MindSpore基本原理

MindSpore基本原理

• MindSpore介绍
• 自动微分
• 自动并行
• 安装
• pip方式安装
• 源码编译方式安装
• Docker镜像
• 快速入门
• 文档

MindSpore介绍

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

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

 

自动微分

当前主流深度学习框架中有三种自动微分技术：

• 基于静态计算图的转换：编译时将网络转换为静态数据流图，将链式法则应用于数据流图，实现自动微分。
• 基于动态计算图的转换：记录算子过载正向执行时，网络的运行轨迹，对动态生成的数据流图，应用链式法则，实现自动微分。
• 基于源码的转换：该技术是从功能编程框架演进而来，以即时编译（Just-in-time Compilation，JIT）的形式，对中间表达式（程序在编译过程中的表达式）进行自动差分转换，支持复杂的控制流场景、高阶函数和闭包。

TensorFlow早期采用的是静态计算图，PyTorch采用的是动态计算图。静态映射可以利用静态编译技术，来优化网络性能，但是构建网络或调试网络非常复杂。动态图的使用非常方便，但很难实现性能的极限优化。

MindSpore找到了另一种方法，即基于源代码转换的自动微分。一方面，它支持自动控制流的自动微分，像PyTorch这样的模型构建非常方便。另一方面，MindSpore可以对神经网络进行静态编译优化，以获得更好的性能。

 

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

自动并行

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

 

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

安装

pip方式安装

MindSpore提供跨多个后端的构建选项：

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

使用pip命令安装，以CPU和Ubuntu-x86build版本为例：

1. 请从MindSpore下载页面下载并安装whl包。

pip install https://ms-release.obs.cn-north-4.myhuaweicloud.com/1.1.0/MindSpore/cpu/ubuntu_x86/mindspore-1.1.0-cp37-cp37m-linux_x86_64.whl

2. 执行以下命令，验证安装结果。

1. import numpy as np
2. import mindspore.context as context
3. import mindspore.nn as nn
4. from mindspore import Tensor
5. from mindspore.ops import operations as P
6.  
7. context.set_context(mode=context.GRAPH_MODE, device_target="CPU")
8. 10.  

11. class Mul(nn.Cell):

1. 12.     def __init__(self):
2. 13.         super(Mul, self).__init__()
3. 14.         self.mul = P.Mul()
4. 15.  
5. 16.     def construct(self, x, y):
6. 17.         return self.mul(x, y)
7. 18.  

19. x = Tensor(np.array([1.0, 2.0, 3.0]).astype(np.float32))

20. y = Tensor(np.array([4.0, 5.0, 6.0]).astype(np.float32))

1. 21.  

22. mul = Mul()

print(mul(x, y))

[ 4. 10. 18.]

使用pip方式，在不同的环境安装MindSpore，可参考以下文档。

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

源码编译方式安装

使用源码编译方式，在不同的环境安装MindSpore，可参考以下文档。

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

Docker镜像

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

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

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

• CPU

对于CPU后端，可以直接使用以下命令获取并运行最新的稳定镜像：

docker pull mindspore/mindspore-cpu:1.1.0

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

• GPU

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

DISTRIBUTION=$(. /etc/os-release; echo $ID$VERSION_ID)

curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | apt-key add -

curl -s -L https://nvidia.github.io/nvidia-docker/$DISTRIBUTION/nvidia-docker.list | tee /etc/apt/sources.list.d/nvidia-docker.list

 

sudo apt-get update && sudo apt-get install -y nvidia-container-toolkit nvidia-docker2

sudo systemctl restart docker

编辑文件 daemon.json:

$ vim /etc/docker/daemon.json

{

    "runtimes": {

        "nvidia": {

            "path": "nvidia-container-runtime",

            "runtimeArgs": []

        }

    }

}

再次重启docker:

sudo systemctl daemon-reload

sudo systemctl restart docker

使用以下命令获取并运行最新的稳定镜像：

docker pull mindspore/mindspore-gpu:1.1.0

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

要测试Docker是否正常工作，运行下面的Python代码并检查输出：

import numpy as np

import mindspore.context as context

from mindspore import Tensor

from mindspore.ops import functional as F

 

context.set_context(mode=context.PYNATIVE_MODE, device_target="GPU")

 

x = Tensor(np.ones([1,3,3,4]).astype(np.float32))

y = Tensor(np.ones([1,3,3,4]).astype(np.float32))

print(F.tensor_add(x, y))

[[[ 2.  2.  2.  2.],

[ 2.  2.  2.  2.],

[ 2.  2.  2.  2.]],

 

[[ 2.  2.  2.  2.],

[ 2.  2.  2.  2.],

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

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