议，共同推进载荷标准化与卫星智能化的发展。 目前团队已有7颗载荷成功在轨经验，平稳运行半年到四年，各自按计划成功完成科学探测、AI压缩及在轨AI目标识别等算法验证。未来半年已确认待发射载荷7颗，将进一步验证天基计算智能载荷开放平台的在轨可靠性，推动光学和SAR遥感卫星的在轨实时服务落地。 **昇思MindSpore** 昇思MindSpore是华为开源的新一代全场景AI框架，支持端、边、云全场景灵活部署，开创全新的AI编程范式，降低AI开发门槛，旨在实现开发友好、运行高效、部署灵活三大目标，同时着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。同时，昇思在致力于大规模自动并行、科学计算支持等特性优化之外，还着力打造学习型社区环境，希望凝聚开发者力量共建社区，与开发者共同学习和成长。 我们诚邀各企业、高校及科研院所加入昇思MindSpore开源社区，成为社区合作伙伴，与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态。 更多合作需求 请扫码添加企业助手进行咨询 --- https://www.mindspore.cn/news/zh/2036/ --- 新闻 最新案例 | 当中医遇上AI，贝叶斯携手昇思打造AI舌诊联合方案 # 最新案例 | 当中医遇上AI，贝叶斯携手昇思打造AI舌诊联合方案 2022/12/19 # 最新案例 | 当中医遇上AI，贝叶斯携手昇思打造AI舌诊联合方案 **中医的困局** 中医迄今已有数千年历史，是老祖宗留给我们最宝贵的财富之一。然而，随着近代医学技术的发展，与声势浩大的西医相比，中医逐渐失势。 近年来，人口老龄化导致慢性病发病率持续增高。国家层面出台《健康中国行动（2019—2030 年）》，提出在定位上，从以“疾病”为中心向以“健康”为中心转变；在策略上，从注重“治已病”向注重“治未病”转变。 \*\*中医诊治靠的是望闻问切、斧标治本，其在慢性病治疗方面的优势正可以弥补西医的不足。\*\*因此，如果能将中医体系化推进，解决中医诊疗体系缺少理论支撑、缺少公开的疗效评价机制等痛点，中医或许就能找到一条破局之路。 **AI，能否成为中医的破局之法？** 中医更多的是用体系化的东西对人进行观察，注重身体信息之间的关联性。人工智能的逻辑和中医很类似，相关性大于因果逻辑性。所以人工智能的底层逻辑和中医的基础属性之间或许可以碰撞出不一样的火花。 \*\*北京贝叶斯健康科技有限公司于2016年成立，致力于打造中医人工智能为核心的健康产业赋能平台。\*\*其核心竞争力是中医人工智能大脑及大健康产业链服务能力，以中医客观化，智能化，数字化，产业化为目标，把中医与科技结合，服务大健康产业。 **AI中医，推进大健康产业发展** 融合贝叶斯的行业经验与昇腾AI的技术能力，贝叶斯的\*\*AI舌诊联合方案与华为Atlas 800 训练服务器和全场景AI框架昇思MindSpore完成兼容性测试。\*\*该方案依托河北人工智能中心，以海量的舌象大数据为基础，结合机器学习、深度学习的神经网络算法，对舌象特征进行精准的检测与识别、多维度的定量化分析，充分发挥中医“治未病”的特点，为大众提供中医健康状态辨识、个性化调理方案与名医咨询服务，致力于打造“大健康+人工智能+新零售”的健康服务新生态。 \*\*贝叶斯AI舌诊解决方案把中医舌诊和AI人工智能相结合。\*\*用户舌照采集后，系统根据舌象特征、问诊数据，结合咨询者的年龄、性别、既往病史等信息进行智能分析。几秒钟便可获得舌诊报告，系统通过中医舌诊数据库分析得出用户的中医体质与健康状况，比如、舌象、舌苔、舌质、舌形，即时智能反馈中医养生的正确合理建议，推送个性化中医调理建议与饮食建议。为用户定制专业化、个性化健康指导建议。为医生提供更为精确和客观的诊断分析工具。 舌诊识别结果展示 \*\*该方案已在北京、山东、浙江、广西、安徽等全国多省市完成落地，备受业界好评。此外，贝叶斯还与中医院、高校等建立了广泛的合作，助力开展舌象与病种关系研究。\*\*如广西中西药大学第一附属医院，借助舌象与病种关系研究系统开展了舌象与肺癌、舌象与心脑血管疾病等相关课题。 人工智能“倒逼”中医学科发展，促进中医变革。昇思MindSpore将紧密联合贝叶斯等产业伙伴，持续推动创新根技术的应用及产业生态构建，加速打通AI落地各行各业的“最后一公里”，为人工智能产业提供源源不断的动力。 **昇思MindSpore** 昇思MindSpore是华为开源的新一代全场景AI框架，支持端、边、云全场景灵活部署，开创全新的AI编程范式，降低AI开发门槛，旨在实现开发友好、运行高效、部署灵活三大目标，同时着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。同时，昇思在致力于大规模自动并行、科学计算支持等特性优化之外，还着力打造学习型社区环境，希望凝聚开发者力量共建社区，与开发者共同学习和成长。 --- https://www.mindspore.cn/news/zh/2053/ --- 新闻 一图读懂《迈向智能世界》计算白皮书 # 一图读懂《迈向智能世界》计算白皮书 2022/12/21 # 一图读懂《迈向智能世界》计算白皮书 华为已正式上线\*\*《迈向智能世界》\*\*计算白皮书，计算白皮书指出，数字经济已经成为全球经济增长的主引擎，数字经济的快速发展，为数字化、智能化带来巨大的发展机遇。为此，华为提出了六大发展趋势和行动建议，聚焦计算产业根技术创新，持续升级鲲鹏、昇腾AI基础软硬件平台，繁荣产业生态。 --- https://www.mindspore.cn/news/zh/2054/ --- 新闻 最新案例 | 基于MindSpore的城市变化遥感监测平台 # 最新案例 | 基于MindSpore的城市变化遥感监测平台 2022/12/21 # 最新案例 | 基于MindSpore的城市变化遥感监测平台 随着全球城市化的加速，城市发展所引起的系列问题日趋突出，这些问题已成为当今世界所面临的人口、资源与环境三大问题中的重要内容，并且严重地阻碍了城市的进一步可持续发展。而传统的陈旧的信息获取手段及过时的信息数据只会使得任何的管理和规划都成为城市健康发展的制约因素。因此，运用新的信息获取手段和实时的信息数据对城市进行合理的规划和管理已势在必行。 面对这样一个日新月异更趋复杂的问题，**湖北航天宏图信息技术股份有限公司**（以下简称“航天宏图”）联合**武汉人工智能计算中心**打造的**基于昇思MindSpore的城市变化遥感监测平台**，构建多种业务化服务模式，将遥感技术应用到城市治理的实质性日常业务体系中，在私挖盗采监测、垃圾堆占监测、违法建筑监测等领域提供面向城市治理精准分析、整体研判、协同指挥、 科学治理的整体解决方案和SaaS应用服务，促进政务管理“决策科学化”、“治理精准化”、“服务高效化”。 **城市变化遥感监测平台x昇思MindSpore** 2022年9月，在武汉人工智能计算中心的支持下，基于昇腾AI基础软硬件平台，航天宏图的“城市变化遥感监测平台”\*\*完成与华为Atlas800的硬件和全场景AI框架昇思MindSpore的兼容性测试。\*\*该平台通过数据、算力、算法三个维度推动国产化城市变化监测解决方案的推广和落地，具有效率高、覆盖灵活多变等特点，利用人工智能等前沿技术，满足城市的大范围、高频次、业务化的监测需求。 **城市变化遥感监测平台三大优势** **效率快** 在数据方面，构建了智能数据管理和标注系统，对海量遥感数据进行全链路组织和管理，同时通过人工和模型动态循环标注的方式来大大提升样本标注效率。 **算法多样** 在算法方面，集成了多种先进的智能解译算法如 ChangeStar,ChangeFormer,DDPM-CD。 **性能高** 在算力方面，结合华为全栈的昇腾AI软硬件平台，借助极简易用的**昇思MindSpore AI框架**发挥Atlas硬件的极致性能。 **城市变化遥感监测平台的应用** 城市变化遥感监测平台已经在城市监测中得到广泛应用。例如，2019年国土调查矢量和2020年2月份GF-2卫星采集的0.8m分辨率、3波段融合影像耕地保护解决方案中，其工作区域为完整县域，面积约750km平方 ,由六景GF-2数据组成。土地利用类型有耕地、园地、水域、建设用地和其他用地使用OCNN方法进行耕地变化检测。 同时在2016-2021年6景GF-2卫星采集的某区300平方公里0.8m分辨城市监测方案中得到应用，主要土地变化类型新建、拆除、改建建筑、新增推土类型。实现了统计单元图斑召回率98%以上，统计单元像素利用Pytorch、MindSpore、Luojiaset 召回率均超过91%以上。 值得一提的是，航天宏图的城市变化遥感监测平台在2022年昇腾AI创新大赛湖北赛区的众多参赛产品中脱颖而出，斩获行业赛题金奖。 展望未来，武汉人工智能计算中心将继续携手航天宏图组建智能遥感开源生态，依托各自的优势展开全方位深度合作，实现优势互补。围绕昇腾产业布局进行紧密配合，助力各行业、各领域的数字化进程和产业优化升级。 **关于湖北航天宏图信息技术股份有限公司** 航天宏图信息技术股份有限公司是国内领先的卫星运营与应用服务提供商，是科创板首批上市企业。公司研发了具有完全自主知识产权的遥感软件PIE（Pixel Information Expert），拥有国内首个遥感云服务平台PIE-Engine，实现遥感基础软件的自主创新，基于自有基础软件平台和核心技术，承担和参与了一系列国家重大战略工程。服务自然资源、生态环境、应急管理、气象、海洋、水利等多个行业部门。 --- https://www.mindspore.cn/news/zh/2055/ --- 新闻 昇思超级英雄榜 | 第四季度38位开发者入选国内首个AI开源社区开发者进阶榜单 # 昇思超级英雄榜 | 第四季度38位开发者入选国内首个AI开源社区开发者进阶榜单 2022/12/21 # 昇思超级英雄榜 | 第四季度38位开发者入选国内首个AI开源社区开发者进阶榜单 在技术领域，隔行如隔山，做框架开发的不一定知道做算法模型的难点，做算法模型的不一定知道做底层系统的痛点，做底层系统的不一定知道做高性能计算的突破点在哪儿。 如果有开发者，能够将自己所在的领域，用通俗易懂的语言给大家科普，用直观的数据让大家判断性能的高低，用简洁的代码实现简单好用的工具方便大家用，这正是一个开源社区的魅力所在。因此我们一直坚信，是大量这样的开发者，而不是少数所谓大神和牛人，真正建设了一个优秀的开源社区。 **昇思MindSpore从诞生之初，就致力于打造一个属于开发者自己的开源社区。基于此，昇思MindSpore发布了国内首个AI开源社区的认证开发者体系。** 2022年第四季度，昇思MindSpore共认证**7\*\*\*\*位布道师、14位资深开发者、17位优秀开发者**。多位开发者**参与了昇思MindSpore各领域的开发，更有昇思MindSpore专家委员会成员、SIG组Maintainer等开发者**，期待各位开发者在昇思MindSpore获得更多的技术提升，为开源社区持续贡献力量。 截止目前，**昇思MindSpore社区共377位开发者认证各级别MindSpore优秀开发者/布道师，其中343位为非华为的社区贡献者。** 本文为布道师与资深开发者公示,以下排名不分先后。 **昇思MindSpore布道师** **项目：** 1、参与了DenseNet，PDarts, FishNet, OSVOS, EfficientV2-S, autodis, mmoe, bit, Ultra-Fast-Lane-Detection等模型的迁移复现、GPU或昇腾的适配，代码均开源至models仓库、启智社区或华为云AI gallery上。 2、开发实现昇思MindSpore模型在昇腾310环境的高效推理部署，有retinaface的人脸检测，yolov4的宠物识别等等；使用mslite的移动端猫狗检测案例；并尝试了retinaface人脸检测在CPU环境的部署，部署于昇思大模型平台上：https://xihe.mindspore.cn/projects/zhouyifengCode/retinaface\\\_resnet50 **项目：** 开发了《MindSpore框架基础实践》、《MindSpore深度学习原理与实现》、《脑PET图像分析和疾病预测（MindSpore）》、《基于深度学习的疫情期间网民情绪识别（MindSpore）》等基于昇思MindSpore框架的系列课程和应用案例。该系列课程已成功应用于全国性高校师资培训，促进了昇思MindSpore框架进入到全国各大高校教学活动中去。 **项目：** 基于昇思MindSpore撰写《Scalable k-Nearest Neighbor Algorithms based on Learned Functions》并投递PAKDD。 **项目：** 1、基于昇思MindSpore的云南特色菌植识别系统——野生菌识别：集野生菌识别，介绍，交流为一体的系统，使用手机摄像拍照识别，从而了解该野生菌的 名字，产地，食用方法。自动并行实现通信开销最小，融合数据并行与模型并行。 2、智慧昆明数字分析大屏系统，应用在电脑+手机移动端，端边云协同，依托华为云服务相互协作完成的特殊功能监控大屏应用，实现了共性ICT基础能力的有序融合，用服务的模式向上层智慧应用提供各种基础能力使用昇思MindSpore构建AI中台进行模型预测分析安全可靠实现全栈协同加速，在训练中利用二阶计算修正梯度更新方向，找到训练梯度最优下降路径，大大缩短训练收敛过程loT超轻量运行。 3、智能温度管家，一个体温数据采集、分析、整合的管理平台。 以上三个项目均已申请软著。 **项目：** 通过提供面向昇思MindSpore开发者学习和使用的智能机器人服务，接受用户问题查询，自动帮助开发者找到问题答案，覆盖80%以上常见问题，提升社区开发者体验，提升用户满意度。 https://gitee.com/msu-sig/robot **项目：** 基于昇思MindSpore框架输出多篇技术文章，并建立昇思MindSpore CSDN社区 - MindSpore Hub 链接：http://t.csdn.cn/AZiXr - MindSpore框架中保存加载模型 链接：http://t.csdn.cn/Fm8aV - MindSpore网络构建 链接：http://t.csdn.cn/zzUnP - MindSpore-训练模型 链接：http://t.csdn.cn/PyahH - MindSpore初学者保姆级上手 链接：http://t.csdn.cn/6JwzF **项目：** 通过昇思MindSpore实现深度哈希、长尾等相关论文，介绍及代码开源 https://github.com/aassxun/MindSpore\\\_Paperwithcode **昇思MindSpore资深开发者** **项目：** 1、【算子开发】完成EditDistance算子的CPU平台开发：https://gitee.com/mindspore/mindspore/pulls/40242 2、【静态图优化】拓展静态图模式下字典Key对Tensor等更多类型的支持： https://gitee.com/mindspore/mindspore/pulls/44361 3、【书籍检视】《机器学习系统：设计与实现》内容typo修订： https://github.com/openmlsys/openmlsys-zh/pull/225 **项目：** 完成DPTNet模型（端到端的语音分离网络模型）迁移，以及迁移完成后的910和310推理。 https://gitee.com/robertfan666/models/tree/master/research/audio/dptnet **项目：** 使用昇思MindSpore框架实现Conv-Tasnet语音分离模型的复现，910推理精度达标，并且开创性的完成了语音模型的310推理，目前已合并至仓库。 https://github.com/xiaolianggeitazgh/Conv-Tasnet **项目：** 1、完成实例分割模型Yolact++迁移 https://gitee.com/mindspore/models/tree/master/research/cv/Yolact++ 2、完成语音分离模型TasNet迁移 https://github.com/SsssSunhy/Tasnet-Mindspore-on-Librimix **项目：** 完成GDPRNN模型迁移 https://gitee.com/mindspore/models/pulls/3591 **项目：** 完成GSCNN模型迁移，确保模型精度和性能超过或者等同于PyTorch，并完成310模型推理。 https://gitee.com/lu-xinghe/models/tree/master/research/cv/gscnn **项目：** 完成RBPN模型迁移任务，并在昇思MindSpore框架下实现RBPN模型任务并能够达标精度和性能。 https://toscode.gitee.com/mindspore/models/tree/master/research/cv/rbpn **项目：** 1、解读论文《Privacy Threats Analysis to Secure Federated Learning》，并在昇思MindSpore上使用差分隐私优化器训练神经网络模型，尝试模型开发。 2、本科毕业设计在昇思MindSpore框架上基于预训练模型实现中文对话系统。 **项目：** 完成了DPRNN语音分离网络模型的迁移，并高质量完成了910和310推理的交付。 https://gitee.com/rongannn/models/tree/master/research/audio/dprnn **项目：** 完成MindSpore Text项目中的LUKE模型迁移。 https://mp.weixin.qq.com/s/\\\_Hs-RqAY8fSx9Zsdk5TGjA **项目：** 1、参加了Trusted AI SIG中的人脸识别模型鲁棒性调研工作，完成了基于昇思MindSpore框架对人脸识别模型的物理对抗攻击，通过生成对抗口罩，使人脸佩戴后实现有目标攻击和非目标攻击。https://gitee.com/mindspore/community/issues/I557F6 2、参加了易用性SIG中TroubleShooter—输出昇思MindSpore报错案例。将报错原因的过程，以及解决报错的方法进行总结。 https://gitee.com/mindspore/community/issues/I55JQY **项目：** 1、完成图模式下支持dict的一些成员函数方法：clear，has\_key，fromkeys ，update等。 2、完成图模式下支持list的一些成员函数方法：clear，reverse，extend，count等。 **项目：** 1、完成MindSpore Insight页面可视化开发任务：该任务主要参与开发GPU动态图训练场景下的算子展示页面，包括完成算子时间信息展示，时间线信息展示、迭代轨迹展示等功能。 2、完成基于SPDX-AIBOM模板数据集成任务：该任务主要参与基于SPDX-AIBOM格式采集数据集的元数据信息，并开发数据集审核助手工具。 **项目：** 1、基于webview的前端界面，适配不同的分辨率，使用http接口与智能机器人服务器通信，动态实现对话效果并将web页面接入IDE，如PyCharm、VSCode。 2、根据数据集描述模板，采集数据集元数据信息，并集成到羲和平台。总结提取过程机制，满足可复用性。 --- https://www.mindspore.cn/news/zh/2056/ --- 新闻 最新案例 | 基于MindSpore打造的司法创新产品——“法魔方” # 最新案例 | 基于MindSpore打造的司法创新产品——“法魔方” 2022/12/22 # 最新案例 | 基于MindSpore打造的司法创新产品——“法魔方” 随着国民法律意识越来越强，维权渠道越来越广，法律市场中的法律服务需求也不断增加。虽然法律从业人数也在逐年增加，但是如律师资源匮乏，供需双方信息不对称、服务成本高、工作难量化等痛点亟需解决。尤其是对普通大众来说，律师工作量难以界定，甚至存在“请律师容易被坑”的错误认知。 面对这样一个需求量大、专业度高的领域，多年深耕智慧法院建设的法律认知智能技术服务商——**武汉百智诚远科技有限公司**联合**武汉人工智能计算中心**、**武汉人工智能研究院**，基于**华为昇腾AI软硬件平台能力打造的司法创新产品**——【**法魔方**】，能基于具体事件量身定制法律服务，给予简单易懂的法律知识和实操建议，【法魔方】目前已围绕法律服务全生命周期构建出丰富的产品矩阵，服务法官法院、律师律所、社会治理等。 **法魔方X昇思MindSpore** 2022年6月，在武汉人工智能计算中心的技术支持下，基于昇腾AI基础软硬件平台，百智诚远的“法魔方产品联合解决方案”完成与华为Atlas800的硬件和**全场景AI框架昇思MindSpore**的兼容性测试。该方案具有数据提升、成本降低的特点，利用人工智能等前沿技术，提高法律业务处理能力，提供专业、智能和场景化服务。 “法魔方收集法律相关数据，包括司法案例、法律法规、行政处罚、检察文书等，由于涉及到的数据量庞大，需要进行大规模训练和科学计算，使用**昇思MindSpore**人工智能框架不仅能降低了开发门槛，还大幅度减少了核心代码量。同时基于昇腾Atlas800的硬件进行内网部署很好的实现了隐私保护，保障模型数据安全可信。”法魔方研发负责人表示。 **“法魔方产品联合解决方案”** **具备如下三大优势：** **01 缩减功耗** 在相同的情况下，精度损失在0.5%以内，模型参数量下降超过50%，降低核心代码量20%，带来50%以上的部署功耗缩减和2倍以上的推理性能收益。 **02 模型压缩** 算法模型4bit权重量化后的模型大小缩减为原来的八分之一，但top1精度没有损失，1bit权重量化的精度损失在0.6%以内，此时可获得32倍的模型压缩效果。 **03 训练加速** 以昇思MindSpore全场景AI框架作为后端，昇思MindSpore Graph Learning能使GNN网络训练获得3到4倍的性能加速。 **法魔方X“紫东·太初”** 在武汉人工智能计算中心的牵引下，百智诚远2022年9月加入“多模态人工智能产业联合体”，并与武汉人工智能研究院展开项目合作，将**法魔方**与\*\*“紫东·太初”多模态大模型\*\*深度融合，在法魔方对收集的法律相关数据进行融合处理，抽取实体、属性、关系后，由多模态大模型紫东·太初进行深度语义理解，帮助用户通过简单的文字描述、或语音输入、或上传诉状等方式，快速检索所需法律知识。相较以往，一个从业多年经验的律师需要花费至少10分钟的时间查阅相关法律法规、司法解释并结合以往诉讼经验才能给出有一定实用性的解纷策略。而紫东·太初大模型仅用时0.546秒就可以完成知识图谱生成并给出解纷策略和行动指导。 值得一提的是，**法魔方**在**2022年昇腾AI创新大赛湖北赛区**的众多参赛产品中脱颖而出，斩获大模型**创新赛题银奖**。 “**法魔方**”目前在已经在400＋人民法院落地，并陆续覆盖多家检察院、律师协会、律所、科研院所，服务司法从业人员智能检索案例、精准推荐相关法规、分析及监控企业司法风险以及自动检测律师律所质效信息等，在重要的司法程序中为参与人提供全面准确的法律依据和说明。实现让法律大数据助力理性决策，用法律知识图谱辅助司法事务。 展望未来，昇思MindSpore将继续携手百智诚远，为全法律生态圈提供基于数据和知识双驱动的法律数据认知智能服务。 **关于武汉百智诚远科技有限公司** 武汉百智诚远科技有限公司致力于为客户提供以人工智能、云计算、大数据、互联网+等技术为核心的综合性IT解决方案和服务，目前公司智慧法院行业解决方案已经在400+家法院落地。持续深耕智慧法院建设，公司先后成为湖北省高新技术企业、光谷明日之星；并成为华中科技大学人工智能研发合作企业。在取得以上荣誉的同时，公司注重品牌建设，坚持以科技回报社会，以客户为中心，创造长期价值。 --- https://www.mindspore.cn/news/zh/2057/ --- 新闻 “互联网+”获奖项目专访 | 国产CT影像自动标注辅助诊断研究分享 # “互联网+”获奖项目专访 | 国产CT影像自动标注辅助诊断研究分享 2022/12/22 # “互联网+”获奖项目专访 | 国产CT影像自动标注辅助诊断研究分享 在本届“互联网+”创新创业大赛中 昇思MindSpore光影云医团队荣获全国总决赛银奖 本期有幸邀请到 团队负责人王佳舜和指导老师杨云进行采访 一起来看看夺奖背后的故事吧 **PART ONE** **团队介绍** **光影云医\*\*\*\*团队** **1\. 项目成员** 王佳舜、王耀威、郭竞、刘博、汪瑞斌、宋明远、阳芷、华鹏举、麦嘉成、常相超、张佳佳、杨鹏、肖亮、王晶晶、张孜妍 **2\. 指导老师** 杨云 **3\. 学校** 云南大学 **4\. 团队简介** 我们是云南大学光影云医团队，团队由软件、信息、医学、商务、法律等专业的学生组成。我是团队负责人王佳舜，目前是云南大学软件工程重点实验室的一名研二学生，负责项目的技术、管理和维护。 **PART TWO** **项目访谈** **项目名称** 光影云医-基于昇思MindSpore的智慧医疗创新解决方案 **获奖情况** 2022第八届中国“互联网+”大学生创新创业大赛 全国总决赛银奖 **Q1** **为什么选择这个赛题？** 我们团队其实很早就开始做智慧医疗相关的研究，像CT影像的分割和分类，数字病理图像等，也在之前就开始跟医院合作一些项目。在今年年初的时候我们就打算做模型迁移，把我们项目的核心技术国产化。后来也是正好看到华为发布的这个赛题，我们这个项目跟赛题契合度很高，于是选择了这个赛题。 **Q2** **请详细介绍一下参赛的项目。** 光影云医是一个解决云南省等边疆地区医疗资源不平衡、医疗资源匮乏、数据孤岛问题的解决方案，它可以辅助医生进行CT肺部诊断，快速对一张肺部CT影像中高概率病灶区域进行自动标注，计算大小并给出严重程度的判断给到医生，加速医生的诊断效率，提高诊断的准确度。 同时提供了搭载辅助诊断的远程协同诊断，以及医疗大数据管理平台，现在已经在云南省六家三甲医院投入试用了，也取得了不错的反馈。 **Q3** ****请****介绍一下项目核心创新点在哪？\*\*\*\* 我们考虑到以往的人工智能算法应用落地都是通过静态部署的方式，部署之后算法就不再进行学习，我们项目在使用的过程当中观察到，辅助医生对影像标注后医生会对标注的结果进行验证，如果有错误医生会进行修改，这就产生了新的金标准数据。于是我们引入了终身学习的学习机制，经过大量的实验，现在我们的模型部署后能够持续的学习，像医生一样不断的进步。 **Q\*\*\*\*4** **项目遇到的难点、痛点是如何解决的？** 在项目推进过程中遇到的难点痛点我们一般是通过团队成员分别调研去请教专业的老师，然后集中讨论，头脑风暴。在技术上我们经验不足的地方，我们会去请教导师以及华为的技术工程师，然后不断沟通不断尝试可行的方案解决的。可能我们在经验上有局限性，但是我们身边有很多的资源，我觉得最主要的就是多沟通，多进行思想上的碰撞，问题一定是有解的。 **Q5** ****请问你们****项目未来的应用场景是如何的？\*\*\*\* 我们主要是希望能够将这个项目推广到边疆医疗不发达地区，去帮助到那些看病难，看病麻烦的地方能够享受到优质的医疗资源。我们身处在云南的大地上，而云南省是肺癌的高发区域，所以我们现阶段的目标就是针对肺癌的早筛和进一步的病理图像的辅助诊断上。未来，我们会在医疗影像上去发展，包括病理图像、核磁共振成像等等，扩展到多病种多数据的辅助诊断上。 **Q6 请\*\*\*\*说一说使用昇思MindSpore的体验。** 我们最早使用的是Pytorch，刚接触昇思MindSpore很快就能够上手了，主要是API的名称有点差异，但昇思MindSpore的命名方式更好理解一些。 而且昇思MindSpore的社区特别活跃，一般遇到问题后很快就能找到解决的方案，发布帖子也很快能够得到回应，体验真的很好。最主要的就是昇思MindSpore支持模型静态图动态图的快速切换，非常方便我们代码编写和快速部署，推理速度也非常快。 技术是用来解决问题的工具，工具当然是越好用越让人喜欢，昇思MindSpore在易用性这方面做的非常好，同时昇思MindSpore也肩负着国家信创产业在AI领域的战略布局的重任，我期望昇思MindSpore能够越做越好，让国产信创遍及全中国进一步推向国际上。 **Q7** **在参与**“**互联网+”比赛中有什么收获和经验？** 在科研中产出的成果进行实际落地中肯定是会遇到很多的问题，在这种发现问题并解决问题，将自己学到的知识应用到解决实际问题的过程当中对我们学生的锻炼就是我们最宝贵的收获。经验就是，做项目上一定要多沟通，遇到问题多请教老师学长，千万避免闭门造车，不要害怕困难，尽全力去做吧。 **PART THREE** **导师访谈** **杨云** \*\*杨云，\*\*云南大学软件学院副院长，教授，博士生导师，中国计算机学会高级会员，入选云南省“海外高层次人才引进计划”，云南省“中青年学术和技术带头人”，云南省“杰青”，云南大学“东陆学者”支持计划，云南大学“青年英才计划”。 担任中国计算机学会人工智能与模式识别专委会执行委员，担任中国信息经济学会理事，全国高校人工智能与大数据创新联盟理事，云南省计算机学会理事，建设“数字云南”专家组组长，云南省软件工程重点实验室主任，云南省高校数据科学与智能计算重点实验室主任，昆明市数据科学与智能计算重点实验室主任。 2018年获“云南省自然科学奖”二等奖1项（排名第二），2019年获“全国高校人工智能与大数据学术创新奖”1项（排名第一），2021年获“云南省自然科学奖”二等奖1项（排名第一），2022年获中国侨联第九届“侨界贡献奖”二等奖1项（排名第一，云南省唯一）。 **Q1** **请老师谈谈陪伴学生参加本次比赛获得佳绩的心路历程。** 一直以来我都鼓励学生们参加各种高水平比赛，希望通过比赛来培养学生的综合能力。在比赛中，对学生的技术指导只是一方面，更重要的是给学生一个思维意识的导向。 对我来说，比赛名次不是很重要，当然，得到一个好名次是一件好事，但是更加重要的是通过比赛来促进学生思想道德、专业技能、身心健康的全面成长。未来，我们会继续借助“互联网+”大赛这个平台，持续推进教学改革，培养更多的高素质技术技能人才。 **Q2** **老师有什么想对自己学生说的？** “互联网+”大赛给同学们提供了一个锻炼自我，展示自我，成就自我的平台，这一次比赛经历已让你们一生难忘，虽有遗憾没能摘金，但我觉得这会更加激励你们追求辉煌的明天！同学们人生是一场长跑比赛，望你们再接再厉，在人生的道路上勇往直前。 --- https://www.mindspore.cn/news/zh/2061/ --- 新闻 加入昇思MindSpore Graph Learning SIG，共同打造高效易用的图学习库 # 加入昇思MindSpore Graph Learning SIG，共同打造高效易用的图学习库 2022/12/23 # 加入昇思MindSpore Graph Learning SIG，共同打造高效易用的图学习库 由于图数据结构的强大表现力，用机器学习分析图越来越受到重视，成为各大AI顶会的研究热点。近年来，图机器学习应用于网络数据分析、推荐系统、分子计算、知识图谱和组合优化都取得了新的突破。在推荐场景，图学习被用于高效表征实时交互数据，引领了实时流推荐模式发展；在药物发现场景，图学习成为药物分子表征的基础模型；在芯片设计场景，Google已证明应用GNN建模芯片网表图可实现晶片单元的优化布置。这些案例都证明了图学习方法的有效性和潜在价值。 不同于CV和NLP领域深度学习框架和领域库发展趋于成熟，图学习领域尚未有一个稳定易用的模型库或社区，使算法研究者能快速实验算法，使应用开发者能高效训练和部署模型。 因此，类比transfomer方法的领域库Huggingface，构建开放、易用和高效的图学习库有利于促进图学习研究的蓬勃发展和图学习方法应用于其他领域的创新突破。为此，昇思Graph Learning专项兴趣小组(简称：Graph Learning SIG)正式成立，并面向开源社区招募志同道合的伙伴。 1 **Graph Learning SIG\*\*\*\*使命** 聚焦于图计算、图学习方向的最新技术和应用，探索表达力更强的图学习模型，构建使用简单、计算高效的图学习框架，将图学习方法应用于实际场景取得更好的效果。 小组的重点工作包括以下几个方向： **01、图学习模型库构建** 基于昇思MindSpore实现图学习各方向前沿算法模型，包含但不限于随机游走、 知识图谱、图神经网络、双曲图神经网络、时序图神经网络、Graphormer等。 **02、图计算框架优化** 不同于结构数据的计算，图计算具有数据局部性差，高传输计算比，数据依赖复杂等特点，对计算资源和内存占用需求高。这一特点在大规模图分布式计算、异构图学习模型和时序图学习场景尤为突出，针对这些场景的数据结构，计算实现，编译优化基于昇思MindSpore提出更高效的解决方案。 易用性方面，充分发挥图数据的逻辑可解释性，通过可视化工具分析图模型训练全流程，进一步指导用户调试调优图模型或数据处理。 **03、场景领域包** 近年来，图学习在推荐、分子计算、知识图谱、自动驾驶等场景应用取得不少进展，进一步需要针对各场景包含但不限于推荐、分子计算、知识图谱等构建通用数据集，提炼常用模块接口，实现SOTA模型， 使后继研究者或应用者能在此基础上快速开展工作，构建一个开放，蓬勃发展的社区。 2 **Graph Learning 成果** MindSpore Graph Learning由香港中文大学的James Cheng教授团队和华为昇思MindSpore团队基于昇思MindSpore共同构建的图学习框架，尝试从易用性，高性能的角度寻求突破，创新性地提出了以点为中心的编程范式和针对图学习的编译优化策略。 图神经网络模型需要在给定的图结构上做信息的传递和聚合，整图计算无法直观表达这些操作。MindSpore Graph Learning提供以点为中心的编程范式，更符合图学习算法逻辑和Python语言风格，可以直接进行公式到代码的翻译，减少算法设计和实现间的差距。 结合昇思MindSpore的图算融合和自动算子编译技术（AKG）特性，MindSpore Graph Learning自动识别图神经网络任务特有执行pattern进行融合和kernel level优化，能够覆盖现有框架中已有的算子和新组合算子的融合优化，获得相比现有流行框架平均3到4倍的性能提升。 3 **Graph Learning SIG\*\*\*\*工作计划** **前期** 以成员学术交流活动为主，定期分享最新论文或开源工作调研分析报告，不定期组织线上交流活动，围绕着图算法表达力提升，图计算优化，图学习在应用中遇到的问题，介绍研究工作进展，讨论研究工作中的难点。 **后期** 通过合作开发或竞赛等模式，在国内高校及企业间开展学习相关问题的合作研究。 4 **Graph Learning SIG\*\*\*\*构成** **小组领衔成员** \*\*Lei CHEN，\*\*香港科技大学计算机科学与工程系首席教授、大数据研究所主任、IEEE fellow、ACM突出科学家，昇思MindSpore首席科学家，研究方向包含数据驱动机器学习，大规模图学习，知识图谱等。 \*\*刘子鹏，\*\*北京航空航天大学软件学院助理教授，博士毕业于加拿大不列颠哥伦比亚大学计算机系，主要研究方向为可视化与可视分析，人机交互，大数据分析，可解释机器学习。在可视化领域顶级期刊及会议（TVCG, CHI）发表论文多篇，曾获得 PacificVis 最佳论文提名奖。 **小组成员** 01、**吴一迪**\*\*，\*\*香港中文大学计算机系博士 02、**尹沛骐**\*\*，\*\*香港中文大学计算机系博士 03、**大龙**\*\*，\*\*华为数据系统高级工程师 04、**sophie**\*\*，\*\*昇思MindSpore高级工程师 05、\*\*fengxun，\*\*昇思MindSpore高级工程师 06、\*\*苑玉杰，\*\*昇思MindSpore布道师 5 **Graph Learning SIG召唤你** 扫码加入Graph Learning SIG交流群 **sig仓：** https://gitee.com/mindspore/community/tree/master/sigs/graphlearning **代码仓：** https://gitee.com/mindspore/graphlearning 昇思MindSpore开源社区算力使能，快来SIG申请你的专属算力 昇思MindSpore为推动SIG发展和开发者活跃，发布社区专属算力使能计划，面向SIG发放海量算力，免费领取。助力开发者了解和掌握全场景AI技术，支撑开发者实践和项目开发，助力开发者全面发展。 关于MindSpore SIG 昇思MindSpore社区欢迎业界专家、学术伙伴在社区成立特别兴趣小组（SIG），作为社区领域技术代言人，打造领域技术品牌，共建昇思MindSpore开源生态。 MindSpore SIG即MindSpore Special Interest Groups，即“昇思特别兴趣小组”，MindSpore社区成立个技术SIG的初衷是为该领域的专家、教授和学生提供一个开放交流的平台，通过会议分享、项目开发等活动促进技术交流、合作共赢，并使得SIG成员的影响力和技术能力得到提升，截止目前，MindSpore SIG共计成立20+。 如果你也想成立一个SIG 扫码添加小助手了解更多 --- https://www.mindspore.cn/news/zh/2062/ --- 新闻 昇思超级英雄榜 | 第四季度优秀开发者入选榜单公布 # 昇思超级英雄榜 | 第四季度优秀开发者入选榜单公布 2022/12/23 # 昇思超级英雄榜 | 第四季度优秀开发者入选榜单公布 2022年第四季度，昇思MindSpore共认证**7\*\*\*\*位布道师、14位资深开发者、17位优秀开发者**。多位开发者**参与了昇思MindSpore各领域的开发，更有昇思MindSpore专家委员会成员、SIG组Maintainer等开发者**，期待各位开发者在昇思MindSpore获得更多的技术提升，为开源社区持续贡献力量。 截止目前，**昇思MindSpore社区共377位开发者认证各级别MindSpore优秀开发者/布道师，其中343位为非华为的社区贡献者。** 本文为优秀开发者公示,以下排名不分先后。 **昇思MindSpore优秀开发者** **项目：** 1、完成1个AICPU、CPU端算子开发。 2、完成4个异构计算算子开发。 3、完成一个官方仓库cuda文件代码重构。 4、完成Bilstm，PSPNet ONNX模型迁移。 --- https://www.mindspore.cn/news/zh/2067/ --- 新闻 最新案例 | 基于MindSpore的AI交通大脑解决方案，让交通出行体验更顺畅 # 最新案例 | 基于MindSpore的AI交通大脑解决方案，让交通出行体验更顺畅 2022/12/26 # 最新案例 | 基于MindSpore的AI交通大脑解决方案，让交通出行体验更顺畅 近日，深圳市华尊科技股份有限公司（简称“华尊科技”）的视频结构化系统与华为Atlas 800训练服务器和**全场景AI框架昇思MindSpore**完成兼容性测试。 华尊科技聚焦交通拥堵、交通违法、交通安全隐患等困扰市民交通出行的现实难题，把握人工智能驱动交通行业数字化转型浪潮，依托昇腾AI基础软硬件平台，基于视频结构化系统，推出AI交通大脑解决方案： 01 基于\*\*全场景AI框架昇思MindSpo\*\*\*\*re，\*\*调整20+节点网络结构，优化40+算子方法，**提升了2-3倍对标GPU的性能；** 02 核心算法深度适配华为Atlas 800 训练服务器，涵盖140+算法标签、20+ReID特征、50+实体类型、20+事件类型、100+关系类型，**打造感知智能+认知智能双引擎能力。** 通过将感知数据（视频、图片、雷达、地感线、音频）与交通出行相关联的业务数据进行融合，提供数据汇聚、数据治理、数据解析、数据挖掘、数据融合、数据服务、数据应用的全生命周期管理，形成统一的服务总线和数据总线，打造AI交通大脑。**为交通监管部门提供出行规律分析、交通流量预测、交通安全隐患预警、事件分析预测等场景服务，优化交通出行体验。** \*\*交通出行关乎民生民心，AI正在让生活更美好。\*\*昇思MindSpore愿与伙伴携手，持续推动创新根技术的应用及产业生态构建，共同打造创新性产品及解决方案，推进行业应用落地，构建繁荣的人工智能产业生态圈。 关于华尊科技： 华尊科技是一家大数据软件与服务提供商，致力为公共服务单位提供数据资产管理产品及服务。十余年技术沉淀，其自主研发四大核心产品：机器视觉算法、视频图像信息数据库、数图融合应用平台和数据运维服务平台，构建了以大数据服务为核心的技术能力体系，帮助公安用户、交通部门提供基于AI智能化技术，依托数据智慧应用的多种应用场景解决方案，同时构建了数据资产全生命周期的完整管理服务体系，如今案例遍布全国200+城市。 --- https://www.mindspore.cn/news/zh/2071/ --- 新闻 “互联网+”获奖项目专访 | “皮肤健康卫士”皮肤病大规模可信综合辅助诊断研究分享 # “互联网+”获奖项目专访 | “皮肤健康卫士”皮肤病大规模可信综合辅助诊断研究分享 2022/12/29 # “互联网+”获奖项目专访 | “皮肤健康卫士”皮肤病大规模可信综合辅助诊断研究分享 在本届“互联网+”创新创业大赛中 昇思MindSpore皮肤健康卫士团队荣获全国总决赛银奖 本期有幸邀请到 团队负责人刘佳烜和指导老师杨巨峰进行采访 一起来看看夺奖背后的故事吧 **PART ONE** **团队介绍** **皮肤健康卫士\*\*\*\*团队** **1\. 项目成员** 刘佳烜、徐子越、张鑫、郭俊汝、宋佳纯 **2\. 指导老师** 杨巨峰 **3\. 学校** 南开大学 **4\. 团队简介** 我们团队成员包括刘佳烜、徐子越、张鑫、郭俊汝、宋佳纯等来自南开大学临床医学、金融学等多领域专业的优秀硕博人才。 **PART TWO** **项目访谈** **项目名称** “皮肤健康卫士”-皮肤病大规模可信综合辅助诊断系统 **获奖情况** 2022第八届中国“互联网+”大学生创新创业大赛 全国总决赛银奖 **Q1** **为什么选择这个赛题？** 我们选择这个赛题的理由主要有两方面：第一，华为是国内智慧医疗行业的头部企业，而昇思MindSpore是由华为开源的全场景AI框架，其强大的安全机制高度符合医疗数据隐私性的需求，为我们实现项目提供了强大的生态基础。第二，我们实验室在医疗图像处理领域深耕多年，其中对皮肤病辅助诊断相关技术有持续的研究，技术积累雄厚，因此我们最终选择了这个赛题。 **Q2** **请详细介绍一下参赛的项目。** “皮肤健康卫士”—— 基于移动端图像的皮肤病大规模可信综合辅助诊断系统，是面向皮肤病智能诊断应用场景的智慧医疗创新解决方案，基于移动端图像即可进行安全、可靠、可信的皮肤病诊断，性能世界领先，核心技术均被国际顶级会议期刊录用。 项目解决了皮肤科医生数量严重不足、医疗资源城乡不均、诊断严重依赖专业设备这三个亟待解决的问题，已与华为技术有限公司达成深度合作意向，是新工科、新医科“科创报国”重要落地成果，实现了多学科交叉、专创融合、产学研协同创新，具有巨大的社会价值与产业价值。 **Q3** ****请****介绍一下项目核心创新点在哪？\*\*\*\* 核心创新点可以分为数据与算法两大部分，高质量的移动端皮肤病图片数据为算法训练提供支持。数据集方面，目前世界上已有的数据集大多是无法公开获取的，并且缺乏移动端图像的数据。因此，我们在世界上首次提出了两个新的皮肤病移动端图像公开临床数据集，数据规模位居世界第一。 算法方面，我们首先聚焦通用皮肤病诊断算法，并对常见皮肤病和罕见皮肤病分别设计了诊断算法，实现决策互补，提高准确率。算法原理来源于临床医学，使得最终的诊断结果可靠可信，值得医生信赖。 数据集和算法均被计算机视觉和人工智能领域的国际顶级会议或期刊录用，并申请了发明专利，具有世界领先的核心技术与性能。 **Q\*\*\*\*4** **项目遇到的难点、痛点是如何解决的？** 项目在开发时遇到的主要难点是如何设计决策互补算法，综合考虑三个诊断算法的结果。基于这个问题，我们首先在技术层面做了大量实验，对不同情况下的决策方式进行了分别设计，随后咨询了医院方面的合作团队，结合专业医学意见进行了第二轮调整，最终完成了完善的综合决策系统。 **Q5** ****请问你们****项目未来的应用场景是如何的？\*\*\*\* 项目未来将分别为医护端和用户端提供服务，为医生用户提供辅助诊断，为普通用户提供自诊支撑。用户通过移动端设备拍摄病例样本，图片进行动态加密传输，随后用户只需接收系统回传的综合诊断结果即可。项目通过双端解决了双痛点，不仅提高了医疗机构的服务能力，减轻了其压力，更为广大人民群众提供了皮肤健康保障。 **Q6 请\*\*\*\*说一说使用昇思MindSpore的体验。** 在我们项目的开发过程中，对昇思MindSpore有着比较深刻的体验。**昇思MindSpore具有良好的基础算子支持和简洁的API接口，特别是训练流程中的API简洁好用，具有庞大的算法库作为支持，为我们项目的开发提供了极大的助力。** 除此之外，**昇思也具有完善的生态环境和充满活力的社区氛围，开发者们都非常热情，乐于助人，不仅为我们的算法开发提供了帮助，更是让我们看到了国产深度学习框架的强大活力。期待昇思MindSpore越做越好，为国产人工智能生态赋能！** **Q7** **在参与**“**互联网+”比赛中有什么收获和经验？** “互联网+”比赛是全国规模最大、规格最高的致力于大学生创新创业的比赛和展示平台。比赛对选手（特别是团队负责人）的综合能力要求比较高，不仅需要懂技术，能做出具有实际意义的东西，更是要在PPT展示和答辩上下功夫打磨，二者缺一不可，因此我们要让自己具备两者兼具的综合能力，这样才能在“互联网+”比赛中取得满意的成绩。 **PART THREE** **导师访谈** **杨巨峰** \*\*杨巨峰，\*\*国家级青年人才、天津杰青、南开百青，天津市媒体计算技术工程研究中心副主任，中国计算机学会计算机视觉专委会副秘书长，中国计算机视觉大会（CCCV 2017）和Computational Visual Media Conference（CVM 2017）组织委员会主席，视觉与学习青年学者研讨会（VALSE 2022）Workshop主席，目前已发表PAMI/CVPR等CCF A类论文30余篇。 **Q1** **请老师谈谈陪伴学生参加本次比赛获得佳绩的心路历程。** “互联网+”比赛是一次非常宝贵的经历，与华为同事的密切交流，与团队成员的通力合作，克服了很多困难，实现了师生共同成长。 **Q2** **老师有什么想对自己学生说的？** 同学们这次的参赛表现太棒了，继续加油努力，做有趣有用的研究。 --- https://www.mindspore.cn/news/zh/2072/ --- 新闻 自然资源部第一海洋研究所携手昇思MindSpore，共筑智慧海洋科研生态圈 # 自然资源部第一海洋研究所携手昇思MindSpore，共筑智慧海洋科研生态圈 2022/12/30 # 自然资源部第一海洋研究所携手昇思MindSpore，共筑智慧海洋科研生态圈 海洋在气候变化中起控制性作用，人类活动引起全球热量增加的90%以上都进入了海洋。可以说，如果没有海洋这个巨大的“空调”，地球早已进入“水深火热”之中。然而，海洋又很“善变”，人类对于海洋灾害的认识和预测预报能力依然有限。 在2022中国算力大会昇腾鲲鹏生态分论坛上，国际欧亚科学院院士、自然资源部第一海洋研究所（简称“海洋一所”）副所长、MASNUM实验室主任乔方利，就智慧海洋探索与实践进行了分享，他指出：“利用AI技术加速解决海洋高分辨率预测预报等问题，有望在国际领域成为新的突破点。**青岛人工智能计算中心将成为海洋科研创新的新助力，为海洋一所发展智慧海洋提供新动能。**” 乔方利所长在2022中国算力大会上进行主题分享 MASNUM实验室副主任宋振亚也表示，“上层海洋与气候机理认知与智能快速预报和人工智能有着天然的耦合关系。预报需要大量的、多种多样的资料，**而人工智能天生就是处理大数据的工具。**” 2022年11月，乔方利、宋振亚带领MASNUM实验室正式入驻青岛人工智能计算中心，并代表MASNUM实验室与青岛人工智能计算中心达成合作，双方将基于昇腾AI基础软硬件平台，\*\*打造具有自主知识产权的海洋上层环境和气候要素模拟的人工智能解决方案，\*\*并在关键海区开展应用和评估，主要内容包括： **01** 发展海洋环境多源异构数据精细化质控技术和多尺度、高维度时空变化特征智能提取方法，研究多特征的非线性映射关系，突破稀疏观测数据重构新技术，建立海洋环境大数据样本集； **02** 发展针对海洋典型现象（如中尺度涡、锋面、内波等）的识别和分析模型，发展海上活动（船只、动物、风速、降水等）的识别和分析模型； **03** 开展海洋环境预测预报物理模型参数化改进和模式订正研究，发展物理模型和AI模型集成和协同作用方法，提高复杂海洋环境预测预报能力； **04** 发展可解释性AI模型，挖掘数据蕴含的海洋环境演化特征及相互关联，探索海洋环境现象特征规律、关键影响因子，实现轻量化海洋和气候现象预测预报。 海洋/气候数值模拟与机器学习融合示意图\[1\] 当前，MASNUM实验室的研究团队已成功孵化出全球海浪波高快速预报方案，并完成与全场景AI框架昇思MindSpore的兼容性测试，**将模型训练时间从数天缩短到数小时**。该方案能够在保证预报精度的情况下，秒级完成未来7天的全球波高模拟和预报，而**昇思MindSpore**将为未来进一步提升海浪波高智能快速预报方案的预报精度奠定基础。 **人工智能技术催生科学计算新范式。\*\*\*\*昇思MindSpore**将持续加强与高校、科研机构、伙伴的广泛合作，推进AI技术创新，使AI成为科研创新的倍增器，共建AI技术生态。 关于MASNUM实验室： 依托“海洋一所”，自然资源部海洋环境科学与数值模拟重点实验室（MASNUM实验室）面向国家海洋减灾防灾、海洋环境安全保障及气候变化预测等重大需求，通过建立国际独具特色的海洋和地球系统数值模式，不断提升对其的模拟和预测预报能力，增进对海洋动力过程及其规律的认识，为国家可持续发展提供科学支撑。 --- https://www.mindspore.cn/news/zh/2074/ --- 新闻 重磅首发 | 昇思MindSpore视觉基础套件MindSpore CV，性能更强悍、操作更简洁 # 重磅首发 | 昇思MindSpore视觉基础套件MindSpore CV，性能更强悍、操作更简洁 2023/01/04 # 重磅首发 | 昇思MindSpore视觉基础套件MindSpore CV，性能更强悍、操作更简洁 在Openl启智社区线上AI协作开发环境与充沛算力支持下，昇思MindSpore团队联合西安交通大学、西安电子科技大学联合开发完成MindSpore CV套件0.1版本。\*\*MindSpore CV套件是基于MindSpore框架的视觉算法库，集成了业界经典视觉算法，优化器/调度器等易用工具组件。我们优先支持了ResNet，ViT，\*\*MobileNet系列，**SwinTransformer等经典网络，并提供了适配昇腾的A+M训练策略和预训练权重。** MindSpore CV套件将数据集创建、数据增强、模型构建、训练策略相关等各模块进行统一接口封装，方便用户快速训练模型和调参。此外，我们针对每个模型提供了详细的超参方案和训练策略，方便用户快速启动各模型的训练与验证。 Github开源链接： https://github.com/mindspore-lab/mindcv Openl启智社区链接： https://openi.pcl.ac.cn/MindSpore/mindcv 以下将带大家进一步了解MindSpore CV的各个模块和特性。 **01** **模型支持** 当前支持30+主流SoTA模型算法(CNN/Transformer)，并预置对应的预训练权重及训练策略配置文件，可通过list\_models()接口查看已经支持的模型列表。 **1.1** **模型定义代码风格统一** 为了增强模型代码易用性/可读性，我们从算法逻辑维度重新梳理原有MindSpore Model Zoo代码，遵循统一的接口调用方式进行二次重构，其中nn API接口都使用最新昇思MindSpore编程范式。此外，增加forward\_features()接口进行视觉特征抽取，方便支持下游任务。 **1.2 公共网络层抽象** MindSpore CV对一些常用的神经网络层或模块进行了封装，方便用户进行自定义的模型构建和研究，例如，对于CNN类，提供了Squeeze\_excite（SE），全局池化层等模块，而对于Transformer类，同样提供了Patch\_Embedding等模块。 **02** **模块接口** **2.1 数据模块** **_2.1.1 数据集创建_** 通过create\_dataset快速创建数据集，目前支持的数据集主要有MNIST，Cifar等CV领域常用数据集，通过设置download参数能够将数据集下载到本地并解压，同时MindSpore CV也支持用户自定义数据集。 **_2.1.2 数据增强_** 通过create\_transforms不仅能够实现基础的数据增强，如水平翻转，缩放，平移等，同时我们也支持大部分流行的高阶数据增强方法和自动增强算法，例如： \*\*Mixup：\*\*将随机的两张样本按比例混合，同时类别标签也按比例混合。 \*\*Cutmix：\*\*将一部分区域裁剪掉但不填充0像素而是随机填充训练集中的其他数据的区域像素值，类别标签也按比例混合。 \*\*AutoAugment：\*\*通过强化学习搜索得到的ImageNet上最优的数据增强策略。 **RandAugment:** 随机选取和组合不同的数据增强策略。 **_2.1.3 数据加载_** 完成数据集创建和数据增强之后，通过create\_loader接口切分batch，预加载输入数据，就可以使用处理好的数据集开始训练了。 **2.2 优化器模块** MindSpore CV实现了多个目前主流的优化器以满足用户的研究、开发需求，并可通过create\_optimizer接口调用，例如： \*\*Adam：\*\*Adam本质上是带有动量项的RMSProp，它利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率。Adam的优点在于经过偏置校正后，每一次迭代学习率都有确定范围，使参数比较稳定。 \*\*Adamw：\*\*AdamW是在Adam+L2正则化的基础上进行改进的算法。单独的Adam优化带L2正则项在计算梯度的时候会加上对正则项求梯度的结果，优化效果并不理想，因此AdamW使用权重缩减对所有的权重都采用相同的系数进行更新，从而增加了模型的泛化能力。 \*\*Adan：\*\*通过结合改写的Nesterov冲量与自适应优化算法，并引入解耦的权重衰减，可以得到Adan优化器。利用外推点，Adan可以提前感知周围的梯度信息，从而高效地逃离尖锐的局部极小区域，以增加模型的泛化性。 **2.3 损失函数模块** 通过create\_loss接口可调用损失函数模块，该模块包含常见的图像分类损失函数: CrossEntropy和Binary Cross Entropy及其变种，并支持软标签或稀疏标签输入(soft/sparse labels)、类别权重配置(class weights)以及标签平滑约束（label smoothing），例如： \*\*Cross entropy：\*\*分类问题中最常用的损失函数，基于信息论中交叉熵的概念，反映预测概率分布和真实概率分布的差别。交叉熵和MSE主要的区别是它对错误输出的惩罚更强烈。当用户使用Mixup或Label Smoothing时， create\_loss接口将会自动使用Soft Cross Entropy。 **2.4** **学习率调度器模块** 通过create\_scheduler可快速调用目前主流的学习率更新算法。例如： \*\*Cosine Decay：\*\*根据余弦函数曲线进行学习率的衰减，衰减图和余弦函数相似。 \*\*Exponential Decay：\*\*根据指数曲线进行衰减，一般来说开始衰减的快后来慢，根据设置的参数决定底数。 \*\*Multi-step Decay：\*\*根据里程碑进行衰减，每当训练step到达一个里程碑，学习率衰减一次。 此外：我们对所有支持的学习率调度器添加warm up策略，来保证网络在初期阶段的训练能够平稳进行，提升易用性。 **03** **模型训练** 将以上模块进行组装后便可得到模型训练脚本，用户可以方便地一键开启单卡或多卡训练。为了提升易用性，MindSpore CV重新实现了mode.train()的callback功能，增加边训边验的能力，方便用户观察模型loss、精度等变化状态。 **04** **快速开始** **4.1 安装** 使用pip安装MindSpore CV MindSpore CV视觉基础套件提供了从快速开发，模型微调训练到推理部署的完整教程，不仅能够满足开发者从零开始快速上手，同时也能够帮助开发者全面掌握深度学习的技术。 同时，昇思MindSpore与Openl启智社区深度合作，为昇思MindSpore开发者提供365天\*24小时上百万卡时的昇思MindSpore+NPU普惠算力，欢迎昇思MindSpore产学研开发者使用，基于昇思MindSpore开发你自己的模型算法套件和应用。（链接：https://openi.pcl.ac.cn/） --- https://www.mindspore.cn/news/zh/2082/ --- 新闻 与AI共享深蓝，昇思MindSpore携手中国海洋大学打造“琅琊泊”海洋预报大模型 # 与AI共享深蓝，昇思MindSpore携手中国海洋大学打造“琅琊泊”海洋预报大模型 2023/01/05 # 与AI共享深蓝，昇思MindSpore携手中国海洋大学打造“琅琊泊”海洋预报大模型 海洋的总体面积占据了地球表面积的71%，蕴藏着巨大的资源宝库和支撑人类发展的战略空间。海洋技术的发展有利于人类科学、合理地开发海洋资源。当前，海洋技术研究进入智能化时代，AI已成为我们认识海洋的“第三只眼”。 中国海洋大学地处的青岛，既是我国海洋研究进行数字化升级的重镇，同时也是智能化海洋保护技术需求高发区。中国海洋大学信息科学与工程学部部长、人工智能研究院院长董军宇教授和中国海洋大学计算机学院、人工智能研究院张巍副教授就带领着这样一支利用人工智能技术解构复杂海洋现象、探寻深蓝世界奥秘的研究团队。 2022年9月，在两位教授的大力支持下，中国海洋大学、华为、青岛人工智能计算中心三方达成合作共识，共同打造基于**昇思MindSpore**的“琅琊泊”海洋预报大模型。2022年12月，“琅琊泊”海洋预报大模型实现阶段性进展，\*\*顺利完成与全场景AI框架昇思MindSpore的兼容性测试，\*\*并有多项成果已经集成到国家海洋环境预报中心、国家气象局等单位的业务系统中。 **海面风场预报** 海上大风是一种灾害性海洋天气现象，精准预报海上大风对海洋军事、海洋工程和海洋渔业都有重要意义。 基于“琅琊泊”海洋预报大模型的海面风场预报模型，以提升实时精度为目标，用历史时刻数据构建初始预报模型，并以此为初始条件进行滚动预报，从而得到未来多个时刻的风场预报。利用**昇思MindSpore**的自动并行能力，实现多任务学习向量场的预训练和微调，只用一个模型就能完成风速和风向的订正和预测，从而提升模型精度。 预报结果（MT-DETrajGRU）和真值（ERA5）非常接近 **海浪修正计算** 海浪是海洋中最为常见的物理现象，也是全球海洋中含能最高的运动。海浪能够传播数千公里，波高可以从几厘米到几十米不等，其精准的模拟和预报对于航行安全、海岸活动以及海洋与气候系统变化有着至关重要的作用。 基于“琅琊泊”海洋预报大模型的海浪修正模型，利用**昇思MindSpore**的函数式编程范式实现了像素特征损失函数，优化了深度学习模型输出模糊的问题，有效改善海浪订正模型的高频细节问题，在保证订正模型实时性的前提下，进一步提高了订正模型的准确性，将NWP（numerical weather prediction,数值天气预报）预报数据提升到实时观测级别。 海浪有效波高订正结果 **强对流临近预报** 强对流天气往往伴随着极端恶劣天气。然而，由于其发生频率低，持续时间短，导致现有数据量不足以直接进行模拟训练。 基于“琅琊泊”海洋预报大模型的强对流预训练模型，利用**昇思MindSpore强大的深度学习能力，有效缓解了小样本训练不足的问题**，构建了一个强对流预报的通用模型，能对不同时间、不同空间下的地理区域信息进行patch级别的编码，实现对全球任意区域的强对流临近预报。 强对流预报结果对比 **强对流预报** 在日常交通出行、灾害防控等方面，对强对流位置、强度的预测提出了更高的要求；而在气象领域，则更关注于强对流天气初生、发展及消亡过程背后的物理意义。 基于“琅琊泊”海洋预报大模型的强对流预报模型，使用物理机制驱动来构建对强对流天气的类型分类和预测，使用Transformer增加时空相关性，构建出具有时空特性的强对流类型码表，即codebook。当前已用作京津冀地区未来天气的分类预报，未来将迁移学习到其他地区。 气象服务已经从简单的气象信息服务，逐步转变为产生经济效益的社会生产力。昇思MindSpore将努力做好基础软硬件平台，携手伙伴，为数字经济发展注入持续动力。 --- https://www.mindspore.cn/news/zh/2083/ --- 新闻 重磅！2022昇思AI挑战赛16支团队夺得大奖！ # 重磅！2022昇思AI挑战赛16支团队夺得大奖！ 2023/01/05 # 重磅！2022昇思AI挑战赛16支团队夺得大奖！ **_2022年12月29日_** 昇思AI挑战赛在线上举行总决赛，**_52_** 支参赛队伍在复赛隔空比拼，最后**_16_** 支团队斩获佳绩，在本次比赛中获得喜人的成绩！ **昇思AI挑战赛** 昇思AI挑战赛，是面向全球AI开发者打造的赛事，本次开设三大赛道，涵盖AI基础领域，皆在为开发者提供一个学习昇思MindSpore，探索模型算法与提升算法能力的机会。**本次比赛于2022年9月正式启动，报名参赛458支团队，544人报名，高校131所，46家企业。** 昇思MindSpore社区还发布了多项比赛在昇思大模型平台，欢迎感兴趣的开发者参加，扫描下方二维码即可了解详情。 --- https://www.mindspore.cn/news/zh/2084/ --- 新闻 万方科技加入昇思MindSpore开源社区，构建国产异构人工智能一体化平台 # 万方科技加入昇思MindSpore开源社区，构建国产异构人工智能一体化平台 2023/01/06 # 万方科技加入昇思MindSpore开源社区，构建国产异构人工智能一体化平台 近日，**扬州万方科技股份有限公司签署CCLA（Corporate Contributor License Agreement，企业贡献者许可协议书），正式加入昇思MindSpore开源社区。** **万方科技**\*\*&昇思MindSpore\*\* 随着我国自主可控战略方针的确定及国产AI芯片领域日渐成熟，并行计算能力可观，已形成了“国产CPU+国产AI芯片”的异构计算系统，可有效提升国产设备计算能力，提高国产自主可控领域智能化水平。 **万方科技秉承“国产化、平台化、智能化”的技术方针，基于全场景AI框架昇思MindSpore，构建从“端”到“云”的软、硬件AI一体化训、推计算服务平台——国产异构人工智能一体化平台。** 国产异构人工智能一体化平台面向人工智能领域全面赋能的一站式AI平台，内置主流AI技术，通过端到端的数据、算法以及算力管理，为用户提供了国产异构智能应用服务支撑，实现从数据处理、数据标注、模型训练、预测服务、模型管理到运维监控的全生命周期管理，覆盖计算机视觉、语音、NLP、OCR等多个领域，并为特定领域提供了多个智能服务产品，支持图像分类、目标检测、故障预警、知识图谱、强化学习等场景的先进算法模型，加速了AI场景应用创新步伐。 **典型案例** **1、智能运维：** 设备故障预警：基于AI的设备故障检测及预测技术可广泛运用在数据中心、云中心、指挥中心等领域，充分提升了公司国产计算机服务器的智能化水平，提升产品创新优势，应用效果较好且市场潜力巨大。 **2、智能安防：** 人脸识别：基于国产平台实现多路视频快速解码，融合目标检测、人脸识别、目标跟踪等深度学习模型，构建国产AI人脸识别系统，可应用在智能安防、智慧园区等领域，将多路视频处理能力发挥到极致。 万方科技对于特定场景数据集的模型算子支撑能力的要求较高，加入昇思MindSpore开源社区后，**对MindSpore Lite提出改造定制需求，并进一步在云、边、端场景下，开展分布式训练、模型参数优化、边缘侧推理等功能开发。** 未来，万方科技将进一步繁荣昇思生态，与更多的昇思社区伙伴一起，共同打造创新性产品及解决方案，推进行业应用落地，构建繁荣的人工智能产业生态圈。 **昇思MindSpore** 昇思MindSpore是华为开源的新一代全场景AI框架，支持端、边、云全场景灵活部署，开创全新的AI编程范式，降低AI开发门槛，旨在实现开发友好、运行高效、部署灵活三大目标，同时着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。同时，昇思在致力于大规模自动并行、科学计算支持等特性优化之外，还着力打造学习型社区环境，希望凝聚开发者力量共建社区，与开发者共同学习和成长。 **扬州万方科技股份有限公司** 扬州万方科技股份有限公司（简称“万方科技”）成立于1997年，现有员工580余人，总部在江苏省扬州市，在北京、无锡建有研发中心。 万方科技主要从事通信、计算机和服务器、国产基础软件平台、智能车辆等军民两用装备和产品的科研生产。公司建有大型信息化装备智能制造中心，具备年产10000台自主可控信息化装备和2000辆航空航天特种保障车辆的生产能力。 万方科技是国家高新技术企业、国家“专精特新”小巨人企业、江苏省创新型企业、江苏省规划布局内重点软件企业、江苏省电子对抗装备维修保障定点单位。同时，建有国家级博士后科研工作站、江苏省企业院士工作站、省企业研究生工作站、省软件企业技术中心、省系统工程技术研究中心。 我们诚邀各企业、高校及科研院所加入昇思MindSpore开源社区，成为社区合作伙伴，与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态。 更多合作需求 请扫码添加企业助手进行咨询 --- https://www.mindspore.cn/news/zh/2085/ --- 新闻 昇思MindSpore易用性SIG 2022年度回顾 # 昇思MindSpore易用性SIG 2022年度回顾 2023/01/09 # 昇思MindSpore易用性SIG 2022年度回顾 2022年3月17日，昇思MindSpore社区技术委员会(TSC)决议通过了成立MindSpore易用性SIG的申请，正式成立昇思MindSpore易用性SIG。易用性SIG旨在帮助开发者打通使用MindSpore过程的“最后一公里”。 日月如梭，转眼已进入2023年。在昇思MindSpore易用性SIG成立的这近一年中，昇思MindSpore易用性SIG与开发者一起，围绕昇思MindSpore易用性提升开展了一系列技术活动，如易用性特性开发、智能机器人开发、易用性技术分享、布道师&开发者培养、一张图看懂昇思MindSpore系列、知乎/CSDN等平台上的昇思MindSpore易点通和AI工程专栏建设等，帮助开发者打通使用昇思MindSpore过程的“最后一公里”。非常感谢大家一直以来的支持与鼓励，让我们一起回顾过往，携手前行！ 在知乎平台创建的AI工程和昇思MindSpore易点通专栏，共发布昇思MindSpore易点通系列和AI工程系列文章**43**篇，易点通专栏中收录了各位开发者贡献的从昇思MindSpore安装、数据处理、模型开发到应用案例等**120+**篇经验总结和案例，吸引关注者**2570+**，总阅读/播放量达\*\*28万+\*\*次。 在CSDN创建了易用性团队CSDN-MindSpore社区，吸引关注者**2300+**，在易点通专栏发布文章\*\*150+\*\*篇。 易用性SIG先后邀请高校师生/企业/个人开发者等**18**位嘉宾，举办5期易用性技术分享活动，分享他们使用昇思MindSpore的经验和案例，五期技术分享共吸引\*\*1100+\*\*人次观看直播。 易用性SIG共发展超过**800**名AI爱好者加入微信交流群。目前，已有**6**名易用性SIG成员成为昇思MindSpore布道师，**20**人成为优秀/资深开发者。易用性SIG例会每双周例行开展，下半年开始已有**8**位高校/企业开发者组织SIG例会，**25**人次在例会上分享话题。 在易用性特性开发方面，昇思MindSpore易用性SIG先后纳入**10**个特性到开源活动中，累计已有**13**名开发者报名参与并提交了**6k**+行代码和\*\*25000+\*\*个语料。 先后策划发布多种类型活动，如视频体验、版本体验、报错任务认领、技术干货分享等，让开发者主动加入社区建设，贡献个人力量，共吸引\*\*1500+**人次参与，发布个人经验技术干货**350+\*\*篇。 2022年4月，在知乎平台创建了AI工程和昇思MindSpore易点通专栏。知乎平台共发布昇思MindSpore易点通系列文章和AI工程系列文章43篇，包含昇思MindSpore易点通机器人实践、一图读懂昇思MindSpore、AI工程、AI设计模式等。 同时，在知乎平台的易点通专栏中打造了昇思MindSpore一站式指南，提供昇思MindSpore入门沙盘、昇思MindSpore安装、数据处理、模型开发到应用案例等，其中收录了开发者们贡献的120+篇经验总结和案例。当前，吸引关注者2570+，总阅读/播放量达28万+次。 同时，在CSDN创建了易用性团队CSDN-昇思MindSpore社区，吸引关注者2300+人，在易点通专栏发布文章150+篇。 昇思MindSpore易用性SIG分别于**4月16日、5月28日、7月7日、8月27日、11月26日**，先后线上举办了\*\*《聊聊AI框架的易用性》、《从零开始，“易”起上手》、《昇思MindSpore在CV领域的应用案例》、《易用性提升、函数式编程及模型迁移实践》、《昇思MindSpore入门体验及昇思金箍棒简介》\*\*等五期技术分享活动，邀请高校师生/企业/个人开发者等18位嘉宾分享他们使用昇思MindSpore的经验和案例。五期技术分享共吸引开发者朋友1100+人次通过腾讯会议和B站直播参与本活动。 **易用性SIG技术分享** **第一期：聊聊AI框架的易用性** - 易用性SIG发起人**想飞就飞**和易用性SIG **Lead Tong**：昇思MindSpore易用性SIG愿景、目标与规划 - Apache软件基金会董事、华为开源能力中心专家**姜宁**：提升项目易用性，降低开发者摩擦力 - 昇思MindSpore资深开发者**丁一超**：我的昇思学习之路 **回放链接**： https://www.bilibili.com/video/BV1Wu411y7u1?p=1 **第二期：从零开始，“易”起上手** - 昇思MindSpore资深开发者**张辉**：MindSpore漫游世界 - 昇思MindSpore Dev Toolkit技术负责人**Chissica**：智能辅助编程 - 昇思MindSpore DFx专家**Miao**与**Louie**：AI框架功能调试的思考与昇思MindSpore实践 - 昇思MindSpore易用性专家**CQU弟中弟**：昇思MindSpore模型迁移经验分享 **回放链接**： https://www.bilibili.com/video/BV1Wu411y7u1?p=3 **第三期：MindSpore在CV领域的应用案例** - 复旦大学计算机科学与技术学院博士生**彭博**：基于昇思MindSpore的深度学习模型在多媒体领域的实践 - 南京理工大学沈阳博士生**沈阳**：基于昇思MindSpore的细粒度哈希学习 - 昇思MindSpore爱好者**甜粽**：昇思MindSpore1.7在Windows和Linux环境下的安装 **回放链接**： https://www.bilibili.com/video/BV1Wu411y7u1?p=4 \*\*第四期：\*\***易用性提升、函数式编程及模型迁移实践** - 昇思MindSpore易用性专家**马博文**：百尺竿头-昇思MindSpore 1.8带来的易用性提升 - 昇思MindSpore研发专家**吕昱峰**：成年人全都要-昇思MindSpore函数式+Cell混合编程实践 - 昇思MindSpore布道师、浙江大学研究生**项靖阳**：影分身之术-昇思MindSpore图像分类任务大作战 **回放链接**： https://www.bilibili.com/video/BV1Wu411y7u1?p=6 \*\*第五期：\*\***昇思MindSpore入门体验及昇思金箍棒简介** - 昇思MindSpore研发专家**韩刚强**：昇思金箍棒简介 - 昇思MindSpore布道师、爱好者**姜文凯**：昇思MindSpore框架快速入门与简单实践 - 昇思MindSpore布道师、实践者**邢朝龙**：端侧AI引擎昇思MindSpore Lite初体验 **回放链接**： https://www.bilibili.com/video/BV1Wu411y7u1?p=10 **1、易用性SIG交流群** 为了便于易用性爱好者进行交流，易用性SIG创建了微信交流群。当前微信交流群已达到5个，成员超过800人。开发者通过微信群可以及时获取到昇思MindSpore易用性的相关活动信息及技术宣传。 **2、SIG例会** 易用性SIG每双周例行开展例会，与会者通过腾讯会议或B站直播间接入。下半年开始已有8位高校/企业开发者组织SIG例会，25人次在例会上分享话题，例会参与人次280+。 **3、优秀/资深开发者&布道师培养** 易用性SIG发布了开发者/布道师培训计划，通过易用性SIG小助手及专家的引导、答疑、协助，为开发者创造更多参与社区贡献的机会，包括在SIG例会分享话题、输出相关技术文章、参与易用性相关活动等。开发者参与昇思MindSpore贡献的同时也收获成长。 作为昇思MindSpore的30余个SIG之一，易用性SIG全年新发展6位布道师、20位优秀/资深开发者；易用性SIG布道师、优秀/资深开发者发展人数均超过昇思MindSpore全年布道师、优秀/资深开发者人数的30%。 **昇思MindSpore布道师** **昇思MindSpore资深开发者** **昇思MindSpore优秀开发者** 基于前期的开发者访谈和问卷调查结果中呼声最高的易用性提升方向，在易用性特性开发方面，昇思MindSpore易用性SIG先后纳入10个特性到开源活动中，累计已有13名开发者报名参与并提交了6k+行代码和25000+个语料。这些特性分别是： MindSpore易点通知识问答机器人开发 MindSpore Dev Toolkit（IDE插件）中的知识问答机器人集成 MindSpore在Windows+GPU下的原生版本编译支持 MindSpore功能调试助手（TroubleShooter）开发 MindSpore易用性评测 4月至今，策划发布多种类型活动，如视频体验、版本体验、报错任务认领、技术干货分享等，吸引开发者主动加入社区，贡献个人力量。 共吸引1500+人次参与，发布个人经验技术干货350+篇，其中包含1篇视频，很多参与者也提出了建设性的意见，我们也根据开发者意见持续优化。 后续会持续策划各种活动，吸引开发者体验贡献并提出改进建议。 过去的这近一年中，是耕耘，也是收获。昇思MindSpore易用性SIG各类活动的顺利举办、昇思MindSpore易用性的提升离不开广大开发者们的支持与参与，在此向各位开发者伙伴们表示诚挚的感谢！昇思MindSpore易用性SIG也将会再接再厉，和广大开发者们一起，为打造易用、好用的昇思MindSpore持续努力，帮助开发者们打通使用昇思MindSpore过程的“最后一公里”。 --- https://www.mindspore.cn/news/zh/2090/ --- 新闻 通奥检测加入昇思MindSpore开源社区，实现资产管理智慧化 # 通奥检测加入昇思MindSpore开源社区，实现资产管理智慧化 2023/01/17 # 通奥检测加入昇思MindSpore开源社区，实现资产管理智慧化 **通奥检测集团股份有限公司签署CCLA（Corporate Contributor License Agreement，企业贡献者许可协议书），正式加入昇思MindSpore开源社区。** **通奥检测**\*\*&昇思MindSpore\*\* 通奥检测致力于为客户提供油气勘探、开发、生产、储运等全产业链的以资产完整性管理为核心的一体化检测技术服务，并战略布局全新颠覆性业务“智慧检测技术服务”和“双碳技术服务”。 加入开源社区后，通奥检测将基于昇思MindSpore全场景AI框架，**共同打造创新性产品及解决方案，探索对于目前企业现有智能检测平台进行在IOT及AI技术方面的扩展和应用**\*\*，实现资产完整性管理智慧化，共同构建繁荣的人工智能产业生态圈。\*\* **昇思MindSpore** 昇思MindSpore是华为开源的新一代全场景AI框架，支持端、边、云全场景灵活部署，开创全新的AI编程范式，降低AI开发门槛，旨在实现开发友好、运行高效、部署灵活三大目标，同时着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。同时，昇思在致力于大规模自动并行、科学计算支持等特性优化之外，还着力打造学习型社区环境，希望凝聚开发者力量共建社区，与开发者共同学习和成长。 **通奥检测集团股份有限公司** 通奥检测集团股份有限公司（简称“通奥检测”）是中国领先的油气行业检测技术服务集团，拥有雄厚的技术研发团队。累计提交并已被受理的专利132项，其中发明专利66项，包括油套管气密封检测技术发明专利等多项技术开创了行业先河，为行业安全生产和节能减排做出突出贡献，推动了行业检验检测技术发展。 通奥检测获得50余项国内外权威机构资质认可，具有完全自主知识产权的智能检测管理系统，实现检测作业全过程数字化和检测资产的全生命周期信息化管理，帮助客户实现资产完整性管理目标。 我们诚邀各企业、高校及科研院所加入昇思MindSpore开源社区，成为社区合作伙伴，与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态。 更多合作需求 请扫码添加企业助手进行咨询 --- https://www.mindspore.cn/news/zh/2091/ --- 新闻 活动回顾 | 科创·新青年Talk：昇思MindSpore支撑大模型创新与产业应用 # 活动回顾 | 科创·新青年Talk：昇思MindSpore支撑大模型创新与产业应用 2023/01/17 # 活动回顾 | 科创·新青年Talk：昇思MindSpore支撑大模型创新与产业应用 **科创·新青年** AI大模型作为深度学习技术的新突破，是普惠AI的重要助推力。基于此，作为支持AI大模型训练的AI框架，它不仅向开发者提供了开发界面和高效的执行平台，也是现阶段AI算法开发的必备工具，在AI技术生态操作系统中扮演着重要角色。 近期，在上海人工智能研究院主办，闵行春申金字塔人才学院、上海昇思生态创新中心协办的第十期“科创·新青年Talk”活动上，**华为昇腾大模型专家、昇腾大模型业务主要负责人周胜凯**以\*\*《昇思MindSpore支撑大模型创新与产业应用》**为题作主题报告，介绍了**昇思MindSpore如何赋能大模型及现代产业。\*\*活动共吸引了来自高校、科研院所、科技企业等单位的300余人在线观看。 周胜凯首先提出大模型是AI产业快速发展的必然选择。与传统AI时代不同，大模型时代能够吸收海量知识、适配多种业务场景，具有覆盖多场景、突破精度限制、实现泛化能力、降低研发成本等优点。 周胜凯表示，**昇思MindSpore**是通过多维度自动混合并行，解决模型及集群的Scale Out问题，支持超大规模模型切分到大集群高效训练，并实现优质的计算通信比，进而提升算力的利用率。**昇思MindSpore**创新性地在AI编译器中实现了多维度混合并行，支持数据并行、模型并行、流水并行、优化器并行、子图并行等多维度的AI并行计算技术。用户可以根据模型的特征，选择不同的并行策略组合，实现优质的计算通信比，提高训练性能。 昇思MindSpore通过其大算力+大数据使能大模型科研、收编大模型开发、推动大模型行业新应用落地、建立大模型产业集群、赋能新应用。如鹏城实验室基于昇思MindSpore先后推出了业界首个 2000 亿参数中文预训练语言模型鹏程.盘古和面向生物医学领域的鹏程.神农大模型，中科院自动化所基于昇思MindSpore推出了业界首个图文音三模态大模型紫东.太初，武汉大学基于昇思MindSpore研发了全球首个智能遥感框架武汉.LuojiaNet及数据集武汉.LuojiaSet。 大模型的出现不仅促进了人工智能的发展，同样也加快了科研的速度。如鹏城实验室基于昇思MindSpore开发的鹏程.神农平台在寻找下一代抗生素（抗菌肽）方面具有重要意义。鹏程.神农具有强大的氨基酸序列生成能力，已经极大提升新型抗菌肽的发现速度。 最后周胜凯表示，当前全球大模型产业仍处于早期探索阶段，低成本与高级别封装仍是大模型落地的关键因素。未来昇思将着重构建大模型应用落地能力、吸引企业应用与推广、促进算力建设和算力价值实现、推动多模态产业发展，与各界携手共建中国人工智能产业生态。 _回看链接：https://b23.tv/q14YC0w_ **关于科创·新青年Talk** 为探索和推动人工智能高地建设，面向世界科技前沿、面向经济主战场、面向国家重大需求，研究和探讨人工智能如何赋能美好生活、推动产业发展，上海人工智能研究院推出“科创·新青年 Talk”主题沙龙系列活动。 沙龙活动以国家高层次青年科创人才和国内顶级科创企业领袖为主要分享者，通过主题分享、圆桌对话等方式，交流他们在学术前沿和产业前沿的洞察和思考，并与参会嘉宾们共同探讨人工智能赋能下行业发展现状和未来前景，推动人工智能与产业融合创新发展。 **关于昇思MindSpore** 昇思MindSpore是华为开源的新一代全场景AI框架，支持端、边、云全场景灵活部署，开创全新的AI编程范式，降低AI开发门槛，旨在实现开发友好、运行高效、部署灵活三大目标，同时着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。同时，昇思在致力于大规模自动并行、科学计算支持等特性优化之外，还着力打造学习型社区环境，希望凝聚开发者力量共建社区，与开发者共同学习和成长。 --- https://www.mindspore.cn/news/zh/2092/ --- 新闻 最新案例 | 客一客推出金融服务智能搜索系统，助力金融行业数智化升级 # 最新案例 | 客一客推出金融服务智能搜索系统，助力金融行业数智化升级 2023/01/18 # 最新案例 | 客一客推出金融服务智能搜索系统，助力金融行业数智化升级 金融服务是指金融机构通过开展业务活动为客户提供包括融投资、储蓄、信贷、金融信息咨询等服务。金融服务数字化进程中，一个亟待解决的问题就是对涉及的诸如金融产品规则、问题描述、工商数据、订单数据等非结构化数据进行管理，从而提高金融服务的效率。 深圳市客一客信息科技有限公司凭借多年来在金融服务SaaS领域深耕的经验，建立了一套贯穿实时采集、快速智能筛选、分布式存储、多元化分析挖掘、精准数据呈现与价值挖掘的全生命周期SaaS解决方案。**2022年11月，客一客正式加入昇腾万里伙伴计划， 并入选昇腾“认证级ISV伙伴”。**同时，客一客金融服务智能搜索系统 SaaS版与**昇思MindSpore**完成兼容性测试，实现又一重磅升级。 该系统基于全场景AI框架**昇思MindSpore**的SimCSE 模型和 MacBERT 中文自然语言预训练模型，缩减了20%的代码，并快速集成了FAQ问答、表格问答、文档问答和图文检索的能力；依托华为Atlas系列服务器，实现端侧部署、云端计算，推理速度提升40%以上。 **客一客金融服务智能搜索系统 SaaS版具有以下优势：** **① 数据处理“无死角”：** 基于昇思MindSpore的多跳问答检索模型及MindSearch能力，实现对文档内容的语义级搜索，扩充了对各种文件类型中的结构化和非结构化数据的处理能力； **② 搜索问答“无障碍”：** 基于昇思MindSpore的深度学习模型，对各种以金融概念命名的模型，如信贷准入条件、征信要求等，进行训练和推理，实现对用户搜索意图的快速定位；同时，能够将自然语言转化为数据库查询语言，实现与用户的“无障碍交流”。 当前，客一客金融服务智能搜索系统已部署全国数百家SaaS商户，帮助全国超41万泛金融从业者，为客户提供智能化、数字化的金融服务。 未来，昇思MindSpore将继续发挥在人工智能领域积累的技术优势，联合客一客等合作伙伴，加速推动金融服务产业数字化升级，打造多技术协同的金融服务人工智能解决方案，支撑国民经济高质量发展。 关于客一客科技信息技术有限公司： 深圳市客一客信息科技有限公司成立于2018年，是国内领先的综合金融SaaS科技平台，通过SaaS技术输出能力帮助从业者搭建专属一站式科技业务系统。客一客科技与各大银行/持牌机构合作，搭建了国内一流的金融+科技服务团队，帮助广大从业者打造专属品牌，实现数字化转型。客一客科技已完成A+轮融资，由央企旗下双创平台中航联创直投。客一客科技荣获“国家高新技术企业”、“2021年中国新经济准独角兽企业”等称号。 **昇思MindSpore** 昇思MindSpore是华为开源的新一代全场景AI框架，支持端、边、云全场景灵活部署，开创全新的AI编程范式，降低AI开发门槛，旨在实现开发友好、运行高效、部署灵活三大目标，同时着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。同时，昇思在致力于大规模自动并行、科学计算支持等特性优化之外，还着力打造学习型社区环境，希望凝聚开发者力量共建社区，与开发者共同学习和成长。 我们诚邀各企业、高校及科研院所加入昇思MindSpore开源社区，成为社区合作伙伴，与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态。 --- https://www.mindspore.cn/news/zh/2094/ --- 新闻 社区报告 | 昇思MindSpore年度总结，社区规模翻两番，AI开源大展宏“兔” # 社区报告 | 昇思MindSpore年度总结，社区规模翻两番，AI开源大展宏“兔” 2023/01/20 # 社区报告 | 昇思MindSpore年度总结，社区规模翻两番，AI开源大展宏“兔” 2022年昇思MindSpore开源社区运营报告来咯！ --- https://www.mindspore.cn/news/zh/2095/ --- 新闻 新年大吉，昇思MindSpore社区给您拜年啦！定制红包封面派送中！ # 新年大吉，昇思MindSpore社区给您拜年啦！定制红包封面派送中！ 2023/01/21 # 新年大吉，昇思MindSpore社区给您拜年啦！定制红包封面派送中！ **昇思MindSpore社区祝您** **新春大吉，钱兔似锦！** 昇思MindSpore特别定制红包封面来啦 小兔子均由昇思大模型平台上的悟空-画画大模型生成快来一起开启吉兔纳福好彩头！点击即可领取 还有萌萌的小兔子 领完了？还有机会！ 关注【昇思MindSpore】公众号 回复【红包封面】即可领取 数量有限，先到先得！ 新的一年昇思MindSpore祝大家新年快乐 大展宏兔！ 特别放送除了萌萌哒的小兔子悟空画画还生成了各种各样的花式兔包括但不限于夫妻兔、呆萌兔、暗黑兔、机械兔、happy兔、动漫兔、新年兔、淑女兔欢迎自取哦 如果想生成自己的兔兔，欢迎来昇思大模型平台体验悟空画画大模型在线生成自己的专属兔！ --- https://www.mindspore.cn/news/zh/2096/ --- 新闻 震撼来袭！基于昇思MindSpore的同元软控AI系列工具箱正式发布，大幅度降低产品研发成本 # 震撼来袭！基于昇思MindSpore的同元软控AI系列工具箱正式发布，大幅度降低产品研发成本 2023/01/28 # 震撼来袭！基于昇思MindSpore的同元软控AI系列工具箱正式发布，大幅度降低产品研发成本 随着智能时代的到来，同元软控与华为携手合作，以昇思MindSpore为框架底座，打造了MWORKS AI工具箱，并于2023年1月8号正式对外发布。**基于昇思MindSpore的MWORKS AI工具箱将原有的仿真建模和AI模型有机融合，可以大幅度减少产品的研发成本。未来该工具箱可以应用到航空、航天、船舶、能源等复杂装备系统的工程建模，实现更高、更智能的数字孪生系统。** **01** **MWORKS AI工具箱基础架构** MWORKS AI工具箱主要包含深度学习与机器学习工具箱，深度学习工具箱支持前馈神经网络、卷积神经网络、循环神经网络等深度学习网络的设计、模型构建、训练以及深度学习应用。机器学习工具箱支持聚类分析、主成分分析、降维、分类、回归等数据的描述、分析及数据建模。工具架构如图示，主要分为底层、框架核心及前端。 **02** **模块及功能** 本节主要介绍深度学习工具箱的主要模块及功能。深度学习工具箱5大模块，110个基础函数，分别是图像深度学习41个，预训练网络19个，网络训练组件2个，时序、序列和文本深度学习33个，函数逼近与聚类15个。 **函数** **说明（中文）** trainingOptions 训练深度学习神经网络的选项 trainNetwork 训练深度学习神经网络 squeezenet SqueezeNet卷积神经网络 googlenet GoogLeNet卷积神经网络 inceptionv3 Inception-v3卷积神经网络 convolution1dLayer 一维卷积层 mobilenetv2 MobileNet-v2卷积神经网络 resnet18 ResNet-18卷积神经网络 resnet50 ResNet-50卷积神经网络 resnet101 ResNet-101卷积神经网络 xception Xception卷积神经网络 transposedConv1dLayer 转置一维卷积层 batchNormalization1dLayer 一维批处理规范化层 batchNormalization3dLayer 三维批处理规范化层 shufflenet 预训练的ShuffleNet卷积神经网络 instanceNormalization1dLayer 一维实例规范化层 instanceNormalization3dLayer 三维实例规范化层 averagePooling1dLayer 一维平均池化层 alexnet AlexNet卷积神经网络 vgg16 VGG-16卷积神经网络 vgg19 VGG-19卷积神经网络 convolution2dLayer 二维卷积层 convolution3dLayer 3D卷积层 groupedConvolution2dLayer 二维分组卷积层 transposedConv2dLayer 转置二维卷积层 transposedConv3dLayer 转置的3D卷积层 fullyConnectedLayer 全连接层 reluLayer 整流线性单元（ReLU）层 leakyReluLayer 泄漏整流线性单元（ReLU）层 clippedReluLayer 修剪整流线性单元（ReLU）层 eluLayer 指数线性单位（ELU）层 tanhLayer 双曲正切（tanh）层 swishLayer Swish层 batchNormalizationLayer 批处理规范化层 groupNormalizationLayer 组归一化层 instanceNormalizationLayer 实例规范化层 layerNormalizationLayer 层归一化层 crossChannelNormalizationLayer 通道局部响应标准化层 dropoutLayer 丢弃层 crop2dLayer 二维裁剪图层 crop3dLayer 3-D裁剪层 … … **03** **应用案例** ### 我们基于同元-昇思MindSpore AI工具箱，在图像、文字和声音等领域展开了研究。 ### **3.1 手写数字识别与倾斜角度预测** 手写数字识别（MNIST）数据集是一个大型的手写体数字数据库，通常用于训练各种图像处理系统，也被广泛用于机器学习领域的训练和测试。手写数字识别数据集包含手写数字的合成图像、每张图像对应的数字以及倾斜的角度。该数据集共有60000张训练图片和10000张测试图片，每张图片上数字为0-9中的一种，总共分为9类，其中每张图片的大小为28\*28（像素）。 图1：手写数字识别数据集 我们主要利用同元-昇思MindSpore AI工具箱提供的卷积算子（Conv2d）、最大池化算子（MaxPool）等构建一个卷积神经网络，并将图像及其对应的数字作为输入和输出，训练得到一个可识别手写数字的网络（**基于同元-昇思MindSpore AI工具箱实现的详细代码见附录（1）**）。 图2：手写数字识别训练过程 在测试集中随机抽取6张图片展示，并使用训练好的模型进行识别，将结果打印在命令行窗口： 图3：手写数字识别结果 该网络模型的卷积模块可以提取图像的特征，去掉Softmax层并在最后添加新的全连接层，得到一个新的网络模型，随后用数字倾斜角度作为预测目标来训练该网络。 图4:手写数字倾斜角度预测训练过程 随机挑选测试集中的图像进行预测，橙色线条为预测角度，可见与实际数字的倾斜角度基本相符。 图5：手写数字倾斜角度预测结果 **3.2 日语元音字符分类** 本示例说明如何使用长短期记忆 (LSTM) 网络对序列数据进行分类（**基于同元-昇思MindSpore AI工具箱实现的详细代码见附录（2）**）。 要训练深度神经网络以对序列数据进行分类，可以使用 LSTM 网络。LSTM 网络允许您将序列数据输入网络，并根据序列数据的各个时间步进行预测。 本示例使用日语元音数据集。此示例训练一个 LSTM 网络，旨在根据表示连续说出的两个日语元音的时间序列数据来识别说话者。训练数据包含九个说话者的时间序列数据。每个序列有12个特征，且长度不同。该数据集包含270个训练观测值和370个测试观测值。 加载日语元音训练数据。可视化第一个时间序列。每条线对应一个特征。 图6：数据集展示 基于同元-昇思MindSpore AI工具箱提供的LSTM算子、全连接算子、Softmax激活函数等， 我们定义了LSTM网络架构，然后导入日语元音数据集进行训练，并打印Loss曲线。 `# 构建网络 layers = SequentialCell([ bilstmLayer(12, 100; NumLayers=3, Batch_First=true), flattenLayer(), fullyConnectedLayer(truncation_number * 200, 9), softmaxLayer(), ]) options = trainingOptions( "CrossEntropyLoss", "Adam", "Accuracy", 27, 200, 0.001; Shuffle=true, Plots=true ) net = trainNetwork(train_data, train_label, layers, options) YPred = TyDeepLearning.classify(net, test_data) accuracy = Accuracy(YPred, test_label) print(accuracy)` 图7：Loss曲线 ### **3.3 基于LSTM的人类活动分类任务** 该案例所采用的数据集来源于佩戴在人身上的传感器的数据序列。每个序列有三个特征，分别对应三个不同坐标方向下的加速度数据。该数据集包括七位志愿者的加速度数据，其中六组的数据作为训练集，另外一组作为测试集。 某序列的其中一维坐标数据： 图8：训练序列 我们基于同元-昇思MindSpore AI工具箱中的网络层构建一个LSTM神经网络，训练后对测试数据进行测试。训练过程如下（**基于同元-昇思MindSpore AI工具箱实现的详细代码见附录（3）**）： 图9：LSTM网络训练过程 训练完成后，利用已训练的网络对测试集进行测试。下图展示了测试数据集中的三类坐标数据： 图10：测试序列 对以上数据进行预测得到结果： 图11：测试结果 ### **3.4 声纹识别** 声纹识别是一个突出的研究领域，具有多种应用，包括取证和生物识别认证。许多声纹识别系统依赖于预先计算的特征，如i向量或MFCC，然后将其输入机器学习或深度学习网络进行分类。其他深度学习语音系统绕过特征提取阶段，将音频信号直接馈送到网络。在这样的端到端系统中，网络直接学习低级音频信号特性（**基于同元-昇思MindSpore AI工具箱实现的详细代码见附录（4））**。 导入数据集，数据集来源中华语料库。可通过采样率调整数据集大小。 `train_data, train_label, test_data, test_label = VPR_dataset( 1500)` 类似地，基于同元-昇思MindSpore AI工具箱提供的卷积算子（Conv2d）、批标准化算子（BN）、最大池化算子（MaxPool）等定义了如下的网络结构，导入数据集进行训练。并绘制Loss曲线 `net = SequentialCell([ convolution2dLayer(1, 80, (1, 251); PaddingMode="valid"), batchNormalization2dLayer(80), leakyReluLayer(0.2), maxPooling2dLayer((1, 3)), convolution2dLayer(80, 60, (1, 251); PaddingMode="valid"), batchNormalization2dLayer(60), leakyReluLayer(0.2), maxPooling2dLayer((1, 3)), convolution2dLayer(60, 60, (1, 5); PaddingMode="valid"), batchNormalization2dLayer(60), leakyReluLayer(0.2), maxPooling2dLayer((1, 3)), flattenLayer(), fullyConnectedLayer(60 * 2490, 2048), batchNormalization1dLayer(2048), leakyReluLayer(0.2), fullyConnectedLayer(2048, 1024), batchNormalization1dLayer(1024), leakyReluLayer(0.2), fullyConnectedLayer(1024, 256), batchNormalization1dLayer(256), leakyReluLayer(0.2), fullyConnectedLayer(256, 20), softmaxLayer() ]) options = trainingOptions( "CrossEntropyLoss", "Adam", "Accuracy", 100, 150, 0.0005; Plots=true ) net = trainNetwork(train_data, train_label, net, options)` 图12：Loss曲线 ### **3.5 发动机剩余使用寿命预测** 本示例说明如何使用深度学习预测发动机的剩余使用寿命 (RUL) （**基于同元-昇思MindSpore AI工具箱实现的详细代码见附录（5）**）。 本示例使用涡轮风扇发动机退化仿真数据集。该示例训练一个CNN 网络，旨在根据表示发动机中各种传感器的时间序列数据来预测发动机的剩余使用寿命（预测性维护，以周期为单位度量）。训练数据包含 100 台发动机的仿真时间序列数据。每个序列的长度各不相同，对应于完整的运行至故障 (RTF) 实例。测试数据包含 100 个不完整序列，每个序列的末尾为相应的剩余使用寿命值。该数据集包含 100 个训练观测值和 100 个测试观测值。 涡轮风扇发动机退化仿真数据集的每个时间序列表示一个发动机。每台发动机启动时的初始磨损程度和制造变差均未知。发动机在每个时间序列开始时运转正常，在到达序列中的某一时刻时出现故障。在训练集中，故障的规模不断增大，直到出现系统故障。 数据集包含26列数值。每一行是在一个运转周期中截取的数据快照，每一列代表一个不同的变量。这些列分别对应于以下数据： \- 第 1 列 - 单元编号 \- 第 2 列 - 周期时间 \- 第 3-5 列 - 操作设置 \- 第 6-26 列 - 传感器测量值 1-21 将3-26列作为特征数据，绘制展示每个特征前100条数据。 图13：特征曲线 由图可知，特征"op\_setting\_3", Sensor1", "Sensor5", "Sensor10", "Sensor16", "Sensor18", "Sensor19"保持不变，可将其删除。将删除后的剩余17个特征数据进行标准化预处理。 基于同元-昇思MindSpore AI工具箱提供的卷积算子（Conv1d）、Relu激活函数等定义了如下的神经网络结构。 `# 网络构建 layers = SequentialCell([ convolution1dLayer(17, 32, 5), reluLayer(), convolution1dLayer(32, 64, 7), reluLayer(), convolution1dLayer(64, 128, 11), reluLayer(), convolution1dLayer(128, 256, 13), reluLayer(), convolution1dLayer(256, 512, 15), reluLayer(), flattenLayer(), fullyConnectedLayer(512 * sequence_length, 100), reluLayer(), dropoutLayer(0.5), fullyConnectedLayer(100, 1), ]) options = trainingOptions("RMSELoss", "Adam", "MSE", 512, 200, 0.001; Plots=true) net = trainNetwork(XTrain, YTrain, layers, options)` 绘制RMSE损失曲线。 图14：RMSE Loss曲线 将训练集和测试集导入训练好的神经网络中进行推理预测，将预测值与真实标签进行对比。 图15：预测值与真实标签对比 图16：测试集效果对比 **04** **总结与展望** 同元软控与华为携手合作，打造了以高性能科学计算语言Julia为用户语言、以华为昇思MindSpore为底层的AI系列工具箱。如深度学习工具箱内含丰富的函数库、应用案例及完善的帮助文档。基于深度学习工具箱，用户可以采用Julia构建卷积神经网络、循环神经网络等各种类型深度学习网络模型，并进行训练计算，深度学习工具箱已在图像识别、语言识别、故障预测等方向开展了应用验证，取得了良好效果。 同元软控与华为的合作开辟了国产软件携手发展的示范应用，未来，我们还会在AI领域继续展开深入合作，全新推出强化学习工具箱，并推进AI系列工具箱在航空、航天、车辆、能源等复杂系统多领域工程建模中的应用，实现机理-数据融合建模，探索智能建模仿真技术，打造新一代智能建模仿真软件平台。我们也希望能够有更多的企业、科研院所参与进来，共同打造国产智能软硬件平台。 苏州同元软控信息技术有限公司： 苏州同元软控信息技术有限公司（简称“同元软控”）是专业从事新一代系统级设计与仿真工业软件产品研发、工程服务及系统工程解决方案的高科技企业。团队历经二十多年技术积累与公司十多年持续研发，研制了国际先进、完全自主的科学计算与系统建模仿真平台MWORKS。 ## **代码附录** ### （1）手写数字识别与倾斜角度预测 `using TyDeepLearning using TyPlot using TyImages # 训练卷积神经网络用于图像分类 XTrain, YTrain = DigitDatasetTrainData() p = randperm(5000) index = p[1:20] figure(1) for i in eachindex(range(1, 20)) subplot(4, 5, i) imshow(XTrain[index[i], 1, :, :]) end index1 = p[1:750] index2 = p[751:end] X_train = XTrain[index2, :, :, :] Y_train = YTrain[index2] X_Test = XTrain[index1, :, :, :] Y_Test = YTrain[index1] options = trainingOptions( "CrossEntropyLoss", "Momentum", "Accuracy", 128, 50, 0.001; Plots=true ) layers = SequentialCell([ convolution2dLayer(1, 20, 5), reluLayer(), maxPooling2dLayer(2; Stride=2), flattenLayer(), fullyConnectedLayer(20 * 14 * 14, 10), softmaxLayer(), ]) net = trainNetwork(X_train, Y_train, layers, options) function preclasses(prob, classes) ypredclasses = [] for i in eachindex(range(1, size(prob)[1])) maxindex = 0 maxnum = 0 for k in eachindex(classes) if prob[i, :][k] > maxnum maxnum = prob[i, :][k] maxindex = k end end ypredclasses = append!(ypredclasses, [unique(classes)[maxindex]]) end return ypredclasses end YPred = TyDeepLearning.predict(net, X_Test) classes = [i - 1 for i in range(1, 10)] YPred1 = preclasses(YPred, classes) accuracy = Accuracy(YPred, Y_Test) figure(3) p2 = randperm(750) index = p2[1:9] for i in eachindex(range(1, 9)) TyPlot.subplot(3, 3, i) TyImages.imshow(X_Test[index[i], 1, :, :]) title1 = "Prediction Label" title2 = string(YPred1[index[i]]) title(string(title1, ": ", title2)) end # 手写数字识别角度预测 using TyDeepLearning using TyImages using TyPlot XTrain, YTrain = DigitTrain4DArrayData() index = randperm(5000)[1:20] figure(1) for i in eachindex(range(1, 20)) subplot(4, 5, i) imshow(XTrain[index[i], 1, :, :]) end layers = SequentialCell([ convolution2dLayer(1, 25, 12), reluLayer(), flattenLayer(), fullyConnectedLayer(25 * 28 * 28, 1), ]) options = trainingOptions("RMSELoss", "Adam", "MSE", 10, 50, 0.0001; Plots=true) net = trainNetwork(XTrain, YTrain, layers, options) XTest, YTest = DigitTest4DArrayData() YPred = TyDeepLearning.predict(net, XTest) rmse = sqrt(mse(YTest, YPred)) index = randperm(5000)[1:9] figure(2) for i in range(1, 9) subplot(3, 3, i) hold("on") imshow(XTest[index[i], 1, :, :]) x = [7:21...] plot(x, tan((90 + YPred[index[i]]) / 180 * pi) * (x .- 14) .+ 14, "r") ax = gca() ax.set_ylim(28,0) ax.set_xlim(0, 28) hold("off") end` ### （2）日语元音字符分类 `using TyDeepLearning using TyPlot # 数据导入 path1 = "data/JapaneseVowels/train.csv" path2 = "data/JapaneseVowels/trainlabels.csv" path3 = "data/JapaneseVowels/test.csv" path4 = "data/JapaneseVowels/testlabels.csv" train_data = Array(CSV.read(path1, DataFrame; header=false)) train_label = Array(CSV.read(path2, DataFrame; header=false))[:,1] test_data = Array(CSV.read(path3, DataFrame; header=false)) test_label = Array(CSV.read(path4, DataFrame; header=false))[:,1] figure(1) plot(train_data[1:12,1:20]') title("Training Observation 1") truncation_number = 29 train_data = Array(train_data[:, 1:truncation_number]) for i in range(1, 270 * 12) for j in range(1, truncation_number) if train_data[i, j] === missing train_data[i, j] = 0 end end end train_data = reshape(train_data, (12, 270, truncation_number)) train_data = permutedims(train_data, (2, 3, 1)) train_label = Array(train_label)[:, 1] test_data = Array(test_data[:, 1:truncation_number]) for i in range(1, 370 * 12) for j in range(1, truncation_number) if test_data[i, j] === missing test_data[i, j] = 0 end end end test_data = reshape(test_data, (12, 370, truncation_number)) test_data = permutedims(test_data, (2, 3, 1)) test_label = Array(test_label)[:, 1] # 构建网络 layers = SequentialCell([ bilstmLayer(12, 100; NumLayers=3, Batch_First=true), flattenLayer(), fullyConnectedLayer(truncation_number * 200, 9), softmaxLayer(), ]) options = trainingOptions( "CrossEntropyLoss", "Adam", "Accuracy", 27, 200, 0.001; Shuffle=true, Plots=true ) net = trainNetwork(train_data, train_label, layers, options) YPred = TyDeepLearning.classify(net, test_data) accuracy = Accuracy(YPred, test_label) print(accuracy)` ### （3）基于LSTM的人类活动分类任务 `using TyDeepLearning using TyPlot train_data_label = CSV.read( "data/HumanActivity/HumanActivityTrain.csv", DataFrame; header=false ) test_data_label = CSV.read( "data/HumanActivity/HumanActivityTest.csv", DataFrame; header=false ) train_data_label = Array(train_data_label) test_data_label = Array(test_data_label) # 可视化 figure(2) line_color = ["#0072BD", "#D95319", "#EDB120", "#7E2F8E", "#77AC30"] for i in range(1, 5) classes = [i - 1 for i in range(1, 5)] idx = TyBase.find(train_data_label[1:64480, 4] .== classes[i]) hold("on") plot(idx, train_data_label[idx, 1], line_color[i]) end hold("off") xlabel("Time Step") ylabel("Acceleration") title("Training Sequence 1, Feature 1") classes = ["Dancing", "Running", "Sitting", "Standing", "Walking"] legend(classes) figure(3) plot(test_data_label[:, 1:3]) title("Test Data") xlabel("Time Step") legend(["Feature 1", "Feature 2", "Feature 3"]) function create_datasets(data, t_window) out_seq = reshape(data[1:(1 + t_window - 1), :], (1, t_window, size(data)[2])) L = size(data)[1] for i in range(2, L - t_window + 1) train_seq = data[i:(i + t_window - 1), :] train_seq = reshape(train_seq, (1, t_window, size(data)[2])) out_seq = cat(out_seq, train_seq; dims=1) end return out_seq end t_window = 6 train_data = train_data_label[:, 1:3] train_data = create_datasets(train_data, t_window) train_label = train_data_label[t_window:end, 4] test_data = test_data_label[:, 1:3] test_data = create_datasets(test_data, t_window) test_label = test_data_label[t_window:end, 4] numFeatures = 3 numHiddenUnits = 200 numClasses = 5 layers = SequentialCell([ lstmLayer(numFeatures, numHiddenUnits; NumLayers=1), flattenLayer(), fullyConnectedLayer(numHiddenUnits * t_window, numClasses), softmaxLayer(), ]) options = trainingOptions( "CrossEntropyLoss", "Adam", "Accuracy", 512, 200, 0.005; Plots=true ) net = trainNetwork(train_data, train_label, layers, options) preruslt = TyDeepLearning.classify(net, test_data) accuracy = Accuracy(preruslt, test_label) prelabel = Array{Int}(undef, 53883) for i in 1:53883 prelabel_item = findmax(preruslt[i, :])[2] - 1 prelabel[i] = prelabel_item end figure(4) idx = [1:53883...] hold("on") plot(idx, prelabel, ".", idx, test_label, "-") legend("Predicted") # plot(idx, prelabel, 0.1, "y", idx, test_label, "-") hold("off") xlabel("Time Step") ylabel("Activity") title("Predicted Activities") legend(["Predicted", "Test Data"])` ### （4）声纹识别 `using TyDeepLearning train_data, train_label, test_data, test_label = VPR_dataset( 1500) net = SequentialCell([ convolution2dLayer(1, 80, (1, 251); PaddingMode="valid"), batchNormalization2dLayer(80), leakyReluLayer(0.2), maxPooling2dLayer((1, 3)), convolution2dLayer(80, 60, (1, 251); PaddingMode="valid"), batchNormalization2dLayer(60), leakyReluLayer(0.2), maxPooling2dLayer((1, 3)), convolution2dLayer(60, 60, (1, 5); PaddingMode="valid"), batchNormalization2dLayer(60), leakyReluLayer(0.2), maxPooling2dLayer((1, 3)), flattenLayer(), fullyConnectedLayer(60 * 2490, 2048), batchNormalization1dLayer(2048), leakyReluLayer(0.2), fullyConnectedLayer(2048, 1024), batchNormalization1dLayer(1024), leakyReluLayer(0.2), fullyConnectedLayer(1024, 256), batchNormalization1dLayer(256), leakyReluLayer(0.2), fullyConnectedLayer(256, 20), softmaxLayer() ]) options = trainingOptions( "CrossEntropyLoss", "Adam", "Accuracy", 100, 150, 0.0005; Plots=true ) net = trainNetwork(train_data, train_label, net, options) test_pred = TyDeepLearning.predict(net, test_data) train_pred = TyDeepLearning.predict(net, train_data) train_acc = Accuracy(train_pred, train_label) test_acc = Accuracy(test_pred, test_label)` ### （5）发动机剩余寿命预测 `using TyDeepLearning using DataFrames using TyPlot dir = "data/RUL/" # 训练集数据处理 path1 = dir * "train_FD001.csv" train_FD001 = CSV.read(path1, DataFrame; header=false) f1 = figure("Feature Data"; figsize=[7, 8]) color_list = ["r", "g", "b", "c", "m", "y", "k"] legend_list = [ "op_setting_1", "op_setting_2", "op_setting_3", "Sensor1", "Sensor2", "Sensor3", "Sensor4", "Sensor5", "Sensor6", "Sensor7", "Sensor8", "Sensor9", "Sensor10", "Sensor11", "Sensor12", "Sensor13", "Sensor14", "Sensor15", "Sensor16", "Sensor17", "Sensor18", "Sensor19", "Sensor20", "Sensor21", ] for i in range(3, 26) subplot(24, 1, i - 2) plot(train_FD001[1:100, i], color_list[i % 7 + 1]) yticklabels([]) legend([legend_list[i - 2]]; loc="northeast") end # 寻找每个单元的最大cycle train_count = zeros(Int64, (100)) for i in range(1, size(train_FD001)[1]) for j in range(1, 100) if train_FD001[i, 1] == j train_count[j] = train_count[j] + 1 else continue end end end RUL = zeros(Int64, (size(train_FD001)[1])) for i in range(1, size(train_FD001)[1]) for j in range(1, 100) if train_FD001[i, 1] == j RUL[i] = train_count[j] - train_FD001[i, 2] else continue end end end # 删除某些在所有步长中保持不变的特征["op_setting_3", Sensor1", "Sensor5", "Sensor10", "Sensor16", "Sensor18", "Sensor19"] select!( train_FD001, Not([:Column5, :Column6, :Column10, :Column15, :Column21, :Column23, :Column24]), ) f1 = figure("Feature Data"; figsize=[6, 6]) color_list = ["r", "g", "b", "c", "m", "y", "k"] legend_list = [ "op_setting_1", "op_setting_2", "Sensor2", "Sensor3", "Sensor4", "Sensor6", "Sensor7", "Sensor8", "Sensor9", "Sensor11", "Sensor12", "Sensor13", "Sensor14", "Sensor15", "Sensor17", "Sensor20", "Sensor21", ] for i in range(3, 19) subplot(17, 1, i - 2) plot(train_FD001[:, i], color_list[i % 7 + 1]) yticklabels([]) legend([legend_list[i - 2]]; loc="northeast") end # 添加一列名为RUL train_FD001 = insertcols!(train_FD001, ncol(train_FD001) + 1, :RUL => RUL) # 标准化 feats = Array(train_FD001[!, 3:19]) data_max = maximum(feats; dims=1) data_min = minimum(feats; dims=1) feats_norm = (feats .- data_min) ./ (data_max .- data_min) # 滑动窗口为31 sequence_length = 31 function gen_sequence(data_array, data_label, seq_length) num_elements = size(data_array)[1] label = data_label[seq_length:num_elements] data = reshape(data_array[1:seq_length, :], (1, seq_length, 17)) dict = zip(range(2, num_elements - seq_length + 1), range(seq_length + 1, num_elements)) for (start, stop) in dict data = vcat(data, reshape(data_array[start:stop, :], (1, seq_length, 17))) end return data, label end count_sum = zeros(Int64, (101)) for i in range(1, 100) count_sum[i + 1] = train_count[i] + count_sum[i] end data_label = RUL[1:192] data_array = feats_norm[1:192, :] data, label = gen_sequence(data_array, data_label, sequence_length) for j in range(2, 100) data_array = feats_norm[(count_sum[j] + 1):count_sum[j + 1], :] data_label = RUL[(count_sum[j] + 1):count_sum[j + 1]] data_id, data_id_label = gen_sequence(data_array, data_label, sequence_length) data = cat(data, data_id; dims=1) label = cat(label, data_id_label; dims=1) end # 裁剪响应RUL阈值为150 RUL_Threshold = 150 for i in range(1, size(label)[1]) if label[i] > 150 label[i] = 150 end end XTrain = permutedims(data, (1, 3, 2)) YTrain = label # 网络构建 layers = SequentialCell([ convolution1dLayer(17, 32, 5), reluLayer(), convolution1dLayer(32, 64, 7), reluLayer(), convolution1dLayer(64, 128, 11), reluLayer(), convolution1dLayer(128, 256, 13), reluLayer(), convolution1dLayer(256, 512, 15), reluLayer(), flattenLayer(), fullyConnectedLayer(512 * sequence_length, 100), reluLayer(), dropoutLayer(0.5), fullyConnectedLayer(100, 1), ]) options = trainingOptions("RMSELoss", "Adam", "MSE", 512, 200, 0.001; Plots=true) net = trainNetwork(XTrain, YTrain, layers, options) # 测试集数据处理 path2 = dir * "test_FD001.csv" path3 = dir * "RUL_FD001.csv" test_FD001 = CSV.read(path2, DataFrame; header=false) RUL_FD001 = CSV.read(path3, DataFrame; header=false) select!( test_FD001, Not([:Column5, :Column6, :Column10, :Column15, :Column21, :Column23, :Column24]), ) # 寻找每个单元的最大cycle test_count = zeros(Int64, (100)) for i in range(1, size(test_FD001)[1]) for j in range(1, 100) if test_FD001[i, 1] == j test_count[j] = test_count[j] + 1 else continue end end end test_count_sum = zeros(Int64, (101)) for i in range(1, 100) test_count_sum[i + 1] = test_count[i] + test_count_sum[i] end test_RUL = zeros(Int64, (size(test_FD001)[1])) for i in range(1, size(test_FD001)[1]) for j in range(1, 100) if test_FD001[i, 1] == j test_RUL[i] = test_count[j] - test_FD001[i, 2] + RUL_FD001[j, 1] else continue end end end # 标准化处理 data_test = Array(test_FD001[!, 3:19]) data_max = maximum(data_test; dims=1) data_min = minimum(data_test; dims=1) test_norm = (data_test .- data_min) ./ (data_max .- data_min) test_data_array = test_norm[(test_count_sum[1] + 1):test_count_sum[1 + 1], :] test_data = reshape( test_data_array[(test_count[1] - sequence_length + 1):end, :], (1, sequence_length, 17) ) for j in range(2, 100) test_data_array = test_norm[(test_count_sum[j] + 1):test_count_sum[j + 1], :] datadata = test_data_array[(test_count[j] - sequence_length + 1):end, :] data_reshape = reshape(datadata, (1, sequence_length, 17)) test_data = cat(test_data, data_reshape; dims=1) end # 裁剪响应RUL阈值为150 YTest = Array(RUL_FD001) RUL_Threshold = 150 for i in range(1, size(YTest)[1]) if YTest[i] > 150 YTest[i] = 150 end end XTest = permutedims(test_data, (1, 3, 2)) Y = TyDeepLearning.predict(net, XTest) error = sqrt(mse(YTest, Y)) hold("on") plot(Y, "-o") plot(YTest, "-v") legend(["Prediction value", "True value"]) hold("off") sequence_length = 31 function gen_sequence(data_array, data_label, seq_length) num_elements = size(data_array)[1] label = data_label[seq_length:num_elements] data = reshape(data_array[1:seq_length, :], (1, seq_length, 17)) dict = zip(range(2, num_elements - seq_length + 1), range(seq_length + 1, num_elements)) for (start, stop) in dict data = vcat(data, reshape(data_array[start:stop, :], (1, seq_length, 17))) end return data, label end count_sum = zeros(Int64, (101)) for i in range(1, 100) count_sum[i + 1] = train_count[i] + count_sum[i] end data_label = RUL[848:1116] data_array = feats_norm[848:1116, :] data, label = gen_sequence(data_array, data_label, sequence_length) # 裁剪响应RUL阈值为150 RUL_Threshold = 150 for i in range(1, size(label)[1]) if label[i] > 150 label[i] = 150 end end XTrain1 = permutedims(data, (1, 3, 2)) YTrain1 = label Y1 = TyDeepLearning.predict(net, XTrain1) error = sqrt(mse(YTrain1, Y1)) hold("on") plot(Y1) plot(YTrain1,) legend(["Prediction value", "True value"]) hold("off")` --- https://www.mindspore.cn/news/zh/2097/ --- 新闻 重磅！LuoJiaNET发布三大新特性（文末有彩蛋！） # 重磅！LuoJiaNET发布三大新特性（文末有彩蛋！） 2023/01/29 # 重磅！LuoJiaNET发布三大新特性（文末有彩蛋！） 人工智能与遥感技术的结合，已经成为打开遥感应用大门的金钥匙。 2022年5月，武汉大学与昇腾AI联合打造的全球首个遥感影像智能解译专用框架“LuoJiaNET”上线昇腾社区以及昇思MindSpore开源社区，LuoJiaNET具备\*\*“大幅面、多种类型、尺度变化大、通道多样”\*\*的特点，受到了众多遥感领域研究者的广泛关注。 昇腾社区： https://www.hiascend.com/software/modelzoo/models/detail/L/519276e10bd211eca5a90242ac110002/1 昇思MindSpore开源社区： https://www.mindspore.cn/largeModel/luojia https://xihe.mindspore.cn/modelzoo/luojia 2023，新春伊始，LuoJiaNET发布三大新特性，进一步提升遥感应用开发性能和体验。 **1 支持原生态Windows操作系统和安卓版移动端程序** 新版本LuoJiaNET解决了旧版本调用算力资源必须使用Linux操作系统的局限性，支持原生态Windows 操作系统下的算力资源调用，同时还为开发者提供移动端程序，支持目标识别等功能。 **2** **提供五大类基础遥感任务模型库** 依托武汉昇腾人工智能计算中心的昇腾AI算力支持，打造了嵌入昇思MindSpore技术特性的新版本LuoJiaNET针对遥感应用典型场景（场景检索、目标识别、地物分类、变化检测、多视三维），为用户提供五大类基础遥感任务模型库，用户可根据需求直接进行调用。 **场景检索：** 指使用计算机视觉和机器学习算法从图像中抽取意义的任务。场景检索既可以简单地为一张图像分配一个标签，也可以智能地解释图像内容并返回一个可被人类理解的句子。LuoJiaNET基础模型库中包含该任务类型的基础模型有VGG、ResNet、SENet等。 **目标识别：** 指一个特殊目标（或一种类型的目标）从其它目标（或其它类型的目标）中被区分出来的过程。LuoJiaNET基础模型库中包含该任务类型的基础模型有YOLOv3/YOLO-v5、SSD、FasterRCNN等。 **地物分类：** 指利用地物的光谱能量特征差异性和结构特征差异性来识别地物信息。LuoJiaNET基础模型库中包含该任务类型的基础模型有DeepLabV3、FReeNet、DCM等。 **变化检测：** 指从不同时期的遥感数据中定量分析和确定地表变化的特征与过程。遥感变化检测是一个确定和评价各种地表现象随时间发生变化的过程。LuoJiaNET基础模型库中包含该任务类型的基础模型有DTCDSCN、DSIFN、CDNet。 **多视三维：** 利用多张同场景不同视角下拍摄的、并具有一定重叠度的图像，恢复场景或物体的三维模型技术。LuoJiaNET基础模型库中包含该任务类型的基础模型有GCNet、MVSNet等。 扫码访问 **LuoJiaNET基础遥感任务模型库** **3** **3\. 提供遥感语义分割大模型** 基于视觉Transformer (Vision Transformer, ViT) 的大规模视觉模型具有良好的可扩展性和表征能力，在多种视觉感知任务中广泛应用。然而，在遥感图像感知领域，大规模视觉模型的潜力尚未得到充分探索。 新版本LuoJiaNET融入了与武汉大学计算机学院院长杜博团队合作开发的“遥感语义分割大模型”，**它是首个面向遥感任务设计的大规模视觉基础模型**，具有1亿参数规模，设计上符合遥感图像特点的新型注意力机制，对提升遥感图像理解等任务的性能有较大帮助。 遥感语义分割大模型率先提出RS任务定制框架，以新旋转的不同大小的窗口注意（RVSA）替代完全注意，处理RS图像中的大图像尺寸和不同方向的物体。RVSA可以显著降低计算成本和内存占用，同时通过从窗口中提取丰富的上下文来学习更好的物体表示。 扫码访问 **LuoJiaNET遥感语义分割大模型** 遥感是与人工智能紧密关联的领域，应用人工智能技术实现遥感影像的自动解译意义重大。昇腾AI将努力做好基础软硬件平台，继续发挥昇思MindSpore在人工智能领域积累的技术优势，携手武汉大学等伙伴持续打造LuoJiaNET，为自然资源监测、社会经济发展评估、灾害应急等重大科研任务提供技术、平台及应用支撑，助力建设中国遥感科研生态圈，推进中国遥感产业化应用。 **一个很有“AI”的彩蛋：** AI、遥感这些看起来很“高冷”的技术，其实也可以很“好玩”。 **扫描二维码体验LuoJiaNET移动端程序，试试用“AI”识别身边物品。** --- https://www.mindspore.cn/news/zh/2106/ --- 新闻 《狂飙》赢麻了 ，昇思向无数个“安欣”致敬！ # 《狂飙》赢麻了 ，昇思向无数个“安欣”致敬！ 2023/02/07 # 《狂飙》赢麻了 ，昇思向无数个“安欣”致敬！ 近日，电视剧《狂飙》热播，成为2023年开年首部爆款剧！这场彰显扫黑除恶、非凡意志与力度的“正义狂飙”，终于迎来了大结局！ 图片来源于网络 主创团队介绍剧中热血、正直、坚守本心的刑警安欣一角，取材于多个真实原型，是万千英雄的缩影，他们年纪轻轻熬出满头白发，危险时刻用身躯挡住火药，受伤后把抢救机会留给战友…… https://mp.weixin.qq.com/s/r-MNIvkeSpXXkWgort9ZgA（请在微信公众号中打开观看） 视频来源于中国新闻网 **昇思MindSpore为执法办案保驾护航** 安欣之所以叫安欣，因为他背后千千万万的人，让你我安心，让时代安心。昇思MindSpore联合伙伴为我国扫黑除恶保驾护航，为“安欣”提供强有力的执法协助。昇思聚焦场景应用，通过自主研发和技术攻关，创新产出了一批智能警务、智慧社会管理、信息网络安全等相关智慧化产品和技术应用，为护航我国智慧公共安全城市打造和高质量发展提供了强有力的支撑。 **执法办案系统** 武汉迪赛威智能科技有限公司基于昇思MindSpore打造了执法办案系统。该系统通过与警综、110接处警、人口库、在逃人员库等对接，利用物联网技术方案，实现执法办案中心（区）进出人员登记管理、执法办案区管理、办案区视音频监督管理、询问信息化管理等。满足实际办案区业务需求，从而有效解决办案场所信息化、规范化的问题。 基于该解决方案，执法数据综合应用系统对案件是否及时受理、立案，强制措施是否届满，取保、监居期间是否可能违规出行、涉案财物管理期限是否届满等方面进行预警。自动抽取110接处警平台处警信息，智能分析，集中展示即将届满超期的数据，对问题进行下发整改，整体反馈，问题关闭等，促进执法规范化建设；提升民警规范执法意识，加强民警“尊重和保障人权”的执法理念；科学建设执法办案场所，为民警高效履职提供有力保障。 **OMVision智能视觉分析平台** 随着国家加大对渔业资源的保护力度，在《渔业法》颁布实施之后，电脉冲作业已被全面禁止。昇思MindSpore携手东云睿连（武汉）计算技术有限公司助力相关部门，结合扫黑除恶“行业清源”行动，严厉打击电毒炸鱼等非法捕捞违法行为，推动专项打击非法捕捞工作进入常态化，切实维护渔业安全生产秩序和保护渔业资源。 东云睿连（武汉）计算技术有限公司基于昇思MindSpore打造了OMVision智能视觉分析平台。该平台融合了人工智能、物联网、大数据、云计算等技术，通过智慧摄像头设备全方位、全时段地获取高清监控画面并实时传输至平台，平台利用AI智能分析，快速识别出电鱼、炸鱼等非法捕鱼行为，及时生成预警信息，第一时间共享至相关部门并调度管辖人员前往执法。平台同时支持管理者安排及跟踪巡查任务，以及公众扫码举报等功能。 该平台利用物联网多维感知、人工智能、边缘计算等最新科学技术，助力管理部门打出“技防+人防”组合拳，实现了实时监控、智能预警、喊话驱离、执法调度、视频取证、巡查派发等8大业务应用，对32.6公里长江段的完成了全景覆盖和全天候防控。有效打击违法捕捞行为，切实推动保护长江流域水生生物资源，修复长江流域生态环境，加强生态文明建设等工作。 **船舶违法监控系统** 内河船非法从事海上运输，严重影响或干扰正常的水上交通秩序，不在规定甚高频守听、为逃避监管而关闭船舶AIS（船舶自动识别系统）隐蔽行踪、违规停泊作业等行为，都将导致航线与航路相冲突，无法根据船舶避碰规则协调避让等严重事故。昇思MindSpore携手南京浦和数据有限公司助力国家重点水域、重点船舶的监控，重拳打击海上违法行为，维护国家水上交通秩序，保障疫情防控等重点物资水上运输安全顺畅。 南京浦和数据有限公司基于昇思MindSpore，使用深度卷积神经网络模型对船舶图片进行检测分析。通过摄像头视频的智能分析，自动识别船舶的违法行为，实现船舶违法行为的自动判别。 基于该解决方案，将深度学习AI技术应用于水上交通执法，利用昇思MindSpore的大量成熟算法模型库和相关工具链，采用视频分析方法，自动识别船舶的违法行为，提升水上执法的效率，有效解决当前水上执法人工化的难题。 中央政法委新闻网站官方微博@中国长安网发表评论：有人说，现实中不可能有安欣这样的警察，但其实安欣不是虚构的。这支队伍的每个人，都会在关键时刻站出来，在危难关头豁出去，安欣不过是他们中的一员。 昇思MindSpore将不遗余力地为他们保驾护航，协同人工智能、深度学习及云计算等技术，推动基层平安建设进入信息化、智能化、移动化时代，为构建平安城市出一份力。 --- https://www.mindspore.cn/news/zh/212/ --- 新闻 手把手系列视频教程上线啦！ # 手把手系列视频教程上线啦！ 2020/05/22 # 手把手系列视频教程上线啦！ 安装和快速入门是最基础的体验，也是至关重要的，所有开发者能希望能够尽快上手，而目前手把手系列视频教程已经上线官网，通过视频演示+讲解的方式，帮助开发者快速上手，安装和体验MindSpore，想要加速的同学千万别错过！ 视频教程链接：https://www.mindspore.cn/tutorial/training/zh-CN/master/quick\_start/quick\_video.html 视频教程分为安装与体验两部分，其中 CPU-Ubuntu安装-指导开发者通过安装包、Docker、源码编译三种方式安装，所需条件不同，所需时长也不同，总有一种适合你！ CPU-Windows安装-指导开发者通过安装包、源码编译两种方式安装。 GPU安装-指导开发者通过安装包、Docker、源码编译三种方式安装。 快速入门-在成功安装之后可以直接运行完整代码，1分钟内搞定，当然也有代码构成讲解。 欢迎关注MindSpore代码仓Gitee和GitHub，参与社区建设！也欢迎在论坛提问，会有专人解答！  Gitee：https://gitee.com/mindspore  GitHub：https://github.com/mindspore-ai  论坛：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/2166/ --- 新闻 赛博朋克的浪漫，硬核AI“神助攻”！ # 赛博朋克的浪漫，硬核AI“神助攻”！ 2023/02/14 # 赛博朋克的浪漫，硬核AI“神助攻”！ 2023年2月14日，这个洋溢着爱情酸臭味道的情人节又来了，然而很多程序员散发着独特的清香，这个情人节怎么过？每个人的答案都不一样，对于不少程序员来说，又是一个敲代码的周二， “单身”依然是人生最大的 bug，关键是还无法调试。 对此，小编在这奉上程序员独家脱单秘笈，让你来一场难忘的情人节。 **情人节特别活动** 小编为大家提供方便有趣的交友方式，助力单身人士脱单！属于你的盲盒交友来了！”不受时间、地点、天气影响，不用见面，就能互换异性微信！来试试吧~说不定缘分就这么来了！ 活动对象：单身人士 活动内容：后台私信“脱单盲盒参与报名。报名后，小编会对盲盒进行排列组合，最终给予各位反馈！ **山川田野** 情人节，巧克力、玫瑰花等都已经不再新鲜，它们更像对情人节最基本的尊重。送出乐趣、玩出新意，才是情人节该有的态度。从情感本质上出发，无疑理解、陪伴、惊喜等才是对心上人最大的诚意，一场说走就走的旅行正好符合。但一场自由率性的旅行往往伴随着不尽人意，但旅游遇上AI就能让你有个完美体验。 “沈阳·太一”多模态推荐模型应用于沈阳美行科技股份有限公司智慧出行领域的技术研发与推广，通过模型分析用户生活习惯与出行目的，可以动态根据用户偏好进行个性化、有针对性的旅游目的地/路线推荐服务，惠及用户日常出行。\*\*爱她，不如和她开启一场浪漫的旅行！\*\*一起制造专属的浪漫回忆。带她去山川里的河水清流和田野间小路，感受大自然的气息。 “沈阳·太一”多模态推荐模型，就是一个庞大的推荐系统，模型参数规模10亿，融合文本、图像、社交、知识图谱等多模态信息，分析海量数据，推荐精准内容，让“随便”变成企业与用户间的“心有灵犀”。 **AI女友** 情人劫，对于单身的程序员来说，又是吞下那些猝不及防的狗粮，何不用自身的强大技能，创造属于自己的专属AI，在朋友圈中硬气一回——**做一个专属AI女友吧！** **昇思MindSpore GAN模型**可以实现人物属性的转换，甚至还能完成同一个人物表情之间的转换。例如：你可以随便找一张人像照片，把她变成你喜爱的样子，换个发色，多生成几个表情，打造出一位不会穿帮的假女友，在秀恩爱的朋友圈中，占领一席之地！ 怎么样，现在是不是蠢蠢欲动了？键盘交给你，创造一个新宇宙的重任也交给你了！试着用MindSpore GAN模型做个创意AI应用吧！ **扫码在线运行体验专属女友** 详情链接： https://mindspore.cn/tutorials/zh-CN/r1.5/intermediate/image\\\_and\\\_video/dcgan.html **诗情话意** 程序猿同志们都在想怎么送给心上人合适的礼物，送包包？太俗气！送口红？没有新意！没有点子的同志们不妨看看\*\*情话中最有意象的情诗！\*\*例如我喜欢你的藏头诗。 送给心上人一首这样的情诗，比口红包包有格调！非常含蓄的诗词，深究发现采用了多种修辞和艺术手法，读起来也别有一番韵味。 昇思MindSpore目前支持三种模式：随机生成、续写诗句和藏头诗。 **扫码即可下载相关代码作诗** 详情链接： https://xihe.mindspore.cn/projects/MindSpore/bert\\\_poetry/tree 看完上面的带有满满科技感的秘籍，是不是跃跃欲试上手做一遍！来来来，一起用“AI”方式创造浪漫，送上特别的惊喜吧，祝大家情人节快乐~ --- https://www.mindspore.cn/news/zh/2167/ --- 新闻 昇思MindSpore AI框架在知名度与使用率市场份额上处于第一梯队 # 昇思MindSpore AI框架在知名度与使用率市场份额上处于第一梯队 2023/02/14 # 昇思MindSpore AI框架在知名度与使用率市场份额上处于第一梯队 2023年2月6日，行业研究机构Omdia（Informa tech集团旗下国际信息与通信技术研究机构）发布了《中国人工智能框架市场调研报告》，深入分析了中国人工智能框架市场的竞争格局，产业现状与创新趋势。Omdia通过调研发现，**昇思MindSpore与PyTorch、TensorFlow、PaddlePaddle等人工智能框架在知名度与使用率市场份额上处于第一梯队。** 来源《中国人工智能框架市场调研报告》 随着众多人工智能项目从科研创新到产业落地，人工智能应用场景逐渐扩展，人工智能市场规模正在不断扩大。预训练大模型、“AI for Science”、“负责任的人工智能”等已成为全球学术界和产业界关注的焦点。而AI框架是模型算法开发的核心，是支撑人工智能技术发展和产业繁荣发展的基础。 **预训练大模型成为人工智能领导者的竞争焦点** 以ChatGPT为代表的大模型已经超越学术界和产业界，开始成为大众关注的热点，而大模型需要有强大的AI框架技术支撑。报告指出预训练大模型的三大趋势：第一，大模型参数量继续呈指数增长态势，“大模型”正走向“超大模型“；第二， 大模型正从单模态走向多模态、多任务融合；第三，AI框架对大模型的训练有关键性的技术支撑作用。 从本次调研中，Omdia 发现相当大比例的开发者对中国本土的大模型的兴趣远远超过了对全球流行的大模型GPT-3和DALL-E 2的兴趣，并表示希望在接下来几个月试用。其中，**开发者对基于昇思 MindSpore 打造的盘古NLP大模型、紫东.太初多模态大模型最感兴趣。** 来源《中国人工智能框架市场调研报告》 在支持超大规模模型训练开发方面，昇思 MindSpore 在进行架构设计时就考虑了大模型开发时遇到的内存占用、通信瓶颈、调试复杂、部署难等问题，针对性的技术研究与创新： **01** \*\*业界领先的全自动并行能力，\*\*提供 6 维混合并行算法，即数据并行、模型并行、流水并行、优化器并行等，一行代码实现模型自动切分、分布式并行计算，开发并行代码量降低 80%、系统调优时间下降 60%； **02** \*\*极致的全局内存复用能力，\*\*在开发者无感知的情况下，自动实现 NPU 内存 / CPU 内存 / NVMe 硬盘存储的多级存储优化，512 卡就可训练 10 万亿规模的参数模型，极大降低大模型训练成本； **03** \*\*极简的断点续训能力，\*\*可解决大集群训练故障导致的任务中断问题，实现自动恢复、继承性训练，开发者无需从头开始，千亿参数模型在分钟级就可无损恢复。 这一技术创新也得到了中国AI开发者的认可，根据《中国人工智能框架市场调研报告》所示，中国AI开发者认为，昇思MindSpore拥有业界领先的并行算法库，具备原生支持大模型的能力，并孵化出了一系列创新大模型，吸引了广泛的开发者，在中国市场上占据优势地位。 来源《中国人工智能框架市场调研报告》 **负责任的人工智能成为关注焦点** 在以ChatGPT为代表的AIGC火爆的的背后， 也出现了“造假”等AI伦理道德问题，AI开发者和机构越来越关注“负责任的人工智能”。Omdia在对AI开发者的调研中发现，在所有主流AI框架中，TensorFlow 与昇思MindSpore 对“负责任的人工智能”提供的支持能力最好，分别位居第一与第二名。 来源《中国人工智能框架市场调研报告》 《中国人工智能框架市场调研报告》指出，“负责任的人工智能”既是一套道德准则， 又是一套技术体系。“负责任的人工智能”是以安全、可靠和合乎道德的方式开发、评估、部署和规模化人工智能系统的方法。昇思MindSpore从AI 框架的角度出发，围绕AI生命周期，重点构建了一系列的技术能力： **01** \*\*模型安全，\*\*通过鲁棒性评测、对抗测评、对抗训练、模型加密等，实现模型保护； **02** \*\*隐私保护，\*\*构建了隐私评估、差分隐私训练、联邦学习等技术，保障数据隐私； **03** \*\*可解释性，\*\*通过原创语义级可解释技术、可解释方法工具集等技术，提高模型的可解释性，让用户更理解、信任并有效地使用模型。 **这一能力也通过了全球第一独立认证机构欧洲SGS Brightsight实验室的安全评估，获得CC EAL2+证书。这是国际上首份AI框架获得的CC证书，标志着昇思MindSpore在产品信息安全方面达到了业内领先水平，正逐步获得国际认可。** 来源SGS Brightsight实验室安全评估 **“AI for Science”正成为人工智能框架的重点发力方向** 在科研创新领域，“AI for Science”也是人工智能行业的前沿热点，人工智能与科学的深度融合正在推动科研范式的创新，给科研领域带来了新的发展机遇。Omdia的分析师认为，与大模型类似，“AI for Science”是人工智能创新发展的重要方向，AI框架对“AI for Science”的发展起着关键的技术支撑作用。 “AI for Science”的发展也对AI框架提出了更高的要求，调研发现，**中国的AI开发者认为昇思MindSpore是最适合做 “AI for Science”项目的国产人工智能框架， 其对“AI for Science”的支持能力甚至超过了PyTorch，并有赶超TensorFlow的趋势。** 来源《中国人工智能框架市场调研报告》 昇思MindSpore从创立之初就已经布局科学计算领域，通过多尺度混合计算和高阶混合微分两大关键创新，将昇思原有的AI计算引擎升级为AI与科学计算的统一引擎，实现融合的统一加速。当前，昇思MindSpore已经在多个科学领域有所突破。 昇思MindSpore团队与昌平实验室、北京大学生物医学前沿创新中心（BIOPIC）和化学与分子工程学院、深圳湾实验室高毅勤教授课题组等合作联合推出全流程蛋白质结构预测工具 MEGA-Protein。该工具提供了高精度高性能蛋白质结构和功能预测，突破了在“孤儿序列”、高异变序列和人造蛋白等 MSA 匮乏场景下无法做出准确预测的限制。这是该团队在昇腾 AI 基础软硬件平台上实现的蛋白质结构预测从训练到推理全流程打通,且效率相比AlphaFold2提升 2 至 3 倍后，取得的又一次成功。 除此之外，推出了AI电磁仿真套件MindSpore Elec。该套件使用的增量训练的AI方法，相比原始的PINNs方法，性能提升了15倍以上；与Benchmark（传统的数值方法）的相对误差在5%左右。MindSpore Elec套件构筑基础的AI电磁仿真能力，并在手机电磁仿真等场景取得技术突破。在手机电磁仿真场景中，仿真精度媲美传统科学计算软件，性能提升了30倍。 AI框架作为人工智能创新的重要基础设施，正促进人工智能技术加速进步，助力众多行业智能化转型升级。作为国内自研的AI融合框架，昇思MindSpore积极响应产业界需求，不断在效率提升、易用性、创新性以及使用体验方面推动AI框架持续演进。 正如“昇思”两个字的含义，“昇”代表昇思是昇腾计算产业的重要组成，结合昇腾发挥极致性能，“思”代表着昇思深度思考产业界技术演进方向致力于打造最佳体验的AI框架。当两者像艺术一般相结合，就能为生产、科研提供最坚实的基础，引领中国AI框架的发展。 更多关于本次中国人工智能框架市场调研的发现，请点击 “ 阅读原文” 查看《中国人工智能框架市场调研报告》。 --- https://www.mindspore.cn/news/zh/2171/ --- 新闻 300+AI开发者，第四届MindCon极客周圆满收官！ # 300+AI开发者，第四届MindCon极客周圆满收官！ 2023/02/20 # 300+AI开发者，第四届MindCon极客周圆满收官！ 2023年2月，由昇思MindSpore社区每半年举办一次的开发者狂欢盛会“MindCon极客周”圆满收官！本届MindCon吸引了来自北京大学、武汉理工大学、联通、亚信科技等80+所院校、企业，共300+ AI开发者参与。 本届MindCon旨在为开发者科普AI与深度学习知识，并通过实战帮助新手小白更好地了解并使用昇思MindSpore AI框架。 **01** **超级知识卷** 本届MindCon发起了AI知识挑战，包含了人工智能领域的理论题和算法题。通过挑战，帮助开发者快速学习和了解人工智能领域基础知识，其中算法题更是有助于帮助开发者巩固算法基础，251名参赛者参与了本次挑战，多位开发者以满分的成绩挑战成功！ **02** **超级马拉松** 本次活动发布了四道赛题，通过基础的图片分类、文本分类，让新手开发者可以快速入门体验昇思MindSpore，并巩固基础知识。通过对模型的应用，更加直观地体验和感知AI框架带来的便利与乐趣，激发大家对创意应用开发的思考和创新。 **03** **超级掌门人** 本次邀请了8位开发者进行了AI技术分享，内容覆盖了模型迁移实践、多模态、比赛项目经验分享等等，与大家展开了学习交流。 部分议题如下，错过的同学扫码回顾一下吧！ - 如何提升灵感出现的概率 - 基于预训练语言模型的NLP常见任务以及在昇腾卡的模型迁移经历 - 基于昇思MindSpore的ConvNeXt V2算法案例实现 - 基于LSTM的外卖评论分类 最后，恭喜以下7位开发者，在本届MindCon以优异的成绩胜出！ 我们下一届MindCon见！ --- https://www.mindspore.cn/news/zh/2177/ --- 新闻 国潮崛起正当时，昇思MindSpore携手禾福文化研发国潮AIGC生态系统 # 国潮崛起正当时，昇思MindSpore携手禾福文化研发国潮AIGC生态系统 2023/02/24 # 国潮崛起正当时，昇思MindSpore携手禾福文化研发国潮AIGC生态系统 何谓国潮？ 国潮乃国风复兴潮 因何而潮？ 国潮乃国运之潮 此潮何往？ 国潮将为世界大潮 （国潮插画） 根据有关数据，国潮在过去十年的关注度不断上涨，并且海外市场正在不断升温。集东方美学与现代时尚为一体的国潮正成为连接中国和世界新的文化桥梁。国潮可以说是顺应青年群体的审美品位和个性特征，对传统文化进行再创作和再表达。比如故宫、三星堆等博物馆基于中国经典文物元素设计开发文创产品，河南电视台用视听语言重新复原唐朝风貌，央视春晚通过高科技将传统山水意境融入现代舞台等。 （国潮插画） **科技碰撞下的中国潮力量** 拉动着国潮产业发展的是设计师的一个个原创的国风设计。而设计的根本在人，但传统的人工设计面临着时间成本高、周期长、难度大、创新难等诸多问题，一张精美的国潮图案需要由设计师经过前期的大量调研，灵感的深度挖掘，素描轮廓的绘制、上色、修饰等环节才能最终形成成图，耗时耗力。 为了解决这一问题，薪火芳华团队走访了137个非物质文化遗产发源乡，拜访了583位非遗传承人，历时五年时间搭建起以青年大学生为主要力量传播和推广中华优秀文化的平台，并积累了丰富的传统文化 IP 素材库，为日后图像生成算法的训练奠定了原始数据集的积累。 （国潮特色原创IP数据库） 团队基于全场景AI框架昇思MindSpore，自行研发基于知识图谱和大模型的国潮AIGC生态系统（AI生成2D平面图像、3D模型、视频等元宇宙数字内容），为元宇宙空间提供可商用的优质数字内容，优化工业设计到生产的流程效率，降本增效，有效的将文化遗产演变为数字资产，打通“文化-科技-消费”全链路径，释放国潮文化的源头生产力，在消费端打造一个率先出海的青年国潮品牌“薪火芳华”。 团队创新研发了2D生成模型YouthNet及3D生成模型YouthDimension，通过自建高质量数据集训练深度学习网络，利用数据集中的多种文化元素使计算机能够自主生成符合大众审美的创新性国潮2D图像和3D模型，减少繁琐的人工挑选及绘制步骤，能够帮助用户零门槛地体验平面设计和建模设计。 （创新研发模型） 基于图像创新技术，结合设计师的精加工，目前已形成十六大系列面向市场的国潮文创产品。 （国潮文创产品） 团队所属的湖南禾福文化科技有限公司早在2022年7月已加入昇思MindSpore开源社区，并达成开源贡献共识，完成CCLA签署。公司自主研发的国潮AIGC系统已与昇思MindSpore AI框架完成兼容性测试，并取得华为技术认证书。在2022互联网岳麓峰会上，公司作为昇腾生态伙伴与长沙人工智能创新中心完成战略合作签约。 （昇腾生态伙伴签约仪式） **昇思赋能国潮，讲好中国故事** 国潮立足青年群体尤其是Z世代的审美取向和文化旨趣，不仅为未来的国际传播创造了新的中国特色的符号中介，同时切中全世界青年人共同的“潮”“酷”等个性化诉求，为超越国家层面的文化再生产开辟出潜在空间。 昇思MindSpore致力于用科技赋能文化产业，我们正在用技术激活青年群体的自主性和创造性为青年主导的国际传播模式探索了可行的路径。一同讲好中国故事，助推中华文化走向世界！ 王淑禾 连续创业者，湖南禾福文化科技有限公司创始人、董事长，薪火芳华品牌创始人。CCF计算机视觉专委会委员、ACM会员。以第一发明人获得28项国家专利授权。 “用土地赋予设计以灵魂，用科技给予人们以手段。薪火芳华与昇思MindSpore将在这片我们深爱的蓝海上长期耕耘下去，与您一道开启AI数字国新时代！” --- https://www.mindspore.cn/news/zh/2178/ --- 新闻 开源活动 | 昇思MindSpore与您相约“开源高校行”中南大学站 # 开源活动 | 昇思MindSpore与您相约“开源高校行”中南大学站 2023/02/25 # 开源活动 | 昇思MindSpore与您相约“开源高校行”中南大学站 开源软件正在全面深刻影响产业界和教育界，如何帮助高校构建基于我国开源技术的教学和科研体系，是当前产教领域的重大课题。中国计算机学会开源发展委员会发起的“开源高校行”系列活动，\*\*将在2月27日下午14:30-17:30在中南大学本部科教南楼一楼举办，\*\*活动邀请了知名开源社区和开源项目专家以“线上＋线下”的方式与高校师生交流分享，共同推进开源教育，建立产学研用一体化开源创新人才培养体系。 --- https://www.mindspore.cn/news/zh/2179/ --- 新闻 2023GAIDC：昇思对话数万AI开发者，带领大家现场体验硬科技！ # 2023GAIDC：昇思对话数万AI开发者，带领大家现场体验硬科技！ 2023/02/27 # 2023GAIDC：昇思对话数万AI开发者，带领大家现场体验硬科技！ 2023 GAIDC 2023全球人工智能开发者先锋大会（GAIDC）于2023年2月25日—26日在上海成功举行。大会以“向光而行的开发者”为主题，围绕AI开发者所关注的前瞻探索、开源开放、人才引育、生态培育等方面展开，以AI开发者为核心，为AI开发者带来产业之光、科技之光、未来之光。 在本次大会中，昇思MindSpore在【大会开幕式】、【AI框架与开源生态论坛】、【AI for Science论坛】、【AI数据与开源论坛】、【互动体验区】等多个环节中亮相。众多开源大咖、技术大咖、导师大咖嘉宾和数万AI开发者共同线下参与，同时与上千万专业开发者线上互动交流，现场及线上交流气氛火热！ 华为昇思MindSpore业务总经理丁诚出席了本次大会开幕式，与复旦大学浩清特聘教授、复旦大学人工智能创新与产业研究院院长漆远、Kyligence 联合创始人兼CEO韩卿、深势科技创始人&CEO孙伟杰共话人工智能开发者生态建设。在当前我国大力推进高水平科技自立自强的背景下，他们作为本土AI开发者先锋，现场为推进高水平的AI开发者生态建设贡献了真知灼见，并对上海正致力打造的更加开放、更具活力、更为完善的AI开发者生态的表达了向往和憧憬。 在提到大语言模型的未来，丁总表示“大语言模型数据结构的特点就是参数量特别大好比是一个人类具备了超级大脑。而训练模型就好比本身具备超级大脑的人博览群书，接受了各种知识训练,这样一个人如果到各行各业,我相信他都是大有可为的。” **汇聚智慧星火，构建AI新生态** AI 框架作为人工智能的根技术，被认为是 “人工智能基础设施的操作系统”，是联接数据、算法和算力等人工智能要素的关键枢纽。当前，全球主流AI框架和模型的技术演进及创新进展如何？如何提升算法模型的准确率和效率？如何将AI框架和模型应用于实际场景中，实现产业创新？ 昇思MindSpore开源生态总监胡晓曼，在AI框架与开源生态论坛给我们做出了解答。在技术生态方面，昇思MindSpore已经与200多所高校、科研机构展开创新合作；在行业生态方面，仅在2022年获得昇思技术认证的企业就超过800多家，涵盖制造、金融、电信运营商等国计民生行业；在开源生态方面，昇思MindSpore在Gitee AI开源项目综合排名TOP1，软件下载增速第一，总量已超过370万。 在AI技术和应用上，华为2012实验室昇思MindSpore超大规模AI架构师苏腾表示，大模型进一步增强AI的通用性，更成为AI技术和应用的新基座。昇思MindSpore原生支持大模型训练，通过全自动并行、可视化智能调优等大幅提升了大模型的开发效率。 其中在大模型并行训练上，昇思MindSpore支持数据并行、MoE并行、优化器并行、多副本并行等7大并行计算能力，将训练千亿模型的代码量降低了80%、调优时间下降60%；和其他主流框架相比，昇思MindSpore是支持模型结构最全的AI框架，包含稠密、稀疏MoE、卷积结构、高维稀疏等。 目前昇思MindSpore已经联合多个科研机构孵化大模型20+，同时，将大模型能力开放给开发者，昇思社区不仅打造了一站式大模型平台——昇思大模型平台，并针对海外开发者打通HuggingFace，实现Inferece API支持MindSpore模型加载、运行，让你我皆可触碰大模型的魅力。 **人工智能如何助力科学计算与发现？** 人工智能的巨大成功为科学计算带来了新思路、新方法、新工具，而科学计算的严谨体系则有助于提升现有人工智能技术的可解释性。将人工智能引入更底层的科研领域，以处理多维、多模态的大量数据，将有助科学家突破长久以来的研究瓶颈。 在本次AI for Science论坛中，邀请了昇思MindSpore技术总经理于璠、北京大学教授高毅勤等多位嘉宾联袂为大家呈现昇思MindSpore在科学计算的新突破。 昇思MindSpore从创立之初就已经布局科学计算领域，通过多尺度混合计算和高阶混合微分两大关键创新，将昇思原有的AI计算引擎升级为AI与科学计算的统一引擎，实现融合的统一加速。 昇思MindSpore通过架构创新，原生支持科学计算，突破了高阶高维自动微分、自动异构并行、跨尺度计算融合等创新技术，构筑了以八大套件为核心，可广泛支持物理驱动/数据驱动等多种AI科学计算范式的全场景框架。昇思MindSpore面向制造、气象、制药、航空航天、汽车、能源、金融、材料行业规划了八大套件的开发。目前昇思在制造、气象、制药、航空航天领域的四大套件已经投入研发，其中AI电磁仿真MindSpore Elec和AI生物计算MindSpore SPONGE取得了惊人的成果。 作为国内自研的AI+科学计算融合框架，昇思MindSpore积极响应产业界需求，不断在效率提升、易用性、创新性以及使用体验方面推动AI框架持续演进。 **数据智能，无限未来** 算法、算力和数据是人工智能三大核心要素，也是人工智能的三大基石。华为计算开源业务总经理堵俊平表示，数据集的开放是长期的趋势，越来越多的业界可用的数据集开源开放出来。就像开源一样，对商业更加友好的数据集以合规的形式慢慢开放出来。 AI算法持续突破创新，模型复杂度指数级提升的同时，准确率和效率也在不断提高，在各个细分领域应用加速落地。随着芯片处理能力提升、硬件价格下降、神经网络模型优化，AI算力也在大幅提升。与此同时，AI 产业级应用已经进入大数据、大模型时代。 数据集在AI创新和应用中至关重要。早在机器学习发展初期，吴恩达便提出一定要关心数据集，不要认为拼命把算力或是算法提升就能够解决。尤其对于深度学习算法，数据越多，训练的模型精度、准确率越高。 对数据集而言，框架模型构建了整体开源AI全景图，底层的AI部署，包括AI框架、模型的创建训练、后面的推理以及数据的清洗、ETL等，都是在数据层面。每一层都有大量的开源项目大行其道，而且发展得越来越好。 华为主任工程师、昇思MindSpore社区Maintainer李自表示，当前面对类似ChatGPT等AIGC大模型的爆发式应用，AI数据和模型带来的版权和隐私问题也日益凸显，华为作为核心贡献者参与SPDX AI元数据国际标准建设，通过开源生态与业界共同探索如何从供应链角度识别AI合规和安全风险。成果目前已在昇思MindSpore社区落地，支撑了200+数据集和20+大模型合规安全发布，未来华为会继续携手生态伙伴完善标准和配套工程能力的建设，推动AI向善。 **悟空画画大模型亮相** 在互动体验区——昇思MindSpore展区，中文文图生成模型-悟空画画大模型亮相，活动现场超上千名开发者参与体验，创作出多样风格场景的图片。 悟空画画文图生成模型基于Diffusion结构进行开发，使用中文亿级文图数据进行训练，借助悟空中文视觉-语言预训练模型的判别能力实现更好的中文图文匹配度，能够理解各类常见物体与场景描述，并能自适应多种绘画风格。 AIGC的爆红出圈开启了这一行业的“元年”，随着虚拟数字人的学习、表达、交互能力大幅提升，在各种场景中拓宽这AIGC应用的空间。昇思MindSpore将在这一行业持续深耕，为设计师提供创作灵感，真正的让AI与人类携手展示艺术的创新。 2023全球人工智能开发者先锋大会（GAIDC）精彩纷呈，亮点不断。新一代人工智能的高质量发展，离不开高水平科技成果的夯基垒台，昇思MindSpore非常有幸为大会贡献自己的力量。期待明年继续与千万开发者共同发展好新一代人工智能！ --- https://www.mindspore.cn/news/zh/2182/ --- 新闻 科学前沿，AI共创 ┃ AI for Science 助力各行业高质量发展 # 科学前沿，AI共创 ┃ AI for Science 助力各行业高质量发展 2023/03/02 # 科学前沿，AI共创 ┃ AI for Science 助力各行业高质量发展 2023全球人工智能开发者先锋大会（GAIDC）于2023年2月25日-26日在上海举行。本届大会主题为“向光而行的AI开发者”，以AI开发者为核心，为AI开发者带来产业之光、科技之光、未来之光，由昇思MindSpore开源社区和上海市人工智能行业协会主办的分论坛AI For Science邀请到一批行业专家和前沿学者带来精彩的主题演讲，洞悉当下AI for Science研究背后的深刻规律，分享AI 助力生物计算、流体仿真、新型材料等领域的最新趋势、最新技术以及在企业的应用实例，与此同时也邀请到AI大模型领域专家分享最新技术进展与使能AI开发实践，展示了大模型在不同领域中的广泛应用和重要性。 ## ******AI4S的****\*\***发展趋势和华为的愿景****\*\* 诺奖得主威尔逊曾说过，现代科学研究的三大支柱：科学实验、理论研究、科学计算。华为昇思MindSpore技术总经理、AI for Science实验室主任、华为软件领域科学家于璠博士介绍”华为积极投入计算产业，以为广大科研工作者提供全栈自主可控且高效易用的软硬件平台为愿景。 昇思MindSpore开源两年多来，秉持全场景协同、全流程极简、全架构统一三大价值主张，并致力于增强开发易用性、提升原生支持大模型和AI+科学计算的体验。” 围绕该愿景，昇思MindSpore从创立之初就已经布局科学计算领域，通过多尺度混合计算和高阶混合微分两大关键创新，将昇思原有的AI计算引擎升级为AI与科学计算的统一引擎，实现融合的统一加速。在电磁仿真、计算生物、流体仿真等领域与多家科研院所和企业合作，推出MindElec，MindSPONGE，MindFlow等AI4S领域包，降低科研开发门槛，推进AI4S的发展。 1、计算生物领域，昇思与北京大学高毅勤老师课题组合作，开发了新一代分子模拟软件MindSPONGE，通过架构创新实现分子动力学与AI的无缝融合，开发简单且运行高效；同时蛋白质结构预测精度业界领先，高效内存复用与图算融合技术使能端到端速度与最大推理序列长度成倍提升，并支持单序列预测与多结构评估，CAMEO多次月榜第一。 2、流体仿真领域，昇思与商飞研发团队联合创新，于2022年发布了首个工业级流体仿真大模型“东方·御风”与流体仿真领域包MindFlow，实现了基于AI方法的高效飞机翼型仿真，端到端仿真耗时缩短十倍，助力国产大飞机研发。昇思与西北工业大学教授张伟伟在湍流机器学习与深度学习流场快速预测上进行了深度合作，在华为昇腾硬件及昇思MindSpore上进行了深度优化，分离流场景实现了精度3~5倍的提升，在端到端流场快速预测实现了三维流场秒级推理。 3、电磁仿真领域，昇思与华为终端仿真团队合作开发MindElec电磁仿真工具包，实现高效手机电磁仿真，速度与传统软件 CST相比提升十倍以上。后又与东南合作金陵.电磁脑基础模型，基于AI方法进行大规模的阵列天线电磁仿真。AI方法相比于传统方法效率平均提升10X+，且随着目标规模的增大，该提升将会更加显著。 未来在新型材料、气象等领域，也正联合高校、科研院所和企业开展研究创新，并助力新技术在产业的应用落地： 1、新型材料领域：正联合清华大学副教授、特别研究员王笑楠开展人工智能加速新型材料的研发创新和关键技术突破，构建系统全面的化学材料大数据平台以及精准高效的通用材料研发模型，并联合国内TOP化工企业探索应用落地。 2、计算生物领域：正联合深势科技，开展分子模拟方向的研发创新和应用落地。 华为昇思MindSpore技术总经理 于璠 ## ******计算生物：分子模拟结合深度学习在分子体系中的方法和应用****** 北京大学教授、理学部副主任、JCTC杂志副主编 高毅勤介绍了癌变过程中基因组的变化；基因与基因接触概率与基因融合，基因共表达，编码蛋白间相互作用和功能高度相关；同时还介绍了与华为昇思团队在计算生物上的研究探索和联合创新，并联合推出计算生物套件MindSPONGE。 使用模块化的设计思路，可以快速构建分子模拟流程，并且基于MindSpore自动并行、图算融合等特性，可高效地完成传统分子模拟。在分子模拟上基于AI框架MindSpore设计，具备自动微分，自动并行，无需手动开发求导过程等优点。在结构预测上推出MEGA-Protein，MindSpore 复杂控制流， 高效内存复用， 单卡推理支持3k序列；自动并行 单节点8卡推理支持8K+序列；算法层面创新引入了MSA生成重构模型，突破了在「孤儿序列」、高异变序列和人造蛋白等MSA匮乏场景下无法做出准确预测的限制，并在全球蛋白质结构预测竞赛CAMEO中多次获得第一。 北京大学教授 高毅勤 ## ******流体仿真：智能流体****\*\***力学的发展和关键技术****\*\* 西北工业大学教授、长江学者张伟伟进行了以智能流体力学的发展为主题的演讲。针对智能流体力学，张教授分享了深度学习方法在飞行器高雷诺数湍流场的高精度求解、飞行器机动飞行的高精度仿真与控制律设计以及变构型跨声速流场的快速预测等方面的精彩工作。 张伟伟教授基于华为昇腾硬件及昇思MindSpore上进行深度优化，基于MindSpore的多任务混合优化、混合精度优化、动态分层loss scale、数据增强等关键技术，利用高效的坐标转换和几何编码的技术，实现超临界翼型流场复杂边界和非标数据的高效特征提取；设计基于ViT的网络模型结构，实现翼型几何和初始信息和流场物理信息映射。研究效果显著，分离流场景实现了精度3~5倍的提升，在端到端流场快速预测实现了三维流场秒级推理，在保证精度的同时实现流场仿真秒级推理，单次仿真速度相比传统仿真提升24倍（10min>25s），且能支持多种飞行参数（变马赫数，变攻角，变翼型）的泛化推理，满足超临界翼型跨声速巡航设计要求，缩短整体的设计研发周期数百倍。未来华为会进一步联合张伟伟老师、商飞在智能流体力学上进行联合创新，继续研究AI湍流建模、伴随优化、端到端流场快速预测等技术难题，结合大模型训练、迁移学习等技术，推动智能流体力学基础大模型的构建，形成产业落地。 西北工业大学教授 张伟伟 ## ******新型材料：人工智能加速新型材料的研发****** 清华大学副教授、特别研究员、福布斯中国科技女性王笑楠介绍了AI加速新型材料研发的重大机遇与战略性价值、经典AI方法在材料领域面临的技术挑战、以及与华为昇思MindSpore等团队在材料领域合作的突破性创新工作。 王笑楠团队针对如何利用深度学习、主动学习、数据增强和自动化技术实现材料多尺度体系下的合成、表征、筛选进行探索，在微观、宏观以及跨尺度任务中获得了优异的成果。AI与材料的深度融合可以带来研究范式的跃迁，转变传统的“人工实验”到“人工智能”从而带来产业突破，王笑楠联合华为昇思MindSpore面向具有战略性意义的“碳中和”目标，构建系统全面的化学材料大数据平台以及精准高效的通用材料研发模型，提供基于AI的新材料研发范式、充分利用AI计算优势令新材料研发降本增效、助力我国“双碳”目标实现，创造社会、经济乃至环境效益。 清华大学 副教授、特别研究员 王笑楠 ## ******药物方向：新范式驱动药物研发新工具及应用实例****** 深势科技计算生物负责人王冬冬博士展示了基于AI for Science新范式驱动药物研发新工具及应用实例。针对传统药物研发流程中的痛点，王冬冬博士详细讲解了借助AI for Science所做出的突破。其中，Hermite实现了高效易用的蛋白质结构计算与药物分子优化， RiDYMO平台则提供了高效分子动力学模拟，辅助难成药靶点发现。 深势科技计算生物负责人 王冬冬 ## ******探索从微观到宏观共性AI算法的重要性****** 上海人工智能实验室领军科学家欧阳万里博士带来了一场围绕从微观到宏观、跨学科的共性AI探索的精彩演讲。欧阳博士长期从事深度学习相关领域的研究，本次分享深刻阐述了AI for Science如何拓展AI的边界，以及探索微观到宏观共性AI算法的重要性。 上海人工智能实验室领军科学家 欧阳万里 ## ******Why Julia？ AI 科学计算的挑战****** 同元软控科学计算高级专家、华东师范大学科学学院博士陈久宁基于对科学计算与两语言问题进行深度剖析，介绍了Julia语言产生的背景以及同元软控围绕Julia布局科学计算的原因。陈博士重点分享了Julia能够同时允许高性能、无开销抽象与动态交互特性解决方案的核心性能。并通过Galois域上的数值计算这样一个案例向我们展示了Julia语言的具体实现，同时剖析了Julia语言本身的不足与挑战。 陈博士最后展示了同元自主研发的亚洲唯一自主的系统建模仿真 软件MWORKS，同时介绍“其中的AI模块基于MindSpore开发”，未来将进一步开展与昇思MindSpore的合作。 同元软控科学计算高级专家 陈久宁 ****总结和展望**** 在此次大会中，昇思MindSpore与各个领域的专家、开发者深入探讨了在科学计算领域、大模型领域，如何助力科学计算、技术与应用、未来趋势与发展方向等。在科学计算领域，昇思MindSpore规划10+AI科学计算领域包，加速7+核心方程求解，支撑8+行业科学计算应用落地，在电磁仿真、生物计算、流体仿真等领域均已布局并持续研究。 在电磁仿真领域，未来规划持续加速阵列天线仿真，手机电磁仿真，降低仿真成本。在生物领域持续增强分子模拟能力，加速药物研发全流程，减少研发成本，降低研发周期。在流体仿真领域持续提升气动仿真效率，助力国产大飞机研发迭代。 未来昇思还规划了新型材料、气象等领域联合业界进行联合创新，完善基础软件能力，加速科研探索，欢迎各位专家学者积极拥抱昇思MindSpore，联合创新，共同繁荣AI的前沿技术研究和产业发展。 --- https://www.mindspore.cn/news/zh/2193/ --- 新闻 守护生命之源，昇思MindSpore携手伙伴共同保护河流生态 # 守护生命之源，昇思MindSpore携手伙伴共同保护河流生态 2023/03/09 # 守护生命之源，昇思MindSpore携手伙伴共同保护河流生态 黄河已入青天去，空余九曲万里沙。 许多古老的文明都是从一条河流开始。 过快发展的经济和迅速演化的城市极大地破坏了水环境，以致大江大河源区生态环境质量日趋下降，水源涵养等生态功能严重衰退；北方重要防风固沙区植被破坏严重，沙尘暴频发；江河洪水调蓄区生态系统退化，调蓄功能下降，旱涝灾害频繁发生…… 为了保卫绿水青山，保护河流水环境成为了我们重大任务之一。传统的人工监管方式导致水治理工作效率十分低下，水务行业面临着严峻的挑战。昇思MindSpore联合多个伙伴在水资源保护、河道治理、环境监管、防洪止涝等多个方面，真正为生态环境保护做实实在在的事。 **会思考的泛水利智慧管理平台** - 2011 年3 月发生的江苏省江阴市污染泄漏造成的河道水体污染，污染原因为一艘化工船在装卸货物时“苯乙烯”发生泄漏。 - 2015年4月7日，长沙城市遭受内涝，部分街道变成“泽国”，被网民调侃为“2015年的第一波城市海景”。 - 2018年5月26日凌晨，长江河道出现一个由10人组成的非法采砂团伙带着多艘采砂船，2艘吊机船和1艘万吨运输船在阳新富池和黄冈武穴的交界处大肆采砂。 过往事件层出不穷，各类情况积弊深重、问题交织，如何应对？何时处理？ 成都见海科技公司联合昇思MindSpore共同打造\*\*“泛水利联合解决方案”\*\*，通过构建完整的“数字信息+GIS地图+视频监控”全景图。实现融合共享与AI智能分析。不仅将水行业基础模型研究、水行业信息化软件应用、水利云与大数据服务所整合，还为各级水管部门提供综合规划、产品实施、应用服务三位一体的全链路、一体化水行业完整解决方案，实现了水行业技术和产品跨界融合创新。 （大感知 — 建立全要素、全过程、多层次的感知体系） 见海科技以解决水利水务行业实际问题为导向，构建一个看得清、管得住、放得开、执法准、会思考的泛水利智慧管理平台，创建互联网时代的水利信息化建设创新模式。平台基于智能化摄像头，采用全场景AI框架昇思MindSpore深度学习模型，依托海量的、高质量的训练数据，打破传统水位测量方式的瓶颈，自动处理大量的水文监测视频、图像文件，通过处理、分析和理解，实现对水位智能识别和分析，提供包括自动监视、阈值设置、自动判断和智能告警等服务。 （泛水利智慧管理平台-治理闭环） \*\*1.\*\***智慧水位监测** （菜园坝遥测站智慧水位监测） 实现长江上游实行全天实时监控覆盖，对采集难、管理难的问题得到了很好的解决。同时深入不同场景，对一些角度刁钻、复杂地形的水位数据、流速数据智能化的识别。 \*\*2.\*\***智慧流速监测** 通过智能化的流速监测，快速获取河道断面流速，为监管部门提升了极大的效率。 （黄河三门峡智慧流速监测） **多维感知的智慧水务管理** 水环境污染问题已经严重制约着国民经济和社会发展，影响人们生活环境。 慧目（重庆）科技有限公司凭借与国内多个水利水文相关单位的深入合作和交流，结合水利水文行业传统管理特点和智能化建设的新需求，联合昇思MindSpore推出了\*\*“智慧水务管理平台”\*\*，通过视频图像的识别和分析，实现对排口区域的偷排，溢流现象自动抓拍，告警自动推送给相关管理部门，实现河道管护的现代化与智能化，从而提升工作效率，减轻工作压力，降低运行管理成本，促进河道管理可持续发展。 （AI视频分析高效支持河湖监管实现智慧化） 智慧水务管理平台，基于全场景AI框架昇思MindSpore，充分利用物联网多维感知、人工智能、边缘计算等最新科学技术，通过引入视频识别算法技术，利用智能视频分析技术，可及时发现异常事件实时监测和预警。对湖泊附近村民的违规捕捞、游客下水游泳、村民违规放牧等进行实时的检测判断，有效提高湖泊管理局管理水平。 （高原湖泊环境治理） 如果把摄像机看作人的眼睛，而智能视频系统或设备则可以看作人的大脑。智慧水务管理平台为湖泊管理提供了先进技术手段，变被动“监督”为主动“监控”，切实推动保护长江流域水生生物资源，修复长江流域生态环境，加强生态文明建设等工作。 绿水青山就是金山银山。昇思MindSpore与伙伴将持续强强联合，持续倡导和树立绿色文明意识和可持续发展意识，打造生态保护智能化解决方案，并对内对外赋能生态，成为我国智慧生态保护的核心力量。 **MindSpore官方资料** **官方QQ群** : 871543426 **官网**：https://www.mindspore.cn/ **Gitee** : https://gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://www.hiascend.com/forum/forum-0106101385921175002-1.html **Openl启智社区**：https://openi.org.cn --- https://www.mindspore.cn/news/zh/2195/ --- 新闻 昇思MindSpore赋能绿色生态，携手伙伴共创可持续未来！ # 昇思MindSpore赋能绿色生态，携手伙伴共创可持续未来！ 2023/03/12 # 昇思MindSpore赋能绿色生态，携手伙伴共创可持续未来！ “美丽中国，绿色是根本。没有了森林和湿地，岂能奢谈山川秀美？”党的二十大报告指出，坚持把发展经济的着力点放在实体经济上，推进新型工业化，加快建设制造强国、质量强国、航天强国、交通强国、网络强国、数字中国。推动战略新兴产业融合发展，构建新一代人工智能、绿色环保等一批新的增长引擎。 践行绿色发展，昇思MindSpore携手合作伙伴迈出跨越性的一大步，将人工智能与绿色生态领域结合，为数字经济健康发展唱响主旋律，推动中国“双碳”目标进程，共创后疫情时代新发展机遇。 **打造智慧监测，预警到防治一体化系统** 随着科学技术的发展以及植物保护领域与科技信息产品的不断融合，植物信息化的发展已经取得了一定的进步，从农情预警到病虫害防治都引入了一些信息化系统，为植保人员维护和政府管理提供了更加科学的解决方案。 但仅仅依靠传统信息化解决方案依然存在一些问题，比如信息数据处理大部分依然要依靠人工逐一查看，图片、视频数据量大审查工作效率底下或分支系统功能建设分散无法统一管理，统一分析都给植保工作带来一定的困难。 成都明途科技有限公司联合昇思MindSpore构建**智慧植保监控观测管理系统**，打造“大数据+人工智能”的农业数字大脑，构建农业数据、技术、管理三位一体的新引擎，从智能识别、智慧管理、智慧生产、智慧决策等方面实现植保的全生命周期管理，提升农业生产率，助力智慧农业发展建设。 （明途智慧植保总体架构） 系统实现植保工作远程观测、远程管理、智能分析、即时协同、多端查看等功能，采用成都智算中心的澎湃算力，助力植保观测管理工作能力全面提升。 （明途智慧植保在线监测系统-农场田间录像） 明途科技构建智能植保一体化观测分析机制，基于昇思MindSpore AI框架视图分类技术，通过深度神经网络，对视图数据进行特征提取及序列分析，围绕植保工作业务、观测需求展开系统设计和应用开发，可以实现对图像识别，达到图像分类的目的，可实现植物疾病类型的智能识别。 （兼具多种识别类型的图像联合智能识别） 通过物联网、大数据、人工智能技术等高新技术的深度应用，昇思将持续联合伙伴，打造智慧植保解决方案，降低农业生产成本，提高农业生产效率，提升农产品品质，让作物在最佳环境下生长，将病虫害等环境因素对作物的影响降到最低，为农业生产管理带来更多便利。 **打造智慧森防，助力森林资源安全保护** 保护森林，重视树木，每一棵大树的生长都对人类社会有相当大的积极作用。近年来，全球气候变暖，极端天气多发，森林火灾的高发成为森林资源安全的最大威胁。 目前，许多林业部门正在建立基于远程视频监控的森林防火监控系统，但是传统监控在面临复杂多变的林场环境下，就会稍微显得“力不从心”，在传统监控中会受到很多干扰因素，飞鸟，雨，雾等和烟雾相似的因素存在。会产生大量的漏报，误报，影响林业人员工作效率。 （无AI情况下可见光识别的难点） 南京恩博科技有限公司基于现有的森林防火视频监控系统进行24小时实时的智能分析，开发建设**智能森林防火视频监控系统**，在江苏鲲鹏·昇腾生态创新中心、南京人工智能计算中心的支撑下，将林业资源的各模块整合到大平台上，并植入智慧的理念，从而更好地监测林区的生长状况和突发事件等，辅助林业机构实现对林区的综合决策与智能监管。 （智慧森防总体架构） 系统借助昇思MindSpore AI框架、以边云协同计算架构、神经网络算法为支撑，应用计算机视觉技术，能够发现可见光图像、红外图像、多光谱图像背后的数据，同时将温度、湿度、光照、风力、风向等气象信息进行交叉分析，可实现林区环境综合决策的科学化、林区环境监管的精准化、林区环境公共服务的便民化。 （采用云边端混合识别引擎，为林火预警提供云大脑） 传统的防火监控是人工瞭望，防火期间有专门人员到瞭望塔观测，这种方法的弊端是存在时间间隔，无法做到全天候观察，而且容易受天气影响，雾霾天气能见度低时达不到监测的效果，同时存在极大的安全隐患。 （去雾AI算法降低雾霾对林火检测准确性的影响） 恩博智能森林防火视频监控系统能从海量堆积的监测数据中发现带有趋势性、前瞻性的信息，并利用AI识别，实现让系统自己划分检测场景，判别需要检测的区域。并对集团性云体具备自主识别能力，能够依据监测场景中云层、雾气的体积，预估监测场景的湿度情况。 （AI在森林和草原场景下对常见对象的识别） （不同气候、不同天气的云体识别） 昇思MindSpore始终倡导与积极实行绿色低碳理念，让人工智能将更多的资源合理调配利用，当下，昇思MindSpore将全力助推各地的政府、企业和组织实现绿色低碳的可持续发展，积极与各方开展合作，以人工智能技术创新构建低碳、高效、可持续发展的未来，实现数字经济健康发展。携手同行共建生态，昇思MindSpore正走出一条智能化“双碳”新路径。 **MindSpore官方资料** **官方QQ群** : 871543426 **官网**：https://www.mindspore.cn/ **Gitee** : https://gitee.com/mindspore/mindspore **GitHub** : https://github.com/mindspore-ai/mindspore **论坛**：https://www.hiascend.com/forum/forum-0106101385921175002-1.html **Openl启智社区**：https://openi.org.cn --- https://www.mindspore.cn/news/zh/2202/ --- 新闻 网易携手昇腾AI打造玉知-悟空图文理解大模型，做更“懂你”的产品 # 网易携手昇腾AI打造玉知-悟空图文理解大模型，做更“懂你”的产品 2023/03/17 # 网易携手昇腾AI打造玉知-悟空图文理解大模型，做更“懂你”的产品 不少人都有过这样的“心动”体验：上班路上打开网易新闻，推荐内容恰好是自己最近关注的行业动态；下班途中打开网易云音乐，惊喜的发现了几个小众宝藏歌手，忍不住直呼“网易云真是太懂我了！” 个性化的推荐机制像一个贴心的朋友，在互联网的海量信息中，总能捕捉到最合你心意的那个。 **01：个性化推荐机制的背后：多模态大模型保驾护航** 作为国内专业从事游戏与泛娱乐AI研究和应用的顶尖机构，网易伏羲于2021年起着力打造“玉知”多模态理解大模型。基于图片-文本双塔结构，先后训练了2亿、4亿、9亿参数的“玉知”版本。同时，利用网易伏羲开源的EET高效推理框架，对模型压缩、算法适配、硬件底层等方面进行优化，使其推理速度提升4倍，满足了线上的高并发需求，降低了部署资源的损耗。 在业务数据集的zero-shot评测中，“玉知”多模态理解大模型优于Chinese-CLIP的CN-CLIPViT-H/14。 “玉知”多模态理解大模型目前已在网易的多个业务场景中落地验证，为个性化推荐机制保驾护航：网易新闻基于“玉知”构建的图文内容表征，在推荐环节采用基于该图文向量的dropoutnet召回优化，对召回源、列表页视频试投、列表页试投整体等效果明显改进，实现视频和整体大盘的业务指标提升；网易云音乐基于“玉知”构建的内容表征引擎和内容相似检索引擎，在云音乐视频、长音频、广告等多个业务中，实现了对内容冷启动效率、CTR预估模型的优化，带来显著收益。 ****02：网易****+昇腾AI\*\*\*\*：****创造****1+1\*\*\*\*>****2的****智能体验\*\*\*\* 为了更好的使能大模型应用创新，昇腾AI构建了从规划、开发到产业化的大模型全流程使能体系，并于2022年正式发布了昇腾AI大模型开发使能平台，打通了大模型从开发到部署的全流程。 \*\*在大模型的开发上，**通过昇思MindSpore提供的自动混合并行API来加速训练过程，利用高阶的Transformer API，百行代码实现千亿级参数的模型开发，同时获得更好的模型性能；**为加速大模型场景化适配**，打造了丰富的微调套件，已成功应用于紫东太初大模型开放服务平台建设，支持小样本训练和模型一键微调；**在大模型的推理部署上****，\*\*昇腾AI提供的模型压缩工具，在精度基本无损的情况下，降低了70%计算量，提升了20%以上的推理性能。 为了给用户带来更好的智能体验，网易伏羲联合昇思MindSpore及华为诺亚团队，充分分析互联网行业数据集特性，对多模态模型结构进行优化，优选合适编码器并采用多阶段训练模式，**基于昇腾AI大模型开发使能平台，共同打造了玉知-悟空图文理解大模型。** 玉知-悟空图文理解大模型可广泛应用在互联网推荐搜索等业务中，通过提取图文的特征进行相关的检索。在网易视频推荐业务的应用中，玉知-悟空图文理解大模型在核心算法指标中得到近5%的提升，效果远超预期。未来，联合团队将进一步将成果应用到网易新闻、网易云音乐等更丰富的业务场景中，提升最终用户的个性化体验。 \*\*当被输入丰富的行业知识时，更精更专的大模型将显现出巨大的应用价值。\*\*昇腾AI大模型开发使能平台，已经具备了支持大模型开发所需的各项核心技术，同时提供了一整套高效、易用的大模型使能套件，形成了端到端的使能大模型开发能力。 未来，昇腾AI将联合网易以及更多行业伙伴共建共享，助力大模型创新，为繁荣AI产业生态铺就一条信心之路。 --- https://www.mindspore.cn/news/zh/2207/ --- 新闻 世界气象日 | 昇思MindSpore加持精准天气预报，天有可测风云 # 世界气象日 | 昇思MindSpore加持精准天气预报，天有可测风云 2023/03/23 # 世界气象日 | 昇思MindSpore加持精准天气预报，天有可测风云 气象+“AI”，用科技守护家园。 --- https://www.mindspore.cn/news/zh/2211/ --- 新闻 “智能基座昇腾高校行”中山大学站 | 昇思MindSpore带最新AI领域前沿动态入校园 # “智能基座昇腾高校行”中山大学站 | 昇思MindSpore带最新AI领域前沿动态入校园 2023/03/27 # “智能基座昇腾高校行”中山大学站 | 昇思MindSpore带最新AI领域前沿动态入校园 **智能基座昇腾高校行** 随着全球新一轮产业变革加速演进，以人工智能为代表的前沿技术驱动着人类社会迈入智能化时代，众多高校也积极开展人工智能相关的课程教学。3月25日，由华为技术有限公司主办、中山大学承办的“智能基座高校行·中山大学暨MSG·暴走校园”活动正式起航。在活动现场，昇思MindSpore专家带领同学们一起探寻了人工智能行业发展，并通过上手实践玩转AI前沿技术研究，激发了广大同学对AI应用研发浓厚的兴趣。 中山大学是最早一批与华为签订“智能基座”产教融合育人基地合作协议的高校，双方通过紧密联动，持续提高基地建设质量，总结凝炼优秀经验，为计算产业持续培养高质量人才。 中山大学电子与通信学院党委书记郑仕勇在开场致辞中提到，近几年，我们学校面向国家重大战略需求，面向经济社会与世界科技发展前沿，以一流为目标，瞄准人工智能、电子信息、大数据等新一轮科技革命和产业变革的痛点，全面部署发展，培养国家经济和产业发展需要的栋梁之才。 在活动开始前，华为与中山大学共同举办了2022年智能基座未来之星颁奖仪式，对优秀学生予以表彰，鼓励同学们要再接再厉，积极发挥自身特长，成为掌握多种AI技术的复合型人才。 在一个人工智能日新月异快速发展的时代，AI框架是推动人工智能领域创新发的核心根技术。在现场，昇思MindSpore技术生态专家杨滔以《全场景AI框架昇思MindSpore特性揭秘》为主题解析了全场景AI框架昇思MindSpore的极简开发、高效执行、全场景覆盖等优势。 他强调以昇思MindSpore为代表的开源深度学习框架，大幅度降低了AI开发的门槛，极大节省成本与时间，是AI创新的重要推手，非常适合高校开发者学习使用，昇思MindSpore也是众多开发者入行的首选框架。 昇思技术专家还带领大家进行昇思大模型平台的体验和昇思MindSpore趣味实操。通过对“悟空画画”等大模型的体验，帮助同学了解人工智能发展的最新趋势，通过对深度学习模型训练和推理的全流程实操，帮助同学们了解人工智能模型开发的关键步骤以及昇思大模型平台对同学们在人工智能领域的学习和实操提供的支持。 近年来，量子计算受到了国家、各级科研单位以及科技公司的广泛关注，其被认为是未来具有颠覆性影响力的新型计算模式之一。 基于昇思MindSpore的深度学习框架，华为发布了开源的量子计算套件MindSpore Quantum。全新一代通用量子计算框架MindSpore Quantum，采用量子经典混合计算架构，能够高效支持主流量子算法和经典量子混合算法，在量子机器学习、量子化学和量子组合优化等变分量子算法上有着卓越的性能。 HiQ量子计算云平台提供丰富的开发环境，融合高性能量子计算套件，是广大科研人员、老师和学生快速设计和验证量子算法的高效平台。 在活动现场，昇思MindSpore Quantum算法工程师周俊园，为中山大学学生分享《量子计算与MindSpore Quantum的编程实践》，主要从量子计算基础开始引入，介绍MindSpore Quantum量子计算框架，并进行量子线路搭建编程实践。 现场学生反馈：“本次讲座带领大家进入全新的量子计算的世界，课程讲解由浅入深，学练相结合，学习群里还有非常细致的操作指导文档。通过初次学习，大家体验到MindSpore Quantum极简的开发模式，在HiQ量子计算云平台的云端编程效果很赞，非常适合初学者快速入门！”周俊园也欢迎广大量子计算爱好者能够加入“大家庭”，共同开发和维护昇思MindSpore开源社区。 随着2023年数字经济大幕拉开，人工智能已经进入行业应用深水区，成为千行百业智能化转型的“根技术”。通过此次活动，中山大学同学们全面了解了昇腾AI产业现状与全场景AI框架昇思MindSpore，更坚定了未来努力的方向。 --- https://www.mindspore.cn/news/zh/2213/ --- 新闻 提前揭秘昇思三周年生日会，三大亮点不容错过！ # 提前揭秘昇思三周年生日会，三大亮点不容错过！ 2023/03/28 # 提前揭秘昇思三周年生日会，三大亮点不容错过！ 2023 年3月31日，昇思MindSpore开源社区三周年生日会即将开启，与开发者共同探讨昇思三周年进展。昇思MindSpore邀您一起，共同感受前沿创新技术的发展和AI开源社区的魅力！ **亮点一：**昇思MindSpore 2.0正式版预发布**** 2020年，昇思MindSpore社区推出首个全场景AI框架MindSpore 1.0版本；2021年，又推出原生支持大模型开发的MindSpore 1.5版本。迄今为止，已联合伙伴规划了20多个基于昇思的大模型，并成功发布多个业内首创的AI大模型。 本次生日会将会对全新版本进行预热宣讲——昇思MindSpore 2.0正式版。2.0正式版本在基础能力上完成AI与HPC的融合，大幅提升科学计算能力。此外进一步夯实了全场景能力，能够支持千万端侧设备协同学习，支持高效联邦学习，实现大模型跨域并行训练，为算力网络打下基础；通过统一的API，达成跨平台部署模型格式免转换，便捷地实现模型一次开发全网络、全场景部署；并且昇思2.0正式版对动态图的全面支持和动态shape编程体验提升，可兼顾开发灵活性与执行性能，同时使用JIT Fallback方案，并提供函数式+面向对象融合编程新范式，促进易用性显著提升。5月将正式发布，敬请期待！ **亮点二：业界最强MPaaS，昇思大模型平台全面升级，产业专区等三大亮点打造全球化模型社区** 2022年，昇思MindSpore开源社区使能AI大模型，打造首个基于国产算力和框架、服务全球开发者的一站式大模型平台。开发者不仅可以在线调用大模型推理服务，还可以在线使用微调组件，基于行业大模型训练场景化模型，使能千行百业。 本次生日会，昇思大模型平台将全新升级！重磅推出产业专区，包括电力专区、工业专区等，面向企业开发者提供从模型训练、推理到部署的AI应用开发专区。在平台易用性方面，支持Jupyter Notebook在线编程，新增MindFormers模块，提供pipeline高阶易用接口简化代码，支持开发者一键下载、加载、推理和部署模型，帮助开发者快速实现创意。在全球化布局上，联手Hugging Face推出首个基于国产算力的Space体验专区，开发者可以在Hugging Face上体验目前所有昇思大模型推理服务。在生态丰富度上，推出大模型课程模块，覆盖CV、NLP以及大模型开发多个领域，让开发者可以在平台从0到1的学习与实践AI项目，助力开发者AI能力的迅速提升！ **亮点三：学以致用，知行致远，与昇思MindSpore共成长** 自2020年3月28日开源以来，昇思开源社区生态繁荣发展。截止目前昇思MindSpore 社区已拥有核心贡献者9700+，下载量超过386万，服务企业5500+，MSG足迹遍布国内外30个城市。其中MSG暴走校园走进国内外近百所高校，为万名高校开发者赋能；MSG企业行走过8大城市，并开展7大领域互动，大幅覆盖AI企业用户。昇思MindSpore在码云（Gitee）千万开源项目中活跃度排名第一。社区一直致力于与更多优秀的开发者一同打造有竞争力的开源社区，聚焦开发者需求，帮助更多的开发者成长。 本次生日会，邀请多位昇思资深布道师、优秀开发者、AI赛事冠军，联袂登台分享各自与昇思MindSpore共同成长的历程，和对AI框架的技术理解、实践经验，以及如何参与从“0到1”的学习成长型社区。开发者可以通过优秀社区贡献者的分享中了解如何更好规划自己成长路线，通过贡献开源，参与开源，提升技术能力，广结行业大牛，真正做到“学以致用”。 3月31日，昇思MindSpore B站直播间不见不散！ 扫描二维码添加活动交流群，了解更多生日会资讯！ --- https://www.mindspore.cn/news/zh/2217/ --- 新闻 国际医生节 | 昇思MindSpore赋能医疗新生态，解锁智慧医疗新蓝图 # 国际医生节 | 昇思MindSpore赋能医疗新生态，解锁智慧医疗新蓝图 2023/03/30 # 国际医生节 | 昇思MindSpore赋能医疗新生态，解锁智慧医疗新蓝图 **国际医生节** 1842年3月30日这一天，麻醉医生Crawford Long为一位摘除颈部肿块的患者成功实施了第一例乙醚全麻。为了纪念这一成功，以3月30日作为庆祝日，延续使用下来。 医生，终其一生在为其他生命远离疼痛、为手术的顺利 “保驾护航”，也导致了大量医生常年超负荷工作。昇思MindSpore携手合作伙伴为我国医疗插上智慧的翅膀，为无数医生救死扶伤提供强力助力。昇思聚焦医疗场景，联合伙伴推出了系列解决方案，以AI技术带动数字医疗发展，使能医疗产业智能化升级，助力智慧医疗深度发展。 **麻醉智能管理-麻醉手术风险预测** 近年来，中国麻醉医师缺口不断，同时面临麻醉风险评估不全面且缺乏客观规范的标准和，要想尽快解决这些问题，AI力量将起到重要作用。 云南联合视觉科技有限公司联合昇思MindSpore推出\*\*麻醉手术风险预联合解决方案，\*\*运用大数据和AI等技术，实现整个围手术期术前、术中、术后的全数字化和信息化，降低麻醉和手术的风险，提升医生诊治效率，从而改善全社会的医疗服务水平，造福于民。 云南联合视觉基于昆明市人工智能计算中心充沛算力底座，以及昇思MindSpore全场景AI框架，训练麻醉手术风险预测NLP Bert模型，利用术前的患者访视信息和麻醉医生信息进行术中麻醉风险和术后麻醉并发症的预测，并将预测结果作为医患匹配度的衡量标准。综合考虑手术、麻醉和患者因素，通过对于麻醉风险进行预测，合理分配有限的医疗资源，做好麻醉预案，降低麻醉和手术的风险，保障患者的生命安全。 （麻醉手术风险预测”联合解决方案模型框架图） 麻醉手术风险预测联合解决方案实现对手术麻醉全过程的闭环管理。该方案减轻了麻醉医生工作压力，协助麻醉医生完成术前评估和术后随访工作，制定更加科学的麻醉方案。同时该方案实现手术申请、手术麻醉安排、术中物资清点等业务的计算机管理，将工作人员从繁重的手工记录、统计中解脱出来。 另外该方案提供规培学员、研究生和进修医生入科前培训、入科考试、出科考试、自动统计工作量等的管理能力。方案支持针对多个患者进行同数据的多维度对比，生成各种单据、报表，极大方便了科室管理。该系统病人手术麻醉发生的费用信息可直接通过麻醉记录单产生相关费用，避免漏费和欠费的发生，方便医院进行成本核算。 （手术麻醉临床信息管理系统） 未来，医疗体系中的AI系统将提供更多创新的解决方案来改变医疗服务质量，麻醉手术风险预测联合解决方案在提高麻醉诊断工作效率的同时，减少医疗差错，提高医疗质量，为构建新型的医疗体系提供支撑。 除了麻醉医疗外，AI还运用在医疗领域的不同场景。在科幻电影《普罗米修斯》中，有一个让人印象深刻的智能医疗舱。患者只需要躺在里面，便会进行一个全身的健康扫描，并得到相应的医疗建议，甚至可以直接进行手术治疗。这可以说是人类关于AI医疗的终极理想之一，随着AI技术深入结合医疗领域，这一科幻电影的部分功能得以实现。 **骨骼智能标注，**形态学参数自动识别与测量**** 骨骼疾病在我国职业人群中是一类常见疾患。在传统治疗中医生需对X光片进行手动的测量，但是手动测量的方法有诸如效率低、操作门槛高、误差不可预测等缺陷。不利与为患者匹配合适的假体，影响患者的康复。 西安光影传感技术有限公司联合昇思MindSpore推出**医学骨骼影像形态学参数自动识别与测量联合解决方案**，基于西安未来人工智能计算中心的强大算力支持，结合人工智能与计算机数字图像处理技术，辅助医护人员提升效率、提升公共服务质量，做“有温度”的技术，用科技向善守护“医者仁心”。 西安光影传感基于昇思MindSpore全场景AI框架，训练级联卷积神经网络，以逐步逼近的方式，预测图像的特征点位置，根据预测结果可用程序方便地换算出脚踝关节的相关尺寸参数，从而选择合适的踝关节假体。此项技术亦可用于人体其他关节形态学参数识别和假体选型。 （医学骨骼影像形态学参数自动识别与测量） 医学骨骼影像形态学参数自动识别与测量联合解决方案支持大批量数据处理，可实现短时间内处理大量数据，大大节省时间人力成本。同时该方案具备较高数据训练分割速度和准度，可有效保住数据稳定的精度。与此，该方案验证了神经网络用于人体测量的可行性，可以拓展到更广泛的医学测量领域，对接上下游，推进关节假体定制化。 （医学骨骼影像形态学参数自动识别与测量效果展示） 在传统医疗骨骼影像诊断下，医生经验和精力成了一种稀缺资源，在产能有限的情况下，用人工智能完成重复的筛查工作更加经济、高效。骨骼影像智能化不仅能提高医疗服务效率，还能辅助医师进行精准诊断，助力建设标准化的医疗服务体系，推动优质的医疗资源普惠大众。 未来，人工智能与医疗体系中的各个环节展开深度融合，成为影响医疗行业发展、提升医疗服务水平的重要因素，昇思MindSpore将联合伙伴持续不断地深耕AI医疗领域，推动打造更多的智慧医疗解决方案，降低医疗支出成本，提升医生群体业务能力，促进人工智能在医疗领域迸发出更强大的势能，让更多的民众享受到技术进步的福利。 --- https://www.mindspore.cn/news/zh/2218/ --- 新闻 MSG·暴走校园 | 昇思MindSpore携手南京大学共同培养新时代科技人才 # MSG·暴走校园 | 昇思MindSpore携手南京大学共同培养新时代科技人才 2023/03/31 # MSG·暴走校园 | 昇思MindSpore携手南京大学共同培养新时代科技人才 **MSG·暴走校园** 数字时代的人才培养，既需要基础理论的灌溉，也需要对接产业科技发展趋势与市场的需求。高校作为创新的源头，不但是人才培养的大本营，也是企业普及技术发展，培养和吸纳适应创新型国家建设需要的高水平创新人才的重要阵地。随着科技的发展， AI技术已广泛应用于各个领域，赋能千行百业。如何让AI用得上、用得起、用得好才是关键。 3月29日，昇思MindSpore开源社区与南京大学共同举办“MSG·暴走校园”活动。南京大学人工智能学院本科生辅导员陈颖老师、华为昇思MindSpore技术生态专家杨滔、华为计算产品线HR汪波、华为计算产品线HR方芳、华为昇思MindSpore高校活动负责人孙宁出席了本次专场活动。 对于开发者而言，开源的深度学习框架降低了AI开发的门槛，极大节省成本与时间，是AI创新的重要推手，作为华为开源的全场景深度学习AI框架，昇思MindSpore旨在实现易开发、高效执行、全场景覆盖三大目标，着重提升易用性并降低AI开发者的开发门槛，非常适合高校开发者学习使用，也是众多开发者入行的首选框架。 活动中，**华为昇思MindSpore技术生态专家杨滔**针对全场景AI框架昇思MindSpore进行了深度的解析，从产业应用、科研创新到生态发展等多个方面讲解全场景AI框架昇思MindSpore的优势，让同学们快速了解人工智能领域的前沿动态，还吸引了一批感兴趣的同学加入到昇思MindSpore开源社区中。 此外，他还带领同学们展开一场趣味实操，通过对“悟空画画”等大模型的体验，帮助同学了解人工智能发展的最新趋势，通过对深度学习模型训练和推理的全流程实操，帮助同学们了解人工智能模型开发的关键步骤以及昇思大模型平台对同学们在人工智能领域的学习和实操提供的支持。 在现今时代背景下，如何培养创新型应用型人才是给高校的一个重大课题，**华为计算产品线HR\*\*\*\*汪波**在主题为《遇见成长，华为HR教你如何规划职业生涯》的演讲中表示数据、算力等核心生产要素将引发产业变革，驱动新经济形态发展，并分析了当前计算人才的分布和计算产业就业前景。汪波老师和同学探讨了如何更好的进行职业规划，以华为HR的视角分享企业培养及使用人才的观点，与高校展开深度的交流，为高校人才培育建设提供企业视角，实现人才培养的良好衔接。 人工智能的发展，需要数字化人才的助力。“MSG·暴走校园”走进南京大学，通过昇思专家的讲解，激发学生兴趣。自2022年4月以来，“MSG·暴走校园”活动已走进百所高校，活动始终致力于帮助指引校园开发者学习方向、提升技术水平，在这里你可以体验趣味AI实操课程、与华为专家老师实时互动交流、加入高校AI社群与志同道合的伙伴一起肝项目、参加最新AI比赛掌握阶段性学习成果…… 无论是新手小白还是已有成果的炼丹侠，“MSG·暴走校园”都是你的最优质选择，未来我们希望携手更多高校，共同培养更多高校开发者，让学生更加了解AI，为国家人工智能发展蓝图埋下了一颗希望的种子。 --- https://www.mindspore.cn/news/zh/2220/ --- 新闻 打造人工智能创新之源，共建昇思开源新生态 # 打造人工智能创新之源，共建昇思开源新生态 2023/04/04 # 打造人工智能创新之源，共建昇思开源新生态 3月31日，由昇思MindSpore开源社区主办的昇思开源三周年生日会如期举行。本次生日会对即将发布的昇思MindSpore 2.0正式版本进行预告、发布了最新版的昇思大模型平台，同时还发布了昇思大模型技术公开课程。生日会给开发者展示了三年来昇思在人才培养、开源共建方面的最新进展，全面呈现了昇思MindSpore开源社区携手伙伴共同打造人工智能创新之源，构建中国自主AI框架的规划与生态成果。 **昇思MindSpore业务总经理丁诚**对生日会进行开场致辞，他表示，人工智能产业正迎来科研突破、行业应用落地的关键加速期，昇思正不断探索人工智能技术前沿，持续升级昇思技术路线，联合上下游伙伴打造多芯生态，共建中国AI自主框架新生态。 **一、**昇思再升级，打造AI创新的首选框架**** AI框架是人工智能的操作系统，是模型开发的核心，对人工智能软件生态的构建非常重要。2020年年3月，华为开源了业界首个全场景AI框架昇思MindSpore，以技术发展为驱动，昇思技术架构持续升级演进，开始从传统的深度学习延展到大规模分布式并行计算、融合计算，原生支持大模型与科学智能。 **昇思MindSpore技术总经理于璠**在会上预告了即将发布的业界首个AI融合框架——昇思MindSpore 2.0正式版本，在基础能力上完成AI与HPC的融合，科学计算能力大幅提升。 首先，昇思构建的多算力科学计算加速库，扩展支持HPC任务，并利用昇思自动并行、异构加速、融合编译优化等既有能力，可同时对AI与HPC双重任务性能优化，执行性能加速2倍；升级了自动微分引擎，通过高阶微分方程的优化算法，可完成融合计算端到端的微分方程求导，效率提升5倍。 其次，昇思通过构建科学智能套件，加速行业应用创新，并在制造、制药、航天等8大科学计算常用行业进行了10大套件的布局，成功发布电磁仿真套件MindSpore Elec、分子模拟套件MindSpore SPONGE以及流体仿真套件MindSpore Flow。 尤值一提的是，MindSpore 2.0还进一步夯实了全场景能力，支持高效联邦学习，实现大模型跨域并行训练，为算力网络打下基础，同时还能支持千万端侧设备的协同学习。 **二、面向AI全行业用户，昇思大模型平台全新升级** 自2020年3月28日开源以来，昇思MindSpore一直秉承“开发者第一、技术优先”的理念，持续使能科研创新与产业应用，通过原生的技术体系，不断加速中国AI应用生态。三年来昇思吸引众多优秀的开发者加入进来一起打造有竞争力的开源社区，并聚焦开发者需求，帮助开发者成长，，汇聚科研与产业的力量，更好地为开发者、用户与合作伙伴提供服务和支持。 **昇思MindSpore开源生态总监胡晓曼**在本次生日会，发布了最新版的昇思大模型平台。升级版本完善平台功能和模块，是首个基于国产算力和框架，并服务全球开发者的一站式大模型平台。 昇思大模型平台将根据开发者需求提供跨计算中心调度的算力资源实现大模型的开发。让大模型的开发不再需要考虑算力资源问题。同时社区还通过HuggingFace，将大模型功能开放给全球开发者体验。 平台本次开放了业界首个基于AI画廊的技术内容社交能力。在AI画廊模块，可查看海量开发者基于悟空.画画生成的图片，为设计师提供创作灵感，真正的让AI与人类携手展示艺术的创新。同时悟空.画画大模型体验功能也再次升级，用更简单的描绘，创作出更优质、精美的画作。 面向企业用户，平台打造业界首个大模型行业专区，包括电力专区、工业专区等，面向企业开发者提供从模型训练、推理到部署的AI应用开发专区。配合专区开发，平台将开放企业课程、企业领域赛事，并提供多种免费异构算力，如：Ascend，CPU，GPU，全面提升平台产业专区易用性，助力企业开发者快速开发AI应用，让大模型赋能千行百业。 面向人工智能领域学习者，提升了平台易用性，支持Jupyter Notebook在线编程，新增MindSpore TransFormers模块，提供pipeline高阶易用接口简化代码，支持开发者一键下载、加载、推理和部署模型，帮助开发者快速实现创意。 **三、****夯实智能根基，培育AI人才****** AI人才是AI生态的源头活水，开源是AI开发者培养的土壤。昇思社区一直坚持技术路线公开、透明，通过构建社区技术委员会，共同商定昇思技术发展方向；举办社区多元化活动，与开发者互动，听取开发者意见，对开发者提交的每一个Issue/PR都认真对待、积极响应；在高校中开设昇思的课程、传道开源理念与技术，每年可覆盖10万名大学生。与启智等兄弟社区联合，举办“OpenI启智&MindSpore集结号”，吸引高校学生学习AI开发、为开源社区贡献AI模型，每期可培养30+AI核心开发者；此外抓创新源头，联合CAAI设立顶会论文基金项目，鼓励广大科研工作者创新，基于昇思发表顶级会议论文，每年支持500+AI学者。 本次生日会邀请了**爱丁堡大学信息学院助理教授麦络、武汉理工大学计算机与人工智能学院院长熊盛武、泰克科技人工智能讲师魏俊、昇思MindSpore布道师Selina**，分享了在社区在人才共育的最新成果。 - 在教辅书籍方面，昇思夯实夯实“智能基座”产教融合协同育人基地项目落地，出版两本昇思MindSpore中文教辅书籍《深度学习与MindSpore实践》、《MindSpore深度学习高阶技术》，一本英文教辅书籍《Deep Learning and Practice with MindSpore》。本次生日会发布了昇思教辅书籍《机器学习系统：设计和实践》，帮助开发者快速了解机器学习系统的全貌，并对深刻理解框架背后的技术细节有更好的指导。 - 在高校教学方面，昇思累计与240所高校展开科研合作与教学，建设高校校级金科55门，评选出优秀课件22+，进一步提升了课程融入率，夯实合作成果。武汉理工大学依托教育部-华为智能基座协同育人基地和深度学习课程虚拟教研室，与昇思MindSpore深度合作，构建基础理论人才与“人工智能+X”复合型人才并重的培养体系。 - 在社区课程方面，昇思开展了从入门到精通的全场景AI实战线上课程，设置初、中、高级别课程，依托昇思大模型平台，上线了优质精美的在线学习课程资源，转型全新开源创新实践课程，配合课程，提供类型多样的AI赛事，内容有趣的社区活动，为不同层级的开发者提供从0到1的提升机会。在本次生日会预告了即将开展的昇思技术公开课的大模型专题课程，通过理论、实践的结合，让开发者逐步掌握AIGC大模型的原理和实现，动手就能搭建一个简易版“ChatGPT”。此外社区还配套丰富的社区实践活动，助力开发者从开源小白成长为开源专家。 **四、**说在最后**** 三年来，在社区开发者的支持下昇思生态得到了快速发展，越来越多的开发者选择昇思进行科研、应用创新。截止目前，社区昇思软件下载量超过435万，增速第一；超过1.1万开发者为昇思贡献代码、提交Issue、PR；近30个sig组基于昇思持续构建创新技术；5500多家企业基于昇思构建应用方案；40多家科研院所基于昇思进行大模型、AI4S等原生AI创新工作。 昇思的全方位升级，奏响了人工智能的创新之源最强音，将带动整个AI生态不断突破向上，千行百业的枝头会挂满数字化、智能化的硕果。让我们共同携手，共建中国自主AI框架生态，打造人工智能的创新之源！ --- https://www.mindspore.cn/news/zh/2227/ --- 新闻 共筑AI创新之源：CAAI-MindSpore学术奖励基金项目答辩暨交流分享会圆满举办 # 共筑AI创新之源：CAAI-MindSpore学术奖励基金项目答辩暨交流分享会圆满举办 2023/04/10 # 共筑AI创新之源：CAAI-MindSpore学术奖励基金项目答辩暨交流分享会圆满举办 \*\*2023年4月8日-9日，中国人工智能学会-华为MindSpore学术奖励基金项目（以下简称：CAAI-MindSpore学术奖励基金项目）答辩暨交流分享会在杭州成功举办。\*\*此次活动由中国人工智能学会与昇思MindSpore开源社区联合发起，旨在促进人工智能科研创新和生态建设发展。 CAAI-MindSpore学术奖励基金项目面向高校及科研院所的AI科研人员，搭建学术交流平台，提供经费、算力、技术支持等服务，推动昇思MindSpore在AI领域科研的应用，支持基于全场景AI框架昇思MindSpore的国际高水平会议和期刊的学术论文发表，激发原创性科学研究，构建原生技术生态，打造中国人工智能科学研究的全球影响力。 **承上启下，携累累硕果扬帆启航** 4月8日，CAAI-MindSpore学术奖励基金项目二期完成结项答辩。近百位项目负责人及其团队成员共聚一堂，分享项目成果。由中国人工智能学会和华为专家组成的评审委员会，对项目进行逐一点评并给予中肯建议。 同日，CAAI-MindSpore学术奖励基金项目三期举行开工会。中国工程院院士、CAAI理事长、清华大学信息学院院长戴琼海为会议致辞。昇思MindSpore研发与生态总监李锐锋介绍了昇思MindSpore最新情况；CAAI副理事长、清华大学教授孙富春详细介绍了三期项目验收规则及运营规划；OpenI启智社区算网联盟合作与交流部部长邓清对项目算力支持情况进行详细说明。 4月9日，CAAI-MindSpore学术奖励基金项目交流分享会顺利举行。昇思MindSpore技术总经理于璠、华东师范大学计算机学院谢源教授担任会议主席。OpenI启智社区算网联盟合作与交流部部长邓清分享了OpenI启智社区对项目的支持情况；北京航空航天大学彭浩老师、中国科学技术大学於俊老师、厦门大学组织部副部长曲延云老师、山东大学丛润民老师、中南大学王森章老师担任嘉宾分享在产业人才培养方面的经验。 同日，《人工智能基座开源与生成力：从GPT-4透析科技创新之路》专题论坛顺利举办。昇腾生态发展部副部长张存燕和浙江大学人工智能研究所所长吴飞教授担任会议联合主席，与众多高校学者、昇思MindSpore技术专家共同探讨AI基座开源中GPT-4如何推动科技创新、带动AIGC发展。昇腾大模型技术专家赵英俊分享了昇思MindSpore在超大模型训练领域的实践经验。 昇思MindSpore始终将学术生态的构建作为激发技术创新的活力之源。未来将持续联合学会、高校等力量，为开发者提供原生创新的AI新技术，构建简捷易用的AI开发新体验，打造成长和获益的新机会，以产业汇聚人才，以人才引领产业，助力人工智能产业稳健发展。 --- https://www.mindspore.cn/news/zh/2230/ --- 新闻 MindSpore Quantum 0.8 | 量子线路模拟器全新升级，新增GPU模拟器，性能倍级提升 # MindSpore Quantum 0.8 | 量子线路模拟器全新升级，新增GPU模拟器，性能倍级提升 2023/04/11 # MindSpore Quantum 0.8 | 量子线路模拟器全新升级，新增GPU模拟器，性能倍级提升 **MindSpore Quantum 0.8版本全新发布** 经过社区开发者们的不断努力，量子计算MindSpore Quantum最新的0.8版本正式面世。 新版本中我们推出了\*\*更强劲的自研量子模拟器mqvector ，新发布GPU模拟器mqvector\_gpu。\*\*此外新版本支持更多的量子门，方便用户开发更多新的量子算法。下面就带大家快速浏览0.8版本的关键特性。 **全新量子模拟器，性能更强劲** 新版本中我们推出了全新的量子模拟器mqvector，支持全振幅量子模拟，且可自适应控制量子模拟时调用的运算资源，性能表现更好。 **【VQE求解化学分子基态能量】** VQE求解化学分子基态能量-CPU、GPU（12量子比特 H6），MindSpore Quantum与主流软件Qiskit、TensorFlow-Quantum对比效果如下面两图所示， CPU性能提高12倍以上，GPU性能提高7倍以上。 图1 量子模拟器 VQE（CPU）性能对比图 图2 量子模拟器 VQE（GPU）性能对比图 **【QAOA求解Max-Cut问题模拟】** QAOA求解Max-Cut问题（16量子比特），MindSpore Quantum与主流软件Qiskit、Qulacs对比效果如下图所示，性能提高2倍以上。 图3 量子模拟器 QAOA性能对比图 **【随机线路演化模拟】** 随机线路演化CPU-20量子比特，GPU-22量子比特，MindSpore Quantum与主流软件Qiskit、Quest对比效果如下面两图所示，CPU性能提高2倍以上，GPU性能提高5倍以上。 新版本MindSpore Quantum可以通过如下指令来升级： `pip install mindquantum==0.8.0` 使用方式如下： `from mindquantum.algorithm.library import qft from mindquantum.simulator import Simulator circ = qft(range(3)) sim = Simulator('mqvector', circ.n_qubits) sim.apply_circuit(circ)` 其他会使用到量子模拟器的地方也可使用，例如： `from mindquantum.algorithm.library import qft qft(range(3)).matrix(backend='mqvector')` 此外，我们还推出了基于GPU的量子模拟器mqvector\_gpu，具体使用方式与mqvector类似。注意：该模拟器仍处于beta试用阶段，具体调用方式后续可能会持续优化。GPU版本的MindSpore Quantum 0.8请扫下方二维码下载，下个版本将可以直接使用pip指令来安装。下载后删除名称中的"\_gpu"，然后使用pip指令来安装下载的安装包。 ### **2.4** **BarrierGate** 在新版本中，我们可以只对特定的比特添加屏障门，请看示例： `import mindquantum.core.gates as G from mindquantum.core.circuit import Circuit, UN circ = Circuit() + UN(G.H, 3) + UN(G.BarrierGate(), [0, 2]) + UN(G.H, 3)` ### **2.5** **KrausChannel** 我们还新增了KrausChannel接口，用户可以根据自己的需求来自定义噪声信道，进行含噪线路模拟。 `from mindquantum.core.gates import KrausChannel from mindquantum.core.circuit import Circuit from math import sqrt gamma = 0.01 kmat0 = [[1, 0], [0, sqrt(1 - gamma)]] kmat1 = [[0, 0], [0, sqrt(gamma)]] phase_damping = KrausChannel('phase-damping', [kmat0, kmat1]) circ = Circuit().h(0).x(1) circ += phase_damping.on(0) circ += phase_damping.on(1)` 往期回顾 MindSpore Quantum 0.7 | 多平台可安装，灵活易用，只为给开发者带来更好的体验！ MindSpore Quantum 0.6 | 易用灵活新起点，展示模块功能强，只为带给开发者更好的体验！ 点击阅读原文查看代码仓版本Release Notes https://gitee.com/mindspore/mindquantum/releases **加入MindSpore Quantum SIG** 如果您对量子计算感兴趣，或者有新的想法，欢迎加入MindSpore Quantum SIG，和我们一起探讨！（扫码添加小助手微信，进入SIG） --- https://www.mindspore.cn/news/zh/2232/ --- 新闻 CAAI-华为MindSpore学术奖励奖金项目成果展 # CAAI-华为MindSpore学术奖励奖金项目成果展 2023/04/13 # CAAI-华为MindSpore学术奖励奖金项目成果展 --- https://www.mindspore.cn/news/zh/2234/ --- 新闻 MSG·暴走校园 | 哈尔滨工业大学（深圳）站来喽，AI新体验，等你来“战”！ # MSG·暴走校园 | 哈尔滨工业大学（深圳）站来喽，AI新体验，等你来“战”！ 2023/04/13 # MSG·暴走校园 | 哈尔滨工业大学（深圳）站来喽，AI新体验，等你来“战”！ **AI进校园** 随着人工智能大规模应用，AI技术早已从实验室的“象牙塔”走进越来越多的生产、生活场景，带来全新想象力，AI相关的产品服务日渐丰富并深度融入各行各业。 为进一步推进人工智能时代后备人才的培养，持续挖掘高校开发者对于人工智能等科学技术的创造力，培养学生的未来竞争力和核心素养，**_4月16日_**，**昇思MindSpore开源社区**将走进\*\*哈尔滨工业大学（深圳）\*\*开展“MSG·暴走校园”活动，本次活动将带领高校开发者深入了解全场景AI框架昇思MindSpore在各行各业中的实际应用，感受课堂以外的AI体验和乐趣，还有华为HR教你如何拿下大厂offer，规划职业生涯！现场更有惊喜礼品等你互动！ **活动时间：** 2023年4月16日（周日）14：00-16：10 **活动地点：** 哈尔滨工业大学（深圳）T3201教室（**校内专场活动**） --- https://www.mindspore.cn/news/zh/2235/ --- 新闻 国产AI算力加持！昇思大模型平台震撼升级，轻松上手，开箱即用 # 国产AI算力加持！昇思大模型平台震撼升级，轻松上手，开箱即用 2023/04/13 # 国产AI算力加持！昇思大模型平台震撼升级，轻松上手，开箱即用 自2019年开始，超大规模预训练模型逐渐涌出，到2020年发展到白炽化阶段。 1750亿参数的GPT-3大模型的发布，大模型参数规模实现了从亿级到千亿级的突破。 2022年ChatGPT的横空出世再次点燃了人工智能火炬，国内外大厂开始纷纷发布自家大模型。 可以说，大模型迈出了通用人工智能的第一步，作为未来社会技术突破与变革的关键力量，将深刻影响未来产业格局 。 然而，模型复杂度高，参数量大，对算力提出了极大的需求，基于目前业界已有主流框架进行大模型的开发，并不能很好地适应产业需求。 为此，昇思MindSpore作为新时代的AI框架，在设计之初就充分考虑大模型开发时可能会遇到的问题，为大模型创新开发提供了完备的硬核技术。 通过软硬件协同优化，实现一行代码即可完成模型自动切分、分布式并行计算，将大模型开发并行代码量降低 80%、系统调优时间下降 60%。 此外，它还有极致的全局内存复用能力，512卡就可以训练10 万亿参数大模型，极大降低大模型训练成本；极简的断点续训能力，开发者无需从头开始，千亿参数模型在分钟级就可无损恢复。 昇思MindSpore充分发挥原生支持大模型训练的能力，降低大模型创新开发门槛。 基于昇思MindSpore AI框架，中科院自动化所、武汉大学等科研单位先后发布业界首个图文音三模态大模型「紫东.太初」，全球首个智能遥感框架「武汉.LuoJia」、业界首个基于扩散模型和最大开源中文数据集生成的中文生图大模型「悟空.画画」等多个大模型。 为了让AI大模型更好地普惠大众，昇思社区打造了首个基于国产AI算力和框架、服务全球开发者的一站式大模型平台，将大模型的能力开放给开发者。 昇思大模型平台：https://xihe.mindspore.cn/ 平台是集模型选型、创意分享、在线体验为一体的一站式AI学习与实践平台，具备AI实验室，模型库，大模型在线体验与微调，数据集等多个模块，提供超强免费算力，经典易用的样例，优质精美的在线学习课程资源，类型多样的AI大赛和内容有趣的社区活动等。 近期，社区为了给企业开发者更好的体验，平台在各个模块也进行了升级： **\- 在产业布局上**，打造大模型行业专区，包括电力专区、工业专区等，面向企业开发者提供从模型训练、推理到部署的AI应用开发专区。 **\- 在全球化布局上**，联手Hugging Face推出基于昇腾AI的首个基于国产AI算力的Space体验专区，开发者可以在Hugging Face上体验所有昇思大模型推理服务。 **\-** **在新一代AIGC社交上**，开放了业界首个基于AI画廊的技术内容社交能力。 **\- 在平台易用性方面**，支持Jupyter Notebook在线编程，新增MindSpore Transformers模块。另外，平台还推出了课程模块，覆盖了CV、NLP以及大模型开发多个领域，让开发者可以在平台从0到1的学习与实践AI项目。 **开放基于AI画廊技术社交平台，让AI「大众化」** 昇思大模型平台对悟空.画画大模型体验功能进行全新升级！开放了业界首个基于AI画廊的技术内容社交能力，让AI技术从「专业化」走向「大众化」。悟空.画画是基于Diffusion结构开发的中文文生图大模型，训练时使用了中文亿级文图数据，借助悟空中文视觉-语言预训练模型的判别能力实现更好的中文图文匹配。悟空.画画有着强大的文生图能力，能够识别各类场景描述与绘画风格。开发者们在进行文生图的过程中，可以通过简单的提示，选择自己喜欢的风格，就能够创作出优秀、精美的画作，让每个开发者使用便捷，并且容易上手。与此同时，对于生成的精美画作，开发者还可以通过全新的「AI画廊」，发布自己的创意作品。最重要的是，当你看到了他人惊艳的作品，还能点赞、分享和收藏。不仅增加了你与其他开发者的互动，而且还丰富了AI社交娱乐性，从中找到了AI带来的乐趣。 平台使用AIGC内容创作生成技术连接人与人之间的关系，让AI生成图片走入了人们的日常。根据用户的喜好，为用户插上想象力的翅膀，通过算法快速实现用户的想法，结合收藏，分享等行为，进一步丰富用户在内容方向的互动体验。平台利用生成式AI为用户构建了一个创造性的新世界，在这里，我们帮助用户实现他们天马行空的想法，收获拥有同样想法的朋友的认可。当然，除了丰富用户的社交，生成式AI的作用远不止于此，在某些情况下它可以解锁更好、更快、更便宜的创作，产生巨大的劳动生产率和经济价值。对于企业用户而言，除了可以随时发现平台上富有创意的作品，也可以根据企业自身的需求和输入，自动生成风格多样的内容，帮助企业高效优化设计方案。 金融 数字 科技感 #风格：高清 基于悟空.画画生成图片制作的金融画报 在线体验悟空.画画：https://xihe.mindspore.cn/modelzoo/wukong\*\*构建大模型产业专区，助力企业数智化转型\*\* 平台规划建设业界首个大模型产业专区，旨在面向企业开发者提供从模型训练、推理到部署的AI应用开发专区。目前，已上线人文、电力、医疗、工业四个场景企业案例。后续平台将上线相关案例精选模型，如国潮AIGC模型、电力领域大模型等，帮助企业在平台上部署大模型，建立行业样例标杆。 结合已有模块和能力，平台将为企业打造一套完整的平台解决方案：**\- 在开发方面**：联合行业客户开放企业模型相关项目代码到AI实验室，开放相关业务模型到模型库，供开发者查询/下载/本地使用，开发者可基于该代码在线体验模型训练，评估和推理，并进行二次优化，将优化后的结果贡献平台与企业。 **\- 在赋能方面**：平台课程模块将持续上线高价值的企业AI课程，帮助开发者更好认识企业的业务；当前面临的现状、痛点；为企业开发者赋能，能够快速理解业务分析符合企业需求的模型。同时，平台可联合企业策划并开展比赛，在比赛模块上线企业专题比赛。 **\- 在伙伴共建方面**：昇思社区将联合企业，共同开展企业专场活动；在平台展示企业精选模型，帮助企业快速部署大模型，树立行业标杆。**\- 在易用性方面**：平台后台可提供数据统计模块，统计企业各个模块的访问量，调用次数，模型下载量等指标。平台还将在未来建设更多企业专区，欢迎企业加入昇思社区，与昇思一同推动企业数智化转型，让大模型赋能千百行业。**联合各地人工智能计算中心与Hugging Face社区，让大模型服务全球开发者** 平台是首个基于国产AI算力和框架、服务全球开发者的一站式大模型平台，可实现跨人工智能计算中心弹性调度各地昇腾AI算力，支撑开发者高效开发。目前，全国已有20多座城市启动建设人工智能计算中心， 10多个城已正式上线，为区域发展提供普惠AI算力。 为了让算力被最大化的使用，昇思大模型平台将优化现有算力管理结构，让各计算中心能够无缝接入，演进算力调度策略和机制，根据策略自动实现训练任务多算力中心资源的最佳分配。通过联结多计算中心算力，使得大模型的开发不再需要考虑算力资源问题，平台根据用户的需求，所属的地域和算力情况等因素进行综合考量，自动为用户分配可用的算力节点，让大模型开发和使用变得更加简单。截至目前，平台已接入首个基于昇腾AI的人工智能计算中心部署了包括悟空.画画，紫东.太初等多个AI大模型，对开发者开放大模型的在线体验服务。同时平台联手Hugging Face社区推出基于昇腾AI的的首个Space体验专区，搭载平台后台的大模型推理能力，让全球开发者可以在Hugging Face上体验所有昇思大模型推理服务。 未来，昇思大模型平台将接入更多的人工智能计算中心，提供更多基于国产算力的大模型开发服务，同时联合更多外部开源社区，包括但不限于Hugging Face社区，使得更多的国内外开发者能够零距离地感受到基于国产算力开发的昇思大模型带来的极致体验。**手把手教学，平台即开即用** 除了上述提到的大模型和算力外，昇思大模型平台还为企业提供了开发和内容上的赋能。- 昇思大模型平台新增支持Jupyter Notebook在线编程，预装丰富依赖，无需环境搭建，即开即用；- 同时，此次升级还新增了MindSpore Transformers模块，并提供pipeline高阶易用接口简化代码，支持开发者一键下载、加载、推理和部署模型，帮助企业开发者快速实现创意。 不仅如此，开发者也可以在Jupyter中编写Gradio应用代码，实现推理可视化。 除了模型的开发和维护外，开发者还可以通过昇思大模型平台一键在线学习，参加比赛。- 面向企业开发者提供了优质精美的在线课程资源，如AI大模型、计算机视觉等多领域系列，平台支持作业布置与提交等能力。通过课程赋能学习的开发者，社区可颁发认证证书，助力企业人才培养。 \- 平台提供了类型多样的AI大赛，比如面向新手的昇思学习赛，AI挑战赛等等。平台支持自动打分、实时排名，辅助比赛高效进行。比赛模块支持企业、高校基于昇思MindSpore开展赛事，帮助企业打通开发者渠道路线。 **赋能千行百业，昇思大模型平台将持续发力** 昇思MindSpore开源社区一直秉承「开发者第一、技术优先」的理念，持续使能科研创新与产业应用，通过原生的技术体系，不断加速中国AI应用生态。截止目前昇思MindSpore 社区已拥有核心贡献者11000+，下载量超过435万，服务企业5500+，MSG足迹遍布国内外30个城市。其中MSG暴走校园走进国内外近百所高校，为万名高校开发者赋能；MSG企业行走过8大城市，并开展7大领域互动，大幅覆盖AI企业用户。昇思MindSpore在码云（Gitee）千万开源项目中活跃度排名第一。昇思MindSpore AI框架已经成为了大模型开发的技术支撑，开源开放更使得产学界可以基于它研发自己的大模型。未来昇思大模型平台将持续发力，让更多基于昇思 MindSpore AI 框架与各地人工智能计算中心的昇腾 AI 强大算力不断发展基础大模型和行业大模型的产业生态，赋能千行百业数字化、智能化。 点击\*\*「阅读原文」\*\*即刻体验昇思大模型平台。 有意向加入社区，请联系昇思官方小助手微信：mindspore0328 参考链接： https://xihe.mindspore.cn/ --- https://www.mindspore.cn/news/zh/2238/ --- 新闻 昇思重磅亮相 KubeCon EU 2023，与你共同探索AI开源无限价值 # 昇思重磅亮相 KubeCon EU 2023，与你共同探索AI开源无限价值 2023/04/17 # 昇思重磅亮相 KubeCon EU 2023，与你共同探索AI开源无限价值 **KubeCon 2023** 2023年4月18日-21日，由CNCF与全球开源志愿者共同发起的 KubeCon + CloudNativeCon Europe 2023 将在阿姆斯特丹举办。作为云原生开源领域的顶级峰会，来自全球领先开源社区和云原生社区的使用者、技术大咖齐聚于此，共同探索云原生的未来和方向。 昇思MindSpore将亮相本次峰会与全球开源开发者会面，共同创造开源领域无限价值。 --- https://www.mindspore.cn/news/zh/2239/ --- 新闻 活动预告 | 科创·新青年Talk：昇思MindSpore与你共同探讨AI框架、大模型等热点话题 # 活动预告 | 科创·新青年Talk：昇思MindSpore与你共同探讨AI框架、大模型等热点话题 2023/04/17 # 活动预告 | 科创·新青年Talk：昇思MindSpore与你共同探讨AI框架、大模型等热点话题 **科创·新青年Talk** 随着人工智能应用场景逐渐拓展，人工智能产业规模日益扩大。预训练大模型、AI for Science等已成为全球学术界和产业界关注的焦点。作为人工智能开发环节的基础工具，AI框架承担着AI技术生态中”操作系统“的职能，是促进AI学术创新与产业化的重要载体，推动人工智能由理论走入实践，加速进入场景化应用时代。当前，国产AI框架崛起，技术生态逐步繁荣，正在重构AI框架的全球格局。 此次“科创·新青年Talk”，华为昇思MindSpore业务总经理丁诚，华为昇思MindSpore生态发展总监孙宾将现场参会，以“**AI框架赋能技术创新与产业发展**”为主题，与行业内知名专家学者，共同探讨国产AI框架发展现状以及AI框架如何赋能技术创新与产业发展。 **关于科创·新青年Talk** 为探索和推动人工智能高地建设，面向世界科技前沿、面向经济主战场、面向国家重大需求，研究和探讨人工智能如何赋能美好生活、推动产业发展，上海人工智能研究院推出“科创·新青年 Talk”主题沙龙系列活动。 沙龙活动以国家高层次青年科创人才和国内顶级科创企业领袖为主要分享者，通过主题分享、圆桌对话等方式，交流他们在学术前沿和产业前沿的洞察和思考，并与参会嘉宾们共同探讨人工智能赋能下行业发展现状和未来前景，推动人工智能与产业融合创新发展。 --- https://www.mindspore.cn/news/zh/2240/ --- 新闻 共筑AI创新之源：中国人工智能学会-MindSpore学术奖励基金阶段学术成果分享 # 共筑AI创新之源：中国人工智能学会-MindSpore学术奖励基金阶段学术成果分享 2023/04/17 # 共筑AI创新之源：中国人工智能学会-MindSpore学术奖励基金阶段学术成果分享 在刚刚落幕的CAAI-MindSpore学术奖励基金项目二期结项答辩中，近百个开发者团队基于昇思MindSpore进行创新项目开发，完成400+ 篇国际国内高水平会议和期刊的学术论文发表。 **部分项目成果展示** （可以关注公众号昇思MindSpore，查看更多成果） **核心竞争力，成就AI创新首选框** 事实上，在机器学习、机器学习交叉学科、计算机视觉、自然语言处理、强化学习、数据挖掘等领域，昇思MindSpore已累计支持高校、科研院所发表顶会、顶刊论文600余篇。 昇思MindSpore之所以能成为受开发者喜爱的首选框架，源于其强大的核心技术竞争力： ● 昇思MindSpore基于编译技术，提供了如IR融合、代数化简、常数折叠、公共子表达式消除等丰富的硬件无关优化；● 昇思MindSpore针对NPU、GPU等不同硬件，提供各种硬件优化能力，能够更好的发挥硬件的大规模计算加速能力；● 昇思MindSpore除了提供传统AI框架常用优化，还提供了自动并行、图算融合、算子二进制生成、硬件加速、算法优化、Boost优化、二阶优化等一系列特色技术。昇思MindSpore除了提供传统AI框架常用优化，还提供了自动并行、图算融合、算子二进制生成、硬件加速、算法优化、Boost优化、二阶优化等一系列特色技术。 **全场景设计，造极致开** 昇思MindSpore是面向“端-边-云”全场景设计的AI框架，旨在弥合AI算法研究与生产部署之间的鸿沟。在算法研究阶段，为开发者提供动静统一的编程体验以提升算法的开发效率；在生产阶段，自动并行可以极大加快分布式训练的开发和调试效率，同时充分挖掘异构硬件的算力；在部署阶段，基于“端-边-云”统一架构，应对企业级部署和安全可信方面的挑战。 同时，为了方便开发者更快地上手使用，昇思MindSpore框架上层还提供了丰富的**扩展库和套件，包含行业生态开发套件、大模型使能套件、科学智能套件等。** 扩展库和套件，如： 昇思MindSpore始终将学术生态的构建作为激发技术创新活力之源。未来将持续联合学会、高校等力量，为开发者提供原生创新的AI新技术，构建简捷易用的AI开发新体验，打造成长和获益的新机会，以产业汇聚人才，以人才引领产业，助力人工智能产业稳健发展。 **参考资料** \[1\]MindSpore入门教程： https://www.mindspore.cn/tutorials/zh-CN/r2.0.0-alpha/index.html \[2\]MindSpore相关技术干货： https://www.mindspore.cn/news/technologyBlog \[3\]MindSpore开发者交流论坛： https://www.hiascend.com/forum/forum-0106101385921175002-1.html --- https://www.mindspore.cn/news/zh/2242/ --- 新闻 活动预告 | CCF开源发展委员会“开源高校行”第十二期 — 上海交通大学站 # 活动预告 | CCF开源发展委员会“开源高校行”第十二期 — 上海交通大学站 2023/04/18 # 活动预告 | CCF开源发展委员会“开源高校行”第十二期 — 上海交通大学站 开放、协作、共享的开源模式已成为全球软件技术和产业创新的主导，也为信息技术国产自主化提供了强大助力。高校是国产开源重点建设的主阵地，大学生是国产开源未来发展的中坚力量。CCF开源高校行是CCF开源发展委员会的品牌活动，旨在高校加强开源文化宣传和开源人才培养，是CCF开源发展委员会年度重点校园推广活动之一，已在北京大学、清华大学、北航、复旦等多所名校成功举办，形成了广泛影响和成功实践。 2023年4月22日第十二期“开源高校行”走进上海交通大学，昇思MindSpore将与你分享开源社区文化、开源实践和参与经验分享，诚邀你的参与！ 时间：2023年4月22日14:00-17:30 地点：上海交大闵行校区4号楼悟课剧场线上 参与方式：b站直播间（房间号25212978） --- https://www.mindspore.cn/news/zh/2244/ --- 新闻 “智能基座昇腾高校行”中国科学技术大学站 | 昇思MindSpore携高校共同培养科技人才新力量 # “智能基座昇腾高校行”中国科学技术大学站 | 昇思MindSpore携高校共同培养科技人才新力量 2023/04/18 # “智能基座昇腾高校行”中国科学技术大学站 | 昇思MindSpore携高校共同培养科技人才新力量 **智能基座昇腾高校行** 华为智能基座高校行·中国科学技术大学暨MSG·暴走校园活动于4月15日下午成功举办。随着全球新一轮产业变革的加速演进，以人工智能为代表的前沿信息技术已驱动着社会迈入智能化时代。华为近年来也在人工智能、操作系统、移动互联网等信息领域进行深度布局，本次活动中邀请到华为四位专家老师带领同学们一起探寻人工智能行业发展，玩转AI前沿技术研究。 活动开始，**计算机科学与技术学院党委副书记宫晓梅老师**致辞，老师表示中国科学技术大学一直与华为在校企合作方面取得诸多成就，希望后续在人才培养、课程设计、科技创新等方面会有更深入的合作，共同推进人才培养、科技创新和成果转化等工作。 接着，智能基座奖学金颁奖仪式隆重举行。**华为高校与科研人才发展部总监陈守玉**以及**中国科学技术大学计算机学院党委副书记宫晓梅**为同学们颁发了奖学金荣誉证书。 随后，**华为昇腾人工智能技术生态专家王抒伟**向大家介绍了昇腾人工智能如何赋能大模型。他详细阐述了昇腾人工智能的技术特点和应用前景。王抒伟专家强调了现在是算力爆炸的时代，人工智能越来越需要算力，昇腾人工智能精准把控需求，为开发者们提供高效低价的算力。得到了台下同学们的认可。 **华为昇腾AI推理方案市场总监陈奔**带来了解密Atlas 200I DK A2开发者套件的精彩演讲。昇腾Atlas 200I DK A2开发者套件是2023年昇腾在开发者领域又一重磅产品，专家老师详细讲解了昇腾Atlas 200I DK A2开发者套件的优势特性，包括融合编程范式、自动并行、科学计算等优势能力，以及全栈覆盖工具和开发库。 随后，**昇思MindSpore技术生态专家杨滔**带来了全场景AI框架昇思MindSpore特性揭秘议题，并通过昇思大模型平台带领大家体验了趣味实操。昇思大模型平台是昇思社区打造的首个基于国产AI算力和框架、服务全球开发者的一站式大模型平台，平台是集模型选型、创意分享、在线体验为一体的一站式AI学习与实践平台，具备AI实验室，模型库，大模型在线体验与微调，数据集等多个模块，提供超强免费算力，经典易用的样例，优质精美的在线学习课程资源，类型多样的AI大赛和内容有趣的社区活动等，此平台可以帮助学生更好地学习和掌握人工智能技术，为未来的职业发展打下基础。 活动最后，**华为计算产品线HR汪波**为同学们带来了如何规划职业生涯议题，以华为HR的视角分享企业培养及使用人才的观点，与高校展开深度的交流，为高校人才培育建设提供企业视角，实现人才培养的良好衔接。 最后，所有参与的同学一起合影留念，圆满结束了本次活动。 随着2023年数字经济大幕拉开，人工智能已经进入行业应用深水区，成为千行百业智能化转型的“根技术”。通过此次活动，中国科学技术大学同学们全面了解了昇腾AI产业现状与全场景AI框架昇思MindSpore的实际应用，更坚定了未来努力的方向。 往期回顾 # MSG·暴走校园 | 昇思MindSpore携手南京大学共同培养新时代科技人才 “智能基座昇腾高校行”中山大学站 | 昇思MindSpore带最新AI领域前沿动态入校园 --- https://www.mindspore.cn/news/zh/2249/ --- 新闻 不用摘口罩也知道你是谁，MindSpore训练口罩人脸识别模型 # 不用摘口罩也知道你是谁，MindSpore训练口罩人脸识别模型 2021/04/20 # 不用摘口罩也知道你是谁，MindSpore训练口罩人脸识别模型 人脸识别的目标是确定人脸图像的身份。随着智慧城市的建设，人脸识别的应用场景越来越多样，比如嫌疑人追踪、定位走失的老人儿童等。随着新型冠状病毒在全球范围内的爆发，为了公共卫生安全，越来越多的人在公共场所佩戴口罩以降低感染传染性疾病的风险。 传统的人脸分析方法主要提取整张脸部的全局特征进行分析，口罩遮挡场景下，面部的部分重要部位（比如下颌等）被口罩覆盖住，提取整张脸的全局特征将会引入大量噪声。因此，口罩遮挡场景下的人脸分析任务亟需新的解决方案。我们基于MindSpore设计了一种人脸识别算法，以**解决口罩遮挡场景下的人脸识别问题**。该算法的**开源代码已经在MindSpore上首发**了。 - 论文： Feifei Ding, Peixi Peng, Yangru Huang, Mengyue Geng and Yonghong Tian. Masked Face Recognition with Latent Part Detection. ACM Multimedia 2020. https://dl.acm.org/doi/pdf/10.1145/3394171.3413731 - 开源地址： https://gitee.com/mindspore/mindspore/tree/master/model\\\_zoo/research/cv/MaskedFaceRecognition 目前还没有针对口罩人脸的大规模的训练数据集，为解决训练数据不足的问题，我们基于已有的公开人脸数据集生成口罩人脸数据作为训练数据。流程如下： （1）采用已有的人脸关键点检测算法（比如Dlib）检测出无遮挡人脸图片上的多个关键点位置； （2）标注出口罩佩戴区域（鼻尖以下区域）的关键点位置； （3）在口罩示例图片（比如N95口罩）上手动标注关键点，并和人脸口罩佩戴区域的关键点一一对应； （4）根据口罩示例图片的关键点位置，对其做三角剖分，将口罩示例图片划分为多个小三角形； （5）根据口罩示例图片和人脸图片的关键点对应关系，将口罩示例图片上的每个小三角形区域仿射变换到人脸图片上，并进行平滑操作，生成口罩人脸图片。 我们在人脸公开数据集WebFace上生成了8种不同风格的口罩人脸，将其与原始未佩戴口罩的人脸图片混合，作为训练数据。 算法框架如图所示，考虑到口罩人脸中的许多重要信息被口罩遮挡，我们提出了基于潜在区域检测的二分支网络模型以提取更具判别力的特征。其中，局部分支对潜在区域提取局部特征，全局分支对原图提取全局特征。 我们将潜在区域定义为未被口罩遮挡的人脸区域，用表示，其中为待学习的参数。受空间转换网络（STN）的启发，我们对区域内的特征进行有限制的仿射变换，使其转变为原图大小，公式如下： 其中，目标框定义为H和W分别为原图的长和宽。通过该公式可以得到可以通过STN的仿射变换矩阵的参数转化得到，由此可以检测出潜在区域。根据潜在区域和原图坐标的对应关系，采用双线性插值将其扩充为和原图一样的大小。 网络模型为二分支网络，一分支对潜在区域提取局部特征，另一分支对原图提取全局特征，两分支共享网络参数。各分支采用分类损失函数进行优化，对于局部分支，额外引入LPD损失函数： 其中,为鼻尖关键点的纵坐标。引入该损失函数的目的是规范网络对潜在区域的定位，使其尽可能在人脸鼻尖以上的区域，因为根据先验知识，口罩往往会遮挡鼻尖以下的脸部区域。在测试阶段，将全局特征与局部特征结合作为最终的特征表达。 我们搜集了实际的口罩人脸数据集PKU-Masked-Face Dataset作为测试集，该测试集共有10301张属于1018个不同身份的人脸图片。大多数身份有至少5张佩戴口罩和5张不佩戴口罩的共计5个视角的人脸图片，5个视角分别为：正面、左面、右面、俯视、仰视。口罩人脸图片作为查询图像库，正常人脸图片作为待匹配图像库。 - 测试集链接： https://pkuml.org/resources/pku-masked-face-dataset.html 基于MindSpore实现的算法模型实验结果如下表所示，其中Baseline为采用WebFace原始数据训练的ResNet50基准模型，MG是采用WebFace增强数据训练的ResNet50模型，LPD为我们提出的潜在区域检测模型。 二分支网络结构代码： 其中global\_out和partial\_out分别对应对原图提取的全局特征和潜在区域提取的局部特征，两部分共用特征提取主干层。 潜在区域检测LPD模块的具体实现：其中输入为原始图片，输出为未被遮挡人脸区域边界坐标。 - 相关训练与推理代码： https://gitee.com/mindspore/mindspore/tree/master/model\\\_zoo/research/cv/MaskedFaceRecognition 该代码基于MindSpore框架实现，运行的硬件环境为Ascend910。算法解决了口罩遮挡场景下的人脸识别问题，**对基准模型性能提升明显**，实验结果如上表达到**业界领先水平**。 MindSpore官方资料GitHub : https://github.com/mindspore-ai/mindspore Gitee：https://gitee.com/mindspore/mindspore官方QQ群 : 871543426长按下方二维码加入MindSpore项目↓ --- https://www.mindspore.cn/news/zh/2250/ --- 新闻 携手AI业界大咖，赋能杭州产业，MSG企业行暨杭州开发者日启航 # 携手AI业界大咖，赋能杭州产业，MSG企业行暨杭州开发者日启航 2023/04/24 # 携手AI业界大咖，赋能杭州产业，MSG企业行暨杭州开发者日启航 **MSG企业行** MSG企业行是昇思MindSpore建立的交流公益社区MSG（MindSpore Study Group）面向企业的子品牌，聚焦各地核心科技板块，汇聚企业核心技术骨干，与企业充分进行技术研讨、深入交流分享，为本土AI领域高校、科研院所、企业开发者赋能。 截至目前，昇思MindSpore走过国内外24个城市，拓展AI类企业生态，服务企业超过5500家，涉及端边云全场景行业，支撑两大产业联盟成立，打造开发共赢的产业生态圈。 --- https://www.mindspore.cn/news/zh/2254/ --- 新闻 项目分享 | 基于昇思MindSpore AI框架的肾脏肿瘤分割「MPLab」团队思路 # 项目分享 | 基于昇思MindSpore AI框架的肾脏肿瘤分割「MPLab」团队思路 2023/04/20 # 项目分享 | 基于昇思MindSpore AI框架的肾脏肿瘤分割「MPLab」团队思路 第十届CCF大数据与计算智能大赛（2022 CCF BDCI）已圆满结束，大赛官方竞赛平台DataFountain（简称DF平台）将陆续释出各赛题获奖队伍的方案思路，欢迎广大开发者交流讨论。 本方案为\*\*【基于昇思MindSpore AI框架的肾脏肿瘤分割】**赛题的**三等奖\*\*获奖方案，赛题地址：http://go.datafountain.cn/3056（戳底部“阅读原文”可直达） **01、团队介绍** **1.获奖团队名称** MPLab **2.**团队成员：**** MPLab全称为Multimedia Processing Laboratory，即多媒体处理实验室。团队成员来自北京航空航天大学，主要研究兴趣有图像分割、目标检测、图像增强和医学管理数据挖掘。本团队由两名队员组成，具体如下： 李浩（队长）：北京航空航天大学电子信息工程学院2021级硕士研究生，研究方向是图像分割和小样本学习。 黄韵蒙：北京航空航天大学电子信息工程学院2022级硕士研究生，研究方向是图像分割和医疗运营数据挖掘。 **3.**所获奖项**** 三等奖 **4.项目摘要** 从三维CT图像中自动分割肾脏肿瘤对于医生制定诊断和治疗方案有很大的帮助。基于昇思MindSpore AI框架的肾脏肿瘤分割比赛旨在开发出高效的自动分割器，要求利用MICCAI KiTS19 Challenge的数据集\[1\]进行训练，得到能泛化到本地实际肾脏CT扫描图像的解决方案。针对此赛题，我们提出了基于3D UNet和UNet3+的二阶段混合肾脏-肿瘤语义分割器，其中自主设计了适用于3D肾脏CT扫描图像的数据预处理、肾脏RoI提取、数据增强、Hybrid-Dice损失和预测结果后处理模块。经过两个多月的激烈角逐，我们最终的方案位列排行榜第3名，在官方提供的实际CT测试集有0.7987的精度。 **02、项目\*\*\*\*概述** 根据国家癌症中心最新的统计报告\[2\]，我国在2016年约有406万癌症新增病例和241万因癌死亡病例。其中肾癌发病率约5.48/105，位居第16位。对于肾脏肿瘤及其宿主肾脏的语义分割被证明是定量表征病变的有效工具，但由于需要手工生成目标结构的高质量3D分割，其使用受到了极大的限制。近年来，基于深度学习的三维分割卓有成效，但这些方法需要大量的数据集进行训练，并且仍未对表现最好的方法达成共识。基于昇思MindSpore AI框架的肾脏肿瘤分割\[3\]旨在加速可靠的肾脏-肿瘤分割方法的发展。竞赛组织者提供了300例高质量肾癌患者的腹部CT扫描图像，其中210例含有专业的人为标注，用于算法的训练和验证。 UNet\[4\]及其变体在医学图像分割中获得了巨大的成功，其中3D UNet\[5\]作为UNet的变体之一被广泛应用在脑肿瘤分割和肝肿瘤分割中。在此激励下，如图1所示，我们提出了一个二阶段混合肾脏-肿瘤语义分割器，通过对肾脏RoI定位，再对肾脏区域精细分割，在提供的数据集上达到了优良的分割效果。 图 1 二阶段混合肾脏-肿瘤语义分割器结构图 \*\*03、\*\***文本方法** 本文提出的二阶段混合肾脏-肿瘤语义框架包含五个部分。第一步，对原始CT图像进行预处理，提取器官有效响应RoI作为下一步的训练数据。第二步，将标签中肾脏和肿瘤区域合并，对于合并后的肾脏+肿瘤区域进行粗分割。第三步，对粗分割结果分析，提取肾脏RoI，作为第四步的细分割数据。第四步，通过肾脏RoI数据对肾脏和肿瘤区域进行细分割。第五步，对模型预测数据进行后处理，填补预测结果中的细小孔洞，移除不相关的小物体。其中第一步和第二步属于第一阶段（肾脏分割阶段），第三到五步属于第二阶段（肾脏、肿瘤分割阶段）。第二步和第四步的模型均是从头开始训练，并使用了五折交叉验证确保模型的有效性。 **_数据预处理_** CT图像的数值是定量的，即不同扫描仪或者医院对于同一器官扫描所得图像的强度值是相同的。因此，在预处理过程中，数据集中每例图像像素点的取值被裁剪到了\[-79，304\]，以保证图像去除无关范围取值的同时保留特定器官的响应。为了节约存储空间，我们又将\[-79, 304\]的数值范围映射到了\[0, 255\]，以uint8的形式保存数据。在获得的数据上计算得到均值为119.84，方差为103.80，用于训练时图像数值的归一化。 图 2 数据集中各例CT图像的体素间距 分析数据集可得，图像存在与分割器官无关的较大黑边，降低了器官有效响应区域像素点数量在图像中的比例。因此，我们在前两步操作的基础上，参照\[6\]中的方法，对图像进行了器官有效响应RoI提取。在此之后，如图 2所示，我们发现数据集中各例图像的体素间距（Voxel Spacings）分布是不均匀的。因为神经网络不能自动地解释体素间距，所以需要将所有图像重采样到一个相同的体素间距。考虑到过小的体素间距会导致图像尺寸过大，造成内存资源不足，过大的体素间距会减小图像的分辨率，丢失细节信息。分析数据集各个数据的体素间距分布，并平衡训练所需的计算资源，数据集中图像的体素间距被统一重采样到了3.22×1.62×1.62 mm，得到128×248×248的统一尺寸图像。为方便训练，将图像分别在z，x，y轴上以48，44，44的间距采样为80×160×160的训练数据。 **_肾脏+肿瘤区域粗分割_** 为方便第二阶段定位肾脏区域，首先利用3D UNet对肾脏+肿瘤区域进行了粗分割。简单来讲，就是将原本标注为2的肿瘤区域标签改为1，看作肾脏的一部分，利用3D UNet进行肾脏+肿瘤区域和背景区域二分类。因为这一步是粗略确定肾脏的具体位置，因此未添加额外的残差和注意力模块。训练时，batch size设置为4，学习率初始为0.0003，经过1500个batch的训练后增长到0.001，再根据余弦学习率策略，90个epoch后下降为0.00001。因为肾脏+肿瘤在图像中所占比例较小，我们在交叉熵损失中加入了肾脏+肿瘤的Dice。具体的损失函数如下： loss=Dicekidney+tumor+lossce(pred,label） （1） 其中Dice为 lossce表示交叉熵损失，pred是预测值，label表示实际的标注值。 实际训练中，我们用VNet\[7\]作为对比算法与3D UNet进行比较，得到的结果如表 1所示。可以看出VNet在背景的分割上优于3D UNet，但肾脏+肿瘤的分割上不如3D UNet。我们推测可能是医学图像的内容较为简单，VNet未能发挥出残差结构的优势。或者是肿瘤区域的特征和肾脏不一致，导致VNet相比3D UNet产生了更多的误判。总而言之，在此任务上，3D UNet的性能优于VNet，因此我们选用3D UNet作为第一阶段肾脏+肿瘤区域的分割器。 表 1 肾脏+肿瘤粗分割阶段交叉验证结果 **_肾脏RoI的提_\*\*\*\*_取_** 肾脏RoI提取即确定肾脏在图像中的位置。如图 3所示，在提供的数据集中，肾脏和肿瘤的像素点总数远远小于背景区域像素点数，各类别分布极度不平衡。为了获得更高的分割精度，将RoI区域从原图像中裁剪出来，可以减少背景区域的面积，缓解类别分布不平衡带来的影响。 图 3 原始数据标签类别分布图 在实际的提取过程中，训练和推理采取了不同的方案。训练时，肾脏RoI的提取是基于训练数据的人为标注，而推理时则是基于第一阶段的预测结果。我们提出的方法是首先计算在各个维度上的像素点之和。训练时的计算可以表达为： statz,x,y=sum(label,axis=z,x,y) (3) 其中statz,x,y表示在z, x, y轴上累加得到的和向量，lable表示训练数据的标注，axis=z,x,y表示分别在z, x, y轴上操作。相似地，推理时的计算为： statz,x,y=sum(pred,axis=z,x,y) (4) 其中pred表示第一阶段的预测结果，其余与训练时一致。 由于背景类别在数据集中被标注为0，因此经过上述计算，确认非0区域的边界即可确定肾脏+肿瘤区域在各个维度的范围。得益于原始数据集的高质量标注，训练时肾脏+肿瘤区域的范围精度较高。但是推理时，由于是基于第一阶段的肾脏+肿瘤分割结果来确定RoI，得到的范围存在一定的误差，因此得到的边界需要保证一定的冗余。针对于此，我们设计了在训练和推理时均具有鲁棒性的RoI提取方案。 推理时，第一阶段对肾脏+肿瘤区域的预测结果中存在一些小孔洞和小物体（肾脏+肿瘤小连通域）。其中大的连通域内的小孔洞对各个维度上RoI区域范围提取影响较小，而小物体影响较大。理想的statz,x,y在各个维度上的体现应当是从全部为背景的0，过渡到不为0的目标区域，再过渡到全部为背景的0区域，其中有一个维度会多一次过渡，因为人体含有两个肾脏。但第一阶段的预测中，我们发现小物体会极大地干扰对于各个肾脏区域范围的判断。因此，对比预测结果和训练集的实际标注，我们制定了如下的解决方案： （1）统计statz,x,y中的非0位置坐标； （2）将前后坐标的间距进行对比，其中二者之差若超过15则被分别认为是两个连通域（即肾脏）的边界； （3）为各轴的预测边界预留3个像素点的冗余。 这个过程的计算可表达为： index=where(diff(nonzero(stat))>15) (5) 其中index表示两个连通域边界的集合，stat即第一步所得各维度求和数据，nonzero表示求非0位置的坐标，diff表示求前后坐标的差分，where表示寻找服从条件值的位置。 经验证，我们设计的算法在训练和推理时的RoI提取中均具有鲁棒性，可以高效地获得肾脏在原始图像中分布范围。将此范围映射到原始的图像中，裁剪出对应的三维区域，即可提取出肾脏的RoI。 **_肾脏、肿瘤区域细分割_** 统计上一步提取的肾脏RoI，发现不同的数据RoI尺寸不一致。因此，在分割之前，将三维的RoI数据从深度维度上（即z轴）分开，变成多张二维图像。再将二维图像的尺寸重新调整到256 × 256，作为这一步分割的输入数据。 这一步的预测结果经过后处理之后将作为最终的预测。训练时，batch size设置为8，初始学习率为0.0003，经过1500个batch的训练后线性增长为0.001，然后采用根据余弦学习率策略经过90个epoch后降为0.00001。损失函数方面，我们使用了Hybrid-Dice损失，即经过调整的混合Dice损失，具体为： Hybrid-Dice损失将线性的Dice映射到非线性区间，使Dice趋近于0时的损失变化率变得更大，趋近于1时的损失变化率更小。在训练中可以增加损失的稳定性，便于参数的更新。 具体实验中，我们对比了UNet、UNet++\[8\]、UNet3+\[9\]的预测结果，如表2所示。由表中数据可得，由于UNet3+的多尺度信息融合，对于肿瘤预测的结果显著地高于其他二者。因此最终的方案采用UNet3+作为肾脏、肿瘤区域的分割器。 表 2 验证所得精度（注：数据为基于验证集标签的RoI提取 **_分割结果后处理_** 经过前四步的处理，所得的模型已经可以完整完成肾脏和肿瘤的分割了。但为了达到更高的分割精度，需要通过形态学的方法对分割结果的细节进一步修饰，填补预测目标中的小孔洞并删除预测的小物体。 在后处理过程中，首先填补了预测结果中肿瘤（预测结果为2的区域）的孔洞，然后分别计算了各个肿瘤连通域的总像素点数。将总像素点数小于最大连通域像素点数20 %的小物体移除，得到最终的肿瘤预测结果。对于预测为肾脏的部分，采取了与肿瘤类似的后处理机制，先填补孔洞，再移除总像素点数小于第二大连通域像素点数20 %的小物体（腹部CT图像中一般可以看到人体的两个肾脏）。 \*\*04、\*\***结果** 我们记录了所提出的方法对于KiTS19数据集提供的90例不含标注的测试集的预测结果。并将预测的输出上传到了KiTS19的服务器，最后的得分如表3所示。其中肾脏的预测分数是将实际预测结果为1的肾脏区域和预测结果为2的肿瘤区域作为前景，将其他一切区域作为背景来计算的，这与本次比赛中所使用的评估方法完全一致。 表 3 提出的方法在KiTS19测试集上的结果 从结果中可以看出，我们的方法能够从腹部CT扫描影像中有效分割出肾脏和肿瘤的区域。至此我们将方案提交至本次比赛的官方页面，获得了第三的成绩。表 4记录了本次比赛中前五选手的最终成绩。 表 4 比赛最终成绩（前5） \*\*05、\*\***总结与展望** 在本文中，我们提出了一个基于3D UNet粗分割和UNet3+细分割的二阶段分割器，获得了还不错的效果。但必须指出，我们提出的方法中，并没有对二阶段做深入的消融研究，因此无法明确在KiTS19数据集上的最优方法。最终选择使用3D UNet和UNet3+的二阶段分割框架，是因为我们训练得到的模型中此方案表现最优。但若要严谨地对比几种方案，需要进行广泛的超参数优化。 语义分割领域的最新成果表明，在卷积层中加入残差连接和注意力模块可以增加模型的性能。因此，要想进一步提升所提出模型的性能，一个可行的方向是在网络中添加残差连接和注意力机制。另一个角度来说，现行的比赛中常常使用了多模型集成学习的方法。而我们提出的二阶段分割框架中，第二阶段的细分割依赖于第一阶段的分割结果。因此，对第一阶段分割进行集成，提升对于肾脏RoI提取的精度，可能是提升所提出方法性能的重要途径。 **参考资料** \[1\]Heller N, Sathianathen N, Kalapara A, et al. The kits19 challenge data: 300 kidney tumor cases with clinical context, ct semantic segmentations, and surgical outcomes\[J\]. arXiv preprint arXiv:1904.00445, 2019. \[2\]Zheng R, Zhang S, Zeng H, et al. Cancer incidence and mortality in China, 2016\[J\]. Journal of the National Cancer Center, 2022, 2(1): 1-9. \[3\]2022 CCF大数据与计算智能大赛，基于昇思MindSpore AI框架的肾脏肿瘤分割，https://www.datafountain.cn/competitions/588 \[4\]Ronneberger O, Fischer P, Brox T. U-net: Convolutional networks for biomedical image segmentation\[C\]//International Conference on Medical image computing and computer-assisted intervention. Springer, Cham, 2015: 234-241. \[5\]Çiçek Ö, Abdulkadir A, Lienkamp S S, et al. 3D U-Net: learning dense volumetric segmentation from sparse annotation\[C\]//International conference on medical image computing and computer-assisted intervention. Springer, Cham, 2016: 424-432. \[6\]https://github.com/junqiangchen/KiTS19-Challege \[7\]Milletari F, Navab N, Ahmadi S A. V-net: Fully convolutional neural networks for volumetric medical image segmentation\[C\]//2016 fourth international conference on 3D vision (3DV). IEEE, 2016: 565-571. \[8\]Zhou Z, Siddiquee M M R, Tajbakhsh N, et al. Unet++: Redesigning skip connections to exploit multiscale features in image segmentation\[J\]. IEEE transactions on medical imaging, 2019, 39(6): 1856-1867. \[9\]Huang H, Lin L, Tong R, et al. Unet 3+: A full-scale connected unet for medical image segmentation\[C\]//ICASSP 2020-2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). IEEE, 2020: 1055-1059. --- https://www.mindspore.cn/news/zh/2255/ --- 新闻 “智能基座昇腾高校行”哈尔滨工业大学（深圳）站 | 昇思MindSpore赋能高校开发者AI新体验 # “智能基座昇腾高校行”哈尔滨工业大学（深圳）站 | 昇思MindSpore赋能高校开发者AI新体验 2023/04/20 # “智能基座昇腾高校行”哈尔滨工业大学（深圳）站 | 昇思MindSpore赋能高校开发者AI新体验 **智能基座昇腾高校行暨MSG·暴走校园** 随着全球新一轮产业变革的加速演进，以人工智能为代表的前沿信息技术已驱动着人类社会迈入智能化时代，各主要经济体纷纷将人工智能视为下一个战略高地，我国也迎来了人工智能产业发展的新机遇。但科技发展离不开人才培养，如何促进产业与教育融合、为我国AI产业发展培育人才基础，成为了当下焦点。 4月16日，智能基座昇腾高校行暨MSG·暴走校园活动来到哈尔滨工业大学（深圳），此次活动由华为技术有限公司主办、哈尔滨工业大学（深圳）计算机学院承办，邀请华为技术专家走进校园授课，带领高校学子学习AI前沿理论与技术、认识全场景AI框架昇思MindSpore，并帮助学生清晰个人职业方向。昇思MindSpore技术生态专家杨滔、华为计算产品线HR陈权参加了活动，并与现场的学生开发者进行了交流。 在主题为《全场景AI框架昇思MindSpore特性揭秘》的演讲中，**昇思MindSpore技术生态专家\*\*\*\*杨滔**分享了当前AI技术发展现状及趋势，并介绍昇思MindSpore特性优势。作为华为开源的全场景深度学习AI框架，昇思MindSpore旨在实现易开发、高效执行、全场景覆盖三大目标，着重提升易用性并降低AI开发者的开发门槛，非常适合高校开发者学习使用，也是众多开发者入行的首选框架。 为了让同学们进一步体验昇思MindSpore的易用性，**昇思MindSpore技术生态专家\*\*\*\*杨滔**还带领同学们通过昇思大模型平台在现场进行了趣味性AI开发实战，昇思大模型平台是昇思社区打造的首个基于国产AI算力和框架、服务全球开发者的一站式大模型平台，平台是集模型选型、创意分享、在线体验为一体的一站式AI学习与实践平台，具备AI实验室，模型库，大模型在线体验与微调，数据集等多个模块，提供超强免费算力，经典易用的样例，优质精美的在线学习课程资源，类型多样的AI大赛和内容有趣的社区活动等，此平台可以帮助学生更好地学习和掌握人工智能技术，为未来的职业发展打下基础。 为了帮助同学们了解AI行业人才现状、清晰同学们的职业方向，**华为计算产品线HR陈权**在现场就当前计算人才分布和计算产业就业前景等学生开发者们关心的话题进行了分享。最后陈权老师也建议同学们，保持学习力，关注行业最新研究成果，培养创新思维；同时，要多动手，不仅要学习理论知识，更应该在实践中掌握开发能力，通过实战提升解决问题的能力。 此次智能基座昇腾高校行暨MSG·暴走校园专场活动的举办，给高校开发者们提供了一个与技术专家和HR专家面对面交流学习的机会，不仅了解到AI行业前沿技术、掌握了一定的开发能力，还对AI行业发展趋势、就业形势有了更清晰的认识。未来，智能基座昇腾高校行暨MSG·暴走校园活动将继续走进更多高校，帮助更多高校开发者认识AI、提升开发水平，为我国AI产业发展夯实人才基础。 往期回顾 “智能基座昇腾高校行”中国科学技术大学站 | 昇思MindSpore携高校共同培养科技人才新力量 # MSG·暴走校园 | 昇思MindSpore携手南京大学共同培养新时代科技人才 “智能基座昇腾高校行”中山大学站 | 昇思MindSpore带最新AI领域前沿动态入校园 --- https://www.mindspore.cn/news/zh/2259/ --- 新闻 项目分享 | 基于昇思MindSpore AI框架的肾脏肿瘤分割「大山中学摸奖」团队思路 # 项目分享 | 基于昇思MindSpore AI框架的肾脏肿瘤分割「大山中学摸奖」团队思路 2023/04/26 # 项目分享 | 基于昇思MindSpore AI框架的肾脏肿瘤分割「大山中学摸奖」团队思路 **2022 CCF BDCI** 第十届CCF大数据与计算智能大赛 第十届CCF大数据与计算智能大赛（2022 CCF BDCI）已圆满结束，**大赛官方竞赛平台DataFountain**（简称DF平台）将陆续释出各赛题获奖队伍的方案思路，欢迎广大数据科学家交流讨论。 本方案为\*\*【基于昇思MindSpore AI框架的肾脏肿瘤分割】**赛题的**二等奖\*\*获奖方案，赛题地址：http://go.datafountain.cn/3056（戳底部“阅读原文”可直达） **获奖团队简介** \*\*团队名称：\*\*大山中学摸奖 **团队成员：**“大山中学摸奖”团队成员共计 3 人，均为中山大学智能工程学院 20 级本科生（大三）。团队成员秉承着“博学 审问 慎思 明辨 笃行”的校训，以人工智能理论和方法为核心，探索人工智能前沿领域，创造价值，互联思维。该团队曾参加并完成《人体检测 SDK 设计》华为众智项目，并且在2022 昇腾 AI 创新大赛昇思赛道中获得金奖。 \*\*所获奖项：\*\*二等奖 **摘 要** 随着社会经济的发展，肾癌的发病率也在不断提高。因此，如何及时发现并有效治疗肾脏肿瘤就成为了一个十分关键的课题。近年来，随着深度学习、计算机视觉技术的迅猛发展，AI 在图像分类、目标检测、语义分割等任务上都取得了很好的效果。这让我们得以将各种深度学习技术迁移到医疗领域，并让大规模、高精度的肾脏肿瘤分割成为了可能。 由于切片厚度不同、肿瘤多灶性、肿瘤大小不一和肿瘤亚型等因素，使得图像分割任务不可避免地遇到许多困难。我们提出了一种基于多模态数据的混合 Unet，利用多模态输入将2D 信息与 3D 信息进行融合。在编码过程中，利用了边缘导向模块提供细粒度约束，引入与边缘相关的特征。在解码过程中，使用了大量的残差连接，以此捕获全尺度下的细粒度语义和粗粒度语义，同时应用了权重聚合模块，来聚合全尺度信息和边缘信息。 我们提出的模型最终在 kits19 数据集上自验得到 95.8%（肾脏分割）和 71.3%（肿瘤分割）的 Dice得分。与现有的其它方法相比，提出的方法可以实现较高的准确率，并且有很大的改进空间和应用前景。 **关 键 词** 多模态数据融合、边缘导向模块、全尺度信息、权重聚合模块 **1.概述** 在中国，肾脏肿瘤的发病率以年均约 6%的速度递增，过去 20 年间累计增长 111.72%。不久的将来，肾脏肿瘤将成为严重威胁人们健康尤其是男性健康的又一大“杀手”。 传统上，人们通过全肾切除术来根治肿瘤。然而，为了保护肾功能，只切除肿瘤的部分切除术，最近已成为肾脏肿瘤的标准治疗方法。但是对于治疗方案的选取，是全切除、部分切除还是积极监测，临床医生主要依靠影像学（如 CT）来进行评估，这不仅需要大量人工，而且评分专家之间的标准可能具有不一致性。 因此，开发出能克服人工评分系统弊端的，智能化的肾脏肿瘤自动评估系统，就成为了一个研究重点。我们期望该系统能够包括以下功能：在 CT 等医学影像中自动分割出肾脏及肿瘤所在的区域，判断肿瘤是良性还是恶性的，以及评判肿瘤的侵袭性等。在所有这些功能中，肾脏及肿瘤区域的自动分割是最基础、最直观的，能为医生诊断提供较大的便利。 近年来，AI 在图像领域的应用十分热门，基于神经网络的图像分类、图像分割和目标检测等方法层出不穷。由于医学图像分辨率高、具有多模态、像素单一、边缘形状模糊和类别不均衡等问题，使得传统 CNN 网络的预测效果并不是很好。我们基于 Unet 网络结构进行改进，提出了一种基于多模态数据的混合 Unet。该网络同时输入 2D 平面信息和 3D 空间信息，在编码过程中将两者进行融合。同时提取图像边缘信息，根据边缘的约束可以提高图像分割的准确率。在解码器部分，使用了大量的残差连接，将各尺度下的信息进行综合，同时利用权重聚合对多尺度信息进行筛选，以此保留有价值的信息。将边缘信息与经过权重聚合的多尺度信息进行融合，据此来对图像进行分割。实验证明，我们提出的方法在肾脏肿瘤分割上的表现十分出色，并且具有极大的改进空间。 本文的创新点与贡献如下： 1）巧妙地利用了多模态输入，有效地结合 2D 平面信息与 3D 纵向空间信息。 2）既利用了三维卷积提取空间特征的能力，又避免了三维卷积网络内存占用大的问题。 3）通过多个模块对边缘信息进行进一步加强提取利用，图像分割抗锯齿效果进一步加强。 4）使用小模型解决难题，最终模型权重文件大小仅为12MB，单个 step 推理时间仅约为 81.58ms，有极大的改进空间和应用前景价值。 **2.相关工作** Olaf Ronneberger 等人于 2015 年提出了 Unet 网络用于解决医学图像分割的问题和细胞层面的分割任务\[1\]。Unet 网络一被提出，就迅速成为了最常用的分割模型之一，因为它简单、高效、易懂、容易构建，同时也有着不错的精度。Unet之所以能取得不错的表现，主要是由于以下的原因：通常来说，一个 CNN 中的浅层网络关注细节纹理特征，深层网络关注语义特征，浅层和深层特征都是有意义的。而对于医学图像分割任务，我们既需要语义，也需要细节。那么通过低层和高层特征的拼接，就能在一定程度上实现两者的兼顾，找回那些在下采样过程中丢失的边缘特征。 2019 年，Huazhu Fu 等人提出了 ET-Net 模型\[2\]，这个模型最大的创新之处，就在于作者提出的两个模块：EdgeGuidance Module （ EGM ， 边 缘 导 向 模 块 ） 和 Weighted Aggregation Module（WAM，权重聚合模块）。EGM 模块用于提取边缘信息，WAM 模块用于对多尺度信息进行聚合，两者相辅相成。 2019 年，Yifei Zhang 等人提出了 CMnet 模型\[3\]，这个模型最大的创新之处就在于它通过多模态数据的融合来提升模型表现。所谓多模态融合，指的是把以不同方式获得的对同一样例的特征表示输入到网络中，使模型对样本特性有更全面的了解。 2020 年，Lanfen Lin 等人提出了 UNet3+模型\[4\]，网络中使用了大量的残差连接，每一个解码器都融合了小尺度、同尺度和大尺度的特征图，实现了在多尺度中探索足够的信息。最终做到了生物医学图像分割精度和效率的同步提升。 ****3.赛题、数据分析**** **3.1 赛题任务** 该赛题的目标是开发快速可靠的肾脏和肾脏肿瘤语义分割方法，形态上的异质性以及模糊的组织边界可能是需要解决的难题。比赛提供接受部分或根治性肾切除术的 210 例肾癌患者的动脉期腹部 CT 扫描数据，并标记了真实的语义分割结果。 本赛题中，参赛团队需要设计、开发可用于肾脏和肾脏肿瘤语义分割的算法模型，设计基于高性能深度学习模型的肾肿瘤分割算法，实现肿瘤的快速精准分割，在测试集中得到最好的肾脏和肾脏肿瘤语义分割结果的模型为获胜者。 **3.2 评价指标** 在没有上下文的情况下，我们往往很难确定假阳性（将正常组织分类成肿瘤）或假阴性（将肿瘤分类成正常组织）中的哪一个，是我们更不希望看到的情况。 在临床手术的情境下，人们可能会认为假阴性更严重，因为它们可能导致肿瘤只被部分切除，但肿瘤组织通常与健康肾脏不同，因此这不是外科医生迫切关注的问题。相反，其他人可能认为假阳性实际上更严重，因为它们可能加剧许多人认为的肾脏肿瘤过度积极治疗的严重问题。 在像 KiTS19 这样的比赛中，人们使用的是一种被称为 Fscore 或 Dice score 的评价指标，其公式如下所示。当β趋于 0时，倾向于避免假阳性；当β趋于+∞时，倾向于避免假阴性。于是我们可以通过调整β的取值来以不同的倾向来评估模型的性能。 **3.3 数据分析** **3.3.1 CT图像的复杂性** 对于提供的 210 例腹部 CT 扫描数据，存在切片厚度不一的情况。在切片间隔较远的情况下，模型可能难以理解数据的 3D 性质。另外，切片厚度的变化范围大，直接导致数据在深度方向上的各向异性，主要影响到三维卷积层，因为三维卷积无法理解空间上各向异性的信息。 同时提供的数据存在着扫描视场的纵向长度（FOV 长度）不一的情况。更长的视场通常导致更大范围的解剖特征显示，在某些情况下包括从头顶到脚底的所有影像。因此，那些完全用腹部扫描的数据训练出的模型可能会在这些不熟悉的区域出现假阳性。 **3.3.2 肿****瘤数****据的复杂性** 在提供的数据中，部分样本存在多个病灶。由于多灶性的罕见，网络模型往往会倾向于预测单个肿瘤区域。 在大部分样本中，肿瘤的大小相对于整个 CT 图只占很小的一部分。肿瘤越小，其在区域边界上的比例越高。由于绝大多数分割错误发生在区域边界上，因此其很可能会有较低的 Dice Score。此外，较小的肿瘤通常更容易被完全忽略。肾脏肿瘤不只是表现为一种性状，而是存在着许多亚型。不同的肾脏肿瘤亚型具有不同的典型 CT 影像表现，某些亚型可能比其它亚型更容易识别。某些亚型（如血管平滑肌脂肪瘤）典型表现为低衰减，使得很难将它们与肾囊肿区分开。 由于肿瘤存在明显的个体差异，不同个体的肿瘤 CT 图像在形态、纹理和灰度分布上存在较大差异，可能出现多个肿瘤及其模糊边界。 ****4.基于多模态数据的混合 Unet**** **4.1 网络结构** 图 1：提出的网络结构 首先网络拥有两个输入，一边输入 2D 平面数据，另一边输入 3D 空间数据。分别经过各自的编码器，在编码过程中，2D 编码器的输出会与 3D 编码器的输出进行融合，然后用EGM 模块提取分辨率较高的特征中的边缘信息。融合模块就是将两个张量在通道上进行连接，然后再进行卷积得到融合结果。编码器的输出经过融合后输入到解码器中，然后利用WAM 模块对全尺度信息进行提取，然后与 EGM 模块的输出进行融合，得到最后的预测结果。网络的编码解码器结构是参照于 UNet3+\[4\]进行设计的，故不再进行赘述。 **4.2 3D-Encoder** 图 2：3D 编码器的内部结构 3D 编码器由转换器和 2D 编码器组成。转换器的输入是一个 3D 图像输入，首先经过一个三维卷积初步得到特征图，然后用两条路径对得到的特征图进行处理。 第一条路径是一个核大小为 5×5×5 的三维卷积，第二条路径包含两个三维卷积，大小都是 3×3×3，使用这两条路径是为了从不同核大小的区域捕获信息，丰富彼此的输出。将每条路径的输出进行组合，得到大小为 16×1×512×512 的特征图，然后将其 reshape 为大小为 16×512×512 的特征图。这个转换器的特征图就成为接下来的 2D 编码器的输入。在这里使用到了三维卷积，用来提取空间信息，同时经过卷积进行了降维，使得后续可以使用二维的编码器，避免了网络内存占用大的问题。 **4.3 Edge Guidance Module** 图 3：EGM 的内部结构 边缘信息能为分割过程中的特征提取提供有用的细粒度约束，所以在分割任务中引入边缘相关的特征有助于改善分割表现。而只有前两个编码器所提取出的特征图有足够高的分辨率，所以 EGM 选择以 E-BLock1 和 E-BLock2 输出的特征图为输入。E1 特征图与上采样后的 E2 特征图各自经过了1×1 和 3×3 卷积后拼接在一起，然后通过 1×1 卷积，用来产生最终的边缘检测结果，为后续解码器提供有用的边缘特征。 **4.4 Weighted Aggregation Module** 图 4：WAM 的内部结构 为了适应物体的形状和大小变化，现有的方法倾向于沿通道维度对多尺度输出进行汇总，以进行最终预测。然而，并非高层特征图中的所有通道都有利于对象的恢复。针对这一问题，WAM 强调有价值的特征，并聚合多尺度信息和边缘约束来提高分割性能。如结构图所示，网络将每个 D- Block 的输出输入到 Weighted Block 中，以突出有价值的信息。再将各层提取到的信息进行整合，得到模块输出。 **4.5 Weighted Block** 图 5：Weighted Block 的内部结构 Weighted Block 先用 1×1 卷积对输入进行改造，然后有两条支路。上面的支路用于提取权重：首先采用全局平均池化对输入的全局上下文信息进行聚合，然后利用两个具有不同非线性激活函数 ReLU 和 Sigmoid 的 1×1 卷积层对相关性进行估计，并沿通道维度生成权重。下面的支路不进行任何操作。两条支路的交汇点是用提取到的权重与原来改造的输出进行相乘以获得更有代表性的特征。 ******5.应用效果****** 在初赛作品基础上进行一系列的优化后，最终一次自验过程当中，该模型对于肾脏以及肿瘤分别取得了 0.95819、0.71307 的 Dice 得分，平均 Dice 得分为 0.83563，以下将展示部分测评效果（统一为：左边为 CT 图像，中间为真实分割结果，右边为模型预测结果）。 图 6：效果展示 **6.结论** 在本文中，我们创新性地提出了一种基于多模态数据的混合 Unet。网络输入为 2D 和 3D 数据，分别经过独立的编码器进行编码，参考 CMnet 的融合策略\[3\]，将 2D 和 3D 各层编码器的输出进行融合。在 3D 编码器中，有效利用了三维卷积的空间提取能力，同时规避了内存占用过大的问题。参考ET-Net 的两种模块\[2\]，设计了边缘提取模块和权重聚合模块。参考 UNet3+的全尺度连接\[4\]，在解码器中应用了大量的残差连接。同时使用双线性插值的方法进行上采样，减少了参数量和网络复杂度。以上的操作，有效地提高了肾脏肿瘤分割的效果，同时压缩了网络的大小，使得网络易于训练和验证，提供了更大的改进空间。经过实验验证，我们的方法确实可以取得优异的效果。 **参 考** \[1\]Ronneberger O, Fischer P, Brox T. U-net: Convolutional networks for biomedical image segmentation\[C\]//International Conference on Medical image computing and computer-assisted intervention. Springer, Cham, 2015: 234-241. \[2\]Zhang, Z., Fu, H., Dai, H., Shen, J., Pang, Y., Shao, L. (2019). ET-Net: A Generic Edge-aTtention Guidance Network for Medical Image Segmentation. In: , et al. Medical Image Computing and Computer Assisted Intervention – MICCAI 2019. MICCAI 2019. \[3\]Zhang, Yifei et al. “Exploration of Deep Learning-based Multimodal Fusion for Semantic Road Scene Segmentation.” VISIGRAPP (2019). \[4\]Huang H, Lin L, Tong R, et al. Unet 3+: A full-scale connected unet for medical image segmentation\[C\]//ICASSP 2020-2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). IEEE, 2020: 1055-1059. **End** --- https://www.mindspore.cn/news/zh/2260/ --- 新闻 与昇思在“浙里”携手创新，MSG企业行杭州站成功举办 # 与昇思在“浙里”携手创新，MSG企业行杭州站成功举办 2023/04/27 # 与昇思在“浙里”携手创新，MSG企业行杭州站成功举办 4月27日，由昇思MindSpore开源社区联合杭州人工智能计算中心、杭州高新智能科技有限公司、杭州昇腾生态创新中心举办的MSG企业行暨杭州开发者日取得圆满成功，本次活动共计吸引超过**100\*\*\*\*家**企业的代表现场参会，线上**直播****观看人次****3000+** 。**各参会**企业代表就昇腾AI基础软硬件平台与昇思MindSpore AI框架的技术优势及其在行业应用的实践案例展开深度交流\*\*。\*\* **杭州滨江区发改局局长郑丽**出席本次会议，并对高新区（滨江）数字经济、人工智能、数据要素等发展状况做了介绍，她表示：杭州在数字经济的发展上领跑全省，数字经济基础设施先进，拥有浙江省首个基于全栈自主创新的昇腾AI基础软硬件平台、市场化运作的人工智能算力新型基础设施。在浙江省创建国家数据要素综合试验区，以及杭州市提出争当国家数据要素综合试验区城市范例的工作目标下，滨江区也将打造“中国数谷”，建设世界一流的数据要素产业集聚区。 杭州滨江区发改局局长郑丽 ****打造创新之源 构建昇思新生态**** 会上，**昇思MindSpore业务总经理丁诚**表示，人工智能产业正迎来科研突破、行业应用落地的关键加速期，昇思不断探索人工智能技术前沿，在领先的技术路线上持续演进，致力于成为人工智能的创新之源。为此，昇思积极打造多芯生态，联合南北向生态伙伴发展中国AI框架新生态，在开源方面坚持“开发者第一、技术优先”，培养和发展AI开发者人才，成为人工智能创新的源头活水。 昇思MindSpore业务总经理丁诚 面向开源社区运营，**昇思MindSpore开源生态总监胡晓曼**做了详细解读：昇思MindSpore持续使能科研创新与产业应用，通过原生的技术体系，不断加速中国AI应用落地。吸引众多优秀的开发者加入进来一起打造有竞争力的开源社区，并聚焦开发者需求，帮助开发者成长，汇聚科研与产业的力量，更好地为开发者、用户与合作伙伴提供服务和支持。 昇思MindSpore开源生态总监胡晓曼 面向杭州本地企业生态，**杭州人工智能计算中心COO陈烜祺**就杭州人工智能计算中心（AICC）运营进行了介绍。杭州AICC已服务近200家企业，孵化51个解决方案。AICC二期新增140P算力将在8月正式上线，以更强大的普惠算力支持本地企业，加速企业AI应用快速落地，让全栈自主创新人工智能算力“用得上、用得起、用得好”。 杭州人工智能计算中心COO陈烜祺 ****探索人工智能 共创行业新价值**** 会上，**杭州旷维炬锐科技有限公司创始人王超、杭州炽橙数字科技AI技术总监周波**，两位嘉宾代表就昇思MindSpore在企业智能化转型升级的实践价值作了深度分享。 （关注公众号 查看更多） 杭州旷维炬锐科技有限公司创始人王超 ****专家带队 探索****AI+****生命科学奥秘**** 新一代分子动力学模拟套件MindSpore SPONGE，实现了AI与分子模拟的高效融合，极大提高了模拟效率和准确度。本次活动的开发者活动环节中，技术专家现场分享了基于昇思MindSpore的AI+生命科学融合创新方法，并带领开发者上手体验MindSpore SPONGE。 开发者合影 2023昇思MSG企业行暨开发者日首站从杭州出发，还将走遍北京、上海、广州、青岛、沈阳、大连、重庆、成都、西安等国内人工智能重点发展区域，聚焦各地核心科技板块，汇聚企业核心技术骨干，与企业充分进行技术研讨、深入交流分享，为本土AI领域高校、科研院所、企业开发者赋能。 昇思MindSpore AI融合框架是AI根技术，作为人工智能的创新之源，在企业智能化转型中发挥着重要的作用。目前AI框架已在深入产业，成为智能化转型的重要基础。越来越多的伙伴和开发者选择昇思、拥抱昇思，与昇思共成长，昇思也将帮助更多伙伴和开发者便捷使用AI技术、创新AI应用，加速千行百业智能升级，赋能数字经济蓬勃发展。 --- https://www.mindspore.cn/news/zh/2262/ --- 新闻 昇思MindSpore全场景开源AI融合框架荣获第六届数字中国建设成果展览会“十大硬核科技” # 昇思MindSpore全场景开源AI融合框架荣获第六届数字中国建设成果展览会“十大硬核科技” 2023/04/28 # 昇思MindSpore全场景开源AI融合框架荣获第六届数字中国建设成果展览会“十大硬核科技” 2023年4月27日下午，在第六届数字中国建设峰会最佳成果颁奖仪式上，昇思MindSpore全场景开源AI融合框架荣获第六届数字中国建设成果展览会“十大硬核科技”称号。 颁奖仪式 活动前期，组委会面向本届峰会参与单位进行了广泛征集，经过多轮遴选，最终产生“十大硬核科技”“十佳解决方案”“十佳首展成果”三大类奖项共30项优秀成果。其中“十大硬核科技”聚焦高端芯片、操作系统、人工智能关键算法、传感器等技术领域，推动关键基础技术的创新应用，昇思MindSpore全场景开源AI融合框架作为人工智能根技术获此殊荣。 2020年3月，华为开源业界首个全场景AI框架昇思MindSpore，通过版本不断演进升级，昇思技术架构从传统的深度学习延展到大规模分布式并行计算、融合计算，原生支持大模型与科学智能。即将正式发布的昇思MindSpore 2.0版本，是**业界首个AI融合框架**，在基础能力上完成AI与HPC的融合，科学计算能力大幅提升。 **昇思MindSpore致力于成为AI创新之源**，通过原生支持大模型、原生支持科学智能等前沿技术，联合顶尖高校、科研院所孵化了多个创新成果。如： ★联合鹏城实验室发布业界首个千亿参数NLP大模型鹏程.盘古与面向生物医学领域的生物信息研究平台鹏程.神农；★联合中科院自动化所发布全球首个三模态大模型紫东.太初；★联合中国商飞上海飞机设计研究院打造业界首个工业级流体仿真大模型东方.御风；★联合昌平实验室、深圳湾实验室打造MEGA-Protein蛋白质结构预测工具 此外，为鼓励广大科研工作者积极创新，昇思联合CAAI设立MindSpore顶会论文基金。2022年，基于昇思发表的顶级会议论文超600篇，位居**全国第一、全球第二**。 在开源与生态建设方面，昇思社区已成长为**国内最具创新活力的AI开源社区**。截止目前： ● 社区下载量超过451万，增速第一；● 超过1.3万开发者为昇思贡献代码；● 5500多家企业基于昇思构建应用方案、超过 800家企业获得昇思技术认证；● 240所高校与昇思展开合作。 未来，昇思将持续秉承“开发者第一、技术优先”开源理念，与开发者、伙伴共建AI框架开源新生态，打造人工智能的创新之源。 --- https://www.mindspore.cn/news/zh/2264/ --- 新闻 MSG·暴走校园 | 清华大学站来喽，AI新体验，与你共探未来！ # MSG·暴走校园 | 清华大学站来喽，AI新体验，与你共探未来！ 2023/05/04 # MSG·暴走校园 | 清华大学站来喽，AI新体验，与你共探未来！ **AI进校园** 未来学家雷·库兹韦尔曾预言，任何技术一旦与信息相连接，那么它将进入指数级发展。历经半个多世纪的发展，计算机技术从天才科学家头脑中的“设想”到消费级产品，就呈现出超乎人们想象的速度。在今日，基于大数据、大计算的人工智能正日益影响到每个人生活的方方面面。 为了让高校开发者更好地了解人工智能，激发对科技的热爱，进一步推进人工智能时代后备人才的培养，持续挖掘高校开发者对于人工智能等科学技术的创造力，**_5月6日_**，**昇思MindSpore开源社区**将走进**清华大学**开展“MSG·暴走校园”活动，本次活动将带领高校开发者深入了解昇思MindSpore全场景AI融合框架在各行各业中的实际应用，感受课堂以外的AI体验和乐趣，还有华为HR教你如何规划拿下大厂offer，规划职业生涯！现场更有惊喜礼品等你互动！ **活动时间：** 2023年5月6日（周六）13：30-16：00 **活动地点：** 清华大学东主楼10区103（**校内专场活动**） --- https://www.mindspore.cn/news/zh/2266/ --- 新闻 明日开讲！昇思MindSpore技术公开课大模型专题·第三讲GPT课程预告 # 明日开讲！昇思MindSpore技术公开课大模型专题·第三讲GPT课程预告 2023/05/05 # 明日开讲！昇思MindSpore技术公开课大模型专题·第三讲GPT课程预告 昇思MindSpore技术公开课大模型专题的第三节课程——GPT即将与大家见面，明日（5月6日）上午10:00-11:30，锁定**B站直播间【MindSpore官方】**，一同开展GPT系列模型学习的第一篇章。 --- https://www.mindspore.cn/news/zh/2292/ --- 新闻 华为中国合作伙伴大会 ｜ 基于昇思MindSpore打造的CodeGeeX邀你现场自动编程 # 华为中国合作伙伴大会 ｜ 基于昇思MindSpore打造的CodeGeeX邀你现场自动编程 2023/05/08 # 华为中国合作伙伴大会 ｜ 基于昇思MindSpore打造的CodeGeeX邀你现场自动编程 以“因聚而生 众志有为”为主题的“华为中国合作伙伴大会2023”将于5月8日~9日在深圳国际会展中心（宝安）举办。作为昇腾AI生态中的一员，基于昇思MindSpore AI框架打造的CodeGeeX将展示AI辅助编程，现场可体验CodeGeeX的核心3大功能：代码生成与智能补全、代码解释、代码翻译。 ********自主创新：在国产平台实现与训练******** CodeGeeX是一个具有130亿参数的多编程语言代码生成预训练模型。在2022年4月启动CodeGeeX项目时，选择在MindSpore 1.7框架上实现，并使用鹏城实验室的全国产计算平台上进行训练。CodeGeeX使用了其一个计算集群中的1536个昇腾910 AI处理器（32GB）进行了两个月左右的训练（2022年4月18日至6月22日）。 除了Layer-norm与Softmax使用FP32格式以获得更高的精度与稳定性，模型参数整体使用FP16格式，最终整个模型需要占用约27GB显存。为了增加训练效率，CodeGeeX使用8路模型并行和192路数据并行的训练策略，微批大小为16、全局批大小为3072，并采用ZeRO-2优化器降低显存占用。在开发与训练过程中，CodeGeeX和昇思团队合作，对昇思MindSpore AI框架进行了部分优化，进而大幅度提升训练效率。比如，CodeGeeX团队发现矩阵乘法的计算时间占比仅为22.9%，大量时间被用于各类其它算子，因此实现了一系列算子融合，包括单元素算子融合、层归一化算子融合、FastGelu与矩阵乘法融合、批量矩阵乘法与加法融合等；再比如对矩阵乘法算子的维度实现自动搜索调优，使其搜索出效率最高的计算维度组合等。使用优化后的软硬件训练时，CodeGeeX单日训练量可达到543亿个标识符（含填充符）。CodeGeeX团队还尝试进一步加入流水线优化，整体训练效率再次提升，单日训练量达到841亿个标识符（含填充符），证明了国产深度学习平台与工具的快速迭代能力以及强大竞争力。 进一步加入流水线并行等优化后，Ascend 910整体训练效率有极大提升 除了对昇腾AI平台的支持，CodeGeeX团队也将模型迁移适配更多其它平台，并开源了跨平台代码和模型权重，让研究者可以在不同平台上运行CodeGeeX模型。 **********CodeGeeX在现场********** 来到华为中国合作伙伴大会现场，您可以在昇腾AI生态展区中，亲自体验CodeGeeX的现场自动编程。 如果您在线上观看本次活动，也欢迎在VSCode和JetBrains IDEs中下载CodeGeeX插件，免费体验代码的自动生成、智能补全、自动添加注释和跨语言翻译功能，还有能时时带给你惊喜的“Ask CodeGeeX”智能问答功能。 更多视频可关注公众号查看哦~ 插入现场拍摄展位及体验用户的组图： 欢迎CodeGeeX的用户和开发者一起，现场体验，自动编程。也可以带着你的问题，现场与专家深度交流。 扫码前往官网参与报名 --- https://www.mindspore.cn/news/zh/2313/ --- 新闻 昇腾AI开发者峰会昇思分论坛成功举办，打造AI创新之源 # 昇腾AI开发者峰会昇思分论坛成功举办，打造AI创新之源 2023/05/08 # 昇腾AI开发者峰会昇思分论坛成功举办，打造AI创新之源 5月6日-7日，昇腾AI开发者峰会2023在东莞松山湖成功举行，大会以“创未来 享非凡”为主题，汇聚了昇腾AI产业的开发者先锋力量。昇思MindSpore开源社区在本次峰会中主办了以“开源创新，引领未来“为主题的分论坛，与广大开发者共逐AI开源前沿。 **华为计算开源业务总经理李永乐**出席本次会议并进行了开场致辞。 华为计算开源业务总经理李永乐 作为开源的新一代全场景AI框架，昇思MindSpore生态快速发展，已成为国内最具创新活力的AI开源社区。截止目前，社区昇思软件下载量超过451万，增速第一；超过1.3万开发者为昇思贡献代码；5500多家企业基于昇思构建应用方案；240所高校开设了昇思课程；40多家科研院所基于昇思进行原生AI创新研究。 合影 ****昇思技术全面升级**** 昇思MindSpore以技术发展为驱动，技术架构持续升级演进，从传统的深度学习延展到大规模分布式并行计算、融合计算，原生支持大模型与科学智能。 在本次会议中，**昇思MindSpore业务总经理丁诚**介绍了业界首个AI融合框架——昇思MindSpore 2.0版本，在基础能力上完成AI与HPC的融合，科学计算能力大幅提升。 昇思MindSpore业务总经理丁诚 **昇思大模型平台技术负责人何芦微**介绍了昇思大模型平台一站式易用实践，平台升级的版本完善了功能和模块，是业界首个实现算力跨AI计算中心弹性调度的一站式大模型开发体验平台，让大模型开发不再有算力顾虑。 昇思大模型平台技术负责人何芦微 ******AI创新的首选框架****** （关注公众号，查看更多获奖者） --- https://www.mindspore.cn/news/zh/2331/ --- 新闻 从感知世界到认知世界！“紫东太初”全模态大模型持续探索通用人工智能新路径 # 从感知世界到认知世界！“紫东太初”全模态大模型持续探索通用人工智能新路径 2023/05/09 # 从感知世界到认知世界！“紫东太初”全模态大模型持续探索通用人工智能新路径 5月6日，在华为昇腾AI开发者峰会上，中国科学院自动化研究所“紫东太初”大模型研究中心常务副主任、武汉人工智能研究院院长王金桥研究员介绍，基于华为全栈国产化软硬件平台昇腾AI，中国科学院自动化研究所和武汉人工智能研究院正在联合打造\*\*“紫东太初”2.0全模态大模型\*\*，可实现文本、图片、语音、视频、3D点云、传感信号等不同模态的统一表征和学习，助推通用人工智能时代加速到来。 **超前布局，坚持以多模态技术探索通用人工智能** 从婴幼儿开始，人类的认知学习就建立在对现实世界图像、声音和文字等多种模态信息基础之上。突破模态限制，实现图、文、音等更多模态的通用大模型是人工智能融入现实世界的必然。 2019年开始，中科院自动化所在语音、文本、图像等单模态大模型研究和应用基础上，瞄准多模态大模型领域开始联合攻关，并于2021年7月正式发布了全球首个千亿参数多模态大模型“紫东太初”，以多模态技术探索通用人工智能发展道路。 区别于当前以文本为主的大部分语言大模型，“紫东太初”大模型在研发之初即坚持以多模态技术为核心，利用图-音-文等更多类型数据进行跨模态的统一表征和学习，实现了图像、文本、语音三模态数据间的“统一表示”与“相互生成”，使人工智能大模型的理解和生成能力更加接近人类，为贯通多模态人工智能行业应用提供了创新基础，向通用人工智能迈出关键一步。 **从感知到认知，面向数字物联世界再上新台阶** 世界已经进入了数字物联时代。在“紫东太初”1.0应用推广过程中，除了需要处理海量语音、图像和文本等互联网信息外，更需要处理多种传感器、3D点云及视频等物联网海量数据，才能满足现实生产力的提高。针对数字物联时代的新需求与新趋势，中科院自动化所研究探索全模态大模型体系架构和基础算法，持续推动“紫东太初”技术和应用发展。 在文本、图片、音频、视频的基础上，“紫东太初” 2.0可融入3D、视频、传感信号等更多模态数据，并优化语音、视频和文本的融合认知以及常识计算等功能，进一步突破感知、认知和决策的交互屏障，让人工智能从感知世界进化为认知世界，延伸出更加强大的通用能力。 **打造全栈国产化通用人工智能底座** 全栈国产化通用人工智能平台的实践对我国实现AI领域科技自立自强、占领科技创新高地具有重要的战略意义。“紫东太初”大模型从立项开始，就以中科院自动化所自研算法为核心，以全栈国产化基础软硬件昇腾AI平台为基础，依托武汉人工智能计算中心算力支持，真正意义上实现了国产人工智能大模型的可控、可信、可用，有力地促进了国产全栈式基础软硬件的发展。 目前，由中科院自动化所牵头打造的多模态人工智能产业联合体已陆续吸纳产学研各界近70家成员单位。围绕多模态大模型技术及应用，“紫东太初”大模型已在手语教学、法律咨询、交通出行、医疗机器人、医学影像判读等数十个行业场景领域已展现出广阔的落地潜力。在华为昇腾AI开发者峰会，“紫东太初”大模型开源了基于昇腾昇思的3.8B图像-文本-语音多模态模型并开放紫东太初大模型服务平台。 从互联网的图音文多模态走向物联网的全模态，以打造国产化通用人工智能底座为目标，中科院自动化所将持续推进“紫东太初”大模型基础理论、关键技术和应用生态的全链条自主创新，着力以自主可控基础软硬件建立开源开放的多模态产业生态，不懈探索通用人工智能创新路径。 --- https://www.mindspore.cn/news/zh/2333/ --- 新闻 昇腾AI开发者峰会2023智能基座高校行昇思分会场走进清华大学，与专家面对面，感受AI魅力 # 昇腾AI开发者峰会2023智能基座高校行昇思分会场走进清华大学，与专家面对面，感受AI魅力 2023/05/10 # 昇腾AI开发者峰会2023智能基座高校行昇思分会场走进清华大学，与专家面对面，感受AI魅力 **昇腾AI开发者峰会2023** 5月6日，昇腾AI开发者峰会2023智能基座清华大学专场活动成功举行，此次活动由华为技术有限公司主办，共青团清华大学委员会、北京昇腾人工智能生态创新中心和清华大学计算机系学生科协共同承办，清华大学计算机系党委研工组组长王运涛、华为高校与科研人才发展总监罗静、华为昇思MindSpore生态技术专家杨滔、华为高校人才发展HR熊裕华、华为昇思MindSpore研发工程师刘彤彤、华为昇思MindSpore算法工程师钟源珂出席了活动。 **清华大学计算机系党委研工组组长王运涛**为本次活动致辞，王老师在致辞中表示，清华大学与华为联系紧密，双方在人才培养层面合作已久。智能基座高校行活动让华为公司专家走进校园、与学生面对面交流，有助于开拓学生视野、激发学生对AI的学习兴趣、了解AI前沿理论并掌握学习技巧，是产教融合的创新实践。未来，清华大学将继续与华为开展合作，为学生开发者提供更多实践机会。 **华为高校与科研人才发展总监罗静**在致辞中提到，自2020年12月，清华与华为正式签署“智能基座”项目，开启了双方共同培养信息技术关键领域核心人才的里程碑。截止目前，约1300余名学生参加了课程学习。本次举办的高校行又是“智能基座”项目在创新创业方面的重要探索，由华为培训专家精心打造并现场带领同学动手实操。希望通过接下来的学习，能让同学们了解昇腾芯片的奥秘、昇思框架的魅力。未来，华为还会有更多校园行、训练营等活动走进清华，让同学们持续了解最新最前沿的技术，始终走在时代潮头，在“互联网+”等各类大赛中勇夺佳绩。 **华为高校人才发展HR熊裕华**带来了“志存高远、坚韧平实”的主题报告，向同学们介绍了华为的企业文化和人才观。熊老师表示，作为全球领先的ICT基础设施和智能终端提供商，华为坚持以客户为中心、以奋斗者为本、长期艰苦奋斗和坚持自我批判的企业核心价值观，构建积极、开放、多元的人才策略，持续创造社会价值。在互动环节，熊裕华老师还十分耐心的解答同学们的提问，让同学们对华为文化有了更深入的了解。 接下来，在主题为《国产框架引关注？来看全场景AI框架昇思MindSpore！》的演讲中，**昇思MindSpore技术生态专家\*\*\*\*杨滔**分享了当前AI技术发展现状及趋势，并对全场景AI融合框架昇思MindSpore生态发展进行了详细介绍，在算力提升、数据爆发式增长、模型不断迭代更新三大因素驱动下，深度学习技术迎来了大发展，人工智能已经进入了场景化应用时代。 未来，人工智能将进一步深度融入生产、科研和生活，行业渗透率也将进一步提升。同时昇思MindSpore也希望后续在人才培养、课程设计、科技创新等方面都能与清华大学有更深入的合作，共同推进人才培养、科技创新和成果转化等工作。 随后，**昇思MindSpore研发工程师刘彤彤**带来全场景AI框架昇思MindSpore全栈技术科普。刘老师详细介绍了全场景AI融合框架昇思MindSpore的最新特性及优势，其中包括了融合编程范式、自动并行、AI+科学计算、AI安全等方面的优势能力，此次深度讲解也让同学们对昇思MindSpore产生极大的兴趣。 当前，国产AI框架崛起，技术生态逐步繁荣，正在重构AI框架的全球格局。作为华为开源的全场景AI融合框架，昇思MindSpore旨在实现易开发、高效执行、全场景覆盖三大目标，着重提升易用性并降低AI开发者的开发门槛，非常适合高校开发者学习使用。 最后，**昇思MindSpore算法工程师钟源珂**为同学们带来10个月华为工作经历，和昇思MindSpore开源社区一起成长蜕变分享，讲述了参与从0-1开发昇思大模型平台的经验，并通过昇思大模型平台带领大家体验了趣味实操。 昇思大模型平台是昇思社区打造的首个基于国产AI算力和框架、服务全球开发者的一站式大模型平台，平台是集模型选型、创意分享、在线体验为一体的一站式AI学习与实践平台，具备AI实验室，模型库，大模型在线体验与微调，数据集等多个模块，提供超强免费算力，经典易用的样例，优质精美的在线学习课程资源，类型多样的AI大赛和内容有趣的社区活动等，此平台可以帮助学生更好地学习和掌握人工智能技术，为未来的职业发展打下基础。 清华大学是世界知名的学府，而华为是人工智能、5G、通信等领域的领先者，此次智能基座高校行清华大学专场活动通过邀请人工智能产业专家进校园的方式，帮助青年学生更多的了解AI技术并在实践中感受AI乐趣，是双方在AI人才培养方面的一次创新尝试。相信在华为专家们的启发下，同学们一定会对AI产生更大的兴趣，积极学习AI理论、参与开发实践，为投身AI事业积蓄力量。 往期回顾 “智能基座昇腾高校行”哈尔滨工业大学（深圳）站 | 昇思MindSpore赋能高校开发者AI新体验 “智能基座昇腾高校行”中国科学技术大学站 | 昇思MindSpore携高校共同培养科技人才新力量 MSG·暴走校园 | 昇思MindSpore携手南京大学共同培养新时代科技人才 “智能基座昇腾高校行”中山大学站 | 昇思MindSpore带最新AI领域前沿动态入校园 --- https://www.mindspore.cn/news/zh/2473/ --- 新闻 项目分享 | 基于昇思MindSpore AI框架的肾脏肿瘤分割「额滴肾呐」团队思路 # 项目分享 | 基于昇思MindSpore AI框架的肾脏肿瘤分割「额滴肾呐」团队思路 2023/05/09 # 项目分享 | 基于昇思MindSpore AI框架的肾脏肿瘤分割「额滴肾呐」团队思路 **2022 CCF BDCI** 第十届CCF大数据与计算智能大赛 第十届CCF大数据与计算智能大赛（2022 CCF BDCI）已圆满结束，**大赛官方竞赛平台DataFountain**（简称DF平台）将陆续释出各赛题获奖队伍的方案思路，欢迎广大数据科学家交流讨论。 本方案为\*\*【基于昇思MindSpore AI框架的肾脏肿瘤分割】**赛题的**二等奖\*\*获奖方案，赛题地址：http://go.datafountain.cn/3056（戳底部“阅读原文”可直达） **获奖团队简介** \*\*团队名称：\*\*额滴肾呐 **团队成员：**“额滴肾呐”团队由五名成员构成，包括来自湖南大学、郑州大学、电子科技大学、西北工业大学和咪咕音乐的高校和企业成员，全部在读研究生或在职工作，主要包括医学影像分割、图像检测、工业质检等研究方向，其中王练等已有医学影像方向一篇专利实审、一篇专利初审以及一篇中科院一区论文在审，同时已获得第十八届华为杯中国研究生数学建模国家二等奖、第八届华为软件精英挑战赛武长赛区二等奖等竞赛成果。 \*\*所获奖项：\*\*二等奖 **摘 要** 本队参考自适应框架nnUNet，一个基于经典模型3D UNet结构在各种任务上达到STOA的神仙框架，且该方法不需要手动调参。首先对于每个训练数据采用裁剪、重采样、归一化等预处理技术，然后采用随机旋转、随机缩放、伽马校正、高斯噪声等训练增广策略，最后对3D U-Net采用多个辅助的分割输出对主干网络进行监督，用来解决深度神经网络训练梯度消失和收敛速度过慢的问题。最终，初赛提交的结果为 0.8377， 初 赛 排 名 第 二 ， 代 码 地 址 提 供 ： https://github.com/wangwangwang978/MindSpore2022-BDCI。 **关 键 词** 昇思MindSpore、肾脏肿瘤分割、nnUNet **1 引言** 近年来，卷积神经网络（CNNs）主导了医学图像分割的发展方向，尤其是全卷积网络（FCNs），打开了对医学图像进行语义分割来辅助病理学家诊断的大门。其典型的变体网络U-Net\[1\]，由一个对称的U形编码器-解码器架构和几个跳跃连接组成。在编码器部分，它使用一系列连续的卷积层和下采样层来提取深度特征，然后解码器将提取的深度特征上采样到像素级语义分割的输入分辨率，并使用跳跃连接融合不同尺度的高分辨率特征，以减轻编码器下采样操作过程中空间信息的丢失。受其优雅结构的启发，后续已经提出了U-Net++、U-Net3+网络，同时3D U-Net、UNETR、Swin UNETR也相继被应用于医学影像领域，实现令人印象深刻的分割性能\[2\]。 CCF 大数据与计算智能大赛——基于昇思MindSpore AI 框架的肾脏肿瘤分割，数据来源于2019 Kidney Tumor Segmentation Challenge，该赛题目标是加速可靠的肾脏和肾脏肿瘤语义分割方法的开发，该数据集\[3\]包含部分或根治性肾切除术的 300 名独特肾癌患者的动脉期腹部 CT，并进行了语义分割标注。其中 210 个已发布用于模型训练和验证，其余 90 个将用于客观模型评估。 然而，通过参考 KiTS19 Grand Challenge 挑战赛结果（http://results.kits-challenge.org/miccai2019/）和 Isensee F 等人的研究\[4\]，许多先前引入的算法修改通常可能无法优于正确调整的baseline 3D U-Net方法。因此，本队参考自适应框架nnUNet\[5,6\]，一个基于经典模型3D U-Net结构在各种任务上达到STOA的神仙框架。 **2 方法** 通过参考 昇思MindSpore 官方（https://gitee.com/mindspore/models/tree/master/research/cv/nnUNet）和 Pytorch（https://github.com/MIC-DKFZ/nnUNet）相关开源代码，我们复现基于昇思MindSpore AI框架用于KiTS 19肾脏肿瘤数据集分割的nnUNet方法。 **2.1 预处理\*\*\*\*2.1.1 Crop 裁剪** 所有训练数据都会裁剪到非零值的区域。这对大多数数据集(如肝脏 CT)没有影响，但会减少颅骨剥离脑 MRI 的尺寸和计算负担。 **2.1.2 Resampling 重采样** 不同的扫描仪或不同的采集协议通常会导致具有异构体素间距的数据集，为了使网络能够正确地学习空间语义，所有 CT 图像都被重新采样到统一的体素间距，其中图像数据使用 B 样条插值，对应的分割掩码使用最近邻插值。参考 KiTS19 Challenge 冠军方案\[4\]，将所有病例的体素间距重采样为3.22×1.62×1.62。 **2.1.3 Normalization 归一化** 收集训练数据集出现的所有强度值，并通过剪切到这些强度值的\[0.5,99.5\]百分位来归一化整个数据集，然后基于所有收集到的强度值的平均值和标准差进行 zscore 归一化。 **2.2 网络架构** 图 1 3D U-Net 网络架构 本实验基于3D U-Net的U型网络结构构建出如图1的模型架构，可以更好地提取和融合高层语义和低层精细特征，获得上下文信息和空间位置信息。3D U-Net网络结构由编码器和解码器组成。 编码器由一个3×3×3卷积层和一个2×2×2最大池化下采样层组成模块堆叠组成。每次下采样后通道数翻倍，图像分辨率减半。而解码器由2×2×2反卷积层上采样、拼接层和一个3×3×3卷积层组成堆叠组成，最后经过1×1×1卷积输出。每次上采样后通道数减半，图像分辨率翻倍。通过跳跃连接拼接来自编码器中各层的特征，融合高层全局上下文信息和低层精确细节，同时，它可以减少由下采样操作过程中空间信息的损失。 同时在解码器1，1/2，1/4，1/8，1/16的分辨率尺寸处进行深度监督输出，都是通过1×1×1的卷积层实现调整通道到分割类别数。可辅助监督主干网络，用来解决深度神经网络训练梯度消失和收敛速度过慢的问题。 **2.3 损失函数** 我们的整个模型是在端到端训练的，损失函数是计算加权的 Dice 损失和交叉熵(cross entropy)损失，即 **3** **实验** **3.1 实验细节\*\*\*\*3.1.1 实验环境** 我们的实验基于昇思mindspore1.7.0 和Ascend910硬件运行。在训练期间，默认Batch Size为2，并且使用具有0.01初始学习率和0.9动量的SGD优化器来优化我们的反向传播模型，将深度监督的各个损失函数的权重w设置为 0.53、0.27、0.13、0.07、0。 **3.1.2 数据增广** 对 于 所 有 的 训 练 ， 使 用scaling ，rotations ，brightness，contrast，gamma和Gaussian噪声等数据增强策略来增加数据多样性和对颜色扰动的鲁棒性。 **3.1.3 Patch Sampling** 为了提高网络训练的稳定性，nnUNet会强制Batch中超过三分之一的样本包含至少一个随机选择的前景类。 因为时间有限，我们选择50个训练batch的迭代定义为一个 epoch，总共训练600 epoch。通过五折交叉验证选择最佳模型。 **3.2 实验结果** 通过图2的可视化结果可以发现，nnUNet可以发挥出较好的肾脏分割效果（红色标注），但我们发现，肿瘤分割效果（绿色标注）存在少量漏检的情况，如最后一张CT显示，肾脏下方的肿瘤并未正确识别出来，这可能与训练不够充分有关。 通过表1，我们调整官方训练epoch的迭代batch数量，由于官方nnUNet的实现设定为250，综合考虑硬件资源和训练时间，我们尝试将其调整至50（这不免会产生精度的降低，但这是一个折中的选择）。 图 2 肾脏肿瘤分割可视化结果 **4 结论** 针对医学数据，在于理解数据，并采用适当的预处理、训练、推理策略和后处理方法，经典的网络也能达到预期的效果，而一味追求网络结构的改变并不会带来明显的突破，往往会导致过拟合。 **参 考** \[1\] Ronneberger O, Fischer P, Brox T. U-net: Convolutional networks for biomedical image segmentation\[C\]//International Conference on Medical image computing and computer-assisted intervention. Springer, Cham, 2015: 234-241. \[2\] 陶 森. 基于深度学习的肾脏肿瘤分割方法研究\[D\].西 安 电 子 科 技 大学,2021.DOI:10.27389/d.cnki.gxadu.2021.001313. \[3\] Heller N, Sathianathen N, Kalapara A, et al. The kits19 challenge data: 300 kidney tumor cases with clinical context, ct semantic segmentations, and surgical outcomes\[J\].arXiv preprint arXiv：1904.00445, 2019. \[4\] Isensee F, Maier-Hein K H. An attempt at beating the 3D U-Net\[J\]. arXiv preprint arXiv:1908.02182, 2019. \[5\] Isensee F, Petersen J, Kohl S A A, et al. nnu-net: Breaking the spell on successful medical image segmentation\[J\]. arXiv preprint arXiv:1904.08128, 2019, 1(1-8):2. \[6\] Isensee F, Jäger P F, Kohl S A A, et al. Automated design of deep learning methods for biomedical image segmentation\[J\].arXiv preprint arXiv:1904.08128, 2019. --- https://www.mindspore.cn/news/zh/2482/ --- 新闻 MSG·暴走校园 | 兰州大学站来喽，带领高校开发者沉浸式研学，共探AI新趣味！ # MSG·暴走校园 | 兰州大学站来喽，带领高校开发者沉浸式研学，共探AI新趣味！ 2023/05/15 # MSG·暴走校园 | 兰州大学站来喽，带领高校开发者沉浸式研学，共探AI新趣味！ **AI进校园** 近年来，区块链、NFT、元宇宙、ChatGPT等人工智能技术频频掀起社会热潮。AI写作、AI绘画、AI视频生成、AI语音合成等技术的普及对人类社会原本的生产关系、市场逻辑、法律伦理、情感交互、学术规范等产生巨大的冲击。“人工智能发展已经进入新的临界点”，人类与人工智能的关系也进入新的节点。如何推动人工智能的创新应用场景？人工智能能否真正落地于未来发展？也成为了人们共同关注的焦点。 为了让高校开发者更好地了解人工智能，激发对科技的热爱，进一步推进人工智能时代后备人才的培养，持续挖掘高校开发者对于人工智能等科学技术的创造力，**_5月18日_**，**昇思MindSpore开源社区**将走进**兰州大学**开展“MSG·暴走校园”活动，本次活动将带领高校开发者深入了解全场景AI框架昇思MindSpore在各行各业中的实际应用，感受课堂以外的AI体验和乐趣，现场更有惊喜礼品等你互动！ **活动时间：** 2023年5月18日（周四）13：30-17：00 **活动地点：** 兰州大学榆中校区秦岭堂A102（**校内专场活动**） --- https://www.mindspore.cn/news/zh/2484/ --- 新闻 项目分享 | 基于昇思MindSpore AI框架的肾脏肿瘤分割一等奖\[咸鱼\]团队思路 # 项目分享 | 基于昇思MindSpore AI框架的肾脏肿瘤分割一等奖\[咸鱼\]团队思路 2023/05/16 # 项目分享 | 基于昇思MindSpore AI框架的肾脏肿瘤分割一等奖咸鱼团队思路 **2022 CCF BDCI** 第十届CCF大数据与计算智能大赛 第十届CCF大数据与计算智能大赛（2022 CCF BDCI）已圆满结束，**大赛官方竞赛平台DataFountain**（简称DF平台）将陆续释出各赛题获奖队伍的方案思路，欢迎广大数据科学家交流讨论。 本方案为\*\*【基于昇思MindSpore AI框架的肾脏肿瘤分割】**赛题的**一等\*\*\*\*奖\*\*获奖方案，赛题地址：http://go.datafountain.cn/3056（戳底部“阅读原文”可直达） **获奖团队简介** \*\*团队名称：\*\*咸鱼 \*\*团队成员：\*\*本团队由两名中国科学院计算技术研究所的硕士一年级学生组成。在选修研究生一年级的人工智能课时，受老师推荐参加此比赛。 \*\*所获奖项：\*\*一等奖 **摘要** 这个比赛是一个医学图像分割比赛，我们在比赛中采用了数据增强等方法，并创新性地提出了Res-U-Net模型，最后在训练时加入Lovasz-Softmax损失函数，使得模型在测试集上取得较好的训练效果。 **关键词** 语义分割，数据增强，ResNet，Lovasz-Softmax **1、引言** 这个比赛的任务是深度学习中的语义分割任务。这是一个非常经典的深度学习任务，多年以来已经被研究得十分透彻。我们在参考前人的方法的同时，也创新性地提出了自己的方法，这些方法包括： 1. 数据增强，我们采用了多种数据增强手段，并结合此次比赛的数据特点进行数据增强，提高了模型的泛化能力。 2. 创新性地提出Res-U-Net模型，结合了U-Net的结构并充分利用了ResNet Block的优点，使得模型的训练和推理较为稳定。 3. 采用了多种损失函数相结合的方法，使用带权重的交叉熵损失，并配合Locasz-Softmax损失进行训练。 最终我们的方法在验证集和测试集上都取得较好的效果。 **2、数据集** 这个比赛采用的训练集是kits19数据集\[5\]，测试集是比赛主办方的私有数据。这些数据集都是CT扫描的肾脏肿瘤数据。训练集一共有210个肾脏肿瘤病人的扫描结果，每一个病人的扫描结果包含约300张扫描图片。训练集一共被标注了3类，分别是背景类、肾脏、肾脏肿瘤。 我们在训练集的210个病人数据中随机选取30个病人数据作为验证集，剩下的180个病人数据作为训练集。 **3、数据处理** 注意到CT肾脏扫描的图像在时空上是连续的，即，每一张图像与前后图像都有紧密的时空联系。我们在训练时选取一张训练集图像的同时，也会选取这张训练集图像的前后各一张图像，并把它们拼接在一起。即，训练时采用的图像大小为512×512×3。 为提高模型的泛化能力，降低训练模型对于某些样本和属性的依赖，我们在训练数据读取时通过图像增强的方式产生更丰富的训练样本。我们通过图像的几何变换操作进行图像增强，变换方法包括随机旋转、随机翻转和随机裁剪，训练样本在加入到训练集前将依次通过以上方法进行增强。 **3.1 随机旋转和随机翻转** 图像的随机旋转和随机翻转是最常用的图像增强方法。我们对样本进行小幅度（-9°，9°）的均匀随机旋转，并依0.5的概率进行随机水平翻转。 **3.2 随机裁剪** 我们先对样本图像的4个边进行12像素的填充，即，把图像由512×512填充为536×536。然后对图像进行随机面积和随机长宽比裁剪。图像的∈∈随机面积裁剪比例的区间为(0.92,0.99)，即，Scrop/Spad∈(0.92,0.99)，其中Scrop表示裁剪图像的面积，Spad表示填充图像的面积。样本的随机长宽比范围为(0.96.1.04)，即，H/W∈(0.96.1.04)，其中H为图像的高，W为图像的宽。最后将裁剪后的图像缩放到512×512。 **4、模型** 我们提出的模型Res-U-Net如图4.1所示，这个模型的主要结构参考自Cortinhal 等人的工作\[1\]，其主干为经典的encoder-decoder结构。Res-U-Net的输入是一个512×512×3的图像，其中3是图像的通道数，512是图像的宽和高。输入图像经过的第一个层为Conv0卷积层，Conv0卷积层会初步学习图像的基础特征，并把图像的通道数扩展到32。紧随其后的是5层encoder，encoder在图4.1中表示为ResDownSample层。ResDownSample会对特征图进行下采样，下采样后特征图的宽度和高度都缩减为原来的1/2。与此同时，ResDownSample会学习特征图的特征并把其通道数扩展为原来的2倍。在encoder之后，对应的，一共有5层decoder，decoder在图4.1中被表示为UpSample和CatResBlock。UpSample层会对特征图进行上采样，上采样后特征图的宽度和高度会扩展为原来的2倍，通道数会缩减为原来的1/4。上采样后的特征图会与前面对应的ResDownSample层的输出进行拼接，这里的拼接参考了Ronneberger等人的工作\[2\]。在拼接前ResDownSample层的输出特征图会先通过一个1×1的Conv层进行通道数的缩减，这个通道数的缩减是为了确保后面的CatResBlock的输入特征图具有合理的通道数。CatResBlock会把输入的两个特征图进行拼接并学习其特征。 图4.1：Res-U-Net模型结构图 在经过5次UpSample后输出特征图的大小为512×512×16，这个特征图会与Conv0层的输出进行拼接，最后再经过一次卷积并输出512×512×3的特征图。 **4.1 Conv0层** 图4.2：Conv0层的结构 Conv0层的结构如图4.2所示，其由一个3×3 Conv，一个Batch Norm和一个Leaky ReLU层组成。3×3 Conv的stride = 1，在图中表示为s = 1，其卷积操作不改变特征图的宽和高。Conv0层的作用是初步提取图像的特征信息，为后面的特征提取打基础。 **4.2 ResDownSample层** 图4.3：ResDownSample层的结构 ResDownSample层的结构如图4.3所示，其结构参考了He等人的工作\[3\]。第1个卷积层是一个3×3 Conv，其stride = 2，目的是为了下采样，使图像的宽和高缩减为原来的1/2。其后接着的是Batch Norm、Leaky ReLU层。第2个卷积层的stride = 1，其不改变特征图的宽和高。输入特征图还会经过另一个stride = 2的卷积层，这个卷积层在He等人的工作\[3\]里被称为shortcut。经过shortcut后的特征图与经过第2个卷积层的特征图相加，随后再经过Leaky ReLU输出。 **4.3 Connector层** 图4.4：Connector层的结构 Connector层的结构如图4.4所示，其结构和Conv0层基本一致，只不过其卷积层的stride = 2，目的是为了对特征图进行下采样。 **4.4 UpSample层** UpSample层采用的是PixelShuffle方法。PixelShuffle方法没有任何可学习的参数，它通过调换特征图的像素点顺序来进行上采样。例如：一个H x W x C的特征图经过PixelShuffle后会变成2H x 2W x C/4，其宽和高扩展为2倍，通道数缩减为原来的1/4。 **4.5 CatResBlock层** 图4.5：CatResBlock层的结构 CatResBlock层的结构如图4.5所示。其第一层为拼接层，目的是为了拼接前面对应的ResDownSample层的输出。后面几层依次为3×3 Conv、Batch Norm、Leaky ReLU、3×3 Conv和Batch Norm，输出的特征图与拼接的特征图相加后再通过Leaky ReLU层输出。 **4.6 CatConv层** 图4.6：CatConv层的结构 CatConv层的结构如图4.6所示。其第一层为拼接层，后面几层依次为3×3 Conv、Batch Norm和Leaky ReLU层 。 **致谢** 感谢人工智能课的老师，推荐我们参加这个比赛，让我们有机会走上这个比赛的舞台。 **参考** \[1\] Cortinhal, Tiago, George Tzelepis, and Eren Erdal Aksoy. "SalsaNext: Fast, uncertainty-aware semantic segmentation of LiDAR point clouds." International Symposium on Visual Computing. Springer, Cham, 2020. \[2\] Ronneberger, Olaf, Philipp Fischer, and Thomas Brox. "U-net: Convolutional networks for biomedical image segmentation." International Conference on Medical image computing and computer-assisted intervention. Springer, Cham, 2015. \[3\] He, Kaiming, et al. "Deep residual learning for image recognition." Proceedings of the IEEE conference on computer vision and pattern recognition. 2016. \[4\] Berman, Maxim, Amal Rannen Triki, and Matthew B. Blaschko. "The lovász-softmax loss: A tractable surrogate for the optimization of the intersection-over-union measure in neural networks." Proceedings of the IEEE conference on computer vision and pattern recognition. 2018. \[5\] Heller, Nicholas, et al. "The state of the art in kidney and kidney tumor segmentation in contrast-enhanced CT imaging: Results of the KiTS19 challenge." Medical image analysis 67 (2021): 101821. --- https://www.mindspore.cn/news/zh/2485/ --- 新闻 昇腾AI开发者峰会2023精彩回顾，带你解锁不一样的开发者盛会 # 昇腾AI开发者峰会2023精彩回顾，带你解锁不一样的开发者盛会 2023/05/16 # 昇腾AI开发者峰会2023精彩回顾，带你解锁不一样的开发者盛会 2023年5月6日至7日，以“创未来 享非凡”为主题的昇腾AI开发者峰会2023在东莞松山湖圆满举办。本次峰会是首届面向昇腾计算产业开发者的年度旗舰活动，行业专家与开发者、伙伴齐聚一堂，开启一场盛会之旅，让我们一起回顾峰会的精彩瞬间。 **0\*\*\*\*1** **行业盛会，全景回顾** 此次峰会，昇腾聚焦根技术，持续夯实基础软硬件能力，正式发布昇腾Ascend C编程语言、昇思MindSpore AI框架、智能推荐SDK mxRec、昇腾AI开发者套件Atlas 200I DK A2等应用不同开发场景的的昇腾AI技术、开发平台和工具一定能让你眼前一亮！更有重磅大咖多维度探讨AI现阶段与行业融合的实际成果、行业代表分享优秀案例、昇腾AI创新大赛2023拉开序幕等内容共同助梦开发新征程！ **02五大重磅发布燃爆全场** 作为本次峰会的重磅内容，昇腾Ascend C编程语言正式发布、发挥软硬件综合优势加速大模型创新、智能推荐SDK mxRec全新发布、昇腾AI开发者套件“小藤”全新发布、昇腾AI创新大赛2023正式启动，吸引了在场来宾的高度关注。 关注mindspore公众号，查看昇腾重磅内容 **0\*\*\*\*3** ******重磅大咖******\*\*“7”\*\*\*\*****聚一堂，共话\*\***AI 产业新发展****** 峰会上，华为ICT Marketing总裁周军，中国工程院院士、鹏城实验室主任、昇腾荣誉顾问高文，华为昇腾计算业务总裁张迪煊，中国工商银行软件开发中心高级金融科技专家刘承岩，中国科学院自动化研究所紫东太初大模型研究中心常务副主任王金桥，旷视科技研发总经理、旷视技术委员会fellow张晨光，2022昇腾AI创新大赛金奖和昇腾众智金质量奖获得者、湖南大学机器人学院博士李思羽共7位演讲嘉宾带来致辞和主题演讲。他们围绕人工智能，从产业发展趋势，昇腾AI技术创新，商用落地及赋能进行分享。开启了人们对昇腾AI的无限想象。 **04** ******五大板块精彩纷呈，展现昇腾****A****\*\*\*\*I********实力****** 昇腾展区人气爆棚，设置四大部分。“昇腾AI互动体验-昇腾AI开发者套件区”结合Atlas 200I DK A2开发者套件新品发布，设置机械臂智能分拣、无人自动驾驶车、智能聊天机器人互动体验区，展点成为整个展区的最大亮点；同时，基于不同的开发者开发需求，面向算子、模型、应用开发场景，匹配算子展区、模型展区、应用展区，同时结合江城洛神体验、ModelZoo昇腾AI模型体验，全面展示昇腾AI软硬件综合优势。 **05** **四场分论坛同步举行 合力打造“昇腾声音”** 本次峰会分为“开源创新 引领未来”昇思MindSpore开源论坛、昇腾异构计算架构CANN最新技术解密及应用使能、昇腾MindStudio全流程工具链助力高效开发和迁移效率提升、昇腾AI开发者进阶之路四大分论坛，从技术解读到案例分析，从行业剖析到创新实践，助力开发者掌握新技术、开发新体验、走向新成功！ ****聚焦开发者之夜，共同为梦想加冕**** 数智未来，因你而来！在感受开发者之夜带来的智慧“星光”的同时，更能收获科技带来的成就奖项。 荣获\*\*“2022年度Powered by Ascend 甄选解决方案昇腾年度优秀应用解决方案”\*\*的是：安徽南瑞继远电网技术有限公司变电站远程智能巡视联合解决方案、北京新锋睿视光电技术有限公司“Falcon Eye”--高性能实时智能目标搜索跟踪技术、软通动力信息技术（集团）股份有限公司AI+RPA昇腾一体机解决方案、山东极视角科技有限公司智慧社区联合解决方案、上海蜜度信息技术有限公司校对通AI-Box联合解决方案、苏州振畅智能科技有限公司5G+AI高端智能制造解决方案、武汉汉达瑞科技有限公司自然资源一体化服务数据层AI遥感影像解译方案、芯峰科技（广州）有限公司危化油气行业安全生产监测智能系统联合解决方案、中科星图空间技术有限公司GEOVIS iBrain空天大数据智能解译平台、中冶赛迪信息技术（重庆）有限公司智慧城市AI全场景解决方案。 荣获\*\*“2022年度昇腾社区优秀开发者”\*\*的是：陈可为、董哲明、冯远滔、何航、贺浩庭、刘林、马城林、秦增增、孙小北、张辉。 荣获\*\*“2022年度昇思MindSpore优秀开发者”\*\*的是：蔡文俊、樊瑞泊、黄佳妮、何润洪、孙昊昱、孙小北、王洁怡、王艺轩、王振邦、周汝霖。 荣获\*\*“2022年度昇腾社区优秀合作伙伴”\*\*的是：Openl启智社区。 赋能开发者，赋能千行百业！未来，昇腾将继续携手所有开发者共创产业未来，共享非凡成长，繁荣产业生态，共赢数智未来！ --- https://www.mindspore.cn/news/zh/2486/ --- 新闻 【昇思MindSpore技术公开课】第四节课GPT的课程回顾来啦！ # 【昇思MindSpore技术公开课】第四节课GPT的课程回顾来啦！ 2023/05/17 # 【昇思MindSpore技术公开课】第四节课GPT的课程回顾来啦！ 上周六（5月13日）我们继续为大家讲解了GPT2的核心创新点以及模型实现细节，并且将Transformer Decoder结构的核心部分Masked Self-attention进行了示意图和单步代码一一对应的详细解读。大家是否对GPT模型有了更加深入的理解呢？接下来我们对课程进行简单回顾，迎接下一节公开课的进一步深入。 **一、课程回顾** GPT2论文解读： - Language Model任务的再解读：Next Token Predict和自回归预测 Task Conditioning：GPT2实现Zero Shot的核心方法，针对不同任务设计Task Condition（即Task instruction）进行预训练，面向新的生成任务，可以不进行有标注的微调，而使用instruction来引导模型生成结果。 Masked Self-Attention的单步详解： - 创建query、key、value - 切分Attention heads - 计算Attention Socre，需要加入Causal Mask来防止前面单词看到未来。 - 合并Attention heads - 进行一层Projection 使用GPT2训练一个文本摘要模型（自回归预训练）： - 自回归任务的处理： 1、静态文本长度，处理为1024，需要进行pad和truncate 2、输入和输出分别为text\[0:-1\]和text\[1:\] - 使用自动混合精度，配合Loss Scalar解决溢出问题 - 自回归的文本生成预测 **二、下节课预告** 本周六（5月20日）14：00-15：30，将由我们**昇思MindSpore分布式训练技术专家，苏腾**为大家带来\*\*《昇腾+昇思超大规模AI实践》\*\*课程的讲解，这里悄悄剧透一下课程内容： - 昇思MindSpore的分布式特性讲解 - 昇思MindSpore分布式并行代码示例 **三、** **课程建议和课后答疑** 如果大家在运行代码中遇到什么问题，对课程有什么建议，或者希望我们增添什么内容，都可以在昇思MindSpore技术公开课大模型专题的代码仓中提issue进行反馈，或者加入课程讨论群，会有课程讲师在群中进行答疑。 --- https://www.mindspore.cn/news/zh/2494/ --- 新闻 第二届智能流体力学产业联合体大会，倒计时3天！ # 第二届智能流体力学产业联合体大会，倒计时3天！ 2023/05/18 # 第二届智能流体力学产业联合体大会，倒计时3天！ 第二届智能流体力学产业联合体大会将于2023年5月21日在杭州西湖大学（云谷）学术交流中心召开。距大会召开倒计时3天，敬请关注！ 智能流体力学产业联合体是在中国空气动力学会指导下，由唐志共院士等为代表的产业界领军人物和30多家全球头部流体力学高校、科研院所与龙头企业共同组建的产业联合体，秘书处设在西北工业大学。联合体将以昇腾AI与昇思MindSpore AI框架等人工智能技术为基础，推动AI与流体力学的深度融合，加速流体力学领域的科研创新、技术进步、产业升级、人才培养，为飞机、高铁、轮船等制造业提质增效。 --- https://www.mindspore.cn/news/zh/2495/ --- 新闻 推进产学研协同 | 昇思受邀出席“科创中国”开源创新与信创产业发展高峰论坛 # 推进产学研协同 | 昇思受邀出席“科创中国”开源创新与信创产业发展高峰论坛 2023/05/19 # 推进产学研协同 | 昇思受邀出席“科创中国”开源创新与信创产业发展高峰论坛 未来，昇思将继续秉持“开发者第一、技术优先”开源理念，持续创新，勇攀高峰。 --- https://www.mindspore.cn/news/zh/2504/ --- 新闻 Project Introduction—Second-Prize Solution for MindSpore-based Kidney-Tumor Segmentation # Project Introduction—Second-Prize Solution for MindSpore-based Kidney-Tumor Segmentation 2023/04/26 # Project Introduction—Second-Prize Solution for MindSpore-based Kidney-Tumor Segmentation The 10th CCF Big Data & Computing Intelligence Contest (2022 CCF BDCI) has recently come to a close with great success. The winning teams' solutions will be shared on the official competition platform, DataFountain (DF), for further communication and discussion. This blog presents one of the solutions for **MindSpore-based Kidney-Tumor Segmentation**, which won second prize in the contest. For details about the contest, visit http://go.datafountain.cn/3056. **Team Introduction** **Team Name**: 大山中学摸奖 **Team Members**: This team is established by three junior students from the School of Intelligent Systems Engineering, Sun Yan-Sen University. Adhering to the university motto, the team studies extensively on AI theories and technologies and practices earnestly in cutting-edge AI applications. The team also participated in another Huawei's project "SDK-based Person Detection", and won the golden prize related to MindSpore-based project in the 2022 Ascend AI Innovation Contest. **Award**: Second Prize **Abstract** The incidence of kidney cancer has been increasing in recent years. How to detect and treat kidney tumors in time becomes a very important issue. Over the last few decades, there has been a significant advancement in deep learning and computer vision technologies, leading to noteworthy breakthroughs in various fields like image classification, object detection, and semantic segmentation. Along with this progress, AI has also been successfully applied in the medical domain, particularly in large-scale and high-accuracy kidney-tumor segmentation. Despite these achievements, image segmentation presents several challenges that stem from factors such as slice thickness, tumor size, multiple foci, and subtypes of tumors. Given this context, we proposed a hybrid U-Net network based on multimodal data, which uses multimodal inputs to converge 2D information with 3D information. During encoding, an edge-oriented module is introduced to provide fine-grained constraints and edge-related features. During decoding, a large number of residual connections are used to capture fine- and coarse-grained semantics in a full scale, and a weight aggregation module is used to aggregate full-scale information and edge information. The model we proposed finally got 95.8% (kidney segmentation) and 71.3% (tumor segmentation) Dice scores on the KiTS19 dataset. While compared to other methods, our approach yields relatively high accuracy and holds great potential for practical applications, there are still areas where we can further improve its performance. **Keywords** Multimodal data convergence, edge-oriented module, full-scale information, weight aggregation module **1\. Overview** In China, the incidence of kidney tumors has increased at an average annual rate of about 6%, with a cumulative increase of 111.72% over the past 20 years. It can be foreseen that in the near future, kidney tumors will become another "killer" that seriously threatens people's health, especially men's health. Traditionally, nephrectomy is performed to treat this disease. But to protect kidney functions, excision of only infected kidney parts has recently become a standard treatment for kidney tumors. Clinical practitioners primarily rely on imaging techniques like CT scans to assess treatment options, which encompass total excision, partial excision, and active monitoring. This process involves a substantial amount of manual effort and may also yield inconsistent results between experts who score solutions. Hence, there has been a growing interest in developing intelligent automated systems for evaluating kidney tumors that can overcome the limitations associated with manual scoring. We expect such a system is able to automatically identify the kidney and tumor regions in medical images to determine whether tumors are benign or malignant and to evaluate the invasiveness of tumors. The automatic segmentation of the kidney and tumor regions is a fundamental function among these, which greatly assists inmedical diagnosis. Over the past few years, AI has found widespread application in the field of imaging, with a succession of neural network-based methods being developed for tasks such as image classification, image segmentation, and object detection. Traditional CNN networks do not perform well in predicting outcomes for medical images due to their high resolution, multimodal nature, single pixel features, blurred edge shapes, and unbalanced category distribution. Therefore, we improved the U-Net network structure and designed a hybrid U-Net network based on multimodal data. The 2D information and 3D information can be input to our network at the same time, and are converged in the encoding process. The edge information of images is extracted, and the accuracy of image segmentation can be improved according to the constraints of the edge. Besides, a large number of residual connections are used for the decoder to integrate the information at each scale, and weight aggregation is performed to filter the multi-scale information to retain valuable information. In the end, images are segmented based on the combined edge information and multi-scale information after weight aggregation. Experiments have shown that our method has an excellent performance in kidney-tumor segmentation, and there is significant potential for further improvement. The innovations of our method are as follows: (1) Use multimodal inputs to combine 2D information with 3D information effectively. (2) Use the 3D convolution's capability of extracting spatial features, and avoid large memory usage caused by the 3D convolutional network. (3) Extract and utilize the edge information through multiple modules, and enhance the anti-aliasing effect of image segmentation. (4) Use a small model. The final weight file size of the model is only 12 MB, and the inference time of a single step is only 81.58 ms, which could even be further improved and has great values in practical projects. **2\. Literature Review** In 2015, Olaf Ronneberger and other researchers proposed the U-Net network for biomedical image segmentation and cell segmentation tasks\[1\]. Since then, U-Net has become one of the most commonly used segmentation models, due to its simple structure, high efficiency, easy to understand and construct, and high accuracy. Generally, a shallow network in a CNN focuses on detailed texture features, and a deep network focuses on semantic features. Both shallow and deep features have their specific meanings. For a segmentation task for medical images, both semantic features and details are required to retrieve the edge features lost in the downsampling process, which is achieved by combining low-layer and high-layer features. This is why U-Net can achieve a good performance. In 2019, Huazhu Fu proposed the ET-Net model\[2\], which innovatively introduces the Edge Guidance Module (EGM) and Weighted Aggregation Module (WAM) for edge information extraction and multi-scale information aggregation, respectively. At the same year, Yifei Zhang proposed the CMnet model\[3\], which creatively improves the model performance through multimodal data convergence. The multimodal data convergence refers to a process where feature representations of the same example obtained through various means are input into a network, so that the model could have a more comprehensive understanding of the sample features. In 2020, Lanfen Lin presented the U-Net3+ model\[4\], which uses a large number of residual connections. Additionally, each decoder integrates small-scale, same-scale, and large-scale feature maps, facilitating information exploration in multiple scales. This significantly improves the accuracy and efficiency of biomedical image segmentation. **3\. Analysis of the Contest and Data** **3.1 Contest Requirements** The goal of this contest is to develop a fast and reliable semantic segmentation method for kidneys and tumors. The biggest challenge lies in dealing with the morphological heterogeneity and fuzzy tissue boundaries. The contest provides abdominal CT scan data in the arterial phase from 210 patients who have underwent partial or radical nephrectomy and marks the actual semantic segmentation results. Participants are expected to develop algorithm models that can be used for semantic segmentation of kidneys and tumors, and design kidney-tumor segmentation algorithms based on high-performance deep learning models for fast and accurate segmentation of tumors. The one whose model obtains the most accurate results for semantic segmentation of kidneys and tumors is the winner. **3.2 Evaluation Metric** It's hard to distinguish a false positive class (healthy tissue regarded as tumors) or a false negative class (tumors regarded as healthy tissue), without much reference. In clinical surgery, false negative classes may be considered more serious because they may cause tumors to be partially removed, but tumor tissue is different from a healthy kidney. This is not an urgent concern for doctors. By contrast, some people may think false positive classes are more serious, because they may cause overtreatment on kidney tumors. **3.3 Data Analysis** **3.3.1 Complexity of CT Images** The provided CT scan data of 210 cases has different slice thicknesses. As a result, it may be difficult for a model to understand 3D data features when slices are distant. In addition, if the change range of slice thickness is large, it directly leads to anisotropy of data in a depth direction and mainly affects the 3D convolutional layer that cannot understand spatial anisotropy information. Furthermore, the length of Field of View (FOV) is different. A long FOV length usually leads to a large range of anatomic features, even including images from the top of the head to the bottom of the foot in some cases. As a result, models trained entirely by abdominal scan data may cause false positive classes in unfamiliar areas. **3.3.2 Complexity of Tumor Data** In the data provided, some samples have multiple lesions, which is rare. This could lead network models to tend to predict a single tumor region. In most samples, the size of the tumor accounts for only a small portion of a CT image. A smaller tumor indicates a higher proportion on the regional boundary. However, most segmentation errors occur on the region boundary, resulting in a low Dice score. In addition, smaller tumors are usually more likely to be completely ignored. Kidney tumors are not just manifested as one form, but have many subtypes. Different kidney tumor subtypes have different typical CT imaging manifestations, and some subtypes may be easier to identify than others. While some subtypes, such as angiomyolipoma, have low attenuation, making it difficult to distinguish them from renal cysts. In a word, tumors have individual differences and present diversified features in forms, texture, and grayscale distribution in CT images. **4\. Hybrid U-Net Based on Multimodal Data** **4.1 Network Structure** Figure 1. Proposed network structure This network has two inputs, 2D data and 3D data. The data is passed into the 2D encoder and 3D encoder. After encoding, outputs of the 2D encoder and 3D encoder are combined, and then the EGM module is used to extract the edge information of the features with high resolution. The fusion module connects two tensors on a channel, and then performs convolution to obtain a fusion result. The outputs of the encoders are fused and then passed to the decoder. Then, the WAM module is used to extract the full-scale information, and the information is combined with the outputs of the EGM module to obtain the final prediction result. The structures of the encoder and decoder are designed based on U-Net3+\[4\], and the detailed description is not presented here. **4.2 3D Encoder** Figure 2. Internal structure of the 3D encoder The 3D encoder consists of a converter and a 2D encoder. The inputs of the converter are 3D image inputs. First, a 3D convolution is performed to preliminarily obtain a feature map, and then the obtained feature map is processed by using two paths. The first path is a 3D convolution with a kernel size of 5 x 5 x 5, and the second path contains two 3D convolutions with a size of 3 x 3 x 3. The two paths are used to capture information from areas with different kernel sizes and enrich each other's outputs. Then, combine the outputs of each path to obtain a feature map whose size is 16 x 1 x 512 x 512, and then reshape it into a 16 x 512 x 512 feature map. The feature map of this converter becomes the input of the 2D encoder. During this process, the 3D convolution is used to extract spatial information, and dimensions are reduced through convolutions. This enables the 2D-encoder, thereby avoiding large network memory occupation. **4.3 Edge Guidance Module** Figure 3. Internal structure of the EGM The edge information provides useful fine-grained constraints for feature extraction during segmentation, so introducing edge-related features into segmentation tasks can improve segmentation performance. But this requires the feature maps extracted by the first two encoders to have high resolution. Therefore, the EGM selects the feature maps output by the E-BLock1 and E-BLock2 as the inputs. The E1 feature map and the upsampled E2 feature map are combined after 1x1 and 3x3 convolution, and then 1x1 convolution is performed to generate the final edge detection result, providing useful edge features for the subsequent decoder. **4.4 Weighted Aggregation Module** Figure 4. Internal structure of the WAM To adapt to the shape and size changes of objects, existing methods tend to summarize multi-scale outputs along the channel dimension for final prediction. However, not all channels in the high-level feature map are conducive to object recovery. To solve this problem, WAM, focusing on valuable features, aggregates multi-scale information and edge constraints to improve segmentation performance. As shown in the structure diagram, the network passes the outputs of each D-Block into the Weighted Block to highlight valuable information. Then, the information extracted from each layer is integrated to obtain module outputs. **4.5 Weighted Block** Figure 5. Internal structure of the Weighted Block The Weighted Block first reconstructs inputs with 1x1 convolution through two paths. The upper path is used to extract weights. First, global average pooling is used to aggregate input global context information, and then two 1×1 convolutional layers with ReLU and Sigmoid are used to estimate correlations. The weights are generated along a channel dimension. No operation is performed on the lower path. The intersection point of the two paths is used to obtain representative features by multiplying the extracted weights with the original modified outputs. **5\. Effect** We have continued to fine-tune our model, and during the latest verification, it achieved Dice scores of 0.95819 and 0.71307 for kidney and tumor segmentation respectively. The average Dice score obtained was 0.83563. The following figures show some test effects. (The left part is the CT image, the middle part is the actual segmentation result, and the right part is the model prediction result.) Figure 6. Effect display **6\. Conclusion** We innovatively proposed a hybrid U-Net network based on multimodal data. The network inputs are 2D and 3D data, which is encoded through independent encoders. And then the outputs of the 2D and 3D encoders are combined by referring to the combination policy of CMNet\[3\]. The 3D encoder effectively uses the spatial extraction capability of 3D convolutions, which avoids excessive memory usage. Referring to the ET-Net modules\[2\] and full-scale connections of U-Net3+\[4\], we designed modules for edge extraction and weight aggregation, and added a lot of residual connections to the decoder. In addition, we performed upsampling using bilinear interpolation, reducing parameter quantity and network complexity. Our method effectively improves the effect of kidney-tumor segmentation and compresses the network size, making the network easy to train and verify and achieving excellent results on experiments. This provides a feasible solution in the kidney-tumor segmentation field. **Reference** \[1\]Ronneberger O, Fischer P, Brox T. U-net: Convolutional networks for biomedical image segmentation\[C\]//International Conference on Medical image computing and computer-assisted intervention. Springer, Cham, 2015: 234-241. \[2\]Zhang, Z., Fu, H., Dai, H., Shen, J., Pang, Y., Shao, L. (2019). ET-Net: A Generic Edge-aTtention Guidance Network for Medical Image Segmentation. In: , et al. Medical Image Computing and Computer Assisted Intervention – MICCAI 2019. MICCAI 2019. \[3\]Zhang, Yifei et al. “Exploration of Deep Learning-based Multimodal Fusion for Semantic Road Scene Segmentation.” VISIGRAPP (2019). \[4\]Huang H, Lin L, Tong R, et al. Unet 3+: A full-scale connected unet for medical image segmentation\[C\]//ICASSP 2020-2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). IEEE, 2020: 1055-1059. --- https://www.mindspore.cn/news/zh/2519/ --- 新闻 三位院士齐聚智能流体力学产业联合体第二次全体会议，昇腾AI助力产业蓬勃发展 # 三位院士齐聚智能流体力学产业联合体第二次全体会议，昇腾AI助力产业蓬勃发展 2023/05/22 # 三位院士齐聚智能流体力学产业联合体第二次全体会议，昇腾AI助力产业蓬勃发展 2023年5月21日，智能流体力学产业联合体第二次全体会议在杭州西湖大学成功举办，产业联合体代表及关心联合体的学术界、产业界专家共计超过百位嘉宾现场参会。 **中国空气动力学会理事长、智能流体力学产业联合体理事长、中国科学院院士唐志共**在致辞中对联合体的发展指明了方向：一是强化联合体平台枢纽作用，促进资源的优化配置，实现功能互补、良性互动、合作共赢；二是要聚焦交叉学科深度融合，激发领域持久的创新活力，实现核心技术的自主创新；三是推进产学研用四位一体，优化科技创新的支撑效能，支撑相关产业发展；四是加强联合体自身建设，引领行业高质量发展。 中国空气动力学会理事长、智能流体力学产业联合体理事长、中国科学院院士唐志共 **中国科学院院士杨卫**在致辞中表示，数字化计算正在经历从“数值”到“数字”，再到“数智”的变革。“数智”是连接主义的体现，能体现深度的、多层次的连接。产业联合体会议有包括信息业、大飞机、发动机、海洋等领域的专业人士在这里进行先进观念的交流，建立越来越牢靠的连接，在此祝贺本次大会胜利召开。 中国科学院院士杨卫 **产业联合体副理事长、华为昇腾计算业务总裁张迪煊**在致辞中表示，AI的发展不仅仅需要关注技术本身的问题，还需要与政、产、学、研、用结合，真正为国民经济高质量发展实现价值，这也是产业联合体成立的初衷与愿景。华为计算坚持技术创新与生态发展并重，希望为世界提供多样性的算力，坚定推进“硬件开放、软件开源、使能伙伴、发展人才”的战略方针，推动着计算产业的发展与生态的构建。 智能流体力学产业联合体副理事长、华为昇腾计算业务总裁张迪煊 **联合体顾问、中国科学院院士陈十一**以《智能仿真技术，铸就工业软件产业的未来》为主题作产业展望。陈十一院士指出，工业软件是数字孪生最底层的技术，工业软件的使用是一家创新型企业的重要特征。真正要发展智能流体力学，要看工业仿真软件、AI和数字孪生，希望能通过智能流体力学产业联合体这个平台，将中国的工业软件做好，把人工智能对中国制造业的作用发挥好。 智能流体力学产业联合体顾问、中国科学院院士陈十一 会上，五位专家带来了精彩的智能流体力学研究进展与应用报告。**中国商飞宽体客机总设计师陈迎春**指出AI技术的引入为气动设计带来了新的机遇，并介绍了中国商飞研发的国产客机取得的技术、市场成就与基于昇腾AI打造的流体仿真大模型东方.御风。**西北工业大学航空学院长江学者特聘教授张伟伟**以流体力学工业软件为例，分别从市场推进、技术研发维度，阐明数据和知识双驱动的智能流体力学工业软件的推进方案，并预发布了与西安昇腾人工智能计算中心联合孵化的基于昇腾AI的秦岭.翱翔大模型。**中国航天空气动力技术研究院副院长艾邦成**聚焦航天智能空气动力学的研究领域，介绍了中国航天空气动力技术研究院在该领域的探索和研究进展，并探讨了未来航天智能空气动力学的需求和展望。**空气动力学国家重点实验室常务副主任袁先旭**介绍了在加速高分辨率数值计算、湍流模型的改善与修正以及降阶模型、流场重构等方面与结合人工智能技术取得的进展。现场，袁先旭预发布了基于昇腾AI的风雷软件开源版本。**华为技术有限公司AI4S LAB副主任王紫东**分享了华为与高校科研机构、领军企业在智能流体力学领域的合作进展，并介绍了基于昇思MindSpore AI框架打造的流体仿真套件MindSpore Flow，作为高效易用的开发工具面向广大学术界、产业界开发者开放。 **联合体秘书长、西北工业大学航空学院长江学者特聘教授张伟伟**向参会嘉宾报告了智能流体力学产业联合体的工作总结及规划。 在与会嘉宾的见证下，智能流体力学产业联合体授牌仪式、秦岭.翱翔大模型孵化签约仪式、秦岭.翱翔大模型应用启动仪式依次隆重举行。 仪式结束后，**联合体顾问中国科学院院士陈十一、华为昇腾生态发展部部长林贵校**分别为闭幕式作总结致辞。本次会议由中国空气动力学会、西湖大学、智能流体力学产业联合体主办，华为技术有限公司、昇思MindSpore开源社区协办。 --- https://www.mindspore.cn/news/zh/2520/ --- 新闻 周六开讲！昇思技术公开课大模型专题·第六讲代码预训练课程预告 # 周六开讲！昇思技术公开课大模型专题·第六讲代码预训练课程预告 2023/05/23 # 周六开讲！昇思技术公开课大模型专题·第六讲代码预训练课程预告 本周昇思MindSpore技术公开课将为大家带来代码预训练课程！我们邀请到了来自清华大学知识工程实验室，同时是代码生成模型CodeGeeX主要作者之一的夏箫同学来进行代码大模型的技术分析，精彩内容不容错过。 代码大模型被认为是ChatGPT的重要构成部分，通过代码预训练能过在代码生成，补全能力外，提高模型的逻辑推理能力。清华大学知识工程实验室研发的CodeGeeX大模型是国内唯一基于全国产软硬件平台的代码大模型，基于昇腾+MindSpore实现了不逊于国外代码大模型的能力，想要了解更多代码大模型的知识，记得本周六**锁定B站直播间【MindSpore官方】**！下午14点开讲！ --- https://www.mindspore.cn/news/zh/2521/ --- 新闻 聚焦AI前沿技术，智能基座昇腾高校行暨MSG·暴走校园—兰州大学专场活动成功举办 # 聚焦AI前沿技术，智能基座昇腾高校行暨MSG·暴走校园—兰州大学专场活动成功举办 2023/05/23 # 聚焦AI前沿技术，智能基座昇腾高校行暨MSG·暴走校园—兰州大学专场活动成功举办 **智能基座昇腾高校行暨MSG·暴走校园** 5月18日，智能基座昇腾高校行暨MSG·暴走校园——兰州大学专场活动在兰州大学榆中校区成功举行。 此次活动由华为技术有限公司主办、兰州大学信息科学与工程学院承办，旨在促进AI技术在高校的落地、助力我国AI人才培养。兰州大学教务处领导李飞受邀出席活动并发表致辞，昇腾AI开发者运营总监李基盛、昇思MindSpore开源生态总监胡晓曼、昇思MindSpore技术生态专家杨滔等受邀出席活动并做了主题分享。 **李飞老师**在致辞中表示，“智能基座”产教融合协同育人基地由教育部、华为联合发起，旨在深化信息技术领域人才培养模式改革和协同创新，着力构建以信息技术领域关键核心技术为基础的产业与人才生态，是新工科建设的重要组成部分。兰州大学与华为共建“智能基座”产教融合协同育人基地以来取得了大量成果，双方合作共建了以鲲鹏、昇腾及华为云为技术底座的系列课程，强化了学生实验实践和创新创业能力，培养了一批能够适应和引领新一轮科技革命和产业变革的卓越人才。未来，兰州大学将继续与华为持续推进合作广度与深度，进一步实现校企优势互补和协同创新，在人才联合培养、科研攻关、智慧校园、产学研融合等方面持续深化合作，推动校企合作结出更多丰硕成果。 紧接着，**昇腾AI开发者运营总监李基盛**带来了《携手开发者 共创数智未来》的主题分享，李基盛老师以“你眼中的开发者是什么样子”话题开场引发了同学们对开发者身份的思考，随后，详细介绍了昇腾AI。李基盛表示，随着AI技术从“感知理解世界”向“生成创造世界”跨越，AI与生产、生活、工作深度融合，人类社会已经进入“数智时代”。昇腾AI聚焦根技术创新，不仅打造了基础AI软硬件平台，还依托昇腾社区、AI训练营、开发者大赛等多种方式培育AI人才、赋能开发者，帮助开发者从成长到成功。 经过介绍，同学们对AI技术的发展历程和昇腾AI有了更深的认识，相信李老师的分享也会激发更多青年学子学习AI的热情，投身AI事业。 随后举行了“智能基座”奖教金、奖学金颁奖仪式。2022年兰州大学5位教师被评为智能基座栋梁之师、30位学生被评为“未来之星”，由**兰州大学教务处领导李飞、兰州大学校团委副书记王睿娜、昇腾AI开发者运营总监李基盛、昇思MindSpore开源生态总监胡晓曼**为获奖师生颁奖并合影留念。 接下来，**兰州大学优秀教师代表魏佳璇老师**带来了《基于昇思MindSpore的产教融合机器学习课程实践》分享。魏老师主要研究方向为人工智能，服务计算，曾参与教育部-华为智能基座程序设计基础课程和华为智能基座金课建设，并获得教育部-华为智能基座“先锋教师”奖。魏老师对基于昇思MindSpore的机器学习课程设计及学习计划做了详细介绍，经过魏老师的讲解，同学们了解了智能基座课程的特色，相信会有很多同学因此对智能基座课程产生兴趣并积极参与。 昇思大模型平台是集模型选型、创意分享、在线体验为一体的一站式AI学习与实践平台，具备AI实验室，模型库，大模型在线体验与微调，数据集等多个模块，提供超强免费算力，经典易用的样例，优质精美的在线学习课程资源，类型多样的AI大赛和内容有趣的社区活动等。 最后，**昇思MindSpore技术生态专家杨滔**对全场景AI融合框架昇思MindSpore生态发展做了更进一步的详细介绍，在算力提升、数据爆发式增长、模型不断迭代更新三大因素驱动下，深度学习技术迎来了大发展，人工智能已经进入了场景化应用时代。 为了让同学们体验昇思Mindspore的易用性，杨老师通过昇思大模型平台带领大家进行了趣味AI实战。详细的对AI开发的原理、逻辑、流程以及模型训练评估应用做了演示，让同学们体会到AI开发的乐趣，提升了AI开发能力。 此次智能基座昇腾高校行暨MSG·暴走校园——兰州大学专场活动，为兰大学子搭建了一个与华为专家面对面交流学习的平台，华为专家们的讲解帮助兰大学子了解到AI前沿技术，相信此次活动的举办，会让更多高校开发者燃起学习AI的热情、积极参与智能基座课程，在实践中提升自己，为将来投身AI事业打好基础。 往期回顾 昇腾AI开发者峰会2023智能基座高校行昇思分会场走进清华大学，与专家面对面，感受AI魅力 “智能基座昇腾高校行”哈尔滨工业大学（深圳）站 | 昇思MindSpore赋能高校开发者AI新体验 “智能基座昇腾高校行”中国科学技术大学站 | 昇思MindSpore携高校共同培养科技人才新力量 MSG·暴走校园 | 昇思MindSpore携手南京大学共同培养新时代科技人才 --- https://www.mindspore.cn/news/zh/2522/ --- 新闻 【昇思MindSpore技术公开课】第五节分布式并行课程回顾来啦！ # 【昇思MindSpore技术公开课】第五节分布式并行课程回顾来啦！ 2023/05/24 # 【昇思MindSpore技术公开课】第五节分布式并行课程回顾来啦！ 继Transformer到BERT、GPT2的讲解，相信大家对大模型前期的技术和模型细节有了更深入的了解。上周六（5月20日）我们为大家带来LLM（Large Language Model）预训练的基础——分布式并行技术的讲解。 以昇思MindSpore分布式并行特性为依托，详细解释了数据并行、模型并行、Pipeline并行、内存优化等技术，并邀请了昇思MindSpore分布式并行专家苏腾博士进行了《昇腾+昇思超大规模AI实践》分享，向大家展示了昇思MindSpore在大规模预训练模型上的前沿实践。接下来我们对课程进行简单回顾，迎接下一节公开课的进一步深入。 **一、** **课程回顾** 昇腾+昇思超大规模AI实践： - 大模型的发展以及对系统的挑战 1、内存墙 2、性能墙 3、效率墙 4、调优墙 - 昇思MindSpore大模型关键技术： 1、原生大模型支持 2、大模型使能套件 3、大模型分布式推理 4、大模型集群调优 5、大集群快速故障恢复 6、昇腾亲和的Transformer融合算子 - 昇思MindSpore大模型训练案例： 1、鹏程盘古千亿稠密大模型训练实例 2、盘古sigma稀疏多任务大模型异构训练 昇思MindSpore分布式并行特性： - 数据并行 每一张卡上放置相同的模型参数、梯度、优化器状态 不同的卡送入不同的数据训练 反向传播获得梯度后，进行AllReduce - 模型并行 模型并行是算子层面的并行，它利用某些算子的特性将算子拆分到多个设备上进行计算。 - Pipeline并行 流水线（Pipeline）并行是将神经网络中的算子切分成多个阶段（Stage），再把阶段映射到不同的设备上，使得不同设备去计算神经网络的不同部分。 - 内存优化 1、重计算 时间换空间：重计算技术可以不保存正向计算结果，让该内存可以被复用，然后在计算反向部分时，重新计算出正向结果。 - 2、优化器并行——ZeRO 将参数和梯度分组放到不同卡上更新，再通过通信广播操作在设备间共享更新后的权值。 - 昇思MindSpore自动并行 用户的神经网络在单卡上无法计算，但是不知道如何配置算子策略。用户启动这种模式，MindSpore会自动针对每个算子进行配置策略，适合想要并行训练但是不知道如何配置策略的用户。 **二、** **下节课预告** 本周六我们邀请到\*\*清华大学的夏箫同学进行代码大模型的技术分\*\*\*\*析。\*\*代码大模型被认为是ChatGPT的重要构成部分，通过代码预训练能够在代码生成、补全等能力外，提高模型的逻辑推理能力。清华大学知识工程实验室研发的CodeGeeX大模型是国内唯一基于全国产软硬件平台的代码大模型，基于昇腾+MindSpore实现了不逊于国外代码大模型的能力。本周直播的课程内容详见下方海报： **三、** **课程建议和课后答疑** 如果大家在运行代码中遇到什么问题，对课程有什么建议，或者希望我们增添什么内容，都可以在昇思MindSpore技术公开课大模型专题的代码仓中提issue进行反馈，或者加入课程讨论群，会有课程讲师在群中进行答疑。 --- https://www.mindspore.cn/news/zh/2523/ --- 新闻 昇思亮相GOTC 2023！亮点抢“鲜”看！ # 昇思亮相GOTC 2023！亮点抢“鲜”看！ 2023/05/25 # 昇思亮相GOTC 2023！亮点抢“鲜”看！ 昇思亮相GOTC 2023！亮点抢“鲜”看！详情可关注昇思mindspore公众号哦！ --- https://www.mindspore.cn/news/zh/2524/ --- 新闻 周六开讲！昇思技术公开课大模型专题·第六讲代码预训练课程预告 # 周六开讲！昇思技术公开课大模型专题·第六讲代码预训练课程预告 2023/05/26 # 周六开讲！昇思技术公开课大模型专题·第六讲代码预训练课程预告 技术公开课带你玩转开源之夏！快来看看吧！明日课程不仅有嘉宾讲解CodeGeeX生成代码，还有属于开发者狂欢的“开源之夏”活动，由昇思技术专家为你“开小灶”，带你详解昇思任务助你一臂之力！明天14:00**锁定B站直播间【MindSpore官方】**！ --- https://www.mindspore.cn/news/zh/2525/ --- 新闻 西北工业大学与华为联合研发的首个面向飞行器的流体力学大模型“秦岭·翱翔”预发布 # 西北工业大学与华为联合研发的首个面向飞行器的流体力学大模型“秦岭·翱翔”预发布 2023/05/26 # 西北工业大学与华为联合研发的首个面向飞行器的流体力学大模型“秦岭·翱翔”预发布 近日，第四届全国智能流体力学研讨会暨第二届智能流体力学产业联合体大会，在杭州市西湖大学云谷校区召开，大会预发布了产业联合体阶段性重大研究成果：基于昇腾AI的面向飞行器的首个流体力学大模型——“秦岭· 翱翔”。 智能流体力学产业联合体是在中国空气动力学会指导下，由唐志共院士等为代表的产业界领军人物和30多家全球头部流体力学高校、科研院所与龙头企业共同组建的产业联合体，秘书处设在西北工业大学。此次大会邀请到中国科学院院士杨卫、中国科学院院士陈十一、联合体理事长唐志共院士、副理事长华为昇腾计算业务总裁张迪煊致辞。 智能流体力学产业联合体大会合影 大会邀请中国商用飞机有限公司陈迎春总师，中国空气动力学会副理事长、智能流体力学产业联合体副理事长、西北工业大学张伟伟教授，中国航天空气动力技术研究院副院长艾邦成研究员，中国空气动力研究与发展中心袁先旭研究员，以及华为技术有限公司AI4Sci LAB王紫东副主任，五位专家带来了精彩的智能流体力学研究进展与应用报告。 秦岭·翱翔大模型是由西北工业大学联合华为在国产开源流体计算软件风雷的基础上，共同研发的面向飞行器流体仿真的智能化模型。秦岭·翱翔采用自研多级分布式并行自适应框架。多层级融合流体力学经典理论和人工智能方法，构造数学物理关联特征、开展多范式一体化建模、搭建不变性可实现性多模态统一框架。实现高置信度流场重构、全速域湍流场求解和复杂流场近实时预测。 **秦岭·翱翔大模型框架** 西北工业大学流体力学智能化国际联合研究所与华为基于国产昇腾AI基础软硬件平台及昇思MindSpore AI框架，在模型算法设计、混合精度加速，以及风雷耦合并行优化等方面进行了创新与验证，通过先进的AI算力和架构，全栈国产化基础设施，加速大模型落地。 秦岭·翱翔大模型具有2个子模块。模块1—AI湍流大模型：是面向工程高雷诺数的人工智能湍流模型。能够以数据驱动和物理嵌入的形式，完全代替传统微分模型。基于领先的建模框架和对流体特征的深刻认识，AI湍流大模型能够实现对多尺度复杂湍流场的更高精度求解。对于千万量级网格的典型翼身组合体跨声速绕流模拟，气动力平均误差<1%，湍流模型求解效率提高4倍以上。 AI湍流大模型 秦岭·翱翔大模型模块2—流场预测大模型：是端到端复杂流场快速预测模型。基于对深度学习方法和流体力学理论的深度融合，在变换域视角下开展流场建模，实现了对翼型以及百万量级网格机翼复杂流场的高效高精度预测。流场预测大模型包括：端到端建模、近实时推理、壁湍流表征、全流场泛化。将单个机翼样本的耗时从小时级缩短到秒级，实现5个数量级加速，分布载荷和集中力相对误差小于1%。 流场预测大模型 在与会院士、领导、专家和产业界人士的见证下，秦岭·翱翔大模型孵化签约仪式和应用启动仪式举行。秦岭·翱翔大模型将有力助推智能流体力学产业化进程，对我国工业软件自立自强和跨越式发展具有重要的战略意义。 秦岭·翱翔大模型预发布 智能流体力学产业联合体将继续以国家重大战略需求、行业和企业实际需求为任务目标，有效整合产学研用各方资源，充分利用自主创新的软硬件设施资源，在流体力学领域开展基础研究、技术研究和产品研制，打造我国自主创新的完整产业。 --- https://www.mindspore.cn/news/zh/2537/ --- 新闻 重磅！第一期·量子算法难题挑战赛总决赛获奖名单公布！ # 重磅！第一期·量子算法难题挑战赛总决赛获奖名单公布！ 2023/05/31 # 重磅！第一期·量子算法难题挑战赛总决赛获奖名单公布！ 2023年5月27日，**_第一期·量子算法难题挑战赛总决赛_**在线上举行，5位开发者以优异的成绩进入总决赛，汇聚云端、隔空比拼，并在本次决赛中斩获佳绩。 第一期·量子算法难题挑战赛由HiQ量子计算软件团队、昇思MindSpore社区和华为云ModelArts平台联合举办，大赛旨在引领量子科技的发展，推动赛事成果转化，促进量子计算基础与应用研究，实现技术创新。在高性能计算机上进行量子化学模拟已成为研究材料的物理、化学性质的重要手段，大赛发布的赛题是“量子化学模拟——基态能求解的浅层线路设计”，要求选手基于Variational Quantum Eigensolver(VQE)方法，求解不同分子体系的基态能量，需选择基矢为sto-3g，通过设计线路或者改良优化方法，让VQE在更短的时间内达到化学精度，从而激发大家对量子化学模拟课题的思考和创新。 本次决赛邀请了**北京师范大学化学学院李振东教授、中国科学技术大学化学物理系李震宇教授、HiQ量子计算软件与算法团队首席科学家翁文康教授和昇思MindSpore Quantum徐旭升研究员**四位量子化学领域TOP专家担任评委。围绕参赛作品的性能/精度、创新性、代码质量及参赛选手的答辩表现等多个维度，四位评委老师以公正、严谨的态度进行评选，并对作品优化提升提出了中肯的建议。 决赛采用线上直播的方式开展，到底有多精彩？让我们一起来看看各位开发者的分享吧~ **_项目分享_** 1 **冠军：杨金元 中国科学院大学 博士研究生** 当前在含噪量子计算机上，利用变分量子求解器VQE并利用UCCSD拟设态模拟，最大制约就是受限的量子比特相干时间(量子门数)和受限的量子比特数。有限的量子比特数使得量子化学模拟中寻求量子比特数的降低十分重要。 受SymUCCSD启发，我发展了全新的编码算法QSBC (qubit-saving binary coding)，利用对称性降低模拟所需量子比特数，并在LiH、BeH2等多个体系中成功应用，同时降低了模拟中量子比特数和量子比特门数，在相同精度下实现计算效率的大幅提升。新的编码算法QSBC开源到昇思MindSpore Quantum。 2 **亚军：包振廷 电子科技大学 本科生在读** UCCSD是一种依据被截断到二次激发的分子二次量子化哈密顿量构造Ansatz的方法。哈密顿量中的每一项都会对应Ansatz中的一个含有一个参数的部分。实验中发现，这种Ansatz在求得分子基态能量后的最优化参数与哈密顿量相应系数高度相关，也就是说如果哈密顿量中某一项的系数绝对值很小，那么它对应的参数的绝对值在优化结束时也很可能小。这样便提供了一种依据哈密顿量各项系数来缩减参数量和线路深度，以及初始化参数的办法。类似地，该方法也可以移植到qUCC上。同时，将其他的部分小幅优化： 1、在实验中发现，实现Jordan-Wigner变换的函数占据了求解LiH的大部分时间，因此我们将这部分代码进行了多进程优化以提高成绩。 2、我们将哈密顿量H中系数绝对值过小的量去掉，这样不仅可以缩短Jordan-Wigner变换时间，还可以保证对精度的影响很小。 3 **季军：雷鸥阳 上海大学 硕士研究生** 量子化学计算的一种方法是应用量子变分求解器（Variational quantum eigensolver, VQE），结合幺正耦合团簇理论（Unitary coupled-cluster），以此实现某一分子的基态能波函数方法求解。 通常情况下分子的哈密顿量可由波恩-奥本海默近似而简化，得到只由电子动能、电子-电子势能和电子-核势能组成的结构，二次量子化过后整体哈密顿量可由产生和湮灭算符来表示，可以非常方便地表示激发态波函数。更进一步，一些分子轨道中的电子可能不参与激发过程，相应我们可以冻结这些轨道，只保留活跃的空间轨道，以此简化哈密顿量。 为实现基态波函数求解，使用VQE。一般流程中，首先需要制备一个分子的初始Hatree-Fock态，使用UCCSD等方法拟设一个含参试探波函数，由变分原理和经典优化算法不断更新变分参数以满足收敛条件。其中波函数拟设的步骤可以根据不同分子选择不同方法，如H6分子中激发情况较多，可根据积分系数大小适当取舍；LiH分子的活跃空间不大，可以根据幺正对耦合团簇（UpCCSD）理论进行构造。此外经典优化器中的参数也会影响得到结果的速度，可以实验性地尝试调整。 4 **季军：白琪 浙江大学 博士研究生** 关于VQE方法的优化，可以从两方面展开： 第一是设计更加适合分子的ansatz，从一个好的试探态出发。我在此方面的改进是根据不同的分子，选择不同的ansatz；针对特定的ansatz，去除不必要的量子门操作。 第二是改进优化方法，加快ansatz中参数的优化速度。我在此方面的改进有：设置优化器的停止条件，缩短程序运行时间；尝试新的优化方法。 想要完成此任务，首先要使得每一个分子都达到化学精度，在此基础上继续优化才能取得更好的结果。我对不同的分子尝试了不同的ansatz线路，包括QUCC与UCCSD线路。最终发现，有的分子只有在特定的线路下才可以实现化学精度。因此对于不同的分子，选择合适的ansatz线路是很有必要的。其次，在已有线路的基础上进行优化。参考仓库中已有代码方案，消除QUCC二阶中空轨道上的对易门，减少了量子门的数量。最后，尝试了不同的优化方法，对比优化结果。 5 **陈拓之 中国海洋大学 硕士研究生** 由于我们使用的是昇思MindSpore Quantum框架，很多流程都又相应的接口，并且响应速度非常快，比如对我们线路得出的结果计算期望，计算梯度等，所以我们可以把我们的重点放在其他自己优化的位置。在这次项目中，我把重点放在了分子哈密顿量的构建以及量子线路的设计。 对于框架其他部分的构建，在昇思MindSpore Quantum模块中有非常便捷的接口可供我们快速搭建VQE框架。例如，在simulator模块中，有一个名为get\_expectation\_with\_grad的接口。该接口接受分子的哈密顿量和我们构建的量子线路作为输入，并返回一个grad\_ops对象。我们可以将量子线路中使用的参数传递给 grad\_ops，从而快速获取我们构建的量子线路对于分子哈密顿量的期望值以及每个参数的梯度值。我们无需再手动计算每个哈密顿量的Pauli字符串算符的期望值，并进行累加等一系列操作，因为接口内部会自动帮助 我们进行计算。因此，我们可以轻松地编写损失函数，并通过将其传递给优化器，实现对参数的优化。 （由于身体原因很遗憾未能参加总决赛角逐) 恭喜以上获奖选手，同时也感谢所有开发者积极参与，HiQ量子计算期待与大家共赴下一次社区活动！ \*\*量子算法难题挑战赛代码：\*\*https://gitee.com/mindspore/mindquantum/tree/research/challenges/2022 **大赛官网：** https://competition.huaweicloud.com/information/1000041745/introduction **活动回顾链接：** https://www.koushare.com/lives/room/047893 --- https://www.mindspore.cn/news/zh/2538/ --- 新闻 【昇思MindSpore技术公开课】第六节代码预训练课程回顾来啦！ # 【昇思MindSpore技术公开课】第六节代码预训练课程回顾来啦！ 2023/05/31 # 【昇思MindSpore技术公开课】第六节代码预训练课程回顾来啦！ 上周六（5月27日）我们邀请到清华大学知识工程实验室的夏箫同学进行代码大模型的技术分析，讲解了代码预训练模型发展历程中，并从数据预处理到模型性能评估完整地回顾了开源大规模多语言代码生成模型CodeGeeX的开发过程。不知大家通过这节课是否对代码大模型有了更深刻的了解了呢？接下来我们对课程进行简单的回顾，迎接下一节公开课的进一步深入。 **一、** **课程回顾** 代码与训练的发展历程： - 代码预训练任务 1、程序生成 2、注释生成/代码解释 3、代码翻译 - 代码预训练模型： 1、针对代码的Transformer 1）CodeBER 2）GraphCodeBERT 2、大模型生成模型 1）CodeX 2）InCoder 3） CodeGen 4）CodeGeex CodeGeex——开源的大规模多语言代码生成模型： - 代码预训练模型处理 1、数据集选取 2、数据清洗：文件去重、去除无效文件 3、编程语言标签：标记编程语言，添加复杂元信息 4、标识符化：基于GPT-2 BPE tokenizer分词，并将连续空格转换为特殊空格词符 5、序列切分：文件切分为登场序列 - CodeGeeX模型架构：基于GPT架构的自回归模型 模型并行是算子层面的并行，它利用某些算子的特性将算子拆分到多个设备上进行计算。 - CodeGeeX模型预训练：使用昇思MindSpore + 昇腾910组合进行训练，使用自然语言活代码token作为输入，输出下一个token的概率。 1、混合精度 2、并行训练：数据并行+模型并行 - CodeGeeX模型优化策略 1、算子融合 2、矩阵乘算子自动搜索出效率最高的计算维度组合 - 代码生成模型性能评估 1、语义相似性无法正确反应生成代码的质量，需要同时考虑代码功能的正确性。 1）基于相似性（参考生成对比）：BLEU、Rouge、CodeBLEU 2）InCoder基于正确性（运行测试用例）：通过率 2、目前的基准从多任务及多语言两个方面对模型进行评价 1）多任务：通过不同应用场景进行评价，多使用CodeBLEU/BLEU评价相似性 2）多语言：在不同编程语言下评价代码正确性，如HumanEval（仅支持Python）、MultiPL-E（支持16种语言，但为自动翻译并不支持多任务） 3、HumanEval-X：新的多语言代码生成基准 1）支持五种编程语言，保证正确性，可进行多语言代码生成及跨语言代码翻译两种下游任务 - CodeGeeX代码生成插件 1、自动模式 2、交互模式 3、翻译模式 4、解释模式 5、提示模式 6、Chat模式 **二、** **下节课预告** 本周六（6月3日）我们将会带来Prompt Tuning课程的讲解。在大模型的发展过程中，我们发现随着模型参数规模的不断增大，finetune的效果逐渐变得并不理想。由此发展出来另一个微调的技术路线——prompt tuning。通过针对特定任务设计一组有效的输入提示，知道模型更好地理解下游任务，从而生成更准确的输出。 此外，为响应大家学习多模态大模型的需求，我们将在下周六（6月10日）额外增加一节课程进行紫东·太初大模型，以及语音识别理论与实践的讲解，详情将会在下周进行预告，大家敬请期待！ 本周的直播课程内容详见下方海报： --- https://www.mindspore.cn/news/zh/2539/ --- 新闻 MSG·暴走校园 | 重庆邮电大学站来喽，带领高校开发者“编”出科技魅力 “程”就智能未来 # MSG·暴走校园 | 重庆邮电大学站来喽，带领高校开发者“编”出科技魅力 “程”就智能未来 2023/06/01 # MSG·暴走校园 | 重庆邮电大学站来喽，带领高校开发者“编”出科技魅力 “程”就智能未来 **\# AI进校园** 身处大数据时代的我们，享受着网络和科技带来的便利，当前，人工智能正以新理念、新业态、新模式促进数字场景爆发，数字人、数字藏品、数字展馆、数字交互媒体等数字创新营销模式相继出现，不断推动虚拟与现实共生蝶变。 自动驾驶、城市大脑、数字金融、智慧医疗、智慧教育等领域的产业化落地案例也逐渐增多，更加凸显出了人工智能在推动社会经济发展方面发挥了重要作用。随着新技术的迭代升级、新应用的融合互通，也为数字经济的发展带来了更多的想象空间。 为了让高校开发者更好地了解人工智能，激发对科技的热爱，进一步推进人工智能时代后备人才的培养，持续挖掘高校开发者对于人工智能等科学技术的创造力，**_6月4日_**，**昇思MindSpore开源社区**将走进**重庆邮电大学**开展“MSG·暴走校园”活动，本次活动将带领高校开发者深入了解全场景AI框架昇思MindSpore在各行各业中的实际应用，并带领大家在昇思大模型平台进行趣味实操，感受课堂以外的AI体验和乐趣，现场更有惊喜礼品等你互动！ **活动时间：** 2023年6月4日（周日）15：00-17：30 **活动地点：** 重庆邮电大学综合实验楼A111-A112（**校内专场活动**） --- https://www.mindspore.cn/news/zh/2540/ --- 新闻 2023中关村论坛 | 武智院院长王金桥：大模型是AGI发展重要路径 # 2023中关村论坛 | 武智院院长王金桥：大模型是AGI发展重要路径 2023/06/01 # 2023中关村论坛 | 武智院院长王金桥：大模型是AGI发展重要路径 5月25—30日，以“开放合作、共享未来”为主题的2023中关村论坛在北京举办。论坛期间，一批前沿技术、尖端产品、权威报告纷纷亮相，全面展示了我国科技前沿成果。武汉人工智能研究院院长王金桥受邀携全球首个千亿参数多模态大模型“紫东太初”参会，带来了大模型前沿技术发展及其应用探索分享，并指出大模型将是通用人工智能未来发展的重要路径。 科技部高新技术司副司长、一级巡视员梅建平在作线上致辞时表示，当前人工智能对各个行业的渗透性、扩散性和颠覆性与日俱增，以预训练大模型、AI和算力为代表的新兴技术正在引发新一轮AI创新热潮，营造良好的人工智能发展生态，可以为实体经济、数字经济的发展注入强劲动力，提供坚实支撑。 王金桥在主题演讲中介绍，过去几年，人工智能尽管在感知能力方面发展迅速，部分专用场景甚至已超过人脑，但是其认知功能泛化能力不足，距离人脑仍存在很大差距，通用性仍然是当前人工智能发展面临的重大挑战。 武智院院长王金桥发表演讲 他表示，多模态大模型的出现，突破了当前AI技术局限，使得AI从传统“一专一能”迈向了“多专多能”，并带动了新一轮创新应用范式。通过无监督学习条件下“大数据+大模型”方式，自然语言处理(NLP)、语音识别、计算机视觉、多模态等各个任务的性能显著提升，强大的大模型已然成为了通用人工智能一个重要的发展路径。 为此，从2019年开始，武汉人工智能研究院与中科院自动化所就瞄准了多模态大模型领域进行集中攻关，并于2021年9月正式发布了全球首个千亿参数多模态大模型“紫东太初”。 基于昇思MindSpore打造的“紫东太初”多模态大模型开创性实现了图像、文本、语音三模态数据间的“统一表示”与“相互生成”，不仅向通用人工智能迈出了关键一步，同时对我国实现AI自主化具有重要战略意义。 “紫东太初”开放服务平台 王金桥介绍，基于“紫东太初”多模态大模型，武智院已先后推出了全栈国产化、支持低代码一站式开发的“紫东太初”开放服务平台以及人人皆可“妙语生画”的AI内容创作平台“江城洛神”等。 在产业应用层面，围绕多模态大模型技术及应用，武智院联合中科院自动化所打造的多模态人工智能产业联合体已陆续吸纳产学研各界近70家成员单位，并先后赋能工业质检、影视创作、手语教学、智慧医疗等数十个领域，展现出广阔的落地潜力。 武智院院长王金桥接受采访 此外，大模型服务还能极大降低AI技术应用门槛，让AI的商业价值得到极大释放，并迎来新的黄金十年。在接受现场媒体采访时，王金桥表示，多模态大模型拥有跟人类一样的视觉、听觉及语言能力，有望推动人工智能从感知智能迈向认知智能。面向当前大模型和AI大发展的时代，武智院也将持续坚守多模态大模型战略方向不动摇，加强关键核心技术攻关，促进人工智能与实体经济相结合，为数字经济的发展提供坚实支撑，助推认知智能时代加速到来。 --- https://www.mindspore.cn/news/zh/2541/ --- 新闻 OAGS2023 | 科学智能论坛，昇思为您解读科学计算助力产业高质量发展 # OAGS2023 | 科学智能论坛，昇思为您解读科学计算助力产业高质量发展 2023/06/02 # OAGS2023 | 科学智能论坛，昇思为您解读科学计算助力产业高质量发展 2023开放原子全球开源峰会（OAGS 2023）将于6月11日~6月13日盛大开启！峰会将搭建全球开源生态发展合作交流平台，聚焦开源生态建设发展路径，解析开源生态产业政策，分享开源发展创新成果，并向全行业发起开源生态共建的号召，共同推动开源生态繁荣发展。 本次峰会，昇思MindSpore开源社区承办科学智能分论坛，以“人工智能助力科学智能与发现，打造科学新高地”为主题，邀请多位重量级嘉宾作主旨报告，从多角度聚焦科学智能的理论发展和前景，为AI for Science发展建言献策，也为广大开发者对未来发展的思考带来新的指引，从而全面推进科研创新与应用落地。 分论坛时间：6月11日（周日）14:00 分论坛地点：北京北人亦创国际会展中心会议室DE --- https://www.mindspore.cn/news/zh/2542/ --- 新闻 OAGS2023 | 科学智能论坛，昇思为您解读科学计算助力产业高质量发展 # OAGS2023 | 科学智能论坛，昇思为您解读科学计算助力产业高质量发展 2023/06/02 # OAGS2023 | 科学智能论坛，昇思为您解读科学计算助力产业高质量发展 2023开放原子全球开源峰会（OAGS 2023）将于6月11日~6月13日盛大开启！峰会将搭建全球开源生态发展合作交流平台，聚焦开源生态建设发展路径，解析开源生态产业政策，分享开源发展创新成果，并向全行业发起开源生态共建的号召，共同推动开源生态繁荣发展。 本次峰会，昇思MindSpore开源社区承办科学智能分论坛，以“人工智能助力科学智能与发现，打造科学新高地”为主题，邀请多位重量级嘉宾作主旨报告，从多角度聚焦科学智能的理论发展和前景，为AI for Science发展建言献策，也为广大开发者对未来发展的思考带来新的指引，从而全面推进科研创新与应用落地。 分论坛时间：6月11日（周日）14:00 分论坛地点：北京北人亦创国际会展中心会议室DE --- https://www.mindspore.cn/news/zh/2543/ --- 新闻 社区月报 | 昇思社区5月迎来秦岭•翱翔重磅发布，三院士齐聚智能流体力学产业联合体大会，首次亮相OSS北美峰会展现全球视野 # 社区月报 | 昇思社区5月迎来秦岭•翱翔重磅发布，三院士齐聚智能流体力学产业联合体大会，首次亮相OSS北美峰会展现全球视野 2023/06/02 # 社区月报 | 昇思社区5月迎来秦岭•翱翔重磅发布，三院士齐聚智能流体力学产业联合体大会，首次亮相OSS北美峰会展现全球视野 5月社区持续不断的升级中，在4月下旬举办的第六届数字中国建设峰会上，昇思MindSpore AI融合框架荣获“十大硬核科技”称号。在技术方面，社区预告了昇思MindSpore 2.0版本的最新特性；联创成果中，“紫东.太初“正在升级至2.0全模态大模型；面向飞行器的首个流体力学大模型—— “秦岭.翱翔”预发布。在生态方面，昇思大模型平台持续升级易用性，增强用户体验；亮相多个大型峰会，与开发者共同探索AI奥秘。更多5月详情，请查看本月月报，阅读本月报预计需要9分钟，欢迎查阅。 **_昇思MindSpore5月运作报告_** **一、社区规模** 截止5月底，昇思MindSpore社区累计收获了\*\*2.24W+\*\*个Star。社区秉持开放透明原则，稳步建设开源生态，规模和活跃度得到持续提升。 - 昇思MindSpore下载量为**474W+**，五月增长了**4.7%**； - 超过\*\*2.25W+**开发者在社区做出贡献，其中**1.3W+\*\*为核心贡献者。 - 社区累计产生ISSUE共**31.9K**、PR共**72.3K**。 **二、社区大事件** 基于昇思MindSpore AI框架，中国科学院自动化研究所和武汉人工智能研究院联合打造\*\*“紫东.太初”2.0全模态大模型\*\*，可实现文本、图片、语音、视频、3D点云、传感信号等不同模态的统一表征和学习，助推通用人工智能时代加速到来。 第六届数字中国建设峰会最佳成果颁奖仪式上，**昇思MindSpore全场景开源AI融合框架荣获第六届数字中国建设成果展览会“十大硬核科技”称号。** **三、社区动态** 2023年5月21日，**智能流体力学产业联合体第二次全体会议**在杭州西湖大学成功举办，昇思MindSpore协办本次会议，三位中国科学院院士、产业联合体代表及关心联合体的学术界、产业界专家共计超过百位嘉宾现场参会。 **面向飞行器的首个流体力学大模型——“秦岭. 翱翔”大模型预发布**，该模型是由西北工业大学流体力学智能化国际联合研究所与华为基于国产昇腾AI基础软硬件平台及昇思MindSpore AI框架，共同研发的面向飞行器流体仿真的智能化模型。 **2023年第二次昇思MindSpore社区技术委员会议**正式召开，15位委员会成员与会，会上昇思MindSpore开源生态总监胡晓曼介绍了昇思Mindspore社区最新运作进展，华东师范大学教授谢源分享了《面向大规模点云语义分析的弱监督学习方法 》，昇思MindSpore布道师刑译壬同步了昇思技术公开课与昇腾AI创新大赛昇思赛道的进展，两个项目目前已经发布在社区中，欢迎开发者踊跃参与。 5月6日，鲲鹏昇腾开发者之夜，**启智社区荣获2022年昇腾社区优秀合作伙伴奖、10位昇思MindSpore开发者荣获2022年昇思MindSpore优秀开发者。** 昇思特别兴趣小组（MindSpore SIG），在五月，易用性SIG、MindSPONGE SIG、Trusted AI SIG、MindSpore Flow SIG、MindQuantum SIG等SIG组，累计开展SIG技术分享例会**10+**次，各大SIG组共新增开发者**220+**，**20+**位SIG成员在技术分享例会上进行技术分享，发表技术博客**30+**篇。MindSPONGE SIG暑期活动邀请技术专家、高校老师进行现场直播，MindQuantum SIG承办量子计算黑客松全国大赛参与开发者**300+**。 **四、昇思大模型平台** 昇思社区打造了首个基于国产AI算力和框架、服务全球开发者的一站式大模型平台，将大模型的能力开放给开发者。近期将平台进行了全新升级，欢迎前往体验。 昇思大模型平台：https://xihe.mindspore.cn/ - 在产业布局上，打造大模型行业专区，包括电力专区、工业专区等，**面向企业开发者提供从模型训练、推理到部署的AI应用开发专区**。 - 在全球化布局上，联手Hugging Face推出**基于昇腾AI的首个\*\*\*\*基于国产AI算力的Space体验专区**，开发者可以在Hugging Face上体验所有昇思大模型推理服务。 - 在大模型体验上，对悟空画画大模型进行了升级，可实现2张、4张图片的生成，并开放了**业界首个基于AI画廊的技术内容社交能力**。 - 在平台易用性方面，**支持Jupyter Notebook在线编程，新增MindSpore Transformers模块**。另外，平台还推出了课程模块，覆盖了CV、NLP以及大模型开发多个领域，让开发者可以在平台从0到1的学习与实践AI项目。 **五、社区活动** **_01 **MSG企业行暨杭州开发者日**_** **MSG企业行暨杭州开发者日**活动圆满举办！会议现场，**杭州滨江区发改局局长郑丽、副局长田树军、高新区资产经营公司副总经理任小玲等出席本次会议**，杭州旷维炬锐、杭州炽橙数字科技、杭州投知信息、浙江数字医疗卫生技术研究院、杭州笔声智能等**132位**浙江省AI企业现场参会，对于浙江省AI企业的多元应用发展进行了热烈的研讨与交流,，分享了昇思MindSpore的解决方案，以及在企业走向智能化转型中的实践。 **_02 **MSG·暴走校园**_** 5月，昇思MindSpore走进**2所**高校，包含了清华大学、兰州大学，**超300名**高校开发者参与其中。本次活动为同学们带来了昇思MindSpore最新特性及优势介绍，并通过昇思大模型平台带领同学们体验趣味AI实操，现场零距离与高校开发者交流互动，激发同学们对人工智能领域的思考，感受到科技的魅力。 **_03_** _**OPEN SOURCE SUMMIT北美峰会**_ 5月10日~12日，由Linux主办的**Open Source Summit北美峰会**在加拿大成功举办，**昇思MindSpore算法工程师钟源珂**出席本次会议，并作《 MindSpore's Foundation Model Platform Promotes the Ecological Development of Foundation Models》主题演讲。 **_04 **昇腾AI开发者峰会·昇思MindSpore分论坛**_** 5月6日-7日，**昇腾AI开发者峰会2023**在东莞松山湖成功举行。昇思MindSpore开源社区在本次峰会中主办了以“开源创新，引领未来“为主题的分论坛，**华为计算开源业务总经理李永乐、昇思MindSpore业务总经理丁诚、深圳湾实验室副研究员杨奕、启智社区宣传部部长刘冰姿、清华大学KEG知识工程实验室研究助理郑勤锴、武汉理工大学学生代表王振邦**及多位专家出席本次会议，近120位开发者与会共逐AI开源前沿。 **_05 ****GOTC2023全球开源技术峰会****_** 5月27日——5月28日，为期两天的**GOTC2023全球开源技术峰会**在上海圆满举行，昇思MindSpore本次也亮相大会。**华为资深开源工程师何芦微**在AI is Everywhere介绍了昇思大模型一站式易用实践升级，并在展区提供现场体验昇思大模型平台环节，让开发者都能体验大模型的魅力。 **_06_** **_第七届世界智能大会“科创中国”开源创新与信创产业发展高峰论坛_** 5月17日，高峰论坛在天津大礼堂成功举办。**华为计算开源生态总监黄之鹏**出席“科创中国”开源创新与信创产业发展高峰论坛，介绍华为计算产业相关的操作系统、数据库及人工智能等领域的大型开源社区的相关发展，分享在建设和运作openEuler，openGauss，MindSpore等开源社区的经验。 **_07_** **_开源之夏2023校园行_** 昇思MindSpore联手开源之夏、CCF走进**北京邮电大学、东南大学、上海交通大学、中南大学、清华大学**四所高校与开发者见面，并为高校开发者带来昇思MindSpore的技术与生态实践分享。 **六、社区竞赛** 昇腾AI创新大赛火热来袭，本次昇思赛道分为创新算法与数据打榜两类赛题，围绕高质量数据集，集合行业应用场景与前沿技术设置赛题，并提供免费的算力支撑。欢迎大家参赛。 2023 MindSpore量子计算黑客松全国大赛震撼来袭。开发者将全面体验新一代通用量子计算套件MindSpore Quantum和量子模拟加速引擎QuPack，享受比赛，享受挑战。 --- https://www.mindspore.cn/news/zh/2545/ --- 新闻 周六开讲！昇思技术公开课大模型专题·第8讲多模态预训练大模型课程预告 # 周六开讲！昇思技术公开课大模型专题·第8讲多模态预训练大模型课程预告 2023/06/06 # 周六开讲！昇思技术公开课大模型专题·第8讲多模态预训练大模型课程预告 就在本周六！14点整！昇思MindSpore技术公开课再度升级！特邀两位重量嘉宾，专家导师面对面的交流机会不容错过。本期嘉宾：王金桥院长讲解紫东.太初多模态大模型2.0功能及应用介绍；唐帅老师讲解语音识别的基础概述、系统框架。6月10日下午14点，锁定**B站直播间【MindSpore官方】**～ --- https://www.mindspore.cn/news/zh/2546/ --- 新闻 探索AI新技术，重庆邮电大学“智能基座”昇腾高校行暨MSG·暴走校园活动成功举行 # 探索AI新技术，重庆邮电大学“智能基座”昇腾高校行暨MSG·暴走校园活动成功举行 2023/06/06 # 探索AI新技术，重庆邮电大学“智能基座”昇腾高校行暨MSG·暴走校园活动成功举行 **智能基座昇腾高校行暨MSG·暴走校园** 6月4日，“智能基座”昇腾高校行暨MSG·暴走校园重庆邮电大学专场活动成功举行。 此次活动由华为技术有限公司主办、重庆邮电大学协办，聚焦AI前沿理论和技术，旨在加速推动先进计算技术在高校的落地、激发青年学子的学习兴趣，为我国先进计算产业发展夯实人才基础。重庆邮电大学计算机科学与技术学院副院长王进、重庆邮电大学智能基座社团指导老师岳曦，华为昇思MindSpore技术生态专家杨滔、华为昇腾软件开发工程师蔡佳霖、华为昇思MindSpore高校生态经理孙宁、重庆邮电大学智能基座社团社长周磊、副社长曾航等嘉宾出席了本次活动。 **重庆邮电大学计算机科学与技术学院副院长王进老师**为本次活动致辞，王进副院长表示，新一轮科技革命和产业变革突飞猛进，我国人工智能产业发展面临着新的机遇和挑战。科技发展最重要的是人才，要想在人工智能时代取得先机，人才培养和储备是关键。2020年重庆邮电大学与华为签订协议共同建设“智能基座”项目以来，双方在联合课程开发与教学、课外实践活动、实习就业等方面进行深入合作并取得了良好成果。 随后举行了2022重庆邮电大学智能基座奖学金“未来之星”颁奖仪式，**重庆邮电大学计算机科学与技术学院副院长王进和华为昇思MindSpore技术生态专家杨滔**为获奖的30位奖学金获得者颁奖并合影留念。 在接下来的环节，**华为昇腾软件开发工程师蔡佳霖**带来了主题为《揭秘昇腾大脑 玩转趣味开发》的主题演讲，向同学们展示了被称为“昇腾大脑”的Atlas 200I DK A2开发套件，课程中，蔡佳霖老师还以智能小车和机械臂的开发作为案例进行讲解，让同学们在实战中对AI开发的原理、逻辑和技术有了深刻的认识。讲解过程中，蔡佳霖老师还穿插着提问等互动，别开生面的课程体验给让同学们在轻松愉快的氛围中学到了知识，独特的讲授方式也让同学们耳目一新。 在“智能基座”优秀奖学金获得者代表分享环节，2022年智能基座奖学金获奖者，来自**重庆邮电大学计算机科学与技术学院的向星园和陈宇航**两位同学分享了其参与智能基座项目的经历、期间取得的成绩和丰富的收获。相信两位优秀同学的分享，一定会激发更多学生以热情、积极的姿态参与到智能基座项目以及昇腾开发者生态的相关技术实践中来，在实践中不断提升自己，成为更加优秀的开发者。 最后，**华为昇思MindSpore技术生态专家杨滔**带来了《全场景AI框架昇思MindSpore特性揭秘及趣味实操》的主题分享，对全场景AI融合框架昇思MindSpore最新技术特性及最新技术升级进行了详细介绍，同时为高校开发者展示了昇思社区打造的首个基于国产AI算力和框架、服务全球开发者的一站式大模型平台。为了进一步让同学们体验昇思Mindspore的易用性，杨老师通过昇思大模型平台带领大家进行了趣味AI实战，详细的对AI开发的原理、逻辑、流程以及模型训练评估应用做了演示，让同学们体会到AI开发的乐趣，也在实战中对昇思MindSpore的特性有了更深入的了解，提升了AI开发能力。 此次重庆邮电大学智能基座昇腾高校行暨MSG·暴走校园活动的举办，给重庆邮电大学的学生开发者提供了一次与华为技术专家面对面交流和学习的机会，华为专家们的精彩分享也开阔了学生们的视野、让青年学子们得以接触到人工智能相关前沿理论和技术、了解人工智能产业未来的发展趋势，相信本次华为技术专家和优秀奖学金获得者代表的分享，也一定会激发重邮学子学习昇腾技术的热情，激励更多同学更加积极地投身昇腾生态、在实践中提升个人开发技能，为未来投身产业，推动生态发展及打下坚实基础。 往期回顾 聚焦AI前沿技术，智能基座昇腾高校行暨MSG·暴走校园-兰州大学专场活动成功举办 昇腾AI开发者峰会2023智能基座高校行昇思分会场走进清华大学，与专家面对面，感受AI魅力 “智能基座昇腾高校行”哈尔滨工业大学（深圳）站 | 昇思MindSpore赋能高校开发者AI新体验 “智能基座昇腾高校行”中国科学技术大学站 | 昇思MindSpore携高校共同培养科技人才新力量 --- https://www.mindspore.cn/news/zh/2547/ --- 新闻 【昇思MindSpore技术公开课】第七节Prompt Tuning课程回顾来啦！ # 【昇思MindSpore技术公开课】第七节Prompt Tuning课程回顾来啦！ 2023/06/07 # 【昇思MindSpore技术公开课】第七节Prompt Tuning课程回顾来啦！ 在上周六（6月3日）的昇思MindSpore技术功课中，我们向大家介绍了继 Pre-train + Fine-tune 后另一种新的微调范式—— Prompt Tuning，过去“通过调整模型以适配下游任务”的思路也由此转变为“通过调整下游任务描述以适配模型”。在课程中我们学习了Prompt Learning的全流程，以及对于Prompt的不同设计。接下来我们对课程进行简单回顾，迎接下一节公开课的进一步深入。 **一、** **课程回顾** From Fine-tuning to Prompt Learning： - NLP发展过程中的四个范式 - Pre-train + Fine-tune回顾： 1、BERT：Masked LM + NSP，注重文本理解 2、GPT：auto-regressive model，注重文本生成 3、Pre-train + Fine-tune面临的问题 1）Pre-train 与 Fine-tune 间的语义差异 2）由少样本引发的过拟合 3） Fine-tune及模型部署成本较大 - Pre-train, Prompt, Predict 1、Prompting定义 2、Workflow of Prompting 1）在Prompting中最关键的两步便是对Prompt Template与Verbalizer的设计 2） Prompt分类 Prompt Template Engineering： - Prompt shape 1、Cloze template 2、Prefix template - Manual template learning 模型并行是算子层面的并行，它利用某些算子的特性将算子拆分到多个设备上进行计算。 - Automated template learning 1、AutoPrompt：gradient based prompt search in discrete space 2、P-Tuning 3、P-Tuning v2 **二、** **下节课预告** 本周六（6月10日）我们邀请到中国科学院自动化研究所紫东.太初大模型研究中心常务副主任，武汉人工智能研究院院长王金桥老师，以及武汉人工智能研究院语音算法工程师唐帅老师，分别进行紫东.太初多模态大模型和语音识别的讲解。本周直播的课程内容有： 紫东.太初多模态大模型 —— 王金桥： - 紫东.太初多模态大模型2.0功能及应用介绍 语音识别 —— 唐帅： - 语音识别 - 语音识别的系统框架 - 语音识别现状及挑战 --- https://www.mindspore.cn/news/zh/2549/ --- 新闻 昇思创新训练营 | 解锁人工智能无限可能，首站武汉理工大学来喽！ # 昇思创新训练营 | 解锁人工智能无限可能，首站武汉理工大学来喽！ 2023/06/08 # 昇思创新训练营 | 解锁人工智能无限可能，首站武汉理工大学来喽！ **昇思MindSpore创新训练营** **_6月10—11日_**，**昇思MindSpore开源社区**将正式迎来\*\*“昇思MindSpore创新训练营——武汉理工大学”首站训练营\*\*活动。 昇思MindSpore创新训练营旨在让高校开发者更好地了解人工智能，从理论讲解到实操体验激发同学们对科技的热爱，进一步推进人工智能时代后备人才的培养，持续挖掘高校开发者对于人工智能等科学技术的创造力。 同时让高校开发者在实践的过程中主动学习和实践人工智能相关知识，掌握AI相关技术和工具，跟上业界最新趋势，形成对人工智能行业全局观，并通过昇思MindSpore创新训练营，培养同学们的AI创新思维，拓展同学们的AI创新能力，课程最后还将结合人工智能热点以更加轻松有趣的方式与同学们进行交流，引发同学们关于AI未来发展趋势的思考，并为持续的创新能力提升打下坚实的基础。 **活动时间：** 2023年6月10-11日（周六-周日）14：00-21：00 **活动地点：** 武汉理工大学南湖校区北院学海楼（鉴四）103（**校内专场活动**） --- https://www.mindspore.cn/news/zh/2550/ --- 新闻 2023全球人工智能技术大会看什么？昇思独家剧透来了！ # 2023全球人工智能技术大会看什么？昇思独家剧透来了！ 2023/06/08 # 2023全球人工智能技术大会看什么？昇思独家剧透来了！ --- https://www.mindspore.cn/news/zh/2551/ --- 新闻 为什么参与到昇思开源社区，在这里有了答案（戳进来有惊喜） # 为什么参与到昇思开源社区，在这里有了答案（戳进来有惊喜） 2023/06/09 # 为什么参与到昇思开源社区，在这里有了答案（戳进来有惊喜） 近年来人工智能的热度连年上涨，人工智能类专业已成为越来越多考生首选，因此不少高校学子纷纷投身到开发者的行列中。不少开发者通过各种精彩纷呈的活动参与到昇思MindSpore开源社区。而昇思MindSpore也始终聚焦开发者需求，不定期开展活动帮助高效开发中成长。2023年高考结束之际，一起来看看昇思社区开发者的成长故事，感受那些社区不断成长与创新的魅力。 **与昇思的不解之缘** 高中时通过信息学竞赛接触开源与AI接轨，再加上对开源非常感兴趣，在网上浏览相关信息，了解到“开源”的理念和动态，也开始留意各种开源项目的发展情况，并尝试去参与到开源项目的开发工作，在这过程中，对一些有价值的开源软件和深度学习项目进行了收集、整理和开发工作，并成为了我的大学生创新项目的有机组成部分。 在学习深度学习时，了解到AI框架昇思MindSpore，从此便和昇思结下了不解之缘。昇思MindSpore社区是一个非常有活力的社区，在各个精彩纷呈的社区活动中，大家常常对具体技术问题、未来科技发展发表独到的见解，促进技术的进步和创新。同时也在**昇思MindSpore结识了各地志同道合的开发者，建立起了更多的合作和信任关系，以实际行动践行开源精神，共同构建更美好的软件世界。** 之后参加了2022年的开源之夏活动中完成了基于昇思MindSpore，补齐创建Tensor的方法 10+项目，通过吸纳PyTorch的诸多优点，编写出符合规范的接口并合入社区代码。例如，张量是人工智能领域一个很重要的概念，它用于对象之间或者对象和数据之间的模型化表示。在数据处理、模型部署时，输入数据必须为一个张量。在计算机视觉中它尤其关键：渲染到显示屏上的图像都必须借助于一定的张量表示法，才能被理解深度学习框架理解。为开发者提供了丰富的张量创建接口并经行了封装，有助于开发者在网络构建等运算中轻松对张量进行操作，具有广泛的应用前景。 当然，开发项目过程中也遇到过棘手的事。比如项目涉及许多偏向于底层的代码涉及，平常对Python深度框架偏重于利用深度学习库和有关函数构建网络和训练、测试、部署应用，因此在本项目上，不少问题需要较长的研究时间，例如对于有关函数和库之间关系的相互调用操作不熟练，对UT、ST和Pytest、Pylint、Gitee代码门禁等测试功能和方法不够了解等等。为了解决这个问题，我请教了我的指导老师王东海老师和邵俊松老师，在他们的循循善诱和专业、耐心、细致的指点，最终的项目精彩地完成，助力开发者项目开发。 这些经历对我来说意味着很多。尼采曾说：“每一个不曾起舞的日子，都是对生命的辜负。”在我看来，参与开源项目是一个追光的征途，向着更优秀的人看齐，努力和他们比肩同行，同时也是不断砥砺自己的个性，成为更好的人。首先是对项目的兴趣和热情让我坚持了下去，其次就是参加项目、写博客和文章的过程中，培养了我的逻辑思维能力、沟通交流能力、团队合作精神等，也提升了我的抗压能力和心理素质，这些都将让我终身受益匪浅，并且让我更加自信地面对未来的学习和工作生活中可能出现的各种困难与挑战，也让我知道了时刻保持谦虚和终身学习的精神。一路走来，一路成长，也总结一些个人经验，希望对大家有所帮助：正确的方向+坚定的意志+不懈的努力，“保持热爱，奔赴山海”，追逐梦想，我们一起加油。( •̀ ω •́ )y！ **参与开源没有那么难** **仰宗焱**上海海洋大学本科 说到开源，再初中就了解开源精神，也非常认同开源人人为我、我为人人的理念，但很惭愧在本次开源项目之前我只是开源的一个使用者，而非贡献者。一方面是我认为能够给开源项目做贡献的，都是一些技术大牛，我这一个一文不名的学生何德何能去“僭越”呢？另一方面而言，对于一个初学者来说，开源社区的贡献流程是有一定的学习成本的，如果没有一个“内行”指路，初学者看着一条条步骤，很容易望而却步。 但是在我完成了开源之夏项目后，**我发现参与开源** **“门槛”并没那么多高**，即便是我这样一个很普通的只是对相关领域感兴趣的学生，在社区的帮助下，也可以很好地对开源项目进行贡献。这也是我非常难忘的一次项目经历。 由于各种各样的原因，国内的开源氛围和国外相比还有很大的发展空间。昇思MindSpore 社区通过开展各种各样的活动去宣传推广昇思MindSpore项目的发展。我也是从活动中了解到昇思MindSpore。在我看来，维护昇思MindSpore为广大AI计算者带来便利可能都是其次。昇思MindSpore社区的可贵之处在于，**它极大地促进了国内开源建设的氛围，它举办的推广活动、社区的帮助，吸引了大量优秀的开发者参与其中**，而以此为契机这些优秀的开发者很可能继续为国内的开源添砖加瓦，这对国内开源的积极影响可能要远大于其本身维护的 AI 框架。 之后在项目开发基于昇思MindSpore Quantum现有的梯度计算功能，提升梯度计算的性能1倍以上。昇思MindSpore Quantum虽是Python包，但是对梯度求导这种速度敏感的模块，底层代码语言往往是运行效率更高的C++。通过使用线程池对计算模块进行加速，线程池提前创建若干线程，线程永久存在，若任务队列中有任务就执行，否则线程就阻塞，省去了创建和销毁线程的大量开销。 当然项目推进也不是一帆风顺的，为了达成对项目的底层代码编译优化，需要在源代码中进行修改再编译为安装包安装测试，而不能直接pip命令安装。而这花费了我大量的时间，我换了三台电脑都没能在Windows系统中成功编译，因为0.6版本的MindSpore Quantum的Windows编译设置存在一些问题（当然在现在的版本中已经修复了），从而出现和系统不兼容的编译问题。而在Linux操作系统的编译中，也偶尔会出现一些不稳定的问题，最终通过大量时间进行测试，我选择在Linux虚拟机中进行开发，并选定了对应的程序版本。在这其中，昇思MindSpore工程师和指导老师给了我们非常巨大的帮助，每次项目遇到瓶颈期时他们的建议都给我们指明了正确的方向，最终项目得以顺利完成。 说到开源，再初中就了解开源精神，也非常认同开源人人为我、我为人人的理念，但很惭愧在本次开源项目之前我只是开源的一个使用者，而非贡献者。一方面是我认为能够给开源项目做贡献的，都是一些技术大牛，我这一个一文不名的学生何德何能去“僭越”呢？另一方面而言，对于一个初学者来说，开源社区的贡献流程是有一定的学习成本的，如果没有一个“内行”指路，初学者看着一条条步骤，很容易望而却步。 但是在我完成了开源之夏项目后，**我发现参与开源** **“门槛”并没那么多高**，即便是我这样一个很普通的只是对相关领域感兴趣的学生，在社区的帮助下，也可以很好地对开源项目进行贡献。这也是我非常难忘的一次项目经历。 由于各种各样的原因，国内的开源氛围和国外相比还有很大的发展空间。昇思MindSpore 社区通过开展各种各样的活动去宣传推广昇思MindSpore项目的发展。我也是从活动中了解到昇思MindSpore。在我看来，维护昇思MindSpore为广大AI计算者带来便利可能都是其次。昇思MindSpore社区的可贵之处在于，**它极大地促进了国内开源建设的氛围，它举办的推广活动、社区的帮助，吸引了大量优秀的开发者参与其中**，而以此为契机这些优秀的开发者很可能继续为国内的开源添砖加瓦，这对国内开源的积极影响可能要远大于其本身维护的 AI 框架。 之后在项目开发基于昇思MindSpore Quantum现有的梯度计算功能，提升梯度计算的性能1倍以上。昇思MindSpore Quantum虽是Python包，但是对梯度求导这种速度敏感的模块，底层代码语言往往是运行效率更高的C++。通过使用线程池对计算模块进行加速，线程池提前创建若干线程，线程永久存在，若任务队列中有任务就执行，否则线程就阻塞，省去了创建和销毁线程的大量开销。 当然项目推进也不是一帆风顺的，为了达成对项目的底层代码编译优化，需要在源代码中进行修改再编译为安装包安装测试，而不能直接pip命令安装。而这花费了我大量的时间，我换了三台电脑都没能在Windows系统中成功编译，因为0.6版本的MindSpore Quantum的Windows编译设置存在一些问题（当然在现在的版本中已经修复了），从而出现和系统不兼容的编译问题。而在Linux操作系统的编译中，也偶尔会出现一些不稳定的问题，最终通过大量时间进行测试，我选择在Linux虚拟机中进行开发，并选定了对应的程序版本。在这其中，昇思MindSpore工程师和指导老师给了我们非常巨大的帮助，每次项目遇到瓶颈期时他们的建议都给我们指明了正确的方向，最终项目得以顺利完成。 本次开源经历是我难忘的一次经历，我完整地经历了一次项目的开发与代码合并的流程。相比竞赛代码而言，编写工程代码需要考虑代码的耦合性、易读性、拓展性等因素，这极大锻炼了我的代码能力。同时，项目开发的过程中和社区的交流也锻炼了我的社交能力。项目开发的过程中，包括联系导师的过程中，我一直在告诉自己不要产生畏惧之情，需要困难就慢慢地去解决，调整好心态，一步步走下去，你会发现很快终点就在面前。有句话叫，雄关漫道真如铁，而今迈步从头越。在面对一个全新的领域的时候，能力为零的我们难免会迷茫，但无论什么时候，请相信自己，不要害怕自己能力不足。东隅已逝，桑榆非晚。任何时候的努力都为时不晚。 **昇思专属好礼免费领** 为感谢小孢子们一直以来的支持与陪伴，昇思MindSpore开源社区为大家准备了专属福利。扫码下方海报图片后台发送“助力”即可参与哦~获得奖励非常简单，邀请好友关注公众号即可完成一次助力，取消关注无效，达成一定数量的助力将获得对应的奖品，详情如下： 邀请9位好友关注公众号，即可获得**超大趣味文字鼠标垫**； 邀请19位好友关注公众号，即可获得**藤球许愿灯**； 邀请39位好友关注公众号，即可获得**社区专属文化衫**； 截止到**6月13日晚24点**，本活动解释权归昇思MindSpore开源社区所有。 --- https://www.mindspore.cn/news/zh/2552/ --- 新闻 请查收人工智能框架生态峰会2023邀请函 # 请查收人工智能框架生态峰会2023邀请函 2023/06/09 # 请查收人工智能框架生态峰会2023邀请函 --- https://www.mindspore.cn/news/zh/2555/ --- 新闻 聚焦AI前沿技术，昇思MindSpore创新实践训练营·武汉理工大学专场活动成功举办 # 聚焦AI前沿技术，昇思MindSpore创新实践训练营·武汉理工大学专场活动成功举办 2023/06/13 # 聚焦AI前沿技术，昇思MindSpore创新实践训练营·武汉理工大学专场活动成功举办 6月10-11日，昇思MindSpore创新训练营——武汉理工大学专场活动成功举行。 --- https://www.mindspore.cn/news/zh/2556/ --- 新闻 吸引500+政产学研用伙伴，人工智能框架生态峰会2023到底有多精彩？ # 吸引500+政产学研用伙伴，人工智能框架生态峰会2023到底有多精彩？ 2023/06/13 # 吸引500+政产学研用伙伴，人工智能框架生态峰会2023到底有多精彩？ 2023年6月16日，人工智能框架生态峰会将于上海召开，500+政产学研用伙伴齐聚于此，这里将会上演怎样的精彩？赶快一睹为快！ 重磅内容：1场倡议+8大重磅内容。汇聚产业力量，推动人工智能产业生态发展。 大咖齐聚：汇聚国内外AI领域领军院士、开源社区领袖、商业精英、技术大咖及500多位生态伙伴，共探AI技术发展趋势与产业机遇。 科研创新：以AI根技术使能科研创新，助推应用实践落地，看昇思MindSpore如何助力数智化转型。 更多精彩，6月16日为您揭晓！ --- https://www.mindspore.cn/news/zh/2557/ --- 新闻 昇思MindSpore与产学界共同探索大模型&科学智能原生创新 # 昇思MindSpore与产学界共同探索大模型&科学智能原生创新 2023/06/14 # 昇思MindSpore与产学界共同探索大模型&科学智能原生创新 2023年6月9-11日，2023全球人工智能技术大会（GAITC 2023）在杭州召开，由中国人工智能学会、杭州市人民政府主办，华为技术有限公司承办，浙江杭州未来科技城(海创园)管委会执行的**AI框架赋能大模型&科学智能原生创新专题论坛**顺利举行。 6月10日上午，在大会主论坛上举行了中国人工智能学会-昇思MindSpore学术基金优秀项目颁奖仪式。国务院参事，中国工程院院士，清华大学信息科学技术学院院长、教授，北京信息科学与技术国家研究中心主任，CAAI理事长，CAAI/CAA Fellow 戴琼海和华为科学家咨询委员会主任徐文伟为获奖老师颁奖。 中国人工智能学会-昇思MindSpore学术基金优秀项目 颁奖仪式 同日下午，**戴琼海院士**为AI框架赋能大模型&科学智能原生创新专题论坛致辞。他表示，“中国人工智能学会-昇思MindSpore学术奖励基金优秀项目奖”将成为学界与企业界连接的桥梁，推动昇思在AI领域科研的应用，激发原创性科学研究，夯实“国产AI框架的根基”。 戴琼海院士为论坛致辞 **华为科学家咨询委员会主任徐文伟**同为论坛致辞。他表示，华为将坚定践行开放、开源的策略，以共建、共享、共治为原则，持续贡献昇思MindSpore开源社区，把昇思打造成我国大模型和科学智能等AI创新的首选框架。 徐文伟为论坛致辞 **CAAI元宇宙技术专委会主任、清华大学教授、国家杰青获得者陶建华**和**华为昇思MindSpore业务总经理、分布式并行计算实验室主任丁诚**担任论坛主席。 陶建华教授主持会议 丁诚主持会议 在陶建华教授和丁诚的主持下，AI框架领域的专家们带来精彩纷呈的主题报告分享，引来现场阵阵掌声。 华为软件领域科学家,昇思MindSpore技术总经理AI4Sci Lab主任于璠发表《昇思MindSpore2.0最新技术竞争力与使能AI开发实践》主题报告 AI框架赋能大模型&科学智能原生创新专题论坛的圆满举行，进一步加深了AI领域学术成果的交流与联系，助力产学融合，探索新思路。未来，昇思MindSpore将积极与产业、学术等各界伙伴携手，夯实人工智能根技术，推动智能科技协同创新和融合发展。 --- https://www.mindspore.cn/news/zh/2559/ --- 新闻 人工智能框架生态峰会2023 | 开源大咖齐聚MindSpore TechDay，亮点抢先看！ # 人工智能框架生态峰会2023 | 开源大咖齐聚MindSpore TechDay，亮点抢先看！ 2023/06/14 # 人工智能框架生态峰会2023 | 开源大咖齐聚MindSpore TechDay，亮点抢先看！ 人工智能技术的迅猛发展推动着全球创新的浪潮，人工智能框架的关注度越来越高。昇思MindSpore 全场景AI框架通过原生支持大模型、科学智能等底层能力，让AI创新有技术，并吸引众多开发者加入开源社区参与贡献，在Gitee千万开源项目中综合排名第一。 **1**3000+ 社区核心贡献者 **2**6 座MSG走过的海内外城市 **3**0+ 昇思MindSpore SIG **4**74W+ 用户下载安装使用 **5**500+ 昇思服务企业 **6**\+ 开源基金会 **7**00+ 各项赛事累计挖掘的解决方案 **8**k+ 昇思大模型平台活跃贡献者 **9**00+ 篇基于昇思发布的顶级论文数量 **10**个已发布的大模型 国内最具创新活力的AI开源社区，开源3年，昇思MindSpore一直在路上。 **MindSpore TechDay2023开源大咖齐聚** 人工智能框架生态峰会2023由上海临港经济发展（集团）有限公司、上海人工智能研究院、昇思MindSpore开源社区联合举办，将于2023年6月16日在上海召开。在本次峰会的MindSpore TechDay中，昇思MindSpore开源社区将携手知名企业与科研院所AI专家、开源社区领袖、技术大咖等一起，共话开源趋势、AI产业应用，并发表主题演讲。 - \*\*开源开放：\*\*昇思MindSpore开源社区将联合OpenI启智社区、白玉兰开源社区等联袂为大家分享人工智能开源新生态，就大模型生态、AI开源技术与平台建设等问题进行深入的探讨，并带来一系列精彩的报告。 - \*\*创新共建：\*\*人工智能框架如何落地？昇思持续使能科研创新与产业应用，通过原生的技术体系，不断加速中国AI应用生态。本次将与大家一起探讨「人工智能与分子科学的碰撞」「人工智能赋能工业制造」「人工智能构筑MaaS新格局」等话题，解答人工智能框架的落地前景。 - \*\*与昇思共成长：\*\*昇思MindSpore一直秉承“开发者第一，技术优先”的理念，聚焦开发者需求，帮助开发者成长，从而吸引众多优秀的开发者共同打造有竞争力的开源社区。本次邀请多位社区优秀开发者、布道师莅临现场交流，优秀开发者代表分享在昇思社区的成长“狂飙”之路，期望为广大开发者提供规划成长路线的指引。 6月16日，期待你的到来！ --- https://www.mindspore.cn/news/zh/2569/ --- 新闻 邀请好友参赛赢好礼 | 2023MindSpore量子计算黑客松全国大赛邀请好友参赛通道正式开启，众多好礼等你来拿！ # 邀请好友参赛赢好礼 | 2023MindSpore量子计算黑客松全国大赛邀请好友参赛通道正式开启，众多好礼等你来拿！ 2023/06/15 # 邀请好友参赛赢好礼 | 2023MindSpore量子计算黑客松全国大赛邀请好友参赛通道正式开启，众多好礼等你来拿！ 邀请好友参赛赢好礼 | 2023MindSpore量子计算黑客松全国大赛邀请好友参赛通道正式开启，众多好礼等你来拿！ 赛事回顾 | 第四届·2022量子计算黑客松全国大赛圆满落幕！ --- https://www.mindspore.cn/news/zh/2571/ --- 新闻 一图速览人工智能框架生态峰会2023议程 # 一图速览人工智能框架生态峰会2023议程 2023/06/15 # 一图速览人工智能框架生态峰会2023议程 --- https://www.mindspore.cn/news/zh/2572/ --- 新闻 深入体验昇思MindSpore，发出你的开发者之声 # 深入体验昇思MindSpore，发出你的开发者之声 2023/06/19 # 深入体验昇思MindSpore，发出你的开发者之声 --- https://www.mindspore.cn/news/zh/2575/ --- 新闻 人工智能框架生态峰会2023成功举办 # 人工智能框架生态峰会2023成功举办 2023/06/16 # 人工智能框架生态峰会2023成功举办 \[2023年6月16日，中国，上海\] 今日，人工智能框架生态峰会在上海举办。峰会现场，昇思MindSpore携手行业用户与伙伴带来人工智能框架的最新进展与系列重磅发布，包括18家AI顶尖企业、学会、高校与科研院所联合发布《共建人工智能框架生态倡议》、昇思MindSpore社区理事会成立、上海昇思AI框架&大模型创新中心正式启动及首批22家单位入驻、全模态大模型“紫东.太初2.0”正式发布等。 本次峰会以“一起昇思 无尽创新”为主题，全面聚焦人工智能框架生态发展，推动人工智能产业创新，共吸引来自AI产业界超过500家伙伴、行业客户、高校、研究机构等代表参会，共同探讨AI技术创新与行业融合大背景下的AI框架生态模式与场景应用，围绕大模型与科学智能领域AI框架技术的广泛合作与深度交流。 数智时代，AI作为重要的通用技术之一，具有溢出带动性很强的“头雁”效应，在整个AI技术体系中，AI框架处于“承上启下”的位置，南向使能多样化算力，北向孵化各类创新算法模型，是人工智能应用创新的土壤和源泉。会上，18家AI头部企业、高校、科研机构、开源社区等共同发布“共建人工智能框架生态，繁荣中国人工智能产业”联合倡议，倡议通过政产学研用的共同努力，支撑中国人工智能框架生态走向新高度，推进中国人工智能产业新发展。 《共建人工智能框架生态倡议》联合发布 当前以昇思等为代表的人工智能框架生态正实现快速发展，截至2023年5月底，昇思开源社区下载量已突破474万，社区贡献者1.3万，服务企业数量5500家，与240家科研院所展开合作，开源模型达400多个，发表顶会论文超过900篇。为了更好推进昇思社区快速发展，在大会现场，昇思社区理事会正式宣布成立，首批成员单位包括AI芯片企业、AI应用企业、高校与学术机构共计18家单位。理事会将基于“共建、共享、共治”的原则，凝聚产业界力量，扎根AI根技术，共同构建一个开放、多元、包容的AI框架技术生态体系，共促生态繁荣，加速高校、科研机构等创新发展，使能运营商、金融、教育科研等国计民生行业，为AI产业发展贡献坚实力量。 会上，**昇思社区理事长丁诚**介绍了面向未来的四大创新方向，包括基于“构建大模型全流程使能、科学计算新范式”的技术创新，来加速AI新应用的孵化；基于“大模型平台、Study Group、极客周、全球开源生态”的运营创新，让社区成果更高效的推广到用户；基于“面向学习、成长、研究的不同阶段开发者提供不同培养模式”的人才创新，培育AI产业土壤；基于“建立产业联合体、行业专区等新手段，持续完善多样化算力和硬件支持”的生态创新。 昇思MindSpore开源社区理事会成立 上海人工智能研究院、上海市闵行区政府、临港集团、昇思开源社区联合启动上海昇思AI框架&大模型创新中心（简称创新中心），创新中心将携手产业伙伴基于昇思MindSpore AI框架，支持全国范围的AI技术企业、高校与科研院所孵化大模型、科学智能技术研究，进而赋能企业打造极简易用、极致性能的AI解决方案和应用，服务互联网、电信运营商、金融、教育、医疗等人工智能关键产业方向，打造一系列富有竞争力的“AI+行业”的示范性应用场景，推动产业集聚。目前上海人工智能实验室、上海交通大学、中国商飞上海飞机设计研究院、中国科学院上海药物研究所、云从科技等首批22家单位正式入驻创新中心，将联合昇思社区进行大模型创新与AI产学研转化，成为AI技术与应用创新的“发源地”，共同推动人工智能框架生态高质量发展迈出更大步伐。 上海昇思AI框架&大模型创新中心正式启动 上海昇思AI框架&大模型创新中心首批伙伴入驻 随着人工智能的发展，AI大模型的重要性越来越凸显，AI框架的发展将有力支持大模型的创新。会上，中国科学院自动化研究所基于昇思推出的全模态大模型“紫东.太初2.0”正式发布。该大模型是在千亿参数三模态大模型“紫东.太初”1.0基础上的升级，在语音、图像和文本之外，加入了视频、传感信号、3D点云等更多模态，从技术架构上实现了结构化和非结构化数据的全模态开放式接入，突破了认知增强的多模态关联等关键技术，支持多轮问答、文本创作、图像生成、3D理解、信号分析等跨模态任务，并具备全模态智能化标注能力，可实现对未知目标的自动发现。基于“紫东.太初”2.0，全栈国产化、低代码一站式开发的“紫东.太初”开放服务平台已上线，支持公有云、私有云一键部署，使能行业大模型高效率开发，面向更多领域发挥赋能价值，加速通用人工智能的实现。 “紫东.太初2.0”全模态大模型正式发布 技术为根，人才为本。昇思社区秉承“技术优先，开发者第一”理念，凝聚广大开发者力量共建开源社区，与开发者共同学习和成长。会上，共计21个开发团队、个人开发者、高校学生与教师分别获得“昇思卓越贡献奖”、“昇思卓越指导教师奖”殊荣，其中“昇思卓越贡献奖”是面向在昇思社区做杰出代码贡献的团队和个人的奖项，“昇思卓越指导教师奖”是面向指导算子、模型、论文与应用案例等优秀项目的教师。 人工智能框架生态峰会2023于6月16日在上海举办，并同步提供线上直播和互动。本次峰会以“一起昇思 无尽创新”为主题，邀请到院士、行业领袖、技术专家等产业代表出席，共同探讨人工智能框架发展趋势、生态共建、技术创新、开源共享等话题，推动人工智能框架产业发展和生态繁荣。 扫码了解更多详情 --- https://www.mindspore.cn/news/zh/2576/ --- 新闻 【昇思MindSpore技术公开课】第九节Instruction Tuning课程回顾来啦！ # 【昇思MindSpore技术公开课】第九节Instruction Tuning课程回顾来啦！ 2023/06/21 # 【昇思MindSpore技术公开课】第九节Instruction Tuning课程回顾来啦！ 在上周六（6月17日），我们进行了昇思MindSpore技术公开课-大模型专题第九节课程：Instruct Tuning的讲解。课程中，我们介绍了Instruction Tuning的核心思想。并由此引出ChatGPT的前身：InstructGPT模型，与思维链（Chain-of-thoughts）思想。接下来我们对课程进行简单回顾，迎接下一节公开课的进一步深入。 **一、** **课程回顾** Instruction Tuning： - Instruction Tuning的核心思想：让模型能够理解任务描述（指令）。 - FLAN模型：finetune LM better understand task description via other。通过Instruction Tuning来提高大模型的zero-shot能力。 - Instruction Tuning和prompting的区别对比 - Instruction Tuning的局限性 1、问题1：无法支持开放域创新性的任务，如写小说。 2、问题2：语言模型对token-level的错误是同等惩罚的，但是实际上不同的token错误带来的影响差异会很大 3、问题3：即使使用Instruction Tuning，还是没法将LM的训练目标和人类的需求对齐。 InstructGPT： 从GPT到ChatGPT的发展，InstructGPT是ChatGPT的前身，Instruction Finetuning是ChatGPT必备的技术之一。 Chain-of-thoughts： - 思维链随着模型规模的增大，开始出现，被称为大模型的涌现能力。 - 思维链Prompting可以通过在prompt中提供示例，让模型“举一反三”。 - 使用Let’s think step by step.这种Zero-shot的思维链提示，也能让模型性能大幅提升。 - 新时代的职业，Prompt工程师。 **二、** **下节课预告** 本周六（6月24日）课程，我们将为大家带来昇思MindSpore技术公开课-大模型专题第十节课程：RLHF的讲解，探究ChatGPT的“语言艺术”。本周直播的课程内容有： - 强化学习与PPO算法 - InstructGPT/ChatGPT中的RLHF - 动手训练一个Reward模型 - 使用GPT2实现ChatGPT全流程（基于人工反馈的评论生成模型） --- https://www.mindspore.cn/news/zh/2577/ --- 新闻 参赛攻略 | 2023 MindSpore量子计算黑客松全国大赛 热身赛通关秘籍 # 参赛攻略 | 2023 MindSpore量子计算黑客松全国大赛 热身赛通关秘籍 2023/06/21 # 参赛攻略 | 2023 MindSpore量子计算黑客松全国大赛 热身赛通关秘籍 **今年大赛的四大亮点：** - 黑客松大赛新增热身赛道，零基础起步，助您开启量子计算之旅，探索新世界。 - 专家团队提供全方位服务：赛题解读和演练、课程培训、答疑等，帮助开发者快速成长。 - 体验全新一代通用量子计算套件MindSpore Quantum和首发的量子模拟加速引擎QuPack。 - 荣誉殿堂展播，黑客松决赛大奖、鼓励奖、推广奖等多重奖项可叠加。 假期赛程，炎炎夏日，潜研希尔伯特空间。**初赛截止7月23日，决胜在8月17日。** **1** **参赛对象和赛程安排** **对量子计算感兴趣，具备基本Python编程能力的所有开发者**，均可报名参加。 **热身赛**为量子计算基础学习和编程演练，初赛为量子应用算法开发，分**量子化学模拟**和**量子组合优化**两个独立赛道，可单选或同时挑战，决赛包括量子应用算法开发和答辩。 **2** ****热身赛答题指导**** 热身赛为量子计算基础学习和编程演练。 第一步：关注MindSpore Quantum代码仓，参见**量子软件编程指南**。 第二步：注册并完成**华为云账号实名认证**。 第三步：登录**HiQ量子计算云平台**进行在线答题。 热身参考文档： https://competition.huaweicloud.com/informations/mobile/1000041884/circumstance 可以看到，在每道题目的上方都有两个链接\*\*：MindQuantum教程**和**MindQuantum API参考\*\*。两个链接中都能找到题目的解答。小技巧：在**MindQuantum API参考**中搜索题目中的关键词，可以快速找到对应的内容。 MindQuantum教程：https://hiq.huaweicloud.com/tutorial/parameterized\\\_quantum\\\_circuit MindQuantum API参考： https://mindspore.cn/mindquantum/docs/zh-CN/r0.8/index.html **第一题：** 这道题考的是如何在线路中用on的方式添加量子门，在MindQuantum中，每个量子门都有on方法，比如X.on(0, 1)就意味着将X门作用在第0个比特上，并且受第一个比特控制。本题要求X门作用在第二个比特上，受第0个和第1个比特控制。因此可以用**X.on(2, \[0, 1\])**来表示。可以看到，on方法的第二个参数可以接受包含多个控制位的列表，因此可以方便的添加多控制门。详细用法可以参考**on方法的API文档**。 on方法的API文档： https://mindspore.cn/mindquantum/docs/zh-CN/r0.8/mindquantum.core.gates.html#mindquantum.core.gates.BasicGate.on **点击下方链接，观看6月14日赛题讲解视频** \*\*蔻享：\*\***https://m.koushare.com/lives/room/261155** 扫码观看赛题讲解视频 **第二题：** 这道题考的是如何对量子线路进行压缩。在MindQuantum中，**Circuit类**是量子线路模块，其中实现了很多操作量子线路的方法。其中就有一个方法可以压缩线路，接口名就叫作**compress()**。因此，这道题调用\*\*compress()\*\*方法就可以成功通过了。 Circuit类： https://mindspore.cn/mindquantum/docs/zh-CN/r0.8/mindquantum.core.circuit.html#mindquantum.core.circuit.Circuit compress()： https://mindspore.cn/mindquantum/docs/zh-CN/r0.8/mindquantum.core.circuit.html#mindquantum.core.circuit.Circuit.compress **第三题：** 这道题考的是线路翻转，也就是说，我们需要将线路的比特顺序上下颠倒。题中给出了一个很长的线路，但是我们并不需要关心线路的具体内容，因为**Circuit类**中有一个方法可以直接实现线路翻转的功能——**reverse\_qubits()**，我们在代码中直接调用该方法就可以成功通过了。 reverse\_qubits()： https://mindspore.cn/mindquantum/docs/zh-CN/r0.8/mindquantum.core.circuit.html#mindquantum.core.circuit.Circuit.reverse\\\_qubits **第四题：** 这道题考的是如何给参数化量子线路中的变量名添加后缀，掌握这种技巧就可以很方便的搭建变分量子线路了。在**mindquantum.core.circuit**模块中，\*\*add\_suffix()\*\*函数就可以实现添加后缀的功能。具体来说，它需要接受一个量子线路和一个后缀字符串作为输入参数，然后返回一个添加了后缀的新的量子线路。选手只需要将这个新的量子线路通过+=的方式添加到原先的线路的后面，就可以构造出多层的变分线路了。题中的代码如下： 首先我们需要将\*\*add\_suffix()**函数 import 进来。题目中需要搭建3层线路，因此可以用一个循环实现，在每次循环中都对 new\_circ 用+=的方式添加**add\_suffix()\*\*函数返回的新线路，后缀字符串设置为循环计数器的值p，就可以成功通过题目了。 mindquantum.core.circuit： https://mindspore.cn/mindquantum/docs/zh-CN/r0.8/mindquantum.core.circuit.html add\_suffix()： https://mindspore.cn/mindquantum/docs/zh-CN/r0.8/mindquantum.core.circuit.html#mindquantum.core.circuit.add\\\_suffix **第五题：** **第六题：** 第6-9题都来源于同一个算法实践教程：**通过量子神经网络对鸢尾花进行分类**，可以进入链接参考详细内容。 https://hiq.huaweicloud.com/tutorial/classification\\\_of\\\_iris\\\_by\\\_qnn 此题需要我们将图中的encoder线路搭建出来。代码中已经搭建好了H和RZ这前两层，需要我们搭建的是红框部分。 因此，我们要在12行的区域搭建CNOT+RZ+CNOT这样的线路结构。通过观察作用的比特位和循环计数器 j 的关系，可以这样实现：\*\*X.on(j + 1, j)\*\*是CNOT门，\*\*RZ(f'alpha{j+4}').on(j + 1)\*\*是含参RZ门，然后再作用一次CNOT门，这样就实现了encoder线路的搭建。 **第七题：** 此题需要我们将图中的ansatz线路搭建出来。代码中已经给出了**HardwareEfficientAnsatz**模块，我们可以基于此模块搭建图中Ansatz。 可以看到，Ansatz中需要RY旋转门，并且纠缠层用的CNOT门（受控X门），一共作用在4个比特上，需要3层线路。因此可以这样实现： **HardwareEfficientAnsatz(4, single\_rot\_gate\_seq=\[RY\], entangle\_gate=X, depth=3).circuit** 这样就完成了Ansatz线路的搭建。 HardwareEfficientAnsatz： https://mindspore.cn/mindquantum/docs/zh-CN/r0.8/mindquantum.algorithm.nisq.html#mindquantum.algorithm.nisq.HardwareEfficientAnsatz **第八题：** 此题需要我们构造出哈密顿量Z2，Z3。在MindQuantum中，**Hamiltonian**模块是一个包装器，可以将用**Qubitoperator**构造的一些泡利算符包装成哈密顿量。因此这题可以这样实现： **\[Hamiltonian(QubitOperator(f'Z{i}')) for i in \[2, 3\]\]** 这样就完成了哈密顿量的构造。 Hamiltonian： https://mindspore.cn/mindquantum/docs/zh-CN/r0.8/mindquantum.core.operators.html#mindquantum.core.operators.Hamiltonian Qubitoperator： https://mindspore.cn/mindquantum/docs/zh-CN/r0.8/mindquantum.core.operators.html#mindquantum.core.operators.QubitOperator **第九题：** 此题需要我们用**get\_expectation\_with\_grad**接口得到先前搭建的变分量子线路的梯度算子。**get\_expectation\_with\_grad**接口是**mindquantum.simulator.Simulator**类的一个方法，接受哈密顿量和线路，返回一个梯度算子。这个梯度算子可以接受变分线路中参数的值，然后返回对应的期望值和梯度。 因此，我们可以将先前构造的哈密顿量和线路输入到**get\_expectation\_with\_grad**接口中： **grad\_ops = sim.get\_expectation\_with\_grad(hams, circuit)** 这样就生成了可以计算期望值和梯度的算子grad\_ops。 get\_expectation\_with\_grad： https://mindspore.cn/mindquantum/docs/zh-CN/r0.8/mindquantum.simulator.html#mindquantum.simulator.Simulator.get\\\_expectation\\\_with\\\_grad mindquantum.simulator.Simulator： https://mindspore.cn/mindquantum/docs/zh-CN/r0.8/mindquantum.simulator.html#mindquantum.simulator.Simulator **3** ****大赛报名&邀请好友参赛**** 点击查看奖品和操作步骤：https://competition.huaweicloud.com/information/1000041884/invite 大赛报名 | 2023 MindSpore量子计算黑客松全国大赛正式开启，新增热身赛道，小白和达人一起来挑战 邀请好友赢好礼 | 2023MindSpore量子计算黑客松全国大赛邀请好友参赛通道正式开启，众多好礼等你来拿！ --- https://www.mindspore.cn/news/zh/258/ --- 新闻 从你我到世界 联接无处不在 # 从你我到世界 联接无处不在 2020/09/23 # 从你我到世界 联接无处不在 2020年9月23 - 26日（上海），华为将举办第五届Huawei Connect 2020大会（简称HC2020），携手全球ICT产业各方思想领袖、技术大咖、先锋企业以及生态合作伙伴与开发者们，相聚上海世博中心，共同探讨智慧城市、AI、数字化转型、物联网、开源等当下最热门的话题。 忆往昔精彩 9月25日-9月26日（下周五、周六）MindSpore将在HC2020为大家献上怎样的精彩？跟着小编按时间顺序梳理的流程提前感受一下~ 当然还有最重要的消息——领取价值596元的HC2020门票 MindSpore团队为感谢大家一直以来的关注，微信添加小助手备注或发送：HC，即可领取门票。 门票信息：25-26号两天通票，不包含交通食宿费用 赶快加小助手微信 领取**HC2020**门票吧 MindSpore官方资料 GitHub:https://github.com/mindspore-ai/mindspore Gitee:https://gitee.com/mindspore/mindspore 官方QQ群: 871543426 **扫描下方二维码关注↓** --- https://www.mindspore.cn/news/zh/2580/ --- 新闻 一起昇思，无尽创新！速来围观人工智能框架生态峰会精彩时刻 # 一起昇思，无尽创新！速来围观人工智能框架生态峰会精彩时刻 2023/06/21 # 一起昇思，无尽创新！速来围观人工智能框架生态峰会精彩时刻 6月16日，人工智能框架生态峰会2023在线上、线下同步举办，峰会由上海临港经济发展(集团)有限公司、上海人工智能研究院、昇思MindSpore开源社区联合举办。本次峰会全面聚焦人工智能框架生态发展，推动人工智能产业创新，共吸引来自AI产业界超过500家伙伴、行业客户、高校、研究机构等代表参会共同探讨AI技术创新与行业融合大背景下的AI框架生态模式与场景应用围绕大模型与科学智能领域AI框架技术的广泛合作与深度交流。 话不多说，上干货！ \*\*NO.\*\***1** **峰会释放出哪些重磅信息？** - 共建人工智能框架生态联合倡议正式发布 - 昇思MindSpore开源社区理事会正式成立 - 21位专家受聘成为昇思MindSpore开源社区技术委员会成员 - 上海昇思AI框架&大模型创新中心正式启动，首批22家单位入驻 - 全模态大模型“紫东.太初2.0”重磅发布 - 国家全民数字素养与技能培训基地正式授牌 - 昇思MindSpore2.0全新技术升级 - 昇思MindSpore开源社区卓越贡献者颁奖 **NO.2** **大咖在会上分享了什么？** - 中国科学院院士**张东辉** - 中国科学院自动化研究所所长**徐波** - 云从科技泰山信创产品线总裁**梁俊文** - 南方电网人工智能公司高级经理**董召杰** - 上海人工智能研究院执行院长、上海交通大学人工智能研究院副院长**宋海涛** - 昇思MindSpore开源社区理事长**丁诚** - 昇思MindSpore技术总经理、华为AI4Sci LAB主任**于璠** 等8位演讲嘉宾带来致辞和主题演讲。他们围绕AI技术发展趋势，从产业机遇，AI根技术创新，商用落地及赋能、开源社区共创共建等热点话题进行分享。 <大咖金句频频，关注昇思mindspore公众号，点击视频查看> \*\*NO.\*\***3** ****展区有哪些看点？**** 展览展示区域内容丰富，整体围绕昇思MindSpore AI框架展开，参展机构包括人工智能开源社区、南向芯片厂商、北向AI大模型及应用厂商，观众现场体验领先的大模型应用、近距离接触强大的多样性算力硬件，理解昇思作为人工智能创新之源对产业的贡献与价值。 \*\*NO.\*\***4** ****AI框架如何实现商用落地？**** 3场技术专题论坛紧紧围绕AI框架当下热门领域与重点研究课题——大模型、科学智能、AI框架使能应用创新与实践，从商业落地与应用场景去探讨AI框架在千行百业中的实践与创新。 \*\*NO.\*\***5** ******昇思****MindSpore开源社区如何开启新征程？****** 见证昇思MindSpore开源社区新起点，共同为热爱加冕 作为国内最具创新活力的AI开源社区，昇思MindSpore 全场景AI框架通过原生支持大模型、科学智能等底层能力，让AI创新有技术。开源3年，昇思MindSpore一直在路上，不断吸引更多开发者加入开源社区参与贡献。峰会期间，开源大咖齐聚MindSpore TechDay。昇思MindSpore开源社区携手知名企业与科研院所AI专家、开源社区领袖、技术大咖等一起，共话开源趋势、与昇思共成长，同时也为开源社区卓越贡献者加冕。 --- https://www.mindspore.cn/news/zh/2581/ --- 新闻 昇思创新实践训练营 | 聚焦人工智能，共探创新之道，第二站来喽！ # 昇思创新实践训练营 | 聚焦人工智能，共探创新之道，第二站来喽！ 2023/06/22 # 昇思创新实践训练营 | 聚焦人工智能，共探创新之道，第二站来喽！ **昇思MindSpore创新实践训练营** **_6月26—29日，_\*\*\*\*昇思MindSpore创新实践训练营**第二站来喽！ 昇思MindSpore创新实践训练营旨在让高校开发者更好地了解人工智能，从理论讲解到实操体验激发同学们对科技的热爱，进一步推进人工智能时代后备人才的培养，持续挖掘高校开发者对于人工智能等科学技术的创造力。 同时让高校开发者在实践的过程中主动学习和实践人工智能相关知识，掌握AI相关技术和工具，跟上业界最新趋势，形成对人工智能行业全局观，并通过昇思MindSpore创新训练营，培养同学们的AI创新思维，拓展同学们的AI创新能力，为持续的创新能力提升打下坚实的基础。 **活动时间：** 2023年6月26-29日（周一-周四）9：00-18：00 **活动地点：** 北京师范大学海淀校区电子楼304A（**校内专场活动**） --- https://www.mindspore.cn/news/zh/2582/ --- 新闻 人工智能框架生态峰会MindSpore TechDay成功举办，一起昇思，无尽创新 # 人工智能框架生态峰会MindSpore TechDay成功举办，一起昇思，无尽创新 2023/06/22 # 人工智能框架生态峰会MindSpore TechDay成功举办，一起昇思，无尽创新 6月16日，人工智能框架生态峰会2023在上海成功举办，峰会以“一起昇思 无尽创新”为主题，全面聚焦人工智能框架生态发展，推动人工智能产业创新。在本次峰会的MindSpore TechDay中，昇思MindSpore开源社区携手知名企业与科研院所AI专家、开源社区领袖、技术大咖等一起，共话开源趋势、AI产业应用，并发表主题演讲。 **昇思MindSpore总架构师金雪锋**在开场致词表示，昇思MindSpore一直紧随大模型与科学智能两大新赛道，并针对这两个领域进行了差异化的构建，成为昇思持续技术创新的两大优势，也是未来AI领域最有前景的应用领域。 **LF AI & DATA 基金会理事李永乐**表示，昇思MindSpore开源社区面向商业使用、技术创新、生态链打造、社区运作、人才培养，构建了全链路的用户使用场景，欢迎企业、科研院所、团队、个人加入社区，能够在社区里面发挥更好的作用，服务自己的用户，让自己的用户和自己都获得成功。 作为开源的新一代全场景AI框架，昇思MindSpore在开源的三年时间里得到了快速发展，已成为国内最具创新活力的AI开源社区。截止目前，社区昇思软件下载量超过474万，增速第一；超过1.3万开发者为昇思贡献代码。 - 在校企合作方面，与5500多家企业基于昇思构建应用方案，与290+高校科研院所展开合作。 - 在开源合作方面，依托Hugging Face建立了昇思MindSpore开放协作空间，让全球开发者都能够体验昇思大模型的能力。 - 在社区治理方面，成立了最高层决策和组织领导机构——社区理事会，同时对开源时成立的技术委员会也进行了换届。 - 在大模型生态方面，打造了业界首个基于多AI计算中心资源、提供产业专区与AIGC新型科技社交能力的一站式开源大模型平台——昇思大模型平台，让昇思MindSpore开源社区在大模型时代成为开发者的首选。 在本次会议中，**昇思MindSpore开源生态总监胡晓曼**重磅发布了昇思MindSpore开源社区全新成果： **联合南方电网，共建电力人工智能专区** 昇思MindSpore开源社区联合南方电网，基于昇思大模型平台，共建电力人工智能专区，共同打造面向广大开发者的电力人工智能生态。该专区汇集电力行业案例，通过开放特色电力数据集与模型，发布学习实践课程、比赛活动，推动电力行业与AI技术的融通发展。构建电力行业开发者生态桥头堡，通过昇思大模型平台，汇聚AI开发者，使能智慧电力。 **昇思大模型平台上线新款大模型：AI生成检测器模型** AI生成检测器大模型是基于多尺度 PU 学习的方案，解决了文本检测器对于短句识别的难题，在 AI 文本检测的问题上迈出了坚实的一步。尤其在AIGC 内容管控中，防止 AI 生成内容的滥用，为AIGC的健康发展提供支持。该大模型目前已经上线昇思大模型平台，欢迎前往体验。 体验链接：https://xihe.mindspore.cn/modelzoo/text-detector **2023** **昇思MindSpore量子计算黑客松全国大赛正式开启** 本次大赛由量子信息网络产业联盟主办，昇思MindSpore Quantum SIG承办，中国科学技术大学、电子科技大学和上海大学等联合举办。围绕“强化量子人才培养、推进量子科技创新、加快量子产业升级”的宗旨震撼开赛。开发者将全面体验新一代通用量子计算套件MindSpore Quantum和量子模拟加速引擎QuPack，享受比赛，享受挑战。 ****开源社区合作共荣，建设广泛AI开源生态**** 昇思MindSpore开源社区一直秉持着“开发者第一、技术优先”的理念，持续使能科研创新与产业应用，通过原生的技术体系，不断加速中国AI应用生态，吸引众多开发者和社区加入进来一同打造有竞争力的开源社区。 **OpenI启智开源平台运营中心主任、AITISA联盟算力网推进组长余跃**，在会议中带来《新一代人工智能开源服务环境》主题演讲，他表示，新一代人工智能有几个比较重要的环节，第一是做人工智能要有先进的基础设施，第二是要有一套好的公用的平台和工具，另外就是需要有各种各样的资源，要把资源有效组织起来，剩下的就是如何提供一些安全防范的环境和丰富多样的生态发展。 **上海交通大学人工智能研究院总工程师，上海白玉兰开源开放研究院执行院长金耀辉**，作《开源开放的大语言模型》主题演讲，回顾了开源社区在大模型从训练到应用各方面的努力，包括数据集、训练算法、模型微调和对齐、提示设计和模型评测等。同时，还在本次会议预告即将发布的白玉兰科学大模型。 ******让AI创新有技术，打造“AI+行业”应用场景****** 昇思MindSpore以技术发展为驱动，技术架构持续升级演进，通过底层能力，让AI创新有技术。昇思联合多个科研院所、产业伙伴，基于昇思MindSpore AI框架打造极简易用、极致性能的AI解决方案和应用，服务金融、教育、医疗等人工智能关键产业方向，打造一系列富有竞争力的“AI+行业”的示范性应用场景，推动产业集聚。 在本次会议中，**深圳湾实验室副研究员杨奕**分享了基于昇思开发的分子动力学套件——MindSpore SPONGE，包含分子动力学模拟、蛋白质结构预测、小分子性质预测与设计等功能。MindSpore SPONGE为分子科学提供了一套完整的程序框架和工具库，为AI在分子科学中的应用铺平了技术上的道路。 安全生产是工业制造的必修课，**奥看科技高级解决方案专家李林**作《AI赋能工业制造，为企业安全生产保驾护航》主题分享，奥看科技基于昇思MindSpore AI框架，实现在工业生产和制造领域，人、机、料、法、环的全场景自主监测，智能分析和联动处置以及精确治理的一个业务系统。解决传统按键及时性差，人工成本高，以及管理效率低的痛点。 **杭州旷维炬锐有限公司创始人王超**，在《泛在，均等，共享——基础模型推动构筑MaaS新格局》主题分享中表示，公司成立之初就拥抱昇思。在云端，昇思拥有有大量的预训练的模型，节省算力资源上的匮乏。在计算的科学方面，昇思可以做数据的变形化处理，模型的自动分布式处理，这对于整个硬件部署有非常大的提升。并且昇思还提供了一整套完整的工具链，可以说昇思MindSpore是在推动构筑整个开放、均等、共享MaaS的新格局。 ********打造成长型AI学习社区，昇思与开发者共成长******** 昇思MindSpore开源社区打造了“学-训-练-赛”全流程的开发者成长体系，为开发者提供了入门到精通的实践课程，并发起多个项目类的比赛、开源实习等活动，以及通过校企合作开展众智计划等方式，提供全面的项目实践机会，充分给予他们展示的舞台。无论开发者想去研究算法应用，还是做底层的高性能优化开发，或是热爱分享项目经验，总能够在社区中找到合适自己的项目进行深入的钻研。 **上海大学学生代表王洁怡**以一名开发者和使用者的角度分享个人在接触并使用MindSpore过程中的心得体会，通过他本人的实践经验，介绍了开发者参与昇思MindSpore开源社区贡献的完善发展之路。 昇思MindSpore致力于为AI科学家和工程师提供设计友好运行高效的开发体验，推动人工智能软硬件应用生态繁荣发展。为此MindSpore成立多个专项兴趣小组MindSpore Special Interest Group（简称MindSpore SIG），为各领域专家、教授和学生提供一个开放交流的平台。在MindSpore SIG：Face to Face的交流环节中，三位SIG负责人为大家介绍了各自SIG基于昇思MindSpore为开发者打造的全栈社区成长路径。 昇思MindSpore开源社区的发展离不开社区布道师、开发者、MSG组织者等角色的参与，本次会议特别设置颁奖环节，来感谢和激励更多个人和团队开发者参与到社区贡献，共建开源社区。在颁奖环节中， 6位开发者荣获2023年度昇思MindSpore优秀布道师、3位荣获2023年度昇思MindSpore优秀体验官、10位荣获2023年度昇思MindSpore优秀开发者。 从2020年开源至今，越来越多开发者和伙伴选择昇思，拥抱昇思，与昇思共成长。相信在产业界的共同努力下，中国自主AI框架生态必将蓬勃发展，为此，昇思呼吁大家一起携手打造人工智能的创新之源，共创数智新未来！ --- https://www.mindspore.cn/news/zh/2583/ --- 新闻 聚焦人工智能根技术，上海昇思AI框架&大模型创新中心正式启动 # 聚焦人工智能根技术，上海昇思AI框架&大模型创新中心正式启动 2023/06/25 # 聚焦人工智能根技术，上海昇思AI框架&大模型创新中心正式启动 近日，以“一起昇思 无尽创新”为主题的人工智能框架生态峰会2023在上海成功举办。会上，上海人工智能研究院、上海市闵行区政府、临港集团、昇思开源社区联合启动上海昇思AI框架&大模型创新中心（下文简称创新中心），上海人工智能实验室、上海交通大学、中国科学院上海药物研究所、云从科技等首批22家单位正式入驻创新中心。 上海昇思AI框架&大模型创新中心正式启动 创新中心将以昇思 MindSpore 为主要抓手，聚焦人工智能根技术在人工智能基础创新和底层技术突破、支撑重点产业发展和产业集群打造、推动开发生态建设三方面发挥作用。 具体内容包括：依托上海人工智能研究院及上海交通大学，协同昇思MindSpore研发和社区的基础研发力量，全面发力人工智能基础创新和底层技术突破，强化理论创新的基础作用,加速培养高复合型AI开发者，成为支撑智能产业长期繁荣的坚强底座。 聚焦AI算力生态、科学智能（生物医药、工业软件、自动驾驶、类脑科学、电磁场）、大模型（AIGC、行业大模型）、智能终端（网联汽车、机器人）等重点领域的技术布局。加强与上海本土“3+6”新兴产业体系龙头企业强强合作，支撑专精特新创新型产业集群建设。 通过成立昇思MindSpore开源社区理事会，举办昇思全球生态峰会、昇腾AI创新大赛等国际性人工智能创新活动等，挖掘AI创新人才、发布产业界成果，吸引产、学、研、用力量加入，实现技术生态繁荣。 启动仪式后，上海人工智能实验室、上海交通大学、中国科学院上海药物研究所、云从科技等首批22家单位完成创新中心入驻。首批入驻企业将基于昇思MindSpore，在大模型创新、AI产学研转化等层面加强合作，促进AI产业扎实技术基座，共同推动人工智能框架生态高质量发展迈出更大步伐。 上海昇思AI框架&大模型创新中心首批伙伴入驻 未来，上海昇思AI框架&大模型创新中心将充分利用昇思MindSpore在算力驾驭、应用开发等方面的优势，立足上海，辐射全国，支持全国范围的科研院所、高校、AI技术企业孵化创新应用。在互联网、运营商、金融、教育、医疗等人工智能关键产业方向，打造一系列富有竞争力的“AI+行业”的示范性应用场景，推动产业集聚，为中国人工智能技术发展凝聚核心竞争力。 --- https://www.mindspore.cn/news/zh/2584/ --- 新闻 与昇思MindSpore共成长，开源新生代解锁大模型开发 # 与昇思MindSpore共成长，开源新生代解锁大模型开发 2023/06/25 # 与昇思MindSpore共成长，开源新生代解锁大模型开发 昇思MindSpore资深开发者、00后、女性开发者……现今就读于上海大学的大四学生王洁怡有不少令人印象深刻的标签。“薅羊毛”一词被王洁怡同学用来形容她在昇思开源社区的学习过程，通过昇思开源社区免费学习课程，结交志同道合的技术专家，从而提升技术实力和视野。带着对这位昇思MindSpore新生代优秀开发者的好奇，昇思MindSpore邀请到了王洁怡，与她聊了聊她的开发者故事。 **0\*\*\*\*1** **要闯关，要吃“蘑菇”** 还在上大学四年级的王洁怡加入昇思开源社区的时间不算长，但已经成为AI安全SIG成员并参与安全领域论文解读分享，她在昇思MindSpore上用差分隐私优化器训练神经网络模型尝试模型开发，甚至使用昇思MindSpore AI框架完成了自己的本科毕业设计。 医疗领域的对话机器人是王洁怡的本科毕业设计，王洁怡注意到，现在市面上的抽血机器人会让害怕抽血的人更加恐慌，因此她开始思考能否用大模型的开放域对话能力给机器添加对话交流的能力，使用昇思MindSpore进行开发和大模型的指令微调，以此缓解用户的紧张情绪。 “我有一个小小的美好愿望，就是希望通过自然语言处理模型去打破人们觉得机器冰冷的刻板印象。”带着这样美好初衷的开发之旅却遇到了不小的挑战。 知识面和技术能力的欠缺是当时还是新人开发者的王洁怡面临的最大挑战，但好在社区提供了不小的助力。“昇思大模型平台有为AI学习者和开发者提供在线学习的项目、模型、大模型体验和数据集，可谓领域专家、开源算法、算力三位一体，为我们这些入门级选手提供高效学习和开发环境。”王洁怡表示，除了课程的学习，在写代码的过程如果有困惑，也可以通过昇思开源社区SIG小组交流与学习、MindSpore开发文档、和Gitee代码仓等方式找到答案。 就像游戏马里奥闯关里主人公总需要吃蘑菇补充体力，王洁怡在昇思MindSpore的开发之旅中也得到了很多“蘑菇”。 一是知识面的扩大与代码能力的提升。还在本科阶段的王洁怡此前在开发项目中更多地关注界面UI和基础功能的实现，但加入昇思开源社区做模型开发之后，她开始更加关注模型结构。此外，在联邦学习、密码学和超大规模的语言模型方面，王洁怡也有了从无到有的认识。对于一个开发者最重要的代码能力，王洁怡也是在昇思开源社区上通过一个又一个的项目开发中得到提升。 二是充分地感受到了开源的魅力。在开源社区，王洁怡结识了很多技术大佬和志同道合的小伙伴，技术上的问题总能在这里获得答案。当然，在一个有生命力的开源环境里，不仅仅只有技术问题能获得答案。“有很多开发者已经是研究生或博士生，对我而言，他们对人生的感悟也是非常宝贵的人生经验分享。”年纪尚小的王洁怡没有放过任何学习机会与资源。 **02** **跳一跳，摘“桃子”** 在昇思开源社区，成功认证为资深开发者称号的62名开发者中仅有2名尚处于本科阶段，王洁怡就是其中一位。00后和资深听起来似乎不应该是一个人的标签。 “我觉得我是一个胆子比较大的人，会很愿意尝试踮起脚跳一跳才能摸到的任务来提升自己的能力。”王洁怡将自己迅速的能力提升归因于爱挑战的性格。 但刚加入昇思开源社区时，王洁怡也因为对自己的技术不够自信没有立刻参与一些项目，直到大三才开始认领任务。小白时期的基础任务并不困难，王洁怡结合自己的开发资源进行简单的模型实现，并加入AI安全SIG进行交流分享。在完成认领任务的过程中，王洁怡顺利地渡过了新手时期。 从小白逐步成长为优秀开发者再到资深开发者，王洁怡认为个人的成长也离不开昇思开源社区的成长激励体系。除了个人主动融入社区、参与挑战性项目并分享技术经验，“社区也拥有良好的‘老带新’氛围，开发者互相提携，帮助新手成长”，并且社区提供了完善的贡献指南，参与社区贡献的流程都非常清楚和简便。 早在2020年5月份，昇思MindSpore就发布了国内首个AI开源社区的认证开发者体系，2021年沉淀出了相对完善的“英雄进阶体系”，为开源开发者打通了一条极具AI特色的从0到1的成长路径。昇思MindSpore对于开发者认证的分层非常细，包括优秀开发者、资深开发者、布道师和资深布道师4大级8子类，角色的进阶是对个人技术能力与社区贡献的双重肯定。 已经成为资深开发者的王洁怡，也有成为布道师的想法。在她看来，开发者到布道师不仅仅是身份的转变，除了技术上的分享，还肩负着更多的责任——对昇思开源社区甚至是中国开源文化的转变做出自己的贡献。但王洁怡强调，成为某个角色其实是对自身贡献值的要求，社区的各种角色之间并不意味着等级的划分。尽管布道师一般都是行业内的资深人士，“但是绝大多数布道师应该也都是从小白做起的。”毫无疑问，“布道师”是王洁怡未来想要摘到的“桃子”。 **03** **心有猛虎，细嗅蔷薇** 在一个目前仍由男性主导的领域中学习工作，女性开发者常被问到女性在这个行业有什么独特的优势。“不管什么领域，其实都需要更多元观点的碰撞。”这是王洁怡的答案。 “心有猛虎，细嗅蔷薇。”女性开发者想用代码改变世界的憧憬和男性开发者同样强烈，并且女性独特的视角与感知也会为科技增加温度。例如王洁怡的毕业设计医疗领域对话机器人，就搭载着她“希望通过自然语言处理去打破人们觉得机器冰冷的刻板印象”这一美好愿望。 女性，是开发者群体中不可忽略的部分。世界上第一位软件开发者就是人称“数字女王”的阿达·洛芙莱斯（Ada Lovelace），百年间越来越多的女性开发者活跃于互联网平台，释放着自己的专业与技能。但女性开发者在职场中所遭遇的瓶颈问题与偏见，尚未完全消除。 “独行者疾，众行者远，远行者恒。”深谙此道的华为为女性开发者之间的交流和互助提供了多个平台。 正是通过昇思开源社区主办的MSG·Women in Tech活动，王洁怡才得以与昇思MindSpore结缘。 当时尚在大一即将面临专业分流的王洁怡对未来仍有些迷茫，闲暇之余在B站看到了MSG·Women in Tech的沙龙，女性职场的内容分享一下就吸引住了她。“她们的分享对我自己坚定未来走计算机技术的信念是有最强激励作用的。” 现已大四的王洁怡已经成为了华为女性开发者HWD计划成员。HWD计划旨在为女性开发者赋能，通过全方位资源支持，帮助女性开发者在职业和技术发展上获得更大提升空间，并为其打造学习、交流和展示自我的平台。 王洁怡注意到身边的女性工程师数量在不断地增加，包括同年级女生在选择开发者作为职业，或者继续深造的比例也在不断地提升，“性别之间的差异在减少，我们的开发环境也在变得更加包容。” “所以不要因为性别给自己设限，要更自信地大胆尝试！”总在尝试和挑战的王洁怡希望能有更多的同行者，因为本质上来讲，对于开发者这个职业而言，无论性别，最重要的还是一定的技术水平。 **04** **写在最后** 2023年的秋天，王洁怡将开启研究生学习之旅，继续自然语言处理相关的研究，也会继续在昇思开源社区贡献。“希望昇思MindSpore在中国的开源文化上播下希望的种子，多和高校展开合作给学生‘薅羊毛’的机会！”王洁怡对于昇思开源社区的期望美好又有趣。我们相信，这样一位在开源学习社区能找到“薅羊毛”乐趣的开发者，将用代码创造出无限可能。 --- https://www.mindspore.cn/news/zh/2588/ --- 新闻 励志！打过杂、送过外卖，他逆袭为昇思MindSpore优秀布道师！ # 励志！打过杂、送过外卖，他逆袭为昇思MindSpore优秀布道师！ 2023/06/27 # 励志！打过杂、送过外卖，他逆袭为昇思MindSpore优秀布道师！ 有这样一群城市里的“使者”，为了梦想和生存，与时间赛跑，奔波在城市的每个角落。周一锋是其中之一，为了生活，他是我们身边最常见的杂工小哥、外卖小哥，不停地飞奔忙碌。 另外他还有一个我们很熟悉的身份：个人开发者、昇思MindSpore 优秀布道师。周一锋活跃在开源社区里，写代码提 Bug不在话下 ，耐心教导小白开发者，成为导师也是常见的事。他还能在技术赛场上，过五关斩六将取得好成绩。 这不是一则简单轻松的“跨界”趣事。背后是周一锋与命运斗争，用热爱点燃技术之梦，与昇思MindSpore 双向奔赴的故事。 **从打杂、跑腿到坚持技术梦想，奋斗者无惧** “我是一名个人开发者，也是一个打杂的。”周一锋坦白道。 时间倒流到最初，周一锋可能和我们大多数年轻开发者的成长轨迹相似： 早在初二时，周一锋在文曲星上鼓捣过编程，并产生极大兴趣，于是大学选择软件工程专业，学习专业技术知识，大学期间参加编程大赛，畅想毕业后顺利找一份做安稳的程序员工作。 可命运不爱按常规出牌：由于身体不大好和特殊原因，周一锋初中时被迫休学，后来就读一所普通的大专。尽管他有不错的编程技术，曾获得蓝桥杯省一等奖和国赛二等奖，可大专学历、身体条件，让周一锋几乎找不到正规的好工作。大学毕业后，周一锋尝试去企业，但现实情况不大理想：要不因身体原因不便加班被辞退的，要不公司倒闭了……到处碰壁后，周一锋发现自己并不适合呆在企业工作。 少了糊口的编程工作，他该如何生存？无奈之下，周一锋开始以打杂、跑腿的方式谋生。但他内心始终有一团小小的火焰，照亮他前行，那就是对编程的热爱。所以周一锋在打零工之余，将其他时间投入到技术研究中。 四年前，周一锋首次接触 AI 深度学习后，立即“触电”，对深度学习产生极大兴趣。然而那时候入门深度学习，门槛不低：除了专业理论知识外，还有硬件资源也是一道硬门槛。 没有激励、没有掌声，有许多个半途而废的理由摆在周一锋面前，但他选择咬牙坚持，并将目光投向 AI 开源社区昇思MindSpore。 2020 年 6 月，周一锋参加昇思MindSpore 论文模型迁移比赛，完成了第一个模型迁移任务。自此，周一锋对昇思MindSpore有更多的了解，发现确实它挺好用。彼时昇思MindSpore框架才发布三个月，周一锋毫不犹豫 Pick 它。 “我发现昇思MindSpore有很多好玩的新特性，例如我最喜欢“动静结合”（支持动态图和静态图两种模式）功能。在参与昇思MindSpore社区后，官方为我提供了不少使用硬件资源的机会。另外，昇思MindSpore 除了支持 GPU 外，还支持昇腾芯片，比赛时我使用了 Ascend910 芯片，当时 A100 GPU 还没有发布，当运行在迁移的 DenseNet 模型上，我发现比当时市面上的V100 GPU 训练速度明显快了很多。最重要的一点是，在昇思MindSpore社区，我有很多可以和官方工作人员沟通和学习的机会，对比国外其他社区，我几乎没有这样的机会。”周一锋兴奋地说。 从周一锋身上，我们看到有理想的人所拥有的韧劲，与其抱怨黑暗，不如提灯前行。尽管生活起伏不定，周一锋对技术的热爱不减，并积极参加昇思MindSpore等社区，寻找志同道合的人，共同前行。 **以梦为“码”，照亮前行之路** 现在，周一锋仍是一边为了生存继续打杂，一边学习专业技术，积极参加相关的 AI 比赛和活动。 周一锋真诚地说：“我虽然是一个打杂的，但在个人专业技能方面同样有高的追求。通过参与昇思MindSpore等比赛活动，不仅提高了自己的专业能力，还有机会获得奖品和奖金，在一定程度上缓解了生活的压力，从而减少打杂的时间。” 在最近两年里，周一锋虽然继续打零工谋生，但更多的时间和精力投入在专业技能相关的学习、活动上。 为什么周一锋会坚定不移选择昇思MindSpore社区？ 他说，相对很多开源社区而言，昇思MindSpore社区的气氛活跃，经常举办各类官方活动和任务，吸引很多开发者踊跃参与。 此外，社区还为他提供过很多支持，例如算力支持，还安排专业技术人员及时实时解答相关使用问题。通过与启智社区联合发起的集结号等活动，设计各式各样的任务来帮助开发者成长。官方常常组织一些奖励丰厚大赛，吸引开发者参与。另外，社区根据开发者的关注点，成立了不同SIG小组交流与学习。 从社区中来，到社区中去，如今的周一锋深度参与到昇思MindSpore社区的建设中，不仅积极修复 Bug 提交PR，贡献开源代码，还主动帮助初学者解答问题，帮助很多新生成为社区开发者。在 2022 年开源之夏活动中，周一锋更担任昇思MindSpore 导师，指导学生完成项目任务。 “不论对学生还是我来说，这是很好的学习交流的机会，甚至对开源社区来说都具有积极的意义。”可能是因为自己淋过雨，周一锋也想帮别人撑把伞。 通过参与昇思MindSpore社区，为周一锋带来巨大的改变，不仅可以加入优秀的AI开发者群体中，还能实现自己的价值，拓宽未来发展之路，而不是局限在当前的打杂工作中。 **步履不停，逐心而行** 每一次的坚持，都是成功的开始。这三年来，周一锋参与了DenseNet、PDarts、 FishNet、OSVOS、EfficientV2-S、AutoDis、MMoE、BiT、Ultra-Fast-Lane-Detection 等模型的迁移复现、GPU或昇腾的适配，将代码均开源至models仓库、启智社区或华为云AI Gallery上。还开发实现昇思MindSpore模型在昇腾310环境的高效推理部署，如RetinaFace的人脸检测、YOLOv4的宠物识别等，并尝试RetinaFace人脸检测在CPU环境的部署，已部署在昇思大模型平台上。 “我因为身体原因，在前进的路上确实会遇到不小的障碍，但依旧还有很多我能做的事情。我坚持把能做的做好，坚持积极解决遇到难题，专注往AI深度学习领域前进，希望未来能有更多的收获。”周一锋说。 从小白到优秀开发者，如今周一锋有了新的身份——昇思MindSpore社区认证的布道师。像周一锋官方认证的布道师和开发者，在昇思MindSpore社区里有377 位。 **与开发者共成长** 在人工智能框架生态峰会2023上，昇思MindSpore开源社区理事长丁诚表示，要真正繁荣中国的 AI 产业，必然离不开充足的人才支持；而 AI 框架已成为开发者必备的工具，因此昇思责无旁贷的承担着培养 AI 人才的生态使命。 昇思始终往上述目标发展：自创立以来，昇思MindSpore社区秉承“开发者至上，技术优先”的理念，发布了国内首个AI开源社区的优秀开发者和布道师认证体系，，贴心为开发者打通了一条从0到1的AI成长路径。 例如在入门阶段，社区提供系列教材和认证课程，走进全国各地的高校，赋能学生通过昇思MindSpore入门学习AI。 在实践阶段，提供系列化的实习、众智和竞赛任务，给开发者提供充分的实践机会，手把手引导开发者成长。 在研究创新阶段，提供昇思学术激励基金和算力支持，激发原创科学研究。目前昇思与全球210多高校和科研机构开展了合作，覆盖全部C9院校，培训2500名老师，培养20万多学生；科研创新上，与全球290多家TOP科研团队进行深入合作，基于昇思发表的AI顶会论文已达900多篇，国内排名第一，全球第二。 无需置疑，昇思MindSpore社区以开放包容的姿态，作为国内顶尖的AI开发者学习型社区，为开发者提供创新的基础。同时，开发者又在反哺和壮大社区：截至 2023 年 5 月底，昇思开源社区的下载量已突破474万，社区贡献者 1.3 万，服务企业数量 5500 家，开源模型达 400 多个。 如今，昇思MindSpore社区被认为是国内最具创新活力的 AI 开源社区，越来越多像周一锋一样优秀的开发者齐聚昇思MindSpore社区，以前沿AI技术改变世界，追逐技术梦想，实现自我价值。 点击阅读原文，了解社区资讯 --- https://www.mindspore.cn/news/zh/2601/ --- 新闻 华为开发者大会2023（Cloud）量子计算 技术梦工厂等你来挑战，码出未来，与你同行。 # 华为开发者大会2023（Cloud）量子计算 技术梦工厂等你来挑战，码出未来，与你同行。 2023/06/28 # 华为开发者大会2023（Cloud）量子计算 技术梦工厂等你来挑战，码出未来，与你同行。 2 大场地 2.5 天活动 200+ 专题论坛 8000+ 开发者齐聚一堂 华为开发者大会2023（Cloud）现已开启华为云开发者社区重磅推出 「 码出未来 与你同行 」 线上活动 技术前瞻大咖秀、技术梦工厂、活动合集 各种神秘任务等你来挑战 现在参与 更有机会开启终极大奖 只要完成任意体验 就能参与抽取4000元礼包哦 更多精彩活动等你发掘 准备好了吗？ 开启我们的代码之旅… **拿下Switch游戏机、蓝牙音箱等4000元礼包！** ****2023HDC****量子计算·技术梦工厂\*\*\*\* **活动时间：6月28日—7月16日** 点击阅读原文或扫码进入体验 邀请好友参赛赢好礼 | 2023MindSpore量子计算黑客松全国大赛邀请好友参赛通道正式开启，众多好礼等你来拿！ 速报名 | 2023 MindSpore量子计算黑客松全国大赛 第一场直播宣讲。 --- https://www.mindspore.cn/news/zh/2603/ --- 新闻 陪伴的AI：昇思联合悦雅科技为“城市留守儿童”护航 # 陪伴的AI：昇思联合悦雅科技为“城市留守儿童”护航 2023/06/28 # 陪伴的AI：昇思联合悦雅科技为“城市留守儿童”护航 中国的家庭结构是一个三角形，父亲、母亲和孩子分别是三个角，它是最稳固的结构，也是最脆弱的结构——社会学家费孝通 **城市留守儿童：庞大而隐秘** 男孩忙碌完一天的学习与功课，中间甚至还给自己做了饭、收拾了家务。直到他临睡前，母亲才匆匆赶回家。看到儿子还没睡，母亲竟有些高兴，给儿子冲泡了一杯牛奶，送到儿子嘴边，似乎这样可以略尽一点母亲责任。 可听到儿子说“晚饭吃的太饱，喝不下”时，母亲竟落下脸来，“那倒掉吧！”男孩只好勉强喝下。露出满意笑容的母亲丝毫不知道：成绩出色的儿子因为缺少高质量的陪伴，变得内向，在学校里常受人欺负。但儿子却不愿和母亲过多交流。这是2020年热门剧集《隐秘的角落》中的情节。 （该图片基于昇思MindSpore悟空画画大模型生成） 继农村留守儿童现象后，城市里也出现了越来越多的留守儿童。由于工作忙或者其他方面原因，父母能见到孩子的时间很短，及时偶尔在孩子身边也只是玩手机、忙事情，或将孩子完全给老人带，从而使孩子缺少父母的教养和关爱。相较于农村留守儿童，城市留守儿童的物质生活和上学环境好一些，但他们眼前的世界更加复杂，面临着更多的诱惑，更容易出现各种问题，成长现状同样不容乐观。 **悦雅科技&昇思：为“城市留守儿童”护航** 悦雅科技基于昇思MindSpore AI框架打造教育陪伴机器人解决方案，面向儿童群体的AI机器人，智能陪伴每一位儿童高效学习和快乐成长。该陪伴机器人拥有14个高精度伺服舵机，1300W摄像头，四大传感器（触摸传感器，三轴加速度传感器，红外传感器，陀螺仪），具有生命感体系，移动互联，家庭沟通互联三大特点的便携式智能机器人。 **超强拟人能力表现，与儿童亲密互动** **●** **在动作上**\*\*：\*\*14个自由度（包含：头部、手部、腰部、腿部）；具有离合舵机保护，500次的跌落测试，都完好无损。 **●** **在表情上**\*\*：\*\*眼部屏显，采用IPS硬屏，色域更高，准确表现拟人的眼睛动作；嘴部灯效，采用RGB LED灯，柔和闪烁灯。 **●** **在声音上**\*\*：\*\*TTS播报，语音合成应用的一种，能帮助有视觉障碍的人阅读计算机上的信息，也能增加文本的可读性；声优定制，声音好听，具有高辨识度。 **陪伴机器人解决方案优势** 该解决方案，在图像分类模型ShuffleNetV1的基础上，基于昇思MindSpore进行优化调整适配机器人，从而使机器人拥有图像分类能力，运用精准的图像识别算法，集成高质感音频资源，有趣的图像卡片，标准的发音，听不完的故事，达到教育陪伴儿童的目的。 **悦雅科技与昇思共创无限未来** 日前，杭州悦雅科技有限公司签署CCLA（Corporate Contributor License Agreement，企业贡献者许可协议书），正式加入昇思MindSpore开源社区。 悦雅科技加入社区后，将持续开发健康生活产品，以手表/眼镜为载体，通过传感器&摄像头获取用户每日运动、作息及摄入食物信息，建模，给出维持最佳状态的建议，赋能传统零售业。 未来，悦雅科技将进一步繁荣昇思生态，与更多的昇思社区伙伴一起，共同打造创新性产品及解决方案，推进行业应用落地，构建繁荣的人工智能产业生态圈。 悦雅科技创始人彭辉：“悦雅科技将携手昇思坚持以人为本，科技向善的理念，开发更多有态度，有温度的AI科技产品。” --- https://www.mindspore.cn/news/zh/2604/ --- 新闻 颁奖啦！昇思「夏日」主题AI绘画比赛作品「泰酷辣」！ # 颁奖啦！昇思「夏日」主题AI绘画比赛作品「泰酷辣」！ 2023/06/29 # 颁奖啦！昇思「夏日」主题AI绘画比赛作品「泰酷辣」！ 颁奖啦！昇思「夏日」主题AI绘画比赛作品「泰酷辣」！ --- https://www.mindspore.cn/news/zh/2605/ --- 新闻 与昇思共成长：热血少年的AI探索之旅 # 与昇思共成长：热血少年的AI探索之旅 2023/06/29 # 与昇思共成长：热血少年的AI探索之旅 农业作为人类赖以生存和发展的基石，目前仍面临着水资源短缺、土地利用不合理、农业生产效率低下等等难题。全球科技浪潮翻涌，AI技术迅猛发展，已经被广泛应用于各个领域，为解决这些农业难题提供了新的思路。利用人工智能技术来提高农业生产效率、优化农业资源利用、改善农民生活质量，已经成为备受关注的热点话题。 作为00后的热血少年，来自武汉理工大学的王振邦对农业热点问题关注已久，在第八届”互联网+”大赛中，他以昇思MindSpore开发者的身份，利用人工智能技术助力农业育种，为全流程国产化育种系统的研发贡献力量，推动农业转型升级。他的成长之路充满奋斗和挑战，而昇思则成为了王振邦的引路人，下面让我们跟随他的脚步，揭开热血少年成长的“秘籍”，一起来看看他的AI进阶之路。 **0\*\*\*\*1** ****00后昇思开发者，坚定助力国产化**** 在这个充满机遇和挑战的时代，年轻的开发者们展现出无限的创造力和激情，为各行各业注入新的活力。在导师的引导下，王振邦加入了昇思开源社区，慢慢开始了他的AI探索，带着“吾辈当先”的使命感，最初，从简单的算子开发工作开始，到模型迁移，在每个项目的开发过程中，从零开始，边做边学。 有了大量的各个领域的模型经验之后，他就开始对每个领域的模型都进行归纳整合，形成当前领域的套件，在正向推进过程中发现错误，并进行反向传播，优化之前开发的算子模型，长期下来，王振邦一次次的优化，不断推动着社区的发展，为社区的进步贡献了一份力量。 在开发和训练中，王振邦逐渐立下了属于自己的目标，他坚定地说道，“想做一个属于我们国家自己的，好用且易用的AI框架”。就像这句话所说，有目标的人在奔跑，没目标的人在流浪，热血少年王振邦在开发过程中，手握着自己的目标，坚定向前。 **02** ****不惧风雨，与昇思共成长**** “它就像是蝴蝶效应里面最开始的那一次挥动，是一次有力的认可，让我有了巨大的勇气，向昇思之路进阶。”在昇思开源社区的某次项目中，社区专家邀请了王振邦在所有的高校负责人中分享项目经验，这次机会看似只是简单的分享，但在他的成长过程中，是认可，是机会，也是给予他勇气和力量的重要节点，让他愿意去尝试以及挑战，在昇思开源社区里参与各种各样的项目。 对于昇思开源社区中的新生代开发者，这样的机会很多。昇思开源社区打造了“学-训-练-赛”全流程的培养体系，为开发者提供了入门到精通的实践课程，发起多个项目类的比赛、开源实习等活动，以及通过校企合作开展众智计划等方式，提供全面的项目实践机会。社区在 MSG（MindSpore Study Group）社区学习小组、昇思特别兴趣小组（MindSpore SIG）高校活动，亦或是像昇腾AI开发者峰会等大型的活动，都会邀请优秀开发者上台分享，充分给予他们展示的舞台。无论开发者想去研究算法应用，还是做底层的高性能优化开发，或是热爱分享项目经验，总能够在社区中找到合适自己的项目进行深入的钻研。 在武汉理工大学计算机与人工智能学院院长熊盛武教授的培养下，王振邦从小组的成员、CPU算子开发小组长，成长为CPU算子开发负责人，再到现在的昇思布道师，参与了昇思MindSpore近9个项目，个人合计代码贡献量达15774行，从一个GPU算子开发到48个GPU算子，众智计划让他飞速成长。 现在，王振邦作为昇思MindSpore布道师的角色，当发现框架中的不足之处，他会自主提PR修复或优化，如果在框架中发现了闪光点，他也会很雀跃将它分享出去，现在的他同时担任开发者、应用者和推广者这三个角色。他自豪地说，作为一名社区的开发者，帮助社区开发和解决框架中存在的问题，看到自己的代码合入到这样一个大型的开源项目中，给成千上万的开发者调用，他觉得是一件很有成就感的事情。 我们欣喜地看到那个肩负使命感的少年已经慢慢成长，独当一面，他将向更高更远的目标走去，勇敢坚定并依旧热血。 **03** ****突破创新，AI助力农业升级**** 积累了一定的开发经验后，技术基础扎实的的王振邦开始着眼于实体产业的发展问题。在崖州湾种子实验室荣毅博士后的引领下，王振邦同学关注到农业领域的AI育种技术研究。他发现我国的农业领域主要还是依靠人工进行育种，而国际趋势已经向生物技术+人工智能+信息技术的育种4.0时代发展，发现自己的技术知识能够运用到产业发展中，王振邦如同找到了自己前进的方向，不惧挑战，径直向前。在“互联网+”大赛中，他选择围绕农业做出设计，利用人工智能技术去发展育种技术，他说：“种子就是农业领域的‘芯片’，我的目标是培养我们自己的中国的种子”。 在开发的过程中，他们主要采用昇思MindSpore中的模型仓库，能够非常快速地完成模型的搭建，利用小样本学习和Transformer的技术来处理常时序的信息，捕获到基因序列中更多重要以及有代表性的一个位点，完成整个模型的构建。最终他带领团队所开发的模型，远超传统的育种技术和基因预测技术，提高了12%-16%的预测准确率。除了准确率提高之外，由于他们利用深度学习模型以及基于昇思MindSpore在昇腾上搭建模型的构建和部署，使得推理速度以及处理数据的吞吐量都得到了显著的提升。他表示，目前这个项目正在与华大基因进行长期的合作，需要继续打磨，做成一个真正可以落地的项目，助力全流程的国产化的育种系统。 **04** **结语** 作为00后昇思优秀开发者的代表，王振邦从最基础的算子、模型开发，再到用人工智能技术为我国农业领域注入强大力量，从他的成长历程中，我们看到了新生代开发者的一腔热血。一路走来，昇思始终陪伴着这些年轻人，未来也继续将致力于培养开发者，秉承开发者第一，继续健全社群机制，打造昇思AI学习与实践平台，构建全流程的培养体系，与开发者共成长。 --- https://www.mindspore.cn/news/zh/2606/ --- 新闻 下周一开讲！MindSpore Flow SIG技术分享会预告 # 下周一开讲！MindSpore Flow SIG技术分享会预告 2023/06/30 # 下周一开讲！MindSpore Flow SIG技术分享会预告 下周一开讲！MindSpore Flow SIG技术分享会预告 --- https://www.mindspore.cn/news/zh/2607/ --- 新闻 “紫东.太初”2.0发布:探索通用人工智能的又一跨越 # “紫东.太初”2.0发布:探索通用人工智能的又一跨越 2023/06/30 # “紫东.太初”2.0发布:探索通用人工智能的又一跨越 近期，在人工智能框架生态峰会2023上，中国科学院自动化研究所所长徐波正式发布了“紫东.太初”全模态大模型，实时展示了大模型在音乐理解与生成、三维场景导航、信号理解、多模态对话等多项强大功能。 据了解，“紫东.太初”全模态大模型是在千亿参数多模态大模型“紫东.太初”1.0基础上升级打造的2.0版本。其在语音、图像和文本三模态的基础上，加入了视频、信号、3D点云等模态数据，突破了认知增强的多模态关联等关键技术，具备全模态理解能力、生成能力和关联能力。 ****从多模态走向全模态 认知能力是关键**** 2019年开始，中科院自动化所在语音、文本、图像等单模态大模型研究和应用基础上，瞄准多模态大模型领域开始联合攻关。2021年正式发布了千亿参数多模态大模型“紫东.太初”1.0，助推人工智能从“一专一能”迈向“多专多能”。 徐波表示，人类的学习跟交互都是利用多模态进行的，要实现更高水平的智能，必须具备多模态能力。因此，“紫东.太初”大模型一开始就是沿着多模态的技术路线在进行。 “‘紫东.太初’1.0大模型不断加强应用的过程中，我们发现了很多新的需求。比如从工业智能角度来看，有很多像温度、湿度、压力、液位测量等参数需要处理。从医疗场景看，有很多体检结构数据还有异构医疗影像数据等。通过分析这些结构化和非结构化的数据，我们认识到，只有对这些数据从简单的采集、统计、分析上升到对这些数据的认知，才能真正把我们带向智能化社会，也才能在更宽、更高的维度上认知世界、改变世界。”徐波提到。 因此，抓住“认知能力”这个牛鼻子，“紫东.太初”2.0全模态大模型实现了全方位升级。从技术架构上实现了结构化和非结构化数据的全模态开放式接入，突破了多模态分组认知编解码技术、认知增强多模态关联技术等，多模态认知能力大幅提高。 ********整合多方资源 探索通用人工智能产业化路径******** 会上，徐波展示了“紫东.太初”全模态认知大模型透过《月光曲》畅谈贝多芬的故事，以及在三维场景里实现精准定位，通过图像与声音的结合完成场景分析。 相较“紫东.太初”1.0大模型，2.0着力提升了决策与判断能力，实现了从感知、认知到决策的跨越。这意味着在实际应用场景中，它将能够为行业创造更大价值。 提及“紫东.太初”全模态大模型当前在行业中的应用，他提到，在神经外科手术导航、法律咨询、医疗多模态鉴别诊断、交通违规图像研读等领域已开启了一系列引领性、示范性应用。 特别是在医疗场景中，“紫东.太初”大模型部署于神经外科机器人MicroNeuro，可实现在医疗手术中实时融合视觉、触觉等多模态信息，协助医生对手术场景进行实时推理判断。此外，通过与北京协和医院合作，利用“紫东.太初”较强的逻辑推理能力，正在尝试解决人类罕见病诊疗这个挑战性医学领域。 值得一提的是，“紫东.太初”大模型以中科院自动化所自研算法为核心，以昇腾AI硬件及昇思MindSporeAI框架为基础，由武汉人工智能计算中心提供算力支持。 徐波表示：“我们在大模型的技术研究基础上进行开放服务平台开发，希望整合产学研资源打造多模态人工智能行业应用，探索通用人工智能产业化的路径。” 下一步，中科院自动化所以“紫东.太初”全模态大模型为基础，将持续探索与类脑智能、博弈智能等技术路径的相互融合，最终实现可自主进化的通用人工智能，并将探索在更多领域发挥赋能价值，为促进我国数字经济快速发展贡献力量。 --- https://www.mindspore.cn/news/zh/2608/ --- 新闻 欢迎参与昇思MindSpore开源社区官网改版！ # 欢迎参与昇思MindSpore开源社区官网改版！ 2023/07/03 # 欢迎参与昇思MindSpore开源社区官网改版！ 欢迎参与昇思MindSpore开源社区官网改版！ --- https://www.mindspore.cn/news/zh/2609/ --- 新闻 1000平方「大」展区@WAIC2023，来看看我们准备了哪些亮点？！ # 1000平方「大」展区@WAIC2023，来看看我们准备了哪些亮点？！ 2023/07/03 # 1000平方「大」展区@WAIC2023，来看看我们准备了哪些亮点？！ 1000平方「大」展区@WAIC2023，来看看我们准备了哪些亮点？！ --- https://www.mindspore.cn/news/zh/2610/ --- 新闻 WAIC2023华为参会全览抢鲜看！来昇思展区体验昇思黑科技 # WAIC2023华为参会全览抢鲜看！来昇思展区体验昇思黑科技 2023/07/03 # WAIC2023华为参会全览抢鲜看！来昇思展区体验昇思黑科技 WAIC2023华为参会全览抢鲜看！来昇思展区体验昇思黑科技 --- https://www.mindspore.cn/news/zh/2611/ --- 新闻 官宣：7月8日-9日，2023华为开发者大会量子计算训练营，诚邀您来参加，名额有限，速来报名。 # 官宣：7月8日-9日，2023华为开发者大会量子计算训练营，诚邀您来参加，名额有限，速来报名。 2023/07/04 # 官宣：7月8日-9日，2023华为开发者大会量子计算训练营，诚邀您来参加，名额有限，速来报名。 2023年7月7日 **华为开发者大会2023（Cloud）** 将在中国东莞正式拉开帷幕 并将在国内30多个城市、海外10多个国家 开设分会场 （可关注公众号查看视频哦~） **01** **2023华为开发者大会-量子计算训练营** 每一个开发者 是立于时代潮头、地表好奇心最强的人 是心中有殿堂、指尖有魔法的人 是不惧挑战、遇强则愈强的人 是眼里有远方、仰望星空的人 …… 每一个开发者都了不起 欢迎关注，诚邀参会 **02** **相约溪村，报名参会** \*\*华为开发者大会2023（Cloud）量子计算训练营7\*\*\*\*月8日-7月9日，欢迎感兴趣的开发者报名参加，\*\***数量有限，先到先得。** **感谢大家对量子信息前沿学科的关注，我们为大家准备了华为手环、多种风格的定制T恤、马克杯、晴雨伞等众多精美礼品，请大家扫码加小助手微信，参与现场活动，就有机会获得惊喜礼品哟！** 扫码加小助手微信 --- https://www.mindspore.cn/news/zh/2612/ --- 新闻 倒计时2天！昇腾人工智能产业高峰论坛与你相约上海 # 倒计时2天！昇腾人工智能产业高峰论坛与你相约上海 2023/07/04 # 倒计时2天！昇腾人工智能产业高峰论坛与你相约上海 倒计时2天！昇腾人工智能产业高峰论坛与你相约上海 --- https://www.mindspore.cn/news/zh/2613/ --- 新闻 激发科技人才“新力量”，京津冀·昇思MindSpore创新训练营活动圆满举行 # 激发科技人才“新力量”，京津冀·昇思MindSpore创新训练营活动圆满举行 2023/07/04 # 激发科技人才“新力量”，京津冀·昇思MindSpore创新训练营活动圆满举行 6月26日-29日，京津冀·昇思MindSpore创新训练营活动在北京师范大学成功举办。 --- https://www.mindspore.cn/news/zh/2614/ --- 新闻 基础软件服务能力平台(HiSS)-昇腾AI专区上线 # 基础软件服务能力平台(HiSS)-昇腾AI专区上线 2023/07/07 # 基础软件服务能力平台(HiSS)-昇腾AI专区上线 跳转链接：https://hiss.shixizhi.huawei.com/portal/1643780836745113602?pageId=1670706951234375682&activeIndex=-1&sxz-lang=zh\_CN --- https://www.mindspore.cn/news/zh/2620/ --- 新闻 MindSPONGE SIG技术分享例会预告 # MindSPONGE SIG技术分享例会预告 2023/07/05 # MindSPONGE SIG技术分享例会预告 MindSPONGE SIG技术分享例会本周五邀你来参加！下午15点开会啦！本期例会邀请到重磅嘉宾来自深圳湾实验室研究员 杨奕老师，所讲议题为“人工智能增强的分子模拟”。名师面对面你不容错过！详情可关注下方海报，扫二维码加入相关SIG组，精彩内容不间断！ --- https://www.mindspore.cn/news/zh/2621/ --- 新闻 第六届开源创新大赛暨昇思开源社区贡献赛火热进行中！ # 第六届开源创新大赛暨昇思开源社区贡献赛火热进行中！ 2023/07/05 # 第六届开源创新大赛暨昇思开源社区贡献赛火热进行中！ 为激发开源创新活力，培养开源软件人才，助力开源生态建设，探索开源教育改革，在教育部高等学校计算机类专业教学指导委员会和软件工程专业教学指导委员会的推动和支持下、国家自然科学基金委信息科学部的指导下，由中国计算机学会（CCF）主办，西北工业大学、绿色计算产业联盟、CCF开源发展委员会联合承办第六届开源创新大赛。 本届大赛以“小我创造·无限精彩”为主题，强调个人的才智和激情蕴含着巨大潜力，依托大赛充分发挥，将在实现自我价值的同时收获无尽惊喜。 第六届开源创新大赛暨昇思开源社区赛事正式启动！昇思MindSpore是新一代覆盖端边云全场景的开源AI融合框架，旨在开创全新的AI编程范式，降低开发者门槛，为开发者打造开发友好、运行高效、部署灵活的AI框架，推动人工智能生态繁荣发展。昇思在致力于技术创新的同时，着力打造学习型社区环境，希望凝聚开发者力量共建社区，与开发者共同学习和成长。 昇思MindSpore下包括了多个开源项目和工具，具体参见“赛题说明”。本赛事围绕昇思MindSpore下的开源项目设计了不同类型的赛题，主要包括： （1）发现和解决Bug； （2）提出特性需求并实现功能； （3）实现周边原创工具； （4）基于昇思MindSpore实现原创应用等； （5）注释类代码评注； （6）技术博客类代码评注 **昇思MindSpore开源项目贡献赛** 1 **赛道设计** 本届大赛设置四个赛道，各赛道包含若干赛事，目前已确定纳入大赛的赛事如下表所示，后续其他赛事详细情况将在\*\*“确实开源”（GitLink）\*\*平台正式的各赛道“赛事发布”板块发布。 敬请关注赛事官方网站（GitLink | 确实开源）最新信息：https://www.gitlink.org.cn/competitions（文末附有官网二维码） \*\*赛题一：B****UG****解决：\*\*面向昇思MindSpore社区里面的所有仓库包括代码、文档等，寻找Bug，修复Bug并提交PR，以数量和重要性等级作为评判标准。 \*\*赛题二：功能实现：\*\*面向昇思MindSpore社区里面的所有仓库提交特性需求，完成特性实现并成功合并PR，以数量和重要性等级作为评判标准。\*\*赛题三：原创工具：\*\*面向昇思MindSpore社区里面的所有仓库提交特性需求，完成特性实现并成功合并PR，以数量和重要性等级作为评判标准。\*\*赛题四：原创应用：\*\*基于昇思MindSpore框架实现趣味性/创新性生态应用或案例。要求应用/案例为参赛者原创，以数量和重要性作为评判标准。\*\*任务来源（供参考，可以自由选择）\*\*1.社区ISSUE：可以选择昇思MindSpore代码仓中的issue：包含问题解决、功能实现、代码优化、改进等，也可以自己提所发现的问题，被接收后自动加入比赛； 2.SIG组任务：可以认领昇思MindSpore各个SIG开放出来的任务来进行完成； 3.昇思MindSpore开源活动开放任务：昇思MindSpore开源活动会持续放出各种类型的社区任务，可以从中选择参赛，完成相应任务还可以获得开源活动奖品激励和核心开发者证书，活动链接：https://gitee.com/mindspore/community/issues 4.自主Idea任务：除上面3个渠道，参赛队伍也可以提出自己想做的开源创新任务，加入到社区ISSUE/SIG组任务/MindSpore开源活动中，进行参赛。 2 **参赛指南** 本赛事下设4个赛题，参赛者选择其中1项、多项或者全做均可。最终评奖将综合参赛者在该赛事下的所有贡献进行评奖。参赛作品要求提交至大赛官方平台“**GitLink（确实开源）**”上。同时，在赛事进行评审前，要求将作品同步提交至**开源项目对应的根社区**，这将作为作品是否为有效参赛作品的依据之一。**Step****1****：赛事报名**点击赛事页面右上角“**立即报名**”按钮，进入报名页面，填写报名信息，报名参赛。报名一般流程如下：（1）创建战队：点击“创建战队”，填写战队名称，添加指导老师和队员，即可完成战队创建；（2）加入战队：点击“加入战队”，填入邀请码，即可加入已有战队。注意：每名学生在每项赛事中只能参与1个战队，每名老师可以担任多个参赛小组的指导老师；（3）战队编辑：战队创建者可以在报名列表中对自己创建的战队进行编辑和修改，包括组员的添加、删除，指导老师的添加，战队名称的修改等。**Step2: 作品提交**本赛道要求参赛作品在官方竞赛平台\*\*“GitLink（确实开源）”**上对应项目中提交，**并定期将贡献同步到项目的根社区中**。**（1）在竞赛平台GitLink上创建属于自己的项目镜像A\*\*第一步：从昇思MindSpore社区中选择希望参与的项目，拿到项目仓库地址，如下图示例： 第二步：登录GitLink平台；第三步：按下图操作，将相应项目导入GitLink平台，创建属于自己的项目镜像A。其中，需要填写的“导入仓库ULR”为第一步中拿到的项目仓库地址。 **（2）在镜像项目A中提交发现的Bug**在镜像项目A中的“疑修（Issue）”板块提交发现的Bug，包括Bug描述、Bug产生的场景等。**（3）在镜像项目A中提交Bug解决代码**在镜像项目A中针对发现的Bug，提出解决方案，并实现相应的代码。**（****4****）将代码提交至项目根社区**在大赛组织评审前，将最终作品提交至项目根社区对应项目中，项目根社区地址：https://gitee.com/mindspore。代码提交至根社区前需要签署 CLA ，签署地址：https://sourl.cn/SiH39B关于竞赛平台使用问题，请通过“参赛指南”板块相关联系方式联系竞赛平台反馈解决。\*\*参考资料及导师：\*\*\\\[1\\\] 昇思MindSpore官方网站：https://www.mindspore.cn/\\\[2\\\] 昇思MindSpore官方代码仓库：https://gitee.com/mindspore/mindspore\\\[3\\\] 昇思MindSpore官方教程：https://www.mindspore.cn/tutorials/zh-CN/r1.6/index.html\\\[4\\\] 昇思MindSpore编程指南和API：https://www.mindspore.cn/docs/programming\\\_guide/zh-CN/r1.6/index.html\\\[5\\\] 昇思MindSpore 论坛链接（可发帖求助）：https://bbs.huaweicloud.com/forum/forum-1076-1.html\\\[6\\\] 昇思MindSpore hub：https://www.mindspore.cn/resources/hub\\\[7\\\] 昇思MindSpore全场景AI计算框架介绍及开发实践：https://www.bilibili.com/video/BV1DX4y1c7qG\\\[8\\\]昇思MindSpore代码贡献：https://gitee.com/mindspore/mindspore/blob/master/CONTRIBUTING.md\\\[9\\\] 昇思MindSpore社区治理：https://gitee.com/mindspore/community/blob/master/governance.md赛事导师：邢译壬 xingyiren@huawei.com 3 **时间安排** 大赛采用全年开放、定期评比奖励、统一组织颁奖的模式组织，大赛主要时间节点安排如下： （一）大赛报名系统开放：2023年4月-9月；（二）比赛时间：2023年4-10月，持续组织报名参赛，持续发布赛事任务、开展培训，各赛事根据赛事特点分别举办热身赛、初赛、决赛等； 具体时间和参赛指南将持续发布到大赛官方平台。 4 **奖项安排** 本届大赛所有赛事设置**一等奖**、**二等奖**、**三等奖**以及**优秀奖**若干。详情如下。 一等奖：50000元+获奖证书（1个） 二等奖：20000元+获奖证书（3个） 三等奖：5000+获奖证书（8个） 优秀奖：排名前10%队伍，可获得获奖证书 5 **联系方式** **添加小助手微信备注开源创新进入比赛交流群** **昇思MindSpore代码评注赛** 1 **赛道设计** 请参赛选手围绕昇思MindSpore核心代码持续添加代码注释、撰写技术博客，内容要求为参赛者原创，具体参赛过程及作品提交及“参赛指南”。本赛事主要包括以下两类任务： （1）**注释类代码评注：** 学习昇思MindSpore开源项目代码，复刻（Fork）项目副本并为项目代码添加或修改注释，并将注释以PR形式提交到根项目中。 \*\*待评注代码项目地址：\*\*https://www.gitlink.org.cn/huawei/mindspore2022 （2）\*\*技术博客类代码评注：\*\*针对昇思MindSpore项目文件级、模块级代码的说明或者优秀代码赏析、项目部署应用等，不适合以代码注释方式添加到项目代码中，要求以技术博客的方式发布。 **技术博客提交地址：** https://forum.gitlink.org.cn/forums/theme/116 2 **参赛指南** **Step****1****：赛事报名** 点击赛事页面右上角“**立即报名**”按钮，进入报名页面，填写报名信息，报名参赛。报名一般流程如下： （1）创建战队：点击“创建战队”，填写战队名称，添加指导老师和队员，即可完成战队创建； （2）加入战队：点击“加入战队”，填入邀请码，即可加入已有战队。注意：每名学生在每项赛事中只能参与1个战队，每名老师可以担任多个参赛小组的指导老师； （3）战队编辑：战队创建者可以在报名列表中对自己创建的战队进行编辑和修改，包括组员的添加、删除，指导老师的添加，战队名称的修改等。 **Step2: 作品提交** 本赛道要求参赛作品在官方竞赛平台\*\*“GitLink（确实开源）”\*\*上对应项目中提交，**并定期将贡献同步到项目的根社区中**。 代码评注贡献分为注释类代码评注和技术博客类代码评注两类，参赛选手需要提交两类评注，在最终评选时评审专家将整合两类贡献进行综合评分。 **（1）注释类代码评注** 在学习开源项目代码过程中，针对项目的函数进行注释，需要直接修改项目代码并提交到项目中去。具体操作过程如下： （a）在“赛事发布”板块选择准备参与的赛事项目A，扫码下方二维码后进入到“**GitLink（确实开源）**”中的项目A。 （b）点击 GitLink 平台中项目A页面右上角的“复刻（Fork）”按钮，在个人名下创建该项目副本B。 （c）在B项目的“仓库设置”->“协作者设置”中将参赛团队加入到该项目。 （d）在B项目中，针对函数或者代码块添加注释。 （e）完成代码注释后，向源项目A 提交“合并请求（PR）”。合并请求的源分支选择自己团队添加了注释的分支，目标分支请选择**A项目**的对应分支。 **（2）技术博客类代码评注** 针对准备参加的赛事项目文件级、模块级的说明或者优秀代码赏析、项目部署应用等，不适合以代码注释方式添加到项目代码中，则可以GitLink竞赛平台的“**论坛**”板块以技术博客的方式发布。主要步骤如下： （a）在“赛事发布”板块选择准备阅读的开源项目，点击后进入该项目在GitLink（确实开源）竞赛平台中该项目的专区。 （b）在GitLink（确实开源）平台“开源大赛”板块该项目专区阅读该项目总体介绍及赛题说明的置顶帖，总体了解项目，学习样例技术博客。 （c）在论坛该项目专区发布围绕该项目的技术博客，发帖时请注意 **“主题板块”处选择“开源大赛”->对应的项目代码解读频道**。如果撰写的某篇技术博客是围绕特定项目代码或者模块的，则在该技术博客中将针对该部分对应代码提交过注释的PR链接包含在技术博客中，以相互呼应。 鼓励参赛者将发布的技术博客通过微信等方式进行分享传播，也鼓励将其转载至项目对应的官方社区，竞赛平台中的阅读、评论等数据将和官方社区中的相关数据一起作为评估排行的依据。 **参考资料及导师：** **项目核心代码结构及功能介绍：** 昇思MindSpore官网：https://www.mindspore.cn/ **样例博客** （1）AI框架中数据处理的挑战与解决思路：https://zhuanlan.zhihu.com/p/352487023 （2）昇思MindSpore深度概率推断算法与概率模型：https://zhuanlan.zhihu.com/p/259977975 赛事导师：邢译壬 xingyiren@huawei.com 3 **时间安排** 大赛采用全年开放、定期评比奖励、统一组织颁奖的模式组织，大赛主要时间节点安排如下： （一）大赛报名系统开放：2023年4月-10月； （二）比赛时间：2023年4-10月，持续组织报名参赛，持续发布赛事任务、开展培训，各赛事根据赛事特点分别举办热身赛、初赛、决赛等； （三）颁奖时间：2023年10月22号。 4 **奖项安排** 本届大赛所有赛事设置**一等奖**、**二等奖**、**三等奖**以及**优秀奖**若干，本赛事奖金共计100000元详情如下。 一等奖：30000元+获奖证书（1个） 二等奖：10000元+获奖证书（3个） 三等奖：5000+获奖证书（8个） 优秀奖：排名前10%队伍，可获得获奖证书 5 **联系方式** **添加小助手微信备注开源创新进入比赛交流群** --- https://www.mindspore.cn/news/zh/2622/ --- 新闻 明天14:30，昇腾人工智能产业高峰论坛重磅来袭！ # 明天14:30，昇腾人工智能产业高峰论坛重磅来袭！ 2023/07/05 # 明天14:30，昇腾人工智能产业高峰论坛重磅来袭！ 明天14:30，昇腾人工智能产业高峰论坛重磅来袭！ --- https://www.mindspore.cn/news/zh/2623/ --- 新闻 WAIC2023华为参会全览 | 7月6日-8日，敬请锁定昇腾AI，体验昇思创新成果！ # WAIC2023华为参会全览 | 7月6日-8日，敬请锁定昇腾AI，体验昇思创新成果！ 2023/07/05 # WAIC2023华为参会全览 | 7月6日-8日，敬请锁定昇腾AI，体验昇思创新成果！ WAIC2023华为参会全览 | 7月6日-8日，敬请锁定昇腾AI，体验昇思创新成果！ --- https://www.mindspore.cn/news/zh/2625/ --- 新闻 MSG·暴走校园 | 厦门大学站来喽，共探人工智能行业发展，玩转AI前沿技术研究！ # MSG·暴走校园 | 厦门大学站来喽，共探人工智能行业发展，玩转AI前沿技术研究！ 2023/07/06 # MSG·暴走校园 | 厦门大学站来喽，共探人工智能行业发展，玩转AI前沿技术研究！ **AI进校园** 随着全球新一轮产业变革的加速演进，以人工智能为代表的前沿信息技术已驱动着社会迈入智能化时代。华为近年来也在人工智能、操作系统、移动互联网等信息领域进行深度布局，本次活动将带领同学们一起探寻人工智能行业发展，玩转AI前沿技术研究。 为了让高校开发者更好地了解人工智能，激发对科技的热爱，进一步推进人工智能时代后备人才的培养，持续挖掘高校开发者对于人工智能等科学技术的创造力，**_7_\*\*\*\*_月8日_**，**昇思MindSpore开源社区**将走进**厦门\*\*\*\*大学**开展“MSG·暴走校园”活动，本次活动将带领高校开发者深入了解昇思MindSpore全场景AI融合框架在各行各业中的实际应用，感受课堂以外的AI体验和乐趣，现场更有惊喜礼品等你互动！ **活动时间：** 2023年7月8日（周六）14：20-16：30 **活动地点：** 厦门大学翔安校区学武楼一号楼A201（**校内专场活动**） --- https://www.mindspore.cn/news/zh/2626/ --- 新闻 WAIC2023，昇思展台现场细节亮点直击？！ # WAIC2023，昇思展台现场细节亮点直击？！ 2023/07/06 # WAIC2023，昇思展台现场细节亮点直击？！ 在本次WAIC中，南方电网正式发布电力行业人工智能基础数据集目录，该目录已经上线昇思大模型平台，扫描下方二维码即可免费获取啦！ 领取方式：前往昇思大模型平台「电力人工智能专区」（https://xihe.mindspore.cn/electricity），扫描专区页面右边二维码即可领取啦！ --- https://www.mindspore.cn/news/zh/2627/ --- 新闻 昇腾人工智能产业高峰论坛顺利举办 # 昇腾人工智能产业高峰论坛顺利举办 2023/07/06 # 昇腾人工智能产业高峰论坛顺利举办 **\[中国，上海，2023年7月6日\]** 昇腾人工智能产业高峰论坛在上海举办。论坛现场，大模型联合创新启动，26家行业领军企业、科研院所与华为将共同基于昇腾AI进行基础大模型与行业大模型应用创新。同时，华为携手伙伴联合发布昇腾AI大模型训推一体化解决方案，加速大模型在各行业应用落地，并有23家昇腾AI伙伴推出AI服务器、智能边缘与终端新品，共同为行业智能化升级提供丰富的产品与解决方案。 **华为轮值董事长胡厚崑**在致辞中表示，伴随大模型带来的生成式AI突破，人工智能正进入一个新时代。华为将通过系统级创新、坚持开源开放、深耕行业，加速昇腾人工智能产业生态繁荣发展，与伙伴联合创新推进人工智能走深向实，用强大的算力支撑人工智能高质量的发展。 昇腾产业的繁荣发展，离不开各界专家学者、行业领军人物的引领和贡献。去年，首批荣誉顾问、MVP公布，为昇腾产业的发展提供前瞻性的指导、咨询与建议，并积极参与昇腾人工智能产业发展，尤其在大模型联合创新、科学智能（AI For Science）、产业发展、生态构建、产学合作等方面成果显著。本次，华为轮值董事长胡厚崑为中国科学院张钹院士颁发昇腾荣誉顾问聘书，华为董事、ICT 产品与解决方案总裁杨超斌为昇腾MVP颁发聘书。 ## **昇腾AI引领算力创新 推出首个万卡AI集群** 华为在各单点创新的基础上，充分发挥云、计算、存储、网络、能源的综合优势，进行架构创新，以“DC as a Computer”的理念推出昇腾AI集群。目前，昇腾AI集群已支撑全国25个城市的人工智能计算中心建设，其中7个城市公共算力平台入选首批国家“新一代人工智能公共算力开放创新平台”。本次论坛中，华为宣布昇腾AI集群全面升级，集群规模从最初的4000卡集群扩展至16000卡，是业界首个万卡AI集群，拥有更快的训练速度和30天以上的稳定训练周期，十倍领先业界。 ## **夯实大模型全流程使能体系 加速大模型创新** 在工业和信息化部和中国电子工业标准化技术协会的指导下，中国信息通信研究院、工业和信息化部电子第五研究所、华为等单位联合成立“大模型产业工作组”共同推进中国大模型应用落地及产业孵化。 去年，华为发布人工智能大模型全流程使能体系，该体系包含从规划、开发到产业化全流程，使能大模型发展，与业界共筑中国大模型生态，开创了大模型产业化新模式，目前基于昇腾AI澎湃算力，原生研发、适配的大模型超过30个，占据中国大模型近一半数量。为进一步推动大模型创新，华为联合26家金融、运营商、互联网等行业领军企业，科研院所和高校，共同启动昇腾AI大模型联合创新，华为将基于昇腾AI提供澎湃算力与高效开发工具，携手伙伴、客户一同提升大模型开发、训练、微调、部署的效率，加速大模型创新业务上线。 面对大模型研发周期长、部署门槛高、业务安全性等系列挑战，华为联合四家伙伴共同发布大模型训推一体化解决方案，结合昇腾AI基础软硬件能力、伙伴大模型和训推一体平台优势，通过共同设计、联合开发、协同上市、持续迭代，为行业客户提供“开箱即用”的大模型一体化解决方案，重塑大模型开发流程，解决各行业广泛大模型落地需求，让大模型在行业充分发挥价值。 ## **AI赋能科研 加速科研创新** 科学智能作为人工智能落地的另一个重要领域，在模型和基础软件方面呈现飞速发展趋势，科研成果向产业转化也在加快。中国科学技术信息研究所首次发布《中国AI for Science创新地图研究报告》，报告中对科学智能（AI for Science）发展趋势、全球研究重点方向、国内发展现状及下一阶段发展建议提供详尽的介绍。昇腾AI通过打造流体仿真、电磁仿真、分子模拟等丰富科学智能套件，在提升系统性能基础上，屏蔽跨领域带来的开发难度，极大加速科研创新速度。 目前，昇腾AI已在多个科研领域展现指数级性能提升效果。基于昇腾AI研发的三维超临界机翼流体仿真大模型“东方.翼风”，利用昇思MindSpore Flow流体仿真套件，结合流体领域专家经验和数据，实现对大飞机翼型全场景飞行工况模拟，大飞机三维翼型设计速度提升1000倍，并构建AI+通用气动仿真的泛化能力，加速气动领域国计民生行业跃迁式创新。 ## **昇腾AI持续开放 与伙伴共同繁荣产业生态** 昇腾AI产业快速发展，已发展30多家硬件伙伴、1200多家ISV，联合推出了2500多个行业AI解决方案，规模服务于运营商、互联网、金融等行业。 华为持续开放AI模组、加速卡等，提供丰富的接口开发文档和参考设计，以及软硬件技术支持，使能伙伴推出多种硬件产品，激发市场创新活力。本次大会上，23家企业推出昇腾AI系列新品，覆盖推理服务器、训练服务器、边缘计算智能网关、工控机、开发者套件、机器人、无人机等丰富种类。此外，华为全新推出“昇腾伙伴网络”（简称APN）合作伙伴计划，将通过总经销商供货的销售支持、华为与总销售商双方的技术支持模式，以及多种商务权益激励，鼓励伙伴基于昇腾AI打造自有品牌的产品或解决方案。 2023 世界人工智能大会（WAIC）期间，华为主办的昇腾人工智能产业高峰论坛于7月6日在上海召开。本次产业高峰论坛以“共筑智能根基，共赢智能时代”为主题，邀请到院士、专家学者、商业领袖等产业界代表，聚焦大模型和AI4S等产业热点，探索人工智能前沿技术，共谋人工智能在行业走深向实之道，共赢智能大时代。了解昇腾AI更多详情，请访问：hiascend.com --- https://www.mindspore.cn/news/zh/2628/ --- 新闻 昇腾AI大模型训推一体化解决方案发布 引领行业智能化升级 # 昇腾AI大模型训推一体化解决方案发布 引领行业智能化升级 2023/07/07 # 昇腾AI大模型训推一体化解决方案发布 引领行业智能化升级 2023年7月6日，昇腾人工智能产业高峰论坛在上海举办。论坛现场，华为联合四家伙伴共同发布昇腾AI大模型训推一体化解决方案，加速大模型在各行业里快速落地应用。 随着深度学习领域的快速发展，越来越多的应用场景需要使用大模型来进行训练和推理。然而，企业在大模型开发全流程中，常常面临切换硬件集群、适配底层硬件以及微调优化等复杂问题。加之大模型研发周期长、部署门槛高等系列挑战，“攒机”式开发手段难以满足需求。 为有效解决以上问题，华为联合四家伙伴共同发布昇腾AI大模型训推一体化解决方案，实现了训推一体，提供了“开箱即用”的解决方案，同一个集群内可以无缝切换大模型的训练和推理过程，从而为客户提供高效的大模型训练和推理部署流程； 同时，解决方案内置了大模型推理引擎、调优工具和算子加速库，支撑客户开箱即用，无需进行二次硬件适配，即可让客户能够直接使用大型预训练模型，从而降低了技术门槛； 结合昇腾AI基础软硬件能力和伙伴模型和平台优势，通过嵌入四家伙伴各自在大模型训练、微调和优化方面的算法和模型能力，共同设计、联合开发、协同上市、持续迭代，实现为客户提供更全面的解决方案，更能满足全场景、全行业客户使用。 昇腾AI大模型训推一体化解决方案重塑了大模型开发流程，让大模型在行业充分发挥价值，帮助客户更好地应用大型深度学习模型。未来，华为也将继续携手合作伙伴，共同推动大模型与行业的深度融合与应用落地，为更多行业提供高效的解决方案，加速全场景、全行业应用成果落地。 --- https://www.mindspore.cn/news/zh/2629/ --- 新闻 这些昇思开发者们用AI跟设计师“抢饭碗”啦！ # 这些昇思开发者们用AI跟设计师“抢饭碗”啦！ 2023/07/07 # 这些昇思开发者们用AI跟设计师“抢饭碗”啦！ 由昇思MindSpore开源社区联合OpenI启智社区举办的「象牙之塔——AI画家大赛」进入尾声，**185个**来自不同企业、科研院所、高校的团队参与其中，经历了**45天**的角逐，**10支**团队进入了决赛阶段。本次比赛与扩散模型（Diffusion Models）紧密结合，各团队使用基于昇思MindSpore AI框架实现深度神经网络模型进行训练，最后训练出专属自己团队的画作。 下面跟随小编的步伐，一起来观赏他们的作品，并为你喜欢的作品投上一票，助力团队夺得本次大赛的桂冠吧！ （投票窗口在本文末尾，请滑动至文末为他们投票吧！） **1、\*\*\*\*团队：风筝上的大猫**作品：breathtaking scenery **2、\*\*\*\*团队：海克斯科技实验室**作品：宁静时刻 **3、\*\*\*\*团队：夏日弥光**作品：国风山水 **4、\*\*\*\*团队：一问三不知**作品：仰望星空的蓉宝 **5、\*\*\*\*团队：away队**作品：星空 **6、\*\*\*\*团队：JeffDing**作品：西湖山水 **7、\*\*\*\*团队：lovalife94**作品：朦胧中的印象，你未曾来过的地方 **8、\*\*\*\*团队：speedX**作品：灵瀚秋叶 **9、\*\*\*\*团队：TeamFan**作品：色彩 **10、\*\*\*\*团队：zhouyifengCode**作品：中国工笔画和印象派的小镇 投票时间：即日起至7月10日24:00。 投票规则：每人可为三个团队的作品投票一次。 可关注昇思MindSpore公众号进行投票哦~~ --- https://www.mindspore.cn/news/zh/2630/ --- 新闻 一文读懂AI框架——这些关于AI框架的事，你知道多少？ # 一文读懂AI框架——这些关于AI框架的事，你知道多少？ 2023/07/10 # 一文读懂AI框架——这些关于AI框架的事，你知道多少？ 随着数智化进程的加快 多元化、复杂化的场景持续涌现 大模型俨然成为**当下产\*\*\*\*业、甚至整个智能时代** 的支柱力量 越来越多的企业开始**构建AI大模型** 以应对全新的业务需求和挑战 **0\*\*\*\*2** **在金融行业** 大量银行通过AI框架综合分析用户数据，并根据社交关系建立图神经网络模型，更好地判断用户的信用与还款能力，便于精准服务、降低贷款风险。 随着人工智能技术的持续进步，深度学习算法将拥有更加广阔的应用。作为其底层技术基石，AI框架也会进一步融入我们的日常生活，使能千行百业呈现智能时代新风貌。 当AI遍布于生活生产的每一处细节 昇思MindSpore这样的AI框架 将成为我们日常生活中不可缺少的一部分 期待昇思MindSpore为我们带来更多可能 --- https://www.mindspore.cn/news/zh/2631/ --- 新闻 华为张迪煊：共筑智能根基，引领AI新未来 # 华为张迪煊：共筑智能根基，引领AI新未来 2023/07/10 # 华为张迪煊：共筑智能根基，引领AI新未来 7月6日，昇腾人工智能产业高峰论坛在上海举办。会上，华为昇腾计算业务总裁张迪煊发表《共筑智能根基，引领AI新未来》主题演讲。 他表示：只有“基础打得牢、技术扎得深、生态更紧密”人工智能产业的参天大树才能够繁荣发展。华为昇腾会坚定在人工智能领域战略投入，打好基础软硬件算力底座，和伙伴、客户共同开创人工智能新的时代。 华为昇腾计算业务总裁 张迪煊 **以下为张迪煊演讲全文** 尊敬的各位领导、各位专家、各位来宾，大家下午好！ 今天，非常高兴和大家再次相聚在WAIC 昇腾人工智能产业峰会现场。在上海这座具有深厚文化根基，又具备日新月异发展速度的城市，我们共同见证了昇腾AI产业生态的快速发展。我谨代表华为昇腾计算业务，再次欢迎大家的到来！ 今天我的演讲主题是《共筑智能根基，引领AI新未来》。 在过去的一年，昇腾AI产业加速发展，走进了更多的行业、城市、高校和科研单位，更多的伙伴和开发者都选择昇腾作为创新的首选。 截至目前，昇腾已认证了**30\*\*\*\*多**家硬件伙伴、**1200\*\*\*\*多**家软件伙伴，联合孵化了**2500多**个AI场景方案。在中国，每2家AI企业就有1家选择昇腾，今年我们也将联合伙伴，把大模型带入更多的行业场景。技术生态上，已有300多家高校院所与昇腾合作，每年培养超过**10万名**专业的AI人才，昇腾开发者高速增长，实现翻番，已突破了**180万**人。大模型作为产业发展的主要方向，**2020年我们提出大算力使能大模型，大模型带动大产业的理念以来，已孵化及适配了30多个大模型，支撑了近一半的中国原创大模型。** 昇腾产业发展离不开每一位业界同仁的共同努力，再次感谢各级领导、专家、伙伴和开发者对昇腾AI一路以来的信赖和支持。 相信大家也有同感，在超大AI算力及创新算法的支持下，人工智能正在快速发展，进一步影响甚至改变着我们的世界。用三个词来概括的话就是：跨越、融合和创造。 **0\*\*\*\*1** \*\*首先是跨越：\*\*随着以ChatGPT为代表的大模型成功实现商业化落地，并引发了业界震动和追捧。正像12年视觉技术跨越拐点一样，目前AI技术已经从感知理解迈向了生成创造的阶段，这是一个关键里程碑。 **0\*\*\*\*2** \*\*其次是融合：\*\*强大的生成创造能力也让人工智能真正的实现了与我们的生产、生活，甚至科研的深度融合，从辅助智能走向了原生智能，各行各业在设计之初，就将AI作为核心要素。 **0\*\*\*\*3** \*\*最后是创造：\*\*任何通用目的技术的边际使用成本逐步下降时，将会创造远超出预期的社会价值和经济效益。据预测，生成式人工智能将创造万亿级的数字经济增长，从支撑加速到现在成为经济增长的核心引擎。 很幸运，我们都处在这个AI爆发的黄金时代，承担着不同使命。 华为公司也自2018年发布AI战略以来，坚持围绕根技术的创新，聚焦在AI基础能力的构建，打造了“极致性能、极简易用”的昇腾AI基础软硬件平台，并围绕行业场景全面升级训练和推理两大解决方案能力。同时我们也关注着业界的建议和反馈，围绕算子开发、动态shape以及开放兼容等能力持续提升，目前也已取得了阶段性成果。 - 算子开发上，我们在5月份正式发布了Ascend C编程语言，简化了开发逻辑，支持C和C++编程语言，算子开发的周期也从最初的2人月提升到2人周，已支撑美团、讯飞、移动等多个客户的大Kernel开发；动态Shape算子满足度也达到了95%以上，覆盖常用的CV、语音、OCR等场景。 - 在开放兼容方面，提供插件化的Adapter可以更好的支持业界框架，1个月即可完成新版本的适配，让大家可以快速 基于现有生态在昇腾上创新和实践。 当然，更需要我们一起努力，把我们基于昇腾的创新带入到各个场景中去，以创造更多价值，共同促进行业智能升级。 为了更好的推动人工智能发展，我们在三大方面持续引领和创新，加速迈向AI新时代： 第一，**引领算力创新**，通过系统级的创新，从单点算力到集群算力，让发展有根基。 第二，**突破软件架构**，通过软硬协同创新，全流程加速大模型开发，让创新有源泉。 第三，**使能行业升级**，改变开发模式，推动产业协同，打通技术到行业应用断点，让应用有规模。 这两年大模型带来了750倍的算力需求增长，而硬件的算力供给仅增长3倍，存在巨大的GAP。为了应对大规模算力场景，基于华为公司在ICT领域30多年的积累，实现了从节点的创新到集群的创新，通过系统级协同全面升级了AI集群的规模和效率。 - 首先，我们通过系统整体设计改变过去的服务器简单堆叠，把计算、存储、网络、能源等整合在一起，相当于把AI数据中心打造成一台超级计算机，以实现能效的倍增。 - 其次，基于背板总线架构设计，实现全节点盲插和全液冷精准散热，具备更大的算力密度和低于1.15的PUE，让算力中心绿色节能，并可做到更灵活的部署和扩展。 - 最后，通过节点、机柜、集群和作业级的多级可靠设计，实现系统故障的可预测、可诊断、可衡量和可恢复，以确保更长时间的训练，实现高可用性。 \*\*今天，我也正式宣布，Altas 900 AI集群全面升级，\*\*依托昇腾直出的参数网络，并结合0丢包、98%的高吞吐的超融合以太网络，在19年支持4千卡集群的基础上，上个月我们支持到了8千卡，并已正式商用，今年年底我们将做到1万6千卡集群，成为业界首个万卡AI集群。在1万6千卡集群下仅需半天即可完成1750亿参数模型、100B数据的训练。同时在集群可靠稳定性上，能够做到30天以上的长稳训练，可用性十倍领先业界。 这几年，通过支撑各地人工智能计算中心和华为云的AI集群建设，我们积累了丰富的集群交付和部署经验 ，已累计部署了超千柜的昇腾AI集群，在AI集群维度，是部署数量最多的厂家。 基于昇腾AI，我们在2020年交付了鹏城云脑首个1000P的AI算力集群 。截至目前，已支撑全国25个城市，“围绕政产学研用”，累计交付达5000P的算力规模，其中有6个城市实现算力饱和运营，并进行扩容，以更好的支撑本地人工智能产业高速发展。近期，**有7个基于昇腾的人工智能计算中心包括武汉、北京、西安、成都、大连、沈阳等，获得了国家的认可，成为科技部首批“国家新一代人工智能公共算力开放创新平台”。** 我们会把在城市积累的AI集群建设经验，复制到行业中去，以更好的支撑运营商、金融、互联网等行业集群建设，使能行业大模型的创新。 当前我国大模型在科技部的指导下，得到了有序的规划和可持续的发展。今年5月《中国大模型地图研究报告》正式发布，清晰的分析了我国大模型的发展态势。其中10亿参数以上的大模型，有30多个是基于昇腾原生开发及适配，包括大家熟知的GPT、GLM、LLAMA、讯飞星火等，覆盖NLP、多模态、语音等多个领域，\*\*昇腾AI支撑了近一半的中国大模型原生创新。\*\*昇腾也是目前国内唯一完成千亿参数大模型开发的技术路线，各开源的Transformer类大模型实测训练性能实现了业界的1.2倍，**已成为大模型创新的首选路线之一。** 今天，在工信部和中电标协的指导下，我们也联合成立了“大模型产业应用工作组”，相信一定可以更好地推进我国大模型应用落地。 为了更好的支撑和加速大模型的创新，我们也在CANN、框架、工具链等基础软件上持续深耕，围绕开发、训练、微调、推理等环节，全流程使能大模型。 在大模型的开发上，开发模式正在从“API-based”走向“模型-based”。为此，我们提供多个开源大模型套件，让大模型的开发“开箱即用”，只需要十几行代码即可完成全流程的脚本开发，降低了大模型的开发门槛。 大模型的训练对于分布式并行训练提出更高要求，华为已在大规模分布式并行计算上有多年的技术积累，打造Ascend Speed加速库实现多维混合并行能力，千卡规模的调度效率，领先业界15%。 微调作为大模型被赋予行业属性的关键环节，决定着应用效果。我们提供低参微调模板，集成了多种微调的算法，如LoRA、P-Tuning等，仅需5%的参数微调，即可实现全参微调效果。此外，我们也支持千亿模型的人类反馈强化学习，并已在Gitte上开源。 大模型参数量巨大，面临推理部署难、成本高等问题，为此我们在MindStudio上集成了自动的剪枝、蒸馏和量化工具，在精度损失<0.5%基础上做到了20倍模型压缩。 最后在推理阶段，基于昇腾推理引擎可对接各框架的推理API和业务中台系统，支持在线分布式推理，实现应用快速上线，推理时延<50ms，满足业务需求。 算子和模型是用户的核心资产，昇腾通过基础软件的能力开放，全面兼容业界的三方生态，支持高效的迁移和适配。 面向三方算子的迁移开发，结合Ascend C编程语言以及MindStudio算子迁移工具，2周内可实现GPU算子的迁移及调试。 面向模型开发，我们也兼容PyTorch上的三方生态比如openMMLab、Hugging Face等社区的模型开发套件，以及 deepspeed、Megatron等各类加速库，无需额外代码，直接参考配置文件，组件化方式即可实现基于昇腾+PyTorch模型开发。 最后，面向业界基于GPU所孵化的大模型，昇腾也提供了一站式工具，支撑大模型高效、无损的迁移至昇腾。2行代码，分钟级即可完成脚本的分析和迁移，天级完成全网模型的精度调优，和训练性能的定位处理，大模型端到端的无损迁移周期从原来的月级大幅提升至现在的2周左右，并获得了科大讯飞等客户的充分认可。 我们有了大算力、大模型，如何打通行业落地的最后一公里，是我们需要解决。尤其是在大模型时代，存在开发周期长，部署门槛高，客户环境要求等系列挑战，传统攒机试的开发模式已经难以满足需求，导致无法规模落地。 为此，我们联合上下游伙伴，针对大模型方案重塑开发流程，改变原来的硬件算力、模型算法开发的串行开发模式。我们和伙伴一起共同定义市场、共同联合创新、共同上市推广，缩短研发流程，提升产品生命周期。 今天，我们也将联合讯飞、智谱、云从、面壁智能四家伙伴共同发布行业大模型训推一体解决方案，结合昇腾AI基础软硬件能力和伙伴模型及平台，实现优势互补，为客户提供一个“开箱即用”的大模型解决方案。无需关注底层的适配、系统的部署、训练推理的切换、调试调优等繁琐细节，客户仅需选择合适的大模型，输入行业数据，即可完成大模型的训练、微调、推理全流程，深入更多智慧城市、智慧金融、智慧煤矿、智能制造等更多行业核心场景。 人工智能的另一个重要方向是科学智能，我们也会打造更强大的科学计算基础库，多样性算力融合的编译器以及面向场景提供丰富的科学智能套件。一方面，提升系统处理科学计算的性能，另一方面，屏蔽跨领域所带来的开发难度，让AI真正成为科研生产力工具，融入更多学科领域。 目前，AI已在分子模拟、流体仿真、电磁仿真、气象预报等领域已经大显身手，展现指数级性能提升的能力。就在上午，基于昇腾开发的“东方.翼风”大模型也获得了WAIC大会最高荣誉奖项 — SAIL奖，让机翼气动仿真用时做到了原来的千分之一，也将在气动领域加速国计民生行业跨越式创新。 科学智能的发展也需要从政策鼓励到奖项牵引再到相关的基金扶持，相信在业界同仁的共同努力下，AI一定能为科学工作者带来更多新思路、新方法，也为我们产业输入新的动力。 昇腾生态的发展，也是一个和伙伴共同成长和共赢的过程。我们将坚定以使能伙伴为基础，发展商业生态。 今年，我们进一步硬件开放，提供了全新的模组、多种能力的标卡，以及丰富的开发文档和参考设计，使能伙伴打造多样，且更具竞争力的硬件产品，覆盖推理服务器、训练服务器、边缘网关、工控机、机器人等多种形态，来共同打造坚实的算力底座，今天，我们的12家整机伙伴和11家IHV伙伴也都将基于昇腾，发布各具优势和特点的新品。 为了更好的做大市场空间，实现商业共赢，今年我们将继续执行昇腾万里合作伙伴计划，同时在今天正式发布昇腾伙伴网络APN。立足于华为分销体系，依托总代供货的销售支持、双线的技术支持和多种商务权益为牵引，APN伙伴基于昇腾打造自有品牌的硬件产品或解决方案。目前，首批12家APN伙伴已启动合作，部分伙伴已完成产品开发、即将上市，这也让昇腾系列的硬件产品更加丰富，开拓更多市场空间。 技术为根，人才为本。昇腾产业发展一直把人才培养作为核心。 - **面向高校师生**，通过深化产教融合的育人体系，把昇腾、昇思等根技术带进更多高校，目前我们已在300多所高校院所开设2000多门课程，累计赋能3000多名教师，培养16多万AI人才，未来三年，我们将深入千所高校，培养百万师生。 - **面向科研人才**，依托昇腾科研创新使能计划，为前沿领域的探索提供基金、资源、联创和影响力构建等支持，支撑复合型高端科研人才的培养。 - **面向广大开发者**，基于昇腾社区、创享日城市行、昇腾AI创新大赛这三大阵地，，为广大开发者提供了完备的“学-练-训-赛”成长体系，未来三年，我们的目标是再发展350万昇腾开发者，期待大家的加入，我们一起汇聚智慧星星之火，共同为人工智能产业的持续发展提供源泉。 只有“基础打得牢、技术扎得深、生态更紧密”，人工智能产业的参天大树才能够繁荣发展。我们会坚定在人工智能领域战略投入，打好基础软硬件这片“黑土地”，让更多伙伴来“种庄稼”，共同开创人工智能新的时代。 **让AI创新“集群”而来 ，让AI未来“加速” 而来！** --- https://www.mindspore.cn/news/zh/2632/ --- 新闻 「象牙之塔——AI画家大赛」获奖榜单正式公布 # 「象牙之塔——AI画家大赛」获奖榜单正式公布 2023/07/11 # 「象牙之塔——AI画家大赛」获奖榜单正式公布 「象牙之塔——AI画家大赛」获奖榜单正式公布 --- https://www.mindspore.cn/news/zh/2633/ --- 新闻 掀起科技的“浪花”，“智能基座”昇腾高校行暨MSG·暴走校园走进厦门大学 # 掀起科技的“浪花”，“智能基座”昇腾高校行暨MSG·暴走校园走进厦门大学 2023/07/11 # 掀起科技的“浪花”，“智能基座”昇腾高校行暨MSG·暴走校园走进厦门大学 **智能基座昇腾高校行暨MSG·暴走校园** 7月8日，“智能基座”昇腾高校行暨MSG·暴走校园厦门大学专场活动在厦大翔安校区举行。此次活动由华为技术有限公司、厦门大学教务处主办，厦门大学信息学院实验教学中心、福建人工智能创新中心承办，厦门大学华为智能基座社团协办，旨在推动人工智能技术在高校的落地、促进人工智能产业与教育相互融合，为我国人工智能产业发展积蓄力量。 **厦门大学信息学院团委副书记刘长青老师**在致辞中回顾了厦门大学与华为智能基座的合作历程，刘老师表示，作为一个致力于推动人工智能技术创新和产业升级的组织，华为智能基座社团对深化信息技术领域人才培养模式创新、构建人工智能产业和人才生态做出了贡献，华为专家走进高校分享人工智能领域最新技术成果和应用案例，对提升学生学习能力、更好的掌握人工智能技术有极大的帮助。最后，刘老师还鼓励同学们，不断学习和研究，掌握最新技术和方法，为推动技术创新和产业升级做出贡献。 紧接着，**昇腾生态运营经理吴丹萍**带来了《数智未来 因你而来》的主题分享，结合人工智能产业发展历程、昇腾应用案例等对昇腾AI以及昇腾社区进行了详细的介绍。吴丹萍老师认为，随着AIGC技术日渐成熟，人工智能已经从“感知理解世界”进化到“生成创造世界”，迎来了新的发展机遇。在此趋势下，大模型因其具备的多任务和泛化性特征成为AI产业快速发展的必然选择。而华为始终坚定的投入人工智能产业，不仅在大模型、算力、芯片等方面取得了大量成果，还成功打造了昇腾AI生态。 此外，华为还积极推动AI产业人才培养和赋能，打造昇腾社区汇聚昇腾资源，全流程支持开发者成长，推出了昇腾AI训练营、开发者大赛等平台，持续为开发者赋能、伴随开发者从成长到成功。 随后，**昇腾计算生态技术专家曾鹏源老师**带来了互联网+大赛昇腾赛题和昇腾AI创新大赛的分享，曾老师对赛事的赛制、命题方向和原则、参赛要求等分别进行了详细的介绍。相信曾老师的讲解，一定会让同学们对赛事有了更深的了解，在竞赛中取得更好成绩。 最后，**昇思MindSpore技术生态专家杨滔**在《昇思MindSpore全场景AI融合框架特性揭秘及趣味性实操》主题讲座中，分享了当前AI技术发展现状及趋势，并对昇思MindSpore特性进行了深入介绍。杨老师认为，在算力提升、数据爆发式增长、模型不断迭代更新三大因素驱动下，深度学习技术迎来了大发展，人工智能已经进入了场景化应用时代。未来，人工智能将进一步深度融入生产、科研和生活，行业渗透率也将进一步提升。 为了让同学们进一步了解昇思MindSpore特性，杨老师还带领同学们在现场进行了趣味性AI开发实战。通过实操昇思大模型平台对AI开发的原理、逻辑、流程以及模型训练评估应用做了演示，让同学们体会到AI开发的乐趣，也在实战中对昇思MindSpore的特性有了更深入的了解，提升了AI开发能力。 此次“智能基座”昇腾高校行暨MSG·暴走校园厦门大学专场活动的举办，给厦大学子提供了一次与华为专家面对面交流和学习的机会，专家们深入浅出的讲解让同学们得以接触人工智能领域前沿理论和技术，是人工智能领域人才培养模式改革的有益探索。未来，“智能基座”昇腾高校行将走进更多高校，推动人工智能在更多高校落地，为我国人工智能产业发展添砖加瓦。 往期回顾 探索AI新技术，重庆邮电大学“智能基座”昇腾高校行暨MSG·暴走校园活动成功举行 聚焦AI前沿技术，智能基座昇腾高校行暨MSG·暴走校园-兰州大学专场活动成功举办 昇腾AI开发者峰会2023智能基座高校行昇思分会场走进清华大学，与专家面对面，感受AI魅力 “智能基座昇腾高校行”哈尔滨工业大学（深圳）站 | 昇思MindSpore赋能高校开发者AI新体验 --- https://www.mindspore.cn/news/zh/2634/ --- 新闻 掀起科技的“浪花”，“智能基座”昇腾高校行暨MSG·暴走校园走进厦门大学 # 掀起科技的“浪花”，“智能基座”昇腾高校行暨MSG·暴走校园走进厦门大学 2023/07/11 # 掀起科技的“浪花”，“智能基座”昇腾高校行暨MSG·暴走校园走进厦门大学 **智能基座昇腾高校行暨MSG·暴走校园** 7月8日，“智能基座”昇腾高校行暨MSG·暴走校园厦门大学专场活动在厦大翔安校区举行。此次活动由华为技术有限公司、厦门大学教务处主办，厦门大学信息学院实验教学中心、福建人工智能创新中心承办，厦门大学华为智能基座社团协办，旨在推动人工智能技术在高校的落地、促进人工智能产业与教育相互融合，为我国人工智能产业发展积蓄力量。 **厦门大学信息学院团委副书记刘长青老师**在致辞中回顾了厦门大学与华为智能基座的合作历程，刘老师表示，作为一个致力于推动人工智能技术创新和产业升级的组织，华为智能基座社团对深化信息技术领域人才培养模式创新、构建人工智能产业和人才生态做出了贡献，华为专家走进高校分享人工智能领域最新技术成果和应用案例，对提升学生学习能力、更好的掌握人工智能技术有极大的帮助。最后，刘老师还鼓励同学们，不断学习和研究，掌握最新技术和方法，为推动技术创新和产业升级做出贡献。 紧接着，**昇腾生态运营经理吴丹萍**带来了《数智未来 因你而来》的主题分享，结合人工智能产业发展历程、昇腾应用案例等对昇腾AI以及昇腾社区进行了详细的介绍。吴丹萍老师认为，随着AIGC技术日渐成熟，人工智能已经从“感知理解世界”进化到“生成创造世界”，迎来了新的发展机遇。在此趋势下，大模型因其具备的多任务和泛化性特征成为AI产业快速发展的必然选择。而华为始终坚定的投入人工智能产业，不仅在大模型、算力、芯片等方面取得了大量成果，还成功打造了昇腾AI生态。 此外，华为还积极推动AI产业人才培养和赋能，打造昇腾社区汇聚昇腾资源，全流程支持开发者成长，推出了昇腾AI训练营、开发者大赛等平台，持续为开发者赋能、伴随开发者从成长到成功。 随后，**昇腾计算生态技术专家曾鹏源老师**带来了互联网+大赛昇腾赛题和昇腾AI创新大赛的分享，曾老师对赛事的赛制、命题方向和原则、参赛要求等分别进行了详细的介绍。相信曾老师的讲解，一定会让同学们对赛事有了更深的了解，在竞赛中取得更好成绩。 最后，**昇思MindSpore技术生态专家杨滔**在《昇思MindSpore全场景AI融合框架特性揭秘及趣味性实操》主题讲座中，分享了当前AI技术发展现状及趋势，并对昇思MindSpore特性进行了深入介绍。杨老师认为，在算力提升、数据爆发式增长、模型不断迭代更新三大因素驱动下，深度学习技术迎来了大发展，人工智能已经进入了场景化应用时代。未来，人工智能将进一步深度融入生产、科研和生活，行业渗透率也将进一步提升。 为了让同学们进一步了解昇思MindSpore特性，杨老师还带领同学们在现场进行了趣味性AI开发实战。通过实操昇思大模型平台对AI开发的原理、逻辑、流程以及模型训练评估应用做了演示，让同学们体会到AI开发的乐趣，也在实战中对昇思MindSpore的特性有了更深入的了解，提升了AI开发能力。 此次“智能基座”昇腾高校行暨MSG·暴走校园厦门大学专场活动的举办，给厦大学子提供了一次与华为专家面对面交流和学习的机会，专家们深入浅出的讲解让同学们得以接触人工智能领域前沿理论和技术，是人工智能领域人才培养模式改革的有益探索。未来，“智能基座”昇腾高校行将走进更多高校，推动人工智能在更多高校落地，为我国人工智能产业发展添砖加瓦。 往期回顾 探索AI新技术，重庆邮电大学“智能基座”昇腾高校行暨MSG·暴走校园活动成功举行 聚焦AI前沿技术，智能基座昇腾高校行暨MSG·暴走校园-兰州大学专场活动成功举办 昇腾AI开发者峰会2023智能基座高校行昇思分会场走进清华大学，与专家面对面，感受AI魅力 “智能基座昇腾高校行”哈尔滨工业大学（深圳）站 | 昇思MindSpore赋能高校开发者AI新体验 --- https://www.mindspore.cn/news/zh/2635/ --- 新闻 社区月报 | 人工智能框架生态峰会2023成功举办，社区治理架构全面升级，昇思2.0重磅发布 # 社区月报 | 人工智能框架生态峰会2023成功举办，社区治理架构全面升级，昇思2.0重磅发布 2023/07/11 # 社区月报 | 人工智能框架生态峰会2023成功举办，社区治理架构全面升级，昇思2.0重磅发布 **_昇思MindSpore6月运作报告_** **一、社区规模** 截至6月底，昇思MindSpore开源社区累计收获了\*\*2.28W+\*\*个Star。社区秉持开放透明原则，稳步建设开源生态，规模和活跃度得到持续提升。 - 昇思MindSpore下载量为**495W+**，五月增长了**4.4%**； - 超过\*\*2.3W+**开发者在社区做出贡献，其中**1.8W+\*\*为核心贡献者。 - 社区累计产生ISSUE共**32.7K**、PR共**74.6K**。 **2、《共建人工智能框架生态倡议》正式发布** **18家**AI头部企业、高校、科研机构、开源社区等共同发布\*\*“****共建****人工智能框架生态，繁荣中国人工智能产业”\*\***联合倡议**，倡议通过政产学研用的共同努力，支撑中国人工智能框架生态走向新高度，推进中国人工智能产业新发展。 **3、昇思MindSpore开源社区理事会正式宣布成立** **昇思MindSpore开源社区理事会**首批成员单位包括AI芯片企业、AI应用企业、高校与学术机构**18家**单位。理事会将基于“共建、共享、共治”的原则，凝聚产业力量，扎根AI技术，共同构建一个开放、多元、包容的AI框架技术生态体系，推动昇思社区生态发展，使能运营商、金融、教育科研等国计民生行业智能化升级。 **4、联合南方电网，共建电力人工智能专区** \*\*昇思MindSpore开源社区联合南方电网，基于昇思大模型平台，共建电力人工智能专区，\*\*共同打造面向广大开发者的电力人工智能生态。该专区汇集电力行业案例，通过开放特色电力数据集与模型，发布学习实践课程、比赛活动，推动电力行业与AI技术的融通发展。构建电力行业开发者生态桥头堡，通过昇思大模型平台，汇聚AI开发者，使能智慧电力。 - 原生支持大模型，多维混合并行能力业界领先 - 支持全场景统一推理，大幅提高部署效率和推理性能 - MindSpore Transformers：大模型训练套件，预置SOTA模型，提供开发流程模块化 - MindSpore RLHF：20行代码即可实现百亿级模型的RLHF训练，助力用户快速实现自己的“ChatGPT” - MindSpore PET：极致低参微调，高效优化大模型，节约计算存储，满足各类任务需求 - MindSpore Recommender：支持TB级推荐模型训练，新增在线训练、动态特征能力，支撑模型实时更新上线 **AI+科学计算领域套\*\*\*\*件，全面升级**，突破前沿特性，助力行业技术创新。 - MindSpore Flow：高效易用的AI计算流体仿真工具包，提供基于物理驱动、数据驱动和数据机理融合驱动的AI流体仿真技术以及端到端可微分CFD求解器，提供流体领域案例14个，网络模型8个，充分挖掘神经网络拟合能力，旨在构建高效、高精度的AI流场模拟工具，加速模型开发，满足相关科研工程需求。 - MindSpore SPONGE：AI生物领域套件发布1.0正式版本，架构全面升级，支持业界以及自研的主流模型20+，基本覆盖药物研发全流程，如自研蛋白质结构预测工具MEGA-Protein，开源蛋白质设计工具ESM-IF、分子属性预测模型Pafnucy等；MSA生成增强工具MEGA-EvoGen和蛋白质结构对比评估工具MEGA-Assessement正式开放。 - MindSpore Elec：电磁仿真套件升级至0.2版本，新增了两大特性，分别是联合东南大学实现了“金陵.电磁脑”大规模阵列天线的AI电磁仿真基础模型；联合华为诺亚方舟实验室实现了端到端可微的电磁求解器（AD\_FDTD，Automatic Differentiation Finite-Difference Time-Domain）。 **面向易用性**\*\*，2.0版本提供了大量开箱即用的模型套件\*\*，且支持灵活高效的动静统一，让开发者极速体验基于昇思MindSpore的应用。 - 开发套件集成易用接口和前沿算法模型，助力AI开发与创新 - 动态图模式功能/性能全面增强，静态图模式支持返回基础数据类型 - 全面支持函数式+面向对象融合编程，网络表达能力持续提升 - MSAdapter：生态接口适配工具，实现第三方生态模型无缝兼容，提升迁移效率 - API文档全面支持中文，教程和文档全新升级 - Dataset流水线支持灵活数据格式，MindSpore Record易用性/性能全面提升 - 持续优化报错机制，提供系统化指导，降低用户问题解决门槛 - MindSpore Dev Toolkit：新增API映射扫描功能，智能代码补全功能提供VSCode平台插件 **四、社区动态** **1、第二届社区技术委员会21位专家受聘为成员** \*\*第二届技术委员为共聘任涉及AI+科学计算、大模型、编译、系统、机器视觉、自然语言处理、语音等领域21位成员。\*\*其中，昇思技术委员会主任由昇思MindSpore首席架构师金雪锋担任。技术委员会的成立将引导社区在深度学习框架及相关技术领域持续创新，为社区原创性开源项目注入技术生命。 **2、上海昇思AI框架&大模型创新中心启动** \*\*6月16日，上海人工智能研究院、上海市闵行区政府、临港集团、昇思开源社区联合启动上海昇思AI框架&大模型创新中心。\*\*中心将以昇思 MindSpore 为主要抓手，聚焦人工智能根技术在人工智能基础创新和底层技术突破、支撑重点产业发展和产业集群打造、推动开发生态建设三方面发挥作用。 \*\*上海人工智能实验室、上海交通大学、中国科学院上海药物研究所、云从科技等首批22家单位完成创新中心入驻。\*\*首批入驻企业将基于昇思MindSpore，在大模型创新、AI产学研转化等层面加强合作，促进AI产业扎实技术基座，共同推动人工智能框架生态高质量发展迈出更大步伐。 **3、全模态大模型“紫东.太初2.0”重磅发布** \*\*中国科学院自动化研究所基于昇思推出的全模态大模型“紫东.太初2.0”正式发布。\*\*该大模型是在千亿参数三模态大模型“紫东.太初”1.0基础上的升级，在语音、图像和文本之外，加入了视频、传感信号、3D点云等更多模态，从技术架构上实现了结构化和非结构化数据的全模态开放式接入，突破了认知增强的多模态关联等关键技术，支持多轮问答、文本创作、图像生成、3D理解、信号分析等跨模态任务，并具备全模态智能化标注能力，可实现对未知目标的自动发现。 **4、CAAI-昇思MindSpore学术基金优秀项目颁奖** 由中国人工智能学会和华为技术有限公司共同发起，支持基于昇思MindSpore AI融合框架的国际高水平会议和期刊的学术论文发表，激发原创性科学研究，构建中国人工智能科学研究的全球影响力。**18个项目荣国优秀项目在2023全球人工智能技术大会举行颁奖仪式。** **5、昇思卓越贡献者、优秀开发者颁奖** 昇思社区秉持“技术优先，开发者第一”理念，凝聚广大开发者力量共建开源社区，与开发者共同学习和成长。在人工智能框架生态峰会2023中，**21个开发团队、个人开发者、高校学生与教师**分别获得\*\*“昇思卓越贡献团队奖”、“昇思卓越贡献个人奖”、“昇思卓越指导教师奖”殊荣。\*\* 在MindSpore TechDay2023中，**19位**昇思开发者荣获2023年度\*\*“优秀昇思布道师”、“优秀****昇思开****发者”、“优秀昇思体验官”殊荣。\*\* **五、昇思大模型平台** **1、上线新款大模型：AI生成检测器模型** AI生成检测器大模型是基于多尺度 PU 学习的方案，解决了文本检测器对于短句识别的难题，在 AI 文本检测的问题上迈出了坚实的一步。尤其在AIGC 内容管控中，防止 AI 生成内容的滥用，为AIGC的健康发展提供支持。该大模型目前已经上线昇思大模型平台，欢迎前往体验。 体验链接： https://xihe.mindspore.cn/modelzoo/text-detector **2、悟空画画大模型升级，体验更丝滑** 升级版本相比于原版本，大幅提升画质、艺术性和推理速度： - 提升输出分辨率，2.0模型目前可以支持更高分辨率图形输出，从1.0版本的512x512提升到768x768，大图更清晰。 - 采用自研Multistep-SDE采样加速推理技术，采样步数从原先的50步采样降到2030步，加速23倍。 - 采用自研RLAIF算法，提升生成图片的画质以及艺术性表达。 总而言之，生成画作细节更加丰富精致了，色彩方面更加鲜亮艳丽，生图质量和美感更优！ 体验链接：https://xihe.mindspore.cn/modelzoo/wukong **3、电力人工智能专区上线电力基础数据集与训练案例** 电力人工智能专区目前已全面上新开放体验，平台上线南方电网最新发布的电力行业人工智能基础数据集目录，登录专区即可免费领取；同时，上线了基于YOLOv7实现可见光多目标检测案例，开发者可在线体验无人机电力巡检应用。 体验链接：https://xihe.mindspore.cn/electricity **2、昇思MindSpore创新训练营·武汉理工大学专场** 6月10-11日，**昇思MindSpore创新训练营——武汉理工大学**专场活动成功举行。本次活动由昇思MindSpore开源社区主办、武汉理工大学计算机与人工智能学院承办，**80余名**武理学子参与课程，通过手把手教学，实战演练全流程代码操作，让学生们实实在在体验昇思MindSpore在AI开发中的优势。 **3**\*\*、昇思MindSpore创新训练营·京津冀专场\*\* 6月26日-29日，**昇思MindSpore创新训练营·京津冀专场**活动在北京师范大学成功举办。**50余名**来自北京师范大学、北京理工大学、中国人民大学等7所京津冀高校学子参与其中。4天的训练营学习中，带领学子梳理大模型发展路径、关键技术和代表模型，结合昇思MindSpore技术特性，为大家进行理论授课和实践指导。 **4、开放原子全球开源峰会·科学智能分论坛** 6月11日，以“AI框架助力科学智能，打造科学新高地”为主题的**2023开放原子全球开源峰会科学智能分论坛**在北京圆满举行。本次分论坛由昇思MindSpore开源社区承办，线上累计\*\*10W+**人次观看直播，线下**60+\*\*参会，共同探讨人工智能框架与科学智能的前沿。 **5**\*\*、2023全球人工智能技术大会·AI框架赋能大模型、科学智能原生创新专题论坛\*\* 6月10日，**AI框架赋能大模型&科学智能原生创新专题论坛**在杭州圆满举行。**戴琼海院士、华为科学家咨询委员会主任徐文伟**出席本次论坛并作开场致辞，**CAAI元宇宙技术专委会主任、清华大学教授、国家杰青获得者陶建华和华为昇思MindSpore业务总经理、分布式并行计算实验室主任丁诚**担任论坛主席。本次论坛进一步加深了AI领域学术成果的交流与联系，助力产学融合，探索新思路。未来，昇思MindSpore将积极与产业、学术等各界伙伴携手，夯实人工智能根技术，推动智能科技协同创新和融合发展。 **6、昇思MindSpore技术公开课大模型专题** **昇思MindSpore与OpenI启智社区联手推出了昇思MindSpore技术公开课系列课程**\*\*，在本月正式结课\*\*。本次课程聚焦大模型领域，旨在从实践的角度出发，带领产学研开发者逐步掌握大型语言模型的原理与实现，手把手教大家搭建一个简易版的盘古大模型。 课程回放链接：https://space.bilibili.com/526894060/channel/seriesdetail?sid=3293489 **六、社区竞赛** **1、第六届中国软件开源创新大赛昇思赛道** 由中国计算机学会（CCF）主办，西北工业大学、绿色计算产业联盟、CCF开源发展委员会联合承办第六届开源创新大赛火热开赛！本次昇思在开源项目贡献赛与代码评注赛均发布任务，欢迎开发者参赛！ **2、昇腾AI创新大赛昇思赛道** 昇腾AI创新大赛火热来袭，本次昇思赛道分为创新算法与数据打榜两类赛题，围绕高质量数据集，集合行业应用场景与前沿技术设置赛题，并提供免费的算力支撑。欢迎大家参赛。 **3、MindSpore量子计算黑客松** MindSpore量子计算黑客松全国大赛震撼来袭。开发者将全面体验新一代通用量子计算套件MindSpore Quantum和量子模拟加速引擎QuPack，享受比赛，享受挑战。 --- https://www.mindspore.cn/news/zh/2639/ --- 新闻 南方电网人工智能基础设施运营中心&昇思MindSpore开源社区联合开展电力人工智能强化学习第二期培训交流会 # 南方电网人工智能基础设施运营中心&昇思MindSpore开源社区联合开展电力人工智能强化学习第二期培训交流会 2023/07/12 # 南方电网人工智能基础设施运营中心&昇思MindSpore开源社区联合开展电力人工智能强化学习第二期培训交流会 “强化学习”作为一种强大的机器学习方法，被广泛认为是人工智能发展的未来引擎。随着社会和科技的不断发展，人工智能面临着许多挑战和复杂问题。强化学习作为一种灵活而强大的方法，能够应对这些挑战并提供解决方案。 《电力人工智能第二期》课程将从昇思MindSpore的介绍到强化学习理论讲解及技术实践对人工智能技术开发者进行系统培训，提升对强化学习、昇思MindSpore国产化框架的整体认知水平，助力相关从业人员快速成长为能基本掌握昇思MindSpore框架应用及强化学习基础技能的专业人员。 ****培训安排**** \*\*培训时间：\*\*7月20日（全天：9:00-17:00） \*\*签到时间：\*\*8:50-9:00 \*\*培训费用：\*\*培训免费 \*\*培训方式一：\*\***腾讯会议：670-778-552、会议密码：\*\*\*\*** **培训方式二**\*\*：\*\*\*\*【MindSpore官方】B站同步直播\*\* ********组织单位******** 南方电网人工智能基础设施运营中心 昇思MindSpore开源社区 ********培训内容******** 欢迎大家踊跃报名参与此次人工智能课程培训！于7月19日前微信扫描下方二维码直接填写报名信息。 --- https://www.mindspore.cn/news/zh/2640/ --- 新闻 SAIL奖揭晓！昇思MindSpore使能大模型、AI4S，打造流体仿真重器 # SAIL奖揭晓！昇思MindSpore使能大模型、AI4S，打造流体仿真重器 2023/07/12 # SAIL奖揭晓！昇思MindSpore使能大模型、AI4S，打造流体仿真重器 上周刚刚闭幕的世界人工智能大会WAIC2023（7月6日-7月8日）与华为开发者大会 2023（Cloud）（7月7日-7月9日）期间，**昇思MindSpore AI框架助力孵化的30+大模型、12+AI4S创新成果，分别在重磅发布仪式、展览展示等环节亮相。** 在原生支持大模型领域，**基于昇思MindSpore孵化、支持的重磅大模型超过30个**，包括华为云盘古大模型3.0、中科院自动化所紫东太初2.0全模态大模型、面壁智能CPM-Bee、智谱AI CodeGeex大模型、云从科技从容大模型等领先成果，部分大模型已经在金融、制造等行业发挥重要价值。 在科学智能领域，昇思MindSpore打造了AI+科学计算套件，使能中国AI4S科研创新，已联合伙伴打造12+AI4S创新成果。昇思MindSpore通过打造流体仿真、电磁仿真、分子模拟等丰富科学智能套件，在提升系统性能基础上，屏蔽跨领域带来的开发难度，极大加速科研创新速度，并在流体仿真、天线阵列仿真等场景实现落地应用。 其中以华为云盘古大模型3.0为代表的成果，充分利用昇思MindSpore AI框架的自动并行、计算图内存复用、重计算、MindSpore Transformers套件等能力，提高大模型训练效率与精度，推动大模型在**金融、制造、医药研发、煤矿、铁路**等行业场景落地并发挥重要价值。 7月6号国际顶级学术期刊《自然》(Nature)杂志正刊发表了华为云盘古大模型研发团队研究成果——《三维神经网络用于精准中期全球天气预报》（《Accurate medium-range global weather forecasting with 3D neural networks》）。数据显示，这是近年来中国科技公司首篇作为唯一署名单位发表的《自然》正刊论文。《自然》审稿人对该成果给予高度评价：“华为云盘古气象大模型让人们重新审视气象预报模型的未来，模型的开放将推动该领域的发展。” 在7月6日下午举办的昇腾人工智能产业高峰论坛上，中国科学技术信息研究所首次发布《中国AI for Science创新地图研究报告》，报告中对科学智能（AI for Science）发展趋势、全球研究重点方向、国内发展现状及下一阶段发展建议提供详尽的介绍。目前，昇思已在多个科研领域展现指数级性能提升效果。基于昇思MindSpore AI框架打造的三维超临界机翼流体仿真大模型“东方.翼风”荣获WAIC2023最高奖SAIL奖。东方.翼风利用昇思MindSpore Flow流体仿真套件，结合流体领域专家经验和数据，实现对大飞机翼型全场景飞行工况模拟，大飞机三维翼型设计速度提升1000倍，并构建AI+通用气动仿真的泛化能力，加速气动领域国计民生行业跃迁式创新。 未来，昇思MindSpore AI框架将持续致力于打造人工智能创新之源，使能大模型与科学智能，成为AI创新的首选框架。 --- https://www.mindspore.cn/news/zh/2641/ --- 新闻 电力人工智能数据集目录首次发布 # 电力人工智能数据集目录首次发布 2023/07/13 # 电力人工智能数据集目录首次发布 2023年7月6日，以“智联世界·生成未来”为主题的世界人工智能大会（WAIC 2023）在上海世博中心拉开帷幕。人工智能技术作为关键变量，如今已然成为推动新一轮科技革命、产业变革和社会发展的战略抓手，赋能各行各业深刻改变着人们的社会生活、产业结构、工作方式和科技趋向。 以“计算+ ”为特征的智能化发展进程进一步推动了算法、算力在多学科领域的渗透式运用，数据作为人工智能技术应用的核心“养料”，正在引发一场新的生产要素变革。而就在本次大会期间，南方电网发布了《南方电网电力行业人工智能基础数据集目录》（以下简称《目录》），这意味着南方电网将开放带有行业属性的专有数据集，为行业生态提供一座数据“金矿”。 “数据在各行各业中都是核心资产，核心数据共享一直是难以打破的壁垒，但是我认为人工智能的生态一定是开放的，要想建设这样一个生态，必须要有人勇敢地走出第一步。”**南方电网人工智能科技有限公司副总卢志良**讲述了开放数据《目录》的缘由。 能源是经济社会发展的基础支撑。近年来，数字技术与传统能源技术深度交叉融合，正在孕育影响深远的新技术、新模式和新业态。数字技术的引入，将给能源电力行业带来深远变革。国家能源局不久前印发的《关于加快推进能源数字化智能化发展的若干意见》提出，针对电力、煤炭、油气等行业数字化智能化转型发展需求，通过数字化智能化技术融合应用，为能源高质量发展提供有效支撑。到2030年，能源系统各环节数字化智能化创新应用体系初步构筑、数据要素潜能充分激活，一批制约能源数字化、智能化发展的共性关键技术取得突破。 数字电网依托强大的“电力+算力”，使电网具备超强感知能力、智慧决策能力和快速执行能力，对清洁能源的消纳和消费而言，数字赋能也为高效消纳清洁能源提供了核心算法，数字电网也就成为了承载新型电力系统的最佳形态。《南方电网“十四五”电网发展规划》提出，到2025年，全面建成数字电网，充分发挥能源电力大数据“生产要素”和“算力+算法”叠加倍增效应，赋能新型电力系统建设。 “近年来，南方电网在数字化转型过程中就发现，一方面南方电网积累了海量数据，另一方面，在发电、输电、变电、配电等方面都有广阔的应用场景需求，我们就想引入更多的人工智能行业人士参与到电力行业的数字化转型过程中来，共同促进电力行业人工智能生态发展，支撑国家人工智能产业发展，为数据要素市场培育迈出重要一步。”卢志良说。 目前，《目录》主要面向输电、变电、配电等10大业务领域开放了数据类型18类。 据卢志良介绍，《目录》主要选取的是在电力行业中比较具有代表性应用场景的数据。他说：“我们开放行业数据，走出第一步需要很大的勇气。我们也特别注意数据隐私和安全，首先对数据进行了分级，先期开放的是通用数据，其次会根据用户的诉求逐步开放更多的数据，现在我们正在探索数据脱敏的问题，后面会根据开发者的需求，对数据进行更新。” 目前，华为已在电力人工智能领域开展相关工作。基于昇腾AI算力底座和昇思MindSpore AI框架，正在训练、孵化行业专用大模型。昇思开源社区在人工智能生态建设上已经具备较好基础，《目录》中部分数据已经开始在昇思开源社区电力人工智能专区上线。 昇思大模型平台电力人工智能专区： 5月27号成立的“南方电网人工智能技术设施运营中心”，已经开始进行相关数据运营，方便更多开发者使用。 卢志良表示，“我们跟华为等AI领域的头部企业合作，是希望强强联合，更快推动人工智能在电力行业的发展和应用。如今除了比较常见的AI巡线、安全生产之外，我们还在进行新一代智能客服的研发，AI技术对新能源发电量的预测，还有智能电力调度等。” “南方电网此次公布行业数据集，希望能带动更多行业企业加入其中，使人工智能生态逐步完善，更快产生更好的电力行业大模型。未来在‘南方电网人工智能技术设施运营中心’也会聚集更多AI企业、科研院所、高校等研发创新AI模型，并与业务场景相结合，更快匹配合作伙伴的诉求，我们的目标是促进电力人工智能生态建设。”卢志良特地强调生态重要性。 新形势下，数字化智能化发展将是推动我国能源产业基础高级化、产业链现代化的重要引擎，也是新型能源体系建设统筹安全、经济和绿色发展要求的重要支撑。 通过《南方电网电力行业人工智能基础数据集目录》发布，推动形成开放、共享、互利的电力行业人工智能生态，为行业上下游企业不断向产业链、价值链高端发展提供基础服务，为生态各方营造良好环境，带来新的业务增长空间，支撑生态各方实现新的多元化业务利润增长点，形成良性的长尾效应。 在人工智能算法及算力日臻成熟的前提下，基于“数据＋算力＋算法”优化物理电网及能源生态的业务，发挥人工智能技术的效率提升作用，全面提高数字生产力。 关注昇思MindSpore公众号，点击“**阅读原文**”，了解昇思大模型平台电力人工智能专区更多内容。 --- https://www.mindspore.cn/news/zh/2652/ --- 新闻 7月21日！昇思开发者创享日暨MSG企业行走进宁波，共探索大模型如何破局产业智能化 # 7月21日！昇思开发者创享日暨MSG企业行走进宁波，共探索大模型如何破局产业智能化 2023/07/13 # 7月21日！昇思开发者创享日暨MSG企业行走进宁波，共探索大模型如何破局产业智能化 大模型已经成为全球科技竞争的“高地”，是否拥有大模型将成为科技巨头与其他科技平台企业的重要分水岭，基础大模型将呈现激烈的竞争格局，作为业界目光汇聚的焦点，成为新一代流量入口。 昇思MindSpore作为开源的全场景AI框架，顺应人工智能产业发展趋势，通过原生支持大模型的能力来推进AI创新，使能得国内产学研界高校、科研机构、企业基于昇思打造了一系列大模型。目前已经孵化紫东.太初、武汉.LuoJia、CodeGeeX等多个AI大模型。为推动多样性算力支持，昇思MindSpore还兼容了20多家芯片厂商的硬件设备，实现多芯一生态，并依托端边云全场景协同能力加速大模型开发与部署。 **7月21日（周五）14:00-16:30**，昇思MindSpore开源社区将举办\*\*【昇思开发者创享日暨MSG企业行·宁波站】\*\*线下交流活动，邀您共同探讨当前AI开源生态现状、什么是好的AI开源生态、如何打造好的AI开源生态，分享行业大模型发展现状与技术落地、优化方法论，并以算力基础设施支撑生态发展、大模型在工业的落地相关案例，见证昇思在打造全开放AI开源生态走出的一大步。 **【报名方式】** 识别二维码 免费报名 （报名后可扫码加入活动交流群，结识同行好友） **【现场签到有礼】** 活动当天现场签到，可免费领取以下礼品： DataFunPro会员体验月卡1张 昇思MindSpore开源社区定制伴手礼1份 问卷抽奖更多礼品惊喜 **【议程信息】** 往期回顾 与昇思在“浙里”携手创新，MSG企业行杭州站成功举办 MSG企业行·AI+医疗专场成功举办！！昇思MindSpore助力智慧医疗深度发展！ MSG企业行·遥感卫星专场成功举办！基于人工智能的卫星遥感应用体系迎来新机遇！ --- https://www.mindspore.cn/news/zh/2656/ --- 新闻 7月21日！昇思开发者创享日走进宁波，聚焦大模型，智创新未来！ # 7月21日！昇思开发者创享日走进宁波，聚焦大模型，智创新未来！ 2023/07/17 # 7月21日！昇思开发者创享日走进宁波，聚焦大模型，智创新未来！ 硬件架构不够开放，不同开源工具之间缺乏兼容性，面向垂直行业的技术人才、技术标准匮乏等等，是当前AI框架开源生态面临的主要问题。 一个开放的AI框架开源社区应该围绕上述问题，积极推动开放的硬件架构支持，支持端边云全场景，统一标准接口，以及在大模型时代持续支持和优化超大规模模型训练。大模型用统一的自然语言接口极大降低了不同场景的AI落地的技术隔阂，行业大模型的演进步伐将极大加速。 在开源开放上，昇思MindSpore是典型的代表，通过全流程的接口开放、标准统一，支持一键导入LLaMA模型、8张卡训练千亿参数模型、模型压缩等，可以快速孵化新的大模型并低成本部署，比如紫东.太初2.0全模态大模型；昇思MindSpore还支持模型微调，可以基于垂域特有数据快速训练行业大模型；昇思MindSpore AI框架孵化超过20个大模型，助力人工智能产业创新。 **7月21日（周五）**，昇思MindSpore开源社区将举办\*\*【昇思开发者创享日暨MSG企业行·宁波站】\*\*线下交流活动，邀您共同探讨当前AI开源生态现状、什么是好的AI开源生态、如何打造好的AI开源生态，分享行业大模型发展现状与技术落地、优化方法论，并以算力基础设施支撑生态发展、大模型在工业的落地相关案例，见证昇思在打造全开放AI开源生态迈出的坚实步伐。 **【报名方式】** 识别二维码 免费报名 **【现场签到有礼】** 活动当天现场签到，可免费领取以下礼品： DataFunPro会员体验月卡1张 昇思MindSpore开源社区定制伴手礼1份 问卷抽奖更多礼品惊喜 **【嘉宾信息】** 扫码加入活动交流群，结识同行好友 往期回顾 与昇思在“浙里”携手创新，MSG企业行杭州站成功举办 MSG企业行·AI+医疗专场成功举办！！昇思MindSpore助力智慧医疗深度发展！ MSG企业行·遥感卫星专场成功举办！基于人工智能的卫星遥感应用体系迎来新机遇！ --- https://www.mindspore.cn/news/zh/2667/ --- 新闻 共筑宁波人工智能新高地，昇思开发者创享日暨MSG企业行·宁波站成功举办 # 共筑宁波人工智能新高地，昇思开发者创享日暨MSG企业行·宁波站成功举办 2023/07/21 # 共筑宁波人工智能新高地，昇思开发者创享日暨MSG企业行·宁波站成功举办 【中国，宁波，2023年7月21日】昇思开发者创享日暨MSG企业行·宁波站线下交流活动成功举办。 本次会议邀请数150+宁波当地人工智能行业相关技术专家深度探讨行业大模型发展现状与技术落地、优化方法论，以及算力基础设施支撑生态发展、大模型在工业的落地相关案例等话题，见证AI开源生态助力AI企业发展现状以及未来发展趋势。来自薄言信息、深擎科技、达观数据、一木智能、邦盛科技等多位AI行业专家分享当前基于人工智能前沿技术打造的大模型、行业解决方案等内容，为宁波企业数字化转型提供借鉴。 活动在宁波市计算机学会指导下，由昇思MindSpore开源社区联合宁波人工智能超算中心联合举办。 **宁波市大数据发展管理局数字基础设施和安全处处长冯豪、昇思MindSpore业务总经理丁诚**为本次活动致辞。浙江宁数科创集团有限公司代表李格格、华为浙江产业发展与生态部部长侯勇出席本次会议。 ******一、打造宁波人工智能新高地****** 宁波市正积极推进人工智能技术的应用，为城市的信息化、数字化、智能化建设提供了有力保障，也带动了相关产业的快速发展，如何抢抓人工智能的新机遇，将成为宁波数字经济高质量发展的关键。 昇思MindSpore AI框架持续使能科研创新与产业应用，通过原生支持大模型、科学智能创新的技术体系，不断加速中国AI应用落地。**昇思MindSpore开源生态总监胡晓曼**表示，昇思MindSpore发展至今，已经具备了支持大模型开发所需的各项核心技术，同时提供了一整套高效、易用的大模型使能套件，形成了端到端的使能大模型开发能力；由开源社区打造昇思大模型平台，也为企业开发者提供一站式AI应用开发创新平台。这些成果不断推动着 AI 能力的全场景应用，有超过 5500 家企业应用了昇思能力实现了智能化技术落地。 **宁波昇腾人工智能生态创新中心COO冯磊**表示，宁波昇腾人工智能生态创新中心当前基于自主创新的昇腾AI集群，打造开放的国产化AI基础硬件设施，核心设备及技术达业界领先水平，同时以算力为基础，打造公共算力服务平台应用创新孵化平台、产业聚合发展平台和科技创新人才培养平台，打通“政-产-学-研-用”来赋能产业集群，助力行业大模型开发、宁波产业智能化升级。 ******二、人工智能应用落地赋能千行百业****** 人工智能技术作为新一轮产业变革核心驱动力，在加快产业升级、经济转型、社会治理上起到了尤其重要的作用。在AI框架、算力支持下，落地推进更是如虎添翼。 **一木智能科技有限公司算法工程师叶凯文**带来的分享\*\*《大模型在制造业的落地展望》\*\*中，深入探讨大模型如何适配制造业的多个应用场景。专家还分享了质量检测、工艺优化、异常检测、资源调度等方面的落地案例。叶凯文强调，落地过程中，算力、数据、模态是关键因素，在宁波超算中心的加持下，加快了项目技术的攻克。 **宁波薄言信息技术有限公司CTO高宇栋**带来的分享\*\*《大语言模型+垂域训练，让AI深入行业》\*\*中，可以了解到大模型在企业实际数字化产品落地过程中的结合点，以及细分垂直领域想要获得上下文理解、专业知识的深度解答的支持等，如何通过大语言模型和垂域特有的数据相结合可以更高效地到解决。 **达观数据资深技术专家贺梦洁**带来的分享\*\*《大模型和知识图谱双驱动的智能质量平台》\*\*中，可以了解到大模型与知识图谱如何结合以实现智能和更精准的质量管理，应用于质量知识管理、故障根因分析、售后维修、设备巡检、失效闭环等业务场景，大幅提升了质量工作效率，以及降低人力成本。她表示，达观“曹植”大模型基于昇思MindSpore AI框架MindSpore Transformers套件开发，未来“曹植”垂直领域大语言模型也将进一步夯实达观产业应用智能化基座，全面增强AI全产品矩阵能力。 **深擎科技研发负责人许涵洋**带来的分享\*\*《大模型在金融行业应用实践》\*\*中，可以深入了解大模型在金融行业的应用场景和落地改造案例，同时在金融行业，安全性特别重要，保证数据和模型的安全可控也是重中之重，专家在分享中重点探讨了这个挑战。 **浙江邦盛科技行解部总监庞德全**带来的分享\*\*《数据驱动AI模型在反欺诈领域的应用探索》\*\*中，他表示在金融行业，传统“经验驱动”的专家规则体系很容易遭遇“经验上限”的问题，即专家总结的经验总会受限于自身认知、很难做到完备，导致风险识别的准确率、覆盖率难以达到较高的水平。而新型的“数据驱动”机器学习建模方式，特征有没有用、有多大用完全数据说了算，不依赖专家、不受限于专家，因而能获得更高的风险识别准确率和覆盖率。实际应用过程中，专家规则、机器学习模型各有优势，通常会搭配使用，但在一些重视效果的场景，比如反电诈识别，机器学习模型的重要性更高、发挥的作用更大。 尽管行业大模型仅在近期才被频繁提及，但早已硕果累累，遍布各行各业。在这背后，昇思MindSpore AI框架和昇腾AI集群，是行业大模型应用落地的强大且必须的支撑力量，其也极大降低了通用大模型的研发门槛，昇思MindSpore、宁波人工智能超算中心早已悟出此道，后续也将在这条路上继续前行，促进人工智能与更多行业场景融合应用，构筑共享共赢的宁波人工智能产业生态。 往期回顾 与昇思在“浙里”携手创新，MSG企业行杭州站成功举办 MSG企业行·AI+医疗专场成功举办！！昇思MindSpore助力智慧医疗深度发展！ MSG企业行·遥感卫星专场成功举办！基于人工智能的卫星遥感应用体系迎来新机遇！ --- https://www.mindspore.cn/news/zh/2670/ --- 新闻 Nature子刊发表！基于昇腾AI与昇思MindSpore打造的AI+科学计算新成果PeRCNN面世 # Nature子刊发表！基于昇腾AI与昇思MindSpore打造的AI+科学计算新成果PeRCNN面世 2023/07/24 # Nature子刊发表！基于昇腾AI与昇思MindSpore打造的AI+科学计算新成果PeRCNN面世 近日，华为与中国人民大学高瓴人工智能学院孙浩教授团队合作，基于昇腾AI基础软硬件平台与昇思MindSpore AI框架提出了一种**物理编码递归卷积神经网络**（Physics-encoded Recurrent Convolutional Neural Network，PeRCNN），该成果已在\*\*《Nature》子刊《Nature Machine Intelligence》上发表\*\*，相关代码已在开源社区Gitee的MindSpore Flow代码仓开源\[1\]。 **PeRCNN相较于物理信息神经网络、ConvLSTM、PDE-NET等方法，模型泛化性和抗噪性明显提升，长期推理精度提升了10倍以上，在航空航天、船舶制造、气象预报等领域拥有广阔的应用前景。** PDE方程在对物理系统的建模中占据着中心地位，但在流行病学、气象科学、流体力学和生物学等等领域中，很多的底层PDE仍未被完全发掘出来。而对于那些已知的PDE方程，比如Navier-Stokes方程，对这些方程进行精确数值计算需要巨大的算力，阻碍了数值仿真在大规模时空系统上的应用。目前，机器学习的进步提供了一种PDE求解和反演的新思路。 PeRCNN的模型框架 已有的数据驱动的模型依赖于大数据\[2\]，这在大多数的科学问题上很难满足，同时还存在解释性的问题。物理约束的神经网络（PINNs）\[3\]虽然做到了利用先验知识去约束模型的训练从而减少对数据的依赖，但是PINN基于损失函数的软约束限制了最终结果的准确性。如何在缺少有效数据的情形下，得到具有高精度、鲁棒性、可解释性和泛化性的结果，仍是学界努力的方向。 因此，**华为与孙浩教授团队合作，基于昇腾AI和昇思MindSpore开发了物理编码递归卷积神经网络\[4\]，实现了对非线性PDE的精确逼近。** PeRCNN在反应扩散方程的应用，长期演化上优于ConvLSTM、PINN等方法 PeRCNN神经网络强制编码物理结构，基于结合部分物理先验设计的π-卷积模块，通过特征图之间的元素乘积实现非线性逼近。该物理编码机制保证模型根据我们的先验知识严格服从给定的物理方程。所提出的方法可以应用于有关PDE系统的各种问题，包括数据驱动建模和PDE的发现，并可以保证准确性和泛用性。 PeRCNN在预测和外推的性能上优于ConvLSTM、ResNET、PDE-NET、DHPM等方法 PeRCNN的另一个独特优势是其可解释性，这源自π-卷积的乘法形式。通过符号计算，可以从学习到的模型中进一步提取底层的基础物理学表达式。这让PeRCNN能够作为一项有效的工具帮助人们从不完善和高噪声的数据中准确可靠地发现潜在的物理规律。 流体力学、气象、海洋等学科中，存在湍流、激波等强非线性现象，传统数值方法的求解需要大量计算资源，当前AI已经在飞行器流场、中期天气预报等问题中展现出极大的潜力，PeRCNN具备高精度、泛化性强和抗噪性强等特点，将有望在这些领域突破传统计算瓶颈，加速工业仿真和设计，成为AI+科学计算领域的新利器！ ## **参考文献** \[1\]https://gitee.com/mindspore/mindscience/tree/master/MindFlow/applications/data\\\_mechanism\\\_fusion/PeRCNN \[2\]Yann LeCun, Yoshua Bengio, and Geoffrey Hinton. Deep learning. Nature, 521(7553):436–444, 2015. \[3\]Maziar Raissi, Paris Perdikaris, and George E Karniadakis. Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. Journal of Computational Physics, 378:686–707, 2019. \[4\]Chengping Rao, Pu Ren, Qi Wang, Oral Buyukozturk, Hao Sun\*, Yang Liu\*. Encoding physics to learn reaction-diffusion processes. Nature Machine Intelligence, 2023, DOI: 10.1038/s42256-023-00685-7 --- https://www.mindspore.cn/news/zh/2671/ --- 新闻 昇思MindSpore&南方电网人工智能基础设施运营中心成功举办强化学习培训交流会，助力电力行业人才培养 # 昇思MindSpore&南方电网人工智能基础设施运营中心成功举办强化学习培训交流会，助力电力行业人才培养 2023/07/25 # 昇思MindSpore&南方电网人工智能基础设施运营中心成功举办强化学习培训交流会，助力电力行业人才培养 当前，AI大模型在基础层、技术层、应用层持续突破，深度赋能千行百业，推动AI应用从消费、互联网等C端领域向电力、交通、农业等B端传统行业加速渗透。对于电力行业而言，一方面，AI技术在源网荷储管理、功率预测、信息化开发等电力运行管理方面加速更迭、深度应用，持续助力构建新型电力系统。 另一方面，国家也相继出台多项措施加快推进能源数字化智能化发展。电力行业呈现出前所未有的巨大变革，甚至有业内人士称此次变革或将演绎为颠覆电力行业发展的AI+能源革命。 ******一、****AI****技术赋能电力行业****** 近日，昇思MindSpore开源社区联合南方电网人工智能基础设施运营中心开展线上电力人工智能强化学习第二期培训交流会。**南方电网人工智能科技有限公司副总卢志良**和**华为计算开源业务总经理李永乐**为本次交流会致辞。 本次交流会通过“理论讲解+上机实操”的方式带领大家系统性认识和学习昇思MindSpore全场景AI融合框架的优势特性。昇思布道师邢译壬以昇思MindSpore分布式并行特性为依托，详细解释了数据并行、模型并行、Pipeline并行、内存优化等技术。昇思布道师陈一杰以强化学习为主，分享强化学习基本模块及理论、MindRL框架介绍、强化学习经典算法DQN解析，展示更多落地场景，助力学员快速了解AI在各行业中的实际应用 。 本次课程回放均已上传至【MindSpore官方】B站平台，欢迎感兴趣的同学前往观看！ 回看链接： https://space.bilibili.com/526894060/channel/seriesdetail?sid=3465983 \*\*\*\***二、********人工智能助推电力加速发展********** 昇思MindSpore开源社区联合南方电网人工智能基础设施运营中心，基于昇思大模型平台，共建电力人工智能专区，共同打造面向广大开发者的电力人工智能生态。该专区汇集电力行业案例，通过开放特色电力数据集与模型，发布学习实践课程、比赛活动，推动电力行业与AI技术的融通发展。通过昇思大模型平台，汇聚AI开发者，构建电力行业开发者生态桥头堡，使能智慧电力。 电力人工智能专区： https://xihe.mindspore.cn/electricity - **实际应用案例，助力企业场景落地** 平台已上线4个人工智能项目案例，并开放部分模型，面向开发者提供从模型训练、推理到部署的AI应用开发专区。其中，基于MindSpore YOLO套件开发的YOLOv7-Tiny对隐患进行目标检测案例已经公开模型和文档，供开发者轻松上手体验。 - **开放电力数据集，为AI提供基础支撑** 电力专区发布了输电设备常见隐患数据集、电力安全工作规程知识库、中国电力知识百科全书数据集、电力部件数据集等9个数据集供开发者使用。 昇思MindSpore致力于成为电力行业数字化转型的首选AI框架，携手伙伴通过AI与电力业务的深度融合，助力电力企业实现安全、高效、绿色、创新的转型升级，同时将深化昇思大模型平台人工智能电力专区的打造，联合更多电力行业企业持续发布电力行业课程、比赛与活动，助力开发者快速掌握、深度学习，培养电力行业AI人才。 --- https://www.mindspore.cn/news/zh/268/ --- 新闻 案例 | 手写汉字训练和识别系统 # 案例 | 手写汉字训练和识别系统 2020/10/16 # 案例 | 手写汉字训练和识别系统 一、简介 本项目是属于手写体文字识别应用，旨在基于MindSpore AI计算框架和Atlas实现手写汉字拍照识别系统。该系统能够对写在纸上的多个汉字，使用摄像头拍摄视频，实时检测字符区域并给出识别类别。该系统包括手写汉字模型训练（云上）、模型转换、模型部署、摄像头图像采集、模型推理（端侧）、结果展示等完整训练和应用流程。其中模型采用的是深度神经网络，目前深度学习在文字识别方面有着广泛的应用，多分类问题是其中重要的一类。然而，深层网络模型的结构通常很复杂，对于一般的多类别分类任务，所需的深度网络参数通常随着类别数量的增加而呈现超线性增长。本项目需要识别字库中字的类别数高达3755类，模型训练是整个流程中耗时最长且决定识别精度的重要环节，模型推理在识别流程中占据较大部分。所以这两个环节的速度和精度对于用户体验至关重要。如何研究高性能、高精度、实用性强的方案变得极具挑战性。 二、项目开发目的和意义 手写汉字是几乎所有国人的最自然技能之一。日常生活中有很多场景需要对写在纸上的汉字进行识别或者录入电脑。如下图是一位同事咨询该字如何发音，如果能够识别它就能达到认识它的目的。 生活中遇到的手写汉字 本项目是属于手写体文字识别应用，在华为云ModelArts平台上基于MindSpore AI计算框架进行手写汉字模型的训练，然后通过ATC模型转化工具和ACL接口，将模型部署到Atlas上，实现手写汉字拍照识别系统。该系统能够对写在纸上的多个汉字，使用摄像头捕获视频/图像，实时检测手写文字区域并给出识别类别。本项目的单字版使用MindSpore AI计算框架在3755类手写汉字数据集上进行模型训练，然后将训练好的模型转换为Ascend310支持的离线推理模型，在华为Atlas上借助摄像头对少量手写汉字进行实时检测和识别，具有完整性、代表性和实用性，满足了在实际场景下用摄像头进行文字的拍照感知、实时检测和识别的需求。 三、系统设计 系统可以划分为数据处理、模型构建、文字实时感知等三个主要子系统，各子系统相对独立，但存在数据关联。其中数据处理包括手写汉字数据集划分、新数据集制作、图像增强等字符图像预处理；模型构建和训练包括网络定义、模型训练等模块；文字实时感知包括视频解析、单字检测、图像预处理和字符识别与展示。为了说明各模块之间的结构关系，细化的整体结构图如下图所示。系统的各模块将在给出系统整体设计流程之后进行详细介绍。 系统整体功能结构图 3.1 基于MindSpore的系统流程 整个系统流程分为两个阶段。训练阶段在HITHCD-2018数据子集上借助MindSpore生成定制版ResNet模型。推断阶段包括摄像头图像采集、字符检测、图像预处理、文字识别等模块，具体流程见下图所示。 基于MindSpore训练的系统流程图 3.2 手写数据集 3.2.1数据集介绍 本项目使用了HITHCD-2018数据集的子数据集。HITHCD-2018是哈尔滨工业大学收集的、用于手写汉字识别（HCCR）的大型数据库，有超过5346名书写者书写，是目前规模最大、字类最多的数据库（Tonghua Su et al. HITHCD–2018: Handwritten Chinese Character Database of 21K-Category, ICDAR, 2019）。我们使用子数据集，共563,250个样本，它覆盖了3755个类别的国标第一级字符（GB2312-1980 Level 1）。其中训练数据中为每个字符类提供了120个样本，测试集每类提供30个样本，后者可以用于超参数验证。 3.2.2数据集制作 在MindSpore中经常使用的数据类型是mindrecord，不是常见的jpg,jpeg,png,tif等格式。比起单张图片，它具有I/O效率高、支持多线程并发读写、节省内存、语义完全符合ACID性等特点。由于本项目所用HITHCD数据集存储形式为gnt，我们需要对其进行格式转换，输出成mindrecord文件。gnt的存储形式如下图所示，前4个字节是当前图片所占的字节数，紧跟的2个字节是图片对应标签的ASCII编码，再往后4个字节分别是宽和高，最后是图片具体信息，如此往复。 gnt文件存储情况 生成mindrecord的流程如下图所示。为了更高效地制作数据集，我们在制作mindrecord之前，在buffer中先对图像进行打乱和预处理，预处理的具体操作将在后面板块介绍。得到已经预处理完成的gnt格式数据后，再使用tensorflow制作mindrecord数据集。 制作mindrecord流程图 3.3 图像预处理 图像的亮度、对比度等属性对识别的影响很大，书写的同个汉字在不同环境下也有不同。然而，在识别问题中，这些因素不应该影响最后的识别结果。为了尽可能减少无关因素的影响，我们对原始数据进行了预处理和增强，提高了网络的泛化能力。该部分流程如下图所示： 数据增强流程 大津法二值化主要是利用最大类间方差，将图片分为前景和背景两部分。本项目中，它的目的是为了保持手写汉字灰度不变，将背景统一为纯白底色，增加识别的鲁棒性。调用threshold(img, img, 0, 255, THRESH\_TOZERO | THRESH\_OTSU)函数，可实现项目需求。如示意图所示。 大津法二值化效果图(左为原始图像，右为大津法校正图像) 灰度均衡法由Cheng-Lin Liu, Fei Yin等人在“Online and offline handwritten Chinese character recognition: Benchmarking on new databases”中提出，目的是为了尽可能使得训练样本汉字灰度值相近，提高识别的准确率。对于给定的像素值在0到255之间的汉字样本，首先进行灰度均值计算，若大于110，即样本图片更接近白色、笔画颜色偏浅，则对其进行笔画增粗、增黑，其前后效果如图所示。 灰度均衡效果图(左为原始图像，右为灰度均衡校正图像) 对于给定的MindSpore网络，训练的样本需为统一尺寸。因此，在预处理过程中，还需要对汉字进行居中padding和大小归一化。该部分的主要步骤为:1.根据长宽比，将汉字resize到尽可能接近目标尺寸；2.采用邻接线性插值法，将样本padding为正方形。如图所示的“知”字，我们将原有68\*72大小处理为了112\*112的标准图片，并采用cvtColor(img, img, COLOR\_GRAY2BGR)将其转为单通道，完成了整个预处理流程。 居中padding及归一化示意图(左为原始图像，右为预处理后标准图像) 3.4 文字检测 针对onCameraFrame里内容进行单字检测，整个过程见文字检测流程示意图，关键步骤的效果见单字检测关键过程的示意图。首先考虑到摄像头中真实场景的复杂背景信息，以及OpenCV有限的区域提取能力，我们固定手写汉字颜色为红色，以简化轮廓提取难度。因为红色在BGR颜色空间是不连续的，将图片转为HSV颜色空间进行颜色过滤操作。具体做法为：首先接收摄像头发送的格式为YUV420SP的图片，对该图片转为BGR格式，转换后如图所示。 文字检测流程 (a) 原图 (b) hsv图 (c) 轮廓提取图 (d) 轮廓膨胀图 (e) 区域提取图 单字检测关键过程的示意图 接着使用H(170,180)，S(100,255), V(100,255)，做为颜色阈值对图像进行颜色提取，结果如图(b)和图(c)所示。随后使用OpenCV的膨胀方法对提取的文本区域进行膨胀处理，以便于更明显的区分文本区域和背景，结果如图(d)所示。接下来在膨胀后的图像上提取轮廓，并针对该轮廓求最小水平矩形。考虑到存在可能的误差区域以及一个字分成多个区域，我们使用轮廓间的相对距离（即轮廓间距离/图像对角线距离）进行是否属于同一区域的判断，具体做法是设定距离阈值，计算两两轮廓间距离除以图像对角线距离得到相对距离，该距离小于距离阈值时，属于同一区域，该距离大于等于距离阈值时，属于不同区域，最后使用交并集算法进行区域合并。然后设定面积阈值，计算合并后的每个水平矩形的面积，并除以图像面积得到相对面积，当相对面积在距离阈值区间时，判定为文字区域，否则，舍弃，最后返回我们标定的文字区域坐标范围。最后的提取区域如图(c)所示。 3.5文字识别 本节按照模型定义、上传数据、模型训练、过程展示、训练结果等多个方面展开。 3.5.1模型定义 文字识别部分采用ResNet-18来完成模型的学习与推断，它们的作用是用来对检测出来的文字进行分类，如图所示。 ResNet-18网络结构图 3.5.2上传数据和脚本 Step1:选择华为云服务中的对象存储服务OBS Step2:点击“创建桶”，根据需要选择不同计费标准 Step3:OBS授权，参考链接: https://bbs.huaweicloud.com/videos/101366 3.5.3模型训练 Step1:选择华为云服务中的ModelArts，使用ModelArts控制台页面的训练作业功能（或者使用ModelArts Pycharm Tookit提供的训练作业功能）。 Step2:设置框架、代码目录、启动文件、数据存储位置和单卡多卡模式等参数，然后启动训练作业。 3.5.4过程展示 在训练作业中打开作业，选择日志模块进行查看。若在本地配置了MindSpore，还可通过MindInsight可视化训练过程。 ModelArts训练过程展示1 ModelArts训练过程展示2 3.5.5训练结果 使用相同数据集，和TensorFlow进行精度和训练时长的对比如下图所示。 与TensorFlow的精度和训练时长对比(TensorFlow使用GPU为TITAN X, MindSpore为V100) 网络训练完成后，可进一步导出为AIR（GEIR）或ONNX格式的PB模型，以便后续部署到Atlas或其它平台上进行推理。 `input = np.random.uniform(0.0, 1.0, size=[1, 3, 112, 112]).astype(np.float32) export(net, Tensor(input), file_name='/cache/ckpt/resnet.air', file_format='AIR')` 3.6模型转换 要将训练好的MindSpore模型部署到Atlas上，首先要将其转换为Ascend 310 AI处理器支持的离线模型。使用ATC模型转换工具进行模型转换，转换代码如下。参数说明请查看ATC工具文档。 模型转换时的关键配置 3.7推断时的数据结构设计 模型部署模块数据结构设计参考了目标检测的数据类型，汉字识别在其基础上添加了如下数据类型： `// 每个汉字的矩形框 struct CRect { hiai::Point2D lt; // left top hiai::Point2D rb; // right bottom }; // 每张图片的检测与识别结果 struct ImageResults{ int num;// 每帧图像中的汉字数量 std::vector OutputT output_datas;//每帧图像中汉字输出向量集合 std::vector ;//每帧图像中汉字的矩形框集合 }; // 多帧图像检测与识别结果集合 struct CEngineTransT{ bool status; std::string msg; // error message hiai::BatchInfo b_info; std::vector imgss;//每帧图像集合 std::vector results;//每帧识别结果集合 };` 3.8部署流程设计 根据汉字检测与识别的需求，共设计了三个引擎模块，分别为摄像头模块、推理模块、后处理模块，部署流程图如图所示。摄像头模块与Camera驱动进行交互，设置摄像头的帧率、图像分辨率、图像格式等相关参数，从摄像头中获取YUV420SP格式的视频数据，每一帧传给推理引擎进行计算。以此工程为例，其中帧率fps为5，图像分辨率取1280x720，摄像头图像格式为默认的YUV420SP。推理模块接收摄像头数据，对YUV420SP格式的每帧图像进行以下两方面的处理：一方面将其转为RGB格式的图像，使用OpenCV对图像进行处理，检测出汉字的矩形框集合，接下来依次对每个汉字子图像通过模型进行推理，得到输出向量的结果集合；另一方面还需将每帧图像转换JPEG格式，以便于查看摄像头图像。将JPEG格式的每帧图像集合和每帧识别结果集合作为输入传给后处理引擎模块。后处理模块接收上一个引擎的推理结果与摄像头JPEG图像，将矩形框集合添加到Presenter Server记录检测目标位置信息的数据结构DetectionResult类中，作为摄像头图像的检测结果，通过调用Presenter Agent的API发送到UI Host上部署的Presenter Server服务进程。Presenter Server根据接收到的推理结果，求出汉字最大预测概率值所对应的索引，在索引表中查找对应汉字，在JPEG图像上进行汉字矩形框位置及汉字识别结果的标记，并将图像信息发送给Web UI。索引表为一个记录汉字与其对应索引值的表，为txt文件，在Ubuntu系统下以UTF-8的格式存储，其中每一行对应一个汉字。 四、最终效果展示 最后，我们针对拍照识别的实际场景，进行了测试。硬件布局图如下图所示。 Atlas与摄像头布局 最后，我们测算了系统的主要时间消耗情况。一帧图片的整图字符检测约60毫秒，识别阶段每个字的平均识别时间约为3毫秒。在光线稳定的情况下，单字识别准确率90%以上。 五、后续可扩展性 本项目聚焦于少量手写汉字的识别任务。后续可以扩展到包含复杂背景的大量手写汉字识别场景，比如手写作文文字的检测与识别等任务。 --- https://www.mindspore.cn/news/zh/2681/ --- 新闻 MindSpore SPONGE SIG技术分享例会预告 # MindSpore SPONGE SIG技术分享例会预告 2023/07/26 # MindSpore SPONGE SIG技术分享例会预告 7月28日下午15点，MindSpore SPONGE SIG技术分享例会邀你加入！本期嘉宾来自北京大学博士后——张宏老师，为大家带来“基于传统和机器学习方法的分子对接程序的介绍和应用”的议题分享。分子对接在传统药物研发中难以应用于高通量的蛋白质对接任务，而现在通过机器学习的方法是否可以带来不一样的结果呢？就让我们一起看看吧。本次直播由腾讯会议、【MindSpore官方】B站直播间同步进行，详情可见海报。 --- https://www.mindspore.cn/news/zh/2682/ --- 新闻 昇思超级英雄榜 | 2023上半年优秀开发者入选榜单公布 # 昇思超级英雄榜 | 2023上半年优秀开发者入选榜单公布 2023/07/26 # 昇思超级英雄榜 | 2023上半年优秀开发者入选榜单公布 2023上半年，昇思MindSpore共认证**3\*\*\*\*位布道师、1位资深开发者、6位优秀开发者**。多位开发者**参与了昇思MindSpore各领域的开发，更有SIG组Maintainer等开发者**，期待各位开发者在昇思MindSpore获得更多的技术提升，为开源社区持续贡献力量。 截止目前，**昇思MindSpore社区共388位开发者认证各级别MindSpore优秀开发者/布道师，其中353位为非华为的社区贡献者。** 本次开发者认证公示，以下排名不分先后。 往期回顾 昇思超级英雄榜 | 第四季度优秀开发者入选榜单公布 昇思超级英雄榜 | 第四季度38位开发者入选国内首个AI开源社区开发者进阶榜单 昇思超级英雄榜 | 第三季度18位开发者入选国内首个AI开源社区开发者进阶榜单 昇思MindSpore超级英雄榜最新公布！超300位开发者入选国内首个AI开源社区开发者进阶榜单 --- https://www.mindspore.cn/news/zh/2684/ --- 新闻 创意信息加入昇思MindSpore开源社区，共筑AI创新生态 # 创意信息加入昇思MindSpore开源社区，共筑AI创新生态 2023/07/28 # 创意信息加入昇思MindSpore开源社区，共筑AI创新生态 创意信息技术股份有限公司**正式加入昇思MindSpore开源社区**，助力AI生态繁荣发展。 2023年6月16日，人工智能框架生态峰会 2023 在上海召开。作为生态合作伙伴，创意信息技术股份有限公司（以下简称“创意信息”）受邀参加本次峰会。 峰会当天，昇思 MindSpore 携手行业用户与伙伴带来人工智能框架的最新进展与系列重磅发布，包括创意信息在内的18家AI顶级企业、学会、高校及科研院所共同发布\*\*《共建人工智能框架生态倡议》\*\*，通过政产学研用的共同努力，支撑中国人工智能框架生态走向新高度，推进中国人工智能产业新发展。 此外，上海昇思AI框架&大模型创新中心也正式启动，创意信息作为首批产业伙伴**正式入驻创新中心**，共建人工智能框架生态，共谋AI产业发展。 作为国内领先的数字化转型服务提供商，创意信息一直以来注重与AI产业链伙伴的深度交流与合作，积极推进行业生态建设与繁荣。 2023年6月20日，创意信息签署CCLA（Corporate Contributor License Agreement 企业贡献者许可协议），正式加入**昇思MindSpore开源社区**，助力AI生态繁荣发展。 创意信息作为深耕人工智能产业的高新技术企业，一直以来不断推进产品与国产人工智能框架、算力芯片进行适配，助力AI技术场景化落地，加速推进国产AI生态建设。公司数字连接—边缘网关平台V1.0在基于昇思MindSpore的架构基础上，**打造了一系列AI+业务场景应用**，为智慧城市建设添砖加瓦，为社会治理保驾护航，为智慧园区转型升级，为数字工厂提能增效，助力多行业实现自动化决策和可持续发展。 智慧工地项目 对于人工智能产业而言，追求**高效率、高性能、灵活易用**的基础架构是永恒的主题。创意信息技术团队锐意创新，2023年7月26日，创意信息核心产品数字连接—边缘网关平台V2.0基于全场景AI框架昇思MindSpore和昇腾硬件，完成了兼容性测试，在**模型、算法工程、系统**等方面做了大量调优工作，整体运行稳定高效，满足关键性需求，**AI算法性能较原有方案提高4-8\*\*\*\*倍。** 加入开源社区后，创意信息将与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态，并基于昇思MindSpore全场景AI框架，共同打造创新性产品及解决方案，推动政企数字化转型走深入实，构建繁荣的人工智能产业生态圈，推动AI行业的创新与发展。 未来，创意信息将与昇思MindSpore展开更广泛的深入合作，持续创新、携手共赢，以人工智能技术带动数字经济腾飞，使能千行百业智能化升级，共同推进中国人工智能产业高质量发展。 创意信息技术股份有限公司 创意信息聚焦新型智慧城市建设、基层社会治理、智慧园区、智慧医保等重点业务领域，通过在云计算、物联网、大数据、人工智能、数据库、5G 等技术领域的深耕布局，构建起基于数据要素全生命周期的全栈处理能力，致力于为用户提供集“需求调研、规划设计、集约建设、运维管理”于一体的全链条服务。 数字连接-边缘网关平台 数字连接-边缘网关平台是一款软硬一体的产品，依托边缘设备，支持接入多源视频并能够灵活调度10余种视频质量检测、20余种AI智能分析插件，实现关键任务高效处置、实时响应。同时通过搭载云管理平台，实现边缘设备远程管理、效能评估、综合处置、能力开放，为团队工作提效，为业务拓展赋能。‍‍ 我们诚邀各企业、高校及科研院所加入昇思MindSpore开源社区，成为社区合作伙伴，与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态。 更多合作需求请扫码添加企业助手进行咨询 --- https://www.mindspore.cn/news/zh/2685/ --- 新闻 登上流体力学顶刊！ 基于昇思MindSpore打造的AI+流体仿真大模型论文发表 # 登上流体力学顶刊！ 基于昇思MindSpore打造的AI+流体仿真大模型论文发表 2023/07/31 # 登上流体力学顶刊！ 基于昇思MindSpore打造的AI+流体仿真大模型论文发表 中国商飞上海飞机设计研究院打造的**二维超临界翼型流场快速预测方案**相关研究论文被流体力学顶刊《Physics of Fluids》接收，该方案**基于昇思MindSpore AI框架孵化了\*\*\*\*成果“东方.御风”**，助力大飞机设计加速。 该成果已由中国商飞首席科学家吴光辉院士在2022年9月举办的世界人工智能大会WAIC2022上发布，北京大学数学学院董彬老师团队参与指导孵化，相关代码和部分数据集已在开源社区Gitee的MindSpore Flow代码仓开源\[1\]。 “东方.御风” 是利用昇腾AI澎湃算力打造的面向大型客机翼型流场高效高精度AI预测仿真模型，并在昇思MindSpore流体仿真套件的支持下，**有效提高了对复杂流动的仿真能力，单次仿真时间相较传统方式缩短20倍以上**，大幅提高仿真效率的同时能精准预测，流场平均误差降低至万分之一量级，达到工业级标准。 “东方.御风”的表面压力系数预测结果及仿真效率对比 在飞行器的设计中，机翼的阻力分布约占整体飞行阻力的52%，因此，机翼形状设计对飞机整体的飞行性能而言至关重要。为了实现超临界翼型的的AI高效高精度流场预测，需要克服如下的技术难点：翼型网格疏密不均，流动特征提取困难；不同气动参数或翼型形状发生改变时，流动特征变化明显；激波区域流场变化剧烈，预测困难。 针对如上所述的技术难点，我们设计了基于AI模型的技术路径图\[2\]，构建不同流动状态下翼型几何及其对应流场的端到端映射，主要包含以下几个核心步骤：首先，设计AI数据高效转换工具，实现翼型流场复杂边界和非标数据的特征提取，如图数据预处理模块。先通过曲线坐标系网格转换程序实现规则化AI张量数据生成，再利用几何编码方式加强复杂几何边界特征的提取。其次，利用神经网络模型，实现不同流动状态下翼型构型和流场物理量的映射，如图ViT-based encoder-decoder所示；模型的输入为坐标转换后所生成的翼型几何信息和气动参数；模型的输出为转换后生成的流场物理量信息，如速度和压力。最后，利用多级小波变换损失函数训练网络的权重。对流场中突变高频信号进行进一步地分解学习，进而提升流场剧烈变化区域（如激波）的预测精度，如图loss function对应的模块。 “东方.御风”模型的技术路径 基于上述的方法策略和优化方案，“东方.御风”采用与壁面距离相关的几何编码技术和多级小波变换的损失函数，将全流场的预测误差降低了20%，激波附近区域的流场预测误差提升了50%。重构流场结果如下图所示： 采用多级小波变换误差的优化效果 此外，这个模型还可以作为2D翼型流场的预训练模型，对于全新的翼型和工况，进行快速微调泛化，消融实验表明，仅需1~5个流场数据的分钟级迁移学习，模型的推理预测精度就可达1e-4量级。 “东方.御风”作为2D超临界翼型的研究起点，具备高精度和高效率等特点，为进一步三维翼型的研究提供了深厚的技术铺垫。未来，AI方法将进一步赋能流体力学、气象、海洋等基础研究，展现出极大的应用前景。 ## **参考文献** \[1\]https://gitee.com/mindspore/mindscience/tree/master/MindFlow/applications/data\\\_driven/airfoil/2D\\\_steady \[2\]Prediction of transonic flow over supercritical airfoils using geometric-encoding and deep-learning strategies. ZW Deng et al. Physics of Fluids 35, 075146 (2023) --- https://www.mindspore.cn/news/zh/2686/ --- 新闻 瓯云数智加入昇思MindSpore开源社区，助力AI技术场景化落地 # 瓯云数智加入昇思MindSpore开源社区，助力AI技术场景化落地 2023/08/01 # 瓯云数智加入昇思MindSpore开源社区，助力AI技术场景化落地 近日，杭州瓯云数据智能有限责任公司签署CCLA（Corporate Contributor License Agreement 企业贡献者许可协议）**正式加入昇思MindSpore开源社区**，助力AI生态繁荣发展。 目前家居电商业务对需求端的了解不够清晰，营销方案设计缺乏科学依据，备货管理面临挑战，库存呆滞和缺货现象普遍存在，供应链管理缺乏需求端信息的指导，需求预测难度大、准确性差，难以给产品企划、渠道营销方案设计和供应链部门的备货提供有效指导和提升。 杭州瓯云数据智能有限责任公司（以下简称“瓯云数智”）联合昇思打造家居销量预测联合解决方案，通过采集电商网站中的数据，结合特征工程技术，并基于全场景AI融合框架昇思MindSpore的预测算法，对家居行业的产品销量进行预测，为家居企业的生产备货提供建议，提高供应链鲁棒性，节省生产调度成本。 需求预测驾驶舱——操作界面模拟 家居产品种类多、部分家居产品的历史销量为0，部分销量呈现季节性变化，节假日促销影响较大。昇思Wide&Deep算法对于部分销量为0的数据，可以通过低维嵌入来泛化；部分影响因素可以通过交叉特征转换来记忆。 昇思Wide&Deep算法预测家居销量 与单一的线性模型（Wide-only）和深度模型（Deep-only）相比，Wide&Deep可以显著提高CTR预估的效果。瓯云数智结合昇思Wide&Deep算法，打造基于数据智能的需求预测解决方案，\*\*误差指标均下降，\*\***其中MAPE指标下降36%。** 昇思赋能算法提升 2022年12月，瓯云数智完成全场景AI框架昇思MindSpore兼容测试，2023年7月，瓯云数智签署CCLA（Corporate Contributor License Agreement 企业贡献者许可协议），**正式加入昇思MindSpore开源社区**，携手昇思共同构建繁荣的人工智能产业生态圈。 瓯云数智&昇思MindSpore认证合作 未来，瓯云数智将与昇思MindSpore展开更广泛的深入合作，用智能决策为企业提供数字化改造、智能化升级服务，共同打造家居行业销售预测、生产排程；期货交割选址规划；服装行业生产排程；车辆运输调度规划；板材切割系统等创新性产品及解决方案，助力AI行业繁荣发展。 杭州瓯云数据智能有限责任公司 瓯云数智聚焦制造业、物流业、新能源、芯片等重点业务领域，通过在机器学习、优化算法、大数据、物联网等技术，为企业提供数字化改造、智能化升级服务。 我们诚邀各企业、高校及科研院所加入昇思MindSpore开源社区，成为社区合作伙伴，与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态。 更多合作需求请扫码添加企业助手进行咨询 --- https://www.mindspore.cn/news/zh/2688/ --- 新闻 昇思赛道专业解读来了！昇腾AI创新大赛2023各大赛题全新升级 # 昇思赛道专业解读来了！昇腾AI创新大赛2023各大赛题全新升级 2023/08/03 # 昇思赛道专业解读来了！昇腾AI创新大赛2023各大赛题全新升级 本次直播将围绕昇思赛道整体赛事规则，以及数据打榜赛各赛题破题思路进行解读，并邀请往期参赛选手进行经验分享，助力各选手在比赛中取得优异成绩。 --- https://www.mindspore.cn/news/zh/2690/ --- 新闻 生产效率提升35%！森罗智瞳基于昇思MindSpore打造集装袋缺陷智能检测系统 # 生产效率提升35%！森罗智瞳基于昇思MindSpore打造集装袋缺陷智能检测系统 2023/08/07 # 生产效率提升35%！森罗智瞳基于昇思MindSpore打造集装袋缺陷智能检测系统 目前，编织袋的缺陷检测仍以人工肉眼检测为主，这是制约编织袋生产效率以及质量提高的主要瓶颈之一。随着编织袋自动化生产的程度不断提高，人工肉眼检测不仅效率低、漏检率高且易受主观因素影响，已无法满足编织袋表面缺陷的检测需求。 由于机器视觉技术具有非接触性、效率高以及识别精度高等优点，因此其被广泛应用于多种工业产品的缺陷检测。利用机器视觉代替人眼检测缺陷，能够提高编织袋生产的效率，因此基于机器视觉的编织袋表面缺陷检测系统开发具有重要意义。 \*\*重庆森罗智瞳科技有限公司携手昇腾AI，基于昇思MindSpore AI框架打造了集装袋缺陷智能检测系统。\*\*该系统以工厂的实际需求出发，利用人工智能技术帮助生产编织袋的工厂对编织袋的缺陷进行精确检测，摆脱人工检验容易疲劳、个别差异、可重复性差等问题，通过智能质检助力企业提高产品质量水准。 森罗智瞳的集装袋缺陷智能检测系统，基于机器学习和计算机视觉技术, 能够在复杂环境中对包装的质量缺陷开展实时监测识别，高倍像素的工业镜头对着外包装开展多方位拍摄，AI视觉识别系统将拍照过的每一帧画面传送给机器视觉里的图像处理系统，使用图像处理软件对图像数据展开分析解决，挑选出去外包装存在缺陷的食品，完成对不合格品的自动去除。 在重庆人工智能创新中心的支持下，该系统与全场景AI框架昇思MindSpore完成兼容性测试，实现用机器替代人工进行质量检验。**通过对5232个样本集进行训练和测试，相比原框架识别准确率从94%提升到98.34%，识别速度提升超30%，召回率达到99.5%。** 该解决方案目前已面向多家集装袋生产企业进行推广应用。在南通联荣集团有限公司的集装袋生产线质检中，已经识别合格集装袋60余万张，生产效率提高35％，助力企业实现百万级利润增长。 未来，昇思MindSpore将继续发挥在人工智能领域积累的技术优势，联合森罗智瞳等合作伙伴，赋能细分场景，为各行各业数字化转型升级，打下更坚实的智能根基。 **重庆森罗智瞳科技有限公司** 重庆森罗智瞳科技有限公司，由重庆大学光电工程学院学生刘森创立，企业地址位于重庆市高新区，由重庆大学光电工程学院光电成像实验室孵化，入驻重庆市科创孵化园区-大创慧谷。与江苏联荣集团合作的集装袋检测与分拣系统成功应用于集装袋的检测和分拣。 --- https://www.mindspore.cn/news/zh/2691/ --- 新闻 MindSpore SPONGE暑期学校火热招生中，分子计算课程等你来 # MindSpore SPONGE暑期学校火热招生中，分子计算课程等你来 2023/08/08 # MindSpore SPONGE暑期学校火热招生中，分子计算课程等你来 \*\*活动时间：\*\*8月21日25日 每天的8：3012：00、14：0017：00、19：0020：30。 \*\*活动地点：\*\*北京大学化学与分子工程学院（名额有限，请大家填写报名表单的同时一定加入课程群组，最终线下参与学员将会在群内或者邮件通知您，线下将提供免费云算力平台供实操体验）。 --- https://www.mindspore.cn/news/zh/2693/ --- 新闻 【直播预告】8月11日MindSpore Flow SIG分享会——基于深度学习的非线性流固耦合系统降价建模方法 # 【直播预告】8月11日MindSpore Flow SIG分享会——基于深度学习的非线性流固耦合系统降价建模方法 2023/08/10 # 【直播预告】8月11日MindSpore Flow SIG分享会——基于深度学习的非线性流固耦合系统降价建模方法 8月11日晚19:00，MindSpore Flow SIG技术分享例会邀你一同参加！本期嘉宾邀请来自西安交通大学在读博士生韩仁坤老师，讲解议题《基于深度学习的非线性流固耦合系统降价建模方法》。 针对在工程实践中CFD/CSD耦合计算耗时严重问题以及飞行器初步设计阶段的反复修改迭代问题，提出了一种基于深度神经网络的流场预测模型，来学习并预测运动边界附近的非定常流场演化过程。一起来看看基于深度神经网络的流固耦合系统预测模型能否在给定初始状态情况下完成预测整个系统演化过程。 本期技术分享会在腾讯会议和【MindSpore官方】B站直播间同步直播，敬请期待！ --- https://www.mindspore.cn/news/zh/2694/ --- 新闻 MindSpore易用性体验官活动之寻找API文档缺失上下文活动 # MindSpore易用性体验官活动之寻找API文档缺失上下文活动 2023/08/14 # MindSpore易用性体验官活动之寻找API文档缺失上下文活动 # 活动简介 昇思MindSpore邀请各位小孢子参与MindSpore API寻找文档缺失上下文活动，发现API文档中缺失上下文的点并提出Issue，与MindSpore共同成长，更有超值奖品等你来拿呦！ # 活动时间 **08月14日——09月03日** # 活动方式 （1）首先进入昇思MindSpore官网，查看API文档（master分支）中的mindspore.nn、mindspore.ops、mindspore.ops.primitive和mindspore.train四个模块中所包含的接口文档，寻找文档**描述中缺失上下文**的点并提出Issue。 （2）请到MindSpore/mindspore仓库中提Issue，编辑和发布Issue时请注意以下三点： ①每一个接口中发现的缺失上下文的点请总结到一个Issue中提出； ②Issue中可通过截图标注可改进点的位置并配上详细的问题说明； ③Issue标题请写成“XXX接口描述缺失上下文【8月体验官活动】”，可参考下图。 ※贴心的给大家准备了Issue样例，可参考“mindspore.nn.LayerNorm接口描述缺失上下文【8月份体验官活动】——样例”。 （3）用户完成前两步后，请将Issue链接和个人邮箱通过评论发布到该贴子下方，以便昇思MindSpore团队审核和通知，如下图所示； （4）经过MindSpore团队审核后，会在昇思MindSpore论坛发布获奖公告，并通过2335846400@qq.com邮箱通知获奖用户。 # 4 奖励方式 每个Issue审核并通过可获得积分，然后按照每位用户的总积分从高到低排名（Issue>=1，才计入排名），不同排名和对应奖品：第1名获一等奖；第2-10名获二等奖；第11-20名获三等奖。 # 5 注意事项 1. 请勿盗取他人截图或内容，一经发现做无效参与处理； 2. 同一个改进点，或者相同Issue单，以提交早的为准； 3. 所提Issue需经确认合格后方可计入总数； 4. 最终解释权归昇思MindSpore易用性SIG所有。 --- https://www.mindspore.cn/news/zh/2696/ --- 新闻 杭州人工智能计算中心率先实现基于昇思MindSpore的LLaMa2、Stablediffusion2.1大模型训练部署 # 杭州人工智能计算中心率先实现基于昇思MindSpore的LLaMa2、Stablediffusion2.1大模型训练部署 2023/08/11 # 杭州人工智能计算中心率先实现基于昇思MindSpore的LLaMa2、Stablediffusion2.1大模型训练部署 杭州人工智能计算中心成功实现LLaMA2、Stablediffusion2.1等主流大模型上线，是全国首个在自主可控环境及自主可控AI框架下成功上线的人工智能计算中心。昇思MindSpore是华为开源的首个业界全场景AI融合框架，原生支持AI大模型与科学智能。杭州人工智能计算中心基于昇思，以及大模型开发套件MindSpore Transformer将LLaMa2 70B、Stablediffusion2.1大模型适配到本地环境中，实现高效运行。 为方便开发者群体高效创新，杭州人工智能计算中心上线了昇思MindSpore全流程使能大模型的工具与方法，从开发、训练、微调到部署，覆盖低参微调算法、分布式推理，让开发者有更多样化的选择快速打造大模型 在杭州AICC环境下，开发者可以通过notebook调试，通过训练作业拉起模型训练，几百张卡的分布式训练一键拉起，省去一台台搭建裸机环境的步骤。 **LLaMa2** Llama 2包含了70亿、130亿和700亿参数的模型。Meta正式发布Llama 2后，Llama 2强大的参数规模以及性能表现，对OpenAI带来了不小的压力，人称“GPT-4最强平替”。 Llama-2相比Llama-1有不少技术层面的改进，从而带来了模型性能、推理效率以及安全性等方面的有效提升。具体而言，重要的改进有以下几点： 1、模型架构上使用Group-Query-Attention(GQA)来提高模型推理效率，语境长度从2K增加一倍到4K。 2、预训练语料从1.4T tokens增加到2T tokens。 3、在监督微调（SFT）阶段更加注重数据集质量，使用更少但质量更高的SFT数据相比使用百万量级的公开SFT数据，效果显著提升。 4、引入了三项安全训练技术Supervised Safety Fine-Tuning、Safety RLHF、Safety Context Distillation 提升模型的安全性。 **Stablediffusion2.1** Stable diffusion是一个基于Latent Diffusion Models（潜在扩散模型，LDMs）的文图生成（text-to-image）模型. 具体来说，Stable Diffusion采用 UNetModel 这种 Encoder-Decoder 结构来实现扩散的过程. 在Stable Diffusion中，通过将人类语言转换成机器能理解的数学向量，再结合语义向量，从纯噪声开始逐步去除噪声，生成图片信息隐变量，最后将图片信息隐变量转换为一张真正的图片。 经迁移及优化后，sd2在aicc上支持了全量训练，lora训练，以及flashattention优化 Flashattention作为优化显存的工具，有效的提高了训练batch\_size 数量。 以sd2.0为例 未开启flashattention 未开启flashattention后 提升了约60%的数据并发量，耗时仅提升10% **推理效果↓** 关键词：克苏鲁和红月 关键词：河边看书的女孩 **杭州人工智能计算中心** 杭州人工智能计算中心是全市首个公共服务性质的人工智能算力基础设施，致力于打造人工智能产业和数字经济的底座。由杭州高新区（滨江）管委会、政府投资，杭州高新智能科技有限公司建设与运营。一二期面积2700平方米，规模140P，并将逐步扩容。计算中心采用自主可控的昇腾AI集群，为政府、企业、科研机构、高校等提供公共普惠算力。该中心已于2022年5月20日在杭州市滨江区海创基地上线，提供AI模型训练、应用孵化、产业推广和人才培养等服务助力杭州国家新一代人工智能创新发展试验区、应用先导区建设。 相关问题请咨询： 陈先生 19550207033 / 0571-56101725 --- https://www.mindspore.cn/news/zh/2697/ --- 新闻 昇思MindSpore助力紫东太初大模型开放服务平台2.0发布，打造数字经济智能底座 # 昇思MindSpore助力紫东太初大模型开放服务平台2.0发布，打造数字经济智能底座 2023/08/14 # 昇思MindSpore助力紫东太初大模型开放服务平台2.0发布，打造数字经济智能底座 8月11日，以“数智双擎，算融未来”为主题的东湖算力与大数据创新大会在武汉东湖宾馆召开。在大会开幕式上，武汉人工智能研究院院长王金桥正式发布紫东太初大模型开放服务平台2.0。 2023东湖算力与大数据创新大会 紫东太初大模型开放服务平台是基于紫东太初2.0全模态大模型搭建的全栈国产化平台，该平台旨在将深度学习领域的研究成果转化为具有行业应用价值的产品，从而推动人工智能在各行业的广泛应用。今年6月，紫东太初2.0全模态大模型正式发布，紫东太初全模态大模型在此前语音、图像和文本三模态的基础上，加入了视频、传感信号、3D点云等模态数据，首次提出全模态多任务统一生成式学习框架，突破了认知增强的多模态关联等关键技术，具备全模态理解能力、生成能力和关联能力。 武汉人工智能研究院院长王金桥现场发布演讲 为了有效实现人工智能大模型高效落地，优化行业效率，促进大模型在行业场景中应用，武汉人工智能研究院基于紫东太初2.0全模态大模型，搭建全栈国产化紫东太初大模型开放服务平台2.0。紫东太初大模型开放服务平台2.0是在1.0版本的基础上升级打造的，具备开箱即用、快速定制、一键部署以及多种交付等四大特性。 “紫东太初”大模型开放服务平台2.0 紫东太初大模型开放服务平台2.0聚焦行业落地难的问题，通过提供完整大模型微调工具链，用户可以实现快速定制专属行业模型，并支持微调后一键部署服务，在线评估体验大模型多模态对话。使用大模型开放服务平台2.0提供的微调开发工具链，仅需准备少量行业数据和简单的步骤，即可在平台上训练并部署用户的专属模型。 武智院院长王金桥现场演讲 开放服务平台2.0支持指令集管理、指令编写、大模型调优以及部署推理的一站式服务，在1.0版本基础上，全面升级六大功能：新增标注模块、优化训练深度、支持真实生产环境数据回流、新增可视化拖拽建模、适配全栈国产化、支持模型加密、代码加密等多类型数据加密。开放服务平台2.0全面升级产品功能和基础能力，大幅度降低大模型的构建难度，加快模型训练速度和行业应用落地速度。 “紫东太初”大模型训推一体机 “目前，紫东太初大模型开放服务平台已助力智能文本创作、智慧医疗、智慧物流、智慧政务等多个行业模型落地，深入融合行业场景，加速大模型应用赋能千行百业。 紫东太初大模型开放服务平台为数字经济构建了智能化的基石，武汉人工智能研究院将继续深耕大模型领域，致力于打造数字经济的智能底座，不断推动数字技术与行业应用深度融合，提供更加先进的人工智能解决方案，助力产业升级和发展。 --- https://www.mindspore.cn/news/zh/2700/ --- 新闻 RISC-V国际人才暨开源技术与生态论坛嘉宾阵容出炉！ # RISC-V国际人才暨开源技术与生态论坛嘉宾阵容出炉！ 2023/08/15 # RISC-V国际人才暨开源技术与生态论坛嘉宾阵容出炉！ **国际人才教育论坛暨数字中国开源之旅** RISC-V国际人才暨开源技术与生态论坛是2023 的一部分，由RISC-V International、LF开源软件学园、昇思MindSpore、openEular、OSTech 等多家机构和社区联合发起。本次论坛将于2023年8月23日在北京召开,旨在推动RISC-V相关领域的国际人才培训、交流与合作,促进RISC-V开源技术在各个领域的应用和发展。 时间：2023年8月23日14:00-18:00地点：北京市海淀区紫竹院路29号北京香格里拉饭店（万寿寺地铁站D口西南口步行240米） 本次活动邀请来自国内外开源领域的专家学者和业界大咖，分享开源技术的最新成果和趋势，探讨数字中国开源之路的发展方向和机遇。同时，也为中国一线城市的技术爱好者提供全面的RISC-V开源技术培训和RISC-V国际人才认证服务，为企业与RISC-V人才之间搭建合作的桥梁。 点击阅读原文或扫描二维码报名活动 **论坛嘉宾如下： （排名不分先後）** **Calista Redmond** CEO, RISC-V International Calista Redmond 是 RISC-V 基金会的首席执行官，其使命是扩大和吸引 RISC-V 利益相关者，推动行业采用，并提高基金会内外 RISC-V 的知名度和机会。 在加入 RISC-V International之前，Calista 在 IBM 担任过多种职务，包括 IBM Z 生态系统副总裁，负责领导跨软件供应商、系统集成商、业务合作伙伴、开发者社区的战略关系以及整个行业的更广泛参与。 重点领域包括执行商业化战略、为合作伙伴提供技术和业务支持，以及为 IBM Z 和 LinuxOne 社区的机会牵线搭桥。Calista 的背景包括通过 OpenPOWER、OpenDaylight 和开放大型机项目等开源计划在 IBM 系统集团内构建和领导战略业务模型。 对于 OpenPOWER，Calista 是起草战略、培养合作伙伴基础以及培养战略关系以将组织从零成员发展到 300 多名成员的领导者。 在 IBM 期间，她还推动了众多收购和剥离任务以及多个战略联盟。 在加入 IBM 之前，她是 IT 行业四家成功初创企业的企业家。 卡莉斯塔拥有密歇根大学和西北大学的学位。 **吴伟**中国科学院软件研究所PLCT实验室项目总监 中国科学院软件研究所PLCT实验室项目总监。在RISC-V国际基金会担任技术指导委员会委员、RISC-V Infra HC主席、RVP工作组联席主席的等职务，同时担任RISC-V国际基金会中国联络人、RISC-V 大使。自2022年起担任LLVM基金会理事会（BoD）理事，致力于维护LLVM社区的健康发展、改进LLVM基础设施、吸引更多群体加入LLVM开发者社群。在开源领域有长期的贡献，是开源开发工具社区（OSDT）的负责人。OSDT社区每年举办多次技术分享及交流活动，致力于促进国内从事编译器、虚拟机、模拟器等领域的开发者相互交流和促进。同时也是国内CNRV（RISC-V中国社区）的核心成员之一。 于佳耕，博士，中国科学院软件研究所高级工程师、硕士研究生导师。主持自然科学青年基金1项、中科院软件所重点项目1项，作为核心人员参与核高基国家重大专项和军科委“智能处理器操作系统及驱动”课题，成果贡献于寒武纪1M和MLU两个重点产品型号。发表论文以及申请专利、软件著作权若干。当前从事人工智能、智能系统软件研发。openEuler RISC-V SIG Maintainer。 **缪宇飏** 中国科学院计算技术研究所工程师 本科毕业于西北工业大学计算机科学与技术专业，主攻计算机嵌入式和体系结构方向。目前在中国科学院计算技术研究所任工程师，主要负责“一生一芯”计划和开源芯片软硬件生态建设相关工作。 我们即将公布更多活动的消息！敬请期待！ **\-- 组织单位--** **有关2023 RISC-V 中国峰会** 将于8月23日至25日在北京举办。本届峰会采用“主会议+主题活动+展览展示+同期活动”的会议组织方式，将邀请RISC-V国际基金会、业界专家、企业代表及社区伙伴等共同探讨RISC-V发展趋势与机遇。预计将吸引超过百余家业界企业、高校院所及开源技术社区等机构，近百家媒体参会。 以上活动是RISC-V 峰会活动的一部份，我们也建议大家报名RISC-V 中国峰会，报名者可以享受进入场地、参加主会、领取主会提供的纪念品！ 扫描下方二维码即可参与报名 RISC-V 中国峰会 --- https://www.mindspore.cn/news/zh/2703/ --- 新闻 引领数智未来，AI大模型创新成果与产业专题论坛在武汉举办 # 引领数智未来，AI大模型创新成果与产业专题论坛在武汉举办 2023/08/16 # 引领数智未来，AI大模型创新成果与产业专题论坛在武汉举办 2023年8月11日，以“数智双擎，算融未来”为主题的2023东湖算力与大数据创新大会在武汉顺利举行。AI大模型创新成果与产业专题论坛同期举办，论坛邀请来自高校、研究机构，以及各行业企业大模型技术专家、资深工程师和产业精英代表等，分别从大模型应用、算法、AI基础软硬件等不同视角进行深入研讨，共话算力时代产业发展新趋势及新挑战。 ******赋能万物，智领大模型应用未来****** 2023年无疑是AI大模型的“爆发年”，大模型以极强的通用能力和突破性效果，正加速推动通用人工智能的快速发展。 会上，**武汉大学人文社会科学研究院副院长陶军**在致辞中表示，AI大模型是人工智能领域的重要创新，但也面临着许多挑战和风险，我们需要从多个角度深入思考和讨论，共促AI大模型健康和可持续发展。 武汉大学人文社会科学研究院副院长 陶军 **武汉人工智能研究院院长、中科院自动化所紫东太初大模型研究中心常务副主任王金桥**表示，普惠AI时代正在到来，整个人工智能大模型的道路刚刚开启。如何解决算力短缺、大模型训练成本高等问题，是当下我们要重点探讨的内容。 武汉人工智能研究院院长、中科院自动化所紫东太初大模型研究中心常务副主任 王金桥 **华为公共事业系统部副总裁孙鹏飞**表示，当前，基于昇腾AI已经孵化和适配了30多个主流大模型，为中国人工智能产业繁荣提供了强大稳固的基石。未来，AI大模型将应用到千行百业，成为各行业的重要技术手段。 华为公共事业系统部副总裁 孙鹏飞 ******算力驱动，共促大模型产业发展****** 在**北京航空航天大学教授、“数据智能与智慧管理”工信部重点实验室主任、国家杰青吴俊杰**看来，算力能够驱动数据智能的研究与应用，能够把技术和管理衔接起来，以可信安全的方式赋能人机协同、管理决策、城市公共事业等各类场景应用。 北京航空航天大学二级岗教授、“数据智能与智慧管理”工信部重点实验室主任、国家杰青 吴俊杰 谈及提高算力应用成效的方法时，**武汉数据智能研究院副院长、武汉大学信息管理学院副院长吴江**以武汉数据智能研究院举例，研究院正在通过昇腾AI、昇思MindSpore AI框架等技术能力，支持企业孵化，推进长江中游城市群等产业集群发展。 武汉数据智能研究院副院长、武汉大学信息管理学院副院长 吴江 **武汉人工智能研究院算法架构师、中科院自动化所副研究员易东**以紫东太初2.0全模态大模型为例说到，基于昇腾AI的紫东太初模态更全、思考能力更强、插件更多，极大地提高了自身的主动性、精确性、实效性以及创造力。 武汉人工智能研究院算法架构师、中科院自动化所副研究员 易东 **********创新实践，推进大模型落地应用********** 大模型研发及AI基础软件方面，**武汉大学计算机学院副研究员李祖超**分享了基于昇思MindSpore AI框架打造的幂思BatGPT大模型和中国大模型产业化的方向。**昇思MindSpore技术总监徐传飞**带来了关于昇思MindSpore原生支持大模型开发的技术分享，现场讲解基于昇思MindSpore打造的大模型开发套件从开发、训练、微调到部署的全流程加速大模型开发的能力。 武汉大学计算机学院副研究员 李祖超 昇思MindSpore技术总监 徐传飞 在气象预测大模型方面，**华为公共事业系统部气象解决方案主任架构师曹晖**介绍，华为云盘古气象大模型能够在1.4秒内完成未来24小时的全球天气预报，比传统的方法快了1万倍。 华为公共事业系统部气象解决方案主任架构师 曹晖 在AI+法律服务方面，**武汉百智诚远副总经理孙诗怡**表示，在处理法院诉讼服务的过程中，我们通过紫东太初大模型构建出法律行业专用模型来帮助分析案件，有效减轻了人工筛选的工作量。 武汉百智诚远副总经理 孙诗怡 活动当日还开展了圆桌讨论。程齐凯、邹立新、易东、孙诗怡、李明举等AI大模型相关的学术、产业界专家参与讨论，深度交流关于AI大模型的创新研发、落地应用以及长期发展等问题。 圆桌讨论 大模型已经成为全球科技竞争高地，随着AI新时代的到来，基于昇腾AI打造的武汉人工智能计算中心，将继续以算力赋能产业集群发展，为数智武汉、数智湖北、数智中国建设赋能。 --- https://www.mindspore.cn/news/zh/2704/ --- 新闻 【直播预告】8月18日MindSpore SPONGE SIG分享会——基于生成式学习的功能分子设计 # 【直播预告】8月18日MindSpore SPONGE SIG分享会——基于生成式学习的功能分子设计 2023/08/17 # 【直播预告】8月18日MindSpore SPONGE SIG分享会——基于生成式学习的功能分子设计 8月18日15：00，MindSpore SPONGE SIG技术分享例会准时开讲！本期嘉宾邀请到北京大学化学与分子工程学院博士研究生林潇涵老师，讲解议题——基于生成式学习的功能分子设计。大家可在腾讯会议或【MindSpore官方】B站直播间收看！ 功能分子的理性设计在医药、有机材料等领域皆有广泛的应用场景，近年来随着机器的快速发展，特别是生成式学习的发展为功能分子设计提供了新的解决方案，就让我们一起来看看生成式模型在分子体系中如何应用？他们的优劣势有哪些？参与分享会寻找答案吧！ --- https://www.mindspore.cn/news/zh/2705/ --- 新闻 【官宣】RISC-V国际人才暨开源技术与生态论坛议程出炉！ # 【官宣】RISC-V国际人才暨开源技术与生态论坛议程出炉！ 2023/08/18 # 【官宣】RISC-V国际人才暨开源技术与生态论坛议程出炉！ **国际人才教育论坛暨数字中国开源之旅** RISC-V国际人才暨开源技术与生态论坛是2023 的一部分，由RISC-V International、LF开源软件学园、OSTech 、openEuler、MindSpore、RIOS等多家机构联合发起。本次论坛将于2023年8月23日在北京召开,旨在推动RISC-V相关领域的国际人才培训、交流与合作,促进RISC-V开源技术在各个领域的应用和发展。 时间：2023年8月23日14:00-18:00地点：北京市海淀区紫竹院路29号北京香格里拉饭店（万寿寺地铁站D口西南口步行240米） 本次活动邀请来自RISC-V International、中国科学院软件研究所、openEuler、RIOS、MindSpore、平頭哥等国内外开源领域的专家学者和业界大咖，分享开源技术的最新成果和趋势，探讨数字中国开源之路的发展方向和机遇。同时，也为中国一线城市的技术爱好者提供全面的RISC-V开源技术培训和RISC-V国际人才认证服务，为企业与RISC-V人才之间搭建合作的桥梁。 点击阅读原文或扫描二维码报名到现场活动 _未能到现场的小伙伴 扫码下方二维码 进入直播间_ **论坛议程如下：** **\-- 组织单位--** **有关2023 RISC-V 中国峰会** 将于8月23日至25日在北京举办。本届峰会采用“主会议+主题活动+展览展示+同期活动”的会议组织方式，将邀请RISC-V国际基金会、业界专家、企业代表及社区伙伴等共同探讨RISC-V发展趋势与机遇。预计将吸引超过百余家业界企业、高校院所及开源技术社区等机构，近百家媒体参会。 以上活动是RISC-V 峰会活动的一部份，我们也建议大家报名RISC-V 中国峰会，报名者可以享受进入场地、参加主会、领取主会提供的纪念品！ --- https://www.mindspore.cn/news/zh/2707/ --- 新闻 名单公布！2023 MindSpore量子计算黑客松全国大赛鼓励奖及推广奖！ # 名单公布！2023 MindSpore量子计算黑客松全国大赛鼓励奖及推广奖！ 2023/08/21 # 名单公布！2023 MindSpore量子计算黑客松全国大赛鼓励奖及推广奖！ 2023年5月30日，**_2023 MindSpore量子计算黑客松全国大赛_** 自开放以来，共有**925人**报名参赛，覆盖**250多所国内外高校**。本次大赛由热身赛、初赛、决赛三部分组成，热身赛为量子计算基础学习和编程演练，初赛为量子应用算法开发，分量子化学模拟和量子组合优化两个独立赛道，决赛包括量子应用算法开发和答辩。经赛事评审委员会审核，现公布热身赛、初赛鼓励奖和推广奖名单，恭喜以下获奖选手。 **请下列获奖团队的选手在2023年8月25日 12:00前反馈兑奖信息，初赛鼓励奖团队队长需将作品代码提交到下方代码仓目录，奖品将会陆续安排邮寄（过期未反馈将视为自动放弃奖品）。** 代码仓目录： https://gitee.com/mindspore/mindquantum/tree/research/hackathon/hackathon2023 **_热身赛鼓励奖名单_** **请团队中通过热身赛的选手反馈领奖信息** **_初赛鼓励奖名单_** **请团队队长反馈领奖信息** **_推广奖名单_** **扫描下方二维码**\*\*，反馈**领**\*\*\*\*奖信息\*\* 如对获奖名单有疑义，可反馈问题到hiqinfo1@huawei.com **2023 MindSpore量子计算黑客松全国大赛决赛答辩将在** **9月2日电子科技大学线下举行，全程直播，敬请期待~** --- https://www.mindspore.cn/news/zh/2708/ --- 新闻 早布局、大投入、守匠心，基于昇思打造“紫东太初”大模型获得2023中国算力大会年度突破成果奖 # 早布局、大投入、守匠心，基于昇思打造“紫东太初”大模型获得2023中国算力大会年度突破成果奖 2023/08/21 # 早布局、大投入、守匠心，基于昇思打造“紫东太初”大模型获得2023中国算力大会年度突破成果奖 2023年8月19日，2023中国算力大会、第二届“西部数谷”算力产业大会在宁夏回族自治区首府银川市拉开帷幕。本次大会由工业和信息化部、宁夏回族自治区政府共同主办。 工业和信息化部党组书记、部长金壮龙在大会中指出，截至目前，全国在用数据中心机架总规模超过760万标准机架，算力总规模达到每秒1.97万亿亿次浮点运算（197EFLOPS）。算力已成为数字经济时代的关键生产力，而扎根于算力底座的人工智能大模型已经成为发展数字经济重要的基础设施。 作为本次大会“算力中国·年度突破成果”奖中唯一大模型获奖者，“紫东太初”多年研发历程深刻呼应本次大会主题：算领新产业潮流，力赋高质量发展。 “紫东太初”获“算力中国·年度突破成果”奖 放眼全球，在如今的科技大势下，人工智能大模型已经发展为建立数字经济的智能底座，国产化任务异常艰巨，国产大模型发展之路注定艰难。 一直以来，“紫东太初”坚持探索中国通用人工智能之路，由武汉人工智能研究院联合中国科学院自动化所顶尖专家力量，全力以赴国家层面重大科技战略攻关，保据“全模态”，攻坚技术高垒，奋力深挖护城河。 大会“2023中国青年论坛”上，武汉人工智能研究院院长王金桥在演讲中做了相关详细介绍。 虽然，在国际层面，全球领先产品ChatGPT背后的人工智能大模型GPT-3.5属超大规模语言模型，且在短期内迅速迭代到GPT-4。当前，大模型技术路线正在朝着多模态的方向探索前进，GPT-4成为多模态大模型的代表产品。 但是，“紫东太初”团队作为国产大模型第一梯队，早有前瞻性视野，并采取实质性投入与行动。战略性研发成果包括，早在2021年9月，“紫东太初”在1.0发布之时，就已经是千亿参数图文音多模态大模型。 王金桥院长介绍，国产大模型“紫东太初”的科技特色为：可实现文本、图片、语音、视频、3D点云、传感信号等不同模态的统一表征和学习。其技术进展体现在，做到了从三模态走向全模态。 武智院院长王金桥论坛现场发布演讲 “紫东太初”的又一国产化领先性体现在，基于华为昇腾AI和华为昇思框架，建设全栈自主可控人工智能平台，不仅研发了低代码大模型开放服务平台，而且积极建设大模型生态，完善工具链。在落地应用在摸索中倍道而进，已经用于新型医疗器械管理、大型工业质检、智能座舱等多个场景与行业。 探索国产通用人工智能路径绝非一蹴而就，“紫东太初”顶尖专家与研发、工程、算法团队历经磨砺，备尝辛苦。 研发任务艰巨，时间窗口紧迫，团队在2020年1月就决定对“紫东太初”大模型进行集团式攻关，长期坚持自研的跨模态多任务自监督学习的技术路线，从数据收集、清洗，千卡分布式训练，算子和工具链适配，模型优化和加速等多方面开展工作，经历一年半年后，初步布局初见成效，发布以多模态为特色，全球首个千亿参数大模型“紫东太初”1.0。 时光荏苒，历经三年寒冬酷暑，“紫东太初”大模型于2023年6月再次完成了新迭代，升级为以全模态为特色的“紫东太初”2.0大模型。在数字经济加速且国产化机会窗口稍纵即逝的前提下，坚持通用人工智能的实现与梦想。 从人工智能纯技术角度讲，全模态大模型基于跨模态多任务统一生成式学习框架，具备了全模态低成本协同关联优化学习融合多任务全模态能力，实现了全模态能力涌现和认知推理。 武智院院长王金桥现场演讲 王金桥院长表示，“紫东太初”大模型取得突破性进展的背后，不仅有技术和全模态的能力，更强调全栈国产化的布局。他指出，在“紫东太初”大模型始终坚持自主创新和技术原创，自研算法为核心，以昇腾AI硬件及昇思（MindSpore）AI框架为基础，依托武汉人工智能计算中心算力的有力支持，全栈国产化通用人工智能平台。 在谈到“紫东太初”大模型的应用前景时，王金桥强调，“紫东太初”已成立多模态产业联盟，整合产学研用各方资源，建立了多模态AI产业生态，在医疗、教育、制造、汽车等多个领域发挥着重要作用，未来将进一步探索深度学习自监督学习通用性的应用落地能力，为百行之业的规模化赋能，加快产业融合，打造万亿产业空间，探索通用人工智能产业化路径。 武智院院长王金桥现场演讲 开放服务平台2.0支持指令集管理、指令编写、大模型调优以及部署推理的一站式服务，在1.0版本基础上，全面升级六大功能：新增标注模块、优化训练深度、支持真实生产环境数据回流、新增可视化拖拽建模、适配全栈国产化、支持模型加密、代码加密等多类型数据加密。开放服务平台2.0全面升级产品功能和基础能力，大幅度降低大模型的构建难度，加快模型训练速度和行业应用落地速度。 来源：武汉人工智能研究院 --- https://www.mindspore.cn/news/zh/2709/ --- 新闻 七夕 | 有AI的过节攻略 # 七夕 | 有AI的过节攻略 2023/08/22 # 七夕 | 有AI的过节攻略 七夕 | 有AI的过节攻略 --- https://www.mindspore.cn/news/zh/2710/ --- 新闻 明日预告 | MindSpore SPONGE暑期学校Day.3日程揭晓 # 明日预告 | MindSpore SPONGE暑期学校Day.3日程揭晓 2023/08/22 # 明日预告 | MindSpore SPONGE暑期学校Day.3日程揭晓 暑期学校第三天将重点介绍AI+小分子与药物模拟的前沿进展，课程将聚焦于药物分子设计与对接，就让我们看看小分子与药物模拟领域有哪些经典技术？他们的优劣势有哪些？大咖云集，本期将邀请到北京大学教授来鲁华老师现场分享，更有张宏、刘许晗、林潇涵等资深开发者指导的开发体验环节，参与分享会寻找答案吧！ 嘉宾简介：来鲁华老师现任物理化学研究所所长，北京大学定量生物学中心副主任，北京大学-清华大学生命科学联合中心成员，主要研究方向为药物设计方法发展与应用、功能蛋白质设计与 重要生物过程过程机制与调控研究。 **线上参与链接：** 腾讯会议 https://meeting.tencent.com/dm/EHGvvO7TAIAG B站直播链接 https://live.bilibili.com/22127570?live\\\_from=84002&spm\\\_id\\\_from=333.337.0.0 **Day.3课程安排：** **早上：** 09:00-09:50 基于结构和基于人工智能的药物设计，主讲人：北京大学教授、物理化学研究所所长、定量生物学中心副主任 来鲁华老师；课程将简要介绍基于结构和基于人工智能药物设计领域的历史、现状和发展趋势 10:00-12:00 Aichemist算法包的功能介绍，主讲人：深圳湾实验室 博士后 刘许晗；课程将介绍Aichemist，一个基于MindSpore的图神经网络，应用于药物和靶点性质预测 **下午：** 14:00-15:50 基于传统和机器学习方法的分子对接程序DSDP的介绍与应用，主讲人：昌平实验室助理研究员 张宏老师；课程将介绍传统与机器学习的分子对接方法在药物研发过程中的应用，以及新型DSDP算法 16:30-17:00 MolEdit：基于生成式学习的分子编辑，主讲人：北京大学 博士研究生 林潇涵；课程将介绍基于生成式学习的分子编辑模型MolEdit的背景、数学原理、具体实现以及应用。 **晚上：** 19:00-20:30 药物分子的性质预测及分子对接，主讲人：张宏/刘许晗 --- https://www.mindspore.cn/news/zh/2712/ --- 新闻 北京昇腾人工智能计算中心率先实现基于MindSpore的Baichuan大模型训练、微调、推理和部署 # 北京昇腾人工智能计算中心率先实现基于MindSpore的Baichuan大模型训练、微调、推理和部署 2023/08/22 # 北京昇腾人工智能计算中心率先实现基于MindSpore的Baichuan大模型训练、微调、推理和部署 北京昇腾人工智能计算中心基于国产自主创新框昇思MindSpore以及大模型开发套件MindFormers成功完成国产开源大模型Baichuan的训练、微调和推理部署，并支持某行业客户使用计算中心160张卡训练集群完成二次预训练，Loss稳定收敛，成功孵化行业大模型。 （用户实测集群训练Loss曲线以及学习率） **MindFormers套件** MindFormers是一款强大而全面的大模型训练、推理和部署全流程开发套件。它不仅提供了丰富的的基础知识，还具备多种训练方式、多种推理算法和多种部署方式。同时，MindFormers还具有易用性和可扩展性的特点，让用户可以快速上手，一行代码实现从单卡到大规模集群训练的无缝切换，高效地融合数据并行和模型并行策略；同时可以根据用户的实际需求进行功能扩展和定制。 **Baichuan大模型** Baichuan大模型是由百川智能开发的一系列开源可商用的大规模预训练语言模型。包含了70亿、130亿、530亿参数的模型。 **具体优势如下：** 1\. 基于海量的中英文数据训练，具有很强的语言通用性和跨语言能力。它们可以处理各种类型和风格的文本，无论是正式叙述还是口语化表述，无论中文还是英文。 2 . 基于Transformer结构，具有很高的并行性和可扩展性。它们可以利用大规模的计算资源，实现高效的训练和推理。也可以通过模型压缩和优化技术，适应不同的硬件和环境。 3 . 基于自回归，具有很强的生成能力和连贯性。它们可以根据上下文生成流畅和有意义的文本，无论文本的长短。它们均可通过控制参数和策略，实现不同的生成目标和效果。 **北京昇腾人工智能计算中心** 北京昇腾人工智能计算中心由门头沟政府牵头，中关村发展集团投资建设，并由北京昇腾创新人工智能科技中心有限公司独立运营，计算中心基于昇腾AI基础软硬件平台，一期100P算力规模，年底将扩容到400P，可以为企业和科研高校提供昇腾AI澎湃的算力服务。 大模型时代，为了帮助各行业客户更好的使用大模型和大算力的能力，北京昇腾人工智能计算中心，已经将Baichuan、GLM、Llama、Bloom 、T5、BERT、GPT2、PanGuAlpha、MAE、VIT、Swin、CLIP等模型完成了训练、微调、推理和部署，未来还将逐步增加更多基础大模型，方便行业客户基于基础大模型，快速孵化专属的行业模型。 \*\*附：\*\***基于北京昇腾人工智能计算中心进行Baichuan模型单机多卡训练的操作指导** **1** **注册镜像** 1、首先打开modelarts，进入镜像管理选项，进行注册镜像 `swr.cn-north-309.mtgascendic.cn/bj-aicc/mindformers_0.6rc1_mindspore_2_0_update1:mindformers_0.6rc1_mindspore_2_0_modelarts` **2** **基于注册的镜像创建notebook** 1、打开开发环境选项，创建notebook，选择镜像进行创建 **3** **拉取mindformers并安装依赖** `git clone -b dev https://gitee.com/mindspore/mindformers.gitcd mindformersbash build.shpip3 install -r requirements.txt` **4** ****拉取mindformers并安装依赖**** `wget https://baichuan.obs.cn-north-309.mtgascendic.cn/wiki.train.tokens wget https://baichuan.obs.cn-north-309.mtgascendic.cn/baichuan/tokenizer.model wget https://baichuan.obs.cn-north-309.mtgascendic.cn/baichuan/pytorch_model.bin` **5** ****下载配置文件**** `wget https://baichuan.obs.cn-north-309.mtgascendic.cn/run_baichuan7b.yamlwget https://baichuan.obs.cn-north-309.mtgascendic.cn/run_baichuan7b_lora.yaml` **6** ****使用预处理脚本生成mindrecord训练数据**** `cd mindformers/tools/dataset_preprocess/llama python llama_preprocess.py --input_glob /home/ma-user/work/mindformers/wiki.train.tokens --model_file /home/mauser/work/mindformers/tokenizer.model --seq_length 2048 --output_file /home/mauser/work/mindformers/wiki2048.mindrecord` **7** ****更改训练数据路径**** `/home/ma-user/work/mindformers/wiki2048.mindrecord` **8** ****单机多卡启动(训练)**** `cp /user/config/nbstart_hccl.json /home/ma-user/work/mindformerscd scriptsbash run_distribute.sh /home/ma-user/work/mindformers/nbstart_hccl.json /home/mauser/work/mindformers/run_baichuan7b.yaml [0,8] train` **9** ****查看运行效果**** `tail -f ../../mindformers/output/log/rank_0/info.l` --- https://www.mindspore.cn/news/zh/2725/ --- 新闻 数智创未来，澎湃兴算力 | 报名开启！昇思MindSpore邀您共探大湾区的AI发展新机遇 # 数智创未来，澎湃兴算力 | 报名开启！昇思MindSpore邀您共探大湾区的AI发展新机遇 2023/08/23 # 数智创未来，澎湃兴算力 | 报名开启！昇思MindSpore邀您共探大湾区的AI发展新机遇 在数字经济时代，数据成为生产要素，算力成为核心生产力，真实应用场景不断涌现。以人工智能为代表的AI技术，取得了巨大进步和突破性的进展。 从智慧医疗、智慧交通，再到智能制造…看得见的智慧应用背后，是看不见的人工智能技术在生产生活的各个场景默默支撑。人工智能为千行百业数智能化转型提供新动能。如何将人工智能融合到数字技术创新，助力企业释放数智化生产力成为不少企业破局的关键。昇思MindSpore全场景AI融合框架作为AI根技术，是人工智能的创新之源，在企业数智化转型中发挥着重要作用。 8月30日（周三），昇思MindSpore开源社区联合广州人工智能公共算力中心举办【昇思开发者创享日·MSG企业行暨广州人工智能公共算力中心企业对接会】，聚焦人工智能优秀企业，分享人工智能新技术新成果，共探人工智能行业发展新趋势、新动向。 **MSG企业行** MSG企业行是昇思MindSpore建立的交流公益社区MSG（MindSpore Study Group）面向企业的子品牌，聚焦各地核心科技板块，汇聚企业核心技术骨干，与企业充分进行技术研讨、深入交流分享，为本土AI领域高校、科研院所、企业开发者赋能。 截至目前，昇思MindSpore走过国内外24个城市，拓展AI类企业生态，服务企业超过5500家，涉及端边云全场景行业，支撑两大产业联盟成立，打造开发共赢的产业生态圈。 往期回顾 共筑宁波人工智能新高地，昇思开发者创享日暨MSG企业行·宁波站成功举办 与昇思在“浙里”携手创新，MSG企业行杭州站成功举办 --- https://www.mindspore.cn/news/zh/2726/ --- 新闻 【直播】量子计算组会一起开 | 基于昇思MindSpore Quantum框架实现量子线路模拟器 # 【直播】量子计算组会一起开 | 基于昇思MindSpore Quantum框架实现量子线路模拟器 2023/08/24 # 【直播】量子计算组会一起开 | 基于昇思MindSpore Quantum框架实现量子线路模拟器 MindSpore Quantum Special Interest Group ****量子计算组会一起开**** **MindSpore Quantum专题分享** **第二十七期** **本期邀请同济大学硕士研究生耿力分享基于张量运算开发量子线路模拟器。** **2023.08.24（周四） 19:00-20:00** 项目代码：https://gitee.com/mindspore/mindquantum/tree/research/challenges/Quantum\\\_Simulation\\\_Using\\\_MindSpore\\\_ML\\\_Framework 量子计算组会一起开-MindSpore Quantum专题分享持续进行中，欢迎各位开发者自荐，与大家一起分享项目成果、任务开发过程中的经验和感悟，**参与者可获得专属礼品，还有机会申请MindSpore Quantum优秀开发者或布道师**，有兴趣的小伙伴请联系HiQ量子计算小助手：LLT66TT（备注“专题投稿”加速通过）。 **· 往期直播回顾 ·** 【第二十六期】量子计算组会一起开 | 浙江大学 硕士研究生 汤锟：基于变分量子算法求解矩阵迹范数 回放链接：https://www.koushare.com/lives/room/807752 【第二十五期】量子计算组会一起开 | 浙江大学 博士研究生 闫家舜：搭建量子神经网络分类器 回放链接：https://www.koushare.com/lives/room/462250 【第二十四期】量子计算组会一起开 | 复旦大学 硕士研究生 王帅康：基于MindSpore Quantum实现量子机器学习训练的Koopman加速 回放链接：https://www.koushare.com/lives/room/638149 【第二十三期】量子计算组会一起开 | 浙江大学 博士研究生 白琪：基于Mindspore Quantum实现FRQI及其压缩形式并用于图像分类任务 回放链接：https://www.koushare.com/lives/room/701900 【第二十二期】量子计算组会一起开 | 南方科技大学 在读本科生 李子绅：基于MindSpore Quantum求解海森堡模型基态并探讨Barren Plateaus和纠缠的关系 回放链接：https://www.koushare.com/lives/room/269499 --- https://www.mindspore.cn/news/zh/2729/ --- 新闻 AIGC点燃AI竞赛烽火，落地实战，用你的创意燃爆科技宇宙, 万元奖池等你来拿！ # AIGC点燃AI竞赛烽火，落地实战，用你的创意燃爆科技宇宙, 万元奖池等你来拿！ 2023/08/25 # AIGC点燃AI竞赛烽火，落地实战，用你的创意燃爆科技宇宙, 万元奖池等你来拿！ 心随码动，幻梦成影！ 你是否想通过AI技术， 开拓出宇宙般辽阔的创作空间， 让你的创意、艺术于科技完美融合、 创造出惊艳的科幻AI作品？ 机会来了！！！由**昇思MindSpore开源社区举办的“悟空·画画-科幻与创想“主题的AI创作大赛**即将开启！面向全球开发者，赛题与AIGC大模型紧密结合，鼓励参赛者将想法转化为实际应用。无论你是资深科幻迷，还是对AIGC领域憧憬已久的新生代力量，都可以通过AI创作，更深刻的感受破次元的科幻世界，创作你心目中的科幻宇宙。 **Wukong-Huahua**是基于扩散模型的中文以文生图大模型，由华为诺亚团队携手中软分布式并行实验室、昇腾计算产品部联合开发，使用昇思MindSpore AI框架+昇腾Atlas系列硬件及伙伴硬件实现。该模型是基于目前最大的中文开源多模态数据集悟空数据集进行训练得来，具备优秀的中文文本-图像生成能力，能够实现多场景的绘画风格，可生成高质量的图像。 **悟空·画画微调大赛-科幻与创想** 01 比赛详情 参赛者需要基于悟空·画画模型和代码完成模型微调，微调后模型生成的图片需要契合大赛主题。 **注意事项：** - 本次比赛只能使用基于昇思MindSpore框架实现深度神经网络模型； - 比赛过程中工作人员会检查代码，若发现作弊或违规行为将取消比赛资格； 02 比赛赛程 - 2023年8月24日 - 2023年10月10日，注册报名 - 2023年8月24日 - 2023年10月10日，比赛（提交项目，持续优化模型, 提交结果） - 2023年10月10日 - 2023年10月18日，评审 - 2023年10月，公布比赛结果（发布获奖团队名单） 03 奖项设置 - 一等奖1名：华为MetaBook X Pro 2023 i7 16GB+1TB + 世界科幻大会成都参会礼包（酒店+机票）\*1人 + 证书 - 二等奖2名：华为MetaPad Pro 12.6 2022 WIFI 12G+512G（含键盘+笔） + 世界科幻大会成都参会礼包（酒店+机票）\*1人 + 证书 - 三等奖3名：华为MetaPad Paper 10.3 电子书阅读器 6G+128G（含手写笔+皮套） + 证书 - 7-15名，昇思MindSpore社区礼品 注意：奖项发放以团队为单位 04 比赛报名 **比赛详情链接：** **https://xihe.mindspore.cn/competition/wukong-finetune/0/introduction** **比赛交流群二维码** **悟空·画画应用大赛-科幻与创想** 01 比赛详情 参赛者需要基于悟空·画画接口实现一个创意应用（小程序，网页，桌面应用，gradio服务等），形式不限制。 02 比赛赛程 本次大赛共计两个月，共分为四个赛事阶段，具体安排如下： - 2023年8月24日 - 2023年10月10日，注册报名 - 2023年8月24日 - 2023年10月10日，比赛（优化项目，提交结果） - 2023年10月10日 - 2023年10月18日，评审 - 2023年10月，公布比赛结果（发布获奖团队名单） 03 奖项设置 - 一等奖1名：华为MetaBook X Pro 2023 i7 16GB+1TB + 世界科幻大会成都参会礼包（酒店+机票）\*1人 + 证书 - 二等奖2名：华为MetaPad Pro 12.6 2022 WIFI 12G+512G（含键盘+笔） + 世界科幻大会成都参会礼包（酒店+机票）\*1人 + 证书 - 三等奖3名：华为MetaPad Paper 10.3 电子书阅读器 6G+128G（含手写笔+皮套） + 证书 - 7-15名，昇思MindSpore社区礼品 注意：奖项发放以团队为单位 04 比赛报名 **比赛详情链接：** **https://xihe.mindspore.cn/competition/wukong-application/0/introduction** **比赛交流群二维码** --- https://www.mindspore.cn/news/zh/2730/ --- 新闻 MSG西安 | 知识图谱推理最新成果分享 # MSG西安 | 知识图谱推理最新成果分享 2023/08/28 # MSG西安 | 知识图谱推理最新成果分享 知识图谱（Knowledge Graph）作为一种直简洁直观、灵活丰富且富有可解释的知识表达方式常用于高效管理蕴含在海量的数据中的知识。对比学习作为一种十分简单却有效的技术手段，常用来挖掘知识图谱内部的信息。 9月2日（周六）15：00，由MSG西安成员**国防科大在读博士梁科**发起的线上交流会即将开启。本次活动，我们将带领大家了解TKDE发表的有关知识图谱推理相关的最新成果，为大家介绍如何充分挖掘隐藏在知识图谱数据中的对称结构，以提高现有知识图谱模型的表征能力，进一步实现更好的下游任务性能。 此外，本次还将为大家分享近几年来知识图谱推理的集合（https://github.com/LIANGKE23/Awesome-Knowledge-Graph-Reasoning），一起来看看吧！ **关于MSG** 2020年5月，MSG正式成立，我们走遍了**全国\*\*\*\*十五大城市**：北京、上海、广州、深圳、武汉、长沙、苏州、杭州、南京、重庆、山东、郑州、天津，桂林、宁波；拓展了**七大海外MSG**：莫斯科、新加坡、印尼、澳门、印度、香港·浸会大学，香港·理工大学；**联合OpenI启智社区走进了校园**：哈工大深圳校区、南方科技大学等等。 2020年底发起了首场以女性为主题的\*\*『MSG: Women In Tech』\*\*，广受好评；今年发起的『MSG: Women In Tech』第二期同样火爆，聚焦当下热点问题，分享内容干货满满，短期内收到许多粉丝的喜爱，并来信期待下一期的分享。 **_MSG是什么？_** MindSpore Study Group，简称MSG，是提供一个让开发者可以充分进行技术研讨、案例分享、互相交流的公益性社区。为了方便开发者们的深入交流，我们会在多个城市成立MSG组织，满足本地开发者的线下交流机会。 **_MSG一般会做什么？_** **· 技术研讨** MindSpore技术专家讲解最新版本技术亮点 邀请技术大咖分享关于AI、深度学习最新动态 · 极客分享 开发者分享MindSpore真实场景的应用案例 极客们分享前沿技术进展与软硬件最新技术 **· 社区贡献** 引导开发者从零参与MindSpore社区贡献 培养开发者成为开源社区的contributor **_如何成为MSG组织者？_** 每个人都有机会成为MSG的组织者，不论你现在在北京、上海、深圳，还是杭州、西安、成都等城市，都可以提交申请。有志于成为MSG组织者的朋友们，请扫描以下的二维码进行报名。 **_快扫码成为MSG组织者吧~_** --- https://www.mindspore.cn/news/zh/2732/ --- 新闻 加速解锁科学智能前沿，昇思MindSpore铸就了一把“全能”钥匙 # 加速解锁科学智能前沿，昇思MindSpore铸就了一把“全能”钥匙 2023/08/29 # 加速解锁科学智能前沿，昇思MindSpore铸就了一把“全能”钥匙 回顾三次产业革命，会发现一个规律：基础科学的突破，抬高技术的天花板，推动大量先进技术成果的涌现，并向产业界转化，最终实现社会经济的指数级增长。 在物理、数学、工程学等的推动下，才有了蒸汽革命；电气革命，源于电磁学、化学等学科的进步；量子物理、信息论等科学成果，则为半导体、计算机等信息产业打下坚实的基础。 今天，基础科学整体已经发展到了一定高度，低处易摘的果实已经被摘走，科学家们向上攀爬的难度远高于以往。 越来越多的科学领域，进入“第五范式”的新篇章，即由人工智能驱动的研究方式。而AI在处理多维、多模态的海量数据上有显著优势，因此，人工智能驱动的科学智能（AI for Science，AI4S）新范式，有望推动科学研究从“马拉松”到“加速跑”。 在今年的WAIC 2023上，科学智能的突破性进展，就备受产学研各界关注。 学术方面，中国科学技术信息研究所发布了AI4S科研创新地图；应用方面，中国商飞上海飞机设计研究院基于昇思MindSpore打造的三维流体仿真大模型“东方.翼风”，展示了流体力学等领域与AI的融合实践。 可以看到，科学智能目前还是一些头部科研院所，以及头部行业、龙头企业在践行的新潮流。更广大的科研群体和科学场景，距离AI技术依然遥远。 有没有一种可能，让AI化作更多科学家手中的实用工具，加速科学智能的进程？这是昇思MindSpore一直在努力实现的命题，也在近期抵达了新的里程碑节点。 近日，在物理方法、生物、流体力学等基础科学领域，国内多个研究团队基于昇思MindSpore Science科学智能套件的助力，取得重大突破。 在这些成功践行的科学智能探索背后，我们可以进一步读懂，科学家们对AI有哪些具体而迫切的需求，智能工具和平台又是如何与科学场景紧密嵌合的，科学与智能的紧耦合又会为科学探索带来哪些可能性。 \*\*\*\*找钥匙，铸钥匙：****科学与AI的无缝嵌合**** 一场科学革命的发生，往往是以范式转换作为先导的，而科学智能的新范式，要让科学与智能加速融合，以最高效率为科学乃至社会带来价值，还要解决一系列挑战： **首先，科学和AI的语言难以对齐。** 科学的本质是探索和改造客观世界，科学智能则意味着数字世界、物理世界、生物世界，正在前所未有的融合。不同世界的语言、规则等跨度很大，比如，要将电磁、力学、气象等物理规律（方程式）投射到数字世界中，需要转化为AI可以理解的数学语言（函数）；生物世界的DNA、氨基酸、蛋白质、神经元等，大量生命科学的奥秘还未完全揭开，直接用机器学习的算法，可能是无法运行的，或者效果不够好。 **接下来，还会遭遇AI技术本身的复杂性。** AI技术体系复杂，落地科学计算，包括建立数据库、数据清洗、模型选型、系统运维等一项项细节工程……对很多科研院所、高校师生、产业研究院来说，AI是新生事物，缺乏相关经验，导致AI+科学计算模型的开发难度大、周期长，进一步限制了科学智能的落地效率。 **此外，在探索科学智能的过程中，计算工具平台不能成为掣肘。** 为了推动AI+科学计算，学术界探索出了三种计算模式，分别是物理驱动、数据驱动以及物理+数据融合驱动。 以流体力学为例，物理驱动（PINNs）将物理方程引入到神经网络的损失函数中，使学习结果满足物理规律，但PINNs不依赖于传统数值方法生成标签数据，计算精度和收敛缺乏理论保证，导致训练困难，一旦物理约束变化，就需要重新训练，泛化性不足。而数据驱动的流体力学，则有着庞大的数据维度，数据规模大、处理耗时长、整体成本高昂。物理+数据融合驱动的流体力学，通过仿真软件获得输入和输出的真实数据，比传统数值仿真性能提升40~80倍，并且具有很强的泛化性，目前实现场景较为聚焦，有效性也在持续验证中。 这些计算模式要取得比较理想的效果，需要基础硬件平台、核心AI框架、编译器、应用工具套件等一整套端到端的软硬件解决方案，离不开平台化的支撑。目前，只有华为、谷歌等极少数科技公司，在科学智能领域有较为全面的软硬件布局。 可以看到，科学智能的探索过程中，科研人员和开发者所期待的，是直接简单地使用AI平台工具和能力进行开发，这就需要平台将复杂的硬件、算力服务、AI框架、编译器、模型、应用、环境等，像IT领域的“交钥匙工程”一样，整合成适配科学计算任务的方案，让研究人员可以专注于AI科学计算的应用创造，进行更高效的研发探索。 昇思MindSpore原生支持科学智能，打造了昇思MindSpore Science科学智能套件，包含了业界领先的开源基础模型、预置高精度模型和前后处理工具，支持物理驱动/数据驱动/物理数据融合驱动等多种AI+科学计算范式的全场景AI框架。 AI与科学计算的融合刚刚开始，有大量场景等待探索。昇思MindSpore面向生物、流体、电磁、量子计算等领域，推出了相应的行业套件，以加速应用开发和探索发现。 \*\*\*\*开锁行动：****AI for Science的价值自证**** 近日，中国科学家及其团队，借助昇思MindSpore SPONGE、MindSpore Flow等科学智能套件，分别取得了多个突破性进展。从中，我们可以看到，AI在科学场景中所能发挥的关键作用： **作用一，以AI方法加速助力物理学的理论突破。** 20世纪是物理学的世纪，我们今天仍在享受着上一次科技革命的遗泽，留给当代研究者的都是高处难摘的果实。比如，在流行病学、气象科学、流体力学和生物学等领域中，很多的底层PDE方程仍未被完全发掘出来。 昇思技术团队与中国人民大学高瓴人工智能学院孙浩教授团队合作，基于昇思MindSpore AI框架，提出了物理编码递归卷积神经网络（Physics-encoded Recurrent Convolutional Neural Network，PeRCNN），实现了对非线性PDE的精确逼近。近日，该成果已在《Nature》子刊《Nature Machine Intelligence》上发表。 从中可以看到，AI的两个特点正在为基础研究的突破带来可能。 \*\*一是计算效率。\*\*相较于物理信息神经网络、ConvLSTM、PDE-NET等方法，PeRCN模型的泛化性和抗噪性明显提升，长期推理精度提升了10倍以上，可以突破传统计算瓶颈，推动偏微分方程的求解。 **（PeRCNN在预测和外推的性能上也优于ConvLSTM/ResNet/PDE-Net/DHPM等方法）** \*\*二是暗知识。\*\*AI能够发现隐藏在海量数据中的相关性，是人类无法感受又无法描述和表达的“暗知识”。PeRCN模型的可解释性，可以从学习到的模型中进一步提取底层的基础物理学表达式，有望准确可靠地发现潜在的物理规律，让我们对物理世界的认识取得新突破。 **作用二，首次实现AI+蛋白质动态结构折叠，加速生命科学研究进程。** 生物医药领域有著名的“双十定律”，即研发一款新药需要花费至少十年时间、十亿美元，90%的临床药物研发都将以失败告终。加速药物研发的进程，对于提高人类的生命健康、生存质量，有非常重要的意义。 **（FAAST核磁共振数据解析流程）** 而生物医学领域的AI计算，具有数据量庞大、数据结构复杂多样、有效算法稀缺的种种特性，尤其需要预测准确、简单易用、高效协作的工具平台。昇思MindSpore的计算生物领域套件MindSpore SPONGE，支持分子动力学、蛋白质折叠等常用功能，在大规模计算任务中快速完成计算，辅助研发人员高效研发。 近日，昇思技术团队与高毅勤教授团队（昌平实验室、北京大学化学与分子工程学院和生物医学前沿创新中心（BIOPIC））、田长麟教授团队（中国科技大学、中科院强磁场科学中心）、王申林教授（华东理工大学生物反应器工程国家重点实验室）合作，基于昇思MindSpore+昇腾AI基础软硬件平台，开发了NMR数据自动解析方法FAAST，将通过核磁共振试验获得的蛋白质动态结构，解析速度提高了十倍，解析时间从数月，缩短到数小时，全流程无需专家投入，大大减轻了研究人员的重复劳动，加速生命科学研究和药物研发流程。 **作用三，AI+流体力学指数级提升大飞机研发效率、降低研发成本。** 历史告诉我们，每一次工业革命，都需要将科研成果转化为产业可用、可接受的技术，很多产业也对科学智能投入了大量研发资源与期待。以流体力学为例，大型客机的流体问题，就是一个非常具有挑战性的科学难题，也是非常典型和高价值的力学场景。 传统飞机设计，仿真过程复杂，需要进行物理建模、网格划分、数值离散、迭代求解等步骤，经过千万亿次的模拟仿真，计算周期长。 在WAIC2023上发布的“东方.翼风”大模型，同样是基于昇思MindSpore开发，实现了三维超临界机翼流体仿真，可以对飞机全场景飞行状况进行快速且高精度的模拟，助力飞机研发，该成果荣获WAIC最高奖项 SAIL奖。 具体来说，“东方.翼风”利用昇思 MindSpore Flow流体仿真套件，结合流体领域专家经验、数据，实现对飞机翼型全场景飞行工况模拟，在三维机翼几何变化的情况下，全流场误差达到了万分之一，三维翼型仿真模拟时间降低为原来的千分之一，加速了飞机设计的效率，减少风洞重复试验的次数和成本。 这些科学智能的成功探索，用实打实的创新证明了，科学场景与AI技术，可以借助精细而易用的工具平台，高效快速地完成对齐、紧密嵌合，发挥AI的技术价值，解锁更多的科学奥秘，满足大众、产业和社会对科技进步的殷切期待。 \*\*\*\*解锁无尽前沿：****昇思MindSpore铸就“全能”钥匙**** 如果说，这三次科学探索的成功，是一个明晰的信号和方向，说明科学智能蕴藏了无比巨大的期待和潜力。那么下一个问题就是：这些成功，究竟是案例式的炫技，还是可持续、可复制、可信赖的新科研路径？ 换句话说，昇思MindSpore构筑的工具平台，也适用于其他未解的科学难题吗？ 目前来看，昇思MindSpore的“全能型”特点，也使其成为一把“全能钥匙”，能够从多个维度，支撑科学智能的持续探索，具体来说： \*\*1.深度。\*\*结合自研硬件、融合架构到编译软件，AI框架能力，技术底座的全栈布局，可以满足科研人员和开发者在科学计算中从算力到应用的全流程需求，消除后顾之忧。 \*\*2.巧度。\*\*简单易用的MindSpore Elec、MindSpore SPONGE、MindSpore Flow等行业套件，免去了众多开发流程与运维成本，有效提升科研项目的开发效率，降低了科学计算和AI的开发成本，分子属性、蛋白质结构、高空湍流等预测准确，切实提升了科学探索的成功率。 \*\*3.广度。\*\*昇思打造了南北向生态和开源社区，汇聚新模型、新技术、课程、专家和落地场景等丰富生态资源，在生态内推动产学研用一体化的协同创新，拓展科学边界，将科研价值进一步打开。 \*\*4.长度。\*\*科研不是一蹴而就的，有时要有坐冷板凳的耐心。因此，科学智能的计算领域伙伴也要有长期扎根科研领域的长期战略耐心和布局，持续升级基础设施和技术、迭代模型和产品。这一点上，昇思MindSpore作为产业智能化的基座，在通往无尽前沿的探索之路上，陪科研人员走得更远。 四个维度，把科学与智能相融合的每一个环节、每一个阻碍，都一一解决掉，只留给研究人员和开发者最简单易用的开发体验，这就是MindSpore Science如同“交钥匙工程”一样高效的使能模式。 陈寅恪先生说过：“一时代之学术，必有其新材料与新问题。取用此材料，以研求问题，则为此时代学术之新潮流。治学之士，得预于此潮流者，谓之预流。” AI就是这个时代的顶流，昇思MindSpore正在推动更多治学之士与AI加速拥抱，融入科学智能的时代洪流。 更多科学领域和智能技术无缝嵌合，成功的“开锁行动”不断涌现，我们就距离科学的无尽前沿，更近了一步。 --- https://www.mindspore.cn/news/zh/2733/ --- 新闻 2023 MindSpore量子计算黑客松全国大赛 | 决赛巅峰对决即将开启，最终谁将摘取桂冠，敬请期待~ # 2023 MindSpore量子计算黑客松全国大赛 | 决赛巅峰对决即将开启，最终谁将摘取桂冠，敬请期待~ 2023/08/30 # 2023 MindSpore量子计算黑客松全国大赛 | 决赛巅峰对决即将开启，最终谁将摘取桂冠，敬请期待~ **\_**_QIIA联盟量子信息技术与应用创新大赛系列活动——_**2023 MindSpore量子计算黑客松全国大赛决赛\_** 将于**2023年9月2日（周六）在电子科技大学（沙河校区）主楼中229会议室**举行线上线下全国总决赛。 本次大赛由量子信息网络产业联盟主办，昇思MindSpore Quantum SIG承办，中国科学技术大学、电子科技大学和上海大学等联合举办。大赛吸引了**900多**位量子计算兴趣爱好者踊跃报名参赛，覆盖**250多**所国内外高校。经过热身赛、初赛和决赛的激烈角逐，总共**12个团队**晋级全国总决赛，每个团队派选一位选手参与决赛答辩，答辩时长15分钟，评委提问5分钟。精彩一触即发，最终谁将摘取桂冠，让我们拭目以待！ 扫描下方二维码可提前预约直播 **_大赛海报_** 更多大赛信息请访问（关注mindspore公众号，点击“阅读原文”即可进入）：https://competition.huaweicloud.com/information/1000041745/introduction --- https://www.mindspore.cn/news/zh/2734/ --- 新闻 紧抓大湾区AI发展新机遇，昇思开发者创享日·MSG企业行暨广州人工智能公共算力中心企业对接会圆满成功 # 紧抓大湾区AI发展新机遇，昇思开发者创享日·MSG企业行暨广州人工智能公共算力中心企业对接会圆满成功 2023/08/30 # 紧抓大湾区AI发展新机遇，昇思开发者创享日·MSG企业行暨广州人工智能公共算力中心企业对接会圆满成功 【中国，广州，2023年8月30日】昇思开发者创享日·MSG企业行暨广州人工智能公共算力中心企业对接会成功举办。本次活动共计吸引超过250+广州当地人工智能行业相关企业代表现场参会。参会嘉宾围绕广州人工智能公共算力中心“一中心五平台”及其成果、昇腾AI产业及其相关技术、昇思MindSpore AI框架、人工智能发展趋势、大模型话题等展开深入交流。 ****昇思MindSpore业务总经理****丁诚\*\*、广州人工智能公共算力中心梁添才\*\*为本次活动致辞。广州市科学与技术局一级调研员庄汉忠、华为广东产业发展与生态部总经理阁刚、广州人工智能公共算力中心副主任易复徵、广州广电信息安全科技有限公司总经理刘晓东、广州市天河区软件和信息产业协会秘书长杨楚州出席本次会议。 **广州人工智能公共算力中心梁添才**在致辞中表示，广州人工智能公共算力中心作为大湾区的人工智能数字底座，将持续为千行百业提供创新的算力资源，助力企业数字化转型，共同推动人工智能技术的进步和繁荣。 广州人工智能公共算力中心梁添才 **昇思MindSpore开源社区理事长、昇思MindSpore业务总经理\*\*\*\*丁诚**表示“昇思MindSpore作为新一代的AI融合框架，自20年3月开源以来，得到了快速的发展，通过联合AITISA在标准领域持续创新；基于全国25+各地人工智能计算中心上累计支持20+国产大模型训练，积累了丰富的大模型训练和部署经验；5500+企业基于昇思构建应用方案，与325+高校科研院所展开合作，昇思社区下载量超过520万，19000+社区核心开发者为昇思贡献代码，昇思MindSpore已成为国内最具创新活力的 AI 开源社区。” 昇思MindSpore开源社区理事长、昇思MindSpore业务总经理丁诚 \*\*\*\***一、********打造广州人工智能新高地，构建昇思新生态********** 昇思MindSpore作为人工智能的创新之源，在致力于技术创新的同时，持续使能科研创新与产业应用，不断加速中国AI应用落地。**华为计算开源生态总监黄之鹏**表示，昇思MindSpore发展至今，已经具备了支持大模型开发所需的各项核心技术，同时提供了一整套高效、易用的大模型使能套件，形成了端到端的使能大模型开发能力；由开源社区打造昇思大模型平台，也为企业开发者提供一站式AI应用开发创新平台。这些成果不断推动着 AI 能力的全场景应用，有超过 5500 家企业应用了昇思能力实现了智能化技术落地。 华为计算开源生态总监黄之鹏 作为广州数字经济的坚实数字底座和公共技术创新服务平台，广州人工智能公共算力中心一直秉持着一中心五平台的战略定位，依托全栈基础软硬件平台，取得了丰硕的成果。**广州人工智能公共算力中心生态拓展总监刘文龙**发表了名为《智算赋能，共赢未来》的主题演讲，详细介绍了算力中心正基于“一中心，五平台”定位，对外提供人工智能普惠算力服务、应用创新孵化服务、产业融合赋能服务、科技协同创新服务和人才培养服务，构建数字经济全要素发展体系，助力广州数字经济发展。 广州人工智能公共算力中心生态拓展总监刘文龙 \*\*\*\***二、********以算力中心赋能产业，共建繁荣生态********** 为加快推进广州算力医疗高质量发展，广州人工智能公共算力中心联合中山大学附属第六医院、广州安必平医药科技股份有限公司和广州广电信息安全科技有限公司进行AI for 医疗创新联合体签约。四方将充分发挥各方优势，构建肠癌腹膜转移数据库，搭建数据共享平台，实现创新应用孵化、产业赋能和科研合作。为广州医疗数字化注入新的活力。 AI for 医疗创新联合体签约仪式 在算力基础设施中，广州以算力为引擎，追求卓越，持续领先，挖掘人工智能赋能广州市的新亮点，实现产业数智化。本次对接会发布了广州人工智能算力中心的5项标杆创新成果案例。共5家广州本土企业解决方案荣获优秀人工智能创新应用奖。 广州人工智能公共算力中心成果发布 随着数字化的不断发展，安全行业正在超越传统网络安全范畴，升级为数字安全。广州广电信息安全科技有限公司以AI数据安全为核心，推出系列产品，活动现场，**广电信安AI数据安全技术总监张原**，进行AI数字安全产品发布，为AI安全和数字安全保驾护航。 AI数字安全产品发布 \*\*\*\***三、********探索人工智能 共创行业新价值********** 人工智能技术作为新一轮产业变革核心驱动力，在加快产业升级、经济转型、社会治理上起到了尤其重要的作用。在AI框架、算力支持下，落地推进更是如虎添翼。 **联邦学习FATE开源项目开发专委会主席张海宁**带来的分享《**护航私域数据，联邦学习助力大模型应用落地**》中，介绍了预训练基础模型从BERP到ChatGPT的发展历程，深入探讨了FATE开源联邦大模型。 联邦学习FATE开源项目开发专委会主席张海宁 **芯峰科技（广州）有限公司创始人张伟**带来的分享《**国产算法&算力助力数字能源之油站数智化转型**》中深入探讨与华为联合打造智慧加油站解决方案，助力加油站客户实现“智慧服务、智慧管理、智慧营销”。 芯峰科技（广州）有限公司创始人张伟 **广东轩辕网络科技股份有限公司副总裁黄永健**在《**大语言模型的爆发与轩辕AIGC产教融合之路**》主题演讲中指出，推动教育界和产业界加强合作，培育下一代的AIGC技术人才也是产业持续发展的基础。 广东轩辕网络科技股份有限公司副总裁黄永健 **深圳联友科技有限公司高级架构师黎伟洋**带来的分享《**铸造工件模温智能管理调节模型应用落地**》中，深入探讨了人工智能如何运用在工业生产的落地场景。 深圳联友科技有限公司高级架构师黎伟洋 人工智能是数字经济高质量发展的引擎，也是新一轮科技革命和产业变革的重要驱动力，昇思MindSpore AI融合框架是AI根技术，作为人工智能的创新之源，极大地降低了AI的研发门槛，未来，昇思MindSpore与广州人工智能公共算力中心将携手更多合作伙伴凝聚发展共识，拓展合作空间，共同推动人工智能产业创新发展。 活动现场照片 本次会议在广州市工业和信息化局、广州市科学技术局、广州市天河区科技工业和信息化局的指导下，由昇思MindSpore开源社区和广州人工智能公共算力中心联合举办。 往期回顾 共筑宁波人工智能新高地，昇思开发者创享日暨MSG企业行·宁波站成功举办 与昇思在“浙里”携手创新，MSG企业行杭州站成功举办 --- https://www.mindspore.cn/news/zh/2735/ --- 新闻 智赋未来｜昇思MindSpore创新训练营·华中地区站成功举办！ # 智赋未来｜昇思MindSpore创新训练营·华中地区站成功举办！ 2023/08/31 # 智赋未来｜昇思MindSpore创新训练营·华中地区站成功举办！ 2023年8月24日-27日，昇思MindSpore创新训练营·华中地区站在华中师范大学成功举办。 --- https://www.mindspore.cn/news/zh/2736/ --- 新闻 活动预告 | 昇腾AI创新大赛昇思赛道•流体赛题宣讲 # 活动预告 | 昇腾AI创新大赛昇思赛道•流体赛题宣讲 2023/09/01 # 活动预告 | 昇腾AI创新大赛昇思赛道•流体赛题宣讲 9月4日，昇腾AI创新大赛•流体赛题宣讲就在周一下午15点！此次有两道流体相关的赛题，分别利用昇思MindSpore实现翼型流场仿真和利用昇思MindSpore实现PDE-Net2.0求解Burgers方程。活动从报名方式、奖项设置、赛题解读等方面详解大赛内容，参与赛事一起挑战！ --- https://www.mindspore.cn/news/zh/2737/ --- 新闻 辽宁滨海实验室第二批科技攻关项目立项发布！携手昇腾AI、中科院大连化物所、大连理工大学、大连人工智能计算中心助力“智慧化工”建设 # 辽宁滨海实验室第二批科技攻关项目立项发布！携手昇腾AI、中科院大连化物所、大连理工大学、大连人工智能计算中心助力“智慧化工”建设 2023/09/01 # 辽宁滨海实验室第二批科技攻关项目立项发布！携手昇腾AI、中科院大连化物所、大连理工大学、大连人工智能计算中心助力“智慧化工”建设 \*\*2023\*\*\*\*年8月，由中国科学院大连化学物理研究所、大连理工大学、大连人工智能计算中心联合申报的辽宁省滨海实验室第二批科技攻关项目成功立项。\*\*三方将基于昇腾AI基础软硬件平台，联合打造知识图谱和大模型驱动的“智能化学工程师”，加速推动化工流程工艺设计的智能化转型。 化工工艺设计涉及反应机理、反应工程及相关的数学、物理知识，是化工装置设计的核心。目前，人工智能与化工领域的交叉研究刚起步，但在化工工艺设计方向的探索仍处于空白阶段。因此，利用前沿的人工智能技术，如大规模预训练模型、知识图谱等辅助化工工艺设计，有望颠覆传统方法的设计模式和理念，从根本上解决工艺设计中的痛点，帮助企业大幅提高生产优化效率。 目前化工工艺设计特别依赖于工程师的技术水平，对于经验性较强的、复杂的、不确定性的工艺推理和设计能力较差。\*\*本项目拟利用知识图谱+大模型驱动的化工大模型取代工程师来自动设计和优化化工工艺：\*\*通过搭建多源数据处理平台，赋予“智能化学工程师” 高效快速准确处理化工数据的能力；通过建立高效抽取方法，赋予“智能化学工程师” 快速准确检索化工知识的能力；通过开发知识增强化工大模型，赋予“智能化学工程师” 工艺设计及过程优化的能力。 项目申报由大连化物所低碳催化技术国家工程研究中心牵头，大连理工大学软件学院和大连人工智能计算中心作为合作单位。大连化物所团队具备丰富的化工基础研究、应用研究和工程化研究，大连理工大学团队具备扎实的人工智能算法研究及开发能力，\*\*大连人工智能计算中心提供昇腾AI的澎湃算力与基础软件昇思MindSpore AI框架支持。\*\*三方将充分发挥各自优势，推动化工流程工艺设计的智能化发展。 **关于辽宁滨海实验室** 辽宁滨海实验室以中科院大连化物所为依托，联合融科储能、新源动力等重点企业共同建设。实验室由中国工程院院士、中科院大连化物所所长刘中民院士任实验室主任，聚焦国家能源安全和“双碳”战略目标，围绕辽宁石油化工、洁净能源、冶金等重点产业开展关键技术攻关，推进辽宁产业绿色低碳转型升级，助力辽宁经济高质量发展。 **大连人工智能计算中心** 大连人工智能计算中心是基于大连市数字经济发展战略建设的新基建重点项目，同时也是首批“国家新一代人工智能公共算力开放创新平台”，基于昇腾AI基础软硬件平台，通过"政、产、学、研、用"生态运营，完成产业闭环，推动人工智能产业发展，加快数字经济生态繁荣进程。 --- https://www.mindspore.cn/news/zh/2738/ --- 新闻 行业动态丨RISC-V中国峰会之国际人才暨开源技术与生态论坛北京完美落幕！ # 行业动态丨RISC-V中国峰会之国际人才暨开源技术与生态论坛北京完美落幕！ 2023/09/02 # 行业动态丨RISC-V中国峰会之国际人才暨开源技术与生态论坛北京完美落幕！ 8月23日在北京香格里拉饭店成功举办了RISC-V国际人才暨开源技术与生态论坛·北京站。本次活动邀请了来自RISC-V International、LFOSSA、RIOS、中国科学院软件研究所、平头哥、MindSpore、openEuler等机构和企业的重磅嘉宾前来分享产业前沿的经验和心得。活动现场人才济济，超过50位专家和工程师莅临现场参与线下互动，并且线上各平台超过2.8万人和5.9万人次参与观看直播。 活动旨在推动RISC-V相关领域的国际人才培训、交流与合作，促进RISC-V开源技术在各个领域的应用和发展。 现在让我们重新回顾一下讲师们的精彩演讲吧！ **Opening Keynote** 演讲概要：RISC-V International的 CEO Calista Redmond作为开场Keynote讲师,为活动展开序幕。Calista 分享了基金会的最新状况，也关注到RISC-V人才短缺的情况是RISC-V及相关行业面临的一大挑战。她呼吁大家一起加入RISC-V社区，学习及一起为社区作出贡献。 **完善人才培养体系** **迎接100万RISC-V开发者** 演讲概要：吴伟老师分享了关于芯片指令集和开源软件的发展趋势和判断，指出 RISC-V 开源开放指令集架构与开源软件的天然契合，必将成为未来的不可避免的趋势。还指出 RVFA 认证的推出非常及时，为后续百万级别的软件开发者提前布局准备，并分享了中国科学院软件研究所在 RISC-V 教育和培训方面的积累和努力，包括免费公开了数十套围绕 RISC-V 的编译器、操作系统公开课程。 **Opening Keynote** 演讲概要：来自中科院软件所的于佳耕老师带来了有关openEuler RISC-V领域发展情况以及未来计划，openEuler是由开放原子开源基金会孵化和运作的操作系统开源社区，致力于为数字基础设施提供多样性算力最佳的操作系统和众多创新项目。openEuler自成立之初就将RISC-V作为重点支持的主要架构之一，目前已发布多个支持RISC-V架构的操作系统版本，openEuler充分结合RISC-V在学术界的热度和SIG组主要参与者(中科院、上海交大)的优势，在RISC-V领域的人才培养也做出了诸多贡献。例如，本次内容中就包含了由中科院软件所在openEuler社区及OpenHarmony社区共同开发的基于openEuler Embedded的AI边缘计算解决方案。 **What matters most in RISC-V Talent Development** 演讲概要：在精彩的一对一对话环节中，杨轩老师和陈炜老师共同探讨了RISC-V 人才培养与发展的话题。陈炜老师介绍了RISC-V的国际认证RVFA课程得到众多国内高校、平头哥和中科院专家等参与和支持。RISC-V 比其他芯片生态有无可比拟的产品化优势。同时也面临着众多挑战，尤其在是人才培养和软件生态发展方面，陈炜老师也给有兴趣投身到RISC-V 领域的同学许多宝贵的建议。 **坚持产学研并发培育机制及全链全栈开源发展模式** **探索集成电路高水平人才自主培养体系** 演讲概要：刘明老师针对话题综合阐述了自 ChatGPT 和开源大模型火热全球以来，全球算力需求的几何倍数增长；同时，刘老师也介绍了RIOS 如何与RISC-V 国际上3800+成员协同发展, 打造“全栈全链”的全开源生态体系，以及RIOS 在开源硬件、RISC-V 生态人才培养和建设 、开源合规与法律等方面的研究与合作进展。 \*\*未来已来：\*\***让我们聊一下RISC-V的技术创新和人才需求** 演讲概要：RISC-V 的开源硬件生态系统已经日趋成熟，从芯片出货量来看，RISC-V的崛起已经达到了不可逆转的地步，但是RISC-V的软件生态相对有些滞后，常言道，没有软件的芯片只是沙子 （Silicon Without Software is Just Sand），但是，软件生态的建设需要大量的具备RISC-V知识的开发者，而开源软件的生态与RISC-V的生态似乎是两个平行宇宙，合作并不紧密。有鉴于此，在主题为《未来已来：让我们聊一下RISC-V的技术创新和人才需求》的圆桌讨论里，几位嘉宾各抒己见，发表了对RISC-V软件生态的发展趋势，AI等热门领域的应用的观点和意见，以及对有志成为RISC-V软件人才的同学在能力要求方面给出了宝贵的专业建议。 **RISC-V 人才培养计划 powered by LFOSSA X RISC-V International** 演讲概要：鉴于RISC-V人才在开源社区的需求越来越大，LF开源软件学园课程总监Maggie Cheung介绍了LFOSSA与RISC-V International 联合发布的RISC-V 人才培养计划 - 中国区Powered by LFOSSA and RISC -V International。此计划专为企业、高校及科研单位而设的，LFOSSA希望透过这个计划，可以帮助企业，高校及科研单位进一步培养更多RISC-V开源人才，共建更好的RISC-V社区。 **RISC-V核心能力认证课程：** **开源芯片社区人才培养的加速器** 演讲概要：为了更好地普及和传播RISC-V指令集的设计理念，加速开源芯片社区高质量人才培养方案的落地。“一生一芯”团队计划负责翻译和校对面向计算机工程师和开源芯片爱好者的《RISC-V核心能力课程》。 缪宇飏老师还指出该课程以图文并茂的方式详细介绍了RSIC-V指令集的关键基础知识，不仅能够让学员快速掌握RISC-V指令集的核心技术，提升自己在开源软硬件时代的核心竞争力，还有机会成为RISC-V社区的活跃开发者，共同为构建一个开放、共享的软硬件生态系统贡献自己的一份力量。 **RISC-V与AI的开源结合** 演讲概要：昇思MindSpore开源专家黄之鹏为与会者带来了RISC-V and AI 开源生态发展和展望。议题首先从硬件发展、指令集扩展RVV、算法优化等维度回顾了当前业界RISC-V在AI领域发展的最新情况和进展。此后着重介绍了开源深度学习框架昇思MindSpore的技术架构、社区发展以及生态发展状况，同时昇腾AI硬件平台相关的开源生态，以及在OpenI启智社区推动的AICL异构编程接口开源标准。最后结合MindSpore自身MindIR等方面的编译优势，倡议与RISC-V生态更紧密的开源协作，基于昇思MindSpore打造原生开源LLM体系，也欢迎RISC-V硬件参与OpenI AICL学习组的开源合作中。 **Explore RISC-V towards modern computing** 演讲概要：在现代计算上探索RISC-V 从2010年开始，RISC-V在主要切入的嵌入式领域取得了显著的发展。但如何加速RISC-V到更广阔的从云到边缘的现代计算，依然面临着诸多挑战。Tiejun chen在现场探讨了RISC-V对现代计算的硬件以及软件所要求的差距和现状，并进行了诸多基础软件像Docker, WebAssembly和Kubernete等在RISC-V的实际运行情况。还特别分析了RISC-V在机器学习的现实情况，并提出了一些快速支持主流学习框架并加速的方案，帮助加速RISC-V在AI的adoption。最后提出了软件生态是RISC-V实现彻底爆发的关键，如果能支持在CNCF和LF Edge的一些关键项目上支持RISC-V将具有很大的现实意义。 RISC-V国际人才暨开源技术与生态论坛·北京站已圆满结束。 RISC-V国际人才开源之旅下一站活动已在筹备，欢迎大家积极参与RISC-V人才生态的共建、让我们期待往后的城市站点活动吧。 来源：CNRV --- https://www.mindspore.cn/news/zh/2739/ --- 新闻 不负盛夏共成长，昇思赋能启新程——MindSpore SPONGE暑期学校第三季圆满收官 # 不负盛夏共成长，昇思赋能启新程——MindSpore SPONGE暑期学校第三季圆满收官 2023/09/04 # 不负盛夏共成长，昇思赋能启新程——MindSpore SPONGE暑期学校第三季圆满收官 8月21日-8月25日，MindSpore SPONGE第三季暑期学校活动在北京大学成功举办，50多所全球知名高校的150+学子通过选拔并参与暑期学校线下学习。 此次活动由昇思MindSpore开源社区联合深圳湾实验室、昌平实验室、北京大学化学与分子工程学院高毅勤课题组共同举办，旨在为对分子计算感兴趣的同学提供相关资源，为分子计算领域的探索打下基础，手把手带领同学了解分子计算相关理论与实践，探索前沿问题。 正式开课前，**昇思MindSpore技术总经理、华为AI4Sci LAB主任于璠**为本次活动致辞，于璠博士表示分子模拟是一个重要的科学计算手段，搭建了微观分子世界与宏观可观测量之间的桥梁，为从分子水平理解物质的结构和动力学性质提供了有力的工具，也希望这个暑期学校同学们能够一起学习、探讨、从实际案例出发，最后不仅能够带走知识和技能，更能够结交志同道合的伙伴。 课程第一天，**北京大学化学与分子工程学院教授高毅勤老师**为我们介绍了分子模拟的理论基础、应用范围和瓶颈问题；昌平实验室研究员张骏带我们从Science的角度重新认识AI，发掘AI生态的潜力，建立AI源生的科研生态体系(AICSES)；下午，北京昇腾人工智能生态创新中心CTO杨光介绍了昇腾AI基础软硬件技术和商业生态发展情况；昇思MindSpore生态技术架构师吕昱峰介绍MindSpore2.0版本新特性以及针对AI+科学计算场景的优势特性；华为云EI开发者生态工程师刘宇介绍华为云全栈AI开发平台—ModelArts；昇思高级工程师陈梦云介绍了MindSpore 科学计算基础操作和环境配置。 课程第二天，首先由**华为AI4Sci LAB副主任王紫东**为大家介绍了AI科学计算业界趋势及昇思MindSpore实践；北京大学化学与分子工程学院副研究员杨立江为同学们介绍了分子动力学模拟的发展历史、基本原理以及应用场景；深圳湾实验室副研究员杨奕在此基础上进一步介绍了基于人工智能的分子模拟相关研究的基本原理和应用以及MindSpore SPONGE和Aichemist等工具的程序架构和使用方法；北京大学博士谢赵昕介绍了基于MindSpore SPONGE的QM/MM，最后在晚上上机的时候深圳湾实验室助理研究员李茂东和工程师陈迪青为大家上机实操了MindSpore SPONGE的使用案例。 课程第三天，**北京大学化学与分子工程学院教授、物理化学研究所所长、定量生物学中心副主任来鲁华**介绍了基于结构和基于人工智能药物设计领域的历史、现状和发展趋势；深圳湾实验室博士后刘许晗介绍了Aichemist的功能以及如何将其应用于药物和靶点性质预测中；昌平实验室助理研究员张宏为我们介绍了基于传统和机器学习方法的分子对接程序DSDP；并在晚间课程中，刘许晗博士和张宏博士通过上机实操向同学们演示药物分子的性质预测及分子对接；北京大学化学与分子工程学院博士研究生林潇涵则介绍了基于生成式学习的分子编辑。 课程第四天，北京大学博士研究生夏义杰介绍了自由能微扰计算的理论与实践；华为云医疗产品总监，医疗首席科学家乔楠分享了华为云AI在生物医药领域的探索和应用；**中科院计算所研究员卜东波**以蛋白质结构预测为例，介绍生物物理学、统计学、计算机科学等不同领域研究者对同一问题的不同研究思路；昌平实验室研究员刘思睿介绍基于深度学习的蛋白结构预测的基本原理、模型架构、以及其应用；晚间课程，华为高级工程师楚浩田针对深度学习和实验信息辅助的蛋白质结构预测上机演示。 课程第五天，AI领域不同方向的专家向同学们分享各自的学术探索。其中**中国科学技术大学教授刘海燕**介绍了蛋白质设计的发展历程，基本原理以及应用场景，苏州大学副教授曹自强介绍了检索增强的大语言模型；浙江大学博士胡名扬介绍了蛋白质属性建模以及突变预测的内容；**北京大学研究员高歌老师**介绍了细胞调控图谱的计算解析。 本次暑期学校，通过平时表现，上机作业等维度打分，共有12位同学从众多同学中脱颖而出，分别获得特等奖，一等奖，二等奖，三等奖。有40多位同学风雨无阻，准时上课，获得全勤奖。 此次MindSpore SPONGE暑期学校，为所有对分子计算充满兴趣的学子搭建了一个与专家面对面交流学习的平台，并通过上机实操，使学生们得以体验MindSpore SPONGE在分子计算中的使用，进一步激发了他们的学术热情，助力他们从零到一的开发者之路。 这次暑期学校不仅为学生们提供了坚实的学术基础，更是一次开拓视野的机会。我们坚信，学生们将不仅仅限于分子计算领域的探索，还会为他们的学习生涯打开崭新的视野。同时，这一活动也为MindSpore SPONGE社区的繁荣注入了新的活力，促进了更多有志之士的加入与贡献，共同推动AI×计算生物领域的发展。 --- https://www.mindspore.cn/news/zh/2740/ --- 新闻 长三角研究型高校联动，昇思MindSpore创新训练营·长三角站圆满结束！ # 长三角研究型高校联动，昇思MindSpore创新训练营·长三角站圆满结束！ 2023/09/05 # 长三角研究型高校联动，昇思MindSpore创新训练营·长三角站圆满结束！ 8月29日-9月1日，为期四天的昇思MindSpore创新训练营·长三角站在上海交通大学圆满举办！ --- https://www.mindspore.cn/news/zh/2747/ --- 新闻 【直播】量子计算组会一起开 | 在变分量子算法中的利用对称性 # 【直播】量子计算组会一起开 | 在变分量子算法中的利用对称性 2023/09/06 # 【直播】量子计算组会一起开 | 在变分量子算法中的利用对称性 MindSpore Quantum Special Interest Group ****量子计算组会一起开**** **MindSpore Quantum专题分享** **第二十八期** **2023.09.07（周四） 19:00-20:00** **本期邀请电子科技大学博士研究生吕楚凡分享在变分量子算法中的利用对称性** 【第二十七期】量子计算组会一起开 | 同济大学 硕士研究生 耿力：基于张量运算开发量子线路模拟器 回放链接：https://www.koushare.com/lives/room/645000 【第二十六期】量子计算组会一起开 | 浙江大学 硕士研究生 汤锟：基于变分量子算法求解矩阵迹范数 回放链接：https://www.koushare.com/lives/room/807752 【第二十五期】量子计算组会一起开 | 浙江大学 博士研究生 闫家舜：搭建量子神经网络分类器 回放链接：https://www.koushare.com/lives/room/462250 【第二十四期】量子计算组会一起开 | 复旦大学 硕士研究生 王帅康：基于MindSpore Quantum实现量子机器学习训练的Koopman加速 回放链接：https://www.koushare.com/lives/room/638149 【第二十三期】量子计算组会一起开 | 浙江大学 博士研究生 白琪：基于Mindspore Quantum实现FRQI及其压缩形式并用于图像分类任务 回放链接：https://www.koushare.com/lives/room/701900 --- https://www.mindspore.cn/news/zh/2748/ --- 新闻 昇腾AI联合智源FlagOpen（飞智），共促大模型生态创新 # 昇腾AI联合智源FlagOpen（飞智），共促大模型生态创新 2023/09/06 # 昇腾AI联合智源FlagOpen（飞智），共促大模型生态创新 近期，昇腾AI与智源研究院FlagOpen（飞智）大模型技术开源体系展开深入合作，取得关键进展。基于面向多种AI硬件的一体化评测引擎FlagPerf，双方已完成对昇腾硬件在ResNet50模型上的测试评价，昇腾硬件性能表现优异。目前昇腾AI已支持智源自研开源语言大模型悟道·天鹰（Aquila）的单机和多机训练，训练性能业界领先。双方计划下半年开展对GLM、LLaMA等更多主流模型的评测，携手共建大模型开源生态。 智源研究院是国际知名的人工智能前沿研究机构，在中国最早引领开展大模型研究，并率先倡导建设大模型开源生态。「悟道」人工智能大模型项目，连创“中国首个+世界最大”纪录，“悟道3.0”进入全面开源阶段。FlagOpen（飞智）大模型技术开源体系是智源研究院与多家企业、高校和科研机构共建的一站式、高质量的大模型开源开放软件体系，包括大模型算法、模型、数据、工具、评测等重要组成部分，支持协同创新和开放竞争，共建共享大模型时代的“新Linux”开源开放生态。 在FlagOpen（飞智）大模型技术开源体系中，面向多种AI硬件的一体化评测引擎FlagPerf 对AI生态有重要价值。FlagPerf是智源研究院联合各大AI软硬件厂商建立的开源、开放、灵活、公正、客观的一体化评测引擎，可快速高效地对AI软硬件进行适配和评测，解决当前AI软硬件所面临的兼容性差、技术栈异构程度高、应用场景复杂多变等挑战。FlagPerf至今已适配了涵盖CV、NLP、语音、大模型等领域的近20个经典模型，支持评测AI硬件的训练和推理能力，未来还将持续拓展支持模型数量和评测领域，包括不限于AI服务器、图计算各个场景，期望全面、立体地刻画厂商的软硬件实力，并通过不断迭代评测体系，紧跟AI产业发展浪潮。 目前，FlagPerf已和昇腾AI等4家技术路线深度合作，共同推进AI硬件评测建设。 昇腾AI是以昇腾AI基础软硬件平台为基础构建的人工智能计算产业。昇腾AI基础软硬件平台包含Atlas系列硬件及伙伴自有品牌硬件、异构计算架构CANN、全场景AI框架昇思MindSpore、昇腾应用使能MindX、一站式开发平台ModelArts和统一工具链MindStudio等，昇腾AI不仅可以提供澎湃算力，还可以提供各种高效的开发工具，使能大模型全流程开发，加速大模型原生创新。 针对已有的业界大模型，昇腾AI提供一站式迁移工具，百亿参数模型2天完成脚本迁移，2周实现精度和性能调优。基于昇腾推理引擎可对接各框架的推理API和业务系统，支持在线分布式推理，应用快速上线。 当前昇腾AI已原生支持30多个L0基础大模型，包括业界熟知的GPT3、LLaMA2、GLM、讯飞星火等，并已联合金融、运营商、互联网、能源等行业协同孵化了多个L1行业大模型和L2场景应用大模型。昇腾AI将坚持开放，使能客户开发自己的行业大模型和场景大模型。 “大数据+大算力+强算法=大模型”是当前人工智能发展的主要技术路径。未来，围绕大模型创新，双方将在基础软硬件、生态共建等多维度展开深入合作，充分发挥各自优势，实现能力互补，促进大模型创新，共建大模型开源开放新生态。 --- https://www.mindspore.cn/news/zh/2749/ --- 新闻 百川智能 x 昇腾AI｜百川重磅发布Baichuan2大模型!已上线昇思开源社区 # 百川智能 x 昇腾AI｜百川重磅发布Baichuan2大模型!已上线昇思开源社区 2023/09/06 # 百川智能 x 昇腾AI｜百川重磅发布Baichuan2大模型!已上线昇思开源社区 【2023年9月6日，北京】今日，百川智能在北京召开大模型发布会，正式发布Baichuan2开源大模型，昇腾AI基础软硬件平台正式支持Baichuan2大模型，并在昇思MindSpore开源社区大模型平台上线Baichuan2-7B模型开放体验。 发布会现场，百川智能宣布正式开源微调后的Baichuan2-7B、Baichuan2-13B、Baichuan2-13B-Chat与其量化版本4bit，面向学术及商业市场提供大模型服务，并且均为免费可商用。 昇思MindSpore版本开源仓链接： https://gitee.com/mindspore/mindformers/blob/dev/research/baichuan2/baichuan2.md 昇思MindSpore开源社区大模型平台： https://xihe.mindspore.cn/modelzoo/baichuan2\\\_7b\\\_chat ******文理兼备性能优异，全**\*\*面****领先\*\* **LLaMA 2**\*\*\*\* Baichuan2-7B-Base 和 Baichuan2-13B-Base，均基于2.6T⾼质量多语⾔数据进⾏训练，在保留了上一代开源模型良好的生成与创作能力，流畅的多轮对话能力以及部署⻔槛较低等众多特性的基础上，两个模型在数学、代码、安全、逻辑推理、语义理解等能⼒有显著提升。其中Baichuan2-13B-Base相比上⼀代13B模型，数学能力提升49%，代码能⼒提升46%，安全能力提升37%，逻辑推理能力提升25%，语义理解能力提升15%。 本次开源的两个模型在各⼤评测榜单上的表现优秀，在MMLU、CMMLU、GSM8K等几⼤权威评估基准中，以绝对优势领先LLaMA 2，相比其他同等参数量大模型，表现也十分亮眼，性能大幅度优于LLaMA 2等同尺寸模型竞品。 更值得一提的是，根据MMLU等多个权威英文评估基准评分 Baichuan2-7b以70亿的参数在英文主流任务上与130 亿参数量的LLaMA 2基本持平。 7B参数模型的Benchmark成绩 13B参数模型的Benchmark成绩 Baichuan2-7B和Baichuan2-13B不仅对学术研究完全开放，开发者也仅需邮件申请获得官方商用许可后，即可以免费商用。 **Baichuan2\*\*\*\*大模型** Baichuan2大模型是由百川智能开发的一系列开源可商用的大规模预训练语言模型。包含了70亿、130亿、530亿参数的模型。百川智能⾃成⽴之初，就将通过开源⽅式助⼒中国⼤模型⽣态繁荣作为公司的重要发展⽅向。此次开源的两款Baichuan2⼤模型，得到了上下游企业的积极响应，华为等众多知名企业均参加了本次发布会并与百川智能达成了合作。 **昇腾AI** 昇腾 AI 是以昇腾 AI 基础软硬件平台为基础构建的人工智能计算产业。昇腾AI基础软硬件平台包括 Atlas 系列硬件及伙伴自有品牌硬件、异构计算架构 CANN、全场景AI框架昇思 MindSpore、昇腾应用使能 MindX、一站式开发平台 ModelArts 和统一工具链MindStudio 等。 --- https://www.mindspore.cn/news/zh/2750/ --- 新闻 热烈祝贺！2023 MindSpore量子计算黑客松全国大赛总决赛获奖名单公布！ # 热烈祝贺！2023 MindSpore量子计算黑客松全国大赛总决赛获奖名单公布！ 2023/09/07 # 热烈祝贺！2023 MindSpore量子计算黑客松全国大赛总决赛获奖名单公布！ 历经三个多月的激烈比拼，**_QIIA联盟量子信息技术与应用创新大赛系列活动——2023 MindSpore量子计算黑客松全国大赛总决赛_** 圆满落幕。 本次大赛由量子信息网络产业联盟主办，昇思MindSpore Quantum SIG承办，电子科技大学、中国科学技术大学和上海大学等联合举办，经大赛组委会专家统一评审，现对决赛获奖队伍予以公示，恭喜以下获奖选手。 **_获奖名单_** 请获奖团队队长反馈兑奖信息，并将作品代码提交到下方代码仓目录： https://gitee.com/mindspore/mindquantum/tree/research/hackathon/hackathon2023 **扫描下方二维码**\*\*，反馈**领**\*\*\*\*奖信息\*\* --- https://www.mindspore.cn/news/zh/2751/ --- 新闻 昇腾AI@大连 | 怡升科技推出生态环境多模态人工智能系统，释放环保产业数据新价值 # 昇腾AI@大连 | 怡升科技推出生态环境多模态人工智能系统，释放环保产业数据新价值 2023/09/07 # 昇腾AI@大连 | 怡升科技推出生态环境多模态人工智能系统，释放环保产业数据新价值 近年来，我国大力发展环境保护建设，在环境治理中引入了大量的监测设备及分析仪器，积累了海量的水、气、声、土壤等监测数据，然而，受限于数据处理能力，对于环境治理中所面临的实际问题，这些数据的价值并没有得到充分的发挥。 怡升科技一直主张将人工智能原创技术成果与环保产业场景深度融合，致力于用科技守护绿水青山。为进一步解决AI技术应用中的算力和服务需求，9月1日，怡升科技与大连人工智能计算中心签署算力合作项目，并于近日完成“生态环境多模态人工智能系统”与全场景AI框架昇思MindSpore的兼容性测试。 怡升科技“生态环境多模态人工智能系统”是利用环保相关文本、图像和声音等多种类型的数据训练构筑的多模态人工智能专用模型矩阵，能力覆盖水、气、声等全域场景，能够深度挖掘产业数据价值，切实解决业内常见的识别、溯源、预测、成因分析等复杂问题。 **多模态模型矩阵** - **水环境** 包括AI 水环境视觉识别模型、AI 水污染溯源分析模型、AI 水环境质量预测模型、AI 水环境成因分析模型 - **气环境** 包括AI 气环境视觉识别模型、AI 大气污染溯源分析模型、AI 气环境质量预测模型、AI 气环境成因分析模型 - **声环境** 包括AI 自然噪声听觉识别模型、AI 噪声污染听觉溯源模型 该系统覆盖水、气、声多重领域，联动空、天、地数据多维一体，深度提取业务数据特征，自研创新 1000+ 业务特化模型，可切实解决污染溯源、污染物识别、质量预测、成因分析等环境治理问题。不同于常规的单一模态，多模态感知可融合文本、图像、声音等不同模态，支持同质性或异质性的融合形式，从不同角度挖掘现象规律与内在联系，准确定位问题症结，有效解决复杂场景下的难题。 未来，昇腾AI将持续携手怡升科技等伙伴，努力做好基础软硬件平台，深化人工智能等数字技术应用，为建设绿色智慧的数字生态文明注入创新动力！ **关于怡升** 怡升科技（大连）有限公司，创立于 2015 年，是一家专注于人工智能领域的高新技术企业。成立至今聚焦在计算机视觉、语音识别、数据挖掘、智能硬件等核心领域研究并保持国际先进技术水平。同时也是污染溯源、质量预测、成因分析、污染物识别技术的开创者及解决方案提供商，旗下拥有17+ 专利和著作权、3+ 第三方人工智能技术认证、1000+ 独立研发的专业模型，覆盖水、气、声三大环保业务领域。所研发的人工智能产品技术已广泛应用于上海、山东、河南、辽宁、黑龙江、内蒙古等全国多个省份，每年智能模型服务调用超千万次，现已成为国内环保领域最先落地人工智能解决方案的提供商。 --- https://www.mindspore.cn/news/zh/2752/ --- 新闻 【直播预告】9月8日MindSpore SPONGE SIG分享会——深度强化学习在生物医药上的应用 # 【直播预告】9月8日MindSpore SPONGE SIG分享会——深度强化学习在生物医药上的应用 2023/09/07 # 【直播预告】9月8日MindSpore SPONGE SIG分享会——深度强化学习在生物医药上的应用 MindSpore SPONGE SIG 技术分享会9月8日下午15点邀你一起来！本期活动特邀深圳湾实验室博士后刘许晗老师，讲解《深度强化学习在生物医药上的应用》议题。DRL即深度强化学习技术在生物医药领域应用越来越多，本期将介绍DRL原理，并结合药物分子和生物大分子设计，化学逆合成预测，分子动力模拟等场景来介绍DRL 的应用。 --- https://www.mindspore.cn/news/zh/2753/ --- 新闻 社区月报 | Baichuan2大模型与SAIL奖“东方.翼风”重磅发布，MindSpore SPONGE暑期学校第三季圆满收官 # 社区月报 | Baichuan2大模型与SAIL奖“东方.翼风”重磅发布，MindSpore SPONGE暑期学校第三季圆满收官 2023/09/07 # 社区月报 | Baichuan2大模型与SAIL奖“东方.翼风”重磅发布，MindSpore SPONGE暑期学校第三季圆满收官 **_昇思MindSpore7-8月运作报告_** **一、社区规模** 截至8月底，昇思MindSpore面向全球开发者，凝聚产业力量，持续打造人工智能创新之源。社区秉持开放透明原则，稳步建设开源生态，规模和活跃度得到持续提升。 - 昇思MindSpore下载量为**551\*\*\*\*W+**，五月增长了**5.77%**； - 超过\*\*2.3W+**开发者在社区做出贡献，其中**2W+\*\*为核心贡献者。 - 社区累计产生ISSUE共**33.9K**、PR共**78.4K**，Star**2.9W\*\*\*\*+**。 \*\*2、\*\***业界首个三维超临界机翼流体仿真大模型“东方.翼风”正式发布** 7月6日，**昇腾人工智能产业高峰论坛**在上海举办。论坛现场，大模型联合创新启动，26家行业领军企业、科研院所与华为将共同基于昇腾AI进行基础大模型与行业大模型应用创新。 基于昇腾AI研发的三维超临界机翼流体仿真大模型“东方.翼风”，利用昇思MindSpore Flow流体仿真套件，结合流体领域专家经验和数据，实现对大飞机翼型全场景飞行工况模拟，大飞机三维翼型设计速度提升**1000倍**，并构建AI+通用气动仿真的泛化能力，加速气动领域国计民生行业跃迁式创新。 \*\*3、\*\***达观“曹植”大模型正式亮相** 7月7日，在世界人工智能大会“AI生成与垂直大语言模型的无限魅力”主题论坛现场，\*\*基于昇腾AI基础软硬件平台以及昇思MindSpore Transformers大模型开发套件开发的达\*\*\*\*观“曹植”大模型正式亮相。\*\*通过上海人工智能公共算力服务平台的澎湃算力，已完成了大模型的训练和推理场景适配，实现大模型技术的自主可控。在开源大模型适配和迁移方面的出色能力，在训练数据与算法模型直接进行场景适配并成功运行。 \*\*4、\*\***紫东太初大模型开放服务平台2.0发布** 8月11日，以“数智双擎，算融未来”为主题的**2023东湖算力与大数据创新大会**在武汉顺利举行。**昇思MindSpore助力紫东太初大模型开放服务平台2.0发布**，打造数字经济智能底座。 AI大模型创新成果与产业专题论坛同期举办，论坛邀请来自高校、研究机构，以及各行业企业大模型技术专家、资深工程师和产业精英代表等，分别从大模型应用、算法、AI基础软硬件等不同视角进行深入研讨，共话算力时代产业发展新趋势及新挑战。 **三、社区活动** **1、\*\*\*\*“智能基座”昇腾高校行暨MSG·暴走校园厦门大学专场圆满举办** 7月8日，**“智能基座”昇腾高校行暨MSG·暴走校园厦门大学**专场活动在厦大翔安校区举行。通过实操昇思大模型平台对AI开发的原理、逻辑、流程以及模型训练评估应用做了演示，让同学们体会到AI开发的乐趣，也在实战中对昇思MindSpore的特性有了更深入的了解，提升了AI开发能力。 \*\*2、\*\***MindSpore SPONGE 2023暑期学校第三季圆满收官** 8月21日-8月25日，**MindSpore SPONGE第三季暑期学校**活动在北京大学成功举办。**800+**高校开发者报名参与，**20\*\*\*\*余位**领域专家进行技术议题现场讲解，**150多**名同学经过入营考试选拔，进入到暑期学校线下学习中，这些学生来自五湖四海，涵盖了**50\*\*\*\*多所**高校，包括英国曼彻斯特大学，加州大学，新南威尔士大学等多所海外高校。本次暑期学校为分子计算领域的探索打下基础，手把手带领同学了解分子计算相关理论与实践。 **3**\*\*、\*\***昇思MindSpore创新训练营·华中地区站** 8月24日-8月27日，**昇思MindSpore创新训练营·华中地\*\*\*\*区站**在华中师范大学成功举办。吸引了武汉大学、华中科技大学、武汉理工大学、华中师范大学、中国地质大学、华中农业大学、中南财经政法大学等**12所**重点高校的\*\*260+\*\*同学参与报名，\*\*70+\*\*同学参与线下集中训战。训练营采用理论知识讲解+代码演示+每日作业+结营实践项目+答辩的课程形式，手把手指导动手开发大模型，利用大模型进行创新实践。 **4、共筑宁波人工智能新高地，昇思开发者创享日暨MSG企业行·宁波站成功举办** 7月21日，**昇思开发者创享日暨MSG企业行·宁波站**在成功举办。本次会议共邀请\*\*150+\*\*宁波当地人工智能行业相关技术专家参会，深度探讨行业大模型发展现状与技术落地、优化方法论，以及算力基础设施支撑生态发展、大模型在工业的落地相关案例等话题。 **5**\*\*、\*\***紧抓大湾区AI发展新机遇，昇思开发者创享日·MSG企业行暨广州人工智能公共算力中心企业对接会圆满成功** 8月30日，**昇思开发者创享日·MSG企业行暨广州人工智能公共算力中心企业对接会**在广州（国际）科技成果转化天河基地成功举办。共计吸引超过\*\*250+\*\*广州当地人工智能行业相关企业代表现场参会。参会嘉宾围绕广州人工智能公共算力中心“一中心五平台”及其成果、昇腾AI产业及其相关技术、昇思MindSpore AI框架、人工智能发展趋势、大模型话题等展开深入交流。 **四、社区动态** \*\*1、\*\***电力人工智能强化学习第二期培训交流会成功举办** 7月，昇思MindSpore开源社区联合南方电网人工智能基础设施运营中心开展**线上电力人工智能强化学习第二期培训交流会**。通过“理论讲解+上机实操”的方式带领大家系统性认识和学习昇思MindSpore全场景AI融合框架的优势特性。 \*\*2、\*\***WAIC 2023，昇思展台现场细节亮点直击** 7月6日-8日， \*\*2023世界人工智能大会（WAIC）\*\*在上海世博展览馆成功举办，昇思MindSpore全场景AI框架，携手一众南北向生态伙伴，带领大家现场围观基于昇思MindSpore AI框架推出的全模态大模型“紫东.太初2.0”，现场了解东方.翼风三位超临界机翼流体仿真大模型，近距离接触强大的多样性算力硬件...... \*\*3、\*\***昇思社区2023上半年优秀开发者入选榜单公布** 2023上半年，昇思MindSpore共认证**3位布道师、1位资深开发者、6位优秀开发者**。多位开发者参与了昇思MindSpore各领域的开发，更有SIG组Maintainer等开发者，期待各位开发者在昇思MindSpore获得更多的技术提升，为开源社区持续贡献力量。 截止目前，昇思MindSpore社区共388位开发者认证各级别MindSpore优秀开发者/布道师，其中353位为非华为的社区贡献者。 \*\*4、\*\***昇思特别兴趣小组（MindSpore SIG）** 昇思特别兴趣小组（MindSpore SIG）,八月迎来三位“新成员”：计算机视觉领域套件 SIG、OpenGADL SIG、MSAdapter SIG，三个SIG于本月通过技术委员会评审已成立。MindSPONGE SIG、Trusted AI SIG、MindSpore Flow SIG以及Usability SIG共开展技术分享与讨论活动**5次**，线上参与人数**800+**。 **五、昇思大模型平台** 昇思MindSpore致力于成为电力行业数字化转型的首选AI框架，携手伙伴通过AI与电力业务的深度融合，助力电力企业实现安全、高效、绿色、创新的转型升级。 \*\*1、\*\***实际应用案例，助力企业场景落地** 昇思大模型平台已上线**4\*\*\*\*个人工智能项目案例**，并开放部分模型，面向开发者提供从模型训练、推理到部署的AI应用开发专区。其中，基于MindSpore YOLO套件开发的YOLOv7-Tiny对隐患进行目标检测案例已经公开模型和文档，供开发者轻松上手体验。 体验链接：https://xihe.mindspore.cn/models/MindSpore/yolov7-tiny-models \*\*2、\*\***电力人工智能数据集目录首次发布** 昇思MindSpore开源社区联合南方电网人工智能基础设施运营中心，基于昇思大模型平台，共建电力人工智能专区，共同打造面向广大开发者的电力人工智能生态。电力专区发布了输电设备常见隐患数据集、电力安全工作规程知识库、中国电力知识百科全书数据集、电力部件数据集等**9个数据集**供开发者使用。 体验链接： https://xihe.mindspore.cn/datasets **六、技术进步** \*\*1、\*\***基于昇腾AI与昇思MindSpore打造的AI+科学计算新成果PeRCNN面世** 7月，华为与中国人民大学高瓴人工智能学院孙浩教授团队合作，基于昇腾AI基础软硬件平台与昇思MindSpore AI框架提出了一种**物理编码递归卷积神经网络**（Physics-encoded Recurrent Convolutional Neural Network，PeRCNN），该成果已在\*\*《Nature》子刊《Nature Machine Intelligence》上发表\*\*，相关代码已在开源社区Gitee的MindSpore Flow代码仓开源。 **2、基于昇思MindSpore2.0完成大模型全流程开发** 在原生支持大模型领域，基于昇思MindSpore孵化、支持的重磅大模型超过**30个**，包括华为云盘古大模型3.0、中科院自动化所紫东太初2.0全模态大模型、面壁智能CPM-Bee、智谱AI CodeGeex大模型、云从科技从容大模型等领先成果，部分大模型已经在金融、制造等行业发挥重要价值。 **3、大模型套件提供一站式大模型训练能力，降低开发者成本** 在科学智能领域，昇思MindSpore打造了AI+科学计算套件，使能中国AI4S科研创新，已联合伙伴打造\*\*12+\*\*AI4S创新成果。昇思MindSpore通过打造流体仿真、电磁仿真、分子模拟等丰富科学智能套件，在提升系统性能基础上，屏蔽跨领域带来的开发难度，极大加速科研创新速度，并在流体仿真、天线阵列仿真等场景实现落地应用。 其中以华为云盘古大模型3.0为代表的成果，充分利用昇思MindSpore AI框架的自动并行、计算图内存复用、重计算、MindSpore Transformers套件等能力，提高大模型训练效率与精度，推动大模型在金融、制造、医药研发、煤矿、铁路等行业场景落地并发挥重要价值。 **4、杭州人工智能计算中心率先实现基于昇思的LLaMa2、Stablediffusion2.1大模型训练部署** 杭州人工智能计算中心基于昇思MindSpore，以及大模型开发套件MindSpore Transformer将LLaMa2 70B、Stablediffusion2.1大模型适配到本地环境中，实现高效运行。为方便开发者群体高效创新，昇思MindSpore全流程使能大模型的工具与方法上线到杭州AICC，让开发者有更多样化的选择快速打造大模型。 **5、北京昇腾人工智能计算中心率先实现基于MindSpore的Baichuan大模型训练、微调、推理和部署** 北京昇腾人工智能计算中心基于自主创新框架昇思MindSpore以及大模型开发套件MindFormers成功完成国产开源大模型Baichuan的训练、微调和推理部署，并支持某行业客户使用计算中心160张卡训练集群完成二次预训练，Loss稳定收敛，成功孵化行业大模型。 **七、社区竞赛** **1、\*\*\*\*「象牙之塔——AI画家大赛」圆满收官** 由昇思MindSpore开源社区联合OpenI启智社区举办的「象牙之塔——AI画家大赛」圆满收官，**185个**来自不同企业、科研院所、高校的团队参与其中，经历了45天的角逐。**10个**团队在本次比赛中获胜。本次比赛与扩散模型（Diffusion Models）紧密结合，各团队使用基于昇思MindSpore AI框架实现深度神经网络模型进行训练，最后训练出专属自己团队的画作。 **2、\*\*\*\*“悟空·画画-科幻与创想”AI创作大赛** 面向全球开发者，赛题与AIGC大模型紧密结合，鼓励参赛者将想法转化为实际应用。无论你是资深科幻迷，还是对AIGC领域憧憬已久的新生代力量，都可以通过AI创作，更深刻的感受破次元的科幻世界，创作你心目中的科幻宇宙。 未来，昇思MindSpore AI框架将持续致力于打造人工智能创新之源，凝聚产业力量，扎根AI根技术，使能大模型与科学智能，成为AI创新的首选框架。 --- https://www.mindspore.cn/news/zh/2776/ --- 新闻 昇思科学计算套件喜迎新成员：MindSpore Earth 0.1地球科学套件全新发布 # 昇思科学计算套件喜迎新成员：MindSpore Earth 0.1地球科学套件全新发布 2023/10/08 # 昇思科学计算套件喜迎新成员：MindSpore Earth 0.1地球科学套件全新发布 2023年9月21日下午，在以“加速行业智能化”为主题的华为全联接大会2023(Huawei Connect2023)昇思MindSpore专题论坛上，昇思MindSpore开源社区发布了MindSpore Earth 0.1地球科学套件。 该套件集成了多时空尺度下的AI气象预报SOTA模型，提供了数据前处理、预报可视化等工具，并集成了ERA5再分析、雷达回波、高分辨率DEM数据集，致力于高效使能AI+气象和海洋预报的融合研究。 气象预报与人们的工作生活息息相关，也是科学智能(AI4Science)领域受到最广泛关注的应用场景之一。昇思MindSpore作为全场景AI融合框架，具有原生支持大模型与AI4Science两大引领创新的能力。 MindSpore Earth架构规划如图1所示，涵盖气象预报短临降水、中期预报、超分辨率等多个场景的业界SOTA模型，包括GraphCast、ViT-KNO、FourCastNet、DGMR等，模型覆盖度业界领先，预报精度超越传统数值模式，预报速度较传统数值模式提升千倍以上。 图1 MindSpore Earth套件架构规划 ****1、 中期天气预报**** 中期全球天气预报是指在全球范围内预测未来约3至10天的天气。这类预测通常基于数值模式模拟大气条件，如温度、湿度、气压、风速和方向以及降水的变化。MindSpore Earth提供了多个AI中期预报模型： **FourCastNet** MindSpore Earth提供FourCastNet 模型，该模型采用自适应傅里叶神经算子 AFNO，这种神经网络架构是对 Vision Transformer(ViT) 模型地改进，它将混合操作步骤构建成连续的全局卷积，在傅里叶域中通过 FFT 有效实现，将空间混合复杂度降低到 O(Nlog N)，这允许灵活且可扩展地建模跨空间和通道维度的依赖关系。该模型为第一个预报精度能与欧洲中期天气预报中心（ECMWF）的高分辨率综合预测系统（IFS）模型比较的AI预报模型。 **ViT-KNO** MindSpore Earth提供了一个基于Koopman的全局线性化理论并结合神经算子的思想设计的一个轻量化的、网格无关的Koopman Neural Operator模型，模型架构如图2所示。该模型由华为先进计算与存储实验室与清华大学合作推出。该模型能够捕获复杂的非线性行为，同时保持模型轻量级和计算有效性。与FourCastNet相比，ViT-KNO具有更高效的训练性能与更优的预测精度。 图2 ViT-KNO模型架构 **GraphCast** GraphCast来自谷歌的DeepMind，该模型使用GNN在“编码-处理-解码”架构中自动回归地生成预测结果。编码器将历史时刻的气象要素的纬度-经度输入网格映射到多尺度内部网格表示；处理器在多网格表示上执行多轮消息传递；解码器将多网格表示映射回纬度-经度网格，同时输出预测结果。MindSpore Earth开源了正二十面体网格生成模块，实现多尺度网格自动化构建。另外，针对多步预测精度衰减，MindSpore Earth实现了rollout多步迭代训练，降低模型误差累积。 ****2、短临降水预报**** MindSpore Earth提供了DGMR降水模型，该模型的主体是一个生成器，配合时间和空间判别器损失以及额外的正则化项进行对抗训练。模型从前四帧雷达序列学习上下文表示，用作采样器的输入，采样器是一个由卷积门控循环单元（GRU）构成的递归网络，它将上下文表示和从高斯分布中取样的潜向量作输入，对未来18个雷达场进行预测。基于MindSpore Earth+昇腾可以进行对降水强度与空间分布进行高效训练与推理。 ****3、数字高程模型超分**** 昇思MindSpore团队、华为AI4Sci LAB与清华大学黄小猛团队联合推出适用于全球区域的DEM超分模型，同时发布了全球3弧秒（90 m）海陆DEM数据产品（图3），该成果已发表于《科学通报》（Science Bulletin）上。该模型在RMSE指标、清晰度、细节等方面均优于目前广泛采用的超分模型。该成果是首个分辨率在百米以内的全球海陆DEM数据集，可以满足不同领域和不同层次对海洋测深数据的需求，为不同地形复杂度下全球海陆重力场与地形的关系、探索不同海陆构造单元的均衡机制以及海陆地形对海洋潮流运动的影响等方面的研究提供重要支撑。 图3 高分辨率全球海陆DEM数据集 另外，MindSpore Earth还提供了预报可视化模块，如风场可视化（图4）；内置ERA5再分析数据集、雷达回波数据集、高分辨率DEM数据，支持短临预报、中期预报等模型训练与评估。未来MindSpore Earth将继续提供前沿、高效的AI气象海洋模型与工具，包括盘古气象大模型推理功能、长期气候预测、降尺度等，使能AI+气象海洋的融合研究。 图4 风速可视化效果 如需了解更多详情，欢迎加入MindSpore Flow & Earth联合SIG群。 MindSpore Earth代码仓地址：https://gitee.com/mindspore/mindscience/tree/master/MindEarth --- https://www.mindspore.cn/news/zh/2777/ --- 新闻 华为全联接大会2023“智能基座”高校行走进南京航空航天大学 # 华为全联接大会2023“智能基座”高校行走进南京航空航天大学 2023/10/07 # 华为全联接大会2023“智能基座”高校行走进南京航空航天大学 **华为全联接大会2023“智能基座高校行”** 9月24日，华为全联接大会2023暨“智能基座”高校行南京航空航天大学专场在天目湖校区举行，此次活动由华为技术有限公司主办，江苏鲲鹏昇腾生态创新中心和南京航空航天大学协办，活动以“校企协同，共建数智人才新生态”为主题，聚焦人工智能技术发展及人才培养议题。南京航空航天大学计算机学院社团指导老师朱润泽受邀出席并致辞，华为昇腾AI工程师高一方、MindSpore Quantum优秀开发者耿力等行业专家来到现场与同学们就人工智能理论及开发实践展开了交流。 **朱老师**致辞中回顾了南京航空航天大学与华为的校企合作历程，其表示，当前，AI已经成为数字化新基建的核心驱动力，它依赖于强大的算力、准确的数据和高效的算法等资源。“智能基座”高校行活动为同学们提供了一个深入学习与交流的平台，使同学们得以接触到最前沿的技术，更全面地了解昇腾AI的发展。他勉励同学们，以“智能基座”高校行活动为契机，培养创新思维、强化实践能力，为推动计算机科学的发展贡献更大的智慧和力量。 **华为昇腾AI工程师高一方**首先做了《数智未来 因你而来》的主题分享，对人工智能技术发展脉络进行了梳理，高老师指出，随着生成式AI技术不断迭代，相关产品不断涌现，人类社会加速迈入通用人工智能时代，以多任务和泛化性为代表的大模型成为AI科研创新走向产业应用的重要枢纽。华为深耕基础、厚植技术，坚定人工智能产业投入，为全产业带来了硬件开放、软件开源、使能伙伴的多重助力。 随后，高老师在《异构计算架构CANN》的主题讲座中，对异构计算架构CANN以及基于昇腾CANN的AI应用开发流程进行了介绍。高老师还结合实际案例演示，带领同学们体验基于昇腾CANN的AI应用开发全过程。 **MindSpore Quantum优秀开发者耿力**带来了《量子计算简介与量子编程实践》主题分享，从量子计算基础开始引入，介绍MindSpore Quantum量子计算框架，并基于MindSpore Quantum进行量子线路搭建编程实践。MindSpore Quantum是基于昇思MindSpore开源全场景AI融合框架开发的新一代通用量子计算框架，聚焦于NISQ阶段的算法实现与落地。耿力对量子计算发展历史和相关概念、量子编程的理论与实践进行了深入的讲解，为了让同学们更进一步理解量子计算、体验量子编程，耿力带领同学们使用HiQ量子计算云平台体验可视化编程服务。在讲座的最后，还布置了课后作业，引导同学们多动手，在实践中锤炼开发技能。耿力也欢迎广大量子计算爱好者能够加入“大家庭”，共同开发和维护MindSpore Quantum开源社区。 最后，在主持人的引导下，各位专家与同学们合影留念，此次“智能基座”高校行南京航空航天大学专场圆满落幕。此次活动给同学们提供了一次与行业专家面对面交流和学习的机会，专家们的分享让同学们了解到人工智能领域前沿理论和技术，开阔了同学们的视野、提升了开发能力，是人工智能领域产教融合的一次有益探索。未来，“智能基座”高校行将走进更多高校，推动人工智能人才培养模式创新，为产业发展积蓄力量。 --- https://www.mindspore.cn/news/zh/2778/ --- 新闻 华为全联接大会2023“智能基座”高校行走进北京理工大学 # 华为全联接大会2023“智能基座”高校行走进北京理工大学 2023/10/07 # 华为全联接大会2023“智能基座”高校行走进北京理工大学 **华为全联接大会2023“智能基座高校行”** 9月23日，华为全联接大会2023智能基座昇腾高校行北京理工大学专场成功举行，此次活动由华为技术有限公司主办，北京理工大学网络空间安全学院承办。本次高校行以“校企协同，共建数智人才新生态”为主题，旨在推动产学研融合、促进先进计算技术在高校的落地、为产业发展培育人才基础。北京理工大学网络空间安全学院副书记、副院长郭宏宸受邀为活动致辞，华为昇腾计算AI工程师李牧原，MindSpore Quantum研究员、清华大学物理学博士徐旭升等专家参加了本次活动，并进行了主题分享。 **郭书记**在致辞中回顾了北京理工大学网络空间安全学院与华为公司的合作历程，自签署智能基座产教融合协同育人基地协议以来，双方开展了紧密合作，在课程体系建设、育人模式改革、教师培训、学生社团活动、国家级赛事等方面取得了丰硕的合作成果。郭书记表示，网络空间安全学院将以此次活动为契机，与华为公司在“互联网+”大赛、创新创业项目等展开合作，共同打造产教融合协同育人新典范，为产业发展培养高素质的创新人才。 **昇腾计算AI工程师李牧原老师**作了主题为《揭秘昇腾大脑，玩转趣味开发》的分享，向同学们展示了被称为“昇腾大脑”的Atlas 200I DK A2开发套件，介绍了基于Atlas 200I DK A2开发套件的开发逻辑和流程。在分享中，李老师还结合机械臂、机械狗、智能小车等作为开发案例进行讲解，让同学们进一步了解Atlas 200I DK A2开发套件的特性，掌握基于Atlas 200I DK A2开发套件提供的易学易用的代码样例、丰富的接口和配件指导、预训练模型和极简开发工具，通过实战深刻了解AI开发的原理、逻辑和技术。 紧接着的师生分享环节，来自**北京理工大学网络空间安全学院空天网信研究所的2023级博士生、校学生科协主席王云川同学**带来了《研赛用创路径的科研与经验分享》，对其团队研制的海上通信项目——瀚海智联的项目诞生背景、技术特点、研发成果等进行了详细介绍。王云川还以此为契机，向同学们介绍了网络空间安全学院学生科技创新协会的智能和工作进行了介绍，解答同学们的相关疑问。 随后，**MindSpore Quantum布道师、清华大学物理学博士徐旭升**分享了《量子计算简介与量子编程实践》，主要从量子计算基础知识开始引入，对量子计算的原理、发展历程、应用前景、未来发展方向以及MindSpore Quantum量子计算框架的特性进行了详细介绍，讲师还现场教学，带领同学们开展基于MindSpore Quantum进行量子线路搭建的编程实验，在实践中体验MindSpore Quantum。现场师生反馈：“讲师对每个知识点都做了通俗易懂的讲解，内容非常充实，学练相结合，让大家快速入门量子世界，作为华为开源的量子计算框架，MindSpore Quantum旨在实现极简开发模式、极致的性能体验，着重提升易用性并降低量子开发者的开发门槛，非常适合高校开发者学习使用。不但能让同学们快速了解量子计算领域的前沿动态，也可以吸引更多感兴趣的同学加入到开源生态中。” 最后，华为专家与现场同学们合影留念，至此，智能基座昇腾高校行北京理工大学专场圆满落幕。华为专家们的到来给同学们提供了一次与行业专家面对面交流的机会，专家们的分享也让同学们了解到AI前沿技术、掌握了部分开发技能，在实践中感受到AI开发的乐趣。 当前，人工智能为代表的新一轮科技革命正在迅速演进，产业发展离不开人才。未来，华为将继续携手高校，推动先进计算技术在更多高校的落地，探索高新技术人才培养新模式、为产业发展夯实人才基础。 --- https://www.mindspore.cn/news/zh/2779/ --- 新闻 华为全联接大会2023“智能基座”高校行·暨南大学专场活动顺利举行 # 华为全联接大会2023“智能基座”高校行·暨南大学专场活动顺利举行 2023/10/07 # 华为全联接大会2023“智能基座”高校行·暨南大学专场活动顺利举行 **华为全联接大会2023“智能基座高校行”** 为促进产教融合、激发学生群体学习先进技术的热情，为产业发展培育人才，9月23日下午，“校企协同，共建数智人才新生态”华为全联接大会2023暨智能基座昇腾高校行暨南大学专场活动在暨南大学石牌校区举行。本次活动由华为技术有限公司主办、暨南大学本科生院教务处协办。暨南大学智能科学与工程学院/人工智能产业学院李德平、教务处实践教学科杨楠、华为昇腾软件开发工程师游致远、MindSpore Quantum布道师周俊园、计算产品线高校与科研人才发展部经理王莹出席活动。 活动中，**李德平老师**带来了《基于Atlas 200 DK A2的移动机器人》的项目分享，结合移动机器人项目的开发经历对基于Atlas 200 DK A2的项目开发过程进行讲解。李老师的分享让同学们对移动机器人的开发原理、实现路径、应用场景有了清晰的认识，了解了基于Atlas 200 DK A2的开发技能。 **华为昇腾软件开发工程师游致远**带来了《揭秘昇腾大脑 玩转趣味开发》的主题分享，对Atlas 200 DK A2开发套件进行深入讲解。在分享中，游老师结合智能小车、机械臂等场景应用，对基于Atlas 200 DK A2的项目开发逻辑、方法进行介绍，帮助同学们更好的了解Atlas 200 DK A2套件、掌握AI开发的思路和方法。 最后，**MindSpore Quantum布道师周俊园**分享了《量子计算简介与量子编程实践》。周老师介绍了量子计算技术的原理和发展过程，对MindSpore Quantum计算框架的特性进行讲解。随后，带领同学们在实践中体验MindSpore Quantum的极简开发模式以及云端编程效果。周老师由浅入深、学练结合的讲解给同学们留下了深刻的印象。 此次活动给同学们提供了一次与华为专家面对面学习、交流的机会，专家们的讲解深入浅出，让同学们在轻松愉快的氛围中了解AI前沿理论、掌握开发技能、体验AI开发的乐趣。未来，学校将积极探索新工科教育的改革和创新，加强与相关行业的合作，开展产学研合作项目，促进产教融合、协同育人，探索高科技领域人才培养新模式。 --- https://www.mindspore.cn/news/zh/2780/ --- 新闻 盛世华诞，踏月而来 # 盛世华诞，踏月而来 2023/09/29 # 盛世华诞，踏月而来 # 盛世华诞，踏月而来 值此双节之际，祝大家中秋快乐，阖家幸福！ --- https://www.mindspore.cn/news/zh/2782/ --- 新闻 携手昇腾AI，南方电网发布基于昇思打造的电力行业AI创新平台与大模型 # 携手昇腾AI，南方电网发布基于昇思打造的电力行业AI创新平台与大模型 2023/09/28 # 携手昇腾AI，南方电网发布基于昇思打造的电力行业AI创新平台与大模型 9月26日，由南方电网公司主办的电力行业人工智能创新平台及自主创新电力大模型发布会在广州召开，对社会发布了电力行业人工智能创新平台（以下简称“人工智能平台”），同步发布了人工智能平台的首个产品——电力行业首个自主创新电力大模型（以下简称“电力大模型”），先面向南方电网系统应用。“人工智能平台”和“电力大模型”由南方电网人工智能科技有限公司自主研发，发布会上南方电网人工智能科技有限公司副总经理、南方电网公司高级技术专家梁寿愚做了系统演示。 南方电网打造的电力行业先进的人工智能创新平台及首个自主创新大模型“大瓦特”，将加速电力行业的AI创新及应用，加速助力行业智能化转型升级。 发布会现场，华为技术有限公司昇思MindSpore业务总经理、昇思MindSpore开源社区理事长丁诚、华为技术有限公司电力系统部部长李继光现场分别参与交流发言、发布仪式等环节。 **电力行业人工智能创新平台** 电力行业人工智能创新平台集成华为等企业算力资源,支撑算力资源的灵活调度，全面支持昇思MindSpore等多种AI框架。目前，人工智能平台已经完成，可面向内外部用户提供训练、微调、部署等服务，可作为算法模型的训练工厂。平台融合了电力样本集、模型库、训练环境、算力资源等，为开发者提供灵活、易用的一站式模型服务产品，将AI赛事运营、代金券发放等分散事项统一到一个平台中实施，为各类AI业务提供了统一载体。 南方电网人工智能公司副总经理、南方电网公司高级技术专家梁寿愚介绍，在人工智能平台里，用户既可以使用已经调好参数的模型，也可以根据需求自主创建自己的模型，还可以通过平台举办人工智能算法比赛。 “平台的发布标志着全面服务电力行业上下游生态的体系化服务能力基本形成，有利于产业链上下游用户基于平台便捷开展模型训练、数据融合创新等，促进行业智能化转型，带动人工智能产业发展。”南方电网数字集团副总经理胡荣介绍，平台已完成百亿规模参数大模型训练验证，模型学习效果良好，现阶段部分指标已达到甚至超过了国际水平。 **能源电力行业首个电力大模型“大瓦特”** 能源电力行业大模型“大瓦特”基于自主创新的算力、算子，从零开始训练，除了来自人类自然语料，主要吸收电力行业基础知识、电力业务制度规范、电力行业研究报告等参数量达百亿数据，使得“大瓦特”具备电力系统内多专业领域工程师的知识、经验，具备电力专业知识检索、意图识别（多轮对话）、专业数据加工、高质量智能辅助写作、行业场景智能识别、操作指挥作业智能辅助以及安全风险管控协作等能力。 本次发布的电力大模型作为人工智能平台首个产品，可为行业提供电力系统的思维链能力，与业务系统打通。 “南方电网有场景建设优势、专业知识积累和电网专有数据，华为具备行业领先的算力硬件、持续迭代升级的AI框架、丰富的大模型训练经验，双方各有擅长，能力互补。”华为技术有限公司昇思MindSpore业务总经理丁诚表示，接下来希望能在算力集群建设、电力专用算子研发等方面加强合作，共同助力能源电力行业数字化转型。 **昇腾A\*\*\*\*I** 昇腾 AI 是以昇腾 AI 基础软硬件平台为基础构建的人工智能计算产业。昇腾AI基础软硬件平台包括 Atlas 系列硬件及伙伴自有品牌硬件、异构计算架构 CANN、全场景AI框架昇思 MindSpore、昇腾应用使能 MindX、一站式开发平台 ModelArts 和统一工具链MindStudio 等。 --- https://www.mindspore.cn/news/zh/2784/ --- 新闻 华为全联接大会2023智能基座高校行走进郑州大学 # 华为全联接大会2023智能基座高校行走进郑州大学 2023/09/28 # 华为全联接大会2023智能基座高校行走进郑州大学 **华为全联接大会2023“智能基座高校行”** 9月24日，华为全联接大会2023“校企协同，共建数智人才新生态”——“智能基座”郑州大学专场活动在郑州大学北校区圆满举行，本次活动由华为技术有限公司主办，郑州大学及中原人工智能计算中心协办，旨在推动AI技术在高校的落地、促进人工智能领域产教融合、探索AI人才培养新模式。郑州大学网络空间安全学院副院长李学相受邀出席活动并致辞，郑州大学智能计算与机器人实验室负责人杨聪、华为量子计算软件与算法首席科学家翁文康、中原人工智能生态创新中心FAE刘贤阁等专家参加活动，并就人工智能、量子计算等话题与现场师生进行了交流。 **李院长**在致辞中介绍了郑州大学与华为共同建立“智能基座”产教融合协同育人基地的情况，在双方的共同努力下，“智能基座”项目促进了“教育链”、“人才链”与“创新链”、“产业链”的有机衔接和融合发展。未来，郑州大学将继续与华为开展合作，持续推进合作广度与深度，进一步实现校企优势互补和协同创新，在人才联合培养、科研攻关和产学研融合等方面持续深化合作，推动校企合作结出更多丰硕成果。 随后进入专家分享环节。**中原人工智能生态创新中心FAE刘贤阁**做了《昇腾生态—计算中心能力分享》的主题讲座，对ModelArts平台功能进行了介绍，并演示了基于ModelArts平台进行AI算法的开发和训练过程。ModelArts是面向AI开发者的一站式开发平台，提供海量数据预处理、大规模分布式训练、自动化模型生成及按需部署能力，帮助用户快速创建和训练模型，管理全周期AI工作流程。刘老师的讲解，让现场同学们对ModelArts平台的功能和特性有了进一步了解，并通过案例演示的方式，使同学们掌握了基于ModelArts平台进行AI算法开发的方法。 **郑州大学智能计算与机器人实验室负责人杨聪**的讲座主题为《人工智能实践经验分享》，杨老师表示，人工智能是中西方科技竞争的高地，在研究领域和产业界引起了广泛关注，成为了高校人才培养的重点方向。在讲座中，杨老师详细介绍了人工智能技术的发展历程和趋势，总结了典型的人工智能模型案例，并分享了人工智能教学和科研的实践经验。杨老师的分享，帮助同学们了解人工智能技术的历史及未来，掌握人工智能学习和研究方法，对同学们学习人工智能将有极大帮助。 **华为量子计算软件与算法首席科学家翁文康教授**带来了《量子计算简介与量子编程实践》主题分享。翁教授从量子计算基础开始引入，详细介绍了MindSpore Quantum量子计算框架。MindSpore Quantum是基于昇思MindSpore开源全场景AI融合框架开发的新一代通用量子计算框架，聚焦于NISQ阶段的算法实现与落地。结合HiQ团队开发的高性能量子计算模拟器和昇思MindSpore自动并行与自动微分能力，MindSpore Quantum有着极简的开发模式和极致的性能体验，能够高效处理量子机器学习、量子化学模拟和量子组合优化等问题，为广大科研人员、老师和学生提供快速设计和验证量子算法的高效平台。为了让同学们更好的掌握MindSpore Quantum开发技能，由刘武新布道师带领同学们开展编程实践，让同学们在实战中掌握基于MindSpore Quantum进行量子线路搭建的方法。 现场学生反馈：“本次讲座带领大家进入全新的量子计算的世界，课程讲解由浅入深，学练相结合，学习群里还有非常细致的操作指导文档。通过初次学习，大家体验到MindSpore Quantum极简的开发模式，在HiQ量子计算云平台的云端编程效果很赞，非常适合初学者快速入门！” 此次活动还准备了大量礼品，鼓励同学们参与互动，使同学们在轻松愉快的氛围中学习AI理论、掌握AI开发技能，专家们深入浅出的讲解不仅干货满满，还结合实战操作提升同学们的动手能力，鼓励同学们在实践中掌握开发技巧、提升开发能力，是产教融合的一次有益实践。 活动最后，由高校与科研人才发展部总监戴海城对本次活动作总结，戴总监从智能基座项目能给同学们带来什么、当前经济发展放缓与就业压力大的形势下，同学们该做些什么、智能基座2.0包含了哪些新的内容与变化三个方面给同学们做了分析和解读，让同学们更深层次地理解“智能基座”项目的意义和人才培养的方向。 未来，“智能基座”高校行将继续走进更多高校，推动AI人才培养模式创新，为我国高科技发展持续输送高质量人才。 --- https://www.mindspore.cn/news/zh/2785/ --- 新闻 “智能基座”华为全联接大会2023走进哈尔滨工业大学 # “智能基座”华为全联接大会2023走进哈尔滨工业大学 2023/09/28 # “智能基座”华为全联接大会2023走进哈尔滨工业大学 **华为全联接大会2023“智能基座高校行”** 9月24日，“华为全联接大会2023智能基座昇腾高校专场”活动在哈尔滨工业大学成功举办，此次活动由华为技术有限公司主办，哈尔滨工业大学学生工作部（处）/团委和未来技术学院承办，旨在推动产教融合、探索人工智能产业人才培养新模式。 **哈尔滨工业大学团委书记王琳**为活动致辞，王书记表示，过去三年来，哈工大与华为一直积极推进着全方位的合作，包括课程开发与教学、实习实践以及学生荣誉激励等，各项工作均取得了一定的成果，彰显了双方合作的深度与广度，也同时展现了双方共同为我国信息技术人工智能领域的发展所作出的不懈努力，相信双方将共同秉持“智能基座”的初心，深化产教融合，不断实现更丰富、更创新、更高质量的共赢发展。 **华为昇腾生态工程师邱培**在《揭秘昇腾大脑 玩转趣味开发》的主题分享中，对昇腾生态进行了全面的介绍，向同学们分享了昇腾生态在人才培养、产学研合作等方面的一系列政策。随后在《揭秘昇腾大脑 玩转趣味开发》的主题分享中，邱老师介绍了基于Atlas 200I DK A2开发套件的开发逻辑和流程。邱老师还结合机械臂、机械狗、智能小车等开发案例进行讲解，让同学们进一步了解Atlas 200I DK A2开发套件的特性。 **哈尔滨工业大学计算学部副教授、软件学院副院长、华为昇腾MVP苏统华**带来了《拥抱大模型 学习昇腾AI》的主题分享，当前，生成式AI产品不断涌现，AI技术不断迭代，大模型成为行业热议话题。苏老师向同学们介绍了国内外在大模型领域的研究和应用情况以及“软硬协同创新”的昇腾AI平台，帮助同学们了解AI领域前沿理论和技术，提升理论储备。 **哈尔滨工业大学电信学院博士生李鹏**在《与昇腾共成长：人工智能时代下的高校教育与科研》的主题演讲中，结合自身经历，以学生视角分享了昇腾在高校、科研领域的应用，阐述了高校教育与科研与昇腾技术共同促进、共同成长的过程。李鹏的经历也给现场同学们带来了启发，在这个充满创新和变革的时代中，个人成长和学术发展如何相互促进。 **MindSpore Quantum布道师、北京大学物理学博士邹作恒**在《量子计算简介与量子编程实践》主题讲座中，从量子计算基础开始引入，对量子计算的原理、发展历程、应用前景、未来发展方向以及MindSpore Quantum量子计算框架的特性进行了详细介绍。邹老师介绍，MindSpore Quantum有着极简的开发模式和极致的性能体验，能够高效处理量子机器学习、量子化学模拟和量子组合优化等问题，为广大科研人员、教师和学生提供快速设计和验证量子算法的高效平台，即使初学者也可以轻松上手。 此次活动为哈尔滨工业大学的学生开发者创造了一个与华为专家面对面交流学习的机会，专家们的分享，给同学们带来了AI领域前沿理论和技术，让同学们对昇腾生态以及相关技术发展有了更清晰的认识，优秀学长的分享也给同学们在专业学习和个人成长方面提供了有益参考，有助于同学们提前进行人生规划、更好地学习知识、提升专业技能。 目前，以人工智能为引领的新一轮科技革命正在迅速演进，我国也面临着人工智能时代的机遇和挑战。产业发展的基础是人才，未来，华为将推动“智能基座”活动在更多高校的落地，为我国人工智能领域人才培养添砖加瓦。 --- https://www.mindspore.cn/news/zh/2820/ --- 新闻 昇腾AI@青岛 | 更快！更准！米塔碳携手昇腾AI打造新能源高精度预测平台 # 昇腾AI@青岛 | 更快！更准！米塔碳携手昇腾AI打造新能源高精度预测平台 2023/10/11 # 昇腾AI@青岛 | 更快！更准！米塔碳携手昇腾AI打造新能源高精度预测平台 近日, 在青岛昇腾人工智能生态创新中心的支持下，米塔碳公司的“璞云天空地一体化能源大数据平台”正式上线。该平台核心技术为高精度的璞云气象功率预报大模型，依托Atlas 系列硬件和昇思MindSpore AI框架进行开发，能够对15分钟级的气象及功率进行高精度预报，同时将计算速度从小时级提升至分钟级，效率显著提高。 平台首页展示页 基于米塔碳自研的璞云气象功率预报大模型，对近40年天气及多年功率数据（数据量约120TB）进行训练，同时采用Meta-Transformer架构，突破了传统天气预测模型的理论限制,实现了更快、更准的新能源场站天气及功率预测： - 更快：基于昇腾AI人工智能算法和算力，生成一次未来10日全球0.1度×0.1度逐小时预报从3-4小时降低到1-2分钟级（与数值预报模式相比）。 - 更准：以2020-2022年的ERA5-Land数据集作为预报精度检验的真值，计算结果显示璞云的预报精度更高（与欧洲中期天气预报中心ECMWF相比）。 在双碳目标下，中国的新能源产业迎来发展高峰，然而，天气的不可控导致新能源发电机组输送到电网的瞬时功率波动变化大，严重威胁主电网总体运行的可靠性和安全性。 新能源消纳问题、并网安全问题、电价交易震荡问题，均暴露出新能源行业需要高精度、长时效、融合多元地理信息的数据，以便开展精细化的建设和运营。 平台整体功能大图 目前，璞云天空地一体化能源大数据平台已成功落地多家新能源发电企业，不仅显著提高场站天气及功率预报精度，还可为场站提供极端灾害天气预报预警、风光政策智能分析、场站智能运维等功能。 新能源领域知识智能问答 未来，昇腾AI将继续携手米塔碳等合作伙伴，努力做好基础软硬件平台，通过数字化智能化技术融合应用，为能源高质量发展提供有效支撑。 --- https://www.mindspore.cn/news/zh/2822/ --- 新闻 昇思MindSpore官网，我们玩儿点不一样的！ # 昇思MindSpore官网，我们玩儿点不一样的！ 2023/10/12 # 昇思MindSpore官网，我们玩儿点不一样的！ 昇思MindSpore官网全新改版升级，为开发者提供更极致的体验，官网体验团队按照业界标准与开发者的使用习惯对官网的整体架构进行了调整，形成了以下清晰明了的体验路径： 前期准备（安装）>学习如何使用框架（学习）>随时可查的全量文档（文档）获取使用框架的资源（资源）>与大家一起使用框架（社区）>掌握社区动态（社区） 让每个开发者能够在该路径下轻松、快速地找到想找的信息。 同时，官网体验团队也为开发者带来了耳目一新的官网视觉，更加符合昇思MindSpore AI开源社区的气质。 快来详细看看这些改变吧！ ****1、 **带你快速到达想看的内容****** 随着昇思MindSpore社区的不断发展，社区内承载的内容也越来越多。 官网体验团队对标业界主流AI框架，结合开发者诉求，对网站信息进行整合，为导航、首页、安装、学习、社区等重点页面构筑了更为清晰的信息架构，让开发者一目了然，轻松玩转昇思MindSpore~ - **首页** 新增快速入口、整合技术博客等资讯在首屏，感受社区活力~ 根据开发者的建议新增快速安装入口。开发者可以根据硬件平台、操作系统要求和不同的安装方式来安装适合自己的版本，非常便捷！ - **知识地图** 提供脉络清晰的知识地图，开发者可以根据自己的实际情况快速选择想要了解的内容，帮助开发者目标明确地了解MindSpore ~ 更多变化等你来探索~ 同时，昇思大模型平台作为昇思MindSpore官方大模型的在线服务平台，自发布以来深受开发者喜爱，官网体验团队将其提到了导航的一级目录，更加方便，欢迎各位开发者前往体验~ 体验链接：https://xihe.mindspore.cn/ ****2、****陪你体验昇思MindSpore框架之美******** 为给开发者带来更好的视觉体验并传递昇思品牌理念，官网体验团队以昇思中括号为“超级符号”及品牌色建立统一的视觉设计体系。 在网站设计时，结合用户场景，创作了一系列明快时尚的轻拟物风插画，并融入超级符号-中括号，为用户带来耳目一新的视觉感受，传递了昇思MindSpore全场景AI框架的理念，给社区营造了强AI、轻松的氛围。 欢迎小伙伴们在公众号后台私信留下体验的感想和建议，被采纳的私信有机会获得精美礼品一份喔~ 还在等什么？赶紧来体验吧！关注MindSpore公众号，点击**阅读原文**立即跳转。 --- https://www.mindspore.cn/news/zh/2823/ --- 新闻 社区月报 | HC2023圆满举办并发布“鹏城·脑海”大模型，昇思MindSpore重磅加入启智社区 # 社区月报 | HC2023圆满举办并发布“鹏城·脑海”大模型，昇思MindSpore重磅加入启智社区 2023/10/12 # 社区月报 | HC2023圆满举办并发布“鹏城·脑海”大模型，昇思MindSpore重磅加入启智社区 **_昇思MindSpore9月运作报告_** **一、社区规模** 截至9月底，昇思MindSpore面向全球开发者，凝聚产业力量，持续打造人工智能创新之源。社区秉持开放透明原则，稳步建设开源生态，规模和活跃度得到持续提升。 - 昇思MindSpore下载量为**582\*\*\*\*W+**，五月增长了**5.63%**； - 超过\*\*2.4W+**开发者在社区做出贡献，其中**2.2W+\*\*为核心贡献者。 - 社区累计产生ISSUE共**34.6K**、PR共**80.5\*\*\*\*K**。 “鹏城·脑海”以稠密型架构实现2000亿参数，依托“鹏城云脑II”国产化AI算力平台进行全程预训练，采用了昇思MindSpore国产化深度学习框架，完善了大规模并行训练策略、底层算子性能和容错机制，显著提升了国产算力平台的训练效率，并构建了一套涵盖中文、英文及50余个“一带一路”沿线国家及地区语种的多样化语料数据集和数据质量评估工具集。 **2、昇思MindSpore重磅加入启智社区，全新开源之旅即将启航** 昇思MindSpore成功通过了OpenI启智社区技术委员会的严格评审，以全票通过的方式**正式加入OpenI启智社区**。这一重要事件让昇思社区的开源技术体系获得新的活力，包含的基础设施、软件环境、算法框架、模型储备以及应用开发部署等环节更全面、更完善。同时，这也为国内人工智能开源领域带来了新的里程碑，标志着昇思MindSpore在人工智能开源领域的重大突破。 \*\*3、\*\***强强联合！科大讯飞联合华为发布企业专属大模型一体机** **科大讯飞携手华为发布星火一体机**，开箱即可使用，提供从底层算力、AI框架、训练算法、推理能力、应用成效等全栈AI能力，让所有企业都可以在国产自主创新的平台上，更方便、更自主、更安全可控地私有化部署大模型。 星火一体机基于昇腾AI硬件、昇思AI开源框架，提供业界领先的大模型训练、推理能力，为大模型全流程创新提供坚实的自主创新算力底座。 **4、电\*\*\*\*力行业首个自主创新电力大模型发布** 9月26日，由南方电网公司主办的**电力行业人工智能创新平台及自主创新电力大模型发布会在广州召开**，对社会发布了电力行业人工智能创新平台，同步发布了人工智能平台的首个产品——电力行业首个自主创新电力大模型，先面向南方电网系统应用。 \*\*5、\*\***智谱GLM昇腾大模型一体机联合预发布，加速行业智能化** 9月6日，**智谱AI x 昇腾AI，联合华鲲振宇打造自主创新大模型一体机**，共同推进昇腾AI基础软硬件在智谱GLM大模型上的适配。目前，昇腾AI基础软硬件平台已与智谱GLM大模型达成深度对接，充分发挥软硬件协同优势，便利开发者和用户，实现普惠AI。 \*\*6、\*\***昇腾AI联合智源FlagOpen（飞智）大模型技术开源体系展开深入合作** 基于**面向多种AI硬件的一体化评测引擎FlagPerf**，双方已完成对昇腾硬件在ResNet50模型上的测试评价，昇腾硬件性能表现优异。目前昇腾AI已支持智源自研开源语言大模型悟道·天鹰（Aquila）的单机和多机训练，训练性能业界领先。双方计划下半年开展对GLM、LLaMA等更多主流模型的评测，携手共建大模型开源生态。 \*\*7、\*\***昇思MindSpore亮相KubeCon China 2023** 9月26日-28日，\*\*世界级盛会 KubeCon + CloudNativeCon + Open Source Summit China 2023 在上海跨国采购会展中心隆重召开。\*\*华为明星开源项目昇思MindSpore参展，引来众多行业大咖、技术专家、开发者及媒体等驻足交流体验。 **三、社区活动** \*\*1、\*\***昇思社区理事会第二次闭门会议在HC期间圆满召开** 9月20日，**昇思MindSpore开源社区理事会第二次闭门会议**在上海圆满召开，会上同步了昇思MindSpore开源社区最新生态进展，昇思社区理事长丁诚为首批理事会成员单位进行授牌，各位理事成员对昇思MindSpore未来发展及规划展望进行了深入探讨。 \*\*2、\*\***昇思MindSpore专题论坛在中国智能产业高峰论坛期间成功举办** 9月16-18日，在 2023第十二届中国智能产业高峰论坛（CIIS 2023） 期间，**《昇思MindSpore引领大模型&科学智能原生创新专题论坛》 顺利举办**。该论坛聚焦开源贡献、技术迭代、行业实践等维度，交流分享全新升级的昇思MindSpore对加速大模型开发及科学研究的助推作用和应用成果。 **3**\*\*、\*\***CV Suite SIG、OpenGADL SIG、MSAdapter SIG新成立** 截至目前，**昇思MindSpore社区成立Special Interest Groups共30组**， 为各行业领域专家、高校师生以及个人开发者提供技术交流平台，通过技术分享会和昇思MindSpore社区活动提升整体技术专业水平的同时也丰富该行业领域的专业知识。 **四、技术进步** \*\*1、\*\***MindSpore Earth 0.1地球科学套件全新发布** 该套件集成了多时空尺度下的**AI气象预报SOTA模型**，提供了数据前处理、预报可视化等工具，并集成了ERA5再分析、雷达回波、高分辨率DEM数据集，致力于高效使能AI+气象和海洋预报的融合研究。 \*\*2、\*\***昇思MindSpore SciAI——AI4Sci高频模型套件全新发布** 该套件内置了**60+** 高频模型， 覆盖物理感知和神经算子等主流模型，覆盖度全球第一；提供了高阶API，开发者和用户开箱即用，精度和性能达到了业界SOTA。此外，SciAI提供了基础API供开发者和高阶API调用。 **五、昇思大模型平台** \*\*1、\*\***联合百川智能同步首发Baichuan2大模型，开放用户大模型可视化服务接口，同时在昇思大模型平台上线Llama2和GLM2大模型，丰富大模型对话体验** 9月6日，华为联合百川智能发布Baichuan2开源大模型，基于MindSpore Transformers大模型套件和昇腾硬件开发与集成，并在**昇思大模型平台上线Baichuan2\_7B\_Chat大模型**，开放用户在线服务接口，实现全网首发。 9月28日，基于昇思MindSpore AI框架，MindSpore Transformers训练、微调、评估、推理、部署全流程开发套件与昇腾硬件，提供流式对话接口，为公众新增开放GLM2-6B与Llama2-7B大模型服务在线体验。 \*\*2、\*\*****昇思大模型平台新升级，“积分系统”正式上线**** 9月，昇思大模型平台正式上线\*\*“积分系统”\*\*回馈平台开发者，开发者可通过完成不同任务累计积分，获取算力资源等。 **六、开发者活动** \*\*1、\*\***昇思MindSpore创新训练营·长三角研究型高校联动** 8月29日—9月1日，**昇思MindSpore创新训练营·长三角站**在上海交通大学圆满结束！为期四天的训练营采用多样例实战演练，“学、练、辩”全周期培育优秀人才，通过理论知识讲解+代码演示+每日作业+结营实践项目+答辩的课程形式，手把手指导动手开发大模型，利用大模型进行创新实践，带领高校开发者体验行业最前沿的人工智能技术。 \*\*2、\*\***HC2023智能基座高校行，昇思走进5大高校，赋能量子计算** 9月23-24日，**华为全联接大会2023智能基座高校行**走进北京理工大学、暨南大学、郑州大学、哈尔滨工业大学、南京航空航天大学，活动以“校企协同，共建数智人才新生态”为主题，聚焦人工智能技术发展与人才培养议题。 **七、社区竞赛** **1、\*\*\*\*“悟空·画画-科幻与创想”AI创作大赛** “**悟空·画画微调大赛-科幻与创想**\*\*”\*\*于2023年8月正式开启，面向全球AI开发者，赛题与AIGC大模型紧密结合。大赛旨在为开发者提供一个学习昇思MindSpore的机会。 \*\*2、\*\***2023 MindSpore量子计算黑客松全国大赛圆满落幕** 历经三个多月的激烈比拼，QIIA联盟量子信息技术与应用创新大赛系列活动——**2023 MindSpore量子计算黑客松全国大赛总决赛圆满落幕**。本次大赛由量子信息网络产业联盟主办，昇思MindSpore Quantum SIG承办，电子科技大学、中国科学技术大学和上海大学等联合举办，经大赛组委会专家统一评审，现对决赛获奖队伍予以公示，恭喜获奖选手。 \*\*3、\*\***昇腾AI创新大赛昇思赛道** 比赛进入最后阶段，四道赛题总参赛队伍有**629支**，共**1345人**，选手提交的有效作品数量**102个**，数据打榜赛题作品提交总次数达**4524次**。10月26日将于北京举办**昇腾AI大赛2023全国总决赛颁奖典礼**，敬请期待。 昇思MindSpore面向全球开发者，稳步建设开源生态，昇思MindSpore下载量为582W+，超过2.2W+为核心贡献者在社区做出贡献。未来，昇思MindSpore AI框架将持续致力于打造人工智能创新之源，凝聚产业力量，扎根AI根技术，使能大模型与科学智能，成为AI创新的首选框架。 往期回顾 社区月报 | Baichuan2大模型与SAIL奖“东方.翼风”重磅发布，MindSpore SPONGE暑期学校第三季圆满收官 社区月报 | 人工智能框架生态峰会2023成功举办，社区治理架构全面升级，昇思2.0重磅发布 社区月报 | 昇思社区5月迎来秦岭•翱翔重磅发布，三院士齐聚智能流体力学产业联合体大会，首次亮相OSS北美峰会展现全球视野 --- https://www.mindspore.cn/news/zh/2832/ --- 新闻 活动预告 | MSG·昇思学习小组组会（中山大学）——聚焦大模型：背景、进展及其学习路径 # 活动预告 | MSG·昇思学习小组组会（中山大学）——聚焦大模型：背景、进展及其学习路径 2023/10/18 # 活动预告 | MSG·昇思学习小组组会（中山大学）——聚焦大模型：背景、进展及其学习路径 MSG·昇思学习小组——中山大学组会将在10月19日上午10点准时开讲！本期邀请昇思MindSpore生态技术专家杨滔老师，围绕全场景AI框架昇思MindSpore，和高校开发者就人工智能展开学习、交流和创新活动。 --- https://www.mindspore.cn/news/zh/2833/ --- 新闻 华为主题沙龙将于21日在成都开启，与科幻大咖一起畅想未来世界 # 华为主题沙龙将于21日在成都开启，与科幻大咖一起畅想未来世界 2023/10/18 # 华为主题沙龙将于21日在成都开启，与科幻大咖一起畅想未来世界 10月18日，2023成都世界科幻大会正式开启，这是世界科幻大会首次走进中国，这是世界上规模最大、影响力最大的科幻文化活动，其每年颁发的“雨果奖”也被誉为“科幻界的诺贝尔奖”。2023成都世界科幻大会不仅受到科幻迷的关注，也吸引了科技、游戏、文化艺术等领域人士的期待。本次世界科幻大会有开闭幕式、雨果奖颁奖典礼、主题沙龙、主题展览、选址投票、事务会议、“雨果之夜”湖畔派对、粉丝派对等多个环节和各类形式的活动，以不同形式、从不同视角带给科幻迷不同的惊喜和体验。 华为作为科技企业也积极参与到这一盛会之中，通过展区、沙龙等形式与幻迷分享创新技术、畅想未来世界。10月21日上午，华为将在成都科幻馆土星厅举办“当科技与科幻相遇”的主题沙龙，邀约国内外的科幻大咖和科技精英作为沙龙嘉宾展开圆桌讨论，以科幻勾勒未来、以科技兑现人类想象。 沙龙将设置嘉宾演讲、颁奖典礼、圆桌讨论、现场互动等议程，中国科普作家协会科幻创作研究基地主任王晋康，2016年雨果奖获奖者、2023年雨果奖入围者Nnedi Okorafor，青年科幻作家、银河奖、星云奖得主分形橙子，硅谷101联合创始人陈茜，华为昇思MindSpore开源生态总监胡晓曼等嘉宾将从科幻与科技、科幻与未来世界等主题进行主题分享和交流，开启未来创想。 沙龙还将举行颁奖仪式，为“悟空·画画-科幻与创想”主题AI创作大赛获奖者进行颁奖。据了解，此次大赛由华为昇思MindSpore开源社区主办，以“科幻与创想”为主题，鼓励参赛者围绕“共生纪元”“科幻中国”“你最喜欢的科幻作品片段”等子主题对“悟空 ·画画”模型进行微调或应用，以模型相关的AIGC作品或应用参与评选。 该比赛面向全球AI开发者，赛题与AIGC大模型紧密结合，吸引了大量开发者和科幻迷参赛，比赛结果也将于成都世界科幻大会期间正式揭晓。昇思MindSpore是新一代覆盖端边云全场景的开源AI框架，昇思大模型平台自2022年上线以来已举办多场类似比赛，为广大AI开发者提供展现平台，推动国内AI产业发展。 科幻作品开拓了人类社会的想象力，激发了人类的技术研究潜力，推动了科技发展。科技的发展将科幻变成现实，也为科幻作品的诞生提供了更大的想象空间。2023世界科幻大会期间，华为还将在科幻馆1F-A06设置展台体验区，让幻迷们可以亲身体验华为创新产品和技术。 --- https://www.mindspore.cn/news/zh/2834/ --- 新闻 薪动实习，抢占先机，开源实习上线新任务啦！ # 薪动实习，抢占先机，开源实习上线新任务啦！ 2023/10/18 # 薪动实习，抢占先机，开源实习上线新任务啦！ 自昇思MindSpore开源社区上线开源实习以来，获得了众多高校开发者的积极反馈，2022年不少小伙伴与我们一起见证了开源实习顺利启动，一年中我们有幸陪伴和见证各位实习同学的飞速成长，6个月的合作与学习并不是终点，开源之路征程如海，步履不停，推动浪潮前行；点亮星火，等待理想发光！ 开源实习新任务已发布，点击**阅读原文**可直接跳转任务链接，速来领取吧，你将拥有： \*\*实习工资：\*\*凭实习积分获得相应的实习工资。 \*\*实习证明/证书：\*\*在实习有效期6个月内积分满60分即可开具实习证明，满100分有机会获得优秀实习生证书。 \*\*亮眼的项目经历：\*\*参与开源项目，成为其中的贡献者，你的成果将向所有人开放共享，为用户创造价值。 \*\*技术大咖1对1指导：\*\*活动中每个项目任务都配备了资深导师，带领你打开开源大门，深度参与社区贡献。 \*\*社区荣誉：\*\*实习期突出的实习生，还会授予社区资深开发者的荣誉与额外激励哦！ --- https://www.mindspore.cn/news/zh/2835/ --- 新闻 【直播预告】10月20日MindSpore SPONGE SIG分享会 # 【直播预告】10月20日MindSpore SPONGE SIG分享会 2023/10/19 # 【直播预告】10月20日MindSpore SPONGE SIG分享会 10月20日下午15:00,昇思MindSpore SPONGE SIG技术分享例会邀你一起来参加！本期邀请到参与昇思MindSpore SPONGE SIG 软件编写的开发专家，来自北京大学博士研究生夏义杰为大家讲解《自由能微扰计算的理论与实践：MindSpore SPONGE》。药物与蛋白质的相对结合自由能是计算机辅助药物设计中先导物优化的一部分，具有较高的应用价值。使用FEP的方法可以较为准确的获得相对结合自由能方法。现在让我们一起来看看用MindSpore SPONGE如何进行FEP理论与实践。技术分享会通过腾讯会议和昇思【MindSpore官方】B站直播间直播，敬请期待！ 往期回顾 【直播预告】9月8日MindSpore SPONGE SIG分享会——深度强化学习在生物医药上的应用 【直播预告】8月18日MindSpore SPONGE SIG分享会——基于生成式学习的功能分子设计 【直播预告】MindSpore SPONGE SIG技术分享例会预告 --- https://www.mindspore.cn/news/zh/2838/ --- 新闻 打通科学智能任督二脉 | AI4Science高频模型套件：MindSpore SciAI 0.1发布 # 打通科学智能任督二脉 | AI4Science高频模型套件：MindSpore SciAI 0.1发布 2023/10/20 # 打通科学智能任督二脉 | AI4Science高频模型套件：MindSpore SciAI 0.1发布 2023年9月21日下午，在以“加速行业智能化”为主题的华为全联接大会2023(Huawei Connect2023)昇思MindSpore专题论坛上，昇思MindSpore开源社区正式发布MindSpore AI4Science高频模型套件。 昇思MindSpore长期布局AI4Science（科学智能）领域，不断瞄准行业热点与痛点问题，以其卓越的性能和创新的能力为科学智能领域带来了巨大的助力。MindSpore SciAI 0.1版本内置了60+高频SOTA模型，覆盖物理感知（如PINNs、DeepRitz以及PFNN）和神经算子（如FNO、DeepONet、PDENet）等主流模型，模型覆盖度全球第一；提供了高阶API（一键环境配置、自动模型加载、极简训练微调等），开发者和用户开箱即用。MindSpore SciAI为广大开发者和用户提供了高效、易用的AI4Science科学智能套件。点击**阅读原文**可前往代码仓下载。 图1 MindSpore SciAI套件架构图 ****1、 ****SOTA模型******** **1.1、物理感知** 物理感知模型是指将物理学中的先验知识（如方程/初边界条件等）融入到神经网络中的一类模型，较为典型的有PINNs（如图2所示）、Deep Ritz以及PFNN等。该类模型的优势：无需生成离散网格；可基于AI框架的自动微分能力进行导数计算，避免数值微分离散误差；天然适用于反问题及数据同化问题；相比数据驱动具有更强的外插能力和更少的样本量。劣势：缺乏网络结构设计指引，奇异性问题学习困难；损失函数包含多项约束，训练难以收敛；物理约束变化时需要重新训练，缺乏泛化性；计算精度和收敛缺乏理论保证。 针对上述问题，学术界和昇思MindSpore提出了一系列改进方案，如自适应激活函数、时间&空间分解、多尺度优化以及自适应加权等。MindSpore SciAI内置了SOTA物理感知模型，应用领域也涵盖了流体、电磁、声、热、固体等众多领域。 图2 物理感知模型之PINNs **1.2、神经算子** PINNs等物理感知模型主要求解特定方程，神经算子模型则能够学习无限维函数空间的映射，一次求解整个PDEs族。较为典型的有FNO（如图3所示）、DeepONet以及PDENet等。FNO主要利用傅里叶变换的性质，在傅里叶空间中学习函数之间的映射，然后再将结果转回至物理空间。DeepONet通过“branch net”和“trunk net”两个子网络学习函数之间的映射。神经算子模型在流体、气象等领域有较好的表现，MindSpore SciAI因此也内置了SOTA神经算子模型。 图3神经算子模型之FNO ****2、************总结与展望**************** 昇思MindSpore SciAI 0.1版本正式发布，希望有更多的企业、科研院所携手昇思，共同打造自主创新的AI4Science科学智能套件，加速助力人工智能产业生态繁荣发展。 代码仓地址为： https://gitee.com/mindspore/mindscience/tree/master/SciAI ## **附录** **附录1、模块及功能** 本节主要介绍MindSpore SciAI高阶和基础API。MindSpore SciAI目录结构如下： `├── SciAI │ ├── cmake # 编译脚本 │ ├── docs # 文档 │ │ ├── FAQ # 常见问题解答 │ ├── sciai # MindSpore SciAI主目录 │ │ ├── architecture # 神经网络基础模块 │ │ ├── common # 通用模块 │ │ ├── context # 上下文设置 │ │ ├── model # **AI4Science高频模型** │ │ ├── operators # 高阶微分 │ │ └── utils # 其他辅助功能 │ └── tutorial # 教学模型` **1.1高阶API** ### **1.2、基础API** **1.2.1、基础API** #### **1.2.2、通用模块** #### \*\*1.2.3、\*\***上下文设置** #### \*\*1.2.4、\*\***高阶求导函数** #### \*\*1.2.5、\*\***辅助功能** **附录2、网络模型库** MindSpore SciAI提供了丰富的AI4Science高频模型，下图汇总了当前已实现的网络模型及其对应领域。 **附录3、使用方式** MindSpore SciAI提供两种模型训练和评估方式，为开发者提供灵活且简洁的使用方式和开发接口。 \*\*3.1、\*\***高阶API启动（推荐）** **3.1.1、使用AutoModel训练、微调模型** 根据AutoModel.from\_pretrained接口获取已支持的网络模型。使用AutoModel.train实现模型的训练，并且在训练前，可使用AutoModel.update\_config调整训练参数或加载.ckpt文件实现模型微调。AutoModel.update\_config可选参数依赖于模型类型，具体可参考网络模型库中“MindSpore实现与网络参数链接”。 ``from sciai.model import AutoModel # 获取`cpinns`网络模型 model = AutoModel.from_pretrained("cpinns") # 使用默认参数训练网络，生成的图片、数据与日志将保存至用户的执行目录中 model.train() # 或者加载`.ckpt`文件 model.update_config(load_ckpt=True, load_ckpt_path="./checkpoints/your_file.ckpt", epochs=500) # 基于新加载的参数，继续训练模型，实现微调 model.train()`` \*\*3.1.2、\*\***使用AutoModel评估模型** 用户可以使用AutoModel.evaluate评估训练结果。该接口将默认加载SciAI模型库中提供的.ckpt文件用于评估，用户也可以调用model.update\_config接口自定义加载的文件。 ``from sciai.model import AutoModel # 获取`cpinns`网络模型 model = AutoModel.from_pretrained("cpinns") # 加载网络默认的ckpt文件，评估网络模型 model.evaluate() # 自定义加载ckpt文件 model.update_config(load_ckpt=True, load_ckpt_path="./checkpoints/your_file.ckpt") # 评估网络模型 model.evaluate()`` \*\*3.1.3、\*\***恢复参数文件与数据集** 用户可能会遇到自动下载的模型参数.ckpt文件或数据集被误删的情况，可以通过如下方式更新参数，强制重新下载。 `model.update_config(force_download=True)` \*\*3.2、\*\***脚本接口** **3.2.1、环境准备** 首先使用如下命令直接克隆整个仓库并准备环境变量，运行文件.env会将SciAI项目目录添加至环境变量PYTHONPATH中。 `git clone https://gitee.com/mindspore/mindscience source ./mindscience/SciAI/.env` 完成后，可以参考网络模型库中各个模型README\_CN.md 的快速开始章节，使用源码进行训练与推理。 \*\*3.2.2、\*\***网络模型训练** 使用训练脚本train.py进行网络模型训练。 `cd ./mindscience/SciAI/sciai/model/cpinns/ python ./train.py [--parameters]` \*\*3.2.3、\*\***网络模型加载.ckpt文件微调** `python ./train.py --load_ckpt true --load_ckpt_path {your_ckpt_file.ckpt} [--parameters]` \*\*3.2.4、\*\***网络模型评估** 使用脚本eval.py对已完成训练的网络模型进行评估。 `python ./eval.py [--parameters]` 可配置参数\[--parameters\]包括学习率、训练周期、数据读取保存路径、checkpoints文件加载路径等，具体请参考网络模型库中“昇思MindSpore实现与网络参数链接”。 \*\*3.2.5、\*\***cpinns计算结果如下** ## **参考文献** \[1\] https://gitee.com/mindspore/mindscience/tree/master. \[2\] https://gitee.com/mindspore/mindscience/tree/master/SciAI \[3\] Raissi M, Perdikaris P, Karniadakis G E. Physics informed deep learning (part i): Data-driven solutions of nonlinear partial differential equations\[J\]. arXiv preprint arXiv:1711.10561, 2017. \[4\] Yu B. The deep Ritz method: a deep learning-based numerical algorithm for solving variational problems\[J\]. Communications in Mathematics and Statistics, 2018, 6(1): 1-12. \[5\] Sheng H, Yang C. PFNN: A penalty-free neural network method for solving a class of second-order boundary-value problems on complex geometries\[J\]. Journal of Computational Physics, 2021, 428: 110085. \[6\] Li Z, Kovachki N, Azizzadenesheli K, et al. Fourier neural operator for parametric partial differential equations\[J\]. arXiv preprint arXiv:2010.08895, 2020. \[7\] Lu L, Jin P, Karniadakis G E. Deeponet: Learning nonlinear operators for identifying differential equations based on the universal approximation theorem of operators\[J\]. arXiv preprint arXiv:1910.03193, 2019. \[8\] Long Z, Lu Y, Ma X, et al. Pde-net: Learning pdes from data\[C\]//International conference on machine learning. PMLR, 2018: 3208-3216. --- https://www.mindspore.cn/news/zh/2851/ --- 新闻 COSCon'23 | 川流不息，山海相映，与昇思专家一起玩转第八届中国开源年会 # COSCon'23 | 川流不息，山海相映，与昇思专家一起玩转第八届中国开源年会 2023/10/24 # COSCon'23 | 川流不息，山海相映，与昇思专家一起玩转第八届中国开源年会 COSCon'23 | 川流不息，山海相映，与昇思专家一起玩转第八届中国开源年会，敬请关注！ --- https://www.mindspore.cn/news/zh/2852/ --- 新闻 【昇思MindSpore技术公开课】第二讲：多模态遥感解译基础模型课程预告 # 【昇思MindSpore技术公开课】第二讲：多模态遥感解译基础模型课程预告 2023/11/24 # 【昇思MindSpore技术公开课】第二讲：多模态遥感解译基础模型课程预告 昇思MindSpore技术公开课大模型专题第二季课程火爆来袭！未报名的小伙伴抓紧时间扫描下方二维码参与课程，并同步加入课程群，有免费丰富的课程资源在等着你。**课程同步赋能第8届ICT大赛**，欢迎大家报名参与！ 本周六（2023年10月28日）昇思MindSpore技术公开课大模型专题课程即将再次与大家见面！本次课程由中国科学院空天信息创新研究院研究员、第二届昇思MindSpore技术委员会委员孙显老师讲解多模态遥感解译基础模型，揭秘大模型时代的智能遥感技术的发展与挑战、遥感基础模型的技术路线与典型场景应用。 注意：本次课程时间调整为下午**18：30-20：00**，小伙伴们不要记错时间哦。 --- https://www.mindspore.cn/news/zh/2853/ --- 新闻 2023世界成都科幻大会圆满举办，「悟空.画画微调&应用大赛-科幻与创想」获奖名单揭晓 # 2023世界成都科幻大会圆满举办，「悟空.画画微调&应用大赛-科幻与创想」获奖名单揭晓 2023/10/25 # 2023世界成都科幻大会圆满举办，「悟空.画画微调&应用大赛-科幻与创想」获奖名单揭晓 【中国，成都，10月25日】 2023世界成都科幻大会主题沙龙“当科技与科幻相遇”在成都科幻馆土星厅举行，并为“悟空.画画-科幻与创想”主题AI创作大赛获奖选手颁奖。中国科普作家协会科幻创作研究基地主任**王晋康**，2016年、2023年雨果奖获得者**Nnedi Okorafor**，青年科幻作家、银河奖、星云奖得主**分形橙子**，昇思MindSpore开源生态总监**胡晓曼**等参与活动。 陈茜、Nnedi Okorafor,、王晋康、胡晓曼、分形橙子 参与主题沙龙 此次大赛以“科幻与创想”为主题，并基于扩散模型的中文以文生图大模型悟空.画画开设了两条不同赛道（悟空.画画微调赛道和悟空.画画应用赛道），旨在为全球开发者提供一个学习昇思MindSpore的机会，吸引了来自全球的参赛者报名，**263**支来自不同企业、科研院所、高校的团队参与其中，经过一个半月的激烈角逐，**12**支队伍在本次比赛中获胜。 胡晓曼为“悟空.画画”AI创作大赛获奖者颁奖 科幻作品激励着一代又一代的创业者和投资人去创造和支持更多的科技创新和科技产品，科技创新又给科幻创作者提供了更大的想象空间，科幻与科技密不可分。 作为科技从业者，昇思MindSpore开源生态总监**胡晓曼**从科技发展的角度，分享了大模型时代科技对科幻内容生产带来的变化。胡晓曼介绍了AI技术和产业发展的历程，随着人工智能从“感知理解世界”向“生成创作世界”演进，AIGC技术不断成熟，其与科幻的结合也越来越深入，AIGC将在科幻创作中发挥着越来越重要的作用。 **分形橙子**认为，科技带给我们的改变很多，当前我们正处于技术大爆炸时代，但人类在基础科学研究方面亟需更大突破，并将科学理论转化为科技现实。继续去把科技科学成果的理论去转化成我们的技术，这正需要像华为这样的科技公司要去做的事情。 2016年、2023年雨果奖获奖者**Nnedi** **Okorafo\*\*\*\*r**博士借助自己的创作经历分享了科幻对非洲科技发展的意义。她认为，科幻作品是一种全球化的创想方式，非洲科幻希望能够畅想未来，想看看技术的发明对我们的社会、经济、政治产生生产样的影响。 未来，我们也将继续关注和支持科幻发展，提升科技实力，用科技手段将更多科幻作品变成现实。 同时悟空.画画微调&应用大赛-科幻与创想，在大家的支持与关注下圆满落幕，欢迎企业、科研院所、高校以及其他所有领域的人工智能爱好者关注后续昇思MindSpore开源社区的比赛动态！恭喜以下获奖选手，同时也感谢所有开发者积极参与社区活动，期待与大家共赴下一次比赛！ ****_悟空.画画微调大赛-科幻与创想——获奖名单_**** --- https://www.mindspore.cn/news/zh/2854/ --- 新闻 昇思MindSpore联合高毅勤团队在JCTC发表的综述文章荣获编辑良择：人工智能增强的分子模拟 # 昇思MindSpore联合高毅勤团队在JCTC发表的综述文章荣获编辑良择：人工智能增强的分子模拟 2023/10/26 # 昇思MindSpore联合高毅勤团队在JCTC发表的综述文章荣获编辑良择：人工智能增强的分子模拟 近日，**北京大学、深圳湾实验室、昌平实验室高毅勤教授团队联合华为昇思 MindSpore 团队在 Journal of Chemical Theory and Computation 上发表的关于人工智能增强分子模拟的综述****文章被选为E****ditor's Choice**。 **英文原题：** **Artificial Intelligence Enhanced Molecular Simulations** **通讯作者:** 高毅勤，北京大学、深圳湾实验室、昌平实验室；杨奕，深圳湾实验室 \*\*作者：\*\*Jun Zhang (张骏), Dechin Chen (陈迪青), Yijie Xia (夏义杰), Yu-Peng Huang (黄渝鹏), Xiaohan Lin (林潇涵), Xu Han (韩旭), Ningxi Ni (倪宁曦), Zidong Wang (王紫东), Fan Yu (于璠), Lijiang Yang (杨立江), Yi Isaac Yang\* (杨奕), Yi Qin Gao\* (高毅勤) **背景介绍** 分子模拟是化学、生物、物理、材料科学等领域的重要研究工具，但当前主流的分子模拟软件往往诞生于几十年前，在很多地方都难以适应当今IT技术的发展。 一方面传统分子模拟软件在支持新设备（如 GPU）或者大规模并行计算时，往往需要对程序进行大幅改动。而另一方面，传统分子模拟采取的暴力计算难以覆盖更大的时间和空间尺度，而基于机器学习的增强采样技术和多尺度建模策略可以突破这一限制。 但目前的 AI 框架多以 Python 语言为前端，而目前大部分的分子模拟软件以 C/C++和 FORTRAN 语言编写的，导致 AI 算法难以集成在分子模拟软件中。因此只有开发基于 AI 框架的分子模拟软件，才能使AI技术充分在分子模拟中发挥能力。 本文将探讨分子模拟与人工智能对接的潜力和可行性，介绍由 AI 增强分子模拟所实现的应用案例，并展望 AI 增强分子模拟未来发展的新趋势。 _图1. 人工智能增强的分子模拟_ **文章亮点** 文章提出了一种“类AI”的分子动力学模拟程序架构，可以如执行 AI 训练那样运行分子动力学（molecular dynamics, MD）模拟程序。 _图2. 人工智能训练（上）与分子动力学模拟（下）过程的对比_ 在该架构下，MD 模拟被看作一种特殊的 AI 训练过程，原子坐标相当于神经网络参数，势能函数相当于作为优化目标的损失函数，而 MD 积分器则相当于一种特殊的AI优化器。根据这种相似性逻辑，分子模拟程序可以自然而然地在AI框架中重构，高毅勤教授团队因此基于全场景 AI 融合框架昇思 MindSpore，开发了 AI 原生分子模拟程序 MindSpore SPONGE。该框架可以充分发挥昇思 MindSpore 作为 AI 框架的强大能力，提供了可微编程、高通量计算和自动硬件迁移等非常有吸引力的功能。 **总结展望** 人工智能增强的分子模拟是一个全新的交叉学科研究领域，它结合了AI数据驱动和分子模拟物理驱动的优势，并催生出一系列有趣的新技术、新问题和新挑战。我们认为，分子模拟通过结合和适配最先进的 AI 技术，可以构建全新的基础设施，并产生更多独特又令人兴奋的分子模拟全新研究范式。为此，则需要完善以下几个方面： **1)** 科学计算算子：AI 框架应支持更多的科学计算函数，以完善和提升AI增强分子模拟程序的功能和性能。 **2)** 可微模拟和元优化：AI 框架需要支持更高效的反向传播方法，以充分发挥可微模拟和元优化在分子模拟中的潜力。 **3)** 数据驱动与物理驱动相结合：AI 在分子模拟中的应用平衡数据拟合与物理规则，以避免过拟合并提高模型泛化性。我们希望这些问题在未来得到更多的关注，从而推动人工智能增强分子模拟领域的发展。 相关论文发表在 _Journal of Chemical Theory and Computation_ 上，**昌平实验室张骏研究员为文章的第一作者， 北京大学、深圳湾实验室、昌平实验室高毅勤教授与深圳湾实验室杨奕副研究员为通讯作者**。 **通讯作者信息** **高毅勤博士**，北京大学教授，深圳湾实验室资深研究员，昌平实验室领衔科学家。1993年毕业于四川大学，1996年于中国科学院化学研究所获得硕士学位，2001年于美国加州理工学院获得博士学位。随后在美国加州理工学院、美国哈佛大学从事博士后研究，2004-2010年在美国德克萨斯 A&M 大学担任助理教授，2010年加入北京大学担任教授。曾获华为昇腾 MVP 称号，2016年亚太理论与计算化学家协会 Pople Medal，2014年 Promising Scientist Prize of CMOA、日本化学会 Distinguished Lectureship Award 等多个奖项。 课题组主页：https://www.chem.pku.edu.cn/gaoyq/ **杨奕博士**，深圳湾实验室副研究员。2010年本科毕业于山东大学。2015年获北京大学理学博士学位，导师为高毅勤教授。2016年1月至2019年2月于瑞士苏黎世联邦理工学院（ETH Zürich）从事博士后研究工作，合作导师为Michele Parrinello教授。2019年4月加入深圳湾实验室系统与物理生物学研究所任副研究员。2020年获华为首批HAE （HUAWEI Ascend Expert）称号，现为昇思MindSpore技术委员会成员、昇思MindSpore资深布道师。 主页：https://gitee.com/helloyesterday **\*本文已被选为”Editor's Choice",可免费阅读** **扫码阅读英文原文** _J. Chem. Theory Comput._ 2023, 19, 14, 4338–4350 Publication Date: June 26, 2023 https://doi.org/10.1021/acs.jctc.3c00214 Copyright © 2023 American Chemical Society **关于** **_Journal of Chemical Theory and Computation_** **影响因子：5.5** **主编：** Laura Gagliardi (University of Chicago) **投稿到初审决定平均时间:** 6.4天 **_The Journal of Chemical Theory and Computation_** publishes papers reporting new theories, methodology in quantum electronic structure, molecular dynamics, and statistical mechanics and/or their important applications. 期刊主页：https://pubs.acs.org/journal/jctcce --- https://www.mindspore.cn/news/zh/2855/ --- 新闻 【直播预告】10月30日MindSpore Flow&Earth SIG分享会 # 【直播预告】10月30日MindSpore Flow&Earth SIG分享会 2023/10/27 # 【直播预告】10月30日MindSpore Flow&Earth SIG分享会 10月30日，全面升级归来！昇思MindSpore Flow&Earth SIG技术分享会即将开启。MindFlow与MindEarth将通力合作，为广大科研人员提供高效易用的AI计算流体仿真套件和AI地球科学套件，同时也为科研人员和技术爱好者提供共同交流的平台。技术分享会通过腾讯会议和昇思【MindSpore官方】B站直播间直播，敬请期待！ 往期回顾 【直播预告】9月27日MindSpore Flow SIG分享会 【直播预告】8月11日MindSpore Flow SIG分享会——基于深度学习的非线性流固耦合系统降价建模方法 【直播预告】7月3日MindSpore Flow SIG技术分享会预告 --- https://www.mindspore.cn/news/zh/2857/ --- 新闻 数智未来，因你而来 | 京西智谷·昇腾AI创新大赛2023全国总决赛成功举办，昇思赛道获奖名单公布 # 数智未来，因你而来 | 京西智谷·昇腾AI创新大赛2023全国总决赛成功举办，昇思赛道获奖名单公布 2023/10/27 # 数智未来，因你而来 | 京西智谷·昇腾AI创新大赛2023全国总决赛成功举办，昇思赛道获奖名单公布 10月26日，京西智谷·昇腾AI创新大赛2023全国总决赛（以下简称“大赛”）在北京国家会议中心举行。来自全国22个赛区，共78支团队经过激烈角逐，评选出应用赛道4名金奖、4名银奖、6名铜奖，开发者套件创新赛道2名金奖、4名银奖、6名铜奖，同时昇思赛道的数据打榜赛题评选出5名金奖，算法创新赛题评比出9名金奖。 会上，中国工程院院士赵春江发表致辞，他表示：开发者人才作为人工智能产业创新最为重要的推动力量，昇腾AI创新大赛是一个很好的人才培养和识别的途径，让高校、科研机构、企业能够结合实际业务场景需求和技术工具进行探索和实践。活动现场，中国工程院院士倪光南发表《加快算力产业体系技术创新，助力现代化产业升级》主题演讲，提出要构建算力专业能力标准及体系，打造算力生态，实现产业智能化转型。 昇腾AI创新大赛是华为公司面向AI开发者打造的顶级赛事，旨在鼓励全产业开发者基于昇腾AI打造软/硬件解决方案、探索模型算法，加速AI与行业融合，促进开发者能力提升。 本届大赛自5月启动以来，围绕应用赛道、昇思赛道及开发者套件创新赛道三大赛道，全国22个赛区共吸引超6300名开发者、3100多支优秀队伍报名参加，产生1800多个创意参赛作品。通过5个多月层层角逐，共78支队伍晋级全国总决赛。 全国总决赛晋级作品涉及政务、交通、互联网、教育、医疗、制作、金融等行业场景，邀请到学术领域带头人、产业联盟组织专家、产业领袖、投资领域、开源组织等各界专业人士担任评委，共同从技术创新、商业价值、用户体验等多个维度进行评审。 最终，应用赛道：云从科技集团股份有限公司、杭州安恒信息技术股份有限公司、中科视语（西安）科技有限公司、湖南视旅网络技术有限公司分别斩获金奖；开发者套件创新赛道：山东大学、厦门大学--航空航天学院分别斩获金奖。（排名不分先后） 应用赛道金奖获奖团队 开发者套件创新赛道金奖获奖团队 昇思赛道金奖获奖团队 此次获奖的团队除丰厚的奖金激励外，还将有机会获得昇腾系列活动参会资格、昇腾HAE（HUAWEI Ascend Expert）认证等。 **获奖名单** --- https://www.mindspore.cn/news/zh/2858/ --- 新闻 【直播】量子计算组会一起开 | 基于MindSpore Quantum实现VQE求解激发态通用模块 # 【直播】量子计算组会一起开 | 基于MindSpore Quantum实现VQE求解激发态通用模块 2023/10/31 # 【直播】量子计算组会一起开 | 基于MindSpore Quantum实现VQE求解激发态通用模块 ****量子计算组会一起开**** **MindSpore Quantum专题分享** **第三十一期** **2023.11.02（周四） 19:00-20:00** **本期邀请电子科技大学 博士研究生** **吕楚凡** **分享基于MindSpore Quantum实现VQE求解激发态通用模块** \*\*项目代码：\*\*https://gitee.com/mindspore/mindquantum/tree/research/challenges/2023/General\\\_module\\\_of\\\_excited\\\_states\\\_based\\\_on\\\_MindQuantum **往期直播回顾 ·** 【第三十期】量子计算组会一起开 | 浙江大学 博士研究生 谭思危：基于量子经典混合的端到端SAT问题加速器 回放链接：https://www.koushare.com/lives/room/582578 【第二十九期】量子计算组会一起开 | MindSpore Quantum布道师、中山大学&启科量子 周旭博士：基于MindSpore Quantum实现分布式精确Grover算法 回放链接：https://www.koushare.com/lives/room/937636 【第二十八期】量子计算组会一起开 | 电子科技大学 博士研究生 吕楚凡：在变分量子算法中的利用对称性 回放链接：https://www.koushare.com/lives/room/328026 【第二十七期】量子计算组会一起开 | 同济大学 硕士研究生 耿力：基于张量运算开发量子线路模拟器 回放链接：https://www.koushare.com/lives/room/645000 【第二十六期】量子计算组会一起开 | 浙江大学 硕士研究生 汤锟：基于变分量子算法求解矩阵迹范数 回放链接：https://www.koushare.com/lives/room/807752 --- https://www.mindspore.cn/news/zh/2859/ --- 新闻 从感知识别到认知预测：空天•灵眸时空预测基础模型 # 从感知识别到认知预测：空天•灵眸时空预测基础模型 2023/10/31 # 从感知识别到认知预测：空天•灵眸时空预测基础模型 随着对地观测手段的不断进步，每天可获取海量多模态、多分辨率、多时相的遥感数据。智能解译是遥感数据处理分析的核心手段之一，但是目前侧重于感知目标要素位置、类别等信息，难以反映目标要素的未来动向。因此，如何通过掌握目标要素时空规律，预测演变趋势，成为遥感领域研究热点问题。近日，中国科学院空天信息创新研究院（空天院）牵头研制出**遥感领域通用预测基础模型“空天•灵眸 时空预测”（RingMo-Sense）**。该模型通过共享学习遥感异构多时相数据，支持多空间、多时间尺度的预测任务。 研制团队从2021年致力遥感基础模型研究，于2022年发布多模态遥感基础模型“空天•灵眸”（RingMo），在场景分类、检测定位、要素提取及变化检测等典型感知识别下游任务上展现出其有效性。现在推出的遥感时空预测基础模型RingMo-Sense的核心突破，是在RingMo对目标要素分类定位的“感知识别”基础上，扩展至对目标要素演化规律的“认知预测”。 ******空天****•****灵眸** **时空预测****** RingMo-Sense结合遥感异构多时相数据与多空间、多时间尺度预测任务的特点，创新提出基于时空演化解耦的三支路网络架构，学习空天多时相数据的变化情况，获取稳定泛化的时空通用特征，并在要素分割预测、场景演化预测、数值趋势预测等典型应用任务中进行验证，探索时空预测基础模型在遥感专业领域应用的可能。同时，空天院与华为公司进行深度技术合作，基于昇思MindSpore AI框架与昇腾AI澎湃算力进行RingMo-Sense基础模型设计训练，实现自主创新。 图1空天•灵眸 时空预测 ******核心能力 创新创造****** **1、架构创新设计** RingMo-Sense的核心目标是打通遥感多域异构多时相数据输入及多时间、多空间尺度任务输出的信息通路，通过提取稳定泛化特征实现对未来状态的精准预测。 因此，团队提出基于时空演化解耦的三支路网络架构。通过构建时间-空间-时空的三支路网络结合块状（Block-wise）、管状（Tube-wise）、帧状（Frame-wise）的掩码方式，将时空关联解耦，分别学习遥感多时相数据中的空间位置关系、时序动态关系和时空交互关系，并利用渐进式训练策略实现三支路的权重共享和联合优化，以适应不同时间尺度、不同空间尺度的任务特点，达到稳定预测的目的。 图2 基于时空演化解耦的三支路网络架构 **2、模型训练优化** 遥感预测所涉及的场景分布广泛，为提升模型的鲁棒性和泛化性，RingMo-Sense的训练优化需要规模庞大、丰富度高的遥感多时相数据。 团队收集了来自卫星、航空飞机、无人机等多平台的多时相数据，如高分系列卫星和高空遥感飞机的时序图像、吉林卫星和无人机的视频数据，涵盖了厘米级、米级、数十米级等多种分辨率，数据总量达四百万帧，用以支持RingMo-Sense的训练优化。但不同遥感数据的时间间隔不统一，存在时空演化规律难捕捉的问题。因此团队提出时序变化幅度引导的多尺度数据自适应掩码机制，将时序变化的一阶导数作为超参数，通过掩码自主调节上下帧间的信息流通量，为时序冗余度高或低的数据选取更大或小的掩码比率，使得模型能够处理不同时间间隔的数据，实现对不同遥感数据自适应提取时序特征的能力。 图3 时序变化幅度引导的多尺度数据自适应掩码机制 **3、应用任务泛化** 时空预测的应用涵盖地物要素分割预测、遥感场景预测、无人机场景预测、数值趋势预测等多种任务，各种应用间差异大，具有时间尺度、空间尺度不一的特点。 RingMo-Sense因其自身架构特点，使得应用任务间的转换非常灵活，基础模型训练结束后，可以将其快速应用到时空预测下游任务中。RingMo-Sense会丢弃掉基础模型训练时采用的解码器，然后将其替换为对应下游预测任务特定的解码器，进而利用下游任务的少量数据对模型进行简单微调。RingMo-Sense在多个时空预测任务上取得了有竞争力的效果。 图4 空天•灵眸 时空预测下游应用 **4、昇腾AI基础软硬件适配** 空天院与华为深度合作，由北京昇腾人工智能生态创新中心提供技术保障，在昇腾AI澎湃算力上，利用昇思MindSporeAI框架对RingMo-Sense基础模型和下游任务完成了昇腾AI基础软硬件适配，并针对时序数据训练方面进行性能优化，为各行各业研究者基于昇腾AI基础软硬件平台进行遥感时序模型训练与开发提供有力支撑。 目前，“空天•灵眸”时空预测基础模型的**核心成果已在遥感领域权威期刊IEEE Transactions on Geoscience and Remote Sensing公开发表**。同时，该模型已在住建交通、国土资源等行业开展试用，支持对重点目标、地物要素的时空规律分析，实现精准认知预测。 **相关论文信息** F. Yao et al., "RingMo-Sense: Remote Sensing Foundation Model for Spatiotemporal Prediction via Spatiotemporal Evolution Disentangling," in IEEE Transactions on Geoscience and Remote Sensing, vol. 61, pp. 1-21, 2023, Art no. 5620821, doi: 10.1109/TGRS.2023.3316166. **论文链接** https://ieeexplore.ieee.org/document/10254320 以上内容由地理与赛博空间信息技术研究部赛博智能团队提供。 --- https://www.mindspore.cn/news/zh/2860/ --- 新闻 中国光谷·多模态人工智能峰会暨多模态人工智能产业联合体第三次会议即将召开！ # 中国光谷·多模态人工智能峰会暨多模态人工智能产业联合体第三次会议即将召开！ 2023/11/01 # 中国光谷·多模态人工智能峰会暨多模态人工智能产业联合体第三次会议即将召开！ **多模态人工智能产业联合体** 多模态人工智能产业联合体是由中国科学院自动化研究所牵头组建，依托武汉人工智能研究院和武汉人工智能计算中心研发的基于昇腾AI的全球首个三模态大模型 “紫东.太初”孵化行业应用，探索通用人工智能新路径。 联合体承担基于多模态科研成果进行应用创新孵化及产业聚合发展的职责，即培育一批高技术含量、高附加值的图文音多领域产品和行业解决方案、联合产学研用各领域资源，共同构筑中国多模态人工智能产业生态。多模态人工智能产业联合体宗旨是通过与联合体成员的密切协作，形成多模态智能产业推进、应用推广、服务提升的创新体系，打造具有国际影响力的多模态人工智能产业战略力量。 **2023年11月3日** 现诚邀联盟成员及社会各界相关企业报名参加 让我们相聚武汉，携手共见! --- https://www.mindspore.cn/news/zh/2861/ --- 新闻 昆仑万维开源基于昇思MindSpore的「天工」13B系列大模型，0门槛可商用 # 昆仑万维开源基于昇思MindSpore的「天工」13B系列大模型，0门槛可商用 2023/11/01 # 昆仑万维开源基于昇思MindSpore的「天工」13B系列大模型，0门槛可商用 10月30日，昆仑万维宣布开源百亿级大语言模型「天工」Skywork-13B系列，并罕见地配套开源了600GB、150B Tokens的超大高质量开源中文数据集。该系列大模型利用昇思MindSpore AI框架完成模型开发，并将在昇思MindSpore开源社区上线大模型体验。 昆仑万维「天工」Skywork-13B系列目前包括130亿参数的两大模型：**Skywork-13B-Base模型、Skywork-13B-Math模型**，它们在CEVAL, GSM8K等多个权威评测与基准测试上都展现了同等规模模型的**最佳效果**，其**中文能力**尤为出色，在中文科技、金融、政务等领域表现均高于其他开源模型。 Skywork-13B下载地址（Model Scope）：https://modelscope.cn/organization/skywork Skywork-13B下载地址（Github）： https://github.com/SkyworkAI/Skywork 昇思MindSpore开源社区大模型平台： 昇思大模型平台 (mindspore.cn) **除模型开源外，Skywork-13B系列大模型还将开源600GB、150B Tokens的高质量中文语料数据集Skypile/Chinese-Web-Text-150B，这是目前最大的开源中文数据集之一。** **同时，昆仑万维「天工」Skywork-13B系列大模型即将全面开放商用——开发者无需申请，即可商用，堪称业内开源最彻底的百亿高质量商用模型。** Skywork-13B系列大模型的开源将为大模型的场景应用和开源社区发展提供更佳的技术支持，降低大模型商业门槛，推动人工智能技术落地千行百业，为人工智能生态建设添砖加瓦，携手开源社区探索未知世界、创造美好未来。 **************两大模型 领先行业************** 昆仑万维「天工」Skywork-13B系列包括两大模型及150B高质量中文数据集。 - **Skywork-13B-Base模型**是Skywork-13B的基础模型，其经由3.2万亿个多语言高质量数据训练，在CEVAL, CMMLU, MMLU, GSM8K等评测与基准测试上都展现了同等规模模型的最佳效果。 - **Skywork-13B-Math模型**经过专门的数学能力强化训练，在GSM8K等数据集上取得了同等规模模型的最佳效果。 - **Skypile/Chinese-Web-Text-150B数据集**是经过精心过滤的数据处理流程从中文网页中筛选出的高质量数据。**本次开源的数据集大小约为600GB，总token数量约为150B，目前开源最大的中文数据集之一。** 除此之外，Skywork-13B系列还公开了模型中使用的评估方法、数据配比研究和训练基础设施调优方案等。希望这些开源内容能够进一步启发社区对于大型模型预训练的认知，并推动人工智能通用智能（AGI）的实现。 **********五大特点 全面超越********** 昆仑万维「天工」Skywork-13B系列大模型在CEVAL, GSM8K等多个权威评测与基准测试上都展现了同等规模模型的最佳效果，其中文能力尤为出色，在中文科技、金融、政务等领域表现均高于其他开源模型。 Skywork-13B系列模型的五大特点： **1、最强参数表现：全面超越同等规模大模型** 本次开源的Skywork-13B系列模型在CEVAL, CMMLU, MMLU, GSM8K等几大权威评估基准中全面超越LLaMA2-13B等开源大模型，在同等规模大模型间取得最佳效果。（截止至10月25日数据） 图2 基于时空演化解耦的三支路网络架构 **2、最多训练数据：3.2T高质量的多语言训练数据** Skywork-13B系列大模型拥有130亿参数、3.2万亿高质量多语言训练数据。在模型的生成能力、创作能力和数学推理能力提升明显。 **3、最强中文语言建模能力：中文语言建模困惑度评测，表现优异** Skywork-13B系列大模型在中文语言建模能力方面表现出色，具有很出色的中文文创能力。在中文文本创作领域的评测中，Skywork-13B系列大模型展现出了卓越的能力，尤其在科技、金融、政务、企业服务、文创、游戏等领域均表现高于业内其他开源模型。 **4、最大中文开源数据集之一：150B Tokens高质量中文语料** Skywork-13B系列将配套开源600GB、150B Tokens的高质量中文语料数据集Skypile/Chinese-Web-Text-150B，这是目前最大的开源中文数据集之一。开发者可以最大程度地借鉴技术报告中大模型预训练的过程和经验，深度定制模型参数，有针对性的进行训练与优化。 **5、诚意的开源商用：无需申请，即可实现商用** 目前开源社区中的中文大模型多数并非是完全可商用，一般开源社区用户通常需要进行复杂的商用授权申请流程，在某些情况，甚至有对公司规模、所在行业、用户数等维度有明确规定不给予商业授权。 昆仑万维对Skywork-13B系列开源的开放性和可商用性高度重视，将授权流程做到极简，取消对行业、公司规模、用户等方面的限制，目的是帮助更多对中文大模型感兴趣的用户和企业在行业中不断探索和进步。 此次Skywork-13B系列大模型将全面开放商用许可，用户在下载模型并同意并遵守《Skywork模型社区许可协议》后，无需再次申请授权即可将大模型进行商业用途。希望用户能够更便捷地探索Skywork-13B系列大模型技术能力，探索在不同场景下的商业化应用。 **昆仑万维集团** 昆仑万维于2008年成立，2015年深交所上市，从游戏起家到AII In AGI与AIGC， 全面构建多元化的业务生态，至今十余年的发展，我们始终致力于为全球用户提供领先的互联网产品与服务。现今，昆仑万维还在不断探索AI领域的无限可能。目前昆仑万维逐渐构建了AGI与AIGC、海外信息分发与元宇宙、投资三大业务板块，业务覆盖全球一百多个国家和地区，全球平均月活跃用户近4亿。 凭借对科技发展趋势的超前预判，昆仑万维早在2020年便已开始布局AIGC领域。至今，已积累近三年的相关工程研发经验，并建立了行业领先的预训练数据深度处理能力，昆仑万维也在人工智能领域取得了重大突破，目前已形成AI大模型、AI搜索、AI游戏、AI音乐、AI动漫、AI社交六大AI业务矩阵，是国内模型技术与工程能力最强，布局最全面，同时全身心投入开源社区建设的企业之一。 --- https://www.mindspore.cn/news/zh/2862/ --- 新闻 于璠访谈录 | AI 框架应该和而不同？ # 于璠访谈录 | AI 框架应该和而不同？ 2023/11/02 # 于璠访谈录 | AI 框架应该和而不同？ **刘天栋**：访谈主持，开源雨林社区顾问、开源社联合创始人、ASF member**于璠**：访谈嘉宾，昇思 MindSpore 技术总经理，AI for Science 实验室主任 **职业生涯的挑战** **请先简单介绍一下自己\*\*\*\*于璠**：大家好，我是华为 2012 实验室中央软件院的于璠，现在主要负责昇思 MindSpore 的研发工作，同时也兼任 AI for Science 的 Lab 主任。2009 年，我从中科大博士毕业后，来到了华为，刚开始做的是云计算相关的一些事情，主要是负责云计算大规模的集群调度。后来大概在 2018 年左右，软件院承接了公司对外发布的 "AI 全栈全场景策略" 当中的昇思 MindSpore 这一个重要的软件环节，当时的我认为如果云计算是前一波浪潮，那 AI 就是新的浪潮，再加上对新鲜事物的浓烈兴趣，我可以在 AI 这里做很多事情，于是就跟领导申请加入昇思 MindSpore。在昇思 MindSpore 我主要负责一些偏创新的工作，当时谷歌的 TensorFlow 是生态以及行业应用绝对的领导者。那么，我们做同一个层级的 AI 框架，如何能做到差异化？我们想了很多，也与公司的很多领导和专家沟通过，我们发现当我们与华为的硬件协同联动在一起时，会出现极致的性能，因此我们在系统上做了很多工作，当时一个创新点就是做一个高阶优化器：那时整个 AI 的训练过程是由一阶的优化算法在主导，我们在想华为的硬件这么强，这样的优化器完全无法压榨它应有的实力，如果我们将这个优化器升级成高阶优化器，那我们训练的迭代步数就会大幅度缩短，但代价是对计算能力的要求呈指数级增长，而我们的硬件是可以把这个几何指数级别的计算量消耗掉的，因此我们在这方面做了很长时间的探索，并取得了一定成果，很多模型的性能都得到大幅度提升。那时候大模型还没有火起来，但我们已经笃定大模型是未来的一个差异化路径。在这个过程中，我们布局了 “自动并行” 这种能力。假如一个科学家要开发一个大模型，那么他需要同时扮演算法科学家和系统工程师两个角色，而这两个领域都是可以出图灵奖的领域，所以同时要兼顾这两个领域太难了。“自动并行” 就可以将 TA 解放出来，专注做算法的创新。与此同时，我们还布局了 AI for Science 这个领域，它以 DeepMind 的 AlphaFold 为代表，由 “Transformer + 传统算法” 融合而成，在蛋白质结构预测这个领域远远领先于其他竞争者，而且成本比原来做实验要大幅度降低。我们在分析时发现，AlphaFold 2 对软件和硬件的要求非常高，而且 AlphaFold 2 里除了算法、数据有创新，系统工程上也有巨大的创新：传统的 “隐马尔可夫的搜索” 与 Transformer 架构两者融合之后，在一般的软硬件上运行性能就非常差，如果没有一个很好的系统级优化，可能运行速度会慢 10 倍以上；而且 Transformer 的代码里，有一个非常复杂的 “for 循环” 架构，想要达到好的效果可能需要几十层 “for 循环”，这对性能及整个架构的压力非常大。而 AlphaFold 2 最终版本就解决了这两个难点。所以也借着这个机会，我们把昇思 MindSpore 架构升级成了一个叫 “AI 融合计算” 的架构，将科学和 AI 融合在这一个架构里，同时我们也支持了国内昌平实验室的科学家们做了一版新的 “AlphaFold 2”，整体效果非常显著。 其实我们很早在技术的布局上就已经为这两个领域做了铺垫，同时也支持了国内很多科学家们对大模型的探索，我在其中做的技术创新，跟我自己的成长过程、喜好，以及能力都是有关系的。 \*\*您在华为这边有没有这样压力，例如：先跟随潮流，持续优化精进 AI 这个大模型/框架，AI for Science 要不要稍微晚一点？您是如何抗拒这种压力的？\*\***于璠**：会有业务上的优先级排序，但这个是动态变化的。目前大模型最重要，那么我们百分之八九十的精力都会投入其中，AI for Science 这边就会投入相对少量的人去布局，但也会撬动外部人员一起协同。同理，像前一段时间 AI for Science 火的时候，我们就会多一些投入，而这两者我们都兼顾的比较好。在 AI for Science 这边，我们不仅自己做研究、系统升级，也连接了非常多的院士和长江学者，其中涉及领域不止计算机领域，还有化学、生物、材料、流体等，除此之外，我们也不断有落地的东西，例如支持昌平实验室做的蛋白质折叠。昌平实验室做生物的专家一开始并不相信硬件能发挥作用，坚持要买 CPU 和 GPU，但跟我们联合工作了一段时间后，发现想做的东西在昇腾上运行是完全没问题的，所以最终顺利成交。而这种类似案例很多，而且这个过程中我们同时也会将生态里的一些软件库、模型等孵化到昇思 MindSpore 和昇腾上，这样以后可以再复制给其他人用，且老师们也非常愿意，从而形成良性循环。所以说，虽然公司在 AI for Science 也有投资，但我们在这过程中也不断的“沿途下蛋”，不仅能自己养活自己，还可以超额完成销售/生态的目标。当然整体贡献中，目前大模型还是居于主导地位，但 AI for Science 和大模型两者已逐渐处于一个融合状态，现在很多做科学计算的行业伙伴已经将大模型融合进去了。我在今年 AI for Science 项目立项的时候，也重新调整了技术规划，把大模型给放到了 AI for Science 基础设施里，举个例子：做化学材料的老师，因为看到了大模型的能力，希望做出化学材料的设计、仿真、实验这三个基础大模型。比如说我们想做一款全新的材料，它能粘合玻璃、塑料、木材等。那么我们可以把这种材料设计的信息输给大模型，大模型就会给出反馈，通过不断交互，最后可能反馈出来一个方案，例如金属 Fe，加上 O2（氧气），在某种温度和某些催化剂的配合下，生成一个新型氧化铁的物质，这个物质再经过一些操作就可以做出来一款新材料。而目前大模型非常有可能能帮忙完成这件事情，一旦它真正设计出来了一种材料，再送到仿真的模型中，或者用传统仿真软件再仿真一下，检验真实情况，没问题的话接下来就能用起来了。 这是一件激动人心的事，因为它是在底层去改造，但其中的难度也很高，它不像做 CV、LP 的，基本上跟摄像头或者搜索广告直接匹配，路径非常短，它麻烦点就在于：这么长的路径，如何将 AI 和传统算法融合起来？这是一件挺困难的事，需要很多的人和时间。 **昇思MindSpore的开源** \*\*当时昇思 MindSpore 的开源，在华为内部是不是也有引发一些讨论跟冲突？现在业内很多人在讨论“大模型框架要自主可控”，所以我认为很多人应该会有这方面的困惑。\*\***于璠**：昇思 MindSpore 诞生的时候，公司的战略上就已经定义了一些关键的差异化竞争力，比如把昇思 MindSpore 定义为全场景框架——在公司所有的硬件上，像集群、服务器、板卡、手机、耳机等等，昇思 MindSpore 能快速使能。像刚上线的 MATE 60 Pro，里面有很多 AI 功能，昇思 MindSpore 的 Lite 版本就在其中。正是因为公司有巨大的场景，昇思 MindSpore 也就慢慢练出来了。随着时间的推移及外面形式的不断变化，昇思 MindSpore 的竞争力也在不断调整。关于这点，内部讨论也是非常激烈。我一直认为在讨论技术的时候，尽量不要太和谐，这样反而能找出一个兼顾长远期和中短期的策略。例如大模型，一开始我们做了自动并行的能力，但还是有很多人提出疑问：做这个有什么用？ResNet 模型就 2,500 万的参数，开发者写一写就弄完了，而且小模型提升一点性能，从 60 分钟提升到 40 分钟这个提升比例虽然很大，但又怎么样呢？60 分钟和 40 分钟，中间学生或者老师多做一会儿，或者出去做一道题回来就 OK 了，所以意义并不是很大。但在这个过程中，我们还是坚持住了，当时我们就在想：“总归要做两个绝对差异化竞争力，有样学样是永远不可能超越的。” \*\*您作为昇思 MindSpore 的技术总负责人，在昇思MindSpore 框架开源的过程中，有没有遇到什么挑战呢？昇思 MindSpore 开源是否一开始就是公司的方向与共识，还是说有经过一番思想斗争与挣扎？\*\***于璠**：战略层面上的共识就是一定要开源，最初在给领导汇报这件事的时候，领导就问：“业界是不是所有的都开源了？”我说是的，然后他说：“那这还要汇报什么？那必然就是要开源的。”但是在开源的过程中也发生了一些有意思的事情，比如：如何设置代码的 License？代码开源出去之后，专利会不会有侵权？代码有没有抄袭？开源后的版本如何迭代？这些我们当时在汇报的时候都考虑到了。而且昇思 MindSpore 开源对华为的压力还是挺大，虽然战略上是必须开源，但是公司之前并没有一个自主研发如此大代码量的、且没有任何保留的开源项目，这对于我们的开发流程、人员配置等都有巨大的挑战，直至现在这个挑战依旧存在。这里面我的感触很深，公司是做硬件起家的，所以很注重流程质量，我们设计一个东西大概需要两三个月，然后开发三个月，再测试一个多月，最后版本交付，整个流程下来至少需要三个季度甚至一年。但在 AI 开源上就不可以，因为外面变化的速度太快了，比如说我们要针对一个 Bert 模型，经过一系列流程下来，你会发现半年以后 Bert 在业界早就不流行了，变成 GPT 了，那我们做完了就又没啥用了。还有就是来自外界的压力，开源以后会有一些人的吐槽、批评，同时也会有赞扬和支持，还有用户的反馈和建议，面对这些声音我们该如何回应？这些都是开源之前没有的。 总而言之，战略上很早就达成一致了，但在战术上和执行上仍有许多挑战，我们一直以来都在不断学习、不断进步。 **AI框架的变革** \*\*大模型时代，您觉得 AI 框架未来会有哪些变革或创新？可能因为关系到行业用户的受众，很多可能更多是使用者，所以您可以简单介绍一下 AI 框架，比如说它是一个操作系统？或者是汽车里的方向盘？\*\***于璠**：昇思 MindSpore 就是 AI 框架的一个实践，AI 框架相当于 AI 领域的操作系统，屏蔽掉底下硬件的复杂性，往上也需要做一些事情，比如抽象出来一些接口，大家做模型开发的时候，会把共性的东西给抽象出来，比如说怎么定义一个层？这个层里有 Transformer，还是有卷集？还有一些典型组合，比如说优化器推理的压缩小型化等；同时上下游还有一些东西，比如前面部分会有一些数据处理，再比如说图片的旋转上再增一些东西，会有助于提高推理和训练的精度，等等这些常用部分，当然还有一些像调试、调优工具，可视化工具，同时支持多种硬件、多种操作系统，这些都是框架里必须具备的功能，这就是 AI 框架的一个“画像”，它有一堆的关键的、能简化开发者开发流程的 API，然后有一堆可以内部并行和融合计算的加速功能，还有周边的一些工具。以前框架之所以定义成这个样子，是因为它上面有成千上万个小模型，而大模型时代来临了以后，可能仅 10 个大模型就能实现原来成千上万个模型的所有功能，原先我们需要支持几千个模型，而现在只需要做好这几个大模型的预训练，而且大模型的使用也与以前不一样——有微调过程，也有与人类对齐的过程，还有部署过程。对于行业使用者来讲，我们做好了这套库，他们就可以直接复用，减少重复造轮子，举个例子：我们现在做的这个库叫 Mindformers ，里面内置了业界所有开源典型模型，且使用流程中的关键点也已经完成，行业用户如果想要做一个知识问答的模型，就可以拿一个我们的预训练模型，输入一些数据，再加上我们微调的算法就可以训练出来了，而且训练过程中的并行功能也已经自动部署好了，所以基本不需要感知什么就能迅速完成知识问答模型的建立。Mindformers 是建立在昇思 MindSpore 原来基础框架之上的，我们可以认为 Mindformers 也是我们基础框架的一部分，并且 Mindformers 与底下硬件软硬联动，会将性能做到极致。小模型下性能提升个百分之 20 至 30，客户对此可能没有什么感知，但是如果大模型提升百分之 20 至 30，那其中成本降低幅度非常大，GPT-4 这种级别的模型，训练一次至少花费 5000 万美金，如果能提升 30%，那可以节省 1500 万美金，这非常可观。所以大模型时代对我们框架是一个好事情，当然也有新的挑战出现，但更多的是机会大于挑战，并且在这个过程中，行业伙伴也在不断地调整。举个例子，云从、电信、讯飞等企业也看到了大模型的趋势，他们想做个一体机，比如说是一个 256 卡的非常精致的一台服务器，或者一个大的超级节点，在这个节点上我们将 Mindformers 内置，再加上伙伴的数据集，以及一些可视化工具等，整体做成一个一体机，这个一体机就可以卖给客户，客户将一体机放置机房，输入数据就可以直接使用了，并且讯推一体，基本上能达到开箱即用的状态，这也因此形成了一个新的产业。 \*\*看起来“百模大战”将来并不是那么必要，大家很多时候是在重复造轮胎，其实用像昇思 MindSpore 这样的框架，十大模型就可以覆盖主要需求，那您认为“百模大战”还有必要么？\*\***于璠**：公司目前将大模型分为了 L0、L1、L2 三个类别：L0 是基础大模型，比如 GPT-4 、GPT-3.5、华为的盘古大模型，以及谷歌秋季即将发布的 Gemini，这一类模型业界并不多，但什么都可以做，比如加一些人类对话，它可以变成一个聊天工具，再加点法律的内容，它就能变成一个律师；L1 是行业大模型，比如说法律领域、金融领域等行业大模型；L2 是细分场景模型，比如律师里是打经济官司的，还是打其他的官司的？会进行类似于这种场景的细分。而百模大战现在大部分是处在 L1 和 L2 这两个层级，也是基于业界开源的数据集，微调出来的结果。但目前商业模式尚不明确，且竞争力不够，在我看来，客户基于华为厂商制作的一体机，用自己的数据稍微一调，立马就能调出一个比百模大战的百模好很多的模型，或者至少也是持平的一个状态，而且它完全自主可控。当然百模里也有一些很强的模型，例如唐杰老师的 ChatGLM ，但这种模型也不是很多。所以我觉得百花齐放对行业来说是件好事，能慢慢地、真正地突围，或者明确边界，到底是 L0、L1、L2，还是有新的分类？对于华为来说，目前华为的软硬件已经能支持外界很多的模型，例如 ChatGLM、百川都可以在昇思和昇腾上运行。 \*\*随着 Llama 2 的开源，您觉得开源对 AI 框架层面将来会有哪些影响？\*\***于璠**：目前我看到的模型的开源和其他开源框架的一些走向，像 Pytorch 这个级别的，可能互相有借鉴，或者是 PK 状态，比如说我们的技术流派，Pytorch 采用的是动态图机制，但现在也在融合静态图，这种在华为称之为“友商”，属于亦友亦敌，互相学习、互相促进。说到 Llama 2，就不得不提 OpenAI，虽然它叫 OpenAI，但一点都不 “open"，目前 OpenAI 正在抢占生态，所以是赔钱的一个状态，但它肯定要慢慢变现，它很厉害的一点是：它闭源了，大家在使用时就会上传数据，然后它会持续吸收数据，最终变得越来越强。Meta 和谷歌也在思考如何争夺业界的生态，那 Meta 借鉴安卓将模型开源，但 Llama 2 一开始就在开源上做了商业化的考量，在使用的时候有商业化 license 限制，小公司使用没问题，因为那就是它的生态，而大公司使用的时候如果产生了巨大的商业价值，那他必然会追究。Llama 2 的开源对 AI 框架的影响，在技术或 license 方面来说还好，但 Llama 2 的开源，跟 Pytorch 形成了一体（他们都是 Meta 的），Pytorch 在小模型时代取代了 TensorFlow，如果 Llama 2 在大模型时代统领开源，而且 Llama 2 原生在 Pytorch 上，强强联合，那属于其他模型的机遇又少了，昇思 MindSpore 或者昇思 MindSpore+Mindformers 如何超越他们又是件打问号的事情。但好在框架与大模型的粘性非常少，对于框架来说，我们还是喜欢做一个“重型武器”，而不是去建一百个小模型，而且框架有绝对的门槛。 其实我们也没想清楚 Meta 在开源 Llama 2 后怎么变现？有可能像安卓一样，只要掌握住生态，随意一个方向就能商业化，比如做一个 GMS 或者 agent。 **AI for Science的现状及展望** **对 AI for Science 的现状以及未来的发展，您有什么可以跟大家分享的么？** **于璠**：在学术界，从成果上来讲，AI for Science 有三个趋势：一是 AI 完全取代掉 AI for Science，另外一个就是互相融合的状态，还有一个是不依赖于数据，但是又出来一个新的 AI 模型，比如在科学计算里面，有麦克思韦方程、牛顿方程，这些方程我们认为就是数据的总结，因为随意输入一个x、 y ，就能得出 z。但是现在最好的、已落地的、能随时产生效果的还是 AI 数据驱动，比如 AlphaFold，它就有很多的数，再比如气象里有大量历史上的数据，像欧洲气象局公开的就有 9 个 PB 的数据，但是这些领域又没有一个像牛顿或者爱因斯坦这样的人出现，能将这些数总结成一个牛顿方程，这时就可以用模型来进行总结，因为 AI 非常擅长将很多的数据整合到一起，从而形成一个模型，而这两个领域我们可以看到有数据，且又没有特别的方程，那 AI 就容易着手布局，而像麦克思韦方程，科学家们都已经整合成了一个模型，AI 模型想要取代它就没那么容易了。而在工业界，主要有两个典型，一个是谷歌，另一个是英伟达：谷歌在硬件方面做了个新东西叫 “TPU”，类似于公司的昇腾；在框架方面它有 TensorFlow，以及新的框架 Jax，基于 Jax 上有 DeepMind 这个强大的科学家团队，创造了 AlphaFold 这个超级模型。DeepMind 太强了，强到可以把很多科学家拉到英国，跟他们一起封闭三四年，做一些科学问题创新性研究，比如蛋白质折叠问题、水的演化问题、玻璃的演化问题（大家都知道玻璃和水，但是水是如何变成冰的过程是不清楚的）。而英伟达主要从硬件出发，一开始主力方向也是在科学计算，它希望科学上所有能计算的软件，在英伟达上运行得是最好的，所以他们常年会与老师联动来进行软硬件适配。现在 AI 成了以后，不断地融合 AI 与硬件，从下往上做。所以相对来说英伟达是一个比较零散的平台，但依托于原来生态的强大，所以使用它的人还是很多，慢慢的它也成立了一些算法团队，也希望能诞生一些超级模型，所以它联合了很多人一起发布了 FourCastNet，是一个与华为盘古 weather 同个方向的模型。当时我们也梳理了一下我们的场景及利益诉求，定义了几层，其中一个是核心的 昇思MindSpore 框架要升级支持神经网络，将一些科学计算、概率计算、排序的、微分的库等统一划分在其中，但不是单纯的糅合，而是互相之间可以自动并行。另外，我们规划了 “10+1” 的库，“10” 是指通过科学家们计算规划出来的十个科学领域，原来科学领域有 8 个方程主导，但有一些方程进行演化，如果它演化出来气象，那气象就会单独列出来。“+1” 比较特别，“1” 是一个通用的库，比如说库里面的一个傅里叶神经网络模型可以布在方程里，因为那些方程很多的求解方式都离不开神经网络，也离不开傅里叶变换，它不是只针对电、磁，或者牛顿方程等，而是通用的。这个 “10+1” 也是业界首创的一个规划，其中 “+1” 的主要策略就是复现业界最强的软件。 我们也与国内很多老师联合，也包括通过人工智能学会、科技部、工信部等参与活动，但前提是基于昇思 MindSpore 与昇腾。举个例子，我们与人大的老师联合，他做了一个新的神经网络，这个神经网络非常厉害，而且也发表在《Nature》 的子刊上了，那这个模型可以做到什么样子呢？将电或者磁以及流体统一在一个模型里面，但如果仅仅只是一个模型，很多科学家就会觉得不美观，所以它里面新增加了一个功能，可以将这个神经网络转换成一个微分方程，最终做出来的感觉非常炫。 **AI框架的机遇与挑战** \*\*企业跟模型公司对 AI 框架的选择。在数据管线阶段， AI 发展有什么新的机会么？\*\***于璠**：像华为有做数据存储的，也有做数据平台的，随着 AI 演进到大模型时代，他们会在网上积极的观察，了解客户真实的痛点，以及需要改变的地方。举几个例子：大模型和存储的联动非常关键，因为大模型的数据量大，模型也很大，上一次华为存储一体机发布时提到：大模型在训练过程中的时间非常漫长，如果没有备份，坏一次就得重新做，所以存储计算的配合非常关键，而这一点业界大部分人都做不了，也只有谷歌、微软或者 Meta 可以。我们可以看到大概几个小时就要存一次训练过程中的 checkpoint（快照），而这个过程与 IO 存储硬件极其相关，所以通过一个存储一体机就能高可用、高可靠、高性能地将大模型训练出来。这个是纯硬件的部分，当然后续还会有很多很多的点，可能现在我们还没有特别挖掘出来，比如说大模型未来真正部署上线时，会有离线推理以及增量、全量推理等，这对存储的硬件设备有很高的诉求。对于数据的平台管线，以谷歌为例，TensorFlow 是它的数据管线中的一环，叫 TFX 管线（因为计算框架叫 TF，所以管线叫 TFX-TensorFlow Extended，是围绕 TensorFlow 来配合的），这个管线里有数据的存储，包括数据格式的定义，还有做数据切分、增强的库，以及数据的审计、数据的可靠性、数据安全等等。而大模型时代来了以后，这个管线就变得不太一样了，在大模型方面，公司一直强调的是数据飞轮的状态，比如说大模型训练完上线之后，客户使用时如何保证客户数据的安全？以及模型再更新后如何区分客户的数据贡献？这都属于数据飞轮里面的安全管理、定价管理，以及数据和模型的区分等等。目前这些可能还没有特别清晰的划分，至少还未形成一个类似于 Spark 这种大数据处理引擎，但我认为数据管线肯定会围绕计算框架和大模型，发生一个大变革。 \*\*请您分享一下算力侧的机遇与挑战。\*\***于璠**：其实 AI 由数据、算法、算力组成，框架在中间将三者连接起来，其中算力是一道门槛，也是为什么许多人做不到 L0 模型的一个重要原因，在这里面算力我理解是泛算力的一种说法，在华为的术语上应该对应到，比如说我们真正的那块硬件，然后对应到算子库，再对应到框架，还对应到 ModelArts。在大模型时代，算力渐渐变成了一个大集群，那我们如能何将它高性能、高可靠地运维起来？刚才我们举了几个例子，性能是非常关键的，如果不仅仅只是看稳定训练那一阵儿的性能，而是也将断掉的那一阵也算上，Meta 的集群三天就会断一次，断一次起来要好几个小时，而我们是 30 天断一次，半个小时之内就能起来，那这样看来我们的性能比 Meta 还要强。当然这个可靠性、可用性不单单是一个环节就能完成，而是整个算力集群软硬件的一体化。未来还有一个挑战，单纯从硬件上看，FP 16（半精度）、FP 32（单精度）、FP 64（双精度） 要更加平衡，另外里面的带宽，以及功耗等一系列都需要做好，上面的几个软件也需要升级，一个有意思的点就是未来大模型的训练和推理，必然是在一个集群上才能进一步降低成本把大模型商用起来，那这个应该怎么做呢？就是 AI 框架要和 serverless 结合在一起（serverless 完全将硬件和软件解耦出来，能动态调整资源），我觉得在算力的硬件底座上的可靠、可用、功耗等，再加上算子库的完备度，以及 AI 框架和 serverless 的融合，都需要巨大的升级才能真正带来大模型的红利，最终实现变现。 \*\*对企业或者是想要做模型的公司而言，AI 框架的项目，以及自身公司的服务与自研，他们应该如何选择会比较好？您是否有什么更具体的建议？\*\***于璠**：从我们跟客户的交流来看，客户分为几种类型，一种是实力特别强的，像讯飞、阿里、腾讯等等，也跟公司类似，全栈要自己开发，但是越往下门槛越高，比如说硬件，我们可能将硬件卖给他们，或者他们连我们的库都不需要，而是直接使用指令集，但这类客户不多，且有标杆效应。更多的行业客户和广度应该是再往上一点，他们不需要关注用什么硬件和软件，而是希望能开箱即用。我们在去年就发现，业界客户用到的典型 AI 产品，可能就 10 个套件，比如说做 OCR 的（票据识别），做人脸识别的，做语音、翻译的，还有生成的如 Stable Diffusion 等等，产品种类非常少，就这么几种，而且现在逐渐稳定了，大模型出现以后，小模型的创新较之前停滞了许多，所以我们就将它们做成套件，就是昇思 MindSpore 的 10 个套件，而且将性能和精度做到业界最强，集成之后客户就可以直接用。还有一类，就是需要创新突破的做研究的这帮人，我们也需要将这一层的接口开放出来，但这一类就是研究类，并不属于行业客户。总而言之，目前大概就这么几类人群，行业客户大部分还是聚焦在套件上。 **社区的运营** \*\*您觉得昇思 MindSpore 社区的发展现状如何？发展过程中是否有碰到什么挑战？\*\***于璠**：现在社区可能要有一个转变，以前的运营主力是我们，但是社区或者说昇思 MindSpore 的成功是需要其他人参与的，比如 Pytorch 的核心就一点点，但是它外面生长出来的部分都是其他人做的，在这一点上我们与 Pytorch 存在差距。所以下一步就是要转变，要有一些高精尖的东西，比如说像刚才说 ChatGPT、AlphaFold 第一版、以及天气预报的模型等都原生在昇思 MindSpore 上，类似这种的是我们第一个想做的事情。第二个就是通过这些东西，不断完善基础能力，让行业客户和研究者们能主动来贡献、主动来主导。目前我们正处于一个由我们主动慢慢转变成生态伙伴们主动的时期，这个转变时期有技术的挑战，也有运营的挑战。 \*\*请问您对开源雨林有什么期待，希望我们接下来做哪些事情？\*\***于璠**：刘老师和开源雨林应该是我们整个开源界的先驱、领路者，回想一路走来，我们踩过的坑、交的学费，如果前面有很多的泰斗或者先驱者们能帮我们提前把脉，给我们建议，那我们就可以腾飞得更快一点。从微观来说，希望能与刘老师以及开源雨林多多互动，昇思 MindSpore 的技术专家/项目经理如果合适都可以一块儿参加开源雨林的活动，我们也多多分享昇思 MindSpore 的经验，刘老师也能给我们一些建议，比如刘老师您刚才提的案例这件事儿我觉得就很好，AI 的门槛其实挺高的，如果有案例册，客户就能通过案例册了解到社区的很多事情。 --- https://www.mindspore.cn/news/zh/2863/ --- 新闻 中国光谷·多模态人工智能大会暨多模态人工智能产业联合体第三次全体会议圆满召开 # 中国光谷·多模态人工智能大会暨多模态人工智能产业联合体第三次全体会议圆满召开 2023/11/03 # 中国光谷·多模态人工智能大会暨多模态人工智能产业联合体第三次全体会议圆满召开 11月3日，中国光谷·多模态人工智能大会暨多模态人工智能产业联合体第三次全体会议在中国光谷圆满落幕。会议以“共建人工智能产业新生态”为主题，旨在构建开放、协作、创新的平台，推动多模态技术的发展与应用。 本次会议由武汉东湖新技术开发区管委会、中国科学院自动化研究所、武汉市科学技术局、武汉市经济和信息化局指导，武汉人工智能研究院、武汉人工智能计算中心、华为技术有限公司、武汉长江计算科技有限公司共同主办，昇思MindSpore开源社区协办。会议现场，省市相关单位、专家学者、产学研各界百余家联合体单位齐聚一堂，共商多模态产业新发展。 大会现场 **高屋建瓴指引发展方向** 大会伊始，武汉市委常委、东湖高新区党工委书记杜海洋代表东湖新技术开发区管委会发表欢迎致辞。他指出，当前人工智能已经成为科技跨越发展、产业优化升级、生产力跃升的重要驱动力量，加快发展新一代人工智能是抢抓新一代科技革命和产业机遇的重要课题。 他表示，近年来东湖高新区加快推进武汉新城规划建设，奋力推动中国光谷迈向世界光谷，聚焦打造世界级科技创新策源高地，探索建立运维导向的科创建设体系。未来，将在技术攻关、科研转化等方面持续加大投入，进一步优化创新生态、提升创新能力。同时，鼓励多模态人工智能产业联合体进一步围绕“紫东太初”大模型整合，扩大通用人工智能应用场景，推动多模态产业应用在光谷就地转化。 武汉市委常委、东湖高新区党工委书记杜海洋发表致辞 中国科学院自动化研究所所长、武汉人工智能研究院首席科学家徐波在大会致辞时表示，人工智能作为引领产业发展和社会变革的头雁技术，一直是国际科技创新和产业发展的竞争制高点。在当今复杂多变的国际形势下，以人工智能为代表的复杂技术面临着前所未有的挑战。在当前国际形势下，要深刻认识到习近平总书记提出来的“核心技术是买不来，讨不来，要不来的”深刻内涵。要坚持发展全栈自主可控的大模型，打赢技术攻坚战，解决核心器件、关键技术“卡脖子”等问题。 希望多模态联合体进一步加强协调能力，着力解决人工智能领域的重大战略与共性技术难题，快速提升人才培育与学术交流，积极培育与联合体单位协同开展科技创新活动，围绕“紫东太初”多模态大模型，加快产业化落地，携手共创，推动各行各业企业发展。 中科院自动化所所长徐波发表致辞 随后，欧洲人文和自然科学院外籍院士焦李成发表题为《下一代人工智能赋能产业变革》的主题演讲。从新一轮技术革新和产业革命、人工智能技术下一次突破点等方面探讨未来人工智能发展的机遇与挑战。 焦李成院士现场演讲 **共创产业智能新高度** 为推动数字技术与行业应用深度融合，提供更加先进的新一代人工智能解决方案，助力产业升级和发展。武汉人工智能研究院基于紫东太初全模态大模型，搭建全栈国产化紫东太初大模型开放服务平台。目前，已助力智慧城市、智慧医疗、智慧物流、智慧政务等多个行业模型落地。 大会现场，由武汉人工智能研究院院长王金桥主持，“紫东太初”人工智能开放服务平台及典型应用场景正式发布。王院长针对“紫东太初”大模型的升级进行全面介绍：大模型在图像理解、推理和问答能力方面均有创新突破；六大语言能力持续优化，丰富大模型插件生态；聚焦多模态生成式AI，孵化更多创新创意应用；同时，大模型开放服务平台能够支撑丰富的产品矩阵。 武汉人工智能研究院院长王金桥现场演讲 随后，在来自全国各地算力中心代表的见证下，“紫东太初”人工智能开放服务平台正式发布。 目前“紫东太初”人工智能开放服务平台已成功应用于智能制造、智慧文旅、智慧教育、智慧医疗等10余个领域，形成规模化应用落地，持续打造行业垂类模型。会议现场，在王院长和现场嘉宾的一同见证下，“紫东太初——火石数智燧石医疗大模型”和“紫东太初——创而新教育行业模型ForClass AIGC”正式发布。 此外，联合体成员九州通医疗器械集团、华中师范大学、华工科技等单位代表，分别从实际场景出发，为大会带来了多模态大模型在智慧医疗、智慧教育、智能制造等方面的产业应用分享。 会议期间，在与会嘉宾的共同见证下，中国科学院自动化研究所国家双创示范基地正式落户光谷。同时，武汉人工智能研究院正式对外发布了“双创十条”，用于孵化高质量双创企业，为武汉人工智能产业高质量发展贡献力量。 武汉人工智能研究院充分发挥平台桥梁和纽带作用，整合高校、企业和行业资源，致力产学研深度融合，促进知识共享、技术创新与人才培养，提升企业创新能力和技术水平，提升高校服务地方经济社会发展的能力，为湖北建设提供更强有力的人才支撑和智力支持 此次大会上，共7家多模态人工智能产业联合体新增理事单位、24家新增会员单位获得授牌。自2021年12月多模态联合体成立以来，已陆续吸纳百余家单位和企业加入。 独行快，众行远，合作赢未来。自多模态人工智能产业联合体成立以来，各联合体成员单位基于“紫东太初”大模型进行自身业务的融合创新，陆续孵化出了一系列场景化行业应用，充分展现了人工智能大模型的产业价值。 未来，武汉人工智能研究院将继续遵循“立足武汉、辐射湖北、服务全国”的发展方针，以紫东太初多模态人工智能大模型为研究基础，建设以通用领域共性技术为核心的人工智能创新平台和产业示范高地，形成具有国际先进水平的人工智能应用成果和技术专利，致力于实现自主可控人工智能基础软硬件及高端装备国产化，全面赋能产业升级，打造全球人工智能产业示范高地。 --- https://www.mindspore.cn/news/zh/2865/ --- 新闻 新增密度矩阵和噪声模拟后端，昇思MindSpore Quantum0.9全新版本发布 # 新增密度矩阵和噪声模拟后端，昇思MindSpore Quantum0.9全新版本发布 2023/11/07 # 新增密度矩阵和噪声模拟后端，昇思MindSpore Quantum0.9全新版本发布 **MindSpore Quantum 0.9版本全新发布** 期盼已久的0.9终于跟大家见面了，经过昇思社区开发者们5个月的不断努力，昇思MindSpore Quantum0.9版本现正式发布。 新版本中，我们对**量子模拟器、量子门、量子线路和量子算法库**等均做了大量更新，实现全新技术升级，使能科研创新和产业应用。下面就带大家快速了解0.9版本的关键特性。 **新版本亮点摘要包括以下6大内容：** **关于安装MindQuantum的重要通知** 通过如下指令可安装最新版本 MindQuantum `首次安装` **02** ****提供噪声模拟后端****含噪量子模拟在研究量子算法的鲁棒性和研究误差缓解算法时十分重要。基于现有版本中的各种量子信道，新版本提供强大的信道管理工具，可根据实际情况生成噪声模型，并最终完成噪声模拟。 举例来说，如果我们需要模拟一个只有两个比特的量子芯片，其中单比特量子门噪声可以忽略，而双比特量子门具有去极化噪声，测量门则有比特翻转噪声，我们可以按如下方案来搭建噪声模型： 利用该噪声模型，我们可将普通量子线路转化为噪声量子线路： **不含噪量子线路** **经过噪声模型转化的含噪量子线路** 绘制出来的拓扑图如下： 此外，我们还可以利用新版本支持的比特映射算法将量子线路编译到提供的芯片结构上。更多关于拓扑结构与比特映射的教程，请扫码查看参考教程。 **05** ****海量Ansatz，加速变分量子算法开发**** Ansatz是变分量子算法的重要组成成分，通过对ansatz量子线路进行优化学习，我们可以解决量子机器学习场景中的分类问题、量子化学模拟的基态能量求解问题等。在新版本中，我们为大家提供了新的19个ansatz，请扫码查看所有的ansatz。我们列举其中一个**表达能力**和**纠缠度最高**的一个ansatz来看： `import mindquantum as mq from mindquantum.simulator import Simulator sim = Simulator('mqvector', 1, dtype=mq.complex64) print(sim) mqvector simulator with 1 qubit (little endian), dtype: mindquantum.complex64. Current quantum state: 1¦0⟩` 这里`mq.complex64` 表示模拟器采用的是32位单精度浮点数来进行模拟。`dtype`的默认值为64位双精度的 `mq.complex128`。在一些变分量子算法上，我们往往只需要单精度即可，由于内存消耗减半，我们能模拟更多一个比特。 此外，我们还新增了误差缓解零噪声外推法（ZNE）、量子线路编译、 贫瘠高原验证等多种算法模块，期待大家的探索与反馈！ **感谢以下开发者为版本做出的贡献：** yufan, wengwenkang, xuxusheng, Damien Ngyuen, zhouxu, wangzidong, yangkang, lujiale, zhangzhenghai, fanyi, zhangwengang, wangkaisheng, zhoufeng, wangsiyuan, gongxiaoqing, chengxianbin, sunxiyin, wenwenkang, lvdingshun, cuijiangyu, chendiqing, zhangkai, Zotov Yuriy, liqin, zengjinglin, cuixiaopeng, 朱祎康, dorothy20212021, dsdsdshe, buyulin, norl-corxilea, herunhong, Arapat Ablimit, NoE, panshijie, longhanlin. --- https://www.mindspore.cn/news/zh/2866/ --- 新闻 西北工业大学与华为联合的面向飞行器的首个流体力学大模型──“秦岭·翱翔”正式发布 # 西北工业大学与华为联合的面向飞行器的首个流体力学大模型──“秦岭·翱翔”正式发布 2023/11/07 # 西北工业大学与华为联合的面向飞行器的首个流体力学大模型──“秦岭·翱翔”正式发布 2023中国(西安)人工智能高峰论坛于11月4日在西安市雁塔区高新国际会议中心召开。大会以“数智聚合，共创行业新价值”为主题，邀请政府领导、院士专家、企业、行业组织等超过750位嘉宾齐聚探讨算力产业集群建设、应用推广、人才培养与引进等领域，共谋算力产业发展新趋势与挑战，助力数字经济高质量发展。 会上，由西北工业大学与华为联合研发的首个面向飞行器的流体力学大模型“秦岭·翱翔”正式发布。 中国空气动力学会副理事长、智能流体力学产业联合体副理事长、西北工业大学航空学院张伟伟教授，昇思MindSpore业务总经理、华为中央软件院分布式并行计算实验室主任丁诚和西安昇腾智能科技有限公司CEO祁海平共同启动发布仪式。 **********自主创新的AI软硬件平台加速大模型落地********** “秦岭·翱翔”大模型是西工大流体力学智能化国际联合研究所携手华为AI4Sci Lab在国产开源流体计算软件风雷的基础上，依托昇腾AI澎湃算力及昇思MindSpore AI框架共同研发的面向飞行器流体仿真的智能化模型。大模型通过打造智能通用的流体力学软件平台与流体工业全场景应用底座，旨在实现全场景流场准确预测。同时结合业界领先的数据同化、AI湍流模型、流场快速预测等技术，支撑流体力学大模型的基础构架；凭借在分离流、跨声速、高雷诺数高精度建模等场景的卓越表现，体现大模型的领先性能。 具体地，大模型采用自研多级分布式并行自适应框架，多层级融合流体力学经典理论和人工智能方法，构造数学物理关联特征、开展多范式一体化建模、搭建不变性可实现性多模态统一框架。同时，在模型算法设计、混合精度加速，以及数值求解耦合并行优化等方面进行了创新与验证，实现了高置信度流场重构、全速域湍流场求解和复杂流场近实时预测。 **********“秦岭·翱翔”流体力学大模型模块一：AI湍流大模型********** AI湍流大模型是面向工程高雷诺数的人工智能湍流模型。该模块能够以数据驱动和物理嵌入的形式，完全代替传统偏微分模型。基于领先的建模框架和对流体特征的深刻认识，AI湍流大模型能够实现对多尺度复杂湍流场的更高精度求解。在二维S809翼型大迎角分离流动案例中，与实验值相比，AI湍流模型平均相对误差 < 5%；模拟精度较传统SA湍流模型提高3倍以上。对于千万量级网格的典型三维翼身组合体跨声速绕流模拟案例中，气动力平均误差<1%，湍流模型求解效率提高4倍以上。 **************“秦岭·翱翔”流体力学大模型模块二：流场预测大模型************** 流场预测大模型是端到端复杂流场快速预测模型。该模块基于对深度学习方法和流体力学理论的深度融合，在变换域视角下开展流场建模，实现了对二维翼型以及百万量级网格机翼复杂流场的高效高精度预测。流场预测大模型包括：端到端建模、近实时推理、壁湍流表征、全流场预测。在典型案例中，流场预测大模型将单个机翼样本的耗时从小时级缩短到秒级，实现5个数量级加速，分布载荷和集中力相对误差小于1%。 在产业应用前景上，“秦岭·翱翔”可以耦合HPC为数值求解软件提供底层能力，推动工业软件自立自强和跨越式发展；也可以直接替代流场求解器，在企业内部直接针对具体场景需求使用。未来，“秦岭·翱翔”大模型将朝着更智能、更便捷、更全面和更先进的方向发展。 --- https://www.mindspore.cn/news/zh/2867/ --- 新闻 【昇思MindSpore技术公开课】第三讲：ChatGLM2课程预告 # 【昇思MindSpore技术公开课】第三讲：ChatGLM2课程预告 2023/11/08 # 【昇思MindSpore技术公开课】第三讲：ChatGLM2课程预告 昇思MindSpore技术公开课大模型专题第二季课程火爆来袭！未报名的小伙伴抓紧时间扫描下方二维码参与课程，并同步加入课程群，有免费丰富的课程资源在等着你。**课程同步赋能华为ICT大赛2023-2024**，欢迎大家报名参与！ 本周六（2023年11月11日）昇思MindSpore技术公开课大模型专题课程即将再次与大家见面！本次课程承接第一讲ChatGLM，带领大家在ChatGLM系列模型中进一步深入，讲解ChatGLM2的相关技术、推理部署代码演示，以及介绍最近刚开源的ChatGLM3的相关特性。 **注意：考虑到大家周末安排，课程时间调整为下午16：00-17：30，小伙伴们不要记错时间哦。** --- https://www.mindspore.cn/news/zh/2868/ --- 新闻 【直播预告】11月10日MindSpore SPONGE SIG分享会 # 【直播预告】11月10日MindSpore SPONGE SIG分享会 2023/11/09 # 【直播预告】11月10日MindSpore SPONGE SIG分享会 11月10日，MindSpore SPONGE SIG技术分享会下午15:00开讲！本期邀请到北京大学博士研究生黄渝鹏为大家讲解《分子动力学中的增强抽样方法》讨论常见分子动力学模拟的采样问题，并介绍相关的一些增强抽样方法。欢迎各位小伙伴一同探讨学习。技术分享会通过腾讯会议和昇思【MindSpore官方】B站直播间直播，敬请期待！ 往期回顾 【直播预告】10月20日MindSpore SPONGE SIG分享会 【直播预告】9月8日MindSpore SPONGE SIG分享会——深度强化学习在生物医药上的应用 【直播预告】8月18日MindSpore SPONGE SIG分享会——基于生成式学习的功能分子设计 【直播预告】MindSpore SPONGE SIG技术分享例会预告 --- https://www.mindspore.cn/news/zh/2875/ --- 新闻 学会通知丨2024“中国人工智能学会-昇思MindSpore学术基金”项目征集通知 # 学会通知丨2024“中国人工智能学会-昇思MindSpore学术基金”项目征集通知 2023/11/10 # 学会通知丨2024“中国人工智能学会-昇思MindSpore学术基金”项目征集通知 《中国人工智能学会-昇思MindSpore学术奖励基金》是由中国人工智能学会、鹏城实验室和华为技术有限公司共同发起，致力于面向海内外高校及科研院所的AI学者搭建学术交流的平台，提供经费、算力、技术支持等服务，推动人工智能方法在科学领域的创新应用：由鹏城实验室通过中国算力网的充沛算力与“鹏城·脑海”国产开源大模型相关资源支持申请者基于国产人工智能生态体系开展科研探索，OpenI启智开源社区将做为本次项目的线上开发环境，给科研工作者们提供开源开放的全流程开发体验，提前布局下一代基础模型的研究，并在大模型和科学智能两大新赛道原生生态方向，打造昇腾、昇思原生技术优势，推动业界在前沿技术探索与实践方面的深度合作，并支持发表基于昇腾和昇思MindSpore框架的国际国内高水平会议和期刊的学术论文、孵化出原创型理论和重大算法创新成果，持续构建原生、开放的科研与人才生态。 本次项目申报主题主要围绕昇思MindSpore进行，希望科研工作者在国产人工智能生态体系下进行大模型创新技术探索，具体课题及交付成果请见项目书： 昇思MindSpore作为开源的AI框架，为产学研和开发人员带来端边云全场景协同、极简开发、极致性能、安全可信的体验，支持超大模型AI预训练，自2020年3月28日开源来已超过6百万的下载量，昇思MindSpore已支持数百篇AI顶会论文，走入Top100+高校教学，通过HMS在5000+App上商用，拥有数量众多的开发者，在AI计算中心、智能制造、云、无线、数通、能源、消费者1+8+N、智能汽车等端边云车全场景逐步广泛应用。 入选项目：支持额度20万，计划支持项目数量15个，其中，基于入选项目的实际需求情况，由OpenI启智社区做为本次项目的开发环境，给科研工作者们提供开源开放的全流程开发环境及研究算力的支持。关于支持额度的最终解释权归中国人工智能学会所有。 如申请者选择“鹏城·脑海”大模型进行探索，经过项目组遴选后，鹏城实验室将为申请者提供额外的技术、算力、数据等方面的保障，全面支持申请者基于国产软硬件计算平台与人工智能大模型技术体系，进行前沿探索。具体内容请按《申请指南》提交申报材料（详见附件）。 **项目各时间节点信息** 申报开始时间：2023年11月9日 申报截止时间：2023年11月26日 **项目申报方式** 专属申报邮箱：xsjljj@caai.cn 学会联系电话：010-82686683 CAAI学会联系人：邹老师 13121123883 关注MindSpore公众号，点击”**阅读原文**“，下载附件 附件1. 【中国人工智能学会-昇思MindSpore学术基金】项目申请指南.docx 附件2. 【中国人工智能学会-昇思MindSpore学术基金】项目申请书.docx **中国人工智能学会** **2023年11月9日** --- https://www.mindspore.cn/news/zh/2877/ --- 新闻 【直播】量子计算组会一起开 | 基于MindSpore Quantum实现QAOA应用于大数因子分解 # 【直播】量子计算组会一起开 | 基于MindSpore Quantum实现QAOA应用于大数因子分解 2023/11/14 # 【直播】量子计算组会一起开 | 基于MindSpore Quantum实现QAOA应用于大数因子分解 ****量子计算组会一起开**** **MindSpore Quantum专题分享** **第三十三期** **2023.11.16（周四） 19:00-20:00** **本期邀请同济大学 硕\*\*\*\*士研究生 耿力** \*\*分享：\*\***基于MindSpore Quantum实现QAOA应用于大数因子分解** **· 往期直播回顾 ·** 【第三十二期】量子计算组会一起开 | 西湖大学 研究员 严正和博士研究生 丁一茗： 吕楚凡：新型量子算法：克服组合优化问题中的拓扑阻碍 回放链接：https://www.koushare.com/lives/room/780621 【第三十一期】量子计算组会一起开 | 电子科技大学 博士研究生 吕楚凡：基于MindSpore Quantum实现VQE求解激发态通用模块 回放链接：https://www.koushare.com/lives/room/196689 【第三十期】量子计算组会一起开 | 浙江大学 博士研究生 谭思危：基于量子经典混合的端到端SAT问题加速器 回放链接：https://www.koushare.com/lives/room/582578 【第二十九期】量子计算组会一起开 | MindSpore Quantum布道师、中山大学&启科量子 周旭博士：基于MindSpore Quantum实现分布式精确Grover算法 回放链接：https://www.koushare.com/lives/room/937636 【第二十八期】量子计算组会一起开 | 电子科技大学 博士研究生 吕楚凡：在变分量子算法中的利用对称性 回放链接：https://www.koushare.com/lives/room/328026 --- https://www.mindspore.cn/news/zh/2878/ --- 新闻 社区月报 | 基于昇思MindSpore的昆仑万维Skywork-13B正式开源，“空天•灵眸 时空预测”基础模型正式上线 # 社区月报 | 基于昇思MindSpore的昆仑万维Skywork-13B正式开源，“空天•灵眸 时空预测”基础模型正式上线 2023/11/14 # 社区月报 | 基于昇思MindSpore的昆仑万维Skywork-13B正式开源，“空天•灵眸 时空预测”基础模型正式上线 **_昇思MindSpore10月运作报告_** **一、社区规模** 截至10月底，昇思MindSpore面向全球开发者，凝聚产业力量，持续打造人工智能创新之源。社区秉持开放透明原则，稳步建设开源生态，规模和活跃度得到持续提升。 - 昇思MindSpore下载量为**610\*\*\*\*W+**，十月增加了**28W+**； - 社区发展了\*\*2.3W+\*\*核心贡献者。 - 社区累计产生ISSUE共**35K**、PR共**82.3\*\*\*\*K**。 近日，中国科学院空天信息创新研究院（空天院）牵头研制出**遥感领域通用预测基础模型**“**空天•灵眸 时空预测**”\*\*（RingMo-Sense）。\*\*该模型通过共享学习遥感异构多时相数据，支持多空间、多时间尺度的预测任务。基于昇思MindSpore AI框架与昇腾AI澎湃算力进行RingMo-Sense基础模型设计训练，实现自主创新。 “空天•灵眸”时空预测基础模型的核心成果已在遥感领域权威期刊IEEE Transactions on Geoscience and Remote Sensing公开发表。同时，该模型已在住建交通、国土资源等行业开展试用，支持对重点目标、地物要素的时空规律分析，实现精准认知预测。 \*\*3、\*\***2023世界成都科幻大会圆满举办，「悟空.画画微调&应用大赛-科幻与创想」获奖名单揭晓** 10月25日，**2023世界成都科幻大会主题沙龙“当科技与科幻相遇”在成都科幻馆土星厅举行**，并为“悟空.画画-科幻与创想”主题AI创作大赛获奖选手颁奖。活动现场，各位专家学者就未来科技、科幻和想象力等话题进行讨论，吸引了线上线下科幻迷和科技受众参与。 **三、社区活动** \*\*1、\*\***薪动实习，抢占先机，昇思MindSpore开源实习新任务上线！** 昇思MindSpore开源社区联合多个开源社区为高校学生推出线上实习的机会——**开源实习**，让学生不用出校门就可以拥有在业界顶尖的AI开源项目实习的机会。自昇思MindSpore开源社区上线开源实习以来，获得了众多高校开发者的积极反馈，开源之路征程如海，步履不停，推动浪潮前行；点亮星火，等待理想发光！开源实习新任务已发布，速来领取吧！ **2、昇思MindSpore亮相2023 CCF中国开源大会，探讨互联背景下的开源大模型发展方向** 10月21日-22日，以“开源联合，聚力共赢”为主题的**2023 CCF中国开源大会（CCF ChinaOSC）在长沙北辰国际会议中心成功召开**，在“算力网与大模型分论坛”中，华为计算开源生态总监黄之鹏分享《基于昇腾与昇思MindSpore的全新LLM开源生态》的报告。详细介绍了如何通过昇腾AI基础软硬件平台和昇思MindSpore开源深度学习框架的创新能力，构建一个极具创新能力的LLM开源生态，以推动整个产业的发展。 **3**\*\*、\*\***1024程序员节！昇思MindSpore与开发者共筑技术新高地** 10月23-24日，以“研发新高地，数智创未来”为主题的**第四届“长沙·中国 1024 程序员节”盛大举行**。在AI模型技术及应用论坛中，华为计算开源生态总监黄之鹏，基于昇腾与昇思MindSpore的全新LLM开源生态，分享在模型技术的前沿道路上积累的经验与心得。 \*\*4、\*\***昇思MindSpore亮相2023第八届中国开源年会，共赢数智时代** 10月28～29日，由开源社主办的**第八届中国开源年会（COSCon'23）在四川成都高新区菁蓉汇圆满举行**。本次大会以“开源：川流不息、山海相映”为主题，汇聚众多开源大神，将时下热点技术领域一网打尽。 在人工智能分论坛，昇思MindSpore工程师钟源珂分享了昇思MindSpore开源创新实践及昇思大模型平台架构设计，昇思MindSpore将持续秉承“开发者第一，技术优先”开源理念，与开发者、伙伴共建AI框架开源新生态，打造人工智能的创新之源。 **四、技术进步** \*\*1、\*\***昇思MindSpore2.2版本正式发布** 2023年10月20日，经过几个月的开发，**正式发布昇思MindSpore2.2版本**，在此版本中有以下特点。 - 持续提升大模型相关能力，包含提供Lazy inline模式提高大模型编译效率、大模型开发套件MindSpore Transformers支持20+热门预训练大模型和52+典型规格开箱即用。 - 在生成式领域，发布套件MindSpore One集成易用接口和前沿算法模型。 - 在科学智能领域，发布AI4Science高频模型套件MindSpore SciAI和地球科学套件MindSpore Earth，提供高效易用的AI4Science通用计算平台以及更多应用场景。 **2、\*\*\*\*“璞云天空地一体化能源大数据平台”正式上线** 在青岛昇腾人工智能生态创新中心的支持下，米塔碳公司的\*\*“璞云天空地一体化能源大数据平台”正式上线\*\*。该平台核心技术为高精度的璞云气象功率预报大模型，依托Atlas 系列硬件和昇思MindSpore AI框架进行开发，能够对15分钟级的气象及功率进行高精度预报，同时将计算速度从小时级提升至分钟级，效率显著提高。 **3、昇思MindSpore联合高毅勤团队在JCTC发表的综述文章荣获编辑良择：人工智能增强的分子模拟** 北京大学、深圳湾实验室、昌平实验室高毅勤教授团队联合华为昇思 MindSpore 团队在 Journal of Chemical Theory and Computation 上发表的**关于人工智能增强分子模拟的综述文章被选为Editor's Choice**。文章提出了一种“类AI”的分子动力学模拟程序架构，可以如执行 AI 训练那样运行分子动力学（molecular dynamics, MD）模拟程序。 **五、开发者活动** **1、昇思MindSpore技术公开课大模型专题第二期课程正式开启** 10月14日，\*\*昇思MindSpore技术公开课大模型专题第二期课程正式开启！\*\*大模型领域，内容及讲师阵容全方位升级，课程在B站【MindSpore官方】直播。 **2、MSG·昇思学习小组组会——聚焦大模型：背景、进展及其学习路径** 10月19日，**MSG·昇思学习小组--中山大学组会**在中山大学（深圳校区）圆满召开！昇思MindSpore生态技术专家杨滔老师，围绕全场景AI框架昇思MindSpore，为大家分享大模型发展历程，让同学们了解开源，和高校开发者就人工智能展开学习、交流和创新活动。 **3、昇思\*\*\*\*MindSpore Quantum量子软件编程速成班成功举办** 量子计算被认为是未来具有颠覆性影响的新型计算模式之一。只有科研机构、高等院校、科技企业等携手，研究人员和科学爱好者并肩，逐步带动全社会广泛参与，才能探索量子计算的各类现实应用场景。 10月21-22日，昇思MindSpore开源社区HiQ生态小组举办**免费在线量子软件编程速成班**，并在昇思MindSpore官方B站同步直播。积极探索面向高科技的产学研合作协同育人的机制，帮助量子计算爱好者及从业者掌握量子计算知识、学会量子编程、了解相关企业进展。 回放链接： https://www.bilibili.com/video/BV1hz4y1N7Gp/?spm\\\_id\\\_from=333.337 **六、社区竞赛** **1、“悟空·画画-科幻与创想”AI创作大赛** 10月，**“悟空·画画-科幻与创想”大赛圆满收官！**大赛以“科幻与创想”为主题，吸引了来自全球的**301位**参赛者报名，**263支**来自不同企业、科研院所、高校的团队参与其中，经过一个半月的激烈角逐，最终**12支**队伍凭借惊艳的科幻AI作品获奖。在2023世界成都科幻大会期间进行颁奖。 \*\*2、\*\***昇腾AI创新大赛2023全国总决赛成功举办，昇思赛道获奖名单公布** 10月26日，**京西智谷·昇腾AI创新大赛2023全国总决赛**在北京国家会议中心举行。本届大赛自5月启动以来，围绕应用赛道、昇思赛道及开发者套件创新赛道三大赛道，全国22个赛区共吸引超6300名开发者、3100多支优秀队伍报名参加，产生1800多个创意参赛作品。通过5个多月层层角逐，共78支队伍晋级全国总决赛。 昇思赛道的数据打榜赛题评选出5名金奖，算法创新赛题评比出9名金奖。 截至2023年10月底，昇思MindSpore下载量已超过**610W**，未来，昇思MindSpore AI框架将持续致力于打造人工智能创新之源，凝聚产业力量，扎根AI根技术，使能大模型与科学智能，成为AI创新的首选框架。 往期回顾 社区月报 | HC2023圆满举办并发布“鹏城·脑海”大模型，昇思MindSpore重磅加入启智社区 社区月报 | Baichuan2大模型与SAIL奖“东方.翼风”重磅发布，MindSpore SPONGE暑期学校第三季圆满收官 社区月报 | 人工智能框架生态峰会2023成功举办，社区治理架构全面升级，昇思2.0重磅发布 社区月报 | 昇思社区5月迎来秦岭•翱翔重磅发布，三院士齐聚智能流体力学产业联合体大会，首次亮相OSS北美峰会展现全球视野 --- https://www.mindspore.cn/news/zh/2879/ --- 新闻 用昇思做算法，瓜分10万奖金！2023年电力行业AI创新大赛火热报名中，速来 # 用昇思做算法，瓜分10万奖金！2023年电力行业AI创新大赛火热报名中，速来 2023/11/20 # 用昇思做算法，瓜分10万奖金！2023年电力行业AI创新大赛火热报名中，速来 由电力行业人工智能联盟、中国南方电网主办，华为技术有限公司赞助的『2023年电力行业AI创新大赛』于日前正式启动，旨在探索人工智能技术与电力行业的创新应用，主办方提供训练数据集，参赛者基于**昇思MindSpore与相关硬件**在规定的时间内完成算法开发，实现相关功能即可，**前六名优胜队伍将获得10万奖金和价值10万算力代金券**，更能直通中央企业AI新基建创新应用大赛决赛（全国赛），快来报名吧！ 01 **赛题简介** 赛事方提供训练数据集，参赛者在规定的时间内完成算法开发，实现输配电导线断股、散股缺陷自动识别。 02 **赛程安排** - 赛事报名（即日起-2023年11月27日18:00） - 算法比赛（2023年12月4日9:00-2023年12月12日18:00） - 答辩及颁奖（2023年12月下旬） 03 **参赛对象** 大赛面向社会开放，企业、高等院校、科研单位等人员均可报名参赛。 04 **奖项设置** 本次大赛对综合成绩排名前六名的参赛队伍颁发奖励，具体奖励如下： - 一等奖（排名第一名）：3万元人民币奖金，3万元算力代金券，颁发获奖证书。 - 二等奖（排名第二、三名）：2万元人民币奖金，2万元算力代金券，颁发获奖证书。 - 三等奖（排名第四、五、六名）：1万元人民币奖金，1万元算力代金券，颁发获奖证书。 （以上奖金均为税前） 对综合成绩排名前六名的参赛队伍推荐参加中央企业AI新基建创新应用大赛决赛（全国赛）。 05 **参赛报名** 欢迎登录中国南方电网查看大赛信息及报名参赛： https://ai.csg.cn 或关注MindSpore公众号，戳底部“阅读原文”可直接报名。 --- https://www.mindspore.cn/news/zh/2880/ --- 新闻 【昇思MindSpore技术公开课】请查收第三讲ChatGLM2知识点回顾 # 【昇思MindSpore技术公开课】请查收第三讲ChatGLM2知识点回顾 2023/11/15 # 【昇思MindSpore技术公开课】请查收第三讲ChatGLM2知识点回顾 昇思MindSpore公开课大模型专题第二季课程火爆来袭！未报名的小伙伴抓紧时间扫描下方二维码参与课程，并同步加入课程群，有免费丰富的课程资源在等着你。**课程同步赋能华为ICT大赛2023-2024，欢迎大家报名参与！** 上周六的第三节课程中，我们讲解了从ChatGLM到ChatGLM2的技术改进点，同时带领大家在OpenI启智社区云脑算力上，使用Ascend+ModelArts+MindSpore部署ChatGLM2聊天机器人，并且介绍了最近开源的ChatGLM3的相关特性。下面我们对本节课程知识点进行简单总结，迎接下一节课程的继续深入。 **一、** **课程回顾** **1、ChatGLM2技术改进点解析** ChatGLM2在ChatGLM基础上，除了使用更大的训练数据达到更好的模型效果，以及使用了更开源的协议外，最重要两点便是引入了**Multi-Query Atttention**和**FlashAttention**算法。 ### **1.1 Multi-Query Attention（MQA）** \*\*Motivation：\*\*为了解决Transformer结构的模型decoder进行incremental inference推理性能较慢的问题。 \*\*Method：\*\*在Multi-Head Attention（MHA）上做出了微小调整，所有头共享一对key和value，从而减少keys和values的缓存。 \*\*Result：\*\*有效提升了decoder推理速度，但在模型效果上稍差于MHA。 \*\*Development：\*\*后续演变出了Grouped-Query Attention，多个query一组，共享一对key和value，这种方式下模型推理速度高于MHA，但模型效果优于MQA。 **1.2 FlashAttention** **Motivation：**更侧重**硬件层面**的优化，为了解决Transformer结构的模型时间和空间复杂度会随输入序列长度增长而进行二次增长的问题。 \*\*Previous work：\*\*自注意力计算矩阵稀疏化（sparse transformer）、降维（low-rank transformer）等，但计算出的attention并不是精确值。 \*\*Method：\*\*减少访问GPU显存的时间，原本为访问HBM，调整为访问SRAM。 \*\*Result：\*\*训练速度同比提升了到了3倍以上。 \*\*2、\*\***使用NPU+MindSpore Transformers试用ChatGLM2推理部署** 环境配置：MindSpore 2.0.0， MindSpore Transformers dev（具体操作与ChatGLM的推理相似，此处不做赘述，详见第一讲ChatGLM课程回顾） \*\*3、\*\***ChatGLM3特性介绍** ChatGLM3相比ChatGLM2，使用了**全新的prompt设计**，并且可以原生支持\*\*工具调用（Function Call）、代码执行（Code Interpreter）\*\*和 Agent 任务等复杂场景。 **3.1 全新的prompt设计** \*\*Previous work：\*\*自然语言prompt格式，但不好进行多轮训练，并且无法进行原生工具调用。 \*\*Method：\*\*引入了4种special tokens。 \*\*<|system|>：\*\*系统信息，模型设定扮演的角色。 \*\*<|user|>：\*\*用户输入，可以用于定位模型生成结束。 \*\*<|assistant|>：\*\*AI 助手，模型输出，在出现之前必须有一个来自 <|user|> 的信息。 \*\*<|observation|>：\*\*外部（例如调用工具）的返回结果，<|assistant|> 信息之后，同样可以用于定位模型生成结束。 **3.2 工具调用模式与代码解释器模式** \*\*工具模式：**模型可进行工具调用，通过**<|system|>\*\*中指定模型可调用的工具，可自行添加注册新的工具。 \*\*代码解释器模式：\*\*提供代码运行环境，可进行图案绘画、数学计算等复杂运算。 **二、** **课后练习** ## **1、 ChatGLM2推理部署代码试运行** 运行ChatGLM2推理部署代码，尝试和模型进行对话（如果出现回复不理想的情况，也欢迎在代码仓issue中进行反馈） ## **2、 ChatGLM3试用** 尝试ChatGLM3的各种模式对话 **三、** **下节课预告** 昇思MindSpore技术公开课第二期的第四讲将在**11月25日（周六）14：00-15：30**与大家见面。为大家带来文本生成解码原理（包括采样、Beam search等）的讲解与代码演示，敬请期待！ --- https://www.mindspore.cn/news/zh/2884/ --- 新闻 让你的图像更清晰！华为诺亚方舟实验室基于昇思MindSpore，发布底层视觉套件MindSpore Editing 1.0 # 让你的图像更清晰！华为诺亚方舟实验室基于昇思MindSpore，发布底层视觉套件MindSpore Editing 1.0 2023/11/21 # 让你的图像更清晰！华为诺亚方舟实验室基于昇思MindSpore，发布底层视觉套件MindSpore Editing 1.0 底层视觉是计算机视觉领域的一类场景，其算法能够在像素级别进行视觉信号处理，完成图像和视频的修复复原、质量提升、风格变换任务。底层视觉算法种类繁多，不同算法的技术原理、模型结构有较大差别，这增加了开发者的算法学习、开发和应用成本。华为诺亚方舟实验室基于昇思MindSpore AI框架打造了MindSpore Editing底层视觉套件，针对主流底层视觉任务SOTA算法及模型进行实现和统一设计，提供易用的训练、推理接口，并基于MindSpore+Ascend进行极致性能优化。作为一款高性能底层视觉开发和应用套件，MindSpore Editing已在昇思开源社区正式发布1.0版本，面向广大开发者开放使用。 MindSpore Editing底层视觉套件坚持极简易用的理念，采用分层架构设计，封装API供开发者一键调用，支持超分、去噪、去模糊、修复、视频插帧、去雨等典型底层视觉任务，并端到端支持每类任务的数据处理、训练、微调、部署、推理、评测功能。 接口/代码地址： https://github.com/mindspore-lab/mindediting 图1 典型底层视觉任务 **********1、MindSpore Editing 架构********** MindSpore Editing套件设计上以易集成、可扩展为目标，采用了分层式的结构设计，分为API层、功能层、资源层，整体结构如图2所示。API层供用户直接使用，可方便的完成数据准备、模型训练和部署等开发功能。功能层是MindSpore Editing的主体功能，包括了视觉Backbone模型、loss函数、优化器、数据增强等一系列关键组件。资源层包含了套件引用的数据集、内置的预训练模型CKPT文件等，按需下载使用。 图2 MindSpore Editing架构 套件内部结构上采用了解耦式的设计，用户可直接使用现有代码和预训练模型开发应用，也可根据需要进行二次开发。以训练/验证部分的代码为例，其代码结构如图3所示。套件使用上，提供训练和推理统一的入口，以配置文件为驱动，用户可以自由的对模型、数据集、Benchmark等模块进行组合使用。 图3 MindSpore Editing代码结构（训练部分） **********2、MindSpore Editing 功能********** MindSpore Editing支持超分、去噪、去模糊、修复、视频插帧、去雨等典型底层视觉任务，支持每类任务的数据处理、训练、微调、部署、推理、评测功能。 以下是具体核心功能介绍： - \*\*数据处理：\*\*提供数据处理的统一入口，以pipeline的方式进行数据构建、数据增强、数据前后处理等操作。套件已集成缩放、旋转、遮掩、加噪、色彩转化等常见的图像/视频数据处理的算法，同时支持对多个开源数据集的使用，用户可以按照配置完成自定义数据集的集成与调用。套件默认支持的底层视觉任务相关经典数据集包括：视频超分数据集(Vimeo90K、REDS)、图像超分数据集(DIV2K、Flickr2K、91-image、Set5)、图像去噪数据集(CBSD68、mai21denoise)、视频去噪数据集(CRVD)、图像去模糊数据集(GOPRO\_Large、GoPro)、图像修复数据集(CELEBA)、视频帧插数据集(Vimeo-triplet)等。 - \*\*模型训练：\*\*以任务为导向，可基于集成的底层视觉SOTA模型进行微调训练或重训练。支持的模型包括：多任务模型(IPT、VRT、RVRT)、视频超分辨率(BasicVSR、BasicVSR++ light、TTVSR)、图像去噪(NOAHTCV)、视频去噪(EMVD)、图像超分辨率(RRDB、FSRCNN、SRDiff)、图像去模糊(MIMO-Unet、NAFNet)、视频插帧(IFR+)、基于3D的多帧去噪(MPFER)等。每个模型可通过训练入口完成结果复现。每个模型的详细介绍、性能效果等，可以参见代码仓中各个模型README文件。 - \*\*模型推理：\*\*套件提供了离线推理和在线推理两种模式。在线推理主要用于模型效果验证，使用生成的ckpt文件，使用模型评估功能为入口基于昇思框架运行模型推理。离线推理用于生产环境部署，通过套件中的export功能，将训练得到的ckpt文件转化为om文件，使用部署功能进行推理。套件针对每个任务预设了默认的yaml格式推理配置文件，用户可在配置文件中自定义推理参数。 - \*\*模型部署：\*\*在离线推理的基础上，套件支持自动化的模型部署功能。基于责任链模式设计了推理Pipeline，用户可以通过配置文件进行不同任务不同模型的组合使用，如图像去噪+超分+风格转化等流水线式推理方案。用户也可采用轻量级、高性能的推理服务功能MindSpore Lite，在生产环境中高效部署推理服务。 - \*\*模型评测：\*\*支持多种底层视觉任务评测指标，如客观指标PSNR、SSIM，主观视觉评测指标LPIPS 等。 **********3、MindSpore Editing 底层视觉模型及效果********** （1）超分辨率任务 超分辨率任务在数字成像、视频通信、深空卫星遥感、远程监控、目标识别分析和医学影像等领域都具有广泛应用。MindSpore Editing套件集成了多个当前先进的超分辨率模型，包括多任务IPT模型、视频超分模型（BasicVSR、BasicVSR++ light、TTVSR）、图像超分模型（RRDB、FSRCNN、SRDiff）。 图4 IPT模型结构 IPT \[1\]模型是华为诺亚方舟实验室、北京大学以及悉尼大学的研究者联合提出的一种底层视觉多任务预训练模型，基于Transformer骨干网络，相比于传统基于卷积神经网络的方案，在超分辨率、去噪、去雨等多项任务上有更优的效果，尤其在图像去噪任务上获得CVPR2023 NTIRE图像去噪赛道冠军。IPT模型可以直接用于去噪、去雨、超分等图片处理任务，经过进一步的微调训练可以支持更多任务。IPT模型结构如图4所示。IPT模型在Urban100数据集的双三次下采样(×4)的超分辨率结果如图5所示，相比其它模型恢复了更多的细节。 图5 IPT模型超分辨率效果对比 （2）图像去模糊任务 图像去模糊技术能够提高图像的清晰度和对比度，广泛应用在医疗影像处理、卫星图像提质、个人拍照还原等场景。MindSpore Editing套件集成了MIMO-Unet、NAFNet等典型图像去模糊模型。NAFNet \[2\]在GoPro数据集上，相较于其它模型恢复更佳，如图6所示。 图6 NAFNet模型去模糊效果对比 （3） 图像去噪任务 图像去噪是底层视觉任务中的一个经典问题，其目标是从受噪声干扰的退化图像中尽可能恢复原始的真实图像，是图像进行后续处理的关键一步。MindSpore Editing套件集成了图像去噪方向的经典模型，并支持移动端去噪模型NOAHTCV。 NOAHTCV模型是诺亚方舟实验室的研究成果，应用神经结构搜索寻找到适合移动设备的图像去噪最佳模型，在Mobile AI 2021 challenge挑战赛\[3\]中获胜。该模型的架构如图7所示，其在数据集CBSD68 上噪声级别 σ = 50的去噪效果如图8所示。 图7 NOAHTCV模型结构 图8 NOAHTCV模型图像去噪效果 （4）图像修复任务 图像修复在现实生活中具有广泛的应用价值，例如在摄影和电影行业，深度学习模型能够担当电影修复师的角色，恢复电影画面的原貌，挽救受损的胶片。MindSpore Editing套件集成了 CTSDG\[4\]等经典图像修复模型。 CTSDG 遵循生成对抗网络(GAN)架构，分为生成器和判别器两个部分，CTSDG 模型结构如图9所示。 图9 CTSDG模型结构 CTSDG模型在数据集CELEBA上的修复效果如图10所示。 图10 CTSDG模型图像修复效果 （5）视频插帧任务 视频插帧技术能够提升视频流畅度、补全视频完整性，应用在显示画质提升、视频修复、虚拟现实视频处理以及电影制作等场景，在显示设备刷新率越来越高的趋势下日趋重要。 MindSpore Editing套件集成了IFRNet\[5\]视频插帧模型，模型结构如图11所示。 图11 IFRNet模型结构 IFRNet\[5\]在SNU-FILM (Hard)数据集上与不同VFI方法的定性比较中，可以合成边界清晰的快速运动目标，同时保持上下文细节的鲜明性，如图12所示。 图12 不同VFI方法在SNU-FILM(Hard)数据集上的定性比较 **************4、开源信息************** MindSpore Editing 底层视觉套件以任务为导向，采用端到端的模式集成了业界SOTA模型，极致优化的预训练模型可以方便用户在昇腾AI基础软硬件平台上进行训练推理的快速验证及部署应用，分层式解耦设计使得开发者可以根据任务和场景需求进行二次开发。综上，MindSpore Editing套件能够为底层视觉研究、开发和使用人员带来极大便利，未来也将持续演进，增强社区合作，不断优化。 欢迎访问MindSpore-Lab社区获得相关信息。MindSpore Editing目前已经开源。 Github地址： https://github.com/mindspore-lab/mindediting 诚邀各人工智能开发者测试使用，并在开源社区反馈、讨论需求、提出建议及使用上的问题。 ## **参考文献** \[1\] Hanting Chen, Yunhe Wang, Tianyu Guo, Chang Xu, Yiping Deng, Zhenhua Liu, Siwei Ma, Chunjing Xu, Chao Xu, and Wen Gao. Pre-Trained Image Processing Transformer. arXiv:2012.00364v4 \[cs.CV\], 2021. \[2\] Liangyu Chen, Xiaojie Chu, Xiangyu Zhang, and Jian Sun. Simple Baselines for Image Restoration. arXiv:2204.04676v4 \[cs.CV\] , 2022. \[3\] Andrey Ignatov, Kim Byeoung-su, Radu Timofte, Angeline Pouget, Fenglong Song, Cheng Li, Shuai Xiao, Zhongqian Fu, Matteo Maggioni, Yibin Huang, Shen Cheng, Xin Lu, Yifeng Zhou, Liangyu Chen, Donghao Liu, Xiangyu Zhang, Haoqiang Fan, Jian Sun, Shuaicheng Liu, Minsu Kwon, Myungje Lee, Jaeyoon Yoo, Changbeom Kang, Shinjo Wang, Bin Huang, Tianbao Zhou, Shuai Liu, Lei Lei, Chaoyu Feng, Liguang Huang, Zhikun Lei, and Feifei Chen. Fast Camera Image Denoising on Mobile GPUs with Deep Learning, Mobile AI 2021 Challenge: Report. arXiv:2105.08629v1 \[eess.IV\], 2021. \[4\] Xiefan Guo1, Hongyu Yang, and Di Huang. Image Inpainting via Conditional Texture and Structure Dual Generation. arXiv:2108.09760v1 \[cs.CV\], 2021. \[5\] Lingtong Kong, Boyuan Jiang, Donghao Luo, Wenqing Chu, Xiaoming Huang, Ying Tai, Chengjie Wang, and Jie Yang. IFRNet: Intermediate Feature Refine Network for Efficient Frame Interpolation. arXiv:2205.14620v1 \[cs.CV\], 2022. \[6\] Jingyun Liang, Jiezhang Cao, Yuchen Fan, Kai Zhang, Rakesh Ranjan, Yawei Li, Radu Timofte, and Luc Van Gool. VRT: A Video Restoration Transformer. arXiv:2201.12288v2 \[cs.CV\], 2022. \[7\] Kelvin C.K. Chan, Shangchen Zhou, Xiangyu Xu, and Chen Change Loy. BasicVSR++: Improving Video Super-Resolution with Enhanced Propagation and Alignment. arXiv:2104.13371v1 \[cs.CV\], 2021. \[8\] Haoying Li, Yifan Yang, Meng Chang, Huajun Feng, Zhihai Xu, Qi Li, and Yueting Chen. SRDiff: Single Image Super-Resolution with Diffusion Probabilistic Models. arXiv:2104.14951v2 \[cs.CV\], 2021. \[9\] Sung-Jin Cho, Seo-Won Ji, Jun-Pyo Hong, Seung-Won Jung, and Sung-Jea Ko. Rethinking Coarse-to-Fine Approach in Single Image Deblurring. arXiv:2108.05054v2 \[cs.CV\], 2021. \[10\] Matteo Maggioni, Yibin Huang, Cheng Li, Shuai Xiao, Zhongqian Fu, and Fenglong Song. Efficient Multi-Stage Video Denoising with Recurrent Spatio-Temporal Fusion. 2021. \[11\] Nah, Seungjun and Kim, Tae Hyun and Lee, Kyoung Mu. Deep Multi-Scale Convolutional Neural Network for Dynamic Scene Deblurring. 2017. \[12\] D. Martin and C. Fowlkes and D. Tal and J. Malik. A Database of Human Segmented Natural Images and its Application to Evaluating Segmentation Algorithms and Measuring Ecological Statistics. 2001. \[13\] Son, Sanghyun and Lee, Suyoung and Nah, Seungjun and Timofte, Radu and Lee, Kyoung Mu. NTIRE 2021 Challenge on Video Super-Resolution. 2021. \[14\] Nah, Seungjun and Timofte, Radu and Gu, Shuhang and Baik, Sungyong and Hong, Seokil and Moon, Gyeongsik and Son, Sanghyun and Lee, Kyoung Mu. NTIRE 2019 Challenge on Video Super-Resolution: Methods and Results.2019. \[15\] Ziwei Liu, Ping Luo, Xiaogang Wang, Xiaoou Tang. Deep Learning Face Attributes in the Wild. 2015. --- https://www.mindspore.cn/news/zh/2885/ --- 新闻 【直播】量子计算组会一起开 | 基于MindSpore Quantum实现量子线路的中间测量和比特复用 # 【直播】量子计算组会一起开 | 基于MindSpore Quantum实现量子线路的中间测量和比特复用 2023/11/22 # 【直播】量子计算组会一起开 | 基于MindSpore Quantum实现量子线路的中间测量和比特复用 ****量子计算组会一起开**** **MindSpore Quantum专题分享** **第三十四期** **2023.11.23（周四） 19:00-20:00** **本期邀请电子科技大学 博\*\*\*\*士研究生 李清钰** \*\*分享：\*\***基于MindSpore Quantum实现量子线路的中间测量和比特复用** **· 往期直播回顾 ·** 【第三十三期】量子计算组会一起开 | 同济大学 硕士研究生 耿力： 基于MindSpore Quantum实现QAOA应用于大数因子分解 回放链接：https://www.koushare.com/lives/room/178358 【第三十二期】量子计算组会一起开 | 西湖大学 研究员 严正和博士研究生 丁一茗： 新型量子算法：克服组合优化问题中的拓扑阻碍 回放链接：https://www.koushare.com/lives/room/780621 【第三十一期】量子计算组会一起开 | 电子科技大学 博士研究生 吕楚凡：基于MindSpore Quantum实现VQE求解激发态通用模块 回放链接：https://www.koushare.com/lives/room/196689 【第三十期】量子计算组会一起开 | 浙江大学 博士研究生 谭思危：基于量子经典混合的端到端SAT问题加速器 回放链接：https://www.koushare.com/lives/room/582578 【第二十九期】量子计算组会一起开 | MindSpore Quantum布道师、中山大学&启科量子 周旭博士：基于MindSpore Quantum实现分布式精确Grover算法 回放链接：https://www.koushare.com/lives/room/937636 --- https://www.mindspore.cn/news/zh/2886/ --- 新闻 鲲鹏物联加入昇思MindSpore开源社区，打造水泥包计数人工智能联合解决方案，助力制造业繁荣发展 # 鲲鹏物联加入昇思MindSpore开源社区，打造水泥包计数人工智能联合解决方案，助力制造业繁荣发展 2023/11/22 # 鲲鹏物联加入昇思MindSpore开源社区，打造水泥包计数人工智能联合解决方案，助力制造业繁荣发展 近日，广州鲲鹏物联科技有限公司签署CCLA（Corporate Contributor License Agreement 企业贡献者许可协议）**正式加入昇思MindSpore开源社区**。 大型水泥厂有大量的水泥包需要统计入库出库，传统解决方案是红外计数器+人工复核。 工厂安装的红外器计数，在遇到连包、叠包等异常情况无法区分识别，导致少数漏数，且不会智能预警，需人工耗时耗力重新计数，误差概率高。 **水泥包计数人工智能联合解决方案** 2022年12月，广州鲲鹏物联科技有限公司（以下简称“鲲鹏物联”）在广州人工智能公共算力中心的支持下，完成了全场景AI框架昇思MindSpore的兼容性认证报告，打造**水泥包计数人工智能联合解决方案**，与深度学习算法结合部署，利用昇腾硬件优化算法，完成对水泥厂图形进行识别，实时对水泥包进计数统计，减轻工作人员的脑力疲劳，日常监测遇到异常状态，边缘计算机自动预警，减少因疏忽而产生的巨大排查工作量，有效提升回溯和工作效率，真正实现解放人手。 水泥包计数检测算法使用昇腾系列硬件环境，通过ModelArts数据集管理对采集的图像进行标注、清洗、增广等操作生成用于训练的数据集，使用昇思MindSpore AI框架提供的开箱即用的YoloV5算法作为Baseline进行训练调优。 2023年初，鲲鹏物联打造工业AI视觉计包系统解决方案，着眼企业效率，达成经济效益监测。 2023年8月，鲲鹏物联受邀参加【昇思开发者创享日·MSG企业行暨广州人工智能公共算力中心企业对接会】，基于人工智能、大模型、产教融合等话题展开深入交流，共同探讨大湾区AI发展新机遇。并作为广州本土标杆创新成果案例荣获**优秀人工智能创新应用奖**。 2023年10月，鲲鹏物联签署CCLA（Corporate Contributor License Agreement 企业贡献者许可协议）正式加入昇思MindSpore开源社区。 我们诚邀各企业、高校及科研院所加入昇思MindSpore开源社区，成为社区合作伙伴，与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态。 更多合作需求请扫码添加企业助手进行咨询 往期回顾 国潮崛起正当时，昇思MindSpore携手禾福文化研发国潮AIGC生态系统 《狂飙》赢麻了 ，昇思向无数个“安欣”致敬！ 陪伴的AI：昇思联合悦雅科技为“城市留守儿童”护航 实力出“粽”，智能为农 --- https://www.mindspore.cn/news/zh/2887/ --- 新闻 【昇思MindSpore技术公开课】第四讲：文本生成解码原理课程预告 # 【昇思MindSpore技术公开课】第四讲：文本生成解码原理课程预告 2023/11/23 # 【昇思MindSpore技术公开课】第四讲：文本生成解码原理课程预告 昇思MindSpore技术公开课大模型专题第二期课程火爆来袭！未报名的小伙伴抓紧时间扫描下方二维码参与课程，并同步加入课程群，有免费丰富的课程资源在等着你。\*\*课程同步赋能第8届ICT大赛，\*\*欢迎大家报名参与！ 本周六（2023年11月25日）14：00-15：30 昇思MindSpore技术公开课大模型专题课程即将再次与大家见面！本次课程讲解大模型文本生成的多种解码策略（包含greedy search、beam search、top-k sampling、top-p sampling、temperature sampling等）以及各策略之间的对比，并演示解码策略的代码实践。欢迎大家参与学习！ --- https://www.mindspore.cn/news/zh/2888/ --- 新闻 【直播预告】11月25日易用性SIG技术分享会——数据处理开发调试和基于昇思MindSpore的模型复现 # 【直播预告】11月25日易用性SIG技术分享会——数据处理开发调试和基于昇思MindSpore的模型复现 2023/11/23 # 【直播预告】11月25日易用性SIG技术分享会——数据处理开发调试和基于昇思MindSpore的模型复现 11月25日上午10:00-12:00，第十期的易用性SIG技术分享会与大家见面！本期有4个议题进行分享，你可以了解到U-net在医学图像上的应用发展并学会如何将PyTorch模型进行迁移，昇思技术专家为你详解昇思MindSpore数据处理模块架构，资深开发者讲解昇思MindSpore开发体验与心得。资深开发者与昇思技术专家现场为你答疑解惑，助你学习昇思MindSpore成效显著，各位同学可以通过腾讯会议或昇思【MindSpore官方】B站直播间直播进行收看！ 往期回顾 【直播预告】10月28日易用性SIG技术分享会 【直播预告】8月26日易用性SIG分享会——基于昇思的MindSpore Dev Toolkit功能与网络迁移经验 【直播预告】7月29日易用性SIG分享会——昇思MindSpore动静统一和论文复现 【直播预告】5月27日易用性SIG分享会——基于昇思MindSpore的实践应用及调试工具包 --- https://www.mindspore.cn/news/zh/2889/ --- 新闻 【直播预告】11月27日MindSpore Flow&Earth SIG分享会 # 【直播预告】11月27日MindSpore Flow&Earth SIG分享会 2023/11/24 # 【直播预告】11月27日MindSpore Flow&Earth SIG分享会 11月27日，晚19:00-20:00昇思MindFlow&Earth SIG技术分享例会邀你参加！本期嘉宾西北工业大学博士研究生孙旭翔为大家讲解《数据驱动湍流模型在自主创新软硬件环境上的部署与验证》，基于数据驱动方法的湍流建模研究已成为目前流体力学领域前沿方向之一，本次分享聚焦将湍流建模全流程完整迁移至自主创新软硬件环境上，实现主方程与湍流模型之间的混合精度求解。本期技术分享会由腾讯会议与昇思【MindSpore官方】B站直播间直播敬请期待！ 往期回顾 【直播预告】10月30日MindSpore Flow&Earth SIG分享会 【直播预告】9月27日MindSpore Flow SIG分享会 【直播预告】8月11日MindSpore Flow SIG分享会——基于深度学习的非线性流固耦合系统降价建模方法 【直播预告】7月3日MindSpore Flow SIG技术分享会预告 --- https://www.mindspore.cn/news/zh/2891/ --- 新闻 “智算”时代，与昇思共话大模型产业生态 # “智算”时代，与昇思共话大模型产业生态 2023/11/27 # “智算”时代，与昇思共话大模型产业生态 11月24日，由上海市徐汇区科学技术委员会、中国电信股份有限公司上海分公司主办，上海昇腾人工智能生态创新中心协办的“算力网络与大模型”生态产业论坛举办。论坛以共同推进大模型生态繁荣，打造人工智能产业新高地为主旨。市经济信息化委信息基础设施管理处、徐汇区科委相关负责同志出席活动。 市经济信息化委信息基础设施管理处表示，上海积极推进人工智能产业发展，在徐汇西岸创建“模速空间”创新生态社区，旨在推动大模型赋能各行各业，共同营造开放活跃生态，加速行业交流与开源共创，全力建设具有国际影响力的大模型生态高地。人工智能大模型训练需要大规模智能算力，为此上海相继出台《推进算力资源统一调度指导意见》《推动人工智能大模型创新发展若干措施》，进一步加强全市算力资源统筹、调度和共享，保障本市重点人工智能大模型开发和应用的算力需求。徐汇区科委表示，徐汇区发布了《徐汇区关于支持人工智能大模型发展的若干意见（试行）》，重点围绕创新体系构建、产业集聚发展、产业生态营造三个层面，提出15条具体政策，系统强化算法、算力、数据、应用、治理等要素支撑。 在生态产业论坛上，中国电信上海公司、上海人工智能研究院、昇思MindSpore、百川智能和达观数据等企业、研究机构就算力网络发展、人工智能大模型应用等方面进行分享。中国电信正积极投身新一轮以人工智能为核心特征的科技革命，以行业大模型为抓手，将“5G+云计算+AI”作为面向行业客户的标配，为通用人工智能发展提供高品质的云、网、算力等服务。上海人工智能研究院围绕“高端专业智库、研发与产业转化平台、产融与生态创新平台”三个平台建设，致力于机制体制创新、先试先行，打造多元共建、开放合作、国际协同、国内领先的新型研发机构，助力建设上海市人工智能研发与产业转化功能型平台。昇思MindSpore作为新一代的AI融合框架，在大模型方面，已经累计支持包括紫东太初，鹏城盘古等20多个国产大模型训练；在科学智能方面，联合伙伴发布了东方翼风，鹏城神农等众多AI4S成功实践；在行业使能方面，打造OCR，CV等多个领域基础开发套件，降低开发门槛，加速AI场景化应用。百川智能的Baichuan2大模型基于昇腾AI基础软硬件平台已正式发布，并在昇思MindSpore开源社区大模型平台上线Baichuan2-7B模型开放体验。目前已有350+企业已申请百川大模型开源商用授权，并已将百川模型投入实际生产场景。达观数据的“曹植”大模型是国内首批可落地的产业应用级模型，并在9月初携手昇腾正式推出私有化曹植大模型一体机，实现了“曹植”大模型在各垂直领域中更低成本高效能地落地与应用，做到真正的开箱即用，自主可控。本次活动将算力网络技术应用与创新生态体系建设有机结合，为广大伙伴提供了一个交流的平台。 --- https://www.mindspore.cn/news/zh/2892/ --- 新闻 搞搞镇文化科技加入昇思MindSpore开源社区，打造基于Wukong-Huahua的视觉共振联合解决方案 # 搞搞镇文化科技加入昇思MindSpore开源社区，打造基于Wukong-Huahua的视觉共振联合解决方案 2023/11/27 # 搞搞镇文化科技加入昇思MindSpore开源社区，打造基于Wukong-Huahua的视觉共振联合解决方案 随着深度学习的进步,近年来GAN、VAE等生成模型技术取得突破,图像生成质量不断提高,逐渐向实际应用迈进。 同时,5G、移动互联网、云计算等技术的发展为其应用创造了有利条件。图像生成也成为人工智能的重要应用方向之一。 2023年8月，搞搞镇文化科技受邀参加【昇思开发者创享日·MSG企业行暨广州人工智能公共算力中心企业对接会】，基于人工智能、大模型、产教融合等话题展开深入交流，共同探讨大湾区AI发展新机遇。 2023年9月，搞搞镇文化科技通过视觉共振AI设计平台(自研)数据集管理对采集的图像进行标注、清洗、增广等操作生成用于训练的数据集，利用基于昇思MindSpore全场景AI框架孵化的Wukong-Huahua模型，打造**视觉共振联合解决方案**，在广州人工智能公共算力中心的支持下，构建基于Atlas服务器的高性能计算集群，配合搞搞镇文化科技自研的设计平台，提供稳定、高效的生成服务。**相比传统解决方案，新\*\*\*\*方案提升了计算性能80%，缩减生成延时60%，降低总体运营成本约30%**。 2023年10月，搞搞镇文化科技签署CCLA（Corporate Contributor License Agreement 企业贡献者许可协议），正式加入昇思MindSpore开源社区，共同实现多场景AI技术创新。 搞搞镇文化科技&昇思MindSpore认证合作 未来，搞搞镇文化科技将作为国内AIGC服务领域提供专业化解决方案的领先供应商，与昇思MindSpore展开更广泛的深入交流，丰富视觉共振AI设计平台的应用场景。昇思MindSpore也将提供分布式训练等功能，加速模型训练，满足搞搞镇文化科技大规模图像生成模型的训练需求。 **广州搞搞镇文化科技有限公司** 从事多年的AI人工智能绘画/设计专项研究，总部位于中国广东省广州市白云区设计之都，是白云城投重点孵化高新科技企业，广东省人工智能产业协会会员单位，广州市白云新的社会阶层人士联谊会设计师分会副会长单位。搞搞镇文化科技与广州美术学院，达成长期校企合作关系，推出“视觉共振AI设计平台”，同时也在艺术文创领域积极探索，取得专业级效果，获得业界的一致认同。 **视觉共振AI设计平台** “视觉共振AI设计平台”作为搞搞镇文化科技的系列产品，专注于为企业提供AI+设计解决方案。目前已经在潮玩IP、电商设计、品牌设计等多领域与行业头部企业达成合作,提供强大的AI赋能效果。平台的最大亮点在于采用自主研发的生成式人工智能技术，系统可以根据用户的需求描述,自动生成大量高质量的设计作品，免除繁琐的手工设计流程，极大地降低创作门槛。 “视觉共振AI设计平台”经过反复的锤炼和市场验证，形成AI推理（模型生态）-AI生成-数字版权服务的专业服务方向；随着AIGC（人工智能内容生成）在国内外市场快速发展，“视觉共振AI设计平台”凭借创新领先的产品优势，以及强大的市场开拓能力，必将站上国内人工智能绘画/设计市场的顶端。 **昇思MindSpore** 昇思MindSpore是新一代覆盖端边云全场景的开源AI框架，旨在开创全新的AI编程范式，降低开发者门槛，为开发者打造开发友好、运行高效、部署灵活的AI框架，推动人工智能生态繁荣发展。昇思在致力于技术创新的同时，着力打造学习型社区环境，希望凝聚开发者力量共建社区，与开发者共同学习和成长。 **Wukong-Huahua** Wukong-Huahua是基于扩散模型的中文以文生图大模型，由华为诺亚方舟实验室携手中软分布式并行实验室、昇腾计算产品部联合开发，使用昇思MindSpore AI框架+昇腾Atlas系列硬件等解决方案实现。该模型是基于目前最大的中文开源多模态数据集悟空数据集进行训练得来，具备优秀的中文文本-图像生成能力，能够实现多场景的绘画风格，可生成高质量的图像，给用户带来良好的使用体验。 我们诚邀各企业、高校及科研院所加入昇思MindSpore开源社区，成为社区合作伙伴，与昇思MindSpore携手打造有国际影响力的深度学习AI开源生态。 更多合作需求请扫码添加企业助手进行咨询 --- https://www.mindspore.cn/news/zh/2894/ --- 新闻 CIEC 2023 | 5大院士领衔，keynote议程首发！ # CIEC 2023 | 5大院士领衔，keynote议程首发！ 2023/11/30 # CIEC 2023 | 5大院士领衔，keynote议程首发！ 为加快算力向生产力转化，助力计算产业生态繁荣，推动计算产业健康可持续发展，绿色计算产业联盟（GCC）、边缘计算产业联盟（ECC）定于**2023年12月13-14日**在北京联合举办**2023计算产业生态大会（CIEC2023）**。大会将围绕“凝心聚力，共赢计算新时代”主题，邀请院士、计算产业权威专家、两大联盟重点成员单位代表莅临，通过主旨演讲、专题论坛、趋势分享、展览展示、合作洽谈等多种形式呈现边云协同、多元泛在、智能敏捷、安全可靠、绿色低碳的计算产业全貌。 --- https://www.mindspore.cn/news/zh/2895/ --- 新闻 携手昇思，中科大刘海燕团队、元构生物共同研发蛋白质结构预测与设计模型 # 携手昇思，中科大刘海燕团队、元构生物共同研发蛋白质结构预测与设计模型 2023/11/30 # 携手昇思，中科大刘海燕团队、元构生物共同研发蛋白质结构预测与设计模型 近日，中国科学技术大学刘海燕教授团队、安徽元构生物科技有限公司与昇思团队联合推出了基于昇思MindSpore AI框架打造的蛋白质结构预测与设计模型PVQD\[1\]。该模型通过一维向量序列的离散隐空间编码，用统一的扩散生成模型实现单序列预测动态构象分布、构象柔性等能力。PVQD模型融合AI+生物计算技术，在蛋白质结构预测领域实现突破性创新，在药物靶点发现上具有重要价值，将为生物制药产业带来全新研发动力。 目前的蛋白质结构设计方法直接在三维坐标空间进行结构变换，计算复杂度高，生成的蛋白质结构或存在局部结构缺陷，实验难以实现；或过于规则和刚性，缺乏类似天然蛋白的动力学构象变化。另一方面，蛋白质结构预测方法原理上只能预测单一构象，难以涵盖功能蛋白质通常具有的多种构象。PVQD将这两个科学问题整合到同一个蛋白质结构编码-解码和生成框架中，为科研人员提供了一种全新的端到端蛋白质结构预测与设计解决方案。 PVQD模型的创新之处在于将蛋白质结构编码为旋转平移不变的离散隐空间一维向量序列，通过一维向量扩散生成，能够迅速获得高质量的蛋白质结构。扩散模型通过学习蛋白质主链结构在向量化、离散化隐空间表示下的分布，可以在语义级别上学习到物理上合理结构的分布特性，且模型架构相较于三维结构的扩散模型更为简单，不受对空间平移旋转等对称变换的等变性的约束。 该模型在蛋白质设计任务上表现出色。与此前设计方法相比较，PVQD能够生成β结构及长环区含量更接近天然蛋白的结构【图 1】，这样的结构柔性更高，可以承载更丰富的构象动力学【图 2】。这种主链构象柔性与构象动力学对实现重要的蛋白质功能（如酶催化和变构调控）至关重要。 图 1 与现有SOTA工作（RFdiffusion & SCUBA-D）相比， PVQD生成的蛋白质α螺旋与β链的频率更符合天然分布，同时环状结构也更长。 图 2 PVQD生成的蛋白质主链构象的柔性相比较此前方法设计的结构可以承载更丰富的构象动力学 PVQD模型在单氨基酸序列结构预测方面表现卓越，预测精度与现有先进方法性能相当，并可用于采样蛋白质构象动力学引起的多种不同结构。与实验所得结构相比，PVQD生成的多个结构与不同实验结构的最小差别小于实验结构本身间的差异。在对表现出不同类型动态变化的蛋白质进行预测时，PVQD与实验结构展示了几乎相同的高变区域【图 3】，显示出其广泛适用于天然蛋白质的构象动力学研究，为揭示蛋白质动态构象变化提供新的研究工具，有望在药物靶点发现领域发挥重要作用。 图 3 以同一蛋白在和小分子结合前后的不同构象1e1rF和1wojE为例， PVQD在预测两种构象上的准确性高达0.98，AlphaFold2仅有0.86/0.93 刘海燕教授团队、元构生物与昇思MindSpore团队的合作也彰显了AI for Science科研新范式在加速基础学科创新方面的巨大潜力，为推动产学研用合作模式提供了成功的范例。 ## **参考文献** \[1\] Diffusion in a quantized vector space generates non-idealized protein structures and predicts conformational distributions. https://biorxiv.org/cgi/content/short/2023.11.18.567666v1 --- https://www.mindspore.cn/news/zh/2899/ --- 新闻 致敬成长：借助昇腾AI，00后开发者如何破解睡眠呼吸辅助诊断难题 # 致敬成长：借助昇腾AI，00后开发者如何破解睡眠呼吸辅助诊断难题 2023/12/04 # 致敬成长：借助昇腾AI，00后开发者如何破解睡眠呼吸辅助诊断难题 打呼噜正在成为人们身边隐形的“健康杀手”。据《2017年中国人睡眠质量及科普报告》显示，约5000万人在睡眠中发生过呼吸暂停。30~69岁成年人中，阻塞性睡眠呼吸暂停综合征（OSAS）的患病率高达23.6%。 然而在手术治疗中，阻塞性睡眠呼吸暂停综合征的医学影像中，病灶轮廓不清晰成为影响诊疗效果和患者体验的挑战之一，在前期诊断中缺乏将病灶量化的方法。在大模型加速落地千行百业的今天，能不能用AI技术帮助医生快速做出精准诊断呢？ 一支来自深圳大学的开发者团队，通过昇腾 AI 能力打造了针对阻塞性睡眠呼吸暂停综合征的AI辅助诊疗解决方案，可将病灶识别的精准度从80%提升到95%。该项目获得了昇腾AI创新大赛2023应用赛道铜奖、昇腾AI创新大赛2023Tech4ALL奖，这也是唯一在大赛应用赛道全国总决赛上获奖的学生参赛团队。 作为团队的主力，周汝霖目前还是深圳大学大四在读学生。他也是深圳大学华为智能基座的荣誉社长，接触AI以来，他获得了四项华为官方技术认证，并获得2022年昇思MindSpore十大优秀开发者的荣誉。 然而仅仅两年前，周汝霖还是一名AI小白，所学专业也与计算机、人工智能没有关联。那么，一位非计算机专业的大学生，如何在两年内从AI小白蜕变为昇腾AI优秀开发者？ ****_1_ 两年，从AI小白到昇腾AI优秀开发者**** 爱因斯坦曾说过，“好奇心比知识更重要”。周汝霖与人工智能的结缘，正是源自自发的兴趣与求知欲。 2021年，正在深圳大学机电专业读大二的周汝霖，报名参加了深圳大学-华为“智能基座”项目。“智能基座”产教融合协同育人基地是由教育部、华为联合发起的产学研融合项目，深圳大学是首批72所试点高校之一。虽然当时还没有深入接触过人工智能，但周汝霖却坚信未来各行各业都会被人工智能改变，应该主动拥抱这一技术浪潮。 没想到，周汝霖从此踏上了学习、钻研人工智能的道路。“智能基座”课程完结后，周汝霖觉得还不过瘾，就利用课外时间继续自学。“我开始自学包括卷积神经网络、Transformer架构，再到后来细化到医学图像处理、三维图像分割、无监督学习等基础知识，一点点积累下来，慢慢建立了人工智能初步的知识体系。” 在“智能基座”项目支持下，周汝霖很快就进入了算法开发的实际探索中。大二下学期，他开始使用昇思MindSpore AI框架构建深度学习模型，基于昇腾AI基础软硬件平台进行模型的训练和推理，还参与组建了深圳大学“智能基座”社团，并担任社团社长。 大三时，周汝霖主动找到正在进行昇腾AI课题研究的老师，加入老师的课题组。在老师的指导下，周汝霖飞速成长。他完成了用昇腾处理器和昇思MindSpore AI框架复现经典论文，参加昇思MindSpore开源实习，基于昇腾AI产品，使用昇思MindSpore框架去复现DDIM模型等探索（去噪扩散隐式模型 Denoising Diffusion Implicit Models）。 在课题组中，周汝霖主要做医学图像处理的算法开发，比如帮助构建肺结核的辅助诊断平台等。“之所以选择医学图像方向，因为对初学者来说它的任务比较简单，场景的导向性也很强，能够更快看到AI落地的价值。” 周汝霖飞速成长的背后，是一个高校AI开发者的典型成长路径： 最开始，在兴趣引导下主动学习AI课程，打下扎实的入门基础； 第二步，选择昇腾AI这类对高校开发者全面赋能的开发生态，沿着昇腾AI为大学生开发者提供的“学-练-训-赛”全周期成长路径，一步步向上进阶； 第三步，积极寻找场景性强的项目，在场景应用中不断探索技术创新，用AI算法解决真实世界的难题。而这一步，也是让周汝霖感受到学习AI最有成就感的地方。 ****_2_** **算法，如何帮助成千上万人改善睡眠问题**** 在阻塞性睡眠呼吸暂停综合征中，对于部分重度患者，可以通过手术的方式，切除扁桃体、软腭部位多余的软组织，让睡眠时堵塞的气道变得通畅，达到解决呼吸暂停的目的。 与其他部位的CT影像不同的是，鼻咽部CT影像中，肥大的软组织没有明显的边界。这就为医生诊断带来难题，到底该不该手术，手术切除的范围有多大，都对医生的临床经验提出了很高要求。往往一名耳鼻喉医生需要8-10年以上的经验才能做出是否需要手术的专业判断。 “在这种弱边界的情况下，如何帮助医生将病灶量化出来，对肥大的软组织进行精准分割，是我们想要突破的技术难点。传统AI算法训练效果比较差，因为它不太能学习到空间上更多的特征。”周汝霖表示。 如何突破弱边界的技术瓶颈，周汝霖和团队的小伙伴在多个维度进行了创新。 在模型架构上，团队在传统医学网络架构基础上增加了很多新的模块和方法，通过引入多头注意力机制，从全局的视角重新对病灶进行分析，极大提升了算法对弱边界的判断能力。 在分割方法上，采用三维卷积的分割方法，突破了传统算法一层层分割的弊端，可以使分割出来的病灶边界更加圆滑，最终让患者手术的创面更加平滑，提升治疗效果和患者体验。 “对于从CT中分割腺样体这个任务，传统AI算法精准度能达到80%左右，我们的算法能达到95%，在精准度上有一个很大的提升。” 目前，这套创新算法在辅助诊断方面的实际价值已经得到验证，接下来周汝霖和团队将在导师指导下进一步推进技术的实际落地。周汝霖表示，团队之所以能在短时间内，实现模型架构和算法的突破，背后离不开昇腾AI生态的全面支持。 首先，昇腾AI基础软硬件平台，为团队的算法训练推理提供了强大的支撑。 “整个算法是在昇思MindSpore AI框架下，并在昇腾AI产品上面进行训练和推理的。未来我们还会在昇腾云上进行训练，进一步提升训练和推理效率。” 其次，在整个项目推进过程中，无论是基础软硬件哪个层面出现疑难问题，团队都可以在昇腾社区和昇思MindSpore社区得到华为官方技术专家的专业解答。 “我们在开发过程中遇到的很多问题都可以在昇腾社区官网直接提工单，后台响应非常快，很快就能对接上华为的技术专家，一般一两天内就能解决问题。”周汝霖表示，昇腾和昇思MindSpore社区这种快速响应的技术支持，是国外开源框架和开发者平台没有的。 “昇腾社区非常活跃，不管是昇腾AI核心产品，还是入门级产品，都有专门的贴吧和社群沟通群，里面有很多专业的开发者，大家都会很活跃的去帮你解答问题。” ****_3_** **扎根，昇腾AI正汇聚更多年轻力量**** “我现在正在准备考计算机软件专业的研究生，未来会继续用昇思MindSpore去做项目。而且，我对大模型方向非常感兴趣，未来可能会跟着导师去做一些大模型的可解释性相关的研究。” 谈到未来的规划时，周汝霖充满笃定。这份笃定，既来自在AI开发道路上飞速成长的自信，也来自昇腾AI对年轻开发者完善的赋能体系。 虽然目前针对在校大学生学习AI的平台和途径非常多，但周汝霖认为，对于像自己一样从零开始的高校开发者，昇腾AI有着不可替代的吸引力，包括： 领先的基础软硬件平台优势。目前，昇腾AI基于昇腾系列产品和基础软硬件平台构建了 AI 计算基础设施。周汝霖认为，昇腾AI的技术布局非常完整，从AI产品、软件，到框架、开发工具、赋能平台等一应俱全，能够给到开发者一体化的技术支持。 开放专业的开发生态。昇腾AI在算子、框架、加速库和大模型领域全面开放，广泛支持、兼容业界生态。比如，全面支持PyTorch、飞桨、昇思等主流框架，兼容业界主流的DeepSpeed、Megatron等大模型训练加速库，为开发者提供了更丰富灵活的选择。在开放生态的吸引下，截至现在，昇腾开发者数量突破240万，已有50+主流的基础大模型基于昇腾AI迭代。 丰富的产教融合活动。周汝霖坦言，在对高校开发者赋能方面，华为昇腾AI是各个AI大厂中做得最好的。昇腾AI 为大学生开发者打造了完整的“学-练-训-赛”赋能体系，即使是小白学习者也可以从零开始，拥有完整的成长周期。包括基于昇腾社区承载的“智能基座”系列课程和“众智计划”，还有昇腾AI创新大赛、昇腾AI开发者创享日、昇腾AI训练营等系列开发者活动，帮助大学生开发者不断学习和进阶，打通以练促学、以赛促学的闭环。 此外，昇腾AI还不断推出对高校开发者友好的产品，降低大学生学习AI、开发AI应用的门槛 。比如，今年刚推出的昇腾新一代开发者套件Atlas 200I DK。“我觉得这样子蛮好的，就是技术越来越平民化，更加贴近学生需求，能让更多的学生开发者用起来。”周汝霖表示。 对于同样对AI感兴趣的同龄人，周汝霖用自身经历验证了非计算机专业大学生也可以快速学习AI开发，同时，他也鼓励同龄人无论任何专业方向都应该关注AI发展。 “可能有人会有点抗拒AI，觉得技术发展这么快，大家以后可能会失业之类。但我觉得大家还是要尽可能地去拥抱这个时代，不要有抵触心理。并不一定每个人都要去学写代码，起码去了解下目前AI已经发展到一个什么样的状态了。可以结合自己喜欢的方向，寻找AI应用的切入点，这也是一个学习AI的方向。” ****写在最后**** 麦肯锡公司2023年5月发布的报告显示，2030年中国的AI人才缺口可能多达400万人。届时，中国对熟练AI专业人员的需求将增至2022年的6倍，达到600万，但2030年的人才供应量仅能达到200万。 在加速AI人才培养方面，昇腾AI通过产教融合与生态赋能，已经快人一步，走出了自己的特色。 从AI小白，到能够独当一面的开发者，周汝霖通过与昇腾AI的结缘，正在不断编写自己未来的发展之路。 在昇腾AI的陪伴下，更多周汝霖一样的年轻人已经踏上AI学习之路，成为这一轮AI技术浪潮的推动者和构建者。 --- https://www.mindspore.cn/news/zh/2900/ --- 新闻 突破边界，AI 时代的技术革命 | 昇思MindSpore应邀参加开源中国源创会 # 突破边界，AI 时代的技术革命 | 昇思MindSpore应邀参加开源中国源创会 2023/12/05 # 突破边界，AI 时代的技术革命 | 昇思MindSpore应邀参加开源中国源创会 由开源中国主办，珠海市香洲区科技和工业信息化局、广东省科学院珠海产业技术研究院、珠海市软件行业协会、珠海市科技发展促进会支持，OSC源创会（珠海站·99期）将于12月9日在珠海嘉远世纪酒店举办。 华为高级工程师、昇思MindSpore布道师何芦微应邀参与本期OSC源创会，为开发者介绍昇思MindSpore开源社区创新运作实践，欢迎各位踊跃报名，近距离聆听行业技术专家对于 AI 应用的思考与展望！此外，现场前往昇思MindSpore展台参与互动，可领取昇思MindSpore定制礼品哟！ --- https://www.mindspore.cn/news/zh/2901/ --- 新闻 首届昇腾AI大模型赋能工业产业发展论坛成功举办！ # 首届昇腾AI大模型赋能工业产业发展论坛成功举办！ 2023/12/06 # 首届昇腾AI大模型赋能工业产业发展论坛成功举办！ 近日，为促进宁波依托昇腾孵化自主创新工业行业大模型，助力城市工业产业升级，首届昇腾AI大模型赋能工业产业发展论坛成功举办。清华大学中国工程院院士吴澄、浙江大学中国工程院院士谭建荣、宁波市人民政府原副市长、宁波市智能制造专家委员会主任陈炳荣、华为安信副总裁曹泽军、中国信息通信研究院人工智能创新中心负责人、云大所副所长魏凯等领导出席，300余名企业及高校嘉宾、10余家生态联盟协会共同参与。 宁波市人民政府原副市长、宁波市智能制造专家委员会主任陈炳荣在致辞中提到，宁波市委、市政府高度重视人工智能技术和产业发展，规划建设了宁波人工智能超算中心，填补了宁波新型算力基础设施空白。同时，他表示宁波应坚持自主创新为本，推进AI产业化，匹配地区特色，加速实现产业AI化。 宁波市人民政府原副市长 宁波市智能制造专家委员会主任陈炳荣 华为安信副总裁曹泽军致辞表示，华为公司将长期扎根宁波，联合产业各方力量，把宁波人工智能超算中心打造成标杆，支持中心“建得好，用得好”，乘大模型东风，发展人工智能产业，构建开放创新的昇腾人工智能产业生态。 两位中国工程院院士吴澄和谭建荣分别就大模型的应用赋能和智能机器人关键技术及发展趋势作主题分享。 本次论坛，宁波人工智能超算中心联合宁波大学、浙大宁波理工学院、宁波薄言信息技术有限公司、浙江大学CCAI宁波中心、浙江宁唐健康大数据科技有限公司、宁波人工智能产业研究院共同发布六个基于昇腾的工业产业大模型应用成果，助力企业高效训练大模型，促进产业数智化转型。 宁波人工智能超算中心应用成果大模型发布仪式 中国信通院人工智能研究中心常务副主任、云大所副所长魏凯在主题演讲中对中国信通院已形成的大模型通用能力评测、面向行业的大模型评测体系进行解读。 随后，宁波昇腾人工智能生态创新中心联合中国信通院人工智能研究中心、浙江大学CCAI宁波中心、浙江宁唐健康大数据科技有限公司、竹间智能科技（上海）有限公司、浙江国科云招数字科技有限责任公司、艾普工华科技（武汉）有限公司、浙江力石科技股份有限公司共同发起宁波工业大模型评测体系合作计划。 中国信息通信研究院大模型评测体系落地暨 宁波昇腾人工智能生态创新中心合作伙伴签约 为加速大模型进入传统行业，宁波市智能制造集团有限公司、宁波中科智能计算科技有限公司、宁波欧琳集团有限公司、宁波帅特龙集团有限公司、浙江国科云招数字科技有限责任公司、宁波人工智能产业研究院、竹间智能科技（上海）有限公司在会议上进行工业产业大模型创新联合体签约，专注培育基于昇腾AI的宁波工业产业大模型生态。此外，大会现场共同见证了宁波人工智能企业落地应用合作签约，成功与宁波中科闪马智能科技有限公司及中科云碳 (宁波)能源科技有限公司达成合作。 此次论坛携手多家生态联盟、学会伙伴，共同推动城市工业产业数字化转型升级，加速工业产业高质量发展。未来，宁波将持续汇聚各方力量，依托宁波人工智能超算中心的技术、算力及生态优势，孵化基于昇腾的行业大模型，打造工业产业大模型应用示范标杆，加速复制推广行业场景化应用，推动人工智能产业蓬勃发展。 --- https://www.mindspore.cn/news/zh/2903/ --- 新闻 社区月报 | 首个流体力学大模型──“秦岭·翱翔”正式发布,“算力网络与大模型”生态产业论坛成功举办 # 社区月报 | 首个流体力学大模型──“秦岭·翱翔”正式发布,“算力网络与大模型”生态产业论坛成功举办 2023/12/07 # 社区月报 | 首个流体力学大模型──“秦岭·翱翔”正式发布,“算力网络与大模型”生态产业论坛成功举办 **_昇思MindSpore11月运作报告_** **一、社区规模** 截至11月底，昇思MindSpore面向全球开发者，凝聚产业力量，持续打造人工智能创新之源。社区秉持开放透明原则，稳步建设开源生态，规模和活跃度得到持续提升。 - 昇思MindSpore下载量为**633\*\*\*\*W+**，十月增加了**23W+**； - 社区发展了\*\*24.7K+\*\*核心贡献者。 - 社区累计产生ISSUE共**35.5K**、PR共**84.2\*\*\*\*K**。 **二、社区大事件** \*\*1、\*\***中国光谷·多模态人工智能大会暨多模态人工智能产业联合体第三次全体会议圆满召开** 11月3日，**中国光谷·多模态人工智能大会暨多模态人工智能产业联合体第三次全体会议**在中国光谷圆满落幕。会议以“共建人工智能产业新生态”为主题，旨在构建开放、协作、创新的平台，推动多模态技术的发展与应用。 \*\*2、\*\***首个面向飞行器的流体力学大模型──“秦岭·翱翔”正式发布** 11月4日，2023中国(西安)人工智能高峰论坛，以“数智聚合，共创行业新价值”为主题于在西安市雁塔区高新国际会议中心召开。会上，由西北工业大学与华为联合研发的\*\*首个面向飞行器的流体力学大模型“秦岭·翱翔”\*\***正式发布**。 “秦岭·翱翔”大模型是西工大流体力学智能化国际联合研究所携手华为AI4Sci Lab在国产开源流体计算软件风雷的基础上，依托昇腾AI澎湃算力及昇思MindSpore AI框架共同研发的面向飞行器流体仿真的智能化模型。 未来，“秦岭·翱翔”大模型将朝着更智能、更便捷、更全面和更先进的方向发展。 **3、\*\*\*\*“算力网络与大模型”生态产业论坛成功举办** 11月24日，**“算力网络与大模型”生态产业论坛举办**。论坛以共同推进大模型生态繁荣，打造人工智能产业新高地为主旨。在生态产业论坛上，中国电信上海公司、上海人工智能研究院、昇思MindSpore、百川智能和达观数据等企业、研究机构就算力网络发展、人工智能大模型应用等方面进行分享。 **三、技术进步** \*\*1、\*\***基于昇思MindSpore的蛋白质结构预测与设计模型PVQD实现突破性创新** 中国科学技术大学刘海燕教授团队、安徽元构生物科技有限公司与昇思团队联合推出了**基于昇思MindSpore AI框架打造的蛋白质结构预测与设计模型PVQD**。该模型通过一维向量序列的离散隐空间编码，用统一的扩散生成模型实现单序列预测动态构象分布、构象柔性等能力。 PVQD模型融合AI+生物计算技术，在蛋白质结构预测领域实现突破性创新，在药物靶点发现上具有重要价值，将为生物制药产业带来全新研发动力。 \*\*2、\*\***基于昇思MindSpore的底层视觉套件MindSpore Editing 1.0发布** 华为诺亚方舟实验室**基于昇思MindSpore AI框架打造了MindSpore Editing底层视觉套件**，针对主流底层视觉任务SOTA算法及模型进行实现和统一设计，提供易用的训练、推理接口，并基于MindSpore+Ascend进行极致性能优化。作为一款高性能底层视觉开发和应用套件，MindSpore Editing已在昇思开源社区正式发布1.0版本，面向广大开发者开放使用。 \*\*3、\*\***昇思MindSpore Quantum0.9全新版本发布** 经过昇思社区开发者们的努力，**昇思MindSpore Quantum0.9版本正式发布**。 新版本中，昇思MindSpore对量子模拟器、量子门、量子线路和量子算法库等均做了大量更新，实现全新技术升级，使能科研创新和产业应用。 **四、社区活动** \*\*1、\*\***2024“中国人工智能学会-昇思MindSpore学术基金”项目征集** \*\*《中国人工智能学会-昇思MindSpore学术奖励基金》\*\*是由中国人工智能学会、鹏城实验室和华为技术有限公司共同发起，致力于面向海内外高校及科研院所的AI学者搭建学术交流的平台，提供经费、算力、技术支持等服务，推动人工智能方法在科学领域的创新应用。 本次项目申报主题主要围绕昇思MindSpore进行，希望科研工作者在国产人工智能生态体系下进行大模型创新技术探索，具体课题及交付成果请见项目书。 \*\*2、\*\***昇思MindSpore技术公开课大模型专题第二期课程火爆来袭** **昇思MindSpore技术公开课大模型专题第二季课程**火爆来袭！大模型领域，内容及讲师阵容全方位升级，课程在B站【MindSpore官方】直播。本月共开展两次昇思MindSpore技术公开课大模型专题第二期课程。 **五、社区竞赛** \*\*1、\*\***华为开发者大赛-百模千态开源大模型AI挑战赛** 11月15日，\*\*“华为开发者大赛-百模千态开源大模型AI挑战赛”重磅开启！