应用感知量化训练 背景 概念 量化 伪量化节点 感知量化训练 感知量化训练示例 定义融合网络 转化为量化网络 重训和推理 导入模型重新训练 进行推理 参考文献 应用感知量化训练 Linux Ascend GPU 模型调优 高级 背景 越来越多的应用选择在移动设备或者边缘设备上使用深度学习技术。以手机为例，为了...

使用工具迁移第三方框架脚本 概述 安装 用法 使用场景 使用示例 基于AST的脚本转换示例 基于图结构的脚本生成示例 注意事项 使用工具迁移第三方框架脚本 Linux Ascend 模型开发 初级 概述 MindConverter是一款将PyTorch模型脚本转换至MindSpore的脚本迁移工具。结合转换报告的提示信...

机器视觉 自然语言处理 在云上使用MindSpore

准备数据 准备数据 加载数据集 将数据集转换为MindSpore数据格式 数据处理与数据增强

mindspore mindspore.dtype mindspore.common.initializer mindspore.communication mindspore.context mindspore.nn mindspore.ops mindspore.ops.composite mindspore.ops.operations...

自定义算子（Ascend） 概述 注册算子原语 实现TBE算子和注册算子信息 实现TBE算子 注册算子信息 示例 使用自定义算子 定义算子反向传播函数 自定义算子（Ascend） Linux Ascend 模型开发 高级 概述 当开发网络遇到内置算子不足以满足需求时，你可以利用MindSpore的Python API方...

训练过程可视 概述 操作流程 准备训练脚本 基础写法 记录算子融合后的计算图 MindInsight相关命令 查看命令帮助信息 查看版本信息 启动服务 停止服务 查看服务进程信息 可视化组件 计算图可视化 标量可视化 图像可视化 模型溯源可视化 数据图可视化 数据溯源可视化 训练过程可视 概述 训练过程中的标量...

使用BERT网络实现智能写诗 案例简介 模型介绍 模型训练 Pre-training Fine-tuning 模型修改 样例代码 实现步骤 基础信息 数据准备 训练 推理验证 服务部署 参考文献 使用BERT网络实现智能写诗 Linux Ascend 模型训练 推理应用 高级 五千年历史孕育了深厚的中华文化...

混合精度 概述 计算流程 自动混合精度 手动混合精度 混合精度 概述 混合精度训练方法通过混合使用单精度和半精度数据格式来加速深度神经网络训练过程，同时保持了单精度训练所能达到的网络精度。混合精度训练能够加速计算过程，同时减少内存使用和存取，并在特定的硬件上可以训练更大的模型或batch size。 计算流程 MindSpore混合...

Roadmap 2021 H1 Core framework Edge side list-watch Custom message transmission between cloud and edge Support multi-instance cloudcore Integration and verification of third-par...