机器之心公布

机器之心杂志社编辑

针对软件工程师而言，有着一款低门坎、易操控的深度神经网络开发设计工具箱，可以说赢在了起跑点！来源于华为公司的全情景 AI 架构昇思 MindSpore 在经历短短的一年多時间的梯度下降法，为技术专业 AI 从业人员给予了这种一个空前的开发设计武器，但是或是有很多非 AI 技术专业的小小白们，必须更为家庭保姆一些的好助手。由昇思 MindSpore 小区运行精英团队开发设计的 MindSpore 开发者高级 API 模块 TinyMS从而应时而生，在 2021 年 3 月 31 日宣布开源系统后，经历好多个版本梯度下降法，今日又给各位提供了一个全新的版本，让越多人可以根据国内开源框架昇思 MindSpore 快速入门 AI。

新项目文本文档详细地址：https://tinyms.readthedocs.io/zh_CN/v0.3.1/

升级版四大特点，数据分析工具还能保证完美？

低门坎有多新手？易实际操作有多简易？光说不做假把式，下边就上实际操作图！

1、简约数据可视化：适用根据 OpenCV 静态图片检验和动态性监控摄像头短视频检验

TinyMS 新版本的交互特点的设计方案初心来自我们与山水风景生态保护核心的项目合作——根据 MindSpore 完成三江源景区红外线相机 AI 外来物种鉴别（点一下文章标题可查询新项目详细信息）。通常，在练习完模型后，大部分模型开发者会选用模型认证专用工具来计算误差，均方误差等指标值呈现模型实际效果，但针对非深度神经网络开发者而言这种指标值并不形象化。大家期待让消费者根据 TinyMS 数据分析工具立即见到模型推理转化成的照片結果。传统式的数据分析工具仍然必须开发者具有一定的深度神经网络开发设计工作经验，例如数据处理方法、搭建互联网、载入模型、实行推理等一系列步骤，假如想形象化见到照片开展推理后的結果，还要把握 OpenCV 的应用，这种流程针对非 AI 开发者客户而言仍较艰难，因而，TinyMS 给予了一键式数据可视化推理专用工具，封装形式了模型搭建等绝大多数关键技术，客户仅需好多个简便的流程就可以完成 OpenCV 静态图片检验和动态性监控摄像头短视频检验，下边展现怎么使用静态数据图像开展检验的数据可视化推理結果。

import cv2from tinyms.app.object_detection.utils.config_util import load_and_parse_configfrom tinyms.app.object_detection.object_detector import ObjectDetector, object_detection_predictfrom tinyms.app.object_detection.utils.view_util import visualize_boxes_on_image# 1.载入和分析模型配备JSON文档config_path = '**/tinyms/app/object_detection/configs/tinyms/0.3/ssd300_shanshui.json'config = load_and_parse_config(config_path=config_path)# 2.建立ObjectDetector类的案例detector = ObjectDetector(config=config)# 3.应用OpenCV载入静态数据图像img_path = ('./pic/test.jpeg)image_np = cv2.imread(img_path)input = image_np.copy()# 4.对图像开展检验detection_bbox_data = object_detection_predict(input, detector, is_training=False)# 5.读取OpenCV库为图像画检验框并表明检验图像检测设计效果图detection_image_np = visualize_boxes_on_image(image_np, detection_bbox_data, box_color=(0, 255, 0), box_thickness=3, text_font=cv2.FONT_HERSHEY_PLAIN,font_scale=2, text_color=(0, 0, 255), font_size=3, show_scores=True)cv2.imshow('object detection image', cv2.resize(detection_image_np, (600, 1000)))cv2.waitKey(0)

图 1 静态图片检验展现

2、WEB 端布署：适用容器化迅速布署数据可视化推理，不用 coding 就可以在 web 页面轻轻松松感受

对于新手客户，TinyMS 还带来了 WEB UI 新项目容器化迅速布署，客户不用 coding 就可以在 web 页面轻轻松松感受图像鉴别，在电脑浏览器网页页面提交待推理的照片就可以回到模型推理結果，现阶段适用 LeNet5 数字识别、CycleGan 风格迁移和 SSD300 目标检测等多种多样 AI 每日任务。

