MindSpore特性支援類

mindspore特性支援類

q：請問mindspore支援梯度截斷嗎？

a：支援，可以參考梯度截斷的定義和使用。

q：如何在訓練神經網路過程中對計算損失的超引數進行改變？

a：暫時還未有這樣的功能。目前只能通過訓練–>重新定義優化器–>訓練，這樣的過程尋找較優的超引數。

q：第一次看到有專門的資料處理框架，能介紹下麼？

a：minddata提供資料處理異構硬體加速功能，高併發資料處理pipeline同時支援npu/gpu/cpu，cpu占用降低30%，點選查詢優化資料處理。

q：mindspore的ir設計理念是什麼？

a：函式式：一切皆函式，易於微分實現；無***，易於實現自動並行化分析；jit編譯能力：圖形ir，控制流依賴和資料流合一，平衡通用性/易用性；圖靈完備的ir：更多的轉換python靈活語法，包括遞迴等。

q：mindspore會出強化學習框架麼？

q：谷歌colabai studio都有免費gpu算力提供,mindsore有免費算力提供麼？

q：mindspore lite的離線模型ms檔案如何進行視覺化，看到網路結構？

q：mindspore有量化推理工具麼？

a：mindspore lite支援雲側量化感知訓練的量化模型的推理，mindspore lite converter工具提供訓練後量化，以及權重量化功能，且功能在持續加強完善中。

q：mindspore並行模型訓練的優勢和特色有哪些？

a：mindspore分布式訓練除了支援資料並行，還支援運算元級模型並行，可以對運算元輸入tensor進行切分並行。在此基礎上支援自動並行，使用者只需要寫單卡指令碼，就能自動切分到多個節點並行執行。

q：請問mindspore實現了反池化操作了嗎？類似於nn.maxunpool2d這個反池化操作？

a：目前 mindspore 還沒有反池化相關的介面。如果使用者想自己實現的話，可以通過自定義運算元的方式自行開發運算元，詳情請見自定義運算元。

q：mindspore有輕量的端側推理引擎麼？

a：mindspore輕量化推理框架mindspore lite已於r0.7版本正式上線，歡迎試用並提出寶貴意見，概述、教程和文件等請參考mindspore lite。

q：mindspore在語義協同和處理上是如何實現的？是否利用當前學術界流行的fca理論？

a：mindspore框架本身並不需要支援fca。對於語義類模型，使用者可以呼叫第三方的工具在資料預處理階段做fca數學分析。mindspore本身支援python語言，import fca相關包即可使用。

q：當前在雲上mindspore的訓練和推理功能是比較完備的，至於邊端場景（尤其是終端裝置）mindspore有什麼計畫？

a：mindspore是端邊雲統一的訓練和推理框架，支援將雲側訓練的模型匯出到ascend ai處理器和終端裝置進行推理。當前推理階段支援的優化包括量化、運算元融合、記憶體復用等。

q：mindspore自動並行支援情況如何？

a：自動並行特性對cpu gpu的支援還在完善中。推薦使用者在ascend 910 ai處理器上使用自動並行，可以關注開源社群，申請mindspore開發者體驗環境進行試用。

q：mindspore有沒有類似基於tensorflow實現的物件檢測演算法的模組？

a：tensorflow的物件檢測pipeline介面屬於tensorflow model模組。待mindspore檢測類模型完備後，會提供類似的pipeline介面。

q：其他框架的指令碼或者模型怎麼遷移到mindspore？

a：關於指令碼或者模型遷移，可以查詢mindspore官網中關於網路遷移的介紹。

q：mindspore是否附帶開源電商類資料集？

a：暫時還沒有，可以持續關注mindspore官網。

q：能否使用第三方庫numpy array封裝mindspore的tensor資料？

a：不能，可能出現各種問題。例如：numpy.array(tensor(1)).astype(numpy.float32)的報錯資訊為」valueerror: settinng an array element with a sequence.」。