> Source: MindSpore
华为宣布其TensorFlow和PyTorch风格的MindSpore深度学习中间件现已开源。 在这篇文章中发现其最相关的特征。
华为刚刚宣布，其用于人工智能应用程序开发的MindSpore框架已开源，可在GiHub和Gitee上使用。 MindSpore是另一个用于训练神经网络模型的深度学习框架，类似于旨在从Edge到Cloud使用的TensorFlow或PyTorch，它同时支持GPU和明显的华为Ascend处理器。
去年8月，当华为宣布正式推出其Ascend处理器时，首次引入了MindSpore。 比使用TensorFlow的其他主流培训卡更能训练AI模型。"
的确，近年来出现了许多框架，也许MindSpore只是与TensorFlow（由Google支持）和PyTorch（由Facebook支持）甚至可以远程竞争的众多框架之一。 但是几天前我读到这个新内容时，MindSpore变得开源了，就像我2015年11月第一次阅读TensorFlow一样，我的身体也洋溢着激动。 就像那时一样，我不能说什么，但是有件事告诉我，MindSpore可能会成为不一致的第三方。
这就是为什么在这个复活节周末，我们所有人都处于同样的境地，＃StayAtHome，我现在开始更加深入地研究这个框架了。 可用的技术文档仍然非常稀缺，杂乱无章且有许多错误，但这并不能阻止我对它们的建议有所了解。 下面我与大家分享我的第一个发现。
系统架构
MindSpore网站描述了该框架由三个主要层构成：前端表达式，图形引擎和后端运行时。 下图显示了一个可视方案：
> Source: MindSpore
MindSpore的第一层为程序员提供了Python API。 由于我们社区中的通用语言实际上是Python，因此不可能做到这一点，因此MindSpore希望与PyTorch和TensorFlow竞争。 使用此API，程序员可以管理模型（训练，推理等）并处理数据。 该第一层还包括对代码中间表示（MindSpore IR）的支持，该中间表示将基于可以在并行化和自动微分（GHLO）中执行的许多优化。
下面是Graph Engine层，提供了必要的功能来创建和执行执行图的自动区分。 我可以在网站上阅读到，他们使用MindSpore选择了不同于PyTorch（创建动态执行图）或TensorFlow（虽然最初采用了创建更高效的静态执行图的选项）的自动差异化模型，但目前 提供动态执行图的选项，并使用其低级API的@ tf.function装饰器允许使用静态图版本。 MindSpore选项包括将原始代码转换为中间代码格式（MindSpore IR），以便可以利用这两种模型（更多详细信息，请参见MindSpore网站上的"自动区分"部分）。 我没有检查过GiHub代码，也没有能够评估该代码，但是看来他们提出的方法很有意义。
MindSpore安装和我的第一个神经网络
当出现一个新框架时，通常会发生这种情况，安装部分中的信息非常匮乏，因为没有适用于所有平台的二进制代码，因此您必须动手等待解决方案出现在GitHub / Gitee的Issues部分中。 就我而言，在MacBook Pro（Intel Core i7）上，我可以按照Gitee上此问题网页上的说明，在他们的Docker Hub上安装他们提供的docker。
有了这个泊坞窗，花了一点时间，我就能够使用MindSpore API对我的第一个神经网络进行编程。 具体来说，LeNet基于MindSpore教程提供的代码示例对MNIST数字进行分类。 在后续文章中，我将更详细地介绍此代码，以表明MindSpore API实际上是从TensorFlow的PyTorch API和Keras API借用了很多语法。 因此，对于在神经网络编程中活跃的任何人来说，使用这个新的API都很容易上手。
支持训练过程的可视化
根据MindSpore教程，虽然无法安装和使用它们，但它们具有MindInsight来生成可视化效果，这在某种程度上让人联想到TensorFlow的TensorBoard。 看看他们在其网站上显示的一些屏幕截图：
> Source: MindSpore
