摘要：使用MindSpore推理DeepSeek模型时出现文本质量骤降问题。经排查权重转换、精度对齐等常见因素后仍无改善。关键原因可能包括：RoPE位置编码实现差异、QKV权重转置错误、RMSNorm计算不一致、注意力掩码逻辑偏差、权重精度损失、KVCache切片错误等。这些不报错的隐性实现差异会导致模型语义理解失效和生成异常，建议重点检查位置编码、归一化层和注意力机制等核心组件的实现一致性。（1

MindIE（Mind Inference Engine，推理引擎）是华为昇腾针对AI全场景业务的推理加速套件。MindSpore是一种适用于端边云场景的新型开源深度学习训练/推理框架。从字面理解，MindIE 和 MindSpore 都能做推理，区别在哪？MindIE 未开源，MindSpore 已开源，原因是啥？这两个最终会不会统一？

问题描述我参考了想要用MindSpore也实现语音识别，根据脚本迁移了网络。网络最后是调通了，但是Loss不收敛，训练得到的模型推理结果比预期长了一段。请问有专家可以帮忙看看问题出在哪里吗？附加一些说明，也许可以更好解决我遇到的问题ModelArts上，是用两个网络组合完成语音识别的任务的首先构造了数据集get_data，可以把读取音频文件和标注的文本。思路是先得到声音的时域信息，就是像如下的波形

MindYOLO使用自定义coco2017数据集训练错误 配置ubuntu系统、CUDA11.6、MindSpore 2.2.14、MindYOLO 0.3.0。训练指令错误日志。

1、在训练了很多个batch之后，提取出来的特征(经过了4层卷积层和全连接层)出现了很大很大的值，之后几个batch后出现NAN，而在没有经过全连接层的时候，特征数字还是正常的。# set diagonal as zero and normalize 原论文是l1归一化。1采用warmup调整一下学习率，最大学习率设置为0.01；3检查最后是否进行归一处理，估计可能取值范围不在0-1之间。2采用梯

运行： docker run -it -v /dev/shm:/dev/shm --runtime=nvidia --privileged=true swr.cn-south-1.myhuaweicloud.com/mindspore/mindspore-gpu:1.3.0 /bin/bash。使用docker安装mindspore1.3还需要限制cuda版本？1.3只提供了cuda11.1版本，

参照按安装指南：https://www.mindspore.cn/install/基础环境：CUDA 11.6具体如图：执行测试过程中一直报错，请问这是哪里的问题呢？或者还需要配置其它什么东西？

原文：相关内容参考：docker 容器内安装 nccl后，测试是否安装成功：使用NVIDIA公司官方提供的测试工具：下载后，进行编译： make默认，cuda的安装位置：/usr/local/cuda默认，nccl的安装位置：/usr如果cuda和nccl的安装位置不是默认的，而是手动选择其他地方的，那么需要在make的时候配置路径：CUDA_HOME 为 cuda的安装路径。NCCL_HOME

在UBUNTU22.04上新建了一个16G的交换分区来作为备用内存，之后再跑代码就不会崩了，同时我监控了CPU的使用情况，确实跑满了16G内存又跑了8G交换分区，可见确实是内存不够导致出现退出的情况，目前代码运行已无问题。1、正确配置显卡驱动和安装cuda，自己写了个一个用GPU训练的测试程序，没有问题。2、运行我自己写得网络的时候，数据处理部分没有问题，到训练那一步的时候。用pycharm的时候

***************************************************解答*****************************************************从你的截图里只知道你在第三张卡（rank2）上的程序被killed了，signal 9 是linux scheduler杀死进程而非进程自己退出（用2GPU可以跑，但是4GPU或8GPU会