飞桨(PaddlePaddle)是一个开源深度学习框架,支持单机与分布式高性能训练及跨平台部署。
mindspore-ai/mindspore
MindSpore 是一个开源深度学习训练与推理框架,适用于移动端、边缘和云端场景,原生支持华为昇腾 AI 处理器。
- Star
- 4,719
- Fork
- 746
- 未关闭 Issue
- 253
- 最近提交
- 11天前
这是什么?
MindSpore 是一个深度学习框架,用于在移动端、边缘和云端环境中训练和运行神经网络。它面向数据科学家和算法工程师,既提供基于 Python 的友好开发体验,也注重高效执行,并强调软硬件协同优化。
框架采用基于源码变换(Source Transformation)的自动微分,将程序编译为静态图,支持自动控制流、高阶函数和闭包的求导。其自动并行功能结合数据并行、模型并行和混合并行,可自动选择代价最低的切分策略完成分布式训练,无需手动切分。
安装方式包括 pip 和源码编译,支持 CPU、CUDA 10.1 的 NVIDIA GPU 以及华为昇腾硬件,操作系统涵盖 Ubuntu、CentOS、EulerOS 和 Windows(CPU)。同时提供 CPU 和 GPU 后端的 Docker 镜像。
核心功能
- 01基于源码变换的自动微分,支持控制流和高阶函数求导。
- 02自动并行,结合数据并行、模型并行和混合并行进行分布式训练。
- 03静态图编译以优化性能,同时保持 Python 风格的编程接口。
- 04原生支持华为昇腾 AI 处理器,并支持 CPU 和 CUDA GPU 后端。
- 05支持 pip 安装、源码编译以及 Docker 镜像部署。
适用场景
- 在华为昇腾硬件上训练深度学习模型。
- 需要自动模型并行或数据并行的分布式训练任务。
- 将训练好的神经网络部署到移动端、边缘或云端。
- 使用 Python 开发 AI 模型,并借助静态图编译提升执行效率。
快速上手
- 1
使用 pip 安装 MindSpore CPU 版本(README 中的 wheel)
pip install https://ms-release.obs.cn-north-4.myhuaweicloud.com/1.2.0-rc1/MindSpore/cpu/ubuntu_x86/mindspore-1.2.0rc1-cp37-cp37m-linux_x86_64.whl - 2
在 Python 中运行 README 中的 Mul 示例进行验证
使用前须知
- README 中的 pip 示例安装的是较旧的 1.2.0rc1 版本(Python 3.7,Ubuntu x86),较新环境需参考当前安装指南。
- 原生支持和大部分文档化的构建主要面向华为昇腾(Ascend)硬件,GPU 版本仅列出了 CUDA 10.1。
标签
常见问题
- mindspore 是什么?
- MindSpore 是一个开源深度学习训练与推理框架,适用于移动端、边缘和云端场景,原生支持华为昇腾 AI 处理器。 MindSpore 是一个深度学习框架,用于在移动端、边缘和云端环境中训练和运行神经网络。它面向数据科学家和算法工程师,既提供基于 Python 的友好开发体验,也注重高效执行,并强调软硬件协同优化。
- mindspore 可以免费使用吗?用的什么许可证?
- mindspore 以 Apache-2.0 许可证开源。用于商业产品前,请先确认许可证条款。
- mindspore 还在维护吗?
- 活跃维护中。mindspore 最近一次提交是在 2026年10月28日。
- mindspore 适合用来做什么?
- 在华为昇腾硬件上训练深度学习模型。 需要自动模型并行或数据并行的分布式训练任务。 将训练好的神经网络部署到移动端、边缘或云端。 使用 Python 开发 AI 模型,并借助静态图编译提升执行效率。
- mindspore 怎么安装和运行?
- 使用 pip 安装 MindSpore CPU 版本(README 中的 wheel): pip install https://ms-release.obs.cn-north-4.myhuaweicloud.com/1.2.0-rc1/MindSpore/cpu/ubuntu_x86/mindspore-1.2.0rc1-cp37-cp37m-linux_x86_64.whl 在 Python 中运行 README 中的 Mul 示例进行验证
- 在哪里获取 mindspore?
- 源代码和安装说明在 GitHub 上:https://github.com/mindspore-ai/mindspore
概要由 AI 根据项目 README 生成;GitHub 数据每日更新。
相关项目
用 Nim 编写的高性能 N 维张量库,支持 CPU、CUDA 和 OpenCL,面向数值计算与深度学习。
基于 Python 的深度学习框架,提供 GPU 加速的张量计算和基于自动求导的动态神经网络。
一个极简的深度学习框架,提供类 PyTorch 的 Tensor API、自动求导、编译器,并支持多种加速器后端。
一个用 Rust 编写的张量库与深度学习框架,支持训练和推理,可运行在多种 GPU 与 CPU 后端上。
面向 Go 语言的机器学习与数学框架,支持 XLA 加速训练、纯 Go 后端和 HuggingFace 模型加载。