说在前面
曾经接触过华为的910B服务级显卡,当时基于910B做了一些开发的工作,但是总感觉做的事情太低层,想要能自顶向下的了解下,因此开始了MindSpore的学习。另外也想给予提供的显卡,简单尝试下llm模型的训练,不知道提供的显卡能否支持llm模型训练。
1. QuickStart
介绍了云开发环境的使用方法,以及昇思全家桶。
通过这张图看,我比较感兴趣AI Compiler部分,不过在入门阶段还没有介绍,希望可以通过后续的学习过程中,能了解一些。
接下来用两个推理的小例子,开发下兴趣:
- 使用 vit 进行图像分类
应该是有预训练的模型,这里直接通过封装好的脚本,进行简单的测试:
跑了vit模型的推理过程,能够将雏菊🌼识别成雏菊。 - 使用 BERT 进行中文命名实体识别
通过一个预训练模型,可以识别命名实体。
输入是:小明作为开发人员去北京参加华为开发者大会。
输出是:
[[{'entity_group': 'position','start': 4,'end': 6,'score': 0.72418,'word': '开发人'}, {'entity_group': 'address','start': 9,'end': 10,'score': 0.9383,'word': '北京'}, {'entity_group': 'company','start': 13,'end': 14,'score': 0.5476,'word': '华为'}]
]
可以看出来,Bert识别出了三个词,还算可以吧。在执行的时候是下载的模型,感觉可以直接可以将常用模型都打到镜像中,减少网络消耗。
接下来是一个训练的小例子:
- 经典的手写体识别:
可能是便于入门,这里很多模型封装的都比较简单。几乎点点按钮就可以了,手写体识别的模型名称叫做:lenet
,执行了训练的动作,在cpu上训练还是花了几分钟的,过程中的日志信息:
loss是在逐渐降低的。
最终的识别结果也是符合预期,只能说,lenet是真的开创性的,不过我还是想要叫做AlexNet
打卡
最后在执行一边,并且打卡。
今天的学习就到这里,整体体验很顺畅,希望接下来每天可以保持,或者一天可以打多个卡。