\*\*帮助开发者通过学+练+赛的形式，迈出大模型应⽤开发实战的第一步。 本次比赛要求选手使用昇腾算力、AI框架MindSpore、AI应用开发平台ModelArts等华为全栈AI技术，构建基于ChatGLM2-6B的医疗领域问答机器人。 \*\*2、\*\***2023年电力行业AI创新大赛 正式启动** 11月17日，**『2023年电力行业AI创新大赛』正式启动**，旨在探索人工智能技术与电力行业的创新应用，主办方提供训练数据集，参赛者基于昇思MindSpore与相关硬件在规定的时间内完成算法开发，实现相关功能即可，前六名优胜队伍将获得10万奖金和价值10万算力代金券，更能直通中央企业AI新基建创新应用大赛决赛（全国赛），快来报名吧！ 截至2023年11月底，昇思MindSpore下载量已超过**633W**，未来，昇思MindSpore AI框架将持续致力于打造人工智能创新之源，凝聚产业力量，扎根AI根技术，使能大模型与科学智能，成为AI创新的首选框架。 往期回顾 社区月报 | 基于昇思MindSpore的昆仑万维Skywork-13B正式开源，“空天•灵眸 时空预测”基础模型正式上线 社区月报 | HC2023圆满举办并发布“鹏城·脑海”大模型，昇思MindSpore重磅加入启智社区 社区月报 | Baichuan2大模型与SAIL奖“东方.翼风”重磅发布，MindSpore SPONGE暑期学校第三季圆满收官 社区月报 | 人工智能框架生态峰会2023成功举办，社区治理架构全面升级，昇思2.0重磅发布 --- https://www.mindspore.cn/news/zh/2907/ --- 新闻 上海人工智能产教论坛暨昇腾AI开发者创享日顺利举办 # 上海人工智能产教论坛暨昇腾AI开发者创享日顺利举办 2023/12/11 # 上海人工智能产教论坛暨昇腾AI开发者创享日顺利举办 2023年12月8日，上海人工智能产教论坛暨昇腾AI开发者创享日顺利举办，此次活动由上海市教育考试院联合华为技术有限公司共同举办，上海昇腾人工智能生态创新中心、上海人工智能研究院承办，昇腾社区、昇思MindSpore开源社区协办。本次活动政、产、学、研人工智能教学、教研精英齐聚一堂，分享人工智能的前沿信息及实践应用。 **上海市教育考试院党委书记，院长刘玉祥**为大会致辞提到，人工智能是推动社会和产业发展的重大机遇，是社会生产力的重大变革，也是新时代人才选拔与培养的新内涵、新动能。高校作为人才培养的主战地，面对人工智能发展的新契机，要主动提升人才自主培养能力，一方面是要培养跨学科人才培养的规模，将人工智能技术和行业场景进行深度融合，实现千学百科培养人工智能人才，人工智能人才融入千行百业，另一个方面是要加强人工智能协同育人，产学研用一体化，全链条的一体化，增加复合型人工智能培养的渠道。 上海市教育考试院党委书记，院长刘玉祥 **昇思MindSpore业务总经理丁诚**出席活动，丁总表示面向大模型时代，目前昇思已经支持国内超过40%的大模型及科学智能成果。在全产业链的共同努力下，特别在开发者的合力贡献下，目前已有超过200万的开发者加入昇腾，1300多家合作伙伴，基于昇腾推出了2600多个行业AI解决方案。同时，我们还与全国300多所高校深度合作，探索人才培养与产教协同模式创新，昇腾AI已赋能5000多名老师，开设1600多门课程，覆盖了50多万学生。我们期望与开发者一起共同探索人工智能的产业前沿，推动人工智能在行业走深向实，共赢智能时代。 华为昇思MindSpore业务总经理丁诚 **复旦大学教授邱锡鹏**为现场来宾带来《大语言模型时代的前沿技术发展与创新人才培养》的主题演讲，为大家介绍了国内首个发布的开源对话语言模型MOSS，MOSS不仅突破高效大模型架构设计、分布式训练算法和安全对齐等核心关键技术，而且也在不断探索实用、多元、复杂的应用场景。作为高校人工智能学科教学人更应该明确培养目标加强课程设置改革从实质上促进人工智能模型研究和开源社区的生态繁荣。 复旦大学教授邱锡鹏 **中国商飞上海飞机设计研究院王景**为大家分享了《人工智能助力大飞机自主可控气动设计》，深度解析了人工智能在国之重器上的实践应用。人工智能早已在各个行业中无处不在，航空问题通过结合人工智能技术，发展大型客机气动设计工具，建立工业级仿真通用技术，探索智能启动设计新范式，缩短研制周期，降低设计研发成本。 中国商飞上海飞机设计研究院王景 随后，活动分为开发者分析和人工智能产教研讨两部分，进一步促进上海人工智能产业和技术的发展。 **************开发者分享，技术解密，生态赋能************** **上海昇腾人工智能生态创新中心何婉忆**基于《聚焦根技术，加速人才培养与科研创新》为开发者介绍到创新中心依托昇腾社区，深化人才培养新模式，构建开发者成长新路径，助力开发者从成长到成功的全历程。 上海昇腾人工智能生态创新中心何婉忆 **锡鼎智能算法总监王庆峰**对于《锡鼎智能教学案例》进行分享，介绍了锡鼎在教学教育上以原创算法技术为引擎，基于昇腾澎湃算力以及昇思MindSpore进行软硬件双轮驱动，提供个性化整体解决方案，也为教学过程提供了更多创新元素。 锡鼎智能算法总监王庆峰 **上海交通大学信息中心高级工程师韦建文**带来了《上海交通大学的昇腾应用经验分享》，韦老师表示上海交大网络信息中心以算力赋能，学科融合，开拓创新为目标，联合产教共同建设AI生态，建立端到端的技术支持体系。 上海交通大学信息中心高级工程师韦建文 **上海观池创意技术总监郝振华**针对《AIGC赋能下的数字制作》进行了专业讲解，用大量生动实际的案例为现场开发者展示了人工智能和艺术创意的融合，利用最前沿的XR结合AIGC碰撞出无限创意灵感。 上海观池创意技术总监郝振华 **昇思MindSpore技术专家王瑞**进行了《昇思Mindspore技术赋能》，**昇腾CANN技术专家张雨睿**带来了《CANN的高性能应用》的主题分享。深入浅出的分享了技术生态，欢为现场的开发者们带来了精彩的“饕餮盛宴”。 昇思MindSpore技术专家王瑞 昇腾CANN技术专家张雨睿 **************“政产学研用”专家齐聚共话AI************** 开发者活动同期，上海市教育考试院联合华为技术有限公司一同举行了上海人工智能产教研讨会，特邀东华大学刘晓强教授，华东师范大学刘垚副教授进行教学成果分享，并由华为技术有限公司徐帅从产教融合角度引导复旦大学，上海人工智能研究院等二十余位高校老师和企业专家进行关于上海人工智能人才培养的问题研讨，会议由上海市教育考试院社考办副主任周云主持。 汇涓聚流，以成江海；众智合力，行将致远！昇腾AI是一种向上的力量，希望每一位开发者，都能够基于昇腾AI创未来，享非凡。跃升数字生产力正当时，让我们携手，加速迈向智能世界。 --- https://www.mindspore.cn/news/zh/2911/ --- 新闻 倒计时1天！大连人工智能计算中心创新大会暨2023创新成果发布会即将召开！ # 倒计时1天！大连人工智能计算中心创新大会暨2023创新成果发布会即将召开！ 2023/12/14 # 倒计时1天！大连人工智能计算中心创新大会暨2023创新成果发布会即将召开！ 融合生态力量，创造智慧价值。大连人工智能计算中心将于明日下午举办创新大会暨2023成果发布会，感谢各位领导、伙伴们一年来的支持厚爱，诚邀各界同仁莅临指导，共叙情谊，共谋发展。 --- https://www.mindspore.cn/news/zh/2912/ --- 新闻 中国人工智能学会携手华为技术有限公司、鹏城实验室签署学术基金合作协议，共同加速孵化中国原生AI创新 # 中国人工智能学会携手华为技术有限公司、鹏城实验室签署学术基金合作协议，共同加速孵化中国原生AI创新 2023/12/14 # 中国人工智能学会携手华为技术有限公司、鹏城实验室签署学术基金合作协议，共同加速孵化中国原生AI创新 12月12日，中国人工智能学会、鹏城实验室、华为技术有限公司在深圳华为坂田基地签署学术基金合作协议。中国人工智能学会理事长、中国工程院院士戴琼海、鹏城实验室主任、中国工程院院士高文、华为Fellow、科学家咨询委员会主任徐文伟出席并见证签约。中国人工智能学会副理事长、北京大学教授刘宏、鹏城实验室科研部常务副部长王孝国、华为计算产品线昇腾生态发展部部长史沛分别代表三方完成合作签约。 三方基于本次合作发挥各自优势，中国人工智能学会将提供平台，华为公司将做好软硬件根技术、经费等支持，鹏城实验室将充分发挥国家战略科技力量的骨干引领作用和算力优势，三方优势互补，共同推动构建创新平台，助力高校、科研院所开发者等，使能百模千态、赋能中国人工智能千行万业。 **戴琼海院士**表示：中国人工智能学会与华为已经通过一期学术基金的紧密合作，充分发挥了双方的优势，打造了非常好的人工智能学术创新平台，为本次三方合作打下深厚根基，新一期学术基金项目携手鹏城实验室进行三方合作，定能再创佳绩。也希望各位人工智能学术界、产业界的同仁一同为中国的人工智能创新添砖加瓦，为人类社会迈向智能新世界作出贡献。 **徐文伟主任**表示：智能时代，数字生产力已经成为推动经济发展和社会进步的核心引擎。面向人工智能领域，华为在2018年发起了昇腾AI计算产业，持续聚焦根技术，所打造的昇腾AI基础软硬件平台目前已孵化、适配业界50多个主流大模型，为中国人工智能产业繁荣提供一个强健、稳固的基石。本次学术基金围绕开源AI框架昇思MindSpore与异构计算架构CANN孵化人工智能领域原生创新，旨在推动人工智能在行业走深向实，与伙伴共赢智能时代。 **高文院士**指出：鹏城实验室目前已研制国内首个全面自主创新的E级智能算力平台“鹏城云脑Ⅱ”大科学装置，正在全力推进“中国算力网”专项任务，同时大力研发“鹏城.脑海”通用AI大模型。本次基金项目的合作可作为我国人工智能产学研合作的一个基石，希望以此为契机，开展软硬科技协同创新，共筑我国数字经济坚实的算力底座，为中国人工智能产业高质量发展贡献力量。 未来，中国人工智能学会将携手华为技术有限公司、鹏城实验室三方通力合作，在成果孵化、人才培养等方面持续发力，运用学术界的原创力，结合企业的原生力，凝聚起广大高校、科研院所开发者的原子力，共同打造创新繁荣健康的人工智能产业生态。 --- https://www.mindspore.cn/news/zh/2913/ --- 新闻 一年学习从新手到金奖选手！昇腾AI优秀开发者养成记 # 一年学习从新手到金奖选手！昇腾AI优秀开发者养成记 2023/12/15 # 一年学习从新手到金奖选手！昇腾AI优秀开发者养成记 “无AI，不应用”，近年来随着人工智能技术飞速发展，特别是今年大模型横空出世，“AI原生”正成为应用开发的新范式。对广大开发者来说，AI原生是机遇也是挑战，如何快速成为优秀AI开发者，登上通向智能世界的“头等舱”，成为摆在每个人面前的核心命题。在前不久落幕的昇腾AI创新大赛2023全国总决赛中，全国22个赛区超6300名开发者报名参赛，产生大批优秀AI作品，为AI浪潮下的应用开发范式跃升打下良好开端。 这其中，在昇思赛道的数据打榜赛题中，来自西安电子科技大学（以下简称“西电”）的学生开发者杨瑞智，仅用一年时间学习摸索昇腾AI，便能实际运用解决真实场景问题，问鼎昇思赛道数据打榜赛，实现从新手到金奖选手的进阶，堪称“以AI的速度”展现了AI开发的巨大魅力和价值！ **初识昇腾AI，在学校课题组做模型复现** 杨瑞智与昇腾AI的结缘，要从产教融合说起。2020年，教育部与华为联合发起“智能基座”产教融合协同育人基地项目，首批落地72所高校，西电便是其中之一。2022年6月，杨瑞智所在课题组接到“国产深度学习开源框架生态系统建设”模型复现项目，展开以全场景AI框架昇思MindSpore复现业界经典深度学习模型的工作。 西安电子科技大学的学生开发者 杨瑞智 过程中，杨瑞智先是在昇腾AI官方教程中的“初学入门”板块集中学习MindSpore框架知识，了解其网络构建、自动微分模式、静态图特点等基本特性；接着上手复现模型，大量参考社区中“应用实践”板块内容，深度借鉴其中的计算机视觉、自然语言处理、生成式AI等多个任务案例，最终参与复现了AdaptSegNet、AdvNet、FADA、ASANet等多个模型，实现更好的精度和质量。 **摸索昇腾AI，在竞赛中开发实现模型方案** 2022年10月，在接触昇腾AI五个月后，杨瑞智迎来了进一步摸索昇腾AI的机会。在2022“航天宏图杯”遥感影像智能处理算法大赛中，华为赞助了其中一个主题为“道路提取和交叉口识别”的线下决赛赛道，杨瑞智所在课题组一起报名参赛，按要求使用昇思MindSpore AI框架进行模型方案的实现。 基于遥感影像的道路提取及交叉口识别对于自动驾驶、地图构建等应用具有重要意义。杨瑞智团队根据主办方提供的遥感影像数据，在昇腾社区丰富应用实践内容的帮助下，实现了更高效率、更高精度的算法模型，能够更好地识别出道路的分割掩膜和交叉口类型区域的定位，最终获得优胜奖，为探索昇腾AI的实践应用开了一个好头。 **应用昇腾AI，在真实场景中创新优化算法** 时间来到今年7月，杨瑞智报名参加了昇腾AI创新大赛2023昇思赛道的数据打榜赛题——真实雨场景的视觉任务挑战赛。这个赛题的目标是研究真实雨天场景的图像去雨方法，降低雨水扰动对图像质量和场景可辨识度的影响，从雨水退化图像中还原出细节清晰、辨识度高的干净图像，更好地助力自动驾驶和视频监控等全天候工作的智能系统。 “与以往的学习和竞赛更偏学术不同，这次赛题任务更加贴近于实际生活，给我们带来了不小的挑战。”杨瑞智告诉极客网，“针对这个实际问题，团队依托前期的学习和锻炼，以及过往AI开发经验，规划了一套专门的算法开发流程，包括前期调研，识别任务难点痛点；中期根据调研结果，设计针对性解决方案；后期完善解决方案，持续调试调优。” 尽管准备充分，但杨瑞智坦言在开发的中后期还是遇到了不少问题，比如官方仓库中缺少现成的创新方法可供参考，同时使用昇腾AI算力对方案性能调优也存在困惑；好在昇腾社区为参赛团队提供了完善的支持，杨瑞智团队通过研读官方文档自学设计方案、在线提交问题获得答疑支持、对接专家获取私下沟通指导等方式，加速了设计开发的进度，实现了创新的解决方案。 最终结果显示，在这个455人、152支团队参与的数据打榜赛中，杨瑞智所在的“seek”团队以最高的得分登顶榜单，一举揽下金奖，斩获50000元奖金。需要指出的是，这个赛题是针对个人、高校、科研机构、企业单位、初创团队等几乎所有开发者群体开放的，竞争激烈度和金奖含金量不言而喻！ 谈及此次比赛夺魁的宝贵经验，杨瑞智总结了两点：一是100%算法掌握，在整个方案思考和设计过程中，对整体逻辑要能够完全掌握，可以根据项目需求熟练使用官方开源API从零搭建训练框架，并在上面进行清晰明了的修改调整。二是针对性解决方案，要针对比赛中提出的难点问题针对性设计算法解决方案，抓住重点去解决问题，起到事半功倍的作用。 **严格遵循昇腾社区学习路径，先借鉴再创新** 回顾一年时间学习、摸索和应用昇腾AI，实现从新手到金奖选手的跨越历程，杨瑞智认为自己的成长是一个严格学习昇腾社区文档、学习官方教程的过程。他强调，“昇腾社区学习栏目有一个教程板块，提供了非常好的‘初学入门-应用实践-深度开发’的学习路径，这条学习路径让我十分顺畅地完成了一个从100%新手到昇思赛道竞赛金奖选手的蜕变。” 而谈及对下一届选手的参赛经验分享，杨瑞智建议大家在开发算法模型的时候，要更多地借鉴社区中其他开发者的开发经验，不要闭门造车。在AI领域如果一旦“钻牛角尖”闭门造车，那么就等于是“重复造轮子”，开发进度会非常缓慢，是非常不划算的。而通过社区共同交流、共同学习，可以实现共同进步，激发创新，开发效率也会更高。 同时针对昇腾AI创新大赛这个影响力日益上升的顶级AI开发者赛事，他希望昇思赛道能够提供更多赛题和真实场景机会，让更多致力于拥抱AI变革的开发者能够参与进来，共同见证昇思MindSpore AI框架以及整个昇腾AI产业生态加持下的时代巨变。而对于自身，杨瑞智表态未来也会更加深入地了解和使用昇腾AI，甚至高度依赖昇腾AI。 **写在最后：** 数智生态的创新繁荣，离不开先进技术的支撑，更离不开开发者的共同力量。作为华为面向AI开发者打造的顶级赛事，昇腾AI创新大赛鼓励全产业开发者基于昇腾AI技术和产品，打造软/硬件解决方案、探索模型算法，加速AI与行业融合，为广大开发者能力提升和价值兑现提供了一个超级大舞台。相信随着更多开发者参与进来，抓住AI原生的时代机遇，数智未来必将加速到来！ --- https://www.mindspore.cn/news/zh/2915/ --- 新闻 昇思圣诞特辑 | 你的圣诞礼物正在派送中…… # 昇思圣诞特辑 | 你的圣诞礼物正在派送中…… 2023/12/18 # 昇思圣诞特辑 | 你的圣诞礼物正在派送中…… 昇思MindSpore开源社区带着满满诚意邀您一起年末狂欢！ 圣诞节即将到来，没准备好袜子别着急 昇思MindSpore年终答谢 **_快来领取昇思圣诞大礼包_** 参与昇思MindSpore圣诞狂欢 用AI绘出你期望的圣诞 --- https://www.mindspore.cn/news/zh/2916/ --- 新闻 科学智能，智绘未来——北京大学深圳研究生院未来之后AI4S 第二届国际高峰论坛成功举行 # 科学智能，智绘未来——北京大学深圳研究生院未来之后AI4S 第二届国际高峰论坛成功举行 2023/12/19 # 科学智能，智绘未来——北京大学深圳研究生院未来之后AI4S 第二届国际高峰论坛成功举行 **“未来之后”AI4S** _/ NEWS TODAY_ 2023年12月14日，\*\*“未来之后”AI4S第二届国际高峰论坛在北京大学深圳研究生院会议中心举行。\*\*中国科学院院士、北京大学党委常委、副校长、深圳研究生院院长张锦，中国科学院院士、北京科学智能研究院院长、北京大学国际机器学习研究中心主任、北京大学数学科学学院讲席教授鄂维南为论坛联合主席，论坛群英荟萃，邀请了多位国内外院士专家与产业精英，共话AI4S前沿新发展。 论坛现场 本次论坛作为建院二十二周年“南燕园·新起点·新征程”系列活动之一，\*\*以“科学智能，智绘未来”为主题，旨在集聚前沿科学思想，促进科技产业发展，引入“AI强引擎”，助力“科学加速跑”，为构建科技引领产业共进新模式提供源源不断的源头和动力。\*\*论坛通过北京大学快手、B站、百度百家号、抖音、微信视频号等平台进行线上直播，吸引了54余万相关领域的学者和观众收听收看。 论坛由北京大学深圳研究生院主办，得到了华为技术有限公司、昇思MindSpore开源社区、百度在线网络技术（北京）有限公司、达索析统（上海）信息技术有限公司、武汉智化科技有限公司的支持。论坛分为主旨报告、邀请报告、高峰对话环节，开场由北京大学信息工程学院院长、北京大学博雅特聘教授田永鸿主持，主旨报告环节由鄂维南院士和张锦院士主持，邀请报告环节由北京大学深圳研究生院科学智能平台中心主任陈语谦教授主持、高峰对话环节由北京大学化学与分子工程学院高毅勤教授主持。 田永鸿教授主持 **鄂维南院士** 鄂维南院士开场演讲 论坛开场，**鄂维南院士带来了“细说北大与AI for Science的故事，畅谈AI for Science赋能科研与产业变革”的演讲**，通过个人经历、科研历程描述了AI for Science从萌芽到生长的过程，畅谈了其在赋能研究和推动产业变革方面的巨大潜力。他表示，AI for Science作为一种科研新范式，可帮助解决科学计算中遇到的困难；**北大、北京科学智能研究院等高校与研究机构在推动AI for Science相关理论研究与实际应用方面做出了积极的尝试**。 **David Baker教授** David Baker教授作主旨报告 美国科学院院士、华盛顿大学蛋白质设计研究所所长、生物化学系讲席教授**David Baker以“De Novo Protein Design”为题**，线上介绍了如何在深度学习的助力下从头设计具有新功能的蛋白质，以及基于深度学习开发的工具（RoseTTAFold、ProteinMPNN等）在药物研发、跨膜纳米孔传感器的设计等方面的应用，并对未来“继续改进基本的蛋白质设计方法”、“创造蛋白质，以解决当前医学、技术和可持续发展方面的挑战”等方面进行了研究展望。 **罗毅教授** 罗毅教授作主旨报告 中国科学技术大学杰出讲席教授、严济慈讲席教授**罗毅以“人工智能机器化学家”为题，介绍了世界上首个数据驱动的全方位AI-Chemist**，它能够自动阅读文献、远程执行完整的实验方案，并借助计算大脑即时优化实验条件；它在处理复杂性问题方面有着非凡能力；为我们构建出了真正意义上人工智能机器化学家的画像。 张锦院士主持 **尤峰崎教授** 尤峰崎教授线上作主旨报告 康奈尔大学能源系统工程Zak讲席教授、康奈尔人工智能科学学院联合主任、康奈尔数字化农业研究院联合主任、康内尔系统工程博士项目主任\*\*尤峰崎教授以“Deep Learning for Sustainable Materials, Energy Systems, and Climate Adaptation: AI for Sustainability Sciences across Scales”为题线上分享了他在AI领域的最新研究成果和实践经验，\*\*详细介绍了人工智能、机器学习和深度学习技术在可持续材料、能源系统和气候适应方面的应用。**他的研究成果和实践经验为不同领域中人工智能的应用以及如何利用人工智能技术推动可持续发展提供了深刻洞见。** **程俊教授** 程俊教授作主旨报告 厦门大学化学化工学院教授\*\*程俊以“人工智能加速从头算电化学”为主题，主要介绍了从头算分子动力学在电化学中的应用以及人工智能加速算法在计算化学中的未来发展前景。\*\*从头算精度的算法保证了电化学体系的准确性，对一些简单体系应用在微观层次带来新的认识，而人工智能加速更是可以研究更大的介观尺度，有望助力新的科学发现。他还指出人工智能给计算化学带来重大机遇，可以实质性帮助实验化学家们解决复杂化学体系中的真问题，在能源存储和转化等重要的电化学应用领域产生越来越大的推动作用。 **刘铁岩博士** 刘铁岩博士作主旨报告 微软杰出首席科学家、微软研究院科学智能中心亚洲区负责人、微软亚洲研究院副院长\*\*刘铁岩博士作题为“AI for Molecular Science: From Simulation to Generation”的主旨报告，深入探讨了AI在分子科学领域的巨大潜力，\*\*包括如何利用AI模型大幅提高分子动力学模拟的速度和规模，以及如何用生成式AI技术高效预测分子系统的平衡分布，并根据给定的性质自动设计相应的分子系统。刘博士还介绍了这些方法在疾病靶点发现和自动药物设计方面的成功应用案例。 陈语谦教授主持 **于璠博士** 于璠博士作报告 华为软件领域科学家、昇思MindSpore技术总经理、AI4Sci LAB主任**于璠博士以“大模型时代下的AI4Science发展与设想”为题，生动地阐述了AI框架技术在降本增效方面的重要性**，突出了AI在传统科学领域的革命性突破，揭示了AI4S在大模型时代的发展与设想。他介绍了昇思大模型的训练速度、开发过程以及如何将硬件和软件框架衔接好，以支持模型的创新和部署。 **胡晓光** 胡晓光作报告 百度杰出架构师**胡晓光作题为“飞桨深度学习平台与科学计算探索”的报告，他详细介绍了飞桨深度学习平台核心特色**，飞桨在科学计算中支撑的高阶自动微分功能以及科学计算开发套件赛桨在流体、结构、气象、生物等领域的应用案例。随后他分享了百度在深度学习领域的发展历程，包括早期语言、语言处理和知识搜索的应用，以及正式对外开源的历程。 **孙伟杰** 孙伟杰作报告 深势科技创始人兼CEO\*\*孙伟杰以“AI for Science：新基建与新机遇”为题，深入探讨了人工智能在科学领域所带来的新型基础建设以及由此而来的全新机遇。\*\*深势科技致力于打造AI4S科学研究及工业研发的基础设施，并基于AI4S平台系统性解决药物、材料、能源、化工等领域的科研及工业研发问题。他通过详尽的案例和数据，展示了AI技术在科学研究领域的广泛应用和巨大潜力。将AI技术与科学研究相结合，能够更好地解决许多复杂的科学问题，提高研究的效率和精度。 **徐涛博士** 徐涛博士作报告 智化科技副总裁\*\*徐涛博士以“人工智能驱动的实验室数字化、自动化”为主题，介绍了药物研发面临的多重挑战，\*\*合成效率在药物研发中的关键问题，并介绍智化科技如何通过人工智能和自动化技术成功开发出多种解决方案，从而全方位提升药物合成的速度和效率。他认为，随着技术的不断进步和应用场景的不断扩展，人工智能将会在实验室工作中发挥更加重要的作用。 **潘颖博士** 潘颖博士作报告 英矽智能香港区负责人\*\*潘颖博士分享了关于“用于药物研发的人工智能靶点识别”的报告。\*\*潘颖博士详细介绍了如何利用人工智能驱动的靶标识别加速药物研发，包括通过分析大量的生物医学数据、预测和识别潜在的药物靶点。他指出，人工智能靶点识别的优势在于其能够快速、准确地筛选出潜在靶点，并能根据不同的疾病类型和药物类型进行定制化的分析。 _**AI4S**_ **高峰对话环节** 论坛邀请了在AI4S领域进行研究创新的专家学者与产业精英——刘铁岩博士，于璠博士，孙伟杰，胡晓光，西湖大学助理教授、人工智能与科学仿真发现实验室PI吴泰霖——进行高峰对话。\*\*对话以“AI for Science——前路漫漫亦灿灿”为主题，围绕AI4S的发展现状、问题及未来趋势展开，旨在深入探讨AI4S在推动提出科学假说、加速科学发现、解决研究领域的复杂问题、产业应用等方面的现状，其对行业发展带来的新启发以及所面临的机遇与挑战。\*\*对话由北京大学化学与分子工程学院高毅勤教授主持。在讨论中，对话嘉宾强调了互动和争鸣对于提高科学发现的可靠性和可验证性的重要性，肯定了AI4S对推动科学发现与产业应用的助力，并期待其在未来能够为科学研究和产业发展带来更多的创新、变革与突破。 高峰对话环节 随后田永鸿教授发布并介绍了**北大首批拟立项AI4S交叉研究专项项目，试点探索和需求牵引两类项目代表——北京大学深圳研究生院环境与能源学院助理教授余珂，北京大学前沿交叉学科研究院、国家杰出青年基金获得者林一瀚研究员分别作项目简介。** 余珂助理教授、林一瀚研究员作项目简介 **杨震教授闭幕总结** 杨震教授闭幕总结 北京大学深圳研究生院常务副院长杨震教授作闭幕致辞。杨震代表论坛主办方向各位专家学者的到来表示衷心的感谢。他表示，本次“科学智能，智绘未来”第二届国际高峰论坛以鄂维南院士的精彩演讲拉开帷幕，国内外的学术专家与产业精英不仅展示了AI4S的科学研究范式的前沿探索与产业应用的蓬勃发展现状，更深刻地揭示了其科学问题的解决，技术储备的提升以及产业应用和发展方面的积极影响。论坛还通过高峰对话等形式，搭建了学术与产业对话的桥梁，助力科学加速跑、推动形成战略科技力量发展合力。**希望大家继续关注围绕“AI4S与S4AI对点亮科技创新（全面创新）的无限可能展开设计（编者注）”的北京大学深圳研究生院“未来之后”AI4S系列论坛，共同探讨和分享AI4S的变革与发展。** 全场大合影 --- https://www.mindspore.cn/news/zh/2918/ --- 新闻 上海昇思AI框架&大模型创新中心生态伙伴“面对面”研讨会顺利举办 # 上海昇思AI框架&大模型创新中心生态伙伴“面对面”研讨会顺利举办 2023/12/20 # 上海昇思AI框架&大模型创新中心生态伙伴“面对面”研讨会顺利举办 12月20日上海昇思AI框架&大模型创新中心生态伙伴“面对面”研讨会在徐汇西岸顺利举办。超过20家昇思生态创新中心伙伴与意向加入的企业代表现场参会，嘉宾围绕创新中心运营计划、昇思MindSpore AI框架产品竞争力进行了热烈的讨论，会后与创新中心运营相关负责人进行了深入交流，为创新中心运营及产品竞争力提升贡献了宝贵建议。 上海人工智能研究院副院长杨浩，上海人工智能研究院创新业务总监蔡昉，上海昇腾人工智能生态创新中心COO张中阳，上海昇腾人工智能生态创新中心CTO贾挺猛出席活动，并与生态伙伴进行了多种形式的互动。 上海人工智能研究院创新业务总监蔡昉 上海昇腾人工智能生态创新中心CTO贾挺猛 今年6月，华为联合闵行区、临港集团、上海人工智能研究院在上海成立了全球首个昇思生态创新中心，18家AI大模型相关企业成为首批创新中心伙伴。创新中心致力于携手产业伙伴基于昇思MindSpore AI框架，支持全国范围的AI技术企业、高校与科研院所孵化大模型、科学智能技术研究，进而赋能企业打造极简易用、极致性能的AI解决方案和应用，服务互联网、电信运营商、金融、教育、医疗等人工智能关键产业方向，打造一系列富有竞争力的“AI+行业”的示范性应用场景，推动产业集聚。 面向大模型时代，作为新一代覆盖端边云全场景的AI框架，昇思MindSpore开源三年多以来，打造了国内最具创新活力的AI开源社区和丰富的南北向生态，南向支持多样性算力，北向使能百模千态，目前昇思已经支持国内超过40%的大模型及科学智能成果。昇思AI框架&大模型创新中心将成为立足上海、面向全国、辐射全球的大模型、AI应用创新阵地，加速人工智能产业繁荣。 展望未来，昇思AI框架&大模型创新中心将与生态伙伴一道，面向行业走深向实，与伙伴们共同探索人工智能产业前沿，共赢智能时代。 --- https://www.mindspore.cn/news/zh/2927/ --- 新闻 中国人工智能学会-昇思MindSpore学术基金、昇腾CANN学术基金项目入选名单揭晓 # 中国人工智能学会-昇思MindSpore学术基金、昇腾CANN学术基金项目入选名单揭晓 2023/12/22 # 中国人工智能学会-昇思MindSpore学术基金、昇腾CANN学术基金项目入选名单揭晓 为激励原创性科学研究开展，推动人工智能方法在科学领域的创新应用，中国人工智能学会携手鹏城实验室、华为技术有限公司于2023年发起《中国人工智能学会-昇思MindSpore学术基金》、《中国人工智能学会-昇腾CANN学术基金》。 近日，2023-2024年度中国人工智能学会-昇思MindSpore学术基金、昇腾CANN学术基金项目入选名单揭晓。经形式审查，35位人工智能领域专家进行项目初评，12位专家进行项目终评，本年度有22个项目入选。其中15个项目入选《中国人工智能学会-昇思MindSpore学术基金》名单，7个项目入选《中国人工智能学会-昇腾CANN学术基金》名单。 **2023-2024年度《中国人工智能学会-昇思MindSpore学术基金》入选名单** （按课题设置排序） **2023-2024年度《中国人工智能学会-昇腾CANN学术基金》入选名单** （按课题设置排序） --- https://www.mindspore.cn/news/zh/2928/ --- 新闻 共建昇思MindSpore开源生态，社区开发者新增PR数量贡献已超过20%！ # 共建昇思MindSpore开源生态，社区开发者新增PR数量贡献已超过20%！ 2023/12/22 # 共建昇思MindSpore开源生态，社区开发者新增PR数量贡献已超过20%！ 中国大数据技术大会由中国计算机学会创立于2008年，迄今已成功举办十六届，从创办之初仅60余人参加的技术沙龙，发展到如今每年数千人参与的技术盛宴，它不仅见证了大数据技术生态在中国的建立、发展和成熟，也已成为国内外大数据技术精英最期待的年度盛会和极具行业实践的专业大数据交流平台。 第十七届中国大数据技术大会（简称BDTC 2023）于2023年12月22日-24日在广州市黄埔区君澜酒店（黄埔国际会议中心）隆重举行。本届大会以“智聚羊城，数算未来”为主题，分为1场主论坛和18场分论坛，覆盖基础大模型、多模态大模型、司法大模型、开源云计算、AI+Science、智慧城市、大数据与算力基础设施等时下最受关注的技术议题，邀请来自各个领域的院士、学术专家及企业技术专家等业界权威人士共聚一堂，融合产学研用前沿技术与学术成果，共同探讨大数据的核心科学与技术问题，深入挖掘大数据蕴藏的巨大潜力和能量。 大会百余位院士、专家已云集完毕，19个论坛正蓄势待发，共同呈献3日技术盛宴！ 人工智能（AI）已经成为当前技术领域的热门话题，而开源软件在AI领域的重要性也与日俱增。各类AI开源框架和算法有效促进了人工智能技术的发展和普及，在推动创新和合作的同时也加速了应用部署和商业化进程。对从业者而言，开源生态除技术透明度和可信度之外，也提供了有力的社区支持。 12月22日下午，BDTC 2023“AI开源框架与算法论坛”成功举办。本论坛邀请了来自学术界与工业界的优秀学者和技术人员，与会者分享AI领域的突出开源成果，包括大模型、深度学习框架、图数据库、图神经网络等热点方向。通过本次论坛的报告分享，参会者可以了解到国内AI开源领域的最新动态和成果。 华为计算开源生态总监黄之鹏以《基于昇腾与昇思MindSpore的全新LLM开源生态》为题为论坛作主旨演讲，他介绍了基于开源AI框架昇思MindSpore以及昇腾Atlas系列硬件等，如何构建一个极具创新能力的LLM开源生态，推动整个产业的发展。 演讲中，黄之鹏分享了昇思MindSpore开源社区的重要开发者生态进展：截至目前，2023年昇思开源社区新增PR数量中，外部开发者贡献已超过20%；社区累计下载量达633万+，发展超过240万开发者，其中核心贡献者24000多位。 未来，昇思MindSpore开源社区将继续致力于打造开发者友好型社区，为繁荣中国人工智能产业与开源生态做出更大贡献。 --- https://www.mindspore.cn/news/zh/2929/ --- 新闻 Merry Christmas ! 昇思MindSpore祝您圣诞快乐，平安喜乐！ # Merry Christmas ! 昇思MindSpore祝您圣诞快乐，平安喜乐！ 2023/12/25 # Merry Christmas ! 昇思MindSpore祝您圣诞快乐，平安喜乐！ 各位小孢子们，圣诞节快乐！上期昇思MindSpore圣诞狂欢在今天落下帷幕。本次活动共评出50名获奖选手。现将公布获奖名单如下，快來看看你有沒有获奖吧！ --- https://www.mindspore.cn/news/zh/2932/ --- 新闻 HiQ量子计算云服务新版上线，量子编程环境和体验全新升级，高性能Notebook一键尝新！ # HiQ量子计算云服务新版上线，量子编程环境和体验全新升级，高性能Notebook一键尝新！ 2023/12/28 # HiQ量子计算云服务新版上线，量子编程环境和体验全新升级，高性能Notebook一键尝新！ **新版本** HiQ量子计算云服务新版正式上线，新版本支持**更丰富的量子编程环境**、**全新的图形编程界面和组合门功能、JupyterLab长期存储功能、Jupyter Notebook高性能计算资源**以及**面向初学者的量子计算编程练习题库。** 下面就带着大家一起快速浏览新版HiQ量子计算云服务。 HiQ量子计算云服务登录地址：https://hiq.huaweicloud.com/portal/home **点击文末【阅读原文】可直接体验新版云服务。** **01** **云服务UI视觉设计全新改版** 产品团队按照业界标准与开发者的使用习惯对云服务进行了如下优化：首页banner以3D立体风格为主，图标以毛玻璃拟态风格为主，搭配简约线性图标为辅，整体色系调整为商务蓝，首页的卡片式设计让整体页面布局清晰，内容方便查找，提高用户使用效率。 **02** ****四种在线量子模拟编程环境**** 开发者无需安装软件，打开浏览器选择任意开发环境即可开始量子计算编程之旅。 **03** ****HiQ Composer**** **HiQ Composer 是在线图形化量子线路编程环境，提供全振幅模拟器，开发者可自由拖拽量子门搭建量子线路。** \*\*3.1 \*\*组合门：\*\*\*\*图形编程界面选择多个量子门后，可以设置为组合门。组合门支持展开、折叠、拆分、设置内部量子比特结构；支持拖拽移动、复制、粘贴、剪切、删除等快捷操作。 \*\*3.2 \*\*代码线路互转：\*\*\*\*图形编程拖拽线路，实时生成OpenQASM2.0代码，编辑代码也能实时生成线路，支持复制、导入和导出代码。 **04** ****CodeArts IDE Online**** **CodeArts IDE Online（原CloudIDE全新改版）是基于云计算的轻量级WebIDE，内置HiQ量子计算插件， 支持2U8GB独占容器模式，开发模式类似VSCode。** - 界面可定制，支持基于插件的横向能力扩展。 - 支持在线调试和在线运行，构建和运行配置可修改，断点调试能力与本地IDE保持一致。 - 一键式环境获取，只需十秒钟，即获得开箱即用的开发环境。 **05** ********Jupyter Notebook******** **5.1 JupyterLab**\*\*（免费使用），让量子探索&教学更简单\*\* JupyterLab是一个即开即用、免费的量子计算在线集成开发服务，内部环境依托Jupyter Notebook功能，同时内置了量子计算编程框架MindSpore Quantum镜像，提供2U4GB免费算力，数据可保留3天（**72小时**内没有使用会自动释放资源），**请注意数据备份；如需**长期存储文件和数据，请使用**华为云对象存储服务(OBS)。**\*\*\*\* - 云原生Notebook，案例内容秒级接入与分享。 - 即开即用，提供2U4GB免费算力，数据可免费保留3天。 - 如需**长期存储文件和数据**，请绑定华为云对象存储服务(OBS)，按需计费/包年包月计费，40GB包月最低仅需1元，**包年最低仅需9元**。 - - ## **5.2** **HiQ@ModelArts****高性能版本****，云上云下，无缝协同** - 代码开发与调测，云化使用，本地IDE+ModelArts插件远程开发能力，贴近开发人员使用习惯。 - 云上开发环境，**支持多种计算资源**，云上存储，预置量子计算编程框架MindSpore Quantum\*\*。\*\* - 运行环境自定义，**将开发环境直接保存为镜像**，供开发研究使用。 **亮点特性1：远程开发 - 支持本地IDE远程访问Notebook** 新版Notebook提供了远程开发功能，通过开启SSH连接，用户本地IDE可以远程连接到ModelArts的Notebook开发环境中，调试和运行代码。 对于使用本地IDE的开发者，由于本地资源限制，运行和调试环境大多使用团队公共搭建的CPU或GPU服务器，并且是多人共用，这带来一定的环境搭建和维护成本。 而ModelArts的Notebook的优势是即开即用，它预先装好了量子计算编程框架**MindSpore Quantum**，并且提供了非常多的可选规格，用户可以独占一个容器环境，不受其他人的干扰。只需简单配置，用户即可通过本地IDE连接到该环境进行运行和调试。 **亮点特性2：开发环境保存 - 支持一键镜像保存** ModelArts的新版Notebook提供了镜像保存功能。支持一键将运行中的Notebook实例保存为镜像，将准备好的环境保存下来，可以作为自定义镜像，方便后续使用，并且方便进行分享。 保存镜像时，安装的依赖包（pip包）不丢失，VS Code远程开发场景下，在Server端安装的插件不丢失。 保存镜像 使用自定义镜像 **亮点特性3：开发环境 - 支持Debug调试功能** Debug断点调试功能帮助开发者更快速、更准确地发现和解决代码中的问题，提高代码的质量和效率。 **06** **云服务新增Challenge页面** Challenge页面是\*\*\*\***MindSpore Quantum编程实践**\*\*界面，\*\*赛题全部开放，所有用户均可通过云服务进入答题页面进行练习。 HiQ量子计算云服务更多使用教程，请查看HiQ量子计算官网-文档。https://hiq.huaweicloud.com/document/wtsnew-hiqcloud **关注MindSpore公众号，点击文末【阅读原文】可直接体验新版云服务。** 如果您想在教学或活动中使用HiQ量子计算云服务，非常欢迎直接和我们联系。 在体验和使用云服务的过程中，如果您有任何问题和意见反馈，请发送邮件至****hiqinfo@public.mindspore.cn****，感谢您的支持。我们将根据用户需求，不断升级优化HiQ量子计算云服务，与开发者共建和谐生态，加快推动量子计算的发展。 --- https://www.mindspore.cn/news/zh/2933/ --- 新闻 智能遥感开源生态联盟2023年会在武汉成功举办 # 智能遥感开源生态联盟2023年会在武汉成功举办 2023/12/28 # 智能遥感开源生态联盟2023年会在武汉成功举办 12月26日，**智能遥感开源生态联盟2023年会**在武汉大学举行。大会以“**大模型时代的智能遥感创新与应用**”为主题，旨在探讨遥感领域的行业应用实践与前沿研究课题，推动智能遥感产业升级。 本次大会由“智能遥感开源生态联盟（中国遥感应用协会遥感智能计算与开源应用分会）”主办，**武汉大学、湖北珞珈实验室、武汉人工智能计算中心、华为技术有限公司联合**承办，**昇思MindSpore\*\*\*\*开源社区**协办。国内外院士、专家学者、行业专家和产业联盟单位齐聚一堂，共商遥感产业新未来。会上，发布了**新一代遥感智能解译训推一体平台——珞珈.灵感（Luojia.SmartSensing）平台**。会议由联盟秘书长、武汉大学与湖北珞珈实验室教授胡翔云主持。13万人观看会议直播。 中国科学院院士、湖北珞珈实验室首席科学家、联盟理事长、武汉大学教授龚健雅出席会议并致辞，他表示，人工智能产业的高速发展正加速大模型的迭代与应用，各产业界需重视开源、开放，希望生态联盟各单位协同合作，推动遥感技术创新发展。 中国科学院院士、武汉大学教授 龚健雅致辞 遥感应用协会副理事长兼秘书长卫征在致辞中表示：“要进一步以各行业的主体业务以及华为相应的智能化生态加强融合，更好地在业务点、业务领域深入融合遥感及空间信息的技术数据，注重形成系统化、整体化、智慧化的服务模式和解决方案。他也呼吁发挥华为在手机等智能终端的生态优势，更好地把遥感与通用终端、通用条件、通用技术衔接起来。” 遥感应用协会副理事长兼秘书长 卫征致辞 武汉大学先进技术研究院院长兼科学技术发展研究院副院长、湖北珞珈实验室副主任柯涛教授在致辞中表示：“随着航天的发展，对地观测数据量和数据源都与日俱增，遥感大数据的高效处理和应用已经成为亟待解决的难题。在大模型的浪潮下，人工智能与遥感的融合将带来遥感相关技术的革新，遥感市场也迎来了前所未有的机遇。” 武汉大学先进技术研究院院长兼科学技术发展研究院副院长 湖北珞珈实验室副主任 柯涛教授 特邀报告环节，中科院自动化所“紫东太初”大模型研究中心常务副主任、武汉人工智能研究院院长王金桥分享了基于昇腾Atlas系列硬件与昇思MindSpore AI框架打造的紫东太初2.0大模型实践。 中科院自动化所“紫东太初”大模型研究中心常务副主任 武汉人工智能研究院院长 王金桥演讲 昇思MindSpore研发总监周胜凯以《昇思MindSpore大模型使能技术和开发实践》为主题的演讲中介绍了昇思的技术能力与生态进展，并列举了在大模型时代所发挥的基础软件根技术价值。 昇思MindSpore研发总监 周胜凯演讲 会上，龚健雅院士、卫征副理事长、华为IT基础设施集成业务部高级总监季英国、湖北珞珈实验室副主任金涛勇共同发布新一代遥感智能解译训推一体平台——珞珈.灵感（Luojia.SmartSensing）平台。该平台由武汉大学、湖北珞珈实验室及华为公司联合打造，为业界提供众多开源、开放的模型，有效支撑遥感领域科研与教学实践。 Luojia.SmartSensing珞珈.灵感平台发布 武汉大学副研究员、湖北珞珈实验室张觅介绍了平台相关进展， Luojia.SmartSensing珞珈.灵感大模型平台利用ModelMate定制化优势，建立算力调度部署和监控的中间件，融合了最先进的遥感人机交互设计理念，形成了具备13亿参数的多模态预训练大模型。平台支持从静态地物到动态视频目标的全流程解译，同时提供极简安装、开箱即用的模型，助力遥感AI产业生态繁荣。 武汉大学副研究员、湖北珞珈实验室 张觅分享 武汉大学遥感信息工程学院副院长乐鹏教授以《地理人工智能样本语言国际标准与样本库建设》为题作了主题分享，介绍了遥感领域的跨语言数据准备相关实践。 武汉大学遥感信息工程学院副院长 乐鹏分享 此外，联盟成员企业代表超图研究院卢浩博士、武汉汉达瑞副总经理易学武、中科星图产品经理赵思佳、航天宏图高级算法研究员刘国璋、基于联盟创新成果，分别从实际场景出发，就遥感及相关领域大模型应用与实践案例进行了分享。 超图研究院 卢浩博士演讲 据了解，智能遥感开源生态联盟由武汉大学与华为公司牵头发起成立，自2021年12月成立以来，已陆续吸引到武汉人工智能计算中心、航天宏图、汉达瑞、北京超图软件等40多家来自智能遥感领域的企业、高校、科研院所等加入，各联盟成员单位将LuoJia AI等联盟创新成果与自身业务融合创新，陆续孵化出了一系列场景化行业应用，推动了科技成果转化落地。 作为武汉人工智能创新发展试验区、武汉人工智能示范应用先导区的重要组成部分，武汉人工智能计算中心持续服务武汉大学、华中科技大学等高校科研团队大模型成果落地孵化，加速华工科技、传神语联网等本地头部标杆企业结合大模型技术转型升级。到目前为止，在智能制造、互联网、智慧教育、智慧医疗等场景下，武汉人工智能计算中心已经汇聚一批优秀标杆案例。 伴随大模型带来的生成式AI突破，人工智能正在进入一个新时代。未来，武汉人工智能计算中心将发挥国家级新一代人工智能公共算力开放创新平台的积极作用，在大模型应用方面加速行业落地，对接上下游资源和场景，推动大模型行业应用落地，营造武汉市大模型创新合作、应用落地的良好生态。 --- https://www.mindspore.cn/news/zh/2934/ --- 新闻 基于昇思MindSpore的抗体设计天工大模型荣获“2023AIIA 人工智能十大先锋应用案例” # 基于昇思MindSpore的抗体设计天工大模型荣获“2023AIIA 人工智能十大先锋应用案例” 2023/12/25 # 基于昇思MindSpore的抗体设计天工大模型荣获“2023AIIA 人工智能十大先锋应用案例” 近日，由中国人工智能产业发展联盟（AIIA）主办的第十次全体会议暨2023年通用人工智能创新发展论坛在重庆召开。本次大会围绕软件工程、基础平台、智能金融、智能科学等技术创新，数据、开源开放、安全治理等产业关键要素，以及金融、制造、汽车等重点行业应用等热点话题展开研讨和交流。 今年10月起，AIIA 启动“2023人工智能十大先锋应用案例征集”活动，旨在甄选具有高价值、标杆性、真落地的行业典型应用实践，打造 AI 界“奥斯卡”。经过为期2个月的征集评审，从百余项入围案例中，**基于昇思MindSpore的抗体设计模型天工大模型荣获“2023AIIA 人工智能十大先锋应用案例”。** 传统的抗体设计方法效率低、实验成本高，基于人工智能的抗体设计方法，能够针对快速变异的病毒高效改造抗体。昌平实验室和协和医学院开发了基于昇思MindSpore的抗体设计模型“天工”，通过多段功能区域的联合分布改造生成抗体序列，能够实现抗体功能设计、序列嫁接和活性预测等多种任务。 “天工”模型设计效率相比传统抗体设计方法提升一个数量级以上，有效缩短了抗体药物研发周期。基于“天工”模型嫁接改造得到的人源抗体，经协和医学院团队实验验证抗体表达量提升约5至10倍，有望将抗体生产成本降低2倍以上。 未来，“天工”大模型将加大推广和落地应用，全面赋能产业升级，为繁荣中国人工智能医学产业做出更大贡献。 --- https://www.mindspore.cn/news/zh/2935/ --- 新闻 【昇思MindSpore技术公开课】第七讲：鹏城·脑海模型的训练过程课程预告 # 【昇思MindSpore技术公开课】第七讲：鹏城·脑海模型的训练过程课程预告 2024/01/04 # 【昇思MindSpore技术公开课】第七讲：鹏城·脑海模型的训练过程课程预告 昇思MindSpore技术公开课大模型专题第二期课程火爆来袭！未报名的小伙伴抓紧时间扫描下方二维码参与课程，并同步加入课程群，有免费丰富的课程资源在等着你。\*\*课程同步赋能第8届ICT大赛，\*\*欢迎大家报名参与！ 本周六（2024年1月6日）14:00-15:30昇思MindSpore技术公开课大模型专题课程迎来新年第一课——鹏城·脑海模型的训练过程。鹏城·脑海200B模型是具有2千亿参数的自回归式语言模型，在中国算力网枢纽节点‘鹏城云脑Ⅱ’千卡集群上基于昇思MindSpore的多维分布式并行技术进行长期大规模训练，目前完成了1.8T token量的训练。欢迎各位开发者进入直播间一同学习，探讨更多大模型问题！ --- https://www.mindspore.cn/news/zh/2937/ --- 新闻 遥感+AI，珈和科技基于昇思MindSpore实现平台颠覆式创新，斩获2023CICAS专项奖 # 遥感+AI，珈和科技基于昇思MindSpore实现平台颠覆式创新，斩获2023CICAS专项奖 2024/01/03 # 遥感+AI，珈和科技基于昇思MindSpore实现平台颠覆式创新，斩获2023CICAS专项奖 近日，由中国人工智能学会、科技部新一代人工智能发展研究中心联合主办的2023首届全国人工智能应用场景创新挑战赛在北京顺利落下帷幕。经过三轮激烈角逐，**珈和科技凭借“基于昇思MindSpore的珈和遥感AI解译平台及SaaS服务应用”斩获智能遥感场景专项赛二等奖。** 此大赛旨在加速通用人工智能核心技术攻关、产品开发、标准定制和产业培育，着力解决人工智能重大应用和产业化问题，力争打造全国人工智能应用场景创新和科技成果产业化赛事第一品牌，为赋能我国传统产业转型升级和数字经济高质量发展贡献力量。 **遥感+AI，珈和核心竞争力** 珈和科技作为武汉大学遥感测绘学院根正苗红的产业化先锋，一直以来获得了其在卫星遥感领域强力的技术支持。据此，珈和打造出若干以政策为导向、迎合市场及行业需求的创新型产品，为用户提供遥感数据运行管理及多场景数据服务。 **领先的算法能力** 珈和科技以自研算法和Luojianet为核心，与昇思MindSpore AI框架深度融合，依托业内领先的高光谱影像重建及超空间分辨率重建技术，构建私有光谱库，利用机器学习方法从多光谱和高光谱库中超分得到高光谱影像，提升应用精度，使得数据处理时间减少50%，成本节省约30%左右。 **一站式服务能力** 以用户需求为先，珈和构建集遥感数据处理、加工、管理和成果分发于一体的一站式服务模式；打破传统遥感影像处理费时费力的技术瓶颈，为用户提供一套一键式管理、拓展即多维视窗、目标导向、自动运行的遥感数据管理平台，实现便捷、开放、灵活、稳定的颠覆式创新。 **数据标准化能力** 珈和深耕遥感领域多年，建立了庞大的遥感影像样本库，珈和集成超40+类AI地物识别算法，200+类垂直场景应用级算法，实现地块边界、农作物类型、生态环境分级等地物类型监测的自动计算，数据产品均可满足OGC标准。 **快速交付能力** 珈和将卫星遥感监测大数据封装成标准的API，对外提供数据接口技术支持和定制化SDK服务，数据生产、UI设计、可视化平台搭建等全过程实现标准化，可为客户降低近80%人力成本，实现小时级的快速交付。 中国人工智能学会、科技部等评委会对“基于昇思MindSpore的珈和遥感AI解译平台及SaaS服务应用”的认可，将推动昇思MindSpore继续携手珈和科技努力不断提升技术、优化场景，落地更多服务三农的标杆案例。 --- https://www.mindspore.cn/news/zh/2943/ --- 新闻 重磅发布 | “基于昇思MindSpore的智能通信”实践课程在兰州大学正式上线！ # 重磅发布 | “基于昇思MindSpore的智能通信”实践课程在兰州大学正式上线！ 2024/01/08 # 重磅发布 | “基于昇思MindSpore的智能通信”实践课程在兰州大学正式上线！ **导 语** **人工智能技术已经在计算机视觉、语音识别和机器翻译等领域取得了巨大成功，同时也成为推动无线通信行业快速发展的重要引擎。随着移动通信从5G逐步迈向6G，深度学习与无线通信的智能融合已经成为6G发展的关键方向。近年来，学术界在基于深度学习的信道估计、信号检测、信道编译码以及语义通信等智能通信研究领域取得了众多引人注目的研究成果。** **智能通信近年来在学术界受到广泛关注，然而，在通信工程等电子信息类本科专业人才培养中，智能通信的教学仍显得不够充实。为了解决这一问题，兰州大学袁磊副教授依托教育部-华为“智能基座”产教融合协同育人基地“金课”建设项目，建设了“基于昇思MindSpore的智能通信”在线实践课程。本课程以深度学习和昇思MindSpore基础知识为切入点，构建了多个富有挑战性的智能通信实践案例，通过逐步深入的实践使学生掌握智能通信系统的开发流程和实际应用。这既为学生提供了实战经验，也为电子信息类本科生进入智能通\*\*\*\*信研究领域搭建了坚实的基础。** **“基于昇思MindSpore的智能通信”课程网址：** **https://www.educoder.net/paths/fi2axo4** **0\*\*\*\*1** **课程简介** 兰州大学“基于MindSpore的智能通信”课程主页 智能通信是无线通信领域的前沿研究方向，本课程基于国产AI框架昇思MindSpore构建了深度学习的调制类型盲识别、神经网络译码器和基于深度学习的信道编码码率盲识别三个方面的智能通信实践教学案例。在调制类型盲识别方面，既有基于星座图的案例，也有基于实测波形数据集的案例。并深入介绍了基于复数神经网络和多种信号特征融合的调制类型盲识别方法；在神经网络译码器方面，针对5G中使用的LDPC码和Polar码，开发了基于循环神经网络的LDPC码译码和基于ResNet的Polar码译码案例，进一步针对实际无线系统中可能遇到的噪声并非高斯白噪声而是相关噪声的问题，引入了利用卷积神经网络对噪声进行降噪和高斯化后进行信道译码的联合降噪译码案例；在信道编码码率盲识别领域，针对通信信号侦察领域需要进行信道编码码率盲识别的问题，先介绍了传统的LDPC码码率盲识别算法，然后开发了多种利用DL进行码率盲识别的案例，让学生了解利用DL进行码率盲识别的优势和掌握相关设计方法。 **02** **教学目标** **本课程的教学目标如下：** - 理解智能通信的相关概念和发展趋势，激发学生的自主创新意识； - 掌握运用Python和Matlab编程语言开发无线通信系统物理层相关算法； - 掌握国产AI框架昇思MindSpore的基本开发流程及经典的深度学习网络模型； - 掌握运用昇思MindSpore和DL进行调制类型盲识别和信道编码码率盲识别算法开发; - 神经网络译码器设计，培养学生的实践创新能力。 **03** **课程特色** **(1) 昇思MindSpore驱动前沿教学** 本课程在国内率先开展了基于昇思MindSpore的6G前沿领域智能通信教学，以调制类型盲识别、信道编码码率盲识别及信道编码译码器设计三个应用场景为抓手，通过开发的多个实践教学案例让学生掌握如何将CNN、RNN、LSTM、ResNet等DL基础知识应用于无线通信系统设计，从而适应未来通信行业人才发展需求。 **(2)** ****多层次案例式教学**** 本课程采用案例式教学，通过巧妙设计不同难度的实践案例，旨在提升学生的创新能力与实际应用技能。在基础性实践案例中，帮助学生运用Matlab、Python等编程工具，完成传统无线通信物理层算法的开发，同时通过实践掌握昇思MindSpore和经典深度学习网络模型（如AlexNet、ResNet等），全面参与智能通信实践案例的开发；在高阶性实践案例中，学生将面临更具挑战性的任务，需要自主设计复杂的深度学习网络模型，并运用这些模型进行智能通信相关实验。这一层次的实践旨在培养学生独立解决复杂问题的能力，加深对深度学习在通信领域的应用理解。通过案例式教学，学生将更好地理论与实践相结合，为未来职业发展打下坚实基础。 **(3) 交互******引导式教学手段**** 本课程以无线通信中不同任务为背景，设置实践案例，让学生充分理解学习内容的应用场景和应用方式。课程提供Matlab代码和Python代码进行引导和测评，学生需要根据已给出的代码指引和任务描述，将代码补充完整，使其能够顺利达到设定的任务目标。在具体案例中，任务内容按照DL经典流程分为3个步骤，第一步是数据集的调用和预处理，数据集可以通过Matlab或者Python生成，也可以调用公开的数据集；第二步学习如何调用昇思MindSpore框架提供的DL网络接口或自主设计DL网络，构建完成相应任务的网络模型；第三步是网络模型的训练及验证训练后网络模型的效果。通过上述3个步骤层层递进，引导学生快速掌握案例内容。 **04** **课程章节** **第一章** **人工智能概论** 人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。 1-1 人工智能综述 **第二章** **Python基础语法** Python是一种面向对象的解释型计算机程序设计语言。它有着代码简洁、可读性强的特点。代码简洁是因为它把许多的复杂的操作封装起来，将C语言中麻烦的指针和内存管理对开发者隐藏起来，使得在开发过程中，无须在意这部分的细节。另外Python这们语言强制用户用缩进进行排版，若不好好排版，则代码编译无法通过，或者运行过程会出现错误。 2-1 列表 2-2 元祖 2-3 字典 2-4 函数 2-5 类 **第三章** **深度学习基础** 深度学习(DL, Deep Learning)是机器学习(ML, Machine Learning)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能(AI, Artificial Intelligence)。本章将对深度学习的各个基础模块进行教学，帮助同学们快速入门深度学习。 3-1 神经元 3-2 激活函数 3-3 损失函数 3-4 前馈神经网络 3-5 卷积神经网络 3-6 循环神经网络 **第四章** **昇思MindSpore基础** 昇思MindSpore是一个全场景深度学习框架，旨在实现易开发、高效执行、全场景覆盖三大目标。其中，易开发表现为API友好、调试难度低；高效执行包括计算效率、数据预处理效率和分布式训练效率；全场景则指框架同时支持云、边缘以及端侧场景。本章将教学如何在昇思MindSpore框架下进行深度学习基本操作。 4-1 昇思MindSpore简介 4-2 昇思MindSpore环境搭建 4-3 昇思MindSpore基础内容 4-4 昇思MindSpore入门实战 **第五章** **Matlab基础** Matlab是一种广泛应用于工程计算及数据分析领域的高级语言；具有功能强大、语言简单、简单易学、编成效率高、扩充能力强等优点。其广泛应用于数值计算、图形处理、符号运算、数学建模、系统辨识、小波分析、实时控制、动态仿真等领域。通信教学中常用它来实现许多算法的设计和仿真。第五章将使用Matlab完成两个基本的编译码实例，来让学生对通信的基础知识和结构有大致的了解。 5-1 Matlab语法简介 5-2 Matlab进阶实例 **第六章** **调制类型盲识别** 信号调试方式识别技术在军、民等领域具有重要研究价值，信号调制方式的正确识别是通信接收机正确解调译码的前提。盲调制识别技术旨在接收未知调制信号类型并自动分类识别，此技术能在大量复杂多样的调制信号中正确识别调制格式。目前基于深度学习的盲调制识别技术能发挥深度学习在图像识别分类方面的极大优势，其稳定性和准确率都达到了空前高度。 6-1 调制类型盲识别介绍 6-2 基于GoodLeNet的信号调制类型盲识别 6-3 基于波形数据的调制类型盲识别 6-4 基于信号特征融合的调制类型盲识别 6-5 基于复数网络的调制类型盲识别 6-6 基于Attention机制的调制类型盲识别 6-7 基于迁移训练的调制类型盲识别 **第七章** **神经网络译码器** 无线通信译码是将接收到的信号转化为有意义信息的关键过程。传统方法基于数学模型和规则，使用纠错码、解调和解调器等技术进行错误检测和纠正。相比之下，基于深度学习的无线通信译码利用神经网络学习和优化译码过程，具有以下优势：灵活性、自适应性、泛化能力和高性能，已经在研究和商业产品中得到应用。然而，深度学习模型需要大量数据和计算资源进行训练和设计，同时需要注意模型的泛化能力和实时性等问题。因此，在实际应用中需要综合考虑传统算法和深度学习算法的优缺点，并选择适合的译码方法。 7-1 神经网络译码器介绍 7-2 前馈神经网络译码器 7-3 循环神经网络译码器 7-4 基于BP-CNN的降噪译码器 7-5 基于ResNet的Polar码译码器 **第八章** **信道编码码率盲识别** 信道编码码率盲识别是无线通信系统中的一项技术，通过对接收到的信号进行分析和处理，实现自动识别信道编码的码率。传统方法需要预先了解编码参数或使用参考信号估计，而码率盲识别不需要这些先验知识。深度学习作为一种强大的机器学习方法，可以自动学习特征和模式，提高准确性、实现自适应性和智能化，适应不同的信道环境和实时需求。它还具备可扩展性和通用性，有助于提升无线通信系统的性能和效率，并推动无线通信技术的发展和应用。 8-1 信道编码码率盲识别介绍 8-2 基于平均LLR的传统信道编码码率盲识别 8-3 基于AlexNet的信道编码码率盲识别 8-4 基于VGGNet的信道编码码率盲识别 8-5 基于ResNet的信道编码码率盲识别 **05** **学习导航** **(1) 课程网址** **https://www.educoder.net/paths/fi2axo4e** \*\*对于老师，\*\*可以将上述页面里的教学资源和实验资源，直接发送到老师们自己建设的课堂，供学生成建制的开展实践教学。在教学过程中，可根据学情反馈及时调整教学计划。 \*\*对于学生，\*\*点击网址链接，可跳转到课程主页，查看所有实践项目。在章节目录下点击“开始实践”即可进行案例实践。 **(2) 课程参考教材** 《智能通信：基于深度学习的物理层设计》金石，温朝凯编著，科学出版社，2020年，ISBN：978-7-03-065445-8. 《深度学习与MindSpore实践》陈雷编著，清华大学出版社，2020年，ISBN：978-7-302-54661-0. 《MATLAB基础与应用教程（第2版）》 蔡旭辉，刘卫国，蔡立燕编著，人民邮电出版社，2023年，ISBN：978-7-115-49488-7. **06** **教师团队** **袁磊** 兰州大学信息科学与工程学院副教授，硕士生导师，通信工程专业系主任，中国电子学会会员，IEEE SPCC技术委员会成员。主讲本科生课程《无线通信技术与网络》、《物联网技术及应用》及兰州大学跨学科贯通课《现代通信网络中的数学原理》。主要研究方向为新一代无线通信技术，发表SCI、EI检索论文30余篇，授权发明专利8项，软件著作权5项，担任IEEE Wireless Communications Letters、IEEE Transactions on Vehicular Technology等国内外权威期刊审稿人。近几年指导学生获得“大唐杯”全国大学生移动通信5G技术大赛和全国大学生电子设计竞赛的省级和国家级奖项多项。2022年获得华为昇腾众智星光奖和教育部-华为智能基座“栋梁之师”称号，2023年其负责的无线通信与信息论课程教学团队荣获兰州大学“隆基教学创新奖”。 --- https://www.mindspore.cn/news/zh/2946/ --- 新闻 2023年度总结｜昇思MindSpore开源社区携手产业伙伴和开发者，使能百模千态，繁荣生态 # 2023年度总结｜昇思MindSpore开源社区携手产业伙伴和开发者，使能百模千态，繁荣生态 2024/01/11 # 2023年度总结｜昇思MindSpore开源社区携手产业伙伴和开发者，使能百模千态，繁荣生态 **_昇思MindSpore2023年年度总结_** **一、社区规模** 2023年，昇思MindSpore开源社区生态繁荣发展。 截至2023年12月，昇思MindSpore下载量突破**657W+**，2023年增长了**301W+**；昇思大模型平台下载量突破**57W+**，作为首个基于自主创新的AI算力和框架、服务全球开发者的一站式大模型平台，已有\*\*28.7K+**名用户注册使用，其中**2.2K+\*\*核心贡献者。 昇思开源社区新增PR数量中，外部开发者贡献已超过**20%**。昇思 MindSpore 已凝聚\*\*250万+**开发者，**2.5万+**开发者在社区作出卓越贡献，基于昇思产业落地的大模型占国内整体应用大模型**40%+**，服务超过**5500+\*\*企业，帮助客户构建应用方案，加速 AI 场景化应用。 昇思MindSpore开源社区理事会正式成立，**18家**单位加入理事会共同促进社区建设。 二、技术进步 **1、2023年，昇思MindSpore\*\*\*\*科研论文位居全球TOP2** 2023年，昇思MindSpore与**100\*\*\*\*+**TOP科研团队在各个AI领域进行了深入合作，基于昇思MindSpore发表的学术论文**1000多**篇，paperswithcode网站框架使用数据显示昇思MindSpore框架2023年Q4占比达到**8%**，已位居全球第二。 \*\*2、\*\***2023年，昇思MindSpore 2大新版本发布，推出了328个实用的特性** 2023年，昇思MindSpore发布了**2**大新版本，推出了**328**个实用的特性，收到了**7932**个ISSUE和**23.1**K个PR。超过**5000+**开发者在社区做出贡献，遍及**155**个国家和地区，**2800**个城市。 ### **3、昇思MindSpore提供方便易用的套件：大模型、科学计算、基础领域套件集成易用接口和前言算法模型，助力AI开发与创新** ### **4、AI4S关键创新，推出MindSpore Elec、MindSpore SPONGE、MindSpore Flow、MindSpore Quantum等AI4S领域包，降低科研开发门槛** ### **5、基于昇思MindSpore的蛋白质结构预测与设计模型PVQD实现突破性创新** 中国科学技术大学刘海燕教授团队、安徽元构生物科技有限公司与昇思团队联合推出了基于昇思MindSpore AI框架打造的蛋白质结构预测与设计模型PVQD。该模型通过一维向量序列的离散隐空间编码，用统一的扩散生成模型实现单序列预测动态构象分布、构象柔性等能力。 PVQD模型融合AI+生物计算技术，在蛋白质结构预测领域实现突破性创新，在药物靶点发现上具有重要价值，将为生物制药产业带来全新研发动力。 ### **6、基于昇腾AI与昇思MindSpore打造的AI+科学计算新成果PeRCNN面世** 华为与中国人民大学高瓴人工智能学院孙浩教授团队合作，基于昇腾AI基础软硬件平台与昇思MindSpore AI框架提出了一种物理编码递归卷积神经网络（Physics-encoded Recurrent Convolutional Neural Network，PeRCNN），该成果已在《Nature》子刊《Nature Machine Intelligence》上发表，相关代码已在开源社区Gitee的MindSpore Flow代码仓开源。 ### **7、昇思MindSpore使能端边云车和金融、运营商等10+行业应用** 昇思MindSpore AI框架已在端边云车全场景业务大规模应用，最佳匹配昇腾NPU，同时支持NPU/GPU/CPU/国产芯片等各种异构硬件；上线1+8+N手机智慧屏手表笔记本电脑等多种端侧应用；上线问界M9，支撑小艺实现全车免唤醒，听声识人；支持端边云规模应用，在数据中心节能、5G节能时序预测、运营商网络故障分析、路由器交换机、嵌入式设备等各种ICT场景大规模使用； 在金融、运营商、教育、能源、互联网等众多行业广泛应用，并在鹏城云脑、武汉、合肥、上海、杭州、西安、廊坊、沈阳、青岛等地的人工智能计算中心广泛使用。 **三、大模型生态** 在原生支持大模型领域，基于昇思MindSpore孵化、支持的重磅大模型超过30个，包括华为云盘古大模型3.0、中科院自动化所紫东太初2.0全模态大模型、面壁智能CPM-Bee、智谱AI CodeGeex大模型、云从科技从容大模型等领先成果，部分大模型已经在金融、制造等行业发挥重要价值。 **1**\*\*、\*\***联合百川智能同步首发Baichuan2大模型** 2023年9月，华为联合百川智能发布Baichuan2开源大模型，基于MindSpore Transformers大模型套件和昇腾硬件开发与集成，并在昇思大模型平台上线Baichuan2\_7B\_Chat大模型，开放用户在线服务接口，实现全网首发。 ### **2、“鹏城·脑海”（PengCheng Mind）通用AI大模型正式发布** “鹏城·脑海”以稠密型架构实现2000亿参数，依托“鹏城云脑II”国产化AI算力平台进行全程预训练，采用了昇思MindSpore国产化深度学习框架，完善了大规模并行训练策略、底层算子性能和容错机制，显著提升了国产算力平台的训练效率，并构建了一套涵盖中文、英文及50余个“一带一路”沿线国家及地区语种的多样化语料数据集和数据质量评估工具集。 ### **3、科大讯飞联合华为发布企业专属大模型一体机** 基于昇腾AI硬件、昇思AI开源框架，提供业界领先的大模型训练、推理能力，为大模型全流程创新提供坚实的自主创新算力底座。 ### **4、智谱GLM昇腾大模型一体机联合预发布，加速行业智能化** 智谱AI&昇腾AI，联合华鲲振宇打造自主创新大模型一体机，共同推进昇腾AI基础软硬件在智谱GLM大模型上的适配。 ### **5、昇腾AI联合智源FlagOpen（飞智）大模型技术开源体系展开深入合作** 目前昇腾AI已支持智源自研开源语言大模型悟道·天鹰（Aquila）的单机和多机训练，训练性能业界领先。 ### **6、业界首个三维超临界机翼流体仿真大模型“东方.翼风”正式发布** 基于昇腾AI研发的三维超临界机翼流体仿真大模型“东方.翼风”，利用昇思MindSpore Flow流体仿真套件，结合流体领域专家经验和数据，实现对大飞机翼型全场景飞行工况模拟，大飞机三维翼型设计速度提升1000倍，并构建AI+通用气动仿真的泛化能力，加速气动领域国计民生行业跃迁式创新。 ### **7、达观“曹植”大模型正式亮相** 基于昇腾AI基础软硬件平台以及昇思MindSpore Transformers大模型开发套件开发的达观“曹植”大模型正式亮相。 ### **8、电力行业首个自主创新电力大模型发布** 昇思MindSpore开源社区联合南方电网，基于昇思大模型平台，共建电力人工智能专区，构建电力行业开发者生态桥头堡，通过昇思大模型平台，汇聚AI开发者，使能智慧电力。 昇思MindSpore开源社区联合南方电网人工智能基础设施运营中心，基于昇思大模型平台，共建电力人工智能专区，共同打造面向广大开发者的电力人工智能生态。电力专区发布了输电设备常见隐患数据集、电力安全工作规程知识库、中国电力知识百科全书数据集、电力部件数据集等9个数据集供开发者使用。 ### **9、昇思MindSpore助力紫东太初大模型开放服务平台2.0发布** ### **10、首个面向飞行器的流体力学大模型──“秦岭·翱翔”正式发布** 秦岭·翱翔”大模型是西工大流体力学智能化国际联合研究所携手华为AI4Sci Lab在国产开源流体计算软件风雷的基础上，依托昇腾AI澎湃算力及昇思MindSpore AI框架共同研发的面向飞行器流体仿真的智能化模型。 ### **11、CodeGeeX百亿参数代码大模型发布** 昇思MindSpore联合清华大学知识工程实验室，与鹏城实验室、智谱AI团队深度合作，研发了CodeGeeX百亿参数代码大模型，支持10+编程语言的生成、补全、翻译、解释等功能，HumanEval-X评测基准上取得超越目前所有开源模型的性能。 ### **12、盘古大模型3.0：重塑千行百业** 华为诺亚方舟实验，基于昇思MindSpore开发了盘古Σ，新一代的万亿参数NLP大模型，在中文自然语言处理任务上超越了业界SOTA。 **四、开源合作** \*\*1、\*\***昇思MindSpore与多个开源组织/机构、项目、基金会共建AI开源创新时代** ### **2、昇思MindSpore重磅加入OpenI启智社区，全新开源之旅即将启航** 昇思MindSpore成功通过了OpenI启智社区技术委员会的严格评审，以全票通过的方式正式加入OpenI启智社区。这一重要事件让昇思社区的开源技术体系获得新的活力，包含的基础设施、软件环境、算法框架、模型储备以及应用开发部署等环节更全面、更完善。同时，这也为国内人工智能开源领域带来了新的里程碑，标志着昇思MindSpore在人工智能开源领域的重大突破。 ### **3、依托Hugging Face社区，让更多AI开发者体验昇腾算力** Hugging Face对接MindSpore实现**Inference API**，支持MindSpore模型加载、运行，用户可直接在线上传模型进行推理服务；Hugging Face上线首个基于国产算力的**MindSpore专区**，开发者可在Hugging Face上体验昇思大模型推理服务。 ### **4、昇思MindSpore亮相Open Source Summit北美峰会** 2023年5月，由Linux主办的Open Source Summit北美峰会在加拿大成功举办，昇思MindSpore算法工程师钟源珂出席本次会议，并作《 MindSpore's Foundation Model Platform Promotes the Ecological Development of Foundation Models》主题演讲。 ### **5、2023年昇思MindSpore社区斩获业界多家知名开源奖项** 昇思MindSpore荣获**2023年东北亚优秀开源项目\*\*\*\*（CJK OSS Award, 21th NEA OSS Promotion Forum）**、第六届数字中国建设成果展览会\*\*“十大硬核科技”**称号、在中国科协科学技术传播中心、中国计算机学会、中国通信学会、中国科学院软件研究所共同主办的 2023 开源创新榜评选出的**2023年度“优秀开源社区”奖项；开放原子开源基金会2023生态开源项\*\*\*\*目\*\*等。 昇思MindSpore AI4S领域持续进行突破，计算生物领域天工大模型荣获2023AIIA人工智能十大先锋案例，流体仿真领域助力“东方.翼风”大模型荣获了世界人工智能大会WAIC最高奖项 SAIL奖； **五、社区动态** \*\*1、\*\***每一位新开发者的加入，都是对社区的又一次充能** 昇思MindSpore一直致力于开发者第一的理念，凝聚广大开发者力量共建开源社区，与开发者共同学习和成长。 2023年，超过**5000+**开发者在社区做出贡献，遍及全球**1\*\*\*\*55个**国家，**2800个**城市；截至2023年底，共**38\*\*\*\*7位**开发者成功认证昇思MindSpore优秀开发者/布道师称号，参与了MindSpore各领域的开发，其中多位优秀开发者在互联网+、第六届开源创新大赛、昇腾AI创新大赛2023、昇思大模型平台科幻与创想主题AI创作大赛中取得了优异的成绩。 未来昇思也会一直坚持这一理念吸引更多优秀的开发者加入进来一起打造有竞争力的开源社区，聚焦开发者需求，帮助更多的开发者成长。 ### **2、MindSpore SIG累计成立30+** 昇思MindSpore社区联合业界专家、学术伙伴在社区成立MindSpore Special Interest Groups（简称SIG），为该领域的专家、教授和学生提供一个开放交流的平台，通过会议分享、项目开发等活动促进技术交流、合作共赢，并使得SIG成员的影响力和技术能力得到提升，截止目前，MindSpore SIG共计成立30+。 ### **3、支持科研合作，助力学术创新** 2023年，昇思MindSpore与武汉理工大学计算机与人工智能学院、西安电子科技大学人工智能学院、深圳湾实验室、北京昌平实验室、北京大学化学与分子工程学院等360所高校开展深度合作。 以中科院空天信息创新研究院孙显研究员、浙江大学张强研究员、北京大学高伟研究员、中国科学技术大学於俊教授、武汉大学叶茫教授、武汉大学王正教授为代表的高校科研团队基于昇思MindSpore在国际顶会顶刊上发表了一系列高影响力的学术论文，共同构筑昇思MindSpore在人工智能领域学术生态。 ### **4、昇思MindSpore走入百所高校，致力于AI人才培养** MSG · 高校行开拓创新，通过MSG·暴走校园以及全新的昇思创新训练营为**35所**高校，超**15****00****名**高校开发者带来最热门的大模型赋能课程，并吸引上百名高校开发者参与开源实习，收获满满荣誉及奖励。 2023年，昇思MindSpore联合学术界、产业界各专家教授开展人工智能合作课程年度开课791门，建设校级金课79门，评选出优秀课件24+，通过开发实践，毕业设计、论文撰写、科研创新等，助力学生一步步成长为AI人才，走上科研、流入企业。其中【昇思MindSpore技术公开课】大模型专题课程16期，场均覆盖1W+人次，吸引900+开发者参与学习。 ### **5、MSG开拓创新，构建各地繁荣人工智能产业生态圈** 昇思MindSpore在海内外30个地区成立本地研究小组MindSpore Study Group，让开发者可以充分进行技术研讨、案例分享、互相交流。 MSG · 企业行全新升级，昇思开发者创享日从杭州出发，联合各地创新中心，打造\*\*300+\*\*企业案例，构建繁荣的人工智能产业生态圈； ### **6、社区开发者共建昇思开源生态** 2023年，我们共与**10000+**开发者一起，共同开展了超**2\*\*\*\*00场**MindSpore Techday、MSG等有趣硬核的开源活动，交流了\*\*500+\*\*个技术话题。 昇思大模型平台面向全球开发者举办MindCon极客周等10+AI赛事，其中，科幻与创想主题AI创作大赛吸引来自全国260+支队伍参赛，并在2023世界成都科幻大会中为12支获奖队伍颁奖，获奖作品更是获得海外媒体报道。 在2023 MindSpore量子计算黑客松全国大赛、第九届中国国际“互联网+“大学生创新创业大赛、第六届开源创新大赛、昇腾AI创新大赛2023等大赛中，数万名昇思MindSpore开发者踊跃参与，并取得优异成绩。 **六、大型活动&产业联盟** \*\*1、\*\***昇思MindSpore首届人工智能框架生态峰会成功举办** 昇思MindSpore携手行业用户与伙伴带来人工智能框架的最新进展与系列重磅发布，包括18家AI顶尖企业、学会、高校与科研院所联合发布《共建人工智能框架生态倡议》、昇思MindSpore社区理事会成立、上海昇思AI框架&大模型创新中心正式启动及首批22家单位入驻等。 ### **2、悟空画画亮相GAIDC，央视CCTV-2财经频道《正点财经》专题报道** 全球人工智能开发者先锋大会（GAIDC）上，昇思MindSpore对话数万开发者，带领大家现场体验硬科技，基于昇思MindSpore的中文文图生成模型-悟空画画大模型正式亮相，并受到了央视CCTV-2财经频道《正点财经》关于《人工智能生成内容应用丰富，大模型时代到来》专题报道。 ### **3、昇思MindSpore亮相参与业界多项会议分享，共探AI开源生态** 2023年，昇思MindSpore参与2023全球人工智能技术大会、GOTC2023全球开源技术峰会、世界级盛会 KubeCon + CloudNativeCon + Open Source Summit China、2023开放原子全球开源峰会、2023全球人工智能技术大会、第七届世界智能大会“科创中国”开源创新与信创产业发展高峰论坛、智能流体力学产业联合体第二次全体会议、“算力网络与大模型”生态产业论坛、中国光谷·多模态人工智能大会暨多模态人工智能产业联合体第三次全体会议、智能遥感开源生态联盟2023年会等会议，与产学界共同探索大模型&科学智能原生创新。 **七、展望2024** 2024年，昇思MindSpore将持续打造更优秀的AI框架，致力于做好AI创新和应用的黑土地，在大模型、AI4S、生成式等套件、安全可信、科研创新上继续耕耘，汇聚科研与产业的力量，更好地为开发者、用户与合作伙伴提供服务和支持。 欢迎更多的社区同行者、产学研伙伴继续支持，共同打造面向未来的MindSpore AI框架，一起做好AI根科技和根社区，支撑百模千态，繁荣千行万业。 --- https://www.mindspore.cn/news/zh/2952/ --- 新闻 基于昇思MindSpore！华为诺亚方舟实验室推出创新PanGu-Draw模型，剑指文生图模型的训推效率和生成效果提升 # 基于昇思MindSpore！华为诺亚方舟实验室推出创新PanGu-Draw模型，剑指文生图模型的训推效率和生成效果提升 2024/01/16 # 基于昇思MindSpore！华为诺亚方舟实验室推出创新PanGu-Draw模型，剑指文生图模型的训推效率和生成效果提升 近期，华为诺亚方舟实验室等单位推出了PanGu-Draw模型架构。PanGu-Draw基于昇思MindSpore AI框架研发，在昇腾Atlas系列硬件加持下，文生图模型在数据利用、训练和推理方面的效率得到显著提升。框架支持多个图像扩散模型的高效融合，可以通过多条件图像生成和一阶段图像超分等方式进一步提升生成效果。 注：推理代码已经开源至MindONE仓库，欢迎大家下载使用: https://github.com/mindspore-lab/mindone/tree/master/examples/pangu\\\_draw\\\_v3 在AI领域，如SD\[1\], SDXL\[2\], Imagen\[3\], DALL-E 3\[4\]等基于扩散模型的文生图模型正不断突破性能界限。这些模型经过二次训练，如采用ControlNet\[5\]、LoRA\[6\]等方法，已广泛应用于各种图像生成任务，如基于参考图、线条图、人体姿态图的生成。 随着文生图模型参数量和生成图像分辨率的不断提升，对训练数据及计算量的要求也随之增加。提高这些模型的数据利用、训练和推理效率，对于降低资源消耗、加速模型迭代更新、拓展应用场景至关重要。 华为推出的PanGu-Draw正是为解决这一挑战而生。该模型架构包含两大创新：一是面向效率提升的“时间解耦训练策略”，它将模型分为结构生成和纹理生成两个子模型，分别优化训练策略，从而提高了约48%的数据利用效率、51%的训练效率和50%的推理效率；二是“Coop-Diffusion算法”，该算法能够整合不同潜在空间或分辨率的图像扩散模型，为创新的图像生成任务提供了新途径。 基于昇思MindSpore和昇腾硬件训练所得的PanGu-Draw，在前代悟空画画的基础上进行迭代升级，参数量由Wukongv2的10亿参数升级到50亿参数，是当前业界最大的中文文生图模型。该模型在生成质量上不仅超越了开源模型如Taiyi-CN\[7\]和SDXL，还与业界领先的闭源模型如DALL-E 3和MJ v5.2媲美。此外，PanGu-Draw支持中英文双语混合输入，支持原生1024\*1024图像直出，并且提供多尺寸输出可选，如16:9、4:3、2:1…等。 针对文生图模型的推理可玩性，PanGu-Draw提供了可量化的风格化调整选项: 如动漫、艺术性、摄影控制等，可以通过量化数值控制生成风格。 论文标题： PanGu-Draw: Advancing Resource-Efficient Text-to-Image Synthesis with Time-Decoupled Training and Reusable Coop-Diffusion 论文地址： https://arxiv.org/abs/2312.16486 项目主页： https://pangu-draw.github.io 代码仓： https://github.com/mindspore-lab/mindone/tree/master/examples/pangu\\\_draw\\\_v3 \*\* \*\* \*\*\*\*\*\*1、\*\*\*\*\*\***********方法介绍********** \*\* \*\* **1.1 资源高效的文生图模型训练策略：时间解耦训练策略** 图1. 三种文生图模型训练策略的可视化说明以及它们在数据、训练和推理方面的资源效率比较。本文提出的时间解耦训练策略（Time-Decoupling Training Strategy）在资源效率方面显着超越了已有的级联训练策略（Cascaded Training）和分辨率提升训练策略（Resolution Boost Training）。 时间解耦训练策略（Time-Decoupling Training Strategy）在文生图模型的数据利用、训练和推理方面展现出显著的资源效率优势。如图1所示，与传统的级联训练策略（Cascaded Training）和分辨率提升训练策略（Resolution Boost Training）相比，时间解耦策略在资源利用上有着明显的优越性。 级联训练策略虽然数据利用效率高，但增加了三倍的训练和推理时间。分辨率提升训练策略在低分辨率训练后再提升至高分辨率，虽然节约了时间，但数据利用效率低。相比之下，时间解耦训练策略巧妙地将一个文生图模型拆分为两个专门的子模型：结构生成器和纹理生成器。这种分离策略不仅减少了对高性能计算资源的依赖，而且简化了训练流程，避免了复杂的模型分割和节点间通信成本。 在推理阶段，结构生成器首先从噪声图像生成基本轮廓，然后纹理生成器在此基础上添加细节，大幅提升了推理效率（约50%）。此外，结构生成器利用全量数据（包括高分辨率和放大的低分辨率图像）进行训练，提高了约48%的数据利用效率；而纹理生成器则在较低分辨率下进行训练，但仍以高分辨率采样，使总体训练效率提高约51%。 **1.2 多扩散模型融合算法：Coop-Diffusion 算法** 图2. 多扩散模型融合算法——Coop-Diffusion 算法的可视化。该算法提出两个子模块分别用于消除不同潜在空间和不同分辨率带来的差异，从而将多个扩散模型的去噪过程统一到同一空间。 华为提出的Coop-Diffusion算法通过两个子模块消除不同潜在空间和分辨率的差异，实现了多个扩散模型的高效融合。如图2所示，该算法成功将不同模型的去噪过程统一到同一空间中，为多条件图像生成提供了新的途径。 本算法首先使用像素图像空间作为桥梁，将不同潜在空间中的模型预测统一，实现了在同一潜在空间中的多模型融合。接着，针对不同分辨率的扩散模型，算法可以通过下采样或者经过特定步骤的上采样来实现不同分辨率模型的融合，而不会损害图像质量。 Coop-Diffusion算法的创新之处在于，它能够将先前难以兼容的多个扩散模型融合为一个统一的整体，从而在保持图像质量的同时，提高了模型在实际应用中的灵活性和效率。 下图展示了完整的算法流程。 图3. Coop-Diffusion多扩散模型融合算法流程。 \*\* \*\* ******2、实验结果****** \*\* \*\* 华为研究团队在昇思MindSpore全场景AI框架上成功实施了时间解耦训练策略，创造了突破性的文生图模型——PanGu-Draw。这款模型具备五十亿参数量，能够以中英文双语生成高分辨率、高质量的图像。为了实现中英文双语的图像生成功能，PanGu-Draw使用了专门的中文和英文文本编码器对输入文本进行特征提取。此外，为了适应多分辨率的图像生成需求，研究团队选择了1024x1024分辨率附近的11种不同分辨率，并将相应的位置编码融入到模型中。 在训练数据的构造上，团队为了确保数据的多样性和高质量，选用了包括Noah-Wukong\[8\]、LAION\[9\]、摄影、动漫、人像和游戏素材等多个来源的数据。这些数据经过了严格的筛选，包括基于CLIP分数、美学分数和水印分数的过滤，以及对低质量文本标注的剔除。同时，研究团队采用了基于开集检测模型和大型语言模型的方法，以确保获取高质量的文本标注。 最后，PanGu-Draw采用了Flash Attention、混合精度训练和梯度累积等技术，以优化显存使用。 **2.1 量化指标比较** 表1. PanGu-Draw在COCO 数据集上与英文文生图模型的比较。PanGu-Draw达到了开源模型中最好的生成质量，并且与业界最优的闭源模型生成质量相当。 表2. PanGu-Draw在COCO-CN数据集上与中文文生图模型的比较。PanGu-Draw达到了最优的生成质量。 表3. PanGu-Draw在人工评测中与基线模型的比较。PanGu-Draw比SD和SDXL生成质量更好，同时与DALL-E 3和MJ 5.2生成质量相当。 表1、2、3展示了PanGu-Draw与基线模型在中英文COCO数据集和人工评测中的量化指标比较结果。结果显示，PanGu-Draw达到了开源模型中最好的生成质量，并且与业界最优的闭源模型如DALL-E 3和MJ v5.2生成质量相当。 **2.2 可视化结果比较** 图4. PanGu-Draw模型与基线方法的可视化比较。使用的输入文本来自于RAPHAEL并展示在图片底部。PanGu-Draw模型的生成结果优于或与已有方法相当。 图4展示了PanGu-Draw与基线模型的可视化比较结果。可以看出，PanGu-Draw的生成结果优于或与已有方法相当。 **2.3 生成结果展示** 图5. PanGu-Draw生成的与输入文本语义一致的多分辨率高质量图像。 图5展示了PanGu-Draw的高质量多分辨率文生图结果。更多可视化结果可见项目主页。 图6. 基于Coop-Diffusion算法融合了图像重构模型和PanGu-Draw实现的多条件（中文文本+图像）图像生成。 图7. 基于Coop-Diffusion算法融合了低分辨率图像生成模型和PanGu-Draw模型实现的一阶段超分效果。其中，左边一列是低分辨率图像生成模型的低分辨率生成结果，右边一列是融合了PanGu-Draw的高分辨率生成结果。 最后，如图6、7所示，Coop-Diffusion算法使得PanGu-Draw能够与已有模型进行融合从而无需额外训练就能够应用在多条件图像生成和一阶段图像超分任务中。 \*\* \*\* ******3、总结****** \*\* \*\* \*\*创新的训练策略：\*\*华为的PanGu-Draw架构引入了一种资源高效的文生图模型训练策略——时间解耦训练策略。这一策略显著提升了文生图模型在数据利用、训练和推理方面的效率，为AI图像生成领域带来了新的突破。 \*\*多模型融合的突破：\*\*PanGu-Draw架构还提出了一种创新的多扩散模型融合算法——Coop-Diffusion。该算法成功地将不同潜在空间和分辨率的扩散模型去噪过程统一到同一空间，实现了多个图像扩散模型的有效融合，开辟了新的图像生成途径。 \*\*生成质量与灵活性：\*\*在生成质量方面，PanGu-Draw不仅在业界开源模型中名列前茅，而且与顶尖的闭源模型如DALL-E 3和MJ v5.2的生成质量相媲美。此外，Coop-Diffusion算法的引入使得PanGu-Draw能够与现有模型融合，无需额外训练即可应用于新的下游图像生成任务，显示了极高的适应性和实用性。 ## **参考文献** \[1\] Robin Rombach, Andreas Blattmann, Dominik Lorenz, Patrick Esser, and Bj¨orn Ommer. High-resolution image synthesis with latent diffusion models. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition, pages 10684–10695, 2022. 6 \[2\] Dustin Podell, Zion English, Kyle Lacey, Andreas Blattmann, Tim Dockhorn, Jonas M¨uller, Joe Penna, and Robin Rombach. Sdxl: improving latent diffusion models for high-resolution image synthesis. arXiv preprint arXiv:2307.01952, 2023. 3, 5, 6, 7, 2 \[3\] Chitwan Saharia, William Chan, Saurabh Saxena, Lala Li, Jay Whang, Emily L Denton, Kamyar Ghasemipour, Raphael Gontijo Lopes, Burcu Karagol Ayan, Tim Salimans, et al. Photorealistic text-to-image diffusion models with deep language understanding. Advances in Neural Information Processing Systems, 35:36479–36494, 2022. 1, 2, 5 \[4\] James Betker, Gabriel Goh, Li Jing, Tim Brooks, Jianfeng Wang, Linjie Li, Long Ouyang, Juntang Zhuang, Joyce Lee, Yufei Guo, et al. Improving image generation with better captions. Computer Science. https://cdn. openai. com/papers/dall-e-3. pdf, 2023. 7 \[5\] Lvmin Zhang, Anyi Rao, and Maneesh Agrawala. Adding conditional control to text-to-image diffusion models. In Proceedings of the IEEE/CVF International Conference on Computer Vision, pages 3836–3847, 2023. 1, 3, 2 \[6\] Edward J Hu, Yelong Shen, Phillip Wallis, Zeyuan Allen- Zhu, Yuanzhi Li, Shean Wang, Lu Wang, and Weizhu Chen. Lora: Low-rank adaptation of large language models. arXiv preprint arXiv:2106.09685, 2021. 2, 1 \[7\] Jiaxing Zhang, Ruyi Gan, Junjie Wang, Yuxiang Zhang, Lin Zhang, Ping Yang, Xinyu Gao, Ziwei Wu, Xiaoqun Dong, Junqing He, Jianheng Zhuo, Qi Yang, Yongfeng Huang, Xiayu Li, Yanghan Wu, Junyu Lu, Xinyu Zhu, Weifeng Chen, Ting Han, Kunhao Pan, Rui Wang, Hao Wang, Xiaojun Wu, Zhongshen Zeng, and Chongpei Chen. Fengshenbang 1.0: Being the foundation of chinese cognitive intelligence. CoRR, abs/2209.02970, 2022. 7 \[8\] Jiaxi Gu, Xiaojun Meng, Guansong Lu, Lu Hou, Niu Minzhe, Xiaodan Liang, Lewei Yao, Runhui Huang, Wei Zhang, Xin Jiang, et al. Wukong: A 100 million large-scale chinese cross-modal pre-training benchmark. Advances in Neural Information Processing Systems, 35:26418–26431, 2022. 6 \[9\] Christoph Schuhmann, Richard Vencu, Romain Beaumont, Robert Kaczmarczyk, Clayton Mullis, Aarush Katta, Theo Coombes, Jenia Jitsev, and Aran Komatsuzaki. Laion-400m: Open dataset of clip-filtered 400 million image-text pairs. In arXiv, 2021. --- https://www.mindspore.cn/news/zh/2954/ --- 新闻 中国电信星辰语义大模型正式开源，携手昇腾共建开源大模型生态 # 中国电信星辰语义大模型正式开源，携手昇腾共建开源大模型生态 2024/01/12 # 中国电信星辰语义大模型正式开源，携手昇腾共建开源大模型生态 1月10日，中国电信星辰语义大模型TeleChat-7B版本宣布开源，并开放1T高质量清洗数据集。星辰语义大模型已与昇腾AI基础软硬件完成适配，并开源了适配后的代码。此外，中国电信还将在1月20日开源12B版本模型，拥抱更多开发者共建开源大模型生态。 星辰语义大模型是由中电信人工智能科技有限公司研发训练的大语言模型，采用1.5万亿 Tokens中英文高质量语料进行训练。星辰语义大模型在业界首次提出缓解多轮幻觉的解决方案，通过关键信息注意力增强、知识图谱强化、多轮知识强化、知识溯源能力四大技术，将AI大模型的幻觉率降低了40%，这有助于大模型变得更有“人味”，真正理解问题语境，告别风马牛不相及的答案。 目前，星辰语义大模型正在与千行百业的信息化解决方案进行融合，满足多样场景需求。在中国电信内部，星辰语义大模型赋能行文写作、代码编程、网络故障分析以及经营分析等场景，以行文写作为例，其平均生成字数超过1500字，有效采纳率达到85.7%；在对外企事业单位客户的业务中，星辰语义大模型赋能企业经营分析、政务公开咨询、民生诉求接待等场景，其业务覆盖率达到95%，多轮理解准确率达到90%。 早在2023年11月，中国电信就在2023数字科技生态大会上发布了千亿参数“星辰语义大模型”，并公布了后续的开源开放的时间表。本次TeleChat-7B版本开源了对话模型TeleChat-7B-bot，以及其huggingface格式的权重文件。此外，还开源了7B模型的int8和int4量化版本。 可访问开源仓了解详情： Gitee地址： https://gitee.com/Tele-AI/tele-chat Github地址： https://github.com/Tele-AI/Telechat 在模型开发上，星辰语义大模型已与昇腾AI基础软硬件完成适配：支持Atlas 300I pro推理卡，具备int8量化能力，精度与性能表现均与业界第一梯队持平；支持Atlas训练服务器，用户可使用昇思MindSpore等框架进行模型训练和推理，两个框架下模型精度与性能均有不俗表现。 除了星辰语义大模型，目前已有50+业界主流大模型基于昇腾训练迭代，9家伙伴携手昇腾发布了大模型训推一体机，昇腾以开放易用的平台使能千模百态，为大模型创新注入动能。 本次星辰语义大模型TeleChat-7B版本开源，夯实了中国电信构建开放生态的重要一环，降低了大模型开发门槛，未来，中国电信将进一步携手昇腾AI等合作伙伴推动中国大模型在千行百业落地，加速人工智能产业发展。 --- https://www.mindspore.cn/news/zh/2955/ --- 新闻 【昇思MindSpore技术公开课】第八讲：CPM-Bee课程预告 # 【昇思MindSpore技术公开课】第八讲：CPM-Bee课程预告 2024/01/18 # 【昇思MindSpore技术公开课】第八讲：CPM-Bee课程预告 昇思MindSpore技术公开课大模型专题第二期课程火爆来袭！未报名的小伙伴抓紧时间扫描下方二维码参与课程，并同步加入课程群，有免费丰富的课程资源在等着你。**课程同步赋能第8\*\*\*\*届ICT大赛，预祝大家取得理想成绩！** 本周六（2024年1月20日）14:00-15:30昇思MindSpore技术公开课大模型专题课程即将为大家带来第八讲——CPM-Bee。本期课程由OpenBMB开源社区负责人、CPM-Bee开源大模型项目主要维护者龚柏涛老师主讲，分别从模型结构、数据格式、微调及推理演示三个方面带你全方位了解CPM-Bee大模型。欢迎各位开发者进入直播间一起学习，本周六下午14点开课，敬请期待！ --- https://www.mindspore.cn/news/zh/2963/ --- 新闻 特斯联携手华为发布联合解决方案，助力京津冀千行百业智能升级 # 特斯联携手华为发布联合解决方案，助力京津冀千行百业智能升级 2024/01/22 # 特斯联携手华为发布联合解决方案，助力京津冀千行百业智能升级 近日，特斯联受邀出席了由廊坊市人民政府主办，廊坊经济技术开发区管委会联合华为技术有限公司协办的河北人工智能计算中心上线仪式暨新一代信息技术高端论坛，在论坛上，华为携手特斯联等伙伴共同发布了河北人工智能计算中心联合解决方案，重点推进AI在政务服务、政务办公、城市治理等场景的联合创新方案，打造智慧城市新范式。 特斯联与华为联合发布的智能数据治理联合解决方案基于华为昇腾算力和全场景AI 框架昇思MindSpore打造，融汇特斯联基于产业服务需求打造的行业数据管理平台，内置特斯联AI CITY智慧场景标准、模型、指标和算法，提供从数据采集、治理、开发到开放的数据全生命周期治理服务，支撑从算法开发、算法测试到算法推理的 AI 全生命周期管理服务，极大提升 AI 算法开发和落地效率，同时也降低了开发和落地的成本。 此外，特斯联自主研发的河图大数据治理平台已完成与华为开源的AI框架昇思MindSpore、Atlas 800训练服务器、Kunpeng 920的相互兼容性测试认证；河图大数据治理平台的完整性、开放性、兼容性，及其运行的稳定性，能够满足在多种应用场景中不同业务模式下华为硬件的需求。 此次联合解决方案的发布是特斯联与华为技术优势的深度结合。未来，双方将在更多领域展开协作，促进业务的进一步融合，一齐为客户提供更高质量的产品与解决方案。 作为京津冀首个启动、河北省首家投运、首批纳入全国算力网络的公共服务基础设施，河北人工智能计算中心填补了廊坊市算力基础设施的空白。随着该中心一期100P算力的上线投运，中心将为廊坊市、河北省乃至京津冀地区产业发展提供普惠算力服务和技术赋能，加速科研成果的落地和应用创新孵化，促进人工智能与实体经济深度融合，助力电子信息产业高质量发展。 --- https://www.mindspore.cn/news/zh/2968/ --- 新闻 第五届MindCon极客周圆满收官！恭喜以下选手荣登2023昇思显眼“孢”排行榜！！ # 第五届MindCon极客周圆满收官！恭喜以下选手荣登2023昇思显眼“孢”排行榜！！ 2024/01/29 # 第五届MindCon极客周圆满收官！恭喜以下选手荣登2023昇思显眼“孢”排行榜！！ **01** **MindCon极客周：昇思开发者的狂欢盛会** MindCon极客周是昇思MindSpore开源社区每年举办的开发者狂欢盛会！ 凭借热爱，我们带领社区开发者从0 到1参与开源贡献，开启了众多热爱开源开发者的封神之路！ 第五届MindCon极客周圆满收官！我们又收获了更多开源爱好者一起修复社区Bugfix，贡献开源社区，分享 AI 前沿技术，与更多开源爱好者共同探索人工智能的无穷可能。 **02** **个人赛：从0到1开源贡献** 17节大模型技术公开课，从MindCV、MindNLP 等系列套件入门到精通课程，带领开发者从0到1了解大模型。 52个开源贡献任务，从版本升级、AI4Sci 前沿技术，到GPT、LlaMA等热门AI模型，开发者可根据自己的兴趣及能力进行开源贡献。 本届MindCon个人赛，累计收到200+份任务提交，感谢各位开发者的参与和分享~ **03** **团队赛：轻松识别“照骗”攻略** 当今AI运用在图像方面较为广泛，有时需要对图像是否是AI生成进行辨别。第五届MindCon极客周发布【AIGC图像对战现实-AI生成图像与真实图像二分类挑战赛】，开发者可以打造自己的昇思 AIGC 精调模型，掌握轻松识别“照骗”的人生攻略。 本届MindCon团队赛，累计92人，28个团队提交任务，最终15个团队脱颖而出，感谢各位开发者的参与和分享~ **04** **昇思显眼“孢”排行榜** 至此，第五届MindCon极客周圆满收官！获奖名单如下，感谢各位开发者的参与和支持！未来，昇思MindSpore将始终秉承“开发者第一，技术优先”的理念，与更多开源爱好者共同探索共同探索人工智能的无穷可能。 注： 1）以上只发布获奖选手公示，其他上榜选手可获得本届MindCon极客周参与奖 2）积分及排名查询：https://xihe.mindspore.cn/events/mindcon 3）请于2024年2月1日24点前完成提交，获奖礼品以实际寄出为准 --- https://www.mindspore.cn/news/zh/2970/ --- 新闻 科大讯飞首发开源大模型“星火开源-13B” 深度适配昇思MindSpore AI框架 # 科大讯飞首发开源大模型“星火开源-13B” 深度适配昇思MindSpore AI框架 2024/01/31 # 科大讯飞首发开源大模型“星火开源-13B” 深度适配昇思MindSpore AI框架 1月30日，科大讯飞举行星火认知大模型V3.5升级发布会。发布会上依托昇思MindSpore AI框架打造的讯飞星火开源大模型“星火开源-13B”正式发布，开源模型场景应用效果领先，目前已在Gitee的MindFormers代码仓开源，用户可在昇思MindSpore开源社区线上体验。 开源代码仓：https://gitee.com/mindspore/mindformers/tree/r1.0/research/iflytekspark 开源社区体验： https://xihe.mindspore.cn/modelzoo/iflytek/introduce \*\*\*\*\*\*1、\*\*\*\*\*\***************公开评测榜单名列前茅，应用效果显著领先************** 星火开源-13B在多项知名公开评测任务中名列前茅，在文本生成、语言理解、文本改写、行业问答、机器翻译等企业典型场景中，通过对学习辅助、语言理解等领域的深入研究和优化，大幅提升了其实用性，在处理复杂的自然语言任务时更加得心应手，确保了其在面对多样化和专业化的应用场景时能够保持高效和准确，效果显著优于其他同等尺寸的开源模型。为各行各业提供了一种性价比高的解决方案。 \*\* \*\* \*\*\*\*\*\*2、\*\*\*\*\*\*******************利用MindSpore Transformers套件适配优化，同步上线昇思MindSpore开源社区****************** \*\* \*\* 在星火开源-13B训练过程中，开发团队利用昇思MindSpore AI框架将训练效率提升了40%。此外，科大讯飞及昇思MindSpore研发团队通过昇思MindSpore Transformers大模型套件提供的分布式自动并行能力，实现训练策略的匹配，节省大量开发投入与策略调试时间，训练完成后可调用套件提供的一站式微调算法进行模型快速调优，从而实现开发效率大幅提升，目前已在相应代码仓及昇思社区上线，欢迎大家在线体验。 **附录：** Mindformers仓库地址: https://gitee.com/mindspore/mindformers/tree/r1.0/research/iflytekspark 昇思MindSpore开源社区： https://xihe.mindspore.cn/modelzoo/iflytek/introduce 启智社区： https://openi.pcl.ac.cn/iflytek/iFlytekSpark-13B Gitee地址： https://gitee.com/iflytekopensource/iFlytekSpark-13B 社群二维码： --- https://www.mindspore.cn/news/zh/2982/ --- 新闻 华为诺亚方舟实验室提出Gold-YOLO，聚集-分发机制打造新SOTA，已在昇思社区开源 # 华为诺亚方舟实验室提出Gold-YOLO，聚集-分发机制打造新SOTA，已在昇思社区开源 2024/02/20 # 华为诺亚方舟实验室提出Gold-YOLO，聚集-分发机制打造新SOTA，已在昇思社区开源 \*\*作者：\*\***王云鹤** ｜**来源：知乎** YOLO系列模型面世至今已有8年，由于其优异的性能，已成为目标检测领域的标杆。在系列模型经过十多个不同版本的改进发展逐渐稳定完善的今天，研究人员更多关注于单个计算模块内结构的精细调整，或是Head部分和训练方法上的改进。但这并不意味着现有模式已是最优解。 当前YOLO系列模型通常采用类FPN方法进行信息融合，而这一结构在融合跨层信息时存在信息损失的问题。针对这一问题，华为诺亚方舟实验室（下文以我们替代）提出了全新的信息聚集-分发（Gather-and-Distribute Mechanism）GD机制，通过在全局视野上对不同层级的特征进行统一的聚集融合并分发注入到不同层级中，构建更加充分高效的信息交互融合机制，并基于GD机制构建了Gold-YOLO。在COCO数据集中，我们的Gold-YOLO超越了现有的YOLO系列，实现了精度-速度曲线上的SOTA。 精度和速度曲线（TensorRT7） 精度和速度曲线（TensorRT8） 论文见： https://arxiv.org/abs/2309.11331 MindSpore代码： https://gitee.com/mindspore/models/tree/master/research/cv/Gold\\\_YOLO **传统YOLO的问题** 在检测模型中，通常先经过Backbone提取得到一系列不同层级的特征，FPN利用了Backbone的这一特点，构建了相应的融合结构：不同层级的特征包含着不同大小物体的位置信息，虽然这些特征包含的信息不同，但这些特征在相互融合后能够互相弥补彼此缺失的信息，增强每一层级信息的丰富程度，提升网络性能。 原始的FPN结构由于其层层递进的信息融合模式，使得相邻层的信息能够充分融合，但也导致了跨层信息融合存在问题：当跨层的信息进行交互融合时，由于没有直连的交互通路，只能依靠中间层充当“中介”进行融合，导致了一定的信息损失。之前的许多工作中都关注到了这一问题，而解决方案通常是通过添加shortcut增加更多的路径，以增强信息流动。 然而传统的FPN结构即便改进后，由于网络中路径过多，且交互方式不直接，基于FPN思想的信息融合结构仍然存在跨层信息交互困难和信息损失的问题。 **Gold-YOLO：全新的信息融合交互机制** Gold-YOLO架构 因此我们提出了一种全新的信息交互融合机制：信息聚集-分发机制(Gather-and-Distribute Mechanism)。该机制通过在全局上融合不同层次的特征得到全局信息，并将全局信息注入到不同层级的特征中，实现了高效的信息交互和融合。在不显著增加延迟的情况下GD机制显著增强了Neck部分的信息融合能力，提高了模型对不同大小物体的检测能力。 GD机制通过三个模块实现：信息对齐模块(FAM)、信息融合模块(IFM)和信息注入模块(Inject)。 - 信息对齐模块负责收集并对齐不同层级不同大小的特征 - 信息融合模块通过使用卷积或Transformer算子对对齐后的特征进行融合，得到全局信息 - 信息注入模块将全局信息注入到不同层级中 在Gold-YOLO中，针对模型需要检测不同大小的物体的需要，并权衡精度和速度，我们构建了两个GD分支对信息进行融合：低层级信息聚集-分发分支(Low-GD)和高层级信息聚集-分发分支(High-GD)，分别基于卷积和Transformer提取和融合特征信息。 此外，为了促进局部信息的流动，我们借鉴现有工作，构建了一个轻量级的邻接层融合模块，该模块在局部尺度上结合了邻近层的特征，进一步提升了模型性能。我们还引入并验证了预训练方法对YOLO模型的有效性，通过在ImageNet 1K上使用MAE方法对主干进行预训练，显著提高了模型的收敛速度和精度。 ### ****实验结果**** 我们在COCO数据集上测试了模型的精度，并使用Tesla T4+TensorRT 7测试了模型的速度，结果显示我们的Gold-YOLO在精度-速度曲线上取得了当前的SOTA结果。 同时我们针对Gold-YOLO中不同分支和结构对模型精度和速度的影响，进行了相应的消融实验。 为了验证GD机制在不同模型和任务中的鲁棒性，我们还进行了以下实验。 - 实例分割任务 将Mask R-CNN中的Neck部分替换为GD，并在COCO instance数据集上进行训练和测试。 - 语义分割任务 将PointRend中的Neck部分替换为GD，并在Cityscapes数据集上进行训练和测试。 不同的目标检测模型 将EfficientDet中的Neck部分替换为GD，并在COCO数据集上进行训练和测试。 --- https://www.mindspore.cn/news/zh/2984/ --- 新闻 龙行龘龘！昇思MindSpore社区给您拜年啦！专属红包封面派送中！ # 龙行龘龘！昇思MindSpore社区给您拜年啦！专属红包封面派送中！ 2024/02/08 # 龙行龘龘！昇思MindSpore社区给您拜年啦！专属红包封面派送中！ 龙行大运启新程，瑞龙送福好事来 昇思MindSpore祝大家新春快乐！ 这个春节 昇思MindSpore特别设计了 瑞龙呈祥AI红包封面 （封面设计由悟空画画生成） 为在意的人，送出新年的期待与祝福吧！ 特别放送 除了瑞气威武的青龙 悟空画画还生成了各种各样的花式龙 欢迎自取哦 如果想生成自己的龙， 欢迎来昇思大模型平台体验悟空画画大模型在线生成自己的专属龙！ --- https://www.mindspore.cn/news/zh/2985/ --- 新闻 给大家拜年啦！昇思 MindSpore 2024 新春贺辞 # 给大家拜年啦！昇思 MindSpore 2024 新春贺辞 2024/02/10 # 给大家拜年啦！昇思 MindSpore 2024 新春贺辞 给大家拜年啦！昇思 MindSpore 2024 新春贺辞 --- https://www.mindspore.cn/news/zh/2986/ --- 新闻 开工大吉！春风渐暖，从容开序 # 开工大吉！春风渐暖，从容开序 2024/02/17 # 开工大吉！春风渐暖，从容开序 开工大吉！春风渐暖，从容开序 --- https://www.mindspore.cn/news/zh/2989/ --- 新闻 中国人工智能学会-昇思MindSpore学术基金项目开工会圆满举办 # 中国人工智能学会-昇思MindSpore学术基金项目开工会圆满举办 2024/02/05 # 中国人工智能学会-昇思MindSpore学术基金项目开工会圆满举办 2024年2月2日，中国人工智能学会-昇思MindSpore学术基金项目开工会成功举办，中国人工智能学会、鹏城实验室、华为技术有限公司和高校及科研院所62位专家及老师参与会议。 会上，中国人工智能学会理事长、中国工程院院士戴琼海，鹏城实验室主任、中国工程院院士高文分别致辞。清华大学电子工程系副教授、国家杰青获得者方璐主持开工会并汇报了项目执行计划。 戴琼海院士表示，中国人工智能学会与华为已经通过前期学术基金的紧密合作，打造了非常好的人工智能学术创新平台。前三期的项目合作涌现出了非常多优秀、原生的科研成果。本期学术基金项目携手鹏城实验室进行三方合作，相信鹏城实验室的加入，定能为人工智能学术发展和科研攻关打造更完善的创新平台。希望广大智能科技工作者对标国家战略、增强危机意识、把握科技浪潮、坚持学术理想，努力开拓智能科技的颠覆性创新，向人工智能基础研究和技术创新应用的广度与深度进军。 高文院士表示，中国人工智能学会、华为、鹏城实验室的三方合作，鹏城实验室将充分发挥国家战略科技力量的骨干引领作用和算力优势，为研究者提供算力平台、联盟支持、社区平台三方面的支持。本次合作将发挥各自优势，中国人工智能学会提供平台，华为公司做好软硬件根技术、经费等支持，三方优势互补，共同推动构建创新平台，助力高校、科研院所开发者等，使能百模千态、赋能中国人工智能千行万业。希望基金项目的合作可作为我国人工智能产学研合作的一个基石，并以此为契机，开展软硬科技协同创新，共筑我国数字经济坚实的算力底座，为中国人工智能产业高质量发展贡献力量！ 会上，方璐教授介绍了学术基金项目验收及运营规划。华为公司昇思MindSpore研发与生态总监李锐锋介绍了昇思MindSpore生态整体情况及最新技术等内容。鹏城实验室高效能云计算所运营、OpenI启智社区生态拓展部部长王溯介绍了鹏城实验室在学术基金项目中的算力资源支持情况。 中国人工智能学会、鹏城实验室和华为三方始终坚定投入人工智能学术与产业创新。三方合作将打通产学研用，共同建设强大的人工智能学术、产业生态，助力千行百业数智化升级，加速智能新世界到来。 《中国人工智能学会-昇思MindSpore学术基金》项目是由中国人工智能学会和华为技术有限公司共同发起，面向高校及科研院所的AI科研人员搭建学术交流平台，提供经费、算力、技术支持等服务，推动昇思MindSpore在AI领域科研的应用，并支持基于昇思MindSpore AI框架的国际国内高水平会议和期刊的学术论文发表，激励原创性科学研究开展，构建中国人工智能科学研究的全球影响力。 --- https://www.mindspore.cn/news/zh/3003/ --- 新闻 基于昇腾AI | 阿凡达机器人携手各高校，推进人工智能教育方式变革 # 基于昇腾AI | 阿凡达机器人携手各高校，推进人工智能教育方式变革 2024/02/28 # 基于昇腾AI | 阿凡达机器人携手各高校，推进人工智能教育方式变革 近日，南京阿凡达机器人科技有限公司的“学科教育大模型综合实验平台”完成昇腾技术认证。该产品基于昇腾AI基础软硬件，为高校开发者提供一站式大模型训练学习平台，具有高效能多模态、低门槛轻量化、多场景高通用的特点，有效降低了大模型教学的整体成本和难度，助力高校师生实现大模型的学习、训练、竞赛及应用。 在人工智能发展的浪潮下，教育方式也正在经历深刻变革。阿凡达机器人深耕未来教育场景，正携手高校，使教育更加实践、互动与智能。 **阿凡达机器人&湖南邮电职业学院：共建“大模型实训室**”\*\*\*\* 2023年12月，阿凡达机器人与湖南邮电职业学院率先签订校企合作协议，共同推进现代学徒制教育模式。工欲善其事必先利其器。阿凡达机器人的技术团队将学院的人工智能实训室升级为极具科技范的“大模型实训室”，紧密结合理论与应用，为学生提供更加生动、专业的实战场，加强学生对人工智能技术的认知和应用能力。 **阿凡达机器人&湖南铁路科技职业技术学院：人工智能数字能力培训** 2024年1月，阿凡达机器人与湖南铁路科技职业技术学院携手开展“AI大模型教学创新应用实践研讨班”。研讨班采用“兴趣-体验-实践-协作”相结合的形式，以大模型实验平台为锚点，激发学生对生成式人工智能产品的兴趣，加深学生对大模型，尤其是以昇腾AI为基础的自主创新的大模型技术的理解。 百年大计，教育为本。南京阿凡达机器人将继续携手江苏鲲鹏·昇腾生态创新中心&南京人工智能计算中心，持续优化产品和教育解决方案，做实产教融合，为人工智能领域输送实战型人才。 \*\*·\*\***关于南京阿凡达机器人科技有限公司** **·** 南京阿凡达机器人科技有限公司是国内领先的人工智能和人形机器人科技企业。公司自主研发的教育智能机器人、人工智能实训平台、学科教育大模型综合实验平台等，在人工智能、机器人等智能化领域均达到同行业先进水平。作为AI教育的领航者，阿凡达机器人专注于教育行业，并持续优化人工智能教育教学产品，以先进的智能技术面向新一代信息技术专业群，与学校开展深度合作，为学校提供对接产业发展的实践教学专业解决方案，为教育赋能。 --- https://www.mindspore.cn/news/zh/3004/ --- 新闻 昇思超级英雄榜 | 2023年四季度优秀开发者入选榜单公布 # 昇思超级英雄榜 | 2023年四季度优秀开发者入选榜单公布 2024/02/27 # 昇思超级英雄榜 | 2023年四季度优秀开发者入选榜单公布 2023年四季度，昇思MindSpore共认证**1\*\*\*\*位布道师、1位资深开发者、4位优秀开发者**。多位开发者**参与了昇思MindSpore各领域的开发**，期待各位开发者在昇思MindSpore获得更多的技术提升，为开源社区持续贡献力量。 截止目前，**昇思MindSpore社区共394位开发者认证各级别MindSpore优秀开发者/布道师，其中358位为非华为的社区贡献者。** 本次开发者认证公示，以下排名不分先后。 往期回顾 # 昇思超级英雄榜 | 2023上半年优秀开发者入选榜单公布 --- https://www.mindspore.cn/news/zh/3017/ --- 新闻 【昇思MindSpore技术公开课】第十讲 MoE 课程回顾 # 【昇思MindSpore技术公开课】第十讲 MoE 课程回顾 2024/03/01 # 【昇思MindSpore技术公开课】第十讲 MoE 课程回顾 昇思MindSpore公开课大模型专题第二季课程火爆来袭！未报名的小伙伴抓紧时间扫描下方二维码参与课程，并同步加入课程群，有免费丰富的课程资源在等着你。**课程同步赋能华为ICT大赛2023-2024，助力各位选手取得理想成绩！** 大模型发展即将进入下一阶段但目前仍面临众多难题。为满足与日俱增的实际需求，大模型参数会越来越大，数据集类型越来越多，从而导致训练难度大增，同时也提高了推理成本。为了实现大模型的高效训练和推理，混合专家模型MoE便横空出世。 **1**\*\*、\*\***MoE结构的发展** **1.1** **Vanilla MoE** Export Network，用于学习不同数据，一个Gating Network用于分配每个Expert的输出权重。 **1.2** **Sparse MoE** Experts的输出是稀疏的，只有部分的Experts的权重> 0，其余=0的Expert直接不参与计算。 \*\*Expert Balancing问题：**不同Experts在竞争的过程中，会出现**“赢者通吃”的现象。\*\*前期变现好的Expert会更容易被Gating Network选择，导致最终只有少数的几个Experts真正起作用。 **1.3** **Transformer MoE** 1）GShard - Transformer的Encoder和Decoder中，每隔一个（every other）FFN层，替换成Position-wise MoE层。 - Top-2 Gating Network。 2）Switch Transformer 简化了MoE的Routing算法，Gating Network每次只Route 到1个Expert。 3）GLaM - Gshard结构 - Scale参数量 - 降低训练推理成本 \*\*2、\*\***MoE的分布式通信和昇思MindSpore优化** **2.1** **MoE的分布式通信和昇思MindSpore优化** MoE结构和普通的Dense模型的差异在于，其需要额外的AllToAll通信，来实现数据的路由(Gating)和结果的回收。而AllToAll通信会跨Node（服务器）、跨pod（路由），进而造成大量的通信阻塞问题。 **2.2 昇思\*\*\*\*MindSpore的MoE优化** 大模型训练主要瓶颈在于片上内存与卡间通信。常用的内存优化手段：MoE并行、优化器异构，常用的通信优化手段、多副本并行。 1）MoE并行：将不同的专家切分到不同的卡上，由于MoE的路由机制，需要使用AllToAll通信，将token发送到正确的卡上。对AllToAll的优化：分级AllToAll、Group-wise AllToAll等。 2）优化器异构：大模型训练常使用的adam系列优化器，其占用的内存往往是模型参数本身的2倍或以上，可以将优化器状态存储在Host内存上。 3）多副本并行：将串行的通信、计算拆分成多组，组件流水，掩盖通信时间。 昇思MindSpore已使能上述优化，大幅提升了万亿参数稀疏模型的训练吞吐。 **3**\*\*、\*\***Mixtral 8x7B MoE大模型** **3.1** **Mixtral的基础模型Mistral** 1）RoPE 2）RMSNorm 3）Transformer decoder 4）Grouped Multi-Query Attention 5）Sliding Window Attention: 优化随着序列长度增加而增长的显存占用和计算消耗 **3.2** **Mixtral** 1）8个Expert（类GPT-4） 2）Top2 Gating `class MoeLayer(nn.Cell): def _init_(self,experts: List[nn.Cell], gate: nn.Cell, moe_args): MoeArgs): super()._init_() assert len(experts)>0 self,experts = nn.cellList(experts) self.gate = gate self.args = moe_args def construct(self,inputs:mindspore.Tensor): gate_logits: self.gate(inputs) weights,select_edexperts = ops.topk(gate_logits,self.args.num _experts_per_tok) weights = ops.softmax(weights,axis=1, dtype=mindspore.float32).to(inputs.dtype) results = ops.zeros_like(inputs) for i,expert in enumerate(self.experts): non zero = ops.nonzero(selected_experts == i) if 0 not in non_zero.shape: batch_idx,nth_expert= non_zero.tensor_split(2，1) results[batch_idx] = results[batch_idx] + weights[batch_idx, nth_expert, None] * expert( inputslbatch idx] } return results` 1）基于MindFormers实现Mixtral-8x7B MoE模型。 - 关键结构: GQA，RoPE，RMSNorm，Silu。 - MoE配置: 8 Experts，TopK=2，capacity c=1.1。 - 加载开源的Mixtral权重和tokenizer，推理结果对齐HF。 2）4机32卡EP，PP等多维混合并行，基于自有数据集试验性训练收敛符合预期。200 epoch loss 10 --> 0.02。 **EP=8,MP=1时性能最佳,约1147 tokens/s/p。** **4**\*\*、****MoE和Life****long learning\*\* **4.1** **终身学习/持续学习的性质** 性质 定义 知识记忆(knowledge retention) 模型不易产生遗忘灾难 前向迁移(forward transfer) 利用旧知识学习新任务 后向迁移(backward transfer) 新任务学习后提升旧任务 在线学习(online learning) 连续数据流学习 无任务边界(No task boudaries) 不需要明确的任务或数据定义 固定模型容量(Fixed model capacity) 模型大小不随任务和数据变化 **4.2** **MoE模型+终身学习** 性质 知识记忆(knowledge retention) √ 前向迁移(forward transfer) √ 后向迁移(backward transfer) \- 在线学习(online learning) × 无任务边界(No task boudaries) √ 固定模型容量(Fixed model capacity) √ MoE的特点： - 多个Expert分别处理不同分布（domain/topic）的数据 - 推理仅需要部分Expert LLM的终身学习： - 世界知识底座持续学习。 - Expert可插拔 - Gating Network可增删。 **4.3** **MoE+终身学习的典型工作** 1）Lifelong-MoE - 扩展Expert和Gating Network的维度 - 冻结旧的Expert和Gating Network维度 - 使用正则克服遗忘灾难 2）Pangu-sigma **Random Routed Experts：** - 第一层，根据任务分配给不同的专家组（多个Expert构成一个专家组，供一个task/domain使用） - 第二层，使用组内随机Gating，让专家组的Expert可以负载均衡。 这样可以保证某个领域对应的Expert可以直接被抽取出来作为单个模型使用。 **5**\*\*、\*\***Mixtral 8x7B Demo** Mistral-MindSpore: https://github.com/lvyufeng/mistral-mindspore Mindformer(MoE预训练)： https://gitee.com/mindspore/mindformers/ --- https://www.mindspore.cn/news/zh/3031/ --- 新闻 倒计时1天！6大专题论坛同步官网直播，就在「昇思人工智能框架峰会2024」 # 倒计时1天！6大专题论坛同步官网直播，就在「昇思人工智能框架峰会2024」 2024/03/21 # 倒计时1天！6大专题论坛同步官网直播，就在「昇思人工智能框架峰会2024」 「昇思人工智能框架峰会2024」将于2024年3月22日在北京国家会议中心召开。本次峰会不仅有干货满满的主题演讲，还有6场精彩纷呈的专题论坛。 距大会召开倒计时1天，敬请关注！**_点击“阅读原文”立即报名！_** 详细6场主题专题如下： --- https://www.mindspore.cn/news/zh/3032/ --- 新闻 书生·浦语大模型实战营第二期正式启动，内容全面升级！ # 书生·浦语大模型实战营第二期正式启动，内容全面升级！ 2024/03/21 # 书生·浦语大模型实战营第二期正式启动，内容全面升级！ 为了帮助社区用户高效掌握和广泛应用大模型技术，我们重磅推出**书生·浦语大模型实战营系列活动**，旨在为开发者们提供全面而系统的大模型技术学习课程，并建立一个友好的交流平台，便于大家在大模型实践开发中分享经验、交流思想。 首期实战营，我们同超过 **2000 名**学员一起学习了大模型微调、部署与评测全链路，相关课程视频播放量超过 **4 万次**。同学们不仅深入学习了理论知识，还积极地投身于实践探索中。利用开源的书生·浦语大模型，同学们动手构建了超过 **100 个**各具特色的大模型应用，从实践中体验学习、创新和成长，真正地吃透了大模型的全链路。 在首期书生·浦语实战营的学习、实训过程中，同学们不仅积极学习，同时针对时下热点、大模型落地应用等方面进行了积极且热烈的讨论。针对同学们的呼声，我们对第二期书生·浦语实战营内容进行了**全面升级**，将带领大家**玩转 RAG、多模态和智能体应用**。加入我们，让我们一起探索大模型的无限可能！ **你将收获** - **优质内容**：课程内容涵盖大模型全链路，轻松搭建 RAG、多模态和智能体应用 - **实践算力**：基于 InternStudio 大模型实训平台，为同学们提供免费的 A100 开发实践算力 - **小班教学**：助教、讲师全程陪伴，提供录播回放、线上答疑及实战作业辅导 - **结营证书**：在实战营表现优异的学员，将会获得优秀学员称号以及精美证书 - **项目评优**：基于实战营开发个性化大模型项目，杰出项目将获得官方流量推荐及更高级别赛事推荐机会 - - **课程安排** - **日程安排** - **营员招募** 2024 年 3 月 15 日至 2024 年 3 月 24 日 - **正式开营** 2024 年 3 月 25 日 - **课程培训** 2024 年 3 月 26 日至 2024 年 4 月 12 日 - **实践项目** 2024 年 4 月 13 日至 2024 年 4 月 25 日 - **课程结营** 2024 年 4 月 26 日 **报名方式** - （扫码立即报名实战营） > 文末点击阅读原文可直达报名页面，更多实战营信息欢迎访问活动官网了解：https://openxlab.org.cn/models/InternLM/subject **书生共学计划** 在大模型技术的浪潮中，面对混杂的众多信息，如何获取有效、可信的学习资源成为了一项挑战。 为此，我们推出“**书生共学计划**”，鼓励大家将实战营活动分享给你身边有需要的小伙伴，让每一位热爱技术的朋友都能在这个复杂的信息环境中找到自己的航向，帮助他们在大模型的学习之路上少走弯路。 **参与方法：** 1. **启航准备**：通过**填写问卷**报名加入实战营，开启你的学习之旅。 2. **专属海报**：访问书生共学计划活动页面（ https://s-085841-internlmcamp-t2-fission.openxlab.space/dist/index.html ），输入**完成问卷后获得的核销码**，定制你独一无二的分享海报。 3. **招募同行者**：将海报分享给你身边的小伙伴，邀请他们报名实战营，共享知识的力量。 4. （扫码可直达活动页面） **独家奖励等你拿：** - 成功邀请 5 人，解锁 InternStudio 平台 24GB A100 使用权限，并赢得推广达人称号和电子证书。 - 成功邀请 10 人，解锁 InternStudio 平台 40GB A100 使用权限，享受更高级的学习资源。 - 成功邀请 25 人，解锁 InternStudio 平台 80GB A100 使用权限，让你的学习和实践无任何限制。 **展现你的影响力，成为知识的使者** 这不仅是一个促进个人学习和成长的机遇，更是一个帮助他人、为自己赢得认可和资源的舞台。通过你的分享，我们可以一起帮助更多的人接触和了解前沿技术，期待你的加入。 **活动组织方** 5. **另转发此推文至朋友圈，截止 2024 年 3 月 18 日中午 12:00，点赞数达 30 个的同学，将朋友圈截图**发送至 InternLM 公众号**后台，工作人员核对后即可获得 InternLM 周边礼品一份哦！（仅限前 10 名！先到先得~）** 6. 7. 书生·浦语大模型实战营，助力开发者熟悉大模型研发及应用全链路，迈向人工智能领域的新高峰！快来加入我们，一起探索大模型技术的无限可能吧！期待和你一起组建最强大模型战队！ --- https://www.mindspore.cn/news/zh/3033/ --- 新闻 倒计时2天！昇思人工智能框架峰会2024与你相约北京 # 倒计时2天！昇思人工智能框架峰会2024与你相约北京 2024/03/20 # 倒计时2天！昇思人工智能框架峰会2024与你相约北京 # 倒计时2天！昇思人工智能框架峰会2024与你相约北京 --- https://www.mindspore.cn/news/zh/3034/ --- 新闻 昇思人工智能框架峰会2024之开源共建与开发应用论坛议程全剧透 # 昇思人工智能框架峰会2024之开源共建与开发应用论坛议程全剧透 2024/03/20 # 昇思人工智能框架峰会2024之开源共建与开发应用论坛议程全剧透 由昇思MindSpore开源社区等开源组织联合主办的\*\*【昇思人工智能框架峰会2024】\*\*，将于2024年3月22日(星期五)在北京国家会议中心举办。本次峰会邀请图灵奖得主、院士专家、企业领袖、产业伙伴、开发者等产、学、研、用各方代表参会，共同探讨人工智能框架前沿技术，分享实践经验。 本次峰会，开源共建与开发应用论坛邀请多位昇思MindSpore技术专家与生态合作伙伴做主旨分享，从多角度聚焦人工智能框架前沿技术，为开源建设发展建言献策，也为广大开发者对未来发展的思考带来新的指引，从而全面推进开源共建与开发应用落地。 --- https://www.mindspore.cn/news/zh/3035/ --- 新闻 不一样的视听体验，一切尽在昇思开发者嘉年华 # 不一样的视听体验，一切尽在昇思开发者嘉年华 2024/03/20 # 不一样的视听体验，一切尽在昇思开发者嘉年华 由昇思MindSpore开源社区等开源组织联合主办的【**昇思人工智能框架峰会2024**】，将于2024年3月22日(星期五)在北京国家会议中心举办。本次峰会不仅有干货满满的主题演讲和6场专题论坛，更有昇思MindSpore开源四周年生日会，携手开发者畅聊互动！ 接下来跟着小编一起抢先观看“**昇思开发者嘉年华**”的精彩亮点吧！ --- https://www.mindspore.cn/news/zh/3036/ --- 新闻 精彩抢先看！昇思人工智能框架峰会2024即将重磅来袭 # 精彩抢先看！昇思人工智能框架峰会2024即将重磅来袭 2024/03/20 # 精彩抢先看！昇思人工智能框架峰会2024即将重磅来袭 # 精彩抢先看！昇思人工智能框架峰会2024即将重磅来袭 --- https://www.mindspore.cn/news/zh/3037/ --- 新闻 产学研大咖齐聚北京，邀你一起参加昇思人工智能框架峰会2024 # 产学研大咖齐聚北京，邀你一起参加昇思人工智能框架峰会2024 2024/03/19 # 产学研大咖齐聚北京，邀你一起参加昇思人工智能框架峰会2024 # 产学研大咖齐聚北京，邀你一起参加昇思人工智能框架峰会2024 --- https://www.mindspore.cn/news/zh/3040/ --- 新闻 “津”遇昇腾，2024年昇腾AI开发者创享日·天津站即将开启！ # “津”遇昇腾，2024年昇腾AI开发者创享日·天津站即将开启！ 2024/03/15 # “津”遇昇腾，2024年昇腾AI开发者创享日·天津站即将开启！ “津”遇昇腾，2024年昇腾AI开发者创享日·天津站即将开启！ --- https://www.mindspore.cn/news/zh/3041/ --- 新闻 昇思MindSpore 2.3全新发布 | 昇思人工智能框架峰会2024圆满举办 # 昇思MindSpore 2.3全新发布 | 昇思人工智能框架峰会2024圆满举办 2024/03/22 # 昇思MindSpore 2.3全新发布 | 昇思人工智能框架峰会2024圆满举办 \[中国，北京，2024年3月22日\] 人工智能框架作为软件根技术，已成为加速人工智能大模型开发、推动产业智能化发展的核心力量。以“为智而昇，思创之源”为主题的昇思人工智能框架峰会2024今日在北京国家会议中心举办，旨在汇聚AI产业界创新力量，推动根技术持续创新，共建人工智能开源新生态。 昇思MindSpore作为国内主流开源框架，打造充满活力的开发者社区，致力于推动中国人工智能产业的进步。近两年包括昇思MindSpore在内的开源框架产品不断发展，IDC的研究显示，昇思MindSpore在生态建设方面取得优异成绩。 中国工程院院士、中国人工智能学会副理事长何友在致辞中表示：“中国人工智能学会与昇思MindSpore紧密合作携手鹏城实验室、昇思MindSpore开展学术基金2.0项目，加速推动基于昇思的原生学术创新及论文成果发表发挥学术的人才的原生力，结合昇思的技术原创力，以学术创新支撑人工智能产业繁荣。” 华为ICT Marketing总裁周军表示：“AI框架的并行计算能力、简洁编程能力、便捷部署能力等，逐渐成为大模型训练的关键成功要素。昇思将持续创新探索，聚焦根技术，以更开放的技术体系，让伙伴和开发者更灵活的实现大模型创新，加速大模型应用规模落地。” 2021年图灵奖获得者、田纳西大学计算机科学杰出教授Jack Dongarra分享了计算和框架的发展趋势，他指出开源本质上有很多优点，能切实地为未来提供更好的软件基础，开发MindSpore开源框架推动了软件性能提升。 **AI for Science新范式，** **生成式AI赋能气动外形设计** 中国科学院院士、中国空气动力学会理事长唐志共表示：“基于昇思MindSpore，生成式气动设计大模型平台打破传统设计范式，设计时长由月级缩短到分钟级，满足概念设计要求。未来该平台将扩展到航空、航天、船舶、高铁、能源、汽车等多个行业领域，引领工业装备的设计和制造能力跨越式发展。” 生成式气动设计大模型平台基于昇思AI框架自主创新开发。模型开发阶段，昇思框架和流体力学套件MindSpore Flow提供全面的科学计算算法库和模型通用接口，提升模型开发效率；模型训练阶段，使用MindSpore多维度并行接口，基于成都智算中心算力支撑，模型和数据得以高效扩展；模型部署阶段，使用昇思大模型套件，将专业知识融入气动设计大模型平台。串联大语言模型、气动外形设计模型、气动预测模型和风雷软件等非AI工具，气动设计大模型平台可支撑多种气动外形设计场景。 **昇思MindSpore 2.3全新发布** **大模型开发训推更简、更稳、更高效** 昇思MindSpore积极探索前沿技术，支撑大模型原生高效训练。通过原创的多副本、多流水交织等8种并行技术，使集群线性度达到90%（业界不足60%），通过整图优化及下沉执行等，使得算力利用率达到55%（业界不足40%）；针对集群故障率高，恢复时间长的普遍问题，通过编译快照，确定性CKPT技术实现20分钟完成故障恢复。 在大模型部署上，昇思通过训推一体的架构升级实现脚本、分布式策略，运行时的统一，Baichuan2-13B的推理部署只需1天。在大模型推理上，通过LLM Serving 实现推理吞吐提升2倍多；升级模型压缩工具金箍棒2.0实现千亿大模型压缩至十倍。 为降低开发门槛，昇思持续升级MindSpore TransFormers大模型套件，并提供MindSpore One生成式套件，全流程开箱即用，一周即可完成大模型全流程的开发。 创新AI+科学计算范式，孵化科学领域基础大模型。MindSpore已在AI生物计算探索多年，联合顶级科研机构和伙伴打造了AI生物计算套件，包含蛋白质结构预测、生成等20多个SOTA模型，加速相关领域创新。 面向长远规划，昇思MindSpore深耕根技术，持续演进，助力大模型产业落地。 **四项行动赋能学术与生态** 昇思MindSpore开源社区理事长丁诚在大会上公布了昇思赋能学术与生态的四项行动。昇思和中国人工智能学会、鹏城实验室合作的学术论文基金2.0，将在未来3年内携手50多家全球AI学者，探索学术新高峰，实现数量质量双提升；昇思开发板应用创新行动，基于香橙派开发板，提供系统化的案例、教程与支持，帮助开发者快速上手、快速入门、快速打造个性化应用；昇思加速原生大模型孵化，通过激励、专项技术支持、和市场联合推广，支持更多伙伴从昇思迁移适配走向原生开发；昇思开源社区实习活动，通过代码实践，让开发者真正的实践成长。 **颁发昇思MindSpore** **杰出贡献导师和开发者** 作为Gitee-国内第一大开源代码托管平台，开源中国评选昇思MindSpore为“Gitee中国最佳开源贡献项目”，根据Gitee 指数 2.0 ， MindSpore在各类指标中表现优异，成为Gitee-AI领域分类下全品类指数 NO.1。开源中国董事长马越表示：生态的繁荣离不开每一个项目的贡献，MindSpore是Gitee珍视的瑰宝。 华为于2020年3月开源昇思MindSpore AI框架，开源后获得国内外开发者的积极响应，访问量数千万，超过687万下载安装使用，在码云千万开源项目中综合排名第一，服务企业数量超过5500家，合作高校360所。2023年以来，基于昇思框架发表的顶级会议论文数量超过1200篇，在所有AI框架中排名中国第一、全球第二，已成为国内最具创新活力的AI开源社区。 本次大会评选10位“昇思MindSpore杰出贡献导师”和15位 “昇思MindSpore杰出贡献开发者”，表彰他们为社区做出的突出贡献。 --- https://www.mindspore.cn/news/zh/3043/ --- 新闻 “津”彩无限，昇腾AI开发者创享日·天津站圆满举办 # “津”彩无限，昇腾AI开发者创享日·天津站圆满举办 2024/03/25 # “津”彩无限，昇腾AI开发者创享日·天津站圆满举办 3月23日，由天津市发展和改革委员会、天津市科学技术局、天津市工业和信息化局、天津市投资促进局、天津市数据局指导，天津市河北区人民政府、华为技术有限公司主办，天津市人工智能计算中心承办，天津天开发展集团有限公司、天津人工智能创新发展联盟、天津市人工智能学会、天津市计算机学会联合协办的昇腾AI开发者创享日·天津站成功举办。 活动现场，天津市河北区区委副书记杨君毅，华为昇腾计算业务总裁张迪煊为活动致辞；天津中医药大学名誉校长，中国工程院院士张伯礼委托天津中医药大学原副校长、教授、天津市计算机学会第六届理事会理事长孟昭鹏为活动祝贺词；欧洲科学院院士、IEEE Fellow、亚洲计算智能学会主席、西安电子科技大学华山杰出教授、昇腾MVP焦李成发表主题分享；河北区委副书记、区长戴雷，河北区委常委、常务副区长李强，华为天津总经理曹克乾，华为昇腾生态发展部部长史沛、华为昇腾计算业务副总裁李守平、华为高校与科研人才发展部部长曹新方等重要嘉宾出席活动现场。 天津市河北区委副书记杨君毅在致辞中表示河北区上下正在着力在发展新质生产力上善作善成，深度融合数字经济、实体经济，落实“人工智能+”行动，全力构建以数字经济为主导的产业体系，天津市人工智能计算中心第3个100P即将上线，全区华为生态企业超过50家，培育一批垂直领域行业大模型和人工智能应用场景，有力打造数字服务业升级版。 天津市河北区委副书记杨君毅发表活动致辞 华为昇腾计算业务总裁张迪煊在致辞中表示，当前正处于一个科技跨越式发展、智能化加速转型的时代，人才是人工智能产业创新发展最为重要的推动力量。华为将加大开源开放力度，使能自主创新，构筑更易用的昇腾推理解决方案，持续构建开发者成长与贡献平台。 华为昇腾计算业务总裁张迪煊发表活动致辞 天津中医药大学名誉校长、中国工程院院士张伯礼委托天津中医药大学原副校长、教授、天津市计算机学会第六届理事会理事长孟昭鹏为本次活动贺词，他表示昇腾AI开发者创享日活动的顺利召开，为人工智能与各产业链的融合发展，也为企业、高校科研机构在技术服务、人才培养等方面提供了一个重要的平台。 孟昭鹏理事长代张伯礼院士为活动贺词 焦李成院士带来了《人工智能赋能数字经济：挑战与机遇》的主题演讲，他表示机器学习和深度学习的迅猛发展，让AI渗透到各行各业，加快革新的速度。而近两年的大模型更是将AI推向新的高度，为人们解决实际应用问题提供了新方向。在AI大模型的赋能下，必将有更多的AI创新技术在未来社会中得到泛化应用。 欧洲科学院院士、IEEE Fellow、亚洲计算智能学会主席、西安电子科技大学华山杰出教授、昇腾MVP 焦李成作主题分享 **共建人工智能繁荣生态** 系列行业大模型发布 为加速科研成果落地、孵化行业创新解决方案，天津市人工智能计算中心联合海河·岐伯大模型、海河·优医大模型、菲凡工业垂类大模型、海河·天眼大模型、医疗影像质控大模型、DATGS社科大模型、南开保险精算大模型、影易大模型、分子智芯大模型，现场举办了发布仪式，天津科研力量雄厚，具备完善的工业体系，人工智能应用场景丰富，能够助推构建开放创新的昇腾人工智能产业生态，服务天津各行各业智能化升级，为天津开拓新产业、新方向，实现产业跨越式发展。 系列行业大模型发布仪式 **助推人才培养产教融合** 昇腾AI人才发展加速计划 签约仪式完满落成 为进一步深化天津高校人工智能人才培养产教融合改革，鼓励高校利用昇腾AI教学资源，加速人工智能学科建设和人才培养，华为公司与河北工业大学人工智能与数据科学学院、天津科技大学人工智能学院、天津工业大学计算机科学与技术学院、天津工业大学工程教学实习训练中心、中国民航大学计算机科学与技术学院、天津理工大学电气工程与自动化学院、天津理工大学计算机科学与工程学院、天津农学院计算机与信息工程学院、天津师范大学人工智能学院、天津商业大学信息工程学院、天津财经大学理工学院、天津城建大学计算机与信息工程学院、天津中德应用技术大学软件与通信学院、天津天狮学院信息科学与工程学院等12所高校的14个学院完成现场签约，将赋能天津高校结合昇腾资源和平台开展人工智能学科建设和人才培养。携手高校培养昇腾人工智能人才，共筑数字经济发展人才根基。 12所高校14个学院完成现场签约 **携手行业专家，赋能生态发展** HUAWEI Ascend Expert 授牌仪式 2024年首批昇腾HAE的授牌仪式圆满举办，现场授予恒银金融科技股份有限公司研究院总工程师兼金科智能总经理刘贯伟，天津大学教授、国家优青朱鹏飞，南开大学教授杨巨峰，南开大学药学院教授、天津贝芸科技有限公司首席科学家林建平，天津理工大学教授、计算机视觉研究所所长张剑华，天津七一二移动通信股份有限公司副所长秦嗣波，菲特（天津）检测技术有限公司研发总监陈立名昇腾HAE（HUAWEI Ascend Expert） 荣誉，昇腾HAE是华为公司授予人工智能计算领域行业意见领袖和技术专业人士的荣誉，他们在人工智能领域潜心钻研技术、具备深厚的专业能力，乐于分享多种前沿技术知识和经验，为昇腾生态建设作出了卓越贡献。 昇腾HAE颁发仪式 会上，华为昇腾计算业务副总裁李守平深度解密Ascend C昇腾算子编程语言如何使能大模型场景高效开发。同时，天津大学教授、博导，人工智能学院副院长，天大智图首席科学家王鑫讲述了“海河·岐伯”大模型在中医药领域的创新应用，天津大学教授张鹏介绍了大语言模型的应用。现场邀请到了Bilibili知名科技UP主“同济子豪兄” 张子豪、昇腾AI优秀开发者陈铎晟同学分享他们的昇腾AI学习之路。 同期，本次活动还举办了昇腾AI训练营-开发新“势”力、昇声入耳·开放麦、圆桌派-AI赋能医药行业、伙伴臻享沙龙四大分论坛，以促进广大开发者更深入、更全面地了解昇腾AI基础软硬件知识及应用能力，赋能开发者技术成长，凝聚各方创新的力量，协力驱动人工智能高质量发展和高水平应用。 昇腾AI训练营-开发新“势”力 专场 昇腾CANN技术专家洑阳成虎正在指导开发者使用开发板 昇腾AI开发者创享日天津站的成功举办，为开发者展现了前沿人工智能行业应用案例、昇腾AI最新技术成果以及丰富的学习成长资源，相信通过这次活动也将进一步促进天津本地的AI产业的持续蓬勃发展。 2024，昇腾AI开发者创享日将会在更多城市与开发者见面，让我们一起期待昇腾AI继续为开发者带来人工智能科技领域的更多惊喜，共同推动人工智能技术的发展，为智能科技新蓝图贡献更多力量。 --- https://www.mindspore.cn/news/zh/3046/ --- 新闻 免费算力限时送，昇思MindSpore开源社区助力书生·浦语大模型实战营明日开课！ # 免费算力限时送，昇思MindSpore开源社区助力书生·浦语大模型实战营明日开课！ 2024/03/26 # 免费算力限时送，昇思MindSpore开源社区助力书生·浦语大模型实战营明日开课！ 为了帮助社区用户高效掌握和广泛应用大模型技术，上海人工智能实验室重磅推出**书生·浦语大模型实战营系列活动**，旨在为开发者们提供全面而系统的大模型技术学习课程，并建立一个友好的交流平台，便于大家在大模型实践开发中分享经验、交流思想。 首期实战营，我们同超过 **2000 名**学员一起学习了大模型微调、部署与评测全链路，相关课程视频播放量超过 **4 万次**。同学们不仅深入学习了理论知识，还积极地投身于实践探索中。利用开源的书生·浦语大模型，同学们动手构建了超过 **100 个**各具特色的大模型应用，从实践中体验学习、创新和成长，真正地吃透了大模型的全链路。 在首期书生·浦语实战营的学习、实训过程中，同学们不仅积极学习，同时针对时下热点、大模型落地应用等方面进行了积极且热烈的讨论。针对同学们的呼声，我们对第二期书生·浦语实战营内容进行了**全面升级**，将带领大家**玩转 RAG、多模态和智能体应用**。加入我们，让我们一起探索大模型的无限可能！ **你将收获** - **优质内容**：课程内容涵盖大模型全链路，轻松搭建 RAG、多模态和智能体应用 - **实践算力**：基于 InternStudio 大模型实训平台，为同学们提供免费的 A100 开发实践算力 - **小班教学**：助教、讲师全程陪伴，提供录播回放、线上答疑及实战作业辅导 - **结营证书**：在实战营表现优异的学员，将会获得优秀学员称号以及精美证书 - **项目评优**：基于实战营开发个性化大模型项目，杰出项目将获得官方流量推荐及更高级别赛事推荐机会 **课程安排** **日程安排** - **营员招募** 持续进行中~ - **课程培训** 2024 年 3 月 26 日至 2024 年 4 月 12 日 - **实践项目** 2024 年 4 月 13 日至 2024 年 4 月 25 日 - **课程结营** 2024 年 4 月 26 日 **报名方式** （扫码立即报名实战营） > 文末点击阅读原文可直达报名页面，更多实战营信息欢迎访问活动官网了解：https://openxlab.org.cn/models/InternLM/subject **书生共学计划** 在大模型技术的浪潮中，面对混杂的众多信息，如何获取有效、可信的学习资源成为了一项挑战。 为此，我们推出“**书生共学计划**”，鼓励大家将实战营活动分享给你身边有需要的小伙伴，让每一位热爱技术的朋友都能在这个复杂的信息环境中找到自己的航向，帮助他们在大模型的学习之路上少走弯路。 **参与方法：** 1. **启航准备**：通过**填写问卷**报名加入实战营，开启你的学习之旅。 2. **专属海报**：访问书生共学计划活动页面（ https://s-085841-internlmcamp-t2-fission.openxlab.space/dist/index.html ），输入**完成问卷后获得的核销码**，定制你独一无二的分享海报。 3. **招募同行者**：将海报分享给你身边的小伙伴，邀请他们报名实战营，共享知识的力量。 4. （扫码可直达活动页面） **独家奖励等你拿：** - 成功邀请 5 人，解锁 InternStudio 平台 24GB A100 使用权限，并赢得推广达人称号和电子证书。 - 成功邀请 10 人，解锁 InternStudio 平台 40GB A100 使用权限，享受更高级的学习资源。 - 成功邀请 25 人，解锁 InternStudio 平台 80GB A100 使用权限，让你的学习和实践无任何限制。 **展现你的影响力，成为知识的使者** 这不仅是一个促进个人学习和成长的机遇，更是一个帮助他人、为自己赢得认可和资源的舞台。通过你的分享，我们可以一起帮助更多的人接触和了解前沿技术，期待你的加入。 **活动组织方** 5. 另转发此推文至朋友圈，截止 2024 年 3 月 18 日中午 12:00，点赞数达 30 个的同学，将朋友圈截图**发送至 InternLM 公众号**后台，工作人员核对后即可获得 InternLM 周边礼品一份哦！（仅限前 10 名！先到先得~） 6. 7. 书生·浦语大模型实战营，助力开发者熟悉大模型研发及应用全链路，迈向人工智能领域的新高峰！快来加入我们，一起探索大模型技术的无限可能吧！期待和你一起组建最强大模型战队！ --- https://www.mindspore.cn/news/zh/3047/ --- 新闻 昇腾AI开发者故事—— AI的探索之旅，永不停歇 # 昇腾AI开发者故事—— AI的探索之旅，永不停歇 2024/03/26 # 昇腾AI开发者故事—— AI的探索之旅，永不停歇 AI的全球浪潮正在改变各行各业的面貌，为车辆识别技术带来了前所未有的机遇和挑战。车辆识别是人工智能技术在交通管理和安全领域的一个重要应用，它不仅需要强大的计算能力和精确的识别算法，还需要处理车辆的多样性、光照条件、天气变化等不确定因素，以及如何确保识别的准确性和系统的稳定性等问题。 当下，越来越多的开发者投入到这些难题的研究中，陈铎晟就是其中一位。他是南开大学计算机视觉实验室成员之一，基于昇腾AI技术设计出了高精度、内存小、计算少的智能港口车辆识别模型。该模型在港口车辆识别中得到了重要应用。陈铎晟怀揣着对车辆识别项目的热忱，将知识和技术作为驱动力，跟随昇腾AI一路成长，收获许多成就。 AI的探索之旅，永不停歇 初入实验室时，陈铎晟是一个AI领域的小白。华为天津智算中心和华为港口军团的合作契机，他有机会参与了华为与南开大学计算机视觉实验室合作的车辆识别项目，并与昇腾AI结缘，这才真正为他打开了AI探索的大门。通过多次线上学习和与华为工程师的研讨会议，他学习了人工智能原理、深度学习以及昇腾方向等领域的基础知识，为他在AI领域的探索打下了坚实基础。在这个过程中，他的“羽翼”慢慢丰满，也因此在项目的完成上越来越得心应手。在合作过程中，在实验室中他与同学们不断丰富基础案例，动手实操，让他的AI进阶之路又向前迈进了一步，使他在后续的各种场景开发中更加熟练自如。 有了AI开发应用知识上的储备，陈铎晟就像有了“兵器”的“武者”，终于可以大展拳脚。他开始在昇腾硬件上部署港口场景下的车辆识别模型，尝试做车辆检测、文字识别应用。他使用双阶段多分支网络架构，基于YOLO、CRNN模型来分别解析车牌边界信息、识别车牌内容信息，这样一来，能够将图像中的车辆进行准确检测和识别，并使用无锚框的YOLO算法来进行准确的车牌区域划定，根据之前开发学习的案例，编写推理脚本，完成了他AI探索道路上第一个完整的项目。在这个合作过程中，不断提升了他的实践技能。在昇腾AI与实验室的会议讨论上，陈铎晟说道，“这项应用能让系统更准确地识别和跟踪车辆信息，在车牌检测识别的速度、推理的准确率上有了极大的提高，提高车辆管理的效率，为智能化港口贡献了一份自己的力量”。 如同获得了珍贵的"武林秘籍"，陈铎晟在这个过程中快速成长，而参与到华为昇腾项目中则是他成长过程中的重要里程碑。在车辆识别项目的开发中，他逐渐承担起核心工作的责任，利用昇腾AI基础硬件进行训练和推理开源模型，并不断优化代码以实现提高检测识别的精度。此外，他独立编写昇腾相关硬件的推理代码，以确保模型可以在NPU上正常进行训练和推理。正是通过这些实践经验，提升了他的开发能力，让陈铎晟不断成长为能独当一面的项目负责人，有了向前探索的胆量和底气。 不断创新，解决行业挑战 车辆识别技术在现代交通管理和智能交通系统中扮演着重要角色，其发展一直受到各种技术难题的挑战。车辆识别高度依赖于对车辆图像的精确感知和检测，只有准确且及时地识别出车辆信息，才能有效地支持交通管理和安全监测。然而，车辆识别系统的实时性和识别精度仍是当前行业面临的痛点问题。陈铎晟在这一领域关注已久，在有了一定的积淀后，他希望结合在车辆识别项目上的经验和优势做出更好的应用。在华为举办的昇腾AI创新大赛中，他带领团队利用昇腾AI基础软硬件技术，提出了针对车辆识别的一种新的解决方案，以YOLO和CRNN模型为基础，针对车辆识别领域的算法关键性难题进行攻克。 值得一提的是，陈铎晟和实验室团队将创新AI算法应用到华为的港口中，把创新设计的算法与强大算力的昇思MindSpore AI融合架构相结合，在架构上进行应用，取得了不错的性能优势。他强调，昇思MindSpore AI融合框架作为桥梁，能让开发者基于昇腾平台快速构建自己的应用，且上层AI框架能在底层NPU上高效运行，同时它的强大算力，也让模型性能更加强大。 在技术创新上，他们使用YOLO目标检测网络进行车辆车牌识别，识别精度高达99.45%，可用于工业界落地。其次使用结合YOLO进行车辆目标检测，得到车牌位置信息后，使用CRNN对其内容信息识别，通过这两个技术，能够构建更精确，更完备的智能车辆识别系统。 说了这么多技术的内容，是否真的可以应用于产业与行业的落地呢？陈铎晟笃定地回答道，“我们团队拥有先进的智能视觉车辆识别算法，可以快速高效地识别港口场景上的车辆信息，在面对车辆不清晰情况时可以做出快速反应，从而实现高效处理”。技术的落地不是一蹴而就的，新生代开发者们在实践中不断地优化和发展技术，通过项目的实践，不断积累经验和知识，相信在不久的将来，定能攻克产业的难关。 作为新生代的开发者，陈铎晟在昇腾社区完善的培养机制下，不断探索AI技术，进行丰富实践，积极创新，在大大小小的项目与活动中，得到锻炼和成长，相信未来将获得属于自己的大展拳脚的“擂台”。 --- https://www.mindspore.cn/news/zh/3048/ --- 新闻 金句频出！昇思人工智能框架峰会主题演讲回顾 # 金句频出！昇思人工智能框架峰会主题演讲回顾 2024/03/26 # 金句频出！昇思人工智能框架峰会主题演讲回顾 金句频出！昇思人工智能框架峰会主题演讲回顾 --- https://www.mindspore.cn/news/zh/3049/ --- 新闻 名场面回顾！一图看完昇思人工智能框架峰会2024 # 名场面回顾！一图看完昇思人工智能框架峰会2024 2024/04/01 # 名场面回顾！一图看完昇思人工智能框架峰会2024 # 名场面回顾！一图看完昇思人工智能框架峰会2024 关注MindSpore公众号，查看更多信息哦 --- https://www.mindspore.cn/news/zh/3050/ --- 新闻 汇集领军科学家，发布四大原创科研成果！昇思MindSpore科学智能论坛圆满举办 # 汇集领军科学家，发布四大原创科研成果！昇思MindSpore科学智能论坛圆满举办 2024/03/29 # 汇集领军科学家，发布四大原创科研成果！昇思MindSpore科学智能论坛圆满举办 \[中国，北京，2024年3月22日\]昇思MindSpore科学智能创新论坛在北京国家会议中心成功举办，论坛汇聚了AI+科学计算多个领域顶尖专家，分享在计算生物、材料化学、电磁仿真和微分方程求解领域的最新进展和成果。 本次科学智能创新论坛共有七大分享，论坛上多个科研团队基于昇思MindSpore AI框架发布了四大科学智能成果。同时，展览展示区域也设立展位呈现相应成果的介绍。 相关成果分别是中国科学院大连化学物理研究所孵化的智能化工大模型、同元软控推出的科学计算与系统建模仿真平台MWORKS、北京大学团队研发的偏微分方程基础模型PDEformer-1、清华大学团队开发的大地电磁智能反演模型。 出席论坛的领军科学家包括北京生命科学研究所副所长黄嵩；中科院大连化物所低碳催化技术国家工程研究中心副主任叶茂；深圳先进院教授唐继军；北京国际数学研究中心长聘教授、国际机器学习研究中心副主任董彬；西北工业大学航空学院博士生导师，长江学者特聘教授张伟伟；清华大学教授李懋坤以及知名企业家同元软控总经理刘奇，参会的主要嘉宾向观众分享了他们对科学智能相关领域的洞察与期许。 **AI，Life，Robot：** **生命科学研究新范式** 从单细胞测序到复杂的生物系统模拟，AI的加入使我们能够以前所未有的深度和精度探索生命的奥秘。随着技术的发展，我们对生命科学的理解正日益深化，展现出无限的可能性。华为AI4S Lab与北京生命科学研究所副所长黄嵩及黎斌老师团队深度合作，基于昇思MindSpore框架共同打造了单细胞多组学基础大模型，可以综合分析多个层级的组学信息，解析基因调控机理，构建生命全图谱。 **基于昇思MindSpore的** **化工大模型工艺流程生成** 华为AI4S Lab与中国科学院大连化学物理研究所刘中民院士及叶茂教授团队深度合作，基于昇思MindSpore框架共同打造了智能化工大模型，实现了化工设计-仿真优化-知识归纳的多智能体协同设计的平台，可根据用户输入的工艺目标生成对应化工流程设计方案。基于昇思MindSpore在大模型领域和化学领域套件的基础能力，具备历史经验数据化，流程设计自动化，以及面向仿真结果自优化功能的智能化工大模型得以快速顺利的孵化。 **基于昇思MindSpore的** **AI+复杂疾病诊断方法** 潘毅院士团队与昇思MindSpore合作开发自闭症早期逐级筛查方法：通过多模态数据融合，例如利用功能性磁共振成像（fMRI）、脑电图（EEG）信号、以及行为学数据，更精准地识别自闭症患者。同时基于行为学的诊断方法筛查代价低，易推广，有助于实现大范围自闭症早期筛查，赋能社会公益。 **系统建模仿真与** **AI技术的融合研究与实践** 华为AI4S Lab联合苏州同元软控信息技术有限公司（简称“同元软控”），共同发布了以昇思MindSpore为智能底座的“新一代科学计算与系统建模仿真平台MWORKS”，打造了AI与数据科学系列工具箱（如统计工具箱、深度学习工具箱、强化学习工具箱等）以及模型降阶及融合仿真工具。新一代MWORKS平台不仅能够为用户提供基础易用的AI能力，还能够与系统建模仿真深度融合，助推系统建模仿真工作提质增效。 **基于昇思MindSpore的** **偏微分方程基础模型研究与实践** 华为AI4S Lab与北京大学董彬老师的团队紧密合作，基于昇思MindSpore框架共同打造了PDEformer-1模型，这是AI解偏微分方程领域的基础模型，能够直接接受任意形式偏微分方程（PDE）作为输入。通过在包含300万条一维PDE样本的庞大数据集上进行训练，PDEformer-1已经展现出了对广泛类型的一维PDE正问题的迅速且精准求解能力。PDEformer的构架灵活，未来可向高维和更多类型PDE扩展、支持多种下游任务（反问题、控制等）。 **微分方程求解的** **两种范式对比分析、融合与展望** 西北工业大学张伟伟教授为我们介绍了微分方程求解的两种范式。科学研究发展至今已经发展至第四范式，其中微分方程的求解，归结到以计算科学为核心的第三范式中，存在求解速度慢等问题；近年来发展的第四范式以大数据驱动的智能科学为核心，结合神经网络强大的拟合和表征能力，微分方程的求解的程序实现变得简单易上手，但也存在精度和泛化性等问题。张老师建议结合两种范式的特点，促进科学计算的发展。 **深度学习技术在** **计算电磁学中的应用实践** 华为AI4S Lab联合清华大学李懋坤教授、华为先进计算与存储实验室，基于昇思MindSpore框架共同发布了大地电磁智能反演模型以及三维目标智能电磁求解器。大地电磁智能反演模型通过变分自编码器（VAE）灵活嵌入了多物理先验知识有效提升了复杂介质地球物理反演的精度；三维目标智能电磁求解器通过构建物理信息图残差神经网络，提升了数倍至百倍计算效率。 昇思人工智能框架峰会2024科学智能创新论坛现场干货满满、座无虚席。通过各位专家深入浅出地讲解，专业观众们在计算生物、材料化学、电磁仿真和微分方程求解等领域获得了新的视角和更全面的洞察，同时也展示了昇思MindSpore赋能AI for Science领域的强大竞争力！ --- https://www.mindspore.cn/news/zh/3051/ --- 新闻 【昇思MindSpore技术公开课】第十二讲 Prompt engineering 课程回顾 # 【昇思MindSpore技术公开课】第十二讲 Prompt engineering 课程回顾 2024/04/10 # 【昇思MindSpore技术公开课】第十二讲 Prompt engineering 课程回顾 昇思MindSpore技术公开课大模型专题精彩继续！上期课程我们针对大模型提示词工程（Prompt engineering）进行了一些列知识点的讲解，并且带领大家使用Ascend+MindFormers+MindSpore部署Baichuan2的多轮对话聊天机器人。下面我们对Prompt engineering的课程知识点进行总结： **1**\*\*、\*\***什么是Prompt？** \*\*Prompt定义：\*\*涉及传递给语言模型，以实现所需任务的指令和上下文，驱动大模型进行图文表达的文本描述。 \*\*Prompt engineering定义：\*\*是开发和优化提示，以有效地将语言模型用于各种应用程序的实践。 \*\*主要使用Prompt的场景主要分为两个部分：\*\*语言对话和文生图两种常见类别。 \*\*2、\*\***如何定义一个Prompt的好坏?** （1）\*\*角色赋予：\*\*就是让大语言模型（LLM）明白自已的身份，说与身份对应的话 （2）\*\*细化指令：\*\*从产出结果出发，逆向推导要点，并给出明确要求。 （3）\*\*格式控制：\*\*给出字数限制，要点列举，文章结构，如标题分级，还有押韵比喻等手法，让输出的内容更符合预期。 **3**\*\*、\*\***如何撰写优质的Prompt？** 假设我们有一个任务：我现在要去天津旅游，我想要baichuan2大模型给我一份旅游攻略 \*\*第一步：\*\*说清楚：大语言模型没办法洞察用户的内心，所以要确保 Prompt 有清晰明确地表达你的意图。**Prompt=“给我一份去天津三天两晚的旅游攻略”。** \*\*第二步：\*\*做强调：我们可以突出我们重点所需要的地方，对一些我们希望固定输出的内容进行强调，或者将一些细节进行输入。**Prompt=“给我一份去天津三天两晚的旅游攻略，****我特别想去看大爷跳水和吃煎饼果子****”。** \*\*第三步：\*\*定人设：我们可以给大模型预设定一个人设，假设它是某个相对应场景非常专业的人士，这样子可以使得输出的结果更加的精确。**Prompt=“****你是有10年资历携程旅行资深的规划师，拥有给2000名私人用户进行短程旅游的规划经验，行程的规划更加细致****，现在给我一份去天津三天两晚的旅游攻略，我特别想去看大爷跳水和吃煎饼果子”。** \*\*第四步：\*\*追问细节：目前大多数模型都有长记忆的回答功能，我们可以根据它的回答去在细节上进行询问。**Prompt=“****五大道是一个错综复杂的地方，请给我设计一条线路以便我能够在一个下午游览整个五大道的景点****”。** **4**\*\*、\*\***如何产出一个优质的Prompt？** 下面给出一个小案例： **5**\*\*、\*\***浅谈一些我们在进行Prompt的时候遇到的问题** 最后大家可以根据启智社区上的README.md（关注MindSpore公众号，点击文章结尾处“**阅读原文**”，可前往查看），即可以在Ascend设备上进行Baichuan2的模型多轮对话。 --- https://www.mindspore.cn/news/zh/3053/ --- 新闻 业界SOTA！基于昇思MindSpore的大地电磁智能反演模型首开源，助力地球物理勘探加速智能化 # 业界SOTA！基于昇思MindSpore的大地电磁智能反演模型首开源，助力地球物理勘探加速智能化 2024/04/08 # 业界SOTA！基于昇思MindSpore的大地电磁智能反演模型首开源，助力地球物理勘探加速智能化 近日，华为AI4S Lab与清华大学李懋坤教授团队、华为先进计算与存储实验室合作，基于昇腾AI处理器与昇思MindSpore AI框架打造了大地电磁智能反演模型。该模型通过变分自编码器（VAE）灵活嵌入了多物理先验知识，达到了业界SOTA。该成果已被国际顶级勘探地球物理期刊《Geophysics》收录，相关代码已在昇思MindSpore Elec电磁仿真套件代码仓中开源，同时，该成果也在昇思人工智能框架峰会2024上发布亮相。 大地电磁（Magnetotelluric）反演是一种地球物理勘探技术。它利用地球表面上的电磁场与地下岩石、矿床等物质的电导率、磁导率等物理属性之间的关系，推断地下物质的电磁参数分布从而达到探测地下物质的目的。该技术被广泛应用于矿产勘探、油气勘探、地质灾害预测等领域。大地电磁反演相比地震波反演具有**探测深度大、测量复杂度低、操作较为简便**等优势，但传统的大地电磁反演方法（如像素反演方法等）仍面临**数据分辨率低、病态性和多解性**等问题。基于昇思MindSpore的大地电磁智能反演模型通过融入多物理先验知识，有效地解决了上述问题。 图3 大地电磁反演精度对比 图4 大地电磁反演收敛速度对比（Pixel-based：传统反演；Feature-based：我们的工作） 此外，大地电磁智能反演模型还在**南部非洲开源数据集**（SAMTEX）上做了验证。该反演区域位于南部非洲西海岸附近，长度约为750km，深度选定为80km。该测区显著特征为在**水平方向100km至400km之间，深度20km以浅的区域存在的高导结构**。由于低频电磁波在导体结构中的衰减，MT方法对高导结构下部区域的敏感度很低, 因此无先验知识约束的传统MT反演难以准确重建高导地层的下边界位置。大地电磁智能反演对**高导地层的下边界重建较为清晰准确**，较好地将地层厚度的先验知识融入了反演。 图5 南部非洲MT反演示例图（上图：传统反演；下图：我们的工作） 大地电磁智能反演模型基于高效易用的昇思MindSpore融合框架，实现了SOTA的结果。未来，我们将进一步拓展该模型，推动应用落地到更多领域。同时，希望有更多的企业、科研院所能够参与共建、共享，依托昇思MindSpore共同打造更多智能电磁的创新应用。 相关工作： - 了解更多可查看论文： https://library.seg.org/doi/10.1190/geo2022-0774.1 - 昇思MindSpore Science开源路径https://gitee.com/mindspore/mindscience - 昇思大地电磁智能反演模型开源路径https://gitee.com/mindspore/mindscience/tree/master/MindElec/examples/hybrid\\\_driven/feature\\\_based\\\_MT\\\_inversion - 添加小猫子@MindSpore助手加入社群 --- https://www.mindspore.cn/news/zh/3054/ --- 新闻 “智能基座昇腾高校行”中南大学站 | 昇思MindSpore带最新AI领域前沿趋势入校园 # “智能基座昇腾高校行”中南大学站 | 昇思MindSpore带最新AI领域前沿趋势入校园 2024/04/08 # “智能基座昇腾高校行”中南大学站 | 昇思MindSpore带最新AI领域前沿趋势入校园 **“智能基座高校行”** 3月31日，“智能基座”昇腾高校行中南大学专场顺利举办。本次活动以“创未来·享非凡”为主题，由华为技术有限公司主办、中南大学计算机学院及智能基座社团协办，聚焦人工智能、量子计算等前沿趋势。中南大学计算机学院副院长夏佳志，昇腾AI开发者生态总监李基盛，MindStudio软件开发工程师龚思维，昇思MindSpore Quantum布道师、武汉大学博士谢晴兴，华为计算产品线HR李春梅与同学们齐聚一堂，就众多热门技术议题展开交流探讨。 华为智能基座昇腾高校行2024——中南大学专场 “智能基座”产教融合协同育人基地项目由教育部、华为于2020年底联合发起，首批布局全国72所高校，旨在深化信息技术领域人才培养模式改革和协同创新，加快新工科建设，为推动经济高质量发展奠定人才基础。作为项目的重要环节之一，华为特别展开高校行活动，将前沿技术带入高校校园，与同学们近距离接触。作为第一批“智能基座”项目签约高校，中南大学与华为长期友好合作。此次昇腾高校行来到中南大学校园，更是受到在校师生的热烈支持。 **中南大学计算机学院副院长夏佳志**首先对到场技术专家表示了诚挚欢迎。他表示，自2020年中南大学与华为携手签署“智能基座”产教融合协同育人基地合作协议以来，双方已在多个领域进行了深入的协作探索与创新实践。华为与中南大学紧密合作，积极推动教学内容与课程体系的更新与发展，将鲲鹏、昇腾系列技术深度融入计算机、人工智能等相关专业建设之中，旨在强化学生的创新创业能力和实践能力培养，为行业培养出更多优秀的人才。我们正处于一个充满机遇的时代，希望广大同学能够敏锐把握时代的脉搏，充分利用这次昇腾高校行的机会，了解最前沿的科技视野，推动科研创新与进步。同时，我们也期待以此次活动为新的起点，进一步加深企业与学校之间的合作，共同推动产教融合，形成企业与人才之间良性互动、共赢发展的良好局面。 中南大学计算机学院副院长夏佳志 **昇腾AI开发者生态总监李基盛**以“携手开发者，共创数智未来”为题，为专家分享环节拉开序幕。他表示，开发者是促进产业繁荣的重要推力，昇腾AI始终重视开发者工作，积极参与开发者生态建设，从技术、运营等方面进行生态协同，帮助开发者加速产品应用创新。此外，昇腾AI还为开发者提供丰富多样的开发者活动，并通过体系化成长计划及权益激励为开发者赋能，与开发者携手并进。生动精彩的演讲激发了同学们投身行业的信心。 昇腾AI开发者生态总监李基盛 其后，**MindStudio软件开发工程师龚思维**为同学们带来昇腾MindStudio全流程工具链介绍。MindStudio是华为面向昇腾AI开发者提供的一站式开发环境和工具集，致力于提供端到端的昇腾AI应用开发解决方案，使开发者能够在一个工具上高效完成算子开发、训练开发和推理开发。为利于同学理解，龚思维从基于昇腾的大模型开发流程引入，将各个环节抽丝剥茧，结合实际场景详解MindStudio工具在大模型开发过程中的作用和使用方法，帮助同学们打好技术基础。 MindStudio软件开发工程师龚思维 随后，**昇思MindSpore Quantum布道师、武汉大学博士谢晴兴**揭秘量子计算，带领学生深入了解昇思MindSpore Quantum量子编程。昇思MindSpore Quantum是昇思MindSpore开源社区推出的新一代、开源、量子经典混合计算架构，能够高效地支持主流量子算法和量子经典混合算法，为量子计算的研究和发展提供了一个高效的开发环境。谢老师由业界人工智能最新发展趋势着手，逐步介绍量子计算起源及其现代应用，充分点燃了同学们的求知热情。为了帮助同学们深入掌握实践技能，谢老师特别带领同学们亲身实践量子计算基础编程，在实际操作中内化量子编程知识，开拓自身科研视野。实操过程中，同学们踊跃提问、积极互动，对量子计算有了更深的认识。 昇思MindSpore Quantum布道师、武汉大学博士谢晴兴 在讲座的最后，**华为计算产品线HR李春梅**以“在最好的算力时代，遇到更好的你们”为题，与同学们亲切交流。不仅针对当前计算产业形势进行分享，而且就大学生最关心的求职就业问题予以耐心解答，根据自身经验为同学们分享业界洞察、推荐岗位，帮助同学们破除就业迷思，不断提升自身竞争力，合理规划职业道路，为将来的求职生涯做好准备。 华为计算产品线HR李春梅 当下，以人工智能为首的新科技浪潮正在席卷千行百业，崭新的技术环境呼唤着更多专业人才的参与建设。作为未来人才的摇篮，高校与产业更需深入融合，以高质量人才为行业注入新鲜动力。今后，华为将与更多高校携手，以“智能基座”项目为依托，继续推动昇腾高校行走入更多校园，以产业和技术发展的最新需求推动高校教育改革，帮助高校学生高质量就业，培养能够适应、引领新一轮科技革命和产业变革的卓越工程人才。 --- https://www.mindspore.cn/news/zh/3056/ --- 新闻 课程回顾 | 昇思MindSpore AI框架师资培训杭州站 # 课程回顾 | 昇思MindSpore AI框架师资培训杭州站 2024/04/03 # 课程回顾 | 昇思MindSpore AI框架师资培训杭州站 近日，全国高校计算机类课程能力提升高级研修班(2024年第二期)在浙江省杭州市华为技术有限公司杭州研究所召开，来自全国74所高校的近200位教师参加了此次培训。其中，来自北京理工大学、同济大学、武汉大学、湖南大学、西安交通大学、中国科学技术大学、山东大学等，40所知名高校的61位教师参与了《MindSpore深度学习》课程，共同讨论昇思MindSpore在计算机视觉、自然语言处理、大模型领域课程的融合，课程反响热烈，老师们对昇思MindSpore的易用性提升和课程质量高度评价。本次研修班由教育部高等学校计算机类专业教学指导委员会和全国高等学校计算机教育研究会主办、清华大学出版社与华为公司共同协办。 全体合影 《MindSpore深度学习》课程培训由浙江大学计算机科学与技术学院汤斯亮教授、华为吕昱峰、邢译壬老师担任讲师，40所知名高校的61位教师共同参与。 汤斯亮教授以自然语言处理技术发展异常迅速作为背景，分析了课程教学的困境原因。并以昇思MindSpore为例分享高校和企业的课程融合方式——紧跟前沿技术，与实践相结合，追求更深入的技术剖析模式。如以昇思MindSpore为例介绍并行算法，以盘古为例介绍大模型训练。并且，汤斯亮教授分享他自身的实践心得，强调了人工智能为高校的教学提供算力、框架支持的重要性，实现产教研的相互促进与深度融合的目标。最后，汤教授热情回应各位教师的问题，分享了大模型教学中的挑战及对未来的展望。 浙江大学计算机科学与技术学院汤斯亮教授 吕昱峰和邢译壬老师以人工智能的发展与挑战为切入点，讲解了CV、NLP和大模型领域的经典模型与算法。课程为每一个技术领域设计了丰富的基于昇思MindSpore的应用案例，带领老师们进行实践，由此引出对昇思MindSpore AI框架的设计理念及核心竞争力的解析，让老师们更深入地了解昇思MindSpore，快速上手基于昇思MindSpore模型开发与应用。 其次，两位老师结合自身经历，以及和昇思MindSpore开发者的交流经验，分享了对课程教学内容设计的建议，解答了老师们关于算力、框架、大模型等相关问题，并提供了香橙派开发板+昇思MindSpore软硬件结合的实验设计思路。课程反响热烈，老师全程积极参与，甚至到周日晚上还有28名老师参加晚上的实验课，效果非常显著。同济大学、武汉大学、湖南大学、西安交通大学、中国科学技术大学、山东大学等智能基座高校老师最后还进行了课程融入说课研讨分享。 昇思MindSpore生态技术SE吕昱峰 昇思MindSpore技术专家邢译壬 参与课程学习的老师们对昇思MindSpore的易用性提升和课程质量给予了高度评价，认为昇思MindSpore深度学习课程提供了优质的课程资源，填补了之前教学中的空缺，并期待昇思MindSpore后续的课程。 课程反馈 这次研修班成为了高校教师与企业间交流的桥梁，突出了校企合作的重要性。众多参会教师一致认为，这是深入了解国家战略和企业需求的宝贵机会，对于提升教学质量和人才培养至关重要。理论与实践的结合，以及来自行业专家的深入讲解，对于日常教学安排和产教融合案例的分享，极大地丰富了参会老师的教学方法和视野。 --- https://www.mindspore.cn/news/zh/3057/ --- 新闻 华为ICT大赛2023-2024中国总决赛圆满落幕，昇思MindSpore开发者参赛成绩斐然 # 华为ICT大赛2023-2024中国总决赛圆满落幕，昇思MindSpore开发者参赛成绩斐然 2024/04/03 # 华为ICT大赛2023-2024中国总决赛圆满落幕，昇思MindSpore开发者参赛成绩斐然 2024年3月30日-31日，华为ICT大赛2023-2024中国总决赛暨颁奖典礼在福建厦门圆满落幕。从2015年至今，大赛已连续举办八届，今年更是吸引了来自中国1700所院校学生参与，参赛规模首次突破10万人，影响力日益增强。 华为ICT大赛2023-2024中国总决赛合影 **创新赛中国总决赛** 本届华为ICT大赛中国创新赛吸引了全国130所高校的467支队伍近1400名学生报名参赛。经过初赛选拔，50支队伍入围中国区总决赛，其中33支队伍是昇思MindSpore开发者。经过激烈角逐，最终甄选出12支队伍入围华为ICT大赛2023-2024全球总决赛创新赛，其中9支队伍使用昇思MindSpore 框架完成作品，名单如下。 来自西北工业大学的学生苏萌是本次创新赛中国总决赛特等奖获奖团队智慧医心的成员，他告诉记者，通过参加本次大赛，他看到了许多优秀项目，同时也增进了对前沿技术及行业的了解，有助于自己后续课题研究的开展与毕业论文的设计。在项目推进过程中，华为不但提供了大量软硬件支持，还能够及时有效地响应开发者的诉求，为开发提供了友好的环境。 “通过参加比赛，在积累知识、提高开发与工程能力外，能够提升自己寻找问题解决方法的耐心与能力。”特等奖获奖团队华中师范大学塔塔姜火成员谭婷婷说，“从项目雏形到落地的过程，其实是一步步抽丝剥茧、团队协作提升能力的过程。在完成项目的过程中，我们的实践能力也在不断增强。” **70\*\*\*\*支队伍晋级全球总决赛** 3月31日，华为ICT大赛2023-2024中国总决赛颁奖典礼在厦门大学召开，历时半年，从省赛到国家赛，来自1700多个院校的队伍同台竞技，各显风采，经过激烈角逐，最终实践赛和创新赛共有70支队伍摘得本届大赛桂冠，从而晋级全球总决赛。 **华为ICT大赛** 作为全国普通高校学科竞赛榜单项目、联合国教科文组织全球技能学院的关键伙伴旗舰项目，华为ICT大赛由实践赛与创新赛两大赛事组成，通过国家赛（中国省赛）、区域赛（中国国赛）、全球总决赛三级比拼赛制，配套专业完善的课程和资源，旨在培养学生创新意识和实践能力，加速创新型与应用型人才培养。从2015年至今，大赛已连续举办八届，今年更是吸引了来自中国1700所院校学生参与，参赛规模首次突破10万人，影响力日益增强。 昇思MindSpore积极参与、支持比赛，为使用昇思MindSpore的参赛项目提供技术指导，不断优化升级项目质量。昇思MindSpore开发者们克服种种困难，经历多轮路演、方案调整修改，全力以赴、奋勇争先，经过激烈角逐，最终取得优异成绩。 --- https://www.mindspore.cn/news/zh/3058/ --- 新闻 快来获取你的“知音”——MusicGen in MindSpore NLP # 快来获取你的“知音”——MusicGen in MindSpore NLP 2024/04/11 # 快来获取你的“知音”——MusicGen in MindSpore NLP 要说最近一两周AIGC领域最被关注的内容，非Suno AI莫属。 作为“音乐界的ChatGPT”，Suno AI最新推出的V3模型以其生成广播质量级别音乐的非凡能力火速引爆了音乐圈，网友们也纷开始放飞自我，在AI音乐生成的二创道路上越走越远。 B站网友Mr\_Mr\_han\[1\]和一玄青基于Suno AI的二创\[2\] 对AI开发者与爱好者来说，目前最大的遗憾可能就是Suno V3还没有开源，也没有任何训练的细节，但没有关系，我们现在可以通过MindSpore NLP玩转音乐生成。 MindSpore NLP已支持Meta推出的人工智能音乐生成器——MusicGen！！！它是目前在AI音乐领域难得的开源且可以充当商用训练基础的模型。支持随机生成一段音乐，也可以通过你输入的文本生成指定风格的音乐。 先来试听几段由MusicGen生成的音乐： MusicGen随机生成的音乐： **musicgen\_out\_unconditional**,昇思MindSpore,15秒 如果你想生成属于自己的专属音乐，快来MindSpore NLP体验属于你自己的“知音”吧！MusicGen链接： https://github.com/mindspore-lab/mindnlp/blob/master/llm/inference/musicgen/run\\\_musicgen.ipynb \*\* \*\* ******************基于MindSpore NLP+MusicGen生成自己的个性化音乐****************** \*\* \*\* MindSpore NLP如今已全面拥抱HuggingFace，基于动态图实现一天完成热点SOTA模型快速适配。熟悉开发的小伙伴可能会发现基于MindSpore NLP实现的接口和HuggingFace并没有太多的差别，接下来我们借音乐生成的案例来进行阐明。 音乐生成的方式有以下3种： - 无提示生成：让模型“自力更生“，随机生成一段音乐，体验开音乐盲盒的惊喜。 - 文本提示生成：通过文本指定生成音乐的风格，如：生成一段80s的朋克风音乐，需要有很密集的鼓点。 - 音频提示生成：通过音频提示来生成音乐。 在此之前，需要完成一点点“准备工作“。 首先，我们将本次生成音乐用到的MusicGen-small模型进行实例化。 `from mindnlp.transformers import MusicgenForConditionalGeneration model = MusicgenForConditionalGeneration.from_pretrained("facebook/musicgen-small")` MusicGen提供了small、medium和big三种规格的预训练权重文件，本次指南默认使用small规格的权重，生成的音频质量较低，但是生成的速度是最快的。感兴趣的小伙伴也可以尝试不同其他规格的MusicGen。 接下来，就到了生成音乐的正式环节了。 MusicGen都是通过调用model.generate接口，但可以通过变换不同的输入（即代码中的inputs）来实现不同方式的音乐生成。 补充一点，MusicGen支持贪心（greedy）和采样（sampling）两种生成模式。在实际执行过程中，采样模式得到的结果要显著优于贪心模式。因此我们默认启用采样模式，并且可以在调用MusicgenForConditionalGeneration.generate时设置do\_sample=True来显式指定使用采样模式。 在了解了音乐生成的整体思路后，我们就可以尝试上述的三种不同的音乐生成方式了。 ****方式1：无提示生成**** 我们可以通过方法 \`MusicgenForConditionalGeneration.get\_unconditional\_inputs\` 获得网络的随机输入，然后使用 \`.generate\` 方法进行自回归生成，指定 \`do\_sample=True\` 来启用采样模式： `unconditional_inputs = model.get_unconditional_inputs(num_samples=1) audio_values = model.generate(**unconditional_inputs, do_sample=True, max_new_tokens=768)` 接下来，我们需要使用第三方库\`scipy\`将输出的音频保存为\`musicgen\_out\_unconditional.wav\` 文件。 `import scipy sampling_rate = model.config.audio_encoder.sampling_rate scipy.io.wavfile.write("musicgen_out_unconditional.wav", rate=sampling_rate, data=audio_values[0, 0].asnumpy())` ## ****方式2：文本提示生成**** 首先通过AutoProcessor对输入进行预处理，基于文本提示生成音频样本。然后，可以将预处理后的输入传递给.generate方法以生成文本条件音频样本。最后，我们将生成出来的音频文件保存为\`musicgen\_out\_text.wav\`。 `from mindnlp.transformers import AutoProcessor processor = AutoProcessor.from_pretrained("facebook/musicgen-small") inputs = processor( text=["80s pop track with bassy drums and synth", "90s rock song with loud guitars and heavy drums"], padding=True, return_tensors="ms", ) audio_values = model.generate(**inputs, do_sample=True, guidance_scale=3, max_new_tokens=768) scipy.io.wavfile.write("musicgen_out_text.wav", rate=sampling_rate, data=audio_values[0, 0].asnumpy())` 大家可以通过修改processor中的文本描述，定制自己个人风格的音乐。 ## ****方式3：音\*\*\*\*\*\*\*\*频提示生成**** AutoProcessor同样可以对用于音频预测的音频提示进行预处理。在以下示例中，我们首先加载音频文件，然后进行预处理，并将输入给到网络模型来进行音频生成。最后，我们将生成出来的音频文件保存为\` musicgen\_out\_audio.wav \`。 `from datasets import load_dataset dataset = load_dataset("sanchit-gandhi/gtzan", split="train", streaming=True) sample = next(iter(dataset))["audio"] sample["array"] = sample["array"][: len(sample["array"]) // 2] inputs = processor( audio=sample["array"], sampling_rate=sample["sampling_rate"], text=["80s blues track with groovy saxophone"], padding=True, return_tensors="ms", ) audio_values = model.generate(**inputs, do_sample=True, guidance_scale=3, max_new_tokens=256) scipy.io.wavfile.write("musicgen_out_audio.wav", rate=sampling_rate, data=audio_values[0, 0].asnumpy())` 大家如有其他的音频文件，也可以通过这种方式来引导模型输出。 # ****附录：MusicGen是什么？**** MusicGen是来自Meta AI的Jade Copet等人提出的基于单个语言模型（LM）的音乐生成模型，能够根据文本描述或音频提示生成高质量的音乐样本，相关研究成果参考论文《Simple and Controllable Music Generation》\[3\]。 MusicGen模型基于Transformer结构，可以分解为三个不同的阶段： 1. 用户输入的文本描述作为输入传递给一个固定的文本编码器模型，以获得一系列隐形状态表示。 2. 训练MusicGen解码器来预测离散的隐形状态音频token。 3. 对这些音频token使用音频压缩模型（如EnCodec）进行解码，以恢复音频波形。 与传统方法不同，MusicGen采用单个stage的Transformer LM结合高效的token交织模式，取消了多层级的多个模型结构，例如分层或上采样，这使得MusicGen能够生成单声道和立体声的高质量音乐样本，同时提供更好的生成输出控制。MusicGen不仅能够生成符合文本描述的音乐，还能够通过旋律条件控制生成的音调结构。 图表1 MusicGen使用的码本延迟模式 MusicGen直接使用谷歌的t5-base\[4\]及其权重作为文本编码器模型，并使用EnCodec 32kHz\[5\]及其权重作为音频压缩模型。MusicGen解码器是一个语言模型架构，针对音乐生成任务从零开始进行训练。 ## **参考链接** \[1\]https://www.bilibili.com/video/BV1w1421D7tQ/?spm\\\_id\\\_from=333.337.search-card.all.click&vd\\\_source=71c01b2a505751311824aae7033733ad \[2\]https://www.bilibili.com/video/BV1Cx421S7fD/?spm\\\_id\\\_from=333.337.search-card.all.click&vd\\\_source=71c01b2a505751311824aae7033733ad \[3\]https://arxiv.org/abs/2306.05284 \[4\]https://huggingface.co/t5-base \[5\]https://huggingface.co/facebook/encodec\\\_32khz --- https://www.mindspore.cn/news/zh/3067/ --- 新闻 薪动实习，抢占先机，2024昇思MindSpore开源实习开启啦！ # 薪动实习，抢占先机，2024昇思MindSpore开源实习开启啦！ 2024/04/17 # 薪动实习，抢占先机，2024昇思MindSpore开源实习开启啦！ 自昇思MindSpore开源社区上线开源实习以来，获得了众多高校开发者的积极反馈，过去两年间，不少小伙伴与我们一起见证了开源实习顺利启动，我们有幸陪伴和见证各位实习同学的飞速成长，学习没有终点，开源之路征程如海，步履不停，推动浪潮前行；点亮星火，等待理想发光！ 昇思MindSpore2024年开源实习已开启！ 实习申请： https://www.mindspore.cn/internship 任务领取： https://gitee.com/mindspore/community/issues/I55QGD?from=project-issue 点击**阅读原文**立即申请，速来领取任务吧！ **你将拥有** \*\*实习工资：\*\*凭实习积分获得相应的实习工资。 \*\*实习证明/证书：\*\*在实习有效期6个月内积分满60分即可开具实习证明，满100分有机会获得优秀实习生证书。 \*\*亮眼的项目经历：\*\*参与开源项目，成为其中的贡献者，你的成果将向所有人开放共享，为用户创造价值。 \*\*技术大咖1对1指导：\*\*活动中每个项目任务都配备了资深导师，带领你打开开源大门，深度参与社区贡献。 \*\*社区荣誉：\*\*实习期突出的实习生，将成为社区明星开发者代表昇思进行布道，并有机会参与昇思社区2024年度优秀开发者评选！ --- https://www.mindspore.cn/news/zh/3069/ --- 新闻 @上海大学，昇思创新训练营｜昇思邀上大学子探索AI前沿，开启智能新纪元 # @上海大学，昇思创新训练营｜昇思邀上大学子探索AI前沿，开启智能新纪元 2024/04/16 # @上海大学，昇思创新训练营｜昇思邀上大学子探索AI前沿，开启智能新纪元 **昇思MindSpore创新训练营** 昇思MindSpore创新训练营是一场专为高校AI爱好者、开发者量身定制的实践盛会。在这里，你将接触到最先进的人工智能技术，通过实战项目，深入了解大模型的构建原理、训练技巧和应用场景。我们汇聚了昇思优秀导师团队，他们将手把手教你如何搭建一个高效、稳定、智能的大模型，并帮助你解决实际问题，实现技术突破。 **_4月20日-21日_** 昇思MindSpore创新训练营走入上海大学 \*\* **#你可以拥有什么？** \*\* - **实战为主** 我们强调动手实践，通过一系列实战项目，让你亲身体验大模型的构建过程，掌握核心技术。 - **导师全程辅导** 导师将根据你的实际情况，在线上线下提供个性化的指导和建议，帮助你快速成长。 - **前沿技术分享** 我们将邀请业内专家，分享最新的AI技术动态和趋势，让你站在技术的前沿。 \*\* **活动时间** \*\* 2024年4月20-21日 10：00-17：30 \*\* \*\* **地址** \*\* \*\* 上海大学宝山校区EJ403、C415、C417、C419教室\*\*（校内专场活\*\*\*\*动）\*\* **_期待与上大学子在通往AI世界的大门相见！_** --- https://www.mindspore.cn/news/zh/3070/ --- 新闻 任意PDE的秒级求解？昇思MindSpore最新成果PDEformer-1迎来开源！ # 任意PDE的秒级求解？昇思MindSpore最新成果PDEformer-1迎来开源！ 2024/04/15 # 任意PDE的秒级求解？昇思MindSpore最新成果PDEformer-1迎来开源！ 近日，华为AI4SCI Lab联合北京大学北京国际数学研究中心教授、北京大学国际机器学习研究中心副主任董彬教授团队，在昇腾AI处理器的强大算力支持下，基于全场景AI框架昇思MindSpore推出了一维含时偏微分方程通用模型PDEformer-1。该成果在昇思人工智能框架峰会2024上首次发布亮相。 在包含三百万条不同形式的一维偏微分方程（PDE）数据的广泛预训练后，PDEformer-1模型在训练数据分布内的Zero-shot预测精度，已超越那些仅针对特定方程进行精细训练的专家模型，如FNO和DeepONet。值得一提的是，在面对训练集之外的数据分布时，PDEformer-1更展现出卓越的小样本学习能力，能够凭借少量样本迅速适应并泛化至新的方程，并能够很好地支撑下游任务（如各类反问题）。为了促进学术交流和工业应用，代码及模型参数已经在昇思MindSpore社区开源（链接附在文末），同时相关论文已经被ICLR workshop on AI4DifferentialEquations in Science录用。 **偏微分方程基础模型PDEformer-1，旨在实现不同PDE的通用求解** 偏微分方程（PDE）与众多物理现象及工程应用紧密相连，涵盖机翼设计、电磁场模拟、应力分析等广泛领域。在这些实际应用中，PDE的求解往往需要反复进行。PDE数值求解领域当前可分为传统的数值求解方法与AI求解方法两大类别。无论何种方法，面对复杂多变的实际场景，都没有较强的通用性，需要耗费大量的人力和算力来适应新的场景。 华为AI4SCI Lab与北京大学董彬教授团队携手，基于全场景AI框架昇思MindSpore共同提出了PDEformer-1模型，这是一种创新的数据驱动方法。PDEformer-1的核心在于将不同PDE的符号信息转换为多样化的计算图表示形式，然后模型采用Graph Transformer来整合图中的符号和数值信息，最后模型使用隐式神经表示（INR）方案来表达方程各分量的解。值得一提的是，PDEformer-1的构架可以更加灵活的拓展到2D和3D，可实现1D、2D、3D的联合训练。 图1 PDEformer-1架构图（以周期边界对流方程为例） 在预训练阶段，PDEformer-1模型在由300万个样本构成的训练集上取得了0.0084的相对误差表现，而在测试数据集的相对误差为0.0133。下图展示了预训练后的PDEformer-1在测试数据集上的预测结果，该模型在不同PDE问题的求解上均展现出了高度的准确性。 图2 PDEformer-1在测试数据集上的推理效果（横轴为时间分量，纵轴为空间分量），Reference为传统求解器提供的方程解，Predict为PDEformer-1的预测结果 为了评估预训练后的PDEformer-1在正问题求解方面的性能，研究团队选用了业界标准的PDEBench数据集进行测试，并将所得结果与针对特定PDE设计的专家模型（如FNO和DeepONet）进行了详尽比较。如表1（左）所示，在方程系数处于预训练数据集系数分布范围内（即In-Distribution）的情况下，PDEformer-1展现出了卓越的Zero-shot推理性能，其精度超越了专家模型。表1（右）则展示了Out-of-Distribution (OoD)的结果，PDEformer-1在特定PDEBench数据集上进行微调后（后缀为Finetune）可以达到最低的相对误差。 表1 不同模型相对误差的对比（左表为系数In-Distribution,右表为OoD） 为了对比微调PDEformer-1与训练专家模型在效率上的差异，研究团队针对PDEformer-1在PDEBench数据集上的OoD情况（即Advection方程，β=1并且仅使用100个训练样本）进行了深入分析。如图3所示，PDEformer-1在微调过程中仅需100次迭代即可达到较高精度。相较之下，从零开始训练的FNO模型则需要数千次迭代才能收敛，且其测试误差也更高。这一对比结果充分展现了PDEformer-1在OoD情况下的快速适应能力和高效性。 图3 PDEformer-1微调速度与FNO训练速度比较（横轴为迭代次数，纵轴为相对误差） PDEformer-1不仅在正问题求解中表现出色，而且也能有效应用于反问题的求解。作为正问题算子的代理模型，它可用于常数系数反演、源项反演以及波方程速度场反演等多种任务，展现出其强大的通用性和实用性。 图4展示了研究团队将粒子群优化算法与PDEformer-1模型相结合，成功应用于常数系数反演任务。图中左侧，Reference代表真实方程解，Noisy为含噪声的方程解，而PDEformer-1实际可获得的观测只有含噪声解的一小部分（如Observed所示）。散点图直观展示了反演得到的方程系数与真实系数之间的高度吻合，几乎所有散点都紧密分布在y=x线上，充分证明了该方法的准确性和有效性。 图 4 常数系数反演（最右侧散点图中的横、纵坐标分别表示真实值和反演结果） 预训练后的PDEformer-1还可应对更具挑战性的反问题，如源项反演任务。研究团队将源项（即空间依赖的函数）作为待优化向量输入PDEformer-1，并运用梯度下降法进行优化，使模型输出与不完整观测数据吻合。图5展示了PDEformer-1在不同噪声水平下的反演结果，即便在高噪声干扰下，其反演结果与实际源项的偏差依然极小。这一结果充分证明了PDEformer-1在解决复杂反问题时的卓越表现和鲁棒性。 图 5 不同噪声水平下的源项反演结果（红色曲线表示反演结果，蓝色曲线为真实的源项） PDEformer-1在求解PDE正问题与反问题上展现了卓越的灵活性和效率。在PDEBench数据集与专家模型的对比中，PDEformer-1不仅在Zero-shot预测任务中超越了专家模型，更在小样本学习及新任务适应方面凸显出显著优势。同时，在处理如常数系数反演、源项反演等复杂挑战性反问题时，该模型亦展现出高精度和实用性，充分印证了其强大的求解能力。 **昇腾AI基础软硬件平台、昇思MindSpore AI框架，支持PDE基础模型探索** 依托昇思MindSpore框架的分布式并行能力，以及64块昇腾NPU的强大算力支撑，参数量达到58M的PDEformer-1模型在包含三百万样本的庞大数据集上进行预训练，仅需短短3天即可完成。这一高效表现得益于昇思MindSpore在昇腾AI基础软硬件平台与昇腾CANN的深度集成，通过深度协同优化的高性能算子库，实现了硬件算力的最大化释放。 为了将该PDE基础模型应用于真实场景，研究团队将致力于提升其训练效率，使其能够解决二维、三维乃至更高维度的方程，并研究如何同时利用这些不同维度的数据进行训练。未来不久，研究团队将陆续推出针对二维方程的PDEformer-2、针对三维方程的PDEformer-3，以及融合了不同维度方程的PDEformer。同时，研究团队将扩大考察的方程类型范围，并深入探索更多种类的下游任务。除了已初步研究的反问题，未来还将把PDEformer应用于优化设计、控制、不确定性量化等更广泛的领域。PDEformer能够针对任意类型的PDE，在无网格情况下迅速给出精度可接受的方程解，这让它有望解决传统PDE数值求解方法中编程困难、高计算资源消耗的问题，为所有类型PDE的数值求解提供一种新的范式。 了解更多可查看论文： 相关链接： - 论文链接： https://arxiv.org/abs/2402.12652 - 开源代码链接：https://gitee.com/mindspore/mindscience/tree/master/MindFlow/applications/pdeformer1d - 开源数据集链接：https://disk.pku.edu.cn/link/AA6ABF7FEB034446069108D0B6B3920C35 - 演示视频链接： https://b23.tv/2aZW3Hr - 添加小猫子@MindSpore助手加入微信群或QQ交流群：935025744 - --- https://www.mindspore.cn/news/zh/3071/ --- 新闻 2024昇腾AI金种子实训班走进智能制造行业在上海顺利举办 # 2024昇腾AI金种子实训班走进智能制造行业在上海顺利举办 2024/04/15 # 2024昇腾AI金种子实训班走进智能制造行业在上海顺利举办 4月12日，2024昇腾AI金种子实训班走进智能制造行业（上海站）活动成功举办。本活动由上海昇腾人工智能生态创新中心联合华为技术有限公司、昇思MindSpore开源社区主办，上海超级计算中心、上海翊客湾科技有限公司、上海人工智能研究院等共同协办。此次实训班主要面向广大昇腾生态合作伙伴开发人员，柏飞电子、华太极光、禾赛科技等近30家企业的70多位技术骨干参加实训，华为上海战略与Marketing部长房思哲，上海昇腾人工智能生态创新中心COO张中阳出席活动。 **开场致辞：** **使能合作伙伴、共赢智能时代** 华为上海战略与Marketing部长房思哲致辞时表示，截止目前昇腾AI发展了300万+开发者，1600+行业合作伙伴，基于昇腾AI推出了2900多个行业AI解决方案。华为始终坚持伙伴优先并持续携手伙伴来共同定义市场、联合开发、联合营销、持续迭代，实现AI技术和行业场景深度融合，让人工智能技术真正走入千行百业。 华为上海战略与Marketing部长房思哲 正如本次实训活动的名字一样，希望各位在课程中能种下一个属于昇腾的金种子，通过不断地吸收、成长、历练，成为行业中不可或缺的那颗大树，切切实实的落地，开花，结果，以根深促叶茂，使能昇腾计算产业生态百花齐放。 上海昇腾人工智能生态创新中心COO张中阳为大家开班致辞，欢迎各位开发者一起聚焦昇腾人工智能技术，共话大模型产业发展，希望大家通过此次技术交流，促进昇腾AI技术创新和产业融合发展。 上海昇腾人工智能生态创新中心COO张中阳 **技术赋能：** **昇腾专家深入介绍全场景技术架构** 昇腾CANN首席布道师谭涛为大家带来昇腾AI基础软硬件入门以及Ascend C算子开发入门的理论培训。课程中，谭涛老师介绍到以达芬奇架构为基础的昇腾AI处理器与上层软件栈昇腾异构计算架构 CANN，将开发环境与底层硬件相解耦，通过软硬件联合设计，构建最强AI异构计算底座，桥接上层框架类程序、推理类应用等，充分使能和释放昇腾的澎湃算力。而基于CANN开发出的Ascend C编程语言，通过多层接口抽象、自动并行计算、孪生调试等关键技术，极大提高算子开发效率，助力AI开发者低成本完成算子开发和模型调优部署。 昇腾CANN首席布道师谭涛老师 昇思MindSpore技术布道师Bo老师指出面对大模型在开发与落地过程中训练时间长、推理成本高等难题，以AI框架为代表的软件根技术通过持续迭代，加快推进AI底座自主创新，以期成为加速行业智能化的“新引擎”。作为大模型时代的首选AI框架，昇思MindSpore不断探索前沿技术，以3月全新发布的昇思MindSpore 2.3为例，该版本解决了训练效率低、推理成本高等模型开发、应用的诸多痛点，实现开发效率倍增、效能倍增、推理成本倍降。这一切，都是根技术深耕的力量，昇思已经做好了应对万亿参数大模型时代的技术准备。作为使能大模型创新的基础软件，昇思已经原生、适配支持超过40个大模型。这意味着，在“百模大战”的今天，国产主流AI大模型背后均有昇思的身影。开源社区数据显示，截至目前，昇思MindSpore下载量突破700万，发展核心贡献者超过25000名，昇思正在跑出助力千行百业智能化的“加速度”。 昇思MindSpore技术布道师Bo老师 **动手实操：** **在实践中锤炼昇腾开发技能** 在下午的实操环节中，每位开发者都动手参与了Ascend C算子开发实战，通过动手操作开发板学习如何调用和开发矢量算子，掌握了常用的Tilling设计开发和算子的编译部署，进行了CPU模式下的算子调试和NPU模式下的算子调试，完成不同算子的调用流程以及各个算子调用方式的差异及关键接口的实战。针对大模型原生开发，昇思MindSpore技术专家Jiahong指导伙伴开发者基于MindFormers进行“LLaMa2-7B 模型微调&推理”实训，调用最新一代昇腾AI算力资源，从环境部署、权重准备、数据准备到模型训练&推理流程层层深入，在实践中掌握昇腾硬件和昇思MindSpore AI框架的大模型原生开发技能。 本期昇腾AI金种子实训班·走进智能制造行业（上海站）已完美落幕，通过为期一整天的培训，在“理论授课+实操演练”双管齐下的赋能模式下，为昇腾生态合作伙伴开发者搭建起技术交流的桥梁，进一步促进昇腾AI技术创新和产业融合发展，帮助开发者们在实战锤炼中提升昇腾AI基础软硬件和大模型开发技能，为企业数智化升级做好人才支撑。 昇腾AI是一种向上的力量，希望每一位开发者能在行业数智化转型中围绕昇腾AI打造丰富的大模型、行业解决方案，促进昇腾AI的快速发展，共创人工智能产业新未来。让我们期待与更多伙伴开发者同频共振、拥抱变化、共同成长。 --- https://www.mindspore.cn/news/zh/3072/ --- 新闻 请查收昇思MindSpore运作报告（2024年一季度）！重磅活动、全新版本等内容速览 # 请查收昇思MindSpore运作报告（2024年一季度）！重磅活动、全新版本等内容速览 2024/04/12 # 请查收昇思MindSpore运作报告（2024年一季度）！重磅活动、全新版本等内容速览 **_昇思MindSpore2024年一季度总结_** **一、概述** 2024年3月底，昇思MindSpore社区理事会、技术委员会会议在北京召开，会上，在昇思MindSpore业务发展、技术布道、生态拓展、人才培养、应用等方面进行了研讨。 在近期SIG组工作中，MindQuantum SIG正式发布MindSpore Quantum0.9版本。MindElec&SciAI SIG联合清华大学、华为先进计算与存储实验室构建了大地电磁智能反演模型。MindFlow&Earth SIG发布MindEarth0.2.0版本，新增NowcastNet、GraphCast、伏羲等多个模型。MindSPONGE SIG新增Pafuncy模型用于预测蛋白质-配体复合物亲和性的深度卷积神经网络。 经过社区开发者们的开发与贡献，昇思MindSpore2.3版本全新发布，实现大模型开发训练推理更简、更稳、更高效。训练上，分布式训练升级至8种并行技术，推出通过编译快照、确定性CKPT等技术，实现任务稳定执行与故障快速恢复。部署上，升级训推一体架构实现脚本、分布式策略、运行时的统一。开发上，全新发布MindSpore One生成式套件，兼容Diffusers库，开箱即用；持续升级MindSpore TransFormers大模型套件，快速完成大模型任务开发。 以“为智而昇，思创之源”为主题的昇思人工智能框架峰会2024在北京国家会议中心举办，旨在汇聚AI产业界创新力量，推动根技术持续创新，共建人工智能开源新生态。 **二、社区规模** 截至3月底，昇思MindSpore面向全球开发者，凝聚产业力量，持续打造人工智能创新之源。社区秉持开放透明原则，稳步建设开源生态，规模和活跃度得到持续提升。 昇思MindSpore累计下载量为**700W+**，2024年一季度增长了**40W+**； 发展**25000**多名核心贡献者； 累计产生ISSUE共**37.5K**、PR共**90.4K**。 **三、社区大事件** **1、昇思人工智能框架峰会2024圆满举办** 人工智能框架作为软件根技术，已成为加速人工智能大模型开发、推动产业智能化发展的核心力量。3月22日，以“为智而昇，思创之源”为主题的昇思人工智能框架峰会2024在北京国家会议中心举办，旨在汇聚AI产业界创新力量，推动根技术持续创新，共建人工智能开源新生态。 **2、昇思MindSpore开源社区助力书生·浦语大模型实战营开课** 为了帮助社区用户高效掌握和广泛应用大模型技术，昇思MindSpore社区携手上海人工智能实验室重磅推出书生·浦语大模型实战营系列活动，旨在为开发者们提供全面而系统的大模型技术学习课程，并建立一个友好的交流平台，便于大家在大模型实践开发中分享经验、交流思想。 **3、基于昇思MindSpore Chemistry化工领域套件打造的化工大模型在昇思人工智能框架峰会2024发布** 中国科学院大连化学物理研究所（以下简称“大连化物所”）低碳催化与工程研究部叶茂研究员和刘中民院士团队与华为技术有限公司在前期合作基础上，联合大连理工大学软件学院、榆林中科洁净能源创新研究院等开发了智能化工大模型1.0版本，并在“昇思人工智能框架峰会2024”上发布。 **4、软通动力大模型一体机在昇思人工智能框架峰会2024发布** 以"为智而昇，思创之源"为主题的昇思人工智能框架峰会2024在北京国家会议中心举办，软通动力在峰会展区亮相了"AI训推一体化平台"，软通AI训推一体化平台支持昇思MindSpore 全场景AI框架，具备用户态易用、运行态高效、部署态灵活的特点，可以为用户提供设计友好、运行高效的开发体验。 **5、中国人工智能学会-昇思MindSpore学术基金项目开工会圆满举办** 2024年2月2日，中国人工智能学会-昇思MindSpore学术基金项目开工会成功举办，中国人工智能学会、鹏城实验室、华为技术有限公司和高校及科研院所62位专家及老师参与会议。 会上，中国人工智能学会理事长、中国工程院院士戴琼海，鹏城实验室主任、中国工程院院士高文分别致辞。清华大学电子工程系副教授、国家杰青获得者方璐主持开工会并汇报了项目执行计划。 **6、科大讯飞首发开源大模型“星火开源-13B” 深度适配昇思MindSpore AI框架** 1月30日，科大讯飞举行星火认知大模型V3.5升级发布会。发布会上依托昇思MindSpore AI框架打造的讯飞星火开源大模型“星火开源-13B”正式发布，开源模型场景应用效果领先，目前已在Gitee的MindFormers代码仓开源，用户可在昇思MindSpore开源社区线上体验。 **7、第五届MindCon极客周圆满收官！** MindCon极客周是昇思MindSpore开源社区每年举办的开发者狂欢盛会！凭借热爱，我们带领社区开发者从0 到1参与开源贡献，开启了众多热爱开源开发者的封神之路！第五届MindCon极客周圆满收官！我们又收获了更多开源爱好者一起修复社区Bugfix，贡献开源社区，分享 AI 前沿技术，与更多开源爱好者共同探索人工智能的无穷可能。 **8、中国电信星辰语义大模型正式开源，携手昇腾共建开源大模型生态** 1月10日，中国电信星辰语义大模型TeleChat-7B版本宣布开源，并开放1T高质量清洗数据集。星辰语义大模型已与昇腾AI基础软硬件完成适配，并开源了适配后的代码。此外，中国电信还将在1月20日开源12B版本模型，拥抱更多开发者共建开源大模型生态。 **9、重磅发布 | “基于昇思MindSpore的智能通信”实践课程在兰州大学正式上线！** 兰州大学袁磊副教授依托教育部-华为“智能基座”产教融合协同育人基地“金课”建设项目，建设了“基于昇思MindSpore的智能通信”在线实践课程。本课程以深度学习和昇思MindSpore基础知识为切入点，构建了多个富有挑战性的智能通信实践案例，通过逐步深入的实践使学生掌握智能通信系统的开发流程和实际应用。 **四、社区治理** 3月21日，昇思MindSpore开源社区技术委员会会议和昇思MindSpore开源社区理事会会议在北京国家会议中心召开。 会上，完成了昇思MindSpore开源社区技术委员会和理事会会议的各项议程，保障社区持续高效的运作。同步了社区进展、昇思MindSpore技术规划以及运作机制更新，围绕昇思MindSpore业务发展、生态和技术发展，在昇思MindSpore业务发展、技术布道、生态拓展、人才培养、应用等方面和委员会成员进行了研讨。 **五、技术进展** **1**\*\*、\*\***大模型首选AI框架，昇思MindSpore2.3版本全新发布大模型首选AI框架** 经过社区开发者们的开发与贡献，昇思MindSpore2.3版本全新发布，实现大模型开发训推更简、更稳、更高效。 - 训练：通过原创多副本、多流水交织等8种并行技术，整图优化及下沉执行实现更快的分布式训练，集群线性度达到90%；通过编译快照、确定性CKPT等技术，实现任务稳定执行与故障20分钟内快速恢复。 - 部署：升级训推一体架构实现脚本、分布式策略、运行时的统一，大模型推理部署仅需1天。通过LLM Serving以及FlashAttention等10+融合大算子，实现推理时延降低一半，吞吐提升2倍多； - 开发：全新发布MindSpore One生成式套件，兼容Diffusers库，开箱即用，一周完成生成式模型开发；持续升级MindSpore TransFormers大模型套件、预置30+热门预训练大模型，提供10+大模型微调算法，快速完成大模型任务开发。 \*\*2、\*\***MindQuantum SIG:新增密度矩阵和噪声模拟后端，昇思MindSpore Quantum0.9全新版本发布** MindSpore Quantum0.9版本已正式发布，在新版本中对量子模拟器、量子门、量子线路和量子算法库等均做了大量更新迭代，实现全新技术升级，使能科研创新和产业应用。0.9版本新增密度矩阵模拟器，在进行混态模拟、开放系统模拟和含噪模拟时十分重要，新版本中提供强大的信道管理工具，可根据实际情况生成噪声模型，并最终完成噪声模拟。 该版本提供量子芯片拓扑结构描述的类型QubitsTopology，还内置了线性拓扑结构LinearQubits和方格拓扑结构GrudQubits, 同时支持更多量子门。新版本不仅提供了新的19个Ansatz从而加快变分量子算法开发，还在优化了精度自由切换功能最大化利用内存空间。 项目地址： https://gitee.com/mindspore/mindquantum **3、MindElec SIG联合清华大学、华为先进计算与存储实验室发布大地电磁智能反演模型** 昇思MindSpore Elec联合清华大学、华为先进计算与存储实验室构建了大地电磁智能反演模型。通过VAE变分自编码器灵活嵌入多物理先验知识，从而有效提升了复杂介质地球物理反演的精度，成功地处理了南部非洲大地电磁实验项目（SAMTEX）的实测数据。 项目地址：https://gitee.com/mindspore/mindscience/tree/master/MindElec/examples/hybrid\\\_driven/feature\\\_based\\\_MT\\\_inversion \*\*4、\*\***MindEarth发布0.2.0版本，新增多个短临降水、中期预报与长期气候预报模型** 地球科学领域套件MindEarth支持多时空尺度气象预报、数据前后处理等任务，致力于高效使能AI+气象海洋的融合研究。MindEarth0.2.0针对短临降水、中期预报与长期气候预报多时空尺度预报任务，新增以下特性： - 新增NowcastNet模型，该模型是基于物理约束的生成式短临降水模型，支持未来3小时的雷达外推降水预报，并发表于Nature。 - 新增GraphCast模型0.25°高分辨率数据训练，实现GraphCast全尺度模型训练与推理。 - 新增气象模型伏羲，支持中期预报模型的训练和推理。 - 新增中期降水模块案例，支持中期的降水量预报，需要基于预训练的中期大模型做为backbone。 - 新增基于CNN与迁移学习的厄尔尼诺预测模型，将ENSO有效预报时长延长至19个月。 项目地址：https://gitee.com/mindspore/mindscience/tree/master/MindEarth **5、昇思\*\*\*\*MindSpore SPONGE新增亲和性预测Pafuncy模型** 昇思MindSpore SPONGE是一款基于昇思MindSpore的计算生物领域套件，支持分子动力学、蛋白质折叠等常用功能。本季度昇思MindSpore SPONGE套件持续性优化，新增亲和性预测Pafuncy模型，具体新增特性如下： - 昇思MindSpore SPONGE框架已基于新一代昇腾硬件进行适配和优化，能更快更稳定运行现有计算生物模型，整体性能表现提升； - megafold适配lazy inline：megafold的evoformer fold\_iteration中存在大量循环，编译性能存在提升空间；新增cus\_lazy\_inline接口，使用lazy inline大幅度减少重复编译的时间； - megafold代码合并优化：提取蛋白质结构预测需要的数据库检索与结构弛豫作为独立模块提供，新增目录application/common\_utils/, 补全Pipeline端到端结构预测模型能力； - 新增pafnucy模型：该模型是用于预测蛋白质-配体复合物亲和性的深度卷积神经网络，使用三维网格表征复合物，并基于3D卷积生成该表征的特征图，以相同的方式处理蛋白质和配体的原子。 项目地址：https://gitee.com/mindspore/mindscience/tree/master/MindSPONGE **六、认证** \*\*1、\*\***重庆大学推出OpenGADL通用智能计算软件平台** 在重庆人工智能创新中心的支持下，重庆大学类脑感知与普适智能科学研究院周喜川教授团队基于昇腾AI基础软硬件平台，推出OpenGADL通用智能计算软件平台。该平台面向“零基础”AI应用开发者，提供丰富易用的深度学习算法开发工具，能够大大降低行业大模型开发门槛，推动开放产业生态。 \*\*2、\*\***阿凡达机器人携手各高校，推进人工智能教育方式变革** 近日，南京阿凡达机器人科技有限公司的“学科教育大模型综合实验平台”完成昇腾技术认证。本项目基于昇思MindSpore框架，在Mindformer套件的大语言模型Baichuan中的智能回答能力的认证测试，实现了中医、法律等领域的智能对话功能，为高校开发者提供一站式大模型训练学习平台，具有高效能多模态、低门槛轻量化、多场景高通用的特点，有效降低了大模型教学的整体成本和难度，助力高校师生实现大模型的学习、训练、竞赛及应用。 **七、**感谢每一位朋友、开发者的支持**** 感谢大家的辛勤贡献，昇思MindSpore每天都有所进步。由于小编视野局限，如有疏漏，在此表示歉意。再次感谢社区伙伴、小孢子们以及每位参与社区贡献的人们。 截至2024年3月底，昇思MindSpore下载量已超过**700W**，未来，昇思MindSpore AI框架将持续致力于打造人工智能创新之源，凝聚产业力量，扎根AI根技术，使能大模型与科学智能，成为AI创新的首选框架。 --- https://www.mindspore.cn/news/zh/3074/ --- 新闻 10+倍效率提升、三分钟完成工厂设计！基于昇思MindSpore打造的智能化工大模型亮相 # 10+倍效率提升、三分钟完成工厂设计！基于昇思MindSpore打造的智能化工大模型亮相 2024/04/18 # 10+倍效率提升、三分钟完成工厂设计！基于昇思MindSpore打造的智能化工大模型亮相 华为与大连化物所深度合作，联合推出智能化工大模型，AI赋能化工领域，拥抱科学创新，提供了数据驱动化工研发的新范式。 2024年3月22日，在北京国家会议中心召开的昇思人工智能框架峰会上发布了由华为AI4S Lab与中国科学院大连化学物理研究所叶茂研究员与刘中民院士等团队深度合作、共同打造的智能化工大模型。基于昇腾AI处理器、昇思MindSpore AI框架，研发团队围绕该模型，构建了首个化工设计-仿真优化-知识归纳的多智能体协同设计的平台，在用户输入工艺目标后，可实现秒级生成并可视化对应设计方案，响应用户的优化指令，完成对原设计方案的修改。 化工生产中工艺流程设计至关重要，工艺流程直接影响化工产量、质量及损耗量；然而化工流程复杂、仿真环节多，且严重依赖于专家经验。基于昇腾AI处理器的强大算力和昇思MindSpore在大模型领域和化学领域套件的基础能力，智能化工大模型得以快速顺利的孵化，实现了化工工艺流程研发效率的10+倍提升。这是团队基于昇腾AI基础软硬件平台在化工领域的一次重要探索。 **智能化工大模型，加速工艺流程设计效率，助力化工行业转型升级** 传统科研范式下，新技术需要经历实验室小试、实验室中试、工厂中试以及实际工厂落地多个阶段，时间上需跨越数十年，人力成本、经济投入需上亿，严重制约了新科技成果向实际生产力转化的速度。工艺流程图是化工设计的核心，它反映了化工生产由原料到产品的全过程，即物流、能流的变化以及生产过程中所经历的工艺过程和所需的设备仪表。智能化工大模型快速准确检索化工知识，初步实现了自动生成、仿真、反馈优化等功能，降低了化工工艺设计对专家经验的依赖度的同时，也有望实现10+倍的化工流程设计效率提升。 大连化物所所长刘中民院士对这项工作给予了高度评价：能源、化工、冶金等流程工业是国民经济的支柱产业，在“双碳”大背景下，能源革命与工业低碳化升级势在必行，科技创新要发挥引领作用。世界通行的流程工业新技术开发与应用仍然靠逐级放大模式，费时耗力且风险极大，难以及时满足社会发展需求。根源在于从底层科学逻辑出发描述多尺度复杂系统的理论体系还没有真正建立起来。AI的发展为流程工业技术创新范式变革带来了曙光。智能化工大模型的推出是一项可喜的重大进展。相信随着后续更多科学原理和化工专业知识的引入以及已有海量数据的训练，智能化工大模型的发展不仅将有效解决AI本身参数越来越多的问题，也必将在推动化工新技术创新与应用方面发挥巨大威力。 图1 智能化工大模型的工作流：基于大模型实现了化工流程的自动设计、仿真及优化 **昇腾AI处理器+昇思MindSpore AI框架，加速智能化工大模型孵化，推动化工领域创新** 基于昇思AI4S的化学领域套件，仅用10行代码即可实现化工数据的格式转换；并基于昇思MindSpore八维混合并行能力，大幅提升模型训练速度；可视化的模型训练看板降低了模型的性能调优难度；同时，昇思MindSpore框架通过高阶API接口实现训推一体，并提供前端web界面与大模型推理串联的开发案例，助力研发团队实现了模型的高效迭代与部署；最终，在昇腾硬件的支撑下，以大模型为核心实现了具备历史经验数据化，流程设计自动化，以及面向仿真结果自优化功能的智能化工平台。 昇思MindSpore首席架构师，华为科学家金雪锋评论称：智能化工大模型的推出是AI与化工领域交叉研究的重大成功实践，基于昇思MindSpore极简易用和极致性能的特性，实现了化工研发效率10+倍提升。在大模型时代，提出了前沿的AI辅助化工研发范式，未来昇思MindSpore将持续致力于高效使能AI与科学领域的融合研究，践行和牵引AI与科学联合的多研究范式跃迁，为领域科学家的研究提供全新的视角与高效的工具。 图2 全流程化工平台的设计思路图：基于昇腾AI处理器、昇思MindSpore AI框架快速孵化化工大模型，并协同仿真和知识归纳模块，构建了全流程化工平台 合成纤维、调味品、塑料、汽油……化工产品深入日常生活，与我们的衣食住行息息相关。我国作为化工产业大国，行业产值长居世界第一，是国民经济中重要基础性、支柱性产业，更是推动社会可持续发展的重要支撑。应对传统化工研发范式中的多重挑战，智能化工大模型的开发与演化有望缩短研发周期，降低研发成本，快速将前沿科技创新成果转化为产业动能，在化工行业率先推动新质生产力的发展。未来，昇思MindSpore也将继续致力于赋能AI与科学交叉领域的创新，开创全新的AI编程范式，推动人工智能应用生态的繁荣发展。 相关链接： - 昇思MindSpore Science开源路径（点击阅读原文跳转）：https://gitee.com/mindspore/mindscience - 添加小猫子@MindSpore助手加入微信群 - --- https://www.mindspore.cn/news/zh/3080/ --- 新闻 HiQ量子计算云平台重磅升级，业界首创支持变分量子线路图形化，使能科研创新 # HiQ量子计算云平台重磅升级，业界首创支持变分量子线路图形化，使能科研创新 2024/04/19 # HiQ量子计算云平台重磅升级，业界首创支持变分量子线路图形化，使能科研创新 HiQ量子计算云平台提供三种在线量子模拟编程环境，开发者无需安装软件，打开浏览器选择任意开发环境即可开始量子计算编程之旅。 HiQ量子计算云服务登录地址：https://hiq.huaweicloud.com/portal/home 点击文末【阅读原文】可直接体验新版云平台。 **01** ****2024.4月 HiQ Composer图形编程更新内容：**** **1.** **支持构建变分量子线路**图形化\*\*：\*\* 1）新增变分量子门RX、RY、RZ，泡利算符X、Y、Z测量门； 2）支持手动输入RX、RY、RZ的参数初始值，同时支持一键设置预置参数值； 3）支持一键删除无用参数、导入和导出参数； 4）线路上划分测量模块，并实时显示测量哈密顿量； 5）6种优化器可选，可设置迭代次数； 6）变分线路运行后可以查看计算结果和最优参数值。 **2.** **支持将图形编程线路转换成MindSpore Quantum代码并在JupyterLab中运行，提供\*\*\*\*导出代码功能；** **3.** **增加线路自动保存功能；** **4.** **新增U门、Toffoli门；** **5.** **其他新增功能：** 1）图形化线路编辑区新增快捷操作工具栏； 2）新增一键左对齐功能，调整线路上全部量子门向左对齐； 3）优化复制粘贴功能； 4）屏障门可以设置多个屏障位； 5）新增外观设置，可自定义布局界面和复位基本功能。 **02** ****HiQ Composer****构建变分量子线路\*\*\*\*图形化\*\*\*\*\*\*\*\* 新版本HiQ Composer支持构建变分量子线路，可设置参数初始值，并可计算出哈密顿量期望值和最优参数值，对变分算法的研究有重要的实践意义。 【流程图】 **1.** **登录HiQ量子计算云平台**：https://hiq.huaweicloud.com/portal/home，打开图形编程界面 HiQ Composer 立即体验。 **2.** **搭建****变分量子****线路**图形化\*\*\*\* - 托拽所需量子门到线路； - 添加泡利算符X、Y、Z测量门，可手动输入测量的列系数； - 右侧参数设置区，可设置含参门的初始值； - 选择优化器和设置迭代次数； - 点击【运行】按钮，运行变分量子线路； - 运行成功后，页面下方会显示计算结果，【查看更多】可跳转结果详情页。 - - **3\. 变分量子线路运行结果查看** 计算结果区可查看【实际的迭代次数】和【哈密顿量期望值】，点击【查看更多】跳转运行结果页，可查看和下载【哈密顿量期望值】折线图和【计算结果】最优参数值。 - - - **4\. 量子线路可直接在JupyterLab编程环境中运行** 图形化量子线路可直接在JupyterLab环境中打开，可随时修改代码和参数来进行实验调试，找到变分线路的最优参数值。 - - - **03** **Challenge上新“第六届·2024 MindSpore 量子计算黑客松”热身赛答题界面** - 欢迎大家体验全新的HiQ量子计算云平台，我们也诚挚邀请您报名参加“第六届·2024 MindSpore 量子计算黑客松”，以赛促学，勇攀量子世界的高峰！**【量子模拟】【组合优化】【启发式算法】三大赛道全新上新，大赛报名时间截止于2024年6月30日，敬请关注。** 大赛期间，我们将邀请HiQ量子计算团队资深专家在线直播互动，为开发者提供“学—练—赛”的全新模式，帮助大家更好地体验量子计算的软件编程。全新的竞赛体验，卓越的算法性能，活跃的开源社区，快来报名参赛，豪华大奖等你来拿！ - - 如果您想在教学或活动中使用HiQ量子计算云平台，非常欢迎直接和我们联系。在体验和使用云平台的过程中，如果您有任何问题和意见反馈，请发送邮件至**hiqinfo@public.mindspore.cn**，感谢您的支持。我们将根据用户需求，不断升级优化平台，与开发者共建和谐生态，加快推动量子计算的发展。 --- https://www.mindspore.cn/news/zh/3081/ --- 新闻 智 “连”AI丨2024人工智能师资培训——昇腾AI全国行（首场）大连站圆满落幕 # 智 “连”AI丨2024人工智能师资培训——昇腾AI全国行（首场）大连站圆满落幕 2024/04/22 # 智 “连”AI丨2024人工智能师资培训——昇腾AI全国行（首场）大连站圆满落幕 4月20-21日，“2024人工智能师资培训-昇腾AI全国行（首站）大连站”成功举办。本次活动由信息技术新工科产学研联盟指导，大连医科大学、华为技术有限公司主办，大连人工智能计算中心、大连医科大学康养学院承办。大连医科大学党委副书记、校长赵杰，康养学院院长苏红，康养学院书记胡莉莉，大连德泰科技（超算）公司、大连人工智能计算中心总经理宋贵哲，华为辽宁产业发展与生态部大连人工智能计算中心COO孙国良等出席活动。 活动集体合影 活动吸引来自大连医科大学、大连理工大学、大连海事大学、大连工业大学、大连民族大学及业内外专家大咖齐聚一堂，现场与会人数450余人。旨在共探人工智能人才培养新模式，共塑高校昇腾人工智能人才发展新生态。 活动签到现场 大连医科大学康养学院院长苏红在致辞中表示，大连医科大学目前已经开设了智能医学微专业，开展了“数智化食药同源与营养”和“数智化健康管理”等方向的研究生招生工作，为康养产业发展赋能增效。希望今后，学校与华为技术有限公司和大连人工智能计算中心加强合作，通过设立“华为AI创新工作室”、共同开展科研与转化应用，为学校广大师生进一步提供数字教学与科研实践的平台载体，搭建产教融合人才培养模式，使教育链、人才链与产业链、创新链充分对接，共同培养具有数字化素养、多学科交叉知识的创新人才。 大连医科大学康养学院院长苏红 致辞 大连德泰科技（超算）公司、大连人工智能计算中心总经理宋贵哲在致辞中表示，作为东北首个大规模人工智能算力集群，大连人工智能计算中心贯彻落实产业发展及人才培养职能，充分发挥平台能力，积极参与人工智能行业人才培养，融通ICT需求与华为及伙伴对接，助力实现昇腾高校生态人才与校企的高效衔接转化，提升人才价值。 大连人工智能计算中心CEO宋贵哲 致辞 华为公司人才生态解决方案架构师李博表示，截至目前，华为在全球已与2700多所高校共建了ICT学院，教师数量超过了13000人，累计培养学生100万人。校企合作是ICT人才培养的最佳途径，不仅能把企业的真实需求和实践经验融入到人才培养的各个环节，还能反向支持企业创新，推动科学研究，形成学校、企业、学生三赢的良好格局。 华为公司人才生态解决方案架构师李博 宣介 本次培训基于昇腾AI人才发展加速计划，将技术教学培养课程体系化植入，给予高校资源支持并开展产教融合实践，助力高校提升人工智能领域人才培养水平的同时，推动全市人工智能产业高质量发展。 参培教师活动现场 活动特别邀请大连理工大学副教授刘晗，作为高校优秀合作伙伴代表为与会参培教师分享经验。他提到，AI技术是引领未来的战略性技术，快速推进AI技术在各个传统行业、场景的落地与转化是AI科研人员的首要任务和工作重点。目前，他带领团队正在从算法模型方面对垂直领域大模型及知识图谱展开深入研究，基于昇腾AI基础软硬件平台，赋能化工、医疗、船务、电力等各个领域。 大连理工大学副教授刘晗 分享 在为期两天的课程中，华为技术有限公司高级技术工程师将昇腾 AI 全栈技术、人工智能课程资源、课程融合方案、昇思MindSpore的案例实践、昇思MindSpore大模型专题、异构计算架构CANN软件及特性、基于CANN的模型迁移实践等相关内容为现场老师们进行搭建梳理。基于大连医科大学的学科定位属性，特设医学实践案例讲解，将“使用昇思MindSpore框架搭建Unet模型实现医学图像分割的应用实践”做了重点介绍。 华为技术有限公司高级技术工程师 授课 华为落地全国性师资培训，是推进昇腾AI人才发展计划的重要活动之一，为后续开展人工智能课程建设与教学奠定基础。 未来，华为将持续以多维度赋能人才发展通路，引领产教融合人才培养新范式，同时进一步全面搭建行业专家和高校/科研及伙伴的沟通桥梁，使能产业升级，推动大连人工智能产业生态向阳发展，让优秀的人，培养出更优秀的人！ --- https://www.mindspore.cn/news/zh/3082/ --- 新闻 基于昇腾AI，广为海洋推出智慧渔港大模型 # 基于昇腾AI，广为海洋推出智慧渔港大模型 2024/04/25 # 基于昇腾AI，广为海洋推出智慧渔港大模型 大模型时代，各行各业都在经历深刻变革。渔船渔港管理关系到对渔港、渔船、船员、渔获等渔港生产全要素的信息化管理，针对渔港渔业管理痛点，广为海洋基于昇腾AI推出了面向智慧渔港的“广为·智港” 多模态大模型，能有效提升当前行业解决方案在船只号牌识别率、风险分析时效性等方面的性能，助力渔船渔港管理数智化升级。 “广为·智港”大模型基于**昇腾\*\*\*\*CANN**的并行计算能力，在模型推理过程中能够充分利用硬件资源，实现图像识别效率提高50%以上；基于**昇思\*\*\*\*MindSpore**丰富的API和工具，简化了大模型开发、训练和部署过程，实现了模型的快速迭代和试验，开发效率提高60%以上；“广为·智港”高度融合了视频分析、雷达、AIS、电子海图等信息，使得大模型数据集需求减少90%、数据标注工作量减少50%，同时支持零样本学习与多模态学习，使得识别准确率大幅提升。 基于以上技术优势，“广为·智港”多模态大模型具有更加广泛的应用场景： **0\*\*\*\*1** **图像分割** 利用AI算法在复杂的渔港渔船等应用场景中，突破了天气、角度、遮挡等因素的影响，根据船只、人员、行为等不同类型进行精准的区域分割与记录。 **0\*\*\*\*2** **目标自动标注** 降低了对大量渔港数据的依赖，可以对识别的内容进行自动标注，包括但不限于渔船目标、人物目标、行为目标、水下生物目标等。 **0\*\*\*\*3** **渔船船号识别** 通过AI图像分割技术，对区域内多个复杂目标进行精准识别，包括渔船类型、船舷船号，并对渔港监测视频中移动的船只目标进行持续跟踪识别，融合AIS信息，记录渔船行动轨迹。 **0\*\*\*\*4** **安全行为识别** 通过图像识别技术，对安全行为进行有效识别，包括船只倾覆、碰撞行为、逆向行驶、人员落水等，并对潜在或已知的风险行为发出预警预报，有效强化渔港安全管理能力。 ▲渔船类型及船号识别 ▲移动目标跟踪识别效果 未来，昇腾AI将携手广为海洋，将“广为·智港”大模型落地应用于渔船渔港管理、渔政执法、渔业捕捞、海上应急管理、海洋环境保护、综合指挥调度等场景中，支撑着渔港渔业高质量发展。 **伙伴介绍** 广为海洋致力于推动海洋数智化进程，是以智慧海洋、智慧渔业、海洋与渔业装备为核心的国家级高新技术企业。公司拥有省级智慧海洋信息工程实验室、省级海洋牧场智能工程协同创新中心、省级“一企一技术”研发中心等创新平台，是国内领先的海洋数智化综合解决方案服务商。 --- https://www.mindspore.cn/news/zh/3083/ --- 新闻 2024鲲鹏昇腾开发者大会走进西安邮电大学——校企共绘产教融合新篇章 # 2024鲲鹏昇腾开发者大会走进西安邮电大学——校企共绘产教融合新篇章 2024/04/25 # 2024鲲鹏昇腾开发者大会走进西安邮电大学——校企共绘产教融合新篇章 4月24日下午，2024鲲鹏昇腾开发者大会西安邮电大学分会活动在长安校区成功举行，本次活动由华为技术有限公司主办，西安邮电大学、陕西昇腾生态创新中心协办。西安邮电大学教务处处长王军选、计算机学院院长陈彦萍出席并致辞，陕西昇腾生态创新中心CTO张晓龙以及昇思MindSpore Quantum 研究员、上海交通大学物理系博士王耀在现场作了主题演讲，校内师生代表参加了本次活动，与会人员共同探讨了智能基座1.0建设阶段成果，探索了前沿开发技术，并就校企双方未来在人才培养事业中的进一步合作进行了展望。 **共建“智能基座"，打造产教融合标杆** 王军选处长代表校方首先对参加本次活动的各位专家、老师、同学表示了热烈的欢迎。自2020年9月西安邮电大学与华为技术有限公司签约建设“智能基座”产教融合协同育人基地以来，双方在教学资源建设、实验室建设、课程改革等多个方面展开了多项实质性的深入合作。 王军选处长指出，经过三年多的合作建设，校企双方已经共同搭建起了融合华为先进技术、平台工具与项目案例的课程体系和配套的教学与实践资源，编写教材与实践指导书6部、开发在线课程3门、获批国家一流课程2门。共建23门课程全部通过华为公司验收，2门课程被评为“智能基座”项目“金课”；15位教师获“智能基座”奖教金、近百名学生获“智能基座”奖学金；课程全部纳入本科人才培养方案，同学们在实践中学习、在创新中成长。校企双方实现了优势互补，构建了深层次、多维度的人才培养体系，为新时代人才培育探索出一条产教融合的创新之路。 他强调，希望校企双方可以继续深入合作，为同学们提供更多创新实践机会，并在会上鼓励同学们积极参与此次活动各环节，充分感受前沿信息技术的魅力，不断提高自己的工程能力，增强自身竞争力。 陈彦萍院长在致辞中表示，数字经济正为各个行业带来的新机遇，在这一时代背景下应运而生的鲲鹏昇腾生态经过三年的发展已逐渐成熟，开发者社区从应用迁移转向原生开发。西安邮电大学作为华为智能基座项目的重要合作伙伴，始终致力于促进学生在相关技术领域的学习与创新，期待在接下来的智能基座2.0阶段可以与华为及生态伙伴继续参与生态开发，共同推动科技进步和产业创新。 **02** **打造开发者培养计划，培育优秀数智人才** 陕西昇腾生态创新中心CTO张晓龙以《携手开发者，共创数智未来》为主题，为在场师生介绍了昇腾AI为开发者提供的体系化成长计划，权益激励，丰富多样的开发者活动。张晓龙在演讲中指出，昇腾AI深知开发者是产业繁荣的推动力量，因此昇腾AI希望通过为开发者提供一个交流思想、分享经验、学习新知的平台，以课程、权益激励和沙龙活动等增加开发者之间的互动，促进知识的传播和创新思维的碰撞。张晓龙的演讲，无疑让在场的师生了解到，昇腾AI不仅提供了一个技术先进的平台，更为他们的成长和发展提供了全方位的支持。 华为智能基座“未来之星”奖学金也在本次活动中颁发，教务处王曙燕副处长和王军科长作为校方代表、华为陕西昇腾创新中心CTO张晓龙同昇思MindSpore Quantum研究员王耀作为华为企业代表，共同为在“智能基座”科研项目中贡献突出，以及认真学习鲲鹏、昇腾、华为云技术并积极开展实践创新的同学们授予了教育部－华为智能基座“未来之星”荣誉称号，并为他们颁发了证书，激励他们继续在科技创新的道路上不断前行。 **03** \*\*MindSpore Quantum，\*\***量子计算赋能创新开发** 昇思MindSpore Quantum研究员、上海交通大学物理系博士王耀以《揭秘量子计算，带你玩转MindSpore Quantum量子编程》为主题，为在场师生讲解了量子计算框架的相关知识。MindSpore Quantum是昇思MindSpore社区推出的新一代、开源、量子经典混合计算框架，能够高效地支持主流量子算法和经典量子混合算法，为量子计算的研究和发展提供了一个高效的编程框架。 王耀博士从量子计算基础开始引入，介绍了量子计算的基本原理和概念，包括量子比特、量子叠加、量子纠缠等，以及它们如何为计算带来革命性的变化。而后阐述了如何利用MindSpore Quantum框架实现量子算法的设计和模拟，以及它在处理复杂量子任务方面的优势。并深入讲解了MindSpore Quantum中的核心技术，如量子线路的设计、量子门的操作、量子态的演化和测量等。 通过量子线路搭建编程实践演示和互动问答，大家更直观地理解了量子编程的过程，王耀博士的分享为老师和学生提供了使用MindSpore Quantum快速设计和验证量子算法的宝贵经验。 **03** **激发创新热情，引领ICT前沿技术探索** 此次活动不仅为学生们提供了接触最新ICT技术和行业动态的机会，还激发了他们对参与开源项目和技术创新的热情。在智能基座1.0建设时期，华为-西安邮电大学“智能基座”产教融合协同育人基地通过组织技术竞赛等活动，为学生们搭建了一个实践和创新的平台，帮助他们在华为云、AI等领域提升技能和创新能力。 未来，华为将持续加强与西安邮电大学的互动与合作，致力于产学研用的深度融合，探索更多校企合作的人才培养模式，为数字经济时代培养更多优秀的技术人才。 **鲲鹏昇腾开发者大会2024** 面向鲲鹏昇腾开发者一年一度的技术盛会，旨在打造开放、共享、学习交流的平台，汇聚行业领袖、技术大咖、学术领军人物以及广大伙伴、高校、优秀开发者等，分享计算产业趋势、前沿AI技术、行业创新案例，优秀开发者实践等，使能开发者高效开发，共促行业解决方案和应用创新，加速行业智能化。 5月9日-11日，与您相约北京 共话计算，畅聊AI 长按识别二维码 加入KADC 2024 --- https://www.mindspore.cn/news/zh/3085/ --- 新闻 遇见AI，共探未来 | 昇思MindSpore创新训练营·上海大学站成功举办！ # 遇见AI，共探未来 | 昇思MindSpore创新训练营·上海大学站成功举办！ 2024/04/23 # 遇见AI，共探未来 | 昇思MindSpore创新训练营·上海大学站成功举办！ 4月20-21日，“昇思MindSpore创新训练营·上海大学站”成功举办。 --- https://www.mindspore.cn/news/zh/3086/ --- 新闻 @开发者，请查收昇思AI框架及大模型技术论坛邀请函 # @开发者，请查收昇思AI框架及大模型技术论坛邀请函 2024/04/23 # @开发者，请查收昇思AI框架及大模型技术论坛邀请函 @开发者，请查收昇思AI框架及大模型技术论坛邀请函 --- https://www.mindspore.cn/news/zh/3087/ --- 新闻 弥合产业人才鸿沟，“2024华为鲲鹏昇腾开发者大会 ”走进武汉理工大学 # 弥合产业人才鸿沟，“2024华为鲲鹏昇腾开发者大会 ”走进武汉理工大学 2024/05/08 # 弥合产业人才鸿沟，“2024华为鲲鹏昇腾开发者大会 ”走进武汉理工大学 4月28日，鲲鹏昇腾开发者大会武汉理工大学分会专场活动圆满举行，这一由华为技术有限公司主办，武汉理工大学计算机学院 、武汉理工大学智能基座社团协办的活动为新一代的技术人才提供了一个交流与成长的平台。武汉理工大学计算机与人工智能学院副书记徐小波出席本次活动并致欢迎辞，昇腾AI开发者生态总监黄志强、CANN优秀开发者管世辉、昇思MindSpore Quantum布道师谢晴兴出席大会，并发表了内容丰富的主题演讲，与在场师生们共同探讨了华为在信息技术领域的创新技术。 徐小波书记首先欢迎了华为技术专家的到来，并对华为一直以来对武汉理工大学教学科研的支持表示了诚挚的感谢。徐小波表示，随着科技的飞速发展，深化产教融合已成为人才培养的重要模式。此次华为鲲鹏昇腾开发者大会的举办，不仅为武汉理工大学与华为技术有限公司提供了一个深化合作与交流的平台，更为广大学子提供了一个难得的学习机会。通过与华为这样的科技领军企业紧密合作，同学们将能够更深入地了解新技术、新应用的前沿动态，提升自身技能与素养，为推动产业创新和人才培养贡献自己的力量。最后，他期待此次大会能激发出更多的创新思维与火花，共同迎接下一个信息技术发展的黄金十年，助力中国新计算产业生态的蓬勃发展。 昇腾AI开发者生态总监黄志强发表了题为《携手开发者，共创数智未来》的精彩演讲。黄志强在演讲中深刻阐述了开发者在昇腾AI产业发展中的核心作用，以及昇腾AI如何通过各种措施全力支持开发者的成长与成功。黄志强首先强调了开发者在推动昇腾AI产业繁荣中的不可或缺的角色。他指出，开发者是技术创新的先锋队，是推动昇腾AI技术不断发展、应用不断深化的关键力量。在这个数字化、智能化的时代，开发者的智慧与创造力显得尤为重要。黄志强详细介绍了昇腾AI为开发者提供的全方位支持。他表示，昇腾AI不仅为开发者提供了体系化的成长计划，包括技能培训、项目实践、导师指导等，还设立了丰富的权益激励机制，如提供开发板、云资源等硬件支持，以及举办各类技术竞赛，激发开发者的创新热情和潜能。 CANN优秀开发者管世辉以《深度学习开发在昇腾平台中的应用与优化》为题，深入分享了关于昇腾平台上深度学习的应用实践与优化策略。管世辉首先详细介绍了昇腾的CANN生态，并阐述了在这个生态中如何进行深度学习的开发工作。他强调了CANN生态为开发者提供的丰富工具和资源，使得深度学习应用的开发变得更加高效和便捷。在应用层面，管世辉详细讲解了如何获取和利用模型进行深度学习开发。他以一个具体的目标检测实例为切入点，生动展示了在CANN生态平台上进行模型训练、部署和调优的全过程。通过实例分析，深入剖析了深度学习模型在实际应用中可能遇到的问题及其解决方案，为在座的开发者提供了宝贵的实践经验。管世辉的分享不仅加深了开发者们对昇腾平台及其CANN生态的理解，更激发了大家探索深度学习应用领域的热情和信心。 昇思MindSpore Quantum布道师谢晴兴在讲座中深入解读了量子编程，介绍了基于昇思MindSpore的新一代通用量子计算框架MindSpore Quantum。该框架结合HiQ高性能量子计算模拟器和昇思MindSpore的分布式并行与自动微分等能力，提供极简开发模式和极致性能体验，可高效处理量子机器学习、量子化学模拟等问题，为科研者提供快速设计和验证量子算法的平台，让量子计算触手可及。谢晴兴的讲座不仅为学子揭开了量子计算的神秘面纱，更通过MindSpore Quantum的实操演示，让学子们真切感受到了量子计算的魅力和应用前景。 在本次活动中，华为与武汉理工各自发挥了技术与人才优势，绘就了产教融合的优秀篇章。华为作为行业创新引领者，将信息技术领域的创新技术，包括昇腾平台性能优化、MindSpore Quantum计算框架知识等带入高校校园，以技术交流赋能人才培养，帮助同学们了解前沿理论与技术架构，极大地激发了武汉理工学子们的创新思维和实践能力，助力这一批新时代科技人才在实践创新的道路上行稳致远。我们相信，未来双方定将继续发挥校企协同育人优势，推动人才培养事业蓬勃发展，更好地满足数字经济时代对人工智能领域人才的迫切需求。 **鲲鹏昇腾开发者大会2024** 面向鲲鹏昇腾开发者一年一度的技术盛会，旨在打造开放、共享、学习交流的平台，汇聚行业领袖、技术大咖、学术领军人物以及广大伙伴、高校、优秀开发者等，分享计算产业趋势、前沿AI技术、行业创新案例，优秀开发者实践等，使能开发者高效开发，共促行业解决方案和应用创新，加速行业智能化。 5月9日-11日，与您相约北京 共话计算，畅聊AI 长按识别二维码 加入KADC 2024 --- https://www.mindspore.cn/news/zh/3089/ --- 新闻 不直接给答案的AI老师，师者AI基于昇思实现AI赋能教育 # 不直接给答案的AI老师，师者AI基于昇思实现AI赋能教育 2024/05/07 # 不直接给答案的AI老师，师者AI基于昇思实现AI赋能教育 “师者，所以传道授业解惑也。” AI在教育中的影响有着不可忽视的价值，它将传统教室转变为动态和自适应的学习环境。随着人工智能技术的迅猛发展，教育进入了创新和有效性的新时代，为更光明的学习未来铺平了道路。师者AI就是这样的一个存在，它是基于昇思MindSpore打造的多学科引导式教育大模型，致力于提供低成本的学习能力提高解决方案。 **师者AI的“教育之道”** 传统教育受限于教学资源和教育模式，对于学生能力的提高准备成本特别高，包含学习能力培养、举一反三、查缺补漏等成本巨大。往往一个学生的成本就会变成一个家庭、一个学校的成本。而AI+教育能够补足教育资源，师者AI更是在这条赛道上突破了新方向，以其深度教育理解、智能辅助教学、全科辅导能力、数据驱动优化以及人文关怀与技术创新的融合等亮点，为教育领域带来了革命性的变化。 师者AI官网：https://shizhe-ai.com/ **0\*\*\*\*1** **全科辅导能力，解锁多学科学习潜能** 与以往只能聚焦语文、英语等文科科目的AI学习类产品不同，师者AI具有全科辅导的能力。以教材作为基准，从语文到数学，从历史到科学，从哲学到工程，覆盖了小学、初中、高中、大学、研究生的教材，师者AI从一个通用AI底座逐渐成长为一个拥有2000本教材阅历的教学专家。 **0\*\*\*\*2** **不给答案，只帮助学生理解知识** 师者AI团队通过500名学生内测反馈的数据发现，除了辅助解题，学生更需要的是能力提高。这个发现让师者AI更加注重对题型、问题背后的知识点的总结能力。实现主动出题引导，帮助学生拆解关键点、理解知识，不直接给出答案，防止学生直接抄袭，告别练习册的时代。 **师者AI与昇思同行** 师者大模型已完成适配昇思MindSpore AI框架。 - \*\*便捷性：\*\*昇思MindSpore提供便捷的接口和调用框架，昇思MindSpore为师者AI提供了丰富的生态支持和扩展能力。昇思社区与众多开源社区和合作伙伴紧密合作，提供了丰富的算法库、模型库和工具集，方便师者AI进行算法优化和模型扩展，为师者大模型的适配和运行减少了成本。 - \*\*稳定性：\*\*昇思MindSpore保障了支持师者大模型的模型训练和推理等核心功能的搭建。昇思具备高效、灵活的并行计算能力，能够支持师者大模型在海量数据上进行高效训练，并快速输出精准结果。为师者AI的训练和推理提供了保障，能够更好地适应教育领域的复杂场景，提供更准确、个性化的教学服务。 - \*\*专业性：\*\*昇思MindSpore为师者AI团队提供了专业的技术支持，保障了师者大模型的全功能接入和适配。 昇思MindSpore支持原生大模型开发，为开发者提供了强大的技术支持和便携的开发体验。同时，社区将秉承开放、共创的态度，携手师者AI与更多的伙伴不断推动创新，共赴AI教育时代的璀璨星河。 --- https://www.mindspore.cn/news/zh/3090/ --- 新闻 鲲鹏昇腾开发者大会华中师范大学分会：深入校企对话，共筑人才基地 # 鲲鹏昇腾开发者大会华中师范大学分会：深入校企对话，共筑人才基地 2024/05/07 # 鲲鹏昇腾开发者大会华中师范大学分会：深入校企对话，共筑人才基地 随着数字化转型的不断深入，在人工智能和大数据技术日益成为推动社会进步的重要动力的今天，培养掌握数字人才显得尤为关键。为了进一步深化产教融合，共同探索信息技术新前沿，华为技术有限公司与华中师范大学携手，于2024年4月27日成功举办了鲲鹏昇腾开发者大会华中师范大学分会活动，本次活动由华为技术有限公司主办，华中师范大学计算机学院、华中师范大学智能基座社团协办。本次活动旨在通过校企合作，为学生提供了解行业发展趋势理论与前沿技术的平台，共同培育具有广阔视野的创新人才。 华中师范大学计算机学院院长蒋兴鹏、昇腾AI开发者生态总监黄志强、CANN优秀开发者管世辉、MindSpore Quantum布道师谢晴兴、昇思卓越贡献个人王振邦和华中师范大学的师生代表共同出席了此次活动。在活动中，华为的技术专家们不仅深入介绍了产业生态与发展趋势，还通过互动讨论和案例分析，为学生们提供了深入了解信息技术产业前景的机会。 华中师范大学计算机学院院长蒋兴鹏强调，当前数智化时代需要高校与企业共同努力培养高质量科技人才。他表示，华中师范大学作为教育部—华为“智能基座”产教融合协同育人基地高校，将与华为进一步深化合作，共同打造以国产技术为核心的产业与人才生态，推动产教融合、科教融汇。此次大会为学生提供了与技术大咖、产业领袖交流的平台，有助于他们了解产业趋势、把握时代脉搏，为培养更多支撑科技革命和产业变革的卓越工程人才，夯实中国数字经济底座做出积极贡献。 昇腾AI开发者生态总监黄志强以《携手开发者，共创数智未来》为主题，同在场师生分享了昇腾AI的开发者体系化培养计划。黄志强总监指出，昇腾AI深刻了解开发者人才对产业发展的核心动力作用，对此，昇腾AI对于开发者以及开发者社区有着坚定的承诺。他详细介绍了昇腾AI为开发者成长所设计的培养计划，包括但不限于技术培训、认证项目等。黄志强总监还分享了昇腾AI提供的资源支持，如开发者论坛、API文档、SDK工具包等，这些资源为开发者提供了丰富的学习材料和实践平台。他表示，昇腾AI始终致力于以全方位支持以助力开发者的专业技能和创新能力的全面提升。他也鼓励在场师生积极参与到昇腾AI的生态建设中，通过实践项目和社区活动，提升自己的技术实力和市场竞争力。 CANN优秀开发者管世辉在《深度学习开发在昇腾平台中的应用与优化》的主题分享中，介绍了昇腾的CANN生态以及如何在CANN生态上进行深度学习的开发。管世辉首先解释了CANN生态的架构和组件，包括硬件抽象、资源管理、以及基础数学库等。随后，他深入讲解了在CANN生态上进行深度学习开发的具体步骤，包括如何利用CANN提供的工具进行模型训练、调优和部署。为了让大家对CANN提供的技术工具的潜力有一个直观感受，管世辉通过一个目标检测的实例，详细介绍了从模型获取、训练调优到应用部署的全过程，展示了CANN生态在深度学习领域的强大能力，为同学们之后的开发实践提供了参考。 昇思MindSpore Quantum布道师谢晴兴以《揭秘量子计算，带你玩转MindSpore Quantum量子编程》为主题，围绕人工智能与量子计算作了精彩的演讲。谢晴兴为同学们分析了当前人工智能领域的最新发展趋势，包括深度学习、机器学习算法的进步以及AI在各行各业的应用情况。随后，他追溯了量子计算的起源，介绍了量子计算的基本原理和现代应用场景，如量子加密、量子模拟等，以此作为引入，他深入讲解了昇思MindSpore Quantum量子计算框架的基本概念，包括量子线路、量子门操作等。 谢晴兴还设计了实践环节，通过构建简单的量子线路和执行量子门操作，引导同学们进行了基础的量子编程实操。使同学们理解并应用了量子编程的核心概念。通过通过接触前沿的量子计算技术，同学们激发了自己的创新思维和探索精神。 为了帮助同学们在数字时代更好定位个人成长路径，昇思卓越贡献个人王振邦以《从入学到入职，我与昇思MindSpore的共同成长之路》为主题，讲述了一个i人突破自我限制，最终拿到自己满意offer的故事。他为同学们详细拆解了自己的学习路径，包括参加的培训课程、完成的项目实践、以及求职过程中的面试技巧等，还分享了自己在昇思MindSpore社区的参与经历，以及如何通过社区资源提升自己的技术能力和职业素养。他的故事为在场同学们提供了宝贵的发展借鉴，鼓励他们积极规划自己的学习和职业发展路径。 面向未来，华为将继续与华中师范大学深化合作，共同探索产教融合新模式。校企将共同为鲲鹏昇腾开发者培养提供强大的支持和资源，为学生提供接触和实践最前沿技术的机会，激发学生的创新思维和实践能力，帮助他们在信息技术快速发展的时代中，掌握关键技能，成为推动社会进步和科技创新的重要力量，为国家的数字经济和智能科技的发展做出更大的贡献。 **鲲鹏昇腾开发者大会2024** 面向鲲鹏昇腾开发者一年一度的技术盛会，旨在打造开放、共享、学习交流的平台，汇聚行业领袖、技术大咖、学术领军人物以及广大伙伴、高校、优秀开发者等，分享计算产业趋势、前沿AI技术、行业创新案例，优秀开发者实践等，使能开发者高效开发，共促行业解决方案和应用创新，加速行业智能化。 5月9日-11日，与您相约北京 共话计算，畅聊AI 长按识别二维码 加入KADC 2024 --- https://www.mindspore.cn/news/zh/3091/ --- 新闻 开启数智人才培养新征程——华为鲲鹏昇腾开发者大会走进北京大学 # 开启数智人才培养新征程——华为鲲鹏昇腾开发者大会走进北京大学 2024/05/06 # 开启数智人才培养新征程——华为鲲鹏昇腾开发者大会走进北京大学 鲲鹏展翅，昇腾万里，开启数智新篇章，4月25日，在这个春意盎然，万物复苏的美好时节，由华为技术有限公司主办，北京大学信息科学技术学院学生科学技术协会协办的华为昇腾开发者大会北京大学分会在理科2号楼成功举行，华为昇腾开发者带着最前沿的人工智能新技术走进燕园，与北大学子在大会上共话信息技术领域发展前景 。 北京大学信息科学技术学院团委书记吕媛亲临本次活动现场并发表开幕致辞，北京昇腾人工智能生态创新中心CTO杨光，昇思MindSpore Quantum研究员、北京大学物理学博士邹作恒，MindStudio布道师、华为2023年金牌团队获奖者李天，计算人力资源专家孙智坚为在场师生作了主题报告，就鲲鹏昇腾的生态开发与在场师生进行了深入的交流和探讨。 **强强联合，培育科技行业创新精英** 在开幕致辞中，吕媛书记总结了北大与华为校企合作关系的意义及其对教育和产业发展的重要性。她指出，北京大学作为国内顶尖的学术机构，始终致力于培养能够适应时代变革、引领科技创新的高素质人才。北大与华为的合作，特别是在鲲鹏昇腾生态建设上的深度交流与共同探索，不仅为学生们提供了接触和学习最前沿技术的机会，也为学校的教育改革和课程优化注入了新的活力。 吕媛表示，北大与华为的合作是产教融合的成功典范，双方通过共同努力，已经在计算机科学、人工智能、电子信息等领域建立起了一套完善的人才培养体系。这一体系不仅满足了国家对于高端科技人才的需求，也为全球科技竞争格局的重塑贡献了力量。在人工智能的新纪元中，北京大学希望继续与华为深化合作，共同推动科技创新，培养更多科技创新精英，为国家的数字经济和智能科技的发展作出更大的贡献。最后，她希望同学们能把握住此次强化自身理论知识的机会，共度一个美好的时光。 在本次专场活动中，北京昇腾人工智能生态创新中心CTO杨光以《携手开发者，共创数智未来》为演讲主题，向师生们介绍了昇腾AI为开发者打造的全面的成长支持系统。杨光指出，昇腾AI作为数字化技术革命的参与者，深刻认识到开发者对于AI产业兴盛的重要性。为了使得昇腾生态拥有良好、可持续的发展前景，昇腾为开发者打造了涵盖一套成长支持系统，这一系统涵盖了从基础到高级的全方位培训计划、多元化的激励政策以及一系列精心策划的开发者互动活动。昇腾AI通过提供学习资源、资金援助、技术资源、市场渠道等，帮助开发者突破创新障碍，加速成长步伐。从而为AI产业发展提供人才培养支持。 杨光CTO的演讲让在场的北大学子们对AI行业趋势有了清晰的洞察，对昇腾AI构建的充满活力的开发者社区也有了深刻的理解，点燃了他们投身于开源项目和技术创新的热情。 昇思MindSpore Quantum研究员、北京大学物理学博士邹作恒以《揭秘量子计算，带你玩转MindSpore Quantum量子编程》为课程主题，为在场的师弟师妹们带来了一场精彩的量子计算理论与实践课。在现场，邹作恒博士从量子计算基础开始引入，介绍了MindSpore Quantum量子计算框架的开发过程，详细讲解了其在NISQ（Noisy Intermediate-Scale Quantum）阶段的算法开发上所提供的支持，以及HiO高性能量子计算模拟器和昇思MindSpore的分布式并行与自动微分等能力。正是这些使得它拥有极简的开发模式和极致的性能体验。他还展示了如何利用昇思MindSpore Quantum进行量子线路的编程实践，从而高效处理量子机器学习、量子化学模拟和量子组合优化等复杂问题，为大家提供了一个快速设计和验证量子算法的高效工具，让量子计算变得触手可及。 **实践方出真知，打造全面型技术人才** 在师生分享环节，现任北京大学智能基座社团社长的袁云鹏同学带来了以《北京大学智能基座社团与我的个人学习经历》的主题分享。袁云鹏同学先是介绍了社团情况，他表示，目前北大智能基座社团至今有效成员为113名，其中包含社团骨干16名，兴趣类社员20名，包括来自信息科学技术学院大一到大四本科生。北京大学智能基座社团自建立以来，开展的系列活动各有特色，学生团队积极参与其中，不仅提升了眼界和技术实践能力，还多次在“互联网+”“挑战杯”等多项大赛的华为产业命题中摘金夺银，获得奖金支持，他希望未来有更多的同学加入社团中来，强化理论知识，积极参与社会实践，为未来的职业发展积蓄力量。 Mindstudio布道师、华为2023年金牌团队获奖者李天以《昇腾MindStudio全流程工具链介绍》为主题，为在场师生详细介绍了MindStudio这一强大的工具链。MindStudio是华为精心打造，面向昇腾AI开发者提供的一站式模型开发环境和工具集，它极大地简化了昇腾AI应用的开发流程。 他首先从大模型开发流程的视角切入，阐述了在AI应用开发中面临的挑战，尤其是大模型对计算资源、开发效率和调试过程的高要求。随后，他详细介绍了MindStudio工具链如何针对这些挑战提供解决方案。他指出，MindStudio集成了多种工具，包括但不限于算子开发工具、训练任务优化工具、模型转换工具和性能分析工具，这些工具协同工作，支持开发者在昇腾AI处理器上进行高效的应用开发。在演讲中，李天还通过实例演示了如何利用MindStudio进行算子开发，以及如何通过MindStudio的一键式模型转换和调优功能快速地将模型部署到昇腾硬件上，并实现性能的最优化。这些分享使得在场师生们对MindStudio全流程工具链的功能和优势有了全面的认识，对其在昇腾AI应用开发中的实际应用也有了深刻地理解，为AI开发者们提供了宝贵的技术洞见，也为他们在未来的AI项目开发中提供了实用的工具和策略。 为了帮助同学们更好把握成长机会，优化个人成长路径，计算人力资源专家孙智坚以《遇见成长——走进高校职业发展交流》为主题，为同学们在计算产业实现个人发展提供了宝贵意见。孙智坚老师首先为同学们分析了计算产业的发展趋势，包括云计算、大数据、人工智能、物联网等领域的发展现状和未来前景，以及这些前景中蕴含的多样化职业机会，同时，计算安全技术实验室主任&首席专家张瑞老师也为同学们介绍了计算的相关业务。两位专家强调，同学们明确自己的兴趣、优势和职业目标，然后如何根据个人情况和市场需求，把握机会，制定包括技能提升、项目经验积累和职业路径选择的短期和长期的职业发展计划。听完分享后，同学们表示自己对计算产业的个人发展空间有了更清晰地认识，对如何把握和利用这些机会有了更具体的策略。这次讲座不仅让同学们收获了实用的职业发展建议，也激发了他们对未来职业生涯的思考和规划。 **理深化合作，共创智能科技发展未来** 展望未来，北京大学对与华为开展高质量、深层次、全方位的校企合作充满信心，双方将携手迎接科技创新的浪潮，共同培育一批具有前瞻思维和创新精神的科技领袖。凭借顶尖高校与前端企业的强强联合，通过双方的紧密协作和不懈努力，必将培育出一大批拥有全球视野、卓越创新能力和丰富实践经验的杰出人才。他们将成为推动国家数字经济和智能科技发展的中坚力量，为社会进步贡献自己的力量，在人工智能的新时代中，共同书写智能科技发展的新篇章。 **鲲鹏昇腾开发者大会2024** 面向鲲鹏昇腾开发者一年一度的技术盛会，旨在打造开放、共享、学习交流的平台，汇聚行业领袖、技术大咖、学术领军人物以及广大伙伴、高校、优秀开发者等，分享计算产业趋势、前沿AI技术、行业创新案例，优秀开发者实践等，使能开发者高效开发，共促行业解决方案和应用创新，加速行业智能化。 5月9日-11日，与您相约北京 共话计算，畅聊AI 长按识别二维码 加入KADC 2024 --- https://www.mindspore.cn/news/zh/3093/ --- 新闻 携手伙伴，昇思MindSpore开源社区斩获第三届中国国际软件发展大会三项荣誉 # 携手伙伴，昇思MindSpore开源社区斩获第三届中国国际软件发展大会三项荣誉 2024/04/30 # 携手伙伴，昇思MindSpore开源社区斩获第三届中国国际软件发展大会三项荣誉 【2024年4月24日，北京国家会议中心】由中国软件行业协会主办的第三届中国国际软件发展大会在京成功召开。工业和信息化部党组成员、副部长王江平、中国电子信息产业集团有限公司党组书记、董事长曾毅出席大会并致辞，中国科学院院士王怀民、中国工程院院士廖湘科、潘德炉、邬江兴出席大会并做主旨报告。江苏、辽宁、重庆、河南等地方工业和信息化管理部门相关领导出席会议。2024年恰逢中国软协成立四十周年，来自昇思MindSpore开源社区、华为云等组织和单位的嘉宾都亲临现场送出祝福并做主题演讲。 会上，**昇思MindSpore开源社区理事长丁诚**作了题为《昇思框架使能原生大模型创新，共享繁荣开源生态》的分享。丁诚理事长在分享中提到，MindSpore在2023年新增的市场份额中达18%，是全球主流的AI框架中份额增长最快的产品之一。同时，昇思MindSpore开源四周年以来，累计下载超过700万次，原生适配、支持大模型50多个。 丁诚理事长感谢了与昇思MindSpore开源社区共同成长的开发者，并在大会上提出了昇思加速赋能学术与生态的四项行动。昇思和中国人工智能学会、鹏城实验室合作的学术论文基金2.0，将在未来3年内携手50多家全球AI学者，探索学术新高峰，实现数量质量双提升；昇思开发板应用创新行动，基于香橙派开发板，提供系统化的案例、教程与支持，帮助开发者快速上手、快速入门、快速打造个性化应用；昇思加速原生大模型孵化，通过激励、专项技术支持、和市场联合推广，支持更多伙伴从昇思迁移适配走向原生开发；昇思开源社区实习活动，通过代码实践，让开发者真正的实践成长。 荣誉方面，昇思携手伙伴共同斩获三项大奖。昇思MindSpore 2.3版本斩获软件行业突破性技术成果，携手伙伴中国空气动力研究与发展中心计算所联合打造的生成式气动设计大模型平台、携手中国科学院大连化学物理研究所联合打造的智能化工大模型成为软件行业两大典型示范案例。 昇思MindSpore 2.3全新版本升级，进一步提升易用性和性能。通过八维混合并行和确定性CKPT等技术实现大模型又快又稳训练，通过升级训推一体架构与高性能推理工具等降低推理部署的时间与经济成本。面向开发者，通过开箱即用的大模型套件与多级编译技术等。降低开发门槛，并创新AI+科学计算范式与提供AI4S套件，孵化科学领域基础大模型，加速基础科研领域创新。 生成式气动设计大模型平台由中国空气动力研究与发展中心计算所基于昇思AI框架自主创新开发。模型开发阶段，昇思框架和流体力学套件MindSpore Flow提供全面的科学计算算法库和模型通用接口，提升模型开发效率；模型训练阶段，使用MindSpore多维度并行接口，基于成都智算中心算力支撑，模型和数据得以高效扩展；模型部署阶段，使用昇思大模型套件，将专业知识融入气动设计大模型平台。串联大语言模型、气动外形设计模型、气动预测模型和风雷软件等非AI工具，气动设计大模型平台可支撑多种气动外形设计场景。 中国科学院大连化学物理研究所研发团队基于昇思MindSpore AI框架打造了智能化工大模型。利用MindSpore大模型领域套件和化学领域套件的能力，智能化工大模型得以快速顺利的孵化。围绕该模型，团队构建了首个化工设计-仿真优化-知识归纳的多智能体协同设计的平台，在用户输入工艺目标后，可实现秒级生成并可视化对应设计方案，响应用户的优化指令，完成对原设计方案的修改，实现了化工工艺流程研发效率的10+倍提升。 来自全国十几个地区的专业园区、软件企业、行业用户企业和媒体代表超过1500人参加本次会议活动。 --- https://www.mindspore.cn/news/zh/3096/ --- 新闻 智慧融合共塑数智新未来——鲲鹏昇腾开发者大会2024清华大学分会场 # 智慧融合共塑数智新未来——鲲鹏昇腾开发者大会2024清华大学分会场 2024/04/29 # 智慧融合共塑数智新未来——鲲鹏昇腾开发者大会2024清华大学分会场 随着数字化转型的浪潮席卷全球，信息技术已成为推动社会进步的关键力量。在这一背景下，清华大学把握时代脉搏，承担起国内顶尖高校的责任，积极联合国内产业界龙头，共同探索前沿技术创新。近年来，清华和华为在在智能媒体、可信软件、智能交互、数据库等领域的合作不断深化，科研合作规模不断扩大。 4月25日，华为与清华大学再次携手，在清华大学舜德楼共同举办了一场对深化校企合作意义非凡的科技盛会——鲲鹏昇腾开发者大会清华大学分会场。北京昇腾人工智能生态创新中心CTO杨光，MindSpore Quantum工程师、清华大学自动化系博士胡家祺，清华大学智能基座社团社长陈宗鸿，昇腾计算系统实验室研究员、华为“天才少年”曲铮，CANN优秀开发者、清华大学集成电路学院硕士闫世烊，MindStudio布道师贺坤坤为与会者带来了精彩的主题演讲，各开发者、学者、行业专家齐聚一堂，共同探讨了人工智能的未来趋势，分享了前沿技术的应用案例，促进了产学研用的深度融合。 **携手开发者，推动科技创新** 在数字化浪潮的推动下，人工智能（AI）正逐渐成为推动社会进步和经济发展的关键力量。昇腾AI，作为这一变革的积极参与者，深知开发者在AI产业繁荣中扮演着至关重要的角色。北京昇腾人工智能生态创新中心CTO杨光以《携手开发者，共创数智未来》为主题，向在场师生介绍了昇腾为支持和激励开发者创新和发展，所搭建的一个全方位的成长生态系统。这一成长系统包括体系化成长计划、权益激励机制和丰富的开发者活动，通过精心设计的课程体系、包括但不限于资金支持、资源配给、市场推广等在内的各种激励措施，以及如技术沙龙、黑客马拉松、线上研讨会等开发者交流活动。通过杨光的分享，同学们了解了昇腾为开发者们提供了充满活力和机遇的开发者社区图景，也直观认识到了昇腾AI对于推动AI技术进步和产业发展的坚定承诺。 **技术攻关，昇腾AI引领行业发展趋势** CANN优秀开发者、清华大学集成电路学院硕士闫世烊在大会现场作了《昇腾CANN在四足机器人领域的实践分享》，在分享中，他基于自己作为机器学习与智能机器人课程助教的教学经历和使用昇腾CANN这一AI计算平台的开发经验，向大家展示了如何利用昇腾系列开发板的强大算力，来实现四足机器人高效步态控制等关键算法的研发与优化。闫世烊的讲解使得师生们了解到了昇腾CANN是如何以其卓越的AI计算能力，为四足机器人释放其在复杂地形适应性、稳定性以及多功能集成等方面的巨大潜力提供算力基础，为他们在机器人技术方面开展创新研究提供了新的视角。 **理论结合实践，培育创新实践能力** 清华大学华为智能基座社团社长陈宗鸿同学，在《关于科创兴趣团队的思考》主题演讲中，和大家就兴趣团队在清华创新人才培养体系中究竟能发挥什么样的作用这一问题进行了交流分享。演讲中，陈宗鸿同学展示了一些智能基座社团参与建设的优秀科技创新项目，并向大家介绍了了社团未来的发展规划，包括新项目的启动、团队的扩展以及与其他组织的合作等。这些过往案例与未来规划无疑都展现科创社团在人才培养中的作用，陈宗鸿同学表示，科创兴趣团队不仅为大家提供了一个实践创新想法的平台，并且通过参与团队活动，同学们能够将理论知识应用于实际问题中，从而提升自己的实践能力和创新思维。这一分享也激励了在场的每一位学生，让他们看到了通过学生科技兴趣团队可以实现的无限可能。期待未来有更多的学生加入到科技兴趣团队中，共同推动科技创新，实现个人成长。 **把握时代脉搏，直面机遇与挑战** 长按识别二维码 加入KADC 2024 --- https://www.mindspore.cn/news/zh/3098/ --- 新闻 2024昇腾高校行活动走进哈尔滨工业大学（深圳），拓宽师生AI领域研究视野 # 2024昇腾高校行活动走进哈尔滨工业大学（深圳），拓宽师生AI领域研究视野 2024/04/26 # 2024昇腾高校行活动走进哈尔滨工业大学（深圳），拓宽师生AI领域研究视野 为进一步深化产教融合，以行业前沿发展动态赋能高校人才视野拓展，4月20日，“2024智能基座昇腾高校行”走进哈尔滨工业大学（深圳）。本次专场活动由华为技术有限公司主办，哈尔滨工业大学（深圳）计算机科学与技术学院协办。昇思MindSpore Quantum研究员骆凯、昇腾开发者生态技术专家程黎明出席此次活动并为现场师生们做了主题分享，围绕昇腾技术实践与同学们进行了深入的经验交流，激发了同学们对于人工智能领域技术创新的兴趣与热情。 **挖掘技术潜能，提供高质量AI开发方案** 为了让学生对昇腾AI有深入的了解，昇思MindSpore Quantum研究员骆凯在《揭秘量子计算，带你玩转MindSpore Quantum量子编程》专题演讲中，介绍了基于开源的昇思MindSpore AI框架开发的新一代、开源、量子经典混合计算框架MindSpore Quantum，能够高效地支持主流量子算法和经典量子混合算法，为量子计算的研究和发展提供一个友好的编程框架。 昇腾开发者生态技术专家程黎明以《昇腾大模型推理方案介绍》为主题，以其丰富的实践经验和深厚的理论基础，为听众揭开了昇腾大模型推理的神秘面纱。他详细介绍了昇腾AI处理器的发展历程，以及如何通过昇腾大模型推理方案，实现对复杂数据和任务的高效处理。演讲中，程黎明老师不仅概述了昇腾大模型推理的整体架构，还深入探讨了其中的关键技术点，包括模型优化、算子融合、异构计算和动态量化等，并结合生动的案例和详实的数据，展示了这些技术如何协同工作以提高大模型的推理速度和准确率。 专题演讲结束后，程黎明专家还与同学们进行了互动交流，解答了大家关心的问题，并鼓励大家积极尝试和探索昇腾大模型推理的无限可能。 **深化产教融合，校企合力培养行业新力量** 为在信息技术领域关键核心技术上取得新的突破，更好培养该领域创新人才，华为与哈尔滨工业大学（深圳）通过“智能基座”产教融合协同育人基地的项目合作，全方位协同对接，共同打造了校企协同育人的培养路径，为我国数字经济发展注入了人才动力。 在未来，双方也定将不忘初心，以初心驱动双方合作行稳致远，不断拓展后续合作的广度和深度，持续激发学子对于科技创新的热情，将哈尔滨工业大学（深圳）学子的钻研精神与推动人工智能技术持续发展的需求深度结合，为我国信息技术领域培养更多有生力量。 --- https://www.mindspore.cn/news/zh/3106/ --- 新闻 社区月报 | 昇思MindSpore2.3.RC1版本正式上线开源社区，最新成果PDEformer-1迎来开源 # 社区月报 | 昇思MindSpore2.3.RC1版本正式上线开源社区，最新成果PDEformer-1迎来开源 2024/05/10 # 社区月报 | 昇思MindSpore2.3.RC1版本正式上线开源社区，最新成果PDEformer-1迎来开源 **_昇思MindSpore2024年4月份总结_** **一、概述** 经过社区开发者们的开发与贡献，昇思MindSpore2.3.RC1版本正式上线开源社区，欢迎各位开发者在官网下载体验！（\*\*下载链接：\*\*https://www.mindspore.cn/install） 昇思MindSpore在技术方面获得多项进展，最新成果PDEformer-1、大地电磁智能电磁反演模型、MindSpore NLP支持音乐生成器MusicGEN模型与智能化工大模型相继推出，详情如下： - 昇思MindSpore最新成果PDEformer-1迎来开源，已超越那些仅针对特定方程进行精细训练的专家模型，如FNO和DeepONet。 - 基于昇思MindSpore的大地电磁智能反演模型也正式开源，有效助力地球物理勘探加速智能化。 - MindSpore NLP已支持Meta推出的人工智能音乐生成器MusicGen，它是AI音乐领域难得的开源且可以充当商用训练基础的模型。 - 华为与大连化物所深度合作，构建了首个化工设计-仿真优化-知识归纳的多智能体协同设计的平台，可实现秒级生成并可视化对应设计方案。 在2024年4月的SIG运作中，MindFlow&Earth SIG、MindSPONGE SIG、Trusted AI SIG、MindSpore Quantum SIG技术分享会相继举办，其中MindFlow&Earth SIG在其分享会上就PDE的功能与效果进行了深度探讨和演示；Trusted AI SIG分享了基于昇思MindSpore的可信AI研究成果，并探讨了如何规避在联邦学习和机器学习模型训练中的风险。另外MindSPONGE SIG近期在MEGA-Fold上提供了权重转换工具，训练所得的CKPT经转换后可以用于推理，推理CKPT转换后可以用于进一步微调。MindSpore Quantum SIG连续举办5场论文直播分享，蔻享、B站累积观看次数达1万+，期间MindSpore Quantum SIG还进行了16场高校行活动，赋能算法开发。 4月份昇思MindSpore 2024年开源实习正式开启，获得了众多高校开发者的积极反馈。学习没有终点，开源之路征程如海！再次邀请各位的参与。 **二、社区规模** 截至4月底，昇思MindSpore面向全球开发者，凝聚产业力量，持续打造人工智能创新之源。社区秉持开放透明原则，稳步建设开源生态，规模和活跃度得到持续提升。 昇思MindSpore累计下载量为**722万+**，2024年4月份增长了**20万+**； 发展\*\*3万+\*\*多名核心贡献者； 累计产生ISSUE共**38K**、PR共**92.4K**。 **三、社区大事件** **1、第六届·2024 MindSpore 量子计算黑客松正式开启报名，以赛促学，勇攀量子世界的高峰！** 第六届·2024 MindSpore量子计算黑客松震撼来袭。开发者将全面体验全新一代通用量子计算框架MindSpore Quantum。 全新的竞赛体验，卓越的算法性能，活跃的开源社区！诚邀您报名参赛，勇攀量子世界的高峰！（**报名截止时间**：2024年6月30日） **2、2024昇思MindSpore开源实习火热招募中！** 昇思MindSpore开源社区实习计划，通过代码实践，让开发者真正的实践成长。该计划是昇思MindSpore社区携手openEuler社区、中国科学院软件所等多个社区/组织共同发起的线上实习项目，旨在鼓励在校学生积极参与开源社区，在实际的开源环境中提升实践能力。由昇思MindSpore社区提供实习任务，并提供导师辅导，学生通过实习申请后，可在社区领取任务，每完成一个任务可获得相应积分，积分累计达规定量后，可获得实习证明和实习工资。 实习任务类型包括特性开发、工具开发、模型迁移、套件开发、大模型微调/部署/应用、教程/案例开发、文档开发、模型调试调优等；任务数量充足，持续滚动发布，在广阔的领域有多样的选择；自开源实习发布以来，有来自国内外100所院校，近300人参与报名，目前正在火热进行中，期待大家的贡献！ 实习申请： https://www.mindspore.cn/internship 任务领取： https://gitee.com/mindspore/community/issues/I55QGD?from=project-issue **3、昇思MindSpore开源社区成长活动--寻找热爱技术、热爱开源、乐于布道、关注个人成长的你！** 昇思MindSpore开源社区成长活动是基于MindSpore套件，对热门语言大模型进行代码迁移、精度对齐、finetune/peft（单卡）以及多卡训练/预训练的任务。 任务分为了三阶段闯关，分别有不同价值的奖品提供。 活动开启以来，大部分开发者都完成了第一阶段代码迁移和精度对齐任务，体现了昇思MindSpore套件的易用性。 **4、开源之夏-昇思MindSpore社区任务正式发布，快来领取你的专属任务吧！** 开源之夏，是由中国科学院软件研究所发起的“开源软件供应链点亮计划”下的一项重要活动。这是一场专为高校学生精心打造的暑期盛宴，旨在鼓励广大学子积极参与开源软件的开发与维护，推动优秀开源软件社区的蓬勃发展。活动联合了包括昇思MindSpore开源社区在内的国内外各大开源社区，为参与者提供了与资深开发者深入交流、学习与实践的绝佳机会。 此次开源之夏，昇思MindSpore社区为大家准备了一系列精彩纷呈的任务，联合了中国科学院大学、北京航空航天大学、华中科技大学、中国海洋大学、西安电子科技大学、武汉理工大学共同命题，涵盖工具开发、模型开发、算子开发、应用开发、套件开发等多个领域，且不同难度，无论你是刚进入开源的新人还是资深开发者，都能在这里找到属于自己的舞台。快来领取任务，用成果赢取丰厚奖金和证书吧！（\*\*报名截止时间：\*\*2024年6月4日） **5、华为ICT大赛全国赛创新赛道昇思开发者获得特等奖** 来自华中师范大学团队——塔塔姜火，基于昇思MindSpore的智能问诊医药系统荣获了华为ICT大赛全国赛创新赛道的特等奖。 该作品创新的将ChatGLM3大模型转换为昇思MindSpore框架，并结合LangChain知识向量库，部署在Ascend环境，实现了个性化大模型问诊。这一创新点使得智能问诊医药系统能够更精准地根据患者的症状和问题提供个性化的医学建议，增强了问诊的准确性和针对性。最终在众多作品中脱颖而出，获得了特等奖。 **6、累计观看过万，****MindSpore Quantum SIG****进入16所高校布道** MindSpore Quantum SIG在4月份连续举办5场量子计算组会一起开论文直播分享，分别邀请到中国科学院研究员张潘老师、北京大学郑沛林博士、中国科学技术大学王琴琴博士、南方科技大学李晓巍博士、华南理工大学舒润秋同学分享论文，蔻享、B站累积观看次数达1万+。并进行了16场高校行活动，分别有安徽大学、浙江大学、复旦大学、哈尔滨工业大学（深圳）、四川大学、西安邮电大学、清华大学、北京大学、华中师范大学、华南师范大学、武汉理工大学、中国科学技术大学、浙江工业大学、浙江科技大学、香港科技大学广州校区。 **7、分享可信AI研究成果，开源实习任务已认领** Trusted AI SIG 4月邀请到华东师大陈志立老师团队，分享了基于昇思MindSpore的可信AI研究成果，探讨如何规避在联邦学习和机器学习模型训练中的风险。同时发布的开源实习任务均已被认领。 **8、遇见AI，共探未来，昇思MindSpore创新训练营·上海大学站成功举办！** 4月20-21日，“昇思MindSpore创新训练营·上海大学站”成功举办。现场吸引了通信工程、计算机科学与技术、数据科学与大数据技术等8个专业方向学生参加，通过两天“理论+实践教学”，让同学们了解到当前最热门的大模型技术，并利用大模型进行创新实践，旨在让同学们将更深入地了解Al技术的魅力，开拓实践视野，全面学习并系统掌握人工智能前沿技术和应用工具。 **9、2024鲲鹏昇腾开发者大会走进西安邮电大学——校企共绘产教融合新篇章** 4月24日下午，2024鲲鹏昇腾开发者大会西安邮电大学分会活动在长安校区成功举行。昇思MindSpore Quantum研究员王耀以《揭秘量子计算，带你玩转MindSpore Quantum量子编程》为主题，为在场师生讲解了量子计算框架的相关知识。 **10、全国高校计算机类课程能力提升高级研修班(2024年第三期)在武汉召开** 2024年4月20日至21日，全国高校计算机类课程能力提升高级研修班(2024年第三期)在湖北省武汉市华为技术有限公司武汉研究所召开，来自全国54所高校的近130位教师参加了本次培训。其中，“MindSpore大模型训推微调实践”课程培训由武汉理工大学计算机与人工智能学院院长熊盛武教授，华为吕昱峰、邢译壬、魏超老师担任讲师，27所知名高校的51位教师共同参与。 **11、智 “连”AI丨2024人工智能师资培训——昇腾AI全国行（首场）大连站圆满落幕** 4月20-21日，智“连”AI丨2024人工智能师资培训——昇腾AI全国行（首场）大连站圆满落幕。在为期两天的课程中，华为高级工程师将昇思MindSpore的案例实践及大模型专题等相关内容为现场老师们进行搭建梳理。并基于大连医科大学的学科定位属性，特设医学实践案例讲解，重点介绍了“使用昇思MindSpore框架搭建Unet模型实现医学图像分割的应用实践”。 \*\*12、\*\***2024昇腾AI金种子实训班走进智能制造行业在上海顺利举办** 4月12日，2024昇腾AI金种子实训班走进智能制造行业在上海顺利举办，在本次活动中，昇思MindSpore技术布道师Bo老师表示：面对大模型在开发与落地过程中训练时间长、推理成本高等难题，以AI框架为代表的软件根技术通过持续迭代，加快推进AI底座自主创新，以期成为加速行业智能化的“新引擎”。 **13、与昇腾AI同行 | 2024昇腾AI金种子实训班·河北站圆满举办！** 4月24日，“2024昇腾AI金种子实训班·河北站”在廊坊成功举办，昇思MindSpore大模型布道师苏海波对昇思MindSpore框架以及大模型原生开发进行了详细剖析。他介绍MindSpore Transformers提供了基于昇腾生态的大模型使能套件，全流程覆盖大模型的开发、训练、微调和推理，最大限度地帮助开发者降低开发门槛，减小开发工作量。针对大模型原生开发，他指导伙伴开发者基于MindFormers进行“LLaMa2-7B 模型微调&推理”实训，调用河北人工智能计算中心昇腾AI算力资源，从环境部署、权重准备、数据准备到模型训练&推理流程层层深入，在实践中掌握昇腾硬件和昇思MindSpore AI框架的大模型原生开发技能。 **四、技术进展** **1**\*\*、\*\***大模型首选AI框架——昇思MindSpore2.3.RC1版本上线开源社区** 经过社区开发者们几个月的开发与贡献，昇思MindSpore2.3.RC1版本正式上线开源社区！新增了交织流水并行、细粒度多副本并行等多种混合并行策略，进一步提升了大模型在超大集群上的训练性能；支持模型CKPT的异步保存，缩短了大模型的模型保存周期，降低了大模型训练断点续训的开销；通过使能静态图的算子级调度执行，进一步提升静态图调试调优能力；持续升级昇思MindSpore TransFormers大模型套件和昇思MindSpore One生成式套件，全流程开箱即用，一周即可完成大模型全流程的开发、验证；创新AI+科学计算（科学智能）范式，孵化科学领域基础大模型。 \*\*2、\*\*\*\*MusicGen in MindSpore NLP，\*\***快来获取你的“知音”** MindSpore NLP已支持Meta推出的人工智能音乐生成器——MusicGen！！！它是目前在AI音乐领域难得的开源且可以充当商用训练基础的模型。支持随机生成一段音乐，也可以通过你输入的文本生成指定风格的音乐。 **3、任意PDE的秒级求解？昇思MindSpore邀请北大讲师探讨PDE求解基础模型** 4月15日，在昇思MindSpore Flow&Earth SIG技术分享会中，来自北京大学的两位讲师分享了《基于昇思MindSpore的偏微分方程基础模型研究与实践》，重点探讨构建偏微分方程（PDE）求解基础模型，为大家解析PDEformer这一初步研究成果，并着重展示其具有的对“基础模型”关键的几大能力。 项目地址：https://gitee.com/mindspore/mindscience/tree/master/MindFlow/applications/pdeformer1d \*\*4、\*\***业界SOTA！基于昇思MindSpore的大地电磁智能反演模型首开源，助力地球物理勘探加速智能化** 华为AI4S Lab与清华大学李懋坤教授团队、华为先进计算与存储实验室合作，基于昇腾AI处理器与昇思MindSpore AI框架打造了大地电磁智能反演模型。该模型通过变分自编码器（VAE）灵活嵌入了多物理先验知识，达到了业界SOTA。该成果已被国际顶级勘探地球物理期刊《Geophysics》收录，相关代码已在昇思MindSpore Elec电磁仿真套件代码仓中开源。 **5、****基于昇思MindSpore打造的智能化工大模型亮相，实现****10+倍效率提升！** 华为与大连化物所深度合作，联合推出智能化工大模型，AI赋能化工领域，拥抱科学创新，提供了数据驱动化工研发的新范式。基于昇腾AI处理器、昇思MindSpore AI框架，研发团队围绕该模型，构建了首个化工设计-仿真优化-知识归纳的多智能体协同设计的平台，在用户输入工艺目标后，可实现秒级生成并可视化对应设计方案，响应用户的优化指令，完成对原设计方案的修改。 开源路径： https://gitee.com/mindspore/mindscience \*\*6、\*\***HiQ量子计算云平台重磅升级，业界首创支持变分量子线路图形化，使能科研创新** HiQ量子计算云平台提供三种在线量子模拟编程环境，开发者无需安装软件，打开浏览器选择任意开发环境即可开始量子计算编程之旅。 **7、昇思MindSpore\*\*\*\*在MEGA-Fold提供权重转换工具，提升文档可读性** MindSPONGE SIG近期在MEGA-Fold提供权重转换工具，训练所得的CKPT经转换后可以用于推理，推理CKPT转换后可以用于进一步微调pipeline版本megafold训练，同时Sponge文档新增了样例代码，可读性进一步提升。 **五、社区案例** **1、昇思MindSpore携手\*\*\*\*广为海洋推出智慧渔港大模型** “广为·智港”大模型基于昇思MindSpore丰富的API和工具，简化了大模型开发、训练和部署过程，实现了模型的快速迭代和试验，开发效率提高60%以上；“广为·智港”高度融合了视频分析、雷达、AIS、电子海图等信息，使得大模型数据集需求减少90%、数据标注工作量减少50%，同时支持零样本学习与多模态学习，使得识别准确率大幅度提升。 \*\*2、\*\***智慧金融新生态，昇思MindSpore携手伙伴共筑金融安全高墙** 近日，中原银行基于昇腾AI基础软硬件平台，打造了业内领先的金融系统智能化管理解决方案，该方案还使用昇思AI框架，大大缩减了开发训练耗时，模型性能和推理速度显著提升；基于MindFormers套件，融合合规知识库，实现大模型的快速推理部署应用。该方案融合了大数据、多模态大模型等技术能力，实现金融业务的事前、事中、事后全流程管理，助力构建自动化、智能化、高效率的银行反欺诈工作体系。 \*\*3、\*\***香橙派开发板适配昇思MindSpore模型** Orange Pi AI Pro开发板是香橙派联合华为精心打造的高性能AI开发板，其搭载了昇腾AI处理器，可提供8TOPS INT8的计算能力，内存提供了8GB和16GB两种版本。可以实现图像、视频等多种数据分析与推理计算，可广泛用于教育、机器人、无人机等场景。 Orange Pi AI Pro目前已经支持如下昇思MindSpore模型的推理： **模型** **推理** ResNet50图像分类 √ Vit √ CNN+CTC √ FCN √ ShuffleNet √ SSD √ RNN √ LSTM+CRF √ GAN √ DCGAN √ Pix2Pix √ CycleGAN √ Diffusion √ **六、技术分享** \*\*1、\*\***基于昇思MindSpore的多粒度因果结构学习有效提升因果关系发现的准确率** 针对多粒度因果结构识别困难的问题，着眼于改进因果方法的多粒度因果关系学习能力，提出了一种多粒度因果结构学习算法MgCSL，该方法利用可微的有向无环约束，将结构学习问题转换成连续优化问题，并结合机器学习技术搜索有向无环图，有效提高了因果关系发现的准确率。 \*\*2、\*\***昇思MindSpore复数分布式并行实现探究** 当前科学计算算子如何支持分布式所面临的主要挑战是对复数类型的支持。本文探讨了在昇思MindSpore+HCCL的环境中，通过直接在HCCL中添加复数支持，在AI框架调用通信算子时改变调用类型和处理流程中增加类型转换算子三种方式来支持科学计算算子的复数类型的分布式功能，为进一步支撑AI科学计算提供了思路和参考。 \*\*3、\*\***昇思MindSpore技术公开课精彩课程讲解** Prompt定义：涉及传递给语言模型，以实现所需任务的指令和上下文，驱动大模型进行图文表达的文本描述。 一个优质的Prompt应兼具清晰性、强调具体性、目标导向性、角色设定及适当的上下文环境。具体来说，它需要清晰地阐述任务要求，强调问题的具体性，以目标为导向，同时设定合适的角色身份，并基于上下文场景进行延展。例如：“作为数据分析师，我需要对最近的销售数据进行分析，请列出过去一季度各个产品类别的销售额，并突出增长最快的三个类别。基于这些数据，哪些营销策略最有效，应该如何调整未来的营销预算分配，同时考虑到当前经济形势和季节性因素的影响?”大模型就可以给你一个相对满意的答案。 **七、**感谢每一位朋友、开发者的支持**** 在此感谢社区伙伴们、可爱的小孢子们以及昇思MindSpore SIG组成员们，因为大家的共同努力及辛勤奉献，昇思MindSpore才能不断成长与发展！同时我们对可能出现的不完善之处向您表示诚挚的歉意，并衷心感谢您的理解与支持。 截至2024年4月底，昇思MindSpore下载量已超过**720万**，未来，昇思MindSpore AI框架将持续致力于打造人工智能创新之源，凝聚产业力量，扎根AI根技术，使能大模型与科学智能，成为AI创新的首选框架。 --- https://www.mindspore.cn/news/zh/3107/ --- 新闻 香橙派Ai Pro开发板预置昇思MindSpore，助力开发者玩转模型创新 # 香橙派Ai Pro开发板预置昇思MindSpore，助力开发者玩转模型创新 2024/05/16 # 香橙派Ai Pro开发板预置昇思MindSpore，助力开发者玩转模型创新 日前，昇思MindSpore开源社区与香橙派通过紧密合作攻关，实现香橙派Ai Pro开发板的系统镜像预置昇思MindSpore AI框架，并在后续版本迭代中持续演进，当前已支持MindSpore官网教程涵盖的全部网络模型。香橙派Ai Pro开发板向开发者提供的官方系统镜像有openEuler版本预ubuntu版本，两个镜像版本均已预置昇思MindSpore，便于用户体验软硬协同优化后带来的高效开发体验。 在3月22日举行的昇思人工智能框架峰会2024与5月9日-11日举行的鲲鹏昇腾开发者大会2024上，香橙派与昇思MindSpore的专家也在展览展示区域演示了基于香橙派Ai Pro开发板与昇思MindSpore AI框架打造的系列Demo，吸引大量企业、高校开发者体验Demo、了解开发流程并现场购买。 下一步，昇思MindSpore开源社区将联合香橙派完成一系列开箱即用的模型测试与导入，便于开发者在香橙派Ai Pro开发板进行模型的训推验证、开发。同时，也将提供相应的操作手册指引开发者上手，敬请期待！ --- https://www.mindspore.cn/news/zh/3109/ --- 新闻 基于昇思MindSpore打造抗体设计模型“天工”，引领生物医药行业创新加速 # 基于昇思MindSpore打造抗体设计模型“天工”，引领生物医药行业创新加速 2024/05/14 # 基于昇思MindSpore打造抗体设计模型“天工”，引领生物医药行业创新加速 抗体类药物已被广泛批准用于治疗多种疾病，具有巨大的社会价值，尤其在病毒引起的传染病等方面发挥着重要作用。抗体药物市场空间快速发展，然而，传统的抗体设计方法效率低下、成本高昂，难以满足日益增长的临床需求。 针对这些需求与挑战，昌平实验室联合昇思MindSpore打造的“天工”抗体设计模型应运而生。它是一种能够与实验进行交互、具备生物先验知识的生成式AI，能够实现对非人源有效抗体的人源化，从而降低抗体实验研发成本。此外，它还能进一步优化具有功效的抗体的可成药性、降低生产成本，最终实现对可成药抗体的高效增值。它将为抗体药物的研发带来革命性的变革。 **“天工”模型：引领抗体设计新潮流** “天工”抗体设计模型是基于昇思MindSpore打造的一款创新工具，能够实现抗体功能设计、序列嫁接和活性预测等多种任务。天工模型设计效率相比传统抗体设计方法提升一个数量级以上，基于天工模型嫁接改造得到的人源抗体，经协和医学院团队验证抗体表达量提升约5至10倍，有望将抗体生产成本降低2倍以上。 “天工”抗体设计模型是业界多领域交叉融合的杰出成果。依托昇腾硬件与昇思MindSpore AI框架的基础软硬件能力， “天工”模型实现高效训练和推理。昌平实验室则为该模型注入了抗体设计领域的生物先验知识，使其能够同时支持高精度的功能设计和嫁接设计。协和医学院以其丰富的临床经验，迅速对新设计的抗体进行实验验证，并将湿实验结果反馈至模型，形成了干湿实验的闭环，为“天工”模型的完善和应用提供了强有力的支持。 **软件协同：高效内存复用，模型性能提升** 昇思MindSpore结合框架高效的内存复用能力，使用了重计算技术对模型进行优化。该技术网络正向执行是释放激活层的计算结果，在模型反向计算时重新计算正向激活层的结果，有效降低峰值内存，最终将训练内存减少了10倍。lazy inline编译优化技术，能标记循环体中频繁调用的子图，推迟inline处理至编译的最后阶段，大幅度缩短了编译时间，将“天工”模型的编译性能提升了5倍以上。 **高效设计：降低研发成本，加速临床应用** 传统抗体研发投入成本高，导致许多抗体开发商长期亏损，而人源抗体的湿实验成本也相对昂贵。“天工”模型通过多段功能区域的联合分布改造生成抗体序列，能够高效筛选出具有优良活性的抗体候选。经过实验验证，经过“天工”模型嫁接改造的抗体相较于原始抗体，表达产率提升了约5~10倍。这一显著提升的表达产率为生产环节带来了巨大的效益。表达产率的提升意味着在相同的生产周期内，可以获得更多的抗体产品，从而降低了单位抗体的生产成本。 **智能预测：提升抗体活性，优化治疗效果** “天工”模型还具备强大的活性预测能力，能够准确预测抗体的生物活性，为优化抗体结构、提升治疗效果提供了有力依据。通过智能预测，研究人员可以更加精准地筛选出具有优良活性的抗体，提高药物研发的成功率。针对一个具有潜在癌症治疗功效的鼠源抗体选择作为人源化目标，通过“天工”模型进行嫁接后得到的抗体序列，相比于原始序列在人源性得分上达到了70%以上的提升，人源性分数表示人源化后的抗体与人类抗体序列的一致性程度，通常较高的人源性分数表示临床免疫原性更低、稳定性更高。 **推动生物医药产业繁荣发展** “天工”模型不仅探索了AI在面向临床的抗体和制药领域的巨大潜力，而且在合作伙伴方面取得了显著的优势互补。通过与昇思MindSpore开源社区、昌平实验室以及协和医学院的合作，实现了多方面的协同创新，推动了抗体设计领域的技术革新。该模型在高通量方面的突破使得抗体设计的速度得以显著提升，能够更加迅速、精准地应对临床需求。与此同时，通过人源化嫁接使得抗体生成成本得到有效控制。 在合作伙伴的共同努力下，“天工”模型的成功应用不仅推动了科学研究的前沿，也为抗体和制药领域的未来发展描绘了更加光明的前景。这种跨界合作的模式为不同领域的专业知识提供了一个有机结合的平台，为推动医学科技的创新贡献了重要力量。 --- https://www.mindspore.cn/news/zh/3110/ --- 新闻 实现数理方程的“AI大统一”！基于昇思MindSpore打造的北航智算天璇基础模型OmniArch首次亮相 # 实现数理方程的“AI大统一”！基于昇思MindSpore打造的北航智算天璇基础模型OmniArch首次亮相 2024/05/15 # 实现数理方程的“AI大统一”！基于昇思MindSpore打造的北航智算天璇基础模型OmniArch首次亮相 2024年5月11日，华为AI4SCI Lab团队联合北京航空航天大学科学智算团队，推出新一代方程通用求解模型**智算天璇OmniArch-α**，为大规模复杂动力系统的正反求解提供统一的解决方案。该项成果在鲲鹏昇腾开发者大会2024上首次亮相，预计下半年正式发布。 图1 北航周号益博士现场发布智算天璇基础模型OmniArch-α预览版 在全球范围内，北航智算天璇（OmniArch）模型首次实现了在1D、2D、3D的PDE数据联合训练，实现几十类正反求解问题的统一求解，在zero-shot的数据集上相比现有SOTA方法精度提升1个数量级，在流体、电磁、气象等多物理场和多方程耦合场景发现了“物理场-方程”联合学习的scaling-law涌现。该项工作是团队国家级科研项目的重要成果，为了促进学术交流和产业应用，代码将在昇思MindSpore社区开源和cnai4s.com上线服务（链接附在文末）。 **PDE基础模型 = 物理场 + 方程 + 时序演化** OmniArch模型将流体力学、电磁学、气象学等多学科PDE求解问题统一为物理场时序演化形式，从而将其转变为适用于Transformer架构的机器学习问题，首次实现一维到三维的联合求解，并扩展到工业级全流场仿真。此外，OmniArch还引入了物理信息增强的强化学习（Physics-Informed Reinforcement Learning，PIRL），以实现求解过程中最大程度还原物理定律的准确性和鲁棒性。 图2 OmniArch方程求解统一范式流程图 OmniArch对于1D、2D、3D不同的微分方程表达，采用卷积神经网络进行空间维度的物理场压缩，获得沿时间维度的物理场演化的Token序列，然后利用类LLaMA架构的Transformer模型，根据物理系统的不同分量个数进行分组时序回归，模拟传统有限元方法中的积分过程，最后模型使用逆卷积网络，根据预测的物理场Token进行全物理场的彻底重构。值得一提的是，OmniArch的架构首次实现了1D、2D、3D的PDE共享骨架求解网络，并显著提高了自研架构的扩展效率和并行效率。 图3 OmniArch架构图（以预训练阶段为例，包含物理场压缩、分组时序回归、物理场重构三个步骤） 对于物理方程约束的引入，OmniArch独创地提出了一种对齐框架PIRL，合理运用对比学习，构建PDE文本描述-物理场观测数据的multi-alignment模型。针对PDE方程文本描述（<0.1K）数据量与物理场观测点（<1M）极度不匹配的现状，OmniArch采用了规则生成的PDE增强流水线，在采集的100个PDE方程的基础上，合成约1000倍不同的PDE方程描述。训练后的物理场耦合模型可以为多物理系统进行“消歧”，在PDEBench\[1\]的11个物理系统上进行区分度探针实验，其平均准确率超过了95%。 图4 Physics-informed Reinforcement Learning（PIRL）框架（左）与探针实验结果（右） **从OmniArch窥见“物理场-方程”联合学习的scaling-law** 在公开研究领域，与OmniArch类似的“通用”模型往往只实现了某个维度的支持，如MPP-2D\[2\]等。通过在1D、2D、3D的联合训练，OmniArch首次实现了单个模型，单份权重即可对FNO、PINNs、U-Net等40余个不同参数下PDE专用模型的全方面超越，其中CFD、ReacDiff等流体力学算例实现了一个数量级的精度提升。 图5 北航智算天璇模型OmiArch在PDEBench的结果（采用nRMSE评估，从左到右分别是传统单场景模型FNO、PINNs、U-Net，SOTA多场景模型MPP\[2\]） 通过在超过4TB的PDE数据集上进行预训练，OmniArch模型展现出了类似于大模型的涌现能力。对于OOD的动态物理系统，OmniArch模型可以不改变模型参数（即zero-shot）的情况下，直接从给定的前序物理场变化中学习物理运算符。在Advection、CFD、SWE等物理系统上，研究团队观察到随着输入物理场序列上下文的长度增加，模型求解精度稳定提高。值得一提的是，In-context Learning能力是现代大模型Chain-of-Thoughts和RAG等能力的先导，有望拓展到物理系统的增强式自适应推理，彻底告别“手工作坊式”专家模型训练。 图6 OmniArch的涌现能力：PDE In-context Learning情境学习（左图2DCFD预测的样本，右图横轴表示Prompt长度，纵轴1表示推断精度损失，纵轴2表示推断时间） 研究团队构建了Tiny（0.5B）、Small（0.5B）、Base（1.2B）、Large（2.6B）四种参数规模的OmniArch基础模型，观察到了从30M到0.5B，模型收敛速度与参数规模成正比例关系，当模型参数规模超过1B时，损失函数开始稳定下降，且不再过拟合。另外，模型性能增长依赖于物理场观测数据规模，目前开源数据规模约106，可支持模型极限大小约2.6B。 图7 科学智算基础模型的Scaling Law（左图表示不同数据样本下训练曲线过程，右表是四个不同规模大小模型的具体尺寸参数） 研究团队在方腔流（Cavity）、圆柱绕流（Cylinder）、堤坝流（Dam）、圆管流（Tube）等四类常用流体PDE上对OmniArch基础模型进行微调。相比于Polymathic AI发布的MPP-2D方程求解通用模型\[2\]，OmniArch仅需50个样本左右，就可实现1e-3级别求解精度（领先1个以上数量级），充分展现了较高的迁移数据效率和广泛的应用灵活性。此外，在处理方程高阶项反演、方程边界条件反演等挑战逆问题，该模型展示出极高精度和逻辑性，从另外一个侧面展示出基础模型极大的普适性。 图8 在CFDBench\[3\]等经典流程问题上微调效率（与Polymathic AI的MPP\[2\]对比，左图为四类典型问题的示例，右图为微调时模型损失函数下降曲线） **昇腾、昇思AI生态支撑PDE通用求解模型发展** 依托昇思MindSpore AI框架的开发训练微调部署全方位支持，以及昇腾AI处理器强大的半精度计算能力，OmniArch模型规模实现与PDE数据的同步快速扩展。OmniArch基于昇腾AI基础软硬件高度协同优化的傅里叶变换和分组时序回归等技术，已加速赋能MindSpore Flow等新一代流体力学科学计算套件，并有望实现自主创新软硬件生态能力的最大化释放。 了解更多，请查看论文： 论文链接：https://arxiv.org/pdf/2402.16014 平台网站：https://cnai4s.com/ 北航、昇思MindSpore开源社区等共同承担人工智能科学计算共性平台研发和门户运营。 更多发布信息请关注公众号：ACTBIGDATA ## **参考链接** \[1\]Takamoto, M. et al. PDEBENCH: An Extensive Benchmark for Scientific Machine Learning. Preprint at https://doi.org/10.48550/arXiv.2210.07182 (2023). \[2\]McCabe, M. et al. Multiple Physics Pretraining for Physical Surrogate Models. Preprint at https://doi.org/10.48550/arXiv.2310.02994 (2023). \[3\]Luo, Y., Chen, Y. & Zhang, Z. CFDBench: A Large-Scale Benchmark for Machine Learning Methods in Fluid Dynamics. Preprint at https://doi.org/10.48550/arXiv.2310.05963 (2024). --- https://www.mindspore.cn/news/zh/3111/ --- 新闻 携手开发者，以基础软件使能AI创新——昇思AI框架及大模型技术论坛顺利举办 # 携手开发者，以基础软件使能AI创新——昇思AI框架及大模型技术论坛顺利举办 2024/05/13 # 携手开发者，以基础软件使能AI创新——昇思AI框架及大模型技术论坛顺利举办 【2024年5月11日，北京】鲲鹏昇腾开发者大会2024（KADC2024）期间，昇思AI框架及大模型技术论坛顺利举办。论坛聚焦昇思MindSpore AI框架技术与使能大模型创新成果，7位来自昇思MindSpore开源社区各行各业的开发者分享了框架技术及大模型创新成果实践，现场上百位高校科研院所、企事业单位AI开发者参会，共同探讨AI框架及大模型创新的技术发展趋势。论坛由昇思MindSpore开源社区与上海昇思生态创新中心联合举办。 昇思MindSpore业务总经理、昇思开源社区理事长丁诚 昇思MindSpore业务总经理、昇思开源社区理事长丁诚在致辞中表示，开源四年多以来，昇思秉承着“全场景协同、全流程极简、全架构统一”三大价值主张，在产业界伙伴的积极响应下，已迅速成长为国内第一的AI框架团队，版本累计下载超过720万次，发展了2.9万多名开发者，市场份额达20%，支持发表顶会论文1200多篇，位列全国第一、全球第二。目前，昇思携手合作伙伴，如百川智能、软通动力、中科院上海药物所、中科院自动化所、科大讯飞等，孵化适配了超过50多个大模型，为AI产业的百模千态发展奠定了坚实的软件基础。 昇思MindSpore技术专家、华为技术有限公司AI4S LAB副主任王紫东 昇思MindSpore技术专家、华为技术有限公司AI4S LAB副主任王紫东带来了昇思MindSpore2.3全新版本的技术解读。他在演讲中表示，昇思持续升级，MindSpore 2.3版本增强了动态图开发、静态图编译等能力，一套架构全面支持动静统一，兼顾开发效率与执行性能，支撑开发者进行更高效的模型原生开发。同时，昇思MindSpore积极探索前沿技术，通过原创的多副本、多流水交织等8种并行技术和编译快照，确定性CKPT技术实现大模型的长稳训练。在大模型部署上，昇思通过训推一体的架构升级实现脚本、分布式策略，运行时的统一，Baichuan2-13B的推理部署只需1天。同时昇思持续升级开箱即用的大模型套件，支持Open Sora Plan及LLaMA3等30+模型，一周即可完成大模型全流程的开发。此外，昇思MindSpore打造AI+科学计算使能套件，支持科研院所等孵化科学领域基础大模型，加速基础科研创新。 软通动力数字基础设施与集成技术总监单继岭 软通动力数字基础设施与集成技术总监单继岭上作了《基于昇思MindSpore，软通动力赋能客户AI应用与实践》的主题分享，他在演讲中提到，面向企业建设大模型的需求，软通动力基于昇思MindSpore推出了完整的大模型训推一体机解决方案，可以预置商业大模型和开源大模型，并支持私有化部署训推一体化平台，提高开发效率、训练、推理的效率。单继岭表示，软通动力希望未来继续依托昇思MindSpore框架，打造更多的产品解决方案，助力企业、高校实现大模型快速训练、推理的实践落地，为企业创新打通最后一公里。 中科视语（北京）科技有限公司副总经理赵旭 中科视语（北京）科技有限公司副总经理赵旭分享了《视语坤川大模型研发及行业应用案例》。赵旭在演讲中表示：中科视语基于大模型在交通和智能制造两个行业进行一些应用。旗下视语坤川大模型有两个特点，一是基于视语坤川大模型可以实现交付的快速提升，其背后是大模型的零样本能力；另一方面基于昇思MindSpore构建整个交付的流水线，提升交付效率。基于零样本的提示与基础交付流水线去构建产品，可以做到从月级到天级的应用。 电子科技大学教授、博士生导师、先进计算实验室主任 田文洪 电子科技大学教授、博士生导师、先进计算实验室主任田文洪分享了《多维度混合并行自动搜索优化策略及其在MindSpore上的实现》。田教授及团队面向图分割技术，联合昇思MindSpore专家团队利用自动化并行策略搜索算法上做出了一定的成果，并基于项目成果已经发表了两篇顶会论文。 北京航空航天大学软件学院助理教授周号益 北京航空航天大学软件学院助理教授周号益带来了《基于昇思MindSpore的OmniArch方程通用求解模型》的主题演讲。周教授指出，用数据驱动、AI驱动的方式做科学计算，是一种新的范式。OmniArch尝试构建一个方程求解的统一范式，从物理场出发，从方程的泛化出发，从时间的演化维度三个维度统一构建神经算子的智能代理模式。团队构建了一个覆盖了1D、2D、3DPDE，总数据量超过4T的数据集，整体覆盖流体力学、生物、气象等十几个领域，包括PDEBench、PDEAreana、CFDBench等主流开源数据集和自有的数据集，其中大部分的组件实现大模型都来源于昇思MindSpore的生态，在研发过程与MindSpore团队深度，并贡献了一些求和算子改写方式与LayerNorm自适应的功能等，同时和MindSpore Transformers套件做了多适应、自适应的切换。 昇思MindSpore优秀开发者、北京生命科学研究所在读博士罗袁涵宇 昇思MindSpore优秀开发者、北京生命科学研究所在读博士罗袁涵宇作了题为《基于昇思开发的多组学大模型介绍和分享》的演讲。罗袁涵宇在分享中提到，北京生命科学研究所与昇思MindSpore团队紧密合作，逐步推进三大研究目标加速实现：其一，用大组学的数据经过生成式预训练，实现组学之间互相的预测；其二，加入少量的经验知识去揭示染色质以及基因表达之间互相的关系；其三实现模拟基因敲除。 昇思MindSpore聚焦AI基础软件技术，围绕产品打造技术领导力与繁荣的开源生态，使能大模型及AI+科学计算创新，携手开发者一起加速迈向智能世界。 --- https://www.mindspore.cn/news/zh/3117/ --- 新闻 报名 | 昇思MindSpore技术行—走进上海交通大学暨智能基座昇腾高校行来啦 # 报名 | 昇思MindSpore技术行—走进上海交通大学暨智能基座昇腾高校行来啦 2024/05/23 # 报名 | 昇思MindSpore技术行—走进上海交通大学暨智能基座昇腾高校行来啦 **竞赛分享，开源实习，技能实践全都有！** **结尾处扫码注册报名，签到有礼** **0\*\*\*\*1** **华为ICT大赛，昇腾AI创新大赛，昇思MindSpore原生创新算法挑战赛，中国国际大学生创新大赛，多项赛事现场解读** 近年来，上海交通大学学生积极参与华为各类赛事，荣获多项赛事奖项，为更好促进同学了解比赛信息，华为专家和交大优秀获奖学生代表一同为大家解读赛事&分享获奖经验。 **0\*\*\*\*2** **开源之夏，开源实习等开源实习活动逐步开展，数百个任务等您来领** 昇思MindSpore开源社区始终秉承开放、创新、协同的理念，为广大开发者提供一个展示才华、交流学习的平台。今年，昇思MindSpore开源社区联合中科院软件所为大家准备了一系列精彩纷呈的任务，涵盖**工具开发、模型开发、算子开发、应用开发、套件开发**等多个领域，且不同难度，无论你是刚进入开源的新人还是资深开发者，都能在这里找到属于自己的舞台。 **03** **技能实践，现场一同动手完成模型训练推理的开发板体验** 现场配备昇思MindSpore+开发板的软硬件环境，给大家带来最开放的模型训练推理体验，一同体验开发板的训推一体！ --- https://www.mindspore.cn/news/zh/3118/ --- 新闻 中科视语：基于昇思，共铸视语坤川大模型，赋能智慧交通等多领域行业 # 中科视语：基于昇思，共铸视语坤川大模型，赋能智慧交通等多领域行业 2024/05/23 # 中科视语：基于昇思，共铸视语坤川大模型，赋能智慧交通等多领域行业 5月11日，昇思AI框架及大模型技术论坛，在北京圆满举办。会上，中科视语（北京）科技有限公司副总经理赵旭围绕“视语坤川大模型研发及行业应用案例”发表主题演讲。 **视语坤川大模型：** **行业知识与小模型经验的完美融合** 中科视语是中科院自动化所孵化并直接持股的科技成果转化公司，拥有20年的行业专业知识积累，以及成熟的小模型开发经验。结合这些宝贵的经验，进一步融合大模型技术，基于昇腾AI硬件与昇思MindSpore AI框架，打造出了面向行业的大模型——视语坤川。这一模型不仅具备强大的学习能力，还能结合行业特有的历史数据、经验知识和业务流程，为行业带来前所未有的突破。 视语坤川大模型具有以下两个特点： - 双轮驱动模型生产及工程化：基于视语坤川大模型可以实现整个交付的快速提升，一方面其拥有大模型的零样本能力，另一方面该模型基于昇思MindSpore构建整个交付的流水线，有效提升交付效率。 - 双翼带动产品竞争力跃升：其具有模型设计和模型加速的技术，有效去平衡算法的准确率和功耗，实现算法产品竞争力提升。 \*\*视语坤川大模型：\*\***两大技术突破** **视语坤川感知能力FastSAM：SAM视觉大模型的50倍加速** FastSAM是视语坤川大模型的核心感知技术，它凭借先进的知识引导架构学习方法，实现了对物理场景内目标的全粒度、高效率定位。这一技术不仅提升了定位的精准度，还显著提高了数据处理速度，是SAM视觉大模型的50倍加速，让实时感知成为可能。 **视语坤川压缩能力FLAP（波动性度量）：对LLM进行裁剪50%，加速66%** FLAP是视语坤川大模型的核心压缩技术，通过先进算法和技术手段，在保持模型精度的同时，实现高效压缩与加速。它显著减少模型计算量和存储需求，降低部署成本，提高运行效率，实现了语言模型裁减50%，加速66%的效果。FLAP使视语坤川大模型在资源受限环境中更加轻便、高效，满足实际应用需求。 \*\*视语坤川大模型：\*\***交通场景下的能力提升** 结合智慧交通场景，可以看到各项能力结合的突破，如下图左边是基础能力，右边是基于大模型打造的应用。 - \*\*车辆分类能力提升：\*\*过去在识别一辆车，要选取车辆多个属性，才能对车辆进行分类；同时因离散化的标签，多种颜色车辆会出现识别故障问题，对交通工作的开展非常受限。基于视语坤川大模型可实现改进，形成一个自然化的语言描述，可以直接对车辆进行连续的描述，如“有一些车是黑色的，但是有点反光”的口语化描述，有效的提升对车辆的分类能力。 - \*\*图像检索能力提升：\*\*过去车辆检索是基于离散的标签检索车，如车辆发生了改装或者对外观进行了一些粘贴，则还会出现搜索故障。基于视语坤川大模型可实现局部检索，如车辆进行改装，但车窗里某些关键特征没有变动，则可以把关键特征进行提取。甚至能通过一段话描述车辆特征，通过文字检索图片的形式进行检索，为交通工作的开展提供巨大帮助。 - \*\*交互模式能力升级：\*\*改变了过去大屏交互模式，将各种各样的统一数据都放在大屏里，受限于大屏的表达能力，导致使用的局限性。提供人机交互的形式，面向用户关注什么信息，问什么问题，做到从固定式UI变成语言式UI。 **昇思MindSpore助推\*\*\*\*视语坤川大模型研发** 昇思MindSpore在视语坤川大模型的研发和应用中起到了关键助推作用。昇思的训练数据处理引擎实现了单节点数据缓存技术，解决重复加载、处理数据的问题，降低数据处理开销，提升端到端训练效率，大大加速了视语坤川大量的视觉模态数据的加载和预处理过程，训练速度提升了2.3倍。面向行业客户的应用场景中CPU、GPU、NPU等多样的部署硬件环境，昇思的多场景统一部署功能实现了在不同芯片上提供统一的编程使用接口，并直接生成在多种硬件上加载执行的离线模型，避免了重复开发，这大大加速了模型的交付上线效率。 中科视语携手昇思MindSpore共同打造的视语坤川大模型，不仅彰显了中科视语在行业大模型领域的深厚实力，也凸显了昇思MindSpore AI框架在技术实现中的核心作用。昇思MindSpore凭借强大的技术能力和卓越的灵活性，为视语坤川大模型提供了坚实的支撑，使得这一模型在多个应用场景中展现出卓越的性能和价值。未来，昇思MindSpore将持续在人工智能领域发挥作用，助力中科视语乃至整个行业探索更广阔的边界，推动大模型的不断创新和突破，为人类带来更智能、更便捷的生活体验。 --- https://www.mindspore.cn/news/zh/3127/ --- 新闻 深圳，我们来啦！昇思创新训练营·深圳站等你加入 # 深圳，我们来啦！昇思创新训练营·深圳站等你加入 2024/05/22 # 深圳，我们来啦！昇思创新训练营·深圳站等你加入 **本周末，中山大学深圳校区，昇思MindSpore等你！** **昇思MindSpore创新训练营** 昇思MindSpore创新训练营以行业需求为背景，以实际项目为导向，并把学生的实践作为主要线索，致力于让学生通过高效学习与实践，掌握人工智能的相关知识、技术以及工具，理解最新的技术发展趋势，从而为其创新能力的持续提升打下坚实的基础。 本次创新训练营将聚焦于当前最热门的语言模型技术，通过理论与代码实践的融合，系统地阐述语言类大模型发展的技术路线，帮助学生掌握使用具有代表性的语言模型所需的知识和技能，引导学生和激励学生利用这些大模型进行创新实践。 **两天时间** **快速上手大模型开发微调** **带你玩转大模型应用** **_时间：5月25日-5月26日 10：00-17：30_** **_地点：深圳市光明区中山大学深圳校区西教学楼4-103_** --- https://www.mindspore.cn/news/zh/3138/ --- 新闻 从代码到未来，共探AI奥秘 | 昇思创新训练营·深圳站成功举办！ # 从代码到未来，共探AI奥秘 | 昇思创新训练营·深圳站成功举办！ 2024/05/28 # 从代码到未来，共探AI奥秘 | 昇思创新训练营·深圳站成功举办！ 5月25-26日，“昇思MindSpore创新训练营·深圳区域站”成功举办。 --- https://www.mindspore.cn/news/zh/3140/ --- 新闻 “万物昇”昇思MindSpore技术培训班在上海顺利举办 # “万物昇”昇思MindSpore技术培训班在上海顺利举办 2024/05/27 # “万物昇”昇思MindSpore技术培训班在上海顺利举办 5月24日，“万物昇”昇思MindSpore技术培训班在上海顺利举办。本活动由昇思MindSpore开源社区、华为技术有限公司指导，上海市漕河泾新兴技术开发区发展总公司、上海昇思生态创新中心、上海昇腾人工智能生态创新中心等共同主办。60多名企业开发者参加本次培训，漕河泾管理公司科创事业部战略发展经理许为知，上海昇思生态创新中心CEO蔡昉出席活动。 **携手打造“共建、共享、共赢”的人工智能产业** 漕河泾管理公司科创事业部战略发展经理许为知出席，代表上海漕河泾新兴技术开发区欢迎各位开发者参与此次活动共同探讨自主创新的人工智能技术应用与创新，漕河泾开发区联合各方一同打造“共建、共享、共赢”的人工智能产业，结合园区服务竭尽全力支持AI技术企业、高校与科研院所孵化大模型、科学智能技术研究。 漕河泾管理公司科创事业部战略发展经理 许为知 上海昇思生态创新中心CEO蔡昉在致辞中谈到，上海昇思生态创新中心将于7月在科技绿洲42号楼正式面向公众开放，欢迎各位行业伙伴届时参观交流。上海昇思生态创新中心作为全球首个基于昇思MindSpore AI框架的创新高地，将携手产业伙伴基于昇思MindSpore AI框架，助力企业打造极简易用、极致性能的AI解决方案和应用，推动产业集聚。 上海昇思生态创新中心CEO 蔡昉 **携手开发者探索人工智能技术前沿** 上海昇腾人工智能生态创新中心CTO贾挺猛老师针对昇腾AI基础软硬件平台与生态体系进行了专业讲解，为开发者和企业在AI领域的快速成长和深入探索赋能。 上海昇腾人工智能生态创新中心CTO贾挺猛 昇思MindSpore技术布道师博凯老师针对昇思MindSpore AI框架进行了深度分享，剖析作为面向全场景AI计算的开源深度学习框架。以全新发布的昇思MindSpore 2.3为例，该版本解决了训练效率低、推理成本高等模型开发、应用的诸多痛点，实现开发效率倍增、效能倍增、推理成本倍降，昇思MindSpore已经做好了应对万亿参数大模型时代的技术准备。 昇思MindSpore技术布道师 博凯老师 **场景理解，赋能实际应用** 昇思MindSpore技术布道师Ray和Eugene老师带领开发者进行实际场景的操作演练，深入探索MindSpore TransFormers大模型套件的架构设计和关键特性。MindSpore TransFormers是基于昇思MindSpore AI框架和昇腾硬件开发构建了一个集大模型开发、训练、微调、评估、推理、部署的全流程开发使能套件。 昇思MindSpore技术布道师 Ray老师 昇思MindSpore技术布道师 Eugene老师 两位老师不仅介绍了MindSpore TransFormers大模型微调和推理的相关概念、使用方法与部署经验，老师们手把手带教，通过实操练习，加强学员们对大模型微调和推理的理解，掌握使用特性。 本次“万物昇”昇思MindSpore技术培训班圆满告成，经过系统性的深度学习，辅以贴近真实业务场景的技术实践，切实为行业伙伴直面实际业务场景中的难点与痛点问题给予有效支持，为昇思生态的合作伙伴构建牢固的技术对话平台，帮助大家加深对昇思MindSpore的理解应用，推动昇思AI技术的开拓创新及行业发展。让我们期待与更多伙伴开发者同频共振、拥抱变化、共同成长。 --- https://www.mindspore.cn/news/zh/3142/ --- 新闻 昇思MindSpore开发者参赛成绩斐然 | 华为ICT大赛2023-2024全球总决赛圆满落幕 # 昇思MindSpore开发者参赛成绩斐然 | 华为ICT大赛2023-2024全球总决赛圆满落幕 2024/05/30 # 昇思MindSpore开发者参赛成绩斐然 | 华为ICT大赛2023-2024全球总决赛圆满落幕 2024年5月26日，华为ICT大赛2023-2024全球总决赛闭幕式暨颁奖典礼在深圳举行。本届大赛为历届最大规模的华为ICT大赛，共吸引了全球80多个国家和地区、2000多所院校、17万余名学生报名参赛，经过国家赛、区域赛层层选拔，最终来自49个国家和地区的161支队伍、476名参赛选手脱颖而出，进入全球总决赛并获得各奖项。 华为ICT大赛2023-2024全球总决赛闭幕式暨颁奖典礼现场 **MindSpore队伍在创新赛和实践赛中表现优异，斩获多项特等奖** 经过激烈比拼，共有9支队伍使用MindSpore框架荣获特等奖，其中，实践赛5支队伍，创新赛4支队伍，获奖队伍详细名单如下： 来自华中师范大学的学生彭若菲是本次全球总决赛创新赛特等奖获奖团队“ICT小队冲冲冲”的成员，“我在项目中负责算法部分，要使用YOLOv5技术进行一个目标检测的算法，实现对农作物病害的检测。实现这个算法得自己找数据集、打标签，进行模型的训练，这些内容课本中没有现成的答案。”彭若菲表示，真正实操一个项目时，才发现理论和实践之间的差距，“参加比赛让我对专业知识有了更深的理解。” “我们在比赛中看到了其他队伍提出的优秀解决方案，通过观摩其他参赛者的作品、与其他团队交流互动，可以增长见识、拓宽视野。”同样来自华中师范大学“ICT小队冲冲冲”的成员王庆焱说，“大学阶段能够全心投入地做一件事，这样的经历很难得。比赛也“驱动”我锻炼各种能力，包括语言表达、抗压能力和协调能力等。” 华为ICT大赛2023-2024全球总决赛特等奖队伍颁奖仪式 作为全国普通高校学科竞赛榜单项目、联合国教科文组织全球技能学院的关键伙伴旗舰项目，华为ICT大赛由实践赛与创新赛两大赛事组成，通过国家赛（中国省赛）、区域赛（中国国赛）、全球总决赛三级比拼赛制，配套专业完善的课程和资源，旨在培养学生创新意识和实践能力，加速创新型与应用型人才培养。从2015年至今，大赛已连续举办八届，本届大赛为历届最大规模的华为ICT大赛，共吸引了全球80多个国家和地区、2000多所院校、17万余名学生报名参赛，影响力日益增强。 昇思MindSpore开源社区高度积极参与、支持大赛，为使用MindSpore的参赛项目及队伍进行技术指导，不断优化升级项目质量。昇思MindSpore开发者们克服种种困难，经历多轮成果路演、方案调整修改，全力以赴、奋勇争先。经过激烈角逐，最终取得优异成绩。 --- https://www.mindspore.cn/news/zh/3147/ --- 新闻 多维度混合并行自动搜索优化策略 | 课程回顾 # 多维度混合并行自动搜索优化策略 | 课程回顾 2024/06/05 # 多维度混合并行自动搜索优化策略 | 课程回顾 昇思MindSpore技术公开课大模型专题精彩继续！上期课程我们带来了从深度学习并行模式到优化方案求解的全面讲解。下面我们对第十三讲的课程多维度混合并行自动搜索优化策略知识点进行总结： **01** **并行模式回顾** 并行模式主要包括数据并行和模型并行。 一些经典的并行架构包括了：Megatron-LM、GPipe、TeraPipe等。 **02** **时间损失模型建模回顾** 现有一些损失模型存在三个方案的不足。 根据理论推导，建立了考虑计算和通信的GPipe并行架构的时间损失模型： 考虑流水线模型划分，进一步推导了时间损失模型的包含可优化项的公式： **03** **改进多维度二分法回顾** 针对GPipe的流水线并行方案划分，介绍了改进多维度二分法： 并对其进行了示例说明： **04** **实验现象回顾** **05** **Automatic 3D Parallelism Strategies Search (APaSS/APSS)算法** 1）因为随着目前深度学习领域相关研究的推进，模型的参数越来越多超出了单个GPU的承受能力，特别是当下大语言模型的火热加剧了这一现状，需要从不同维度配合进行分布式训练。 2）现有的分布式训练策略有哪些：数据并行、张量并行、流水线并行以及序列并行 3）APaSS/APSS算法: - 基于对待训练模型的计算开销以及结合集群的候选通信开销的采集，利用启发式策略结合神经网络算法对3D并行策略进行求解。 - 利用对比强化学习策略离线对神经网络求解器进行训练，随后在迁移应用场景使用的时候无需微调和重新训练。 4）APaSS/APSS算法的使用: --- https://www.mindspore.cn/news/zh/3148/ --- 新闻 【邀请函】昇思MindSpore技术行走进上海漕河泾新兴技术开发区 # 【邀请函】昇思MindSpore技术行走进上海漕河泾新兴技术开发区 2024/06/05 # 【邀请函】昇思MindSpore技术行走进上海漕河泾新兴技术开发区 【邀请函】昇思MindSpore技术行走进上海漕河泾新兴技术开发区 --- https://www.mindspore.cn/news/zh/3150/ --- 新闻 课程回顾 | 昇思MindSpore AI框架师资培训（第四期） 西安站 # 课程回顾 | 昇思MindSpore AI框架师资培训（第四期） 西安站 2024/06/03 # 课程回顾 | 昇思MindSpore AI框架师资培训（第四期） 西安站 2024年5月18日至19日，全国高校计算机类课程能力提升高级研修班(2024年第四期)在陕西省西安市华为技术有限公司西安研究所召开，来自全国10所高校的近90位教师参加了此次培训。本次研修班由教育部高等学校计算机类专业教学指导委员会和全国高等学校计算机教育研究会主办、清华大学出版社与华为公司共同协办。其中，10所知名高校的53位教师参与了“MindSpore大模型训推微调实践”课程，共同讨论昇思MindSpore在大模型领域的实践应用，课程反响热烈，老师们对MindSpore的易用性提升和课程质量高度评价。 全体合影 《MindSpore大模型训推微调实践》课程培训由西安交通大学软件学院魏星副教授，华为吕昱峰、邢译壬老师担任讲师，10所知名高校的53位教师共同参与。 魏星老师分享了“MindSpore CV灵活易用的计算机视觉SOTA套件与MindSpore大模型训推微调实践”，全面细致的讲解了MindSpore CV套件的定位、研发经验、套件的整体架构、模型开发和训练全流程，并分享了在CV领域的研究经验和体会，以及在教学中的挑战和对未来的展望，邀请大家共建MindSpore CV套件开源项目。 西安交通大学软件学院魏星副教授 吕昱峰、邢译壬老师介绍了MindSpore的最新特性以及MindSpore使能大模型端到端全流程开发的套件，深入浅出的讲解了MindSpore使能大模型训练的自动并行技术，并基于昇思MindSpore带领老师们进行大模型应用实操演练。两天的培训理论结合丰富的代码实践，帮助老师快速上手基于昇思MindSpore的大模型微调、部署和推理开发。刘侯刚手把手带领现场老师运行基于ChatGLM的聊天机器人推理部署实践。庹元元组织的研讨环节反响热烈，各组老师积极参与，老师对MindSpore的课程质量评价很高；另外西安交通大学、西安电子科技大学、西安邮电大学、深圳大学等老师也分享了课程融入建议；有老师现场希望加入智能基座2.0，基于MindSpore开课。 昇思MindSpore生态技术SE吕昱峰 昇思MindSpore技术专家邢译壬 校企联合开展此类研修活动能够帮助学校及时了解行业的最新动态和技术发展趋势，企业也可直接参与到人才培养的过程中，培养符合国家技术发展需求的高素质人才，促进了产教融合和人才培养的良性循环。 华为将继续探索和实践产教融合的新路径，推动产业技术不断发展，携手更多的高校加入这一行列中来，帮助高校加强基础教育，扩展技术视野，让技术的力量得到更充分的释放，让创新的源泉更加涌流不息，也为培育未来的计算机行业新星贡献力量。 课程掠影 --- https://www.mindspore.cn/news/zh/3151/ --- 新闻 152万奖金池！昇思模型开发挑战赛正式发布 | 昇腾AI创新大赛 # 152万奖金池！昇思模型开发挑战赛正式发布 | 昇腾AI创新大赛 2024/06/03 # 152万奖金池！昇思模型开发挑战赛正式发布 | 昇腾AI创新大赛 152万奖金池！昇思模型开发挑战赛正式发布 | 昇腾AI创新大赛 --- https://www.mindspore.cn/news/zh/3153/ --- 新闻 官宣：6月22-23日松山湖，HDC 2024 量子编程训练营，诚邀您来参加，名额有限，速来报名。 # 官宣：6月22-23日松山湖，HDC 2024 量子编程训练营，诚邀您来参加，名额有限，速来报名。 2024/05/31 # 官宣：6月22-23日松山湖，HDC 2024 量子编程训练营，诚邀您来参加，名额有限，速来报名。 **01** **2024华为开发者大会-量子编程训练营** 每一个开发者 是立于时代潮头、地表好奇心最强的人 是心中有殿堂、指尖有魔法的人 是不惧挑战、遇强则愈强的人 是眼里有远方、仰望星空的人 …… 每一个开发者都了不起 欢迎关注，诚邀参会 **02** **相约溪村，报名参会** 华为开发者大会（HDC 2024）量子编程训练营&产品体验官，6月22日 - 23日，欢迎感兴趣的开发者报名参加，门票数量有限，先到先得。**添加\*\*\*\*小助手微信 LLT66TT，咨询HDC门票领取。** 扫码报名，现场赴约 感谢大家对量子信息前沿学科的关注，我们为大家准备了华为手环、多种风格的定制T恤、马克杯、晴雨伞、书籍等众多精美礼品，请大家加小助手微信 LLT66TT，参与现场活动，就有机会获得惊喜礼品哟！ --- https://www.mindspore.cn/news/zh/3154/ --- 新闻 走进上海交通大学，昇思MindSpore技术行暨智能基座昇腾高校行2024顺利举办 # 走进上海交通大学，昇思MindSpore技术行暨智能基座昇腾高校行2024顺利举办 2024/05/31 # 走进上海交通大学，昇思MindSpore技术行暨智能基座昇腾高校行2024顺利举办 2024年5月29日，昇思MindSpore技术行暨智能基座昇腾高校行2024在上海交通大学顺利举办，此次活动由上海交通大学学生创新中心、上海交通大学网络信息中心、上海人工智能研究院、上海昇思生态创新中心共同主办。活动现场技术专家与高校师生共聚一堂，进行深度技术交流与实践经验分享。 上海交通大学学生创新中心主任助理、创新实践部主任楚朋志老师在会上表示：生态的发展之路是艰辛的，在AI领域框架的发展难度要大很多，昇思MindSpore是国内极少数的优秀案例。昇思生态的繁荣离不开每位开发者，也希望每位同学都可以成为第一个吃螃蟹的人，每个案例甚至是某个库的issue都将成为整个生态不可或缺的一部分。希望通过今天的活动进一步了解昇思，爱上昇思。 上海交通大学学生创新中心主任助理、创新实践部主任楚朋志老师 上海昇思生态创新中心CEO蔡昉出席活动，他表示：上海昇思生态创新中心坚持以繁荣开发者生态为发展路线，为开发者提供多样化的技术服务，包括大赛、社区、培训、科研等形式，全方位支持高校学生与教师，以“学-练-训-赛”全周期成长路径联合培养人才。蔡昉现场邀请包含上海交大师生在内的高校开发者与昇思携手共进，共建人工智能学术、产业生态。 上海昇思生态创新中心CEO 蔡昉 随后，“智能基座”产教融合协同育人基地2023年未来之星颁奖仪式举行，对“智能基座”产教融合协同育人基地表现卓越的创新学员进行表彰。 2023年未来之星颁奖仪式 **赛事解读&经验分享** 活动中，2024华为ICT大赛昇腾赛道全球一等奖、全国特等奖团队学生代表带来获奖作品经验分享。获奖代表提到，同学们通过大赛提升了昇腾相关的知识水平和实践动手能力，对技术有了新的理解和创新能力。 2024华为ICT大赛昇腾赛道全球一等奖，全国特等奖团队学生代表 此外，华为运营专家对刚刚开启的2024全国昇腾AI创新大赛进行了赛事解读：高校开发者可以基于昇腾开发板进行应用创新，结合昇腾AI基础软件技术能力，完成可落地执行的AI作品方案。会上，2023年昇腾AI创新大赛获奖选手带来获奖经验分享，以参赛学生的视角，深入剖析，通过实际过往经验解答同学们对赛事的种种疑惑，帮助大家更好地理解赛事与个人能力提升的关系，增强参与赛事的信心和动力。 华为运营专家 **深度学习&开发体验** 昇思MindSpore技术专家Rui老师带领高校开发者们进行MindSpore深度学习，探究MindSpore总体架构下，如何通过MindSpore框架推导并解决大规模分布式面临的开发效率、训练性能、推理成本三大挑战，帮助同学们构筑MindSpore框架的知识基座。 昇思MindSpore技术专家Rui老师 现场，昇思MindSpore技术工程师带领高校开发者进行大模型开发体验。 --- https://www.mindspore.cn/news/zh/3157/ --- 新闻 昇思开发者高考寄语：考前深度学习金榜题名，考后“深度学习”改变世界 # 昇思开发者高考寄语：考前深度学习金榜题名，考后“深度学习”改变世界 2024/06/06 # 昇思开发者高考寄语：考前深度学习金榜题名，考后“深度学习”改变世界 明天就是高考了 十年寒窗磨一剑，今朝出鞘试锋芒 在此小编提前祝各位考生 考的都会，蒙的都对！ 做的都对，超常发挥！ 昇思MindSpore开发者们也为各位即将迈入大学校园的学子 送来了高考祝福 以及自己的大学经验分享~ **01** **哪些校园活动对您的深造有较深影响？** 此外在联邦学习，密码学和大规模语言模型等等方面，也有了从无到有的认识，为我的研究生生涯，做了一个比较好的奠基，而我现在在研究生阶段，也有继续参与到模型迁移prompt工程当中去，紧跟工业界和学术界的前沿，为开源做贡献。 第二个是在开源社区当中，认识到了很多的大佬，他们都是以非常开放包容的态度，去接纳我们，不仅是知识的提升和答疑解惑，更有他们人生经验的分享。 **02** **昇思MindSpore是什么？大学生可以从昇思MindSpore开源社区中学到什么？** 昇思MindSpore是一个开源的深度学习框架，那么我把人工智能比作一个汽车，那我们深度学习框架呢，它其实就像一个造车厂，你汽车里面所有的配件，都可以在深度学习框架里面去找到，因此呢我们就可以根据自己的喜好，根据你自己想要去实现的一个功能，使用我们的人工智能框架，去打造这样一个你心仪的模型，或者是人工智能的应用。 那如果我们同学们，想要去参与昇思MindSpore这样一个社区，那首先你肯定是可以学习到一些关于最先进的AI相关的一些应用以及一些知识，那除此之外呢，是可以参与一些社区里面的竞赛，或者是项目，那参加这些活动，可以非常好的锻炼，大家的开发能力和学习能力。 如果你做的好的话，社区也会为你颁布一些奖项，邀请你进行一些分享和演讲，也会非常锻炼你个人的一个演讲能力、表达能力。那像这些能力对于你个人未来，无论你是就业也好，升学也好，或者是你去考公的这些面试啊，都是非常重要的。 咱们这个昇思的开源社区是一个专门为MindSpore来做的一个开源社区。这个MindSpore非常的厉害啊，它是咱们国家完全自主研发，完全国产化的一个开源框架。所以说大家如果后面对深度学习这块的东西比较感兴趣，可以在高考之后的假期，或者以后的大学的时光里面，加入到咱们这个MindSpore的开源社区中来，希望大家也都可以，为咱们国产的深度学习（框架）提供一份自己的力量。 **03** **您对即将迈入大学校园的学子有什么建议吗？** \*\*王洁怡：\*\*大学是一个全新的开始，不论是学习还是课余生活，大家都不要给自己设限，去积极参与到各类活动当中。此外也不要忘记，MindSpore这个开放包容的开源社区平台，高考之后就可以动动小手参与进来啦！ \*\*王振邦：\*\*大学里面，我们最重要就是能有一个自己的自学能力。其实如果到时候，如果觉得上课听得不清楚，或者是觉得听的效率不高，我其实也非常推荐大家去进行一些自学，不管是你任何一门学科，在我们的互联网上，已经有非常非常多的一些网课的教材，不管你是在大学的MOOC、B站，都是有非常非常多优秀的老师录制的课程的，可能会比你自己去线下课听更加的精简、重点。同时呢你自学的时间，是比你上课的时间要短的。 **04** **有什么寄语送给即将参加高考的学子吗？** \*\*王洁怡：\*\*祝大家马到成功、高考一切顺利、金榜题名。 \*\*王振邦：\*\*考前重视，考中轻视，考后无视。那在考试过程中，大家一定要放平心态，不要把自己搞得太紧张，把自己的真实能力给他发挥出来。 \*\*张元侨：\*\*希望大家这几天放平心态，吃好睡好，都能考出各自应有的水平。 --- https://www.mindspore.cn/news/zh/3161/ --- 新闻 10万奖金池！CCF开源创新大赛昇思MindSpore社区赛道火热开启！ # 10万奖金池！CCF开源创新大赛昇思MindSpore社区赛道火热开启！ 2024/06/13 # 10万奖金池！CCF开源创新大赛昇思MindSpore社区赛道火热开启！ **赛事介绍：** 第七届CCF开源创新大赛由中国计算机学会（CCF）主办，长沙理工大学、CCF开源发展委员会联合承办。大赛面向国家“十四五”开源生态发展战略布局，聚焦“卡脖子”软件领域以及人工智能、大数据、芯片设计、物联网等前沿技术领域的开源软件，旨在为国内开源社区提供展示、交流、合作的平台，激发开源创新活力，培养开源实践人才，助力开源生态建设的高质量发展。 **基于昇思MindSpore AI框架的** **套件及大模型应用创新赛** 本届赛事中，昇思MindSpore开源社区联合OpenI启智社区发布赛道——**基于昇思MindSpore AI框架的套件及大模型应用创新赛**，旨在发掘和培育具有创新性和实用性的人工智能应用。OpenI启智社区为本赛道选手提供基础软硬件环境和算力资源。 - Openl启智社区注册入口：https://openi.pcl.ac.cn/ 添加交流群获取赛事算力 **01** **赛道任务** 参赛者需基于昇思MindSpore AI框架和昇思套件，设计并开发一款具有创新性、实用性和可扩展性的人工智能应用。该方案应能够解决某一具体领域的实际问题，并展示出卓越的性能和效果。 **02** **赛程安排** **2.1 报名与初赛（6月13日-9月20日）：** 1. 提交创意应用企划书：内容包含但不限于团队成员背景介绍、项目背景、产品说明、应用场景、商业价值、产品设计架构图、技术实现路径（体现昇思MindSpore AI框架与套件）等； 2. 提交基于昇思MindSpore的项目代码：将基于昇思MindSpore的项目简介、模型、代码等内容提交到GitLink； **2.2 复赛（9月23日-10月11日）：** 1. 提交完备的项目文件：将基于初赛完善的项目代码提交到GitLink； 2. 提交创意应用的DEMO； 3. 提交创意应用企划书（如有更新）； 4. 投递方式：请将以上材料与项目代码链接，投递至邮箱contact@public.mindspore.cn（请备注复赛+团队名，邮件收到确认答复，即为投递成功）。 **2.3 决赛（10月下旬）：** 决赛路演答辩与评审。 是时候展现你的实力和才华了，与志同道合的伙伴们一起，勇攀科技高峰！ --- https://www.mindspore.cn/news/zh/3164/ --- 新闻 MindSpore 2.3 RC2版本进一步强化动态图能力；昇思大模型开发挑战赛开启；社区助力通用求解模型智算天璇发布！ # MindSpore 2.3 RC2版本进一步强化动态图能力；昇思大模型开发挑战赛开启；社区助力通用求解模型智算天璇发布！ 2024/06/07 # MindSpore 2.3 RC2版本进一步强化动态图能力；昇思大模型开发挑战赛开启；社区助力通用求解模型智算天璇发布！ **_昇思MindSpore2024年5月份总结_** **01** **概述** 在技术发展方面，华为AI4SCI Lab团队联合北京航空航天大学科学智算团队，推出新一代方程通用求解模型——智算天璇OmniArch-α，为大规模复杂动力系统的正反求解提供统一的解决方案。另外，昇思MindSpore框架进行了性能优化，提出了算子直调的方式，即正向算子执行直接调用到底层算子接口，减少整体流程和数据结构转换开销，不同API，性能提升0.5~4倍，SD文生图训练端到端性能提升2倍+。 在社区运作方面，昇思MindSpore针对高校、教师、企业及开发者等不同群体，精心策划并举办了一系列多元化的活动。这些活动涵盖了技术论坛、创新训练营、开发者大赛以及教育研修班等多个领域，旨在全方位推动昇思MindSpore技术的发展与应用，并致力于培养和挖掘更多的AI技术人才。通过这些活动的举办，昇思MindSpore不仅加深了与各参与者之间的交流与合作，更为整个AI技术领域的发展注入了新的活力和动力。 昇思MindSpore模型开发挑战赛正式启动。作为昇腾AI创新大赛2024系列赛事之一，昇思MindSpore模型开发挑战赛专注于鼓励开发者围绕昇思MindSpore的开源能力，挑战并实现算法的极致性能，欢迎大家报名参加。 **02** **社区规模** 截至5月底，昇思MindSpore面向全球开发者，凝聚产业力量，持续打造人工智能创新之源。社区秉持开放透明原则，稳步建设开源生态，规模和活跃度得到持续提升。 昇思MindSpore累计下载量为**738万+**，2024年5月份增长了**16万+**； 发展\*\*3.1万+\*\*多名核心贡献者； 累计产生ISSUE共**38.4K**、PR共**93.4K**。 **03** **社区大事件** \*\*1、\*\***昇思MindSpore模型开发挑战赛正式发布** 5月10日，昇腾AI创新大赛2024正式启动。昇思MindSpore模型开发挑战赛作为昇腾AI创新大赛系列赛事之一，旨在培养昇思MindSpore开发者，鼓励开发者基于昇思MindSpore进行模型&算法创新与实践，并丰富昇思MindSpore开源社区生态。 **2、携手开发者，以基础软件使能AI创新——昇思AI框架及大模型技术论坛顺利举办** 2024年5月11日，在鲲鹏昇腾开发者大会2024（KADC2024）期间，昇思AI框架及大模型技术论坛顺利举办。该论坛聚焦于昇思MindSpore AI框架技术与使能大模型创新成果，7位来自昇思MindSpore开源社区各行各业的专家分享了框架技术及大模型创新成果实践，现场上百位高校科研院所、企事业单位AI开发者参会，共同探讨AI框架及大模型创新的技术发展趋势。 此外，昇思MindSpore还设置了hands-on（动手实践）和展览展示环节。任务趣味性强，开发者众多，现场氛围超常火爆，3天累计接待1500+位客户，1100+位开发者完成任务体验。 **3、昇思创新训练营·深圳站成功举办！** 5月25-26日，昇思MindSpore创新训练营·深圳站在中山大学深圳校区顺利举办，本次训练营将大模型理论与实践紧密结合，致力于打造一个充满挑战与创新的学习环境，让学员们在探索中学习，在学习中成长。通过一系列深入浅出的讲解、丰富的案例分析以及动手实践的机会，本次活动不仅让每一位参与者在技术上获得显著提升，实现个人能力的飞跃。也通过团队合作和相互交流，激发了学员们对人工智能技术的热情和探索精神。 **4、华为ICT大赛2023-2024全球总决赛圆满落幕，昇思MindSpore开发者参赛成绩斐然** 2024年5月26日，华为ICT大赛2023-2024全球总决赛闭幕式暨颁奖典礼在深圳举行。本届大赛为历届最大规模的华为ICT大赛，共吸引了全球80多个国家和地区、2000多所院校、17万余名学生报名参赛，经过国家赛、区域赛层层选拔，最终来自49个国家和地区的161支队伍、476名参赛选手脱颖而出，进入全球总决赛并获得各奖项。其中，共有9支队伍使用MindSpore框架荣获特等奖，包括，实践赛5支队伍，创新赛4支队伍。 **5、昇思MindSpore技术行暨智能基座昇腾高校行2024顺利举办** 2024年5月29日，昇思MindSpore技术行暨智能基座昇腾高校行2024在上海交通大学顺利举办。在本次活动中，华为运营专家对刚刚开启的2024全国昇腾AI创新大赛进行了赛事解读，同时，2023年昇腾AI创新大赛获奖选手也给大家分享了相关获奖经验。 此外，昇思MindSpore技术专家Rui老师带领高校开发者们进行MindSpore深度学习，探究MindSpore总体架构下，如何通过MindSpore框架推导并解决大规模分布式面临的开发效率、训练性能、推理成本三大挑战，帮助同学们构筑MindSpore框架的知识基座。 \*\*6、\*\***全国高校计算机类课程能力提升高级研修班(2024年第四期)在西安召开** 2024年5月18日至19日，全国高校计算机类课程能力提升高级研修班(2024年第四期)在陕西省西安市华为技术有限公司西安研究所召开，来自全国10所高校的近90位教师参加了此次培训，共同讨论昇思MindSpore在大模型领域的实践应用。 本次研修班由教育部高等学校计算机类专业教学指导委员会和全国高等学校计算机教育研究会主办、清华大学出版社与华为公司共同协办。其中，《MindSpore大模型训推微调实践》课程培训由西安交通大学软件学院魏星副教授，华为吕昱峰、邢译壬老师担任讲师，10所知名高校的53位教师共同参与。 **7、中科视语基于昇思MindSpore打造视语坤川大模型，赋能智慧交通等多领域行业** 5月11日，昇思AI框架及大模型技术论坛，在北京圆满举办。会上，中科视语（北京）科技有限公司副总经理赵旭围绕“视语坤川大模型研发及行业应用案例”发表主题演讲。中科视语融合大模型技术，基于昇腾AI硬件与昇思MindSpore AI框架，打造出了面向行业的大模型——视语坤川。这一模型不仅具备强大的学习能力，还能结合行业特有的历史数据、经验知识和业务流程，为行业带来前所未有的突破。 **8、软通动力携手昇思MindSpore打造大模型训推一体机解决方案，赋能企业建设大模型能力** 现阶段，在各行各业的规模化应用落地方面，大模型面临着精准度不够、与业务系统联动不足、数据安全担忧、算力成本居高不下等问题。软通动力基于当前企业建设大模型的难点和挑战，融合多年丰富的行业经验，携手昇腾AI和昇思MindSpore AI框架，打造大模型训推一体机解决方案。 作为自主创新的软硬一体解决方案，软通AI训推一体化平台支持大规模集群计算环境下NPU等异构计算资源按需、高效、自动调度，可为客户提供数据中心、开发中心、训练中心、模型中心、服务中心等一站式服务能力。 **9、“万物昇”昇思MindSpore技术培训班在上海顺利举办** 5月24日，“万物昇”昇思MindSpore技术培训班在上海顺利举办。此次培训经过系统的深度学习和贴近真实业务场景的技术实践，切实为行业伙伴直面实际业务场景中的难点与痛点问题给予有效支持。同时，本次培训也为昇思生态的合作伙伴提供了一个坚实的技术对话平台，加深了参与者对昇思MindSpore的理解应用，进一步推动昇思AI技术的开拓创新及行业发展。 **10、\*\*\*\*「智启未来」| 2024昇腾AI金种子实训班（合肥站）“皖”美收官** 5月18日，一场旨在加速安徽省人工智能领域人才培养与技术创新的重要活动——2024昇腾AI金种子实训班（合肥站），在热烈的气氛中圆满结束。在本次活动中，昇思MindSpore布道师李海涛深入剖析MindSpore大模型原生开发，展示了MindSpore Transformers套件如何覆盖大模型的原生开发流程，包括开发、训练、微调、评估、推理和部署等各个环节。 **11、累计观看过万，MindSpore Quantum SIG 5月份陆续举办6场直播分享** 昇思MindSpore Quantum SIG在5月份连续举办3场量子计算组会一起开论文直播分享，分别邀请到冯嘉进博士（北京大学）、苏国贤博士（中国科学技术大学&海德堡大学联培） 、倪晓慧博士（北京邮电大学）分享论文，蔻享、B站累积观看次数达1万+。 此外，昇思MindSpore Quantum SIG还进行了3场关于“第六届•2024 MindSpore 量子计算黑客松”初赛的赛题直播宣讲，参赛选手的积极性非常高，目前报名人数达到500+，覆盖了180+所高校。 **04** **技术进展** **1**\*\*、\*\***实现数理方程的“AI大统一”！基于昇思MindSpore打造的北航智算天璇基础模型OmniArch首次亮相** 华为AI4SCI Lab团队联合北京航空航天大学科学智算团队，推出新一代方程通用求解模型——智算天璇OmniArch-α，为大规模复杂动力系统的正反求解提供统一的解决方案。该项成果在鲲鹏昇腾开发者大会2024上首次亮相，并计划在下半年正式推出。 目前，在全球范围内，北航智算天璇（OmniArch）模型首次实现了对1D、2D、3D的PDE数据的联合训练，实现了几十类正反求解问题的统一求解，在zero-shot的数据集上，相比现有的SOTA方法精度提升1个数量级。 \*\*2、\*\***动态图：算子直调提升API性能** 在昇思MindSpore框架中，大部分的API使用了小算子进行拼接，因此会有额外的Python和算子launch开销。此外当前MindSpore动态图单算子执行时，使用了单算子子图进行执行，需要进行单算子子图构图，编译优化，算子选择，算子编译等一系列操作，首轮性能较差。针对这两点进行性能优化，提出了算子直调的方式，即正向算子执行直接调用到底层算子接口，减少整体流程和数据结构转换开销。不同API，性能提升0.5~4倍，SD文生图训练端到端性能提升2倍+。 **05** **社区案例** \*\*1、\*\***中科昇腾推出全新AI微服务产品，加速大模型应用** 中科昇腾（西安）科技有限公司宣布推出其最新的AI微服务产品——数智赋能引擎AIM，旨在全方位加速大模型应用，支持私有化部署，助力客户完成数字化、智能化的转型升级。 AIM支持多种AI模型，包括开源社区模型、昇思MindSpore AI基础模型以及昇腾AI产业生态众多合作伙伴提供的自定义AI模型。通过提供微服务和云端端点目录，开发者能够更快速、方便地构建和部署AI应用，满足不断变化的市场需求。 \*\*2、\*\***香橙派Ai Pro开发板预置昇思MindSpore，助力开发者玩转模型创新** 昇思MindSpore开源社区与香橙派紧密合作，共同攻关实现香橙派Ai Pro开发板的系统镜像预置昇思MindSpore AI框架。在后续版本迭代中，持续演进并已支持MindSpore官网教程涵盖的全部网络模型。香橙派Ai Pro开发板向开发者提供的官方系统镜像包括openEuler版本和ubuntu版本，两个镜像版本均已预置昇思MindSpore，便于用户体验软硬协同优化后带来的高效开发体验。 **06** **技术分享** \*\*1、\*\***基于昇思MindSpore具有可解释自适应优化的联邦因果发现** 因果发现作为一种从观测数据中发现其背后的潜在因果结构与生成关系的研究方向，受到多个学科领域的广泛关注与研究。然而，因果发现算法受限于数据的数量和质量，这要求研究者从多个机构或地域中采集数据并用于因果结构学习，而随着隐私意识的增强，以及不同机构、地域的数据之间存在分布差异，从而产生了一系列问题。 为了解决这些问题，文中所提到的方法将联邦因果模型的局部和全局优化统一为一个具有一致性优化目标的完整DAG学习过程。作者同时证明了算法的优化目标可以被灵活的解释为两种形式以自适应的处理分散在不同机构或地域的同构和异构数据。 \*\*2、\*\***基于昇思MindSpore的多维度公平性联邦学习** 在联邦学习领域中，群体公平和客户端公平是联邦学习领域中两个重要的亟需解决的公平性问题。本文提出了一种有效的方法mFairFL。mFairFL将优化问题定义为一个具有群体公平约束的极大极小问题，并在全局模型训练时调整有冲突的客户端梯度的大小和方向，以同时实现群体公平和客户端公平。理论研究和实证结果都验证了mFairFL的有效性。 \*\*3、\*\***探索多种AI大模型：自然语言与生物信息的完美交汇** 该综述提供了对生物分子与自然语言整合新兴领域的全面审查。首先详细介绍了各种生物分子表示形式，如图和序列，突出了它们在生物研究中的重要性。然后探讨了整合背后的直觉和目标，强调了将生物分子数据与自然语言相结合的好处，以增进理解和获得新见解。接着，深入探讨了不同的学习框架，如基于GPT的训练和多流模型，并探讨了表示学习的复杂性，涵盖了训练任务和策略等方面。还展示了该整合方法在各种应用中的益处。此外，收集了关于数据集/基准、模型和代表性基准摘要的资源，以促进该领域的研究与发展（详情资源见原文）。 \*\*4、\*\***基于昇思MindSpore梯度差异最小化的联邦多源领域泛化** 本文研究模型在不同端上部署（数据去中心化）场景下的多源领域泛化问题, 设计了一个基于梯度差异最小化的联邦多源领域泛化方法。本文提出域内梯度匹配来学习数据的本质语义信息以便提升模型的跨域泛化能力，同时提出域间梯度匹配来减小去中心化场景下相互独立的各个源域之间的域差异。我们使用昇思MindSpore架构实现了所提出的算法并展现其在效率和准确性上的优势。 \*\*5、\*\***基于昇思MindSpore实现图文检索的外部空间注意力聚合** 这篇文章中跳出了目标级注意力的思想框架，并提出了可即插即用的外部空间注意力聚合ESA，可以实现在空间语义维度层级上灵活聚合辨别性信息。我们还提出了自扩展三元组损失SEL，通过将样本点转化为局部空间来约束表示空间对齐。在多个backbone组合下的大量实验证明我们的方式在保证高效推理的同时实现更优越的性能。我们方法没有采用视觉语言预训练VLP，在检索速度和性能上就超过采用相同backbone但是用了更多预训练数据的VLP方法。这是一个有希望的结果并可能启发更多图文检索的工作通过表示向量的维度角度研究有效且高效的检索方法。 \*\*6、\*\***高阈值、低冗余的容错量子内存：双变量自行车码** 随着量子计算的产业逐年扩大，量子硬件不断规模化，量子比特数上升到1000量级。在此规模的NISQ硬件上，能否实现有效的量子算法？能否通过编码出高质量的逻辑比特来提升计算能力？能否更高效的编码出数量更多的逻辑比特？针对这些问题，IBM团队提出了基于qLDPC码的高编码率编码方案，例如可以用144个物理比特编码出12个逻辑比特，四月发表在Nature上。 本文是qLDPC第一篇登上Nature的理论文章，且以数值计算为主，反应了基于qLDPC码的高编码率量子纠错码对实现容错量子计算的重要性。 点击查看原文：https://mp.weixin.qq.com/s/j5mjz\_d3FwoMN9b4IVRbcQ \*\*7、\*\***量子退火中的误差缓解** 量子计算在某些问题的解决效率上有着超越经典计算机的潜力，但目前的量子计算机比特数量较少，且含有一定噪声，如何减小噪声的影响，是一个非常有挑战性的问题。本期内容介绍一种在超导量子退火机上可用的零误差外推误差缓解方法，该方法包括“零温度外推”和“能量-时间重缩放”。通过该技术，可以使量子退火芯片的相干演化时长增加一个数量级，从而推进量子算法的实用化。 点击查看原文：https://mp.weixin.qq.com/s/HTA-kFlLwOQrqixw5keWGA **07** **感谢每一位\*\*\*\*朋友、开发者的支持** 在此感谢社区伙伴们、可爱的小孢子们以及昇思MindSpore SIG组成员们，因为大家的共同努力及辛勤奉献，昇思MindSpore才能不断成长与发展！同时我们对可能出现的不完善之处向您表示诚挚的歉意，并衷心感谢您的理解与支持。 截至2024年5月底，昇思MindSpore下载量已超过**738万**，未来，昇思MindSpore AI框架将持续致力于打造人工智能创新之源，凝聚产业力量，扎根AI根技术，使能大模型与科学智能，成为AI创新的首选框架。 --- https://www.mindspore.cn/news/zh/3194/ --- 新闻 学AI还能赢奖品？每天30分钟，25天打通AI任督二脉 # 学AI还能赢奖品？每天30分钟，25天打通AI任督二脉 2024/06/17 # 学AI还能赢奖品？每天30分钟，25天打通AI任督二脉 人工智能正如同一股不可阻挡的潮流， 席卷每一个角落。 **你是否曾梦想过驾驭这股浪潮，** **成为AI领域的弄潮儿？** 现在，星辰大海的征途，从这里启航！ **【昇思MindSpore 25天学习打卡营】** 正式启动！ 邀您共赴智慧盛宴！ **昇思MindSpore 25天学习打卡营** 昇思MindSpore 25天学习打卡营，是昇思MindSpore开源社区为开发者打造的能力提升项目，课程内容涵盖AI框架基础知识、经典神经网络实践、AI+X应用实践，以及大模型理论与实践，每天30分钟，25天打通你的AI任督二脉。 扫码添加打卡营微信群 - **打卡营亮点：** 1. \*\*实战铸剑：\*\*理论与实践的双剑合璧，锻造属于你的AI利器。从零到一的学习AI框架基础知识，并通过经典神经网络模型和大模型实践，快速提升AI实践能力。 2. \*\*专家指路：\*\*昇思MindSpore专家全程辅导，提供社群答疑，同时本次打卡营的课程均以Jupyter呈现，助力开发者快速掌握技术要点。 3. \*\*奖品璀璨：\*\*本次为开发者提供Ascend算力，助力开发者学习；完成25天课程打卡，更有惊喜大奖等你来夺！ --- https://www.mindspore.cn/news/zh/3197/ --- 新闻 脑洞大开：AI黄金时代下，AI会和人相爱吗？（资讯更新系列） # 脑洞大开：AI黄金时代下，AI会和人相爱吗？（资讯更新系列） 2024/06/19 # 脑洞大开：AI黄金时代下，AI会和人相爱吗？（资讯更新系列） A：Hello，小麦（小Mi），请播报近期AI类新闻 B：1.AI教父Hinton：我支持超级AI取代人类！；2.国产Sora开源！清华团队发布Vidu大模型，可直接生成16秒视频；3.AI视频新霸主诞生！Dream Machine官宣免费用，电影级大片全网玩疯...... 在人工智能的黄金时代降临之际，MindSpore坛主在享受由大模型技术带来的前所未有的便利和愉悦的同时，也不免在某些清醒的瞬间，被一系列深刻的问题所困扰。未来是否真会迎来一个由机器智能主导的时代，人类的角色和地位将何去何从？是否会有那么一个转折点，人类在工作、创造甚至情感上被高级智能所取代，从而引发一系列社会结构和伦理道德的重大变革？这样的忧虑并非空穴来风，随着AI在各个领域的应用日益广泛和深入，其潜在的影响力和替代性已经引起了社会各界的广泛关注和讨论。不仅仅是工作岗位的流失，更是人类智慧和创造力的独特价值是否能够被机器所复制或超越。更进一步，他思考的是，如果AI发展到能够理解并模仿人类情感，甚至与人类建立起某种形式的情感联系，那么人类与机器的界限将变得模糊，我们又将如何定义自我？此外，在AI的辅助或主导下，人类社会是否能够达到一个新的文明高度，或者相反，我们是否会面临被自己创造的技术所颠覆的风险？这些问题如同打开了一个个充满未知的潘多拉魔盒，产生了既为AI技术带来的变革和机遇感到兴奋，又对未来可能出现的挑战和风险感到忧虑的矛盾心理。 那么今天，MindSpore坛主就带大家来了解下如今AI的**应用场景**具体有哪些呢？ 1、健康医疗：AI在医疗领域中用于辅助诊断、患者监护、药物研发、基因组学分析等。 2、自动驾驶汽车：使用机器学习和计算机视觉技术，自动驾驶汽车能够识别交通信号、行人和其他车辆。 3、智能家居：AI技术用于控制家庭自动化系统，如智能恒温器、智能照明和安全系统。 4、客户服务：AI聊天机器人和虚拟助手可以提供24/7的客户支持，处理查询和解决问题。 5、金融服务：在银行和投资领域，AI用于风险管理、欺诈检测、算法交易和个性化财务建议。 6、教育：AI可以提供个性化学习体验，根据学生的学习进度和能力调整教学内容和速度。 7、制造业：AI在制造业中用于预测性维护、质量控制、供应链优化和自动化生产线。 8、零售业：AI帮助零售商进行库存管理、个性化推荐、顾客行为分析和自动化客服。 9、农业：AI技术用于精准农业，包括作物监测、病虫害检测、土壤分析和自动化农业机械。 10、安全监控：AI在视频监控系统中用于面部识别、异常行为检测和安全威胁预警。 11、内容创作：AI可以生成音乐、艺术作品、写作和视频内容，甚至参与电影和游戏的设计。 12、语言翻译：AI翻译工具能够实时翻译多种语言，帮助跨文化交流和国际商务。 13、法律服务：AI在法律领域中用于案件分析、文件审查和合同管理。 14、科学研究：AI用于数据分析、模式识别和复杂科学问题的模拟。 15、人力资源：AI在招聘过程中用于简历筛选、候选人评估和员工绩效分析。 16、环境监测：AI用于气候模型分析、污染监测和生态系统保护。 17、交通管理：AI在交通系统中用于优化路线、减少拥堵和提高道路安全。 18、个性化推荐：在音乐、视频流媒体服务和电子商务中，AI用于提供个性化的内容推荐。 19、网络安全：AI用于检测和防御网络攻击，识别恶意软件和钓鱼攻击。 20、空间探索：AI在太空探索中用于数据分析、自主导航和机器人操作。 ..... 这么一罗列之后才恍然大悟，原来人工智能的触角已经延伸到了我们生活的每一个细微之处，它的存在感如此强烈，却又如此自然地融入了我们的世界。 简单介绍到此结束，那么本期推出的主要资讯内容如下： # **1、社区助力通用求解模型智算天璇发布！在技术发展方面，华为AI4SCI Lab团队联合北京航空航天大学科学智算团队，推出新一代方程通用求解模型——智算天璇OmniArch-α，为大规模复杂动力系统的正反求解提供统一的解决方案。另外，昇思MindSpore框架进行了性能优化，提出了算子直调的方式，即正向算子执行直接调用到底层算子接口，减少整体流程和数据结构转换开销，不同API，性能提升0.5~4倍，SD文生图训练端到端性能提升2倍+。** # **2、LLM最全「怪癖」首曝光！马里兰OpenAI等30+学者祭出75页提示报告。研究者发现，重复某些提示中的部分内容会显著提高模型的性能。例如，在自杀危机检测的案例中，由于邮件内容意外重复，模型的准确性得到了提高。此外，提示中包含人名也很重要，如果名字被匿名或替换，模型的准确性同样会下降。研究还指出，示例的选择和顺序对LLM的输出性能有显著影响。同一示例以不同顺序出现，可以使模型的准确度在50%以下或90%以上不等。此外，代码辅助推理在某些案例中显示出巨大潜力，自动化提示优化的潜力也很大。** 3、最近，苹果公司对 Siri 进行了重大升级，计划将 ChatGPT 集成到 Siri 中，以提升其功能和用户体验。苹果将允许用户使用外部模型，Siri 可以接入 OpenAI 的 ChatGPT。IOS 18、iPadOS 18 和 macOS Sequoia 将集成 ChatGPT 功能，苹果还将增加其他第三方人工智能模型。升级后的 Siri 将能够更好地理解自然语言，处理上下文信息，并在应用程序中或跨应用程序执行操作。 4、微软Build 2024开发者大会首日举行的主旨演讲中，OpenAI首席执行官山姆·奥特曼（Sam Altman）突然现身，与微软的首席技术官凯文·斯科特（Kevin Scott）进行了一场精彩的对话，共同探讨了OpenAI的未来发展方向，以及微软在超级计算机领域的宏伟蓝图。奥特曼并未直接宣布发布任何新产品，但他的讲话中充满了对OpenAI未来模型的期待，似乎有意无意地透露了一些关于下一代GPT模型的线索。 # **5、谷歌推出最强大 AI 模型 Gemini 1.5 Pro，应对 OpenAI 挑战。该模型速度更快，体积更小，部署更加灵活，并支持多模态。与功能更强大的版本一样，Gemini 1.5 Flash可以接收大量数据，同时针对聊天应用、视频和图像字幕进行了优化。** 6、近日，推特上有人曝出：美国斯坦福大学的一个 AI 团队疑似抄袭、「套壳」一家中国大模型公司的开源成果，模型架构与代码完全相同。斯坦福Llama3V 团队声称，他们「只是使用了 套壳面壁MiniCPM-Llama3-V 2.5 的 tokenizer」，并宣称「在 MiniCPM-Llama3-V 2.5 发布前就开始了这项工作」。套壳面壁团队最终通过测试 ，发现 Llama3V 与 MiniCPM-Llama3-V 2.5 在「胎记」般案例上的表现 100% 雷同，「不仅正确的地方一模一样，连错误的地方也一模一样」。至此，「斯坦福抄袭中国大模型」一事不胫而走。 7、大模型是世界模型吗？UA微软等机构最新研究发现，GPT-4在复杂环境的模拟中，准确率甚至不及60%。对此，LeCun激动地表示，世界模型永远都不可能是LLM。 8、近日最新发布的Stable Diffusion 3和Luma AI的视频生成模型Dream Machine相继发布，但这两个模型却用非常独特的方式震撼到了网友们。Dream Machine加上二创脑洞成为快乐源泉，SD3输出的诡异图片却散发着浓浓的「黑色幽默」。昨天诞生的AI视频新霸主——Luma AI的Dream Machine，再次在整个互联网掀起高潮。网友们昨天还集体表示，要舍弃Pika和Runway了，Dream Machine最好！ # **9、欧洲「OpenAI」崛起！Mistral一年估值暴涨至60亿，60人团队创奇迹。目前Mistral，已经可以和OpenAI、Anthropic这些硅谷独角兽相提并论，开发出的Mistral/Mixtral系列模型很可能已经在某些场景中取代了GPT-3.5。** ## **10、在Computex 2024大会上，Stability AI联合首席执行官Christian Laforte正式官宣：SD 3 Medium将在6月12日公开发布。这是生图圈子第一个出现开源碾压闭源的奇景！强大的MMDiT全新架构，将彻底改变AI生图的格局。** ...... Okk，本期的资讯分享就这样happy ending啦~ 所以大家是不是可以思考一下我们的标题——**AI黄金时代下，AI会和人相爱吗？大家是怎么看待人和AI的关系呢？** --- https://www.mindspore.cn/news/zh/3199/ --- 新闻 GAITC 2024：昇腾AI基础软件CANN与MindSpore精彩亮相 # GAITC 2024：昇腾AI基础软件CANN与MindSpore精彩亮相 2024/06/26 # GAITC 2024：昇腾AI基础软件CANN与MindSpore精彩亮相 6月22日至6月23日，2024全球人工智能技术大会（GAITC 2024）在杭州未来科技城举行。昇腾AI基础软件CANN与昇思MindSpore作为人工智能学会基金合作项目，积极参与本次大会，在大会开幕式、展览展示区、专题论坛上均有重磅亮相，以不同形式展示在人工智能领域的技术创新、学术成果与合作实践，吸引数百位专家学者、开发者现场了解昇腾AI基础软件技术与高校学术生态。 **主论坛：重磅颁奖与主题分享** 大会开幕式上，国务院参事、中国工程院院士、中国人工智能学会理事长戴琼海、CAAI 副理事长、中国工程院院士何友和华为昇腾计算业务CTO周斌为获评中国人工智能学会-昇思MindSpore学术基金优秀项目的成果完成人颁奖，本次共计20个优秀项目的成果完成人获得奖项。中国人工智能学会-昇思MindSpore学术基金孵化的85个项目参会与结题答辩，汇报项目成果和基于MindSpore的科研实践经验，最终评选出20个优秀项目并在开幕式进行表彰，以激励学术界加强基于昇思的AI创新。 大会的主题发言中，华为昇腾计算业务CTO周斌作了题为《一起昇腾，智创未来》的分享，向线上线下参会的全体学术界、产业界专家、商业领袖全面介绍了昇腾AI基础软件，从支持算子开发的异构计算架构CANN、使能大模型创新的AI框架昇思MindSpore、加速应用部署的推理引擎MindIE到应用使能，展示了昇腾AI全流程使能大模型的软件能力，赢得现场参会专家的高度认可。 **展览展示：** **技术实力与生态成果全面呈现** 全球人工智能技术大会主论坛展览展示区域，昇腾AI展示了软件技术、高校学术生态计划与行业落地成果。昇腾AI基础软件提供了异构计算架构CANN、昇思MindSpore AI框架、MindIE推理引擎等软件技术，从开发、训练、调试调优到推理部署端到端助力大模型创新。 高校学术生态上，现场展示了昇腾原生人才高校促进计划、科研创新使能计划、卓越中心和孵化中心等合作项目，为培养昇腾原生人才与使能科研创新提供扶持。 产业上，现场展示了多种算力服务提供模式与昇腾AI行业成果，覆盖数字政府、电信运营商、金融、教育、医疗、能源、制造等重要行业，重点展示了昇腾AI在浙江的繁荣产业生态。参与大会的专家、开发者在昇腾AI展区积极了解技术、生态计划和应用成果，为后续合作打下基础。 **CANN与MindSpore专题论坛：** **技术盛宴与实践经验** “异构计算架构CANN使能算子与大模型原生开发论坛”作为本次大会的另一个重要分论坛之一，于6月22日下午顺利举行，该论坛向开发者朋友们解读CANN进一步开放以及Ascend C 2.0最新升级技术内容，同时邀请多位嘉宾分享Ascend C在高校教学推广的实践案例和基于昇腾CANN的最新科研成果。会上，昇腾AI原生创新算子挑战赛（S2赛季）正式启动，同步进行了赛事顾问的聘请仪式。 活动合影 “昇思MindSpore赋能大模型&科学智能创新论坛”在6月22日下午成功举办，100+专家学者、开发者共聚一堂，探讨大模型和科学智能的创新方向，分享基于昇思MindSpore的前沿学术创新成果和实践经验。6位来自高校与企业的专家，现场分享了人工智能技术在不同领域的研究进展。 活动合影 本届大会由20余位中外院士领衔、200多位专家围绕AIGC应用、智能交互、AI人才培养等几十项热门议题展开深入探讨，从学术、技术、产业层面剖析智能时代带来的机遇与挑战，以国际化、尖端化、前瞻化的理念及视角，勾勒人工智能发展蓝图、赋能产业发展。昇腾AI以技术实力与繁荣的产业生态，为参与大会的专家学者、开发者提供了技术盛宴与实践支持，将为中国人工智能学术、产业创新带来全新气象。 --- https://www.mindspore.cn/news/zh/3200/ --- 新闻 WAIC 2024 | 昇腾人工智能产业高峰论坛诚邀您参会 # WAIC 2024 | 昇腾人工智能产业高峰论坛诚邀您参会 2024/06/26 # WAIC 2024 | 昇腾人工智能产业高峰论坛诚邀您参会 WAIC 2024 | 昇腾人工智能产业高峰论坛诚邀您参会 --- https://www.mindspore.cn/news/zh/3202/ --- 新闻 赋能学术创新，GAITC2024昇思MindSpore专题论坛成功举办 # 赋能学术创新，GAITC2024昇思MindSpore专题论坛成功举办 2024/06/24 # 赋能学术创新，GAITC2024昇思MindSpore专题论坛成功举办 2024年6月22日，GAITC 2024—昇思MindSpore赋能大模型&科学智能创新论坛在浙江杭州成功举办，100+专家学者、开发者共聚一堂，探讨大模型和科学智能的创新方向，分享基于昇思MindSpore的前沿学术创新成果和实践经验。6位来自高校与企业的专家，现场分享了人工智能技术在不同领域的研究进展。 华为技术有限公司昇思开发部部长，华为软件领域助理科学家王紫东博士带来《昇思MindSpore2.3版本技术详解》主题分享，对昇思MindSpore 2.3版本在高效率开发，高性能训练，低成本推理三大能力上的进一步升级做了深入解读，为各位专家、学者的研究创新提供了领先的基础软件工具。 天津大学智能与计算学部教授，人工智能学院副院长王鑫老师带来《昇思MindSpore赋能中医药领域大模型研发新进展》主题分享，详细介绍了依托昇思MindSpore开发的“海河·岐伯”大模型的能力和技术架构，并分享了大模型技术赋能传统中医药的难点和创新点，期望未来有更多专家学者能够就中医药的发展进行交流合作。 北京大学王选计算机研究所研究员刘洋老师带来《具身智能场景下的多模态感知算法研究与MindSpore科研实践》主题分享，详细介绍了昇思MindSpore在具身智能场景下的多模态感知算法研究中的实践应用以及最新的技术前沿探索，并指出具身通用智能体需要实现的回忆过去、感知当下与推理和未来规划的几大能力。 浙江大学副教授张宁豫老师带来《大模型时代的知识处理：机理、方法与应用》主题分享，深度介绍了知识处理在大模型时代下的发展路线，以及在昇思MindSpore上面的应用实现。 山东大学软件学院王峻教授老师带来《MindSpore框架下的生物数据因果学习方法》主题分享，介绍在面对复杂的生物数据，昇思MindSpore对于疾病大数据的可解释分析的能力。昇思MindSpore可以支撑进行多种分子之间的因果学习的研究，也支撑到了包括遗传分子的功能解析、疾病智能诊疗、玉米作物的智能育种上，希望在未来的工作当中继续基于昇思MindSpore框架进行多学科的交叉研究。 浙江大学百人计划研究员张强老师带来《语言与知识驱动的科学发现》主题分享，介绍了利用昇思MindSpore在大模型和科学智能上的技术能力，在科学智能和大语言模型的结合研究进展。 本次论坛由中国人工智能学会主办，华为技术有限公司、昇思MindSpore开源社区协办，旨在为学术创新与开发者实践提供交流共享的平台，论坛同步开启直播，线上线下累计超过2000多位专家学者、开发者参会。 --- https://www.mindspore.cn/news/zh/3205/ --- 新闻 昇思MindSpore技术行•走进上海漕河泾新兴技术开发区活动顺利举办 # 昇思MindSpore技术行•走进上海漕河泾新兴技术开发区活动顺利举办 2024/06/21 # 昇思MindSpore技术行•走进上海漕河泾新兴技术开发区活动顺利举办 6月21日，昇思MindSpore技术行•走进上海漕河泾新兴技术开发区活动成功举办。本次活动旨在推广昇思MindSpore AI框架技术，为广大开发者打造大模型高效学习平台，加速使能大模型创新、推动行业落地应用。上海电信、华讯、新致软件、星图比特等10多家企业的超50位人工智能领域研发专家出席并了解、学习技术，漕河泾运营管理公司总经理助理、科创事业部总经理黄静、上海昇思生态创新中心CEO蔡昉出席活动。 活动由昇思MindSpore开源社区指导，上海市漕河泾新兴技术开发区发展总公司、上海昇思生态创新中心主办，上海计算机软件技术开发中心、上海市计算机学会软件工程专委会共同协办。 漕河泾运营管理公司总经理助理、科创事业部总经理黄静出席活动，她表示：漕河泾开发区作为科技创新和产业发展的重要基地，始终致力于推动人工智能等前沿产业的发展。同时很高兴与上海昇思生态创新中心携手，共同构建人工智能产业的创新生态，助力区域经济的持续繁荣。 上海昇思生态创新中心CEO蔡昉为学员们带来开班致辞，欢迎各位开发者一同深入研讨人工智能技术的开发与应用能力，一起促进AI生态发展的思考盛宴，同时也欢迎各界伙伴到上海昇思生态创新中心参观交流。 **昇思MindSpore深度学习，** **赋能开发者前行** 上海昇腾人工智能生态创新中心CTO贾挺猛老师为学员们深入解析昇腾AI基础软硬件及其生态体系，从底层硬件到上层应用的全栈架构为AI应用开发和部署提供全面支持。昇腾AI全栈凭借卓越性能、广泛兼容性和高效开发工具链等优势，助力企业和开发者快速实现AI技术的商业化应用。 昇思MindSpore技术布道师Geng老师指出昇思MindSpore通过持续迭代，加速AI底座的创新进程，为行业智能化提供强劲动力。其最新版本2.3实现训练效率与推理成本的双重优化，为万亿参数大模型时代的到来奠定坚实技术基础。目前，昇思已原生、适配支持40余大模型，助力各行业智能化发展，展现其技术引领力。 **深度场景洞察，实战演练操作** 为了加深学员们对MindSpore大模型开发的理解，昇思MindSpore技术布道师Geng和Ying老师在实践环节手把手带教，引导学员熟悉基于MindSpore TransFormers的大模型全流程实践，使技术实践与理论培训紧密结合，让大家直观感受到MindSpore大模型开发的强大潜力。 本次昇思MindSpore技术行•走进上海漕河泾新兴技术开发区活动完美落幕。通过一天的技术交流和经验分享，切实帮助开发者提升实战能力，促进昇思MindSpore知识融合与碰撞，为整个AI领域的技术创新输送新的活力。 --- https://www.mindspore.cn/news/zh/3208/ --- 新闻 WAIC 2024昇腾人工智能产业高峰论坛即将召开，亮点抢先看 # WAIC 2024昇腾人工智能产业高峰论坛即将召开，亮点抢先看 2024/07/03 # WAIC 2024昇腾人工智能产业高峰论坛即将召开，亮点抢先看 7月4日-7月7日，以“以共商促共享 以善治促善智”为主题的2024世界人工智能大会（WAIC 2024）将在上海举办，届时世界顶级专家学者、知名企业代表、政界人士、高校组织等将齐聚上海，共商发展、共话未来。作为大会的重磅环节，7月5日上午9:30-12:00昇腾人工智能产业高峰论坛2024将在上海世博中心银厅举行。 本届高峰论坛以“加速原生创新，奋进智能时代”为主题，将邀请各界专家与商业领袖，聚焦大模型推理和客户伙伴优秀实践，分享前沿观点，开启通用人工智能应用探索。会上将发布昇腾大模型推理解决方案暨五大场景优秀实践、一体机伙伴优秀实践、昇腾AI原生开发成果、APN伙伴新品等重磅内容，展现昇腾从可用走向好用，持续走深向实的决心。 **行业实践成果重磅发布** 近年来，人工智能迭代加速，带动诸多行业变革，昇腾AI围绕着硬件开放、软件开源、使能伙伴和发展人才持续发展，在行业中不断走深向实。本次高峰论坛昇腾AI将协同10余家生态伙伴及客户发布基于昇腾大模型推理解决方案优秀实践，覆盖“文本生成、文生视图、辅助编程、终端应用、智能办公/客服”五大场景；联合10余家伙伴发布大模型一体机解决方案优秀实践；携手20余家伙伴发布昇腾AI伙伴大模型原生开发成果；联动18家APN伙伴发布基于昇腾模组、板卡等标准部件开发的新产品。 **大咖云集分享前沿观点** 论坛上，来自人工智能、工业信息化、金融等领域的院士、专家、学者和商业领袖将在此共话前沿技术趋势，分享人工智能产业最新科研成果和AI赋能行业最新进展。交通银行、商汤科技、面壁智能等企业代表将展示昇腾AI在金融、科技、大模型应用等多个领域的深度结合成果。 **产业生态持续繁荣** 昇腾AI一直致力于联合技术和商业伙伴，打造“共建、共享、共赢”的人工智能产业。本届论坛将新聘请9位行业领军人物作为昇腾的MVP，引领和贡献昇腾AI产业；此外，会上还将举办上海昇思生态创新中心揭牌仪式，推动昇思MindSpore AI框架生态高质量发展，迈出更大步伐。 除了精彩的观点分享和重磅发布环节，大会还设置了1000多平米的展区（会场H1-A301区域），50+展点，全方位展示昇腾训练、推理解决方案、10+伙伴联合行业解决方案、产业生态、昇思MindSpore等，并举办openSpeech开放演讲活动，与参会者共同见证40+场次的演讲、发布和合作签约。 --- https://www.mindspore.cn/news/zh/3210/ --- 新闻 “粤”见昇腾 | 昇腾AI开发者创享日·广东站圆满举办 # “粤”见昇腾 | 昇腾AI开发者创享日·广东站圆满举办 2024/07/01 # “粤”见昇腾 | 昇腾AI开发者创享日·广东站圆满举办 6月29日，昇腾AI开发者创享日·广东站在广州成功举办。本次活动汇聚人工智能领域顶尖人才，为开发者带来昇腾AI生态最新进展、案例实践应用及原生开发技术等分享，旨在凝聚开发者力量，共建全面开放的原生生态。 人工智能作为新一轮科技和产业变革的重要驱动力量，是打造新质生产力的重要引擎。昇腾AI作为全面智能化的根基，通过分层开放的方式，携手伙伴一起打造领先可靠的基础软硬件平台，使能百模千态，赋能千行万业，推动了产业生态的繁荣。至今，昇腾AI已发展开发者300多万，合作伙伴1600多家，解决方案认证2900多个。今年，昇腾全面启动原生开发，让模型性能更优异，让应用开发更高效，后续，昇腾将持续从原生开发套件、原生使能计划、原生人才培养三个方面加速昇腾原生生态构建。 **0\*\*\*\*1** **生态应用成果落地 大咖共话昇腾AI创新实践** 自2019年华为发布计算战略以来，昇腾通过一站式迁移工具，将应用快速地迁移到昇腾上来，消除生态壁垒，推进了昇腾在中国的快速部署，目前，已广泛服务于金融、电信、政府、互联网等主要行业的核心业务场景，正在支撑行业数字化的转型落地。 会上，来自业界的专家学者，围绕大语言模型的发展趋势、基于昇腾AI打造的平台及其应用落地等进行分享，共话昇腾AI创新实践。 复旦大学计算机学院教授、中国中文信息学会大模型专委会副主任邱锡鹏对大语言模型的发展历程进行了阐述，他认为大模型是通过语言来构建世界知识，而大语言模型的下一阶段目标是具身智能+世界模型，世界模型是一种能够模拟和理解环境的模型，并在此基础上进行决策和预测的人工智能系统，它是未来具身智能最重要的基座。邱锡鹏表示未来大语言模型将会演化到世界模型，需要进一步研究如何打造高效、安全、可信的基础模型及探索实用、多元、复杂的应用场景。 复旦大学计算机学院教授、中国中文信息学会大模型大搜索与生成专委会副主任邱锡鹏 华南理工大学计算机科学与工程学院教授陆璐介绍了基于异构算力平台并行加速与性能优化获得的技术成果，包括：仿真模型资源评估、算子库设计优化、HPL、HPL-AI优化及多卡通信优化，通过上述能力，解决了鹏城实验室、广州琶洲实验室等项目的多个瓶颈点，使得系统能更好的满足产业需求，应用于行业场景中。 华南理工大学计算机科学与工程学院教授陆璐 佳都科技首席AI科学家王凯博士介绍，佳都深耕交通行业，发布了基于昇腾AI打造的知行交通行业大模型训推一体机和知行交通大模型V2.0，目前，已在多个行业场景落地。其中，知行交通智能体可根据智能运维、应急管理等业务场景自主规划和反思，调用多种工具组合完成复杂任务。基于知行视觉大模型TransCore-V的智能视频分析一体机，部署在车站、线网系统，可全方位覆盖影响安全运营的各种异常行为场景，保障安全运营与乘客出行。基于知行多模态大模型TransCore-M的“佳翼云”AI大模型一体柜，是业界首款专为交通行业视频智能应用场景设计的AI大模型一体柜产品，通过自然语言对话，解决复杂场景视觉语义搜索难题，满足不同场景对视频智能化的应用需求。知行时空决策的模型TransCore-TS融入到了华佳MOS地铁智慧大脑、站台门智慧运维系统、节能控制柜等产品中，在地铁线路客流预测、站台门异常检测、车站节能环控也实现了落地应用。 佳都科技首席人工智能科学家兼通用大模型研究中心 主任王凯 **02** **昇腾原生开发技术解密 激发开发者原生动力** 面向未来，基于昇腾的原生生态，能够开辟更大的产业空间，能持续不断的引领原生创新，而这离不开高效、易用的基础软硬件平台。为此，昇腾以异构计算架构CANN、全场景AI框架昇思MindSpore和推理引擎MindIE为基础，基于一套架构，面向算子、模型和应用三个开发场景，对昇腾AI基础软件做了6大全栈升级。 会上，来自昇腾AI的技术专家们，围绕昇腾算子开发语言Ascend 2.0技术升级、昇腾原生支持Pytorch训练大模型、昇思MindSpore 2.3版本技术升级及昇腾大模型推理解决方案做了详细解读： - 面向算子开发，进一步开放CANN，开放了GE图引擎、HCCL集合通信库、更加完善的算子加速库及全新升级的Ascend C 2.0，提供更多原生创新支持。全新升级的Ascend C 2.0，提供60多个高阶API，开发者可直接调用自主开发高性能算子。在通信优化上，通过通算融合和集合通信算法创新，实现通信效率提升15%；在调优方面，推出多级指令流水线，快速识别性能优化点，能够帮助开发者将典型算子开发效率从两个月提升到两周。 - 在AI框架能力上，昇思MindSpore提供多级编译的能力，同时支持静态图和动态图模式，兼顾模型的开发效率与执行性能，并通过MindStudio工具链，高效执行大模型的调试、调优，开发效率倍增。同时，进一步完善了昇腾对PyTorch生态兼容，PyTorch API支持度已达95%。为让开发者更好的在昇腾上使用业界主流的三方库，昇腾通过社区代码贡献的形式，原生支持huggingFace和DeepSpeed等社区的主流能力。 - 面向推理应用开发，基于昇腾推理引擎MindIE，可满足多种推理应用开发需求，提升推理开箱性能、降低应用部署门槛，加速大模型创新落地。通过大语言模型推理模型套件、并行推理&通信计算融合、量化压缩、基于Transformer加速库的大模型推理、训练模型平滑迁移推理等在满足低时延的条件下，将推理的吞吐提升6倍，大大降低了推理成本。 为让广大开发者更深入、全面地了解昇腾AI基础软硬件原生开发技术知识及应用能力，当天下午同期举办了昇腾AI原生开发训练营大模型与应用开发、昇腾AI原生开发训练营算子开发、昇腾AI知识大比拼及昇腾AI开发应用案例分享四个分论坛，以此赋能开发者技术成长。在展区现场，开发者通过观摩前沿科技展示及实操互动体验，沉浸式体验“学-训-练-赛”全周期体系。 昇腾AI开发者创享日·广东站的成功举办，为开发者展现了前沿人工智能行业应用案例、昇腾AI原生开发技术以及丰富的学习成长资源，相信通过这次活动也将进一步促进广东本地的AI产业的持续蓬勃发展。人工智能产业正处于高速发展阶段，需要全产业链的协作与共同努力，未来昇腾AI 将持续携手伙伴，加速推动人工智能走深向实！ --- https://www.mindspore.cn/news/zh/3211/ --- 新闻 “昇腾万里·齐聚津门” 2024天津昇腾生态伙伴技术论坛暨昇腾AI创新大赛天津赛区启动仪式隆重举办 # “昇腾万里·齐聚津门” 2024天津昇腾生态伙伴技术论坛暨昇腾AI创新大赛天津赛区启动仪式隆重举办 2024/07/02 # “昇腾万里·齐聚津门” 2024天津昇腾生态伙伴技术论坛暨昇腾AI创新大赛天津赛区启动仪式隆重举办 天津，这座古老而又活力四溢的城市，于6月29日见证了“昇腾万里·齐聚津门”2024 天津昇腾生态伙伴技术论坛暨昇腾AI创新大赛天津赛区启动仪式的重要时刻。当日，天津海河悦榕庄酒店二楼悦榕厅化身为智能科技思想交融核心之地，吸引了来自各界的产业领袖、专家学者、创新开发者以及企业精英们汇聚一堂。 此次活动获得了天津市数据局的悉心指导，由天津市河北区人民政府与华为技术有限公司联合主办，天津市人工智能计算中心承办，天津天开发展集团有限公司及天津人工智能创新发展联盟予以协办，有力确保了活动的高规格与深远影响力。 启动仪式上，天津市河北区人民政府副区长田强的致辞，为启动仪式活动精彩开篇。田副区长详尽阐释了河北区在人工智能产业政策扶持及创新平台构建上的前瞻性布局，生动展现了该区域在数字经济、智能科技领域的蓬勃发展态势与未来的美好愿景，同时也表达了对本次活动的诚挚祝愿。 北京大学天津校友会会长宋金链发表致辞，热情洋溢介绍了校友会在助推天津市数字经济发展、以及校企合作推动智能科技成果转化等方面的积极作用，期待更多创新成果与优秀人才不断涌现，通过提升新质生产力，加速数字经济与实体经济深度融合，不断推进天津市数字经济的发展。 华为天津政企业务总经理叶紫阳在致辞中对各方的大力支持表示了诚挚的感谢，介绍了在人工智能发展中算力底座的核心地位，以及华为在技术创新方面的不懈努力，期望大赛能够激发创新潜能，推动AI在千行百业的深度应用。 紧接着，中国法学会立法学研究会顾问、北京大学校友会监事长、北京大学法律与人工智能研究中心/实验室专家顾问高绍林带来主题演讲《兼顾公平与效率的数据确权路径》，为现场嘉宾呈上了有关数据特殊性、数据权利复杂性的深刻洞察和思考，为数据治理和人工智能的健康发展给予了法律与伦理层面的指引。 华为天津昇腾创新中心CTO李永强深入剖析了昇腾AI创新大赛2024的赛题，揭示了本年度大赛相较于过往两届的崭新变化与挑战，为参赛者指明了方向，点燃了他们对AI技术探索的热忱。 天津市河北区人民政府副区长田强、北京大学法律与人工智能研究中心/实验室专家顾问高绍林、天津市数据局数字科技和基础设施建设处处长李颖、天津市河北区数据局局长杨天虎、北京大学天津校友会会长宋金链、天津天开发展集团有限公司副总经理王杨、华为天津昇腾创新中心CTO李永强共同按下启动按钮，“昇腾万里·齐聚津门”昇腾AI创新大赛2024天津赛区活动正式启动，一场创新与智慧的激烈角逐正式拉开帷幕。 随后，昇思开源生态总监杨滔介绍了“昇思MindSpore‘津门远航’开源实习计划”。该计划旨在激励在校学生积极投身开源社区，在实际的开源环境中提升实践能力。 紧接着，天津市河北区数据局局长杨天虎、华为天津昇腾创新中心CTO李永强、昇思开源生态总监杨滔、南开大学软件学院副院长谢茂强、天津科技大学人工智能学院副院长陈亚瑞、天津师范大学研究生院副院长王为共同按下启动按钮，昇思 MindSpore“津门远航”开源实习计划正式启动，期望更多天津开发者和高校同学踊跃参与其中。 天津大学朱鹏飞教授进行了题为《智能无人机协同学习》的分享，为低空经济领域的研究与应用提供了崭新的思路与方向，不但展示了华为HAE 的专业学识与丰富经验，更激励了众多开发者融入昇腾AI的创新浪潮。 去年天津赛区金奖得主天津贝芸科技有限公司的技术总监梁璐女士的演讲，介绍了贝芸自研的基于轻量化大模型的ADMET性质预测工具ADMETNet，达成了对药物分子的深度学习与精准预测，极大提升了药物研发效率与成功率。ADMETNet平台借助了昇腾AI处理器的强劲算力以及昇思Mindspore AI框架的高效运算能力。梁女士为本届大赛的开发者们传授了宝贵经验，呈现了昇腾AI在医药领域的创新应用。 昇腾AI创新大赛2024的举办，是对智能科技未来发展的一次深谋远虑的投入。它不仅为开发者提供了一个展露才华的绚丽舞台，更是一个促进产学研深度融合、推动智能科技与社会各领域紧密结合的高效催化剂。大赛的举行，将进一步激发社会各界对人工智能的关注与投入，加快智能科技的创新步伐，为社会创造更多的价值。 本届大赛全面升级，全新设立企业赛道和高校赛道，以及昇腾 AI 原生创新算子挑战赛和昇思 MindSpore 原生创新算法挑战赛，为开发者构建了更为多元的竞技舞台。这些新增设的赛道和子赛事，不但丰富了大赛的内涵，更为参赛者提供了更为广阔的展示空间与更具深度的挑战机遇。 昇腾AI创新大赛 2024，不只是一场竞赛，更是智能科技领域的一场思想盛宴。我们诚挚邀请每一位有志于探索 AI 技术无限可能的开发者，加入这场创新之旅，携手开启智能科技的崭新篇章。让我们凭借代码编织梦想，用智慧照亮未来，共同迎接智能科技的辉煌时代！ --- https://www.mindspore.cn/news/zh/3216/ --- 新闻 依托昇思MindSpore与昇腾AI处理器打造，南方电网“驭电”智能科学计算大模型获2024WAIC最高奖SAIL奖 # 依托昇思MindSpore与昇腾AI处理器打造，南方电网“驭电”智能科学计算大模型获2024WAIC最高奖SAIL奖 2024/07/10 # 依托昇思MindSpore与昇腾AI处理器打造，南方电网“驭电”智能科学计算大模型获2024WAIC最高奖SAIL奖 7月4日 世界人工智能大会最高奖项—— 2024年度SAIL奖揭晓 （卓越人工智能引领者奖） 南方电网公司研发成果 **“驭电”智能科学计算大模型** **赋能新型电力系统演进规律研究** **（简称：“驭电”智能仿真大模型）** 获得大奖 是五个获奖项目之一 ▲7月4日，世界人工智能大会最高奖项——2024年度SAIL奖（卓越人工智能引领者奖）颁奖现场。 **“驭电”是谁？** “驭电”智能仿真大模型是南方电网公司首个国家自然科学基金联合基金集成项目“新型电力系统背景下的大电网异步分区规划与控制研究”的阶段性成果，通过构建AI驱动的智能科学计算体系，开发电力系统预训练大模型，打造电力系统分析与控制的“超强大脑”，将支撑新型电力系统演进规律研究、系统规划方案和运行方式生成与优化、在线安全分析、现货市场运作等多种场景。 “‘驭电’智能仿真大模型既能精准刻画新型电力系统的安全边界，又能精细安排各类电源的发电计划，确保大电网安全的前提下，动态优化电网运行方式，解决新能源变化无常、难以计划带来的难题，最大限度提高新能源的利用率。”南方电网公司战略规划部总经理郑外生介绍。 **我们为什么要研发“驭电”？** ▲广东省首个近海深水区海上风电项目——广东阳江青洲三500兆瓦菩堤海风场。（南方电网广东电网能源发展公司 供图） 在广东、广西、云南、贵州、海南 新能源已经成为第一大电源 今年以来 南方五省区新能源 单日最大发电量屡创新高 日发电渗透率 **最高达31.12%** 相当于当天每用4度电 就有超过1度电来自新能源 随着新能源大规模并网，电力系统规划和运行面临高度不确定性、高度可变性、海量调度单元、多目标和多约束决策等重大技术挑战。在这种情况下，既要保证电力系统安全，又要最大限度利用好新能源，系统仿真分析很关键。 传统的数值仿真工具 难以满足需要 必须依靠人工智能技术 开发全新的仿真工具 “驭电”智能仿真大模型正是那个新工具 “随着新能源比例越来越高，迫切需要回答新能源渗透率到多少会影响电力系统安全？电力系统的安全边界到底在哪里？”“驭电”智能仿真大模型研发团队成员黄济宇博士解释，电力系统非常复杂，可能此时新能源渗透率60%安全，彼时又不安全，必须得依靠大量的仿真计算框出边界。 但高比例新能源 造成电力系统中不确定因素太多 使得计算场景异常复杂 传统仿真工具能容纳的场景既少 计算速度又慢 “驭电”智能仿真大模型恰恰可以利用人工智能强大的高维空间数据拟合能力，对未来电力系统做更精准、快速地模拟，为新型电力系统画出更准确的边界。 **“驭电”有什么优势？** ▲贵州省铜仁市松桃县盘石镇风光发电项目。（陈厦华 摄） 与传统仿真相比 “驭电”智能仿真大模型 是典型的数据驱动 “过去的仿真工具，主要将电力系统建立数学模型，求解高阶微分代数方程，面对大规模新能源带来的维数灾难，传统仿真的计算能力和效率已面临瓶颈。”郑外生介绍，“驭电”智能仿真大模型学习电力系统内在运行规律，具备海量运行方式生成和新能源承载能力分析功能，为电网规划与运行方案制定提供全新工具。 作为典型的专业大模型 “驭电”智能仿真大模型 从基础模型开始就自主开发 没有采用类GPT通用大模型作基础 而且在底层算子和训练机制中 嵌入电力系统规律 使得它能够非常高效地完成 电力系统分析的各种高级功能 “驭电”智能仿真大模型可广泛用于电力规划优化、系统安全分析、运行方式安排、电力市场运作等场景，支撑新型电力系统演进规律研究等，在国内外电力行业应用前景广阔。 在模型开发中 南方电网公司联合 华南理工大学、武汉大学、华为公司 以产学研合作方式共同攻关 其中，华为公司算力平台先遣队、2012实验室、计算产品线等专家提供模型方案技术指导、工程设计指导，由昇思MindSpore AI框架与昇腾AI处理器提供基础软硬件能力。 南方电网北京研究院高级技术专家陈亦平介绍：“现在完成的是300节点级电网拓扑的训练，能够实现电网运行方式智能生成和系统潮流安全分析功能。我们正在策划2000节点系统的训练，以适用更大规模电网，并支持小扰动稳定分析和暂态稳定分析等下游任务。”他相信随着更多电网人员使用这个模型，“驭电”智能仿真大模型会变得更加聪明，在保障电网安全基础上最大限度发挥新能源发电能力，提高其利用率。 --- https://www.mindspore.cn/news/zh/3217/ --- 新闻 MindSpore Quantum白皮书正式发布！ # MindSpore Quantum白皮书正式发布！ 2024/07/10 # MindSpore Quantum白皮书正式发布！ \*\*白皮书：\*\*https://arxiv.org/pdf/2406.17248 \*\*代码仓：\*\*https://gitee.com/mindspore/mindquantum 如您在研究创新中使用了 MindSpore Quantum，可以用以下方式**引用此白皮书**。 BibTeX格式： `@misc{xu2024mindspore, title={MindSpore Quantum: A User-Friendly, High-Performance, and AI-Compatible Quantum Computing Framework}, author={Xusheng Xu and Jiangyu Cui and Zidong Cui and Runhong He and Qingyu Li and Xiaowei Li and Yanling Lin and Jiale Liu and Wuxin Liu and Jiale Lu and others}, year={2024}, eprint={2406.17248}, archivePrefix={arXiv}, primaryClass={quant-ph}, url={https://arxiv.org/abs/2406.17248}, }` 随着量子计算技术的飞速发展，量子计算框架的设计和实现变得至关重要。MindSpore Quantum 是昇思MindSpore开源社区推出的新一代、开源量子经典混合计算框架。它与AI深度融合，支持多种量子神经网络的训练和推理，并聚焦于NISQ 阶段的算法实现与落地。结合高性能量子计算模拟器和并行自动微分能力，MindSpore Quantum 提供极简的开发模式和极致的性能体验，能够高效处理量子机器学习、量子化学模拟和量子组合优化等问题。 **01** **白皮书背景** 在当今的量子计算领域，设计高效的变分量子算法至关重要。MindSpore Quantum依托昇思MindSpore这一先进的开源深度学习训练和推理框架，展示了在CPU等平台上设计和训练变分量子算法的卓越性能。特别是在变分量子算法方面，MindSpore Quantum展现了强大的能力，使得研究人员能够高效地进行算法设计和优化。 **02** **功能特性** **MindSpore Quantum 功能特性** 1 支持多种量子计算数据类型，并提供了强大的参数解析器 2 在线路模拟后端，引入状态向量模拟器和密度矩阵模拟器，以处理纯态和混合态的模拟 3 提供多种实用工具，变分量子算法的梯度计算工具、Ansatz线路库、简化量子算法子程序 4 量子神经网络（QNN）、量子近似优化算法（QAOA）、变分量子特征值求解器（VQE）、数据重传分类器、Q-GAN、强化学习、量子奇异值分解（QSVD）等多种应用场景中展现了强大的能力 5 引入QuPack量子模拟加速引擎，提升计算效率 6 不断发展在真实量子硬件上的相关能力 **1**\*\*、\*\*它支持多种量子计算数据类型，并提供了强大的参数解析器，包括参数生成器和解析器，以便在量子算法中灵活应用。框架中的量子门模块涵盖了固定量子门、参数化量子门以及自定义量子门等，用户可以通过这些模块构建各种复杂的量子线路。此外，框架还提供了丰富的可观测量和哈密顿量支持，包括量子比特和费米子操作符及相关的变换功能，进一步增强了量子计算的功能性与灵活性。 **2**\*\*、\*\*在线路模拟后端方面，MindSpore Quantum引入了状态向量模拟器和密度矩阵模拟器，以处理纯态和混合态的模拟。特别是基于量子信道的噪声模拟器，通过量子信道和Channel Adder模块实现更真实的噪声模拟，极大地提升了模拟的精确度和可靠性。Channel Adder模块能够让使用者方便快速地自定义噪声模型，满足不同实验需求。 **3**\*\*、\*\*为了帮助用户更好地使用变分量子算法，MindSpore Quantum提供了多种实用工具。例如，变分量子算法的梯度计算工具可以在多种应用场景下提供精确的梯度计算。同时，框架还包含一个专门为变分量子算法设计的Ansatz线路库，以及简化量子算法实现的量子算法子程序库。 **4**\*\*、\*\*MindSpore Quantum不仅在基础的量子计算研究中表现出色，还在多种应用场景中展现了其强大的能力，包括量子神经网络（QNN）、量子近似优化算法（QAOA）、变分量子特征值求解器（VQE）、数据重传分类器、Q-GAN、强化学习、量子奇异值分解（QSVD）等。这些应用场景展示了MindSpore Quantum在量子计算研究中的广泛适用性，支持多种研究方向，极大地拓宽了量子计算的应用范围。 **5**\*\*、\*\*为了进一步提升计算效率，MindSpore Quantum还引入了QuPack加速引擎。QuPack显著提升了VQE、QAOA和张量网络模拟的速度，为研究人员提供了前所未有的计算效率和性能。 **6**\*\*、\*\*MindSpore Quantum在真实量子硬件上的相关能力还在不断发展中，目前已经具备了一些基础功能，包括量子线路编译和优化，以及量子比特映射。这些功能为未来的量子硬件应用奠定了基础。 **03** **性能测试** **1、随机线路模拟任务** 在文章中，我们将MindSpore Quantum与其他量子计算框架的性能进行了详细对比。在随机量子线路模拟任务中，MindSpore Quantum展现出了显著的性能优势。 在小比特数情况下，MindSpore Quantum的**优势主要归因于其API调用开销较低**。而在大比特数情况下，**其\*\*\*\*多线程并行计算和对常用量子门演化的高效实现**，确保了MindSpore Quantum的性能卓越性。 **2、量子近似优化算法任务** 此外，我们还测试了各框架在量子近似优化算法（QAOA）任务中的表现。结果显示，MindSpore Quantum的性能比其他框架**至少快一个数量级**。这一优势主要是由于MindSpore Quantum**在计算参数化量子线路梯度方面的深度优化，以及高效的线路演化实现。** **04** **展望未来** 总的来说，MindSpore Quantum的推出，为量子计算研究人员和实践者提供了一个功能强大且高效的平台。通过结合先进的深度学习技术和量子计算框架，我们致力于推动量子计算领域的前沿发展。感谢所有参与MindSpore Quantum开发和研究的团队成员及合作伙伴，你们的努力使这一切成为可能。 我们希望通过这篇文章，能够引起更多研究人员和开发者的兴趣，共同探索量子计算的未来。有关MindSpore Quantum的更多信息，请参阅白皮书。如果您对 MindSpore Quantum有兴趣，请关注项目的Gitee代码仓。 \*\*白皮书：\*\*https://arxiv.org/pdf/2406.17248 \*\*代码仓：\*\*https://gitee.com/mindspore/mindquantum 点击文末【阅读原文】可直接跳转到白皮书内容。 MindSpore Quantum采用 Apache License 2.0发布，可免费用于学术研究和商业用途。 * * * _徐旭升_,1,∗ 崔江煜,1 崔子栋,2 何润洪,3 李清钰,2 李晓巍,4 林燕玲,5 刘家乐,5 刘武新,1 卢家乐,1 罗茂林,1 吕楚凡,2 潘世杰,1 Mosharev Pavel,1 舒润秋,6 唐加亮,7 徐若倩,7 徐树,1 杨康,1 于璠,1 曾庆国,4 赵海英,1 郑强,5 周俊园,1,† 周旭,8 朱祎康,5 邹作恒,1,‡ Abolfazl Bayat,2,9 曹希,10,9 崔巍,6 李振东,11 龙桂鲁,12,13 苏兆锋,5 王晓霆,2,9 王子竹,2,9 魏世杰,12 吴热冰,10 张潘,14 翁文康1, 4, 15, 16, 17, §\_\_ _1\_\_MindSpore Quantum Special Interest Group_ **2\_\_电子科技大学** \__3\_\_\_中国科学院软件研究所_ **4\_\_南方科技大学量子科学与工程研究院** _5中国科学技术大学_ **6\_\_华南理工大学** _7\_\_巴斯克大学_ _8\_\_\_中山大学_\_ _9\_\_电子科技大学量子物理与光量子信息教育部重点实验室_ _10清华大学_ _11北京师范大学_ _12北京量子信息科学研究院_ **13\_\_清华大学物理系低维量子物理国家重点实验室** _14中国科学院理论物理研究所_ _15深圳国际量子研究院_ _16南方科技大学广东省量子科学与工程重点实验室_ _17\_\_南方科技大学深圳市量子科学与工程重点实验室_ _(Dated: July 9, 2024)_ --- https://www.mindspore.cn/news/zh/3221/ --- 新闻 正式揭牌！上海昇思生态创新中心在世界人工智能大会2024精彩亮相 # 正式揭牌！上海昇思生态创新中心在世界人工智能大会2024精彩亮相 2024/07/05 # 正式揭牌！上海昇思生态创新中心在世界人工智能大会2024精彩亮相 7月5日，2024世界人工智能大会（WAIC 2024）期间，昇腾人工智能产业高峰论坛2024在上海世博中心盛大举行。本届高峰论坛以“加速原生创新，奋进智能时代”为主题，2000+位各界专家与商业领袖现场参与，聚焦大模型推理和客户伙伴优秀实践，分享前沿观点，共同探索加速大模型创新与应用落地的道路。论坛现场，上海昇思生态创新中心揭牌仪式隆重举行。 AI技术的飞速发展正引领着全球科技潮流，不断重塑千行百业。同时，生态建设的深化也成为推动AI持续健康发展的关键，为技术突破与应用深化奠定坚实基础。 为推动人工智能产业生态持续创新，上海昇思生态创新中心应运而生。在7月5日举办的“昇腾人工智能产业高峰论坛”上，上海昇思生态创新中心正式揭牌。会上，上海市闵行区副区长张贤、临港集团副总经济师、临港科投公司董事长翁巍、上海市漕河泾新兴技术开发区运营管理有限公司党委书记、董事长顾伦、华为中国战略与Marketing部部长卢广、华为上海代表处总经理郭奕昱、上海人工智能研究院院长宋海涛共同为上海昇思生态创新中心揭牌，宣告上海昇思生态创新中心的正式落地。 面向大模型时代，作为新一代覆盖端边云全场景的AI框架，昇思MindSpore开源四年多以来，锐意进取，并打造了繁荣的技术与开源生态，已跻身国内第一梯队。上海昇思生态创新中心基于昇思MindSpore AI框架及开源社区，加速技术研究、使能行业创新，助力人工智能产业生态繁荣。 创新中心由上海市闵行区人民政府、上海临港经济发展(集团)有限公司、上海人工智能研究院有限公司、昇思MindSpore开源社区四方共建，落地于漕河泾开发区。中心聚焦人工智能产业发展，使能全国范围的AI技术企业、高校与科研院所进行大模型与科学智能技术创新，致力于开展原生孵化与迁移适配技术服务、推动标准与技术规范的制定与评估、打造自主创新体系。服务互联网、运营商、金融、教育、医疗等人工智能关键产业方向，赋能企业打造极简易用、极致性能的AI解决方案和应用。打造一系列富有竞争力的“AI+行业”的示范性应用场景，推动产业集聚。 目前，中心已落于上海科技绿洲6期42号楼5楼，即将正式面向公众开放。届时将与各界伙伴共同探讨行业发展，挖掘合作机遇，携手共创AI新篇章。 --- https://www.mindspore.cn/news/zh/3225/ --- 新闻 京津冀-昇思MindSpore大模型创新训练营圆满落幕，共探AI前沿技术 # 京津冀-昇思MindSpore大模型创新训练营圆满落幕，共探AI前沿技术 2024/07/17 # 京津冀-昇思MindSpore大模型创新训练营圆满落幕，共探AI前沿技术 7月初，京津冀-昇思MindSpore大模型创新训练营在北京师范大学成功举办。此次活动吸引了来自京津冀区域包括北京师范大学、北京航空航天大学、北京邮电大学、北京理工大学、北京工业大学、中国矿业大学（北京）、天津师范大学、河北科技大学等知名学府在内21所高校的90余名本科及研究生学员参与，此外，教育部师范教育协同提质计划北京师范大学组团高校的部分师生受邀参加。通过几天的学习和实践，学员们深入探讨了人工智能和大模型前沿动态，对业界最新发展趋势有了全面了解，为未来的创新之路奠定了坚实的基础。 在开营仪式上，北京师范大学人工智能学院院长黄华及信息技术新工科产学研联盟副秘书长计卫星发表了讲话。他们表示，昇思MindSpore大模型创新训练营为京津冀地区的高校学生提供了直接与昇思MindSpore的技术专家和资深布道师进行面对面的交流和学习的宝贵机会。该活动也旨在促进AI技术在高等学府的广泛应用和落地实施，进一步推动我国AI产业人才的培养，为整个行业注入源源不断的新活力和创新能力。 左：北京师范大学人工智能学院院长黄华 右：信息技术新工科产学研联盟副秘书长计卫星 昇思MindSpore生态技术专家杨滔详细阐述了训练营的课程计划，并表达了对学员们的期望，希望学员们能够在此课程中深入理解大型模型的发展趋势与基本理论，对昇思MindSpore的全场景AI框架有一个更加深刻的了解。 昇思MindSpore生态技术专家杨滔 本次的昇思MindSpore创新训练营课程由产学合作共建，原理与实践并重，关注大模型发展前沿技术，聚焦大模型应用创新开发与工程实践能力培养。旨在让同学们通过本次训练营的学习，了解大模型的发展历史、基本原理和最新技术，初步具备结合专业特点、行业领域需求开发大模型创新应用、部署运行大模型系统的基本能力。 在本次训练营中，我们有幸邀请到了来自北京师范大学的课程团队以及华为技术有限公司的资深专家担任讲师团队。北京师范大学人工智能学院课程团队成员包括黄华教授、计卫星教授、姜文斌教授、于恒副教授、张婷副教授、朱倩男博士。此外，昇思MindSpore的布道师吕昱峰、赵宇、邢译壬及吴逸群也加入了教学阵容。 讲师团队 在课程中，北京师范大学的老师们首先从大模型的历史发展入手，介绍了其分类、趋势、行业应用及相关安全伦理问题，深入探讨了Transformer、BERT、GPT等核心模型的原理，为学员奠定了扎实的基础。随后，昇思MindSpore的讲师们通过实践引导学员使用MindSpore框架，结合华为云ModelArts的算力，实现了Transformer、BERT、GPT、ChatGLM、MusicGen等模型的训推操作，探索了大模型的微调算法，及大模型在情感分类、文本摘要、音乐生成等领域的应用。最后，北京师范大学的老师们详细讨论了大模型的训练与推理加速技术及模型压缩方法，并比较了业界主流的推理框架。 上课现场照片 参与创新训练营的同学们积极投入，深感收获颇丰，表示通过这次训练营探索了以前未曾涉足的技术领域，为未来的研究收获了新的视角和方向。在确定大作业的方向和实现技术要点时，他们组内展开了热烈的讨论，并与老师们保持充分沟通，每天晚上还能看到同学们忙碌刻苦学习的身影。 晚上仍有很多同学在进行大作业开发 在结营仪式上，来自信息技术新工科产学研联盟、华为技术有限公司和北京师范大学的各位领导分别发表了讲话。 信息技术新工科产学研联盟执行秘书长张龙强调，AIGC作为人工智能发展前沿的重要性，以及国内在大模型研发和推广方面所面临的人才短缺挑战，而昇思MindSpore大模型创新训练营是解决这个问题的一种积极探索，旨在通过校企合作培养大模型领域的人才。同时也表达了对未来继续深化和扩展新工科建设的期望，希望保持合作，共同形成更多新工科建设的模式和方案。 信息技术新工科产学研联盟执行秘书长张龙 华为ICT人才伙伴发展部部长孙刚表示，人工智能作为科技革命和产业变革的关键力量，正在被各行各业接纳，用于解决复杂问题。华为通过其昇腾AI平台和昇思MindSpore框架支持这一进程，强调了产教融合的重要性并概述了创新训练营的目标和成果，鼓励各位学子为人工智能产业的发展贡献力量，并强调了华为与高校合作培养创新人才的决心。 华为ICT人才伙伴发展部部长孙刚 北京师范大学人工智能学院院长黄华介绍了北京师范大学的历史和学科优势，提到北师大在推进“强师工程”方面的六大计划，并表达了通过师范教育协同提质计划与其他高校资源共享、协同发展的愿望。 北京师范大学人工智能学院院长黄华 令人欣慰感动的是，同学们不仅能够熟练消化课程中的知识，并将其运用到实际的编程实践中，还结合自身创意和行业痛点，开发了许多引人注目的大模型应用作品。 来自北京师范大学的陶宁宁、徐俊达、唐聪组成的“Mate 60Pro”小组完成了一个完整的从数据的收集和预处理、模型选型、模型微调、RAG技术应用到最后文本转音频的端到端大模型应用开发。期间涉及了多个模型之间的配合使用，充分发挥了每个模型能力的同时，也体现了同学们对于大模型的了解程度之深。三位同学从《西游记》原文中构建了孙悟空的语料数据集，并通过IA3微调ChatGLM-6B让模型以《西游记》中孙悟空的风格来进行对话，结合RAG的技术减少大模型出现的幻觉问题，最终将对话生成的文本转成孙孙悟空音色的语音。在对话过程中，大模型可以正确回答涉及原著剧情的问题，并在回复中能明显看出孙悟空的说话风格。我们可以展望未来通过这样的方式，通过大模型来赋予课本中角色生命，让课堂变得更生动有趣。 唐聪同学在结营仪式上展示他们的作品 来自青海师范大学和北京城市学院的周子琦、樊永红和张宇轩同学组成的“QHNU\_PR小组”选择基于昇思MindSpore来复现论文“SMALLCAP: Lightweight Image Captioning Prompted with Retrieval Augmentation”中的技术，将语言大模型和视觉大模型相结合完成图像描述任务，通过更改文本数据库并重新编码的方式适配不同场景的图像描述，同时流程实现组件化，能够紧跟技术的更新迭代自由组合视觉和语言模型。周子琦同学表示：“该项技术配合AI语音助手，能够帮助视力残障人士理解视觉内容，或对部分非物质文化遗产自动生成少数民族语言描述。” 周子琦同学在在结营仪式上展示他们的作品 最后，各位颁奖嘉宾依次为参与答辩的同学们颁发了训练营证书和奖品。这些证书不仅是对同学们技术能力的认可，更是对他们努力和才能的肯定，希望同学们在科技创新道路上不断前行。 获奖同学合影 此次京津冀-昇思MindSpore大模型创新训练营由信息技术新工科产学研联盟主办，北京师范大学和昇思MindSpore开源社区联合承办，训练营成功举办，不仅推动了区域人工智能产业的协同发展，还为学生们搭建了一个展示才华、交流学习的平台。未来，我们期待昇思MindSpore创新训练营能够在更多地区举办，助力AI技术的普及和发展，共创智能未来。 --- https://www.mindspore.cn/news/zh/3227/ --- 新闻 2024年人工智能应用场景算法“赛马”火热报名中，速用昇思参赛赢取千万项目！ # 2024年人工智能应用场景算法“赛马”火热报名中，速用昇思参赛赢取千万项目！ 2024/07/16 # 2024年人工智能应用场景算法“赛马”火热报名中，速用昇思参赛赢取千万项目！ 2024年人工智能应用场景算法“赛马”火热报名中，速用昇思参赛赢取千万项目！ --- https://www.mindspore.cn/news/zh/3229/ --- 新闻 社区月报 | 开发者成长体系全新升级，技术成果不断涌现，超1000位开发者加入25天打卡营活动参与 # 社区月报 | 开发者成长体系全新升级，技术成果不断涌现，超1000位开发者加入25天打卡营活动参与 2024/07/12 # 社区月报 | 开发者成长体系全新升级，技术成果不断涌现，超1000位开发者加入25天打卡营活动参与 **_昇思MindSpore2024年6月份总结_** **01** **概述** 随着6月的结束，昇思MindSpore开源社区持续保持着高速发展的态度，在技术创新、社区活动、合作拓展等方面都取得了显著的成果。 在技术发展方面，MindSpore Flow开源谱神经算子及其在Burgers 1D/Navier-Stokes 2D/Navier-Stokes 3D问题上的应用案例；MindSpore Quantum重磅发布白皮书，其中在变分量子算法方面，MindSpore Quantum展现了强大的能力，使得研究人员能够高效地进行算法设计和优化。 在社区运作方面，完善昇思开发者成长体系，新增布道师预备队，让不同层级的开发者都能在社区找到成长的方向；昇思大模型平台上线基于昇思MindSpore系列教程，帮助开发者从零到一地学习昇思MindSpore框架知识、AI+实践应用及大模型实践等内容；推出三大开发者活动，包括昇思MindSpore模型开发挑战赛、CCF开源创新大赛昇思赛道、25天学习打卡营。 以下是6月昇思MindSpore社区进展的详细报告。 **02** **社区规模** 截至6月底，昇思MindSpore面向全球开发者，凝聚产业力量，持续打造人工智能创新之源。社区秉持开放透明原则，稳步建设开源生态，规模和活跃度得到持续提升。 昇思MindSpore累计下载量为**757万+**，2024年6月份增长了**19万+**； 发展\*\*3.2万+\*\*多名核心贡献者； 累计产生ISSUE共**38.8K**、PR共**95.5K**。 **03** **社区大事件** \*\*1、\*\***完善昇思开发者成长体系，助力AI人才茁壮成长！** 昇思MindSpore开源社区一直致力于打造属于开发者自己的开源社区。为了更好地助力昇思开发者成长，社区对成长体系进行了精心打磨和优化，新增布道师预备队，优化成长路线，皆在为开发者提供更清晰的成长路径、更丰富的学习资源和更具吸引力的激励机制。 截至目前，社区已有394位开发者认证各级别MindSpore优秀开发者/布道师，为昇思MindSpore社区贡献了多项高质量的内容，期待你的加入。 昇思开发者成长激励体系：https://www.mindspore.cn/community/developer \*\*2、\*\***赋能学术创新，GAITC2024昇思MindSpore专题论坛成功举办** 6月22日，GAITC 2024—昇思MindSpore赋能大模型&科学智能创新论坛在浙江杭州成功举办，100+专家学者、开发者共聚一堂，探讨大模型和科学智能的创新方向，分享基于昇思MindSpore的前沿学术创新成果和实践经验。6位来自高校与企业的专家，现场分享了人工智能技术在不同领域的研究进展。 \*\*3、\*\***昇思MindSpore学术基金项目结题评审和优秀项目颁奖活动在杭州成功举办** 2024年6月20日，中国人工智能学会-昇思MindSpore学术基金项目结题答辩评审会在杭州成功举办。 国务院参事、中国工程院院士、中国人工智能学会理事长戴琼海、CAAI 副理事长、中国工程院院士何友和华为昇腾计算业务CTO周斌为获评中国人工智能学会-昇思MindSpore学术基金优秀项目的成果完成人颁奖，本次共计20个优秀项目的成果完成人获得奖项。中国人工智能学会-昇思MindSpore学术基金孵化的85个项目参会与结题答辩，汇报项目成果和基于MindSpore的科研实践经验，最终评选出20个优秀项目并在开幕式进行表彰，以激励学术界加强基于昇思的AI创新。 \*\*4、\*\***昇思 MindSpore“津门远航”开源实习计划正式启动** 6月29日，“昇腾万里·齐聚津门”2024天津昇腾生态伙伴技术论坛暨昇腾AI创新大赛天津赛区启动仪式成功举办。会上，昇思MindSpore“津门远航”开源实习计划正式启动，该计划旨在激励在校学生积极投身开源社区，在实际的开源环境中提升实践能力，期望更多天津开发者和高校同学踊跃参与其中。 **04** **技术进展** **1**\*\*、\*\*****谱神经算子Spectral Neural Operator在MindSpore Flow开源**** 谱神经算子SNO利用多项式逼近代替了FNO中的傅里叶变换，仅通过基本的线性计算即可完成从物理场到谱空间的映射。其正交基的选择更为宽泛，可以根据实际问题针对性选取。在验证案例中，SNO尤其适用于二维Navier-Stokes方程的物理场预测问题。 目前，谱神经算子(Spectral Neural Operator，SNO)及其在Burgers 1D/Navier-Stokes 2D/Navier-Stokes 3D问题上的应用案例在MindSpore Flow开源，欢迎开发者们使用。 \*\*2、\*\*****MindSpore Quantum白皮书重磅发布！**** 在当今的量子计算领域，设计高效的变分量子算法至关重要。MindSpore Quantum依托昇思MindSpore这一先进的开源深度学习训练和推理框架，展示了在设计和训练变分量子算法的卓越性能。特别是在变分量子算法方面，MindSpore Quantum展现了强大的能力，使得研究人员能够高效地进行算法设计和优化。为推动量子计算领域的前沿发展，MindSpore Quantum白皮书重磅发布！ 白皮书：https://arxiv.org/pdf/2406.17248 **05** **社区动态** \*\*1、\*\***昇腾AI创新大赛2024昇思模型开发挑战赛正式发布** 6月1日，昇思MindSpore模型开发挑战赛正式发布，作为昇腾AI创新大赛系列赛事之一，本次挑战赛的赛题分别有模型迁移赛、推理调优赛和模型微调赛，旨在培养昇思MindSpore开发者，鼓励开发者基于昇思MindSpore进行模型&算法创新与实践，并丰富昇思MindSpore开源社区生态。 \*\*2、\*\***10万奖金池！CCF开源创新大赛昇思MindSpore社区赛道火热开启！** 第七届CCF开源创新大赛在国家自然科学基金委信息科学部的指导下，由中国计算机学会（CCF）主办，长沙理工大学、CCF 开源发展委员会联合承办。在本届赛事中，昇思MindSpore开源社区联合OpenI启智社区发布赛道——基于昇思MindSpore AI框架的套件及大模型应用创新赛，旨在发掘和培育具有创新性和实用性的人工智能应用。参赛者需基于昇思MindSpore AI框架和昇思套件，设计并开发一款具有创新性、实用性和可扩展性的人工智能应用。该方案应能够解决某一具体领域的实际问题，并展示出卓越的性能和效果。 \*\*3、\*\***昇思MindSpore 25天学习打卡营正式启动** 6月15日，【昇思MindSpore 25天学习打卡营】正式启动，此次活动是昇思MindSpore开源社区为开发者打造的能力提升项目，课程内容涵盖AI框架基础知识、经典神经网络实践、AI+X应用实践，以及大模型理论与实践。截止目前，1000+开发者参与本次打卡营，累计发布学习心得超2000+篇。 \*\*4、\*\***累计观看过万，MindSpore SIG技术分享会线上直播分享** 6月份，MindSpore Quantum SIG连续举办了3场量子计算组会一起开论文直播分享，分别邀请到吴军博士（中国科学技术大学）、杨恺雁博士（电子科技大学）、余莲会（电子科技大学）分享论文。MindSpore Flow&Earth SIG举办1场例会，邀请俄研所Julia工程师介绍谱神经算子SNO并演示案例。MindSpore易用性SIG举办1场技术分享会一起进行相关实践应用的分享，蔻享、B站累积观看次数达1万+。 \*\*5、\*\***昇思开发者高考寄语：考前深度学习金榜题名，考后“深度学习”改变世界** 在高考来临之际，昇思MindSpore邀请了北京大学、武汉理工大学和西安电子科技大学的研究生及老师，分享如何利用开源社区和昇思MindSpore深度学习框架提升自身技能，以及为即将步入大学的学子提供了宝贵的学习和生活指导。无论是对未来充满期待还是压力重重，都能为各位学子提供不一样的视角和建议，助力大家更好地准备高考和大学生活。 \*\*6、\*\***2024昇腾AI金种子实训班走进智能制造行业-长沙站顺利举办** 6月6日，2024昇腾AI金种子实训班·走进智能制造行业（长沙站）成功举办。会上，昇腾技术经理董港对昇思MindSpore AI框架以及MindSpore Transformers套件进行了详细剖析，并在实操环节，指导伙伴开发者基于MindSpore TransFormers套件完成了LLaMa2-7B 模型的微调、推理训练，帮助开发者在实践中掌握昇思MindSpore AI框架的大模型原生开发技能。 \*\*7、\*\***昇思MindSpore技术行•走进上海漕河泾新兴技术开发区活动顺利举办** 6月21日，昇思MindSpore技术行•走进上海漕河泾新兴技术开发区活动成功举办。本次活动由昇思MindSpore开源社区指导，上海市漕河泾新兴技术开发区发展总公司、上海昇思生态创新中心主办，上海计算机软件技术开发中心、上海市计算机学会软件工程专委会共同协办。 为了加深学员们对MindSpore大模型开发的理解，昇思MindSpore技术布道师Geng和Ying老师在实践环节手把手带教，引导学员熟悉基于MindSpore TransFormers的大模型全流程实践，使技术实践与理论培训紧密结合，让大家直观感受到MindSpore大模型开发的强大潜力。 **8、\*\*\*\*“粤”见昇腾 | 昇腾AI开发者创享日·广东站圆满举办** 6月29日，昇腾AI开发者创享日·广东站在广州成功举办。会上，来自昇腾AI的技术专家们，围绕昇思MindSpore 2.3版本技术升级做了详细解读，在AI框架能力上，昇思MindSpore提供多级编译的能力，同时支持静态图和动态图模式，兼顾模型的开发效率与执行性能，并通过MindStudio工具链，高效执行大模型的调试、调优，开发效率倍增。 **06** **技术分享** \*\*1、\*\***昇思MindSpore技术公开课第十三讲 多维度混合并行自动搜索优化策略** 昇思MindSpore技术公开课大模型专题精彩继续！本期我们对第十三讲的课程多维度混合并行自动搜索优化策略知识点进行总结，主要从并行模式、时间损失模型建模、改进多维度二分法、实验现象、Automatic 3D Parallelism Strategies Search (APaSS/APSS)算法五个知识点进行讲解。 \*\*2、\*\***用AI勘探地质：全波形反演技术 (FWI) 原理与AI方法的应用** 全波形反演技术 (Full waveform inversion, FWI）利用地震波模拟和数学优化方法，通过地表观测得到的地震数据来获取地下的地质特性分布，从而为后续的油气藏开发提供输入。 由于大规模的声波、弹性波方程数值求解需要巨大的HPC算力资源，因此工程中使用FWI技术十分昂贵。为了降低该技术的成本，目前学术界正在积极尝试利用AI方法辅助或替代现有的FWI技术。本文将首先介绍FWI方法的原理，然后简要概述当前AI方法在FWI当中的应用。 \*\*3、\*\***揭秘色彩魔法：智能感知背景下的文档图像阴影消除** 随着智能手机的飞速发展和成像质量的提高，人们更加倾向于使用手机进行数字文档复制。然而，当光源被遮挡时，捕获的文档图像非常容易受到阴影的影响。阴影区域的低亮度降低了文档图像的质量和可读性，导致内容难以辨认，用户体验不愉快。因此，文档图像的阴影去除是各种视觉应用所需的图像处理任务。 本文首先引入颜色感知背景提取网络(CBENet)来估计阴影图像的空间变化背景。然后，提出了一种基于背景的文档图像阴影去除网络(BGShadowNet)，该网络首先使用背景约束解码器预测粗阴影去除结果，然后将注意力模块BAModule和细节增强模块DEModule嵌入到编码器-解码器网络中，以改善粗糙结果，并产生具有一致外观和丰富细节纹理的最终无阴影结果。将本文的BGShadowNet与最先进的方法进行比较的实验证明了它的优越性。 \*\*4、\*\***Ising机的可能实现方式——基于超导电路光机械腔的拓扑晶格** 光机械腔（Optomechanic Cavity)是一种通过辐射压将光与机械振子耦合的器件，目前已支持片上集成和光纤远距离互联，是演示新奇量子物理现象和实现量子精密测量的有力平台。本文将介绍该领域的一篇重要工作，作者分别构建了一维链和二维蜂窝结构的光机械芯片，实现了Su-Schrieffer-Heeger模型和应变石墨烯模型，并能对模式作直接测量。我们相信该技术与量子退火/量子启发式算法结合，可以为集成光机械系统用于先进计算提供启发。 **07** **感谢每一位\*\*\*\*朋友、开发者的支持** 在此感谢社区伙伴们、可爱的小孢子们以及昇思MindSpore SIG组成员们，因为大家的共同努力及辛勤奉献，昇思MindSpore才能不断成长与发展！同时我们对可能出现的不完善之处向您表示诚挚的歉意，并衷心感谢您的理解与支持。 截至2024年6月底，昇思MindSpore下载量已超过**757万**，未来，昇思MindSpore AI框架将持续致力于打造人工智能创新之源，凝聚产业力量，扎根AI根技术，使能大模型与科学智能，成为AI创新的首选框架。 --- https://www.mindspore.cn/news/zh/3234/ --- 新闻 昇思MindSpore创新训练营·华中区域站成功举办 # 昇思MindSpore创新训练营·华中区域站成功举办 2024/07/24 # 昇思MindSpore创新训练营·华中区域站成功举办 7月18日，昇思MindSpore创新训练营·华中区域站圆满落幕，此次活动在华中师范大学举办，吸引了来自华中区域的12所高等院校的本科及研究生学员参与，参与高校包括华中师范大学、武汉大学、武汉理工大学、中国地质大学（武汉）、华中农业大学、中南民族大学、武汉纺织大学、武汉华夏理工学院以及来自上海、大连和贵州的高校。经过连续几天的学习与实践，学员们对人工智能及大模型领域的最新动态进行了深入讨论，全面掌握了行业发展的最新趋势，为自己在未来技术革新的征途上打下了坚实的基础。 在开场仪式上，昇思MindSpore生态技术专家杨滔介绍了整个训练营的课程计划，并表达了对学员们的期望，希望通过课程的系统学习，学员们能够全面地了解并掌握大模型技术，特别是在理解昇思MindSpore全场景AI框架方面，能够达到更深层次的认识。 昇思MindSpore生态技术专家杨滔 在课程中，昇思MindSpore布道师赵老师和吴老师通过实践指导学员使用MindSpore框架，结合华为云ModelArts的算力和MindNLP套件中丰富的自然语言处理模型，实现了Transformer、BERT、GPT、MusicGen等模型的训练和推理。从理论知识学习到代码案例实践，体验自然语言处理大模型的全流程开发，以及如何将这些模型应用于情感分类、文本摘要、音乐生成等具体任务。 昇思MindSpore布道师 赵老师(左) 和吴老师(右) 经过几天的集中学习，学员们不仅学习到了如何使用昇思MindSpore进行模型的构建和训练，还体验了从数据处理到模型部署的全过程。这种实战经验对于学员理解人工智能技术的原理和应用至关重要，同时也激发了他们未来对AI技术深入探索研究的兴趣。在课程的最后阶段，学员们以小组为单位，高效协作，顺利完成了各自的创新实践项目，并通过答辩的方式向大家展示了自己的项目成果。 上课现场&答辩现场照片 在结营仪式上，来自华中师范大学和华为技术有限公司的两位领导分别发表了讲话。 华中师范大学计算机学院党委副书记庄甲鹏表示，通过昇思MindSpore创新训练营，可以有效缩小学术界与产业界之间的差距，促进产学研的紧密结合，为学生提供实际操作和解决问题的机会，在学习过程中就能接触到行业内最新的技术和理念。这种实践导向的教学模式对于培养学生的创新思维和实际操作能力至关重要。 华中师范大学计算机学院党委副书记庄甲鹏 华为技术有限公司湖北政企教育行业总经理范林芳强调了人工智能在科技革命和产业变革中的重要作用。她提到华为重视产教融合，通过华为ICT学院等校企合作项目，积极培养创新型人才，并强调了创新训练营在提升学生技术水平和创新能力方面的作用。最后，表达了华为希望与高校加强合作，共同推动科技创新和人才培养，为国家建设和社会进步做出贡献的愿望。 华为技术有限公司湖北政企教育行业总经理范林芳 轻松活跃的课堂氛围激发了同学们丰富的创意，在作品展示环节，来自中国地质大学的李航、夏嘉键及上海理工大学的徐大茗同学组成的“还好”小队，向大家展示了他们开发的项目——基于紫东太初与MusicGen的音乐相册视频生成系统。该系统可以根据一组图片自动生成带有背景音乐的视频。在项目实现过程中，小组学员充分利用了MindNLP套件一键安装、快速使用的优势，不仅将课堂上学习到的MusicGen进行了部署应用，根据文字生成相应的音乐片段，而且还在网上广泛搜集资料，在昇思社区获取紫东太初大模型用于分析图片中的内容并转文字，最后凭借熟练的python编程能力实现图片和音乐转视频的功能。 最后，小组成员李航同学进行的效果展示，他将自己旅游期间拍摄的一组照片给到系统作为输入，几分钟即可完成对应视频的生成，视频中欢快的音乐也给现场增加了几分乐趣。类似的项目还有很多，比如濒危鱼类识别与保护、纺织机异常检测等结合了对应专业特色的AI大模型应用。 李航同学在结营仪式上展示他们的作品 在活动的尾声，颁奖嘉宾们依次为参与答辩的同学们颁发了训练营证书和奖品，这些证书不单是技术能力的认可，更是对同学们努力与才能的赞赏。希望同学们在科技创新的道路上继续勇往直前，不断探索和突破。 获奖同学合影 创新训练营的成功举办，不仅为华中区域人工智能产业注入了新的活力，促进了产教的协同发展，同时也为充满激情的学生们提供了一个展现才华、相互学习与交流的宝贵平台。创新不止步，科技无边界，让我们期待下一场创新训练营，一起开启新的旅程，探索未知的可能！ --- https://www.mindspore.cn/news/zh/3235/ --- 新闻 6小时完成Llama 3.1-8B适配并开源！MindSpore Transformers大模型套件使能开发者创新 # 6小时完成Llama 3.1-8B适配并开源！MindSpore Transformers大模型套件使能开发者创新 2024/07/24 # 6小时完成Llama 3.1-8B适配并开源！MindSpore Transformers大模型套件使能开发者创新 北京时间7月24号, Meta 正式发布 Llama 3.1开源大语言模型, 包含8B、70B 及 405B 参数版本。其中的Llama 3.1 405B模型，在多项基准测试中可以媲美GPT4、Claude3.5等目前最强的闭源大模型。此外，8B 与 70B 参数的 Llama 3.1 模型与其他参数量相似的闭源和开源模型相比，也同样具有竞争力。 **01** **6小时完成Llama 3.1适配** **开发者基于MindSpore Transformers大模型套件，6小时完成Llama3.1-8b的微调及推理的迁移适配，并将代码开源至Gitee代码平台**，面向所有开发者开放体验、调用，后续将同步上传至各大模型社区。 MindSpore Transformers Llama3.1代码仓地址：https://gitee.com/mindspore/mindformers/blob/dev/research/llama3\\\_1 MindSpore代码仓地址： https://gitee.com/mindspore/mindspore 开发上，基于MindSpore Transformers大模型套件上**开箱即用的Llama3进行微调和推理部署**，即可得到Llama 3.1。 微调上，开发者利用大模型套件的权重转换工具，一行代码实现huggingface权重一键转化，同时通过使用MindFormers提供的Trainer等高阶易用性接口，仅需修改配置文件即可完成微调适配并成功跑通训练，loss曲线表明微调后训练任务稳定运行。 推理部署上，代码拉取、权重下载、权重转换步骤与微调一致，实现权重一键转换，推理结果显示，基于MindSpore Transformers适配的Llama 3.1模型精度与原生模型精度对齐。 **MindSpore Transformers llama3.1开箱流程** ****微调：**** 模型跑通后，Loss曲线显示微调任务稳定运行。 **推理：** **02** **关于MindSpore和MindSpore Transformers** 昇思MindSpore是华为开源的首个业界全场景AI融合框架，原生支持AI大模型与科学智能。大模型开发套件MindSpore Transformers基于MindSpore内置的并行技术和组件化设计,构建了大模型训练、微调、评估、推理、部署的全流程开发套件，支持业内主流的Transformer类预训练模型和SOTA下游任务应用，可以帮助用户轻松的实现大模型训练和创新研发。 --- https://www.mindspore.cn/news/zh/3252/ --- 新闻 MSG城市行·深圳站活动圆满举办丨为智而昇 思创之源 # MSG城市行·深圳站活动圆满举办丨为智而昇 思创之源 2024/08/02 # MSG城市行·深圳站活动圆满举办丨为智而昇 思创之源 8月1日，昇思MindSpore开源社区联合优软创新（北京）科技有限公司成功举办MSG城市行·深圳站！本次活动获得了深圳西丽湖人才服务中心的大力支持，吸引了业界专家学者、创新开发者以及企业精英汇聚一堂。 昇思和优软创新的AI技术大咖现场进行了精彩分享。来自浙江大学深圳校友会、英国帝国理工校友会、哈工大深圳校友会、深圳珠宝玉石国际贸易中心等对AI与大模型技术感兴趣的行业专家，力求通过本次活动争取在深圳响应《深圳加快打造人工智能先锋城市行动方案》落地更多国产化人工智能+应用场景，助力打造深圳的国产人工智能生态源头创新中心。 优软创新（北京）科技有限公司董事长金贵新在开场致辞中表示，昇思MindSpore作为人工智能的创新之源，在使能大模型创新、助力企业智能化转型中发挥着重要的作用。因其具备动静统一、一次开发支持端边云全场景部署的技术特性，为国产化AI技术的发展开辟了全新的道路，也为企业的智能化转型提供了强大的技术支持和无限可能。优软创新立足于国产化OS根技术、AI框架昇思MindSpore，汇聚AI算法的科研力量，联合培养ICT人才，研发科研成果，增强技术实力，并倡导采用边端云协同的方式进一步落地国产化AI应用场景。 优软创新（北京）科技有限公司董事长金贵新 昇腾技术经理董港分享了MindSpore Transformers的大模型套件的系列特性功能，并以Qwen1.5-7B为例进行大模型微调实践、推理实践。在实践环节，与线上线下开发者一起头脑风暴依托MindSpore Transformers大模型使能套件实现GLM3-6b大模型推理。 昇腾技术经理董港 优软创新AI技术国际高级顾问鲁为民博士（加州理工大学博士）介绍大模型落地行业应用场景的问题挑战和解决方案，并详细介绍了基于昇思MindSpore的优创云AIPaaS为机器学习算法及大模型算法如何落地企业应用进行详细解决方案讲解。 优软创新AI技术国际高级顾问鲁为民 优软创新AI技术专家薄傲峰分享了优软创新近年来与国内各大科研院所合作的智能优化、计算机视觉、复杂网络计算算法的应用案例，并详细介绍了知识图谱与问答系统的技术细节，与大模型的巧妙结合，以及大模型技术在电力、交通、医疗等领域的应用案例，启发现场观众更多的创造AI+应用落地。 优软创新AI技术专家薄傲峰 最后，昇腾生态经理闫波介绍如何通过昇腾AI及昇思MindSpore AI框架落地边端云协同的路径和应用案例，进一步让观众了解AI技术如何创造更多价值和可能。并邀请现场观众参加昇腾AI创新大赛，鼓励开发者基于昇腾AI和昇思MindSpore ，打造解决方案、探索模型算法，加速AI与行业融合，促进开发者能力提升。 昇腾生态经理闫波 为智而昇，思创之源。本次，MSG城市行·深圳站活动的成功举办，为深圳的人工智能产业发展注入了新的活力。未来，昇思MindSpore开源社区将在全国更多城市联合像优软创新（北京）科技有限公司等优秀伙伴举办更多活动，进一步扩大AI+技术生态。 **关于优软创新：** 优软创新（北京）科技有限公司是集人工智能、物联网等数字化技术研发、人才培养和解决方案服务为一体的高新技术企业，主要以国产化计算机操作系统根技术+AI技术研究为基础，面向教育、金融、交通、军工、能源、互联网、时尚和制造等重要行业和领域开展国产自主可控的数字技术解决方案、智能软硬件技术服务和数字化技术人才培养服务。 --- https://www.mindspore.cn/news/zh/3253/ --- 新闻 1000+开发者参与学习，第一期昇思25天学习打卡营圆满落幕，共同见证成长与收获！ # 1000+开发者参与学习，第一期昇思25天学习打卡营圆满落幕，共同见证成长与收获！ 2024/08/07 # 1000+开发者参与学习，第一期昇思25天学习打卡营圆满落幕，共同见证成长与收获！ 昇思25天打卡营是昇思MindSpore开源社区为开发和打造的能力提升项目。经过25天的紧张学习和不懈努力，第一期学习打卡营终于圆满落下帷幕。在这段时间里中，有1000+开发者加入到学习的行列中，我们见证了每一位学员的拼搏与进步，感受到了知识带来的力量与魅力；收获了多位开发者提的建议，不断完善社区建设。 在打卡营期间，同学们充分展现了自己的学习热情和求知欲。在这25天中，1000+开发者累计发布了近4万篇学习心得，积极分享学习心得和体会，相互激励、共同进步。其中134位同学完成25节课打卡，获得全勤奖。 在本期学习打卡营中，社区基于“**实践才是验证学习的唯一标准**”，发布了特别任务，助力开发者成长，以下同学在本次特别任务中以优异成绩获奖。 **0\*\*\*\*1** **创意应用开发奖** **0\*\*\*\*2** **优秀技术文章与视频奖** 恭喜以上同学在本次打卡营中获得奖项，优秀作品将陆续在公众号发布，欢迎大家关注公众号【昇思MindSpore】，获奖的同学请凭借昇思大模型平台账号截图联系小助手（mindpore\_0328）领取奖品。 第一期打卡营已经结束，但学习之旅并未停止，昇思MindSpore开源社区将继续为大家提供基于昇思MindSpore的优质课程资源和学习支持，助力每一位学员懂AI、用AI！ --- https://www.mindspore.cn/news/zh/3265/ --- 新闻 社区月报 | 昇思MindSpore全方位亮相WAIC，南方电网“驭电”智能仿真大模型荣获SAIL奖，昇思生态创新中心正式揭牌 # 社区月报 | 昇思MindSpore全方位亮相WAIC，南方电网“驭电”智能仿真大模型荣获SAIL奖，昇思生态创新中心正式揭牌 2024/08/09 # 社区月报 | 昇思MindSpore全方位亮相WAIC，南方电网“驭电”智能仿真大模型荣获SAIL奖，昇思生态创新中心正式揭牌 **_昇思MindSpore2024年7月份总结_** **01** **概述** 7月，昇思MindSpore开源社区持续保持高速发展的态势，在技术创新、社区活动、合作拓展等方面都取得了显著的成果。 在技术发展方面，昇思MindSpore2.3版本正式上线，增强动、静态图与大模型能力，MindSpore Flow新增偏微分方程基础模型PDEformer和谱神经算子SNO。MindSpore Transformers大模型套件使能开发者创新，开发者基于MindSpore Transformers大模型套件，6小时完成Llama3.1-8b的微调及推理的迁移适配。 在社区运作方面，昇思MindSpore开源社区理事会第四次会议、技术委员会第三次研讨会成功举办；昇思MindSpore生态创新中心在2024世界人工智能大会正式揭牌，中心面向客户、伙伴、开发者开放；MindSpore AKG SIG（特别兴趣小组）正式成立，并面向开源社区招募志同道合的伙伴；昇思MindSpore针对高校、教师、企业及开发者等不同群体，精心策划并举办了一系列多元化的活动，活动涵盖了布道师招募、暑期学校、创新训练营及开发者大赛等多个领域。 以下是7月昇思MindSpore社区进展的详细报告。 **02** **社区规模** 截至7月底，昇思MindSpore面向全球开发者，凝聚产业力量，持续打造人工智能创新之源。社区秉持开放透明原则，稳步建设开源生态，规模和活跃度得到持续提升。 昇思MindSpore累计下载量为**775万+**，2024年7月份增长了**18万+**； 发展\*\*3.4万+\*\*多名核心贡献者； 累计产生ISSUE共**39K**、PR共**96.7K**。 **03** **社区大事件** \*\*1、\*\***正式揭牌！上海昇思生态创新中心在世界人工智能大会2024精彩亮相** 7月5日，2024世界人工智能大会（WAIC 2024）期间，昇腾人工智能产业高峰论坛2024在上海世博中心盛大举行。在论坛上，上海昇思生态创新中心正式揭牌。 创新中心由上海市闵行区人民政府、上海临港经济发展(集团)有限公司、上海人工智能研究院有限公司、昇思MindSpore开源社区四方共建，落地于漕河泾开发区。创新中心立足上海、面向全国，致力于开展原生孵化与迁移适配技术服务，服务互联网、运营商、金融、教育、医疗等人工智能重点行业，推动AI基础软件技术创新与产业集聚。 \*\*2、\*\***昇思MindSpore开源社区理事会第四次会议、技术委员会第三次研讨会成功举办** 7月，昇思MindSpore开源社区理事会第四次会议、技术委员会第三次研讨会在上海成功举办。会上，完成了昇思MindSpore开源社区理事会和技术委员会会议的各项议程，保障社区持续高效的运作。理事会会议主要围绕昇思MindSpore AI框架的业务进展、技术规划、生态合作等方面进行了研讨。技术委员会会议同步了社区的运作机制更新、各SIG组最新工作进展以及大模型相关工作讨论。 \*\*3、\*\***昇思MindSpore亮相WAIC展区，展示产品竞争力** 在WAIC展览展示区域，2大展点、9块屏幕呈现产品及生态，向观众展示MindSpore的开源开放历程、框架核心及套件的使用价值与生态激励计划。昇思MindSpore展区累计接待200多位观众，覆盖电信运营商、头部互联网、大模型、金融及央国企客户、高校科研院所开发者等，传递MindSpore技术价值，收集客户、开发者声音形成问题改进及线索，为产品能力提升与生态拓展方向提供建议。同时，在国家展凭借终端业务展屏露出MindSpore Lite轻量化推理框架，向参会高层领导展示产品竞争力 。 \*\*4、\*\***依托昇思MindSpore AI框架，打造南方电网“驭电”智能科学计算大模型获2024WAIC最高奖项SAIL奖** 7月4日，南方电网公司的研发成果——“驭电”智能科学计算大模型赋能新型电力系统演进规律研究（简称：“驭电”智能仿真大模型），获得世界人工智能大会最高奖项——SAIL奖。 大模型的开发由南方电网公司联合华南理工大学、武汉大学、华为技术有限公司等单位，通过产学研合作的方式共同攻关完成。此外，在连续三年的WAIC上，昇思MindSpore都为最高奖项SAIL奖提供了助力。 **04** **技术进展** **1**\*\*、\*\*******昇思MindSpore2.3版本正式上线，增强动/静态图与大模型能力****** 经过昇思MindSpore社区开发者们的开发与贡献，7月17日正式发布昇思MindSpore2.3版本，其中动态图开发支持算子直调提升API性能，静态图开发支持O(n)多级编译提升调试调优能力。 在大模型训练方面，支持大模型场景计算与通信掩盖的极致优化，并新增接口FlopsUtilizationCollector，提供算力利用率统计能力，在大模型推理方面，推出针对LLM的推理优化方案提升推理性能，MindSpore Transformers提升推理性能与易用性。 在科学计算套件方面，MindSpore Flow新增偏微分方程基础模型PDEformer和谱神经算子SNO。 \*\*2、\*\*******6小时完成Llama 3.1-8B适配并开源！MindSpore Transformers大模型套件使能开发者创新****** 北京时间7月24号, Meta正式发布Llama 3.1开源大语言模型, 包含8B、70B及405B参数版本。其中的Llama 3.1 405B模型，在多项基准测试中可以媲美GPT4、Claude3.5等目前最强的闭源大模型。此外，8B与70B参数的Llama 3.1 模型与其他参数量相似的闭源和开源模型相比，也同样具有竞争力。 开发者基于MindSpore Transformers大模型套件，6小时完成Llama3.1-8b的微调及推理的迁移适配，并将代码开源至Gitee代码平台，面向所有开发者开放体验、调用，后续将同步上传至各大模型社区。 MindSpore Transformers Llama3.1代码仓地址：https://gitee.com/mindspore/mindformers/blob/dev/research/llama3\\\_1 MindSpore代码仓地址：https://gitee.com/mindspore/mindspore \*\*3、\*\*****昇思MindSpore SIG获得持续性技术进展**** Cascade-Net模型将湍流物理上的能量级串物理机制融入网络架构，使生成对抗网络Cascade-Net具有尺度传递拓扑结构，目前该成果已在MindSpore Flow开源。 在安全方面，MindSpore Trusted AI SIG构建CV类模型白盒与黑盒反演能力，支持inverse\_net、shadownet等反演攻击算法，同时支持PSNR/SSIM等反演攻击评估指标，支撑模型中间结果隐私泄露评估。此外，构建大模型自动化对抗攻击能力，GCG算法支持单模型单prompt对抗样本生成模式。 **05** **社区动态** \*\*1、\*\***昇思MindSpore创新训练营火热进行中！** 昇思MindSpore创新训练营以实际项目和业界需求为牵引，以学生实践为主线，让学生在实践的过程中学习和实践人工智能相关知识，掌握相关技术和工具，紧跟业界最新趋势，加深对人工智能行业的认识。训练营作为一个系列活动，目前已经在全国范围内成功举办了8场活动，覆盖众多高校和开发者。 7月初，社区分别在北京和武汉各举办了一场昇思MindSpore创新训练营，共吸引了33所高校140余名本科及研究生学员参与，通过几天的学习和实践，学员们深入探讨了人工智能和大模型前沿动态，全面了解了业界最新发展趋势，并顺利完成了各自的创新实践项目，为未来的创新之路奠定了坚实的基础。 8月底，我们将面向长三角研究型大学学生，在上海交通大学开展下一场训练营，共同探讨和学习最新的技术知识。 \*\*2、\*\***25天学习打卡营隐藏任务正式开启！** 昇思MindSpore学习打卡营是昇思社区为开发者打造的能力提升项目，第一期打卡营截止目前已经有1000+开发者加入学习，欢迎更多开发者加入打卡营行列共同学习！ 此外，社区于7月18日发布特别任务，助力开发者成长！开发者可根据喜好任选特别任务进行，社区为参与开发者提供免费昇腾AI算力，同时还有机会赢取丰富的惊喜大奖！ \*\*3、\*\***昇思MindSpore布道师招募正式启动！邀你成为昇思社区领袖** 为更好的打造属于开发者自己的开源社区，昇思MindSpore开源社区面向高校、企业、个人开发者，招募**认证布道师**与**布道师预备队**。认证布道师需熟练掌握异思MindSpore开发流程，并具备授课经验；布道师预备队为社区布道师培养计划，将为预备队成员提供昇思技术培训与布道培养，助力开发者成长。 **4、\*\*\*\*「MindSpore SPONGE暑期学校第四季」火热招生中，速来掌握AI+分子动力学新技能** 昇思MindSpore一直致力于生物计算领域的发展，联合北京大学化学与分子工程学院、北京昌平实验室 、深圳湾实验室开发新一代的AI+生物计算套件MindSpore SPONGE，该套件具有高性能、模块化等特性，易于领域研发人员进行理论和算法的快速实现，推动人工智能与分子动力学模拟的自然融合。为支持广大高校科研院所及企业开发者学习、使用，昇思MindSpore开源社区将于2024年8月23~25日在深圳举办第四季「MindSpore SPONGE暑期学校」。 依托MindSpore SPONGE，本次暑期学校将围绕人工智能（AI）与分子动力学模拟（MD）为课题展开，内容将涵盖分子动力学模拟的基础使用，增强采样，有机反应力场的训练，蛋白与配体的模拟等，为相关领域科研人员的研究与应用工作助力。欢迎报名参加本次暑期学校！ \*\*5、\*\***欢迎加入昇思MindSpore AKG SIG！打造业界领先的图算融合编译器！** AKG是Auto Kernel Generator的简称，在昇思MindSpore框架中担任图算融合编译加速的任务。AKG基于polyhedral多面体编译技术，可自动生成满足并行性与数据局部性的调度，目前能够支持NPU/GPU/CPU等硬件。 昇思MindSpore自开源以来不断发展，我们希望让更多的人尝试AKG解决自己的业务问题，基于AKG进行最新的AI编译技术的实践和落地工作，同时，AKG也可以依托社区的实践进行自身的技术迭代。在此背景下，MindSpore AKG SIG（特别兴趣小组）正式成立，并面向开源社区招募志同道合的伙伴。 \*\*6、\*\***累计观看过万，MindSpore SIG技术分享会线上直播分享** 昇思MindSpore SIG本月共举办8场线上直播分享，其中MindSpore Quantum SIG连续举办5场“量子计算组会一起开”论文直播分享 ，蔻享、B站累积观看次数达1.5万+；此外，线下支撑了Q-ESCAPE会议以及第三届中国物理菁英华为松山湖研习营；MindSpore SPONGE SIG、MindSpore Usability SIG以及MindSpore Trust AI SIG分别组织1次技术分享会讲解SIG相关议题。 **06** **社区案例** \*\*1、\*\***声音克隆术：用GPT-SoVITS-MindSpore打造你的数字声音分身** 你是否想象过拥有一个和你声音一模一样的虚拟分身？现在，通过基于GPT-SoVITS的语音生成技术，这一幻想可以成为现实！ 昇思MindSpore已支持音色克隆项目 GPT-SoVITS，使用当下流行的影视角色、动漫人物的音色，即可花样定制各类“声音克隆”，让我们一起探索这项令人兴奋的技术，看看如何基于MindSpore NLP + GPT-SoVITS一步步创造出专属于你的数字声音分身。 SoVITS的原理可以很简单地抽象为下图右边的编码器解码器结构。在重建的过程中模型将训练集音色学习进它的参数中，因此输入其他音色的语音经过编码后，VITS模型也能重建出学习过的音色的语音。 \*\*2、\*\***智慧驾驶的“眼睛”：大连理工大学基于昇思MindSpore打造智慧驾驶AI视觉感知技术解决方案** 随着人工智能技术的飞速发展，智慧驾驶正逐步成为现实。在这场技术革新的浪潮中，AI视觉感知系统是实现车辆自主导航和保障行车安全的核心。“智驾视界”团队针对智慧驾驶行业痛点，攻克了无人驾驶技术在优化压缩关键环节中所面临的精度损失难题，推出通用高效的智慧驾驶视觉感知优化方案，开发了基于昇思MindSpore的模型优化压缩核心技术。 该方案专注于为自动驾驶领域打造高性能的AI视觉技术一体化能力，旨在满足用户在不同应用场景下、面向不同平台和车载终端设备的需求。方案以精度高、通用性强、速度快为核心特点，能够在各种复杂驾驶场景中提供卓越的AI视觉算法性能。在昇思MindSpore AI框架的推动下，“智驾视界”团队实现了对解决方案的部署与优化，有望获得在自动驾驶领域的进一步推广。 **07** **技术分享** \*\*1、\*\***基于昇思MindSpore的能量超球体模型提升以事件为中心的结构化预测** 该论文提出了一种基于能量的超球体模型（SPEECH），用于解决以事件为中心的结构化预测任务。针对事件结构复杂且组件之间存在多种依赖关系的问题，SPEECH模型通过能量函数和超球体表示方法，成功捕捉了事件结构化组件之间的复杂依赖。在MAVEN-ERE和OntoEvent-Doc两个数据集上的实验结果表明，SPEECH模型在事件检测和事件关系抽取任务上均展示了显著的性能和精度提升。 **2、基于昇思MindSpore实现知识图谱增强多模态类比推理** 在人类智能中，类比是一个很基本的能力，在某种程度上，可以认为是人类智能的源头之一。人们通过将一个概念或情境与另一个相似的概念或情境进行比较，来理解和解决问题。这种方法可以帮助人们通过熟悉的概念来理解抽象的概念，并使用自己在这些概念中获得的经验来解决问题。 本文提出了基于知识图谱的多模态类比推理任务，对此任务进行了形式化的定义并提供了一个多模态类比推理数据集MARS和多模态知识图谱数据集MarKG。在多个知识图谱嵌入模型和预训练Transformer模型上的实验表明了这个任务的困难性和可挖掘性。 \*\*3、\*\***量子计算论文精讲《量子线路自编码器》** 量子自编码器是一种量子神经网络模型，用于压缩存储在量子态中的信息。然而，在新兴的量子信息技术中，许多任务都需要处理存储在量子线路中的信息。本文将介绍处理蕴含在量子线路中的信息的量子线路自编码器。量子电路是经典自编码器和量子自编码器的思想的推广。作者构造了一个完整的量子线路自编码器协议，并设计了一个变分量子算法来实现该协议。此外，作者还从理论上分析了该模型，推导了无损压缩的条件，并给出了其重构保真度的上下界。最后，作者将量子线路自编码器应用于三个量子信息处理任务，结果表明该算法可能适用于量子电路的其他信息处理任务。 \*\*4、\*\***量子计算论文精讲《里德堡原子的多样性与量子计算潜力》** 中性原子量子计算是最近几年兴起的量子计算实验平台。在可扩展性方面，已经有多个研究组实现了超过100个原子的晶格排列，最多的原子数约为6100个。在操控方面，目前该体系的单量子比特门和两量子比特门的保真度都已经超过了99%，达到了和超导与离子阱同样的实验精度。目前碱金属当中的铷和铯，以及碱土金属当中的锶和镧系元素镱都成为了热门的候选原子。在这里，我将介绍这几种候选原子的相关进展，以及它们在未来的量子计算潜力。 **08** **感谢每一位\*\*\*\*朋友、开发者的支持** 在此感谢社区伙伴们、可爱的小孢子们以及昇思MindSpore SIG组成员们，因为大家的共同努力及辛勤奉献，昇思MindSpore才能不断成长与发展！同时我们对可能出现的不完善之处向您表示诚挚的歉意，并衷心感谢您的理解与支持。 截至2024年7月底，昇思MindSpore下载量已超过**775万**，未来，昇思MindSpore AI框架将持续致力于打造人工智能创新之源，凝聚产业力量，扎根AI根技术，使能大模型与科学智能，成为AI创新的首选框架。 --- https://www.mindspore.cn/news/zh/3271/ --- 新闻 昇思MindSpore助力电子科技大学人工智能教学，培养AI原生人才 # 昇思MindSpore助力电子科技大学人工智能教学，培养AI原生人才 2024/08/22 # 昇思MindSpore助力电子科技大学人工智能教学，培养AI原生人才 **项目实施背景** 发展新质生产力对人工智能人才培养提出了迫切的需求。国内众多高校均已设立人工智能专业，但人工智能创新人才培养模式还面临诸多问题，其中实验教学的问题尤为突出。 实验教学是培养人工智能实践和创新能力的关键环节。当前，人工智能实验内容仍以传统的机器学习算法为主，而作为人工智能技术主要实现途径的深度学习课程的实践却难以开展，普遍存在实验设备和资源不足、课程理论性过强、实践性不足等问题。此外，产学研合作不够深入，课程难以跟踪迅速发展的人工智能产业前沿，导致人才培养与产业脱节。 本项目针对以上问题，建设了面向行业发展需求的AI实验平台与内容，大幅降低了实验平台成本，有效解决了人工智能实践教学的痛点问题，对于人工智能创新人才的培养具有重要意义。 本项目相关成果入选**2023年第十届教育部产学合作协同育人对接会典型项目成果展，并获教育部产学合作协同育人项目华为优秀成果奖、第五届中国计算机教育大会计算机类教学资源建设优秀教学案例一等奖**等。 图1. 教育部高等教育司司长周天华（右二）和产学合作协同育人项目专家组组长徐晓飞（右一）在参观本成果展示 **改革思路及举措** 深度学习实践教学难以开展的根本原因，在于实验硬件平台昂贵、软件平台混乱，难以开展人工智能创新实验。本案例的改革思路是，结合科研项目经验和华为昇腾AI全栈全场景产业技术资源，建设跟踪产业发展前沿、成本低、易于部署和推广的AI实验平台和逐级推进的全流程深度学习实验项目内容，有效解决深度学习的实践教学难题。 本案例的建设目标是，支持人工智能课程的实验教学，通过理论与实践相结合，帮助学生深入了解人工智能的基本原理和应用场景，掌握AI行业前沿技术的基本使用，提高AI创新能力和解决实际问题的能力，培养具有创新精神、掌握前沿技术、具备跨学科融合能力、能够解决实际问题的人工智能创新人才。主要举措如下： **01** **实验平台建设** 基于华为Atlas 200 DK开发者套件建设成本低、算力强的深度学习实验平台，具体内容可分为硬件平台和软件平台两方面。 （1）硬件平台：Atlas 200 DK开发者套件和集群服务器。 图2. Atlas 200 DK开发者套件 Atlas 200 DK开发者套件（型号:3000）是一款高性能的AI应用开发板，集成了昇腾处理器，提供强大的AI计算能力，支持快速开发和验证AI应用，适用于开发者方案验证、高校教育、科学研究等场景。 集群服务器可由树莓派等Linux主机系统构建，用于接入多个Atlas 200 DK开发者套件，为深度学习实验提供充足的AI算力池。 （2）软件平台：开发集群服务器软件，提供高效的并行推理服务，支持远程开展深度学习的推理实验，主要包括：集群管理系统，提供简单、灵活的模型部署等功能；远程推理软件包，支持Python等多种开发语言，适用于不同课程，匹配学生的个性化选择。 该集群实验平台具有显著优势。使用“昇腾AI远程推理集群”进行推理实验，无需人手一套Atlas 200 DK开发套件，无需物理连接，无需登录使用。使用少量的AI算力设备即可开展大量学生的实验课，这极大减少了对AI算力设备的数量需求，并且大幅降低了实验准备的复杂性，让学生专注深度学习的实验本身，提升实验教学效果。 图3. 昇腾AI远程推理集群的使用模式 **02** **实验项目建设** 整个项目涉及深度学习的数据集构造、模型训练、模型推理和应用开发的全流程内容，一方面将帮助学生掌握深度学习应用的全部关键环节，敢于独立开展创新实践，另一方面将帮助学生了解人工智能领域的先进产业技术，紧跟行业发展前沿，培养创新意识。 深度学习应用的基本开发流程如图4所示，本实验项目覆盖其中的全部内容，培养人工智能系统的设计和开发的实践与创新能力。 图4. 深度学习应用的基本开发流程 本实验项目包括3个实验，分别是：LeNet-5的昇思MindSpore框架训练、基于Atlas 200 DK的手写数字识别和ModelArts深度学习模型训练与部署。这三个实验环环相扣，逐级挑战，覆盖深度学习应用的全流程，即：数据准备、模型训练、模型评估和模型部署，培养人工智能领域的综合实践创新能力。第一个项目独立完成，第二个项目和第三个项目以小组为单位完成，每组2～3人，锻炼学生对AI项目的管理能力、沟通交流能力以及团队协作能力。 以下简要介绍这三个实验项目。 **（1） 项目1: LeNet-5的MindSpore框架训练** 模型训练是深度学习应用的前提，本实验使用昇思MindSpore框架在通用CPU上训练LeNet-5模型，帮助学生深刻理解模型训练的原理，掌握使用华为AI技术的深度学习模型训练方法。 LeNet-5是深度学习的经典网络模型，在手写数字识别任务上取得了显著效果，并获广泛应用，并为后来卷积神经网络的发展奠定了重要基础。LeNet-5主要由两个卷积层和三个全连接层组成，其中卷积层用于提取图像特征，全连接层用于对提取的特征进行分类。 图5. LeNet-5模型的神经网络结构 昇思MindSpore是华为推出的新一代全场景AI框架，作为AI基础软件，原生支持大模型的训练与推理、AI+科学计算创新，最佳亲和昇腾硬件释放极致性能。主要的3个特点： 1）极简易用，一套架构支持动静统一，兼顾大模型训练效率与性能； 2）训推一体，模型从训练到推理部署无需切换框架、0代码转换；3提供开箱即用的典型模型如Llama、InternLM2、Qwen等及大模型开发套件，使能开发者加速大模型创新。 昇思MindSpore作为框架后起之秀，自2020年开源以来锐意进取，已成为国内第一梯队框架，技术与开源生态繁荣，版本累计下载次数超过750万，核心贡献者超过3.2万人，支持国内外50多个大模型，广泛应用于金融、运营商、制造、教育等10多个行业，展现出强大的技术实力和应用前景。 本实验要求学生掌握以下主要内容： 1）使用昇思MindSpore定义LeNet-5深度神经网络； 2）使用昇思MindSpore定义损失函数和优化器； 3）使用昇思MindSpore加载Mnist数据集； 4）使用CPU进行训练，并评估模型性能； 5）查看结果，并保存模型文件； 6）创新探索：鼓励学生探讨LeNet-5的卷积核大小、网络结构等模型超参数可如何调整，并分析这些调整将带来哪些影响。 该实验的LeNet-5模型文件将用于项目2的模型推理和应用。 **（2）项目2：基于Atlas 200 的手写数字识别** 深度学习模型的推理是深度学习应用的基础，本实验以手写数字识别应用为例，使用华为Atlas 200I A2推理卡集群或Atlas 200I DK A2作为模型部署和推理设备，帮助学生深入理解模型推理的原理，掌握使用华为AI技术的深度学习模型推理方法。 手写数字识别是CNN（卷积神经网络）模型的第一个成功应用，被广泛应用于银行支票手写数字识别、卡号识别等多种实际场景，是人工智能领域的一个经典实验项目。 本实验使用项目1的实验结果，在“昇腾AI远程推理集群”上进行推理。实验可在台式计算机或笔记本电脑上进行，要求掌握以下主要内容： 1）使用模型工具atc转换项目1的模型文件为Atlas 200 DK使用的离线模型格式； 2）将上步得到的离线模型上传到Atlas 200 DK套件上，并使用远程推理工具airloader加载为远程推理服务； 3）安装远程推理软件包，下载远程推理的样例开源项目，查看手写数字识别的Python文件； 4）使用该远程推理样例项目，对输入的图片进行数字识别，分析结果； 5）创新探索：鼓励学生参照该样例，尝试其他模型完成推理部署和创新应用开发，鼓励学生深入了解Atlas 200I A2模块，并尝试基于此智能硬件开展更多创新探索。 该实验帮助学生掌握了深度学习的推理流程和应用方法，由于使用“昇腾AI远程推理集群”进行，极大地降低了深度学习平台的建设成本和使用复杂性，有利于该实验的推广应用，服务于更多课程的教学需要。 **（3） 项目3：云侧：基于ModelArts的深度学习模型训练与部署** 在掌握了端侧模型训练与模型推理的基础上，本实验在华为云上使用ModelArts 和昇思MindSpore作为实验环境，覆盖数据集准备、CNN的模型结构设计、模型训练和模型部署的完整流程。 ModelArts是华为云推出的一款面向开发者的一站式AI开发平台，旨在提供简单、高效、全面的AI开发解决方案。该平台集成了丰富的功能和工具，支持海量数据预处理及交互式智能标注、大规模分布式训练、自动化模型生成，以及端-边-云模型按需部署能力。 本实验在华为云上进行，使用华为全栈AI技术开发基于深度学习技术的花卉识别网络服务，主要任务包括：准备数据集、构建CNN模型、训练模型和部署为网络服务，要求学生掌握以下主要内容： 1）创建ModelArts实验环境，导入昇思MindSpore等相关软件包； 2）导入花卉数据集，构建训练集和测试集，并进行可视化分析； 3）基于昇思MindSpore构建ResNet等深度CNN神经网络，定义网络结构和优化器； 4）使用NPU进行模型训练，分析训练过程和收敛结果； 5）使用测试数据集进行模型验证，评估模型性能； 6）在华为云上部署为花卉识别网络服务，验证并分析应用性能； 7）创新探索：鼓励学生基于华为技术开发GAN、RNN等其它深度神经网络模型的创新AI应用，并积极参与科研实践和科创竞赛，进一步锻炼创新和综合实践能力。 该实验内容涵盖深度学习应用开发的全流程，帮助学生掌握华为AI技术使用和人工智能应用开发技能，且全部操作使用华为云服务进行，实验成本低。 **项目成果、创新点及成效** 项目获“优秀”结题，并获得教育部产学合作协同育人项目华为优秀成果奖。 图6. 项目所获荣誉证书 **0\*\*\*\*1** **项目成果** **（1）“昇腾AI推理集群”实践新平台** 针对传统的人工智能实践模式的资源依赖强、平台高成本、实践项目不灵活等不足，本项目独立开发了“昇腾AI推理集群实践平台”实验新方案，解决了Atlas 200 DK开发板资源不足、环境配置繁琐、实践结果不直观等痛点问题，基于此构建了一种分布式人工智能教学实践平台，符合高校实践教学迫切需要。 图7. “昇腾AI远程推理集群”实物图 **（2）共建《机器学习》课程，有机融入昇思MindSpore等华为AI全栈技术的课程教学资源** 主要包括： - 《机器学习》的课程教案、课件； - 实践项目方案和实验手册； - 学生实践项目报告和成果DEMO； - 相关完整的数据集和源代码； - 使用心得反馈和建议。 **（3）昇腾AI远程推理集群开源项目** 已在gitee网站上公开发布，访问IP地址超过3900个。共享内容包括Atlas 200 DK远程推理镜像、相关软件包、实验案例源代码和实验手册等。 **02** **项目创新点** 华为公司自主研发的昇腾全栈AI平台，具有强大算力和生态技术先进性，并通过Atlas 200 DK系列推理设备，为开展深度学习课程实践和人才培养提供了极好的条件，但存在设备资源稀缺和连接复杂性等困境。 本项目采用将深度神经网络模型的推理与前后处理相分离的新思路，创新提出并独立完成的“Atlas 200 DK远程推理集群”AI实验新方案，支持分布式并行推理、24小时远程使用，可解决硬件资源稀缺、环境配置复杂等难点问题，具有低成本、伸缩性强、易于上手、可视化体验好的特点，对提升人工智能教学的深度、难度和强度具有重要推广价值。 主要创新点: 1）解除开发板物理连接，实现远程推理服务，简化部署，全时可用。解决了神经网络计算设备严重不足、深度学习环境配置复杂、上手难的问题； 2）提供跨平台推理框架，自动分布运行，学生专注模型应用开发。该框架将模型推理与深度学习应用相分离，可充分发挥华为AI设备的NPU算力和学生个人电脑的CPU算力，支持开展趣味强、样式多的创新实验； 3）提供实验新案例和测试工具。基于该实验平台，设计开发了图像风格转换、人像肖像分割等远程推理新案例；开发了灵活、一致的测试工具，提升实验体验； 4）提供集群解决方案，进一步充分发挥昇腾算力，服务更多学生。构建的集群服务提供透明的分布式服务，可提供并行推理能力，服务更多学生在少量开发板资源上同时开展实践。 **5）从训练到推理全流程使用华为全栈AI技术，包括昇腾芯片、CANN、昇思MindSpore、ModelArts，可在华为云或昇腾训练服务器上训练模型，在开发板上推理，完成更多个性化的创新应用。** **03** **项目成效** 自2020年秋学期始，电子科技大学自动化工程学院逐步全面引入昇腾与昇思MindSpore的国产软硬件体系，并作为首批“智能基座院校”大力推进“智能基座”课程建设。截止2024年春季学期，已达成全学院AI类课程与昇思MindSpore全面融合覆盖。如下表： 经过2年有余的课程融合，使用昇思MindSpore授课累计覆盖学生500+。基于此建成国内首个昇腾AI推理集群实践平台，已应用于12次教学任务，其中本科生课程6次，研究生课程6次；受益学生累计超过860人，总体效果明显。 图8. 课堂实验场景 图9. 实验成果展示 学生实验成果丰富，评教结果良好。研究生教学任务已完成6次，累计612人选课，评教平均分91.2。本科生教学任务已完成6次，累计参评人数224，学生评教均为“四星”。 图10. 学生反馈（节选） 指导学生参与昇腾AI相关竞赛获奖超过10次，主要奖项有： - 昇腾AI创新大赛，四川省银奖2项，2022，2023 - 昇腾AI创新大赛，四川省新锐奖2项，2022，2023 - 华为ICT大赛实践赛AI赛道，全国一等奖1项，2024 - 华为ICT大赛实践赛AI赛道，全球二等奖1项，2024 **应用及推广情况** 面向全国合作教师、校内外学生社团/开发者等进行15次经验分享，均获得高度评价，培训视频发布在各官方网站。 此外，在华为云开发者社区论坛发帖，浏览量超过9500次。 **经验总结** 项目的主要经验有： 1）产业前沿技术是培养卓越工程师型人才的重要实践载体。昇腾AI处理器和昇思MindSpore AI框架一站式支持AI相关课程的全流程实践，赋能自主工业软件技术先进、资源丰富、支持全面；openEuler新型OS是自主基础软件的优秀实践平台。 2）产教融合需要校企结合、主动融合。根据课程需要，主动了解企业先进资源，并针对性对接企业资源、融合企业资源。如不能精准对接，则需要先“融”才能“合”，重构课程或开发新工具。 3）昇腾AI推理集群平台实践新方案是产教融合的典型案例：与企业深入沟通，通过建设新工具，实现了充分融合，可低成本地支持深度学习课程的实践教学，有效培养学生的创新实践能力和创新意识。 4）大模型引发产业巨变，产教融合是课程改革新方向、新机会，深化产学合作，建设跟踪前沿产业技术的课程实践资源，服务更多学生。 项目实施以来，课程组在持续开展教学实践，并不断深入探索优化，激发了学生的昇腾实践兴趣，取得了学生的广泛认可。 --- https://www.mindspore.cn/news/zh/3274/ --- 新闻 昇腾与昇思原生，助力智谱打造自主创新大模型体系！ # 昇腾与昇思原生，助力智谱打造自主创新大模型体系！ 2024/08/20 # 昇腾与昇思原生，助力智谱打造自主创新大模型体系！ **重磅亮相** 【北京】2024年8月19日，北京人工智能生态大会在中关村国家自主创新示范区会议中心颐和厅成功召开。会上，华为昇腾计算业务副总裁刘鑫发表演讲介绍昇腾原生进展，智谱CEO张鹏作专题分享，张鹏简要介绍了昇腾对自主创新的智谱大模型的助力，以及正在打造的基于昇腾的第四代代码模型CodeGeeX4和多模态模型CogVLM2-video。 其中，代码生成大模型CodeGeeX4的新版本基于昇腾AI与昇思AI框架训练，依托昇腾与昇思的多维混合分布式并行技术等软硬件能力等，将大幅提升模型开发、训练的效率及模型精度。 华为昇腾计算业务副总裁 刘鑫 智谱CEO 张鹏 **模型能力** **0\*\*\*\*1** **代码生成大模型CodeGeeX4** 第四代代码模型 CodeGeeX4堪称代码生成大模型的“六边形战士”，已经发布的CodeGeeX4-ALL-9B 仅用百亿级参数实现模型精度超越业界主流产品。在NaturalCodebench等测试基准上，相对于更大的模型实现了性能反超。 CodeGeeX4单一模型实现编程开发全流程覆盖，包括需求设计、前端开发、后端开发、数据处理等场景，支持代码补全和生成、代码问答、代码解释器、工具调用、联网搜索、项目级代码问答等全面能力。模型长序列达128K，支持中文、英文、俄语、法语、西班牙语等20+自然语言和300+编程语言。同时，在模型推理可实现单卡部署，最低24GB显存即可进行量化推理，用户可在本地私有化部署，保护企业代码安全。 **02** **多模态大模型CogVLM2-video（视频生成文本）** 多模态大模型CogVLM2-video实现视频生成文本能力，支持2K序列长度、224×224分辨率的视频理解以及中英文回答等功能。测试实践显示，CogVLM2-video在多个视频问答任务上达到了 state-of-the-art （SOTA模型）的性能，并能够实现一分钟内的视频理解，在几个主流性能测试数据集（MVBench, VideoChatGPT-Bench and Zero-shot VideoQA datasets）中，CogVLM2-video也表现不俗，展现出全面竞争力，同时在多类主要指标上完成对其他模型的领先。 **基于昇腾与昇思的新版本CodeGeeX4** CodeGeeX4在训练过程中，调用昇腾原生的融合算子，利用昇思MindSpore AI框架的提供的多维混合分布式并行能力，通过对流水交织并行、tensor模型并行的优化，解决内存瓶颈、降低计算空泡、提升通信效率，实现“计算、网络、存储”协同优化，对比同等规模参数的模型，训练效率20%提升，加速模型的迭代创新。 另外，该模型也采用昇思MindSpore 2.3版本原创的多级编译技术，开启O1编译选项增加自动算子融合优化，以接近动态图的启动时间获取了图模式下接近理论值的内存复用率，进而降低重计算比例，相对动态图获得15%的性能收益。 未来，智谱将与昇腾AI持续携手，打造更多领先的自主创新大模型，加速人工智能产业发展，助力中国千行百业的智能化转型，共同迈向智能新世界。 **昇腾使能AI产业生态打造原生成果** 自从昇腾全面启动原生开发，越来越多的生态伙伴选择昇腾，大模型生态从“应用迁移”走向“原生开发”，充分依托昇腾AI基础软硬件平台和完备的原生开发工具，提升开发效率、强化模型性能、加速应用落地，面向不同行业客户提供个性化的解决方案，与昇腾共同推进中国人工智能产业的蓬勃发展。 --- https://www.mindspore.cn/news/zh/3279/ --- 新闻 黄金AI时代，李沐下场LLM，无人汽车无人飞机火力全开（资讯更新系列） # 黄金AI时代，李沐下场LLM，无人汽车无人飞机火力全开（资讯更新系列） 2024/08/19 # 黄金AI时代，李沐下场LLM，无人汽车无人飞机火力全开（资讯更新系列） A：Hello，小麦（小Mi），请播报近期AI类新闻 B：1.机器人成了我的遛弯搭子！室外复杂地形难不住，还能上“健身房”；2.待萝卜快跑在武汉无人驾驶订单量已经超过 45%，出租车行业面临洗牌？；3.首位AI科学家问世！已独立生成10篇学术论文，还顺手搞了AI审稿人...... 周末MindSpore坛主去逛商场，不由得被最新很火的阿尔法狗吸引住了，这个阿尔法狗可不是你想的那个第一个击败人类职业围棋选手、第一个战胜围棋世界冠军的人工智能机器人，而是真的一只人工智能狗。 那么这样的一个阿尔法狗机器人可以干什么呢？MindSpore坛主也试着借助了一下大模型语言框架现场了解了一下： 阿尔法狗机器人也称为阿尔法机器狗（AlphaDog），是一种四足机器人，具有广泛的应用前景。这种机器人可以执行多种任务，包括但不限于： 1.家庭陪伴与看护：阿尔法机器狗可以作为家庭成员的伴侣，提供陪伴和娱乐，同时也可以用于看护老人或残障人士。 2.物流与运输：它们可以在运动场运送铁饼或在物流车间运送物品，利用其承重和快速行走的能力。 3.安全巡查与电力巡检：阿尔法机器狗可以进行安全巡查和电力巡检，利用其灵敏的识别和及时预警的能力。 4.教育辅导与知识问答：机器狗还能够进行知识问答、教育辅导，甚至才艺表演，通过学习积累提供帮助。 5.地形勘测与地图重建：它们可以用于地形勘测，进行地图重建和监控记录。 6.工业检查：阿尔法机器狗可以在工厂或危险场景下进行设备检查工作。 7.人道主义救援：在必要时，它们甚至可以参与人道主义救援，挽救生命。 此外，阿尔法机器狗具备多种步态和运动能力，例如平衡站立、行走、小跑、跳跑、奔跑和跳跃等。它们还集成了先进的人工智能、物联网、5G、虚拟现实/增强现实等技术，使其成为一个强大的机器人移动平台，可以开发各类应用。随着技术的进步和应用的拓展，阿尔法机器狗有望在更多领域发挥作用，成为人类生活和工作的助手。 也就是说，机器人已经开始逐渐进入我们的普通家庭生活了，脑洞大开，以后人类是选择养一个真实的宠物狗，还是会带回家一个人工智能狗呢？当宠物狗和人工智能狗发生矛盾时，又会如何处理呢？所以，很多电影的场景在之前看上去荒诞至极，但在现在却好像触手可及。 当然，MindSpore坛主始终认为人工智能的主要目标是通过减轻人类的工作负担，提高工作效率，以及促进人类智力水平的提升。‌ 人工智能的发展和应用，尤其是生成式人工智能技术的突破，如ChatGPT和Sora，展示了人工智能在认知和智能方面的显著进步，这些技术不仅在处理复杂任务上表现出色，还在辅助人类进行创造性工作方面展现出潜力。例如，IBM沃森系统目前正处于辅助学习的阶段，通过提供数据分析和决策支持，帮助人类更好地完成复杂的工作。 人工智能的应用不仅限于取代重复性、机械化的工作，如自动化生产线和无人驾驶，这些技术的应用旨在减少人类的体力劳动，同时提高生产效率和安全性。此外，人工智能在图像识别、语音识别、自然语言处理等领域的进步，使得机器能够更好地处理复杂的数据和信息，从而提高工作质量与效率。 尽管存在关于人工智能是否会取代人类工作的争论，但通过了解，更多的专业人士认为，人工智能的发展将促进人类的解放，通过减轻工作负担，使人类能够专注于更有创造性和个性化的工作。（比如马斯克认为，未来人工智能将取代所有工作，但这并不意味着人类将失去工作机会，而是意味着人类将有机会从事更高层次、更具创造性的工作。） 所以怪不得李沐大佬也在这样一个黄金时代下，直接下场LLM创业，大家都在努力创造着一个更加牛逼的黄金时代~~ 以上便是MindSpore坛主最近的感悟，那么本期推出的主要资讯内容如下： 1. 北京师范大学Mate60 Pro团队开发了基于昇思MindSpore的多模态风格化对话助手——MSCA（MindStyle Chat Assistant）。此项目的核心目的在于通过高度个性化的对话体验，来解决教育教学、文化传承和心理治疗中的实际需求。通过模拟如孙悟空、鲁迅等经典文学作品中的人物风格，MSCA不仅可以为学生提供更生动、更具吸引力的学习体验，还可以通过这些文化符号的传承，加深用户对文化的理解和感受。此外，MSCA可以提供24小时的心理咨询服务，特别是在模仿熟悉的亲人或知心哥哥姐姐时，可以为用户创造一个更舒适和亲切的咨询环境，这对于处理心理健康问题尤为重要。 2. “空中出租车”飞跨长江！成功！8月1日，上海峰飞航空的盛世龙eVTOL（电动垂直起降航空器）完成跨长江首飞。当天，该型飞行器从位于南京浦口区的南京市无人机基地起飞，飞越长江并沿江盘旋巡航后返回基地，航程25公里，往返飞行时长10分钟。据介绍，峰飞航空此次飞行实现了吨级以上eVTOL首次跨长江飞行。 3. Motiff妙多发布国内首个UI大模型，效果跑分超越苹果、GPT-4o。自GPT-4将多模态技术引入公众视野以来，多模态大模型进入快速发展阶段，逐渐从单纯的模型研发转向垂直领域的探索和应用，与各行各业深度融合。在界面交互领域，谷歌、苹果等国际科技巨头纷纷投入UI多模态大模型研发，这被视为手机AI革命的必经之路。在此背景下，国内首个UI大模型横空出世。8月17日，在IXDC2024国际体验设计大会上，AI时代设计工具Motiff妙多推出了其自主研发的UI多模态大模型——Motiff妙多大模型。这是全球首个由UI设计工具企业研发的大模型，标志着中国UI设计力量在全球舞台上的崛起。 4. 蜘蛛侠妖娆起舞，下一代ControlNet来了！港中文贾佳亚团队只用不到10%的训练参数，就能实现ControlNet一样的可控生成！而且SDXL、SD1.5等Stable Diffusion家族的常见模型都能适配，还是即插即用。同时还能搭配SVD控制视频生成，动作细节控制得精准到手指。 5. 史上最快对话视频AI来了，延迟不到一秒！端到端，能听、能看、会说、有形象。这个产品来自创业团队Tavus，因此也被称为Conversational Replicas by Tavus。主要功能就是搭建一个身临其境般的AI生成视频体验。看得网友热血沸腾的：好了，这下有“人”替我开ZOOM视频会议了哈哈哈哈！ 