人工智能应用系统开发项目化教程 课件 项目五 基于MindSpore建模实践.pptx

人工智能应用系统开发项目化教程 项目五 基于MindSpore建模实践 —— 图像分类实践 任务描述 知识链接 任务目标 任务实施 任务小结 考核评价 任务描述任务目标知识链接任务实施 任务小结考核评价 在进行海量图像处理时，将图像进行分类将是最基本的任务之一。本实验将通过Mindspore框架构建卷积神经网络模型以解决图像分类的问题。任务描述 任务描述任务目标知识链接任务实施 任务小结考核评价 ?? 了解Mindspore的核心架构。? 掌握Mindspore的部署安装。? 掌握利用Mindspore平台进行图像分类建模实践。任务目标 任务描述任务目标知识链接任务实施 任务小结考核评价 MindSpore架构案例规划部署案例演示操作 相关知识概述本节主要任务：了解Mindspore开发框架简介了解Mindspore核心架构了解Mindspore自动微分及自动并行 MindSpore开源深度学习框架MindSpore开源深度学习框架端-边-云按需协作分布式架构（部署、调度、通信等）Device-edge-cloud cooperative distributed architecture (for deployment, scheduling, communications, etc.)Business Number 02全场景统一APIUnified APIs for all scenarios自动微分Automatic differentiation 自动并行Automatic parallelization自动调优Automatic tuningMindSpore IR 计算图表达MindSpore intermediate representation (IR) for computation graphsMindSporePipeline并行Pipeline parallelismOn-Device执行On-device execution深度图优化Deep graph optimization处理器：Ascend、GPU、CPU开发态 友好：AI 算法即代码通过自动微分、自动并行、自动调优等技术，减少代码，提升开发效率运行态 高效：面向昇腾芯片优化通过图/算子编译加速以及神经网络并行执行，协同昇腾芯片实现性能优势部署态 灵活：全场景按需协同通过模型自适应、异构计算等技术，实现从IoT设备到云的灵活部署 MindSpore Lite轻量化推理工具超轻量化推理MindRT Lite 异构执行高性能CPU/GPU算子库、Kirin/MTK AI加速库高性能内存分配大小核调度多batch/session内存复用异构调度图算子代码生成端上学习增量/迁移学习自定义fineTune层数据处理子图在线拆分Kernel SelectMindSpore量化（ int8 /int4/混合精度） 类型推导算子同步/异步知识蒸馏/剪枝内存优化自动微分二阶优化自动并行图算融合MindExpressNN Data 算子 GE（Ascend加速）MindAKG（算子自动生成）仓颉语言/Julia训练推理 ModelZoo模型格式转换MindArmour（密态AI、差分隐私、混淆加密、对抗训练）MindData（可解释、Insight、数据增强）MindRT 分布式并行执行联邦学习统一的MindIRMindCompilerMindSpore端云协同的全场景AI架构 Beyond AI：NN应用?通用AI+科学计算关键特性：通用的张量可微表达和编译（函数式图IR/SCT自动微分、动静统一）分布式并行原生：支撑AI模型突破万亿参数关键特性：自动并行、内存约束编程、二阶优化图算深度融合：充分发挥AI芯片的算力关键特性：图算联合优化、Poly自动优化全场景企业级能力：实现灵活部署和协同，安全可信/可解释关键特性：极致轻量化(自适应模型生成、量化训练）、私密训练、可解释AI表达/优化/运行解耦：实现多前端、跨芯片、跨平台开放：开放通用图编译/运行能力给三方框架全场景统一架构：接口和IR统一，AI应用可平滑流动设计目标设计理念：AI的“JDK”MindSpore总体架构 设计目标Beyond AI：NN应用?通用AI+数值计算关键特性：通用的张量可微计算分布式并行原生：支撑AI模型突破万亿参数关键特性：自动并行、内存约束编程、二阶优化图算深度融合：充分发挥AI芯片的算力关键特性：图算联合优化、Poly自动优化全场景企业级能力：实