图 2 Web 端数据可视化推理結果展现

3、丰富多彩模型库：流行高级模型均为开发者奉献、遮盖 CV、NLP 和强烈推荐行业

TinyMS 开源系统迄今接到十分多开发者的毫无疑问，吸引住了许多开发者自发性奉献模型，特别是在在2022年第七届互联网技术 在校大学生创新创业大赛中华南理工的队伍挑选 了TinyMS 赛题得到特等奖。在刚完成的 MindCon 第三届照亮 SIG 的开发者主题活动中，开发者积极主动奉献了 DeepFM 模型，现阶段 TinyMS 一共适用11 个流行模型，0.1 版本公布后，开发者奉献了6 个模型，包含 DeepFM, AlexNet, DenseNet100, VGG16, SentimentNet, Bert 等好几个流行模型，遮盖 CV、NLP、强烈推荐行业，热烈欢迎越来越多的开发者添加 TinyMS 开源软件中，变成 contributor 作出贡献！

4、多网站适用：根据 MindSpore1.6.0 新版本，适用在 Win、Mac OS、Ubuntu、Linux 等多网站运作与布署

破译无人驾驶汽车智能化系统关键每日任务，开发者是怎样借助昇思绿色生态保证的？

在 2021 年举行的第七届中国全球 “ 互联网技术 ” 在校大学生创新创业大赛中，由华南理工陈天一同学们领着的城联智图新项目精英团队，在全国各地 1024 所高等院校的 10466 支团队中出类拔萃，夺得产业链跑道的特等奖。得奖赛题就是根据 MindSpore 高级 API 模块 TinyMS 完成城市风格迁移模型。陈天一领着的”城联智图“精英团队对风格迁移行业的經典模型 CycleGAN 硬改后，将一个城市的图像城市街景转换为另一个城市的图像城市街景，为无人驾驶汽车图像数据获取给予有效途径，破译了无人驾驶汽车智能化系统的主要每日任务。因此 TinyMS 关键精英团队特意对这些人做好了访谈，一起来看看这些人是怎么做好的吧！

得奖者：

陈天一：华南理工电子信息科学与工程学校，城联智图团队责任人。

郑咏佳：华南理工工商管理学院，城联智图团队关键技术工程师。

无人驾驶汽车数据难获得？“城智互连”来解决

咏佳：无人驾驶汽车它有一个关键的问题是它一定要现场去收集许多照片，而且难以收集到大家一些常常产生到的路面异常现象。大家恰好看到了 MindSpore 开源系统了，而且配套设施的 TinyMS 专用工具也做好了开源系统。因此进行了 “城联智图” 新项目，可以无需开展现场收集，便可以同时转化成很很多的数据信息；而且可以立即转化成很多的出现异常路面城市街景。

这一新项目有两个核心创新点，第一点便是人们的城市图像变换技术性，根据先产品研发一个深层互联网，而且大家创新了一个曲面室内空间管束模型，添加到咱们的互联网当中，确保大家图像品质的与此同时，立即转化成很多的城市城市街景。第二个是城市图像转化成技术性，这一项技术主要是对于大家的出现异常道路情况来实现收集。根据此项技术性，内部结构包括了大家的卷积神经网络，也有生成对抗网络，可以同时转化成很多的出现异常路面城市街景，随后解决了这一无人驾驶汽车的关键挑戰。

TinyMS 初尝？无疼入门很好用

天一：我平时的科学研究研究内容是图像转化成及其图像转移。在我看见这一赛题以后，特别感兴趣，就把它發展成一个创新创业大赛新项目。喊了一群共同爱好的朋友一起来做这一新项目。这一新项目在源代码上，是根据 MindSpore CycleGAN 的开发者高级 API 模型。我们在对这一源代码开展入门，发觉这一编码入门比较简单，而且在模型的练习及其模型的迭代更新中，大家也看到了 MindSpore 一些独特的特点。例如动静态数据图更替升级互联网，大家运用这一特点来发展趋势我们自己的一些特有的方式，例如曲面室内空间管束或是一些词义通信规约，大家把它运用到 MindSpore 高级 API 模型上，最后获得一个与众不同的 CycleGAN 互联网模型，最后进步成大家目前的方式，用于处理大家的关键新项目挑戰。