6. 笑死！马斯克成Grok2最大受害者，恶搞图满天飞。好家伙，马斯克新版大模型一上线，本人把他和川普当街热舞的视频都放出来了。Grok 2.0一出，马斯克确白天不知道片场扮演斯巴达勇士；晚上就又跟小扎以武会友；并且胖瘦只在一念之间，从肌肉猛男到200公斤级肥宅，只需要一张图生成的时间。 7. 史上首位“AI科学家”，横空出世！一登场就一口气生成了十篇完整学术论文。AI生成的一篇扩散模型论文，从提出研究想法、检查创新性、设计实验、编写代码，到在GPU上执行实验并收集结果，最后完成论文撰写，一气呵成。全由这位“AI科学家”自动搞定。这是第一个用于自动化科学研究和开放式发现的综合AI系统，而且这家创业公司（Sakana AI）司还额外搞出了个AI审稿人。审稿人能对AI写的论文进行评审，提供改进意见。 8. 苹果团队，又发布了新的开源成果——一套关于大模型工具调用能力的Benchmark。这套Benchmark创新性地采用了场景化测评方法，可以更好体现模型在真实环境中的水平。而且还引入了对话交互、状态依赖等传统标准中没有关注到的重要场景。 9. 全球首个AI流媒体音乐App来了！首先，如其名，这个App里的音乐都是由AI生成的。其次，它是无限流式的，也就是说，可以做到一直生成一直听。这个App是国内公司昆仑万维最新打造的一个出海产品——Melodio，同时也支持网页版。Melodio目前已经在各大应用商店上架，和其它音乐软件一样，只需下载就可以开始使用。 10. AI斗图神器：VideoDoodles讨论度直线上升。这项目能给视频加上手绘风格的涂鸦，可可爱爱的也行，奇奇怪怪的也行。就跟人工一帧一帧画上去的没差。这对目前市场上大多数的2D视频编辑软件来说，还是比较难的。但VideoDoodles能靠在视频中重建3D场景，然后在其中放置平面画布，来生成这种效果。 ...... 那么本期的资讯分享就这样啦~ 所以大家能在评论区回答MindSpore坛主一个问题吗？在阿尔法狗机器人和宠物狗都比较稳定健全的情况下，您是更加倾向于跟哪一类共同生活？ 1. 阿尔法狗机器人 2. 宠物狗 3. 成年人不做选择，问就是都要 4. 麻烦，都不要！ --- https://www.mindspore.cn/news/zh/3289/ --- 新闻 领航计算生物，点亮科技火花！MindSpore SPONGE暑期学校第四季收官 # 领航计算生物，点亮科技火花！MindSpore SPONGE暑期学校第四季收官 2024/08/26 # 领航计算生物，点亮科技火花！MindSpore SPONGE暑期学校第四季收官 【深圳】2024年8月23日-8月25日，MindSpore SPONGE第四季暑期学校活动在北京大学深圳研究生院成功举办，来自40多所全球知名高校的50+学子参与线下学习。 此次暑期学校由昇思MindSpore开源社区联合北京大学化学与分子工程学院、深圳湾实验室、昌平实验室举办，以分子动力学模拟方法与实践--人工智能与增强采样为主题，旨在为对分子动力学模拟感兴趣的同学提供相关资源，学习AI+分子动力学模拟基础从理论到实践探索AI与分子动力学模拟结合的多种应用场景。 来自北京大学、昌平实验室、深圳湾实验室的十多位专家学者，分别就MindSpore SPONGE AI+分子动力学模拟项目的由来、项目技术介绍与案例讲解、上机实践为学员们打下了理论与实践基础。同时，专家们开展面对面座谈，向同学们传递殷切的期望，勉励参与师生共同努力，实现学科突破，引领人工智能学术界、产业界创新。 课程期间，学员们与专家互动积极，累计提问多达了100+次，20多位同学高质量完成课后作业，最终共10位同学获得了优秀作业奖品，在成为MindSpore SPONGE的资深开发者的道路上迈下坚实的第一步。此外，课程线上直播也累计收获16000+人次观看学习。 已历四届的MindSpore SPONGE暑期学校，为所有对AI+分子动力学充满兴趣的学子搭建了一个与专家面对面交流学习的平台，并通过上机实操，使学生们得以体验MindSpore SPONGE在分子动力学中的使用，进一步激发了他们的探索热情，成长为学术界、产业界创新的源头活水。 课程首日，昇思MindSpore布道师曹杰文为同学们介绍了昇思MindSpore AI框架在加速大规模AI模型训练推理方面的技术发展及行业应用案例，北京大学副研究员杨立江分享了SPONGE/MindSpore SPONGE/XSPONGE系列分子动力学模拟软件的发展历程及特点，并对分子动力学模拟理论进行了全面的介绍，包括多种分子力场的构建、增强采样原理、QM/MM方法概述、AI与分子动力学模拟的结合等，深圳湾实验室特聘研究员杨奕介绍了AI原生分子动力学模拟软件MindSPONGE的设计理念，详细介绍了每个模块的功能和使用方法，并将分子动力学模拟与AI模型训练进行了类比。 下午，华为AI4Sci Lab高级工程师王俞恒介绍了MindSpore SPONGE套件和SIG活动，并演示了昇腾及昇思软硬件安装教程，由深圳湾实验室工程师陈迪青指导学员上机实操MindSpore SPONGE分子动力学模拟的基础应用，深圳湾实验室助理研究员李茂东上机演示了其他平台上安装MindSpore SPONGE环境的过程。 次日，深圳湾实验室特聘研究员杨奕讲解了增强采样在分子动力学模拟中的作用及常用的方法，并以水结冰中基于XRD强度CV的MetaITS增强采样和化学反应中基于CV的增强采样为例进行了讲解，然后介绍了AI分子力场及多尺度策略在化学反应分子动力学模拟中的使用。随后，北京大学博士后夏义杰为同学们介绍了MindSpore SPONGE系列软件，以及在新冠抗体及短肽分子的分子动力学模拟中的应用，同时详细介绍了增强采样中基于CV和温度积分的方法，并进行了案例讲解。 下午的专家座谈环节，北京大学教授高毅勤及杨立江、杨奕、夏义杰、刘思睿几位老师阐明了发展MindSpore SPONGE项目的初衷和对年轻学子们的期冀，并解答了同学们关于MindSpore SPONGE软件的功能场景及发展方向方面的疑问。高毅勤教授期望通过共同努力，将自主创新的开源分子动力学模拟软件MindSpore SPONGE系列做得更好。 北京大学博士生原思浩、范成分别上机演示了AI分子力场的训练与使用XRD强度作为CV进行增强采样模拟水结冰过程的案例。 课程第三天，昌平实验室研究员刘思睿首先介绍了以AlphaFold2为典型模型的蛋白质结构预测方法的主要模块及设计原理，然后介绍了共进化信息生成、辅助实验结构解析、蛋白质多聚体结构预测等方面的前沿工作。北京大学博士后夏义杰讲解了自由能微扰方法的基础理论，并以小分子和蛋白质结合场景为例介绍了自由能微扰方法在计算结合自由能中的应用。深圳湾实验室博士后刘许晗分享了分子对接的基本步骤和原理，并介绍了用AI方法辅助结合位点预测及用于对接打分函数方面的应用及其软件在AI硬件上的加速。 下午，深圳湾实验室助理研究员李茂东上机演示了用DSDP软件进行蛋白质和小分子配体对接并用SPONGE分子动力学模拟进行对接后的能量极小化的案例，随后深圳湾实验室工程师陈迪青向同学们演示了配体对接结果的可视化过程。 暑期学校不仅为学生们提供了坚实的学术基础，更是一次开拓视野的机会同时，这一活动也为MindSpore SPONGE社区的繁荣注入了新的活力，促进了更多开发者加入与贡献，共同推动AI+计算生物领域的发展。 --- https://www.mindspore.cn/news/zh/3290/ --- 新闻 昇思MindSpore亮相Kubecon China 2024：自动并行技术加速大模型创新迭代 # 昇思MindSpore亮相Kubecon China 2024：自动并行技术加速大模型创新迭代 2024/08/23 # 昇思MindSpore亮相Kubecon China 2024：自动并行技术加速大模型创新迭代 8 月 21 日至 23 日，由云原生计算基金会（CNCF）和 Linux 基金会联合主办的KubeCon + CloudNativeCon + Open Source Summit + Al\_dev China 2024 在香港成功举行。本次大会是由**KubeCon + CloudNativeCon、AI\_dev以及开源峰会**三大重量级会议组成的综合盛会，全球顶尖开发者、行业领袖和技术专家齐聚一堂。 在本次大会中，昇思MindSpore布道师Selina以《提升大模型开发和训练效率：昇思MindSpore自动并行技术应用详解》为题作分享，深入浅出讲解了昇思MindSpore如何通过自动并行技术，显著提高大模型的开发和训练效率，为AI创新使能加速的实践。 **自动并行技术：效率与创新的双轮驱动** 随着模型参数量的指数级增长，分布式并行技术从单纯的优化方式变成了训练大语言模型的必备，然而其复杂的开发和调优逻辑提高了大模型的开发、训练时性能优化、内存优化的门槛。 昇思MindSpore原生的自动并行技术在处理复杂计算任务时高效和可靠，为开发者提供了强大的工具支持： - 通过自动化的策略寻优，有效地降低了开发者的开发门槛与成本； - 通过编译的方式实现了多维混合并行，多维存储和异构优化，提升模型训练性能； - 在存储上实现了全局内存复用，重计算等提高存储利用率；并实现快速故障恢复，优化了集群的稳定性。 **革新对话：昇思MindSpore与全球AI社区的碰撞** 在KubeCon China 2024大会期间，昇思MindSpore与全球主流AI开源社区展开了深度对话，探讨了AI未来发展的趋势和挑战。大会作为一个开放交流平台，促进了技术的共享和创新的碰撞，昇思MindSpore开源社区积极参与，与全球开发者一道为构建更加智能、高效和可持续的AI开源生态体系打造更坚实基础。 --- https://www.mindspore.cn/news/zh/3291/ --- 新闻 昇思MindSpore AI框架助力行业创新，让电力大模型蓝图变蓝海 # 昇思MindSpore AI框架助力行业创新，让电力大模型蓝图变蓝海 2024/08/23 # 昇思MindSpore AI框架助力行业创新，让电力大模型蓝图变蓝海 作为数字技术发展的高级形态，人工智能正在改变电力生产、运行、服务全链条，创造新的行业发展生态，成为以数字化智能化为重要特征的新型电力系统的新型技术支撑。8月19日，2024年电力行业人工智能联盟年度会议在京召开。南方电网公司、华为等联盟单位集中展示了电力行业人工智能领域系列前沿技术和最新成果。 当前，电力人工智能产业链条已较为完整。以南方电网“大瓦特”大模型体系为先驱的电力人工智能探索正在加速深入推进。然而，总体来看，人工智能在电力行业的应用仍处于初试阶段。如何让人工智能技术在电力行业进行产业化落地、实现规模化应用供给，让星星之火成为燎原之势，各方力量在共同探索中已找到了方向。 **人工智能进入大模型发展窗口期** **电力大模型体系旺盛生长** 依托庞大参数规模、海量训练数据、强大算力资源，大模型成为人工智能领域最热门的技术分支，并进入垂直领域，从应用层中寻求创新和价值。能源电力行业以需求规模大、产业配套全、应用场景多的优势，在大模型应用创新中展现出强大的生命力。 2023年9月26日，南方电网公司发布电力行业首个自主创新电力大模型“大瓦特”，为电力行业人工智能的自主创新发展迈出了探索性的第一步。同时，电力行业人工智能创新平台上线，向社会各方开放共享南方电网公司的数据、算力和模型资源。 南方电网公司数字化部总经理龙云在会上介绍，经过近一年的发展，“大瓦特”已纳入模型281个，涵盖电网生产运行、客户服务、安全监管、调度指挥、供应链等十余个领域、百余个应用场景，累计调用23.4亿次，初步形成了运用场景丰富、应用成效显著的良好局面。 “大瓦特”的孵化和发展是电力企业与人工智能技术供应企业优势放大、能力互补的成功范式。**“大瓦特”有效应用华为开源的昇思MindSpore AI框架，将南方电网有公司的场景建设优势、专业知识积累和电网专有数据，与华为行业领先的算力硬件、持续迭代升级的AI框架、丰富的大模型训练经验相结合，形成了“人工智能+行业”的示范性应用场景。** 在“大瓦特”模型中，普通电力用户可以咨询电力相关知识，向大模型了解电费电量、故障报修、电费扣款信息，帮助家庭节能诊断；专业电力用户可以咨询电力专业知识，获取电力安全、保护、节能建议，听取电力设施维护和故障排除的指导；电网工作人员可进行故障检测和快速调度，每分钟可处理100张问题图，同时识别20类缺陷，识别效率提升10倍，电力调度实现秒级响应，协助调度部门针对电网异常秒级自动化生成预案，达到人类调度员水平。 更为意义重大的是行业生态的培育。以“大瓦特”为首个产品和良好开端，南方电网电力行业人工智能创新平台应用火热。以昇思MindSpore等开源AI框架为技术支撑，创新平台为电力大模型研发提供全流程支持服务。 目前，创新平台的运营平台面向人工智能产品买卖双方提供灵活、易用的一站式服务，实现行业算力交易、数据交易、算法交易；开发平台作为算法模型的训练工厂，提供从样本标注到组件封装的全流程研发支持服务，推动电力大模型应用落地，为AI+电力的技术和生态发展发挥长效支撑作用。 **大模型技术快速迭代** **算力及开发迎来新挑战** 新技术的产业化落地、与垂直行业的深度融合，从来都是让新技术产生革命性影响最难迈过的关口。而大模型技术因其快速迭代的特性，其产业化落地面临着更大的挑战。 华为昇思MindSpore业务副总经理孙宾认为，大模型技术已进入快速迭代演进期，其演进特征是从数据驱动走向算力驱动，大模型超长序列和多模态成为主流标配，大模型开发难度大，常稳高效训练挑战大，推理部署成本高，算力及开发迎来挑战。 华为昇思MindSpore业务副总经理孙宾 随着能源电力行业数字技术架构日趋复杂，信息系统稳定安全运行风险更加集中。**人工智能的产业化落地尤其强调自主创新，着力促进自主创新算力硬件、算法框架的研发建设，加速自主大模型研发和应用。** “面对上述挑战，以技术发展为驱动，技术架构持续升级演进的AI框架是各行业亟需的大模型创新基础底座。”孙宾介绍，回应大模型演进的呼唤，昇思MindSpore AI框架不断创新，从2020年开源至今，已历经昇思1.0、1.5、2.0、2.2、2.3版本的多轮迭代，从支持端、边、云，全场景，到原生支持大模型分布式训练，到部署的全流程，并成为业界首个原生支持科学智能与大模型的人工智能融合框架，截至2023年底，在中国新增算力AI框架中的份额占比已达20%，适配50余种大模型，认证企业1400家，累计下载量达775万。 \*\*全新昇思MindSpore2.3版本进一步探索前沿技术，支撑大模型原生训练与硬件算力释放，有效提升了极简易用的特性，帮助各行业开发者开箱即用，更灵活地实现大模型创新。\*\*为降低开发门槛，昇思MindSpore提供开源开放的训推全流程的开发者套件，集成全流程工具，全流程开箱即用，一周即可完成典型大模型全流程的开发。在提高部署效率方面，打造训推一体架构，训练到推理平滑转换，开发效率提升数十倍。通过并行推理，针对大模型的创新压缩算法等技术，深度挖掘硬件算力，实现极致性能，帮助用户降低业务成本。 大模型横空出世刚一年，就以触手可及的方式影响着电力系统工作方式和业务模式，成为电力行业企业争相布局的方向。大模型产业化落地的挑战是摆在电力行业与人工智能行业面前的共同课题。共享共赢是框架开源的初衷。走向人工智能更广阔的未来，需要各方携手同行。 --- https://www.mindspore.cn/news/zh/3292/ --- 新闻 基于昇思MindSpore，EX机器人打造情感机器人表情感知检测系统，成功亮相2024WRC世界机器人大会！ # 基于昇思MindSpore，EX机器人打造情感机器人表情感知检测系统，成功亮相2024WRC世界机器人大会！ 2024/08/23 # 基于昇思MindSpore，EX机器人打造情感机器人表情感知检测系统，成功亮相2024WRC世界机器人大会！ 8月21，大连蒂艾斯科技发展股份有限公司（以下简称“EX机器人”）基于昇思框架完成的情感机器人表情感知检测系统，亮相2024WRC世界机器人大会。本届大会以“共育新质生产力 共享智能新未来”为主题，集结来自美国、日本、韩国、瑞士、德国等国家的机器人领域著名企业参展，集中展示世界机器人领域的最新科研成果、应用产品与解决方案，为中国机器人产业提供国际交流平台。 展会上，依托华为及大连人工智能计算中心的技术支撑，并经过EX机器人技术团队的长期研发，机器人“小柒”成功现身展会并吸引了大批观众驻足互动。同时，三方基于各自优势，为后续长期保障人型机器人语言、视觉、感知等能力，做到云端模型快速迭代、边缘推理小型化以及集群化，达成合作意向。 EX机器人作为人形机器人行业的领先企业，大连人工智能计算中心愿一起携手共同深耕机器人技术研发。将**基于昇思MindSpore AI基础模型框架+原生大模型+MindIE大推理引擎一键式部署套件**，更好的适配客户原生模型。与此同时，依托昇腾推理服务器800-3000+300IDUO卡强有力的推理算力，快速赋能客户多样性应用场景，提升大模型推理能力，并通过提供微服务和云端端点目录，使开发者更快速、方便地构建和部署AI应用，从而满足不断变化的市场需求。进而利用优化的推理引擎，充分加速基础设施实现最佳延迟和吞吐量，以此降低运行成本并提升用户体验。 未来，大连人工智能计算中心将持续与EX机器人紧密合作，围绕人工智能产业链，推进打造创新链、生态链，为世界机器人领域的创新合作贡献新契机，为科技经济发展迈进新阶段助力。 EX机器人坐落于大连的EX未来科技馆场馆，将历史名人、科学家以机器人的方式再现，与观众交流互动，娓娓道来自己伟大的人生故事。公司可为各大高品质智能硬件合作方提供直接面向大众的展示平台，加速品牌孵化、共赢人工智能未来。为在全国主要城市打造“百城百馆”、全面打造智能服务机器人4S店网络，全力解决服务机器人行业最后一百米问题。 --- https://www.mindspore.cn/news/zh/333/ --- 新闻 华为昇腾：与开发者共创AI新时代 # 华为昇腾：与开发者共创AI新时代 2020/11/20 # 华为昇腾：与开发者共创AI新时代 扫描上图二维码，报名预约席位 人工智能时代，掌握基础核“芯”技术，拥有品质硬件支撑，才能掌握未来发展主动权。 **如何打造“最好的人工智能软硬件平台”？** **怎样理解“基础”？** **支撑“基础”需要什么，为何是硬件+软件？** **......** 12月2-3日，在即将于北京国家会议中心举办的OpenI/O 2020启智开发者大会期间，作为新一代人工智能开源开放平台（简称“OpenI启智社区”）重要成员单位的华为昇腾将通过两场专场活动，与广大开发者分享“AI项目背后的逻辑与实践思考”，展示MindStudio 全流程开发工具链、MindSpore开源AI计算框架、分享如何使用华为昇腾四步法开发应用（转换离线模型，开发定制插件，编排业务流程，运行推理服务等），并请\*\*华为一线明星讲师授课，手把手让开发者现场上机实操体验昇腾澎湃算力的极致性能应用，\*\*掌握MindSpore模型精度调优、性能调优方法论，**沉浸式体验华为昇腾AI全流程开发过程**，展望AI新时代的未来发展蓝图。 12月2日·昇腾AI开发者沙龙 **12月3日·昇腾专场——** **技术实操，手把手带你掌握AI全流程开发** **2020启智开发者大会** **华为·课程讲师** OpenI/O 2020启智开发者大会期间，华为还将在大会主论坛发布启智社区的重要成果。数位来自华为的技术专家也将出席大会共话开源。 OpenI/O 2020 华为·嘉宾 这是最好的时代，中国拥有人工智能发展的天然优势：强有力的国家战略引领和政策支持；丰富的应用场景；海量的数据资源；具有潜力的庞大青年人才开发者群体；有开放多元的市场环境以及，正在不断拓宽、深化的开源、开放产业共识。 这是变革的时代，我国的人工智能产业处处机遇：人工智能基础理论和原创算法存在足够的提升空间等待科研开发突破创新；高端芯片、关键部件、高精度传感器等基础软硬件市场蓝海巨大；OpenI启智社区正在成长完善中，需要更多优秀产学研用机构共同努力，构建完整人工智能生态链，提升中国人工智能产业国际影响力。 华为作为OpenI启智社区重要成员单位和新一代人工智能产业技术创新战略联盟副理事长单位，也希望在启智社区，在OpenI/O 2020启智开发者大会，遇见更多志同道合的开发者朋友，共同打造“最好用的人工智能基础软硬件平台”，为中国人工智能产业开源开放增光添彩。 **12月2-3日，北京国家会议中心，OpenI/O 2020启智开发者大会，华为昇腾专场，等你来——释放硬件澎湃算力，拥抱开源“芯”时代！** **OpenI启智社区简介** OpenI启智社区是由新一代人工智能产业技术创新战略联盟（AITISA）组织产学研用通力协作共建共享的开源软件开源硬件开放数据超级社区，旨在通过构建开源开放生态、搭建软硬件开发环境、汇聚和孵化优秀AI开源项目、鼓励开发者参与AI开源项目开发等方式，促进人工智能领域的开源开放协同创新，推动人工智能产业健康快速发展及其在社会经济各领域的广泛应用。OpenI启智社区以“开源开放、尊重创新”为原则，汇聚了学术界、产业界及社会其他各界力量，努力建设成具有国际影响力的人工智能开源开放平台。 OpenI启智社区成立之初就得到了鹏城实验室、北京智源人工智能研究院、北京大学、国防科技大学、华为、百度、微众银行、商汤、腾讯等二十多家单位机构的积极参与和大力支持。在社区成员的共同努力下，启智社区逐步建成了覆盖开源生态、AI硬件基础设施、开源软件环境及人工智能算法框架等领域的十余个重点项目，孵化出了以“启智章鱼”、“启智飞桨”、“启智磐石”、“启智珊瑚”、“启智纵横”等为代表的一系列优质开源项目。 现在，OpenI启智社区依然在快速发展，社区将坚持以开放的心态与国内外的社区、项目合作，也在“尊重创新”的原则下， 欢迎有志于AI开源事业的开发者加入社区，共同促进AI开源开放生态体系建设。 **AITISA联盟简介** 新一代人工智能产业技术创新战略联盟（AITISA）由近两百家来自人工智能行业内的顶尖企业、高校和科研院所、资本机构、服务机构、创新创业企业组成。联盟立足于人工智能技术资源及产业环境，联合人工智能领域的产、学、研、用、资、服等单位，以建立人工智能技术创新生态体系为基本愿景。 联盟通过“一体两翼”的工作部署，聚集工业界、科研界的中坚力量及相关机构，利用产业基金的引导，服务企业与开发者，推进人工智能产业的发展。 “一体两翼”中的 “一体”是指新一代人工智能开源开放平台（OpenI启智社区），“两翼”的“左翼”是以技术专家为主体组成的多个工作组，包括标准工作组、知识产权工作组、投融资工作组等。“右翼”是为以企业为主体的应用推进组，目的是促进人工智能在各产业领域的应用，已经在智能物流、智能医疗、智能政务、智能教育等方向开展工作。 自成立以来，联盟主办了全球人工智能产品应用博览会（AIExpo）、系列AITech国际智能科技峰会、上交会人工智能展区、天津世界智能大会分论坛、启智开发者大会等有重大影响力的会展活动，承办全国人工智能大赛，发布并启动了新一代人工智能开源开放平台（OpenI启智社区）、“新一代人工智能燎原计划”等。 **长按下方二维码加入MindSpore项目** --- https://www.mindspore.cn/news/zh/3378/ --- 新闻 AI创新之旅，昇思MindSpore创新训练营·长三角站成功举办 # AI创新之旅，昇思MindSpore创新训练营·长三角站成功举办 2024/09/05 # AI创新之旅，昇思MindSpore创新训练营·长三角站成功举办 8月27日-30日，昇思MindSpore创新训练营·长三角站在上海交通大学顺利举行。本次活动由上海交通大学、华为技术有限公司、昇思MindSpore开源社区主办，长三角各高校教务处协办，吸引了来自上海交通大学、浙江大学、复旦大学、南京大学、中国科学技术大学、同济大学、华东师范大学、华东理工大学、中国石油大学（北京）、南京邮电大学、南京林业大学、加州大学洛杉矶分校共12所高校的79名学生参与。经过连续几天的学习与实践，学员们不仅对人工智能及大模型领域的最新进展进行了深入探讨，还全面了解了行业发展的最新趋势，为自己在未来科技创新的道路上奠定了坚实的基础。 昇思MindSpore生态技术专家杨滔 在为期四天的学习中，训练营从Transformer的基础知识入手，逐步探索了大模型技术的发展脉络。讲师们深入讲解了大模型的开发、预训练、微调和应用全流程的关键技术点，帮助大家建立了全面的技术全景图。通过对以BERT和GPT为代表的大模型的深入剖析，大家不仅理解了encoder-only和decoder-only结构的差异，还深入掌握了大模型训练过程中不可或缺的技术——分布式并行技术。此外，训练营还探讨了高效参数微调技术，提升大模型的训练效率，降低训练成本，并通过分析基于MindSpore框架的MusicGen和ChatPDF等大模型应用实例，让大家感受到大模型在现实中的无限可能。 获奖同学合影 以下仅为同学们在创新训练营中众多优秀作品中的部分璀璨亮点，它们不仅展现了同学们的智慧与才华，更是大家辛勤学习与不懈探索的结晶： **0****1****MindOverflow —— 针对线性代数的教学助手** 在大模型已经“飞入寻常百姓家”的时代，尽管通用预训练语言模型的能力日益增强，但在科研、教学与学习中，这些大模型的专业能力仍有待提升。尤其是在数学运算问题上的回答准确率，仍需进一步提高，以更好地满足高校教学的需求。 为了解决这一问题，使大模型更好地服务于高校教学，MindOverflow团队利用MindSpore框架、RAG（Retrieval-Augmented Generation）算法以及Qwen-2预训练模型，基于高质量的线性代数数据集，开发了一款专业能力强大、交互界面完善的“AI助教”。这款“AI助教”能够准确回答线性代数问题，不仅有效减轻了教师的教学负担，还显著提升了学生的学习效果。 代码仓地址：https://github.com/Lzzzzy4/Mind-Overflow **02\*\*\*\*三颗花椒队 —— image to text** 图生文技术旨在从图像中提取关键信息，并生成自然语言描述，从而实现对图像内容的深入理解和表达。然而，传统的图生文解决方案在训练过程中存在两个主要问题：首先，由于映射网络结构过于庞大，导致训练时间过长；其次，传统方案中所用的语言模型在处理中文文本时效果欠佳，导致生成的文本质量较差。 为了解决这些问题，“三颗花椒”队的同学们提出了一系列改进措施。他们通过简化映射网络结构，显著缩短了模型的训练时间。同时，他们将传统的输出文本语言模型替换为中文处理能力更强的通义千问模型，以提升文本生成的效果和准确性。这些改进有效地提升了模型的训练性能，并改善了中文文本的生成效果。 尽管取得了显著进展，但由于时间限制，当前生成的效果与预期仍存在一定差距。队员们计划在后续工作中，进一步优化数据集处理，精细调整映射网络并微调语言模型，选择文本生成能力更强的模型。此外，他们还考虑将映射层替换为表达能力更强的BERT等模型，以进一步提升整体效果。我们期待在不久的将来，能够看到他们更加完善的方案，并取得更加优秀的成果。 效果展示： 代码仓地址： https://xihe.mindspore.cn/projects/Devon/ImageToText **03\*\*\*\*大模型说的都队 —— 基于Yi-Chat的AI医疗诊断大师** 传统的医疗场景中，面临着人力成本高昂、城乡医疗服务质量差异明显等挑战。虽然大模型的引入在一定程度上提高了医疗服务的效率和水平，但其回答完全依赖于预训练的语言模型，这可能导致在处理复杂医学问题时出现不准确、不完整的回答，特别是由于缺乏最新的或专业的医学知识，可能导致严重的误导。 针对这一问题，大模型说的都队的同学们深入研究了课程中讲解的高效参数微调技术和RAG算法，并成功开发了一个基于Yi-Chat的智能医疗问诊机器人。这个机器人通过首先检索与特定病症相关的最新和专业信息，然后再让大模型基于这些检索到的信息生成回答，从而有效解决了大模型在医疗场景中常见的“幻觉”问题。这样的技术方案，不仅显著提升了问诊机器人的准确性，还大大增强了其在复杂医学问题处理上的可靠性，展示了学员们在本次学习活动中的创新能力和技术深度。 **04\*\*\*\*baseline** **—— AI专用搜索增强** 在信息爆炸的时代洪流中，众多网站深藏信息丰富的宝藏帖，却受限于低效精准的关键词搜索。传统的方法普遍存在效率低下、精准度不足以及广告泛滥等痛点问题，baseline队旨在利用大模型为这些网站赋能，通过一系列创新性的实现方案，旨在为用户带来便捷舒适的搜索体验： 智能提取关键词生成搜索请求：GLM+Prompting技术深度解析用户输入，精准提取并生成高效搜索请求，提升初始准确性。 精准捕获答案构建知识库：RAG策略筛选整合高质量答案，确保信息丰富且有效，避免无效信息干扰。 AI整合输出最优答案：Bert+Fine-Tuning技术深度匹配问题与答案，自动化处理呈现快速准确结果。 昇思MindSpore框架加速大模型部署：提升上下文理解与开发效率，使搜索结果更贴近用户真实意图。 效果展示： **05\*\*\*\*我写的都队 —— 基于bert真假新闻鉴别器及基于gpt的新闻扩写器** 我写的都对队的同学们之前并不了解深度学习和大模型方面的知识，在课上接触和了解到了一些NLP以及大模型的知识后，想要实现一个新闻的鉴别和生成课题中。他们灵活地将课堂上讲到的bert的文本分类GPT的文本生成的例子运用到了大作业课题中。同学们分别将两个模型作为文本分类器和扩写器，实现了新闻的分类和生成并取得了良好的效果。他们还联想到了使用GAN网络的生成器和判别器进行对抗训练，强化作品生成的能力和准确性，他们将会在后续参与到开源实习活动中，尝试实现对课题的进一步优化。 效果展示： 代码仓地址：https://xihe.mindspore.cn/projects/lucy/project/ 接下来，让我们一同聆听同学们的学习心得，感受他们在LLM领域探索旅程中的收获与成长。 “我只有一些深度学习基础，原来有些担心跟不上。后来我发现完全能跟上老师们的节奏，…，感觉老师们不急于介绍MindSpore的细节，而是很细心地从基础讲起，然后很自然地用MindSpore实现——这真的要点一个大大的赞！” “在这三天的课程中，我印象最深的是分布式并行技术的讲解，从数据拆分，模型拆分，再到pipeline的层级拆分，每一种新的方式和思路的出现，与他们所面临的不同的问题和代价，一次次的拓宽着我的思路…” “收获最大的部分就是最后做项目的时候，用一个下午和晚上从0到1训了个模型，并不断的尝试扩展其功能（前端、目标检测等），体验了一夜一个奇迹的快乐” “我印象最深的部分是GPT1与GPT2的学习。在日常生活的很多方面，我都会用到GPT，但作为大模型方面的小白，我一直对GPT背后的原理了解甚少。通过学习这次课程，我了解了GPT等大模型的原理，并且尝试了大模型下游应用的编写，让我对大模型有了更深的了解。” “印象最深的是基于Transformer的机器翻译实操。自己一步步构建出这一复杂的模型并运行起来，看到良好的效果是一件神奇而有趣的事情。” “参加昇思MindSpore训练营让我深刻感受到了人工智能的魅力与潜力。课程中理论与实践的结合，使我不仅在技术上有所提升，更在思维上得到了启发。通过实际操作，我掌握了深度学习和自然语言处理等核心技术，并在项目中应用这些技术解决了实际问题。我意识到， AI不仅是技术的革新，更是对人类创造力的一种拓展。在这几天和其他学校队友的朝夕相处，合作攻克难题，这样宝贵的经历也让我们产生了更深的友谊。” 希望本次创新训练营能够作为同学们在知识海洋中航行的起点，祝愿每位同学在未来的大模型领域里继续扬帆起航，创造更多辉煌成就。 在最后的结营仪式上，昇思MindSpore AI框架业务副总经理孙宾表示：“昇思MindSpore AI框架作为软件根技术，已成为加速人工智能、大模型开发、推动产业发展的核心力量，广泛应用于运营商、金融、交通、互联网等行业。昇思MindSpore自开源以来一直重视人才的培养，人才是AI生态的源头活水，目前已发布了四项行动，持续赋能AI人才培育，包括学术论文基金、开发板应用创新、原生大模型孵化以及开源社区实习活动等。”最后，孙宾鼓励学生们继续参与昇思MindSpore社区活动，共同推动人工智能技术的发展。 昇思MindSpore AI框架业务副总经理孙宾 ICT销服招聘调配部部长傅丹表示华为一直致力于推动数字化进程，为全球用户提供更便捷、高效的服务。同时，她也提到，华为高度重视人才的培养和发展，拥有完善的人才机制和培养体系，为员工提供广阔的发展空间和机会。最后，傅丹再次表达了对与会同学的热烈欢迎，并鼓励大家积极了解华为，共同探索未来的发展机会。 ICT销服招聘调配部部长傅丹 最后，上海交通大学学生创新中心书记熊振华对本次的创新训练营进行了总结，他指出，今年的暑期训练营虽然只有短短的四天，但却过得充实且愉快，各个高校的同学们在上海交大结下了深厚的友谊，相信这段经历都将成为同学们青春岁月中难以忘怀的记忆。 上海交通大学学生创新中心书记熊振华 长三角研究型高校联盟的创新训练营已迎来了第五年的成功举办，吸引了更多学校和学生的参与，不仅促进了优秀学生之间的交流，还为他们将来参加华为ICT大赛及昇思MindSpore社区开源实习提供了坚实的基础。未来，昇思MindSpore开源社区将携手更多高校，不断地培养人工智能领域发展需要的创新型&应用型人才。 --- https://www.mindspore.cn/news/zh/3381/ --- 新闻 【新闻】加速AI产业创新驱动，上海昇思生态创新中心正式开业 # 【新闻】加速AI产业创新驱动，上海昇思生态创新中心正式开业 2024/09/02 # 【新闻】加速AI产业创新驱动，上海昇思生态创新中心正式开业 2024年8月31日，以“为智而昇•思创未来”为主题，**上海昇思生态创新中心开业仪式在上海漕河泾科技绿洲圆满举行，在沪开启自主创新的开源AI框架和生态建设新篇章。** 仪式现场，上海昇思生态创新中心正式启动运营，昇思MindSpore开源社区实习基地揭牌。多家头部企业、知名高校、顶尖科研机构合作伙伴入驻上海昇思生态创新中心，共同聚焦AI生态建设与发展，各界专家分享生态合作优秀实践，探索加速大模型创新应用落地、发展产业生态之路。 上海昇思生态创新中心开业仪式现场 **中国工程院院士、C919 大飞机总设计师吴光辉**致辞表示，上海昇思创新中心聚焦人工智能产业发展，使能全国范围的AI技术企业、高校与科研院所进行大模型与科学智能技术创新，致力于开展原生孵化与迁移适配技术服务、推动标准与技术规范的制定与评估、打造自主创新体系。 中国工程院院士、C919 大飞机总设计师吴光辉致辞 **上海市闵行区副区长谭瑞琮**致辞祝贺上海昇思创新中心正式开业，他表示下一步，闵行区将会发挥政策的引导和支撑作用，协同各方持续支持昇思创新中心建设，助力中心成长为闵行区人工智能产业的闪亮名片。 上海市闵行区副区长谭瑞琮致辞 **中国工程院院士、C919 大飞机总设计师吴光辉，上海市闵行区副区长谭瑞琮，上海市经信委人工智能处处长潘焱，上海市闵行区科委主任吴昌飞，临港集团副总经济师、临港科投集团董事长翁巍，漕河泾开发区公司党委书记、董事长顾伦，华为上海代表处副总经理李然，商汤科技联合创始人杨帆，昇思MindSpore业务总经理、昇思开源社区理事长丁诚，上海人工智能研究院院长、昇思创新中心首席科学家宋海涛**出席开业典礼，共同为上海昇思生态创新中心开业剪彩。 上海昇思生态创新中心开业剪彩仪式 上海昇思生态创新中心**定位于自主创新大模型框架，由上海市闵行区人民政府、上海临港经济发展(集团)有限公司、华为技术有限公司、上海人工智能研究院四方共建**，全面围绕国家“十四五”规划、上海市“（2+2）+（3+6）+（4+5）”现代化产业体系，聚焦我国人工智能产业发展定位，服务互联网、运营商、金融、教育、医疗等人工智能关键产业方向，提供AI数据中心算力、AI技术赋能服务、AI增值服务、AI产品整合营销四大业务服务社会企业，推动人工智能技术的全场景应用。 上海昇思生态创新中心以昇思MindSpore为主要抓手，全面参与上海人工智能产业高地建设。昇思MindSpore作为新一代覆盖端边云全场景的AI框架，聚焦AI基础软件技术创新，致力于贡献全球人工智能技术创新与软件开源事业发展，打造中国人工智能基础软件设施，建设自主创新的开源AI框架和生态体系，推动人工智能技术的全场景应用，构建线上线下全面融合的服务体系。 **筑巢引凤，拓展应用场景** 上海昇思生态创新中心携手产业伙伴基于昇思MindSpore AI框架，支持全国范围的AI技术企业、高校与科研院所孵化大模型、科学智能技术研究，进而赋能企业打造极简易用、极致性能的AI解决方案和应用。 活动现场，**百信信息技术有限公司、博瀚智能（深圳）有限公司、达观数据有限公司、上海孚典智能科技有限公司、上海合合信息科技股份有限公司、上海交通大学、上海澜码科技有限公司、上海蜜度信息技术有限公司、上海人工智能实验室、中国商飞上海飞机设计研究院、商汤集团有限公司、同济大学、上海锡鼎智能科技有限公司、中国科学院上海药物研究所、上海殷泊信息科技有限公司、中核装备技术研究（上海）有限公司**正式入驻上海昇思生态创新中心，未来将共同推动人工智能产业生态。 企业伙伴入驻仪式 **产教融合，培养实践人才** 活动现场，**昇思MindSpore开源社区实习基地正式揭牌**。伴随实习基地在上海昇思创新中心的落地，将深化产学研合作，成为人才培养与产业发展需求的重要桥梁。基地将提供面向行业发展需求的AI实验平台、提出人工智能产业前沿课题，并通过实验教学培养学生人工智能实践和创新能力。 **临港集团科投总经理助理、投资管理中心总监张馨尹，漕河泾总经理助理、科技创新与人才发展事业部总经理黄静，华为上海战略与Marketing部长房思哲，华为昇思开源生态总监杨滔，商汤大装置生态总监刘远辉，上海昇思生态创新中心总经理杨浩**为昇思MindSpore开源社区实习基地揭牌。 **大咖云集，分享前沿观点** 现场多位专家和业界代表发表了精彩演讲。**漕河泾管理公司总经理助理、园区发展中心总监孙唯**分享了漕河泾开发区的人工智能产业生态，并以场景应用为抓手，打造漕河泾人工智能技术链、创新链、产业链、生态链。 **上海人工智能实验室Lmdeploy技术负责人吕晗**分享了实验室与上海昇思生态创新中心携手并进，通过书生浦语大模型以及全链路开源开放体系对我国人工智能产业发展提供强大支持。 **昇思MindSpore业务副总经理孙宾**分享了昇思MindSpore AI框架使能原生大模型创新、共创繁荣开源生态的优秀案例。他表示昇思MindSpore作为国内主流开源框架，打造充满活力的开发者社区，致力于推动中国人工智能产业的进步。 \*\*上海昇思生态创新中心的开业，是创新中心发展的重要里程碑，也是中国在全球人工智能领域竞争力提升的重要标志。\*\*未来，上海昇思创新中心将致力于技术创新和产业融合，在生态发展、联合创新、技术支持、人才培养等方面持续推动“AI+产业”建设，为技术突破与应用深化奠定坚实基础，为推动中国乃至全球的人工智能产业发展贡献力量。 --- https://www.mindspore.cn/news/zh/3382/ --- 新闻 2024 MindSpore量子计算黑客松全国总决赛获奖名单公布！热烈祝贺！ # 2024 MindSpore量子计算黑客松全国总决赛获奖名单公布！热烈祝贺！ 2024/08/30 # 2024 MindSpore量子计算黑客松全国总决赛获奖名单公布！热烈祝贺！ 经过四个多月的激烈角逐，**_第六届 · 2024 MindSpore 量子计算黑客松全国总决赛_** 终于迎来圆满落幕。在这场集结了众多量子计算领域精英的赛事中，我们见证了来自全国各地的参赛者们展现出的智慧和创造力，“星星之火，可以燎原”，感谢每一位大赛参与者的努力和贡献，因为他们的参与，加快了量子计算在全国高校的推广学习和创新研究。 现在，备受期待的获奖名单已经揭晓，让我们向所有获奖者表示最热烈的祝贺，并期待他们在量子计算领域继续引领潮流，开拓创新！ **_获奖名单_** **_注意事项_** 请获奖团队队长尽快将作品代码提交到下方代码仓目录，奖品会陆续安排发放： https://gitee.com/mindspore/mindquantum/tree/research/hackathon/hackathon2024 --- https://www.mindspore.cn/news/zh/3391/ --- 新闻 澜码科技与昇思共创智能体一体机，赋能金融、能源等多领域行业 # 澜码科技与昇思共创智能体一体机，赋能金融、能源等多领域行业 2024/09/12 # 澜码科技与昇思共创智能体一体机，赋能金融、能源等多领域行业 **澜码智能体一体机：开箱即用** 为了做到开箱即用，澜码智能体一体机深度整合了适配昇思MindSpore的澜码智能体平台AskXBOT、定制模型与昇腾硬件，为企业用户提供全私有化专属大模型及可快速搭建应用的智能体平台，凭借其对大语言模型深度的技能封装能力和直观的开发工具，企业无需从零开始，就可以快速构建和部署自定义的智能体（AI Agent），不仅可以显著缩短开发周期，还可以大大降低开发成本，确保企业在高速发展的AI领域始终保持领先。 **快速定制企业级AI Agent** 目前澜码智能体一体机已经通过昇思MindSpore开源框架以及MindSpore Transformers大模型开发套件预置了Qwen1.5（14b，32b，72b），ChatGLM3（6b），书生·浦语-20b等大模型。澜码自主研发的AskXBOT智能体平台，集Agent与工作流设计、开发、使用、管理，与知识沉淀于一体，通过此平台，企业用户可以用对话的方式提出需求，设计、创建和管理Agent，快速定制企业级AI Agent来完成各类任务，如企业政策问答助手，报告生成助手，表单填写助手，业务办理助手，扫描单据入库等，加上昇思和昇腾的亲和优化，为客户提供高性能、安全可靠、开箱即用的智能体整体解决方案。 （金融行业-银行开户辅助助手开发流程） **澜码科技：企业级AI Agent平台企业** 澜码科技作为一家基于大语言模型的企业级AI Agent平台公司，核心团队成员来自Google、IBM、腾讯、字节、阿里、依图等国内外知名互联网和AI公司。率先填补了国内大模型中间层的空白，是国内探索大语言模型应用落地和AI Agent的先行者。基于底层大语言模型，澜码科技自主研发了能够连接人和系统的企业级AI Agent平台“AskXBOT”，助力企业构建基于专家知识的超级自动化，从而提升业务质量和效率。 2023年初，澜码科技和昇思开展适配合作，10月取得昇思适配认证，今年8月也将作为第一批伙伴入驻上海昇思生态创新中心，一起为大模型落地应用提供无限可能！ 未来，澜码科技将继续携手昇腾AI基础软硬件平台打造更多行业应用，更好地把基于大模型的AI Agent解决方案落地到更多企业，推动行业发展。 --- https://www.mindspore.cn/news/zh/3393/ --- 新闻 社区月报 | 昇思助力伙伴打造原生大模型，生态创新中心正式开业 # 社区月报 | 昇思助力伙伴打造原生大模型，生态创新中心正式开业 2024/09/10 # 社区月报 | 昇思助力伙伴打造原生大模型，生态创新中心正式开业 **_昇思MindSpore2024年8月份总结_** **01** **概述** 随着8月的结束，昇思MindSpore开源社区持续保持着高速发展的态度，在技术创新、社区活动、合作拓展等方面都取得了显著的成果。 在成果方面，联合智谱打造昇思MindSpore原生的大模型训练进展良好，双方将持续展开合作，加速原生的自主创新大模型打造。 在技术发展方面，MindSpore Flow&Earth SIG实现技术突破，通过融合叠加原理的算子网络SPON，将涡轮冷却领域的Seller定理融入到网络架构中，显著提升气膜冷却场景下的温度场预测模型的精度和泛化性。同时，MindSpore Trusterd AI SIG在AI安全领域取得进展，构建了大模型自动化对抗攻击能力，其GCG算法在llama2-7b模型上的攻击成功率达到52%。 在社区运作方面，昇思MindSpore生态创新中心正式开业启动运营；此外，昇思MindSpore在多个领域助力技术创新与人才培养，通过支持大模型开发，提高训练效率和精度，并在金融、电力、科研教育等领域推动行业解决方案。同时，社区通过举办多样化的社区活动和挑战赛，以昇思学习小组、昇思25天打卡营、MSG城市行、暑期学校、创新训练营及开发者大赛等学、训、赛等形式，鼓励开发者参与创新，扩大开源社区的影响力，促进人工智能技术生态蓬勃发展。 以下是8月昇思MindSpore社区进展的详细报告。 **02** **社区规模** 截至8月底，昇思MindSpore面向全球开发者，凝聚产业力量，持续打造人工智能创新之源。社区秉持开放透明原则，稳步建设开源生态，规模和活跃度得到持续提升。 昇思MindSpore累计下载量为**790万+**，2024年8月份增长了**15万+**； 发展\*\*3.5万+\*\*多名核心贡献者； 累计产生ISSUE共**39.3K**、PR共**98.2K**。 **03** **社区大事件** **1、加速AI产业创新驱动，上海昇思生态创新中心正式开业** 2024年8月31日，以“为智而昇•思创未来”为主题，上海昇思生态创新中心开业仪式在上海漕河泾科技绿洲圆满举行，在沪开启自主创新的开源AI框架和生态建设新篇章。 仪式现场，上海昇思生态创新中心正式启动运营，昇思MindSpore开源社区实习基地揭牌。多家头部企业、知名高校、顶尖科研机构合作伙伴入驻上海昇思生态创新中心，共同聚焦AI生态建设与发展，各界专家分享生态合作优秀实践，探索加速大模型创新应用落地、发展产业生态之路。 \*\*2、\*\***昇思MindSpore原生助力智谱打造自主创新大模型体系** 8月19日，北京人工智能生态大会在中关村国家自主创新示范区会议中心颐和厅成功召开。会上，智谱CEO张鹏作专题分享，简要介绍了昇思对自主创新的智谱大模型的助力，以及正在打造的第四代代码模型CodeGeeX4和多模态模型CogVLM2-video。 其中，代码生成大模型CodeGeeX4的新版本基于昇思AI框架训练，依托昇思的多维混合分布式并行技术等能力，将大幅提升模型开发、训练的效率及模型精度。 \*\*3、\*\***昇思MindSpore亮相Kubecon China 2024：自动并行技术加速大模型创新迭代** 8月21日至23日，由云原生计算基金会（CNCF）和Linux基金会联合主办的KubeCon + CloudNativeCon + Open Source Summit + Al\_dev China 2024 在香港成功举行。 在本次大会中，昇思MindSpore布道师Selina以《提升大模型开发和训练效率：昇思MindSpore自动并行技术应用详解》为题作分享，深入浅出讲解了昇思MindSpore如何通过自动并行技术，显著提高大模型的开发和训练效率，为AI创新使能加速的实践。 \*\*4、\*\***昇思MindSpore AI框架助力行业创新，让电力大模型蓝图变蓝海** 8月19日，2024年电力行业人工智能联盟年度会议在京召开。南方电网公司、华为等联盟单位集中展示了电力行业人工智能领域系列前沿技术和最新成果。 会上，华为昇思MindSpore业务副总经理孙宾表示，大模型技术已进入快速迭代演进期，其演进特征是从数据驱动走向算力驱动，大模型超长序列和多模态成为主流标配，大模型开发难度大，常稳高效训练挑战大，推理部署成本高，算力及开发迎来挑战。 **04** **技术进展** **1**\*\*、\*\*******物理机理赋能AI模型：突破航发涡轮温度场预测的泛化瓶颈****** MindSpore Flow&Earth SIG 团队融合叠加原理的算子网络SPON(superposition-based neural operator) ，将涡轮冷却领域的Seller定理融入到网络架构中，配合相应的训练方法，显著提升了气膜冷却场景下复杂流动温度场预测模型的精度和泛化性。相关代码目前已在MindSpore Flow开源。 \*\*2、\*\*****MindSpore Trusted AI SIG技术稳步提升，AI安全持平业界标杆**** 在AI安全方面，MindSpore Trusted AI SIG构建大模型自动化对抗攻击能力，GCG算法支持单模型多prompt对抗样本生成模式，在llama2-7b上攻击成功率达52%，基本持平友商论文实现。 **05** **社区动态** \*\*1、\*\***火热开赛！昇思模型开发挑战赛第二阶段赛正式开赛！** 昇思MindSpore模型开发挑战赛是培养昇思MindSporer开发者，鼓励开发者基于昇思MindSpore进行模型迁移&算法创新与实践，并丰富昇思MindSpore开源社区生态。8月15日，昇思模型开发挑战赛第二阶段赛赛题正式发布，欢迎昇思MindSpore开发者踊跃参与。 \*\*2、\*\***2024年度Hackathon软件难题挑战赛等你来挑战！** 2024 年度 Hackathon 软件难题挑战赛（简称“挑战赛”）如期而至，本次活动设置了昇思MindSpore相关题目，诚挚邀请开源社区的软件高手，与软件精英结对编程，一起解决关键产业和开源社区的软件难题，show出极致自我，晋级决赛还可以开展一段松山湖欧洲小镇之旅。 报名时间：8月15日-9月8日 \*\*3、\*\***昇思MindSpore高校学习小组计划启动，欢迎全国高校加入！** 昇思MindSpore高校学习小组是社区与高校协同培养人工智能人才计划，在院校内围绕昇思MindSpore进行学习、科研及参与社区贡献的组织，该学习小组由高校老师协同社区专家指导学生学习昇思MindSpore相关知识、产出昇思MindSpore相关科研成果，或参与社区贡献，同时社区及社区生态伙伴整合资源为学习小组的学习与科研提供支持和赋能。 \*\*4、\*\***1000+开发者参与学习，第一期昇思25天学习打卡营圆满落幕，共同见证成长与收获！** 8月初，昇思25天打卡营获奖名单正式公布，经过25天的紧张学习和不懈努力，第一期学习打卡营终于圆满落下帷幕！在这25天中，1000+开发者累计发布了近4万篇学习心得，积极分享学习心得和体会，相互激励、共同进步。其中134位同学完成25节课打卡，获得全勤奖。 \*\*5、\*\***MSG城市行·深圳站活动圆满举办** 8月1日，昇思MindSpore开源社区联合优软创新（北京）科技有限公司成功举办MSG城市行·深圳站！昇思和优软创新的AI技术大咖现场进行了精彩分享。来自浙江大学深圳校友会、英国帝国理工校友会、哈工大深圳校友会、深圳珠宝玉石国际贸易中心等对AI与大模型技术感兴趣的行业专家，力求通过本次活动争取在深圳响应《深圳加快打造人工智能先锋城市行动方案》落地更多国产化人工智能+应用场景，助力打造深圳的国产人工智能生态源头创新中心。 \*\*6、\*\***领航计算生物，点亮科技火花！MindSpore SPONGE暑期学校第四季收官** 8月23日-8月25日，MindSpore SPONGE第四季暑期学校活动在北京大学深圳研究生院成功举办，来自40多所全球知名高校的50+学子参与线下学习。此次暑期学校由昇思MindSpore开源社区联合北京大学化学与分子工程学院、深圳湾实验室、昌平实验室举办，以分子动力学模拟方法与实践--人工智能与增强采样为主题，旨在为对分子动力学模拟感兴趣的同学提供相关资源，学习AI+分子动力学模拟基础从理论到实践探索AI与分子动力学模拟结合的多种应用场景。 \*\*7、\*\***MindSpore Quantum SIG量子计算黑客松全国总决赛成功举办，8月直播累计观看过万** MindSpore Quantum SIG在8月份连续举办3场“量子计算组会一起开”论文直播分享，分别邀请到丁齐鸣博士（北京大学）、严格博士（上海交通大学）、曾庆国博士（南方科技大学），蔻享、B站累积观看次数达1万+；此外，线上线下同步举行了“2024 MindSpore量子计算黑客松全国总决赛”，并出席中国计算机学会量子计算年会CCF 、第八届全国量子物理青年学者研讨会、Quantum HK 2024、2024量子计算青年国际论坛等活动。 **06** **社区案例** \*\*1、\*\***如何用AI创造一个孙悟空：基于昇思MindSpore打造多模态风格化对话助手** 在教育、客服和心理咨询等领域，服务需求往往要求个性化交互和24小时支持，这对传统模式是一个非常大的挑战。此外，特殊群体如阅读障碍学生需针对性辅导，但现有技术不足。大模型可能产生不准确内容的技术难题也需解决。 因此，北京师范大学Mate60 Pro团队在京津冀·昇思MindSpore创新训练营活动中开发了基于昇思MindSpore的多模态风格化对话助手——MSCA（MindStyle Chat Assistant），旨在通过个性化对话满足教学、文化和心理治疗需求。MSCA模拟经典文学人物如孙悟空、鲁迅等，以提供生动学习体验和文化传承，并能24小时提供心理咨询服务，创造亲切咨询环境，对心理健康处理至关重要。 \*\*2、\*\***用AI守护森林：基于昇思MindSpore打造森林山火检测系统** 四川省山林火灾风险高，主要因为可燃物多、火源管理难、气候变化导致的干雷和人为活动频繁。针对以上问题痛点，成都锦城学院探火者团队提出无人机+地面采集检测系统，基于昇思MindSpore打造山火检测系统，结合人工智能目标检测和Lora无线通讯技术，通过1+X模式（一台无人机巡逻，多台地面设备全天候检测），实时采集环境数据，包含导致起火因素，并基于昇思MindSpore改进YOLOv5模型，灾害识别率高达95%。 \*\*3、\*\***昇思MindSpore助力电子科技大学人工智能教学，培养AI原生人才** 当前人工智能实验教学仍以传统的机器学习算法为主，深度学习课程的实践却难以展开，面临资源不足和与产业脱节等问题。针对这些问题，建立了符合产业需求的AI实验平台与内容，降低成本，有效解决了人工智能实践教学的痛点问题，对培养创新人才至关重要。该平台通过理论实践结合，深化学生对AI的理解，提升创新和解决问题的能力，培养掌握前沿技术的跨学科AI人才。 **07** **技术分享** \*\*1、\*\***基于昇思MindSpore的顺序一致性正则化，提升跨域任务表现** 域变化由光照、背景等属性引起，从而导致数据偏移。为减少模型对这些域特定属性的敏感性，研究者使用数据增强和一致性正则化。本文提出OCR方法，通过数据增强、残差成分分离和残差熵最大化，以提升模型对域特定属性鲁棒性，实验表明，OCR在多个跨域任务中取得了显著的性能提升，验证了其有效性和泛化能力。本研究使用了昇思MindSporeAI框架，它结合函数式和面向对象编程范式，提供灵活高效的AI训练支持。 \*\*2、\*\***基于昇思MindSpore实现噪声鲁棒的持续测试时领域自适应** 多媒体边缘设备如自动驾驶汽车需实时更新模型参数以适应环境变化，但常面临由设备限制或传感器退化引起的噪声问题。本文通过添加额外的高斯噪声，发现现有方法在性能上的显著下降，这凸显了在目标域数据集中解决噪声的重要性，并提出改进持续测试时间适应（CTTA）的方法，包括软泰勒交叉熵、基于不确定性的噪声重加权和软集成负学习，以解决模型对低置信度类别的过拟合、噪声样本的影响以及标签噪声带来的挑战等。 实验证明这些方法显著提升了模型的鲁棒性和分类精度。在本次研究过程中使用了昇思MindSpore框架，得益于其高效的计算能力、灵活的编程接口以及对异构硬件的良好支持，为研究提供了坚实的技术保障，昇思MindSpore的自动并行加速技术还可以极大地提升模型训练的效率。 **08** **感谢每一位\*\*\*\*朋友、开发者的支持** 在此感谢社区伙伴们、可爱的小孢子们以及昇思MindSpore SIG组成员们，因为大家的共同努力及辛勤奉献，昇思MindSpore才能不断成长与发展！同时我们对可能出现的不完善之处向您表示诚挚的歉意，并衷心感谢您的理解与支持。 截至2024年8月底，昇思MindSpore下载量已超过**790万**，未来，昇思MindSpore AI框架将持续致力于打造人工智能创新之源，凝聚产业力量，扎根AI根技术，使能大模型与科学智能，成为AI创新的首选框架。 为了更好地倾听您的声音，改进我们的产品，昇思MindSpore开源社区诚邀您参与我们的用户满意度调查，您的每一个建议都将助力昇思MindSpore的成长！ --- https://www.mindspore.cn/news/zh/3397/ --- 新闻 华为全联接大会2024 | 昇腾参会全览预热启航！ # 华为全联接大会2024 | 昇腾参会全览预热启航！ 2024/09/14 # 华为全联接大会2024 | 昇腾参会全览预热启航！ 华为全联接大会2024 | 昇腾参会全览预热启航！ --- https://www.mindspore.cn/news/zh/3402/ --- 新闻 科技丰收正当时，元翌智能携手昇思MindSpore打造遥感影像解译大模型 # 科技丰收正当时，元翌智能携手昇思MindSpore打造遥感影像解译大模型 2024/09/24 # 科技丰收正当时，元翌智能携手昇思MindSpore打造遥感影像解译大模型 **自然资源监管：** 1、农业补贴数据检索，通过遥感影像分析，对农业补贴相关的数据进行检索和分析。 2、某地区不同时相场景自然资源监管，通过分析不同时间点的遥感影像，监管自然资源的变化。 **生态文明建设：** 1、生态环境监测，分析草甸、植被、树木、建筑物、道路等地物要素的变化，为执法提供依据。 2、稀疏植被提取，使用植被指数提取植被，进行生态环境分析。 **灾害应急管理：** 1、洪涝灾情评估，利用雷达图像进行洪灾监测和评估。 2、地震灾情分析，通过遥感影像智能解译，进行地震灾情的紧急分析。 **智慧遥感的无限可能** 元翌遥感影像解译大模型基于昇思MindSpore AI框架与昇腾AI，开展的大规模遥感影像智能解译技术研究。针对广域场景遥感影像解译、大规模网络并行训练等难题，设计了大场景预处理、地物要素提取、变化检测等十几种专用算子，通过图算融合等深度图优化，以及跨层内存复用技术实现大模型全流程加速，并从海量遥感影像中挖掘多样地物的共有特征，提升广域自然场景自动解译的精度与速度。 \*\*多任务并行处理：\*\*在广域真实场景下，元翌遥感大模型能够实现多任务并行高精度实时解译，大幅提升了遥感影像的分析效率。 \*\*自监督学习与领域自适应：\*\*结合成像机理、地学知识和海量高精度标注数据，模型能够自我学习和自适应，有效提升遥感图像中地物变化及细节的感知能力。 \*\*层次化解译体系：\*\*通过多层次的解译体系，元翌遥感大模型能够覆盖60+类别地物，实现大规模数据的精准分析。 \*\*跨领域泛化能力：\*\*模型具备强大的跨领域泛化能力，能够在不同地域和场景中保持高准确度的解译效果。 随着昇思MindSpore和元翌遥感大模型的深入应用，未来的农业将更加智能化、精细化。从灾害预警到资源优化配置，从环境保护到食品安全追溯，每一项进步都离不开背后强大的技术支持。在这个秋天，让我们一起期待，当科技的种子在广袤的土地上生根发芽，那满眼的金黄将不仅仅是农作物的颜色，更是智慧与希望交织的辉煌。 --- https://www.mindspore.cn/news/zh/3403/ --- 新闻 加速使能大模型&科学智能创新——昇思论坛在华为全联接大会期间成功举办 # 加速使能大模型&科学智能创新——昇思论坛在华为全联接大会期间成功举办 2024/09/23 # 加速使能大模型&科学智能创新——昇思论坛在华为全联接大会期间成功举办 2024年9月21日，在华为全联接大会2024（HUAWEI CONNECT 2024）期间，昇思MindSpore专题论坛顺利举办。该论坛聚焦大模型与科学智能创新成果，汇聚近百位国内外AI领域领军学者、技术领袖及开发者演讲、参会，共同分享AI领域发展趋势与产业机遇。 当下，大模型以更大的参数规模不断演进，十万亿参数的MoE模型对框架提出了新的挑战，同时，新的硬件架构设计形式，对AI框架这一基础软件也提出了新的要求。华为于2020年3月开源的昇思MindSpore AI框架，作为业内首个原生支持大模型、科学智能创新的AI融合框架，面向大模型及硬件创新，迭代至2.4版本，原生支持超节点，助力大模型加速训练。 昇思MindSpore业务总经理、昇思开源社区理事长丁诚在致辞中表示，四年多以来，昇思秉承着“全场景协同、全流程极简、全架构统一”三大价值主张，在产业界伙伴的积极响应下，已迅速成长为国内第一的AI框架团队。目前，昇思携手合作伙伴，如面壁智能、上海人工智能实验室、中科院上海药物所、智谱、中国商飞等，孵化、适配了50多个大模型，为AI产业的百模千态发展奠定了坚实的软件基础。 昇思MindSpore业务总经理、昇思开源社区理事长 丁诚 昇思MindSpore技术专家王神迪带来了《昇思2.4版本加速大模型原生创新》主题分享。他表示，昇思MindSpore全新发布2.4版本，原生亲和超节点，并推出高维张量并行与长序列并行联合优化，使能万亿MoE加速训练。同时，在易用性上持续提升动静统一能力，以高阶API使能开发者平滑切换动静态图开发，降低使用门槛、提升开发效率。技术生态上，昇思以开源社区为核心，联合伙伴设立上海昇思生态创新中心，以共建、共治、共享赋能企业、高校科研院所与开发者打造模型及应用，成果显著。 昇思MindSpore技术专家 王神迪 随后，上海人工智能实验室训练框架及编译计算负责人裴芝林发表了题为《基于昇思MindSpore和浦语·DeepLink，联创书生.浦语大模型》的演讲。他提到，上海人工智能实验自2022年底就开始与昇思合作，一路见证了昇思的发展，DeepLink框架体系是基于MindSpore等框架基础之上进行的二次迭代式、演进式的开发，书生浦语大模型也将基于昇思进行持续创新。 上海人工智能实验室训练框架及编译计算负责人 裴芝林 面壁智能首席研究员，清华大学计算机系助理研究员韩旭以《端侧大模型的高效构建与应用》为主题进行了分享。韩旭指出，大模型实际的发展规律呈现的在scalling的同时，也呈现了dense的规律，模型的知识密度持续增强，达到相同能力所需要的尺寸和训练数据也是不断变小的，面壁智能在模型训练、端侧高效应用、软硬优化上做了深入探索。他提到，面壁的BMTrain框架已经支持昇思MindSpore，且未来会与自主创新生态进行持续结合。 面壁智能首席研究员，清华大学计算机系助理研究员 韩旭 中国科学院上海药物所研究员郑明月分享了《基于昇思MindSpore打造药物学大模型，助力医药领域实现突破性创新》报告，他表示，人工智能的快速发展使得我们可以将新药研发的部分环节进行数字化，从而大幅提升新药研发的效率。郑明月老师团队与昇思团队共同开发药灵大模型，在药物领域知识提取、合成规划和多模态交叉下游任务等可以实现工业级可用，为生物医药领域带来了巨大的助力。 中国科学院上海药物所研究员 郑明月 最后，湖北工业大学副教授张杨作为昇思MindSpore开源社区优秀开发者和布道师代表，带来了《从开发者到布道师，携手昇思共成长》的主题演讲。张杨老师分享了个人在学习、使用和教学采用昇思的经验与故事，他带领学生团队基于昇思MindSpore等产品打造了矿石检测、轨道侵入识别、自动驾驶等算法研究，同时成立了昇思学习小组，与学生一起提升能力。未来，张杨老师希望，努力构建全方位深层次的产学研教赛的人才培养模式，将产品和案例全面融入到AI+X的通识课和专业课，并联合湖北甚至全国的高校进行模式复制。 湖北工业大学副教授 张杨 昇思MindSpore始终以不断进化、坚持开放的姿态支持人工智能技术创新，未来，昇思将继续携手学术界、产业界开发者持续探索AI技术的无尽前沿。 --- https://www.mindspore.cn/news/zh/3405/ --- 新闻 基于昇思MindSpore打造的气动外形设计大模型平台-风雷正式发布 # 基于昇思MindSpore打造的气动外形设计大模型平台-风雷正式发布 2024/09/26 # 基于昇思MindSpore打造的气动外形设计大模型平台-风雷正式发布 9月23日，“风雷”气动外形设计大模型平台在四川绵阳举办的“智能赋能空天科技创新”博士后学术交流活动上发布。“风雷”大模型平台由中国空气动力研究与发展中心基于昇思MindSpore AI框架及MindSpore Flow流体力学套件研制，用于辅助设计人员在飞行器概念设计阶段开展气动外形生成。“风雷”可实现满足性能指标的气动外形端到端生成，适配多场景、多类型气动外形设计，且设计方案覆盖多样性需求。 学术交流活动上，中国科学院院士唐志共向全体参会专家介绍了风雷大模型的技术框架和应用案例，他表示：“AI给空气动力学提供了新的研究范式，为学科发展和空天科技创新发展注入了新的活力，生成式气动外形设计平台加速了气动外形概念设计，可助力设计范式智能化转型”。 传统飞行器气动外形设计存在初始方案提出困难、依赖专家经验的问题，设计方案还需经历反复迭代，大大增加研发成本，制约设计效率。生成式气动外形设计平台，创新模型架构，针对点云外形数据非结构、无序、数量庞大、特征提取困难等特点，突破了三维气动外形特征提取与重构技术，提出了隐空间特征维度优化方法；针对气动外形生成标签的连续性、定量性，分布函数不平滑的问题，突破了连续条件隐空间可控扩散生成技术；为实现点云外形气动性能高精度验证，关联多种NNW仿真工具，发展了点云外形去噪与表面网格重建技术。 生成式气动设计大模型平台基于自主创新的昇腾AI硬件与昇思框架研发，在模型开发阶段，昇思框架和流体力学套件MindSpore Flow提供全面的科学计算算法库和模型通用接口，提升模型开发效率；模型训练阶段，使用MindSpore多维度并行接口，基于成都智算中心算力支撑，模型和数据得以高效扩展；模型部署阶段，使用昇思大模型套件，将专业知识融入气动设计大模型平台，串联大语言模型、气动外形设计模型、气动预测模型和风雷软件。 MindSpore Flow是基于昇思MindSpore开发的流体仿真套件，支持航空航天、船舶制造以及能源电力等行业领域的AI流场模拟，旨在于为广大的科研院所、企事业单位与开发者提供高效易用的AI计算流体仿真软件。 未来，昇思MindSpore将携手更多伙伴、开发者推动模型创新、行业应用落地，助力人工智能产业生态加速发展。 --- https://www.mindspore.cn/news/zh/3406/ --- 新闻 昇思MindSpore技术培训班第四期圆满落幕 # 昇思MindSpore技术培训班第四期圆满落幕 2024/09/26 # 昇思MindSpore技术培训班第四期圆满落幕 9月25日，昇思MindSpore技术培训班在上海顺利举办，来自上海联通、华讯网络、建信金科、华峰创享等多家企业的60多名开发者参加。本次活动由昇思MindSpore开源社区、华为技术有限公司指导，上海昇思生态创新中心主办，上海市漕河泾新兴技术开发区发展总公司、上海计算机软件技术开发中心、上海市计算机学会软件工程专委会等共同协办。 上海昇腾人工智能生态创新中心CTO贾挺猛老师针对昇腾AI基础软硬件平台与生态合作案例进行了专业讲解，并在现场和企业开发者全方面的解读了昇腾万里伙伴计划赋能权益，介绍生态伙伴合作全流程，与企业进行了详细地交流。 昇思MindSpore技术布道师Minyan老师针对昇思MindSpore AI框架进行了深入浅出的分享。她指出，大模型训练需要大集群，其中最关键一环就是将大模型切分到集群各个加速卡上进行分布式训练。昇思MindSpore原创了多副本、多流水交织并行等技术，通过八维混合并行，打破层间依赖，隐藏层内的通信，提升计算效率，从而提升大模型训练的性能。针对大模型训练时容易中断、恢复时间长的问题，昇思通过编译快照、确定性CKPT等技术实现20分钟故障快速恢复训练任务。 本次昇思MindSpore技术培训班圆满落幕。未来，昇思以开源社区为核心，联合上海昇思生态创新中心，以共建、共治、共享赋能企业、高校科研院所与开发者打造模型及应用，成果显著。让我们期待与更多伙伴开发者同频共振、拥抱变化、共同成长。 --- https://www.mindspore.cn/news/zh/3408/ --- 新闻 Open AI又出王炸！黄金时代新增o1模型猛将！（资讯更新系列） # Open AI又出王炸！黄金时代新增o1模型猛将！（资讯更新系列） 2024/09/20 # Open AI又出王炸！黄金时代新增o1模型猛将！（资讯更新系列） A：Hello，小麦（小Mi），请播报近期AI类新闻 B：1.OpenAI 发布 o1 模型具备类似人类的推理能力，大模型已经达到人类博士水平 A：已达博士水平？这就是传说中的“straberry”吗？ B：没错！OpenAI传说中的“草莓”不仅可以胜任更复杂的推理任务，在数学、代码和其他科学领域也能解决更难的问题。 为了帮助大家更好地了解人工智能世界，MindSpore坛主决定这个资讯更新系列在给大家普及大事件新闻的同时，帮助大家更多地熟悉一些基础知识点，每次都能学到新的东西~~ 众所周知，人工智能（AI）是一个广泛的领域，涵盖了多个子领域和应用，其中就包括自然语言处理（NLP）。所以很明显，今天介绍下NLP~~ 自然语言处理（Natural Language Processing，简称NLP）是人工智能和语言学领域的一个分支，它致力于使计算机能够理解、解释、生成和处理人类语言。NLP的目标是缩小人类语言和计算机之间的差距，使计算机能够执行以下任务： 1、语言理解：使计算机能够理解自然语言的意图、情感和语境。 2、语言生成：使计算机能够生成自然语言，以进行有效的沟通。 3、语言翻译：使计算机能够将一种语言翻译成另一种语言。 4、信息抽取：从文本中提取有用的信息，如实体、关系、事件等。 5、文本分类：将文本自动分类到预定义的类别中。 6、情感分析：分析文本中表达的情感倾向，如积极、消极或中性。 7、问答系统：构建能够回答用户问题的系统。 8、文本摘要：生成文本的简短摘要，保留关键信息。 9、语音识别：将语音转换为文本。 10、语音合成：将文本转换为语音。 NLP的关键技术和方法包括： 1）词嵌入（Word Embeddings）：将单词转换为向量形式，以捕捉单词之间的语义关系。 2）序列模型：处理文本数据的时间序列特性，如循环神经网络（RNN）、长短期记忆网络（LSTM）和门控循环单元（GRU）。 3）注意力机制（Attention Mechanisms）：使模型能够关注输入序列中的特定部分。 4）Transformer模型：一种基于自注意力机制的模型，用于处理序列数据，广泛应用于翻译、文本生成等任务。 5）预训练语言模型：如BERT（Bidirectional Encoder Representations from Transformers）、GPT（Generative Pre-trained Transformer）等，它们在大量文本数据上进行预训练，然后在特定任务上进行微调。 6）机器学习算法：包括监督学习、无监督学习和强化学习等，用于训练NLP模型。 7）规则基础系统：使用语言学规则和启发式方法来处理语言。 这里可以着重给大家介绍一下非常常见的BERT。BERT（Bidirectional Encoder Representations from Transformers）是由Google在2018年提出的一种预训练语言表示模型，它在自然语言处理（NLP）领域取得了革命性的进展。BERT的核心特点在于其双向训练机制，能够通过大量无标签文本数据学习深层次的双向语言表示。 BERT模型的架构基于Transformer的编码器（Encoder）部分，由多层Transformer编码器堆叠而成。在较小的BERT模型中，包含12个编码器层，每个层有12个注意力头，词向量维度为768；而在较大的模型中，则包含24个编码器层，每个层有16个注意力头，词向量维度为1024。BERT的输入是三种嵌入的总和：WordPiece嵌入、位置嵌入和段落（Segment）嵌入。其中，WordPiece嵌入是对单词的表示，位置嵌入提供序列中单词位置的信息，段落嵌入则用于区分不同的句子或段落。 BERT的预训练包括两个主要任务： 1\. Masked Language Model (MLM)：在这一任务中，模型随机掩盖输入句子中的一些单词，然后尝试预测这些被掩盖的单词。在实际训练中，15%的单词会被掩盖，其中80%被替换为特殊的\[MASK\]标记，10%被随机替换为其他单词，剩余10%保持不变。 2\. Next Sentence Prediction (NSP)：这一任务要求模型预测两个句子是否是顺序的关系，即第二个句子是否是第一个句子的下文。这有助于模型学习句子间的关系。 BERT的预训练过程使其能够捕捉到丰富的语言模式和关系，这使得它在微调（Fine-tuning）阶段能够适应各种NLP任务，如文本分类、命名实体识别、问答系统等。微调过程中，BERT模型的权重会根据特定任务的数据进行调整，以提高任务性能。 BERT模型的成功在于其能够通过预训练学习到深层次的语言表示，这些表示包含了丰富的语义和句法信息。此外，BERT的双向训练机制使其能够更好地理解单词的上下文含义，从而在各种NLP任务中取得了显著的性能提升。 好啦，今日知识点普及就到这，下面给大家带来最近的AI新闻~ 1. 基于昇腾AI大集群，运营商伙伴基于昇思MindSpore AI框架成功实现了Llama3.1-405B大模型的训练。数据显示，本次模型训练性能与原生方案持平，训练效率及稳定性显著提升，展示了昇腾AI处理器与昇思AI框架软硬结合的强大能力。根据公开报道，Llama3.1-405B原生训练耗时持续54天，累计发生419次故障，平均每3小时产生一次，模型训练耗时长、稳定性要求高，如何优化训练性能、提升执行效率，同时提升稳定性，成为加速模型训练、提升模型精度的关键。面向训得快、训得稳等需求，昇思MindSpore提供了大模型开发套件、多维混合分布式并行、断点续训等能力，支持Llama3.1-405B又快又稳训练。 2. 李飞飞首次创业成立的空间智能公司终于官宣了，致力于构建大世界模型（LWM）来感知、生成3D世界并与之交互。World Labs公告中也指出，他们的首要目标是开发空间智能大世界模型（LWM），该模型可以从图像和其他模态理解、推理3D世界。未来，他们还期望训练出具有更广泛功能的模型，让这些模型在各个领域“和人们一起工作”。 3. 腾讯推出游戏视频模型GameGen-O，AI一键生成《黑神话·悟空》3A大作，该模型是一个专门生成开放世界视频游戏的Transformer模型。简单说，这个模型能够模拟各种游戏引擎功能，生成游戏角色、动态环境、复杂动作等等。当然也支持交互控制，用户可以通过文本、操作信号和视频提示来控制游戏内容。 4. MagicLab机器人公司MagicLab的人形机器人更多技能技巧被摆到台前。除了在咖啡馆中进行高精度自主咖啡拉花，它还能为工厂员工分发夜宵、在室内外场景担任领路员。甚至能遛狗。该公式专注于通用机器人技术和AI技术，人形机器人只是它们产品线里的一员，仿生四足机器人、工业四足机器人、通用人形机器人等，都是这家公司计划中的一部分。瞄准的落地场景也很广泛，覆盖家庭、工业、商业等。 5. OpenAI用o1开启推理算力Scaling Law，能走多远？数学证明来了：没有上限。斯隆奖得主马腾宇以及Google Brain推理团队创建者Denny Zhou联手证明，只要思维链足够长，Transformer就可以解决任何问题！他们证明了Transformer有能力模拟任意多项式大小的数字电路，用网友的话来说，CoT的集成缩小了Transformer与图灵机之间的差距，为Transformer实现图灵完备提供了可能，也就是说神经网络理论上可以高效解决复杂问题。 6. 开源版「Her」Moshi再引关注！Moshi是一款端到端实时音频模型，由一家法国创业团队Kyutai发布。不仅人人免费可玩，而且Moshi的代码、技术报告都已开源。发布的3个模型分别是Moshiko、Moshika，以及Mimi流语音编解码器。官方自称，他们对生成音频的主要贡献是多流建模技术（multi-stream modeling）。另外内心独白技术（Inner Monologue），它进一步提高了生成语音的质量，通过预测时间对齐的文本来增强Moshi的智能性，同时保持与流媒体的兼容性。 7. 9月 19 日，在2024杭州云栖大会上，随着通义大模型能力的全面提升，阿里云通义灵码迎来重磅升级。从一年前只能完成基础的辅助编程任务，进化到几句话就能完成需求理解、任务拆解、代码编写、修改BUG、测试等开发任务，最快几分钟可从0到1完成应用开发，提升数十倍开发效率。例如，真人程序员手动开发一个网页，通常需要1天的时间完成需求分解、写代码、测试等任务；现在，人类只需要输入需求，通义灵码5分钟就能完成整个过程。 8. 香港大学发布最新研究成果：智能交通大模型OpenCity。该模型根据参数大小分为OpenCity-mini、OpenCity-base和OpenCity-Pro三个模型版本，显著提升了时空模型的零样本预测能力，增强了模型的泛化能力。该模型结合了Transformer和图神经网络技术，以捕捉交通数据中的复杂时空关联。 9. 去年12月，Nature就刊登了一篇研究，可以用LLM预测一个人生活中即将发生的事件，就像预测句子中的next token一样。AI安全中心总监Dan Hendrycks联合加州大学伯克利分校的研究人员，开发了一个更强大的系统FiveThirtyNine，预测更宏观的社会事件，比如「Trump能否赢得2024年大选」。Nate Silver最新预测：Trump有64%的获胜几率。 10. 继OpenAI在5月发布会上展示「期货」GPT-4o的语音功能后，「AI语音助手」类的产品又成为了硅谷科技巨头的必争之地。紧跟着OpenAI开发布会的谷歌也马上宣布——Gemini将推出语音聊天模式Gemini Live。类似GPT-4o，Gemini Live不仅能实现随时打断的对话式交流，还有对设备屏幕的感知能力，可以实时解释用户的屏幕或视频信息。 本期分享到此结束，所以大家可以在沙发留言详细介绍一下人工智能相关的其他介绍吗？或者直接发个技术干货也没毛病！审核通过有奖哦~ --- https://www.mindspore.cn/news/zh/3415/ --- 新闻 社区月报 | 昇思MindSpore发布2.4版本，助力原生成果打造，多场活动精彩纷呈 # 社区月报 | 昇思MindSpore发布2.4版本，助力原生成果打造，多场活动精彩纷呈 2024/10/10 # 社区月报 | 昇思MindSpore发布2.4版本，助力原生成果打造，多场活动精彩纷呈 **_昇思MindSpore2024年9月份总结_** **01** **概述** 随着9月的结束，昇思MindSpore开源社区持续保持着高速发展的态度，在技术创新、社区活动、合作拓展等方面都取得了显著的成果。 版本上市：9月19日-21日，华为全联接大会2024期间，昇思发布MindSpore 2.4版本，原生亲和超节点架构，创新高维Tensor并行与长序列并行，使能超大规模模型训练提速；动静统一能力再升级，平滑切换动态图与静态图开发模式，兼顾性能与效率，降低模型开发门槛、提升易用性。 事件活动：华为全联接大会2024，举办昇思专题论坛，携手大模型伙伴与开发者近百位嘉宾，共话技术发展趋势；并在展区接待产业界、学术界客户、伙伴、开发者数百人次，收集开发者使用需求、传递产品价值与推广成果案例，共享社区技术成果。9月25日-27日，参与2024开放原子开源生态大会，向与会嘉宾作题为《昇思2.4版本加速大模型原生创新》技术与生态行动解读。9月25日、9月27日分别在上海漕河泾开发区、同济大学开展开发者培训赋能活动，发展企业、高校优质开发者100+名。 成果案例：9月23日， “风雷”气动外形设计大模型平台在四川绵阳举办的“智能赋能空天科技创新”博士后学术交流活动上由中国科学院院士唐志共正式发布。“风雷”大模型平台由中国空气动力研究与发展中心基于昇思MindSpore AI框架及MindSpore Flow流体力学套件研制，用于辅助设计人员在飞行器概念设计阶段开展气动外形生成。 在技术发展方面，MindSpore Flow开源Cascade-Net和相关应用案例，巧妙借鉴湍流物理上的能量级串物理机制，在亚临界、临界和超临界圆柱绕流为例验证了方法精度。同时，MindSpore Trusterd AI SIG基于GCG的大模型自动化对抗攻击能力完成工具化实现，支持单行为与多行为攻击模式，攻击成功率85%，基本持平PyTorch。 在社区运作方面，昇思MindSpore再次重磅推出学习打卡营，其中第三期课程由社区布道师共建与授课而成，更适合AI开发者从0到1阶梯式成长！此外，昇思MindSpore开源实习更有新任务等你来认领！同时，昇思MindSpore在多个领域助力技术创新，基于昇思MindSpore，运营商伙伴成功训练了Llama3.1-405B大模型、澜码科技推出AskXBOT企业级AI Agent平台及一系列智能解决方案、陕西元翌智能科技有限公司打造遥感影像解译大模型等，这些进展共同推动了AI技术的深入应用和发展。 以下是9月昇思MindSpore社区进展的详细报告。 **02** **社区规模** 截至9月底，昇思MindSpore面向全球开发者，凝聚产业力量，持续打造人工智能创新之源。社区秉持开放透明原则，稳步建设开源生态，规模和活跃度得到持续提升。 昇思MindSpore累计下载量为**805万+**，2024年9月份增长了**15万+**； 发展\*\*3.6万+\*\*多名核心贡献者； 累计产生ISSUE共**39.6K**、PR共**100K**。 **03** **社区大事件** \*\*1、\*\***加速使能大模型&科学智能创新——昇思论坛在华为全联接大会期间成功举办** 9月21日，在华为全联接大会2024（HUAWEI CONNECT 2024）期间，昇思MindSpore专题论坛顺利举办。该论坛聚焦大模型与科学智能创新成果，汇聚近百位国内外AI领域领军学者、技术领袖及开发者演讲、参会，共同分享AI领域发展趋势与产业机遇。 昇思MindSpore AI框架，作为业内首个原生支持大模型、科学智能创新的AI融合框架，面向大模型及硬件创新，迭代至2.4版本，原生亲和超节点架构，创新高维Tensor并行与长序列并行，使能超大规模模型训练提速；动静统一能力再升级，平滑切换动态图与静态图开发模式，兼顾性能与效率，降低模型开发门槛、提升易用性。 \*\*2、\*\***基于昇思MindSpore打造的气动外形设计大模型平台-风雷正式发布** 9月23日，“风雷”气动外形设计大模型平台在四川绵阳举办的“智能赋能空天科技创新”博士后学术交流活动上发布。“风雷”大模型平台由中国空气动力研究与发展中心基于昇思MindSpore AI框架及MindSpore Flow流体力学套件研制，用于辅助设计人员在飞行器概念设计阶段开展气动外形生成。“风雷”可实现满足性能指标的气动外形端到端生成，适配多场景、多类型气动外形设计，且设计方案覆盖多样性需求。 \*\*3、\*\***昇思亮相开放原子开源生态大会：原生支持超节点，助力大模型加速训练** 9月25日~27日，由开放原子开源基金会主办的2024开放原子开源生态大会在北京开幕，来自产学研用各领域的千余位代表现场出席大会。在本次大会中，昇思MindSpore开源生态总监杨滔以《昇思2.4版本加速大模型原生创新》为题做分享。昇思MindSpore再次突破创新的边界，推出了全新2.4版本，这一版本不仅加速了大模型的原生创新，还进一步推动了AI软硬件协同技术发展。 **04** **技术进展** **1**\*\*、\*\*****基于多级生成对抗网络的流体脉动速度场Cascade-Net预测方法在MindSpore Flow开源**** 哈尔滨工业大学李惠院士团队的圆柱尾流脉动速度场Cascade-Net预测方法巧妙借鉴湍流物理上的能量级串物理机制，以表面压强、Re和少量尾迹速度测点作为输入，设计了具有尺度传递拓扑结构的生成对抗网络Cascade-Net。该方法在亚临界、临界和超临界圆柱绕流为例验证了方法精度，目前已在MindSpore Flow开源，欢迎开发者们使用。 \*\*2、\*\*****MindSpore Trusted AI SIG技术稳步提升，AI安全持平业界标杆**** 基于GCG的大模型自动化对抗攻击工具成功实现了工具化，能够支持单行为和多行为的攻击模式，成功率高达85%，标志着在自动化对抗攻击领域取得了显著进展。 **05** **社区动态** \*\*1、\*\***昇思学习打卡营带你一键掌握AI应用开发全流程** 昇思MindSpore25天打卡营是昇思MindSpore开源社区为开发者打造的能力提升项目，课程内容涵盖AI框架基础知识、经典神经网络实践、AI+X应用实践，以及大模型理论与实践，每天30分钟，打通你的AI任督二脉，第一期超1000+开发者参与打卡营，第二、三期再出发！ 第二期打卡营使用青岛AICC实训平台，请前往青岛AICC实训平台进行学习。 第三期课程由**社区布道师共建与授课而成**，更适合AI开发者从0到1阶梯式成长。开发者自己的课程，更适合开发者！（开营时间：2024年9月30日-10月13日） **2、\*\*\*\*@高校开发者！昇思MindSpore开源实习上线新任务！** 昇思MindSpore开源实习是昇思MindSpore联合openEuler社区等多个开源社区，共同发起的线上实习任务，旨在鼓励在校学生积极参与开源社区，在实际开源环境中提升实践能力。新学期，新挑战，开源实习新任务已上线，海量实习任务等你来领取：任务难度分为低、中、高三个等级，对应不同积分，每完成一个任务可获得相应积分，积分累计达规定量后，可获得**实习证明**和**实习工资**。 \*\*3、\*\***欢迎加入昇思MindSpore NLP SIG！打造高效易用的NLP库！** MindSpore NLP是一个基于MindSpore的开源NLP库。它通过整合众多经典NLP数据集，并支持多种常见的NLP任务，为开发者提供了一个全面且强大的平台，帮助研究人员和开发人员更方便、更快速地构建和训练模型。 构建开放、易用、高效的开源NLP库和开源共创的交流社区，有利于促进NLP技术的蓬勃发展和创新突破。在此背景下，昇思MindSpore NLP SIG（特别兴趣小组）正式成立，并面向开源社区招募志同道合的伙伴。 \*\*5、\*\***昇思MindSpore技术培训班第四期圆满落幕** 9月25日，昇思MindSpore技术培训班在上海顺利举办，来自上海联通、华讯网络、建信金科、华峰创享等多家企业的60多名开发者参加。本次活动由昇思MindSpore开源社区、华为技术有限公司指导，上海昇思生态创新中心主办，上海市漕河泾新兴技术开发区发展总公司、上海计算机软件技术开发中心、上海市计算机学会软件工程专委会等共同协办。 \*\*6、\*\***昇思MindSpore应邀参与大模型技术与产业应用沙龙，OSC源创会西安站** 9月21日，OSC源创会·西安站成功举办，昇思MindSpore带来一场关于大模型全流程关键技术的分享。本次分享基于昇思MindSpore的大模型的最新进展和成果，介绍昇思MindSpore超大规模AI训练、微调、压缩、部署全流程关键技术，如何使用这些关键技术来训练大模型，以及昇思MindSpore上的大模型如何助力产业发展。 --- https://www.mindspore.cn/news/zh/3416/ --- 新闻 昇思亮相开放原子开源生态大会：原生支持超节点，助力大模型加速训练 # 昇思亮相开放原子开源生态大会：原生支持超节点，助力大模型加速训练 2024/09/27 # 昇思亮相开放原子开源生态大会：原生支持超节点，助力大模型加速训练 9月25日~27日，由开放原子开源基金会主办的2024开放原子开源生态大会在北京开幕，大会以“开源赋能产业，生态共筑未来”为主题，来自产学研用各领域的千余位代表现场出席大会。在本次大会中，昇思MindSpore开源生态总监杨滔以《昇思2.4版本加速大模型原生创新》为题做分享。昇思MindSpore再次突破创新的边界，推出了全新2.4版本，这一版本不仅加速了大模型的原生创新，还进一步推动了AI软硬件协同技术发展。 昇思MindSpore开源生态总监 杨滔 \*\*昇思MindSpore：\*\***大模型原生创新的加速器** **技术革新，性能卓越** 昇思MindSpore 2.4版本通过长序列并行优化等关键技术，解决了长序列内存瓶颈等问题，提升了万亿MoE模型的训练效率。 **原生亲和超节点架构** 本次新版本面向超节点架构进行了创新，提升了训练效率，支持从1D到2D、3D的并行效率，通信开销降低30%，提升模型训练时硬件的计算效率。 **易用性提升，快速部署** 昇思MindSpore提供了昇思大模型套件（MindSpore Transformers），支持30多个主流大模型，并实现开箱即用，套件集成了微调算法和模型的下游任务，支持一键开发，大幅减少大模型开发时间。 **灵活编译，高效调试** 提供了多级编译技术，追求极致性能的场景可以使用图下沉形式，而面对较大计算资源的场景，可以快速启动任务；无需超大规模集群的硬件资源，通过Dry Run在单卡进行仿真与自动并行策略配置，实现离线调试调优，降低并行策略配置成本、提升开发效率。 **科学计算领域，持续领先** 在科学计算领域提供了20+个原生的大模型，新增了30多个接口，面向流体力学和化工行业提供了基于昇思MindSpore的全栈解决方案。 **携手共创，AI基础软件繁荣生态，赋能千行百业** 昇思MindSpore面向政企、金融、运营商、电力、交通等行业提供了端到端的训推一体解决方案，赋能千行百业。生态上，版本下载量超过790万次，合作伙伴数量突破1400+，孵化、适配大模型超过50个，支持学术论文发表1500+篇。 昇思MindSpore开源社区一直致力于开源共创，携手伙伴共建共享共治AI基础软件繁荣生态。当前社区通过激励学术创新、产业创新以及应用创新等行动作为技术创新的支点，推出了论文基金会、原生大模型扶持项目、开发板赋能教程、算法挑战赛等，以赛促学，激励算法创新与应用。同时，昇思MindSpore联合伙伴成立了全国首个昇思生态创新中心，通过生态发展、联合创新、技术支持以及人才培养，打造生态赋能的阵地。 昇思MindSpore始终以不断进化、坚持开放的姿态支持人工智能技术创新，未来，昇思将继续携手学术界、产业界开发者持续探索AI技术的无尽前沿。 --- https://www.mindspore.cn/news/zh/3417/ --- 新闻 @同济大学，携手昇思共建AI人才生态 # @同济大学，携手昇思共建AI人才生态 2024/09/29 # @同济大学，携手昇思共建AI人才生态 2024年9月27日，昇思MindSpore高校行走进同济大学暨第九届华为ICT大赛上海市赛启动仪式在同济大学四平路校区顺利举办。活动上，相关专家向与会师生介绍了华为ICT大赛中国赛，并解读了昇思MindSpore相关赛题及昇思开源社区提供的技术支持。 同济大学电子与信息工程学院与华为技术有限公司共建“领先级华为ICT学院”在活动中正式揭牌，华为技术有限公司中国区产业发展与生态部副部长王新、中国区人才发展业务校企合作总监褚力行、华为ICT学院合作总监魏彪、华为上海ICT学院合作总监翟彦杰等一行共同见证，同济大学电子与信息工程学院副院长周俊鹤、同济大学电子与信息工程学院副教授齐鹏参与揭牌仪式。 同济大学电子与信息工程学院副院长周俊鹤热情致辞，周院长表示，同济大学与华为自2020年起就在ICT领域深入合作。学校一直积极推动和落实教学改革和课程优化，聚焦人才培养模式改革和产教协同创新，十分重视培养学生的创新能力和实践能力。此次ICT学院挂牌，正是双方紧密合作的又一体现，学院将继续大力支持华为ICT学院的产教融合建设过程中，不断将华为的技术体系融入到学校的课程体系之中，培养更多卓越技术人才。 华为技术有限公司中国区产业发展与生态部副部长王新在发言中表示，在刚刚过去的华为全联接大会期间的ICT学院年会中同济大学校长、中国工程院院士郑庆华受邀出席，并与华为常务董事、ICT基础设施业务管理委员会主任汪涛进行了关于产教融合话题进行了深入交流。本次高校行活动是继华为全联接大会中对外正式发布第九届华为ICT大赛启动后的第一站路演活动，标志着上海市赛的全面启动，希望“以赛促学、学赛结合”的方式携手更多ICT人才共创数智生态繁荣。 活动现场，中国区人才发展业务校企合作总监褚力行为同济大学电子与信息工程学院副教授齐鹏颁发华为布道师聘书。华为生态专家为大家分享了第九届华为ICT大赛中国赛最新介绍以及昇思MindSpore赛题解读。 与此同时，昇腾AI创新大赛上海区域决赛同期举行，参赛队伍现场PK角逐，此次上海赛区共有70余支队伍参赛报名，经过层层筛选，共评选出应用赛道金、银、铜奖共14名，高校赛道金、银、铜奖共10名。其中金奖获奖团队将直接晋级全国总决赛，获奖公示请持续关注昇腾社区。 本次活动由昇思MindSpore开源社区指导，华为技术有限公司、同济大学电子与信息工程学院、上海昇思生态创新中心共同主办。未来，多方将依托“领先级华为ICT学院”，持续展开深度合作，共同推进高校专业人才培养改革，推动拔尖创新人才培养工作再上新台阶、再上新水平。 --- https://www.mindspore.cn/news/zh/3418/ --- 新闻 从昇思开发者到布道师——湖北工业大学张杨的人工智能框架探索 # 从昇思开发者到布道师——湖北工业大学张杨的人工智能框架探索 2024/09/30 # 从昇思开发者到布道师——湖北工业大学张杨的人工智能框架探索 在数字化浪潮席卷全球的今天，人工智能技术正以前所未有的速度改变着世界。在这场变革中，湖北工业大学副教授张杨老师携手昇思MindSpore共成长的故事，激励着昇思开源社区的每一位开发者。 **从机械到计算机：跨学科的探索** 张杨的故事始于2010年，他以优异的成绩考入湖北工业大学机械工程学院。随着对计算机科学的兴趣日益浓厚，他在攻读博士学位时毅然从机械转向了计算机科学。这一决定，不仅源于计算机科学的广阔前景，更源于张杨对知识的渴望和对挑战的热爱。他说，年轻人就是要不断“折腾”！ 毕业后，张杨先是加入了腾讯优图，随后又前往香港中文大学电子工程系深造。学成归来，他选择回到湖北工业大学，继续他的教育事业。张杨坚信，教育不仅要传授知识，更要培养学生的实践能力和创新精神。 **昇思MindSpore的早期探索者** 2020年，当昇思MindSpore正式开源时，张杨便开始关注这一新兴的AI框架。他意识到，昇思的开源生态将为学生提供宝贵的学习资源和实践平台。在他的推动下，湖北工业大学的学生们开始接触并参与到昇思的生态建设中。 面对学校在生源质量和平台资源上的不足，张杨没有退缩。他坚持认为，教育的关键在于培养学生的实践能力和创新思维。在他的引导下，学生们通过参与项目实践，不仅学会了国内外主流的软硬件技术，还深入学习了昇思MindSpore与昇腾AI技术栈。 **教育与技术的融合** 张杨是昇思MindSpore布道师，也是华为开发者布道师。他鼓励学生们参与到实际的项目中，以昇思MindSpore为基础软件工具，解决现实世界的问题。他带领着几位年轻硕士生组成的学生团队在多个项目中取得了显著成果，近三年在各类学术竞赛中荣获省部级以上奖励10余项，发表顶级学术论文20余篇；在列车故障诊断项目中，利用昇思MindSpore与昇腾AI，成功构建了一套列车故障云边端协同检测平台；在矿冶领域的项目中，通过小样本学习，实现了对碎石的高效检测；在工业质检的项目中，结合昇思MindSpore，实现异常检测大模型的云网边端协同计算。同时，他鼓励学生们参与到昇思MindSpore的社区贡献中，通过实际的代码贡献来提高自己的技术水平。 张杨不仅在科研上取得了丰硕成果，更在教育领域做出了创新。他开设的人工智能与相关课程，旨在培养学生的实践能力和创新思维。目前，正携手昇思MindSpore，共建昇思大模型课程、组建学习小组等合作，以帮助学生紧跟技术发展的步伐。 通过这些工作，张杨不仅推动了昇思MindSpore在教育和产业中的应用，也为学生们提供了一个学习和成长的平台，使他们能够在AI技术的浪潮中不断前行。 **面向未来的教育者** 张杨的故事，是一个关于教育、创新和成长的典范。他不仅是一位开发者，更是一位布道师，通过他的努力，学生们得以在AI技术的浪潮中乘风破浪，不断前行。 在张杨的带领下，他的学生们不仅学会了如何使用技术，更学会了如何创新和思考。张杨的故事，不仅是一种实践，更是一种启示：在数字化时代，教育不仅要传授知识，更要激发学生的潜能，培养他们的创新精神。 --- https://www.mindspore.cn/news/zh/3424/ --- 新闻 智能流体力学产业联合体第三次全体会议成功召开，昇思使能成果卓著 # 智能流体力学产业联合体第三次全体会议成功召开，昇思使能成果卓著 2024/10/16 # 智能流体力学产业联合体第三次全体会议成功召开，昇思使能成果卓著 2024年10月13日，智能流体力学产业联合体第三次全体会议在陕西西安索菲特人民大厦成功举办，产业联合体代表及关心联合体的学术界、产业界专家共计超过两百位嘉宾现场参会。 中国空气动力学会理事长、智能流体力学产业联合体理事长、中国科学院院士唐志共在致辞中对联合体的发展指出：当前，随着流体力学与大数据、人工智能技术深度交叉融合，智能流体力学的应用前景广阔、发展潜力巨大。希望联合体把握机遇，做好四个方面的工作：强化创新策源，统筹推进流体力学领域大模型开发，深度融合CFD技术、人工智能方法、高精度流场大数据；广泛聚才汇智，积极吸纳优秀人才，打造科技人才聚集高地；推进开放合作，充分发挥成员单位各自优势，进一步优化资源配置；加强自身建设，进一步强化联合体职能作用，切实解决行业和产业的问题，为行业提供更加精准、高效的技术支持和服务，不断提升联合体知名度和影响力。 中国空气动力学会理事长、智能流体力学产业联合体理事长、 中国科学院院士唐志共 产业联合体副理事长、昇思MindSpore业务总经理丁诚在致辞中表示，2024年的诺贝尔奖颁发给AI领域的专家，证明了AI for Science的未来有无限的想象空间。昇思MindSpore作为原生支持大模型与科学智能的开源AI框架，孵化、适配了超过50个主流大模型，支持1700多篇论文发表，位居全球第二、中国第一。昇思作为AI基础软件，携手产业研用伙伴，持续贡献中国乃至全球的人工智能产业生态。 智能流体力学产业联合体副理事长、 昇思MindSpore业务总经理丁诚 华为技术有限公司计算产品线AI4Sci Lab技术专家王永忠博士分享了《AI流体仿真及MindSpore实践》报告，王永忠博士汇报了昇思MindSpore AI框架使能大模型全流程开发的能力及MindSpore Flow流体仿真套件相关进展，同时，也介绍了与产业联合体的主要伙伴们的联合创新成果，展示了AI+流体力学在大飞机、气动外形设计等国计民生场景的应用实践。 华为技术有限公司计算产品线AI4Sci Lab技术专家王永忠 联合体代表、中国空气动力研究与发展中心研究员王岳青分享了题为《国家数值风洞二期智能化需求及规划》演讲。国家数值风洞二期建设方案充分考虑了智能化需求，旨在通过深度融合人工智能与数值模拟技术，进一步提升数值模拟软件的精度、效率与智能化水平。王岳青从模型、算法、软件及硬件等四个维度，全面阐述工程二期智能化建设的具体需求与策略，并简要介绍当前针对这些需求所开展的探索性工作。 联合体代表、中国空气动力研究与发展中心研究员王岳青 联合体代表、中国汽车工程研究院股份有限公司风洞中心副主任王庆洋分享了题为《数据+AI驱动的先进汽车空气动力学开发技术》的报告。王庆洋在报告中表示，大数据+AI技术的应用正在成为汽车空气动力学开发高质量发展的新趋势和新方向，中国汽研风洞中心整车全尺寸气动声学风洞运营5年来的数据和技术积累，聚焦于“数据+AI驱动的先进汽车空气动力学开发技术”，探讨大数据和AI技术在汽车空气动力学开发中的应用场景，为汽车行业空气动力学性能的高质量发展赋能。 联合体代表、 中国汽车工程研究院股份有限公司风洞中心副主任王庆洋 联合体代表、深圳十沣科技有限公司AI仿真方向负责人宾远为以《实际工业流体仿真中的AI-CFD研究与应用》为题作了演讲。宾远为提出，在面临复杂的工业仿真问题时，传统CFD的仿真精度、仿真效率仍然无法满足实际需求。深圳十沣科技有限公司针对这些问题，引入机器学习方法开发了AI湍流模型、物理场AI快速预测算法、数据同化流场重构算法等AI-CFD领域核心算法，打造了具有泛化性的湍流模型学习框架、实现了多个工业仿真场景中的秒级预测功能并能有效地捕捉湍流中的多尺度现象。 联合体代表、深圳十沣科技有限公司AI仿真方向负责人宾远为 西北工业大学副教授、智能流体力学产业联合体副秘书长刘溢浪面向全体成员，汇报了智能流体力学产业联合体工作进展，并正式面向全体成员发布了科研院所需求征集，打造联合体需求与创新平台反馈机制。 西北工业大学副教授、智能流体力学产业联合体副秘书长刘溢浪 圆桌研讨环节由中国空气动力学会副理事长、智能流体力学产业联合体副理事长兼秘书长、西北工业大学教授张伟伟主持，与航空工业第一飞机设计研究院副总师张彦军、上海航天技术研究院研究员阮文华、上海飞机设计研究院研究员张淼、西安现代控制技术研究所副总师刘万刚、中国航天空气动力技术研究院研究员胡宁五位专家共同带来了精彩的智能流体力学落地应用及其广阔前景的探讨。 圆桌研讨 在仪式环节，国空气动力学会理事长、智能流体力学产业联合体理事长、中国科学院院士唐志共为学术委员会评选出的首届全国智能流体力学会议的9篇优秀会议论文进行了颁奖。中国空气动力学会副理事长、智能流体力学产业联合体副理事长兼秘书长、西北工业大学教授张伟伟为大会作了闭幕致辞。 论文颁奖 闭幕致辞 未来，智能流体力学产业联合体将持续打通政产学研用、推动AI基础软硬件、大模型与落地应用发展，通过智能流体力学产业联合体这一平台，加强人工智能技术与流体力学结合，推动相关国计民生产业发展。 --- https://www.mindspore.cn/news/zh/3425/ --- 新闻 重阳敬老医护航，棱镜科空体携手MindSpore打造生物医药研发专精模型！ # 重阳敬老医护航，棱镜科空体携手MindSpore打造生物医药研发专精模型！ 2024/10/11 # 重阳敬老医护航，棱镜科空体携手MindSpore打造生物医药研发专精模型！ 农历九月初九，重阳节，一个承载着“九九”长久、长寿寓意的传统节日，又称“老人节”。在这个温馨的日子里，我们不仅缅怀先辈，更关注老年人的身心健康，传承尊老、敬老、爱老、助老的优良传统。而现代生物医药技术的飞速发展，尤其是生物医药研发专精模型的研究，正为守护老年人健康、延长人类寿命提供了前所未有的机遇。 传统药物研发过程复杂、耗时且昂贵，成功率相对较低。随着人工智能和大数据技术的迅猛发展，科学家们开始探索将前沿的AI技术应用于药物研发。棱镜科空体（吉林）科技有限公司基于昇思MindSpore AI框架和昇腾AI，打造了生物医药研发专精模型。通过整合海量生物数据、化学信息和临床数据，利用深度学习和机器学习算法，提供更为精准的药物发现和设计方案，从而加速新药研发进程，降低成本，提高成功率，最终推动生物医药领域的创新和进步。 **生物医药研发专精模型** 全球首个实现药物与疾病之间双向推断的动态药物大模型，推动药物研发产业化应用。集成生物医药大数据与人工智能技术，揭示药物作用机制，提供具有高度医学可解释性的药物作用网络。 **创新技术** 1、\*\*生物医药大数据：\*\*建立全类型疾病药物作用相关知识库，构建药物作用基础知识图谱。 2、\*\*药物作用网络生成：\*\*对任意药物研发需求量身构建全新的药物作用网络。 3、\*\*药物作用机制推断：\*\*根据作用网络进行药物与疾病之间的双向推断，揭示药物作用机制。 **产品价值** 1、\*\*药物研发：\*\*快速筛选出潜在的药物候选分子，预测它们与特定靶点的相互作用强度和特性，不仅提高研发效率并降低成本，还有助于提前识别可能的毒副作用，确保药物的安全性和有效性。 2、\*\*靶点识别：\*\*研究者可以通过确定药物作用的分子靶点，从而理解药物作用机制和药物作用网络。 3、\*\*老药新用：\*\*通过分析药物与不同靶点的相互作用，科学家可以发现已知药物的新用途。 4、\*\*作用机制研究：\*\*功能涵盖识别药物是如何影响靶点的活性、如何与靶点结合、引起的下游生物效应是什么等。深入的作用机制研究有助于优化药物设计，减少不良反应，提高治疗效果。 **基于MindSpore的生物医药研发解决方案** \*\*高效计算：\*\*利用MindSpore的分布式计算能力，加速生物医药研发专精模型的训练和推理过程，显著提升计算效率。 \*\*数据集成：\*\*通过MindSpore的数据处理和管理功能，实现生物数据、化学信息和临床数据的无缝集成与分析。 \*\*模型优化：\*\*结合MindSpore的自动调优工具，优化大模型的参数，提高药物靶点识别和药物设计的精准度。 \*\*可扩展性：\*\*利用MindSpore的模块化架构和扩展性，方便地集成不同的生物医药研究需求，支持个性化研发方案。 生物医药研发专精模型在多个场地照片材料数据集上训练、验证 生物医药研发专精模型结合AI与大数据，显著提升药物研发效率和成功率，降低成本，支持个性化药物设计。应用于新药发现和研发，加速药物筛选和优化。 重阳节不仅仅是一个节日，更是一种文化和精神的传承。在生物医药研发领域，我们同样需要这种传承与创新的精神。通过关注老年人的健康需求，利用药物研发大模型技术，为他们提供更加精准、有效的治疗方案。生物医药与AI大模型的交融，不仅展示了现代科技在守护人类健康方面的巨大潜力，也为人类健康事业贡献更多力量，共同守护我们的健康与长寿。 --- https://www.mindspore.cn/news/zh/3426/ --- 新闻 携手昇思，天津大学团队打造生物医学领域大模型“海河·岐伯” # 携手昇思，天津大学团队打造生物医学领域大模型“海河·岐伯” 2024/10/12 # 携手昇思，天津大学团队打造生物医学领域大模型“海河·岐伯” 2024年9月19日至21日，华为全联接大会（HC2024）在上海隆重举办。来自天津大学的王鑫老师在大会期间获得“昇腾科研创新卓越贡献者奖”。作为天津大学智能与计算学部教授、博导、人工智能学院副院长，王鑫老师在古文预训练模型研究积累丰厚，自2022年开始带领团队基于MindSpore原生研发面向古汉语的预训练语言大模型，孵化了生物医学领域大模型—“海河·岐伯”。 **生物医学领域大模型“海河·岐伯”** 在“海河·岐伯”前期研究中，针对古文的语法语义结构特性，提出了预训练模型RAC-BERT模型，其在继承Transformer编码器结构的同时，根据古文任务需求，对模型做出相应改进，设计了新的基于部首的预训练任务，调整模型参数，优化网络结构，在大规模古籍语料基础上进行训练，在CCLUE测评基准下相比于BETR-base模型提升了5%以上。该研究成果在知名国际学术会议发表论文。 论文链接： https://link.springer.com/chapter/10.1007/978-3-031-44696-2\\\_59 昇思MindSpore版开源代码链接： https://github.com/CubeHan/RAC-BERT 基于前期的研究成果，为了进一步应用大模型到生物医学领域（中医药领域），对中文基座模型进行微调使其获取识别中医药实体的能力；通过构造中医药知识图谱，处理部分中医药相关知识，设计实现了大模型结合知识图谱的问答系统，该研究成果在国内核心期刊发表论文。 最后，为了进一步提升大语言模型在中医药领域性能，进行中医药领域的二次预训练与指令微调得到“海河·岐伯”大模型。“海河·岐伯”大模型在中医药相关的13个科目选择题共计2237道题的测试中达到最优，7位中医药专家在中医药方面进行的主观评估，“海河·岐伯”达到最优。 论文链接： https://link.cnki.net/urlid/11.5602.TP.20230920.1152.004 MindSpore版开源代码链接： https://github.com/zhangheyi-1/llmkgqas-tcm **昇思AI框架使能“海河·岐伯”训练提速** “海河·岐伯”在训练过程中，充分利用了昇思MindSpore框架的多种并行策略，通过流水并行、数据并行等混合并行训练模式，使得“海河岐伯”的训练效率提升了20%。同时，利用昇思MindSpore提供的混合精度的计算方式，在保持计算精度的同时，提高了计算效率和减少了内存占用。此外，针对开发过程遇到的训练调试问题，充分利用昇思MindSpore Insight可视化调试调优工具，缩短模型精度问题定位的时间。最后，在最新的训练中，采用昇思MindSpore的新特性多级编译技术，开启O1编译选项增加自动算子融合优化，以提升内存复用率，相比于动态图获取更高的性能收益。 “海河·岐伯”获得中国人工智能学会-昇思MindSpore学术基金支持，并携手天津市人工智能计算中心联合开展产业化探索，通过天大智图公司进行商用。 未来，王鑫老师团队将持续携手昇思，构建中医药领域知识图谱，整合古今中医药文献、方剂、药物、疾病等知识，并持续收集整理中医药领域相关数据，对“海河·岐伯”进行迭代训练与优化，提高模型的训练效率和精度。此外，结合中医药“望闻问切”的特性，研发中医药多模态大模型。最终，围绕模型打造落地应用，开发智能化中医诊疗系统，从而实现学术创新到产业落地的闭环，助力学术界与产业界生态繁荣。 --- https://www.mindspore.cn/news/zh/3431/ --- 新闻 基于昇腾+昇思原生开发，云译AI多语言机器翻译重塑沟通边界 # 基于昇腾+昇思原生开发，云译AI多语言机器翻译重塑沟通边界 2024/10/23 # 基于昇腾+昇思原生开发，云译AI多语言机器翻译重塑沟通边界 在全球化浪潮中，语言障碍成为跨文化交流与国际合作的显著挑战。尤其在小语种领域，因使用人群较少，语料资源稀缺，大部分翻译公司的翻译技术都相对发展滞后。尽管机器翻译技术在主流语言方向上取得了显著的成就，但小语种领域的机器翻译仍面临着资源有限、语言结构差异及专业领域翻译难度高等挑战。 在此背景下，深圳云译科技有限公司凭借自身在自然语言处理领域的深厚积累和前沿技术，依托河北人工智能计算中心的算力资源与技术支持，研发的\*\*东盟多语言机器翻译大模型，基于昇腾AI基础软硬件平台以及昇思MindSpore全场景AI框架完成兼容性测试，获得了昇腾原生技术认证。\*\*该模型不仅具备出色的翻译准确性，还能快速适应多种语言场景，为用户提供高效、便捷的翻译服务。 东盟多语言机器翻译大模型底层引入昇腾硬件，在： **CANN** **+** **MindSpore** **+** **MindSpore** **Transformers** **+** **MindIE**上完成模型的部署和优化，底层技术自主创新，基于多语言大模型引擎，结合数据向量化、向量数据库、数据解析处理，实现最上层的文本、文档、图片、网页翻译等应用，极大提高了翻译准确性，优化了用户体验，同时也增强了系统的稳定性和可拓展性。 基于大模型提升小语种机器翻译的能力，不仅克服了小语种翻译的种种困难，还显著增强了小语种在机器翻译中的准确性和流畅度，拓宽了应用范围，为跨语言沟通与合作开辟了新途径，促进了多语言环境下的信息无国界交流。 **该方案具有以下优势：** \*\*高质高效：\*\*经过行业优化的大模型可以快速部署和应用，减少了模型调试和微调的时间。通过原生行业大模型的先进技术，高效处理大批量的翻译任务的同时，也极大提升了翻译效率。 \*\*降低成本：\*\*直接使用经过行业优化的模型，高准确性的自动翻译减少了人工干预，降低了人工翻译的成本。 \*\*优化用户体验：\*\*符合行业标准和语言习惯的大模型，能准确理解并传达原文意思，有效减少翻译错误，提高翻译质量，进而得到用户的广泛认可，优化用户体验。 AI多语言机器翻译技术的不断突破与创新，正逐步改变着跨语言沟通的面貌。未来，昇腾将继续携手深圳云译，依托河北人工智能计算中心，共同探索翻译技术的新边界，推动翻译质量与效率的双重飞跃，双方将根据各自在人工智能与大数据处理方面的优势，深化技术研发合作，不断推出更加精准、高效、智能的翻译解决方案，为翻译行业注入强大的智能化发展动力。 **深圳云译** 深圳云译科技有限公司，致力于以人工智能自然语言处理技术为核心，自主研发中文与全球语种互通的人工智能解决方案。核心技术包括机器翻译、语音识别与合成、图文识别、大语言模型等。目前自主研发了超过100多种语言、覆盖超20个垂直细分领域的机器翻译引擎、区域国别研究信息系统、多语种同传系统、音视频字幕翻译系统等一系列智能产品与应用。 --- https://www.mindspore.cn/news/zh/3433/ --- 新闻 @开发者，请查收新书《MindSpore大语言模型实战》 # @开发者，请查收新书《MindSpore大语言模型实战》 2024/10/21 # @开发者，请查收新书《MindSpore大语言模型实战》 近年来，以ChatGPT为代表的大语言模型如雨后春笋般涌现，成为AI领域的焦点。在大语言模型的开发实践中，AI框架的选择至关重要。AI 框架是 AI 算法模型设计、训练和验证的一套标准接口、特性库和工具包，集成了算法的封装、数据的调用以及计算资源的使用，同时面向开发者提供了开发界面和高效的执行平台。 昇思MindSpore作为华为开源的AI框架，在过去的几年里使能产业界、学术界基于昇思原生、适配支持超过50个大模型。开源4年多来，昇思MindSpore已成为国内AI大模型创新的首选框架，原生支持大模型及AI+科学计算能力，以多维混合分布式并行能力，提升超大模型的训练效率，并打造MindSpore TransFormers、MindSpore One生成式套件与MindSpore Science科学智能套件，实现全流程开箱即用，大幅降低大模型全流程的开发门槛与成本。 基于此，《MindSpore大语言模型实战》一书应运而生，本书由昇思开源社区技术委员会委员陈雷老师联合昇思研发团队编写，生动展现昇思MindSpore在使能大语言模型的创新应用案例，为开发者快速上手昇思、开发大模型提供指导。 购书链接：https://product.dangdang.com/29791704.html **内容简介** 本书旨在深度挖掘大语言模型技术。首先，本书追溯大语言模型的发展历程，介绍Transformer模型的基本原理、结构和模块及在大模型任务中的应用，并剖析它们在各领域的成功案例，然后介绍由Encoder-Only到Decoder-Only的技术路线发展过程中对应的 BERT、GPT等大语言模型，深入理解它们背后的工作原理。通过理论介绍，读者将对大语言模型的演进和突破有更为清晰的认识。 接着，本书重点深入展开昇思MindSpore支撑一众大模型的核心：分布式并行能力，解析其在大语言模型实践中的独特之处，这将有助于读者全面了解昇思MindSpore在大语言模型实践中的创新应用。 最后，本书以主流开源大语言模型BLOOM和LLaMA为样例，聚焦大语言模型在不同领域的实践，包括自然语言处理、图像生成、语音识别等领域。揭示MindSpore如何为这些领域的大语言模型提供高效的支持，帮助读者更好地将大语言模型应用于实际问题。 为了使读者更好地学习和理解相关内容，本书还提供基于昇思MindSpore实现的大语言模型实践的样例代码。这些样例代码将帮助读者从理论到实践，逐步掌握大语言模型的构建方法和昇思MindSpore应用的核心技术。 **必读理由** \*\*紧跟热点：\*\*当前人工智能最热的领域是大语言模型，从业者对了解、使用及构建大语言模型充满热情，本书以大语言模型领域的应用为主，切合市场热点。 \*\*实战为主：\*\*全方位深度学习知识学习和高效的框架代码实践，帮助开发者/学生/从业者等快速理解并打造自己的大语言模型，本书适合所有感兴趣的人学习。 \*\*模块化课程：\*\*紧跟业界热点，拆解至最小颗粒度进行分类，精准定位知识点，有的放矢最大效率进行学习。 \*\*可扩展性：\*\*利用MindSpore的模块化架构和扩展性，方便地集成不同的生物医药研究需求，支持个性化研发方案。 \*\*专家指路：\*\*作者陈雷在MindSpore人工智能框架深耕领域多年，有丰富的理论实践经验，收到业内人士和开发者的广泛认可。 \*\*免费资源：\*\*课程全程免费，并提供免费算力资源用于学习，可关注MindSpore公众号发布的活动；更多的大模型案例可关注昇思MindSpore技术公开课的持续更新。 **作者简介** 陈雷：加拿大滑铁卢大学计算机博士。现担任香港科技大学(广州)信息枢纽院长，数据科学与分析学域讲座教授，广州市大数据智能重点实验室主任。研究方向包括数据驱动的人工智能、大数据分析、知识图谱、众包、区块链、图数据库、概率和不确定数据库，以及时空和时间序列数据库。 曾获2020年度中国电子学会科学技术奖一等奖、2015年ACM SIGMOD时间检测奖2022 WLDB最佳研究论文奖、2014LDB优秀示范奖。曾担任ICDE2023和VLDB2019 PC联合主席、VLDB Journal联合主编、VLDB基金会执行委员。目前担任IEEETKDE主编、DASFAA国际会议指导委员会主席、长江讲座教授，当选IEEE会士和ACM杰出科学家，获得国家杰出青年科学基金海外青年学者合作研究项目支持。 --- https://www.mindspore.cn/news/zh/3434/ --- 新闻 昇思MindSpore生态伙伴优秀方案巡展 |华讯网络“华讯智能运维知识库大模型应用” # 昇思MindSpore生态伙伴优秀方案巡展 |华讯网络“华讯智能运维知识库大模型应用” 2024/10/18 # 昇思MindSpore生态伙伴优秀方案巡展 |华讯网络“华讯智能运维知识库大模型应用” 在昇腾AI 创新大赛（上海赛区——企业赛道）中， 华讯网络“华讯智能运维知识库大模型应用”脱颖而出，荣获上海区域企业赛道金奖。 华讯智能运维知识库大模型应用，是华讯网络借助大模型技术在智能运维上的一次创新突破。该应用基于开源大语言模型，昇腾AI处理器和昇思MindSpore AI框架，通过对海量运维数据的深度挖掘和分析，构建了一个智能化的运维知识库。该知识库大模型应用不仅能够快速准确地回答各种运维问题，还能够根据实际情况提供个性化的解决方案，极大地提高了运维效率，降低了运维成本，为企业的数字化转型提供了有力的支持。 华讯智能运维知识库大模型应用，依托先进的大模型技术、丰富的运维知识库以及高效的编排调度系统，为客户提供一系列智能化运维服务。主要可应用于以下场景： \*\*智能建议：\*\*快速响应事件告警，提供标准处置建议 \*\*智能问答：\*\*针对复杂运维场景，提供智能问答服务 \*\*故障识别：\*\*深入解析日志文件，实现故障检测与预警 \*\*可扩展性：\*\*利用MindSpore的模块化架构和扩展性，方便地集成不同的生物医药研究需求，支持个性化研发方案。 \*\*故障定位：\*\*结合故障数据，对错误信息进行智能解析，帮助快速定位问题 \*\*故障排除：\*\*结合厂商知识库和已有排障经验，提供客户实际故障排除解决方案 \*\*可扩展性：\*\*利用MindSpore的模块化架构和扩展性，方便地集成不同的生物医药研究需求，支持个性化研发方案。 \*\*知识回归：\*\*故障处理过程形成知识，回归运维知识库 华讯智能运维知识库大模型是一个基于 LLM 大语言模型的智能机器人系统，提供开箱即用的数据处理、模型调用、语义理解、业务交互等能力。同时可以通过 Flow 可视化进行工作流编排，从而实现复杂的问答、业务交互场景！ 通过昇思MindSpore和昇腾AI处理器对现有LLM大语言模型结合厂商海量知识库以及客户实际运维数据进行训练，形成客户可直接互动问答的运维知识库大模型，从而助力客户运维工作效率的提升。 昇思MindSpore作为原生适配国内外各大主流LLM大模型的AI框架以及丰富的大模型套件能力，极大的加快了产品交付周期，助力伙伴成功。 华讯网络系统有限公司是中电科数字技术股份有限公司重要组成部分，此次获奖充分彰显了华讯在智能运维领域的丰富经验和知识的沉淀，同时也展现出在大模型应用方面的能力，以及华讯人卓越的专业素养和创新能力。未来，华讯网络将继续携手上海昇腾人工智能生态创新中心把大模型赋能千行百业，加速落地更多成果落地。 在2024年大赛中涌现出许多基于昇思MindSpore的优秀方案，未来将会持续跟踪宣传。 --- https://www.mindspore.cn/news/zh/3435/ --- 新闻 一图读懂华为ICT大赛2024-2025中国创新赛 # 一图读懂华为ICT大赛2024-2025中国创新赛 2024/10/18 # 一图读懂华为ICT大赛2024-2025中国创新赛 一图读懂华为ICT大赛2024-2025中国创新赛 --- https://www.mindspore.cn/news/zh/344/ --- 新闻 MindSpore喜获OSC中国开源项目「最佳人气项目」奖！ # MindSpore喜获OSC中国开源项目「最佳人气项目」奖！ 2020/12/10 # MindSpore喜获OSC中国开源项目「最佳人气项目」奖！ ## 10月28日MindSpore推出开源界首个原创小剧场！在抖音「MindSpore森林梯度会」每天更新1集，第一季小剧场共更新了17集短剧。希望能在日常生活中为大家增添些不一样的色彩！ 活动回顾 开源界首个小剧场上线！投票来赢喝咖啡＋追MindSpore原创剧的机会吧！ MindSpore更新小剧场期间参与了国内最权威、最盛大的开源项目评选活动——OSC中国开源项目评选，MindSpore 作为一个全场景 AI 计算框架，它的特性是可以显著减少训练时间和成本（开发态）、以较少的资源和最高能效比运行（运行态），同时适应包括端、边缘与云的全场景（部署态）。 恭喜「MindSpore」获得 2020 年度 OSC 中国开源项目评选「最佳人气项目」 图1 OSC中国开源项目评选「最佳人气项目」 图2 基础软件top10排名 感谢所有参与活动并为MindSpore投票的开发者们！我们会努力构思出更多有趣的活动，邀请大家参与，MindSpore小剧场第一季已收官，完整版将会在B站官方账号放出，敬请期待！ --- https://www.mindspore.cn/news/zh/3449/ --- 新闻 基于昇腾+昇思原生开发，灵犀医疗EviMed大语言模型，让AI成为您的私人医生 # 基于昇腾+昇思原生开发，灵犀医疗EviMed大语言模型，让AI成为您的私人医生 2024/10/31 # 基于昇腾+昇思原生开发，灵犀医疗EviMed大语言模型，让AI成为您的私人医生 在这个飞速发展的医疗时代，AI技术正如一股强劲的飓风，席卷并重塑着医疗行业的每一个角落。想象一下，面对海量的医疗数据，AI就像一个超级大脑，不仅能迅速整合分析，还能为我们提供前所未有的决策支持！ 当你心急如焚地问：“80多岁的老人治疗胆结石该怎么办？”EviMed平台仿佛听懂了你的心声，瞬间生成一份详尽的治疗方案，从方案概述到药物信息，再到潜在风险与并发症，一应俱全！这一切，都发生在短短的几秒钟内，是不是觉得既神奇又安心？ 这一切的魔法，都源自灵犀医疗精心打造的EviMed大语言模型。EviMed大语言模型依托河北人工智能计算中心的算力资源，基于昇腾AI基础软硬件平台以及昇思MindSpore AI框架，通过先进的AI算法和智能推荐规则，为用户提供综合证据搜索服务，涵盖文献、指南、说明书、临床试验、专利、资讯、政策等各类资源，帮助用户快速获取所需信息，大大提升了医疗服务的便捷性和准确定。目前该模型已完成了昇腾原生技术认证。 基于昇腾+昇思原生开发的EviMed大语言模型，就像一位勤奋的医学生，它不仅“啃”遍了中英文献、指南共识、临床试验等海量医学知识，还通过医院内的真实实践数据进行“临床实习”，最终成为了一位“博学多才”的医疗助手。 更厉害的是，它还拥有检索增强生成技术（RAG重排序算法）和自研的prompt纠偏算法，能够像超级侦探一样，快速检索、纠偏、排序各类知识，确保每一次回答都严谨有据，让人信服。 而医学对话问答机器人“小灵”，就是EviMed大语言模型的一大落地应用。你可以像添加一位微信好友一样，随时向它提问医学问题。小灵会迅速向量检索，列出参考信息，让你的每一个问题都能得到专业、严谨的回答。 **EviMed大语言模型，真正基于专业医学数据库训练，拥有四大核心优势：** \*\*数据优势：\*\*构建了一个庞大且持续进化的医学知识库，数据量高达3.5亿，实时更新，助力用户轻松进行扩展性医学研究。 \*\*产品优势：\*\*自主研发的专业医学大模型，提供搜索式回答，基于真实医学数据，给出参考资料，处理医学问题更严谨、准确。 \*\*经验优势：\*\*拥有成熟的AI技术，目前已有多种基于该模型的产品完成开发并成功应用于实际医学场景中。 \*\*形式灵活：\*\*具有高度灵活性，其生成的内容和产品形态可以轻松适应多种应用场景和接入方式，如微信、小程序、公众号等，满足不同用户的需求。 随着医疗大模型技术的不断发展和创新，我们正逐步解锁医疗领域的无限潜力。未来，昇腾AI将继续携手灵犀医疗等广大合作伙伴，依托河北人工智能计算中心，共同探索医疗领域的智能化应用，致力于提升医疗服务质量、加速医疗创新研究，以及优化患者就医体验，一起推动医疗行业迈向更加智能化、高效化和人性化的新时代。 **灵犀医疗** 灵犀量子(北京)医疗科技有限公司，孵化自诺道健康集团，国家高新技术企业，国家知识产权试点单位，国家标准化工作委员会副理事长单位。公司以领先业内的 AI 循证技术为引擎，为药学从业者提供精准和快速的医学、药学知识搜索和分析服务，公司自研的 EviMed 循证平台现已应用于全国100余家大型三甲医院和20余家国内外头部医药企业，辅助科研、科普、药学内容生成百余万次，荣获全国科技创新奖项10余项、国家发明专利20余项、软件著作权10余项。灵犀医疗自主研发训练的EviMed大语言模型已成功通过国家《生成式人工智能服务管理暂行办法》备案。 --- https://www.mindspore.cn/news/zh/3450/ --- 新闻 MSG城市行·大连站活动圆满举办 | 为智而昇 思创之源 # MSG城市行·大连站活动圆满举办 | 为智而昇 思创之源 2024/10/31 # MSG城市行·大连站活动圆满举办 | 为智而昇 思创之源 2024年10月30日，\*\*MSG城市行·大连站作为东北首站，走进大连医科大学顺利举办。\*\*本次活动由昇思MindSpore开源社区指导，华为技术有限公司、大连医科大学康养学院联合主办，大连人工智能计算中心承办。现场130余位昇思MindSpore开发者及相关专家学者出席本次活动。 大连医科大学康养学院书记胡莉莉在致辞中表示，人工智能技术的快速发展为大健康领域带来了前所未有的机遇，“人工智能+康养”将大力促进新质生产力的提升。她指出，康养学院与华为共建ICT学院将通过华为的技术支持和资源优势，将昇思MindSpore等人工智能先进技术引入康养学院教学体系，进一步促进学院师资培训和人才培养，提升教师的教学和科研能力，为培养具备跨学科知识和技能的医工交叉人才打下坚实基础。 大连医科大学康养学院书记胡莉莉 活动现场，华为中国区技术工程师王舒心为现场MindSpore开发者分享《昇思+ModelArts全栈操作》内容，昇思MindSpore持续突破创新的边界，推出了全新2.4版本，原生支持超节点，加速大模型的原生创新，进一步推动了AI软硬件协同技术发展。同时，积极建设活跃的开源社区，汇通高校和企业开发者，共同为大模型时代提供创新的框架支持。 华为中国区技术工程师王舒心 来自大连医科大学的昇思开发者宋涛带来《基于MindSpore的颌面软组织修复与再生解决方案》分享，“基于MindSpore的颌面软组织修复与再生”是在“AI+生命健康”的新范式下提出的，旨在利用新一代人工智能技术识别软组织修复与再生过程中的关键细胞因子，着眼于未来健康产业，服务于广大人民群众。 大连医科大学昇思开发者宋涛 在颁奖典礼上，华为技术有限公司、大连人工智能计算中心、大连医科大学康养学院为学校在昇腾AI创新大赛2024大连区域赛中获奖队伍颁奖，其中由宋涛老师指导、李晓东副院长带队的**大连医科大学康养学院颌面发育多组学建模团队**，将代表大连出战全国赛。 颁奖典礼 为智而昇，思创之源。未来，昇思MindSpore将持续整合多方优势，更高效有序地开展人才生态工作，持续做深做透人才培养，为共育高水平科技人才助力。 --- https://www.mindspore.cn/news/zh/3463/ --- 新闻 社区月报 | 昇思MindSpore 2.4版本正式上线，使能大模型训练加速；产业、赋能、社区活动火热开展中 # 社区月报 | 昇思MindSpore 2.4版本正式上线，使能大模型训练加速；产业、赋能、社区活动火热开展中 2024/11/11 # 社区月报 | 昇思MindSpore 2.4版本正式上线，使能大模型训练加速；产业、赋能、社区活动火热开展中 **_昇思MindSpore2024年10月份总结_** **01** **概述** 随着10月的结束，昇思MindSpore开源社区持续保持着高速发展的态度，在技术创新、社区运作等方面都取得了显著的成果。 昇思MindSpore 2.4版本正式上线，原生亲和超节点、升级分布式并行能力，使能大模型训练加速。在大模型训练方面，面向新一代硬件架构超节点，推出原生长序列并行算法Ring Attention和高维张量并行优化，大幅提升模型训练效率。在调试调优阶段，提供流水并行自动负载均衡工具，自动优化集群算力和内存利用率，降低空等时间，实现Pipeline并行分钟级策略寻优。支持算子级策略传播算法（Sharding Propagation），简化模型并行策略配置过程，开发者仅需配置少量算子策略，便可以自动地将策略传播给网络中其他算子，提升调试调优效率。在大模型推理方面，提供8bit混合量化能力，支持并行解码方式、SLoRA服务化部署，并结合MindIE服务化支持PD分离部署，不断提升推理效率。 在社区运作方面，华为ICT大赛2024-2025中国创新赛报名启动，昇思MindSpore赛道鼓励学生基于昇思MindSpore打造AI创新应用以解决实际问题；期间，上海大模型公开课首期上线，助力华为ICT大赛。此外，发布新书《MindSpore大语言模型实战》，指导开发者使用昇思MindSpore框架开发大模型。同时，昇思MindSpore在多个领域助力技术创新，包括在医疗、药物研发、生物医学、大模型运用等方面，可展现昇思MindSpore的广泛应用潜力和对各行业数字化转型的促进作用。 以下是10月昇思MindSpore社区进展的详细报告。 **02** **社区规模** 截至10月底，昇思MindSpore面向全球开发者，凝聚产业力量，持续打造人工智能创新之源。社区秉持开放透明原则，稳步建设开源生态，规模和活跃度得到持续提升。 发展\*\*3.6万+\*\*多名核心贡献者； 累计产生ISSUE共**39.9K**、PR共**101K**。 **03** **社区大事件** \*\*1、\*\***昇思MindSpore 2.4版本正式上线，原生亲和超节点、升级分布式并行能力，使能大模型训练加速** 经过昇思MindSpore开源社区开发者们的开发与贡献，现正式发布昇思MindSpore2.4版本。 其中在大模型训练方面，面向新一代硬件架构超节点，推出原生长序列并行算法Ring Attention和高维张量并行优化，大幅提升模型训练效率。长序列并行算法Ring Attention旨在解决长序列训练时内存开销过大、出现内存瓶颈这一问题，同时提高计算与通信掩盖，实现训练性能提升。高维张量并行允许灵活控制对张量的切分次数和切分轴，支持1D、2D、3D切分，基于超节点架构带来的TP域与CP域扩展，在合适的切分策略下，实现通信占比降低、计算效率提升。 在调试调优阶段，提供流水并行自动负载均衡工具，自动优化集群算力和内存利用率，降低空等时间，实现Pipeline并行分钟级策略寻优，从而大幅降低调试调优成本、相比专家调优策略训练性能提升20%。支持算子级策略传播算法（Sharding Propagation），简化模型并行策略配置过程，开发者仅需配置少量算子策略，便可以自动地将策略传播给网络中其他算子，LLAMA类网络和Mixtral类网络策略传播算法可以降低配置80%以上的算子级并行策略，提升调试调优效率 在大模型推理方面，提供8bit混合量化能力，支持并行解码方式、SLoRA服务化部署，并结合MindIE服务化支持PD分离部署，不断提升推理效率。 欢迎下载使用：https://www.mindspore.cn/install \*\*2、\*\***智能流体力学产业联合体第三次全体会议成功召开，昇思使能成果卓著** 2024年10月13日，智能流体力学产业联合体第三次全体会议在陕西西安索菲特人民大厦成功举办，产业联合体代表及关心联合体的学术界、产业界专家共计超过两百位嘉宾现场参会。 会上，产业联合体副理事长、昇思MindSpore业务总经理丁诚在致辞中表示，2024年的诺贝尔奖颁发给AI领域的专家，证明了AI for Science的未来有无限的想象空间。华为计算产品线AI4Sci Lab技术专家王永忠博士则汇报了昇思MindSpore AI框架使能大模型全流程开发的能力及MindSpore Flow流体仿真套件相关进展，并介绍了与产业联合体伙伴们的联合创新成果。 **04** **社区动态** **1、\*\*\*\*@高校开发者！华为ICT大赛2024-2025中国创新赛火热报名中** 华为ICT大赛创新赛主要考察参赛学生对AI技术和ICT技术的综合应用和创新能力。参赛者从行业场景或生活真实需求出发，运用华为人工智能技术，或人工智能+鸿蒙、物联网、大数据、云计算、移动互联网等技术，实现一个具有社会效益和商业价值的解决方案。 其中昇思MindSpore赛道，要求参赛者基于昇思MindSpore打造AI创新应用，作品应用场景不限具体行业，可以面向交通、金融、农业、工业等行业，也可以面向日常生活，作品可考虑软硬件一体、端边云结合等方式，最后推荐选择通过可视化、可交互的demo来展现效果。 **2、昇思MindSpore大模型公开课助力华为ICT大赛上海市赛开展** 昇思MindSpore助力上海大模型公开课上线，面向全市高校开放。这是一门全程线上、轻松灵活的课程，旨在帮助学生从基础入门到进阶玩转大模型。通过本课程的学习，学生们能更好的备战华为ICT大赛，并在大赛中脱颖而出，此外，学习打卡通关之后可评选为“学习之星”，赢取精美礼品。同时，我们也为参与者提供动手实践所需的算力支持，确保每位学员都能获得最佳的学习体验。 **3、\*\*\*\*@开发者，请查收新书《MindSpore大语言模型实战》** 昇思MindSpore作为华为开源的AI框架，在过去的几年里使能产业界、学术界基于昇思原生、适配支持超过50个大模型。开源4年多来，昇思MindSpore已成为国内AI大模型创新的首选框架，原生支持大模型及AI+科学计算能力，以多维混合分布式并行能力，提升超大模型的训练效率，并打造MindSpore TransFormers、MindSpore One生成式套件与MindSpore Science科学智能套件，实现全流程开箱即用，大幅降低大模型全流程的开发门槛与成本。 基于此，《MindSpore大语言模型实战》一书应运而生，本书由昇思开源社区技术委员会委员陈雷老师联合昇思研发团队编写，生动展现昇思MindSpore在使能大语言模型的创新应用案例，为开发者快速上手昇思、开发大模型提供指导。 \*\*4、\*\***昇思亮相CSDN1024程序员节，共赴AI技术盛宴** 本届1024程序员节以“智能应用新生态”为主题，10月24日-26日在长沙盛大举行，设置了岳麓对话、技术英雄会和8场高峰/主题论坛，邀请了200+位技术专家，1024+名程序员现场参与大会！会上，昇思MindSpore开源生态总监杨滔表示，昇思MindSpore再次突破创新的边界，推出了全新2.4版本，这一版本不仅加速了大模型的原生创新，还进一步推动了AI软硬件协同技术发展。 \*\*5、\*\***MSG城市行·大连站活动圆满举办** 2024年10月30日，MSG城市行·大连站作为东北首站，走进大连医科大学顺利举办。本次活动由昇思MindSpore开源社区指导，华为技术有限公司、大连医科大学康养学院联合主办，大连人工智能计算中心承办。现场130余位昇思MindSpore开发者及相关专家学者出席本次活动。 活动现场，华为中国区技术工程师王舒心分享《昇思+ModelArts全栈操作》内容，推出了全新2.4版本；来自大连医科大学的昇思开发者宋涛带来《基于MindSpore的颌面软组织修复与再生解决方案》分享，着眼于未来健康产业，服务于广大人民群众。 **6、1024模型疯狂挑战赛** 模型也疯狂，10月24日，在这个属于程序员们的节日里，昇思MindSpore开源社区发起了“1024模型疯狂挑战赛”，我们邀请了模型爱好者们，将基于MindSpore AI框架2.3版本的模型迁移至魔乐社区，共同丰富社区模型，并为大家提供了价值万元的激励奖金，共同丰富魔乐社区中的MindSpore模型。 活动时间：即日起至11月10日。 MindSpore Quantum SIG在10月份连续举办3场量子计算组会一起开论文直播分享，分别邀请到李朝红老师（南方科技大学）、徐桥博士（中山大学）、赵先和博士（中国科学技术大学），蔻享、B站累积观看次数达9000+；此外，线下支撑了北京交通大学、南开大学津南校区、湖南大学、哈尔滨工程大学、哈尔滨工业大学、南京信息工程大学等6所高校行活动。 **05** **社区案例** \*\*1、\*\***用AI助力医疗诊断：基于昇思MindSpore实现角膜溃疡类型识别** 由于电子产品的大量使用，如今近视群体不断扩大且低龄化发展。市场上除了框架眼镜，还有角膜接触镜，而对于角膜接触镜佩戴者，会有角膜溃疡的发生风险。本次案例基于昇思MindSpore AI框架来对角膜溃疡的类型进行识别，根据荧光素染色后表现的形状分为点状、点片混合和片状角膜溃疡。角膜溃疡的形状识别，能够帮助眼科医生做初步的筛选，减轻工作量，更好的帮助医生做出诊断。 项目代码：https://xihe.mindspore.cn/projects/G\\\_washington/mindspore\\\_corn **2、重阳敬老医护航，棱镜科空体携手MindSpore打造生物医药研发专精模型！** 传统药物研发过程复杂、耗时且昂贵，成功率相对较低。随着人工智能和大数据技术的迅猛发展，科学家们开始探索将前沿的AI技术应用于药物研发。棱镜科空体（吉林）科技有限公司基于昇思MindSpore AI框架和昇腾AI，打造了生物医药研发专精模型。通过整合海量生物数据、化学信息和临床数据，利用深度学习和机器学习算法，提供更为精准的药物发现和设计方案，从而加速新药研发进程，降低成本，提高成功率，最终推动生物医药领域的创新和进步。 **3、携手昇思，天津大学团队打造生物医学领域大模型“海河·岐伯”** 天津大学智能与计算学部教授、博导、人工智能学院副院长，王鑫老师带领团队基于MindSpore原生研发面向古汉语的预训练语言大模型，孵化了生物医学领域大模型—“海河·岐伯”。 在前期研究中，针对古文的语法语义结构特性，提出了RAC-BERT模型，在继承Transformer编码器结构的同时，根据古文任务需求，对模型做出相应改进，设计了新的基于部首的预训练任务。基于前期的研究成果，为了进一步应用大模型到生物医学领域（中医药领域），对中文基座模型进行微调，使其获取识别中医药实体的能力；通过构造中医药知识图谱，处理部分中医药相关知识，设计实现了大模型结合知识图谱的问答系统，该研究成果在国内核心期刊发表论文。 **4、昇思MindSpore生态伙伴优秀方案巡展 |华讯网络“华讯智能运维知识库大模型应用”** 华讯智能运维知识库大模型应用，是华讯网络借助大模型技术在智能运维上的一次创新突破。该应用基于开源大语言模型、昇腾AI处理器和昇思MindSpore AI框架，通过对海量运维数据的深度挖掘和分析，构建了一个智能化的运维知识库。该知识库大模型应用不仅能够快速准确地回答各种运维问题，还能够根据实际情况提供个性化的解决方案，极大地提高了运维效率，降低了运维成本，为企业的数字化转型提供了有力的支持。 **5、云译AI多语言机器翻译重塑沟通边界** 在全球化浪潮中，语言障碍成为跨文化交流与国际合作的显著挑战。尤其在小语种领域，因使用人群较少，语料资源稀缺，大部分翻译公司的翻译技术都相对发展滞后。 深圳云译科技有限公司凭借自身在自然语言处理领域的深厚积累和前沿技术，依托河北人工智能计算中心的算力资源与技术支持，研发的东盟多语言机器翻译大模型，基于昇思MindSpore全场景AI框架完成兼容性测试。该模型不仅具备出色的翻译准确性，还能快速适应多种语言场景，为用户提供高效、便捷的翻译服务。 **6、MindPilot：一款基于MindSpore和MindSpore NLP的开源智能助手** MindPilot是一个跨平台的多功能智能Agent桌面助手，旨在为用户提供便捷、高效的智能解决方案。通过集成先进的大语言模型作为核心决策引擎，MindPilot能够对用户的任务进行精准分解、规划、执行、反思和总结，确保任务的高效完成。同时提供了高度自定义化的Agent，用户可以根据需求自定义不同身份的Agent，以应对多样化的任务场景，实现个性化的智能服务。在MindSpore和MindSpore NLP的支持下，MindPilot支持Windows、macOS和Linux等主流操作系统，并兼容多种在线模型API和本地模型，能流畅运行在各种设备上。 github仓库：https://github.com/ResDream/MindPilot \*\*7、\*\***基于昇思原生开发，灵犀医疗EviMed大语言模型，让AI成为您的私人医生** EviMed大语言模型依托河北人工智能计算中心的算力资源，基于昇思MindSpore AI框架，通过先进的AI算法和智能推荐规则，为用户提供综合证据搜索服务，涵盖文献、指南、说明书、临床试验、专利、资讯、政策等各类资源，帮助用户快速获取所需信息，大大提升医疗服务的便捷性和准确定。 而医学对话问答机器人“小灵”，就是EviMed大语言模型的一大落地应用。你可以像添加一位微信好友一样，随时向它提问医学问题。小灵会迅速向量检索，列出参考信息，让你的每一个问题都能得到专业、严谨的回答。 **06** **技术分享** \*\*1、\*\***基于昇思MindSpore与OrangePi AIpro的训推全流程指导** 图像分类是最基础的计算机视觉应用，属于有监督学习类别，如给定一张图像(猫、狗、飞机、汽车等等)，判断图像所属的类别。本文介绍了使用ResNet50网络对CIFAR-10数据集进行分类。 训练环节，首先基于昇思MindSpore AI框架搭建ResNet50模型，完成代码开发，然后在华为云ModelArts平台，使用cifar-10数据集完成模型训练，获得mindir模型文件。推理环节，在香橙派AIpro开发板上，首先进行离线模型转换，使用convert命令将mindir模型转换为om模型，然后使用AscendCL开发推理代码，实现图像分类推理任务。 \*\*2、\*\***数据驱动的化学反应生成及设计** 机器学习在合成化学中应用的最新进展大致可以分为逆合成分析、反应的发展和反应的发现三大类： 逆合成分析：从反应语料库中学习，以预测已知反应何时适用于新底物的合成，如单步或多步的逆合成分析，或产物结构的预测等。 反应的发展：通过对化学数据的智能处理实现对给定条件下化学反应产出的预测，包括反应产率和选择性等。 反应的发现：通过反应机理的阐明或前所未有的合成方法的发现创造新的知识。 化学反应式本身类似一种语言表示，大语言模型可以较好得学习到反应物、产物及反应条件之间的内在关联，随着模型规模和数据量的增长，可以预见其预测及优化效果将更加显著。 **07** **感谢每一位\*\*\*\*朋友、开发者的支持** 在此感谢社区伙伴们、可爱的小孢子们以及昇思MindSpore SIG组成员们，因为大家的共同努力及辛勤奉献，昇思MindSpore才能不断成长与发展！同时我们对可能出现的不完善之处向您表示诚挚的歉意，并衷心感谢您的理解与支持。 未来，昇思MindSpore AI框架将持续致力于打造人工智能创新之源，凝聚产业力量，扎根AI根技术，使能大模型与科学智能，成为AI创新的首选框架。 为了更好地倾听您的声音，改进我们的产品，昇思MindSpore开源社区诚邀您参与我们的用户满意度调查，您的每一个建议都将助力昇思MindSpore的成长！ 参与调研并有效反馈即可参与抽奖，若同时参与两份调研，中奖几率将提升一倍！ 活动时间：2024年7月1日-2024年12月15日 --- https://www.mindspore.cn/news/zh/3464/ --- 新闻 MindSpore校园行暨司南半导体超级孵化器大模型公开课顺利举办 # MindSpore校园行暨司南半导体超级孵化器大模型公开课顺利举办 2024/11/12 # MindSpore校园行暨司南半导体超级孵化器大模型公开课顺利举办 2024年11月8日，MindSpore校园行暨司南超级孵化器大模型公开课在临港司南超级孵化器顺利举办，来自上海电机学院的50名高校开发者参与活动。本次活动由上海临港经济发展集团科技投资有限公司、昇思MindSpore开源社区指导，临港集团团委、上海昇思生态创新中心、司南半导体超级孵化器主办，上海电机学院协办。 活动伊始，同学们参观了司南半导体超级孵化器，孵化器运营总监唐曙老师介绍到司南半导体超级孵化器是临港集团自建的第一个聚焦集成电路领域创新孵化的专业孵化器，聚焦于宽禁带半导体、车规级芯片领域，积极打造“产学研转化-专业服务-科技金融赋能”的特色孵化模式。 华为布道师为同学们带来了ICT人才职业发展介绍以及昇思MindSpore开源AI框架技术入门分享。同学们了解了人工智能发展路线、昇腾AI软硬件平台以及昇思MindSpore框架的基础知识。活动中，同学们与华为布道师面对面交流讨论，现场氛围热烈，大家对于昇思MindSpore高校学习小组学习资源和竞赛活动等表示出了浓厚的兴趣。 本次高校行的举办，不仅是为高校开发者提供交流学习的平台，对于昇思MindSpore更是一次贴近高校开发者的机会，助力开发者懂AI，用AI！未来欢迎更多高校伙伴携手探索，共赴繁荣之路。 --- https://www.mindspore.cn/news/zh/3465/ --- 新闻 昇思MindSpore与香橙派合作提速，软硬结合助力开发者构建创新AI应用 # 昇思MindSpore与香橙派合作提速，软硬结合助力开发者构建创新AI应用 2024/11/12 # 昇思MindSpore与香橙派合作提速，软硬结合助力开发者构建创新AI应用 近日，昇思MindSpore开源社区与香橙派合作成果加速落地，持续为开发者提供普惠的端侧算力与好用的AI框架，软硬结合助力高校AI课程建设，帮助开发者基于昇思MindSpore AI框架及香橙派AIpro开发板构建创新AI应用，助力开发者积累开发经验、繁荣人工智能产业生态。 目前，昇思MindSpore AI框架已实现预置在香橙派AIpro开发板，并在官方网站上线开发指导教程，下一步昇思将携手香橙派推出更多预置模型，助力开发者学习、应用。 今年3月，昇思人工智能框架峰会2024上，由昇思MindSpore开源社区理事长丁诚官宣开启MindSpore携手香橙派推理开发板相关行动计划，旨在提供开箱即用的AI软硬结合方案，助力开发者基于昇腾与昇思开发模型，积累开发经验并创新应用。 **软硬结合，使能开箱即用模型** 昇思MindSpore作为AI基础软件，在香橙派AIpro开发板上打通模型训练推理全流程，成为在香橙派AIpro开发板上唯一支持训推的深度学习框架。不仅支持CV、NLP等小模型，同时满足规格不超过3B的大模型带框架推理。昇思MindSpore实现动静统一，动态图+类HuggingFace的编程方式给开发者提供更为灵活友好的模型开发与调试体验；而静态图则可获得更优的执行性能，达成推理性能的提升。此外，通过昇思MindSpore，仅需三行代码即可实现动静态图的转换，帮助开发者快速适配不同场景，兼顾开发效率和执行性能。 当前，香橙派AIpro已推出8G/8-12T、16G/8-12T、12G/20T、24G/20T四种不同存储和算力规格的开发板。作为昇腾技术路线的普惠端侧算力，支持模型训推一体，速度更快，功耗更低，已经吸引广大开发者体验，玩转AI开发与应用。 **联合各类赛事及活动** **鼓励开发者构建具身智能案例** 此外，众多昇思AI创新赛事中均增设了基于昇思MindSpore+香橙派AIpro开发板的开发场景，如昇思AI创新大赛高校赛道、第九届华为ICT大赛创新赛，第九届华为ICT大赛教师赛等，鼓励参赛选手们将软件与硬件相结合，构建如机械狗、智能小车、机械臂等全新的具身智能解决方案，不仅奖金丰厚，在华为ICT大赛获奖的队伍更有保研加分机会，欢迎开发者踊跃报名！ 第九届华为ICT大赛报名入口 昇思MindSpore开源社区已在各校成立共计34个昇思MindSpore学习小组，集结高校对AI有浓厚兴趣的学生，提供香橙派AIpro开发板以及丰富的课程资源和技术专家支持，旨在鼓励开发者共同学习、研究和探索人工智能领域的前沿知识，并将所学知识转化为实践，结合开发板开发基于昇思MindSpore的优秀项目案例，收获昇思MindSpore开源社区提供的荣誉、礼品等。 添加小助手，了解更多昇思MindSpore学习小组信息 未来，昇思MindSpore将和香橙派进一步展开紧密合作，持续完成昇思MindSpore新版本镜像内置与香橙派指导手册、开发教程的更新，欢迎感兴趣的开发者进行学习与应用。 --- https://www.mindspore.cn/news/zh/3470/ --- 新闻 昇思MindSpore生态伙伴优秀方案巡展 | 携宁科技 AI智能体“小妍助手”系列工具 # 昇思MindSpore生态伙伴优秀方案巡展 | 携宁科技 AI智能体“小妍助手”系列工具 2024/11/19 # 昇思MindSpore生态伙伴优秀方案巡展 | 携宁科技 AI智能体“小妍助手”系列工具 近日，携宁科技基于AI智能体技术自主研发的“小妍助手”系列工具，成功通过了昇腾和昇思兼容性技术认证！这不仅体现了携宁在技术领域的实力与成就，更是“小妍助手”系列工具提供人工智能适配方案的重要里程碑。自此，“小妍助手”产品正式成为昇腾生态体系的一员，携手并进，共同推动人工智能产业的繁荣发展。 昇腾技术认证是昇腾计算领域围绕Atlas系列服务器及昇腾系列技术路线推出的一项技术认证服务。昇思MindSpore技术认证是围绕全场景AI框架昇思MindSpore推出的一项技术认证服务。 “小妍助手”是一款聚焦金融业务领域的AI系列产品，“她”依托昇思MindSpore大模型使能套件进行大模型快速微调，可以精准识别观点分类、会议主题等关键信息要素，为金融专业人士提供知识问答、法律法规咨询、合规检查、研报编写辅助等智能服务，让金融工作更高效、更智能。同时，“小妍助手”采用本地化部署方式为用户提供服务，确保用户数据的隐私与安全。 **0\*\*\*\*1** \*\*专业金融数据赋能大模型微调，\*\***提高信息识别分类精准度** 随着大语言模型技术的发展，模型微调也进入了一个全新的时代。携宁聚焦于具体任务场景，设计针对性的任务指令，借助多年积累的打标数据和原始素材，通过昇思MindSpore大模型使能套件将大模型微调至精准度和专业化极高的NLP工具，以满足各种特定的场景需求。利用这些微调大模型支撑的识别工具，“小妍助手”在消息分类和会议信息结构化提取等任务中实现了准确率质的飞跃。 携宁始终致力于提供高性价比本地实施方案，经微调后的小参数大模型即使在普通推理硬件上也能顺利运行，大大降低了硬件成本。携宁的目标是让大模型能真正落地，为金融机构的日常业务开展提质增效。 **02** **人工智能工作流平台简化AI应用搭建流程，实现了私有部署与模型能力的协同** “小妍助手”借助人工智能工作流平台的丰富功能组件、多样化大语言模型、可视化提示词编排和数据集嵌入能力，充分利用不同开源大模型的优势，基于具体业务场景进行模型选型与组合方案设计，突破单一模型的能力边界，实现OCR识别训练、知识问答、大模型测试打分等场景的低代码快速搭建与私有化安全部署，并确保产品开发的自主创新，为金融行业的智能化转型提供强有力的技术支持，开启金融AI应用开发的新篇章。 **03** **聚焦具体场景应用，满足金融业务需求** 在具体场景应用方面，“小妍助手”的“知识问答助手”，结合大语言模型，通过自然语义理解实现信息的匹配检索与整合，提升用户对相关资料的信息检索效率、增强检索结果的完整度，有效减轻人工信息整合的工作量。 “法律法规助手”，基于金融法律法规资料，一方面为用户提供快速且低成本的法律法规智能问答服务，提升用户查询、整合法律法规条文的效率；另一方面为用户提供宣传文案、公司公告、产品合同等文本的合规性检查服务，识别违规内容与违规条例，给出修改建议，减轻合规检查的负担。 “AI妍笔记”可依托金融资讯和研报数据，为研报编写提供智能续写、扩写、总结、润色等服务，以提升用户文本创作与编辑的效率，丰富并完善文本内容的深度与广度。 “小妍助手”系列工具与上海昇腾人工智能生态创新中心紧密合作，不仅在性能上实现飞跃，更能满足用户在多样化场景下的应用需求，积极推动人工智能的发展和应用，为金融行业智能化发展注入强劲动力。 昇思MindSpore作为原生支持大模型开发的主流AI框架，以其极简易用的大模型使能套件，极大的加快了产品交付周期，助力伙伴成功。 --- https://www.mindspore.cn/news/zh/3481/ --- 新闻 北京大学科研团队发布PDEformer-2——基于昇思MindSpore的二维偏微分方程基础模型 # 北京大学科研团队发布PDEformer-2——基于昇思MindSpore的二维偏微分方程基础模型 2024/11/18 # 北京大学科研团队发布PDEformer-2——基于昇思MindSpore的二维偏微分方程基础模型 11月4-6日，汇集AI for Science领域“产、学、研、用”方向单位，旨在共同思考AI在科学研究中的应用与未来的“2024科学智能峰会”在北京召开。 会上，北京大学董彬教授发布了其团队联合华为 AI4SCI Lab 基于昇思MindSpore AI框架开发的PDEformer-2模型。PDEformer-2是一种可以直接处理任意 PDE 形式的端到端解预测模型，同时适用于含时与不含时的方程。模型使用约 40TB 的数据集进行预训练，能够对具有不同边界条件、求解区域、变量个数的二维方程直接推理，快速获得任意时空位置的预测解。此外，PDEformer-2 作为正问题解算子的可微分代理模型，也可以用于求解各类反问题，包括基于有噪声的时空散点观测进行全波反演以恢复方程中的波速场等。这为模型支持包括流体、电磁等领域的众多物理现象及工程应用的研究打下良好基础。 **背景** 偏微分方程（PDE）与众多物理现象及工程应用紧密相连，涵盖机翼设计、电磁场模拟、应力分析等广泛领域。在这些实际应用中，PDE 的求解往往需要反复进行。尽管传统的 PDE 求解方法往往具有较高的求解精度，但它们在计算资源和时间上的消耗较大，且难以适应各种 PDE 形式的统一求解。近年来，随着深度学习的发展，领域中提出了许多种基于深度学习方法的 PDE 求解器，其中的许多方法相比传统求解器有明显的速度优势，因而受到了很多关注。 2024 年上半年，华为 AI4Sci Lab 携手北京大学董彬教授，基于昇思 MindSpore 框架，开创性地构建了一个针对 PDE 数值求解的通用模型 PDEformer-1，旨在使用一个统一的模型对不同的一维 PDE 进行数值求解。与 FNO、DeepONet 等专用的神经算子模型不同，这一通用模型无需针对不同方程进行定制化的架构设计与训练，从而大幅降低模型的部署成本，提升了求解效率。 在这一出色结果的基础上，团队再接再厉，开发了针对二维 PDE 的通用求解基础模型 PDEformer-2。模型使用大规模、多样化的数据集进行预训练，获得了强大的求解能力，能够直接求解具有不同边界条件、区域形状、未知变量个数的二维方程。对于预训练分布外的场景，PDEformer-2 也展现出了强大的小样本学习能力，能利用有限的微调数据迅速适应新的方程求解任务。此外，PDEformer-2 作为正问题算子的可微分代理模型，还能用于各类反问题的求解，基于有噪声的时空散点观测估计方程中的常数系数、源项场和波方程的波速场。 **技术路径** 我们考虑定义在 (t,r)∈\[0,1\]×Ω 上的二维偏微分方程（PDE），其一般形式为 如图所示，PDEformer-2 先将方程形式表示为一个计算图，利用标量、函数编码器将方程涉及的数值信息嵌入到计算图的节点特征当中。接下来，PDEformer-2 通过 graph Transformer 编码这一计算图，并使用隐式神经表征（INR）对所得的隐向量进行解码，获得 PDE 的各个解分量在特定时空坐标下的预测值。 对于二维方程中可能出现的复杂区域形状和边界位置，PDEformer-2 将其表示为符号距离函数（SDF），并使用函数编码器将这部分信息嵌入到计算图当中。下图所示的例子展示了使用计算图表示方形区域上 Dirichlet 边界条件的方式： **实验结果** **0\*\*\*\*1** **正问题** 团队为 PDEformer-2 的预训练准备了大规模、多样化的数据集，其中包括时间一阶的反应对流扩散（DCR）方程与浅水波（SWE）方程，时间二阶的波动方程及其多分量（MC）版本，以及不含时的稳态弹性力学方程。这些数据分别使用开源软件包 Dedalus 和 FEniCSx 生成，涵盖了不同方程定义域、边界条件和解分量个数的样本。数据集的规模与预训练后的模型精度（nRMSE）如下表所示： 下图展示了模型在部分测试数据集上的预测结果，包括方形区域的波方程（周期边界）： 圆盘区域的反应对流扩散方程（Neumann 边界）： 以及方形区域的稳态弹性波方程（二分量，混合边界）： 充分的预训练不仅允许模型对预训练分布内的方程进行高效的推理，也为微调适应分布外的方程打下了良好的基础。团队使用 PDEBench 基准数据集提供的浅水波数据对模型进行了微调，其中所使用的分片常数初值在模型的预训练过程中并未出现。尽管微调过程仅仅使用了一个样本，模型还是迅速地适应了这一数据集的物理场景，在测试集上达到了仅 3.60% 的相对误差。其中一个测试样本的预测效果如下图所示： **0\*\*\*\*2** **反问题** 为了验证PDEformer-2在下游任务上的应用潜力，我们将其作为正问题算子的代理模型应用到反问题中，并观察其结果。 #### **(1) 反问题形式1：标量系数反演** 该反问题是在已知方程形式和带噪声的初值条件下，根据在固定空间位置上部分时间点的带噪声观测，来恢复方程中的未知系数。 例如，已知方程形式为 #### **(2) 反问题形式2：源项反演** 该反问题是在已知方程形式和带噪声的初值条件下，根据在固定位置、时间的观测（带噪声），来恢复方程中的未知源项场。 在这个任务中，我们所采用的方程形式分布仍与预训练数据集相同，而需要恢复的对象是其中对应于方程源项的系数场 s(x)。与标量系数反演问题类似，对于每个PDE，我们假设能够获取25个不同的初始条件下的解，可观测到的样本点局限于128个固定的空间位置，平均每个空间位置能获取20个观测样本。这些点的观测值上会添加相对幅度为1%的噪声，而作为 PDEformer-2 输入的初值上添加1%的噪声。相应的优化问题使用梯度下降算法求解。 下图展示了 PDEformer-2 在反问题中的应用结果，从左到右依次为反演的源项的真实值、反演结果和两者的误差，能够看到在不同的方程中，PDEformer-2为正算子的反演结果与真实值较为接近。 **总结与展望** PDEformer-2 模型基于 PDE 计算图表示的技术路线。在大量而多样的二维 PDE 数据集上进行预训练之后，模型展现出了较高的通用能力，能够针对不同 PDE 形式、边界条件、区域形状、时间依赖情况和解分量个数的方程进行直接推理，快速获得无网格的预测解，且可通过快速微调适应新的方程。在处理反问题这样的下游任务时，PDEformer-2 也表现出良好的适应性，能够在多种问题上给出较为准确的解。 基于 PDE 的物理仿真及与其相关的反问题求解、优化设计、控制等任务对许多工业应用而言十分关键。未来，团队计划对接航空、汽车、通信、能源等领域，根据实际工业需求推进这一基础模型的后续开发，进一步提高其解决现实问题的潜力与能力。同时，充分发挥 PDEformer 模型的通用性、灵活性优势，推动其在多种真实场景中落地应用，最终赋能千行百业。 团队成员：叶展宏（北大），刘子宁（北大），吴秉阳（北大），蒋弘杰（北大），吴闻道（北大），陈乐恒（北大），Gitee: zhang-minyan，Gitee: huangxiang360729，Gitee: hsliu\_ustc，董彬（北大） --- https://www.mindspore.cn/news/zh/349/ --- 新闻 中国人工智能学会-华为MindSpore学术奖励基金发布通知 # 中国人工智能学会-华为MindSpore学术奖励基金发布通知 2020/12/16 # 中国人工智能学会-华为MindSpore学术奖励基金发布通知 中国人工智能学会-华为MindSpore学术奖励基金》是由中国人工智能学会和华为技术有限公司共同发起，面向高校及科研院所的AI科研人员搭建学术交流平台，提供经费、算力、技术支持等服务，推动MindSpore在AI领域科研的应用，并支持基于MindSpore框架的国际国内高水平会议和期刊的学术论文发表，激励原创性科学研究开展，构建中国人工智能科学研究的全球影响力。 入选项目将分两类进行资助： A类：额度9万，计划支持项目数量不多于30个； B类：额度18万，计划支持项目数量不多于10个。 具体内容请按《申报指南》提交申报材料（点击这里下载） 申报开始时间：2020年12月10日 申报截止时间：2020年12月18日 发布评审结果时间：2020年12月20日 项目完成时间：2021年11月30日前 专属申报邮箱：xsjljj@caai.cn 学会联系电话：010-62281360 联系人：何 雯 15810591015 邹亚茹 13121123883 中国人工智能学会 2020年12月10日 --- https://www.mindspore.cn/news/zh/3504/ --- 新闻 MSG城市行·上海站活动顺利举办 # MSG城市行·上海站活动顺利举办 2024/11/25 # MSG城市行·上海站活动顺利举办 2024年11月14日，**MSG城市行·上海站走进上海理工大学大学顺利举办**。本次活动由昇思MindSpore开源社区指导，华为技术有限公司、上海理工大学联合主办，上海昇腾人工智能生态创新中心联合举办。现场50余位高校开发者及相关专家学者出席本次活动。 上海理工大学管理学院信管系主任、人工智能专业负责人、电子商务发展研究院院长樊重俊教授在致辞中表示，人工智能技术的快速发展为千行百业带来了前所未有的机遇，人工智能和大模型将大力促进新质生产力的提升。他指出，未来上海理工大学将围绕昇思高校学习小组将昇思MindSpore等人工智能先进技术引入管理学院的教学体系，进一步促进学院师资培训和人才培养，提升教师的教学和科研能力，为培养具备跨学科知识和技能的管理交叉人才打下坚实基础。 昇思MindSpore布道师带来了昇思2.4版本加速大模型原生创新主题分享，其中介绍到昇思MindSpore原创了多副本、多流水交织并行等技术，通过八维混合并行，打破层间依赖，隐藏层内的通信，提升计算效率，从而提升大模型训练的性能。同时，布道师为同学们介绍了昇腾高校生态，依托昇思开源社区和昇腾社区，围绕“学、练、训、赛”帮助高校开发者从成长到成功的全历程 。 在活动中，同学们分别介绍了在昇思MindSpore项目中的实践经验和成果。现场，上海理工大学昇思开发者张立柯和管俞越分别分享了昇思学习心得以及参加第七届CCF开源创新大赛的比赛经验，为大家未来学习昇思提供各类建议和方向，促进开发者之间的相互交流。 随后，上海理工大学管理学院党委书记马静波，副院长房志明等专家老师，上海昇思生态创新中心CEO蔡昉，华为上海代表处ICT学院人才经理翟彦杰为“上海理工大学人工智能实践基地”共同揭牌，并就上海理工大学产教融合以及昇思高校学习小组后续工作开展研讨会议。 为智而昇，思创之源。未来，昇思MindSpore将持续整合多方优势，更高效有序地开展人才生态工作，持续做深做透人才培养，为共育高水平科技人才助力。 --- https://www.mindspore.cn/news/zh/3513/ --- 新闻 昇思MindSpore AI框架发展图鉴 # 昇思MindSpore AI框架发展图鉴 2024/11/30 # 昇思MindSpore AI框架发展图鉴 昇思MindSpore AI框架发展图鉴 --- https://www.mindspore.cn/news/zh/352/ --- 新闻 2020上海临港人工智能开发者大会，12月26日不见不散 # 2020上海临港人工智能开发者大会，12月26日不见不散 2020/12/23 # 2020上海临港人工智能开发者大会，12月26日不见不散 自深度学习崛起以来，这波AI浪潮历经十多年的技术迭代，如今已经成为了产业变革与发展的核心驱动力，也是当前全球各大科技巨头技术角力的主战场。 随着人工智能逐步迈入社会普及阶段，它对我们日常生活的影响越来越大。为了深入探讨人工智能技术发展及落地应用，直击产业智能化转型的痛点与瓶颈，**12月26日， 以「智能化转型的技术之道」为主题的WAIC开发者·2020上海临港人工智能开发者大会即将震撼来袭。** 大会面向全球AI开发者与技术爱好者，专注于前沿技术研讨与产业智能化转型，旨在通过汇聚全球顶尖行业专家和技术爱好者，搭建一个开放、中立、活跃的技术交流平台，从而助力开发者实现能力成长和实践创新。而技术工作坊与黑客马拉松，更是干货与趣味性相结合，让AI开发者们收获满满！ 如果您要参加本次大会，可阅读下文了解详情，扫描文末的报名参与你喜欢的环节。 **华为AI专场 — AI框架与数据开源生态** 今年3月，华为MindSpore正式开源，备受广大开发者的关注。这一国产开源框架已经获得近5万名开发者下载使用，累计PR数超过1万。MindSpore有三大创新：全流程极简，多套件打造极致开发体验；全自动并行，最大释放集群算力；全场景协同全场景协同，智能匹配端、边、云多样设备。MindSpore还有哪些更多特性？如何助力行业落地应用？华为AI专场技术工作坊将为开发者带来详解。 12月26日下午，华为AI专场技术工作坊日程如下： - 14:00-14:30 MindSpore开源元年运营回顾 黄之鹏，华为计算开源开发与运营部副总监 - 14:30-15:00 何时进入千倍能效优势的AI芯片热兵器时代 蒋力，上海交通大学副教授、博士导师 - 15:00-15:30 快速搭建向量搜索系统：Jina在Mindspore中的应用 王楠，Jina AI 联合创始人兼首席技术官 - 15:30-16:00 Model and Data Serving with Milvus and MindSpore to get your AI application to work 顾钧，Zilliz合伙人、技术布道师 - 16:00-16:30 MindSpore AI计算框架关键差异化特性介绍 吴丹萍，MindSpore高级工程师与社区布道师 **黑客马拉松，行胜于言** 在开发者的世界里，玩「黑客马拉松」的人无疑是最酷的一群人，他们有千奇百怪的想法，更相信技术可以改变世界。所以在这场年末的开发者大会上，在「华为AI专场」与「OPEN AI LAB专场」后，我们根据2场技术工作坊的分享内容，设置2场黑客马拉松，具体安排如下： ### **赛程安排** 2场黑客马拉松并行，所以请选择你感兴趣的主题参加，时间为12月26日晚上18:00-21:00，流程如下： - 赛题发布与说明 - 开发者编程 - 评分 - 现场颁奖 ### **优胜奖励** ### 每道赛题根据结果评选出优胜团队Top3，分别获得现金奖励：5000元、3000元、1000元。 ### **华为AI赛场** \*\*赛题：\*\*MindSpore与DGL对接开发大赛 MindSpore是华为开源的一款支持端边云全场景的深度学习训练推理框架，目前已发布了1.0 版本，具有自动并行、二阶优化、图算融合等优异特性，图神经网络是当下最前沿的人工智能成果之一。其在社交网络、推荐系统、分子医药等等领域都取得了不俗的成绩，DGL是一款开源的深度图神经网络库。在本挑战赛中，挑战者将从零开始，学习最基本的MindSpore和DGL在CPU上的构建，并尝试通过dlpack和backend面向MindSpore的实现，完成MindSpore与DGL的基础对接。 **报名要求** - 队伍人数：2到3人 - 具备技能：熟悉Python。对MindSpore和DGL有一定了解。 **比赛时间安排** - 18:00 - 18:30 介绍比赛赛题、MindSpore以及DGL入门。 - 18:30 - 19:30 热身题：MindSpore以及DGL在CPU上的构建及运行。 - 19:30 - 20:50 挑战赛：完成面向MindSpore的dlpack和backend实现，完成MindSpore与DGL的基础对接。 - 20:50 - 21:00 公布挑战赛获胜者。 \*\*评判标准：\*\*参赛队伍需当场演示对接集成代码和运行结果。如果可以完成简单的训练过程则加分。每个队伍可以反复提交。完成度最高的队伍为最终获胜者。 扫描下方二维码 **立即报名** --- https://www.mindspore.cn/news/zh/3523/ --- 新闻 社区月报 ︱昇思人工智能框架峰会，12月14日相约北京，不见不散～ # 社区月报 ︱昇思人工智能框架峰会，12月14日相约北京，不见不散～ 2024/12/11 # 社区月报 ︱昇思人工智能框架峰会，12月14日相约北京，不见不散～ **_昇思MindSpore2024年11月份总结_** **01** **概述** 随着11月的结束，昇思MindSpore开源社区持续保持着高速发展的态度，在技术创新、社区运作等方面都取得了显著的成果。 昇思MindSpore将于12月14日在北京举办昇思人工智能框架峰会，此次大会邀请思想引领者、专家学者、企业领袖、卓越开发者等产学沿用相关各方参会，探索人工智能框架技术趋势、分享创新成果与实践经验。昇思MindSpore期待您的到来！ 在技术案例方面，北京大学董彬教授团队联合华为AI4SCI Lab开发的基于昇思MindSpore AI框架的二维偏微分方程基础模型PDEformer-2，能够处理任意形式的PDE，并支持多种求解任务，为物理现象研究提供了强有力的支持。此外，基于MindSpore NLP的BLIP-2模型实现、携宁科技AI智能体“小妍助手”系列工具、FastSAM-MindSpore图像分割技术等多个优秀案例也展示了昇思MindSpore框架的强大能力和广泛应用前景。 在社区运作方面，第三期和第四期的昇思MindSpore学习打卡营圆满结束，同时第五期NLP特辑也正式上线；此外，在上海成功举办的“校园行”与“城市行”活动，极大激发了高校学生对昇思MindSpore的兴趣。为鼓励更多基于昇思MindSpore进行原生创新，本月还发布了多篇基于昇思MindSpore的原生论文，这些成果不仅展示了该平台的强大功能，也为人工智能技术的发展注入了新的活力。 以下是11月昇思MindSpore社区进展的详细报告。 **02** **社区规模** 截至11月底，昇思MindSpore面向全球开发者，凝聚产业力量，持续打造人工智能创新之源。社区秉持开放透明原则，稳步建设开源生态，规模和活跃度得到持续提升。 发展\*\*3.7万+\*\*多名核心贡献者； 累计产生ISSUE共**40.3K**、PR共**102.5K**。 **03** **社区大事件** \*\*1、\*\***叮！请查收昇思人工智能框架峰会暨成果发布会邀请函** 昇思MindSpore开源社区将于2024年12月14日（星期六）在北京举办昇思人工智能框架峰会。本次大会邀请院士、专家、学者、企业领袖、卓越开发者等产学研用相关各方参会，探索人工智能框架技术趋势、分享创新成果与实践经验。 组委会诚挚邀请各位伙伴莅临现场，聆听精彩分享、观摩前沿科技，携手昇思使能百模千态，助力千行万业拥抱全面智能化时代。 \*\*2、\*\***北京大学科研团队发布PDEformer-2——基于昇思MindSpore的二维偏微分方程基础模型** 11月4-6日，汇集AI for Science领域“产、学、研、用”方向单位，旨在共同思考AI在科学研究中的应用与未来的“2024科学智能峰会”在北京召开。会上，北京大学董彬教授发布了其团队联合华为 AI4SCI Lab 基于昇思MindSpore AI框架开发的PDEformer-2模型。 PDEformer-2是一种可以直接处理任意 PDE 形式的端到端解预测模型，同时适用于含时与不含时的方程。模型使用约 40TB 的数据集进行预训练，能够对具有不同边界条件、求解区域、变量个数的二维方程直接推理，快速获得任意时空位置的预测解。此外，PDEformer-2 作为正问题解算子的可微分代理模型，也可以用于求解各类反问题，包括基于有噪声的时空散点观测进行全波反演以恢复方程中的波速场等。这为模型支持包括流体、电磁等领域的众多物理现象及工程应用的研究打下良好基础。 \*\*3、\*\***基于昇思MindSpore打造的药灵大模型SciMind赋能新药研发** 在华为全联接大会2024的昇思MindSpore专题论坛中，中国科学院上海药物所研究员，质子展开联合创始人郑明月研究员分享了《基于昇思MindSpore打造药物学大模型赋能新药研发》报告。郑明月团队与华为昇思团队、华为中央研究院先进计算与存储实验室共同开发药灵大模型，在药物领域知识提取、合成规划和多模态交叉下游任务等可以实现工业级可用，为生物医药领域带来了巨大的助力。药灵大模型SciMind包含以下四个创新应用场景：专利数据解析服务、国产化学信息数据库、多模态交互应用、化学合成规划。这些应用场景展示了SciMind在化学和生物信息处理领域的强大实力和广泛应用前景。 **04** **社区动态** \*\*1、\*\***昇思MindSpore学习打卡营再出发！** 第三期和第四期昇思MindSpore学习打卡营圆满结束。两期打卡营，课程视频累计观看次数9000+次，1000+开发者累计发布了近1900+条学习心得，积极分享学习心得和体会，相互激励、共同进步。经过课程打卡数据统计，191位同学完成全勤打卡，获得结营证书。 第五期昇思MindSpore学习打卡营也在十一月份正式上线，为大家打造一套系统性的NLP课程，从PEFT微调、到数据并行训练、到LLM推理、到应用开发，一套课程协助大家从入门到开发。无论是AI入门开发者，还是学生，或者是AI行业从业者，都可以在本次打卡营获得属于自己的能力提升。（活动时间：2024.11.30-2025.1.18） \*\*2、\*\***昇思MindSpore与香橙派合作提速，软硬结合助力开发者构建创新AI应用** 近日，昇思MindSpore开源社区与香橙派合作成果加速落地，持续为开发者提供普惠的端侧算力与好用的AI框架。目前，昇思MindSpore AI框架已实现预置在香橙派AIpro开发板，并在官方网站上线开发指导教程，下一步将推出更多预置模型，助力开发者学习、应用。 此外，众多昇思赛事中均增设了基于昇思MindSpore+香橙派AIpro开发板的开发场景，如昇思AI创新大赛高校赛道、第九届华为ICT大赛创新赛、第九届华为ICT大赛教师赛等，鼓励参赛选手们将软件与硬件相结合，构建如机械狗、智能小车、机械臂等全新的具身智能解决方案。 \*\*3、\*\***MindSpore校园行暨司南超级孵化器大模型公开课顺利举办** 11月8日，MindSpore校园行暨司南超级孵化器大模型公开课在临港司南超级孵化器顺利举办，来自上海电机学院的50名高校开发者参与活动。会上，昇思布道师为大家带来昇思MindSpore开源AI框架技术入门分享，现场氛围热烈，同学们对昇思MindSpore高校学习小组学习资源和竞赛活动等表示浓厚兴趣。 \*\*4、\*\***MSG城市行·上海站活动圆满举办** 11月14日，MSG城市行·上海站走进上海理工大学顺利举办。本次活动由昇思MindSpore开源社区指导，华为技术有限公司、上海理工大学联合主办，上海昇腾人工智能生态创新中心联合举办。活动现场，昇思MindSpore布道师带来昇思2.4版本加速大模型原生创新主题分享，介绍了昇思MindSpore原创多副本、多流水交织并行等技术。同时，布道师为同学们介绍了昇腾高校生态，依托昇思开源社区和昇腾社区，围绕“学、练、训、赛”帮助高校开发者从成长到成功的全历程。此外，上海理工大学昇思开发者也分享了他们在昇思的学习心得，以及参加第七届CCF开源创新大赛的比赛经验。 \*\*5、\*\***MindSpore Quantum SIG多次参与高校行活动布道，11月直播累计观看过万** MindSpore Quantum SIG在11月份连续举办5场量子计算组会一起开论文直播分享，分别邀请到李行老师（清华大学）、叶梦博士（复旦大学）、大川英希老师（中国科学院高能物理所）、丁泳程博士（巴斯克大学）、丁晨博士，蔻享、B站累积观看次数达1.6W+，线上举办了为期2天的MindSpore Quantum量子软件编程精品课，线下在北京举办了MindSpore Quantum量子软件交流会和支撑合肥工业大学高校行。 **05** **社区案例** \*\*1、\*\***基于MindSpore NLP实现BLIP-2模型** BLIP-2 提出了一个新的高效预训练策略，用于解决视觉和语言联合学习任务中的计算成本问题。相比其他模型，BLIP-2 的最大创新点在于，它引入了冻结的预训练图像编码器和冻结的大型语言模型（LLM），通过一个轻量级的查询转换器（Querying Transformer, Q-Former）来弥合视觉和语言的跨模态差距。 完整代码已经上传到 GitHub 仓库中，您可以通过以下链接访问并运行： BLIP-2 MindSpore NLP 图文检索评估代码：https://github.com/fanxing-6/MindNLPBlip2ImageTextRetrievalEval \*\*2、\*\***昇思MindSpore生态伙伴优秀方案巡展 | 携宁科技 AI智能体“小妍助手”系列工具** “小妍助手”是一款聚焦金融业务领域的AI系列产品，依托昇思MindSpore大模型使能套件进行大模型快速微调，可以精准识别观点分类、会议主题等关键信息要素，为金融专业人士提供知识问答、法律法规咨询、合规检查、研报编写辅助等智能服务，让金融工作更高效、更智能。同时，“小妍助手”采用本地化部署方式为用户提供服务，确保用户数据的隐私与安全。 \*\*3、\*\***FastSAM-MindSpore：加速图像分割的革命性技术** 随着技术的发展，分割任意模型（SAM）在图像分割、图像描述和图像编辑等任务中发挥了重要作用。为解决SAM的高计算成本的限制问题，中科院自动化所提出FastSAM模型。 FastSAM-MindSpore通过将任务转换为实例分割任务，并仅使用SAM作者发布的SA-1B数据集的1/50数据直接训练现有的实例分割方法，实现了与SAM相当的性能。这种方法不仅减少了数据需求，也降低了训练成本。目前FastSAM-MindSpore已支持快速部署到边缘设备，使模型能快速应用于实际场景中，如列车部件状态检测、矿石颗粒自动分割和器官、组织、细胞分割等。 **06** **技术分享** \*\*1、\*\***昇思MindSpore原生论文 | 波洛克风格迁移绘画的分形和湍流特征提取及NFT标签生成** 本研究旨在探讨如何将深度学习、分形分析和湍流特征提取相结合，以生成波洛克风格的抽象艺术作品，并通过NFT技术实现数字藏品的唯一性认证。这一研究不仅为数字艺术品的创作提供了新的技术路径，也为其在区块链平台上的认证和交易提供了可靠的解决方案，具有重要的理论价值和实际应用潜力。 具体而言，研究首先利用昇思MindSpore深度学习框架和预训练的VGG19模型进行神经风格迁移，从内容图像和风格图像中提取深层特征，通过优化生成高质量的波洛克滴画风格图像。为了确保每件生成的数字艺术品具有唯一性，将分形维数和湍流特征整合为统一的特征向量，并通过SHA-256加密哈希算法生成唯一的Token ID。该Token ID作为NFT标签的一部分，记录在区块链上，确保每件数字作品的不可篡改性和可追溯性。 \*\*2、\*\***昇思MindSpore原生论文 | 基于双向长短时记忆网络-注意力机制的高效机器翻译模型Miniformer** 随着自然语言处理（NLP）技术的迅速发展，机器翻译的准确性和效率已成为研究的热点话题。本研究提出了一种新的Seq2Seq模型，旨在平衡模型的效率与性能。该模型使用双向长短期记忆网络（Bi-LSTM）作为编码器，充分利用输入序列的上下文信息，使模型能够捕获输入序列前后的内容信息，从而增强对源语言的理解。至于解码器部分，我们引入了注意力机制，这不仅提高了模型在源语言中聚焦关键信息的能力，还使得解码过程更加灵活和动态。凭借这种设计，我们的模型能够在保持较小模型尺寸的同时，更准确地捕捉源语言与目标语言之间的复杂映射关系。 \*\*3、\*\***昇思MindSpore原生论文 | 一种新型的边缘计算模型访问控制和隐私增强方法** 随着边缘计算技术及深度学习模型的日益普及，模型和数据的安全风险与隐私威胁日益加剧。现有的模型访问控制技术主要依赖传统的加密和认证方法，而这些方法在动态环境中的灵活性和适应性方面存在显著限制。 为了解决这些挑战，提出了一种专门针对边缘计算环境的全新模型访问控制方法。该方法利用图像风格作为许可机制，将风格识别嵌入到模型的操作框架中，从而实现内在的访问控制。因此，部署在边缘平台上的模型仅能对特定风格的许可数据进行正确推理，对于任何其他数据则无法进行有效推理。通过限制输入数据的类型，该方法不仅防止了攻击者对模型的未经授权访问，还增强了终端设备上数据的隐私保护。 \*\*4、\*\***昇思MindSpore原生论文 | 一种基于MindSpore框架的讽刺识别模型CGL-MHA** 随着自然语言处理（NLP）技术的快速发展，讽刺检测的准确性和效率成为当前研究的重点话题。本研究提出了一种创新的CGL-MHA模型，旨在平衡讽刺检测任务中的模型效率与性能。该模型采用卷积神经网络（CNN）作为初步特征提取模块，识别文本中的局部模式和n-gram特征，有效捕捉可能包含讽刺信息的短语。在序列建模部分，编码器引入了门控循环单元（GRU）和长短期记忆网络（LSTM），前者专注于捕捉短期依赖关系，而后者能够处理长距离的上下文信息，两者的结合增强了模型对讽刺性文本的复杂依赖关系的理解。 \*\*5、\*\***通用分子结构建模网络ViSNet** 尽管几何深度学习已经彻底颠覆了分子建模领域，在理解生物活性机制、化学性质预测、药物设计和蛋白质工程方面发挥关键作用，但依旧存在一些有待解决的问题和局限性，包括分子可解释性不足、计算成本问题以及在实际应用中的盲目测试和评估等，为了解决这些难题，微软研究院科学智能中心的研究员们提出通用分子结构建模网络ViSNet (Vector-Scalar interactive graph neural Network)。 ViSNet通过引入精心设计的运行时几何计算（RGC）策略和向量-标量交互等变消息传递（ViS-MP）机制，实现了其加速分子动力学模拟的目标，使大型分子系统的模拟精度接近从头算法。这是一个在分子建模领域具有突破性的模型，它通过结合先进的机器学习技术和精心设计的网络架构，提高了对分子系统模拟的准确性和效率。 \*\*6、\*\***生物医药领域分子对接SOTA模型洞察** 本文综述了分子对接技术的定义、应用、现有软件性能评估及最新进展等。分子对接是一种计算技术，用于预测受体和配体之间通过相互匹配而识别形成的分子复合物结构，常用于研究药物和受体相互作用。文章还介绍了几种分子对接方法，如KarmaDock、DiffBindFR和RosettaVS。实际应用中，采样性能与打分性能往往不能兼顾，因此在模型迁移选择上应该重点关注模型的长板特征而非综合性能。在药物发现应用领域，除了分子对接模型的开发以外，超大规模虚拟筛选的开源、可扩展平台的开发也至关重要。 **07** **感谢每一位\*\*\*\*朋友、开发者的支持** 在此感谢社区伙伴们、可爱的小孢子们以及昇思MindSpore SIG组成员们，因为大家的共同努力及辛勤奉献，昇思MindSpore才能不断成长与发展！同时我们对可能出现的不完善之处向您表示诚挚的歉意，并衷心感谢您的理解与支持。 未来，昇思MindSpore AI框架将持续致力于打造人工智能创新之源，凝聚产业力量，扎根AI根技术，使能大模型与科学智能，成为AI创新的首选框架。 为了更好地倾听您的声音，改进我们的产品，昇思MindSpore开源社区诚邀您参与我们的用户满意度调查，您的每一个建议都将助力昇思MindSpore的成长！ 参与调研并有效反馈即可参与抽奖，若同时参与两份调研，中奖几率将提升一倍！ 活动时间：2024年7月1日-2024年12月15日 --- https://www.mindspore.cn/news/zh/3543/ --- 新闻 精彩回顾 | 昇思人工智能框架峰会 # 精彩回顾 | 昇思人工智能框架峰会 2024/12/16 # 精彩回顾 | 昇思人工智能框架峰会 12月14日 昇思人工智能框架峰会 圆满落幕 开源4年 昇思MindSpore 社区用户下载量超1100万 覆盖来自133个国家和地区的2492座城市 基于昇思原创学术论文超1700篇 在中国排名第一，全球第二 **据预测，在中国AI框架2024年新增市场中** **昇思份额将达30%** **成为AI框架新选择** 感谢贡献共建、贡献和关注昇思的每一个你 精彩明年继续 让我们共同期待 --- https://www.mindspore.cn/news/zh/3544/ --- 新闻 昇思份额达30%，成为AI框架新选择 # 昇思份额达30%，成为AI框架新选择 2024/12/14 # 昇思份额达30%，成为AI框架新选择 \[中国，北京，2024年12月14日\] 昇思人工智能框架峰会在北京中关村国际创新中心召开，本次大会以“创新源动力，框架新选择”为主题，由昇思MindSpore开源社区、中国人工智能学会及AITISA联合主办，旨在汇聚AI产业界、学术界力量，共建人工智能框架开源生态，共探人工智能框架新未来。会上，18家单位发布基于昇思的原生开发大模型成果，据预测，中国AI框架2024年新增市场昇思份额将达30%。 华为ICT战略与业务发展部总裁彭红华在致辞中表示，华为一直坚持打造开放的计算产业生态，坚持根技术创新，与产业界共同打造坚实的、可持续的计算产业生态。人工智能框架是AI时代的操作系统与软件底座，领先的AI框架需要同时具备“更高效、更敏捷、更开放”的技术与生态能力，未来，华为将持续投入昇思MindSpore，坚持以开源的方式，向业界开放技术创新成果，携手产业界客户、伙伴和广大开发者共促中国人工智能框架生态健康、高速发展。 **昇思新增份额将达30%，成为AI框架新选择** 昇思MindSpore自2020年开源以来，技术持续创新，生态繁荣发展。目前已孵化、支持50多个国内外主流大模型；开源版本已累计获得1100万次下载，覆盖全球130多个国家和地区的2400多个城市；3.7万多名开发者参与社区贡献；昇思与360多所高校科研院所展开教学及科研合作，联合1700多位生态伙伴，打造超过2000+解决方案；PaperwithCode网站显示，支持基于昇思原创论文发表累计超过1700篇，位列全球第二、中国第一。据预测，中国AI框架2024年新增市场昇思份额将达30%。 这标志着昇思MindSpore成为大模型时代AI框架的新选择，作为中国乃至世界的框架“新势力”，引领技术创新，加速全面智能化时代到来。 在成果发布环节，昇思携手18家生态伙伴重磅发布基于昇思AI框架的大模型原生开发成果，面向金融、工业、互联网、电信、能源、交通等重点行业推出丰富的AI应用，加速千行万业数智化升级。未来昇思将继续携手生态伙伴共同加速原生开发，推动科研落地与产业创新。 **技术持续迭代演进，成为AI创新源动力** 人工智能高速发展，大模型技术加速演进，参数量走向万亿级，序列长度迅速增长，模型结构走向多模态甚至全模态。模型计算过程从单模型单任务走向多模型多任务，深度学习和强化学习相融合，AI框架面临前所未有的挑战与机遇。 昇思围绕开发者编程体验、大模型训练及AI框架基础能力，持续升级框架架构，使能AI模型未来创新： 在开发者编程体验方面，昇思兼容业界主流生态，提供一致开发体验，持续降低迁移学习成本； 在大模型训练方面，昇思提供更丰富的分布式并行策略，结合自动搜索仿真调优，为大模型训练节约端到端成本； 面向最新类o1模型带来的技术挑战，完善多模型多任务调度、训推无缝转换能力，强化学习亲和架构，加速类o1模型演进升级；面向AI4S场景，昇思持续升级底层函数式编程体验，并打造高性能AI4S使能套件，联合行业用户、科研机构、学术专家共同加速科研创新，推动科技进步。 **与开发者共成长，以开放治理共建开源框架繁荣生态** 开发者是推动昇思社区发展的中坚力量，昇思MindSpore开源社区理事长丁诚表示，昇思将提供分层分级的学习与发展体系，通过学习、实践、专项学术论文基金、社区项目支持等方式，发展开发者、鼓励技术创新、激励成果落地。在开发者回馈社区、贡献社区、共建社区的过程中，与开发者共成长。 昇思社区坚持开放治理，通过社区理事会成员共同管理、决策、规划社区整体发展；技术委员会看护整体方案架构，共同决策社区技术迭代演进；SIG兴趣小组看护具体技术领域，管理日程开发与维护等方式共治框架未来。 昇思与业界算法专家团队合作，以多种方式支持昇思原生大模型孵化，并汇聚各类伙伴成立产业联合体，打通产学研用通路，加速成果转化落地。 会上，昇思MindSpore模型开发挑战赛金奖接受颁奖，19名开发者及5名布道师获得昇思MindSpore开源社区2024年度杰出开发者及布道师称号。 --- https://www.mindspore.cn/news/zh/3545/ --- 新闻 华为彭红华：开放合作，携手同行，共促中国人工智能框架生态高速发展 # 华为彭红华：开放合作，携手同行，共促中国人工智能框架生态高速发展 2024/12/14 # 华为彭红华：开放合作，携手同行，共促中国人工智能框架生态高速发展 12月14日，昇思人工智能框架峰会在北京中关村国际创新中心召开，本次大会以“创新源动力，框架新选择”为主题，由昇思MindSpore开源社区、中国人工智能学会及AITISA联合主办，旨在汇聚AI产业界、学术界力量，共建人工智能框架开源生态，共探人工智能框架新未来。 华为ICT战略与业务发展部总裁彭红华发表致辞，他表示，**华为一直坚持打造开放的计算产业生态，坚持根技术创新，与产业界共同打造坚实的、可持续的计算产业生态。** 人工智能框架是AI时代的操作系统与软件底座，领先的AI框架需要同时具备“更高效、更敏捷、更开放”的技术与生态能力，未来，华为将持续投入昇思MindSpore，坚持以开源的方式，向业界开放技术创新成果，携手产业界客户、伙伴和广大开发者共促中国人工智能框架生态健康、高速发展。 华为ICT战略与业务发展部总裁 彭红华 **以下为发言全文** \*\*华为一直坚持打造开放的计算产业生态，\*\*坚持根技术创新，与产业界共同打造坚实的、可持续的计算产业生态。面向AI计算领域，通过开放模组、板卡、部件等基础硬件，打造满足专业场景的多样化产品。通过开放基础软件，使能伙伴开发者原生创新AI模型与应用。 经历5年发展，昇腾硬件伙伴从5家发展到60多家，伙伴基于昇腾开发的硬件产品已经近千款。软件伙伴也从100多家发展到2000多家，联合开发的解决方案也已4000多个，广泛应用于互联网、金融、政府、电信、能源、交通、公共事业等行业核心业务场景。 \*\*人工智能框架是AI时代的操作系统与软件底座，\*\*为开发者提供了高效、便捷的开发平台，加速人工智能技术创新和应用落地。华为在2020年3月28日开源了昇思MindSpore框架，携手产业界、开发者，共建AI开源框架繁荣生态。4年来，昇思迅速发展，2024年中国新增市场份额将达30%，成为中国发展最快的开源AI框架，也逐渐成为业界人工智能框架新选择。 结合多年来的技术探索及联创经验，在大模型主导人工智能演进方向的新局面下，\*\*领先的AI框架需要同时具备“更高效、更敏捷、更开放”的技术与生态能力，\*\*更快、更简、更稳地助力AI模型开发、训练、推理的全过程。 昇思将继续坚持技术创新，并将坚持以开源的方式，向业界开放技术创新成果。昇思将继续携手产业界客户、伙伴和广大开发者在以下三个方面共同努力，共促中国人工智能框架生态健康、高速发展。 **第一** **探索前沿分布式技术，以更高效的AI框架加速模型创新** 昇思在设计之初就构筑了框架原生分布式并行能力，最大化实现算法泛化性，以应对快速迭代的模型技术。面向多模态、长序列、MoE等主流场景，联合产业界、学术界积极探索，打造业界最全的多维混合分布式并行算法，并提供业界首创的并行策略自动配置能力，将万亿MoE训练效率提升50%以上。 OpenAI o1开辟的模型新范式对分布式能力带来新诉求，需要连接多模型多任务，加速模型自我博弈，实现逻辑能力涌现。昇思在框架层面创新多模型多任务引擎，探索多模型混合编程及并行技术，为类o1模型创新提供基础框架能力支撑。 **第二** **强化全流程开发部署能力，以更敏捷的AI框架加速应用落地** 昇思聚焦生成式AI的快速开发和端侧部署，持续演进套件化开发及部署能力，6小时即可复现LLaMA3.1-7B模型，天级即可完成典型大语言模型部署； 在LLM+强化学习的模型技术演进趋势下，昇思创新训推同构架构，强化大模型从训练到推理的快交互能力，打造开发套件，加速强化学习类大模型的推理与应用部署。 **第三** **激发开源智慧共促产业发展，以更开放的AI框架共建繁荣生态** 昇思以技术为源赋能开发者，以众智计划、联合创新建立技术与科研连接，孵化科研成果。积极建立上游社区连接，与中国人工智能学会、鹏城实验室联合发布昇思MindSpore学术基金，预计3年内携手50多位全球AI学者，攀登学术新高峰。 通过产业及生态联盟建立科研与产业连接，促进成果转化，实现产业发展。 未来，昇思将继续探索领域数据生态机制，建立领域高质量数据连接，以“算法+数据”持续加速模型产业生态蓬勃发展。 人工智能产业正在加速变革，昇思将继续与产业界、开发者和伙伴一起，开放合作，携手致远，共促人工智能框架技术与生态发展，共筑智能时代软件根基和开源生态！ --- https://www.mindspore.cn/news/zh/3546/ --- 新闻 嘉宾观点合集 | 昇思人工智能框架峰会 # 嘉宾观点合集 | 昇思人工智能框架峰会 2024/12/15 # 嘉宾观点合集 | 昇思人工智能框架峰会 嘉宾观点合集 | 昇思人工智能框架峰会 --- https://www.mindspore.cn/news/zh/3550/ --- 新闻 昇思AI安全论坛与创新技术研讨会圆满收官，共筑智能安全新未来 # 昇思AI安全论坛与创新技术研讨会圆满收官，共筑智能安全新未来 2024/12/24 # 昇思AI安全论坛与创新技术研讨会圆满收官，共筑智能安全新未来 2024年12月20日，昇思AI安全论坛与创新技术研讨会在上海交通大学成功举办，10多所知名高校的100+学子参与现场学习与交流，3000+来自全网的学习者参与了线上学习与交流。 此次活动由昇思MindSpore Trusted Al SIG、上海交通大学John Hopcroft Center、昇思MindSpore开源社区举办，邀请了十余位来自上海交通大学、西安交通大学、复旦大学、浙江大学、南京大学、中国科学院信息工程研究所、华东师范大学、国防科技大学与华为技术有限公司的AI安全领域的专家学者，从AI安全技术发展、SIG发展方向、生态发展共创等角度展开技术分享和研讨。 上午，上海交通大学John Hopcroft中心执行主任郁昱为我们做了精彩的开场致辞，表达了与MindSpore开源社区一起探索更多维度合作的期待，以及对本次论坛顺利举办的祝愿。昇思MindSpore Trusted AI SIG负责人刘思铭带我们回顾了MindSpore的发展历程以及取得的成果，并介绍了MindSpore在AI安全领域的最新进展、布局与规划。浙江大学求是特聘教授纪守领以AI安全的发展历程为切入点，介绍了传统AI安全与大模型安全的演进关系，并论证了算法安全与系统安全协同防御的必要性。 MindSpore Trusted AI SIG负责人刘思铭 浙江大学求是特聘教授纪守领 十分钟休息之后，西安交通大学网安学院副院长、教授王平辉讲解了面向图数据的安全学习与推理，从图数据的角度重新审视了AI安全所面临的挑战与机会。上海交通大学John Hopcroft助理教授梁诗宇探讨了私域大模型的安全部署问题，介绍了目前在模型资产保护方面的攻击能力与防御思路。上海交通大学助理教授、博导胡云聪带大家了解了可验证AI计算与AI安全，重点分享了零知识证明在可验证AI计算和模型确权方面的应用效果。 上海交通大学John Hopcroft助理教授梁诗宇 上海交通大学助理教授、博导胡云聪 下午，首先由中科院信工所02体系结构安全研究室副主任孟国柱为大家介绍了大模型系统漏洞利用技术，从大模型越狱角度分析了当前大模型应用/系统所面临的威胁与防御方法。随后，华东师范大学软件工程学院教授、博导陈志立为同学们介绍了基于差分隐私与安全多方计算的深度学习隐私保护技术。随后，南京大学计算机软件新技术全国重点实验室教授、主要学术骨干许封元从信息熵约减、异构安全融合、web3.0等维度探讨了面向智能计算的安全与隐私保障技术。 中科院信工所02体系结构安全研究室副主任孟国柱 华东师范大学软件工程学院教授、博导陈志立 随后，复旦大学计算机科学技术学院教授、博导张源为我们介绍了开放环境下的智能系统安全，以识别和无人驾驶为例，探讨了智能体系统的交互安全与整体安全。国防科技大学计算机学院副教授柳林分享了网络威胁智能分析研究进展，从网络流谱分析的视角探讨了现实场景下的网络威胁表征、分析与检测方法。在颁奖环节中，昇思MindSpore开源实习实习生王文辉、芦星宇以优异的实习成绩获得了昇思MindSpore优秀实习生的荣誉。 复旦大学计算机科学技术学院教授、博导张源 国防科技大学计算机学院副教授柳林 优秀实习生颁奖 在整个论坛期间学生们互动积极，深度互动提问达到了50余次，此次昇思AI安全论坛与创新技术研讨会，为所有对AI安全领域充满兴趣的学子搭建了一个与专家面对面交流学习的平台，使学生们得以了解MindSpore Trusted AI在AI安全领域中的使用，进一步激发了他们的学术热情，助力他们从零到一的开发者之路。 这次论坛不仅为学生们提供了坚实的学术基础，更是一次开拓视野的机会。MindSpore Trusted AI SIG将致力于为人工智能学者提供AI安全领域技术探索的机会，也为AI新生代的学习生涯打开崭新的视野。同时，这一活动也为MindSpore Trusted AI SIG的繁荣注入了新的活力，促进了更多有志之士的加入与贡献，共同推动AI安全领域的发展。 --- https://www.mindspore.cn/news/zh/3555/ --- 新闻 昇思MindSpore生态伙伴优秀方案巡展|上海电力大学“基于边缘视觉检测的变电站缺陷运维大模型” # 昇思MindSpore生态伙伴优秀方案巡展|上海电力大学“基于边缘视觉检测的变电站缺陷运维大模型” 2024/12/23 # 昇思MindSpore生态伙伴优秀方案巡展|上海电力大学“基于边缘视觉检测的变电站缺陷运维大模型” 在昇腾AI创新大赛（上海赛区——高校赛道）中，上海电力大学烛龙智巡团队基于边缘视觉检测的变电站缺陷运维大模型脱颖而出，荣获上海区域高校赛道金奖以及全国高校赛道优秀奖。 我国“双碳”大背景持续推进，国家对新型电力系统的改革提出了“安全高效、智慧融合”的要求。国网积极响应，近年来智能化电力设备的增速高达15%，并对于作为电网枢纽的变电站提出了加强电力设备运维保障和加强科技创新支撑两部分指示。因此利用人工智能相关技术结合边缘端设备的智能化运维模式需求激增，基于边缘视觉检测的变电站缺陷运维大模型孕育而生，对于电力行业提高运维效率、降低运维成本，为电力行业的数字化转型提供了有力支撑。 烛龙智巡团队用昇思MindSpore架构结合Atlas系列边缘算力硬件打造的基于边缘视觉的变电站缺陷运维大模型，不仅弥补了电力场景下的缺陷尺寸不一、识别场景复杂等问题，并且结合电力维修大模型实现端到端的一站式开发，解决了后期运维痛点。 **0\*\*\*\*1** **面向多尺度目标的电力缺陷检测进化式算法** 由于巡检过程中目标缺陷在图像中呈现的大小和距离各不相同，通过引入了面向多尺度目标的电力缺陷检测进化式算法来解决目标尺度不一造成的准确率下降问题。加入了ECA注意力机制，同时在特征金字塔中进行跨尺度连接和上下文信息，并引入了一些Transformer的离散参数来增强小目标的语义信息和特征表示。此技术充分发挥了MindSpore架构自动微分和自动并行的特性，以此来增强模型对于多尺度目标，尤其是小目标的识别准确率。 **02** **基于轻量化网络的电力缺陷检测边缘端模型** 考虑到电力巡检场景下边缘端部署及现有模型检测速度慢等问题，基于轻量化网络的电力缺陷检测边缘端模型，在网络中采用FasterNet Block对C2f中的Bottleneck模块进行重构，并引入EMA注意力机制构建C2f\_EMA，减少参数量，提高检测速度，与此同时，借助MindSpore提供的模型轻量化技术，进一步减少模型参数的数量，得益于MindSpore和Atlas 200DK A2模型在边缘端也可以实现高效推理。 **03** **基于LoRA微调的多模态电力维修大模型** 为了更加精准利用边缘端AI传输回来的缺陷识别信息，采用LLaVA模型通过LoRA实现了电力设备缺陷运维大模型的微调，进一步采用RAG实现本地知识库的构建，丰富电力设备缺陷的运维知识，从而调用专属电力设备缺陷大模型来进行电力设备缺陷的评估以及维修指导。 此次通过与上海昇腾人工智能生态创新中心产教融合，基于上海电力大学能源电力特色学科互织互融以及国家电网培训中心的特色国网实践教学成功实现教学转化。通过在CANN架构上部署深度边缘模型，利用昇思MindSpore框架自动微分和自动并行的特性以及Atlas 200DK A2高效的推理性能对变电站设备实现了自主智能巡检，开发了专属的电力设备缺陷运维大模型，显著提高了检测效率和准确性，有效降低维护成本和安全风险。目前已申请了6项发明专利并撰写了两篇SCI论文，其中包括SCI一区论文一篇。 未来上海昇腾人工智能生态创新中心将继续携手高校持续展开深度合作，共同推进高校专业人才培养改革，推动教学转化工作再上新台阶、再上新水平。 --- https://www.mindspore.cn/news/zh/3556/ --- 新闻 昇思MindSpore亮相东湖人工智能高峰论坛：使能大模型原生创新 # 昇思MindSpore亮相东湖人工智能高峰论坛：使能大模型原生创新 2024/12/20 # 昇思MindSpore亮相东湖人工智能高峰论坛：使能大模型原生创新 11月26日，2024东湖国际人工智能高峰论坛在武汉光谷科技会展中心顺利举行，大会以“智联世界，共创未来”为主题，省市相关单位、专家学者、产学研各界百余家联合体单位齐聚一堂，共同探讨人工智能产业创新发展趋势，进一步加速产业变革演进，共建人工智能产业新生态。 论坛上，昇思MindSpore生态总监王神迪以《昇思MindSpore AI框架使能大模型原生创新》为题进行分享，介绍了人工智能产业整体发展趋势及昇思MindSpore在大模型应用的原生创新结果。 **昇思MindSpore：使能大模型原生创新** 昇思AI框架赋能用户开发大模型能力，充分发挥硬件澎湃算力，兼顾开发效率与执行性能，架构、套件也在持续升级。 - **原生亲和超节点：** 超节点原生创新分布式并行能力，接口化服务开发者； 超大规模模型训练性能提升，单卡仿真超大规模集群分布式。 - **动静统一** 一套架构支持动、静态图开发模式，兼顾性能与易用性； 提供高阶API，动静态图脚本代码免修改，平滑切换。 - **大模型使能套件** 提供MindSpore Transformers/One套件、AI4S使能套件； 开箱即用40+主流模型，10+代码实现二次开发。 昇思MindSpore原生支持50+业界主流大模型。 **携手昇思，共建人工智能创新之源** 昇思MindSpore自2020年正式开源以来，用户量一路飙升到1100w+，社区用户核心贡献者已达3.5w+。昇思通过生态赋能，激励学术创新、产业创新与应用创新，携手开发者，共同打造昇思开源开放社区。 积跬步以至千里，积小流以成江海。昇思通过开源开放，支持人工智能技术创新发展。未来，昇思将持续打造生态赋能的阵地，助力开发者AI创新与应用。 --- https://www.mindspore.cn/news/zh/3558/ --- 新闻 致敬优秀，表彰杰出贡献 | 昇思人工智能框架峰会 # 致敬优秀，表彰杰出贡献 | 昇思人工智能框架峰会 2024/12/20 # 致敬优秀，表彰杰出贡献 | 昇思人工智能框架峰会 致敬优秀，表彰杰出贡献 | 昇思人工智能框架峰会 --- https://www.mindspore.cn/news/zh/3560/ --- 新闻 昇思MindSpore生态伙伴优秀方案巡展“卓繁智能”循道政务大模型赋能政务服务 # 昇思MindSpore生态伙伴优秀方案巡展“卓繁智能”循道政务大模型赋能政务服务 2024/12/25 # 昇思MindSpore生态伙伴优秀方案巡展“卓繁智能”循道政务大模型赋能政务服务 以“创新源动力，框架新选择”为主题的昇思人工智能框架峰会在北京中关村顺利举办，其中展示展览区域围绕产业繁荣、行业应用、使能模型创新、开源社区以及CodeLab等区域让到场嘉宾更深入走进昇思了解大模型使能创新，其中作为行业应用代表卓繁智能技术上海有限公司（以下简称“卓繁智能”）代表上海昇腾人工智能生态创新中心年度优秀伙伴参与峰会。 卓繁智能的循道政务大模型解决方案基于昇腾AI 基础软硬件平台，结合自身二十余年政务服务领域从业经验和人工智能技术沉淀，采用领域增强、提示工程和图谱检索等前沿技术研发的政务垂域大模型。 具体的赋能场景如下: **0\*\*\*\*1** **智能咨询数字人** 通过线上助手或线下数字人一体机的形态，实现办事咨询，引导、窗口受理协助等场景，解决传统对话系统方案过度依赖关键词匹配、对话死板、答非所问等问题，为用户提供有温度、有帮助的沉浸式办事体验。 **02** **服务分析改进** 据调研统计，一个地级市行政服务中心的年办件量约80万件左右，工作人员服务态度和问题解决能力难以靠人工评估。通过卓繁智能自研的服务记录仪全程记录服务过程，并通过循道大模型的精细化分析，实现服务过程的监督，群众吐槽、堵点事项的定位并提供具有针对性的服务改进建议。 **03** **公文助手** 政策专业性强，人工解读劳动成本高，且为保证准确性，需要多人交叉验证，而循道政务大模型凭借政务领域专业知识的积累，实现了快速高效、有深度有内容的高质量导读以及后续的文档编写辅助、政策匹配等工作。 **04** **数据助手** 循道大模型在微调过程中着重提升了模型逻辑推理和 sql 脚本生成的能力，同基于盘古 NL2SQL 强化大模型，实现了双技术路径构建聊天取数、文件解析建库等场景。 卓繁大数据团队自研有大数据治理平台DataMind，基于昇腾AI基础软硬件平台，通过MindSpore AI框架、MindIE推理引擎等整体解决方案在统一数据调度办公效率上提升60%，在“边聊天边取数”调度效率上提升80%，在个性化制表效率上提升100%。目前循道政务大模型已在全国多个地区应用落地，赋能免申即享系统和赋能“高效办成一件事”案例获得了业界的高度认可，分别于 2023 和 2024 年入选大模型落地应用案例集。并在在2024昇腾AI创新大赛中，循道政务大模型赋能政务服务解决方案脱颖而出荣获全国企业赛道原生创新组银奖。 卓繁智能深耕行业20余年,在一网通办、一网统管、数字乡村等领域积累了丰富的行业经验和客户理解，并在长三角地区42个风貌街区、安徽、湖北等地区开展了城市治理创新应用的落地实践,取得了初步成效。未来卓繁智能与上海昇腾人工智能生态创新中心将继续深入合作不断创新，加速政务服务的数智化转型步伐。 --- https://www.mindspore.cn/news/zh/3566/ --- 新闻 砺行致远，一路昇腾丨2024昇腾年度热词盘点 # 砺行致远，一路昇腾丨2024昇腾年度热词盘点 2024/12/31 # 砺行致远，一路昇腾丨2024昇腾年度热词盘点 亲爱的昇腾小伙伴们 年终的号角已经吹响 在2024年 哪些关键词成为了昇腾人的集体记忆？ 哪些瞬间让你心潮澎湃，热血沸腾？ 现在，让我们一起回顾2024 感受昇腾AI向上的力量！ --- https://www.mindspore.cn/news/zh/3571/ --- 新闻 基于MindSpore SPONGE的分子动力学模拟持续革新，生物人工智能专区重磅上线！ # 基于MindSpore SPONGE的分子动力学模拟持续革新，生物人工智能专区重磅上线！ 2024/12/30 # 基于MindSpore SPONGE的分子动力学模拟持续革新，生物人工智能专区重磅上线！ 近日，昇思人工智能框架峰会在北京成功举办。在AI for Science创新论坛中，深圳湾实验室博士后研究员刘许晗发表了题为《MindSpore SPONGE：人工智能时代下的分子动力学模拟》的演讲，分享了人工智能与分子动力学模拟交叉领域的最新研究成果。 深圳湾实验室、北京大学和昌平实验室联合昇思团队，基于MindSpore SPONGE在力场研究、轨迹分析和构象生成等方面取得了显著成果，包括开发出MoICT力场训练方法和ProTokens表征描述符等。此外，团队通过人工智能技术开发了预测蛋白质互作的三维结构的新方法ColabDock，该成果已发表在《Nature Machine Intelligence》上，为蛋白质结构和功能研究提供了新的思路和方法。 \*\*业界首创AI MSA引擎：\*\***突破蛋白质结构预测的瓶颈** 在蛋白质结构预测领域，AI MSA引擎是MindSpore SPONGE的一项杰出贡献。传统的蛋白质结构预测方法，如AlphaFold 2，虽然取得了显著成就，但仍受限于多序列比对（MSA）信息的数量和质量。AI MSA引擎的引入，有效解决了这一问题。它能够在MSA样本少甚至零样本的情况下，帮助AlphaFold 2等模型维持甚至提高推理精度，有效突破了AlphaFold 2的缺陷。这是在实现AlphaFold 2从训练到推理全流程打通且效率同比提升2至3倍后，取得的又一次成功。 **分子动力学模拟：高效融合AI与传统方法** 分子模拟软件多用C/C++和FORTRAN编写，而AI框架多以Python为主，导致AI算法难以集成在分子模拟软件中。MindSpore SPONGE通过将MD模拟程序视为AI训练过程，原子坐标相当于神经网络参数，势能函数相当于作为优化目标的损失函数，而MD积分器则相当于一种特殊的AI优化器。根据这种相似性逻辑，分子模拟程序可以自然而然地在AI框架中重构，AI原生分子模拟程序MindSpore SPONGE可以充分发挥昇思MindSpore作为AI框架的强大能力，提供了可微编程、高通量计算和自动硬件迁移等非常有吸引力的功能。 **“天工”抗体设计大模型：AI辅助降低抗体药物研发成本** 在抗体药物研发领域，“天工”抗体设计模型是基于昇思MindSpore打造的一款创新工具，能够实现抗体功能设计、序列嫁接和活性预测等多种任务。该模型结合生物先验知识，实现非人源抗体的人源化，降低研发成本。它优化抗体的可成药性，提高生产效率，降低生产成本。与传统方法相比，设计效率提升一个数量级，经协和医学院验证，人源抗体表达量提升5至10倍，有望将生产成本降低2倍以上，为医药产业可持续发展注入新活力。 **生物人工智能专区，赋能无限可能** 为了让开发者更好地了解AI生物领域的解决方案与创新模型，昇思社区联合北京大学、昌平实验室、深圳湾实验室和北京协和医院基于昇思大模型平台打造生物人工智能专区。专区是AI+生物的“创新工坊”，内置丰富的前沿应用案例、案例模型与蛋白质结构预测数据集，一应俱全。为新手开发者提供详细教程，助力开发者迅速入门AI+科学计算领域；为资深科研人员，提供创新方案与算力支持，助力开发者拓展复杂生物模型，与昇思社区共同推动生物行业与AI技术的融通发展。 生物人工智能专区：https://xihe.mindspore.cn/biology 手机端扫码进入 **模型与数据集** 以上案例中所涉及到的模型，均可在该专区中找到。更值得一提的是，由北京大学、北京昌平实验室提供的蛋白质结构预测数据集，首次在生物人工智能专区中发布。 PSP是首个具有高覆盖率和多样性的百万级的蛋白质结构预测数据集，该数据集包含57万条真实结构序列（10TB）和74.5万条补充蒸馏序列（15TB），并且提供了在该数据集上进行SOTA蛋白质结构预测模型的基准训练过程。 **学习课程领取免费算力** 此外，专区还提供了多套MindSpore SPONGE专题课程，供广大开发者学习。 为支持广大开发者从理论到实践，社区为前100位学习课程的同学提供了免费的平台算力以供实践。 \*\*Step1：\*\*报名课程：https://xihe.mindspore.cn/course/sponge4/introduction \*\*Step2：\*\*填写算力申请表：https://wj.qq.com/s2/17371537/e3eb/ \*\*Step3：\*\*算力申请完成后，在昇思大模型平台AI实验室，点击“打开Jupyter在线编程”，选择“Ascend”启动，上传模型文件进行实践。AI实验室：https://xihe.mindspore.cn/projects 如有问题请联系小助手 算力有限，先到先得，赶紧行动起来吧！ --- https://www.mindspore.cn/news/zh/3591/ --- 新闻 框架新选择 | 昇思使能原生模型成果案例 # 框架新选择 | 昇思使能原生模型成果案例 2025/01/17 # 框架新选择 | 昇思使能原生模型成果案例 当前，AI大模型深入赋能千行万业 助力实体经济智能化升级 昇思MindSpore广泛使能百模千态 加速大模型创新与应用落地 截至目前 昇思已孵化、支持50多个国内外主流大模型 并以其极简易用、高效开发的特点 得到了各大模型厂商的认可 成为框架新选择 **以下为昇思使能原生模型成果案例** 更多内容可点击链接查看：https://mp.weixin.qq.com/s/PGeGogAPDER-12iJUZZIXA --- https://www.mindspore.cn/news/zh/3595/ --- 新闻 2024年昇思MindSpore开源社区运营报告，感谢所有的昇思同路人 # 2024年昇思MindSpore开源社区运营报告，感谢所有的昇思同路人 2025/01/27 # 2024年昇思MindSpore开源社区运营报告，感谢所有的昇思同路人 2024年昇思MindSpore开源社区运营报告，感谢所有的昇思同路人 --- https://www.mindspore.cn/news/zh/3598/ --- 新闻 训推全面支持、开箱即用！DeepSeek V3昇思MindSpore版本上线开源社区 # 训推全面支持、开箱即用！DeepSeek V3昇思MindSpore版本上线开源社区 2025/02/09 # 训推全面支持、开箱即用！DeepSeek V3昇思MindSpore版本上线开源社区 近日，基于昇腾AI硬件与昇思MindSpore AI框架版本的DeepSeek-V3完成开发支持并上线昇思开源社区，面向开发者提供开箱即用的预训练和推理能力，并已成功在大规模集群上预训练和部署。 应用昇思MindSpore大模型使能套件，依托昇思多维混合分布式能力、自动并行、Dryrun集群内存仿真等技术，天级快速适配DeepSeek V3新增模型结构和分布式并行训练能力。同时，昇思MindSpore通过深度优化MLA、DeepSeekMoE等网络结构的推理，实现了高效的推理部署性能。 当前，通过获取昇思MindSpore版DeepSeek V3开源镜像，开发者可直接进行DeepSeek-V3的预训练和推理部署。 **开源链接** 昇思MindSpore开源社区训练代码： https://gitee.com/mindspore/mindformers/tree/dev/research/deepseek3 魔乐社区推理代码： https://modelers.cn/models/MindSpore-Lab/DeepSeek-V3 **以下是完整的手把手教程，助力开发者开箱即用** ### **【预训练开箱流程】** MindSpore Transformers支持对DeepSeek-V3进行预训练。仓库中提供了一份预训练配置文件供参考，该配置基于128台Atlas 800T A2 （64G），使用Wikitext-2数据集进行预训练，可参考多机教程进行使用： https://gitee.com/mindspore/mindformers/tree/dev/research/deepseek3 便于开发者上手体验，本章节基于此配置进行修改，缩小了DeepSeek-V3模型参数量，使其能够在单台Atlas 800T A2 （64G）上拉起预训练流程。 ### **一、环境介绍** 准备一台Atlas 800T A2 （64G）训练服务器。MindSpore Transformers的环境依赖如下： Python MindSpore CANN 固件与驱动 3.10 2.4.10 8.0.RC3.beta1 24.1.RC3 提供了DeepSeek-V3预训练专用Docker镜像，通过如下步骤进行使用。 1、下载Docker镜像 `docker pull swr.cn-central-221.ovaijisuan.com/mindformers/deepseek_v3_mindspore2.4.10-train:20250209` 2、基于镜像创建容器 使用如下命令新建容器： `image_name=swr.cn-central-221.ovaijisuan.com/mindformers/deepseek_v3_mindspore2.4.10-train:20250209 docker_name=deepseek_v3 docker run -itd -u root \ --ipc=host --net=host \ --privileged \ --device=/dev/davinci0 \ --device=/dev/davinci1 \ --device=/dev/davinci2 \ --device=/dev/davinci3 \ --device=/dev/davinci4 \ --device=/dev/davinci5 \ --device=/dev/davinci6 \ --device=/dev/davinci7 \ --device=/dev/davinci_manager \ --device=/dev/devmm_svm \ --device=/dev/hisi_hdc \ -v /etc/localtime:/etc/localtime \ -v /usr/local/Ascend/driver:/usr/local/Ascend/driver \ -v /usr/local/Ascend/driver/tools/hccn_tool:/usr/local/bin/hccn_tool \ -v /etc/ascend_install.info:/etc/ascend_install.info \ -v /var/log/npu:/usr/slog \ -v /usr/local/bin/npu-smi:/usr/local/bin/npu-smi \ -v /etc/hccn.conf:/etc/hccn.conf \ --name "$docker_name" \ "$image_name" \ /bin/bash` 3、进入容器 使用如下命令进入容器，并进入代码目录： `docker exec -ti deepseek_v3 bash cd /home/work/mindformers` ### **二、 数据集准备** 以Wikitext-2数据集为例，参考如下步骤将数据集处理成Megatron BIN式文件。 1、下载数据集和分词模型文件 数据集下载：WikiText2数据集 https://ascend-repo-modelzoo.obs.cn-east-2.myhuaweicloud.com/MindFormers/dataset/wikitext-2/wikitext-2-v1.zip 分词模型下载：DeepSeek-V3的tokenizer.json https://huggingface.co/deepseek-ai/DeepSeek-V3/resolve/main/tokenizer.json?download=true 2、生成Megatron BIN格式文件 将数据集文件wiki.train.tokens和分词模型文件tokenizer.json放置在/home/work/dataset下 使用以下命令转换数据集文件 `cd /home/work/mindformers/research/deepseek3 python wikitext_to_bin.py \ --input /home/work/dataset/wiki.train.tokens \ --output-prefix /home/work/dataset/wiki_4096 \ --vocab-file /home/work/dataset/tokenizer.json \ --seq-length 4096 \ --worker 1` ### **三、单机配置样例** 基于预训练配置文件pretrain\_deepseek3\_671b.yaml按照如下步骤操作并保存为pretrain\_deepseek3\_1b.yaml。 1、修改模型配置 `# model config model: model_config: type: DeepseekV3Config auto_register: deepseek3_config.DeepseekV3Config seq_length: 4096 hidden_size: 2048 # 修改为2048 num_layers: &num_layers 3 # 修改为3 num_heads: 8 # 修改为8 max_position_embeddings: 4096 intermediate_size: 6144 # 修改为6144 offset: 0 # 修改为0 ……` 2、修改MoE配置 `#moe moe_config: expert_num: &expert_num 16 # 修改为16 first_k_dense_replace: 1 # 修改为1 ……` 3、修改并行配置 `# parallel config for devices num=8 parallel_config: data_parallel: 2 # 修改为2 model_parallel: 2 # 修改为2 pipeline_stage: 2 # 修改为2 expert_parallel: 2 # 修改为2 micro_batch_num: µ_batch_num 4 # 修改为4 parallel: parallel_optimizer_config: optimizer_weight_shard_size: 8 # 修改为8 ……` 4、修改学习率配置 `# lr schedule lr_schedule: type: ConstantWarmUpLR warmup_steps: 20 # 修改为20` 5\. 修改数据集配置 配置数据集路径： `# dataset train_dataset: &train_dataset data_loader: type: BlendedMegatronDatasetDataLoader config: data_path: - 1 - "/home/work/dataset/wiki_4096_text_document" # 修改此项为数据集路径 ……` 配置数据集并行通信配置路径： `# mindspore context init config context: ascend_config: parallel_speed_up_json_path: "/home/work/mindformers/research/deepseek3/parallel_speed_up.json" # 修改此项为数据集并行通信配置路径` ### **四、 拉起任务** 进入代码根目录并执行以下命令拉起单台Atlas 800T A2（64G）预训练任务： `cd /home/work/mindformers bash scripts/msrun_launcher.sh "run_mindformer.py \ --register_path research/deepseek3 \ --config research/deepseek3/deepseek3_671b/pretrain_deepseek3_1b.yaml"` 启动脚本执行完毕会在后台拉起任务，日志保存在/home/work/mindformers/output/msrun\_log下，使用以下命令查看训练日志（由于开启了流水并行pipeline\_stage: 2，loss只显示在最后一张卡的日志worker\_7.log中，其他日志显示loss为0）： `tail -f /home/work/mindformers/output/msrun_log/worker_7.log` 训练loss的曲线图如下 训练过程中的权重checkpoint将会保存在/home/work/mindformers/output/checkpoint下。 ### **【推理部署开箱流程】** 采用BF16格式的模型权重文件，运行DeepSeek-V3推理服务，需要4台Atlas 800I A2（64G）服务器。为缩短开发部署周期，昇思MindSpore此次提供了docker容器镜像，供开发者快速体验。其主要操作步骤如下： 执行以下Shell命令，下载昇思MindSpore DeepSeek-V3推理容器镜像： `docker pull swr.cn-central-221.ovaijisuan.com/mindformers/deepseek_v3_mindspore2.5.0-infer:20250209` 执行以下Shell命令，启动容器镜像，后续操作将均在容器内进行： `docker run -itd --privileged --name=deepseek-v3 --net=host \ --shm-size 500g \ --device=/dev/davinci0 \ --device=/dev/davinci1 \ --device=/dev/davinci2 \ --device=/dev/davinci3 \ --device=/dev/davinci4 \ --device=/dev/davinci5 \ --device=/dev/davinci6 \ --device=/dev/davinci7 \ --device=/dev/davinci_manager \ --device=/dev/hisi_hdc \ --device /dev/devmm_svm \ -v /usr/local/Ascend/driver:/usr/local/Ascend/driver \ -v /usr/local/Ascend/firmware:/usr/local/Ascend/firmware \ -v /usr/local/sbin/npu-smi:/usr/local/sbin/npu-smi \ -v /usr/local/sbin:/usr/local/sbin \ -v /etc/hccn.conf:/etc/hccn.conf \ deepseek_v3_mindspore2.5.0-infer:20250209 \ bash` 执行以下Shell命令，将用于下载存储DeepSeek-V3权重文件的路径（开箱示例中为./model\_path），添加至白名单： `export HUB_WHITE_LIST_PATHS=./model_path` 使用以下Python脚本，从魔乐社区下载昇思MindSpore版本的DeepSeek-V3权重文件至指定路径。完整的权重文件约1.4TB，请确保指定路径下有充足的可用磁盘空间： `from openmind_hub import snapshot_download snapshot_download( repo_id="MindSpore-Lab/DeepSeek-V3", local_dir="./model_path", local_dir_use_symlink=False )` 将./model\_path/examples/predict\_deepseek3\_671B.yaml文件中的load\_checkpoint参数配置为权重文件夹绝对路径，并将tokenizer\_file参数和vocab\_file参数配置为tokenizer.json文件绝对路径。 在第1台至第4台服务器上，分别执行以下Shell命令，通过msrun\_launcher.sh启动单次推理测试脚本run\_deepseekv3\_predict.py，完成后将显示“生抽和老抽的区别是什么？ ”的问题回复。其中，master\_ip需修改设置为第1台服务器的实际IP地址。 `# 第1台服务器（Node 0） export PYTHONPATH=/root/mindformers/:$PYTHONPATH export HCCL_OP_EXPANSION_MODE=AIV export MS_ENABLE_LCCL=off master_ip=192.168.1.1 cd model_path/DeepSeek-V3/examples bash msrun_launcher.sh "run_deepseekv3_predict.py" 32 8 $master_ip 8888 0 output/msrun_log False 300 # 第2台服务器（Node 1） export PYTHONPATH=/root/mindformers/:$PYTHONPATH export HCCL_OP_EXPANSION_MODE=AIV export MS_ENABLE_LCCL=off master_ip=192.168.1.1 cd model_path/DeepSeek-V3/examples bash msrun_launcher.sh "run_deepseekv3_predict.py" 32 8 $master_ip 8888 1 output/msrun_log False 300 # 第3台服务器（Node 2） export PYTHONPATH=/root/mindformers/:$PYTHONPATH export HCCL_OP_EXPANSION_MODE=AIV export MS_ENABLE_LCCL=off master_ip=192.168.1.1 cd model_path/DeepSeek-V3/examples bash msrun_launcher.sh "run_deepseekv3_predict.py" 32 8 $master_ip 8888 2 output/msrun_log False 300 # 第4台服务器（Node 3） export PYTHONPATH=/root/mindformers/:$PYTHONPATH export HCCL_OP_EXPANSION_MODE=AIV export MS_ENABLE_LCCL=off master_ip=192.168.1.1 cd model_path/DeepSeek-V3/examples bash msrun_launcher.sh "run_deepseekv3_predict.py" 32 8 $master_ip 8888 3 output/msrun_log False 300` 此外，还可参考魔乐社区MindSpore-Lab/DeepSeek-V3模型仓的ReadMe指引，进行推理服务化部署，然后通过访问与OpenAI兼容的RESTful服务端口，体验多轮对话服务。 ### 1\. **MindSpore支持DeepSeek V3增量模块的快速开发** **DeepSeek V3的关键网络结构的支持：** - \*\*MTP：\*\*在MTP模块中，MindSpore通过shard()接口对MPT入口处的激活融合结构配置了序列并行，消除不必要的通讯重排。通过set\_pipeline\_stage()接口实现了embedding矩阵在first\_stage和last\_stage间的参数共享，即由first\_stage负责维护embedding的参数更新，训练前向时发送给last\_stage，训练反向时从last\_stage回收梯度。 - \*\*AuxFree Balance：\*\*MindSpore的MoE模块中已支持全局的Expert负载统计, AuxFree Balance机制的实现是在callback中新增了根据全局专家负载而更新专家偏置的逻辑，从而达到在每个train step结束后做一次负载均衡调整的目的。 - \*\*MoE Sigmoid激活：\*\*在Router score后的激活函数部分新增了可配置项，用户可以通过yaml文件灵活选择softmax或sigmoid作为激活函数，支持开发者灵活选择。 ### 2\. **MindSpore对于DeepSeek V3推理网络的实现和优化** MindSpore针对DeepSeek V3的网络结构特点，高效地实现和优化了更高效的推理网络，最大化地压缩算子下发耗时和提升网络推理性能。 - \*\*MLA：\*\*将FC、MatMul等超过10个小算子，融合成单个InferAttention-MLA算子，然后将其与已有的PageAttention算子，组合实现MLA模块功能。同时，在InferAttention-MLA算子内，设计了Key-Value张量存储复用机制，减少存储资源占用。 - - 图1 MLA推理网络实现原理 **DeepSeekMoE**：MindSpore优化精简了MoE的推理代码实现，并新增实现MoeUnpermuteToken、MoeInitRouting等多个融合大算子，用于组合实现DeepSeek-V3的MoE单元，降低了单个MoE单元的推理时延。 - - 图2 DeepSeekMoE推理网络实现原理 **图编译**：MindSpore推理使用了图编译进行加速，通过对整图进行Pattern匹配，无需修改模型脚本，即可实现整图的通用融合。以DeepSeekV3为例，在图编译过程中实现了Add+RmsNorm、SplitWithSize+SiLU+Mul等众多Pattern的自动融合。 - 图3 图编译原理 ### **3\. MindSpore框架特性助力DeepSeek V3训练性能提升** **DeepSeek V3的训推适配过程中，通过MindSpore的**MoE模块优化、Dryrun仿真等技术\*\*，在优化MoE的训练流程的同时，还实现了更高效的多维混合并行。\*\* ****MoE模块优化**：在MoE模块中可支持多种主流结构可配置，如共享专家、路由专家个数、激活函数选择等，极大地提升了模型的灵活性。在MoE并行方面支持TP-extend-EP、路由序列并行、MoE计算通讯掩盖、分组AllToAll通讯等多种并行模式和并行优化，用户可在配置中更灵活地使用相关并行加速能力。** ****Dryrun集群内存仿真与自动负载均衡**：MindSpore的Dryrun工具可以根据训练任务模拟出集群中每卡的内存占用情况，从而在不实际占用集群的情况下，为训练的分布式并行策略调优提供快捷反馈。自动负载均衡工具SAPP为DeepSeek V3通过精确建模内存和计算负载，在内存约束条件下，求解最优的流水线并行的各Stage层数与重计算量，分钟级开销内自动获得最优流水线配置。** **下一步，昇思MindSpore开源社区将上线DeepSeek V3微调样例与R1版本镜像，为开发者提供开箱即用的模型。未来，昇思开源社区将依托丰富的技术能力，持续优化DeepSeek V3系列模型的性能，加速模型从训练到生产部署端到端的创新效率，为开源开发者进行大模型创新提供了高效易用的基础软件与技术生态，促进千行万业智能化转型升级。** **在使用模型中，有任何疑问和建议，均可通过社区进行反馈。** **昇思MindSpore开源社区DeepSeek V3使用问题讨论issue：** **https://gitee.com/mindspore/mindformers/issues/IBL0X5?from=project-issue** **昇腾社区昇思论坛DeepSeek V3使用问题讨论帖：** **https://www.hiascend.com/forum/thread-02112174450796469017-1-1.html** --- https://www.mindspore.cn/news/zh/3600/ --- 新闻 昇思MindSpore全流程支持DeepSeek V3满血版训推 # 昇思MindSpore全流程支持DeepSeek V3满血版训推 2025/02/11 # 昇思MindSpore全流程支持DeepSeek V3满血版训推 继昇思MindSpore支持在昇腾集群上训练和推理DeepSeek V3 671B，DeepSeek V3昇思MindSpore版本新增微调能力同步上线，至此昇思MindSpore可全流程端到端支持DeepSeek V3训推。 **开源链接** - **·** 昇思MindSpore开源社区 - DeepSeek V3训练微调代码： - https://gitee.com/mindspore/mindformers/tree/dev/research/deepseek3 - **·** 魔乐社区 - DeepSeek V3推理代码： - https://modelers.cn/models/MindSpore-Lab/DeepSeek-V3 **链接中包含完整的手把手教程，助力开发者开箱即用** ****DeepSeek V3昇思微调能力上线**** **MindSpore Transformers支持对DeepSeek V3进行全参微调。通过以下步骤，即可在单台Atlas 800T A2（64G）上快速拉起微调流程。** **① 环境准备→②数据集准备→③模型权重准备→④修改配置→⑤拉起任务** **在使用模型中，有任何疑问和建议，均可通过社区进行反馈。** **昇思MindSpore开源社区DeepSeek V3使用问题讨论issue：** **https://gitee.com/mindspore/mindformers/issues/IBL0X5?from=project-issue** **昇腾社区昇思论坛DeepSeek V3使用问题讨论帖：** **https://www.hiascend.com/forum/thread-02112174450796469017-1-1.html** --- https://www.mindspore.cn/news/zh/3610/ --- 新闻 人人都能上手部署DeepSeek模型：Janus-Pro香橙派开发板实践指南 # 人人都能上手部署DeepSeek模型：Janus-Pro香橙派开发板实践指南 2025/02/14 # 人人都能上手部署DeepSeek模型：Janus-Pro香橙派开发板实践指南 ### **前序** 2025 年春节，AI 领域再掀波澜！DeepSeek的Janus-Pro模型横空出世，以创新的双路径架构以及强大的多模态交互能力，引发业界广泛关注。 为了让更多开发者能够快速上手，我们基于MindSpore AI框架和MindSpore NLP套件在香橙派AI pro（20T）24G开发板上，部署了DeepSeek-Janus-Pro 模型，希望通过我们的努力，能够为 AI 社区的发展贡献一份力量，让更多人能够参与到 AI 的浪潮中来，以下是详细的DeepSeek-Janus-Pro部署教程。 开源链接： https://gitee.com/mindspore-lab/mindnlp.git https://github.com/mindspore-lab/mindnlp.git ### **前期准备** **硬件、软件环境要求** **硬件：** Orange Pi AIpro(20T)开发板一个、鼠标、键盘、显示屏、网线、电源线。 **软件环境** ### **步骤一：烧录镜像** #### **1、下载镜像** 注意，不同型号的香橙派开发板使用的镜像不同，因此需要专门针对Orange Pi AIpro(20T)烧录镜像。 首先，从官网获取20T开发版镜像，镜像地址：http://www.orangepi.cn/html/hardWare/computerAndMicrocontrollers/service-and-support/Orange-Pi-AIpro%2820T%29.html 进入后可以看到有Ubuntu和openEuler两个镜像环境，本次教程用Ubuntu镜像作为示例： 点击“下载”，进入百度网盘，依次选择“Ubuntu"、"opiaipro\_20t\_ubuntu22.04\_desktop\_aarch64\_20240924.img.xz"，进行下载。 #### **2、烧录镜像** 然后准备一张至少64G大小的SD卡，将SD卡插入读卡器中，打开镜像烧录软件balenaEtcher（请使用1.18版本，**并使用管理员身份运行**）如图所示。 选择好镜像文件和SD卡之后，就可以开始烧录了，烧录之后会显示烧录成功。 ### **步骤二：开发板启动与连接** #### **1、开发板连接** 我们将烧录好的SD卡插入到香橙派卡槽当中，并启动开发板（开发板事先要连接显示屏、键盘和鼠标。开发板连接可以参考官方资料中的“用户手册”http://www.orangepi.cn/html/hardWare/computerAndMicrocontrollers/service-and-support/Orange-Pi-AIpro(20T).html）。 开发板启动后，开发板支持多种连接方式，如串口连接、网线连接等，请参考用户手册的2.9、3.5、3.6节，如下图所示，**选择其中的一种方式连接开发板。** #### **2、设置swap** **登录开发板后请参考3.18节设置swap内存为24G。** ### **环境配置** **01** **CANN升级** #### **1、CANN包下载** 镜像中预装的是CANN 7.0，需要对CANN版本进行升级。 在开发板系统中，进入官网(https://www.hiascend.com/developer/download/community/result?module=cann&cann=8.0.RC3.alpha002)，按照下图中的标注进行筛选。 分别下载： Ascend-cann-toolkit\_8.0.RC3.alpha002\_linux-aarch64.run和Ascend-cann-kernels-310b\_8.0.RC3.alpha002\_linux.run。 #### **2、CANN包安装** 下载完成后进入下载目录，如果你是使用浏览器下载，默认在~/Downloads目录下，在终端中依次执行（#后内容为注释）： `sudo su #下面会要求输入密码，默认为Mind@123，输入的时候不会显示键入的字符, 输入完成后进入root用户` 此时用户切换为root用户，终端提示变为root： 运行下面命令授予下载的两个安装包运行权限： `chmod +x Ascend*` 运行下面命令安装toolkit包，安装约需要10分钟，请耐心等待： `./Ascend-cann-toolkit_8.0.RC3.alpha002_linux-aarch64.run --install` 按照提示键入'Y'。 运行下面命令安装kernels包，安装约需要10分钟，请耐心等待： `./Ascend-cann-kernels-310b_8.0.RC3.alpha002_linux.run --install` 按照提示键入'Y'。 kernels安装完成后请运行以下命令： `ls /usr/local/Ascend/ascend-toolkit/latest/opp/built-in/op_impl/ai_core/tbe/kernel/` 将会输出下面内容： 如果输出不正确需要重新安装CANN。 安装完成后终端执行： `exit` 退出root用户，此时终端又变回： 运行下面命令设置环境变量（当前用户需要为HwHiAiUser）： `echo "source /usr/local/Ascend/ascend-toolkit/set_env.sh" >> ~/.bashrc source ~/.bashrc` **02** **MindSpore安装** #### **1、依赖包安装** 我们需要安装2.4.10版本的MindSpore，在安装MindSpore之前需要安装MindSpore依赖包，在终端中运行： `pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple pip install sympy pip install /usr/local/Ascend/ascend-toolkit/latest/lib64/te-*-py3-none-any.whl pip install /usr/local/Ascend/ascend-toolkit/latest/lib64/hccl-*-py3-none-any.whl` #### **2、MindSpore安装** 安装完成后开始安装MindSpore2.4.10版本，进入MindSpore官网：https://www.mindspore.cn/。 选择对应的MindSpore、Python、CANN版本（本次安装配置和截图一致）。然后将安装命令复制到命令行执行即可。 #### **3、验证是否安装成功** MindSpore安装完成后，执行下面命令验证是否安装成功。 `python -c "import mindspore;mindspore.set_context(device_target='Ascend');mindspore.run_check()"` 应输出如下结果： #### **03** **安装MindSpore NLP** 请注意以下所有命令均在HwHiAiUser用户下运行。 首先下载MindSpore NLP的代码，这里对janus做了适配，终端中执行以下命令从源码安装MindSpore NLP: `cd ~ git clone https://gitee.com/mindspore-lab/mindnlp.git cd mindnlp git checkout janus pip install -e .` ### **运行案例** 请注意以下所有命令均在HwHiAiUser用户下运行。 #### **01** **下载janus模型权重** 终端中执行以下命令: `pip install modelscope modelscope download --model deepseek-ai/Janus-Pro-1B --local_dir /home/HwHiAiUser/Janus-Pro-1B` 这里需要等待较长时间，具体时间取决于网速。 下载完成后模型权重将保存在/home/HwHiAiUser/Janus-Pro-1B中，如果要保存在其他位置，请修改local\_dir参数，并同步修改mindnlp/llm/inference/janus\_pro/understanding.py和mindnlp/llm/inference/janus\_pro/generation.py中的model\_path修改为对应的目录地址。 #### **02** **运行模型** **注意，由于模型占用内存较多，没有设置swap请设置swap，swap参考前述用户手册的3.18节。** #### **1、运行图像理解样例** 运行图像理解\*\*任务，\*\*在终端中输入： `pip install attrdict cd ~/mindnlp/llm/inference/janus_pro python understanding.py` **该案例**输入的图像如下： 运行结果为： #### **2、运行图像生成案例** 运行图像生成任务，在终端中输入： `python generation.py 输入prompt为：A stunning princess from kabul in red, white traditional clothing, blue eyes, brown hair` 在~/mindnlp/llm/inference/janus\_pro/generated\_samples目录下生成图像： --- https://www.mindspore.cn/news/zh/3627/ --- 新闻 昇思MindSpore亮相2025年全球开发者先锋大会（2025 GDC）：大模型首选AI框架 # 昇思MindSpore亮相2025年全球开发者先锋大会（2025 GDC）：大模型首选AI框架 2025/02/25 # 昇思MindSpore亮相2025年全球开发者先锋大会（2025 GDC）：大模型首选AI框架 2025年全球开发者先锋大会（2025 GDC）于2025年2月21日-23日在上海举办。本次大会由世界人工智能大会组委会、上海市经济和信息化委员会、上海市互联网信息办公室、上海市徐汇区人民政府共同指导举行。 本次大会以“模塑全球 无限可能”为主题，重点引导大模型企业赋能垂类应用落地，聚焦具身智能、自动驾驶、科学智能、在线新经济、智能终端等关键领域，促进开发者资源对接、产业融合，吸引全球100多家开发者社区及数万名开发者参与。 会议期间，昇思MindSpore技术专家林翰受邀出席“融”见AI新生态，驱动经济新发展讲坛做“大模型时代首选AI框架-昇思MindSpore”主题演讲。 昇思AI框架赋能用户开发大模型能力，充分发挥硬件澎湃算力，兼顾开发效率与执行性能，架构、套件也在持续升级。 超节点原生创新分布式并行能力，接口化服务开发者；超大规模模型训练性能提升，单卡仿真超大规模集群分布式。 一套架构支持动、静态图开发模式，兼顾性能与易用性；提供高阶API，动静态图脚本代码免修改，平滑切换。 提供MindSpore Transformers/One套件、AI4S使能套件；开箱即用40+主流模型，10+代码实现二次开发。昇思MindSpore原生支持50+业界主流大模型，并配合多家金融行业伙伴打造模型基座，促进大模型快速发展。 会中，林翰向大家介绍到坐落在漕河泾开发区的上海昇思生态创新中心，并向广大开发者发出诚挚邀请，欢迎广大开发者走进创新中心。作为昇思MindSpore开源社区持续打造生态繁荣的主阵地持续开展昇思技术行，昇思MSG城市行，SIG论坛等活动，以生态赋能，激励学术创新、产业创新与应用创新，携手开发者，共同打造昇思开源开放社区，不断助力开发者创新与应用。 --- https://www.mindspore.cn/news/zh/3630/ --- 新闻 鹏城实验室发布基于昇思框架、昇腾硬件的强化学习训练框架GRPO-Training-Suite # 鹏城实验室发布基于昇思框架、昇腾硬件的强化学习训练框架GRPO-Training-Suite 2025/02/28 # 鹏城实验室发布基于昇思框架、昇腾硬件的强化学习训练框架GRPO-Training-Suite 本次发布基于Qwen2.5-7B、32B打通GRPO强化学习训练全流程，为强化学习开发者提供了训练接口，支持算法快速开发，提供多种训练优化技术，并内置GRPO强化学习训练流程。 当前代码已在启智社区和昇思社区开源，根据本教程，用户可以快速上手体验，探索强化学习的奥秘！ 开源代码仓： https://openi.pcl.ac.cn/PCL-Reasoner/GRPO-Training-Suite https://gitee.com/mindspore/mindrlhf 鹏城实验室基于昇思MindSpore AI框架及昇腾AI硬件，率先突破大模型强化学习技术全栈壁垒。通过自主创新硬件、框架及超大规模集群的深度协同，成功构建从硬件算力、算法优化到集群调度的完整技术链条，实现GRPO强化学习训练在Qwen2.5（7B，32B）上的全流程部署，发布并开源GRPO强化学习训练流程和代码。 与我们以往开发的单模型训练代码相比，GRPO强化学习训练流程涉及策略模型与参考模型，通过策略模型生成数据，利用参考模型和奖励函数计算Loss，然后进行策略模型的训练。这个过程需要模型在推理和训练状态间的频繁切换，并涉及参考模型和策略模型推理、训练三份权重，对训练性能和显存管理提出了更高的要求，对于强化学习开发者来说，快速完成算法开发和模型训练是个不小的挑战。昇思MindSpore框架为GRPO强化学习训练流程提供了优化技术： - 组件化解耦训练流程与模型定义，支持用户自定义修改模型结构、奖励函数、训练超参等。 - 训推共部署，实现训练和推理权重在线快速自动重排，避免权重文件落盘操作，节省离线转换保存权重文件的时间开销。 - 通过异构内存Swap技术，按需加载模型至显存，避免训练和推理的权重同时存在，支持更大规模模型的训练任务。 下一步，鹏城实验室将基于昇思MindSpore及昇腾AI硬件，在代码自动生成优化、科学计算等下游任务上孵化自主创新大模型，并且提供对接多种模型的强化学习流程。 GRPO（Group Relative Policy Optimization，组相对策略优化）是针对数学等逻辑推理任务提出的强化学习训练的算法。强化学习的训练过程是学习一个策略模型，通过不断试错，策略模型与奖励函数的不断交互，策略模型会逐渐倾向于选择能获得更高奖励的行为，自主探索出最佳学习路径。通过GRPO算法的大规模后训练得到的DeepSeek R1模型在逻辑推理能力上得到了显著提升，涌现出了长思维链和反思等深度思考能力，其在数学和编程任务上的表现已超越或媲美OpenAI o1系列模型。 GRPO创新性地引入“组内相对比较”机制，这样的设计直接利用同一批次样本中不同策略输出的相对优势评估，既降低了显存占用，又显著提升了训练稳定性‌。同时，GRPO强化学习训练流程采用‌基于规则的显式奖励函数‌，而非奖励模型‌。这种方法减少了奖励函数被对抗性样本“欺骗”（reward hacking）的风险，使奖励信号更透明、可解释且与任务目标强对齐‌。 **一、环境搭建** **01** **版本匹配关系** **02** **镜像安装** 为了方便复现，我们也提供了镜像。 **2.1下载Docker镜像** 从GRPO-Training-Container仓中下载镜像文件（https://openi.pcl.ac.cn/PCL-Reasoner/GRPO-Training-Container.git） **2.2基于镜像创建容器** `docker run -itd --privileged --network=host \ --shm-size 500g \ --device=/dev/davinci0 \ --device=/dev/davinci1 \ --device=/dev/davinci2 \ --device=/dev/davinci3 \ --device=/dev/davinci4 \ --device=/dev/davinci5 \ --device=/dev/davinci6 \ --device=/dev/davinci7 \ --device=/dev/davinci_manager \ --device=/dev/hisi_hdc \ --device /dev/devmm_svm \ -v /usr/local/Ascend/driver:/usr/local/Ascend/driver \ -v /usr/local/Ascend/firmware:/usr/local/Ascend/firmware \ -v /usr/local/sbin/npu-smi:/usr/local/sbin/npu-smi \ -v /usr/local/sbin:/usr/local/sbin \ -v /etc/hccn.conf:/etc/hccn.conf \ CONTAINER_NAME:TAG \ bash` **2.3进入容器** `docker exec -it CONTAINER_ID bash` **二、使用指南** **01** **数据集及文件的获取** 使用examples/qwen\_grpo\_tutorial/rlhf\_data.py将GSM8k.json转换成mindrecord的形式，此数据路径为mind\_dataset\_dir的取值。此数据路径在启动训推作为mind\_dataset\_dir 的值。 `python rlhf_data.py --vocab_path /path/to/vocab.json --merges_file_path /path/to/merges.txt --file_path /path/to/raw/data/ --output_path /path/to/mindrecord/` 参数说明： `vocab_path：vocab.json路径 merges_file_path：merges.txt路径 file_path：原始数据文件路径 output_path：输出文件路径` 其中vocab.json和merges.txt 都可以从Huggingface社区对应模型页面获取。 **02** **权重获取** 由于训练是计算密集型，生成是内存密集型，所以为了最大限度的优化性能，推理与训练阶段采用的并行策略往往不同。因此需要针对推理和训练模型分别进行切分。 下面介绍了获得不同权重切分的方法。 **2.1 MindSpore权重转换** 完整权重转为MindSpore用的ckpt，进入MindSpore TransFormers路径下。 `cd research/qwen2_5/ python convert_weight.py --torch_ckpt_dir /path/to/your/torch/ckpt/ \ --mindspore_ckpt_path /path/to/save/ms/ckpt --dtype bf16 --config_path \ research/qwen2_5/finetune_qwen2_5_7b.yaml` 参数说明： `torch_ckpt_dir：torch权重文件 mindspore_ckpt_path：mindspore权重保存路径 config_path：模型权重配置文件` **2.2 获得策略文件** `cd /path/to/your/mindformers/research/qwen2_5 bash ../../scripts/msrun_launcher.sh "run_qwen2_5.py \ --config /path/to/your/desired/model/yaml \ --run_mode finetune \ --train_data /path/to/mindrecord " 8 PORT output/msrun_log False 2000` 参数说明： `# run_qwen2_5.py 参数 config: 模型的配置文件 run_mode: 运行模式选微调 train_data: 训练用的数据文件 # msrun_launcher.sh 参数 单机上卡数8 PORT为节点PORT join=False timeout=2000` 生成的策略文件在strategy下，在下一步切分ckpt时作为dst\_strategy的值。 **2.3 获得特定切分的ckpt** `nohup python transform_checkpoint.py --src_checkpoint=/path/to/checkpoint.ckpt --dst_checkpoint=/path/to/desired/ckpt/ --dst_strategy=/path/to/strategy/ > output.log 2>&1 &` 参数说明： `src_checkpoint：原始权重路径 dst_checkpoint：目标权重路径 dst_strategy：目标权重策略文件路径` **03** **训练/推理模型配置** **3.1 训练模型配置** 训练的模型的配置finetune\_qwen2\_5\_7b.yaml: 并行配置: `parallel_config: data_parallel: 1 # 数据并行切分为 1 model_parallel: 4 # 模型并行切分为 4 pipeline_stage: 2 # 流水线并行切分为 2 use_seq_parallel: True micro_batch_num: 2 vocab_emb_dp: False gradient_aggregation_group: 4 micro_batch_interleave_num: 2 # mp大于1时，设为1可提升训练效率` 训练相关配置在mindrlhf/configs/grpo\_configs.py有学习率和GRPO相关的超参。 `optimizer: str = 'adamw' # 优化器类型 beta1: float = 0.9 # 优化器adamw超参，下同 beta2: float = 0.95 eps: float = 1.0e-8 weight_decay: float = 0.01 epochs: int = 100 # 训练轮数` **3.2 推理模型配置** 推理的模型的配置predict\_qwen2\_5\_7b\_instruct.yaml。 并行配置： `parallel_config: data_parallel: 2 # 数据并行切分为2 model_parallel: 4 # 模型并行切分为4 pipeline_stage: 1 # 流水线并行切分为1 micro_batch_num: 1 vocab_emb_dp: False gradient_aggregation_group: 4 micro_batch_interleave_num: 1` **三、启动单机8卡训练脚本** 用bash run\_grpo.sh启动GRPO强化学习流程。 注意：用户需要确认将MindSpore Transformers和MindSpore RLHF的路径加入PYTHONPATH。 `msrun --worker_num=8 --local_worker_num=8 --master_addr=127.0.0.1 \ --master_port=9190 --join=False --log_dir=./qwen2_5_one_log \ examples/qwen_grpo_tutorial/grpo_one_stage.py \ --sft_path_infer ./model_configs/qwen_grpo/predict_qwen2_5_7b_instruct.yaml \ --sft_path_train ./model_configs/qwen_grpo/finetune_qwen2_5_7b.yaml \ --vocab_path /path/to/your/vocab.json \ --merges_file_path /path/to/your/merges.txt \ --mind_dataset_dir /path/to/gms8k.mindrecord \ --save_data_file /path/to/grpo.mindrecord \ --save_ckpt_dir /path/to/save/ckpt \ --use_parallel True \ --load_sft_checkpoint_infer /path/to/infer/ckpt \ --load_sft_checkpoint_train /path/to/train/ckpt \ --load_ref_checkpoint /path/to/ref/ckpt \ --enable_compile_cache False \ --only_save_strategy False` 参数说明： `# msrun 参数 worker_num： 总卡数 local_worker_num： 单机的卡数 master_addr：主节点地址 master_port: 主节点端口 join：是否等待所有worker退出 log_dir: 日志路径 # grpo_one_stage.py 参数 sft_path_infer：推理用的模型配置 sft_path_train：训练用的模型配置 vocab_path: vocab.json的路径 merges_file_path：权重合并配置 mind_dataset_dir：训练数据文件的路径 save_data_file：中间推理结果的保存路径（可选） save_ckpt_dir：训练ckpt的保存路径 use_parallel：是否并行 load_sft_checkpoint_infer: 推理ckpt路径 load_sft_checkpoint_train: 训练ckpt路径 load_ref_checkpoint： 参考模型ckpt路径 enable_compile_cache：是否编译缓存 only_save_strategy：是否保存策略文件` 拉起任务后，通过以下指令查看运行日志。 `tail -f qwen2_5_one_log/worker_0.log` --- https://www.mindspore.cn/news/zh/3631/ --- 新闻 加速DeepSeek训练性能调优，揭秘昇思MindSpore大模型自动流水负载均衡技术 # 加速DeepSeek训练性能调优，揭秘昇思MindSpore大模型自动流水负载均衡技术 2025/03/05 # 加速DeepSeek训练性能调优，揭秘昇思MindSpore大模型自动流水负载均衡技术 近年来，以DeepSeek、Llama、Qwen、Mixtral为代表的新一代大模型不断突破参数规模瓶颈，推动模型体量向万亿级跃进，流水线并行(Pipeline Parallelism)已演变为大模型分布式训练的必备技术之一。 流水线并行通过将模型的不同层放置于不同的计算设备，降低单个计算设备的内存（显存，后文统一称为内存）消耗，从而实现超大规模模型训练。相较于张量并行中大量的All-Gather等通信，流水线带来的通信代价是每个stage之间的P2P通信，通信总量相对来说较小。 然而，流水线并行的特点决定了流水线的不同stage之间必然存在着依赖计算关系，这种依赖关系会产生额外等待时间（又叫做“空泡”或“bubble”），制约着模型的训练性能。为了尽量压缩bubble，提升训练性能，业界提出了如GPipe、PipeDream和Megatron-LM等当前应用广泛的几种流水线编排技术。 这些技术在拉高了训练效率的上限的同时也引入了不同设备上内存开销的不均衡，增大了策略调优的难度和成本，流水线并行策略的配置成为了影响大模型端到端性能的核心因素之一。 洞察到这个挑战，昇思MindSpore团队提出了一种同时均衡计算和内存的全局求解方法，面向复杂的流水线编排逻辑，自动生成最优的stage-layer分配和重计算策略。研发人员将算法打包成为自动流水负载均衡工具，结合Dryrun集群内存仿真工具，实现低成本高效模型调优： 自动流水负载均衡工具是基于符号抽象的全局线性规划算法，实现同时均衡计算和内存的负载。通过对模型的性能和内存进行分解，构建出线性规划问题，在分钟级的时间内求解出一个最优的layer分配和重计算策略，大幅度提升模型调优的效率。 Dryrun是模拟集群实际执行训练任务的工具，可以在单卡上完美模拟AI框架的构图、编译、内存分配的过程，其输出的内存预估和真实执行之间的误差极小，从而实现单卡仿真大集群并行策略的调优，降低调优资源消耗、提升调优效率。 MindSpore TransFormers Pipeline\_balance地址： https://gitee.com/mindspore/mindformers/tree/dev/toolkit/pipeline\_balance 通过结合昇思MindSpore提供的自动流水负载均衡工具与Dryrun集群内存仿真工具，在大集群上实测DeepSeek-V3 671B调优，实现训练性能倍增；实测千亿参数Llama模型自动负载均衡调优相比于专家调优提升性能14%。 # \# 01超大集群调优案例 ## 一 DeepSeek-V3 671B调优案例 DeepSeek的架构中不同的MoE层专家数存在着区别，并且还引入了MTP层，这让Deepseek模型的不同层之间内存和计算建模有着显著差异。手工调优需要工程师多次实验总结不同层处在不同stage时的内存变化规律，相比于Llama系列模型复杂度和工作量都是成倍提升。 面对DeepSeek一类的异构模型，流水负载均衡工具可以有效兼容。表3展示了DeepSeek-V3 671B 大集群调优的实例。 当模型参数量来到了671B这样的规模，即使配置pp=16，将模型的layer平均切分到每个stage时，设备内存压力仍然较大，因此只能选择开启完全重计算。表中图示展示了流水执行的模拟示意，蓝色方框为正向计算，黄色为反向计算，纵轴表示16个stage，横轴表示时间，下面的红色real bubble代表bubble相比于真实计算时间的比值，real bubble越大，预估性能越差。 在平均切分全重计算的情况下，可以观察到stage0上每层的计算时间相比于stage1-15较小，这是因为Dense层的计算时间小于MoE层；另外stage16的每个小方框较大，是因为MTP层的计算时间较大。从图中观察1F1B的流水执行中，可以看到瓶颈是stage16的正反向时间，其余的stage不得不等待stage16的计算结束，因此可以看出在stable阶段产生了不小的bubble，而在cooldown阶段，因为前面stage的反向已经结束，产生了非常明显的巨大的bubble，最终real bubble值为1.45，很明显该平均切分策略性能较差。 对于DeepSeek-V3 671B使用自动流水负载均衡工具，妥善配置了每个stage的layer数和重计算策略，流水线各stage上的计算、内存负载基本均衡。从第二张图可以看出最后一个stage的计算量变小，是通过挪动部分layer到其他stage来调整的。通过解决瓶颈stage的计算问题，stable阶段的bubble被基本消除，cooldown阶段的bubble也大幅度降低，最终real bubble降为0.91，大幅提高了训练效率。 在大集群实测训练性能相比开箱性能提升一倍以上。 ## 二 千亿参数Llama模型 大模型训练中为了保障训练的效果（loss的收敛和最终的评测效果），通常会控制global batch size不能太大。在限定global batch size的情况下，流水并行的micro size数也受到了限制，尤其是在大集群训练时，数据并行dp的维度数非常大。根据bubble计算公式（p-1）/m，当m过小时，bubble相对较大，设备空等时间较多，影响训练性能。针对interleave场景的调优难题，自动负载工具做到了对内存排布和计算时间的建模，用户可以任意给定chunk数，工具将给出此条件下的最优解。同时工具自带模拟器，方便用户对比各种不同的并行策略。 下图通过流水并行模拟器展示了超大集群的千亿参数Llama模型训练的调优实例。 图2中共有三种流水线负载均衡配置，分别是对layer进行平均切分，且不开启重计算；平均切分开启全部重计算以及经过自动负载均衡调优后的策略。 最终通过超大集群实测，自动负载均衡调优相比于专家调优提升性能14%。 # \# 02 技术背景和挑战 ## 一 流水线并行的典型编排方式 图1展示了最简单的流水并行切分，将模型的层进行了切分，分布在不同的设备上，虽然节省了内存占用，但是可以很明显的看到非常大的bubble，在实际训练时性能会非常差，因此在实际训练中基本上不会直接使用native pipeline。谷歌为了提高流水线的效率，提出了Gpipe，如图2所示，设备上的训练数据被分成了更细的micro batch，不同的micro batch可以并行计算，这样就压缩了训练过程中的bubble，提升了训练性能。 在这种范式下，每个device上的内存压力是一样的，都需要在反向之前存储一个step中所有layer的激活值（activation/Acti.）。因此，GPipe虽然通过流水线的方式把模型分割到了不同的设备上，但其所采取的流水线编排方式在调大micro batch时，内存占用过高，影响了其扩展性。因为通常来说，micro batch越大，可以流水并行的计算部分越多，bubble越小。 PipeDream在GPipe batch-forward-batch-backward的编排基础上提出了一种新的编排方式，1-forward-1-backward(1F1B)(图5上半部分），流水线在一个前向处理完成后便可以开始计算反向，这样激活值在反向执行后就可以及时释放，相比于Gpipe提高了内存使用效率，增加micro batch的数量不再会对设备上的峰值内存有影响。在这种1F1B的编排方式之下，流水线的最小bubble为（p-1）/m，p和m分别是流水线stage数和micro batch数。性能持平GPipe的同时进一步节省了内存压力。以下表为例，当micro batch数量为8的时候，stage = 4的流水线并行最少也能为设备节省50%的内存。 因为在峰值内存方面的优势，业界的流水线并行普遍采用了1F1B的编排方式。经过深入分析可以发现，1F1B编排模式下，设备的内存压力相比于GPipe而言减少了很多，然而流水线中每个stage的内存压力是不平衡的（见上表最右列）。每个设备上的峰值内存由进入稳定状态之前1F1B累积的激活值决定，第i个stage累计的激活值带来的内存开销可以通过公式计算，计算结果显示在流水线中靠前的设备（即i数值较小的）峰值内存更高。 Megatron团队在2021年提出了流水线交织（interleaved pipeline）的排布方式（图5下半部分），这是一种基于1F1B的优化，通过把一个设备上原本连续的layer继续分割成多个chunk，进一步细化了流水线的颗粒度，进一步压缩bubble到（p-1）/vm，v是每个stage切分出的chunk数。当stage = 4时，如果micro batch数为16，理论上1F1B下bubble最小占比为18%，而分出两个chunk之后，bubble的占比极限下可以进一步被压缩到9%左右。不过，流水线交织并不能解决内存不平衡，只是引入了新变量chunk，导致调优又新增了一个维度，复杂度几何级上升。 ## 二 流水线并行调优难点 综上所述，在当前主流的流水线并行技术之下，stage之间内存资源的使用是天然不平衡的，如果模型规模继续增大，需要切分更多的流水线stage数，这种不平衡会更加明显。 流水负载均衡的调优需要找到内存和计算的trade-off，既要让每个设备的内存资源都要得到充分利用，也要让每个设备的计算负载尽量相等。为了达到这一点，调优中至少要考虑以下几个维度： 每个stage要分配多少layer； 每个stage中有多少的layer需要进行重计算，如果涉及多种重计算，比如完全重计算、选择重计算，则每种都需要单独考虑； 如果采取流水线交织的话，则还需考虑每个chunk中layer的分配； 当各个stage的内存得到了充分利用之后，能否真的在短板效应的影响下提高端到端的性能。 ## 三 当前的流水线并行策略寻优方式 并行策略对模型整体训练效率的PipeDream和Dapple这些工作中都提出过针对性的策略寻优算法。这些算法实际应用中还是依赖工程师的手工调优，依靠经验和直觉多次迭代调整去发现最好的策略。常常需要花费数天至数周的时间去完成策略的微调，期间还伴随着训练任务的多次拉起。 在大多数情况下，人工调优会采取贪心的策略，在1F1B模式且stage数目较少的情形下是可行的。但当stage增多的时候调优难度会逐步提高，尤其是，开启流水线交织后，内存模式会有所不同，且这几个调优维度之间是互相影响的，调优难度指数级增加。 对每个维度独立考虑，最终组合起来并一定是最优解。这就使得贪心的调优策略在很多场景下会无能为力，必须用一种全局的求解思路去寻找最优策略。 面对这个问题，我们提出了基于符号抽象的全局线性规划算法，同时均衡计算和内存的负载。通过对模型的性能和内存进行分解，构建出线性规划问题，在分钟级的时间内求解出一个最优的layer分配和重计算策略，大幅度提升模型调优的效率。 # \# 03 基于符号代价模型和线性规划的自动负载均衡算法 ## 一 建模与算法 从整体角度来看，主流的大语言模型都是由embedding+多层layer重复+lm\_head构成的，我们只需要知道layer层面的性能信息即可。在内存方面，只要有一定的stage内存开销的已知数据，就可以分解出模型的内存构成，完成内存建模。 ## 二 性能模型分解 传统性能模型的求解能力和测量出来的数值精度绑定，需要多次profiling以识别规律，不能很好预估某一次运行的绝对速度。白盒拆解网络关系则可以更好地修正时间信息。在负载均衡的建模中，我们把时间分成head、body和tail。以Llama类型的网络为例，模型的输入经过了embedding之后是重复的decoder，最后以lm\_head和loss结束。此时，embedding就是head，而decoder layer是body，tail则是lm\_head和loss。这些时间都可以在profiling中找到。如果不考虑流水线并行，那么一个micro batch的前向时间就是head + n × body + tail。同时这种白盒方案也有利于在反向时间中考虑重计算的影响。此外，这种抽象范式也能泛化到Deepseek这种“异构模型”上。在Deepseek中，其decode layer既有dense MoE也有sparse MoE，还会接上一层MTP，不过对于我们的算法来说，这些不同的层抽象之后就变成了不同的body，可以被寻优算法天然兼容。 ## 三 内存建模 内存的建模是算法中需要谨慎设计的一环。一方面，通过多次拉起的方式去获得内存，这种纯黑盒的方式时间成本过高，违背了工具设计的初衷。另一方面，白盒算法通过计算模型中各个参数和激活值的shape来推演理论内存的方式准确度欠佳：难以全面考虑AI框架、特性优化、内存复用、碎片处理、硬件驱动内存分配器的参与。 Dryrun是MindSpore提供的一种能够模拟实际执行的工具，除了真实的在硬件上执行计算和通信，Dryrun可以完美模拟AI框架的构图、编译、内存分配的过程，其输出的内存预估和真实执行之间的误差非常小。在最终的方案中，我们通过提前进行一次Dryrun获得每个stage的真实内存，再把真实内存通过线性方程组的方式进行分解。由于算法最终的输出是每个stage中的layer分配以及重计算策略，内存可以被分解到layer和重计算的层面上。假设有一个stage数为pp的流水线，每个stage的内存值为M，stage中的layer数为li，重计算层数为ri，i为stage id。内存将被分解为如下几项： 在上文对1F1B的分析中得知，第i个stage由于activation带来的内存开销，根据公式每个stage的峰值内存可表示为： 由此，只要通过Dryrun等手段得到足够多的stage峰值内存，就可以通过方程组求解完成对内存的分解。在代码中可以通过numpy方便地实现这一逻辑。 ## 四 线性规划 按照上面两节描述的方式分解出了性能和内存信息之后，通过整数线性规划建模流水线并行的编排模式，就可以衡量不同的配置对性能和内存的影响。以设备的内存作为约束条件，以最小化端到端训练时间为目标，可以自动求出最优的layer分配和重计算策略。这里需要考虑的是如何对端到端时间建模。原封不动地刻画layer间的依赖关系是一种自然的思路，但在复杂的调优条件下这种建模方式的时间复杂度很快就会超出可接受的范围。实际上，如果考虑1F1B自身的性质，就可以简化问题、分组描述，降低复杂度。 如下图，在1F1B编排下，流水线一个step的端到端时间可以分为三个部分，分别为warmup、steady和cooldown。warmup阶段处于反向开始之前，steady阶段处于稳定的前反向交替状态，到了cooldown阶段则已经不再有需要计算前向的micro batch了，只需处理完剩余的反向过程。 这种建模思路也能够直接复用到interleave的场景下，完成更复杂的负载均衡。基于pulp的代码逻辑表达如下： 当然实际的建模中需要处理很多的细节问题，比如说开启interleave之后不同chunk之间内存不一致带来的扰动等等，只有尽可能考虑到实际运行中的各项影响因素才能准确的做出性能和内存预估。 ## 五 寻优方法逻辑 对于使用者来说，使用自动负载均衡工具需要提供如下的yaml文件。pipeline\_config用来描述模型的流水线配置。time\_config用于描述时间信息，来源于profiling数据（profiling要知道decoder layer和embedding、lm\_head之间的耗时关系）。recofmpute\_config和memory\_uage是需要的dryrun数据，有了这些信息之后算法会自动构建线性规划问题，利用求解器完成对最佳策略的寻找。 负载均衡工具的寻优流程如下图所示，yaml文件中包含的时间和内存信息会被工具中的parser模块所分解，构成一套抽象表征提供给算法的interface。求解出来的策略以一种兼容MindSpore TransFormers配置的格式给出并给出这个配置的bubble比例（上图右），这个策略可以直接提供给MindSpore TransFormers使用，同时工具也包含了一个流水线模拟器，会根据算出来的策略模拟出性能和各个stage的内存占用（下图右下角）。 --- https://www.mindspore.cn/news/zh/3633/ --- 新闻 易库智能携手昇思+昇腾，结合DeepSeek打造大模型知识赋能平台 # 易库智能携手昇思+昇腾，结合DeepSeek打造大模型知识赋能平台 2025/03/06 # 易库智能携手昇思+昇腾，结合DeepSeek打造大模型知识赋能平台 在数字经济高速发展的今天，知识数据已成为企业发展的"战略资源"，如何通过AI技术实现知识的高效管理与价值释放，是各行业数字化转型的核心命题。易库智能基于昇腾AI硬件+昇思MindSpore AI框架，成功打造自主创新知识大模型应用体系，通过"私有化部署+垂直领域适配+知识全链路管理"的创新模式，为智能办公、装备运维、人才培养等场景提供智能化知识解决方案，助力企业构建智能知识中枢。 易库智能携手昇腾昇思着力破解行业三大核心痛点：其一，知识处理效率瓶颈亟待突破，传统知识管理系统在面对装备维修手册、客服话术库等非结构化文档时，依赖人工标注与规则引擎，存在检索准确率不足 ，响应时间长，难以满足实时业务需求等问题。其二，数据孤岛与知识关联缺失问题严重，企业知识库分散于 OA、ERP、CRM 等异构系统，缺乏统一语义理解能力，致使问答正确不率高、知识图谱构建成本居高不下，并存在跨部门知识复用率不足的问题。其三，技术自主化与成本困局困扰企业发展，国外 AI 平台存在安全隐患、费用高昂等问题，且数据合规风险也不容忽视。 为解决以上问题，易库智能积极与昇腾+昇思对接，并在2025年3月完成自主研发的知识大模型产品对国产大模型DeepSeek模型的适配，为企业实现更大的系统吞吐、用户并发以及更灵活高效的部署打下了坚实的基础，进一步推动了自主创新底座搭载国产模型的产业发展，为企业AI知识体系建设注入强劲动能，全面加速人工智能技术产业化进程。 易库智能其在昇腾AI硬件强大的算力以及昇思MindSpore AI框架的支持下，为知识数据的处理与分析提供了高效动力，无论是海量文本信息的快速解析，还是复杂知识图谱的构建与运算，都能精准且迅速地完成。昇思框架则以其出色的灵活性和扩展性，适配易库智能自研大模型，实现从知识抽取、表示学习到推理应用的全链路优化。 易库智能与昇腾+昇思的深度协同，标志着国产大模型技术在知识工程领域实现"可用"到"好用"的跨越。通过打造自主创新的知识智能基座，易库智能与伙伴企业拓展了装备智能诊断、合规知识自动化等创新场景。随着昇腾原生技术生态的持续完善，这一模式将为金融、制造、政务等领域提供可复制的知识智能化转型范式。 --- https://www.mindspore.cn/news/zh/3637/ --- 新闻 「她力量·代码之外」：当技术温度遇见跨界创造力 # 「她力量·代码之外」：当技术温度遇见跨界创造力 2025/03/08 # 「她力量·代码之外」：当技术温度遇见跨界创造力 在技术浪潮奔涌的今天，开源社区正成为推动创新的重要力量。而在这片充满活力的领域中，越来越多的女性开发者以独特的视角与韧性，打破传统极客的刻板印象，用代码书写属于自己的篇章。 在三八妇女节之际，昇思MindSpore开源社区邀请了三位优秀女性开发者——中国科学院大学博士生孙宛奇、北京大学研究生王洁怡、瑞士巴塞尔大学神经生物学博士呼波。她们以跨界思维、社区联结力与技术向善的初心，在量子计算、生物医学、自然语言等领域中绽放光彩。她们的故事，既是科技女性的成长缩影，也是开源精神的最佳诠释。 # **\# 01\*\*\*\*量子世界的跨界探索者** 当量子计算与机器学习相遇，中国科学院大学博士生孙宛奇用"跨界创造力"架起了一座桥梁。她用三个关键词定义自己与AI开源的关系——**跨界创造力、实践驱动、社区联结力。** 作为量子机器学习领域的研究者，她在MindSpore社区找到了技术落地的支点——通过MindSpore Quantum套件，她将经典机器学习的经验迁移到量子场景，通过数值模拟验证创新想法。"社区的教程文档内容详细且逻辑清晰，让我从‘看不懂’到‘做得出’"，她坦言，与传统极客的“单打独斗”不同，自己更依赖社区的力量。无论是参与“原生创新论文任务”，还是分享优化方案，她始终相信“学习与分享同样重要”。 面对技术迭代的焦虑，她总结出\*\*“从基础出发，实践驱动，逐步深\*\*\*\*入”\*\*的成长节奏。“迷茫不可怕，重要的是找到一个起点。”她拒绝将“主流赛道”与“垂直领域”对立，而是以MindSpore为桥梁，在量子计算与AI的交叉领域深耕——社区提供的科学计算套件，让她能同时涉猎物理、化学等多领域工具，实现真正的跨界创新。 **她的反内耗方法论：** 高效时段攻克难题，低效时段处理轻量任务； 拆解目标，用小成就感保持动力； 规律运动与接纳不完美，是平衡科研与生活的关键。 # **\# 02\*\*\*\*从“被动学习”到生态共建者** 北京大学研究生王洁怡的成长轨迹，映射着许多女性开发者的心声——从“学生”到“共建者”的蜕变。初入社区时，她自认是“文档学习者”；如今，她已成为MindSpore NLP套件的贡献者、布道师，甚至被新人称为“老师”。 \*\*"技术代码需要严谨，但技术价值需要温度。"\*\*王洁怡在参与MindSpore NLP套件优化时，反复推敲文档表述，消除用户可能遇到的歧义。她深知，清晰的文档是技术普惠的第一步。作为AI医疗领域的探索者，她期望基于MindSpore的自动微分特性与并行训练能力，开发更强大的医疗对话模型，直击医疗资源不均衡的痛点。 面对AI伦理这一命题，她始终站在技术落地的前线，关注AI在医疗、心理等交叉领域的落地应用；在体验DeepSeek V3昇思版本时，模型“慢思考”的能力，让她切实感受到更强的推理能力与可解释性；她期望成为社区多元化的倡导者，推动技术议题与社会价值的结合。"线上社区隐藏了性别标签，这让技术能力成为唯一标尺"，她以李飞飞等女性科学家为榜样，在开源世界中践行"代码即话语"的信念。 **她的非主流建议：** 你并不差劲，我们有无尽的可能！ 技术更新再快，终需回归“用代码解决真实问题”的初心。 # **\# 03\*\*\*\*神经生物学博士的AI赋能之路** 呼波的身份有些特别——她既是神经生物学博士，也是昇思MindSpore社区的活跃开发者。她的AI之旅始于处理海量生物图像数据的实际需求。\*\*“积极创新、协作互补、终身学习”\*\*是她与开源社区互动的信条。 在MindSpore社区，她以神经生物学研究者的身份，参与了MindSpore NLP套件与MindSpore SPONGE套件的贡献。面对复杂的接口修改，需要她以耐心细致的工作态度，确保每个细节准确无误。“沟通细腻不是劣势，而是协作开发的核心能力。”她说道。 作为社区中的“提问者”，她从不畏惧提出基础问题，“解决问题的关键常藏在‘傻问题’里。”她参与编写的新手友好教程，降低了MindSpore NLP的入门门槛，也让更多开发者感受到社区的包容性。 **她的技术向善宣言：** 关注医学数据的性别差异，推动AI诊断模型覆盖更多人群； 未来希望开发女性友好的数学学习应用，用AI传递知识魅力。 # **\# 04\*\*\*\*技术星河中的她光芒** 从量子计算到神经科学，从自然语言到医疗普惠，三位开发者的故事印证了技术世界的真理：\*\*多样性是创新的源泉。\*\*她们以跨界思维打破学科壁垒，以细腻洞察完善技术细节，更以开放共享重塑开发者文化。 正如呼波所说：“广阔天地，大有可为。”当更多女性开发者加入开源浪潮，技术的边界将被不断拓展，而社区的温暖与包容，终将让每一份“她力量”熠熠生辉。 **致未来开发者：** 不必追赶他人的节奏，无需成为全才。找到你的1%差异化优势，以实践为锚，以社区为帆，自能在技术的海洋中，驶向属于自己的彼岸。 昇思MindSpore开源社区，期待与你同行。 --- https://www.mindspore.cn/news/zh/3639/ --- 新闻 携手北京大学，MindSpore+openEuler打造支持vLLM的DeepSeek全栈开源推理方案 # 携手北京大学，MindSpore+openEuler打造支持vLLM的DeepSeek全栈开源推理方案 2025/03/09 # 携手北京大学，MindSpore+openEuler打造支持vLLM的DeepSeek全栈开源推理方案 2025年，以DeepSeek-R1为代表的AI大模型正以惊人的速度重塑产业格局。短短7天用户破亿、多模态交互与低算力需求突破硬件限制，这些成就印证了AI技术走向规模落地的临界点已至。然而，将AI融入到具体产业，还面临着一些问题： **从产业上看：** 1、**算力与模型的割裂**：厂商需为不同硬件重复适配模型，开发成本陡增； 2、**生态孤岛化**：各厂商自建技术栈，导致跨平台协作效率低下； 3、**长尾需求难满足**：中小开发者受限于算力与框架兼容性，难以复用头部模型能力。 **从技术上看：** 1、\*\*\*\*混合专家（****MoE）架构的适配性挑战****：专家模型与硬件内存存在匹配困境，同时专家负载不均与通信开销过高； 2、**多模型协同与训推一体的系统挑战**：多模型动态交互、训推状态切换、资源动态分配引发协同困难，训推一体化软件栈的易用性不足； 3、**长序列推理与稀疏计算的性能挑战**：长序列KV Cache存在容量瓶颈；稀疏计算引发的向量化效率下降。 DeepSeek引发的挑战，本质上是AI规模化落地的必经之痛。解决这些难题需硬件厂商、框架开发者与行业用户深度协同，通过**全栈开放生态共建**与**分层协同性能提升**，实现从单点突破到系统级效能跃迁。 ### **\# 01\*\*\*\*全栈开放生态共建** **北京大学联合OpenAtom openEuler（简称"openEuler") 开源社区与MindSpore社区**，推出面向大模型的全栈开源方案，以**操作系统+AI框架+模型生态**的三层开放架构，替换**操作系统**和**DL框架**，秉承**代码开源+标准开放+生态共建**的理念，逐步成为智能时代的全国产化的数字基座。 #### **1\*\*\*\*对上：兼容多元大模型生态，普惠AI** 支持DeepSeek、LLaMA系列等主流模型接入，通过归一化的开源推理软件栈，保证不同模型对资源的动态调配，在生态上做到统一演进，且开箱即优，避免“重复造轮子”； 集成模型微调与蒸馏能力，优化增强RAG流程搭建，结合DeepSeek群体策略优化经验，降低长尾场景定制门槛。 #### **2\*\*\*\*对下：异构算力无缝接入，AI基座** 通过硬件抽象层兼容GPU、NPU及国产芯片，释放DeepSeek低能耗技术红利； 在极致资源约束下，资源动态调度诉求强烈，通过全栈协同优化降低模型资源消耗获得竞争优势。 ### **\# 02\*\*\*\*分层协同性能提升** 通过openEuler、MindSpore与vLLM/RAY间的分层协同，为DeepSeek-R1大模型带来了吞吐性能与易用性的显著提升。核心技术点如下： #### **1\*\*\*\*openEuler** **异构融合调度：负载感知MoE冷热专家，任务细粒度调度提升推理性能** 负载感知的冷热MoE专家动态识别和并行调度，稀疏MoE计算分层细粒度拆分到不同进程部署在多样算力； 共享资源细粒度按需控制，支持MoE专家均衡调度，计算/通信细粒度并发； 针对高并发场景下推理服务、分布式计算组件Host侧资源争用的痛点，利用NUMA感知的细粒度算力与内存资源隔离，提升推理整体性能。 **异构融合内存：高效管理异构内存，减小系统内存碎片，提升系统推理性能** 针对推理服务高并发场景，通过线程特性感知的细粒度内存分配、高性能代码段大页机制，在控制内存开销的同时，提升Host侧性能与整体推理吞吐； 针对MoE架构的稀疏访存特征，通过Host/Device协同内存管理实现多粒度动态混合页与按需内存分配，减少页表访存开销同时提升显存利用效率； 针对大模型推理服务面临的显存容量挑战，基于MoE架构的稀疏计算特征，利用运行时-OS协同设计实现高效专家超分部署，提升显存利用率与整体推理吞吐。 **异构融合编译：毕昇编译优化，减少算子下发耗时，提升算子性能** **架构亲和编译优化**：通过架构亲和的原子指令优化和Malloc、Memcpy高性能库优化，降低各类锁的代价，提高内存利用效率，降低访存开销，进而降低时延，提高吞吐率；算子编译阶段使能智能感知流水优化，基于数据依赖关系深度分析和自适应同步决策机制，自动插入最优同步指令实现高效的多级流水并行；通过昇腾算子抽象层与芯片ISA的智能映射，实现指令级并行优化，极大发挥芯片理论算力； ****多维融合********编译********优化****：针对算子下发阶段前端性能瓶颈较高的特点，通过CFGO优化技术，借助运行时信息，编译器进行精准的代码布局优化，有效提高程序IPC，降低算子下发时延；多维融合加速能够自动实现向量类算子融合、矩阵-向量类算子融合，减少数据搬运开销，并通过细粒度并行进一步提升算子性能，快速满足用户验证模型算法和提升模型开箱性能。 #### **2****MindSpore****图编译：将模型编译为计算图，通过模式匹配自动将小算子融为大算子** **图生成**：MindSpore通过JIT编译自动将模型的python类或者函数编译成一张完整的计算图，JIT编译提供了多种方式(ast/bytecode/trace）以满足不同场景的用途，覆盖了绝大部分Python语法。 **自动融合**：基于计算图通过自动模式匹配实现算子融合，将小算子融合成大颗粒的算子。大算子既减少Host下发的开销，同时也大大缩短了Device的计算时延。在DeepSeek V3/R1模型中实现了QKV/FFN+Split融合、Transpose+BatchMatMul+Transpose融合、Swiglu融合以及Norm类融合，大幅度减少了算子数量。 **动态shape支持**：计算图的执行需要支持动态shape以满足推理场景输入输出序列长度以及batch size的动态变化，相比于静态shape的整图下沉，动态shape的计算图执行需要每个iteration在Host侧重新执执行shape推导以及申请显存等操作，为了避免Host成为瓶颈，MindSpore通过Shape推导和显存申请、算子Tiling数据计算以及算子下发三级流水优化，实现Host计算和Device计算的掩盖。 ****模型压缩****\*\*\*\*：********金箍棒********工具，********快速********实现********模型量化********算法及********量化********推理\*\*\*\*\*\*\*\*全流程\*\*\*\* 金箍棒是华为昇思 MindSpore 团队与华为诺亚方舟实验室联合研发的模型压缩工具，依靠 MindSpore Rewrite 模块，为算法开发者屏蔽网络差异和硬件细节，提升算法接入与调优效率，同时提供了可视化、量化损失分析以及Summary 等工具。 我们使用金箍棒通过不同量化方式，来尝试平衡DeepSeek-R1的精度和性能： **8bit权重量化**：对 DeepSeek-R1 进行8bit 权重量化，使权重显存占用降为1/2，小batch\_size场景推理性能提升明显，但大batch\_size场景推理性能变差，分析发现是权重量化矩阵乘算子随着batch\_size增大性能会下降。 **SmoothQuant 8bit量化**：为提升大batch\_size场景的性能，用SmoothQuant 8bit 全量化，测试发现随batch\_size增加，吞吐量线性度良好，但网络量化精度损失仍较大。 **混合量化**：为降量化精度损失，对精度较敏感的FeedForward层用激活动态量化，损失部分性能提升来提升量化精度，MLA层用Outlier-Suppression+异常值抑制算法替代SmoothQuant进一步提升精度。 经多次尝试，最终以CEval精度损失2分的代价，实现DeepSeek-R1部署显存和算力需求减半。 #### **3\*\*\*\*算力集群训推平台** 北京大学科教创新卓越中心自研SCOW算力平台与鹤思算力调度，能够高效纳管大规模的异构算力集群，通过软硬件解耦的分层体系架构，屏蔽底层硬件差异，向下支持各种硬件，向上支持各种框架模型应用。基于openEuler+MindSpore社区的开源集群训推平台，通过高效的算力调度技术实现训推一体，已应用到了全国超过60家单位，并逐渐应用到了卓越中心国产集群。 ### **\# 03\*\*\*\*高效部署开箱即用** 2025年3月7日在北京大学鲲鹏昇腾科教创新卓越中心，北大师生和openEuler 与MindSpore 社区开发者共同首次打通了openEuler+MindSpore+DeepSeek全栈开源推理方案的生产环境部署实践。 #### **1\*\*\*\*openEuler环境部署** 组网结构推荐使用直连模式，即服务器通过交换机直连，确保每张卡都可以ping通其他卡。 **环境要求：** 两台Atlas 800I A2（8\*64G）。 Ascend HDK Driver 24.1.0版本，Firmware 7.5.0.3.22版本。 openEuler 24.03 LTS版本（内核 5.10）。 #### **2\*\*\*\*DeepSeek模型下载** 模型需在各个推理节点上进行部署，请确保模型**位置在各节点上一致**，可从如下地址下载。 魔乐社区： https://modelers.cn/models/MindSpore-Lab/DeepSeek-R1-W8A8 #### **3\*\*\*\*MindSpore一键部署** 一键式部署脚本推荐在单独控制的节点执行，控制节点需要可以使用SSH访问各个推理节点。 **Step1：下载oedeploy工具，调整oedeploy配置文件** `# 下载插件包并解压 wget https://repo.oepkgs.net/openEuler/rpm/openEuler-24.03-LTS/contrib/oedp/plugins/mindspore-deepseek.tar.gz tar zxvf mindspore-deepseek.tar.gz # 按照提示调整mindspore-deepseek目录下config.yaml # 下载并安装oedp工具 wget https://repo.oepkgs.net/openEuler/rpm/openEuler-24.03-LTS/contrib/oedp/aarch64/Packages/oedp-1.0.0-2.oe2503.aarch64.rpm yum localinstall oedp-1.0.0-2.oe2503.aarch64.rpm` **Step2：运行一键部署脚本** `oedp run install #在mindspore-deepseek目录下运行` #### **4\*\*\*\*推理服务测试验证** 服务拉起后，可使用如下curl指令进行验证 `curl http://主节点ip:推理服务端口/v1/completions -H "Content-Type: application/json" -d '{"model": "模型路径", "prompt": "I love Beijing, because", "max_tokens": 32, "temperature": 0, "top_p": 1.0, "top_k": 1, "repetition_penalty":1.0}'` 注意:"模型路径"请确保和插件目录下config.yaml中的model\_path值一致 **返回推理结果示例：** \*\*测试结果：\*\*基于DeepSeek-R1 W8A8大模型，2台Atlas 800I A2 64GB服务器，128请求吞吐率超过1198token/s，单请求吞吐率可达16.7token/s。 ### **\# 04\*\*\*\*开源方案优秀实践** #### **1\*\*\*\*高效部署，开箱即用** 采用MindSpore+openEuler一键部署脚本，自动完成镜像拉取、集群启动、推理服务拉取等技术。相较于传统手动部署时间通常花费2-3小时，基于当前复杂组网现状，本方案端到端部署时间约20分钟。 未来基于精简组网及内存卸载，一键部署可在单台主机上进行DeepSeek满血部署，部署效率进一步提升。 #### **2\*\*\*\*全栈开放，生态共建** 本方案整合了DeepSeek、openEuler、MindSpore与vLLM/RAY等社区开源组件，用户可以轻松获取源码，根据需求进行二次开发。联合社区进行重大特性开发与生态共建，企业开发成本降低。 北大科教创新卓越中心根据自身实际情况开发算力集群训推平台，并贡献反馈开源社区，取得模型部署易用性的进一步提升。 #### **3\*\*\*\*按需量化，动态适配** 压缩模型工具(金箍棒）针对开源大模型，根据用户及硬件能力可进行适当定制量化，本方案使用8bit权重量化、SmoothQuant 8bit量化和混合量化等技术，最终以CEval精度损失2分的代价，实现了DeepSeek-R1w8a8的大模型部署。 --- https://www.mindspore.cn/news/zh/3641/ --- 新闻 星舟志屹基于昇思MindSpore AI框架打造星舟大模型DeepSeek版，加速能源与旅游业智能化升级 # 星舟志屹基于昇思MindSpore AI框架打造星舟大模型DeepSeek版，加速能源与旅游业智能化升级 2025/03/10 # 星舟志屹基于昇思MindSpore AI框架打造星舟大模型DeepSeek版，加速能源与旅游业智能化升级 随着大模型技术向垂直领域深度渗透，如何在复杂场景中实现高效、精准的智能化应用成为行业关注焦点。西安星舟志屹智能科技有限公司（以下简称“星舟志屹”），作为一家专注于人工智能技术，深耕智慧能源领域应用项目的创新企业，于近日基于昇腾AI硬件+昇思MindSpore AI框架正式发布“星舟大模型DeepSeek版”。该模型通过知识蒸馏、微调技术、私有专家库及海量数据库理解等核心技术，为能源管理提供了全新的解决方案，助力行业实现技术跃迁。 # **一\*\*\*\*知识蒸馏：轻量化模型赋能实时决策** 在旅游业和能源领域，高实时性、低延迟的决策需求对AI模型的部署效率提出了严苛要求。星舟大模型通过知识蒸馏技术，将大型预训练模型的知识高效迁移至轻量化模型中，在保证精度的同时大幅降低算力消耗。星舟志屹技术总监冯文在发布会上表示：“传统模型在边缘设备的部署常受限于算力与功耗，而知识蒸馏技术让星舟大模型既能保留复杂场景的理解能力，又可在景区人流监测终端、能源监测设备等场景中实现毫秒级响应。”目前，该技术已应用于某5A级景区智能管理系统，模型推理效率提升3倍，游客流量预测误差率降低至1%以下。 # **二\*\*\*\*微调技术：垂直领域精准适配** 智慧能源与旅游业的业务场景高度专业化，通用模型往往难以满足需求。星舟大模型依托行业独有的海量数据库，结合微调技术，可快速适配特定任务。例如，在电网设备故障预测场景中，模型通过微调学习数万条历史故障数据与专家诊断记录，使预测准确率提升至98%；在旅游业资源调度任务中，模型针对节假日客流高峰、多模态数据（如票务系统、气象信息）进行优化，资源分配效率较传统算法提高40%。“微调不仅让模型更‘懂行’，还大幅缩短了开发周期。”冯文补充道。 # **三\*\*\*\*私有专家库：构建行业知识壁垒** ## **\# 01\*\*\*\*技术底座：高效算力与持续进化** 在星舟大模型的技术架构中，昇腾+昇思的组合发挥了关键作用。例如，在知识蒸馏技术落地时，昇腾的异构计算架构支持轻量化模型与大型预训练模型的同步高效运行，结合昇思的自动并行编译能力，使知识迁移效率提升50%以上，确保能源边缘设备在低功耗环境下仍能实现实时推理。而在处理能源领域PB级多模态数据时，昇腾AI硬件与昇思的分布式并行技术深度融合，使模型的数据清洗与特征提取速度提升3倍，为海量数据库理解提供了底层保障。 智慧能源与旅游业的业务场景高度专业化，通用模型往往难以满足需求。星舟大模型依托行业独有的海量数据库，结合微调技术，可快速适配特定任务。例如，在电网设备故障预测场景中，模型通过微调学习数万条历史故障数据与专家诊断记录，使预测准确率提升至98%；在旅游业资源调度任务中，模型针对节假日客流高峰、多模态数据（如票务系统、气象信息）进行优化，资源分配效率较传统算法提高40%。“微调不仅让模型更‘懂行’，还大幅缩短了开发周期。”冯文补充道。 # **四\*\*\*\*海量数据库理解：驱动复杂场景智能化** 面对能源与旅游业动辄PB级的异构数据（如气象数据、设备运行记录、游客画像），星舟大模型凭借强大的多模态理解能力，实现了从数据清洗、特征提取到知识挖掘的全流程自动化。在某能源集团的风电场优化项目中，模型通过分析10年气象数据、设备运行记录及电网负荷信息，生成风机布局优化方案，预计年发电量提升12%；在旅游业中，模型对景区游客轨迹、消费行为等数据进行实时解析，辅助管理部门动态调整服务资源配置，游客满意度提升25%。 ## **\# 02\*\*\*\*展望：深耕垂直场景，推动行业变革** “星舟大模型的目标不仅是技术领先，更是为行业提供可落地的价值。”星舟志屹研发总监张高翔表示。未来，公司计划将大模型能力扩展至更多场景，如能源供应链优化、设备智能维护等，并与行业头部企业共建生态，推动智慧能源领域的全面数字化转型。 星舟志屹计划与昇腾+昇思生态深度绑定，基于昇思科学计算套件拓展模型在具身智能+大模型的技术边界，进一步夯实国产工业级大模型的技术壁垒，为智慧能源注入更强动能。 --- https://www.mindspore.cn/news/zh/3642/ --- 新闻 倍特威视基于昇腾昇思，以Deepseek为基础大模型打造异常检测及预测解决方案 # 倍特威视基于昇腾昇思，以Deepseek为基础大模型打造异常检测及预测解决方案 2025/03/12 # 倍特威视基于昇腾昇思，以Deepseek为基础大模型打造异常检测及预测解决方案 在制造业转型升级的浪潮下，如何构建全天候风险预警体系？如何让三级安全监管真正落地？如何用有限人力应对海量数据？ # **一\*\*\*\*AI开启智能安全管理新时代** 通过部署AI视频风险识别系统，我们的安全巡检效率提升了10倍，管理范围从重点区域扩展到全厂覆盖，真正实现了风险管控关口前移。" 倍特威视分享了某汽车制造工厂的数字化转型案例。 "系统有效解决了员工安全素养参差不齐、监管标准执行差异、隐患整改闭环难等痛点。" 通过倍特威视智能算法对2000余路摄像头的实时解析，管理覆盖率从人工巡检的20%提升至95%，安全员工作重心转向高风险作业的深度管控。系统自动识别未佩戴防护装备、违规操作等显性风险，日均处理预警3000余次，拦截85%的可视化安全隐患。 # **二\*\*\*\*大模型赋能风险预测新维度** 为攻克隐性风险识别难题，该厂于2024年6月部署了基于昇腾算力的新一代倍特威视安全生产大模型系统。这套系统不仅能识别肢体动作等表面风险，更能通过设备状态、环境参数、工艺流程等多维数据分析，预判机械故障、疲劳作业等深层隐患。倍特威视表示："大模型就像24小时在线的安全专家，既能抓现行违规，更能教预防之道。" 升级后的系统在《工业企业安全生产标准化基本规范》要求的核心指标上识别准确率达91%，经过产线数据持续训练后性能持续优化。系统突破传统算法局限，可智能分析作业流程的逻辑合理性，如吊装作业路径规划是否合规、高危工序防护措施是否充分等。更通过虚拟现实技术生成标准化操作示范，以"AI教练"模式提升员工安全作业能力。 ## **\# 01\*\*\*\*数据驱动安全管理新生态** 倍特威视深度融合工厂MES、EHS等管理系统，构建起工业知识图谱。通过解析十年事故案例库和百万级操作视频，大模型可精准定位各工序风险特征，为不同岗位定制培训课程。在危化品车间，系统甚至能根据气体浓度变化趋势，提前30分钟预警泄漏风险。 ## **\# 02\*\*\*\*DeepSeek大模型：异常事件分析与领导决策支持** 针对抓取的异常事件，利用DeepSeek大模型的数据总结能力为厂领导提供详细的改善参考意见。例如在某焊接车间，系统通过分析发现违规操作行为，及时为车间主任提供了包括强化现场巡检、增加安全培训等具体的改善建议。根据这些建议，迅速采取措施进行改进，使车间违规操作月均下降82%，安全隐患整改周期从72小时缩短至4小时。 DeepSeek大模型还能通过对历史数据的分析，预测可能发生的异常事件，为领导提供前瞻性的决策支持。 "安全管控经历了两次质变：第一次实现从人防到技防的转变，第二次完成从事后追责到事前预防的跨越。" 当工业大模型遇上视频物联网，安全生产正在经历智能化革命。从被动响应到主动预防，从单点管理到全局洞察，AI视频识别技术正在重新定义工厂安全管理的边界。在这条用算法编织的安全防线上，每个摄像头都成为守护生命的智能哨兵，每帧画面都转化为预防事故的数据护盾。 能够实现上述效果，倍特威视依托于武汉人工智能计算中心云端算力，离不开昇腾AI硬件强大的算力以及昇思MindSpore AI框架的支撑和稳定运行。通过结合MindIE推理引擎，倍特威视安全生产大模型系统在昇腾硬件上实现了高效且稳定地运行。这一结合使得大模型能够充分利用昇腾的强大算力，为工业安全生产作业中的复杂计算任务提供有力支持。尤其是在面对工业场景隐患排查任务时，即使模型输入的prompt长度达到上万，昇腾配合MindIE推理引擎仍能保持出色的性能表现，确保了模型的稳定性和高效性。 未来， 倍特威视将持续携手昇腾与昇思，加速安全生产解决方案的进一步智能化升级，为人身、财产安全保驾护航。 --- https://www.mindspore.cn/news/zh/3644/ --- 新闻 携手昇思，玲珑大模型一体机部署DeepSeek实践 # 携手昇思，玲珑大模型一体机部署DeepSeek实践 2025/03/13 # 携手昇思，玲珑大模型一体机部署DeepSeek实践 --- https://www.mindspore.cn/news/zh/3647/ --- 新闻 魔泊云携手昇腾与昇思，打造AI解决方案加速企业数智化 # 魔泊云携手昇腾与昇思，打造AI解决方案加速企业数智化 2025/03/17 # 魔泊云携手昇腾与昇思，打造AI解决方案加速企业数智化 在当前的数智化浪潮中，生成式人工智能 (GenAI) 正以前所未有的速度重塑各个行业。作为AI领域的创新先锋，魔泊云（MoPaaS）基于昇腾AI硬件与昇思MindSpore AI框架，以DeepSeek和Qwen等国产前沿大模型为基础，打造了一系列令人瞩目的AI解决方案，为企业的数智化转型注入强大动力。 # **\# 01\*\*\*\*大模型应用引擎：融合自主的RAG与Agent技术** 魔泊云的大模型应用引擎融合了自主研发的高性能向量数据库 Lotus (莲花)、RAG 引擎 Falcon (猎鹰)、和 Agent 框架 Acton 技术，旨在加速生成式AI应用的落地。其中，向量数据库Lotus具备强大的可扩展性，在向量相似度检索方面表现卓越，确保了知识搜索的高准确性和速度。 # **\# 02\*\*\*\*RAG应用引擎Falcon：精准内容生成** 基于Lotus，魔泊云的RAG应用引擎Falcon无需改变大模型参数，通过外挂知识库集成特定数据和文件，创建知识图谱，在大模型内容生成过程中融入本地知识，提供更为精准的内容。在智能文档处理方面，它支持图片和公式的智能分段与提取；知识图谱引擎能够自动进行工单分类和分析；智能数据检索采用向量检索结合重排与关键字检索的方式，大大提高检索命中率；智能问答引擎则通过自动重试和过滤无关信息，提升回答质量。该系统还支持主流开源大模型，拥有高安全性，广泛应用于企业搜索、智能问答、故障处理等场景。 # **\# 03\*\*\*\*实践案例：广电行业的成功应用** 以国家广播电视总局下属机构的项目为例，魔泊云提供了软硬件一体机解决方案，采用昇腾AI硬件作为算力底座，搭建智能RAG应用系统。该系统包含本地知识库、RAG引擎、模型管理层等多个功能模块，支持向量数据库无限扩展，对图片、公式等数据的处理能力强大。在实际应用中，它将广电行业通用问题的解答正确率提升到90%以上，特定专业问题的解答正确率更是高达95%以上，远超开源RAG技术。 # **\# 04\*\*\*\*Agent应用系统Acton：构建丰富业务逻辑** 魔泊云的Agent应用系统Acton提供了灵活安全的智能体架构，基于先进开放的 MCP (模型上下文协议)，可以低代码灵活地定义工作流，构建业务逻辑丰富的大模型应用。智能体系统灵活的架构使得开发和接入新的智能体变得非常容易。多个智能体与大模型协同工作，实现了灵活的用户-应用系统交互，以及应用系统与环境的反馈闭环。通过智能体接受指令、感知环境、规划和执行行动策略，系统可以持续地推理、反思、探索和改进，轻松完成复杂的工作流程。 # **\# 05\*\*\*\*全方位支持：助力企业数智化转型** 魔泊云构建了完整的大模型AI应用孵化和加速业务闭环，涵盖大模型技术平台、人才培训、项目辅导和应用共建等环节，以低成本和高效率助力合作伙伴加速大模型应用落地。在智能RAG应用系统的客户案例中，上海申能通过魔泊云的AI大模型平台和智能RAG应用系统，实现了本地化部署，保护了企业数据隐私，丰富的功能模块方便用户微调出符合业务场景的垂域模型，显著提升了员工工作效率和企业生产效率。 魔泊云基于昇腾与昇思的技术融合，为企业提供了切实可行的AI解决方案，帮助企业在人工智能时代实现创新发展。未来，魔泊云将不断探索和创新，为更多行业带来数智化变革，共同开创更加美好的智能未来。 如果您对魔泊云的产品和解决方案感兴趣，欢迎访问官方网站www.mopaas.com了解更多信息。让我们一起紧跟AI时代的步伐，开启企业创新发展的新篇章！ --- https://www.mindspore.cn/news/zh/3652/ --- 新闻 木愚科技携手昇腾与昇思，以千问QwQ32B&Deepseek等大模型为基础推出全栈式智能教育解决方案 # 木愚科技携手昇腾与昇思，以千问QwQ32B&Deepseek等大模型为基础推出全栈式智能教育解决方案 2025/03/21 # 木愚科技携手昇腾与昇思，以千问QwQ32B&Deepseek等大模型为基础推出全栈式智能教育解决方案 3月20日，深圳华为中国合作伙伴大会期间，木愚科技基于昇腾+昇思与QwQ32B、Deepseek等多个AI大模型，发布新一代“AI教育一体机”，以“AI+教育”深度融合为核心，为学校场景打造全栈式智能教育解决方案，助力教育提质增效与AI人才培养的双重目标。 **\# 01** **技术赋能：昇腾与昇思+DeepSeek构建教育智能底座** 在人工智能技术加速渗透教育行业的今天，木愚科技作为教育数字化领域的先行者，推出了基于昇腾+昇思与DeepSeek等多个AI大模型的教育智能一体机，为学校场景提供从内容生产、教学实践到人才培养的全链条智能化升级服务，推动教育数字化转型迈入新阶段。 该一体机依托昇腾AI处理器的强大算力，昇思MindSpore AI框架，结合QwQ32B、DeepSeek等多个AI大模型在教育场景的深度优化，构建了“本地化部署、全场景覆盖、高安全可控”的智能教育底座。该方案支持千亿级参数模型的本地化训练与推理，响应速度大大提升，能耗降低30%，完美适配学校对高性能与低功耗的双重需求。 - \*\*精准教学：\*\*基于DeepSeek等多个AI大模型的自然语言理解能力，系统可自动分析学情数据，生成个性化学习路径，实现“一生一策”的精准教学； - \*\*智能答疑：\*\*支持多模态交互（语音、文本、图像），学生可实时获得解题思路与知识拓展，解决传统课堂“答疑难”痛点； - \*\*动态评估：\*\*通过AI自动生成分层测试题，并实时反馈知识点掌握图谱，帮助教师动态调整教学策略。 **\# 02** **场景落地：从课堂教学到产教融合的全链路覆盖** 木愚科技以昇腾与昇思+QwQ32B&DeepSeek一体机为核心，推出三大创新解决方案： **AI数字内容创作系统** 基于QwQ32B、DeepSeek等多个AI大模型和昇腾算力，实现从教案文本转化为高质量教学视频，数字教师的口型、表情与肢体动作高度拟真，打造沉浸式课堂体验，支持多学科场景适配。 **AI产训一体平台** 基于昇思MindSpore AI框架，支持vLLM、MindIE等推理引擎，整合“实训工具包+算力服务器+真实项目案例库”，提供从理论到实践的一站式AI技能培训。例如，目前正在与深圳大学继续教育学院合作的“人工智能培育项目AIGC公共实训中心”，已实现国产与AI大模型适配，开发AI通识课、实训课题等一体化课程。 **AI教学智能体** 深度融合QwB32B、DeepSeek等多个AI大模型与学校本地数据（课程资料、论文库），构建专属知识引擎，赋能科研与教学双向提升。 支持智能问答、作业批改、学情分析等功能，通过三层架构（模型指令+知识库注入+业务系统对接）实现教学场景深度定制。 **\# 03** **案例丰富：产学研融合助力教育升级** 作为AI教育赛道的破局者，木愚科技依托人工智能行业标准制定、服务千万级用户平台、头部院校共建产学研三大势能，打造产教融合战略高地。其独创的“专业、深度、生产、经验”四维引擎，强势破解传统职教“研发薄弱、场景缺失、闭环不足”等痛点。三十余年致力于教育内容研发，木愚科技深耕产教融合领域，与国内多所顶尖高校构建多元化合作生态。如华中科技大学、深圳大学、广东外语外贸大学、河南师范大学、西南财经大学天府学院、深圳职业技术大学、深圳技师学院等。 **\# 04** **权威认可：政策与市场的双重背书** 木愚科技的产品已通过等保2.0三级认证，数据隐私与系统安全性达到行业顶尖水平。2024年高博会上，其“AI+职业教育”模式，因“技术领先性”与“场景贴合度”获评“人工智能创新示范奖”。 企业同步斩获行业权威认可：主导制定《基于模型的系统与软件工程》国家标准，获评深圳企业创新纪录、中国数字出版创新案例等殊荣，并多次亮相教育部新闻发布会、全国慕课教育创新大会等高端平台。通过"技术研发+教育赋能"双轮驱动，木愚科技正以硬核实力重塑产教融合新范式。 **\# 05** **未来展望：构建教育智能体新生态** 2025年，木愚科技计划联合华为，推动昇腾与昇思+QwQ32B&DeepSeek全栈式智能教育方案在全国多所院校的规模化落地。同时，将开放教育大模型轻量化微调工具，支持学校根据地域特色与专业需求定制专属AI应用，真正实现“千校千面”的智慧教育新图景。 教育数字化不是技术的简单叠加，而是生态的重构与价值的重生。木愚科技以昇腾与昇思为基础，以QwQ32B、DeepSeek等大模型为翼，正在书写“AI+教育”的崭新篇章。未来，我们将持续探索智能技术与教育本质的深度融合，为培养面向未来的创新型人才提供不竭动力。 --- https://www.mindspore.cn/news/zh/3655/ --- 新闻 西安电子科技大学人工智能学院携手昇腾+昇思以千问QwQ-32B&DeepSeek等大模型为抓手，探索智慧教育，智慧科研新方式 # 西安电子科技大学人工智能学院携手昇腾+昇思以千问QwQ-32B&DeepSeek等大模型为抓手，探索智慧教育，智慧科研新方式 2025/03/24 # 西安电子科技大学人工智能学院携手昇腾+昇思以千问QwQ-32B&DeepSeek等大模型为抓手，探索智慧教育，智慧科研新方式 3月20日，西安电子科技大学人工智能学院联合西安昇腾智能科技有限公司基于昇腾+昇思与QwQ-32B、DeepSeek等多个AI大模型，探索新一代"AI教育科研协同平台"，以"AI+教育+科研"深度融合为核心，为高校场景打造全栈式智能教育解决方案，助力教育提质增效与科研范式创新的双重目标。 **\# 01** **技术赋能：昇腾昇思+QwQ-32B&DeepSeek+高校=科研教育的认知中枢** 今天，人工智能技术在时刻加速教育科研的变革，西安电子科技大学作为“人工智能+教育”标杆大学，探索出了基于昇腾+昇思与QwQ-32B&DeepSeek等多个AI大模型的教育智能服务，为高效提供从教学实践、科研攻关到成果转化的全链条智能化升级服务，推动教育数字化转型迈入新阶段。 该平台依托昇腾AI处理器的澎湃算力与昇思MindSpore框架，结合QwQ-32B、DeepSeek在教育科研场景的定向优化，构建"自主可控、多模态交互、安全可信"的智能中枢。支持万亿参数模型的本地化训练与实时推理，响应速度提升40%，能耗降低35%，满足高校对高效运算与节约能耗的双重诉求。 - \*\*智慧教育：\*\*基于QwQ-32B的多维度认知引擎，实现学情动态建模与个性化学习图谱生成； - \*\*科研加速：\*\*DeepSeek大模型驱动文献智能解析、实验方案优化与交叉学科创新； - \*\*知识管理：\*\*构建院校专属知识图谱，实现教学资源与科研成果的智能沉淀与迭代。 **\# 02** **场景落地：教学科研双轮驱动的创新实践** 学院以昇腾昇思+QwQ-32B&DeepSeek平台为核心，打造示范性创新应用： **AI教育认知中枢** 构建多模态教育知识库，整合校内12.6TB教学资源（含课程录像、实验数据 及学术论文），通过QwQ-32B与DeepSeek大模型实现智能语义检索与知识关联，支持师生快速定位所需资料，检索效率较传统系统提升80%。 开发智能教学辅助系统，集成作业自动批改（支持代码/公式识别）、学情动态分析（生成个人能力矩阵图）及个性化学习推荐三大模块。 **智能教研辅助系统** 集成多模态生成能力，支持课件自动优化、虚拟教研室构建与跨校区协同备课。通过QwQ-32B的语义理解生成3D可视化教学案例。 基于昇思MindSpore框架开发分布式训练工具链，支持vLLM、MindIE等推理引擎，做到快速响应教研辅助请求。 **\# 03** **案例丰富：育信息化支撑引领教育现代化** 西安电子科技大学坚持以教育信息化支撑引领教育现代化，利用现代信息技术推动学校环境构建、资源供给、教学模式、评价改革、培训体系、治理服务等方面创新发展，通过“新环境”“新资源”“新教学”“新评价”“新培训”“新治理”等“六新”建设，探索“人工智能+教育”的新模式、新技术、新方法，努力推动学校事业高质量发展。 西电自2003年起，开始培养人工智能方面的人才。整个学校以信息学科为主，师生均具有较强的数字化素养。在探索过程中，西电通过环境、资源、教学、培训、评价、治理等教育六要素的全新构建，建设了具有西电特色的“AI+教育”新生态，为全校师生提供数据支撑、协同运营、预警决策、能力培训、资源制作等教育服务，探索智能时代高等教育新机制与新模式。同时作为“人工智能+教育”标杆大学，西安电子科技大学联合华为、中电科等头部企业，构建"基础研究-技术攻关-产业应用"创新链条。 **\# 04** **权威认可：行业认可与海量积累的背书** 西安电子科技大学“高校数字化转型推动教育教学深化改革的探索与实践”项目获2022年国家级教学成果奖二等奖。以“六新”打造教育教学新生态 推动构建“人工智能+教育”标杆大学 488项源数据标准，88个业务系统、55499张数据表的数据中台，日均数据交换量20亿条，年均增长24.3亿条，逐步实现全校数据互联互通，建成“智能教育大脑”，形成了以数字化转型深化教育教学改革的“西电模式”。 32个智能化模块，支持超30000人次的课程考试，服务本科生、研究生、留学生和继续教育的10余万学生实现个性化学习，构建一个处处能学、时时可学的数字化学习环境“智能教学大平台”，形成“双空间、双师、双院、双证、双创”的育人“新范式”。 AI驱动的数字教师、MOOC出海、多语言翻译……同时，在eMOOC等平台建有课程资源639门，自建思政资源库、“校史校友校庆”育人课程思政资源1753项，平台积累资源802万，形成人技协同的资源供给与共建共享体系。 教育数字化是利用信息技术推动教育创新，促进教育结构重组、流程再造、程序重构，转换教育发展的动力结构，构建更高质量的教育体系的历史进程；利用智能技术赋能教育创新，推动教育全面数字化转型，是深化教育教学改革，提高人才培养质量，推进教育现代化的必然选择。 西安电子科技大学长期坚持信息技术与教育教学深度结合的探索与实践，始终坚持“人”与“信息技术”紧密结合的“人技协同”的人才培养与发展模式，构建了以用促建、以建促新、以新促优的数字化转型推动教育教学改革的发展循环体，重塑了数字经济时代一流本科人才培养体系，打造了“人工智能+教育”标杆大学，形成了可推广可复制可借鉴的整体方案。 **\# 05** **未来展望：构建教育科研智能共同体** 2025年，西安电子科技大学计划联合华为、西安昇腾，推动智能平台在"双一流"高校的深度应用，重点打造： - 教育大模型开源社区：整合开放更多高校资源协同进步。 - 交叉学科创新中心：聚焦"AI+量子信息"，"AI+生物医学"等前沿领域。 - 丝路数字教育港：建设多语言智能教育协作网络。 西安电子科技大学人工智能学院与昇腾AI、西安昇腾智能科技有限公司、DeepSeek等合作伙伴的深度协同，标志着人工智能技术与教育科研融合迈入新阶段。通过构建“AI教育教学智能平台”，我们以技术创新驱动教学范式变革，以数据智能赋能科研效率提升，切实推进教育数字化战略落地。 未来，学院将持续深化“AI+教育”创新实践，围绕国家“新一代人工智能”战略布局，聚焦核心算法突破、跨学科应用拓展及国产化生态建设，着力打造具有示范效应的智慧教育科研体系。我们期待与更多合作伙伴携手，共同探索智能时代教育与科技的融合之道，为培养创新型人才、服务科技自立自强作出更大贡献。 --- https://www.mindspore.cn/news/zh/3659/ --- 新闻 昇思携手openEuler打造的DeepSeek全栈开源方案亮相华为伙伴大会 # 昇思携手openEuler打造的DeepSeek全栈开源方案亮相华为伙伴大会 2025/03/25 # 昇思携手openEuler打造的DeepSeek全栈开源方案亮相华为伙伴大会 2025年3月20 - 21日，深圳——在华为伙伴大会现场，OpenAtom openEuler（简称"openEuler"）社区联合MindSpore社区以生态共建者身份发布了openEuler与MindSpore DeepSeek全栈开源方案，此次发布标志着全栈开源方案发展成熟。现场演示&参与展台吸引了超100家行业龙头企业代表及产业专家围观。 本次发布的openEuler与MindSpore DeepSeek全栈开源方案，实现了端到端部署时长天级到分钟级，大并发推理吞吐达到1400Tokens/s，DeepSeek大模型推理性能开箱即优。openEuler实现以下核心技术： \*\*1） Function Call：\*\*实现语言大模型对工具的调用 ； \*\*2）RAG：\*\*通过检索增强生成构建企业领域知识库； **3）openEuler **大模型智能系统**:** 通过Function Call 精准选择agent执行，提升任务执行效率； \*\*4）openEuler 异构融合细粒度感知调度：\*\*感知细粒度异构资源，对业务进行精准协同调度，提升整体推理性能； **5**\*\*）vLLM-MindSpore插件：\*\*支持MindSpore原生大模型接入vLLM框架，通过整图编译、量化等能力加速推理。 \*\*6）毕昇异构融合编译：\*\*支持全链路软件栈编译优化和昇腾算子编译优化与融合。 值得关注的是，此方案正式发布前，openEuler社区、MindSpore社区与北京大学完成了场景验证，首次打通openEuler与MindSpore DeepSeek全栈开源推理方案的生产环境部署实践。相关技术细节可浏览《北京大学联合openEuler与MindSpore发布DeepSeek全栈开源解决方案》。 01 **技术亮点剖析** openEuler与MindSpore DeepSeek全栈开源方案，基于行业发展态势与全栈开源客户潜在需求，本次发布的全栈方案提出了以下技术亮点： **Function Call特性** Function Call是大型语言模型（LLM）API中的革命性功能，它赋予开发者定义自定义函数的能力，使AI能够智能判断何时调用特定函数，并返回结构化数据。开发者通过JSON Schema定义函数名称、参数及类型等，系统智能分析用户输入的自然语言，当检测到需要调用外部功能时，模型自动匹配最合适的函数，生成符合预定格式的参数数据。这项技术彻底改变了传统API交互模式，将自然语言处理与程序化功能调用完美融合。 该全栈开源技术架构中，openEuler与MindSpore DeepSeek基于vLLM支持Function Call特性。openEuler提供安全可靠的异构计算环境，MindSpore实现动态计算图优化，DeepSeek V3/R1模型作为基座处理语义理解。通过异构融合内存、异构融合调度、毕昇异构融合编译与MindSpore算子融合等技术，openEuler 大模型智能系统利用语言大模型对工具的调用。 **RAG检索增强生成特性** 检索增强生成（RAG）作为大型语言模型（LLM）领域的一项关键创新，通过将实时检索系统与强大的文本生成能力相结合，有效地克服了传统模型受限于静态知识库的局限性。 这种机制相当于为语言模型配备了一个可以实时更新的“外部大脑”，使得AI系统不仅能够保持其自然语言处理的优势，还能够动态地访问最新且最相关的领域知识。对于企业用户而言，openEuler 大模型智能系统 提供了一个理想的解决方案，可以基于私有领域的数据构建专门的知识库，并将其无缝集成至领先的大规模语言模型中。这使得企业能够迅速搭建起高效的问答系统，确保响应内容既贴合企业的具体需求，又能及时反映最新的行业动态和技术进展。 **openEuler 大模型智能系统** Agent是大型语言模型（LLM）的重要应用，Agent根据设定的目标，确定好需要履行特定角色，自主观测感知环境，检索历史记忆以及相关知识，通过推理规划分解任务并确定行动策略，并反馈作用于环境，以达成目标。在这个过程中Agent持续学习，以像人类一样不断进化。 openEuler 大模型智能系统基于大模型构建智能运维、智能调优Agent, 通过推理抽象业务流程特征分解智能运维调优任务：运维流程分解为故障感知、故障定界、故障定位子任务，调优流程分解为数据采集、负载感知、参数推荐、智能调优子任务，通过Function Call精准选择小模型执行子任务，提升任务的执行效率。并且智能运维调优Agent结合故障模式库和调优参数知识库等领域知识，围绕RAG检索增强能力，智能推荐运维手段和调优参数，进一步提升了运维调优效率。 **openEuler 异构融合细粒度感知调度** 通过实时采集计算节点状态、任务特征及业务优先级等多维度数据，在业务容器中构建动态决策模型，实现CPU核级、内存页级甚至缓存行级的资源划分，突破传统系统调度隔离边界，支持毫秒级资源配额动态调整。针对高并发场景下推理服务、分布式计算组件Host侧资源争用的痛点，利用NUMA感知的细粒度算力与内存资源隔离，降低单并发推理时延；通过线程特性感知的细粒度内存分配、高性能代码段大页机制，在控制内存开销的同时，提升Host侧性能与整体推理吞吐。 针对MoE大模型数据并行不均衡与稀疏访存效特点，系统通过实时采集节点算力与设计拓扑结构，优先将算子下发进程映射到相应的NPU节点，减少跨NUMA通信开销。进一步通过Host/Device OS协同内存管理实现多粒度动态混合页、按需内存分配，减少页表访存开销同时提升显存利用效率，进而推高大并发推理吞吐。 **MindSpore 图编译&量化&vLLM插件** 为了获得极致的DeepSeek-V3/R1推理性能，MindSpore通过Jit编译的方式将模型实时编译成计算图，通过模式匹配自动寻优Cube-Vector计算，Vector-Vector计算、通信-计算等多类型算子组合的融合策略。相比于单一算子，计算类算子融合可显著降低数据的存取耗时，通信-计算类融合可有效压缩通信气泡。 为了适配vLLM框架，昇思MindSpore开发了vLLM-MindSpore插件，无缝支持了vLLM框架的Continuous Batching、Chunked Prefill等核心特性，并通过Multi-Step Scheduling缓解了服务调度时延瓶颈。 **毕昇编译优化&异构融合编译** 毕昇编译器通过架构亲和优化、循环优化、多级并行优化、指令优化、智能编译选项和链接时优化等编译技术，能够显著提升ARM 架构（尤其鲲鹏处理器）上的应用性能。在openEuler与MindSpore DeepSeek全栈开源方案中，使用llvm for openEuler针对算子下发阶段的性能瓶颈，通过CFGO优化、选项调优和链接时优化等技术优化Python、Mindspore和Ray等应用，使代码布局更优，有效提高程序IPC；通过架构亲和的原子指令优化和Malloc、Memcpy/Memset高性能库优化，提高内存利用效率，降低访存开销，进而降低时延，提高吞吐率。 毕昇异构融合算子优化技术为Multi-Step Scheduling等特性支持上，昇腾侧算子快速生成与编译支持，满足特性快速上线与开箱性能保证。结合Mindspore图编译，使能Vector-Vector、Cube-Vector、通信-计算等多类型融合算子的生成与编译优化。 02 **未来蓝图披露** 基于目前AI行业发展态势与开源软件客户潜在需求，openEuler全栈开源方案已规划出清晰的技术演进方向。通过下图所示技术路线，将在异构融合调度、DDR/HBM内存池、算子融合优化及异构编译器等方面实现持续突破。 03 **产业生态共建** openEuler社区已面向开发者开源核心技术方案，诚邀行业伙伴、高校与个人开发者交流合作方案，通过联合创新实验室加速场景落地。可添加小助手微信加入 SIG-Long微信交流群，或访问Gitee平台了解相关材料、提交issue （https://gitee.com/openeuler/llm\\\_solution），与openEuler、MindSpore社区专家共筑智能未来。 --- https://www.mindspore.cn/news/zh/3663/ --- 新闻 三象智能基于昇腾及昇思MindSpore，以DeepSeek&QwQ-32B等为基础大模型打造智能工作流升级解决方案 # 三象智能基于昇腾及昇思MindSpore，以DeepSeek&QwQ-32B等为基础大模型打造智能工作流升级解决方案 2025/03/26 # 三象智能基于昇腾及昇思MindSpore，以DeepSeek&QwQ-32B等为基础大模型打造智能工作流升级解决方案 在数字化转型加速的今天，企业如何高效处理海量对话数据？如何确保文档对比的精准性与时效性？如何以有限人力应对广告内容审核的复杂需求？三象智能基于昇腾及昇思MindSpore，为企业打造智能工作流升级解决方案。 **\# 01** **AI对话：深度理解，让服务更高效** 基于昇腾和昇思MindSpore部署DeepSeek R1&QwQ-32B大模型后，三象智能平台的AI对话能力在高并发场景中表现尤为亮眼。以某城市地铁广告智能客服系统为例，面对日均超百万人次的客流咨询，模型通过多语言混合解析与上下文意图捕捉技术，可精准响应乘客提问。例如，当用户询问“A站到B站的最快路线”时，系统不仅提供换乘方案，还会关联推荐沿线广告商家的优惠活动，日均处理咨询量提升至10万次，响应速度缩短至2秒内。 针对广告合作方的专业咨询，模型同样表现卓越。某广告代理公司接入系统后，针对“广告位档期查询”“投放效果数据调取”等高频需求，AI客服的首次解决率从58%跃升至91%。系统还能通过多轮对话逻辑推理，自动生成定制化投放建议——如根据节假日人流预测，推荐黄金点位组合，助力客户广告转化率提升30%。 **\# 02** **AI文档对比：毫秒级定位差异，让合规更高效** 针对合同、报告等文件的精细化比对需求，DeepSeek R1&QwQ-32B等大模型突破传统规则限制，实现多格式智能解析与跨版本差异定位。系统可自动识别PDF、Word、扫描件中的文字、表格及签章区域，关键条款对比准确率达99.5%。以某企业合同修订为例，系统在3秒内完成200页中英文混合协议的版本比对，精准标注付款周期、违约责任等12类核心条款变动，人工复核耗时减少90%。 同时，模型创新支持逻辑一致性校验。在法务场景中，不仅能发现文字差异，还能分析条款关联性——如检测到“争议解决条款”修改却未同步更新“管辖权条款”，系统将自动触发风险预警，帮助企业规避潜在法律纠纷。 **\# 03** **AI广告内容审核：动态风控，让品牌更安全** 三象智能基于昇腾和昇思MindSpore部署DeepSeek R1&QwQ-32B大模型构建舆情联动审核系统，首次实现广告内容与实时舆情的动态匹配。系统每日自动联网抓取全网舆情数据，同步更新公众人物、热点事件的风险标签。例如，某食品品牌近期投放的广告中涉及某明星代言，因该明星陷入舆论风波，系统通过实时检索全网资讯，5分钟内识别风险并自动拦截广告上线，避免品牌形象受损。 此外，模型基于《广告法》及行业规范，可精准识别“绝对化用语”“虚假宣传”等传统违规内容。在近期案例中，系统日均拦截风险广告超1.5万条，其中因舆情风险触发的拦截占比达25%。更通过多模态关联分析，识别隐蔽性违规——如某运动品牌广告中，背景音乐与争议事件关联，系统结合音视频与文本数据综合分析后自动下架，误判率低于0.5%。 **\# 04** **技术赋能，未来可期** 三象智能依托DeepSeek R1&QwQ-32B等大模型的强大能力，正在重新定义企业效率的边界。从精准对话到智能风控，每个功能升级都在为数字化转型注入新动能。 能够实现上述的效果，离不开昇腾与昇思MindSpore的保驾护航，昇腾AI硬件强大的算力以及昇思MindSpore AI框架对大模型性能及设备稳定性的支撑，并且同时支持vLLM 、MindIE等推理引擎，确保三象智能智能工作流高效且稳定运行。 未来，三象智能视将持续携手昇腾与昇思MindSpore，加速AIGC解决方案的进一步智能化升级，为企业提供更敏捷、更智慧的解决方案。 --- https://www.mindspore.cn/news/zh/3664/ --- 新闻 法本信息携手昇腾&昇思：基于DeepSeek&QwQ-32B等打造企业级AI解决方案新范式，引领行业智能化变革 # 法本信息携手昇腾&昇思：基于DeepSeek&QwQ-32B等打造企业级AI解决方案新范式，引领行业智能化变革 2025/03/27 # 法本信息携手昇腾&昇思：基于DeepSeek&QwQ-32B等打造企业级AI解决方案新范式，引领行业智能化变革 在数字经济与实体经济深度融合的浪潮下，法本信息作为国内软件与信息技术服务领域的领军企业，基于昇腾AI基础软硬件平台及昇思MindSpore开源框架，构建“AI大模型+行业场景”的创新解决方案。依托昇腾强大的算力底座、高效的昇思AI框架、DeepSeek&QwQ-32B等国内知名大模型，以及法本信息在垂直领域的场景化落地能力，三方联合打造了覆盖智能编码、知识管理、智能制造、安全生产等领域的全栈式AI解决方案，为企业智能化转型提供技术引擎。 法本信息加入华为昇腾万里伙伴计划 作为昇腾AI、华为云核心生态伙伴，法本信息在昇腾、昇思MindSpore、鲲鹏、HiCar、鸿蒙生态、多方面产业保持长期合作，致力于支持昇腾、昇思等生态的产品技术投入，赋能千行百业场景应用和服务创新。 **\# 01** **昇腾算力+昇思框架+法本场景化能力** **协同打造行业智能化方案“最优解”** \*\*算力基石：\*\*基于昇腾AI硬件的高性能计算能力，法本信息FarAI系列产品可高效处理海量数据与复杂模型训练任务，即使在万级Prompt长度的工业场景下，仍能保障毫秒级响应与99.9%的系统稳定性。 \*\*开发提效：\*\*借助昇思MindSpore的自动并行、动静态图统一等特性，法本信息模型及解决方案研发效率大幅提升，并实现FarAI系列产品与DeepSeek大模型的快速适配及迭代升级。 \*\*场景深耕：\*\*法本信息结合行业Know-How，将大模型能力深度融入企业核心业务流。例如，在招聘领域，基于昇腾算力、昇思框架及DeepSeek&QwQ-32B等大模型打造的“AI+智能招聘”解决方案，已成功应用于汽车、能源等行业，显著提升风险预警准确性，并大幅优化隐患整改效率。 **\# 02** **行业标杆实践成果涌现AI驱动企业安全与效率双升级** **案例1：AI重塑智能招聘体系** 法本信息联合昇腾推出“FarAI GPTRecruit智能招聘解决方案”，全面革新企业人才选拔与管理流程。 \*\*人才筛选精准化：\*\*基于DeepSeek&QwQ-32B等大模型的深度语义理解能力，智能解析岗位需求与候选人简历中的关键信息，显著提升简历筛选的精准匹配度，实现人才初筛效率的跨越式提升。 \*\*面试流程智能化：\*\*通过DeepSeek&QwQ-32B等大模型生成与岗位高度契合的面试题库，覆盖技术能力、场景模拟等维度，并实时分析候选人回答内容，为面试官提供多维度的评估建议，使面试决策效率显著优化。 \*\*决策支持科学化：\*\*利用DeepSeek&QwQ-32B等大模型对历史招聘数据与行业趋势的分析，预测人才流失风险与关键岗位适配难度，帮助企业预测人才风险并制定战略储备策略。在实践中，系统有效缩短核心岗位招聘周期，同时提升高匹配度候选人的长期留存效果。 \*\*全流程闭环优化：\*\*结合昇腾算力、昇思MindSpore框架与MindIE/vLLM推理引擎，系统可实时处理万级并发的简历数据与面试视频流，并基于动态反馈优化模型。在实际测试中，AI驱动的面试评估与人工复核结果一致率达95%，助力企业构建标准化、可追溯的招聘管理体系。 \*\*业务闭环创新：\*\*方案深度融合企业HRM系统与人才数据库，构建“智能筛选-精准评估-战略规划”的一体化平台，显著降低招聘综合成本，并提升人才与岗位的长期契合度。 **案例2：代码开发与知识管理效率革命** \*\*FarAI GPTCoder：\*\*在某运营商辅助编码项目中，基于DeepSeek-R1&QwQ-32B等大模型的代码生成与审查能力，显著提升开发效率与代码质量，成为行业智能化研发标杆。 \*\*FarAI GPTBrain：\*\*结合昇腾算力与多模态处理技术，企业知识检索准确率跃升至90%，平均响应时间低于0.5秒，支撑超大型集团实现知识资产高效流转与智能决策。 基于昇腾AI的知识大脑GPTBrain系统整体架构 **\# 03** **技术底座+场景能力双轮驱动法本信息携手华为赋能千行万业** 法本信息将持续深化与昇腾、昇思的生态合作，聚焦三大方向： \*\*技术纵深：\*\*优化昇腾算力与DeepSeek&QwQ-32B等大模型的协同机制，攻克长尾场景下的模型泛化与实时推理难题； \*\*行业渗透：\*\*拓展AI解决方案在金融、能源、医疗等领域的应用，推出“AI+合规风控”“AI+智能运维”等新产品线； \*\*生态共建：\*\*联合昇腾AI人才发展计划，培养兼具算法能力与行业洞察的复合型人才，加速AI技术普惠化进程。 在昇腾与昇思MindSpore的技术赋能下，法本信息正以FarAI系列产品为核心，构建“端到端”的智能化服务体系。从代码生成到安全生产，从知识管理到风险预测，法本信息始终站在技术与场景融合的最前沿，助力企业实现效率跃升、成本优化与价值创新。未来，法本信息将继续携手昇腾、昇思生态伙伴，以AI之力驱动产业变革，让智能技术真正成为企业高质量发展的核心引擎。 --- https://www.mindspore.cn/news/zh/3668/ --- 新闻 化学研究全自动化！昇思助力中科大团队打造多智能体驱动的机器人AI化学家 # 化学研究全自动化！昇思助力中科大团队打造多智能体驱动的机器人AI化学家 2025/04/01 # 化学研究全自动化！昇思助力中科大团队打造多智能体驱动的机器人AI化学家 化学实验室的未来正在发生翻天覆地的变化，而这一变化的核心驱动力之一便是大语言模型（LLM）和机器人技术的结合。近年来，在化学和材料科学领域，LLM的应用正在加速科学研究的进程。尽管LLM在化学研究中展现了巨大的潜力，现有的系统大多局限于单一任务或简单实验，难以应对复杂的多步骤、多站点实验。 中国科学技术大学罗毅&陈林江&张飞&尚伟伟&傅尧&江俊团队在《J. Am. Chem. Soc.》报道了一种名为ChemAgents的多智能体系统，结合了LLM和自动化机器人技术，能够自主执行复杂的化学实验，极大地减少了人为干预。 这项研究的核心目标是解决如何在复杂的实验场景中有效利用LLM，构建一个能够按需执行化学任务的自动化系统。**通过多智能体的协作，ChemAgents不仅能够自主设计实验、执行实验，还能通过机器学习模型进行数据分析和优化，最终实现化学研究的全自动化。** **该研究使用的大语言模型是基于昇思MindSpore的Llama-3.1-70B模型，目前已在MindSpore Transformers开源。** **\# 01** **多智能体系统介绍：** **1、多智能体系统：ChemAgents的架构** ChemAgents的核心是一个基于Llama-3.1-70B大语言模型的多智能体系统，其中含有一个“任务管理”智能体，并对“文献阅读”“实验设计”“机器操控”和“计算执行”等另外四个智能体进行管理。这些智能体能够接受文字指令进行相应的操作，随后输出可解释的结果。四个智能体分别通过文献数据挖掘与知识整合、实验流程生成与逻辑验证、实验指令到机器人代码的转化与执行和模型预测与迭代优化等步骤，实现自动化化学研究。此外，ChemAgents背后还拥有四个基础资源库：科学文献数据库、实验方案文库、机器学习模型(已预训练)文库以及化学实验室自动工作站。 这种多智能体驱动的AI机器化学家可以解决以下三个复杂度逐渐提高的问题：(1)合成或表征所需化合物；(2)拓展或筛选所需功能材料的实验参数；(3)通过挖掘文献、计算建模和闭环优化，发现功能材料。 图1 ChemAgents的多智能体系统架构（展示了ChemAgents的四个角色特定智能体如何通过任务管理器进行协作，完成复杂的化学研究任务） 图2 各智能体的详细架构（展示了文献阅读器、实验设计器、机器人操作员和计算执行器的内部架构，详细说明了每个智能体如何利用外部工具和资源完成任务） **2、自动化实验室：机器人与实验站的完美结合** ChemAgents的自动化实验室配备了多种实验设备，包括液体分配器、固体分配器、磁力搅拌器、干燥器、红外光谱仪、X射线衍射仪等。实验室中的机器人能够根据实验设计器的指令，自动执行实验步骤，并实时收集数据。 例如，在金属氧化物合成实验中，机器人成功合成了六种不同的金属氧化物（如ZrO2、ZnO等），并通过X射线衍射（PXRD）进行了表征，结果与标准数据高度吻合。 图3 六项实验任务的结果（展示了ChemAgents在六项不同实验任务中的表现，包括金属氧化物的合成与表征、光催化降解有机污染物、以及金属-有机高熵催化剂的发现与优化） **3、从实验到优化：机器学习的强大助力** ChemAgents不仅能够执行实验，还能通过机器学习模型进行数据驱动的优化。在金属-有机高熵催化剂（MO-HEC）的发现任务中，系统通过文献阅读器确定了五种常见的金属元素（Co、Ni、Fe、Mn、Cu），并通过实验设计器和机器人操作员合成了100种不同比例的MO-HEC。随后，计算执行器利用贝叶斯优化和预训练的机器学习模型，成功找到了性能最优的催化剂，其过电位（overpotential）显著低于随机合成的样品。 **4、复杂任务的自主执行：从合成到光催化反应** ChemAgents还展示了其在复杂任务中的自主执行能力。在光催化有机反应任务中，系统成功执行了芳基卤化物的光催化脱卤反应，并通过气相色谱-质谱（GC-MS）分析了反应产物。实验结果显示，反应24小时后，起始材料几乎完全转化为目标产物，验证了系统在有机化学研究中的潜力。 图4 自动化实验室的实验流程（展示了ChemAgents在自动化实验室中执行光催化有机反应的实验流程，包括样品制备、液体转移、光催化反应和产物分析） **\# 02** **总结与展望** 这项研究标志着化学研究向全自动化迈出了重要一步。通过结合大语言模型、多智能体系统和自动化机器人技术，ChemAgents能够自主执行从实验设计到数据分析的全流程任务，极大地提高了化学研究的效率和精度。 ChemAgents的模块化架构使其能够灵活适应不同的研究需求，不仅适用于化学领域，还可以扩展到生物学、材料科学等其他学科。未来，随着更多自动化实验室的建设和LLM技术的进一步发展，ChemAgents有望成为科学研究的“标配”，推动科学发现的加速和民主化。 ChemAgents所使用的基于MindSpore的Llama-3.1-70B模型，目前已在MindSpore Transformers开源，欢迎开发者们使用。 **文章链接** Tao Song, Man Luo, Xiaolong Zhang, Linjiang Chen,\* Yan Huang, Jiaqi Cao, Qing Zhu, Daobin Liu, Baicheng Zhang, Gang Zou, Guoqing Zhang, Fei Zhang,\* Weiwei Shang,\* Yao Fu,\* Jun Jiang,\* and Yi Luo\*. A Multiagent-Driven Robotic AI Chemist Enabling Autonomous Chemical Research On Demand. J. Am. Chem. Soc. 2025, DOI: 10.1021/jacs.4c17738 --- https://www.mindspore.cn/news/zh/3671/ --- 新闻 翔迅科技基于昇腾和昇思MindSpore打造翔迅大模型DeepSeek智能办公版，助力行业办公场景AI赋能 # 翔迅科技基于昇腾和昇思MindSpore打造翔迅大模型DeepSeek智能办公版，助力行业办公场景AI赋能 2025/04/02 # 翔迅科技基于昇腾和昇思MindSpore打造翔迅大模型DeepSeek智能办公版，助力行业办公场景AI赋能 随着人工智能技术的极速发展，大模型正在向行业应用深度拓展。如何在复杂的办公场景中实现高效、精准的智能化应用，已成为业界关注的焦点。西安翔迅科技有限责任公司（以下简称“翔迅科技”），以多年工业研究扎实的技术经验为背景，以强大的人工智能技术团队为利剑，在西安昇腾智能科技有限公司的AI算力支持下，基于昇腾AI硬件+昇思MindSpore AI框架，打造出了“翔迅大模型DeepSeek智能办公版”。通过知识蒸馏、定制化微调、垂直领域知识库及大规模数据处理等技术，为办公场景提供了新的解决方案，助力行业办公数字化、智能化转型。 ### **\# 01** **知识蒸馏：高效运行赋能即时响应** 在行业办公领域，对AI模型的实时性和运行效率有着极高的要求，基于昇腾AI硬件+昇思MindSpore AI框架打造的翔迅大模型DeepSeek智能办公版利用知识蒸馏技术，将复杂的大模型精简为高效运行的轻量级模型，在不损失模型基础能力的前提下，显著降低计算资源的消耗。使得大模型在面对海量数据的浪潮时，仍然能够保持快速响应。 ### **\# 02** **定制化微调：专业领域精准匹配** 行业办公场景具有高度专业性和特殊性，通用大模型难以满足其特定的某些需求。基于昇腾AI硬件+昇思MindSpore AI框架打造的翔迅大模型DeepSeek智能办公版依托独有的数据资源，成熟的微调技术，能够做到快速适应特定的任务。 ### **\# 03** **垂直领域知识库及大规模数据处理：构建行业智慧堡垒，驱动复杂场景智能化** 行业办公的专业性要求大模型必须具备深厚的领域知识和大规模数据处理能力，在将垂直领域的知识库结合微调技术进行训练后，基于昇腾AI硬件+昇思MindSpore AI框架打造的翔迅大模型DeepSeek智能办公版能够快速理解和适应特定任务，凭借着强大的多模态数据处理能力，能够对内部积累的海量数据进行快速解析，完成数据预处理、特征提取、智能分析全链条自动化。 ### **\# 04** **行业应用案例：翔迅大模型DeepSeek智能办公版赋能行业办公场景** **一** **某商务公司** **场景一：商务文档写作** 商务办公中经常需要撰写各种汇报材料和商务文档，翔迅大模型在进行垂直领域资料+微调技术训练后，能够准确理解工作人员的具体需求，快速且精准地生成符合要求的文档资料，工作人员只需进行审核微调即可直接使用。效率是人工写作的10倍以上，大大提高了人员办公效率。 **场景二：商务数据分析** 商务办公中常常需要对历史数据进行研判分析，以便开展相关工作。该项工作中要进行大规模的数据检索、数据汇总、数据分析研判，需要耗费大量时间和人力，翔迅大模型凭借强大的多模态数据处理技术，能够从海量数据中快速准确地检索到特定信息，进行数据提炼、分析和汇总，将工作人员从繁杂的数据检索统计工作中解放出来，极大地提高了人员的工作效率。 ### **二 **某单位维修部**** ****场景一：维修知识学习**** **在飞机维修过程中，由于故障种类繁多，涉及的知识面较广。经验不够丰富的维修人员常常需要通过查询相关知识文档及历史维修案例，从中获取相关指导，由于文档和案例数量庞大，人工查找耗时耗力，部署翔迅大模型后，可直接通过文档名称、内容、关键字快速检索到对应的文档，此外，还可直接通过对话问答方式获取相关知识和维修指导，不仅提高了维修人员的工作效率，同时也巩固了维修知识。此外，翔迅大模型就像一个维修经验丰富的老员工，能够将丰富的维修经验“传授”给新员工，起到了“传帮带”的作用。** ****场景二：维修作业**** **在进行维修作业之前，需要将待维修的部件入库，以前通过台账或简单的数据管理软件进行记录，需要人工随时跟进维修情况，更新状态，维修过程也全凭维修人员的历史经验和知识储备。无法保证维修时间，缺少统一的维修标准。在接入翔迅大模型后，为维修工作建立了一套标准化作业流程。能够将待维修部件快速入库，通过知识图谱关联各种维修部件的信息，加入历史案例参考、维修标准作业流程、故障树、电路图等信息，即使是经验不足的维修人员也能够参考标准检查流程、历史故障案例来进行相关维修操作和记录。整体工作效率提高超过60%。** ### ****\# 05** **未来展望：深耕行业领域，引领行业创新**** **翔迅大模型的目标是为行业领域提供真正可落地的智能化解决方案。未来，翔迅科技会继续在大模型领域深耕，将大模型应用拓展至更多的办公细分场景，推动各行业在办公领域的全面智能化转型。翔迅科技计划与昇腾+昇思生态紧密合作，在西安昇腾的算力支持下，基于昇思MindSpore AI框架拓展模型在特定领域的技术边界，进一步巩固大模型在行业办公领域的技术优势，为行业注入新的活力与动能。** --- https://www.mindspore.cn/news/zh/3673/ --- 新闻 重磅升级！MindSpore Quantum 0.10.0 正式发布，量子算法开发更灵活、更高效 # 重磅升级！MindSpore Quantum 0.10.0 正式发布，量子算法开发更灵活、更高效 2025/03/28 # 重磅升级！MindSpore Quantum 0.10.0 正式发布，量子算法开发更灵活、更高效 量子计算已进入工程化阶段，发展一日千里，已经具备超越经典计算机的潜力，被认为是未来具有颠覆性影响的新型计算模式。要构建一套完整的量子计算机系统，发挥量子计算机的算力，除了量子硬件以外，量子软件和量子算法是必不可缺的组成部分。 Mindspore Quantum是昇思MindSpore社区推出的全新量子经典混合计算框架，能够高效地支持主流的量子算法和经典量子混合算法，不但在量子机器学习、量子化学模拟和量子组合优化等变分量子算法上有着卓越的性能，而且在量子化学模拟规模上也处于领先地位，为量子计算的研究和发展提供了一个高效的开发环境。 MindSpore Quantum的核心优势包括： - \*\*高性能模拟：\*\*推出CPU和GPU架构优化的高性能量子模拟器，支持单/双精度模拟模式切换，满足不同精度需求。 - \*\*NISQ算法支持：\*\*高效支持量子机器学习、量子化学模拟和量子组合优化等主流变分量子算法。 - \*\*电路编译优化：\*\*内置量子电路编译和量子比特映射算法，确保在真实量子芯片上实现最佳性能。 - \*\*简洁易用：\*\*提供丰富且高度集成的量子编程接口，降低开发难度，提升开发效率。 - \*\*深度学习集成：\*\*与MindSpore深度结合，让混合量子-经典算法开发更高效。 经过开发者们几个月的精心打磨，MindSpore Quantum 0.10.0 版本终于正式上线！本次版本不仅升级了量子模拟器和线路编译工具，更引入了全新的高维量子系统支持，助力科研创新和实际应用。快来一起看看吧！ 新版本的亮点主要包括以下四大方面： MindSpore Quantum 0.10.0对部分场景下的模拟器性能进行了优化： - 大幅减少了量子电路首次执行的初始化耗时，使迭代开发和调试过程更加流畅，极大改善了交互式计算体验。 - Simulator.sampling()函数在处理大量采样任务时的性能也得到了显著提升，现在采样次数shots的增加将不会再显著增加耗时。 ### **\# 02** **量子线路编译与优化能力提升，线路深度减少50%** 量子线路优化和编译是量子算法落地的关键步骤之一。更好的线路编译工具，意味着更短的线路深度、更少的门数，从而有效减少量子设备运行时的误差，提升算法成功率。 MindSpore Quantum 0.10.0 新增以下线路编译相关功能： - U3Fusion功能可以将连续的单量子比特门融合为为单个 U3 门，大幅降低线路复杂度； - 通过DecomposeU3功能可以将 U3 门分解为 Z-X-Z-X-Z 旋转序列，实现对指定量子设备的兼容； - 新增线路深度计算方法Circuit.depth()，助力开发者快速评估线路复杂度与效率。 示例代码 `from mindquantum.core.circuit import Circuit from mindquantum.algorithm.compiler import U3Fusion, DecomposeU3, compile_circuit circ = Circuit().rx(1.0, 0).ry(0.5, 0).rz(0.7, 0) fused_circ = compile_circuit(U3Fusion(), circ) decomposed_circ = compile_circuit(DecomposeU3(), fused_circ)` 通过上述代码，我们可以看到量子线路编译的整个流程：首先将多个连续的单比特门融合为单个U3门，显著减少门数量；然后根据硬件需求，可以将U3门分解为基本旋转门序列，实现对特定量子设备的兼容。这种优化不仅降低了线路深度，还能有效减少量子噪声对计算结果的影响，提高算法在真实量子设备上的成功率。 ### **\# 03** ### **量子模拟器功能增强，新增约化密度矩阵计算** 量子模拟器是量子算法开发的重要工具，研究人员常常需要分析系统的局部量子态或约化密度矩阵，以深入理解算法表现与纠错效果。 MindSpore Quantum 新版本新增了以下实用功能： **1）特定量子比特子集状态提取 (get\_qs\_of\_qubits)：** - 直接关注您感兴趣的量子比特状态 - 支持以Dirac符号（ket形式）输出，增强可读性（支持混态！） - ket设置为False时，对纯态返回态矢量，对混态返回密度矩阵 **2）约化密度矩阵计算 (get\_reduced\_density\_matrix)：** - 通过偏迹运算，获得指定量子比特的约化密度矩阵 - 在研究量子纠缠、量子信息理论和开放量子系统时不可或缺 `from mindquantum.simulator import Simulator from mindquantum.core.circuit import Circuit # 创建包含量子叠加和量子纠缠的线路 circuit = Circuit().h(0).x(1, 0).x(2, 0).h(2) sim = Simulator('mqvector', 3) sim.apply_circuit(circuit) # 获取{q0, q2}量子比特子系统的量子态 state = sim.get_qs_of_qubits([0, 2], ket=True) print(f"量子比特0和2的状态:\n{state}") # 获取约化密度矩阵 rho = sim.get_reduced_density_matrix([0, 2]) print(f"量子比特0和2的约化密度矩阵:\n{rho}")` `量子比特0和2的状态: 1/2(-√2/2¦00⟩ + -√2/2¦10⟩) + 1/2(-√2/2¦01⟩ + √2/2¦11⟩) (mixed state) 量子比特0和2的约化密度矩阵: [[ 0.25+0.j 0. +0.j 0.25+0.j 0. +0.j] [ 0. +0.j 0.25+0.j 0. +0.j -0.25+0.j] [ 0.25+0.j 0. +0.j 0.25+0.j 0. +0.j] [ 0. +0.j -0.25+0.j 0. +0.j 0.25+0.j]]` 这个结果表明，量子比特q0和q2构成的子系统处于一个混态，这个混态是由1/2(-√2/2¦00⟩ + -√2/2¦10⟩)和1/2(-√2/2¦01⟩ + √2/2¦11⟩)这两个叠加态组成。 ### **\# 04** ### **全新高维量子态模拟功能上线** 传统量子计算通常使用二能级量子比特（Qubit）作为基本单元。然而，在量子纠错、量子通信和高维量子模拟等前沿领域中，更高维的量子系统（如三能级的 Qutrit 或更高维的 Qudit）展现出巨大潜力。 MindSpore Quantum 0.10.0 推出了全新的对称编码与解码工具，轻松实现高维量子态与量子比特之间的转换： - 新增 qudit\_symmetric\_encoding和 qudit\_symmetric\_decoding 功能，自动实现 Qudit 与 Qubit 间的高效转换； - 新增 qutrit\_symmetric\_ansatz，自动构造满足对称编码的量子线路，支持ZYZ和U3两种常用基分解。 例如，我们只需简单的几行代码即可实现高维量子态编解码： `import numpy as np from mindquantum.algorithm.library import ( qudit_symmetric_encoding, qudit_symmetric_decoding, ) # 归一化的qutrit态 qutrit = np.array([0.5, 0.5, 0.7071]) qutrit = qutrit / np.linalg.norm(qutrit) print("原始qutrit态:", qutrit) # 编码为qubit态 qubit_state = qudit_symmetric_encoding(qutrit) print("编码后的qubit态:", qubit_state) # 解码回qutrit态 decoded_qutrit = qudit_symmetric_decoding(qubit_state) print("解码回的qutrit态:", decoded_qutrit)` ### **\# 05** **前沿科研应用案例：** 近期，电子科技大学王子竹团队在论文《Cost of Locally Approximating High-Dimensional Ground States of Contextual Quantum Models》（arxiv:2405.04884）中，利用MindSpore Quantum的高维量子态对称编码与解码工具，成功实现了对高维量子模型基态的局部近似模拟。 该工作聚焦于量子互文性（Contextuality），一种体现量子关联强度的重要特性。研究团队针对具有最近邻和次近邻相互作用的无限一维平移不变哈密顿量模型，探索了其高维基态的局部近似问题。由于这些模型的局部希尔伯特空间维度大于二，传统的量子比特系统难以直接处理。研究人员利用高维量子态对称编码工具，将三维局部希尔伯特空间（qutrit）有效地编码为量子比特（qubit）系统，并构建了保持置换对称性的量子线路，从而实现了高效的量子模拟。 ### **\# 06** **快速安装与升级指南** 首次安装： `pip install mindquantum` 升级到最新版本： `pip install --upgrade mindquantum` ### **\# 07** ### **感谢与期待** 感谢所有为 MindSpore Quantum 0.10.0 版本做出贡献的开发者们！欢迎广大用户下载体验新版本，探索更多全新功能！ 如果您有任何建议与反馈，欢迎随时在 Gitee Issue 上告诉我们，助力 MindSpore Quantum 更好地成长！ **参****考****链接** \[1\] https://www.mindspore.cn/mindquantum/docs/zh-CN/r0.10/mindquantum.simulator.html \[2\] https://www.mindspore.cn/mindquantum/docs/zh-CN/master/algorithm/mindquantum.algorithm.compiler.html \[3\] https://www.mindspore.cn/mindquantum/docs/zh-CN/master/algorithm/mindquantum.algorithm.library.html **往期回顾** MindSpore Quantum 0.9 | 新增密度矩阵和噪声模拟后端！ MindSpore Quantum 0.8 | 量子线路模拟器全新升级，新增GPU模拟器，性能倍级提升！ MindSpore Quantum 0.7 | 多平台可安装，灵活易用，只为给开发者带来更好的体验！ --- https://www.mindspore.cn/news/zh/3674/ --- 新闻 昇思五周年回顾！感谢与昇思MindSpore一路同行的你 # 昇思五周年回顾！感谢与昇思MindSpore一路同行的你 2025/03/28 # 昇思五周年回顾！感谢与昇思MindSpore一路同行的你 昇思五周年回顾！感谢与昇思MindSpore一路同行的你 --- https://www.mindspore.cn/news/zh/3678/ --- 新闻 社区季报 | 新版本发布、开发者相约，MindSpore Developer Day 2025重磅来袭！ # 社区季报 | 新版本发布、开发者相约，MindSpore Developer Day 2025重磅来袭！ 2025/04/09 # 社区季报 | 新版本发布、开发者相约，MindSpore Developer Day 2025重磅来袭！ **_昇思MindSpore2025年一季度总结_** **一、概述** 2025年第一季度，昇思MindSpore开源社区以技术创新为驱动，持续扩大生态影响力，在框架升级、开发者生态建设、行业应用落地等方面取得显著进展。 昇思MindSpore开源社区将于4月12日在杭州举办MindSpore Developer Day 2025。本次会议将发布MindSpore 2.6.0全新版本，展示其端到端全流程支持DeepSeek等MoE大模型训练、微调、强化学习与推理部署的技术，以及在科学智能、开发易用性、与CANN协同提升计算效率等领域和方向的技术创新与成果。同时联合模力方舟（GiteeAI）举办AI应用开发者Meetup，分享各行业领域AI应用开发实践经验与开发心得。 在社区合作方面，社区与法本信息、三象智能、木愚科技、魔泊云、奥看科技、珑京科技、倍特威视、星舟志屹、易库智能等10+企业合作，基于DeepSeek、QwQ-32B等大模型打造了智能工作流、教育一体机、工业检测等解决方案，覆盖金融、教育、医疗、能源等多个行业，加速企业数智化转型。 在技术方面，目前昇思MindSpore支持多项前沿技术与开源模型，包括支持文生视频SOTA模型（如Step-Video-T2V、Wan2.1）、强化学习框架GRPO-Training-Suite，以及原生适配QwQ-32B等大模型，显著提升了开发效率与性能表现。 在社区运作方面，社区通过举办“昇思五日谈”系列技术直播、开源实习计划、量子计算黑客松大赛等活动，吸引了全球开发者深度参与，持续聚焦AI根技术研发，强化大模型与科学智能能力，为产业智能化升级提供坚实支撑。 以下是2025年第一季度昇思MindSpore社区进展的详细报告。 **二、社区规模** 截至3月底，昇思MindSpore面向全球开发者，凝聚产业力量，持续打造人工智能创新之源。社区秉持开放透明原则，稳步建设开源生态，规模和活跃度得到持续提升。 社区发展了\*\*4.5万+\*\*核心贡献者； 累计产生ISSUE共**41.4\*\*\*\*K**、PR共**109K**。 **三、社区大事件** **1、你有一封MindSpore Developer Day 2025邀请函，请查收** 为加速人工智能技术创新与产业落地，共建开源开放的AI框架技术生态昇思MindSpore开源社区将于2025年4月12日在杭州萧山万怡酒店举办MindSpore Developer Day 2025。 本次会议聚焦AI框架技术创新与开源开发者生态共建，将发布MindSpore 2.6.0全新版本，展示其端到端全流程支持DeepSeek等MoE大模型训练、微调、强化学习与推理部署的技术，以及在科学智能、开发易用性、与CANN协同提升计算效率等领域和方向的技术创新与成果。同时昇思社区联合模力方舟（GiteeAI）举办AI应用开发者Meetup，分享各行业领域AI应用开发实践经验与开发心得，为大家带来产研前线的第一手干货。 **2、训推全面支持、开箱即用！DeepSeek V3昇思MindSpore版本上线开源社区** 基于昇腾AI硬件与昇思MindSpore AI框架版本的DeepSeek-V3完成开发支持并上线昇思开源社区，面向开发者提供开箱即用的预训练和推理能力，并已成功在大规模集群上预训练和部署。通过获取昇思MindSpore版DeepSeek V3开源镜像，开发者可直接进行DeepSeek-V3的预训练和推理部署。 昇思MindSpore开源社区训练代码： https://gitee.com/mindspore/mindformers/tree/dev/research/deepseek3 魔乐社区推理代码： https://modelers.cn/models/MindSpore-Lab/DeepSeek-V3 **3、携手北京大学，MindSpore+openEuler打造支持vLLM的DeepSeek全栈开源推理方案** 北京大学联合OpenAtom openEuler（简称"openEuler") 开源社区与MindSpore社区，推出面向大模型的全栈开源方案，以操作系统+AI框架+模型生态的三层开放架构，替换操作系统和DL框架，秉承代码开源+标准开放+生态共建的理念，逐步成为智能时代的自主创新数字基座。 **4、昇思MindSpore亮相2025年全球开发者先锋大会（2025 GDC）** 2025年全球开发者先锋大会（2025 GDC）于2025年2月21日-23日在上海举办。会议期间，昇思MindSpore技术专家林翰在“融”见AI新生态，驱动经济新发展讲坛发表“大模型时代首选AI框架-昇思MindSpore”主题演讲。当前，昇思AI框架赋能用户开发大模型能力，充分发挥了硬件澎湃算力，同时兼顾开发效率与执行性能，架构、套件也在持续升级。 **5、MindSpore Quantum 0.10.0 正式发布，量子算法开发更灵活、更高效** MindSpore Quantum是昇思MindSpore社区推出的全新量子经典混合计算框架，能够高效地支持主流的量子算法和经典量子混合算法，不但在量子机器学习、量子化学模拟和量子组合优化等变分量子算法上有着卓越的性能，而且在量子化学模拟规模上也处于领先地位，为量子计算的研究和发展提供了一个高效的开发环境。 经过开发者们几个月的精心打磨，MindSpore Quantum 0.10.0 版本正式上线！本次版本不仅升级了量子模拟器和线路编译工具，更引入了全新的高维量子系统支持，助力科研创新和实际应用。 **四、社区动态** **1、昇思五日谈 | 5场直播，深度解析昇思支持DeepSeek训推全流程核心技术** 昇思MindSpore开源社区即将迎来开源五周年，为回馈开发者长期以来的支持与热爱，昇思MindSpore以一场硬核技术盛宴——「昇思五日谈」专题直播重磅上线！5场直播揭秘昇思MindSpore大模型训练与推理关键技术，助力开发者抢占AI技术高地！ 直播回放链接：https://space.bilibili.com/526894060/lists/4660795?type=series **2、2025·昇思MindSpore开源实习启动** 2025·昇思MindSpore开源实习已经启动，欢迎各位高校学子报名参加。实习方法：1）线上实习，不论在家还是宿舍都可参与实习，积累项目开发经验，为实习简历添砖加瓦；2）实习薪资丰厚，完成任务获得积分即可在次月底发放对应薪资；3）任务种类繁多，从易到难各个程度的任务均有，总有你的专属项。2025·昇思MindSpore开源实习等你来“打卡”。 **3、【实战演练】开发基于昇思MindSpore Demo，昇思Demo制作人C位出道吧！** 2月底，昇思MindSpore发布在线征集基于昇思MindSpore学习型项目案例的活动！无论是基于MindSpore的DeepSeek项目，还是开发「AI健身教练」「智能垃圾分类」等接地气项目，只要技术够硬，均可参加！此外，昇思MindSpore邀请开发者参与模型迁移挑战，将指定模型基于MindSpore NLP套件进行模型权重迁移，并上传至魔乐社区和大模型平台，均可获得相应激励！ **4、第七届·2025 MindSpore量子计算黑客松全国大赛启动报名** 一年一度的黑客松品牌赛事，“第七届·2025 MindSpore量子计算黑客松全国大赛”火热来袭！热身赛、量子组合优化、量子误差缓解、量子启发算法赛道目前已发布赛题，开发者将体验全新量子计算框架 MindSpore Quantum，本次赛题也将用到量子真机数据。诚邀各位开发者报名参赛，勇攀量子世界的高峰，挑战黑客松年度总冠军! **5、基于昇思实现古画修复，「昇思文旅SIG创新技术学习交流会」在西安成功举办** 3月29日， MindSpore Cultural Tourism SIG（文旅SIG）与民歌智能计算与服务技术文旅部重点实验室在陕西师范大学雁塔校区举办《昇思文旅SIG创新技术学习交流会》。本次会议围绕昇思Mindspore和文旅主题，面向所有对AI文旅感兴趣的开发者，希望通过学习昇思MindSpore的最新技术路线与基于昇思的DeepSeek实践，学习AI文旅的有趣案例与实践，共同孵化基于昇思的文旅创新应用。 **6、中国物理学会-量子科技长三角产业创新中心-MindSpore Quantum学术奖励基金（二期）申请指南** 《中国物理学会-量子科技长三角产业创新中心-MindSpore Quantum学术奖励基金》是由中国物理学会、量子科技长三角产业创新中心和昇思MindSpore共同发起，致力于面向高校及科研院所的量子计算学者搭建学术交流平台，提供资金和技术支持、促进合作，推动开源量子计算软件在量子信息领域的广泛应用，并支持基于开源量子计算软件框架的国内外高水平期刊和会议的学术论文发表，激励原创性科学研究开展，为未来量子计算产业储备人才，构建中国量子计算研究的全球影响力。高校/科研院所的在职教师或研究人员（包括博士后）和在读博士研究生欢迎申报。 **7、「她力量·代码之外」：当技术温度遇见跨界创造力** 在三八妇女节之际，昇思MindSpore开源社区邀请了三位优秀女性开发者——中国科学院大学博士生孙宛奇、北京大学研究生王洁怡、瑞士巴塞尔大学神经生物学博士呼波，讲述她们以跨界思维、社区联结力与技术向善的初心，在量子计算、生物医学、自然语言等领域中绽放光彩的经历。她们的故事，既是科技女性的成长缩影，也是开源精神的最佳诠释。 **五、社区案例** 昇思MindSpore开源社区始终秉持“开放协作、技术赋能”的理念，积极推动大模型技术创新与行业实践深度融合，持续为开发者和企业提供前沿技术支撑与优化能力，助力大模型训练、微调、推理及场景应用创新。在2025年第一季度，社区联合生态伙伴，在金融、教育、医疗、能源、工业等多个行业孵化出一批解决方案，以下为部分案例的详细报告： **1、法本信息携手昇思：基于DeepSeek&QwQ-32B等打造企业级AI解决方案新范式** 在数字经济与实体经济深度融合的浪潮下，法本信息作为国内软件与信息技术服务领域的领军企业，基于昇腾AI基础软硬件平台及昇思MindSpore开源框架，构建“AI大模型+行业场景”的创新解决方案。依托昇腾强大的算力底座、高效的昇思AI框架、DeepSeek&QwQ-32B等国内知名大模型，以及法本信息在垂直领域的场景化落地能力，三方联合打造了覆盖智能编码、知识管理、智能制造、安全生产等领域的全栈式AI解决方案，为企业智能化转型提供技术引擎。 **2、三象智能基于昇思MindSpore，以DeepSeek&QwQ-32B等为基础大模型打造智能工作流升级解决方案** 在数字化转型加速的今天，企业如何高效处理海量对话数据？如何确保文档对比的精准性与时效性？如何以有限人力应对广告内容审核的复杂需求？三象智能基于昇思MindSpore，为企业打造智能工作流升级解决方案，依托DeepSeek R1&QwQ-32B等大模型的强大能力，从精准对话到智能风控，每个功能升级都为数字化转型注入新动能。 **3、木愚科技携手昇思，以千问QwQ32B&DeepSeek等大模型为基础推出全栈式智能教育解决方案** 3月20日，深圳华为中国合作伙伴大会期间，木愚科技基于昇思与QwQ32B、DeepSeek等多个AI大模型，发布新一代“AI教育一体机”，以“AI+教育”深度融合为核心，为学校场景打造全栈式智能教育解决方案，助力教育提质增效与AI人才培养的双重目标。 **4、西安电子科技大学人工智能学院携手昇思以千问QwQ-32B&DeepSeek等大模型为抓手，探索智慧教育，智慧科研新方式** 西安电子科技大学作为“人工智能+教育”标杆大学，探索出了基于昇思与QwQ-32B、DeepSeek等多个AI大模型的新一代"AI教育科研协同平台"，该平台支持万亿参数模型的本地化训练与实时推理，响应速度提升40%，能耗降低35%，满足高校对高效运算与节约能耗的双重诉求。 **5、魔泊云携手昇思，打造AI解决方案加速企业数智化** 在当前的数智化浪潮中，生成式人工智能 (GenAI) 正以前所未有的速度重塑各个行业。作为AI领域的创新先锋，魔泊云（MoPaaS）基于昇思MindSpore AI框架，以DeepSeek和Qwen等国产前沿大模型为基础，为企业提供了切实可行的AI解决方案，帮助企业在人工智能时代实现创新发展。 **6、奥看科技携手江苏鲲鹏·昇腾生态创新中心驱动行业全场景跃迁** 南京奥看信息科技有限公司携手江苏鲲鹏·昇腾生态创新中心，以昇思MindSpore AI框架为引擎，通过视觉AI大模型与DeepSeek语言模型结合，通过多模态赋能企业生产人、机、料、法、环的全量场景，实现场景的自主监测、智能分析、联动处置和精准治理，解决传统安检及时性差、人力成本高、管理效率低的痛点，助力工业制造企业降本增效、优化生产流程。 **7、携手昇思，玲珑大模型一体机部署DeepSeek实践** 随着DeepSeek在全球持续热度不减，珑京科技联合多方打造DeepSeek大模型的多样化部署解决方案，充分发挥DeepSeek开源模型的低成本高性能优势，进一步推动AI的企业级商用进程。玲珑一体机作为一款开箱即用的成长型AI助手，拥有用户友好界面，操作简单易上手，可节约调优适配时间。其软件包含三大核心产品：智能问答、智能办公和智能报告，支持多模态、多功能、多角度及云端多人并发访问，满足多样化部署需求。 **8、倍特威视基于昇思，以DeepSeek为基础大模型打造异常检测及预测解决方案** 倍特威视依托于武汉人工智能计算中心云端算力，离不开昇腾AI硬件强大的算力以及昇思MindSpore AI框架的支撑和稳定运行。通过结合MindIE推理引擎，倍特威视安全生产大模型系统在昇腾硬件上实现了高效且稳定地运行。这一结合使得大模型能够充分利用昇腾的强大算力，为工业安全生产作业中的复杂计算任务提供有力支持。尤其是在面对工业场景隐患排查任务时，即使模型输入的prompt长度达到上万，昇腾配合MindIE推理引擎仍能保持出色的性能表现，确保了模型的稳定性和高效性。 **9、星舟志屹基于昇思MindSpore AI框架打造星舟大模型DeepSeek版，加速能源与旅游业智能化升级** 随着大模型技术向垂直领域深度渗透，如何在复杂场景中实现高效、精准的智能化应用成为行业关注焦点。西安星舟志屹智能科技有限公司（以下简称“星舟志屹”），作为一家专注于人工智能技术，深耕智慧能源领域应用项目的创新企业，近日正式发布基于昇思MindSpore AI框架 的“星舟大模型DeepSeek版”。该模型通过知识蒸馏、微调技术、私有专家库及海量数据库理解等核心技术，为能源管理提供了全新的解决方案，助力行业实现技术跃迁。 **10、易库智能携手昇思，结合DeepSeek打造大模型知识赋能平台** 在数字经济高速发展的今天，知识数据已成为企业发展的"战略资源"，如何通过AI技术实现知识的高效管理与价值释放，是各行业数字化转型的核心命题。易库智能基于昇思MindSpore AI框架，成功打造自主创新知识大模型应用体系，通过"私有化部署+垂直领域适配+知识全链路管理"的创新模式，为智能办公、装备运维、人才培养等场景提供智能化知识解决方案，助力企业构建智能知识中枢。 **11、鹏城实验室发布基于昇思框架的强化学习训练框架GRPO-Training-Suite** 鹏城实验室基于昇思MindSpore AI框架，率先突破大模型强化学习技术全栈壁垒。通过自主创新硬件、框架及超大规模集群的深度协同，成功构建从硬件算力、算法优化到集群调度的完整技术链条，实现GRPO强化学习训练在Qwen2.5（7B，32B）上的全流程部署，发布并开源GRPO强化学习训练流程和代码，为强化学习开发者提供了训练接口，支持算法快速开发，提供多种训练优化技术。 开源代码仓： https://openi.pcl.ac.cn/PCL-Reasoner/GRPO-Training-Suite https://gitee.com/mindspore/mindrlhf **六、技术分享** **1、DeepSeek模型Janus-Pro香橙派开发板实践指南** 2025 年春节， DeepSeek的Janus-Pro模型横空出世， 为了让更多开发者能够快速上手，昇思社区基于MindSpore AI框架和MindSpore NLP套件在香橙派AI pro（20T）24G开发板上，部署了DeepSeek-Janus-Pro 模型，欢迎广大开发者部署体验。 开源链接： https://gitee.com/mindspore-lab/mindnlp.git https://github.com/mindspore-lab/mindnlp.git **2、加速DeepSeek训练性能调优，揭秘昇思MindSpore大模型自动流水负载均衡技术** 近年来，大模型不断突破参数规模瓶颈，推动模型体量向万亿级跃进，流水线并行(Pipeline Parallelism)已演变为大模型分布式训练的必备技术之一。但当前应用广泛的几种流水线编排技术，如GPipe、PipeDream和Megatron-LM等，在拉高了训练效率的上限的同时也引入了不同设备上内存开销的不均衡，增大了策略调优的难度和成本。 昇思MindSpore团队提出了一种同时均衡计算和内存的全局求解方法，面向复杂的流水线编排逻辑，自动生成最优的stage-layer分配和重计算策略。通过结合昇思MindSpore提供的自动流水负载均衡工具与Dryrun集群内存仿真工具，在大集群上实测DeepSeek-V3 671B调优，实现训练性能倍增；实测千亿参数Llama模型自动负载均衡调优相比于专家调优提升性能14%。 **3、全流程加速MoE模型预训练及强化学习！揭秘昇思MindSpore并行技术** 昇思MindSpore已实现DeepSeek V3 + GRPO强化学习训练全流程支持，并将相关代码开源，为强化学习开发者提供了训练接口，支持算法快速开发，提供多种训练优化技术。当前代码已在昇思社区开源，根据本教程，用户可以快速上手体验，或尝试完成DeepSeek V3 R1的训练全过程。 开源代码仓地址：https://gitee.com/mindspore/mindrlhf/tree/master/examples/grpo/deepseekv3\\\_grpo\\\_tutorial **4、支持GRPO强化学习训练全流程，揭秘MindSpore RLHF套件技术细节** 不久之前，MindSpore携手鹏城实验室发布并开源了基于Qwen2.5（7B，32B）模型的GRPO强化学习训练全流程和代码，实现了组件化解耦训练流程与模型定义，通过训推共部署、训练和推理权重在线快速自动重排、异构内存Swap等技术，成功构建从硬件算力、算法优化到集群调度的完整技术链条。本文围绕MindSpore RLHF套件中的关键技术进行分析，重点解读训推共部署、多维混合并行在线快速自动重排、异构内存Swap、支持vLLM等特性。 **5、文生视频SOTA模型推理开箱即用！MindSpore支持Step-Video-T2V** 开发者基于昇思MindSpore AI框架实现了对阶跃星辰 (stepfun-ai ) 开源的 SOTA文生视频模型Step-Video-T2V支持，并将该版本代码开源，同时完成模型推理支持开箱即用。Step-Video-T2V 具有 30B 参数，能够生成204 帧 544p的高质量视频，在文生视频质量评估 benchmark Step-Video-T2V-Eval上，相比其他开源和或商业模型展示出 SOTA 能力。本文介绍了基于昇思 MindSpore +单机Atlas 800T A2使用Step-Video-T2V的流程。 MindSpore 版 Step-Video-T2V 开源链接： https://github.com/mindspore-lab/mindone/tree/master/examples/step\\\_video\\\_t2v **6、视频生成SOTA模型推理开箱即用！MindSpore支持Wan2.1** 在AI视频生成领域，Wan2.1作为最新的视觉生成模型，能够根据文本、图像或其他控制信号生成视频，在VBench评测中，Wan2.1以86.22%的总分，摘得桂冠。 MindSpore快速对Wan2.1进行适配，并将其开源至MindSpore ONE仓库，为开发者提供高效体验。本文详细介绍了如何基于昇思MindSpore和单机Atlas 800T A2，完整实现Wan2.1视频生成的部署流程。 **7、基于昇思，玩转 CogView4生成汉字！** 2025年3月4日，智谱开源了首个支持生成汉字的开源文生图模型 CogView4。该模型具有6B权重，支持原生中文输入，支持中文文字绘画。CogView4 在 DPG-Bench 基准测试中的综合评分排名第一，在开源文生图模型中达到 SOTA 水平。 昇思MindSpore 团队快速支持 CogView4 Diffusers 工作流并开源至MindSpore ONE仓库，结合昇腾硬件，为开发者提供简单易用体验。本文将介绍如何基于昇思MindSpore和单机Atlas 800T A2，通过简单命令，单卡玩转 CogView4 推理。 开源链接： https://github.com/mindspore-lab/mindone/tree/master/examples/cogview 魔乐社区在线体验： https://modelers.cn/spaces/MindSpore-Lab/cogview4 **8、昇思MindSpore支持QwQ-32B并上线开源社区** QwQ-32B是阿里云于2025年3月6日发布的人工智能大型语言模型。这是一款拥有 320 亿参数的模型，其性能可与具备 6710 亿参数（其中 370 亿被激活）的 DeepSeek-R1 媲美。 昇思MindSpore原生支持Qwen2.5-32B, 在此基础上0Day完成QwQ-32B的支持，并且完成性能测试。昇思MindSpore开源社区、魔乐社区已第一时间上架该模型，欢迎广大开发者下载体验！ 魔乐社区：https://modelers.cn/models/MindSpore-Lab/QwQ-32B **9、基于MindSpore，玩转HunyuanVideo-I2V图生视频！** HunyuanVideo-I2V是腾讯混元系列模型中一个新型的图像到视频转换模型。用户只需要提供一张图片，简要描述要生成的视频内容，例如动作描述，镜头位置等等，HunyuanVideo-I2V就可以让图片动起来，生成高清连贯的视频，最高支持720P 5s。 昇思MindSpore团队现已完成对HunyuanVideo-I2V的适配，并将其开源至MindSpore ONE仓库，本文详细介绍了如何基于昇思MindSpore和Atlas 800T A2，完整实现HunyuanVideo-I2V从图像到视频生成的部署流程。 MindSpore ONE开源代码仓链接：https://github.com/mindspore-lab/mindone/tree/master/examples/hunyuanvideo-i2v 魔乐社区代码仓链接：https://modelers.cn/models/MindSpore-Lab/hyvideo **10、昇思MindSpore原生论文 | 基于MobileNetV2的家用睡眠呼吸障碍早筛模型** 睡眠呼吸障碍（Sleep Apnea，简称SA）是一种常见但容易被忽视的健康问题，未及时诊断和干预可能会导致心血管疾病、代谢紊乱以及其他健康问题，因此，早期筛查至关重要，但目前的检测主要依赖于多导睡眠图（PSG）测试，复杂、昂贵且需要在专业医疗机构进行，因此开发一种家用的高效、低成本的筛查方法具有重要意义。 本研究提出了一种基于MobileNetV2的家用睡眠呼吸障碍筛查模型，通过在MindSpore框架上的实现，该模型在保证高预测精度的同时大幅降低了计算成本，且实验结果验证了该模型在实际应用场景中的潜力。 **11、MindSpore源码精读之ckpt及safetensors权重保存流程** 通过无数次迭代让模型达到满意的性能后，如何保存网络权重这个环节不可忽视。它承载着模型训练的成果与智慧结晶，从模型复用的角度来看，保存的权重能让我们在不同场景下快速调用已训练好的模型，无需重复训练，大大节省时间和计算资源。在迁移学习中，保存的权重更是成为知识迁移的桥梁，助力新任务快速收敛。本文详细介绍了 ckpt 和 safetensors 这两种权重保存的流程。 **12、MindSpore源码精读之权重加载实现全解析：从Checkpoint到神经网络的桥梁** 在模型规模、加载速度和兼容性之间，永远存在权衡。深度理解加载流程，本质是掌握框架与硬件、算法与工程的对话规则。MindSpore的权重加载，本质是一场「参数元信息」的精确舞蹈——从.ckpt文件的魔数校验（0x6D73636B），到choice\_func的布尔过滤，再到strict\_load=False时的后缀匹配（源码中通过\_get\_parameter\_tuple实现），每个环节都暗藏框架设计者对兼容性的极致追求。 **13、MindSpore Transformers支持DeepSeek-R1蒸馏全流程** DeepSeek-R1具有生成长思维链（CoT）的能力，这种能力可以通过蒸馏技术迁移到小模型上。小模型学习了R1模型中的知识后，即使不经过强化学习（RL），也能得到出色的推理效果。 DeepSeek团队通过使用R1模型生成60万条CoT推理数据，蒸馏了Qwen和Llama这样的开源模型，成功验证了这一迁移能力。 MindSpore Transformers大模型使能套件依托MindSpore AI框架提供的丰富的多维混合并行能力，亲和开源工具与通用数据格式，原生支持大模型蒸馏的端到端全流程开发，提供了高效、便捷的解决方案。 **14、视频生成效果惊艳！昇思率先完成Open-Sora 2.0支持** Open-Sora 2.0是潞晨科技推出的全新开源SOTA视频生成模型，相比传统高性能视频生成模型大幅降低了训练成本。Open-Sora 2.0基于3D自编码器 、3D全注意力机制和MMDiT架构，结合高效的并行训练方案和高压缩比自编码器，显著提升训练效率和推理速度。 MindSpore团队现已完成对Open-Sora 2.0的适配，并将其开源至MindSpore ONE仓库，本文详细介绍了如何基于昇思MindSpore和单机Atlas 800T A2，完整实现Open-Sora 2.0视频生成流程。 MindSpore ONE开源代码仓链接：https://github.com/mindspore-lab/mindone/tree/master/examples/opensora\\\_hpcai **七、**感谢每一位朋友、开发者的支持**** 在此感谢社区伙伴们、可爱的小孢子们以及昇思MindSpore SIG组成员们，因为大家的共同努力及辛勤奉献，昇思MindSpore才能不断成长与发展！同时我们对可能出现的不完善之处向您表示诚挚的歉意，并衷心感谢您的理解与支持。 未来，昇思MindSpore AI框架将持续致力于打造人工智能创新之源，凝聚产业力量，扎根AI根技术，使能大模型与科学智能，成为AI创新的首选框架。 --- https://www.mindspore.cn/news/zh/3682/ --- 新闻 AI修古韵，文旅续新章！昇思文旅AI SIG创新技术学习交流会圆满收官 # AI修古韵，文旅续新章！昇思文旅AI SIG创新技术学习交流会圆满收官 2025/04/03 # AI修古韵，文旅续新章！昇思文旅AI SIG创新技术学习交流会圆满收官 3月29日，昇思文旅AI SIG创新技术学习交流会在陕西师范大学成功举办，60多名来自西安地区各高校的老师与学生参与本次学习交流活动。 此次活动由昇思MindSpore开源社区联合陕西师范大学民歌智能计算与服务技术文化和旅游部重点实验室、西安雁塔人工智能创新中心联合举办。本次活动以昇思文旅AI SIG的发展研讨为主旨，通过AI+文旅的案例和实践的分享与讨论，共同孵化基于昇思的文旅创新应用。另外本次活动也邀请了社区的多位布道师，期望通过最新DeepSeek大模型的分享与学习，助力AI+文旅的发展。 上午活动由民歌智能计算与服务技术文化和旅游部重点实验室副主任张玉梅教授主持。陕西师范大学教授、民歌智能计算与服务技术文化和旅游部重点实验室主任吴晓军为我们做了精彩的开场致辞，介绍了昇思文旅AI SIG的重要成果，也表达了与MindSpore开源社区一起探索更多维度合作的期待。昇思生态专家杨滔带我们了解了昇思MindSpore的整体技术进展、布局及规划，并介绍了昇思开源社区的发展历程以及取得的成果。 昇思技术专家吴逸群为我们介绍了热门大模型DeepSeek的技术创新历程，并展示了基于MindSpore NLP套件的DeepSeek蒸馏部署实操。西北工业大学研究生侯博森为我们讲解了如何基于MindSpore NLP套件做模型微调。 随后，昇思文旅AI SIG成员王三泓为我们介绍了基于昇思和昇腾的中国古画多模态大模型的开发思路，在开发过程中遇到的问题以及解决方案。陕西师范大学副教授、昇思文旅AI SIG Maintainer孙增国为我们展示了基于昇思和昇腾的文旅案例，其中中国书画文物数智化修复与活化利用，重现了珍贵文化遗产的完整面貌。 下午，昇思文旅AI SIG成员罗恒达为大家介绍了基于昇思和昇腾实现的文旅案例。随后，昇思布道师许杰为大家讲解了基于MindSpore实现CycleGAN壁画线条修复，并手把手带领大家上机实操。 在整个课程期间，老师和同学们围绕如何基于昇思和昇腾开发AI文旅应用展开深度的讨论，同学们高质量完成CycleGAN壁画线条修复和DeepSeek蒸馏模型部署上机实践。 此次昇思文旅AI SIG创新技术学习交流会，为所有对AI+文旅充满兴趣的学子搭建了一个与专家面对面交流学习的平台，并通过上机实操，使学生们得以体验MindSpore在AI文旅中的使用，进一步激发了他们的学术热情，助力他们从零到一的开发者之路。 这次学习交流会不仅为学生们提供了坚实的学术基础，更是一次开拓视野的机会，为他们的学习生涯打开崭新的视野。同时，这一活动也为MindSpore社区的繁荣注入了新的活力，促进了更多有志之士的加入与贡献，共同推动AI文旅领域的发展。 昇思文旅AI SIG着眼于优秀传统文化的传承，着眼于文化旅游产业的持续发展，充分利用国产AI框架昇思MindSpore，打造文旅行业的典型应用场景，为AI与文旅行业的深度融合提供基于昇思MindSpore的实现范式。昇思文旅AI SIG依托民歌智能计算与服务技术文化和旅游部重点实验室开展文化科技融合AI应用场景的研究。 民歌智能计算与服务技术文化和旅游部重点实验室于2021年获批建设，依托陕西师范大学，基于文化科技融合，围绕中华传统文化传承与发展的国家战略与文旅行业产业需求，开展文化资源汇集与数字化、文化资源内容开发与价值挖掘、智能交互技术与应用等研究，着力推动中华优秀传统文化创造性转化、创新性发展。实验室多年来致力于文化遗产数字资源的活化利用工作，先后修复或补全《富春山居图》、《千里江山图》及其题跋等多幅古画，使珍贵文物“活起来”，为文物保护和文化传承提供了数智化解决方案。 --- https://www.mindspore.cn/news/zh/3683/ --- 新闻 使能AI智能体算法性能倍增！昇思多维混合并行等技术助力小艺语音交互、AI修图体验升级 # 使能AI智能体算法性能倍增！昇思多维混合并行等技术助力小艺语音交互、AI修图体验升级 2025/04/03 # 使能AI智能体算法性能倍增！昇思多维混合并行等技术助力小艺语音交互、AI修图体验升级 3月20日华为发布阔折叠屏手机Pura X，发布会上首发了鸿蒙AI，全新小艺焕新登场，实现更拟人的自然语音交互。全新小艺基于昇思MindSpore，实现小艺语音合成算法推理性能提升30%，AI人像精修算法推理性能倍增，提升用户对话体验的实时性与修图效率。 ### **\# 01** **提升语音输出响应效率、生成性能** 语音合成算法中，存在Decode算法模型多次迭代的场景，导致在不同次迭代过程中，需要拷贝上一次的模型输出作为下一次的模型输入，因此Device到Host的数据拷贝以及Host到Device的数据拷贝存在性能瓶颈。 小艺研发团队基于昇思MindSpore AI框架，通过使用模型运算结果Cache缓存机制，支持将模型输出缓存在Device侧，在下次迭代直接使用Device侧数据，有效解决语音类模型在迭代过程中Device侧和Host侧间的数据拷贝时延问题，语音输出首响效率提升20%。昇思MindSpore联合算法团队深度优化Decode模型结构，并构建使能Attention、RotaryMul等融合算子，语音生成性能综合提升10%。 ### **\# 02** **实现小艺语音双麦降噪算法的极低时延推理** 告别传统机械问答，小艺凭借“打断不中断“的全双工技术，带来无缝、流畅的语音交互。全双工离不开声音的精准捕捉，双麦降噪业务算法团队实现HAL层极近调用MindSpore Lite超轻量端侧AI框架，降低传输时延和推理底噪，利用多音频流批次推理，高效发挥硬件算力，实现毫秒级超低时延降噪，让全双工对话轻松实现。 ### **\# 03** **多维混合并行、图结构融合优化实现AI修图效率倍增** AI人像精修算法中，为得到更高质量的人像精修效果，算法扩大图片分辨率，导致模型推理过程中Attention模块的序列长度增加。因此，业务模型推理过程中，Attention模块的计算量成倍增加。 昇思MindSpore通过构建TP/CP等多维混合并行策略，针对Conv算子，将算子输出特征图进行多份切分，实现多卡并行计算。针对Matmul类算子通过权重与特征图的切分，实现多卡并行，通过不同的并行策略实现AIGC类大模型出图效率倍增。 为进一步提升业务模型推理性能，针对AI生成式算法模型结构，昇思MindSpore通过构建自动图结构融合优化能力，将模型中Attention结构的小算子结合成昇腾硬件支持的PromptFlashAttention大算子、以及将算法中的GroupNorm算子与激活算子融合成GroupNormSilu大算子，出图效率提升20%。 ### **\# 04** **AI人像精修算法业务部署优化** AI人像精修算法业务复杂，在线部署过程中存在多个业务模型，导致业务部署加载时间长达小时级别。MindSpore联合业务深入优化部署方案，通过使能图编译缓存能力，业务在部署过程中直接使用编译缓存，部署加载时延从小时级优化到分钟级，极大方便业务服务化部署。 未来，昇思MindSpore将持续助力小艺优化AI智能体能力，提升AI落地应用体验，加速行业应用创新。 --- https://www.mindspore.cn/news/zh/3690/ --- 新闻 持续优化训练性能和易用性！MindSpore MOE专家大模型预训练技术研讨成功举办 # 持续优化训练性能和易用性！MindSpore MOE专家大模型预训练技术研讨成功举办 2025/04/16 # 持续优化训练性能和易用性！MindSpore MOE专家大模型预训练技术研讨成功举办 MindSpore Developer Day 2025于2025年4月12日在杭州举办。本次大会由昇思MindSpore开源社区主办，聚焦AI框架技术创新与开源开发者生态共建，展示其端到端全流程支持DeepSeek等MoE大模型训练、微调、强化学习与推理部署的技术，以及在科学智能、开发易用性等领域和方向的技术创新与成果。 作为本次大会重要的一环，SIG Gathering吸引了众多开发者的关注。其中，《MindSpore MOE专家大模型预训练技术研讨》专题围绕DeepSeek-V3，开发者们对MindSpore的MOE专家并行、大集群流水负载均衡、性能优化等关键技术支持和演进展开研讨，同时对MindSpore在动态图上的关键能力和进展进行深入的讨论，现场气氛热烈。 昇思MindSpore技术专家陈子恒分享了昇思MindSpore对于DeepSeek-V3高性能分布式训练的支持能力，包括多维混合并行的设计和高性能Dropless MoE的实现；同时介绍了昇思MindSpore针对DeepSeek-V3的通信和流水线并行的优化方法。 昇思MindSpore技术专家何青林介绍了MindSpore Transformers大模型套件与使用MindSpore Transformers在大规模集群上拉起DeepSeek-V3预训练的案例，并展示了MindSpore Transformers在预训练方面的功能特性。 昇思MindSpore技术专家王嘉霖分享了MindSpore动态图兼容Megatron-LM预训练库的方案，介绍了兼容方案的背景和实现设计，并展示了兼容方案实际的使用样例。 开发者围绕MindSpore对DeepSeek-V3训练的优化手段和训练的解决方案展开讨论，提出性能优化的方法论、易用性等问题，并明确了持续优化训练性能和调优易用性的工作方向。 本次会议上，开发者们围绕昇思MindSpore贡献了大量宝贵想法和建议，昇思MindSpore开源社区的繁荣发展离不开每一位SIG组成员的贡献，从而实现“百花齐放”。 --- https://www.mindspore.cn/news/zh/3691/ --- 新闻 AI模型训练的“新大陆”！MindSpore强化学习、蒸馏与R1复现技术研讨成功举办 # AI模型训练的“新大陆”！MindSpore强化学习、蒸馏与R1复现技术研讨成功举办 2025/04/16 # AI模型训练的“新大陆”！MindSpore强化学习、蒸馏与R1复现技术研讨成功举办 MindSpore Developer Day 2025于2025年4月12日在杭州举办。本次大会由昇思MindSpore开源社区主办，聚焦AI框架技术创新与开源开发者生态共建，展示其端到端全流程支持DeepSeek等MoE大模型训练、微调、强化学习与推理部署的技术，以及在科学智能、开发易用性等领域和方向的技术创新与成果。 作为本次大会重要的一环，SIG Gathering吸引了众多开发者的关注。其中，《MindSpore强化学习、蒸馏与R1复现技术研讨》专题围绕MindSpore对后训练过程中使用强化学习与蒸馏等关键技术的最新进展，开发者们对MindSpore RLHF和MindSpore Transformers等套件针对强化学习和蒸馏等后训练关键技术的优化路径展开深入的讨论，现场气氛热烈。 昇思MindSpore技术专家钱驾宏分享了DeepSeek-R1强化学习的技术路线以及业内类O1模型的洞察，和强化学习对于模型提升的效果的技术路线的可行性。他深度剖析了MindSpore RLHF强化学习套件的基础架构，详细介绍了套件GRPO算法实现和使用细节；介绍了vLLM服务化组件、训推模型在线细粒度更新。 招商银行人工智能实验室智能算法研究员支裕铎介绍了大模型在金融场景的挑战，并指出了在垂直行业需要训练专业任务模型，直接产生业务价值，需要提升推理效率，缩小部署成本。他介绍了金融行业对大模型的需求场景，并分享了招行基于MindSpore Transformers全流程部署Qwen系列的预训练、微调以及蒸馏业务；详细了阐述了如何基于MindSpore配置化调试并行策略与重计算，并在Qwen上取得了MFU 45%的训练效率。同时，支裕铎研究员也带来了招行基于大模型蒸馏微调技术在金融知识库、安全合规业务的应用案例作为开发实践参考。 昇思布道师陈嘉浩为大家介绍了蒸馏训练小模型的发展历程，以及小模型黑盒蒸馏的竞争力，并介绍基于MindSpore Transformers进行Qwen2.5蒸馏训练的流程。 开发者围绕大规模专家并行方案、LoRA低参微调的资源消耗、权重重排等展开讨论，针对强化学习的接口设计、金融行业蒸馏的数据、应用、评测等方向提出了问题和建议，明确了强化学习套件在后面整体端到端训练评测流程、接口易用性、算法丰富度等方面的工作方向。 本次会议上，开发者们围绕昇思MindSpore贡献了大量宝贵想法和建议，昇思MindSpore开源社区的繁荣发展离不开每一位SIG组成员的贡献，从而实现“百花齐放”。 --- https://www.mindspore.cn/news/zh/3694/ --- 新闻 一键部署，开箱即用！MindSpore加速DeepSeek大模型推理研讨成功举办 # 一键部署，开箱即用！MindSpore加速DeepSeek大模型推理研讨成功举办 2025/04/16 # 一键部署，开箱即用！MindSpore加速DeepSeek大模型推理研讨成功举办 MindSpore Developer Day 2025于2025年4月12日在杭州举办。本次大会由昇思MindSpore开源社区主办，聚焦AI框架技术创新与开源开发者生态共建，展示其端到端全流程支持DeepSeek等MoE大模型训练、微调、强化学习与推理部署的技术，以及在科学智能、开发易用性等领域和方向的技术创新与成果。 作为本次大会重要的一环，SIG Gathering吸引了众多开发者的关注。其中，《MindSpore加速DeepSeek大模型推理研讨》专题围绕MindSpore面向DeepSeek-V3/R1等大模型的推理加速技术，开发者们对大模型推理技术演进趋势与应用创新方向展开深入的讨论，现场氛围热烈。 昇思MindSpore技术专家潘邵武为大家分享了在大模型技术高速发展背景下，昇思MindSpore面向DeepSeek-V3/R1为代表的大模型，设计与实现的推理加速方案。其主要面向一体机和大集群应用场景，支持一键式部署和开箱即用。同时采用图算融合、TP+DP+EP混合并行、8bit/4bit量化等技术组合，有效提升推理系统的吞吐率。同时，展示了昇思MindSpore通过开发vLLM-MindSpore插件，实现基于vLLM的推理服务部署的能力，及后续版本路标。 北京大学计算中心工程师龙汀汀分享了北京大学依托昇腾+昇思算力底座，联合华为打造的DeepSeek全栈开源推理方案，并展示了在北大训推一体平台SCOW上，使用MindSpore Transformers大模型套件进行Qwen1.5-7B模型推理、DeepSeek系列模型一键部署。同时介绍了北大自研的大模型应用，包括未名小蒜、大模型训练场、校园助手、北大问学、AIMD智能医学博士等等，在各个方面便利北大师生的工作、学习和生活。 上海殷泊信息科技有限公司创始人兼CEO鲁为民分享了增强大模型的推断能力的技术，包括通过CoT(Chain-of-Thought)提示来引导出思维链，对同一个问题生成多个CoT，推断时树搜索以及反馈-精炼的自我完善等。同时介绍了MoPaas大模型应用引擎结合MindSpore，通过集成大模型和企业自主知识库、私有知识库、RAG引擎和Agent框架等，加速企业AI应用落地。 上海珑京信息科技有限公司AI产品总监兼高级人工智能训练师李伟分享了“云上”+“云下”大模型解决方案，基于MCP大模型创新落地“新泛式”应用模式，支持多场景灵活部署。同时，展示了南京水厂知识库、南昌军队知识库等问答系统、银行文案编辑的端到端文本生成系统、央国企舆情分析监控系统等应用案例。上海珑京信息科技有限公司聚焦于企业在AI部署上的难题，不断助力AI应用落地。 开发者围绕多模态大模型、数据安全、推理性能优化等话题展开讨论，明确了面向开发者提供更易用的推理调优方案，支持多模态大模型等技术路线。 本次会议上，开发者们围绕昇思MindSpore贡献了大量宝贵想法和建议，昇思MindSpore开源社区的繁荣发展受益于每一位SIG组成员的积极贡献。 --- https://www.mindspore.cn/news/zh/3695/ --- 新闻 持续完善开发者体验！MindSpore开发体验与易用性提升专题研讨成果举办 # 持续完善开发者体验！MindSpore开发体验与易用性提升专题研讨成果举办 2025/04/16 # 持续完善开发者体验！MindSpore开发体验与易用性提升专题研讨成果举办 MindSpore Developer Day 2025于2025年4月12日在杭州举办。本次大会由昇思MindSpore开源社区主办，聚焦AI框架技术创新与开源开发者生态共建，展示其端到端全流程支持DeepSeek等MoE大模型训练、微调、强化学习与推理部署的技术，以及在科学智能、开发易用性等领域和方向的技术创新与成果。 作为本次大会重要的一环，SIG Gathering吸引了众多开发者的关注。其中，《MindSpore开发体验与易用性提升》专题围绕提升易用性和开发者体验的角度，开发者们对大模型时代AI框架在提升模型开发与调试调优效率方面的发展趋势、挑战和应对展开深入的讨论，现场气氛热烈。 昇思MindSpore开发者李玲瑶、许凡瑾为大家分享了面对数字信号处理应用开发的挑战，基于MindSpore打造融合AI与信号处理的开发平台，详细介绍了做出的生态适配及生态扩展，同时提出了开发中遇到的算子和文档问题与优化期望。 昇思MindSpore技术专家王禹程分享了MindSpore Dryrun的调试实践，展示了Dryrun特性如何快速模拟集群调试在易用性方面的提升，深入讲解了SAPP流水线负载均衡的特性优势。 昇思MindSpore技术专家吕昱峰深度解读MindSpore NLP套件的各种LLM最佳实践，RAG、生态嫁接、PEFT微调、分布式推理等应用实例，同时展示了动态图+jit加速的性能优势。 昇思MindSpore技术专家崔语诗、周武星分别分享了多模态套件MindSpore One丰富的SOTA模型库、Diffusers/Transformers组件以及SP 序列并行使能CogVideoX 30B模型训练的案例。 开发者围绕昇腾硬件使用成本、MindSpore框架接口使用问题和疑惑、API资料文档易用性提升展开讨论。MindSpore听取开发者们的建议，持续提升API/资料文档的易用性，同时提供MindSpore NLP、MindSpore One等上层模型开发套件，不断完善开发者体验。 本次会议上，开发者们围绕昇思MindSpore贡献了大量宝贵想法和建议，昇思MindSpore开源社区的繁荣发展离不开每一位SIG组成员的贡献，从而实现“百花齐放”。 --- https://www.mindspore.cn/news/zh/3696/ --- 新闻 科学智能新范式！MindSpore加速AI4Science创新与落地专题研讨成功举办 # 科学智能新范式！MindSpore加速AI4Science创新与落地专题研讨成功举办 2025/04/16 # 科学智能新范式！MindSpore加速AI4Science创新与落地专题研讨成功举办 MindSpore Developer Day 2025于2025年4月12日在杭州举办。本次大会由昇思MindSpore开源社区主办，聚焦AI框架技术创新与开源开发者生态共建，展示其端到端全流程支持DeepSeek等MoE大模型训练、微调、强化学习与推理部署的技术，以及在科学智能、开发易用性等领域和方向的技术创新与成果。 作为本次大会重要的一环，SIG Gathering吸引了众多开发者的关注。其中，《MindSpore Science：加速AI4Science创新与落地》专题围绕MindSpore Flow、MindSpore Earth、MindSpore Quantum三个AI4S方向，开发者们对各套件最新特性和规划，以及套件发展方向与前沿创新对框架和套件底座的需求展开深入的讨论，现场气氛热烈。 浙江大学杭州国际科创中心科创百人研究员郭秋江为大家分享了团队成果：运用研发的高精度量子芯片，生成了60比特全局纠缠的GHZ态，并通过构造新型的猫疤痕时间晶体有效地延长了GHZ态的寿命；通过同步操控100量子比特，团队在无随机势的“干净”系统中，实现了有限温下的对称性保护的拓扑边缘态。介绍了MindSpore Quantum框架在模拟含噪声条件下多比特量子纠缠态生成和量子新奇物象探索方面的应用，并从实验的角度展望未来的发展方向。 昇思MindSpore技术专家周俊园分享了量子计算这个新兴领域目前在硬件、软件和算法三个方面的整体发展情况，同时介绍了量子计算套件MindSpore Quantum 0.10.0目前在功能、模拟器性能和开源生态建设等方面取得的进展，以及接下来继续深耕的方向，并展示了新版套件在处理量子化学模拟、量子组合优化等场景上的能力。 昇思MindSpore技术专家孟庆鹤分享了流体计算套件MindSpore Flow 0.3.0的最新架构、版本特性和典型案例。版本特性方面，MindSpore Flow 0.3.0重构了mindflow.core，增强了谱神经算子能力、CBS可微分求解器能力，新增了AdaHessian二阶优化器API、扩散模型、图神经网络等特性。案例方面，MindSpore Flow 0.3.0新增了ICLR2025 spotlight论文PhyMPGN、高被引论文NSFNets、多物理场、不确定量化等案例。未来，MindSpore Flow套件将基于图神经网络的流场预测能力、基于Diffusion等概率生成模型的气动设计能力和基于强化学习的流动控制能力等方面强化套件功能，更好地赋能领域研发人员和开发者进行科研创新和行业落地。 昇思MindSpore技术专家周传赛为大家分享了最新地球科学套件MindSpore Earth 0.3.0的架构和新增的短临降水模型、地震模型等案例，同时介绍了气象模型近些年的演化过程，以及业界重要模型在MindSpore Earth上实践情况，并展示了MindSpore Earth在未来拓展海洋、空间天气场景及融合驱动基础模型上的构想和潜力。此外周传赛还介绍了SIG未来将要开展的活动以及参与方式。 在宏观领域，开发者围绕MindSpore的图数据接口、PDEformer模糊建模等展开讨论。明确了深度优化图接口性能、显存和易用性，提升AI求解器通用性等未来工作方向。 在量子领域，开发者围绕量子模拟器底层加速技术、量子软件功能在实验中的应用要求等展开讨论，提出量子线路深度优化、误差缓解等技术要求。 本次会议上，开发者们围绕昇思MindSpore贡献了大量宝贵想法和建议，昇思MindSpore开源社区的繁荣发展离不开每一位SIG组成员的贡献，从而实现“百花齐放”。 --- https://www.mindspore.cn/news/zh/3698/ --- 新闻 奋楫逐浪，迎风远航——昇思开发者大会成功举办，MindSpore 2.6版本重磅发布 # 奋楫逐浪，迎风远航——昇思开发者大会成功举办，MindSpore 2.6版本重磅发布 2025/04/12 # 奋楫逐浪，迎风远航——昇思开发者大会成功举办，MindSpore 2.6版本重磅发布 \[中国，杭州，2025年4月12日\] 昇思开发者大会（MindSpore Developer Day 2025）顺利召开，超过300位来自企业、高校与科研院所、AI开源社区的开发者现场深度参与。本次大会由昇思MindSpore开源社区主办，旨在汇聚开源力量、传递AI基础软件技术与开源价值，携手开发者持续共建、共治、共享社区，推动AI框架技术创新与贡献开源事业。 会上，昇思开源社区正式发布MindSpore 2.6版本，即将正式上线社区官方网站，供全体开发者下载使用。 昇思MindSpore开源社区理事长在致辞中表示，今年是昇思开源5周年，感谢开发者的陪伴和对昇思的贡献，社区将持续携手开发者共建、共享开源框架生态，加速人工智能技术的创新、产业的繁荣。近段时间，技术上，多模态、长序列、思维链、强化学习等技术密集爆发，DeepSeek让开源AI事业再创高峰，面对这些技术热点，昇思通过深厚的储备与架构演进，持续支撑着开源开发者的创新。 丁诚提到，昇思开源社区已经搭建了完整的治理架构，通过理事会与技术委员会，分别管理社区发展方向与技术路线，并且推出CALL for X 计划与多层次课程赋能体系，提供成长路径规划、免费学习资源、理论实战结合的专家指导，助力开发者成长。 昇思MindSpore开源社区理事长 丁诚 昇思MindSpore技术总经理邓益平博士在会上发布了MindSpore 2.6版本，并对新特性作了详细的技术解读。邓益平博士指出，昇思MindSpore 2.6版本全面支持类DeepSeek V3/R1 MoE模型训练推理全流程，推出训推一体的强化学习套件使能后训练范式创新，易用性上实现主流SOTA模型的Day0迁移。 邓博士分享了昇思MindSpore联合北京大学、openEuler社区打造的大模型一体化软件案例，该方案全栈开源，支持千行百业大模型应用的快速部署，并在北京大学的算力集群上服务；昇思也联合鹏城实验室实现强化学习训练全流程，发布强化学习训练框架GRPO-Training-Suite并开源相关代码。 此外，昇思持续投入AI+科学计算，发布流体、气象、化学套件新版本，联合行业用户、科研机构、学术专家共同加速科研创新，推动科技进步。下一步，昇思MindSpore将重点提升MoE、多模态、Reasoning等模型易用性和性能，面向Atlas 800 A3 超节点实现亲和加速，使能硬件释放极致性能。 昇思MindSpore技术总经理 邓益平 大会围绕技术热点、版本重磅特性同步举办5场SIG Gathering，分别覆盖MoE大模型预训练、强化学习与蒸馏技术、大模型推理、AI for Science与框架易用性专题，开发者们积极参与感兴趣的SIG，并在讨论组中进行深度交流。 昇思MindSpore开源社区携手Gitee社区举办AI应用专题论坛， 从硬件、软件、模型、平台、应用等维度邀请了不同领域的开发者作主题分享，旨在连接开发者与全栈技术能力，助力AI应用加速创新。 大会现场布置超过15个展屏与互动体验、30篇论文展示，为开发者介绍昇思MindSpore AI框架、指导动手实践与启发论文研究。 开发者是推动开源事业发展的中坚力量，昇思MindSpore开源社区致力于发展开发者、鼓励技术创新、激励成果落地，在开发者回馈社区、贡献社区、共建社区的过程中，与开发者共成长。 --- https://www.mindspore.cn/news/zh/3700/ --- 新闻 同步首发！智谱开源GLM-4-0414全部6个模型并上线昇思、魔乐开源社区 # 同步首发！智谱开源GLM-4-0414全部6个模型并上线昇思、魔乐开源社区 2025/04/15 # 同步首发！智谱开源GLM-4-0414全部6个模型并上线昇思、魔乐开源社区 4月15日，昇思MindSpore开源社区、魔乐社区第一时间上架**智谱全新开源的GLM-4-0414 32B/9B模型**，并完成精度测试。智谱**GLM-4-0414拥有** 32B/9B两个尺寸，涵盖基座、推理、沉思模型，均遵循 MIT 许可协议。其中，推理模型 GLM-Z1-32B-0414 性能媲美 DeepSeek-R1 等顶尖模型，实测推理速度可达 200 Tokens/秒。 模型介绍： **基座模型 GLM-4-32B-0414** 拥有 320 亿参数，其性能可与国内、外参数量更大的主流模型相媲美。该模型利用 15T 高质量数据进行预训练，特别纳入了丰富的推理类合成数据，为后续的强化学习扩展奠定了基础。在后训练阶段，除了进行面向对话场景的人类偏好对齐，还通过拒绝采样和强化学习等技术，重点增强了模型在指令遵循、工程代码生成、函数调用等任务上的表现，以强化智能体任务所需的原子能力。 GLM-4-32B-0414 在工程代码、Artifacts生成、函数调用、搜索问答及报告撰写等任务上均表现出色，部分 Benchmark 指标已接近甚至超越\*\*GPT-4o、DeepSeek-V3-0324（671B）\*\*等更大模型的水平。 **GLM-Z1-32B-0414** 是一款具备深度思考能力的推理模型。该模型在 GLM-4-32B-0414 的基础上，采用了冷启动与扩展强化学习策略，并针对数学、代码、逻辑等关键任务进行了深度优化训练。与基础模型相比，GLM-Z1-32B-0414 的数理能力和复杂问题解决能力得到显著增强。此外，训练中整合了基于对战排序反馈的通用强化学习技术，有效提升了模型的通用能力。 在部分任务上，\*\*GLM-Z1-32B-0414 凭借 32B 参数，其性能已能与拥有 671B 参数的 DeepSeek-R1 相媲美。\*\*通过在 AIME 24/25、LiveCodeBench、GPQA 等基准测试中的评估，GLM-Z1-32B-0414 展现了较强的数理推理能力，能够支持解决更广泛复杂任务。 GLM-Z1-9B-0414是沿用了上述一系列技术，训练出的一个 9B 的小尺寸模型。虽然参数量更少，但GLM-Z1-9B-0414 在数学推理及通用任务上依然表现出色，整体性能已跻身同尺寸开源模型的领先水平。特别是在资源受限的场景下，该模型可以很好地在效率与效果之间取得平衡，为需要轻量化部署的用户提供强有力的选择。 **沉思模型GLM-Z1-Rumination-32B-0414**代表了智谱对 AGI 未来形态的下一步探索。与一般推理模型不同，沉思模型通过更多步骤的深度思考来解决高度开放与复杂的问题。其关键创新在于，它能在深度思考过程中整合搜索工具处理复杂任务，并运用多种规则型奖励机制来指导和扩展端到端的强化学习训练。该模型支持“**自主提出问题—搜索信息—构建分析—完成任务**”的完整研究闭环，从而在**研究型写作**和**复杂检索任务**上的能力得到了显著提升。 欢迎广大开发者下载体验！ 魔乐社区模型下载链接： - https://modelers.cn/models/MindSpore-Lab/GLM-4-32B-Base-0414 - https://modelers.cn/models/MindSpore-Lab/GLM-Z1-Rumination-32B-0414 - https://modelers.cn/models/MindSpore-Lab/GLM-Z1-32B-0414 - https://modelers.cn/models/MindSpore-Lab/GLM-Z1-9B-0414 - https://modelers.cn/models/MindSpore-Lab/GLM-4-32B-0414 - https://modelers.cn/models/MindSpore-Lab/GLM-4-9B-0414 **以下为手把手教程：（以GLM-Z1-9B-0414+昇思MindSpore基于昇腾推理为例）** **\# 01** **快速开始** GLM-Z1-9B-0414推理至少需要1台（1卡）Atlas 800T A2（64G）服务器（基于BF16权重）。昇思MindSpore提供了GLM-Z1-9B-0414推理可用的Docker容器镜像，供开发者快速体验。 **1** **下载昇思MindSpore推理容器镜像** 执行以下 Shell 命令，拉取昇思 MindSpore GLM-Z1 推理容器镜像： `docker pull swr.cn-central-221.ovaijisuan.com/mindformers/mindspore_glm_z1:20250414` **2** **启动容器** 执行以下命令创建并启动容器： `docker run -it --privileged --name=GLM-Z1 --net=host \ --shm-size 500g \ --device=/dev/davinci0 \ --device=/dev/davinci1 \ --device=/dev/davinci2 \ --device=/dev/davinci3 \ --device=/dev/davinci4 \ --device=/dev/davinci5 \ --device=/dev/davinci6 \ --device=/dev/davinci7 \ --device=/dev/davinci_manager \ --device=/dev/hisi_hdc \ --device /dev/devmm_svm \ -v /usr/local/Ascend/driver:/usr/local/Ascend/driver \ -v /usr/local/Ascend/firmware:/usr/local/Ascend/firmware \ -v /usr/local/sbin/npu-smi:/usr/local/sbin/npu-smi \ -v /usr/local/sbin:/usr/local/sbin \ -v /etc/hccn.conf:/etc/hccn.conf \ swr.cn-central-221.ovaijisuan.com/mindformers/mindspore_glm_z1:20250414 /bin/bash` 注意事项： - 如果部署在多机上，每台机器中容器的hostname不能重复。如果有部分宿主机的hostname是一致的，需要在起容器的时候修改容器的hostname。 - 后续所有操作均在容器内操作。 **3** **模型下载** 执行以下命令为自定义下载路径 /home/work/GLM-Z1-9B-0414 添加白名单： `export HUB_WHITE_LIST_PATHS=/home/work/GLM-Z1-9B-0414` 执行以下 Python 脚本从魔乐社区下载昇思 MindSpore 版本的 GLM-Z1-9B-0414 文件至指定路径 /home/work/GLM-Z1-9B-0414 。下载的文件包含模型代码、权重、分词模型和示例代码，占用约18GB 的磁盘空间： `from openmind_hub import snapshot_download snapshot_download( repo_id="MindSpore-Lab/GLM-Z1-9B-0414", local_dir="/home/work/GLM-Z1-9B-0414", local_dir_use_symlink=False )` 下载完成的 /home/work/GLM-Z1-9B-0414 文件夹目录结构如下： `GLM-Z1-9B-0414 ├── config.json # 模型json配置文件 ├── tokenizer.model # 词表model文件 ├── tokenizer_config.json # 词表配置文件 ├── predict_glm4_z1_9b.yaml # 模型yaml配置文件 └── weights ├── model-xxxxx-of-xxxxx.safetensors # 模型权重文件 ├── tokenizer.json # 模型词表文件 ├── xxxxx # 若干其他文件 └── model.safetensors.index.json # 模型权重映射文件` 注意事项： - /home/work/GLM-Z1-9B-0414 可修改为自定义路径，确保该路径有足够的磁盘空间（约 18GB）。 - 下载时间可能因网络环境而异，建议在稳定的网络环境下操作。 **\# 02** **服务化部署** **1** **修改模型配置文件** 在 predict\_glm4\_z1\_9b.yaml 中对以下配置进行修改（若为默认路径则无需修改）： `load_checkpoint: '/home/work/GLM-Z1-9B-0414/weights' # 配置为实际的模型绝对路径 auto_trans_ckpt: True # 打开权重自动切分，自动将权重转换为分布式任务所需的形式 load_ckpt_format: 'safetensors' processor: tokenizer: vocab_file: "/home/work/GLM-Z1-9B-0414/tokenizer.model" # 配置为tokenizer文件的绝对路径` **2** **一键启动MindIE** MindSpore Transformers提供了一键拉起MindIE脚本，脚本中已预置环境变量设置和服务化配置，仅需输入模型文件目录后即可快速拉起服务。 进入 mindformers/scripts 目录下，执行MindIE启动脚本： `cd /home/work/mindformers/scripts bash run_mindie.sh --model-name GLM-Z1-9B-0414 --model-path /home/work/GLM-Z1-9B-0414 --max-prefill-batch-size 1` 参数说明： - \--model-name：设置模型名称 - \--model-path：设置模型目录路径 查看日志： `tail -f output.log` 当log日志中出现 \`Daemon start success!\` ，表示服务启动成功。 **3** **执行推理请求测试** 执行以下命令发送流式推理请求进行测试： `curl -w "\ntime_total=%{time_total}\n" -H "Accept: application/json" -H "Content-type: application/json" -X POST -d '{"inputs": "请介绍一个北京的景点", "parameters": {"do_sample": false, "max_new_tokens": 128}, "stream": false}' http://127.0.0.1:1025/generate_stream &` ### **\# 03** **声明** 本文档提供的模型代码、权重文件和部署镜像，当前仅限于基于昇思MindSpore AI框架体验 GLM-Z1-9B-0414 的部署效果，不支持生产环境部署。 相关使用问题请反馈至ISSUE（链接：https://gitee.com/mindspore/mindformers/issues）。 昇思MindSpore AI框架将持续支持相关主流模型演进，并根据开源情况面向全体开发者提供镜像与支持。 --- https://www.mindspore.cn/news/zh/3701/ --- 新闻 上海交通大学联合MindSpore与openEuler社区，实现DeepSeek全栈开源单机推理部署 # 上海交通大学联合MindSpore与openEuler社区，实现DeepSeek全栈开源单机推理部署 2025/04/17 # 上海交通大学联合MindSpore与openEuler社区，实现DeepSeek全栈开源单机推理部署 2025年1月DeepSeek-R1发布以来，已触发了AI大模型产业的一系列进化与变革。 一方面，DeepSeek-V3/R1以其卓越的交互体验，7天即揽获过亿用户。3月24日发布的DeepSeek-V3-0324更在代码生成、技术写作等多项任务能力上有了质的飞跃，使得AI大模型加速成为新一代生产力工具。 另一方面，DeepSeek-V3/R1依托MoE网络结构、动态冗余专家等一系列巧妙设计，显著提升了训推性价比，使得中小企业有能力定制训练和部署专有模型，有望加速AI+产业赋能。 然而，伴随着DeepSeek-V3/R1的持续火爆，其大规模产业落地，仍面临诸多挑战： 1、部署门槛高：在裸金属服务器或云主机上部署DeepSeek-V3/R1推理服务，涉及AI框架、推理加速库、推理服务框架等10+个开源软件的安装调测，学习成本高，探索路径曲折； 2、部署满血版成本高：满血版DeepSeek-V3/R1采用BFloat16浮点格式的权重文件部署，通常需4台Atlas 800T A2服务器（64GB），部署成本相对较高。 3、性能优化难：以昇腾为代表的国产化算力平台，此前缺乏性能领先、全栈开源的DeepSeek-V3/R1推理解决方案，阻碍了行业化定制调优。 3月26日，上海交通大学并行与分布式系统研究所联合昇思MindSpore社区、openEuler社区，联合开发验证了基于vLLM+openEuler+MindSpore、全栈开源的DeepSeek推理解决方案。双方研发人员协同完成DeepSeek-R1/V3-0324权重参数的Int4量化，在精度几乎无损的条件下，实现单台Atlas 800T A2服务器（64GB）部署运行DeepSeek大模型推理服务。同时，验证了DeepSeek-R1/V3-0324 Int8量化推理，其系统总吞吐性能较前序版本提升幅度达15%。 值得关注的是，该解决方案的DeepSeek-V3/R1 Int8量化推理版本，此前已与北京大学联合进行了技术验证，并参展华为计算合作伙伴大会，支持RAG、智能运维、智能调优Agent等应用。相关技术细节可参阅《北京大学联合openEuler与MindSpore发布DeepSeek全栈开源解决方案》、《openEuler全栈开源推理方案亮相华为伙伴大会》。 **\# 01** **技术亮点解析** 1.1 昇思MindSpore Int4权重量化推理 DeepSeek是首个使用FP8浮点格式进行全流程训练和推理的大模型，但其千亿级的庞大参数量仍对硬件部署环境提出了极高的要求。借助昇思MindSpore金箍棒套件，成功实现了对DeepSeek-R1/V3-0324权重参数的W4A16 Int4权重量化，将部署的硬件部署成本的进一步减半。 昇思MindSpore金箍棒套件使用GPTQ算法，通过分层配置DeepSeek-R1/V3-0324网络的量化策略，有效平衡了量化模型精度和显存占用。面向DeepSeek MoE结构，使用Hessian矩阵的二阶信息约束权重量化前后的模型输出差异，实现高精度的Int4量化。同时，采用逐块量化策略，降低量化校准耗时和显存占用，在完成一批参数的量化完后，使用逆Hessian矩阵信息对后一批参数的权重进行补偿。如表1所示，Int4权重量化后的DeepSeek-R1推理模型ceval评分，较BFloat16浮点格式几乎无退化，但权重文件和显存占用减少约75%。 表1 DeepSeek-R1/V3-0324 Int4量化推理测试结果 注：表中为zero-shot CEval评测结果，限定模型输出最多5个token，匹配正确答案来计分。 借助昇思MindSpore的图编译功能，DeepSeek量化模型推理过程中自动进行Vector-Vector、Cube-Vector算子融合优化，同时结合vLLM的Multi-Step Scheduling/Prefix Cache以及Chunked Prefill等功能，有效地提升了模型的推理吞吐率。 1.2 openEuler异构融合内存按需预取&offload openEuler提供了操作系统层面细粒度的L2Cache按需控制和预取技术，支持计算任务和通信任务多线程并发执行，在通信任务流执行的同时按需预取MoE层的权重参数，实现通算的进一步融合和流水并行时延掩盖，提升推理吞吐。 openEuler引入了KVCache Offload机制，大幅降低了DeepSeek模型的NPU显存开销，进一步提升显存利用率与整体吞吐性能：该机制可自动识别冷热的KV Cache数据，将不常用的KV Blocks动态交换到内存中；当用户请求激活或者匹配到共享前缀时，再将KV Blocks交换到NPU中继续推理。同时，使用异步传输进一步将KV Blocks的传输和计算交叠掩盖，降低了上述过程对于Prefill时延的影响。 1.3 毕昇编译优化 毕昇编译器针对NPU后端使能融合编译技术，使能架构亲和指令，分析多级流水线之间数据依赖关系，自动插入最优同步，实现最优性能Vector-Vector融合算子与Cube-Vector融合算子，并优化PagedAttention算子等关键算子的执行速率，加速NPU设备运行速度，减少算子数量，降低下发执行压力。 在openEuler、MindSpore与 DeepSeek全栈开源推理方案中，毕昇编译器针对Host CPU侧算子下发阶段的性能瓶颈，通过架构亲和优化、循环优化、多级并行优化、指令优化、智能编译选项和链接时优化等编译技术优化Python、Mindspore和Ray框架，使代码布局更优，有效提高程序IPC，降低访存开销，进而降低时延，提高吞吐率。 **\# 02** **部署验证结果** 3月26日，上海交通大学并行与分布式系统研究所和openEuler社区的研发人员通过线上协同，在上海交通大学的Atlas 800T A2服务器集群上，使用MindSpore+openEuler全栈开源推理解决方案镜像，验证了DeepSeek-R1和DeepSeek-V3-0324的Int8/In4量化推理。 双方研发人员首先使用2台Atlas 800T A2服务器（64GB），部署了基于vLLM+MindSpore+openEuler的DeepSeek-R1 Int8量化推理，其单Batch吞吐率19token/s，192 Batch总吞吐率1400token/s，较该解决方案首版本提升了超过15%。 双方研发人员然后使用昇思MindSpore金箍棒套件，对DeepSeek-R1和DeepSeek-V3-0324 1274GB的BFloat16浮点格式权重文件，进行了GPTQ权重量化，经历约6小时的量化寻优，获得了体积仅337GB的Int4格式权重文件，可在单台Atlas 800T A2服务器（64GB）上进行服务部署，192 Batch总吞吐率420token/s。 上述开发验证过程的容器镜像和权重文件，已分别上传至openEuler社区和天翼云魔乐社区（modelers.cn），可供开发者下载使用。 图1 openEuler社区朱睿（左图）与上海交通大学并行与分布式系统研究所陈启炜（右图）远程协同完成DeepSeek Int8/Int4推理部署开发与验证 相关资源链接： 1\. openEuler+MindSpore全栈开源解决方案镜像： hub.oepkgs.net/oedeploy/openeuler/aarch64/mindspore:20250326 2\. DeepSeek-R1 Int8量化模型权重： https://modelers.cn/models/MindSpore-Lab/DeepSeek-R1-W8A8 3\. DeepSeek-V3-0324 Int4量化模型权重： https://modelers.cn/models/IPADS/DeepSeek-V3-0324-A16W4 4\. DeepSeek-R1 Int4量化模型权重： https://modelers.cn/models/IPADS/DeepSeek-R1-A16W4 **3** **演进路标披露** 结合AI产业发展趋势和开源软件客户应用需求，MindSpore社区和openEuler社区已联合多家机构与产业伙伴，规划出DeepSeek全栈开源推理解决方案的技术演进路标。如下图所示，通过垂直整合和持续演进MindSpore、openEuler、毕昇编译器在异构资源调度、图编译、异构编译优化等领域的技术长板，该解决方案将陆续支持多模态RAG、AI Agent等应用功能，并将所支持的系统形态由单机/双机逐步拓展至32卡/64卡PD分离集群，以期提供鲲鹏+昇腾智算平台的开源最优推理部署方案。 图2 MindSpore+openEuler开源推理解决方案路标 --- https://www.mindspore.cn/news/zh/3702/ --- 新闻 昇思开发者荣获一等奖“半壁江山”！第九届华为ICT大赛创新赛中国总决赛圆满落幕 # 昇思开发者荣获一等奖“半壁江山”！第九届华为ICT大赛创新赛中国总决赛圆满落幕 2025/04/17 # 昇思开发者荣获一等奖“半壁江山”！第九届华为ICT大赛创新赛中国总决赛圆满落幕 2025年3月30日，备受瞩目的第九届华为ICT大赛中国总决赛颁奖典礼在东南大学九龙湖校区圆满落下帷幕。颁奖典礼上揭晓了第九届华为ICT大赛中国总决赛各赛道的获奖名单。在创新赛，昇思MindSpore开发者脱颖而出，占一等奖获奖队伍的50%，他们将晋级5月在深圳举办的全球总决赛，与来自世界其他国家的队伍展开巅峰对决。 第九届华为ICT大赛中国总决赛颁奖典礼现场 ### **\# 01** **创新赛：围绕科研、行业痛点、高校人才培养，解锁个性化应用新场景** 在创新赛中，我们看到了昇思MindSpore的开发者们对SOTA算法的探索与创新，以及结合交通、医疗、教育、建筑等行业痛点打造的解决方案。开发者们的作品将创新性与社会效益充分融合，展现了昇思MindSpore的开发者们的创新精神和社会责任感。 以下为昇思MindSpore一等奖代表作品的介绍： **1.1 前沿算法创新：Edge-ARTrack——基于MindSpore的ARTrackV2边缘计算优化部署方案** Edge-ARTrack 是一种基于 MindSpore 框架设计的轻量化目标追踪算法，采用纯编码器结构，并通过自回归方式进行轨迹建模，专为边缘计算场景优化设计。针对边缘设备在算力和功耗方面的限制，我们提出了轨迹序列特征蒸馏策略，在保持高效时序建模能力的同时实现模型压缩；同时，引入全局模板剪枝策略，在不增加额外运行时计算的前提下，有效去除模板中的背景冗余信息，提升计算效率。这两项核心优化策略的结合，使得Edge-ARTrack 在性能与效率之间实现了良好平衡，能够在低计算成本下实现高效、稳定的目标追踪。该方案已成功部署在边缘设备香橙派 AIpro 上，支持任意目标的实时追踪。 **1.2 交通安全保障：Drive Guard——基于智能方向盘的驾驶员状态感知系统** 为破解公共交通驾驶员身心状态监测难题，推动人车交互智能化升级，Drive Guard团队依托华为全栈技术生态，打造了一款集成多维体征及行为感知的智能方向盘系统。该系统通过创新融合心电、皮电及六轴惯性传感器，实现驾驶员常规握持状态下的体征及行为数据无感实时采集，结合华为MindSpore框架与ModelArts全流程AI平台，构建驾驶员状态监测模型，精准识别疲劳驾驶、情绪激动、心血管风险三类高危状态，并首创“体征感知-反馈预警-及时干预”的主动安全闭环体系，实现道路恶性事件减少，守护公共交通安全。 **1.3 建筑安全巡检：昇腾卫士——多模态楼宇监控与巡检机器人** “昇腾卫士”是一款多模态楼宇监控与巡检机器人，助力解决传统楼宇管理中效率低、成本高及响应慢等难题。作品集成香橙派、MindSpore框架及多模态大模型，实现人流监测、自动化巡检，访客登记等应用，结合鸿蒙APP提供用户交互。本作品适用于商业楼宇、公共场所，通过AI替代人工巡检，推动楼宇管理向智能化转型。其具备规模化推广潜力，为智慧城市提供安全管理新范式。 **1.4 视障人士导航：Ascend Navigator——基于 Orange Pi AIpro 的可穿戴导盲设备** Ascend Navigator是一款面向视障群体的可穿戴智能导盲设备，基于MindSpore框架下的OCRNet语义分割模型，通过双目相机实时采集环境信息，融合深度信息与，结像素语义信息，实现三维场景理解合智能路径规划算法，通过语音提示实现障碍物规避与方向引导。设备搭载北斗模块，实现街道级步行导航。配套监护人鸿蒙APP支持实时定位、电子围栏、远程监控等功能，进一步守护视障人士出行安全。 **1.5 听障人士翻译：聆动制影——基于MindSpore架构的聋哑无障碍交流AR系统** 以数字技术帮助聋哑群体，运用AI及AR等科技手段打造“24小时手语翻译官”。该系统旨在为聋哑群体提供高效、便捷的沟通解决方案。团队结合MediaPipe技术，精准标记手掌21个关键点，研发出高精度手语识别算法模型，并通过基于MindSpore框架搭建的LSTM识别算法算法，在复杂手势场景下实现实时分析与处理。系统通过端边协同技术优化性能，将手语动作实时翻译为文字或语音，并通过AR技术直观展示给用户，打破沟通障碍，助力聋哑群体实现无障碍交流。 **1.6 高校人才培养：EchoChronos（时光回声）** “EchoChronos（时光回声）”是一个多模态智慧教育系统，聚焦AI+教育领域，旨在通过昇思MindSpore等华为技术生态解决传统教育个性化不足、互动性差及资源不均等问题。作品基于多模态教学数据分析系统，实时追踪学生学习行为与认知状态，结合RAG技术构建覆盖多学科的120万知识点库，提升大模型答案准确率至91%。创新设计风格化智能对话机器人，融合语音合成与动态角色迁移技术，实现沉浸式交互体验。 ### **\# 02** ### **昇思MindSpore预祝晋级队伍在全球总决赛取得优异成绩** 华为ICT大赛是华为打造的面向全球高校的年度ICT赛事，旨在为全球高校师生打造国际化竞技和交流平台，提升学生的ICT知识水平和实践动手能力，培养其运用新技术、新平台的创新创造能力，推动人类科技发展，助力全球数字包容。大赛在中国被纳入全国普通高校大学生竞赛项目榜单；在海外被纳入UNESCO全球技能学院的关键伙伴旗舰项目。 昇思MindSpore开源社区与开发者持续参与、支持大赛，通过以题促赛、以赛促学、以学促用助力开发者应用实践加速落地、AI框架生态繁荣。 --- https://www.mindspore.cn/news/zh/3704/ --- 新闻 嘉宾观点集锦 | MindSpore Developer Day 2025 # 嘉宾观点集锦 | MindSpore Developer Day 2025 2025/04/18 # 嘉宾观点集锦 | MindSpore Developer Day 2025 嘉宾观点集锦 | MindSpore Developer Day 2025 --- https://www.mindspore.cn/news/zh/3710/ --- 新闻 晶体生成10倍加速！基于流模型的晶体结构生成模型CrystalFlow在昇思社区开源 # 晶体生成10倍加速！基于流模型的晶体结构生成模型CrystalFlow在昇思社区开源 2025/04/25 # 晶体生成10倍加速！基于流模型的晶体结构生成模型CrystalFlow在昇思社区开源 ### **\# 01** **背景** 理论晶体结构预测是通过计算的手段寻找物质在给定的外界条件下最稳定结构的重要手段。传统结构预测方法依赖在势能面上广泛的随机采样来寻找最稳定结构，然而，这种方法需要对大量随机生成的结构进行局域优化，而局域优化通常需要消耗巨大的第一性原理计算成本，尤其在模拟多元素复杂体系时，这种计算开销会显著增加，从而带来巨大的挑战。 近年来，基于深度学习生成模型的晶体结构生成方法因其能够在势能面上更高效地采样合理结构而逐渐受到关注。这种方法通过从已有的稳定或局域稳定结构数据中学习，进而生成合理的晶体结构，与随机采样相比，不仅能够减少局域优化的计算成本，还能通过较少的采样找到体系的最稳定结构。在这项工作中，基于流模型发展了晶体结构生成模型CrystalFlow，该模型在MP20等基准数据集上达到优秀的水平，目前已在昇思社区开源。 项目地址： https://gitee.com/mindspore/mindscience/tree/master/MindChemistry ### **\# 02** ### **模型介绍** CrystalFlow采用先进的流模型生成方案，有效地在未知的目标概率分布和已知的简单概率分布建立概率密度变换关系，以学习晶体结构数据库中合理的稳定结构特征，并生成新的合理构型。通过使用图等变消息传递网络，CrystalFlow有效处理了晶体结构内在的基本对称性，包括置换、旋转和周期平移不变性，实现对晶体结构的高效学习和建模，以及灵活的条件式生成策略。 图1 CrystalFlow模型架构图 CrystalFlow模型架构如图1所示。对于晶体结构而言，结构的组成包括周期晶格、原子坐标和元素种类等部分。对各个元素分别构造含时矢量场u\_t，推动概率密度从简单分布向目标分布演化，模型则使用由参数θ参数化的神经网络v\_(t,θ)对该矢量场进行建模。CrystalFlow通过选取与旋转无关的晶格表示，以及原子的分数坐标表示，将旋转自由度从晶体表示中解耦，简化了流模型对结构不变性的处理。进一步，CrystalFlow将以上各结构组成部分的变量分离，分别使用各自的概率流进行计算，再将各部分联合训练，完成对晶体结构整体的学习。 对于晶体结构预测问题，我们希望确定给定化学配比时的稳定结构，因此此时结构的元素组成保持不变，不参与概率流变换；而对于新材料设计问题，我们可能不希望预先固定结构的元素组成，此时需要将其参与概率流变换。CrystalFlow分别实现了两种情形下的模型训练与结构生成。另一方面，为了进行功能材料的逆向结构设计，CrystalFlow还实现了以外界压强或结构形成能等信息为目标的条件式结构生成，实现根据期望的特定物理化学性质对模型输出进行调控。 ### **\# 03** **模型表现** 目前，CrystalFlow已经在昇思社区开源。在晶胞内包含不超过20原子的MP20数据集和更复杂与挑战的MPTS52数据集上的基准测试如表1所示。通过在测试集上计算模型的匹配率（MR）和均方根误差（RMSE）来衡量模型能否找到目标稳定结构的能力，以及找到的结构距离真实目标结构的差异，以对模型性能的评估。在重复次数分别取1，20和100时，与其他方法相比，CrystalFlow模型的预测效果达到了最优水平，体现了其更强的预测能力。CrystalFlow在推理时间上也具有显著优势。CrystalFlow仅采用100积分步数（S）即可达到与基于Diffusion的模型相同的效果，推理时间降低了一个数量级，较现有晶体生成SOTA模型DiffCSP推理性能10倍加速。具体推理时间如表2所示。 表1 不同方法在MP20和MPTS52数据集上的结构预测表现 表2 不同方法在相同硬件上的推理时间对比。在MP20测试集上进行生成以进行评估。S表示不同方法使用的积分步数。 ### **\# 04** **结语** CrystalFlow使用流模型构建了一种晶体结构生成方法，通过对晶格、原子位置和元素种类分别设计先验分布和概率流演化概率路径，实现在满足晶体结构置换、旋转和平移等不变性的要求下，高效生成晶体，并在多个生成任务的表现上达到最优水平。CrystalFlow作为一种极具前景且用途广泛的结构采样工具，有望深度整合到各类晶体结构预测方法与材料设计工作流程中。相关使用案例可在昇思社区查看，欢迎开发者们使用。 项目地址： https://gitee.com/mindspore/mindscience/tree/master/MindChemistry **参考文献** \[1\] X. Luo et al., CrystalFlow: A Flow-Based Generative Model for Crystalline Materials, arXiv 2412.11693 --- https://www.mindspore.cn/news/zh/3716/ --- 新闻 斩获2项大奖！昇思开源社区携手鹏城实验室荣获第四届中国国际软件发展大会突破性技术成果奖 # 斩获2项大奖！昇思开源社区携手鹏城实验室荣获第四届中国国际软件发展大会突破性技术成果奖 2025/04/30 # 斩获2项大奖！昇思开源社区携手鹏城实验室荣获第四届中国国际软件发展大会突破性技术成果奖 【2025年4月24日，北京国家会议中心】由中国软件行业协会主办的第四届中国国际软件发展大会（以下简称第四届软发会）在京召开。本届大会以“人工智能与软件变革”为主题，深入探讨人工智能与软件的双向赋能。中国科学院院士、中国软件行业协会理事长王怀民在迎辞中表示，当前正值人工智能深刻变革软件产业的关键时期，第四届软发会的成功召开将凝聚政产学研各方力量，以创新实践推动行业高质量发展，为完成“十四五”规划目标、建设现代化产业体系注入新动能。 昇思MindSpore AI框架作为人工智能基础软件，持续迭代，并以技术使能昇思开源社区产学研各界开发者在大模型、AI应用领域不断创新。昇思MindSpore AI框架全新发布的MindSpore 2.6版本与鹏城实验室发布的基于昇思MindSpore AI框架及昇腾AI硬件的强化学习训练框架GRPO-Training-Suite在本次大会上分别荣获2024年软件行业突破性技术成果奖。 昇思MindSpore 2.6版本 基于昇思框架及昇腾硬件的GRPO强化学习训练框架 昇思MindSpore 2.6版本升级MoE预训练及强化学习架构，全面支持类DeepSeek V3/R1模型高性能训推。支持Dropless MoE训练，通过分层通信和前反向通信掩盖实现通信性能优化，加速大集群部署；通过图编译+组合量化，提升推理系统吞吐率，显存资源占用减半；后训练构建强化学习套件，支持训推全流程一体化部署，实现基于GRPO算法的强化学习训练。昇思MindSpore2.6版本为GRPO强化学习训练流程提供了优化技术。通过组件化解耦训练流程与模型定义、训推共部署及异构内存Swap技术，实现了GRPO强化学习训练全流程打通，为强化学习开发者提供了多种训练接口，支持算法快速实现。通过兼容主流生态，实现主流大模型开箱即用，降低迁移成本。打造昇思MindSpore AI+HPC融合架构，创新流体、气象、化学套件，引领科学智能。 鹏城实验室发布基于昇思MindSpore AI框架及昇腾AI硬件的强化学习训练框架GRPO-Training-Suite，率先突破大模型强化学习技术全栈壁垒，实现从底层算力到上层算法的系统性优化。通过构建从硬件算力、算法优化到集群调度的完整技术链条，成功实现了GRPO强化学习训练在Qwen2.5（7B、32B）模型上的全流程部署，并开源了相关代码，为开发者提供了便捷的工具和资源。 未来，昇思MindSpore将持续发展基础软件技术，携手开源社区开发者在大模型、AI for Science等领域联合创新，加速人工智能产业生态繁荣发展。 --- https://www.mindspore.cn/news/zh/3720/ --- 新闻 重生之大腿带我征服MindSpore（三）：勇者的宿命，与并行女神的浪漫共舞 # 重生之大腿带我征服MindSpore（三）：勇者的宿命，与并行女神的浪漫共舞 2025/05/14 # 重生之大腿带我征服MindSpore（三）：勇者的宿命，与并行女神的浪漫共舞 作者：C帅 单位/来源：昇思MindSpore社区论坛 大模型火热的当下，模型大小动辄百亿千亿，其大到需要基于成千上万张卡进行分布式训练。分布式训练本质上是将单卡的计算逻辑切分到多卡，而并行组需要让单卡与分布式在IR图上保证计算逻辑等价。本期将详细为大家带来数据并行、张量并行和流水线并行。 ‍ **\# 01** **开场白** \*\*【主持人致辞】:\*\*大家好，欢迎大家莅临本期的《重生之大腿带我征服 MindSpore》栏目。今天，我们很荣幸地邀请到并行组的核心骨干-->C帅带领我们进行MindSpore自动并行相关模块的学习与实践，欢迎彬总！！ **【C帅】:** 谢谢大家~ 呵呵呵。 \*\*【主持人& C帅】：\*\*大模型火热的当下，模型大小动辄百亿千亿，其大到需要基于成千上万张卡进行分布式训练。分布式训练本质上是将单卡的计算逻辑切分到多卡，而并行组需要让单卡与分布式在IR图上保证计算逻辑等价。这里之所以说的 IR 图上等价，是因为计算算子的通信算子可能引入精度误差，但是图一定是需要等价的。 **【主持人】：**（内心OS：上次邀请的 SE 抢台词，这位怎么也抢？） **\# 02** **访谈环节** **常见的分布式训练方式** \*\*【Note】：\*\*本文中提到的数据并行模型指的是在 MindSpore 半/全自动并行模式下的实现。 \*\*【主持人】：\*\*C帅，常见的分布式训练方式是什么呢？ \*\*【C帅】：\*\*常见的分布式训练方式主要是数据并行、张量并行、流水线并行。 数据并行：顾名思义就是在数据维度进行并行计算，这里的数据维度通常指的是 batch 维。可以理解我们拥有 data\_paralleldata\_parallel 个模型，每个模型计算 batch\_sizebatch\_size 条数据，那么我们的完整模型就等价于一次计算 data\_parallel∗batch\_sizedata\_parallel∗batch\_size 条数据。 模型并行：张量并行和流水线模型都属于模型并行。LLM 大多都是由很多层 Transformer 结构堆叠而成的，张量并行就是对层内的 tensor 进行切分，流水行并行就是对层间的 tensor 进行切分。因此他们又分别被叫做层内(inter-layer)模型并行和层间(intra-layer)模型并行。 具体来说，张量并行就是对某一层内的所有 tensor 进行切分，这个切分可以是横着切，也可以竖着切。而流水行并行是根据层对 tensor 进行切分，比如1个4层的LLM 网络，可以把前面2层放在1个设备上，后2层放在另外一个设备上。 \*\*【主持人】：\*\*那是不是可以这样理解： 1）数据并行同时有多个模型在跑，模型并行只有一个模型 2）张量并行每个设备上的 tensor 都是不完整的，因为它会被横着切，或者竖着切。 3）流水行并行每个设备上都不会有完整模型的权重，因为它是根据不同层切分的。 \*\*【C帅】：\*\*对，你说的很对，现在你已经具备并行基础知识了，欢迎加入并行组。 \*\*【主持人】：\*\*本栏目谢绝打广告！！！ \*\*【观众】：\*\*嗯？ 招聘广告也能植入？ **数据并行以及MindSpore中的实现** #### **数据并行原理** \*\*【主持人】：\*\*C帅，刚才这个介绍，我相信你只是为了方便大家理解，可以再详细地对数据并行的原理进行展开吗？我相信还有一些观众可能和我一样，只是一知半解的。 \*\*【C帅】：\*\*没有没有，能听懂已经很强了，真的。其实数据并行本质上就是因为数据集太大了，需要使用更多的算力加速训练。所以我们会有多个模型部署在不同的设备上，每个模型接受不同的输入，假设有 data\_paralleldata\_parallel 个设备，每个设备处理的输入大小是 (batch\_size,hidden\_size)(batch\_size,hidden\_size), 那么它的结果应该等价于模型部署在单卡上，一次接受 data\_parallel∗batch\_sizedata\_parallel∗batch\_size 条数据的结果。 举个简单的例子，假如我们 dp = 2，batch\_size = 1,那相当于 npu 0、1 都接受bs = 1 大小的数据，接着分别在各自的设备上进行前、反向计算。最后计算的梯度的时候，需要执行一个梯度的 AllReduce Mean，最后每张卡基于这个梯度进行参数更新。 \*\*【主持人】：\*\*桥豆麻袋！为什么要把模型部署在不同的设备上，不是一个模型就行了嘛？这不是重复了吗？ \*\*【观众】：\*\*对呀对呀~ \*\*【C帅】：\*\*你看，我说什么来着，我就说大家都很专业嘛。这个就是鼎鼎大名的ZERO（Zero Redundancy Optimizer）。根据优化器状态、梯度、参数的切分，依次叠加，分别称作 Zero-1，Zero-2， Zero-3。 Zero-1 主要针对 adam 优化器的动量 m、v 做了切分，这两个部分在不切分的状态会占用 4+4=8Φ4+4=8Φ 的静态内存，开启切分的场景，那么这部分内存的占用就会降低到 8NΦN8Φ, 这里的 NN 代表切分数量，ΦΦ 代表模型参数量。 Zero-2 则在Zero1 的基础上继续对梯度进行切分，这里的梯度通常为2Φ2Φ, 切分后，其占用的内存量则为 2NΦN2Φ, 但是这部分在 MindSpore 通常不被统计到静态内存中，所以我们知道就行。 Zero-3 则在Zero2 的基础上进行对参数进行切分，根据参数初始化的类型(fp16,fp32) 决定其占用内存是 2Φ,4Φ2Φ,4Φ, 在考虑精度的场景，这里通常都是使用 fp32 进行初始化，也就意味着 4Φ4Φ --> 4NΦN4Φ。 对于 MindSpore 来说，静态内存的占用就可以从 (4+4+4)Φ(4+4+4)Φ 降低到 12nΦn12Φ。 #### **MindSpore中的数据并行** \*\*【主持人】：\*\*C帅，ZERO 的不同 stage 竟然可以省下这么多内存，那么在 MindSpore 中我们要如何使能呢？ \*\*【C帅】：\*\*主要由 enable\_parallel\_optimizer 和 optimizer\_weight\_shard\_size 控制。前者控制是否开启优化器切分，后者控制切分的份数，也就是可以切不满(op \*\*【主持人】：\*\*zero-1、zero-2，zero-3？ 是不是应该有3个变量啊？ \*\*【C帅】：\*\*从 MindSpore 目前的实现来看，是不存在和zero1/2 对应的实现方式的。MindSpore 开启优化器切分后，一定会去切分权重，这与 zero1/2的行为不符。zero3 可以实现类似的效果，即切优化器状态、切梯度、切权重。 另外，在开启梯度累加的时候，通常是不开启梯度切分的，因为其会影响性能，即设置 gradient\_accumulation\_shard=False。 **\# 03** **课后作业** 【主持人】：没想到啊，浓眉大眼的你，竟然留作业！ 【C帅】：为了世界和平，为了大家的学业事业有成。 请大家以如下配置进行图相关的分析，主要内容如下： 【1】梯度计算（必修） 【2】数据处理（选修） 【3】loss计算（选修） 【某位不愿透露姓名的A帅】：我勒个去，上班还要做作业？ **dp 图分析** 基于上面的参数进行设置，我们可以得到类似附件中 18\_validate\_0761\_dp.ir.txt 文件(txt 是因为不支持上传 ir 后缀的文件而修改的） 可以看到，两层的网络共有 27个参数，那么我们应该有 27个AllReduce。关于 norm\_out.weight的AllReduce 可如下所示： %20(dx) = AllReduce(%19) {instance name: grad\_mirror\_MirrorOperator} primitive\_attrs: {group: "hccl\_world\_group", fusion: I64(8), op: "sum", no\_eliminate: Bool(1), index: I64(0), group\_rank\_ids: (0, 1)} cnode\_primal\_attrs: {forward\_node\_name: "\_MirrorOperator\_91638", forward\_unique\_id: "91638", mirror\_user\_id: "model.norm\_out.weight"} 这里AllReduce 节点都存在对应的 mirror\_user\_id。 除此之外，还有3个 AllReduce 的功能分别如下： 1.global norm 计算： %288(CNode\_2123) = AllReduce(%287) {instance name: PARALLEL\_GLOBALNORM\_IN\_STAGES} primitive\_attrs: {comm\_reuse: Bool(1), group: "hccl\_world\_group", fusion: I64(0), op: "sum", rank\_list: (0, 1), group\_ranks: "WORLD\_GROUP", index: I64(0), group\_rank\_ids: (0, 1), keep\_value\_node\_input: Bool(1), no\_eliminate: Bool(1)} 2.溢出标志位计算: %202(flag\_reduce) = AllReduce(%201) {instance name: allreduce} primitive\_attrs: {comm\_reuse: Bool(1), group: "hccl\_world\_group", fusion: I64(0), op: "sum", rank\_list: (0, 1), index: I64(0), group\_rank\_ids: (0, 1), no\_eliminate: Bool(1)} 3.溢出标志位代码： 这里是因为没有区分大小写，所以搜到了源码部分，可忽略： flag\_reduce = self.allreduce(flag\_sum) **op 图分析** 类似的，我们可以得到类似附近中的 18\_validate\_0761\_op.ir.txt: 这里仍然是 27个参数，其中15个参数转变为 ReduceScatter，剩下12个参数仍然是AllReduce的原因是因为参数大小未超过阈值64KB，可以通过显式的设置 parallel\_optimizer\_threshold：0来强制开启。 关于 wv.weight 的 ReduceScatter 可如下所示： %49(dx) = ReduceScatter(%48) {instance name: grad\_parallel\_optimizer\_allgather\_not\_recompute} primitive\_attrs: {group: "hccl\_world\_group", rank\_size: I64(2), fusion: I64(1), op: "sum", no\_eliminate: Bool(1), group\_rank\_ids: (0, 1)} cnode\_primal\_attrs: {forward\_node\_name: "AllGather\_90868", forward\_unique\_id: "90868", mirror\_user\_id: "model.layers.0.attention.wv.weight"} 这里的 ReduceScatter 和前向的AllGather 是对应的，因为前向我们需要将切分的权重聚合后，才能进行正向的计算。 **\# 04** **自由提问** **为什么梯度附近会有一个 virtual div？** 【小来】：C帅，您好。我对并行训练很感兴趣，自己也私底下跑了一些实验，在看 ir 图的时候发现在梯度附近，会插入一个 virtural div 算子，这个算子的作用是什么呢？ 【C帅】：要理解这种情况，我们需要比较单卡和多卡的异同点，这里以dp=2, device\_num=2 为例。 在 MindSpore 中，每张卡都会输出1个loss，如果dp=2的话，每张卡会输出一样的loss，共输出2个loss。这个可以理解吧？ 【观众 && 小来】嗯嗯，可以理解。 【C帅】：那本来两张卡应该只算自己的loss，理论上loss 是不是只有原来的一半，这时候梯度进行相加，和单卡就是一样的。但是现在每张卡的 loss 都一样，每张卡的loss 都翻倍了，那你的梯度就要除以 2. 【小来】：哦。（此人晕过去了，无法继续提问，被跳过了） **为什么执行的是梯度的算子是 Sum 而不是 Mean** 【小A】：对于 megatron 来说，其执行的是 AllReduce Mean，在ms 框架里面是 AllReduce Sum，那么这两个框架的精度能对上吗？ 【C帅】：嗯，好问题。虽然 ms 框架侧做的是AllReduce Sum，但是会在loss后面会插入一个 div 算子，将每张卡的loss缩小为stage\_per\_device 倍，这样，就等价于 AllReduce Mean了。在本例种，这里就是2.这里的机制解析我已经传授给我的独家大弟子了，可以参考文章：https://www.hiascend.com/forum/thread-02113175249536152076-1-1.html 最后感谢热忱的C帅。 --- https://www.mindspore.cn/news/zh/3721/ --- 新闻 社区月报 | 昇思MindSpore 2.6版本重磅发布、Qwen3、GLM4等主流模型0Day同步首发！ # 社区月报 | 昇思MindSpore 2.6版本重磅发布、Qwen3、GLM4等主流模型0Day同步首发！ 2025/05/13 # 社区月报 | 昇思MindSpore 2.6版本重磅发布、Qwen3、GLM4等主流模型0Day同步首发！ **_昇思MindSpore2025年4月份总结_** **一、概述** 2025年4月，昇思MindSpore开源社区持续保持着高速发展的态度，在技术创新、社区运作等方面都取得了显著的成果。 社区同步首发Qwen3，支持一键部署、0Day支持智谱开源GLM-4-0414系列模型并上线MindSpore社区，GLM4涵盖32B和9B规格，推理速度高达200 Tokens/秒，进一步丰富了开源模型生态。上海交通大学联合MindSpore与openEuler社区，成功实现DeepSeek全栈开源单机推理部署，在量化精度无损的条件下显著提升推理性能。 昇思开发者大会（MindSpore Developer Day 2025）成功举办，正式发布MindSpore 2.6版本，该版本全面支持DeepSeek V3/R1 MoE模型训练推理全流程，并推出强化学习套件，显著提升模型迁移效率。 在创新应用方面，中国科学技术大学团队提出了一种名为ChemAgents的多智能体系统，结合了LLM和自动化机器人技术，能够自主执行复杂的化学实验，极大地减少了人为干预。该研究使用的是基于昇思MindSpore的Llama-3.1-70B模型，目前已昇思MindSpore社区开源。 华为阔折叠屏手机Pura X搭载全新小艺助手，全新小艺基于昇思MindSpore，语音合成性能提升30%，AI人像修图效率倍增，带来更拟人化的自然语音交互体验。翔迅科技则基于昇腾和MindSpore推出DeepSeek智能办公大模型，推动行业智能化转型。 在社区活动方面，昇思MindSpore社区通过创新应用挑战、华为ICT大赛、开源实习计划、量子计算黑客松大赛等活动推动AI技术在不同场景中的深度应用，助力开发者成长。值得一提的是，在第九届华为ICT大赛中，基于MindSpore开发的创新项目表现亮眼，斩获半数一等奖，展现了社区开发者的技术实力。在开发者培养方面，昇思MindSpore开源实习项目启动，在校学生可通过完成实际任务获得积分和实习证明。高校合作方面，昇思大模型创新应用与工程实践师资培训成功举办，吸引了全国32所高校教师参与，推动AI技术在教学中的创新应用。 以下是4月昇思MindSpore社区进展的详细报告。 **二、社区规模** 截至4月底，昇思MindSpore面向全球开发者，凝聚产业力量，持续打造人工智能创新之源。社区秉持开放透明原则，稳步建设开源生态，规模和活跃度得到持续提升。 社区发展了\*\*4.6万+\*\*核心贡献者； 累计产生ISSUE共**41.6\*\*\*\*K**、PR共**110.5K**。 **三、社区大事件** \*\*1、\*\***昇思开发者大会成功举办，MindSpore 2.6版本重磅发布** 2025年4月12日，昇思开发者大会（MindSpore Developer Day 2025）顺利召开，吸引了超过300位开发者现场深度参与。会上，昇思MindSpore 2.6版本正式发布。该版本全面支持类DeepSeek V3/R1 MoE模型训练推理全流程，推出训推一体的强化学习套件使能后训练范式创新，易用性上实现主流SOTA模型的Day0迁移。 在SIG Gathering环节，开发者们围绕《MindSpore MOE专家大模型预训练技术研讨》、《MindSpore强化学习、蒸馏与R1复现技术研讨》、《MindSpore加速DeepSeek大模型推理研讨》、《MindSpore开发体验与易用性提升》、《MindSpore Science：加速AI4Science创新与落地》五大专题展开深入探讨与交流，推动昇思MindSpore的技术发展与应用。 **2、同\*\*\*\*步首发！智谱开源GLM-4-0414系列6个模型上线昇思MindSpore** 4月15日，智谱全新开源的GLM-4-0414 32B/9B模型上线昇思MindSpore开源社区，并完成精度测试。 智谱GLM-4-0414拥有 32B/9B两个尺寸，涵盖基座、推理、沉思模型，均遵循 MIT 许可协议。其中，推理模型 GLM-Z1-32B-0414 性能媲美 DeepSeek-R1 等顶尖模型，实测推理速度可达 200 Tokens/秒。 基座模型 GLM-4-32B-0414 拥有 320 亿参数，其性能可与国内、外参数量更大的主流模型相媲美。该模型利用 15T 高质量数据进行预训练，特别纳入了丰富的推理类合成数据，为后续的强化学习扩展奠定了基础。在后训练阶段，除了进行面向对话场景的人类偏好对齐，还通过拒绝采样和强化学习等技术，重点增强模型在指令遵循、工程代码生成、函数调用等任务上的表现，以强化智能体任务所需的原子能力。 昇思MindSpore开源社区训练代码： https://gitee.com/mindspore/mindformers/tree/dev/research/deepseek3 魔乐社区推理代码： https://modelers.cn/models/MindSpore-Lab/DeepSeek-V3 \*\*3、\*\***上海交通大学联合MindSpore与openEuler社区，实现DeepSeek全栈开源单机推理部署** 上海交通大学并行与分布式系统研究所联合昇思MindSpore社区、openEuler社区，联合开发验证了基于vLLM+openEuler+MindSpore、全栈开源的DeepSeek推理解决方案。双方研发人员协同完成DeepSeek-R1/V3-0324权重参数的Int4量化，在精度几乎无损的条件下，实现单台Atlas 800T A2服务器（64GB）部署运行DeepSeek大模型推理服务。同时，验证了DeepSeek-R1/V3-0324 Int8量化推理，其系统总吞吐性能较前序版本提升幅度达15%。 \*\*4、\*\***0 Day支持！昇思MindSpore同步首发Qwen3，支持一键部署** Qwen3是阿里云于2025年4月29日发布并开源的全新模型，作为Qwen系列中的最新一代大语言模型，提供了一系列密集型和混合专家（MoE）模型。本次Qwen发布多个尺寸模型，覆盖235B/32B/30B/14B/8B/4B/1.7B/0.6B。昇思MindSpore基于对Qwen2.5的支持与兼容主流生态的接口，快速实现Qwen3的0Day支持，并将MindSpore版Qwen3代码上传至开源社区代码仓，面向开发者提供开箱即用的模型。 \*\*5、\*\***昇思开源社区携手鹏城实验室荣获第四届中国国际软件发展大会突破性技术成果奖** 2025年4月24日，由中国软件行业协会主办的第四届中国国际软件发展大会在京召开。会上，昇思MindSpore AI框架全新发布的MindSpore 2.6版本、鹏城实验室发布的基于昇思MindSpore AI框架及昇腾AI硬件的强化学习训练框架GRPO-Training-Suite在本次大会上均荣获2024年软件行业突破性技术成果奖。 **四、社区动态** **1、创新应用挑战活动第一期开启报名** 模力方舟携手昇腾与昇思MindSpore，重磅推出「昇腾赋能，智启未来」创新应用挑战！挑战活动第一期报名已正式开启，参与的应用将聚焦于学习效能提升与教育场景革新，基于昇腾与昇思MindSpore支持的模型开发具备实用价值与创新性的教育类应用。 欢迎使用昇思MindSpore模型参赛 模型链接：https://ai.gitee.com/serverless-api/packages/1495 **2、第九届华为ICT大赛创新赛中国总决赛落幕，昇思开发者斩获半数一等奖** 第九届华为ICT大赛中国总决赛颁奖典礼在东南大学圆满落下帷幕。本次决赛各赛道获奖名单在会上揭晓。在创新赛，昇思MindSpore开发者脱颖而出，占一等奖获奖队伍的50%，他们将晋级5月在深圳举办的全球总决赛，与来自世界其他国家的队伍展开巅峰对决。 \*\*3、\*\***第七届·2025 MindSpore量子计算黑客松全国大赛火热进行中** 由昇思MindSpore社区主办的年度量子计算黑客松全国大赛正在火热进行中，诚邀您报名。无论您是初学小白，还是技术达人，参赛即有收获，欢迎参赛。 活动报名截止日期：5月20日 大赛报名链接：https://developer.huaweicloud.com/competition/information/1300000041 \*\*4、\*\***做任务攒积分，昇思MindSpore开源实习活动持续进行中** 开源实习是由MindSpore社区、openEuler社区等多个社区共同发起的线上实习项目，旨在鼓励在校学生积极参与开源社区，在实际的开源环境中提升实践能力。昇思MindSpore社区将持续提供实习任务与导师辅导，学生通过实习申请后，可在社区领取任务，每完成一个任务可获得相应积分，积分累计达规定量后，可获得实习证明和实习工资。欢迎感兴趣的开发者参加。 \*\*5、\*\***2025年华为基础软件师资培训：昇思大模型创新应用与工程实践** 2025年4月26-27日， 2025年华为基础软件-昇思大模型创新应用与工程实践师资培训在北京师范大学成功举办，本次培训吸引了32位来自全国多所高校计算机科学与技术、人工智能等相关专业的教师参与，共同探索大模型技术在教学与科研中的创新应用。  **五、社区案例** \*\*1、\*\***昇思助力中科大团队打造多智能体驱动的机器人AI化学家** 由中国科学技术大学罗毅、陈林江、张飞、尚伟伟、傅尧和江俊等组成的团队在《J. Am. Chem. Soc.》提出了一种名为ChemAgents的多智能体系统，结合了LLM和自动化机器人技术，能够自主执行复杂的化学实验，极大地减少了人为干预。通过多智能体的协作，ChemAgents不仅能够自主设计实验、执行实验，还能通过机器学习模型进行数据分析和优化，最终实现化学研究的全自动化。 据了解，该研究使用的是基于昇思MindSpore的Llama-3.1-70B模型，目前已昇思MindSpore社区开源。 \*\*2、\*\***算法性能倍增！昇思多维混合并行等技术助力小艺语音交互、AI修图体验升级** 近期，华为发布阔折叠屏手机Pura X，并首发鸿蒙AI，搭载焕新升级的小艺助手，带来更拟人化的自然语音交互体验。全新小艺基于昇思MindSpore，实现小艺语音合成算法推理性能提升30%，AI人像精修算法推理性能倍增，提升用户对话体验的实时性与修图效率。 \*\*3、\*\***翔迅科技基于昇腾和昇思MindSpore打造翔迅大模型DeepSeek智能办公版，助力行业办公场景AI赋能** 随着人工智能技术的极速发展，如何在复杂的办公场景中实现高效、精准的智能化应用，已成为业界关注的焦点。西安翔迅科技有限责任公司（简称“翔迅科技”），以多年的技术经验和强大的人工智能技术团队，在西安昇腾智能科技有限公司的AI算力支持下，基于昇腾AI硬件+昇思MindSpore AI框架，打造出“翔迅大模型DeepSeek智能办公版”。通过知识蒸馏、定制化微调、垂直领域知识库及大规模数据处理等技术，为办公场景提供了新的解决方案，助力行业办公数字化、智能化转型。 **六、技术分享** \*\*1、\*\***快速支持DeepSeek-V3-0324，昇思MindSpore+vLLM服务化部署开源版本上线** 近日，基于昇思 MindSpore AI 框架+vLLM的DeepSeek-V3-0324 模型完成适配并上线魔乐社区。 作为开源AI框架，MindSpore 以其卓越的性能优化、灵活的模型开发能力和高效的分布式训练能力，为大规模模型训推部署提供全流程开源支持。 原文阅读： https://mp.weixin.qq.com/s/DfEc14anPJ6\_vO\_OPJNOdA \*\*2、\*\***零样本声音克隆，基于昇腾+MindSpore玩转Spark-TTS** Spark-TTS 是一款基于大语言模型（LLM）技术的先进文本转语音系统，能够根据用户需求合成高准确度且自然流畅的定制化语音。MindSpore团队现已完成对Spark-TTS 的适配，并将其开源至MindSpore ONE仓库。 MindSpore ONE开源代码仓链接： https://github.com/mindspore-lab/mindone/tree/master/examples/sparktts \*\*3、\*\***晶体生成10倍加速！基于流模型的晶体结构生成模型CrystalFlow在昇思社区开源** 理论晶体结构预测是通过计算的手段寻找物质在给定的外界条件下最稳定结构的重要手段。传统方法依赖势能面的随机采样与局域优化，计算成本高昂，尤其在多元素复杂体系中面临巨大挑战。CrystalFlow采用先进的流模型生成方案，有效地在未知的目标概率分布和已知的简单概率分布建立概率密度变换关系，以学习晶体结构数据库中合理的稳定结构特征，并生成新的合理构型。通过使用图等变消息传递网络，CrystalFlow有效处理了晶体结构内在的基本对称性，包括置换、旋转和周期平移不变性，实现对晶体结构的高效学习和建模，以及灵活的条件式生成策略。该模型在MP20等基准数据集上达到优秀的水平，目前已在昇思社区开源。 项目地址： https://gitee.com/mindspore/mindscience/tree/master/MindChemistry \*\*4、\*\***社区博客分享（4月）** 1）昇思MindSpore混合精度训练源码大揭秘 2）源码精读之MindSpore如何实现Python侧和C++侧之间的链接 **七、**感谢每一位朋友、开发者的支持**** 在此感谢社区伙伴们、可爱的小孢子们以及昇思MindSpore SIG组成员们，因为大家的共同努力及辛勤奉献，昇思MindSpore才能不断成长与发展！同时我们对可能出现的不完善之处向您表示诚挚的歉意，并衷心感谢您的理解与支持。 未来，昇思MindSpore AI框架将持续致力于打造人工智能创新之源，凝聚产业力量，扎根AI根技术，使能大模型与科学智能，成为AI创新的首选框架。 --- https://www.mindspore.cn/news/zh/3724/ --- 新闻 昇思MindSpore高校教师赋能活动 | 华为ICT学院基础软件师资培训（哈尔滨工业大学站）成功举行 # 昇思MindSpore高校教师赋能活动 | 华为ICT学院基础软件师资培训（哈尔滨工业大学站）成功举行 2025/05/09 # 昇思MindSpore高校教师赋能活动 | 华为ICT学院基础软件师资培训（哈尔滨工业大学站）成功举行 昇思MindSpore联合哈尔滨工业大学建设实验案例，兼具技术深广度与前沿性。帮助参培教师把握AI的最新技术进展，提升AI场景落地与应用创新能力，为后续在教育教学、产业实践以及科研攻关中深度参与AI技术研发与应用奠定了坚实基础。 新一代人工智能技术正在快速迭代，以DeepSeek为代表的大模型正在重塑整个世界。在此形势下，人工智能与关键基础软件领域的课程体系和人才培养模式急需变革。为顺应软件工程学科发展和人工智能基础软件人才培养的新形势，在信息技术新工科产学研联盟和示范性软件学院联盟的指导下，哈尔滨工业大学联合华为技术有限公司于2025年4月26日-27日在哈尔滨举办了人工智能课程的师资培训，培训得到黑龙江省计算机学会教育工委会和哈尔滨工业大学计算机科学与技术国家级实验教学示范中心的大力支持，吸引了全国20余所院校的70多名教师线下参培。 开幕式上，黑龙江省计算机学会教育工委会副主任吴艳霞、哈尔滨工业大学计算学部软件学院副院长苏统华发表致辞，对各位老师的到来表示欢迎，并介绍了本次师资培训的目标和两天的课程内容，对信息技术新工科产学研联盟和华为公司的支持表示感谢，预祝本次活动圆满完成。 本次培训主讲教师由哈工大苏统华教授、李钦策特任副研究员、于爽副研究员以及华为技术专家的校企联合团队构成。培训聚焦AI技术全景构建与实战化能力提升，采用产教融合模式和能力图谱驱动方式，上午讲授AI理论模块，下午开展云上实验模块。培训理论模块以“穿越寒冬：AI思维总揽”为起点，构建对人工智能全貌的认知；从最早期对话系统ELIZA到当前对话大模型 DeepSeek，感受“打造AI重器”的演进历程；深入探讨“算法为王”理念的同时，不忘“数据为基”的基础逻辑，同时延伸至AI硬件与系统协同，构建完整技术图谱；面对AI悬顶之剑挑战，重点讨论安全、伦理和可控问题，筑牢AI安全堤坝；通过卷积网络、递归网络、GAN等经典深度学习技术模块补充，进一步夯实理论基础。 本次培训的实验模块由哈工大计算学部与昇思MindSpore团队精心设计了六个实验案例，兼具技术深广度与前沿性。涉及文化遗产保护（甲骨文识别）、工业智能质检（PCB缺陷检测）、情感计算（文本分类）、数字内容生成（卡通头像生成）、跨语言交流（机器翻译）、大模型微调（DeepSeek）等蕴含多元素的应用场景，覆盖了AI领域中的感知、理解、生成、决策等多个关键任务及其核心技术。帮助参培教师把握AI的最新技术进展，提升AI场景落地与应用创新能力，为后续在教育教学、产业实践以及科研攻关中深度参与AI技术研发与应用奠定了坚实基础。 为期两天的哈工大-华为人工智能课程师资培训顺利落幕。参培教师以饱满热情投入课程学习与实践，深度参与知识研讨与实操训练，展现出对 AI 前沿技术的强烈求知欲。培训活动收到参培教师的问卷反馈51份，整体培训安排获得一致好评，课堂氛围积极。参培教师们普遍表示，本次培训课程设置合理、内容充实，理论与实践融合紧密，特别是大模型及深度学习前沿技术的讲解干货满满、技术性强。配套实验案例丰富实用，实战化部分设置获得高度评价，讲师讲解细致、准备充分，华为专家的经验分享也令教师们受益匪浅。培训主讲教师苏统华教授表示，“时值周末和串休的艰难时段，本次培训依然有~70位老师参与云上实践，体现了参培老师们身怀对育人和AI的大爱！” 哈尔滨工业大学计算学部高度重视人工智能课程体系建设，并将继续与华为公司深化校企合作，共建高质量AI课程与资源，进一步推动国产基础软件技术与专业建设深度融合，协同探索人工智能人才培养新模式，为我国人工智能领域注入源源不断的人才动能与创新活力，赋能产业高质量发展。 --- https://www.mindspore.cn/news/zh/3735/ --- 新闻 携手昇思开发者，共建共享开源社区——昇思MindSpore专题论坛成功举办 # 携手昇思开发者，共建共享开源社区——昇思MindSpore专题论坛成功举办 2025/05/23 # 携手昇思开发者，共建共享开源社区——昇思MindSpore专题论坛成功举办 【2025年5月23日，北京】鲲鹏昇腾开发者大会2025（KADC2025）期间，以“携手昇思开发者，共建共享开源社区”为主题的昇思MindSpore专题论坛顺利举办。论坛聚焦昇思MindSpore AI开源社区生态运作进展与框架技术使能大模型的创新成果，4位来自昇思MindSpore开源社区的开发者分享了昇思框架技术、生态及成果实践，现场上百位高校科研院所、企事业单位AI开发者参会，共同探讨技术发展趋势。 昇思MindSpore专题论坛现场图 昇思MindSpore开源社区理事长丁诚在致辞中表示，今年是昇思开源5周年，感谢开发者的陪伴和对昇思的贡献，社区将持续携手开发者共建、共享开源框架生态，加速人工智能技术的创新、产业的繁荣。他指出，在大模型和强化学习时代，AI框架技术走向分层细化，从单一核心框架+ModelZoo的生态走向核心框架+训推加速库+强化学习框架+模型社区的生态组合。在这个趋势变化下，昇思MindSpore将更尊重业界生态习惯，聚焦核心框架层面演进，与业界各类模型、加速库生态能够充分对接融合，并在社区技术治理和SIG开发者运作上进一步开放，加强开发者开源贡献支持，全面开启开源社区开发新模式。 昇思开源社区理事长丁诚 昇思MindSpore生态总监 王神迪作了题为《开源共筑，生态共赢：昇思SIG社区开放协作》的分享，他提到，昇思MindSpore积极融入业界主流生态，致力于实现一键支持Megatron、vLLM等主流训推加速库。昇思通过MindSpeed、MindIE等加速库的关键特性能力复用，保持开发者的开发习惯，通过模型生态对齐HuggingFace接口，助力开发者完成主流SOTA模型0day支持。王神迪介绍了社区治理的全新流程，昇思MindSpore将进一步激活SIG小组运作，并在Etherpad平台邮件列表上公开发布会议纪要，来加强开源社区的共建共治共享。 昇思MindSpore生态总监 王神迪 智谱AI技术专家程相孟分享了智谱AI基于昇思MindSporeAI框架进行基础模型创新的成功实践，他对昇思AI框架提供的基础能力与差异化的技术特性表示肯定。程相孟提到，昇思动态图方案使用习惯和业界主流的加速库、AI框架保持一致，带来了无差异的使用体验。同时，应用昇思动态图兼容方案在大集群稳定训练、能够实现分钟级快速恢复。此外，作为一名技术专家与深度用户，程相孟也提出了代码统一、完善指导文档等也提出了宝贵建议。 智谱AI技术专家 程相孟 上海人工智能实验室大模型中心产品运营负责人葛佳烨作了题为《上海人工智能实验室携手昇思打造大模型生态开放》的演讲，她介绍了实验室大模型评测体系与研发的书生系列大模型，获得了产业界和学术界的认可。她提到，昇思积极与实验室合作，提供vLLM-MindSpore一键支持方案，通过昇思生态众智计划加快推进项目落地，上海人工智能实验室大模型团队联合昇思MindSpore开源社区运营Call for demo，书生大模型实战营等项目，实现生态共赢。 上海人工智能实验室大模型中心产品运营负责人 葛佳烨 北京师范大学计算机学院助理教授高建花围绕高校打造AI人才培养新生态作深度分享。高建花回顾了北京师范大学计算机学院与昇思携手共成长的历程与紧密合作的项目，如联合昇思做好课内教学建设、教学资源包、课外为开发者提供多元化活动，并进行第三方师资赋能等，为昇思培养更多开发者、布道师，让高校开发者学习、使用昇思更便捷。她也期望更多高校一起使用教学昇思，共同成长。 北京师范大学计算机学院助理教授 高建花 昇思MindSpore聚焦AI基础软件技术演进与开源社区共建，围绕产品打造技术领导力与繁荣的生态，使能大模型创新、携手开发者一起加速人工智能产业发展。 --- https://www.mindspore.cn/news/zh/3737/ --- 新闻 携手昇思，探索AI+科学计算的无尽前沿 # 携手昇思，探索AI+科学计算的无尽前沿 2025/05/26 # 携手昇思，探索AI+科学计算的无尽前沿 【2025年5月24日，北京】鲲鹏昇腾开发者大会2025（KADC2025）期间，以“昇思MindSpore AI4S：AI助力科学探索无尽前沿”为主题的昇思MindSpore AI for Science（AI4S）专题论坛顺利举办。