> Source: MindSpore
根据手册，MindSpore当前在训练过程中使用回调机制（使人联想到Keras的工作方式）来记录（在日志文件中）我们想要的模型的所有这些参数和超参数以及图形 神经网络到中间代码的编译完成时的计算。
平行性
由于安装了具有单个CPU（通过docker）的MindSpore版本，因此我无法测试其执行的并行化，并且目前在其网站上有关此主题的信息很少。
目前，我可以在他们的教程中提及他们讨论了两种并行化模式（DATA_PARALLEL和AUTO_PARALLEL），并给出了一个代码示例，该示例使用Asifend 910处理器的CIFAR数据集训练ResNet-50（我无法验证） ）。 我可以想象到DATA_PARALLEL是指通常称为数据并行性的策略，该策略包括将训练数据分为几个子集，每个子集在同一模型副本中执行，但在不同的处理单元中执行。
据我所知，Graph Engine层支持是为代码的并行化提供的，尤其是为AUTO_PARALLEL并行性提供的。 AUTO_PARALLEL模式通过将数据并行化并行化策略（如上所述）与模型并行化策略相结合来自动优化并行化，其中模型被划分为不同的部分，并且每个部分在不同的处理单元中并行执行。 这种自动模式选择了提供最大收益的并行化策略，可以在MindSpore网站的"自动并行"部分中进行阅读（尽管它们没有详细说明评估和决策的方式）。
为了扩展文档并了解有关自动并行化策略的更多详细信息，我们将不得不等待给技术团队提供时间。 但是很明显，这种自动并行化策略至关重要，这是它们必须且可以与TensorFlow或PyTorch竞争的地方，使用华为处理器可以获得明显更高的性能。
计划的路线图以及如何做出贡献
显然，有很多工作要做，目前，他们已在此页面上共享的广泛路线图中确定了他们明年的想法，但他们声称优先级将根据用户进行调整 反馈。 目前，我们可以找到以下主要内容：
· 支持更多模型（待定经典模型，GAN，RNN，变形金刚，强化学习模型，概率编程，AutoML等）。
· 扩展API和库以提高可用性和编程经验（更多的运算符，更多的优化器，更多的损失函数等）
· 全面支持华为Ascend处理器并优化其性能（优化编译，改善资源使用等）
· 软件堆栈的演化和对计算图的优化（提高中间表示IR，增加更多的优化机会，等等）。
· 支持更多的编程语言（不仅限于Python）。
· 通过优化自动调度，数据分发等来改进分布式培训。
· 改进MindInsight工具，使程序员在训练过程中更容易"调试"并改善超参数的调整。
· 在Edge中的设备中提供推理环境的功能方面的进步（安全性，通过ONNX标准的其他框架的支持模型等）
在"社区"页面上，您可以看到MindSpore在华为和中国以外还有合作伙伴，例如爱丁堡大学，伦敦帝国理工学院，明斯特大学（德国）或巴黎萨克莱大学。 他们说他们将遵循一个开放的治理模型，并邀请整个社区在代码和文档中做出贡献。
结论
乍看之下，设计和实现决策（例如并行性和自动区分）似乎是正确的，它可以增加机会以允许进行改进和优化，从而获得比他们想要击败的框架更好的性能。 但是要赶上PyTorch和TensorFlow仍有大量工作要做，最重要的是要在周围创建社区，这并不容易！ 但是，我们已经知道，在像华为这样的行业大公司的支持下，一切皆有可能，或者三年前PyTorch（Facebook）的第一个版本问世时，一切都可能即将结束。 TensorFlow（Google）的追随者？
我希望这篇文章对您有所帮助，至少我发现撰写这篇文章非常有趣。 在下一篇文章中见，我将告诉您有关如何在MindSpore中编程第一个神经网络的更多详细信息。 由于我们处于#StayAtHome情况，因此很有趣。
(本文翻译自Jordi TORRES.AI的文章《Huawei's MindSpore: A new competitor for TensorFlow and PyTorch?》，参考：https://towardsdatascience.com/huaweis-mindspore-a-new-competitor-for-tensorflow-and-pytorch-d319deff2aec)