难题困扰如何解决？开源项目协助你

天一：碰到的关键艰难，便是互联网升级的主要参数该怎么办？我们在观查互联网主要参数以后，大家发觉里边一些实际主要参数，大家不清楚其含意是啥。后边大家通过一个 MindSpore CycleGAN 的高级 API 模型源代码的解包和拆包，最后构建它的一个互联网升级编码，如今早已将这一编码开源系统至 MindSpore 小区。解决了此项问题以后，也对咱们全部工程项目的第一步拥有非常大的促进功效，也是大家如今现在碰到的最高的问题。

最终，陈天一说，得奖仅仅逐渐，下面期待把新项目成效进一步完善，并落地式运用到更多的行业。这一新项目不但用在无人驾驶汽车上，在未来还能够再次对于智能机器人交警队、智能医疗，及其测绘工程这些有关领域上运用。除此之外。精英团队现阶段有 4~5 位博士研究生，3~4 位硕士研究生，都是会一起奉献 MindSpore 绿色生态。此外，大家也会在中后期慢慢发布一些毕业论文，及其别的服务平台，例如2022年的 ICCV 或是上年的 CVPR，大家都是会将一些源代码，开展混合开发的开拓和拓宽、移殖到 MindSpore 和 TinyMS 的网络平台上。

注：开源系统文本文档详细地址：

https://tinyms.readthedocs.io/en/latest/tutorials/ipynb/TinyMS_CycleGAN_tutorial.html

昇思版本迅速更新也可以维持 API 后向兼容? 没什么问题！

昇思 MindSpore 从开源系统至今，尽管处在快速迭代中，但小区秉持业内出色开源软件的传统式，在 API 后向兼容模式上，引进了一系列体制，保证关键 API 的可靠性，让客户用的更放心、更安心。一些单核心的 API 插口由于业务场景要求，会依照 API 管理方法标准开展调节。因为 TinyMS 相对高度承继和拓展了 MindSpore 原生态 API（如下图），非常好地认证 MindSpore 每一个版本的插口兼容模式，开发者可以迅速客观性的获知版本梯度下降法的便捷性信息内容。

图 3 MindSpore 和 TinyMS 关键架构图

举一个简便的事例：在 TinyMS 新版本中，因为 MindSpore 主线任务版本将 lstm 插口控制模块，升级到了新的 rnns 控制模块和 rnn_cells 模块中，而且根据插口升级标准，所更新的模块同属一个父目录模块 layer，因此需要我们修改的代码量非常小（可以看 TinyMS 官方仓 126 号 pr），说明 MindSpore 的接口目前大体算是比较稳定的。

其次，在 TinyMS 从 0.2.0 到 0.3.0 的版本演进中，我们之所以可以快速实现对 MindSpore 从 1.2 版本连升四个版本到对主线的支持，正是因为 MindSpore 核心 API 保持足够的稳定和兼容性。

保姆级教程持续更新，一分钟即可上手体验

过年期间，TinyMS 保姆级教学视频还会持续更新，依然由我们集美貌与才华于一身的 Charlotte 老师（TinyMS 项目负责人）亲自操刀，大家前往 B 站搜索【MindSpore 官方】即可观看教程，或直接戳下方图片进入，为了下次不迷路，可以直接关注我们哦~

图 4 TinyMS 保姆级教程

虎虎生风，昇思新版本值得期待

在虎年春节前后，昇思 MindSpore 社区会陆续发布一系列全新特性，值得所有开发者的期待！这些特性不仅包括高性能可扩展的强化学习计算能力、更好的支持第三方框架模型迁移的工具、还有能让用户即时体验的开发套件、升级的自定义算子功能、更丰富且易上手的的量子模块，持续提升框架的训练与推理性能等等。欢迎更多对 AI 框架前沿发展感兴趣的开发者，关注昇思 MindSpore 社区的码云代码仓库、公众号、官网等渠道，掌握最新信息。

而作为昇思 MindSpore 入门级开发者最佳伙伴的 TinyMS，也会通过 0.3 版本后一系列的小版本更新，依靠昇思 MindSpore 核心 API 的极佳稳定性，及时的将昇思 MindSpore 的最新特性支持起来，更好的服务广大初学及非 AI 专业的有志开发者！

快来加入我们吧！

MindSpore 官方资料

GitHub : https://github.com/mindspore-ai/mindspore

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