论坛聚焦昇思MindSpore AI开源社区携手科研专家的创新成果与生态运作进展，4位来自昇思MindSpore开源社区的开发者分享了昇思框架技术、AI4S生态及成果实践，现场上百位高校科研院所、企事业单位AI开发者参会，共同探讨技术发展趋势。 昇思MindSpore AI for Science（AI4S）专题论坛 昇思MindSpore开源社区理事长在致辞中表示，过去十年，人工智能的突破重塑了人类探索世界，进行科学研究的范式。昇思MindSpore致力于构建使能AI大模型与科学计算双轮驱动的前沿基础软件，并联合开源开发者打造活跃的创新生态。近期，社区升级了科学计算使能套件MindSpore Science，发布了流体仿真套件、地球科学套件、化学材料套件和量子计算套件全新版本，并将全新推出能源领域套件，在电力调度、矿藏勘探等场景提供AI基础能力和应用案例。同时，昇思开源社区已经搭建了完整的治理架构，面向广大开发者实现共建、共治、共享。今年社区将以更大力度激活SIG组运作，以强大的技术、丰富的资源支持，助力开发者和社区共成长、在社区贡献代码、创新项目。 昇思MindSpore开源社区理事长丁诚 华为AI4S应用及系统优化专家王永忠博士分享了AI for Science领域业界进展情况与未来发展趋势，指出AI for Science领域应用方向朝着数据和模型规模持续增大，深度融合物理机理的方向发展。同时，王永忠博士还介绍了昇思MindSpore在AI for Science方向不断强化高阶自动微分、科学计算算子等基础能力并持续与业界联合打造领域前沿应用的情况，详细介绍了AI流体、生物等套件联创成果。 华为AI4S应用及系统优化专家 王永忠博士 昌平实验室研究员刘思睿介绍了利用先验知识和约束条件提升计算机模拟生命分子结构预测准确性的实践。进一步地，利用GRASP方法可进一步通过单向推理整合多种实验数据，加速高精度约束条件下的分子对接过程。刘老师指出，通过合理的模型设计，团队基于昇思MindSpore打造深度学习模型与实验信息形成协同共生关系，最终实现AI计算与实验双赢的局面。 孟昌平实验室研究员 刘思睿 中国海洋大学物理海洋教育部重点实验室陈毅鹏博士分享了以ENSO预报为场景，基于昇思MindSpore实现了多种差分、插值算子，通过AI模型结合动力学机制，并进一步打造了ENSO ZC模式和NeuralZCM等成果，未来将持续投入基于昇思MindSpore的AI+动力学模型，打造可微、可解释的物理海洋模型。 中国海洋大学物理海洋教育部重点实验室 陈毅鹏博士 中国科学院大连化学物理研究所副研究员周吉彬介绍了化工在国民经济中的重要性以及以AI赋能化工流程的必要性和可行性，并具体介绍了智能化工大模型发布以来，通过CoT等新技术不断强化模型能力，模型准确率不断提升的可喜成果；并进一步介绍了大模型结合具身智能和智能体等技术开展化工工艺流程、多功能催化剂颗粒分析等工作，能够大幅化工领域工作效率。未来，智能化工大模型还会持续通过各种新技术不断强化模型能力，丰富应用场景，促进化工领域新质生产力发展。 中国科学院大连化学物理研究所副研究员周吉彬 昇思MindSpore聚焦AI基础软件技术演进与开源社区共建，围绕产品打造技术领导力与繁荣的生态，使能大模型创新、携手开发者一起加速人工智能产业与科学研究发展。 --- https://www.mindspore.cn/news/zh/3740/ --- 新闻 鲲鹏昇腾开发者大会2025上海分会场顺利举办 # 鲲鹏昇腾开发者大会2025上海分会场顺利举办 2025/05/28 # 鲲鹏昇腾开发者大会2025上海分会场顺利举办 **今日资讯** \*\*5月23日，鲲鹏昇腾开发者大会2025（简称“KADC 2025”）上海分会场如期举办，以“1+1＞2”即1场开发者训练营、1场行业圈层活动的形式，为开发者打造一场集技术碰撞、生态共创、商业场景等多维度于一体的盛会。\*\*两场活动隔江相对，浦西浦东遥相呼应，激起开发者无限思维。 活动由上海昇腾人工智能生态创新中心、上海昇思生态创新中心联合上海超级计算中心、模力社区、书生大模型开源社区、司南评测开源社区、上海万物昇长技术开发有限公司、华福证券有限责任公司共同协办。 **模力社区玩转昇腾技术** 昇腾开发者训练营在上海浦东模力社区成功举办。此次实训班主要面向广大昇腾生态合作伙伴开发人员，包括复旦大学、柏飞电子、宝信软件、中软国际等近30家企业的技术骨干近70人参加实训。 昇腾工程师Rui老师为大家带来昇腾AI产业生态进展，介绍中不仅对于昇腾及昇思MindSpore框架进行了详细的解读，针对目前应用案例与生态进展也与现场伙伴进行了交流。 来自上海人工智能实验室大模型中心的技术运营闻星老师带来了《昇腾硬件玩转书生大模型》实训分享，系统介绍了书生大模型及其工具链，展示了基于昇腾硬件部署微调书生大模型实践和 BrowseUse 控制浏览器的实战课程。在最后，他介绍了“书生+昇腾”论文分类打榜赛及其 Baseline 实现，激发了学员在大模型应用实践中的探索热情。 昇腾CANN布道师傅涛老师为大家带来Ascend C算子开发入门的理论培训和实操体验。每位开发者都通过动手操作开发板学习如何调用和开发矢量算子，掌握了常用的Tilling设计开发和算子的编译部署，进行了CPU模式下的算子调试和NPU模式下的算子调试，完成不同算子的调用流程以及各个算子调用方式的差异及关键接口的实战。针对大模型的推理部署，昇腾工程师带领开发者认识并体验了MindIE部署DeepSeek大模型以及Dify搭建大模型智能问答平台，过程中，开发者从环境部署、权重准备、数据准备到模型推理流程层层深入。 本期训练营通过为期一整天的培训，在“理论授课+实操演练”双管齐下的赋能模式下，为昇腾生态合作伙伴开发者搭建起技术交流的桥梁，进一步促进了昇腾AI技术创新和产业融合发展，帮助开发者们在实战锤炼中提升技能，为企业数智化升级做好人才支撑。期待未来基于模力社区的生态聚集力量持续打造高质量开发者活动。 **练秋湖畔共话数智未来** 5月23日，近20家金融客户走进华为练秋湖研发中心围绕人工智能在金融行业的应用技术探索展开金融圈层研讨会，嘉宾通过参观园区、议题分享等方式，深入了解研发中心的企业文化、战略理念以及最新的人工智能趋势。 上海昇腾人工智能生态创新中心CTO贾挺猛为大家带了最新热点DeepSeek的洞察分析以及与昇腾AI适配进展。昇腾金融行业总监余祥介绍到昇腾AI通过自主创新突破技术壁垒，以软硬协同平台加速金融智能化进程。 昇腾伙伴云轴、旷信也都分享了行业解决方案以及与华为合作的最近进展情况。现场伙伴与技术专家进行了详细的交流。此次活动，不仅为上海的伙伴搭建了一座沟通的桥梁，促进了经验的交流，更加速了计算生态蓬勃发展的步伐。 **结语** 本次活动已完美落幕，期待未来与广大开发者携手并进，创造无限可能 --- https://www.mindspore.cn/news/zh/3743/ --- 新闻 MindSpore成立LLM Inference Serving SIG：提供高性能、易用的MindSpore大模型推理部署能力 # MindSpore成立LLM Inference Serving SIG：提供高性能、易用的MindSpore大模型推理部署能力 2025/05/29 # MindSpore成立LLM Inference Serving SIG：提供高性能、易用的MindSpore大模型推理部署能力 为了将昇思MindSpore大模型推理能力接入vLLM、SGLang等上游开源推理服务框架，整合上下游社区的技术优势，提供高性能、易用的大模型推理服务能力，昇思MindSpore社区正式成立MindSpore大模型推理服务SIG（LLM Inference Serving SIG）。LLM Inference Serving SIG已孵化了开源插件vLLM-MindSpore，可支持vLLM框架以MindSpore为推理计算底座，实现大模型推理服务化部署。 vLLM-MindSpore是一款开源vLLM插件，其设计理念是将MindSpore推理大模型注册到vLLM中，而不修改vLLM的用户接口和服务化能力。最终，实现MindSpore框架的图融合、算子并行下发等推理计算加速能力，与vLLM的Continuous Batching、Prefix Caching等推理服务加速能力的有机结合。 2025年1月项目启动以来，vLLM-MindSpore已迭代适配vLLM v0.6.6.post1版本和v0.7.3版本的基础功能。vLLM-MindSpore的首个正式版本计划于6月下旬随MindSpore 2.7.0-rc1发布，适配vLLM v0.8.3版本和V1架构。 vLLM-MindSpore项目代码仓： http://gitee.com/mindspore/vllm-mindspore Qwen3-32B体验示例： https://modelers.cn/models/MindSpore-Lab/Qwen3-32B DeepSeek-R1体验示例： https://modelers.cn/models/MindSpore-Lab/DeepSeek-R1-W8A8 **SIG目标：** 1、构建和优化MindSpore大模型推理服务能力，实现MindSpore大模型推理与vLLM、SGLang等上游开源推理服务框架的无缝对接。 2、开发和优化vLLM-MindSpore插件，持续适配vLLM最新稳定版本和SOTA大模型，最终实现与上游vLLM项目的同步演进。 3、孵化SGLang-MindSpore插件（进行中，计划基础功能完备后开源）。 **SIG例会：** 双周例会，北京时间周三晚19点。 首次例会录屏： https://www.bilibili.com/video/BV1GS7GzJEaR/ 例会纪要： https://etherpad.mindspore.cn/p/sig-LLM-Inference-Serving-meetings 订阅邮件： https://www.mindspore.cn/sig/LLM%20Inference%20Serving （欢迎大家订阅SIG邮件，后续例会将通过邮件通知大家） **SIG成员：** **Maintainer 列表** **Committer列\*\*\*\*表** 欢迎感兴趣的朋友们加入到LLM Inference Serving SIG，共同探讨大模型推理部署技术。 --- https://www.mindspore.cn/news/zh/3744/ --- 新闻 MindSpore成立MindSpore PyNative SIG：推动MindSpore动态图模式的研发与优化 # MindSpore成立MindSpore PyNative SIG：推动MindSpore动态图模式的研发与优化 2025/05/30 # MindSpore成立MindSpore PyNative SIG：推动MindSpore动态图模式的研发与优化 为了提升MindSpore动态图模式的性能、灵活性和易用性，以满足深度学习领域对快速开发、调试、执行等的需求，昇思MindSpore社区正式成立动态图模式框架开发SIG（MindSpore PyNative SIG），专注推动MindSpore动态图（即时执行， Eager Execution）模式的研发与优化。 **MindSpore动态图整体架构：** 为破解动态图开发灵活性与静态图部署性能不可兼得的行业难题，MindSpore以 “动静结合” 为核心思想重构动态图架构： 1、动静结合的前端表达接口，新增mint模块，功能对齐业界主流AI框架。 2、正向执行使用多级流水加速，弥补数据结构和流程引入的额外开销，提升单算子下发性能。 3、动静结合的执行方式，使用AST和字节码入图方式，实现动静混合执行。 4、自动微分机制复用静态图同一套机制，正反向hook对齐业界主流AI框架，兼顾自动微分灵活性。 该设计在保留 Python 实时调试优势的同时，显著提升动态图执行效率，实现 “动态研发、静态部署” 的全场景无缝衔接，为AI模型从实验到落地提供统一技术基座。 MindSpore PyNative项目代码仓模块目录： https://gitee.com/mindspore/mindspore/tree/master/mindspore/ccsrc/pynative https://gitee.com/mindspore/mindspore/tree/master/mindspore/ccsrc/pyboost https://gitee.com/mindspore/mindspore/tree/master/mindspore/ccsrc/runtime/pynative **当前SIG重点工作方向：** 1、动态图分发机制开发：Tensor核心数据结构，API分发机制等维护和开发。 2、动态图自动微分机制：自动微分机制，自定义反向，hook机制等微分机制的维护和开发。 3、API接入机制：Tensor API和Functional API的生成和接入机制的维护和开发。 **SIG目标：** 1、性能优化：提升动态图模式下的API下发效率，降低与静态图的性能差距。 2、功能增强：完善动态图对主流模型的支持。 3、开发者体验：简化API设计，提供更友好的错误提示，降低迁移成本。 4、生态扩展：支持更多硬件后端的接入和扩展。 **SIG例会：** **双周例会，北****京时间周四****晚19点。** 首次例会录屏： https://www.bilibili.com/video/BV1NB7nzfEXq 例会纪要： https://etherpad.mindspore.cn/p/sig-MindSpore-PyNative-meetings 订阅邮件： https://www.mindspore.cn/sig/MindSpore%20PyNative （欢迎大家订阅SIG邮件，后续例会将通过邮件通知大家） **SIG成员：** Maintainer 列表 **Committer列\*\*\*\*表** **加入我们：** 欢迎感兴趣的朋友们加入到MindSpore PyNative SIG，共同探讨动态图技术，可以添加小助手微信或扫描微信群二维码，入群讨论。欢迎您的围观和加入！ --- https://www.mindspore.cn/news/zh/3746/ --- 新闻 MindSpore成立Heterogeneous Fusion SIG：推动MindSpore异构算力融合加速与支持 # MindSpore成立Heterogeneous Fusion SIG：推动MindSpore异构算力融合加速与支持 2025/06/04 # MindSpore成立Heterogeneous Fusion SIG：推动MindSpore异构算力融合加速与支持 为提升MindSpore异构算力融合的支持度和异构硬件接入的开放性，昇思MindSpore社区正式成立异构算力融合SIG（Heterogeneous Fusion SIG），以期更好的通过MindSpore使能异构硬件加速，并设计稳定、易用的支持异构硬件接入的南向接口。 **MindSpore异构算力融合架构：** 为了方便异构硬件快速接入MindSpore，Heterogeneous Fusion SIG抽象了Hal硬件能力(DeviceContext)，框架仅感知Hal抽象层，异构硬件接入仅需实现具体的Hal硬件功能，实现了框架功能跟硬件接入的解耦： 1、ResManager：硬件资源抽象，主要包括硬件初始化、内存管理、内存拷贝、流资源管理等基础硬件能力。 2、CustomOptimizer：自定义图优化抽象，可以根据硬件的特性对某些算子进行拆分与融合，以及其他自定义的对图的修改。 3、KernelExecutor：算子执行器抽象，主要包括算子选择、算子编译、算子执行，支持跨芯片异构执行。 MindSpore Heterogeneous Fusion项目代码仓模块目录： https://gitee.com/mindspore/mindspore/tree/master/mindspore/ccsrc/backend https://gitee.com/mindspore/mindspore/tree/master/mindspore/ccsrc/plugin https://gitee.com/mindspore/mindspore/tree/master/mindspore/ccsrc/runtime/graph\\\_scheduler https://gitee.com/mindspore/mindspore/tree/master/mindspore/ccsrc/runtime/hardware **SIG的愿景与使命：** 基于MindSpore构建开放的南向接口，协同业界厂商和学术机构，构建异构算力融合加速能力和使能全场景部署与应用。 **SIG的核心目标：** 1、探讨、设计并构建框架开放的南向接口，以利于各大芯片可按需注入对接，复用MindSpore的基础能力。 2、按需构建异构芯片的对接支持，扩展MindSpore对其他异构芯片的支持。 **主要工作内容：** 1、设计并完善硬件的南向接口。 2、按需对接异构芯片，并验证关键网络，如qwen等模型的有效运行。 **SIG例会：** **周期：月度例会** **每月的最后一个周四（北京时间15:00）例行展开SIG会议** 临时补充专项讨论会议：基于前一次会议讨论，按需临时增开专项议题会议讨论 首次例会录屏： https://www.bilibili.com/video/BV1Pq78zHEr2 例会纪要： https://etherpad.mindspore.cn/p/sig-Heterogeneous-Fusion-meetings 订阅邮件：https://www.mindspore.cn/sig/Heterogeneous%20Fusion （欢迎大家订阅SIG邮件，后续例会将通过邮件通知大家） **SIG成员：** **Maintainer 列表** **Committer列\*\*\*\*表** **加入我们：** 欢迎感兴趣的朋友们加入到MindSpore Heterogeneous Fusion SIG，共同探讨多样算力接入的南向接口设计与异构硬件的支持，可以添加小助手微信或扫描微信群二维码，入群讨论。欢迎您的围观和加入！ --- https://www.mindspore.cn/news/zh/3755/ --- 新闻 使能油气勘探10倍级降本增效，东方物探联合人大高瓴学院发布基于昇思打造的全波形反演模型 # 使能油气勘探10倍级降本增效，东方物探联合人大高瓴学院发布基于昇思打造的全波形反演模型 2025/06/10 # 使能油气勘探10倍级降本增效，东方物探联合人大高瓴学院发布基于昇思打造的全波形反演模型 随着油气勘探目标日益复杂，地震勘探技术亟待升级。东方物探全球首创的“两宽一高”技术成为行业引领，但其核心环节——\*\*全波形反演（FWI）\*\*因依赖高算力数值求解（如声波/弹性波方程），面临巨大成本挑战。 2025年5月28日，3000亿参数昆仑大模型发布会在京举办，全面展示昆仑大模型建设应用成果，见证人工智能对行业发展的变革影响。 2024年，中石油启动“人工智能+”行动，依托昆仑大模型聚焦FWI科学计算攻关。由中石油东方物探、人大高瓴人工智能学院、华为组成的产学研团队，突破FWI算力瓶颈，解决FWI正反演过程算力成本高、技术发展推广难的问题。研发**AI驱动的FWI新一代解决方案**，实现地震波求解效率**量级提升**，推动油气勘探“AI换芯”进程。 该研究基于昇思MindSpore AI4S使能套件，通过数据与机理双驱动的解决方案、应用昇思自动微分技术，并基于扩散模型的三维地质数据生成技术提升求解效率。 **\# 01** **技术特点** 图1. 模型推理过程示意 项目融合三大核心技术： **关键技术一：数据与机理双驱动的波动方程智能求解方法** 基于神经算子构建物理引导正演模型框架，深度融合数值求解器数学机理，增强解释性与泛化能力。网络编码解析速度场、震源等输入参数，构造物理约束损失函数。创新采用“混合专家（MOE）预训练 +微调”的训练策略，大规模预训练分频段学习波场传播特征，增强对多种震源波形的适应能力。少量真实数据微调提升实际场景求解能力。推理实现“神经网络预测-传统算法修正”协同计算范式，保留求解器高精度的同时提升声波方程求解效率1个数量级。 **关键技术二：基于自动微分的反演框架** 基于MindSpore自动微分框架，构建可微分正演流程，从而在反演中省去传统伴随方法波场反传过程，直接自动求取速度模型梯度修正量，减少了约50%计算量的同时大大简化了计算流程。支持灵活切换多种反演策略，并引入多种多参数优化相关优化策略，有助于跨过周期跳跃导致的局部最优，显著降低反演对准确初始速度模型的依赖。 **关键技术三：基于扩散模型的三维地质数据生成技术** 首创基于扩散模型的技术，通过渐进式噪声添加与去噪机制捕捉复杂地质结构特征，解决三维地质速度模型数据稀缺的问题。采用大规模模拟数据预训练 + 少量真实场景数据微调的训练策略。成功生成包含断层、盐丘等复杂地质构造的速度模型，涵盖不同地质条件和反演中间状态。突破传统数据采集限制，极大丰富正演模型训练所需数据规模，为成功训练奠定基础。 **\# 02** **价值收益** 图2. a) 地震数据 (黑白) 与模拟数据 (红蓝) 精确叠合；b) 反演的初始速度模型；c) 反演结果用于成像显示出清晰的地层轮廓 该解决方案在求解效率提升10倍以上，并在落地应用上得到验证： 1. 求解效率量级跃升：二维/三维声波方程正演计算效率提升4-6倍，全波形反演整体效率提升超10倍，初始模型依赖程度降低40%，为FWI技术的工业化应用扫清了关键障碍。未来有望将三维FWI处理从“数月级”缩短至“周级”，5分钟智能反演可完成传统集群数小时工作量。 使高精度成像计算更易获得，实现声波高精成像算力平权。 2. 工业化落地与赋能： 已完成二维实际资料验证及三维模型小试。成功实现某海洋拖缆资料6km测线二维反演生产验证，效率提升10倍以上，反演显示清晰浅层轮廓和高精度成像潜力，精度达标。计划于2025年在中石油2-3个生产项目试点。未来将集成端到端智能赋能的FWI应用模块到东方物探核心软件系统GeoEast，实现“智能化换芯”。 未来，AI驱动的FWI新一代解决方案有望引领行业范式革新：不仅推动FWI发展，也为地质勘探、医学成像等领域的反问题求解提供新方法论，推动全产业链智能化升级。 --- https://www.mindspore.cn/news/zh/3758/ --- 新闻 独家秘籍：探索昇思MindSpore如何让SOTA模型迁得快、对得齐 # 独家秘籍：探索昇思MindSpore如何让SOTA模型迁得快、对得齐 2025/06/12 # 独家秘籍：探索昇思MindSpore如何让SOTA模型迁得快、对得齐 大模型发展日新月异，新的大模型层出不穷，参数规模从十亿级跃升至万亿级，模型结构从稠密到稀疏，应用范式走向多模态、Agent… 如此多的模型和技术如何在昇腾上快速的使能和体验，是昇腾开发者的核心诉求。昇思MindSpore “海纳百川”，全面融入主流生态，全面优化训练与推理全流程开发体验，让开发者用极小成本完成SOTA大模型的迁移，昇思MindSpore需攻克两大关键挑战： 1\. 迁得快：让三方框架模型"零成本"迁移，避免重复造轮子，同时模型精度完全对齐。 2\. 部署快：训转推全流程自动化，让大模型部署像执行一行命令一般敏捷高效。 Figure 1 MindSpore生态快速迁移解决方案的技术架构 接下来，我们将揭开昇思MindSpore的破局之道。 **01** #### **支持训练Day0迁移，构建跨框架的"无感智能翻译"能力** 当大模型架构日新月异，开发者最怕被生态绑定。昇思MindSpore通过三重兼容术打通主流技术栈，支持主流加速库模型0代码迁移，通过精度自动对比工具实现跨框架、跨版本、跨策略快速调优，精度对齐原模型，实现在分布式并行策略保持不变的情况下，训练性能提升5%+。 在训练生态方面，通过MindSpeed/Megatron桥接层实现PyTorch模型零代码迁移，训练脚本可直接运行；通过动态图能力重构，昇思让PyTorch开发者获得"原生体验"，同时借力MSAdapter工具自动转换95%以上接口，主流模型如DeepSeek、Pangu等迁移损耗逼近于零。 迁移只是起点，性能才是硬道理。昇思MindSpore构建了框架差异化技术，进一步提升模型训练效率： - 动态图编译优化：多级流水线+即时编译（JIT），单卡训练效率提升40% - 分布式智能调优：自动负载均衡工具解决万卡训练"木桶效应"，线性度突破96% - 逐层精度对齐：在昇腾硬件上实现主流模型逐层0误差，告别玄学调参 **02** #### **支持推理一键部署，分钟级拉起模型服务** 在推理部署方面，借助vLLM-MindSpore插件实现HuggingFace模型半小时部署上线。面对千亿参数模型，昇思用三层部署范式重构推理链路： 1\. HF权重兼容：支持HuggingFace权重直接加载，无需格式转换；通过vLLM-MindSpore插件实现分钟级服务化 2\. 模型开箱即用：支持业界主流模型开箱即用，DeepSeek、Pangu、Qwen等20+模型已上线 3\. 启动时延优化：权重加载耗时降低80%（百亿模型小于30秒）；图编译时延压缩至毫秒级 **03** #### **开源开放：与社区开发者共建共赢** 在人工智能的沃土之上，昇思MindSpore已生长为一片葱郁的开发者雨林。 自2020年3月28日播下开源的种子，这片技术雨林已孕育出50多个主流大模型。AI框架作为基础软件，以其根系持续释放创新养分。昇思MindSpore累计获得1200万次下载，开发者枝芽遍布130个国家和地区土壤，在2400座城市吐露生机，超过四万六千名开发者如蜂群般共舞其间，11万+行代码代码合入请求浇灌创新土壤，1700多篇学术硕果垂坠于智慧枝头。 面向开发者，昇思的终极武器是开源开放的创新生态： - 社区共治：理事会+SIG组双轮驱动，企业/高校共定技术路线 - 资源普惠：提供免费算力平台（MindSpore大模型平台） - 知识共享：20+技术SIG组覆盖AI前沿领域，开发者可参与核心开发 未来的AI软件基座，必属于开源开放与极简高效共舞的时代。 文章转载雷锋网： 独家秘籍：探索昇思MindSpore如何让SOTA模型迁得快、对得齐 --- https://www.mindspore.cn/news/zh/376/ --- 新闻 MindSpore走进武汉大学，与师生共同畅想人工智能未来 # MindSpore走进武汉大学，与师生共同畅想人工智能未来 2021/01/15 # MindSpore走进武汉大学，与师生共同畅想人工智能未来 随着AI模型的规模与复杂度不断增加，对分布式以及算力的需求也在日益提升，MindSpore是华为自研并已开源的全场景AI计算框架，通过高效的软硬件协同优化和分布式能力，匹配开发者和产业发展的需求，性能达到业界领先。 同步开源社区的蓬勃发展，MindSpore生态构建也在蓄力开展中，高校是其中不可或缺的一环，通过教学、技术项目、论文和实习等形式与高校展开紧密合作，提升框架竞争力的同时帮助老师展开科研，提升学生个人能力，最终实现MindSpore与高校师生的双赢。 2020年12月9日，应武汉大学专家大讲堂邀请，华为MindSpore总经理万汉阳进行了《全场景AI框架MindSpore》的主题分享，从人工智能框架现状到MindSpore优势详解，从端边云全场景到实际应用案例，让现场学生更加深入了解MindSpore。 图 ｜ MindSpore总经理 万汉阳 图 ｜活动现场 主题分享现场气氛热烈，武大师生频频提问，都得到了万汉阳细致的答复，以下是部分精彩问答摘录： **问题1：MindSpore与其他框架相比（如TensorFlow、PyTorch），它的关键特性或者优点是什么？** > 1）**自动并行**：当前AI模型的规模和复杂度越来越大，对分布式训练及算力的需求日益提升，而MindSpore支持自动并行，无需手动制定切分策略，由框架本身实现，支持千亿参数大规模模型分布式并行。 > > 2）**全场景协同**：MindSpore提供了MindIR统一中间表达，模型无需转换，全场景适用，通过模型自适应生成平衡模型精度和资源约束，自动搜索模型，实现一次训练多处部署。 > > 3）**安全可信**：MindSpore提供了企业级AI安全隐私保护，和德国BSI，法国ANNSI等机构合作开展可信AI标准建设和认证。 **问题2：MindSpore的未来发展方向是什么？** > **MindSpore布局未来，制定了Best & Beyond AI战略**。针对当前AI典型高价值场景如3D重建、可解释推荐、图像分类、视频编解码，MindSpore追求做得更好，对于未来AI新的领域如科学计算方向，MindSpore也正在**构建框架的竞争力**。 **问题3：我想了解如何入门MindSpore，学习MindSpore后未来有机会到华为实习或者就业吗？** > 1）**MindSpore官网提供了丰富的入门文档及教学视频，供大家学习使用**。 > > 2）在遇到问题时，可以\*\*QQ群（871543426）\*\*咨询，也可通过官方论坛提问和Gitee仓提Issue，MindSpore有专人团队负责解答。 > > 3）华为**非常欢迎使用学习MindSpore的同学来华为实习和就业**，可通过华为官网招聘信息，参加春季招聘（实习）和秋季招聘（就业）的面试。 主题分享结束之后，MindSpore团队与武汉大学人工智能实验室领导和教授进行了一次深度座谈，共同畅想人工智能的发展，并深入探讨MindSpore框架能为武大人工智能实验室科研项目提供的软硬件能力。MindSpore将持续优化与创新，深耕生态建设，为满足高校科研与产业部署要求的AI计算框架而不断努力。 图 ｜座谈现场 通过武大之行，我们希望能够吸引高校师生了解并参与到MindSpore开源项目建设中，为人工智能事业发展培养人才，为国家新一代技术建设贡献自己的力量。 2021年我们将启动更多的校园活动，欢迎各大高校与MindSpore团队开展合作，联系邮箱：contact@public.mindspore.cn 让我们一起努力，共创美好未来！ * * * > MindSpore官方资料 > > GitHub : https://github.com/mindspore-ai/mindspore > > Gitee : https://gitee.com/mindspore/mindspore > > 官方QQ群 : 871543426 扫描下方二维码加入MindSpore项目↓ --- https://www.mindspore.cn/news/zh/3761/ --- 新闻 社区月报 | 昇思MindSpore SIG组全新启程、主流模型0Day同步首发 # 社区月报 | 昇思MindSpore SIG组全新启程、主流模型0Day同步首发 2025/06/13 # 社区月报 | 昇思MindSpore SIG组全新启程、主流模型0Day同步首发 **_昇思MindSpore2025年5月份总结_** **一、概述** 2025年5月，昇思MindSpore开源社区持续保持着稳定发展的态度。 MindSpore 2.6版本在鲲鹏昇腾开发者大会（KADC）上正式发布，该版本全面支持DeepSeek V3/R1 MoE模型训练推理全流程，并推出强化学习套件，显著提升模型迁移效率。 其次，中国电信发布了基于昇思MindSpore+vLLM打造的TeleChat系列四个模型，涵盖35B和15B规格，实测模型性能均有显著的性能效果，进一步丰富了开源模型生态。 昇思MindSpore开源社区开发者基于已支持的DeepSeek V3进行快速适配，1小时内完成开发，实现镜像替换、推理任务拉起DeepSeek-R1-0528，模型精度与官方开源版本一致。 在社区活动方面，昇思MindSpore社区通过学术基金、call for X、华为ICT大赛、量子计算黑客松大赛等活动推动AI技术在不同场景中的深度应用，助力开发者成长。在开发者培养方面，昇思MindSpore开源之夏、开源实习项目启动，在校学生可通过完成实际任务获得积分和实习证明。高校合作方面，昇思MindSpore高校教师赋能活动成功举办2场，吸引了全国30+所高校教师参与，推动AI技术在教学中的创新应用。 以下是5月昇思MindSpore社区进展的详细报告。 **二、社区规模** 截至5月底，昇思MindSpore面向全球开发者，凝聚产业力量，持续打造人工智能创新之源。社区秉持开放透明原则，稳步建设开源生态，规模和活跃度得到持续提升。 社区发展了\*\*4.6万+\*\*核心贡献者； 累计产生ISSUE共**41.9\*\*\*\*K**、PR共**112.3K**。 **三、社区大事件** **1、昇思\*\*\*\*MindSpore 2.6版本正式发布** 经过社区开发者们的持续贡献，昇思MindSpore2.6版本于近期正式上线，欢迎下载体验：https://www.mindspore.cn/install 本次版本带来三大特性升级： 1. 支持DeepSeek MoE模型训推全流程开箱即用，预训练、后训练特性升级：全面支持Dropless MoE训练，实现基于GRPO算法的强化学习训练 2. 兼容主流生态，插件式接入vLLM生态，openEuler协同优化，DeepSeek部署20分钟开箱即用 3. 从易用到好用：支持MindSpeed加速库，主流SOTA模型Day0迁移，一行代码配置自动并行，接口功能解耦，调试调优工具升级 \*\*2、\*\***基于昇思MindSpore+vLLM打造的TeleChat系列4个模型发布** 5月12日，中国电信发布了基于昇思MindSpore+vLLM打造的TeleChat系列四个模型，涵盖复杂推理和通用问答的多个尺寸模型，包括TeleChat-T1-35B、TeleChat-T1-115B、TeleChat2.5-35B和TeleChat2.5-115B，实测模型性能均有显著的性能效果。该系列模型现已上线魔乐社区，欢迎广大开发者下载体验！ 开源链接： https://modelers.cn/models/MindSpore-Lab/T1-35B https://modelers.cn/models/MindSpore-Lab/T1-115B https://modelers.cn/models/MindSpore-Lab/TeleChat2.5-35B https://modelers.cn/models/MindSpore-Lab/TeleChat2.5-115B \*\*3、\*\***昇思MindSpore深度参加鲲鹏昇腾开发者大会，两大专题论坛圆满落幕** 5月23日-24日，作为鲲鹏昇腾开发者大会2025（KADC2025）的重要参与方，昇思MindSpore两大专题分论坛在大会期间顺利进行。 - 5月23日，以“携手昇思开发者，共建共享开源社区”为主题的昇思MindSpore专题论坛，聚焦昇思MindSpore开源社区生态运作进展与框架技术使能大模型的创新成果，吸引了上百位高校科研院所、企事业单位AI开发者参会，共同探讨技术发展趋势。 - 5月24日，以“昇思MindSpore AI4S：AI助力科学探索无尽前沿”为主题的昇思MindSpore AI for Science（AI4S）专题论坛，昇思MindSpore开源社区携手科研专家的创新成果与生态运作进展。吸引了上百位AI技术领域开发者关注，共同探讨技术发展趋势。 \*\*4、\*\***不到10行代码、小时级完成适配！昇思版本DeepSeek-R1-0528上线开源社区** 5月28日，DeepSeek官方发布了DeepSeek-R1-0528，昇思MindSpore开源社区开发者基于已支持的DeepSeek V3进行快速适配，1小时内完成开发，实现镜像替换、推理任务拉起，经测试验证，模型精度与官方开源版本一致。 本次快速适配应用了MindSpore Transformers大模型使能套件和MindSpore-vLLM插件，分别原生支持大模型蒸馏的端到端全流程开发和部署MindSpore模型的推理服务。 MindSpore Transformers代码仓：https://gitee.com/mindspore/mindformers MindSpore-vLLM代码仓：https://gitee.com/mindspore/vllm-mindspore 魔乐社区代码仓： https://modelers.cn/models/MindSpore-Lab/DeepSeek-R1-0528 原文链接：https://mp.weixin.qq.com/s/e87h581gTh6x8UJGVmfHOg **四、社区动态** \*\*1、\*\***Call for Demo第二期来袭，万元笔记本大奖等你拿！** Call for Demo昇思MindSpore开源社区联合黄大年茶思屋、OpenI启智社区、OpenDataLab诚邀全球开发者，基于昇思AI框架进行模型微调，打造具有创新性、实用性、可扩展性的人工智能应用。 本期围绕昇思MindSpore AI框架/套件 + Ascend 进行模型微调展开创意开发！无论是智慧医疗、智能交通还是元宇宙新场景，只要满足技术创新性、实用性和可扩展性要求。欢迎感兴趣的同学参加！ \*\*2、\*\***2025开源之夏，AI模型开发任务重磅来袭** 开源之夏 2025 openEuler项目申请已进入最后冲刺阶段。在6月16日之前，学生可通过开源之夏官网注册、与导师沟通项目并提交项目申请。对 昇思MindSpore课题感兴趣的同学，可以提前联系导师沟通课题需求，找到最适合自己的课题方向。 本届开源之夏MindSpore社区**累计开放32个精心准备的项目课题，其中基础难度13个项目，进阶难度19个项目**。欢迎感兴趣的同学报名参加。 \*\*3、\*\***昇思MindSpore开源实习活动新任务来袭！** 开源实习是由MindSpore社区、openEuler社区等多个社区共同发起的线上实习项目。昇思MindSpore社区将持续提供实习任务与导师辅导，学生通过实习申请后，可在社区领取任务，每完成一个任务可获得相应积分，积分累计达规定量后，可获得实习证明和实习工资。本次，MindSpore同步发出20多个新任务，任务类型多样总有你的拿手项目！喊上你的同学与室友一同报名吧！ \*\*4、\*\***第九届华为ICT大赛全球总决赛成功举办** 5月27日，第九届华为ICT大赛全球总决赛在深圳圆满落幕。经过激烈角逐，昇思MindSpore开发者在比赛中脱颖而出。其中，在创新赛中，全球总决赛昇思MindSpore获奖作品共计24个，占总数的60%。在教学赛中，中国总决赛昇思MindSpore相关共10个作品获奖，占比25%；海外总决赛入围45个作品，其中25个昇思作品，特等奖3位选手中2个是提交昇思的作品。 **5、\*\*\*\*“MindSpore Call for X计划”来啦，欢迎贡献Demo、组织Meetup，实践分享** “MindSpore Call for X 计划”由昇思MindSpore社区发起，旨在鼓励所有社区成员以及开源爱好者积极贡献、乐于分享、热衷实践。我们诚邀昇思社区所有成员参加，通过贡献贡献Demo、组织Meetup，实践分享等形式，一起共建昇思社区生态。 “MindSpore Call for X计划”计划详情页：https://www.mindspore.cn/program \*\*6、\*\***MindSpore成立LLM Inference Serving SIG、MindSpore PyNative SIG和Heterogeneous Fusion SIG** # 近期，动态图模式框架开发SIG（MindSpore PyNative SIG）、大模型推理服务SIG（LLM Inference Serving SIG）和异构算力融合SIG（Heterogeneous Fusion SIG）在昇思MindSpore社区成立。 # 动态图模式框架开发SIG（MindSpore PyNative SIG），专注推动MindSpore动态图（即时执行， Eager Execution）模式的研发与优化。 MindSpore PyNative SIG主页：https://www.mindspore.cn/sig/MindSpore%20PyNative # 大模型推理服务SIG（LLM Inference Serving SIG）旨在MindSpore大模型推理能力接入vLLM、SGLang等上游开源推理服务框架，整合上下游社区的技术优势，推动大模型推理服务能力的提升。LLM Inference Serving SIG已孵化了开源插件vLLM-MindSpore，可支持vLLM框架以MindSpore为推理计算底座，实现大模型推理服务化部署。 LLM Inference Serving SIG 主页：https://www.mindspore.cn/sig/LLM%20Inference%20Serving 异构算力融合SIG（Heterogeneous Fusion SIG）期望更好的通过MindSpore使能异构硬件加速，并设计稳定、易用的支持异构硬件接入的南向接口。 Heterogeneous Fusion SIG主页：https://www.mindspore.cn/sig/Heterogeneous%20Fusion **欢迎访问昇思MindSpore SIG中心**，查看更多SIG组详情： **五、实践分享 1、基于MindSpore和DeepSeek打造Agent+RAG问答系统 2、重生之大腿带我征服MindSpore（三）：勇者的宿命，与并行女神的浪漫共舞 **六、感谢每一位朋友、开发者的支持 在此感谢社区伙伴们、可爱的小孢子们以及昇思MindSpore SIG组成员们，因为大家的共同努力及辛勤奉献，昇思MindSpore才能不断成长与发展！同时我们对可能出现的不完善之处向您表示诚挚的歉意，并衷心感谢您的理解与支持。 未来，昇思MindSpore AI框架将持续致力于打造人工智能创新之源，凝聚产业力量，扎根AI根技术，使能大模型与科学智能，成为AI创新的首选框架。**** --- https://www.mindspore.cn/news/zh/3762/ --- 新闻 Nature子刊重磅发布！昇思MindSpore使能全球首个亿级细胞大模型诞生 # Nature子刊重磅发布！昇思MindSpore使能全球首个亿级细胞大模型诞生 2025/06/16 # Nature子刊重磅发布！昇思MindSpore使能全球首个亿级细胞大模型诞生 中山大学、重庆大学等科研院所近日在《Nature Communications》发表开创性研究，正式推出基于昇思MindSpore AI框架与昇腾AI硬件训练的CellFM模型——全球首个预训练规模达1亿人类细胞的转录组学基础模型。这标志着AI技术在生命科学领域取得革命性突破。 **\# 01** **攻克\*\*\*\*单细胞研究三大难关** 面对单细胞数据分析的噪声干扰、批次效应与数据稀疏性挑战，研究团队依托昇思MindSpore构建CellFM模型，实现对海量转录组数据的统一建模，为解码细胞异质性提供全新范式。 _图1： 预训练的CellFM模型适用于多种单细胞下游分析，包括细胞类型注释、扰动预测、基因网络推断和基因功能预测。_ 在技术创新层面，CellFM通过三大核心突破构建了坚实的技术壁垒。首先，该模型实现了超大规模预训练，成功建成全球首个基于一亿人类细胞训练的转录组基础模型，参数量级突破八亿大关，创造了该领域新的技术标杆。其次，在模型架构方面进行关键革新：采用改进型RetNet框架作为基础结构，通过优化注意力机制显著提升特征提取能力，并开发出高效的数据处理流程以应对海量生物数据。再者，该模型展现了跨领域的卓越性能表现，包括高精度细胞类型注释能力、精准的扰动预测性能，以及对基因功能及其相互作用关系的深度解析能力，为多学科研究提供有力支持。 _图2：a. CellFM框架概述。CellFM由嵌入模块、ERetNet模块和LoRA模块组成。b. 每层ERetNet模块集成了MHA、SGLU和LN单元。_ 作为生物医学领域的新型智能基础研究，CellFM正在构建多维应用价值体系。在基础研究方面，有力支撑细胞鉴定、细胞状态分析与基因调控网络研究等核心科研方向；在医学实践领域，服务于疾病发生机制解析、药物响应预测及个性化诊疗方案制定；在生物工程应用维度，有效赋能细胞改造工程、基因治疗技术创新与新药研发进程。 **\# 02** **昇思MindSpore AI框架三大核心技术赋能** 在高效分布式训练方面，昇思MindSpore通过自动并行策略实现对8亿参数规模的精准适配，结合数据并行、模型并行与流水线并行的多维协同优化机制，在保证开发灵活性的同时借助动静态图融合技术达成极致性能表现。 在智能内存管理领域，昇思MindSpore图算融合技术有效优化了内存资源占用，梯度聚合优化方案显著降低了分布式训练中的通信开销，配合可动态适配超大规模模型的自动化内存调度系统，共同构建起高效内存管理生态。 针对全链路性能优化，昇思MindSpore AI框架集成混合精度训练功能实现FP16与FP32精度的智能切换，依托算子融合引擎减少冗余内存访问操作，并通过多层次的图层编译优化策略全面提升计算效率。这三重技术体系形成紧密协同，为超大规模AI模型提供了坚实的底层支撑。 CellFM的成功实践充分验证了昇思MindSpore在使能生物大模型领域的技术领导力。未来，昇思MindSpore将持续助力科研团队推动模型进化，拓展多物种细胞支持范围、实现多组学数据融合分析、丰富下游任务应用场景以及持续优化模型计算效能。 访问昇思MindSpore官网，了解昇思MindSpore AI4S相关技术： https://www.mindspore.cn \[参考文献：\[Zeng, Y., et al. CellFM: a large-scale foundation model pre-trained on transcriptomics of 100 million human cells. Nature Communications 16, 4679 (2025)\](https://doi.org/10.1038/s41467-025-59926-5)\\\] --- https://www.mindspore.cn/news/zh/3763/ --- 新闻 昇思MindSpore SIG中心重磅上线 # 昇思MindSpore SIG中心重磅上线 2025/06/17 # 昇思MindSpore SIG中心重磅上线 昇思MindSpore SIG中心重磅上线 --- https://www.mindspore.cn/news/zh/3765/ --- 新闻 加速科研创新，GAITC2025展示多项昇思MindSpore学术基金优秀成果 # 加速科研创新，GAITC2025展示多项昇思MindSpore学术基金优秀成果 2025/06/18 # 加速科研创新，GAITC2025展示多项昇思MindSpore学术基金优秀成果 6月6日-8日，2025全球人工智能技术大会(GAITC2025)在杭州未来科技城举办。本次大会以“交叉、融合、相生、共赢”为主题，汇聚近300位中外专家分享前沿报告，吸引近千名政产学研各界人士参会，共同探讨人工智能技术突破新动态和产业智变新趋势。华为携昇腾AI基础软硬件及多项学术基金优秀项目在大会开幕式、分论坛上重磅亮相，全方位展示了业界基于昇腾平台打造的技术创新以及科研创新、行业应用创新等生态成果。 2025全球人工智能技术大会(GAITC2025) **荣誉时刻 学术基金优秀项目颁奖** 大会开幕式举行了CAAI-昇思MindSpore/昇腾CANN学术基金优秀项目表彰仪式。中国工程院院士、中国人工智能学会理事长戴琼海和国际欧亚科学院院士田奇为以下六个团队项目颁奖： 中山大学软件工程学院教授陈武辉团队主导的《LongUMoE：基于统一内存的MoE长序列推理框架》 中山大学计算机学院教授、国家优秀青年基金获得者李冠彬团队主导的《基于参数化隐式表达的数字说话人视频生成》 北京安德医智科技有限公司副研究员刘盼团队主导的《基于复合策略的多模态VIT模型推理加速方案的探索》 北京航空航天大学计算机学院助理教授孙庆赟团队主导的《基于MindSpore的PDE基础模型构建研究》 北京交通大学计算机科学与技术学院副教授赵宏智团队主导的《基于CANN平台的高性能Conv算法研究》 天津大学智能与计算学部教授曹兵团队主导《基于CANN平台的无人机视觉大模型》 CAAI-昇思MindSpore/昇腾CANN 学术基金优秀项目表彰仪式 **创新加速 全面展现昇腾AI生态成果** CAAI-昇思MindSpore/昇腾CANN学术基金由CAAI携手华为发起，致力于面向海内外高校及科研院所的AI学者搭建学术交流的平台，提供经费、算力、技术等支持，推动人工智能方法在科学领域的创新应用，持续构建自主创新、开放的科研与人才生态。 以GPT-4为代表的基础模型，彻底变革了语言处理、图像理解与跨模态生成等领域，同时也在向人类智慧的最高结晶“科学研究”发起冲击。例如千禧年问题NS方程如何进行人工智能科学计算求解，是否存在类似于基础模型的Scaling law？北京航空航天大学计算机学院助理教授孙庆赟团队提出了基于MindSpore的面向科学智算的基础模型OmniArch，首个旨在解决多尺度和多物理科学计算问题的基础模型原型，通过全新设计的统一架构解决了问题尺度、物理量、物理规律的三方面难对齐的挑战。该模型在国际基准PDEBench上完成了1D-2D-3D的联合预训练，展现出了较强的上下文学习能力，特别是零样本推理带来了全新物理发现的可能。 北京航空航天大学计算机学院助理教授 孙庆赟团队成果展示 Conv 2d是AI模型中一种常用的算子，其性能直接影响到很多AI模型的整体性能。北京交通大学计算机科学与技术学院副教授赵宏智团队《基于CANN平台的高性能Conv算法研究》项目旨在研究昇腾AI处理器亲和的卷积算子性能优化方法，发现输入特征图的Width维度是优化昇腾处理器片上数据传输效率的一个关键因素，以此提出了一种Width-wise的输入特征图tiling策略，其在不同的输入特征图shape下均能计算出最佳的tiling设置参数，最优化输入特征图tile的片上传输效率，大幅度提升昇腾处理器上卷积算子运行的性能。 北京交通大学计算机科学与技术学院副教授 赵宏智团队成果展示 在智能无人机低空感知领域，天津大学智能与计算学部教授曹兵团队《基于CANN平台的无人机视觉大模型》项目采集超2000万对低空无人机红外-可见光多模态图像，并基于此构建无人机低空感知基座模型，建立了面向低空无人机视觉的动态可信融合理论体系，提出了基于无人机低空视觉基座模型的多传感器融合算法、低空目标检测-跟踪-计数算法和反无人机算法等全链条技术方案。 天津大学智能与计算学部教授曹兵团队成果 在视觉生成的可控性、个性化和多样性研究上，中山大学计算机学院教授、国家优秀青年基金获得者李冠彬团队开展的《基于参数化隐式表达的数字说话人视频生成》项目，探索了基于MindSpore的多模式驱动视觉内容生成与编辑。团队提出了HiCoDe说话人视频生成算法框架，解决了当前基于扩散模型和神经辐射场(NeRF)的数字人视频生成方法在计算效率和渲染质量上的关键瓶颈问题。HiCoDe采用模块化架构，包括音频编码、可变形3D高斯、渲染合成，在算法效率和性能上较已有方法有大幅提升。 中山大学计算机学院教授、国家优秀青年基金获得者 李冠彬团队成果展示 针对MoE模型由于专家参数规模庞大在推理阶段面临严峻的显存瓶颈问题，中山大学软件工程学院教授陈武辉团队基于MindSpore框架的异构计算能力，进行《LongUMoE：基于统一内存的MoE长序列推理框架》研究，一方面基于专家感知的多batch推理流水线范式，充分利用不同专家间计算与I/O特性差异，有效压缩层间与层内气泡；另一方面利用相邻门控层输入间的高余弦相似度进行跨层预取，从而实现高预测精度而无需额外的GPU开销，最终实现MoE模型在资源受限场景下的高吞吐推理。 中山大学软件工程学院教授陈武辉团队成果展示 为解决当前模型在高清三维医学影像场景显存占用高、推理耗时长等实际应用难题，北京安德医智科技有限公司副研究员刘盼团队依托MindSpore框架，探索基于复合策略的多模态VIT模型推理加速方案。通过额外的轻量级路由网络，将原始图像的下采样特征作为输入，输出每个Patch的连续重要性分数。训练阶段，在保持原有SAM分割精度的基础上，通过联合“分割损失＋稀疏正则”让路由网络学会剔除冗余区域。推理时，仅对得分高于阈值的Patch进行完整ViT编码，其余区域直接由SAM解码器通过位置插值等方式补全，从而有效提升模型在资源受限环境下的推理效率，降低部署门槛，为AI模型在基层医疗场景中的落地应用提供高性能、低成本的解决方案。 北京安德医智科技有限公司副研究员刘盼团队成果展示 此外，大会还展示了《基于CANN平台的高性能融合Kernel算法研究与优化》、《基于多模态的第一视角视频行为分析大模型研究》、《基于多模态的人体感知大模型研究》、《基于脉冲神经网络的大语言模型架构研究》、《基于人工智能方法的东亚高分辨率气候数据重建》、《基于多组学计算的药物重定位方法》、《基于三维场景高效表征的多模态大语言模型研究》、《基于MindSpore的大模型训练高效参数微调、Prompt-tuning指令学习与强化学习(RLHF)》、《基于MindFormer和MindCV的视觉一语言模型的上下文学习框架》学术基金项目科研成果。 2024年学术基金项目成果展示 以学术基金为后盾，以论坛交流为契机，昇腾与中国人工智能学会的深度合作，探索出了一条产学研协同攻关、联合创新的可行路径。目前，2025年度中国人工智能学会-昇思MindSpore学术基金、昇腾CANN学术基金项目正在开放申报中，欢迎广大科研工作者申报，具体可登录中国人工智能学会官网查看申报指南与常见问题。 --- https://www.mindspore.cn/news/zh/3766/ --- 新闻 Day0迁移、一键部署，华为开源的昇思MindSpore成为大模型开发的“万能钥匙” # Day0迁移、一键部署，华为开源的昇思MindSpore成为大模型开发的“万能钥匙” 2025/06/18 # Day0迁移、一键部署，华为开源的昇思MindSpore成为大模型开发的“万能钥匙” **没有一个大模型可以一统天下。** 这，或许已经成为了AI大模型时代行业里的一个共识。 在如此背景之下，面对众多且日新月异的主流大模型和AI技术，如何能**在一个框架、生态下去体验**，却成了开发者们“老大难”的问题。 难道就没有一个又快又好又方便的解决办法吗？ 有的—— **华为开****源的昇****思MindSpore**，了解一下。 在这里，主流SOTA大模型的“搬家”是这样的——**训练D****a****y0迁\*\*\*\*移**： 只需改动极少极少的代码就OK，并且精度和性能都在线。 **推理**是**一键部署**的： 训练转推理全流程自动化，20多个主流大模型开箱即用，百亿参数模型加载只需不到30秒。 ###### \*\*\*\*△\*\*\*\*MindSpore生态快速迁移解决方案的技术架构 那么昇思MindSpore是如何做到，我们继续往下看。 ### **改4行代码，“搬家”DeepSeek-V3** 为了让迁移大模型这件事变得无感知，昇思MindSpore“翻译神器”——**MSAdapter**。 简单来说，这个工具可以把其他框架的代码转换成MindSpore能看懂的语言，从而实现 “零损耗” 迁移。 比如PyTorch写的训练脚本，直接在MindSpore里运行，动态图体验和原来一样顺手，95%以上的接口都能自动转换，迁移损耗几乎为零。 在此背后还有其他的“独家秘笈”，加速训练调试调优，具体技术如下： - 动态图多级流水：把算子（模型的基本计算单元）的处理拆成4个阶段（如Python 转换、形状推导等），用多核并行处理，速度提升3-4倍。 - JIT 编译：把常用代码 “打包” 成高效执行的模块，像把重复工作做成模板，用的时候直接拿出来用，兼顾灵活编程和高性能。 - 自动策略寻优：大模型训练需要选最佳并行策略（比如数据并行、张量并行等），传统靠专家经验，现在MindSpore能自动搜索最优方案，比如在DeepSeek-V3训练中，性能提升了9.5%。 - 执行序比对：大模型训练可能因算子执行顺序不同导致精度问题，MindSpore能自动比对执行顺序，快速找到差异，避免人工排查几十万算子的麻烦。 ###### \*\*\*\*△\*\*\*\*MindSpore训练Day0迁移方案 以DeepSeek-V3为例，代码改动量如下： - Shell脚本：修改分布式任务启动相关参数，共涉及4行代码调整。 - Python脚本：变更量占比<1%，已通过代码补丁工具自动完成修改。 不仅**精度**上可以实现**Day0对齐**，而且在保持并行策略一致的情况下叠加MindSpore自研增量特性，**性能还能提升5%**。 ### **HuggingFace模型们，推理一键部署** 在推理部署这块儿，昇思则是用vLLM-MindSpore插件能让HuggingFace模型在半小时内完成部署并上线。 ###### vLLM x MindSpore 框架图 要是碰到千亿参数的大模型，MindSpore用三层部署模式重新打造了推理流程： - 直接用HuggingFace的权重：能直接加载HuggingFace的模型权重，不用转换格式；通过vLLM - MindSpore插件，短短几分钟就能把模型变成可提供服务的状态。 - 模型拿来就能用：支持很多业内常用的模型，拿来就能直接用，像DeepSeek、Pangu、Qwen这些，已经有20多个模型上线了。 - 减少启动时的延迟：权重加载花费的时间减少了80%（百亿参数的模型加载时间不到30秒）；图编译的延迟也压缩到了毫秒级别。 从实测效果来看，以**Pangu Pro MoE 72B**为例，使用vLLM和MindSpore在Atlas 800I A2上部署推理服务，当前在时延小于100ms的情况下单卡增量吞吐可达每秒1020tokens，在Atlas 300I Pro上可达每秒130tokens。 以上便是关于昇思MindSpore“训练Day0迁移、推理一键部署”的大致内容了，了解更多详情可戳。 **技术报告地址：** https://gitcode.com/ascend-tribe/ascend-cluster-infra/blob/main/MindSpore/ascend-cluster-infra-mindspore.md --- https://www.mindspore.cn/news/zh/3782/ --- 新闻 开源首发，昇思MindSpore支持盘古Pro一键部署，内附手把手教程 # 开源首发，昇思MindSpore支持盘古Pro一键部署，内附手把手教程 2025/06/30 # 开源首发，昇思MindSpore支持盘古Pro一键部署，内附手把手教程 近日，华为于2025年5月28日发布的大语言模型盘古Pro 正式开源。依托对MoE的完备支持，昇思MindSpore支持盘古Pro MoE的开源首发，并已将MindSpore版的盘古Pro MoE推理代码上传至开源社区，实现分钟级、一键式的vLLM服务化部署。 模型卡片： https://gitee.com/mindspore/vllm-mindspore/blob/pangu-pro-moe/docs/model\\\_cards/pangu/pangu\\\_pro\\\_moe.md 混合专家模型（Mixture of Expert）能够以较低的计算成本支持更大的参数规模，已成为大语言模型的重要发展方向。2025年5月28日，华为发布了总参数量 720 亿、激活参数量160亿的盘古Pro MoE模型。盘古Pro MoE模型使用了创新的分组混合专家模型（Mixture of Grouped Experts, MoGE）架构，在专家选择阶段对专家进行分组，并约束各组分别激活等量专家，从而实现专家负载均衡和提升昇腾平台计算效率。 昇思MindSpore此前已支持DeepSeek-V3/R1、Qwen3-235B、GLM-Z1、MiniCPM4等40余款主流大语言模型，具备对混合专家模型的完备支持能力，并支持通过vLLM进行服务化部署，有效提升系统吞吐率。通过算子融合、模型并行等优化，以及对盘古Pro MoE模型的权重、激活和KVCache的量化支持，当前使用vLLM+MindSpore在昇腾Atlas 800I A2已完成部署验证，同时支持昇腾Atlas 300I Duo。 ****\# 01**** ****技术特性**** **1、支持vLLM 0.8.3 V0/V1版本的核心特性** 昇思MindSpore社区开发了vLLM-MindSpore开源插件，支持使用vLLM部署MindSpore推理模型。该方案在vLLM连续性批调度、KVCache分页管理、Chunked Prefill、Prefix Cache等服务特性的基础上，叠加MindSpore即时编译、图算融合、混合量化等推理加速能力，实现了昇腾AI处理器上大模型推理的极致性能与快速部署。 当前vLLM-MindSpore主干分支已适配vLLM v0.8.3版本，支持V0/V1架构。 **2、量化推理** 昇思MindSpore社区与华为诺亚实验室、泰勒实验室联合打造了模型量化压缩算法套件金箍棒（https://gitee.com/mindspore/golden-stick），支持SmoothQuant、AWQ、GPTQ等业界主流后量化算法以及多种自研量化算法。为了提升量化推理效率和降低精度损失，使用自研混合精度量化算法，自动搜索最优量化策略，可实现盘古网络几乎精度无损的8bit量化（A8W8），也可进一步对量化后的权重进行精度补偿，实现4bit量化。 除了对模型参数和激活值量化以外，还可对KVCache进行了量化，以节省显存和提升Batch Size。金箍棒套件支持静态量化与动态量化两种KVCache模式。由于vLLM暂未支持KVCache动态量化参数的管理，因此在是使用vLLM部署盘古Pro MoE时，仅可使用KVCache静态量化。 **3、多种自注意力算子及向量排布** 昇思MindSpore在盘古Pro MoE推理模型中支持了多种Attention算子，可在不同应用场景下获取最优计算性能：使能Prefix Cache、Chunked Prefill的场景，可选用Paged Attention算子；其它场景，Prefill阶段可选用PromptFlashAttention算子，Decode阶段可选用IncreFlashAttention算子。 此外，在大Batch Size场景，昇思MindSpore支持自适应选择NZ格式的Matmul算子，实现单算子性能提升40%。在昇腾300I Duo上的自注意力计算部分也采用NZ格式，因此vLLM-MindSpore插件还支持了NZ格式的KVCache管理。 **4、并行推理** 昇思MindSpore支持TP、EP、DP、SP等多种并行策略，此次使用TP（Attention） + EP（MoE）加速盘古Pro MoE模型推理，后续还将引入DP、SP等并行加速策略。 **\# 02** ****部署指南**** 盘古Pro MoE模型推理建议使用1台（8卡） Atlas 800I A2（64G）服务器（基于BF16权重）。昇思MindSpore提供了盘古Pro MoE推理专用的Docker容器镜像，供开发者快速体验。 **1、下载模型权重** 执行以下命令将模型权重的自定义下载路径 /home/work/PanguProMoE 添加到白名单： `export HUB_WHITE_LIST_PATHS=/home/work/PanguProMoE` 执行以下 Python 脚本，从魔乐社区下载昇思 MindSpore 版本的 盘古Pro MoE模型权重文件至指定路径 /home/work/PanguProMoE 。下载的文件包含模型配置、模型权重和分词模型，占用约 150GB 的磁盘空间： `from openmind_hub import snapshot_download snapshot_download( repo_id="MindSpore-Lab/Pangu-Pro-MoE", local_dir="/home/work/PanguProMoE", local_dir_use_symlinks=False )` 注意事项： - /home/work/PanguProMoE 可修改为自定义路径，需要确保该路径有足够的磁盘空间（约 150GB）。 - 下载时间可能因网络环境而异，建议在稳定的高速网络环境下下载，10MBps网速下，预计下载时间4小时。 **2、下载昇思 MindSpore盘古Pro MoE推理容器镜像** 执行以下 Shell 命令，拉取昇思 MindSpore 盘古Pro MoE推理容器镜像： `docker pull swr.cn-central-221.ovaijisuan.com/mindsporelab/pangu_pro_moe_mindspore-infer:800-A2-20250623` **3、启动容器** 执行以下命令，创建并启动容器： `docker run -it --privileged --name=pangu_pro_moe --net=host \ --shm-size 500g \ --device=/dev/davinci0 \ --device=/dev/davinci1 \ --device=/dev/davinci2 \ --device=/dev/davinci3 \ --device=/dev/davinci4 \ --device=/dev/davinci5 \ --device=/dev/davinci6 \ --device=/dev/davinci7 \ --device=/dev/davinci_manager \ --device=/dev/hisi_hdc \ --device /dev/devmm_svm \ -v /usr/local/Ascend/driver:/usr/local/Ascend/driver \ -v /usr/local/Ascend/add-ons:/usr/local/Ascend/add-ons \ -v /usr/local/sbin:/usr/local/sbin \ -v /usr/local/sbin/npu-smi:/usr/local/sbin/npu-smi \ -v /etc/hccn.conf:/etc/hccn.conf \ -v /home:/home \ swr.cn-central-221.ovaijisuan.com/mindsporelab/pangu_pro_moe_mindspore-infer:800-A2-20250623 \ /bin/bash` 后续所有操作均在容器内进行。 **4、启动推理服务** 执行以下shell命令启动推理服务： `vllm-mindspore serve "/home/work/PanguProMoE" --trust-remote-code --tensor-parallel-size=8 --gpu-memory-utilization=0.9 --max-num-batched-tokens=2048 --max-num-seqs=512 --block-size=128 --max-model-len=32768` 执行以下命令，发送推理请求进行测试： `curl http://localhost:8000/v1/completions -H "Content-type: application/json" -d '{"model": "/home/work/PanguProMoE", "prompt": "[unused9]系统：[unused10][unused9]用户：请简单介绍一个北京的景点[unused10][unused9]助手：", "max_tokens": 1024, "temperature": 0.0}' &` 本文档提供的模型代码和镜像，当前仅限用于测试和体验昇思MindSpore盘古Pro MoE模型的推理服务化部署，不建议用于生产环境。如遇使用问题，欢迎反馈至Issue（https://gitee.com/mindspore/mindformers/issues/new）。 基于昇思MindSpore对MoE架构的深度优化与vLLM的极致融合，盘古Pro MoE的开源标志着大模型在高效部署领域取得重大突破。本次开源不仅验证了昇腾AI处理器对千亿级稀疏大模型的全面支撑能力，更通过容器化封装、量化压缩与并行策略优化，实现分钟级一键开箱部署，为开发者提供开箱即用的MoE模型服务化体验。未来，昇思将持续支持主流大模型演进，并根据开源情况面向全体开发者提供镜像与支持。 --- https://www.mindspore.cn/news/zh/3785/ --- 新闻 0day同步！昇思MindSpore首发支持智谱GLM-4.1V-9B-Thinking多模态模型 # 0day同步！昇思MindSpore首发支持智谱GLM-4.1V-9B-Thinking多模态模型 2025/07/02 # 0day同步！昇思MindSpore首发支持智谱GLM-4.1V-9B-Thinking多模态模型 7月2日，智谱AI发布视觉语言大模型GLM-4.1V-9B-Thinking，昇思MindSpore在开源当日即实现0day支持。昇思MindSpore通过提供主流生态接口，依托MindSpore One套件，小时级完成模型无缝迁移，并将版本上传至开源社区，欢迎广大开发者下载体验！ MindSpore One代码仓： https://github.com/mindspore-lab/mindone 体验指导链接： https://modelers.cn/models/MindSpore-Lab/GLM-4.1V-9B-Thinking ****\# 01**** ****模型介绍**** 视觉语言大模型（VLM）已经成为智能系统的关键基石。随着真实世界的智能任务越来越复杂，VLM模型也亟需在基本的多模态感知之外， 逐渐增强复杂任务中的推理能力，提升自身的准确性、全面性和智能化程度，使得复杂问题解决、长上下文理解、多模态智能体等智能任务成为可能。 基于 GLM-4-9B-0414 基座模型，新版VLM开源模型 GLM-4.1V-9B-Thinking 引入思考范式，通过课程采样强化学习 RLCS（Reinforcement Learning with Curriculum Sampling）全面提升模型能力， 达到 10B 参数级别的视觉语言模型的最强性能，在18个榜单任务中持平甚至超过8倍参数量的 Qwen-2.5-VL-72B。 **\# 02** ****环境要求**** - mindspore 2.5.0/2.6.0 - ascend driver 24.1.RC3.b080 - firmware 7.5.T11.0.B088 - cann tookit/kernel 8.0.RC3.beta1 **\# 03** ****权重下载**** 下载权重到/home/GLM-4.1V，需要预留至少21GB空间，可以根据需要调整路径。 `pip install openmind_hub export HUB_WHITE_LIST_PATHS=/home/GLM-4.1V python from openmind_hub import snapshot_download snapshot_download( repo_id="MindSpore-Lab/GLM-4.1V-9B-Thinking", local_dir="/home/GLM-4.1V", local_dir_use_symlinks=False )` **\# 04** ****环境准备**** 安装最新的MinSpore One以及Transformers，/home路径根据需要调整。 `cd /home git clone https://github.com/mindspore-lab/mindone.git --depth 1` 若执行失败，可以尝试： `git clone https://gh-proxy.com/github.com/mindspore-lab/mindone.git --depth 1` 之后执行： `cd mindone pip install -e .` 安装transformers（安装过程中忽略报错信息）： `pip install transformers==4.53.0` **\# 05** ****执行推理测试**** 参数model\_name指的是本地下载的权重，根据需要调整。image指的是本地存储的图片，需要更改。 默认推理token数是128，如果需要更多可以修改/home/mindone/examples/transformers/glm4v/generate.py中的max\_new\_tokens=128改成2048。 若想要输出英文，则输入英文（推荐） `cd /home/mindone/examples/transformers/glm4v python generate.py --model_name /home/GLM-4.1V --image /home/trial.jpg --prompt "Describe this image."` 若想要输出中文，则输入中文： `cd /home/mindone/examples/transformers/glm4v python generate.py --model_name /home/GLM-4.1V --image /home/trial.jpg --prompt "请帮我描述这张图片。"` 昇思MindSpore AI框架将持续支持更多业界主流模型，欢迎大家试用并在昇思论坛提供宝贵的反馈意见。（https://discuss.mindspore.cn/） MindSpore Transformers SIG首次月例会将在7月3日16：00举办，欢迎感兴趣的开发者参与：https://meeting.tencent.com/dm/olkrpDKfadmJ --- https://www.mindspore.cn/news/zh/3788/ --- 新闻 MindSpore Transformers SIG成立：聚焦Transformer类大模型全流程开发与优化 # MindSpore Transformers SIG成立：聚焦Transformer类大模型全流程开发与优化 2025/07/04 # MindSpore Transformers SIG成立：聚焦Transformer类大模型全流程开发与优化 为了积极拥抱Hugging Face、Megatron-LM、vLLM等开源模型系统及训练推理框架生态，为用户提供高性能且易于使用的 MindSpore 大模型训练与推理能力，昇思MindSpore社区正式成立大模型套件SIG（MindSpore Transformers SIG）。SIG团队致力于提升Transformer类大模型在性能与易用性方面的表现，推动其在实际场景中的高效应用与落地。 MindSpore Transformers SIG 所涉及的技术领域主要包括以下方面： \*\*大模型开发迁移：\*\*基于 MindSpore AI 框架和 MindSpore Transformers 大模型套件开发大模型，或迁移适配其他框架的优秀开源大模型至 MindSpore Transformers。 \*\*高效大模型训练：\*\*依托 MindSpore 的图融合、通信-计算掩盖、多维混合并行等技术，实现高性能的大模型训练；支持主流数据集格式，提供完备数据集特性；大集群训练高可用，故障自动检测、自动恢复。 \*\*高效大模型推\*\*\*\*理：\*\*依托 MindSpore 的图融合、通信-计算掩盖、多维混合并行等技术，实现高性能的大模型推理；对接 MindSpore 金箍棒套件和 vLLM-MindSpore 插件，实现高效易用的大模型量化与服务化部署。 \*\*大模型全流程易用性提升：\*\*优化大模型全流程开发的易用性，提供清晰易用的生态资料；拥抱业界主流开源生态，无缝对接主流大模型训推框架、套件，提升大模型全流程开发迁移效率。 **MindSpore Transformers大模型套件技术架构图：** MindSpore Transformers项目代码仓： https://gitee.com/mindspore/mindformers MindSpore Transformers SIG：https://gitee.com/mindspore/community/tree/master/sigs/mindspore\\\_transformers MindSpore Transformers SIG 欢迎开发者参与共同推动 Transformer 大模型在 MindSpore 框架下的标准化、高效化与工程化，实现大模型全流程端到端能力的创新与落地，助力 AI 研发者与产业用户轻松构建与应用大模型。 **当前SIG重点开发方向：** \*\*1、关键功能与模块开发：\*\*负责 MindSpore Transformers 项目核心功能模块的设计、开发与优化；编写高质量、可复用、可扩展的组件。 \*\*2、模型开发与生态集成：\*\*孵化或迁移优秀开源的模型或算法到 MindSpore Transformers；对接主流大模型生态社区与框架，维护对上下游库的兼容与集成。 \*\*3、\*\*\*\*测试、验证与标准化：\*\*编写并维护单元测试、集成测试、性能测试、精度验证脚本；制定配置、输出结果的一致性和可复现性标准；输出可自动化的 CI/CD 流程。 \*\*4、文档与示例：\*\*编写用户文档、开发者手册、API 参考和快速上手教程；提供可执行示例、Notebook、参考配置；持续完善 FAQ 和使用指南。 **上述开发方向欢迎感兴趣的开发者参与贡献！** **SIG目标：** 1、 聚焦大模型技术方向，推动关键技术演进 2、 建设可持续的开源生态 3、 推动贡献者协作与社区成长 4、 保障贡献代码质量与可用性 5、 推动成果落地与场景化应用 **SIG例会：** **月例会，每月第一个周四下午16点，欢迎感兴趣的开发者订阅SIG邮件：dev@mindspore.cn 及时获取会议通知。** 首次例会录屏： https://www.bilibili.com/video/BV1fL37zxE41/?vd\\\_source=a167ce7abbcf086a91bc3d842fcd9fc6 会议纪要： https://etherpad.mindspore.cn/p/sig-MindSpore-Transformers-meetings MindSpore Transformers SIG详情： https://www.mindspore.cn/sig/MindSpore%20Transformers **SIG成员：** **Maintainer 列表** **Committer****列****表** **加入我们：** 欢迎感兴趣的朋友们加入到MindSpore Transformers SIG，共同探讨动态图技术，可以添加小助手微信或扫描微信群二维码，入群讨论。欢迎您的围观和加入！ --- https://www.mindspore.cn/news/zh/3791/ --- 新闻 昇思MindSpore助力天翼云提供极致MoE大模型训练性能 # 昇思MindSpore助力天翼云提供极致MoE大模型训练性能 2025/07/09 # 昇思MindSpore助力天翼云提供极致MoE大模型训练性能 自DeepSeek V3横空出世以来，以其卓越的模型效果和极低的训练成本，引领着大模型训练发展潮流，对AI行业的发展方向带来前所未有的变革。以DeepSeek V3为代表的MoE模型，凭借其稀疏激活特性展现出强大潜力。然而，由于MoE模型独特的稀疏结构，以及额外的路由通信开销等原因，导致类DeepSeek的MoE模型在训练效率上相比稠密模型有一定损耗。 为此，昇思MindSpore与天翼云针对MoE模型训练效率开展了联合创新优化，在通信、并行策略、算子等维度对DeepSeek V3预训练进行了系统级性能优化，基于昇腾Atlas 900 AI集群 + 昇思MindSpore AI框架，在MindSpore Transformers大模型套件上进行极致性能优化，优化后相比开箱性能提升83%。 在通信优化方面，采用机间通信合并和细粒度计算通信掩盖有效减低通信时间；在并行策略优化方面，通过TP\_EXTEND\_EP 并行策略，减少TP切分带来的通信耗时；在算子优化方面，通过FlashAttention非对齐计算、高性能AlltoAll算子、图算融合升级等技术提升算子性能。 ****\# 01**** ****通信优化**** **1、机间通信合并** MoE架构的大模型专家数众多，如DeepSeek V3的专家个数高达256个，为缓解内存压力往往会开启专家并行（EP），将专家切分到不同的卡上。当EP超过单个节点内的NPU数量时，部署专家会被分散到多个节点上，导致机间通信数据量过大，成为训练性能的瓶颈。研究团队采用跨机AllGather 通信将所需的tokens同步到机内，并在机内进行tokens排序与AlltoAll通信，极大地减少了跨机通信量，降低了AlltoAll通信时间。机间通信合并前后流程如图1所示。 图1. 机间通信合并前后流程示意图 **2、细粒度计算通信掩盖** 研究团队通过性能调优工具分析实跑算子下发与执行时间，精准发掘出流水线并行、重计算、梯度计算中通信的可掩盖点，通过通信与计算掩盖实现通信算子耗时隐藏。 在流水线并行方案中，调整了micro batch之间的执行顺序，消除相邻前反向数据依赖，成功实现AlltoAll通信的掩盖。针对重计算过程中的通信掩盖问题，细粒度调度不同transformer层重计算过程中的计算与通信时序关系，实现多层通信相互掩盖。同时通过将GroupedMatmul梯度计算与反向过程中通信算子相互掩盖，减少反向过程中未掩盖通信。通信与计算相互掩盖如图2所示。 图2. 通信与计算相互掩盖示意图 **\# 02** ****并行策略优化**** **1、TP\_EXTEND\_EP 并行策略** 传统的张量并行（Tensor Parallelism）会对Attention及FFN进行张量的切分，然而小专家场景张量并行切分后存在GroupedMatmul算子效率下降问题。为了避免小专家场景张量并行对专家参数切分导致AICore利用率过低从而造成GroupedMatmul算子效率劣化，研究团队设计了TP\_EXTEND\_EP 并行策略方案，即在FFN模块张量并行不切分专家权重，转而切分专家数，从而减少因切权重产生的AllGather、ReduceScatter算子，减少通信时间。如图3所示，假设TP=2、EP=2，专家个数为4，自定义并行策略前后分别如图左右两部分所示。以专家E1为例，在未TP\_EXTEND\_EP前， 专家E1的参数TP切分平均分布在rank0、rank1上，在TP\_EXTEND\_EP后， 专家E1的参数完整得保留在rank0上，从而减小因专家E1参数分布在不同卡上而产生的额外通信。使用TP\_EXTEND\_EP后， 通信算子的减少情况如图4所示，FFN前后的AllGather与ReduceScatter消失。 图3. TP\_EXTEND\_EP并行策略示意图。其中E1，E2，E3，E4分别代表4个专家。 图4. TP\_EXTEND\_EP的算子执行流程示意图 **\# 03** ****算子优化**** **1、FlashAttention支持非对齐计算** 当前MLA实现方式是基于张量填充的规整化处理方法，通过显式填充操作将V张量的头维度扩展到与Q、K对齐，该方法在保持传统FA算子计算规整性同时引入了额外的填充及切片操作。针对这一场景，研究团队根据数学等价推导，实现了支持Q、K、V头维度非对齐计算，省掉了填充操作，从而减少了计算量，提升了FA计算性能。 **2、高性能AlltoAll算子** 原AlltoAll算子需要通过AllGather将动态的send count数组进行一次交互。研究团队采用高性能AlltoAll算子则可以直接传入send count数组从而省去调度其间的AllGather动作，实现算子调度性能提升。 **3、图算融合升级** 针对大量零散的Memory Bound小算子，研究团队通过图算融合与周边算子进行自动融合，降低访存开销，提升整体算力利用率。在默认Vector类融合基础上，研究团队额外新增使能了： 1） Cube类融合：针对MOE大量出现的GMM、BMM等Cube类算子，通过Cube与Vector类算子融合，实现Cube核与Vector核的并发执行； 2） 并行融合：将网络多分支的相互无依赖的算子融合并编排在不同核并行执行，提升多核利用率。 基于昇思MindSpore与天翼云的深度协同，双方通过通信优化（机间合并/计算掩盖）、并行策略（TP\_EXTEND\_EP）及算子升级（非对齐FlashAttention/融合算子）三大核心技术，实现DeepSeek V3 MoE模型训练性能83%突破性提升，树立昇腾AI基础软硬件平台大模型训练效能标杆。 此次合作不仅验证了软硬件基础平台对复杂AI架构的全面支撑能力，更以“极致性能+极致成本”双突破为千行万业提供高效训练范式。未来，昇思MindSpore将携手更多伙伴，持续加速使能大模型创新，共筑智算未来。 --- https://www.mindspore.cn/news/zh/3792/ --- 新闻 社区月报 | Nature子刊重磅发布！昇思使能首个亿级细胞大模型诞生，0day支持主流模型 # 社区月报 | Nature子刊重磅发布！昇思使能首个亿级细胞大模型诞生，0day支持主流模型 2025/07/10 # 社区月报 | Nature子刊重磅发布！昇思使能首个亿级细胞大模型诞生，0day支持主流模型 **_昇思MindSpore2025年6月份总结_** **一、概述** 2025年6月，昇思MindSpore开源社区持续保持着高速发展的态度，在技术创新、社区运作等方面都取得了显著的成果。 基于昇思MindSpore AI框架与昇腾AI硬件训练的CellFM模型——全球首个预训练规模达1亿人类细胞的转录组学基础模型在《Nature Communications》发表。其次，昇思MindSpore不断提升HuggingFace Transformers类模型接入vllm-mindspore框架效率，基于vLLM推理框架与MindSpore One套件，0day支持MiniCPM4.0双尺寸模型快速适配。 在社区活动方面，昇思MindSpore社区通过学术基金、call for demo第二期等活动推动AI技术在不同场景中的深度应用，助力开发者成长。在开发者培养方面，昇思MindSpore布道师招募启动，助力开发者实现技术影响力与个人价值的双重提升。高校合作方面，昇思MindSpore联合电子科大开展开源实训营，推动AI技术在教学中的创新应用。 以下是6月昇思MindSpore社区进展的详细报告。 **二、社区规模** 截至6月底，昇思MindSpore面向全球开发者，凝聚产业力量，持续打造人工智能创新之源。社区秉持开放透明原则，稳步建设开源生态，规模和活跃度得到持续提升。 社区发展了\*\*4.7万+\*\*核心贡献者； 累计产生ISSUE共**42.2\*\*\*\*K**、PR共**112.7K**。 **三、社区大事件** \*\*1、\*\***Nature子刊重磅发布！昇思MindSpore使能全球首个亿级细胞大模型诞生** 中山大学、重庆大学等科研院所近日在《Nature Communications》发表开创性研究，正式推出基于昇思MindSpore AI框架与昇腾AI硬件训练的CellFM模型——全球首个预训练规模达1亿人类细胞的转录组学基础模型。这标志着AI技术在生命科学领域取得革命性突破。 \*\*2、\*\***0day同步！昇思MindSpore框架成功适配面壁MiniCPM4.0模型** 6 月 6 日，面壁智能正式发布并开源了端侧「小钢炮」系列最新力作——MiniCPM 4.0 模型，实现了 220 倍极限加速！基于昇思MindSpore框架深度优化，不断提升HuggingFace Transformers类模型接入vllm-mindspore框架效率，同时基于vLLM推理框架与MindSpore One套件协同，实现0day支持MiniCPM4.0双尺寸模型快速适配。欢迎广大开发者下载体验！ MindSpore-vLLM代码仓： https://gitee.com/mindspore/vllm-mindspore 体验指导链接： https://modelers.cn/models/MindSpore-Lab/MiniCPM4-8B https://modelers.cn/models/MindSpore-Lab/MiniCPM4-0.5B **四、社区动态** \*\*1、\*\***课程发布 | 玩转昇思 x 昇腾开发板， 轻松掌握DeepSeek大模型训推全流程！** 昇思MindSpore技术公开课系列课程上新！《昇思+昇腾开发板：软硬结合玩转DeepSeek开发实战》课程，指导开发者基于昇思在昇腾开发板上玩转大模型开发、微调、推理、性能调优全流程。 课程学习链接： https://www.hiascend.com/developer/courses/detail/1925362775376744449 \*\*2、\*\***昇思布道师招募！联合华为开发者布道师，双认证加持！** 近期，昇思MindSpore布道师计划 联合 华为开发者布道师计划 助力布道师AI布道启航！即日起，成功申请成为 昇思MindSpore布道师 即可同步获得 华为开发者布道师 双认证资质，开启技术布道与生态共建的全新篇章！ 无论你是高校师生、企业工程师，还是开源社区贡献者，只要你怀揣技术信仰，渴望用AI改变世界，这里就是你的舞台！ 扫描下方二维码了解详情： 原文链接： https://mp.weixin.qq.com/s/4TSu9TPzDznbpgJ07-gztg \*\*3、\*\***昇思MindSpore SIG中心正式上线** 6月，昇思社区SIG中心(mindspore.cn/sig) 全新上线,进入【SIG会议日历】，即可轻松获得昇思社区SIG（特别兴趣小组）的最新动态! 开发者可自由选择感兴趣的会议，一键报名，零距离交流社区工作，高效参与社区贡献。 \*\*4、\*\***加速科研创新，GAITC2025展示多项昇思MindSpore学术基金优秀成果** 2025年6月6日至8日，全球人工智能技术大会(GAITC2025)在杭州未来科技城盛大召开。大会开幕式上，中国工程院院士、中国人工智能学会理事长戴琼海和国际欧亚科学院院士田奇共同为CAAI-昇思MindSpore/昇腾CANN学术基金优秀项目颁奖。 本次获奖项目涵盖人工智能多个前沿领域，包括： - 中山大学陈武辉教授团队《LongUMoE：基于统一内存的MoE长序列推理框架》 - 中山大学李冠彬教授团队《基于参数化隐式表达的数字说话人视频生成》 - 北京安德医智刘盼团队《基于复合策略的多模态VIT模型推理加速方案》 - 北京航空航天大学孙庆赟团队《基于MindSpore的PDE基础模型构建研究》 这些创新成果充分展现昇思MindSpore生态在推动AI技术创新方面的积极作用，为人工智能技术发展提供了重要支撑。 \*\*5、\*\***电子科大开源实训营 | 昇思MindSpore带你开启LLM应用开发创新之旅** “开源筑梦”为主题的2025年电子科技大学国家大学科技园暑期学校(十三期)将在7月14日-21日举行，昇思MindSpore布道师洪子淇受邀担任本次暑期学校昇思MindSpore实训课的主讲嘉宾。她将以《昇思MindSpore 与大语言模型(LLM)应用实践》为主题，带领开发者完成从理论认知(Transformer 架构、LLM 原理)到动手实践(手写数字识别、Agent+RAG 问答系统搭建)的全流程学习，高效提升 AI应用开发能力。 **五、社区案例** \*\*1、\*\***使能油气勘探10倍级降本增效，东方物探联合人大高瓴学院发布基于昇思打造的全波形反演模型** 由中石油东方物探、人大高瓴人工智能学院、华为组成的产学研团队，联合开发基于昇思MindSpore AI4S使能套件的FWI新一代解决方案，实现地震波求解效率量级提升，推动油气勘探“AI换芯”进程。 该研究基于MindSpore自动微分框架，构建可微分正演流程，从而在反演中省去传统伴随方法波场反传过程，直接自动求取速度模型梯度修正量，减少了约50%计算量的同时大大简化了计算流程。 **六、技术分享** \*\*1、\*\***昇思MindSpore论文 | 基于GRPO的图像描述算法** 目前图像描述算法的训练采用SCST强化学习方法解决暴露偏差问题（训练与测试输入不一致）。但SCST算法目前存在一定的局限性，其仅依赖单一贪心解码作为基线，可能导致优势估计方差高，并且仅参考贪心解码，生成多样性受限，而缺乏KL散度的约束也容易导致训练崩溃。 昇思MindSpore开发者提出基于GRPO强化学习的图像描述新方法，有效解决传统SCST训练的局限性。该方案利用MindSpore框架，为输入图像生成多个候选描述，计算每个描述的组内优势，结合KL散度，在保证准确性和稳定性的同时不断优化模型。 \*\*2、\*\***昇思MindSpore论文 | 含噪量子本征求解器** 针对当前中等规模量子设备受固有噪声影响导致基态能量计算精度不足的问题，昇思MindSpore 开发者们基于矩阵乘积态（Matrix Product States, MPS）提出了新颖的变分量子本征求解算法MPS-VQE。该算法通过优化电路结构设计、改进参数初始化与测量策略，并集成专用误差缓解技术，显著提升了在去极化噪声、热弛豫噪声和比特翻转噪声等复杂环境下的计算精度。基于MindSpore Quantum框架的仿真实验验证，该方案为噪声量子计算环境下的精确模拟提供了有效解决方案。 \*\*3、\*\***Whisper加速实战：教你用MindSpore Profiler为推理提速** 由 OpenAI 开发的多语言语音识别模型Whisper，一经开源受到开发者广泛关注和使用。本文将系统分享我们在MindSpore 2.5.0 + MindSpore NLP 0.4.0环境下，通过引入FlashAttention 2 与优化Conv1D，借助MindSpore Profiler\[1\]精准定位瓶颈，最终将Whisper模型推理耗时压缩至60秒以内的全过程。 目前该模型已上线模力方舟，点击阅读原文可直接体验。 https://ai.gitee.com/serverless-api/packages/1495?model=whisper-large-v3&package=1495 \*\*4、\*\***昇思MindSpore论文 | 一种用于文本分类的双向上下文感知测试时学习方法** 本文提出了一种动态双向上下文感知的测试时学习方法——Dynamic Bidirectional Elman Attention Network（DBEAN），用于在资源受限场景下实现高效、准确的文本分类。该方法依托MindSpore深度学习框架提供的动态图机制与高效的Ascend算子支持，DBEAN能够在推理阶段执行低开销的测试时更新策略，进一步增强模型对输入样本的适应性。 **七、**感谢每一位朋友、开发者的支持**** 在此感谢社区伙伴们、可爱的小孢子们以及昇思MindSpore SIG组成员们，因为大家的共同努力及辛勤奉献，昇思MindSpore才能不断成长与发展！同时我们对可能出现的不完善之处向您表示诚挚的歉意，并衷心感谢您的理解与支持。 未来，昇思MindSpore AI框架将持续致力于打造人工智能创新之源，凝聚产业力量，扎根AI根技术，使能大模型与科学智能，成为AI创新的首选框架。 --- https://www.mindspore.cn/news/zh/3794/ --- 新闻 MindSpore技术论坛正式上线！开放、共享、共创 —— AI开发者的专属技术家园 # MindSpore技术论坛正式上线！开放、共享、共创 —— AI开发者的专属技术家园 2025/07/14 # MindSpore技术论坛正式上线！开放、共享、共创 —— AI开发者的专属技术家园 还在为技术难题无处求解而苦恼？ 想找地方吐槽安装踩坑、API看不懂、模型跑不通？ 现在，您的专属技术家园来啦！ 昇思MindSpore官方技术论坛正式上线！过去，MindSpore的技术讨论一直在昇腾论坛的一个子版块里。随着用户量激增、帖子话题越来越垂直，老位置已经装不下大家的脑洞和报错日志。于是，我们把 MindSpore 版块独立出来，在昇思MinSpore官网给它建了个新家 ——你现在看到的这个 **MindSpore 官方技术论坛**。内容更垂直，搜索更便捷，版面更清爽，只聊MindSpore，不跑题。 **论坛的访问方式：** 一、直达链接：https://discuss.mindspore.cn 二：MindSpore官网入口 **\# 01** **为什么需要**MindSpore技术论坛？ **官网一体化入口，提升开发者体验** 官网是开发者了解昇思MindSpore的第一站，MindSpore技术论坛将深度集成官网信息，文档、安装指南、咨询全在这儿。开发者遇到问题即可论坛直接发帖，无需再通过第三方平台获取答案。 **终结碎片化群聊，构建可持续知识库** 论坛支持Markdown代码块、日志上传、关键信息搜索等，把零散对话沉淀为可复用的知识，开发者搜索关键词即可查阅相似案例，大幅度提升问题解答效率。 **垂直技术板块与专家响应，需求直达核心团队** 新增8大技术板块，由对应的SIG Maintainer/Committer答疑交流。无论是发现框架bug、还是想新增特性，都会被相关模块的负责人看到，有价值的建议将可能纳入版本排期，推动特性迭代。 **公开透明，人人均可参与知识共建** 论坛所有讨论公开可见，交流记录实时公开，不分角色，不设门槛。多元视角碰撞出来的方案与经验，将汇聚成属于全体开发者的“昇思MindSpore百科全书”。 **\# 02** **在这里可以做什么？** **一、技术交流与问题解决** 大家学习、开发、测试、调研或者以其他方式使用昇思MindSpore及相关项目时，可能会遇到一些问题，或者想要分享一些使用经验，可根据需要选择对应的技术版块发帖。 \*\*1、动态图：\*\*聚焦动态图模式开发与调试，推动MindSpore动态图（及时执行，Eager Execution）模式的研发与优化。 https://discuss.mindspore.cn/c/pynative/33 \*\*2、易用性：\*\*API/文档/教程等设计改进与开发体验优化，欢迎反馈使用痛点或分享提升编码效率的使用技巧。 https://discuss.mindspore.cn/c/usability/34 \*\*3、异构融合：\*\*探索开放的南向接口构建方案，解决跨设备调度问题的同时，也期待硬件协同优化的实战案例。 https://discuss.mindspore.cn/c/heterogeneous-fusion/35 \*\*4、大模型推理部署：\*\*探讨大模型高吞吐、低时延推理服务部署方案，目前MindSpore已接入vLLM等开源推理服务框架，如遇使用问题，或有生产需求及方案建议，欢迎在这里发帖提出。 https://discuss.mindspore.cn/c/mindspore-llm-inference-serving/36 \*\*5、科学计算：\*\*融合MindSpore与科学计算场景，从微分方程求解到分子模拟，即答疑解惑也展示前沿应用。 https://discuss.mindspore.cn/c/mindspore-science/37 \*\*6、端侧部署：\*\*解决移动端/嵌入式设备部署的量化与性能问题，鼓励轻量化模型设计与边缘计算实践分享。 https://discuss.mindspore.cn/c/mindspore-lite/38 \*\*7、大模型套件：\*\*聚焦Transformer 大模型在MindSpore 框架下开发、训练、微调、推理全流程高效应用与落地，无缝对接Megatron-LM等开源生态，欢迎反馈痛点需求或方案建议。 https://discuss.mindspore.cn/c/mindspore-transformers/39 \*\*8、量子计算：\*\*结合MindSpore Quantum实现量子算法与混合计算，欢迎在这里探讨量子机器学习的问题与创新应用。 https://discuss.mindspore.cn/c/quantum/40 如果您的问题没有明确的技术类别，可以通过**问题求助**进行交流。 https://discuss.mindspore.cn/c/help/4 **二、经验分享** 欢迎你在社区论坛分享你的真知灼见！无论是攻克模型优化的实战技巧，还是基于昇思MindSpore落地行业的解决方案，都欢迎您踊跃投稿。 经验分享：https://discuss.mindspore.cn/c/tech/15 **三、参与社区活动** 论坛中将会实时上线社区线上、线下活动，以及活动的回放和PPT资料。 活动公告：https://discuss.mindspore.cn/c/activities/14 **四、结交志同道合的好友** 论坛不是社交软件，但你能碰到同样被 bug 折磨的难兄难弟。互相关注一下，下次一起debug。 **\# 02** **上线有惊喜！双重超值大礼“码”上放送！** **活动一：首发即送“码”力加持！** - \*\*活动内容：\*\*在论坛任意上述技术版块，首发一篇优秀的经验分享帖或高质量的问题帖 （非灌水），通过社区审核即可获得机械键盘一个。 - \*\*活动时间：\*\*即日起 — 2025年9月1日 **活动二：技术干货永流传，好礼月月有！** - \*\*活动内容：\*\*在论坛发布基于MindSpore优秀、深度、实用的技术干货帖，经社区/版主评估为优秀内容，即可获得50元京东自选礼品！持续分享，持续收获！ - \*\*活动时间：\*\*即日起 — 2025年12月31日（每月统计且发奖一次，合计12期） 现在就加入： https://discuss.mindspore.cn 发帖、提问、交流、成长，共建更强大的MindSpore社区生态！我们论坛见！ --- https://www.mindspore.cn/news/zh/3802/ --- 新闻 鹏城实验室基于昇思MindSpore框架、昇腾硬件发布数学推理模型PCL-Reasoner-V1 # 鹏城实验室基于昇思MindSpore框架、昇腾硬件发布数学推理模型PCL-Reasoner-V1 2025/07/21 # 鹏城实验室基于昇思MindSpore框架、昇腾硬件发布数学推理模型PCL-Reasoner-V1 一、技术概览 本次发布的PCL-Reasoner-V1模型，以Qwen2.5-32B-Base为起点，基于昇思框架与昇腾硬件，进行了高性能的监督微调。经过微调，模型在数学推理能力上取得了显著提升：其在权威基准评测集AIME24上准确率达85.7%，AIME25上达84.2%，在32B参数级别模型中稳居前列。我们已完整开源了PCL-Reasoner-V1的模型权重、微调数据及训练代码。该模型不仅是当下领先的32B数学推理模型之一，也为开发者提供了专业领域监督微调实践经验与后训练解决方案。相关代码现已同步开源至启智社区与昇思社区。用户可参照教程轻松部署体验，深入探索后训练的实践方法与奥秘！ 图1：业界模型在AIME24/25上的评测结果 1\. 训练数据 我们联合华为分布式数据实验室开发了数据处理流水线，针对本次训练采用的AM-DeepSeek-R1-0528数学数据集进行清洗。在数据预处理阶段，我们首先进行了评测集污染检测，针对AIME24/25评测集，通过问题与答案双维度交叉筛查，采用相似度阈值（>70%）进行初筛，筛查出4道题目有较高相似度（如图2所示），结合人工复核，我们判断这4道较高相似题目均与评测集无实质性关联，从而判定该数据集数学模块不存在AIME24/25污染风险。其次，我们进行了训练样本过滤，基于单样本序列长度<32K tokens的标准进行筛选，最终纳入训练的有效数据总量为666K条。 图2：相似度较高的题目 2\. 训练方法 为最大化算力利用效率，我们在监督微调中启用了数据打包（packing）功能。该功能能够将每个批次内不同长度的样本数据拼接整合到设定的序列长度（32K tokens）范围内。通过将多条短序列数据融合成一条长序列（如图3所示），有效避免了序列填充带来的冗余计算，显著加速了训练过程。实验结果表明，启用打包功能后，训练总时长缩短了3倍以上，微调效率大幅提升。 图3：Packing原理示意图 3\. 评测结果 评测结果详见表列数据。为确保评估准确性，我们采用Avg@32指标（平均32次采样）进行了评测。模型在AIME24/25评测集上的生成结果文件已同步上传至pcl\_reasoner\_v1/eval/eval\_res目录，供开发者用于模型验证与效果比对参考。 参数量 模型 AIME 24 AIME 25 \>100B DeepSeek-R1 79.8 70 DeepSeek-R1-0528 91.4 87.5 Qwen3-235B-A22B 85.7 81.5 OpenAI-o3 91.6 88.9 Gemini-2.5-Pro-0506 90.8 83 32B Qwen3-32B 81.4 72.9 QwQ-32B 79.5 69.5 DeepSeek-R1-Distill-Qwen-32B 72.6 49.6 Skywork-OR1-32B 82.2 73.3 AM-Thinking-v1 85.3 74.4 PCL-Reasoner-V1（ours） 85.7 84.2 我们已成功构建基于昇思框架与昇腾硬件协同优化的全流程大模型监督微调技术栈。未来将持续深耕后训练优化及强化学习领域，着力在代码生成和AI for Science等前沿方向研发性能和通用性更好的大模型。 二、开源代码仓 https://openi.pcl.ac.cn/PCL-Reasoner/V1 三、复现流程 1\. 安装环境 固件&驱动 24.1.rc3.5 CANN 7.7.T9.0.B057:8.1.RC1 Python 3.10 MindSpore y2.6.0 MindSpore TransFormers r1.5.0 2\. 数据处理流程 2.1 数据集下载 用户可以从HuggingFace官方下载原始数据集。 数据集名称 数据集链接 AM-DeepSeek-R1-0528-Distilled https://huggingface.co/a-m-team/AM-DeepSeek-R1-0528-Distilled 2.2 数据预处理 首先，我们对源数据进行检测和筛选，操作分为两个步骤，验证集污染检测与数据筛选。 ●第一步，验证集污染检测： 我们采用基于all-MiniLM-L6-v2模型计算文本余弦相似度的方法，对数学部分原始数据针对AIME24/25评测集进行污染检测。该脚本执行后会在终端打印检测结果，并在指定的输出路径中保存相似度大于阈值的题目及其匹配的评测集题目。 `python PCL-Reasoner-V1/pcl_reasoner_v1/data_preprocess/decontaminate.py \ --target_data /path/to/target_data \ --contaminant_source PCL-Reasoner-V1/pcl_reasoner_v1/data_preprocess/aime2425_questions.json \ --model_path /path/to/distilled/model_path \ --output_file_prefix /path/to/output_file_prefix --threshold0.7 # 参数说明 target_data：需要被检测的数据 contaminant_source：污染源，即评测集数据 model_path：计算文本嵌入的模型 output_file_prefix：检测结果输出的路径 threshold：相似度阈值` ●第二步，数据筛选： 运行数据处理脚本，进行数据长度筛选，选取问题加思维链长度小于32K tokens的数据，并将提示词添加到数据中。 `python PCL-Reasoner-V1/pcl_reasoner_v1/data_preprocess/dataset_prehandle_and_split.py \ --json_file_paths /path/to/json_file_paths # 参数说明 json_file_paths：需要处理的数据集，支持传入多个路径，用空格分隔` 其次，我们将数据转换成packing格式，操作分为两个步骤，格式转换与数据拼接。 ●第一步，格式转换： 在配置文件pcl\_reasoner\_v1/config/data\_process\_handling.yaml中指定data\_files、vocab\_file、merges\_file等文件路径，指定pcl\_reasoner\_v1/packing\_handler.py文件中自定义的AMDeepSeekDataHandler为数据handler： `train_dataset: ... path:"json"# 原始数据集文件格式 data_files: ["/path/to/data.jsonl"]# 原始数据集路径 input_columns:*input_columns handler: -type: AMDeepSeekDataHandler# 指定自定义的数据处理类 ... tokenizer: auto_register: qwen2_5_tokenizer.Qwen2Tokenizer ... vocab_file:"/path/to/vocab.json"# Qwen2_5默认tokenizer文件 merges_file:"/path/to/merges.txt"# Qwen2_5默认tokenizer文件 ...` （注意事项：以上模型配置为示例，仅列出用户高频修改的配置项，完整配置文件见代码仓） 运行数据处理脚本，生成Arrow格式数据文件： `export PYTHONPATH=/path/to/mindformers/:PYTHONPATH python /path/to/mindformers/toolkit/data_preprocess/huggingface/datasets_preprocess.py \ --config ./pcl_reasoner_v1/config/data_process_handling.yaml \ --save_path /path/to/handled_data/ \ --register_path ./pcl_reasoner_v1/ # 参数说明 config：数据格式转换的配置文件路径 save_path：转换后数据集的保存文件夹路径 register_path：自定义数据Handler注册目录路径` ●第二步，数据拼接： 在配置文件pcl\_reasoner\_v1/config/data\_process\_packing.yaml指定packing后数据的存储路径： `# dataset train_dataset: data_loader: ... path: /path/to/handled_data#预处理后数据集的路径 ...` （注意事项：以上模型配置为示例，仅列出用户高频修改的配置项，完整配置文件见代码仓） 运行数据packing脚本，生成packing后数据文件： `export PYTHONPATH=/path/to/mindformers/:PYTHONPATH python /path/to/mindformers/toolkit/data_preprocess/huggingface/datasets_preprocess.py \ --config ./pcl_reasoner_v1_config/data_process_packing.yaml \ --save_path /path/to/packed_data/ \ --register_path ./pcl_reasoner_v1/ # 参数说明 config：数据拼接的配置文件路径 save_path：拼接后数据集的保存文件夹路径 register_path：自定义数据Handler注册目录路径` 3\. 训练流程 3.1 权重准备 用户可以从HuggingFace官方下载预训练权重 模型名称 权重链接 Qwen2.5-32B-Base https://huggingface.co/Qwen/Qwen2.5-32B MindFormers 1.5.0及以上版本已支持safetensors格式的权重直接加载及保存，无需转换成ckpt，下文中微调将使用safetensors格式权重运行。 3.2 训练配置 下面仅列出用户高频修改的配置项，完整配置文件见pcl\_reasoner\_v1/config/finetune\_pcl\_reasoner\_v1\_32k.yaml 基本配置： `run_mode: 'finetune' # 设置训练模式为“finetune” load_checkpoint: '/path/to/Qwen-32B-base/' # 权重文件路径 load_ckpt_format: 'safetensors' # 设置权重格式为“safetensors” auto_trans_ckpt: True # 设置在线权重切分至分布式权重` 数据集配置： `train_dataset: &train_dataset data_loader: type: CommonDataLoader # offline path: "/path/to/dataset/pack_data_lt_32K_full" # 数据文件路径 load_func: 'load_from_disk' # 设置数据加载方式为“load_from_disk” shuffle: True # 数据打乱功能使能 packing: pack # 数据格式为pack adaptor_config: compress_mask: True mock_config: seq_length: 32768 # 数据pack后长度为32k size: 25909 # 数据集大小/数据并行切分` 并行配置： `parallel_config: data_parallel: &dp 8 # 数据并行切分为8 model_parallel: 8 # 模型并行切分为8 pipeline_stage: 2 # 流水线并行切分为2 use_seq_parallel: True # 序列并行使能 optimizer_shard: True # 优化器并行使能 micro_batch_num: 16 # micro bathsize设置为16` （注意事项：以上模型配置为示例，仅列出用户高频修改的配置项，完整配置文件见代码仓） 3.3 启动微调 在启动脚本run\_pcl\_reasoner\_v1\_finetune.sh指定配置文件pcl\_reasoner\_v1/config/finetune\_pcl\_reasoner\_v1\_32k.yaml，并根据用户的实际情况对卡数、服务器IP等配置进行修改： `noderank=$1 bash /path/to/mindformers/scripts/msrun_launcher.sh "run_mindformer.py \--config /path/to/finetune_pcl_reasoner_v1_32k.yaml \--run_mode finetune" \--worker_num 128 \--local_worker_num 8 \--master_addr XX.XX.XX.XX\--master_port XXXX\--node_rank$noderank \--log_dir/path/to/log \--join False \--cluster_time_out 1200 \> run.log 2>&1# 参数说明config：配置文件路径run_mode：运行模式（预训练/微调/推理）worker_num： 总卡数local_worker_num： 单机的卡数master_addr：主节点地址master_port: 主节点端口log_dir: 日志路径join：是否等待所有worker退出cluster_time_out：集群等待时间` 然后，使用bash run\_pcl\_reasoner\_v1\_finetune.sh指令启动微调训练，在多个节点上启动时，需指定node\_rank（以下指令以0节点为示例）： `bash run_pcl_reasoner_v1_finetune.sh 0` 在拉起任务后，通过以下指令查看运行日志： `tail -f path/to/log/worker_127.log` 4\. 评测流程 为了保障评测结果的公平性，我们采用了QwQ开源的评测代码（QwQ/eval at main · QwenLM/QwQ），可以根据代码仓中README.md指导进行环境安装及模型评测。 我们采用的评测超参如下所示： 采样超参 取值 temperature 0.6 top\_k 40 top\_p 0.95 max\_tokens 129024 chat\_template ./pcl\_reasoner\_v1/eval/am\_thinking.jinja 另外，我们也针对评测时不同模型回答长度统计正确率，可以看出AIME24/25评测集对回答长度要求较高，而且较为简单的AIME24上，64K tokens的回答长度可以满足，而较为难的AIME25上则需要回答长度长达128K tokens： max\_tokens 16K 32K 64K 128K AIME 24 42.0 77.9 85.7 85.7 AIME 25 33.4 75.6 83.9 84.2 --- https://www.mindspore.cn/news/zh/3804/ --- 新闻 2025华为基础软件-昇思大模型创新应用与工程实践师资培训在新疆大学成功举办 # 2025华为基础软件-昇思大模型创新应用与工程实践师资培训在新疆大学成功举办 2025/07/24 # 2025华为基础软件-昇思大模型创新应用与工程实践师资培训在新疆大学成功举办 为积极响应教育部新工科建设号召，提升教师在大模型前沿领域的实践能力与教学水平，近日，由信息技术新工科产学研联盟指导，华为技术有限公司与北京师范大学、新疆大学联合主办，昇思MindSpore开源社区协办的“2025年华为基础软件—昇思MindSpore大模型创新应用与工程实践”师资培训在新疆大学成功举办。来自新疆和全国其它地区的40多名教师报名参加，共同交流大模型与智能体的创新应用。 本次师资培训开班仪式由新疆大学计算机科学与技术学院协同创新办公室主任郑炅老师主持。新疆大学党委常委、副校长汪烈军，信息技术新工科产学研联盟副秘书长计卫星，ICT人才发展专委会执行秘书长魏彪、华为新疆政企副总经理范朝军、昇思MindSpore布道师Selina、华为新疆政企教育行业代表师国涛、华为新疆教育行业服务经理张刚刚、华为新疆人才生态发展经理李峰，以及全体参训教师出席了开班仪式。 开班仪式上，新疆大学党委常委、副校长汪烈军教授介绍了新疆大学近期发展情况，以及学校在校企协同育人方面的显著成果，希望各方能进一步加强合作，在新疆开展更丰富的教学交流活动。 信息技术新工科产学研联盟副秘书长计卫星教授介绍了信息技术新工科产学研联盟举办师资培训的基本情况，说明了此次培训的目标和课程内容，并鼓励参训教师将前沿技术转化为课堂教学内容，助力新工科人才培养。 华为新疆政企副总经理范朝军先生介绍了新疆的校企合作情况和人才生态建设现状，提出目前ICT人才缺口较大，希望通过校企协同培养更多的产业急需人才。未来，华为将持续开放技术资源，与教育界携手共进，共同培养面向未来的AI人才。 本次培训围绕昇思MindSpore开源框架及昇腾AI硬件展开系统性教学，通过“AI助教”等典型应用场景深入解析大模型、推理引擎与服务框架的协同机制，帮助教师掌握大模型应用技术及教学辅助工具开发方法；同时基于案例指导教师完成从模型训练、微调、量化到部署的全流程开发实训；并借助香橙派硬件平台实践模型的开发、训练、推理评估全流程，着重拆解了基于昇思MindSpore原生接口+动态图对业界通用大模型核心模块与混合精度训练的代码实现。让参训教师深入了解自主创新的AI硬件与开源大模型的最新发展。此次培训特别采用校企专家联合授课模式，将学术理论与产业实践深度融合，为高校教师后续开展相关课程教学奠定了坚实基础。 培训最后组织了校企协同课程建设专题交流研讨，教师代表们围绕如何申请产学合作协同育人项目、如何组织学生参加ICT大赛、如何建设实践教学环境等议题展开了热烈讨论。 本次活动是在ICT人才发展专委会推动下，由多个华为布道师携手合作完成的一次师资培训活动，在原有师资培训的基础上探索了一条区域合作、校校合作开展教学交流研讨的新途径，为推动基础软件技术与专业建设深度融合，共同探索AI人才培养新模式开启了新征程。 --- https://www.mindspore.cn/news/zh/3805/ --- 新闻 昇思MindSpore 2.7版本首发“焕新社区” ——全面升级超大规模集群大模型训推技术 # 昇思MindSpore 2.7版本首发“焕新社区” ——全面升级超大规模集群大模型训推技术 2025/07/28 # 昇思MindSpore 2.7版本首发“焕新社区” ——全面升级超大规模集群大模型训推技术 【上海，2025年7月27日，世界人工智能大会2025】7月26日，在2025世界人工智能大会“AI焕新 产业共赢”企业人工智能产业发展论坛上，由国务院国资委统筹推进，中国移动牵头建设，聚合央企合力和产业链力量共同打造的人工智能“焕新社区”正式发布。同期，昇思开源社区携手中移九天人工智能科技（北京）有限公司（九天人工智能研究院），宣布昇思MindSpore AI框架2.7版本将同步在社区首发，该版本代码也将上传至昇思MindSpore代码仓托管，并同步在社区设置链接。 昇思MindSpore AI框架作为使能大模型开发全流程的基础软件底座，本次升级聚焦大模型训练效率、推理性能及系统可视化三大领域，通过20余项技术创新，实现稀疏专家模型（MoE）训练性能提升70%、推理吞吐提升15%，为全球开发者提供更高效的AI全流程开发体验。 中移九天人工智能科技（北京）有限公司（九天人工智能研究院）与昇思MindSpore深度协同，在大模型训练领域持续创新，完成了超大规模集群训练多维混合并行优化，包括支持drop&dropless MOE架构、新增流水序列并行等，并在强化学习后训练、训练精度监控和故障恢复等多领域创新，助力移动完成九天系列多个模型训练，训练效率提升超过30%。围绕模型-框架的双向互动实现基础软件与大模型技术迭代，促进AI软件技术不断演进，本次发布的MindSpore 2.7版本实现以下几大方面能力升级： **\# 01** **MoE训练架构全面进化** 为应对MoE模型复杂并行策略挑战，MindSpore 2.7版本在推出三大训练技术创新： **1、双模式负载均衡：** - Capacity模式：固定专家负载，通过Pad/Drop统一计算形状，提升训练效率； - Dropless模式：动态分配通信计算资源，增强系统稳定性； \*\*2、自定义灵活并行：\*\*基于框架静态图动态Shape能力和sharding自动重排布能力，新增Morph自定义并行机制，灵活支持专家并行等复杂并行模式； **3、多层次性能优化：** - \*\*通信层：\*\*机间零冗余通信、亲和性绑核优化； - \*\*计算层：\*\*FA算子融合、双流水线掩盖（1b1f+DualPipeV）消除流水线气泡； - \*\*内存层：\*\*细粒度D2H Swap机制提升内存利用率，支撑千亿模型训练 **4、后训练强化学习能力提升：** - 实现支持GRPO训练移动九天，Qwen2.5-7B/32B等模型 - 支持2k~32k长序列正常运行，支持全量DeepSeekV3强化学习训练 - 实现训推共卡、支持动态packing训练、推理均衡采样、细粒度H2D/D2H swap、6D并行权重重排、断点续训等特性 **\# 02** **大模型推理性能突破** 针对SOTA模型（如DeepSeek-V3/R1、Qwen3）的推理场景，2.7版本通过四维技术重构： \*\*1、融合算子革新：\*\*新增MoeInitRoutingQuant、MultiLatentAttention等稀疏计算专用算子，结合Combine/Dispatch通信优化算子，降低专家路由开销40%； \*\*2、vLLM深度适配：\*\*升级支持vLLM v0.8.3架构，集成Prefix Caching（前缀缓存）、Chunked Prefill（分块预填充）等特性； \*\*3、极致量化压缩：\*\*新增W8A8静态量化（性能+5%）与W4A16量化方案，首次实现在单台Atlas 800I A2（64GB）服务器+MindSpore环境下部署DeepSeek 671B模型； \*\*4、混合并行推理：\*\*支持TP+DP+EP并行与MTP（多任务并行）投机推理，多请求吞吐性能跃升35%+。 **\# 03** **在线监测工具实现训练性能“透视”** 针对超大集群训练痛点，\*\*升级MindSpore Profiler技术，\*\*在大集群训练场景下，用户想在训练过程中能够实时看到模型性能瓶颈点，需要在线监测能力。 MindSpore2.7版本新增了MindSpore Profiler接入在线监测平台功能，用户在使用MindSpore Profiler框架集群训练场景下能够通过平台的monitor功能（常态监测）实时观察到训练的性能劣化点，实现性能问题的初步定位，后续可以通过平台的npu trace dump功能（精准采集）采集完整的性能数据，分析、定位性能瓶颈点。 通过 "常态监测+精准采集" 的组合策略，该技术既能满足集群长稳训练时的实时监测需求，又能针对性能瓶颈进行定向分析，显著提升模型训练效率。 未来，昇思MindSpore将继续坚持开源开放，使能九天人工智能研究院加速开展大模型创新，并携手焕新社区等伙伴，共筑人工智能产业繁荣生态。 --- https://www.mindspore.cn/news/zh/3806/ --- 新闻 0day同步！昇思MindSpore开源社区上线智谱GLM-4.5与GLM-4.5-Air大模型 # 0day同步！昇思MindSpore开源社区上线智谱GLM-4.5与GLM-4.5-Air大模型 2025/07/30 # 0day同步！昇思MindSpore开源社区上线智谱GLM-4.5与GLM-4.5-Air大模型 7月28日，智谱AI发布新一代旗舰模型 GLM-4.5，昇思MindSpore通过提供主流生态接口，依托MindSpore Transformers套件和MindSpore-vLLM插件，小时级完成模型无缝迁移，并将版本上传至开源社区，欢迎广大开发者下载体验！ MindSpore Transformers代码仓：https://gitee.com/mindspore/mindformers MindSpore-vLLM代码仓： https://gitee.com/mindspore/vllm-mindspore 链接地址： https://modelers.cn/models/MindSpore-Lab/GLM-4.5 https://modelers.cn/models/MindSpore-Lab/GLM-4.5-Air 衡量 AGI 的第一性原理，是在不损失原有能力的前提下融合更多通用智能能力，GLM-4.5 是对此理念的首次完整呈现，并有幸取得技术突破。GLM-4.5 首次在单个模型中实现将推理、编码和智能体能力原生融合，以满足智能体应用的复杂需求。 为综合衡量模型的通用能力，智谱选择了最具有代表性的 12 个评测基准，包括 MMLU Pro、AIME 24、MATH 500、SciCode、GPQA 、HLE、LiveCodeBench、SWE-Bench Verified、Terminal-Bench、TAU-Bench、BFCL v3 和 BrowseComp。综合平均分，GLM-4.5 取得了全球模型第三、国产模型第一，开源模型第一。 GLM-4.5 和 GLM-4.5-Air 使用了相似的训练流程：首先在 15 万亿 token 的通用数据上进行了预训练，此后在代码、推理、智能体等领域的 8 万亿 token 数据上进行针对性训练，最后通过强化学习进一步增强模型推理、代码与智能体能力。 **\# 01\*\*\*\*GLM-4.5 vllm-mindspore 推理指南** **1、下载链接** 魔乐社区：https://modelers.cn/models/MindSpore-Lab/GLM-4.5 **2、模型分别下载到2台服务器，存放路径保持一致。** 执行以下命令为2台服务器上的自定义下载路径 /mnt/data/GLM-4.5 添加白名单： `export HUB_WHITE_LIST_PATHS=/mnt/data/GLM-4.5` 执行以下命令从魔乐社区下载GLM-4.5权重文件至指定路径 /mnt/data/GLM-4.5。2台服务器分别下载，都需要占用约 740GB 的磁盘空间： `pip install openmind_hub` `python from openmind_hub import snapshot_download snapshot_download( repo_id="MindSpore-Lab/GLM-4.5", local_dir="/mnt/data/GLM-4.5", local_dir_use_symlinks=False ) exit()` **注意事项：** - /mnt/data/GLM-4.5 可修改为自定义路径，确保2台服务器的该路径有足够的磁盘空间。 - 下载时间可能因网络环境而异，建议在稳定的网络环境下操作。 **3、快速开始** GLM-4.5推理需要2台（16卡）Atlas 800T/800I A2（64G）服务器服务器（基于BF16权重）。 两台服务器需要提前配置好组网环境，两台设备的卡与卡之间能够互相ping通。 昇思MindSpore提供了GLM-4.5推理可用的Docker容器镜像，供开发者快速体验。 **3.1 2台服务器分别停止其他进程，避免服务器中其他进程影响** `pkill -9 python pkill -9 mindie pkill -9 ray` **3.2 2台服务器分别下载昇思 MindSpore 推理容器镜像** 执行以下 Shell 命令，拉取昇思 MindSpore GLM-4.5推理容器镜像： `docker pull swr.cn-central-221.ovaijisuan.com/mindformers/glm4.5moe-infer:20250728` **3.3 启动容器** 2台服务器分别执行以下命令创建并启动容器（/mnt/data/GLM-4.5用于存放权重路径，若没有/mnt盘则要修改）。 2台服务器执行命令的区别在于，hostname需要不同。 `docker run -it \ --privileged \ --name=GLM-4.5 \ --net=host \ --cap-add=SYS_PTRACE \ --security-opt seccomp=unconfined \ --hostname=worker2 \ --device=/dev/davinci0 \ --device=/dev/davinci1 \ --device=/dev/davinci2 \ --device=/dev/davinci3 \ --device=/dev/davinci4 \ --device=/dev/davinci5 \ --device=/dev/davinci6 \ --device=/dev/davinci7 \ --device=/dev/davinci_manager \ --device=/dev/hisi_hdc \ --device=/dev/devmm_svm \ --device=/dev/davinci_manager \ -v /usr/local/Ascend/add-ons/:/usr/local/Ascend/add-ons/ \ -v /usr/local/Ascend/driver/:/usr/local/Ascend/driver/ \ -v /usr/local/sbin:/usr/local/sbin \ -v /etc/hccn.conf:/etc/hccn.conf \ -v /mnt/data/GLM-4.5/:/mnt/data/GLM-4.5/ \ swr.cn-central-221.ovaijisuan.com/mindformers/glm4.5moe-infer:20250728 \ /bin/bash` **注意事项：** - 后续操作，除了发起推理请求可以在容器外进行，其余操作均在容器内进行。 **4、服务化部署** **4.1 添加环境变量** 在2台服务器中都添加如下环境变量： `export vLLM_MODEL_BACKEND=MindFormers export ASCEND_TOTAL_MEMORY_GB=64` **4.2 2台设备设置主机和辅机，通过ray进程关联** 选择一台设备作为主节点，执行如下命令 ray stop ray start --head --port=6380。 另一台设备作为辅节点，依次执行如下命令 ray stop ray start --address=主节点IP:6380。 **4.3 拉起服务** 在主节点容器中拉起服务。355b至少需要16张卡，所以tensor\_parallel\_size=16 `python3 -m vllm_mindspore.entrypoints vllm.entrypoints.openai.api_server --model "/mnt/data/GLM-4.5" --trust_remote_code --tensor_parallel_size=16 --max-num-seqs=192 --max_model_len=32768 --max-num-batched-tokens=16384 --block-size=32 --gpu-memory-utilization=0.93 --distributed-executor-backend=ray` **4.4 执行推理请求测试** 打开新的窗口，执行以下命令发送推理请求测试。 `curl http://localhost:8000/v1/chat/completions -H "Content-Type: application/json" -d '{ "model": "/mnt/data/GLM-4.5", "messages": [ {"role": "user", "content": "介绍一下北京"} ], "temperature": 0.6, "top_p": 0.95, "top_k": 20, "min_p": 0, "max_tokens": 8192, "presence_penalty": 1.05, "chat_template_kwargs": {"enable_thinking": true} }'` **\# 02** **GLM-4.5-Air vllm-mindspore 推理指南** **1、下载链接** 魔乐社区：https://modelers.cn/models/MindSpore-Lab/GLM-4.5-Air **2、模型分别下载到2台服务器，存放路径保持一致。** 执行以下命令为自定义下载路径 /mnt/data/GLM-4.5-Air 添加白名单： `export HUB_WHITE_LIST_PATHS=/mnt/data/GLM-4.5-Air` 执行以下命令从魔乐社区下载GLM-4.5-Air权重文件至指定路径 /mnt/data/GLM-4.5-Air 。2台服务器分别下载，都需要占用约 220GB 的磁盘空间： `pip install openmind_hub` `python from openmind_hub import snapshot_download snapshot_download( repo_id="MindSpore-Lab/GLM-4.5-Air", local_dir="/mnt/data/GLM-4.5-Air", local_dir_use_symlinks=False ) exit()` **注意事项：** - /mnt/data/GLM-4.5-Air 可修改为自定义路径，确保该路径有足够的磁盘空间。 - 下载时间可能因网络环境而异，建议在稳定的网络环境下操作。 **3、快速开始** GLM-4.5-Air推理需要1台（8卡）Atlas 800T/800I A2（64G）服务器服务器（基于BF16权重）。昇思MindSpore提供了GLM-4.5-Air推理可用的Docker容器镜像，供开发者快速体验。 **3.1 停止其他进程，避免服务器中其他进程影响** `pkill -9 python pkill -9 mindie pkill -9 ray` **3.2 下载昇思 MindSpore 推理容器镜像** 执行以下 Shell 命令，拉取昇思 MindSpore GLM-4.5-Air推理容器镜像： `docker pull swr.cn-central-221.ovaijisuan.com/mindformers/glm4.5moe-infer:20250728` **3.3 启动容器** 执行以下命令创建并启动容器（/mnt/data/GLM-4.5-Air用于存放权重路径，若没有/mnt盘则要修改）： `docker run -it \ --privileged \ --name=GLM-4.5-Air \ --net=host \ --cap-add=SYS_PTRACE \ --security-opt seccomp=unconfined \ --device=/dev/davinci0 \ --device=/dev/davinci1 \ --device=/dev/davinci2 \ --device=/dev/davinci3 \ --device=/dev/davinci4 \ --device=/dev/davinci5 \ --device=/dev/davinci6 \ --device=/dev/davinci7 \ --device=/dev/davinci_manager \ --device=/dev/hisi_hdc \ --device=/dev/devmm_svm \ --device=/dev/davinci_manager \ -v /usr/local/Ascend/add-ons/:/usr/local/Ascend/add-ons/ \ -v /usr/local/Ascend/driver/:/usr/local/Ascend/driver/ \ -v /usr/local/sbin:/usr/local/sbin \ -v /etc/hccn.conf:/etc/hccn.conf \ -v /mnt/data/GLM-4.5-Air/:/mnt/data/GLM-4.5-Air/ \ swr.cn-central-221.ovaijisuan.com/mindformers/glm4.5moe-infer:20250728 \ /bin/bash` **注意事项：** - 后续操作，除了发起推理请求可以在容器外进行，其余操作均在容器内进行。 **4、服务化部署** **4.1 添加环境变量** 在服务器中都添加如下环境变量： `export vLLM_MODEL_BACKEND=MindFormers export ASCEND_TOTAL_MEMORY_GB=64` **4.2 拉起服务** 执行以下命令拉起服务： `python3 -m vllm_mindspore.entrypoints vllm.entrypoints.openai.api_server --model "/mnt/data/GLM-4.5-Air" --trust_remote_code --tensor_parallel_size=8 --max-num-seqs=192 --max_model_len=32768 --max-num-batched-tokens=16384 --block-size=32 --gpu-memory-utilization=0.93` **4.3 执行推理请求测试** 打开新的窗口，执行以下命令发送推理请求测试。 `curl http://localhost:8000/v1/chat/completions -H "Content-Type: application/json" -d '{ "model": "/mnt/data/GLM-4.5-Air", "messages": [ {"role": "user", "content": "介绍一下北京"} ], "temperature": 0.6, "top_p": 0.95, "top_k": 20, "min_p": 0, "max_tokens": 8192, "presence_penalty": 1.05, "chat_template_kwargs": {"enable_thinking": true} }'` --- https://www.mindspore.cn/news/zh/3807/ --- 新闻 0Day支持！昇思MindSpore同步首发Qwen3-30B-A3B-Instruct-2507并上线开源社区 # 0Day支持！昇思MindSpore同步首发Qwen3-30B-A3B-Instruct-2507并上线开源社区 2025/07/31 # 0Day支持！昇思MindSpore同步首发Qwen3-30B-A3B-Instruct-2507并上线开源社区 今天，通义千问更新了旗舰版Qwen3模型，推出 Qwen3-235B-A22B 非思考模式（Non-thinking）的更新版本，命名为Qwen3-235B-A22B-Instruct-2507。 新的Qwen3模型，通用能力显著提升，包括指令遵循、逻辑推理、文本理解、数学、科学、编程及工具使用等方面，在GPQA（知识）、AIME25（数学）、LiveCodeBench（编程）、Arena-Hard（人类偏好对齐）、BFCL（Agent能力）等众多测评中表现出色。 目前，Qwen3新模型MindSpore版本已上线开源社区，欢迎开发者体验。 昇思开源社区MindSpore Transformers代码仓： https://gitee.com/mindspore/mindformers/tree/r1.6.0/ 魔乐社区vLLM-MindSpore推理版地址： https://modelers.cn/models/MindSpore-Lab/Qwen3-30B-A3B-Instruct-2507 ****\# 01**** **下载链接** 魔乐社区： https://modelers.cn/models/MindSpore-Lab/Qwen3-30B-A3B-Instruct-2507 **\# 02** ****模型下载**** 执行以下命令为自定义下载路径 /mnt/data/Qwen3-30B-A3B-Instruct-2507 添加白名单： `export HUB_WHITE_LIST_PATHS=/mnt/data/Qwen3-30B-A3B-Instruct-2507` 执行以下命令从魔乐社区下载Qwen3-30B-A3B-Instruct-2507 权重文件至指定路径 /mnt/data/Qwen3-30B-A3B-Instruct-2507 。下载的文件包含模型代码、权重、分词模型和示例代码，占用约 60GB 的磁盘空间： `pip install openmind_hub` `python from openmind_hub import snapshot_download snapshot_download( repo_id="MindSpore-Lab/Qwen3-30B-A3B-Instruct-2507", local_dir="/mnt/data/Qwen3-30B-A3B-Instruct-2507", local_dir_use_symlinks=False ) exit()` **注意事项：** - /mnt/data/Qwen3-30B-A3B-Instruct-2507 可修改为自定义路径，确保该路径有足够的磁盘空间（约 60GB）。 - 下载时间可能因网络环境而异，建议在稳定的网络环境下操作。 **\# 03** **快速开始** /mnt/data/Qwen3-30B-A3B-Instruct-2507推理需要1台（4卡）Atlas 800T/800I A2（64G）服务器服务器（基于BF16权重）。昇思MindSpore提供了Qwen3-30B-A3B-Instruct-2507推理可用的Docker容器镜像，供开发者快速体验。 **3.1 停止其他进程，避免服务器中其他进程影响** `pkill -9 python pkill -9 mindie pkill -9 ray` **3.2 下载昇思 MindSpore 推理容器镜像** 执行以下 Shell 命令，拉取昇思 MindSpore Qwen3 推理容器镜像： `docker pull swr.cn-central-221.ovaijisuan.com/mindformers/qwen3-30b-2507:20250731` **3.3 启动容器** 执行以下命令创建并启动容器（/mnt/data/Qwen3-30B-A3B-Instruct-2507用于存放权重路径，若没有/mnt盘则要修改）： `docker run -it \ --privileged \ --name=qwen3_30b_2507 \ --net=host \ --cap-add=SYS_PTRACE \ --security-opt seccomp=unconfined \ --device=/dev/davinci0 \ --device=/dev/davinci1 \ --device=/dev/davinci2 \ --device=/dev/davinci3 \ --device=/dev/davinci_manager \ --device=/dev/hisi_hdc \ --device=/dev/devmm_svm \ --device=/dev/davinci_manager \ -v /usr/local/Ascend/add-ons/:/usr/local/Ascend/add-ons/ \ -v /usr/local/Ascend/driver/:/usr/local/Ascend/driver/ \ -v /usr/local/sbin:/usr/local/sbin \ -v /etc/hccn.conf:/etc/hccn.conf \ -v /mnt/data/Qwen3-30B-A3B-Instruct-2507/:/mnt/data/Qwen3-30B-A3B-Instruct-2507/ \ swr.cn-central-221.ovaijisuan.com/mindformers/qwen3-30b-2507:20250731 \ /bin/bash` **注意事项：** - 后续操作，除了发起推理请求可以在容器外进行，其余操作均在容器内进行。 **\# 04** ****服务化部署**** **4.1 添加环境变量** 在服务器中都添加如下环境变量： `export vLLM_MODEL_BACKEND=MindFormers` **4.2 拉起服务** 执行以下命令拉起服务： `python3 -m vllm_mindspore.entrypoints vllm.entrypoints.openai.api_server --model "/mnt/data/Qwen3-30B-A3B-Instruct-2507" --trust_remote_code --tensor_parallel_size=4 --max-num-seqs=192 --max_model_len=32768 --max-num-batched-tokens=16384 --block-size=32 --gpu-memory-utilization=0.9` **4.3 执行推理请求测试** 打开新的窗口，执行以下命令发送推理请求。 `curl http://localhost:8000/v1/chat/completions -H "Content-Type: application/json" -d '{ "model": "/mnt/data/Qwen3-30B-A3B-Instruct-2507", "messages": [ {"role": "user", "content": "介绍一下上海"} ], "temperature": 0.6, "top_p": 0.95, "top_k": 20, "min_p": 0, "max_tokens": 4096, "presence_penalty": 1.05 }'` 昇思MindSpore AI框架将持续支持更多业界主流模型，欢迎大家试用并在昇思论坛提供宝贵的反馈意见。（https://discuss.mindspore.cn/） --- https://www.mindspore.cn/news/zh/3812/ --- 新闻 性能大幅提升、任务中断快速恢复！昇思MindSpore助力中国移动MoE大模型训练加速 # 性能大幅提升、任务中断快速恢复！昇思MindSpore助力中国移动MoE大模型训练加速 2025/08/11 # 性能大幅提升、任务中断快速恢复！昇思MindSpore助力中国移动MoE大模型训练加速 在人工智能技术飞速发展的今天，大型语言模型已成为推动产业智能化升级的核心引擎。随着模型参数规模突破万亿级别，传统密集模型面临训练成本高、推理延迟大等挑战，混合专家模型(MoE)凭借其动态激活特性，成为平衡模型规模与计算效率的关键技术路径。然而，MoE模型在分布式训练中面临的通信瓶颈和算力利用率问题，严重制约了训练速度的提升；同时，在超大规模集群训练场景下，故障导致的训练中断和恢复耗时问题，也成为影响整体训练效率的关键瓶颈。 针对这些行业痛点，中国移动九天团队基于华为开源的昇思MindSpore AI框架与昇腾AI硬件，在混合专家模型训练性能与大规模集群故障恢复效率方面取得重大突破，不仅显著提升了模型训练速度，更将故障恢复时间从1小时缩短至13分钟以内，为行业树立了高效智能计算的新标杆。 ## **\# 01** **三大创新，显著提升训练性能** 混合专家模型(MoE)凭借其"术业有专攻"的设计理念，通过动态路由机制将任务分配给擅长不同领域的子模型处理，已成为平衡大模型规模与计算效率的首选架构。中国移动九天团队基于昇思MindSpore AI框架，针对MoE模型训练中的关键瓶颈问题，提出了三项核心技术优化方案，实现了训练性能的全面提升。 ### **1、机间通信合并优化方案，显著降低跨机通信量** 在传统MoE模型分布式训练中，专家跨节点分布导致的AlltoAll通信成为主要瓶颈。中国移动九天人工智能研究院联合昇思MindSpore创新机间通信合并优化方案，采用跨机AllGather替代部分AlltoAll通信，先同步必要tokens至机内完成排序聚合，再执行高效的机内AlltoAll通信。这一优化使跨机通信量显著降低，端到端性能提升20%。 ### ****2、自动图算融合技术，提升融合算子计算性能**** 针对MoE模型中dispatch、combine流程存在大量低效vector算子计算的问题，中国移动应用自动图算融合技术，扩展支持Cube类算子(如GroupMatmul/BatchMatMul)融合，通过激活高阶融合策略，实现Cube核和Vector核计算的互相掩盖。这一技术突破减少内存搬运，提升融合算子计算性能，端到端性能再提升15%。 ### \*\*\*\*3、\*\*\*\*****自动策略搜索与流水负载均衡，最优训练策略配置**** 中国移动九天人工智能研究院基于昇思MindSpore实践的自动策略搜索与流水负载均衡系统，能够智能探索超参空间，快速锁定最优配置。在九天模型训练中，这一系统相比人工调优实现端到端性能提升8%，让AI训练真正进入"自动驾驶"时代。 ## **\# 02** **双向突破，倍增大规模集群故障恢复效率** 在追求训练性能突破的同时，中国移动九天团队深刻认识到：大规模AI集群的稳定性与运维效率同样是决定生产效率的关键因素。传统故障恢复方案因需重新加载海量参数、重建通信链路等操作，耗时通常超过1小时，严重制约了训练任务的连续性。 ### **1、异步并发建链技术** 中国移动九天团队深入分析大模型训练特点，采用算子通信预建链、异步通信建链等创新功能，实现主机通信建链的异步并发能力，大幅降低超大规模集群的主机建链耗时。 ### **2、编译加速双引擎** 通过并行编译与编译缓存关键技术，中国移动实现了模型训练启动时的快速编译以及缓存复用。最终，大规模集群故障恢复时间从1小时锐减至13分钟以内，集群可用度高达99%。 随着AI技术深入千行百业，高效、稳定、自主创新的大模型训练平台将成为智能时代的基础设施。中国移动与昇思MindSpore的合作范例，为行业提供了可复制的技术路径，将加速推动我国人工智能产业从跟随创新向引领创新的历史性跨越。在不久的将来，这种"性能与效率并重"的技术理念，必将孕育出更多突破性成果，为中国AI生态的繁荣发展注入强劲动力。 --- https://www.mindspore.cn/news/zh/3813/ --- 新闻 东南大学魏秀参：基于智能感知的工业AI质检算法与应用实践 # 东南大学魏秀参：基于智能感知的工业AI质检算法与应用实践 2025/08/14 # 东南大学魏秀参：基于智能感知的工业AI质检算法与应用实践 # **项目实施背景** 近年来，随着智能制造和工业自动化的加速发展，产品质量检测已成为制造业高质量发展的关键，企业对质检效率、准确率及数据可追溯性提出了更高要求。随着人工智能技术的快速进步，智能感知技术构建了覆盖产品外观、结构和性能等多方面的高精度感知体系，为工业质检系统提供了更精准高效的检测手段，尤其是在视觉质检领域，智能感知技术极大提升了检测速度与一致性，显著降低了人力成本和误检风险，已成为电子、汽车等高端制造行业不可或缺的重要工具。 然而，当前工业AI质检在实际应用过程中仍面临诸多挑战：一方面，在实际工业生产中，异常样本往往稀缺且分布复杂，数据采集和标注成本高昂，导致模型泛化能力有限，难以有效应对多变的生产场景；另一方面，虽然基于正样本的异常检测方法已应用，但该方法仍存在类别边界模糊、缺乏参照样本以及对未知异常识别能力不足等问题，直接影响其实用性和可靠性。 针对正样本的异常检测理论与应用创新，本项目提出新的方法体系，通过理论创新和技术攻关，推动质检的智能化、自动化和规模化发展；并将项目成果融入课堂教学，打造真实的学习情境，形成学生 “发现问题——分析问题——解决问题” 的思维闭环，提升学生科研探索的精神以及解决实际问题的能力。 # **改革思路及举措** 本项目以基于智能感知的工业AI质检算法为核心，围绕工业现场实际需求，聚焦多层次信息融合、深度特征挖掘、异常检测等关键技术环节，引入元学习（Meta-Learning）思想，在极小样本条件下，通过智能算法实现对单类目标的精准高效识别（One-Shot One-Class Classification， OSOC），有效突破现有AI质检对大量异常样本的依赖。此外，项目构建了基于智能感知的全流程AI质检范式，实现理论创新与工程落地的统一。 1、理论创新：极小样本单类识别的元学习范式 针对数据稀缺的工业环境，借助元学习框架，通过大量模拟任务的训练，使模型具备“由单一样本自动推断类别边界”的能力，即在每一个元训练任务中，系统随机抽取一个目标类别，并仅以该类别的一个样本作为“示例”，再从该类别及其“近邻类别”中采样组成测试集，模型基于该示例自动生成判别分类器及参考分数，实现同类样本与异类样本的准确区分。 2、方法创新：层次多粒度采样与单类判别 针对工业质检中常见的细粒度类别混淆，在任务构建环节提出层次多粒度采样方法：以辅助数据集的类别层级结构（如WordNet语义树）为依据，模拟现实中的“近邻类别混淆”，针对性地从目标类别的近邻类别中采样负样本，显著提升了模型在细粒度识别中的适应性和判别精度。 图1 元学习框架下单类分类判别机理 在模型结构设计方面，通过非线性多层感知机完成由示例样本特征到分类器权重的映射。同时，基于该示例自动生成参考分数，作为后续类别判别的阈值，在实际判别过程中，将测试样本特征与分类器权重做内积，得到属于目标类别的得分，并与参考分数比较，得分高于阈值即判为目标类别，反之为非目标类别。 3、优化策略：多目标自适应阈值调节 为确保模型能在极小样本下捕捉类别本质特征，设计了多目标优化损失函数。一方面，采用基于参考分数的排序损失，使目标类别样本得分高于阈值，非目标类别样本得分低于阈值，从而有效拉开正负样本间决策边界；另一方面，引入示例置信度约束，推动分类器在示例样本上输出最大置信得分，提升对类内差异的自适应能力。 针对阈值过高可能导致召回率下降的问题，项目引入了“自适应冗余变量”机制：即在训练过程中，模型可根据示例样本特性动态调整参考分数，实现判别能力与召回率的自动平衡，大幅提升了模型对类别多样性和实际环境变化的鲁棒性。 4、工程落地：全流程端到端优化 采用全流程端到端优化思路，充分发挥深度学习在特征表达与非线性映射方面的优势，实验结果显示，所提出的方法在多个OSOC基准数据集上均明显优于传统阈值法、OC-SVM（One-Class Support Vector Machine）、简单映射法及主流CLEAR方法，尤其在细粒度识别与异常检测场景下表现突出。同时，模型设计兼顾了工程实现的简洁性和高效性，便于在实际工业质检系统中集成和部署。 # **项目成果、创新点及成效** 1、理论与方法创新 针对工业AI质检场景中异常样本难以收集、单类样本建模准确性不足等核心难题，本项目以智能感知技术为基础，创新性地将元学习与单类分类相结合，提出并实现了基于正样本的类别边界生成、元排序学习等核心算法，在无或极少量异常样本条件下，精准捕捉产品的异常特征，显著提升检测性能。同时，相关技术在细粒度异常检测、罕见类别识别等任务上展现出优越的适应性和泛化能力。 2、产学融合与应用 充分依托昇思MindSpore框架，紧密将企业实际需求与高校科研创新结合，在智能感知技术与算法研究、工程实践等方面做了深度融合。围绕工业AI质检中的实际应用问题，项目团队以基于类别元型的单类分类算法为核心，完成了从智能感知、数据预处理、算法设计、平台实现到实际应用的全链条攻关。基于昇思MindSpore实现了高效的单类分类算法，并在视觉数据集MVTecAD（MVTec Anomaly Detection）上进行了系统性评测，验证了算法的先进性和可用性。 图2 基于正样本的异常检测算法(FastFlow)端到端方案 同时，项目团队基于昇思MindSpore和智能感知系统实现了支持基于正样本异常检测的端到端检测方案FastFlow。该方法通过FastFlow模块对图像特征分布进行重建和建模，将正常产品的特征映射到分布中心，异常特征则远离分布中心，实现了高效、精准的异常检测。相关算法框架可在端、边、云等多种工业应用环境下灵活部署，极大提升了工业质检系统的智能化、自动化水平。项目成果已在部分工业企业试点应用，取得了良好的经济效益和社会反响。 3、人才培养与教育改革 依托项目建设，团队积极推进“产学研融合”创新人才培养模式。项目团队成员涵盖高校教师、博士研究生及企业研发人员，形成了多元协同的创新团队；项目高度重视对学生科研创新能力与实践能力的培养，鼓励并支持学生全过程、深层次参与课题研究，包括实际工程问题分析、算法设计与优化、系统实现、实验验证等各个环节，在项目实施过程中，学生不仅积极参与高水平论文的撰写与国际学术交流，还在导师和企业工程师的指导下，联合申报发明专利和软件著作权，培养了从基础理论到技术转化的全链条创新能力。团队定期组织学术沙龙、技术竞赛和企业实习，促进学生与企业研发团队的深度交流与协作，推动产学合作的有效落地与循环提升，实现科研创新、技术转化和人才培养的统一。 同时，团队将项目核心方法集成到课程建设与实践教学中，开发了细粒度图像分析等系列课程，推动元学习、小样本智能识别和智能感知领域的理论与实践一体化教学，提升了学生在智能感知与工业AI质检领域的创新能力和工程实践能力，为行业输送了高素质复合型人才。 # **应用及推广情况** 在重大工程领域，项目成果已实现应用突破：团队开发了环焊缝缺陷识别技术，并已在中国海油的海底管道检测工作中试点部署。该技术针对海底管道环焊缝缺陷类型多、人工检测难度大等实际问题，应用了基于正样本的AI识别模型，实现对高危管道环焊缝缺陷的高精度定位，显著提升了检测效率与准确率，为及时识别和处置潜在安全隐患提供了坚实保障。 # **经验总结** 本项目以智能感知为核心，实现了多源传感与AI算法的深度融合，显著提升了工业质检的智能化和自动化水平，形成“技术研发——产业应用——人才培养”的良性循环。未来，团队将持续优化智能感知技术，拓展多样化工业场景应用，推动工业AI质检技术不断向更高水平发展。 案例内容由项目负责人提供 --- https://www.mindspore.cn/news/zh/3819/ --- 新闻 MindSpore SPONGE第五季暑期学校圆满收官—— AI与分子科学融合创新，加速计算生物“产学研”一体化生态 # MindSpore SPONGE第五季暑期学校圆满收官—— AI与分子科学融合创新，加速计算生物“产学研”一体化生态 2025/08/26 # MindSpore SPONGE第五季暑期学校圆满收官—— AI与分子科学融合创新，加速计算生物“产学研”一体化生态 8月18日~22日，由昇思MindSpore开源社区携手北京大学、昌平实验室、深圳湾实验室举办的**MindSpore SPONGE第五季暑期学校**在杭州西湖大学正式开幕。本次活动以“**AI赋能分子科学前沿与实践**”为主题，汇聚领域内顶尖学者与青年科研人才，通过为期五天的理论课程与实操训练，推动分子模拟软件生态建设与交叉学科创新。 **\# 01** **AI驱动分子科学跨尺度模拟新突破** 北京大学高毅勤教授作《分子计算的AI变革》主题报告，他系统阐述了分子科学中跨尺度模拟所面临的挑战，并指出传统计算方法在从微观分子到宏观细胞乃至组织层面的模拟中存在效率与精度难以兼顾的瓶颈。他强调，通过引入AI技术——尤其是生成式学习和表示学习——能够将分子信息高效压缩与重构，实现多尺度信息的融合与交互。基于MindSpore SPONGE框架，团队发展了融合科学计算与AI的建模方法，提升了计算效率与物理可解释性，并逐步构建起支持干湿实验迭代与智能设计的科学计算智能体平台ADAM，推动从分子到细胞水平的智能化科学研究。 **\# 02** **AI赋能科学，自主创新未来** 西湖大学徐益明讲席教授、副校长、理学院执行院长邓力教授指出："本次MindSpore SPONGE暑期学校侧重介绍学科前沿知识和尖端技术，鼓励年轻人敢闯敢试。这与西湖大学致力于培养富有社会责任感的拔尖创新人才的理念一致。"他高度肯定MindSpore SPONGE等分子模拟工具在实现技术自主路线中的关键作用，并寄语青年学子在AI与科学的交叉地带催生突破性成果。 **\# 03** **打造AI原生科学计算新范式** 华为软件领域昇思MindSpore科学家于璠博士系统回顾了MindSpore SPONGE暑期学校五年发展历程。他指出："昇思MindSpore作为全场景AI框架，已构建生物计算、流体仿真、化学材料等十大科学计算套件，支撑抗体设计、气象预测等重大成果落地。"通过昇腾硬件与昇思MindSpore AI框架协同优化，实现**千亿参数大模型训练效率提升30%**，并在蛋白结构预测、分子动力学模拟等领域形成自主创新技术高地。他强调开源共创生态是推动科研范式变革的核心引擎。 **\# 04** **聚焦前沿：五天深度沉浸，五大模块系统进阶** DAY1 系统介绍了SPONGE分子模拟软件的核心特性：深度融合AI、高性能、模块化设计，支持增强采样与自由能计算。新推出的AI原生MindSpore SPONGE实现了在深度学习框架下的分子动力学模拟与“训推一体”的高效化学反应计算。内容涵盖分子动力学基础、增强采样、FEP计算以及AI for Science最新进展。 DAY2 聚焦SPONGE软件的核心功能与实际应用，通过蛋白质-配体结合、高分子聚合物模拟等案例，展示其在经典分子动力学与AI增强模拟中的实用性。学员通过Jupyter Notebook实战，全面体验从能量最小化到增强采样的模拟流程，理解其基于自动微分与类AI架构的创新。 DAY3 深入探讨AI辅助蛋白质结构预测，包括共进化信号提取、Transformer与扩散模型的应用，以及AlphaFold2/3的架构与优化。下午课程强调实验数据与计算预测的结合，提升复合物结构预测精度，并指导学员完成从单体到复合物的全流程预测实践。 DAY4 重点解析AI驱动的分子对接技术与计算优化，涵盖药物设计、结合位点预测、构象采样与打分函数，介绍基于MindSpore的创新工具（如图神经网络对接框架和优化后的AlphaFold推理方案），通过算子融合与显存压缩实现性能显著提升。实践环节学员完成了从数据预处理到对接分析的全流程操作。 DAY5 围绕AI智能体在科学计算中的应用，讲解其核心机制（如function calling、RAG、多智能体协作等），并探讨在分子动力学、第一性原理计算中的实践与挑战。学员通过SPONGE Agent和ABACUS Agent体验了从自然语言交互到结果可视化的自动化计算，深入感受智能体技术降低科研门槛、提升效率的潜力。 --- https://www.mindspore.cn/news/zh/3821/ --- 新闻 MindSpore Quantum 0.11.0 正式发布：性能全面跃升，高效易用，加速前沿量子计算研究 # MindSpore Quantum 0.11.0 正式发布：性能全面跃升，高效易用，加速前沿量子计算研究 2025/08/28 # MindSpore Quantum 0.11.0 正式发布：性能全面跃升，高效易用，加速前沿量子计算研究 量子计算已进入工程化阶段，发展一日千里，已经具备超越经典计算机的潜力，被认为是未来具有颠覆性影响的新型计算模式。要构建一套完整的量子计算机系统，发挥量子计算机的算力，除了量子硬件以外，量子软件和量子算法是必不可缺的组成部分。 Mindspore Quantum是昇思MindSpore社区推出的全新量子经典混合计算框架，能够高效地支持主流的量子算法和经典量子混合算法，不但在量子机器学习、量子化学模拟和量子组合优化等变分量子算法上有着卓越的性能，而且在量子化学模拟规模上也处于领先地位，为量子计算的研究和发展提供了一个高效的开发平台。 MindSpore Quantum的核心优势包括： - 高性能模拟：推出CPU和GPU架构优化的高性能量子模拟器，支持单/双精度模拟模式切换，满足不同精度需求。 - NISQ算法支持：高效支持量子机器学习、量子化学模拟和量子组合优化等主流变分量子算法。 - 丰富的量子启发式算法 (QAIA)：内置业界领先的量子启发式优化算法库，包含模拟分岔机 (SB)、相干伊辛机 (SimCIM)、噪声平均场退火 (NMFA) 等多种高性能求解器。这些算法专为高效求解QUBO等大规模组合优化问题而设计，并针对不同硬件（CPU, GPU, NPU）进行了深度性能优化。 - 简捷易用：提供丰富且高度集成的量子编程接口，降低开发难度，提升开发效率。 - 深度学习集成：与MindSpore深度结合，让混合量子-经典算法开发更高效。 经过开发者们几个月的不懈努力，MindSpore Quantum 0.11.0 版本正式上线！本次版本聚焦于核心组件的性能优化与硬件加速，推出了两大关键特性，旨在**显著提升量子化学计算以及量子启发式算法的运行效率**，从而加速从理论到实践的研发进程。快来一起看看吧！ 本次版本更新的核心亮点包括： - **专用量子化学求解器：**发布**mqchem**模块，在特定化学问题上获得百倍于主流框架的计算速度。 - \*\*QAIA 硬件后端支持：\*\*为量子启发式算法（QAIA）新增 GPU 与NPU 后端，大幅提升组合优化问题的求解效率。 # **\# 01** **mqchem：面向化学模拟的专用求解器，计算效率提升百倍** 量子化学是量子计算最具潜力的应用领域之一。为应对该领域对计算效率的严苛要求，MindSpore Quantum 0.11.0 推出了专为量子化学计算设计的求解器 **mqchem**。 **mqchem** 模块通过在固定电子数的构型相互作用（CI）子空间内进行计算，并结合高效的算子处理技术，极大优化了UCCSD（幺正耦合簇）等变分量子算法的计算流程。在模拟 H6、H8、H10、H12 等典型氢链分子时，**mqchem** 的计算速度相较于其他主流量子计算框架实现了**百倍甚至千倍的提升**，并成功完成了在其他框架上难以**在合理时间内完成的更大规模分子的模拟**。 **快速上手** **mqchem** 提供了高度集成的接口，可与 OpenFermion 无缝衔接，几行代码即可完成完整的 VQE 算法模拟。 `from openfermionpyscf import run_pyscf from openfermion import MolecularData from scipy.optimize import minimize from mindquantum.simulator import mqchem # 准备分子数据 molecule = MolecularData([("H", (i, 0, 0)) for i in range(6)], 'sto-3g', 1, 0) mol = run_pyscf(molecule, run_ccsd=True) # 使用 mqchem 准备 VQE 任务 hamiltonian, ansatz_circuit, initial_amplitudes = mqchem.prepare_uccsd_vqe(mol, 1e-3) # 创建 mqchem 模拟器并获取梯度算子 simulator = mqchem.MQChemSimulator(mol.n_qubits, mol.n_electrons) grad_ops = simulator.get_expectation_with_grad(hamiltonian, ansatz_circuit) # 使用经典优化器求解 result = minimize(grad_ops, initial_amplitudes, method='L-BFGS-B', jac=True) print(f"VQE energy: {result.fun}")` # **\# 02** **QAIA：新增 GPU/NPU 后端，加速量子启发式算法探索** 量子退火启发式算法（Quantum Annealing Inspired Algorithm）是解决组合优化问题的有力工具。MindSpore Quantum 的 QAIA 模块提供了一系列高性能的量子启发式算法实现。为了进一步提升求解大规模问题的能力，0.11.0 版本为 QAIA 模块新增了 GPU 和 NPU 后端支持。 如下图所示，在处理一个包含 4096 个变量的大规模组合优化问题时，GPU 与 NPU 后端展现出强大的加速能力。相较于 CPU，**GPU 后端可带来数十倍甚至上百倍的性能提升**，将原本需要十几秒的计算任务缩短至 0.2 秒左右。同样，**NPU 后端也实现了显著的加速效果**。例如，对于 ASB 算法，CPU 需要 17.7 秒完成计算，而 GPU 和 NPU 分别仅需 0.25 秒和 0.48 秒。这种性能上的飞跃，使得利用 QAIA 求解更大规模、更具现实意义的组合优化问题成为可能。 **快速上手** 使用 GPU 后端需要安装 PyTorch 的 GPU 版本；使用 NPU 后端则需要安装 torch-npu。 为 QAIA 算法启用硬件加速同样简单，只需在初始化求解器时通过 backend 参数指定硬件平台即可。比 backend="**g****pu-float3****2"** 或 **backen****d="n****pu-float\*\*\*\*32"**。 `import numpy as np from scipy.sparse import coo_matrix from mindquantum.algorithm.qaia import BSB # 适用于 ASB, DSB, LQA, CAC, CFC, SFC, NMFA, SimCIM 等多种算法 J = coo_matrix(np.array([[0, -1], [-1, 0]])) # 通过 backend 参数选择 'gpu-float32' 或 'npu-float32' solver = BSB(J, n_iter=200, batch_size=10, backend="gpu-float32") solver.update() cut = solver.calc_cut() energy = solver.calc_energy()` # **\# 03** **快速安装与升级指南** **首次安装 MindSpore Quantum:** `pip install mindquantum` **升级至 0.11.0 版本:** `pip install --upgrade mindquantum` 注意： - 使用 QAIA 的GPU后端需要安装 PyTorch 的 GPU 版本；使用 NPU 后端则需要安装 torch-npu。 # **\# 04** **结语** MindSpore Quantum 0.11.0 是一次以性能为核心的重大更新。我们相信，这些新特性将为量子计算领域的研究与开发工作提供强大的算力支持。 我们对所有为 MindSpore Quantum 做出贡献的开发者表示诚挚的感谢。欢迎广大用户下载体验新版本，并随时通过 Gitee Issue 向我们反馈宝贵的建议。 **参考链接：** \[1\] MindSpore Quantum代码仓： https://gitee.com/mindspore/mindquantum \[2\] MindSpore Quantum安装部署、教程、API等更多信息，请查看： https://mindspore.cn/mindquantum/docs/zh-CN/master/index.html \[3\] MindSpore Quantum白皮书: https://arxiv.org/pdf/2406.17248 --- https://www.mindspore.cn/news/zh/3822/ --- 新闻 课程发布 | 昇思MindSpore：深度学习原理与实践 # 课程发布 | 昇思MindSpore：深度学习原理与实践 2025/08/29 # 课程发布 | 昇思MindSpore：深度学习原理与实践 --- https://www.mindspore.cn/news/zh/3826/ --- 新闻 昇思MindSpore创新训练营·华中区域站成功举办，百名学子共探AI前沿 # 昇思MindSpore创新训练营·华中区域站成功举办，百名学子共探AI前沿 2025/09/05 # 昇思MindSpore创新训练营·华中区域站成功举办，百名学子共探AI前沿 8月26日-29日，昇思MindSpore创新训练营·华中区域站在华中师范大学成功举办。本次活动由信息技术新工科产学研联盟指导下，由湖北省高等教育学会高校计算机教育专业委员会、华中师范大学、ICT人才发展专委会、华为技术有限公司及昇思MindSpore开源社区联合主办，吸引了来自武汉大学、华中科技大学、东北大学、湖南大学、武汉理工大学、华中农业大学等40所高校的300余名学生踊跃报名，经过前期筛选，最终100名优秀学子获得线下参与资格。 昇思MindSpore创新训练营以业界需求为背景、以实际项目为依托、以创新实践为主线，搭建产教融合、技术创新、实战实训的平台，引导学生在实践中学习掌握大模型的前沿理论和技术。 26日上午，训练营正式开营。华中师范大学党委副书记、纪委书记刘继文、华为湖北政企业务副总经理王闯等嘉宾出席并致辞，华中师范大学计算机学院党委书记王坤及昇思MindSpore开源社区运营经理何芦微等领导和嘉宾参与开营仪式。 刘继文在致辞中表示，本次创新训练营的举办是华中师范大学落实教育强国战略、推动产教融合向纵深发展的积极探索，也是推进教育部“双千计划”的有益实践。他鼓励学员们珍惜学习机会，在创新训练营的理论学习与实战应用中碰撞思维火花、练就过硬本领，为强国建设贡献力量。 王闯介绍了昇思MindSpore在推动全球人工智能进步方面取得的成果。他表示，本次创新训练营采用课-赛-创结合、产教协同的方式，帮助学员快速提升技术水平和实践创新能力，助力高校高水平人才培养。他勉励学员们投身技术创新的浪潮，早日成为ICT领域的卓越创新人才。 何芦微详细介绍了昇思MindSpore开源社区的发展历程与组织运作机制，阐述了开发者参与社区的多元渠道、贡献方式以及各类开放活动与赛事。她表示，训练营只是走进昇思社区的起点，期待大家通过参与开源实习、加入社区SIG会议，报名华为ICT大赛昇思赛道等丰富活动，更深入地参与社区，持续积累经验，实现技术成长。 在为期四天的线下集中课程中，华中师范大学计算机学院杨秀隆、孙树园老师，昇思MindSpore架构师CQU弟中弟，昇思MindSpore布道师Selina、Yiqun带领学员们全身心投入人工智能知识探索，开展昇思MindSpore技术体系的系统学习，完成香橙派开发板助力大模型开发、训练、推理全流程实践，以及基于Qwen大模型微调与推理的深度打磨。学员们不仅学习到了如何使用昇思MindSpore进行模型的构建和训练，还体验了从数据处理到模型部署的全过程。 训练营尾声，学员以小组形式展开创新项目实践与答辩。经评审，共评选出一等奖5项、二等奖10项、三等奖13项。来自武汉大学和华中师范大学的“过了样例就算队”凭借“AI戏曲文化传承者”项目荣获第一名。该项目基于昇思MindSpore实现戏曲数字化轻量部署，展现出良好的应用前景。 结营仪式上，昇思MindSpore社区及华为多位负责人为获奖团队颁奖。华中师范大学计算机学院党委书记王坤作总结发言，他对华为及昇思MindSpore社区的支持表示感谢，并勉励学员将所学转化为推动科技创新、破解技术难题的实际行动。 本次昇思MindSpore创新训练营不仅为华中地区高校学生提供了深入AI领域学习与实践的宝贵机会，也有效促进了产教融合与开源生态共建，为培养具备创新能力和实战经验的高水平AI人才奠定了坚实基础。未来，昇思MindSpore社区将继续携手高校与企业，推动人工智能教育生态的繁荣与发展。 --- https://www.mindspore.cn/news/zh/3827/ --- 新闻 四川美术学院吕曦：基于昇思MindSpore的AI+艺术创新应用探索 # 四川美术学院吕曦：基于昇思MindSpore的AI+艺术创新应用探索 2025/09/08 # 四川美术学院吕曦：基于昇思MindSpore的AI+艺术创新应用探索 # **项目实施背景** 在人工智能（AI）迅猛发展的时代背景下，我国高度重视AI在科技、经济、文化等多领域的深度融合与应用。自2017年国务院印发《新一代人工智能发展规划》以来，国家相继出台《关于支持建设新一代人工智能示范应用场景的通知》《关于加快场景创新以人工智能高水平应用促进经济高质量发展的指导意见》等多项政策，为AI的技术发展与应用落地提供了政策支撑。 AI正日益深入人类擅长的各类工作领域，尤其在视觉识别、语音交互、图像与文本生成等方面持续突破，并逐步渗透至艺术与设计等高度依赖创造力的行业领域，对传统的创意创作与思维模式提出了全新挑战。这一趋势在艺术领域引发了广泛的关注与讨论：机器是否具备创造力？艺术家和设计师会被取代吗？人机关系应是博弈还是协作？ 昇腾计算产业生态围绕昇腾计算技术和产品体系开展学术技术与公益活动，高度重视高校的人才培养和昇腾开发者的发展，致力于让高校和开发者成为昇腾生态的重要组成部分。近年来，四川美术学院以设计学为核心，美术学为支撑，形成了适应智能产业需要的智能设计与数字文化体验学科群，从文化自觉意识、主动创新精神、交叉知识结构、整合研究能力四个方面出发，培养具有跨学科能力的创新型、研究型高素质设计人才。 在此背景下，四川美术学院设计学院与昇思MindSpore AI框架专家组携手，依托教育部产学合作协同育人项目——“基于昇思MindSpore的AI+艺术创新应用探索研究”，聚焦数字艺术细分场景，运用昇腾AI软硬件技术，探索艺术领域中的人机关系。双方基于昇思MindSpore AI框架，围绕“AI+汉字艺术、AI+视觉艺术、AI+X”等方向，打造了高价值、高影响力的示范案例。 # **改革思路及举措** **1、主要思路** 项目以“AI+汉字艺术”实践为核心，探索“AI+艺术”的创作路径。面对新兴AI技术的快速涌入，项目坚持文化根性与科技智能融合的整体理念，以AI赋能汉字艺术设计创新为突破口，构建以企业AI技术支撑、校企协同工具共建、实践资源开源共享的“AI+艺术”跨学科协作机制。 改革主要思路体现在以下三大方面： \*\*文化视角：\*\*设计团队特别聚焦“AI+汉字艺术”主题，注重提取汉字艺术中承载的汉字结构美学、中华文化意象乃至意境。设计围绕“竹”这一富含东方意蕴的视觉符号，重构汉字字体造型的整体设计逻辑。 \*\*技术路径：\*\*项目基于昇思MindSpore AI算法框架，整合CycleGAN风格迁移开源算法，打通AI生成式算法筛选修改、在线的“AI+汉字艺术”模型训练部署，以及互动式的创作工具应用开发全链路。 \*\*教育维度：\*\*通过对项目实施、实践过程的整理，围绕基于昇思MindSpore AI框架的CycleGAN算法，梳理人机协同创意设计方法。基于以上经验与技术总结，开展校内外工作坊教学活动，培养学生AI基本知识素养与AI+艺术创意表达的复合能力。 **2、关键举措** 多维并进，构建“AI+汉字艺术”创新实践路径。 **（1）产学合作，筑牢AI技术基础** 项目依托教育部“产学合作协同育人”项目，由四川美术学院设计学院联合昇思MindSpore AI算法框架专家组，构建校企协同研发机制。项目组围绕汉字视觉美学提炼、汉字生成数据集制作、昇思MindSpore AI框架算法开发与模型训练部署、互动式生成智能工具开发等维度开展了深入合作，确保项目每个环节都兼具原创性与技术支撑力。 **（2）艺科协同，完成竹叶风格字体生成模型训练** 为实现汉字与“竹”这一充满中国文化意蕴的自然意象符号深度智能融合，项目团队基于昇思MindSpore AI框架开发了以CycleGAN开源算法为核心的字体风格迁移算法模型。四川美术学院设计团队以专业视角对楷体汉字数据与竹叶图形数据的数据集进行采集与制作，通过风格迁移模型训练，实现从结构字形到自然形态的流畅过渡，打破传统笔画式字体设计逻辑，形成具备文化表现力与视觉创新性的“竹叶体”。 **（3）校企共建可体验交互工具，推动教育应用与公众传播** 校企共建可线上体验的竹叶风格字体生成智能工具——“竹·书”。该工具打通了从AI训练字体风格模型到公众交互体验的完整链路，实现了人工智能生成字体的可视化、参数化与定制化。用户通过输入任意诗文文字，体验以文字输入驱动生成的过程，并可调节具体的训练步数，以呈现“竹叶体”在不同推理阶段的生成效果，显著提升了汉字字体设计的参与性与趣味性。该工具不仅具备创新的美学探索潜力，也在工作坊教学应用与公共传播中展现出良好的实践价值。 模型训练与推理代码开源于OpenI启智AI协作平台，可进行云端Ascend环境搭建部署与在线的机器学习模型训练与内容生成，实现项目代码开源共享、训练路径复刻。该成果不仅解决了传统汉字风格创作中的效率与多样性问题，更开辟了一种融合文化传承与智能设计的新路径，为“AI+艺术”提供了可借鉴、可推广的实践样本。 # **项目成果、创新点及成效** **1、项目成果** 项目“基于昇思MindSpore的AI+艺术创新应用探索研究”聚焦人工智能与视觉艺术的深度融合，以“AI+汉字艺术”为实践核心，构建了产学研跨学科协同创新的典范。项目基于昇思MindSpore AI框架，开发了CycleGAN风格迁移神经网络，实现了AI技术与字体设计的有机结合，形成了核心成果产出“竹叶体”与“竹叶风格字体生成器——竹·书”。 项目开展了涵盖数据采集、模型训练、在线推理与交互体验的系统化教学实验流程，并通过校企协同推进技术研发与经验总结的教学转化，在合作机制与技术路径上实现多项创新，推动了艺术与科技的深度融合。 最终成果包括：需求分析与技术选型报告、数据准备与模型开发测试文档、完整应用案例、图文案例集、宣传文案以及端到端可执行的模型API接口、训练与推理脚本、实验手册等配套文件。 **2、项目创新点** \*\*校企跨学科协作机制创新：\*\*项目突破传统专业壁垒，联合昇思MindSpore AI框架算法专家与设计师，探索“技术+创意”的合作共创机制。团队协同开发基于昇思MindSpore的CycleGAN模型，收集和处理数据集，并部署于OpenI启智人工智能开源开放平台进行在线训练，技术人员提供AI算法支持，设计师主导创意和视觉文化规范，实现AI技术与视觉艺术的双向赋能和人机协同创作。 \*\*产教融合的组织创新：\*\*项目依托“华为-教育部产学合作协同育人”平台，推动企业AI技术与高校教学目标的有效对接，通过课程案例教学、“AI+艺术” 昇思MindSpore工作坊和全国性会议（如ChinaVis 2023工作坊）的推广教学，增强了艺术类高校AI教育的实操性与应用性。 \*\*教学内容与方法更新：\*\*课程与工作坊教学引入人机协同设计理论、模型实操训练与部署应用，优化传统数字媒体艺术课程；在教学方法上，提升学生的AI辅助综合设计能力，鼓励跨学科合作创新。 **3、改革成效** \*\*推动教育教学改革：\*\*项目系统整合“AI+艺术”资源，为艺术类专业学生提供从基础认知到应用实践的完整学习路径，打通理论与技术，成为探索新工科与新艺科融合教育的重要范式。 **形成具有示范效应的教学案例：**“竹·书”工具作为技术驱动与文化创新融合的典型案例产出，项目配套开发文档、图文教程与宣传材料已整理为教学资源，在AI+艺术融合课程中具有示范意义。 **促进人机共创模式获广泛认可**\*\*：\*\*在2024基础设计教育国际会议、ChinaVis 2023大会等围绕“AI+艺术”的学术交流中，基于项目实践的人机协同设计方法和设计成果，获得来自全国不同高校师生的广泛关注与认可，进一步扩大了该项目在学术层面的影响力，助力传统文化在数智艺术语境中的创造性转化与创新性发展。 # **应用及推广情况** **1、教学应用方面** 项目成果“竹叶体”与“竹叶风格字体生成器——竹·书”作为数字媒体艺术AI课程的重要示范案例，并在面向研究生的“基于昇思MindSpore的AI+艺术创新应用工作坊”中进行了系统化的方法教学与创作实践，为艺术教育与新工科理念对接提供了可操作的路径样本。 **2、学术传播方面** 项目团队主要成员在ChinaVis 2023中国可视化大会上举办了“传统文化数字创新中的人机共创设计”主题工作坊，促进了跨校交流与资源共享传播。 **3、应用体验方面** “竹·书”AI字体生成系统开源至启智 OpenI 平台，并搭建了临时的在线体验工具网站，以便于社会公众体验AI驱动的字体风格设计功能。在工具网站中，用户能够自由输入文本并调整风格参数，实时生成具有竹叶风格的汉字。 # **经验总结** **1、项目成功的关键要素** \*\*明确的问题导向与需求响应：\*\*项目紧扣艺术类高校在AI教育中普遍面临的“技术落地难、课程内容陈旧、学生技术壁垒高”等现实问题，针对性地解决“教学、工具、内容”方面的瓶颈，确保项目的现实针对性与落地可行性。 \*\*构建产学研协同机制：\*\*依托教育部产学合作协同育人平台，项目实现了高校、企业、科研机构间的有效联动。通过共设研究主题、共促实践实施、共推开源共享，有效整合多方资源与技术力量，保证了项目稳步推进与可持续发展。 \*\*注重文化内涵与美育价值：\*\*项目立足“汉字艺术”这一中国传统文化母题，将AI生成艺术作为传统文化再设计的重要工具，强化了项目在内容层面的文化温度与美育价值，拓宽了AI技术创新在高校人文艺术教育中的可用性边界。 **2、经验启示** \*\*AI赋能艺术教育需立足学科融合而非技术替代：\*\*项目实践表明，AI不应成为设计教学的终点或工具本身，而应作为认知重构与表达延展的“协同设计伙伴”。人机协同设计的价值在于提升创意思维的维度与创作的效率，而非替代传统设计流程。 \*\*教师能力提升是AI课程落地的关键：\*\*成功的跨学科教学改革不仅依赖平台与工具，还取决于教师在“技术素养+教学方法”两个维度的复合型能力成长。本项目通过组建复合团队，为教师提供了团队共研与能力互补的良好机制，值得在更多高校推广借鉴。 \*\*开源开放是实现成果转化与社会服务的重要路径：\*\*通过将项目核心成果“竹·书”部署在开源平台向社会开放，初步实现了从科研成果到教学工具、再到公众平台的价值流转。 **3、存在的问题与下一步举措** \*\*学生AI技术理解深度仍有待加强：\*\*尽管平台界面友好，创意性强，但部分学生在实际参与过程中对AI模型的原理掌握较为浅层，存在“用得了、改不了”的现象。后续计划进一步优化课程体系，加强学生对AI技术机制的认知与控制引导力。 \*\*教学成果的多样性与连续性需要增强：\*\*当前主要成果集中于“字体生成”类项目，项目在图像风格化、动态交互、3D设计等方向仍有待拓展。下一步将基于昇思MindSpore平台拓展更多适用于数字艺术的AI模型（如Diffusion、CLIP等），引导学生从平面字体设计向多模态设计过渡，构建可持续的系列成果矩阵。 \*\*推广机制与区域覆盖广度需提升：\*\*项目当前主要集中于学院内部教学与展示，尚未在其他高校中实现联动。下一阶段将联合更多院校及地方文化单位，探索建立“AI+艺术教育”区域共建平台，推动文化科技融合成果下沉基层、辐射更广人群。 “基于昇思MindSpore的AI+艺术创新应用探索”项目以数字技术激活传统文化，以教育实践拓展科技应用边界，不仅推动了艺术与人工智能的深度融合，也为高等艺术教育改革提供了可复制、可推广的路径。未来，项目将继续深化技术与艺术的交叉合作，推动以“人机协同”为核心的人才培养新范式落地生根。 案例内容由项目负责人提供 --- https://www.mindspore.cn/news/zh/3829/ --- 新闻 西南交通大学龚勋：AIGC背景下基于昇思MindSpore的川西南纸本经图修复与重塑 # 西南交通大学龚勋：AIGC背景下基于昇思MindSpore的川西南纸本经图修复与重塑 2025/09/10 # 西南交通大学龚勋：AIGC背景下基于昇思MindSpore的川西南纸本经图修复与重塑 # **项目实施背景** 川西南地区是藏羌彝走廊的重要组成部分，汇聚了汉、藏、彝、羌等多个民族，文化底蕴深厚，自然景观壮丽，保存着大量的文化遗存，其中最具代表性的要属保存在纸本上的经图。这些经图内容丰富，形式多样，包括寺庙喇嘛手中经书的插图、民间宗教从业者手中的各种卦书卦图、建造坛城时绘制的草图、以绵纸绘制的指路经和送魂图等，记录着这一地区的宗教信仰、民俗风情、历史变迁，是藏羌彝走廊文化研究的珍贵资源。 由于年代久远，长期受到自然环境的损害，很多经图已经残破甚至不可辨析，难以进行良性的文化传播。自上世纪80年代以来，四川省民研院等学术机构就开始对川西南地区的民族文化进行广泛的调查研究。2018年，川内的民族学和旅游学专家们在冕宁、石棉、九龙、木里等地收集了大量的纸本经图图像资料，并对其进行了分类整理和研究。 修复经图成为迫切需解决的难题，目前川西南地区纸本经图的修复工作主要采用人工手段，通过以下三个步骤进行：（1）文化识别：尽可能识别其身份含义，对于缺失严重的图样需寻找对应的文化元素进行重绘；（2）线稿绘制：根据原作和其他参考资料进行线稿绘制；（3）填色与再制：根据原作进行填色与再制，最终形成数字化经图。 采取人工手段进行图像修复，不仅对绘画人员的美术功底有较高的要求，而且需要花大量的时间去调研文物时代背景、工艺特点，整个过程周期长，存在效率低下、质量不稳定和成本高等问题，因此需要采取更加智能、高效且可持续的保护方式。 本案例基于智能图像生成技术进行经图数字化修复，探索川西南纸本经图的活化路径和方法，对促进文物经图修复工作的创新和发展具有重要的社会价值和文化意义。 # **改革思路及举措** 针对川西南纸本经图模糊、破损等问题，基于图像生成技术的快速发展，以及对文物保护和修复工作的迫切需求，本项目设计了如图4的技术路线来进行数字化图像修复。通过 昇思MindSpore 全场景AI框架的高效算力支持和算法优化能力，结合多模态生成技术，实现了从图像预处理、线稿提取、自动填色到三维建模的全流程智能化重建。 主要包括以下几个模块： **（1）图像预处理** 图像矫正旨在改善图像的几何形状、颜色分布和光照情况，以提高图像的质量和可视化效果。 在本案例中使用图像矫正技术解决经图图像采集过程中存在的畸变、倾斜等问题。首先对图像进行透视变换，然后采用添加角点的方式在图像上生成角点，再通过对角点的拖拽使其从形变的状态达到图像矫正的状态。 本案例使用Real-ESRGAN模型，学习低分辨率与高分辨率图像间的映射关系，从而生成更高质量的图像。 **（2）线稿提取** 线稿图在数字化图像修复中提供结构信息，使修复人员能够更加准确地绘制缺失的细节和元素。提取线稿的核心难点是寻找“准确度”与“风格化”之间的平衡，本技术希望充分利用人工线稿作为先验知识，提出了将边缘检测与风格迁移相结合的方式。第一步，边缘检测得到粗略的线条，定义为草图；第二步，风格迁移得到理想线条，定义为线稿图。如果原图的部分内容已经丢失，不能检测到线条，也可以通过人工交互的方式去进行辅助修改，无需重新训练模型，简单有效。这种交互性的方法为生成最终线稿图提供了更大的灵活性和准确性，有利于最大限度地还原经图的结构和细节。 首先通过昇思MindSpore框架实现的DexiNed边缘检测模型提取经图的边缘草图。本案例充分利用了其内置的高效算子（如Conv2D, ReLU, MaxPool2D等）构建和优化了网络。在随后的风格迁移步骤中，我们则是利用了昇思MindSpore模型库中提供的CycleGAN模型。昇思MindSpore的动态图/静态图统一（PYNATIVE/GRAPH模式）特性方便了模型的调试与高效部署，而其自动并行与图算融合优化技术（如通过mindspore.ops中的融合算子替代多个基础算子组合）显著减少了模型在NPU服务器上的计算开销和内存占用，大幅提升了线稿生成的推理速度。 **（3）填色再绘** 本案例基于扩散模型的加噪和去噪特性，利用文生图大模型Stable Diffusion强大的图像生成能力，并结合LoRA、ControlNet和IP-Adapter等技术，提出了一种高效且低参数的纸本经图填色再绘方法，可以将提取到的线稿进行上色，得到最终的数字化图像，有效解决了风格不一致、佛像姿态变形和颜色失真等问题，显著提升了数字化生成任务的效率和精度。 先将LoRA技术应用于图像表示与文本描述相关联的交叉注意层进行高效参数微调，生成经图风格的图像；然后使用ControlNet模型将线稿作为条件控制，来维持原图中佛像的姿态或者是符号的形状，使生成图像更加可控和准确；最后，采用IP-Adapter适配器将原图像的特征融入生成图像中，提升图像的颜色分布准确性。 **（4）3D建模** 本案例在三维重建技术的基础上，引入了生成式扩散模型。借助图生图大模型，能够通过单张平面图生成该物体多个角度的法线图与色彩图，进一步完成对物体的建模。相较于手工建模，该方法将二维和三维技术相结合，在快速生成模型的同时，保证了三维物体的高质量细节与正确的色彩贴图。 首先去除图像的背景，只保留物体主体。接着将相机参数融入Unet网络，训练多角度视图生成扩散模型，使其能生成规定视角的物体图像。最后使用Nerf三维重建技术，对多视角图像进行三维建模，并对物体细节进行优化，从而生成高质量三维模型。 本案例首先通过图像矫正和超分辨率技术，解决了图像畸变、倾斜和分辨率较低的问题；利用边缘检测提取线稿，保持原图结构，通过文生图大模型进行填色再绘，得到经图风格，生成目标2D图像；结合生成式扩散模型和三维重建技术，实现三维模型的生成。本案例首次将上述技术应用于纸本经图的数字化修复，突破了传统数字化修复技术的局限，特别是在线稿提取等核心环节，昇思MindSpore提供的高效框架能力对保障修复效率和精准度起到了关键作用。 # **项目成果、创新点及成效** 本案例的创新点主要包含以下几点： **（1）交叉融合创新** 首次提出了川西南地区经图文物的自动化修复方案，将民族学领域的文化内涵和计算机领域的人工智能技术相结合，有效保护了这些濒临灭失的文物，为跨学科合作开辟了新的道路。 **（2）技术研究创新** 突破了传统数字化修复技术的局限性，提出了高质量的线稿提取方法，通过交互为生成最终线稿图提供更大的灵活性和准确性，最大限度地还原经图的结构和细节；提出了可控的填色再绘方法，根据原图和线稿自动生成经图风格图像；提出了从2D到3D 的转换方法，通过3D模型展示经图中的历史人物和宗教故事，提供更深入的文化体验等。以上举措为文物保护和修复工作提供了有效技术支持。 本案例的项目成果主要包含以下几点： \*\*创建高价值数据集：\*\*成功创建了一个包含川西南经图文物的原图、线稿图和修复图的多层次数据集。该数据集为川西南地区经图文物的研究和保护提供了宝贵的资源。基于该数据集，艺术领域可以使用该数据集进行审美评估，计算机领域则可以训练和测试修复算法，提高修复的准确性和效率。 \*\*研究成果形成软件工具：\*\*本案例借助AI技术，实现了自动的数字化修复过程，设计开发了一款修复软件，该软件能够对输入的破损经图进行修复，具备多项关键功能，包括图像预处理、线稿提取、填色再绘以及3D建模完成最终的修复成果，支持交互式修改，允许用户参与修复过程，提高修复的准确度，同时也能满足不同修复需求。 \*\*培养优秀AI人才：\*\*通过校企合作，华为提供了开发者套件等设备，同时启智平台、昇思大模型平台具备NPU算力。昇思MindSpore充分发挥NPU算力优势，团队同学可以有充足的资源开展学习研究，参与多个竞赛，并取得了优异的成绩。 建设创新型智能平台：本案例积极推动了智能平台的创新建设，不仅使用了“西南交通大学城市交通智慧出行及智能调度平台”，还搭建了多台昇腾AI训练及推理服务器，支持了国内AI技术的应用与发展。 # **经验总结** 本项目的具体推广及应用情况有如下三个方面： **（1）基于项目成果，团队获得了两项项目资助** 团队获得了四川省文化和旅游厅2023年度的科研课题“四川藏羌彝走廊纸本经图的数字化保护与利用研究”。在该项目的支持下，团队持续以数字化的方式探索如何对四川藏羌走廊中纸本图像文献进行修复、重现和活化。 此外，团队还获得了文化和旅游部全国公共文化发展中心2024年度公共数字文化服务课题研究项目“AIGC智创时代下藏羌彝走廊图像文化遗产的修复与重塑研究”。在该项目支持下，团队首先将对AIGC数字修复平台进行的技术性研究，并开展人机协作下传统图像生成和重构的策略研究。 可见，项目的技术先进性和文化价值已获得相关部门高度认可，目前已经形成了以技术-艺术-文化为有效良性驱动的新研究方向。 **（2）在国际会议中推广项目经验** 在项目进行期间，团队于2022、2023年两次在国际会议“全球视野下的建筑文化遗产保护创新技术与应用国际研讨会”上发言，就本项目的成果与业内专家进行分享和探讨，取得了良好的推广效果。 **（3）产出多篇优秀论文** 团队产出相关领域的论文4篇：《基于元学习的藏羌彝走廊民族符号的图像识别方法研究》、《川西南纸本经图的文旅资源数字化研究与实践》、《藏羌彝走廊小族群文化艺术符号研究与数字化设计再现》、《多元融合：藏羌彝走廊民族符号的象征与美学价值研究》，其中《川西南纸本经图的文旅资源数字化研究与实践》、《藏羌彝走廊小族群文化艺术符号研究与数字化设计再现》两篇为北大核心期刊论文，4篇论文在知网累计下载量超过1500次，为从事相关研究的同行提供了丰富的研究基础。 # **经验总结** 本案例取得了一定的成功，得益于以下几个关键因素： \*\*技术驱动：\*\*人工智能技术发展迅猛 近年来，人工智能技术，特别是生成式AI取得了突破性的进展，可以根据文字描述生成图像、语音等数字内容，这为纸本图像修复和活化提供了强大的技术手段。 \*\*方法创新：\*\*学科交叉融合 计算机视觉技术为图像修复提供了强大的技术支撑，民族学文化和民族艺术则为修复工作注入了深厚的文化内涵，两者有机结合，实现了文物修复的科学性和艺术性的统一。 \*\*机制创新：\*\*产学研结合 高校提供技术支撑，企业提供设备资源和应用场景，产学研深度融合，促进了项目落地应用。这种合作模式，有效整合了各方优势，提高了资源利用效率，加速了技术成果的转化应用。 同时，本案例成果将可在如下方面进一步完善提升： \*\*技术成熟度有待提升：\*\*部分技术仍处于研发阶段，需要进一步完善和优化，以提高稳定性和可靠性。 \*\*应用范围有待扩充：\*\*目前主要应用于川西南地区纸本经图的修复，亟需拓展应用范围，服务于更多文化遗产保护项目。 未来我们将持续研究经图特点，攻关相关关键技术，提升技术成熟度；积极开展与其他地区、其他类型文化遗产保护机构的合作，探索技术在不同领域的应用，扩大技术应用范围。相信通过不断的努力，川西南纸本经图数字化修复技术将取得更大进展，培养更多高素质AI人才，为文化遗产保护事业贡献更大的力量。 案例内容由项目负责人提供 --- https://www.mindspore.cn/news/zh/383/ --- 新闻 Gitee年度开源报告，MindSpore指数第一！ # Gitee年度开源报告，MindSpore指数第一！ 2021/01/26 # Gitee年度开源报告，MindSpore指数第一！ 来源：2020 Gitee 年度开源报告gitee.com --- https://www.mindspore.cn/news/zh/3830/ --- 新闻 社区月报 | 昇思2.7版本正式发布，科学智算基础模型OmniArch首次实现单个模型统一求解1D、2D、3D # 社区月报 | 昇思2.7版本正式发布，科学智算基础模型OmniArch首次实现单个模型统一求解1D、2D、3D 2025/09/12 # 社区月报 | 昇思2.7版本正式发布，科学智算基础模型OmniArch首次实现单个模型统一求解1D、2D、3D 昇思MindSpore2025年8月份总结 2025年8月，昇思MindSpore开源社区持续保持着高速发展的态度，在技术创新、社区运作等方面都取得了显著的成果。 在技术进展方面，昇思MindSpore2.7版本正式发布，该版本新增支持ZeroBubbleV流水线并行调度进一步降低bubble耗时，并创新性实现重计算通信掩盖技术，提升强化学习训推性能和DeepSeek-V3推理性能。 其次基于昇思的科学智算基础模型OmniArch被北京航空航天大学李建欣教授团队提出，首次实现单个模型统一求解1D、2D、3D PDE的重大突破，并在多个关键指标上大幅超越现有方法。 # 在社区活动方面，昇思MindSpore社区通过量子计算黑客松、call for demo活动推动AI技术在不同场景中的深度应用，助力开发者成长。在开发者培养方面，昇思MindSpore创新训练营、暑期学校、开源实习招募，在校学生可通过强实践、重前沿的课程深度学习和完成实际任务获得积分与实习证明。 以下是8月昇思MindSpore社区进展的详细报告。 截至8月底，昇思MindSpore面向全球开发者，凝聚产业力量，持续打造人工智能创新之源。社区秉持开放透明原则，稳步建设开源生态，规模和活跃度得到持续提升。 社区发展了4.8万+核心贡献者； 累计产生ISSUE共42.7K、PR共117.4K。 1、昇思MindSpore 2.7版本发布，支持ZeroBubbleV并行调度提升训练效率，组合优化提升DeepSeek推理性能 # 经过昇思MindSpore开源社区开发者们的开发与贡献，现正式发布昇思MindSpore2.7版本。 在大模型训练性能提升方面，新增支持ZeroBubbleV流水线并行调度进一步降低bubble耗时，并创新性实现重计算通信掩盖技术，提升大模型重计算部分训练效率； 在生态兼容扩展方面，升级适配vLLM v0.8.3版本和V1架构，并采用多项组合优化显著提升DeepSeek-V3推理性能； 在强化学习训推性能提升方面，支持推理均匀采样、动态packing训练，提升吞吐效率，同时支持6D并行权重重排技术，实现任意模型并行策略下的权重重排，以及支持强化学习断点续训，实现灵活的训练调试、部署； 在工具效率提升方面，提供了在线监控平台（msMonitor），能够实现快速性能诊断，同时msprobe工具支持静态图模块级Dump与自动比对，提升问题定位效率； 欢迎下载使用：https://www.mindspore.cn/install 2、基于昇思MindSpore，北京航空航天大学科研团队提出科学智算基础模型OmniArch，实现11类PDE求解性能提升 # 近期，北京航空航天大学李建欣教授团队提出了基于昇思的科学智算基础模型OmniArch，首次实现单个模型统一求解1D、2D、3D PDE的重大突破，并在多个关键指标上大幅超越现有方法。相关成果以《OmniArch: Building Foundation Model For Scientific Computing》为题，被ICML 2025接收。 1、第七届·2025 MindSpore量子计算黑客松全国大赛圆满收官！ 2025年7月19日-20日，第七届·2025 MindSpore量子计算黑客松全国大赛总决赛在电子科技大学清水河校区圆满收官！本次大赛历经热身赛、初赛和决赛的层层角逐，大赛各奖项归属最终揭晓，其中”中国科学技术大学的1+1团队“同时斩获“量子组合优化赛道”和“量子误差缓解赛道”双赛道特等奖，成为本届大赛最耀眼的双料冠军。“重庆邮电大学的new团队”在“量子启发算法赛道”中表现惊艳，力拔头筹，荣获该赛道特等奖。 此外，3支队伍以突出的成果和优秀的答辩表现，荣获大赛一等奖；6支队伍凭借扎实的基础和显著的创新点，获得二等奖殊荣；9支队伍在激烈的竞争中表现不俗的实力，喜获三等奖；21支队伍的积极探索和贡献，获得优秀奖。 2、MindSpore Call for Demo圆满收官！获奖名单揭晓 & 优秀作品展示 MindSpore Call for Demo 第二期正式落下帷幕！本次活动以基于昇思MindSpore+昇腾AI进行模型微调为主题，吸引了众多开发者基于昇思MindSpore AI框架打造前沿AI应用，覆盖CV、NLP、科学计算等多个领域。经过专家评审，最终评选出10个优秀作品，感谢所有参赛者的精彩贡献！ 3、2025年昇思MindSpore大模型创新训练营（西北区、长三角区）报名通知 为加强高校优秀青年学子的交流与互动，提供学生与产业界接触的机会，华为技术有限公司联合西安电子科技大学与上海交通大学共同发起，面向西北地区和长三角地区大学生开设创新训练营。 昇思MindSpore大模型创新训练营以业界需求为背景、以实际项目为依托、以学生实践为主线，引导学生在实践过程中学习大模型相关知识，掌握有关技术和工具，帮助学生更好把握业界最新技术发展趋势，加深对人工智能行业的认识，为学生持续提升个人创新能力和实践能力打下坚实基础。 原文阅读：\[https://mp.weixin.qq.com/s/-VzHom0TI8A8OEdPf7\_XNw https://mp.weixin.qq.com/s/lCajmiu1VDCBd-17LmUKyg\](https://mp.weixin.qq.com/s/-VzHom0TI8A8OEdPf7\_XNw https://mp.weixin.qq.com/s/lCajmiu1VDCBd-17LmUKyg) 4、昇思MindSpore开源实习最新任务池已开放 昇思MindSpore开源实习活动新任务已上线，多样化的任务类型任你挑选，完成任务累计积分可获得实习薪资（达成20分）与实习证明（达成60分）。 本次实习任务中，套件应用开发任务带你了解昇思MindSpore的多领域套件；昇腾开发板应用任务教你学会搭建开发环境以及跑通AI推理案例，为后续的AI应用开发打下坚实基础；MindSpore CPU硬件功能编译任务让你了解如何分离后端代码，上手实现CPU后端的解耦与重构；技术公开课教程开发任务要你从导师教学的角度看问题，自主完善教学案例。更多趣味与技术性兼备的任务等着你来完成！ 5、MindSpore SPONGE第五季暑期学校圆满收官—— AI与分子科学融合创新，加速计算生物“产学研”一体化生态 # 8月18日~22日，由昇思MindSpore开源社区携手北京大学、昌平实验室、深圳湾实验室举办的MindSpore SPONGE第五季暑期学校在杭州西湖大学正式开幕。本次活动以“AI赋能分子科学前沿与实践”为主题，汇聚领域内顶尖学者与青年科研人才，130+学习参与线下学习，课程线上直播累计2W+人次参观学习，通过为期五天的理论课程与实操训练，推动分子模拟软件生态建设与交叉学科创新。 6、课程发布 | 昇思MindSpore：深度学习原理与实践 本课程以“零基础入门A!”为核心理念，采用“理论+实践”并行的方式，从最基础的线性回归出发，引出深度学习概念，讲述深度学习的主要原理与流程，以一个简单的入门案例介绍清楚张量、优化器等核心概念。同时，针对当前AI方向最火热的大模型领域，介绍其底层技术Transformer的结构，结合LoRA微调Owen的案例，助力开发者掌握大模型开发全流程。 报名链接： https://www.hiascend.com/developer/courses/detail/1938153539479527425 7、MindSpore Quantum 0.11.0 正式发布：性能全面跃升，高效易用，加速前沿量子计算研究 MindSpore Quantum 0.11.0 版本正式上线！本次版本聚焦于核心组件的性能优化与硬件加速，推出了两大关键特性，旨在显著提升量子化学计算以及量子启发式算法的运行效率，从而加速从理论到实践的研发进程。 本次版本更新的核心亮点包括： - 专用量子化学求解器：发布mqchem模块，在特定化学问题上获得百倍于主流框架的计算速度。 - QAIA 硬件后端支持：为量子启发式算法（QAIA）新增 GPU 与NPU 后端，大幅提升组合优化问题的求解效率。 - - 1、基于昇思MindSpore的智能感知工业AI质检算法与应用实践 # 针对正样本的异常检测理论与应用创新，东南大学魏老师团队基于昇思MindSpore提出智能感知工业AI质检算法与应用实践，该项目基于昇思MindSpore实现了高效的单类分类算法，并在视觉数据集MVTecAD（MVTec Anomaly Detection）上进行了系统性评测，验证了算法的先进性和可用性。同时项目团队基于昇思MindSpore和智能感知系统实现了支持基于正样本异常检测的端到端检测方案FastFlow，极大提升了工业质检系统的智能化、自动化水平。 - - # 2、基于昇思MindSpore+香橙派的Ascend Navigator ，为视障群体铺就“智能盲道” # Ascend Navigator 是一款面向视障群体的可穿戴智能导盲设备，基于昇思MindSpore 框架下的 OCRNet 语义分割模型，通过双目相机实时采集环境信息，融合深度信息与像素语义信息，实现三维场景理解和智能路径规划算法通过语音提示实现障碍物规避与方向引导。通过智能化的手段保障了视障人士的出行安全，极大地提升了他们的生活质量，并有助于视障人士更好地融入社会。 # 原文链接： https://mp.weixin.qq.com/s/vOdcZ9Bu9ikv4rmHivdAlw - - # 1、BigBird-Pegasus模型论文解读，并基于MindSpore NLP推理复现 # 2、MindSpore优化器实现原理深度解析——adam优化器 # 3、AltCLIP模型论文解读，并基于MindSpore NLP推理复现 4、BiT模型论文解读，并基于MindSpore NLP推理复现 - - 在此感谢社区伙伴们、可爱的小孢子们以及昇思MindSpore SIG组成员们，因为大家的共同努力及辛勤奉献，昇思MindSpore才能不断成长与发展！同时我们对可能出现的不完善之处向您表示诚挚的歉意，并衷心感谢您的理解与支持。 未来，昇思MindSpore AI框架将持续致力于打造人工智能创新之源，凝聚产业力量，扎根AI根技术，使能大模型与科学智能，成为AI创新的首选框架。 --- https://www.mindspore.cn/news/zh/3832/ --- 新闻 昇思亮相GOSIM 2025，分享SGLang支持方案与算子自动生成等最新技术进展 # 昇思亮相GOSIM 2025，分享SGLang支持方案与算子自动生成等最新技术进展 2025/09/14 # 昇思亮相GOSIM 2025，分享SGLang支持方案与算子自动生成等最新技术进展 2025年9月13-14日，**GOSIM HANGZHOU 2025**在杭州成功举办。本次大会汇聚了1500多名开发者和100多位海内外专家，围绕开源与AI技术展开深入交流。昇思MindSpore开源社区在此次盛会上精彩亮相，分享技术创新成果，展示昇思全栈能力，获得与会者的关注。 # **\# 01** **SGLang与MindSpore AI框架的深度融合** **华为人工智能技术专家王天策**分享了《SGLang使能MindSpore框架方案》，介绍了如何将MindSpore高效集成至SGLang这一大语言模型服务框架中，以提升LLM推理性能与开发效率。 在SGLang中集成MindSpore的关键方案： - 最小化接口设计：通过新增mindspore\_runner.py（提供分布式能力）和MindsporeForCausalLM类封装模型，保持与HuggingFace Transformers类似的使用体验，用户仅需添加一行配置即可启用MindSpore后端。 - 跨框架资源共享：通过DLPack实现MindSpore与PyTorch间的Tensor无缝转换，大幅减少内存开销与数据传输延迟。 - 通信组复用：SGLang初始化时创建的通信组可直接被MindSpore复用，避免重复构建，提升分布式推理效率。 该集成方案目前已支持Qwen3系列的稠密模型与MOE模型和Tensor Parallel等关键特性，未来还将支持DeepSeek V3模型以及DP Attention、MoE专家并行、PD分离、量化、投机解码和LoRA等SGLang优化特性，进一步拓展MindSpore在LLM推理与服务领域的生态影响力。 # **\# 02** **大模型驱动的算子自动生成技术** **MindSpore AKG SIG Maintainer张任伟**分享了题为《AIKG：大模型驱动的算子生成技术探索》的议题，系统介绍了基于大语言模型（LLM）的下一代算子自动生成技术AIKG（AI Driven Kernel Generator）。 与传统AI编译技术不同，AIKG构建了一套以LLM为核心、多智能体（Multi-Agent）协同的算子生成框架。该框架通过“文档驱动”接入机制，支持多种前端框架、DSL和硬件后端的灵活扩展，显著降低定制化开发与维护成本。其核心创新包括： - Unified Sketch设计：将算子生成过程拆分为“草图设计”与“代码生成”两阶段，提升生成可控性与优化效果； - Conductor智能调度：通过中央调度Agent动态管理任务流，提升复杂场景下的生成效率与成功率； - 多层级检索增强生成（RAG）：结合算子特征提取与混合检索策略，增强模型对历史优化方案的理解与复用； - 搜索优化框架：AIKG引入了搜索优化支持，通过多轮迭代、LLM自主分析优化方向的方式，持续优化算子代码性能表现，部分场景性能提升400%。 目前，AIKG已在多个硬件平台上实现高效算子生成。在KernelBench评测中，AIKG在算子生成任务上表现稳定，并构建了覆盖230+用例的AIKG-Bench评测体系，支持静态/动态Shape等多种场景，为大模型、推荐系统、科学计算等AI应用提供高性能算子支持。 # **\# 03** **展览互动：昇思社区成果与进展** 在大会展览区，昇思社区设置了专门的展示交流区，通过技术展示和面对面交流，全面呈现了框架的最新成果与社区成果。展台吸引了开发者驻足交流，通过深度交流了解昇思MindSpore AI框架的技术优势和应用价值。 会议期间，昇思MindSpore开源社区与开发者、企业代表和学术界专家就AI框架发展趋势和开源社区建设进行深度交流。 通过本次GOSIM大会，昇思社区展示了在AI框架领域的技术实力，与全球开源社区建立了更加紧密的联系。AIKG与SGLang两大技术方案的分享，展示了昇思MindSpore在性能优化、生态扩展和开发者体验方面的持续创新。未来，昇思社区将继续深耕AI框架技术，推动开源生态繁荣发展。 --- https://www.mindspore.cn/news/zh/3834/ --- 新闻 华为全联接大会2025 | 共建AI框架开源生态专题论坛 # 华为全联接大会2025 | 共建AI框架开源生态专题论坛 2025/09/16 # 华为全联接大会2025 | 共建AI框架开源生态专题论坛 --- https://www.mindspore.cn/news/zh/3835/ --- 新闻 大模型课程直播 | 深入大语言模型（LLM）训练全链路，攻克训练难点 # 大模型课程直播 | 深入大语言模型（LLM）训练全链路，攻克训练难点 2025/09/17 # 大模型课程直播 | 深入大语言模型（LLM）训练全链路，攻克训练难点 --- https://www.mindspore.cn/news/zh/3838/ --- 新闻 9月18日 | 昇思MindSpore AKG SIG月例会 # 9月18日 | 昇思MindSpore AKG SIG月例会 2025/09/17 # 9月18日 | 昇思MindSpore AKG SIG月例会 MindSpore AKG SIG 专注于利用 MindSpore AKG 在算子编译和算子生成领域的技术积累，持续完善软件功能，拓展社区生态，为科研人员、教师、学生以及对此领域有深厚兴趣和强大影响力的人们提供一个高效易用的图计算融合编译器，同时提供一个共同交流合作的平台。 **8月18日10：30-11：30，欢迎对算子方向**感**兴趣的同学参加SIG月例会！****大家如果有议题申报，可以直接在Etherpad链接中填写。****** **SIG例会：** **例行月度例会：每月一次，北京时间周四，以公开线上会议形式讨论SIG组议题。欢迎感兴趣的开发者订阅SIG邮件：dev@mindspore.cn 及时获取会议通知。** 临时补充专项讨论会议：基于前一次会议讨论，按需临时增开专项议题会议讨论 会议链接： https://meeting.tencent.com/dm/91uCGsxKi0Nh Etherpad链接： https://etherpad.mindspore.cn/p/meetings-AKG**（****大家有议题申报的也可以在Etherpad链接中填写****）** **SIG成员：** --- https://www.mindspore.cn/news/zh/3839/ --- 新闻 9月18日 | 昇思MindSpore Transformers SIG双周例会 # 9月18日 | 昇思MindSpore Transformers SIG双周例会 2025/09/17 # 9月18日 | 昇思MindSpore Transformers SIG双周例会 MindSpore Transformers SIG（Special Interest Group）是 MindSpore 开源社区下聚焦 Transformer 类大模型全流程开发与优化的技术团队，涵盖大模型的预训练、微调、推理与部署等关键环节。SIG 团队致力于提升 Transformer类大模型在性能与易用性方面的表现，推动其在实际场景中的高效应用与落地。 **8月18日16：00-17：00，欢迎对Transformers方向**感**兴趣的同学参加SIG月例会！****大家如果有议题申报，可以直接在Etherpad链接中填写。****** **SIG例会：** **例行例会：月中周四北京时间16:00-17：00例行展开SIG会议。欢迎感兴趣的开发者订阅SIG邮件：dev@mindspore.cn 及时获取会议通知。** 临时补充专项讨论会议：基于前一次会议讨论，按需临时增开专项议题会议讨论 会议链接： https://meeting.tencent.com/dm/iB4GBQJ5hs6y Etherpad链接： https://etherpad.mindspore.cn/p/sig-MindSpore-Transformers-meetings**（****大家有议题申报的也可以在Etherpad链接中填写****）** **SIG成员：** --- https://www.mindspore.cn/news/zh/3840/ --- 新闻 昇思MindSpore创新训练营在上海交大成功举办，助力长三角AI人才培养 # 昇思MindSpore创新训练营在上海交大成功举办，助力长三角AI人才培养 2025/09/18 # 昇思MindSpore创新训练营在上海交大成功举办，助力长三角AI人才培养 2025年9月10日~12日，由上海交通大学、华为技术有限公司以及昇思MindSpore开源社区联合主办的“昇思MindSpore创新训练营”（以下简称“训练营”）在上海交通大学成功举行。 本次训练营聚焦人工智能与大模型技术前沿，旨在通过系统化的课程学习、实战演练与产业对接，培养具备创新能力和工程实践能力的复合型AI人才，吸引了来自长三角地区多所高校的100余名学生踊跃报名，经过前期筛选，最终60名优秀学子获得线下参与资格。 **\# 01** **开幕致辞：发散思维、生态共建与人才对接** 10日上午，训练营正式开营。上海交通大学学生创新中心主任王丽伟、上海昇思生态创新中心总经理杨浩、华为基础软件人才生态发展总监王景全王等嘉宾出席并致辞，上海交通大学学生创新中心创新实践部主任楚朋志、学生创新中心AI Lab负责人肖雄子彦、上海交通大学计算机科学与技术博士谢铭烨、上海昇思生态创新中心COO姜正华、昇思MindSpore社区运营经理何芦微，华为ICT学院上海校企合作总监翟彦杰，昇思MindSpore布道师邢译壬、庄庆贺等领导和嘉宾参与开营仪式。 上海交通大学学生创新中心主任王丽伟在开营仪式上，鼓励同学们打破定式思维，积极调动多学科知识储备，形成跨领域的创新观点。她强调，华为作为国内科技创新领军企业，为同学们提供了难得的实践平台，希望同学们珍惜机会，重塑思维模式，成长为符合国家发展需要的栋梁之才。 上海昇思生态创新中心总经理杨浩在致辞中回顾了昇思MindSpore社区的发展历程与生态建设成果。他指出，昇思始终致力于打造自主创新、开放共赢的AI软硬件生态体系，支持高校与企业协同育人。他鼓励同学们脚踏实地、深入实践，真正将所学转化为推动产业升级与技术创新的能力。 华为基础软件人才生态发展总监王景全从企业与人才对接的角度出发，介绍了华为在AI算法和软件开发等领域的人才需求，并欢迎同学们通过训练营和后续赛事进入华为的招聘通道。他表示，华为已与上海交通大学等多所高校建立深度合作，共同推动产教融合，助力学生从学习到就业的无缝衔接。 **\# 02** **三天密集培训：理论与实践深度融合** 本次训练营为期三天，由昇思MindSpore专家与高校教师联合授课。在课程中，上海交通大学学生创新中心的肖雄子彦和谢铭烨老师，与昇思MindSpore布道师非常work、Selina紧密配合，将AI经典领域与大模型前沿技术进行融合。课程以理论与实践并重，从Transformer和GPT基础概念讲起，引导学员从GPT模型训练入门，逐步推进到昇腾开发板上的语音处理、目标检测及大模型趣味应用开发。并过渡到Qwen大模型的LoRA微调、推理实践，以及基于vllm-mindspore的完整部署流程，并指导学生在开发板上从零搭建decoder-only模型，深入解析大模型的解码过程与混合精度训练技术。依托华为云算力平台和昇腾开发板（香橙派AIpro），师生基于昇思MindSpore框架完成了系列实战任务，切实提升了大模型技术的理解与实操能力，是昇思生态与高校合作推进AI人才培养的又一重要举措。 **\# 03** **项目实践：创新应用绽放思维火花** 在项目实践环节，学员们分组协作，完成了一系列富有创意的AI应用开发，展现了出色的技术创新能力和实践能力。其中，"量子阡陌队"、"代码写的都队"和“昇思源队”开发的“犬卫士：基于犬种识别的寄生虫防治智能规划系统”、“新闻稿情感分类播报”和“个性化角色语音对话系统（心理咨询场景为例）”三个作品凭借其独特的创意和技术实现，荣获本次训练营的一等奖作品奖。 “犬卫士：基于犬种识别的寄生虫防治智能规划系统”基于昇思MindSpore框架，构建了云边协同的完整端到端系统：在云端训练犬种识别模型，并部署至香橙派开发板实现本地实时推理；同时将大模型进行LoRA微调后，通过Coze平台集成大模型与业务逻辑，打造具备多轮对话和个性化服务能力的AI Agent，最终为用户提供从图像识别到寄生虫防治方案的一站式智能服务。 “新闻稿情感分类播报”基于昇思MindSpore框架微调DeepSeek-R1-Distill-Qwen-1.5B模型，构建了一套新闻情感化播报系统。系统首先针对用户输入检索新闻内容，并对结果进行细粒度情感分类，再结合多维度TTS技术动态合成富有情感色彩的语音，实现了从文本到情感语音的自动转化与播报。创新性地将AI模型与语音合成技术结合，为新闻传播、智能助手等领域提供了更具表现力的智能化解决方案。 “昇思源队”对面向心理场景的个性化角色语音对话系统尝试了多种技术实现路径，最终在香橙派开发板接入大模型，通过提示工程的方式引导与规范模型的对话输出，并集成语音识别与合成模块，实现从语音输入到角色化语音回复的端到端交互。项目创新性地探索了轻量化模型在端侧部署的可行性，为教育陪伴、心理健康等垂直领域提供了低成本、高可用的个性化AI对话解决方案。 其他小组也呈现了众多精彩项目，涵盖了AI评论君、旅游攻略Agent、校园智能问答等多个方向，充分体现了学员们将理论知识转化为实际应用的创新能力。 **\# 04** **结营寄语：延续热情，共创未来** 在结营仪式上，与会领导对学员们的优异表现给予了高度评价，并对他们的未来发展提出了殷切期望。昇思MindSpore技术总经理邓益平在结营致辞中充分肯定了学员们的创新成果，并指出昇腾AI目前正积极构建开放生态，核心挑战在于扩大开发者规模与社区参与。他表示，昇思MindSpore开源五年以来社区持续成长，未来将进一步开放算子层及底层系统能力，推动与开发者共同创新。最后，他感谢师生参与，期待未来再聚，携手推进AI生态发展。 --- https://www.mindspore.cn/news/zh/3841/ --- 新闻 释放超节点极致性能、共建繁荣开源生态——昇腾AI框架论坛成功举办 # 释放超节点极致性能、共建繁荣开源生态——昇腾AI框架论坛成功举办 2025/09/19 # 释放超节点极致性能、共建繁荣开源生态——昇腾AI框架论坛成功举办 2025年9月19日，在华为全联接大会2025（HUAWEI CONNECT 2025）期间，昇腾AI框架专题论坛顺利举办。该论坛聚焦大模型与科学智能创新成果，汇聚上百位技术领袖、社区运营专家、模型开发者演讲、参会，共同分享AI框架领域技术发展趋势与生态建设成果。 当下，大模型以更大的参数规模不断演进，超节点等新的硬件架构设计形式，对AI框架这一基础软件也提出了新的要求，AI开源事业也在持续加速发展。华为于2020年3月开源的昇思MindSpore AI框架，作为业内首个原生支持大模型、科学智能创新的AI融合框架，面向大模型及硬件创新，迭代至2.7版本，支持超节点释放极致性能、持续演进，助力大模型训练加速。 昇思MindSpore业务总经理、昇思开源社区理事长丁诚分享了业界软件开源的趋势与昇思开源5年多来的技术成果与生态进展。丁诚指出，人工智能技术迭代速度前所未有，开源共建是加速产业发展的关键路径，这对AI基础软件提出了更开放、更高效、更极致的要求。昇思MindSpore基于技术创新与生态共建双轮驱动，发展1700多个伙伴、打造2700多个行业解决方案，支持50多个国内外主流大模型。 面向开源社区与开发者，MindSpore与业界主要社区如书生社区、启智社区、Gitee等深度协同，共建繁荣开源生态，并支持昇腾-PyTorch适配社区2.7.1版本，复用MindSpore的昇腾亲和能力。昇思开源社区开放治理，持续投入技术专家、算力资源等加大AI人才培养全链路支持，与开发者共成长。 华为AI基础软件科学家、昇思MindSpore首席架构师金雪锋带来了《昇思AI框架亲和昇腾，释放超节点极致性能》主题分享。金雪锋分享了昇思MindSpore的技术竞争力构建进展、昇思超节点亲和架构设计思路与版本计划、路标。 昇思框架技术纵横开展，纵轴南向昇腾亲和加速，实现处理器级、集群级协同，通过静态图整图编译优化和下沉执行、动态图多级流水下发、多维并行、自动策略寻优、不重启快恢等技术，支持大、中、小模型训练加速；北向对接主流生态如vLLM/sglang/ openCompass/ BMTrain/ HuggingFace社区等，实现大模型day0迁移。 面向未来，算力架构的变化将成为AI框架演进的主要因素，昇思将提供声明式多维混合并行能力、计算与状态分离技术、扩展并行架构MPMD等能力，释放超节点极致性能。 随后，上海人工智能实验室大模型中心产品运营负责人葛佳烨在《创新引领，开源助力: 书生大模型携手昇思共建开源开放体系》主题中分享书生大模型体系，InternLM、InternVL、InternThinker、Intern-S1等开源模型。2025年起，书生大模型体系携手昇思，共同赋能社区。书生大模型和昇思联合发布实战营活动，通过学习、打卡、比赛等活动联合培养昇腾AI开发者，共建昇思社区。司南OpenCompass大模型评测体系携手昇思共建开源生态库，欢迎开发者通过社区实习任务共建开源社区。 上海交通大学学生创新中心AI Lab负责人肖雄子彦老师在《基于昇思创新训练营打造AI人才全链路培养》的演讲中，详细分享了上海交大与昇思共同打造的AI人才全链路培养体系，以课赛结合的模式构建人才储备池，并取得了丰硕的成果。未来，双方将继续开展生态合作，共建昇思开源实验室、打造人才成长地图、壮大昇思生态、深化产教融合。未来持续通过长三角昇思创新训练营，帮助学生完成从“学习者”到“共建者”的蜕变。 深圳湾实验室博士后、昇思MindSpore资深开发者刘许晗介绍了自2023年开始使用昇思用于药物化学的人工智能算法库，图神经网络与强化学习算法库以及AI原生的分子对接算法的开发，为昇思贡献大量PR与代码，并积极共建技术SIG，邀请行业头部单位昌平实验室、深圳湾实验室、西湖大学等多所高校科研院所的数十位专家定期开展直播，暑期学校和开源实习辅导。与开源社区合作的MindSpore SPONGE暑期学校已历3年，覆盖3000多位开发者，刘许晗鼓励开发者持续，一起融入、建设开源生态。 以昇思MindSpore为代表的昇腾AI框架始终以不断进化、坚持开放的姿态支持人工智能技术创新，未来，昇思开源社区将继续携手学术界、产业界开发者持续探索AI技术的无尽前沿 --- https://www.mindspore.cn/news/zh/3842/ --- 新闻 OpenBMB 开源社区 BMTrain携手昇思MindSpore，加速大模型高效训练 # OpenBMB 开源社区 BMTrain携手昇思MindSpore，加速大模型高效训练 2025/09/22 # OpenBMB 开源社区 BMTrain携手昇思MindSpore，加速大模型高效训练 近日，全场景AI框架昇思MindSpore与OpenBMB 开源社区推出的高效大模型训练引擎BMTrain进一步达成合作，双方将持续共同推动大模型预训练与微调技术的创新与落地。此次合作旨在将昇思MindSpore AI框架的全场景协同、多维混合分布式并行能力等和BMTrain的高效训练特性结合，为开发者提供高性能、高易用的大模型训练解决方案。 代码链接：https://github.com/OpenBMB/BMTrain/tree/mindspore# 根据双方合作显示，昇思MindSpore与BMTrain将聚焦于大模型训练技术的深度融合。BMTrain作为一款专为大规模模型训练设计的轻量级引擎，其高效的内存管理和分布式优化能力与MindSpore的自动并行、动静统一等特性形成互补。双方将通过接口兼容、联合优化等方式，实现训练成本的大幅降低和开发效率的显著提升。 合作后，开发者可基于MindSpore框架直接调用BMTrain的优化能力，实现训练成本大幅降低，同时支持万亿级参数模型的高效训练。此举将加速大模型在科研与产业界的应用，以及长序列处理、多模态理解等复杂模型场景中发挥关键作用。 昇思MindSpore是支持全自动并行的AI框架，具备动静统一、训推一体核心特性。其支持图算融合、自动微分、多维混合并行等技术，显著提升训练性能。目前，MindSpore已兼容业界主要生态接口，支持LLaMA、Qwen、DeepSeek等超百个主流大模型，并在昇腾AI硬件上实现性能领先。 BMTrain则是一款专注于大模型预训练与微调的轻量级训练引擎，通过动态内存优化、通信压缩和梯度策略创新，大幅降低计算与存储开销。其相比DeepSpeed等框架可节省90%训练成本，同时支持超长序列训练和高效异构计算调度。 未来，双方计划在长序列训练优化、科学智能融合、生态共建等领域深化合作。具体包括结合MindSpore的上下文并行与BMTrain的内存管理，突破万亿Token序列训练瓶颈；拓展AI+科学计算场景，支持生物医药、气象预测等领域的超大模型训练；推动BMTrain与MindSpore社区共享工具链，降低开发者迁移与调优门槛。 此次合作标志着自主创新的AI框架与训练引擎的协同创新进入新阶段，将为全球开发者提供更高效、更经济的大模型基础设施。 --- https://www.mindspore.cn/news/zh/3847/ --- 新闻 2025东湖国际人工智能高峰论坛圆满召开 # 2025东湖国际人工智能高峰论坛圆满召开 2025/09/24 # 2025东湖国际人工智能高峰论坛圆满召开 9月19日，2025东湖国际人工智能高峰论坛在中国光谷科技会展中心圆满召开。大会旨在深入贯彻国家关于加快发展新质生产力的战略部署，积极响应国务院“人工智能+”行动规划，以人工智能核心要素为创新牵引，汇聚产学研用各界力量，共同推动产业高质量发展。 中国科学院院士、国际欧亚科学院院士、地图学与地理信息系统学家周成虎，中国科学院院士、武汉大学教授夏军，中国科学院武汉分院分党组书记、院长李海波，中国科学院自动化研究所纪委书记许冬，全国政协委员、中国科学院计算技术研究所研究员张云泉出席本次论坛。湖北省、武汉市、东湖高新区相关单位负责人、业界专家学者、产学研各界代表齐聚一堂，围绕大模型演进、具身智能、AI for Science及产业发展等前沿议题展开深度交流。 论坛由武汉人工智能研究院、武汉紫东太初科技有限公司、中科武智（武汉）科技投资管理有限公司主办，华为技术有限公司、昇思MindSpore开源社区、海光信息技术股份有限公司、北京首都在线科技股份有限公司协办。 论坛上，紫东太初4.0多模态推理大模型在光谷正式发布。武汉人工智能研究院院长王金桥在发布中介绍，紫东太初4.0具备“边看、边识、边思”的认知能力，在高阶语义理解与推理能力上实现重要突破，技术演进层面完成了从“纯文本思考”、“简单操作带图思考”到“细粒度多模态语义思考”的三重跃迁，迈向通用多模态推理新阶段。 “紫东太初”4.0的发布，也标志着武智院在推动人工智能技术创新和产业发展方面迈出了坚实一步。未来，武汉人工智能研究院将继续遵循“立足武汉、辐射中部、服务全国”的发展方针，以紫东太初多模态大模型为研究基础，形成具有国际先进水平的人工智能应用成果和技术专利，全面赋能区域产业升级，打造全球人工智能产业示范高地。 为推动紫东太初4.0的技术优势转化为实际产业价值，论坛同步宣布“紫东太初云”平台正式发布。 武汉人工智能研究院副院长张家俊表示，紫东太初云是国内首个多模态大模型原生协同云，也是首个全栈国产化万卡智算云。涵盖算力服务、大模型训推、应用开发、具身智能四大核心板块，面向企业提供从算力支撑、平台服务到应用落地的全链路能力。上线后，该平台将运用全栈AI能力深入赋能企业核心业务，立足湖北优势产业打造一批标杆案例，与合作伙伴共同推动大模型能力转化为产业动能，为我国现代感产业体系智能化转型贡献力量。 当下，人工智能已成为激活大数据价值、突破学科研究瓶颈、重塑科研范式的关键力量。活动中，专家们围绕人工智能技术在科研领域的创新应用展开深度研讨，带来理论阐释、成果分享和未来展望。 周成虎院士在《问题图谱研究》主题分享中，系统阐释了AI与科学研究深度融合的必然趋势，并针对当前科学大模型专业技能欠缺、自主能力不足等问题给出解决方案——构建“问题图谱”。他表示，可将知识图谱的思维方式迁移至问题领域，为大模型构建结构化、关联性的关于“问题”的元知识网络，帮助大模型系统性提升学习深度与问题解决能力，推动其成为理解世界、解决问题的“超级大脑”。 夏军院士以《流域模拟器及大模型研发与展望》为题，系统介绍了其团队研发“长江模拟器”的关键成果及应用成效。他表示，长江模拟器的核心目标是“了解过去长江、认识现在长江、展望未来长江”，作为以长江为研究对象、以水循环为纽带的专业系统，它实现了流域自然过程与社会过程的深度耦合，具备监测、模拟、评价、预警、决策支持等多重功能，为长江大保护及流域综合治理提供坚实科技支撑。 为深入探讨AI赋能科研的核心价值与前沿趋势，本次论坛特别设立“AI for Science”圆桌对话环节。特邀武汉人工智能研究院副院长张家俊担任主持人，与五位来自不同领域的知名专家共聚一堂，围绕“人工智能在科研中的代表性成果”“AI4S对研究范式的革新影响”“紫东太初4.0在科研中的潜在应用”等关键议题展开深度交流，为现场观众呈现一场精彩纷呈的思想盛宴。 为推动人工智能技术快速迭代与广泛应用，论坛积极构建学术界、产业界、投资界及用户之间的对接平台，助力“产学研用”深度融合。 全国政协委员、中国科学院计算技术研究所研究员张云泉以《大模型下的算力基础设施新发展》为题进行分享。他指出，中国当前已进入算力经济时代，算力与数据、算法共同构成数字经济时代的关键资源，其经济拉动效应显著。 武汉市气象台台长、正研级高级工程师李武阶带来《大模型赋能气象领域变革》主题分享，揭秘AI在气象领域的应用突破，并系统展望了武汉AI气象发展的未来蓝图。 活动现场，武汉人工智能研究院与武汉市气象局达成合作，携手成立武汉“AI+气象”创新工作室，进一步加强人工智能技术在气象领域的应用。 武汉软件工程职业学院、武汉开放大学党委书记蒋兴鹏以《多模态大模型赋能职业教育新生态》为题，阐述了多模态大模型技术如何赋能职业教育，并介绍了大模型在教学、学习、科研、培训等关键环节的创新应用实践。 现场，武汉人工智能研究院与武汉软件工程职业学院合作成立了职业教育多模态人工智能技术创新中心，探索“AI+”职业技能培训新模式。 校友会是汇聚人才、链接资源的重要纽带。活动现场，“中国科学院大学人工智能校友联合会—光谷”战略合作平台启动仪式同步举行，武汉东湖新技术开发区相关负责人与中国科学院大学校友代表现场签约，携手推动AI人才培养、技术创新与产业落地的深度融合。 论坛上，中科曙光总裁助理、智能计算产品事业部总经理杜夏威以《开放计算 普惠生态》为题，展示了基于AI计算开放架构的产品——曙光AI超集群系统。该系统具备“超高性能、超高效率、超高可靠、全面开放”四大特点，可为万亿参数大模型训练推理、行业大模型微调、多模态大模型开发、AI4S等场景提供高效算力底座，目前已全面适配紫东太初大模型。 首云解决方案总经理许涛围绕《智链全球同征程 开放异构共发展》主题进行分享，阐述了“首都在线”以智算服务赋能算力的实践路径。“首都在线”致力于成为一家覆盖全球的云计算及智算服务的综合服务商，依托智能高效的云端算力服务，以“云+智+网”一体化的发展路径赋能千行百业。 数维塔（湖北）科技有限公司联合创始人龚磊在主题分享中表示，数维塔与武汉人工智能研究院联合打造了AI可信数据空间，并围绕其构建出从数据要素化到场景应用闭环的全栈数据智能服务体系，由官方监管机构提供合规评估服务，为数据注入可信基因。 华为计算产品线昇腾生态发展部AI for Science方向负责人张玉橙以《大模型时代下AI4S的发展与设想》为题，剖析了大模型时代下的AI4S技术路线和AI4S工业界布局，并介绍了昇腾与科研机构联合创新打造的一系列标杆应用。 论坛上，丹江口市人民政府、武汉人工智能研究院和华为技术有限公司宣布共同成立场景化算力中心，旨在推动场景化算力在区域的落地应用，为地方AI基础设施一体化发展奠定基础。 现场，武汉人工智能研究院还与四川并济科技有限公司等5家企业共同启动“十万卡多模态大模型异构智能训练平台”，为大模型技术加速迭代升级提供技术支持。 此外，现场共有28家企业签约成为“紫东太初”生态合作伙伴。“紫东太初”生态合作体系覆盖算力芯片、具身智能、数据智能、行业应用等领域，为合作伙伴提供全链条支持。 论坛现场还举行了授牌仪式，13家多模态人工智能产业联合体新增理事单位、40家新增会员单位获得授牌。多模态人工智能产业联合体由中国科学院自动化研究所与武汉人工智能研究院牵头组建，自2021年12月成立以来已汇聚200余家优秀企业与单位机构。 论坛现场还设置创新科技展区，集中展示人工智能领域的重大创新成果与应用实践。作为链接技术与应用的新型研发机构，武汉人工智能研究院未来将进一步推动产学研用深度融合与协同攻关，持续迭代技术、构建生态、深耕场景，积极推动“人工智能+”与各行各业深度融合，为武汉打造世界级人工智能产业集群提供坚实支撑，为湖北加快建成中部地区崛起的重要战略支点贡献力量。 --- https://www.mindspore.cn/news/zh/3851/ --- 新闻 昇思MindSpore社区祝大家双节快乐 # 昇思MindSpore社区祝大家双节快乐 2025/10/01 # 昇思MindSpore社区祝大家双节快乐 --- https://www.mindspore.cn/news/zh/3852/ --- 新闻 0day同步！昇思MindSpore同步首发Qwen3-VL-30B-A3B-Instruct模型 # 0day同步！昇思MindSpore同步首发Qwen3-VL-30B-A3B-Instruct模型 2025/10/04 # 0day同步！昇思MindSpore同步首发Qwen3-VL-30B-A3B-Instruct模型 10月4日，阿里云发布语言大模型Qwen3-VL-30B-A3B-Instruct，昇思MindSpore在开源当日即实现0day支持。昇思MindSpore通过提供主流生态接口，依托MindSpore One套件，0day完成模型无缝迁移，并上传至开源社区，欢迎广大开发者下载体验！ 昇思开源社区MindSpore One代码仓： https://github.com/mindspore-lab/mindone 魔乐社区昇思MindSpore推理版详细地址： https://modelers.cn/models/MindSpore-Lab/Qwen3-VL-30B-A3B-Instruct **\# 01** **模型介绍** Qwen3-VL — 迄今为止 Qwen 系列中最强大的视觉语言模型。 这一代产品在各个方面都进行了全面升级：更优秀的文本理解和生成、更深的视觉感知和推理能力、扩展的上下文长度、增强的空间和视频动态理解能力，以及更强的代理交互能力。 提供 Dense 和 MoE 架构，可从边缘到云端进行扩展，并提供 Instruct 和增强推理的 Thinking 版本，以实现灵活、按需部署。 **主要增强功能：** - \*\*视觉代理：\*\*操作 PC/移动 GUI — 识别元素、理解功能、调用工具、完成任务。 - \*\*视觉编码增强：\*\*从图像/视频生成 Draw.io/HTML/CSS/JS。 - \*\*高级空间感知：\*\*判断物体位置、视角和遮挡；提供更强的 2D 接地并启用 3D 接地，用于空间推理和具身 AI。 - \*\*长上下文和视频理解：\*\*原生 256K 上下文，可扩展至 1M；处理书籍和数小时长的视频，具有完整的回忆和秒级索引。 - \*\*增强的多模态推理：\*\*在 STEM/数学方面表现出色 — 因果分析和基于逻辑、证据的答案。 - \*\*升级的视觉识别：\*\*更广泛、更高品质的预训练能够“识别一切”——名人、动漫、产品、地标、动植物等。 - \*\*扩展的 OCR：\*\*支持 32 种语言（从 19 种增加）；在低光、模糊和倾斜情况下表现稳健；更好地处理罕见/古代字符和术语；改进了长文档结构解析。 - \*\*与纯 LLM 相当\*\*\*\*的文本理解：\*\*无缝的文本-视觉融合，实现无损、统一的理解。 **\# 02** **Qwen3-VL-30B-A3B-Instruct Mindspore推理指南** ****1、模型下载。**** 执行以下命令为自定义下载路径 \`/mnt/data/Qwen3-VL-30B-A3B-Instruct\` 添加白名单。 `export HUB_WHITE_LIST_PATHS=/mnt/data/Qwen3-VL-30B-A3B-Instruct` 执行以下命令从魔乐社区下载Qwen3-VL-30B-A3B-Instruct 权重文件至指定路径 \`/mnt/data/Qwen3-VL-30B-A3B-Instruct\` 。下载的文件包含模型代码、权重、分词模型和示例代码，占用约 60GB 的磁盘空间，请预留足够空间。 `pip install openmind_hub` `python from openmind_hub import snapshot_download snapshot_download( repo_id="MindSpore-Lab/Qwen3-VL-30B-A3B-Instruct", local_dir="/mnt/data/Qwen3-VL-30B-A3B-Instruct", local_dir_use_symlinks=False ) exit()` **2、快速开始** Qwen3-VL-30B-A3B-Instruct推理需要 2卡 Atlas 800T/800I A2（64G）服务器服务器（基于BF16权重）。昇思MindSpore提供了Qwen3-VL-30B-A3B-Instruct推理可用的Docker容器镜像，供开发者快速体验。 **2.1 停止其他进程，避免服务器中其他进程影响** `pkill -9 python pkill -9 mindie pkill -9 ray` **2.2 下载昇思 MindSpore 推理容器镜像** 执行以下 Shell 命令，拉取推理容器镜像： `docker pull swr.cn-central-221.ovaijisuan.com/mindsporelab/qwen3vl:20250928` **2.3 启动容器** 执行以下命令创建并启动容器（/mnt/data/Qwen3-VL-30B-A3B-Instruct用于存放权重路径，若没有/mnt盘则要修改）： `docker run -it \ --privileged \ --name=Qwen3-VL-30B-A3B-Instruct \ --net=host \ --cap-add=SYS_PTRACE \ --security-opt seccomp=unconfined \ --device=/dev/davinci0 \ --device=/dev/davinci1 \ --device=/dev/davinci_manager \ --device=/dev/hisi_hdc \ --device=/dev/devmm_svm \ --device=/dev/davinci_manager \ -v /usr/local/Ascend/add-ons/:/usr/local/Ascend/add-ons/ \ -v /usr/local/Ascend/driver/:/usr/local/Ascend/driver/ \ -v /usr/local/sbin:/usr/local/sbin \ -v /etc/hccn.conf:/etc/hccn.conf \ -v /mnt/data/Qwen3-VL-30B-A3B-Instruct/:/mnt/data/Qwen3-VL-30B-A3B-Instruct/ \ swr.cn-central-221.ovaijisuan.com/mindsporelab/qwen3vl:20250928 \ /bin/bash` **2.4** **执行如下命令离线推理** 注意：参数image指定本地路径图片。图片可以提前下载到本地，也可以是网上图片链接，确保服务器网络正常。 输出英文描述命令： `msrun --worker_num=2 --local_worker_num=2 --master_port=8118 --log_dir=msrun_log --join=True --cluster_time_out=300 /workspace/mindone/examples/transformers/qwen3_vl/generate_qwen3_vl_moe.py --model_name /mnt/data/Qwen3-VL-30B-A3B-Instruct --image /mnt/data/1.jpg --prompt "Describe this image."` 输出中文描述命令： `msrun --worker_num=2 --local_worker_num=2 --master_port=8118 --log_dir=msrun_log --join=True --cluster_time_out=300 /workspace/mindone/examples/transformers/qwen3_vl/generate_qwen3_vl_moe.py --model_name /mnt/data/Qwen3-VL-30B-A3B-Instruct --image /mnt/data/1.jpg --prompt "请描述这张图片"` --- https://www.mindspore.cn/news/zh/3855/ --- 新闻 Nature子刊收录，部分性能超越AlphaFold3！基于昇思打造的蛋白质复合物结构预测模型GRASP亮相 # Nature子刊收录，部分性能超越AlphaFold3！基于昇思打造的蛋白质复合物结构预测模型GRASP亮相 2025/10/11 # Nature子刊收录，部分性能超越AlphaFold3！基于昇思打造的蛋白质复合物结构预测模型GRASP亮相 2025年9月，国际顶级期刊《Nature Methods》发表了来自北京昌平实验室、北京大学前沿交叉学科研究院等团队的重磅研究成果——蛋白质复合物结构预测模型GRASP。这项研究由高毅勤教授团队领衔，联合北京大学生命科学学院、化学与分子工程学院及华为技术有限公司昇思MindSpore AI4S团队共同完成，论文的发表标志着中国科学家在AI+生物计算领域取得突破性新进展。 论文地址： nature.com/articles/s41592-025-02820-1 该论文提出的GRASP模型通过直接整合多种实验约束信息，显著提高了蛋白质复合物结构预测的准确性和可靠性。GRASP在处理模拟和真实世界的实验约束方面表现出色，特别是在抗体-抗原复合物预测中超越了现有的AlphaFold3。 GRASP还可以作为综合建模工具，结合多种实验信息进行复杂的约束建模。未来的工作将进一步优化GRASP的集成策略，以解决更具挑战性的应用场景。 **\# 01** **核心创新：实验数据与AI的深度耦合** GRASP的核心突破在于首创"实验约束引导AI预测"的范式： 1\. 数据转化技术：将交联质谱（XL-MS）、深度突变扫描（DMS）等稀疏实验数据转化为残基对限制（RPR）和界面限制（IR），通过修改AlphaFold-Multimer的注意力机制实现精准嵌入 。 2\. 抗噪系统：开发迭代噪声过滤算法，可自动识别并剔除错误实验数据（如误差超过30%的XL-MS数据） 。 3\. 多模态融合架构：支持冷冻电镜密度图、化学位移扰动等6类实验数据混合输入，首次实现"低分辨率实验+高精度AI"的协同建模 。 **\# 02** **部分创新场景性能倍级领先AlphaFold3** GRASP 在部分公开测试中表现优异： 1\. 在界面基准测试中，GRASP方法表现全面最佳。其效率极高，仅需引入两个跨链接触约束，就能将DockQ评分提升至0.35，并使过半样本达到可接受水平。 2\. GRASP在XL、CL、CSP约束数据实验中，对低覆盖率或高噪声的各类实验数据中均表现稳健，性能显著优于其他方法。 3\. 在抗原-抗体预测上，GRASP在深度突变扫描数据中展现出卓越性能与强鲁棒性，预测成功率与精度均大幅领先AlphaFold3结果23%-38%。 这项研究不仅突破了AlphaFold系列的部分技术瓶颈，也丰富了实验科学与AI协同的新范式，未来将有望在生物医药领域取得重要应用。 --- https://www.mindspore.cn/news/zh/3864/ --- 新闻 昇思同路人第二期： 从开源共建到桃李满园：一位昇思布道师的四重角色演进 # 昇思同路人第二期： 从开源共建到桃李满园：一位昇思布道师的四重角色演进 2025/10/16 # 昇思同路人第二期： 从开源共建到桃李满园：一位昇思布道师的四重角色演进 AI框架“群星崛起”的时代，总有一批先行者，他们不仅是技术的使用者，更是生态的奠基人。西安交通大学软件学院的魏星副教授，便是这样一位在昇思MindSpore发布之初便毅然投身其中的“开拓者”。从2020年那个金秋的v1.0版本至今，**魏星老师在社区代码贡献、教学、比赛、科研，再到开发者布道师培养等多领域全面开花**，他与MindSpore的故事，便是一段关于**热爱、坚持与传承**的佳话。 魏星，西安交通大学软件学院副教授、博士生导师，主要研究方向为人工智能、计算机视觉和机器学习。在相关领域发表学术论文80余篇，其中10篇代表性工作在顶级学术会议上获口头汇报或亮点展示。2021年入选华为昇腾专家，昇腾/昇思国产AI软硬件生态系统的核心开发者，为核心开发工具链和MindSpore AI计算框架提出了多项改进建议。主持中国人工智能学会-MindSpore学术基金，多次指导学生在科技创新竞赛中获奖。曾荣获首届“昇腾众智星光奖”、“MindSpore开源社区卓越指导教师奖”，受邀在“华为伙伴暨开发者大会”上作主题报告。**2025年入选全球前2%顶尖科学家榜单。** # **\# 01** **初识与共建——从“众智”任务到核心贡献者** **2020年10月**，MindSpore正式发布1.0版本。彼时，魏星老师敏锐地察觉到这一AI框架的潜力。2021年初，他带领团队积极响应“OpenI启智&MindSpore集结号”号召，成为首批深度参与者。 硕果累累的贡献：在“众智”等项目的推动下，魏星老师团队累计投入大量人次，成果斐然。在**模型层**，他们从零开始参与**MindSpore CV套件**的设计与构建，完成**20+**个模型结构定义和**45+**相关规格的精度调优，并利用A+M亲和训练策略、混合精度、数据下沉等关键技术实现套件在CV领域关键模型**精度性能**领先。在**算子层**，他们的性能分析与开发工作，为MindSpore对接更高效的算子库奠定了坚实基础。 **坚定的选择：**当被问及为何选择MindSpore时，魏星老师坦言，除了其**适配昇腾\*\*\*\*硬件**的天然优势外，更看重其开放共建的社区氛围和长远的发展潜力。这一选择，也为他后续的教学、科研与竞赛指导铺设了统一的技术基石。 \*\*人才的摇篮：\*\*更为可贵的是，通过“众智”项目孵化的多名学生，如钱博、梁诗怡、林桐等，已成长为MindSpore开源社区的活跃中坚力量，实现了从“参与者”到“贡献者”的华丽转身，完美诠释了社区传承的精神。 # **\# 02** **播种与布道——将MindSpore融入AI教育血脉** 魏星老师深知，生态的繁荣离不开人才的培养。他将从社区获得的宝贵经验，系统性反哺于教学，并在人工智能框架生态峰会2023中被MindSpore社区授予卓越指导教师奖。 \*\*课程改革先锋：\*\*作为“智能基座2.0”的积极实践者，他将MindSpore深度融入《人工智能导论》、《工程伦理》等多门本硕课程，**每年开课超过200课时，覆盖学生超1000人**。他主导开发的一系列基于MindSpore的教学案例，如PointNet、Transformer等模型实现，均已开源贡献给社区，惠及更多师生。 \*\*师资培训的布道师：\*\*他不止步于校内课堂，更在全国高校计算机类课程能力提升高级研修班上担任讲师，向60余位教师分享“MindSpore CV套件与大模型实践”，将一线开发经验与教学心得无私传递，点燃了更多高校教师使用MindSpore的火种。 **毕业设计的创新平台**：在他的指导下，学生的毕业设计课题，如《三维点云分割算法研究与MindSpore实现》、《基于弱监督学习的异常检测方法》等，均以MindSpore为实现框架，体现了学以致用、面向前沿的培养理念。 # **\# 03** **挑战与探索——在科研与竞赛中突破边界** 魏星老师带领学生不断在各大顶级赛事中锤炼技术，验证MindSpore的强大能力。 **前沿科研**：依托“**中国人工智能学会-MindSpore学术基金**”，他开展了“基于MindSpore的上下文学习方法”等前沿研究致力于构建基于上下文提示的开放视觉理解框架，融合语言先验知识，打造兼具泛化能力与解释性的统一视觉感知体系。核心研究包括两方面：首先，通过冻结大规模语言模型作为语义基准，结合知识蒸馏与跨模态对齐算法，构建多模态语义空间，实现视觉特征与语言语义在全局与局部的精准对齐，提升视觉模型的语义理解与泛化能力。其次，提出基于交互式提示（框、点等）的开放目标检测方法，突破传统检测对预定义类别的限制，支持未见类、长尾类及跨领域目标的灵活识别与定位。**从语义对齐到提示驱动检测，项目构建了统一的视觉理解框架，为开放域视觉任务提供\*\*\*\*创新解决方案，并完成了实际应用场景的落地。** **大赛夺魁**：魏星老师带领团队将科研成果进一步优化，在华为ICT大赛创新赛中，其团队作品“Edge-ARTrack”荣获全国一等奖的好成绩。该作品是一种基于 MindSpore 框架设计的轻量化目标追踪算法，采用纯编码器结构，并通过自回归方式进行轨迹建模，专为边缘计算场景优化设计。针对边缘设备在算力和功耗方面的限制，针对性提出了轨迹序列特征蒸馏策略，在保持高效时序建模能力的同时实现模型压缩；同时，引入全局模板剪枝策略，在不增加额外运行时计算的前提下，有效去除模板中的背景冗余信息，提升计算效率。这两项核心优化策略的结合，使得Edge-ARTrack 在性能与效率之间实现了良好平衡，能够在低计算成本下实现高效、稳定的目标追踪。该方案已成功部署在边缘设备香橙派 AIpro 上，支持任意目标的实时追踪。除此之外，团队在KADC上举办的昇腾AI创新大赛——算子挑战赛中同样表现卓越。 # **\# 04** **见证与展望——与昇思生态共成长** 回顾与MindSpore共同走过的数年，魏星老师是其飞速发展的亲历者与见证人。他深切感受到MindSpore在**动态/静态图混合编程稳定性**上的巨大提升， 2023年v2.0版本后， Graph模式的自动优化（如算子融合、内存复用）显著提升训练效率，尤其在大规模分布式训练中表现更稳定。在代码迁移场景中混合模式的灵活性让能快速调试模型，同时通过Graph模式释放性能。 以及其**围绕昇腾硬件的底层优化和端边云协同能力**的持续增强。这些迭代让科研与教学流程愈发顺畅。 同时，他也期待MindSpore在**非昇腾硬件性能优化、PyTorch模型迁移工具、调试体验和文档指南**上能更进一步。展望未来，他计划利用MindSpore框架进行更多边缘计算（如香橙派）领域的科研探索与落地应用。 # **\# 05** ****结语：星光不负赶路人**** 从最初的代码贡献者，到如今的AI教育播种者与社区布道师，魏星老师的角色在不断演进，但初心未改。他就像一颗引力强大的“星”，吸引并带领着更多年轻学子汇入昇思MindSpore这片广阔的“星图”。他的故事证明，**个人的深度参与与无私传承，正是开源生态最具活力的源泉**。在AI发展的长征路上，正是有无数个如魏星一般的“点灯人”，才让前路星光璀璨，未来可期。 --- https://www.mindspore.cn/news/zh/3873/ --- 新闻 社区月报 | Nature子刊收录，基于昇思打造的蛋白质复合物结构预测模型GRASP亮相，快速支持主流模型 # 社区月报 | Nature子刊收录，基于昇思打造的蛋白质复合物结构预测模型GRASP亮相，快速支持主流模型 2025/10/23 # 社区月报 | Nature子刊收录，基于昇思打造的蛋白质复合物结构预测模型GRASP亮相，快速支持主流模型 **_昇思MindSpore2025年9月份总结_** **一、概述** 2025年9月，昇思MindSpore开源社区持续保持着高速发展的态度，在技术创新、社区运作等方面都取得了显著的成果。 在技术进展方面，国际顶级期刊《Nature Methods》发表了基于昇思打造的蛋白质复合物结构预测模型GRASP，该模型显著提高了蛋白质复合物结构预测的准确性和可靠性，在抗体-抗原复合物预测中超越了现有的AlphaFold3。 其次昇思MindSpore基于昇腾硬件通过提供主流生态接口，依托MindSpore Transformers套件，支持Qwen3-Next-80B-A3B系列模型，并上传至开源社区。 最后，昇思MindSpore与OpenBMB开源社区推出的高效大模型训练引擎BMTrain进一步达成合作，双方将持续共同推动大模型预训练与微调技术的创新与落地。 在社区活动方面，昇思亮相GOSIM 2025，分享SGLang支持方案与算子自动生成技术，并在昇腾AI框架专题论坛中分享AI框架最新进展，通过模型开发挑战赛活动推动AI技术在不同场景中的深度应用，助力开发者成长。在开发者培养方面，昇思MindSpore创新训练营、大模型课程、开源实习招募，在校学生可通过强实践、重前沿的课程深度学习和完成实际任务获得积分与实习证明。 以下是9月昇思MindSpore社区进展的详细报告。 **二、社区规模** 截至9月底，昇思MindSpore面向全球开发者，凝聚产业力量，持续打造人工智能创新之源。社区秉持开放透明原则，稳步建设开源生态，规模和活跃度得到持续提升。 社区发展了\*\*4.9万+\*\*核心贡献者； 累计产生ISSUE共**43.1\*\*\*\*K**、PR共**119K**。 **三、社区大事件** \*\*1、\*\***昇思MindSpore基于昇腾硬件快速支持Qwen3-Next-80B-A3B系列模型，内附教程4步实现推理！** 9月11日，阿里云发布语言大模型Qwen3-Next-80B-A3B-Instruct和Qwen3-Next-80B-A3B-Thinking，昇思MindSpore AI框架在模型开源当日即实现快速支持。昇思MindSpore基于昇腾硬件通过提供主流生态接口，依托MindSpore Transformers套件，快速完成模型无缝迁移，并上传至开源社区，欢迎广大开发者下载体验！ 昇思开源社区MindSpore Transformers代码仓： https://gitee.com/mindspore/mindformers 魔乐社区vLLM-MindSpore推理版地址： https://modelers.cn/models/MindSpore-Lab/Qwen3-Next-80B-A3B-Thinking https://modelers.cn/models/MindSpore-Lab/Qwen3-Next-80B-A3B-Instruct \*\*2、\*\*****昇思亮相GOSIM 2025，分享SGLang支持方案与算子自动生成等最新技术进展**** 2025年9月13-14日，GOSIM HANGZHOU 2025在杭州成功举办。本次大会汇聚了1500多名开发者和100多位海内外专家，围绕开源与AI技术展开深入交流。昇思MindSpore开源社区在此次盛会上精彩亮相，分享SGLang支持方案与算子自动生成等技术创新成果，展示昇思全栈能力，获得与会者的关注。 \*\*3、\*\***OpenBMB 开源社区 BMTrain携手昇思MindSpore，加速大模型高效训练** 全场景AI框架昇思MindSpore与OpenBMB 开源社区推出的高效大模型训练引擎BMTrain进一步达成合作，双方将持续共同推动大模型预训练与微调技术的创新与落地。此次合作旨在将昇思MindSpore AI框架的全场景协同、多维混合分布式并行能力等和BMTrain的高效训练特性结合，为开发者提供高性能、高易用的大模型训练解决方案。 代码链接：https://github.com/OpenBMB/BMTrain/tree/mindspore# \*\*4、\*\*****Nature子刊收录，部分性能超越AlphaFold3！基于昇思打造的蛋白质复合物结构预测模型GRASP亮相**** 2025年9月，国际顶级期刊《Nature Methods》发表了来自北京昌平实验室、北京大学前沿交叉学科研究院等团队的重磅研究成果——蛋白质复合物结构预测模型GRASP。这项研究由高毅勤教授团队领衔，联合北京大学生命科学学院、化学与分子工程学院及华为技术有限公司昇思MindSpore AI4S团队共同完成，论文的发表标志着中国科学家在AI+生物计算领域取得突破性新进展。 该论文提出的GRASP模型通过直接整合多种实验约束信息，显著提高了蛋白质复合物结构预测的准确性和可靠性。GRASP在处理模拟和真实世界的实验约束方面表现出色，特别是在抗体-抗原复合物预测中超越了现有的AlphaFold3。 论文地址：nature.com/articles/s41592-025-02820-1 **四、社区动态** \*\*1、\*\***释放超节点极致性能、共建繁荣开源生态——昇腾AI框架论坛成功举办** 2025年9月19日，昇腾AI框架专题论坛顺利举办。该论坛聚焦大模型与科学智能创新成果，汇聚上百位技术领袖、社区运营专家、模型开发者演讲、参会，共同分享AI框架领域技术发展趋势与生态建设成果。 昇思MindSpore AI框架作为业内首个原生支持大模型、科学智能创新的AI融合框架，面向大模型及硬件创新，迭代至2.7版本，支持超节点释放极致性能、持续演进，助力大模型训练加速。 \*\*2、\*\***大模型课程 | MindSpore 带你掌握大模型训练-推理-调优全链路** MindSpore大模型全流程应用系列课程，是基于MindSpore Transfoemers打造的大模型课程。本课程带你从0到1完成预训练、微调、推理部署与高阶调优，并提供开箱即用的云端实验环境，无缝支持Hugging Face/vLLM/Megatron-LM生态融合。 \*\*3、\*\***昇思模型开发挑战赛已启动！一起参加S1赛季挑战冲击金奖吧！ | 昇腾AI创新大赛** 昇腾AI创新大赛是面向AI开发者打造的顶级赛事，旨在鼓励产业开发者基于昇腾AI技术和产品，探索模型算法、算子、加速库等融合创新和性能优化，加速A1与行业融合，促进开发者能力提升。昇思模型开发挑战赛作为昇腾AI创新大赛系列赛事之一，旨在培养昇思MindSpore开发者，鼓励开发者基于昇思MindSpore进行模型&算法创新与实践，丰富生态。 \*\*4、\*\***昇思MindSpore创新训练营在上海交大成功举办，助力长三角AI人才培养** 2025年9月10日~12日，由上海交通大学、华为技术有限公司以及昇思MindSpore开源社区联合主办的“昇思MindSpore创新训练营”在上海交通大学成功举行。 本次训练营聚焦人工智能与大模型技术前沿，旨在通过系统化的课程学习、实战演练与产业对接，培养具备创新能力和工程实践能力的复合型AI人才，吸引了来自长三角地区多所高校的100余名学生踊跃报名，经过前期筛选，最终60名优秀学子获得线下参与资格。 \*\*5、\*\***昇思社区携手司南社区联合打造昇思MindSpore开源实习-司南专辑** 昇思社区携手司南社区联合打造的昇思MindSpore开源实习-司南专辑迎接您的挑战！一次任务，多方学习！完成任务累计积分可获得实习薪资（达成20分）与实习证明（达成60分）快来一起看看吧。本次实习任务分为两个方向： 1、携手司南社区，打造vllm-mindspore和OpenCompass的对接，并实现主流多模态的推理部署和评测。 2、携手司南社区，应用MindSpore Transformers ，vllm-mindspore和OpenCompass实现主流LLM模型的微调，推理部署和评测。 **五、社区案例** \*\*1、\*\***四川美术学院吕曦：基于昇思MindSpore的AI+艺术创新应用探索** 昇思MindSpore与四川美术学院设计学院携手，依托教育部产学合作协同育人项目——“基于昇思MindSpore的AI+艺术创新应用探索研究”，聚焦人工智能与视觉艺术的深度融合，以“AI+汉字艺术”为实践核心，构建了产学研跨学科协同创新的典范。项目基于昇思MindSpore AI框架，开发了CycleGAN风格迁移神经网络，实现了AI技术与字体设计的有机结合，形成了核心成果产出“竹叶体”与“竹叶风格字体生成器——竹·书”。 \*\*2、\*\***AIGC背景下基于昇思MindSpore的川西南纸本经图修复与重塑** 针对川西南纸本经图模糊、破损等问题，基于图像生成技术的快速发展，以及对文物保护和修复工作的迫切需求，本项目设计了图像预处理、线稿提取、填色再绘和3D建模的技术路线来进行数字化图像修复。通过 昇思MindSpore 全场景AI框架的高效算力支持和算法优化能力，结合多模态生成技术，实现了从图像预处理、线稿提取、自动填色到三维建模的全流程智能化重建。 **六、技术分享** **1、Bark模型论文解读，并基于MindSpore NLP推理复现** **2、RelTR模型论文解读，并基于MindSpore NLP推理复现** **3、Bert-generation模型论文解读，并基于MindSpore NLP推理复现** **4、昇思同路人第一期：安德医智CTO与MindSpore同路的六年** **5、MindSpore SafeTensors 技术详解：高效模型存储与懒加载机制** **七、**感谢每一位朋友、开发者的支持**** 在此感谢社区伙伴们、可爱的小孢子们以及昇思MindSpore SIG组成员们，因为大家的共同努力及辛勤奉献，昇思MindSpore才能不断成长与发展！同时我们对可能出现的不完善之处向您表示诚挚的歉意，并衷心感谢您的理解与支持。 未来，昇思MindSpore AI框架将持续致力于打造人工智能创新之源，凝聚产业力量，扎根AI根技术，使能大模型与科学智能，成为AI创新的首选框架。 --- https://www.mindspore.cn/news/zh/3874/ --- 新闻 昇思同路人第三期：代码贡献超1.7万，ICT大赛全球特等奖！李永康的昇思MindSpore成长之旅 # 昇思同路人第三期：代码贡献超1.7万，ICT大赛全球特等奖！李永康的昇思MindSpore成长之旅 2025/10/24 # 昇思同路人第三期：代码贡献超1.7万，ICT大赛全球特等奖！李永康的昇思MindSpore成长之旅 大二时，来自华中科技大学的李永康还是昇腾众智项目中的一名新人，首次接触昇思MindSpore；两年后，他已成为开源之夏导师，指导其他开发者在项目中基于昇思MindSpore进行开发实践。他是昇思MindSpore社区的积极贡献者，本科阶段便贡献了超过1.7万行代码；他还是一名经验丰富的技术开拓者，在全球顶级赛事中斩获荣誉，满载而归；同时，作为昇思MindSpore的布道师，他在昇思创新训练营、昇思MindSpore学习打卡营、华为ICT大赛赋能等多项活动中担任讲师，分享自己的开发经验。那么，他是如何完成从学习者到贡献者，再到传播者的华丽蜕变的呢？今天，让我们一起走进他的故事。 李永康，华中科技大学研究生，华为ICT大赛昇腾AI实践赛全球特等奖得主，华为开发者布道师，昇思MindSpore布道师，昇腾优秀开发者——最佳贡献奖，昇腾众智开发者，教育部——华为“智能基座”未来之星。他曾在昇腾AI创新大赛-昇思MindSpore数据打榜赛中荣获银奖，并在昇思MindSpore开源实习项目中被评为优秀实习生，为MindSpore NLP贡献了多个模型和算法。 # **\# 01** **初识昇思MindSpore：挑战与突破** 李永康和昇思MindSpore的初遇发生在“众智计划“项目中，回忆起首次接触昇思MindSpore的情景，李永康坦言：“当时要求在昇腾硬件上完成模型从PyTorch或TensorFlow到MindSpore的迁移。MindSpore和PyTorch比较相近，但和TensorFlow差距比较大，所以我们也对TensorFlow的写法进行了学习，然后再迁移到MindSpore。” 迁移过程并非一帆风顺。团队遇到了内存泄漏问题，后来发现是构建网络的写法有误。“MindSpore需要将网络封装成class，这和当时我们的开发习惯不太一样，封装成类之后就解决了。” 另一个挑战是性能优化。“当时强化学习依赖CPU进行推理，同时通过GPU并行训练，但实践过程中发现CPU上的性能较慢。我们通过查阅文档、线上交流，发现可以通过昇思MindSpore的set\_context接口，调整其中CPU线程池这一不太常用的参数来进行优化。”通过调整线程数、限制CPU进程数量以及进行CPU绑核，团队最终解决了性能问题。 # **\# 02** **多线作战：技术竞赛与社区贡献的平衡之术** 凭借项目中积累的技术经验，李永康带领团队参加了昇腾AI创新大赛2023-昇思MindSpore数据打榜赛道，赛题要求选手根据提供的雨天场景图像数据，基于昇思MindSpore开发可去雨的算法模型，最终比拼模型在测试集的得分。团队最终选择基于昇思MindSpore实现了DeepLabV3+模型，并迁移了AugSeg的算法对模型进行半监督训练，实现了精度的进一步提升，最终斩获银奖。 同时，李永康还在昇思MindSpore开源实习项目中贡献力量，为MindSpore NLP套件实现了多个模型和算法，并深度参与了套件PEFT特性的构建。这些经历为后续各大领域大模型应用打下坚实基础。此后，在第八届华为ICT大赛实践赛——昇腾AI赛道中，面对同样提升模型精度的挑战，他作为团队核心成员，提出通过其他模型对原始数据进行打分筛选，从而挑选出更优质、更易于模型学习的数据，以训练出更好效果的模型。经过层层考验，李永康和团队在中国区总决赛中荣获一等奖，并成功晋级全球总决赛，最终摘得全球特等奖。 这一系列成就也为他赢得了昇腾优秀开发者——最佳贡献奖的殊荣。 当被问及如何兼顾学业、比赛和实习时，李永康表示：“我本身就是一个高精力的人，但这并非指盲目地消耗自己，而是我找到了让不同事项相互促进的方法。” “在众智项目中积累的昇思MindSpore实战经验，成为了我征战昇腾AI创新大赛和华为ICT大赛最坚实的技术底牌；而在开源实习中为MindSpore NLP套件贡献PEFT算法的经历，也恰好成为我后来在昇思MindSpore创新训练营中讲授微调课程的宝贵素材。” “而布道师的身份，则倒逼我将碎片化的知识系统化，从而对技术原理有了更深刻的理解。通过这种方式，我不仅自己得到了成长，也能够帮助他人理解和应用这些技术。由此看来，这些经历相互促进，互为助力，最终形成了一个良性循环，推动我不断前行。” # **\# 03** **从开发者到布道师的蜕变** 积累了丰富经验后，李永康没有止步于技术探索。他成功通过选拔，成为一名**昇思MindSpore布道师**，开始了技术推广的新征程。 作为布道师，他 - 担任2024年**开源之夏昇思MindSpore项目导师**，招募并指导2位开发者完成项目开发 - 成为**2024年昇思MindSpore创新训练营（华中站）唯一的学生讲师**，讲授《Parameter-Efficient Fine-Tuning》课程 - 多次在华为ICT大赛赋能讲座、高校宣讲活动中分享经验 - 担任昇思MindSpore学习打卡营讲师，讲授大模型微调实战 “刚开始做讲师还是有点紧张的，”李永康回忆道，“但看到能帮助大家快速上手MindSpore，这种成就感是无可替代的。” # **\# 04** ****展望未来**** 从最初的紧张稚嫩，到如今站在讲台上自信布道，李永康完成了从昇思MindSpore开发者到布道师的完美蜕变。 他坚信：“随着昇思MindSpore生态的持续推广，未来，它们必将成为更多开发者的首选AI框架。” 而他也将继续为这一生态的繁荣贡献力量，用自己的热忱点燃更多人的AI梦想。 --- https://www.mindspore.cn/news/zh/3876/ --- 新闻 昇思MindSpore Lite提供高性能、低时延推理能力，支撑小艺方言自由说、AI人像精修等卖点HarmonyOS 6.0发布 # 昇思MindSpore Lite提供高性能、低时延推理能力，支撑小艺方言自由说、AI人像精修等卖点HarmonyOS 6.0发布 2025/10/27 # 昇思MindSpore Lite提供高性能、低时延推理能力，支撑小艺方言自由说、AI人像精修等卖点HarmonyOS 6.0发布 HarmonyOS 6.0于10月22日正式发布，昇思MindSpore Lite作为HarmonyOS AI子系统AI框架，构建多维并行切分、NPU亲和融合大算子等关键技术，提供高性能、低时延的推理能力，支撑小艺方言自由说、AI人像精修、魔法移物等卖点特性上线，助力打造智能无处不在的HarmonyOS 6.0。 MindSpore Lite语音合成实时推理，首响时延降低15%+，支撑小艺方言自由说2.0上线。 MindSpore Lite图像生成高性能推理，性能提升20%，支撑小艺人像精修、魔法移图上线。 HarmonyOS 6 那些让人眼前一亮的 AI 体验 —— 无论是 “超能小艺” 精通多种方言，AI修图让普通人变身影像大师的惊喜，还是守护隐私的本地智能计算安全感，背后都藏着同一个 “智能引擎”——MindSpore Lite。正是这款引擎以汇编级优化释放全硬件算力的极致性能、以轻量化压缩技术适配多设备场景、以全框架兼容能力打破开发壁垒，才让鸿蒙的智能体验真正落地生根。 而这样的硬核能力，从不是开发者触不可及的技术高地。MindSpore Lite 早已为你扫清障碍：无需深陷复杂配置，从主流模型快速转成适配格式，到调用 API 完成推理部署，每一步都清晰高效。现在，就跟着下面这份上手指南，亲手开启构建智能应用的大门，让你的创意快速生长为用户看得见的智慧体验！ # **\# 01** **MindSpore Lite技术特点** 1、端云一站式推理部署 提供模型转换优化、部署和推理端到端流程。 统一的IR实现端云AI应用一体化。 2、超轻量 支持模型量化压缩，模型更小跑得更快。 提供超轻量的推理解决方案MindSpore Lite Micro，满足智能手表、耳机等极限环境下的部署要求。 3、高性能推理 自带的高性能内核计算库NNACL，支持CPU、Ascend等专用芯片高性能推理，最大化发挥硬件算力，最小化推理时延和功耗。 汇编级优化，支持CPU、NPU等多硬件异构调度，最大化发挥硬件算力，最小化推理时延和功耗。 4、广覆盖 支持服务端Ascend、CPU等多硬件部署。 支持鸿蒙、Android手机操作系统。 # **\# 02** **进一步了解MindSpore Lite** 如果您想要进一步学习和使用 MindSpore Lite，可以参考以下内容： **MindSpore Lite SIG主页：**https://gitee.com/mindspore/community/tree/master/sigs/mindspore-lite **MindSpore Lite 仓库地址：**https://gitee.com/mindspore/mindspore-lite **MindSpore Lite 文档地址：**https://www.mindspore.cn/lite/docs/zh-CN/master/index.html **HarmonyOS开发者社区MindSpore Lite Kit主页：**https://developer.huawei.com/consumer/cn/sdk/mindspore-lite-kit --- https://www.mindspore.cn/news/zh/3896/ --- 新闻 昇思同路人第四期：以昇思为桥，育AI之才：朱光辉老师的产教融合之路 # 昇思同路人第四期：以昇思为桥，育AI之才：朱光辉老师的产教融合之路 2025/11/04 # 昇思同路人第四期：以昇思为桥，育AI之才：朱光辉老师的产教融合之路 朱光辉，南京大学计算机学院特聘研究员、准聘助理教授、博士生导师，华为“难题揭榜火花奖”获得者，英特尔中国学术英才计划荣誉学者，教育部-华为“智能基座”先锋教师与栋梁之师，担任CCF大数据专家委员会和CCF人工智能与模式识别专委会执行委员，江苏省计算机学会大数据专委会秘书长，CCF YOCSEF南京现任主席，研究方向为大数据与智能计算，已在ICML、NeurIPS、ICLR、KDD等国内外一流会议/期刊发表论文30余篇，长期担任国内外顶级会议/期刊审稿人，出版“101计划”核心教材1本。AutoML自动化机器学习领域的研究成果已在NeurIPS、KDD等国际顶级学术会议组织的AutoML大赛中，6次获得前三名，并荣获第五届中国“互联网+”大学生创新创业大赛全国金奖，入选南京大学120周年校庆重点成果展，相关技术已落地应用于华为、奇虎360、中电科等IT企业。 # **\# 01** **缘起：请进来走出去，知其然更知其所以然** 和众多昇思MindSpore的先行者一样，朱光辉老师在2021年众智计划中，带领团队在昇腾硬件基于昇思MindSpore完成了DETR、PVANet、BigGAN模型的训练和推理开发，由此和昇思MindSpore结下了不解之缘。自2022年开始，朱光辉老师便参与到“智能基座”产教融合项目中，基于昇思MindSpore在南京大学开展计算机系统类核心课程 —— 《智能计算系统课程》，讲解AI时代下从上层模型的构建到底层执行逻辑的全栈知识。 谈及选择昇思MindSpore作为教学用框架，朱光辉老师表示除了拥抱国产化全栈自主可控的因素外，也因为昇腾和昇思MindSpore在生态投入了很多的力量，老师们可以把遇到的问题反馈到社区，或在社区分享教学和实践优秀案例，促进相互间的交流。产业界技术专家“请进来”，高校教师“走出去”。朱光辉老师在邀请昇思MindSpore布道师和技术专家走进课程，与同学面对面交流的同时，本人也在积极参与研修班、技术培训班，保持与产业界的紧密互动与交流，了解产业最新技术，不断完善课程与实验内容的设计与优化。 和常见的AI课程不同，朱光辉老师并不满足于让同学快速上手掌握昇思MindSpore的实践使用，他更关注的是昇思MindSpore作为一个计算框架的底层原理，例如：如何进行并行训练，如何实现自动微分，如何进行软硬件协同优化等等。朱光辉老师相信，除了应用和算法以外，同学们同样需要学习系统方面的知识，做到“知其然更知其所以然”，才能更好地以一个更全面的视角看待AI的技术落地。 授课过程中，朱光辉老师也会设计课程实践作业，将其在校内平台或者昇思MindSpore开源实习中发布，鼓励同学在实践郭崇中积累实践，从课程内容出发多加思考。在2024年面向大三学生的授课中，共有106位同学提交了实践作业，有些同学从中获得启发，将课程作业进一步优化，作为了自己的毕业设计作品。 这套内容完备、体系丰富的课程广受认可。其配套课件成功入选智能基座优秀课件奖励计划，相关实验案例也斩获了第八届全国计算机类课程实验教学案例设计竞赛二等奖。朱光辉老师还受邀在第六届中国计算机教育大会 “智能计算系统” 论坛，就昇腾 AI 产教融合实践作专题报告。 # **\# 02** **深耕：以实践促教学，以竞赛促实践** 基于《智能计算系统》课程知识和实践经验，朱光辉鼓励并指导同学们参与到昇腾AI创新大赛、昇腾AI原生创新算子挑战赛以及2024年全国大学生计算机系统能力大赛-智能系统创新设计赛等诸多赛事中，旨在让同学们通过比赛的磨练，进一步提升AI实践与应用能力，同时可以将比赛中孵化的优秀项目融入到后续的教学实验案例中，形成闭环。在朱光辉老师的指导下，团队基于昇思 MindSpore 完成手语识别模型的训练工作，并对模型进行压缩量化处理后部署至开发板。该应用可接入视频流，将用户的手语实时转换为连续文本，最终在 2024 昇腾 AI 创新大赛开发者创新赛道江苏赛区斩获银奖。 除此之外，朱光辉老师也参与到了第九届华为ICT大赛教学赛中，凭借“基于昇思MindSpore和Transformer的武侠小说续写模型训练与推理”的优质教学实践案例，荣获中国总决赛实验教学案例赛项高教组二等奖。 该实践案例要求同学基于昇思MindSpore搭建简易版LLaMA模型，并使用《金庸武侠小说》作为语料库，在昇腾硬件上完成预训练和推理。整个实验覆盖了从武侠小说数据预处理，到模型构建，再到模型训练推理，最终完成性能优化的端到端流程。既让同学熟悉了主流的decoder-only类模型结构，又让同学从工程角度对模型训推的优化有了更加深刻的认识。 课程实践中，同学们交出了许多亮眼成果。有同学以“朱光辉老师”为提示词，撰写了一段金庸武侠风的朱老师“江湖行”。 还有同学更进一步，深耕模型训练与推理的效率优化方向，同时围绕模型参数量、显存需求等核心问题展开了细致分析。 # **\# 03** **攻坚：教学相长，联合教学与科研协同发力** 除了教学工作以外，朱光辉老师也参与到了诸多科研的合作中来。其中，“大模型多维度混合并行策略的自动搜索方法”荣获华为“难题揭榜”火花奖；“基于MindSpore的大模型高效并行推理策略研究与设计”荣获CAAI-MindSpore学术基金，目前项目正在推进中。 # **\# 04** ****展望未来**** 在推进产教融合的过程中，朱光辉老师也面临着一些实际挑战。在教学实验方面，昇思 MindSpore 前期版本迭代时，API 变动较为频繁，导致版本切换后部分原本可正常运行的程序出现故障。“目前这种情况已经有所改善，” 朱老师表示，“建议后续版本升级时，尽量保持 API 的稳定性。” 谈及未来的计划，朱老师表示：AI时代下，技术发展日新月异。未来，将继续坚持“产教融合”的教学理念，将昇思MindSpore等业届前沿AI技术融入课堂教学内容，通过“以教学指导实践、以实践促进教学”的方式，实现教育与实践互连互通，全方位培养学生的AI系统思维与实践能力，并在此基础上，进一步实现教学与科研的贯通，为我国AI计算系统领域的人才培养和学术研究贡献力量！ --- https://www.mindspore.cn/news/zh/3906/ --- 新闻 一图读懂昇思MindSpore | AI融合编程新范式 # 一图读懂昇思MindSpore | AI融合编程新范式 2023/02/10 # 一图读懂昇思MindSpore | AI融合编程新范式 如今，主流AI框架已经针对功能和性能方面做了较完备的优化，提供了丰富的特性，并且通过基础框架+开发套件的形式，使AI助力科学计算，推动其在各领域发挥更大的价值。在主流框架趋同的前提下，除了功能和性能，我们还能关注什么呢？有一个与AI开发者息息相关却容易被忽视的视角——编程范式。 编程范式，是编程思维的一种分类方式（不针对具体的编程语言），是程序的逻辑体系，是开发者的编程世界观。常见的编程范式有面向对象编程 、面向过程编程、函数式编程等。 AI应用的实现需要定义神经网络结构、训练神经网络、部署与推理……而神经网络的定义过程与面向对象编程高度契合，大规模的训练过程需要函数式编程的灵活性和准确性。这一系列复杂的过程，使得很难用同一套编程范式兼顾每一步。 抛开传统的基础套件+领域套件的方式，昇思MindSpore作为一个通用的AI+科学计算融合框架，选择了函数式+面向对象融合编程范式的道路，兼顾了定义网络结构和训练过程的易用性，同时也实现了从底层兼容AI建模和科学计算建模。 下面通过一张图带大家快速了解，**昇思MindSpore 2.0 新特性——函数式+面向对象融合编程。** --- https://www.mindspore.cn/news/zh/393/ --- 新闻 新版一站式AI体验的APP——MindSpore掌中宝 # 新版一站式AI体验的APP——MindSpore掌中宝 2021/02/09 # 新版一站式AI体验的APP——MindSpore掌中宝 MindSpore是华为自研的全场景AI计算框架，兼顾学术界研究的灵活性与工业界的高性能要求，支持端边云全场景业务，为开发者带来编程更简单、调试更轻松、性能更卓越、部署更灵活的体验。 MindSpore Lite是MindSpore全场景AI框架的端侧引擎，在算子性能优化、模型小型化、端侧模型训练、模型可视化等方面进行了全面升级，开发团队基于MindSpore Lite，推出了**MindSpore掌中宝----AI爱好者的一站式协同学习、演示、体验平台**。 MindSpore掌中宝本次发布的是1.2 版本，我们先观看视频来感受下这个版本的功能吧！ (点击可在原文中观看) 接下来我们一起来看一下各个功能： 体验中心——体验深度学习 「体验中心」这个页面是可以让大家了解一下我们现在的模型，便于开发者进行更深入的学习和研究。 目前还只有视觉图像技术（CV），后续会上线语音语义技术（NLP）等，该模块目前有8个模型，介绍如下： MindSpore掌\*\*APP 「视觉图像技术（CV）」模块展示 看完了预置的模型，大家是不是想开始学习了呢，接下来就进入咱们的学院来看看，开始点亮您的AI学习之旅吧！ 学院——0基础学习AI课 「学院」提供了简单易用的学习体验。 MindSpore掌中宝APP 「学院」界面 这里面要重点介绍一下的是这门课程《1小时体验端云协同全流程开发》，这门课程，面向所有用户，无需具备编程经验、AI背景知识，即可入门MindSpore AI应用开发，体验端边云全场景的开发&部署。 本课程是基于MindSpore框架端边云全流程开发一个AI应用，来使手机识别猫和狗。 先来看结果，如下图所示： MindSpore掌中宝APP 识别动物结果 左边是导入模型前不准确识别，只认识这个是宠物，但是是不认识究竟是喵还是汪。接下来 右边是实验之后，可准确识别猫狗啦，那么实验是怎么做的呢，好奇不，一起来做做看吧，有个人PC和安卓手机即可完成实验啦，欢迎大家来亲自动手做做吧！ 做完了实验，是不是有建议反馈啊，或者觉得有意思，要给我们点个赞，也可能是要再深入看看代码，好的，全都满足你，接下来我们进入这个界面↓ 我的——实现一键交流互动 来「我的」页面，反馈建议、点赞和访问官网、代码仓 MindSpore掌中宝APP 「我的」界面 这里面可以直接反馈问题、访问官网、代码仓，还能够一键点赞（需要注册码云账号）。如果您觉得这个APP对您来说有价值，请给我们点赞，谢谢您的支持! 云端训练、端侧部署，极简体验 --- https://www.mindspore.cn/news/zh/395/ --- 新闻 中科大的评测结果，开源AI框架MindSpore的性能在标杆模型上业界领先！ # 中科大的评测结果，开源AI框架MindSpore的性能在标杆模型上业界领先！ 2021/02/18 # 中科大的评测结果，开源AI框架MindSpore的性能在标杆模型上业界领先！ 作者：金雪锋 作者主页：https://www.zhihu.com/people/jin-xue-feng 文章来源：https://zhuanlan.zhihu.com/p/350364324 具体信息参见： # 国产深度学习框架MindSpore训练性能评测 —— by 中科大ADSL实验室 ResNet50与Bert-Base这两个模型非常具有代表性，不仅仅是因为应用广泛，而是这两个模型代表了框架的两种能力： 1、ResNet50有许多重型算子，对数据和计算算子的性能要求很高 2、Bert则有许多小算子，特别考验框架的图算优化能力，MindSpore提供了强大的图算融合以及算子自动生成能力，大大提升Bert的训练性能 具体的技术后续有文章单独介绍，敬请关注！ --- https://www.mindspore.cn/news/zh/418/ --- 新闻 案例 | MindSpore携手中科弘云打造全国产AI中台解决方案 # 案例 | MindSpore携手中科弘云打造全国产AI中台解决方案 2021/03/18 # 案例 | MindSpore携手中科弘云打造全国产AI中台解决方案 **1.** **背景和挑战** 随着人工智能产业的发展，各种深度学习框架和算法层出不穷，在应用落地的过程中，数据标注和模型训练占据了整个深度学习开发的大部分时间。由于行业客户缺乏高水平AI算法工程师，以及算法繁多复杂、智能计算卡稀缺等多种因素，导致AI模型研发效率低，AI应用落地门槛较高，行业用户急需拥有一套标准化、支持异构资源调度的AI中台完成计算任务的调度与模型开发工作。 **2.** **解决方案** 鉴于关键行业客户全面国产化的迫切需求，中科弘云携手华为推出了基于MindSpore的全国产化人工智能平台解决方案。 中科弘云人工智能平台，基于华为全场景AI计算框架MindSpore，集成多种视觉计算场景下的高精度算法，如图像分类领域适配Resnet、VGG系列算法，目标检测领域适配YOLO、SSD、FasterRCNN系列算法，图像分割领域适配Deeplab算法等，并提供数据预处理及协同标注、自动化模型训练与推理服务，及端-边-云模型按需部署能力，帮助用户快速创建和部署模型，管理全周期AI工作流。 **3.** **客户价值** 近期，中科弘云人工智能平台软件正式获得华为MindSpore认证，并且全面适配华为A800-9000服务器。MindSpore集成主流框架的优势，具备开发态友好、与昇腾芯片对接运行高效、部署方式灵活等特点，助力中科弘云在适配华为A800-9000国产硬件设施过程中开发效率提高了30%左右。 中科弘云人工智能平台具备服务交付敏捷化、资源调度自动化、训练任务并行化、系统管理简单化、算法集成多样化和样本管理集中化等优势，能够帮助用户通过可视化操作和自动化的流程管理快速实现样本数据准备与算法模型开发，加速AI应用流程，目前该方案已经在多个行业落地并获得用户的认可。 --- https://www.mindspore.cn/news/zh/420/ --- 新闻 "科普一哥"李永乐老师和大家聊一聊 MindSpore # "科普一哥"李永乐老师和大家聊一聊 MindSpore 2021/03/19 # "科普一哥"李永乐老师和大家聊一聊 MindSpore (点击原文链接观看视频) MindSpore —— 华为开发的人工智能框架，相比于市面上的其他框架，MindSpore 有什么优势呢？我们跟着李永乐老师一起来看一看吧！ --- https://www.mindspore.cn/news/zh/422/ --- 新闻 梗百科 | MindSpore 带你回顾经典计算机应用，更懂AI # 梗百科 | MindSpore 带你回顾经典计算机应用，更懂AI 2021/03/24 # 梗百科 | MindSpore 带你回顾经典计算机应用，更懂AI 小伙伴们，大家晚上好呀！在MindSpore开源周年庆大幕徐徐拉开之际，我们隆重推出由团队里有**百科全书**之称的**刘烨东老师**，为大家带来最新的视频栏目\*\*『梗百科』\*\*！ 第1期的主角是计算机。你知道我们眼前的计算机是如何发展而来的吗？通过复制下方链接，跳转至B站\*\*『梗百科Cut』\*\*刘烨东老师告诉你~ https://b23.tv/kP4cxd MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee:https : //gitee.com/mindspore/mindspore 官方QQ群 : 871543426 扫描下方二维码加入MindSpore项目 --- https://www.mindspore.cn/news/zh/423/ --- 新闻 4年不懈坚持，华为开源团队邀您参加年度ONNX中国工作坊 # 4年不懈坚持，华为开源团队邀您参加年度ONNX中国工作坊 2021/03/24 # 4年不懈坚持，华为开源团队邀您参加年度ONNX中国工作坊 **华为**公司自2018年与微软亚洲研究院共同发起了首届ONNX China Workshop以来，积极参与ONNX社区建设，**是历年ONNX Workshop中国地区会议的积极倡导者和组织者**，在社区也曾**发起Edge WG**，**提出Model Zoo CI建议**，**参加Steering Committee选举**等等。 MindSpore社区自成立以来，积极参与LFAI&Data以及ONNX社区活动，2020年ONNX China Workshop的录屏可在B站**MindSpore官方**找到（复制下方对应链接可快速挑战回顾）~ - # ONNX\_4-9-20\_Workshop\_Partners\_Update： # https://b23.tv/yyAWiE - # ONNX\_4-9-20\_Workshop\_TSC&LFAI\_Update： # https://b23.tv/tFXZNI - # ONNX\_4-9-20\_Workshop\_SIG&WG\_Update： # https://b23.tv/6jXXza 北京时间**3月25日上午8点**，2021年**ONNX开发者大会**（ONNX Community Virtual Meetup 2021）即将重磅开启，面向全球开发者进行**线上直播**，无论是热衷钻研开源技术，还是探索AI应用落地的开发者们，都将从大会中获取干货与灵感。 (点击此处可跳转到原文中观看) 来自华为的MindSpore布道师**王辉**（Leon Wang）将分享**MindSpore与ONNX联动实现端边云全场景部署**的议题。 借助于强大的统一**中间表达（MindIR）**能力，MindSpore可**轻松实现与ONNX模型的一键互转操作**；同时根据资源约束条件**自动搜索模型**，无需额外操作**完成模型自适应生成**，从而**实现一次训练多处部署**的能力。 还有线上互动，超级多大咖为您在线答疑解惑，议程如下 ONNX（Open Neural Network Exchange开放式神经网络交换）是Linux基金会旗下面向AI领域的顶级基金会LF AI & Data基金会监管的顶级毕业项目，作为一种针对机器学习所设计的开放式文件格式，能够使得不同人工智能框架可以采用相同格式存储模型数据并交互，让各种开发创意更快速地投入生产环境。 LF AI & Data基金会支持人工智能、机器学习、深度学习和数据的开源创新，并创建了可持续的开源AI生态系统，让使用开源技术创建AI和数据产品服务变得容易，基金会围绕一系列高质量的项目构建了社区，ONNX便是其中之一。 全场景AI计算框架 **MindSpore** 在本次会议将充分结合MindSpore版本最新特性，生动向大家展示一次训练多处部署与端云互通的快速实现。希望‍能为全球开发者提供观察AI技术最新开源进展的窗口，并创造良好的分享交流空间，让AI开源生态惠及更多开发者，让AI创意发挥出更大的潜能。 --- https://www.mindspore.cn/news/zh/429/ --- 新闻 带你初探人工智能「MindSpore掌中宝」 1.2.6新版本发布！ # 带你初探人工智能「MindSpore掌中宝」 1.2.6新版本发布！ 2021/03/30 # 带你初探人工智能「MindSpore掌中宝」 1.2.6新版本发布！ MindSpore掌中宝作为MindSpore Lite的手机端应用，在之前发布的1.2版本中向大家提供了AI体验和AI学习功能。 新版一站式AI体验的APP——MindSpore掌中宝 “体验”分类下涵盖了图像分类、风格迁移等**8类**视觉图像技术的应用，基于MindSpore Lite的轻量化框架和高性能算子库，结合MindSpore模型，带领大家初探“人工智能”。“学院”中包含从训练到部署的MindSpore全流程开发体验，只需1小时，成功上手MindSpore。 一起快速体验下新版本「MindSpore掌中宝」更新的功能~、 在本次发布的1.2.6版本中，大幅度优化了1.2版本中包含的CV类应用，从模型到UI，都焕然一新： （阅读原文观看视频） 对象检测 体验一键快速进行骨骼标记~ （阅读原文观看视频） 骨骼检测 带大家了解一下我们现在的模型，便于进行更深入的学习和研究。 （阅读原文观看视频） 场景检测 新增手势识别应用功能，可以和手机来一次指尖互动： （阅读原文观看视频） 手势识别 1.2.6版本新增了语音语义范围下的AI应用。智能写诗为纪念日而生，当代智慧与古典浪漫互相碰撞，续写诗词文化。 （阅读原文观看视频） 智能写诗 文本提取可用于各类卡证识别，图片文本信息识别，将用户从机械的打字中解放出来，AI替代人工完成信息转移。 （阅读原文观看视频） 文本提取 文本翻译可承载日常生活中的翻译需求，完成文字/图片信息的翻译转换。 （阅读原文观看视频） 文本翻译 --- https://www.mindspore.cn/news/zh/430/ --- 新闻 TinyMS新工具发布！ # TinyMS新工具发布！ 2021/03/31 # TinyMS新工具发布！ **TinyMS项目简介** TinyMS是一款主要用PyThon语言编写的开源深度学习开发工具包，基于以MindSpore为代表的新型开源深度学习框架，提供面向从数据准备到模型部署全流程的极简易用的高阶API封装，并通过易于扩展的模块化设计，提供覆盖多种业务场景的能力。 TinyMS主要由data, model, serving等模块组成，分场景分领域提供transform数据预处理算子，复用MindSpore原生数据集提供常用数据集，如：cifar-10等。data提供部分自定义数据集和常用的数据下载和解压等常用工具集，model提供常用的预置模型，并提供模型构建，模型编译，模型训练、验证与推理。serving通过搭建服务器来提供AI模型应用服务,为新手提供快速推理的体验。 TinyMS面向的主要用户群体为深度学习初学者、研究领域涉及深度学习结合的科研人员、以及深度学习相关业务应用开发的企业开发人员。 通过搭配完整的在线课程教学，TinyMS提供目前业界最佳的深度学习入门与开发体验。 **TinyMS vs Keras** keras 是一个用 Python 编写的高级神经网络 API，将把用户体验放在首要位置，支持短时间内出实验。 keras项目可以说是“大而全”，主要由dataset, layer, model和backend模块构成，提供较多常用的预置数据集，并分场景分领域提供数据预处理函数，layer网络层提供较完善，如：convolution卷积层，embedding嵌入层，pooling池化层等。backend支持多个后端（TensorFlow,CNTK和Theano），与TensorFlow版本不强耦合。Model提供模型选择（sequential）、网络层构建（输入层、输出层和池化层等），模型编译，模型训练、验证与推理。 TinyMS在高阶API方面会更为简单抽象，较keras来说复杂度更低，比如提供了只需一行代码即可完成数据集的预处理，而且在设计中重点考虑到了Keras尚未提供单独好用的工具库，以及尚未提供的快速部署推理模块等。 **TinyMS vs Fastai** Fastai是为了帮助新手快速轻松出结果的高阶API项目, 其基于PyTorch的深度学习库，利用底层PyTorch库的灵活性，分领域分场景地提供包括对vision，text，tabular和collab模型的“开箱即用”的支持，后端对PyTorch的版本要求紧耦合。 fastai 深度学习库项目较轻便，目录清晰易理解，可以说是“小而美”，主要由data, models和learner三大模块构成，其中，data提供了transform类方便开发者进行数据预处理操作。models按应用领域，提供部分预置网络，如：unet，快速实现模型构建。learner实现数据和模型的关联，并定义了一系列回调函数，帮助开发者快速厘清深度学习的架构，提供模型训练、模型评估、模型保存与加载和模型推理。除此之外，还拥有较丰富好用的工具集，如：数据下载，解压，图片验证和文件处理等工具函数。 TinyMS在高阶API方面理念与Fastai相近，不同点在于TinyMS提供了常用的MindSpore预置数据集，方便开发者简化对数据集的调用，而且提供了Fastai尚未提供的快速部署推理模块等。 **TinyMS开源社区简介** TinyMS开源社区中除了TinyMS项目外，还有如下一些项目和活动： l Specification项目：主要用来协作制定面向模型训练脚本的格式规范。由于TinyMS提供了较为高阶的API抽象，因此诞生了ModelZoo脚本规范性和标准化的需求，便于高阶封装的持续迭代 l tinyms-ai.github.io：开源实现的简单官方网站搭建，基于Github Page l RustedAI Team：目前只有组织成员可见，RustedAI是TinyMS旨在推动利用Rust语言编写更多的低运行时开销的深度学习组件。 l 社区活动：我们会不定期的组织TinyMS模型拉力赛，以及多种多样的Meetup活动 **TinyMS与开发者** TinyMS是一个新生的开源项目，我们站在Keras、fastai等巨人的肩膀上，虽然在设计理念上有所创新，但依然需要社区开发者一起持续的协作，才能达到可以更好的服务学术界、产业界和开发者的深度和广度。 --- https://www.mindspore.cn/news/zh/438/ --- 新闻 关于开源，MindSpore做的如何？2021中国软协年会分享总结！ # 关于开源，MindSpore做的如何？2021中国软协年会分享总结！ 2021/04/14 # 关于开源，MindSpore做的如何？2021中国软协年会分享总结！ 由中国软件行业协会，开放原子开源基金会共同举办的“ 2021中国软件产业年会开源软件创新发展论坛”于2021年4月7日在北京召开。 本次大会以探讨**软件开源方向**，**深化开源软件应用价值为核心**，邀请知名开源项目负责人共济一堂，交流如何更高层次的更开放地推动开源项目发展。以更先进的开源协作创新模式，加入制造强国，网络强国，数字中国和智慧社会建设如火如荼的建设中。 MindSpore运营总监胡晓曼编写的《MindSpore开源元年回顾》，介绍如何将MindSpore开源项目在**一年内从零打造为制造业主流的人工智能框架**，并通过MindSpore项目实践总结了开源运营的定义和核心内容。 开放原子开源基金会秘书长杜玉杰发表《开放包容 和而不同》的演讲，通过开源演进的历史分析开源和社会发展以及科技发展间的关系，介绍不同开源基金会的运作模式，并详细阐述了在国内外不同法律体系、产业发展阶段和机遇下开放原子开源基金会的独特之处。百度资深研发工程师郑旗进行《可信账本内核项目介绍》的演讲，阐述了区块链的核心特点及XuperChain的发展历程，XuperChain具有可扩展、高性能、易使用、多场景等特点，已经在电子签约、广告监播、电子处方流转、商圈积分兑换、知识产权保护等领域得到应用。 中科院软件所开源治理负责人罗未做了《OpenHarmony开源治理探索》的分享，梳理了OpenHarmony项目由开源捐赠到多个玩家共同组建开源工作组的过程，并介绍了OpenHarmony工作组的组成、职责及和Eclipse基金会合作的探索，让大家了解多个玩家如何共同治理开源项目。OpenEuler技术委员会委员马全一通过《openEuler— 从社区发展到商业闭环的实践》演讲，介绍了openEuler社区如何拓展种子用户、openEuler社区中个人开发者和商业开发者角色如何转变、openEuler将如何开源项目带入高校课堂以及不同开源模式间的比较，让大家了解开源社区的功能以及如何同商业进行闭环。 最后由开放原子开源基金会技术监督委员会主席堵俊平主持人《开源项目发展经验与总结》的面板，对开源运营的价值，专职团队建立以及和商业的结合，海外开源项目的成功经验，社区开发和本次论坛的各个副本和圆桌中，各位嘉宾和相互热烈参与讨论，为开源如何在数字化时代中使能软件产业的发展出谋划划策，提供理论和实践基础。 MindSpore开源已经有一周年啦，近期刚刚发布一款新的开源工具集——TinyMS旨在基于**MindSpore**提供**简单有效的高阶API**、**低运行开销**、**模块化开发**以及**敏捷部署**。堪称AI开发神器，上手简单又好用！ **MindSpore**社区的小伙伴们为了降低学习门槛专门为大家配套了「TinyMS教程网剧」，每天用几分钟时间轻松学习使用**MindSpore**这样的新式硬核框架，边追剧边深度学习，AI开发能力不经意间提升！ （链接戳这里） 开源一周年的MindSpore社区，将在4月底的华为开发者大会为大家展示大量新特性，敬请期待！ --- https://www.mindspore.cn/news/zh/439/ --- 新闻 2021全球机器学习大会：最新AI框架发展趋势和MindSpore实践 # 2021全球机器学习大会：最新AI框架发展趋势和MindSpore实践 2021/04/15 # 2021全球机器学习大会：最新AI框架发展趋势和MindSpore实践 在春暖花开的四月~ Boolan 秉承“全球专家 卓越智慧”的宗旨！ 汇聚全球顶尖IT技术专家~ 致力于为广大企业用户提供高端IT技术交流共享平台！ 将在北京金茂威斯汀酒店， 举办“2021全球机器学习技术大会”！ 大会特邀近40位机器学习领域的技术领袖和行业应用专家，与1000+来自电商、金融、汽车、智能制造、通信、工业互联网、医疗、教育等众多行业的精英参会听众，共同探讨人工智能领域的前沿理论和最佳实践。全球机器学习技术大会将是**2021年最具影响力的人工智能技术会议。** 所有演讲均来自业界一线应用专家现身说法，分享各领域的实践案例。多方位深度解析、头脑风暴，帮助参会者收获前人经验，干货满满，一起来看看大会议程吧！ 大会议程 往届回顾 参会企业 mindspore进展 MindSpore开源已经有一周年啦，近期刚刚发布一款新的开源工具集——TinyMS旨在基于**MindSpore**提供**简单有效的高阶API**、**低运行开销**、**模块化开发**以及**敏捷部署**。堪称AI开发神器，上手简单又好用！ **MindSpore**社区的小伙伴们为了降低学习门槛专门为大家配套了「TinyMS教程网剧」，每天用几分钟时间轻松学习使用**MindSpore**这样的新式硬核框架，边追剧边深度学习，AI开发能力不经意间提升！ （链接戳这里） 开源一周年的MindSpore社区，将在4月底的华为开发者大会为大家展示大量新特性，敬请期待！ --- https://www.mindspore.cn/news/zh/443/ --- 新闻 1年吸引17万开发者，和大牛一起用音乐聆听开源之声 # 1年吸引17万开发者，和大牛一起用音乐聆听开源之声 2021/04/19 # 1年吸引17万开发者，和大牛一起用音乐聆听开源之声 他喜欢音乐 尤其喜欢在多样性的音乐中 感受丰富多彩的世界 他热爱开源 与开源的渊源可以追溯到十几年前 他从一个大数据技术爱好者 一路成长为开源社区的贡献者 核心Committer Apache软件基金会的Member 他—— **华为计算副总裁** **开放原子开源基金会TOC主席** **堵俊平** （点击这里去原文观看） 根深才能叶茂。华为聚焦鲲鹏和昇腾基础软硬件创新，**全场景AI计算框架MindSpore**、开源操作系统openEuler、企业级数据库openGauss，与合作伙伴共同构建全球主流的基础软件生态。 **开源全场景AI计算框架MindSpore** MindSpore开源以来，已有超过**17万**的开发者，下载量**超**过**22万**，日均下载量**600+**，超过**10\*\*\*\*0家高校**选择MindSpore进行教学，超过**40家**科研团队选择MindSpore进行科学研究，**MindSpore已经成为国内第一热度的AI开源社区**。 MindSpore能实现全自动并行、“端-边-云”全场景自适应、全流程极简开发。**在即将举办的****2021华为开发者大会（Cloud）****上，我们会****正式发布MindSpore1.2版****本，提供超大模型的训练能力。** **开源操作系统openEuler** 自2019年12月openEuler开源以来，社区已有60多家企业、机构和组织，3000多位贡献者，80多个SIG组，国内主流的操作系统厂商均已推出基于openEuler的商业发行版，在金融、政府、运营商和电力等各行业广泛商用。 **开源企业级数据库openGauss** openGauss聚焦打造“高性能、高可靠、高安全”的数据库内核版本，支持伙伴完善企业级特性，稳步推进商用。目前，已有6家伙伴推出基于openGauss的商业发行版，超过16家企业和机构加入社区。社区已成立技术委员会，并将在今年下半年成立社区理事会。 **堵俊平总结出** **开源社区成功运营的四个关键** 第一，开源产品要有竞争力，有创新； 第二，有一套成熟的社区治理方案，包括构建社区文化。只有社区成为一个开放、包容的地方，开发者才能在里面找到归属感。openEuler、openGauss和MindSpore三大开源社区都秉承“共建、共享、共治”的社区治理原则，为社区成员营造开放的环境，让大家齐聚一堂，贡献智慧。 第三，生态合作。一个软件开源项目要发挥价值，需要构建良好的生态，比如与硬件、与应用的兼容性和适配度等。 第四，专业的运营团队，以及与周边力量的配合。openEuler、openGauss和MindSpore 都有专业运营团队，他们都是开源领域的资深贡献者，经验丰富，且有一定的个人影响力。 亲爱的开发者们 关于开源社区 你还有什么好奇？ 华为开发者大会2021（Cloud） 你想听的想问的想学的 这里统统都有 我们与你不见不散！ 作为华为ICT基础设施业务面向全球开发者的年度盛会，\*\*华为开发者大会2021（Cloud）\*\*将于2021年4月24日-26日在深圳举行。本届大会以#每一个开发者都了不起#为主题，将汇聚业界大咖、华为科学家、顶级技术专家、天才少年和众多开发者，共同探讨和分享云、计算、人工智能等最新ICT技术在行业的深度创新和应用。智能时代，每一个开发者都在创造一往无前的奔腾时代。世界有你，了不起！ --- https://www.mindspore.cn/news/zh/449/ --- 新闻 加入『开源俱乐部』与MindSpore共创新时代！ # 加入『开源俱乐部』与MindSpore共创新时代！ 2021/04/23 # 加入『开源俱乐部』与MindSpore共创新时代！ 导语：「我最引以为豪的身份，就是开源社区的一个贡献者。」堵俊平淡淡地说道。 在开源社区中，经常会遇到那么一些人，他们在社区中积极参与开源项目，为开源项目的发布者提供解决方案或看法，更有甚者，为提供者贡献出自己敲下的一行行代码。在这个社区中，他们没有国界之分、没有语言之分，他们的共同语言，就是那一串串代码。 而在这些代码的背后，他们的身份各异——或许是个人开发者，又或许是科研机构的大咖，也不乏世界领军企业的IT大咖。 就在这些人群中，有这么一个人，他是开放原子开源基金会TOC（技术监督委员会）主席，Apache软件基金会Member， Apache Hadoop PMC ＆ Committer以及Apache NuttX， YuniKorn等项目导师。 对于如此多的头衔，他淡淡地说：「我最引以为豪的身份，就是开源社区的一个长期贡献者。」 他就是堵俊平，现就职于华为计算产品线副总裁、云与计算开源业务（OSDT）总经理，负责华为在云与计算领域整体的开源工作。 照片来自华为 据了解，堵俊平加入华为前，曾历任腾讯开源联盟主席／数据平台部总监，Hortonworks Hadoop核心团队（美国）负责人等角色，积累大量在云计算，大数据以及开源领域长期的研发、管理和业务经验，具有广阔的技术视野和业界影响力。 作为业内大咖，堵俊平应邀参与了由开源科技OSTech、Linux Foundation、腾讯开源联盟、华为、南方科技大学等企业和组织，在2021年3月9日联合发起的第一届「开源科技节」。 在本次大会上，最重要的一项成果便是正式成立了中国首个高等院校开源俱乐部——南方科技大学开源俱乐部（OSSCLUB）。 据介绍，南方科技大学开源俱乐部由南方科技大学学工部就业指导中心、电子与电气工程系统指导，Linux Foundation、腾讯、华为、开源科技OSTech等企业和开源组织联合支持发起。 南方科技大学开源俱乐部的成立，将更好地推动我国开源产业的全面发展，为未来的开源事业发展提供了夯实的基础及平台。 随着计算机技术的发展，尤其是互联网技术和相关企业的兴起，开源软件在操作系统、编译工具链、数据库、WEB服务器、移动操作系统等各个方面已经成为主流，许多企业利用开源软件形成了独特的商业模式。 「欧美的开发者们在经过早期的‘个人英雄主义’，到互联网企业加入，再到真正的开源，他们不仅形成了完整的产业链，也形成了完善的商业模式。」堵俊平在采访中说道。 而最具代表性的则是Google及微软两家企业。 据了解，Google旗下的Android系统从2007年开源发布第一个版本起，如今已经发展到Android 11，并计划在今年5月8日发布Android 12。而Android系统，已经占据了智能手机操作系统一半以上的市场份额，Google也通过Android操作系统在移动互联网这一新兴行业中占据了领先和主导地位。 而作为全球软件巨头的微软，面对开源也曾表示「开源软件是知识产权的癌症」，但在面对市场的发展，其连续数年超越Facebook、Google，成为全球最大开源社区GitHub排行版的第一，同时还在2018年收购GitHub，成为开源最大的「拥抱者」。 除此之外，**开源已经形成了一股推进软件及相关行业不停进步的巨大力量**，在我们日常生活中，已经被开源软件完全渗透——从电脑到手机，从家电到数码产品，尤其是互联网服务器端软件，几乎全部是开源软件。 **开源**，**趋势已定**。 而在国内，由于我国互联网普及时间相对较晚，我国开源市场仅仅经历了二十余年的发展，在开源项目及实力方面尚未达到欧美的级别。而在这一过程中，由于观念及市场问题，我国开源大部分时间处于免费状态，开发者参与开源项目，大多处于个人爱好或学术交流，这一状态，使我国开源发展受到一定的阻碍。 据CSDN发布的《2019－2020 中国开发者调查报告》数据显示，65％开发者不曾在开源上获得收入，而77％的开发者每周在开源投入时间不超过5小时，1小时以内的占31％。 堵俊平表示，由于历史遗留问题，导致**大量用户依然保留开源软件是「免费」的观念**，面对这一问题，需对我国开源进行商业模式的创新，从而逐步改变当下的环境。 为此，以华为、腾讯等企业为首的行业巨头，纷纷把开源列为公司级发展战略——「华为作为一家以硬件为中心的科技企业，其正在向以生态为中心的科技企业发展和转变，**开源**能形成天然的开放合作平台，可以**让合作伙伴能更好的参与其中**，形成开放式的合作。」堵俊平说道。 也正是这些领军企业所推出的开源模式，有效的改变了国内开源事业的发展。但把开源项目商业化并不容易——对于部分人而言，一旦开源项目商业化，将阻碍软件的发展，使开源项目偏离初始的目的。 对此，堵俊平认为**开源与商业化之间并不矛盾**，他从两个角度分享了自己的观点： 1. 开源是一种新的合作协同机制、新的软件开发方法，它与商业化没有任何矛盾或冲突的地方； 2. 开源能有效推动软件的发展，使软件更好的提升用户生产率，为用户创造商业价值，从而更好的反哺开源。 但堵俊平也表示，开源有很强的利他文化竞争，并不希望商业影响到开源精神。 对于开发者来说，沟通是依靠一串串代码，但对于部分国家来说，这一串串代码代表的是国家科技——近两年，某些国家不断对我国科学技术进行打压，这不仅仅影响了双方企业发展，同时也导致部分企业不再愿意对软件进行开源，避免软件被恶意破坏或篡改。 面对这种环境，堵俊平说道：「开源事业是全球性质的，不应该被设置‘壁垒’，这种方式将阻碍开发者的联合创新，并不利于产业的发展。」 同时，堵俊平也提到，从国内环境来说，应该聚集国内开发者，并保持紧密联系，其次也欢迎全球开发者加入到开源社群中，**一起开拓创新**，**推动产业的发展**。 而**开源俱乐部**的成立，则是最佳的体现。 华为作为开源俱乐部的重要参与者之一，对于本次开源俱乐部的成立表现出极大的热情。对于华为来说，自从其2019年来提出了软件开源的战略后，华为开源重心落在了基础软件层面。为此，华为在2019年开始，逐步开源了**MindSpore**、openEuler、openGauss、Harmony等系统。 随着开源俱乐部的成立，堵俊平表示，开源俱乐部的成立能有效把开发者、企业、基金会拉在一起，不仅可以有效聚拢产业，同时可以正确地培养人才、储备人才、使用人才；对于华为来说，则是希望通过与开源俱乐部的合作，推动中国开源产业的底层人才构建，加强与高校等机构的合作，**为中国软件行业输送更多的开源人才**。 堵俊平最后说道：「华为愿意投入其中，意味着这不再是一个短期计划，而是华为长期的目标。」 --- https://www.mindspore.cn/news/zh/450/ --- 新闻 盘古α：华为联合鹏城实验室开源业界首个2000亿参数中文预训练模型 # 盘古α：华为联合鹏城实验室开源业界首个2000亿参数中文预训练模型 2021/04/26 # 盘古α：华为联合鹏城实验室开源业界首个2000亿参数中文预训练模型 4月26日，华为诺亚方舟实验室与中央软件院Mindspore团队等多部门，同鹏城实验室、北大等联合发布「盘古α」，这是业界首个2000亿参数中文预训练模型！ 代码地址：https://gitee.com/mindspore/mindspore/tree/r1.2/model\_zoo/official/nlp/pangu\_alpha @font-face{ font-family:"Times New Roman"; } @font-face{ font-family:"宋体"; } @font-face{ font-family:"Calibri"; } p.MsoNormal{ mso-style-name:正文; mso-style-parent:""; margin:0pt; margin-bottom:.0001pt; mso-pagination:none; text-align:justify; text-justify:inter-ideograph; font-family:Calibri; mso-fareast-font-family:宋体; mso-bidi-font-family:'Times New Roman'; font-size:10.5000pt; mso-font-kerning:1.0000pt; } span.10{ font-family:Calibri; } span.15{ font-family:Calibri; color:rgb(0,0,255); text-decoration:underline; text-underline:single; } span.msoIns{ mso-style-type:export-only; mso-style-name:""; text-decoration:underline; text-underline:single; color:blue; } span.msoDel{ mso-style-type:export-only; mso-style-name:""; text-decoration:line-through; color:red; } @page{mso-page-border-surround-header:no; mso-page-border-surround-footer:no;}@page Section0{ } div.Section0{page:Section0;} 详细技术报告Arxiv：https://arxiv.org/ 代码/模型OpenI启智开源地址：https://git.openi.org.cn/PCL-Platform.Intelligence/PanGu-AIpha 由华为诺亚方舟实验室、华为中央软件院、鹏城实验室以及北京大学相关技术团队组建的中文超大规模预训练语言「盘古α」联合攻关团队，首次基于“鹏城云脑Ⅱ”和国产MindSpore框架的自动混合并行模式实现在2048卡算力集群上的大规模分布式训练，训练出业界首个2000亿超大参数中文预训练模型“盘古α”。 盘古α引入随机词序生成，增加预训练难度，提升模型能力。引入预测模块（Predictor），预训练阶段通过位置向量诱导输出。同时支持理解和生成任务，相比于GPT，盘古α模型设计阶段就考虑了其持续学习演化的能力，一是为了节省计算资源，还支持从顺序自回归模型过渡到随机词序自回归模型的增量训练，不同阶段的持续学习能力让模型具备随机词序的生成，具备更强的NLU能力。 不仅如此，盘古α在模型设计上还引入硬件亲和概念，是算法设计协同华为全栈式软硬件生态（MindSpore+CANN+昇腾910+ModelArts）性能和实力的一次完美亮相，牵引了超大规模自动化并行训练技术走向成熟，是国产全栈式AI基础设施支持2000亿级超大规模语言模型训练的第1次，验证了国产E级智算平台在软硬件协同优化、大规模分布式并行训练等核心关键技术的可行性，形成了国产自主可控的通用超大规模分布式训练基座及相关核心技术。 盘古α模型支持丰富的场景应用，在知识问答、知识检索、知识推理、阅读理解等文本生成领域表现突出，例如： **Input:** 中国和美国和日本和法国和加拿大和澳大利亚的首都分别是哪里？ **Generate:** 中国的首都是北京,美国的首都是华盛顿,日本的首都是东京,法国的首都是巴黎,澳大利亚的首都是堪培拉。 亮点： l 业界首个2000亿参数中文自回归语言模型「盘古α」； l 代码、模型逐步全开源； l MindSpore超大规模自动并行技术； l 模型基于国产全栈式软硬件协同生态（MindSpore+CANN+昇腾910）; 预训练模型如今已经成为深度学习研究中的一种主流范式，国内有学者认为「深度学习已经从『大炼模型』步入到『练大模型』的阶段」，通过设计先进的算法，整合尽可能多的数据，汇聚大量算力，集约化地训练大模型，供大量企业使用，这是必然趋势。 ## 数据集的准备 海量语料是预训练模型研究的基础，联合团队从开源开放数据集、common crawl网页数据、电子书等收集了近80TB原始数据。 搭建了面向大型语料库预处理的分布式集群，通过数据清洗过滤、去重、质量评估等处理流程，构建了一个约1.1TB的高质量中文语料数据集，经统计Token数量约为250B规模。通过对不同的开源数据集独立进行处理，完全清除了跟下游任务相关的标签信息，以保证源数据的无偏性。 ## 模型结构 在transformer结构之上，增加query层。query层的基本结构与transformer层相似，通过引入了一个额外的Query layer，来预测生成下一个query Q的位置。 ## MindSpore超大规模自动并行 大集群下高效训练千亿至万亿参数模型，用户需要综合考虑参数量、计算量、计算类型、集群带宽拓扑和样本数量等才能设计出性能较优的并行切分策略，模型编码出来考虑算法以外，还需要编写大量并行切分和通信代码。 MindSpore是业界首个支持全自动并行的框架，MindSpore多维度自动并行，通过数据并行、算子级模型并行、Pipeline模型并行、优化器模型并行、异构并行、重计算、高效内存复用，及拓扑感知调度，实现整体迭代时间最小（计算时间+通信时间）。编程接口高效易用，实现了算法逻辑和并行逻辑解耦，串行代码自动分布式并行。 ## 下游任务评估 为了评估模型性能，团队收集了16个不同类型的中文下游任务，如下图所示： 由于中文缺少在小样本学习领域的benchMark，研究对比了智源研究院联合发布的首个26亿参数的中文预训练语言模型「悟道·文源」CPM， 通过在1.1TB数据中策略抽样了100GB等量数据集训练了2.6B参数规模的「盘古α」模型，并在已收集的16个下游任务上进行了对比，结果如下表所示： 实验结果表明盘古α-2.6B比CPM-2.6B模型具有更强的语言学习能力，特别是在小样本学习和生成任务方面。在生成任务方面, 盘古α-2.6B比CPM-2.6B性能指标平均提升6.5个百分点。在PPL任务方面，盘古α-2.6B在OCNLI、TNEWS和 IFLYTEK任务上略弱于CPM。这一现象归因于模型使用了更大规模的词表，这使得模型在局部文本变化时对困惑度不敏感。 团队还对比了盘古α-13B和盘古α-2.6B模型在这些下游任务上的表现，在所有的生成任务和大部分的PPL任务上，13B的模型性能优于2.6B。在CMRC2018、DRCD和WebQA任务中，小样本学习比零样本学习指标高出10分以上，说明盘古α-13B模型具有较强的小样本学习能力。在NLI和文本分类任务上，盘古α-13B与盘古α-2.6B的性能相当，这些任务对于生成语言模型来说通常是困难的，而且模型改进的机会很大，这将是团队未来的工作。 盘古α-200B的模型文件大小在TB级别，下游任务推理耗时耗力，还有更多优化加速的空间，团队正在共同努力完成推理和测评，尽快同步相关研究成果。 部分生成举例： `Input: 上联：欢天喜地度佳节下联： Generate: 花好月圆庆团圆 Input: 小红是小明的姐姐，小红的年纪比小明 Generate: 大 Input: 四川的省会是哪里？ Generate: 成都,简称蓉,别称蓉城、锦城、天府之国,是四川省省会、副省级市、特大城市、中国西部地区重要的中心城市、国家重要的现代制造业基地、西南地区综合交通枢纽。 Input：中国的四大发明有哪些？ Generate ：四大发明是：造纸术、活字印刷术、火药、指南针。 Input：2+1=2，2+2=4，2+3=5，2+4=6，2+6= Generate ：8,2+7=9,2+8=10 Input：命题A是假命题，那么A的逆否命题是 Generate ：假命题。 Input:阅读文章：玛丽亚·特蕾西亚广场（Maria-Theresien-Platz）是维也纳的一个大型广场，毗邻该市的环形中心大道内环路（Ringstraße），以及博物馆区（现代艺术博物馆，位于昔日皇家马厩）。 ...... 而历史较久的这两座博物馆更加令人愉快，更具文化内涵。艺术史博物馆拥有丰富的收藏，这里有北欧大师的著名作品，例如勃鲁盖尔的《巴别塔》，以及古代世界艺术丰富的收藏。在楼梯井的屋顶是奥地利著名艺术家古斯塔夫·克里姆特所作绝妙的壁画。自然史博物馆拥有丰富的蝴蝶和其他昆虫收藏，以及古代动物藏品 - 例如祁连山的马，爪哇犀牛和渡渡鸟残骸。这个博物馆的显微剧院很有名，显示微生物的幻灯片，它的两个蜘蛛蟹是日本天皇送给神圣罗马帝国皇帝弗朗茨·约瑟夫的礼物。在楼梯井可以看到描绘皇帝弗朗茨·约瑟夫、皇后玛丽亚·特蕾西亚和她的小型猎犬的绘画。 Question：艺术史博物馆收藏勃鲁盖尔的哪部作品？ Generate：勃鲁盖尔的《巴别塔》，这是他的代表作。` ## 总结 近年来，语言模型的规模越来越大，以大模型为基础探索通用智能的道路也远远没有到尽头，国内产业和学术界在对大模型的探索上也在加紧进行，超大规模模型对于AI学术研究已经产生了深刻影响，大规模的AI设备集群和通用性的软硬件生态协同越来越成为信息时代急需的基础设施，未来制约人工智能发展的不仅仅是对人才的竞争，大科学装置和对多场景应用的通用全栈式技术生态的不断发展进化，也越来越重要。 借助了“鹏城云脑Ⅱ”E级智算平台，基于国产MindSpore框架和昇腾软硬件栈的2000亿参数盘古α模型是我们在超大规模AI模型上迈出的里程碑式的一步，团队第一次实现了基于华为软硬件全栈式的超大规模模型的分布式训练、在超大规模分布式训练技术，超大规模模型设计，超大规模模型优化，超大规模模型推理等方面积累了大量经验，为后续研究打下坚实基础，并指明了道路，相关成果也会逐步完全开源。团队欢迎相关领域的科研和工程人才加入，共同推进通用人工智能技术的发展和进步！ 转自 公众号：诺亚实验室 @font-face{ font-family:"Times New Roman"; } @font-face{ font-family:"宋体"; } @font-face{ font-family:"Calibri"; } @font-face{ font-family:" "; } p.MsoNormal{ mso-style-name:正文; mso-style-parent:""; margin:0pt; margin-bottom:.0001pt; mso-pagination:none; text-align:justify; text-justify:inter-ideograph; font-family:Calibri; mso-fareast-font-family:宋体; mso-bidi-font-family:'Times New Roman'; font-size:10.5000pt; mso-font-kerning:1.0000pt; } span.msoIns{ mso-style-type:export-only; mso-style-name:""; text-decoration:underline; text-underline:single; color:blue; } span.msoDel{ mso-style-type:export-only; mso-style-name:""; text-decoration:line-through; color:red; } @page{mso-page-border-surround-header:no; mso-page-border-surround-footer:no;}@page Section0{ } div.Section0{page:Section0;}1.2G\]、超大病理切片\[>2.2G\]，不卡顿，不闪退。优化了对CPU、内存的管理，使得软件具有很强的兼容性，在无GPU独显，性能较差的电脑仍可流畅使用。 **病例隐私脱敏和影像加密，保障数据的安全流通** Pair配套的安全化软件PairCode提供了完善的DICOM文件脱敏功能、多层权限的高阶加解密标注功能，以实现病例隐私、医学影像以及标注资源的多重安全，并保护AI模型拥有者的产权。 **完善和丰富的教程用例资源，降低培训成本** 软件内置中英双语使用教程，以各个标注功能为主线展开介绍。另有AI模块使用说明和Pair标注结果读取说明，方便开发者即查即用。B站上有持续更新的教程视频介绍，以每个大模块展开介绍，让标注者快速上手，降低培训成本和时间。 **MindSpore社区和Pair团队携手共进** MindSpore是华为开源的一款全场景AI计算框架，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 \*\*Pair与MindSpore社区合作后，以MindSpore框架为基础，提供基于CPU的医学影像智能标注功能。\*\*作为一款国产一站式标注软件，Pair可兼容CT、X-Ray、MRI、PET、超声、病理切片等10余种数据模态和2D、视频、3D等数据格式，提供了多边形、矩形框、关键点、分类标签、文本属性、测量项等20多项通用标注功能，涵盖了分割、分类、目标检测、关键点定位等常见任务的所有标注类型。值得一提的是，Pair配备独有的自动分割标注功能，搭载深度学习模型，基于MindSpore快速的CPU推理，仅需一步框定操作即可快速实现目标轮廓的全自动精确标注，免除了繁琐的手动勾画过程，节省标注时间，可高效推动AI研究项目的进度。 Pair的自动分割标注功能旨在缓解医生手动标注的压力，加快标注流程。据统计，使用Pair的自动分割标注功能，相比医生手动勾画可节约70%的时间成本。**Pair搭载的自动化模型是使用PyTorch训练得到，将模型导出为ONNX， 使用MindSpore提供的转换工具即可将ONNX转换为MindSpore Lite模型，且在C++中部署MindSpore Lite模型推理非常简单。MindSpore Lite中高效的内核算子可以充分发挥CPU硬件算力，减少推理耗时，相比Libtorch，可以达到26%的加速提升。** 目前，Pair已在超过2000位用户和200多个海内外研究机构、企业、医院间使用，成功实现商业落地，且有稳定活跃的研发团队进行持续的优化升级。更多的相关信息可见https://space.bilibili.com/616429598。 **参考视频：** MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee：https://gitee.com/mindspore/mindspore 官方QQ群 : 871543426 --- https://www.mindspore.cn/news/zh/731/ --- 新闻 多城共同点亮人工智能算力网络，赋能人工智能产业发展 # 多城共同点亮人工智能算力网络，赋能人工智能产业发展 2021/09/25 # 多城共同点亮人工智能算力网络，赋能人工智能产业发展 请在微信里打开进行观看 ****以大算力+大数据，使能大模型，孵化新应用**** \[中国，深圳，2021年9月25日\]在华为全联接2021上，中国科学技术信息研究所（简称“中信所”）、AITISA（新一代人工智能产业技术创新战略联盟）、鹏城实验室联合发布《人工智能计算中心发展白皮书2.0——从人工智能计算中心走向人工智能算力网络》（简称“白皮书2.0”）。深圳、武汉、西安、成都、北京、上海等21个城市共同点亮“人工智能算力网络”，通过“一网络”实现“算力、数据、生态”三汇聚，以“大算力+大数据”使能大模型，会上也发布了全球首个三模态大模型紫东.太初和生物信息研究平台鹏程.神农，通过大模型孵化新应用，推动AI产业发展。 **人工智能算力网络正式点亮** 在国家《新一代人工智能发展规划》和新基建等政策的推动下，人工智能技术、应用和产业蓬勃发展，人工智能基础设施的重要性日趋凸显。去年科技部中信所首次发布的《人工智能计算中心发展白皮书》，创新性提出了以“一中心四平台”的指导思想和建设方案，推进人工智能计算中心建设与落地。当前，深圳、武汉、西安、中原、成都等人工智能计算中心相继落地，大大加速促进了各区域AI产业的发展。 《人工智能计算中心发展白皮书2.0——从人工智能计算中心走向人工智能算力网络》发布 随着各地人工智能计算中心陆续建成，白皮书2.0的发布指出了人工智能中心发展的新阶段——从人工智能计算中心走向人工智能算力网络。通过算力网络将各地的人工智能计算中心连接成网，动态实时感知算力资源状态，实现统筹分配和调度计算任务，构成区域内可感知、可分配、可调度的AI算力资源，以“一网络”实现“三汇聚”——算力汇聚、数据汇聚、生态汇聚： - 算力汇聚：不同人工智能计算中心之间高速网络互联，实现算力合理调度，资源弹性分配，提升各个人工智能计算中心的利用率，为大模型训练提供超级算力，还可实现整体能耗的节省； - 数据汇聚：多方合作，推进AI领域的公共数据开放，基于人工智能计算中心汇聚高质量的开源开放的AI数据集，促进AI算法开发和行业落地。 - 生态汇聚：采用互联、应用接口等标准，实现网络内大模型能力开放与应用创新成果共享，强化跨区域科研和产业协作，为所有用户进行AI应用创新提供更多的资源选择和更便捷的合作方式，加速产业聚合，激活产业共融共生。 21城市共同点亮人工智能算力网络 在会上，深圳、武汉、西安、成都、北京、上海等21城市代表联合点亮“人工智能算力网络”，支持模型、数据、应用在区域间的高效互通和可信流动，让科研创新更高效，让人工智能与产业的融合更深入，共建、共享、共促AI产业发展。 **大算力+大数据 使能大模型 孵化新应用** 人工智能算力网络汇聚了算力和数据，为大模型的训练创造了天然有利的条件，将会推动更多的大模型诞生。此次中科院自动化所、鹏城实验室分别发布多模态大模型紫东.太初和生物信息研究平台鹏程.神农。 大算力+大数据 使能大模型 孵化新应用 紫东.太初是中科院自动化所基于武汉人工智能计算中心训练的业界首个三模态大模型，能够实现视觉、文本、语音三个模态间的高效协同，性能全球领先，是探索通用人工智能道路上的重要成果。紫东.太初超强的图文音跨模态理解与生成能力，可轻松完成智能问答、图片生成、视频理解与生成等任务，将在工业质检、影视创作、互联网推荐、智能驾驶等领域广泛应用。 继鹏城实验室于今年5月利用鹏城云脑Ⅱ训练全球首个两千亿级中文NLP（自然语言处理）大模型鹏程.盘古，本次发布的生物信息研究平台鹏程.神农是面向生物医学领域的人工智能平台，包含蛋白质结构预测、小分子生成、靶点与小分子相互作用预测以及新抗菌多肽设计与效果评价等，制药企业和医学研究机构使用鹏程.神农提供的AI能力，将大大加速新型药物的筛选与创制，让人工智能为人类的健康保驾护航。 人工智能算力网络让各区域共享资源、促进AI技术生态和商业生态发展，加速科学新发现、推动应用新场景、发现产业新方向、孵化发展新理念，为数字经济发展提供源动力。 华为于2021年9月23-25日在线上举办华为全联接2021，大会以“深耕数字化”为主题，汇聚业界思想领袖、商业精英、技术大咖、先锋企业、生态伙伴、应用服务商以及开发者等各方，探讨如何深入行业场景，把数字技术与行业知识深度结合，真正融入政企的主业务流程，解决核心业务问题，催生体验提升、效率提升以及模式创新；并发布场景化的产品与解决方案，分享客户伙伴的最新成果与实践，构筑开放共赢的健康生态。 欲了解更多详情，请参阅：https://www.huawei.com/cn/events/huaweiconnect. **华为公司简介** 华为创立于1987年，是全球领先的ICT（信息与通信）基础设施和智能终端提供商，我们致力于把数字世界带入每个人、每个家庭、每个组织，构建万物互联的智能世界：让无处不在的联接，成为人人平等的权利；为世界提供最强算力，让云无处不在，让智能无所不及；所有的行业和组织，因强大的数字平台而变得敏捷、高效、生机勃勃；通过AI重新定义体验，让消费者在家居、办公、出行等全场景获得极致的个性化体验。目前华为约有19.7万员工，业务遍及170多个国家和地区，服务30多亿人口。欲了解更多详情，请参阅华为官网：www.huawei.com --- https://www.mindspore.cn/news/zh/736/ --- 新闻 自动化所千亿级三模态大模型“紫东太初” 首次实现语音生成视频等功能 # 自动化所千亿级三模态大模型“紫东太初” 首次实现语音生成视频等功能 2021/09/27 # 自动化所千亿级三模态大模型“紫东太初” 首次实现语音生成视频等功能 以下文章来源于中国科学院自动化研究所 ，作者紫东君 **解锁更多智能之美** 人工智能研究领域正在经历着一场由监督学习向无监督学习的范式转变，基于大数据的预训练大模型正展现出强大的发展生命力。自动化所以全栈国产化基础软硬件昇腾AI平台为基础，与武汉东湖高新区共同打造更加通用化的人工智能平台。依托武汉人工智能计算中心，自动化所研发了面向超大规模的高效分布式训练框架，在图、文、音三个基础模型上加入跨模态编码和解码网络，基于昇思MindSpore框架，打造了**业内首个千亿参数三模态大模型“紫东太初”**。 自动化所所长徐波在华为连接大会上介绍业内首个千亿级三模态大模（请在微信内打开进行观看） **多模态高效协同，支撑紫东太初实现业界最好性能** 紫东太初大模型同时兼具理解和生成能力，实现了视觉-文本-语音跨模态统一编码与关联和跨模态互相转化与生成。在图-文-音跨模态理解与生成性能上都领先于目前业界性能最好的SOTA模型，可高效完成跨模态检测、视觉问题、语义描述等下游任务。模型的视频理解与描述性能在今年ACM Multimedia（国际多媒体大会） 和ICCV（国际计算机视觉大会）两项人工智能领域国际顶会的视频语义理解与视频描述中均展现出当前最高水准。 视频理解与描述分获ACM Multimedia 2021 Pre-Trainning For Video Understanding Challenge和ICCV2021 Video Scene Parsing in the Wild Challenge 冠军 **首次实现语音生成视频功能，模型创造力升级** 紫东太初大模型开拓性地实现了图-文-音语义统一表达，同时兼具跨模态理解和生成能力。目前，模型在“以图生音”和“以音生图”基础上，通过有效编码语音、文本和目标区域之间的时空关系，突破性实现了“语音生成视频”的功能，进一步提升了人工智能的创造力，迈出朝向人工智能通用化的关键一步。 **多模态对话虚拟人“小初”，能说会看会听** 自动化所所长徐波与自动化所基于紫东太初打造的三维虚拟人“小初”进行了跨时空对话，展示了不同模态间的互相转换和生成实例，涵盖视频生成、视频描述、图像生成、智能问答、语音识别等多个功能。徐波同时介绍了紫东太初大模型在纺织工业生产线中的实际应用案例。在纺织厂织机运转的过程中，紫东太初融合多模态信息，可以通过语音识别来判断断纬和断经，通过视觉识别来判断布匹的缺陷，展示出强大的综合研判能力和广阔的应用前景。 徐波所长展示语音生成视频功能 **坚持开源开放，赋能千行百业** 紫东太初大模型赋予了跨模态通用人工智能平台多种核心能力，与单模态和图文两模态相比，只需一个大模型就可以灵活支撑图、文、音全场景AI应用，具有了在无监督情况下多任务联合学习、并快速迁移到不同领域数据的强大能力。自动化所坚持开源开放，已开源语言预训练模型、语音预训练模型和视觉预训练模型三大基础模型\[1\]，后续将陆续开源紫东太初的十亿、百亿和千亿参数大模型。 同时，自动化所与上汽集团、魏桥创业、爱奇艺等行业领军企业共同探索了紫东太初的应用场景，发现了其在智能驾驶、工业质检、影视创作等领域的广阔落地潜力。未来，自动化所计划与更多科研机构以及企业合作，让紫东太初充分赋能行业应用。 紫东太初大模型作为全球首个贯通语音、图像/视频、文本的三模态预训练大模型，将在与产业界的携手合作中深入探索更为广阔的应用前景，也为进一步探索人类智能的本质提供了极好的平台。研究所将以人工智能服务社会经济民生为使命，持续推动紫东太初大模型基础理论、关键技术和应用生态的全链条创新。 **\[1\] 紫\*\*\*\*东太初基础模型开源：** https://gitee.com/zidongtaichu/multi-modal-models --- https://www.mindspore.cn/news/zh/737/ --- 新闻 Open Source Summit 线上直播正式开启！ # Open Source Summit 线上直播正式开启！ 2021/09/27 # Open Source Summit 线上直播正式开启！ **Speakers Sessions：**https://osselc21.sched.com/event/lBFy?iframe=no --- https://www.mindspore.cn/news/zh/740/ --- 新闻 MindSpore在俄罗斯 # MindSpore在俄罗斯 2021/09/30 # MindSpore在俄罗斯 作者：金雪锋 作者主页：https://www.zhihu.com/people/jin-xue-feng/posts 文章来源：https://zhuanlan.zhihu.com/p/415477483 俄罗斯大学超级计算机联盟和俄罗斯科学院组织的“俄罗斯超级计算机日”论坛已于2021.9.27-28成功举办，现场邀请到俄罗斯国家技术NTI AI中心（俄罗斯的国家战略级学术组织）认知模型和智能传输实验室主任Dmitry Yudin教授发表《基于MindSpore使用GPU训练的计算机视觉神经网络》的主题演讲，本次演讲具体内容如下，供学习参考。 --- https://www.mindspore.cn/news/zh/749/ --- 新闻 开源运营极限工作坊报名啦！ # 开源运营极限工作坊报名啦！ 2021/10/12 # 开源运营极限工作坊报名啦！ ****本周二（10月12日）******，我们将邀请华为MindSpore运营总监******胡晓曼****\*\*、**华为MindSpore布道师********何芦微****\*\*\*\*、开放原子开源基金会社区运营官********邓逸云****\*\*\*\*、开放原子开源基金会社区架构师********郭皓******。共同探讨\*\*\*\***开源运营、治理、如何培养开源助手、如何培养开源开发者等主题。**\*\* **活动时间** 2021年10月12日（周二） 14:00 **活动地点** 深圳新一代信息技术产业园4栋23楼 （深圳-国际开源谷.可可西里会议室） **报名方式** 扫码添加小助手（mindspore0328） 记得备注：开源 --- https://www.mindspore.cn/news/zh/751/ --- 新闻 唱响青春的号角，第七届中国国际“互联网+”大学生创新创业大赛总决赛即将开启！ # 唱响青春的号角，第七届中国国际“互联网+”大学生创新创业大赛总决赛即将开启！ 2021/10/13 # 唱响青春的号角，第七届中国国际“互联网+”大学生创新创业大赛总决赛即将开启！ 当无数朵浪花汇聚，激起惊天骇浪 当无数颗星星点燃，璀璨整个夜幕 青春学子如点点火花，掀起燎原之势 第七届中国国际“互联网+”大学生创新创业大赛，由教育部等12个部委及承办省份共同主办，吸引了来自国内外117个国家和地区、4347所院校的228万余个项目、956万余人次报名参赛。10月12日正式在南昌大学拉开帷幕，参赛团队蓄势而发，筑梦少年正在启航。 **首设产业命题赛道** **加强产学研深度融合** 中国“互联网+”大学生创新创业大赛连续举办了七年，为广大学子提供了成果转化的新平台，促进“互联网+”新业态形成。为引导高校把创新创业教育与破解产业实际技术难题有机结合，本届大赛首次增设了产业命题赛道，面向新工科、新农科、新文科、新医科对应行业产业领域。 华为积极参与到产业命题赛道中，将学科知识与行业实践深度结合，32道创新命题吸引了337所高校参与，共计1205支队伍，8282人报名。华为通过加强产学研深度融合，促进教育链、人才链与产业链、创新链有机衔接，培养创新创业人才，高起点推进数字经济发展和大学生双创工作。 **前沿领域命题创新** **提供全面数字技术支持** 华为作为本届“互联网+”大赛的重要合作伙伴，深入参与产业命题赛道，设立了鲲鹏、昇腾AI、华为云、CT、OpenHarmony等系列前沿领域命题，覆盖从基础软件如操作系统、AI计算框架、数据库到当前热门AI应用等多个领域，将经济社会产业发展融入到教育中，推动互联网、大数据、人工智能等领域的创新，通过激发学生的创造力，切实提高学生的创新精神、创业意识和创新创业能力，推进数字经济发展和大学生双创工作。 在本届大赛的筹备周期内，华为为参赛团队提供鲲鹏全栈软硬件平台资源，赛事训练营，以及专家1对1辅导，助力参赛团队，依托鲲鹏强大的全栈性能优势，打造出高性能应用创意作品。昇腾AI方面，华为也为参赛团队提供了昇腾AI基础软硬件平台算力资源、赛事培训和关键任务深度指导，帮助参赛队伍进一步提升知识和技能，针对性提高团队能力。 在本届赛事中，以华为技术为核心的命题赛道成为一大亮点，众多院校团队依托华为提供的鲲鹏算力和鲲鹏加速库、MindSpore AI开源框架和AI开发平台ModelArts、华为云EI能力、华为云IoT等打造出诸多卓越的作品，其中有13支队伍成功入围50强，进入国赛现场赛争夺金奖，让我们一起期待他们的精彩表现吧！ **团队风采** **昇思MindSpore团队** 华南理工大学 《使用MindSpore高阶工具TinyMS支持的网络CycleGAN训练图像风格迁移模型》 **其他团队** 浙江工业大学 《基于昇腾全栈AI软硬件平台技术， 探索有具体落地场景的技术应用创意作品》 湖南大学 《基于昇腾MindX SDK AI应用开发套件， 探索具有行业应用场景的技术应用创意作品》 四川大学 《基于昇腾全栈AI软硬件平台技术， 探索有具体落地场景的技术应用创意作品》 华中科技大学 《鲲鹏BoostKit大数据Spark图算法优化》 北京科技大学 《基于华为云EI能力构建“医疗+AI”解决方案》 北京邮电大学 《AI创新应用》 南京大学 《基于华为云IoT打造智能化场景应用》 浙江大学 《基于华为云EI能力构建“医疗+AI”解决方案》 西安电子科技大学 《基于AI开发平台ModelArts 和MindSpore开源框架创意作品》 广东工业大学 《OpenHarmony分布式能力实践》 东南大学 《通信和网络软件开发》 南京邮电大学 《通信和网络软件开发》 **精彩推荐** **活动时间** 2021年10月16日-10月17日 **活动地点** bilibili直播（可搜索【MindSpore官方】） **报名方式** 扫码添加小助手（mindspore0328） 记得备注：开源workshop 扫码下方二维码加入MindSpore项目↓ MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee:https : //gitee.com/mindspore/mindspore 官方QQ群 : 871543426 --- https://www.mindspore.cn/news/zh/752/ --- 新闻 现场活动｜【1024程序员节】-全场景AI论坛报名开始啦！ # 现场活动｜【1024程序员节】-全场景AI论坛报名开始啦！ 2021/10/15 # 现场活动｜【1024程序员节】-全场景AI论坛报名开始啦！ **大会简介** 2021 长沙·中国 1024 程序员节是由 CSDN、长沙市政府及多家机构联合主办的年度盛会。本次盛会将通过线上线下结合的方式，邀请云原生、先进计算、智能制造、开源生态等领域技术大咖和知名学者，介绍前沿IT技术、分享科技应用实例。大会同时安排了科技文化嘉年华及名企现场招聘等活动，打造专属程序员的年度盛会。 **全场景AI论坛** **10月24日14：00全场景AI论坛**邀请了华为MindSpore技术专家**陈浩辰**；华为MindSpore技术专家**Alan**；华为MindSpore架构师**苏腾**；华为昇腾CANN运营总监**田晓亮**；华为MDC产品部产品总监**谢静萍**一起与大家分享**MindSpore 1.5关键特性，大规模并行、MindSpore Lite、MindBoost，以及昇腾CANN 5.0新特性和华为的MDC智能驾驶计算平台**等精彩内容，期待与大咖老师一起探索AI技术趋势发展！ **活动时间** 2021年10月24日 14:00-18:00 **活动地点** 长沙市岳麓区麓谷大道668号 （长沙高新技术产业开发区管理委员会） **扫码报名** **选择【全场景AI论坛】** **扫码添加小助手** **备注1024，进入【论坛交流群】** 扫描下方二维码加入MindSpore项目↓ MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 871543426 --- https://www.mindspore.cn/news/zh/754/ --- 新闻 现场活动｜第十三届中国开源黑客松活动报名开始啦！ # 现场活动｜第十三届中国开源黑客松活动报名开始啦！ 2021/10/18 # 现场活动｜第十三届中国开源黑客松活动报名开始啦！ \*\*第十三届中国开源黑客松活动将于2021年10月23日-24日在长沙举办。\*\*黑客松作为开源开发者搭建交流沟通的互动平台，以实现bug修复和代码优化为目标，推动开源技术广泛使用，活动自开办以来，始终坚持“开放代码、开放设计、开放开发、开发社区”的开源理念，用实际编程行动鼓励开发者技术创新、创意实践。 活动项目广泛覆盖SRS、openEuler，openGauss，openLooKeng、**MindSpore**、Kube-OVN、Kata Containers、CSDN workflow、LinkWechat、Nocalhost、OpenStack、Skyline、OceanBase、DADI、WasmEdge 、Carina、FabEdge等多个项目，活动参与者超百人规模。涵盖了多个主流的支撑基础架构平台的开源项目，共建多个场景的全栈合作模式。本次大会还增加了开源集市之开源萌新大作战，将有更多的粉丝与我们进行现场互动！ 本次活动中**昇思M\*\*\*\*indSpore社区将与大家分享**MindSpore与**Julia结合、开源运营手册开发、MDC 300F应用开发、Uptane白皮书翻译等精彩内容** MDC 300F，风冷版本支持12V和24V系统 无论你是开源老炮，还是开源萌新，只要你想参与开源，那么就可以在这里成为一名开源的贡献者。在此，我们诚邀并期待您的参与！ **活动时间** 2021年10月23日-24日 **活动地点** 湖南省长沙市岳麓区麓谷大道668号 长沙市高新区管委会前坪广场一室外帐篷会场（分会场1） **扫码报名** **活动交流** **途径一：扫码添加交流群** **途径二：**扫码添加小助手**** **备注黑客松，进入【活动交流群】** 扫描下方二维码加入MindSpore项目↓ MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 871543426 --- https://www.mindspore.cn/news/zh/755/ --- 新闻 赞！【昇思MindSpore团队勇获金奖】-敢闯会创的国赛新青年们 ！ # 赞！【昇思MindSpore团队勇获金奖】-敢闯会创的国赛新青年们 ！ 2021/10/20 # 赞！【昇思MindSpore团队勇获金奖】-敢闯会创的国赛新青年们 ！ 满载收获的秋天 属于拥有梦想的莘莘学子 他们在第七届中国国际“互联网+” 大学生创新创业大赛启航 从校赛到省赛到全国总决赛 从7月的跃跃欲试到10月的奋力拼搏 华为32道创新命题促进产教融合 吸引337所高校参与 1205支队伍的8282人报名 最终13支华为命题队伍 顺利闯入产业命题赛道总决赛 团队选手风采（\[ 请在微信内进行观看 \](https://mp.weixin.qq.com/s/MIZQbDsUIemWvrdJF1CZ6A)） 90天的激烈角逐，在这一刻绽放光彩 华中科技大学和华南理工大学 2支华为命题参赛团队 摘得产业命题赛道金奖 11支华为命题参赛团队获得银奖 他们意气风发，他们势不可挡 他们是创新蓝图上浓墨重彩的一笔 他们用科技书写美好未来！ 他们分别是 ↓↓↓ **华南理工大学** **项目负责人：陈天一** **作品：使用MindSpore设计和训练图像风格迁移模型** **作品简介：高性能图像风格迁移算法，为无人驾驶** **图像数据获取提供新途径** **赛题介绍：** **https://cy.ncss.cn/mtcontest/detail?id=8a80808d7ad10375017ae26a793300d7** **开源文档地址：** **https://tinyms.readthedocs.io/en/latest/tutorials/ipynb/TinyMS\\\_CycleGAN\\\_tutorial.html** **华中科技大学** **项目负责人：赵进** **作品：鲲鹏BoostKit大数据Spark图算法优化** 作品简介：国际上首个面向并发图分析任务的高性能图计算系统 **湖南大学** ****项目负责人：王子安**** **作品：MobiUS昇腾芯：应急救援移动无人机基站边缘智能系统** 作品简介：一款应急救援无人机基站边缘智能系统 **浙江工业大学** \*\*\*\*\*\*项目负责人：\*\***俞天纬** **作品：基于昇腾全栈AI软硬件平台搭建的AI智能摄影系统** 作品简介：专业的无人机智能摄影技术，可媲美专业摄影师的拍摄技巧 **四川大学** **项目负责人：郭睿明** **作品：帷胜—昇腾AI无人载具控制系统引领者** 作品简介：帷胜系统是一款采用端边协同解决方案的新型无人载具控制系统 **北京科技大学** **项目负责人：陈虹宇** **作品：万众医芯** 作品简介：辅助医生进行临床疾病的诊断、辅助手术、 远程医疗的“医疗+AI”数字孪生医疗平台 **北京邮电大学** **项目负责人：陈科良** **作品：农e销，智能营销引领者** 作品简介：一款农民/农业企业提供营销短视频智能拍摄引导以及矩阵式 投放的平台 **南京大学** **项目负责人：夏猛** **作品：鹰视星视频目标结构化与定位系统** 作品简介：为医疗、金融领域提供智能化场景应用的产品， 也适用于交通、楼宇、政务等领域 **浙江大学** **项目负责人：崔正哲** **作品：基于脑机接口主动康复治疗的全球首创者** 作品简介：脑机接口神经康复系统，开创性地提出了中枢神经系统 主动康复的治疗方案 **西安电子科技大学** **项目负责人：赵嘉璇** **作品：基于AI开发平台ModelArts和MindSpore开源框架创** **意作品\_Eyetouch智能眼控交互方案** 作品简介：基于眼球控制的智能轮椅 **广东工业大学** **项目负责人**：**吴宇鹏** **作品：基于登录易的OpenHarmony账号管理系统团队** 作品简介：为万物互联数据安全保驾护航 **东南大学** **项目负责人**：**高爽** **作品：B5G光子毫米波高性能通信** 作品简介：一套世界领先水平的前沿光子毫米波无线通信实物系统 **南京邮电大学** **项目负责人**：**贾博仑** **作品：水下可见光音视频传输系统** 作品简介：自主设计收发系统硬件和配套软件搭建的一套 水下可见光通信Demo系统 以创新为翅膀 联结智慧未来 让每一行代码都注入青春的灵魂 华为将持续创新，深耕数字化 让更多创新创业的“未来之星” 都能站在开放的舞台 尽情发挥无限的创造力 携手构筑智慧的蓝图 扫描下方二维码加入MindSpore项目↓ MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 871543426 --- https://www.mindspore.cn/news/zh/756/ --- 新闻 技术干货｜昇思MindSpore初级课程上线：从基本概念到实操，1小时上手！ # 技术干货｜昇思MindSpore初级课程上线：从基本概念到实操，1小时上手！ 2021/10/19 # 技术干货｜昇思MindSpore初级课程上线：从基本概念到实操，1小时上手！ 初次探索MindSpore的你，是否正在面对这些问题：\*\*MindSpore是什么？MindSpre有什么特性？MindSpore究竟要怎么用？\*\*这边找资料，那边看教程，好像忙的飞起却连入门的“门”在哪都没找到… 稳住，别慌，你想要的答案都在这里，MindSpore官方精心设计的初级课程已上线（官网+B站）！九节课程，**从基本概念到建模、训练、推理，理论+实践，全方位助力新手入门，更让您一小时上手MindSpore**。真的这么简单？那就一起来看看吧~（敲黑板！！认真看，最后有作业！） 官网教程链接：MindSpore官网-教程-快速入门 **https://www.mindspore.cn/tutorials/zh-CN/r1.5/quick\\\_start.html** BiliBili主页：欢迎关注哦～ **https://space.bilibili.com/517221395?spm\\\_id\\\_from=333.788.b\\\_** **765f7570696e666f.2** ### **01** **基本介绍** 新手学习都需要经历一个复杂的过程，我们从基础概念开始，一步步深入！第一节课，快速了解MindSpore在华为AI全栈中的位置，包括总体架构、设计理念和层次结构，让你对MindSpore有一个系统性的认知和了解。 **（MindSpore总体架构）** BiliBili视频教程链接： \*\*https://www.bilibili.com/video/BV1f64y1b7zf?spm\\\_id\\\_from=333.999.0.0\*\*（课前导读）：人美声甜的晓艺老师给大家做一个整体的介绍，轻松愉快的开启1小时上手的学习课程！ **https://www.bilibili.com/video/BV1zU4y1A7Ef?spm\\\_id\\\_from=333.999.0.0** ### **02 张量** 张量（Tensor）是MindSpore网络运算中的基本数据结构，具体内容有：初始化张量的多种方式、属性、运算、与NumPy转换。提供详细的实验代码，轻松掌握。 BiliBili视频教程链接： **https://www.bilibili.com/video/BV1M34y1D7jk?spm\\\_id\\\_from=333.999.0.0、** ### **03** **数据** MindSpore提供了部分常用数据集和标准格式数据集的加载接口，用户可以直接使用mindspore.dataset中对应的数据集加载类进行数据加载。具体内容有：加载、迭代、自定义、数据处理及增强。逐步递进式引导学习，尽可能的减少开发者初次学习时的困惑。 BiliBili视频教程链接： **https://www.bilibili.com/video/BV1uM4y13759?spm\\\_id\\\_from=333.999.0.0** **04** **建立神经网络** 以构建LeNet网络为例，展示MindSpore如何建立神经网络模型。具体内容有：定义模型类、模型层、模型参数。让开发者对提供各种网络基础模块的MindSpore有系统性认知。跟着教程动手实践，解锁正确的使用方式。 BiliBili视频教程链接： **https://www.bilibili.com/video/BV11h411n75C?spm\\\_id\\\_from=333.999.0.0** **05 自动微分** 在训练神经网络时，最核心的算法是反向传播，在该算法中，根据损失函数对于给定参数的梯度来调整参数（模型权重）。具体内容有：对输入求一阶导、对权重求一阶导、梯度值缩放、停止计算梯度。用MatMul算子的求导做深入分析帮助开发者了解计算图和计算梯度，get实用技能。 BiliBili视频教程链接： **https://www.bilibili.com/video/BV1Gb4y117jE?spm\\\_id\\\_from=333.999.0.0** **06 优化模型** 通过上面六个章节的学习，可以学会如何创建模型和构建数据集。本章节具体内容有：如何设置超参、损失函数、优化器、训练。优化模型参数，有详细代码讲解，体验控制模型训练优化的过程。 BiliBili视频教程链接： **https://www.bilibili.com/video/BV1b44y1471k?spm\\\_id\\\_from=333.999.0.0** ### **07 保存及加载模型** 具体内容有：如何保存模型、加载模型、如何将保存的模型导出成特定格式到不同平台进行推理。 BiliBili视频教程链接： **https://www.bilibili.com/video/BV13f4y1E7EB?spm\\\_id\\\_from=333.999.0.0** ### **08 基本流程** 具体内容有：配置运行信息、下载数据集、数据处理、创建模型、优化模型参数、训练及保存模型、加载模型、验证模型。 简单易懂的样例，贯穿MindSpore的基础功能，实现深度学习中的常见任务。资料齐全，代码块还有详细的注释说明，全方位指引，快速上手。 BiliBili视频教程链接： **https://www.bilibili.com/video/BV1V34y1D7nh?spm\\\_id\\\_from=333.999.0.0** ### **09** **端侧推理** 初级教程的最后一节，分别讲解在昇腾AI处理器上使用MindSpore执行推理和在移动设备执行推理。代码解析、环境构建，执行推理…超全干货内容分享，做好准备，快来学习！ BiliBili视频教程链接： **https://www.bilibili.com/video/BV1LR4y1p7D8?spm\\\_id\\\_from=333.999.0.0** 从基本原理到模型开发实践，让开发者了解MindSpore开源AI计算框架的基本知识和编程方法，以及使用MindSpore进行实践，一站式获取MindSpore初级技能，助力开发者快速上手深度学习，进行AI应用开发。 一套课程学下来，实际操作不能少！来咯来咯~基于MindSpore框架端边云全流程开发一个AI应用，来使手机识别猫和狗。 详情参考官网教程： **https://www.mindspore.cn/news/newschildren?id=354** 学习操作过程中，有任何问题，可以通过社区issue（\*\*https://gitee.com/mindspore/mindspore/issues\*\*）进行提问，直接和MindSpore工程师对话交流，手把手指导解决难题！ 扫描下方二维码加入MindSpore项目↓ MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 871543426 --- https://www.mindspore.cn/news/zh/758/ --- 新闻 学会通知丨“中国人工智能学会-华为昇思MindSpore学术奖励基金”二期追加支持项目通知 # 学会通知丨“中国人工智能学会-华为昇思MindSpore学术奖励基金”二期追加支持项目通知 2021/10/21 # 学会通知丨“中国人工智能学会-华为昇思MindSpore学术奖励基金”二期追加支持项目通知 2021年9月1日，学会发布“中国人工智能学会-华为昇思MindSpore学术奖励基金”第二期评选通知，鉴于目前项目申报踊跃，中国人工智能学会和华为技术有限公司决定追加支持A类项目40个、B类项目10个，申报截止日期延至2021年10月31日，欢迎符合条件的团队及项目积极参与。 《中国人工智能学会-华为MindSpore学术奖励基金》是由中国人工智能学会和华为技术有限公司共同发起，面向高校及科研院所的AI科研人员搭建学术交流平台，提供经费、算力、技术支持等服务，推动MindSpore在AI领域科研的应用，并支持基于MindSpore框架的国际国内高水平会议和期刊的学术论文发表，激励原创性科学研究开展，构建中国人工智能科学研究的全球影响力。 入选项目将分两类进行资助： A类：额度9万，计划支持项目数量不多于70个； B类：额度18万，计划支持项目数量不多于20个。 具体内容请按《申报指南》提交申报材料（详见附件）。 申报开始时间：2021年9月1日 申报截止时间：2021年10月31日 发布评审结果时间：2021年11月15日 项目完成时间：2022年10月30日前 专属申报邮箱：xsjljj@caai.cn 学会联系电话：010-62281360 联系人：邹亚茹 13121123883 **点击链接下载附件1和附件2：**http://caai.cn/index.php?s=/home/article/detail/id/1465.html \[\](附件1. 中国人工智能学会-华为MindSpore学术奖励基金第二期项目申请指南（2021年）.docx) 附件1. 中国人工智能学会-华为MindSpore学术奖励基金第二期项目申请指南（2021年）.docx 附件2. 项目申请书.docx 扫描按下方二维码加入MindSpore项目↓ MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 871543426 --- https://www.mindspore.cn/news/zh/768/ --- 新闻 第六期「昇思MindSpore两日集训营」报名开启啦，期待你来参加！ # 第六期「昇思MindSpore两日集训营」报名开启啦，期待你来参加！ 2021/10/30 # 第六期「昇思MindSpore两日集训营」报名开启啦，期待你来参加！ 新技术在发展，新的知识在不断产生，数据、事实、信息和知识都在成倍增长，创造和分享自己想法的人数也呈指数级增长，但随着时间的推移我们会遗忘自己接触到的所有东西，为了跟上这种快速发展的步伐，我们需要不断更新我们的知识。 MindSpore两日集训营一直致力于为大家提供优质最新版本使用功能讲解课程，帮助大家学习最新AI技术，更快的解决工作中的难题。 \*\*没错！\*\*\*\*第六期集训营领携MindSpore 1.5版本来了！\*\*还不赶紧报名参加！ 码上报名！ 在今年1月的『第五期MindSpore两日集训营』中，共计2000余人观看了直播课程，课程已经上传B站【MindSpore官方】快去翻阅复习吧！ https://space.bilibili.com/526894060/channel/detail?cid=166400&ctype=0 **同时恭喜顺利结业的同学们！** 第六期的集训营，我们特邀6位MindSpore资深工程师为大家直播授课，通过本次集训营你将学到**MindSpore 1.5版本关键特性技术**，**MindSpore AI电磁仿真、卷积算子并行、专家并行、异构并行、Boost亲和算法库、控制流使用方法、可视化调试调优工具、以及华为黑科技MindSpore Lite**。 每个课题均给大家留下了作业，讲解过后，大家可以通过作业消化内容，资深工程师全程社群指导，开发者避“坑”经验大全秒get！ **01\*\*\*\*课程内容安排** 1\. 直播课：**11月6日~11月7日** 上午（**9：00~12：00**） 视频直播课 下午（**14：00~17：00**） 做作业+交流群答疑 2\. 作业时间：11月8日~11月12日 3\. 课程结业：11月15日 **02\*\*\*\*你将获得** 1\. **全方位**深入学习MindSpore 1.5和高效的框架代码实践 2\. **与华为资深工程师全程深入交流**，更有机会与大咖面对面 3\. **全程作业跟踪批改**，以及开发者避“坑”经验大全 4\. 令人心动的**结业激励和日常学业激励** **03\*\*\*\*学习结业激励** **积极学员奖**：完成6个作业及以上的同学均可获得： - MindSpore官方定制的纸质+电子证书，纸质版都用精美画框包装，可长期保存。 - MindSpore定制卫衣一件！ **最佳文章奖**：每次技术文章作业完成质量最高的5名同学获得MindSpore官方定制神秘礼品（卖个小关子~） **04\*\*\*\*MindSpore进阶体系** MindSpore官方认证、具有进阶体系含义的定制证书分为四个等级： - Mind：MindSpore最高等级的荣誉称号 - Jacobi：代表MindSpore布道师 - **Gradient：代表MindSpore优秀开发者** - Spore：官方认证MindSpore小孢子 **（上述四个等级包含两个子等级：Training和Inference。）** 在两日集训结束后，完成结业要求的同学荣获官方认证MindSpore小孢子称号和**SI（Spore-Inference）等级证书**。 **有意向开展MindSpore技术主题演讲的同学可联系小助手报名参加优秀开发者评选活动（线上线下报名均可），报名截止至12月1日晚21:00。** 优秀开发者评选通过的同学，将由官方安排演讲时间，完成演讲后将荣获**官方认证「MindSpore优秀开发者」称号**，并获得**GI（Gradient-Inference）等级证书和价值1500元精美礼品。** 扫码添加小助手：mindspore0328 进交流群免费听课 （备注：**集训**） - 第五期MindSporelian两日集训营火热报名！ - 第四期MindSpore两日集训营周六开课，等你报名~ - 第三期MindSpore两日集训营周六开始！ 扫描下方二维码加入MindSpore项目↓ MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 871543426 --- https://www.mindspore.cn/news/zh/779/ --- 新闻 11.06-11.07第六期MindSpore集训营视频回顾 # 11.06-11.07第六期MindSpore集训营视频回顾 2021/11/09 # 11.06-11.07第六期MindSpore集训营视频回顾 错过也不用遗憾！第六期MindSpore集训营课程干货来啦，为了让您可以尽情收藏学习，这里我们都帮您准备好啦，呈上来！！！ ### MindSpore AI电磁仿真 视频地址：https://www.bilibili.com/video/BV1Y34y1Z7E8 ### MindSpore并行使能大模型训练 视频地址：https://www.bilibili.com/video/BV193411b7on ### MindSpore Boost，让你的训练变得飞快 视频地址：https://www.bilibili.com/video/BV1c341187ML ### MindSpore 控制流概述 视频地址：https://www.bilibili.com/video/BV1A34y1d7G7 ### MindSpore Lite1.5特性发布，带来全新端侧AI体验 视频地址：https://www.bilibili.com/video/BV1f34y1o7mR ### 可视化集群调优重磅发布，从LeNet到盘古大模型都能调优 视频地址：https://www.bilibili.com/video/BV1dg411K7Nb 非常欢迎大家下载并体验MindSpore，参与到MindSpore开源社区建设中来。 Gitee：https://gitee.com/mindspore/mindspore GitHub：https://github.com/mindspore-ai/mindspore 论坛：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/news/zh/781/ --- 新闻 社区新知 | 精英路通加入昇思MindSpore社区，极大提高城市停车乱、停车难解决方案准确率 # 社区新知 | 精英路通加入昇思MindSpore社区，极大提高城市停车乱、停车难解决方案准确率 2021/11/10 # 社区新知 | 精英路通加入昇思MindSpore社区，极大提高城市停车乱、停车难解决方案准确率 ****精英路通****完成ISV认证**正式加入****昇思****MindSpore社区**！ **精英路通** **简介** 北京精英路通科技有限公司，华为认证级ISV伙伴，公司专注于深度学习和视觉分析技术的研发，深耕人工智能技术在智慧停车行业的应用。拥有智慧停车识别分析领域超过30项知识产权，核心产品通过公共安部产品检测，是全国道路交通标准化管理技术委员会成员单位、智慧停车系统国家标准起草单位和违法停车智能识别系统国家标准起草单位。公司荣获省部级科学技术奖、智慧停车创新品牌奖、智能交通综合实力奖、视频停车示范企业。 昇思MindSpore是华为开源的一款**全场景AI计算框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 精英路通在加入昇思MindSpore社区后，基于华为昇思MindSpore框架训练并测试一系列算法，用于前端算法部署，包括多维度目标识别算法、3D建模算法、适应天气算法等。加快模型迭代效率，提升模型效果，从而极大提高智慧听成系统的准确率。解决路外停车散弱小、运营能力差、路内停车管理不规范等问题。 福建浦城智慧停车特许经营项目，为城市管理者提供停车大数据、路段交通信息、诱导屏数据；为车场运营方提供停车位动态管理、实时监控、计费管理、脱逃费管理、人员管理、数据统计等。进一步提供蒲城交通文明水平与交通智能化管理水平，打造美丽浦城的新名片。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**huxiaoman@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，可咨询昇思MindSpore小助手（**微信：mindspore0328**）。 ## **往期推荐** 社区新知 | 敦锋科技加入MindSpore社区，高效进行视频AI模型训练！ 社区新知 | 依瞳科技加入MindSpore社区，打造一体化平台解决方案！ 社区新知 | 江苏鸿程加入MindSpore社区，实现智能化信息处理！ 扫描下方二维码加入MindSpore项目↓ MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/783/ --- 新闻 社区新知 | 斗鱼科技加入昇思MindSpore社区，有效提高内容审核准确率，精准打击直播违规内容 # 社区新知 | 斗鱼科技加入昇思MindSpore社区，有效提高内容审核准确率，精准打击直播违规内容 2021/11/12 # 社区新知 | 斗鱼科技加入昇思MindSpore社区，有效提高内容审核准确率，精准打击直播违规内容 ****斗鱼科技****完成ISV认证**正式加入****昇思****MindSpore社区**！ ### **斗鱼科技\*\*\*\*简介** 武汉斗鱼网络科技有限公司，华为认证级ISV伙伴， 中国直播行业龙头企业、中国互联网百强企业、中国十大软件著作权人、武汉市第一家“独角兽”级互联网创业公司，斗鱼直播以“分享直播，更多快乐”为使命，致力于为用户提供最高质量的直播内容，精于游戏而不止游戏，涵盖电竞、户外、美食、二次元、影视、音乐等众多板块。 昇思MindSpore是华为开源的一款**全场景AI计算框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 斗鱼科技在加入昇思MindSpore社区后，基于华为昇思MindSpore ResNet101模型训练，打造内容审核服务平台，有效解决由于直播、录播视频容量大，视频场景复杂，在低训练情况下人工智能误判率高等问题。斗鱼色情内容审核准确率超过95%、色情内容审核召回率高达80%，有效的做到色情图片识别、暴恐图片识别、画中画识别、多场景覆盖。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱： **huxiaoman@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 社区新知 | 精英路通加入MindSpore社区，提高城市停车乱、停车难解决方案准确率！ 社区新知 | 敦锋科技加入MindSpore社区，高效进行视频AI模型训练！ 社区新知 | 依瞳科技加入MindSpore社区，打造一体化平台解决方案！ 扫描下方二维码加入MindSpore项目↓ MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/785/ --- 新闻 案例| MindSpore Lite for Micro超轻量AI引擎助力华为WATCH 3发布 # 案例| MindSpore Lite for Micro超轻量AI引擎助力华为WATCH 3发布 2021/11/15 # 案例| MindSpore Lite for Micro超轻量AI引擎助力华为WATCH 3发布 ### **1 生活中的AI** MCU的全称是Microcontroller Unit，中文可以称为微控制器或者单片机。MCU既可用于汽车电子、工业控制等领域，也可应用于小型和低功耗设备中。全球有数十亿台物联网（IOT）设备，大到扫地机器人、微波炉、音箱，小到手表、手环、电动牙刷等，都离不开MCU。MCU不仅承担计算任务，还可扩展接入众多外设，比如按键、麦克风、扬声器、摄像头和传感器等，实现与周围环境的互动。即便五年前，大部分MCU小型设备都不具备智能能力。近几年，随着深度神经网络技术的快速发展，出现了TinyML的细分领域。TinyML(微型机器学习)是指机器学习或者深度学习应用于微型设备上的场景。简单来说，它是指在MCU设备上进行AI模型训练和推理。有了TinyML，再小的设备也可以具备智能化，而无需依赖昂贵的硬件或者可靠的互联网传输。TinyML的另一项优势是隐私保护，所有操作均在本地完成，无需向云侧发送任何数据。 ### **2 现实问题** 智能手表是华为消费者业务除手机外另一个重要的产品，也是典型的MCU设备。华为在2015年发布了第一款智能手表。前两代手表自发布后，经常收到用户反馈在抬腕亮屏这个功能上体验不佳，比如亮屏时延较大、概率性不亮屏和误亮等，这些问题也间接造成了手表续航时间的减少，对华为品牌声誉造成影响。造成该问题长期存在的原因很多，比如早期使用的是传统算法（非深度学习）；使用了友商的推理框架，由于该框架没有对MCU设备进行优化，导致程序的ROM和RAM占用均较高，这对于资源受限的MCU设备来说，无疑雪上加箱。另外，该框架算子计算性能不佳，导致推理时延也比较大，最终导致亮屏时延较大。 ### **3 解决方案** 2020年，华为自研的深度学习框架MindSpore正式对外开源。作为一款优秀的全场景AI框架，MindSpore也提供对TinyML模型端到端的部署能力。MindSpore训练框架可以让用户快速入门AI应用，简单高效地训练出自己专属的AI模型。而MindSpore Lite for Micro作为一款超轻量AI推理引擎，让用户轻松部署自己的TinyML模型。MindSpore Lite for Micro核心理念是“模型即代码”，会根据目标硬件的CPU体系结构、内存状况，以低功耗、高性能和无第三方依赖为优化目标，为每个模型生成专属的高效推理代码。 该方案分为Host和Device两个阶段。在Host阶段，我们会对AI模型进行各种算子转换和图优化操作，大幅缩减冗余计算，力求在目标硬件上达到最优推理性能。这里的模型不单指MindSpore的模型，还支持其他主流模型格式接入，比如TF、TFLITE、ONNX和CAFFE等。我们还支持训练后量化，实现模型更小、推理更快。Device阶段，用户需要将生成的目标源代码进行交叉编译，部署到目标硬件上。我们生成代码的同时，配套提供了CMake的构建工程，大大方便了用户集成；对于IDE集成的用户，我们在官网也提供了操作指南。 ### **4 助力Watch3** 2021年6月2日，HarmonyOS及华为全场景新品发布会上，作为华为旗舰智能腕表的WATCH 3正式发布。该款产品内置了我们MindSpore Lite for Micro超轻量AI引擎，实现了误亮屏减少50%、超长续航模式下续航提升1.2天、ROM和RAM占用均大幅减少的优秀成绩，取得了不俗的市场评价和用户口碑。在解决长期困扰手表用户的抬腕亮屏问题背后，是MindSpore Lite for Micro针对MCU设备的精准定位。首先，它在模型小型化上做到极致，通过模型优化和代码裁剪大幅降低代码量，从而降低ROM的空间占用。其次，它通过代码优化提升内存块复用，从而减少RAM空间占用。最后，基于开源CMSIS-NN算子库进行卷积类算子优化，进一步提升性能，降低时延。 ### **5 结语** MindSpore Lite for Micro超轻量AI引擎不仅助力了Huawei Watch3，在智慧屏、智能音箱、蓝牙耳机、打印机等众多华为IOT设备上都有它的身影。未来，我们也将助力整个中国的物联网和AI产业迈向成功，使用MindSpore Lite for Micro超轻量AI引擎实现“模型即代码”，使能IOT设备的AI能力，让AI智慧化无处不在。 如需要进一步了解这个MCU模型部署利器，请访问官网https://www.mindspore.cn/ --- https://www.mindspore.cn/news/zh/790/ --- 新闻 公开课｜昇思MindSpore开发调试调优WorkShop即将开讲啦！ # 公开课｜昇思MindSpore开发调试调优WorkShop即将开讲啦！ 2021/11/17 # 公开课｜昇思MindSpore开发调试调优WorkShop即将开讲啦！ **朋友们，你还在为core dump而苦恼吗**\*\*？你还在为编译失败而发愁吗？\*\*那么请看这里，本周六昇思MindSpore的技术专家们将在线上和大家面对面，**分享昇思MindSpore使用过程中的常见问题定位方法，帮助各位小孢子们掌握高超实用的DEBUG技能**，成为昇思MindSpore高手！ 此外，我们还邀请到了**四位优秀的外部开发者**，他们将会**分享数据处理算子的开发经验和模型训练性能调优的经验，讲述从0到1的升级打怪之路**。 \*\*时间：\*\***2021-11-20 18:45-21:00** **会议链接：两种方式都可接入** **方式一：** **https://meeting.tencent.com/dm/EFxIL8PiQnho**\*\*（根据链接下载“腾讯会议”）\*\*\*\*会议ID：\*\***972 622 654** **方式二：** **bilibili直播，搜索【MindSpore官方】 ，按照会议时间进入即可观看直播** **01 议题：** 《MindSpore常见报错定位技巧》—18:45-19:40 **内容预告：** 分享模型和数据集的加载保存、construct语法等前端python接口使用过程中的常见问题解决方法，以及MindSpore编译、运行过程中的error、core dump等后端报错定位技巧。 **分享嘉宾：** **Zherui**（MindSpore-FrontEnd组件专家） **Zhaoju**（MindSpore-Compilier组件专家） **Mingqi**（MindSpore-Executor组件专家） **02 议题：** 《RetinaFace\_ResNet50模型性能调优》—19:40-20:20 **内容预告：** 借助MindSpore Profilier、MindInsight等工具进行模型训练速度优化，将单步训练速度从455ms/step提升至256ms/step，远超基线301ms/step性能。 **分享嘉宾：** **裘坤锋**（浙江工业大学控制工程专业硕士研究生，浙江工业大学网络空间安全研究院IVSN团队成员） **03 议题：** 《MindSpore数据处理算子开发》—20:20-21:00 **内容预告：** 分享音频、文本、图像等数据处理算子的开发经验，数据处理包括数据加载（原始数据转成Tensor格式）和数据增强（如图像数据的旋转、缩放，文本的分词和音频的滤波、重采样等等）。 **分享嘉宾：** **庞宇超**（浙江工业大学软件工程硕士研究生，浙江工业大学智能计算研究所成员，MindSpore算子核心开发者，参与开发mindspore算子十余个） **张炼**（浙江工业大学软件工程硕士研究生，浙江工业大学智能计算研究所成员，MindSpore首批音频增强算子核心开发者） **高良煜**（浙江工业大学软件工程硕士研究生，浙江工业大学智能计算研究所成员，MindSpore文本数据集加载算子核心开发者） 欢迎各位小孢子们积极参与，讨论互动即有机会获得T恤衫、雨伞、书包、帆布袋或者马克杯等精美纪念品哦！ **会议时间** 2021-11-20 18:45-21:00 **会议地点** 方式一：自行下载“腾讯会议”APP， 会议ID：972 622 654 方式二：bilibili直播，搜索【MindSpore官方】 **扫码加群互动** **官方QQ群号 : 486831414** 扫描下方二维码加入MindSpore项目↓ MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/791/ --- 新闻 社区新知 | 南方数码加入昇思MindSpore社区，模型推断性能取得较大提升，提供可靠、准确的建设用地变化检测 # 社区新知 | 南方数码加入昇思MindSpore社区，模型推断性能取得较大提升，提供可靠、准确的建设用地变化检测 2021/11/17 # 社区新知 | 南方数码加入昇思MindSpore社区，模型推断性能取得较大提升，提供可靠、准确的建设用地变化检测 **南方数码**完成ISV认证**正式加入****昇思****MindSpore社区**。 **南方数码\*\*\*\*简介** 广东南方数码科技股份有限公司成立于2003年，华为认证级ISV伙伴，是一家集数据、软件、服务于一体的中国领先的地理信息开发与服务商、中国地理信息产业“百强企业”，业务覆盖地理信息全产业链，提供一站式的就近服务。目前，公司已有千余个政务管理系统稳定运行在各级政府和行业管理部门。 昇思MindSpore是华为开源的一款**全场景AI计算框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 南方数码在加入昇思MindSpore社区后，基于昇思MindSpore提出了遥感建设用地变化检测联合解决方案。南方数码时空大数据智能服务平台（以下简称“iGIS”）完成了华为全场景AI计算框架昇思MindSpore的适配，在模型定义，模型训练和模型推断中使用昇思MindSpore的AI能力。在多个遥感智能解译应用中，较原有框架，模型推断性能取得较大提升。iGIS广泛应用于自然资源、智慧城市等领域，支撑时空大数据管理、服务、计算等业务场景，为用户提供更高性能的时空大数据智能服务。 对建设用地变化情况进行及时、直接、客观的定期监测，检查土地利用总体规划及年度用地计划执行情况，重点核查每年土地变更调查汇总数据，从而为国家宏观决策提供比较可靠、准确的土地利用变化情况报告。 基于昇思MindSpore平台，遥感建设用地变化检测模型较原有平台取得34%的性能提升，且模型的识别准确率和召回率与原有平台的模型持平。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱： **huxiaoman@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 社区新知 | 斗鱼科技加入MindSpore社区，提高内容审核准确率，精准打击直播违规内容! 社区新知 | 精英路通加入MindSpore社区，提高城市停车乱、停车难解决方案准确率！ 社区新知 | 敦锋科技加入MindSpore社区，高效进行视频AI模型训练！ 扫描下方二维码加入MindSpore项目↓ MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/796/ --- 新闻 2021年度中国人工智能学会-华为昇思MindSpore学术奖励基金入选名单正式出炉！ # 2021年度中国人工智能学会-华为昇思MindSpore学术奖励基金入选名单正式出炉！ 2021/11/22 # 2021年度中国人工智能学会-华为昇思MindSpore学术奖励基金入选名单正式出炉！ 《中国人工智能学会-华为昇思MindSpore学术奖励基金》是由中国人工智能学会和华为技术有限公司共同发起，**面向高校及科研院所的AI科研人员搭建学术交流平台，提供经费、算力、技术支持等服务，推动昇思MindSpore在AI领域科研的应用，并支持基于昇思MindSpore框架的国际国内高水平会议和期刊的学术论文发表，激励原创性科学研究开展，构建中国人工智能科学研究的全球影响力。** 今年9月1日，学会发布第二期基金项目申报通知，由于项目申报踊跃学会于10月20日发布追加项目通知。本次评选共收到来自99个单位的224份申报项目。经资格审核、36位人工智能领域专家进行项目初评，13位专家进行项目终评，**入选名单正式揭晓。** **本年度共有****63个****项目入选****A类****奖励基金名单，****20个****项目入选****B类****奖励基金名单。** **第二届中国人工智能学会-** **华为MindSpore学术奖励基金入选名单** **恭喜以上入选的同学们！** **对此类活动感兴趣的小伙伴们** **请关注我们及时获取昇思MindSpore活动动态~** **欢迎投稿** **欢迎大家踊跃投稿，有想投稿技术干货、项目经验等分享的同学，可以添加MindSpore官方小助手：小猫子（****mindspore0328****）的微信，告诉猫哥哦！** **昇思MindSpore官方交流QQ群 :** **486831414**\*\*（****群里有很多技术大咖助力答疑！****）\*\* **官方QQ群号 : 486831414** **微信小助手：mindspore0328** 扫描下方二维码加入MindSpore项目↓ MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/797/ --- 新闻 启智与昇思的开源力量：TCL工业研究院基于MindSpore实现工业AI算法库READ # 启智与昇思的开源力量：TCL工业研究院基于MindSpore实现工业AI算法库READ 2021/11/23 # 启智与昇思的开源力量：TCL工业研究院基于MindSpore实现工业AI算法库READ **1\. READ项目** 工业AI是智能制造的一个重要发展方向，有望能有效地推动生产力的发展，也是未来国家间竞争的关键。 工业质检是工业生产中最重要的环节之一，也是工业转型升级的重要突破口。传统工业质检依靠人力，不仅效率低、出错率高，而且人力成本高，人员易流失。基于AI的工业视觉检测是工业AI的一个重要的内容，主要针对工业生产中的各种产品的进行品质监控，筛选有缺陷的产品。然而，在TCL自身的工业AI视觉实践中，我们发现由于工业生产场景自身的特点，缺陷检测任务经常缺乏足够的异常样本用作训练。因此，在工业质检领域，基于正常样本的弱监督/自监督/无监督算法有着相当重要的价值，甚至在一定程度上可以帮助AI算法在工业领域突破大规模应用的红线。 针对以上的问题，无监督缺陷检测算法在学术界获得了极大的关注同时涌现了大批先进的算法。无监督缺陷检测可以在仅仅使用少量正常样本训练的情况下完成缺陷定位及异常检测的任务。然而，工业视觉领域并不是一个非常开放的领域，社区也不是很活跃，缺乏优秀的开源项目。因此，为了推动无监督异常检测算法在工业视觉领域的应用和研究，在对无监督异常检测进行了大量的创新与实践之后，TCL工业研究院将自己的实践总结成了READ算法库，并启动了READ项目，旨在为工业检测领域提供一个无监督异常检测的框架。 READ专注于研发与集成基于无监督监督学习的大规模异常检测算法和模型，重点解决工业质检中小样本和数据长尾问题，通过针对不同行业的业务和数据特点，研发可在无异常（无缺陷）图像上进行自学习和自训练的异常检测技术。未来，READ项目将搭建工业级别的开源数据库和技术生态平台，寻找更加鲁棒的和自动化的自监督训练方法，建立工业异常检测的标准化流程及评测指标，提升工业异常检测技术的性能和跨行业扩展性。 Read(Reconstruction or Embedding based Anomaly Detection)项目作为第一个工业视觉无监督异常检测框架，目前已经集成了许多学术界前沿的优秀的无监督异常检测算法，可以在仅使用少量正常样本训练的情况下完成缺陷定位及异常检测的任务。主要涉及到的技术有迁移学习、表征学习、Transformer、标准化流、统计分布、无监督学习、弱监督学习等计算机视觉前沿技术。READ提供两个主要功能：1）用于实现新的异常检测算法的接口；2）用于封装各种异常检测任务的模板。考虑到使用的开发便利，READ框架架构简洁，使用一个统一的架构将全部的算法串接起来，代码模块化，可以使用简单通用的接口调用使用者需求的算法模型，更易调用和阅读。在精度层面，实现了大量sota算法，并保证实现的精度与原作的精度一致。READ框架具有的主要优势有以下三点：算法丰富、开箱即用、精度保证。READ同时支持PyTorch和昇思MindSpore框架的算法训练，适应了不同开发者的多种部署需求，在追求快速落地的同时又满足部分开发者将模型迁移至国产框架上的需求。 **昇思\*\*\*\*MindSpore版本链接：https://git.openi.org.cn/OpenI/READ\\\_mindspore** 相关统计数据显示，中国每天在产线上进行目视检查的工人超过350万，其中仅3C行业就超过了150万人。这些质检人员每天都要花费大量的时间去判断工业零件的质量，不但有害员工视力，还会存在速度和稳定性差等问题，对检测效率和质量造成影响。同时，传统的工业质检方法是通过实验，人工用放大镜、显微镜等多种工具选取亮度、颜色、尺寸、形状等特征及其参数来设计判决规则，仅可判别定量缺陷检测、无法自适应，泛用性低，并且人工成本高。 **2\. 开发昇思MindSpore版本的初衷** 接触到昇思MindSpore的契机是在港研所领导的推荐下，我们的开源项目在启智社区通过立项并且成功开源，在跟启智社区进行更加深入的合作之后，我们开始了解到了鹏城实验室的云脑计算资源、华为的昇腾设备和昇思MindSpore框架。在了解到华为为了达成全栈AI所进行的努力，并且已经为社区准备了相当完善的软硬件工具之后，我们的团队成员一致觉得我们需要使用华为的昇腾设备和昇思MindSpore框架来开发我们的项目。我们公司也希望能和多家公司机构合作，能促进共赢发展。从长远的角度出发，我们是为工业界产品服务，考虑到工厂的利益，我们选择国产的框架相对业界主流的国外研发的框架更加稳妥。考虑到近些年国际形势的不稳定，业界和学术界使用的一些开发平台和框架由于版权问题，被外国机构勒令禁止使用，严重影响和制约了我国制造业的发展。所以我们希望能在自己民族企业开发的框架上面开源我的项目。企业在使用我们开源项目的产品时，不用担心受到国外制裁的威胁，能够稳步的向前发展。在时代潮流之下，我国推崇民族企业，无论是产品还是技术，民之所向更坚定支持国产的产品。\*\*华为是可信任的民族品牌，作为制造业民族品牌的我们也希望华为开发的昇思MindSpore的AI框架能够在国内外企业间遍布通用，使中国的产业能在未来推广至全世界。\*\*综上所述，我们选择开发一套基于昇思MindSpore框架的开源项目，使华为和我们公司双方都能够从中获得更大的利益，共同保障我国在全球制造业智能化转型上的领先地位。 **3\. 团队介绍** 我们的团队隶属于TCL工业研究院-香港研究所，TCL工业研究院是TCL集团的顶级R&D部门，主要聚焦聚焦人工智能及大数据、新型半导体显示技术和材料、智能制造和工业互联网、5G应用四大核心技术，专注于前沿科技的储备与探索，为TCL成员企业提供前瞻性的技术支持。TCL工业研究院-香港研究所的主要研究方向主要是在大数据、人工智能、AIOT等，而我们团队在港研所内主要从事AI在工业视觉领域的研究与落地工作，在工业视觉缺陷检测领域拥有多年的研究经历，深耕视觉和深度学习算法开发业务，在3C电子、半导体显示、汽车等行业都有AI算法的工厂落地的经验。团队成员都参与了TCL华星光电的ADC（人工智能自动缺陷分类系统）项目，ADC系统是国内半导体显示行业第一个真正落地的人工智能应用。ADC系统利用大数据、AI深度学习、机器视觉等最新技术，将产品图像与已知缺陷图像库进行比对，通过先进的算法模型，智能检测缺陷种类，自动分析异常并给出解决方案。通过该系统与现有检验流程的集成，还能够迅速启动和运行该解决方案。ADC应用每年可为TCL华星光电综合效益提升1500万元。 - - TCL集团2020年研发投入85亿元人民币，累计专申请77600多件，TCL工业研究院工程师总数：350人 - TCL工业研究院-香港研究所2020年AI工程师总数49人+20人实习生团队 **张潮**\*\*（**帝国理工大学博士，项目组主要负责人之一**）\*\* TCL工业研究院（香港）AI资深专家，主要致力于人工智能在工业检测与智能制造领域的落地和应用。2012年于西安交通大学获取本科学位，分别在2014年与2018年于英国帝国理工学院获取硕士与博士学位。曾在华为2012实验室与博世人工智能中心担任计算机视觉科学家，期间主导了多个基于AI的异常检测/缺陷识别系统的应用研发及落地。入职TCL后，负责缺陷检测的前沿研究工作与AI视觉系统在TCL工厂的落地应用。 **唐高杨**\*\*（项目的负责人之一）\*\* TCL工业研究院（香港）AI高级工程师，主要负责基于深度学习的视觉落地项目。2018年于深圳大学计算机与软件学院获取硕士学位。曾在联想香港创投研究院和探智立方北京公司担任深度学习研究员，期间参与多个AI视觉落地项目及深度学习平台开发。入职TCL后参与多个AI视觉工业质检落地项目以及该领域的前沿技术探索。 **杨捷文 （项目组成员）** TCL工业研究院（香港）算法工程师，主要负责人工智能在视频语义理解以及图像语义理解在智能产品上的应用研究与落地。2018年于华南师范大学获得本科学位，于2020年于英国卡迪夫大学获得硕士学位。在TCL任职期间完成了负责了多个项目的AI模型落地，擅长AI模型轻量化设计并能够完成AI模型在低算力设别上的部署和搭建；目前主要负责具体任务（手势，行为识别）的视频语义理解项目的研究以及相关项目。 **刘军 （项目组成员）** TCL工业研究院（香港）资深算法工程师，主要致力于单目深度估计、物体检测以及图像质量评估的应用和落地。2012年于北京理工大学获取本科学位，随后保送本校攻读硕士以及博士学位。曾在深圳大学信息工程学院博士后流动站工作，期间发表中科院1区和2区论文各一篇。入职TCL后，负责的深度估计、图像检测的前沿研究工作，同时从事网络搜索NAS相关方面的技术落地。 READ团队还有多名实习生：**宁锦来**、**陈大鹏**、**刘兰**、**莫承见** **4\. 开发过程中的心酸喜乐** **唐高杨**：“开发过程是漫长艰辛的，也是困难重重，主要是昇思MindSpore框架还没有稳定下来，我们的算法里面包含很多自定义的或者相对复杂的算子计算API，昇思MindSpore有些还没有实现到位，我们需要自己去“拓荒”，这个过程耗时耗力，往往还会遇到不少问题。开心的是，昇思MindSpore工作人员比较积极配合帮助，在昇思MindSpore和我们的共同努力下，双方都互利共赢，我们算法实现了，昇思MindSpore也加入更新了很多算子，更新速度也比较快。” **杨捷文**：“从刚开始的欣喜若狂到后面的逐渐平静，开发过程大部分时间是枯燥乏味的。开发昇思MindSpore版本对于我来说就像在一片混沌中寻找光明，因为它没有前车之鉴，需要我们自己去寻找其中的玄机，我在黑暗中慢慢摸索，困难重重。幸运的是，经过不断努力，我们成功了，尽管过程不是那么让人愿意回味，但是不置可否，昇思MindSpore给我们带来了惊喜。” **张潮**：“开发过程中的心酸主要是两方面的：一个是算法本身，另外一个就是框架了，哈哈。算法方面呢，我们设计的无监督异常检测需要在只有少量正常图片训练的情况下，完成异常检测和缺陷分割两个任务，在没有强监督的情况下完成这个任务确实不简单。现有的sota算法有基于传统算法的，基于CNN的，基于Transformer的，基于normalizing flow的，五花八门包罗万象，可以说是深度学习领域的万花筒了，我们团队在开发的时候经常需要像学生时代那样对着论文一句一句过，查漏补缺，基本上大部分主流的模型架构都重新熟悉了一遍。框架方面呢，由于团队成员一开始都是习惯使用的TensorFlow/PyTorch，对于MindSpore并不熟悉，同时由于昇思MindSpore还在快速发展时期，有时候我们需要从头实现一些函数，但是由于Mindspore的开源项目暂时也不是很多，所以我们可以借鉴的代码也比较少，因此有时候大量翻阅MindSpore的API文档也是家常便饭的事情。当然了，做READ项目本身还是一个充满乐趣的事情。对我个人而言，做开源项目最大的收获是获得对于很多的算法更深的理解，同时也确确实实地在社区里留下了自己的东西。” **5\. 下一步工作** 下一步我们会继续探索相关的算法，实现更多效果更好的工业视觉缺陷检测领域的算法，并开源到我们的READ上面去，两个版本的框架算法都会进行不断的更新完善，以便为广大的同行开发者服务。同时我们希望跟华为昇思MindSpore有更深一步的合作，互利共赢，我们在实现算法完善开发的同时，也能帮助MindSpore提供更多有帮助性的用户体验意见，也希望华为提供更多的资源，我们也会多根据不同的底层框架设计不同的开发模式，让算法的效率更高，鲁棒性更强，共同推动双方的项目产品能在业界里深根发芽。再往后的一步，我们希望我们的算法在三个平台（产业、科研、教学）都能有更全面的发展，我们除了希望我们的框架算法能帮助工业界更多的企业外，在教学平台这块，我们希望能够和更多高校和教育机构深度合作，为其提供更多最新且优质的算法供更多学者了解这个领域，领入并从事工业视觉检测领域，更进一步推动工业落地。同时提供完善的科研平台供科研工作者能花更少的时间和精力，使用我们的框架孕育出更多帮助工业视觉缺陷检测领域更具突破性的创新。我们的理想是能够为推动全人类工业制造4.0智能化发展贡献力量。 同时，随着近来视觉大模型和对比自监督训练方法的快速发展，也给计算机视觉领域带来了新的发展方面。现阶段的视觉大模型主要是针对自然图像的情况，对于工业领域的并没有进行相应的优化。未来，READ也希望能够加入更加适应于工业领域的对比自监督与视觉大模型的算法，促进工业视觉领域更加快速的发展。 **欢迎投稿** **欢迎大家踊跃投稿，有想投稿技术干货、项目经验等分享的同学，可以添加MindSpore官方小助手：小猫子（****mindspore0328****）的微信，告诉猫哥哦！** **昇思MindSpore官方交流QQ群 :** **486831414**\*\*（****群里有很多技术大咖助力答疑！****）\*\* **官方QQ群号 : 486831414** **微信小助手：mindspore0328** 扫描下方二维码加入MindSpore项目↓ MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/798/ --- 新闻 干货课程 | 最火热的AI+量子计算开源项目MindSpore Quantum公开课回顾（附视频） # 干货课程 | 最火热的AI+量子计算开源项目MindSpore Quantum公开课回顾（附视频） 2021/11/25 # 干货课程 | 最火热的AI+量子计算开源项目MindSpore Quantum公开课回顾（附视频） **1 培训整体介绍** QWorld量子计算基础编程培训活动由中国科学技术大学主办，开源组织QWorld、MindSpore及HiQ量子计算团队联合举办。此次培训是QWorld在中国首次举办、也是第一次使用Bronze-ProjectQ的培训。中国科学技术大学负责学员报名和培训支撑工作，共邀请196名符合要求的学员参加。整个培训共六次课程，持续三周，每周两次。前面五次培训采用全英文线上教学，每位学员不仅要参加在线课程学习，还要完成五项课后作业，并通过QWorld的Canvas系统提交作业和查询分数。培训最后一天的特别讲座是由MindQuantum团队的专家——徐旭升博士带来精彩的量子计算实操课程讲解。**MindQuantum是基于昇思MindSpore开源深度学习框架和HiQ量子计算云平台开发的通用量子计算框架，支持多种量子神经网络的训练和推理。** **2** **培训日程和课程视频** 在线欢迎会1场，在线讲座5场，HiQ量子计算在线研讨会1场 1. 10 月 15 日 18:30-19:00 | **欢迎会** https://www.bilibili.com/video/BV13L411G7PQ/ 2. 10 月 15 日 19:00-20:00 | **第一讲：经典系统基础** https://www.bilibili.com/video/BV13L411G7PQ/ 3. 10 月 16 日 19:00-20:00 | **第二讲：量子系统基础** https://www.bilibili.com/video/BV1N44y147xn/ 4. 10 月 22 日 19:00-20:00 | **第三讲：作用在量子比特上的量子算符** https://www.bilibili.com/video/BV19R4y1J7uJ 5. 10 月 23 日 19:00-20:00 | **第四讲：纠缠和基础量子协** https://www.bilibili.com/video/BV1DT4y1R7jK/ 6. 10 月 29 日 19:00-20:00 | **第五讲：Grover 搜索算** https://www.bilibili.com/video/BV17U4y1c7fj/ 7. 10 月 30 日 19:00-21:00 | **HiQ量子计算“MindQuantum”讲座** https://www.bilibili.com/video/BV1q44y1i76z/ **3** **培训团队** **组织者：** **Abuzer Yakaryilmaz（QWorld）和苏兆锋副研究员（USTC）** **负责人：** **Abuzer Yakaryilmaz** **量子计算讲师：****徐旭升****博士** \*\*助教：\*\***Vishal Bajpe、Marija Šćekić、Claudia Zendejas-Morales (QWorld)、姜业东、刘佳薇、陈泓霖（USTC）** **4** **培训证书** 本次培训共有196人通过报名审核，95名同学完成了作业，其中92名同学成功获得QBronze培训证书。在这里恭喜顺利毕业的同学们！ **5** **培训反馈** 培训结束后，收到了多名参与者的好评和反馈意见，以下是部分反馈： 1. “我希望能举办更多这样的活动。这门课不仅让我对量子计算有了更深的了解，也让我对量子科学产生了浓厚的兴趣。就连我的研究生都决定转学了，哈哈哈，这也让我找到了最初对世界的兴奋，对新领域的认识和未完成事业的发展。这门课点燃了我对知识的渴望和对量子科学的热爱，谢谢！” 2. “课程难度适中，测试非常有效，教授有独特的视角，讲课生动有趣。这甚至让我想转专业，专攻量子计算和量子元件。” 3）“教程很有帮助。老实说，有时候我跟不上教授的进度，所以我下课后查看了辅导课。” 4. “ProjectQ Python笔记本玩起来很有趣。” 5. “我很感激你给我们提供了一个学习量子系统等的机会，否则我可能没有办法学习它们。” 6. “这对我来说是一次很好的经验，也很有用，希望你们能继续举办这样的讲座。” 7. “我认为这门课很有挑战性，也很有回报。” 8. “这是我第一次参加国外的网络直播讲座。这很有趣，也很有创意。” 通过本次QWorld量子计算基础编程培训，我们希望能帮助更多的学生来学习量子计算的相关知识，也能够吸引高校师生了解并参与到MindQuantum开源项目的建设中，为量子计算事业发展培养人才，为国家新一代技术建设贡献自己的力量。我们将启动更多的培训课程和活动，欢迎各大高校与MindQuantum团队开展合作，**联系邮箱：hiqinfo1@huawei.com** 附录……………………………………………………………………………………… Bronze介绍 Bronze 是 QWorld 在2018年10月创建的关于量子计算和编程的入门教程名字。它是 Jupyter Notebook 的集合，每个 Notebook 都有很多编程任务以提供实践体验。Bronze 的本质是提供一个类似实验室的环境，人们可以通过实践学习量子计算和量子编程的基础知识。作为一种教学策略，Bronze跳过使用复数，以使新手的教程更简单。 Bronze有五个主要部分： 1\. 经典系统的基础知识（概率比特、抛硬币、有偏硬币、概率状态和概率算子、相关性）。 2\. 量子系统的基础知识（基于线路的量子程序：寄存器、量子门、测量、线路执行和结果读取、量子态和算子）。 3\. 量子比特上的量子算子与量子层析。 4\. 纠缠和基本量子协议（超密集编码和量子隐形传态）。 5\. 量子搜索算法。 到 2021 年 11 月，Bronze已在 26 个国家的近70场研讨会中使用，颁发了近3000份毕业证书。活动列表请访问https://qworld.net/workshop-bronze/ Bronze-ProjectQ介绍 Bronze-ProjectQ 是使用 ProjectQ 作为量子编程框架的 Bronze 版本。 2021年10月发布： https://gitlab.com/qworld/bronze-projectq **欢迎投稿** **欢迎大家踊跃投稿，有想投稿技术干货、项目经验等分享的同学，可以添加MindSpore官方小助手：小猫子（****mindspore0328****）的微信，告诉猫哥哦！** **昇思MindSpore官方交流QQ群 :** **486831414**\*\*（****群里有很多技术大咖助力答疑！****）\*\* **官方QQ群号 : 486831414** **微信小助手：mindspore0328** 扫描下方二维码加入MindSpore项目↓ MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/800/ --- 新闻 大咖讲 | 最前沿的昇思MindSpore开源社区运营的经验分享，快拿出小本本记录呀！ # 大咖讲 | 最前沿的昇思MindSpore开源社区运营的经验分享，快拿出小本本记录呀！ 2021/11/26 # 大咖讲 | 最前沿的昇思MindSpore开源社区运营的经验分享，快拿出小本本记录呀！ 2021年Linux基金会北美开源峰会的主旨演讲中，我们为大家分享了关于昇思MindSpore开源社区的运营经验。 此次演讲涵盖了如何快速吸引中国开发者等重要话题，以及如何组织以开发者为中心的活动，如何利用各种开源工具构建社区基础设施，如何在主要开源社区之间建立更广泛的合作等精彩内容。下面我们将此次演讲材料分享给大家，便于大家学习交流，干货满满，请收藏！ **1** **精彩视频回放** **回放视频链接：**https://www.bilibili.com/video/BV1tL411M7sg?spm\_id\_from=333.999.0.0 **2** **材料获取** **下滑直接查看课程材料，完整材料获取请：** **关注MindSpore公众号并后台回复“社区运营”获取PDF版本** **欢迎投稿** **欢迎大家踊跃投稿，有想投稿技术干货、项目经验等分享的同学，可以添加MindSpore官方小助手：小猫子（****mindspore0328****）的微信，告诉猫哥哦！** **昇思MindSpore官方交流QQ群 :** **486831414**\*\*（****群里有很多技术大咖助力答疑！****）\*\* **官方QQ群号 : 486831414** **微信小助手：mindspore0328** 扫描下方二维码加入MindSpore项目↓ MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/807/ --- 新闻 MSG企业行 | 西安人工智能产业技术交流会暨昇思MindSpore企业行活动成功举办！ # MSG企业行 | 西安人工智能产业技术交流会暨昇思MindSpore企业行活动成功举办！ 2021/11/29 # MSG企业行 | 西安人工智能产业技术交流会暨昇思MindSpore企业行活动成功举办！ 2021年11月26日下午，西安人工智能产业技术交流会暨MindSpore企业行活动成功举办。本次活动**以“打通政产学研用”链条，推动“双链”融合发展”为主题，共同探讨人工智能“卡脖子”技术解决方案，旨在推进人工智能与产业深度融合，加速产业智能化、高质量发展。** **西安市雁塔区副区长吕\*\*\*\*东国**在致辞中表示，雁塔区要抓住时代风口，借着这个风口，实现雁塔区高质量发展的目标。如何实现高质量发展目标，就是靠五城，包括创新之城、高能之城、宜居之城、文化之城、法治之城，把创新摆在所有工作中的重中之重，这里所提的创新不仅仅是科技创新，是在科技创新基础上的体制创新、机制创新、模式创新、管理创新、服务创新。这种创新的引领创造了雁塔的速度，挑战不可能。这里重点说“高能之城”，我们通过研判，通过结合雁塔区的资源禀赋，确定了六大产业作为我们发展的重点，第一大产业就是我们迎着风口的大数据和人工智能产业。今年3月，我们和华为公司经过友好协商，在雁塔区未来产业城建设300P算力的计算中心，历时100天，创造了建设计算中心新的速度，300P的算力是在全国第二大算力中心。这些都是雁塔区为推动大数据人工智能产业发展的一些具体的举措。 除了这个产业，我们还确定要发展新一代信息技术，医美、大健康、现代商贸服务业，培训产业，文旅产业作为雁塔区发展的重点。支撑雁塔区发展的未来。大数据人工智能产业的到来，以算法、算力、大数据为支撑，为三个重要的要素，我们的算力中心已经投运，我相信我们的算力中心一定能够为在座的企业、高校赋能。我也相信通过今天的人工智能产业技术交流会能够碰撞出更多的火花，能够为雁塔区西安市人工智能产业的发展创造新的发展机遇，雁塔区时刻准备者，雁塔区未来已来，雁塔区未来可期，预祝此次技术交流会取得圆满的成功。 西安市智能质检创新联合体将共同探讨人工智能技术在制造产线落地应用的机遇和挑战，把数字技术与行业知识深度结合，解决核心业务问题，提升生产效率和客户体验。 **华为昇腾计算业务副总裁\*\*\*\*刘鑫**分享了题为《昇腾万里，与开发者共创AI未来-全栈方案介绍》的主题内容，华为将基于昇腾AI基础软硬件平台，打造从底层的核心AI芯片、硬件服务器、芯片使能，到中间层AI计算框架，再到上层应用使能平台的整个AI全栈解决方案。通过布局全国各地的昇腾生态创新中心，提供应用适配迁移服务、产业链企业赋能服务、行业解决方案孵化服务、昇腾人才培养服务、合作成果展示服务，从而加速合作伙伴产品上市、商业成功，与各方共建AI生态。 **翔迅科技人工智能中心技术总监李刚**随后带来了基于昇腾架构AI应用落地案例分享。翔迅科技目前正在与昇腾深度合作，将现有的深度学习模型全移至昇思MindSpore框架下，实现全栈可控。 **西安交通大学软件学院博士生导师柯炜**分享了题为《AI推动产业发展-基于人工智能的技术分享》，阐述了产业AI化的演变进程，在智能化时代，AI渗透到生产生活的各个领域，在推动产业升级方面发挥了重要作用，通过大数据、人工智能、云计算等新一代ICT技术，赋能千行百业智能化转型。 **华为计算开源高级软件工程师姜逸坤**介绍了MindSpore开源社区，MindSpore是华为公司推出的新一代开源深度学习框架，帮助人工智能软硬件应用生态繁荣发展，赋能开发者昇腾万里。 昇思MindSpore定位为面向万物智能时代覆盖端、边、云的全场景AI框架，具有全场景协同、全流程极简、自适应演进三大特点；旨在通过自主可控的技术，打造中国AI产业发展的黑土地，为中国AI技术和产业发展保驾护航。 开源以来，我们已经在产学研得到了广泛的应用，也结交了很多优秀的合作伙伴；产业上：MindSpore已经在终端、云、AI计算中心、工业制造、金融等行业得到了广泛应用。在华为内部支持了HMS和HarmonyOS的内置AI引擎，覆盖了手机、智能手表、大屏、车等设备；其也被集成在华为云ModelArts中，提供公有云服务。 对外，MindSpore应用在鹏城、武汉、西安等AI计算中心，使用率超过80%。在制造行业，基于MindSpore +昇腾的全栈智造质检解决方案，其促进了质检部署周期缩短，精度大幅度提升；金融行业，MindSpore与国内头部银行合作，将AI应用到了理财、风控等系统中。 学术上：我们在包括清华北大在内的超过100所国内重点高校开课，并且在21年，有超过230篇AI领域的顶会论文是基于MindSpore研究和发表的。 截止目前，MindSpore社区累计下载量已超过86万，并已经有了4000+的社区贡献者。 **西安电子科技大学田帅**带来了MindSpore开发经验及案例分享，从AI开发者亲身实践的角度分享了对于国产AI框架的使用体会： 昇思MindSpore构建了最佳昇腾匹配、支持多处理器架构的开放 Al架构，能给开发者带来开发友好、运行高效、部署灵活的体验；原生支持AI大模型，并进行了全自动并行、可视化智能调优等关键创新，大大提升了AI模型的开发效率与效果；支持云边端全场景硬件和操作系统，让模型可以平滑跨平台应用，真正做到模型一次开发，全场景部署。 由此，西安人工智能产业技术交流会暨MindSpore企业行活动成功举办。人工智能赋能千行百业需要产业各方的共同努力，昇腾将继续携手合作伙伴，做好产、学、研的对接，深入行业细分场景，打造具备影响力的人工智能应用解决方案，共同推动AI产业的繁荣发展。 **欢迎投稿** **欢迎大家踊跃投稿，有想投稿技术干货、项目经验等分享的同学，可以添加MindSpore官方小助手：小猫子（****mindspore0328****）的微信，告诉猫哥哦！** **昇思MindSpore官方交流QQ群 :** **486831414**\*\*（****群里有很多技术大咖助力答疑！****）\*\* **官方QQ群号 : 486831414** **微信小助手：mindspore0328** 扫描下方二维码加入MindSpore项目↓ MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/811/ --- 新闻 Security SIG 会议预告 | 联邦学习任务中的数据安全和隐私保护 # Security SIG 会议预告 | 联邦学习任务中的数据安全和隐私保护 2021/12/01 # Security SIG 会议预告 | 联邦学习任务中的数据安全和隐私保护 **主题** 《个人信息保护法》已于11月1日正式实施，可说是明文数据盛宴的结束，隐私计算春天的到来。隐私计算技术百花齐放，可归纳为可信执行环境，安全多方计算和联邦学习三大技术方向，**本\*\*\*\*次SIG主题将围绕联邦学习展开**。 联邦学习通过数据不动模型动的操作，实现了数据可用不可见的功能，其中“数据不动”是指数据不出本地的数据孤岛背景，“模型动”是指孤岛之间仅允许模型共享，“数据可用”是指联合模型是基于所有参与方训练数据得到的。 然而只把模型梯度上传就万事大吉无隐私泄露了吗？近年来有许多论文去探索联邦场景存在的隐私泄露，假设联邦聚合方是半诚实的，他会从梯度上尽可能多的推测参与方的信息，比如重构攻击，即利用梯度反转得到参与方的训练数据，这是一种比较强和深的攻击。还有成员推理攻击，即攻击者通过构造近似模型去判断给定的一个数据是否存在于参与方的训练数据库，当这个数据库本身属性很敏感时，“存在”就暴露了隐私，比如这个数据库是由患有某种疾病的病人信息组成的。以上两种皆是中心聚合方攻击参与方的场景，也有反过来的攻击方式，比如投毒和后门攻击等，本次SIG会议主要讨论前一种攻击方式。除了攻击，**会议还会介绍横向端云联邦学习和云云联邦学习中，分别使用局部差分隐私和中心化差分隐私进行隐私保护的论文分享。** **1** // **Tips** // 1. 为了便于大家获得更好的会议体验，建议大家提前通过链接 了解MindSpore已开源的联邦学习框架，通过链接 https://www.mindspore.cn/mindarmour/ 了解差分隐私实现方法。会议结束之后，我们会把视频上传至MindSpore的bilibili官方账号。 2. https://mindspore.cn/federated/ 3. 此外，我们也非常欢迎AI安全领域（如对抗样本、联邦学习、差分隐私、安全多方计算、模型可解释、deepfake、语音仿冒）的老师同学们主动报名，和大家分享自己的成果，找到志同道合的伙伴，共同解决难题！ **2** // **会议详情** // 1. **会议时间：2021.12.2（周四） 19:15 ~ 20:25** 2. **会议链接：** 3. **https://meeting.tencent.com/dm/3REgCyoNYODZ** 4. **腾讯会议ID：763-492-733（请大家在会议开始之前点击链接，根据链接提示下载好会议软件，谢谢！）** **3** // **会议\*\*\*\*议程** // 1. **《端云与云云联邦学习中的攻击与防御》** **时间：19:15 ~ 19:55** \*\*演讲人：Tang Con\*\*\*\*g，\*\***MindSpore AI安全工程师** 2. **《成员推理攻击》** **时间：19:55 ~ 20:25** **演讲人：Xu K\*\*\*\*e，华为安全专家** 3. **自由讨论** 扫描下方二维码加入MindSpore项目↓ MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/812/ --- 新闻 研讨会回顾 | AI下午茶·华为AI基础设施赋能千行百业（大模型及算法框架研讨会）成功举办！ # 研讨会回顾 | AI下午茶·华为AI基础设施赋能千行百业（大模型及算法框架研讨会）成功举办！ 2021/12/01 # 研讨会回顾 | AI下午茶·华为AI基础设施赋能千行百业（大模型及算法框架研讨会）成功举办！ 为了进一步加速人工智能产业落地，履行让人工智能赋能千行百业的使命，11月26日（周五），上海市人工智能行业协会（后简称：协会）携手华为技术有限公司（后简称：华为）共同主办AI下午茶·华为AI基础设施赋能千行百业（大模型及算法框架研讨会）。会议通过线上形式面向人工智能产业场景方，和技术企业**分享了华为盘古大模型和AI框架昇思MindSpore的行业应用和技术成果**。 会议开始，协会政企服务部部长、时空AI专委会负责人**徐琦**为活动致辞，他表示本次活动为城市数字化转型过程中的场景方、AI技术企业及生态上下游企业之间搭建了合作交流的平台，希望更多生态头部企业积极发挥好引领作用，共同推动AI行业进步和技术发展。 接着，华为云人工智能领域首席科学家**田奇**、华为昇腾计算开源框架&生态产品总监**田昆阳**、华为上海代表处战略与产业发展部部长**房思哲**分别从AI技术角度和生态贡献方面做了致辞。 随后，华为为各位参会嘉宾整体介绍了盘古大模型。大模型旨在建立一套通用、易用的人工智能开发工作流，以赋能更多行业和开发者，实现人工智能工业化开发。其核心为预训练大模型，基于大量数据，利用深度学习技术将这些数据和特征整合在一个具有巨大参数量的神经网络之中，打造一个超大规模参数、超高精度的预训练大模型。通过与行业知识进行结合，盘古大模型能快速实现不同场景适配，加速AI行业应用。 目前大模型在轨道交通、智慧工厂、金融机构、日常巡检、自然科学、药物研发、时尚快销等多个场景均有实际应用。 随后，线上全面演示了盘古大模型，为参会企业更直观生动地展示了大模型的优势。 AI框架昇思MindSpore是华为公司推出的新一代开源深度学习框架，源于全产业的最佳实践，并最佳匹配昇腾 AI 处理器算力，支持端、边、云全场景灵活部署，开创全新的AI编程范式，降低AI开发门槛，推动人工智能软硬件应用生态繁荣发展。 随后，来自西北工业大学**谢磊**老师分享了**昇思MindSpore如何助力智能语音的前沿技术**；来自鹏城·神农生命科学实验室的**陈杰**老师分享了**昇思MindSpore如何高效赋能基因靶向技术平台**；华为**陈仲铭**就**昇思MindSpore的能力进行多个案例演示**。 最后，在线上观众的互动问答环节中参会嘉宾从自身行业角度就盘古大模型和昇思MindSpore提出应用、技术等方面的问题和诉求。本次活动共吸引到100多家企业线上参与，活动虽因疫情改为线上形式举办，但参会人员热情依旧高涨，充分体现了上海市人工智能行业协会在活动成果转换、场景业务对接上的平台功能。 **欢迎投稿** **欢迎大家踊跃投稿，有想投稿技术干货、项目经验等分享的同学，可以添加MindSpore官方小助手：小猫子（****mindspore0328****）的微信，告诉猫哥哦！** **昇思MindSpore官方交流QQ群 :** **486831414**\*\*（****群里有很多技术大咖助力答疑！****）\*\* **官方QQ群号 : 486831414** **微信小助手：mindspore0328** 扫描下方二维码加入MindSpore项目↓ MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/815/ --- 新闻 案例| 全国首批基于MindSpore昇腾AI的变电站智能巡视系统规模化应用 # 案例| 全国首批基于MindSpore昇腾AI的变电站智能巡视系统规模化应用 2021/12/03 # 案例| 全国首批基于MindSpore昇腾AI的变电站智能巡视系统规模化应用 随着电网建设的高速发展，变电站数量快速增加，现行变电设备监控管理模式下，设备监控集约化与精益化相矛盾、运维人员缺少有效监测手段、设备运维能力弱化等问题日益凸显。亟需通过变电智能巡视技术的应用，对变电站内设备状态、异常环境、作业行为进行自动诊断和智能预警，提高变电设备的状态感知和管控能力，实现变电站智能巡检。安徽南瑞继远电网技术有限公司（简称南瑞继远）结合自身优势，基于昇腾AI全场景人工智能平台，首批推出变电站智能巡视系统。 **AI智能感知：智能自动巡视** 针对变电站巡视业务存在的难题与挑战，遵循国网智慧变电站建设方案，南瑞继远研发了变电站智能巡视系统，该系统以各类感知终端和智能设备为基础，以内置华为昇腾AI处理器的在线巡视主机为纽带，以云端训练和边缘推理为核心，推动模型迭代优化升级，能够实现空天地立体化巡视、安全作业管控、算法在线训练等先进功能，提升变电业务巡视效率和可靠性，逐步实现“机器代人”。 变电站智能巡视系统架构图 变电站智能巡视系统以“机器代人”为目标，以无人机拍摄、巡视机器人装置等设备为载体，采集变电站各类目标的高清视频、音频等多样化巡视数据，在中心侧部署AI算法训练及模型优化模块，不断提升AI算法识别准确度，构建高鲁棒性的AI算法模型库。结合针对性的巡检预案策略，通过自动巡视、自动识别、智能预警和智能决策等功能，保障设备的安全稳定运行，有效降低运维人员劳动强度和作业风险。 基于MindSpore的算法模型训练流程 通过昇思MindSpore AI框架自身的技术创新及昇腾AI处理器协同优化，能有效克服AI计算的复杂性和算力的多样性挑战，不断提升算法模型的识别精度，实现了运行态的高效，大大提高了计算性能。 **南瑞继远昇腾AI探新路** **支撑电力行业成果频出** 古泉变智能巡视系统现场运行界面 鼎功变智能巡视系统现场运行界面 在**安徽电网**，国网安徽电科院会同南瑞继远创新性地提出了“智能节点”+“普通节点”的变电智能巡视业务应用模式，降低了巡视业务部署成本，提高了产品的利用率，扩大了产品应用范围，覆盖了全省500kV以上电压等级变电站。同时，变电站智能巡视系统已广泛应用于江苏、湖南、陕西、宁夏、河北、广东等多个网省公司上百余座变电站。通过基于昇腾AI的变电智能巡视系统的应用，各类指标皆有显著提升，**设备节能方面提高20%，服务器算力提高20%，变电站现场巡视效率提高30%。** “变电站智能巡视系统的建设提高了变电设备的状态感知和管控能力，提升变电业务巡视效率和可靠性，保障电力设备安全稳定运行，有效降低一线运维人员的劳动强度和作业风险。”国网安徽电科院专责赵常威表示，“希望接下来能进一步提升变电站智能巡视系统的应用成效，助力数字化新型电力系统建设。” **深耕基础软硬件平台** **团队持续使能AI加速科研创新** 安徽南瑞继远电网技术有限公司是“昇腾万里合作伙伴计划”首批行业应用伙伴，于2021年3月携手华为共建南瑞继远·华为昇腾创新实验室，研究基于昇腾AI处理器、昇思MindSpore AI框架的人工智能技术在电力系统中的应用，研制了基于Atlas 200、Atlas 300I的智能边缘和智能终端，实现了全国首批基于昇腾AI全场景人工智能平台的变电站智能巡视系统的规模化应用。 南瑞继远·华为昇腾创新实验室的研发团队由16位人工智能算法工程师组成，实验室配备服务器算力达8PFlops，搭建了人工智能服务中心平台，已累积了千万余张输变电巡检样本，构建了基于云边协同的模型优化迭代机制，形成了变电领域36类、输电领域45类及声纹识别的模型库。 南瑞继远·华为昇腾创新实验室 实验室研究人员讨论技术问题 南瑞继远将继续加快基于昇腾AI的电力系统人工智能产品研发和应用进程，开展变电站综合智能防误终端、无线汇聚节点等产品的迭代升级，不断助力变电数字化转型，支撑构建新型电力系统。 --- https://www.mindspore.cn/news/zh/818/ --- 新闻 师资培训报名啦！ | 基于昇思MindSpore的高校AI开源实践课~ # 师资培训报名啦！ | 基于昇思MindSpore的高校AI开源实践课~ 2021/12/06 # 师资培训报名啦！ | 基于昇思MindSpore的高校AI开源实践课~ 由信息技术新工科产学研联盟主办，华为技术有限公司承办\*\*“基于昇思MindSpore高校AI开源实践课”将于2021年12月25日至26日在武汉举行，旨在为广大教师提供AI实践课程的授课支持，解决高校教师AI课程的实践问题。\*\* 本次活动邀请华为技术有限公司的专家进行讲解，提供素材，以便教师把AI实践和课程有效结合。本次培训课程通过使用全场景AI开源框架昇思MindSpore作为实践作业练手，将有助于教师掌握AI的基本知识和流程（如学习神经网络知识、图像预处理知识），掌握AI开发全流程，熟悉AI的迁移学习、网络模型训练等进阶知识，以此更好地进行AI授课。 **组织单位** 主办单位：信息技术新工科产学研联盟 承办单位：华为技术有限公司 **培训计划与课程内容** **讲师简介** **陈仲铭** **华为全场景AI开源框架昇思MindSpore技术专家** 主要研究方向为多智能体强化学习、移动视觉算法及其应用。曾参与分布式大型系统、多传感器融合系统等大型项目，多次获国家级创新项目奖。此外，第一作者著有《深度学习：原理与实践》、《深度强化学习：原理与实践》和《终端视觉：硬件、框架与算法》3本专著，并累积发表了113篇发明类专利。 **培训时间及地点** 活动时间：2021年12月25日-12月26日 活动地址：武汉未来科技城C2楼416室（湖北省武汉市江夏区高新大道999号） **报名方式及联系人** 本次培训面向高校计算机、软件工程、电子信息、物联网工程等相关专业任教老师。 \*\*本次培训为线下活动，不设线上频道。\*\*如您确认2021年12月25-26日能赴武汉参会，请扫以下二维码填入个人信息报名。 **本次活动人数上限46人，报满为止。** （扫码报名） （报名联系人二维码，备注：师资培训） 扫描下方二维码加入MindSpore项目↓ MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/829/ --- 新闻 快上车，直播间来新人啦！直播抽奖不能停，还有官方独家定制潮流卫衣送送送！ # 快上车，直播间来新人啦！直播抽奖不能停，还有官方独家定制潮流卫衣送送送！ 2021/12/09 # 快上车，直播间来新人啦！直播抽奖不能停，还有官方独家定制潮流卫衣送送送！ 倒计时7个小时，\*\*B站【MindSpore官方】\*\*直播间猫哥一个，不够再来一个小桃子，就在今晚19：00点 **“ Visualization&Data SIG第五站来啦 ”**。 今晚凡进入直播间的友友，都能参与**直播打卡，直播抽奖，更有官方独家定制潮流卫衣送送送**，通关全部活动关卡还有**外星人电脑，EDG同款电竞椅\*\*\*\*等你来拿！** 第三届MindCon极客周活动的列车还在等你哦， 要上车的友友，点击链接：https://gitee.com/mindspore/community/issues/I4KKA0?from=project-issue即可跳转活动页面！ （扫描下方二维码即可**报名并获取代金券**） **第四站回顾** 12月7日的直播中老师们带大家了解了**Developer eXperience** **SIG**，DX-SIG组是一个为开发者服务的群体，这其中有长期从事于开源社区生态研究的学者，也有来自Linux基金会顶级项目的专家，也有参与MindSpore社区的资深开发者，虽然我们来自五湖四海，背景与经历各异，但相同的是我们都带着服务开发者的热情，为解决社区开发者的诉求而聚到一起并为之努力。 - 前四站回看链接： https://www.bilibili.com/video/BV1kU4y1T7PH?spm\\\_id\\\_from=333.999.0.0 **第五站预告** 今晚我们的大咖讲师们将带领大家了解**Visualization&Data SIG。** **小剧透：** 1、**Visualization**为MindSpore提供精度/性能可视化分析能力，包括调试器debugger、性能分析profiler、模型迁移工具convertor等全流程训练分析工具箱，帮助开发者快速发现训练中的性能、精度等问题，使MindSpore的训练过程更加清晰，调试过程更加方便。 2、**MindData**是MindSpore的数据处理模块，支持数据存储、数据加载、数据增强等功能，为用户提供了简单易用的编程接口，并具有高效的数据处理性能和灵活的使用方式，方便各类用户使用。 - 如果你还不了解第三届MindCon极客周的活动内容，请戳下方链接或点击最下方\*\*【阅读原文】\*\*即可查看活动详情！ https://gitee.com/mindspore/community/issues/I4KKA0?from=project-issue - 如果你还不了解SIG是什么请戳下方链接查看： https://mp.weixin.qq.com/s/wJshc3W\\\_Ho6jkspbX6NF5Q 以上是今晚直播一个小小的预告，那么今晚19：00，让我们在**Visualization&Data SIG相见\*\*\*\*吧！一起体验SIG的魅力！**今晚直播间互动还有**官方定制潮流卫衣**，不要错过啦！ 还没参加MindCon的友友们，赶快扫码二维码参与活动，通关全部关卡还有**外星人电脑，EDG同款电竞椅\*\*\*\*等你来拿！** （扫描下方二维码即可**报名并获取代金券**） 感谢openGauss独家赞助直播礼品官方定制卫衣！ 扫描下方二维码加入MindSpore项目↓ MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/830/ --- 新闻 积微物联加入昇思MindSpore社区，高效识别破损坩埚，提高流水线效率与智能化！ # 积微物联加入昇思MindSpore社区，高效识别破损坩埚，提高流水线效率与智能化！ 2021/12/09 # 积微物联加入昇思MindSpore社区，高效识别破损坩埚，提高流水线效率与智能化！ **积微物联**完成ISV认证**正式加入****昇思****MindSpore社区**。 **积微物联\*\*\*\*简介** 成都积微物联有限公司，华为认证级ISV伙伴，是由央企资本投资打造的大宗商品全产业链服务平台。积微物联诞生并成长于国家大力推进供给侧结构性改革、互联网+、大数据、工业互联网等战略背景下，紧跟时代风口，率先探索“产业互联网新模式”，积极实践“互联网+先进制造”，切实助推钢铁行业企业转型和产业链升级。 积微物联以“达海”和“积微”双平台双品牌为核心，以技术驱动构建形成独具特色的产业互联网平台和大宗物资产业链集成服务生态圈，为用户提供钢铁、钒钛、化工等大宗商品的智能仓储、高端加工、智慧物流、在线交易、供应链业务、平台技术输出、市场配套等一站式服务和整体解决方案。 昇思MindSpore是华为开源的一款**全场景AI计算框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 积微物联在加入MindSpore社区后，\*\*使用MindSpore框架，\*\*在公司服务器上进行训练。搭建积微物联工业现场智能管控平台，**在钒制品厂智能流水线场景下，识别到有破损的坩埚后，会向后台系统发出指定的破损信号以及相应的破损坩埚图像。有效提高流水线效率与智能化。** 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**huxiaoman@huawei.com。** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 社区新知 | 斗鱼科技加入MindSpore社区，提高内容审核准确率，精准打击直播违规内容! 社区新知 | 精英路通加入MindSpore社区，提高城市停车乱、停车难解决方案准确率！ 社区新知 | 敦锋科技加入MindSpore社区，高效进行视频AI模型训练！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/831/ --- 新闻 极目智能加入昇思MindSpore社区，构建汽车盲区智能检测系统，实现准确的车外环境态势感知！ # 极目智能加入昇思MindSpore社区，构建汽车盲区智能检测系统，实现准确的车外环境态势感知！ 2021/12/09 # 极目智能加入昇思MindSpore社区，构建汽车盲区智能检测系统，实现准确的车外环境态势感知！ **极目智能**完成ISV认证**正式加入****昇思****MindSpore社区**。 **极目智能\*\*\*\*简介** 武汉极目智能技术有限公司，华为认证级ISV伙伴，是一家专注于智能驾驶技术研发与应用的企业，致力于通过自主人工智能技术推动智能驾驶的落地。 极目智能在环境感知、决策规划等智能驾驶关键领域拥有核心技术，主要提供L2+智能驾驶方案及衍生的数据产品和服务，助力汽车产业智能化和网联化升级。 昇思MindSpore是华为开源的一款**全场景AI计算框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 极目智能在加入MindSpore社区后，**基于MindSpore YOLO v4模型**，构建汽车盲区智能检测系统。可精准检测和识别车辆、行人、骑行者、可行驶区域、盲区等元素，实现准确的车外环境态势感知，为车辆决策规划和控制依据。 有效解决盲区目标复杂、盲区范围大、检测距离短、检测范围窄、识别速度慢、识别效果差等盲区检测痛点。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**huxiaoman@huawei.com。** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 社区新知 | 斗鱼科技加入MindSpore社区，提高内容审核准确率，精准打击直播违规内容! 社区新知 | 精英路通加入MindSpore社区，提高城市停车乱、停车难解决方案准确率！ 社区新知 | 敦锋科技加入MindSpore社区，高效进行视频AI模型训练！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/832/ --- 新闻 微创光电加入昇思MindSpore社区，实时分析高速公路监控视频，实现对交通事件和交通流量的准确检测！ # 微创光电加入昇思MindSpore社区，实时分析高速公路监控视频，实现对交通事件和交通流量的准确检测！ 2021/12/09 # 微创光电加入昇思MindSpore社区，实时分析高速公路监控视频，实现对交通事件和交通流量的准确检测！ **微创光电**完成ISV认证**正式加入****昇思****MindSpore社区**。 **微创光电\*\*\*\*简介** 武汉微创光电股份有限公司，华为认证级ISV伙伴，是“武汉·中国光谷” 专业从事行业化视频监控系统、视频应用产品研发、生产和销售的高新技术企业、软件企业，是湖北省创新型试点企业、湖北省科技路线图重点培育企业。 拥有多项技术专利和软件著作权，是视频监控领域的领先供货商，产品广泛应用于高速公路、城市智能交通、铁路、智慧城市、雪亮工程以及其它行业，提供端到端的完整视频监控系统解决方案、视频智能综合应用方案。公司多项产品为国家重点新产品、湖北省自主创新产品、武汉市自主创新产品及武汉市名牌产品、武汉市工业名优自主创新产品，并被列入国家火炬计划。 昇思MindSpore是华为开源的一款**全场景AI计算框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 微创光电在加入MindSpore社区后，**基于MindSpore开发目标检测和分类模型，对高速公路监控视频进行实时分析，实现对交通事件和交通流量的准确检测，同时提供专业、丰富的交通状况数据供用户决策分析，打造真正的智能监控平台。** 在云南交投集团重点高速公路视频检测系统建设工程中大规模应用，有效解决及时发现异常交通事件的问题。 在分析停车、拥堵、行人、逆行、抛洒物品等异常行为上，效果良好，准确及时，交通状况监测平台得到客户认可。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**huxiaoman@huawei.com。** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 社区新知 | 斗鱼科技加入MindSpore社区，提高内容审核准确率，精准打击直播违规内容! 社区新知 | 精英路通加入MindSpore社区，提高城市停车乱、停车难解决方案准确率！ 社区新知 | 敦锋科技加入MindSpore社区，高效进行视频AI模型训练！ 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/833/ --- 新闻 关谷信息加入昇思MindSpore社区，构建一体化智能检测体系，对农田非法占用、非法采砂、非法采伐等乱象实时监控！ # 关谷信息加入昇思MindSpore社区，构建一体化智能检测体系，对农田非法占用、非法采砂、非法采伐等乱象实时监控！ 2021/12/09 # 关谷信息加入昇思MindSpore社区，构建一体化智能检测体系，对农田非法占用、非法采砂、非法采伐等乱象实时监控！ **关谷信息**完成ISV认证**正式加入****昇思****MindSpore社区**。 **关谷信息\*\*\*\*简介** 武汉光谷信息技术股份有限公司，华为认证级ISV伙伴，国家规划布局内重点软件企业之一，作为中国地理信息百强企业之一。 公司在地理空间信息技术、大数据技术、系统融合技术领域具有较为完整的自主知识产权体系，建立了市场、销售和服务三位一体的自主销售及客户服务体系。公司深耕行业十余年，建设光谷学院和博士后科研工作站，坚持以技术创新为引领，拥有业内领先、自主研发的新一代国产化-泛在时空信息云原生平台（简称UTS），形成自主可控、跨平台、云+端技术、时空大数据、AI技术融合的时空数据智能开发基础平台，面向行业和场景化客户，提供规划与咨询、产品、解决方案与服务，为能源、自然资源、农业、金融、交通等用户提供时空数据服务，形成了多主体、多层次、多行业的应用格局。 昇思MindSpore是华为开源的一款**全场景AI计算框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 光谷信息在加入MindSpore社区后，**基于MindSpore YOLO v4模型，进行AI视频分析构建全方位一体化智能监测体系，实现在基本农田非法占用、建设用地批后监管、非法采砂、森林防火、非法采伐、非法采矿等应用场景下的全域全要素慧眼治理云平台服务。提高自动化和智能化监管水平，最大限度提高执法力度和效率。** 目前松滋市自然资源和规划局基于该解决方案，进行视频自动巡航、AI自动识别目标物，考虑到摄像头的视域范围及周边应用场景的因素,去除重复和无效铁塔，全市共有441个铁塔监控点符合要求投入使用。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**huxiaoman@huawei.com。** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 社区新知 | 斗鱼科技加入MindSpore社区，提高内容审核准确率，精准打击直播违规内容! 社区新知 | 精英路通加入MindSpore社区，提高城市停车乱、停车难解决方案准确率！ 社区新知 | 敦锋科技加入MindSpore社区，高效进行视频AI模型训练！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/835/ --- 新闻 云创大数据加入昇思MindSpore社区，对轨道关键部位螺栓状态高清监控，预防螺栓异常导致的安全隐患！ # 云创大数据加入昇思MindSpore社区，对轨道关键部位螺栓状态高清监控，预防螺栓异常导致的安全隐患！ 2021/12/10 # 云创大数据加入昇思MindSpore社区，对轨道关键部位螺栓状态高清监控，预防螺栓异常导致的安全隐患！ **云创大数据**完成ISV认证**正式加入****昇思****MindSpore社区**。 **云创大数据\*\*\*\*简介** 南京云创大数据科技股份有限公司，华为认证级ISV伙伴，聚焦于大数据存储与智能处理业务，是集人工智能、大数据、云计算、云存储技术于一体的高新技术企业。 云创大数据以知识产权为核心战略，目前已申请专利、著作权、商标，通过了ISO9001质量管理体系认证，并与Intel、联想、神州数码、曙光、浪潮等多家企业开展了合作。目前云创大数据的产品已经在环保、地震、公共安全、教育、广电等10多个领域建立了200多个案例。 昇思MindSpore是华为开源的一款**全场景AI计算框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 云创大数据在加入MindSpore社区后，使用MindSpore实现产品基于yolo-darknet网络模型代码，实现了网络的自动切分，通过串行表达即可实现并行训练，开发流程高度简化。实现基于铁路沿线高清监控摄像头画面，对轨道关键部位螺栓状态的的检测，起到对由螺栓异常导致的安全隐患的无人预警。 该解决方案已应用于铁路螺栓非接触检测系统 V1.0，对铁路监控设备回传视频图片的快速批量推理，可实现模型的本地调优训练，保持模型迭代，算法使用的模型检测准确率90%以上，平均每张推理耗时不超过0.3秒。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**huxiaoman@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 社区新知 | 极目智能加入昇思MindSpore社区，构建汽车盲区智能检测系统，实现准确的车外环境态势感知！ 社区新知 | 积微物联加入昇思MindSpore社区，高效识别破损坩埚，提高流水线效率与智能化！ 社区新知 | 微创光电加入昇思MindSpore社区，实时分析高速公路监控视频，实现对交通事件和交通流量的准确检测！ 社区新知 | 关谷信息加入昇思MindSpore社区，构建一体化智能检测体系，对农田非法占用、非法采砂、非法采伐等乱象实时监控！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/836/ --- 新闻 库柏特加入昇思MindSpore社区，实现药品从流通渠道到医院药房到终端应用环节的端到端物流管理！ # 库柏特加入昇思MindSpore社区，实现药品从流通渠道到医院药房到终端应用环节的端到端物流管理！ 2021/12/10 # 库柏特加入昇思MindSpore社区，实现药品从流通渠道到医院药房到终端应用环节的端到端物流管理！ **库柏特**完成ISV认证**正式加入****昇思****MindSpore社区**。 **库柏特据\*\*\*\*简介** 武汉库柏特科技有限公司，华为认证级ISV伙伴，是一家专业从事智能操作系统开发的高新技术企业。公司依托在机器学习、人工智能及智能示教技术方面的自主创新优势和人才优势，专注于先进机器人与智能系统的研发和应用，是国际上该领域的引领者。公司通过智能操作系统+落地应用的双核发展战略，基于机器人操作系统COBOTSYS，积极拓展应用场景，为医疗、食品、新零售、教育等行业提供解决方案，并取得了良好的应用效果。 昇思MindSpore是华为开源的一款**全场景AI计算框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 库柏特在加入MindSpore社区后，基于MindSpore ResNet50模型，实现药品从流通渠道到医院药房到终端应用环节的端到端物流管理、精益化流程和数字化监控，打通药房的信息流与实物流，实现药房管理智能化、调剂自动化及服务专业化。 有效解决传统药房药品的储存、发放、管理均由人工完成，药品的效期管理、库存管理、信息化管理率极为低下，造成发药排队时间场，医师劳动强度大等问题。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**huxiaoman@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 社区新知 | 极目智能加入昇思MindSpore社区，构建汽车盲区智能检测系统，实现准确的车外环境态势感知！ 社区新知 | 积微物联加入昇思MindSpore社区，高效识别破损坩埚，提高流水线效率与智能化！ 社区新知 | 微创光电加入昇思MindSpore社区，实时分析高速公路监控视频，实现对交通事件和交通流量的准确检测！ 社区新知 | 关谷信息加入昇思MindSpore社区，构建一体化智能检测体系，对农田非法占用、非法采砂、非法采伐等乱象实时监控！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/837/ --- 新闻 云问科技加入昇思MindSpore社区，实现智能知识管理，为政企单位营销、服务等环节提供机器人知识问答支撑！ # 云问科技加入昇思MindSpore社区，实现智能知识管理，为政企单位营销、服务等环节提供机器人知识问答支撑！ 2021/12/10 # 云问科技加入昇思MindSpore社区，实现智能知识管理，为政企单位营销、服务等环节提供机器人知识问答支撑！ **云问科技**完成ISV认证**正式加入****昇思****MindSpore社区**。 **云问科技\*\*\*\*简介** 南京云问网络技术有限公司，华为认证级ISV伙伴，一家以自然语言处理等AI技术为核心，围绕“外部客服&营销智能化”与“企业内部运营智能化”场景赋能的人工智能创新企业。目前已在智能对话、智能推荐、情感分析、智能质检、智能助理等方向累计参与5项GB及ITU标准制定工作，全面布局全栈NLP技术与应用、AI多模态技术融合及语音语义数据集构建方面标准体系。 昇思MindSpore是华为开源的一款**全场景AI计算框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 云问科技在加入MindSpore社区后，使用MindSpore实现基于TextCNN的中文情感分类任务模型代码搭建云问智能知识中心情感识别。智能知识管理，围绕“知识资产”，主要面向能源、政务、工业、科研院所等知识密集型组织提供高效创新、故障预警、经验传承等能力支撑；服务智能助手，以人机对话的方式，主要为政企单位营销、服务等环节提供机器人知识问答支撑。 当前该解决方案已应用于国网某电力中心知识管理平台。建设电力百科、电力文库、电滴学院、电力知乎四大模块，为电力营销服务4万+名员工提供全方位的知识查询、知识学习、知识交流平台。嵌入PC端业务办公系统、移动终端一线员工业务办公系统，通过知识辅助查询提升日常业务办公效率、提高员工业务素养，为企业打造统一的知识服务中心。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**huxiaoman@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 社区新知 | 斗鱼科技加入MindSpore社区，提高内容审核准确率，精准打击直播违规内容! 社区新知 | 精英路通加入MindSpore社区，提高城市停车乱、停车难解决方案准确率！ 社区新知 | 敦锋科技加入MindSpore社区，高效进行视频AI模型训练！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/838/ --- 新闻 倍特威视加入昇思MindSpore社区，搭建智能视频分析系统，对园区不安全行为进行实时预警！ # 倍特威视加入昇思MindSpore社区，搭建智能视频分析系统，对园区不安全行为进行实时预警！ 2021/12/10 # 倍特威视加入昇思MindSpore社区，搭建智能视频分析系统，对园区不安全行为进行实时预警！ **倍特威视**完成ISV认证**正式加入****昇思****MindSpore社区**。 **倍特威视\*\*\*\*简介** 武汉倍特威视系统有限公司，华为认证级ISV伙伴，以智能化安全信息产品研发、生产、销售和服务为主的高新技术企业。公司立足于华中重镇武汉，携全球领先的安防技术理念,行业领先的技术和专业经验，以智能视频分析和智能管理平台为核心优势，为高端用户提供从设计、产品开发、安装、调试到系统集成、运营维护的产品和技术服务。可满足各类行业客户的高度智能化安防的需求。通过我们的努力，将为客户创造一个安全、舒适的生活、工作和生产经营的环境。 昇思MindSpore是华为开源的一款**全场景AI计算框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 倍特威视在加入MindSpore社区后，基于MindSpore 进行数据的学习训练推理，搭建智能视频分析系统。深度挖掘园区监控视频数据，细化园区各项安全隐患，应用智AI智能视频分析技术自动识别检测，通过对园区现场视频，对现场不安全行为或事件实时预警，变事后查询为主动监控；真正做到实时预警，智能检测，规范管理。为安全生产管理里决策数据依据，在安全生产管理中起到了决定性的作用。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**huxiaoman@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 社区新知 | 斗鱼科技加入MindSpore社区，提高内容审核准确率，精准打击直播违规内容! 社区新知 | 精英路通加入MindSpore社区，提高城市停车乱、停车难解决方案准确率！ 社区新知 | 敦锋科技加入MindSpore社区，高效进行视频AI模型训练！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/839/ --- 新闻 恩博科技加入昇思MindSpore社区，建设林业预警监测系统，实现林区环境综合决策的科学化、监管的精准化、公共服务的便民化！ # 恩博科技加入昇思MindSpore社区，建设林业预警监测系统，实现林区环境综合决策的科学化、监管的精准化、公共服务的便民化！ 2021/12/13 # 恩博科技加入昇思MindSpore社区，建设林业预警监测系统，实现林区环境综合决策的科学化、监管的精准化、公共服务的便民化！ **恩博科技**完成ISV认证**正式加入****昇思****MindSpore社区**。 **恩博科技\*\*\*\*简介** 南京恩博科技有限公司，华为认证级ISV伙伴，是国家高新技术企业，国家林业和草原局批准的林业和草原灾害防控信息化国家创新联盟发起单位，中国林业机械协会森林防火装备分会副会长单位，江苏省软件企业。 昇思MindSpore是华为开源的一款**全场景AI计算框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 恩博科技在加入MindSpore社区后，基于MindSpore图像识别技术开发建设林业预警监测系统。实现林区环境综合决策的科学化、林区环境监管的精准化、林区环境公共服务的便民化。 上海森林防火监管平台是在充分了解上海市森林防火业务需求，结合上海市森林防火现状后开发的一套专业的森林防火综合监管平台。实现数据综合展示、火情处置和日常管理为一体的综合性、实用性、先进性管理平台。该平台已接入市委总值班室，并与城市消防部门形成联动机制，在最大程度上保证了火情信息的通达性和林火处置的及时性、有效性。上海森林覆盖面积6.81万公顷，系统运行1月~7月已监测47起火情。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**huxiaoman@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 社区新知 | 极目智能加入昇思MindSpore社区，构建汽车盲区智能检测系统，实现准确的车外环境态势感知！ 社区新知 | 积微物联加入昇思MindSpore社区，高效识别破损坩埚，提高流水线效率与智能化！ 社区新知 | 微创光电加入昇思MindSpore社区，实时分析高速公路监控视频，实现对交通事件和交通流量的准确检测！ 社区新知 | 关谷信息加入昇思MindSpore社区，构建一体化智能检测体系，对农田非法占用、非法采砂、非法采伐等乱象实时监控！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/840/ --- 新闻 同方赛威讯加入昇思MindSpore社区，基于MindSpore的目标检测可以精准定位到文档中关键图像图形，极大方便了文档处理！ # 同方赛威讯加入昇思MindSpore社区，基于MindSpore的目标检测可以精准定位到文档中关键图像图形，极大方便了文档处理！ 2021/12/13 # 同方赛威讯加入昇思MindSpore社区，基于MindSpore的目标检测可以精准定位到文档中关键图像图形，极大方便了文档处理！ **同方赛威讯**完成ISV认证**正式加入****昇思****MindSpore社区**。 **同方赛威讯\*\*\*\*简介** 同方赛威讯信息技术有限公司，华为认证级ISV伙伴，是同方数字信息产业的主力企业，是同方在西南布局的“战略重地”，隶属中核集团，由同方大数据本部直接管理。公司核心业务为军工技侦和政法信息化两大类，重点开展科工装备通信接收、信号监测定位、信息处理、政法检察信息化办案系统、卫星地面应用等前沿科技领域的研究开发，提供集方案、研发、集成和运维于一体的系统解决方案。 昇思MindSpore是华为开源的一款**全场景AI计算框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 同方赛威讯在加入MindSpore社区后，基于MindSpore的目标检测用于司法领域的文档案件电子卷宗处理领域，可以提取到传统文档处理提取不到图像级别的特征信息。应用于案件电子卷宗文档处理中，可以检测并定位到文档中的字符目标和图像中的关键的图像图形，比如标题，印章，指纹等文档中的目标，这样就提取到了文档的关键特征，这些特征可以被展示给用户，也可以为后续的文档提供算法基础。该解决方案用于传统的案件电子卷宗文档处理领域后，极大方便了文档处理。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**huxiaoman@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 社区新知 | 极目智能加入昇思MindSpore社区，构建汽车盲区智能检测系统，实现准确的车外环境态势感知！ 社区新知 | 积微物联加入昇思MindSpore社区，高效识别破损坩埚，提高流水线效率与智能化！ 社区新知 | 微创光电加入昇思MindSpore社区，实时分析高速公路监控视频，实现对交通事件和交通流量的准确检测！ 社区新知 | 关谷信息加入昇思MindSpore社区，构建一体化智能检测体系，对农田非法占用、非法采砂、非法采伐等乱象实时监控！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/841/ --- 新闻 四维向量加入昇思MindSpore社区，精准识别危险品车辆违规出入高速公路，助力交管部门查处违禁品！ # 四维向量加入昇思MindSpore社区，精准识别危险品车辆违规出入高速公路，助力交管部门查处违禁品！ 2021/12/13 # 四维向量加入昇思MindSpore社区，精准识别危险品车辆违规出入高速公路，助力交管部门查处违禁品！ **四维向量**完成ISV认证**正式加入****昇思****MindSpore社区**。 **四维向量\*\*\*\*简介** 南京四维向量科技有限公司，华为认证级ISV伙伴，是由多位国内人工智能与大数据解决方案服务专家参与创业成立。专注于视频分析技术研发、数字化场景应用，致力于构建数字化、智能化、个性化的信息服务平台，以安全、高效、稳定的服务，为企业和个人用户提供人工智能、大数据、云计算、商业智能等的一体化解决方案。 昇思MindSpore是华为开源的一款**全场景AI计算框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 四维向量在加入MindSpore社区后，基于MindSpore的图像识别，识别危险品车辆是否按照城市交通禁行规定出入高速公路。发现违规上路的危险品车辆后，进行抓拍取整再通知交管部门的业务系统进行处理。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**huxiaoman@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 社区新知 | 极目智能加入昇思MindSpore社区，构建汽车盲区智能检测系统，实现准确的车外环境态势感知！ 社区新知 | 积微物联加入昇思MindSpore社区，高效识别破损坩埚，提高流水线效率与智能化！ 社区新知 | 微创光电加入昇思MindSpore社区，实时分析高速公路监控视频，实现对交通事件和交通流量的准确检测！ 社区新知 | 关谷信息加入昇思MindSpore社区，构建一体化智能检测体系，对农田非法占用、非法采砂、非法采伐等乱象实时监控！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/842/ --- 新闻 广电运通加入昇思MindSpore社区，打造综合性智能车辆大数据平台，实现一车一档，动态管控！ # 广电运通加入昇思MindSpore社区，打造综合性智能车辆大数据平台，实现一车一档，动态管控！ 2021/12/13 # 广电运通加入昇思MindSpore社区，打造综合性智能车辆大数据平台，实现一车一档，动态管控！ **广电运通**完成ISV认证**正式加入****昇思****MindSpore社区**。 **广电运通\*\*\*\*简介** 广州广电运通金融电子股份有限公司，华为认证级ISV伙伴，是国内领先的人工智能行业应用企业，主营业务覆盖智能金融、公共安全、交通出行、政务、大文旅、新零售及教育等领域，为全球客户提供具有竞争力的智能终端、运营服务及大数据解决方案。 昇思MindSpore是华为开源的一款**全场景AI计算框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 广电运通在加入MindSpore社区后，使用MindSpore实现打造的综合性智能车辆大数据平台。对采集的卡口、电警等过车数据进行车辆特征分析，识别并记录车辆的牌照、颜色、品牌、型号、撞损痕、年检标、挂件等属性，同时根据车牌建立车辆动态档案，实现一车一档，动态管控，并结合公共安全、政府、社会等实际需求，通过智能分析，剖析车辆的行为属性与社会属性，强化关联分析和碰撞比对，确保科学预警、有效防控和精确打击，提升公共安全机关核心战斗力。当前已在广州、深圳、茂名多个地市部署。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**huxiaoman@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 社区新知 | 极目智能加入昇思MindSpore社区，构建汽车盲区智能检测系统，实现准确的车外环境态势感知！ 社区新知 | 积微物联加入昇思MindSpore社区，高效识别破损坩埚，提高流水线效率与智能化！ 社区新知 | 微创光电加入昇思MindSpore社区，实时分析高速公路监控视频，实现对交通事件和交通流量的准确检测！ 社区新知 | 关谷信息加入昇思MindSpore社区，构建一体化智能检测体系，对农田非法占用、非法采砂、非法采伐等乱象实时监控！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/843/ --- 新闻 TCL工业研究院加入昇思MindSpore社区，实现工业AI算法库READ，重点解决工业质检中小样本和数据长尾问题！ # TCL工业研究院加入昇思MindSpore社区，实现工业AI算法库READ，重点解决工业质检中小样本和数据长尾问题！ 2021/12/14 # TCL工业研究院加入昇思MindSpore社区，实现工业AI算法库READ，重点解决工业质检中小样本和数据长尾问题！ TCL工业研究院签署 CLA（Contributor License Agreement 贡献者许可协议），正式加入昇思MindSpore开源社区。 TCL工业研究院是TCL集团的顶级R&D部门，主要聚焦人工智能及大数据、新型半导体显示技术和材料、智能制造和工业互联网、5G应用四大核心技术，专注于前沿科技的储备与探索，为TCL成员企业提供前瞻性的技术支持。TCL工业研究院-香港研究所的主要研究方向主要是在大数据、人工智能、AIOT等，而READ项目团队在港研所内主要从事AI在工业视觉领域的研究与落地工作，在工业视觉缺陷检测领域拥有多年的研究经历，深耕视觉和深度学习算法开发业务，在3C电子、半导体显示、汽车等行业都有AI算法的工厂落地的经验。由TCL工业研究院基于昇思MindSpore实现的工业AI算法库READ，专注于研发与集成基于无监督监督学习的大规模异常检测算法和模型，重点解决工业质检中小样本和数据长尾问题，通过针对不同行业的业务和数据特点，研发可在无异常（无缺陷）图像上进行自学习和自训练的异常检测技术，旨在为工业检测领域提供一个无监督异常检测的框架。 TCL工业研究院加入昇思MindSpore社区后 ，我们将有更深一步的合作，共同推动双方的项目产品能在业界里深根发芽。未来，READ也希望能够加入更加适应于工业领域的对比自监督与视觉大模型的算法，促进工业视觉领域更加快速的发展。 如您想加入MindSpore社区，有签署CCLA的需求可以将原由发送至邮箱：**huxiaoman@huawei.com** 如有与MindSpore社区相关的任何疑问，详情可咨询MindSpore小助手 ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/844/ --- 新闻 网联安瑞加入昇思MindSpore社区，实现图像识别，图像分类，有效的解决新媒体内容监测分析系统内容多样化识别挑战！ # 网联安瑞加入昇思MindSpore社区，实现图像识别，图像分类，有效的解决新媒体内容监测分析系统内容多样化识别挑战！ 2021/12/14 # 网联安瑞加入昇思MindSpore社区，实现图像识别，图像分类，有效的解决新媒体内容监测分析系统内容多样化识别挑战！ **网联安瑞**完成ISV认证**正式加入****昇思****MindSpore社区**。 **网联安瑞\*\*\*\*简介** 网联安瑞，华为认证级ISV伙伴，以“推进国家数据治理体系和社会治理能力现代化”为引领，以“网络空间内容与认知安全守护者”为使命，秉承“创新、开放、合作、共赢”的理念，致力于网络空间安全领域先进技术研究、人工智能和大数据关键技术研发，围绕应用大数据智能，推动从发现价值到价值赋能，服务于政府、企事业单位等客户。公司汇聚了中国电科认知与智能技术优势资源，聚焦社会面综合治理，在网络空间安全治理、大数据系统集成、大数据智能分析、内容服务推送、信息管理导控、开源信息研究与应用等领域的技术能力处于国内领先地位，立志成为国际一流的数据智能龙头企业和科技力量。 昇思MindSpore是华为开源的一款**全场景AI计算框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 网联安瑞在加入MindSpore社区后， 基于MindSpore学习框架视图分类技术，通过深度神经网络InceptionV4的学习，对视图数据进行特征提取及序列分析，可以实现对图像识别，达到图像分类的目的。可实现特定内容类型的智能识别。有效的解决当前新媒体内容监测分析系统内容多样化识别挑战。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**huxiaoman@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 极目智能加入昇思MindSpore社区，构建汽车盲区智能检测系统，实现准确的车外环境态势感知！ 积微物联加入昇思MindSpore社区，高效识别破损坩埚，提高流水线效率与智能化！ 微创光电加入昇思MindSpore社区，实时分析高速公路监控视频，实现对交通事件和交通流量的准确检测！ 关谷信息加入昇思MindSpore社区，构建一体化智能检测体系，对农田非法占用、非法采砂、非法采伐等乱象实时监控！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/845/ --- 新闻 麦卡锡加入昇思MindSpore社区，对公共场所摄像头数据分析检测，及时发现违规行为，实现公共场所有序管理，减少人力物力损耗！ # 麦卡锡加入昇思MindSpore社区，对公共场所摄像头数据分析检测，及时发现违规行为，实现公共场所有序管理，减少人力物力损耗！ 2021/12/14 # 麦卡锡加入昇思MindSpore社区，对公共场所摄像头数据分析检测，及时发现违规行为，实现公共场所有序管理，减少人力物力损耗！ **麦卡锡**完成ISV认证**正式加入****昇思****MindSpore社区**。 **麦卡锡\*\*\*\*简介** 南京麦卡锡智能科技有限公司，华为认证级ISV伙伴，是一家集产、学、研为一体的专注于互联网安全、大数据与人工智能方向的具有完全自主知识产权的企业。公司强调创新，拥有一批高素质的研发团队，坚持自主研发，已申报发明专利3项,获批软件著作权19项。现有产品包括基于AI的智能视频处理平台、流量大数据感知平台、智能轨道摄像机器人等。 昇思MindSpore是华为开源的一款**全场景AI计算框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 麦卡锡在加入MindSpore社区后，使用MindSpore实现产品过激行为检测。用于对地铁车站、居民小区等一些公共场所里的摄像头视频流数据进行分析检测，及时发现是否存在人员打架斗殴事件，方便地铁运营、物业管理人员及时做出处理和响应，实现公共场所有序管理，减少人力物力损耗，让车站运行更安全高效、业主生活更和谐。具有切实的应用性和广阔的社会价值。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**huxiaoman@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 云创大数据加入昇思MindSpore社区，对轨道关键部位螺栓状态高清监控，预防螺栓异常导致的安全隐患！ 库柏特加入昇思MindSpore社区，实现药品从流通渠道到医院药房到终端应用环节的端到端物流管理！ 云问科技加入昇思MindSpore社区，实现智能知识管理，为政企单位营销、服务等环节提供机器人知识问答支撑！ 倍特威视加入昇思MindSpore社区，搭建智能视频分析系统，对园区不安全行为进行实时预警！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/846/ --- 新闻 考拉悠然加入昇思MindSpore社区，在城管、交管、社会治理等方面，完成对整个城市的智能化改造，提高城市感知源利用率！ # 考拉悠然加入昇思MindSpore社区，在城管、交管、社会治理等方面，完成对整个城市的智能化改造，提高城市感知源利用率！ 2021/12/14 # 考拉悠然加入昇思MindSpore社区，在城管、交管、社会治理等方面，完成对整个城市的智能化改造，提高城市感知源利用率！ **考拉****悠****然**完成ISV认证**正式加入****昇思****MindSpore社区**。 **考拉悠然\*\*\*\*简介** 成都考拉悠然科技有限公司，华为认证级ISV伙伴，⾃主研发了业界⾸款⾯向未来的多模态⼈⼯智能操作系统——OSMAGIC码极客，可快速、低成本的完成不同场景需求下的定制化AI产品开发与交付，并以OSMAGIC码极客作为底层操作系统，在智慧城市和智能制造两个领域提供全球领先的AI核⼼算法和解决⽅案，为构建万物AI的美好世界贡献考拉悠然⾃⼰的⼒量。考拉悠然将始终专注于多模态AI技术研发与垂直⾏业解决⽅案落地，与合作伙伴共同构建万物AI的美好世界。 昇思MindSpore是华为开源的一款**全场景AI计算框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 考拉悠然在加入MindSpore社区后，使用MindSpore AI框架实现OSMAGIC码极客建立视觉认知、语言认知、环境认知等多模态认知融合，面向城市治理、智能制造、餐饮零售等行业用户提供上千种AI能力服务，帮助用户实现降本增效和提升体验的核心价值。 基于该解决方案打造城市大脑，深入各委办局实际业务场景。在城管、交管、社会治理、市场监督（食品安全）等方面，完成对整个城市的智能化改造。提高城市感知源利用率，促进各行各业产学研融合，实现多维度产业创新。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**huxiaoman@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 恩博科技加入昇思MindSpore社区，建设林业预警监测系统，实现林区环境综合决策的科学化、监管的精准化、公共服务的便民化！ 同方赛威讯加入昇思MindSpore社区，基于MindSpore的目标检测可以精准定位到文档中关键图像图形，极大方便了文档处理！ 四维向量加入昇思MindSpore社区，精准识别危险品车辆违规出入高速公路，助力交管部门查处违禁品！ 广电运通加入昇思MindSpore社区，打造综合性智能车辆大数据平台，实现一车一档，动态管控！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/848/ --- 新闻 天凌智能加入昇思MindSpore社区，建立人、车、房、事、物的信息资源池，实现智慧园区，为社区的管理和服务提供信息化支撑！ # 天凌智能加入昇思MindSpore社区，建立人、车、房、事、物的信息资源池，实现智慧园区，为社区的管理和服务提供信息化支撑！ 2021/12/15 # 天凌智能加入昇思MindSpore社区，建立人、车、房、事、物的信息资源池，实现智慧园区，为社区的管理和服务提供信息化支撑！ **天凌智能**完成ISV认证**正式加入****昇思****MindSpore社区**。 **天凌智能\*\*\*\*简介** 武汉天凌智能工程有限公司，华为认证级ISV伙伴， 一家以软、硬件产品的开发、集成、销售和服务为基础，通讯工程、计算机系统集成、智能化系统集成、自动化控制系统、安防监控系统、结构化综合布线系统、楼宇管理系统等工程的成套设计、咨询、安装调试、技术服务、设备销售及合同承包业务为核心的高新技术企业。致力于为金融、电力、证券、企事业单位、大型小区等实现数字化、智能化、网络化，提供全面、成熟、易用的工程解决方案和应用服务。 昇思MindSpore是华为开源的一款**全场景AI计算框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 天凌智能在加入MindSpore社区后，基于MindSpore框架与智慧园区物联网中心管理平台软件，实现基于社区治理和服务的所有静态信息和动态信息的统一汇总，和社区智能化的应用管理系统统一管理和有机联动，如视频监控、智能门禁、卡口管理等多个系统，建立“人”“车”“房”“事”“物”的信息资源池，为社区的管理和服务提供信息化支撑，真正做到一体化、智能化的融合管理和应用。 基于该解决方案—DEMMS智慧工业园区云平台，通过视频数据与大数据视频AI分析可实现人、车、物实时查看，物品遗失追溯，人员动向追溯，巡逻人员实时位置，巡检路线回放，移动上报处理流程，事件查询分析。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**huxiaoman@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 网联安瑞加入昇思MindSpore社区，实现图像识别，图像分类，有效的解决新媒体内容监测分析系统内容多样化识别挑战！ 考拉悠然加入昇思MindSpore社区，在城管、交管、社会治理等方面，完成对整个城市的智能化改造，提高城市感知源利用率！ 微创光电加入昇思MindSpore社区，实时分析高速公路监控视频，实现对交通事件和交通流量的准确检测！ 麦卡锡加入昇思MindSpore社区，对公共场所摄像头数据分析检测，及时发现违规行为，实现公共场所有序管理，减少人力物力损耗！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/849/ --- 新闻 亚为电子加入昇思MindSpore社区，对传统红枣人力分拣过程进行AI赋能，一次性将红枣缺陷和红枣种类划分，大大节省人工成本！ # 亚为电子加入昇思MindSpore社区，对传统红枣人力分拣过程进行AI赋能，一次性将红枣缺陷和红枣种类划分，大大节省人工成本！ 2021/12/15 # 亚为电子加入昇思MindSpore社区，对传统红枣人力分拣过程进行AI赋能，一次性将红枣缺陷和红枣种类划分，大大节省人工成本！ **亚为电子**完成ISV认证**正式加入****昇思****MindSpore社区**。 **亚为电子\*\*\*\*简介** 武汉亚为电子科技有限公司，华为认证级ISV伙伴，是湖北省软件行业协会会员单位。公司紧跟工业4.0、物联网发展步伐，主要从事智能工业物联网产品研发业务，作为中国地质大学（武汉）野外监测仪器研发基地、香港佳安合同能源管理有限公司技术合作中心和IOT物联网产业联盟单位，是国内成员之一的物联网硬件产品研发和自动化系统集成服务企业。亚为秉承“方便一秒钟”的理念，专注于工业智能传感器、连接器和SaaS系统研发业务。拥有雄厚的物联网、云计算、雾计算和软件服务能力。 昇思MindSpore是华为开源的一款**全场景AI计算框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 亚为电子在加入MindSpore社区后，依托MindSpore框架与亚为电子成熟AI应用，打造一站式方案适用于农产品分拣行业。 基于该解决方案对传统红枣人力分拣过程进行AI赋能，通过视觉成像系统和控制系统，对红枣缺陷分为八大类:黑头、烂损、破口、裂缝、变形、干皮、肉皮、枣锈;对红枣等级分为:超特级、特级、一级、二级、三级。通过独立道口设计将红枣缺陷及等级一次性分拣到指点周转箱。既杜绝人工的二次污染又大大节省人工成本。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**huxiaoman@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 极目智能加入昇思MindSpore社区，构建汽车盲区智能检测系统，实现准确的车外环境态势感知！ 积微物联加入昇思MindSpore社区，高效识别破损坩埚，提高流水线效率与智能化！ 微创光电加入昇思MindSpore社区，实时分析高速公路监控视频，实现对交通事件和交通流量的准确检测！ 关谷信息加入昇思MindSpore社区，构建一体化智能检测体系，对农田非法占用、非法采砂、非法采伐等乱象实时监控！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/850/ --- 新闻 东云睿连加入昇思MindSpore社区，通过智慧摄像头全方位、全时段获取监控画面，快速识别非法捕鱼行为，生成预警信息！ # 东云睿连加入昇思MindSpore社区，通过智慧摄像头全方位、全时段获取监控画面，快速识别非法捕鱼行为，生成预警信息！ 2021/12/15 # 东云睿连加入昇思MindSpore社区，通过智慧摄像头全方位、全时段获取监控画面，快速识别非法捕鱼行为，生成预警信息！ **东云睿连**完成ISV认证**正式加入****昇思****MindSpore社区**。 **东云睿连\*\*\*\*简介** 东云睿连（武汉）计算技术有限公司，华为认证级ISV伙伴，是一家云计算技术开发商，提供智能零售、遥感影像、教育培训、数据分析等解决方案。开发OMAI深度学习平台，具备深度学习算法开发、模型训练、推理服务等能力的一站式平台软件，以支持高性能计算技术和大规模分布式算法为特色，可实现公有云与私有云部署，帮助客户快速、优质地构建人工智能系统与算法能力，助力技术与产品的研发和应用。 昇思MindSpore是华为开源的一款**全场景AI计算框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 东云睿连在加入MindSpore社区后，基于MindSpore框架，OMVision智能视觉分析平台融合了人工智能、物联网、大数据、云计算等技术，通过智慧摄像头设备全方位、全时段地获取高清监控画面并实时传输至平台，平台利用AI智能分析，快速识别出电鱼、炸鱼等非法捕鱼行为，及时生成预警信息，第一时间共享至相关部门并调度管辖人员前往执法。平台同时支持管理者安排及跟踪巡查任务，以及公众扫码举报等功能。 基于该解决方案，实现全面监控+技术防控，数据协同共享，建立智慧管理新思路，全民参与，充分利用社会资源，多终端相结合，助力指挥调度，智能运维，实现设备集中管理，提升工作效，减轻日常巡防压力，被动监控转为主动防御，提升执法效率，以云平台支撑，实现智慧应用可视化。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**huxiaoman@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 网联安瑞加入昇思MindSpore社区，实现图像识别，图像分类，有效的解决新媒体内容监测分析系统内容多样化识别挑战！ 积微物联加入昇思MindSpore社区，高效识别破损坩埚，提高流水线效率与智能化！ 微创光电加入昇思MindSpore社区，实时分析高速公路监控视频，实现对交通事件和交通流量的准确检测！ 关谷信息加入昇思MindSpore社区，构建一体化智能检测体系，对农田非法占用、非法采砂、非法采伐等乱象实时监控！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/852/ --- 新闻 远光软件加入昇思MindSpore社区，通过打造远光OCR应用中心公有云、私有云、软硬一体产品形态，保障用户信息安全！ # 远光软件加入昇思MindSpore社区，通过打造远光OCR应用中心公有云、私有云、软硬一体产品形态，保障用户信息安全！ 2021/12/16 # 远光软件加入昇思MindSpore社区，通过打造远光OCR应用中心公有云、私有云、软硬一体产品形态，保障用户信息安全！ **远光软件**完成ISV认证**正式加入昇思MindSpore社区。** **远光软件\*\*\*\*简介** 远光软件股份有限公司，华为认证级ISV伙伴，是国内主流的企业管理、能源互联和社会服务信息技术、产品和服务提供商。公司专注大型集团企业管理信息化逾30年，深入区块链、人工智能、大数据、边缘计算、物联网等新兴技术，精研软硬一体化整合应用技术，为大型集团企业提供全面的行业解决方案和服务。在该行业企业管理软件领域长期处于领先地位。