國內(nèi)首個支持千億參數(shù)大模型訓練的AI計算框架MindSpore 1.2正式發(fā)布，無論是動態(tài)圖分布式訓練效率的大幅提升，還是一鍵模型遷移、AI C4魯棒性標準達標、深度分子模擬及量子機器學習等，都能讓AI開發(fā)者盡享AI開發(fā)。
一、效率提升
超大模型自動并行
如何在大集群下高效訓練千億至萬億參數(shù)模型?當前主要面臨兩個挑戰(zhàn)：切分難——用戶需要綜合考慮參數(shù)量、計算量、計算類型、集群帶寬拓撲和樣本數(shù)量等，才能設(shè)計出性能較優(yōu)的并行切分策略;編碼難——模型編碼除了要考慮算法以外，還需要編寫大量并行切分和通信代碼。
MindSpore采用多維度自動并行，通過數(shù)據(jù)并行、模型并行、Pipeline并行、異構(gòu)并行、重復(fù)計算、高效內(nèi)存復(fù)用及拓撲感知調(diào)度，降低通信開銷，實現(xiàn)整體迭代時間最小(計算時間+通信時間)。
大幅提升動態(tài)圖下分布式訓練的效率
在深度學習中，當數(shù)據(jù)集和參數(shù)量的規(guī)模越來越大，訓練所需的時間和硬件資源會隨之增加，最后會變成制約訓練的瓶頸。分布式并行訓練，可以降低對內(nèi)存、計算性能等硬件的需求，是進行訓練的重要優(yōu)化手段。當前MindSpore動態(tài)圖模式已經(jīng)支持數(shù)據(jù)并行，通過對數(shù)據(jù)按batch維度進行切分，將數(shù)據(jù)分配到各個計算單元中進行模型訓練，從而縮短訓練時間。
基于ResNet50 v1.5+ImageNet數(shù)據(jù)集測試，在昇騰計算硬件平臺，MindSpore動態(tài)圖模式分布式的表現(xiàn)，可以達到PyTorch典型分布式場景的1.6倍， 靜態(tài)圖模式分布式的表現(xiàn)也可以達到TensorFlow典型分布式場景的2倍。
PyNative快速入門：
https://www.mindspore.cn/tutorial/training/zh-CN/r1.2/advanced_use/debug_in_pynative_mode.html
數(shù)據(jù)預(yù)處理加速Dvpp
數(shù)據(jù)是機器學習的基礎(chǔ)。在網(wǎng)絡(luò)推理場景中，我們需要針對不同的數(shù)據(jù)進行數(shù)據(jù)的預(yù)處理，從中過濾出核心信息放入我們訓練好的模型中進行推理預(yù)測。在實際應(yīng)用場景中，我們往往需要對大量的原始數(shù)據(jù)進行推理，比如實時的視頻流等。因此，我們在昇騰推理平臺引入了Dvpp模塊，來針對網(wǎng)絡(luò)推理數(shù)據(jù)預(yù)處理流程進行加速。
Dvpp數(shù)據(jù)預(yù)處理模塊提供C++接口，提供圖片的解碼、縮放，中心摳圖、標準化等功能。在Dvpp模塊的設(shè)計中，考慮到整體的易用性，其功能與MindData現(xiàn)有CPU算子有重疊，我們將其API統(tǒng)一，通過推理執(zhí)行接口設(shè)置運行設(shè)備來進行區(qū)分。用戶可以根據(jù)自身硬件設(shè)備環(huán)境來選擇最佳的執(zhí)行算子。
Dvpp數(shù)據(jù)預(yù)處理流程如下圖所示：
我們在一臺昇騰推理服務(wù)器上測試了Dvpp系列算子的性能收益。該服務(wù)器擁有128個主頻為2.6GHz的CPU核心，以及128Gb的內(nèi)存空間。在實驗中，我們選取yoloV3網(wǎng)絡(luò)，同時選取coco2017推理數(shù)據(jù)集40504張圖片進行推理，最終得到模型輸入尺寸為[416, 416]的圖片。
我們分別使用Dvpp算子和CPU算子進行數(shù)據(jù)預(yù)處理，得到如下性能對比：
可以看到Dvpp系列算子相較于CPU算子在處理大量數(shù)據(jù)時性能優(yōu)勢明顯，在本實驗中處理40504張圖片性能FPS提升129%。
查看教程：
https://www.mindspore.cn/tutorial/inference/zh-CN/r1.2/multi_platform_inference_ascend_310_mindir.html#ascend-310
