MindSpore
Huawei · Programmation
MindSpore est le framework de deep learning open source de Huawei pour entraîner et exécuter des modèles d'IA dans le cloud, en périphérie et sur mobile, avec un support poussé des puces Ascend.
À propos de MindSpore
About
Qu'est-ce que MindSpore
MindSpore est un framework d'IA open source que Huawei a conçu pour entraîner et déployer des modèles à trois endroits à la fois : les serveurs du cloud, les équipements de périphérie comme les stations de base, et les petits appareils comme les téléphones et les capteurs IoT. Vous écrivez les modèles en Python, et le framework prend en charge le plus dur : la différenciation automatique, l'entraînement distribué et le passage entre graphes dynamiques, plus faciles à déboguer, et graphes statiques, plus rapides à l'exécution.
L'argument tient à la portée matérielle. MindSpore est réglé en priorité pour les processeurs Ascend de Huawei, les puces de ses serveurs Atlas, mais le même code tourne aussi sur les GPU NVIDIA, les CPU Arm, les Snapdragon de Qualcomm et les puces Kirin. Un moteur compagnon, MindSpore Lite, réduit les modèles pour qu'ils s'exécutent sur l'appareil lui-même, ce qui compte si vous livrez de l'IA dans une application plutôt que dans un centre de données.
La limite tient à l'attachement. MindSpore s'impose si vous vivez dans l'univers Huawei et Ascend, et se défend moins bien si vous traînez des années de code PyTorch et une équipe qui le maîtrise déjà. Le framework a mûri vite et propose une vaste bibliothèque de modèles prêts à l'emploi, mais la communauté, les tutoriels et les réponses aux questions restent en retrait des frameworks partis plus tôt.
Pour démarrer
- Installez le framework avec pip, en choisissant la version adaptée à votre matériel et à votre version de Python.
- Définissez la cible de calcul, Ascend, GPU ou CPU, avant de lancer quoi que ce soit.
- Définissez votre modèle et votre pipeline de données, puis entraînez-le en mode graphe dynamique ou statique.
- Exportez le modèle entraîné vers MindIR, le format commun du framework pour déplacer un modèle de l'entraînement au déploiement.
- Déployez le modèle exporté vers le cloud, un équipement de périphérie ou un téléphone avec MindSpore Lite pour l'inférence sur appareil.
Informations sur le produit
Aperçu des tarifs, des plateformes compatibles et des performances de MindSpore.
Idéal pour
Les utilisateurs, tâches et cas d'usage où cet outil convient le mieux.
Utilisateurs
- Chercheurs en IA
- Développeurs sur matériel Huawei
- Ingénieurs périphérie et mobile
Tâches
- Entraîner de grands modèles
- Exécuter l'inférence sur appareil
- Porter du code de recherche
- Construire de l'IA pour la science
Cas d'usage
- Monter un modèle sur une infrastructure Ascend
- Livrer une fonction d'IA à une application mobile
- Faire passer un modèle du portable à un cluster
Fonctionnalités clés
Un framework pour le cloud, la périphérie et l'appareil
MindSpore tourne sur les serveurs, le matériel de périphérie et les petits appareils à partir du même code, ce qui est justement l'idée de l'approche « tous scénarios » de Huawei. Une équipe n'a pas à adopter un framework pour entraîner et un autre moteur pour inférer sur l'appareil. Pour qui le produit couvre les deux mondes, cette continuité supprime une couche de traduction entre deux chaînes d'outils.
Graphes dynamiques et statiques unifiés
Le framework permet d'écrire dans un style dynamique et immédiat pendant le débogage, puis de basculer le même code vers un graphe statique pour gagner en vitesse à l'exécution. Débuter donne une exécution lisible, ligne à ligne, et la production reçoit la performance d'un graphe compilé. Peu de frameworks font ce basculement sans friction, et ici c'est un choix de conception central, pas un ajout.