在新时代全面改革开放和全球命运共同体建设的机遇下，公司始终以先进的信息技术、能源技术等核心技术为根本动力，致力于以优质的产品和服务推动企业升级、能源革命、经济增长和社会进步。 昇思MindSpore是华为开源的一款**全场景AI计算框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 远光软件在加入MindSpore社区后，基于MindSpore框架开发OCR应用的方案，聚焦于集团资源管理全场景覆盖的OCR需求，探求业务领域的纵向深度，填补市场上业务型OCR产品的空白。OCR应用中心具备有以下三大特色，为企业用户提高更精准、更安全、更省心的OCR解决方案。在满足企业用户对识别准确率高精度要求的基础上，通过打造远光OCR应用中心公有云、私有云、软硬一体产品形态，保障企业用户在产品使用过程中的数据信息安全。 基于该解决方案，通过提供标准化服务，圆满解决企业接驳各类业务系统带来的管理困难，省去集成改造的资源投入，解决芯片被卡脖子的问题，实现了华为全场景AI计算框架MindSpore 与远光软件股份有限公司OCR技术的全面融合，结合OCR应用中心，实现以票据、合同等场景的OCR识别应用。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**huxiaoman@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 天凌智能加入昇思MindSpore社区，建立人、车、房、事、物的信息资源池，实现智慧园区，为社区的管理和服务提供信息化支撑！ 亚为电子加入昇思MindSpore社区，对传统红枣人力分拣过程进行AI赋能，一次性将红枣缺陷和红枣种类划分，大大节省人工成本！ 东云睿连加入昇思MindSpore社区，通过智慧摄像头设备全方位、全时段地获取监控画面，快速识别非法捕鱼行为，及时生成预警信息！ 同方赛威讯加入昇思MindSpore社区，基于MindSpore的目标检测用于司法领域的文档案件电子卷宗领域，极大方便了文档处理！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/853/ --- 新闻 珈和科技加入昇思MindSpore社区，通过对农业大数据深入分析，形成AI智能分析模型，打造农业智能服务平台，支撑农业智能化生产 # 珈和科技加入昇思MindSpore社区，通过对农业大数据深入分析，形成AI智能分析模型，打造农业智能服务平台，支撑农业智能化生产 2021/12/16 # 珈和科技加入昇思MindSpore社区，通过对农业大数据深入分析，形成AI智能分析模型，打造农业智能服务平台，支撑农业智能化生产 **珈和科技**完成ISV认证**正式加入****昇思****MindSpore社区**。 **珈和科技\*\*\*\*简介** 武汉珈和科技有限公司，华为认证级ISV伙伴，致力于空间智能技术为核心的大数据信息服务，产品和服务应用于农业、生态环境、水利、海洋、智慧城市等，为数字新经济的各类产业客户提供决策级数据应用产品，帮助客户节约成本 、增加收益。公司产品和服务，核心自产数据产品，能有效为客户做到事前预警+事中监测+事后决策。 珈和科技已获得高新技术企业、乙级测绘资质，通过ISO9001质量体系认证、知识产权体系认证等。 昇思MindSpore是华为开源的一款**全场景AI计算框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 珈和科技在加入MindSpore社区后，基于MindSpore框架自主研发的遥感数据自动化加工处理系统。推出遥感AI智能解译软件， 包括一个多源遥感影像数据库，一个遥感影像样本库，集合了不同类型的遥感影像样本，通过神经网络模型训练，适用于土地利用分类、变化检测、作物分类、目标提取等多种不同的应用场景。 基于该解决方案，AI构建作物识别模型，快速识别作物，形成最优生长模型。采集大量样本训练深度学习算法，提高模型精度，作物提取精度能达到90%以上。根据AI训练作物生长模型产生具体执行策略，实现作物生长管理过程的标准化、流程化、自动化。通过对农业大数据进行深入挖掘分析，形成AI智能分析模型，打造农业智能服务平台，支撑农业智能化生产。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**huxiaoman@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 网联安瑞加入昇思MindSpore社区，实现图像识别，图像分类，有效的解决新媒体内容监测分析系统内容多样化识别挑战！ 考拉悠然加入昇思MindSpore社区，在城管、交管、社会治理等方面，完成对整个城市的智能化改造，提高城市感知源利用率！ 微创光电加入昇思MindSpore社区，实时分析高速公路监控视频，实现对交通事件和交通流量的准确检测！ 麦卡锡加入昇思MindSpore社区，对公共场所摄像头数据分析检测，及时发现违规行为，实现公共场所有序管理，减少人力物力损耗！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/854/ --- 新闻 南方数码加入昇思MindSpore社区，让iGIS平台很好的进行人工智能领域的发展，企业方便快捷实现时空大数据智能服务平台优化！ # 南方数码加入昇思MindSpore社区，让iGIS平台很好的进行人工智能领域的发展，企业方便快捷实现时空大数据智能服务平台优化！ 2021/12/16 # 南方数码加入昇思MindSpore社区，让iGIS平台很好的进行人工智能领域的发展，企业方便快捷实现时空大数据智能服务平台优化！ **南方数码**完成ISV认证**正式加入****昇思****MindSpore社区**。 **南方数码\*\*\*\*简介** 广东南方数码科技股份有限公司，华为认证级ISV伙伴，是一家集数据、软件、服务于一体的中国领先的地理信息开发与服务商、中国地理信息产业“百强企业”，业务覆盖地理信息全产业链，提供一站式的就近服务。是工信部认定的“软件企业”，同时也是“国家规划布局内重点软件企业”“国家火炬计划重点高新技术企业”“广东省高新技术企业”“广东省优秀自主品牌”“广州市重点软件企业”，具有测绘甲级资质、CMMI5级认证、信息系统CS3等级认证、质量管理体系认证ISO9001:2015、IT服务管理体系认证ISO20000。 南方数码全面面向智慧城市，以数据为基础，以测绘、住建、自然资源等行业为核心发展地理信息产业。拥有遍布全国的专业分公司，专业、专注、就近服务。目前，南方数码已有数千个政务管理系统稳定运行在各级政府和行业管理部门。秉承“客户至上，员工为本，追求品质，合作共赢”的价值观，南方数码始终坚持以“数据·软件·服务”为核心，以挖掘地理信息价值为己任，愿与同行一起，推动中国的信息化建设事业，让更多人体验地理信息价值！ 昇思MindSpore是华为开源的一款**全场景AI计算框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 南方数码在加入MindSpore社区后，基于全场景AI计算框架MindSpore进行iGIS产品的遥感影像网络模型优化解决方案，对高分辨率光学遥感图像进行土地利用类型语义分割处理，搭建语义分割DeepLabV3模型结构。基于MindSpore框架对5万张遥感影像数据进行全栈调优，模型精度与测试速度方面均有很大的提升。 基于该解决方案，将iGIS广泛应用于自然资源、智慧城市等领域，支撑时空大数据管理、服务、计算等业务场景。基于MindSpore框架的iGIS平台可以很好的进行人工智能领域的发展。企业方便快捷实现时空大数据智能服务平台优化，性能提升，稳定性较好，安全，可控。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**huxiaoman@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 云创大数据加入昇思MindSpore社区，对轨道关键部位螺栓状态高清监控，预防螺栓异常导致的安全隐患！ 考拉悠然加入昇思MindSpore社区，在城管、交管、社会治理等方面，完成对整个城市的智能化改造，提高城市感知源利用率！ 库柏特加入昇思MindSpore社区，实现药品从流通渠道到医院药房到终端应用环节的端到端物流管理！ 麦卡锡加入昇思MindSpore社区，对公共场所摄像头数据分析检测，及时发现违规行为，实现公共场所有序管理，减少人力物力损耗！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/855/ --- 新闻 聚网达加入昇思MindSpore社区，实现了校园信息化应用领域全覆盖，利用大数据实现教育教学和管理的精细化、个性化和智能化！ # 聚网达加入昇思MindSpore社区，实现了校园信息化应用领域全覆盖，利用大数据实现教育教学和管理的精细化、个性化和智能化！ 2021/12/16 # 聚网达加入昇思MindSpore社区，实现了校园信息化应用领域全覆盖，利用大数据实现教育教学和管理的精细化、个性化和智能化！ **聚网达**完成ISV认证**正式加入昇思MindSpore社区。** **聚网达\*\*\*\*简介** 湖北聚网达网络科技有限公司，华为认证级ISV伙伴， 具备一流的团队，一流的产品，一流的服务，始终为客户提供好的产品和技术支持、健全的售后服务，致力于通过智能化手段提升工作效率。拥有国内领先的智能化校园教育整体解决方案，平台和应用，具备强大的校园治理能力。打造ASC智能化小圆领域建设平台，治理打造“领域全覆盖、过程全监控、人员全参与”的一体化智能化教学、管理与服务平台，解决教学管理实际问题，不断提升学校人才培养素质。 昇思MindSpore是华为开源的一款**全场景AI计算框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 聚网达在加入MindSpore社区后，基于MindSpore框架自主研发ASC智能化校园整体解决方案，在借鉴了目前国内外信息化建设先进院校智能化校园建设经验的基础上，建设智能化校园，统筹建设一体化智能化教学、管理与服务平台。教学应用覆盖全体师生、学习应用覆盖全体适龄学生、数字校园建设覆盖全体学校，信息化应用水平和师生信息素养普遍提高，建成“互联网+教育”大平台。 基于该解决方案，实现了校园信息化应用领域全覆盖、过程全监控、人员全参与，利用大数据实现教育教学和管理的精细化、个性化和智能化，不断增强师生信息化获得感，依托智能化校园有效地支撑学校内部质量保证体系诊断与改进，支撑全员、全方位、全过程育人，不断提高学校人才培养质量。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**huxiaoman@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 恩博科技加入昇思MindSpore社区，建设林业预警监测系统，实现林区环境综合决策的科学化、监管的精准化、公共服务的便民化！ 四维向量加入昇思MindSpore社区，精准识别危险品车辆违规出入高速公路，助力交管部门查处违禁品！ 微创光电加入昇思MindSpore社区，实时分析高速公路监控视频，实现对交通事件和交通流量的准确检测！ 麦卡锡加入昇思MindSpore社区，对公共场所摄像头数据分析检测，及时发现违规行为，实现公共场所有序管理，减少人力物力损耗！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/856/ --- 新闻 2021 Kubernetes on AI & Edge Day圆满举行 共探边缘云融合（AI Day 回顾） # 2021 Kubernetes on AI & Edge Day圆满举行 共探边缘云融合（AI Day 回顾） 2021/12/17 # 2021 Kubernetes on AI & Edge Day圆满举行 共探边缘云融合（AI Day 回顾） 2021年12月11日－12日，由**Linux基金会**、**LF AI & DATA** 、**LF Edge** 、**CNCF** 、**LFN**等开源社区联合举办，由开源科技OSTech和西丽湖人才服务中心协办的Kubernetes on AI & Edge Day在深圳举办。会中，大咖云集、干货满满。对现线上的线上、人工智能以及社区的流行及未来进行了深度深度挖掘，为现场以及收看直播的观众奉献了十数场精彩纷呈的呈现的主题分享。 现在就让我们一起回顾一下12月11日Kubernetes on AI Day现场精彩的演讲吧！ 开场致辞 LF AI &DATA基金会在过去三年中，共有383个组织参与了代码提交，见证了开源社区的壮大与成长。同时也在面临很多挑战，例如算力、人才、建立信任、数据隐私等等。需要大家携手并进，为开源社区的发展一起努力。 ——**LF AI &** ****DATA****基金会主席 堵俊平\*\*\*\* 开场致辞 疫情的出现让更多的开源社区，正在以一种新使命感向前推进。越来越多的社区在获得持续性增长，交付质量和速度也有着明显提升。并分享多个成功案例。再次验证了那句经典老话“开源不是零和游戏，你在帮助别人的同时也在帮助自己”。 ——**CNCF\*\*\*\*亚太区首席战略官 陈泽辉** 尖峰对话 两位共同探讨在数字时代云原生与AI开源社区的角色和未来。他们认为在当下，各开源社区应进一步加强协作、深度融合、互相赋能，让开源社区更加强大。最后，两位大咖还就云原生、AI两者之间的关系展开讨论。他们认为，两者一个偏底层创新，另一个则偏应用层，并不是分割、对立，而应该互补。 ——**LF AI &DATA基金会主席 堵俊平** **CNCF亚太区首席战略官 陈泽辉** MindSpore Community Operation 目前MindSpore正在逐渐成为面向全球的中国第一热度人工智能开源社区。他坚信，想要一个社区能健康成长，必须能让每个用户拥有足够的幸福感。这又体现在技术、文化等多个方面。同时，通过多渠道推广分享、公正的管理等等，才能让开源社区快速健康的发展。精彩的内容也得到了众多行业大咖与开源社区同学的一致赞同。 ——**华为昇腾开源生态总监 黄之鹏** 全场景在离线混部系统Caelus项目 主流的容器编排在实际应用中会遇到诸多挑战，例如资源分配不高效、调度不够合理等等。在离线混部系统，可以在线作业运行过程中填充离线作业，来提高资源利用率。但也存在很多难题，系统庞大、组件众多，需要多团队配合等等。借助Caelus方案，可以有效提升资源利用率，强化共享能力，满足更丰富的应用需求。 ——**腾讯高级工程师 陈东东** ChubaoFS云原生存储平台落地经 作为首个国产开源存储系统，ChubaoFS已经在众多大型企业的业务场景中得以应用。借助开源，也让ChubaoFS拥有更强的包容和开放性。可进一步提升元数据性能，降低运维成本。 **——OPPO分布式存储架构师 常亮** K8s超大规模机器学习平台实践和基于ONNX Runtime训练加速 As AI and ML demands and application keep booming, the requirements for AI platform is growing to facilitate AI practitioners to experiment with state-of-art ideas, build and deploy production ready models to create business values. A highly stable, scalable, resilient and user friendly AI platform will accelerate the research and landing of AI. Furthermore, with the advancement of large foundation model, training performance becomes critical for both time to value and carbon emission. In this presentation, we will share the experience and best practices on how we develop and operate a super large scale and highly reliable GPU and CPU AI platform based on Kubernetes, including, 1.Stability of super scale Kubernetes clusters on nodes, service and applications 2.Scheduler for different AI workloads to balance utilization and fairness 3.Best practice to run large scale distributed AI workload 4.Accelerate large foundation model training with ONNX runtime \*\*——\*\***lead of AI product in Azure Office of CTO Asia Henry Zeng** 当量子计算遇上人工智能 量子计算拥有原生的随机数生成、更快的模型训练、减少优化过程时间复杂度、处理更复杂网络的优点。他认为，嘈杂中兴量子机器将成为未来若干年内原生量子硬件的主流。而如何在现有经典硬件上提高量子模拟器的可扩展性及效率，也将成为量子计算产业化的主要课题。 ——**国开启科量子技术（北京）有限公司首席算法工程师 陈健明** 基于Volcano的离在线业务混部技术探索 在目前单集群规模大、资源冗余大、需求波动大、利用率的情境下。云原生基础设施已成为混部主流方案。借助Volcano混部技术，可以实现统一调度、资源隔离，统一用户体验。最后对混部技术未来做简单展望。 ——**华为昇腾开源生态总监 黄之鹏** KubeCon论道：AI + 云原生的机遇与挑战 各位嘉宾就如何强化各协会之间的合作关系、开源社区运营中的趣事及云原生与AI之间的关系作精彩分享。例如：各协会应如何加强合作，怎样加强生态联系等等。独到的观点赢得与会观众热烈的掌声。 —— **LF AI & DATA基金会主席堵俊平** **CNCF亚太区首席战略官陈泽辉** **华为昇腾开源生态总监黄之鹏** **Linux Foundation 亚太区总监杨轩** ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/858/ --- 新闻 南京仁面加入昇思MindSpore社区，研发出自动检测金属管材表面损伤的装置，可自动发现管材表面存在的划痕、凹陷等损伤！ # 南京仁面加入昇思MindSpore社区，研发出自动检测金属管材表面损伤的装置，可自动发现管材表面存在的划痕、凹陷等损伤！ 2021/12/17 # 南京仁面加入昇思MindSpore社区，研发出自动检测金属管材表面损伤的装置，可自动发现管材表面存在的划痕、凹陷等损伤！ **南京仁面**完成ISV认证**正式加入昇思MindSpore社区。** **南京仁面\*\*\*\*简介** 南京仁面集成电路技术有限公司，华为认证级ISV伙伴，主要经营集成电路技术、互联网科技、计算机软硬件科技领域，始终为客户提供好的产品和技术支持、健全的售后服务，在金属管材表面损伤自动检测领域专注于自动化的检测流水线，并将方案实际使用在大型金属管材生产厂中，大幅提升了检测效率，节约了人力。 昇思MindSpore是华为开源的一款**全场景AI计算框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 南京仁面在加入MindSpore社区后，基于MindSpore框架自主研发出自动检测金属管材表面损伤的装置，通过环绕管材的多个摄像头来采集图像数据，再传入预先使用MindSpore框架训练的YOLOv4模型来进行目标检测，可自动发现管材表面存在的划痕、凹陷等损伤，并在发现后输出信号以供后续处理。 基于该解决方案，金属管材表面损伤自动检测，制作了原型硬件，机械结构可串联进工厂原有的流水线，采集了金属管材表面损伤的图像数据集提升了检查表面损伤的效率，改善了原本由人工进行，速度很慢的情况。原来的人工方案是5位工人每分钟检测10米，此方案是机器+1位工人每分钟检测50米。最终的自动化装置检测速度比人工快，且方便，仅需安排一名工人复检存疑样例，可串联进已有的检测流水线，一次完成多项检查，使用ModelArts 训练模型速度快，且方便。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**huxiaoman@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 远光软件加入昇思MindSpore社区，通过打造远光OCR应用中心公有云、私有云、软硬一体产品形态，保障企业用户的数据信息安全！ 珈和科技加入昇思MindSpore社区，通过对农业大数据深入分析，形成AI智能分析模型，打造农业智能服务平台，支撑农业智能化生产！ 南方数码加入昇思MindSpore社区，让iGIS平台很好的进行人工智能领域的发展，企业方便快捷实现时空大数据智能服务平台优化！ 聚网达加入昇思MindSpore社区，实现了校园信息化应用领域全覆盖，利用大数据实现教育教学和管理的精细化、个性化和智能化！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/859/ --- 新闻 拓尔思加入昇思MindSpore社区，通过对行业大数据的深度学习，实现自动分类、语义相似度计算、自动校对、词典挖掘等功能的优化！ # 拓尔思加入昇思MindSpore社区，通过对行业大数据的深度学习，实现自动分类、语义相似度计算、自动校对、词典挖掘等功能的优化！ 2021/12/17 # 拓尔思加入昇思MindSpore社区，通过对行业大数据的深度学习，实现自动分类、语义相似度计算、自动校对、词典挖掘等功能的优化！ **拓尔思**完成ISV认证**正式加入昇思MindSpore社区。** **拓尔思\*\*\*\*简介** 拓尔思信息技术股份有限公司，华为认证级ISV伙伴，拓尔思公司在人工智能领域的优势核心技术方向是语义智能——基于语义理解的认知智能，是被称为人工智能皇冠上的明珠的“硬科技”。 核心业务包括软件产品研发、行业应用解决方案和数据分析挖掘云服务。赋能数字经济，致力于成为语义智能技术领导者，以人工智能和大数据技术助力政府和企业的数字化转型。 昇思MindSpore是华为开源的一款**全场景AI计算框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 拓尔思在加入MindSpore社区后，基于MindSpore框架开发新一代文本挖掘软件TRS深度文本挖掘软件V9.0，集成了开源深度神经网络框架TensorFlow，通过对行业大数据的深度学习，实现自动分类、语义相似度计算、文本摘要、自动校对、词典挖掘等功能的优化。 基于该解决方案，实现了拓尔思深度文本挖掘软件的校对模型的移植和运行。并对该方案进行了全面测试，验证其有效性和处理性能。DL-CKM软件将正在走向成熟的深度学习技术引入现有的TRS文本挖掘软件中，通过新计算模型与行业大数据的结合，优化文本的智能分析水平，提升文本挖掘产品的市场竞争力。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**huxiaoman@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 天凌智能加入昇思MindSpore社区，建立人、车、房、事、物的信息资源池，实现智慧园区，为社区的管理和服务提供信息化支撑！ 亚为电子加入昇思MindSpore社区，对传统红枣人力分拣过程进行AI赋能，一次性将红枣缺陷和红枣种类划分，大大节省人工成本！ 东云睿连加入昇思MindSpore社区，通过智慧摄像头设备全方位、全时段地获取监控画面，快速识别非法捕鱼行为，及时生成预警信息！ 同方赛威讯加入昇思MindSpore社区，基于MindSpore的目标检测用于司法领域的文档案件电子卷宗领域，极大方便了文档处理！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/860/ --- 新闻 东方盛行加入昇思MindSpore社区，通过集成AI人工智能引擎，引入编目前移及智能标签概念，实现媒体资源管理的高效化、智能化！ # 东方盛行加入昇思MindSpore社区，通过集成AI人工智能引擎，引入编目前移及智能标签概念，实现媒体资源管理的高效化、智能化！ 2021/12/17 # 东方盛行加入昇思MindSpore社区，通过集成AI人工智能引擎，引入编目前移及智能标签概念，实现媒体资源管理的高效化、智能化！ **东方盛行**完成ISV认证**正式加入昇思MindSpore社区。** **东方盛行\*\*\*\*简介** 成都东方盛行电子有限责任公司，华为认证级ISV伙伴， 是中国广电行业具有市场影响力的高新技术企业，专业从事数字视音频软硬件开发、生产、集成和运维，是全国唯一五家具有电视台全业务流程解决方案的系统集成商之一，曾多次为国国内外多家电视台提供高难度、超复杂的设计、生产、施工综合项目，经营十分丰富，成绩有目共睹。拥有计算机信息系统集成资质，得到中国科技部科技创新基金支持，并率先通过国家ISO9001：2000质量管理体系认证，获得高新技术企业、软件企业、科技创新企业、3A信用等级等荣誉，其中“Stream RT实时流媒体视频服务器硬盘播出系统”、“iMSC数据安全传输、交换、发布平台”、“极速融通全媒体协同工作平台”等产品和解决方案处于行业领先地位，曾荣获“政府科技进步奖”、“国家重点新产品”等重大科技创新奖项。凭借创新的产品研发、过硬的产品品质、专业的运维服务，东方盛行将持续为客户提供应需的、定制的、贴近的应用产品和广电行业融媒体整体解决方案。 昇思MindSpore是华为开源的一款**全场景AI计算框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 东方盛行在加入MindSpore社区后，基于MindSpore框架融合AI智能媒资库，实现基于互联网上载、审核、入库、编目、下载等业务流程，通过集成AI人工智能引擎，引入编目前移及智能标签概念，提供基于语音、图像、场景等的智能编目工具，实现媒体资源管理的高效化、智能化。同时，该智能媒资库可与公司的极速EE2.0非线性编辑系统、极速EE-I云非编系统无缝对接，实现媒资库素材在线智能编辑与处理功能，大大提高视频工作者的工作效率和质量。 基于该解决方案，实现对各种类型的视频资料，音频资料，文字，图片，等媒体资料的数字化存储，编目管理，检索查询，非编素材转码，信息发布，以及设备和固定资产等进行全面管理的同时，引入华为 Atlas 300I卡作为本系统的智能引擎服务器的推理卡，实现AI智能编目应用，包括人像信息智能编目、语音信息智能编目、场景信息智能编目、基本信息智能编目等智能应用。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**huxiaoman@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 网联安瑞加入昇思MindSpore社区，实现图像识别，图像分类，有效的解决新媒体内容监测分析系统内容多样化识别挑战！ 亚为电子加入昇思MindSpore社区，对传统红枣人力分拣过程进行AI赋能，一次性将红枣缺陷和红枣种类划分，大大节省人工成本！ 东云睿连加入昇思MindSpore社区，通过智慧摄像头设备全方位、全时段地获取监控画面，快速识别非法捕鱼行为，及时生成预警信息！ 同方赛威讯加入昇思MindSpore社区，基于MindSpore的目标检测用于司法领域的文档案件电子卷宗领域，极大方便了文档处理！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/862/ --- 新闻 迪赛威加入昇思MindSpore社区，利用物联网技术方案，实现执法办案中心（区）进出人员登记管理、办案区视音频监督管理等！ # 迪赛威加入昇思MindSpore社区，利用物联网技术方案，实现执法办案中心（区）进出人员登记管理、办案区视音频监督管理等！ 2021/12/20 # 迪赛威加入昇思MindSpore社区，利用物联网技术方案，实现执法办案中心（区）进出人员登记管理、办案区视音频监督管理等！ **迪赛威**完成ISV认证**正式加入昇思MindSpore社区。** **迪赛威\*\*\*\*简介** 武汉迪赛威智能科技有限公司，华为认证级ISV伙伴，专业从事物联网科技、政法机关法制信息化研发的科技型公司。公司具有专业的公共安全执法软件研发团队以及专业的执法物联网技术研发团队。公司主要服务于公共安全业务，重点研发“智慧公共安全”相关产品。公司在公共安全审讯系统标准化、信息化领域到达行业领先水平，公司开创的三中心一体化建设，智能案件管控平台建设等系统建设得到了公共安全客户的大力推广。随着信息行业发生革命性的变化，公司将紧跟依法治国，建设法治中国的国家战略，围绕依法治国的管理要求和技术发展方向，持续创新，构筑面向未来发展方向的法治信息平台，持续为构建国家法治体系和治理能力贡献力量。 昇思MindSpore是华为开源的一款**全场景AI计算框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 迪赛威在加入MindSpore社区后，基于MindSpore框架与物联网执法办案系统V1.0通过与警综、110接处警、人口库、在逃人员库等对接，；利用物联网技术方案，实现执法办案中心（区）进出人员登记管理、执法办案区管理、办案区视音频监督管理、询问信息化管理等。满足客户的实际办案区业务需求，从而有效解决办案场所信息化、规范化的问题。 基于该解决方案，执法数据综合应用系统对案件是否及时受理、立案，强制措施是否届满，取保、监居期间是否可能违规出行、涉案财物管理期限是否届满等方面进行预警。自动抽取110接处警平台处警信息，智能分析，集中展示即将届满超期的数据，对问题进行下发整改，整体反馈，问题关闭等，促进执法规范化建设；提升民警规范执法意识，加强民警“尊重和保障人权”的执法理念；科学建设执法办案场所，为民警高效履职提供有力保障。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**huxiaoman@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 南京仁面加入昇思MindSpore社区，研发出自动检测金属管材表面损伤的装置，可自动发现管材表面存在的划痕、凹陷等损伤！ 拓尔思加入昇思MindSpore社区，通过对行业大数据的深度学习，实现自动分类、语义相似度计算、自动校对、词典挖掘等功能的优化！ 东方盛行加入昇思MindSpore社区，通过集成AI人工智能引擎，引入编目前移及智能标签概念，实现媒体资源管理的高效化、智能化！ 聚网达加入昇思MindSpore社区，实现了校园信息化应用领域全覆盖，利用大数据实现教育教学和管理的精细化、个性化和智能化！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/863/ --- 新闻 高德智感加入昇思MindSpore社区，将红外热成像技术应用于智能家居，监测夜间室内温度分布和人员行走状况，做出温度调整 # 高德智感加入昇思MindSpore社区，将红外热成像技术应用于智能家居，监测夜间室内温度分布和人员行走状况，做出温度调整 2021/12/20 # 高德智感加入昇思MindSpore社区，将红外热成像技术应用于智能家居，监测夜间室内温度分布和人员行走状况，做出温度调整 **高德智感**完成ISV认证**正式加入昇思MindSpore社区。** **高德智感\*\*\*\*简介** 武汉高德智感科技有限公司，华为认证级ISV伙伴，专注于红外热成像技术在民用和新兴领域的应用开发。高德智感借助母公司高德红外拥有的自底层至系统的完整而全面的自主技术，能为各行业提供性能强、体验佳、服务优的红外热成像产品和解决方案。高德智感旨在运用开放式的战略思维打造红外“芯”平台，提供人人都能用上的红外应用解决方案，让智能感知提升我们的工作效率和生活品质，让红外科技惠及大众。高德智感品牌设计以Guide字母G作为基本，通过简洁、现代化的图形化手法，使其具备强烈的品牌专属性。标志以圆形为光学镜头为轮廓，内部以圆点居中，代表聚焦和精准，体现了高品质的品牌理念；同时又象形了人眼的轮廓，代表视觉的延伸和智能的感知，体现了高科技的品牌理念。 昇思MindSpore是华为开源的一款**全场景AI计算框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 高德智感在加入MindSpore社区后，基于MindSpore框架将红外热成像技术应用于智能家居领域，红外感知系统利用红外热成像仪可以监测夜间室内温度分布和人员行走状况，适时做出温度调整。可以将温度场转换为直观的图像外,结合智能算法和大数据分析,红外热成像仪提供的解决方案。 基于该解决方案，通过武汉人工智能计算中心提供训练场景，对人体姿态识别，可根据红外图像识别人体站姿、坐姿、躺姿，人体位置感知；摔倒检测，将红外相机挂在浴室，发现老人、小孩摔倒后，相机可判断摔倒，向用户移动终端发出通知报警，输出为红外图像，也确保了对象的隐私；婴儿踢被子检测，可安装在婴儿床附近，实时监测婴儿的体温，当婴儿踢开被子时，可向用户手机发出提醒功能，防止婴儿着凉感冒。火灾预警，安装在室内，可有效监控家中各类电器温度值，预防火灾，保障人们的生命财产安全。实在红外热成像技术在实际场景中的应用和检测分析。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**huxiaoman@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 远光软件加入昇思MindSpore社区，通过打造远光OCR应用中心公有云、私有云、软硬一体产品形态，保障企业用户的数据信息安全！ 珈和科技加入昇思MindSpore社区，通过对农业大数据深入分析，形成AI智能分析模型，打造农业智能服务平台，支撑农业智能化生产！ 南方数码加入昇思MindSpore社区，让iGIS平台很好的进行人工智能领域的发展，企业方便快捷实现时空大数据智能服务平台优化！ 聚网达加入昇思MindSpore社区，实现了校园信息化应用领域全覆盖，利用大数据实现教育教学和管理的精细化、个性化和智能化！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/864/ --- 新闻 比邻软件加入昇思MindSpore社区，对医疗指控方案、医疗质量检查、电子病历质控等服务提供AI服务，提高医疗质量管理水平！ # 比邻软件加入昇思MindSpore社区，对医疗指控方案、医疗质量检查、电子病历质控等服务提供AI服务，提高医疗质量管理水平！ 2021/12/20 # 比邻软件加入昇思MindSpore社区，对医疗指控方案、医疗质量检查、电子病历质控等服务提供AI服务，提高医疗质量管理水平！ **比邻软件**完成ISV认证**正式加入昇思MindSpore社区。** **比邻软件\*\*\*\*简介** 武汉比邻软件有限公司，华为认证级ISV伙伴， 以计算机网络为基础，专业从事医疗软件信息技术开发与应用，包括his系统、lis、影响存储传输系统、移动医护等业务模块的专业性科技公司。公司聚集了一批高水平的专业技术人才和高素质的管理人才，经过几年不断创新和锐意进取，依靠自身优势，在软件产品开发与应用领域取得骄人的成绩，并保持持续、快速、稳健的发展势头。公司与省内多家三甲医院建立了良好的合作关系，项目遍布全省多地，市场占有率与用户美誉度不断提高。比邻医院信息系统符合以系统集成为中心的数字化医院建设思路，各个子系统的软硬件设计均考虑到满足总体需求，各模块都是按医学信息标准化（hl7和dicom3.0）统一标准进行运作的。 昇思MindSpore是华为开源的一款**全场景AI计算框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 比邻软件在加入MindSpore社区后，基于MindSpore框架自主研发智慧医疗质量管理系统，根据临床数据和质控巡检数据结合武汉人工智能计算中心训练场景进行预制统计模型的数据分析。系统可以针对不同科室建立不同质控方案，系统根据质控方案可以进行人工质检或者自动推送质控数据给相关人员。 基于该解决方案，能够根据临床数据和质控巡检数据进行预制统计模型的数据分析，也可以自定义统计分析模型来进行分析。对医疗指控方案、医疗质量检查、医疗质量报告管理、电子病历质控等服务提供AI服务。实现了质量PDCA闭环，使医疗质量管理有据可循，提高了医疗质量管理水平，降低了医疗风险，提高患者满意度，规范了医疗质量管理流。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱： **huxiaoman@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 远光软件加入昇思MindSpore社区，通过打造远光OCR应用中心公有云、私有云、软硬一体产品形态，保障企业用户的数据信息安全！ 珈和科技加入昇思MindSpore社区，通过对农业大数据深入分析，形成AI智能分析模型，打造农业智能服务平台，支撑农业智能化生产！ 南方数码加入昇思MindSpore社区，让iGIS平台很好的进行人工智能领域的发展，企业方便快捷实现时空大数据智能服务平台优化！ 聚网达加入昇思MindSpore社区，实现了校园信息化应用领域全覆盖，利用大数据实现教育教学和管理的精细化、个性化和智能化！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/865/ --- 新闻 飞流智能加入昇思MindSpore社区，自主研发无人机远程精准起降平台智能机巢，抵抗强风和暴雨等恶劣天气！ # 飞流智能加入昇思MindSpore社区，自主研发无人机远程精准起降平台智能机巢，抵抗强风和暴雨等恶劣天气！ 2021/12/20 # 飞流智能加入昇思MindSpore社区，自主研发无人机远程精准起降平台智能机巢，抵抗强风和暴雨等恶劣天气！ **飞流智能**完成ISV认证**正式加入昇思MindSpore社区。** **飞流智能\*\*\*\*简介** 武汉飞流智能技术有限公司，华为认证级ISV伙伴，是一家以人工智能与自适应传感器技术为核心，面向超低空监测领域,提供全天候自主化、“端-站-云”一体化智慧解决方案的供应商,并结合各类机器视觉、深度学习与神经元等算法提供大数据采集处理、应用分析服务、自动化控制、信息化及运维问题解决方案。公司现拥有75项自主知识产权和2位“3551光谷人才”，团队曾荣获第五届中国“互联网+”大学生创业大赛全国金奖、工信部第二届中国工业互联网大赛南部赛区冠军、科技部第九届中国创新创业大赛湖北高端制造组第一名等各类荣誉。 昇思MindSpore是华为开源的一款**全场景AI计算框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 飞流智能在加入MindSpore社区后，基于MindSpore框架自主研发无人机远程精准起降平台智能机巢，是无人机稳固的“家”，能够抵抗强风和暴雨等恶劣天气，机巢与智慧巡检机群作业控制中心互联互通，实现自动储存无人机，智能自动充电，状态实时监控，自动传输数据。 基于该解决方案，多机巢多无人机联合调度，实现超远距离灵活作业，支持“蛙跳接力”与“蜂群组网”模式；多终端开放式接入，渗透作业全流程，AI实时算法加持，数据分析专家模式“所测即所得！”；对电力杆塔与通道高效巡检，全自动化作业，三维通道建模，缺陷自主分析，服务器数据报告；对长江排污口实时监测，站点自主作业(20km), 污染巡查溯源（排污口、水华、蓝藻）, 云端数据报告；在交通巡视应用中自主制定计划，重点公路病害巡检，日常巡视巡查，一键生成报告 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**huxiaoman@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 南京仁面加入昇思MindSpore社区，研发出自动检测金属管材表面损伤的装置，可自动发现管材表面存在的划痕、凹陷等损伤！ 拓尔思加入昇思MindSpore社区，通过对行业大数据的深度学习，实现自动分类、语义相似度计算、自动校对、词典挖掘等功能的优化！ 东方盛行加入昇思MindSpore社区，通过集成AI人工智能引擎，引入编目前移及智能标签概念，实现媒体资源管理的高效化、智能化！ 聚网达加入昇思MindSpore社区，实现了校园信息化应用领域全覆盖，利用大数据实现教育教学和管理的精细化、个性化和智能化！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/867/ --- 新闻 华傲数据加入昇思MindSpore社区，通过在计算中集成算法的方式，解决需要大量人力去解决的场景，大大节约了人力成本！ # 华傲数据加入昇思MindSpore社区，通过在计算中集成算法的方式，解决需要大量人力去解决的场景，大大节约了人力成本！ 2021/12/21 # 华傲数据加入昇思MindSpore社区，通过在计算中集成算法的方式，解决需要大量人力去解决的场景，大大节约了人力成本！ **华傲数据**完成ISV认证**正式加入昇思MindSpore社区。** **华傲数据\*\*\*\*简介** 深圳市华傲数据技术有限公司，华为认证级ISV伙伴，华傲数据Audaque专注于大数据领域的科技创新，我们致力于将世界顶尖的数据管理与分析技术引入中国并推向世界，在我们的创新研究团队曾在国际数据库研究界和工业界屡获殊荣的同时，我们正积极 为政府、金融、企业、互联网等行业客户提供大数据整合和数据治理领域的解决方案，并正创新建立面向LBS的数据众筹和运营服务，助力各层次客户实现数据增值。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 华傲数据在加入MindSpore社区后，基于MindSpore框架自主研发人工智能场景应用平台，平台基于Atlas服务器运行。主要功能由视频应用和OCR应用两部分组成。在视频应用中，集成了道路积水检测算法、违章停车检测算法、以及垃圾桶满溢检测算法，这些算法通过对平台输入的视频流编解码，将截取的图像帧进行识别，进而达到识别视频场景内容的目的。在OCR应用，有银行卡识别和身份证识别，这两个算法模型是通过直接输入图片进行信息识别。 基于该解决方案，以人工智能和数据融合治理为依托，借助数字化管理方式，驱动线上线下业务流程协同，提升城市治理能力。通过在计算中集成算法的方式，去解决需要大量人力去解决的场景，这样就大大节约了人力成本。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**huxiaoman@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 迪赛威加入昇思MindSpore社区，利用物联网技术方案，实现执法办案中心（区）进出人员登记管理、办案区视音频监督管理等！ 高德智感加入昇思MindSpore社区，将红外热成像技术应用于智能家居领域，可以监测夜间室内温度分布和人员行走状况，做出温度调整！ 比邻软件加入昇思MindSpore社区，对医疗指控方案、医疗质量检查、电子病历质控等服务提供AI服务，提高医疗质量管理水平！ 飞流智能加入昇思MindSpore社区，自主研发无人机远程精准起降平台智能机巢，是无人机稳固的“家”，抵抗强风和暴雨等恶劣天气！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/868/ --- 新闻 金拓维加入昇思MindSpore社区，基于MindSpore框架推出智慧监管应用系统，面向农村违建、乱占耕地等，进行实时监测预警 # 金拓维加入昇思MindSpore社区，基于MindSpore框架推出智慧监管应用系统，面向农村违建、乱占耕地等，进行实时监测预警 2021/12/21 # 金拓维加入昇思MindSpore社区，基于MindSpore框架推出智慧监管应用系统，面向农村违建、乱占耕地等，进行实时监测预警 **金拓维**完成ISV认证**正式加入昇思MindSpore社区。** **金拓维\*\*\*\*简介** 湖北金拓维信息技术有限公司，华为认证级ISV伙伴，是一家专业从事时空大数据整合、融合、应用及挖掘分析的整体解决方案供应商。公司目前已获得了甲级测绘资质、信息系统集成及服务三级资质、“双软企业”、“高新技术企业”认定，通过了ISO9001、ISO14001、ISO20000、ISO27001、OSHAS18001等标准体系认证以及国际权威的“CMMI3软件能力成熟度”认证。此外，金拓维研究院已与北京大学数字中国研究院、浙江大学遥感与信息技术应用研究所结为战略合作伙伴，开展深度合作，实现产学研一体化。推出拥有完全自主知识产权的基于分布式存储并行计算的大数据GIS (HighGIS)、空间数据与业务数据一体化管理的新一代时空(大)数据中心平台、智能分析平台、三维地理信息平台等基础平台。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 金拓维在加入MindSpore社区后，基于MindSpore框架推出智慧监管应用系统，面向农村违建、乱占耕地、违法建筑、供而未建、在建工程等11类监管问题，结合5G、移动地理信息、人工智能等技术，推出全覆盖、多场景、全要素、智能化的“空天地”一体化智慧监管系统，接入铁塔摄像头实现在线实时监测预警，变事后被动处理为事前预警发现报送，以信息化助推自然资源监测监管能力现代化。 基于该解决方案，基于机器学习的影像比对、无人机精准观测、视频监控行为分析等渠道“多管齐下” ，精准识别疑似违法图斑，大大降低人力实地走访调查工作量，解决调查取证难的问题，提高工作效能。实现对国土空间全时全域立体监控监管，做到及时发现、及时预警、及时处置，全面遏制自然资源违法问题的高频发态势。打通感知监测—分析研判—实地举证—审批立案全流程闭环，缩短各环节流转时间，形成“天上查、地上看、网上管”的高效工作机制。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**huxiaoman@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 南京仁面加入昇思MindSpore社区，研发出自动检测金属管材表面损伤的装置，可自动发现管材表面存在的划痕、凹陷等损伤！ 拓尔思加入昇思MindSpore社区，通过对行业大数据的深度学习，实现自动分类、语义相似度计算、自动校对、词典挖掘等功能的优化！ 东方盛行加入昇思MindSpore社区，通过集成AI人工智能引擎，引入编目前移及智能标签概念，实现媒体资源管理的高效化、智能化！ 聚网达加入昇思MindSpore社区，实现了校园信息化应用领域全覆盖，利用大数据实现教育教学和管理的精细化、个性化和智能化！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/869/ --- 新闻 武汉联防加入昇思MindSpore社区，基于MindSpore框架研发智慧园区平台，提升信息化建设水平，促进消防队伍信息化发展！ # 武汉联防加入昇思MindSpore社区，基于MindSpore框架研发智慧园区平台，提升信息化建设水平，促进消防队伍信息化发展！ 2021/12/21 # 武汉联防加入昇思MindSpore社区，基于MindSpore框架研发智慧园区平台，提升信息化建设水平，促进消防队伍信息化发展！ **武汉联防**完成ISV认证**正式加入昇思MindSpore社区。** **武汉联防\*\*\*\*简介** 武汉联防科技有限公司，华为认证级ISV伙伴，本着“诚信、创新、责任”的经营理念和“以人为本、求实创新、团队协作、追求卓越”的价值观，在高科技公司林立的武汉市，凭借技术、服务和人才的优势，以及对安防业发展方向和新技术的把握，朝着立足、稳定、发展、扩大的成长过程发展。具有湖北省安全防范设计施工维修C级备案证，具备承接1000万元以上安防工程的施工资质和能力。公司具有极强的安防设备系统设计、施工、维护的能力，为用户提供一流的技术、一流的质量、一流的服务。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 武汉联防在加入MindSpore社区后，基于MindSpore框架自主研发智慧园区平台，以信息资源整合为重点，以数据应用为核心，坚持“四个原则”，全面提升信息化建设水平，促进消防队伍信息化发展。将三维空间数据与实时数据相融合，直观管控营区内所有人、车、物的动态情况，以及便捷处理日常事务。所有应用之间通信将采用单独的秘钥加密技术，并结合后台各应用之间不用的签名验证来保障各应用之前的通信结果。 基于该解决方案，进行智能化、数字化改造，构建全时段、全方位、全员额、全过程管理体系，为打造模范践行“两严两准”的消防救援队伍提供信息化支撑。将各信息以“一张图”的方式，将分析结果、实时动态数据与空间进行关联，将领导关注的关键信息进行直观展示，给予决策时的信息支撑。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**huxiaoman@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 远光软件加入昇思MindSpore社区，通过打造远光OCR应用中心公有云、私有云、软硬一体产品形态，保障企业用户的数据信息安全！ 拓尔思加入昇思MindSpore社区，通过对行业大数据的深度学习，实现自动分类、语义相似度计算、自动校对、词典挖掘等功能的优化！ 东方盛行加入昇思MindSpore社区，通过集成AI人工智能引擎，引入编目前移及智能标签概念，实现媒体资源管理的高效化、智能化！ 聚网达加入昇思MindSpore社区，实现了校园信息化应用领域全覆盖，利用大数据实现教育教学和管理的精细化、个性化和智能化！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/870/ --- 新闻 臻识科技加入昇思MindSpore社区，基于MindSpore框架研发非现场违法智能审核系统，代替大部分已有的效率低下的人工审核 # 臻识科技加入昇思MindSpore社区，基于MindSpore框架研发非现场违法智能审核系统，代替大部分已有的效率低下的人工审核 2021/12/21 # 臻识科技加入昇思MindSpore社区，基于MindSpore框架研发非现场违法智能审核系统，代替大部分已有的效率低下的人工审核 **臻识科技**完成ISV认证**正式加入昇思MindSpore社区。** **臻识科技\*\*\*\*简介** 成都臻识科技发展有限公司，华为认证级ISV伙伴，一家专注于边缘计算技术和智能硬件产品设计的AI公司，凭借创造性研发的智能ISP算法及嵌入式系统部署能力，基于深度学习方法的智能感知算法，面向场景应用进行产品设计，服务于应用发展趋势，正在用最丰富的场景化的产品矩阵助力各场景的数字化、智能化、无人化管理，用最前沿的场景化边缘计算技术推动AI在社区、工地、园区、商业、校园等场景的普及，全面助力智慧城市发展，让人们的生活更加安全、便利、美好。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 臻识科技在加入MindSpore社区后，基于MindSpore框架自主研发非现场违法智能审核系统，功能是对公共安全交通系统的非现场违法证据实行后台自动审核，以区分出违法证据合规、违法证据明显不足、违法证据模糊3大类，代替大部分已有的效率低下的人工审核。 基于该解决方案，配置设备点位及对应违法行为，可适用恶劣天气、临时施工等场景，经过长时间的多轮实验室全国数据测试和地方试点测试，算法指标优秀，且鲁棒性好，适应全国场景，使用全国违法图片进行训练，通用性强，算法分析结果直接与集成平台筛选审核功能关联，无需二次处理，适应《进一步推进道路交通监控设备联网联控工作方案》要求，数据处理无延时。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**huxiaoman@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 南京仁面加入昇思MindSpore社区，研发出自动检测金属管材表面损伤的装置，可自动发现管材表面存在的划痕、凹陷等损伤！ 拓尔思加入昇思MindSpore社区，通过对行业大数据的深度学习，实现自动分类、语义相似度计算、自动校对、词典挖掘等功能的优化！ 东方盛行加入昇思MindSpore社区，通过集成AI人工智能引擎，引入编目前移及智能标签概念，实现媒体资源管理的高效化、智能化！ 聚网达加入昇思MindSpore社区，实现了校园信息化应用领域全覆盖，利用大数据实现教育教学和管理的精细化、个性化和智能化！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/872/ --- 新闻 钛科圈加入昇思MindSpore社区，实现对小学数学作业的识别，并根据识别结果进行批改！ # 钛科圈加入昇思MindSpore社区，实现对小学数学作业的识别，并根据识别结果进行批改！ 2021/12/22 # 钛科圈加入昇思MindSpore社区，实现对小学数学作业的识别，并根据识别结果进行批改！ **钛科圈**完成ISV认证**正式加入昇思MindSpore社区。** **钛科圈\*\*\*\*简介** 江苏钛科圈物联网科技有限公司，华为认证级ISV伙伴，致力于将最新的科技、人工智能和环保技术转换成产品和方案，依托自主研发的物联网平台，实现智慧城市中的“绿色，节能，健康，智能”这四个主题场景。钛科圈深耕中国智慧教育产业，始终坚持“产·学·研”⼀体化的发展策略，充分运用科研机构以及高校的创新技术和⼈才⼒量，打造绿色安全、环保健康的智能化场景。目前，钛科圈已经围绕客户需求形成了⼀套核⼼产品服务矩阵，涵盖健康环境系统、5G校园机器⼈应用系统、照明及能源管理系统、智慧物联网云平台、AI教科研产品体系等。在国家十四五规划提出“智慧教育”的背景下，钛科圈正在逐步构建含有⼀体式多重消杀、健康照明、声学扩声系统、多⼈交互投影系统、智慧讲台等的智慧健康教室整体⽅案。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 钛科圈在加入MindSpore社区后，基于mindspore开源的ctpn文本检测模型，实现对小学数学作业的识别（包含趣味题、口算题、应用题等各类题型作业的手写识别），并根据识别结果进行批改，后续还可根据批改结果添加更多功能，如错题统计等。 基于该解决方案，MindSpore可将深度学习技术快速应用在云边端不同场景下的硬件设备上。针对学生/家长端和老师/学校/教育局端的不同运用场景，能达到高效运行并有效协同。MindSpore具有透明性，开发者可以通过XAI工具对开发流程中的细节信息进行获取，帮助开发者和老师有效沟通，根据教育指导完成模型故障排除和性能提升，并为AI系统的审核提供能力支持。让学校和家庭对人工智能建立信任。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 南京仁面加入昇思MindSpore社区，研发出自动检测金属管材表面损伤的装置，可自动发现管材表面存在的划痕、凹陷等损伤！ 拓尔思加入昇思MindSpore社区，通过对行业大数据的深度学习，实现自动分类、语义相似度计算、自动校对、词典挖掘等功能的优化！ 东方盛行加入昇思MindSpore社区，通过集成AI人工智能引擎，引入编目前移及智能标签概念，实现媒体资源管理的高效化、智能化！ 飞流智能加入昇思MindSpore社区，自主研发无人机远程精准起降平台智能机巢，是无人机稳固的“家”，抵抗强风和暴雨等恶劣天气！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/873/ --- 新闻 凯通科技加入昇思MindSpore社区，实现以铁路、铁塔为代表的大场景、弱目标识别领域的创新应用！ # 凯通科技加入昇思MindSpore社区，实现以铁路、铁塔为代表的大场景、弱目标识别领域的创新应用！ 2021/12/22 # 凯通科技加入昇思MindSpore社区，实现以铁路、铁塔为代表的大场景、弱目标识别领域的创新应用！ **凯通科技**完成ISV认证**正式加入昇思MindSpore社区。** **凯通科技\*\*\*\*简介** 凯通科技股份有限公司，华为认证级ISV伙伴，凯通源于信产部电信科学研究院软件开发中心，成立于2000年，总部在国家级经济开发区——广州科学城，在北京等地有4个分公司、12个技术支持中心。十几年的积淀，目前公司超过80%人员为技术研发人员，凯通是国内顶尖的物联网运营支撑解决方案、大数据挖掘应用解决方案和企业信息化解决方案的咨询专家和系统集成商。凯通自主研发了物联网智能采集引擎、移动应用管理引擎、大数据引擎等六大核心产品，拥有3项国家发明专利、1项国家重点新产品、53项软件著作权、24项软件产品证书。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 凯通科技在加入MindSpore社区后，在Atlas 800产品安装部署MindSpore，基于MindSpore实现产品lenet网络模型代码，指定mnist数据集在MindSpore上运行所实现的网络模型训练任务。 基于该解决方案，实现了华为Atlas边缘计算平台与凯通科技股份有限公司深度学习架构的大型场线人工智能视觉检测技术的全面融合，结合智能视频安防系统，实现“智能视频监控联合解决方案”在以铁路、铁塔为代表的大场景、弱目标识别领域的创新应用。对建设全面、有力的线路防护系统，构筑安全防范预警与应急管理平台，实现一体化的应急联动和指挥具有重大意义。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 迪赛威加入昇思MindSpore社区，利用物联网技术方案，实现执法办案中心（区）进出人员登记管理、办案区视音频监督管理等！ 高德智感加入昇思MindSpore社区，将红外热成像技术应用于智能家居领域，可以监测夜间室内温度分布和人员行走状况，做出温度调整！ 比邻软件加入昇思MindSpore社区，对医疗指控方案、医疗质量检查、电子病历质控等服务提供AI服务，提高医疗质量管理水平！ 飞流智能加入昇思MindSpore社区，自主研发无人机远程精准起降平台智能机巢，是无人机稳固的“家”，抵抗强风和暴雨等恶劣天气！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/874/ --- 新闻 国交润万加入昇思MindSpore社区，帮助开发者实现网络自动切分，只需串行表达就能实现并行训练，降低门槛，简化开发流程！ # 国交润万加入昇思MindSpore社区，帮助开发者实现网络自动切分，只需串行表达就能实现并行训练，降低门槛，简化开发流程！ 2021/12/22 # 国交润万加入昇思MindSpore社区，帮助开发者实现网络自动切分，只需串行表达就能实现并行训练，降低门槛，简化开发流程！ **国交润万**完成ISV认证**正式加入昇思MindSpore社区。** **国交润万\*\*\*\*简介** 广州国交润万交通信息有限公司，华为认证级ISV伙伴，是一家专注于智慧交通建设的高新技术企业。公司定位为业主提供了最契合业务管理的产品及服务，我司智慧高速产品体系主要包括：智慧监控体系、辅助收费体系和数据挖掘与决策支持，涵盖了高速公路营运的全流程的信息化工具及数据服务，受到广大业主一致好评。目前公司核心技术处于国内领先水平，拥有大型数据中心、监控中心模拟实验室等研发测试环境，并与中国交通通信信息中心、华南理工大学、中国联通等在重点车辆联网联控、大数据与交通安全、手机信令在智慧交通的应用方面有着广泛而深入的合作。广州国交润万交通信息有限公司致力于成为领先的智慧高速解决方案提供商。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 国交润万在加入MindSpore社区后，在atlas800-3000上部署MindSpore，并选用 Models-zoo的deeplabv3网络代码进行训练。帮助开发者实现网络自动切分，只需串行表达就能实现并行训练，降低门槛，简化开发流程。 基于该解决方案，使用ADE20k数据集，拥有超过20000张图像，这些图像用开放字典标签集密集注释。图片包含室内和室外数据集，如下例图，场景比较丰富包括室内、室外、自然场景等，共150个类别。基于Mindspore训练的deeplabv3模型ckpt转换为om后在推理性能上满足要求。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 华傲数据加入昇思MindSpore社区，通过在计算中集成算法的方式，解决需要大量人力去解决的场景，大大节约了人力成本！ 金拓维加入昇思MindSpore社区，基于MindSpore框架推出智慧监管应用系统，面向农村违建、乱占耕地等，进行实时监测预警！ 武汉联防加入昇思MindSpore社区，基于MindSpore框架研发智慧园区平台，提升信息化建设水平，促进消防队伍信息化发展！ 臻识科技加入昇思MindSpore社区，基于MindSpore框架研发非现场违法智能审核系统，代替大部分已有的效率低下的人工审核！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/875/ --- 新闻 博讯科技加入昇思MindSpore社区，自主研发AI旅行助手，为旅客提供景点周边衣食住行等服务，以及语音对话、智能监控等AI服务 # 博讯科技加入昇思MindSpore社区，自主研发AI旅行助手，为旅客提供景点周边衣食住行等服务，以及语音对话、智能监控等AI服务 2021/12/22 # 博讯科技加入昇思MindSpore社区，自主研发AI旅行助手，为旅客提供景点周边衣食住行等服务，以及语音对话、智能监控等AI服务 **博讯科技**完成ISV认证**正式加入昇思MindSpore社区。** **博讯科技\*\*\*\*简介** 武汉博讯科技有限公司，华为认证级ISV伙伴，拥有一支多年从事水利电力、安防、计算机、数码领域高科技产品研发的高素质专业技术研发队伍，技术力量雄厚，是集软件开发、生产销售和系统集成于一体的高科技企业。公司的经营宗旨是：诚信、务实、卓越、创新。公司正以最快的速度满足广大用户在信息化建设方面的各种要求，同时为客户进行佳的售前技术咨询和售后专业服务。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 博讯科技在加入MindSpore社区后，基于MindSpore框架自主研发“游小蜜”，这是一款服务于全国各大旅游景点的AI旅行助手SAAS平台服务，为景点旅客提供景点周边的餐饮美食、酒店住宿、周边购物、附近景点、游记分享、景区活动等服务，以及提供语音机器人对话、智能监控等AI服务。 基于该解决方案，通过一种特定的语音讲解形式进行导游，创建数据中心构建景点的语音导游库，以及收集不同国家、城市、热门景点相关介绍，涵盖了当地衣食住行、人文风貌等。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 迪赛威加入昇思MindSpore社区，利用物联网技术方案，实现执法办案中心（区）进出人员登记管理、办案区视音频监督管理等！ 高德智感加入昇思MindSpore社区，将红外热成像技术应用于智能家居领域，可以监测夜间室内温度分布和人员行走状况，做出温度调整！ 比邻软件加入昇思MindSpore社区，对医疗指控方案、医疗质量检查、电子病历质控等服务提供AI服务，提高医疗质量管理水平！ 飞流智能加入昇思MindSpore社区，自主研发无人机远程精准起降平台智能机巢，是无人机稳固的“家”，抵抗强风和暴雨等恶劣天气！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/879/ --- 新闻 翔迅科技加入昇思MindSpore社区，实现“风电智慧运维联合解决方案”，具备快速处理、端边设备体积小、环境适应性强等优势！ # 翔迅科技加入昇思MindSpore社区，实现“风电智慧运维联合解决方案”，具备快速处理、端边设备体积小、环境适应性强等优势！ 2021/12/23 # 翔迅科技加入昇思MindSpore社区，实现“风电智慧运维联合解决方案”，具备快速处理、端边设备体积小、环境适应性强等优势！ **翔迅科技**完成ISV认证**正式加入昇思MindSpore社区。** **翔迅科技\*\*\*\*简介** 西安翔迅科技有限责任公司，华为认证级ISV伙伴，是中国航空工业集团公司西安航空计算技术研究所控股公司，是集产品研发、制造、销售、服务为一体，业务涵盖智慧城市、智能电子等多个领域的高新技术企业。公司成立于1993年，以研究所扎实的技术力量为背景，以先进的计算机应用技术为核心，在智慧城市、智能电子等领域具有雄厚的技术实力和丰富的系统工程经验，拥有完善的产品线、高效的质量管理体系和良好的售后服务。历经多年的不懈努力与发展创新，翔迅科技现已成为国家火炬计划骨干企业、陕西省级企业技术中心、陕西省军民融合示范企业、陕西省著名商标、西安市科技小巨人领军企业。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 翔迅科技在加入MindSpore社区后，基于全场景AI计算框架MindSpore构建风电智慧运维系统，利用翔迅公司人工智能、计算机视觉技术，结合智能视频安防系统，实现“风电智慧运维联合解决方案”。具备快速处理、端边设备体积小、环境适应性强等优势，使得系统具备面向端侧和边缘侧场景下的AI算力条件。 基于该解决方案，实现对机组、场站的全方位数据信息采集、安全监控、故障状态识别和研判，提升风电行业设备、运维安全保护，降低运维成本。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 南京仁面加入昇思MindSpore社区，研发出自动检测金属管材表面损伤的装置，可自动发现管材表面存在的划痕、凹陷等损伤！ 拓尔思加入昇思MindSpore社区，通过对行业大数据的深度学习，实现自动分类、语义相似度计算、自动校对、词典挖掘等功能的优化！ 东方盛行加入昇思MindSpore社区，通过集成AI人工智能引擎，引入编目前移及智能标签概念，实现媒体资源管理的高效化、智能化！ 飞流智能加入昇思MindSpore社区，自主研发无人机远程精准起降平台智能机巢，是无人机稳固的“家”，抵抗强风和暴雨等恶劣天气 ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/880/ --- 新闻 浦和数据加入昇思MindSpore社区，通过摄像头视频的智能分析，自动识别船舶的违法行为，实现船舶违法行为的自动判别！ # 浦和数据加入昇思MindSpore社区，通过摄像头视频的智能分析，自动识别船舶的违法行为，实现船舶违法行为的自动判别！ 2021/12/23 # 浦和数据加入昇思MindSpore社区，通过摄像头视频的智能分析，自动识别船舶的违法行为，实现船舶违法行为的自动判别！ **浦和数据**完成ISV认证**正式加入昇思MindSpore社区。** **浦和数据\*\*\*\*简介** 南京浦和数据有限公司，华为认证级ISV伙伴，是一家智能数据行业解决方案提供商，致力于提供行业解决方案。浦和数据提供路侧解决方案（包括路侧单元、边缘计算、云控平台及应用等），应用于协作式智慧交通 （C-ITS）与5G车路协同（C-V2X）两个场景，C-ITS场景服务于交通的规划、建设、管理、养护业务，C-V2X场景构建未来车路协同背景下从高级辅助驾驶到完全无人驾驶的演进。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 浦和数据在加入MindSpore社区后，基于MindSpore AI计算框架算法，使用深度卷积神经网络模型对船舶图片进行检测分析。通过摄像头视频的智能分析，自动识别船舶的违法行为，实现船舶违法行为的自动判别。 基于该解决方案，解决当前水上执法人工化的难题，采用视频分析方法，自动识别船舶的违法行为，提升水上执法的效率。将深度学习AI技术应用于水上交通执法，利用MindSpore的大量成熟算法模型库和相关工具链。基于MindSpore使用Resnet50模型，训练有国旗和无国旗的二分类模型，实现船舶的是否悬挂国旗检测。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 华傲数据加入昇思MindSpore社区，通过在计算中集成算法的方式，解决需要大量人力去解决的场景，大大节约了人力成本！ 金拓维加入昇思MindSpore社区，基于MindSpore框架推出智慧监管应用系统，面向农村违建、乱占耕地等，进行实时监测预警！ 武汉联防加入昇思MindSpore社区，基于MindSpore框架研发智慧园区平台，提升信息化建设水平，促进消防队伍信息化发展！ 臻识科技加入昇思MindSpore社区，基于MindSpore框架研发非现场违法智能审核系统，代替大部分已有的效率低下的人工审核！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/881/ --- 新闻 甄视智能加入昇思MindSpore社区，实现“智慧小区”全区覆盖 , 实现各类小区动态信息全采集、社会治理全融合、社会服务全提升 # 甄视智能加入昇思MindSpore社区，实现“智慧小区”全区覆盖 , 实现各类小区动态信息全采集、社会治理全融合、社会服务全提升 2021/12/23 # 甄视智能加入昇思MindSpore社区，实现“智慧小区”全区覆盖 , 实现各类小区动态信息全采集、社会治理全融合、社会服务全提升 **甄视智能**完成ISV认证**正式加入昇思MindSpore社区。** **甄视智能\*\*\*\*简介** 南京甄视智能科技有限公司，华为认证级ISV伙伴，是一家基于Machine Learning 技术，坚持图像应用和大数据双轨道并行，打造一体化智能服务生态的高科技公司。经过多年的核心算法研发积累，小视科技已获得大量人工智能相关的技术成果，拥有核心技术专利及软著200余项，近100篇论文被CVPR、AJCAI等顶尖学术会议及期刊收录，为各行业提供基于AI的产品和解决方案。目前已经成功为各大金融行业客户提供反欺诈以及大数据建模服务，为安防行业客户提供人像设防和智慧门禁方案，为新零售行业打造客流分析大数据系统，为企业搭建人群精准标签化的智能营销体系等。公司成立至今，先后获得南京市国资紫金、江宁区政府、浙江国资产融集团等投资。拓展国内业务的同时，小视积极响应国家“一带一路”号召，2017年开始将中国人工智能产品及服务拓展至新加坡、印尼、日本等国家。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 甄视智能在加入MindSpore社区后，基于MindSpore框架通过集中建设 , 实现“智慧小区”全区覆盖 , 实现各类小区动态信息全采集、社会治理全融合、社会服务全提升，推进小区风险防控和社会治理从事后应急处置向事前主动预知预警转变，切实形成服务群众的“智慧保障力”。 基于该解决方案，对江宁区全区进行智慧升级，项目建成后服务对象覆盖近30ms0msW 居民及全区各政府部门。江宁智慧技防小区建设项目以 : 9大前端智能系统+1个数据存储中心+3类智能应用平台为蓝本建设，构建安全、治理、惠民于一体的智慧技防小区体系，为政府部门和社区居民提供了一整套的智慧技防小区整体解决方案，其中包含垃圾桶满溢检测解决方案。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 南京仁面加入昇思MindSpore社区，研发出自动检测金属管材表面损伤的装置，可自动发现管材表面存在的划痕、凹陷等损伤！ 拓尔思加入昇思MindSpore社区，通过对行业大数据的深度学习，实现自动分类、语义相似度计算、自动校对、词典挖掘等功能的优化！ 东方盛行加入昇思MindSpore社区，通过集成AI人工智能引擎，引入编目前移及智能标签概念，实现媒体资源管理的高效化、智能化！ 飞流智能加入昇思MindSpore社区，自主研发无人机远程精准起降平台智能机巢，是无人机稳固的“家”，抵抗强风和暴雨等恶劣天气！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/882/ --- 新闻 锐目数加入昇思MindSpore社区，研发出完整的智慧安监应用套件，支持生产现场人员行为、环境安全、生产设备实时检测和识别报警 # 锐目数加入昇思MindSpore社区，研发出完整的智慧安监应用套件，支持生产现场人员行为、环境安全、生产设备实时检测和识别报警 2021/12/23 # 锐目数加入昇思MindSpore社区，研发出完整的智慧安监应用套件，支持生产现场人员行为、环境安全、生产设备实时检测和识别报警 **锐目数**完成ISV认证**正式加入昇思MindSpore社区。** **锐目数\*\*\*\*简介** 广州锐目数科技有限公司，华为认证级ISV伙伴，是一家专业提供多媒体、流媒体信息发布系统及服务的高新技术企业，公司专注于以网络多媒体信息发布系统为核心产品的相关产品的设计、研发、生产和销售，目前在联网信息发布系统领域已经推出了一系列多款产品、满足各类客户的需求，并成熟应用到多个行业，并开发有流媒体直播系统、数字媒体发布系统、交互式触摸查询点播系统、局域网高清流媒体点播系统等系列应用产品，并完全拥有自主知识产权，拥有国内领先水平的产品和解决方案。公司尤其擅长基于嵌入式Linux平台下的系统开发，特别是在多媒体终端领域，以多媒体音频为主、整合各种数据业务，能够基于各种硬件平台开发出各种应用方案，同事具有大型后台和管理平台的应用开发经验，可以根据客户需求定制开发各种解决方案产品。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 锐目数在加入MindSpore社区后，基于MindSpore框架自主研发出完整的智慧安监应用套件，包括定制化的高精度AI算法及自主研发的高性能人工智能加速卡，支持生产现场人员行为、环境安全、生产设备的实时检测和识别报警。 基于该解决方案，可以为建筑工地、石油化工、电力、水泥、钢铁等行业的集成商、集团智能化部门及监管部门提供高性价比的算法算力一体化方案，并提供软件开发SDK接口，让智能化升级的部署联调更加方便快捷。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 钛科圈加入昇思MindSpore社区，实现对小学数学作业的识别，并根据识别结果进行批改！ 凯通科技加入昇思MindSpore社区，实现以铁路、铁塔为代表的大场景、弱目标识别领域的创新应用！ 国交润万加入昇思MindSpore社区，帮助开发者实现网络自动切分，只需串行表达就能实现并行训练，降低门槛，简化开发流程！ 博讯科技加入昇思MindSpore社区，自主研发AI旅行助手，为旅客提供景点周边衣食住行等服务，以及语音对话、智能监控等AI服务！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/884/ --- 新闻 天存信息加入昇思MindSpore社区，采用MindSpore深度学习技术，对车辆车牌、颜色、型号标牌等外观特征进行等进行识别！ # 天存信息加入昇思MindSpore社区，采用MindSpore深度学习技术，对车辆车牌、颜色、型号标牌等外观特征进行等进行识别！ 2021/12/24 # 天存信息加入昇思MindSpore社区，采用MindSpore深度学习技术，对车辆车牌、颜色、型号标牌等外观特征进行等进行识别！ **天存信息**完成ISV认证**正式加入昇思MindSpore社区。** **天存信息\*\*\*\*简介** 湖北天存信息技术有限公司，华为认证级ISV伙伴，是一家长期从事大交通工程及信息化的企业,在公共安全交管、交通行业上有着很深厚的底蕴和丰富的经验。同时是国内多地区的交管信息化解决方案的供应商。多年来凭借雄厚的技术实力，成熟的产品，完善的服务体系，取得了迅猛的发展，到目前为止有近10个省市自治区都广泛应用了我公司的解决方案。其产品的技术指标和实际效果得到了各地交管部门的充分肯定和一致好评，并获得多次感谢证书。秉承“科技当先，服务市场，诚信待人，追求品质”的宗旨和“产品就是人品”的企业理念，不断进行技术创新、设备创新、服务创新、和管理方式创新来继续研发出更多满足未来发展需要的智慧化交通产品，推动我国的交通事业的发展。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 天存信息在加入MindSpore社区后，采用MindSpore深度学习技术，对车辆车牌、颜色、型号标牌等外观特征进行等进行识别，有车牌检测、车牌文字识别、车牌颜色识别、型号等模块。利用前端智能交通设施采集到的各类图片数据，通过AI视觉算法，将图片非结构化数据转化为结构化数据，并进行深入加工分析，提取到人、车、物、环境等数据，应用于交通管理相关业务。 基于该解决方案，将车牌识别系统应用于交通监管领域。根据检测结果表面，检测的精准度达到了92%以上，取得了较好的效果，可以适用于各时段光照条件和阴雨天气条件，实现了车辆图像精准识别，包括车牌、车型、颜色、违法行为、驾驶行为、交通事件、车辆流量等。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 翔迅科技加入昇思MindSpore社区，实现“风电智慧运维联合解决方案”，具备快速处理、端边设备体积小、环境适应性强等优势！ 浦和数据加入昇思MindSpore社区，通过摄像头视频的智能分析，自动识别船舶的违法行为，实现船舶违法行为的自动判别！ 甄视智能加入昇思MindSpore社区，实现“智慧小区”全区覆盖 , 实现各类小区动态信息全采集、社会治理全融合、社会服务全提升! 锐目数加入昇思MindSpore社区，研发出完整的智慧安监应用套件，支持生产现场人员行为、环境安全、生产设备实时检测和识别报警! ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/885/ --- 新闻 鑫领程加入昇思MindSpore社区，基于MindSpore框架将整个社区的摄像头整合在一起，实现车辆监控，人员管理，立体防控！ # 鑫领程加入昇思MindSpore社区，基于MindSpore框架将整个社区的摄像头整合在一起，实现车辆监控，人员管理，立体防控！ 2021/12/24 # 鑫领程加入昇思MindSpore社区，基于MindSpore框架将整个社区的摄像头整合在一起，实现车辆监控，人员管理，立体防控！ **鑫领程**完成ISV认证**正式加入昇思MindSpore社区。** **鑫领程\*\*\*\*简介** 武汉鑫领程科技有限公司，华为认证级ISV伙伴，鑫领程从智慧社区整体解决方案切入，软硬件深度融合，向下打通智慧家庭，向上对接智慧城市；合法沉淀海量数据；不断强化大数据能力和人工智能技术，为政府、企业提供精准的数据增值服务，为用户创造更加智慧的生活方式，助力物业节源增收。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 鑫领程在加入MindSpore社区后，基于MindSpore框架将整个社区的摄像头整合在一起，在不同的位置对摄像采集的图像信息做不同处理，使其可以实现车辆监控，人员管理，立体防控。领导可以通过手机远程查看小区的情况。 基于该解决方案，实现动态展示，记录查询功能，支持人员、车辆出入记录和报警记录和查询，支持接入的设备报警记录和查询；支持识别管理，设防及检索功能；针对地图中查询到的资源，中可直接点击查看其位置信息，并可查看其视频画面；可实现丰富的报警联动功能，并针对不同用户设置不同查看、操作权限。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 南京仁面加入昇思MindSpore社区，研发出自动检测金属管材表面损伤的装置，可自动发现管材表面存在的划痕、凹陷等损伤！ 拓尔思加入昇思MindSpore社区，通过对行业大数据的深度学习，实现自动分类、语义相似度计算、自动校对、词典挖掘等功能的优化！ 东方盛行加入昇思MindSpore社区，通过集成AI人工智能引擎，引入编目前移及智能标签概念，实现媒体资源管理的高效化、智能化！ 飞流智能加入昇思MindSpore社区，自主研发无人机远程精准起降平台智能机巢，是无人机稳固的“家”，抵抗强风和暴雨等恶劣天气！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/886/ --- 新闻 唯理科技加入昇思MindSpore社区，构建双目摄像头巡检系统，实现智慧交通的机动车违停、行人穿越、抛洒物、交通拥堵检测等应用 # 唯理科技加入昇思MindSpore社区，构建双目摄像头巡检系统，实现智慧交通的机动车违停、行人穿越、抛洒物、交通拥堵检测等应用 2021/12/24 # 唯理科技加入昇思MindSpore社区，构建双目摄像头巡检系统，实现智慧交通的机动车违停、行人穿越、抛洒物、交通拥堵检测等应用 **唯理科技**完成ISV认证**正式加入昇思MindSpore社区。** **唯理科技\*\*\*\*简介** 武汉唯理科技有限公司，华为认证级ISV伙伴，是一家创新型人工智能公司，以贡献求支持、以服务求发展的文化为主导，汇聚了来自美国莱斯大学、新加坡国立大学、华中科技大学等知名院校的研究人员，以及华为、艾默生等科技公司高级工程师。同时公司还积极参与人工智能领域的产学研合作，已经与华中科技大学、朗青交通等单位展开了富有成效的研究项目。人工智能AI“小创”致力于打造中国最大的、最智能、最懂用户的园区云端智能服务平台。智慧交通产品打造交通运输生产中建设、管理、运维与养护的整体解决方案。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 唯理科技在加入MindSpore社区后，基于MindSpore深度学习与大数据技术的自动化数据采集与分析，解决非结构化视频数据的结构化检索与视图对象的关系分析、行为分析等。预期未来深度整合大数据技术、视频分析技术、语音识别、专家系统、物联网、云计算等技术，解决人、车、路互信协同，更安全、更高效、更便捷出行。 基于该解决方案，构建了双目摄像头巡检系统，采用智能视频分析技术，识别视频采集到的道路相关信息。实现了智慧交通的机动车违停检测、行人穿越检测、城市交通监测、抛洒物检测、交通拥堵检测等应用，进一步将智慧交通与人工智能结合，为城市交通提供高速运转计算和决策支持服务，升级智慧交通解决方案。实现智能分析，事件预警。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 钛科圈加入昇思MindSpore社区，实现对小学数学作业的识别，并根据识别结果进行批改！ 凯通科技加入昇思MindSpore社区，实现以铁路、铁塔为代表的大场景、弱目标识别领域的创新应用！ 国交润万加入昇思MindSpore社区，帮助开发者实现网络自动切分，只需串行表达就能实现并行训练，降低门槛，简化开发流程！ 博讯科技加入昇思MindSpore社区，自主研发AI旅行助手，为旅客提供景点周边衣食住行等服务，以及语音对话、智能监控等AI服务! ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/887/ --- 新闻 数博科技加入昇思MindSpore社区，自主研发智能认知引擎，根据客户需求，配合丰富的业务场景模型，深度分析及挖掘数据的价值！ # 数博科技加入昇思MindSpore社区，自主研发智能认知引擎，根据客户需求，配合丰富的业务场景模型，深度分析及挖掘数据的价值！ 2021/12/24 # 数博科技加入昇思MindSpore社区，自主研发智能认知引擎，根据客户需求，配合丰富的业务场景模型，深度分析及挖掘数据的价值！ **数博科技**完成ISV认证**正式加入昇思MindSpore社区。** **数博科技\*\*\*\*简介** 武汉数博科技有限责任公司，华为认证级ISV伙伴，一家由武汉大学资深科学家和行业经验丰富的专家联合创办。公司致力于从海量数据中找到线索、度量线索并关联线索，让机器像人类一样理解知识。数博科技运用深度学习技术、自主知识产权的语义识别技术、大数据技术、结合自然语言处理的各类算法，构建面向垂直领域的智能知识引擎。该引擎能为金融、证券、保险、法律等行业提供语义搜索、文本挖掘、信息互联等服务。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 数博科技在加入MindSpore社区后，基于MindSpore框架和全球领先的自然语言理解和大数据关键计算，自主研发智能认知引擎，利用数博科技独有的中文大数据采集挖掘技术，对非结构化数据处理、大规模分布处理等方面的自主核心技术，根据客户需求，配合丰富的业务场景模型，深度分析及挖掘数据的价值。 基于该解决方案，提供面向政务监管领域的数据及系统服务，同时可以快速的与已有业务系统对接，提供定制化服务。例如文本数据的聚合共享与搜索：科技部科技管理数据，金融征信业务数据服务；知识图谱与可视化分析：医疗知识图谱、移动知识图谱、法律知识图谱等。覆盖新闻、政府网站、法律、钢铁、航运、微信、微博 等多领域。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 南京仁面加入昇思MindSpore社区，研发出自动检测金属管材表面损伤的装置，可自动发现管材表面存在的划痕、凹陷等损伤！ 拓尔思加入昇思MindSpore社区，通过对行业大数据的深度学习，实现自动分类、语义相似度计算、自动校对、词典挖掘等功能的优化！ 东方盛行加入昇思MindSpore社区，通过集成AI人工智能引擎，引入编目前移及智能标签概念，实现媒体资源管理的高效化、智能化！ 飞流智能加入昇思MindSpore社区，自主研发无人机远程精准起降平台智能机巢，是无人机稳固的“家”，抵抗强风和暴雨等恶劣天气！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/889/ --- 新闻 鱼鳞图加入昇思MindSpore社区，实现对房屋在建状态的实时检测，能有效地帮助相关部门及时发现违建行为！ # 鱼鳞图加入昇思MindSpore社区，实现对房屋在建状态的实时检测，能有效地帮助相关部门及时发现违建行为！ 2021/12/27 # 鱼鳞图加入昇思MindSpore社区，实现对房屋在建状态的实时检测，能有效地帮助相关部门及时发现违建行为！ **鱼鳞图**完成ISV认证**正式加入昇思MindSpore社区。** **鱼鳞图\*\*\*\*简介** 四川鱼鳞图信息技术股份有限公司，华为认证级ISV伙伴，是一家专业提供自然资源和农业农村大数据服务的高新技术上市企业。鱼鳞图公司在数据采集、制作、共享、交易、订阅、应用开发方面提供专业的服务，通过传感器，利用人工智能、区块链、5G和物联网等基础设施构建农业农村和资源环境的基础数据库，为客户提供数据存储、管理、挖掘、分析和应用等专业服务和专题数据解决方案，面向政府、企事业单位和个人消费者等提供一站式服务。 鱼鳞图公司以强大的算力（高校科研支撑、高新技术运算）、数力（海量农业农村、自然资源数据处理、清洗、融合分析）、集成力（业务、数据、资源集成整合）、服务力（政府、合作伙伴、客户服务）和十余年深耕行业积累为核心优势，现已拥有行业领先的项目实施经验，产品及服务从国家、省、市、县到乡镇覆盖农业农村、自然资源各个领域，实现全国范围内多层级、多领域、多类别的覆盖。承担了农业农村部土地承包管理国家数据库、国家农村土地承包经营权信息应用平台、国家土地确权数据库质检系统、全国首个省级现代农村信息管理平台、首个省级多产权自然资源统一确权平台等，是农村土地承包经营权首批试点县、不动产统一登记的首批试点县承建单位、全国统筹城乡综合配套改革试验区和国家级农村土地制度改革三项试点的咨询服务和技术支撑单位。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 鱼鳞图在加入MindSpore社区后，基于MindSpore框架搭建YOLOv4训练平台，利用NPU进行训练，并对模型参数进行调节优化，利用训练好的权重进行推理，实现对房屋在建状态的实时检测，能有效地帮助相关部门及时发现违建行为。 基于该解决方案，摄像头采集房屋视频图像数据，经atlas800处理后，将推理结果送入后台管理系统，若检测到在建建筑物，后台管理系统将通过预警程序发送给工作人员，以便核实，除后台计算与向工作人员发送预警信号外，客户端也能登录后台管理系统，查看后台处理进程与实时检测状态。完成了算法模型对华为AI计算框架的兼容适配。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 天存信息加入昇思MindSpore社区，采用MindSpore深度学习技术，对车辆车牌、颜色、型号标牌等外观特征进行等进行识别！ 鑫领程加入昇思MindSpore社区，基于MindSpore框架将整个社区的摄像头整合在一起，实现车辆监控，人员管理，立体防控！ 唯理科技加入昇思MindSpore社区，构建了双目摄像头巡检系统，实现智慧交通的机动车违停、行人穿越、抛洒物、交通拥堵检测等应用！ 数博科技加入昇思MindSpore社区，自主研发智能认知引擎，根据客户需求，配合丰富的业务场景模型，深度分析及挖掘数据的价值！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/890/ --- 新闻 华雁智科加入昇思MindSpore社区，开展视频、图像深度学习训练与智能推理分析服务，提升系统的应用成效，切实为一线班组减负 # 华雁智科加入昇思MindSpore社区，开展视频、图像深度学习训练与智能推理分析服务，提升系统的应用成效，切实为一线班组减负 2021/12/27 # 华雁智科加入昇思MindSpore社区，开展视频、图像深度学习训练与智能推理分析服务，提升系统的应用成效，切实为一线班组减负 **华雁智科**完成ISV认证**正式加入昇思MindSpore社区。** **华雁智科\*\*\*\*简介** 华雁智能科技（集团）股份有限公司，华为认证级ISV伙伴，是以大数据分析与视觉智能为核心的行业物联网解决方案服务提供商，致力为实施能源互联网发展战略的两大电网公司及其所属网省电力公司、发电企业等客户提供基于大数据分析与视觉智能为核心的平台软件、智能系统、网络通信等解决方案及相关技术服务。现取得和已受理发明专利37项，计算机软件著作权74项，以及高新技术企业、计算机系统集成、测绘资质、质量管理体系认证等经营资质。公司与四川大学、电子科大、浙江大学分别建有“电力设备状态监测与评价联合实验室”、“深度学习与图像视频分析联合实验室”、“视频智能处理联合实验室”，通过建立产、学、研的合作机制，跟踪与研究相关领域前沿技术，培养技术开发与产业化的后备人才队伍。同时公司与海内外知名企业建立多种形式的战略合作伙伴关系，使公司的技术和产品与国际保持同步，处于国际领先地位。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 华雁智能在加入MindSpore社区后，基于MindSpore深度学习的图像智能复用能力，建设服务于网省公司各部门各专业的基于深度学习的图像智能集中优化训练、集中评价及集中管理系统，系统可向网省公司各部门各专业应用系统提供集中优化训练及统一管理的图像智能识别算法，实现网省公司范围内图像智能的能力复用。 基于该解决方案，开展视频/图像深度学习训练与智能推理分析服务，提升专业系统的应用成效，切实为一线班组减负。实现图像大数据统一存储及应用支撑能力，设计统一的系统接口规范可保障不同厂商的图像分析及训练算法的接入及管理能力。开放的图像智能支撑及管理能力，建设一致的图像智能能力评价准则及技术评价系统，利用统一存储的图像测试样本数据提供图像智能识别算法能力的统一评价能力。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 天存信息加入昇思MindSpore社区，采用MindSpore深度学习技术，对车辆车牌、颜色、型号标牌等外观特征进行等进行识别！ 鑫领程加入昇思MindSpore社区，基于MindSpore框架将整个社区的摄像头整合在一起，实现车辆监控，人员管理，立体防控！ 唯理科技加入昇思MindSpore社区，构建了双目摄像头巡检系统，实现智慧交通的机动车违停、行人穿越、抛洒物、交通拥堵检测等应用！ 数博科技加入昇思MindSpore社区，自主研发智能认知引擎，根据客户需求，配合丰富的业务场景模型，深度分析及挖掘数据的价值！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/891/ --- 新闻 中科院微电子研究所加入昇思MindSpore社区，为智慧交流、智慧城市、智慧税务等行业提供全面AI使能和业务应用解决方案 # 中科院微电子研究所加入昇思MindSpore社区，为智慧交流、智慧城市、智慧税务等行业提供全面AI使能和业务应用解决方案 2021/12/27 # 中科院微电子研究所加入昇思MindSpore社区，为智慧交流、智慧城市、智慧税务等行业提供全面AI使能和业务应用解决方案 **中科院微电子研究所**完成ISV认证**正式加入昇思MindSpore社区。** **中国科学院微电子研究所\*\*\*\*简介** 中国科学院微电子研究所，华为认证级ISV伙伴，前身为成立于1958年的原中国科学院109厂。1986年，109厂与中国科学院半导体研究所、计算技术研究所有关研制大规模集成电路部分合并为中国科学院微电子中心。2003年9月，正式更名为中国科学院微电子研究所。是一所专门从事微电子领域研究与开发的国立研究机构，是中国科学院微电子技术的总体和中国科学院EDA中心的依托单位。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 中国科学院微电子研究所在加入MindSpore社区后，基于MindSpore框架自主研发标算研深度学习AI服务平台软件，结合国产化自主可控AI基础算力、AI服务器系统或智能边缘设备、以及主流深度学习框架，打造全栈流程国产化的AI训练、推理、应用平台的统一集成解决方案，为安平、智慧交流、智慧城市、智慧农业/税务等行业提供全面、完整的AI使能和业务应用解决方案。 基于该解决方案，构建覆盖只能领域主要应用需求的高度定制化人工智能算法库，遵循先基本算法再功能算法、新行业通用算法再行业细分算法的总原则，辅以算法库管理工具，实现快速部署和推广。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 翔迅科技加入昇思MindSpore社区，实现“风电智慧运维联合解决方案”，具备快速处理、端边设备体积小、环境适应性强等优势！ 浦和数据加入昇思MindSpore社区，通过摄像头视频的智能分析，自动识别船舶的违法行为，实现船舶违法行为的自动判别！ 甄视智能加入昇思MindSpore社区，实现“智慧小区”全区覆盖 , 实现各类小区动态信息全采集、社会治理全融合、社会服务全提升! 锐目数加入昇思MindSpore社区，研发出完整的智慧安监应用套件，支持生产现场人员行为、环境安全、生产设备实时检测和识别报警! ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/892/ --- 新闻 天巡微小卫星加入昇思MindSpore社区，对电力、铁路、管线的外力破外、植物入侵、滑坡等危险源进行自动识别、监测和预测！ # 天巡微小卫星加入昇思MindSpore社区，对电力、铁路、管线的外力破外、植物入侵、滑坡等危险源进行自动识别、监测和预测！ 2021/12/27 # 天巡微小卫星加入昇思MindSpore社区，对电力、铁路、管线的外力破外、植物入侵、滑坡等危险源进行自动识别、监测和预测！ **天巡微小卫星**完成ISV认证**正式加入昇思MindSpore社区。** **天巡微小卫星\*\*\*\*简介** 成都天巡微小卫星科技有限责任公司，华为认证级ISV伙伴，核心团队主要来自于国内外知名企业和高校，具有丰富的航空航天及电子行业背景。公司聚焦于能源交通、金融保险、国防等行业级卫星应用，通过基于高分辨率遥感影像生成智能网联汽车 HD 地图，天基能源电力巡检解决方案，实景三维建模解决方案，以及农业遥感服务、区域经济指数、宏观经济指数等金融保险解决方案，形成基于遥感影像解译行业全息地图的太空机器视觉平台一站式解决方案。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 天巡微小卫星在加入MindSpore社区后，基于MindSpore框架通过人工智能遥感解译平台，对电力、铁路、管线的外力破外、植物入侵、滑坡等危险源进行自动识别、监测和预测，实现遥感数据的规模化生产，为行业应用提供标准的算法和数据SaaS服务。针对大尺度的遥感影像的在线解译平台的搭建，以实现在遥感影像上在给定区域内，实现地物分类的功能。 基于该解决方案，实现了华为Atlas910训练卡的模型训练、Atlas 310推理卡与天巡微小科技有限公司深度学习网络架构技术全面融合，结合遥感影像的语义分割，实现“遥感影响的在线解译平台解决方案”，在遥感影像地物分类上的创新应用。实现了针对行业应用的多尺度、多时相遥感数据的快速解译和标准化服务，解决传统遥感数据解译效率低、周期长、泛化能力差、应用困难等问题。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 钛科圈加入昇思MindSpore社区，实现对小学数学作业的识别，并根据识别结果进行批改！ 凯通科技加入昇思MindSpore社区，实现以铁路、铁塔为代表的大场景、弱目标识别领域的创新应用！ 国交润万加入昇思MindSpore社区，帮助开发者实现网络自动切分，只需串行表达就能实现并行训练，降低门槛，简化开发流程！ 博讯科技加入昇思MindSpore社区，自主研发AI旅行助手，为旅客提供景点周边衣食住行等服务，以及语音对话、智能监控等AI服务! ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/895/ --- 新闻 轩辕研究院加入昇思MindSpore社区，自主研发AI科学计算平台，满足科研人员对科研数据存储、数据标注、模型训练等相关需求 # 轩辕研究院加入昇思MindSpore社区，自主研发AI科学计算平台，满足科研人员对科研数据存储、数据标注、模型训练等相关需求 2021/12/28 # 轩辕研究院加入昇思MindSpore社区，自主研发AI科学计算平台，满足科研人员对科研数据存储、数据标注、模型训练等相关需求 **轩辕研究院**完成ISV认证**正式加入昇思MindSpore社区。** **轩辕研究院\*\*\*\*简介** 广州轩辕研究院有限公司，华为认证级ISV伙伴，是围绕人工智能科研和实训教学的新型研发企业。轩辕研究院依托高校的技术成果以及产学研的，以及产学研的合作方式，将国内外先进的技术成果转化为公司的应用技术和产品；解决人工智能，特别是深度学习和知识图谱领域的工程设计问题，为人工智能的行业应用提供专业的解决方案；帮助用户解决人工智能样本数据和应用方案选择的可行性难题，为用户提供数据治理服务；协助高校、研究院所等参与国家科研新基建项目的建设；携手高等院校深化产教融合校企合作，积极推进产业学院建设等。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 轩辕研究院在加入MindSpore社区后，基于MindSpore框架自主研发AI科学计算平台，平台基于业界最高性能ARM-based鲲鹏处理器运行，具备全面兼容国产软硬件的能力，提供了算法模型编辑、算法训练、模型部署、模型库、数据集管理、数据标注、应用中心等功能，满足科研人员对科研数据存储、数据标注、模型训练等相关需求。 基于该解决方案，内嵌物理知识的神经网络科学计算包，内嵌物理知识的神经网络科学计算包，内置AI引擎提供前沿算法模型，引入知识图谱使能科研数据治理，采用联邦学习架构支撑跨学科跨单位联动创新，提升平台框架的同时，增强业务支撑与生态扩展能力，以便更灵活地支持各种科研活动。目前，轩辕AI科学计算平台已广泛应用于地理遥感、生物医药、地球科学、工业互联网以及社会科学等领域，其服务的团队既包括中山大学、暨南大学等研究型本科，也包括广东技术师范大学、广东省智能家电研究院等应用型本科及相关院所。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 天存信息加入昇思MindSpore社区，采用MindSpore深度学习技术，对车辆车牌、颜色、型号标牌等外观特征进行等进行识别！ 鑫领程加入昇思MindSpore社区，基于MindSpore框架将整个社区的摄像头整合在一起，实现车辆监控，人员管理，立体防控！ 唯理科技加入昇思MindSpore社区，构建了双目摄像头巡检系统，实现智慧交通的机动车违停、行人穿越、抛洒物、交通拥堵检测等应用！ 数博科技加入昇思MindSpore社区，自主研发智能认知引擎，根据客户需求，配合丰富的业务场景模型，深度分析及挖掘数据的价值！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/896/ --- 新闻 中海庭加入昇思MindSpore社区，自主研发数据自动化生产平台，已完成全国高速公路合计十几万公里的高精度电子地图数据 # 中海庭加入昇思MindSpore社区，自主研发数据自动化生产平台，已完成全国高速公路合计十几万公里的高精度电子地图数据 2021/12/28 # 中海庭加入昇思MindSpore社区，自主研发数据自动化生产平台，已完成全国高速公路合计十几万公里的高精度电子地图数据 **中科院微电子研究所**完成ISV认证**正式加入昇思MindSpore社区。\*\*\*\*中海庭**完成ISV认证**正式加入昇思MindSpore社区。** **中海庭\*\*\*\*简介** 武汉中海庭数据技术有限公司，华为认证级ISV伙伴，定位为中国一流、世界领先的高精度电子地图全数据链服务供应商。公司立足于汽车工业自动驾驶、智慧出行大趋势和空间地理信息大数据产业的融合创新，汇聚人工智能核心技术和人才，打造基于高精度电子地图的出行大数据生态，建设面向个人、车企、行业用户及政府部门的高精度电子地图数据、定位、众包动态更新云服务。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 中海庭在加入MindSpore社区后，基于MindSpore深度学习框架自主研发数据自动化生产平台，已形成专业的高精度电子地图数据采集、制作、验证、发布、众包更新全业务闭环产品研发体系与服务自动驾驶/ADAS及智慧出行的感知定位、多维数据导航引擎解决方案的技术开发能力。目前公司匹配客户需求已经完成包括北京、上海、广州、武汉、重庆及全国高速公路合计十几万公里的高精度电子地图数据，并顺利完成上海洋山港智能重卡用高精度电子地图商业化落地，成为全国首家交付高精度电子地图数据产品的公司。未来中海庭将持续引入优秀行业精英，加速高精度电子地图生态闭环建设。 基于该解决方案，构建动静态要素检测软件产品，一方面服务于高精地图和成图：静态要素（地面印刷物，交通标识牌）和半静态要素（路口红绿灯）是众包局部地图构建和定位的输入；动态目标的检测是目标跟踪的基础，可用于构建动态交通流。一个可以用作自动驾驶感知模块。 **往期推荐** 翔迅科技加入昇思MindSpore社区，实现“风电智慧运维联合解决方案”，具备快速处理、端边设备体积小、环境适应性强等优势！ 浦和数据加入昇思MindSpore社区，通过摄像头视频的智能分析，自动识别船舶的违法行为，实现船舶违法行为的自动判别！ 甄视智能加入昇思MindSpore社区，实现“智慧小区”全区覆盖 , 实现各类小区动态信息全采集、社会治理全融合、社会服务全提升! 锐目数加入昇思MindSpore社区，研发出完整的智慧安监应用套件，支持生产现场人员行为、环境安全、生产设备实时检测和识别报警! ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/897/ --- 新闻 慧远智控加入昇思MindSpore社区，自主研发HY智能行车控制系统，应用在智慧水域领域，在水厂的行车智能化改造有着重要作用 # 慧远智控加入昇思MindSpore社区，自主研发HY智能行车控制系统，应用在智慧水域领域，在水厂的行车智能化改造有着重要作用 2021/12/28 # 慧远智控加入昇思MindSpore社区，自主研发HY智能行车控制系统，应用在智慧水域领域，在水厂的行车智能化改造有着重要作用 **慧远智\*\*\*\*控**完成ISV认证**正式加入昇思MindSpore社区。** **慧远智控\*\*\*\*简介** 武汉慧远智控科技有限公司，华为认证级ISV伙伴，是业内优秀的系统整体解决方案提供商。目前云计算、大数据、AI等前沿信息技术是我司重点发展方向。公司拥有自主研发团队，且与武汉、上海多家硬件、芯片设备研发公司签署了深度战略合作关系。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 慧远智控在加入MindSpore社区后，基于MindSpore框架自主研发HY智能行车控制系统，应用在智慧水域领域，在水厂的行车智能化改造有着重要作用。结构上每个分支机构采用标清摄像机+硬盘录像机的方式，由于网络问题，每个分支机构都是一个信息“孤岛”，公司总部不能实时监控分支机构。为提升排水公司的自动化管理水平，通过自动化手段实现对各分支机构的生产进程进行实时监控管理，为无人值守提供安全保证。遂构建了集中监控综合管理平台。 基于该解决方案，实现安全管理，实时了解各分支机构重点工位的实时画面；通过视频监控系统，随时调阅历史画面，方便集中管理；采用扁平化的管理模式，逐步取消一级厂管理二级站的模式，由总部对所有分支机构直接管理，总部可以看到每一个分支机构的实时视频，特别是机组的运行状况。逐步实现无人值守，或者减少人员现场管理，实现高清视频监管的技术改造。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 钛科圈加入昇思MindSpore社区，实现对小学数学作业的识别，并根据识别结果进行批改！ 凯通科技加入昇思MindSpore社区，实现以铁路、铁塔为代表的大场景、弱目标识别领域的创新应用！ 国交润万加入昇思MindSpore社区，帮助开发者实现网络自动切分，只需串行表达就能实现并行训练，降低门槛，简化开发流程！ 博讯科技加入昇思MindSpore社区，自主研发AI旅行助手，为旅客提供景点周边衣食住行等服务，以及语音对话、智能监控等AI服务! ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/898/ --- 新闻 博瓦加入昇思MindSpore社区，解决非结构化视频数据的结构化检索与视图对象的关系分析、行为分析等 # 博瓦加入昇思MindSpore社区，解决非结构化视频数据的结构化检索与视图对象的关系分析、行为分析等 2021/12/28 # 博瓦加入昇思MindSpore社区，解决非结构化视频数据的结构化检索与视图对象的关系分析、行为分析等 **博瓦**完成ISV认证**正式加入昇思MindSpore社区。** **博瓦\*\*\*\*简介** 博瓦（武汉）科技有限公司，华为认证级ISV伙伴，是一家专门从事机器人自主导航定位研究的现代高科技企业。公司致力于研发基于环境感知的机器人3D视觉解决方案，可广泛应用于物流、导航、家务助手、运动陪伴、自动驾驶等领域。公司现阶段主要为生产制造企业在机器人的三维视觉测量方面提供经济高效的自动化系统解决方案，实现工业智能制造，并进一步在机器人视觉技术的基础上向“智能机器人”方向发展。博瓦与华中科技大学紧密合作，已在两个细分行业开发了相对应的产品，目前有7项专利正在申请受理中。博瓦愿意同社会各界一道致力于智能机器人项目的开发，用科技的力量造福社会，造福人类。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 博瓦在加入MindSpore社区后，基于MindSpore深度学习框架与大数据技术的自动化数据采集与分析，解决非结构化视频数据的结构化检索与视图对象的关系分析、行为分析等。预期未来深度整合大数据技术、视频分析技术、语音识别、专家系统等技术，解决资源分析应用的工具化、危险危机预警的智能化问题。 基于该解决方案，采用软硬件一体化设计，将传统摄像头、AI模块，和AI图形化开发工具高度集成，通过目标检测、目标跟踪和模型压缩等多算法有效融合，算法精度提的20%，硬件成本降低50%，作为各类图像识别的“通用大脑”，不再需要漫长的设计周期与巨大的研发成本。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 钛科圈加入昇思MindSpore社区，实现对小学数学作业的识别，并根据识别结果进行批改！ 凯通科技加入昇思MindSpore社区，实现以铁路、铁塔为代表的大场景、弱目标识别领域的创新应用！ 国交润万加入昇思MindSpore社区，帮助开发者实现网络自动切分，只需串行表达就能实现并行训练，降低门槛，简化开发流程！ 博讯科技加入昇思MindSpore社区，自主研发AI旅行助手，为旅客提供景点周边衣食住行等服务，以及语音对话、智能监控等AI服务! ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/901/ --- 新闻 明途科技加入昇思MindSpore社区，基于MindSpore深度学习视图分类技术，可以实现对图像识别，达到图像分类的目的！ # 明途科技加入昇思MindSpore社区，基于MindSpore深度学习视图分类技术，可以实现对图像识别，达到图像分类的目的！ 2021/12/29 # 明途科技加入昇思MindSpore社区，基于MindSpore深度学习视图分类技术，可以实现对图像识别，达到图像分类的目的！ **明途科技**完成ISV认证**正式加入昇思MindSpore社区。** **明途科技\*\*\*\*简介** 成都明途科技有限公司，华为认证级ISV伙伴，专注于目标管理大数据领域，以互联网、大数据和人工智能技术为支撑，精心打造督查督办、目标绩效、重点项目等管理系统，以及政务大脑、企业经营和工作AI+三大数字化管理转型方案。此外，基于目标管理理念，明途科技提供企业政务、网络监测、个人数据等智能服务，为决策者提供最全面直观的决策指挥平台，为管理者提供从目标到结果的管理系统，为执行者提供高效工作的支撑工具。经过多年沉淀，明途科技凭借巨大的发展潜力，成功入选2020年四川省瞪羚企业，并前后获得两轮融资以及多个行业奖项。不管在产品研发、市场覆盖还是服务支持上，明途已树立了在目标管理领域的专业品牌地位！ 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 明途科技在加入MindSpore社区后，基于MindSpore深度学习视图分类技术，通过深度神经网络，对视图数据进行特征提取及序列分析，可以实现对图像识别，达到图像分类的目的，进一步地实现特定内容类型的智能识别。 基于该解决方案，通过用户的面部神态控制对应的功能，人机交互方式更加智能化、自然化，面部神态识别的智能算法作为工作AI服务平台的一个功能模块，越来越受用户的重视和使用。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 轩辕研究院加入昇思MindSpore社区，自主研发AI科学计算平台，满足科研人员对科研数据存储、数据标注、模型训练等相关需求！ 中海庭加入昇思MindSpore社区，自主研发数据自动化生产平台，已完成全国高速公路合计十几万公里的高精度电子地图数据！ 慧远智控加入昇思MindSpore社区，自主研发HY智能行车控制系统，应用在智慧水域领域，在水厂的行车智能化改造有着重要作用！ 博瓦加入昇思MindSpore社区，解决非结构化视频数据的结构化检索与视图对象的关系分析、行为分析等！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/902/ --- 新闻 中电启明星加入昇思MindSpore社区，基于MindSpore框架实现自动成图功能，解决厂站接线图人工绘制繁琐易出错的问题！ # 中电启明星加入昇思MindSpore社区，基于MindSpore框架实现自动成图功能，解决厂站接线图人工绘制繁琐易出错的问题！ 2021/12/29 # 中电启明星加入昇思MindSpore社区，基于MindSpore框架实现自动成图功能，解决厂站接线图人工绘制繁琐易出错的问题！ **中电启明星**完成ISV认证**正式加入昇思MindSpore社区。** **中电启明星\*\*\*\*简介** 四川中电启明星信息技术有限公司，华为认证级ISV伙伴，隶属于国网信通股份有限公司，是国家认定的“软件企业”、“高新技术企业”，于2002年通过ISO9001认证，有十多个软件产品获信产部登记认证。主要服务于国家电网及大中型企业，专注于行业信息化，致力于为企业提供专业的信息化咨询、产品和服务。是一家为大中型企业提供专业化信息系统咨询、开发、实施、运维服务的高科技企业。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 中电启明星在加入MindSpore社区后，基于MindSpore框架实现自动成图功能，解决厂站接线图人工绘制繁琐易出错的问题，辅助减轻自动化人员的重复工作压力，推动人工智能技术在调控自动化领域的应用。 基于该解决方案，应用系统提供了包括防震锤、绝缘子类、鸟巢异物、附属设施类在内的9大类、22小类缺陷识别的算法模型。针对电力公司运检场景，可利用人工智能技术对无人机航拍的输电线路高清杆塔图片进行缺陷检测分析，已构建的金具缺陷检测、绝缘子缺陷检测、鸟巢及植被未清理检测三个模型，可以有效检测到39种缺陷，缺陷检测平均准确率高达80%-85%。能够有效预判电网风险，及时发布风险预警通知书，高效保障风险防控措施的落实，大大降低电力安全事故发生率。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 华雁智科加入昇思MindSpore社区，开展视频、图像深度学习训练与智能推理分析服务，提升专业系统的应用成效，切实为一线班组减负！ 天巡微小卫星加入昇思MindSpore社区，对电力、铁路、管线的外力破外、植物入侵、滑坡等危险源进行自动识别、监测和预测！ 鱼鳞图加入昇思MindSpore社区，实现对房屋在建状态的实时检测，能有效地帮助相关部门及时发现违建行为！ 中科院微电子研究所加入昇思MindSpore社区，为智慧交流、智慧城市、智慧税务等行业提供全面、完整的AI使能和业务应用解决方案！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/903/ --- 新闻 聚雅科技加入昇思MindSpore社区，自主研发智慧园区管控平台，建设基础设施网络化、管理精细化、服务功能专业化的平台！ # 聚雅科技加入昇思MindSpore社区，自主研发智慧园区管控平台，建设基础设施网络化、管理精细化、服务功能专业化的平台！ 2021/12/29 # 聚雅科技加入昇思MindSpore社区，自主研发智慧园区管控平台，建设基础设施网络化、管理精细化、服务功能专业化的平台！ **聚雅科技**完成ISV认证**正式加入昇思MindSpore社区。** **聚雅科技\*\*\*\*简介** 武汉聚雅科技有限公司，华为认证级ISV伙伴，是一家建筑工程弱电智能化系统集成一站式服务商，产品与服务广泛应用于平安城市、智慧社区、智慧园区、智慧政务、平安校园、智慧监管等安防领域。系湖北省安徽商会、湖北省安防技术协会和武汉市安防技术协会会员单位。经多年发展，公司与国内外众多知名品牌企业建立了良好、稳固的合作伙伴关系，逐步形成稳定的人才、技术和品牌优势。公司拥有专业从事智能化工程行业多年的深化设计、施工安装和维保服务团队，并形成完整的勘测、设计、安装、调试、培训和维护于一体的一站式服务体系，具备较强的施工力量及专业的技术支持，为小区智慧物业、银行金融机构、酒店医院超市、智慧建筑工地、校园智慧安防、大数据信息化系统建设等300多个项目提供了专业的技术解决方案。道阻且长，行则将至。未来，公司坚持秉承"诚信为先、同求卓越"的经营理念，打造服务型、学习型、创新型服务团队，为广大客户提供更先进、科学、便捷的智能化解决方案。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 聚雅科技在加入MindSpore社区后，基于MindSpore框架自主研发智慧园区管控平台，以信息技术为手段、智慧应用为支撑，全面整合园区的内外资源，建设基础设施网络化、建设管理精细化、服务功能专业化和产业智能化的载体和平台。 基于该解决方案，平台采用灵活的分布式部署方式，通过网络整合安防监控系统的各大功能模块，避免单点故障，同时提供强大的性能和扩展性。多业务融合、跨系统联动、高度集成；统一管理，科学设计，从繁杂的业务中解脱；平台可将一个点的联动设置复制到其他点位，方便部署。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 华雁智科加入昇思MindSpore社区，开展视频、图像深度学习训练与智能推理分析服务，提升专业系统的应用成效，切实为一线班组减负！ 天巡微小卫星加入昇思MindSpore社区，对电力、铁路、管线的外力破外、植物入侵、滑坡等危险源进行自动识别、监测和预测！ 鱼鳞图加入昇思MindSpore社区，实现对房屋在建状态的实时检测，能有效地帮助相关部门及时发现违建行为！ 中科院微电子研究所加入昇思MindSpore社区，为智慧交流、智慧城市、智慧税务等行业提供全面、完整的AI使能和业务应用解决方案！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/905/ --- 新闻 京华信息加入昇思MindSpore社区，基于MindSpore计算框架提升训练效率，一万二千字的公文，校对时间从22秒缩短至6秒 # 京华信息加入昇思MindSpore社区，基于MindSpore计算框架提升训练效率，一万二千字的公文，校对时间从22秒缩短至6秒 2021/12/30 # 京华信息加入昇思MindSpore社区，基于MindSpore计算框架提升训练效率，一万二千字的公文，校对时间从22秒缩短至6秒 **京华信息**完成ISV认证**正式加入昇思MindSpore社区。** **京华信息\*\*\*\*简介** 京华信息科技股份有限公司，华为认证级ISV伙伴，总部位于国家软件产业基地、广州天河智慧城核心区的京华智慧产业基地，是中国航天参股企业、国家规划布局内重点软件企业、国家重点高新技术企业、国家信用评级AAA级企业、中国创新软件企业、广东省战略性新兴产业骨干企业，获得系统集成、软件开发、运行维护三项国家涉密甲级资质，通过了CMMI5评估及ISO20000、27001等五大管理体系认证。京华信息坚持走“知识为纲、自主为本、联合开放”的创新驱动发展道路，以智慧应用、数据与知识服务为两大业务方向，提供京华智慧工作台、慧眼、百脑慧、智慧云平台等智慧化软件、机器人、知识服务与系列AI+解决方案，客户遍及中央党政机关、各级政府职能部门和国防科工、工信、烟草、交通、能源、金融等国民经济重要行业的央企等大型集团企业。多年来，在为客户提供产品和服务的过程中，在与中科院、清华、北大、国防科大等知名科研院校及国内外同行合作的过程中，京华信息的技术、产品、服务得到了高度认可，建立了良好的企业信誉与优秀的品牌形象。京华信息秉承“御道以长新，合德以利世”的核心价值观与经营理念，帮助客户建设和运营安全可控的知识化、智慧化工作环境，致力发展成为提供“智能平台+知识服务”的智慧型企业。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 京华信息在加入MindSpore社区后，基于MindSpore计算框架提升训练效率，在文本训练机器学习方面，在常识校对方面，一篇12000字左右的公文，校对时间从原22秒缩短至到6秒。通过MindSpore最佳匹配昇腾处理器，最大程度地发挥硬件能力，125万份文件经过优化缩短至1.2个小时。结合MindSpore支持云、边缘和手机上的快速部署特性，文本识别训练相关应用可做到即插即用，可作独立系统使用、与业务应用系统集成、与Office套件等软件无缝集成，为各类业务应用赋能，实现更好的资源利用，提升业务应用智慧化能力。 基于该解决方案，基于文本识别训练的京华慧眼应用于某省政府单位，提供了知识检索、文件速读、词云生成等综合知识服务，为单位用户在学习研究、文稿撰写、公文办理、业务决策、政策获取等场景下整合碎片化资源，提升政府的办事效率。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 明途科技加入昇思MindSpore社区，基于MindSpore深度学习视图分类技术，可以实现对图像识别，达到图像分类的目的！ 中电启明星加入昇思MindSpore社区，基于MindSpore框架实现自动成图功能，解决厂站接线图人工绘制繁琐易出错的问题！ 聚雅科技加入昇思MindSpore社区，自主研发智慧园区管控平台，建设基础设施网络化、管理精细化、服务功能专业化的载体和平台！ 博瓦加入昇思MindSpore社区，解决非结构化视频数据的结构化检索与视图对象的关系分析、行为分析等！ 长按下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/906/ --- 新闻 朱雀闻天加入昇思MindSpore社区，基于MindSpore框架自主研发朱雀闻天智慧教育应用产品，智能化预判预警，变被动为主动 # 朱雀闻天加入昇思MindSpore社区，基于MindSpore框架自主研发朱雀闻天智慧教育应用产品，智能化预判预警，变被动为主动 2021/12/30 # 朱雀闻天加入昇思MindSpore社区，基于MindSpore框架自主研发朱雀闻天智慧教育应用产品，智能化预判预警，变被动为主动 **朱雀闻天**完成ISV认证**正式加入昇思MindSpore社区。** **朱雀闻天\*\*\*\*简介** 武汉朱雀闻天科技有限公司，华为认证级ISV伙伴，是一家专注于大数据与人工智能领域，为教育行业客户提供智慧类应用产品开发、方案咨询与技术服务的国家高新技术企业、国家“双软”企业、AAA级信用企业。朱雀闻天从教育行业起步，秉承“以客户为中心，用心做好产品”、“质量就是我们的尊严”的企业文化，高度重视产品质量与产品落地工作，为此，公司建立了一支由985、211高校信息化专家与科研机构的数据科学家组成的专家团队，使产品更加贴近教育行业的需要。目前，公司开发出的领导驾驶舱、智慧学工、教学诊改、精准就业、智慧学科、毕业生画像等产品，深受教育行业客户的认可，为变革高校治理模式与培养高质量人才贡献绵薄之力。今天，站在数字经济新时代的浪口，与广大客户和合作伙伴一道，不断创新智慧应用新场景，为教育行业客户的数字化转型持续赋能。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 朱雀闻天在加入MindSpore社区后，基于MindSpore框架自主研发朱雀闻天智慧教育应用产品，依托MindSpore深度学习，固化工作经验/知识、训练专业模型，实现智能化预判预警，变被动为主动。利用预定义指标、数据关联分析等手段实现结果可视化，全面、快速、准确、精细掌握各方面的情况，辅助判断。实现事务性工作自动化，帮助管理者从大量重复、事务性工作中解放。利用综合分析、预测预警带来的智能化功能提高流程执行效率、质量、效果。 基于该解决方案，朱雀闻天智慧教育应用产品案例遍布全国近100所985、211、普本和高职等各类院校，案例遍布全国近30个省份，从教师基本情况、教学、科研、师资四个方面全面分析学校人事情况，为人事处领导作出绩效考核、业务评价、人事调整提供全面的数据支撑。对学校历年的科研数据（项目、机构、获奖、论文、专利、著作、团队）进行整合，并从学校、院系、学科、机构、团队、个人维度进行深入挖掘分析；为领导的决策和科研管理工作者的实际业务提供有力数据支撑。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 天存信息加入昇思MindSpore社区，采用MindSpore深度学习技术，对车辆车牌、颜色、型号标牌等外观特征进行等进行识别！ 鑫领程加入昇思MindSpore社区，基于MindSpore框架将整个社区的摄像头整合在一起，实现车辆监控，人员管理，立体防控！ 唯理科技加入昇思MindSpore社区，构建了双目摄像头巡检系统，实现智慧交通的机动车违停、行人穿越、抛洒物、交通拥堵检测等应用！ 数博科技加入昇思MindSpore社区，自主研发智能认知引擎，根据客户需求，配合丰富的业务场景模型，深度分析及挖掘数据的价值！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/907/ --- 新闻 航天宏图加入昇思MindSpore社区，自主研发耕地保护遥感检测平台，为国家实施最严格的耕地保护制度提供决策支持 # 航天宏图加入昇思MindSpore社区，自主研发耕地保护遥感检测平台，为国家实施最严格的耕地保护制度提供决策支持 2021/12/30 # 航天宏图加入昇思MindSpore社区，自主研发耕地保护遥感检测平台，为国家实施最严格的耕地保护制度提供决策支持 **航天宏图**完成ISV认证**正式加入昇思MindSpore社区。** **航天宏图\*\*\*\*简介** 航天宏图信息技术股份有限公司，华为认证级ISV伙伴，是国内领先的遥感和北斗导航卫星应用服务商，致力于卫星应用软件国产化、行业应用产业化、应用 服务商业化，研发并掌握了具有完全自主知识产权的PIE（Pixel Information Expert）系列产品和核心技术，为政府、企业、高校以及其他有关部门提供基础软件产品、系统设 计开发和数据分析应用服务等空间信息应用整体解决方案。公司于2019年7月在科创板上市，并且是首批科创板上市企业中唯一的遥感应用企业。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 航天宏图在加入MindSpore社区后，基于MindSpore框架自主研发耕地保护遥感检测平台，构建多种业务化服务模式，满足自然资源管理准确性、大范围、高频次、业务化的监测需求，为国家实施最严格的耕地保护制度提供决策支持。 基于该解决方案，满足耕地监测的全流程处理需求，紧跟政策导向，基于丰富的自然资源监测项目案例，涵盖耕地变化监测、农作物空间分布监测、重点区域遥感督察等方面的经验，可有效助力于“非农化”“非粮化”监测工作开展。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 轩辕研究院加入昇思MindSpore社区，自主研发AI科学计算平台，满足科研人员对科研数据存储、数据标注、模型训练等相关需求！ 中海庭加入昇思MindSpore社区，自主研发数据自动化生产平台，已完成全国高速公路合计十几万公里的高精度电子地图数据！ 慧远智控加入昇思MindSpore社区，自主研发HY智能行车控制系统，应用在智慧水域领域，在水厂的行车智能化改造有着重要作用！ 博瓦加入昇思MindSpore社区，解决非结构化视频数据的结构化检索与视图对象的关系分析、行为分析等！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/908/ --- 新闻 中地数码加入昇思MindSpore社区，基于MindSpore框架打造MapGIS智慧城市运营平台，支撑城市智慧化管理运行 # 中地数码加入昇思MindSpore社区，基于MindSpore框架打造MapGIS智慧城市运营平台，支撑城市智慧化管理运行 2021/12/30 # 中地数码加入昇思MindSpore社区，基于MindSpore框架打造MapGIS智慧城市运营平台，支撑城市智慧化管理运行 **中地数码**完成ISV认证**正式加入昇思MindSpore社区。** **中地数码\*\*\*\*简介** 武汉中地数码科技有限公司，华为认证级ISV伙伴，专业从事地理信息系统 (GIS) 研究、开发、应用和服务的云GIS 软件平台和解决方案提供商。精耕行业三十余年，中地数码始终保持自主核心技术的领先地位。集团以我国著名 GIS 专家吴信才教授为技术核心，致力于发展自主可控且具有国际竞争力的国产 GIS 软件 : 从成功研制出“中国第一套可实际应用的彩色地图编辑出版系统 MapCAD”，到率先研制出“中国具有完全自主知识产权的地理信息系统 MapGIS”；从“引领 GIS 新潮流，创开发模式新纪元的 MapGIS K9”的横空出世 , 到全球首款云特性 GIS 软件平台MapGIS 10 的隆重推出；如今 , 中地数码从“芯”出发，推出 MapGIS 10.5 系列产品，进一步升级云技术，打造全国产化开放生态。集团始终以 GIS 科技创新为基石打造企业核心竞争力，实现了一次次的历史性跨越，并先后荣获国家科技进步二等奖四项 , 三等奖一项，省部级科技进步一等奖四项。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 中地数码在加入MindSpore社区后，基于MindSpore框架打造MapGIS智慧城市运营平台，依托成熟的GIS平台技术体系框架和丰富的行业应用积淀，秉承全空间智慧城市建设理念，以智慧城市时空信息平台为基础，以全空间框架为基础，融合大数据、云计算、物联网等信息技术，整合时空数据资源，实现城市时空信息的感知、监测、分析、预警等融合应用，提供多样化、个性化的服务，支撑城市智慧化管理运行。 基于该解决方案，以自主创新的GIS为基础，为智慧城市建设提供全方位、高效能的时空分析计算能力，结合华为人工智能产品提升各应用场景的分析效率。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 华雁智科加入昇思MindSpore社区，开展视频、图像深度学习训练与智能推理分析服务，提升专业系统的应用成效，切实为一线班组减负！ 中科院微电子研究所加入昇思MindSpore社区，为智慧交流、智慧城市、智慧税务等行业提供全面、完整的AI使能和业务应用解决方案！ 天巡微小卫星加入昇思MindSpore社区，对电力、铁路、管线的外力破外、植物入侵、滑坡等危险源进行自动识别、监测和预测！ 鱼鳞图加入昇思MindSpore社区，实现对房屋在建状态的实时检测，能有效地帮助相关部门及时发现违建行为！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/910/ --- 新闻 力龙信息加入昇思MindSpore社区，通过对政务服务领域结构的提取和训练，精准识别用户意图，自动分发、自动受理群众诉求！ # 力龙信息加入昇思MindSpore社区，通过对政务服务领域结构的提取和训练，精准识别用户意图，自动分发、自动受理群众诉求！ 2021/12/31 # 力龙信息加入昇思MindSpore社区，通过对政务服务领域结构的提取和训练，精准识别用户意图，自动分发、自动受理群众诉求！ **力龙信息**完成ISV认证**正式加入昇思MindSpore社区。** **力龙信息\*\*\*\*简介** 武汉力龙信息科技股份有限公司，华为认证级ISV伙伴，多年来致力于“基于政务大数据的网上服务平台”建设与运营，提供先进、成熟的智慧政务解决方案。以“政务全网通”“易政通平台”“大数据服务”“新型网格化”为四个主营业务方向，形成“平台”+“产品”+“服务”的全面发展商业模式。在产品发展战略上，着力打造“力龙电子政务构件开发与发布平台\[Lilosoft.CoSpace\]、力龙政务大数据操作系统\[Lilosoft.GDos\]”两大核心技术，遵循“标准引导、产品驱动、行业领先”的发展策略，经多年探索研发，拥有自主软件著作权40余项，软件产品20余项，率先提出“第四代智慧政务中心”概念，充分利用大数据、云服务、物联网等先进技术，助力全国各级政务服务中心“互联网+政务服务”改革创新，在北京、武汉、上海、广州等十余个省市拥有数百个成功案例，多个案例成为中国政务服务大厅建设标杆。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 力龙信息在加入MindSpore社区后，基于MindSpore框架自主研发小易政务机器人，通过对政务服务领域知识结构的提取和训练，让机器人具备窗口材料审查能力。基于业务数据的积累和深度学习的算法应用，结合RPA机器人技术，精准识别用户意图，自动分发、自动受理群众诉求，提高工作效率与准确度。实现了案件（清单）赋责、岗位赋权、数据赋能的人工智能体系。 基于该解决方案，结合机器学习、业务梳理、知识模型，成立专业的机器人培训服务中心，通过云平台定期为各市区县客户提供专业的训练服务。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 京华信息加入昇思MindSpore社区，基于MindSpore计算框架提升训练效率，一万二千字的公文，校对时间从22秒缩短至6秒！ 朱雀闻天加入昇思MindSpore社区，基于MindSpore框架自主研发朱雀闻天智慧教育应用产品，智能化预判预警，变被动为主动！ 航天宏图加入昇思MindSpore社区，自主研发耕地保护遥感检测平台，为国家实施最严格的耕地保护制度提供决策支持！ 中地数码加入昇思MindSpore社区，基于MindSpore框架打造MapGIS智慧城市运营平台，支撑城市智慧化管理运行！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/911/ --- 新闻 工控仪器加入昇思MindSpore社区，自主研发小仕机器人，通过摄像头采集图片，对目标进行垃圾分类！ # 工控仪器加入昇思MindSpore社区，自主研发小仕机器人，通过摄像头采集图片，对目标进行垃圾分类！ 2021/12/31 # 工控仪器加入昇思MindSpore社区，自主研发小仕机器人，通过摄像头采集图片，对目标进行垃圾分类！ **工控仪器**完成ISV认证**正式加入昇思MindSpore社区。** **工控仪器\*\*\*\*简介** 武汉工控仪器仪表有限公司，华为认证级ISV伙伴，是武汉市唯一的工业综合性集团公司。工控仪器公司在秉承国有科研院所底蕴的同时，围绕自动化与信息软件技术应用领域，秉承“自强、务实、创新、发展”的理念，致力于智慧城市（智慧城市、智慧建筑、智能停车、智慧工厂等）综合服务，生态城市（污染水、气体、固废等生态环境）监测、治理综合服务，智能硬件（仪器仪表、3D打印、机器人）的研制、生产与销售，为客户提供先进的自动化与信息软件技术服务和完善的智能控制系统成套解决方案。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 工控仪器在加入MindSpore社区后，自主研发小仕机器人，通过摄像头采集图片，对目标进行垃圾分类，通过语音交互指导用户正确投放垃圾。采用MindSpore全场景框架开发垃圾分类模型，采用ModelArts进行云端训练和测试，最后采用华为Atlas 200AI加速模块进行推理。大大缩短了模型的开发、训练和测试周期，保证了识别的准确性与实时性，并降低了系统功耗。 基于该解决方案，在机器人场景下实现可靠稳定的垃圾分类，为机器人实现全面智能化，建立完善自主的行为决策系统提供基础。采用国内领先的智能语音交互技术，可为行业客户定制垂直领域问答语料库，能够满足多类场景的专属问答需求，回答满足率90%以上，反复智能学习，强化知识图谱。在移动场景下实现了准确高效的图像识别、目标检测、语音交互及云端监测等功能。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 明途科技加入昇思MindSpore社区，基于MindSpore深度学习视图分类技术，可以实现对图像识别，达到图像分类的目的！ 中电启明星加入昇思MindSpore社区，基于MindSpore框架实现自动成图功能，解决厂站接线图人工绘制繁琐易出错的问题！ 聚雅科技加入昇思MindSpore社区，自主研发智慧园区管控平台，建设基础设施网络化、管理精细化、服务功能专业化的载体和平台！ 博瓦加入昇思MindSpore社区，解决非结构化视频数据的结构化检索与视图对象的关系分析、行为分析等！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/918/ --- 新闻 海昌信息加入昇思MindSpore社区，自主研发智慧校园物联网监测与管理平台，实现智慧教室、智慧食堂、智能灌溉等功能！ # 海昌信息加入昇思MindSpore社区，自主研发智慧校园物联网监测与管理平台，实现智慧教室、智慧食堂、智能灌溉等功能！ 2021/12/31 # 海昌信息加入昇思MindSpore社区，自主研发智慧校园物联网监测与管理平台，实现智慧教室、智慧食堂、智能灌溉等功能！ **海昌信息**完成ISV认证**正式加入昇思MindSpore社区。** **海昌信息\*\*\*\*简介** 武汉海昌信息技术有限公司，华为认证级ISV伙伴， 是专业从事办公自动化软件、协同管理软件及电子政务软件研发与销售的高科技企业。公司通过了双软认证，建立了严格科学的产品开发和测试流程及先进的技术咨询支持体系，是湖北省软件行业协会及湖北省信息协会会员单位之一。公司自主研发的基于J2EE架构平台的办公自动化产品已在电力、政府、石油、汽车、钢铁等多个行业数千家企事业单位获得了成功应用,并获用户好评。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 海昌信息在加入MindSpore社区后，基于MindSpore框架自主研发智慧校园物联网监测与管理平台，在校园内设置摄像头、空气质量传感器、温湿度传感器等传感器，使校方可以通过物联网来监测和管理，将物联网收集到的数据上传到昇腾计算平台上进行训练推理，实现智慧教室、智慧食堂、能耗管理、疫情防控、垃圾分类、智能灌溉、智慧停车等功能。 基于该解决方案，通过可视化手段，建设和对接校园各大智慧化管理系统，将各项关键数据和功能模块进行综合化展现、管理，在现有物联平台完善的功能模块下实现三维可视化效果，进一步提升平台应用感观体验。智慧校园可视化设计包括校园地理信息可视化、基础设施管理可视化及校园资源管理可视化三大块设计内容。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 轩辕研究院加入昇思MindSpore社区，自主研发AI科学计算平台，满足科研人员对科研数据存储、数据标注、模型训练等相关需求！ 中海庭加入昇思MindSpore社区，自主研发数据自动化生产平台，已完成全国高速公路合计十几万公里的高精度电子地图数据！ 慧远智控加入昇思MindSpore社区，自主研发HY智能行车控制系统，应用在智慧水域领域，在水厂的行车智能化改造有着重要作用！ 博瓦加入昇思MindSpore社区，解决非结构化视频数据的结构化检索与视图对象的关系分析、行为分析等！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/919/ --- 新闻 纳思系统加入昇思MindSpore社区，自主研发输电智能运检管控系统，实现全天自动化智能运维！ # 纳思系统加入昇思MindSpore社区，自主研发输电智能运检管控系统，实现全天自动化智能运维！ 2021/12/31 # 纳思系统加入昇思MindSpore社区，自主研发输电智能运检管控系统，实现全天自动化智能运维！ **纳思系统**完成ISV认证**正式加入昇思MindSpore社区。** **纳思系统\*\*\*\*简介** 武汉纳思系统技术有限公司，华为认证级ISV伙伴，致力于面向电网行业提供专业的物联网解决方案，通过智能化应用的传感技术、夜视成像技术和人工智能技术的自主研发与集成，技术团队汇聚了产品、电路开发、信号处理、材料等领域的高级人才，成立以来一直专注于为电力、危化品安监等行业用户提供具备人工智能的专业化物联网解决方案。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 纳思系统在加入MindSpore社区后，基于MindSpore框架自主研发输电智能运检管控系统，实现纳思公司夜视监控设备图像数据的可视化展示、隐患目标智能识别、历史图像数据管理、设备信息管理以及用户权限管理等功能；为电力输电线路运检人员提供输电线路在线可视化巡检，隐患目标智能识别并自动告警推送，实现全天自动化智能运维。 基于该解决方案，VMS系统通过例行智能运检夜视拍照，告警国家电网某500kV线路有烟火易发隐患，立刻通过手机客户端下发告警，当班人员及时处置，成功避免了一起山火对重要输电通道的安全威胁，VMS全天候智能可视化运维告警功能，收到客户的高度赞扬！ 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 华雁智科加入昇思MindSpore社区，开展视频、图像深度学习训练与智能推理分析服务，提升专业系统的应用成效，切实为一线班组减负！ 中科院微电子研究所加入昇思MindSpore社区，为智慧交流、智慧城市、智慧税务等行业提供全面、完整的AI使能和业务应用解决方案！ 天巡微小卫星加入昇思MindSpore社区，对电力、铁路、管线的外力破坏、植物入侵、滑坡等危险源进行自动识别、监测和预测！ 鱼鳞图加入昇思MindSpore社区，实现对房屋在建状态的实时检测，能有效地帮助相关部门及时发现违建行为！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/920/ --- 新闻 国产框架MindSpore联合山水自然保护中心，寻找、保护「中华水塔」中的宝藏生命 # 国产框架MindSpore联合山水自然保护中心，寻找、保护「中华水塔」中的宝藏生命 2022/01/01 # 国产框架MindSpore联合山水自然保护中心，寻找、保护「中华水塔」中的宝藏生命 红外相机是常用的野生动物调查手段，通过布设在野外的相机利用红外感应相机前经过的动物并拍摄照片或视频素材，来获取当地野生动物的信息。 红外相机照片和视频中物种的识别往往需要大量的人力和时间投入，这也是红外相机调查整个工作流程中的限速步，使得调查结果很难快速及时地转化为科学成果、反馈给利益相关方、应用于生物多样性保护决策等。 山水自然保护中心、北京大学自然保护与社会发展研究中心、以及其他合作伙伴自 2011 年开始在三江源、四川、云南、北京等地开展红外相机调查与长期监测，积累了大量红外相机数据，也在不断思考和探索如何加速红外数据的识别环节。山水希望能引入 **AI 技术和公民科学**两个「小帮手」，首先由 AI 识别模型完成对红外数据的初步识别和筛选（去除未拍到动物的空拍），再由公民科学志愿者对 AI 识别结果进行检查和修正，最后再由专家鉴定和复核志愿者识别中不确定的内容，从而实现大批量红外数据的快速识别。 山水目前也在基于这一识别流程开发一套线上红外数据管理系统，期望为行业提供帮助。 _图 1 红外相机数据识别流程，公民科学相关内容详见山水前序推送（红外盲盒）_ 近年来，已经有很多将 AI 技术应用于红外相机数据物种识别的实践，而对于素有「中华水塔」之称、生物多样性丰富、有着众多珍稀物种的三江源地区，在红外相机 AI 物种识别方面的尝试还并不多。山水曾在 2018 年利用 Res18 深度卷积神经网络进行了三江源物种 AI 识别的初步尝试，取得了不错的效果，希望能在已有模型的基础上进行更多的探索和尝试。 MindSpore 开源社区也很希望能够将 AI 技术应用于实际的生物多样性保护场景，双方深入交流后，决定开展**三江源地区红外相机照片 AI 物种识别模型训练**的合作，而这也是**首次基于国产框架的开源模型**用于支持三江源红外相机物种识别。 MindSpore 是华为开源的一款全场景 AI 框架，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。MindSpore 着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。目前 MindSpore 社区已拥有 **80 万**社区开发者，下载量超过 **100 万**，**5000 + 企业**应用上线，认证开发者/布道师近**300人**，社区企业伙伴**160+**，是国内**第一**热度的 AI 开源社区。 **1 - 数据准备** 考虑到物种识别模型需要每个物种具有足够的训练数据量，首期模型训练选取了三江源红外数据中常见的 **10 个物种或物种类别**，包含雪豹、岩羊、白唇鹿、赤狐、狼、喜马拉雅旱獭、川西鼠兔、鸟类（除藏雪鸡、大鵟外，其余未再提供二次细分类别的鸟类统属鸟类这一大类）、藏雪鸡、大鵟，共 12680 张照片，其中 12180 张作为训练集，500 张作为验证集。 _图 2 AI 物种识别模型物种图鉴_ **2 - 模型选择** 在项目初期，MindSpore 团队首先着手对山水提供的一小批红外相机物种照片进行识别分类，因此模型的初选型定位为 ResNet 等图像分类模型。在经过进一步讨论后，了解到不同于动物摄影照片，红外相机照片中的动物通常难以拍得清晰、完整，常出现一道模糊的身影、画面边缘露出的半个脑袋、或者动物借助保护色隐匿于复杂背景中等情形，因而仅对图像中特定对象的类别进行分类或预测难以满足项目需求，还需要能够在分类的同时确定目标在给定图像中的位置和得分，因此目标检测模型成为本次合作的首选。 _图 3 你能找到红外相机照片中的动物吗？_ 目标检测模型分为 one-stage 和 two-stage 两大类，两大类模型的共同点在于 Backbone 骨干网络都用于对输入图片进行特征提取工作，区别则在于 Head 网络，one-stage 模型在一个阶段即可完成对目标的定位与分类，而 two-stage 网络则是分两个阶段完成，先完成目标定位，再对定位的目标进行分类，即对输入的图片先通过滑窗得到几十万个的框，要求物体正好出现在一个滑窗中，这个滑窗的位置即为物体的位置。对于一张图片来说，存在大小各异的物体，这就导致设计的窗口大小也存在多种，这样耗费了大量的时间，然后再使用选择算法筛选出较符合的框，对这些窗口的目标进行分类，而 one-stage 则是基于整张图片的，它并不要求物体必须在这个框内，就不需要设计大小各异的框，只要求物体的中心落在这个框内即可，因此我们就可以先预测出 X 个框的分类，再通过置信度去筛选较可信结果。 _图 4 目标检测模型选型分析图_ 这样带来的结果是 one-stage 模型的检测速度快于 two-stage 模型，检测精度则是会略微弱于 two-stage 模型。 _图 5 目标检测模型选型对比表_ 出于对模型的实时性检测和准确率双重考虑，选用精度和速度相平衡的算法，能够让模型更好地扩展部署到野外的端侧设备，同时也能保证模型预测的相对准确率， MindSpore 开源运营团队和山水讨论后，决定采用基于 MindSpore1.2 框架的 YOLOv3 目标检测模型，它是第一个平衡所提供检测的质量和速度的算法，在定位照片中动物所在位置的基础上完成对物种类型的识别。 YOLO 是经典的 one-stage 目标检测模型，全称「you only look once」译为只需要看一次就可以识别出图像中的物体类别和位置，在 2016 年提出了第一个版本 YOLOv1，后续还出了 4 个版本，相比 YOLOv1 和 YOLOv2，YOLOv3 引入了多尺度预测，大大提升了预测精度，因此本次实验选用 YOLOv3 模型进行实践。 YOLOv3 使用基础网络 Darknet53，相比 YOLOv2 使用的 Darknet19，Darknet53 移除了 MAX POOLING 池化层，并增加了卷积层数，速度稍有减慢，精度大大提升，整个网络结构相对简单。 _图 6 Darknet53 网络_ **3 - 模型训练** 目标检测模型不仅需要红外相机照片的物种类别标签，也需要用标注框框出照片中的物种的位置，在 MindSpore 团队的线上与教程指导下，山水团队使用华为云 AI 标注平台开展物种标注工作，并后续邀请了 61 位志愿者来一同完成这个任务。 标注好的数据无法直接用于训练，因此，在拿到标注好的数据后，MindSpore 团队首先会对其进行数据清洗的工作，从中审查和纠正出「脏」数据，然后再开发一套格式转换工具，将标注数据的格式转换为训练可用的 COCO 数据集格式。通常，这样的数据仍存在一些不规则的地方，在训练前还需要对其进行一系列的数据预处理操作，再喂给模型进行训练。目前，这些数据预处理方法都是基于 MindSpore 提供的接口实现的，感兴趣的开发者可以详细阅读 MindSpore 的 API 文档。 文档链接： _图 7 数据预处理_ 为了能使模型达到更好的效果，同时也配合照片打框标注的进度，模型分阶段进行训练（500 张 ->3000 张 ->5689 张 ->12180 张），通过增加数据集，微调参数不断优化模型。通过调整训练的 epoch 数、学习率、loss\_scale、照片的宽高、anchor\_box 等参数，将 loss 从 67 不断下降到 5 以下，对一些非专业人士肉眼容易混淆的照片，模型也能清楚地分辨了。 _图 8 你能一眼分辨出藏雪鸡和大鵟吗？_ 这一过程中，通过阶段性的进展沟通，发现了训练过程中存在的问题并及时进行了针对性的调整，例如纠正了部分误标注的数据（如将大鵟和藏雪鸡标注为鸟类，导致大鵟和藏雪鸡混淆），同时也发现连续拍摄的照片内容相似，对模型训练的价值不高，因此山水在后续提供的照片中减少了连拍照片并补充了更多不同背景的照片，并对错误数据进行了重新标注。 **4 - 模型识别效果** 模型训练完成后，在 500 张的验证集上使用 COCO 官方 API 评测工具，比对检测标注框与实际标注框的 IOU 值，验证模型，整体验证结果良好，在不同阈值下（0.001-0.7）的 best mAP@IOU=0.5 在 **82-92%** 的范围内，整体的识别准确率在 82-97% 的范围内，其中阈值为 0.1 时识别准确率最高，仅有 1% 的漏检（未检测到动物）和 2% 的错检（检测为其他物种）。在阈值的选择上，采用的阈值越高，错检越少，但相对应的漏检会较多。在实际的使用场景中，为了避免出现漏掉拍到动物的照片，倾向于采用较低的阈值（如 0.1），AI 模型为照片标注多个框（或正确或错误）的结果，再由人工判别最终的结果。 为了进一步验证模型在真实识别场景下的表现，山水在 4548 张的红外数据集上测试了模型。测试数据集包括了模型已训练的 10 个物种或物种类别照片共 2701 张、其他物种的照片 884 张、空拍（未拍到动物的照片）964 张。相较于模型验证集是从训练集所在的同一批数据中随机抽样选取，测试集选取另外一批数据，和训练集仅在拍摄地点上有小范围重叠、没有拍摄时间上的重叠，因而一定程度上模拟了**将模型应用于一批全新数据识别**的情景。 注：相较于精确率（Precision），即识别出某物种的照片中多少实际为该物种，红外相机照片的识别更关注**召回率（Recall）**，即实际某物种的照片中有多少被正确识别出来。 模型已训练物种： 采用 0.1 阈值时，整体识别准确率为 **76%**，其中雪豹的召回率（Recall）最高，达到 **95%**，有 3% 的雪豹照片未检测出动物，2% 的雪豹照片被识别为其他动物。 常出现的识别错误情形包括复杂背景、夜晚黑白照片（特别是夜晚训练集不足的物种，如狼和川西鼠兔）、动物只拍到部分身体、小型物种（如鸟类和川西鼠兔）漏检等。 _图 9 雪豹识别结果_ 其他物种： 虽然模型仅训练了 10 个物种，对于其他三江源地区物种（如藏狐、兔狲、马麝等），模型也能检测出来 85% 以上的动物，其中多数被检测为同类物种，例如藏狐被检测为同为犬科的赤狐或狼，马麝被检测为同为有蹄类的岩羊或白唇鹿。 空拍： 采用 0.1 和 0.5 阈值时，模型会在 24% 和 7% 的空拍照片中检测出动物，通常会是把石头和植物等错认为动物。 _图 10 石头：你看我是不是有点像藏雪鸡？_ 总体而言，模型表现良好，对夜晚的数据具备一定泛化能力，除此之外，对细化的分类（如鸟类的细化类别：藏雪鸡、大鵟）也是具备辨别的能力，结合后续识别流程中的志愿者和专家的人工修正，能够实现在降低人工识别工作量的同时保持识别的准确率。当然，受训练数据量所限，尽管目前的训练数据已经在不断优化，但仍存在不少连拍的数据，在数据标注好后，由于是多人进行的人工标注，未对全量的数据进行深入校验，无法完全保证训练数据的正确性。 模型未来还有很多完善的空间，例如在数据集上，可以增多更多样化背景的照片、补充更多夜晚的训练照片以增强模型的夜晚检测率、增加小型动物在复杂背景下的照片以提高模型对小型动物的检测能力、细化「鸟类」类别的物种分类等；在数据处理上，可以增多对夜间样本的去模糊化等处理；在数据清洗上，可以找到更加智能的方法去释放人力。 **5 - 模型使用** 配合 AI 模型的不同使用场景，MindSpore 开源运营团队开发了单张推理和批量推理两套工具，前者提供了上传单张红外照片、返回并展示其识别结果的展示界面（如下图），后者则可以批量处理红外照片，以表格和标注了识别结果框的照片的形式返回一批照片的识别结果。模型文件和两套工具代码均已开源，可以供更多有需求的人和机构使用（需要在GPU或者昇腾服务器上，可以是本地硬件或者云服务实例）。开源的模型也支持使用者在已有模型的基础上增加自己的数据，进一步进行模型训练。 近期，模型将初步应用于山水的红外相机照片识别中，未来模型也会被应用到线上红外数据管理系统中，希望这个 AI 小助手能帮助我们大幅加快照片识别流程的速度，节省人力和时间，使得红外相机调查收集的宝贵的物种数据能够更快地反馈到保护和科研工作中，发挥其价值。山水作为一家公益组织，也希望与 MindSpore 的合作可以服务于更多的保护组织和科研机构。受数据以及时间等限制，目前的模型当然还存在很多不足，我们也期待在开源社区的支持下，大家可以共同努力，不断优化模型，让模型能够帮助到更多需要的人和机构，发挥更为积极和重要的作用。 本项目的所有代码、模型文件和部署文档均已开源，如果您感兴趣，可以访问下面链接获取相关资料，如有任何疑问，可以随时在社区提 issue 或 pr，期待您的参与。 获取模型地址： https://mindspore-species-detection.obs.cn-north-4.myhuaweicloud.com/yolov3.ckpt 模型及代码地址： https://github.com/hellowaywewe/species-detection.git 模型部署参考文档地址： https://mindspore-species-detection.obs.cn-north-4.myhuaweicloud.com/MindSpore\\\_Shanshui\\\_Species\\\_Detection\\\_Model\\\_Deployment.pdf MindSpore开源社区运营团队坚持以技术为核心的理念，除了助力自然保护的预训练模型之外，MindSpore开发者高阶API套件TinyMS项目也发布了集成opencv功能的最新版本，欢迎尝试：https://github.com/tinyms-ai/tinyms ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/921/ --- 新闻 芯翌科技加入昇思MindSpore社区，自主研发人像聚类服务器，灵活适应不同场景，提供高性价比解决方案！ # 芯翌科技加入昇思MindSpore社区，自主研发人像聚类服务器，灵活适应不同场景，提供高性价比解决方案！ 2022/01/04 # 芯翌科技加入昇思MindSpore社区，自主研发人像聚类服务器，灵活适应不同场景，提供高性价比解决方案！ **芯翌科技**完成ISV认证**正式加入昇思MindSpore社区。** **芯翌科技\*\*\*\*简介** 上海芯翌智能科技有限公司，华为认证级ISV伙伴，是一家以深度神经网络核心算法为基石的人工智能服务提供商，致力于人工智能算法与关键技术研发，将深度神经网络核心算法应用于5G移动互联网、智能物联网、工业互联网与智能制造中的视频应用，提供智慧城市建设的开放解决方案。总部位于上海，建立有上海研发中心和北京研发中心，在AI算法及应用领域有丰富经验积累与优势，利用云、边、端多场景算法解决方案，赋能城市安全、港口、路桥等多维场景，成立以来已为全球超过20 家政府和企业机构提供了安防及工业互联网领域专业人工智能解决方案。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 芯翌科技在加入MindSpore社区后，基于MindSpore框架自主研发人像聚类服务器，搭载高性能GPU计算卡，支持千万级人员ID聚类，300个特征/秒的聚类/聚档并发量，1+1冗余电源方案，防止瞬间掉电，提供稳定可靠的系统电源，GPU、内存、硬盘、网卡及电源可根据实际使用需求选配，灵活适应不同场景，提供高性价比解决方案，在安防场景下的各种业务中得到了广泛的应用。 基于该解决方案，在虹口社会面智能安防建设项目和杨浦一网统管技术服务项目中，通过布设智能摄像机、加装前端智能分析设备、部署后端智能分析工具等方式，将大量的非结构化视频监控资源转换为人体车辆相关的结构化语义及关联关系描述，通过大数据技术对人体、车辆等多种数据进行存储、分析及技战法计算，通过智能图像监控应用实现了对人、车、事件的实时查询、设防预警、人员感知发现、感知离开等综合应用功能，为开展深层次警务综合应用提供海量数据支撑及 AI 能力支撑，基本建成了覆盖全区道路和主要小区出入口的智能化视频监控安全防范体系，为案件侦破中快速检索、数据挖掘与情报碰撞等深化应用打下了坚实基础，为治安、交通等工作提供了技术力量，为城市智能化、精细化治理体系提供了动力。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 力龙信息加入昇思MindSpore社区，通过对政务服务领域知识结构的提取和训练，精准识别用户意图，自动分发、自动受理群众诉求！ 工控仪器加入昇思MindSpore社区，自主研发小仕机器人，通过摄像头采集图片，对目标进行垃圾分类！ 海昌信息加入昇思MindSpore社区，自主研发智慧校园物联网监测与管理平台，实现智慧教室、智慧食堂、智能灌溉、智慧停车等功能！ 纳思系统加入昇思MindSpore社区，自主研发输电智能运检管控系统，实现全天自动化智能运维！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/922/ --- 新闻 合能创越加入昇思MindSpore社区，自主研发环卫管理系统，通过提供各类标准库，为其他产品提供接口支撑与功能拓展！ # 合能创越加入昇思MindSpore社区，自主研发环卫管理系统，通过提供各类标准库，为其他产品提供接口支撑与功能拓展！ 2022/01/04 # 合能创越加入昇思MindSpore社区，自主研发环卫管理系统，通过提供各类标准库，为其他产品提供接口支撑与功能拓展！ **合能创越**完成ISV认证**正式加入昇思MindSpore社区。** **合能创越\*\*\*\*简介** 成都合能创越软件有限公司，华为认证级ISV伙伴，是一家为政府信息化建设提供全方位服务的高新技术企业，公司秉承“诚信 专业 创新 高效”的企业精神，已发展成为西南地区智慧城市管理领域最具综合实力的企业。合能创越专注城市管理领域十余年，积极响应综合行政执法体制改革、城市综合管理服务、垃圾分类等政策，充分运用大数据、物联网、云计算、人工智能和音视频通讯等高新技术，以实现城市治理科学化、精细化、智能化。同时，为客户提供城市综合管理服务平台、数字化城市管理系统、综合行政执法监督系统、智能指挥调度系统、智慧环卫系统等成熟的解决方案及产品应用。公司拥有CMMI3和ISO9001认证，并取得智慧城市相关领域的40余个软件著作权及专利证书，公司多个典型案例被纳入全国数字化城市管理教材《数字化城市管理理论、技术与实践》。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 合能创越在加入MindSpore社区后，基于MindSpore框架自主研发环卫管理系统，通过提供各类标准库，为其他产品提供接口支撑与功能拓展。 基于该解决方案，实现各类场景识别率在95%以上，绝大多数场景可实现98%以上，误检率均在10%以下，例如公共场所未倒入垃圾容器的散落垃圾，当出现此场景时，经算法自动分析主动识别场景中的问题，并将现场画面、发生时间、发生地点生成报告上报至系统平台。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 京华信息加入昇思MindSpore社区，基于MindSpore计算框架提升训练效率，一万二千字的公文，校对时间从22秒缩短至6秒！ 朱雀闻天加入昇思MindSpore社区，基于MindSpore框架自主研发朱雀闻天智慧教育应用产品，智能化预判预警，变被动为主动！ 航天宏图加入昇思MindSpore社区，自主研发耕地保护遥感检测平台，为国家实施最严格的耕地保护制度提供决策支持！ 中地数码加入昇思MindSpore社区，基于MindSpore框架打造MapGIS智慧城市运营平台，支撑城市智慧化管理运行！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/923/ --- 新闻 上海殷泊加入昇思MindSpore社区，自主研发MoPaaS人工智能平台，灵活的分布式并行训练能力满足深度学习任务的算力需求！ # 上海殷泊加入昇思MindSpore社区，自主研发MoPaaS人工智能平台，灵活的分布式并行训练能力满足深度学习任务的算力需求！ 2022/01/04 # 上海殷泊加入昇思MindSpore社区，自主研发MoPaaS人工智能平台，灵活的分布式并行训练能力满足深度学习任务的算力需求！ **上海殷泊**完成ISV认证**正式加入昇思MindSpore社区。** **上海殷泊\*\*\*\*简介** 上海殷泊信息科技有限公司，华为认证级ISV伙伴，上海殷泊是一家开放云计算平台解决方案提供商，主打产品为“魔泊云”，致力于颠覆传统的应用交付模式、打造企业级融合云平台。公司日前获得数百万元天使投资，开物创投、马力投资等参与。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 上海殷泊在加入MindSpore社区后，基于MindSpore框架自主研发MoPaaS人工智能平台，灵活的分布式并行训练能力满足深度学习任务的算力需求，可以动态申请分布式训练所需要的GPU数量和节点数量，平台可以实时监控每个节点的运行情况。 基于该解决方案，实现对资源进行调度能力,主要具有容器引擎,通过Kubernets对GPU, CPU、内存、存储、网络等进行编排调度,实现资源灵活的调度使用,多租户隔离,不同用户之间互不干扰。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 明途科技加入昇思MindSpore社区，基于MindSpore深度学习视图分类技术，可以实现对图像识别，达到图像分类的目的！ 中电启明星加入昇思MindSpore社区，基于MindSpore框架实现自动成图功能，解决厂站接线图人工绘制繁琐易出错的问题！ 聚雅科技加入昇思MindSpore社区，自主研发智慧园区管控平台，建设基础设施网络化、管理精细化、服务功能专业化的载体和平台！ 博瓦加入昇思MindSpore社区，解决非结构化视频数据的结构化检索与视图对象的关系分析、行为分析等！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/924/ --- 新闻 微晟加入昇思MindSpore社区，自主与研发智能防损系统，满足客户的成本需求，从而有效解决收银环节的货损问题！ # 微晟加入昇思MindSpore社区，自主与研发智能防损系统，满足客户的成本需求，从而有效解决收银环节的货损问题！ 2022/01/04 # 微晟加入昇思MindSpore社区，自主与研发智能防损系统，满足客户的成本需求，从而有效解决收银环节的货损问题！ **微晟**完成ISV认证**正式加入昇思MindSpore社区。** **微晟\*\*\*\*简介** 微晟（武汉）技术有限公司，华为认证级ISV伙伴，是国内领先的新零售行业智能物联（AloT）公司。通过智能自助终端为线下商业提供AI解决方案及后续服务，帮助客户快速完成数字化和智能化的落地。实现有效互动，为客户创造更大的价值。微晟帮助传统零售业者对门店进行数字化，智能化改造，通过部署现代化，敏捷的商店基础设施，以更快地开拓创新的数字服务市场，从硬件投资中获得更多收益，并利用现有的商店系统与在线零售商竞争。借助物联网平台，所有智能设备可以实现在线升级和远程维护，大幅减少了现场维护需求，无需停业大修。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 微晟在加入MindSpore社区后，基于MindSpore框架自主与研发智能防损系统，面向线下商超现有的自助收银和人工收银场景，结合华为云能力，微晟的智能防损系统需要提供快速、低成本的防损功能。 基于该解决方案，通过整体架构的设计，为智能防损系统提供应用整合平台，提供一个可持续发展的智能防损系统。满足客户的成本需求，从而有效解决收银环节的货损问题。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 轩辕研究院加入昇思MindSpore社区，自主研发AI科学计算平台，满足科研人员对科研数据存储、数据标注、模型训练等相关需求！ 中海庭加入昇思MindSpore社区，自主研发数据自动化生产平台，已完成全国高速公路合计十几万公里的高精度电子地图数据！ 慧远智控加入昇思MindSpore社区，自主研发HY智能行车控制系统，应用在智慧水域领域，在水厂的行车智能化改造有着重要作用！ 博瓦加入昇思MindSpore社区，解决非结构化视频数据的结构化检索与视图对象的关系分析、行为分析等！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/925/ --- 新闻 中科巨匠人工智能技术加入昇思MindSpore社区，通过MindSpore技术创新自主研发物体分类识别系统，实现了运行态的高效 # 中科巨匠人工智能技术加入昇思MindSpore社区，通过MindSpore技术创新自主研发物体分类识别系统，实现了运行态的高效 2022/01/05 # 中科巨匠人工智能技术加入昇思MindSpore社区，通过MindSpore技术创新自主研发物体分类识别系统，实现了运行态的高效 **中科巨匠人工智能技术**完成ISV认证**正式加入昇思MindSpore社区\*\*\*\*。** **中科巨匠人工智能技术\*\*\*\*简介** 中科巨匠人工智能技术（广州）有限公司，华为认证级ISV伙伴，与中科院广州电子及中科院多家科研院所共同打造中科巨匠人工智能技术联合实验室，联合实验室以人工智能为重点基础定位，以机器视觉、智能硬件、智能传感、AI雷达为主要研究方向。团队专注于图像识别及机器视觉领域的研究及产业化工作，以人工智能为重点基础定位，以AI雷达、三维视觉扫描、图像识别、智能硬件、智能传感、机器视觉、智能语音、5G等为主要研究方向。为高新领域关键技术研发做好技术协作攻关，为企业解决共性问题，推动产业集群集聚发展。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 中科巨匠人工智能技术在加入MindSpore社区后，基于MindSpore框架自主研发物体分类识别系统，首先提取待识别图像的特征；然后对提取出来的特征跟模型特征匹配；最后根据准则判定该图片所属的类别。该算法的核心思想是：通过比较输入图片特征，将图片中的物体进行分类。通过MindSpore自身的技术创新及MindSpore与华为昇腾AI处理器的协同优化，实现了运行态的高效，大大提高了计算性能； 基于该解决方案，在Atlas 800产品安装部署MindSpore，使用MindSpore实现产品lenet网络模型代码，指定cifar10数据集在MindSpore上运行所实现的网络模型训练任务。对于这款产品，可实现上传物体图像后，识别图像中的物体所属的分类（飞机、汽车、轮船、猫狗等）。在客户使用方面，黄花岗街道使用了该款应用。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 芯翌科技加入昇思MindSpore社区，自主研发人像聚类服务器，灵活适应不同场景，提供高性价比解决方案！ 合能创越加入昇思MindSpore社区，自主研发环卫管理系统，通过提供各类标准库，为其他产品提供接口支撑与功能拓展！ 上海殷泊加入昇思MindSpore社区，自主研发MoPaaS人工智能平台，灵活的分布式并行训练能力满足深度学习任务的算力需求！ 微晟加入昇思MindSpore社区，自主与研发智能防损系统，满足客户的成本需求，从而有效解决收银环节的货损问题！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/926/ --- 新闻 润和软件加入昇思MindSpore社区，对防护要求、作业流程等纸质化规范进行智能化升级，为工作人员的人生安全提供保障 # 润和软件加入昇思MindSpore社区，对防护要求、作业流程等纸质化规范进行智能化升级，为工作人员的人生安全提供保障 2022/01/05 # 润和软件加入昇思MindSpore社区，对防护要求、作业流程等纸质化规范进行智能化升级，为工作人员的人生安全提供保障 **润和软件**完成ISV认证**正式加入昇思MindSpore社区。** **润和软件简介** 江苏润和软件股份有限公司，华为认证级ISV伙伴，公司向国内外客户提供新一代信息技术为核心的产品、解决方案和服务。公司聚焦“金融科技”、“智能物联”和“智慧能源”三大业务领域，依托从芯片、硬件、操作系统到应用软件的软硬件一体化产品与解决方案能力，以及涵盖需求、开发、测试、运维于一体的综合服务体系，赋能金融、通讯、汽车、能源等行业客户，满足客户数字化升级转型的需求，帮助客户实现价值提升。业务遍及中国、日本、东南 亚、北美等区域，拥有全球化的技术洞察、技术资源与服务达到能力，能够为客户提供全面、即时、高效、 前沿的数字化科技服务。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 润和软件在加入MindSpore社区后，基于MindSpore框架自主研发安全作业智能分析产品，通过ModelArtsAI 开发平台的强大AI 能力，借助于MindSpore完整的YOLOV3算法训练和部署流程，整个算法模型的开发周期比以前缩短3倍，大大降低算法开发难度和对算力资源的要求。 基于该解决方案，本产品结合化工园区的特殊要求，结合yolov3\_darknet53目标检测算法，对防护要求、作业流程等纸质化规范进行智能化升级，避免了工作人员抱有侥幸心理，为工作人员的人生安全提供保障。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 芯翌科技加入昇思MindSpore社区，自主研发人像聚类服务器，灵活适应不同场景，提供高性价比解决方案！ 合能创越加入昇思MindSpore社区，自主研发环卫管理系统，通过提供各类标准库，为其他产品提供接口支撑与功能拓展！ 上海殷泊加入昇思MindSpore社区，自主研发MoPaaS人工智能平台，灵活的分布式并行训练能力满足深度学习任务的算力需求！ 微晟加入昇思MindSpore社区，自主与研发智能防损系统，满足客户的成本需求，从而有效解决收银环节的货损问题！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/927/ --- 新闻 锐思数智加入昇思MindSpore社区，快速、高效、精准的疫木识别，为疫情的防控提供有力的保障和辅助决策 # 锐思数智加入昇思MindSpore社区，快速、高效、精准的疫木识别，为疫情的防控提供有力的保障和辅助决策 2022/01/05 # 锐思数智加入昇思MindSpore社区，快速、高效、精准的疫木识别，为疫情的防控提供有力的保障和辅助决策 **锐思数智**完成ISV认证**正式加入昇思MindSpore社区。** **锐思数智简介** 西安锐思数智科技股份有限公司，华为认证级ISV伙伴，多年深耕于遥感影像智能解译领域，是国内首批进军遥感AI领域的企业，通过人工智能技术及自主研发的核心算法，为政企单位提供智能解决方案。现已与40+大规模政企客户建立合作关系，范围涵盖自然资源、国土测绘、农林、水利、能源、交通、智慧城市等多个领域。在遥感影像智能处理与分析方面积累了深厚的市场资源储备和丰富的技术经验。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 锐思数智在加入MindSpore社区后，基于MindSpore框架充分整合了华为云底层算力架构、华为昇腾深度学习框架及西安锐思数智在遥感影像智能解译、目标识别数据集的深耕积累优势，包含算力、数据、模型的全方位支持，提供从数据-训练-解译的全流程服务。 基于该解决方案，基于30w+目标识别遥感影像样本数据，训练出 飞机、舰船、汽车、油罐、风机、桥梁、体育场馆等20类+通用目标识别模型，综合识别准确率达到80%以上。已为能源、城市管理、卫片执法等政府部门和企事业单位提供高效、精准、快速的智能监测解决方案，全面提升了生产效率，智能辅助决策。 针对湖北省、江西省等松材线虫病害疫区，基于0.04-0.1米分辨率高清无人机航空影像数据，训练模型进行变色疫木的自动解译识别，召回率和准确率均可达到 90% 以上。相比人工识别准确率提升20%左右，工作完成时间由月级提升至小时级，实现大范围自动化快速的疫木识别定位，缩短了当地林业部门的松材线虫病害普查周期，降低治理成本。快速、高效、精准的疫木识别，为疫情的防控提供有力的保障和辅助决策，经济效益得到了极大提升。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 芯翌科技加入昇思MindSpore社区，自主研发人像聚类服务器，灵活适应不同场景，提供高性价比解决方案！ 合能创越加入昇思MindSpore社区，自主研发环卫管理系统，通过提供各类标准库，为其他产品提供接口支撑与功能拓展！ 上海殷泊加入昇思MindSpore社区，自主研发MoPaaS人工智能平台，灵活的分布式并行训练能力满足深度学习任务的算力需求！ 微晟加入昇思MindSpore社区，自主与研发智能防损系统，满足客户的成本需求，从而有效解决收银环节的货损问题！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/928/ --- 新闻 星闪世图加入昇思MindSpore社区，减少和杜绝输电线路运行障碍，提高输电线路安全运行 # 星闪世图加入昇思MindSpore社区，减少和杜绝输电线路运行障碍，提高输电线路安全运行 2022/01/05 # 星闪世图加入昇思MindSpore社区，减少和杜绝输电线路运行障碍，提高输电线路安全运行 **星闪世图**完成ISV认证**正式加入昇思MindSpore社区。** **星闪世图简介** 西安星闪世图科技有限公司，华为认证级ISV伙伴，集团总部设立在无锡，在北京、陕西、福建、新疆等地设有分子公司。获得中科招商、丰润投资等国内知名风险投资机构过亿元的投资，已迅速成长为国内空间大数据领域的头部企业。以数字孪生与空间大数据服务商为市场定位，以重信守诺、开放创新、价值服务为企业文化。始终围绕数字孪生与空间大数据技术服务，为智慧能源、智慧交通、智慧水利、智慧城市等行业提供整体技术解决方案。先后顺利通过国家高新技术企业、“专精特新”企业等认定，曾获科技部中国创新创业大赛、“千人计划”创业大赛等多项国家级创新创业大赛奖项。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 星闪世图在加入MindSpore社区后，基于MindSpore框架自主研发低压配电线路树障智能巡检产品，利用图像处理技术对电力线路通道内树障进行实时检测，及时将预警信息反馈给线路管理人员，减少和杜绝输电线路运行障碍，提高输电线路安全运行。 基于该解决方案，实现了自动地显著性物体分类，可以应用到大规模图像处理上，也可作为某些大型任务的图像前期处理过程。 有树障 无树障 左边为无树障，右边为有树障 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 芯翌科技加入昇思MindSpore社区，自主研发人像聚类服务器，灵活适应不同场景，提供高性价比解决方案！ 合能创越加入昇思MindSpore社区，自主研发环卫管理系统，通过提供各类标准库，为其他产品提供接口支撑与功能拓展！ 上海殷泊加入昇思MindSpore社区，自主研发MoPaaS人工智能平台，灵活的分布式并行训练能力满足深度学习任务的算力需求！ 微晟加入昇思MindSpore社区，自主与研发智能防损系统，满足客户的成本需求，从而有效解决收银环节的货损问题！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/929/ --- 新闻 交嵌信息加入昇思MindSpore社区，通过AI视觉智能技术，实现智慧视频监控 # 交嵌信息加入昇思MindSpore社区，通过AI视觉智能技术，实现智慧视频监控 2022/01/06 # 交嵌信息加入昇思MindSpore社区，通过AI视觉智能技术，实现智慧视频监控 **广州交嵌信息技术有限公司**完成ISV认证**正式加入昇思MindSpore社区\*\*\*\*。** ******交嵌信息简介****** 广州交嵌信息技术有限公司，华为认证级ISV伙伴，是智能交通嵌入式产品研发企业，聚焦智慧交通的AI赋能服务商，长期致力于AR、3DGIS、物联网、大数据、仿真、数据可视化等核心技术在交通行业的应用，以实景数字孪生技术为核心解决智能交通建设过程中人、车、物和空间等数据互联、互通及数据孤岛、重复建设等问题，并开始向公共安全、智慧城市、智慧司法、智慧海关等领域拓展。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 交嵌信息在加入MindSpore社区后，基于MindSpore框架自主研发智慧交通产品，通过对高速卡口数据进行yolov5模型的训练，实现对高速公路的车辆、行人、标识牌等进行识别，从而实现智慧视频监控。通过AI视频智能检测，对广场的低点监控人员规范区域内行人闯入和反光衣进行动态智能检测，加强车道人员管理，提高收费站服务效率。 基于该解决方案，通过AI视觉智能技术，可实现停车事件检测、行人事件检测、逆行事件检测、拥堵事件监测、机动车行驶离事件检测、抛洒事件检测、烟雾事件检测，对隧道、桥梁、服务区、收费站等重点区域进行实时的动态车流检测，输出车流量，平均车速、占有率等交通参数。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱： **wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 中科巨匠人工智能技术加入昇思MindSpore社区，通过MindSpore技术创新自主研发物体分类识别系统，实现了运行态的高效 润和软件加入昇思MindSpore社区，对防护要求、作业流程等纸质化规范进行智能化升级，为工作人员的人生安全提供保障 锐思数智加入昇思MindSpore社区，快速、高效、精准的疫木识别，为疫情的防控提供有力的保障和辅助决策 星闪世图加入昇思MindSpore社区，减少和杜绝输电线路运行障碍，提高输电线路安全运行 ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/930/ --- 新闻 皓耘科技加入昇思MindSpore社区，建设智慧、高效，安全的无人化智慧农机平台 # 皓耘科技加入昇思MindSpore社区，建设智慧、高效，安全的无人化智慧农机平台 2022/01/06 # 皓耘科技加入昇思MindSpore社区，建设智慧、高效，安全的无人化智慧农机平台 **广东皓耘科技有限公司**完成ISV认证**正式加入昇思MindSpore社区\*\*\*\*。** ******皓耘科技简介****** 广东皓耘科技有限公司，华为认证级ISV伙伴，碧桂园集团全资子公司，致力于为智慧农场提供全流程智能装备和解决方案，并积极推动农业生产智能化变革，践行“希望社会因我们的存在而变得更加美好”的企业使命。 公司产品（包含单机装备与控制系统）将用于碧桂园旗下无人化农场并面向市场销售，以实现农作物耕、种、管、收、全流程无人化作业。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 皓耘科技在加入MindSpore社区后，基于MindSpore框架打造智慧农机计算平台，并为广东皓耘科技无人农机赋能，实现了大型场线人工智能视觉检测技术的全面融合，实现“无人化智慧农机的联合解决方案”，使无人农机更加适应复杂农田作业场景。 基于该解决方案，将产品应用于无人化作业场景，通过感知外界环境，智能识别目标信息，基于智能网关平台，做出智能决策，实现无人化作业。在以大型农场为代表的大场景、弱目标识别领域的创新应用，对建设智慧、高效，安全的人工智能平台，实现一体化感知和指挥具有重大意义。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 中科巨匠人工智能技术加入昇思MindSpore社区，通过MindSpore技术创新自主研发物体分类识别系统，实现了运行态的高效 润和软件加入昇思MindSpore社区，对防护要求、作业流程等纸质化规范进行智能化升级，为工作人员的人生安全提供保障 锐思数智加入昇思MindSpore社区，快速、高效、精准的疫木识别，为疫情的防控提供有力的保障和辅助决策 星闪世图加入昇思MindSpore社区，减少和杜绝输电线路运行障碍，提高输电线路安全运行 ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/931/ --- 新闻 汇通国信加入昇思MindSpore社区，利用知识图谱嵌入及链接预测等技术，实现深度特征提取及规则挖掘 # 汇通国信加入昇思MindSpore社区，利用知识图谱嵌入及链接预测等技术，实现深度特征提取及规则挖掘 2022/01/06 # 汇通国信加入昇思MindSpore社区，利用知识图谱嵌入及链接预测等技术，实现深度特征提取及规则挖掘 **广州汇通国信科技有限公司**完成ISV认证**正式加入昇思MindSpore社区\*\*\*\*。** **汇通国信简介** 广州汇通国信科技有限公司，华为认证级ISV伙伴，是一家拥有自主知识产权的高新技术企业。公司致力于为大型政企客户提供高质量的软件产品研发和信息技术服务。公司长期致力于数据中台、数据治理和智慧枢纽的研究和开发，为此公司成立了专门的大数据与智能控制研究中心，专注于核心算法的研究，拥有超过100项的核心专利和知识产权，拥有一支高素质的、体系完整的研发和服务团队，汇通国信致力成为一家受人尊敬的中国企业。在互联网+大数据聚集下，致力于数据融合，业务算法模型建立，数据标准化，数据质量校验，可视化数据展示等数据问题的解决专家。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 汇通国信在加入MindSpore社区后，基于MindSpore框架构建知识图谱，使用MindSpore实现知识图谱产品lenet网络模型代码。指定mnist数据集在MindSpore上运行所实现的网络模型训练任务。挖掘电网体系各业务场景数据，收集设备知识、业务流程、故障处理等数据，构建基于时间、空间、事件的设备运行维护知识体系，利用知识图谱嵌入及链接预测等技术，实现深度特征提取及规则挖掘，进而推理实现故障报告知识化、故障预测推理等业务场景。 基于该解决方案，对某电网公司部署了知识图谱应用，提升调度运行智能分析与推理能力，针对告警、诊断、预测等业务场景，抽取结构化或非结构化数据信息，构建设备事件演化、事件跟踪、事件预测等关系，致力产生分析价值效益。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 中科巨匠人工智能技术加入昇思MindSpore社区，通过MindSpore技术创新自主研发物体分类识别系统，实现了运行态的高效 润和软件加入昇思MindSpore社区，对防护要求、作业流程等纸质化规范进行智能化升级，为工作人员的人生安全提供保障 锐思数智加入昇思MindSpore社区，快速、高效、精准的疫木识别，为疫情的防控提供有力的保障和辅助决策 星闪世图加入昇思MindSpore社区，减少和杜绝输电线路运行障碍，提高输电线路安全运行 ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/932/ --- 新闻 偕作信息加入昇思MindSpore社区，基于MindSpore框架自主研发运砂船识别系统，实现运砂船的识别 # 偕作信息加入昇思MindSpore社区，基于MindSpore框架自主研发运砂船识别系统，实现运砂船的识别 2022/01/06 # 偕作信息加入昇思MindSpore社区，基于MindSpore框架自主研发运砂船识别系统，实现运砂船的识别 **广州偕作信息科技有限公司**完成ISV认证**正式加入昇思MindSpore社区\*\*\*\*。** ****偕作信息简介**** 广州偕作信息科技有限公司，华为认证级ISV伙伴，是一家专注于拼接屏图像处理系统以及视频云处理领域开发和创新的高科技企业。公司专注AI图像识别引擎、图像处理等产品研发。创始团队来自思科、北电、华为等国际高科技旗舰企业，在ICT、图像识别、图像处理领域具有多年丰富经验。公司已成功推出睿视云识平台、睿视边缘计算引擎、睿视云显平台、睿视分布式图像处理器等产品。应用于电力、公共安全、金融等多个行业的指挥控制中心等核心场所，目前已获取上百个商用案例及用户。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 偕作信息在加入MindSpore社区后，基于MindSpore框架自主研发运砂船识别系统，在整幅图像中通过区域提取算法提取待检测区域，然后对待测区域的图像进行特征匹配，通过调整阈值过滤掉不可信的目标，最后剩下的就是识别出来的目标和目标的位置。 基于该解决方案，使用运砂船数据集在MindSpore上运行所实现的网络模型训练任务。考虑到图像细粒度差异，视角特点、周边干扰因素、待识别目标尺寸等诸多因素，并针对性地设计算法，达到最优效果。某水科院客户使用了该款应用，可实现运砂船的识别。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 中科巨匠人工智能技术加入昇思MindSpore社区，通过MindSpore技术创新自主研发物体分类识别系统，实现了运行态的高效 润和软件加入昇思MindSpore社区，对防护要求、作业流程等纸质化规范进行智能化升级，为工作人员的人生安全提供保障 锐思数智加入昇思MindSpore社区，快速、高效、精准的疫木识别，为疫情的防控提供有力的保障和辅助决策 星闪世图加入昇思MindSpore社区，减少和杜绝输电线路运行障碍，提高输电线路安全运行 ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/933/ --- 新闻 科语机器人加入昇思MindSpore社区，推动AI物体检测与识别功能在激光扫地机产品中的部署和应用 # 科语机器人加入昇思MindSpore社区，推动AI物体检测与识别功能在激光扫地机产品中的部署和应用 2022/01/07 # 科语机器人加入昇思MindSpore社区，推动AI物体检测与识别功能在激光扫地机产品中的部署和应用 **广州科语机器人有限公司**完成ISV认证**正式加入昇思MindSpore社区\*\*\*\*。** ******科语简介****** 广州科语机器人有限公司，华为认证级ISV伙伴，是由广东宝乐机器人股份有限公司在多年研发、制造经验基础上，于2015年针对国内智能扫地机器人市场需求创立的自主品牌。科语自创立之初就非常注重创新，核心研发人员均来自国内外一流高校和工业制造公司。科语致力成为更懂生活的家用服务机器人专家，解放双手，释放创造力，让时间更有价值。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 科语在加入MindSpore社区后，基于MindSpore框架自主研发家庭场景物体检测与识别系统，基于深度学习的图像AI识别技术实时识别障碍物并基于单/双目测距计算扫地机离障距离，以此进行主动智能避障是业内易想但真正可落地量产上市大规模销售案例较少的挑战方向。在MindSpore+Ascend910框架下训练COCO2017数据集，仅训练35代，耗时10小时，得到的mAP=21.2%。 基于该解决方案，通过自建的扫地机视角家庭场景7大类物体数据集，从深度学习物体检测与识别角度开展相关模型训练、推理评估工作，基于此推动AI物体检测与识别功能在激光扫地机产品中的部署和应用。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 交嵌信息加入昇思MindSpore社区，通过AI视觉智能技术，实现智慧视频监控 皓耘科技加入昇思MindSpore社区，建设智慧、高效，安全的无人化智慧农机平台 汇通国信加入昇思MindSpore社区，利用知识图谱嵌入及链接预测等技术，实现深度特征提取及规则挖掘 偕作信息加入昇思MindSpore社区，基于MindSpore框架自主研发运砂船识别系统，实现运砂船的识别 ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/934/ --- 新闻 坎德拉加入昇思MindSpore社区，打造全链条无人化清扫服务 # 坎德拉加入昇思MindSpore社区，打造全链条无人化清扫服务 2022/01/07 # 坎德拉加入昇思MindSpore社区，打造全链条无人化清扫服务 **坎德拉（深圳）科技创新有限公司**完成ISV认证**正式加入昇思MindSpore社区\*\*\*\*。** **坎德拉简介** 坎德拉（深圳）科技创新有限公司，华为认证级ISV伙伴，是一家以技术创新为核心驱动的高新科技企业。专注于智能服务机器人的研发设计、制造生产以及销售运营，致力于为客户提供全套智能化升级解决方案。公司于2017年正式进入自动驾驶领域，开展导航、算法、云端、软/硬件、驱动、控制方面的研究，积累了整车动力总成系统技术，实现了从核心部件到整机的设计和制造，算法调度到软件平台的自主研发。截至2021年，公司已深挖专利600余项，申报专利300余项。 坎德拉科技首创分体式机器人，通过自主切换功能模块，实现“一机多用”。用户场景广泛覆盖了商业综合体(写字楼/购物中心/超市/酒店等)医院、工厂、物流仓储、景区、机场、产业园区等。服务应用全面覆盖了物品配送、地面清洁、消毒喷雾、垃圾清运、接待指引、新零售、安全巡检等多种功能。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 坎德拉在加入MindSpore社区后，基于MindSpore框架自主研发阳光环卫机器人搭载清扫箱，基于环卫场心正向研发的智能服务型无人车，秉承通用移动平台+模块化功能箱体的设计理念，配合坎德拉独家专利自主装卸技术,集成地面清扫、垃圾清运等多种业务于一体，真正做到一机多用。 替代传统人工劳动力输出，降低企业劳动成本，提高信息化、智能化程度，实现全程可监控、可追溯，创造更人性化的工作氛围。 基于该解决方案，可实现覆盖式清扫和巡检清扫双工作模式，正式模拟环卫工作业模式，高效、高质量完成地面清扫作业。自动回充、自主倾倒，打破固有环卫形式，打造全链条无人化清扫服务。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 交嵌信息加入昇思MindSpore社区，通过AI视觉智能技术，实现智慧视频监控 皓耘科技加入昇思MindSpore社区，建设智慧、高效，安全的无人化智慧农机平台 汇通国信加入昇思MindSpore社区，利用知识图谱嵌入及链接预测等技术，实现深度特征提取及规则挖掘 偕作信息加入昇思MindSpore社区，基于MindSpore框架自主研发运砂船识别系统，实现运砂船的识别 ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/935/ --- 新闻 金智维加入昇思MindSpore社区，实现问政平台的自动化全流程 # 金智维加入昇思MindSpore社区，实现问政平台的自动化全流程 2022/01/07 # 金智维加入昇思MindSpore社区，实现问政平台的自动化全流程 **珠海金智维信息科技有限公司**完成ISV认证**正式加入昇思MindSpore社区\*\*\*\*。** **金智维简介** 珠海金智维信息科技有限公司，华为认证级ISV伙伴，是一家专注于企业级RPA技术的人工智能公司，致力于用科技创新手段推动企业的数字化建设，在国内率先推出具有自主知识产权的企业级RPA(K-RPA)，并以安全、高效、稳定的处理能力，兼具易扩展、易维护、易使用的管理特点，获得业界客户的高度认可和广泛应用，金智维已经为全行业提供超20万名数字员工，重塑企业生产力，让员工更有价值。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 金智维在加入MindSpore社区后，基于MindSpore框架自主改造市民问政服务平台，实现内含训练完成的智能派单模型和智能复核模型的AI推理平台。模型以Bert+textCNN为基础，智能派单模型接收输入的工单描述文本，根据文本推理出工单应转派的部门和选定类比，并把部门和类目返回给智能派单机器人，实现问政平台的自动化全流程。 基于该解决方案，结合金智维自研RPA产品，结合AI模型实现工单转派回复等操作的全流程自动化，实现了问政平台的分类以及回复等全自动流程。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 交嵌信息加入昇思MindSpore社区，通过AI视觉智能技术，实现智慧视频监控 皓耘科技加入昇思MindSpore社区，建设智慧、高效，安全的无人化智慧农机平台 汇通国信加入昇思MindSpore社区，利用知识图谱嵌入及链接预测等技术，实现深度特征提取及规则挖掘 偕作信息加入昇思MindSpore社区，基于MindSpore框架自主研发运砂船识别系统，实现运砂船的识别 ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/936/ --- 新闻 华飞智能加入昇思MindSpore社区，基于MindSpore框架实现包装罐体检测分拣 # 华飞智能加入昇思MindSpore社区，基于MindSpore框架实现包装罐体检测分拣 2022/01/07 # 华飞智能加入昇思MindSpore社区，基于MindSpore框架实现包装罐体检测分拣 **广州华飞智能科技有限公司**完成ISV认证**正式加入****昇思M****indSpore社区\*\*\*\*。** **华飞智能简介** 广州华飞智能科技有限公司，华为认证级ISV伙伴，专注于智能质检设备的研发和应用，是一家致力于智能工厂解决方案的科技公司，涉及的行业有消费电子、医疗器械、半导体等。华飞汇聚了来自华南理工大学、专业研究院所、高新企业等单位的技术人才，铸就了一支实力雄厚的专业研发团队。专注于视觉检测、机械臂研发、激光设备、智能化生产技术解决方案及非标自动化定制、非标设备升级改造等领域，掌握了关键核心技术，同时拥有深厚的智能制造方面的技术沉淀。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 华飞智能在加入MindSpore社区后，基于MindSpore框架实现包装罐体检测分拣，将在包装罐体生产过程中，盖子发生异常翻转、混料的问题，实现了在线检测和剔除。提高了检测效率以及检测精度，降低了人工成本，促进工厂智能化。 基于该解决方案，进行高精度错装漏装检测，任天堂SWITCH手柄错装、漏装检测，实现视觉智能检测。松下PCBA异物检测，可检测焊锡珠、毛发等异物。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 交嵌信息加入昇思MindSpore社区，通过AI视觉智能技术，实现智慧视频监控 皓耘科技加入昇思MindSpore社区，建设智慧、高效，安全的无人化智慧农机平台 汇通国信加入昇思MindSpore社区，利用知识图谱嵌入及链接预测等技术，实现深度特征提取及规则挖掘 偕作信息加入昇思MindSpore社区，基于MindSpore框架自主研发运砂船识别系统，实现运砂船的识别 ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/938/ --- 新闻 联一合立加入昇思MindSpore社区，研发智能机器人目标识别与智能跟踪，跟踪识别结果自动上报的系统级功能！ # 联一合立加入昇思MindSpore社区，研发智能机器人目标识别与智能跟踪，跟踪识别结果自动上报的系统级功能！ 2022/01/10 # 联一合立加入昇思MindSpore社区，研发智能机器人目标识别与智能跟踪，跟踪识别结果自动上报的系统级功能！ **联一合立**完成ISV认证**正式加入昇思MindSpore社区\*\*\*\*。** ******联一合立简介****** 武汉联一合立技术有限公司，华为认证级ISV伙伴，公专注于无人系统、高端光电产品的研发和产业化，以全地形、全 AI 探索型无人系统为自主研发核心方向，涵盖自主行走、智能传感器、多传感器融合、低延时通讯、精密机械及伺服控制等多种前沿技术， 致力于成为全球领先的全地形、全 AI 探索型无人系统公司。目前在高速图像传输、目标智能识别、远程伺服控制系统、自主行走机构等方向获得 22 项专利，其中发明专利 9 项，2021年公司将继续加大技术投入，加强在无人系统和光电系统方面核心技术和关键能力的突破和积累，计划新增专利52 项，其中发明专利21 项，实用新型专利31 项。公司针对疫情快速推出多款大视场、高解像力的红外测温镜头，有助于提升红外测温准确性，已成为海康、大华、艾睿等厂家红外测镜头供应商。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 联一合立在加入MindSpore社区后，基于MindSpore框架自主研发智能机器人目标识别与智能跟踪，基于深度学习算法，构建3D卷积神经网络，通过华为武汉人工智能计算中心算力平台进行特殊目标数据集的训练，结合华为昇腾硬产品Atlas200 AI加速模块进行推理，算法模型可在嵌入式平台进行部署运行，对周边的特定目标进行识别跟踪。 基于该解决方案，将跟踪算法与目标检测算法结合起来，可提高跟踪的性能，支持智能事件触发自动跟踪。完成机器人识别目标设定、运行过程中对多目标自动识别跟踪、跟踪识别结果自动上报的系统级功能。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 力龙信息加入昇思MindSpore社区，通过对政务服务领域知识结构的提取和训练，精准识别用户意图，自动分发、自动受理群众诉求！ 工控仪器加入昇思MindSpore社区，自主研发小仕机器人，通过摄像头采集图片，对目标进行垃圾分类！ 海昌信息加入昇思MindSpore社区，自主研发智慧校园物联网监测与管理平台，实现智慧教室、智慧食堂、智能灌溉、智慧停车等功能！ 纳思系统加入昇思MindSpore社区，自主研发输电智能运检管控系统，实现全天自动化智能运维！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/939/ --- 新闻 知常容加入昇思MindSpore社区，研发过激行为检测模型，及时发现公共场所是否存在人员过激事件，对危险及时做出预警！ # 知常容加入昇思MindSpore社区，研发过激行为检测模型，及时发现公共场所是否存在人员过激事件，对危险及时做出预警！ 2022/01/10 # 知常容加入昇思MindSpore社区，研发过激行为检测模型，及时发现公共场所是否存在人员过激事件，对危险及时做出预警！ **知常容**完成ISV认证**正式加入昇思MindSpore社区\*\*\*\*。** ******知常容简介****** 南京知常容信息技术有限公司，华为认证级ISV伙伴，属于南京信息传输、计算机服务和软件业，针对智慧车站、智慧小区运营场景设计一款深度学习神经网络模型“过激行为检测模型”，发明专利技术公开一种基于FastText的威胁情报自动化标注方法，专注于信息技术研发，计算机系统集成和智能化系统设计。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 知常容在加入MindSpore社区后，基于MindSpore框架自主研发过激行为检测模型，该深度学习神经网络模型应用于智慧车站、智慧小区运营场景，对地铁车站、居民小区等一些公共场所里的摄像头视频流数据进行分析检测，及时发现是否存在人员过激事件，方便地铁运营、物业管理人员及时做出处理和响应，让车站运行更安全高效、业主生活更和谐。 基于该解决方案，采取视频分类模型对实际的公共场所录像进行分类，之后将识别结果反馈给地铁运营、物业管理人员，相关人员对过激行为现场进一步采取相应措施，实现公共场所有序管理，减少人力物力损耗，提高对过激行为的处理的及时性和有效性，具有切实的应用性和广阔的社会价值。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 交嵌信息加入昇思MindSpore社区，通过AI视觉智能技术，实现智慧视频监控！ 皓耘科技加入昇思MindSpore社区，建设智慧、高效，安全的无人化智慧农机平台！ 汇通国信加入昇思MindSpore社区，利用知识图谱嵌入及链接预测等技术，实现深度特征提取及规则挖掘！ 偕作信息加入昇思MindSpore社区，基于MindSpore框架自主研发运砂船识别系统，实现运砂船的识别！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/941/ --- 新闻 通甲优博加入昇思MindSpore社区，实现人和车的多种事件检测，推动人工智能技术与交通行业深度融合！ # 通甲优博加入昇思MindSpore社区，实现人和车的多种事件检测，推动人工智能技术与交通行业深度融合！ 2022/01/10 # 通甲优博加入昇思MindSpore社区，实现人和车的多种事件检测，推动人工智能技术与交通行业深度融合！ **通甲优博**完成ISV认证**正式加入昇思MindSpore社区\*\*\*\*。** ******通甲优博简介****** 成都通甲优博科技有限责任公司，华为认证级ISV伙伴， 是基于AI+精密测量的交通视频融合感知解决方案提供商。公司以“让交通更有序，让出行更安全”为企业使命，专注于智慧公路建设、管控、养护、服务以及车路协同、城市交通治理等多个应用场景。公司拥有顶尖研发团队，核心产品在35条高速、15对服务区成功落地应用，销售和服务覆盖西南、华南、华北、华东地区。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 通甲优博在加入MindSpore社区后，基于MindSpore框架自主研发通甲慧眼·AR实景视频交通事件检测系统，使用自主研发的计算机视觉、深度学习等人工智能技术，以及先进的目标识别与事件判断技术，实现人和车的多种事件检测。推动人工智能技术与交通行业深度融合，完善交通安全生产体系，强化交通应急救援能力。 基于该解决方案，针对交通+AI 应用开发人员提供完整的视频结构化、交通事件分析、交通参数数据采集功能。提供实时智能的感知、趋势预测等，为领导层决策提供支持。实现对高速公路透彻全面、实时智能的监测，降低监控人员工作强度，减少人工路巡等低效且有风险的人工工作。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 中科巨匠人工智能技术加入昇思MindSpore社区，通过MindSpore技术创新自主研发物体分类识别系统，实现了运行态的高效！ 润和软件加入昇思MindSpore社区，对防护要求、作业流程等纸质化规范进行智能化升级，为工作人员的人生安全提供保障！ 锐思数智加入昇思MindSpore社区，快速、高效、精准的疫木识别，为疫情的防控提供有力的保障和辅助决策！ 星闪世图加入昇思MindSpore社区，减少和杜绝输电线路运行障碍，提高输电线路安全运行！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/942/ --- 新闻 启业云加入昇思MindSpore社区，研发QSENSE视频智能分析系统，通过图像算法的能力及时预警风险因素！ # 启业云加入昇思MindSpore社区，研发QSENSE视频智能分析系统，通过图像算法的能力及时预警风险因素！ 2022/01/10 # 启业云加入昇思MindSpore社区，研发QSENSE视频智能分析系统，通过图像算法的能力及时预警风险因素！ **启业云**完成ISV认证**正式加入昇思MindSpore社区\*\*\*\*。** ******启业云简介****** 启业云大数据（南京）有限公司，华为认证级ISV伙伴，数字化与产业互联 PaaS 平台，由技术中台、数据中台、业务中台、运营中台四大中台组成。致力于颠覆传统系统开发交付模式，让产业升级无与伦比地高效。 启业云 PaaS 平台赋能行业软件开发商与集成商、集团公司信息化部门与信息化子公司、传统实体产业数字化转型升级、及垂直 SaaS 创业公司等。形成了自己的开发者生态社群，和培训认证体系。 启业云 PaaS 生态，已孵化多个准独角兽产业互联垂直 SaaS 公司和品牌，形成了咨询孵化、产业创新、客户应用、实施服务等完整数字产业生态。覆盖了央企、国企、民企、外企…… 500 强、集团企业、大型企业、中小微企业等广泛的客户群体。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 启业云在加入MindSpore社区后，基于MindSpore框架自主研发QSENSE视频智能分析系统，在工业安全生产过程中，通过图像算法的能力及时预警风险因素，包括火焰、烟雾、安全帽、人员闯入、不戴口罩等。 基于该解决方案，以QSENSE系统中不戴口罩识别为例，在华为Atlas边缘设备部署推理代码，可输出正确的预测结果，满足项目实际需求。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 芯翌科技加入昇思MindSpore社区，自主研发人像聚类服务器，灵活适应不同场景，提供高性价比解决方案！ 合能创越加入昇思MindSpore社区，自主研发环卫管理系统，通过提供各类标准库，为其他产品提供接口支撑与功能拓展！ 上海殷泊加入昇思MindSpore社区，自主研发MoPaaS人工智能平台，灵活的分布式并行训练能力满足深度学习任务的算力需求！ 微晟加入昇思MindSpore社区，自主与研发智能防损系统，满足客户的成本需求，从而有效解决收银环节的货损问题！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/943/ --- 新闻 北大高科加入昇思MindSpore社区，自主研发省级人口大数据综合业务系统，可以对出生业务、身份证业务等文本纠错！ # 北大高科加入昇思MindSpore社区，自主研发省级人口大数据综合业务系统，可以对出生业务、身份证业务等文本纠错！ 2022/01/11 # 北大高科加入昇思MindSpore社区，自主研发省级人口大数据综合业务系统，可以对出生业务、身份证业务等文本纠错！ **北大高科**完成ISV认证**正式加入昇思MindSpore社区\*\*\*\*。** ******北大高科简介****** 武汉北大高科软件股份有限公司，华为认证级ISV伙伴，公司以生物特征识别技术为基础，以公共安全信息化为主导方向，专注于行业大型综合应用软件的开发、集成及解决方案的提供。经过近10年的发展，北大高科已经成为国内公共安全行业解决方案最全面，市场占有率最大、应用效果最好的公共安全综合信息解决方案提供商之一。 公司公共安全综合解决方案已经广泛应用在公共安全部、铁道部、海关总署、湖南、广东、浙江、内蒙、云南等省份公共安全厅以及全国范围内 70 多个地市级公共安全机关，并取得了良好的应用效果、应用效果和管理效果，得到了公共安全部领导以及全国用户的一致认同和高度赞誉；公司保安服务业信息化解决方案是国内首个针对发展中的保安行业定制的集监管和服务为一体的专业信息化解决方案，是公共安全部唯一的信息保安行业标准制定厂商和入围厂商；公司的民用指纹解决方案在社保领域市场占有率国内第一，应用效果全国第一，是目前国内少数可以同时提供1：1和1：N及大型民用指纹解决方案的厂商。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 北大高科在加入MindSpore社区后，基于MindSpore框架自主研发省级人口大数据综合业务系统，通过图像分类、目标检测技术，可以智能实现业务办理图像信息编码和传输，身份证业务的制证打包功能，实现数据的编码和变换压缩。并可以对出生业务、身份证业务等文本纠错，准确识别输入文本中出现的拼写错别字及其段落位置信息，针对性给出建议内容。 基于该解决方案，自动检测图像关键区域内容，是否不合法不合规，自动鉴别是否符合业务规格要求，采用领先的建模方法，图像识别、图像分类等准确率达98%，通过AI技术处理后，自动与系统功能匹配，效率和准确性高，节省人力成本，降低错误率。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 科语机器人加入昇思MindSpore社区，推动AI物体检测与识别功能在激光扫地机产品中的部署和应用！ 坎德拉加入昇思MindSpore社区，打造全链条无人化清扫服务！ 金智维加入昇思MindSpore社区，实现问政平台的自动化全流程！ 华飞智能加入昇思MindSpore社区，基于MindSpore框架实现包装罐体检测分拣！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/944/ --- 新闻 元晟科技加入昇思MindSpore社区，自主构建安全威胁监控平台，为指定区域安全提供保障！ # 元晟科技加入昇思MindSpore社区，自主构建安全威胁监控平台，为指定区域安全提供保障！ 2022/01/11 # 元晟科技加入昇思MindSpore社区，自主构建安全威胁监控平台，为指定区域安全提供保障！ **元晟科技**完成ISV认证**正式加入昇思MindSpore社区\*\*\*\*。** ******元晟科技简介****** 北京元晟科技有限公司，华为认证级ISV伙伴，是一家网络通信设备和信息系统整体解决方案供应商秉承“服务用户至上、产品质量至上”的经营理念，致力于为用户提供“科学精准、全面高效、稳定可靠”的技术产品和服务，为用户创造最大化价值。公司的产品和解决方案主要涵盖信息系统的网络、路由、计算、存储、安全等领域，与国内多家科研机构达成深度合作关系，同时也是国内IT领域主流设备厂家的行业合作伙伴。公司总部设在北京，主要开展市场拓展、前瞻性技术跟踪、系统集成和技术保障工作:南京研发中心，开展无线探测通信组件和模块的科研开发，并进行小批量实验性生产。成都创新中心，开展专用智能计算、边缘计算产品的科研开发和探索性研究。生产制造中心位于浙江，主要负责将两个研发中心的成果进行转化与生产制造。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 元晟科技在加入MindSpore社区后，基于MindSpore全场景AI框架自主构建安全威胁监控平台，利用视频监督指定区域的安全威胁，监测系统自动将安全威胁状态发送给用户，为指定区域安全提供保障。 基于该解决方案，实现了华为Atlas边缘计算平台与北京元晟科技有限公司图像处理计算的融合，结合华为Atlas训练服务器以及Mindspore平台完成从模型训练到Atlas边缘计算平台部署端到端的应用。该解决方案具备应用部署便捷，设备性能能耗比优异，模型训练便捷实现应用云边协同的优势。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 联一合立加入昇思MindSpore社区，研发智能机器人目标识别与智能跟踪，跟踪识别结果自动上报的系统级功能！ 知常容加入昇思MindSpore社区，研发过激行为检测模型，及时发现公共场所是否存在人员过激事件，对危险及时做出预警！ 通甲优博加入昇思MindSpore社区，实现人和车的多种事件检测，推动人工智能技术与交通行业深度融合！ 启业云加入昇思MindSpore社区，研发QSENSE视频智能分析系统，通过图像算法的能力及时预警风险因素！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/945/ --- 新闻 西交智汇加入昇思MindSpore社区，自主研发校园监考系统，通过摄像头进行视频监考，减少监考师资！ # 西交智汇加入昇思MindSpore社区，自主研发校园监考系统，通过摄像头进行视频监考，减少监考师资！ 2022/01/11 # 西交智汇加入昇思MindSpore社区，自主研发校园监考系统，通过摄像头进行视频监考，减少监考师资！ **西交智汇**完成ISV认证**正式加入昇思MindSpore社区\*\*\*\*。** ******西交智汇简介****** 成都西交智汇大数据科技有限公司，华为认证级ISV伙伴，作为西南交通大学综合交通大数据应用技术国家工程实验室“产学研用”的科研成果转化平台，依托西南交通大学在交通和人工智能等领域的科研、人才优势，致力于对高校科研成果的转化应用，并使相关技术赋能千行百业。公司已拥有多项AI机器视觉应用方面的自主知识产权研究成果，并成功将已有成果运用到包括华为技术有限公司在内的国内外多家知名企业的技术与市场合作当中，其合作范围涵盖教育、交通、文旅等多个领域。软件研发事业本部致力于将AI技术与应用软件相结合，为教育行业提供一整套完善的智能化教考解决方案，形成从省级中心到学校的信息化闭合链路。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 西交智汇在加入MindSpore社区后，基于MindSpore框架自主研发校园监考系统，通过摄像头进行视频监考，不用老师一对多现场监考，减少监考师资；摒弃老师主观评分方式，可实现AI实时评分、考后评分；考试视频存档，可随时调阅考试可追溯；实验教学、实训、考试的流程管理信息化、数据分析智能化。 基于该解决方案，业务后台设置考试计划，组织考试，教师端可查看每个学生端情况，处理实验教考过程信息，学生端可查看视频监控画面，随时呼叫老师，与应用系统结合；局域网内多端协同，广域网内多级协同，可实时评分可事后评分，对历史数据分析，形成科学教学意见。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 轩辕研究院加入昇思MindSpore社区，自主研发AI科学计算平台，满足科研人员对科研数据存储、数据标注、模型训练等相关需求！ 中海庭加入昇思MindSpore社区，自主研发数据自动化生产平台，已完成全国高速公路合计十几万公里的高精度电子地图数据！ 慧远智控加入昇思MindSpore社区，自主研发HY智能行车控制系统，应用在智慧水域领域，在水厂的行车智能化改造有着重要作用！ 博瓦加入昇思MindSpore社区，解决非结构化视频数据的结构化检索与视图对象的关系分析、行为分析等 ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/946/ --- 新闻 双照科技加入昇思MindSpore社区，自主研发智能交互系统，实现面向客户的个性化营销、智能化咨询等功能！ # 双照科技加入昇思MindSpore社区，自主研发智能交互系统，实现面向客户的个性化营销、智能化咨询等功能！ 2022/01/11 # 双照科技加入昇思MindSpore社区，自主研发智能交互系统，实现面向客户的个性化营销、智能化咨询等功能！ **双照科技**完成ISV认证**正式加入昇思MindSpore社区\*\*\*\*。** ******双照科技简介****** 广州市双照电子科技有限公司，华为认证级ISV伙伴，是一家金融行业的信息系统集成商以及专业的it服务提供商，专注于银行业务的研究，为银行业的电子化建设事业提供功能强大、性能卓越的软硬件产品和强有力的技术支持、全面的技术服务，并为银行业务的发展提供完整的解决方案。公司一直致力于运用先进的企业信息系统、计算机、网络、数据库等多种技术，为银行业务发展提供技术支持和保证，通过不懈的努力，已与国内多家银行建立了友好的合作关系，同时，公司也得到了迅速的发展。 为了金融客户能得到及时和周全的服务，广州市双照电子科技有限公司遵照iso9000质量控制思想体系，建立了一套完整的、科学的质量控制体系和服务管理规范，力求做到服务的专业化和层次化，提供7Х24小时热线电话服务，并开通“400”服务热线，不仅为金融客户提供包括咨询、设计、施工、维护、培训在内的长期全面的技术支持与服务，还为金融客户提供专业化的it技术现场服务，包括对客户硬件、软件、系统等全方位的不间断的现场故障解决、现场安装调试等，为金融客户打造出一个坚实的技术后盾。通过现场服务的积累，已经建立了一套完备的现场服务体系和管理制度，并造就了一批现场服务的技术专家。 昇思MindSpore是华为开源的一款**全场景AI框架**，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。 双照电子科技在加入MindSpore社区后，基于MindSpore框架自主研发智能交互系统，以智能交互大屏为基础，通过大屏的摄像头、拾音器、触摸大屏等多种交互设备，支持用户的系统的多维互动，实现面向客户的个性化营销、智能化咨询等功能，具体包括以下内容：基于视觉的识别和任务画像，基于客户特征的产品推送，基于顾客表情和视线关注的关注度分析，基于关注度数据的产品推荐增强学习。 基于该解决方案，在具体实施中实现了更快的核心算法开发效率，以及更高的精度需求。实现服务人员，顾客，安保人员精准识别与跟踪。 近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！ 如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与昇思MindSpore社区相关的任何疑问，**添加小助手（微信：mindspore0328）。** **往期推荐** 交嵌信息加入昇思MindSpore社区，通过AI视觉智能技术，实现智慧视频监控！ 皓耘科技加入昇思MindSpore社区，建设智慧、高效，安全的无人化智慧农机平台！ 汇通国信加入昇思MindSpore社区，利用知识图谱嵌入及链接预测等技术，实现深度特征提取及规则挖掘！ 偕作信息加入昇思MindSpore社区，基于MindSpore框架自主研发运砂船识别系统，实现运砂船的识别！ ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/952/ --- 新闻 《中国软件根技术发展白皮书（基础软件册）》发布！ # 《中国软件根技术发展白皮书（基础软件册）》发布！ 2022/01/17 # 《中国软件根技术发展白皮书（基础软件册）》发布！ **深根固本，共铸数字经济新基建** 2022年1月11日，由中国软件行业协会联合openEuler开源社区、openGauss开源社区和昇思MindSpore开源社区举办的《中国软件根技术发展白皮书（基础软件册）》发布会暨基础软件发展论坛在京成功举办。 **扫码下载（****密码:\*\*\*\*****）** **《中国软件根技术发展白皮书》**（基础软件册）\*\*\*\* 此次发布会聚焦“深根固本，共铸数字经济新基建”主题，汇聚了中国工程院院士廖湘科，中国软件行业协会副理事长兼秘书长、北京航空航天大学副校长吕卫锋，中国科学院软件研究所所长赵琛，北京理工大学计算机学院院长王国仁，华为副总裁、计算产品线总裁邓泰华等在内的院士专家、高校学者及行业知名软件企业代表参会。 发布会现场 **廖湘科：推动软件产业迈上新台阶，软件根技术创新突破势必将成为业界关注的焦点** 中国工程院院士廖湘科在开幕式致辞中强调，软件产业如同一棵参天大树，上层应用的枝繁叶茂更需要大地之下的根茎基础软件的强壮发达。以开源激发技术创新，以政策和市场合力推进产业生态建设，持续加大专业人才培养，三者缺一不可。 中国工程院院士廖湘科致辞 **邓泰华：加速基础软件关键技术设施的创新突破，立根铸魂，共建基础软件新生态** 华为副总裁、计算产品线总裁邓泰华在视频致辞中表示，近年来，华为公司陆续发起了面向通用计算的鲲鹏产业、面向人工智能的昇腾产业，聚焦基础软硬件创新，围绕着欧拉开源操作系统、openGauss开源数据库、昇思MindSpore AI框架构建起开放的软件生态，打造中国软件的根技术和根社区。 华为副总裁、计算产品线总裁邓泰华致辞 **白皮书重磅首发** **促成以根技术为导向的创新热潮** 中国软件行业协会在国内众多软件企业、研究机构和院士专家的共同支持下，于去年开始起草编写中国软件根技术发展系列白皮书。**首篇《基础软件册》经过近一年的打磨，在7位重要嘉宾的共同见证下正式面世发布。** 白皮书发布启动仪式 **中国软协产业研究部主任宋贺鹏** 分别从软件根技术概念、全球软件产业竞争格局和发展态势、全球基础软件根技术发展现状和特点、软件根技术的争夺已经成为未来主导世界的焦点、我国基础软件根技术发展的基本判断、基础软件根技术发展特点和发展路径、我国基础软件根技术发展之路7个方面对白皮书进行了概要介绍。 中软协产业研究部主任宋贺鹏介绍白皮书内容 在基础软件发展论坛上，来自业界的四位嘉宾分别从技术创新、产业发展、开源生态、人才培养等层面展开了激烈的智慧火花碰撞，呈现了一场精彩地思想盛宴。 **中国科学院软件研究所副总工程师武延军** 给出了开源软件供应链定义，并提出从开放繁荣的开源指令集、开放共治的开源根社区、解决国内产业共性需求为导向三个方向来构建软件根技术生态。 中科院软件研究所副总工程师武延军作主题演讲 **openEuler开源社区品牌委员会主席梁冰**讲述了openEuler开源社区创新发展历程。 她表示，openEuler作为一个操作系统开源项目，通过技术、生态、商业的协同发展，正在带领社区的百家企业、千级开发者、万级用户，共同构建操作系统根社区，推动基础软件根技术的创新和发展。 openEuler开源社区品牌委员会主席梁冰作主题演讲 **麒麟软件高级副总裁高巍**表示： 麒麟软件深度参与欧拉开源社区建设，结成“OK” 组合，通过过硬的内核社区和优秀的产品，以及集聚专业化的服务和交付，共同推动根技术体系和生态的跨越式发展，形成自有体系和生态。 麒麟软件高级副总裁高巍作主题演讲 **清华大学软件学院教授刘璘**强调： 在软件定义时代，无论是向平台化、云化、服务化的发展，还是在改进传统的制造企业做转型升级换代，人才培养是让产业兴旺发达的最重要环节。 清华大学软件学院教授刘璘作主题演讲 **戳链接获取PDF版本：**https://pan.baidu.com/share/init?surl=lDIqesFzkzWSDxKLoYmYTA**（****密码：\*\*\*\*****）** ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/964/ --- 新闻 昇思MindSpore超级英雄榜最新公布！超300位开发者入选国内首个AI开源社区开发者进阶榜单 # 昇思MindSpore超级英雄榜最新公布！超300位开发者入选国内首个AI开源社区开发者进阶榜单 2022/01/27 # 昇思MindSpore超级英雄榜最新公布！超300位开发者入选国内首个AI开源社区开发者进阶榜单 小说界有武侠英雄榜，游戏界有王者英雄榜，那么**AI届的超级英雄榜**，你了解多少呢？作为人工智能届的明珠昇思MindSpore，从2020年3月28日开源至今，已有\*\*4000+\*\*位核心开发者参与了MindSpore社区贡献。 \*\*2020年5月19日，昇思MindSpore发布了国内首个AI开源社区的认证开发者体系。\*\*在技术领域，隔行如隔山，做框架开发的不一定知道做算法模型的难点，做算法模型的不一定知道做底层系统的痛点，做底层系统的不一定知道做高性能计算的突破点在哪儿。如果有开发者，能够将自己所在的领域，用通俗易懂的语言给大家科普，用直观的数据让大家判断性能的高低，用简洁的代码实现简单好用的工具方便大家用，这正是一个开源社区的魅力所在。 因此我们一直坚信，是大量这样的开发者，而不是少数所谓大神和牛人，真正建设了一个优秀的开源社区。\*\*MindSpore从诞生之初，就致力于打造一个属于开发者自己的开源社区。\*\*通过构筑特别兴趣组（Special Interest Group，简称SIG）及技术治理委员会（Technical Steering Committee，简称TSC）等社区组织，将开发者项目开发自治与专家开放治理结合在一起，打造让每个开发者都感到轻松友好的社区环境。 **那么，开发者作为MindSpore开源社区的第一公民，又有怎样不同的成长路径呢？** 2021年，社区对昇思MindSpore优秀开发者/布道师的英雄进阶体系再次进行了全新升级，目前**共有4个进阶级别**攀登英雄榜，从0到1开启从小白到大神的进阶成长之路，截至目前共**307位**开发者成功认证各级别MindSpore优秀开发者/布道师，**其中276位为非华为的社区贡献者。** **MindSpore超级英雄成长之路** 昇思MindSpore致力于打造一个属于开发者自己的开源社区，打造多元成长的开发者培养体系。2021年共发表**300+**篇基于MindSpore的AI论文，与**100+**所高校展开昇思MindSpore教学合作；设置**初、中、高**级别课程，出版**2本MindSpore教辅书籍**。同时开展TinyMS保姆级别课程、零基础应用营、进阶集训营等系列线上课程，海内外**24个**地区成立本地研究小组MindSpore Study Group（简称MSG）、\*\*20+\*\*个MindSpore特别兴趣小组（简称SIG组），**全方位带领开发者从入门到精通全场景AI应用**。**三届**MindCon极客周，协同城市组织者与SIG组，**领衔开发者从0到1参与开源贡献**。 在这里，你可以直击昇思MindSpore开源技术、与华为开源大咖面对面交流、结交业界知名人士，开启你的开源封神之路！ **听听昇思MindSpore优秀开发者** **从小白到大神的升级打怪成长之路！** 胡琦—**MindSpore M7 资深开发者** **华为云社区风云人物** **看看昇思MindSpore优秀开发者/布道师2021年度高光时刻！** 截至目前，**307位**开发者成功认证昇思MindSpore优秀开发者/布道师称号。遍布国内外**100+**所高校的师生开发者、**160+** 所企业开发者，**参与了MindSpore各领域的开发**，更有**MindSpore专家委员会成员、SIG组Maintainer等开发者**；其中多位优秀开发者在**互联网+、BDCI、WAIC、绿盟杯等大型赛事**中，**取得金奖等优异成绩**。期待各位开发者在MindSpore获得更多的技术提升，为开源社区持续贡献力量。 **307\*\*\*\*位优秀布道师/开发者名单：** **（不分先后顺序）** - 详细名单和信息可前往官网查看：**https://www.mindspore.cn/community/developer** - 添加微信小助手：**mindspore0328（小猫子@MindSpore）**，参与昇思MindSpore优秀布道师/开发者认证 **MindSpore超级英雄榜招募令** 如果你是一个积极参与MindSpore社区的开发者，不论是代码、文章，还是视频，我们都欢迎你用自己的方式表达、去分享、去创造！期待你加入我们，成为MindSpore的优秀开发者！ 作为第一个国内AI开源社区发布的开发者进阶体系，昇思MindSpore致力于打造一个基于社区协作、多元成长的体系 **接下来，为你解读昇思MindSpore全新布道进阶体系——超级英雄榜** - \*\*M9 Mind：\*\*昇思MindSpore资深布道师 - \*\*M8 Jacobi：\*\*昇思MindSpore布道师 - \*\*M7 Gradient：\*\*昇思MindSpore资深开发者 - \*\*M6 Spore：\*\*昇思MindSpore优秀开发者 各进阶级别认证详细要求： **https://www.mindspore.cn/community/evangelist** **想要成为昇思MindSpore优秀开发者/布道师，你可以：** 1、 你可以在社区贡献代码，写系列技术文章分享你在这块领域的成长！ 2、 你可以参与社区管理，组建社区SIG兴趣小组，结识同领域志同道合的伙伴！ 3、 你可以贡献延伸出来的开源项目，丰富开源社区！ 无论贡献大小，这里都为你留下一片天地。 成为昇思MindSpore开发者/布道师，**将上榜MindSpore官网展示，获得专属证书、奖品。还可参加昇思MindSpore官方组织的交流分享活动，与华为开源大咖面对面交流**。此外，MindSpore布道师还有机会受邀参与MindSpore布道师年会，更有机会优先获得商务合作等。 开源社区的精彩远不止这些，加入昇思MindSpore英雄队伍，挑战昇思MindSpore英雄榜，享受小白到大牛的成长体验，更多权益等你开启！ 点击**链接**立即参与：**https://www.mindspore.cn/community/evangelist** **快来加入我们吧！** ****（加****群可以与更多技术大咖交流学习\*\*\*\*）\*\*\*\* **（官方QQ交流群）** **（MindSpore官方微信）** ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/965/ --- 新闻 第三届MindCon极客周完美收官！这活动能玩，大奖他真给！ # 第三届MindCon极客周完美收官！这活动能玩，大奖他真给！ 2022/01/28 # 第三届MindCon极客周完美收官！这活动能玩，大奖他真给！ 没有横空出世的幸运，只有不为人知的努力，在征服与挑战中，各位开发者在**第三届MindCon极客周**活动中都收获了属于自己的那一份荣誉与认同。**本届MindCon极客周自2021年11月29日开启，于2021年12月29日圆满落幕**，活动已经标上句点，但MindCon极客周的故事还在继续，这届的小孢子们是真真的大惊喜，没想到大神居然这么多，个个隐藏技能直到硬核玩家赛区分享才开始放大招，回想结束的那一天，我们的评委老师们看到这么多意外惊喜，也是笑得合不拢嘴。 **MindCon极客周是华为昇思MindSpore每半年举办一次的开发者狂欢盛会，修复社区Bugfix，贡献开源社区，还有各领域大咖分享前沿技术，旨在引领兴趣者们走入AI探索的世界。**第三届MindCon极客周不同于往届的团队赛，此次是以个人挑战赛的形式全新席卷而来，让伙伴们更深入昇思MindSpore开源社区，体验最真实的SIG运作、提ISSUE、跑模型、分享技术文章，同时**希望开发者们在MindCon极客周中获得更多技术提升，为开源社区持续贡献力量**。 （**MindSpore官方QQ群 : 486831414**） 本届MindCon极客周也首次发布了MindSpore超酷的人物IP形象—**喵警局特战队**，是由MindSpore专属设计师灵魂画手**小桃子**为小孢子们独家设计的盲盒娃娃，后续喵警局特战队也将会活跃在MindSpore各种活动中哦，若想集齐喵警局特战队全部特工，请持续关注我们~ **最激动的时刻来啦！** 本次活动通过**13**场线上直播，吸引了**近千位新朋友**参与，总直播人气值达到**286240**，直播总打卡人数超**300+**，徽章下载总量超**2000+**，新加入社群的伙伴超**800+**，短短一个月的赛程大家与MindSpore共同成长，感谢所有乐于奉献的开发者们，以及所有加入我们并信任我们的小孢子们，因为你们MindSpore家族又壮大了。 历时一个月，最终**八位英雄**脱颖而出，恭喜八位英雄闯关成功！ **贡献赛区个人积分榜（前6名）** （此积分榜仅展示分数达到可以进入硬核赛道的选手） 贡献赛区共四站关卡（直播打卡、提ISSUE、Coding、技术文章），每一站获得对应积分即可获得MindSpore独家定制盲盒娃娃一个，四站全部参加即可获得四个，仅参与三站，只能获得三个哦，恭喜以上6位开发者！ **SIG直播打卡累计8次以上** 累计打卡8次SIG会议即可集齐盲盒碎片，并兑换MindSpore独家定制盲盒娃娃一个，恭喜以上20位开发者！ **（盲盒碎片展示）** 获奖的开发者们，请将您的信息填写至此链接： **_https://www.wjx.cn/vj/tTYoLsZ.aspx_** **下面随小编一起回顾一下第三届MindCon极客周活动中的高能时刻~** 此次活动，我们转换了之前的直播方式以及迎来了新伙伴（老朋友猫哥带领新朋友小桃子、小叮当、猫宁全新出道）。 本届MindCon极客周是以SIG为主题的，**SIG是指MindSpore专项兴趣小组**（Special Interest Group，简称SIG），**由社区里的成员自愿发起和加入的社区兴趣小组，每个小组都专注于一个特定技术板块领域（如自动并行、联邦学习、Lite等）**。大家可以自由的选择和参与自己最感兴趣、最擅长的SIG，当然你也可以发起成立一个全新方向基于MindSpore的SIG。每个SIG有相关明确的任务目标和协作规范。在SIG里你可以和成员进行深度交流、开放协作、共同治理，按照共识的协作规范一起完成约定的任务目标。（**如果您想立刻加入SIG，请添加M\*\*\*\*indSpore小助手微信：mindspore0328**） - 最全SIG介绍：8个兴趣小组任你选择 - 回顾链接： \*\*\_https://www.bilibili.com/video/BV1kU4y1T7PH?spm\\\_id\\\_from=333.999.0.0\_\*\*（复制此链接跳转，或直接前往\*\*B站搜索【MindSpore官方】\*\*查看，为了避免走失，建议您直接关注哦！） - 零基础入门？赛题解析？还有同行高能吐槽MindSpore？（不怕不怕，我们不怕） - 回顾链接： \_\*\*https://www.bilibili.com/video/BV1kU4y1T7PH?spm\\\_id\\\_from=333.999.0.0\*\*\_（复制此链接跳转，或直接前往\*\*B站搜索【MindSpore官方】\*\*查看，为了避免走失，建议您直接关注哦！） 一直支持MindSpore社区的小孢子们，希望你们在MindSpore所有社区活动中都有所收获与成长，2022年依然愿与你们携手共建昇思MindSpore开源社区，感谢所有小孢子们一个月的陪伴，感谢SIG组直播分享的讲师、MSG组织者、MindSpore友爱的评委老师和支撑活动的小助手，感谢openGauss、openLooKeng对活动的支持！期待第四届MindCon极客周有你参与~ **注意：** 1、其他没有公布的参赛小伙伴可以联系小猫子（mindspore0328）获取详细获奖情况 2、还有很多报名的小伙伴，没有提交相关参赛信息，可能没有在名单中，您可以继续提交，我们核对后会安排奖品发放哒~（截止日期：**1月30号**） 提交链接：_**https://www.wjx.cn/vj/tTYoLsZ.aspx**_ 3、以上所有获奖的开发者，提交收货信息链接：_**https://www.wjx.cn/vj/tTYoLsZ.aspx**_ **快来加入我们吧！** **（加群可以与更多技术大咖交流学习）** **（官方****QQ****交流群）** **（****MindSpore****官方微信）** ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/966/ --- 新闻 联通沃音乐加入昇思MindSpore开源社区 # 联通沃音乐加入昇思MindSpore开源社区 2022/01/28 # 联通沃音乐加入昇思MindSpore开源社区 联通沃音乐签署 CCLA（Corporate Contributor License Agreement 企业贡献者许可协议），正式加入昇思MindSpore开源社区。 联通沃音乐文化有限公司（简称：“沃音乐”）是中国联通在线旗下子公司,负责中国联通在全国范围内以音乐为核心的新文创领域的数据智能、彩铃运营、流量经营、会员权益、商务智能、在线教育、智能硬件、版权内容、电商服务等业务的研发、生产、运营和销售工作。 5G时代，万物互联，创新发展。沃音乐聚合产业链各方力量，融合云、网、边、端、业五大优势全面打造5G超高清、5GAI影像、5G融媒体、文创大数据等能力应用，将科技创新融入人文领域，一站式赋能，助推产业加速发展，致力于成为“新文创产业的创新引领者”。 沃音乐打造自有知识产权的数据库uniDB，适配国内外主流芯片和操作系统，建立从国产数据库、大数据治理、数据应用到运维一体化数据智能系统--海纳uniBase数据智能系统，助力政企数字化和国产化转型。 联通沃音乐加入昇思MindSpore社区后，我们将有更深一步的合作，共同推动双方的项目产品能在业界里生根发芽。未来，沃音乐也期待与社区伙伴一起，更加专业的开展安全可靠数据库和数据智能的开发适配、推广交流工作。 如您想加入MindSpore社区，有签署CCLA的需求可以将原由发送至邮箱：**wujiacong1@huawei.com** 如有与MindSpore社区相关的任何疑问，详情可咨询MindSpore小助手（mindspore0328） ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/969/ --- 新闻 昇思MindSpore年终盘点 | 看完这篇正式开启虎年！ # 昇思MindSpore年终盘点 | 看完这篇正式开启虎年！ 2022/01/29 # 昇思MindSpore年终盘点 | 看完这篇正式开启虎年！ 2020年3月28日，新一代全场景AI框架——昇思MindSpore开源至今，秉持硬核技术特性、支撑科研创新与产业应用的理念，不断地追求更高的标准。2021年昇思MindSpore再一次交出了满意的答卷。 **这一年，**我们联合知名高校及科研院所协同创新，发布**4大创新模型**，构建昇思MindSpore原生AI影响力。 **这一年，**我们从科研创新中来，到行业创新中去，构建**中国原创AI成果**，支撑**生态伙伴商业成功**。 **这一年，**我们全面升级，发布**4大****全新****版本**， 正式发布中文名：**昇思**。 **这一年，**我们收获了**1.6w**\*\*+颗星\*\*，位居1000万个码云开源项目排名**第一**的项目，成为国内热度**第一**的AI开源社区。 https://mp.weixin.qq.com/s/5r-Zqi816WoWOBoE8C9vmw **坚持开源开放** 迄今为止，已有**4000+名**核心开发者在昇思MindSpore社区做出贡献。其中**307 名**成功认证成为优秀开发者/布道师。2021年社区非华为贡献者，较2020年增长高达\*\*17倍，\*\*社区秉持开放透明原则，加速拥抱支持开源生态。 2021年，华为开源业务总经理**堵俊平**当选LF AI & DATA Foundation Board Chair，华为昇思开源社区运营总监**胡晓曼**当选LF AI & DATA Foundation Outreach Chair，携手LF AI & DATA基金会，推动面向全球的可持续AI开源生态建设。 同时，昇思MindSpore社区怀着“共建”、“共治”、“共享”的初心，与开放原子开源基金会合作，**发起社区运营开源项目-0xCommops社区**，**将开源社区运作与管理本身的工作内容也通过文本协作的方式开源出来**，与国内同仁分享。 **（0xCommops社区首场极限工作坊）** - **开发者活动** 这一年，我们在海内外**24个地区**成立本地研究小组MindSpore Study Group（简称MSG）；开展了从入门到精通的全场景AI应用线上课程，与**100+所**高校展开昇思MindSpore教学合作，设置初、中、高级别课程。转型全新开源创新实践课程，面向海内外AI开源赋能； 这一年，我们发布了**362篇**文章，**16w+人次**读过文章；线上直播达到了**20w+人气值**的观看量，深度打磨MindSpore每个板块内容，助力开发者全面成长； 这一年，昇思MindSpore 1岁啦！我们举办了盛大的**周年庆**活动，**超\*\*\*\*40位**国内外知名专家为我们送上了祝福，推进昇思MindSpore影响力、公信力和服务力，加快打造国际一流的AI框架。我们还举办了别开生面的**业界首届**AI开源吐槽大会，直面一个新生开源社区的问题，让开发者畅所欲言。 **这一年，**共举办了**2届**MindCon极客周，协同**15个**城市、**20+个**MindSpore特别兴趣小组（简称SIG组），带领开发者从0到1参与开源贡献，开启开源封神之路； 这一年，共举办了**4场**MSG·Women in Tech，**300+位**女性开发者参与，作为华为官方Women In Tech项目代表传播至海内外，为科技领域的女性打造温暖港湾。 - **技术影响力** **这一年，**我们受邀**参加央视采访**，AI框架正在深刻改变世界，昇思MindSpore加快打造人工智能根技术，成为国家战略新优势的战略选择； **这一年，**昇思MindSpore社区获得**八大**奖项，是**首批**通过中国信通院可信开源社区评估的**唯一AI项目**，获得了业界的认可； **这一年，**与**千万粉级别博主李永乐老师合作**，进行MindSpore技术传播，吸引众多AI开发者的关注。 - **社区公益行** 国内首个与艺术家团队原创GAN生成扎染数据集，对世界保护**非物质文化遗产扎染**的图案进行训练，生成新的扎染图案来保护传承非遗工艺。 **国内首个**基于国产AI框架面向三江源地区的红外摄像与训练模型，支持红外相机物种识别，将AI技术应用于实际的**生物多样性**保护场景。 **昇思首次**支援720河南水灾，社区紧急建立了救援互助信息的收集与共享通道，帮助有需要的人，MindSpore与**河南民众**攻破难关。 这一年…… 这一年，社区一直在创新，坚持开源，将昇思MindSpore沉淀的技术与大家一同分享，联动更多企业和开发者，一起更好地探索AI领域，推动AI产业生态的发展。 截至2021年底，MindSpore总下载量超**100万**，较去年增长**10倍**。2021年发布**4 个新版本**，模型超**300个**，打造支撑全场景应用的AI框架，通过技术创新，引领AI框架技术演进方向。 2021年共发表**300篇**顶级会议论文，根据Paperswithcode统计，仅10月基于MindSpore的AI论文在所有AI框架占比**11%**，排名**全球第二**。 这一年，构建昇腾+昇思原生生态体系，昇思MindSpore在关键技术不断突破，加速中国AI应用生态。 发布**鹏程.盘古大模型**，**全球首个**两千亿稠密参数中文NLP大模型，支撑国家“一带一路”战略，突破语言壁垒。 发布**紫东.太初大模型**，**全球首个**三模态大模型，是下一代搜索/推荐引擎的核心技术。 发布**武汉.Luojia**，**业界首个**遥感影像样本数据集与专用框架，建设中国遥感科研生态圈，推进遥感产业化应用。 发布**两大AI+科学计算套件**：电磁仿真套件MindSpore Elec，手机电磁仿真同等精度速度提升**10倍+**、分子模拟套件MindSpore SPONGE，药物设计效率提升**50%+**。不断突破AI＋科学计算融合，打造科学计算新范式。 昇思MindSpore社区以开发者为中心，提供及时响应和需求开发服务。2021年社区ISSUE创建较2020年增长了**75%**，且ISSUE在创建第一时间由自然人响应效率提升**86％**。ISSUE与PR关闭率分别增长**4.6倍**、**10.7倍**。 这一年，在2021年互联网+大赛产业赛道，华南理工参赛团队使用**MindSpore赢得金奖**。验证了MindSpore开发者高阶API套件**TinyMS**上手易用性，训练、预测、部署一套走通，真正对纯小白友好的零基础工具； 这一年，昇思MindSpore在全球脚步不停，**俄罗斯、印尼等多个国家**都留下了开发者自发布道的印记；我们还正式启动了海外社交媒体，与众多海外小孢子见面啦！ 2021年开启**SIG会议**25场，较去年增长10倍，社区协作关系在2021年孤立个体减少，实现了紧密相连。 **2020年协作关系图 VS 2021年协作关系图** 2021年，昇思MindSpore服务企业超过**5000家**，**160+家**企业加入社区成为合作伙伴，涉及端边云全场景行业，支撑两大产业联盟成立，打造开发共赢的产业生态圈。社区的MSG·企业行走过了**5个**城市，**大幅覆盖五地AI企业用户**，聚焦各地核心科技板块，拓展AI类企业生态。 \*\*大道之行，\*\***壮阔无垠** \*\*乘势而上，\*\***大展宏图** **昇思MindSpore扎根中华大地** **与开发者共创数字时代美好未来!** ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/970/ --- 新闻 OpenI启智社区年终盘点 # OpenI启智社区年终盘点 2022/01/29 # OpenI启智社区年终盘点 新春在即 OpenI启智社区准备了一份年终盘点报告 点击下方链接查看吧~ https://g.h5gdvip.com/p/1bei5wj9 也可以关注MindSpore公众号 直接回复“**年终盘点**”获取 ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/975/ --- 新闻 高新兴科技集团加入昇思MindSpore开源社区，全力打造“一站式”办案场所 # 高新兴科技集团加入昇思MindSpore开源社区，全力打造“一站式”办案场所 2022/02/10 # 高新兴科技集团加入昇思MindSpore开源社区，全力打造“一站式”办案场所 高新兴科技集团签署 CCLA（Corporate Contributor License Agreement 企业贡献者许可协议），正式加入昇思MindSpore开源社区。 高新兴科技集团总部位于广东广州，致力于成为全球领先的智慧城市物联网产品与服务提供商。自1997年成立起，创新研发基于物联网架构的感知、连接、平台层相关产品和技术，从下游物联网行业应用出发，以全息智能及泛在通信两大核心共性技术为科技中台，融合大数据和人工智能等技术，实现物联网“终端+应用”纵向一体化战略布局和产业赋能，并坚定走高新兴物联网产业集群协同发展道路。 聚焦“智慧交通”与“公共安全”两大战略赛道，构筑智慧交通、智慧警务、汽车电子标识、车联网、工业模组、通信监控、轨道交通、金融、机器人等物联网大数据应用产业集群，并成为物联网大数据应用多个细分行业领先者，服务全球逾千家客户。 由高新兴科技集团基于昇思MindSpore实现的业界首家针对执法办案管理中心治安防范应用的智能分析产品——办案区异常行为预警系统，该产品可自动检测可疑人员并防范预防突发危害事件的发生；同时，促进了办案区侯问室场所的监管防范能力、提升执法规范化水平、增强应对紧急突发事件的能力。高新兴科技集团将积极探索执法办案管理中心建设，全力打造“一站式”办案场所。 高新兴科技集团加入昇思MindSpore社区后，将进一步深化双方合作，共同推动项目/产品生根发芽，让执法办案更智慧、更安全。未来，高新兴期待与更多的社区伙伴一起，通过更专业、更高效地合作共同推进项目的落地，构建良好产业生态圈。 如您想加入MindSpore社区，有签署CCLA的需求可以将原由发送至邮箱：**maxiaowen5@h-partners.com** 如有与MindSpore社区相关的任何疑问，详情可咨询MindSpore小助手（mindspore0328） ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/978/ --- 新闻 成为第一没有捷径：AI新势力MindSpore成长秘籍 | 源创者说 # 成为第一没有捷径：AI新势力MindSpore成长秘籍 | 源创者说 2022/02/11 # 成为第一没有捷径：AI新势力MindSpore成长秘籍 | 源创者说 **访谈者**\*\*：马玮，SegmentFault 思否技术编辑\*\* **受访者**\*\*：胡晓曼，华为MindSpore运营总监，LF AI & DATA Outreach Committee Chair\*\* 胡晓曼，华为昇思MindSpore运营专家，LF AI & DATA基金会Outreach委员会主席，中国电子学会专家库成员。TinyMS项目技术负责人，MSG·Women In Tech创始人。曾任汽车之家、百度等公司算法和运营团队负责人，负责多个深度学习落地项目及开源项目社区运营，入选「2021中国开源先锋 33 人」年度榜单。 点击链接在微信内进行观看 **一个不懂技术的产品经理** **不是一个好的开源运营** 2015年，刚刚从数学系毕业的胡晓曼成为了一名算法工程师。一边写代码，一边在博客网站上写机器学习算法原理，通俗易懂的方式很快就让她在技术圈里有了知名度。 2017年开始，胡晓曼撰写了“三个月从零入门深度学习”的技术教程，迅速在博客园成为了知名技术博主，点击量超500w，同时也受邀开始不定期的各类线下分享。 2019年，胡晓曼在技术分享道路上再进一步，成为了一名“深度学习布道师”，帮助更多开发者迅速踏入深度学习世界的大门。在这一过程中胡晓曼与华为结缘，在2020年加入华为负责华为全场景AI框架MindSpore的开源社区运作与管理。 **“在华为，我可以从全盘的视角思考一个开源社区如何完成从0到1的成长过程。”** 与技术布道师的角色不同，在华为的职业生涯最吸引胡晓曼的是她能够从一开始就参与到一个新兴开源社区的成长当中。对于胡晓曼自己来说，从程序员的岗位跨界到社区运营也是一种新的突破。一位跨界人与一个年轻的社区共同褪去青涩，走向成熟，的确称得上难得而宝贵的经历。 **懂技术，更要懂用户** 如今，MindSpore社区已经拥有超过80万用户，4000名贡献者，社区下载量超过100万。从0到1带领开源社区迎来这样的繁荣景象，胡晓曼总结了如下几点经验： **1\. 扎实的技术功底** 算法专家出身的胡晓曼具备扎实的技术功底。MindSpore框架的上手和使用对胡晓曼来说颇为轻松，她也能深度参与和理解开发者讨论的各类技术主题。在她看来，开源技术社区的运营至少应该能独立使用运营的产品，最好能深入理解代码和原理相关的内容。具备这样的技术背景，运营才能更好地与社区用户打成一片，亲身感受社区氛围，了解用户的需求与痛点。 **2\. 多样化的运营方式** 胡晓曼认为，开源社区的运营需要与该项目的发展周期相结合，在开源初期，她把目标定为“迅速提升技术影响力”。MindSpore是一个迭代速度非常快的AI框架，在开源初期，每个月月末都会发布新版本，让开发者体验新的版本特性，如何让开发者们更快了解这些新特性的优势，是她最先解决的问题之一。 在不断尝试的过程中，胡晓曼将各类互联网社区的成功经验融入进来，于是开始利用视频、趣味课程等方式来吸引用户，获得了相当好的效果。技术视频往往较为枯燥乏味，胡晓曼将开发者的痛点和新版本的特性结合在一块，拍摄了1分钟新版本特性短视频，发布在抖音、B站等各个网站。在没有任何渠道推广的情况下，全网播放量突破百万，迅速打出了MindSpore的技术品牌。算法专家背景出身的她，将以往模型训练的经验，运用到开源运营上，首次提出了“用模型的思维做运营”的方法论，把每一次运营的方法作为一次小的模型，按照整个“模型开发”流程一样不断地迭代优化，上线后进行效果评估、收集社区反馈，在下一次改进时去芜存菁，这样的进化方式成为了MindSpore社区快速成长的主要驱动力之一。 **3\. 平等友好的社区氛围** 除了技术背景和多样化的手段以外，胡晓曼提到了开源社区建设工作中最关键的价值点。 **“真正的开源社区中，运营方与开发者应该处于互相平等的地位。”** 很多开源技术的社区管理方会有一种居高临下的心理认知，认为开发者只是“贡献者”的角色，将自身置于合作的主导地位上，甚至会有大家长的心态。但胡晓曼认为，社区运营与用户的地位一定应该是平等开放的，这样才能让用户体会到自己的参与和贡献具有价值感。 这种平等开放的理念贯穿在了MindSpore社区的发展过程中，并得到了广大社区成员的认可与支持。不少开发者会持续提出自己的建议，运营方会很快给出相应的反馈，这样的交流推动了整个社区的成长。这样的社区氛围也让胡晓曼获得了更多成就感，让她体会到自己的工作为成千上万的开发者、社区成员确确实实地带来了收益。 一个开源社区是否成功，是很难去量化的，上游社区的开源社区健康度指标并没有一个标准的评价体系，即使有也很难适用于所有的开源社区。其他的平台性质指标，譬如GitHub的star、fork、watch等，更不是衡量一个开源社区成功的唯一标准，那么选择什么样的目标作为考量指标，决定了这个开源社区未来的走向和价值定位。在这个过程中，需要反复地去验证、磨合，证明，确保MindSpore开源社区的定位，是完全以开发者为本的社区，而不是唯指标论的社区。指标是用来衡量自己的工作的，不是来单一衡量开发者社区的唯一目标。 **产品思维做社区，成！** **1\. ToB新范式：MSG·企业行为什么比传统模式具有更高的转化率** 开源产品对于企业是否能带来商业价值一直是业界的思考问题。传统的ToB模式需要投入大量的人力和时间，周期长见效慢，如何更有效更迅速地了解企业的痛点和诉求，是胡晓曼想突破的核心点所在。2021年下半年，她设计了一套完整的MindSpore企业拓展方案，面对不同类型、行业、所处阶段的企业均有针对性方案。今年7月开启了第一场MSG企业行·南京场，联合江苏昇腾创新中心，覆盖了96%南京本地AI科技企业，针对优势行业进行了企业赋能，同时让他们了解MindSpore的技术优势、计算中心和创新中心的扶持力度，给当地的中小型AI企业搭建了合作的桥梁。后续陆续将企业行的成功模式带入了武汉、西安、成都。为500多家高意向企业建立了合作的渠道，大力节省了企业本身需要在AI人才、算力等方面需要耗费的资金，具有显著的商业价值。 **2\. 项目交付制：TinyMS如何在开源半年内助力团队获得比赛金奖？** 去年3月末，胡晓曼带领团队开发了新型AI工具——基于MindSpore开发的高阶API工具TinyMS。在项目启动之初，胡晓曼就立志想要为AI初学者设计一个完全零基础也能上手使用的高阶AI框架工具，并配备保姆级的教程，帮助小白从最基础的shell脚本、python学习、必备的数学知识等开始学，直到能自己上手写模型。10月，第七届中国国际“互联网+”大学生创新创业大赛总决赛在南昌开幕，来自华南理工大学的团队选择了TinyMS赛题——『使用MindSpore高阶工具TinyMS支持的网络CycleGAN训练图像风格迁移模型』，在6100个项目中、12000余名学生的激烈角逐下获得了产业赛道唯一金奖。事后采访获奖的两位同学代表，均认为正是因为TinyMS的极致易用，才让他们在如此短的时间内完成开发和调试，最终摘得桂冠。胡晓曼始终认为，在开源社区的运作和管理中，对于任何项目，都要有清晰明确的定位和规划，并采取项目交付制，满足最小MVP原则先上线，再不断优化迭代，才能尽可能地让产品更加完善，满足用户需求。 **3\. 生态永传承：两大生态案例落地的背后故事** 2021年4月，一个下午的时间，山水自然保护中心和MindSpore社区一拍即合，决定为国家保护动物做件大事，合作三江源野外红外相机识别项目。历经半年反复调优及野外实地实验，2021年底终于在山水自然保护生态系统上线。这是首个基于国产框架的三江源红外影像自然保护预训练模型，并且开源所有相关工具。 除了生态保护，文化传承也少不了昇思MindSpore的助力。在胡晓曼开展的MSG·Women In Tech活动中，AI和加密艺术家宋婷女士想借助AI为文化传承尽一份力，宋婷团队基于MindSpore的GAN网络，对世界保护非物质文化遗产扎染的图案进行训练，生成新的扎染图案来保护非传承工艺，最终在央视作为开源文化特色案例播出。 很多非AI领域的人往往不知道AI能为人们的生活带来什么改变，能够为大自然做出什么贡献，这两个案例生动形象展示了昇思MindSpore AI框架为自然生态和文化领域带来的贡献，这也是胡晓曼认为投入开源的最大价值。 **想入行？这么做** 如何将自身打造成一名优秀的社区运营专家呢？胡晓曼回顾自身经验，提出了三点供大家参考。 **1\. 保持初心,与开发者感同身受** 当你在进入一个新的领域时，一定会有手足无措的感觉，但是熟悉了以后，就很难体会到当初作为小白的心境了。所以要时刻保持自己的新鲜感，与开发者感同身受，去回顾当时的心境。除了日常工作外，胡晓曼会经常学习不同的技术框架，如Julia等，了解其他不同类别的技术社区的发展历史，技术特性的更新，和社区氛围的建设，这样能帮助她跳出原本的AI领域，从另一个角度去看待原本的工作是否有值得学习的点。此外，为了保持与开发者同频率的心境，胡晓曼还会定期和开发者聊天，了解他们在使用产品时的体验，真正做到零距离面对开发者。 **2\. 广泛涉猎，迅速转化灵感并执行** 胡晓曼阅读的范围非常广泛，除了早期做程序员的时候经常刷的工具书，哲学、自然科学、社会心理学等各种类型都有涉猎，并在自己的读书笔记中记录值得思考的点。在阅读不同行业、不同领域的书籍时，她经常会和工作中的应用场景结合在一起，引出一些新的思考，然后把思考转化为可操作的执行方案，再来快速迭代，最后抽象成一条可行的方法论，在以后类似的场景进行复用。除此之外，她还会体验各类不同的互联网社区，包括小红书、抖音等各类内容平台，了解各平台是如何吸引用户自发产生内容，进行流量分发、设立激励机制等等。虽然是不同的产品，但是成功的产品一定会有共性，能够总结出通用的一些经验，尤其在把握人性方面，这些全品类的内容平台把这一点运用到了极致。对开源社区，除了技术产品本身的实力需要足够过硬，好的内容吸引机制也是社区运营必不可少的因素之一。 **3\. 量化指标，不断提升工作效果** 如果让你尝试一项新事物，不定任何目标和截止时间，很容易随着时间的推移拖延，或者因为长期看不到进步而放弃。所以胡晓曼提出，对待工作，或者新事物，要学会量化学习，具化指标，定量完成，阶段更新。为什么会得出这个结论呢？其实在日常生活中，胡晓曼热爱健身，积极尝试各种运动，包括羽毛球、普拉提、滑雪等，在认真学习过多种运动后，她发现健身，或者说不同的运动是可以量化学习的。譬如健身，很多人在没有系统学习和科学的方法之前直接上大重量就很容易受伤，而不定目标，每次泛泛的学习，长期下来也会有挫败感。同理，当开发者接触一个新的领域，新的框架，如果没有阶段性的反馈，很难去发现自己存在的问题，而人往往都具有惰性，所以胡晓曼在社区中设计了一个开发者进阶体系，让所有进入到MindSpore开源社区的开发者都能清楚的找到自己的定位，引导激励开发者不断再向前一步，这样能让每一位开发者在社区中不断成长。在个人工作中，胡晓曼也经常会量化自己的工作指标，用数据定量反馈成果，而不是用体验去描述结果的好坏。 **主流之外，更要关注** **1\. 关注女性开发者：来自女性的视角与见解** 策划女性开发者主题的线下沙龙活动是胡晓曼运营工作中的一项独到成果，她是国内第一个在开源社区中格外关注女性开发者的人。女性程序员出身的胡晓曼更容易理解IT技术行业中女性作为少数力量所普遍存在的心理认知与担忧。例如很多女性会对自身的职业前景、职业发展有种种疑虑，于是胡晓曼专门策划了MSG·Women In Tech的女性专场活动，针对科技领域的女性从业者，为她们组建一个独有的空间，让行业中的女性前辈分享自己的案例，解决职场上发展的困惑。 常见的技术沙龙往往是布道式的，几位专家发表演讲，与会者认真听讲，互动部分只占很小的比例。但MSG·Women in Tech不再是单一的听，而是与嘉宾完全互动，和参会的人共同探讨职业问题。目前为止，共举办了4期活动，分别在北京、上海、深圳邀请了二十多位优秀女性行业前辈分享经验，吸引了300+位女性科技从业者报名，100+位女性来到现场互相交流。分享如何成为一个合格的技术leader、如何向上管理、如何争取自己想做的项目等等一系列在职场中的常见问题，与会者和嘉宾围着桌子坐成一圈，大家一同去探索解决方案，分享经验，在去年9月作为华为Women In Tech官方代表，拍摄视频发布于华为海内外官方账号，传播量超千万，受到广泛的认可。 **2\. 开源运营也开源：能开源的绝不止代码** 在开源社区里，常见的开源项目通常以代码为主，但胡晓曼想，为什么我们不能把开源运营也开源出来呢？不是只有代码经验才可以复用，开源社区运营本身也可以总结成经验形成方法论再开源出来，造福新入行的同学。去年三月末，MindSpore开源社区联合开放原子基金会，共同发起了一个『把社区运营也开源』的开源社区0xCommops，希望大家共同贡献，持续完善开源社区运营体系，打造一个开源社区运营的知识库、工具库。 **一些小建议** 很多年轻的技术从业者甚至非技术背景的年轻人都对开源社区运营这样的岗位感兴趣，胡晓曼也为这些小伙伴提出了宝贵的建议。 - **了解行业**。胡晓曼建议，想要在开源社区运营的岗位上做出成绩，运营者首先就要有非常扎实的技术背景，足够了解自己要运营的产品。一个合格的开源社区运营者，必须是一个有产品思维的资深开发者。 - **快速试错**。运营类的工作并不一定要进入公司才可以做，如果你是一个程序员，可以先从运营一个自己的开源项目入手，从0到1的尝试做到活跃社区，总结有效的经验，小步快走，快速试错，对正式进入开源运营的工作非常有帮助。 - **保持极大的热情和充沛的精力**。从事一个你热爱的职业是一件非常难得的事，如果正好是，那很幸运，保持你的初心和热情，如果不是，那把它变成你热爱的工作，找到工作中的兴奋点，这样才能走的更远。运营的职业发展是有很多可能性的，在工作中需要不断去思考和探索，并结合自身去修正职业图景。随着自身眼界不断开阔、成就越来越多，获得知识和经验的持续积累，运营人员也会对自身优劣势有更清晰的认知。在此基础上，小伙伴就可以从自己的兴趣出发，选择最适合自己的发展方向。 总而言之，热爱自己的工作，把它作为事业而不是职业，坚定的走下去，会让你走的更远，带来意想不到的价值！ * * * **关于华为开源** 作为可信赖的开源公民，华为通过持续贡献，携手伙伴，提倡包容、公平、开放和更团结的协作，共建世界级基础软件开源社区，加速行业数字化进程。 **·** 主流开源组织的积极参与者和支持者。目前华为已是数十个国际开源基金会的顶级/初创会员。 **·** 规模贡献开源基础软件，夯实数字基础设施生态底座，携手伙伴、开发者共建开源生态。近两年来，面向云原生、自动化和智能化，华为先后开源了KubeEdge 、MindSpore 、openEuler、openGauss、OpenHarmony等多个平台级基础软件开源项目，成为被全球开发者所接受的开源社区，并在各行业商用落地。 **·** 积极建设可持续发展、有生命力的可信开源社区。华为致力于完善社区生态治理架构，确保社区持续演进。 ### 扫描下方二维码加入MindSpore项目 MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee : https : //gitee.com/mindspore/mindspore 官方QQ群 : 486831414 --- https://www.mindspore.cn/news/zh/nature.com/articles/s41592-025-02820-1/ --- 返回首页 --- https://www.mindspore.cn/papers/ --- ### 基于昇思的流场景下知识图谱表示学习框架 ——热门论文精讲 ### 基于昇思数据恢复驱动的深度不完备多视图聚类网络 ——热门论文精讲 ### 基于昇思MindSpore的零售商品视觉结算原型学习PLACO,实现准确率提升2.89% ——热门论文精讲 ### 基于昇思的等夹角向量基(EBVs)分类性能显著优于传统分类器详解 ——热门论文精讲 ### 基于昇思MindSpore实现多域原型对比学习下的泛化联邦原型学习 ——热门论文精讲 ## 学术论文 领域 来源 时间 暂无数据 --- https://www.mindspore.cn/personal-data-collection-overview/ --- .statement-container \*{ margin: 0; padding: 0; font-family: "Microsoft YaHei", arial, sans-serif; }.statement-container body{ margin: 20px; }.statement-container ul, .statement-container ol{ list-style: none; }.statement-container .content{ padding-left: 10px; line-height: 24px; font-size: 16px; }.statement-container .overview{ font-size: 16px; line-height: 30px; }.statement-container .overview ul{ list-style:disc inside; padding: 5px; }.statement-container .overview ol{ list-style:decimal inside; padding: 5px; }.statement-container table{ margin-top: 0.4rem; font-family: 鸿蒙黑体, sans-serif; font-weight: 400; }.statement-container table thead th{ font-size: 16px; text-align: left; font-weight: normal; padding: 10px; border: 1px solid #ddd; height: 24px; line-height: 24px; background: rgba(242, 242, 242, 1); }.statement-container table, .statement-container table tbody tr th, .statement-container table tr td{ padding: 12px 16px 16px 16px; font-size: 16px; font-weight: normal; border-collapse: collapse; border: 2px solid #000000; color: #000000E6; }.statement-container th.borderRight, .statement-container td.borderRight{ border-right: none; }.statement-container th.borderLeft, .statement-container td.borderLeft{ border-left: none; }.statement-container th.borderTop, .statement-container td.borderTop{ border-top: none; }.statement-container th.borderBottom, .statement-container td.borderBottom{ border-bottom: none; }.statement-container .title\_content{ text-align: center; line-height: 38px; font-size: 22px; }.statement-container .date\_content{ text-align: right; line-height: 38px; color: rgb(51, 51, 51); padding-right: 40px; }.statement-container .body\_content{ padding: 20px 100px 0px 100px; }.statement-container .list\_title{ font-size: 18px; line-height: 36px; font-weight: bold; } ## 个人信息收集清单 MindSpore社区（以下简称我们）会严格遵从国家的法律法规要求，将合法合规融入业务设计和流程中，并采用业界先进的安全技术保证数据安全。同时我们非常重视您的个人信息和隐私保护，致力于捍卫每个人的隐私权利。 目前本应用涉及场景如下： ## 1\. 账号服务 - **收集目的**：用于登录、注册 MindSpore社区的身份校验，以及维护您的个人信息 - **个人信息类型**：您主动提交的数据/账号信息 - **收集的方式**：用户输入/第三方账号共享 - **个人信息字段**：**用户名**、**密码**、**手机号**、**手机验证码**、**邮箱**、**邮箱验证码**、头像、**组织**、根据您的登录方式，分别收集：1）**Gitee UUID**、**Gitee ID**、Gitee昵称、**Gitee邮箱**；2）**Github UUID**、**Github ID**、Github昵称、**Github邮箱**；3）**微信ID**、微信昵称；4）**AtomGit UUID**、**AtomGit ID**、AtomGit昵称、**AtomGit邮箱** ## 2\. 邮件列表服务 - **收集目的**：为您提供邮件订阅服务，便于参与社区中的讨论 - **个人信息类型**：您主动提交的数据 - **收集的方式**：用户输入 - **个人信息字段**：**邮箱**、**姓名（可选）** ## 3\. 服务优化 - **收集目的**：为了保证服务质量以及业务运营，我们会自动收集并存储必要的日志信息，用于社区运营及运维安全 - **个人信息类型**：应用信息/设备信息 - **收集的方式**：系统收集 - **个人信息字段**：访问时间戳、**IP地址**、请求详情、访问状态、访问资源大小、访问来源、请求用户代理信息、设备信息（设备名称、设备类型、设备供应商、操作系统、操作系统版本、屏幕宽度、屏幕高度）、应用信息（应用ID、使用的SDK版本号、浏览器、浏览器版本、浏览器视口宽度、浏览器视口高度）、应用使用信息（事件名称、事件属性、上报时间、客户端匿名ID） ## 4\. 贡献者许可协议签署 相关个人信息收集目的、个人信息类型、收集的方式、个人信息字段，请参见：贡献者许可协议签署个人信息收集清单。 ## 5\. 会议服务 - **收集目的**：配置会议相关权限、发送会议邀请邮件 - **个人信息类型**：您主动提交的数据 - **收集的方式**：用户输入 - **个人信息字段**：**AtomGit ID**、**邮箱** ## 6\. 内容发布 - **收集目的**：以便开发者更好地了解和认识社区，从而更快地建立链接并参与到我们社区 - **个人信息类型**：您主动提交的数据 - **收集的方式**：用户输入 - **个人信息字段**：**照片**、**姓名**、**公司名称**、**职位**、**学校**、**学位**、**个人简介**、**地域**、**代码托管平台用户ID** ## 7\. Meetup申请 - **收集目的**：用于与您取得联系，为您安排相关活动事宜 - **个人信息类型**：您主动提交的数据 - **收集的方式**：用户输入 - **个人信息字段**：负责人信息（**姓名**、**手机号**、**邮箱**、**组织**） ## 8\. 论坛服务 - **收集目的**：用于账户身份权限校验、提供更安全的服务、以及对举报内容进行确认和核实 - **个人信息类型**：您主动提交的数据/账号信息 - **收集的方式**：用户输入/第三方账号共享/系统收集 - **个人信息字段**：**用户名**、**邮箱**、**手机号**、**密码**、昵称、头像。根据您的登录方式，分别收集：1）**Gitee ID**；2）**Github ID**；3）微信昵称；4）**AtomGit ID**。**IP地址**、**地域**、设备信息、登录时间、**偏好设置**、点赞信息、关注信息、收藏的内容、发帖数、回复数、关注数、粉丝数、个人简介、获得徽章、侧边栏设置、关注列表、粉丝列表、邮件摘要、时区、发表和回复的内容、图片、音频、视频、文档以及评论、举报类型、举报描述、组织、主机名 更新日期: 2026年09月14日 --- https://www.mindspore.cn/personal-data-collection-overview/en/ --- .statement-container \*{ margin: 0; padding: 0; font-family: "Microsoft YaHei", arial, sans-serif; }.statement-container body{ margin: 20px; }.statement-container ul, .statement-container ol{ list-style: none; }.statement-container .content{ padding-left: 10px; line-height: 24px; font-size: 16px; }.statement-container .overview{ font-size: 16px; line-height: 30px; }.statement-container .overview ul{ list-style:disc inside; padding: 5px; }.statement-container .overview ol{ list-style:decimal inside; padding: 5px; }.statement-container table{ margin-top: 0.4rem; font-family: 鸿蒙黑体, sans-serif; font-weight: 400; }.statement-container table thead th{ font-size: 16px; text-align: left; font-weight: normal; padding: 10px; border: 1px solid #ddd; height: 24px; line-height: 24px; background: rgba(242, 242, 242, 1); }.statement-container table, .statement-container table tbody tr th, .statement-container table tr td{ padding: 12px 16px 16px 16px; font-size: 16px; font-weight: normal; border-collapse: collapse; border: 2px solid #000000; color: #000000E6; }.statement-container th.borderRight, .statement-container td.borderRight{ border-right: none; }.statement-container th.borderLeft, .statement-container td.borderLeft{ border-left: none; }.statement-container th.borderTop, .statement-container td.borderTop{ border-top: none; }.statement-container th.borderBottom, .statement-container td.borderBottom{ border-bottom: none; }.statement-container .title\_content{ text-align: center; line-height: 38px; font-size: 22px; }.statement-container .date\_content{ text-align: right; line-height: 38px; color: rgb(51, 51, 51); padding-right: 40px; }.statement-container .body\_content{ padding: 20px 100px 0px 100px; }.statement-container .list\_title{ font-size: 18px; line-height: 36px; font-weight: bold; } ## Personal Data Collection Overview The MindSpore community (hereinafter referred to as "we," "us," or "our") will strictly comply with national laws and regulations, incorporate legal compliance into business design and processes, and use industry-leading security technologies to ensure data security. We attach great importance to your personal data and privacy protection and are committed to safeguarding the privacy rights of every user. This website involves the following personal data collection scenarios: ## 1\. Account Service - **Purpose**: Verify identity during login and registration on this website and maintain your personal data - **Personal data type**: data you voluntarily submit/account information - **Collection method**: user input or shared by third-party accounts - **Personal data fields**: **user name**, **password**, **phone number**, **phone verification code**, **email address**, **email verification code**, avatar, **organization**, the following information based on your login mode: 1) **Gitee UUID**, **Gitee ID**, Gitee nickname, **Gitee email address**; 2) **GitHub UUID**, **GitHub ID**, GitHub nickname, **GitHub email address**; 3) **WeChat ID**, WeChat nickname; 4)**AtomGit UUID**, **AtomGit ID**, AtomGit nickname, **AtomGit email address** ## 2\. Mailing List Service - **Purpose**: Provide email subscription services, enabling participation in community discussions - **Personal data type**: data you voluntarily submit - **Collection method**: user input - **Personal data fields**: **email address** and **name (optional)** ## 3\. Service Optimization - **Purpose**: Maintain service quality and operational requirements by automatically collecting and storing essential log data for community management and system security - **Personal data type**: application or device information - **Collection method**: collected by the system - **Personal data fields**: access timestamp, **IP address**, request details, access status, accessed resource size, access source, user agent, device information (device name, device type, device vendor, operating system, operating system version, screen width, screen height), application information (application ID, SDK version , browser, browser version, browser viewport width, browser viewport height), application usage information (event name, event attributes, reporting time, client anonymous ID) ## 4\. Contributor License Agreement (CLA) Signing Regarding the purpose of collecting personal data, the types of personal data, the methods of collection, and the specific personal data fields, refer to the Personal Data Collection Overview. ## 5\. Meeting Service - **Purpose**: Configure meeting permissions and send meeting invitation emails - **Personal data type**: data you voluntarily submit - **Collection method**: user input - **Personal data fields**: **AtomGit ID** and **email address** ## 6\. Content Release - **Purpose**: Help developers better understand and connect with the community, enabling faster engagement - **Personal data type**: data you voluntarily submit - **Collection method**: user input - **Personal data fields**: **photo**, **name**, **company name**, **position**, **school**, **degree**, **profile**, **region**, and **code hosting platform user ID** ## 7\. Meetup Application - **Purpose**: Contact you and coordinate event arrangements - **Personal data type**: data you voluntarily submit - **Collection method**: user input - **Personal data fields**: contact information (**name**, **phone number**, **email address** and **organization**) ## 8\. Forum Service - **Purpose**: Verify account identity and permissions, provide more secure services, and verify reported contents - **Personal data type**: data you voluntarily submit/account information - **Collection method**: user input, shared by third-party accounts, or collected by the system - **Personal data fields**: **user name**, **email address**, **phone number**, **password**, nickname, avatar. The following information based on your login mode: 1) **Gitee ID**; 2) **GitHub ID**; 3) WeChat nickname; 4) **AtomGit ID**. **IP address**, **region**, device information, login time, **preference settings**, like information, follow information, favorite content, post count, reply count, follow count, fan count, personal profile, badge acquisition, sidebar settings, follow list, fan list, email summary, time zone, post and reply content, images, audio, video, documents, comments, report type, description, organization, and host name Revised Date: 14/09/2026 --- https://www.mindspore.cn/privacy/ --- .statement-container \*{ margin: 0; padding: 0; font-family: "Microsoft YaHei", arial, sans-serif; }.statement-container body{ margin: 20px; }.statement-container ul, .statement-container ol{ list-style: none; }.statement-container .content{ padding-left: 10px; line-height: 24px; font-size: 16px; }.statement-container .overview{ font-size: 16px; line-height: 30px; }.statement-container .overview ul{ list-style:disc inside; padding: 5px; }.statement-container .overview ol{ list-style:decimal inside; padding: 5px; }.statement-container table{ margin-top: 0.4rem; font-family: 鸿蒙黑体, sans-serif; font-weight: 400; }.statement-container table thead th{ font-size: 16px; text-align: left; font-weight: normal; padding: 10px; border: 1px solid #ddd; height: 24px; line-height: 24px; background: rgba(242, 242, 242, 1); }.statement-container table, .statement-container table tbody tr th, .statement-container table tr td{ padding: 12px 16px 16px 16px; font-size: 16px; font-weight: normal; border-collapse: collapse; border: 2px solid #000000; color: #000000E6; }.statement-container th.borderRight, .statement-container td.borderRight{ border-right: none; }.statement-container th.borderLeft, .statement-container td.borderLeft{ border-left: none; }.statement-container th.borderTop, .statement-container td.borderTop{ border-top: none; }.statement-container th.borderBottom, .statement-container td.borderBottom{ border-bottom: none; }.statement-container .title\_content{ text-align: center; line-height: 38px; font-size: 22px; }.statement-container .date\_content{ text-align: right; line-height: 38px; color: rgb(51, 51, 51); padding-right: 40px; }.statement-container .body\_content{ padding: 20px 100px 0px 100px; }.statement-container .list\_title{ font-size: 18px; line-height: 36px; font-weight: bold; } - ## 隐私声明 MindSpore社区是由华为技术有限公司（以下称为“我们”）运营并向您提供服务，我们深知您的隐私对您的重要性，并充分尊重您的隐私。**在向我们提交您的个人信息之前，请您仔细阅读本《隐私声明》（以下简称“本声明”）**。如果您对于我们处理您的个人信息的方式有任何疑问，欢迎与我们联系。 **【版本变更说明】** 请您仔细阅读此次隐私声明的更新内容： 1. 根据个人信息收集清单，更新隐私声明中相应部分。 1\. 我们如何收集和处理您的个人信息 **如果您仅仅浏览MindSpore社区网站（以下简称“本网站”）的一般性内容，我们通常并不要求您提供个人信息，但在以下情形，我们会相应收集您的个人信息，您也可以通过访问《个人信息收集清单》快速了解我们收集、使用个人信息的基本情况**： **a) 账号服务**。 1. 当您注册MindSpore社区账号的时候，我们将收集您的**用户名**、**密码**、**邮箱**、**手机号**、**邮箱或手机号的验证码**，并自动生成唯一的账户标识符，如您拒绝提供上述信息，您将无法完成账户注册； 2. 当您使用**用户名**、**邮箱**或**手机号**登录MindSpore社区时，我们将收集您提供的**用户名**、**邮箱**、**手机号**、**密码**、**邮箱或手机号的验证码**用于身份校验，如您拒绝提供上述信息，您将无法完成登录； 3. 当您使用第三方账号（Gitee/Github/微信/AtomGit）登录时，我们将根据您的登录方式，分别收集以下数据 - **Gitee UUID**、**Gitee ID**、Gitee昵称、**Gitee邮箱**； - **Github UUID**、**Github ID**、Github昵称、**Github邮箱**； - **微信ID**、微信昵称； - **AtomGit UUID**、**AtomGit ID**、AtomGit昵称、**AtomGit邮箱**。 用于身份校验和社区代码托管平台的权限管理。若是使用第三方账号登录，且没有绑定到任何的MindSpore社区账号，会自动生成新的MindSpore社区账号和唯一的账户标识符，MindSpore社区账号的用户名由**Gitee ID**/**Github ID**/微信昵称/**AtomGit ID**衍生而成。如您拒绝提供上述信息，您将无法通过第三方账号进行登录。 4. 当您登录MindSpore社区后，完善您的个人信息时，可以设置您的头像、组织，如您拒绝提供上述信息，不影响您的功能使用。 5. 当您登录MindSpore社区后，可以对**邮箱**、**手机号**、**密码**进行修改，我们将收集您提供的**邮箱**、**手机号**、**密码**、**邮箱或手机号的验证码**用于修改信息时的身份校验。 6. 当您登录MindSpore社区后，可以在账号设置绑定第三方账号（Gitee/Github/微信/AtomGit），我们将根据您绑定的三方账号分别收集您的第三方账号信息： - **Gitee UUID**、**Gitee ID**、Gitee昵称、**Gitee邮箱**； - **Github UUID**、**Github ID**、Github昵称、**Github邮箱**； - **微信ID**、微信昵称； - **AtomGit UUID**、**AtomGit ID**、AtomGit昵称、**AtomGit邮箱**。 如您拒绝提供上述信息，您将无法绑定第三方账号用于登录。 **b) 邮件列表服务**。当您使用我们的邮件订阅服务时，我们将收集您的**邮箱**以及**您的姓名（可选）**，用于为您提供邮件订阅服务，便于您参与社区中的讨论。 **c) 服务优化**。为了保证服务质量以及业务运营，我们会自动收集并存储必要的日志信息，包括访问时间戳、**IP地址**、请求详情、访问状态、访问资源大小、访问来源、请求用户代理信息，同时，我们会采集您的设备信息（设备名称、设备类型、设备供应商、操作系统、操作系统版本、屏幕宽度、屏幕高度）、应用信息（应用ID、使用的SDK版本号、浏览器、浏览器版本、浏览器视口宽度、浏览器视口高度）、应用使用信息（事件名称、事件属性、上报时间、客户端匿名ID），用于社区运营及运维安全。 **d) 贡献者许可协议签署**。当您通过贡献者许可协议（简称“CLA”）签署系统（点击此处了解）参与代码贡献时，您需要向 CLA 签署系统提交您的相关个人信息，我们会取得这些个人信息用于校验您是否已经签署 CLA，并进行相关统计分析，用于了解社区的运营状况。 **e) 会议服务**。当您使用MindSpore社区提供的会议服务时，我们会收集您的**AtomGit ID**，用于配置相关权限。如果您有预定会议权限，在预定会议时，我们会收集您编辑的**邮箱**，用于发送会议邀请邮件。在预定会议时，如果您选择了会议自动录屏，在会议结束后，我们会将会议录像上传至第三方平台哔哩哔哩，以便于更多感兴趣的个人或组织回顾您组织的会议。 **f) 内容发布**。当您参加社区会议、社区活动、开发者开源社区贡献、博客、新闻组或参与社区组织，您可以提交**照片**、**姓名**、**公司名称**、**职位**、**学校**、**学位**、**个人简介**、**地域**、**代码托管平台用户ID**，并在我们网站上发布上述信息，以便开发者更好地了解和认识社区，从而更快地建立链接并参与到我们社区。 **g) Meetup申请**。当您申请组织MindSpore Meetup活动时，通过您主动填写的申请表，社区将会收集您的**姓名**、**组织**，用于了解您申报的基础信息；收集您的**手机号**、**邮箱**，用于与您取得联系，确认您的申请及相关事项，并为您安排相关活动执行事宜。 **h) 论坛服务**。 1. 当您注册或登录论坛服务时，我们会从MindSpore账号收集您的**用户名**、**邮箱**、**手机号**、**密码**、昵称、头像、并根据您的登录方式，分别收集：**Gitee ID**、**Github ID**、微信昵称、**AtomGit ID**，为您的账户赋予权限和角色；同时我们还会收集您的**IP地址**、**地域**、设备信息、登录时间、**偏好设置**，以便为您提供更安全的服务； 2. 当您在使用论坛服务时，我们会收集您的点赞信息，关注信息，收藏的内容、发帖数、回复数、关注数、粉丝数、个人简介、获得徽章、侧边栏设置、关注列表、粉丝列表、邮件摘要、时区、发表和回复的内容、图片、音频、视频、文档以及评论，以便了解您的个人偏好，更好地为您服务； 3. 当您对论坛帖子或回复进行投诉举报时，我们会收集您的举报类型、举报描述、**用户名**、**IP地址**、**地域**、组织、主机名，以便于对举报内容进行确认和核实。 我们还可能会在您的授权同意范围内从第三方，包括其他平台或社区收集到您的个人信息，或者我们能从其他合法公开渠道获取到您的个人信息。我们保证严格依照相关法律规定处理您的个人信息，同时请您详细阅读该第三方的隐私声明及用户协议。如使用MindSpore社区需要第三方提供您的个人信息，但您拒绝第三方在提供服务时收集、使用传递或者分享您的个人信息，将可能导致您无法使用MindSpore社区相关服务。 2\. 我们如何使用Cookie及类似技术 为确保网站正常运转，我们有时会在计算机或移动设备上存储Cookie。就我们使用Cookie及类似技术，以及他们如何处理您的个人信息的细节，请见我们的《关于cookies》。 3\. 我们如何共享您的个人信息 共享是指我们向第三方提供个人信息，且我们和第三方分别对个人信息进行独立处理的过程。除非您的同意，我们不会向第三方共享您的个人信息，但以下情况或本声明规定的情形除外： **a) 在获取明确同意情况下的共享**。获得您的明确同意后，我们会向您指定的第三方共享您授权范围内的信息。 **b) 为了保护国家安全、公共安全以及您和其他个人的重大合法权益而需要共享您的个人信息**。 **c) 我们可能会将您的个人信息向我们的关联公司共享，以供它们为您提供服务支持或安全支持**。 **d) 共享给业务合作伙伴**。我们可能会向合作伙伴等第三方共享您的信息。但我们仅会出于合法、正当、必要、特定、明确的目的共享您的个人信息，并且只会共享提供服务所必需的个人信息。 更多详情请查阅《第三方共享信息清单》，如果您拒绝我们的合作方在提供服务时收集为提供服务所必需的个人信息，将可能导致您无法使用通过该合作方提供的服务。 在我们根据上述内容向关联公司或合作伙伴共享信息时，我们将通过合同等方式规定其责任和义务，并要求他们采取必要措施保障所处理的个人信息的安全。 4\. 我们将保留多久您的个人信息 我们将会在达成本声明所述目的所需的期限内保留您的个人信息，除非按照法律要求或您的要求需要延长保留期。 一般而言，我们会自您使用我们的社区服务时获取您的个人信息之日起，根据可适用法律的要求或服务协议的约定，在留存期限内存储或保留您的个人信息。在您的个人信息超出保留期限后，且没有法律要求我们继续处理您的特定个人信息的情况下，我们将会根据可适用法律的要求删除您的个人信息，或进行匿名化处理。 当您主动申请删除您的个人信息时，相关数据留存期为1个月，我们会在1个月内响应您的要求并删除您相关个人数据。 为了服务优化，基于统计访问数量目的收集的访问时间戳、**IP地址**、请求详情、访问状态、访问资源大小、访问来源、请求用户代理信息会保存180天后自动删除。 ### 4.1 注销服务 您可以进入“账号设置” > “账号安全” > “注销”申请注销您的社区账号，您在社区的个人信息也将一并删除，请您谨慎操作。 5\. 我们将如何保护您的个人信息 我们重视您的个人信息安全。我们采用适当的物理、管理和技术保障措施来保护您的个人信息。例如，我们会使用加密技术确保信息的机密性；我们会使用保护机制防止信息遭到恶意攻击；我们会部署访问控制机制，确保只有授权人员才可访问个人信息；以及我们会举办安全和隐私保护培训等。**总之，我们会尽力保护您的个人信息。尽管如此，任何措施都无法做到无懈可击，也没有任何产品与服务、网站、信息传输、计算机系统、网络连接是绝对安全的**。 如果不幸发生个人信息安全事件，我们将按照适用法律法规的要求，及时通过邮件、信函、电话、推送通知等方式向您告知：安全事件的基本情况和可能的影响、我们已采取或将要采取的处置措施、您可自主防范和降低风险的建议等。如果难以逐一告知个人信息主体时，我们会采取合理、有效的方式发布公告。同时，我们还将按照适用法律或监管部门要求，主动上报个人信息安全事件的处置情况。 6\. 如何访问或控制您的个人信息 根据适用的法律法规，就您的个人信息，您可能享有如下权利： **a)** 访问我们持有的您的个人信息并获得副本的权利； **b)** 要求我们更新或更正您的个人信息的权利； **c)** 要求我们删除您的个人信息的权利； **d)** 反对我们对您的个人信息进行处理的权利； **e)** 限制我们对您的个人信息进行处理的权利； **f)** 向有权的个人信息保护部门提起投诉、举报的权利。 请注意该等权利不是绝对的，且可能根据适用的法律受到限制。如果您需要我们协助行使上述请求或权利，请通过 **第10章节“如何联系我们”** 与我们取得联系。 - 为了向您提供CLA签署服务，我们将保留您的个人信息。数据留存的期限取决于该数据的具体使用目的以及相关法律法规的要求。您应理解，CLA是您个人或您所代表的企业签署的具有法律效力的文件，作为您对您所贡献内容授予永久许可的凭证，因此如果您要求我们删除为签署CLA目的收集的数据（包括您的**姓名**、**邮箱**），我们可能不会根据您的请求删除您的个人信息，除非删除该信息不影响您已签署的CLA的法律效力； - 您在社区网站公开展示的个人信息会被存储在相关代码仓库中，删除后仍会有历史记录保留； **除非适用的法律法规另有要求，我们会尽快响应您的请求**。请注意在某些情况下，您的请求将被驳回，比如我们无法验证您的身份，或您提出的要求超出适用的法律下赋予您的权利。我们将书面告知您提出的请求被驳回以及被驳回的原因。 您可以改变您授权我们继续收集个人信息的范围或撤回您的授权，但您撤回同意或授权的决定，不会影响此前基于您的授权而开展的个人信息处理行为。 7\. 个人信息存储地点 您的个人信息将被存储于中华人民共和国境内服务器，业务场景中不涉及到个人信息跨境转移。 8\. 如何更新本声明 我们可能会根据我们的服务或数据处理的变化不时更新或修改本声明。如果我们更新本声明，我们会将最新版隐私声明发布在本网站上，并自发布时立即生效。建议您定期查看本声明以了解任何更改。如果我们对本声明做出更改，我们将通过适当渠道（公告、弹窗等形式）通知您，并获取您的同意。 9．对儿童个人信息的保护 本网站及其内容、服务主要面向成人。如果没有父母或监护人的同意，儿童（未满14周岁的未成年人）不得使用我们提供的服务。如果我们发现自己在未事先获得可证实的父母同意的情况下收集了儿童的个人信息，则会设法尽快删除相关数据。 10\. 如何联系我们 如果您想联系我们或行使您的相关权利，请通过以下方式与我们联系： 邮箱：**contact@public.mindspore.cn** 更新日期: 2026年09月14日 --- https://www.mindspore.cn/privacy/en/ --- .statement-container \*{ margin: 0; padding: 0; font-family: "Microsoft YaHei", arial, sans-serif; }.statement-container body{ margin: 20px; }.statement-container ul, .statement-container ol{ list-style: none; }.statement-container .content{ padding-left: 10px; line-height: 24px; font-size: 16px; }.statement-container .overview{ font-size: 16px; line-height: 30px; }.statement-container .overview ul{ list-style:disc inside; padding: 5px; }.statement-container .overview ol{ list-style:decimal inside; padding: 5px; }.statement-container table{ margin-top: 0.4rem; font-family: 鸿蒙黑体, sans-serif; font-weight: 400; }.statement-container table thead th{ font-size: 16px; text-align: left; font-weight: normal; padding: 10px; border: 1px solid #ddd; height: 24px; line-height: 24px; background: rgba(242, 242, 242, 1); }.statement-container table, .statement-container table tbody tr th, .statement-container table tr td{ padding: 12px 16px 16px 16px; font-size: 16px; font-weight: normal; border-collapse: collapse; border: 2px solid #000000; color: #000000E6; }.statement-container th.borderRight, .statement-container td.borderRight{ border-right: none; }.statement-container th.borderLeft, .statement-container td.borderLeft{ border-left: none; }.statement-container th.borderTop, .statement-container td.borderTop{ border-top: none; }.statement-container th.borderBottom, .statement-container td.borderBottom{ border-bottom: none; }.statement-container .title\_content{ text-align: center; line-height: 38px; font-size: 22px; }.statement-container .date\_content{ text-align: right; line-height: 38px; color: rgb(51, 51, 51); padding-right: 40px; }.statement-container .body\_content{ padding: 20px 100px 0px 100px; }.statement-container .list\_title{ font-size: 18px; line-height: 36px; font-weight: bold; } - ## Privacy Statement The MindSpore community is operated by Huawei Technologies Co., Ltd. (hereinafter referred to as "Huawei", "we", "us", or "our"). We understand the importance of your privacy and fully respect it. **Please read this MindSpore Community Privacy Statement (hereinafter referred to as "this Statement") carefully before you submit your personal data to us**. If you have any questions about how we process your personal data, please feel free to contact us. **Version Change Notes** Please carefully review the following updates to this Privacy Statement: 1. Update the corresponding part in the privacy statement based on the personal data collection overview. 1\. How We Collect and Process Your Personal Data **We generally do not require your personal data if you only browse the general content of the MindSpore community website (collectively, "the website"). We will collect your personal data accordingly in the following circumstances. You may also obtain a quick understanding of how we collect and use personal data by reviewing the Personal Data Collection Overview**: **a) Account Service**. 1. When you register for an MindSpore community account, we will collect your **user name**, **password**, **email address**, **phone number**, and **email/phone verification code**. A unique account identifier will be automatically generated. Refusal to provide this information will prevent account creation. 2. When you log in to the MindSpore community using your **user name**, **email address**, or **phone number**, we will collect your **user name**, **email address**, **phone number**, **password**, and **email/phone verification code** for authentication. Refusal to provide this information will prevent login. 3. When you log in using a third-party account (Gitee, GitHub, WeChat, or AtomGit), we will collect the following information based on your login mode for authentication and code repository access management: - **Gitee UUID**, **Gitee ID**, Gitee nickname, **Gitee email address**; - **GitHub UUID**, **GitHub ID**, GitHub nickname, **GitHub email address**; - **WeChat ID**, WeChat nickname; - **AtomGit UUID**, **AtomGit ID**, AtomGit nickname, **AtomGit email address**. When you log in using a third-party account without binding to any existing MindSpore account, a new MindSpore account with a unique identifier will be automatically generated from your **Gitee ID**, **GitHub ID**, WeChat nickname, or **AtomGit ID**. Refusal to provide this information will prevent login via third-party accounts. 4. After logging in, you can optionally provide your avatar and organization. This information is not mandatory for using MindSpore community features. 5. After logging in, you can modify your **email address**, **phone number** and password in User Center. We will collect your **email address**, **phone number**, **password** and **email/phone verification code** for authentication. 6. After logging in to the MindSpore community, you can bind a third-party account (Gitee, GitHub, WeChat, or AtomGit) on the account management page. We will collect the following information about that third-party account accordingly: - **Gitee UUID**, **Gitee ID**, Gitee nickname, **Gitee email address**; - **GitHub UUID**, **GitHub ID**, GitHub nickname, **GitHub email address**; - **WeChat ID**, WeChat nickname; - **AtomGit UUID**, **AtomGit ID**, AtomGit nickname, **AtomGit email address**. Refusal to provide this information will prevent third-party account binding for login purposes. **b) Mail List Service**. When you use our mailing list service, we will collect your **email address** and **name (optional)** to enable email subscriptions that facilitate your participation in community discussions. **c) Service Optimization**. To ensure service quality and smooth business operations, we automatically collect and store necessary log information, including access timestamps, **IP address**, request details, access status, resource size, access sources, and user agent information. We also collect your device details (device name/type/vendor, OS type/version, and screen dimensions), app details (app ID, SDK version, browser type and version, and browser viewport size), and app usage information (event name, event attributes, reporting time, and anonymous client ID). The information is used for community operations and O&M security purposes. **d) Contributor License Agreement(CLA) Signing**. When you participate in code contribution through the CLA signing system (click here to learn more), you need to submit your personal data to the CLA signing system. We will obtain such personal data to confirm if you have signed the CLA, and to conduct statistical analysis for community operation insights. **e) Meeting Service**. When you use our meeting service, we will collect your **AtomGit ID** to configure permissions. When you book a meeting, we will collect the **email address** that you provide to send meeting invitations. If you enable automatic screen recording when you book a meeting, the recording will be uploaded to the third-party platform Bilibili after the meeting for review by interested individuals and organizations. **f) Content Release**. When you participate in community meetings/activities/organizations, make contributions, or write blogs or news, you may post your **photo**, **name**, **company name**, **position**, **school**, **degree**, **profile**, **region**, and **code hosting platform user ID** on our website to help developers connect and engage with the community easily. **g) Meetup application**. When you organize a MindSpore meetup, the community will collect your **name** and **company/school/organization** from the application form you fill in to understand the basic information you provide; collect your **phone number** and **email address** to contact you, confirm your application and related matters, and arrange related event execution matters for you. **h) Forum Service**. 1. When you sign up or log in to the forum service, we will collect your **user name**, **email address**, **phone number**, **password**, nickname, avatar, and the following information based on your login mode: **Gitee ID**, **GitHub ID**, WeChat nickname, or **AtomGit ID** from your MindSpore account, and assign permissions and roles to your account. In addition, we will collect your **IP address**, **region**, device information, login time, and **preference settings** to provide you with more secure services; 2. When you use the forum service, we collect your like information, follow information, favorite content, post count, reply count, follow count, follower count, personal profile, badge acquisition, sidebar settings, follow list, follower list, email summary, time zone, post and reply content, images, audio, video, documents, and comments to understand your personal preferences and better serve you. 3. When you report a concern about a forum post or reply, we will collect your report type, description, **user name**, **IP address**, **region**, organization, and host name to verify and confirm the content of the report. We may also collect your personal data from third parties, including other platforms, communities, or legal and public channels within the scope of your authorization and consent. We promise to process your personal data in strict compliance with applicable laws and regulations. Please read the privacy statements and user agreements of the third parties carefully. If the MindSpore community requires third parties to provide your personal data, but you refuse to permit these third parties to collect, use, transfer, or share your personal data in the course of your use of their services, you may not be able to use relevant services of the MindSpore community. 2\. How We Use Cookies and Similar Technologies To ensure our website works properly, we may at times place cookies on your computers or mobile devices. Please refer to About Cookies for details about how we use cookies and similar technologies and how they process your personal data. 3\. How We Share Your Personal Data Sharing means providing third parties with your personal data. The third parties and we would handle your personal data independently. We will not share your personal data with any third party without your consent, except in the following circumstances or as described in this Statement: **a) Sharing under your instruction**. We may share your personal data with your consent and under your instruction to the third parties indicated by you. **b) Sharing your personal data as necessary for protecting national security, public security, and your and other individuals' crucial legitimate rights and interests**. **c) Sharing with affiliated companies**. We may share your personal data with our affiliated companies for the purposes of service support or security support. **d) Sharing with partners**. We may share your personal data with our partners. Such sharing will only be conducted for legitimate, justified, necessary, specific, and explicit purposes and to the minimum extent necessary for providing services. For more details, please refer to the Data Sharing with Third Parties. If you refuse to allow our partners to collect personal data necessary to provide services, you may be unable to use the services provided through those partners. When we share your personal data with affiliated companies or partners as outlined above, we will stipulate their responsibilities and obligations through contracts and other means, and mandate their implementation of necessary measures to ensure the security of the personal data processed. 4\. How Long We Retain Your Personal Data We will retain your personal data for no longer than is necessary for the purposes set out in this Statement, unless extension of the retention period is required by laws or requested by you. From the date of acquisition of your personal data within the community, we will store or retain such data for the period specified by applicable laws or service agreements. Once the prescribed retention period has expired and no legal obligation requires the continued processing of your specific personal data, we will delete or anonymize your personal data in accordance with applicable laws and regulations. Upon your active request for the deletion of your personal data, the retention period for the relevant data will be one month. We will respond to your request and delete your personal data within this period. The access timestamp, **IP address**, request details, access status, resource size, access source, and user agent information collected for service optimization purposes will be automatically deleted upon the expiration of a 180-day retention period. ### 4.1 Deletion You may log in and choose "Account Settings" > "Account Security" > "Delete Account" to delete your community account. This action will also delete your personal data in the community. Exercise caution when performing this operation. 5\. How We Protect Your Personal Data We take the security of your personal data seriously. We take appropriate physical, organizational, and technical measures to protect your personal data. These measures include, but are not limited to, the use of encryption technologies to ensure data confidentiality; deployment of protective mechanisms to defend against attacks; strict access controls to limit data access only to authorized personnel; and regular security and privacy protection training for our staff. **In a word, we are committed to protecting your personal data. Please note, however, that no security measure is entirely infallible, and no product, service, website, data transfer, computing system, or network connection is absolutely secure**. In the event of a personal data security incident, we will, in accordance with applicable laws and regulations, notify you in a timely manner via email, letter, phone call, or push notification. Such notification will include the basic information and possible impacts of the security incident, measures we have taken or will take, and suggestions you can take to prevent and reduce risks. Should it become impracticable to notify each personal data subject individually, we will issue a public notice through reasonable and effective means. Furthermore, we will report the handling of the personal data security incident as required by applicable laws or supervisory authorities. 6\. How We Access or Control Your Personal Data You may have the following rights regarding your personal data under applicable laws and regulations: **a)** Access the personal data we hold about you and obtain copies thereof; **b)** Request us to update or correct your personal data; **c)** Request us to delete your personal data; **d)** Object to our processing of your personal data; **e)** Restrict our processing of your personal data; **f)** Lodge a complaint with the competent data protection authority. Please note that these rights are not absolute and may be restricted under applicable laws. Should you require assistance in exercising these requests or rights, please contact us as set out in the **"How to Contact Us"** section below. - To provide you with the CLA signing service, we will retain your personal data. The retention period of such data will depend on the specific purpose for which it is used, as well as the stipulations of applicable laws and regulations. You acknowledge and agree that the CLA is a legally binding document signed by you or the corporation you represent, serving as evidence of the permanent rights granted over your contributions. Therefore, if you request the deletion of the data collected for the purpose of signing the CLA (including, but not limited to, your **name** and **email address**), we may not be able to fulfill such a request, unless the deletion of such data would not impair the legal validity of the CLA you have signed. - Any personal data you publicly disclose on the community website will be stored in the relevant code repository, and historical records will persist even after deletion of such data. **Generally, we will respond to your request as soon as possible, unless otherwise required by applicable laws and regulations**. Please note that under certain circumstances, such as when we are unable to verify your identity or when your request exceeds the scope of your rights under applicable laws, we may reject your request. Should this occur, we will inform you in writing of the rejection and detail the grounds for our rejection. You may change the scope of your authorization for our collection of your personal data or withdraw your authorization. However, your withdrawal of consent or authorization does not affect the lawfulness of processing based on your authorization prior to its withdrawal. 7\. Where Your Personal Data Is Stored Your personal data will be stored on servers located in the People's Republic of China. None of our service scenarios involve the cross-border transfer of personal data. 8\. How This Statement Is Updated We may update or modify this Statement from time to time according to changes to our services or data processing. We will post updated versions of this Statement on this website, effective immediately after release. You are advised to review this Statement periodically for any changes. We will inform you of any updates to this Statement via appropriate channels (such as bulletins and pop-ups) and obtain your consent. 9\. How We Protect Minors This website, including its content and services, is mainly intended for individuals over the age of 14. Individuals under the age of 14 are not allowed to use the services we provide without the consent of their parents or guardians. If we have inadvertently collected personal data of an individual under the age of 14 without verifiable prior consent from the individual's parents or guardians, we will take prompt steps to delete such data. 10\. How to Contact Us If you want to contact us or exercise your rights, please contact us at: Email: **contact@public.mindspore.cn** Revised Date: 14/09/2026 --- https://www.mindspore.cn/program/ --- # Call for X计划 积极贡献、乐于分享、热衷实践 ## 什么是Call for X计划 “MindSpore Call for X 计划”是一个开放的社区项目，鼓励所有社区成员以及开源爱好者积极贡献、乐于分享、热衷实践。多元化的贡献可以丰富社区生态，我们希望开发者都能感受到个人的价值和重要性。 ## 加入Call for X计划 Call for Demo AI+X创新应用共创 了解详情 Call for 布道师 技术生态共创 了解详情 Call for Meetup 开发者活动共创 了解详情 --- https://www.mindspore.cn/program/demo/ --- # Call for Demo 欢迎开发者基于昇思MindSpore探索AI+X创新应用，面向开发者征集基于昇思MindSpore的AI+X实战项目，通过实战项目挖掘行业痛点解决方案，推动技术生态繁荣 立即申请 Call for X计划 Call for Demo ## 专属权益 精品Demo 通过评选出的精品Demo，可获得华为系电子产品、社区周边等激励。 优秀开发者绿色通道 优秀Demo作者，将进入昇思MindSpore开源社区优秀开发者绿色通道 官方宣传 优秀Demo将通过社区内外部媒体矩阵，不限于技术文章、技术直播分享等形式进行宣传 ## 加入计划 01 报名 提交基于MindSpore的Demo选题报告至邮箱contact@public.mindspore.cn 立即申请 02 项目开发 Demo需基于昇思MindSpore框架/套件最新版本+Ascend进行开发 如有昇腾云算力/开发板需求，请发需求申请至邮箱contact@public.mindspore.cn 03 项目提交 请将开发完成的 Demo 上传至代码仓（支持 GitHub、AtomGit 等平台），并将仓库链接提交至邮箱contact@public.mindspore.cn。 提交内容需包含以下三项： 1、模型文件：包含权重文件及模型代码脚本（需覆盖模型开发、推理、微调全流程，并确保注释完整）。 2、Demo文件：包含完整的代码文件及 Demo 演示（不限展示方式）。 3、项目说明（README）：需清晰阐述项目简介与描述、关键技术说明、试验评测数据及 Demo 演示效果。 04 审核合入 每季度组织专家评审审核Demo作品，具体时间以作品提交邮件回复时间为准 ## 联系我们 MindSpore小助手 --- https://www.mindspore.cn/program/evangelist/ --- # Call for 布道师 欢迎开发者加入分享技术的行列，推广昇思MindSpore技术生态，协助更多的开发者掌握昇思，在布道中获得更多的技术提升，为开源社区持续贡献力量 立即申请 Call for X计划 Call for 布道师 ## 丰富的资源支持 产学合作 - 优先获得教育部华为产学合作协同育人项目申报指导 - 对融合华为技术开放能力的教材出版、慕课、数学教材提供技术支持 - 受邀担任师资训的授课讲师、为全国高校教师分享产学合作成果经验 资源资助 - 每学年最高2万元课程配套的云资源代金券 - 教师布道师每年获得15张入门级或6张工作级认证考试抵扣券 技术支持 - 线上华为开发者学堂课程和免费参加线下华为开发者技术培训活动 - 针对开设课程和实践中遇到的问题，提供专项对口支撑 官方推荐 - 布道师官方证书，华为官网个人专属主页 - 联合外部主流媒体对布道师参与的关键布道活动事件进行推广 活动支持 - 组织布道师圈层线下活动，提供经验、案例、产学合作项目、大赛、创新项目等经验交流分享的平台 - 自发组织的与华为技术相关的布道活动资助，线上活动不超过1000元/场，线下活动不超过5000元/场（备注：全年最多分别资助12场线上和线下活动） 大会受邀 - 受邀参加布道师技术闭门会议、与华为产业领域技术专家面对面探讨产业最新技术趋势和规划方向 - 受邀参与华为生态发展领域的大会 荣誉授予 - 联合教育界官方平台设置年度优秀布道师评选，颁发优秀布道师证书和奖金激励，优秀教师布道师5000元 - 首次晋级可获得级别晋升奖金，从银牌晋升到金牌可获得2000元奖金，从金牌晋升到白金可获得4000元奖金 免费领取开发者云主机 - 老师免费领取开发者云主机，每年可享有数百小时的使用时长，5GB的云存储空间和场景化沙箱资源 优先体验 - 优先获得华为最新产品技术的体验权 开发板资助 - 为高校老师提供华为生态合作伙伴出品的鲲鹏和昇腾开发板，以助力高校老师开展AI领域的教学赋能、竞赛实践、工程创新等活动 - 可免费申请2块鲲鹏和昇腾开发板 开发板优惠券资助 - 为高校老师提供华为生态合作伙伴出品的鲲鹏和昇腾开发板优惠券，以助力高校老师开展AI领域的教学赋能、竞赛实践、工程创新等活动 - 每年度可申请鲲鹏和昇腾开发板优惠券数量不超过12张 ## 布道师贡献课程，期待您的加入 更多 MindSpore NLP MindSpore NLP：基于MindSpore最好用的NLP/LLM开发框架 昇腾+MindSpore+MindSpore NLP 昇腾+MindSpore+MindSpore NLP：极简风的大模型微调实战 多卡并行怎么玩 多卡并行怎么玩：基于MindSpore NLP的数据并行实战 大模型Decoding+MindSpore NLP 大模型Decoding+MindSpore NLP分布式推理详解 基于MindSpore NLP的LLM应用开发实战 基于MindSpore NLP的LLM应用开发实战：从零开始的RAG应用开发 玩转香橙派开发板 玩转香橙派开发板--基于MindSpore的AI开发实战(模型训练+LLM推理应用) 基于MindSpore的恶性皮肤肿瘤分析系统一 基于MindSpore的恶性皮肤肿瘤分析系统一 基于MindSpore的恶性皮肤肿瘤分析系统 基于MindSpore的恶性皮肤肿瘤分析系统 GAN图像生成 GAN图像生成 DCGAN生成漫画头像 DCGAN生成漫画头像 Pix2Pix实现图像转换 Pix2Pix实现图像转换 CycleGAN图像风格迁移转换 CycleGAN图像风格迁移转换 ## 加入计划 01 提交申请 02 信息初审核 03 专家交流 04 综合终审 05 成功加入 立即申请 --- https://www.mindspore.cn/program/meetup/ --- # Call for Meetup 无论是高校、企业、SIG组、科研院所或其他组织，欢迎与昇思MindSpore一起组织开发者活动，共同探讨前沿技术和开源发展趋势，分享创新成果和实践经验 立即申请 Call for X计划 Call for Meetup ## 如何申请 如果您有兴趣在所在城市举办 MindSpore Meetup，为了保证活动顺利进行，在举办社区开发者活动前，您需要填写申请表 ## 如申办条件与审核 - 申办单位作为联合主办方参与筹办Meetup，作为主导力量推动活动全流程，保证活动的顺利进行； - 活动围绕MindSpore的开发或应用实践开展议题分享和讨论； - 活动物料使用符合MindSpore社区品牌规范； - 活动期间积极收集开发者对MindSpore的应用案例、使用体验等，促进开发者参与社区贡献。 如果您的申请符合上述申办要求，我们会在 5 个工作日内审核并通过电子邮件contact@public.mindspore.cn与您联系，以便提供昇思MindSpore Meetup 赋能支持并与昇思MindSpore开源社区冠名联合主办单位；即便申请不合适，我们仍会通过电子邮件通知您，请确保申办表信息无误。 可获得那些赋能支持 活动物料模板 易拉宝、宣传海报、主 KV、横幅、拍照异形牌、直播背景框等源文件 宣传资源支持 活动页面、官网、公众号、社群等渠道宣传 直播间资源 昇思MindSpore B 站/视频号直播间资源（如需直播） 社区纪念品 支持 100 人规模以下的实际人数申请 活动物料模板 社区纪念品 ## 活动举办 申办单位作为联合主办方参与筹办 Meetup，活动物料使用符合昇思MindSpore社区品牌规范，作为主导力量推动活动全流程，保证活动的顺利进行。 ## 活动成果反馈 感谢 Meetup 主办方为 昇思MindSpore开源社区 举办精彩的开发者活动。为了可以更好地了解活动的情况和效果，从而不断提升昇思MindSpore Meetup 活动的质量和影响力，在活动结束后 3 个工作日内主办方需向社区提供验收反馈资料。 活动成果反馈请联系contact@public.mindspore.cn ## 加入计划 01 活动申请 02 活动审核 03 活动举办 04 成果反馈 立即申请 --- https://www.mindspore.cn/program/meetup/collect/ --- Call for X计划 Call for Meetup Meetup申请表 Meetup申请表 请确保录入信息真实有效。以确保填写成功后我们能联系到您 \*活动组织 \*活动时间 \*活动时长 半天（需准备3-5个议题） 全天（需准备8-10个议题） 其他 \*活动城市 \*活动规模 \*活动负责人姓名 \*负责人所在组织 \*负责人手机号 \*负责人邮箱 \*活动形式 线上活动 线下活动 线上+线下 其他 \*需要什么支持 昇思MindSpore开源社区介绍PPT 宣传资料（活动页面、公众号推文、社群宣传） 物料源文件（易拉宝、宣传海报、主KV、横幅、拍照异形牌、直播背景框等源文件） 昇思MindSpore B站/视频号直播资源（如需直播） 社区周边礼品（支持100人规模以下的实际人数申请） 其他 \*活动环节议题 **0**/500 您填写并提交的Meetup申报内容，即视为您已充分阅读、理解并同意昇思MindSpore的《隐私声明》 提交申请取消 --- https://www.mindspore.cn/security/ --- ## MindSpore 安全中心 --- https://www.mindspore.cn/security/en/ --- ## MindSpore Security Center --- https://www.mindspore.cn/sig/ --- # SIG 中心 SIG的全称是Special Interest Groups，即“特别兴趣小组”。昇思MindSpore社区按照不同的 SIG 来组织，以便于更好的管理和改善工作流程。SIG 组均是开放的，欢迎任何人来参与。 SIG会议日历 ## 欢迎加入SIG 了解SIG运转 SIG是针对特定的一个或多个技术主题而成立的。SIG的核心成员主导SIG的治理，SIG内的成员推动交付成果输出，并争取让交付成果成为MindSpore社区发行的一部分。 进行SIG交流 在SIG项目代码仓的README.md文件中，可以找到该项目所属的SIG信息和联系方式等，欢迎通过邮件列表、公开例会及README.md 文件中提到的联系方式积极参与交流。 参与SIG贡献 每一个SIG在AtomGit上都会拥有一个或多个项目，这些项目会拥有一个或多个Repository，SIG的交付成果会保存在这些Repository内。您可以通过提交Issue或PR、会议讨论、检视代码等参与SIG贡献，详情请查看SIG贡献指南。 ## 了解SIG SIG角色说明 了解昇思MindSpore社区中贡献者角色的各种职责 SIG会议指南 昇思MindSpore社区SIG工作会议是社区成员根据SIG的规划发展定期召开的会议，用于讨论技术方案、开发进度、问题解决及未来规划等，推动相关模块的持续发展和社区协作。 SIG申请流程 申请创建一个新的SIG（Special Interest Group）来组织特定领域的开发工作 1. 01 寻人 2. 3. 02 申请 4. 5. 03 沟通 6. 7. 04 获批 8. 9. 05 运作 10. 11. 06 改进 个人或公司在MindSpore社区中寻找2 - 3个具有共同目标的人讨论决定成立SIG组，维护MindSpore社区中的某一技术方向软件包或发起孵化项目 ## MindSpore SIGs --- https://www.mindspore.cn/sig/AKG/ --- SIG AKG ### 核心成员 ### 会议与活动 --- https://www.mindspore.cn/sig/LLM Inference Serving/ --- SIG LLM Inference Serving ### 核心成员 ### 会议与活动 --- https://www.mindspore.cn/sig/MindSpore Core/ --- SIG MindSpore Core ### 核心成员 ### 会议与活动 --- https://www.mindspore.cn/sig/MindSpore Lite/ --- SIG MindSpore Lite ### 核心成员 ### 会议与活动 --- https://www.mindspore.cn/sig/MindSpore Quantum/ --- SIG MindSpore Quantum ### 核心成员 ### 会议与活动 --- https://www.mindspore.cn/sig/MindSpore Science/ --- SIG MindSpore Science ### 核心成员 ### 会议与活动 --- https://www.mindspore.cn/sig/MindSpore Technical Committee/ --- SIG MindSpore Technical Committee ### 核心成员 ### 会议与活动 --- https://www.mindspore.cn/sig/MindSpore Transformers/ --- SIG MindSpore Transformers ### 核心成员 ### 会议与活动 --- https://www.mindspore.cn/sig/MindSpore Usability/ --- SIG MindSpore Usability ### 核心成员 ### 会议与活动 --- https://www.mindspore.cn/sig/Parallel Training System/ --- SIG Parallel Training System ### 核心成员 ### 会议与活动 --- https://www.mindspore.cn/sig/Security %26 Trusted AI/ --- SIG Security %2526 Trusted AI ### 核心成员 ### 会议与活动 --- https://www.mindspore.cn/sig/en/ --- # SIG The MindSpore community organizes various special interest groups (SIGs) to enhance management and streamline workflows. SIGs are open to everyone. SIG Meeting Calendar ## Welcome to SIG Understanding SIG Operations An SIG is established for one or more specific technical topics. Core SIG members lead SIG governance, while other members drive the delivery of outcomes and aim to have these outcomes included in the MindSpore community releases. Communicating in SIGs You can find the SIG information and contact information of a SIG to which the SIG project belongs in the README.md file of the SIG project code repository. You can actively communicate with the SIG through emails, public meetings, and contact information mentioned in the README.md file. Contributing to SIGs Each SIG has one or more projects on AtomGit. Each project has one or more repositories. SIG outcomes are stored in these repositories. You can contribute to SIGs by committing issues or PRs, discussing in meetings, and reviewing code. For details, see SIG Contribution Guide. ## Understanding SIG SIG Roles Learn about the responsibilities of contributors in the MindSpore community. SIG Meeting Guide MindSpore SIG meetings are regularly held by community members based on SIG planning and development. Meetings discuss technical solutions, development progress, issue resolution, and future plan to promote the continuous development of related modules and community collaboration. Set Up Propose creation of a SIG to coordinate development efforts within a specific domain. 1. 01 Find 2. 3. 02 Apply 4. 5. 03 Discuss 6. 7. 04 Approve 8. 9. 05 Operate 10. 11. 06 Improve Find two or three people with shared goals in the MindSpore community, whether as an individual or company, to discuss and set up a SIG that will maintain software packages in a specific technical area within the MindSpore community or launch incubation projects. ## MindSpore SIGs --- https://www.mindspore.cn/sig/meeting-guide/ --- # 会议指南 昇思MindSpore SIG组工作会议指南 SIG 会议指南 ## 会议介绍 昇思MindSpore社区按照不同的 SIG(Special Interests Group) 来组织开发及社区工作。SIG组每月召开1~2次工作例会，讨论SIG组当前的进展、需求、工作事项、任务和优先级等。 SIG组工作例会遵循开源、开放原则，议题收集、技术讨论、会议纪要等各讨论过程均对外开放。 ## 会议类型 单 SIG 组工作会议 单一 SIG 组内的工作会议，由该 SIG 组 Maintainer 进行组织，包括议题收集、议程安排、主持讨论、会议纪要输出等 Working Group 工作会议 Working Group（跨 SIG 组）的协作工作会议，如有两个及以上的SIG组计划一起组织工作会议，需要各相关 SIG 组 Maintainer 提前沟通，确定一名组织者负责统筹该工作会议，包括但不限于议题收集、议程安排、主持讨论、会议纪要输出等。 ## 组织会议 ### 需求收集 各 SIG定期启动工作会议，提前3~5天收集需求、了解进展。各 SIG 组 Maintainer 在 MindSpore Etherpad 平台 https://etherpad.mindspore.cn/ 创建相应的会议收集目录(建议命名方式为: sig 名-meetings)用于收集开发者需求以及计划，并将该会议目录反馈至本SIG组的全体成员。(参考模板：https://etherpad.mindspore.cn/p/sig-xx-meetings) - 任何人均可以在 SIG 工作会议中提出需求，可在各 SIG 工作会议的 Etherpad文件中根据要求进行填写议题，通常需要包含以下内容： - 需求发起人 - 需求的描述 - Issue 反馈的在线地址（如有） - 已有的技术方案或 PR（如有） - 已有的讨论纪要（如有） - 需求收集完成后由 SIG 组会议的组织者按照所有收集的需求情况(类型、技术难度、工作量等)，根据会议时间安排指定会议议程，会议日程安排需在会议召开前 2~3 天于 Etherpad 共享文件及社区邮件列表 Maillist 中公开发布，方便与会者了解会议议程 ### 召开会议 会议由各 SIG 组Maintainer或Maintainer指定负责人主持召开，按照预先制定的会议议程进行会议，会议过程中需要注意时间控制，确保所有已经在会议议程中的需求都能得到相应的讨论。各与会者需要在 Etherpad 的 Attendees 环节根据要求填写自己的名字和 Gitee\_ID，若未到场且未指定代参加人员则该需求视为自动放弃。 - 各议题讨论可以分为下面几个阶段： 1. 需求陈述：由需求发起人对需求进行陈述，包括需求目标、需求来源、提议的技术方案及既往的讨论及结果等，需求陈述阶段其余听众不允许打断。 2. 讨论：由各参会者针对该需求进行相应的讨论，所有与会者均可参与讨论，主持人负责记录各方观点及重点意见。 3. 总结：在达成共识后，由主持人根据共识输出该议题的结论。若现场没有达成共识，则应商议再次讨论的具体时间。 - 所有议题讨论完成后，由 SIG Maintainer 团队根据各议题讨论情况及 SIG 组实际情况对各需求进行优先级排序及分工，“任务分工”靠贡献者“认领任务”的方式完成。 ### 会议纪要 各 SIG 组会议主持人在会议结束后一周内整理完成会议纪要，并在 Etherpad 及 SIG 组、dev、TC 邮件列表上公开发布该会议纪要，以便开发者、用户了解未来版本各 SIG 的工作计划，会议纪要需要包括但不限于以下内容： - 所有参与讨论的议题及该议题的结论、解决方案、遗留问题 - 各工作的负责人 - 工作优先级 - 会议纪要，内容参考链接：https://mailweb.openeuler.org/hyperkitty/list/openstack@openeuler.org/thread/NR3O2ZUUNE46XFBTV4CND4HEYDCBPW33/ --- https://www.mindspore.cn/sig/meeting-guide/en/ --- # Meeting Guide MindSpore SIG Meeting Guide SIG Meeting Guide ## Meeting Introduction The MindSpore community organizes development and community work based on special interest groups (SIGs). SIGs hold one or two regular meetings every month to discuss the progress, requirements, tasks, and priorities of SIGs. Regular SIG meetings comply with the open source and openness principles. The discussion processes such as topic collection, technical discussion, and meeting minutes are open to the public. ## Meeting Types Meetings of a Single SIG The meetings of a single SIG are organized by the SIG maintainer, including collecting topics, arranging agendas, chairing discussions, and outputting meeting minutes. Meetings of a Working Group The working group (across SIGs) holds meetings for collaboration. If two or more SIGs plan to hold a meeting together, SIG maintainers need to communicate with each other in advance to determine an organizer to coordinate the meeting, including but not limited to collecting topics, arranging agendas, chairing discussions, and outputting meeting minutes. ## Meeting Organization ### Requirement Collection Each SIG regularly starts a meeting to collect requirements and understand the progress three to five days in advance. The maintainer of each SIG creates a meeting collection directory (in the recommended format: SIG name-meetings) on the MindSpore Etherpad platform at https://etherpad.mindspore.cn to collect developer requirements and plans, and sends the meeting directory to all members of the SIG. (Reference template: https://etherpad.mindspore.cn/p/sig-xx-meetings) - Anyone can raise requirements at SIG meetings. You can fill in the topics in the Etherpad file of each SIG meeting as required. Generally, the following information is required: - Requester - Requirement description - Online address for issue feedback (if any) - Existing technical solutions or PRs (if any) - Existing discussion minutes (if any) - After requirements are collected, the meeting organizer of the SIG specifies the meeting agenda based on the collected requirements (such as the type, technical difficulty, and workload) and meeting time. The meeting schedule must be released on the Etherpad shared file and community mailing list two to three days before the meeting, so that participants can learn about the meeting agenda. ### Holding Meetings Meetings are held by the meeting organizer or owner of each SIG according to the predefined meeting agenda. During the meeting, time control is required to ensure that all requirements in the meeting agenda can be discussed. Each participant needs to enter their name and Gitee ID in the attendees section of Etherpad. If a participant is absent and no proxy is designated, the requirement is deemed to be automatically abandoned. - The discussion of each topic can be divided into the following phases: 1. Requirement statement: The requirement initiator states the requirement, including requirement objectives, requirement sources, proposed technical solutions, and previous discussions and results. Other listeners are not allowed to interrupt the requirement statement phase. 2. Discussion: All participants discuss the requirement. The host records the opinions of all parties and key opinions. 3. Conclusion: After a consensus is reached, the host outputs the conclusion of the topic based on the consensus. If no consensus is reached, the specific time for the next discussion should be negotiated. - After all topics are discussed, the SIG maintainer team prioritizes and assigns tasks based on the discussion results and SIG situation. Contributors claim tasks for task assignment. ### Meeting Minutes The meeting host of each SIG shall complete the meeting minutes within one week after the meeting and release the meeting minutes on Etherpad and SIG, dev, and TC mailing lists. The meeting minutes must include but not limited to the following information: - All discussed topics and their conclusions, solutions, and known issues - Owner of each work - Work priority - Meeting minutes (see https://mailweb.openeuler.org/hyperkitty/list/openstack@openeuler.org/thread/NR3O2ZUUNE46XFBTV4CND4HEYDCBPW33/) --- https://www.mindspore.cn/sig/role-description/ --- # 角色说明 昇思MindSpore 社区中贡献者角色的各种职责 SIG 角色说明 ## 社区成员 大部分角色的职责限于这些 SIG(Special Interest Group)内；Maintainer 和 Committer 在 AtomGit 的权限上不做区分，两者的区分主要是集中在 SIG 治理的管理范围上。详细可见下面的描述 贡献者 职责范围：SIG组及项目的重要贡献者，代码仓库问题的主要修复者和代码开发者 查看详情 审核者 职责范围：SIG组部分仓库的看护者，是这部分仓库的第一责任人，审核其他成员的贡献 要求：经验丰富，富有责任心、出色的技术能力和管理能力 查看详情 维护者 职责范围：SIG组组长、牵引者、规划者，需做好SIG组的发展和演进，同时也可能是项目Owner 要求：经验丰富，富有责任心、出色的技术能力和管理能力 查看详情 新的贡献者 欢迎新成员加入社区。我们有关于如何开始贡献的指导文档请参考 MindSpore 贡献者指南 既有社区成员 既有的社区成员应证明能够遵守社区开发者原则，熟悉 SIG 的组织、角色、政策、软件、约定等，以及相关的技术和/或写作能力。社区成员角色的期望、职责和要求，请参考下面的内容 ## Contributor 贡献者是社区中持续活跃的开发者，他们可以认领问题 Issue 和 PR，可以参与 SIG 组活动，并且可以为 PR 提交前完成测试。 加入要求 - AtomGit 上的注册会员 - 为 SIG 或社区做出多方面贡献，包括不限于：在 AtomGit 上提交或审核 PR；在 AtomGit 上对问题进行归档或评论；参与 SIG 或社区讨论 - 已阅读 贡献者指南，熟知贡献流程 - 积极参与 1 个或多个 SIG 责任与权益 - 响应被分配的问题和 PR - 贡献的代码应该包括但不限于：经过良好的测试；能够让测试用例始终通过；解决后继发生的错误或问题 - 可以分配问题或 PR 注意：经常贡献代码的成员应积极的参与代码审查，有机会成为 SIG 的审核者 Committer ## Committer 审核者是拥有代码合入权限的核心贡献者，也是代码仓库的看护者，确保代码质量和正确性，对项目发展负有重要责任。 定义：MindSpore SIG 拥有的存储库中 sig-info.yaml 文件中的 Committer 条目。 加入要求 - 作为贡献者至少 3 个月 - 作为主要审阅者至少参与了 6 次 PR 的审阅 - 审阅或合并至少 20 个基本 PR 到代码库 - 熟悉代码库 - 可以自我提名，或由该 SIG 的审核者或维护者提名 责任与权益 - 评审 PR：对 Contributor 提交的 PR 完成评审，评审可以参考社区的编程建议和安全编程规范。 - 分发处理问题:请参考“问题处理流程”。 - 跟踪依赖性问题：在开发分支中，其他 SIG 组的软跟踪依赖性问题：在开发分支中，其他 SIG 组的更新可能会到导致破坏本 SIG 内项目的依赖关系。此时 Committer 会收到告警提示，Committer 应尽力重建处理。依赖关系出错可能会使最终用户无法更新系统，打包团队也会介入并重建存在依赖性问题的项目，但 Committer 不应依赖这些重建。 - 如有接口变更，需要通知可能会影响到的 SIG。Committer 应了解并评审&决策变更造成的依赖影响，并公告和发送 API 或 ABI 变更的告警邮件。这类公告应在变更发生至少一周前完成，并应通知到所有可能受影响的 SIG。 ## Maintainer 维护者是 SIG 组的管理者、牵引者、规划者，他们主导相关代码的审核、更新和修复，确保其稳定性和兼容性，是项目生态的关键角色。所有审核者的责任与权力，维护者均具有。除此之外，维护者还需承担SIG团队的技术路线、内外协调等工作。 定义：MindSpore SIG 拥有的存储库中 sig-info.yaml 文件中的 Maintainer 条目。 加入要求 - 作为审核者至少 3 个月 - 作为主要审阅者至少参与了 12 次 PR 的审阅 - 审阅或合并至少 30 个基本 PR 到代码库 - 熟悉代码库 - 可以自我提名，也可以由子项目 Maintainer 提名，并且没有其他子项目 Maintainer 的反对 责任与权益 - 确定 SIG 所负责项目的技术路线：包括规划和决策 SIG 技术方向、路标规划、架构演进。 - 制定 SIG 所负责项目的发布计划：确定 SIG 的关键需求和发布计划；参与社区的 PM 活动，并协调 SIG 计划和社区版本的里程碑时间表匹配。 - 参与社区协调活动：作为 SIG 的代表参与 MindSpore 技术委员会或理事会组织的活动和特定会议等。 - 召集 SIG 组会议：定期召集 SIG 会议，决策 SIG 内上升的争议 --- https://www.mindspore.cn/sig/role-description/en/ --- # SIG Roles Responsibilities of contributors in the MindSpore community SIG SIG Roles ## Community Members Responsibilities of most roles are focused on special interest groups (SIGs). The distinction between maintainers and committers does not relate to AtomGit permissions but rather to the extent of governance within SIGs. For details, see the following description. Contributor Responsibilities: Act as the major contributor to a SIG and projects, main fixer of issues in code repositories, and code develpoer. View Details Committer Responsibilities: Act as the primary owner of some repositories in a SIG and review the contributions of other members. Requirements: Frequently contribute to the SIG, have extensive experience, and be willing to participate in review. View Details Maintainer Responsibilities: Act as a SIG leader, driver, and planner, ensure the development and evolution of the SIG, and may also act as a project owner. Requirements: Have extensive experience, a strong sense of responsibility, excellent technical skills, and management abilities. View Details New Contributors New members are welcome to join the community. For details about how to start contributing, see MindSpore Contribution Guide. Existing Community Members Existing community members should comply with the community developer principles, be familiar with the SIG, roles, policies, software, conventions, and related technical and/or writing capabilities. For the expectations, responsibilities, and requirements for community roles, see the following content. ## Contributor Contributors are continuously active developers in the community. They can claim issues and PRs, participate in SIG activities, and complete tests before committing PRs. Joining Requirements - Register with AtomGit. - Make contributions to a SIG or community in many ways, including but not limited to committing or reviewing PRs on AtomGit, archiving or commenting on issues on AtomGit, and participating in SIG or community discussions. - Read Contribution Guide and be familiar with the contribution process. - Join in one or more SIGs. Responsibilities and Rights - Respond to assigned issues and PRs. - Ensure that the contributed code is at least well tested, passes all test cases, and fixes faults or issues. - Assign issues or PRs. Note: Contributors who actively participate in code review have the opportunity to become SIG committers. ## Committer Committers are core contributors who have the permission to merge code and are also owners of code repositories, ensuring the code quality and correctness, and are responsible for the project development. Definition: See Committer entries in the sig-info.yaml file in repositories owned by MindSpore SIGs. Joining Requirements - Be a contributor for at least three months. - Participate in at least 6 PR reviews as the primary reviewer. - Review or merge at least 20 PRs into the code repository. - Be familiar with the code repository. - Be self-nominated or nominated by SIG committers or maintainers. Responsibilities and Rights - Review PRs committed by contributors: For details, see Programming Suggestions and Security Coding Specifications. - Distribute and handle issues: For details, see Issue Submission and Handling Guide. - Track dependency issues: In a development branch, project dependencies of a SIG may be damaged by updates of other SIGs. In this case, committers will receive an alert and try to perform rebuilding. Errors in dependencies may prevent end users from updating the system. The packaging team will also intervene and rebuild projects with dependency issues, but committers should not rely on these rebuilds. - Notify SIGs that may be affected by interface changes. Committers should understand and review the impact on dependencies caused by changes, and announce and send alert emails about API or ABI changes. Such announcements should be made at least one week before the change occurs, and all SIGs that may be affected should be notified. ## Maintainer Maintainers are the managers, drivers, and planners of SIGs. They lead the review, update, and fixing of related code to ensure stability and compatibility. They are key roles in the project ecosystem. Maintainers have all the responsibilities and permissions of reviewers. In addition, maintainers are responsible for determining technical roadmaps and internal and external coordination of SIGs. Definition: See Maintainer entries in the sig-info.yaml file in repositories owned by MindSpore SIGs. Joining Requirements - Be a committer for at least three months. - Participate in at least 12 PR reviews as the primary reviewer. - Review or merge at least 30 PRs into the code repository. - Be familiar with the code repository. - Be self-nominated or nominated by a subproject maintainer with no objection from other subproject maintainers. Responsibilities and Rights - Determine technical roadmaps for projects of a SIG, including planning and defining technical directions, roadmaps, and architecture evolution. - Develop the release plan for projects of a SIG, including determine the key requirements and release plan of the SIG, participating in the PM activities of the community, and coordinating the SIG plan to match the milestones/schedule of the community release. - Participate in community activities as a representative of a SIG, including activities and specific meetings organized by the MindSpore Technical Committee or Council. - Regularly convene SIG meetings to make decisions on disputes escalated within a SIG. --- https://www.mindspore.cn/summit/devday2025/ --- 精彩回顾 ## 会议简介 为加速人工智能技术创新与产业落地，共建开源开放的AI框架技术生态，昇思MindSpore开源社区将于2025年4月12日在杭州萧山万怡酒店举办MindSpore Developer Day 2025。本次会议聚焦AI框架技术创新与开源开发者生态共建，将发布MindSpore 2.6.0全新版本，展示其端到端全流程支持DeepSeek等MoE大模型训练、微调、强化学习与推理部署的技术，以及在科学智能、开发易用性、与CANN协同提升计算效率等领域和方向的技术创新与成果。同时昇思社区联合模力方舟（GiteeAI）举办AI应用开发者Meetup，分享各行业领域AI应用开发实践经验与开发心得，为大家带来产研前线的第一手干货。 ## 精彩回顾 ## 会议总览 4月12日（周六） 主题演讲：MindSpore Developer Day 2025 09:30-10:10 SIG Gathering 10:30-12:00 午休、午餐 12:00-13:00 醒脑活动 13:00-13:30 昇思MindSpore X 模力方舟——AI应用开发者Meetup 13:30-17:30 开发者之夜 18:00-20:30 成果展示（全天） - 昇思开源历程 - 使能模型创新 - 共建友好社区 - 贡献开源事业 - 孵化学术成果 - 支撑产业繁荣 - CodeLabs ## 详细议程 ## 主题演讲：MindSpore Developer Day 2025 F4/世纪厅 09:30-10:10 09:30-09:40 致辞 丁诚 昇思MindSpore开源社区理事长 09:40-10:10 MindSpore 2.6.0 重点特性解读 邓益平 昇思MindSpore技术总经理 ## SIG Gathering B1 10:30-12:00 MindSpore MOE专家大模型预训练技术研讨 自DeepSeek-V3发布，昇思MindSpore快速完成对DeepSeek-V3的开发支持并上线开源社区。围绕DeepSeek-V3提供大集群流水负载均衡、MOE并行支持、机间通信优化，1F1B正反向计算通信掩盖等核心能力，实现大模型训练性能加速，面向开发者提供开箱即用的DeepSeek-V3预训练能力，并已成功在大规模集群上预训练。同时在生态兼容上，核心框架层接口兼容PT，核心加速库层对接MindSpeed，提升模型开发训练易用性。 B1/龙井厅 MindSpore强化学习、蒸馏与R1复现技术研讨 随着ChatGPT和DeepSeek R1的出现，强化学习与大模型技术的融合也逐渐成为后训练中重要的流程。在强化学习的典型算法中(PPO、GRPO等)，训推共资源部署已成为当前强化学习领域的核心范式之一。在此背景下，如何高效复现各种类别的强化学习算法及端到端的性能优化、如何管理强化学习过程中的优不同模型的权重及内存，以及实现训练权重向推理阶段的在线重排和更新，已成为强化学习中的必备技术。其次Deepseek-R1的参数量非常大，部署资源要求高，如何在小参数模型中引入长思维链推理能力？DeepSeek 团队引入了蒸馏技术，能够将高级推理能力迁移到较小的模型。 B1/玉皇厅 MindSpore加速DeepSeek大模型推理研讨 DeepSeek热度的不断攀升，催生大模型推理加速技术的持续创新。昇思MindSpore已快速完成对DeepSeek-R1/QwQ等热点网络的推理优化，通过采用图融合、多维并行、组合量化等关键技术，提供极致推理性能。同时，通过插件式对接vLLM，支持大模型快速开箱部署。本次研讨将结合昇思MindSpore的开发实践，深度探讨大模型推理加速技术的应用场景与演进趋势。 B1/桂雨厅 MindSpore开发体验与易用性提升 MindSpore在开发者体验方面持续优化，对文档资料重新设计，让开发者更容易理解；提供兼容hf transformers/diffusers 组件，提升模型开发效率；同时升级模型调试调优工具，提升debug效率；本次研讨将讨论大模型时代AI开发体验及易用性发展趋势与变化。 B1/秋月厅 MindSpore Science：加速AI4Science创新与落地 随着AI4Science领域相关成果获得诺贝尔奖级别的关注，AI在生物领域、数学领域、工程领域都已取得了革命性的突破。MindSpore推出AI科学计算套件MindSpore Science，并推出了流体套件Flow、量子计算套件Quantum，计划推出能源套件Energy。本次研讨向大家介绍已有套件新版本最新特性与亮点，新套件规划情况，汇集一线开发者共商套件发展方向与前沿创新对框架和套件底座的需求，共同打造高效易用的AI4Science领域套件。 B1/虎跑厅 ## 昇思MindSpore X 模力方舟——AI应用开发者Meetup B1/龙井厅 13:30-17:30 13:30-14:10 AIFin信号 - 大模型投资应用前沿与展望 林家桢 芯格科技创始人 14:10-14:50 医疗行业 AI 技术实践经验分享 —— 场景驱动的开发范式：从细分业务到全链协同 李静涛 云南省医疗设备器械临床应用质量控制中心，信息数据组组长；医学装备工程师，独立研发医工软件《数智医工》 及 《数智心桥》 14:50-15:30 AI 时代新产品交互范式和内容创作思考 黄巍 Refly.AI 创始人 15:30-16:10 行业智能化升级:大模型+知识库在ToB场景的落地实践 肖玉民 杭州萌嘉网络科技股份有限公司(TorchV) 联合创始人 & CTO 16:10-16:50 基于MindSpore+OrangePi AiPro的养鸡场鸡蛋计数实验教学案例 蔡建平 副教授，浙江大学硕士生导师，浙大城市学院计算机系主任，杭州市优秀教师 16:50-17:30 DeepSeek+香橙派AI Pro：模型部署、调优及未来发展的全景视图 陈新杰 昇思MindSpore布道师；华为开发者布道师 ## 会场导览 - 主题演讲 - 醒脑活动 - 开发者之夜 - 互动体验区 - 午餐 - 展区 - VIP室 - 会议流程墙 - 签到 - SIG Gathering - 昇思MindSpore X 模力方舟： AI应用开发者Meetup ## 共建单位 - ### 主办单位 - - ### 协办单位 - - - - - - - 注：活动相关法律规定请查看 隐私声明 法律声明 --- https://www.mindspore.cn/summit/devday2025/legal/ --- # 法律声明 ## 1\. 服务条款协议 华为技术有限公司欢迎您参加MindSpore Developer Day 2025。本服务协议条款和条件（“本协议”），是您与华为技术有限公司及其子公司和关联公司就MindSpore Developer Day 2025等相关事宜订立的契约，就您在本协议中的权利、义务等重要信息作出了约定，具有法律约束力 本协议适用于网址为 https://www.mindspore.cn/summit/devday2025 的网站，以及华为技术有限公司及其子公司和关联公司就MindSpore Developer Day 2025链接到 https://www.mindspore.cn/summit/devday2025  的所有相关网站、APP等应用软件（合称为“本网站”）。本网站是华为技术有限公司的财产。请您认真阅读并充分理解本协议，**凡以任何行为实际使用本网站（包括但不限于注册、第三方代注册、登录、使用、浏览等），从本网站享用服务，接受MindSpore Developer Day 2025邀请函或参与MindSpore Developer Day 2025，即表示您已仔细阅读并接受了本协议，同意本协议项下包括但不限于隐私保护和责任限制、免除等条款在内的所有内容及其法律约束力。如您不同意，请勿使用本网站、在本网站上享用服务及参与MindSpore Developer Day 2025，也勿点击下方的“我同意”。** 本协议中的“华为”是指华为技术有限公司、其母公司、其子公司和其关联公司及上述公司员工等。本协议中的“您”，包括但不限于您、您的雇主、代理人、及代表您同意和接受本协议的任何主体或个人。当您使用本网站，您应当年满18周岁，并具备完全民事权利能力和完全民事行为能力，能够独立承担法律责任，否则华为保留自行决定在任何时候拒绝向您提供服务的权利。对由此给华为或第三方造成的损失，您须承担全部赔偿责任。如您为无民事行为能力人或为限制民事行为能力人，则只能在父母或监护人的监护参与下才能使用本网站，否则华为有权在法律允许范围内冻结、关闭或删除您的账户。 华为保留自行决定在任何时候变更、修改、增加或删除本协议、本网站部分内容的权利，不再另行通知。所有变更、修改、增加或删除的本协议或本网站的内容，自在本网站上更新时生效，并适用于以任何方式参与MindSpore Developer Day 2025、使用任何与MindSpore Developer Day 2025相关的应用程序和服务。鉴于受到互联网技术发展水平等因素的限制，本网站不排除部分信息会存在滞后或差错的可能性。您确认知悉和理解此情形，并同意不追究华为的相关责任。您有责任定期查看本协议的变更。您在变更信息发布之后继续使用本网站、参与MindSpore Developer Day 2025或使用任何与MindSpore Developer Day 2025相关的应用程序和服务，即表示您同意且接受该等变更。 ## 2\. 提供的产品或服务内容 MindSpore Developer Day 2025自2025年4月12日在杭州举行。本网站负责提供与MindSpore Developer Day 2025相关的账户注册信息、咨询、议程和服务等。您不可为任何非法或本协议禁止之目的使用本网站或MindSpore Developer Day 2025相关的任何内容，或者为教唆实施任何非法行为或侵犯华为或他人权利的其他行为使用本网站或MindSpore Developer Day 2025相关的任何内容。 ## 3\. 第三方链接 本网站可能保留有与第三方网站或网址的链接，访问这些链接将由用户自己作出决定，华为并不保证这些链接上所提供的任何信息、数据、观点、图片、陈述或建议的准确性、完整性、充分性和可靠性。华为提供这些链接仅仅在于提供方便，并不表示华为对这些信息的认可和推荐，也不是用于宣传或广告目的。 ## 4\. 胸卡 所有参观人士必须年满18周岁，至签到处领取MindSpore Developer Day 2025胸卡。胸卡由MindSpore Developer Day 2025会务组提供，仅供您本人参加MindSpore Developer Day 2025使用，您不可转借他人使用。使用共享、复印、重印的胸卡将不被允许进馆参观。对于违规使用的胸卡，会务组有权予以没收。 ## 5\. 所有权及知识产权 本网站及MindSpore Developer Day 2025所载的所有文字、图表、用户界面、可视界面、图片、商标、标识、声音、音乐、美术作品及计算机编码（合称为“内容”），为华为所有、受华为控制或许可给华为使用，且受商业外观法、著作权法、专利法、商标法以及各类其他知识产权法和反不正当竞争法的保护。除本协议明确规定外，未经华为事先书面同意，您不得将本网站及MindSpore Developer Day 2025的任何内容及与其有关的派生产品，以任何方式进行复制、经销、翻印、播放、以超级链路连接或传送、存储于信息检索系统或者其他任何商业目的的使用。 您可以使用华为专为从本网站下载所提供的有关本网站和MindSpore Developer Day 2025的信息，但仅限于出于个人而非商业信息目的使用该等信息，且不得在任何网络计算机上复制或发布该等信息，或在任何媒介上散布该等信息；不得从该等文件的所有复本中移除任何所有权通知的文句；不得对该等信息作任何修改；不得对该等文件做出进一步陈述或保证。 ## 6\. 图像使用 您确认并同意，华为及其代理商可能会在MindSpore Developer Day 2025上对您采访、拍摄照片及/或录制视频。具体请参考《MindSpore Developer Day 2025隐私政策》 。因此，您同意，在此授权华为及其代理商在全球范围内，以任何方式或媒体，包括但不限于印刷、互联网或其他电子形式，使用、复制、传输、广播、公开发行及展示您的个人信息（附加/不附加您的姓名），包括但不限于您的图像/照片、声音、采访内容等，用于华为及MindSpore Developer Day 2025的推广、营销与宣传。华为是上述作品的唯一、排他的知识产权所有者，且您无权要求审核上述作品，提出赔偿请求及其他因您的个人信息被使用而引起的任何法律主张，并同意华为及其代理商无需承担任何因此产生的责任。 除非是出于合法的新闻报道和媒体传播等合理正当目的，否则，未经华为事前书面同意，您不得出于商业目的从事以下行为：在MindSpore Developer Day 2025上使用任何设备拍照、录音、直播、上传、转播MindSpore Developer Day 2025上的讲演、展示和相关材料等，也不得通过任何途径传播上述信息和材料。任何情况下，直播需获得华为事前同意。如您违反上述规定，华为有权请您退出MindSpore Developer Day 2025，且无需承担任何赔偿责任。 ## 7\. MindSpore Developer Day 2025行为守则 您同意，您可以自愿参加MindSpore Developer Day 2025上的一些活动或展示，并自行承担责任和风险。华为不会强制要求您参加任何活动或展示。除因华为的重大过失或故意导致的损害外，华为不承担任何因您自愿参加活动或展示所导致的人身、财产的损害赔偿责任。 ## 8\. 不可抗力 “不可抗力”是指华为不能预见、不能避免且不能克服的客观状况，包括但不限于地震、洪水、台风、火灾、战争、恐怖主义行为、禁运、疫病、隔离管控、病毒传播、航班取消、罢工、封锁、第三方未能提供产品或服务等。不可抗力事件发生后，华为无须为此承担任何责任，但将尽最大努力履行其义务并减少由于不可抗力事件给您造成的损失。不可抗力影响消失后，华为将继续履行本协议项下的义务。 ## 9\. 责任限制及赔偿条款 您同意，就华为发生的或遭受的、由于您使用本网站、参加MindSpore Developer Day 2025或相关活动所引发或以任何形式与之相关的任何一切人身或财产相关的主张、责任、损失、损害以及政府费用或罚款、处罚、支出、法律费用、专业人员费用和其他任何性质的费用（合称“索赔”）（包括但不限于因您的雇员、代理人、承包商以及参加人员的重大过失或故意不当行为导致的索赔），您始终就该等索赔向华为承担责任、进行赔偿、为其抗辩并使其免受损害。 如您违反本协议项下条款或未能遵从华为提出的合理要求，华为有权请您退出MindSpore Developer Day 2025，且无需承担任何赔偿责任。 华为及其代理商不能控制为MindSpore Developer Day 2025提供住宿及其他服务的独立供应商的行为。因此，华为不对任何由上述供应商的作为/不作为引起的或超出华为及其代理商控制范围内的责任、损失、损害及诉讼等承担赔偿责任。 除法律禁止外，在任何情形下，华为对任何间接、派生、附带或惩罚性损害，包括但不限于利益损失，不向您承担责任，即便华为已被告知发生该等损害的可能。 ## 10\. 协议的终止 本协议自您点击“我同意”时起生效并具备法律效力，各方全部义务履行完毕之日或本协议解除之日为到期日。本协议终止或到期后，依约定或条款性质应该继续生效、对双方继续具有约束力的条款除外，包括但不限于所有权及知识产权、图像使用、责任免除、限制及赔偿条款等。**华为保留在任何时候单方面解除本协议或拒绝您参加MindSpore Developer Day 2025的权利**，在通知到达您的注册邮箱后立即生效。如华为单方面解除本协议或拒绝您参加MindSpore Developer Day 2025，在扣除由您的过失导致的损失后，仅向您返还剩余的预付款。 ## 11\. 免责声明 您明确同意本网站及/或MindSpore Developer Day 2025提供的产品或服务的使用由您个人自行承担风险。除法律另有规定外，华为不对本网站及/或MindSpore Developer Day 2025的信息、内容、材料、产品（包括软件）或服务作任何形式的、明示或默示的声明、承诺或担保。华为不保证服务一定能满足您的要求，也不保证服务不会受中断，对服务的及时性、安全性、出错都不作任何承诺和保证。 ## 12\. 协议的完整性 本协议及产品和服务相关通知构成您与华为就本协议约定的本网站及/或本协议所提及的MindSpore Developer Day 2025事项达成的完整协议，并取代双方之前与本网站及/或本协议所提及的MindSpore Developer Day 2025事项有关的一切口头和书面的、明示和默示的洽谈、谈判、通知、备忘录、文件、协议、合同和通讯。 ## 13\. 适用法律及争议解决 您同意，本协议的签订地约定为广东省深圳市龙岗区。MindSpore Developer Day 2025及/或本协议的订立、执行、解释及争议的解决均应适用在中华人民共和国大陆地区的有效法律。如双方就MindSpore Developer Day 2025及/或本协议的内容或其执行发生任何争议，双方应尽力友好协商解决，协商不成时，任何一方应且只能向本协议签订地有管辖权人民法院以诉讼的方式解决。 ## 14\. 其他 华为不对其不可预见或超出其控制范围的损失承担责任。可预见的损失，是指您与华为在订立本协议时，已明确约定的华为因违反本协议而造成的明显的损失与责任。 您同意，根据MindSpore Developer Day 2025的管理要求和安全规定，在MindSpore Developer Day 2025上的一部分活动、展示、研讨及分展会（合称“分会”），仅对某些参会者开放。未经华为明确的书面授权或邀请，华为有权拒绝您进入和/或请您退出上述分会。 除明确约定外，华为迟延行使或未行使本协议项下某条或若干条条款中的权利，迟延要求或未要求您履行您在本协议中的义务，均不应被理解为华为放弃上述权利。且您无权对本协议中的任何条款、条件或部分作出变更。 您同意并认可，您已年满18周岁，并具备完全民事权利能力和完全民事行为能力，能够独立承担法律责任，且已仔细阅读本协议上述全部条款。您同意本协议项下包括但不限于隐私保护和责任限制、免除等条款在内的所有内容及其法律约束力。如您不同意，请勿使用本网站、在本网站上享用服务及参与MindSpore Developer Day 2025。 --- https://www.mindspore.cn/summit/devday2025/privacy/ --- # MindSpore Developer Day 2025隐私政策 MindSpore Developer Day 2025由昇思MindSpore开源社区主办，并由华为技术有限公司以及其关联公司（以下将“华为技术有限公司”及其关联公司简称「华为」、「我们」和「我们的」）提供各种技术和管理支持。MindSpore Developer Day 2025（以下简称「活动」）以中国杭州为主活动现场结合线上线下的形式举行（2025年4月12日），本隐私政策（以下简称「本政策」）将阐述您在注册和参与主活动现场、线上线下活动时华为如何使用和保护您的个人信息。您理解我们收集这些个人信息对于您参加活动是必要的，如果您不提供或不同意我们收集和使用必要的个人信息，您将无法参加MindSpore Developer Day 2025。您理解本政策可能并不覆盖活动所有的个人信息处理情景，未覆盖的其他情景将单独提供专门的隐私声明或在后续刷新的政策中阐述。 我们制定本政策的目的在于帮助您了解以下内容： 1. 华为如何收集和使用您的个人信息 2. 华为如何披露您的个人信息 3. 如何访问或修改您的个人信息 4. 华为如何保护您的个人信息 5. 本政策如何更新 6. 如何联系华为 ## 1\. 华为如何收集和使用您的个人信息 当您阅读并同意本政策后，华为将通过线上和线下两种途径向您收集和处理个人信息，为您提供优质的服务和活动讯息。下文详细列举我们处理您的个人信息的场景、涉及个人信息类型、处理方式以及目的。 1.1 为帮助您报名参加活动和享受线上与线下活动体验，我们会使用昇思MindSpore开源社区官网和其它经您同意的方式收集您的**姓名、性别、电子邮箱、电话号码、单位/公司、行业、职位**，以实现活动注册和报名。为了方便您参会，我们将向您用于注册的**电子邮箱及手机号码**发送与活动相关的信息，比如告知您注册结果、参会ID和参会提醒。 1.2 如果您作为特邀嘉宾参与活动，我们将收集您的**照片、姓名、电子邮箱、手机号码、公司/单位名称、行业、职位、学校、学位**，用于大会宣传物料制作、在大会官网及官方社媒账号上公开宣传。 1.3 为了您在本次活动中获得更好的体验感，活动当天入场我们将对您的参会ID进行扫码签到，核对您的报名信息，包含**姓名、电子邮箱、手机号码、单位/公司名称、行业、职位**。 1.4 活动期间我们将安排工作人员在场馆内对活动开展情况进行摄影摄像，或者进行采访，可能处理您的**人像、声音信息**，用于大会记录与宣传，录制材料包括但不限于电子记录、录像带、录音带和照片。前述录制材料仅用于活动宣传目的，如果您不想入镜或者不愿华为使用与您相关的录制材料，请通过contact@public.mindspore.cn与我们取得联系。 ## 2\. 华为如何披露您的个人信息 只有符合下列情况时，华为才会披露您的个人信息： (1)将您的个人信息披露或转移给其他华为子公司或为活动提供服务的合作方。根据您的请求，华为可能需要通过子公司或合作方为您提供某些服务，例如通过【深圳易思智科技有限公司】为您提供活动报名及签到服务，及通过【北京优森美驰会展服务有限公司】为您提供摄影摄像服务。因此华为需要将您的部分个人信息共享给该子公司或该合作方，以便向您提供相应服务。华为将严格禁止合作方把您的个人信息用于其他任何目的。 (2)在适用的法律要求或响应法律程序的情况下，华为也可能会向相关的执法机关或者其他政府机关披露您的个人信息。在某些管辖区，如果华为牵涉到重组、合并或破产和清理诉讼，那么您的个人信息还可能会被披露给交易方。 (3)如果您是大会演讲嘉宾，我们将在获得您的授权后，您的姓名、行业、公司、职位、照片、视频将会出现在会议现场，用于大会演讲。您的姓名、行业、公司、职位、照片还将会出现在线上如大会官网、华为官方社媒账号、昇思MindSpore海外社媒账号，用于议程展示和活动的宣传。 (4)大会录制视频、大会采访视频将出现在活动宣传中，如大会官网、华为官方社媒账号、昇思MindSpore海外社媒账号，如您不愿华为使用与您相关的录制材料，请及时与我们联系。 ## 3\. 如何访问或修改您的个人信息 您应确保提交的所有个人信息都准确无误。华为会尽力维护个人信息的准确和完整，并及时更新这些数据。 根据《中华人民共和国个人信息保护法》，您有权随时请求访问和获取副本、接收、反对收集/使用/披露、更改、删除或销毁、拒绝、限制使用和转移您的信息，提出投诉或撤回同意。如果您想行使相关的权利，请通过contact@public.mindspore.cn或本政策结尾处的数据保护官的联系方式与我们取得联系。为保障安全，您可能需要提供书面请求。如果我们有合理依据认为这些请求存在欺骗性、无法实行或损害他人隐私权，我们则会拒绝处理请求。 当华为基于您的同意处理您的个人信息时，您还有权随时撤销您的同意。但撤销同意不会影响撤销前我们基于您的同意处理您个人信息的合法性及效力，也不影响我们基于其他适当的合法性基础处理您的个人信息。 ## 4\. 华为如何保护和留存您的个人信息 华为重视个人信息的安全。我们采用适当的物理、组织和技术保障措施来保护您的个人信息不被未经授权访问、披露、使用、修改、损坏或丢失。例如，我们会使用加密技术确保数据的机密性；我们会使用保护机制防止数据遭到恶意攻击；我们会部署访问控制机制，确保只有授权人员才可访问个人信息；以及我们会举办安全和隐私保护培训课程，加强员工对于保护个人信息重要性的认识。我们会尽力保护您的个人信息，但是请注意任何安全措施都无法做到无懈可击。若发生信息泄露事件，华为会根据所适用的数据保护法律法规处理，并采取所有合理的措施减轻或消除事件的影响。 我们将会在达成本政策所述目的所需的期限内保留您的个人信息，期限到期后立刻删除，除非按照法律要求或许可需要延长保留期或受到法律的允许。 ## 5\. 本政策如何更新 华为保留不时更新或修改本政策的权利。如果我们的隐私政策变更，我们会将最新版隐私政策发布在这里。如果我们对隐私政策做出了重大变更，我们还可能会通过不同渠道向您发送变更通知，例如，在我们的网站上发布通知或者向您发布单独的通知。欢迎您随时访问本政策了解详细内容。 ## 6\. 如何联系华为 如果您有任何疑问、意见或建议，请通过发送邮件至contact@public.mindspore.cn与我们联系。如果您有任何隐私投诉或问题要联系华为数据保护官，请通过以下方式联系我们： 公司：华为技术有限公司 地址：深圳市龙岗区坂田华为基地 --- https://www.mindspore.cn/summit/summit2023/ --- ## 一起昇思 无尽创新 ### 人工智能框架生态峰会2023 精彩回顾 #### 6月16日 上海闵行大零号湾科创大厦（主论坛）闵行星河湾酒店（专题论坛） 精彩回顾 人工智能框架生态峰会将于2023年6月16日在上海召开，峰会由上海临港经济发展（集团）有限公司、上海人工智能研究院、昇思MindSpore开源社区联合举办，大会汇聚国内外AI领域领军院士、开源社区领袖、商业精英以及技术大咖等各方，共同探讨AI技术发展趋势与产业机遇。 诚邀您莅临现场，共襄盛会！ 6大 奖项颁发 40+ 主题分享 500+ 与会嘉宾 300+ 参会单位 ### 精彩回顾 人工智能框架生态峰会2023 MindSpore TechDay 2023 科学智能专题论坛 大模型专题论坛 AI框架使能应用创新与实践专题论坛 ### 会议日程 16 JUN 上午 下午 #### 人工智能框架生态峰会主论坛（09:30-12:00） 9:30-9:50开场致辞 9:50-9:55“共建人工智能框架生态，繁荣中国人工智能产业”倡议 9:55-10:10上海昇思AI框架&大模型创新中心启动暨伙伴入驻仪式 10:10-10:15国家全民数字素养与技能培训基地授牌仪式 10:15-10:20昇思MindSpore开源社区理事会成立仪式 10:20-10:25昇思MindSpore开源社区技术委员会专家聘请仪式 10:25-10:35从微观分子到地球生态：AI加速水分子奥秘探索 张东辉 中国科学院院士 中国科学院大连化学物理研究所分子反应动力学国家重点实验室主任 10:35-10:45紫东.太初2.0：基于昇思的全球首个全模态大模型 徐　波 中国科学院自动化研究所所长 10:45-10:55凝心聚力，共建AI框架开源新生态 丁　诚 昇思MindSpore开源社区理事长 10:55-11:05开放、融合、共享，以大算力赋能AI产业生态 徐凌杰 壁仞科技联合创始人、总裁 11:05-11:15云从携手昇思联创 打造AI自主方案 梁俊文 云从科技泰山信创产品线总裁 11:15-11:25电力行业加速推动人工智能生态建设 董召杰 南方电网人工智能科技有限公司经理 11:25-11:35新时代的AI框架：昇思2.0全新技术升级 于　璠 昇思MindSpore技术总经理 华为AI4Sci LAB主任 11:35-11:45科技赋能产教融合，开创人工智能人才培养新模式 宋海涛 上海人工智能研究院执行院长 上海交通大学人工智能研究院副院长 11:45-12:00昇思MindSpore开源社区卓越贡献者颁奖 ### 演讲嘉宾 #### 主论坛嘉宾 张东辉 中国科学院院士 中国科学院大连化学物理研究所分子反应动力学国家重点实验室主任 徐波 中国科学院⾃动化研究所所⻓ 徐凌杰 壁仞科技 联合创始人、总裁 梁俊文 云从科技 泰山信创产品线总裁 董召杰 南方电网人工智能科技有限公司经理 宋海涛 上海人工智能研究院执行院长 上海交通大学人工智能研究院副院长 丁诚 昇思MindSpore开源社区理事长 于璠 昇思MindSpore技术总经理 华为AI4Sci LAB主任 #### MindSpore TechDay嘉宾 ⾦雪锋 昇思MindSpore总架构师 李永乐 LF AI & DATA 基金会理事 余跃 OpenI启智开源平台运营中心主任 AITISA联盟算力网推进组长 ⾦耀辉 上海交通大学人工智能研究院总工程师 上海白玉兰开源开放研究院执行院长 胡晓曼 昇思MindSpore开源生态总监 杨奕 深圳湾实验室副研究员 李林 奥看科技 高级解决方案专家 王超 杭州旷维炬锐科技有限公司创始人 王洁怡 上海大学本科生 昇思MindSpore优秀开发者 #### 大模型专题论坛嘉宾 薛宇飞 智谱AI大模型事业部副总裁 卢志武 中国人民大学高瓴人工智能学院教授 张叶红 鹏城实验室网络智能研究部 助理研究员 缪钧玮 面壁智能副总裁 周芃 广东元脑科技研究院院长 加州大学圣克鲁兹分校博士 苏腾 昇思MindSpore架构师 #### 科学智能专题论坛嘉宾 张淼 中国商飞上海飞机设计研究院院级专家 张骏 昌平实验室研究员 德国洪堡学者 张潘 中国科学院理论物理研究所研究员 杨武 东南大学 副研究员 王紫东 华为AI4Sci LAB副主任 邵云峰 华为诺亚方舟实验室人工智能技术专家 #### AI框架使能应用创新与实践专题论坛嘉宾 侯彪 西安电子科技大学人工智能学院执行院长 华山学者特聘教授 陈蕾 华东师范大学计算机科学与技术学院副院长 钟将 重庆大学计算机学院副院长 教授、博士生导师 魏星 西安交通大学软件学院副教授 博士，研究生导师 赖铖 鹏城实验室网络智能部算法工程师 李锐锋 昇思MindSpore研发与生态总监 ### 仪式嘉宾 #### 昇思MindSpore开源社区理事会成立仪式嘉宾 丁诚 昇思MindSpore开源社区理事长 胡晓曼 昇思MindSpore开源社区秘书长 黄向军 沐曦研发副总裁 梁俊文 云从科技 泰山信创产品线总裁 潘青华 科大讯飞副总裁 工程院院长 裴芝林 上海人工智能实验室青年PI 周明伟 浙江大华大数据研究院院长 宋海涛 上海人工智能研究院执行院长 上海交通大学人工智能研究院副院长 苏力强 博瀚智能首席技术官 ⽥永鸿 鹏城实验室⽹络智能研究部副主任 北京⼤学深圳研究⽣院信息⼯程学院院⻓ 王志军 中国联通软件研究院副院长 王斌 达闼机器人有限公司产品副总裁 王⾦桥 中国科学院⾃动化研究所 紫东太初⼤模型研究中⼼常务副主任 谢睿 软通动力集团副总裁 信创与集成事业本部总经理 徐凌杰 壁仞科技 联合创始人、总裁 杨华 中科昇腾CEO #### 昇思MindSpore开源社区技术委员会专家聘请仪式嘉宾 ⾦雪锋 昇思MindSpore总架构师 于璠 昇思MindSpore技术总经理 华为AI4Sci LAB主任 苏腾 昇思MindSpore架构师 陈雷 昇思MindSpore首席科学家 加拿大滑铁卢大学计算机系博士 杨奕 深圳湾实验室副研究员 董彬 北京大学国际数学研究中心教授 国际机器学习研究中心副主任 孙显 中国科学院空天信息创新研究院研究员 博导 中科院重点实验室副主任 吴凌翔 武汉人工智能研究院  算法总监 蒋力 上海交通大学计算机科学与工程系 副教授 博导 麦络 爱丁堡大学助理教授 於俊 中国科学技术大学 副教授 谢源 华东师范大学计算机科学与技术学院 教授 博导 程明明 南开大学杰出教授 计算机系主任 窦志成 中国人民大学高瓴人工智能学院副院长 教授 博导 谢磊 西北工业大学计算机学院院长助理 教授 博导 颜永红 中科院声学所首席科学家 余跃 OpenI启智开源平台运营中心主任 AITISA联盟算力网推进组长 林咏华 智源研究院总工程师 IEEE女工程师亚太区领导组成员 ### 互动亮点 大模型体验 基于昇思MindSpore的紫东.太初，CodeGeeX等多款大模型现场交互式体验，一起感受大模型的发展。 大模型产业落地 随着大模型的爆发式发展，大模型的产业落地也在快速落地，珈和科技和百智诚远已经在遥感领域，政务服务等场景支持产业革新。 科学智能(AI4S) 基于昇思MindSpore的东方.御风大模型，是业界首个工业级流体仿真大模型，也是将流体力学与AI相融合的新尝试，目前已成功应用于中国大飞机设计中。 --- https://www.mindspore.cn/summit/summit2024/achievement/ --- 精彩回顾 ## 大会简介 人工智能是新一轮科技革命和产业变革的重要驱动力量，人工智能框架作为基础软件，已经成为加速人工智能大模型开发、推动产业智能化升级、繁荣数智经济不可或缺的加速器。昇思MindSpore作为国产主流开源框架致力于以创新技术与开源共建，助推国产大模型与人工智能产业蓬勃发展。联合各人工智能开源事业伙伴主办的昇思人工智能框架峰会将于2024年12月14日在北京中关村国际创新中心举行。大会旨在汇聚人工智能产业界创新力量，为中国构筑坚实的软件根基，推动技术持续创新，共建人工智能开源新生态。 ## 大会主题演讲直播 ## 大会总览 12月14日（周六） 上午 主题演讲：昇思人工智能框架峰会 下午 开源社区会议 昇思社区理事会会议 昇思社区技术委员会会议 专题论坛 昇思开源社区与开发者论坛 AI 框架基础软件技术发展论坛 昇思原生学术论文创新论坛 AI for Science创新论坛 全天 成果展示 昇思开源历程 支撑产业繁荣 落地行业应用 贡献开源事业 使能模型创新 孵化学术成果 CodeLabs ## 共建单位 #### 主办单位 #### 联合承办单位 #### 协办单位 ### 精彩回顾 人工智能框架生态峰会2023 --- https://www.mindspore.cn/summit/summit2024/achievement-legal/ --- # 法律声明 ## 1\. 服务条款协议 华为技术有限公司欢迎您参加昇思人工智能框架峰会。本服务协议条款和条件（“本协议”），是您与华为技术有限公司及其子公司和关联公司就昇思人工智能框架峰会等相关事宜订立的契约，就您在本协议中的权利、义务等重要信息作出了约定，具有法律约束力。 本协议适用于网址为https://www.mindspore.cn/summit/summit2024/achievement 的网站，以及华为技术有限公司及其子公司和关联公司就昇思人工智能框架峰会链接到https://www.mindspore.cn/summit/summit2024/achievement 的所有相关网站、APP 等应用软件（合称为“本网站”）。本网站是华为技术有限公司的财产。请您认真阅读并充分理解本协议，**凡以任何行为实际使用本网站（包括但不限于注册、第三方代注册、登录、使用、浏览等），从本网站购买产品或享用服务，接受昇思人工智能框架峰会邀请函或参与昇思人工智能框架峰会，即表示您已仔细阅读并接受了本协议，同意本协议项下包括但不限于隐私保护和责任限制、免除等条款在内的所有内容及其法律约束力。如您不同意，请勿使用本网站、在本网站上购买产品或享用服务及参与昇思人工智能框架峰会，也勿点击下方的“我同意”。** 本协议中的“华为”是指华为技术有限公司、其母公司、其子公司和其关联公司及上述公司员工等。本协议中的“您”，包括但不限于您、您的雇主、代理人、及代表您同意和接受本协议的任何主体或个人。当您使用本网站，您应当年满 18 周岁，并具备完全民事权利能力和完全民事行为能力，能够独立承担法律责任，否则华为保留自行决定在任何时候拒绝向您提供服务的权利。对由此给华为或第三方造成的损失，您须承担全部赔偿责任。如您为无民事行为能力人或为限制民事行为能力人，则只能在父母或监护人的监护参与下才能使用本网站，否则华为有权在法律允许范围内冻结、关闭或删除您的账户。 华为保留自行决定在任何时候变更、修改、增加或删除本协议、本网站部分内容的权利，不再另行通知。所有变更、修改、增加或删除的本协议或本网站的内容，自在本网站上更新时生效，并适用于以任何方式参与昇思人工智能框架峰会、使用任何与昇思人工智能框架峰会相关的应用程序和服务。鉴于受到互联网技术发展水平等因素的限制，本网站不排除部分信息会存在滞后或差错的可能性。您确认知悉和理解此情形，并同意不追究华为的相关责任。您有责任定期查看本协议的变更。您在变更信息发布之后继续使用本网站、参与昇思人工智能框架峰会或使用任何与昇思人工智能框架峰会相关的应用程序和服务，即表示您同意且接受该等变更。 ## 2\. 提供的产品或服务内容 昇思人工智能框架峰会自 2024 年 12 月 14 日在北京举行。本网站负责提供与昇思人工智能框架峰会相关的账户注册信息、咨询、议程、产品订单和服务等。您不可为任何非法或本协议禁止之目的使用本网站或昇思人工智能框架峰会相关的任何内容，或者为教唆实施任何非法行为或侵犯华为或他人权利的其他行为使用本网站或昇思人工智能框架峰会相关的任何内容。 ## 3\. 第三方链接 本网站可能保留有与第三方网站或网址的链接，访问这些链接将由用户自己作出决定，华为并不保证这些链接上所提供的任何信息、数据、观点、图片、陈述或建议的准确性、完整性、充分性和可靠性。华为提供这些链接仅仅在于提供方便，并不表示华为对这些信息的认可和推荐，也不是用于宣传或广告目的。 ## 4\. 胸卡 所有参观人士必须年满 18 周岁，至签到处领取昇思人工智能框架峰会胸卡。胸卡由昇思人工智能框架峰会官方注册系统提供，归昇思人工智能框架峰会所有，您不可转借他人使用。使用共享、复印、重印的胸卡将不被允许进馆参观。对于违规使用的胸卡，会务组有权予以没收。 ## 5\. 所有权及知识产权 本网站及昇思人工智能框架峰会所载的所有文字、图表、用户界面、可视界面、图片、商标、标识、声音、音乐、美术作品及计算机编码（合称为“内容”），为华为所有、受华为控制或许可给华为使用，且受商业外观法、著作权法、专利法、商标法以及各类其他知识产权法和反不正当竞争法的保护。除本协议明确规定外，未经华为事先书面同意，您不得将本网站及昇思人工智能框架峰会的任何内容及与其有关的派生产品，以任何方式进行复制、经销、翻印、播放、以超级链路连接或传送、存储于信息检索系统或者其他任何商业目的的使用。 您可以使用华为专为从本网站下载所提供的有关本网站和昇思人工智能框架峰会的信息，但仅限于出于个人而非商业信息目的使用该等信息，且不得在任何网络计算机上复制或发布该等信息，或在任何媒介上散布该等信息；不得从该等文件的所有复本中移除任何所有权通知的文句；不得对该等信息作任何修改；不得对该等文件做出进一步陈述或保证。 ## 6\. 图像使用 您确认并同意，华为及其代理商可能会在昇思人工智能框架峰会上对您采访、拍摄照片及/或录制视频。具体请参考《昇思人工智能框架峰会隐私政策》 。因此，您同意，在此授权华为及其代理商在全球范围内，以任何方式或媒体，包括但不限于印刷、互联网或其他电子形式，使用、复制、传输、广播、公开发行及展示您的个人信息（附加/不附加您的姓名），包括但不限于您的图像/照片、声音、采访内容等，用于华为及昇思人工智能框架峰会的推广、营销与宣传。华为是上述作品的唯一、排他的知识产权所有者，且您无权要求审核上述作品，提出赔偿请求及其他因您的个人信息被使用而引起的任何法律主张，并同意华为及其代理商无需承担任何因此产生的责任。 除非是出于合法的新闻报道和媒体传播等合理正当目的，否则，未经华为事前书面同意，您不得出于商业目的从事以下行为：在昇思人工智能框架峰会上使用任何设备拍照、录音、直播、上传、转播昇思人工智能框架峰会上的讲演、展示和相关材料等，也不得通过任何途径传播上述信息和材料。任何情况下，直播需获得华为事前同意。如您违反上述规定，华为有权请您退出昇思人工智能框架峰会，且无需承担任何赔偿责任。 ## 7\. 昇思人工智能框架峰会行为守则 您同意，您可以自愿参加昇思人工智能框架峰会上的一些活动或展示，并自行承担责任和风险。华为不会强制要求您参加任何活动或展示。除因华为的重大过失或故意导致的损害外，华为不承担任何因您自愿参加活动或展示所导致的人身、财产的损害赔偿责任。 ## 8\. 不可抗力 “不可抗力”是指华为不能预见、不能避免且不能克服的客观状况，包括但不限于地震、洪水、台风、火灾、战争、恐怖主义行为、禁运、疫病、隔离管控、病毒传播、航班取消、罢工、封锁、第三方未能提供产品或服务等。不可抗力事件发生后，华为无须为此承担任何责任，但将尽最大努力履行其义务并减少由于不可抗力事件给您造成的损失。不可抗力影响消失后，华为将继续履行本协议项下的义务。 ## 9\. 责任限制及赔偿条款 您同意，就华为发生的或遭受的、由于您使用本网站、参加昇思人工智能框架峰会或相关活动所引发或以任何形式与之相关的任何一切人身或财产相关的主张、责任、损失、损害以及政府费用或罚款、处罚、支出、法律费用、专业人员费用和其他任何性质的费用（合称“索赔”）（包括但不限于因您的雇员、代理人、承包商以及参加人员的重大过失或故意不当行为导致的索赔），您始终就该等索赔向华为承担责任、进行赔偿、为其抗辩并使其免受损害。 如您违反本协议项下条款或未能遵从华为提出的合理要求，华为有权请您退出昇思人工智能框架峰会，且无需承担任何赔偿责任。 华为及其代理商不能控制为昇思人工智能框架峰会提供住宿及其他服务的独立供应商的行为。因此，华为不对任何由上述供应商的作为/不作为引起的或超出华为及其代理商控制范围内的责任、损失、损害及诉讼等承担赔偿责任。 除法律禁止外，在任何情形下，华为对任何间接、派生、附带或惩罚性损害，包括但不限于利益损失，不向您承担责任，即便华为已被告知发生该等损害的可能。 ## 10\. 协议的终止 本协议自您点击“我同意”时起生效并具备法律效力，各方全部义务履行完毕之日或本协议解除之日为到期日。本协议终止或到期后，依约定或条款性质应该继续生效、对双方继续具有约束力的条款除外，包括但不限于所有权及知识产权、图像使用、责任免除、限制及赔偿条款等。华为保留在任何时候单方面解除本协议或拒绝您参加昇思人工智能框架峰会的权利，在通知到达您的注册邮箱后立即生效。如华为单方面解除本协议或拒绝您参加昇思人工智能框架峰会，在扣除由您的过失导致的损失后，仅向您返还剩余的预付款。 ## 11\. 免责声明 您明确同意本网站及/或昇思人工智能框架峰会提供的产品或服务的使用由您个人自行承担风险。除法律另有规定外，华为不对本网站及/或昇思人工智能框架峰会的信息、内容、材料、产品（包括软件）或服务作任何形式的、明示或默示的声明、承诺或担保。华为不保证服务一定能满足您的要求，也不保证服务不会受中断，对服务的及时性、安全性、出错都不作任何承诺和保证。 ## 12\. 协议的完整性 本协议及产品和服务订单的相关通知构成您与华为就本协议约定的本网站及/或本协议所提及的昇思人工智能框架峰会事项达成的完整协议，并取代双方之前与本网站及/或本协议所提及的昇思人工智能框架峰会事项有关的一切口头和书面的、明示和默示的洽谈、谈判、通知、备忘录、文件、协议、合同和通讯。 ## 13\. 适用法律及争议解决 您同意，本协议的签订地约定为广东省深圳市龙岗区。昇思人工智能框架峰会及/或本协议的订立、执行、解释及争议的解决均应适用在中华人民共和国大陆地区的有效法律。如双方就昇思人工智能框架峰会及/或本协议的内容或其执行发生任何争议，双方应尽力友好协商解决，协商不成时，任何一方应且只能向本协议签订地有管辖权人民法院以诉讼的方式解决。 ## 14\. 其他 华为不对其不可预见或超出其控制范围的损失承担责任。可预见的损失，是指您与华为在订立本协议时，已明确约定的华为因违反本协议而造成的明显的损失与责任。 您同意，根据昇思人工智能框架峰会的管理要求和安全规定，在昇思人工智能框架峰会上的一部分活动、展示、研讨及分展会（合称“分会”），仅对某些参会者开放。未经华为明确的书面授权或邀请，华为有权拒绝您进入和/或请您退出上述分会。 除明确约定外，华为迟延行使或未行使本协议项下某条或若干条条款中的权利，迟延要求或未要求您履行您在本协议中的义务，均不应被理解为华为放弃上述权利。且您无权对本协议中的任何条款、条件或部分作出变更。 您同意并认可，您已年满 18 周岁，并具备完全民事权利能力和完全民事行为能力，能够独立承担法律责任，且已仔细阅读本协议上述全部条款。您同意本协议项下包括但不限于隐私保护和责任限制、免除等条款在内的所有内容及其法律约束力。如您不同意，请勿使用本网站、在本网站上购买产品或享用服务及参与昇思人工智能框架峰会。 --- https://www.mindspore.cn/summit/summit2024/achievement-privacy/ --- # 昇思人工智能框架峰会隐私政策 昇思人工智能框架峰会由昇思 MindSpore 开源社区主办，并由其所在公司以及关联公司（以下将“华为技术有限公司”及其关联公司简称「华为」、「我们」和「我们的」）提供各种技术和管理支持。昇思人工智能框架峰会（以下简称「活动」）以中国北京为主活动现场结合线上线下的形式举行（2024 年 12 月 14 日），本隐私政策（以下简称「本政策」）将阐述您在注册和参与主活动现场、线上线下活动时华为如何使用和保护您的个人信息。您理解我们收集这些个人信息对于您参加活动是必要的，如果您不提供或不同意我们收集和使用必要的个人信息，您将无法参加昇思人工智能框架峰会。您理解本政策可能并不覆盖活动所有的个人信息处理情景，未覆盖的其他情景将单独提供专门的隐私政策或在后续刷新的政策中阐述。 我们制定本政策的目的在于帮助您了解以下内容： - 1.华为如何收集和使用您的个人信息 - 2.华为如何使用 Cookie 和同类技术 - 3.华为如何披露您的个人信息 - 4.如何访问或修改您的个人信息 - 5.华为如何保护您的个人信息 - 6.其他个人信息处理者的处理活动 - 7.本政策如何更新 - 8.如何联系华为 ## 1\. 华为如何收集和使用您的个人信息 当您阅读并同意本政策后，华为将通过线上和线下两种途径向您收集和处理个人信息，为您提供优质的服务和活动讯息。下文详细列举我们处理您的个人信息的场景、涉及个人信息类型、处理方式以及目的。 - 1.1 为帮助您报名参加活动和享受线上与线下活动体验，我们会使用昇思 MindSpore 开源社区官网和其它经您同意的方式收集您的**姓名、性别、电子邮箱、电话号码、单位/公司、行业、职位**，以实现活动注册和报名。 - 1.2 为了方便您参会，我们将向您用于注册的**电子邮箱**发送与活动相关的信息，比如告知您注册结果、参会 ID 和参会提醒。 - 1.3 活动期间我们将安排工作人员在场馆内对活动开展情况进行摄影摄像，或者进行采访，可能处理您的**人像、声音信息**，用于大会记录与宣传，录制材料包括但不限于电子记录、录像带、录音带和照片。前述录制材料仅用于活动宣传目的，如果您不想入镜或者不愿华为使用与您相关的录制材料，请及时与我们联系。 - 1.4 当您在活动现场体验我们展岛展示的产品或服务时，出于完成体验的需要，我们会收集您必需的个人信息，详情参见相关展岛现场摆放的隐私政策。 此外，我们还可能将您的个人信息用于以下目的： - (a) 为您提供服务或具体的体验活动。 - (b) 邀请您参加线上或线下活动。 - (c) 应您的要求进行变更或者提供您请求的信息（例如产品或服务的营销资料、白皮书）；以及提供技术支持。 - (d) 在您同意的情况下，与您联系；向您发送有关您可能感兴趣的产品和服务的信息；邀请您参与华为活动（包括促销活动）、市场调查或满意度调查；或向您发送营销信息。如果您不想接收此类信息，则可以随时退订。 - (e) 为您提供个性化用户体验和个性化内容。 - (f) 开展内部审计、数据分析和研究，改善我们的产品和服务。 - (g) 分析业务运营效率并衡量市场份额。 - (h) 遵从和执行适用的法律要求，相关的行业标准或我们的政策。 华为还可能收集和使用非识别性数据。非识别性数据是指无法用于确定个人身份的数据。例如，华为会收集汇总的统计数据，例如网站访问量。华为收集此数据的目的在于了解用户如何使用自己的网站、产品和服务。借此，华为可以改善自己的服务，更好地满足客户需求。华为可能会自行决定出于其他目的收集、使用、处理、转移或披露非识别性数据。我们会尽力隔离您的个人信息和非识别性数据，并单独使用这两种数据。如果个人信息掺杂了非识别性数据，依旧会被视作个人信息处理。 当华为处理您的个人信息时我们会遵从适用的法律的要求基于适当的合法性基础予以处理，包括： - (1) 当响应您的服务请求时为履行合同处理您的个人信息； - (2) 基于您的同意处理您的个人信息； - (3) 我们还可能在必要时处理您的个人信息以遵从和执行适用的法律义务，以及与政府机构合作，包括但不限于与活动场所监控区域内的安全和环境相关的法律。 ## 2\. 华为如何使用 Cookie 和同类技术 **2.1 Cookie** Cookie 是一种网络服务器存储在计算机或移动设备上的纯文本文件。Cookie 的内容只能由创建它的服务器检索或读取。每个 Cookie 对您的网络浏览器或移动应用程序都是唯一的。Cookie 通常包含标识符、站点名称以及一些号码和字符。借助于 Cookie，网站能够存储用户偏好等数据。 华为启用 Cookie 的目的与大多数网站或互联网服务提供商启用 Cookie 的目的一样，即改善用户体验。借助于 Cookie，网站能够记住用户的单次访问（使用会话 Cookie）或多次访问（使用永久 Cookie）。借助于 Cookie，网站能够保存设置，例如计算机或移动设备的语言、字体大小和其他浏览偏好。这意味着，用户无需在每次访问时重新配置用户偏好设置。如果某个网站不使用 Cookie，那么在用户每一次打开网页时，该网站都会将其视为新访客。例如，如果您登录某个网站后转到另一个网页，该网站就不会识别出您，而您会被再次注销。 华为不会将 Cookie 用于本政策所述目的之外的任何用途。您可根据自己的偏好管理或删除 Cookie。有关详情，请参见  AboutCookies.org。您可以清除计算机上保存的所有 Cookie，大部分网络浏览器都设有阻止 Cookie 的功能。但如果您这么做，则需要在每一次访问我们的网站时亲自更改用户设置。如需详细了解如何更改浏览器设置，请访问以下链接： Internet Explorer  Google Chrome    Mozilla Firefox     Safari     Opera **2.2 网站信标和像素标签** 除 Cookie 外，我们还会在网站上使用网站信标和像素标签等其他同类技术。例如，华为向您发送的电子邮件可能含有链接至华为网站内容的点击 URL。如果您点击该链接，华为则会跟踪此次点击，帮助我们了解您的产品和服务偏好并改善客户服务。网站信标通常是一种嵌入到网站或电子邮件中的透明图像。借助于电子邮件中的像素标签，我们能够获知电子邮件是否被打开。如果您不希望自己的活动以这种方式被追踪，则可以随时从华为的寄信名单中退订。 您使用我们的网站意味着您同意按照如上所述使用 Cookie，网站信标和像素标签。 ## 3\. 华为如何披露您的个人信息 只有符合下列情况时，华为才会披露您的个人信息： - (1) 将您的个人信息披露或转移给其他华为子公司或为活动提供服务的合作方。根据您的请求，华为可能需要通过子公司或合作方为您提供某些服务。因此华为需要将您的部分个人信息共享给该子公司或该合作方，以便向您提供相应服务。如果您需要华为安排行程，华为必须与酒店、机票、车辆服务供应商（深圳慧通商务有限公司）共享您的个人信息，才能帮您预定行程服务。华为将严格禁止合作方把您的个人信息用于其他任何目的。 - (2) 在适用的法律要求或响应法律程序的情况下，华为也可能会向相关的执法机关或者其他政府机关披露您的个人信息。在某些管辖区，如果华为牵涉到重组、合并或破产和清理诉讼，那么您的个人信息还可能会被披露给交易方。 - (3) 如果您是大会演讲嘉宾，我们将在获得您的授权后，您的姓名、行业、公司、职位、照片、视频将会出现在会议现场，用于大会演讲。您的姓名、行业、公司、职位、照片还将会出现在线上如大会官网、大会移动端应用、华为官方社媒账号，用于方便参会者安排会议期间的活动，以及活动的宣传。 - (4) 大会录制视频、大会采访视频将出现在活动宣传中，如大会官网、华为官方社媒账号，如您不愿华为使用与您相关的录制材料，请及时与我们联系。 ## 4\. 如何访问或修改您的个人信息 您应确保提交的所有个人信息都准确无误。华为会尽力维护个人信息的准确和完整，并及时更新这些数据。 根据《中华人民共和国个人信息保护法》，您有权随时请求访问和获取副本、接收、反对收集/使用/披露、更改、删除或销毁、拒绝、限制使用和转移您的信息，提出投诉或撤回同意。如果您想行使相关的权利，请通过contact@public.mindspore.cn或本政策结尾处的数据保护官的联系方式与我们取得联系。为保障安全，您可能需要提供书面请求。如果我们有合理依据认为这些请求存在欺骗性、无法实行或损害他人隐私权，我们则会拒绝处理请求。 当华为基于您的同意处理您的个人信息时，您还有权随时撤销您的同意。但撤销同意不会影响撤销前我们基于您的同意处理您个人信息的合法性及效力，也不影响我们基于其他适当的合法性基础处理您的个人信息。 ## 5\. 华为如何保护和留存您的个人信息 华为重视个人信息的安全。我们采用适当的物理、组织和技术保障措施来保护您的个人信息不被未经授权访问、披露、使用、修改、损坏或丢失。例如，我们会使用加密技术确保数据的机密性；我们会使用保护机制防止数据遭到恶意攻击；我们会部署访问控制机制，确保只有授权人员才可访问个人信息；以及我们会举办安全和隐私保护培训课程，加强员工对于保护个人信息重要性的认识。我们会尽力保护您的个人信息，但是请注意任何安全措施都无法做到无懈可击。若发生信息泄露事件，华为会根据所适用的数据保护法律法规处理，并采取所有合理的措施减轻或消除事件的影响。 我们将会在达成本政策所述目的所需的期限内保留您的个人信息，期限到期后立刻删除，除非按照法律要求或许可需要延长保留期或受到法律的允许。 ## 6\. 其他个人信息处理者的处理活动 除华为及其关联公司以外的第三方公司（下文简称“第三方”）将在本次大会展台提供营销或宣传活动，您可选择是否接收第三方提供的互动活动、服务或产品。华为不会主动向第三方共享您的个人信息，第三方为独立的个人信息处理者，其处理行为及相应的法律责任与华为无关。如果第三方处理您的个人信息，在向第三方提交个人信息之前，请参见这些第三方的隐私政策。华为无法控制第三方的隐私政策，此类第三方不受到本政策的约束。 ## 7\. 本政策如何更新 华为保留不时更新或修改本政策的权利。如果我们的隐私政策变更，我们会将最新版隐私政策发布在这里。如果我们对隐私政策做出了重大变更，我们还可能会通过不同渠道向您发送变更通知，例如，在我们的网站上发布通知或者向您发布单独的通知。欢迎您随时访问本政策了解详细内容。 ## 8\. 如何联系华为 如果您有任何疑问、意见或建议，请通过发送邮件至contact@public.mindspore.cn与我们联系。如果您有任何隐私投诉或问题要联系华为数据保护官，请通过以下方式联系我们： 公司：华为技术有限公司 地址：深圳市龙岗区坂田华为基地 --- https://www.mindspore.cn/summit/summit2025/ --- 观看回放 ## 会议简介 人工智能技术飞速发展，新场景驱动模型与训推范式革新，超节点成为当前业界AI基础建设的共识。AI框架作为产业智能化的核心基石正面临新的挑战和机遇。为超节点而生的昇思MindSpore AI框架深耕大模型前沿技术创新，充分释放硬件算力，构筑模型新范式亲和特性，助力开发者创新，为行业、科研及开源领域的开发者与伙伴提供开发友好、高效运行、部署灵活的开发体验，加速大模型领域技术创新和产业落地。 自2020年开源，5年来，昇思MindSpore开源社区联合产业界、学术界的伙伴和开发者持续创新，孵化主流大模型、培养AI开发者、支持学术论文创新，生态发展进入新篇章；未来5年，昇思MindSpore再出发，组件化能力开放，引领生态共荣，定义下一代开放、协同、可持续的人工智能框架新范式！ 昇思MindSpore开源社区将于 2025 年 12 月 25日在杭州举办昇思人工智能框架峰会。大会旨在汇聚人工智能产业界思想领袖、专家学者、企业领军人物及明星开发者等产学研用代表，共探技术发展趋势、分享创新成果与实践经验，共创智能新纪元！ ## 大会直播 - 主题演讲：昇思人工智能框架峰会 - 昇思人工智能框架技术发展与行业实践论坛 - 昇思AI for Science创新论坛 ## 大会总览 12月25日（周四） 上午 主题演讲：昇思人工智能框架峰会 下午 开源社区会议 昇思社区理事会会议 昇思社区技术委员会会议 专题论坛 昇思人工智能框架技术发展与行业实践论坛 昇思AI for Science创新论坛 Workshop 昇思开发者动手实践Workshop 全天 展览展示 昇思开源历程 昇思技术创新 落地成果展示 开源生态共建 开发者营地 CodeLabs 专家面对面 ## 大会议程 更多 ## 大会嘉宾 吴光辉 中国工程院院士、中国商飞首席科学家 谢桂磊 华为2012实验室中央软件院总裁 丁诚 昇思MindSpore开源社区理事长 金雪锋 昇思MindSpore开源社区技术委员会主席 刘知远 面壁智能联合创始人、首席科学家 支裕铎 招商银行人工智能实验室资深研究员 张懿 SGLang社区Committer、SGLang Team核心成员 计卫星 智能技术与教育应用教育部工程研究中心副主任、北京师范大学人工智能学院副院长和教授、信息技术新工科产学研联盟副秘书长 牛君豪 昇思MindSpore Transformers技术专家 韩刚强 昇思MindSpore推理技术专家 叶锋 昇思MindSpore Lite技术专家 朱国栋 昇思MindSpore Lite技术专家 邓益平 昇思MindSpore AI框架技术总经理 倪宁曦 昇思MindSpore AI框架技术专家 冯逸楠 中国电信天翼云算法工程师 刘迪 清华大学电机系助理研究员 张富才 书生大模型社区开发者 于璠 华为AI4S首席科学家 陈建海 浙江大学博导，副教授，浙江大学基础教学中心副主任兼党支部书记，人工智能教育教学研究中心《人工智能（理工农医）通识课程》负责人 甘剑平 香港科技大学海洋科学系系主任、港澳海洋研究中心主任、香港卓越学科领域计划首席科学家 张淼 上海飞机设计研究院专家 王耀华 昇思MindSpore Lite SIG Committer 张强 浙江大学百人计划研究员、长聘教轨助理教授 ## 共建单位 - ### 主办单位 - - - ### 联合承办单位 - - - - - - - - - - - ### 协办单位 - - - - - - - --- https://www.mindspore.cn/summit/summit2025/legal/ --- # 法律声明 ## 1\. 服务条款协议 华为技术有限公司欢迎您参加昇思人工智能框架峰会。本服务协议条款和条件（“本协议”），是您与华为技术有限公司及其子公司和关联公司就昇思人工智能框架峰会等相关事宜订立的契约，就您在本协议中的权利、义务等重要信息作出了约定，具有法律约束力。 本协议适用于网址为https://www.mindspore.cn/summit/summit2025 的网站，以及华为技术有限公司及其子公司和关联公司就昇思人工智能框架峰会链接到https://www.mindspore.cn/summit/summit2025 的所有相关网站、APP等应用软件（合称为“本网站”）。本网站是华为技术有限公司的财产。请您认真阅读并充分理解本协议，**凡以任何行为实际使用本网站（包括但不限于注册、第三方代注册、登录、使用、浏览等），从本网站购买产品或享用服务，接受昇思人工智能框架峰会邀请函或参与昇思人工智能框架峰会，即表示您已仔细阅读并接受了本协议，同意本协议项下包括但不限于隐私保护和责任限制、免除等条款在内的所有内容及其法律约束力。如您不同意，请勿使用本网站、在本网站上购买产品或享用服务及参与昇思人工智能框架峰会，也勿点击下方的“我同意”**。 本协议中的“**华为**”是指华为技术有限公司、其母公司、其子公司和其关联公司及上述公司员工等。本协议中的“您”，包括但不限于您、您的雇主、代理人、及代表您同意和接受本协议的任何主体或个人。当您使用本网站，您应当年满18周岁，并具备完全民事权利能力和完全民事行为能力，能够独立承担法律责任，否则华为保留自行决定在任何时候拒绝向您提供服务的权利。对由此给华为或第三方造成的损失，您须承担全部赔偿责任。如您为无民事行为能力人或为限制民事行为能力人，则只能在父母或监护人的监护参与下才能使用本网站，否则华为有权在法律允许范围内冻结、关闭或删除您的账户。您应提供真实、准确的注册和报名信息，否则我们有权暂停或终止您的服务。您的账户和密码由您自行保管。因您保管不善可能导致账户被他人使用（包括但不限于黑客攻击、密码泄露）而造成的任何损失，由您自行承担。 华为保留自行决定在任何时候变更、修改、增加或删除本协议、本网站部分内容的权利，不再另行通知。所有变更、修改、增加或删除的本协议或本网站的内容，自在本网站上更新时生效，并适用于以任何方式参与昇思人工智能框架峰会、使用任何与昇思人工智能框架峰会相关的应用程序和服务。鉴于受到互联网技术发展水平等因素的限制，本网站不排除部分信息会存在滞后或差错的可能性。您确认知悉和理解此情形，并同意不追究华为的相关责任。**您有责任定期查看本协议的变更**。您在变更信息发布之后继续使用本网站、参与昇思人工智能框架峰会或使用任何与昇思人工智能框架峰会相关的应用程序和服务，即表示您同意且接受该等变更 ## 2\. 提供的产品或服务内容 昇思人工智能框架峰会自2025年12月25日在杭州举行。本网站负责提供与昇思人工智能框架峰会相关的账户注册信息、咨询、议程、产品订单和服务等。您不可为任何非法或本协议禁止之目的使用本网站或昇思人工智能框架峰会相关的任何内容，或者为教唆实施任何非法行为或侵犯华为或他人权利的其他行为使用本网站或昇思人工智能框架峰会相关的任何内容。 ## 3\. 第三方链接 本网站可能保留有与第三方网站或网址的链接，访问这些链接将由用户自己作出决定，华为并不保证这些链接上所提供的任何信息、数据、观点、图片、陈述或建议的准确性、完整性、充分性和可靠性。华为提供这些链接仅仅在于提供方便，并不表示华为对这些信息的认可和推荐，也不是用于宣传或广告目的。 ## 4\. 胸卡 所有参观人士必须年满18周岁，至签到处领取昇思人工智能框架峰会胸卡。胸卡由昇思人工智能框架峰会官方注册系统提供，归昇思人工智能框架峰会所有，您不可转借他人使用。使用共享、复印、重印的胸卡将不被允许进馆参观。对于违规使用的胸卡，会务组有权予以没收。 ## 5\. 所有权及知识产权 本网站及昇思人工智能框架峰会所载的所有文字、图表、用户界面、可视界面、图片、商标、标识、声音、音乐、美术作品及计算机编码（合称为“内容”），为华为所有、受华为控制或许可给华为使用，且受商业外观法、著作权法、专利法、商标法以及各类其他知识产权法和反不正当竞争法的保护。除本协议明确规定外，未经华为事先书面同意，您不得将本网站及昇思人工智能框架峰会的任何内容及与其有关的派生产品，以任何方式进行复制、经销、翻印、播放、以超级链路连接或传送、存储于信息检索系统或者其他任何商业目的的使用。 您可以使用华为专为从本网站下载所提供的有关本网站和昇思人工智能框架峰会的信息，但仅限于出于个人而非商业信息目的使用该等信息，且不得在任何网络计算机上复制或发布该等信息，或在任何媒介上散布该等信息；不得从该等文件的所有复本中移除任何所有权通知的文句；不得对该等信息作任何修改；不得对该等文件做出进一步陈述或保证。 ## 6\. 图像使用 您确认并同意，华为及其代理商可能会在昇思人工智能框架峰会上对您采访、拍摄照片及/或录制视频。具体请参考《昇思人工智能框架峰会隐私政策》。因此，您同意，在此授权华为及其代理商在全球范围内，以任何方式或媒体，包括但不限于印刷、互联网或其他电子形式，使用、复制、传输、广播、公开发行及展示您的个人信息（附加/不附加您的姓名），包括但不限于您的图像/照片、声音、采访内容等，用于华为及昇思人工智能框架峰会的推广、营销与宣传。华为是上述作品的唯一、排他的知识产权所有者，除《个人数据保护法》下您依法享有的权利外，您无权要求审核上述作品，提出赔偿请求及其他因您的个人信息被使用而引起的任何法律主张，并同意华为及其代理商无需承担任何因此产生的责任。 除非是出于合法的新闻报道和媒体传播等合理正当目的，否则，未经华为事前书面同意，您不得出于商业目的从事以下行为：在昇思人工智能框架峰会上使用任何设备拍照、录音、直播、上传、转播昇思人工智能框架峰会上的讲演、展示和相关材料等，也不得通过任何途径传播上述信息和材料。任何情况下， 直播需获得华为事前同意。如您违反上述规定，华为有权请您退出昇思人工智能框架峰会，且无需承担任何赔偿责任。 ## 7\. 昇思人工智能框架峰会行为守则 您同意，您可以自愿参加昇思人工智能框架峰会上的一些活动或展示，并自行承担责任和风险。华为不会强制要求您参加任何活动或展示。除因华为的重大过失或故意导致的损害外，华为不承担任何因您自愿参加活动或展示所导致的人身、财产的损害赔偿责任。 ## 8\. 不可抗力 “不可抗力”是指华为不能预见、不能避免且不能克服的客观状况，包括但不限于地震、洪水、台风、火灾、战争、恐怖主义行为、禁运、疫病、隔离管控、病毒传播、航班取消、罢工、封锁、第三方未能提供产品或服务等。不可抗力事件发生后，华为无须为此承担任何责任，但将尽最大努力履行其义务并减少由于不可抗力事件给您造成的损失。不可抗力影响消失后，华为将继续履行本协议项下的义务。 ## 9\. 责任限制及赔偿条款 您同意，就华为发生的或遭受的、由于您使用本网站、参加昇思人工智能框架峰会或相关活动所引发或以任何形式与之相关的任何一切人身或财产相关的主张、责任、损失、损害以及政府费用或罚款、处罚、支出、法律费用、专业人员费用和其他任何性质的费用（合称“索赔”）（包括但不限于因您的雇员、代理人、承包商以及参加人员的重大过失或故意不当行为导致的索赔），您始终就该等索赔向华为承担责任、进行赔偿、为其抗辩并使其免受损害。 如您违反本协议项下条款或未能遵从华为提出的合理要求，华为有权请您退出昇思人工智能框架峰会，且无需承担任何赔偿责任。 华为及其代理商不能控制为昇思人工智能框架峰会提供住宿及其他服务的独立供应商的行为。因此，华为不对任何由上述供应商的作为/不作为引起的或超出华为及其代理商控制范围内的责任、损失、损害及诉讼等承担赔偿责任。 除法律禁止外，在任何情形下，华为对任何间接、派生、附带或惩罚性损害，包括但不限于利益损失，不向您承担责任，即便华为已被告知发生该等损害的可能。 ## 10\. 协议的终止 本协议自您点击“我同意”时起生效并具备法律效力，各方全部义务履行完毕之日或本协议解除之日为到期日。本协议终止或到期后，依约定或条款性质应该继续生效、对双方继续具有约束力的条款除外，包括但不限于所有权及知识产权、图像使用、责任免除、限制及赔偿条款等。**华为保留在任何时候单方面解除本协议或拒绝您参加昇思人工智能框架峰会的权利**，在通知到达您的注册邮箱后立即生效。如华为单方面解除本协议或拒绝您参加昇思人工智能框架峰会，在扣除由您的过失导致的损失后，仅向您返还剩余的预付款。 ## 11\. 免责声明 **您明确同意本网站及/或昇思人工智能框架峰会提供的产品或服务的使用由您个人自行承担风险。除法律另有规定外，华为不对本网站及/或昇思人工智能框架峰会的信息、内容、材料、产品（包括软件）或服务作任何形式的、明示或默示的声明、承诺或担保。华为不保证服务一定能满足您的要求，也不保证服务不会受中断，对服务的及时性、安全性、出错都不作任何承诺和保证。** ## 12\. 协议的完整性 本协议及产品和服务订单的相关通知构成您与华为就本协议约定的本网站及/或本协议所提及的昇思人工智能框架峰会事项达成的完整协议，并取代双方之前与本网站及/或本协议所提及的昇思人工智能框架峰会事项有关的一切口头和书面的、明示和默示的洽谈、谈判、通知、备忘录、文件、协议、合同和通讯。 ## 13\. 适用法律及争议解决 您同意，本协议的签订地约定为广东省深圳市龙岗区。昇思人工智能框架峰会及/或本协议的订立、执行、解释及争议的解决均应适用在中华人民共和国大陆地区的有效法律。如双方就昇思人工智能框架峰会及/或本协议的内容或其执行发生任何争议，双方应尽力友好协商解决，协商不成时，任何一方应且只能向本协议签订地有管辖权人民法院以诉讼的方式解决。 ## 14\. 其他 华为不对其不可预见或超出其控制范围的损失承担责任。可预见的损失，是指您与华为在订立本协议时，已明确约定的华为因违反本协议而造成的明显的损失与责任。 您同意，根据昇思人工智能框架峰会的管理要求和安全规定，在昇思人工智能框架峰会上的一部分活动、展示、研讨及分展会（合称“分会”），仅对某些参 会者开放。未经华为明确的书面授权或邀请，华为有权拒绝您进入和/或请您退出上述分会。 除明确约定外，华为迟延行使或未行使本协议项下某条或若干条条款中的权利，迟延要求或未要求您履行您在本协议中的义务，均不应被理解为华为放弃上述权利。且您无权对本协议中的任何条款、条件或部分作出变更。 **您同意并认可，您已年满18周岁，并具备完全民事权利能力和完全民事行为能力，能够独立承担法律责任，且已仔细阅读本协议上述全部条款。您同意本协议项下包括但不限于隐私保护和责任限制、免除等条款在内的所有内容及其法律约束力。如您不同意，请勿使用本网站、在本网站上购买产品或享用服务及参与昇思人工智能框架峰会。** --- https://www.mindspore.cn/summit/summit2025/privacy/ --- # 昇思人工智能框架峰会隐私政策 昇思人工智能框架峰会由华为技术有限公司主办，并由其关联公司（以下将“华为技术有限公司”及其关联公司简称「华为」、「我们」和「我们的」）提供各种技术和管理支持。昇思人工智能框架峰会（以下简称「活动」）以中国杭州为主活动现场结合线上线下的形式举行（2025年12月25日），本隐私政策（以下简称「本政策」）将阐述您在注册和参与主活动现场、线上线下活动时华为如何使用和保护您的个人信息。您理解我们收集这些个人信息对于您参加活动是必要的，如果您不提供或不同意我们收集和使用必要的个人信息，您将无法参加昇思人工智能框架峰会。您理解本政策可能并不覆盖活动所有的个人信息处理情景，未覆盖的其他情景将单独提供专门的隐私声明或在后续刷新的政策中阐述 我们制定本政策的目的在于帮助您了解以下内容： - 1.华为如何收集和使用您的个人信息 - 2.华为如何使用 Cookie 和同类技术 - 3.华为如何披露您的个人信息 - 4.如何访问或修改您的个人信息 - 5.华为如何保护您的个人信息 - 6.其他个人信息处理者的处理活动 - 7.您的个人信息如何在全球范围转移 - 8.本政策如何更新 - 9.如何联系华为 ## 1\. 华为如何收集和使用您的个人信息 当您阅读并同意本政策后，华为将通过线上和线下两种途径向您收集和处理个人信息，为您提供优质的服务和活动讯息。下文详细列举我们处理您的个人信息的场景、涉及个人信息类型、处理方式以及目的。 **1.1** 为帮助您报名参加活动和享受线上与线下活动体验，我们会使用MindSpore社区网站或其它经您同意的方式收集您的姓名、手机、电子邮箱、省/直辖市、城市、、公司、行业、子行业、职位、与华为的关系，以实现活动注册和报名。 **1.2** 为了方便您参会，在您报名成功后，我们将向您用于注册的电子邮箱及手机号码发送与活动相关的信息，比如告知您注册结果、参会二维码和参会提醒。 **1.3** 针对现场参会用户，参会胸卡上印制了您的参会角色，当您领取参会胸卡时，工作人员将会请您出示参会二维码，以核对您的身份和参会权限。 **1.4** 活动期间我们将安排工作人员在场馆内对活动开展情况进行摄影摄像，用于现场直播实时共享，录制材料包括但不限于电子记录、录像带、录音带和照片。前述录制材料仅用于活动宣传目的，如果您不想入镜或者不愿华为使用与您相关的录制材料，请及时与我们联系 **1.5** 当您在活动现场体验我们展岛展示的产品或服务时，出于完成体验的需要，我们会收集您必需的个人信息，详情参见相关展岛现场摆放的隐私声明。 **1.6** 如果您作为特邀嘉宾参与活动，我们将收集您的照片、视频、姓名、公司/单位名称、职位，用于大会宣传物料制作、在大会官网及华为官方社媒账号、外部媒体上公开宣传。 **1.7** 如果您需要华为帮您安排酒店、机票、车辆服务，我们将收集您的姓名、手机号、护照号码、港澳居民来往内地通行证号码，用于帮您预定酒店、机票、车辆服务。华为必须与酒店、机票、车辆服务供应商共享您的个人信息，才能帮您预定行程服务。华为将严格禁止合作方把您的个人信息用于其他任何目的。 此外，我们还可能将您的个人信息用于以下目的： - (a) 为您提供服务或具体的体验活动。 - (b) 邀请您参加线上或线下活动。 - (c) 应您的要求进行变更或者提供您请求的信息（例如产品或服务的营销资料、白皮书）；以及提供技术支- 持。 - (d) 在您同意的情况下，与您联系；向您发送有关您可能感兴趣的产品和服务的信息；邀请您参与华为活动- （包括促销活动）、市场调查或满意度调查；或向您发送营销信息。如果您不想接收此类信息，则可以随时退订。 - (e) 为您提供个性化用户体验和个性化内容。 - (f) 开展内部审计、数据分析和研究，改善我们的产品和服务。 - (g) 分析业务运营效率并衡量市场份额。 - (h) 遵从和执行适用的法律要求，相关的行业标准或我们的政策 华为还可能收集和使用非识别性数据。非识别性数据是指无法用于确定个人身份的数据。例如，华为会收集汇总的统计数据，例如网站访问量。华为收集此数据的目的在于了解用户如何使用自己的网站、产品和服务。借此，华为可以改善自己的服务，更好地满足客户需求。华为可能会自行决定出于其他目的收集、使用、处理、转移或披露非识别性数据。我们会尽力隔离您的个人信息和非识别性数据，并单独使用这两种数据。如果个人信息掺杂了非识别性数据，依旧会被视作个人信息处理。 当华为处理您的个人信息时我们会遵从适用的法律的要求基于适当的合法性基础予以处理，包括： - (1) 当响应您的服务请求时为履行合同处理您的个人信息； - (2) 基于您的同意处理您的个人信息； - (3) 我们还可能在必要时处理您的个人信息以遵从和执行适用的法律义务，以及与政府机构合作，包括但不限于与活动场所监控区域内的安全和环境相关的法律。 ## 2\. 华为如何使用 Cookie 和同类技术 ### 2.1 Cookie Cookie 是一种网络服务器存储在计算机或移动设备上的纯文本文件。Cookie 的内容只能由创建它的服务器检索或读取。每个 Cookie 对您的网络浏览器或移动应用程序都是唯一的。Cookie 通常包含标识符、站点名称以及一些号码和字符。借助于 Cookie，网站能够存储用户偏好等数据。 华为启用Cookie的目的与大多数网站或互联网服务提供商启用 Cookie 的目的一样，即改善用户体验。借助于 Cookie，网站能够记住用户的单次访问（使用会话 Cookie）或多次访问（使用永久 Cookie）。借助于 Cookie，网站能够保存设置，例如计算机或移动设备的语言、字体大小和其他浏览偏好。这意味着，用户无需在每次访问时重新配置用户偏好设置。如果某个网站不使用 Cookie，那么在用户每一次打开网页时，该网站都会将其视为新访客。例如，如果您登录某个网站后转到另一个网页，该网站就不会识别出您，而您会被再次注销。 华为不会将 Cookie 用于本政策所述目的之外的任何用途。您可根据自己的偏好管理或删除 Cookie。有关详情，请参见  AboutCookies.org。您可以清除计算机上保存的所有 Cookie，大部分网络浏览器都设有阻止 Cookie 的功能。但如果您这么做，则需要在每一次访问我们的网站时亲自更改用户设置。如需详细了解如何更改浏览器设置，请访问以下链接：Internet Explorer、Google Chrome、Mozilla Firefox、Safari、Opera ### 2.2 网站信标和像素标签 除 Cookie 外，我们还会在网站上使用网站信标和像素标签等其他同类技术。例如，华为向您发送的电子邮件可能含有链接至华为网站内容的点击 URL。如果您点击该链接，华为则会跟踪此次点击，帮助我们了解您的产品和服务偏好并改善客户服务。网站信标通常是一种嵌入到网站或电子邮件中的透明图像。借助于电子邮件中的像素标签，我们能够获知电子邮件是否被打开。如果您不希望自己的活动以这种方式被追踪，则可以随时从华为的寄信名单中退订。 您使用我们的网站意味着您同意按照如上所述使用Cookie，网站信标和像素标签。 ## 3\. 华为如何披露您的个人信息 只有符合下列情况时，华为才会披露您的个人信息： - (1)将您的个人信息披露或转移给其他华为子公司或为活动提供服务的合作方。根据您的请求，华为可能需要通过子公司或合作方为您提供某些服务。因此华为需要将您的部分个人信息共享给该子公司或该合作方，以便向您提供相应服务。 - (2)依法律要求，披露或转移您的个人信息，以遵从法律义务，或支持或协助执法组织的调查和民事、刑事或行政诉讼程序。 - (3)如果您是大会演讲嘉宾，我们将在获得您的授权后，您的姓名、行业、公司、职位、照片、视频将会出现在会议现场，用于大会演讲。您的姓名、行业、公司、职位、照片还将会出现在线上如大会官网、华为官方社媒账号、外部媒体，用于议程展示和活动的宣传。 - (4)大会录制视频、大会采访视频将出现在活动宣传中，如大会官网、华为官方社媒账号、外部媒体，如您不愿华为使用与您相关的录制材料，请及时与我们联系。 ## 4\. 如何访问或修改您的个人信息 您应确保提交的所有个人信息都准确无误。华为会尽力维护个人信息的准确和完整，并及时更新这些数据。 根据《中华人民共和国个人信息保护法》，您有权随时请求访问和获取副本、接收、反对收集/使用/披露、更改、删除或销毁、拒绝、限制使用和转移您的信息，提出投诉或撤回同意。如果您想行使相关的权利，请通过contact@public.mindspore.cn或本政策结尾处的数据保护官的联系方式与我们取得联系。为保障安全，您可能需要提供书面请求。如果我们有合理依据认为这些请求存在欺骗性、无法实行或损害他人隐私权，我们则会拒绝处理请求。 当华为基于您的同意处理您的个人信息时，您还有权随时撤销您的同意。但撤销同意不会影响撤销前我们基于您的同意处理您个人信息的合法性及效力，也不影响我们基于其他适当的合法性基础处理您的个人信息。 ## 5\. 华为如何保护和留存您的个人信息 华为重视个人信息的安全。我们采用适当的物理、组织和技术保障措施来保护您的个人信息不被未经授权访问、披露、使用、修改、损坏或丢失。例如，我们会使用加密技术确保数据的机密性；我们会使用保护机制防止数据遭到恶意攻击；我们会部署访问控制机制，确保只有授权人 员才可访问个人信息；以及我们会举办安全和隐私保护培训课程，加强员工对于保护个人信息重要性的认识。我们会尽力保护您的个人信息，但是请注意任何安全措施都无法做到无懈可击。若发生信息泄露事件，华为会根据所适用的数据保护法律法规处理，并采取所有合理的措施减轻或消除事件的影响。 我们将会在达成本政策所述目的所需的期限内保留您的个人信息，除非按照法律要求或许可需要延长保留期或受到法律的允许。 ## 6\. 其他个人信息处理者的处理活动 除华为及其关联公司以外的第三方公司（下文简称“第三方”）将在本次大会展台提供营销或宣传活动、网络接入服务，您可选择是否接收第三方提供的互动活动、服务或产品。华为不会主动向第三方共享您的个人信息，第三方为独立的个人信息控制者，其处理行为及相应的法律责任与华为无关。如果第三方处理您的个人信息，在向第三方提交个人信息之前，请参见这些第三方的隐私保护政策。华为无法控制第三方的隐私保护政策，此类第三方不受到本政策的约束。 ## 7\. 您的个人信息如何在全球范围转移 我们依照法律法规的规定，仅会将收集到的有关您的个人信息存储于中华人民共和国境内。我们不存在跨境存储您的个人信息或向境外提供个人信息的场景。如果确有必要进行数据的跨境传输，我们会单独向您明确告知（包括数据出境的目的、接收方、使用方式与范围、使用内容、 安全保障措施、安全风险等），并征得您的授权同意，我们会确保数据接收方有充足的数据保护能力来保护您的个人信息。 ## 8\. 关于未成年人个人信息的处理 **8.1** 一般原则：本峰会原则上不面向未满14周岁的未成年人（下称“未成年人”）收集个人信息。若您选择携带未成年人参会，您即承担如下特殊义务。 **8.2** 信息处理场景：会议期间，我们将进行官方摄影、摄像及直播。未成年人可能因入场及参与活动而入镜，其肖像、形象、声音等个人信息将因此被收集。 **8.3** 携带人的核心义务： 作为携带人，您在此单独承诺并保证：您已就本政策中涉及摄影、摄像及直播的条款（特别是第1.4条）所述的全部内容，向该未成年人的法定监护人进行了充分的告知，并已获得监护人在此前提下的明确、有效同意。 您理解，监护人事后依据本政策中涉及摄影、摄像及直播的条款提出的任何请求，均将被视为对您此项保证之有效性的质疑。 若本条款与声明其他条款不一致，在未成年人信息处理事项上，以本条款为准。 **8.4** 责任承担： 若因您违反上述保证（即，您实际上未进行充分告知或未获得监护人有效同意），导致我们因处理该未成年人个人信息而遭受任何投诉、索赔、行政调查，或为响应相关请求而产生任何成本（包括但不限于下架、替换宣传材料、法律咨询、沟通协调等费用），您应承担全部责任，赔偿我们因此受到的损失。 ## 9\. 本政策如何更新 华为保留不时更新或修改本政策的权利。如果我们的隐私政策变更，我们会将最新版隐私政策发布在这里。如果我们对隐私政策做出了重大变更，我们还可能会通过不同渠道向您发送变更通知，例如，在我们的网站上发布通知或者向您发布单独的通知。欢迎您随时访问本政策了解详细内容。 ## 10\. 如何联系华为 如果您有任何疑问、意见或建议，请通过发送邮件至contact@public.mindspore.cn与我们联系。如果您有任何隐私投诉或问题要联系华为数据保护官，请通过以下方式联系我们： 公司：华为技术有限公司 地址：深圳市龙岗区坂田华为基地 * * * 发布日期：2025年12月1日 生效日期：2025年12月1日 --- https://www.mindspore.cn/topics/deepseek/ --- # DeepSeek专区 为您提供最新DeepSeek系列模型在MindSpore框架上适配进度和系统化技术支持 ## 场景支持 | 场景 | 模型 | Atlas 800T 900 A2 | Atlas 800T A3 | 香橙派 | 获取模型与权重 | | --- | --- | --- | --- | --- | --- | | 预训练 | DeepSeek V3 | | | | 链接 | | SFT | DeepSeek V3 | | | | 链接 | | DeepSeek-R1-Distill-Qwen | | | | 链接 | | 强化学习 | DeepSeek-R1-ZERO-Qwen2.5-7B/32B | | | | 链接 | | DeepSeek-R1-Qwen2.5-7B/32B | | | | - | | DeepSeek-R1-ZERO-DeepSeek-V3 | | | | 链接 | | DeepSeek-R1-DeepSeek-V3 | | | | 链接 | | 推理 | Qwen2.5-7B/32B | | | | 链接 | | DeepSeek-V3-0324 W4A16 | | | | 链接 | | DeepSeek-R1 W4A16 | | | | 链接 | | DeepSeek-Janus-Pro | | | | 链接 | ## 关键能力 ### 预训练/SFT - 多维混合并行 - FlashAttention加速 - 1B1F通信掩盖 - 长序列 - DualPipe - MoE dw通信掩盖 - MTP - Grouped MatMul - 机间通讯合并 - MLA ### 强化学习 - 训推共集群部署 - 支持vLLM - 权重在线重排 - 支持Ray ### 推理 - 支持vLLM - MTP - 融合算子加速 - 支持多维混合并行 - W8A8 int8 量化 - 支持服务化部署 - W4A16 int4量化 ## 快速体验 (DeepSeek V3 开箱即用)[/news/detail?id=3598] (Janus-Pro香橙派开发板实践)[/news/detail?id=3610] (开始对话)[https://modelers.cn/spaces/MindSpore-Lab/DeepSeek-R1-Chat ] ## 使用教程 ... (训推全面支持、开箱即用！DeepSeek V3昇思MindSpore版本上线开源社区)[/news/detail?id=3598] (DeepSeek-V3预训练与微调教程)[https://atomgit.com/mindspore/mindformers/tree/dev/research/deepseek3] (MindSpore Transformers支持DeepSeek-R1蒸馏全流程)[/news/detail?id=3657] (Qwen2.5-7B/32B-R1-Zero教程)[https://gitee.com/mindspore/mindrlhf/tree/master/examples/grpo/qwen_grpo_tutorial] (DeepSeek-R1-Zero教程)[https://gitee.com/mindspore/mindrlhf/tree/master/examples/grpo/deepseekv3_grpo_tutorial] (昇腾 AI+香橙派，让 DeepSeek 跑在边缘 AI 开发板)[https://mp.weixin.qq.com/s?__biz=MzkyMTU5Njc5MQ==&mid=2247488937&idx=1&sn=55fada9b42031cbb2230d73e202c24c0&chksm=c0499929a9a35b0da8aafebeee798cfdf7d4c1305f02259d4acab615148720b63e99552495f6&mpshare=1&srcid=0210HtluRbSbn4o0o2Lfu8TR&sharer_shareinfo=03ab426a50166ea99617e5fb2c519aad&sharer_shareinfo_first=7c724d891f9e189caa0a586bcc80815b&from=timeline&scene=2&subscene=2&clicktime=1739841129&enterid=1739841129&sessionid=0&ascene=45&fasttmpl_type=0&fasttmpl_fullversion=7608283-zh_CN-zip&fasttmpl_flag=0&realreporttime=1739841129824&devicetype=android-31&version=28003858&nettype=WIFI&abtest_cookie=AAACAA%3D%3D&lang=zh_CN&countrycode=CN&exportkey=n_ChQIAhIQR3QqfhbhYoYsWPwgMcVZhRLsAQIE97dBBAEAAAAAALFxKLgZSSgAAAAOpnltbLcz9gKNyK89dVj0B5zycIkM%2FZBUR6hGA6%2BdR63Z8kIYpsNS8E%2FiVOXnFzvblVqVtJYBXEEdn7aOGM%2FamrSgPjrRgEJoA2o%2FEeq9s%2FtSH4yRT9B5hul%2BQZp5roUDxVUstns5IXgtrKBzo%2BUP8jJpVO6sho1FhZPMsuV3EmMZQmP4nj81Az3UM9EpEGiiUpSGAK%2FSNaKCbYHA0yMnqw9xbsThniMn1%2FGzlJisk%2B8U4rrF7HX0N44iHqFstNjJ%2B0S3dKU1EcxdhdBfnJe%2B1Xgwg%2F6D&pass_ticket=es4LN8Y%2F0IxoCn33%2BCgH3bxtKPJAH8yyavFn7zMI3UGwJzdbS93NFhHcFkQYFl0B&wx_header=3] (人人都能上手部署DeepSeek-R1蒸馏模型：社区开发者应用昇思+香橙派 AI Pro实践优化心得)[/news/detail?id=3611] (携手北京大学，MindSpore+openEuler打造支持vLLM的DeepSeek全栈开源推理方案)[/news/detail?id=3639] ## 技术干货 (全流程加速MoE模型预训练及强化学习！揭秘昇思MindSpore并行技术)[/news/detail?id=3651] (鹏城实验室发布基于昇思框架、昇腾硬件的强化学习训练框架GRPO-Training-Suite)[/news/detail?id=3630] (携手北京大学，MindSpore+openEuler打造支持vLLM的DeepSeek全栈开源推理方案)[/news/detail?id=3639] --- https://www.mindspore.cn/version-updates/ --- # 版本动态 了解MindSpore最新资讯，支持订阅获取 立即订阅 --- https://www.mindspore.cn/version-updates/en/ --- # 版本动态 了解MindSpore最新资讯，支持订阅获取 立即订阅 --- https://www.mindspore.cn/version-updates/en/1080/ --- Version Dynamics Amplify Your Development Efficiency with MindSpore 1.6 # Amplify Your Development Efficiency with MindSpore 1.6 2022/03/11 # Amplify Your Development Efficiency with MindSpore 1.6 Version 1.6 of MindSpore, the all-scenario AI framework, has been released. In this version, the usability and development efficiency has been improved, and the control flow scenario has been optimized for greater efficiency with added support for side effect training. The new version also includes the following releases: MindSpore Graph Learning, an efficient and easy-to-use graph learning framework; MindSpore Reinforcement, a high-performance and scalable reinforcement learning framework; MindConverter, a tool for third-party framework model migration; and MindSpore Dev ToolKit, a development kit that enables users to quickly experience MindSpore. MindSpore 1.6 also sees upgrades to the operator customization capability for more efficient addition of operators, improvements to MindQuantum to help developers quickly get started with quantum simulation, and upgrades to the training and inference performance of MindSpore Lite. Now, let's look at the key features of MindSpore 1.6. **1\. Improved Usability for Efficient Development** Based on developer feedback, we have rectified API issues reported by developers along with a collection of optimizations, and developed a series of tutorials to help developers get started. In terms of debugging and optimization, we have made the following improvements to boost development efficiency: 1.Problematic code in static graph mode can now be printed, and the accuracy of error messages has been improved. 2.Additional features have been added to MindInsight, including one-click collection of cluster performance data, parallelism policy analysis, and graph-code visualized tuning, helping to accelerate performance and accuracy tuning. 