python适用于端边云场景的新型开源深度学习训练/推理框架可用于移动、边缘和云场景。

源码资源网 · 发表于前天 10:21

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。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，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。

python适用于端边云场景的新型开源深度学习训练/推理框架可用于移动、边缘和云场景。 ...

自动微分

当前主流深度学习框架中有两种自动微分技术：

操作符重载法：通过操作符重载对编程语言中的基本操作语义进行重定义，封装其微分规则。在程序运行时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。
代码变换法：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。

PyTorch采用的是操作符重载法。相较于代码变换法，操作符重载法是在运行时生成微分计算图的，无需考虑函数调用与控制流等情况，开发更为简单。但该方法不能在编译时刻做微分图的优化，控制流也需要根据运行时的信息来展开，很难实现性能的极限优化。

则采用的是代码变换法。一方面，它支持自动控制流的自动微分，因此像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。

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。 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

自动并行的目的是构建数据并行、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。

python适用于端边云场景的新型开源深度学习训练/推理框架可用于移动、边缘和云场景。 ...

目前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，您无需关注底层实现，只要顶层API计算是有效的即可。

安装pip方式安装

提供跨多个后端的构建选项：

[td]

使用pip方式，在不同的环境安装，可参考以下文档。

源码编译方式安装

使用源码编译方式，在不同的环境安装，可参考以下文档。

链接：https://pan.quark.cn/s/c7c4926d75fc
提取码下载：

文件名称:提取码下载.txt
下载次数:0 文件大小:16 Bytes 售价:99金钱 [记录]
下载权限: 不限 [购买VIP] [充值] [在线充值] 【VIP会员6折；永久VIP4折】

安全检测，请放心下载

		自动登录	找回密码
密码			立即注册

python适用于端边云场景的新型开源深度学习训练/推理框架 可用于移动、边缘和云场景。