将数据集转换为MindSpore数据格式 概述 将非标准数据集转换为MindSpore数据格式 转换图片及标注数据 将常见数据集转换为MindSpore数据格式 转换CIFAR-10数据集 转换CIFAR-100数据集 转换ImageNet数据集 转换MNIST数据集 将数据集转换为MindSpore数据格式 概述 用户可以将非标...

总体架构 总体架构 本文将为大家介绍MindSpore总体架构。 MindSpore框架架构总体分为MindSpore前端表示层、MindSpore计算图引擎和MindSpore后端运行时三层。 MindSpore前端表示层（Mind Expression，简称ME） 该部分包含Python API、MindSpore IR（Interm...

发布模型 概述 发布模型到MindSpore Hub 发布模型 Linux Ascend GPU 模型发布 中级 高级 概述 MindSpore Hub 是存放MindSpore官方或者第三方开发者提供的预训练模型的平台。它向应用开发者提供了简单易用的模型加载和微调APIs，使得用户可以基于预训练模型进行推理或者微调，并部署到...

手把手安装和体验 安装MindSpore 体验MindSpore 算子开发 使用可视化组件MindInsight 使用安全组件MindArmour 参与社区 手把手安装和体验 涵盖安装到体验的视频教程，手把手帮助您快速、更好地使用MindSpore。 安装MindSpore 体验Mind...

使用PyNative模式调试 概述 执行单算子 执行普通函数 提升PyNative性能 调试网络训练模型 使用PyNative模式调试 概述 MindSpore支持两种运行模式，在调试或者运行方面做了不同的优化: PyNative模式：也称动态图模式，将神经网络中的各个算子逐一下发执行，方便用户编写和调试神经网络模型。 Grap...

实现一个图片分类应用 概述 准备环节 下载数据集 导入Python库&模块 配置运行信息 数据处理 定义数据集及数据操作 定义网络 定义损失函数及优化器 基本概念 定义损失函数 定义优化器 训练网络 配置模型保存 配置训练网络 运行并查看结果 验证模型 实现一个图片分类应用 概述 下面我们通过一个实际样例，带领大...

自定义调试信息 概述 Callback介绍 MindSpore的Callback能力 自定义Callback MindSpore metrics功能介绍 Print算子功能介绍 数据Dump功能介绍 同步Dump功能介绍 异步Dump功能介绍 日志相关的环境变量和配置 自定义调试信息 Linux Ascend GPU CPU ...

端侧推理 概述 编译方法 端侧推理使用 生成端侧模型文件 在端侧实现推理 端侧推理 概述 MindSpore Predict是一个轻量级的深度神经网络推理引擎，提供了将MindSpore训练出的模型在端侧进行推理的功能。本教程介绍MindSpore Predict的编译方法和使用指南。 编译方法 用户需要自行编译，这里介绍在Ubu...

分布式并行训练 概述 准备环节 配置分布式环境变量 调用集合通信库 加载数据集 定义网络 定义损失函数及优化器 定义损失函数 定义优化器 训练网络 运行测试用例 分布式并行训练 概述 MindSpore支持数据并行及自动并行。自动并行是MindSpore融合了数据并行、模型并行及混合并行的一种分布式并行模式，可以自动建立代价...

收集Summary数据 概述 操作流程 准备训练脚本 方式一：通过SummaryCollector自动收集 方式二：结合Summary算子和SummaryCollector，自定义收集网络中的数据 方式三：自定义Callback记录数据 运行MindInsight 注意事项 收集Summary数据 Linux Ascend GPU ...