基本介绍：

昇思框架是什么，

了解到还有oneDNN，Eigen库用于cpu推理

昇思框架（MindSpore）是华为推出的一款开源深度学习框架，旨在提升AI开发效率和部署性能。以下是昇思框架的一些主要特点和功能：

1. 易于使用：

   • 提供高层次的API，简化了模型的构建和训练过程。
   • 支持动态图和静态图两种模式，方便开发者进行灵活的调试和优化。

2. 高性能：

   • 利用华为自研的Ascend AI处理器，实现高效的模型训练和推理。
   • 支持分布式训练，能够在大规模集群上进行高效的模型训练。

3. 全场景覆盖：

   • 支持从云到边缘的全场景应用，适用于多种硬件平台，包括Ascend、GPU和CPU。
   • 提供丰富的模型库和预训练模型，方便用户进行快速部署和迁移学习。

4. 安全可靠：

   • 提供全面的安全机制，保护用户的数据和模型安全。
   • 通过了多项国际认证，确保框架的可靠性和安全性。

5. 生态丰富：

   • 拥有活跃的开源社区，提供丰富的技术支持和资源。
   • 与多种开发工具和平台兼容，支持主流的AI开发流程。

昇思框架的推出，旨在帮助开发者更加高效地进行AI模型的开发、训练和部署，推动AI技术在各行各业的应用和发展。

类似于pytorch，我们可以使用昇思框架的api，搭建神经网络，进行训练和预测

导入依赖的包

import mindspore
from mindspore import nn
from mindspore.dataset import vision, transforms
from mindspore.dataset import MnistDataset

下载数据集以及处理数据集就不看了，主要看网络搭建的api

mindspore.nn类是构建所有网络的基类，也是网络的基本单元。当用户需要自定义网络时，可以继承nn.Cell类，并重写__init__方法和construct方法。__init__包含所有网络层的定义，construct中包含数据（Tensor）的变换过程。

# Define model
class Network(nn.Cell):
    def __init__(self):
        super().__init__()
        self.flatten = nn.Flatten()
        self.dense_relu_sequential = nn.SequentialCell(
            nn.Dense(28*28, 512),
            nn.ReLU(),
            nn.Dense(512, 512),
            nn.ReLU(),
            nn.Dense(512, 10)
        )

    def construct(self, x):
        x = self.flatten(x)
        logits = self.dense_relu_sequential(x)
        return logits

model = Network()
print(model)

Network<
  (flatten): Flatten<>
  (dense_relu_sequential): SequentialCell<
    (0): Dense<input_channels=784, output_channels=512, has_bias=True>
    (1): ReLU<>
    (2): Dense<input_channels=512, output_channels=512, has_bias=True>
    (3): ReLU<>
    (4): Dense<input_channels=512, output_channels=10, has_bias=True>
    >
  >

模型训练：

MindSpore使用函数式自动微分机制，因此针对上述步骤需要实现：

1. 定义正向计算函数。
2. 使用value_and_grad通过函数变换获得梯度计算函数。
3. 定义训练函数，使用set_train设置为训练模式，执行正向计算、反向传播和参数优化。

可以看到和pytorch的一些api是很类似的，熟悉pytorch的可以很快地切换

模型的保存：

# Save checkpoint
mindspore.save_checkpoint(model, "model.ckpt")
print("Saved Model to model.ckpt")

参数加载：

# Instantiate a random initialized model
model = Network()
# Load checkpoint and load parameter to model
param_dict = mindspore.load_checkpoint("model.ckpt")
param_not_load, _ = mindspore.load_param_into_net(model, param_dict)
print(param_not_load)