问题背景在使用Docker拉取DockerHub的镜像时，经常会出现网络不稳定的问题，这就导致拉取到一半的镜像会重新拉取，浪费时间。例如下面这种情况：第二次拉取这是一个网络中断的场景，第二次重新拉取的时候，同样是d103这个部分，又重新下载了一次。而且在不稳定的网络情况下(大概率)，有可能继续中断，这就需要一个断点续传的配置。解决方案首先在docker的配置文件中加上这...

问题背景虽说在MindSpore-2.3之后的版本中不在正式的发行版中支持GPU硬件后端，但其实在开发分支版本中对GPU后端是有支持的：但是在安装的过程中可能会遇到一些问题或者报错，这里复现一下我的Ubuntu-20.04环境下的安装过程。Pip安装基本的安装流程是这样的，首先使用anaconda创建一个python-3.9的虚拟环境，因为在MindSpore-2.4版本之后不再...

技术背景在前面的一篇博客中我们介绍了MindSpore-2.4-gpu的安装和其中可能出现的一些问题。这里我们在安装完成之后，可以尝试使用一些MindSpore新版本的特性。那么在安装之后，如果是使用VSCode作为IDE，可以使用ctrl+shift+P快捷键，然后搜索python:sele将Python解释器切换到我们所需要的最新MindSpore环境下。设备管理和资源监测在minds...

技术背景在之前的一篇博客中，我们介绍过MindInsight的安装与使用。不过在前面的文章中，我们主要介绍的是MindInsight与SummaryCollector的配合使用，更多的是用于对结果进行回溯。这篇文章我们简要的从性能分析的角度，来介绍一下MindInsight的一些使用方法。MindInsight的安装与启动这部分内容在前面的博客中已经介绍过一次，这里简单的重复一下相关的内容...

问题背景在使用MindSpore运行一个分子动力学模拟的测试程序时：from mindspore import contextfrom mindspore.nn import Adamif __name__ == "__main__":import syssys.path.insert(0, '../..')from sponge import Spon...

技术背景在MindSpore深度学习框架中，我们可以向construct函数传输必备参数或者关键字参数，这跟普通的Python函数没有什么区别。但是对于MindSpore中的自定义反向传播bprop函数，因为标准化格式决定了最后的两位函数输入必须是必备参数out和dout用于接收函数值和导数值。那么对于一个自定义的反向传播函数而言，我们有可能要传入多个参数。例如这样的一个案例：import ...

技术背景我们在Linux系统下使用一些深度学习框架(如MindSpore)运行脚本的时候，经常会用一些打印输出来判断当前执行的步骤，或者是使用打印输出来定位算法问题。但是在Linux系统下程序输出其实被分成了正确输出和错误输出，如果只是在屏幕上打印的话，会将两种输出同时打印出来。但是如果要将打印的结果输出到某个文件里面的话，这时候正确输出和错误输出就是需要分开指定了。指定方法例如我们运行这...

技术背景当今众多的基于Python的AI框架(如MindSpore、PyTorch等)给了开发者非常便利的编程的条件，我们可以用Python的简单的语法写代码，然后由框架在后端自动编译成可以在GPU上高效计算的程序。而对于一些定制化比较高的算法，MindSpore也支持了相关的接口，允许开发者自己开发相应的CUDA算子(需要统一接口)，然后编译成.so动态链接库，再用MindSpore内置的函..

技术背景在MindSpore深度学习框架中，我们可以使用mindspore.grad对函数式编程的函数直接计算自动微分，也可以使用mindspore.ops.GradOperation求解Cell类的梯度dout。本文所介绍的mindspore.ops.InsertGradientOf是一个对dout进一步进行处理的算子，类似于在Cell类中自定义一个bprop函数，不改变前向传播输出的结果，..

技术背景这篇文章来源于MindSpore仓库中的一个Issue，简单描述问题就是，如果你用MindSpore开发了一个python软件供别人使用，那么很有可能涉及到编译构建的问题。但是如果直接使用编译好的whl包去运行的话，就有可能出现一个跟Jit即时编译有关的报错，这里Jit在其他的一些模块中也会被使用到，比如Vmap函数和Grad函数等。问题复现我们通过一个简单的测试案例来复现一下这个...