MindSpore for IoT
相較于移動終端設(shè)備，IoT設(shè)備上系統(tǒng)資源有限，對ROM空間占用、運行時內(nèi)存和功耗要求較高，為了使得IoT設(shè)備上也能方便快速的部署AI應(yīng)用，MindSpore Lite此次正式開源了代碼自動生成工具Codegen，旨在將模型編譯為極簡的代碼，用于推理。
Codegen可對接MindSpore Lite的NNACL算子庫和ARM的CMSIS算子庫，支持生成可在X86/ARM64/ARM32A/ARM32M平臺部署的推理代碼。
易上手：用戶輸入ms模型文件，并指定推理執(zhí)行硬件平臺，即可生成與該模型執(zhí)行相關(guān)的代碼、編譯構(gòu)建腳本。
極致優(yōu)化：無圖引擎，模型即代碼，極小ROM占用完成推理。算子數(shù)據(jù)重排、內(nèi)存分配移至離線完成，節(jié)省了初始化時間;同時引入Conv & BN & Pooling融合，Conv分塊計算等技術(shù)，達到極致性能。我們的方案在華為內(nèi)部應(yīng)用廣泛，比如在Huawei Watch GT系列的智慧抬腕亮屏算法中，推理內(nèi)存占用僅1KB，時延低至5ms。
Codegen快速入門：
https://www.mindspore.cn/tutorial/lite/zh-CN/master/quick_start/quick_start_codegen.html
可解釋AI能力
MindSpore在MindInsight部件中集成了的可解釋AI能力：顯著圖可視化、反事實解釋和可解釋AI評估體系(度量體系)，旨在幫忙開發(fā)者更好進行模型調(diào)優(yōu)。
顯著圖可視化和反事實解釋：能夠為圖片分類模型的推理結(jié)果，標識影響分類結(jié)果的關(guān)鍵特征，方便理解分類依據(jù)，幫助分析定位分類錯誤原因，加速模型調(diào)優(yōu)。
這個例子中，有個錯誤預(yù)測標簽“person”，根據(jù)顯著圖可視化結(jié)果，高亮區(qū)域在摩托車的前部，便于針對性的分析誤判的可能原因。
在這個例子中，圖片被錯分為“cat”，使用基于層級遮掩的反事實解釋，發(fā)現(xiàn)對這個分類結(jié)果影響最可能的區(qū)域是右邊遮掩后留下的區(qū)域，便于用戶發(fā)現(xiàn)判斷錯誤的緣由，從而幫助調(diào)優(yōu)。
評估體系：面向各種解釋方法，給出在具體場景下，選中解釋方法在不同度量方法下的解釋效果得分，助力用戶選擇最優(yōu)的解釋方法，從而更好的幫助模型調(diào)優(yōu)。
查看教程：
https://www.mindspore.cn/tutorial/training/zh-CN/r1.1/advanced_use/model_explaination.html
二、創(chuàng)新性
分子模擬庫(SPONGE)——來自社區(qū)分子動力學工作組
MindSpore版的SPONGE是在社區(qū)中的分子動力學工作組(MM WG)中，由北大、深圳灣實驗室高毅勤課題組與華為MindSpore團隊聯(lián)合開發(fā)的分子模擬庫，具有高性能、模塊化等特性。
為何需要開發(fā)SPONGE
分子動力學模擬是用牛頓定律近似來描述微觀原子和分子尺度演化的計算機模擬方法。其既可用于基礎(chǔ)科學研究也可用于工業(yè)實際應(yīng)用。
在基礎(chǔ)科學領(lǐng)域，分子動力學方法有助于科研學者從微觀研究體系的物理化學性質(zhì)。在工業(yè)生產(chǎn)中，其可以利用大規(guī)模計算的能力輔助藥物分子的設(shè)計和蛋白靶點的搜尋[1,2]。由于模擬的時間和空間尺度限制，傳統(tǒng)分子動力學軟件的應(yīng)用范圍受到較大限制?？蒲泄ぷ髡咭苍诓粩嗟拈_發(fā)新的力場模型[3,4]、抽樣方法[5,6]以及嘗試結(jié)合新興的人工智能[7,8]來進一步拓展分子動力學模擬的適用領(lǐng)域。