Entraînement distribué simplifié
MindSpore intègre des stratégies de parallélisme pour entraîner de grands modèles, avec parallélisme de données, de modèle et de pipeline. Configurer la répartition d'une tâche sur de nombreuses puces se règle par un appel d'API plutôt que par du code de coordination écrit à la main. Les équipes qui entraînent des modèles à l'échelle de la fondation obtiennent la voie de montée en charge sans maintenir l'orchestration elles-mêmes.
MindIR, un format pour entraîner et déployer
MindIR est la représentation intermédiaire commune du framework, le même format côté entraînement et côté inférence. Vous exportez une fois et le modèle circule entre le cloud et l'appareil sans seconde conversion. Cette uniformité est ce qui fait tenir, en pratique, le récit du cloud à la périphérie.
Le moteur MindSpore Lite
MindSpore Lite est un moteur d'inférence léger pour téléphones et cartes embarquées, avec des noyaux axés sur le matériel et une quantification pour réduire les modèles. Il prend en charge iOS, Android et LiteOS, et lit les modèles de MindSpore comme ceux de TensorFlow Lite, Caffe et ONNX. Pour qui construit sur mobile et IoT, c'est la pièce qui transforme un fichier entraîné en fonctionnalité en marche.
Des suites pour grands modèles et science
Au-delà du cœur, MindSpore propose une suite pour grands modèles et une suite d'IA pour la science, chacune réunissant modèles pré-entraînés et interfaces prêtes. L'intention est de réduire le travail de préparation des équipes sur les modèles de fondation ou le calcul scientifique, pour qu'elles partent de pièces utilisables au lieu de les construire d'abord.
Avantages et inconvénients
Avantages
- Il est entièrement open source et sans frais de licence, si bien que le coût est le matériel et le temps, pas un abonnement.
- Il tourne dans le cloud, en périphérie et sur appareil à partir d'un seul code, ce qui convient aux produits qui couvrent un centre de données et un téléphone.
- Il est réglé pour les processeurs Ascend de Huawei, avec les meilleures performances si c'est votre matériel.
- MindSpore Lite et MindIR mènent un modèle de l'entraînement à l'inférence sur appareil sans seconde chaîne d'outils.
- Ses API centrées sur Python et sa proximité avec PyTorch abaissent la barrière pour qui porte du travail existant.
Inconvénients
- La communauté, les tutoriels et les réponses aux problèmes sont plus réduits que chez PyTorch ou TensorFlow, si bien que vous résolvez davantage seul.
- Les meilleurs résultats supposent du matériel Huawei, et les avantages du framework se réduisent sur les accélérateurs d'autres fabricants.
- L'ensemble étendu de framework, Lite, MindIR et suites métier demande un vrai temps d'apprentissage avant d'être productif.
Questions fréquentes
MindSpore sert à créer, entraîner et exécuter des modèles de deep learning. Vous écrivez les modèles en Python, les entraînez sur des serveurs ou du matériel Ascend de Huawei, et les déployez dans le cloud, sur des appareils de périphérie ou sur des téléphones grâce à la chaîne unifiée du framework.
Contenus associés
Découvrez des outils, des compétences et des articles liés à MindSpore.
Alternatives à MindSpore
Base Code
Base44 (Wix) · Programmation · ProductivitéBase Code est un environnement de développement cloud partagé signé Base44. Votre équipe décrit des modifications sur un dépôt GitHub dans le chat, les vérifie en aperçu et les renvoie sous forme de pull requests.
Google EmbeddingGemma 2
Google DeepMind · Rédaction · Image · ProgrammationGoogle EmbeddingGemma 2 est un modèle ouvert de 740 millions de paramètres qui transforme texte, code, images, audio et images vidéo en vecteurs d'un même espace de 768 dimensions, sur un téléphone ou un ordinateur portable.
GitGlow
GitGlow · Programmation · ProductivitéGitGlow est un client Git de bureau qui place votre code et les modifications de vos agents IA dans une même revue, pour savoir ce qui quitte votre machine avant de livrer.