3.ModelZoo provides more than 300 cross-device deployable models that can be used both online and offline, covering CV, NLP, and other fields to meet the requirements of various industries. In MindSpore 1.6, models such as YOLOv5 are reconstructed using a new and more efficient syntax. **2\. Control Flow Scenario Optimized to Support Side Effect Training** In earlier versions of MindSpore, subgraphs may be replicated unnecessarily in the control flow scenario. This deteriorates the network performance and causes incorrect training results when side effect operators are involved. In MindSpore 1.6.1, the intermediate representation (IR) design of control flows is reconstructed to eliminate unnecessary graph replication. Other aspects in the control flow scenario are also optimized as listed below. 1.Side-effect operators such as Assign can now be used in training. 2.The number of control flow subgraphs has been optimized. The backward network can now directly use the calculation results of the forward graph operators. Comparison of subgraph number and execution performance of AirNet before and after optimization: Comparison of subgraph number and execution performance of BFGS before and after optimization: 3\. Concurrent execution of subgraphs without data dependencies is now supported. In addition, the execution processes of empty subgraphs have been optimized to improve the overall execution performance in the control flow scenario. For example, although the number of subgraphs of MAPPO (Agent3) does not change after the optimization, the final network execution performance is improved from 2.5s/epoch to 1.8s/epoch. Comparison of subgraph number and execution performance of MAPPO (Agent3) before and after optimization: **3\. MindSpore Graph Learning: Formula as Code, Accelerating Training by 3 to 4 Times** Graph neural networks (GNNs) are widely used in various scenarios, such as recommender systems, financial risk control and drug molecular analysis. However, the calculation of a GNN is usually complex and time-consuming. Therefore, an efficient and scalable GNN system is urgently needed. To meet this requirement, the MindSpore team worked in conjunction with James Cheng's team at The Chinese University of Hong Kong to jointly develop MindSpore Graph Learning, a graph learning framework featuring ease of use, high efficiency, and diversity. **3.1 Ease of Use: Formula as Code** MindSpore Graph Learning directly maps formulas to code, helping you quickly implement custom GNN algorithms and operations without having to encapsulate any functions. **3.2 High Efficiency: Training Accelerated by 3 to 4 Times.** MindSpore Graph Learning combines the features of MindSpore graph kernel fusion and auto kernel generator (AKG) to automatically identify the specific execution pattern of graph neural network tasks for fusion and kernel-level optimization, including the fusion of existing operators and new combined operators in the existing framework. The performance of GNNs is improved by 3 to 4 times compared with that of the existing popular frameworks. **3.3 High Diversity: Covers Common Graph Learning Networks** The MindSpore Graph Learning framework has 13 built-in graph network learning models, covering application networks involving homogeneous and heterogeneous graphs and random walk. For details, see https://gitee.com/mindspore/graphlearning/tree/research/model\\\_zoo. **4\. MindSpore Reinforcement: a High-performance and Scalable Reinforcement Learning Framework** Reinforcement learning (RL) is one of the hot topics in the AI field over the last few years. MindSpore 1.6 sees the launch of MindSpore Reinforcement, an independent reinforcement learning framework. Python APIs and the separation of algorithm and execution in MindSpore Reinforcement enable the framework to be programmable and scalable, and help provide developers with a brand-new development experience. MindSpore Reinforcement 0.2 provides a set of Python APIs for reinforcement learning. The simple and clear API abstractions facilitate efficient algorithm development and improves module reusability. Some classic reinforcement learning algorithms come included, such as DQN and PPO, with more coming in the future. You can use the algorithms directly, or develop your own single- or multi-agent reinforcement learning algorithms using the Python APIs. In MindSpore Reinforcement, algorithm expression is separated from compilation and execution by design. You only need to focus on the Python implementation of the algorithm logic, and can benefit from the powerful MindSpore capabilities of compilation optimization and heterogeneous hardware acceleration. MindSpore Reinforcement supports multi-device computing using GPUs, CPUs, and Ascend AI Processors. Currently, only single-server training is supported. However, powerful multi-agent distributed training capabilities and features are planned for future versions. MindSpore Reinforcement documents: https://www.mindspore.cn/reinforcement/en. **5\. Operator Customization Capability Upgraded with Unified Custom Interface** With the iterative development of AI models, the built-in static operator library of MindSpore may fail to meet user requirements. To provide a better operator customization experience, MindSpore 1.6 fully upgrades the custom operator capability and delivers Custom, a unified operator development interface for multiple platforms, including GPUs, CPUs, and the Ascend AI Processors. This helps users quickly define and use different types of custom operators in MindSpore for quick verification, real-time compilation, third-party operator access, and other requirements. Custom-based operators: https://www.mindspore.cn/docs/programming\_guide/en/r1.6/custom\_operator\_custom.html. **5.1 Unified Operator Development Interface for Multiple Scenarios and Platforms** Custom unifies the interfaces for operator customization. It supports the following modes: JIT-based operator compiler mode, AOT mode for optimal performance, and pyfunc mode for quick verification. In addition, Custom provides a consistent experience for different platforms, including CPUs, GPUs, Ascend AI Processors, and AI CPUs. This reduces the learning costs of operator development. **5.2 One-click Custom Operator Access** With Custom, you can quickly define a custom operator using a Python function as a part of the network expression. There is no need to modify and recompile the source code of MindSpore. Registration information can be automatically created to enable one-click custom operator access. **5.3 AI CPU: a New Type of Custom Operator** Operators of the AI CPU type are added to MindSpore 1.6. This type of operators adopts the AOT mode for compilation and is used on ARM platforms. AI CPU operators can be quickly deployed on mainstream embedded devices. Compared to TBE operators, AI CPU operators are good at logic operations. This operator type is ideal for operators that are difficult to vectorize. Defining custom operator of the AI CPU type: https://www.mindspore.cn/docs/programming\_guide/en/r1.6/custom\_operator\_custom.html#aicpu. **6\. MindConverter: One-click Equivalent Migration of Third-party Framework Models** It would be a great loss if an existing mainstream model cannot be reused after switching from a third-party framework to MindSpore. Currently, a large number of open source models are implemented based on PyTorch or TensorFlow, but with MindConverter, you can quickly migrate these mainstream models to MindSpore. MindConverter converts IRs of mainstream AI frameworks into MindSpore IRs. The generated model can be used for inference or retraining, and the model script has good readability. This model migration tool offers the following conversion modes: **6.1 ONNX IR-based Conversion** Most AI frameworks support the export of models to ONNX, an open model definition format. With the universality of ONNX, MindConverter can migrate models from multiple AI frameworks to MindSpore. Support for ResNet, RegNet, HRNet, DeepLabV3, and YOLO series models has been proven. **6.2 TorchScript IR-based Conversion** TorchScript is the IR of a PyTorch model. With the generalization of the TorchScript IR, MindConverter can migrate most PyTorch models. More than 200 pre-trained models of HuggingFace Transformer have been verified and successfully migrated. Besides the existing models, feel free to explore the conversion and verification of more models on your own. For more information about MindConverter, please refer to its official documentation. If you have anything to share or encounter any issues when using MindConverter, please feel free to post them in the MindSpore community. Migrating From Third Party Frameworks With MindConverter: https://www.mindspore.cn/mindinsight/docs/en/r1.6/migrate\_3rd\_scripts\_mindconverter.html. Submit issues to the MindSpore community: https://gitee.com/mindspore/mindinsight/issues. **7\. Quick MindSpore Experience with MindSpore Dev ToolKit** MindSpore provides various powerful functions, but how can I quickly get started and try it out? MindSpore Dev ToolKit is the answer. This development kit provides functions such as operating management, intelligent knowledge search, and intelligent code completion, and is dedicated to enabling all users to learn how to use AI regardless of the operating environment, and shifting the focus of AI back to algorithms. **7.2 Intelligent and Immersive MindSpore Knowledge Search for Pressure-free Ecosystem Access** Based on capabilities such as semantic search, MindSpore Dev Toolkit provides comprehensive MindSpore knowledge search capabilities. PyTorch or TensorFlow users can query an operator to quickly locate the corresponding implementation in MindSpore with detailed documents. Switching to the MindSpore ecosystem has never been so easy. **7.3 30% Fewer Keystrokes with Deep Learning-based Intelligent Code Completion** The intelligent code completion model of MindSpore Dev Toolkit is implemented based on best practice datasets such as ModelZoo. Real-time hints are provided for code related to the MindSpore framework with an accuracy of up to 80%, reducing the number of keystrokes by over 30% according to internal test data. For details, see https://gitee.com/mindspore/ide-plugin. **8\. MindSpore Lite Continuously Improves Inference Performance** **8.1 Heterogeneous Parallel Computing Surpercharging Inference** MindSpore 1.6 sees the addition of heterogeneous parallel computing for MindSpore Lite. This function detects heterogeneous hardware capabilities and enables multiple underlying hardware components to perform parallel inference, unleashing the full power of a device's limited hardware resources for higher inference efficiency. MindSpore Lite currently supports heterogeneous parallel processing of GPUs and CPUs, with MobileNetV1 network test data showing a performance improvement of 5%. **8.2 GPU Inference Performance Optimized Through OpenGL Texture Data Support** With MindSpore 1.6, MindSpore Lite now supports the input and output of OpenGL texture data for inference. In this way, data copy operations between the CPU and GPU are reduced during end-to-end inference. Compared with the previous version of MindSpore, the number of memory copy operations between devices is reduced by four. OpenGL Texture Data Input: https://www.mindspore.cn/lite/docs/en/r1.6/use/runtime\_cpp.html#opengl-texture-data-input. **9\. MindQuantum: Getting Started with Quantum Simulation and Quantum Machine Learning** MindQuantum 0.5 comes with Simulator, an independent quantum simulation module. Simulator can quickly simulate the evolution of custom quantum circuits and sample the quantum states, allowing you to design and verify your own quantum algorithms in MindQuantum with ease. MindQuantum also includes modules for displaying quantum circuits and quantum state sampling. Quantum circuit visualization Simulator and the circuit sampling function In MindSpore 1.6, support for multiple quantum neural network operators has been added to help you make breakthroughs in quantum AI algorithms. You can quickly develop hybrid quantum-classical machine learning models using these operators. MindQuantum document: https://www.mindspore.cn/mindquantum/docs/en/r0.5/index.html. **10\. MindScience Boosts Protein Structure Prediction Performance by Up To 3 Times** MindScience adds an open source protein structure prediction and inference tool based on AlphaFold2 \[1\]. The tool is jointly launched by the MindSpore team \[2\], Changping Lab, Biomedical Pioneering Innovation Center, College of Chemistry and Molecular Engineering of Peking University, and Advanced Intelligent Molecular Modeling Group of Shenzhen Bay Laboratory. The tool boosts the end-to-end performance of MindSpore running on a single Ascend 910 AI Processor to 2 or even 3 times higher than that of AlphaFold2. This tool can calculate the structure of a protein with a sequence length of more than 2000 amino acids, which covers more than 99% of protein sequences \[3\]. Compared to AlphaFold2, the tool is more advanced in the multiple sequence comparison stage. It adopts MMseqs2 for sequence retrieval \[4\], and its end-to-end computing speed is two to three times higher than AlphaFold2. Accuracy comparison between the MindSpore model and AlphaFold2 model: T1079 structure prediction result by MindSpore: Furthermore, the joint team plans to release a full-stack solution (algorithm + software + hardware) that is innovative, independent, and controllable in the future to address protein structure prediction and folding challenges. For details, see https://gitee.com/mindspore/mindscience/tree/master/MindSPONGE/mindsponge. References \[1\] Jumper J, Evans R, Pritzel A, et al. Applying and improving AlphaFold at CASP14\[J\]. Proteins: Structure, Function, and Bioinformatics, 2021 \[2\] Chen L. Deep Learning and Practice with MindSpore\[M\]. Springer Nature, 2021. \[3\] https://ftp.uniprot.org/pub/databases/uniprot/previous\\\_releases/release-2021\\\_02/knowledgebase/UniProtKB\\\_TrEMBL-relstat.html \[4\] Mirdita M, Ovchinnikov S, Steinegger M. ColabFold-Making protein folding accessible to all\[J\]. BioRxiv, 2021. --- https://www.mindspore.cn/version-updates/en/1385/ --- Version Dynamics MindSpore New Features: Powerful In-depth Scientific Computing # MindSpore New Features: Powerful In-depth Scientific Computing 2021/09/26 # MindSpore New Features: Powerful In-depth Scientific Computing This blog introduces a range of new features of MindSpore 1.5, which include the scientific computing kits MindScience, affinity algorithm library MindSpore Boost, Mixture of Expert (MoE) and heterogeneous parallelism, cluster optimization for large-scale distributed training, optimized control flow, and new open mechanisms. I. MindScience Currently, combined computing power is fueling the development of cross-domain applications, of which AI is at the forefront. MindSpore innovates multi-scale hybrid computing and high-level hybrid differentiation to upgrade its original AI computing engine to a unified engine for AI + scientific computing, accelerating the unified convergence. Based on this new feature, we plan to build MindScience kits for eight scientific computing industries. These kits include industry-leading datasets, basic models, preset high-precision models, and pre- and post-processing tools, to fuel application development in scientific computing. Currently, the MindElec kit and the MindSPONGE kit, for the electronic information industry and life science industry, respectively, have been launched, boosting the electromagnetic simulation performance 10-fold and the simulation efficiency of biopharmaceutical compounds by 50%. For details about MindScience, visit https://www.mindspore.cn/mindscience/en. 1\. MindElec v0.1 MindElec provides functions such as multimodality data transformation, high-dimensional data encoding, multi-frequency signaling network optimization, and basic model library, and supports time-domain and frequency-domain electromagnetic simulation. This is calculated as follows: Use the multimodality data transformation function to convert complex CAD structures into AI-affinity tensor data, compress the high-dimensional tensor data through encoding, so that the storage and computing workload are reduced, and then train the compressed tensor data in the innovative AI electromagnetic simulation basic model. During training, the multi-frequency signaling network optimization is performed to improve model accuracy. MindElec v0.1 has improved the performance by 10 times in mobile electromagnetic simulation and achieved simulation precision comparable to conventional scientific computing. 2\. MindSPONGE v0.1 MindSPONGE is a molecular simulation library developed in cooperation with the Gao Yiqin research group of PKU & Shenzhen Bay Laboratory and the Huawei MindSpore team, and is loaded with high-performance, modularization, and other features. MindSPONGE v0.1 supports the two commonly used simulation ensembles NVT and NPT, supporting such molecular simulation case as the COVID-19 Delta variant simulation. MindSPONGE also integrates AI and conventional molecular simulation, supporting AI neural networks such as Molecular CT and SchNet. It is an ideal fit for potential energy functions. For example, the AI force field simulates the Claisen rearrangement for effective dynamic AI molecular simulation, showing the conversion between 7-membered rings and 3-membered rings. MindSPONGE has made great strides in biopharmacy. The discovery of antibiotics has helped prolong human life, but bacteria resistance has increased, making the demand for cathelicidins, which are next-generation antibiotics that could effectively kill drug-resistant pathogens, even higher. The Peng Cheng-Shennong platform, created by the MindSpore team and Peng Cheng Laboratory, is capable of generating amino acid sequence by pre-training and fine-tuning the PCL-L model, which may significantly accelerate the discovery of new cathelicidins. (coronavirus) (Claisen rearrangement) II. MoE and heterogeneous parallelism The MindSpore team and the Chinese Academy of Sciences released the world's first three-modal model - Zidong Taichu, which is used for automatic segmentation of super-resolution images in the remote sensing field. 1\. MoE and its parallel architecture Most fundamental models are created based on the transformer architecture, of which MoE has played a major part in improving. As illustrated in the left figure, each layer in the transformer architecture consists of two basic structures: Attention and FeedForward (FFN). In the expert-parallel MoE structure, FFN is regarded as an expert. It enters through a router that is responsible for distributing tokens to experts through multiple routing policies (such as top and top 2), and its output is weighted summation. MoE is the base of trillion-parameter fundamental models, and several tasks have demonstrated its effectiveness. MindSpore 1.5 adopts the MoE structure and expert parallel mechanism, which allows multiple "experts" to be concurrently executed on multiple devices. From the figure on the right, we can see that the router (data parallelism) uses the AllToAll operator to allocate tokens to experts on each device for calculation, and then uses the AllToAll operator to aggregate the results. For details about the code implementation of MindSpore MoE, visit https://gitee.com/mindspore/mindspore/tree/r1.5/mindspore/parallel/nn. 2\. Heterogeneous parallelism To overcome the memory bottleneck of GPU/NPU devices, the memory of the host can be used, becoming a feasible way to expand fundamental models. During heterogeneous parallel training, a framework is used to collaborate with the training of different subgraphs, fully utilizing heterogeneous hardware features to effectively enlarge the single-server training scale. Specifically, this method partitions operators that consume large memory and are suitable for CPU processing into CPU subgraphs, and compute-intensive operators that consume a small amount of memory into hardware accelerator subgraphs. For a large-scale pre-trained model, the main bottleneck is that a large number of parameters cannot be stored into device memory. When processing a large-scale pre-trained network, MindSpore 1.5 can specify an optimizer to the CPU through optimizer heterogeneity to reduce the memory usage of the optimizer status and expand the scale of the model to be trained. In the following figure, the Adam optimizer that is compatible with FP32 is placed on the CPU for computing, cutting the parameter's memory usage by more than 60%. 3\. MoE and heterogeneous parallelism enabling the fundamental model on 32 NPUs to be trained The PCL-L model \[1\] is designed based on the MoE structure and adapts to the expert parallelism, heterogeneous parallelism, data parallelism, and model parallelism. As shown in the following figure, the optimizer-related status and calculation are stored and performed on CPUs. In the MoE structure, model parallelism and expert parallelism are processed simultaneously. That is, the same expert is allocated to both servers. To be specific, FFN1 on Server 1 is allocated to two devices, so the model parallelism (AllReduce) occurs inside the server. Devices on different servers adopt data parallelism and expert parallelism. Specifically, Device 1 on Server 1 and Device 1 on Server 2, as well as Device 2 on Server 1 and Device 2 on Server 2, run in parallel mode. AllToAll, a collective operation that processes conversion between data parallelism and expert parallelism, occurs between servers. We have successfully tested the effect of optimizer heterogeneity and expert parallelism on the scale of the model to be trained on 8-NPU, 16-NPU, and 32-NPU Ascend devices. The experiment showed that the model scale expanded three times when optimizer heterogeneity was used. 61.2 billion parameters were able to run on 8 NPUs, 121 billion parameters on 16 NPUs, and 242 billion parameters on 32 NPUs. 4.Automatic parallel processing of super-resolution remote images Super-resolution images are usually very large. For example, the resolution of a remote sensing image is 4 x 30,000 x 30,000, and the size of such an image is about 14 GB. Due to memory limitations, training cannot be performed on a single device. Therefore, multi-server multi-device parallel training is required. In terms of processing large-scale remote sensing images, MindSpore provides the decoding and data augmentation functions. For a single sample with a large size, the framework automatically partitions it into appropriate sizes (for example, H and W dimensions) based on the cluster scale and distributes each part to different compute nodes, to solve the problem of insufficient memory. During training and inference, the network performs a large number of convolution operations on images. After the H and W dimensions of an image are partitioned, some edge feature information may be stored on other nodes for each compute node. The framework automatically identifies the distribution of edge feature information and integrates the information distributed on the adjacent nodes using communication technologies, to ensure that the network execution result is as accurate as possible. III. MindSpore Boost End-to-end training is a highly complex process, whereby computing optimization in different AI scenarios needs to be performed based on multiple modules. For MindSpore 1.5, Huawei Central Media Technology Institute and the MindSpore team launched the affinity algorithm library MindSpore Boost 1.0 to provide users with efficient acceleration algorithms in terms of data, network, communication, training policy, and optimizer while maintaining the training accuracy. In addition to the affinity algorithms, **simple mode** (O1, O2, and O3) is available for encapsulating algorithms. From O1 to O3, the acceleration ratio increases. In this mode, users do not need to understand the algorithm's details, and only need to enable the acceleration switch and select a level when invoking the model training entry. (End-to-end training process) (MindSpore Boost 1.0 architecture) (Simple mode) IV. Cluster debugging and optimization Fundamental models have become a widely discussed research topic in the field of deep learning, and the quantities of model parameters and the sizes of training datasets have been increasing exponentially. For example, the PCL-L model has 200 billion parameters, and it takes several months to traverse 2,000 clusters for training. Therefore, model performance optimization is critical to reducing training time and costs. MindSpore 1.5 releases a tool chain for cluster debugging and optimization, which supports one-click collection of performance data from thousand-level clusters and provides multi-dimensional performance analysis and visualization capabilities, such as slow node/slow network in a cluster, computing communication ratio, and memory heat map. Based on intelligent cluster optimization suggestions, the tool chain can locate performance bottlenecks within hours. 1.Cluster iteration and communication performance analysis The cluster iteration trajectory analysis component aggregates multiple key performance data and provides functions such as analysis and sorting, helping users quickly find the slow node and link from thousands of clusters and locate the problem on the corresponding device page to identify the minimum performance bottleneck. 2\. Communication ratio analysis Communication is an important factor that affects performance during cluster parallel training. The computing communication ratio indicator helps developers analyze whether the network segmentation policy is proper and whether there is room for optimization. As shown in the following figure, the 87 ms consumed in the non-overlap scenario can be optimized to improve performance. For details, visit https://www.mindspore.cn/mindinsight/docs/en/r1.5/performance\_profiling\_ascend\_of\_cluster.html. V. New open access mechanisms In this version, MindSpore Lite supports two open access mechanisms: southbound custom operator access and third-party AI framework access through Delegate. The southbound custom operator access allows users to customize graph optimization to generate model files supported by specific hardware in the offline phase. Additionally, special hardware operators can be connected to MindSpore Lite Runtime to implement high-performance inference on third-party hardware. Currently, the Hi3516 and Hi3559 chips are connected to MindSpore Lite, making AI application development in intelligent vision even more convenient. (AI chips accessing to MindSpore Lite) Delegate allows third-party AI frameworks with image building capabilities to quickly access MindSpore Lite, so that MindSpore Lite can utilize their hardware operator libraries and inference performance. Delegate combines MindSpore Lite and other AI frameworks for heterogeneous execution, ensuring consistent offline models. Currently, Delegate supports Kirin NPUs and other heterogeneous hardware. (Accessing to MindSpore Lite using Delegate) For details, visit https://www.mindspore.cn/lite/docs/en/r1.5/use/delegate.html VI. Flexible expression In MindSpore 1.5, the control process statement is optimized: 1. The control flow of a static graph is enhanced by executing control flow operators based on the VM mechanism, which resolves the graph recursive execution problem in the non-tail recursion scenario of a control flow and supports backward computing in the loop. In addition, by expanding the control flow syntax, expressions such as **if**, **while**, **for**, **break**, and **continue** are supported. 2. The static graph compilation process is optimized, and the subgraph quantity of a control flow network is reduced, improving the compilation and execution performance of some complex control flow networks. 3. Importing and exporting the control flow MindIR is supported. MindIR can be exported from the control flow network on cloud and can be imported to the device for inference. (**if** statement of a control flow based on the VM mechanism) For details, visit https://www.mindspore.cn/docs/programming\_guide/en/r1.5/control\_flow.html. References: \[1\] Zeng, Wei, et al. "PanGu-$\\alpha $: Large-scale Autoregressive Pretrained Chinese Language Models with Auto-parallel Computation." _arXiv preprint arXiv:2104.12369_ (2021). --- https://www.mindspore.cn/version-updates/en/1424/ --- Version Dynamics MindSpore 1.3: Extend AI to Wherever You Need It # MindSpore 1.3: Extend AI to Wherever You Need It 2021/07/16 # MindSpore 1.3: Extend AI to Wherever You Need It As midsummer approaches, we are thrilled to present the new MindSpore 1.3. This version is loaded with MindSpore Federated, integrates key features that have been enabling the PanGu model to process billions of parameters, and brings other new features for more hardware types, such as the optimization for inference performance, graph kernel fusion, and easy deployment. We are passionate about providing new features for AI developers. Now, let's have a quick look at the key features of MindSpore 1.3. Federated learning is an encrypted distributed machine learning technology that allows participants to train an AI model together without sharing local data, thereby addressing issues such as data privacy and data silos. MindSpore Federated is suitable for the horizontal federated learning scenario where a large number of participants exist. In the device-cloud scenario, the participants are mobile or IoT devices. These devices can be unreliable and bring challenges such as device heterogeneity, poor communication, privacy risks, and missing labels. The loosely coupled cluster processing mode, time-limited communication module, and fault-tolerant secure aggregation module of MindSpore Federated allow you to run federated learning tasks at any time as long as some clients are available. MindSpore Federated also addresses the long tail effect induced by device heterogeneity. These features significantly improve the learning efficiency. Built on MindSpore's unified device-edge-cloud all-scenario infrastructure, MindSpore Federated will provide more personalized decision-making based on user information while protecting user privacy. **Key Features of PanGu Going Open Source** The PanGu model by Peng Cheng Laboratory is the world's largest pre-trained Chinese language model. It was ranked first by the Chinese Language Understanding Evaluation Benchmark on April 23, 2021, and its key features are now open source in MindSpore 1.3. **1\. Distributed Inference and Online Deployment** Using operator-level and pipeline model parallelism, MindSpore deploys models with a large number of inference parameters to multiple cards in a distributed manner. MindSpore Serving is a service module that assists the deployment of online inference services. Based on the model parallelism strategy, MindSpore Serving divides the model into multiple small graphs and deploys the graphs to each device accordingly. **2\. Incremental Inference (State Reuse)** For an autoregressive language model, the length of the inference input increases as new words are generated. If such a model is executed in dynamic graph mode, the shape of each operator in the graph changes with each iteration, making it impossible to reuse the cached operator build information. As a result, performance is affected. In MindSpore 1.3, we modified the inference script to implement the incremental inference function, a process that consists of two phases. In the first phase, the model takes a full-length input, which is a variable-length input padded to a fixed length, and saves the input state. In the second phase, the model takes the token generated in the previous step as an input, uses the token and the saved state for incremental inference, generates a new token, and updates the state. Such incremental inference is not equivalent to full inference, but has similar precision. During incremental inference, the first phase is executed only once, while the second phase is executed multiple times. The overall performance of incremental inference is significantly higher than that of full inference. MindSpore Serving supports the deployment of an incremental inference model in single-device and distributed modes. **MindSpore Lite Device-Cloud Training** To protect user privacy, the amount of data uploaded to the cloud is limited. Training on the user side is gradually becoming a trend, meanwhile device-cloud training can also fully leverage compute resources on the devices to further accelerate training. Currently, MindSpore Lite supports incremental training of models exported from MindSpore to achieve seamless switchover between device and cloud training. However, the hardware resource limitations on the devices pose another challenge to incremental training: how to perform training without affecting user experience? MindSpore Lite uses methods such as training memory reuse, virtual batch, mixed precision training, online fusion, and quantization to reduce memory usage on the devices. Furthermore, MindSpore Federated allows the cloud to read and write weight information on the devices through transmission secured by differential privacy. This further strengthens data security during device-cloud training. **Debugger Usability Improvement: Graph-Code Debugging and Training Replay** MindSpore Debugger is a powerful debugging tool for training in graph mode, which provides various check rules for quick identification of common precision problems. To streamline script debugging in graph mode, we are launching two new features in MindSpore 1.3: graph-code debugging and training replay. Script code errors have a significant impact on model accuracy. With the graph-code debugging feature of Debugger, code can be automatically associated with operator nodes in a graph, allowing users to easily pinpoint the corresponding code snippet based on the node or vice versa. By applying Debugger, algorithm engineers can consult the code logic and locate the accuracy problems efficiently. The training replay function is available in offline debugging mode. In most cases, model accuracy problems are analyzed through online debugging while training is in progress, which is intuitive and requires no additional storage space. However, online debugging lacks a replay ability, which means that you have to repeatedly run training to debug past iterations, wasting time and hardware resources. With offline debugging, Debugger uses the dumped data on the disk to replay training without consuming valuable computing power, allowing you to analyze accuracy problems after the training is complete. By simply feeding the dumped data into MindSpore, you can perform offline debugging to analyze and locate accuracy problems in the parallel training scenario (single-server multi-device). The check rules provided by Debugger, referred to as watchpoints, are also applicable in this scenario for monitoring training exceptions, such as vanishing gradients and activation function saturation. **Inference Performance Optimization for x86-64 PCs** To better support the inference on PCs of the x86\_64 architecture, MindSpore 1.3 allows you to divide the blocks based on the dynamics of different shapes during convolution. Hardware resources such as registers are fully utilized to achieve optimal performance, and the inference latency is cut by 10% to 75% compared with the previous version. **More Inference Performance Optimization** An increasing amount of computing workload is a result of ever-larger datasets and networks. Moreover, interactive inference tasks require even lower latency, meaning more and more deep neural network inference tasks are deployed to AI acceleration devices, such as GPUs. Fortunately, MindSpore 1.3 provides more performance optimization to support these scenarios. We tested how some typical networks run in ModelZoo using MindSpore 1.2 and MindSpore 1.3 and collected statistics on the average execution time of the inference requests. The results show up to an 8-fold inference performance boost. **Graph Kernel Fusion Accelerating Network Training** As a key technology of MindSpore, graph kernel fusion improves the network execution performance through the collaborative optimization of layer fusion and operator generation. In earlier versions of MindSpore, we enabled the basic capabilities of NPU/GPU-based graph kernel fusion and achieved satisfactory results on the benchmark networks. In MindSpore 1.3, the generalization capability of GPU-based graph kernel fusion is further enhanced. We tested the new version on more than 40 mainstream networks in ModelZoo and observed an average performance improvement of 89%. In addition, MindSpore 1.3 allows you to control the function using an environment variable, improving performance provided by graph kernel fusion without any intrusive modification to the network code: **export MS\_GRAPH\_KERNEL\_FLAGS="–opt\_level=2"** MindSpore is an all-scenario AI framework aiming to provide easy development, efficient execution, and user-friendly design. It supports diverse device-edge-cloud scenarios and provides in-depth optimization for Ascend hardware platforms. MindSpore has been widely used in various industries, including scientific research, finance, and healthcare. MindSpore is committed to building an open source community for developers worldwide and a prosperous open source ecosystem of AI hardware/software applications. --- https://www.mindspore.cn/version-updates/en/1515/ --- Version Dynamics MindSpore 1.7 Brings Usability to a New Level # MindSpore 1.7 Brings Usability to a New Level 2022/04/29 # MindSpore 1.7 Brings Usability to a New Level The new MindSpore 1.7 is released on the back of hard work from our community developers. Our newest version provides improved usability of MindSpore, simplifies installation, and provides extensive documents and videos to help you quickly get started. In the new version, we also provide an easy-to-use and flexible NumPy module to further enhance MindSpore capabilities for AI and scientific computing fields. In addition, the new version also introduces MindSpore Vision, a computer vision tool library that supports mainstream networks to supercharge MindSpore-based applications. Here is a detailed look at the key features of MindSpore 1.7. **1\. Better Usability for a Quick Start on MindSpore** Based on the feedback from developers, we have improved the usability of MindSpore in terms of installation, documentation, and debugging. These improvements are designed to help you quickly get started with MindSpore, understand the principles, logic, and features of the framework, and complete installation, development, and debugging tasks more easily and efficiently. **1.1 Simplified Installation** MindSpore 1.7 now supports macOS on x86/M1 CPUs and Python 3.8 in the Windows/Linux/macOS environment and provides automatic installation scripts with actionable installation guides, documentation, and video guides. The installation process of dependencies of the GPU version is also simplified. Tutorials about data processing, network creation, and model training are available in different levels of difficulty, to fit users with varying levels of experience. In the future, we will provide common end-to-end cases and tutorial videos for CV, NLP, and other domains to help you master these techniques. MindSpore Tutorial: https://www.mindspore.cn/tutorials/en/master/index.html Videos of the MindSpore Hands-on Tutorial have been optimized. The extensive library now covers the entire process of installation, data processing, model training/inference, and debugging. MindSpore Hands-on Tutorial: https://www.mindspore.cn/resources/courses/list/en?id=96#title99 **1.2 Checkpoints Saved Upon Exceptions for Resumable Training** MindSpore 1.7 automatically saves your work at checkpoints upon exceptions, allowing you to resume training from the different checkpoints. Exception-triggered checkpoints are independent from periodically saved checkpoints, allowing you to choose one as needed. For details, see https://gitee.com/mindspore/docs/blob/r1.7/tutorials/source\_en/advanced/train/save.md. **1.3 Hook Feature for Improved Network Debugging Efficiency (Dynamic Graph Mode)** The Hook feature is available for operations in PyNative mode. This feature helps accurately capture the changes of data in each layer of a deep learning network without changing the network structure. It efficiently captures input and output data of intermediate layer operators and backward gradient. In MindSpore 1.7, the register\_forward\_pre\_hook, register\_forward\_hook, and register\_backward\_hook functions are provided in the PyNative mode for Cell objects. 1. **register\_forward\_pre\_hook** interface is used to register a custom Hook function on the Cell object to capture the input data of the Cell object during forward propagation. 2. **register\_forward\_hook** interface is used to register a custom Hook function on the Cell object to capture the output data of the Cell object during forward propagation and the output data. 3. **register\_backward\_hook** is used on the Cell object to register a custom Hook function and capture the gradients related to the Cell object during backpropagation. For details, see https://gitee.com/mindspore/docs/blob/r1.7/tutorials/source\_zh\_cn/advanced/pynative\_graph/pynative.ipynb. **1.4 Model Development Experience Optimization** The MindSpore interfaces, such as layers in **mindspore.nn** and operators in **mindspore.ops**, are optimized to provide a simplified development experience in both static and dynamic graph modes. With the MindSpore Usability SIG, we will continue to release more premium MindSpore-developed AI models, as well as best practices and videos. **2\. Easy-to-Use and Flexible NumPy Module Accelerates MindSpore AI + Scientific Computing** The **mindspore.numpy** module contains a complete set of APIs that comply with NumPy specifications. You can use the native NumPy syntax to express MindSpore models and use the acceleration feature of MindSpore. As an example of the advanced computing of **mindspore.numpy**, MindSpore 1.7 provides the NumPy reconstructed version of MindSPONGE, a molecular simulation library. MindSPONGE supports common ensembles including canonical ensemble (NVT) and isothermal–isobaric ensemble (NPT), for example, the simulation of SARS-CoV-2 Delta variant. The GPU kernel functions have been reconstructed based on **mindspore.numpy** to better reveal the operation mechanism of the molecular dynamics algorithms and facilitate algorithm expansion. Since **mindspore.numpy** supports other acceleration features of MindSpore such as graph compilation acceleration and graph kernel fusion, this version of MindSPONGE achieves similar performance to the original version, but with > 50% reduction in code. **mindspore.numpy** is both an accelerated version of NumPy and also a simplified programming tool for building neural networks. **mindspore.numpy** includes many essential interfaces for neural network construction, such as **ones**, **full**, and **zeros** for tensor creation, and common tensor operations like **concatenate**, **repeat**, and **split**. These interfaces allow you to implement functions without instantiating each operator. For details, see https://www.mindspore.cn/docs/en/master/api\_python/mindspore.numpy.html. **3\. Data Processing Tuned for Fast Processing** MindSpore 1.7 includes Dataset AutoTune, a tool for automatic optimization of data processing. This tool adjusts the parallelism and memory usage of data pipelines of MindSpore Data (a training data processing engine) based on the current system resources during training, thereby accelerating processing of data pipelines. During network training, Dataset AutoTune continuously detects training performance bottlenecks in the data processing pipelines, and tunes the parameters of each operation (such as GeneratorDataset, map, and batch) in the pipeline to supercharge operations. To date, the parameters that can be adjusted include operation parallelism, internal queue depth, and memory usage, to help accelerate the model training process. Flexible adjustment of more pipeline parameters, including heterogeneous operator acceleration and operator fusion, will be supported in the future, so stay tuned. For details, see https://gitee.com/mindspore/docs/blob/r1.7/tutorials/experts/source\_en/debug/dataset\_autotune.md **4\. MindSpore Vision: an Easy-to-Use and Understandable Tool Library** MindSpore Vision is an open source computer vision research tool library based on MindSpore. This library incorporates base, reusable AI functions and supports mainstream state-of-the-art networks, such as EfficientNet, LeNet, MobileNetV2, ResNet and ViT. MindSpore Vision also provides functions that can be deployed on mobile devices for inference. We welcome all contributions, so if you're interest, feel free participate in the development and maintenance of MindSpore Vision. For details, see https://www.mindspore.cn/vision/docs/en/master/index.html. **5\. Protein Structure Prediction Model Training and Inference for Biomedicine** The MindSpore team worked with partners to implement a model for protein structure prediction running on the MindSpore all-scenario AI framework. Partners include experts from the China Changping Laboratory, Peking University's Biomedical Pioneering Innovation Centre (BIOPIC) and Chemistry and Molecular Engineering College, Gao Yiqin's team at the Shenzhen Bay Laboratory, and Peng Cheng Laboratory lead by Chen Jie. The joint work is carried out on Peng Cheng Cloud Brain II, an Ascend AI cluster. The model achieved 87 TM-score on the CASP14 dataset, topping the Continuous Automated Model EvaluatiOn (CAMEO) chart for three consecutive weeks in April, 2022. The model is now open source, meaning you can obtain the code from the MindSpore community. T1052-D1 structure prediction result comparison (left) and TM-score comparison of 87 targets on CASP14 (right) Running on the Ascend AI software and hardware platform, the model enables mixed precision to slash single-step iteration from 20 seconds to 12 seconds, increasing performance by over 60%. In addition, based on the memory overcommitment capability of MindSpore, the model's training sequence length is increased from 384 to 512. To evaluate the training results objectively, the MindSpore team verified the model on 87 targets mentioned in the appendix of the AlphaFold2 paper. The average TM-score reached 87, which is basically the same as AlphaFold2. We will continue to improve the model in terms of algorithms, scale and hardware and software support, and will open our training datasets to our peers. We look forward to working with more academia and industry partners to further improve the model precision and explore more application scenarios. Code Repository: https://gitee.com/mindspore/mindscience/tree/dev/MindSPONGE/mindsponge/fold **6\. MindSpore Quantum: SVG Graph of Quantum Circuits with Quantum Noise Simulators** In the noisy intermediate-scale quantum (NISQ) era, the noise of real quantum bits is relatively large. To simulate the evolution of a quantum system in real life with higher accuracy, we introduced the noise simulation function in MindSpore 1.7. By importing different noise channels (Pauli, bit-flip, and phase-flip) to a quantum circuit, you can increase the accuracy of your noisy quantum simulation. In addition, Jupiter Notebook supports the display of SVG images of quantum circuits. By drawing a well-designed graph, you can visualize the circuit composition and make your quantum algorithm easier to understand. In the left figure, we built a Bell-state quantum circuit and added two bit-flip channels to simulate the errors of the quantum system, and then sampled the quantum state of the two bits. The upper right figure shows the SVG image of the quantum circuit, and the lower right figure shows the sampling result of the quantum circuit. API reference: https://www.mindspore.cn/mindquantum/docs/en/master/mindquantum.core.gates.html --- https://www.mindspore.cn/version-updates/en/1985/ --- Version Dynamics MindSpore 1.8: Implements High-Performance Training while Lowering Deployment Threshold with Rich Algorithm Sets and Suites # MindSpore 1.8: Implements High-Performance Training while Lowering Deployment Threshold with Rich Algorithm Sets and Suites 2022/08/16 # MindSpore 1.8: Implements High-Performance Training while Lowering Deployment Threshold with Rich Algorithm Sets and Suites August 16, 2022 **New Version Release** After two months of continuous efforts, MindSpore 1.8 has been released. In this version, MindSpore Golden Stick is released to provide various model compression algorithms. The MindSpore Transformer suite for training open source foundation models and the MindSpore Recommender suite for recommendation network training are provided, so as to help developers implement high-performance model training. The custom operator capability is continuously upgraded to unify operator expressions on multiple platforms. Image processing APIs are unified, and the advanced Model.fit API and the EarlyStopping function are provided, improving API usability. Functional APIs are added to more than 180 operators, which support the NPU, GPU, and CPU platforms for developers to use. Video link Here is a detailed look at the key features of MindSpore 1.8. **1\. MindSpore Golden Stick** Lowering the threshold for AI deployment on devices MindSpore Golden Stick is an algorithm set for model compression. Developed by Huawei Noah's Ark Lab and MindSpore team, it provides various model compression algorithms, such as pruning and quantization, to reduce the number of model parameters and lower the threshold for deploying models on devices. In addition, a set of easy-to-use algorithm APIs is provided for developers to reduce the application cost of the model compression algorithms. MindSpore Golden Stick architecture **1.1 Unified Algorithm APIs and Image Modification Capability** There are various types of model compression algorithms, and applications of different algorithms vary a lot, which increases learning costs of the algorithms. MindSpore Golden Stick streamlines and abstracts the algorithm application process and provides a set of unified algorithm APIs to minimize the learning cost of algorithm applications. Based on different algorithms, it facilitates the exploration of high-level technologies such as automatic model compression. In addition, MindSpore Golden Stick supports modifying front-end networks through interfaces. Based on this capability, algorithm developers can formulate common image modification rules to implement algorithm logic instead of specifying them for different networks, improving algorithm development efficiency. **1.2 Pruning Algorithm: SCOP\[1\] Reducing Model Power Consumption by 50%** A structured pruning algorithm provided by MindSpore Golden Stick is Scientific Control for Reliable Neural Network Pruning (SCOP) developed by Huawei Noah's Ark Lab. Driven by data and with a comparison experiment, it introduces control features to reduce the interference of irrelevant factors to the pruning process to improve the reliability of the pruning result. SCOP is applied to the ResNet-50 model, which uses the CIFAR-10 dataset for evaluation. The following table lists the experiment results. When the pruning rate is 45%, the precision loss is within 0.5%, and the number of model parameters decreases by more than 50%, the deployment power consumption is reduced by more than 50% and the inference performance is doubled. Results of SCOP pruning algorithm for ResNet-50 CIFAR-10 dataset **Model** **Pruning Rate** **Parameters** **Accuracy** ResNet-50 \- 24 M 93.2% ResNet-50 with SCOP pruning 45% 11 M 92.7% **1.3 Quantization Algorithm: SLB\[2\] Compressing Models to 1/8 – 1/32** A quantization algorithm provided by MindSpore Golden Stick is Searching for low-bit weights (SLB) developed by Huawei Noah's Ark Lab. For low-bit network quantization, there are fewer effective solutions for quantizing the network weight. Therefore, the network quantization may be implemented through weight search, that is, the quantization process is converted into a weight search process. Compared with the traditional quantization algorithm, this algorithm avoids the inaccurate gradient updating process, improves accuracy, and has more advantages in very low bit quantization. We have performed a simple experiment on the SLB algorithm and the result is shown as follows. In the current task, the model size is reduced to 1/8 of the full-precision model after 4-bit weight quantization without compromising the top 1 accuracy (the precision loss of 1-bit weight quantization is within 0.6%). In this case, the compression effect is increased by 32 times. The SLB weight quantization algorithm is used to quantize the CIFAR-10 dataset result of ResNet-18, in which: · W32 indicates the full-precision model. · W4, W2, and W1 correspond to the 4-bit, 2-bit, and 1-bit weight quantization models, respectively. View the document **2\. High-performance Foundation Model Training Suite** MindSpore Transformer Transformer has been widely used in various fields of deep learning. To utilize the robust parallel capabilities and high-performance optimization features of MindSpore and enable developers with a quick start of Transformer network training, MindSpore Transformer is open-sourced for transformer network as a training and inference suite. The suite provides training capabilities for basic models such as GPT, T5, and ViT on typical networks, and you can implement high-performance parallel model training based on the rich parallel training capabilities of MindSpore. Experiments show that MindSpore outperforms Megatron by more than 18% under the same hardware conditions. **2.1 Multi-dimensional Hybrid Parallelism and Optimization for Graph Kernel Fusion** MindSpore Transformer uses the following technologies: **(1)** **Multi-dimensional hybrid parallelism, including optimizer parallelism and multi-copy parallelism:** The training performance of the network can be effectively improved by cutting redundant parameters in the data parallel dimension and optimizing concurrent communication and computing. **(2)** **Graph kernel fusion optimization:** The graph kernel fusion function of MindSpore can automatically fuse operators and optimize compilation, improving the memory efficiency and model training speed. In the model or data/model parallel modes of MindSpore Transformer, graph kernel fusion has been widely used and achieved remarkable results. **2.2 Performance Comparison** We test the 10-billion-scale GPT (hiddensize = **5120**, num\_layers = **35**, and num\_heads = **40**) performance on the 8-socket, 16-socket, and 32-socket A100 clusters. The number of parallel channels is set to **8**, parallel data channels to **1**, **2**, and **4**, and global batches to **1024**. For Megatron, set **Micro Batch Size** to **2** (the upper limit). For MindSpore, set **Micro Batch Size** to **8** (the upper limit). The memory utilization of MindSpore is higher than that of Megatron, indicating a larger batch can be trained. Throughput Comparison As shown in the figure, · The maximum throughput of 8P Megatron is 7,400 samples/s, and that of MindSpore is 9,300 samples/s, a 25% increase by Megatron. · The maximum throughput of 16P Megatron is 13,600 samples/s, and that of MindSpore is 16,900 samples/s, a 24% increase by Megatron. · The maximum throughput of 32P Megatron is 20,100 samples/s, and that of MindSpore is 23,800 samples/s, an 18% increase by Megatron. Open source repository **3\. High-performance Suite for Recommendation Network Training** MindSpore Recommender Multiple click-through rate (CTR) models are deployed in the recommendation system. To improve the CTR, the deep CTR model needs to be trained efficiently. The training performance of the recommendation network is one of the important factors for real-time performance of the model. MindSpore 1.8 integrates MindSpore Recommender, the suite for training recommendation network foundation models. With basic capabilities on MindSpore, including automatic parallelism, graph kernel fusion, and distributed embedding cache, it achieves high training performance. The suite provides an end-to-end training process for mainstream recommendation network models (such as Wide&Deep), including dataset preprocessing, model training, and benchmark, providing developers with one-stop training capabilities. **3.1 Architecture of Recommendation Foundation Model Training** Technical Architecture **(1) Automatic parallelism:** uses model parallelism to implement automatic segmentation of multiple cards for sparse computing (Embedding), and uses data parallelism to concurrently execute dense computing and collective communication, effectively improving the overall training performance. **(2) Distributed embedding cache:** uses multi-level embedding cache and computing pipeline design to store large-scale feature vectors and achieve high performance in training. **(3) Distributed computing graph:** uses distributed computing graph segmentation and execution, to implement distributed storage and high-performance local computing of large-scale feature vectors. **3.2 Unified Algorithm APIs and Image Modification Capability** The following figure shows the Wide&Deep model training based on the GPU V100 cluster (batch\_size = **16000**, and vocab\_size = **5860000**) The throughput of MindSpore on a single server with eight GPUs is 35% higher than that of HugeCTR. Wide&Deep training throughput Open source repository **4\. Continuous Custom Operator Upgrade** Unified expression for efficiently adding operators MindSpore 1.6 released at the beginning of this year integrates Custom, the unified operator development API for multiple platforms, which can quickly define and utilize different types of custom operators. To further improve the usability of custom operators, MindSpore 1.8 provides a unified MindSpore Hybrid DSL expression, which supports unified operator development expression on multiple platforms, including Ascend, GPU, and CPU. Quick verification and real-time compilation are supported on all platforms. In addition, version 1.8 provides a new custom operator mode for accessing the Julia operator, making it the industry's first AI framework that supports the Julia language. **4.1 Unified Cross-Platform MindSpore Hybrid DSL Expression** MindSpore Hybrid DSL allows operators to be developed with a unified expression on different platforms. Operators can be used at all backends once developed. In addition, when a developed operator is connected to the custom API, it can be compiled and run in hybrid mode, or interpreted and run in pyfunc mode to facilitate quick verification. In addition, using new scheduling primitives provided by MindSpore Hybrid DSL, hybrid custom operators can enable the domain-specific architecture (DSA) scheduler of polyhedral models at the Ascend backend to implement manual and automatic operator scheduling and assist code generation, accelerating scientific computing tasks on the backend for developers. View the document **4.2 Industry's First AI Framework Supporting Julia** Julia is a high-level general-purpose programming language that is both efficient and easy to use. It was initially designed for scientific computing. Due to its efficiency and usability, Julia has got wider recognition in recent years and gradually becomes a mainstream. MindSpore 1.8 integrates the Julia mode in the Custom API for operator development to combine Julia-based operators with Ascend-based models. Developers can use Julia operators to accelerate computing or use the Julia ecosystem to efficiently develop operators. In this way, the Julia operator can be enabled in scenarios such as model porting, quick verification, and model acceleration, bringing benefits to computing in MindSpore-based models. View the document **5\. Unified Image Processing APIs of MindSpore Data** Improving API usability On MindSpore 1.8, the MindSpore Data module redesigns and reconstructs image data preprocessing operations. The original c\_transforms and py\_transforms operations are combined into a unified interface: transforms. In addition, various data processing operators are normalized and combined to avoid too many conversions of mixed operators. And the operator output format is automatically converted based on the context to be concise and usable, while reserving the choice of manually selecting operator policies for senior developers. In order to help you build your own algorithms related to variational quantum, we have open-sourced more simulator APIs. **5.1 Implementation** The same functions of c\_transforms and py\_transforms are combined into one API. Two bottom-layer implementations are reserved internally. During execution, layer C is preferentially used to ensure high efficiency. Different functions are reserved at the low level of layers C and Python. Only one execution mode is available. **5.2 Summary After Implementation** (1) Package import is unified, as shown in the following figure. (2) Data processing APIs are unified, as shown in the following figure. (3) The following figure shows an example of the running mode. For details, click here **6\. Support Simultaneous Inferring and Training and EarlyStopping** **6.1 Advanced Model.fit APIs** In early version, training and inference are performed respectively through the Model.train and Model.eval APIs. However, to monitor model effects during training, you need to view the evaluation indicators of the validation dataset through manual operations. MindSpore 1.8 provides the Model.fit high-level API and encapsulates Model.train and Model.eval to simplify the development process while retaining the original functions. Developers only need to pass the corresponding parameters and use one line of code to implement automatic training and inference. For details, click here **6.2 EarlyStopping and ReduceLROnPlateau** To monitor the model status and parameter changes in real time, and implement customized operations during training, MindSpore provides the callback mechanism. MindSpore 1.8 adds the EarlyStopping and ReduceLROnPlateau callback functions, which can be used in Model.train and Model.fit to implement epoch-level verification of specified indicators. When the indicators show performance deterioration and the values fall below the tolerable threshold, or the waiting time outnumbers the tolerable epochs, EarlyStopping stops the training process and ReduceLROnPlateau changes the learning rate based on the attenuation rule specified by the developer. For details, click here or here **7\. Adjustable Network Constant Input** Improving compilation efficiency In the current graph compilation mechanism, the input of all top-level networks (except tensors) is regarded as constant values, such as scalars, tuples, lists, and dicts. Constant values cannot be derived and are folded by constants in the compilation optimization phase. In addition, when the network input is tuple\[Tensor\], list\[Tensor\], or dict\[Tensor\], even if the shape and dtype of the tensor do not change, the network will be recompiled for multiple times. When a network is continuously called to obtain a result, the input is processed as a constant value and the specific value of the tensor cannot be ignored. As a result, the training efficiency is reduced. To solve the problem, the mutable API is added to MindSpore 1.8 for setting the constant input of the network to variable. That is, the input is regarded as a variable like a tensor. In this way, the gradient can be calculated and the network can be prevented from being compiled repeatedly. The API is user-friendly: use the mutable interface to encapsulate the network input when passing parameters, as shown in the following figure. Encapsulating the input of the tuple\[Tensor\] type For details, click here **8\. MindSpore Reinforcement** High-performance distributed training and native Monte Carlo Tree Search algorithms **8.1 Flexible High-performance Distributed Training with Dataflow Fragments** The distributed reinforcement learning framework mainly uses Python functions to implement algorithms. Despite intuitive programming APIs, it is challenging to implement multi-machine parallelism and heterogeneous acceleration. MindSpore Reinforcement v0.5.0 provides a distributed policy (DP) based on Dataflow Fragment. It can divide the deep reinforcement learning algorithm into multiple data flow segments and map them to heterogeneous devices for execution. The same algorithm can be deployed on a single device with multiple GPUs or multiple devices with multiple GPUs based on the DP. The following figure shows the Dataflow Fragment–based DP and the corresponding training acceleration effect. When deployed on multiple devices with multiple GPUs, the algorithm speeds up greatly. Two DPs Training time under different DPs For details, click here **8.2 Monte Carlo Tree Search** Monte Carlo Tree Search (MCTS) is a decision search algorithm. After the success of MCTS-based reinforcement learning algorithms (such as AlphaGo), MCTS is increasingly used in reinforcement learning algorithms. Pseudo-code of the MSTC algorithm MindSpore Reinforcement v0.5.0 provides a common extensible MCTS algorithm. Developers can either use Python to directly invoke the embedded MCTS algorithm for the reinforcement learning algorithm, or customize logic through extension. The framework automatically compiles the algorithm into a computation graph for efficient execution. For details, click here References \[1\] Tang, Yehui, et al. "Scop: Scientific control for reliable neural network pruning." NeurIPS 2020: 10936-10947. \[2\] Yang Z, Wang Y, Han K, et al. Searching for low-bit weights in quantized neural networks. NIPS, 2020. --- https://www.mindspore.cn/version-updates/en/2515/ --- Version Dynamics MindSpore 1.9 Further Improves Usability and Efficiency # MindSpore 1.9 Further Improves Usability and Efficiency 2022/10/27 # MindSpore 1.9 Further Improves Usability and Efficiency MindSpore 1.9 has been launched thanks to the constant effort of our community developers. This version includes converged programming capabilities that combine functional programming (FP) and object-oriented programming (OOP) paradigms, performance visualization for large-scale training, and improved efficiency of parallel training performance analysis. MindPandas, an efficient distributed table analysis framework, is also launched with MindSpore 1.9. Now, let's check out the highlights of this update. **Easy-To-Use OOP + FP Improves Usability** MindSpore 1.9 adopts a converged programming paradigm that combines the advantages of FP and OOP. With this version, you can enjoy the usability and low learning costs of OOP and leverage the mathematical expression advantages of FP while avoiding the steep learning curve of pure FP. In terms of framework design, we give equal importance to scientific computing and AI instead of using a core framework with secondary development libraries. The entire training process is optimized in the following aspects: Ÿ Network construction: MindSpore 1.9 accommodates your OOP habits and allows you to construct layers as if you were using PyTorch. Ÿ Forward computation and backpropagation: Functional automated differential is applied in accordance with mathematical semantics. The forward computation process can be constructed as a function and transformed into a grad function, which is then used to obtain the gradient corresponding to the weight. Ÿ Support of pure FP: You can construct scientific computing algorithms like those in Jax. The following figure shows the comparison between user scripts before and after the optimization: Scripts before and after the optimization The optimized approach is more in line with mathematical semantics. It eliminates the need for secondary framework development and makes the code more concise and easy to understand, all while increasing the framework's usability and minimizing the complexity of getting started. For more, visit https://www.mindspore.cn/tutorials/en/master/beginner/quick\_start.html. **MindPandas, an Efficient Distributed Table Analysis Framework** Data processing and analysis are important parts of the deep learning process, where tables are commonly used for data representation. Pandas, a popular data analysis framework in the industry, provides simple and rich interfaces but performs poorly when processing massive amounts of data because it can only run as a single thread. Furthermore, due to memory constraints, Pandas cannot handle data volumes larger than the local memory; therefore, in practice, for different data volumes, data analysts often switch between different frameworks, incurring the cost of learning multiple languages and managing multiple frameworks. At the same time, because data analysis frameworks are separate from AI frameworks like MindSpore, data must be stored on the drive and formatted before being processed, which has a significant impact on efficiency. MindPandas, developed to overcome the weak points of Pandas, is a data analysis platform that supports Pandas APIs and provides distributed processing capabilities. It is dedicated to offering high performance and large-volume data processing capabilities, as well as smooth integration with training. MindPandas enables MindSpore to support the entire AI model training process. Ÿ Easy-to-use data processing APIs MindPandas is compatible with Pandas APIs. You only need to slightly modify the script to switch to MindPandas, like this: MindPandas supports more than 100 distributed APIs, including the DataFrame and Series APIs, with more on the way. Ÿ Efficient distributed data processing By slicing the table data, MindPandas implements parallel computation of data slices to fully utilize the computing power of multiple CPU cores, thus achieving a multiplicative increase in computing performance. The slicing details are hidden from the users for simple user operations. For example, the parallel computing process of the DataFrame.sum API is as follows: Parallel computing process of DataFrame.sum When the data to be processed cannot be stored in the memory of a single machine, MindPandas provides a scalable distribution capability that leverages the shared memory of multiple machines, removing the barrier that hinders Pandas from handling large amounts of data. In addition, MindPandas supports one-time development for single-node and distributed execution, reducing the cost of use. Ÿ Unified and efficient data transfer Users do not need to be concerned with specific data formats. The calculation results of MindPandas do not require saving to drives. Through shared memory, data can be directly provided to MindSpore in a unified format for training, bridging the gap between the data analysis framework and the training framework. Ÿ Performance comparison MindPandas and Pandas each process 4 GiB of data on a 56-core Linux machine using the default number of slices (which can be configured via **set\_partition\_shape**). Some MindPandas APIs perform more than 10 times better than their Pandas counterparts. API performance comparison As the volume of data increases, the performance benefits of MindPandas become more evident. API performance with different data volumes The tests were conducted using the default number of concurrencies. You can change the configuration as required to achieve even better performance. Repository: https://gitee.com/mindspore/mindpandas **Performance Visualization for Large-Scale AI Training** With the exponential growth in the number of neural network model parameters and dataset size, the cluster size required for training is getting larger and larger, and the choice and combination of parallel strategies for multiple devices are diverse, making it difficult to locate the root causes of performance bottlenecks. MindSpore collaborates with Professor Chen Wei's team at Zhejiang University to create the large-scale AI training performance visualization module, helping improve the efficiency of parallel cluster training performance analysis. For details, visit https://www.mindspore.cn/mindinsight/docs/en/master/performance\_profiling\_of\_cluster.html. Ÿ Parallel training strategy analysis In MindSpore 1.9, we introduced a computational-communication bipartite graph scheme. All communication operators in the computational graph are extracted to the top layer of the canvas. The computational graph also displays information about the parallel strategies. You can clearly observe the execution sequence of the parallel strategy-related operators and the computational graph and thus confirm the rationality of the communication operators. The figure below shows the parallel training of a Pangu model using K-level clusters, where the green ellipses represent redistribution operators and the different branches of the computation-communication nodes show the corresponding parallel strategies. Parallel training strategy analysis of a Pangu model In the next figure, the namespace nodes are expanded. By combining the nodes and the strategy matrix, you can see the shard method of a specific operator. According to the node attributes, the **Load-op2** input tensor (parameter) is not sharded, while the **StridedSlice-op10856** input tensor (data) is sharded into two at the first dimension. As stated in _PengCheng·PanGu Model Network Multi-Dimension Hybrid Parallel Analysis_, when the word list range is large, it is advised to choose a model parallel strategy for **word\_embedding**. In this example, data is split. The training performance can be improved by using model parallel. Reference: https://mindspore.cn/tutorials/experts/en/master/parallel/pangu\_alpha.html Example of the operator strategy matrix Ÿ Cluster performance analysis MindSpore 1.9 combines performance data with computational graph parallel strategies to provide a performance visual analysis link that includes analysis at multiple levels, including the cluster, card, and operator levels, greatly assisting you in identifying common problems in the parallel training process of large models and understanding the parallel training execution process. For example, when tuning the parallel training of a ResNet-50 model running on 4 cards, devices 2 and 3 spend a long time communicating. Select the two devices in the communication graph. In the displayed adjacency matrix, you can see that the abnormal communication node allReduce\_237\_245 occupies most of the bandwidth of this communication link. Cluster communication component In the Marey view of the Execution Overview tab, devices 2 and 3 are in stage1. You can find communication operators that take a long time communicating in areas where the operator density is high. This could be the result of the unreasonable setting of the communication operator fusion or shard strategy. You can try to modify the **all\_reduce\_fusion\_config** parameter to optimize the performance. In the parallel strategy view, you can see that the pipeline parallel strategy is used for training. The pipeline parallel bubble can be further analyzed based on the minimap and Marey view below. Execution Overview tab --- https://www.mindspore.cn/version-updates/en/2617/ --- Version Dynamics MindSpore 2.0: Framework Upgraded for Research Innovations and Industry Applications # MindSpore 2.0: Framework Upgraded for Research Innovations and Industry Applications 2023/06/20 # MindSpore 2.0: Framework Upgraded for Research Innovations and Industry Applications MindSpore 1.0 launched the industry's first all-scenario AI framework. MindSpore 1.5 introduced native support for foundation models. Now, MindSpore 2.0, thanks to the efforts of community developers, is officially released with a framework upgrade to facilitate research innovations and industry applications. MindSpore 2.0 supports multi-dimensional hybrid automatic parallelism and provides a foundation model suite to support one-stop training, building the best training and inference platform for foundation models. In terms of usability improvement, this version provides many out-of-the-box model suites and combines dynamic and static graphs flexibly and efficiently. In addition, this version delivers an AI + scientific computing suite with cutting-edge features to facilitate technology innovations. Now, let's take a look at the key features of MindSpore 2.0. **Training and Inference of Foundation Models** For foundation models, MindSpore 2.0 offers one-stop training and inference capabilities. The scale of supported models is expanded, and training and inference performance are all enhanced. A suite is also provided to reduce training costs. **1\. MindSpore supports foundation models natively with industry-leading multi-dimensional hybrid parallelism** MindSpore supports various parallel modes such as data parallelism, model parallelism, mixture of experts (MoE), pipeline parallelism, optimizer parallelism, and heterogeneous training, and can natively perform foundation model training. It is one of the best frameworks for foundation model training in the industry. Based on MindSpore, manufacturers have trained 22+ foundation models whose numbers of parameters range from billions to trillions. In MindSpore 2.0, support for LLaMA, BLOOM, GLM, GPT and other billion-parameter models is added. **2.** **Unified inference in all scenarios greatly improves deployment efficiency and inference performance.** 1. **Unified backend**: Ascend AI Processors, GPUs, and CPUs are all supported by the same release package, reducing deployment costs. 2. **Native support for MindIR**: A model trained in MindSpore can be directly used for inference by using the MindSpore IR (MindIR), shortening the rollout period. 3. **Unified model format**: MindIRs can be exported from third-party ecosystems (TensorFlow, ONNX, and Caffe) to for unified inference, reducing online maintenance workload. 4. **Diversified optimization strategies**: Inference optimization strategies such as operator fusion, constant folding, format conversion, and redundant operator elimination are supported, and advanced instruction optimization operators such as AVX512 are supported to improve model inference performance. 5. **Ultimate optimization for foundation models**: In-depth graph kernel fusion is performed for mainstream Transformer networks to reduce model memory usage and greatly improve inference performance. MindSpore Lite document: https://mindspore.cn/lite/docs/en/r2.0/index.html **3\. MindSpore Transformers foundation model training suite provides built-in SOTA models for modularized development process.** MindSpore Transformers is a full-process development suite for the entire lifecycle of a foundation model, covering training, fine-tuning, evaluation, and inference processes. It provides fast development capabilities and 10+ pre-trained SOTA foundation models for popular fields such as CV, NLP, and AIGC, and can deploy models to AICC in one click. 1. With the Trainer and pipeline interfaces, you can train a model using two lines of code and start inference using three lines of code. Models can be automatically downloaded. 2. Popular models such as GPT, GLM, BLOOM, and LLaMA are provided with support for various downstream fine-tuning tasks. The models deliver the similar accuracies as SOTA. Model Supported Tasks Supported Models LLAMA text generation LLaMA7B/LLaMA13B/LLaMA65B BLOOM text generation bloom-7b/bloom-65B/Bloom-175B GLM text\_generation, question\_answering, translation glm\_6b GPT text\_generation gpt2\_small/gpt2\_13b/gpt2\_52b BERT masked\_language\_modeling text\_classification token\_classification question\_answering bert\_base\_uncased txtcls\_bert\_base\_uncased/txtcls\_bert\_base\_uncased\_mnli tokcls\_bert\_base\_chinese/tokcls\_bert\_base\_chinese\_cluener qa\_bert\_base\_uncased/qa\_bert\_base\_chinese\_uncased T5 translation t5\_small GPT2 text\_generation gpt2\_small/gpt2\_13b/gpt2\_52b MAE masked\_image\_modeling mae\_vit\_base\_p16 VIT image\_classification vit\_base\_p16 Swin image\_classification swin\_base\_p4w7 CLIP contrastive\_language\_image\_pretrain, zero\_shot\_image\_classification clip\_vit\_b\_32/clip\_vit\_b\_16/clip\_vit\_l\_14 clip\_vit\_l\_14@336 MindSpore Transformers: https://gitee.com/mindspore/mindformers **4\. MindRLHF enables training of billion-parameter models with merely 20 lines of code, helping you quickly build your own conversational AI.** MindRLHF leverages MindSpore's parallel training, inference, and deployment capabilities to help you quickly train billion-parameter models through reinforcement learning from human feedback (RLHF) and deploy the model as your own conversational AI. MindRLHF covers three phases of RLHF: pre-trained model training, reward model training, and reinforcement learning training. By integrating various model libraries of MindSpore Transformers, MindRLHF provides fine-tuning processes for base models, such as PanGu-Alpha (2.6B and 13B), GPT-2, LLaMA, and BLOOM. In addition, parallel interfaces inherited from MindSpore allow you to deploy foundation models of different scales to the training cluster in one click. Models supported by MindRLHF are as follows: Model PanGu-Alpha PanGu-Alpha GPT-2 BLOOM Scale 2.6B 13B 124M 7B Minimum hardware requirements (number of Ascend 910 cards) 1 16 1 16 More models, such as LLaMA and GLM will be supported in the future. For more information, see https://github.com/mindspore-lab/mindrlhf. **5\. MindPet fine-tunes foundation models with fewer parameters, saving computing and storage resources to support various tasks.** MindPet (pet stands for parameter-efficient tuning) is a suite that is developed based on the MindSpore AI convergence framework for fine-tuning foundation models with fewer parameters. The suite provides easy-to-use APIs and use cases for you to quickly get started. Currently, six popular fine-tuning algorithms in the industry and two types of common graph operation interfaces are provided. It is worth mentioning that MindPet also allows you to freeze specified structures on the network based on fine-tuning algorithms or module names. In addition, an interface is provided to save only trainable parameters of the fine-tuning algorithms, allowing you to generate a very small CKPT file. MindPet helps you efficiently tune foundation models with fewer parameters, significantly reducing computing and storage memory usage and training time, and achieving good model performance in a resource-limited environment. The following fine-tuning algorithms are provided: Algorithm Paper LoRA LoRA: Low-Rank Adaptation of Large Language Models PrefixTuning Prefix-Tuning: Optimizing Continuous Prompts for Generation Adapter Parameter-Efficient Transfer Learning for NLP LowRankAdapter Compacter: Efficient low-rank hypercom plex adapter layers BitFit BitFit: Simple Parameter-efficient Fine-tuning for Transformer-based Masked Language-models R\_Drop R-Drop: Regularized Dropout for Neural Networks MindPet: https://gitee.com/mindspore-lab/mindpet **6\. MindRec supports TB-level recommendation model training with newly added online training and dynamic feature capabilities, enabling real-time model updates and rollouts.** The industry is facing two challenges as recommendation services continue to grow in the size: 1\. The model size exceeds hundreds of gigabytes and even reaches terabytes. The storage, training, and inference of large-scale feature vectors need to be handled. 2\. Models are trained on users' real-time behavior data in an incremental manner and updated dynamically. As features may emerge or disappear during training, storing feature vectors in a dense manner is inconvenient to record dynamic changes of features. To address these problems, MindRec 0.2 provides large-scale recommendation model training capabilities to train TB-level recommendation models using a single card. In addition, online training and dynamic feature capabilities are added to implement minute-level, end-to-end incremental model training and updates. These capabilities effectively support real-time model updates and rollouts. **6.2 TB-level model training on a single card** MindRec trains ultra-large-scale recommendation network models using distributed feature caching, which is based on automatic parallelism. As shown in the following figure, multi-level feature caching (device - local host - remote host - SSD) is used to implement layer-by-layer storage separation and expansion of feature vectors, enabling TB-level models to be trained on a single acceleration card. Usage example: https://github.com/mindspore-lab/mindrec/tree/r0.2/models/wide\_deep/ **6.3 Online training** MindRec provides online training and offline training. Its end-to-end online training solution supports Python user programming expression and incremental model import and export. Usage example: https://github.com/mindspore-lab/mindrec/blob/r0.2/docs/online\_learning/online\_learning.md **6.4 Dynamic features** Because features often change during continuous training, the system must be able to add and delete features. The MapParameter data type of MindSpore is used to express the hash type with support for feature addition and deletion and incremental training. **Computing is performed on the device side to fully leverage the acceleration capabilities of the hardware, achieving higher performance than in a heterogeneous solution where the dynamic feature computing layer is on the host side.** MindRec: https://github.com/mindspore-lab/mindrec **Continuous Usability Improvement** **7\. The development suite integrates easy-to-use interfaces and cutting-edge algorithm models to facilitate AI development and innovation.** MindSpore works with universities such as University of Science and Technology of China, Xi'an Jiaotong University, and Xidian University to build AI suites in fields such as computer vision (CV), natural language processing (NLP), audio, optical character recognition (OCR), and YOLO, integrating a large number of mainstream and cutting-edge algorithm models. These suites unify interface modules and reduce learning and development costs, allowing users to quickly develop and apply different deep learning models to solve specific problems. **7.1 MindCV** MindCV is an open source CV suite based on MindSpore. It provides easy-to-use module interfaces (components such as data augmentation, model building, and optimizer) to further simplify the model building and training processes. With the Ascend+MindSpore solution, features such as hybrid precision, data sinking, and training strategies accelerate model training by up to 3 times while improving accuracy by up to 2%, facilitating CV application and innovation. MindCV: https://github.com/mindspore-lab/mindcv **7.2 MindNLP** MindNLP is an all-domain NLP suite. It provides a large number of practical modules, such as classic datasets, classic model structures, and Transformer-based models, for each sub-domain of NLP. Built-in datasets include public datasets of common NLP sub-domains, such as machine translation, question answering, sequence labeling, text classification, and text generation. Huggingface weights can be imported. Pre-trained models for Chinese, such as CPM and GLM, are supported. MindNLP provides simple common NLP model structures, such as Seq2seqModel, Seq2VecModel, and PretrainedModel. Models can be quickly constructed using several lines of code. MindNLP: https://github.com/mindspore-lab/mindnlp **7.3 MindAudio** MindAudio is an audio processing suite and algorithm library based on MindSpore. It provides common audio data processing interfaces and helps quickly set up and train audio deep learning algorithms to improve audio algorithm development efficiency and lower the threshold for audio algorithm development. MindAudio provides 50+ common data processing APIs (such as STFT, Spectrogram, and FBank), 5+ pre-trained models (DeepSpeech2 and Conformer for ASR tasks, FastSpeech2 and WaveGrad for TTS tasks, and voiceprint model ECAPA-TDNN). In addition, common dataset preprocessing APIs (AISHELL, LibriSpeech, VoxCeleb, and LJSpeech) are provided. MindAudio: https://github.com/mindspore-lab/mindaudio **7.4 MindOCR** MindOCR is an OCR algorithm suite based on MindSpore. It provides simple APIs and mainstream SOTA models such as DBNet, DBNet++, CRNN, and SVTR, and supports inference using third-party models (ONNX). Pipelines are used to accelerate end-to-end inference, delivering 20% higher performance than open source projects in the industry. Simple and easy-to-use APIs and categorized model components cover the entire OCR model development process. You can flexibly set up and configure your own OCR models to enrich OCR applications. MindOCR: https://github.com/mindspore-lab/mindocr **7.5 MindYOLO** MindYOLO is a suite of YOLO series algorithms. The suite unifies the implementation of various YOLO algorithm modules and provides common module APIs for data processing, model building, and optimizers to simplify model building and training processes. Currently, MindYOLO provides 6 basic models including YOLOv3, v4, v5, v7, v8, and YOLOX, which can be used for quick reproduction and migration. MindYOLO: https://github.com/mindspore-lab/mindyolo **8\. The functionality and performance of dynamic graph mode are enhanced. Basic data types can be returned in static graph mode.** Starting with MindSpore 2.0, dynamic graph (PyNative) mode has become the default mode of MindSpore. The network performance in dynamic graph mode is improved through multi-level pipelines. In the dynamic shape scenario, the automatic differential implementation is optimized, and the compilation-free operator capability of CANN is enabled, greatly reducing the reverse graph construction and operator compilation overhead. Currently, programming of various dynamic shape networks, such as voice, recommendation, and CV networks, is supported. The performance will be continuously optimized in the future. On the other hand, data types other than tensors and tuples were not well supported in static graph mode, and basic data types such as list, dict, scalar, and none could not be returned. In MindSpore 2.0, the syntax support is extended by the JIT Fallback feature. The top-level graph can return basic types (list, dict, scalar, and none) to better support Python syntax. For details, see https://www.mindspore.cn/docs/en/r2.0/design/dynamic\_graph\_and\_static\_graph.html#jit-fallback. **9\. Full Support for Functional + Object-Oriented Programming Continuously Improves Network Expression Capabilities** **9.1 Just-in-time compilation can be enabled with one line of code, improving usability.** Current deep learning frameworks in the industry struggle to balance coding efficiency and execution performance. To address this issue, MindSpore proposes a new paradigm of functional + object-oriented programming. This new paradigm provides more free low-level interfaces, which makes the code simpler and easier to understand, improves usability, and improves usability. In high-order differential and scientific computing scenarios, this fusion programming paradigm can implement mathematical expressions more easily than the object-oriented programming paradigm, such as in PyTorch. Compared with pure functional programming, such as in JAX and functorch, the fusion programming paradigm provides simpler functional expressions. MindSpore uses the same automatic differential mechanism in AI and scientific computing scenarios and leverages expressions of fusion programming to bridge the gap between frameworks of different programming paradigms in the industry. AI+scientific computing frameworks in the industry PyTorch+functorch JAX+(Haiku/Flax) MindSpore Solution AI-centric Basic framework + suite Science-Centric Basic framework + suite DualCore(AI-Numerical) Framework Advantages No impact on the original AI programming paradigm No impact on the original functional programming paradigm Native fused AI and functional programming paradigms that use the same differential mechanism Disadvantages The derivation logics in the functional programming paradigm and the tensor-based programming paradigm are isolated. The logic of the original module needs to be converted through an API. The encapsulation management of the **nn** object is defective because the pure functional programming paradigm of JAX. / The new paradigm of converged programming retains the capability of MindSpore computing graph compilation acceleration. As shown in the following figure, JIT compilation is performed on the outermost function. The module is accelerated with only one line of code, achieving a balance of usability and performance. For details, see https://www.mindspore.cn/tutorials/en/r2.0/beginner/quick\_start.html. **9.2 Functional operator invocation is fully supported to further improve network expression capability.** 1. More than 100 functional APIs, more than 100 tensor APIs, more than 30 computing module APIs of nn, and more than 100 operator primitives are added. Core functions such as the pooling series, sampling interpolation series, linear algebra series, and FFT series APIs are added to further improve the network expression capability. 2. Functions of different hardware are unified. APIs that support the Ascend AI Processor, GPU, or CPU account for more than 90% of the total APIs. New operators are as follows: **Core Function Category** **API** **Operator** **Platform** Pooling series ops.adaptive\_avg\_pool AdaptiveAvgPool Ascend/GPU/CPU ops.max\_unpool MaxUnpool Ascend/GPU/CPU ops.max\_pool3d MaxPool3DWithArgmax Ascend/GPU/CPU ops.fractional\_max\_pool3d FractionalMaxPool3DWithFixedKsize Ascend/GPU/CPU Sampling and interpolation series ops.grid\_sample GridSampler Ascend/GPU/CPU ops.affine\_grid AffineGrid Ascend/GPU/CPU ops.interpolate Nearest/Bilinear/Bicubic Ascend/GPU/CPU Linear algebra series ops.matrix\_diag MatrixDiagV3 Ascend/GPU/CPU ops.matrix\_diag\_part MatrixDiagPartV3 Ascend/GPU/CPU ops.matrix\_set\_diag MatrixSetDiagV3 Ascend/GPU/CPU ops.matrix\_band\_pard MatrixBandPart Ascend/GPU/CPU ops.matrix\_inverse MatrixInverse Ascend/GPU/CPU ops.matrix\_power MatrixPower Ascend/ CPU ops.matrix\_solve MatrixSolve Ascend/ CPU ops.geqrf Geqrf Ascend/GPU/CPU ops.svd Svd GPU/CPU ops.ormqr Ormqr GPU ops.qr Qr GPU FFT series FFT/FFT2D/FFT3D/IFFT/IFFT2D/IFFT3D/IRFFT/IRFT2D/IRFFT3D/RFFT/RFFT2D/RFFT3D FFTWithSize Ascend/GPU/CPU For details, see https://gitee.com/mindspore/docs/blob/r2.0/resource/api\_updates/func\_api\_updates\_en.md. **10\. MSAdapter seamlessly adapts models of third-party ecosystems to MindSpore, improving migration efficiency.** MSAdapter is a MindSpore API adaptation tool developed by the Pengcheng OpenI Community. It allows PyTorch native code to run efficiently on Ascend-based MindSpore environment. MSAdapter v0.1 demo has been released with support for more than 1000 network expression and data processing APIs, including **torch**, **torch.nn**, **torch.nn.function**, **tensor**, and **torch.utils.data**, as well as torchvision APIs. In addition, more than 70 mainstream PyTorch models have been verified for migration. You can migrate models in CV and NLP domains with only a few adaptations. The interface learning and script migration costs are reduced by more than 90%. For example, to port the PyTorch code of AlexNet to MindSpore using MSAdapter: 1. Change the packages to be imported. 2. Data processing APIs are compatible. 3. Model definition APIs are compatible. 4. Modify the model training code to use MindSpore APIs. The overall performance will be further improved, and more PyTorch APIs will be supported in the future. MSAdapter: https://openi.pcl.ac.cn/OpenI/MSAdapter **11\. Tutorials and documents are upgraded.** 1. MindSpore provides multi-domain application tutorials to help beginners quickly get started with MindSpore. Code and notebook of each tutorial can be downloaded in one click, facilitating quick deployment and experience. MindSpore Tutorials: https://www.mindspore.cn/tutorials/en/master/index.html 2. For users familiar with other AI frameworks, a migration guide is provided, covering detailed instructions, typical differences about other frameworks, and precautions. Migration guide: https://www.mindspore.cn/docs/en/master/migration\_guide/overview.html 3. A knowledge map is composed to guide you through MindSpore documents, covering quick start, in-depth development, and application extension. Knowledge map: https://www.mindspore.cn/resources/knowledgeMap/en **12\. The flexibility of dataset pipelines and usability of MindRecord are improved.** **12.1 The data processing pipeline now supports all Python data types.** As data processing scenarios become increasingly complex, more powerful data structures are required for data organization and management. In MindSpore 2.0, support for Python native dictionaries is added to the dataset processing pipeline. You can store data in a dictionary and send the dictionary to the next pipeline node for processing. You can also use the dict type to manage various Python objects and data and change data in dictionaries at any time during data processing, simplifying data usage and processing. For details, see: https://www.mindspore.cn/tutorials/en/r2.0/advanced/dataset/python\_objects.html. **12.2 The functionality and performance of MindRecord are enhanced.** **12.2.1 FileReader can obtain the schema information and number of samples of data in the MindRecord format.** The **schema()** interface is added to FileReader to obtain the schema of MindRecord data, helping view and analyze the MindRecord format (data field names, data types, and data dimensions). The **len()** interface is added to obtain the number of samples contained in MindRecord data, further improving user usability. **12.2.2 MindRecord write speed increases by 10x.** MindSpore 2.0 optimizes the performance of the MindRecord write API **FileWriter** through concurrent write at the Python layer, optimization of data transfer from the Python layer to C++ layer, and multi-thread concurrent conversion at the C++ layer. As a result, the write performance of MindRecord is improved by 10 times. Take ImageNet dataset (1,281,167 samples, 140 GB) as an example. (Data stored on an NVMe SSD. **shard\_num** is 16) parallel\_wirter Time Required Before Optimization Time Required After Optimization False 118 minutes 13 minutes 27 seconds True 78 minutes 7 minutes and 30 seconds **12.2.3 Loading of ultra-large datasets (5 million samples or more) is optimized to reduce the required memory by 40%.** Training data is massive in the foundation model training scenario. During data pre-loading, the index obtaining overhead is huge and is limited by the memory. In MindSpore 2.0, the lazy loading mode of MindRecord is optimized to simplify data structure loading. Only necessary metadata (sample IDs, sample start offsets, and sample end offsets) is loaded. This mode is suitable for large model training and multi-modal data loading scenarios. **13\. The error reporting mechanism is optimized to provide systematic guidance, simplifying problem solving.** In MindSpore 2.0, the structure and content of error information in multiple error scenarios are optimized. The optimized error information is more readable, helping users quickly classify and understand the error. Take the error reported in the Ascend environment as an example. The rank table solution is used to start parallel training. The training fails due to a faulty configuration file. The error information generated by the Ascend hardware and MindSpore is mixed, and the error and solution are unclear. The optimized information displays Ascend and MindSpore errors separately, gives detailed causes of errors, and describes common error codes. For details, see https://www.mindspore.cn/tutorials/experts/en/r2.0/debug/function\_debug.html. **14\. MindSpore Dev Toolkit supports API mapping scanning and provides a VSCode extension for intelligent code completion.** **14.1 Mappable APIs throughout a file or project can be scanned with one click.** MindSpore Dev Toolkit is a development plug-in that supports quick search of API mappings inside an IDE. To further simplify model migration, the API mapping scanning function is added to MindSpore Dev Toolkit, allowing you to obtain all PyTorch APIs in your code that can directly map to MindSpore APIs and view API documents. Scanning can be performed on a file or throughout a project to provide summarized API mappings. **14.2 A VSCode extension is provided to enable intelligent code completion.** Besides PyCharm, MindSpore Dev Toolkit also launches a VSCode extension to help simplify multi-platform development. The extension helps increase coding efficiency by 30% with a completion accuracy of 80%. For details, see https://gitee.com/mindspore/ide-plugin. **Scientific Computing** **15\. Use MindSpore Flow to simulate fluid with efficiency and simplicity.** Fluid mechanics is closely related to the R&D of aerospace, marine equipment, and energy and electricity. However, traditional computational fluid mechanics faces problems such as complex meshing, high computational dependency, and inability to balance accuracy and performance. These challenges bring new opportunities for AI+scientific computing. MindFlow is an AI fluid simulation toolkit based on MindSpore. It provides AI fluid simulation driven by physics, data, and physics-data fusion and end-to-end differentiable CFD solvers. MindFlow provides 14 cases in the fluid dynamics field and 8 network models to fully explore the fitting capability of neural networks. MindFlow aims to build efficient and accurate AI flow field simulation tools to accelerate model development and meet related scientific research and engineering requirements. The AI simulation model library (ModelZoo) implements physics-driven, data-driven, and physics-data fusion-driven AI fluid simulations. Differentiable CFD solvers, open-source datasets, and governing equations are provided to implement classical flow and fluid simulation in various application fields. **15.1 Physics-driven AI fluid simulation** Physics-driven AI fluid simulation is performed based on physic-informed neural networks (PINNs). MindFlow provides easy-to-use APIs for physics-driven AI fluid simulation and supports symbolic partial differential equations defined using SymPy and efficient geometric sampling and rich neural network architectures, facilitating the quick solution of fluid partial differential equations. **15.2 Data-driven AI fluid simulation** Data-driven AI fluid simulation uses AI methods to reveal the associations among flow field data, thereby implementing intelligent simulation of flow fields. MindFlow released the first industrial fluid simulation model DongFang YuFeng and the related dataset. You can call related APIs to implement model training and fast flow field simulation. In addition, MindFlow provides multiple neural network model libraries, such as Fourier neural operators, Koopman neural operators, and Vision Transformer, as well as related case data. **15.3 Physics-data fusion-driven AI fluid simulation** Physics information and data are fused to implement AI fluid simulation, resulting in less data dependency and stronger generalization capability. PDE-Net is a typical physics-data fusion-driven AI fluid simulation model. MindFlow provides related interfaces. You can learn convolution kernels to approximate differential operators and identify observed partial differential equations. **15.4 End-to-end differential solver** MindFlow implements the traditional compressible fluid solution process based on the MindSpore framework and launches the end-to-end differential solver MindSpore Flow CFD, the solver supports WENO5 reconstruction, Rusanov fluxes, Runge-Kutta methods, and multiple boundary conditions to meet the requirements of multiple basic flows such as shock tubes 2D Riemann problem. For details, see https://gitee.com/mindspore/mindscience/tree/master/MindFlow. **16\. MindSPONGE 1.0 is released with upgraded architecture and support for 20+ SOTA Computational Biology models.** MindSPONGE 1.0, an AI biology suite based on MindSpore 2.0, is released with upgraded architecture and more than 20 mainstream models to cover the entire drug R&D process, including industry and self-developed models, such as MEGA-Protein for protein structure prediction, ESM-IF for protein design, Pafnucy for molecular property prediction, MEGA-EvoGen for MSA generation, and MEGA-Assessment for structural quality assessment. Models provided by MindSPONGE 1.0 covers molecular characterization, structure prediction, property prediction, molecular design, and basic models. In the drug target and biological marker selection phases, MindSPONGE provides models such as MEGA-Fold and AlphaFold Multimer for molecular structure prediction and ProteinMPNN and ColabDesign for protein design. In the lead compound determination phase, MindSPONGE provides models for molecular characterization and basic models, such as MolCT, SchNet, PhysNet, GROVER, and MG-BERT. In the active compound screening phase, MindSPONGE provides models for molecular property prediction, sucha as GraphDTA and Pafnucy. In earlier versions, MindSPONGE has integrated the protein structure prediction model MEGA-Fold. In version 1.0, MindSPONGE released the MSA generation enhancement tool MEGA-EvoGen and the protein structure comparison assessment tool MEGA-Assessment to address the limitation that AlphaFold 2 cannot make accurate predictions in MSA-poor scenarios such as "orphan sequences", highly mutant sequences and artificial proteins, and the lack of protein assessment tools. These tools break through the limitations of AlphaFold 2 itself. To help users quickly get started, MindSPONGE now supports the pipeline running mode and provides a unified interface for the preceding models, allowing training and inference tasks to be executed with only one line of code. MindSPONGE has supported most models. For details, see https://gitee.com/mindspore/mindscience/tree/master/MindSPONGE/applications. **17\. MindElec 0.2 is released with the AI electromagnetic simulation basic model "Jinling Electromagnetic Brain" and the differentiable electromagnetic solver AD\_FDTD.** The MindElec electromagnetic simulation suite is upgraded to version 0.2 with two new features added, that is, the AI electromagnetic simulation basic model "Jinling Electromagnetic Brain" for large-scale array antennas jointly developed by MindSpore and Southeast University, and the end-to-end differentiable electromagnetic solver AD\_FDTD (Automatic Differentiation Finite-Difference Time-Domain) developed by MindSpore and Noah's Ark Laboratory. Large-scale array antennas are widely used by 5G base stations and autonomous driving. However, the array antennas have large array size and complex unit composition, requiring fast and accurate simulation. The computational complexity of the traditional sub-entire domain (SED) algorithm is O(9M+N), where M denotes the number of parameters per array unit in the SED and N denotes the number of array units, with M remaining almost constant and N growing linearly with the array size. AI replaces the most complex part of it and reduces the computational complexity to O(9M+1). With the fusion of physics and data, Jingling Electromagnetic Brain achieves the accuracy of traditional methods with a 10x increase in efficiency. As the target size increases, the improvement will become more significant. AI electromagnetic simulation model flowchart of Jinling Electromagnetic Brain The AI method significantly improves performance while maintaining accuracy. Distant field of the 30 x 30 array Distant field of the 40 x 40 array AD\_FDTD can rewrite the FDTD forward solving process using MindSpore's neural network operators, and can use MindSpore's automatic differentiation capability for end-to-end optimization of the medium parameters in the electromagnetic inverse problem. AD\_FDTD has been validated in the patch antenna, patch filter, and 2D electromagnetic backscattering scenarios. In the patch antenna and patch filter cases, the S-parameter simulation accuracy is comparable to that of the conventional numerical methods; in the 2D electromagnetic backscattering case, the structural similarity index measure (SSIM) of the dielectric parameters obtained through inversion reaches 96%. Electromagnetic backscattering and the inversion effect For details, see https://gitee.com/mindspore/mindscience/tree/master/MindElec. --- https://www.mindspore.cn/version-updates/en/2842/ --- Version Dynamics MindSpore 2.2, Improving Foundation Model Compilation Efficiency and Supporting More Trending Pre-trained Models # MindSpore 2.2, Improving Foundation Model Compilation Efficiency and Supporting More Trending Pre-trained Models 2023/06/20 # MindSpore 2.2, Improving Foundation Model Compilation Efficiency and Supporting More Trending Pre-trained Models After two months of development, the MindSpore community officially releases MindSpore 2.2 to continuously improve foundation model capabilities. The lazy inline method is provided to improve the compilation efficiency of foundation models. The domain-specific foundation model suite **MindSpore Transformers** supports more than 20 trending pre-trained models and more than 52 typical specifications out of the box. In addition, the generative domain-specific suite **MindSpore One** is released to integrate easy-to-use APIs and cutting-edge algorithm models. The AI4Sci most-frequently-used model suite **MindSpore SciAI** and earth science model suite **MindSpore Earth** are released, providing an efficient and easy-to-use AI4Sci general-purpose computing platform and more application scenarios. Here is a detailed look at the key features of MindSpore 2.2. # 1\. **Lazy Inline: Significantly Improving the Static Graph Compilation Efficiency of Foundation Models** In the pipeline parallelism scenario of neural network models (especially LLMs), a conventional compilation process inlines hierarchical code expression into a flat graph for a compute unit that is repeatedly called. In lazy inline method, inline is not executed or is executed only in the last phase before execution. This significantly reduces the graph scale and improves compilation performance by multiples. We verified the lazy inline compilation efficiency improvement effect through the PanGu 13B network: The number of computational graph compilation nodes is reduced from 130 thousands to 20 thousands, the compilation time is reduced from 3 hours to 20 minutes, and the efficiency is improved by over 900%. There is only one loop body graph. The subgraph is called for multiple times by using the lazy inline method. # 2\. **MindSpore Transformers: Supporting 20+ Trending Pre-trained Models and 52+ Typical Specifications Out of the Box** MindSpore Transformers aims to build a development suite that covers the entire process of training, fine-tuning, evaluation, inference, and deployment within the lifecycle of a foundation model. It covers trending domains such as CV, NLP, and AIGC, provides quick development capabilities, and supports 20+ trending pre-trained models, 52+ typical specifications out of the box, and large-scale cluster training and deployment in AICC. In addition, MindSpore supports the configuration-based development of multi-dimensional storage optimization and multi-dimensional distributed hybrid parallel features. ## 2.1 Supporting Trending Pre-trained Models MindSpore Transformers supports Llama 2, Baichuan 2, GLM2, InternLM, Ziya, SAM, CodeGeeX2, and BLIP-2 pre-trained models. The following table lists the supported models. **Model** **Specification** **Applicable Mode** GLM2 glm2\_6b glm2\_6b\_lora Pre-training, fine-tuning, evaluation, and inference/MSLite inference Llama 2 llama2\_7b llama2\_13b Pre-training, fine-tuning, evaluation, and inference/MSLite inference Baichuan 2 baichuan2\_7b baichuan2\_13b Pre-training, fine-tuning, evaluation, and inference CodeGeeX2 codegeex2\_6b Pre-training, fine-tuning, and inference BLIP-2 blip2\_stage1\_vit\_g blip2\_stage1\_classification itt\_blip2\_stage2\_vit\_g\_baichuan\_7b itt\_blip2\_stage2\_vit\_g\_llama\_7b Pre-training, fine-tuning, evaluation, and inference GLM glm\_6b glm\_6b\_lora Pre-training, fine-tuning, evaluation, and inference/MSLite inference Baichuan baichuan\_7b baichuan\_13b Pre-training, fine-tuning, evaluation, and inference Llama llama\_7b llama\_13b llama\_7b\_lora Pre-training, fine-tuning, evaluation, and inference/MSLite inference BLOOM bloom\_560m bloom\_7.1b bloom\_65b bloom\_176b Pre-training, fine-tuning, evaluation, and inference/MSLite inference InternLM Internlm\_7b Internlm\_7b\_lora Pre-training, fine-tuning, evaluation, and inference Ziya ziya-13b Pre-training, fine-tuning, evaluation, and inference GPT gpt2 gpt2\_lora gpt2\_txtcls gpt2\_xl gpt2\_xl\_lora gpt2\_13b gpt2\_52b Pre-training, fine-tuning, evaluation, and inference PanGu-α pangualpha\_2\_6\_b pangualpha\_13b Pre-training, fine-tuning, evaluation, and inference BERT bert\_base\_uncased txtcls\_bert\_base\_uncased txtcls\_bert\_base\_uncased\_mnli tokcls\_bert\_base\_chinese tokcls\_bert\_base\_chinese\_cluener qa\_bert\_base\_uncased qa\_bert\_base\_chinese\_uncased Pre-training, fine-tuning, evaluation, and inference T5 t5\_small Pre-training, fine-tuning, and inference MAE mae\_vit\_base\_p16 Pre-training and inference VIT vit\_base\_p16 Pre-training, fine-tuning, evaluation, and inference Swin swin\_base\_p4w7 Pre-training, fine-tuning, evaluation, and inference CLIP clip\_vit\_b\_32 clip\_vit\_b\_16 clip\_vit\_l\_14 clip\_vit\_l\_14@336 Fine-tuning, evaluation, and inference SAM sam\_vit\_b sam\_vit\_l sam\_vit\_h Inference ## 2.2 Online Pipeline Inference Experience MindSpore Transformers provides convenient pipeline inference APIs. You can specify tasks and model specifications to complete foundation model inference. `import mindspore as ms from mindformers import pipeline ms.set_context(mode=0) pipeline_task = pipeline(task=text_generation, model=glm2_6b, max_length=193) pipeline_task ("Hello") # [{text_generation_text: [Hello! I am an artificial intelligence assistant ChatGLM2-6B. Its a pleasure to meet you, and welcome any questions you may have. ]}]` The preceding describes single-device single-batch inference. If multi-batch, distributed parallel, or MSLite inference is required, see the official GLM2 inference tutorial. MindSpore Transformers also provides a convenient online LLM chat interface. You can experience the SOTA model chat capability by referring to the official tutorial. Multiple parameters can be adjusted, multiple prompt templates can be defined, and streaming inference can be displayed. ## 2.3 Trainer Task Scheduling MindSpore Transformers provides high-level Trainer scheduling and development APIs to help users easily schedule foundation models that have been integrated into MindFormers or customized models. In addition, MindSpore Transformers supports features such as hyperparameter customization, evaluation during training, resumption training, and fine-tuning with fewer parameters. `from mindspore as ms from mindspore.dataset import GeneratorDataset from mindformers import Trainer, TrainingArguments # Set the running mode to graph mode and the running device to the Ascend AI Processor. ms.set_context(mode=0, device_target="Ascend") def train_data(): """train dataset generator.""" seq_len = 128 input_ids = np.random.randint(low=0, high=15, size=(seq_len,)).astype(np.int32) labels = np.random.randint(low=0, high=15, size=(seq_len,)).astype(np.int32) train_data = (input_ids, labels) for _ in range(32): yield train_data def eval_data(): """eval dataset generator.""" seq_len = 127 input_ids = np.random.randint(low=0, high=15, size=(seq_len,)).astype(np.int32) labels = np.random.randint(low=0, high=15, size=(seq_len,)).astype(np.int32) eval_data = (input_ids, labels) for _ in range(8): yield eval_data def main(run_mode="finetune", task=text_generation, model_type=glm2_6b, pet_method=lora): # Fine-tune the hyperparameter definition. training_args = TrainingArguments(num_train_epochs=1, batch_size=2, learning_rate=0.001, warmup_steps=100, sink_mode=True, sink_size=2) # Prepare data. train_dataset = GeneratorDataset(train_data, column_names=["input_ids", "labels"]) eval_dataset = GeneratorDataset(eval_data, column_names=["input_ids", "labels"]) train_dataset = train_dataset.batch(batch_size=2) eval_dataset = eval_dataset.batch(batch_size=2) # Define a Trainer task. task = Trainer(task=task, model=model_type, pet_method=pet_method, args=training_args, train_dataset=train_dataset, eval_dataset=eval_dataset) # Schedule training, fine-tuning, evaluation, and inference in one click. if run_mode == train: task.train() elif run_mode == finetune: task.fintune() elif run_mode == eval: task.evaluate() elif run_mode == predict: predict_result = task.predict(input_data="Hello") print(predict_result) #[{text_generation_text: [Hello. I am an AI assistant ChatGLM2-6B. The model Im using is GLM2-6B, a large language model with more than 200 billion parameters and supporting multiple tasks. ]}] if __name__ == __main__: # Fine-tune the GLM2-6B foundation model LoRA with fewer parameters. In addition, one-click evaluation and inference are supported. main(run_mode="finetune", task=text_generation, model_type=glm2_6b, pet_method=lora)` The preceding shows the training, fine-tuning, evaluation, and inference processes of a foundation model started by Trainer with a single device. If distributed parallel running is required, see the \[official GLM2 tutorial\](# %E5%BE %AE %E8%B0%83). ## 2.4 AutoClass: Quick Index Instantiation MindSpore Transformers presets Tokenizer, Processor, ModelConfig and ModelClasses of multiple SOTA foundation model specifications. You can use from\_pretrained of the AutoClass API provided by MindSpore Transformers to instantiate APIs and obtain the corresponding vocabulary and weight files, helping you easily customize and develop innovative foundation models. `from mindformers import AutoConfig, AutoModel, AutoTokenizer # Obtain the tokenizer of GLM2-6B. tokenizer = AutoTokenizer.from_pretrained(glm2_6b) # Tokenize words using the GLM2-6B Tokenizer. inputs = tokenizer("Hello")["input_ids"] # Method 1: Obtain the model instance to which the GLM2-6B model weight is loaded and enable the incremental inference function. model1 = AutoModel.from_pretrained(glm2_6b, use_past=True) # Method 2: Obtain the GLM2-6B model configuration and enable the incremental inference function. config = AutoConfig.from_pretrained(glm2_6b, use_past=True) model2 = AutoModel.from_config(config) # Generate the inference result. Multiple generation parameters are supported. outputs = model1.generate(inputs, max_new_tokens=20, do_sample=True, top_k=3) response = tokenizer.decode(outputs) print(response) # [Hello. I am an AI assistant. Welcome any questions you may have. ]` For more functions and documents, visit https://gitee.com/mindspore/mindformers. # 3\. **MindSpore One: Generative Domain-specific Model Suite, Integrating Easy-to-Use APIs and Cutting-Edge Algorithm Models, Facilitating AI Development and Innovation** MindSpore One is a high-quality generative domain-specific algorithm model library based on MindSpore. It provides easy-to-use module APIs and built-in latest image and video generative models such as Wukong-Huahua, SD1.5, SD2.0, SDXL, and VideoComposer, efficiently supporting integrated deployment of training and inference. It features easy-to-use, efficient fine-tuning, and leading performance. (1) Easy to use: APIs are simple. Built-in base modules such as CLIP, OpenCLIP, VAE, and UNet and multiple diffusion models are provided. You can easily build your own data processes and models out of the box. (2) Efficient fine-tuning: Personalized fine-tuning methods are supported, such as LoRA and DreamBooth, to adapt to generative tasks in different domains and help you build personalized generative models. (3) Leading performance: All-scenario inference is supported. MindSpore Lite is used for offline inference, and the average image generation time is 3 seconds. For details, visit https://github.com/mindspore-lab/mindone. # 4\. **MindSpore SciAI 0.1: AI4Sci Most-Frequently-Used Model Suite, Ranking No.1 in Terms of Model Coverage in the World** MindSpore SciAI is an AI4Sci most-frequently-used model suite built based on MindSpore. It has more than 60 built-in most-frequently-used SOTA models, covering physical informed models (such as PINNs, DeepRitz, and PFNN) and neural operators (such as FNO, DeepONet, and PDENet) and ranking top No.1 in terms of model coverage in the world. High-level APIs (such as one-click environment configuration, automatic model loading, and simplified training fine-tuning) are provided for developers and users out of the box. MindSpore SciAI provides developers and users with an efficient and easy-to-use AI4Sci general-purpose computing platform. The following figure shows the MindSpore SciAI architecture. ## 4.1 Physical Informed Models A physical informed model is a type of model that integrates prior knowledge (such as equations/initial boundary conditions) in physics into a neural network. Typical models include PINNs (as shown in figure 2), Deep Ritz, PFNN, and the like. Advantages: No discrete grid is generated. Derivative calculation can be performed based on the automatic differentiation capability of the AI framework to avoid numerical differential discrete errors. This type of model is naturally applicable to inverse problems and data assimilation problems. Compared with data-driven models, this type of model has stronger extrapolation capability and fewer samples. Disadvantages: Lack of network structure design guidance makes it difficult to learn singularity problems. Loss functions contain multiple constraints, making training difficult to converge. Retraining is required when physical constraints change, lacking generalization. Calculation accuracy and convergence lack theoretical assurance. To solve the preceding problems, the academia and MindSpore propose a series of improvement schemes, such as adaptive activation function, time & space decomposition, multi-scale optimization, and adaptive weighting. MindSpore SciAI has built-in SOTA physical informed models which are applicable to domains such as fluid, electromagnetic, sound, heat, and solid. ## 4.2 Neural Operators Physical informed models such as PINNs mainly solve specific equations, while neural operator models can learn the mapping of infinite dimension function space and solve the entire PDE family at a time. Typical examples include FNO (as shown in figure 3), DeepONet, PDENet, and the like. FNO mainly uses the properties of Fourier transform to learn the mapping between functions in Fourier space, and then converts the result back to physical space. DeepONet learns the mapping between functions through the branch net and trunk net. A neural operator model has good performance in fluid, meteorology, and electromagnetic domains. Therefore, MindSpore SciAI also has built-in SOTA neural operator models. For details, visit https://gitee.com/mindspore/mindscience/tree/master/SciAI. # 5\. **MindSpore Earth 0.1: Earth Science Suite, Covering Forecast Scenarios Such As Mid-term Weather Forecast and Short-term Precipitation at Multiple Spatiotemporal Scales** Weather forecast is closely related to peoples work and life, and is one of the most widely concerned application scenarios in the AI4Sci domain. MindSpore released MindSpore Earth, the Earth Science Suite 0.1. This suite integrates the AI weather forecast SOTA model at multiple spatiotemporal scales, provides tools such as data pre-processing and forecast visualization, and integrates ERA5 reanalysis, radar echo, and high-resolution DEM datasets. We are committed to efficiently enabling AI+ meteorology and ocean forecast convergence research. The following figure shows the MindSpore Earth architecture planning. Multiple SOTA models, including GraphCast, ViT-KNO, FourCastNet, and DGMR, are used in scenarios such as short-term precipitation, mid-term weather forecast, and super-resolution. The model coverage is industry-leading, the forecast accuracy is higher than that of the traditional numerical mode, and the forecast speed is more than 1000 times higher than that of the traditional numerical mode. • Mid-term weather forecast: MindSpore Earth provides multiple SOTA AI mid-term forecast models, including FourCastNet and GraphCast, as well as ViT-KNO which is jointly launched by Huawei Advanced Computing and Storage Laboratory and Tsinghua University. Second-level inference can be implemented for factors such as temperature, wind speed, and humidity in the next week. • Short-term precipitation forecast: MindSpore Earth provides the DGMR precipitation model. Based on MindSpore Earth and Ascend, you can perform efficient training and inference on precipitation intensity and spatial distribution. • Data pre-processing: The MindSpore team, AI4Sci Lab, and Tsinghua University jointly launched the DEM super-resolution model applicable to global regions. This model outperforms the widely used super-resolution model in terms of RMSE indicators, definition, and details. For details, visit https://gitee.com/mindspore/mindscience/tree/master/MindEarth. # 6\. **BF16 Data Type** BF16, also called BFloat16 or Brain Float16, is a relatively new floating-point number format. It obtains larger numerical space by reducing a small amount of precision, improves performance, and reduces memory consumption. MindSpore 2.2 supports network training using the BF16 data type. In addition, the BF16 data type can be configured for hybrid precision training to customize the parameter type. Note: Currently, some operators do not support the BF16 type. Operator capabilities will be gradually supplemented in the future. Stay tuned! --- https://www.mindspore.cn/version-updates/en/2_10_en/ --- Version Dynamics MindSpore 2.10 Is Officially Released, Featuring Upgraded Hypernode Affinity Parallelism and Collaborative Graph Kernel Fusion and Achieving In-depth Optimization and Efficiency Improvement # MindSpore 2.10 Is Officially Released, Featuring Upgraded Hypernode Affinity Parallelism and Collaborative Graph Kernel Fusion and Achieving In-depth Optimization and Efficiency Improvement 2026/07/30 After months of development and contributions from the MindSpore open-source community, the MindSpore 2.10 framework is now available. MindSpore HyperParallel, a hypernode affinity parallelism mode, supports Muon + general computing optimization, improving the performance by 6 times. In addition, the collaborative upgrade of activation value recomputing and swap breaks the graphics memory bottleneck and fully unleashes the Ascend computing power. MindSpore AKG, an Ascend affinity graph mode, integrates the MFusion graph kernel fusion component into Inductor, supporting Ascend affinity and providing higher compilation acceleration benefits. In terms of basic framework evolution, the asynchronous initialization capability of the mccl collective communication is added to improve the startup efficiency of large-scale training. The capabilities of MindSpore Lite are continuously enhanced. The list of cloud-side inference models is expanded, and the multimodal inference acceleration plug-in is added to accelerate end-to-end inference. Now, let's delve into the key features of MindSpore 2.10. # \-- MindSpore HyperParallel: Hypernode Affinity Parallelism -- ## 1 Supporting Muon + General Computing Optimization and Improving the Performance by 6 Times As the scale of LLM training continues to expand, fully sharded data parallel (FSDP) has become an important distributed parallel technology for relieving memory pressure and supporting the training of models with hundreds of billions to trillions of parameters. Concurrently, the Muon optimizer has gradually become a mainstream choice thanks to its efficient convergence. However, the Newton-Schulz computation of the Muon optimizer requires orthogonal updates to the complete parameter matrix, while FSDP typically shards parameters, gradients, and optimizer states and stores them on different devices. This results in a natural conflict between the two in terms of computation granularity and data layout. In large-scale clusters, there are problems such as high communication overheads of full matrix, severe repeated computation in the data parallel domain, and high scheduling overheads of small operators on the host. Based on the MindSpore HyperParallel FSDP2 framework, the FSDP-Muon fusion optimization solution is designed and implemented for the Ascend hypernode training platform. This solution provides multiple performance optimization methods for redundant computation and communication of the FSDP+Muon optimizer in large-scale clusters, including AllGather+DP redundancy removal, high-dimensional parameter communication and computation redundancy removal, Newton-Schulz matrix fusion, and hybrid sharded data parallel (HSDP) grouping redundancy removal. After multiple optimizations, the computing time of the MoE Muon optimizer with hundreds of billions of parameters in the Ascend hypernode 512-die cluster test is reduced from 2700 ms to 450 ms, improving the performance by about 6 times. ### 1.1 DP Redundancy Removal/HSDP Redundancy Removal Core conflict: The row-based parameter sharding mechanism of FSDP fundamentally conflicts with the complete matrix required by the Newton-Schulz orthogonalization of the Muon optimizer. Exploration of the Muon optimizer characteristics: As shown in the preceding figure, the Newton-Schulz process obtains all complete matrices through AllGather and performs Newton-Schulz computation. This results in repeated computation across multiple devices. Optimization idea: Reduce redundant computation, and perform only Newton-Schulz computation of some parameters on each device. Optimization 1: Perform HSDP grouping redundancy removal. Each HSDP group contains a complete matrix copy. The computation parameters are allocated within the group, and the computation workload linearly decreases with the number of copies, as shown in (1) in the figure below. Optimization 2: Perform DP grouping redundancy removal. In (2) of the figure below, each HSDP group contains multiple DP groups, and the matrices in the DP groups are the same. Further redundancy removal can be performed, as shown in (2) of the figure below. ### 1.2 Ultimate Graphics Memory Reduction As shown in the preceding figure, the control parameters are updated in batches, so that the intermediate activation memory usage is controllable and the peak memory usage is reduced by 40%. In addition, the general-purpose computing of HSDP redundancy removal is implemented. ### 1.3 Performance Optimization of Newton-Schulz After the Muon optimizer solution for DP/HSDP redundancy removal is implemented, the profiling analysis shows that the computing overhead of Newton-Schulz becomes the main bottleneck of the system. The Newton-Schulz computing is further optimized. (1) Redundancy removal optimization for high-dimensional parameter communication and computation As shown in the figure above, global communication aggregation across devices is not required. Instead, Muon computation can be independently and concurrently executed based on the batch dimension of local shards. This achieves communication-free general-computation redundancy removal, and the absolute time consumed by the expert matrix is reduced from 4.9 ms to 1.1 ms, a decrease of about 77.5%. (2) Matrix fusion optimization As shown in the preceding figure, a unified batch dimension is constructed on the host to reorganize the original scattered small matrices into a continuous high-dimensional tensor B, M, N. This triggers the efficient batch matrix multiplication (BMM) operator at the underlying hardware layer, significantly reducing the execution latency. For example, if there are 74 parameters with the shape of 24, 10240, the total time consumed by executing Newton-Schulz iterations in batches is reduced to 2.4 ms, which is much lower than the theoretical total time consumed by executing each parameter one by one (74 x 1.0 = 74 ms) before the optimization. Reference: https://gitcode.com/mindspore/hyper-parallel/tree/master/hyper\_parallel/core/optimizer ## 2 Collaborative Upgrade of Activation Value Recomputation and Swap, Breaking Memory Bottlenecks and Fully Unleashing Ascend Computing Power As the scale of LLM, sequence length, and number of micro-batches continue to increase, the activation value that needs to be retained for backward propagation during training increases rapidly. The activation graphics memory becomes a key factor that limits the model scale and training throughput. Traditional activation value recomputation reduces graphics memory by trading computation for memory. However, it is fixed to trigger recomputation only in the backward phase, making it difficult to fully utilize idle windows in the pipeline. In complex training scenarios, a single memory optimization method cannot balance graphics memory and execution efficiency. Based on the PyNative mode of MindSpore 2.10, MindSpore HyperParallel 1.0 upgrades the activation memory optimization capability in a unified manner. It incorporates the functions of activation value retention, recomputation, and swap-out into the same declarative policy, and supports independent scheduling of recomputation tasks. Users can flexibly combine policies based on the operator computation volume, activation size, and scheduling idle windows to reduce the device graphics memory and hide the overheads of recomputation and host-device data transfer. ### 2.1 Swap Policy Added for Dynamic Graph Recomputation, Balancing Performance and Graphics Memory In MindSpore HyperParallel 1.0, recomputation can be selectively activated in PyNative mode, and the swap is used as a policy parallel to saving and recomputation. Users can use the unified policy interface to retain the results of operators with high computation costs, perform recomputation on operators with low computation costs, and asynchronously swap out large activations to the host. This allows multiple activation memory policies to be used together in the same recomputation region without relying on the entire graph capture or compilation. This capability does not depend on the unified planning of the entire forward and backward graphs. It can directly adapt to the native execution mode of Python dynamic control flow and dynamic graphs. The policy granularity is more flexible and it is easier to integrate with existing model code. The following figure shows the resource trade-offs of the three policies. Reference: https://gitcode.com/mindspore/hyper-parallel/blob/r1.0.0/docs/guide/activation\_checkpoint.md ### 2.2 Function- and Module-Level Suppression of Recomputation, Simplifying Configuration and Reducing Host Overhead The operator-level policy is suitable for fine-grained control of activation, saving, recomputation, and swapping out. However, when users want to exclude the entire function or module from recomputation, it is inconvenient to identify and configure internal operators one by one. In MindSpore HyperParallel 1.0, checkpoint\_exclude\_wrapper is provided. Users can directly wrap the functions or modules that do not require recomputation from the perspective of code organization, without the need to be aware of the operators contained in the functions or modules. This capability suppresses recomputation at the function or module boundary, and does not depend on the operator-level dispatch mechanism. During runtime, operators in the region do not need to be verified one by one, reducing the host check overhead caused by the accumulation of operators. The following figure shows the differences between the two configuration modes. ### 2.3 Asynchronous Swap of Recomputation Inputs Further Reducing Graphics Memory Usage Even if intermediate activations are released through recomputation, the inputs of the recomputation region must be retained until the backward phase. In MindSpore HyperParallel 1.0, the inputs of recomputation can be asynchronously swapped out to the host and prefetched back to the device before being used in the backward phase. Data transfer is performed using an independent copy stream, which can overlap with subsequent computation, further reducing the time that large inputs stay on the device. For models with long sequences, large hidden size, or large inputs at the recomputation boundary, this capability can further reduce the active graphics memory while retaining the benefits of recomputation. The following figure shows the execution sequence of asynchronous swap-out and prefetching of recomputation inputs. ### 2.4 Recomputation Supports Independent Scheduling and Early Triggering, Releasing Overlapping Space for PP General-Purpose Computing In addition to further reducing the graphics memory, MindSpore HyperParallel 1.0 also supports independent scheduling of the recomputation timing. In traditional recomputation, the backward propagation is triggered on demand, and the recomputation latency directly enters the key backward path. In MindSpore 2.10, the dynamic graph supports independent scheduling of the recomputation. The recomputation tasks can be collected in the forward phase, and the recomputation can be triggered in advance in a proper scheduling window. The recomputation result is then reused in the subsequent backward phase. This capability is especially applicable to the PP overlap\_b\_f scenario. The scheduler can complete the recomputation of the corresponding micro batch before the paired forward computation is started, avoiding resource contention between the recomputation and forward computation. This also creates more overlapping space for forward, backward, and parallel communication between experts. The following figure shows the differences between the traditional triggering mode and the independent scheduling mode. With the dynamic graph capability of MindSpore 2.10, MindSpore HyperParallel 1.0 upgrades the activation graphics memory optimization from a single functionality to a complete, combinable, and schedulable capability through operator-level policy, function- and module-level recomputation suppression, asynchronous input and swap-out, and independent recomputation scheduling. This helps users flexibly balance the memory, computing power, and host bandwidth under different model structures and parallel policies. Reference: https://gitcode.com/mindspore/hyper-parallel # \-- Ascend Affinity Graph Mode: MindSpore AKG -- ## 3 MFusion, a Component-based Graph Kernel Fusion Component, Integrating into Inductor to Support Ascend Affinity and Achieve Higher Compilation Acceleration Benefits As AI models evolve in different frontend frameworks such as MindSpore and PyTorch, if the graph fusion capability is deeply coupled with the internal representation of a single framework, repeated rule construction may occur, and it is difficult to reuse the verified hardware optimization experience. To address this issue, MFusion will accumulate reusable fusion methods and Ascend optimization experience in MindSpore, and consolidate them into an independent MLIR component. This forms a complete capability system that includes component-based access, manual fusion passes with Ascend affinity, and backend-aware automatic fusion, further expanding the cross-framework reuse boundary of MindSpore's fusion capabilities. ### 3.1 MLIR-based Component-based Architecture As shown in the following figure, in the PyTorch scenario, MFusion is not a separate torch.compile backend, but is embedded in the post-grad graph optimization phase of the Inductor. The FX graph is sent to MFusion through Torch-MLIR. After fusion and sharding are completed, the graph is returned to the original pipeline in the form of custom operators. The original NPU backend is used for the non-fused regions, and the fused subgraphs are delivered to the target backend to generate Ascend kernels. In this way, the original capabilities of Dynamo, AOTAutograd, and Inductor can be retained, and the fusion rules and code generation backend can be continuously evolved as independent components. ### 3.2 Manual Fusion Pass with Ascend Affinity MFusion first locks high-value structures through interpretable and controllable manual passes. By default, the pipeline serializes the fusion patterns on the Torch and MFuse sides, and supports custom DVM region labeling. For Transformer hotspots, the current implementation covers RMSNorm, Add+RMSNorm, LayerNorm, RoPE, GELU, SwiGLU, and Mean+Var. For MatMul/BMM, it provides casting and bias absorption, transpose absorption, 2D BMM degradation, K=1 rewritten as Mul, and MatMul-Reshape-Bias rearrangement. Each pass checks the dtype, shape, and value semantics synchronously. For example, RoPE will proactively retain the original image when there is a risk of value drift in BF16, avoiding the loss of precision due to fusion. ### 3.3 Automatic Fusion Based on Backend Awareness After the high-value structures are preferentially locked using the manual pass, MFusion further performs automatic fusion based on backend awareness to cover long-tail operator combinations. The system first filters candidate nodes based on the operator support scope, dtype, shape, and backend limitations. Then, it forms valid regions through dependency graph search, union-find set merging, and loop detection. When there is no unified SSA insertion position for the entire subgraph, dynamic programming is used to remedy the sharding. In addition, the system completes restructuring and outline based on the computation modes such as Elementwise, Broadcast, Reduce, Reshape, and MatMul, and the Ascend heuristic rules. In this way, two optimization paths are formed: deterministic rules are preferred, and automatic fusion is used as a supplement. As shown in the preceding figure, the actual running results show that in the test environment of NVIDIA A100 Tensor Core GPU and Ascend Atlas A2 training products, 34 TorchBench networks that pass the precision verification on both sides are computed using the formula "E2E acceleration ratio of Ascend Atlas A2 training products/E2E acceleration ratio of NVIDIA A100 Tensor Core GPU." The geometric mean of the obtained ratios is 1.20 times, and the ratios of 23 networks are greater than 1. Among the six typical networks, namely, NLP Transformer, Vision Transformer, speech, multimodal, classic CNN, and generative networks, the geometric mean of the acceleration ratio of BERT\_pytorch, timm\_vision\_transformer, speech\_transformer, torch\_multimodal\_clip, resnet18, and dcgan is 1.84 times, with the acceleration ratio of 4.46 times, 2.10 times, 1.92 times, 1.39 times, 1.33 times, and 1.15 times, respectively. The results show that in the test of multiple types of networks, MFusion can obtain high compilation acceleration gains in the Ascend Atlas A2 training series products. Reference link: https://gitcode.com/mindspore/akg/tree/master/mfusion # \-- Continuous Evolution of the Basic Framework -- ## 4 Adding the Asynchronous Initialization Capability of the mccl Collective Communication to Improve the Startup Efficiency of Large-Scale Training As the scale of the training cluster for LLMs continues to expand, the initialization of CPU collective communication involves address synchronization and topology connection establishment across multiple nodes. In a cluster with thousands of devices, this process can take several minutes. In synchronous blocking mode, the device side can only wait idly, resulting in severe waste of computing power. In MindSpore 2.10, the asynchronous initialization capability of the mccl is added. As shown in the following figure, the mccl communication connection establishment is executed in the background thread. The main process can continue device initialization without waiting, implementing parallel processing of mccl communication connection establishment and device initialization. This improvement effectively reduces the time required for initializing and establishing connections in large-scale cluster scenarios, and improves the parallel utilization of the host and device sides. When the collective communication operation is performed, the framework automatically waits for the background thread to complete the initialization, and provides a built-in timeout protection mechanism to ensure security and reliability. Reference: https://gitcode.com/mindspore/mindspore/tree/master/mindspore/ccsrc/plugin/cpu/res\_manager/collective # \-- Enhanced MindSpore Lite Capabilities -- ## 5 Expanding the Cloud-Side Inference Model Support List to Cover 100 SOTA Models in 6 Categories The model ecosystem is the key to implementing the inference framework in services. The cloud-side inference model support list of MindSpore Lite 2.10 is continuously expanded to cover 100 SOTA models in 6 categories. Among them, 47 models have provided complete conversion configurations and inference examples. A batch of SOTA models, including Kandinsky-5.0, Qwen3-VL Thinking/Instruct, Qwen3.5, Wan2.2, InternVL3\_5 Flash, and Qwen3-TTS/Qwen3-ASR, are added. Reference link: https://gitcode.com/mindspore/mindspore-lite#%E4%BA%91%E4%BE%A7%E6%8E%A8%E7%90%86%E6%A8%A1%E5%9E%8B%E6%94%AF%E6%8C%81%E5%88%97%E8%A1%A8 It is worth mentioning that the cloud-side inference model support list of MindSpore Lite 2.10 works in collaboration with the multimodal inference acceleration plug-in. Currently, the plug-in supports multi-device parallel inference acceleration for the Wan2.1 T2V/I2V series. In the future, more open-source models will be supported based on the model registration mechanism. When using models in the cloud-side inference model support list, users can use this plug-in to obtain additional multi-device parallel and sparse attention acceleration capabilities. With the continuously expanded model support list and multimodal inference acceleration plug-in, MindSpore Lite 2.10 provides an E2E solution for Ascend cloud-side inference, featuring wide coverage and strong acceleration. This solution helps efficiently complete the entire process from model selection, conversion, deployment, to acceleration under a unified framework. ## 6 Enhanced Multimodal Inference Acceleration, Achieving E2E Inference Acceleration As LLM inference is widely deployed in production environments, service providers often face challenges in obtaining optimal inference performance on the Ascend NPU. Key acceleration capabilities, such as fused operators, sparse attention, and multi-device sequence parallelism, are scattered in different implementations, lacking the unified and easy-to-use entry. To address this pain point, MindSpore Lite 2.10 is designed for the Ascend hardware. It deeply calls the Ascend CANN aclnn interface through the C++ custom operator, and combines the optimized attention and RoPE implementation at the Python layer with hccl multi-device communication to achieve E2E inference acceleration. ### 6.1 RainFusionAttention: Block-Level Sparse Attention Integrated with Native Ascend In scenarios such as video generation and long-sequence language models, the standard attention computation volume increases quadratically with the sequence length. The built-in sparse attention operator directly encapsulates the native aclnnRainFusionAttention interface of Ascend CANN, and performs block-level sparsification on attention computation while retaining the precision. The complete process consists of five phases: token rearrangement, block-level pooling, top-k sparse mask generation, aclnnRainFusionAttention calling, and inverse rearrangement. With the collaboration of token rearrangement and sparse mask, the computation speed can be faster than that of dense attention even when sparsity is 0. To balance customization and out-of-the-box usability, two layers of APIs are provided. rain\_fusion\_attention is the bottom-layer operator, and sparse\_attention is the upper-layer encapsulation, providing the complete pre-processing and post-processing logic. Reference: https://gitcode.com/mindspore/mindspore-lite/blob/master/mindspore-lite/lite\_boost/docs/ops/RainFusionAttention.md ### 6.2 NPU Compatibility with FlashAttention and Optimized RoPE NPU compatibility has been implemented for common attention mechanisms. FlashAttention automatically selects the backend in the following order based on priority: FA3 → FA2 → NPU native npu\_prompt\_flash\_attention backend, and automatically matches the optimal path. RoPE is implemented using float32 real computation and cos/sin table cache. In the video generation model, the time required for RoPE is reduced by about 88%. ### 6.3 Multi-device Parallelism: USP + VAE Data Parallelism Time Slicing Multi-device parallelism provides two types of parallelism policies that do not split model parameters. Ulysses Sequence Parallelism (USP) is a sequence parallelism oriented to the self-attention layer of the Transformer. Each device holds the complete model weights and communicates with each other only through all\_to\_all. The constraint is that the value of num\_heads must be exactly divided by that of world\_size. USP is suitable for long sequences and large batch scenarios. The VAE data parallelism time sharding is designed to address the cross-frame state dependency of the causal convolution in video VAE. It divides the video into overlapping frame chunks along the time dimension and distributes the chunks to each device for independent processing. Then, the chunks are collected and stitched together through all\_gather. The overlapping frames cover the VAE time receptive field to ensure stitching consistency. The plug-in uses the model registration mechanism to support fast extension. You can implement the boost\_xxx(model) function and register the class name in SUPPORTED\_MODELS. Currently, the Wan2.1 T2V/I2V series are supported. You can use the ParallelManager(model) code to switch to the USP multi-device parallelism mode. Reference: https://www.mindspore.cn/lite/api/en/master/lite\_boost/lite\_boost.parallel.ParallelManager.html#lite\_boost.parallel.ParallelManager MindSpore Lite provides a unified acceleration solution for cloud-side inference based on PyTorch interfaces, featuring native operators, automatic parallelism, and simplified access. With the LiteBoost multimodal inference acceleration plug-in, you can obtain E2E performance benefits of fused operators, sparse attention, and multi-device parallelism on the Ascend NPU without rewriting model scripts. --- https://www.mindspore.cn/version-updates/en/2_8_en/ --- Version Dynamics MindSpore 2.8 Is Officially Released, Featuring the HyperParallel Architecture Designed for Supernodes, Making Training and Inference More Flexible and Efficient # MindSpore 2.8 Is Officially Released, Featuring the HyperParallel Architecture Designed for Supernodes, Making Training and Inference More Flexible and Efficient 2026/01/28 # MindSpore 2.8 Is Officially Released, Featuring the HyperParallel Architecture Designed for Supernodes, Making Training and Inference More Flexible and Efficient After months of development and contributions from the MindSpore open-source community, the MindSpore 2.8 framework is now available. Facing the three urgent challenges of continuous model scale growth, increasingly irregular structure, and increasingly obvious heterogeneity, MindSpore launches the HyperParallel architecture through collaborative design with supernodes. This architecture treats supernodes as supercomputers for programming and scheduling. It is supported by three key technologies: HyperShard, a simplified declarative parallel programming framework; HyperOffload with the multilevel intelligent offloading capability; and HyperMPMD with irregular heterogeneous parallelism. In terms of basic framework evolution, the Dispatch function is provided, the saved\_tensors\_hook mechanism and operator-level registration mechanism are introduced to enhance dynamic graph capabilities, and multiple framework customization capabilities are opened to provide a more flexible and efficient framework extension mechanism. In terms of improving the inference capability of LLMs, MindSpore collaborates with the SGLang community to support and adapt to core features such as Radix Cache, upgrade and adapt to the latest version of vLLM v0.11.0, and integrate the graph offloading feature of Ascend ACLGraph. In terms of scientific computing suites, the protein structure prediction model Protenix is supported, and high-performance training and inference are implemented. Now, let's delve into the key features of MindSpore 2.8. # \-- Enhanced LLM Training Capability -- ## 1 HyperShard Declarative Parallelism, Creating a Triton Paradigm for Distributed Parallelism To cope with the continuous expansion and increasingly complex structure of AI models, MindSpore 2.8 launches the HyperShard declarative parallel programming paradigm. As shown in the following figure, HyperShard aims to completely simplify distributed training and decouple parallel policies from model computing logic, so that users can free themselves from the burden of intrusive code modification to adapt to distributed systems and focus on model innovation. HyperShard integrates supernode-aware scheduling and global resource collaboration, significantly reducing programming complexity while achieving parallel efficiency close to the theoretical limit. It is dedicated to creating a Triton paradigm that makes efficient parallelism as natural as writing serial code. In particular, it supports flexible assembly of multimodal LLM codec architectures, providing a truly user-centric parallel experience while ensuring optimal performance. Built on the foundation of MindSpore's dynamic and static capabilities, HyperShard provides a highly decoupled and model-centric declarative parallel library. As shown in the following figure, the system offers three programming paradigms: manual, DTensor, and Shard, allowing users to flexibly choose between fine-grained control and global policy declaration. The basic parallel module, as a pluggable component, separates the single-device algorithm logic, parallel strategy description, graph compilation, and runtime scheduling. This enables non-intrusive parallel extension. Users only need to write PyNative dynamic graph code from the perspective of a single device, and the system will automatically derive distributed strategies, split subgraphs, map resources, and schedule hybrid parallelism. In this way, users can enjoy the experience of writing code for single-device training and running it in distributed mode. Users only need to specify what to do, and the system will automatically execute the task, achieving extremely easy-to-use and out-of-the-box optimal performance. Most of the dynamic graph capabilities mentioned above have been built in the HyperParallel sub-repository. Currently, a preview version is available, and the more stable capabilities will be provided in the future. Reference: https://atomgit.com/mindspore/hyper-parallel # \-- Continuous Evolution of the Basic Framework -- ## 2 HyperOffload Enabling Automatic Hierarchical Data Management Across the Entire Graph, Significantly Improving Graphics Memory Utilization and Training Throughput In the training and inference of ultra-large models, the storage capacity and data transmission bandwidth of hardware accelerators have become key bottlenecks that restrict system performance. To address this challenge, MindSpore 2.8 introduces and implements a hierarchical storage management solution called HyperOffload, which is based on full-graph orchestration. This solution aims to improve resource utilization and execution efficiency in heterogeneous computing environments through system-level architecture optimization. The core innovation of HyperOffload lies in the operator-based abstraction of data transmission and pipeline parallelism. It breaks the traditional boundary between computing and communication, and abstracts data movement operations across different storage levels into operators at the graph level, integrating them into a unified computational graph orchestration system. With the Just-In-Time (JIT) compilation engine of MindSpore, the system can perform in-depth analysis and optimization on static computational graphs, and automatically build parallel pipelines for computing and communication. By prefetching subsequent data during the execution of computational tasks, this mechanism effectively masks the high-latency I/O overhead and significantly reduces the idle waiting time of computational units. To meet the requirements of different development modes, HyperOffload provides the following flexible access modes: - Static graph mode: achieves a high degree of automation. For most application scenarios, users do not need to modify the original training scripts. The framework can automatically reconstruct the computational graph and optimize memory through full-graph compilation. Benchmark tests show that after this feature is enabled, the model training throughput is improved by more than 10% on average. - Dynamic graph mode: Considering the complexity and flexibility of dynamic execution, HyperOffload opens up the underlying storage management APIs. Users can manually call the APIs to precisely control the timing of offloading and loading model parameters and intermediate data based on the model logic. This fine-grained control capability can be used to optimize the graphics memory usage during dynamic graph debugging or specific algorithm implementation, implementing customized memory management policies. Note: HyperOffload is currently in the experimental phase. Although preliminary verification has shown that this architecture has significant advantages in improving graphics memory efficiency and computing throughput, further verification is required for adapting to specific complex network structures. In the future, we will continue to optimize the memory scheduling algorithm and full-graph compilation policy, and strive to provide stable and efficient heterogeneous storage solutions in a wider range of production environments. Reference: https://www.mindspore.cn/docs/en/master/api\_python/mindspore/mindspore.jit.html ## 3 Enhanced Dynamic Graph Capabilities, Supporting More Flexible Execution and Extension Mechanisms MindSpore continuously iterates in the dynamic graph (PyNative) mode. In MindSpore 2.8, three important enhanced features are introduced to address the core pain points of usability, computing power utilization, and large-scale parallel scenarios. These capabilities work together to provide users with a more efficient, flexible, and scalable deep learning development experience. ### 3.1Dynamic Graph Dispatch Function The brand-new tensor dispatch capability supplements the core capability of dynamic graphs in supporting heterogeneous devices. Currently, this feature is used as a demo and can be enabled through environment variables. After this function is enabled, you do not need to perform additional coding for operator selection or device matching. You only need to place the tensor on the target device, and the framework can automatically dispatch and call the operator based on the storage location of the tensor. With this mechanism, MindSpore significantly improves the usability and consistency in multi-device collaboration scenarios. Reference: https://www.mindspore.cn/docs/en/master/api\_python/env\_var\_list.html?highlight=dispatch ### 3.2saved\_tensors\_hook for Dynamic Graphs The saved\_tensors\_hook mechanism is introduced to incorporate the activation value lifecycle into the orchestration scope. With the help of the pack/unpack hook, the activation offload capability can be implemented without intruding into the core model logic. This not only provides more proactive and memory-efficient policies for LLM training, but also opens up space for more innovative memory optimization methods in the future, making training in dynamic graph mode more flexible, robust, and efficient. Reference: https://www.mindspore.cn/docs/en/master/api\_python/mindspore/mindspore.saved\_tensors\_hooks.html?highlight=saved\_tensors\_hooks ### 3.3Dynamic Graph Operator-Level Registration Mechanism The operator-level registration mechanism is provided to enhance the scalability of dynamic graphs to a new level. By inheriting tensors and implementing the **fallback** function in the subclass, various components can inject custom behavior into the operator execution link. This capability is particularly critical for declarative programming. Users can automatically insert parallel layouts or custom policies into operators without modifying the model code, accelerating the construction of complex distributed training systems. With the release of these three capabilities, MindSpore's dynamic graphs have taken a significant step forward in terms of usability and compatibility, providing users with more efficient and deterministic workflows from operator debugging to LLM training. ## 4 Opening Multiple Framework Customization Capabilities to Flexibly and Efficiently Implement Custom Logic As the AI model and hardware ecosystem become increasingly complex, users often face two major challenges when pursuing optimal performance and innovation. First, the fixed operator libraries of mainstream deep learning frameworks cannot cover all cutting-edge algorithms or operators required by specific fields (such as scientific computing). Second, the default optimization policies and runtime of the frameworks cannot fully unleash the full potential of dedicated hardware (such as new AI accelerator cards). This gap between framework universality and service/hardware specificity limits the depth and efficiency of technology implementation. MindSpore 2.8 significantly enhances the openness of framework customization capabilities, providing users with a more flexible and efficient framework extension mechanism in terms of custom operators, custom passes, and custom backends. ### 4.1Custom Operators Custom operators provide simplified C++ development APIs and built-in multi-level pipelines. Once compiled, the user kernel can be seamlessly embedded into the MindSpore execution graph, automatically enjoying framework-level optimization such as memory overcommitment and asynchronous scheduling. With the CustomOpBuilder tool, the compilation and loading are completed in one step, and the operators are directly called like ordinary operators. In addition, the runners AclnnOpRunner, AtbOpRunner, and AsdSipFFTOpRunner are tailored for the ACLNN, ATB, and ASDSIP acceleration libraries, respectively. They can be integrated with high-performance operators at no cost. You can also inherit PyboostRunner to quickly encapsulate private kernels, enabling innovative operators to be quickly launched and performance to be immediately released in both scientific research and production lines. Reference: https://www.mindspore.cn/tutorials/en/master/custom\_program/operation/op\_customopbuilder.html ### 4.2Custom Pass MindSpore opens the APIs for writing and registering framework passes. You can write and register custom passes to insert custom graph optimization logic and transform computational graphs during compilation. - The PatternToPattern Pass parent class and necessary tool methods are opened. You can inherit the PatternToPattern Pass to implement the pass logic such as the source pattern, target pattern, and additional matching conditions, achieving the target of computational graph transformation optimization. - The custom pass registration API register\_custom\_pass is provided. You can register custom passes in different backends and phases as required. Reference: https://www.mindspore.cn/tutorials/en/master/custom\_program/custom\_pass.html ### 4.3Custom Backend MindSpore opens up the APIs for backend compilation and execution extension, allowing users to adapt to third-party backends. - It provides an abstraction layer for core modules such as backend compilation and execution and backend management, allowing users to customize compilation and execution behaviors. - Users can freely switch between different backends for compilation and execution. Reference: https://www.mindspore.cn/tutorials/en/master/custom\_program/custom\_backend.html MindSpore significantly enhances the openness and scalability of the framework by enhancing three customization capabilities. Users can flexibly customize the computing logic, optimization policies, and runtime support for specific algorithms, hardware, or scenarios. This enables users to fully leverage the potential of software-hardware collaboration while maintaining the framework's consistency, thus accelerating AI application innovation and implementation. # \-- Enhanced LLM Inference Capability -- ## 5 Supporting SGLang and Adapting to the Latest Version vLLM v0.11.0 After Upgrade As an inference service framework designed for production-level deployment, SGLang features low latency, high throughput, and quick adaptation to SOTA models such as DeepSeek-V3.2 Exp and Qwen3-Next, making it another mainstream LLM inference engine following vLLM. In November 2025, after multiple rounds of solution discussions and technical verification, the SGLang community has integrated the MindSpore inference backend code, supporting accelerated inference of LLMs based on Ascend and MindSpore. As shown in the preceding figure, SGLang uses the backend component-based access solution to support the inference of MindSpore LLMs. This solution reuses the service modules of SGLang, including the frontend language, router, and data parallel controller. Only in the model execution module, the MindSpore inference model is encapsulated into the MindSporeForCausalLM class to replace the SGLang model class. As shown in the preceding figure, this project adapts to the DLPack function library to implement efficient reuse of data structures such as PyTorch tensors and HCCL communication groups between MindSpore and PyTorch across AI frameworks. As such, MindSpore inference models can be seamlessly embedded into the functional processes that involve PyTorch API calls. With only simple API adaptation, features such as Radix Cache, data and tensor parallelism, PD separation, and speculative inference of SGLang can be supported. Currently, SGLang 0.5.6 has been equipped with the MindSpore inference backend, supporting DeepSeek-V3/R1 and Qwen3 models, and core service features such as Radix Cache, hybrid parallelism, and PD separation. To improve project maintainability, MindSpore inference model scripts are developed in an independent repository. Currently, the scripts are temporarily hosted in the MindSpore-Lab organization (https://github.com/mindspore-lab/sgl-mindspore). After verification, the scripts will be moved to the SGLang community organization (https://github.com/sgl-project). MindSpore inference has been upgraded to adapt to vLLM v0.11.0, following the upstream community's architecture evolution. The outdated V0 architecture code has been removed, and the Ascend ACLGraph function has been integrated. As shown in the preceding figure, ACLGraph can capture multiple operators to be executed into a graph and deliver them at a time, effectively eliminating the problem of low NPU resource utilization caused by host bound. According to the test result, when the DeepSeek-V3/R1 W4A8 quantization inference service is deployed using vLLM and MindSpore, and the ACLGraph function is enabled, the throughput of the entire network is improved by about 5%, and the average operator delivery latency is reduced from 30 ms to 10 ms. In addition, this upgrade supports SOTA models such as GLM-4.1V-Thinking, Qwen3-VL, and MiniCPM4. # \-- Scientific Computing Suite Enhancement -- ## 6 Protenix: A Protein Structure Prediction Model for High-Performance Training and Inference Protenix is a high-performance open-source reproduction model of AlphaFold3. It uses an advanced diffusion generation architecture, complete open-source code, and weights to provide global biomedicine researchers with an efficient tool that can be directly trained and fine-tuned and has performance comparable to that of top closed-source models. MindSpore 2.8 supports Protenix and implements high-performance training and inference on the Ascend hardware platform. In terms of model training, the compute modules such as Triangle Attention, Triangle Multiplication, and smooth\_lddt\_loss, which involve a large number of activation values, are recalculated. Before the optimization, only sequences with a length of 64 can be trained with 64 GB of graphics memory, and the peak dynamic graphics memory usage is about 20,152 MB. After the optimization, the maximum sequence length can be increased to 768, and the peak graphics memory usage can be reduced to 7,025 MB. This optimization is one of the key technologies that enable Protenix to support long-sequence training on the Ascend hardware platform. In terms of model inference, the performance bottleneck caused by the Unfold operator is eliminated by operator reconstruction. In addition, the EvoformerAttention operator is developed and the logic of the Einsum operator is optimized. When the two operators are used together, the single-device inference performance can be improved by more than 100%. For long-sequence inference, MindSpore addresses the memory bottlenecks in modules such as msa\_attention, triangle\_multiplication, and transition\_block. It uses the block-based computation mode and avoids the dimensions involved in non-linear operations such as LayerNorm and Softmax. This successfully increases the maximum token length of single-device inference on Ascend hardware to more than 3,000, without changing the inference accuracy. Finally, the JIT compilation of the Transformer core module is optimized, and the module is compiled into static graphs in advance. During execution, the static graphs are delivered in the form of large operators at a time, greatly reducing the operator scheduling cost. As a result, the end-to-end acceleration ratio is 57%. According to the preceding optimization strategy, the Protenix model can achieve a maximum training length of 768 on a 64-GB single-device Ascend hardware, and the maximum inference length on a single device exceeds 3000. As shown in the figure above, the inference result of the Protenix model based on Ascend hardware is consistent with the spatial structure of the actual protein data bank (PDB). --- https://www.mindspore.cn/version-updates/en/2_9_en/ --- Version Dynamics MindSpore 2.9 Is Officially Released, Featuring the Innovative Graph-Free Fusion Technology, Upgrading Core Binding Capability, and Improving Training Stability and Efficiency # MindSpore 2.9 Is Officially Released, Featuring the Innovative Graph-Free Fusion Technology, Upgrading Core Binding Capability, and Improving Training Stability and Efficiency 2026/05/11 # MindSpore 2.9 Is Officially Released, Featuring the Innovative Graph-Free Fusion Technology, Upgrading Core Binding Capability, and Improving Training Stability and Efficiency After months of development and contributions from the MindSpore open-source community, the MindSpore 2.9 framework is now available. In terms of the basic framework evolution, the innovative graph-free fusion technology supports native automatic operator fusion and optimization of dynamic graphs, achieving network model performance benefits. It enables Triton Ascend operators, lowering the threshold for developing custom operators. In addition, the operator dispatch interception mechanism is added to support custom control of operator execution. Furthermore, core binding at the process level, thread level, and NUMA level is supported, improving the stability of large-scale training and the execution efficiency on the host. In terms of scientific computing suites, the MindSpore Science intelligent system is released, covering the entire end-to-end scientific research process and greatly shortening the scientific research period. Now, let's delve into the key features of MindSpore 2.9. ## \-- Continuous Evolution of the Basic Framework -- ### 1 Innovative Graph-Free Fusion Technology Enabling Native Automatic Operator Fusion Optimization for Dynamic Graphs In mainstream AI frameworks, automatic operator fusion has always been a crucial performance optimization method. However, the current mainstream automatic operator fusion solutions rely on static computational graphs for fusion. This approach not only limits the scope of automatic operator fusion, but also imposes unnecessary limitations on achieving high-performance model code. To address this issue, MindSpore has introduced a unique real-time graph-free fusion technology, which is officially implemented in version 2.9. This technology enables automatic real-time operator fusion optimization for users' native Python dynamic graph models, without requiring any modification or adaptation to the user models. You can enable this feature by setting the following environment variable: `export MS_DEV_PYNATIVE_FUSION_FLAGS="--opt_level=1 -- enable_ops=Dense,MatMul,BatchMatMul,BatchMatMulExt,MatMulExt"` The graph-free fusion technology is built based on the DVM real-time operator compilation and execution framework that has been incubated in the MindSpore community for more than two years. The main technical principle is to automatically identify operators that can be fused during the dynamic graph operator delivery and add them to the cache pool for fusion. When operators that cannot be fused or value dependencies are encountered, the operators in the cache pool are fused and delivered for execution in real time based on the DVM. The graph-free fusion technology can improve the performance of network models by about 5% to 15% on average. To help users better use all DVM fusion capabilities, including this feature, and to promote the prosperity of the community ecosystem, the DVM code has been open-sourced. Open-source address: https://gitcode.com/mindspore/dvm ### 2 Enabling Triton Ascend Operator to Lower the Barrier for Developing Custom Operators As the scale of AI models continues to expand and architecture innovation accelerates, the demand for higher execution efficiency and development flexibility of underlying operators is increasing. Traditional custom operator development typically relies on underlying interfaces such as C++ and ACL, which presents challenges such as long development cycles, complex debugging, and high cross-platform migration costs. As a Python-based domain-specific language (DSL), Triton significantly lowers the barrier for developing high-performance GPU/NPU operators through its declarative programming model and automatic optimization mechanism. The triton-ascend project further extends Triton's support for the Ascend NPU architecture and achieves seamless integration with the MindSpore framework. This improvement brings three core benefits: - Simplified access: Users can directly use Python syntax to compile and call the Triton kernel without needing to understand the internal operator registration mechanism (such as custom primitives) in MindSpore. - Seamless integration: Triton operators can be directly integrated into MindSpore's computational graph, supporting auto differentiation and backward propagation, and can participate in model training just like built-in operators. - Ecosystem compatibility: It is highly compatible with the community's Triton operator code assets, resulting in extremely low porting costs. Reference link: https://gitcode.com/Ascend/triton-ascend ### 3 Adding Operator Dispatch Interception Mechanism to Support Custom Control of Operator Execution During actual development, users often have the following requirements: knowing which operators are executed in a code segment, performing some custom processing before and after operator execution, or customizing the execution mode of operators using a Tensor subclass. Previously, these requirements often required modifying the internal code of the framework. However, in MindSpore 2.9, an operator dispatch interception mechanism has been introduced, providing two complementary methods: Tensor subclass dispatching and Guard context manager. These methods allow users to flexibly control operator execution behavior without modifying the framework source code. #### 3.1 Custom Tensor Subclass Scheduling The **ms\_dispatch** protocol is added. You can create a subclass of Tensor and implement the class method to intercept the operator call on the subclass instance. When the framework detects that the input of an operator contains a tensor subclass with **ms\_dispatch**, it transfers the execution flow to the user-defined scheduling method, and the user determines how to handle the operator call. A typical application scenario is DTensor in distributed training. DTensor holds a local tensor. When an operator is applied to DTensor, **ms\_dispatch** intercepts the operator call, extracts the local tensor to complete the actual computation, and then repackages the result as a DTensor and returns it. In this way, the upper-layer service code can use DTensor in the same way as using a common Tensor, and the details of distributed training are encapsulated in the scheduling logic. #### 3.2 MsDispatchGuard Context Manager Another interception method is MsDispatchGuard. Unlike Tensor subclass scheduling for a specific tensor type, the Guard applies to a code scope, that is, all operators executed in its context are intercepted. You can inherit MsDispatchGuard and rewrite the **ms\_dispatch** method to insert custom logic before and after operator execution. The Guard is used to record operator call logs to assist debugging, insert timing code before and after an operator for performance analysis, or replace the execution behavior of an operator within a specific range. The Guard can be used as a context manager or decorator. Guards can be nested. Multiple Guards are managed by stack, and the inner Guard is executed first. When you call func(\*args) in **ms\_dispatch**, the framework automatically transfers the execution stream to the next Guard in the stack. The original operator logic is executed only after all Guards are processed. After you exit the Guard scope, the interception behavior automatically returns to the outer state. This mechanism can work properly in both forward propagation and backpropagation and is compatible with the automatic differentiation system of MindSpore. The intermediate operators in backpropagation are also processed by the Guard chain. Tensor subclass scheduling and Guard scheduling can be used independently or together. When both of them exist, the Guard has a higher priority. If the Guard stack is not empty, the Guard chain path is preferentially used. If the Guard stack is empty, the tensor-level **ms\_dispatch** is checked. If neither of them is used, the operator execution follows the original path, and no extra overhead is generated. ### 4 Process-Level, Thread-Level, and NUMA-Level Core Binding, Improving the Stability of Large-Scale Training and the Execution Efficiency on the Host As the scale of LLMs continues to expand, the host side gradually becomes the bottleneck of the overall system efficiency. In multi-device distributed scenarios, if training processes, key threads, and memory accesses are completely dependent on the system's free scheduling, it is likely to cause CPU contention, thread migration, and cross-NUMA memory access, affecting the stability of supply on the device side. To address this issue, MindSpore has continuously evolved its core binding capabilities. In version 2.9, MindSpore provides a comprehensive capability system, including process-level core binding, thread-level core binding, NUMA memory binding, and unified JSON configuration. This system not only helps key threads obtain a more stable and less interfered CPU operating environment, but also makes the configuration and reuse methods clearer in complex deployment scenarios, further enhancing the stability of large-scale training tasks and the overall system efficiency. #### 4.1 Process-Level Core Binding MindSpore provides the process-level core binding capability based on `msrun`. This capability defines the CPU range as early as possible during the startup of distributed tasks. In this case, different training processes have relatively independent and stable CPU running space, reducing core overlapping, resource contention, and scheduling jitter between processes. Because core binding is performed at the very beginning of task startup, subsequent thread creation and scheduling will be more stable, laying a foundation for large-scale distributed training. #### 4.2 Thread-Level Core Binding In addition to process-level core binding, MindSpore further provides the thread-level CPU affinity capability, which allows `mindspore.runtime.set_cpu_affinity` to bind key working threads in a finer granularity. The key threads include `main`, `runtime`, `pynative`, and `minddata`, which are responsible for compilation and process control, static graph delivery, dynamic graph operator delivery, and data processing, respectively. The core value of this capability is that it no longer treats all threads equally. Instead, it preferentially ensures the CPU stability of key threads, reduces thread migration and interference from common threads, and makes the key path on the host smoother, reducing the idle time on the device caused by waiting for the host to supply resources. #### 4.3 Memory Binding As servers enter the era of multi-socket CPUs and NUMA architecture, binding threads only to some CPU cores is far from enough. In the NUMA architecture, if a thread frequently accesses the memory on a remote NUMA node, additional memory access latency and bandwidth loss will be introduced. Therefore, MindSpore extends the core binding capability to the NUMA level. It focuses not only on the core where the thread runs, but also on whether related memory operations are completed on the local NUMA node. This enables the capability to evolve from CPU affinity optimization to collaborative optimization of CPUs and memory, which can systematically reduce the remote memory access overhead in complex server topologies. This capability is especially suitable for scenarios such as large-scale training, data processing, and HyperOffload. #### 4.4 Improved JSON Usability As the core binding capability extends from the process level to the thread level and then to NUMA memory binding, the configuration dimensions continue to increase. If these capabilities are scattered in different parameters, interfaces, and configurations, it will significantly increase the cost for users to understand and use them. To address this issue, MindSpore provides a unified JSON-based configuration method, integrating the CPU/NUMA affinity into a clearer and more suitable configuration entry for engineering implementation. Users can use JSON to describe the mapping between complex threads and resources, and incorporate the mapping into the deployment process, environment reproduction, and version management system, improving the maintainability and reuse efficiency in complex scenarios. From the actual results, the entire MindSpore core binding solution has been verified at the customer's site. In a trillion-level MoE model, when the number of devices is expanded from 512 to 1024, the linearity reaches 99%. The average performance improves by about 10% in the 512-device scenario and by about 18% in the 1024-device scenario. In another group of configurations from 256 devices to 1024 devices, the linearity exceeds 97%, the overall performance improves by 10% to 15%, and the performance step-time jitter is limited within 200 ms. In real-world production model scenarios, the 4000-scale performance is improved by more than 20%. At another customer's site, the variance of single-step time consumption variance is improved by 38.87% in the 32-device scenario. This indicates that the MindSpore core binding capability not only improves performance, but also significantly improves running stability. Reference link: https://www.mindspore.cn/tutorials/en/master/parallel/msrun\_launcher.html#process-level-cpu/numa-affinity-configuration ## \-- Scientific Computing Suite Enhancement -- ### 5 MindSpore Science Intelligent Agent System Released, Covering the Entire End-to-End Scientific Research Process The scientific research process involves stages such as literature reading, hypothesis generation, code writing, experiment trial and error, and optimization. The process is complex and time-consuming. MindSpore scientific computing builds the MindSpore Science intelligent agent system, which agentizes the entire scientific research process. This eliminates the cost of manual coordination between scientific research stages and significantly shortens the research cycle. The MindSpore Science intelligent agent system consists of two core components: MindSpore Science Skills and MindSpore Science Agent. - MindSpore Science Skills is an open-source intelligent agent skill library designed for the entire general scientific research process, covering common skills in the analysis, simulation, and experimentation phases. - MindSpore Science Agent is an open-source scientific intelligent agent designed for the entire scientific research process. It supports sub-agents for hypothesis generation, experiment design, self-modification, and experiment execution, allowing users to quickly build their own AI research assistants. MindSpore Science Skills 0.1 and MindSpore Science Agent preview are released in the current version. #### 5.1 MindSpore Science Skills 0.1 MindSpore Science Skills 0.1 has more than 300 built-in scientific research skills, covering core scientific fields such as biomedicine, chemical materials, fluid, PDE equations, geoscience, and electromagnetism. - It supports access to industrial-grade HPC software such as VASP and OpenFOAM, with complex configurations, and SOTA tools such as FitDock. It provides built-in processes such as input construction, parameter adjustment, and calculation result analysis, and builds more than 20 software skills that are available to everyone in complex domains, improving the success rate of calling the Agent software. - It covers more than 40 MindSpore and Ascend AI4S top models in fields such as biology, chemistry, fluid, meteorology, and energy, greatly expanding the knowledge boundary of agents. In addition, users can encapsulate their own models into agent skills in minutes, and quickly convert AI4S models into plug-and-play productivity tools. - It streamlines the boundaries between dry and wet experiments, provides skills for operating wet experiment equipment (for example, in electrocatalysis scenarios), and offers reference implementations for the design and execution of wet experiments. This shortens the experiment iteration period and achieves closed-loop scientific research. - It collaborates with top labs such as the lab of the University of Science and Technology of China to accumulate tacit knowledge (including first principle calculation skills for doped materials) in fields such as chemistry and biology, and solidifies complex scientific research tasks into know-how skills, improving the efficiency of agents in solving complex scientific research tasks. - It integrates commonly used literature and data search APIs in the industry, as well as domain-specific Python data analysis and processing tool libraries. The preceding skills have covered the basic requirements in scientific analysis, simulation, and experiment scenarios, lowering the technical threshold for agents to call across disciplines. MindSpore Science Skills can be seamlessly integrated with intelligent agents such as Hermes Agent, OpenClaw, Claude Code, and JiuwenClaw, and can also be directly connected to users' dedicated AI research assistants. Reference link: https://gitcode.com/mindspore-lab/mindscience/tree/master/MindScienceSkills #### 5.2 MindSpore Science Agent Preview The MindSpore Science Agent preview version has six built-in sub-agents and scientific experiment workflows, and provides scientific research cases in the field of chemistry. The main features of MindSpore Science Agent preview are as follows: - It integrates open-source sub-agents in the industry, such as hypothesis generation, experiment design, and experiment execution, and orchestrates the entire scientific experiment workflow based on the multi-agent architecture. - It optimizes the prompts and skills of experiment-related sub-agents, improves the self-correction capability of the experiment execution sub-agent, and reduces the context pollution caused by error messages. MindSpore Science Agent achieves an accuracy of 77.88% in the Frontier Science chemistry test set, surpassing 70.51% on the Biomni platform released by the Stanford University research team. It has also completed case verification in two scientific research paths: wet experiment and computational simulation. The cases include the complete electrocatalytic wet experiment process for high-throughput synthesis and testing of OER catalysts, and high-precision computational simulation tasks represented by the optimization of perovskite doping structures. Reference link: https://gitcode.com/mindspore-lab/mindscience/tree/master/MindScienceAgent The professional skill libraries in the fields such as chemistry and biology, released in this version, are jointly built with the team led by Professor Jiang Jun of University of Science and Technology of China and the team led by Professor Cao Yang of Sichuan University. The skills of MindSpore and Ascend models integrate the original achievements and ecosystem contributions of many cooperation teams. We would like to express our gratitude to all the co-creation teams for their in-depth guidance and cooperation in the professional fields. --- https://www.mindspore.cn/version-updates/en/3078/ --- Version Dynamics MindSpore 2.3.RC1, the Optimal AI Framework for Foundation Models, Released in the Open Source Community # MindSpore 2.3.RC1, the Optimal AI Framework for Foundation Models, Released in the Open Source Community 2024/04/24 # MindSpore 2.3.RC1, the Optimal AI Framework for Foundation Models, Released in the Open Source Community After several months of development and contributions by community developers, MindSpore 2.3.RC1 is now officially released. This version brings significant improvements in high-performance training on ultra-large clusters, leveraging multi-dimensional hybrid parallelism and deterministic checkpointing. It employs an integrated training and inference framework, streamlining the development, training, and inference of foundation models, making the process more efficient, stable, and user-friendly. Additionally, it utilizes various inference optimization techniques to minimize the inference costs of foundation models. The new version also enables kernel by kernel scheduling to further enhance static graph debugging and tuning. MindSpore continues to refine its Transformers foundation model suite and MindSpore One generative domain suite, which provide complete, out-of-the-box solutions for developing and verifying foundation models in a week. The AI + scientific computing (scientific intelligence) paradigm is revolutionized to develop foundation models in the scientific field. Now, let's delve into the key features of MindSpore 2.3.RC1. ## 1 **Foundation Model Training: Fine-Grained Multi-Copy Parallelism, Enhancing Computation and Communication Concurrency to Significantly Boost Foundation Model Performance** In foundation model training, operator-level parallelism techniques are widely employed to reduce graphics memory overheads. However, this often results in a substantial increase in communication in model parallelism, consequently impacting the efficiency of foundation model training. From the perspective of network structure, communication in model parallelism is involved in both forward and backward propagation processes, and can cause both processes to stall because it cannot be overlapped with either. To address the overlapping issue of communication in model parallelism, MindSpore proposes the multi-copy parallelism technology. In an earlier version of MindSpore, a network is split from data. As shown in the following figure, in a single card, the slice operator is used to split the batch dimension to generate multiple branches. The computation and communication of these branches have no dependencies on each other, and have concurrency potential. By suing the execution sequence scheduling algorithm, multiple branches of computation and communication can be controlled to proceed concurrently. As the network scales up, limited by the graphics memory, the above approach of network-wide batch splitting is no longer feasible when the batch size on a single card can only be 1. Therefore, considering the position of communication in model parallelism, MindSpore 2.3.RC1 splits the AttentionProjection layer and FFN layer in the Transformer model to generate multiple branches, and controls fine-grained parallelism of these branches through the execution sequence scheduling algorithm. This split begins at the AttentionProjection layer and ends before the QKV computation of the next layer. The figure above illustrates the basic idea of fine-grained multi-copy splitting and overlapping in a sequential parallelism scenario. Specifically, two copies are generated after the splitting, achieving over 50% communication overlapping in forward propagation. In backward propagation, by combining the overlapping between branch-based gradient computation and TP communication, 90% communication overlapping can be achieved. Currently, fine-grained multi-copy parallelism is only implemented in the LLaMA network of MindSpore Transformers, and requires manual restructuring of the model structure into multiple copies. In later versions, MindSpore will integrate the logic of automatic copy splitting, to achieve finer-grained multi-copy parallelism for easier use. For details, visit https://www.mindspore.cn/tutorials/experts/en/master/parallel/multiple\_copy.html. ## 2 **Full-Stack Upgrade of Foundation Model Inference** As the adoption of foundation models for commercial applications increases, the demand for computing power during inference will become significant, resulting in high costs. Thus, the business viability of such models will depend on inference scale breakthroughs. While reducing the costs of foundation model inference, we must also balance the model accuracy and computation latency, without compromising user experience. MindSpore 2.3.RC1 provides a comprehensive suite of efficient inference solutions for users, spanning from top-layer inference services to model script optimization and the LLM Serving inference engine. ### 2.1 Integrated Training and Inference: Streamlining Deployment and Enhancing Efficiency with Unified Scripts for Foundation Model Training and Inference The model scripts are enabled with incremental inference, FlashAttention/PagedAttention, and other inference acceleration technologies by default. This eliminates the need for a series of tasks such as model export, splitting, and inference script development, ensuring a faster and smoother transition from training to inference and ultimately reducing the deployment cycle to days. ### 2.2 Ultimate Performance: Continuously Enhancing Key Capabilities **Fused operator**: More than 10 cutting-edge inference fused operator APIs have been added, enabling model developers to achieve acceleration quickly through the use of these operators. **Parallel inference**: The parallelism policy APIs for training and inference are identical, offering checkpoint re-splitting APIs from parallel training to parallel inference, while also supporting dynamic-shape model splitting. **Model compression**: The MindSpore Golden Stick has been upgraded to version 2.0, providing compression algorithms for state-of-the-art (SOTA) foundation models in the industry, including quantization, pruning, and other algorithms co-developed by MindSpore and Huawei Noah's Ark Laboratory, achieving over 10-fold compression of foundation models with 100 billion parameters. The preceding technologies can be broadly applied to foundation models utilizing the Transformer architecture. After verification, it can be observed that the first token latency in the eight-card inference of Pangu or LLaMA 2 is at the 100 ms level, with an average token latency of less than 50 ms, maintaining a leading position in the industry. ### 2.3 Service-Oriented High Throughput By using continuous batch scheduling, Prefill/Decoding hybrid deployment, and other means, we strive to eliminate redundant computations, prevent computing power from being idle, and achieve a two-fold or more improvement in the inference throughput of foundation models. For details, visit https://www.mindspore.cn/lite/docs/en/r2.3.0rc1/use/cloud\_infer/runtime\_distributed\_python.html. ## 3 **Static Graph Optimization: Enabling Multi-level O(_n_) Compilation and Kernel by Kernel Scheduling Execution, and Enhancing Static Graph Debugging and Tuning** Graph offloading is widely used due to its superior execution performance. However, as foundation models grow in scale and parameter count, the time it takes for graph offloading during graph compilation can be quite long. For instance, a foundation model with hundreds of billions of parameters can take 30 to 60 minutes to compile, leading to a low efficiency in debugging and tuning. To address the above issue, MindSpore 2.3.RC1 enables multi-level compilation, involving the O0 (native graph composition without optimization), O1 (automatic operator fusion and optimization), and O2 (graph offloading and optimization) compile options. By utilizing the O0 compile option and employing native graph compilation and kernel by kernel (KBK) execution, the compile time can be significantly reduced to less than 15 minutes. Additionally, we have developed the DryRun technology, enabling users to perform memory bottleneck analysis and parallelism policy tuning offline. Combining these two technologies can double the debugging efficiency of foundation models. Under the O0 compile option, we enable SOMAS, LazyInline, and Control Flow Inline to improve the memory overcommitment ratio, and enable multi-flow parallelism and asynchronous pipeline scheduling to enhance execution performance. Under the O1 compile option, MindSpore enables the operator fusion technology to further boost performance in KBK execution mode. For details, visit https://www.mindspore.cn/docs/en/r2.3.0rc1/api\_python/mindspore/mindspore.JitConfig.html. ## 4 **JIT Features Ease-of-Use and High Performance with Unified Dynamic and Static Graphs, Enabling Flexible and Efficient Development** MindSpore supports two running modes: Graph mode (static graphs) and PyNative mode (dynamic graphs). Dynamic graphs are easy to debug, flexible to develop, and easy to use. Static graphs have limited syntax support but good execution performance. JIT balances performance and usability. It analyzes and adjusts Python bytecode, and captures and optimizes graphs in execution flows. Python code supported in graphs is executed in static graph mode, while unsupported code is automatically split into subgraphs and executed in dynamic graph mode, implementing unified static and dynamic graph execution, which is illustrated in the following figure. For details, visit https://www.mindspore.cn/docs/en/r2.3/design/dynamic\_graph\_and\_static\_graph.html. ## 5 **MindSpore Elec: A New MT Intelligent Inversion Model** The MindSpore electromagnetic simulation suite, MindSpore Elec, is upgraded to version 0.3. It is a MindSpore-powered magnetotelluric (MT) intelligent inversion model developed by the team led by Professor Li Maokun from Tsinghua University and Huawei Advanced Computing and Storage Laboratory. The model, built with a variational autoencoder (VAE) that flexibly incorporates priori knowledge of multiphysics, has achieved the SOTA result in the industry. This achievement has been published in the prestigious journal _Geophysics_, a top international journal of exploration and geophysics, and has also been demonstrated at the MindSpore Artificial Intelligence Framework Summit 2024. (1) Basic MT inversion: The horizontal length of the inversion area is 10 km, and the depth is 1 km. In the figure below, the target resistivity distribution (first column), conventional MT inversion (second column), and MT intelligent inversion (third column) are displayed, demonstrating that the precision of MT intelligent inversion is significantly improved compared with that of conventional inversion (the residuals of the former are 0.0056 and 0.0054, and the residuals of the latter are 0.023 and 0.024). As seen in figure 2, the overall performance of the MT intelligent inversion method also surpasses that of the conventional inversion method (the convergence iterations of the former are 4 and 4, while the convergence iterations of the latter are 6 and 4). Figure 1 Comparison of MT inversion precisions Figure 2 Comparison of convergence speeds of MT inversion (Pixel-based: conventional inversion; Feature-based: our work) (2) MT inversion in Southern Africa: The MT intelligent inversion model has also been verified on the Southern African Magnetotelluric Experiment (SAMTEX). The inversion area is located near the west coast of Southern Africa with a length about 750 km and depth of 80 km. The area is characterized by a highly conductive structure that exists in a shallow area, which is located between 100 km and 400 km in the horizontal direction and at a depth less than 20 km. Due to the attenuation of low-frequency electromagnetic waves in conductors, the MT method exhibits low sensitivity towards the lower area of highly conductive structures. Therefore, it is challenging for conventional MT inversion without priori knowledge constraints to accurately reconstruct the lower boundary position of highly conductive formations. MT intelligent inversion provides a clear and accurate reconstruction of the lower boundary of highly conductive formations, as it effectively incorporates priori knowledge of formation thickness into the inversion process. Figure 3 MT inversion in Southern Africa (above: conventional inversion; below: our work) For details, visit https://gitee.com/mindspore/mindscience/tree/master/MindElec. --- https://www.mindspore.cn/version-updates/en/3233/ --- Version Dynamics Released MindSpore 2.3.0 to Continuously Improve Dynamic/Static Graphs and Foundation Models # Released MindSpore 2.3.0 to Continuously Improve Dynamic/Static Graphs and Foundation Models 2024/07/19 # Released MindSpore 2.3.0 to Continuously Improve Dynamic/Static Graphs and Foundation Models After several months of development and contribution by community developers, MindSpore 2.3.0 is officially released. Dynamic graphs support the direct call of operators to improve API performance, and static graphs support O(n) levels of compilation to improve debugging and optimization capabilities. In terms of foundation model training, the overlap of communication and computation is greatly optimized, and the FlopsUtilizationCollector API is added to collect statistics on the computing power utilization. In terms of foundation model inference, an inference optimization solution for LLM is launched to improve inference performance, and MindSpore Transformers can improve inference performance and usability. In terms of scientific computing suites, the partial differential equation (PDE) model PDEformer and spectral neural operator (SNO) are added to MindSpore Flow. The following describes the key features of MindSpore 2.3.0 in detail: ### **_\-- Basic Framework Evolution --_** ### 1 **Direct Call of Operators in Dynamic Graphs Improving API Performance** In the MindSpore framework, most APIs combine small operators, which brings extra Python and operator launch overhead. In earlier MindSpore versions, when a single operator in a dynamic graph is executed, a single-operator subgraph is used for execution. A series of operations need to be performed, such as single-operator subgraph composition, compilation optimization, operator selection, and operator compilation. The initial performance is poor. To improve the performance, MindSpore 2.3.0 proposes the approach of directly calling operators. That is, forward operators are directly called to underlying operator APIs, reducing the overall process and data structure conversion overhead. Different APIs improve the performance by 0.5 to 4 times, and the E2E performance of Stable Diffusion text-to-image training is improved by more than 2 times. In addition, basic distributed APIs are provided. Hardware-related APIs (for device, stream, event, and memory management): https://www.mindspore.cn/docs/en/master/api\\\_python/mindspore.hal.html Recompute API: https://www.mindspore.cn/docs/en/master/api\\\_python/mindspore/mindspore.recompute.html Communication APIs: https://www.mindspore.cn/docs/en/master/api\\\_python/mindspore.communication.comm\\\_func.html ### 2 **O(n) Compilation Levels in Static Graphs Improving Debugging and Optimization (Default: O0)** Graph offloading is widely used due to its superior execution performance. However, as foundation models grow in scale and parameters, the time it takes for graph offloading during graph compilation can be quite long. To address the above issue, MindSpore 2.3.0 enables multi-level compilation, involving the **O0** (native graph composition without optimization), **O1** (automatic operator fusion and optimization), and **O2** (graph offloading and optimization) options. With the **O0** option (native graph compilation), the compilation performance of most models is improved by more than 50% compared with that of **O2**. In addition, by utilizing the DryRun function, users can analyze memory bottlenecks and optimize parallel policies offline. The combination of these two technologies doubles the debugging efficiency of foundation models. In terms of memory overcommitment, SOMAS, LazyInline, and Control Flow Inline are enabled to improve the memory overcommitment ratio. The virtual memory defragmentation technology is implemented to greatly solve the training OOM problem caused by memory fragments. In terms of execution performance, the multi-stream parallel and runtime pipeline asynchronous scheduling technologies are enabled for computing and communication. In addition, the operator fusion technology is used in the **O1** option, greatly improving the execution performance. Static graphs natively have great debugging and optimization capabilities. Therefore, the default option of static graphs is **O0** in mainstream training products in MindSpore 2.3. Reference link: https://www.mindspore.cn/docs/en/master/api\_python/mindspore/mindspore.set\_context.html?highlight=jit\_level ### **_\-- Comprehensive Improvement of Foundation Model Training --_** ### 3 **Optimizing the Overlap of Communication and Computation in Foundation Models** In earlier versions, MindSpore proposes two overlap technologies for tensor parallel communication: multi-copy parallelism as well as backward gradient computation and backward tensor parallelism, which greatly overlap tensor parallel communication. However, in a scenario with a larger model scale, recomputation is performed on AllGather communication in short sequence parallel. This part of recomputed communication cannot be effectively overlapped by MatMul. For this part of communication, MindSpore 2.3.0 effectively adjusts the execution time to overlap the communication with the backward operator of FlashAttention, achieving the ultimate overlap of communication and computation. ### 4 **FlopsUtilizationCollector Collecting Statistics on the Computing Power Utilization** The computing power utilization is usually a performance metric of the foundation model training framework, and the GPU/NPU utilization directly affects the foundation model training overhead. In the industry, the model FLOPS utilization (MFU) and hardware FLOPS utilization (HFU) metrics are widely used to evaluate the computing power utilization of GPUs/NPUs. In MindSpore 2.3, the callback API FlopsUtilizationCollector is added for users to obtain the MFU and HFU information at the end of each epoch. For details, visit https://www.mindspore.cn/docs/en/master/api\\\_python/train/mindspore.train.FlopsUtilizationCollector.html. ### 5 **Optimized Algorithms and Operators Improving Foundation Model Inference Performance** MindSpore 2.3.0 provides the inference optimization solution for LLMs. In addition to using the static graph compilation mode at the framework layer to optimize a computational graph and using the kernel-by-kernel scheduling mode to reduce the model compilation time, it also integrates acceleration technologies, such as the quantization model compression algorithm of Golden Stick, mainstream Flash Attention and Paged Attention algorithms in the industry, and operator fusion, to reduce the GPU/NPU memory usage and improve the inference performance of foundation models. **5.1 Golden Stick Model Compression Algorithm Helping LLM Inference Reduce Overhead and Improve Efficiency** To meet the GPU/NPU memory requirements of LLM inference, Golden Stick supports the RoundToNearest weight quantization algorithm. The weight of a linear layer on a network is quantized from the floating-point domain to the integer domain, and then dequantized to the floating-point domain for computation. The GPU/NPU memory overhead of LLM inference can be significantly reduced, and the memory bound problem in the LLM incremental inference phase can be alleviated, thereby improving performance. RoundToNearest is a training-free and data-free quantization algorithm, and has a relatively low use cost. Since LLM weights are more normalized and easier to quantize compared to activations, RoundToNearest can achieve almost lossless accuracy. In a word, the easy-to-use RoundToNearest has almost lossless accuracy and brings benefits to the GPU/NPU memory and performance. By testing the Llama2 series networks, it is found that the network parameters are generally reduced by more than 40%, the accuracy is almost lossless, and the inference performance is improved by up to 15%. For details, visit https://www.mindspore.cn/golden\\\_stick/docs/en/master/ptq/round\\\_to\\\_nearest.html. **5.2 Ascend High-Performance Fusion Operators Achieving Ultimate LLM Inference Performance** MindSpore 2.3.0 supports mainstream Transformer optimization algorithms and cross-boundary operator fusion technologies. It fully utilizes hardware architectures such as cube/vector computing units and multi-level buffers of Ascend chips and develops the backend computing implementation with Ascend hardware affinity to meet the performance requirements of low latency and high throughput in LLM inference scenarios. （1） Attention fusion and optimization: Based on the FlashAttention and PagedAttention optimization algorithms and the KV cache mechanism, the Tiled Attention algorithm is redesigned for the Ascend AI Processor features. In this way, the high bandwidth of the buffer between cube and vector are maximized and the amount of data migration and vector computation is reduced. Multi-level pipelines are constructed to greatly reduce the inter-core waiting time and maximize pipeline parallelism. Queries are reorganized and calculated under the grouped query attention mechanism to further improve operator performance. （2） Rotary position embedding (RoPE) combines the idea of absolute position coding and relative position coding, multiplies the rotation matrix to assign position information to a token, and makes better use of the context token information. In this version, MindSpore provides high-performance RoPE fusion operators by simplifying the computing logic and optimizing the data layout mode of position encoding, and maximizes the unified buffer usage of Ascend chips during operator implementation. （3） Convergence and optimization of matrix multiplication and vector computing: LLM involves a large number of matrix multiplication computations. MindSpore 2.3.0 optimizes graph fusion in the compilation phase and works with high-performance operators to improve matrix multiplication performance. Pipeline parallel optimization is fully considered in operators to reduce waiting bubbles so that the computing time is overlapped by the data transfer time as much as possible. Matrix multiplication data access is scheduled and rearranged in Swizzle mode to improve the data cache hit ratio and overall memory access efficiency. The Ascend Cube/Vector parallel feature is used to support backward fusion computation of multiple matrices, reducing the vector computation time. In addition to matrix multiplication, MindSpore combines adjacent Element-wise, Normalization, and Reshape operators in LLMs to reduce memory overheads for data migration, simplify runtime pipeline, and accelerate inference computing. In addition, in terms of operator optimization, this version explores the optimization technology based on the tensor language model to implement automatic optimization of key configurations such as intra-operator sharding, build a high-performance sharded database, and improve the performance of the LLM fusion operator. ### 6 **MindSpore Transformers: Improving Inference Performance and Usability and Supporting Ultra-long Sequence Training** MindSpore Transformers (MindFormers) 1.2.0 is officially released. It supports multiple mainstream models in the industry, further improving suite usability. **6.1 Framework-based Inference and Service-oriented Deployment: Improving the Usability and Performance of Foundation Model Inference to Meet Service-oriented Requirements** MindFormers 1.2.0 supports MindSpore inference with frameworks. Currently, MindFormers 1.2.0 supports efficient inference of mainstream foundation models such as LLaMA2, LLaMA3, GLM3, Mixtral, Baichuan2, and InternLM2. The maximum sequence length is 32k. Unified training and inference parallel policy APIs and encapsulated inference acceleration APIs implement smooth migration from training to high-performance inference, reducing the overall deployment period to days. MindFormers 1.2.0 fully interconnects with the MindIE service-oriented deployment framework. Mainstream LLMs in the suite support service-oriented inference. The standard Ascend service-oriented APIs provided by MindIE are compatible with third-party framework APIs such as Triton, OpenAI, TGI, and vLLM. Scheduling policies such as Continuous Batching are used to eliminate redundant computing, ensure that the computing power is not idle, and improve the inference throughput performance of foundation models. The recomputation and swap functions are supported to ensure that services are not interrupted in scenarios with a large number of concurrent requests and long sequences. **6.2 Ultra-long Sequence Training: Helping Train Ultra-long Contexts Conveniently and Efficiently** From generative AI to models used in scientific research, the significance of long sequence training is increasingly pronounced. Existing parallel methods such as data, tensors, and pipelines cannot be sharded in a sequence dimension. When the sequence dimension (S) increases, the training memory overhead increases at a rate of O(S2). Therefore, specific optimization needs to be performed for the long sequence scenario to meet the training requirements of the long training scenario. MindSpore provides a sequence parallel method with efficient GPU/NPU memory and the attention mask compression feature, which greatly reduces the length limit of input sequences and effectively supports the training of ultra-long sequences. The parallel method shards the QKV vectors along the sequence dimension based on context parallel. Each device handles only one shard of the QKV vectors for self-attention computation, eliminating the need for a single device to store the entire sequence. The relationship between the attention matrix and the sequence length is changed from square to linear, which effectively reduces the GPU/NPU memory pressure of each computing device. At the same time, the method is compatible with most existing parallel technologies (such as data parallelism, pipeline parallelism, and tensor parallelism). The attention\_mask compression is to mask the Score matrix in Self-Attention. Its memory size is proportional to S2. For example, in the 32k sequence length, a single attention\_mask matrix of the uint8 type occupies 1-GB GPU/NPU memory. After the compression is enabled, the input attention\_mask is compressed into a triangular matrix (2048 x 2048). In addition to memory benefits, some networks generate the attention\_mask matrix on a device. The attention\_mask compression can effectively avoid the performance overhead caused by the generation of an ultra-large matrix. ### **_\-- Scientific Computing Suite Enhancement --_** ### 7 **MindSpore Flow: Adding the PDEformer Model and Spectral Neural Operator (SNO)** **7.1 PDEformer** PDEformer is a neural operator model that can accept any PDE form as direct input. It can quickly and accurately solve most one-dimensional PDEs by generating PDE computational graphs, encoding graph data, and decoding solutions. PDEformer-1 is pre-trained on large-scale one-dimensional PDE data. In training data distribution, zero-shot prediction accuracy is higher than that of expert models (such as FNO and DeepONet) specially trained for an equation. For data distribution outside the training set, PDEformer-1 also exhibits excellent few-shot learning capability, which can quickly generalize to new downstream tasks through few shots. At the same time, PDEformer-1 can be directly applied to inverse problems as a proxy model of a direct problem operator. For details, visit https://gitee.com/mindspore/mindscience/tree/master/MindFlow/applications/pdeformer1d. **7.2 SNO** An SNO is an FNO-like architecture that transforms computation into spectral space by using polynomials (such as Chebyshev and Legendre). Compared with FNO, the system deviation caused by aliasing error is small in SNO. One of the most important benefits is that the base selection in SNO is broader, and you can find a set of polynomials that is most convenient to represent. In addition, when the input is defined on unstructured grids, neural operators based on orthogonal polynomials are more competitive than other operators. For details, visit https://gitee.com/mindspore/mindscience/blob/master/MindFlow/mindflow/cell/neural\\\_operators/sno.py. --- https://www.mindspore.cn/version-updates/en/3446/ --- Version Dynamics MindSpore 2.4 is officially released, featuring native support for supernodes and enhanced distributed parallel capabilities to accelerate foundation model training # MindSpore 2.4 is officially released, featuring native support for supernodes and enhanced distributed parallel capabilities to accelerate foundation model training 2024/10/29 # MindSpore 2.4 is officially released, featuring native support for supernodes and enhanced distributed parallel capabilities to accelerate foundation model training 经过昇思MindSpore开源社区开发者们几个月的开发与贡献，现正式发布昇思MindSpore2.4版本。 