01动静态图

一、概念

动态计算图核心特点是计算图的构建和计算同时发生，在计算图中定义一个Tensor时，其值就已经被计 算且确定了。这种模式在调试模型时较为方便，能够实时得到中间结果的值，但是，由于所有 节点都需要被保存并且可以被访问，这导致我们难以对整个计算图进行优化。

静态计算图模式将计算图的构建和计算分开，在构建阶段，根据完整的计算流程对原始的计算图（即前面的动态计算图）进行优化和调整得到更省内存和计算量更少的计算图，这个过程称为编译， 编译之后图的结构不再发生改变，也就是所谓的“静态”。

静态图的应用：Tensorflow

动态图的应用：PyTorch

MindSpore两种运行模式均支持。

02网络迁移

网络迁移是指从其他机器学习框架将神经网络迁移到MindSpore框架的过程。

03分布式训练

分布式训练： 在深度学习中，同时利用多个工作节点，分布式地、高效地训练出性能 优良的神经网络模型，分布式技术是深度学习技术的加速器。单机多卡，多机多卡。

分布式训练目的： 在深度学习中对训练性能进行优化。当数据集和参数量的规模越来越大，训练所需的时间和硬件资源会随之增加，最后会变成制约训练的瓶颈。分布式并行训练，可以降低对内存、计算性能等硬件的需求，是进行训练的重要优化手段。

04端云侧推理与部署

Ascend 310 AI处理器上推理 Ascend 310是面向边缘场景的高能效高集成度AI处理器，支持对MindIR格式和AIR格式模型进行推理。

Ascend 310 AI处理器上使用MindIR模型进行推理 • Atlas 200开发者套件又称Atlas 200 Developer Kit（以下简称Atlas 200 DK），是以Atlas 200 AI加速模块为核心的开发者板形态的终端类产品，集成了海思Ascend 310 AI处理器。Atlas 200 DK可以实现图像、视频等多种数据分析与推理计算，可广泛用于智能监控、机器人、无人机、视频服务器等场景。

基于MindSpore Serving部署推理服务 MindSpore Serving是一个轻量级、高性能的服务模块，旨在帮助MindSpore开发者在生产环境中高效部署 在线推理服务。当用户使用MindSpore完成模型训练后，导出MindSpore模型，即可使用MindSpore Serving创建该模型的推理服务。 有三种方式可以访问MindSpore Serving服务：MindSpore Serving提供gRPC接口访问Serving服务；基于RESTful接口访问MindSpore Serving服务；MindSpore Serving的Servable提供推理服务，包含两种类型。一种是推理服务来源于 单模型，一种是推理服务来源于多模型组合，多模型组合正在开发中。模型需要进行配 置以提供Serving推理服务。