MindSpore样例 MindSpore 是一个全场景 AI 计算框架，它的特性是可以显著减少训练时间和成本（开发态）、以较少的资源和最高能效比运行（运行态），同时适应包括端、边缘与云的全场景（部署态）。 本章介绍如何在模型训练服务上完成MindSpore样例体验，体验过程中使

查看更多 →

基于MindSpore Lite的模型转换 迁移推理业务的整体流程如下： 模型准备 转换关键参数准备 模型转换 推理应用适配 主要通过MindSpore Lite（简称MSLite）进行模型的转换，进一步通过MindSpore Runtime支持昇腾后端的能力来将推理业务运行到昇腾设备上。

查看更多 →

单模型性能测试工具Mindspore lite benchmark 在模型精度对齐后，针对Stable Diffusion模型性能调优，可以通过AOE工具进行自助性能调优，进一步可以通过profiling工具对于性能瓶颈进行分析，并针对性的做一些调优操作。 可以直接使用bench

查看更多 →

MindSpore日志提示“ retCode=0x91, [the model stream execute failed]” 问题现象 使用mindspore进行训练时，出现如下报错： [ERROR] RUNTIME(3002)model execute error, retCode=0x91

查看更多 →

示例：从 0 到 1 制作 自定义镜像 并用于训练（MindSpore+Ascend） 本案例介绍如何从0到1制作Ascend容器镜像，并使用该镜像在ModelArts平台上进行训练。镜像中使用的AI引擎是MindSpore，训练使用的资源是专属资源池的Ascend芯片。 约束限制

查看更多 →

Yolov8基于DevServer适配MindSpore Lite推理指导（6.3.909） 方案概览 本方案介绍了在ModelArts的DevServer上使用昇腾Atlas 300I Duo推理卡计算资源，部署Yolov8 Detection模型推理的详细过程。 本方案目前仅适用于企业客户。

查看更多 →

cend # 安装 MindSpore 2.1.1 COPY --chown=ma-user:100 mindspore-2.1.1-cp37-cp37m-linux_aarch64.whl /tmp RUN chmod +x /tmp/mindspore-2.1.1-cp37

查看更多 →

推理基础镜像详情MindSpore（CPU/GPU） ModelArts提供了以下MindSpore（CPU/GPU）推理基础镜像： 引擎版本一：mindspore_1.7.0-cpu-py_3.7-ubuntu_18.04-x86_64 引擎版本二：mindspore_1.7.0-cuda_10

查看更多 →

ModelArts提供了ARM+Ascend规格的统一镜像，包括MindSpore、PyTorch。适用于开发环境，模型训练，服务部署，请参考统一镜像列表。 表1 MindSpore 预置镜像 适配芯片 适用范围 mindspore_2.3.0-cann_8.0.rc1-py_3.9-euler_2

查看更多 →

Notebook基础镜像x86 MindSpore MindSpore包含四种镜像： 镜像一：mindspore1.7.0-cuda10.1-py3.7-ubuntu18.04 镜像二：mindspore1.7.0-py3.7-ubuntu18.04 镜像三：mindspore1.2.0-cuda10

查看更多 →

ModelArts提供了ARM+Ascend规格的统一镜像，包括MindSpore、PyTorch。适用于开发环境，模型训练，服务部署，请参考统一镜像列表。表1、表2所示镜像仅发布在西南-贵阳一区域。 表1 MindSpore 预置镜像 适配芯片 适用范围 mindspore_2.2.0-cann_7.0.1-py_3

查看更多 →

修改Dockerfile。 本例的Dockerfile将基于MindSpore基础镜像mindspore1.7.0-cann5.1.0-py3.7-euler2.8.3，升级到cann 5.1.RC2和MindSpore1.8.1，构建一个面向AI任务的镜像。 加载镜像模板后，Dockerfile文件自动加载，在“

查看更多 →

镜像，包括MindSpore、PyTorch。适用于Standard开发环境，模型训练，服务部署，请参考下表。镜像的URL、包含的依赖项等详细信息请参考ModelArts统一镜像列表。 表1 MindSpore 预置镜像 适配芯片 适用范围 适用区域 mindspore_2.3.0-cann_8

查看更多 →

PyTorch-1.8.0 x √ Ascend-Powered-Engine Mindspore-1.3.0 √ x Mindspore-1.7.0 x √ Tensorflow-1.15 √ √ MPI MindSpore-1.3.0 x √ Horovod horovod_0.20.0-tensorflow_2

查看更多 →

本小节通过一个具体问题案例，介绍模型精度调优的过程。 如下图所示，使用MindSpore Lite生成的图像和onnx模型的输出结果有明显的差异，因此需要对MindSpore Lite pipeline进行精度诊断。 图1 结果对比 在MindSpore Lite 2.0.0版本中，Stable Di

查看更多 →

Lite详细介绍可参考MindSpore Lite文档。在使用MindSpore Lite过程中遇到问题时，可参考MindSpore Lite官网提供的问题定位指南进行问题定位。 迁移路线介绍 当前推理迁移时，不同的模型类型可能会采取不同的迁移技术路线。主要分为以下几类： 1. CV类小模型例

查看更多 →

7/site-packages 训练基础镜像详情（MPI） 介绍预置的mindspore_1.3.0镜像详情。 引擎版本：mindspore_1.3.0-cuda_10.1-py_3.7-ubuntu_1804-x86_64 引擎版本：mindspore_1.3.0-cuda_10.1-py_3.7-ubuntu_1804-x86_64

查看更多 →

myhuaweicloud.com/atelier/mindspore_1_7_0:mindspore_1.7.0-cuda_10.1-py_3.7-ubuntu_18.04-x86_64-20221118143809-d65d817", "tag": "mindspore_1.7.0-cuda_10

查看更多 →

得到的mindir模型按照相同的逻辑进行编排，并在MindSpore Lite上执行。只需要将原始onnx的pipeline中涉及到onnx模型初始化及推理的接口替换为MindSpore Lite的接口即可。 MindSpore Lite提供了Python、C++以及JAVA三种

查看更多 →

ght当前支持基于MindSpore引擎的训练作业。MindInsight相关概念请参考MindSpore官网。 MindSpore支持将数据信息保存到Summary日志文件中，并通过可视化界面MindInsight进行展示。 前提条件 使用MindSpore引擎编写训练脚本时，

查看更多 →

拉取镜像。本测试镜像为bert_pretrain_mindspore:v1，已经把测试数据和代码打进镜像中。 docker pull swr.cn-southwest-2.myhuaweicloud.com/os-public-repo/bert_pretrain_mindspore:v1 docker tag

查看更多 →