其中在大模型训练方面，面向新一代硬件架构超节点，推出原生长序列并行算法Ring Attention和高维张量并行优化，大幅提升模型训练效率。长序列并行算法Ring Attention旨在解决长序列训练时内存开销过大、出现内存瓶颈这一问题，同时提高计算与通信掩盖，实现训练性能提升。高维张量并行允许灵活控制对张量的切分次数和切分轴，支持1D、2D、3D切分，基于超节点架构带来的TP域与CP域扩展，在合适的切分策略下，实现通信占比降低、计算效率提升。 在调试调优阶段，提供流水并行自动负载均衡工具，自动优化集群算力和内存利用率，降低空等时间，实现Pipeline并行分钟级策略寻优，从而大幅降低调试调优成本、相比专家调优策略训练性能提升20%。支持算子级策略传播算法（Sharding Propagation），简化模型并行策略配置过程，开发者仅需配置少量算子策略，便可以自动地将策略传播给网络中其他算子， LLAMA类网络和Mixtral类网络策略传播算法可以降低配置80%以上的算子级并行策略。提升调试调优效率。 在大模型推理方面，提供8bit混合量化能力，支持并行解码方式、SLoRA服务化部署，并结合MindIE服务化支持PD分离部署，不断提升推理效率。 下面就为大家详细解读昇思2.4版本的关键特性。 ### **——大模型训练与调试调优效率提升——** ### 1 **支持长序列并行算法Ring Attention，打破Attention计算内存限制，实现超长序列训练** 近几年大模型对长序列的需求快速增长，众多大模型应用对于超长序列输入都提出了强烈的需求，例如长文档任务、个性化记忆、AI Agent、多模态理解与生成等。但与此同时，超长的序列长度也给大模型训练带来巨大的技术挑战。由于 Transformer 模型的 Attention 模块的计算量及内存占用与序列长度的平方成正比，随着序列长度的快速增长，Attention 的计算开销和内存开销增长迅速，导致超出显存容量而无法进行训练，因此需要高效的长序列并行技术，而长序列并行算法Ring Attention目前成为业界长序列并行的代表性技术，用于解决长序列训练时内存开销问题，同时实现了计算与通信掩盖。 昇思MindSpore2.4版本支持Ring Attention算法，如下图所示，利用 Attention 的分块计算性质，当序列并行度为 N 时，将 Q，K，V 分别切分为 N 个子块，每张卡分别调用 FlashAttention 算子来计算本地{Qi, Ki, Vi}子块的 Attention 结果。由于每张卡只需要计算切分后 QKV 子块的 Attention，其内存占用大幅降低。RingAttention 在做 FA 计算的同时采用环形通信向相邻卡收集和发送子块，实现计算与通信的最大化掩盖，保障了长序列并行的整体性能。 依托超节点架构，通过分析llama3模型训练64K序列长度数据集实验结果，相较于采用重计算来解决内存不足的问题，采用MindSpore 2.4版本的Ring Attention算法能够得到13%的性能提升。 参考链接：https://gitee.com/mindspore/mindformers/blob/dev/mindformers/modules/flash\_attention.py ### 2 **支持高维张量并行，降低通信量，实现训练性能加速** 大模型训练中，模型并行能够有效减少内存负荷，但其引入的通信是一个显著的性能瓶颈。因此需要优化整网模型切分策略以期引入最小的通信量。张量并行训练将一个张量沿特定维度分成 N 块，每个设备只持有整个张量的 1/N，进行MatMul/BatchMatMul等算子计算，并引入额外通信保证最终结果正确。 昇思MindSpore2.4版本新增支持高维张量并行，允许灵活控制对张量的切分次数和切分轴，支持1D、2D、3D切分。2D/3D切分相对与1D切分，在合适的切分策略下，通信量随着TP设备数增长更慢，在TP设备数较大时有着更低的通信量。 \- 1D张量并行中进行MatMul/BatchMatMul计算时，每张卡上存着激活的全部数据，仅在权重的一个维度上进行切分，并通过一次AllReduce通信得到最终计算结果。 \- 2D张量并行将激活与权重均按x、y两个通信组切分，权重在两个维度上均会被切分，通信主要在激活上进行。 \- 3D张量并行则是进一步将总卡数拆分为x、y、z三个通信组，进行了更细粒度的切分，并将一部分通信分散到了权重上。 \- 2D/3D并行下，用户可根据模型的激活、权重张量shape不同，选择不同的张量切分方式，降低总通信量，引入最小通信量，提高端到端训练速度。 实测在超节点环境、TP不小于16卡配置下的大模型训练中可提高5%训练速度。 参考链接：https://www.mindspore.cn/docs/zh-CN/master/model\_train/parallel/high\_dimension\_tensor\_parallel.html ### 3 **提供SAPP自动负载均衡工具，大模型流水线并行性能超越专家调优20+%** 大模型训练性能调优需要同时考虑多维混合并行策略配置与内存限制，工程师需要在集群上尝试不同的组合方案才有可能找到性能达标的并行策略，这一过程常常耗费数周时间，且消耗大量算力成本。 为解决上述问题，昇思MindSpore2.4版本提供了SAPP（Symbolic Automatic Parallel Planner）自动负载均衡工具。如上图所示，输入模型的内存和时间信息，以及部分流水线并行性能相关的超参（如重计算对性能的影响），工具将自行构建线性规划问题，通过全局求解的方式，为大模型自动生成流水线并行中的stage-layer配比，调整各layer重计算策略，自动优化集群算力和内存利用率，降低空等时间，实现Pipeline并行分钟级策略寻优，大幅度降低性能调优成本，显著提升端到端训练性能。 以LLAMA2-175B模型为例，流水并行数设置为16，如上图所示，图（1）展示专家策略的流水排布较为工整，但是含有较多空白的计算空隙（bubble）；图（2）展示相同模型使用SAPP的结果，计算空隙大幅度减少，端到端性能相比于专家策略提升52.5%；图（3）是开启流水交织并行（Pipeline Interleave）时候的SAPP结果，设置vpp=3，从图中可以看出计算被切得更细，且负载均衡调整更加精细化，端到端性能相比于专家策略提升82%。 实验显示，通过SAPP自动负载均衡工具优化，端到端训练性能对比均分策略提升20+％，在复杂网络（如多模态）下最高可提升200%，同时在开启流水交织并行的复杂场景下，人为分析较为困难，而SAPP自动负载均衡工具可以快速提供高效并行策略，突破人工调优极限。 ### 4 **优化自动算子级策略传播算法，降低80%并行策略配置，支持典型大模型** 在深度学习领域，随着数据集和参数量的规模日益增大，训练时间和硬件资源的需求也随之增长。分布式并行训练是解决这一问题的关键，但其配置和优化往往需要专业知识和大量时间。为此，昇思MindSpore推出了自动并行策略传播算法（Sharding Propagation），旨在简化模型并行策略配置的过程。用户仅需配置少量算子策略，便可以自动地将策略传播给网络中其他算子，从而找到重排代价最小的整网并行配置。 如下图所示，给定神经网络的计算图后，我们首先对没有配置切分策略的算子进行枚举，以确定其可行的策略，并对每条边的重排布策略及其相应的代价进行计算。然后，算法会从已经确定策略的算子开始，将策略沿着计算图的边传播到下一个算子。在传播过程中，算法总是选择能最小化通信和计算代价的目的算子的策略，直到所有算子的切分策略都被确定并形成一个最优的策略组合。 在确保与专家配置所有算子并行策略相比性能无损耗的情况下，LLAMA类网络和Mixtral类网络策略传播算法可以降低配置80%以上的算子级并行策略，这意味着用户可以节省大量的时间和精力，专注于模型优化和调优。 昇思MindSpore2.4版本在已有支持CV和推荐类网络的基础上，新增支持了Transformer类大模型，包括千亿稠密模型（e.g., LLAMA）、万亿稀疏模型(e.g., Mixtral)以及多模态网络。在囊括常见3D并行（DP, TP, PP）的基础上，兼容大模型性能特性如长序列并行、通信计算掩盖（多副本并行）、优化器并行、流水交织并行以及支持配置自定义Layout，并支持昇思MindSpore静态图模式，动静统一模式，兼容函数式写法。 未来，昇思MindSpore将进一步支持对Cell的入口进行策略配置，进一步减少用户需手动配置的数量，进一步简化并行配置过程。 ### **——大模型推理效率提升——** ### 5 **金箍棒提供8bit混合量化能力，降低大模型推理时延30%** 大模型推理过程中对于显存和算力有巨大的需求，昇思MindSpore金箍棒新增训练后量化PTQ算法提供8bit混合量化能力，通过将网络中线性层从浮点域量化到整型域，能够缓解memory bound，并显著降低显存和算力开销，从而提升推理性价比。PTQ算法是一种training-free的量化算法，可以通过配置项支持8bit权重量化、SmoothQuant、KVCache 8bit量化以及他们之间的组合算法，如同时使能SmoothQuant和KVCache 8bit量化。 我们对llama2 70B网络，使用200条squad1.1语料进行校准，耗时约8分钟完成SmoothQuant和KVCache 8bit量化。并使用BoolQ数据集进行评测，F1和EM均有轻微下降（1%以内）。量化后checkpoint文件大小缩减为原来的64%，推理的平均端到端时延降低30%以上。 参考链接：https://gitee.com/mindspore/golden-stick/tree/master/mindspore\_gs/ptq/ptq ### 6 **支持并行解码，利用算力优势实现推理性能加速** 大模型推理使用自回归解码的方式，通常需要逐个token地进行串行解码，并且生成每个token都需要将所有参数从存储单元传输到计算单元。因此在自回归解码过程中，受限于访存带宽，计算资源过剩。为了提高Decode阶段的算力利用率，降低端到端时延，昇思MindSpore2.4版本支持并行解码，是大模型推理的一种新型解码方式。 与自回归解码不同，并行解码每步可以同时解码多个token，然后并行验证它们，从而加速推理性能。前瞻解码（Lookahead Decoding）是一种基于Jacobi迭代的并行解码算法，无需微调，且不依赖小模型或离线数据集。前瞻解码通过Prompt及输出结果生成N-Grams，根据N-Grams生成草稿token，执行并行解码进行校验，减少推理步数以获得加速效果。 我们对Llama2-7B网络进行了前瞻解码功能测试，在batch size为18场景下，推理性能提升1.20.47倍。 ### 7 **支持MindIE服务化全量增量分离架构，提升推理吞吐量50%** 由于大模型推理在Prefill和Decoding阶段在资源需求和执行时间上有差异，Prefill是计算密集型任务，而Decodeing是存储密集型任务，PD混部会面临资源竞争、缓存压力、延迟增加和负载不均衡等问题。如下图所示，Prefill-only吞吐量有5.6tps，Decode-only有10tps，而混部只有1.6tps。 为了解决上述问题，昇思MindSpore2.4版本通过结合MindIE服务化支持PD分离部署。如下图所示，通过将Prefill和Decoding阶段分别部署到不同节点，并结合分布式调度等机制，有效缓解了资源竞争、简化了缓存管理、降低了响应延迟并实现了更均衡的负载分配，推理吞吐量可提升50%以上。 ### 8 **支持SLoRA服务化部署，实现大模型多微调权重调度推理** LoRA通过对大模型的权重矩阵进行隐式的低秩转换，可以解决大模型微调时存在的参数数量庞大、计算成本高等问题。昇思MindSpore2.4版本支持SloRA，可以在服务化部署时自动修改网络模型，实现LoRA网络结构适配和多LoRA权重加载并共享大部分模型参数。在推理时SLoRA提供了LoRA模型控制接口，实现LoRA任务的自由组合和快速切换。 参考链接：https://gitee.com/mindspore/mindformers/blob/dev/docs/feature\_cards/Text\_Generator.md#slora%E6%8E%A8%E7%90%86 --- https://www.mindspore.cn/version-updates/en/3602/ --- Version Dynamics MindSpore 2.5 Is Officially Released, Enhancing Dynamic Graph Performance, Improving Static Graph Generalization, and Lowering Foundation Model Inference Costs and Latency # MindSpore 2.5 Is Officially Released, Enhancing Dynamic Graph Performance, Improving Static Graph Generalization, and Lowering Foundation Model Inference Costs and Latency 2025/02/12 # MindSpore 2.5 Is Officially Released, Enhancing Dynamic Graph Performance, Improving Static Graph Generalization, and Lowering Foundation Model Inference Costs and Latency After months of development and contributions from the MindSpore open-source community, the MindSpore 2.5 is now available. Dynamic graphs are supplemented with the view and in-place functions, optimizing dynamic shape capabilities to boost execution performance. Improvements to graph kernel fusion enhance the generalization of static graphs in O1 mode. A resource-efficient simulation cluster execution process has been introduced to improve optimization efficiency. In addition, existing functions on Atlas A2 are smoothly migrated to supernodes. By leveraging the interconnection advantages, the performance can reach up to 2.9 times that of Atlas A2, continuously enhancing framework usability. In terms of foundation model inference, Golden Stick offers low-bit weight quantization and dynamic quantization algorithms to reduce inference costs. By integrating graph kernel fusion optimization, it lowers overall network latency and enhances throughput. Additionally, it supports the DiT text-to-image model with store-generation computation and gate algorithms to decrease end-to-end latency, achieving improved inference performance for foundation models. In terms of tool efficiency enhancement, the msprobe tool introduces hierarchical visual comparison, enabling swift accuracy issue analysis. Furthermore, the Profiler features lightweight dotting for rapid issue delineation in cluster scenarios. Now, let's delve into the key features of MindSpore 2.5. ### **Improvement of Framework Usability** ### 1 **Dynamic Graphs Supplemented with the View and In-place Functions, Improving Tensor Index Performance by an Average of 3.4 Times** In the AI framework, tensor operations are classified into view operations and in-place operations based on common computing operations. The view operation creates a tensor that shares the same data storage as the original tensor but has a different shape or arrangement. It interprets existing data from different perspectives without copying, making the view operation efficient by avoiding unnecessary memory allocation and data replication. The in-place operation modifies the input tensor's content directly without creating a tensor, typically indicated by adding an underscore to the function name, such as add\_() which is the in-place version of add(). The tensor index operation is a complex operation based on the view and in-place operations. The dynamic graphs of MindSpore 2.5 have been supplemented with the view and in-place operation capabilities, improving the tensor index operation performance. As shown in the following figure, the tensor index performance is improved by 3.4 times on average in different scenarios. ### 2 **Reverse-engineering the Dynamic Shape Capabilities to Enhance Dynamic Graph Execution Performance by 30%** In the dynamic shape scenario of MindSpore's dynamic graphs, the reverse execution first constructs a complete IR graph, which is then split into individual operators for execution. This process involves constructing the entire graph before splitting, resulting in redundant operations. In MindSpore 2.5, the reverse execution process is optimized to establish logical connections and directly execute graphs based on the connections. This optimization reduces redundant operations and improves the dynamic graph execution performance in the dynamic shape scenario by up to 30%, enhancing the end-to-end performance of both the SDXL network and the OpenSora network. ### 3 **Improving Graph Kernel Fusion and Enhancing the Generalization of Static Graphs in O1 Mode** MindSpore 2.3 supports static graph O(n) multi-level build. In this version, the O1 mode primarily adds graph kernel fusion optimization on top of O0 to satisfy models that require higher training performance. After continuous optimization and extensive testing, the O1 mode in MindSpore 2.5 has met the requirements for generalization in most scenarios. The following figure shows a typical network test based on Atlas A2. Enabling the O1 mode achieves an average network performance acceleration of approximately 10%. The specific benefits depend on the network structure, operator usage, and tensor shape. After the O1 mode is enabled, graph kernel fusion can automatically identify subgraphs that can be fused and perform fusion and replacement during static graph build. Compared to manual fusion, graph kernel fusion offers advantages such as simplicity, ease of use, and better generalization. Reference link: https://www.mindspore.cn/docs/en/master/api\_python/mindspore/mindspore.JitConfig.html ### 4 **Smooth Migration of Supernode Functions, Fully Utilizing Interconnection Advantages** MindSpore's existing features on Atlas A2 can be smoothly migrated to Atlas A3 without modification, fully leveraging the hardware capabilities of Atlas A3 and comprehensively supporting the training and inference processes of models. In the supernode sweet spot scenario, MindSpore enables affinity features like high-dimensional tensor parallelism and RingAttention. High-dimensional tensor parallelism optimizes the MatMul computation shape partition strategy based on communication savings, fully unleashing the hardware performance of supernodes, and supports the performance improvement of 10% to 20% for the dense LLaMA models with hundreds of billions of parameters. By fully leveraging interconnection advantages, typical sparse models with hundreds of billions of parameters can achieve long-sequence performance on Atlas A3 that is 2.9 times higher than Atlas A2, supporting training with sequence lengths of 10-trillion-level tokens. ### 5 **Adding the Simulation Cluster Execution Process that Does Not Occupy Resources, Improving the Optimization Efficiency** During training, to enhance the computing power or memory utilization of devices, it is often necessary to iteratively tune hyperparameters related to parallel strategies, recomputation, and load balancing. For massive clusters comprising tens of thousands of devices, the cost of this iterative tuning is extremely high. MindSpore 2.5 supports simulation execution. You can directly simulate the graph build result and memory usage of any device without occupying the device. As shown in the following figure, you can adjust the hyperparameters based on the memory result. After the adjustment, you can reuse the hyperparameters to the production cluster and start large cluster training in one-click mode. This reduces resource usage during debugging and greatly improves debugging and optimization efficiency. You can set the simulation execution level based on your needs by setting the environment variable _export MS\_SIMULATION\_LEVEL_ to **0**, **1**, **2**, or **3**. **0** represents only model build; you can focus on model build time. **1** records the input and output memory information of the operator based on **0**; you can analyze the memory based on memory statistics or **memory\_tracker**. **2** adds the operator workspace memory information based on **1**; the expected number of devices to be simulated is required. **3** adds the execution process of the compute operator on the current device based on **2**; you can optimize the performance. ### **Foundation Model Inference Performance Improvement** ### 6 **Golden Stick Supporting Low-Bit Weight Quantization and Dynamic Quantization Algorithms, Reducing Inference Costs** #### **6.1 Golden Stick Adding the AWQ and GPTQ Algorithms and Providing 4-Bit Weight Quantization Inference Capability, Reducing Inference Latency by 40% and the Number of Parameters by 60%** Activation-aware weight quantization (AWQ) is a low-bit weight quantization algorithm. It selects significant weights based on the activation value distribution and protects the significant weights through scaling in consideration of hardware efficiency, implementing a hardware-friendly high-accuracy weight quantization algorithm. Similar to the AWQ algorithm, the gradient-based post-training quantization (GPTQ) algorithm is also a low-bit weight quantization algorithm. The core idea of the GPTQ algorithm is to quantize all parameters in a block one by one. After each parameter is quantized, other unquantized parameters in the block need to be adjusted to compensate for the accuracy loss caused by quantization. In MindSpore 2.5, Golden Stick reproduces the two weight quantization algorithms and optimizes the inference performance of 4-bit weight quantization. We performed performance and accuracy tests using eight-device tensor parallel inference on the Ascend Atlas 800I A2 hardware, and the results are as shown in the following table. AWQ and GPTQ implemented A16W4 quantization with almost lossless accuracy on the BoolQ, SQuAD 1.1, and WikiText2 datasets. For the LLaMA2-70B network, as illustrated in the following figure, 4-bit weight quantization can achieve up to 48.7% latency reduction when the batch size is less than 8. However, when the batch size is 16 or greater, the 4-bit weight quantization has a detrimental effect on latency due to the Ascend hardware architecture. Reference link: https://gitee.com/mindspore/golden-stick/tree/master/mindspore\_gs/ptq/ptq#gptq%E7%AE%97%E6%B3%95 #### **6.2 Golden Stick Adding the Activation Dynamic Quantization Algorithm to Enhance 8-Bit Quantization Accuracy** For some models and tasks highly sensitive to accuracy, even with outlier suppression technologies like SmoothQuant, it may still be challenging to meet the accuracy requirements. In such cases, dynamic quantization can be employed to further minimize quantization accuracy losses, albeit at the expense of some 8-bit quantization performance benefits. Unlike weight quantization, the algorithm cannot obtain the actual activation values in the offline quantization phase; it can only approximate the distribution of activations using the calibration set, resulting in additional quantization saturation errors. Activation dynamic quantization refers to the process of collecting statistics on the activation distribution in real-time during inference to implement quantization inference, reducing the quantization accuracy loss. In MindSpore 2.5, Golden Stick offers the activation dynamic quantization algorithm, integrating static weight quantization and SmoothQuant outlier suppression technologies to deliver nearly lossless 8-bit quantization capabilities. We performed tests using eight-device tensor parallelism on the Ascend Atlas 800I A2 hardware, and the results are as shown in the following table. The activation dynamic quantization algorithm achieved lossless A8W8 quantization on the C-Eval and SQuAD1.1 datasets. We performed fusion optimization for the RMSNorm and DynamicQuant operators. On the LLaMA2-57B network, as shown in the following figure, with the batch\_size range set to \[1,16\] and the seq\_length range set to \[512,2048\], we achieved an end-to-end time reduction of 3.8% to 8.1%. ### 7 **Leveraging Graph Kernel Fusion Optimization to Reduce Network-wide Inference Latency and Improve Throughput** MindSpore 2.5 leverages graph kernel fusion technology to specifically handle various quantization scenarios, minimizing additional quantization operation-induced delivery time and memory access. It achieves improved computing efficiency through the Ascend affinity fusion operator and collaborates with quantization compression and PrefillFlatten technologies. By working with the Atlas A2 and Atlas inference series products, it optimizes network-wide latency reduction and throughput enhancement. #### **7.1 Fusion of Hidden Quantization Computation Overhead, Accelerating the Entire Network by 3% to 8%** PagedAttention supports the use of quantized KVCache as input, and integrates dequantization operations within the operator. By utilizing the cube/vector features of Ascend hardware, it enables parallel multi-computation pipelines, allowing the cube/vector computation latencies to mask each other and significantly improving the operator's performance. Compared to floating-point input, the performance is boosted by over 10%. We also provide a fusion pattern based on RmsNorm to merge forward Add operations and backward quantizations into larger vector operators. By utilizing key technologies such as multi-channel fusion parallelism, UB Bank conflict optimization, and in-place memory overcommitment, the operator performance improves by 10–30% after fusion. The above fusion simultaneously supports the Quant operator (per channel quantization) and the DynamicQuant operator (per token activation dynamic quantization). In addition, the MatMul parallel fusion and backward fusion, which were supported in previous versions, are now compatible with quantized data type inputs in MindSpore 2.5. #### **7.2 PrefillFlatten Load Balancing, Throughput Improvement by 5%** In foundation model inference scenarios where sequential data is processed, padding is often used to make the sequence length consistent for batch processing. This inevitably increases redundant computations. MindSpore 2.5 uses the PrefillFlatten method to concatenate input sequences according to their actual lengths, eliminating the need to pad them to a uniform length. Regarding this optimization, the Attention computation modules (FlashAttention, PagedAttention, ApplyRotaryPosEmb operators), combined with the Ascend AI Processor features, sort the actual lengths of the input sequences within the operator. It dynamically allocates different numbers of cores based on the computational load of each batch, ensuring that longer sequences can be distributed across different computing units. This reduces the amount of computation while ensuring load balancing for each computing unit. At the same time, it optimizes the parallel task processing of vector computation pipelines, improves UB utilization, and further increases the overall computational efficiency by more than 10%. #### **7.3 FlexFormat Fusion Achieving Matrix Multiplication Optimization, Accelerating the Entire Network by 5–7%** Frequent conversions between the special formats required for Cube computation on Atlas inference hardware and the native formats introduce significant overhead. Additionally, the performance of the same operator can vary greatly depending on the format used. To address this issue, MindSpore 2.5 implements a more flexible format selection and operator fusion optimization scheme. By combining efficient UB scheduling, buffer reuse, and other technologies, Cube computation can effectively mask the time spent on format conversions, resulting in a substantial performance improvement. This optimization scheme supports various types of MatMul operators, including floating-point types, quantized types, and sparse quantization. Performance improvements of 3–40% can be achieved for individual operator fusion, with end-to-end performance improving by 5–7%. ### 8 **Support for DiT Text-to-Image Model with Storage-to-Computation (Cache) and Gate Algorithms, Reducing End-to-End Latency by 32%** #### **8.1 Reducing Attention Mechanism Computation with the Cache Algorithm, Accelerating End-to-End Processing by 24%** Mainstream text-to-image generation models typically use a multi-step iterative diffusion denoising method based on the attention mechanism. During these multiple iterations, there is often redundant computation between adjacent time steps, and these computations exhibit high similarity. By identifying and reusing the results of these redundant computations, it is possible to reduce the computational load while maintaining accuracy. Based on this idea and the design concept of Delta-Cache, MindSpore 2.5 introduces the cache algorithm for the DiT text-to-image model. As shown in the diagram below, this method caches the offset of two specific feature values (⑦-⑥) from the previous time step (xt) and applies this offset directly to the input of layer B1 in the next time step (xt-1), thus skipping the computation process from B1 to B3. Unlike the deployment strategy used by Delta-Cache, we have re-adjusted the parameters to better fit different model structures. Test results on the SD3 model show that when images with a resolution of 1024 x 1024 pixels are generated, this algorithm can reduce end-to-end inference latency by approximately 24% with almost no loss in accuracy. #### **8.2 Adding the Gate Algorithm for an Additional 10% Inference Acceleration** Most mainstream text-to-image models use classifier-free guidance (CFG) technology, which involves executing two generation processes during each iteration: one is unconditional guidance, and the other is conditional text guidance. Experiments reveal that during the later stages of iteration, where the focus is on improving image quality, unconditional guidance has a relatively minor impact on the generation results. Based on this observation, MindSpore 2.5 introduces the Gate algorithm, which allows for the deactivation of unconditional guidance computation at specific time steps in text-to-image models that employ CFG technology. Additionally, the Gate algorithm can be used in collaboration with the aforementioned cache algorithm to further optimize performance. When the Gate algorithm is applied to the SD3 model, the inference latency is reduced by an additional 10% compared to using only the cache algorithm, achieving a total inference acceleration of approximately 32%. Reference link: https://github.com/mindspore-lab/mindone/tree/master/examples/dit\_infer\_acceleration ### **Tool Efficiency Improvement** ### 9 **msprobe Tool Adding Hierarchical Visual Comparison for Quick Accuracy Issue Analysis** To address the low efficiency of locating accuracy issues in large model scenarios and the lack of intuitive presentation of accuracy data, the msprobe tool has been enhanced to support hierarchical visual comparison for MindSpore scenarios. This feature allows for comparing accuracy data across different levels of the model, helping users better understand the model structure and quickly analyze accuracy issues. As illustrated in the following figure, users can choose to view a single graph to observe the model structure or select a dual-graph comparison to perform cross-framework comparisons between MindSpore and PyTorch. The visual comparison displays the hierarchical structure of the model, with each node showing input-output data information, stack details, and more. It also supports searching by node name and filtering by node color to analyze accuracy. The msprobe tool supports visual alignment and analysis of accuracy based on model structure, enabling users to quickly identify model implementation differences and accuracy anomalies with just one click, significantly improving the efficiency of accuracy comparison and analysis. Reference link: https://gitee.com/ascend/mstt/tree/master/debug/accuracy\_tools/msprobe#/ascend/mstt/blob/master/debug/accuracy\_tools/msprobe/./docs/22.visualization\_MindSpore.md ### 10 **Profiler Implementing Lightweight Marking to Support Quick Issue Demarcation in Cluster Environments** To address the traditional profiler process being time-consuming and dealing with large amounts of data in large cluster scenarios, MindSpore 2.5 offers a lightweight profiler capability to assist in obtaining performance data for critical model metrics in a lightweight manner for large-scale clusters. As illustrated in the following figure, users can customize marking through the mstx.mark, mstx.range\_start, and mstx.range\_end interfaces, and also support built-in marking of communication operators. When users enable the lightweight marking function, marking is automatically performed before and after the communication operators. All marking tasks are issued by the runtime to the device side, which can present the time points or time slices of the marking tasks on the host side and the device side. Lightweight marking can support MindSpore 2.5 large cluster training business scenarios, providing the ability to locate issue boundaries with a small amount of data in large cluster scenarios. Reference link: https://www.mindspore.cn/docs/en/master/api\_python/mindspore/mindspore.profiler.mstx.html?highlight=mstx#mindspore.profiler.mstx --- https://www.mindspore.cn/version-updates/en/3734/ --- Version Dynamics MindSpore 2.6 Is Officially Released to Support E2E Out-of-the-Box DeepSeek and Day-0 Migration of Mainstream SOTA Models, Combining User-Friendliness with Exceptional Efficiency # MindSpore 2.6 Is Officially Released to Support E2E Out-of-the-Box DeepSeek and Day-0 Migration of Mainstream SOTA Models, Combining User-Friendliness with Exceptional Efficiency 2025/05/27 # MindSpore 2.6 Is Officially Released to Support E2E Out-of-the-Box DeepSeek and Day-0 Migration of Mainstream SOTA Models, Combining User-Friendliness with Exceptional Efficiency After months of development and contributions from the MindSpore open-source community, the MindSpore 2.6 framework is now available. This version brings three major feature upgrades: 1\. Supports out-of-the-box training and inference of the DeepSeek MoE model, with enhanced pre-training and post-training features: Dropless MoE training is fully supported, and reinforcement learning training based on the GRPO algorithm is implemented. 2\. Compatible with mainstream ecosystems and supports plug-in access to the vLLM ecosystem, openEuler collaborative optimization, and 20-minute out-of-the-box deployment of DeepSeek. 3\. Combines user-friendliness with exceptional efficiency: MindSpeed acceleration library, day-0 migration of mainstream SOTA models, one-line code configuration for automatic parallelism, interface function decoupling, and debugging and optimization tool upgrade. Now, let's delve into the key features of MindSpore 2.6. ### **\-- DeepSeek Full-Stack Capabilities --** ### 1 **Dropless MoE Training and DeepSeek V3 Large Cluster Deployment Accelerated by Hierarchical Communication and Forward and Backward Communication Overlapping** Based on the dynamic shape capability of static graphs and automatic redistribution capability of sharding, Morph custom parallelism is added in MindSpore 2.6, allowing users to control the insertion of communication operators in frontend scripts, greatly improving the usability and flexibility of static graph parallelism. In addition, MindSpore MoE uses Morph to encapsulate expert parallelism of highly dynamic and unaligned shapes based on the capacity mode, and embeds the entire network based on automatic redistribution, implementing Dropless MoE training in static graphs. In addition, the E2E performance is improved through optimization methods such as heterogeneous cache, fused operators, and backward communication overlapping. \- Heterogeneous cache: The AllToAllv communication shape of MoE training depends on the real-time routing status of data. The routing status needs to be transferred from a device to a host (D2H) before the communication operator is delivered. As a result, the D2H copy and operator delivery flow are interrupted. Currently, the heterogeneous capability of MindSpore can be used to cache the routing status on the host after the first D2H. The number of interrupts in the delivery flow is reduced from 4 or 6 (including recomputation) to 1. According to the test, the performance of DeepSeek V3 is improved by 5%. \- Fused operators: In the implementation of Dropless MoE, the permute and unpermute fused operators are used to sort and reversely sort data, the GMMAssignAdd fused operator is used to combine the computation and gradient accumulation of MoE dW, and the MMAssignAdd fused operator is used to combine the dW computation and gradient accumulation of the MLA part. Swiglu fuses the computation of the activation function into one operator and allows the computation of two pre-matrices to be fused into one. The RoPE fused operator integrates the entire rotation position encoding algorithm to accelerate related computation. The test result shows that there is a 10% performance gain on DeepSeek V3. \- Backward communication overlapping: By overlapping the backward Combine AllToAllv operation backpropagation of shared experts, and overlapping the Dispatch AllToAllv operation with MoE dW computation, MindSpore achieves backward computation-communication overlapping. The test result shows that DeepSeek V3 has a 6% performance gain. When DeepSeek V3 671B is deployed on a large-scale cluster, the AllToAll communication occupies about 30% overhead due to high sparsity and large-scale expert parallelism. MindSpore MoE optimizes communication performance through hierarchical communication and forward and backward communication overlapping. Reference link: https://gitee.com/mindspore/mindformers/tree/dev/research/deepseek3 ### 2 **Graph Compilation and Combination Quantization Improving the Inference System Throughput and Halving the GPU Memory Usage** MindSpore 2.6 optimizes the inference network based on the network structure and MLA structure of DeepSeek V3/R1. \- Graph generation: MindSpore automatically compiles the Python class or function of a model into a complete computational graph through Just-In-Time (JIT) compilation. JIT compilation provides multiple modes (AST, bytecode, and trace) to meet the requirements of different scenarios, covering most Python syntax. \- Operator fusion: Based on the computational graph, operators are fused through automatic pattern matching. Multiple small operators are fused into a single large-granularity operator in the entire graph. Large operators reduce the overhead of host delivery and greatly shorten the compute latency of the device. \- Dynamic shape support: A three-level pipeline is built for shape inference, tiling data computation, and delivery and execution. This pipeline overlaps host computation and device computation, effectively improving the dynamic shape execution efficiency of the computational graph. In addition, to reduce the deployment cost of the DeepSeek-R1 model, MindSpore 2.6 provides the Golden Stick model compression tool. You can construct and verify multiple combined quantization solutions without intruding and modifying the model network script. Reference links: MindSpore DeepSeek-V3/R1 inference model script: https://gitee.com/mindspore/mindformers/tree/dev/research/deepseek3 MindSpore DeepSeek-R1 inference model repository: https://modelers.cn/models/MindSpore-Lab/DeepSeek-R1-W8A8 ### 3 **Integrated Deployment of the Entire GRPO Training and Inference Process Implementing Reinforcement Learning Training Based on the GRPO Algorithm** With the popularity of DeepSeek R1, the group relative policy optimization (GRPO) algorithm has attracted wide attention in the industry. GRPO is an algorithm for reinforcement learning training proposed for logical inference tasks such as mathematics. The DeepSeek R1 model obtained through large-scale post-training of the GRPO algorithm has significantly improved logical inference capabilities, emerging with deep thinking capabilities such as long chains of thought and reflection. Its performance in mathematics and programming tasks has surpassed or rivaled that of OpenAI o1 series models. GRPO training process Compared with the single-model training code developed before, the GRPO reinforcement learning training process involves the policy model and reference model. The policy model is used to generate data, the reference model and reward function are used to calculate the loss, and then the policy model is trained. As shown in the preceding figure, this process requires frequent switching between the inference and training states of the model, and involves a weight of the reference model and two weights of policy model inference and policy model training. This poses higher requirements on training performance and memory management. For reinforcement learning developers, it is a great challenge to quickly complete algorithm development and model training. MindSpore 2.6 provides the following optimization technologies for the GRPO reinforcement learning training process: \- Decouples the training process from model definition, and allows users to customize the model structure, reward function, and training hyperparameters. \- Co-deploys training and inference to implement online automatic rearrangement of training and inference weights, avoiding weight file flushing and saving time for offline conversion and weight file storing. \- Uses the heterogeneous memory swap technology to load models to the video RAM as required, avoiding the coexistence of training and inference weights and supporting training tasks of larger models. Based on the preceding technologies, MindSpore streamlines the entire process of GRPO reinforcement learning training and provides multiple training interfaces for reinforcement learning developers to quickly implement algorithms. Reference link: https://gitee.com/mindspore/mindrlhf/tree/master/examples/grpo ### 4 **SAPP Pipeline Load Balancing Tool Supporting DeepSeek Heterogeneous Models and Improving Optimization Performance by 25%** In the DeepSeek architecture, the number of experts in different MoE layers is different, and the MTP layer is introduced. This makes the memory and computation modeling of different layers of the DeepSeek model significantly different. If manual optimization is performed, engineers need to summarize the memory change rules of different layers at different stages through multiple experiments. Compared with the Llama series models, the complexity and workload are multiplied. For heterogeneous models such as DeepSeek, the SAPP pipeline load balancing tool in MindSpore 2.6 is effectively compatible with the execution sequence constraints. The following table shows the DeepSeek-V3 671B optimization instance. The training performance (tokens/s) of a large-scale cluster is improved by 25%. Reference link: https://gitee.com/mindspore/toolkits/tree/master/autoparallel/pipeline\_balance ### **\-- Ecosystem Compatibility and Extension --** ### 5 **Plug-in Access to the vLLM Ecosystem, openEuler Collaborative Optimization, and 20-Minute Out-of-the-Box Deployment of DeepSeek** MindSpore 2.6 develops the vllm-mindspore independent plug-in to integrate the LLM inference capability into the vLLM ecosystem. For the vLLM service and scheduling components, the PyTorch interfaces are mapped to the MindSpore capability to fully support core features such as vLLM Continual Batching and PagedAttention. The model, network layer, and custom operator components of the vLLM backend are replaced with the MindSpore-incubated, frontend-based parallel LLM inference module, inheriting the high-performance inference capability of Ascend and MindSpore. In addition, MindSpore works with the OpenAtom openEuler (openEuler for short) open-source community to implement hierarchical collaborative optimization of OS+AI basic software for DeepSeek LLM inference based on Kunpeng and Ascend. The DeepSeek open-source solution image of vLLM+MindSpore+openEuler is released to support one-click inference service deployment and 20-minute out-of-the-box model, the throughput of a single request can reach 18.5 tokens/s, and the throughput of 192 requests can reach 1350 tokens/s. Reference link: https://gitee.com/mindspore/vllm-mindspore ### **\-- Higher F\*\*\*\*ramework Usability --** ### 6 **Optimizing Parallel Configuration Items to Enable Automatic Parallel Configuration of a Line of Code** The MindSpore distributed parallel interface is configured using set\_auto\_parallel\_context(). There are more than 25 configuration items, covering various parallel settings. This brings a certain threshold to the use and understanding. For example, the context is a global scope. When a process has multiple networks and the parallel policies of each network are inconsistent, you need to reconfigure the parallel policies at a proper position and be familiar with parallel policy conflict scenarios. In MindSpore 2.6, the AutoParallel class is added to support parallel configuration for a single network. You can configure automatic parallelism for a built network using only one line of code: `parallel_net = AutoParallel(single_net, parallel_mode="semi_auto")` You can set **parallel\_mode** to **sharding\_propagation** or **recursive\_programming** and use the corresponding interfaces to develop parallel scenarios. For example, you can enable optimizer parallelism by using the parallel\_net.hsdp() interface and enable pipeline parallelism and scheduling policies by using the parallel\_net.pipeline() interface. Reference link: https://www.mindspore.cn/docs/en/master/api\_python/mindspore.parallel.html ### 7 **Aligning Differentiated Interface Functions with the Mainstream Ecosystem, Supporting the MindSpeed Acceleration Library** To reduce the threshold and workload of LLM migration and adaptation, MindSpore 2.6 builds the MSAdapter adaptation layer to bridge the MindSpeed acceleration library. This allows the code of the mainstream ecosystem to be quickly migrated to MindSpore without changing the original usage habits of users. MindSpeed supports mainstream LLMs, helping users efficiently use Ascend computing power. You can obtain the out-of-the-box DeepSeek-V3 script code and dataset of MindSpore by referring to the MindSpeed-LLM documentation. Reference link: https://gitee.com/ascend/MindSpeed-Core-MS/blob/feature-0.2/docs/deepseekv3.md ### 8 **Optimizing Global Parameters of the Global set\_context Interface, Providing Single-responsibility APIs to Enable Functions Such As Compilation and Runtime, and Improving Code Readability** In MindSpore 2.6, more than 50 configuration items of the mindspore.set\_context() interface are decoupled, and single-responsibility APIs are designed and launched to implement compilation, runtime, and device management functions. #### **8.1 Adding the runtime and device\_context Modules to Improve the Usability of Memory and Hardware Resource Management** The mindspore.runtime module is added to encapsulate the execution, memory, stream, and event interfaces, facilitating hardware resource scheduling at the Python layer. For example, the memory-related parameters **max\_device\_memory**, **variable\_memory\_max\_size**, **mempool\_block\_size**, and **memory\_optimize\_level** in set\_context are used to set memory-related functions. Now, these parameters are optimized and combined into the runtime.set\_memory() interface. The fine-grained memory settings are changed to function input parameters to improve the readability of the interface, making it easier to understand and use. Reference link: https://www.mindspore.cn/docs/en/master/api\_python/mindspore.runtime.html #### **8.2 New mindspore.jit Enabling Dynamic Graph and Compilation Capabilities, Improving Development Usability** Parameters related to the compilation capability in mindspore.set\_context() are summarized in mindspore.jit(). In addition, the parameters of the jit function are redesigned. Parameters are provided to developers based on the key features of the compilation process, such as **capture\_mode** (code capture mode), **jit\_level** (compilation optimization level), **dynamic** (whether to perform dynamic shape), and **backend** (compilation running backend), improving understandability. MindSpore uses the dynamic graph mode by default to ensure ease of development and debugging. Performance acceleration can be implemented by decorating local functions with JIT compilation. Reference link: https://www.mindspore.cn/docs/en/master/api\_python/mindspore/mindspore.jit.html ### 9 **Using msprobe to Monitor the Training Status of Dynamic Graphs in Real Time, Improving the Accuracy Optimization Efficiency** To solve the problem that abnormal updates in the LLM training service may cause drastic status changes and difficult fault locating during model training, the msprobe tool is added to monitor the training status in the MindSpore dynamic graph scenario. Activation values, weight gradients, optimizer status, and intermediate values of communication operators can be collected and recorded with low performance loss during model training. The training status is displayed in real time, and accuracy problems can be quickly analyzed. You can monitor the corresponding objects as required. For example, during abnormal training with more losses but normal gradient norm, monitor the forward process of the model. During training with abnormal gradient norm, monitor the gradients of weights and activations. You can configure the system to monitor the input and output of activations during network-wide training and save the data to disks. The data can be used as the input for manual analysis of model training accuracy, improving the accuracy optimization efficiency. Reference link: https://gitee.com/ascend/mstt/blob/master/debug/accuracy\_tools/msprobe/docs/19.monitor.md --- https://www.mindspore.cn/version-updates/en/3817/ --- Version Dynamics MindSpore 2.7 Is Officially Released to Support ZeroBubbleV Pipeline Parallel Scheduler, Improving Training Efficiency, Adapting to the vLLM V1 Architecture, and Improving DeepSeek-V3 Inference Performance Through Combination Optimization # MindSpore 2.7 Is Officially Released to Support ZeroBubbleV Pipeline Parallel Scheduler, Improving Training Efficiency, Adapting to the vLLM V1 Architecture, and Improving DeepSeek-V3 Inference Performance Through Combination Optimization 2025/08/13 # MindSpore 2.7 Is Officially Released to Support ZeroBubbleV Pipeline Parallel Scheduler, Improving Training Efficiency, Adapting to the vLLM V1 Architecture, and Improving DeepSeek-V3 Inference Performance Through Combination Optimization After months of development and contributions from the MindSpore open-source community, the MindSpore 2.7 framework is now available. In terms of improving the training performance of LLMs, the ZeroBubbleV pipeline parallel scheduler is added to further reduce the bubble time, and the recomputing communication masking technology is innovatively implemented to improve the training efficiency of the LLM recomputing. In terms of ecosystem compatibility and expansion, the upgrade adapts to vLLM v0.8.3 and the V1 architecture, and multiple combination optimizations are used to significantly improve the DeepSeek-V3 inference performance. In terms of reinforcement learning training and inference performance improvement, even inference sampling and dynamic packing training are supported to improve throughput efficiency. In addition, the 6D parallel weight rearrangement technology is supported to implement weight rearrangement under any model parallelism policy, and reinforcement learning resumable training is supported to implement flexible training, debugging, and deployment. In terms of tool efficiency improvement, the online monitoring platform (msMonitor) is provided to implement quick performance diagnosis. In addition, the msprobe tool supports module-level dump and automatic comparison of static graphs, improving problem locating efficiency. Now, let's delve into the key features of MindSpore 2.7. # **\-- Higher LLM Training Performance --** ## **1 ZeroBubbleV Pipeline Parallel Scheduler Further Reducing the Bubble Time and Achieving a Higher Proportion of Computing Communication Overlapping** Pipeline parallelism is a common parallel mode for large-scale distributed training. However, pipeline parallelism inevitably introduces bubbles, reducing equipment utilization. MindSpore 2.7 supports the ZeroBubbleV pipeline scheduler. As shown in the following figure, the computing of dx and dw is separated, and dw is filled into the bubble for computing. This further reduces the idle time of the machine and supports 1B1F (that is, one backward and one forward) fusion masking in the forward and backward alternating execution phase, improving training efficiency. Reference link: https://www.mindspore.cn/docs/en/master/features/parallel/pipeline\_parallel.html ## **2 Implementing the Recomputing Communication Masking Technology to Improve the Training Efficiency of LLM Recomputing** As the number of Transformer model layers exceeds 1,000, the traditional training mode faces two core challenges: (1) Explosive graphics memory usage: Intermediate activation values need to be stored during backpropagation. The cache usage of a network with hundreds of layer exceeds 400 GB. (2) Communication blocking: In distributed training, the communication accounts for more than 50%, and the computing utilization is less than 60%. In this case, for graphics memory overheads, the industry usually uses the recomputing solution to greatly reduce the activation value overhead. Full recomputing can minimize the activation value overhead, but the overhead of recomputing is also large. MindSpore 2.7 innovatively implements the recomputing communication overlapping architecture. The pipeline mechanism is used to improve the efficiency of recomputing. As shown in the following figure, the recomputing layers are dynamically divided into two groups (for example, layers 1 and 2 are group A, and layers 3 and 4 are group B). The recomputing communication overlapping between two layers are implemented in each group, improving the performance of the recomputing module by 15%. # **\-- Ecosystem Compatibility and Extension --** ## **3 Upgrade Adapting to vLLM v0.8.3 and the V1 Architecture, and Combination Optimization Significantly Improving the Inference Performance of DeepSeek-V3** The vLLM-MindSpore plug-in of MindSpore 2.7 is upgraded to adapt to vLLM v0.8.3 and supports the V0 and V1 architectures. Service features such as prefix caching, chunked prefill, multi-step scheduling, MTP, and multi-LoRA are added. In addition, the dynamic graph (PyNative) and Just-In-Time (JIT) compilation are used to connect the MindSpore LLM to the vLLM backend, significantly improving the inference postprocessing performance. MindSpore also uses multiple optimization combinations to significantly improve the inference performance of sparse MoE LLMs represented by DeepSeek-V3/R1. 1\. Hybrid parallelism: Tensor parallelism (TP), data parallelism (DP), and expert parallelism (EP) are deployed for the attention and MoE units, improving the multi-request throughput of DeepSeek-V3/R1 by more than 35%. 2\. Inference fusion operators: Fusion operators oriented to sparse MoE computing, such as MoeInitRoutingQuant and MultiLatentAttention, and communication optimization operators, such as Combine and Dispatch, are added to reduce the operator delivery and waiting latency. 3\. Model quantization: W8A8 static quantization is improved to reduce the runtime overhead of quantization inference and improve the precision in scenarios such as function call. W4A16 quantization inference is supported, and the DeepSeek-V3/R1 model can be deployed on a single Atlas 800I A2 (64 GB) server. With the preceding performance optimization technologies, two Atlas 800I A2 (64 GB) servers can be deployed to perform DeepSeek-R1/V3 W8A8 quantization inference. When the decoding latency is restricted to less than or equal to 100 ms, the throughput of 256-sequence input/output non-first tokens can reach 2600 tokens/s or higher, entering the first echelon of open-source inference solutions. Reference: https://www.mindspore.cn/vllm\_mindspore/docs/en/master/index.html # **\-- Reinforcement Learning Training and Inference Performance Improvement --** ## **4 Even Inference Sampling, Improving the End-to-End Throughput of Data Generation** In the traditional reinforcement learning experience collection process, different DPs process their own problems. However, the answer lengths of different problems are severely unbalanced, which causes large "waiting bubbles" and leads to poor end-to-end performance. As a result, the process may be interrupted due to long waiting time. In the latest version of MindSpore RLHF, the even inference sampling technology is used. As shown in the following figure, different problems are evenly allocated to each DP. The load of each inference instance is balanced as much as possible to greatly reduce the waiting time between different DPs, ensuring the stable system running and improving the inference performance by about 5% to 10%. ## **5 Dynamic Packing Training with Reinforcement Learning, Doubling the Training Throughput** In the pre-training and fine-tuning phases, packing training has been proven to improve the end-to-end training speed quickly with little impact on the training effect. In the latest version of MindSpore RLHF, an algorithmically equivalent dynamic packing training solution is proposed. As shown in the following figure, its main function is to dynamically combine samples based on the preset maximum pack length and maximum pack quantity on the premise that the loss function is equivalent, thereby maximizing the reduction of the number of samples without truncating the samples (which may affect the sample quality). In actual tests, dynamic packing can reduce the training time by about 40% without degrading the training effect. ## **6 6D Parallel Weight Rearrangement Technology, Implementing Weight Rearrangement Under Any Model Parallelism Policy** MindSpore RLHF weight rearrangement derives the rearrangement operator list based on the layout information of the MindSpore training network and inference network. Layout information is a way to express tensor layout in MindSpore. The device matrix and tensor map the dimensions in which the current weight is sharded and the ranks to which each shard is distributed. Layout information can express existing general parallel policies with 6D parallelism, such as DP, TP, CP, PP, optimizer parallelism, and EP. As shown in the following figure, the current weight rearrangement solution with 6D parallelism has a great advantage in generalization compared with the case-by-case manual rearrangement in the industry. As long as the sharding policy can be expressed by the layout provided by MindSpore, the rearrangement list can be derived and executed using a unified code to complete online rearrangement. ## **7 Resumable Training of Reinforcement Learning for Flexible Training, Debugging, and Deployment** In reinforcement learning, as the model scale and cluster scale increase, training may be interrupted like that in fine-tuning and pre-training. Resumable training is essential for reinforcement learning. In the latest version of MindSpore RLHF, resumable training is implemented for reinforcement learning scenarios. In the loading of the inference, training, and reference models, load the training weights and optimizer weights to ensure that the training status is consistent. Then, use the training weight and 6D weight rearrangement technology to arrange the weights on the inference and ref models, greatly reducing the I/O time for model loading. Currently, you can fully interconnect with the loss and training status before the interrupt to implement resumable training. Reference link: https://gitee.com/mindspore/mindrlhf # **\-- Higher Tool Efficiency --** ## **8 Online Monitoring Platform msMonitor for Fast Performance Diagnosis** In the AI computing field, as the model scale continues to expand, training performance optimization has become a key challenge faced by developers. In particular, in large-scale distributed training scenarios, the traditional performance monitoring solution has obvious shortcomings. First, the passive monitoring policy is adopted. Data collection can be triggered only after performance jitter occurs, causing significant delay in problem locating. Second, the parsing and dumping efficiency of the traditional solution is low when massive performance data (usually hundreds of GB) is generated during training, further prolonging the problem diagnosis period. These defects not only affect the troubleshooting efficiency, but also cause a waste of computing resources. MindSpore 2.7 adds the function of connecting MindSpore Profiler to the online monitoring platform. You can use the monitor function of the online monitoring platform to observe the performance deterioration points of training in real time when using the MindSpore Profiler framework cluster training scenario, and preliminarily locate performance problems. Subsequently, users can use the Profiler trace dump function (precise collection) of the online monitoring platform to collect complete performance data, analyze and locate performance bottlenecks, and help developers optimize model performance more efficiently. With the combination of routine monitoring and precise collection, msMonitor can meet the real-time monitoring requirements during long-term stable training of clusters and perform targeted analysis on performance bottlenecks, significantly improving model training efficiency. Reference: https://gitee.com/ascend/mstt/tree/master/msmonitor ## **9 msprobe Supports Module-Level Dump and Automatic Comparison of Static Graphs, Improving Fault Locating Efficiency** msprobe supports module-level dump and automatic comparison of static graphs, which is useful for locating precision issues in LLMs. As shown in the following figure, the msprobe tool can be used to dump the forward and backward input and output data of network modules or dump the max, min, mean, and l2norm statistics. Then, the mapping file is used to establish the mapping between MindSpore Transformers and Megatron network modules. Finally, the visualization tool is used to display the network hierarchy and compute the precision against the benchmark data, so as to quickly locate the module where the precision issue occurs. This effectively improves the efficiency of locating intra- and cross-framework precision issues in MindSpore static graphs. --- https://www.mindspore.cn/version-updates/zh/1462/ --- 版本动态 昇思MindSpore 1.7：易用灵活新起点，带给开发者新体验 # 昇思MindSpore 1.7：易用灵活新起点，带给开发者新体验 2022/04/29 # 昇思MindSpore 1.7：易用灵活新起点，带给开发者新体验 经过社区开发者们的辛勤耕耘，我们马不停蹄地给大家递上昇思MindSpore最新的1.7版本。在此版本中我们持续提升框架易用性，简化安装过程，提供更丰富的文档和指导视频，帮助开发者快速上手；同时还提供了易用灵活的numpy模块，进一步提升昇思AI+科学计算的能力；此外，新版本还发布了计算机视觉工具库MindSpore Vision，并已支持一些主流网络，让开发者极速体验基于昇思的应用。下面就带大家详细了解下1.7版本的关键特性。 # 1 **持续提升易用性，快速上手昇思MindSpore** 根据前期开发者访谈，我们在安装、文档、调试等方面对昇思MindSpore易用性进行了大量改进和提升，希望帮助开发者更快上手，更容易理解功能的原理、逻辑和特点，进而更方便高效地完成安装、开发、调试等任务。 ## 1.1 简化安装 ## 1.2 昇思MindSpore1.7版本支持Mac（X86/M1）CPU，支持 Python 3.8（Windows/Linux/Mac），简化GPU版本依赖安装过程，并提供了一键式自动化脚本以及可操作性更强的安装指南，优化丰富文档与手把手视频指导 1. 1.7版本提供了超过1500个昇思MindSpore API文档的中文版，优化API文档可读性，提供更多的使用样例，能够帮助国内广大的开发者更好地理解功能原理和逻辑，也希望大家能够提出更多宝贵意见！ 中文API文档地址：https://www.mindspore.cn/docs/zh-CN/master/api\_python/mindspore.html 2. 按照不同阶段的用户，对教程中数据处理、创建网络、模型训练等内容按照难易程度进行了重构。后续，我们会针对CV、NLP等领域，输出常用的端到端案例，也会输出教程对应的视频，方便大家学习和掌握。 教程地址：https://www.mindspore.cn/tutorials/zh-CN/master/index.html 3. 针对手把手安装与体验的系列视频，进行了系统优化和补充，内容涵盖安装、数据处理、模型训练/推理、调试等基础使用全流程。 视频链接：https://www.mindspore.cn/resources/courses/list?id=47#title52 4. 持续吸引开发者贡献技术干货帖，累计600+篇，同时系列博文包含机器学习、深度学习等基础知识，安装和数据处理等使用经验，累计39篇，供开发者搜索查看参考学习。 干货地址：https://bbs.huaweicloud.com/forum/forum.php?mod=forumdisplay&orderby=lastpost&fid=1076&filter=typeid&typeid=1255sub.html ## 1.3 支持“断点续训”，提供异常点CheckPoint保存能力 昇思MindSpore1.7版本提供了训练发生异常自动触发保存CheckPoint的能力，为开发者提供基于训练异常断点的恢复能力，实现“断点续训”与周期性保存CheckPoint功能可以同时使用，为开发者提供更多选择。 详情参考：https://gitee.com/mindspore/docs/blob/r1.7/tutorials/source\_zh\_cn/advanced/train/save.ipynb ## 1.4 支持动态图Hook，提升网络调试效率 为了方便用户在不改变网络结构的情况下，准确地感知深度学习网络各层数据的变化，从而快速地调试，昇思MindSpore在PyNative模式下设计了Hook功能。用户使用Hook功能可以更方便地捕获中间层算子的输入、输出数据以及反向梯度变化。在1.7版本中，PyNative模式针对Cell对象提供了register\_forward\_pre\_hook、register\_forward\_hook和register\_backward\_hook功能。 1. 在Cell对象上使用 register\_forward\_pre\_hook 接口来注册一个自定义的Hook函数，用来捕获正向传入该Cell对象的数据。 2. 在Cell对象上使用 register\_forward\_hook 接口来注册一个自定义的Hook函数，用来捕获正向传入Cell对象的数据和Cell对象的输出数据。 3. 在Cell对象上使用 register\_backward\_hook 函数来注册一个自定义的Hook函数，用来捕获网络反向传播时与Cell对象相关联的梯度。 详情参考：https://gitee.com/mindspore/docs/blob/r1.7/tutorials/source\_zh\_cn/advanced/pynative\_graph/pynative.ipynb ## 1.5 优化模型开发体验 当前昇思MindSpore的nn层、ops算子等接口逐渐优化至臻，不管在静态图还是动态图中，都能使用更符合AI研究和开发人员的极简开发体验。为此我们依托昇思MindSpore易用性SIG，未来将持续推出AI经典SOTA模型的昇思MindSpore最佳实践案例和视频，敬请期待。 # 2 **提供易用灵活的numpy模块，加速昇思MindSpore +科学计算** mindspore.numpy模块包含一套完整的符合Numpy规范的接口，开发者可以使用Numpy的原生语法表达昇思MindSpore的模型，同时拥有昇思MindSpore的加速能力。 为了更充分地展示mindspore.numpy在计算上的优势，我们提供了分子模拟库昇思MindSpore SPONGE的numpy重构版本。支持常见的系综模拟包含NVT、NPT等，例如进行新冠病毒Delta毒株模拟。所有的GPU核函数均完成了mindspore.numpy改写，以更好地展示分子动力学算法的运作机制，并方便研究人员扩展算法。重构后，代码量缩短50%以上。由于mindspore.numpy同时兼容了昇思MindSpore的其他加速特性，例如图编译加速以及图算融合，最终性能可以达到与原版本昇思MindSpore SPONGE相近的程度。 mindspore.numpy, 不止是numpy的加速平替，更是构建神经网络的极简编程工具。numpy的大多数常用接口实际上也是神经网络构建中必不可少的构成，如Tensor创建接口ones, full, zeros等; 常用的Tensor操作concatenate，repeat，split等。在构造模型时，开发者不再需要每次实例化算子后调用，而可以选择使用mindspore.numpy中的接口，优雅地完成想要的功能。 详情参考：https://www.mindspore.cn/docs/zh-CN/master/api\_python/mindspore.numpy.html # 3 **支持数据处理自适应调优，充分发挥数据处理性能** 昇思MindSpore1.7版本提供了一种数据处理自动调优的工具——Dataset AutoTune。在训练过程中，此工具可以帮助用户根据系统环境资源的情况自动调整MindSpore Data数据处理管道的并行度和内存使用度，利用当前系统资源加快数据处理管道的处理速度。 在整个网络训练的过程中，Dataset AutoTune工具会持续检测当前训练性能的瓶颈处于数据处理侧还是模型运算侧。如果检测到瓶颈在数据处理侧，则将进一步对数据处理管道中的各个操作（如GeneratorDataset、map、batch等）的参数进行调整，以加快该操作的计算速度。目前可调整的参数包括操作的并行度、内部队列深度/内存使用度，帮助用户加快模型训练的流程。未来，该工具会支持更多、更灵活的数据管道参数调整，包括异构算子加速、融合算子等，敬请期待。 详情参考：https://gitee.com/mindspore/docs/blob/r1.7/tutorials/experts/source\_zh\_cn/debug/dataset\_autotune.md # 4 **MindSpore Vision—易用易理解的主流工具库** MindSpore Vision是基于昇思MindSpore的开源计算机视觉研究工具库，MindSpore Vision已构筑基础的AI复用能力，支持部分主流、前沿网络，例如Efficientnet、Lenet、Mobilenetv2、Resnet、Vit等，提供手机侧推理与部署，欢迎开发者们参与贡献，共同拓展和维护MindSpore Vision，力争将其打造为易用易理解的主流工具库。 详情参考：https://www.mindspore.cn/vision/docs/zh-CN/master/index.html # 5 **支持蛋白质结构预测训练推理全流程，助力生物医药发展** 昇思MindSpore与昌平实验室、北京大学生物医学前沿创新中心（BIOPIC）和化学与分子工程学院、深圳湾实验室高毅勤教授课题组（张骏、刘思睿等）及鹏城实验室陈杰团队基于全场景AI框架昇思MindSpore实现AlphaFold2蛋白质结构训练。 联合工作依托鹏城云脑II 昇腾AI集群进行，TM-score达87分（国际权威评测数据集CASP14），截止22年4月21日，在CAMEO竞赛中已连续三周取得第一，相关训练代码已在昇思MindSpore社区开源。 T1052-D1 预测结构图（左）CASP14 87 targets TM-score 对比（右） 采用昇腾基础软硬件平台后，在混合精度下，单步迭代时间由20秒缩短到12秒，性能提升超过60%。依托昇思MindSpore内存复用能力, 训练序列长度由384提升至512。 为了尽可能客观地评估训练结果，昇思MindSpore选取了AlphaFold2论文附录中提到的87条验证集进行验证，平均TM-score达到87分，基本持平AlphaFold2。 昇思MindSpore将在算法、规模和软硬件支持等方向上持续改进，并计划开放共享训练数据集供同仁使用，也期望与更多学术界和工业界伙伴合作，进一步提升模型精度、扩展应用场景。 代码仓链接：https://gitee.com/mindspore/mindscience/tree/dev/MindSPONGE/mindsponge/fold # 6 **MindSpore Quantum：支持含噪声量子模拟器和量子线路的SVG绘制模式** 在当前NISQ阶段，真实量子比特的噪声还比较大，为了更准确的模拟真实的量子系统演化，在最新版本中，我们引入了噪声模拟功能，只用在量子线路中引入不同的噪声信道就能完成含噪量子模拟，从而使自己的模型更接近与真实情形，这些噪声信道包含泡利信道、比特翻转信道、相位反转信道等。 此外我们还支持在Jupiter notebook中展示量子线路的svg格式图片，通过绘制精心设计的图片格式，可以直观地了解线路的构成并方便传播自己的量子算法。 左图是构建一个贝尔态的量子线路，由于误差的存在，我们加入两个比特翻转信道来模拟量子系统的误差，并对这两个比特的量子态进行测量； 右上图为该量子线路的SVG格式图片，右下图为量子线路采样结果图片。构建一个贝尔态的量子线路，由于误差的存在，我们加入两个比特翻转信道来模拟量子系统的误差，并对这两个比特的量子态进行测量； API参考：https://www.mindspore.cn/mindquantum/docs/zh-CN/master/mindquantum.core.gates.html#mindquantum.core.gates.PauliChannel --- https://www.mindspore.cn/version-updates/zh/1721/ --- 版本动态 昇思MindSpore 1.8：丰富的算法集与套件，实现高性能训练，降低部署门槛 # 昇思MindSpore 1.8：丰富的算法集与套件，实现高性能训练，降低部署门槛 2022/08/16 # 昇思MindSpore 1.8：丰富的算法集与套件，实现高性能训练，降低部署门槛 **新版本发布** 经过社区开发者们两个月来的不断努力，昇思MindSpore1.8版本现已发布。 在此版本中， - 我们发布了MindSpore Golden Stick，提供丰富的模型压缩算法； - 开源大模型训练套件MindSpore Transformer、推荐网络训练套件MindSpore Recommender，帮助开发者实现高性能的模型并行训练和推荐网络大模型训练； - 持续升级自定义算子能力，实现多平台的统一算子开发表达； - 统一图像处理类接口、提供model.fit高阶API和早停功能，不断提升API接口易用性； - 新增180多个算子的functional接口，并支持NPU、GPU、CPU平台，方便开发者调用。 请在微信中打开进行观看 下面就带大家详细了解下1.8版本的关键特性。 **1 MindSpore Golden Stick** **降低端侧AI部署门槛** MindSpore Golden Stick是华为诺亚实验室和昇思MindSpore团队基于昇思研发的模型压缩算法集，通过提供剪枝、量化等丰富的模型压缩算法，达到缩减模型参数量等效果，降低模型在端侧部署的门槛； 此外，面向开发者还提供一套简单易用的算法接口，可降低模型压缩算法的应用成本。 MindSpore Golden Stick架构图 **1.1 统一的算法接口和改图能力** 模型压缩算法种类繁多，不同算法的应用方式往往各不相同，这增加了应用算法的学习成本。MindSpore Golden Stick对算法应用流程做了梳理和抽象，提供了一套统一的算法应用接口，最大程度缩减算法应用的学习成本，同时这也方便了在各种算法的基础上，对自动模型压缩等高阶技术的探索。 同时，MindSpore Golden Stick提供了通过接口修改前端网络的能力，算法开发者可以基于此能力制定通用的改图规则去实现算法逻辑，而不需要针对每个特定的网络都实现一遍算法逻辑，提升算法开发效率。 **1.2** **剪枝算法：SCOP\[1\]，缩减模型功耗50%** MindSpore Golden Stick当前提供的一个结构化剪枝算法是华为诺亚实验室自研的SCOP（Scientific Control for Reliable Neural Network Pruning，基于科学控制法的神经网络剪枝），在数据驱动下，设置了对照实验，通过引入对照特征来减少各种无关因素对剪枝过程的干扰，提高剪枝结果的可靠性。 我们对ResNet50模型应用SCOP剪枝，并使用CIFAR-10数据集评估，实验结果如下表所示，在剪枝率45%的情况下，精度损失在0.5%以内，模型参数量下降超过50%，带来50%以上的部署功耗缩减和2倍以上的推理性能收益。 表 SCOP剪枝算法用于ResNet50的CIFAR-10数据集结果 **1.3** **量化算法：SLB\[2\]，压缩模型8-32倍** MindSpore Golden Stick当前提供的一个量化算法是华为诺亚实验室自研的SLB（Searching for low-bit weights，基于权值搜索的低比特神经网络量化）。 针对低比特网络量化，由于量化网络权值的有效解数量比较少，因此对网络的量化可以通过对权值搜索实现，也就是将量化过程转换成权值搜索的过程。与传统的量化算法相比，规避了不准确的梯度更新过程，能获得更好的准确率，在极低比特量化中更有优势。 我们对SLB算法做了简单的实验，结果如下图所示，在当前任务中，与全精度模型相比，4bit权重量化后的模型大小缩减为原来的1/8，但top1精度没有损失，1bit权重量化的精度损失在0.6%以内，此时可以获得32倍的模型压缩效果。 SLB权重量化算法用于量化ResNet18的CIFAR-10数据集结果， W32表示全精度模型， W4，W2，W1分别对应4bit、2bit和1bit权重量化模型 查看文档： https://www.mindspore.cn/golden\\\_stick/docs/zh-CN/r0.1/index.html **2 高性能的大模型训练套件** **MindSpore Transformer** 目前Transformer已经广泛地应用在深度学习的各个领域，为了结合昇思丰富的并行能力和高性能优化特性，让开发者能够轻松上手Transformer类网络训练，我们专门提供的MindSpore Transformer是一个开源的Transformer类网络训练和推理套件。 套件提供了典型网络，例如GPT、T5、VIT等基础模型的训练能力，并结合昇思MindSpore丰富的并行训练能力，实现高性能的模型并行训练。通过实验得出，在相同的硬件条件下，昇思MindSpore比Megatron的性能要优越18%以上。 **2.1** **多维度混合并行与图算融合优化** MindSpore Transformer主要应用了如下两种技术： 1、\*\*多维度混合并行，包含优化器并行、多副本并行等技术。\*\*通过优化数据并行维度上的冗余参数和通信计算并发，可有效提升网络的训练性能。 2、**图算融合优化**：昇思的图算融合功能可以自动实现算子融合和编译优化，提升模型的内存效率和训练速度。在MindSpore Transformer的所有模型和数据/模型并行模式下，图算融合均已大范围应用并取得了显著效果。 **2.2 性能对比** 我们分别在8p、16p和32p A100集群上测试了百亿规模GPT(hiddensize=5120, num\_layers=35, num\_heads=40)性能，模型并行路数设置为8，数据并行数分别为1、2、4，Global Batch为1024。 Megatron配置Micro Batch Size=2（Megatron已达到上限），MindSpore配置Micro Batch Size=8（MindSpore已达到上限），相比Megatron，昇思MindSpore的内存利用率更高，可以训练更大的Batch Size。 图 吞吐率对比 如上图所示， - 8P Megatron的最大吞吐率为7.4 k samples/s，MindSpore 最大吞吐率为9.3k samples/s，超过Megatron 25%； - 16P Megatron的最大吞吐率为13.6k samples/s，MindSpore最大吞吐率为16.9k samples/s，超过Megatron 24%； - 32P Megatron的最大吞吐率为20.1k samples/s，MindSpore最大吞吐率为23.8k samples/s，超过Megatron 18%。 开源链接： https://gitee.com/mindspore/transformer **3** **高性能的推荐网络训练套件** **MindSpore Recommender** 推荐系统中部署了多种点击率（CTR）模型，为提高推荐点击率，需要对深度CTR模型进行高效的训练，推荐网络的训练性能是模型实时性的重要因素之一。 昇思MindSpore 1.8版本提供了推荐网络大模型训练套件—MindSpore Recommender，结合昇思MindSpore自动并行、图算融合以及分布式Embedding Cache等基础能力，实现了推荐网络大模型的高性能训练。 在套件中提供了主流推荐网络模型（如Wide&Deep）端到端的训练流程，包括数据集预处理、模型训练、Benchmark等，为开发者提供了一站式的推荐大模型训练能力。 **3.1** **推荐大模型训练架构** 技术架构图 1、 **自动并行**：通过模型并行实现Sparse计算（Embedding）多卡自动切分，数据并行实现Dense计算与集合通信并发执行，有效提升网络的整体训练性能。 2、**分布式Embedding Cache**：采用多级Embedding Cache、多级计算流水等设计，实现了大规模特征向量的存储与高性能训练。 3、**分布式计算图**：通过分布式计算图切分与执行，实现了大规模特征向量的分布式存储与高性能本地计算。 **3.2 统一的算法接口和改图能力** 基于GPU V100集群Wide&Deep模型训练（batch\_size=16000, vocab\_size=5860000） ，如下图所示，单机八卡上昇思MindSpore的吞吐率优于HugeCTR 35%。 图 Wide&Deep训练吞吐率 开源链接：https://gitee.com/mindspore/recommender **4 自定义算子持续升级,** **统一表达支持高效添加算子** 年初发布昇思MindSpore1.6版本提供了多平台的统一算子开发接口Custom，能够快捷地进行不同类型自定义算子的定义和使用。 为了进一步提升自定义算子的体验，昇思MindSpore1.8版本提供统一的MindSpore Hybrid DSL表达，支持包括Ascend，GPU和CPU在内多平台的统一算子开发表达，可以在全平台同时满足快速验证和实时编译的需求。 此外，1.8版本提供接入Julia算子的自定义算子新模式，成为业界首个支持Julia语言的AI框架。 **4.1** **跨平台统一的MindSpore Hybrid DSL表达** MindSpore Hybrid DSL支持在不同平台用统一的表达开发算子，一次开发便可以在所有后端使用。此外，开发的算子接入Custom接口时，既可以通过hybrid模式即时编译运行，亦可通过pyfunc模式解释运行方便快速验证。 此外基于MindSpore Hybrid DSL提供新的调度原语，帮助hybrid类型自定义算子在Ascend后端使能多面体模型的专用处理器（DSA)调度器，实现手自一体的算子调度协助代码生成，帮助开发者基于Ascend后端加速科学计算任务。 查看文档： https://www.mindspore.cn/tutorials/experts/zh-CN/r1.8/operation/op\\\_custom.html#mindspore-hybrid%E8%AF%AD%E6%B3%95%E8%A7%84%E8%8C%83 **4.2** **业界首个支持Julia语言的AI框架** Julia是一种速度快且使用简单的高级通用编程语言，最初设计是用于科学计算领域，而由于其高效而实用的特性，近些年来越来越受到青睐，逐步迈向主流编程语言。 昇思MindSpore 1.8版本在算子开发接口Custom提供Julia模式，把基于Julia语言开发的算子和基于昇思开发的模型有机地结合在一起。 开发者可以采用Julia算子加速运算，也可以使用Julia生态高效地开发算子。如此，开发者在模型移植、快速验证以及模型加速等场景下使能Julia算子，在基于昇思MindSpore开发的模型中享受Julia语言对计算带来的收益。 查看文档： https://www.mindspore.cn/tutorials/experts/zh-CN/r1.8/operation/op\\\_custom.html#julia%E7%B1%BB%E5%9E%8B%E7%9A%84%E8%87%AA%E5%AE%9A%E4%B9%89%E7%AE%97%E5%AD%90%E5%BC%80%E5%8F%91 **5 MindSpore Data统一图像处理类接口，** **提升接口API易用性** 昇思MindSpore1.8版本中，MindSpore Data模块对于图像类数据预处理操作进行重新设计及改造，从原有的c\_transforms和py\_transforms两种类型操作合并为transforms统一接口，同时对其中包含的各类数据处理算子进行归一合并，减少开发者混用算子的转换操作，并基于算子上下文实现自动的算子输出格式转换，极简易用，同时对资深开发者仍然保留了手动选择算子策略的能力。 为了方便大家构建自己的量子变分相关算法，我们公开了更多模拟器的接口。 **5.1 实现方式** 将c\_transforms和py\_transforms相同的功能合并为同一个接口，内部保留两种底层实现，执行时优先使用C层实现，保证高效率；不同的功能分别保留C层和Python层底层实现，执行时只有唯一方式。 **5.2 实现后总结** 1、包的导入方式统一，如下图所示。 2、数据处理接口统一，如下图所示。 3、运行方式举例，如下图所示。 详情参考： https://www.mindspore.cn/docs/zh-CN/r1.8/api\\\_python/mindspore.dataset.vision.html **6 支持边训练边推理和早停功能** **6.1** **提供model.fit高阶API** 之前的训练及推理分别通过model.train和model.eval两个接口执行，如果在训练过程中需要查看验证集的评估指标来监控模型效果，需手动实现； 而昇思MindSpore1.8提供model.fit高阶API，对model.train及model.eval进行了封装，保证原有功能的情况下简化了开发流程，开发者只需传入对应的参数，即可一行代码实现自动化训练及推理。 详情参考： https://mindspore.cn/docs/zh-CN/r1.8/api\\\_python/mindspore/mindspore.Model.html#mindspore.Model.fit **6.2** **实现EarlyStopping和ReduceLROnPlateau功能** 为及时掌握训练过程中模型的状态、实时观察模型各参数的变化情况和实现训练过程中自定义的一些操作，昇思提供了回调机制（Callback）来实现上述功能，对标业界框架，昇思MindSpore1.8版本新增EarlyStopping及ReduceLROnPlateau两个Callback，可用于model.train和model.fit中，实现指定指标的Epoch级别的验证： 当指标值变差，超过可容忍阈值或等待时间超过可容忍Epoch数时，EarlyStopping将终止训练过程实现早停，而ReduceLROnPlateau将按照开发者指定的学习率衰减规则，改变学习率。 详情参考： https://mindspore.cn/docs/zh-CN/r1.8/api\\\_python/mindspore/mindspore.EarlyStopping.html https://mindspore.cn/docs/zh-CN/r1.8/api\\\_python/mindspore/mindspore.ReduceLROnPlateau.html **7 支持网络的常量输入可变，** **提升编译效率** 当前图编译机制是除Tensor外所有顶层网络的输入都被当做常量值，如标量、tuple、list和dict。而常量值是不能求导的，而且在编译优化阶段会被常量折叠掉。 另外，当网络的输入是tuple\[Tensor\]，list\[Tensor\]或dict\[Tensor\]时，即使里面Tensor的shape和dtype没有发生变化，在多次调用同一个网络去得到结果时，由于输入都被当做常量值去处理了，无法忽略掉里面Tensor的具体数值，所以导致网络每次都会被重新编译，降低训练效率。 为解决以上的问题，昇思MindSpore1.8版本新增了mutable接口去设置网络的常量输入为“可变的”，也就是把这个输入当做像Tensor一样的变量，从而可以对其求梯度以及防止网络被重复编译。接口用法也比较简单，在传参时对网络输入用mutable接口进行包裹即可，如下图所示。 图 用例对tuple\[Tensor\]类型的输入进行包裹 详情参考： https://www.mindspore.cn/docs/zh-CN/r1.8/api\\\_python/mindspore/mindspore.mutable.html#mindspore.mutable **8** **MindSpore Reinforcement，** **提供高性能分布式训练** **和\*\*\*\*原生蒙特卡洛树搜索算法** **8.1** **通过Dataflow Fragment实现灵活，高性能的分布式训练。** 当前分布式强化学习框架主要以Python函数的方式实现强化学习算法，虽然具有直观的编程API，但在多机并行和异构加速上却很有挑战。 MindSpore Reinforcement v0.5.0提供基于Dataflow Fragment的分布式策略（DP），支持将深度强化学习算法分割成多个数据流片段，并映射到异构设备上执行。相同的算法可以根据不同的分布式策略而部署到单机多卡或多机多卡上。 下图中展示了基于Dataflow Fragment的分布式策略，以及对应的训练加速效果，在多机多卡分布式训练场景下可大幅缩短算法的训练时间。 图 分布式策略示意图（左：分布式策略1; 右：分布式策略2） 图 不同分布式策略下的训练时间 详情参考： https://gitee.com/mindspore/reinforcement/tree/master/example/ppo **8.2** **蒙特卡洛树搜索（MCTS）** 蒙特卡洛树搜索（MCTS）是一种决策搜索算法，以MCTS为基础的强化学习算法（如AlphaGo）获得成功之后，MCTS在强化学习算法中的应用越来越广泛。 图 MSTC算法伪代码 MindSpore Reinforcement v0.5.0提供了通用可扩展的MCTS算法。开发者可以使用Python在强化学习算法中直接调用框架内置的MCTS算法，也可以通过扩展来完成自定义逻辑，框架自动将算法编译成计算图，实现高效执行。 详情参考： https://gitee.com/mindspore/reinforcement/tree/master/example/mcts 参考文献 \[1\] Tang, Yehui, et al. "Scop: Scientific control for reliable neural network pruning." NeurIPS 2020: 10936-10947. \[2\] Yang Z, Wang Y, Han K, et al. Searching for low-bit weights in quantized neural networks. NIPS, 2020. --- https://www.mindspore.cn/version-updates/zh/1921/ --- 版本动态 昇思MindSpore 1.9，不断提升易用性和效率！ # 昇思MindSpore 1.9，不断提升易用性和效率！ 2022/10/27 # 昇思MindSpore 1.9，不断提升易用性和效率！ 经过社区开发者们1个多月来的不断努力，昇思MindSpore1.9版本现已发布。在此版本中，我们提供了函数式+面向对象融合编程能力，不断提升易用性，发布了高效的分布式表格数据分析框架—MindPandas，同时提供AI大规模训练性能可视化模块，提升并行训练性能分析效率，下面就带大家详细了解下1.9版本的关键特性。 # 1 **函数式+面向对象融合编程，降低上手难度，提升易用性** 昇思MindSpore1.9版本采用了融合编程的形式，结合函数式和面向对象编程范式的优势，既可以保留面向对象编程的易用性和较低的学习成本，又可以引入函数式编程的数学表达优势，同时避免纯函数式编程陡峭的学习曲线。在框架设计上将AI与科学计算视作同等重要，而不是采用核心框架+二次开发库的形态。 整个训练流程优化如下： 1\. 网络构造：满足面向对象编程习惯，昇思MindSpore提供与PyTorch完全一致的Layer构造方式，两者使用方法几乎完全相同。 2\. 前向计算和反向传播：使用函数式自动微分，更符合数学语义。将前向计算构造成function，然后通过函数变换获得grad function，最后通过执行grad function获得权重对应的梯度。 3\. 保留纯函数式编程的支持，可以像Jax一样构造科学计算算法。 优化后与优化前用户脚本对比如下图所示： 图 优化前后脚本对比图 优化后流程省略了基于框架代码的二次开发，且更加符合数学语义，在使代码更加简洁易懂的同时，提高了框架易用性，降低了上手难度。 参考文档：https://www.mindspore.cn/tutorials/zh-CN/master/beginner/quick\_start.html # 2 **MindPandas，高效的分布式表格数据分析框架** 数据处理及分析是深度学习流程中很重要的一环，其中表格数据类型是常用的数据表示形式。当前业界主流的数据分析框架Pandas提供了易用、丰富的接口，但由于其单线程的运行方式，导致在处理大数据量时性能较差，同时因为内存限制导致其无法处理大于本机内存的数据量，因此在实际应用中，针对不同的数据量，数据分析人员往往会在不同框架间切换，由此带来多语言学习及多框架管理的成本。同时由于数据分析框架与昇思MindSpore等AI框架是割裂的，数据需要落盘、格式转换等，极大影响了效率。 MindPandas是一款兼容Pandas接口，同时提供分布式处理能力的数据分析平台，致力于提供高性能、大数据量的处理能力，又能与训练无缝结合，使得昇思MindSpore支持完整AI模型训练全流程的能力。 ## 2.1 易用的数据处理接口 MindPandas API兼容Pandas接口，用户存量脚本只需要修改少量代码即可切换到MindPandas，如下图所示： 当前MindPandas已支持分布式的DataFrame、Series等接口100+，更多接口正在持续补充，敬请期待！ ## 2.2 高效的分布式数据处理能力 MindPandas通过将表格数据切分，实现了不同切片数据的并行计算，以充分发挥多核的CPU算力，从而实现计算性能的倍数提升；切分细节用户无需感知，简化了用户的使用。下图以DataFrame.sum接口为例，描述了该接口并行计算的过程。 图 sum接口并行计算流程图 当处理的数据量较大，超过单机内存时，MindPandas提供了易扩展的多机分布式能力，利用多机的共享内存，解决了Pandas无法处理大数据的限制。同时，MindPandas支持一次开发，同时支持单机&分布式运行，降低了用户的使用成本。 ## 2.3 统一、高效的数据流转 MindPandas的计算结果无需落盘，通过共享内存，即可将数据以统一的格式直接提供给MindSpore进行训练。用户无需关心具体的数据格式，真正打通了数据分析与训练的通路，解决了数据分析框架与训练框架割裂的痛点。该功能将在近期开放，敬请期待！ ## 2.4 性能对比 基于Linux Ubuntu 56核，4G数据量下，默认切片数（用户可通过set\_partition\_shape调整），部分API性能与Pandas对比效果如下图所示，性能提高10倍以上！ 图 API性能对比图 如下图所示，随着数据量的增加，性能优势体现的更加明显。 图 不同数据量下API性能趋势对比图 以上结果均在默认并发数下测试，用户可根据实际环境设置并发数，可获得更高性能优势。 仓库地址：https://gitee.com/mindspore/mindpandas # 3 **AI大规模训练性能可视化模块，提升并行训练性能分析效率** 随着神经网络模型参数量和数据集规模的指数级增长，训练所需要的集群规模越来越大。其中多设备的并行策略选择和组合多样，性能瓶颈及其根因复杂。昇思MindSpore和浙江大学可视分析与智能小组陈为教授团队合作研发，推出AI大规模训练性能可视化模块，帮助提升集群并行训练的性能分析效率。 具体使用方法请参考：https://www.mindspore.cn/mindinsight/docs/zh-CN/master/performance\_profiling\_of\_cluster.html ## 3.1 并行训练策略分析： 1.9版本中，我们提出了计算-通信二部图方案。计算图中所有的通信算子被抽出至画布顶层。计算图中同时展示了并行策略信息。用户能够清晰地观察并行策略相关算子及计算图的执行序，从而确认通信算子存在的合理性。如下图所示，清晰地展示了使用K级集群并行训练的盘古模型，其中绿色底色代表重排布算子，不同分支的计算-通信节点展现了相应的并行策略。 图 盘古模型并行训练策略分析示例 如下图所示，展开命名空间结点，结合策略矩阵，我们可以看到具体算子的切分策略。结合结点属性面板，我们发现Load-op2输入的张量（参数）没有做切分，StridedSlice-op10856输入的张量（数据）第一维切分了两份。盘古模型混合并行解析一文中指出，在词表范围较大时，建议对word\_embedding使用模型并行策略，即切分参数。当前训练切分了数据，若改为模型并行，可提升训练效率。 文档参考：https://mindspore.cn/tutorials/experts/zh-CN/master/parallel/pangu\_alpha.html 图 算子策略矩阵示例 ## 3.2 集群性能分析 1.9版本中，我们将性能数据与计算图并行策略相结合，提供包含集群层次、卡层次、算子层次等多层次分析的性能可视分析链路，能够帮助用户发现大模型并行训练过程中的常见异常、理解并行训练执行过程。 以对4卡ResNet-50模型并行训练的调优为例，如下图所示，该模型运行过程中2、3两个设备的通信时间相对较长。在通信图中圈选2、3这两个设备，在弹出的邻接矩阵中，观察到allReduce\_237\_245这一异常通信结点占据了该通信链路的大部分带宽。 图 集群通信面板 来到执行总览界面，如下图所示，查看执行总览中的Marey图，发现2，3号设备包含在stage1中，刷选算子密集区域，可以发现用时较长的通信算子。这可能是由于通信算子融合切分策略设置不合理导致的，用户可尝试调节all\_reduce\_fusion\_config参数，提升模型的训练效率。在执行总览的并行策略视图中，我们还可以观察到该次训练采用了流水线并行的方案。结合该视图下方缩略图及Marey图，可以进一步分析流水线并行bubble的情况。 图 执行总览界面 --- https://www.mindspore.cn/version-updates/zh/208/ --- 版本动态 MindSpore 新版本（0.2.0-alpha）解读 # MindSpore 新版本（0.2.0-alpha）解读 2020/04/30 # MindSpore 新版本（0.2.0-alpha）解读 @font-face{ font-family:"Times New Roman"; } @font-face{ font-family:"宋体"; } @font-face{ font-family:"SimSun"; } @font-face{ font-family:"Symbol"; } @font-face{ font-family:"Courier New"; } @font-face{ font-family:"Wingdings"; } @font-face{ font-family:"Arial"; } @list l0:level1{ mso-level-number-format:bullet; mso-level-suffix:tab; mso-level-text:""; mso-level-tab-stop:36.0000pt; mso-level-number-position:left; margin-left:36.0000pt;text-indent:-18.0000pt;font-family:Symbol;font-size:10.0000pt;} @list l0:level2{ mso-level-number-format:bullet; mso-level-suffix:tab; mso-level-text:"o"; mso-level-tab-stop:72.0000pt; mso-level-number-position:left; margin-left:72.0000pt;text-indent:-18.0000pt;font-family:'Courier New';font-size:10.0000pt;} @list l0:level3{ mso-level-number-format:bullet; mso-level-suffix:tab; mso-level-text:""; mso-level-tab-stop:108.0000pt; mso-level-number-position:left; margin-left:108.0000pt;text-indent:-18.0000pt;font-family:Wingdings;font-size:10.0000pt;} @list l0:level4{ mso-level-number-format:bullet; mso-level-suffix:tab; mso-level-text:""; mso-level-tab-stop:144.0000pt; mso-level-number-position:left; margin-left:144.0000pt;text-indent:-18.0000pt;font-family:Wingdings;font-size:10.0000pt;} @list l0:level5{ mso-level-number-format:bullet; mso-level-suffix:tab; mso-level-text:""; mso-level-tab-stop:180.0000pt; mso-level-number-position:left; margin-left:180.0000pt;text-indent:-18.0000pt;font-family:Wingdings;font-size:10.0000pt;} @list l0:level6{ mso-level-number-format:bullet; mso-level-suffix:tab; mso-level-text:""; mso-level-tab-stop:216.0000pt; mso-level-number-position:left; margin-left:216.0000pt;text-indent:-18.0000pt;font-family:Wingdings;font-size:10.0000pt;} @list l0:level7{ mso-level-number-format:bullet; mso-level-suffix:tab; mso-level-text:""; mso-level-tab-stop:252.0000pt; mso-level-number-position:left; margin-left:252.0000pt;text-indent:-18.0000pt;font-family:Wingdings;font-size:10.0000pt;} @list l0:level8{ mso-level-number-format:bullet; mso-level-suffix:tab; mso-level-text:""; mso-level-tab-stop:288.0000pt; mso-level-number-position:left; margin-left:288.0000pt;text-indent:-18.0000pt;font-family:Wingdings;font-size:10.0000pt;} @list l0:level9{ mso-level-number-format:bullet; mso-level-suffix:tab; mso-level-text:""; mso-level-tab-stop:324.0000pt; mso-level-number-position:left; margin-left:324.0000pt;text-indent:-18.0000pt;font-family:Wingdings;font-size:10.0000pt;} p.MsoNormal{ mso-style-name:正文; mso-style-parent:""; margin:0pt; margin-bottom:.0001pt; mso-layout-grid-align:none; text-autospace:none; mso-pagination:none; line-height:150%; font-family:'Times New Roman'; mso-fareast-font-family:SimSun; font-size:10.5000pt; } span.10{ font-family:'Times New Roman'; } span.15{ font-family:'Times New Roman'; color:rgb(0,0,255); text-decoration:underline; text-underline:single; } p.MsoFooter{ mso-style-name:页脚; margin:0pt; margin-bottom:.0001pt; font-family:Arial; mso-fareast-font-family:SimSun; mso-bidi-font-family:'Times New Roman'; font-size:9.0000pt; } p.MsoHeader{ mso-style-name:页眉; margin:0pt; margin-bottom:.0001pt; layout-grid-mode:char; text-align:justify; text-justify:inter-ideograph; font-family:Arial; mso-fareast-font-family:SimSun; mso-bidi-font-family:'Times New Roman'; font-size:9.0000pt; } span.msoIns{ mso-style-type:export-only; mso-style-name:""; text-decoration:underline; text-underline:single; color:blue; } span.msoDel{ mso-style-type:export-only; mso-style-name:""; text-decoration:line-through; color:red; } table.MsoNormalTable{ mso-style-name:普通表格; mso-style-parent:""; mso-style-noshow:yes; mso-tstyle-rowband-size:0; mso-tstyle-colband-size:0; mso-padding-alt:0.0000pt 5.4000pt 0.0000pt 5.4000pt; mso-para-margin:0pt; mso-para-margin-bottom:.0001pt; mso-pagination:widow-orphan; font-family:'Times New Roman'; font-size:10.0000pt; mso-ansi-language:#0400; mso-fareast-language:#0400; mso-bidi-language:#0400; } @page{mso-page-border-surround-header:no; mso-page-border-surround-footer:no;}@page Section0{ } div.Section0{page:Section0;} 在3月底开源的MindSpore，在紧锣密鼓地一个月开发后，4月30日发布了0.2.0-alpha（后简称0.2）版本。有哪些关键更新呢？让我们用5分钟来快速了解下。 **一、支持Windows使用** 首先，给window 10系统用户带来了一个重要的更新，MindSpore 0.2版本支持了Windows安装。官方0.2文档已经正式发布，可以在官网中获取完整的安装指导，包括从编译到安装命令端到端的安装方式。 这里直接给出官网的安装命令，网络好，能力强的自信小伙伴可以直接动手： pip install https://ms-release.obs.cn-north- 4.myhuaweicloud.com/0.2.0-alpha/MindSpore/cpu/x64\_windows/mindspore-0.2.0-cp37-cp37m-win\_amd64.whl 具体使用上和MindSpore的Linux CPU版本没有任何不同，可以支持LeNet网络进行图片分类，支持的算子等也都是一样的，使用Windows的小伙伴们快来体验吧！ **二、多个模型Benchmark发布** MindSpore 0.2版本发布了benchmark，包含有机器视觉类常用网络ResNet-50 v1.5、自然语言处理常用网络BERT-Large，分别在1\*Ascend 910、8\*Ascend 910、16\*Ascend 910等不同规格的昇腾AI处理器上训练速度和加速比。图片训练在16\*Ascend 910场景下每秒处理27090张图片，自然语言处理在8\*Ascend 910场景下每秒处理1613个句子，多机并行训练加速比达到0.95左右。具体信息可以移步 benchmark官方地址：https://www.mindspore.cn/docs/zh-CN/0.2.0-alpha/benchmark.html **ResNet50** 图1 ResNet50 分布式训练性能数据 说明：以上数据基于华为云AI开发平台ModelArts测试获得，是训练过程整体下沉至Ascend 910 AI处理器执行所得的平均性能。业界其他开源框架数据可参考：ResNet-50 v1.5 for TensorFlow。 **BERT** 图2 BERT 分布式训练性能数据 说明：以上数据基于华为云AI开发平台ModelArts测试获得，其中网络包含24个隐藏层，句长为128个token，字典表包含21128个token。业界其他开源框架数据可参考：BERT For TensorFlow。 **三、可视化工具功能强化** MindSpore 0.1版本发布时给大家带来了不小的惊喜，可视化功能已经包含有模型可视化、模型溯源、数据溯源等功能，帮助小伙伴直观观察网络调试过程。 **参数直方图** 0.2版本推出可视化组件的新特性“参数分布图”，支持可视化权重和梯度分布情况。支持在网络优化过程中，观察权重&梯度随训练过程的变化，可以帮助小伙伴在网络调优时，判断网络的优化进展。你只需要使用HistogramSummary算子记录感兴趣的权重和梯度，即可在MindSpore可视化组件中的训练看板生成数据的直方图，并观察他们的变化。当出现奇怪的权重数据分布时，可以快速直观得判断训练的健康程度。 图3 可视化工具参数直方图展示 **溯源自定义和联动** 溯源自定义可以帮助用户记录、查询模型迭代调试开发过程使用的模型超参和数据处理增强。大家只需要在模型训练测试过程添加TrainLineage/EvalLineage callback记录溯源信息，即可在MindInsight模型溯源和数据溯源标签页回溯查看。  支持通过user\_defined\_info参数记录自定义溯源信息。  支持模型参数和数据处理参数的筛选和排序。 图4 可视化工具模型溯源页面展示 模型溯源界面指定的筛选条件将会在数据溯源同步展示。反之，数据溯源得到的筛选结果也将在模型溯源界面体现，形成溯源信息查询联动。 **四、总结** 以上就是MindSpore 0.2版本关键特性。当然新版本还有不少特性，大家可以移步MindSpore ReleaseNote里找到完整介绍： ReleaseNote：https://gitee.com/mindspore/mindspore/blob/master/RELEASE.md MindSpore在不断的发展中，未来还会有更多好用的特性发布，这里也非常欢迎大家下载并体验MindSpore，参与到MindSpore开源社区建设中来。 Gitee：https://gitee.com/mindspore/mindspore GitHub：https://github.com/mindspore-ai/mindspore 官方公众号：MindSpore 官方QQ群：871543436 --- https://www.mindspore.cn/version-updates/zh/215/ --- 版本动态 MindSpore新版本v0.3.0-alpha解读 # MindSpore新版本v0.3.0-alpha解读 2020/05/31 # MindSpore新版本v0.3.0-alpha解读 暨v0.2.0-alpha版本发布1个月，MindSpore v0.3.0-alpha（后简称v0.3）按时推出。每月1个版本节奏的在互联网领域算是中规中矩，但是小伙伴们细看下Release文档，还是可以看出这个版本有众多更新，堪比大版本，诚意十足。 MindSpore又推出什么关键特性了，从中选出了其中3个，带客官细品。先花1min让大家迅速了解MindSpore v0.3版本的特性集锦吧！ ## **差分隐私** 差分隐私（Differential Privacy）是一种强大的隐私保护技术，通过限制单个数据对数据分析结果的影响，防止反推个人敏感信息。在AI世界中，差分隐私技术可以限制通过AI模型分析训练数据中的隐私信息。 MindSpore的安全组件提供了差分隐私训练模块，用户可以使用添加高斯噪声的差分隐私优化器（DP-SGD），训练出保护隐私的AI模型。同时MindSpore还提供了差分隐私预算监测器，方便用户在训练过程中跟踪差分隐私的保护效果。 详细的使用可以阅读对应的教程文档： https://www.mindspore.cn/tutorial/zh-CN/0.3.0-alpha/advanced\_use/differential\_privacy.html ## **二阶优化** 大家都了解深度学习训练是一个不断逼近损失函数最小值的一个过程，常见的比喻就好比夜行下山，每一步都会求导，方便选择最陡坡方向，以求最快速度到达山下。而二阶优化就是在一阶求导基础上，再进行求导。好比除了看脚下最陡坡的方向外，再看看下一步的坡是否还通向山下的。低头赶路的同时，还抬头看方向，保证在大方向上没有偏差，对于有一定规模的网络是有非常积极的意义的。 MindSpore在v0.3版本中重磅推出了二阶优化，在平衡了二阶带来的额外计算量，在ResNet网络上达到目标精度（0.759）仅用了42个迭代（epoch），比同样软硬件环境下的一阶优化足足快了近1倍（一阶优化使用了81epoch达到目标精度），训练效率极大提高。 这无论在工业或者学术领域都有很大的促进作用，感兴趣的小伙伴可以围观二阶优化脚本： https://gitee.com/mindspore/mindspore/tree/r0.3/example/resnet50\_imagenet2012\_THOR ## **PyTorch一键转化** 对于深度学习领域的老司机来说，对于已有网络/模型，想要切换框架要分析网络每层shape，分析算子，手动实现算子等等繁琐操作，朴实无华且枯燥。 那么现在，为了方便大家都能快速切换到MindSpore生态上来，我们提供了模型转换工具，目标将PyTorch训练脚本快速转换成MindSpore训练脚本，自动替换其中90%以上的算子，节省大量算子查询和替换工作。剩余未替换部分也会标注出来，方便用户快速定位，聚焦工作，无异于提升网络/模型迁移效率的大杀器，尝鲜版已经发布，大家赶紧装备试用起来。观望MindSpore框架的小伙伴也可以用起来，快速体验MindSpore框架+Ascend硬件的AI全栈的舒适体验。 工具链接： https://gitee.com/mindspore/mindinsight/tree/r0.3/mindinsight/mindconverter ## **总结** 上面就是MindSpore v0.3版本的TOP 3特性，可以看出MindSpore每个迭代都有让人欣喜的更新，也体现出MindSpore开发团队深厚的技术底蕴。当然，除了这些，MindSpore还新增支持了DeepFM、DeepLabV3、Wide&Deep等新的模型，修复了一些关键bug，增添了网络迁移教程、自定义算子教程等等。详细的可以查阅： https://gitee.com/mindspore/mindspore/blob/r0.3/RELEASE.md 非常欢迎大家下载并体验MindSpore，参与到MindSpore开源社区建设中来。 Gitee：https://gitee.com/mindspore/mindspore GitHub：https://github.com/mindspore-ai/mindspore 论坛：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/version-updates/zh/221/ --- 版本动态 MindSpore新版本v0.5.0-beta解读 # MindSpore新版本v0.5.0-beta解读 2020/06/30 # MindSpore新版本v0.5.0-beta解读 大家好，每月一次的版本解读又和大家见面啦。经过一个月的开发，MindSpore发布了v0.5.0-beta版本（后简称0.5版本）。细心的小伙伴们已经发现版本名称后缀由alpha变成了beta，看来MindSpore框架经过一段时间的打磨，成熟度以及完成度又上升了一个小台阶。 那么MindSpore在打怪升级路上新的小小里程碑上又刻下哪些值得关注的TOP特性呢？让我们一睹为快吧。 先上宣传视频，大家能看出出现了哪些特性么？ ## 图算融合 使用图算融合技术定义算子是种什么体验？ 图算融合，作为近期的热门，将算子与图层的表达进行统一，提供一种了简洁而统一的表达能力，作为算子的一种新的表达方式、融合方法、编译流程，让人有种通过Python写网络一样体验，让定义算子这种让人秃头的工作也变得生动鲜活起来。 在中间表达中，它用基础原语组成的子图来表达算子的内部计算逻辑，打破了原有算子和图层之间的信息边界。利用统一的表达能力，图算融合实现一种更通用的更细粒度的算子融合能力，通过分析和优化现有网络计算图逻辑，对原有计算逻辑进行拆分、重组、融合，在中间表达中自动形成融合子图。 在后端，这些融合子图会由AKG（Auto Kernel Generator）自动生成高性能的融合算子，且基于polyhedral实现了Auto schedule，从而实现网络整体执行时间的端到端深度优化。 打开开关即可获得性能收益，例如在BERT中通过打开图算的使能开关可以获得14.8%的图算融合收益。 ## 量化训练 越来越多的应用选择在移动设备或边缘设备上使用深度学习技术，为用户提供更加智能、人性化的服务。但是这些设备往往受到内存、性能、磁盘空间大小的因素，限制了一些网络的使用范围。 这时候，量化技术无疑是解决这方面问题的利器，它能在不明显降低精度的情况下，把模型尺寸减低为原来的25%~40%，同时能减少模型内存占用，加快模型推理速度，降低功耗等。 0.5版本，MindSpore也上线了量化训练部分，用户可以使用MindSpore进行量化训练。官方也在Model Zoo中提供了部分已经实现好的量化脚本。不过端侧量化推理部分还未正式上线，感兴趣的同学可以移步MindSpore gitee上的社区，点watch，就可以获取社区最新的开发进度。 Gitee社区：https://gitee.com/mindspore/mindspore 教程链接： https://www.mindspore.cn/tutorial/zh-CN/r0.5/advanced\_use/aware\_quantization.html ## 混合异构 MindSpore 0.5版本上线了混合异构特性，即支持网络中部分算子跑在Host端，部分算子跑在Device端。在一些网络执行过程中需要用到大量的内存，而Device内存无法满足训练要求，有了Host/Device异构执行，我们可以将操作大数据的算子设置在Host执行，从而解决网络无法在纯Device端训练的问题。 如Wide&Deep的典型网络，当Embedding Table大到无法装入Device内存时，我们可以将操作EmbeddingTable的Lookup算子及优化器放到Host端执行以满足wide&deep大规模权重训练的要求。 ## 图神经网络 近两年，图神经网络的研究成为一个热门方向，在社交网络、知识图谱、推荐系统，生命科学等领域有广泛的应用场景；MindSpore新版本可支持图神经网络的训练，最典型的GCN和GAT网络在Cora和Citeseer数据集上做混合精度训练，平均精度如下。 下图是Cora数据集经过GCN训练后的节点特征的t-SNE结果。 GAT： https://gitee.com/mindspore/mindspore/tree/r0.5/model\_zoo/gat GCN： https://gitee.com/mindspore/mindspore/tree/r0.5/model\_zoo/gcn ## 可视化性能分析工具 MindSpore可视化组件（MindInsight）更新了系统化的性能分析工具——Profiler，大家能够使用它来帮助理解、分析、调试并优化神经网络的性能。 使用Profiler可以： l方便地在训练脚本中启动、停止Profiler功能，收集性能分析数据； l查看训练的迭代动向（指step间隔、前向/反向计算、AllReduce等各阶段时间占比）统计信息，快速定位性能瓶颈所在的阶段； l分析神经网络中算子的执行性能，包括单算子性能分析和算子类型性能分析； l分析训练数据准备(MindData)阶段的性能，定位数据算子的瓶颈所在； l查看训练timeline，分析stream/task在Ascend芯片上的执行序列和执行时间。 ## 总结 以上诚意满满的内容就是MindSpore 0.5版本的TOP新特性了。完整的版本更新信息，欢迎查阅RELEASE文档。 顺带提一句，我们上线了资源页面，把近期的学习资料都罗列了一遍，方便大家查询获取，欢迎大家移步获取使用。那么，我们下个月再见。 RELEASE文档： https://gitee.com/mindspore/mindspore/blob/r0.5/RELEASE.md 官网资源页面： https://www.mindspore.cn/resources/ 最后，非常欢迎大家下载并体验MindSpore，参与到MindSpore开源社区建设中来。 Gitee：https://gitee.com/mindspore/mindspore GitHub：https://github.com/mindspore-ai/mindspore 论坛：https://bbs.huaweicloud.com/forum/forum-1076-1.html --- https://www.mindspore.cn/version-updates/zh/237/ --- 版本动态 MindSpore新版本v0.6.0-beta解读 # MindSpore新版本v0.6.0-beta解读 2020/07/31 # MindSpore新版本v0.6.0-beta解读 大家好，又到了MindSpore每月更新跟大家见面的时间，这次发布新版本的是v0.6.0-beta（后简称v0.6）版本。 Follow小编的版本解读来品品，经过一个月的开发后，MindSpore又有了什么新的关键特性呢。、 老规矩先上视频，看视频发现MindSporev0.6版本新特性 ## MindSpore Serving - 训练完成后无缝对接推理服务 - 支持推理模型的预加载，获得更佳性能的推理服务 官网教程： https://www.mindspore.cn/tutorial/zh-CN/r0.6/advanced\_use/serving.html ## PS分布式训练 分布式训练作为MindSpore最受瞩目的特性之一，MindSpore团队在v0.6版本里又添加了新的内容——PS分布式训练。 Parameter Server(参数服务器)是分布式训练中一种广泛使用的架构，既支持同步SGD，也支持异步SGD的训练算法。在扩展性上，将模型的计算与模型的更新分别部署在Worker和Server两类进程中，使得Worker和Server的资源可以独立地横向扩缩。 另外，在大规模数据中心的环境下，计算设备、网络以及存储经常会出现各种故障而导致部分节点异常，而在参数服务器的架构下，能够较为容易地处理此类的故障而不会对训练中的任务产生影响。 在MindSpore的参数服务器一共包含三个独立的组件，分别是Server、Worker和Scheduler，作用分别是： - Server：保存模型的权重和反向计算的梯度值，并使用优化器通过Worker上传的梯度值对模型进行更新（当前版本仅支持单Server）； - Worker：执行网络的正反向计算，正向计算的梯度值通过Push接口上传至Server中，通过Pull接口把Server更新好的模型下载到Worker本地； - Scheduler：用于建立Server和Worker的通信关系； - 相较于同步的AllReduce训练方法，Parameter Server具备着很好的灵活性、可扩展性以及节点容灾的能力。 官网教程： https://www.mindspore.cn/tutorial/zh-CN/r0.6/advanced\_use/parameter\_server\_training.html ## 超大规模稀疏特征训练 像wide&Deep的推荐网络，根据场景不同特征数量可能是千万到百亿的规模，Embedding参数量是GB级到TB级。这么大的参数量，远远超过了设备内存容量，无法直接在设备卡上进行训练。 为此，MindSpore在全下沉模式（所有计算都在Device上）之外，提供了Host-Device混合执行模式，即Embedding部署在host测，DNN和通信下沉到Device侧，来解决embedding容量的问题，发挥昇腾芯片算力；并在此基础上实现了混合并行（Embedding模型并行，DNN数据并行）实现超大规模Embedding的高性能训练。 对于第二种模式，目前可以支持500GB的模型，使用creteo数据集训练的性能和精度测试结果如下表： ## 总结 以上就是MindSpore v0.6版本关键特性。当然新版本还有不少特性，详细的特性，可以参考下方RELEASE.md文档： https://gitee.com/mindspore/mindspore/blob/r0.6/RELEASE.md MindSpore保持持续的更新完善，未来会有更多实用的特性发布，非常欢迎大家下载并体验MindSpore，参与到MindSpore开源社区建设中来。 **官方网站：** https://www.mindspore.cn **Gitee：** https://gitee.com/mindspore/mindspore **GitHub：** https://github.com/mindspore-ai **接下来****隆重介绍****即将和大家见面的** **第三期MindSpore 两日集训营** 集训时间为：8月8日-8月9日两天 报名从今天（7月31日）开始 长按下方图片添加小助手微信 \*备注：集训 即可报名 MindSpore官方资料 GitHub:https://github.com/mindspore-ai/mindspore Gitee:https://gitee.com/mindspore/mindspore 官方QQ群: 871543426 --- https://www.mindspore.cn/version-updates/zh/246/ --- 版本动态 MindSpore新版本v0.7.0-beta发布！ # MindSpore新版本v0.7.0-beta发布！ 2020/09/01 # MindSpore新版本v0.7.0-beta发布！ # 端侧大更新，四个SIG/WG成立，首个开源ISV对接完成！ 大家好，经历了八月如火如荼的开发之后，MindSpore带来了本月的更新——v0.7.0-beta（后简称v0.7）版本。老规矩先上视频，了解MindSpore v0.7版本最新特性。 按照惯例，接下来给大家解读MindSpore又有了什么新的关键特性~ MindSpore Lite 本月最大的惊喜是MindSpore发布了针对手机及IoT场景，端到端的解决方案——MindSpore Lite。从模型开始到最后的编译发布，提供了包括转换工具、Runtime等工具链，帮助用户在手机以及后续的IoT设备上使能MindSpore的AI能力。 了解MindSpore Lite： https://www.mindspore.cn/lite Fuzz测试工具 在实际使用过程中因为一些原因，譬如使用图像分类应用时，当镜头模糊、光照不足、下雨大雾、拍摄角度等等情况下，实际输入的数据与训练模型时的标准数据集有一些不同。在这种情况下，模型可能出现模型精度答复下降。而在某些极端情况下，可能出现未知的推理失误，引入安全性问题。为了更好的评估和提高模型的鲁棒性，同时尽可能激活神经元，减少未知的安全风险，MindArmour提供了Fuzz（模糊）测试工具。 测试过程中，工具的Fuzzer Moduler（Fuzz模块）可以对数据集进行增强，如色差、翻转、模糊等，自动化产生测试样例，如下图右侧。在结果输出方面，用户可以看到模糊测试结果，评价了图像的覆盖率指标以及精度下降。下图左侧可以看出在模型出现扰动的情况下，模型精度（Accuracy）下降程度以及神经元激活程度（Coverage Rate）。 使用教程： https://www.mindspore.cn/mindarmour/docs/zh-CN/r1.7/security\_and\_privacy.html?highlight=Fuzzer 深度概率编程 深度概率编程融合了深度学习和贝叶斯建模，深度概率模型相比于传统的深度神经网络模型，引入了不确定性，提升了模型的鲁棒性和可解释性。 MindSpore在v0.7版本中，提供了概率模型的高效编程库，可以与深度学习模型无缝融合，以面向不同需求的开发者。 对于熟悉深度学习的同学，支持深度神经网络一键转贝叶斯神经网络；也支持调用封装好的接口，像实现深度神经网络一样实现贝叶斯神经网络和生成网络；并提供不确定性估计工具，方便同学评估模型和数据。 对于熟悉概率学习的同学，其提供丰富、通用、模块化的贝叶斯建模和推断方法库，包括概率采样库、贝叶斯神经网络，概率推断算法等，帮助用户更加快速、简洁地进行概率编程。 使用教程： https://gitee.com/mindspore/mindspore/tree/r0.7/mindspore/nn/probability 自动数据增强 MindSpore数据处理组件新增了自动数据增强的能力，支持用户在处理数据过程中灵活定制及调整数据增强操作。主要有以下两种特性： • 支持基于概率动态调整数据增强策略 根据用户预置策略列表，每次随机选择一个策略，同时同一策略各数据增强算子有不同的概率，按照概率选择算子执行。 • 支持用户根据pipeline上下文信息或训练结果动态调整数据增强策略 支持batch、 epoch粒度调整数据增强策略。 ————————————————————————————————————————————————————————————————————————————————————— MindSpore迎来首个开源ISV对接！ Jina.ai，AI开源新势力 Jina.ai是由MindSpore技术治理委员会成员肖涵博士主导的初创公司，致力于提供面向云原生的开源神经网络搜索能力。让我们看一下Jina如何描述他们对AI开源的看法： 得益于深度学习框架和现成的预训练模型，端到端应用程序市场中有许多人可以做出重大贡献的机会。随着每天涌现出新的AI算法，如何跟上步伐？项目范围是什么？面对社区的要求时，如何维护项目？这些困难的问题需要一个明确的答案，比如在此前开发bert-as-service时，有很多要求将其扩展到AlBERT，DistilBERT，BioBERT等。我们优先考虑了适合我们的路线图的那些需求进行落地。最好的开源也许不是最闪亮的，但是可以持续生长的开源。 可以看到Jina团队对开源开发有着非常成熟的思考，那么与MindSpore的对接是否属于适合Jina路线图的需求呢？ Jina助力MindSpore的云原生野望 答案是肯定是！就在8月份，Jina社区团队完成了MindSpore框架的初步对接支持，成为了首个对接MindSpore应用集成商。Jina+MindSpore提供了业界少有的完整开源解决方案，Jina.ai将在近期推送详细的技术介绍博文，我们也会在第一时间转载推送，心急的同学可以先来关注几个主要的PR： •https://github.com/jina-ai/jina/pull/836 • https://github.com/jina-ai/examples/pull/155 • https://github.com/jina-ai/examples/issues/154 ————————————————————————————————————————————————————————————————————————————————— **One More Thing：** **MindSpore 8月新增了2个新的SIG和2个新的WG！** 什么是SIG和WG? 特殊兴趣组（Special Interest Group，简称SIG）以及工作组（Working Group，简称WG）是开源社区开发中常见的项目组织形式。由于MindSpore社区采取开放治理架构\[0\]，除了把握大的发展方向的技术治理委员会（Technical Steering Committee，简称TSC）之外，日常的模块开发为了兼顾开放协作和迭代效率，通常通过SIG的形式由开发者自由组队，并通过推举SIG Lead的方式来产生模块开发的负责人，管理日常工作，有关注过MindSpore邮件列表的同学应该会留意到经常会有SIG负责人换届的公开邮件。工作组WG则主要是负责一些涉及到多个SIG的需求传递、设计讨论等工作。 是不是SIG/WG的数目越多越好？ 当然不是！SIG/WG的创建总是为了应对具体的开发或协作的问题而产生的，一个开源社区的SIG/WG的数目，在客观上不说明任何社区健康度或者活跃度的问题。关键还是要看SIG/WG本身的内容和质量，比如在之前MindSpore社区开源后成立的第一个新SIG-AKG，就为开发者带来了图算融合这样非常黑魔法的特性。 那么这次新成立的4个社区组织有什么特色？ 8月份社区迎来的这4个新组织都非常各具特色，我们将会在接下来通过4篇独立的文章分别介绍： SIG-MSLITE MindSpore社区8月份端侧特性大版本更更新，现在大家使用的华为手机中支撑HMS Core里面AI应用的MindSpore Lite模块，已经在社区所见即所得了！立项文档可参见\[1\]，我们将会在9月1日的公众号文章详细介绍SIG-MSLITE。 SIG-DPP 由清华大学开源项目珠算团队\[2\]带来的深度概率编程支持！通过开发MindSpore深度概率编程库，为广大开发者提供与深度学习无缝融合的高效贝叶斯学习编程库。立项文档可参见\[3\]，我们将会在9月2日的公众号文章详细介绍SIG-DPP。 WG-MM 由深圳湾实验室分子动力学团队带来的非常令人兴奋的需求性工作组。分子动力学如今被广泛应用于广泛应用于物理、化学、生物、材料、医学等领域，可以说是当之无愧的基础核心技术。这个新工作组将聚焦在MindSpore如何帮助加快深度分子模型的创新实现。立项文档可参见\[4\]，我们将会在9月3日的公众号文章详细介绍WG-MM WG-Research 是由华为团队发起的基于MindSpore面向未来的十大课题，通过开源社区面向开发者征集好的想法，以及对开发进行必要的资助。立项文档可参见\[5\]，我们将会在9月4日的公众号文章详细介绍WG-Research里面的十大课题都有哪些。 参考文献： \[0\]https://gitee.com/mindspore/community/blob/master/governance.md \[1\]https://gitee.com/mindspore/community/blob/master/design/meps/mep-mslite/MEP-MSLITE.md \[2\]https://github.com/thu-ml/zhusuan \[3\]https://gitee.com/mindspore/mindspore/issues/I1RG6C \[4\]https://gitee.com/mindspore/community/blob/master/design/meps/mep-mm/MEP-MM.md \[5\]https://gitee.com/mindspore/community/blob/master/design/meps/mep-research/MEP-RESEARCH.md MindSpore官方资料 GitHub:https://github.com/mindspore-ai/mindspore Gitee:https://gitee.com/mindspore/mindspore 官方QQ群: 871543426 扫描下方二维码关注 --- https://www.mindspore.cn/version-updates/zh/2568/ --- 版本动态 昇思MindSpore 2.0，框架全新升级，使能科研创新与产业应用 # 昇思MindSpore 2.0，框架全新升级，使能科研创新与产业应用 2023/06/20 # 昇思MindSpore 2.0，框架全新升级，使能科研创新与产业应用 昇思MindSpore1.0版本实现了业界首个全场景AI框架，1.5版本开始原生支持大模型，经过社区开发者们一年多的辛勤努力，我们正式发布昇思MindSpore2.0，实现全新技术升级，使能科研创新与产业应用。 在最新2.0版本，我们支持多维混合自动并行能力，提供大模型套件支持一站式训练，打造大模型最佳训推平台。在提升易用性方面，提供了大量开箱即用的模型套件，且支持灵活高效的动静统一，同时打造AI+科学计算领域套件，突破前沿特性，助力行业技术创新等，下面就带大家详细了解下2.0版本的关键特性。 ******——大模型训练与推理——****** 昇思MindSpore 2.0版本提供一站式大模型训练、推理一体化能力，提升训推性能及可跑模型规模，提供套件降低训练成本。 # ****1.** ****原生支持大模型，多维混合并行能力业界领先****** 昇思MindSpore目前支持数据并行、模型并行、MoE并行、流水线并行、优化器并行、异构训练等多种并行方式，可以原生实现大模型训练，是目前业内大模型训练的最佳框架之一。基于昇思MindSpore，国内外的厂商已经训练22+个大模型，参数规模从百亿~万亿之间，新增支持LLaMA、Bloom、GLM、GPT等百亿大模型。 # ****2\. 支持全场景统一推理，大幅提高部署效率和推理性能**** 1. \*\*\*\*多后端归一：\*\*\*\*一个发布包同时支持Ascend/GPU/CPU，简化部署成本，实现极简上线； 2. MindIR****原生支持****：MindSpore训练后模型直接使用MindIR无缝推理，缩短模型上线周期； 3. ****模型格式统一****：支持三方生态（TF、ONNX、Caffe）导出MindIR，实现推理格式归一，减少线上维护工作量； 4. ****优化策略多样化****：支持算子融合、常量折叠、格式转换、冗余算子消除等推理优化策略以及支持AVX512等高级指令优化算子，提升模型推理性能； 5. ****大模型极致优化****：针对主流的Transformer大型网络进行深度融合优化，减少模型内存占用，大幅提升推理性能。 MindSpore Lite参考文档：https://mindspore.cn/lite/docs/zh-CN/r2.0/index.html # ****3.** ****MindSpore Transformers******\*\*：********大模型训练套件，预置SOTA模型********，\*\*******提供开发流程模块化****** MindSpore Transformers的目标是构建一个大模型生命周期内，训练、微调、评估、推理的全流程的开发套件，覆盖CV、NLP、AIGC等热门领域，提供快速开发能力，支持10+ SOTA预训练大模型开箱即用，可一键部署AICC上云。 1. 基于Trainer接口实现2行代码训练，Pipeline接口实现3行代码推理，支持自动模型下载。 2. 提供GPT/GLM/BLOOM/LLAMA等热门领域的模型，支持丰富的下游微调任务，精度与SOTA基本持平，列表如下： 模型 已支持任务（task name） 已支持模型（model name） LLAMA text generation LLaMA7B/LLaMA13B/LLaMA65B BLOOM text generation bloom-7b/bloom-65B/Bloom-175B GLM text\_generation、question\_answering、translation glm\_6b GPT text\_generation gpt2\_small/gpt2\_13b/gpt2\_52b BERT masked\_language\_modeling text\_classification token\_classification question\_answering bert\_base\_uncased txtcls\_bert\_base\_uncased/txtcls\_bert\_base\_uncased\_mnli tokcls\_bert\_base\_chinese/tokcls\_bert\_base\_chinese\_cluener qa\_bert\_base\_uncased/qa\_bert\_base\_chinese\_uncased T5 translation t5\_small GPT2 text\_generation gpt2\_small/gpt2\_13b/gpt2\_52b MAE masked\_image\_modeling mae\_vit\_base\_p16 VIT image\_classification vit\_base\_p16 Swin image\_classification swin\_base\_p4w7 CLIP contrastive\_language\_image\_pretrain, zero\_shot\_image\_classification clip\_vit\_b\_32/clip\_vit\_b\_16/clip\_vit\_l\_14 clip\_vit\_l\_14@336 更多信息，请参考套件链接：https://gitee.com/mindspore/mindformers # ****4.** ****MindSpore RLHF******\*\*：********20行代码即可实现百亿级模型的RLHF训练********，********助力用户快速实现自己的********“\*\*******ChatGPT”****** MindSpore RLHF利用框架具备的大模型并行训练、推理、部署等能力，助力用户快速训练及部署百亿级大模型的RLHF（Reinforcement Learning from Human Feedback，基于人工反馈的强化学习）算法，实现自己的类“ChatGPT”模型。 MindSpore RLHF包含算法所需的三个阶段的学习流程：预训练模型训练、奖励模型训练和强化学习训练。通过集成MindSpore Transformers中丰富的模型库，提供了Pangu-Alpha(2.6B, 13B)、GPT-2、LLAMA、BLOOM等基础模型的微调流程，同时完全继承MindSpore的并行接口，支持一键部署不同规模的大模型到训练集群上。 当前MindSpore RLHF支持的模型如下表所示： 表1 ：当前MindSpore RLHF支持模型和规模 模型 Pangu-alpha Pangu-alpha GPT2 BLOOM 规模 2.6B 13B 124M 7B 最少硬件需求(Ascend 910) 单卡 16卡 单卡 16卡 当前版本支持Pangu-alpha(13B)、GPT2、BLOOM模型进行RLHF训练。未来，我们将提供更多模型，如LLAMA、GLM等。更多信息，请参考套件链接：https://github.com/mindspore-lab/mindrlhf # ****5.** ****MindSpore PET******\*\*：\*\*******极致低参微调，高效优化大模型，节约计算存储，满足各类任务需求****** MindSpore PET（MindSpore Parameter-Efficient Tuning）是基于昇思MindSpore AI融合框架开发的一套大模型低参微调套件，提供了简单易用的API调用接口和使用案例，方便用户轻松快速上手。当前该套件提供6种业界热门的微调算法以及2类共性图操作接口，特别值得一提的是，MindSpore PET还支持用户根据微调算法或模块名冻结网络中指定结构，并针对低参微调算法提供了仅保存可训练参数的接口，从而生成非常小巧的ckpt文件，进一步节约存储空间。 使用MindSpore PET，可以高效地进行大模型的低参微调，显著减少计算和存储内存的消耗，同时缩短微调训练的时间，在资源受限的环境中取得良好的模型性能。微调算法如下表所示，旨在通过微调少量参数来实现低参微调，同时保持全参微调的精度。 微调算法 算法论文 LoRA LoRA: Low-Rank Adaptation of Large Language Models PrefixTuning Prefix-Tuning: Optimizing Continuous Prompts for Generation Adapter Parameter-Efficient Transfer Learning for NLP LowRankAdapter Compacter: Efficient low-rank hypercom plex adapter layers BitFit BitFit: Simple Parameter-efficient Fine-tuning for Transformer-based Masked Language-models R\_Drop R-Drop: Regularized Dropout for Neural Networks 参考链接：https://gitee.com/mindspore-lab/mindpet # ****6.** ****MindSpore Recommender：支持TB级推荐模型训练，新增在线训练、动态特征能力，支撑模型实时更新上线****** 随着业界在推荐业务规模上的持续发展，面临着两个挑战： 1\. 模型大小突破数百GB，甚至达到TB级别，需要解决大规模特征向量的存储、训练以及推理的问题。 2\. 用户的实时行为数据，以在线的方式增量训练，模型实时更新上线，并且在线训练过程中特征会跟随时间而发生变化（新增或者消除），以稠密方式保存特征向量不便于记录特征的动态变化。 针对上述问题，MindSpore Recommender套件0.2版本，提供了大规模推荐模型训练能力，使用单卡即可训练TB级推荐模型，并新增了在线训练和动态特征能力，实现分钟级端到端增量训练+模型增量更新，有效支撑模型实时更新上线。 ## 6.2 单卡TB级模型训练 MindSpore Recommender通过分布式特征缓存的方式进行超大规模推荐网络模型训练，该模式建立在自动并行基础上，如下图所示，通过多级特征缓存（Device - Local Host - Remote Host - SSD）实现特征向量逐层级存储分离扩展，实现单张加速卡TB级模型的训练。 使用样例可参考：https://github.com/mindspore-lab/mindrec/tree/r0.2/models/wide\_deep/ ## 6.3 在线训练 MindSpore Recommender提供了在线训练和离线训练两种执行模式，提供端到端在线训练解决方案，全Python用户编程表达，支持模型增量导出、导入。 使用样例可参考： https://github.com/mindspore-lab/mindrec/blob/r0.2/docs/online\_learning/online\_learning.md ## 6.4 动态特征 在持续训练的过程中，特征通常会随着时间的推移而发生变化，对应系统中需要支持特征的准入和淘汰。MindSpore MapParameter类型支持Hash结构的动态特征表达、特征增删以及增量训练，****且所有计算均下沉到Device侧，充分使能硬件加速能力，较异构方案（将动态特征计算层放置在Host侧）更具有性能优势****。 详情参考：https://github.com/mindspore-lab/mindrec ******——易用性持续提升——****** # ******7\. 开发套件集成易用接口和前沿算法模型，助力AI开发与创新****** 昇思MindSpore联合中科大、西交、西电等高校打造了CV、NLP、Audio、OCR、YOLO等领域的AI套件，集成了大量主流和前沿的算法模型，是加速AI开发和研究的利器。在统一接口模块、降低学习开发成本的同时，用户可以更快地开发和应用不同的深度学习模型以解决不同领域的实际问题。 ## 7.1 MindSpore CV套件 MindSpore CV套件是基于昇思MindSpore的开源计算机视觉算法套件，提供了简单易用的模块接口（数据增强/模型构建/优化器等组件），进一步简化模型构建训练流程。利用Ascend+MindSpore混合精度/数据下沉/训练策略等特性，将模型训练时间提速1.x2.x倍，精度提升12%，助力CV领域的应用和创新。 套件代码地址：https://github.com/mindspore-lab/mindcv ## 7.2 MindSpore NLP套件 MindSpore NLP套件是基于昇思MindSpore的全领域自然语言处理套件，提供了自然语言处理各子领域的经典数据集、经典模型结构、Transformer-based模型等大量实用模块。内置数据集包含机器翻译、问答、序列标注、文本分类、文本生成等NLP常见子领域公开数据集，支持Huggingface权重导入，并支持CPM、GLM等中文预训练模型。简洁的NLP常用模型结构，提供Seq2seqModel、Seq2VecModel、PretrainedModel等结构，可使用数行代码快速构造模型。 套件代码地址：https://github.com/mindspore-lab/mindnlp ## 7.3 MindSpore Audio套件 MindSpore Audio套件是基于昇思MindSpore的音频处理套件及算法库，通过提供常用音频数据处理接口、快速搭建及训练音频深度学习算法等效果，提升音频算法开发效率，降低音频算法开发的门槛。提供50+常用数据处理API（STFT, Spectrogram, FBank等），5+预训练模型包含ASR任务DeepSpeech2/ Conformer，TTS任务FastSpeech2/WaveGrad，声纹模型ECAPA-TDNN，同时提供常用数据集预处理接口（AISHELL/LibriSpeech/VoxCeleb/LJSpeech） 套件代码地址：https://github.com/mindspore-lab/mindaudio ## 7.4 MindSpore OCR套件 MindSpore OCR套件是基于昇思MindSpore的OCR算法套件，提供极简易用API，主流SOTA模型dbnet/dbnet++/crnn/svtr等；支持生态三方模型推理(onnx)，利用流水线并行加速端到端推理，性能较业界开源工程提升20%。简洁易用的API接口和清晰的模型组件分类，覆盖OCR模型开发全流程。用户可灵活搭建和配置自己的OCR模型，丰富OCR领域的应用。 套件代码地址：https://github.com/mindspore-lab/mindocr ## 7.5 MindSpore Yolo套件 MindSpore YOLO套件是基于昇思MindSpore的YOLO系列算法套件，统一了各类 YOLO 算法模块的实现，通过提供YOLO系列算法常用的模块接口(数据处理/模型构建/优化器等)，简化模型构建和训练流程。当前提供YOLOv3/v4/v5/v7/v8/x 等6+基础模型，可快速复现和迁移； 套件代码地址：https://github.com/mindspore-lab/mindyolo # ****8.** ****动态图模式功能/性能全面增强，静态图模式支持返回基础数据类型****** 2.0版本开始，昇思MindSpore默认为动态图模式。在动态图模式下，框架通过多级流水加速算子下发，提升了动态图模式下的整体网络性能。动态shape场景下优化了自动微分实现，使能CANN的免编译算子能力，大幅度降低了反向图构建和算子编译开销，当前已支持语音类、推荐类、CV类网络等各类型动态shape网络编程，性能基本可用，后续将持续进行优化。 同时，针对静态图模式下无法很好地支持Tensor、tuple类型外的数据类型，导致无法支持返回list，dict，scalar，none等基础数据类型的限制，通过Fallback方式实现语法支持扩展，提供顶层图支持返回list，dict，scalar，none等基础类型的表达能力，从而提升Python语法兼容能力。 详情参考：https://www.mindspore.cn/docs/zh-CN/r2.0/design/dynamic\\\_graph\\\_and\\\_static\\\_graph.html#jit-fallback ## ****9\. 全面支持函数式+面向对象融合编程，********网络********表达能力持续提升**** ## 9.1 融合编程新范式，一行代码进行即时编译，降低上手难度 当前业界深度学习框架难以兼顾高效率编码和高性能执行，为此昇思MindSpore提出函数式+面向对象融合编程新范式（Functional Programming+Object-oriented Programming）。 新编程范式提供了更自由的低阶接口，在使代码更加简洁易懂的同时，提高了易用性，降低了上手难度。针对高阶微分和科学计算场景，融合编程范式相较于面向对象范式框架，如Pytorch等，能够更简单的实现数学表达；相较于纯函数式编程框架，如Jax、functorch等，能够提供更简洁的函数式表达。昇思MindSpore在AI和科学计算场景共用同一套自动微分机制，通过融合编程范式的表达，避免了业界框架编程范式的割裂问题。 业界AI+科学计算框架对比 Pytorch+functorch Jax+(haiku/flax) 昇思MindSpore 方案 AI-Centric 基础框架+套件 Science-Centric 基础框架+套件 DualCore(AI-Numerical) 框架 优点 对原有AI编程范式无影响 对原有函数式编程范式无影响 AI和函数式编程原生融合，共用同一套微分机制。 不足 函数式和基于Tensor的求导逻辑割裂。 原有Module的逻辑需要通过API转换。 由于Jax的纯函数式特点， 对nn的对象封装管理有缺陷 / 融合编程新范式保留了MindSpore计算图编译加速的能力。如下图所示，在最外层函数基础上进行JIT即时编译，一行代码进行模块加速，实现易用性和性能的完美结合。 详情参考：https://www.mindspore.cn/tutorials/zh-CN/r2.0/beginner/quick\_start.html ### 9.2 全面支持函数式算子调用，网络表达能力持续提升 1. 新增functional API 100+、Tensor类API 100+、nn计算模块API 30+、算子原语100+，如新增支持了Pooling系列、采样插值系列、线性代数系列、FFT系列等核心功能，进一步提升网络表达能力。 2. 多硬件统一功能完善：完善Ascend、GPU及CPU算子支持，Ascend侧满足度82%->90+%；GPU侧满足度75%->90+%；CPU侧满足度78%->90+%； 主要新增算子见下表： ****核心功能分类**** ****API名称**** ****算子名**** ****支持平台**** Pooling系列 ops.adaptive\_avg\_pool AdaptiveAvgPool Ascend/GPU/CPU ops.max\_unpool MaxUnpool Ascend/GPU/CPU ops.max\_pool3d MaxPool3DWithArgmax Ascend/GPU/CPU ops.fractional\_max\_pool3d FractionalMaxPool3DWithFixedKsize Ascend/GPU/CPU 采样插值系列 ops.grid\_sample GridSampler Ascend/GPU/CPU ops.affine\_grid AffineGrid Ascend/GPU/CPU ops.interpolate Nearest/Bilinear/Bicubic Ascend/GPU/CPU 线性代数系列 ops.matrix\_diag MatrixDiagV3 Ascend/GPU/CPU ops.matrix\_diag\_part MatrixDiagPartV3 Ascend/GPU/CPU ops.matrix\_set\_diag MatrixSetDiagV3 Ascend/GPU/CPU ops.matrix\_band\_pard MatrixBandPart Ascend/GPU/CPU ops.matrix\_inverse MatrixInverse Ascend/GPU/CPU ops.matrix\_power MatrixPower Ascend/ CPU ops.matrix\_solve MatrixSolve Ascend/ CPU ops.geqrf Geqrf Ascend/GPU/CPU ops.svd Svd GPU/CPU ops.ormqr Ormqr GPU ops.qr Qr GPU FFT系列 FFT/FFT2D/FFT3D/IFFT/IFFT2D/IFFT3D/IRFFT/IRFT2D/IRFFT3D/RFFT/RFFT2D/RFFT3D FFTWithSize Ascend/GPU/CPU 详情参考：https://gitee.com/mindspore/docs/blob/r2.0/resource/api\_updates/func\_api\_updates\_cn.md ## ****10\. M********SAdapter********：生态接口适配工具，实现第三方生态模型无缝兼容，提升迁移效率**** MSAdapter是鹏城启智社区主导开发的一款昇思MindSpore接口适配工具，支持PyTorch的原生态表达代码在昇思MindSpore+昇腾上高效运行。MSAdapter当前发布v0.1 Demo版本，初步兼容torch、torch.nn、torch.nn.function、tensor和torch.utils.data等1000+网络表达和数据处理接口，支持torchvision接口，完成70+主流PyTorch模型迁移验证。用户仅需少量适配即可实现CV/NLP等领域模型的快速迁移，可降低90%以上接口学习和脚本迁移成本。 ## ****11\. API文档全面支持中文，教程和文档全新升级**** 1\. 昇思MindSpore共包含20+组件5000+ API接口，除NumPy、SciPy等Python基础库相关接口外，已全面支持中文化，能够帮助国内用户更好地理解功能原理和逻辑。 中文API地址：https://www.mindspore.cn/docs/zh-CN/master/api\_python/mindspore.html 2\. 面向初学者，提供全新的初学入门和多领域的应用实践教程，帮助用户快速上手MindSpore。每篇教程可支持一键下载配套的Notebook和样例代码，支持快速部署运行和体验。 教程地址：https://www.mindspore.cn/tutorials/zh-CN/master/index.html 3\. 面向有其他AI框架经验的用户提供迁移指南，涵盖全方位的详细指导，并给出了与其他框架的典型区别和注意事项。 迁移指南地址：https://www.mindspore.cn/docs/zh-CN/master/migration\_guide/overview.html 4\. 为了方便用户快速了解官网文档的组成，我们提供了知识地图，包括了从入门到深度开发，再到扩展应用的所有相关信息，可一键直达。 知识地图地址：https://www.mindspore.cn/knowledge-map/ ### ****12\. D********ataset流水线********支持********灵活数据格式********，MindRecord易用性/性能全面提升**** ### ****12.1**** 数据处理流水线扩展支持任意Python类型 在愈发复杂的数据处理场景中，用户期望使用更强大的数据结构组织和管理数据。因此在昇思MindSpore2.0版本中，Dataset处理流水线对Python原生数据结构dictionary进行了扩展支持，用户可以使用Python的dictionary类型存储数据，并将dictionary直接返回至流水线中被下一个数据处理节点获取和使用。进一步的，用户也可通过dictionary类型管理各种Python对象、数据内容，自由决定在数据处理中的某个环节对dictionary数据进行变更、删除等，使得数据组织和处理更加的流畅和易用。 关于如何使用Dataset处理灵活的数据格式详见：https://www.mindspore.cn/tutorials/zh-CN/r2.0/advanced/dataset/python\_objects.html ### 12.2 MindRecord功能/性能全面提升 12.2.1 FileReader支持获取MindRecord数据格式的Schema信息和样本条数 FileReader新增schema()接口获取当前MindRecord数据格式Schema，用于辅助查看、分析MindRecord数据格式（数据字段名、数据类型、数据维度等），新增len()接口获取当前MindRecord中包含的样本条数，进一步提升用户易用性。 12.2.2 MindRecord创建速度提升10X倍 昇思MindSpore2.0版本对MindRecord的写入API FileWriter进行了大幅度的性能优化，主要通过Python层并发写、Python层 -> C++层数据传递优化、C++层多线程并发转换等操作，实现MindRecord格式数据集写入性能达到10X倍提升。 以ImageNet（1,281,167个样本，140G存储空间）转MindRecord数据格式性能表现如下（运行环境为nvme固态盘，shard\_num个数为16）： parallel\_wirter 优化前耗时 优化后耗时 False 118分 13分27秒 True 78分 7分30秒 12.2.3 MindRecord超大数据集（>500万样本数）内存加载优化，可减少40%运行内存 大模型训练场景下，训练数据非常庞大，数据预加载时索引的获取是巨大开销，并受到内存限制。昇思MindSpore2.0版本优化了MindRecord的Lazy Load加载模式，实现数据结构精简化加载，只做必要的元数据（样本ID、样本起始偏移、样本结束偏移等）加载，对于大模型训练、多模态数据加载场景更有优势。 ## ****13\. 持续优化报错机制****\*\*\*\*，提供系统化指导，降低\*\*\*\*\*\*\*\*用户问题解决门槛\*\*\*\* 昇思MindSpore2.0版本针对多个报错场景的错误信息结构和内容进行了优化，优化后报错可更为清晰的呈现错误内容，便于用户快速分类和理解错误信息。 例如：昇腾设备报错优化 优化前： 此例子是使用rank table方案启动并行训练，因为配置文件问题导致训练失败，如下图所示可以看出，Ascend给出的错误信息与MindSpore信息混合呈现，错误和解决方案不清晰。 ## ****14\. MindSpore Dev Toolkit：新增********API********映射扫描功能，智能代码补全功能提供********VSCode********平台插件**** ### 14.1 一键扫描全文中可映射API，支持单文件和项目的扫描 MindSpore Dev Toolkit是MindSpore的开发插件，支持在IDE中快速搜索API映射关系基础上，为了进一步提高模型迁移效率，提供了API映射扫描功能，一键获得代码中所有可直接映射成MindSpore API的PyTorch API，并支持API文档浏览，如下图所示。本功能既可以扫描单独的Python文件，也可以扫描整个项目，提供汇总的API映射关系。 ******——科学计算——****** # ******15\. MindSpore**** ****Flow：高效易用的AI计算流体仿真工具包****** 流体力学与航空航天、海洋装备、能源电力的研发息息相关，但发展至今，传统计算流体力学面临着网格剖分复杂、计算依赖度高、精度性能无法兼顾等问题，这些挑战也为AI融合科学计算带来了新的机遇。基于昇思MindSpore开发的AI流体仿真工具包MindSpore Flow，提供基于物理驱动、数据驱动和数据机理融合驱动的AI流体仿真技术以及端到端可微分CFD求解器，提供流体领域案例14个，网络模型8个，充分挖掘神经网络拟合能力，旨在构建高效、高精度的AI流场模拟工具，加速模型开发，满足相关科研工程需求。 MindSpore Flow的架构图如上图所示，AI仿真模型库提供了物理驱动AI流体仿真、数据驱动AI流体仿真以及数据机理融合驱动的AI流体仿真，并推出可微分CFD求解器，基于开源数据集，支持流体力学相关的控制方程，进而实现经典流动和各个应用领域的流体仿真。 ## 15.1 物理驱动AI流体仿真： 物理驱动AI流体仿真主要基于物理信息神经网络（PINNs）进行流体仿真，当前，MindSpore Flow为用户提供简单易用的物理驱动AI流体仿真的编程接口，支持sympy定义符号化偏微分方程，支持高效的几何采样、丰富的神经网络架构，便于用户实现流体偏微分方程的快速求解。 ## 15.2 数据驱动AI流体仿真： 数据驱动AI流体仿真采用AI方法挖掘流场数据的关联，从而实现流场的智能仿真。MindSpore Flow开源了业界首个工业级流体仿真大模型“东方.御风”以及相关数据集，用户可调用相关接口实现模型训练及快速流场仿真。此外，MindSpore Flow也提供了傅里叶神经算子、Koopman神经算子、Vision Transformer等多种神经网络模型库及相关案例数据。 ## 15.3 数据机理融合的AI流体仿真： 数据机理融合的AI流体仿真将物理驱动与数据驱动相结合，减小数据依赖并获得更强的泛化能力。PDE-Net是一种典型的数据机理融合AI流体仿真模型，MindSpore Flow提供了相关接口，用户可以通过学习卷积核来逼近微分算子，识别被观测的偏微分方程。 ## 15.4 端到端可微分求解器： MindSpore Flow在MindSpore框架上实现了传统可压缩流体求解的流程，推出了端到端可微分的求解器MindSpore Flow CFD，求解器支持WENO5重构、Rusanov通量以及龙格-库塔积分，支持多种边界条件，满足激波管、二维黎曼等多种基本流动的求解要求。 详情参考：https://gitee.com/mindspore/mindscience/tree/master/MindFlow # \*\***16.** \*\*\*\*MindSpore SPONGE：\*\*******架构全面升级，新增MEGA-Protein等20+生物计算SOTA模型，正式发布1.0版本****** 基于昇思MindSpore2.0开发的AI生物领域套件MindSpore SPONGE发布1.0正式版本，架构全面升级，支持业界以及自研的主流模型20+，基本覆盖药物研发全流程，如自研蛋白质结构预测工具MEGA-Protein，开源蛋白质设计工具ESM-IF、分子属性预测模型Pafnucy等；MSA生成增强工具MEGA-EvoGen和蛋白质结构对比评估工具MEGA-Assessement正式开放。MindSpore SPONGE1.0整体构架视图如下： 在1.0版本中，MindSpore SPONGE集成了20个自研模型以及业界主流模型，主要涵盖分子表征、结构预测、性质预测、分子设计和基础模型等方向，基本覆盖药物研发全流程。在药物作用靶点及生物标记的选择环节，MindSpore SPONGE提供了用于分子结构预测和分子设计的SOTA模型，例如MEGA-Fold，AlphaFold Multimer等蛋白质结构预测模型， ProteinMPNN，ColabDesign等蛋白质设计模型；在先导化合物确定环节，MindSpore SPONGE提供了用于分子表征和基础模型方向的SOTA模型，例如MolCT，SchNet和PhysNet 深度分子模型，GROVER，MG-BERT 小分子化合物预训练模型；在活性化合物的筛选环节，MindSpore SPONGE提供了用于分子性质预测的SOTA模型，例如GraphDTA， pafnucy等蛋白质-小分子化合物亲和性预测模型。 在旧版本中，MindSpore SPONGE已集成蛋白质结构预测模型MEGA-Fold。在1.0版本中，针对AlphaFold 2在“孤儿序列”、高异变序列和人造蛋白等MSA匮乏场景下无法做出准确预测的限制场景以及缺少蛋白质评估工具的情况，MindSpore SPONGE发布了MSA生成增强工具MEGA-EvoGen和蛋白质结构对比评估工具MEGA-Assessement，极大地突破了AlphaFold 2自身的限制。 为了方便用户快速上手，MindSpore SPONGE新增了PipeLine运行模式，针对上述模型提供统一调用接口，支持一行代码直接执行训练和推理任务，当前已适配大部分模型，模型介绍与调用方法可参考如下链接：https://gitee.com/mindspore/mindscience/tree/master/MindSPONGE/applications # ****17.** \*\*\*\*Mind********Spore**\*\* ****Elec********：发布0\*\*\*\*\*\*\*\*.2版本\*\*\*\*\*\*\*\*，新增“金陵.********电磁脑********”\*\*\*\* ****AI电磁仿真基础模型以及可微电磁求解器AD\_FDTD****\*\* MindSpore Elec电磁仿真套件升级至0.2版本，新增了两大特性，分别是联合东南大学实现了“金陵.电磁脑”大规模阵列天线的AI电磁仿真基础模型；联合华为诺亚方舟实验室实现了端到端可微的电磁求解器（AD\_FDTD，Automatic Differentiation Finite-Difference Time-Domain）。 “金陵.电磁脑” AI电磁仿真基础模型：大规模阵列天线在国防（相控阵雷达天线）和民用（ 5G基站天线，自动驾驶）广泛应用，但阵列天线的阵列规模大、单元构成复杂，亟需快速精确仿真。传统SED（Sub-Entire Domain，子全域基函数）算法计算复杂度是O(��+�)，其中M表示SED中每个阵列单元的参数量，N表示阵列单元的个数，M几乎保持不变，N随阵列规模线性增长。AI代替了其中最为复杂的部分，将计算复杂度降至O(��+�)。机理融合的“金陵.电磁脑”基础模型精度媲美传统方法，效率提升10X+，而随着目标规模的增大，该提升将会更加显著。 “金陵.电磁脑”AI电磁仿真模型流程图 AI计算方法性能极大提升情况下，精度不降低 30\*30阵列远场对比图 40\*40远场对比图 端到端可微的电磁求解器AD\_FDTD：该求解器可以采用昇思MindSpore的神经网络算子重写FDTD正向求解过程，也可以利用昇思MindSpore的自动微分能力对电磁逆问题中的介质参数进行端到端的优化。AD\_FDTD在贴片天线、贴片滤波器以及二维电磁逆散射等场景中得到了验证。在贴片天线、贴片滤波器案例中，S参数仿真精度与传统数值方法相当；在二维电磁逆散射案例中，反演得到的介质参数的结构相似度（SSIM）达96%。 AD\_FDTD计算流程图 --- https://www.mindspore.cn/version-updates/zh/262/ --- 版本动态 MindSpore 1.0版本正式发布！ # MindSpore 1.0版本正式发布！ 2020/09/25 # MindSpore 1.0版本正式发布！ 2020年3月28日，MindSpore正式开源，备受广大开发者的关注。从4月30日发布的v0.2.0-alpha版本，到8月30日发布的v0.7.0-beta版本，推出了数十个亮眼的新特性，9月，在华为全联接大会上，MindSpore正式发布v1.0.0版本（后简称1.0）。 **图1 Mind\*\*\*\*Spore 1.0正式发布** 开源6个月以来，我们收获了\*\*4.5w+\*\*名开发者，累计PR数 ，下载使用用户遍布全球，覆盖亚洲、欧洲、南美、北美、非洲、等各地区，MindSpore Study Group（下简称MSG）启动4个月便在海内外多个城市顺利开展，深圳、杭州、苏州、上海、俄罗斯、新加坡、印尼均已建立MSG组织，做到了真正的全球化社区。 **图2 MindSpore开源整体社区进展** **三大创新助力全场景AI应用** **图3 MindSpore 1.0全景图介绍** **创新一：全流程极简，多套件打造极致开发体验** **即开即用** 当开发者开展新项目时，往往需要从清洗数据开始，到训练模型，推理部署等多个流程，流程复杂，耗时较久。在1.0版本中，官方提供了\*\*40+\*\*个典型的高性能模型，覆盖了CV、NLP、推荐、语音等各个领域，大家可以使用这些模型直接推理或者加载自己的数据集做Fine-tuning，这样可以节省大量训练的时间和成本，快速开发出智能的服务和应用。开发者们可以在官网的Hub页面中通过筛选条件，快速找到自己想要的预训练模型，实现模型开发套件，“即开即用”。 **图4 MindSpore Hub官网页面** **所见即所得** 1.0版本中，MindSpore提供了所见即所得的模型开发和调优套件。在模型开发阶段，MindSpore基于统一的自动微分引擎，支持用户用一行代码切换动态图和静态图模式，使得兼顾开发效率和执行效率。在模型调优阶段，MindInsight可视化调优工具帮助用户汇总和分析调优过程，并且向推荐合理的调优策略，加速模型调优过程。 **图5 MindSpore 模型调优套件** 如果你已使用PyTorch训练模型，可以使用MindConverter工具加少量的代码开发，即可方便地迁移到MindSpore框架。同时MindSpore端侧推理引擎也提供工具直接转换PyTorch、TensorFlow Lite、Caffe的模型文件为MindSpore模型。 **创新二：全自动并行，最大释放集群算力** ****图6 MindSpore自动并行详解图**** - 在算法层面，MindSpore拥有**自动并行**能力，可以根据集群配置对模型和张量自动切分，将串行算法进行自动并行，大大减少算法开发人员的分布式代码开发和调优的负担，使得算法调优时间从月级降到天级； - 在算子层面，MindSpore提供了算子级**并行\*\*\*\*自动融合**，通过细粒度pipeline的并行执行的方式，进一步提高计算性能； - 在硬件层面，MindSpore进行**整图调度**，可以根据计算特征，自动把算子调度到异构设备上执行，实现异构多核的高效并行执行； 在此基础上，MindSpore协同Ascend处理器，在分布式集群上达到了接近线性加速比，ResNet50网络训练吞吐量提升两倍，Bert-Large网络训练吞吐量提升3.2倍。开发者可以方便地使用MindSpore实现在多计算单元上并行计算，既能大幅减少开发量以及开发难度，又能使性能持平甚至优于手动设置。在ReID网络上进行混合并行，脚本代码量从130行，直接变为1行，且**加速比能达到88%以上**。 # **创新三：全场景协同，智能匹配端、边、云多样设备** # MindSpore 1.0提供模型自适应生成能力，通过平衡模型精度和设备资源约束，自动搜索匹配的模型，开发者只需要做一次训练，得到的模型就可以在端、边、云等多处部署，可保证生成的精度损失小于1%；对于已经部署的模型，MindSpore提供了轻量化的端侧学习能力，发挥私人数据的价值，持续提升模型精度，让智能设备越用越懂你。 # 在框架方面，为了多样化设备的资源约束，MindSpore可以做到KB到MB级的弹性伸缩，既可以部署到高端手机，又可以部署到手表等对资源要求极为苛刻的设备，从而满足全场景部署的需求。 **图7 MindSpore全场景协同** **三大黑科技加速AI模型训练** # **黑科技一：二阶优化算法** # 常见的深度学习优化算法多为一阶算法，是否存在高阶的优化算法能够在不损失精度的同时，加速模型的收敛呢？常规的二阶优化算法虽然收敛速度快，但二阶矩阵求逆时间复杂。 在深度学习模型中， 常常在数百万的量级，此时二阶信息矩阵的逆无法计算。 # MindSpore自研二阶优化算法THOR通过减少二阶矩阵求逆次数以及降低二阶矩阵的维度来降低求逆时间，在Bert-Large上，使用MLPerf测试集，达到71.2%精度仅需3000step，端到端训练时间为14min，极大的提升了模型的训练速度。 **图8 MindSpore 二阶优化效果** # **黑科技二：图算融合优化** # 人工智能发展至今，业务场景的复杂度仅靠单一的模型套数据，使用框架训练早已满足不了需求，开发者通常会基于模型进行二次开发，手动改写网络，实现算子等。在传统的手写算子中，效率难以达到统一标准，极大的影响了开发人员的实现效率和网络的训练时间。MindSpore图算融合优化是通过分析和优化现有网络计算图逻辑，对原有计算逻辑进行拆分、重组、融合等操作，以减少算子执行间隙的开销并且提升设备计算资源利用率，从而实现网络整体执行时间的优化。 # 在图算融合特性中，所有优化项均可以自动完成，在训练脚本中为context指定参数enable\_graph\_kernel=True从而启用图算融合，无需网络DSL感知。同时基于polyhedral技术实现融合算子编译，带来更加通用、高性能的算子融合能力。最后**提供了自定义算子表达能力**，相对更加易用，性能更高。 # **图9 MindSpore 图算融合流程图** **黑科技三：轻量级神经网络推理框架MindSpore Lite** # MindSpore Lite是MindSpore新发布的一个轻量级神经网络推理框架，它能**大幅降低延迟，节省带宽，保护用户隐私**，帮助开发者使能端侧及边缘侧AI能力。主要包含离线转换工具和轻量级运行时两部分。离线转换工具将MindSpore模型及第三方模型变得更小，运行更快；轻量级运行时可部署到智能手机、以及手表、耳机等资源受限（算力，存储，电量等）嵌入式设备。 # 在1.0版本中，模型转换工具**支持直接在CPU+Windows环境上进行模型转换**，支持多个session并行推理，以适应更多的使用场景，进一步加强了算子支持和性能优化，增强对CPU、GPU支持。 **图10 MindSpore Lite架构图** **三大行业案例推进AI落地应用** **应用案例一：MindSpore助力分子动力学实现并行计算** # 分子动力学MD（Molecular Dynamics，下简称MD）模拟是一种计算机模拟方法，通过对分子、原子在在一定时间内运动状态的模拟，从而以动态观点考察系统所发生的物理及化学变化过程。传统分子动力学软件需要对手工处理并行（MPI）操作，并且在专用加速设备（如GPU）上运行需要单独编写对应代码，不同设备之间的迁移非常麻烦，存在精度和速度之间的矛盾。**MindSpore的自动并行技术可以实现MD并行操作**，运用TVM等技术实现代码在不同设备间的迁移，不仅简化了代码开发过程，而且能带来更快的计算速度和更高的计算精度。 # **应用案例二：MindSpore 助力Jina\*\*\*\*提供面向云原生的开源神经网络搜索能力** # Jina.ai是由MindSpore技术治理委员会成员肖涵博士主导的初创公司，致力于提供面向云原生的开源神经网络搜索能力。目前Jina社区团队完成了MindSpore框架的初步对接支持，**成为了首个对接MindSpore应用集成商**。Jina+MindSpore提供了业界少有的完整开源解决方案。 # **应用案例三：MindSpore 服务HMS ML Kit 270+智能应用** # MindSpore助力华为1+8+N战略，已经集成在了包括HMS ML Kit在内的多种端边云系统中，以MLKit为例，作为内置AI引擎\*\*，MindSpore Lite为超过270款智能应用提供服务，每天的调用次数达到1.18亿次。\*\*此外，MindSpore已经落地华为云，作为ModelArts内置的AI引擎，为广大开发者提供一站式全流程AI服务；当前包括华为内部用户，基于ModelArts提供900+实时在线推理服务，同时在训练集群稳定对外提供每天1100+次训练任务。 **开源六个月，社区繁荣度持续增加** 自开源以来，MindSpore汇聚了**4.5w+**开发者下载使用，**1500+**来自全球核心贡献者持续参与代码贡献；每月末的版本迭代，MindSpore都会发布1分钟特性视频， 给大家从不同的角度科普版本技术亮点，播放量超**30w+，**官网访问量**900w+**；除了特性介绍的短视频外，MindSpore还针对初级开发者，与机器之心联合开展系列 直播『轻松上手MindSpore』，收获**3w+**播放量，培养**2500+**活跃开发者；针对中级开发者开展了四期月末两日集训营，广受开发者好评，培养**100+**核心用户，为 MindSpore技术生态贡献。 为了让全国各地的开发者能在当地汇聚在一起，共享AI前沿技术分享，2020年5月MSG正式启动开始，相继在**深圳、杭州、苏州、上海、俄罗斯、印尼、新加坡**等多 个海内外城市开展活动，了解每位优秀开发者对开源生态独有的视角，享受与大咖们面对面交流的时刻。作为一个所有开发者都能参与的开源开放的社区，MSG成立 的宗旨是希望能够帮助所有有志于在开源社区做出贡献，收获知识。 未来在MindSpore开源社区，我们会继续开展面向不同个层级的开发者的培训活动，培养出优秀开发者和布道师，让每一位想要了解MindSpore的开发者们都有机会 体验MindSpore，让更多的人参与到开源中来，感受到开源的魅力，共建繁荣生态。 MindSpore 1.0版本安装方式：https://www.mindspore.cn/install GitHub：https://github.com/mindspore-ai/mindspore Gitee：https://gitee.com/mindspore/mindspore 官方QQ群:：871543426 **扫描下方二维码关注↓** --- https://www.mindspore.cn/version-updates/zh/2819/ --- 版本动态 昇思MindSpore 2.2，提升大模型编译效率，支持更多热门预训练大模型 # 昇思MindSpore 2.2，提升大模型编译效率，支持更多热门预训练大模型 2023/10/20 # 昇思MindSpore 2.2，提升大模型编译效率，支持更多热门预训练大模型 经过昇思社区开发者们2个月的辛勤耕耘，现正式发布昇思MindSpore2.2版本，持续提升大模型相关能力，包含提供Lazy inline模式提高大模型编译效率、大模型开发套件MindSpore Transformers支持20+热门预训练大模型和52+典型规格开箱即用，同时在生成式领域发布套件MindSpore One集成易用接口和前沿算法模型，在科学智能领域发布AI4Science高频模型套件MindSpore SciAI和地球科学套件MindSpore Earth，提供高效易用的AI4Science通用计算平台以及更多应用场景，下面就带大家详细了解下2.2版本的关键特性。 # 1\. **Lazy inline：显著提升大模型静态图编译效率** 在神经网络模型（特别是LLM）的流水线并行场景下，对于被重复多次调用的计算单元，传统编译过程会将层级的代码表达inline成一张扁平图，Lazy inline模式则不执行inline或只在执行前的最后阶段inline，从而显著降低了图的规模，实现了编译性能倍数级的提升。我们通过盘古13B网络对Lazy inline的编译效率提升效果进行了验证：计算图编译节点从13万+下降到2万+，编译时间从3小时下降到20分钟，效率提升900%+。 子图 loop body graph 仅有一份，使用Lazy inline方式多次调用子图 # 2\. **MindSpore Transformers：20+热门预训练大模型支持，52+典型规格开箱即用** MindSpore Transformers的目标是构建一个大模型生命周期内，训练、微调、评估、推理、部署的全流程的开发套件，覆盖CV、NLP、AIGC等热门领域，提供快速开发能力，支持20+ 热门预训练大模型、52+典型规格开箱即用，支持AICC计算中心大规模集群训练部署，支持昇思MindSpore多维存储优化和多维混合分布式并行特性配置化开发方式。 ## 2.1 热门预训练模型支持 MindSpore Transformers新增了对LLama2、Baichuan2、GLM2、Internlm、Ziya、SAM、CodeGeex2以及BILIP2预训练模型的支持，详细的支持列表如下： **模型** **规格** **支持模式** GLM2 glm2\_6b glm2\_6b\_lora 预训练、微调、评测、推理/MSLite推理 LLama2 llama2\_7b llama2\_13b 预训练、微调、评测、推理/MSLite推理 Baichuan2 baichuan2\_7b baichuan2\_13b 预训练、微调、评测、推理 CodeGeex2 codegeex2\_6b 预训练、微调、推理 BLIP2 blip2\_stage1\_vit\_g blip2\_stage1\_classification itt\_blip2\_stage2\_vit\_g\_baichuan\_7b itt\_blip2\_stage2\_vit\_g\_llama\_7b 预训练、微调、评测、推理 GLM glm\_6b glm\_6b\_lora 预训练、微调、评测、推理/MSLite推理 Baichuan baichuan\_7b baichuan\_13b 预训练、微调、评测、推理 LLama llama\_7b llama\_13b llama\_7b\_lora 预训练、微调、评测、推理/MSLite推理 Bloom bloom\_560m bloom\_7.1b bloom\_65b bloom\_176b 预训练、微调、评测、推理/MSLite推理 Internlm Internlm\_7b Internlm\_7b\_lora 预训练、微调、评测、推理 ZiYa ziya-13b 预训练、微调、评测、推理 GPT gpt2 gpt2\_lora gpt2\_txtcls gpt2\_xl gpt2\_xl\_lora gpt2\_13b gpt2\_52b 预训练、微调、评测、推理 PanGuAlpha pangualpha\_2\_6\_b pangualpha\_13b 预训练、微调、评测、推理 BERT bert\_base\_uncased txtcls\_bert\_base\_uncased txtcls\_bert\_base\_uncased\_mnli tokcls\_bert\_base\_chinese tokcls\_bert\_base\_chinese\_cluener qa\_bert\_base\_uncased qa\_bert\_base\_chinese\_uncased 预训练、微调、评测、推理 T5 t5\_small 预训练、微调、推理 MAE mae\_vit\_base\_p16 预训练、推理 VIT vit\_base\_p16 预训练、微调、评测、推理 Swin swin\_base\_p4w7 预训练、微调、评测、推理 CLIP clip\_vit\_b\_32 clip\_vit\_b\_16 clip\_vit\_l\_14 clip\_vit\_l\_14@336 微调、评测、推理 SAM sam\_vit\_b sam\_vit\_l sam\_vit\_h 推理 2.2 Pipeline在线推理体验 此外MindSpore Transformers提供了便捷的pipeine推理接口，指定任务和模型规格，即可完成大模型推理。 `import mindspore as ms from mindformers import pipeline ms.set_context(mode=0) pipeline_task = pipeline(task='text_generation', model='glm2_6b',max_length=193) pipeline_task("你好") # [{'text_generation_text': [你好！我是人工智能助手ChatGLM2-6B，很高兴见到你，欢迎问我任何问题。']}]` 以上为单卡单batch推理，如果需要多batch/分布式并行/MSLite推理等操作，可参考教程GLM2官方推理教程 MindSpore Transformers还提供了便捷的在线LLM大模型聊天界面，用户可参考官方教程体验业界SOTA大模型聊天能力，支持多种参数调节、多种Prompt模版定义、流式推理展示等。 ## 2.3 Trainer便捷任务调度 MindSpore Transformers提供Trainer高阶调度和开发接口，帮助用户轻松调度MindFormers已集成大模型或自定义开发的大模型，同时支持超参数自定义、边训练边评估、恢复训练、低参微调等特性。 `from mindspore as ms from mindspore.dataset import GeneratorDataset from mindformers import Trainer, TrainingArguments # 指定运行模式为图模式，运行设备为昇腾芯片 ms.set_context(mode=0, device_target="Ascend") def train_data(): """train dataset generator.""" 　seq_len = 128 input_ids = np.random.randint(low=0, high=15, size=(seq_len,)).astype(np.int32) labels = np.random.randint(low=0, high=15, size=(seq_len,)).astype(np.int32) train_data = (input_ids, labels) for _ in range(32): yield train_data def eval_data(): """eval dataset generator.""" seq_len = 127 input_ids = np.random.randint(low=0, high=15, size=(seq_len,)).astype(np.int32) labels = np.random.randint(low=0, high=15, size=(seq_len,)).astype(np.int32) 　eval_data = (input_ids, labels) for _ in range(8): yield eval_data def main(run_mode="finetune", task='text_generation',model_type='glm2_6b',pet_method='lora'): # 微调超参数定义 training_args = TrainingArguments(num_train_epochs=1, batch_size=2, learning_rate=0.001, warmup_steps=100,sink_mode=True, sink_size=2) # 数据准备 train_dataset = GeneratorDataset(train_data, column_names=["input_ids", "labels"]) eval_dataset = GeneratorDataset(eval_data, column_names=["input_ids", "labels"]) train_dataset = train_dataset.batch(batch_size=2) eval_dataset = eval_dataset.batch(batch_size=2) # Trainer 任务便捷定义 task = Trainer(task=task, 　　　　 model=model_type, 　　　　 pet_method=pet_method, 　　　　 args=training_args, 　　　　 train_dataset=train_dataset, 　　　　 eval_dataset=eval_dataset) # 一键调度训练、微调、评估、推理 if run_mode == train: task.train() elif run_mode == finetune: task.fintune() elif run_mode == eval: 　　　　 task.evaluate() elif run_mode == predict: predict_result = task.predict(input_data="你好") print(predict_result) #[{'text_generation_text': ['你好，我是 ChatGLM2-6B， 一个人工智能助手。我背后使用的模型是 GLM2-6B，是一种大型语言模型， 具有超过 2000亿参数，支持多种任务。']}] if __name__=='__main__': # 执行GLM2-6B大模型Lora低参微调，另外还可支持一键评估、推理 main(run_mode="finetune", task='text_generation',model_type='glm2_6b',pet_method='lora')` 以上是Trainer单卡启动大模型的训练、微调、评估、推理流程，如果需要分布式并行运行，可参考GLM2官方教程进行使用。 ## 2.4 AutoClass一键索引实例 MindSpore Transformers预置了多种SOTA大模型规格的Tokenizer、Processor、ModelConfig、ModelClass，使用提供的AutoClass接口的from\_pretrained可以轻松完成API的实例化，并获取到对应的词表、权重等文件，帮助用户便捷自定义开发创新大模型。 `from mindformers import AutoConfig, AutoModel, AutoTokenizer # 获取GLM2-6B的Tokenizer tokenizer = AutoTokenizer.from_pretrained('glm2_6b') # 使用GLM2-6B的Tokenizer进行提词 inputs = tokenizer("你好")["input_ids"] # 方式1：获取加载了GLM2-6B模型权重的模型实例，同时开启增量推理功能 model1 = AutoModel.from_pretrained('glm2_6b', use_past=True) # 方式2：获取GLM2-6B的模型配置，同时开启增量推理功能 config = AutoConfig.from_pretrained('glm2_6b', use_past=True) model2 = AutoModel.from_config(config) # 使用generate生成推理结果，同时支持多种生成参数配置 outputs = model1.generate(inputs, max_new_tokens=20, do_sample=True, top_k=3) response = tokenizer.decode(outputs) print(response) #['你好，作为一名人工智能助手，我欢迎您随时向我提问。']` 更多功能和文档请参考：https://gitee.com/mindspore/mindformers # 3\. **MindSpore One：生成式领域套件，集成易用接口和前沿算法模型，助力AI开发与创新** MindSpore One是基于昇思MindSpore的高质量生成式领域系列算法模型库，提供了简单易用的模块接口，内置了悟空画画/SD1.5/SD2.0/SDXL/VideoComposer等最新的图像视频生成模型，高效支持用户训推一体化部署，具有简单易用、高效微调、性能领先等特性。 1）简单易用：接口简洁，内置CLIP/OpenCLIP/VAE/UNet等基础模块及多种扩散模型，用户可以轻松地构建自己的数据处理流程和模型，开箱即用； 2）高效微调：支持LoRA、DreamBooth等个性化微调方法，适应不同领域的生成任务，帮助用户构建个性化生成模型； 3）性能领先：支持全场景推理，离线推理使用 MindSpore Lite，图像生成时间平均3秒。 详情参考：https://github.com/mindspore-lab/mindone # 4\. **MindSpore SciAI 0.1版本：AI4Science高频模型套件，模型覆盖度全球第一** MindSpore SciAI是基于昇思MindSpore打造的AI4Science（科学智能）高频模型套件，内置了60+高频SOTA模型，覆盖物理感知（如PINNs、DeepRitz以及PFNN）和神经算子（如FNO、DeepONet、PDENet）等主流模型，覆盖度全球第一；提供了高阶API（一键环境配置、自动模型加载、极简训练微调等），开发者和用户开箱即用。 MindSpore SciAI为广大开发者和用户提供了高效、易用的AI4Science通用计算平台。MindSpore SciAI架构图如下： ## 4.1 物理感知模型： 物理感知模型是指将物理学中的先验知识（如方程/初边界条件等）融入到神经网络中的一类模型，较为典型的有PINNs（如下述所示）、Deep Ritz以及PFNN等。该类模型的优势：无需生成离散网格；可基于AI框架的自动微分能力进行导数计算，避免数值微分离散误差；天然适用于反问题及数据同化问题；相比数据驱动具有更强的外插能力和更少的样本量。劣势：缺乏网络结构设计指引，奇异性问题学习困难；损失函数包含多项约束，训练难以收敛；物理约束变化时需要重新训练，缺乏泛化性；计算精度和收敛缺乏理论保证。 针对上述问题，学术界和昇思MindSpore提出了一系列改进方案，如自适应激活函数、时间&空间分解、多尺度优化以及自适应加权等。MindSpore SciAI内置了SOTA物理感知模型，应用领域也涵盖了流体、电磁、声、热、固体等众多领域。 ## 4.2 神经算子 PINNs等物理感知模型主要求解特定方程，神经算子模型则能够学习无限维函数空间的映射，一次求解整个PDEs族。较为典型的有FNO（如下述所示）、DeepONet以及PDENet等。FNO主要利用傅里叶变换的性质，在傅里叶空间中学习函数之间的映射，然后再将结果转回至物理空间。DeepONet通过“branch net”和“trunk net”两个子网络学习函数之间的映射。神经算子模型在流体、气象、电磁等领域有较好的表现，MindSpore SciAI因此也内置了SOTA神经算子模型。 详情参考：https://gitee.com/mindspore/mindscience/tree/master/SciAI # 5\. **MindSpore Earth 0.1版本：地球科学套件，涵盖中期天气预报、短临降水等多时空尺度预报场景** 气象预报与人们的工作生活息息相关，也是AI4Science（科学智能）领域受到最广泛关注的应用场景之一。昇思MindSpore发布了MindSpore Earth地球科学套件0.1版本。该套件集成了多时空尺度下的AI气象预报SOTA模型，提供了数据前处理、预报可视化等工具，并集成了ERA5再分析、雷达回波、高分辨率DEM数据集，致力于高效使能AI+气象和海洋预报的融合研究。 MindSpore Earth架构规划如下图所示，涵盖气象预报短临降水、中期预报、超分辨率等多个场景的业界SOTA模型，包括GraphCast、ViT-KNO、FourCastNet、DGMR等，模型覆盖度业界领先，预报精度超越传统数值模式，预报速度较传统数值模式提升千倍以上。 • 中期气象预报：MindSpore Earth提供了多个SOTA AI中期预报模型，包括FourCastNet、GraphCast以及华为先进计算与存储实验室与清华大学合作推出的ViT-KNO模型，可实现一周内气温、风速、湿度等要素秒级推理； • 短临降水预报：MindSpore Earth提供了DGMR降水模型，基于MindSpore Earth+昇腾可以进行对降水强度与空间分布进行高效训练与推理。 • 数据前处理：昇思MindSpore团队、AI4Sci Lab与清华大学联合推出适用于全球区域的DEM超分模型，该模型在RMSE指标、清晰度、细节等方面均优于目前广泛采用的超分模型。 详情参考：https://gitee.com/mindspore/mindscience/tree/master/MindEarth # 6\. **支持BF16数据类型** BF16一种相对较新的浮点数格式，又叫BFloat16或Brain Float16，在通过降低少量精度的前提下，来获得更大的数值空间，提升性能、并减少内存的消耗。 昇思MindSpore2.2版本支持使用BF16数据类型训练网络，同时混合精度训练也支持配置BF16类型，达到自定义配置参数类型的效果。 注意：当前部分算子还不支持BF16类型，后续会逐步补齐算子能力，敬请期待！ --- https://www.mindspore.cn/version-updates/zh/2_10/ --- 版本动态 昇思MindSpore 2.10版本正式发布，超节点亲和并行协同图算融合模式重磅升级，实现深度优化与效率提升 # 昇思MindSpore 2.10版本正式发布，超节点亲和并行协同图算融合模式重磅升级，实现深度优化与效率提升 2026/07/30 # 昇思MindSpore 2.10版本正式发布，超节点亲和并行协同图算融合模式重磅升级，实现深度优化与效率提升 经过昇思MindSpore开源社区开发者们几个月的开发与贡献，现正式发布昇思MindSpore2.10版本。 超节点亲和并行MindSpore HyperParallel，支持Muon+通算优化，实现6倍性能提升，同时激活值重计算与Swap协同升级，突破显存瓶颈，充分释放昇腾算力。 昇腾亲和图模式MindSpore AKG，其中Mfusion图算融合组件化接入Inductor，支持Ascend亲和，获得更高编译加速收益。 在基础框架演进方面，新增mccl集合通信异步初始化能力，提升大规模训练启动效率。 MindSpore Lite能力持续增强，云侧推理模型支持列表全面扩展，新增多模态推理加速插件，实现端到端推理加速。 下面就为大家详细解读昇思MindSpore 2.10版本的关键特性。 ## ——超节点亲和并行MindSpore HyperParallel—— ### 1 支持Muon+通算优化，实现6倍性能提升 随着大语言模型训练规模持续扩大，FSDP（Fully Sharded Data Parallel）已成为缓解显存压力、支撑千亿至万亿参数模型训练的重要分布式并行技术。同时，Muon 优化器得益于其高效率收敛也逐渐成为主流选择。然而，Muon 优化器的 Newton-Schulz 计算需要对完整参数矩阵进行正交化更新，而 FSDP 通常将参数、梯度和优化器状态切分存储在不同设备上，二者在计算粒度和数据布局上存在天然冲突。在大规模集群下，存在全矩阵通信开销高、数据并行域内重复计算严重、Host 侧小算子调度开销大等问题。 基于 MindSpore HyperParallel FSDP2 框架，设计并实现了面向昇腾超节点训练平台的 FSDP-Muon 融合优化方案。该方案针对大规模集群下FSDP+Muon优化器的冗余计算和冗余通信提供多个性能优化手段，包括AllGather+DP去冗余技术、高维参数通信计算去冗余、Newton-Schulz矩阵融合、HSDP（Hybrid Sharded Data Parallel）分组去冗余技术。综合多项优化后，在昇腾超节点512 die集群测试下，千亿级别MoE Muon优化器计算耗时从最初的2700 ms优化至450 ms，性能提升约6倍。 #### 1.1 DP 去冗余/ HSDP 去冗余 核心矛盾：FSDP的参数按行切分机制与Muon优化器Newton-Schulz正交化所需完整矩阵存在根本性冲突。 Muon优化器特点挖掘：如上图所示，Newton-Schulz过程通过AllGather获得所有完整的矩阵，并进行Newton-Schulz计算，多卡之间存在重复计算。 优化思路：减少冗余计算，每张卡只计算部分Param的Newton-Schulz 优化1：HSDP分组去冗余，每个HSDP组内存在一个完整的矩阵副本，副本组内分配计算参数，计算量随副本数线性下降，即下图（1）。 优化2：DP组去冗余，下图（2）中每个HSDP组内有多个DP组，且DP组内含有的矩阵一致，可进一步去冗余优化，即下图（2）。 #### 1.2 极致降显存 如上图所示，控制参数分batch更新，实现中间激活显存可控，显存峰值降低40%，同时实现 HSDP 去冗余的通算掩盖。 #### 1.3 Newton-Schulz的性能优化 在完成 DP/HSDP 去冗余的 Muon 优化器方案实现后，我们通过 Profiling 分析，Newton-Schulz 的计算开销成为了系统的主要瓶颈，针对 Newton-Schulz 计算进一步优化。 1） 高维参数通信计算去冗余优化 如上图所示，无需进行跨卡的全局通信聚合，可直接按本地分片的 Batch 维度独立并行执行Muon 计算，实现了完全的免通信通算去冗余，专家矩阵的绝对耗时由 4.9 ms 大幅缩减至 1.1 ms，耗时骤降约 77.5%。 2）矩阵融合优化 如上图所示，通过在 Host 端构建统一的 Batch 维度，我们将原本零散的海量小矩阵重组为连续的高维张量 B, M, N，从而在底层硬件触发高效的批量矩阵乘（BMM）算子，该优化显著降低了执行延迟。以 74 个形状为 24, 10240 的参数为例，批量执行 Newton-Schulz 迭代的总耗时降至 2.4 ms，远低于优化前逐个参数执行的理论总耗时（74\*1.0 = 74 ms）。 参考链接：https://gitcode.com/mindspore/hyper-parallel/tree/master/hyper\_parallel/core/optimizer ### 2 激活值重计算与Swap协同升级，突破显存瓶颈，充分释放昇腾算力 随着大模型规模、序列长度和微批次数持续增长，训练过程中需要为反向传播保留的激活值快速增加，激活显存逐渐成为制约模型规模和训练吞吐的关键因素。传统激活值重计算通过“以算换存”降低显存占用，但固定在反向阶段触发重算，难以充分利用流水线中的空闲窗口；在复杂训练场景中，单一内存优化手段也难以兼顾显存与执行效率。 MindSpore HyperParallel 1.0版本基于昇思MindSpore 2.10版本PyNative模式统一升级激活内存优化能力，将“保留、重计算、换出”纳入同一套声明式策略，并支持重计算任务独立调度。用户可以根据算子计算量、激活大小和调度空窗灵活组合策略，在减少Device显存占用的同时，尽可能隐藏重计算与Host-Device数据搬运开销。 #### 2.1 动态图重计算新增Swap策略，兼顾性能与显存 MindSpore HyperParallel 1.0版本在PyNative模式下支持选择性激活重计算，并将Swap作为与“保存”“重计算”并列的策略。用户可通过统一策略接口，对计算代价高的算子保留结果、对计算代价低的算子执行重计算、对大激活异步换出到Host，无需依赖整图捕获或编译，即可在同一重计算区域内组合使用多种激活内存策略。 该能力无需依赖完整前后向图的统一规划，可直接适配Python动态控制流和动态图原生执行方式，策略粒度更灵活，也更便于接入已有模型代码，三种策略的资源取舍如下图所示。 参考链接：https://gitcode.com/mindspore/hyper-parallel/blob/r1.0.0/docs/guide/activation\_checkpoint.md #### 2.2 函数与模块级重计算抑制，简化配置并降低Host开销 算子级策略适合精细控制激活的保存、重计算与换出，但当用户希望整个函数或模块不参与重计算时，逐一识别和配置内部算子并不方便。MindSpore HyperParallel 1.0版本提供checkpoint\_exclude\_wrapper，用户可直接从代码组织方式出发，包裹不需要重计算的函数或模块，无需感知其内部包含哪些算子。 该能力在函数或模块边界完成重计算抑制，不依赖算子级Dispatch机制，运行时无需对区域内的算子逐一校验，减少了随算子数量累积的Host检查开销，两种配置方式的差异如下图所示。 #### 2.3 重计算输入支持异步Swap，进一步压缩显存驻留 即使中间激活通过重计算释放，重计算区域的输入仍需一直保留到反向阶段。MindSpore HyperParallel 1.0版本支持将重计算输入异步换出到Host，并在反向使用前预取回Device。数据搬运通过独立拷贝流执行，可与后续计算重叠，从而进一步缩短大输入在Device上的驻留时间。 对于长序列、大 hidden size 或重计算边界输入较大的模型，该能力可在保留重计算收益的基础上继续降低激活显存，重计算输入异步换出与预取的执行时序如下图所示。 #### 2.4 重计算支持独立调度与提前触发，释放 PP 通算重叠空间 在进一步降低显存之外，MindSpore HyperParallel 1.0版本还支持对重计算时机进行独立调度。传统重计算通常由反向传播按需触发，重算时延会直接进入反向关键路径；昇思MindSpore 2.10版本动态图重计算独立调度能力可在正向阶段收集重计算任务，在合适的调度窗口提前触发，并由后续反向阶段复用重算结果。 该能力尤其适用于 PP overlap\_b\_f 场景。调度器可以在配对的前向计算启动前完成对应micro batch的重计算，避免二者竞争执行资源，同时为前向、反向及专家并行通信创造更充分的重叠空间，传统触发方式与独立调度方式的差异如下图所示。 借助昇思MindSpore 2.10版本动态图能力，MindSpore HyperParallel 1.0版本通过算子级策略、函数与模块级重计算抑制、异步输入换出和独立重计算调度，将激活显存优化从单一功能升级为可组合、可调度的完整能力，帮助用户在不同模型结构与并行策略下，更灵活地平衡显存、算力和Host带宽。 参考链接：https://gitcode.com/mindspore/hyper-parallel ## ——昇腾亲和图模式MindSpore AKG—— ### 3 Mfusion图算融合组件化接入Inductor，支持Ascend亲和，获得更高编译加速收益 随着AI模型在昇思MindSpore、PyTorch等不同前端框架上演进，如果图融合能力与单一框架内部表示深度耦合，容易带来规则重复建设，也难以复用已经验证的硬件优化经验。围绕这一问题，MFusion将在昇思MindSpore中积累的可复用融合方法与Ascend优化经验，沉淀为独立MLIR组件，形成从组件化接入、Ascend亲和手工融合Pass和后端感知自动融合的完整能力体系，进一步拓展昇思MindSpore融合能力的跨框架复用边界。 #### 3.1 基于MLIR的组件化架构 如下图所示，在PyTorch场景中，MFusion不是另起一个torch.compile后端，而是嵌入Inductor的post-grad图优化阶段。FX图经Torch-MLIR进入MFusion，完成融合与切分后，再以自定义算子形式返回原流水线；未融合区域沿用原NPU后端，融合子图则交由目标后端生成Ascend内核。由此可在保留Dynamo、AOTAutograd和Inductor原有能力的同时，让融合规则和代码生成后端作为独立组件持续演进。 #### 3.2 Ascend亲和的手工融合Pass MFusion首先通过可解释、可控的手工Pass锁定高价值结构。默认pipeline串联Torch侧和Mfuse侧的融合pattern，并支持自定义 DVM区域标注。在Transformer热点上，当前已覆盖RMSNorm、Add+RMSNorm、LayerNorm、RoPE、GELU、SwiGLU和Mean+Var；围绕MatMul/BMM，则提供Cast与Bias吸收、Transpose吸收、二维BMM降级、K=1改写为Mul以及MatMul—Reshape—Bias重排。各Pass同步检查dtype、shape和数值语义，例如RoPE在BF16存在数值漂移风险时会主动保留原图，避免以融合换取不可控的精度代价。 #### 3.3 后端感知的自动融合 在手工Pass优先锁定高价值结构之后，MFusion进一步以后端感知的自动融合覆盖长尾算子组合。系统先依据算子支持范围、dtype、shape和后端限制筛选候选节点，再通过依赖图搜索、并查集合并与环检测形成合法区域；当整段子图不存在统一的SSA插入位置时，通过动态规划补救切分，并结合Elementwise、Broadcast、Reduce、Reshape和MatMul等计算模式及Ascend启发式规则完成重组与outline，由此形成“确定性规则优先、自动融合补充”的两层优化路径。 如上图所示，实际运行结果显示，在NVIDIA A100 Tensor Core GPU与昇腾Atlas A2训练系列产品的测试环境下，34个在两侧均通过精度验证的TorchBench网络，统一以“昇腾Atlas A2训练系列产品平台内E2E加速比÷NVIDIA A100 Tensor Core GPU平台内E2E加速比”计算，所得比值的几何平均为1.20倍，其中23个网络的比值大于1。在NLP Transformer、Vision Transformer、语音、多模态、经典CNN和生成式网络六类典型网络中，BERT\_pytorch、timm\_vision\_transformer、speech\_transformer、torch\_multimodal\_clip、resnet18和dcgan分别达到4.46倍、2.10倍、1.92倍、1.39倍、1.33倍和1.15倍，六项几何平均为1.84倍。结果表明，在本次测试覆盖的多类网络上，MFusion在昇腾Atlas A2训练系列产品中可以获得较高的编译加速收益。 参考链接：https://gitcode.com/mindspore/akg/tree/master/mfusion ## ——基础框架持续演进—— ### 4 新增mccl集合通信异步初始化能力，提升大规模训练启动效率 随着大模型训练集群规模持续扩大，CPU集合通信初始化涉及多节点地址同步和拓扑建连，千卡集群这一过程耗时可达分钟级，在同步阻塞模式下Device侧只能空转等待，造成算力严重浪费。 昇思MindSpore 2.10版本新增mccl异步初始化能力，如下图所示，将mccl通信建连放入后台线程执行，主流程无需等待即可继续设备初始化，实现mccl通信建连与设备初始化的并行流水。这一改进在大规模集群场景下能有效降低初始化建链时间，提升Host与Device侧的并行利用率。当真正执行集合通信操作时，框架会自动等待后台线程完成初始化，并内置超时保护机制，保证安全可靠。 参考链接：https://gitcode.com/mindspore/mindspore/tree/master/mindspore/ccsrc/plugin/cpu/res\_manager/collective ## ——MindSpore Lite能力增强—— ### 5 云侧推理模型支持列表全面扩展，覆盖六大类共100款SOTA模型 模型生态是推理框架落地业务的关键。MindSpore Lite 2.10版本云侧推理模型支持列表持续扩展，覆盖六大类共100款SOTA模型，其中47款已提供完整的转换配置与推理示例，新增Kandinsky-5.0系列、Qwen3-VL Thinking/Instruct全量、Qwen3.5系列、Wan2.2系列、InternVL3\_5 Flash系列、Qwen3-TTS/Qwen3-ASR等一批SOTA模型。 参考链接：https://gitcode.com/mindspore/mindspore-lite#%E4%BA%91%E4%BE%A7%E6%8E%A8%E7%90%86%E6%A8%A1%E5%9E%8B%E6%94%AF%E6%8C%81%E5%88%97%E8%A1%A8 值得强调的是，MindSpore Lite 2.10版本云侧推理模型支持列表与多模态推理加速插件形成协同：多模态推理加速插件当前已支持Wan2.1 T2V/I2V系列多卡并行推理加速，后续将基于模型注册机制扩展到更多开源模型。用户在使用云侧推理模型支持列表中的模型时，可结合该插件获得额外的多卡并行与稀疏注意力加速能力。 通过持续扩展的模型支持列表与多模态推理加速插件，MindSpore Lite 2.10为昇腾云侧推理提供了“广覆盖 + 强加速”的端到端方案，协助从模型选型、转换、部署到加速的完整链路在统一框架下高效完成。 ### 6 多模态推理加速能力增强，实现端到端推理加速 随着大模型推理在生产环境的规模化部署，业务方在昇腾NPU上获取极致推理性能时普遍面临挑战：融合算子、稀疏注意力、多卡序列并行等关键加速能力散落在不同实现中，缺乏统一、易用的入口。针对这一痛点，MindSpore Lite 2.10面向昇腾硬件，通过C++自定义算子深度调用昇腾CANN aclnn接口，结合Python层的优化Attention、RoPE实现以及HCCL多卡通信，实现端到端推理加速。 #### 6.1 RainFusionAttention：原生昇腾融合的块级稀疏注意力 视频生成、长序列语言模型等场景下，标准注意力计算量随序列长度二次增长。内置稀疏注意力算子直接封装昇腾CANN原生aclnnRainFusionAttention接口，在保留精度的基础上对注意力计算进行块级稀疏化。完整流程包含Token重排、块级池化、Top-k稀疏Mask生成、aclnnRainFusionAttention调用、逆重排五个阶段，借助token重排与稀疏Mask的协同，即便sparsity=0也能比dense attention更快。为兼顾定制化集成与开箱即用，提供两层接口：rain\_fusion\_attention为底层算子，sparse\_attention为上层封装，补充完整的前后处理逻辑。 参考链接：https://gitcode.com/mindspore/mindspore-lite/blob/master/mindspore-lite/lite\_boost/docs/ops/RainFusionAttention.md #### 6.2 NPU兼容FlashAttention与优化RoPE 针对常用注意力实现做了NPU兼容化处理：FlashAttention按优先级自动选择FA3 → FA2 → NPU原生npu\_prompt\_flash\_attention后端，自动匹配最优路径；RoPE采用float32实运算 + cos/sin表缓存实现，在视频生成模型实测中RoPE耗时降低约88%。 #### 6.3 多卡并行：Ulysses序列并行 + VAE数据并行时间切片 多卡并行提供两类不切分模型参数的并行策略，Ulysses Sequence Parallel (USP) 是面向Transformer自注意力层的序列维度并行，每卡持有完整模型权重，仅在激活上通过all\_to\_all通信，约束为num\_heads可被world\_size整除，适合长序列、大batch场景。VAE数据并行时间切片 针对视频VAE因果卷积的跨帧状态依赖，将视频沿时间维切分为重叠帧chunk分发到各卡独立处理，再通过all\_gather收集拼接，重叠帧覆盖VAE时间感受野保证拼接一致性。插件采用模型注册机制支持快速扩展：实现boost\_xxx(model)函数并在SUPPORTED\_MODELS注册类名即可，当前已支持Wan2.1 T2V/I2V系列，通过ParallelManager(model)一行代码即可原地转为USP多卡推理模式。 参考链接：https://www.mindspore.cn/lite/api/zh-CN/master/lite\_boost/lite\_boost.parallel.ParallelManager.html#lite\_boost.parallel.ParallelManager MindSpore Lite为基于PyTorch接口的云侧推理提供了“原生算子 + 自动并行 + 极简接入”的统一加速方案，通过LiteBoost多模态推理加速插件，用户无需重写模型脚本即可在昇腾NPU上获得融合算子、稀疏注意力与多卡并行的端到端性能收益。 --- https://www.mindspore.cn/version-updates/zh/2_8/ --- 版本动态 昇思MindSpore 2.8版本正式发布，为超节点而生的HyperParallel架构，训推更灵活、更高效 # 昇思MindSpore 2.8版本正式发布，为超节点而生的HyperParallel架构，训推更灵活、更高效 2026/01/28 # 昇思MindSpore 2.8版本正式发布，为超节点而生的HyperParallel架构，训推更灵活、更高效 经过昇思MindSpore开源社区开发者们几个月的开发与贡献，现正式发布昇思MindSpore2.8版本。 面对模型规模持续增长、结构日趋不规则、异构性日益显著的三大紧迫挑战，昇思MindSpore通过与超节点协同设计，推出了HyperParallel架构。此架构将超节点视作一台超级计算机进行编程与调度，其核心由三大关键技术支撑：HyperShard极简声明式并行编程、HyperOffload多级智能卸载，以及HyperMPMD非规则异构并行。 在基础框架演进方面，提供了Dispatch功能、引入saved\_tensors\_hook机制和算子级注册机制增强动态图能力，并开放多种框架自定义能力提供更灵活、高效的框架扩展机制。 在大模型推理能力提升方面，与SGLang社区合作，提供MindSpore支持并适配Radix Cache等核心特性，升级适配vLLM v0.11.0最新版本并接入了昇腾ACLGraph图下沉功能。 在科学计算套件方面，支持蛋白质结构预测模型Protenix，并实现高性能训推。 下面就为大家详细解读昇思2.8版本的关键特性。 # **——大模型训练能力提升——** ## **支持Hyper****Shard****声明式并行，开辟分布式并行领域“Triton范式”** 为应对AI模型规模持续扩大、结构日益复杂的趋势，昇思MindSpore 2.8版本推出HyperShard声明式并行编程范式，如下图所示，它旨在彻底简化分布式训练，将并行策略与模型计算逻辑解耦，使用户能摆脱为适配分布式系统而侵入式修改代码的负担，从而专注于模型创新本身。 HyperShard融合了超节点感知调度与全局资源协同，在显著降低编程复杂度的同时，实现接近理论极限的并行效率，致力于开创让高效并行如编写串行代码一样自然的“Triton范式”。它尤其支持多模态大模型编解码器架构的灵活组装，在保障极致性能的同时，提供真正以用户为中心的并行体验。 HyperShard构建于昇思MindSpore动静结合的基础之上，提供一套高度解耦、“以模型为中心”的声明式并行库。如下图所示，系统提供手动、DTensor、Shard三种编程范式，支持用户从细粒度控制到全局策略声明灵活选择。其基础并行模块作为可插拔组件，使单卡算法逻辑、并行策略描述、图编译与运行时调度相互分离，从而实现非侵入式的并行扩展——用户只需以单卡视角编写PyNative动态图代码，系统即可自动完成分布式策略推导、子图切分、资源映射与混合并行调度，最终达成“编写即单卡，运行即分布式”的体验。用户只需声明“做什么”，系统自动完成“怎么做”，真正实现极简易用、开箱即优。上述大部分动态图的能力已在HyperParallel子仓中构建，目前提供预览版本，后续会提供更稳定的能力。 参考链接：https://atomgit.com/mindspore/hyper-parallel # **——基础框架持续演进——** ## **HyperOffload****实现全图自动的数据层次化管理****，显著提升显存利用率与训练吞吐** 在超大规模模型的训练与推理场景中，硬件加速器的存储容量与数据传输带宽已成为制约系统性能的关键瓶颈。针对这一挑战，昇思MindSpore2.8版本提出并实现了一套基于全图编排的层次化存储管理方案HyperOffload，旨在通过系统级的架构优化，提升异构计算环境下的资源利用率与执行效率。 HyperOffload的核心创新在于数据传输的算子化抽象与流水线并行，打破了传统计算与通信的界限，将跨层级存储的数据搬运操作抽象为图层面的算子，纳入统一的计算图编排体系。依托昇思MindSpore的即时编译（JIT）引擎，系统能够对静态计算图进行深度分析与优化，自动构建计算与通信的并行流水线。通过在计算任务执行期间预取后续数据，该机制有效地掩盖了高延迟的I/O开销，显著降低了计算单元的空闲等待时间。 针对不同开发模式的需求，HyperOffload提供了灵活的接入方式： 1.静态图模式： 实现了高度的自动化。对于绝大多数应用场景，用户无需修改原有训练脚本，框架即可通过全图编译自动完成计算图的重构与内存优化。基准测试表明，在启用该特性后，模型训练吞吐量平均提升超过10%。 2.动态图模式： 考虑到动态执行的复杂性与灵活性，HyperOffload开放了底层的存储管理接口。允许用户根据模型逻辑，通过手动调用接口的方式精确控制模型参数与中间数据的卸载与加载时机。这种细粒度的控制能力能够在动态图调试或特定算法实现中，针对性地优化显存占用，实现定制化的内存管理策略。 温馨提醒：HyperOffload当前处于实验性阶段。虽然初步验证表明该架构在提升显存效率与计算吞吐方面具有显著优势，但针对特定复杂网络结构的适配仍需进一步验证。未来，我们将持续优化内存调度算法与全图编译策略，致力于在更广泛的生产环境中提供稳定、高效的异构存储解决方案。 参考链接：https://www.mindspore.cn/docs/zh-CN/master/api\_python/mindspore/mindspore.jit.html ## **增强动态图能力，支持更灵活的执行与扩展机制** 昇思MindSpore在动态图（PyNative）模式下持续迭代，围绕易用性、算力利用率以及大规模并行场景的核心痛点，在昇思MindSpore2.8版本中推出三项重要的增强特性。这些能力互相协同，为用户带来更高效、更灵活、更具未来扩展空间的深度学习开发体验。 ### 3.1 动态图Dispatch功能 全新的Tensor Dispatch能力补齐了动态图在异构设备支持上的核心能力。当前作为Demo特性，通过环境变量开启。开启后，用户无需再为算子选择或设备匹配进行额外编码，只需将 Tensor 放置在目标设备上，框架便可基于Tensor的存储位置自动进行算子分发调用。通过这一机制，昇思MindSpore在多设备协同场景下显著提升易用性与一致性。 参考链接：https://www.mindspore.cn/docs/zh-CN/master/api\_python/env\_var\_list.html?highlight=dispatch ### 3.2 动态图saved\_tensors\_hook 引入了saved\_tensors\_hook机制，将激活值生命周期纳入可编排范畴。借助pack/unpack hook，可以在不侵入核心模型逻辑的情况下实现激活offload能力。这不仅为大模型训练提供更主动和更节省显存的策略，也为未来更多创新式的内存优化手段打开了空间，使动态图模式下的训练更加灵活、稳健、高效。 参考链接：https://www.mindspore.cn/docs/zh-CN/master/api\_python/mindspore/mindspore.saved\_tensors\_hooks.html?highlight=saved\_tensors\_hooks ### 3.3 动态图算子级注册机制 提供了算子级注册机制将动态图的可扩展性提升到全新维度。通过继承Tensor，在子类中实现\_\_fallback\_\_函数，各类组件能够在算子执行链路中注入自定义行为。这一能力对声明式编程尤为关键，用户可以在不修改模型代码的情况下，为算子自动插入并行layout或自定义策略，加速构建复杂分布式训练体系。 随着这三项能力的发布，昇思MindSpore动态图不仅在易用性和兼容性上迈出关键一步，帮助用户从算子调试到大模型训练，都能拥有更高效且更确定性的工作流程。 ## **开放多种框架自定义能力，灵活高效实现用户自定义逻辑** 随着AI模型与硬件生态的日益复杂，用户在追求极致性能与创新时，常面临两大核心挑战：一是主流深度学习框架的固定算子库难以覆盖所有前沿算法或特定领域（如科学计算）的算子需求；二是框架的默认优化策略与运行时无法充分释放专用硬件（如新型AI加速卡）的全部潜力。这种“框架通用性”与“业务/硬件特殊性”之间的鸿沟，限制了技术落地的深度与效率。昇思MindSpore 2.8版本显著增强框架自定义开放能力，重点围绕自定义算子、自定义PASS和自定义后端三个维度，为用户提供了更灵活、高效的框架扩展机制。 ### 4.1 自定义算子 自定义算子提供极简C++开发接口，天然内置多级流水，用户Kernel一经编译即可无缝嵌入 昇思MindSpore执行图，自动享受内存复用、异步调度等框架级优化；通过CustomOpBuilder工具，编译加载一步完成，像普通算子一样直接调用。同时提供专为ACLNN、ATB、ASDSIP三大加速库量身定制的AclnnOpRunner、AtbOpRunner、AsdSipFFTOpRunner运行器，零成本对接高性能算子，用户亦可继承PyboostRunner快速封装私有Kernel，科研与产线的创新算子快速上线、性能即刻释放。 参考链接：https://www.mindspore.cn/tutorials/zh-CN/master/custom\_program/operation/op\_customopbuilder.html ### 4.2 自定义PASS 昇思MindSpore开放了框架pass编写及注册接口，用户可通过编写并注册自定义PASS插入自定义图优化逻辑，在编译期对计算图进行变换： 1.开放PatternToPattern Pass父类及必要的工具方法，用户可以通过继承PatternToPattern Pass，实现源pattern、目标pattern、额外匹配条件等pass逻辑，实现计算图变换优化目标。 2.提供自定义Pass注册接口register\_custom\_pass，用户可以根据需要选择不同后端、不同阶段注册相关自定义pass。 参考链接：https://www.mindspore.cn/tutorials/zh-CN/master/custom\_program/custom\_pass.html ### 4.3 自定义后端 昇思MindSpore开放了后端编译执行扩展接口，允许用户适配第三方后端： 1.提供后端编译执行、后端管理等核心模块的抽象层，允许用户自定义编译执行行为。 2.支持用户自由切换不同后端进行编译执行。 参考链接：https://www.mindspore.cn/tutorials/zh-CN/master/custom\_program/custom\_backend.html 昇思MindSpore通过增强三大自定义能力，显著提升了框架的开放性与可扩展性。用户能够针对特定算法、硬件或场景，灵活定制计算逻辑、优化策略与运行时支持，从而在保持框架统一性的同时，充分发挥软硬件协同潜力，加速AI应用创新与落地。 # **——大模型推理能力提升——** ## **支持SGLang，升级适配vLLM** **v****0.11.0****最新版本** 作为一款专为生产级部署设计的推理服务框架，SGLang因其低延迟、高吞吐的出色性能表现，以及对DeepSeek-V3.2 Exp、Qwen3-Next等SOTA模型的快速适配，已成为继vLLM后的又一主流大模型推理引擎。2025年11月，经历多轮方案讨论和技术验证，SGLang社区已合入了昇思MindSpore推理后端代码，支持以昇腾+昇思为底座的大模型推理加速。 SGLang支持MindSpore推理后端系统架构图 如上图所示，SGLang采用后端组件化接入的方案，实现对MindSpore大模型推理的支持。该方案完整复用了SGLang的前端语言、路由器、数据并行控制器等服务模块，仅在模型执行模块中，将MindSpore推理模型统一封装为MindSporeForCausalLM类，以替换SGLang的模型类。 昇思MindSpore-PyTorch协同实现SGLang推理流程图 如上图所示，该项目通过适配DLPack等功能库，实现了昇思MindSpore和PyTorch之间，跨AI框架高效复用PyTorch张量、HCCL通信组等数据结构。使得昇思MindSpore推理模型，可以无缝嵌入涉及PyTorch接口调用的功能流程中，仅需简单的接口适配，即可支持SGLang的Radix Cache、数据和张量并行、PD分离、投机推理等特性。 当前，SGLang 0.5.6已搭载昇思MindSpore推理后端，支持DeepSeek-V3/R1、Qwen3模型，以及Radix Cache、混合并行、PD分离等核心服务特性。为提升项目可维护性，昇思MindSpore推理模型脚本在独立仓开发，当前临时托管在MindSpore-Lab组织（https://github.com/mindspore-lab/sgl-mindspore），验证完成后将移至SGLang社区组织（https://github.com/sgl-project）。 ACLGraph加速原理图 与此同时，昇思MindSpore推理升级适配了vLLM v0.11.0版本，跟随上游社区的架构演进，移除了老旧的V0架构代码，并接入了昇腾ACLGraph图下沉功能。如上图所示，ACLGraph支持将待执行的多个算子捕获成图后，一次下发，从而有效消除因Host Bound引入的NPU资源利用率低的问题。经测试验证，采用vLLM+MindSpore部署DeepSeek-V3/R1 W4A8量化推理服务，开启ACLGraph功能后，整网吞吐性能提升约5%，算子下发时延平均由30ms降低至10ms。此外，本次升级适配拓展支持了GLM-4.1V-Thinking、Qwen3-VL、MiniCPM4等SOTA大模型。 # **——科学计算套件增强——** ## **支持蛋白质结构预测模型Protenix，实现高性能训推** Protenix是AlphaFold3的高性能开源复现模型，采用先进的扩散生成架构，通过完整开源代码与权重，为全球生物医药研究者提供了一个可直接训练、微调且性能媲美顶尖闭源模型的高效工具，而昇思MindSpore2.8版本支持Protenix并在昇腾硬件平台上实现了高性能的训练和推理。 在模型训练方面，针对激活值数量极大的Triangle Attention，Triangle Multiplication和smooth\_lddt\_loss等计算模块进行重计算处理，此前在64GB显存下仅能训练长度为64的序列，且动态显存峰值约为20152MB，经重计算优化后可支持训练长度最高可提升到768，显存峰值可下降到7025MB。这一优化是Protenix能够在昇腾硬件平台上支持长序列训练的关键技术点之一。 在模型推理方面，针对Unfold算子带来的明显性能瓶颈，进行了算子重构；其次在融合算子的开发与调优方面，实现了EvoformerAttention算子的开发与Einsum算子的逻辑优化，两者联合使用后的单卡推理性能提升最大可超100%；针对长序列推理场景，昇思MindSpore解决了存在于msa\_attention，triangle\_multiplication，transition\_block等模块中的内存瓶颈，对其采用分块计算的模式并避开了LayerNorm、Softmax等非线性操作所涉及维度，在不改变推理精度的前提下成功将昇腾硬件单卡推理Token长度极限提升到3000以上；最后，对 Transformer核心模块进行了JIT编译优化，提前编译为静态图，在执行时以大算子形式一次性下发从而极大减少算子调度成本，最终实现了57%的端到端加速比。 在上述调优策略下，Protenix模型在昇腾硬件64G单卡上可达到768的最大训练长度，并且最大单卡推理长度超过3000。如上图所示，基于昇腾硬件的Protenix模型的推理结果与实际蛋白质数据（PDB）的空间结构吻合。详细技术解读见《MindSpore Protenix 蛋白质结构预测模型的性能优化技术，助力训推性能提升50%+》 --- https://www.mindspore.cn/version-updates/zh/2_9/ --- 版本动态 昇思MindSpore 2.9版本正式发布，独创无图融合技术，绑核能力全面升级，提升训练稳定性与效率 # 昇思MindSpore 2.9版本正式发布，独创无图融合技术，绑核能力全面升级，提升训练稳定性与效率 2026/04/29 # 昇思MindSpore 2.9版本正式发布，独创无图融合技术，绑核能力全面升级，提升训练稳定性与效率 经过昇思MindSpore开源社区开发者们几个月的开发与贡献，现正式发布昇思MindSpore2.9版本。 在基础框架演进方面，独创无图融合技术，支持动态图原生自动算子融合优化，实现网络模型性能收益，使能Triton Ascend算子，降低自定义算子开发门槛，并新增算子调度拦截机制，支持自定义控制算子执行，同时支持进程级、线程级与NUMA级绑核，提升大规模训练稳定性与Host侧执行效率。 在科学计算套件方面，发布MindSpore Science科研智能体系统，覆盖端到端科研全流程，大幅压缩科研周期。 下面就为大家详细解读昇思2.9版本的关键特性。 ## ——基础框架持续演进—— ### 1 独创无图融合技术，实现动态图原生自动算子融合优化 在业界主流AI框架中，自动算子融合一直是一个非常重要的性能优化手段，然而当前主流自动算子融合方案都依赖构建静态计算图进行融合，这种方式既限制了自动算子融合的可用范围，同时也为实现高性能模型代码增加额外的不必要约束。 为了解决该问题，昇思MindSpore独创实时无图融合技术并在2.9版本正式落地，实现对用户Python原生动态图模型进行自动实时算子融合优化，对用户模型零修改、零适配。 设置如下环境变量即可使能： export MS\_DEV\_PYNATIVE\_FUSION\_FLAGS="--opt\_level=1 -- enable\_ops=Dense,MatMul,BatchMatMul,BatchMatMulExt,MatMulExt" 无图融合技术基于昇思MindSpore社区已经孵化两年多的DVM实时算子编译和执行框架进行构建。主要技术原理是在动态图算子下发过程中自动识别可融合算子并加入待融合缓存池，当遇到不可融合算子、值依赖等调用时，对缓存池中的算子基于DVM进行实时融合和下发执行。通过无图融合，可实现网络模型平均约5%~15%的性能收益。 为了支持用户更好使用包括该特性在内的所有DVM融合能力，并繁荣社区生态，已同步对DVM代码进行了开源。 开源地址：https://gitcode.com/mindspore/dvm ### 2 使能Triton Ascend算子，降低自定义算子开发门槛 随着人工智能模型规模的持续扩大与架构创新的加速演进，对底层算子执行效率与开发灵活性的要求日益提升。传统自定义算子开发通常依赖 C++/ACL 等底层接口，存在开发周期长、调试复杂、跨平台迁移成本高等挑战。 Triton作为一种基于Python的领域特定语言（DSL），通过声明式编程模型与自动优化机制，显著降低了高性能GPU/NPU算子的开发门槛。triton-ascend项目在此基础上，进一步扩展了Triton对昇腾NPU架构的支持，并实现了与昇思MindSpore框架的无缝集成。这一改进带来了三大核心价值： - 极简接入：用户无需了解昇思MindSpore内部的算子注册机制（如Custom原语），直接使用Python语法编写Triton内核并调用即可。 - 无缝对接：Triton算子可直接融入昇思MindSpore的计算图，支持自动微分与反向传播，可像内置算子一样参与模型训练。 - 生态兼容：高度兼容社区Triton算子代码资产，移植成本极低。 参考链接：https://gitcode.com/Ascend/triton-ascend ### 3 新增算子调度拦截机制，支持自定义控制算子执行 在实际开发中用户经常会有这样的需求：想知道某段代码执行了哪些算子、想在算子执行前后做一些自定义处理、或者希望自定义的Tensor子类能够控制算子的执行方式。此前，这些需求往往需要修改框架内部代码才能实现，而昇思MindSpore2.9版本新增算子调度拦截机制，提供了两种互补的方式——Tensor子类调度和Guard上下文管理器，让用户在不侵入框架源码的前提下，灵活地控制算子的执行行为。 #### 3.1 自定义张量子类调度 新增\_\_ms\_dispatch\_\_协议，用户可以创建Tensor的子类并实现该类方法，用于拦截作用在该子类实例上的算子调用。当框架检测到算子的输入中包含带有\_\_ms\_dispatch\_\_ 的张量子类时，会将执行流转交给用户定义的调度方法，由用户决定如何处理这次算子调用。 一个典型的应用场景是分布式训练中的DTensor。DTensor内部持有一个本地张量，当算子作用在DTensor上时，\_\_ms\_dispatch\_\_将算子调用拦截下来，提取出本地张量完成实际计算，再将结果重新包装为DTensor返回。这样上层业务代码可以像使用普通Tensor一样使用DTensor，分布式的细节被封装在调度逻辑中。 #### 3.2 MsDispatchGuard 上下文管理器 另一种拦截方式是MsDispatchGuard，与Tensor子类调度针对特定张量类型不同，Guard作用于一个代码范围——在其上下文内执行的所有算子都会被拦截。用户继承MsDispatchGuard并重写\_\_ms\_dispatch\_\_方法，即可在算子执行前后插入自定义逻辑。Guard的常见用途包括：记录算子调用日志辅助调试、在算子前后插入计时代码做性能分析、或在特定范围内替换算子的执行行为，Guard同时支持作为上下文管理器和装饰器两种使用方式。 Guard支持嵌套使用，多个Guard按栈的方式管理，内层Guard优先执行。当用户在 **ms\_dispatch** 中调用 func(\*args) 时，框架会自动将执行流传递给栈中的下一个Guard，直到所有Guard都处理完毕后才执行原始算子逻辑。退出Guard作用域后，拦截行为自动恢复到外层的状态。该机制在前向和反向传播中均可正常工作，与昇思MindSpore的自动微分系统兼容，反向传播中的中间算子同样会经过Guard链处理。Tensor子类调度和Guard调度可以独立使用，也可以组合使用。当两者同时存在时，Guard的优先级更高——如果Guard栈非空，会优先走Guard链路径；Guard栈为空时，才检查Tensor级别的\_\_ms\_dispatch\_\_。在都不使用的情况下，算子执行走原有路径，不产生任何额外开销。 ### 4 支持进程级、线程级与NUMA级绑核，提升大规模训练稳定性与Host侧执行效率 随着大模型规模持续扩大，Host侧逐渐成为整机效率瓶颈；在多卡分布式场景中，训练进程、关键线程和内存访问如果完全依赖系统自由调度，容易带来CPU争抢、线程迁移和跨NUMA访存，影响Device侧供给稳定性。围绕这一问题，昇思MindSpore持续演进绑核能力，在昇思MindSpore 2.9版本中提供了从进程级绑核、线程级绑核到NUMA内存绑定，再到统一JSON配置的完整能力体系，不仅帮助关键线程获得更稳定、更低干扰的CPU运行环境，也让复杂部署场景下的配置和复用方式更加清晰，进一步提升大规模训练任务的稳定性与整机效率。 #### 4.1 进程级绑核 昇思MindSpore首先提供了基于`msrun`的进程级绑核能力。该能力在分布式任务启动阶段尽早完成CPU范围划定，让不同训练进程拥有相对独立、稳定的CPU运行空间，减少进程之间的核心重叠、资源争抢和调度抖动。由于绑核动作发生在任务启动最前期，后续线程创建和调度继承也会更加稳定，为大规模分布式训练打下基础。 #### 4.2 线程级绑核 在进程级绑核基础上，昇思MindSpore进一步提供线程级CPU亲和能力，通过`mindspore.runtime.set_cpu_affinity`对关键工作线程执行更细粒度绑定。重点覆盖的线程包括`main`、`runtime`、`pynative` 和 `minddata`，分别承担编译与流程控制、静态图下发、动态图算子下发和数据处理等职责。 这一能力的核心价值在于，不再平均对待所有线程，而是优先保证关键线程的CPU稳定性，减少线程迁移和普通线程干扰，使Host侧关键路径更加平稳，进而减少Device侧因等待 Host 供给而产生的空闲。 #### 4.3 内存绑定 当服务器进入多路CPU和NUMA架构时代，仅仅把线程绑到某些CPU核心上已经不够。因为在NUMA架构中，线程如果频繁访问远端NUMA节点上的内存，依然会引入额外的访存时延和带宽损耗。 因此，昇思MindSpore将绑核能力进一步扩展到NUMA级别，关注的不只是“线程跑在哪个核上”，还包括“相关内存操作是否尽量在本地NUMA节点完成”。这使得该能力从CPU亲和优化进一步演进为CPU与内存协同优化，能够更系统地降低复杂服务器拓扑下的远端访存开销，尤其适用于大规模训练、数据处理和HyperOffload等场景。 #### 4.4 JSON易用性提升 随着绑核能力从进程级扩展到线程级，再延伸到NUMA内存绑定，配置维度不断增加。如果这些能力长期分散在不同参数、接口和零散配置中，将显著增加用户理解和使用成本。 为此，昇思MindSpore提供了基于JSON的统一配置方式，将CPU/NUMA亲和关系整合为更清晰、更适合工程落地的配置入口。用户可以通过JSON描述复杂线程与资源映射关系，并将其纳入部署流程、环境复现和版本管理体系中，提升复杂场景下的可维护性和复用效率。 从实际效果来看，整套昇思MindSpore绑核方案已经在客户现场得到验证。在某万亿级MoE模型上，512卡扩展到1024卡时线性度达到99%，512卡场景平均性能提升约10%，1024卡场景平均性能提升约18%；在另一组256卡到1024卡配置中，线性度均超过97%，整体性能提升10%至15%，性能抖动控制在200ms以内； 在真实生产模型场景中，4K规模下性能提升超过20%，另一客户现场32卡场景单步耗时方差优化达到38.87%。这说明昇思MindSpore绑核能力不仅提升性能，也显著改善了运行稳定性。 参考链接： https://www.mindspore.cn/tutorials/zh-CN/master/parallel/msrun\_launcher.html#%E8%BF%9B%E7%A8%8B%E7%BA%A7-cpunuma-%E4%BA%B2%E5%92%8C%E6%80%A7%E9%85%8D%E7%BD%AE ## ——科学计算套件增强—— ### 5 MindSpore Science科研智能体系统版本发布，覆盖端到端科研全流程 科研周期涉及文献阅读、假设提出、代码编写、实验试错和调优等阶段，过程繁琐，耗时冗长。昇思科学计算构建MindSpore Science科研智能体系统，通过将科学全流程Agent化，消除了科研环节之间的“人工衔接成本”，大幅压缩科研周期。 MindSpore Science科研智能体系统包含MindSpore Science Skills和MindSpore Science Agent 两大核心组件： - MindSpore Science Skills是一个为通用科学研究全流程打造的开源智能体技能库，覆盖科研流程“分析-仿真-实验”流程中的常用技能。 - MindSpore Science Agent是一个面向科研全流程的开源科学智能体，支持假设生成、实验设计、自我修改、实验执行等sub-agent，并支持用户快速构建自己的AI科研助手。 本次发布MindSpore Science Skills 0.1版本与MindSpore Science Agent preview版本。 #### 5.1 MindSpore Science Skills 0.1版本 MindSpore Science Skills 0.1内置了300+专业科研技能，覆盖了生物医药、化学材料、流体、PDE方程、地球科学、电磁等核心科学领域： - 接入 VASP、OpenFOAM等配置复杂的工业级HPC软件及FitDock等SOTA工具。内置输入构建、参数调整、计算结果分析等流程，构建20+人人可用的复杂领域软件skills，提升Agent软件调用成功率； - 覆盖生物、化学、流体、气象、能源等领域40+昇思、昇腾AI4S顶尖模型，极大扩展Agent知识边界；并支持用户分钟级将自有模型封装为智能体skill，将AI4S模型快速转换为即插即用的生产力工具； - 打通干湿实验界限，提供湿实验设备操作skill（e.g.,电催化场景湿实验设备skill），为湿实验的设计和执行提供参考实现，缩短实验迭代周期，实现真正的闭环科研； - 联合中科大等顶尖实验室沉淀化学、生物等领域“隐性知识”（e.g.,掺杂材料第一性原理计算skill），将复杂的长链路科研任务固化为Know-How类skill，提升Agent解决复杂科研任务效率。 - 集成业界常用文献、数据搜索API以及领域专用Python数据分析与处理工具库； 上述skills已覆盖科学分析、仿真与实验场景中的基础需求，降低智能体跨学科调用的技术门槛。MindSpore Science Skills可以与Hermes Agent、OpenClaw、Claude Code、JiuwenClaw等智能体无缝集成，也支持直接接入用户专属的AI科研助手中。 参考链接：https://gitcode.com/mindspore-lab/mindscience/tree/master/MindScienceSkills #### 5.2 MindSpore Science Agent preview版本 MindSpore Science Agent preview版本内置6个sub-agent与科学实验workflow，并提供了化学领域的科研案例。MindSpore Science Agent preview主要特性： - 集成业界开源假设生成、实验设计、实验执行等sub-agent，并基于多智能体架构，实现科学实验全流程workflow编排； - 重点优化实验相关sub-agent的prompt与skills，提升实验执行sub-agent自我纠错能力，减少报错信息带来的上下文污染； MindSpore Science Agent在Frontier Science化学测试集准确率为77.88%，超越斯坦福大学研究团队发布的Biomni平台（70.51%），并在湿实验与计算仿真两大科研路径上均完成了案例验证：如OER催化剂高通量合成与测试的完整电催化湿实验流程，以及以钙钛矿掺杂结构优化为代表的高精度计算仿真任务。 参考链接：https://gitcode.com/mindspore-lab/mindscience/tree/master/MindScienceAgent 本次发布的化学、生物等领域专业技能库等特性，与中国科学技术大学江俊教授团队、四川大学曹洋教授团队联合构建，昇思、昇腾模型类skills集成了诸多合作团队的原创成果和生态贡献，感谢所有共创团队在专业领域的深度指导与合作。 --- https://www.mindspore.cn/version-updates/zh/3077/ --- 版本动态 大模型首选AI框架——昇思MindSpore2.3.RC1版本上线开源社区 # 大模型首选AI框架——昇思MindSpore2.3.RC1版本上线开源社区 2024/04/24 # 大模型首选AI框架——昇思MindSpore2.3.RC1版本上线开源社区 经过社区开发者们几个月的开发与贡献，现正式发布昇思MindSpore2.3.RC1版本，通过多维混合并行以及确定性CKPT来实现超大集群的高性能训练，支持大模型训推一体架构，大模型开发训练推理更简、更稳、更高效，并在训推一体框架的基础上通过多样的大模型推理优化技术，进一步降低大模型推理成本；通过使能kernel by kernel调度执行，进一步提升静态图调试调优能力；持续升级昇思MindSpore TransFormers大模型套件和昇思MindSpore One生成式套件，全流程开箱即用，一周即可完成大模型全流程的开发、验证；创新AI+科学计算（科学智能）范式，孵化科学领域基础大模型；下面就带大家详细了解下昇思MindSpore2.3.RC1版本的关键特性。 \*\* ## \*\*1.\*\*******大模型训练：细粒度多副本并行，有效提升计算通信并发度，显著提升大模型训练性能****** \*\* 大模型训练下，为了降低显存开销，广泛的使用算子级并行技术，其中引入了大量的模型并行的通信，极大地影响了大模型的训练效率。模型并行的通信，从网络的结构上来看，其处于正反向计算过程中，阻塞正反向计算，无法与正反向的计算进行互相掩盖。为了解决模型并行通信的掩盖问题，昇思MindSpore提出了多副本并行技术。 在旧版本的昇思MindSpore上，通过将网络从数据开始进行拆分，如下图所示，在单张卡内，通过Slice算子将Batch维度进行拆分，进而产生多个分支，这多个分支的计算与通信互相之间没有依赖，存在并发的空间，通过执行序调度算法，控制多个分支的计算与通信进行并发。 随着网络规模的增大，受限于显存限制，当一张卡内的BatchSize仅支持为1时，上述对整网进行Batch拆分的方案不再可行。因此，考虑到模型并行通信的位置，昇思MindSpore2.3.RC1版本将TransFormer模型中的AttentionProjection层以及FFN层进行拆分，产生多个分支，通过执行序调度算法控制细粒度的多分支的并行，其中拆分从AttentionProjection开始，到下一个Layer的QKV计算前结束。 上图描述了序列并行场景下的细粒度多副本拆分与掩盖基本思路，拆分为两个副本，在正向可以达成50%+的通信掩盖；而在反向，结合计算梯度的分支的计算与TP通信的掩盖，可达成90%的通信的掩盖。当前细粒度多副本并行仅在昇思MindSpore TransFormers的LLAMA网络进行了实现，需要对模型结构进行手动改造为多个副本。后续版本昇思MindSpore将集成自动拆分副本的逻辑，达成更易用的细粒度多副本并行。 参考链接：https://www.mindspore.cn/docs/zh-CN/master/model\_train/parallel/multiple\_copy.html \*\* ## \*\*2.\*\*****大模型推理全栈升级**** \*\* 大模型大规模商用之后，推理消耗的算力规模将十分庞大，相应地带来高昂的成本，商业闭环依赖推理规模突破。在降低大模型推理的成本的同时，要兼顾模型精度和计算时延，不能影响用户的体验。昇思MindSpore 2.3.RC1版本，从最上层推理服务到模型脚本优化到推理引擎LLM Serving，为用户提供端到端的高效推理解决方案。 #### **2.1 训推一体：大模型训/推统一脚本，大幅简化部署流程，提高效率** 模型脚本默认使能了增量推理、FlashAttention/PagedAttention等推理加速技术，避免了模型导出、切分、推理脚本开发等一系列工作，训练到推理加速平滑迁移，部署周期下降到天级。 #### **2.2** **极致性能：持续提升融合大算子、并行推理、模型小型化的关键能力** \*\*融合大算子：\*\*新增10+业界最新的推理融合大算子接口，模型开发人员可以快速使能推理融合算子实现加速。 \*\*并行推理：\*\*训练推理并行策略接口一致，提供训练并行到推理并行ckpt重切分接口，支持动态shape模型切分。 \*\*模型压缩：\*\*昇思MindSpore金箍棒升级到2.0版本，提供了针对大模型的业界SOTA以及华为诺亚自研的量化、减枝等算法，实现千亿大模型10倍+压缩。 以上技术均可泛化的应用于TransFormer结构的大模型中，经过验证，在盘古、Llama 2的8卡模型推理中，首token时延做到百ms级，平均token时延小于50ms，保持业界领先水平。 #### **2.3** **服务化高吞吐** 通过连续批调度、Prefill/Decoding混合部署等手段，尽可能的消除掉冗余计算，确保算力不闲置，实现大模型推理吞吐提升2倍+。 参考链接： https://www.mindspore.cn/lite/docs/zh-CN/r2.3.0rc1/use/cloud\\\_infer/runtime\\\_distributed\\\_python.html \*\* ## \*\*3.\*\*******静态图优化：支持O(n)多级编译，使能kernel by kernel调度执行，提升静态图调试调优能力****** \*\* 整图下沉执行性能最优，但大模型的规模和参数量发展得更为庞大，整图下沉执行方式在整图编译过程中耗时较长，一个千亿级别的大模型的编译时间为30分钟-60分钟，调试调优效率低下。为解决上述问题，昇思MindSpore2.3.RC1版本中，提供了多级编译技术，O0原生构图不优化、O1增加自动算子融合优化、O2整图下沉执行优化。 在O0的编译选项下，通过原生图编译和kernel by kernel（KBK）的执行技术，可以将编译时间提升到15分钟以内，同时我们在新版本中还开发了DryRun技术，用户可以直接在离线的情况进行内存瓶颈分析和并行策略调优，结合这两大技术可以使得大模型调试效率倍增。 在O0这种编译条件下，我们使能了SOMAS/LazyInline/控制流Inline来提升内存复用率，使能了多流并行/流水异步调度，可以提升执行性能；在O1这种编译条件下，通过使能算子融合技术，KBK执行模式下可以有更好的执行性能。 参考链接： https://www.mindspore.cn/docs/zh-CN/r2.3.0rc1/api\\\_python/mindspore/mindspore.JitConfig.html?highlight=jitconfig \*\* ## \*\*4.\*\*******JIT兼具易用性和性能，动静统一，提供灵活高效开发****** \*\* 昇思MindSpore支持图模式（静态图）和PyNative模式（动态图）两种运行方法。动态图易于调试，开发灵活，易用性好；静态图语法支持有限，但执行性能好。JIT兼顾性能和易用性，通过对Python字节码进行分析&调整、执行流进行图捕获&图优化，支持入图的Python代码做静态图方式执行，不支持的进行子图切分以动态图方式执行，自动地做到动静统一，实现方法如下图所示。 参考链接： https://www.mindspore.cn/docs/zh-CN/master/model\_train/program\_form/pynative.html#%E5%8A%A8%E9%9D%99%E7%BB%93%E5%90%88 \*\* ## \*\*5.\*\*****MindSpore Elec：新增大地电磁智能反演模型**** \*\* MindSpore Elec电磁仿真套件升级至0.3版本，联合清华大学李懋坤教授团队、华为先进计算与存储实验室共同打造了基于昇思MindSpore的大地电磁（Magnetotelluric，MT）智能反演模型。该模型通过变分自编码器（VAE）灵活嵌入了多物理先验知识，达到了业界SOTA。该成果已被国际顶级勘探地球物理期刊《Geophysics》收录，同时也在昇思人工智能框架峰会2024上发布亮相。 （1）基础MT反演：反演区域水平长度为10km，深度为1km。下图1中目标电阻率分布（第一列）与传统大地电磁反演（第二列）、大地电磁智能反演（第三列），可以看出大地电磁智能反演相比传统反演精度显著提升（前者残差为0.0056和0.0054；后者为0.023和0.024 ）；下图2中，大地电磁智能反演性能也优于传统反演方法（前者收敛步数为4和4；后者为6和4）。 图1 大地电磁反演精度对比 图2 大地电磁反演收敛速度对比（Pixel-based：传统反演；Feature-based：我们的工作） （2）南部非洲MT反演：大地电磁智能反演模型也在南部非洲开源数据集（SAMTEX）上做了验证。该反演区域位于南部非洲西海岸附近，长度约为750km，深度选定为80km。该测区显著特征为在水平方向100km至400km之间，深度20km以浅的区域存在的高导结构。由于低频电磁波在导体结构中的衰减，MT方法对高导结构下部区域的敏感度很低, 因此无先验知识约束的传统MT反演难以准确重建高导地层的下边界位置。大地电磁智能反演对高导地层的下边界重建较为清晰准确，较好地将地层厚度的先验知识融入了反演。 南部非洲MT反演示例图（上图：传统反演；下图：我们的工作） 参考链接：https://gitee.com/mindspore/mindscience/tree/master/MindElec --- https://www.mindspore.cn/version-updates/zh/3223/ --- 版本动态 昇思MindSpore2.3版本正式上线，增强动/静态图与大模型能力 # 昇思MindSpore2.3版本正式上线，增强动/静态图与大模型能力 2024/07/18 # 昇思MindSpore2.3版本正式上线，增强动/静态图与大模型能力 经过昇思MindSpore社区开发者们几个月的开发与贡献，现正式发布昇思MindSpore2.3版本，其中动态图开发支持算子直调提升API性能，静态图开发支持O(n)多级编译提升调试调优能力，在大模型训练方面，支持大模型场景计算与通信掩盖的极致优化，并新增接口FlopsUtilizationCollector，提供算力利用率统计能力，在大模型推理方面，推出针对LLM的推理优化方案提升推理性能，MindSpore Transformers提升推理性能与易用性，在科学计算套件方面，MindSpore Flow新增偏微分方程基础模型PDEformer和谱神经算子SNO，下面就带大家详细了解下昇思2.3版本的关键特性。 ### **_一、基础框架演进_** ### **01** **动态图支持算子直调，提升API性能** 在昇思MindSpore框架中，大部分的API使用了小算子进行拼接，因此会有额外的Python和算子launch开销。而昇思MindSpore之前版本动态图单算子执行时，使用了单算子子图进行执行，需要进行单算子子图构图，编译优化，算子选择，算子编译等一系列操作，首轮性能较差。针对这两点进行性能优化，昇思MindSpore2.3版本提出了算子直调的方式，即正向算子执行直接调用到底层算子接口，减少整体流程和数据结构转换开销。不同API，性能提升0.5~4倍，SD文生图训练端到端性能提升2倍+。 此外，提供了基础分布式能力接口 硬件相关接口（设备管理、流管理、事件管理与内存管理的接口）： https://www.mindspore.cn/docs/zh-CN/master/api\_python/mindspore.hal.html 重计算接口： https://www.mindspore.cn/docs/zh-CN/master/api\_python/mindspore/mindspore.recompute.html 通信基础接口： https://www.mindspore.cn/docs/zh-CN/master/api\_python/mindspore.communication.comm\_func.html ### **02** **静态图支持O(n)多级编译，默认使用O0模式，提升静态图调试调优能力** 整图下沉执行性能最优，但随着大模型的规模和参数量发展得更为庞大，整图下沉执行方式在整图编译过程中耗时较长，为解决上述问题，昇思MindSpore2.3版本提供了多级编译技术，O0原生构图不优化、O1增加自动算子融合优化、O2整图下沉执行优化。 在O0的编译选项下，发挥原生图编译优势，大部分模型编译性能相比O2提升50%+，同时也支持了DryRun功能，用户可以直接在离线的情况进行内存瓶颈分析和并行策略调优，结合这两大技术可以使得大模型调试效率倍增；在内存复用方面，使能了SOMAS/LazyInline/控制流Inline来提升内存复用率，同时落地了虚拟内存碎片整理技术，大大解决了内存碎片导致训练OOM问题；在执行性能方面，使能了计算通信多流并行/运行时流水异步调度技术，同时在O1编译选项下落地了算子融合技术，大大提升执行性能。 为了体现静态图默认的较好调试调优能力，昇思MindSpore2.3版本中主流训练产品的静态图默认编译选项为O0。 参考链接： https://www.mindspore.cn/docs/zh-CN/master/api\_python/mindspore/mindspore.set\_context.html?highlight=jit\_level ### **_二、大模型训推能力全面提升_** ### **03** **大模型计算与通信掩盖极致优化** 在过去的版本，针对Tensor并行的通信，昇思MindSpore提出了多副本并行以及反向梯度计算与反向过程Tensor并行的通信掩盖两个技术，大幅面掩盖了Tensor并行的通信，但是在模型规模更大的场景，会针对短序列并行下的AllGather通信进行重计算，这一部分重计算的通信往往无法有效的再被MatMul掩盖。针对这一部分通信，昇思MindSpore2.3版本通过有效调整执行时机，使其与FlashAttention的反向算子进行相互掩盖，达成计算与通信的极致掩盖。 ### **04** **新增接口 FlopsUtilizationCollector，提供算力利用率统计能力** 在进行大模型训练时，算力利用率通常作为大模型训练框架的性能指标，显卡资源的利用率会直接影响训练大模型的成本。业界普遍使用 MFU（Model FLOPS Utilization）模型算力利用率和HFU（Hardware FLOPS Utilization）硬件算力利用率指标来评估显卡设备的算力利用率。昇思MindSpore2.3版本新增callback接口FlopsUtilizationCollector，方便用户在每个epoch结束时获取MFU和HFU信息。 详情参考： https://www.mindspore.cn/docs/zh-CN/master/api\_python/train/mindspore.train.FlopsUtilizationCollector.html ### **05** **针对大模型推理的算法及算子优化，提升推理性能** 昇思MindSpore 2.3版本推出针对LLM的推理优化方案，除在框架层面使用静态图编译模式优化计算图、通过kernel by kernel调度方式降低模型编译耗时外，还结合了金箍棒的量化模型压缩算法、业界主流Flash Attention、Paged Attention算法、算子融合等加速技术，降低显存同时提升大模型推理性能。 **5.1** **金箍棒模型压缩算法助力LLM推理降本增效** LLM推理过程中对于显存有巨大的需求，金箍棒新支持RoundToNearest权重量化算法，通过将网络中线性层的权重从浮点域量化到整型域，在计算时再反量化到浮点域进行计算，能够显著节省LLM推理的显存开销，同时能缓解LLM增量推理阶段的Memory Bound问题，从而带来一定的性能提升。RoundToNearest权重量化算法是一种training-free和data-free的量化算法，使用成本较低。由于LLM的权重相较于激活而言更加规整，更容易被量化，所以RoundToNearest可以实现精度几乎无损。综合来说，RoundToNearest是一种使用简单，精度几乎无损，同时能带来显存和性能收益的量化技术。 我们对Llama2系列网络进行了测试，网络参数普遍压缩40%以上，精度几乎无损，推理性能提升最高可达15%。 详情参考： https://www.mindspore.cn/golden\_stick/docs/zh-CN/master/ptq/round\_to\_nearest.html **5.2** **昇腾高性能融合算子实现LLM推理极致性能** 昇思MindSpore2.3支持主流Transformer优化算法及跨边界算子融合技术，并充分利用昇腾芯片的矩阵/向量计算单元（简称Cube/Vector）、多层级缓冲区等硬件架构，开发昇腾硬件亲和的后端计算实现，以满足LLM推理场景对低时延、高吞吐的性能需求： （1）Attention融合优化：在FlashAttention、PagedAttention优化算法配合KVCache缓存机制的基础上，针对昇腾芯片特性重新设计Tiled Attention算法：最大化利用Cube/Vector间缓冲区高带宽，减少数据搬移量与向量运算量；通过构建多级流水大幅降低核间等待时间，实现流水并行最大化；在分组查询注意力机制（Grouped Query Attention）下对query进行重组计算，进一步提高算子性能。 （2）旋转位置编码：Rotary Position Embedding（简称为RoPE），结合绝对位置编码与相对位置编码的思想，通过乘以旋转矩阵为token赋予位置信息，并能更好地利用上下文token信息。MindSpore在此版本，通过简化计算逻辑、优化位置编码的数据排布方式，提供高性能的RoPE融合算子，并在算子实现中最大化昇腾芯片Unified Buffer利用率。 （3）矩阵乘与向量计算融合优化：LLM中存在大量矩阵乘计算，昇思MindSpore2.3在编译阶段进行图上融合优化，配合高性能的算子实现，达到矩阵乘性能极致提升。算子内充分考虑流水线并行优化，减少等待气泡，使计算时间尽可能被数据搬运时间掩盖；对于矩阵乘数据访问通过Swizzle方式进行调度重排，提升数据Cache命中率并提高整体访存效率；利用昇腾Cube/Vector并行特性，支持若干矩阵乘的后向融合计算，节约向量部分计算耗时。除矩阵乘外，昇思MindSpore将LLM模型中相邻的Element-wise、Normalization、Reshape类算子进行融合，能够降低数据搬运的内存开销、简化运行时流水，加速推理计算。另外，此版本在算子优化上，探索了基于张量语言模型的调优技术，实现算子内切分等关键配置自动寻优，构建高性能切分数据库，提升LLM融合算子性能。 ### **06** **MindSpore Transformers：提升推理性能与易用性，支持超长序列训练** MindSpore Transformers（后简称MindFormers）发布1.2.0正式版本，新增支持多个业界主流大模型，进一步提升套件易用性。 **6.1** **带框架推理和服务化部署：提升大模型推理易用性和性能，满足服务化需求** MindFormers 1.2.0版本支持昇思MindSpore带框架推理，目前已支持LLaMA2、LLaMA3、GLM3、Mixtral、Baichuan2、InternLM2等主流大模型的高效推理，最大序列长度可达32k。统一训推并行策略接口、封装推理加速接口，实现从训练到高性能推理的平滑迁移，整体部署周期下降到天级。 MindFormers 1.2.0版本全面对接MindIE服务化部署框架，套件中的主流LLM均已支持服务化推理。通过MindIE提供的标准昇腾服务化接口，兼容Triton/OpenAI/TGI/vLLM等第三方框架接口请求方式；通过Continuous Batching等调度策略，尽可能消除冗余计算，确保算力不闲置，提升大模型推理吞吐性能；支持重计算/Swap功能在保证在在大并发、长序列场景服务不中断。 **6.2** **支持超长序列训练：助力便捷高效地训练超长上下文** 从生成性AI到科研模型，长序列训练正在变得非常重要。现有的数据、张量和流水线等并行方法无法在序列维度进行切分。当序列维度（S）增长时，训练内存开销会以O（s2）的速度增长。因此需要针对长序列场景进行特定的优化解决长训练场景的训练需求，昇思提供了一种显存高效的序列并行方法和attention mask压缩特性，极大地降低了输入序列长度限制，能够有效地支持超长序列的训练。 并行方法在序列维度进行切分，每台设备只负责1/CP的Q和KV进行自注意力值计算，不再需要单个设备来保存整个序列。注意力矩阵与序列长度由平方关系，变成线性关系。有效降低每台计算设备显存压力。同时，该方法与大多数现有的并行技术兼容（例如：数据并行、流水线并行和张量并行）。 attention\_mask压缩是对Self-Attention中的Score矩阵进行掩码操作,它的内存大小跟s2呈正比。例如在32k序列下，单个uint8类型的attention\_mask矩阵会占用1GB的显存，使能后传入的attention\_mask为优化后的压缩下三角矩阵（2048\*2048）。除内存收益外，有些网络会在device上生成attention\_mask矩阵，attention\_mask压缩能够有效地避免生成超大矩阵带来的性能开销。 ### **_三、科学计算套件增强_** ### **07** **MindSpore Flow：新增偏微分方程基础模型PDEformer和谱神经算子SNO** **7.1** **偏微分方程基础模型PDEformer** PDEformer是一种可以接受任意PDE形式作为直接输入的神经算子模型，通过生成 PDE 计算图、编码图数据、解码求解的技术路线以达到快速、精准求解大多数一维 PDE 的目的。PDEformer-1 经过在大规模一维 PDE 数据上进行的预训练，在训练数据分布内 Zero-shot 预测精度高于针对某一种方程专门进行训练的专家模型(如 FNO、DeepONet)。针对训练集以外的数据分布，PDEformer-1 还表现出了出色的小样本学习(few-shot learning)能力，能通过少量的样本迅速泛化到新的下游任务。与此同时，PDEformer-1 还可以作为正问题算子的代理模型直接运用到反问题中。 详情参考： https://gitee.com/mindspore/mindscience/tree/master/MindFlow/applications/pdeformer1d **7.2** **谱神经算子SNO** 谱神经算子(Spectral Neural Operator，SNO)是利用多项式将计算变换到频谱空间(Chebyshev, Legendre等)的类似FNO的架构。与FNO相比，SNO的特点是由混淆误差引起的系统偏差较小。其中最重要的好处之一是SNO的基的选择更为宽泛，因此可以在其中找到一组最方便表示的多项式。此外，当输入定义在在非结构化网格上时，基于正交多项式的神经算子相比其他算子更有竞争力。 详情参考： https://gitee.com/mindspore/mindscience/blob/master/MindFlow/mindflow/cell/neural\_operators/sno.py --- https://www.mindspore.cn/version-updates/zh/3445/ --- 版本动态 昇思MindSpore 2.4版本发布，提供SAPP、8bit混合量化等关键能力，提升大模型训练与推理效率 # 昇思MindSpore 2.4版本发布，提供SAPP、8bit混合量化等关键能力，提升大模型训练与推理效率 2024/10/29 # 昇思MindSpore 2.4版本发布，提供SAPP、8bit混合量化等关键能力，提升大模型训练与推理效率 经过昇思MindSpore开源社区开发者们几个月的开发与贡献，现正式发布昇思MindSpore2.4版本。 其中在大模型训练方面，面向新一代硬件架构超节点，推出原生长序列并行算法Ring Attention和高维张量并行优化，大幅提升模型训练效率。长序列并行算法Ring Attention旨在解决长序列训练时内存开销过大、出现内存瓶颈这一问题，同时提高计算与通信掩盖，实现训练性能提升。高维张量并行允许灵活控制对张量的切分次数和切分轴，支持1D、2D、3D切分，基于超节点架构带来的TP域与CP域扩展，在合适的切分策略下，实现通信占比降低、计算效率提升。 在调试调优阶段，提供流水并行自动负载均衡工具，自动优化集群算力和内存利用率，降低空等时间，实现Pipeline并行分钟级策略寻优，从而大幅降低调试调优成本、相比专家调优策略训练性能提升20%。支持算子级策略传播算法（Sharding Propagation），简化模型并行策略配置过程，开发者仅需配置少量算子策略，便可以自动地将策略传播给网络中其他算子， LLAMA类网络和Mixtral类网络策略传播算法可以降低配置80%以上的算子级并行策略。提升调试调优效率。 在大模型推理方面，提供8bit混合量化能力，支持并行解码方式、SLoRA服务化部署，并结合MindIE服务化支持PD分离部署，不断提升推理效率。 下面就为大家详细解读昇思2.4版本的关键特性。 ### **——大模型训练与调试调优效率提升——** ### 1 **支持长序列并行算法Ring Attention，打破Attention计算内存限制，实现超长序列训练** 近几年大模型对长序列的需求快速增长，众多大模型应用对于超长序列输入都提出了强烈的需求，例如长文档任务、个性化记忆、AI Agent、多模态理解与生成等。但与此同时，超长的序列长度也给大模型训练带来巨大的技术挑战。由于 Transformer 模型的 Attention 模块的计算量及内存占用与序列长度的平方成正比，随着序列长度的快速增长，Attention 的计算开销和内存开销增长迅速，导致超出显存容量而无法进行训练，因此需要高效的长序列并行技术，而长序列并行算法Ring Attention目前成为业界长序列并行的代表性技术，用于解决长序列训练时内存开销问题，同时实现了计算与通信掩盖。 昇思MindSpore2.4版本支持Ring Attention算法，如下图所示，利用 Attention 的分块计算性质，当序列并行度为 N 时，将 Q，K，V 分别切分为 N 个子块，每张卡分别调用 FlashAttention 算子来计算本地{Qi, Ki, Vi}子块的 Attention 结果。由于每张卡只需要计算切分后 QKV 子块的 Attention，其内存占用大幅降低。RingAttention 在做 FA 计算的同时采用环形通信向相邻卡收集和发送子块，实现计算与通信的最大化掩盖，保障了长序列并行的整体性能。 依托超节点架构，通过分析llama3模型训练64K序列长度数据集实验结果，相较于采用重计算来解决内存不足的问题，采用MindSpore 2.4版本的Ring Attention算法能够得到13%的性能提升。 参考链接：https://gitee.com/mindspore/mindformers/blob/dev/mindformers/modules/flash\_attention.py ### 2 **支持高维张量并行，降低通信量，实现训练性能加速** 大模型训练中，模型并行能够有效减少内存负荷，但其引入的通信是一个显著的性能瓶颈。因此需要优化整网模型切分策略以期引入最小的通信量。张量并行训练将一个张量沿特定维度分成 N 块，每个设备只持有整个张量的 1/N，进行MatMul/BatchMatMul等算子计算，并引入额外通信保证最终结果正确。 昇思MindSpore2.4版本新增支持高维张量并行，允许灵活控制对张量的切分次数和切分轴，支持1D、2D、3D切分。2D/3D切分相对与1D切分，在合适的切分策略下，通信量随着TP设备数增长更慢，在TP设备数较大时有着更低的通信量。 \- 1D张量并行中进行MatMul/BatchMatMul计算时，每张卡上存着激活的全部数据，仅在权重的一个维度上进行切分，并通过一次AllReduce通信得到最终计算结果。 \- 2D张量并行将激活与权重均按x、y两个通信组切分，权重在两个维度上均会被切分，通信主要在激活上进行。 \- 3D张量并行则是进一步将总卡数拆分为x、y、z三个通信组，进行了更细粒度的切分，并将一部分通信分散到了权重上。 \- 2D/3D并行下，用户可根据模型的激活、权重张量shape不同，选择不同的张量切分方式，降低总通信量，引入最小通信量，提高端到端训练速度。 实测在超节点环境、TP不小于16卡配置下的大模型训练中可提高5%训练速度。 参考链接：https://www.mindspore.cn/docs/zh-CN/master/model\_train/parallel/high\_dimension\_tensor\_parallel.html ### 3 **提供SAPP自动负载均衡工具，大模型流水线并行性能超越专家调优20+%** 大模型训练性能调优需要同时考虑多维混合并行策略配置与内存限制，工程师需要在集群上尝试不同的组合方案才有可能找到性能达标的并行策略，这一过程常常耗费数周时间，且消耗大量算力成本。 为解决上述问题，昇思MindSpore2.4版本提供了SAPP（Symbolic Automatic Parallel Planner）自动负载均衡工具。如上图所示，输入模型的内存和时间信息，以及部分流水线并行性能相关的超参（如重计算对性能的影响），工具将自行构建线性规划问题，通过全局求解的方式，为大模型自动生成流水线并行中的stage-layer配比，调整各layer重计算策略，自动优化集群算力和内存利用率，降低空等时间，实现Pipeline并行分钟级策略寻优，大幅度降低性能调优成本，显著提升端到端训练性能。 以LLAMA2-175B模型为例，流水并行数设置为16，如上图所示，图（1）展示专家策略的流水排布较为工整，但是含有较多空白的计算空隙（bubble）；图（2）展示相同模型使用SAPP的结果，计算空隙大幅度减少，端到端性能相比于专家策略提升52.5%；图（3）是开启流水交织并行（Pipeline Interleave）时候的SAPP结果，设置vpp=3，从图中可以看出计算被切得更细，且负载均衡调整更加精细化，端到端性能相比于专家策略提升82%。 实验显示，通过SAPP自动负载均衡工具优化，端到端训练性能对比均分策略提升20+％，在复杂网络（如多模态）下最高可提升200%，同时在开启流水交织并行的复杂场景下，人为分析较为困难，而SAPP自动负载均衡工具可以快速提供高效并行策略，突破人工调优极限。 ### 4 **优化自动算子级策略传播算法，降低80%并行策略配置，支持典型大模型** 在深度学习领域，随着数据集和参数量的规模日益增大，训练时间和硬件资源的需求也随之增长。分布式并行训练是解决这一问题的关键，但其配置和优化往往需要专业知识和大量时间。为此，昇思MindSpore推出了自动并行策略传播算法（Sharding Propagation），旨在简化模型并行策略配置的过程。用户仅需配置少量算子策略，便可以自动地将策略传播给网络中其他算子，从而找到重排代价最小的整网并行配置。 如下图所示，给定神经网络的计算图后，我们首先对没有配置切分策略的算子进行枚举，以确定其可行的策略，并对每条边的重排布策略及其相应的代价进行计算。然后，算法会从已经确定策略的算子开始，将策略沿着计算图的边传播到下一个算子。在传播过程中，算法总是选择能最小化通信和计算代价的目的算子的策略，直到所有算子的切分策略都被确定并形成一个最优的策略组合。 在确保与专家配置所有算子并行策略相比性能无损耗的情况下，LLAMA类网络和Mixtral类网络策略传播算法可以降低配置80%以上的算子级并行策略，这意味着用户可以节省大量的时间和精力，专注于模型优化和调优。 昇思MindSpore2.4版本在已有支持CV和推荐类网络的基础上，新增支持了Transformer类大模型，包括千亿稠密模型（e.g., LLAMA）、万亿稀疏模型(e.g., Mixtral)以及多模态网络。在囊括常见3D并行（DP, TP, PP）的基础上，兼容大模型性能特性如长序列并行、通信计算掩盖（多副本并行）、优化器并行、流水交织并行以及支持配置自定义Layout，并支持昇思MindSpore静态图模式，动静统一模式，兼容函数式写法。 未来，昇思MindSpore将进一步支持对Cell的入口进行策略配置，进一步减少用户需手动配置的数量，进一步简化并行配置过程。 ### **——大模型推理效率提升——** ### 5 **金箍棒提供8bit混合量化能力，降低大模型推理时延30%** 大模型推理过程中对于显存和算力有巨大的需求，昇思MindSpore金箍棒新增训练后量化PTQ算法提供8bit混合量化能力，通过将网络中线性层从浮点域量化到整型域，能够缓解memory bound，并显著降低显存和算力开销，从而提升推理性价比。PTQ算法是一种training-free的量化算法，可以通过配置项支持8bit权重量化、SmoothQuant、KVCache 8bit量化以及他们之间的组合算法，如同时使能SmoothQuant和KVCache 8bit量化。 我们对llama2 70B网络，使用200条squad1.1语料进行校准，耗时约8分钟完成SmoothQuant和KVCache 8bit量化。并使用BoolQ数据集进行评测，F1和EM均有轻微下降（1%以内）。量化后checkpoint文件大小缩减为原来的64%，推理的平均端到端时延降低30%以上。 参考链接：https://gitee.com/mindspore/golden-stick/tree/master/mindspore\_gs/ptq/ptq ### 6 **支持并行解码，利用算力优势实现推理性能加速** 大模型推理使用自回归解码的方式，通常需要逐个token地进行串行解码，并且生成每个token都需要将所有参数从存储单元传输到计算单元。因此在自回归解码过程中，受限于访存带宽，计算资源过剩。为了提高Decode阶段的算力利用率，降低端到端时延，昇思MindSpore2.4版本支持并行解码，是大模型推理的一种新型解码方式。 与自回归解码不同，并行解码每步可以同时解码多个token，然后并行验证它们，从而加速推理性能。前瞻解码（Lookahead Decoding）是一种基于Jacobi迭代的并行解码算法，无需微调，且不依赖小模型或离线数据集。前瞻解码通过Prompt及输出结果生成N-Grams，根据N-Grams生成草稿token，执行并行解码进行校验，减少推理步数以获得加速效果。 我们对Llama2-7B网络进行了前瞻解码功能测试，在batch size为18场景下，推理性能提升1.20.47倍。 ### 7 **支持MindIE服务化全量增量分离架构，提升推理吞吐量50%** 由于大模型推理在Prefill和Decoding阶段在资源需求和执行时间上有差异，Prefill是计算密集型任务，而Decodeing是存储密集型任务，PD混部会面临资源竞争、缓存压力、延迟增加和负载不均衡等问题。如下图所示，Prefill-only吞吐量有5.6tps，Decode-only有10tps，而混部只有1.6tps。 为了解决上述问题，昇思MindSpore2.4版本通过结合MindIE服务化支持PD分离部署。如下图所示，通过将Prefill和Decoding阶段分别部署到不同节点，并结合分布式调度等机制，有效缓解了资源竞争、简化了缓存管理、降低了响应延迟并实现了更均衡的负载分配，推理吞吐量可提升50%以上。 ### 8 **支持SLoRA服务化部署，实现大模型多微调权重调度推理** LoRA通过对大模型的权重矩阵进行隐式的低秩转换，可以解决大模型微调时存在的参数数量庞大、计算成本高等问题。昇思MindSpore2.4版本支持SloRA，可以在服务化部署时自动修改网络模型，实现LoRA网络结构适配和多LoRA权重加载并共享大部分模型参数。在推理时SLoRA提供了LoRA模型控制接口，实现LoRA任务的自由组合和快速切换。 参考链接：https://gitee.com/mindspore/mindformers/blob/dev/docs/feature\_cards/Text\_Generator.md#slora%E6%8E%A8%E7%90%86 --- https://www.mindspore.cn/version-updates/zh/3601/ --- 版本动态 昇思MindSpore 2.5版本正式发布，提升动态图执行性能，增强静态图泛化可用性，并降低大模型推理成本与时延 # 昇思MindSpore 2.5版本正式发布，提升动态图执行性能，增强静态图泛化可用性，并降低大模型推理成本与时延 2025/02/12 # 昇思MindSpore 2.5版本正式发布，提升动态图执行性能，增强静态图泛化可用性，并降低大模型推理成本与时延 经过昇思MindSpore开源社区开发者们几个月的开发与贡献，现正式发布昇思MindSpore2.5版本。 其中动态图补齐view和in-place功能并优化动态shape能力，提升动态图执行性能；通过完善图算融合，增强静态图O1模式的泛化可用性；新增支持不占资源的仿真模拟集群执行流程，提高调优效率，同时Atlas A2上的已有功能平滑迁移到超节点，并发挥互联优势，甜点场景性能可达2.9x Atlas A2，不断提升框架易用性。 在大模型推理方面，金箍棒提供低比特权重量化和动态量化算法降低推理成本，并结合图算融合优化技术，降低推理整网时延提升吞吐量，同时支持DiT文生图模型以存代算及Gate算法降低端到端时延，实现大模型推理性能提升。 在工具效率提升方面，msprobe工具新增分级可视化构图比对，实现快速分析精度问题，同时Profiler实现轻量化打点，支持集群场景问题快速定界。 下面就为大家详细解读昇思2.5版本的关键特性。 ### **——框架易用性提升——** ### 1 **动态图补齐view和in-place功能，提升Tensor索引性能平均3.4倍** 在AI框架中，对Tensor（张量）的操作在普通计算类操作的基础上，存在两种特殊的操作：view（视图）操作 和 in-place（原地）操作。view操作是指创建一个新的张量，它与原始张量共享相同的数据存储，但具有不同的形状或排列方式，换句话说view操作不会复制数据，而是通过不同的视角来解释现有的数据，这使得view操作非常高效，因为它们避免了不必要的内存分配和数据复制；in-place操作是指直接修改输入张量的内容，而不创建新的张量，这种操作通常会在函数名后加上下划线\_来表示它是in-place操作，例如，add\_()是add()的in-place版本。 Tensor的索引操作是建立在view和in-place操作之上的一个复杂操作，昇思MindSpore 2.5版本动态图已经补齐view操作和in-place操作能力，提升了Tensor的索引操作的性能，如下图所示，不同场景下Tensor索引性能平均提升3.4倍。 ### 2 **反向完善动态shape能力，提升动态图执行性能30%** 昇思MindSpore动态图在动态shape场景下，反向执行先构建完整的IR图，进而拆分成单算子进行执行，该流程下需要先构建整图再进行拆分，存在冗余的操作。针对该场景，昇思MindSpore2.5版本反向执行流程优化成建立逻辑连接关系，直接通过连接关系进行执行，从而优化冗余操作，提升动态shape场景下动态图执行性能，SDXL网络和OpenSora网络端到端提升30%。 ### 3 **完善图算融合，增强静态图O1模式的泛化可用性** 昇思MindSpore2.3版本首次对外发布支持静态图O(n)多级编译，其中O1模式主要是在O0基础上增加了图算融合优化支持，用于对训练性能要求更高的模型场景。 经过持续优化完善以及大范围测试验证，昇思MindSpore2.5版本中O1模式在泛化可用性上已经可以满足大部分场景需求。基于Atlas A2进行典型网络测试，如下图所示，使能O1模式可实现平均约10%的整网性能加速效果，具体收益跟网络结构、算子使用、张量Shape等相关。 当O1模式使能之后，图算融合可以在静态图编译过程中自动识别可融合子图并进行融合替换。相比手工融合，图算融合具有简单易用、泛化性好等优势。 参考链接：https://www.mindspore.cn/docs/zh-CN/master/api\_python/mindspore/mindspore.JitConfig.html ### 4 **超节点功能平滑迁移，全面发挥互联优势** 昇思MindSpore在Atlas A2上的已有功能无需修改即可平滑迁移到Atlas A3，充分发挥Atlas A3的硬件能力，全面支持模型的训练和推理流程。在超节点甜点场景上，昇思MindSpore使能高维张量并行、RingAttention等亲和特性，其中高维张量并行在通信节省基础上进一步实现超节点硬件亲和的Matmul计算shape切分策略优化、充分释放超节点硬件性能，支持千亿稠密Llama模型性能提升10%~20%。充分发挥互联优势，典型千亿稀疏模型长序列性能Atlas A3可达2.9x Atlas A2，支持M级tokens的序列长度训练。 ### 5 **新增支持不占资源的仿真模拟集群执行流程，提高调优效率** 通常在训练时为了提升设备的算力或显存利用率，往往需要反复调试并行策略、重计算、负载均衡等相关超参，对于动辄千卡万卡的大集群来说，这种反复调试成本是非常昂贵的。而昇思MindSpore2.5版本新增支持仿真模拟执行的功能，可以在不占用卡执行的情况下，直接模拟出任意卡的图编译结果以及显存占用情况，如下图所示，用户可以根据模拟执行的显存结果来调整上述超参，调整完后再复用到生产集群上，一键拉起大集群训练，从而减少调试过程中的资源占用，大幅提升调试调优效率。 用户可以根据自己的需求，通过环境变量export MS\_SIMULATION\_LEVEL=0/1/2/3设置模拟执行的级别。0代表仅模型编译，用户可以关注模型编译时间；1在0的基础上记录了算子的输入、输出显存信息，用户可以结合显存统计或者memory\_tracker进行显存分析；2在1的基础上增加了算子workspace显存信息，需要占用期望模拟的卡数；3在2的基础上增加了当前卡的计算算子执行过程，用户可以进行性能调优。 ### **——大模型推理性能提升——** ### 6 **金箍棒支持低比特权重量化和动态量化算法，降低推理成本** #### **6.1 金箍棒新增AWQ和GPTQ算法，并提供4bit权重量化推理能力，缩减40%推理时延和60%参数量** AWQ（Activation-Aware Weight Quantization）是一种低比特权重量化算法，基于激活值分布挑选显著权重，并且考虑到硬件效率，通过缩放的方式来保护显著权重，实现了硬件友好的高精度权重量化算法；与AWQ算法功能相似，GPTQ（Gradient-based Post-training Quantization）算法也是一种低比特权重量化算法，其核心思想是对某个block内的所有参数逐个量化，每个参数量化后，需要适当调整这个block内其他未量化的参数，以弥补量化造成的精度损失。 在昇思MindSpore2.5版本中，金箍棒复现了这两个权重量化算法，并优化了4bit权重量化的推理性能。我们在昇腾Atlas 800I A2硬件上使用8卡Tensor并行推理进行性能和精度测试，结果如下表所示，AWQ和GPTQ在BoolQ，SQuAD1.1和WikiText2数据集上实现了精度几乎无损的A16W4量化。 针对Llama2 70B网络，如下图所示，4bit权重量化在batch\_size小于8的情况下最多可以获得48.7%的时延收益；但当batch\_size大于等于16时，受限于昇腾硬件架构，4ibt权重量化在时延上会产生负收益。 参考链接：https://gitee.com/mindspore/golden-stick/tree/master/mindspore\_gs/ptq/ptq#gptq%E7%AE%97%E6%B3%95 #### **6.2 金箍棒新增激活动态量化算法，提升8bit量化的精度** 一些对精度十分敏感的模型和任务，即使通过SmoothQuant等异常值抑制技术仍然难以满足精度要求，此时可以通过牺牲一些8bit量化的性能收益，通过动态量化来进一步降低量化的精度损失。 与权重量化不同，在离线量化阶段算法不能获取真实的激活值，只能通过校准集近似统计激活的分布，这会带来额外的量化饱和误差。激活动态量化是指在推理过程中实时统计激活的分布来进行量化推理，实现更小的量化精度损失。 在昇思MindSpore2.5版本中，金箍棒提供了激活动态量化算法，结合权重静态量化和SmoothQuant异常值抑制技术，可以提供精度几乎无损的8bit量化能力。我们在昇腾Atlas 800I A2硬件上使用8卡Tensor并行进行测试，结果如下表所示，激活动态量化算法在C-Eval和SQuAD1.1数据集上实现精度无损的A8W8量化。 我们针对RMSNorm和DynamicQuant算子做了融合优化，在Llama2 57B网络，如下图所示，输入batch\_size范围\[1, 16\]，seq\_length范围\[512, 2048\]，获得端到端耗时缩减3.8%~8.1%。 ### 7 **结合图算融合优化技术，降低推理整网时延，提升吞吐量** 昇思MindSpore2.5版本使用图算融合技术针对性处理多类量化场景，减少额外量化操作带来的下发耗时和内存访问，并通过昇腾亲和的融合算子实现提升计算效率，与量化压缩、PrefillFlatten技术协同，配合Atlas A2及Atals推理系列产品达成降低整网时延、提升吞吐的优化效果。 #### **7.1 融合隐藏量化计算开销，整网加速3-8%** PagedAttention支持使用量化的KVCache作为输入，并在算子内融合反量化操作，利用昇腾硬件Cube/Vector特性实现多计算流水并行，使Cube/Vector计算时延互相掩盖，明显提升算子运行性能，相较浮点输入性能提升10%以上。 同时我们提供以RmsNorm为主体的融合pattern，将前向Add和后向量化计算融合成更大的Vector算子，利用多路融合并行、UB Bank冲突优化、Inplace内存复用等关键技术，融合前后算子性能提升10-30%。上述融合同时支持Quant算子（Per Channel量化）和DynamicQuant算子（Per Token激活动态量化）。 另外，此前版本已支持的MatMul并行融合及后向融合，在昇思MindSpore2.5版本中亦支持了量化数据类型的输入。 #### **7.2 PrefillFlatten负载均衡，吞吐量提升5%** 大模型推理场景处理序列数据时，通常会使用填充（padding）来使序列长度一致以便于批处理，无法避免地会增加冗余计算量。 昇思MindSpore2.5版本通过PrefillFlatten方法，将输入序列以真实长度进行拼接，无需填充到统一长度；针对这一优化，Attentoin计算模块（FlashAttention、PagedAttention、ApplyRotaryPosEmb算子）结合昇腾芯片特性，在算子内对输入序列真实长度进行排序，根据每个 Batch 的计算量动态分配不同的核数，确保较长的序列可以分摊到不同计算单元上，可在减少计算量的同时确保每个计算单元的负载均衡，同时优化Vector计算流水并行任务，提升UB利用率，进一步提高整体计算效率10%以上。 #### **7.3 FlexFormat融合实现矩阵乘优化，整网加速5-7%** Atlas推理硬件上Cube计算所需特殊Format与原生Format间的频繁转换会引入大量开销，且同一算子使用不同Format实现的性能亦有较大差异。针对此问题，昇思MindSpore2.5版本实现了更为灵活的Format选择及算子融合优化方案，结合高效的UB调度、Buffer复用等技术，使Cube计算可基本掩盖Format转换耗时，从而大幅提升性能。该方案优化支持浮点类型、量化类型及稀疏量化等多类MatMul算子，单算子融合前后性能提升3-40%，端到端性能提升5-7%。 ### 8 **支持DiT文生图模型以存代算及Gate算法，降低端到端时延32%** #### **8.1 以存代算算法降低注意力机制计算量，端到端加速24%** 主流的文本生成图像模型采用了基于注意力机制的多步迭代扩散去噪方法。在多步迭代过程中，相邻的时间步骤间通常存在冗余计算，这些计算具有高度相似性。通过识别和复用这些冗余计算的结果，可以在保持精度的同时减少计算量。 基于该思想并借鉴Delta-Cache的设计理念，昇思MindSpore 2.5版本引入了针对DiT文生图模型的以存代算（Cache）算法。如下图所示，该方法对前一个时间步（xt）中特定两个位置特征值（⑦-⑥）的偏移量进行缓存，并在下一个时间步（xt-1）中将这个偏移量直接应用到B1层的输入上，从而跳过了从B1到B3的计算过程。 不同于Delta-Cache所采用的部署策略，我们对参数进行了重新调整，以更好地适应不同的模型结构。在SD3模型上的测试结果显示，当生成分辨率为1024\*1024像素的图片时，该算法能够在精度几乎无损的前提下减少约24%的端到端推理延迟。 #### **8.2 叠加Gate算法，推理额外加速10%** 主流的文生图模型大多采用了无分类器引导（Classifier-Free Guidance, CFG）技术，其特点是在每次迭代过程中执行两次生成过程：一次是无条件引导，另一次是有条件的文本引导。实验发现，在迭代后期专注于提升图像质量的过程中，无条件引导对生成结果的影响相对较小。 基于这一观察，昇思MindSpore 2.5版本引入了Gate算法，允许在采用CFG技术的文本生成图像模型中，在特定的时间步停用无条件引导计算。此外，Gate算法可以与前述的以存代算（Cache）算法协同使用，进一步优化性能。在SD3模型上应用Gate算法后，相较于仅使用以存代算（Cache）算法的情况，推理时延降低了额外的10%，达成总计约32%的推理加速。 参考链接：https://github.com/mindspore-lab/mindone/tree/master/examples/dit\_infer\_acceleration ### **——工具效率提升——** ### 9 **msprobe工具新增分级可视化构图比对，实现快速分析精度问题** 针对大模型场景精度问题定位效率低，精度数据呈现不直观的问题，msprobe工具新增支持昇思MindSpore场景分级可视化构图比对，实现模型各个层级的精度数据比对，方便用户理解模型结构，快速分析精度问题。如下图所示，用户可以选择单图构建查看模型结构，也可以选择双图比对，实现昇思MindSpore与PyTorch的跨框架比对。可视化构图比对展示了模型的层级结构，并且每个节点都展示了输入输出数据信息、堆栈信息等，支持按节点名称搜索和按节点颜色进行精度筛选。 msprobe工具支持基于模型结构的精度可视化对齐和分析，一键找到模型实现差异、精度异常节点，大大提升精度对比分析效率。 参考链接：https://gitee.com/ascend/mstt/tree/master/debug/accuracy\_tools/msprobe#/ascend/mstt/blob/master/debug/accuracy\_tools/msprobe/./docs/22.visualization\_MindSpore.md ### 10 **Profiler实现轻量化打点，支持集群场景问题快速定界** 针对大集群场景传统Profiler流程重、数据量大的问题，昇思MindSpore2.5版本提供轻量化Profiler能力，帮助大集群场景轻量化获取模型关键指标性能数据。如下图所示，用户可通过mstx.mark、mstx.range\_start、mstx.range\_end接口自定义打点，同时支持通信算子的内置打点，用户开启轻量化打点功能，通讯算子前后将自动实现打点。所有的打点任务由runtime下发至device侧，可呈现打点任务在host侧和device侧的时间点或时间片。 轻量化打点可支撑昇思MindSpore2.5大集群训练业务场景，提供大集群场景少量数据即可定位问题边界能力。 参考链接：https://www.mindspore.cn/docs/zh-CN/master/api\_python/mindspore/mindspore.profiler.mstx.html?highlight=mstx#mindspore.profiler.mstx --- https://www.mindspore.cn/version-updates/zh/367/ --- 版本动态 MindSpore 1.1，给你最值得期待的2021 # MindSpore 1.1，给你最值得期待的2021 2021/01/01 # MindSpore 1.1，给你最值得期待的2021 大家好，好久未见的版本解读小编上线了。暨开源以来，MindSpore得到了大家的喜爱，得到了“TOP5 AI开源框架”，“满五维最佳开源项目”等等荣誉，积累起了一部分用户，在1.0版本后，考虑稳定性以及频繁升级可能会给大家带来的额外工作；另外一方面适当拉长开发周期也便于团队深入思考和设计MindSpore演进方向，打磨更加完善和成熟的特性，所以这次MindSpore v1.1.0（后简称1.1版本）发布与上次间隔了3个月左右。当然，看到这次版本特性列表，小编觉得这次发布绝对物有所值，值得期待。下面就带大家快速浏览1.1版本的关键特性。 老规矩，上版本特性视频 (观看视频请点击这里，转至公众号) 01 MindIR **MindIR**是MindSpore提供的中间表达形式，可以帮助大家**实现一次训练多处部署**，实现**端云互通**。简单来说，就是你可以在Ascend、GPU、CPU硬件平台上训练生成MindIR格式的模型，然后快速部署到手机端、推理服务器等环境上，体验到MindSpore的全场景能力，而不需要因为训练和推理的硬件不同，单独调整、转换模型。打开MindIR，它是一种**基于图表示的函数式IR**，**定义了可扩展的图结构**以及**算子的IR表示**，它**存储了MindSpore基础数据结构**，包括计算图、参数权重等。 MindIR通过统一的算子IR定义，**消除了不同后端的模型差异**，大家可以基于同一个模型文件在端、边、云不同平台上**进行协同任务**。 MindIR图存储内容（anf图）示意如下： 02 MindSpore Serving **MindSpore Serving**是一个**轻量级、高性能的服务模块**，旨在帮助MindSpore开发者在生产环境中**高效部署在线推理服务**。 - **使用简单** 提供Python接口配置和启动Serving服务，对客户端提供gRPC和RESTful访问接口，提供Python客户端接口，通过它，大家可以轻松定制、发布、部署和访问模型服务。 - **一键发布和部署** 支持模型供应商打包发布模型、预处理和后处理，围绕模型提供定制化服务，并一键部署，服务使用者不需要感知模型处理细节。 - **支持batching** 用户一次请求可发送数量不定样本，Serving分割和组合一个或多个请求的样本以匹配模型的实际batch，不仅仅加速了Serving请求处理能力，并且也简化了客户端的使用。 - **高性能高扩展** 支持多模型多卡并发，通过client/master/worker的服务体系架构，实现MindSpore Serving的高性能和高扩展性。 - **使用教程：** https://www.mindspore.cn/tutorial/inference/zh-CN/r1.1/serving\_example.html 03 端侧训练 MindSpore开源了**端侧训练特性**，能够使用端侧计算单元对模型进行fine tuning，以**达到AI应用越用越精准的目标**。以儿童成长为例，儿童成长过程外貌特征变化大，随着年龄、环境等因素的变化，云侧训练、端侧推理部署的传统形态容易导致误分类或识别错误等问题。 通过端侧训练，可以逐步地根据最新的数据进行模型fine tuning，**感知数据的变化**，**在线学习更新模型**。 - **端侧训练快速入门**： https://www.mindspore.cn/tutorial/lite/zh-CN/r1.1/quick\_start/train\_lenet.html 04 MindSpore PyNative 1.1版本完善了**PyNative**模式，能够**更好地支持大家进行动态图模式执行**。使用方式与之前并没有变化，仍然支持一行代码切换静态图模式与动态图模式，修改训练代码中的模式设置，将mode=context.GRAPH\_MODE切换成context.PYNATIVE\_MODE，从静态图模式切换至动态图模式执行，不过它支持的网络数量大大增加，当前已经支持Model Zoo中30+网络。 在MindSpore PyNative模式下，大家**可以像调试python代码一样调试网络模型**，打断点，看输出，分析问题。 - **PyNative模式支持\*\*\*\*的网络列表**： https://www.mindspore.cn/doc/note/zh-CN/r1.1/network\_list\_ms.html 05 调试器 MindSpore1.1版本重新设计了**调试器**的检查能力，**增强了易用性**，能够更好地帮助用户**定位精度问题**。 - **丰富了训练信息检查能力** 新增近二十项检查规则，支持对权重、激活、梯度、张量等进行针对性的检查，提前发现训练问题。 - **支持重新检查** 调整检查规则后支持对当前数据进行重新检查，不漏过可疑点。 - **开箱即用** 调试器会自动推荐监测点，帮助用户发现常见精度问题。此外，页面上还会展示调优建议和张量关系图，帮助梳理问题定位思路，快速定位问题。 - **查看调试器教程**： https://www.mindspore.cn/tutorial/training/zh-CN/r1.1/advanced\_use/debugger.html 06 单节点数据缓存 **单节点数据缓存**，是指缓存服务器为在同一台机器上的多个客户端提供数据缓存服务，用于**加速模型训练中的数据预处理**。缓存服务，支持两类数据的缓存，即元数据缓存和预处理后数据缓存，可避免重复的数据加载和预处理，提升数据处理的吞吐量，实现高速数据供给，缩短简单模型的训练时间。 单节数据缓存带来的性能提升，使用单简单网络在ImageNet数据集开展训练任务，**吞吐量提升16.1%**，**训练时长降低13.8%**，获得了明显的**性能提升**。 07 并行拓扑内存约束优化器 (SOMAS) 当前神经网络呈现越来越大型的发展趋势，而越大型的网络在训练时所分配到的并行计算流越多，但是由于缺少多流内存优化器对训练内存进行优化导致内存浪费严重，甚至造成某些大型网络例如T5，GPT3，MegtronLM跑不起来。 针对上述问题MindSpore采用约束编程技术，设计开发了**并行拓扑内存约束优化器SOMAS**，对并行流信息与数据依赖进行聚合分析，得到算子间祖先关系，构建张量全局生命期互斥约束，再使用多种启发式算法求解获得最优的内存静态规划，实现逼近理论极限的内存复用，可大幅降低多流大型计算图训练内存使用量，进而提升训练的Batch Size数量和训练吞吐量FPS。 - **以BERT-Large数据并行为例 :** 采用SOMAS优化后Batch-Size数量可以从160（MindSpore 0.6 Beta）提升到208(MindSpore 1.1)提升30%。 - **以两种模型并行配置对比测试** SOMAS优化后内存大幅降低。 08 在线体验 MindSpore与ModelArts上线了**在线体验**的功能，你可以**免（bai）费（piao）使用ModelArts提供的线上GPU、CPU环境**，熟悉Google Colab的同学相信对此不陌生。只要浏览器，PC、Pad，甚至有同学**通过手机来使用线上环境进行模型训练**，让小编也学到了新姿势。 △手机体验线上训练 活跃在论坛的小伙伴通过前期活动**体验**了几个**demo**，好评率如潮，纷纷要求后续教程。 MindSpore文档团队加班加点，熬秃了头发，一个月**新上线了35篇Notebook教程**，方便大家体验MindSpore更多的特性。你可以通过官网教程首页的自定义入口（对，文档团队上线了筛选功能）筛选出在线体验的教程，点击教程上方的“**Run in ModelArts**”进行体验。 当然，因为ModelArts Notebook还在公测中，如果碰到资源不足的情况，请大家耐心等待，后续Notebook正式上线，会有更多的环境开放。 上面就是小编选的几个关键特性，还不过瘾，可以查看MindSpore v1.1.0的全量特性。 https://gitee.com/mindspore/mindspore/blob/r1.1/RELEASE.md 那么我们v1.2版本再见~ --- https://www.mindspore.cn/version-updates/zh/3726/ --- 版本动态 昇思MindSpore 2.6版本正式发布，支持DeepSeek端到端全流程开箱即用，主流SOTA模型Day0迁移，从易用到好用 # 昇思MindSpore 2.6版本正式发布，支持DeepSeek端到端全流程开箱即用，主流SOTA模型Day0迁移，从易用到好用 2025/05/22 # 昇思MindSpore 2.6版本正式发布，支持DeepSeek端到端全流程开箱即用，主流SOTA模型Day0迁移，从易用到好用 经过昇思MindSpore开源社区开发者们几个月的开发与贡献，现正式发布昇思MindSpore2.6版本。 本次版本发布三大特性升级： 1\. 支持DeepSeek MoE模型训推全流程开箱即用，预训练、后训练特性升级：全面支持Dropless MoE训练，实现基于GRPO算法的强化学习训练 2\. 兼容主流生态，插件式接入vLLM生态，openEuler协同优化，DeepSeek部署20分钟开箱即用 3\. 从易用到好用：支持MindSpeed加速库，主流SOTA模型Day0迁移，一行代码配置自动并行，接口功能解耦，调试调优工具升级 下面就为大家详细解读昇思2.6版本的关键特性。 ### **——DeepSeek全栈能力支持——** ### 1 **全面支持Dropless MoE训练，分层通信+前反向通信掩盖加速DeepSeek V3大集群部署** 基于静态图动态Shape能力和Sharding自动重排布能力，昇思MindSpore2.6版本新增了Morph自定义并行，允许用户自主在前端脚本中控制通信算子的插入，极大提升了静态图并行的易用性和灵活性。同时昇思MindSpore MoE在Capacity模式的基础上，利用Morph封装高动态、非对齐Shape的专家并行，并嵌入基于自动重排布的整网，从而实现了静态图下的Dropless MoE训练。此外通过异构缓存、融合算子、反向通信掩盖等优化手段进一步提升端到端性能。 \- 异构缓存：MoE训练的AllToAllv通信Shape依赖于数据的实时路由状态，通信算子下发需要提前将路由状态从device搬运到host上，从而引发D2H拷贝和算子下发流中断。而当前可以通过昇思MindSpore的异构能力，在首次D2H后于Host侧缓存其路由状态，把下发流中断的次数从4次或6次（含重计算）降到1次，实测DeepSeek V3上有5%的性能收益。 \- 融合算子：在Dropless MoE的实现中利用permute和unpermute融合算子对数据进行排序和反排序，利用GMMAssignAdd融合算子合并MoE dW的计算和梯度累积，利用MMAssignAdd融合算子合并MLA部分的dW的计算和梯度累积，Swiglu将激活函数的计算融合成一个算子，并允许将两个前置矩阵计算合二为一。RoPE融合算子整合整个旋转位置编码的算法，加速相关计算。实测DeepSeek V3上有10%的性能收益。 \- 反向通信掩盖：将反向的Combine AllToAllv与共享专家的反向重叠，将Dispatch AllToAllv与MoE dW的计算重叠，做到反向的计算通信掩盖，实测DeepSeek V3上有6%的收益。 在大规模集群上部署DeepSeek V3 671B，高稀疏度和大规模专家并行会导致AllToAll通讯占据30%左右的开销，而昇思MindSpore MoE通过分层通讯和前反向通信掩盖实现通讯性能优化。 参考链接：https://gitee.com/mindspore/mindformers/tree/dev/research/deepseek3 ### 2 **通过图编译+组合量化，提升推理系统吞吐率，显存资源占用减半** 昇思MindSpore2.6版本针对DeepSeek-V3/R1的网络结构特点与MLA结构，实现和优化了更高效的推理网络。 \- 图生成：MindSpore通过JIT编译自动将模型的python类或者函数编译成一张完整的计算图，JIT编译提供了多种方式(ast/bytecode/trace）以满足不同场景的用途，覆盖了绝大部分Python语法。 \- 算子融合：基于计算图通过自动模式匹配实现算子融合，在整图范围内将多种小算子组合，融合成单个大颗粒的算子。大算子既减少Host下发的开销，同时也大大缩短了Device的计算时延。 \- 动态shape支持：构建了Shape推导、Tiling数据计算、下发执行的三级流水线，实现Host计算和Device计算的掩盖，有效提升了计算图动态Shape执行效率。 同时，为降低DeepSeek-R1大模型的部署成本，昇思MindSpore2.6版本提供了金箍棒模型压缩工具，无需侵入修改模型网络脚本，即可构造和验证多种组合量化方案。 参考链接： MindSpore DeepSeek-V3/R1推理模型脚本：https://gitee.com/mindspore/mindformers/tree/dev/research/deepseek3 MindSpore DeepSeek-R1推理模型仓：https://modelers.cn/models/MindSpore-Lab/DeepSeek-R1-W8A8 ### 3 **支持GRPO训推全流程一体化部署，实现基于GRPO算法的强化学习训练** 随着DeepSeek R1的出圈，GRPO算法受到业界广泛关注。GRPO（Group Relative Policy Optimization，组相对策略优化）是针对数学等逻辑推理任务提出的强化学习训练的算法，通过GRPO算法的大规模后训练得到的DeepSeek R1模型在逻辑推理能力上得到了显著提升，涌现出了长思维链和反思等深度思考能力，其在数学和编程任务上的表现已超越或媲美OpenAI o1系列模型。 GRPO训练流程示意 与以往开发的单模型训练代码相比，GRPO强化学习训练流程涉及策略模型与参考模型，通过策略模型生成数据，利用参考模型和奖励函数计算Loss，然后进行策略模型的训练，如上图所示，这个过程需要模型在推理和训练状态间的频繁切换，并涉及参考模型和策略模型推理、训练三份权重，对训练性能和显存管理提出了更高的要求，对于强化学习开发者来说，快速完成算法开发和模型训练是个不小的挑战。昇思MindSpore2.6版本为GRPO强化学习训练流程提供了优化技术： \- 组件化解耦训练流程与模型定义，支持用户自定义修改模型结构、奖励函数、训练超参等。 \- 训推共部署，实现训练和推理权重在线快速自动重排，避免权重文件落盘操作，节省离线转换保存权重文件的时间开销。 \- 通过异构内存Swap技术，按需加载模型至显存，避免训练和推理的权重同时存在，支持更大规模模型的训练任务。 基于上述技术，昇思MindSpore实现了GRPO强化学习训练全流程打通，并为强化学习开发者提供了多种训练接口，支持算法快速实现。 参考链接：https://gitee.com/mindspore/mindrlhf/tree/master/examples/grpo ### 4 **SAPP流水线负载均衡工具支持DeepSeek类异构模型，提升调优性能25%** DeepSeek的架构中不同的MoE层专家数存在着区别，并且还引入了MTP层，这让DeepSeek模型的不同层之间内存和计算建模有着显著差异。如果手工调优的话，需要工程师多次实验总结不同层处在不同stage时的内存变化规律，相比于Llama系列模型复杂度和工作量都是成倍的提升。 面对DeepSeek一类的异构模型，昇思MindSpore2.6版本中SAPP流水负载均衡工具通过执行序约束实现有效兼容。下表展示了DeepSeek-V3 671B调优的实例，在大规模集群实测训练性能tokens/s提高25%。 参考链接：https://gitee.com/mindspore/toolkits/tree/master/autoparallel/pipeline\_balance ### **——生态兼容扩展——** ### 5 **插件式接入vLLM生态，openEuler协同优化，DeepSeek部署20分钟开箱即用** 昇思MindSpore2.6版本开发了vllm-mindspore独立插件，将大模型推理能力接入到了vLLM生态中。对于vLLM服务化和调度组件，将PyTorch 接口映射至昇思MindSpore能力调用，全面支持其vLLM Continual Batching、PagedAttention等核心特性。通过将vLLM后端的模型、网络层、自定义算子等组件，替换为昇思孵化、基于前端并行的大模型推理模块，继承昇腾+昇思的高性能推理能力。 同时，昇思MindSpore联合OpenAtom openEuler（简称"openEuler"）开源社区，面向基于鲲鹏+昇腾的DeepSeek大模型推理，开展了OS+AI基础软件的分层协同优化，发布了vLLM+MindSpore+openEuler的DeepSeek开源解决方案镜像，支持一键式推理服务部署，20分钟即可完成模型开箱，单请求吞吐可达18.5tokens/s，192请求吞吐可达1350tokens/s。 参考链接：https://gitee.com/mindspore/vllm-mindspore ### **——框架易用性提升——** ### 6 **并行配置项优化，一行代码配置自动并行** 昇思MindSpore分布式并行接口主要使用set\_auto\_parallel\_context()进行配置，配置项达25+，覆盖各类并行设置，这样对使用和理解带来一定门槛，例如：context为全局作用域，当一个进程中存在多个网络且每个网络的并行策略不一致时，需要在合适的位置进行重新配置，也需要深度熟悉并行策略冲突场景。 昇思MindSpore 2.6版本中新增AutoParallel类，支持对单个网络进行并行配置。对已构建的网络一行代码即可配置自动并行： `parallel_net = AutoParallel(single_net, parallel_mode="semi_auto")` parallel\_mode可以选择sharding\_propagation模式或recursive\_programming模式，再根据各类并行场景，使用相对应接口进行开发。例如：通过parallel\_net.hsdp()接口使能优化器并行，通过parallel\_net.pipeline()接口使能流水线并行和调度策略。 参考链接：https://www.mindspore.cn/docs/zh-CN/master/api\_python/mindspore.parallel.html ### 7 **差异化接口功能对齐主流生态，支持MindSpeed加速库** 为降低大模型迁移适配的门槛与工作量，昇思MindSpore 2.6版本构建了MSAdapter适配层，桥接MindSpeed加速库，在不改变用户原有使用习惯下，实现业界主流生态代码快速迁移到昇思MindSpore上，通过MindSpeed支持主流大模型，帮助用户高效使用昇腾算力。 用户可以通过MindSpeed-LLM文档指导，获取开箱即用的MindSpore版DeepSeek-V3脚本代码与数据集，快速体验。 参考链接：https://gitee.com/ascend/MindSpeed-Core-MS/blob/feature-0.2/docs/deepseekv3.md ### 8 **全局set\_context接口参数优化，提供职责单一的API接口使能编译/运行时等功能，提升代码可读性** 昇思MindSpore2.6版本针对mindspore.set\_context()接口的50+配置进行功能解耦，重新设计并推出职责单一的API接口，实现编译、运行时、设备管理等功能。 #### **8.1 新增runtime/device\_context模块，提升内存/硬件资源管理易用性** 新增mindspore.runtime模块封装了执行、内存、流、事件的接口，方便在Python层调度硬件资源。例如：原set\_context下内存相关参数max\_device\_memory/variable\_memory\_max\_size /mempool\_block\_size/memory\_optimize\_level均在设置memory相关功能，优化合并为runtime.set\_memory()接口，细颗粒度的memory设置改为函数入参，以此提升接口的可读性，方便理解并使用。 参考链接：https://www.mindspore.cn/docs/zh-CN/master/api\_python/mindspore.runtime.html #### **8.2 新mindspore.jit使能动态图+编译能力，提升开发易用性** mindspore.set\_context()中涉及编译能力的参数统一归纳到mindspore.jit()接口，同时对jit函数的参数进行重新设计，根据编译过程的关键特点提供对应参数给开发者控制，例如capture\_mode（捕获代码方式）/jit\_level（编译优化级别）/dynamic（是否动态shape）/backend（编译运行后端）参数，提升可理解性。 昇思MindSpore默认动态图模式，优先保证开发调试易用性，性能加速可对局部函数进行jit编译装饰。 参考链接：https://www.mindspore.cn/docs/zh-CN/master/api\_python/mindspore/mindspore.jit.html ### 9 **msprobe工具支持动态图训练状态监控，实时呈现训练状态，提高精度调优效率** 针对大模型训练业务中异常的更新可能导致模型训练过程中状态变化剧烈且定位困难的问题，msprobe工具新增支持昇思MindSpore动态图场景训练状态监控，能够在较低性能损耗下收集和记录模型训练过程中的激活值、权重梯度、优化器状态和通信算子的中间值，实时呈现训练状态，快速分析精度问题。可根据需求监控相应对象，比如在loss上扬但grad norm正常的异常训练过程中，监控模型前向过程；在grad norm异常的训练过程中，监控权重和激活值的梯度。 可通过配置实现对整网训练中激活值的输入输出进行数据监控及落盘，作为人工分析模型训练精度的输入，帮助用户提高精度调优效率。 参考链接：https://gitee.com/ascend/mstt/blob/master/debug/accuracy\_tools/msprobe/docs/19.monitor.md --- https://www.mindspore.cn/version-updates/zh/3811/ --- 版本动态 昇思MindSpore 2.7版本正式发布，支持ZeroBubbleV流水线并行调度提升训练效率，升级适配vLLM V1架构，采用组合优化提升DeepSeek-V3推理性能 # 昇思MindSpore 2.7版本正式发布，支持ZeroBubbleV流水线并行调度提升训练效率，升级适配vLLM V1架构，采用组合优化提升DeepSeek-V3推理性能 2025/08/13 # 昇思MindSpore 2.7版本正式发布，支持ZeroBubbleV流水线并行调度提升训练效率，升级适配vLLM V1架构，采用组合优化提升DeepSeek-V3推理性能 经过昇思MindSpore开源社区开发者们几个月的开发与贡献，现正式发布昇思MindSpore2.7版本。 在大模型训练性能提升方面，新增支持ZeroBubbleV流水线并行调度进一步降低bubble耗时，并创新性实现重计算通信掩盖技术，提升大模型重计算部分训练效率； 在生态兼容扩展方面，升级适配vLLM v0.8.3版本和V1架构，并采用多项组合优化显著提升DeepSeek-V3推理性能； 在强化学习训推性能提升方面，支持推理均匀采样、动态packing训练，提升吞吐效率，同时支持6D并行权重重排技术，实现任意模型并行策略下的权重重排，以及支持强化学习断点续训，实现灵活的训练调试、部署； 在工具效率提升方面，提供了在线监控平台（msMonitor），能够实现快速性能诊断，同时msprobe工具支持静态图模块级Dump与自动比对，提升问题定位效率； 下面就为大家详细解读昇思2.7版本的关键特性。 # **——大模型训练性能提升——** ## **1 支持ZeroBubbleV流水线并行调度，进一步降低bubble耗时，实现更高比例的计算通信掩盖** 流水线并行是大规模分布式训练的常用并行方式，但是流水线并行会不可避免的引入bubble，从而降低设备利用率。昇思MindSpore2.7版本新增支持ZeroBubbleV流水线调度方案，如下图所示，将dx和dw的计算分离，并把dw填充到bubble中进行计算，进一步缩小了机器的空闲时间，并在正反向交替执行阶段支持1B1F融合掩盖，提升训练效率。 参考链接：https://www.mindspore.cn/docs/zh-CN/master/features/parallel/pipeline\_parallel.html ## **2 实现重计算通信掩盖技术，提升大模型重计算部分训练效率** 随着Transformer模型层数突破千级，传统训练模式面临两大核心挑战：1) 显存爆炸：反向传播需存储中间激活值，百层网络缓存占用超400GB; 2) 通信阻塞：分布式训练中通信占比超50%，计算利用率不足60%。 为此，针对显存开销，业界往往选用重计算方案来大幅消减激活值开销，选用完全重计算可以最大化的降低激活值显存开销，但是此时重计算本身开销也较大。 昇思MindSpore2.7版本创新性实现了重计算通信掩盖架构，通过分组流水线机制提升重计算部分的效率，如下图所示，将重计算层动态划分为两两一组（如Layer1、Layer2为A组，Layer3、Layer4为B组），每组内实现两个重计算Layer之间的计算与通信的掩盖，实现重计算模块性能提升15%。 # **——生态兼容扩展——** ## **3 升级适配vLLM v0.8.3版本和V1架构，组合优化显著提升DeepSeek-V3推理性能** 昇思MindSpore 2.7版本配套的vLLM-MindSpore插件，升级适配了vLLM v0.8.3版本，支持V0和V1架构，新增支持了Prefix Caching、Chunked Prefill、Multi-step Scheduling、MTP、Multi-LoRA等服务化特性。同时，改用动态图（PyNative）和JIT（Just-In-Time）编译实现接入vLLM后端的昇思MindSpore大模型，显著提升了推理后处理性能。 同时，昇思MindSpore采用多项优化组合，显著提升了DeepSeek-V3/R1为代表的稀疏MoE大模型推理性能： 1\. 混合并行：支持面向Attention和MoE单元，分别部署张量并行（TP）、数据并行（DP）、专家并行（EP）组合方案，可提升DeepSeek-V3/R1多请求吞吐性能35%+。 2\. 推理融合算子：新增接入MoeInitRoutingQuant、MultiLatentAttention等面向稀疏MoE计算的融合算子，及Combine/Dispatch等通信优化算子，降低算子下发和等待时延。 3\. 模型量化：改进了W8A8静态量化，降低量化推理的运行时开销，并提升Function Call等场景的精度。新增支持W4A16量化推理，支持单台Atlas 800I A2 (64GB)服务器部署DeepSeek-V3/R1模型。 通过叠加上述性能优化技术，2台Atlas 800I A2（64GB）部署DeepSeek-R1/V3 W8A8量化推理，在Decode时延≤100ms约束条件下，256序列输入/输出非首Token吞吐可达2600token/s以上，进入开源推理方案第一梯队。 参考链接：https://www.mindspore.cn/vllm\_mindspore/docs/zh-CN/master/index.html # **——强化学习训推性能提升——** ## **4 支持推理均匀采样，提高数据生成端到端吞吐** 传统的强化学习经验收集过程中，不同的dp处理自己对应的问题，但是由于不同问题之间的回答长度是严重不均衡的，所以会引起较大的“等待空泡“，从而导致端到端性能差，甚至引起进程因等待时间过长而中断的问题。MindSpore RLHF最新版本中采用了推理均匀采样技术，如下图所示，我们将不同问题均匀分配在各个dp上，从分布上尽量让各个推理实例的负载尽量均衡，从而可以大量减少不同dp之间的等待时间，使得系统能更加稳定运行，在推理性能上约有5-10%的收益。 ## **5 支持强化学习动态packing训练，实现训练吞吐翻倍** 在预训练和微调阶段，packing训练已经被证明可以较快地提升端到端训练速度，并且对训练的效果的影响甚微。在MindSpore RLHF最新版本中提出了算法等价的动态packing训练方案，如下图所示，其主要功能是在loss函数等价的前提下，会根据预先设置的“最大pack长度”和“最大pack数量”，动态地将样本拼接到一起，从而可以最大化缩减样本的数量，且不对样本做截断（可能会影响样本质量）。在实际测试中，动态packing可以减少40%左右的训练时间，且训练效果没有下降。 ## **6 支持6D并行权重重排技术，实现任意模型并行策略下的权重重排** MindSpore RLHF权重重排通过昇思MindSpore训练网络的Layout信息和推理网络的Layout信息来进行重排布算子列表的推导。Layout信息是指通过昇思MindSpore内部一种表达Tensor排布的方式，通过设备矩阵Device Matrix以及分片的映射Tensor Map来描述当前权重在哪些维度被切分，各个切片分部到哪些Rank上。Layout信息可以表达现有的通用并行策略，如DP、TP、CP、PP、优化器并行、EP等6D并行。 如下图所示，当前的6D并行的权重重排方案，相比于业界case-by-case手写的重排，在泛化性上有较大优势，只要能通过昇思MindSpore自带的Layout来表达的切分策略，都可以通过一段统一代码进行重排列表的推导并执行，完成在线重排布。 ## **7 支持强化学习断点续训，实现灵活的训练调试、部署** 在强化学习中，随着模型规模和集群规模增大，训练也会像微调和预训练那样可能出现训练中断情况，因此。构建针对强化学习的断点续训就非常重要了。在MindSpore RLHF最新版本中实现了针对强化学习场景的断点续训，在推理、训练、reference模型的加载上，我们采用的策略是，首先加载训练的权重和优化器权重，保证其训练状态一致；然后利用训练权重和6D权重重排技术，将权重排布到推理和ref模型上，从而极大减少模型加载的IO时间。当前实现的断点续训功能可以完全对接中断前的loss和训练状态，实现真正意义上的“续训”。 参考链接：https://gitee.com/mindspore/mindrlhf # **——工具效率提升——** ## **8 提供在线监控平台（msMonitor），实现快速性能诊断** 在AI计算领域，随着模型规模不断扩大，训练性能优化已成为开发者面临的关键挑战。特别是在大规模分布式训练场景下，传统性能监测方案存在明显不足：其一，采用被动式监测策略，往往在性能抖动发生后才能触发数据采集，导致问题定位存在显著延迟；其二，面对训练过程中产生的海量性能数据（通常达数百GB量级），传统方案的解析和转储效率低下，进一步延长了问题诊断周期。这些缺陷不仅影响排障效率，更会造成计算资源浪费。 昇思MindSpore2.7版本新增了MindSpore Profiler接入在线监控平台功能，用户在使用MindSpore Profiler框架集群训练场景下能够通过在线监控平台的monitor功能（常态监测）实时观察到训练的性能劣化点，实现性能问题的初步定位，后续可以通过在线监控平台的Profiler trace dump功能（精准采集）采集完整的性能数据，分析、定位性能瓶颈点，从而帮助开发者实现更高效的模型性能优化。 通过 "常态监测+精准采集" 的组合策略，msMonitor既能满足集群长稳训练时的实时监测需求，又能针对性能瓶颈进行定向分析，显著提升模型训练效率。 参考链接：https://gitee.com/ascend/mstt/tree/master/msmonitor ## **9 msprobe工具支持静态图模块级Dump与自动比对，提升问题定位效率** 针对大模型场景下静态图精度定位困难问题，msprobe工具新增支持静态图模块级Dump与自动比对功能。如下图所示，首先通过msprobe工具用户可对网络模块的正反向输入输出进行真实数据Dump或max、min、mean、l2norm统计量Dump；进而根据mapping文件建立MindSpore Transformers与Megatron网络模块名称的对应关系；最后，借助可视化工具可将网络层级关系直观展现出来并计算出与标杆数据的相关精度指标，方便快速找到产生精度问题的模块，有效提升昇思MindSpore静态图下同框架与跨框架精度问题定位效率。 --- https://www.mindspore.cn/version-updates/zh/426/ --- 版本动态 MindSpore 1.2.0-rc1，超出你的期待 # MindSpore 1.2.0-rc1，超出你的期待 2021/03/26 # MindSpore 1.2.0-rc1，超出你的期待 大家好，在MindSpore开发团队和社区开发者共同努力下，MindSpore很多的新特性马上要与大家见面了，比如**动态图分布式训练效率的大幅提升**、**一键模型迁移**、**模型鲁棒性检测**、**深度分子模拟**及**量子机器学习**等，无论是在效率提升、易用性，还是创新方面，都是干货满满。下面就给大家快速预览即将到来的这些关键特性的文字描述。 **大幅提升动态图下分布式训练的效率** 在深度学习中，当数据集和参数量的规模越来越大，训练所需的时间和硬件资源会随之增加，最后会变成制约训练的瓶颈。分布式并行训练，可以降低对内存、计算性能等硬件的需求，是进行训练的重要优化手段。当前**MindSpore动态图模式**已经支持数据并行，通过对数据按batch维度进行切分，将数据分配到各个计算单元中进行模型训练，从而**缩短训练时间**。 基于ResNet50 v1.5+ImageNet数据集测试，在昇腾计算硬件平台，MindSpore动态图模式分布式的表现，**可以达到PyTorch典型分布式场景的1.6倍**， 静态图模式分布式的表现也可以**达到TensorFlow典型分布式场景的2倍**。 PyNative快速入门： https://www.mindspore.cn/tutorial/training/zh-CN/r1.2/advanced\_use/debug\_in\_pynative\_mode.html **数据预处理加速Dvpp** 数据是机器学习的基础。在网络推理场景中，我们需要针对不同的数据进行数据的预处理，从中过滤出核心信息放入我们训练好的模型中进行推理预测。在实际应用场景中，我们往往需要对大量的原始数据进行推理，比如实时的视频流等。因此，我们在昇腾推理平台引入了**Dvpp模块**，**来针对\*\*\*\*网络推理数据预处理流程进行加速**。 Dvpp数据预处理模块提供C++接口，提供图片的解码、缩放，中心抠图、标准化等功能。在Dvpp模块的设计中，考虑到整体的易用性，其功能与MindData现有CPU算子有重叠，我们将其API统一，通过推理执行接口设置运行设备来进行区分。用户可以根据自身硬件设备环境来选择最佳的执行算子。Dvpp数据预处理流程如下图所示： 我们在一台具有Ascend310芯片的arm架构服务器上测试了Dvpp系列算子的性能收益。该服务器拥有128个主频为2.6GHz的CPU核心，以及128Gb的内存空间。在实验中，我们选取yoloV3网络，同时选取coco2017推理数据集40504张图片进行推理，最终得到模型输入尺寸为\[416, 416\]的图片。 我们分别使用Dvpp算子和CPU算子进行数据预处理，得到如下性能对比： 可以看到Dvpp系列算子相较于Cpu算子在处理大量数据时性能优势明显，在本实验中处理40504张图片性能FPS提升129%。 查看教程： https://www.mindspore.cn/tutorial/inference/zh-CN/r1.2/multi\_platform\_inference\_ascend\_310\_mindir.html#ascend-310 **分子模拟库**\*\*（SPONGE）\*\*\*\*，来自社区分子动力学工作组\*\* MindSpore版的SPONGE是在社区中的分子动力学工作组(MM WG)中，由北大、深圳湾实验室高毅勤课题组与华为MindSpore团队联合开发的分子模拟库，具有高性能、模块化等特性。 **为何需要开发SPONGE** 分子动力学模拟是用牛顿定律近似来描述微观原子和分子尺度演化的计算机模拟方法。其既可用于基础科学研究也可用于工业实际应用。在基础科学领域，分子动力学方法有助于科研学者从微观研究体系的物理化学性质。 在工业生产中，其可以利用大规模计算的能力辅助药物分子的设计和蛋白靶点的搜寻\[1,2\]。由于模拟的时间和空间尺度限制，传统分子动力学软件的应用范围受到较大限制。科研工作者也在不断的开发新的力场模型\[3,4\]、抽样方法\[5,6\]以及尝试结合新兴的人工智能\[7,8\]来进一步拓展分子动力学模拟的适用领域。 由此，新一代的分子动力学软件就需要被提上日程。其应该具有模块化的特性，能够支持科学家高效的创造和搭建出能够验证其理论模型的结构。同时，它还需要兼顾传统模拟方法的高效性，能够兼容其在传统领域上的使用。此外，为实现分子模拟+机器学习的自然融合，其还应该拥有嵌入人工智能框架的形态。SPONGE就是基于这些理念而被创造出的全新的，完全自主的分子模拟软件。 相比于之前在传统分子模拟软件上结合SITS方法进行生物分子增强抽样\[9\]，SPONGE原生支持SITS并对计算流程进行优化使得其使用SITS方法模拟生物体系更加高效。针对极化体系，传统分子模拟采用结合量化计算等方式来解决电荷浮动等问题\[10\]。即使采用机器学习降低计算量也会浪费大量时间在程序数据传送的问题上。而SPONGE利用模块化的特点可支持内存上直接与机器学习程序通信大大降低了整体计算时间。 图1：结合SITS等方法可进行Na\[CpG\], Lys生物分子模拟 图2：机器学习+分子模拟方法可更快更准确地模拟极化体系，图为\[C1MIm\]Cl离子液体模拟 **MindSpore + SPONGE** 基于MindSpore自动并行、图算融合等特性，SPONGE可高效地完成传统分子模拟过程。SPONGE利用MindSpore自动微分的特性，可以将神经网络等AI方法与传统分子模拟进行结合。 SPONGE模块化设计结构图 随MindSpore1.2版本开源的**SPONGE具备以下优势**： 1、全模块化分子模拟。模块化构建分子模拟算法，易于领域研发人员进行理论和算法的快速实现，并为外部开发人员贡献子模块提供友好的开源社区环境。 2、传统分子模拟与MindSpore结合的人工智能算法的全流程实现。在MindSpore中，研发人员能便利的将AI方法作用于分子模拟中。全算子化的SPONGE将与MindSpore进一步结合成为新一代端到端可微的分子模拟软件，实现人工智能与分子模拟的自然融合。 教程文档： https://www.mindspore.cn/tutorial/training/zh-CN/r1.2/advanced\_use/hpc\_sponge.html **MindSpore+SPONGE展望** 近期展望：在后续的版本更新中会陆续加入已经理论验证好的MetaITS模块、有限元计算模块等功能。这些模块将帮助SPONGE能更好的从事相变和金属表面相关的模拟。同时，MindSpore版SPONGE各模块逐步支持自动微分和自动并行，对于衔接机器学习方案提供更友好的支持。 远期展望：拓展SPONGE的各种特色模块，使其能够描述大部分微观体系并同时具有较高的计算和采样效率。对特定工业需求，如药物筛选或晶型预测，将基于SPONGE衍生出完整的流程化计算方案，能够满足大规模并行计算的需求。在MindSpore框架下，SPONGE具有元优化功能，从而实现更准确和更快的力场拟合。 **量子机器学习**\*\*（MindQuantum）\*\*\*\*，来自社区量子力学工作组\*\* MindQuantum是结合MindSpore和HiQ开发的量子机器学习框架，支持多种量子神经网络的训练和推理。得益于华为HiQ团队的量子计算模拟器和MindSpore高性能自动微分能力，MindQuantum能够高效处理量子机器学习、量子化学模拟和量子优化等问题，性能达到业界TOP1(Benchmark)，为广大的科研人员、老师和学生提供了快速设计和验证量子机器学习算法的高效平台。 MindQuantum vs TF Quantum/Paddle Quantum性能对比 性能对比 问题：MNIST图像识别 参数：17比特，112CPU，BatchSize为14 MindQuantum 169s TF Quantum 300s 性能对比 问题：Max-Cut QAOA优化，Random Graph，12个图节点，4层循环 参数：12比特，单线程 MindQuantum 4s Paddle Quantum 97s 查看教程： https://www.mindspore.cn/tutorial/training/zh-CN/r1.2/advanced\_use/parameterized\_quantum\_circuit.html **多跳知识推理问答**\*\*（TPRR）\*\* TPRR是华为泊松实验室与华为MindSpore团队提出的解决开放域多跳问题的通用模型。相比于传统问答仅需从单个文档中检索答案，多跳知识推理问答需要从多个佐证文档得到最终答案，并返回问题到答案的推理链。TPRR基于MindSpore混合精度特性，可以高效地完成多跳问答推理过程。 - 全路径建模： TPRR模型在多跳问题推理链的每一个环节中基于全部推理路径的条件概率建模，模型以“全局视角”进行知识推理。 - 动态样本选取： TPRR模型采用动态样本的建模方式，通过更强的对比学习提升模型多跳问答的能力。 算法流程图如下： TPRR模型在国际权威的多跳问答榜单HotpotQA评测中荣登榜首，榜单图如下： 查看教程： https://www.mindspore.cn/tutorial/inference/zh-CN/r1.2/nlp\_tprr.html **一键模型迁移**\*\*（MindConverter）\*\* 脚本迁移工具（MindConverter）旨在帮助算法工程师将存量的基于三方框架开发的模型快速迁移至MindSpore生态。根据用户提供的TensorFlow PB或ONNX模型文件，工具通过对模型的计算图（Computational Graph）解析，生成一份具备可读性的MindSpore Python模型定义脚本（.py）以及相应的模型权重（.ckpt）。 - 一键迁移： 通过MindConverter CLI命令即可一键将模型迁移为MindSpore下模型定义脚本以及相应权重文件，省去模型重训以及模型定义脚本开发时间； - 100%迁移率： 在MindConverter具备跨框架间算子映射的情况下，迁移后脚本可直接用于推理，实现100%迁移率； - 支持模型列表： 目前工具已支持计算机视觉领域典型模型、自然语言处理BERT预训练模型脚本及权重的迁移，详细模型列表见 README。 BERT模型定义迁移结果展示（部分代码）： 查看教程： https://www.mindspore.cn/tutorial/training/zh-CN/r1.2/advanced\_use/migrate\_3rd\_scripts\_mindconverter.html?highlight=mindconverter **鲁棒性评测工具助力OCR服务达成首个AI C4鲁棒性标准要求** MindSpore鲁棒性测试工具MindArmour，基于黑白盒对抗样本（20+方法）、自然扰动（10+方法）等技术提供高效的鲁棒性评测方案，帮助客户评估模型的鲁棒性性，识别模型脆弱点。 OCR是指利用光学设备去捕获图像并识别文字，减少人工成本，快速提升工作效率；如果攻击者通过对待识别的文字做出人眼不易察觉的修改，而模型无法对其正确识别或处理，就会导致OCR服务对文字识别的准确率下降，且使用人员不清楚问题背后的原因。测评团队使用MindArmour对OCR服务的鲁棒性进行测评，发现OCR服务中部分模型对自然扰动和对抗样本的防御能力较差，如文本框检测模型在校验噪声、PGD、PSO（粒子群）等攻击算法下准确率小于66%；并以此指导模型开发团队通过对抗样本检测、数据增强训练等技术，使得模型对恶意样本的识别准确率达到95+%，提高了模型及OCR服务的鲁棒性。 AI C4标准链接： https://www.bsi.bund.de/SharedDocs/Downloads/EN/BSI/CloudComputing/AIC4/AI-Cloud-Service-Compliance-Criteria-Catalogue\_AIC4.html 其实MindSpore即将带来的大量新特性，不止于文中所展示的举例，比如**超大规模参数模型**、**可解释AI**、**MindSpore IoT支持**等更加前卫的特性，将在4月底的华为开发者大会2021（Cloud）大会亮相，而社区也会在近期发布一款新的开源工具集，敬请关注！开源一周年的MindSpore社区，将为大家带来源源不断的惊喜！ \[1\] De Vivo M, Masetti M, Bottegoni G, et al. Role of molecular dynamics and related methods in drug discovery\[J\]. Journal of medicinal chemistry, 2016, 59(9): 4035-4061. \[2\] Liu X, Shi D, Zhou S, et al. Molecular dynamics simulations and novel drug discovery\[J\]. Expert opinion on drug discovery, 2018, 13(1): 23-37. \[3\] Robustelli P, Piana S, Shaw D E. Developing a molecular dynamics force field for both folded and disordered protein states\[J\]. Proceedings of the National Academy of Sciences, 2018, 115(21): E4758-E4766. 4\. Nerenberg P S, Head-Gordon T. New developments in force fields for biomolecular simulations\[J\]. Current opinion in structural biology, 2018, 49: 129-138. \[5\] Yang Y I, Shao Q, Zhang J, et al. Enhanced sampling in molecular dynamics\[J\]. The Journal of chemical physics, 2019, 151(7): 070902. \[6\] Bernardi R C, Melo M C R, Schulten K. Enhanced sampling techniques in molecular dynamics simulations of biological systems\[J\]. Biochimica et Biophysica Acta (BBA)-General Subjects, 2015, 1850(5): 872-877. \[7\] Wang H, Zhang L, Han J, et al. DeePMD-kit: A deep learning package for many-body potential energy representation and molecular dynamics\[J\]. Computer Physics Communications, 2018, 228: 178-184. \[8\] Ribeiro J M L, Bravo P, Wang Y, et al. Reweighted autoencoded variational Bayes for enhanced sampling (RAVE)\[J\]. The Journal of chemical physics, 2018, 149(7): 072301. \[9\] Yang L, Qin Gao Y. A selective integrated tempering method\[J\]. The Journal of chemical physics, 2009, 131(21): 12B606. \[10\] Kan Z, Zhu Q, Yang L, et al. Polarization effects on the cellulose dissolution in ionic liquids: Molecular dynamics simulations with polarization model and integrated tempering enhanced sampling method\[J\]. The Journal of Physical Chemistry B, 2017, 121(17): 4319-4332. --- https://www.mindspore.cn/version-updates/zh/453/ --- 版本动态 MindSpore 1.2：国内首个支持千亿参数大模型训练的AI计算框架 # MindSpore 1.2：国内首个支持千亿参数大模型训练的AI计算框架 2021/04/29 # MindSpore 1.2：国内首个支持千亿参数大模型训练的AI计算框架 国内首个支持千亿参数大模型训练的AI计算框架MindSpore 1.2正式发布，无论是动态图分布式训练效率的大幅提升，还是一键模型迁移、CA鲁棒性标准达标、深度分子模拟及量子机器学习等，都能让AI开发者尽享AI开发。 老规矩上视频！（请点击“老规矩上视频！”并在微信里进行视频观看） MindSpore开源周年狂欢，量子机器学习与深度分子模拟等巨量新特性来袭！ 先回顾下我们在一周年中发布的新特性，再来看看这次新版本还有哪些新特性~ 如何在大集群下高效训练千亿至万亿参数模型？当前主要面临两个挑战：切分难——用户需要综合考虑参数量、计算量、计算类型、集群带宽拓扑和样本数量等，才能设计出性能较优的并行切分策略；编码难——模型编码除了要考虑算法以外，还需要编写大量并行切分和通信代码。 MindSpore采用多维度自动并行，通过数据并行、模型并行、Pipeline并行、异构并行、重复计算、高效内存复用及拓扑感知调度，降低通信开销，实现整体迭代时间最小（计算时间+通信时间）。 相较于移动终端设备，IoT设备上系统资源有限，对ROM空间占用、运行时内存和功耗要求较高，为了使得IoT设备上也能方便快速的部署AI应用，MindSpore Lite此次正式开源了代码自动生成工具Codegen，旨在将模型编译为极简的代码，用于推理。 Codegen可对接MindSpore Lite的NNACL算子库和ARM的CMSIS算子库，支持生成可在X86/ARM64/ARM32A/ARM32M平台部署的推理代码。 **易上手**：用户输入ms模型文件，并指定推理执行硬件平台，即可生成与该模型执行相关的代码、编译构建脚本。 **极致优化**：无图引擎，模型即代码，极小ROM占用完成推理。算子数据重排、内存分配移至离线完成，节省了初始化时间；同时引入Conv & BN & Pooling融合，Conv分块计算等技术，达到极致性能。我们的方案在华为内部应用广泛，比如在Huawei Watch GT系列的智慧抬腕亮屏算法中，推理内存占用仅1KB，时延低至5ms。 官网快速入门： https://www.mindspore.cn/ MindSpore在MindInsight部件中集成了的可解释AI能力：显著图可视化、反事实解释和可解释AI评估体系（度量体系），旨在帮忙开发者更好进行模型调优。 **显著图可视化和反事实解释**：能够为图片分类模型的推理结果，标识影响分类结果的关键特征，方便理解分类依据，帮助分析定位分类错误原因，加速模型调优。 这个例子中，有个错误预测标签“person”，根据显著图可视化结果，高亮区域在摩托车的前部，便于针对性的分析误判的可能原因。 在这个例子中，图片被错分为“cat”，使用基于层级遮掩的反事实解释，发现对这个分类结果影响最可能的区域是右边遮掩后留下的区域，便于用户发现判断错误的缘由，从而帮助调优。 **评估体系**：面向各种解释方法，给出在具体场景下，选中解释方法在不同度量方法下的解释效果得分，助力用户选择最优的解释方法，从而更好的帮助模型调优。 查看教程： https://www.mindspore.cn/tutorial/training/zh-CN/r1.1/advanced\_use/model\_explaination.html MindSpore官方资料 GitHub : https://github.com/mindspore-ai/mindspore Gitee:\[https : //gitee.com/mindspore/mindspore\](https : //gitee.com/mindspore/mindspore) 官方QQ群 : 871543426 扫描下方二维码加入MindSpore项目↓ --- https://www.mindspore.cn/version-updates/zh/653/ --- 版本动态 新版本 | MindSpore 1.3，打造无所不在的智能，诠释可以信赖的开源 # 新版本 | MindSpore 1.3，打造无所不在的智能，诠释可以信赖的开源 2021/07/16 # 新版本 | MindSpore 1.3，打造无所不在的智能，诠释可以信赖的开源 夏日的阳光已经洒在树梢枝畔，奋斗了又3个月的MindSpore社区开发者们，带着无比的兴奋，为大家献上全新的1.3版本！日益精进的我们，在这个版本中为大家带来了全新的MindSpore Federated能力，解锁了支撑盘古千亿稠密大模型的众多关键特性、以及面向更多类型硬件的推理优化、图算融合、简易部署等新工艺，犹如开源时所誓言，持续不断的为AI开发者带来惊喜。下面就带大家快速浏览1.3版本的关键特性。 请在微信内进行观看 联邦学习是一种加密的分布式机器学习技术，它是指参与联邦学习的各用户在不共享本地数据的前提下共建AI模型，主要用于解决数据隐私和数据孤岛的问题。MindSpore Federated优先专注于大规模参与方的横向联邦的应用场景。 端云场景下的参与方是非常大量的手机或者IoT设备，其分布规模和设备不可靠性带来了系统异构、通信效率、隐私安全和标签缺失等挑战。MindSpore Federated设计了松耦合分布式服务器、限时通信模块、容忍退出的安全聚合等模块，使得**任何时候**只要部分客户端可用，都可以**进行联邦学习任务**，并**解决了系统异构带来的“长尾效应”**，**提高了学习效率**。 搭载于MindSpore端边云全场景统一的基础架构，MindSpore Federated将会作为华为终端的核心竞争力之一，**在保护用户隐私的前提下**，**提供更具有个性化的用户信息决策**。 查看介绍： https://gitee.com/mindspore/docs/blob/r1.3/docs/federated/summarize\\\_federated.md **盘古千亿稠密大模型关键特性开源** **0\. 中文语言理解任务评测全球第一** **全球最大中文语言预训练模型“鹏程.盘古”**，在2021年4月23日权威的中文语言理解评测基准CLUE榜单中，总成绩及阅读理解、分类任务单项均**排名第一**，**刷新**三项榜单**纪录**，总成绩得分83；在NLPCC2018文本摘要任务中，取得了Rouge平均分0.53的**业界最佳成绩**，超越第二名百分之六十。 模型详细介绍请参考MindSpore首席架构师金雪锋的分析文章： https://www.zhihu.com/question/456443707/answer/1856014437 **1\. 超大模型关键特性之——分布式推理及在线部署** 当大模型推理参数量较大难以部署到一张卡上时，MindSpore可通过OP-Level和PipeLine模型并行将大模型切分到多卡。我们实现了鹏程.盘古2000亿级参数量的模型部署。 MindSpore Serving支持分布式模型的在线推理部署，根据模型并行策略切分为多个小图，每个卡部署两个图的各一个小图。下图中，每个卡通过一个Agent进程管理图加载和执行，卡之间通过HCCL进行高速通信，分布式主worker进程和各个Agent进程之间通过gRPC通信，用于请求数据的发送和请求结果的接受。 \*\*2. \*\*超大模型关键特性之——**增量推理（state resuse）及部署** 对于自回归（Auto-regressive）的语言模型，随着新词的生成，推理输入长度不断增大。如果使用动态图执行，在不同迭代间，图中每个算子的shape发生改变，无法利用之前缓存的算子编译信息，会影响性能。 我们通过修改推理脚本，实现了增量推理的功能，一次增量推理的流程包含两个阶段：第一阶段推理，输入为全量，将输入padding到固定长度，保存到state，这一阶段是为了处理不定长的输入，将输入的state保存下来；后续推理阶段，输入字长为1，即每次输入上一步生成的token，利用保存的state实现增量推理，产生下一个token并更新state。由于非线性操作的存在，此种增量推理的流程与正常全量推理并不完全等价，不过我们在下游任务推理中发现，增量推理的精度并无明显劣化。我们通过鹏程.盘古在昇腾硬件平台上进行了一系列实验，结果如下图所示： 在增量推理过程中，第一阶段只执行一次，而第二阶段会执行多次，比单纯的全量推理，整体性能提升比较明显。 MindSpore Serving支持增量推理模型部署，包括单卡模型和分布式模型场景。使用自定义子图间编排串接两个不同序列长度输入的执行，维护模型的状态，避免多个请求的执行干扰。 查看介绍： https://gitee.com/mindspore/docs/blob/r1.3/docs/serving/docs/source\\\_zh\\\_cn/serving\\\_distributed\\\_example.md **MindSpore Lite 端云训练** 随着用户对数据隐私要求越来越高，许多用户隐私数据无法上传到云侧，因此在用户端侧进行训练将逐渐成为一个趋势，并且端云协同训练将可以充分利用端侧的计算资源，进一步降低训练所需的时间。当前MindSpore Lite支持对MindSpore训练导出的模型进行增量训练，实现云-端训练的无缝切换。但由于端侧硬件资源的限制，如何在不影响用户体验下进行训练，对端侧训练的内存和性能提出了挑战。 MindSpore Lite采用了训练内存复用、virtual batch、混合精度训练、在线融合、量化等手段对减少端侧训练时的内存占用。同时在联邦学习MindSpore Federated场景下支持云侧对端侧权重的读写，权重采用差分隐私方式进行端云传输**进一步保证了端云训练中的安全性**。端云训练一般流程如下： 端侧训练特性demo试用： https://gitee.com/mindspore/docs/blob/r1.3/docs/lite/docs/source\\\_zh\\\_cn/quick\\\_start/train\\\_lenet.md **调试器易用性更上一层楼：图码结合调试和训练回放** 作为MindSpore图模式下的调试利器，调试器提供了丰富的检查规则帮助用户快速识别常见精度问题。为了帮助大家更好地在图模式下调试脚本，1.3版本中，我们新增了图码结合调试和训练回放功能。 - 图码结合调试能帮助您掌握代码和计算图的关系，通过调试器提供的代码信息，您能够更好地理解计算图背后的代码逻辑，提升精度问题分析效率。 - 训练回放是通过离线调试这一全新的调试模式实现的，在训练结束后，您可以通过离线调试模式对训练过程进行分析，还能对并行训练（单机多卡）中的精度问题进行分析和定位。 **1\. 图码结合调试：一眼掌握代码和计算图的关系** MindSpore图模式的调试中，如果能方便地找到某行代码所关联的计算图节点，对调试效率将有很大提升。在调试器的帮助下，您可以方便地查看计算图中算子节点和代码的关联关系，无论是以码搜图，还是以图找码，都能在图形界面下快速完成。 以码搜图时，输入想要查找的代码行（例如alexnet.py:52），即可寻找同此行代码关联的计算图节点。如下图所示： 以图找码时，在计算图中选中算子节点（例如Conv2D-op108），即可在堆栈信息中查看该算子对应的代码行。如下图所示： **2\. 支持离线调试：随时离线回放分析训练过程，节约AI处理器资源** 在使用之前的调试器时，要求先启动训练进程，在训练进程运行的过程中对精度问题进行分析。我们提供了离线调试的能力，通过dump功能将调试数据保存到磁盘上，然后就可以在不使用昇腾AI处理器的情况下回看训练过程，分析精度问题。由于数据在磁盘上，离线调试中还可以随意切换正在调试的迭代，回放训练，免去在线调试错过关键迭代后又要从头运行脚本的烦恼 **3\. 支持单机多卡调试：定位并行训练中的精度问题** 在离线调试功能的基础上，调试器支持了单机多卡训练的调试。在MindSpore上调试单机多卡的训练时，只需通过dump功能保存数据到磁盘，就可以使用MindInsight可视化地进行分析。调试器中已经提供的监测点，例如检查梯度消失，检查激活值饱和，检查权重不更新等，都可以继续在此场景下使用。图码结合调试同样支持单机多卡。 查看教程： https://gitee.com/mindspore/docs/blob/r1.3/docs/mindinsight/docs/source\\\_zh\\\_cn/debugger\\\_online.md https://gitee.com/mindspore/docs/blob/r1.3/docs/mindinsight/docs/source\\\_zh\\\_cn/debugger\\\_offline.md **推理优化——X86\_64 CPU PC推理能力** 为了更好的支持PC侧推理，x86\_64从汇编层面入手，支持针对不同卷积shape的动态block切分，充分利用寄存器等硬件资源，使我们推理性能达到极致，较上个版本推理时延**有了10%~75%+的提升**。我们在Intel Core i7-8700 CPU上与OpenVINO（2021.3.394）、MNN（1.2.0）、TNN（v0.3）在几个经典CV类网络上进行benchmark测试，从测试结果可以看出MindSpore Lite**保持了较高的水平**。 **更多推理性能优化** 随着数据集和网络规模越来越大，网络计算量也越来越大；同时交互式推理任务中的对时延要求更加严格，深度神经网络推理任务逐渐向AI加速硬件(比如GPU)进行迁移。MindSpore 1.3版本提供了更多与此相关的推理性能进行优化，性能相比此前大幅提升。 基于Model Zoo中的一些典型的网络，分别使用MindSpore1.2和MindSpore1.3版本对，统计推理请求平均执行时间，**推理性能提升3~8倍**。 **图算融合加速MindSpore网络训练** 图算融合是MindSpore的关键技术之一，通过图层融合与算子生成的协同优化来提升网络执行性能。在之前版本，我们使能了NPU（昇腾）和GPU上图算融合的基本能力，并且在标杆网络上取得了不错的成绩。在1.3版本中，我们加强了图算融合在GPU上的泛化能力，通过对Model Zoo 40多张主流网络的验证，平均可**获得89%的性能提升**。以Transformer为例，使能图算后，从2.5小时/epoch降低到1.75小时/epoch，完整训练时间从5.4天降低到3.8天！ 同时，在易用性方面我们新增了环境变量的控制方式，使得用户不需要对网络代码做任何侵入修改，即可享受图算融合带来的性能收益： _export MS\_GRAPH\_KERNEL\_FLAGS=”–opt\_level=2”_ 我们选取了部分主流的网络（NLP、推荐及CV）开展性能对比评测，使用图算融合的有普遍的性能提升，提升详情如下图所示： MindSpore是华为开源的一款全场景AI计算框架，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。对MindSpore感兴趣的小伙伴扫描下方二维码关注我们吧~ --- https://www.mindspore.cn/version-updates/zh/734/ --- 版本动态 新版本｜昇思MindSpore再升级，深度科学计算的极致创新 # 新版本｜昇思MindSpore再升级，深度科学计算的极致创新 2021/09/26 # 新版本｜昇思MindSpore再升级，深度科学计算的极致创新 空山新雨后，天气晚来秋~~经过MindSpore社区开发者们勤奋耕耘，在这个丰收的季节，为大家奉上全新的1.5版本，在这个版本中我们正式发布MindSpore中文名：**昇思**，希望大家能够喜欢！ 此同时为大家带来全新科学计算行业套件MindScience、亲和算法库MindSpore Boost、支持混合专家（MoE）与异构并行、集群调优支持大规模分布式训练，并完善控制流使用，新增对外开放机制等诸多新特性，在使能科研创新和应用中不断努力，下面就带大家快速浏览1.5版本的关键特性。 请在微信中打开进行观看 **一 MindScience科学计算行业套件，为高性能科学应用提供计算新范式** **当前多种算力正在激发跨领域的应用融合，AI已经成为研究科学计算的新范式。因此我们将MindSpore拓展到科学计算领域。** **通过多尺度混合计算和高阶混合微分两大关键创新，将MindSpore原有的AI计算引擎升级为AI与科学计算的统一引擎，实现融合的统一加速。在此基础上，我们计划面向8大科学计算行业打造MindScience系列套件。这些行业套件包含业界领先的数据集、基础模型、预置高精度模型和前后处理工具，加速科学行业应用开发。** **当前，我们推出面向电子信息行业的MindElec套件和面向生命科学行业的MindSPONGE套件，分别实现了电磁仿真性能提升10倍和生物制药化合物模拟效率提升50%。** **查看介绍：https://www.mindspore.cn/mindscience/** ****1\. MindElec v0.1**** **MindElec电磁仿真套件主要由多模数据转换、高维数据编码、基础模型库以及多频信号网络优化等组成，同时支持时域和频域的电磁仿真。其计算过程如下：利用MindElec多模数据转换技术将复杂的CAD结构转换成AI亲和的张量数据，高维的张量数据通过编码方式进行压缩，大幅减少存储和计算量，压缩后的张量数据进入创新的AI电磁仿真基础模型进行训练，训练过程结合多频信号网络优化技术提升模型精度。** **MindElec 0.1版本在手机电磁仿真领域已取得技术突破，仿真精度媲美传统科学计算软件，同时性能提升10倍。** ****2\. MindSPONGE v0.1**** **MindSPONGE是由高毅勤课题组（北京大学、深圳湾实验室）、华为MindSpore团队联合开发的分子模拟库，具有高性能、模块化等特性。** **MindSPONGE本次独立成仓，演进为0.1版本，新增支持分子动力学中常见的系综模拟包含NVT、NPT等，例如进行新冠病毒Delta毒株模拟，模拟结果有效反应病毒毒性增强，符合实际情况。MindSPONGE是第一个根植于AI框架的分子模拟工具，当前已内置Molecular CT，SchNet等AI神经网络，可用来进行势能函数的拟合，例如AI力场模拟克莱森重排反应，高效进行融合AI的分子动力学模拟，可看到体系在七元环和三元环之间进行转化。** **抗生素的出现让人类的寿命延长了数十年，然而，由于细菌的耐药性变强，人类迫切需要寻找到下一代抗生素——抗菌肽（作为一种可以有效杀灭耐药性病原菌的肽类物质）。MindSpore团队与鹏城实验室等团队合作开发的鹏程.神农平台具有强大的氨基酸序列生成能力，其利用鹏程.盘古大模型完成预训练再通过finetune生成新的氨基酸序列，有望极大提升新型抗菌肽的发现速度。** ****二 自动并行支持混合专家（MoE）与异构并行**** **既联合中科院发布全球首个三模态大模型—紫东.太初，又实现遥感领域超分辨率图像自动切分。** ****1\. 混合专家（MoE）及其并行**** **基于Transformer扩展的大模型是当前各种大模型的主干，现在，混合专家（Mixture of Expert，MoE）结构成为扩展Transformer的一种关键技术。** **如下图所示，Transformer中每层是由Attention和FeedForward（FFN）这两个基础结构组成的。将FFN看做是一个专家（expert），MoE结构是由多个专家并行组成，其入口是一个路由器（router），负责将token分发给各个专家，可以有多种路由策略可选择（如Top,Top2等），其出口是加权求和。** **MoE已被验证过在多种任务上有优异的效果，是万亿以上大模型的基础结构。MindSpore 1.5版本已实现了MoE的结构和专家并行的功能：允许多专家在多设备上并行执行。如下图所示，路由器（数据并行）经过AllToAll算子将token分配到各个设备上的专家进行计算，而后，又进过AllToAll将结果汇聚。** **MindSpore MoE的代码实现详见：https://gitee.com/mindspore/mindspore/blob/r1.5/mindspore/parallel/nn** ****2\. 异构并行**** **受限于GPU/NPU设备的内存瓶颈，有效利用Host端的内存成为解决大模型扩展的一种可行的途径。异构并行训练方法是通过分析图上算子内存占用和计算密集程度，将内存消耗巨大和适合CPU处理的算子切分到CPU子图，将内存消耗较小计算密集的算子切分到硬件加速器子图，框架协同不同子图进行网络训练的过程，能够充分利用异构硬件特点，有效的提升单卡可训练模型规模。** **对于大规模预训练模型，其主要的瓶颈往往在于参数量过大，设备显存无法存放下来。MindSpore1.5版本在处理大规模预训练网络时，可以通过优化器异构将优化器指定到CPU上，以减少优化器状态量显存占用开销，进而扩展可训练模型规模。如下图所示，将FP32的Adam优化器放置于CPU上进行运算，可以减少60%多的参数显存占用。** \*\*\*\*查看文档：****https://www.mindspore.cn/docs/programming\_guide/zh-CN/r1.5/design/heterogeneous\_training.html**** **MindSpore联合中科院自动化所发布全球首个三模态大模型—紫东.太初，多模态高效协同支撑图文跨模态理解与生成性能领先SOTA、视频理解与描述性能全球No.1，持续赋能行业，助力人工智能产业繁荣发展。** ****3\. MoE+异构并行，实现32卡训练2420亿参数模型**** **我们使用MoE结构扩展鹏程·盘古模型\[1\]，同时应用了专家并行+异构并行+数据并行+模型并行。如下示意图，将优化器相关的状态及其计算放到CPU端。在MoE结构中，同时应用了模型并行和专家并行，即在同一专家会切分到Server内部，如图中Server 1上的FFN1被切分到了两个设备上，由此产生的模型并行AllReduce会发生在Server内部；而不同Server的对应设备间是数据并行（和专家并行），即Server 1上的Device 1与Server 2上的Device 1是数据并行（和专家并行），Server 1上的Device 2与Server 2上的Device 2是数据并行（和专家并行），由此产生的AllToAll会发生在Server间。AllToAll用于完成数据并行到专家并行的转换和专家并行到数据并行的转换。** **我们分别在8卡、16卡、32卡昇腾设备上验证了优化器异构和专家并行对训练模型规模提升的效果，如下图所示，使用优化器异构基本都能达到**3倍**的模型规模提升，在8卡上可以跑到612亿参数量，16卡上可以跑到1210亿参数量，32卡上可以跑到2420亿参数量的模型规模。** ****4\. 超分辨率图像自动并行，解决遥感影像“大幅面、多通道”的处理难题**** **超分辨率图像往往非常大，以遥感图像为例，分辨率是4\*30000\*30000，一张图片约14GB，单卡受限于内存无法完成计算，需要对图片进行多机多卡的并行处理。** **在数据处理的过程中，支持对大幅面遥感影像的解码和数据增强，针对单样本尺寸大的特点，框架根据集群规模的大小，自动将大幅面数据切分成合适的大小（如切分H、W维度），并分发到不同的计算节点，以解决显存不足问题。** **在训练和推理过程中，由于网络将对图片进行大量的卷积等计算，而图片的H、W维被切分后，对每个计算节点来说，可能有部分边缘特征信息存储在其他节点上，框架将自动识别边缘特征信息的分布情况，采用相邻节点交换等通信技术对分布在周边节点上的特征信息进行整合，最终保证网络执行结果无精度损失。** ****三 推出亲和算法库——MindSpore Boost**** **众所周知，训练是一个复杂的计算过程，端到端训练包含很多步骤。如下图所示，深度学习训练过程本身是个高冗余的计算过程，需要围绕多个模块分别进行计算优化，最终实现不同AI场景下端到端训练的效率优化。** **端到端训练要素** **在MindSpore 1.5版本中，华为中央媒体技术院与MindSpore共同推出亲和算法库MindSpore Boost 1.0，目标都是为了在不同的AI场景下，保持用户训练精度的同时，为用户提供高效的训练体验，包含数据、网络、通信、训练策略和优化器等维度的加速算法，架构图如下所示。** **MindSpore Boost 1.0架构** **除了亲和算法外，我们还提供**简易模式\*\*，进行算法封装，为用户提供三种不同层级的选择，即O1/O2/O3，随着层级的递增，其加速比例增加，这种模式下，用户无需了解算法细节， 仅需要在调用Model的训练入口时，打开加速开关和选择加速层级即可，使用方法如下图所示。\*\* **简易模式使用示意** ****四 集群调试调优支持大规模分布式训练**** **大模型是当前深度学习领域研究的热点之一。模型的参数量和训练数据集的大小均以指数级的规模快速增长。以MindSpore和鹏城实验室共同发布的鹏程·盘古模型为例，模型的参数量达到了2000亿，使用2K集群历时数月进行训练。在这样的背景下，模型性能调优对减少训练时间和成本有着至关重要的意义。** **MindSpore 1.5版本发布集群调试调优工具链，针对K级集群性能数据能够做到一键收集，提供集群慢节点/慢网络、计算通信比、内存热力图等多维性能分析与可视化能力，结合智能集群调优建议，达成小时级性能瓶颈定位。** ****1\. 集群迭代&通信性能分析**** **以集群视角汇总了多项性能关键数据，并对多卡数据提供了排序、分析功能，用户可快速的从K级集群中找到慢节点、慢链路等，并从集群页面跳转到对应的单卡页面，进一步定界节点慢的原因，找到最小性能瓶颈点。** ****2\. 计算通信比分析**** **集群并行训练过程中，通信是影响性能的重要因素，计算通信比指标可以帮助开发者分析网络切分策略是否合理以及是否有优化空间。如下图所示，非overlap 87ms是开发者可关注的性能提升空间。** \*\*\*\*查看文档：****https://www.mindspore.cn/mindinsight/docs/zh-CN/r1.5/performance\_profiling\_ascend\_of\_cluster.html**** ****五 MindSpore Lite新增对外开放机制，支持Hi3516/3549芯片以及更多异构硬件的对接**** **此版本中，MindSpore Lite新增了两个对外开放的接入机制：支持南向自定义算子接入，支持第三方AI框架通过Delegate机制接入。** **南向自定义算子的接入功能，支持用户自定义图优化能力，实现在离线阶段生成特定硬件支持的模型文件，同时支持特有硬件算子接入MindSpore Lite Runtime，实现MindSpore Lite在第三方硬件上高性能推理，当前我们已经接入Hi3516/3559芯片，使机器视觉AI应用开发更加便捷。** **第三方专用AI芯片南向接入MindSpore Lite** \*\*\*\*查看文档：****https://www.mindspore.cn/lite/docs/zh-CN/r1.5/use/register\_kernel.html**** **Delegate机制，支持有构图能力的第三方AI框架接入MindSpore Lite，充分利用外部AI框架提供的特有硬件算子库或者更优越的推理性能。采用Delegate实现了 Lite+其他AI框架的异构执行，保持了离线模型一致性，当前我们已经通过Delegate机制支持了Kirin NPU以及更多异构硬件。** **通过Delegate接入MindSpore Lite** \*\*\*\*查看文档：****https://www.mindspore.cn/lite/docs/zh-CN/r1.5/use/delegate.html**** ****六 灵活表达：完善控制流，支持多种控制语句混合编写，支持循环自动微分**** **在此版本中，在控制流语法的使用方面我们提供以下支持与优化：** **1）进一步强化了对于静态图控制流的支持，通过使用虚拟机机制执行控制流算子，解决了控制流非尾递归场景的图递归执行问题，实现了对循环求反向的支持。同时，我们扩大了控制流的语法支持范围，目前控制流已可以支持if、while、for、break、continue表达。一个if语句基于虚拟机机制的控制流执行流程如图所示：** **2）优化静态图编译过程，减少了控制流网络的子图数量，大幅提升部分复杂控制流网络场景下的编译性能和执行性能。** **3）支持控制流MindIR导入导出功能，可以在云侧训练控制流网络导出MindIR，在端侧导入MindIR进行推理。** \*\*\*\*查看文档：****https://www.mindspore.cn/docs/programming\_guide/zh-CN/r1.5/control\_flow.html**** **参考文献：** **\[1\] Zeng, Wei, et al. "PanGu-$\\alpha $: Large-scale Autoregressive Pretrained Chinese Language Models with Auto-parallel Computation." _arXiv preprint arXiv:2104.12369_ (2021).** ****往期回顾**** ****MindSpore 1.3，打造无所不在的智能，诠释可以信赖的开源**** ****MindSpore 1.2，国内首个支持千亿参数大模型训练的AI计算框架**** ****MindSpore 1.1，给你最值得期待的2021**** --- https://www.mindspore.cn/version-updates/zh/967/ --- 版本动态 昇思MindSpore全场景AI框架 1.6版本，更高的开发效率，更好地服务开发者 # 昇思MindSpore全场景AI框架 1.6版本，更高的开发效率，更好地服务开发者 2022/01/28 # 昇思MindSpore全场景AI框架 1.6版本，更高的开发效率，更好地服务开发者 全新的昇思MindSpore全场景AI框架1.6版本已发布，此版本中昇思MindSpore全场景AI框架易用性不断改进，提升了开发效率，控制流性能提升并支持副作用训练，与此同时，昇思MindSpore全场景AI框架发布高效易用的图学习框架昇思MindSpore Graph Learning，高性能可扩展的强化学习计算框架昇思MindSpore Reinforcement，提供支持第三方框架模型迁移工具，让用户即时体验的开发套件昇思MindSpore Dev ToolKit，同时升级自定义算子能力支持高效添加算子，丰富MindQuantum量子模块支持可快速上手，持续提升框架的训练与推理性能，下面就带大家快速浏览昇思MindSpore全场景AI框架1.6版本的关键特性。 **1 服务开发者，改进易用性提升开发效率** 针对开发者诉求，昇思MindSpore全场景AI框架与开发者开展了系统、深入的交流，组织一系列用户调研和访谈，对开发者反馈较多的API问题进行整改优化，并打造系列教程，帮助开发者上手；同时，昇思MindSpore全场景AI框架积极吸纳开发者参与内容建设，累计吸引142名外部开发者贡献610+技术干货案例，覆盖安装、开发调优等关键场景，为开发者提供经验指导。 在调试、调优等功能特性上，昇思MindSpore全场景AI框架进行了系统的改进，帮助开发者提升开发效率： - 在功能调试方面，支持静态图模式的问题代码堆栈打印、优化错误描述提升报错准确性，为用户提供更好的问题处理体验。 - 昇思MindSpore Insight提供集群性能数据一键收集、并行策略分析、图码联动可视化调优等功能，提升开发者性能和精度调优效率。 - 在ModelZoo模型方面，提供300+线上线下一致、覆盖CV/NLP/推荐等领域、支持跨平台部署的模型，并满足人工智能计算中心、金融、制造、终端等行业需求。基于新版本高效语法，重构Yolo v5等ModelZoo模型，为开发者提供昇思MindSpore全场景AI框架模型最佳实践。 **2 控制流支持副作用训练，持续优化性能** 在之前发布的昇思MindSpore全场景AI框架版本中，控制流训练场景下存在复制子图的问题，该问题会导致执行网络性能变差、副作用训练场景结果不对等问题。最新的昇思MindSpore全场景AI框架1.6.1版本，我们对控制流的IR表达设计进行了重构，消除了不必要的图复制，对控制流场景下各方面进行了较大的优化。 1.支持训练场景使用Assign等副作用算子。 2.优化控制流子图数量，反向网络可直接复用正向图算子结果，不需要重复计算正向图，提升了执行性能和编译性能。 例如：AirNet网络子图数量由原来的162个降低至46个，减少了大量冗余计算，执行性能由12.3s/epoch优化至5.8s/epoch。 AirNet网络优化前后子图数量与执行性能对比 BFGS网络子图数量由原来的3236个降低至91个，执行性能由4.9s/epoch优化至0.6s/epoch。 BFGS网络优化前后子图数量与执行性能对比 3.支持数据无依赖子图并行执行，同时优化了空子图执行流程，整体上提升控制流场景执行性能。 例如：Mappo(Agent3)网络优化前后子图数量无变化，但是由于我们优化了无数据依赖的子图的并行执行能力和空子图执行过程，网络最终执行性能由2.5s/epoch提升至1.8s/epoch。 Mappo(Agent3)网络优化前后子图数量与执行性能对比 **3 昇思MindSpore Graph Learning：公式即代码，训练加速3到4倍** 图数据能自然表达真实世界对象之间的关系，表征能力和可解释性强，图学习也逐步广泛应用于电商推荐、金融风控、药物分子分析和控制优化等场景，图关系大都错综复杂，数据规模较大，通常有数十亿点，数百亿边，点边类型有几百种，图神经网络计算更加复杂耗时，因此迫切需要高效的图神经网络系统。同时，GNN算法的快速发展，需要易用的系统允许自由扩展。 昇思MindSpore Graph Learning是由James Cheng课题组(\*\*中文大学)、华为昇思MindSpore团队联合研发的图学习框架，具有高效性、易用性等特点。 ## **3.1 易用性：公式即代码** 通过创新性的提出以节点为中心的编程范式，相较于消息传递范式，更贴近GNN算法逻辑和Python语言风格，昇思MindSpore Graph Learning可以做到公式到代码的直接映射，如下图GAT网络代码所示。基于此，用户无需进行任何函数封装，即可快速直接地实现自定义的GNN算法/操作。 ## **3.2 高效性：训练加速3到4倍** 基于昇思MindSpore全场景AI框架的图算融合和自动算子编译技术（AKG）特性，创新提出基于索引的非规则内存访问算子融合，自动识别GNN模型运行任务特有执行pattern并进行融合和kernel level优化。相较于其他框架对常用算子进行定制优化的方案更加灵活，更具扩展性，能够覆盖现有框架中已有的算子和新组合算子的融合优化。以昇思MindSpore全场景AI框架作为后端，昇思MindSpore Graph Learning能使GNN网络训练获得3到4倍的性能加速。 ## **3.3 丰富性：覆盖业界典型图学习网络** 框架中已经自带实现十三种图网络学习模型，涵盖同构图、异构图、 随机游走等类型的应用网络。 详情请参考这里https://gitee.com/mindspore/graphlearning/tree/research/model\_zoo **4 高性能可扩展的强化学习计算框架：昇思MindSpore Reinforcement** 强化学习（RL）是近年来AI领域的研究热点之一，伴随昇思MindSpore全场景AI框架 1.6版本推出了独立的强化学习计算框架昇思MindSpore Reinforcement，通过框架中的Python 编程API以及算法与执行分离的设计使其具有易编程，可扩展等特点，期望带给用户一个全新的开发体验。 在昇思MindSpore Reinforcement 0.2版本中提供了一套面向强化学习领域的Python编程API，例如Actor用于环境交互获得奖励，Learner学习并更新策略，以及Trainer用于控制算法逻辑等抽象，使整个算法结构更加清晰、简洁，有助于高效的算法开发和模块复用；另外在仓库中内置了一些经典的强化学习算法，如DQN、PPO等(后续版本中将会持续更新)，用户可直接运行其中的算法，或者基于Python API开发新的单智能体以及多智能体强化学习算法。 昇思MindSpore Reinforcement在架构设计上采用了算法表达和编译执行分离的设计思路，用户仅需要专注于强化学习算法逻辑的Python实现，依托于昇思MindSpore全场景AI框架强大的编译优化以及多硬件异构加速能力，可以实现强化学习算法的多硬件协同计算加速。 在计算设备上，昇思MindSpore Reinforcement支持包括Ascend、GPU、CPU在内的多硬件计算，当前0.2版本已支持单机训练，后续版本将提供更强大的多智能体分布式训练能力，以及更加丰富的特性支持，敬请大家持续关注。 查看文档：https://www.mindspore.cn/reinforcement **5 自定义算子能力全面升级，统一Custom接口帮助用户高效添加算子** 随着AI模型的迭代，昇思MindSpore全场景AI框架内置的静态的算子库可能无法满足用户的需求，之前版本的昇思MindSpore全场景AI框架的自定义算子功能也存在着平台覆盖不到位，开发过程繁琐及第三方算子接入困难的问题。为了提供更好的自定义算子体验，昇思MindSpore全场景AI框架1.6版本全面升级了自定义算子的能力，提供支撑包括Ascend，GPU和CPU在内的多平台的统一算子开发接口Custom，帮助用户在昇思MindSpore全场景AI框架方便快捷地进行不同类型自定义算子的定义和使用，可以满足包括快速验证，实时编译和第三方算子接入等不同场景下的用户需求。 查看文档：https://www.mindspore.cn/docs/programming\_guide/zh-CN/r1.6/custom\_operator\_custom.html ## **5.1 多场景、多平台的统一算子开发接口** 昇思MindSpore全场景AI框架1.6版本提供统一的算子开发接口Custom，实现了不同方式自定义算子的接口和使用统一。其提供的模式包括基于JIT编译的算子编译器开发模式、针对极致性能的aot模式和针对快速验证的pyfunc模式，方便网络开发者根据需要灵活选用不同的自定义方式。 此外统一的算子开发接口整合了当前昇思MindSpore全场景AI框架支持的不同平台，包括Ascend，GPU和CPU，以及新增的AICPU平台，减少了用户针对不同平台算子开发的学习成本。 ## **5.2 自定义算子一键接入，方便快捷** 昇思MindSpore全场景AI框架1.6版本提供的自定义算子可以帮助用户在昇思MindSpore全场景AI框架的Python端快速的定义算子，把算子作为网络表达的一部分，无需对昇思MindSpore全场景AI框架进行侵入式修改和重新编译。此外提供了自动生成注册信息的能力，实现自定义算子一键接入网络，极大的简化了自定义算子的开发流程。用户在使用时完全不感知框架相关的设定，让用户更加关注计算本身。 ## **5.3 新的自定义算子类型支持：AICPU** 昇思MindSpore全场景AI框架1.6版本新增了AICPU类型算子的支持，该类算子对应的硬件架构为ARM架构，采用aot模式编译，可以快捷地部署到主流嵌入式平台上。AICPU算子相对于TBE算子，擅长逻辑类操作，采用C/C++开发，类似于CPU算子开发，对于一些难以向量化的算子，有较大的性能收益。 查看文档：https://www.mindspore.cn/docs/programming\_guide/zh-CN/r1.6/custom\_operator\_custom.html#aicpu **6 模型迁移工具MindConverter：支持第三方框架模型的一键迁移** 从第三方框架切换到昇思MindSpore全场景AI框架，如果不能复用原框架的存量主流模型，则需要重新编写模型训练脚本，并花费周级甚至月级的时间进行重训。目前大量开源模型基于PyTorch/TensorFlow实现，如果想基于昇思MindSpore全场景AI框架进行研究，则可能因为预训练数据无法获取或者训练资源有限，难以在昇思MindSpore全场景AI框架下复现模型。 在昇思MindSpore全场景AI框架1.6版本中提供的模型迁移工具MindConverter，可以帮助用户快速实现第三方框架主流模型的一键迁移。 工具采用了主流AI框架IR到昇思MindSpore IR的转换方案，转换后的模型可推理可重训，模型脚本可读性较好。模型迁移工具支持以下两种转换方式： ## **6.1 基于ONNX IR转换** ONNX是一种开放式模型定义格式，业界主流AI框架均已支持将模型导出为ONNX格式。借助ONNX通用性，模型迁移工具可实现多种AI框架到昇思MindSpore全场景AI框架的转换。已验证支持ResNet系列、RegNet系列，HRNet系列，DeepLabV3系列，YOLO系列等模型。 如上图所示，将第三方框架模型导出成ONNX格式，然后使用模型迁移工具，映射转换成昇思MindSpore全场景AI框架模型。 ## **6.2 基于TorchScript IR转换** TorchScript是PyTorch模型的中间表达，借助 TorchScript IR 的泛化性，模型迁移工具可覆盖绝大部分的PyTorch模型。已验证支持HuggingFace Transformer预训练模型200+个。 如上图所示，将PyTorch框架模型转换成TorchScript计算图，然后使用模型迁移工具，映射转换成昇思MindSpore全场景AI框架模型。 更多可支持转换的模型，有待用户发现与验证。使用模型迁移工具时如有问题，请参考官网的使用手册，也欢迎在开源社区中进行反馈。 使用手册：https://www.mindspore.cn/mindinsight/docs/zh-CN/r1.6/migrate\_3rd\_scripts\_mindconverter.html 开源社区：https://gitee.com/mindspore/mindinsight/issues **7 使能用户即时体验的开发套件昇思MindSpore Dev ToolKit** 昇思MindSpore全场景AI框架功能丰富且强大，如何一键上手，快速试用？由昇思MindSpore团队推出的昇思MindSpore Dev ToolKit开发套件包含运行管理，智能知识搜索与智能代码补全功能，致力于让所有用户丝滑地摆脱环境干扰，学习人工智能，让人工智能回归算法本身。 ## **7.2 沉浸式昇思MindSpore全场景AI框架生态知识智能搜索，用户零压力接入昇思MindSpore生态** 基于语义搜索等能力，在Dev Toolkit内提供全面的昇思MindSpore全场景AI框架知识内容检索，对算子而言，PyTorch/TensorFlow框架用户只需在IDE内查询相应算子，即可快速准确找到昇思MindSpore全场景AI框架中的对应实现并获得详细文档支持，从而无压力切换到昇思MindSpore全场景AI框架生态中。 ## **7.3 基于深度学习的智能代码补全，单模型开发键盘敲击次数可减少30%** Dev Toolkit基于昇思MindSpore ModelZoo等最佳实践数据集构造的智能代码补全模型实现的智能代码补全功能，让用户在编写昇思MindSpore全场景AI框架相关代码时获取实时提示，补全达80%的高准确性将加速用户编码，目前内测数据显示编码时键盘敲击次数可减少30%以上。 详情参考：https://gitee.com/mindspore/ide-plugin **8 昇思MindSpore Lite持续提升推理性能** ## **8.1 通过异构并行技术，深度挖掘硬件算力提升推理性能** 此版本中，昇思MindSpore Lite新增异构并行功能，该功能感知异构硬件能力，使能多个底层硬件并行执行推理，最大限度利用端侧有限的硬件资源，提升推理效率。 异构并行功能会在构图阶段，根据异构硬件的能力进行构图操作。构图操作分为切分算子与构造异构图两部分。切分算子会将原本不适合异构并行的模型重构成适合异构并行的，且并行分支的运算量能够严格匹配异构硬件的执行能力。构造异构图操作会根据模型现有的图结构进行并行子图搜索，最终确定异构并行图。构图的整体解决方案不局限于模型原始结构，使得异构并行可以应用于泛化模型。 昇思MindSpore Lite在当前版本实现了GPU与CPU的异构并行，使用Mobilenet-V1网络实测验证，有5%左右的性能提升。 ## **8.2 优化GPU推理性能，支持将OpenGL纹理数据作为输入和输出数据** 此版本中，昇思MindSpore Lite支持将OpenGL纹理数据作为推理模型的输入，推理输出结果也为OpenGL纹理，实现端到端推理过程中，减少CPU和GPU间的数据拷贝，从而达到提升推理性能降低功耗的目的；相比上一版本，能够减少四次设备间的内存拷贝，示意如下图： 查看文档：https://www.mindspore.cn/lite/docs/zh-CN/r1.6/use/runtime\_cpp.html#opengl **9 MindQuantum：快速上手量子模拟与量子机器学习** MindQuantum 最新0.5版本中提供独立的量子模拟模块Simulator，用户可快速对自定义量子线路进行模拟演化并对量子态进行采样，极大方便开发者在MindQuantum环境中设计和验证自己的量子算法。此外我们新增了量子线路和量子态采样的展示模块，开发者也能直观的对量子算法进行修改。 新增量子线路绘制功能演示如下： 新增模拟器模块及其线路采样功能演示如下： 此版本的第二大特性是新增了多种量子神经网络算子，开发者根据这些算子可以快速开发量子经典混合的机器学习模型，助力量子人工智能算法突破。 查看文档：https://www.mindspore.cn/mindquantum/docs/zh-CN/r0.5/index.html **10 昇思MindSpore Science蛋白质结构预测性能提升2-3倍** 昇思MindSpore Science开源了基于AlphaFold2【1】算法的蛋白质结构预测推理工具，该预测推理工具由昇思MindSpore【2】团队、昌平实验室、北京大学生物医学前沿创新中心（BIOPIC）和化学与分子工程学院、深圳湾实验室高毅勤教授课题组联合推出，MindSpore + Ascend910 单卡端到端性能优于原版AlphaFold2达2-3倍。 传统的药物设计研发周期长、费用高，而了解蛋白质的空间结构后可大幅缩短研发周期。因此，准确、快速的蛋白质结构预测不仅可以快速获得或验证关键蛋白结构，而且在医疗健康和生物工程领域也能作为有力的工具。但传统蛋白质结构预测方法存在计算精度不足的缺陷，而AlphaFold2的蛋白质结构预测工具精度可与实验方法相媲美。 该工具可对氨基酸序列长度2000+的蛋白质结构解析，能覆盖约99%以上的蛋白序列【3】。其中模型部分与AlphaFold2相同，在多序列比对阶段，采用了MMseqs2进行序列检索【4】，相比于原版算法端到端运算速度有2-3倍的提升。 图1 昇思MindSpore全场景AI框架模型与AlphaFold2精度对比 图2 通过昇思MindSpore全场景AI框架预测的T1079 针对蛋白质结构预测及折叠问题，联合团队未来还会发布创新的全栈（算法+软件+硬件）敬请期待。 详情请参考：https://gitee.com/mindspore/mindscience/tree/master/MindSPONGE/mindsponge # 参考文献 【1】Jumper J, Evans R, Pritzel A, et al. Applying and improving AlphaFold at CASP14\[J\]. Proteins: Structure, Function, and Bioinformatics, 2021 【2】Chen L. Deep Learning and Practice with MindSpore\[M\]. Springer Nature, 2021. 【3】https://ftp.uniprot.org/pub/databases/uniprot/previous\\\_releases/release-2021\\\_02/knowledgebase/UniProtKB\\\_TrEMBL-relstat.html 【4】Mirdita M, Ovchinnikov S, Steinegger M. ColabFold-Making protein folding accessible to all\[J\]. BioRxiv, 2021. --- https://www.mindspore.cn/versions/ --- # 安装 选择适合自己的环境条件后，获取命令并按照指南进行安装，或使用云平台创建和部署模型 更多 --- https://www.mindspore.cn/versions/en/ --- # Install Select an environment, obtain commands, and perform installation according to the guide. Alternatively, create and deploy a model on ModelArts. more --- https://www.mindspore.cn/view/ --- # 文档全景 昇思MindSpore全场景AI框架，集核心框架、模型、开发套件等于一体，助力产业智能升级 ## 核心框架 ## 套件及工具 --- https://www.mindspore.cn/view/en/ --- # Docs View MindSpore, a full-scenario AI framework, integrates the core framework, models, and development toolkits to empower intelligent transformation across industries. ## Core Frameworks ## Frameworks and Tools