宽哥玩数码▲华为深度学习框架MindSpore正式开源：自动微分不止计算图机器之心报道机器之心编辑部千呼万唤始

机器之心报道
机器之心编辑部
千呼万唤始出来——3月28日，华为的全栈全场景AI计算框架MindSpore终于正式开源了。
今年的华为开发者大会HDC2020上，除了昇腾、鲲鹏等自研芯片硬件平台之外，最令人期待的就是深度学习框架MindSpore的开源了。今天上午，华为MindSpore首席科学家陈雷在活动中宣布这款产品正式开源，我们终于可以在开放平台上一睹它的真面目。作为一款「全场景AI框架」， MindSpore是华为人工智能解决方案的重要组成部分，与TensorFlow、PyTorch、PaddlePaddle等流行深度学习框架对标，旨在大幅度降低AI应用开发门槛，让人工智能无处不在。 MindSpore是一款支持端、边、云独立/协同的统一训练和推理框架。华为希望通过这款完整的软件堆栈，实现一次性算子开发、一致的开发和调试体验，以此帮助开发者实现一次开发，应用在所有设备上平滑迁移的能力。原生支持AI芯片，全场景一致的开发体验——除了这些我们早已知晓的强大之处外，今天华为还着重展示了MindSpore的三大创新能力：新编程范式，执行模式和协作方式。

文章图片
今天发布的MindSpore首个开源版本为0.1.0-alpha版，主要由自动微分、自动并行、数据处理等功能构成。华为表示， MindSpore具备开发算法即代码、运行高效、部署态灵活的特点，其核心分为三层：从下往上分别是后端运行时、计算图引擎及前端表示层。 MindSpore开源社区：https://www.mindspore.cn/MindSpore代码：https://gitee.com/mindspore从整体上来说， MindSpore搭建神经网络会以「单元」为中心，其中单元是张量和运算操作的集合。从输入张量开始， MindSpore会提供各种算子以构造一个「单元」，最后模型封装这个单元就可以用来训练、推理了。

文章图片
MindSpore的整体结构，从后端的硬件支持到前端API ，中间会涉及多种优化与特性。例如不采用计算图的自动微分、自动并行与优化计算过程等等。 MindSpore最大的特点在于，其采用了业界最新的Source-to-Source自动微分，它能利用编译器及编程语言的底层技术，进一步优化以支持更好的微分表达。自动微分：不止计算图自动微分是深度学习框架的灵魂，有了它我们写模型就只需要关注前向传播，将所有复杂的求导、反传过程都留给框架。一般而言，自动微分指一种自动求某个函数其导数的方法。在机器学习中，这些导数可以更新权重。在更广泛的自然科学中，这些导数也能用于各种后续计算。

文章图片
人类擅长以解析式推导微分，计算机擅长数值微分。一般而言，自动微分都是需要建立计算图的，有了计算图才能追踪各函数、变量的依赖情况，并进一步根据链式法则传递梯度。然而对于MindSpore来说，它并不依赖于计算图，而是通过一种名为「基于源码转换」的自动微分方法，它支持if、for等复杂的控制流结构，以及灵活的函数式编程方式。自动微分本质上是解析变量间的依赖关系，并利用全微分法则与链式求导法则将梯度传递给不同的变量。

文章图片
【宽哥玩数码▲华为深度学习框架MindSpore正式开源：自动微分不止计算图】将Python代码解析为计算图。目前主流深度学习框架中主要有三种自动微分技术：
基于静态计算图的转换：将网络在编译时转换为静态数据流图，然后将链式法则应用于数据流图，并实现自动微分。基于动态计算图的转换：以操作符重载的方式记录网络在前向执行时操作轨迹，然后将链式法则应用于动态生成的数据流图，并实现自动微分。基于源码转换：该技术源以函数式编程框架为基础，以即时编译（JIT）的方式在中间表达（编译过程中程序的表达形式）上做自动微分变换，支持复杂控制流场景、高阶函数和闭包。其中TF早期采用的是静态计算图， PyTorch采用的是动态计算图，静态图能利用静态编译技术对网络性能进行优化，然而搭建网络或Debug非常复杂。动态图的使用非常便捷，但性能上难以做到极致的优化。 MindSpore走的是另外一条路，即基于源码转换的自动微分。它又支持对自动控制流的自动微分，所以与PyTorch一样构建模型非常方便。同时MindSpore能对神经网络做静态编译优化，因此性能也非常优秀。基于源码转换的方法，是自动微分另一条康庄大道。