logits = logits.reshape((-1, logits.shape[-1])) # 调整为(batch_size*seq_len, vocab_size)labels = labels.reshape((-1,)) # 调整为(batch_size*seq_len,)# 将pad_token对应的标签设为-100，CrossEntropyLoss会自动忽略。

logits = logits.reshape((-1, logits.shape[-1])) # 调整为(batch_size*seq_len, vocab_size)labels = labels.reshape((-1,)) # 调整为(batch_size*seq_len,)# 将pad_token对应的标签设为-100，CrossEntropyLoss会自动忽略。

logits = logits.reshape((-1, logits.shape[-1])) # 调整为(batch_size*seq_len, vocab_size)labels = labels.reshape((-1,)) # 调整为(batch_size*seq_len,)# 将pad_token对应的标签设为-100，CrossEntropyLoss会自动忽略。

对于纯 Transformer 结构，由于 Transformer 可以捕获长程依赖关系，因此检测结果的完整性在一定程度上得到了提高，但补丁划分操作可能会破坏细节的质量、导致块效应，甚至引入额外的错误检测，例如图 1 中的 VST的结果。昇思MindSpore已支持数百篇AI顶会论文，走入Top100+高校教学，通过HMS在5000+App上商用，拥有数量众多的开发者，在AI计算中心、智能制造、金

目前主流的昇腾开发平台有两种选择：华为云ModelArts和GitCode算力平台。对于初学者和个人开发者，我强烈推荐GitCode平台，它提供免费的NPU算力资源，每日有两小时的免费使用时长，足够进行模型实验和功能验证。特别是在当前GPU资源紧张的大环境下，昇腾平台凭借其稳定的供应链和成熟的工具链，成为企业AI应用部署的可靠选择。O2模式会将除BatchNorm外的所有算子转换为FP16，并自动

你可能感兴趣的商品”——这句看似简单的推荐，背后是千亿级特征、毫秒级响应、亿级用户并发的工程奇迹。而 MindSpore凭借 原生稀疏算子支持、Embedding 动态分片、与昇腾 NPU 深度协同，已成为华为商城、荣耀商城等亿级流量场景的推荐系统底座。💡 案例：某电商平台迁移至 MindSpore 推荐系统后，训练速度提升 2.1 倍，推理 P99 延迟从 85ms 降至 32ms。📌 关键

你可能感兴趣的商品”——这句看似简单的推荐，背后是千亿级特征、毫秒级响应、亿级用户并发的工程奇迹。而 MindSpore凭借 原生稀疏算子支持、Embedding 动态分片、与昇腾 NPU 深度协同，已成为华为商城、荣耀商城等亿级流量场景的推荐系统底座。💡 案例：某电商平台迁移至 MindSpore 推荐系统后，训练速度提升 2.1 倍，推理 P99 延迟从 85ms 降至 32ms。📌 关键

而 联邦学习（Federated Learning）提供了一条破局之路：“数据不动模型动”—— 各参与方在本地训练模型，仅上传加密的模型参数，由协调方聚合更新全局模型，原始数据永不离开本地。💡 案例：某三甲医院联合5家社区医院，使用 MindSpore Federated 训练糖尿病视网膜病变检测模型，数据零出域，AUC 提升 12%，通过国家医疗AI安全认证。📊 结论：在 ε=2.0 的强隐

而 MindSpore Reinforcement（MSRL）作为 MindSpore 官方强化学习库，凭借 计算图优化、自动并行、Actor-Learner 解耦架构，为高效、可扩展的 RL 训练提供了全新方案。当 AlphaGo 击败人类冠军，当自动驾驶汽车穿梭街道，背后的核心技术之一正是 强化学习（Reinforcement Learning, RL）—— 让智能体通过与环境交互，自主学习最

端侧 AI 不再是“大厂专属”。借助 MindSpore Lite，开发者可以用极低的成本将智能能力嵌入亿万终端设备。其“训练-压缩-部署”一体化流程，大幅缩短了从算法到产品的路径。未来，随着 RISC-V NPU、星闪通信等新硬件生态的发展，MindSpore Lite 的跨平台优势将进一步凸显。🌱 小建议：如果你已有 PyTorch 模型，可通过→→链路迁移至 MindSpore Lite。