新版本v0.5.0-beta解读

大家好，每月一次的版本解读又和大家见面。经过一个月的开发，MindSpore发布了v0.5.0-beta版本（后简称0.5版本）。细心的小伙伴是否已经发现版本名称后缀由alpha变成beta了，看来MindSpore框架经过了一段时间的打磨，成熟度及完成度上升了一个小台阶。那么MindSpore在打怪升级之路上的新小小里程碑上又刻有哪些值得关注的TOP特性呢？让我们一睹为快吧。

按照惯例，先上1分钟宣传视频，大家能看出出现了哪些特性么？

TOP特性：图算融合

使用图算融合技术定义算子是种什么体验？

图算融合，作为近期的热门，将算子与图层的表达进行统一，提供一种了简洁而统一的表达能力，作为算子的一种新的表达方式、融合方法、编译流程，让人有种通过Python写网络一样体验，让定义算子这种让人秃头的工作也变得生动鲜活起来。

在中间表达中，它用基础原语组成的子图来表达算子的内部计算逻辑，打破了原有算子和图层之间的信息边界。利用统一的表达能力，图算融合实现一种更通用的更细粒度的算子融合能力，通过分析和优化现有网络计算图逻辑，对原有计算逻辑进行拆分、重组、融合，在中间表达中自动形成融合子图。

在后端，这些融合子图会由AKG（Auto Kernel Generator）自动生成高性能的融合算子，且基于polyhedral实现了Auto schedule，从而实现网络整体执行时间的端到端深度优化。打开开关即可获得性能收益，例如在BERT中通过打开图算的使能开关可以获得14.8%的图算融合收益。

如果没看懂原理，没有关系，进入教程传送门，用起来：https://www.mindspore.cn/tutorial/zh-CN/master/advanced_use/graph_kernel_fusion.html。

TOP特性：量化训练

越来越多的应用选择在移动设备或者边缘设备上使用深度学习技术，希望给用户提供更加智能、人性化的服务。但是这些设备往往受到内存、性能、磁盘空间大小的因素，限制了一些网络的使用范围。这时候，量化技术无疑是解决这方面问题的利器，它能在不明显降低精度的情况下，把模型尺寸减低为原来的25%~40%，同时能减少模型内存占用，加快模型推理速度，降低功耗等。

0.5版本，MindSpore也上线了量化训练部分，用户可以使用MindSpore进行量化训练。官方也在Model Zoo中提供了部分已经实现好的量化脚本。不过端侧量化推理部分还未正式上线，感兴趣的同学可以移步MindSpore gitee上的社区，点一个watch，就可以获取社区最新的开发进度。

Gitee社区：
https://gitee.com/mindspore/mindspore。

教程链接：
https://www.mindspore.cn/tutorial/zh-CN/r0.5/advanced_use/aware_quantization.html。

TOP特性：混合异构

MindSpore 0.5版本上线了混合异构特性，即支持网络中部分算子跑在Host端，部分算子跑在Device端。在一些网络执行过程中需要用到大量的内存，而Device内存无法满足训练要求，有了Host/Device异构执行，我们可以将操作大数据的算子设置在Host执行，从而解决网络无法在纯Device端训练的问题。

典型的，如Wide&Deep网络，当Embedding Table大到无法装入Device内存时，我们可以将操作EmbeddingTable的Lookup算子及优化器放到Host端执行以满足wide&deep大规模权重训练的要求。

教程链接：
https://www.mindspore.cn/tutorial/zh-CN/master/advanced_use/host_device_training.html。

TOP特性：图神经网络

近两年，图神经网络的研究成为一个热门方向，在社交网络、知识图谱、推荐系统，生命科学等领域有广泛的应用场景；MindSpore新版本可支持图神经网络的训练，最典型的GCN和GAT网络在Cora和Citeseer数据集上做混合精度训练，平均精度如下。

	Cora	Citeseer
GCN	81.5%	71.5%
GAT	83.0%	72.5%

GAT：https://gitee.com/mindspore/mindspore/tree/r0.5/model_zoo/gat。

GCN：https://gitee.com/mindspore/mindspore/tree/r0.5/model_zoo/gcn。

TOP特性：可视化性能分析工具

MindSpore可视化组件（MindInsight）又更新了新的系统化的性能分析工具——Profiler，大家能够使用它来帮助理解、分析、调试并优化神经网络的性能。使用Profiler可以：

• 方便地在训练脚本中启动、停止Profiler功能，收集性能分析数据；
• 查看训练的迭代轨迹（指step间隔、前向/反向计算、AllReduce等各阶段时间占比）统计信息，快速定位性能瓶颈所在的阶段；
• 分析神经网络中算子的执行性能，包括单算子性能分析和算子类型性能分析；
• 分析训练数据准备(MindData)阶段的性能，定位数据算子的瓶颈所在；
• 查看训练timeline，分析stream/task在Ascend芯片上的执行序列和执行时间。

教程链接：
https://www.mindspore.cn/tutorial/zh-CN/master/advanced_use/performance_profiling.html。

总结

上面就是MindSpore 0.5版本的TOP新特性了，还是诚意满满。完整的版本更新信息，欢迎查阅RELEASE文档。

顺带提一句，我们上线了资源页面，把近期的学习资料都罗列了一遍，方便大家查询获取，欢迎大家移步获取食用。那么，我们下个月再见。

RELEASE文档：
https://gitee.com/mindspore/mindspore/blob/r0.5/RELEASE.md。

官网资源页面：
https://www.mindspore.cn/resources/。