由此，新一代的分子動力學軟件就需要被提上日程。其應(yīng)該具有模塊化的特性，能夠支持科學家高效的創(chuàng)造和搭建出能夠驗證其理論模型的結(jié)構(gòu)。同時，它還需要兼顧傳統(tǒng)模擬方法的高效性，能夠兼容其在傳統(tǒng)領(lǐng)域上的使用。此外，為實現(xiàn)分子模擬+機器學習的自然融合，其還應(yīng)該擁有嵌入人工智能框架的形態(tài)。SPONGE就是基于這些理念而被創(chuàng)造出的全新的，完全自主的分子模擬軟件。
相比于之前在傳統(tǒng)分子模擬軟件上結(jié)合SITS方法進行生物分子增強抽樣[9]，SPONGE原生支持SITS并對計算流程進行優(yōu)化使得其使用SITS方法模擬生物體系更加高效。針對極化體系，傳統(tǒng)分子模擬采用結(jié)合量化計算等方式來解決電荷浮動等問題[10]。即使采用機器學習降低計算量也會浪費大量時間在程序數(shù)據(jù)傳送的問題上。而SPONGE利用模塊化的特點可支持內(nèi)存上直接與機器學習程序通信大大降低了整體計算時間。
圖1：結(jié)合SITS等方法可進行Na[CpG], Lys生物分子模擬
圖2：機器學習+分子模擬方法可更快更準確地模擬極化體系，圖為[C1MIm]Cl離子液體模擬
MindSpore + SPONGE
基于MindSpore自動并行、圖算融合等特性，SPONGE可高效地完成傳統(tǒng)分子模擬過程。SPONGE利用MindSpore自動微分的特性，可以將神經(jīng)網(wǎng)絡(luò)等AI方法與傳統(tǒng)分子模擬進行結(jié)合。
圖 ：SPONGE模塊化設(shè)計結(jié)構(gòu)圖
隨MindSpore1.2版本開源的SPONGE具備以下優(yōu)勢：
1、全模塊化分子模擬。模塊化構(gòu)建分子模擬算法，易于領(lǐng)域研發(fā)人員進行理論和算法的快速實現(xiàn)，并為外部開發(fā)人員貢獻子模塊提供友好的開源社區(qū)環(huán)境。
2、傳統(tǒng)分子模擬與MindSpore結(jié)合的人工智能算法的全流程實現(xiàn)。在MindSpore中，研發(fā)人員能便利的將AI方法作用于分子模擬中。全算子化的SPONGE將與MindSpore進一步結(jié)合成為新一代端到端可微的分子模擬軟件，實現(xiàn)人工智能與分子模擬的自然融合。
教程文檔：
https://www.mindspore.cn/tutorial/training/zh-CN/r1.2/advanced_use/hpc_sponge.html
MindSpore+SPONGE展望
近期展望：在后續(xù)的版本更新中會陸續(xù)加入已經(jīng)理論驗證好的MetaITS模塊、有限元計算模塊等功能。這些模塊將幫助SPONGE能更好的從事相變和金屬表面相關(guān)的模擬。同時，MindSpore版SPONGE各模塊逐步支持自動微分和自動并行，對于銜接機器學習方案提供更友好的支持。
遠期展望：拓展SPONGE的各種特色模塊，使其能夠描述大部分微觀體系并同時具有較高的計算和采樣效率。對特定工業(yè)需求，如藥物篩選或晶型預(yù)測，將基于SPONGE衍生出完整的流程化計算方案，能夠滿足大規(guī)模并行計算的需求。在MindSpore框架下，SPONGE具有元優(yōu)化功能，從而實現(xiàn)更準確和更快的力場擬合。
量子機器學習(MindQuantum)——來自社區(qū)量子力學工作組
MindQuantum是結(jié)合MindSpore和HiQ開發(fā)的量子機器學習框架，支持多種量子神經(jīng)網(wǎng)絡(luò)的訓練和推理。得益于華為HiQ團隊的量子計算模擬器和MindSpore高性能自動微分能力，MindQuantum能夠高效處理量子機器學習、量子化學模擬和量子優(yōu)化等問題，性能達到業(yè)界TOP1(Benchmark)，為廣大的科研人員、老師和學生提供了快速設(shè)計和驗證量子機器學習算法的高效平臺。
MindQuantum vs TF Quantum/Paddle Quantum性能對比
查看教程：
https://www.mindspore.cn/tutorial/training/zh-CN/r1.2/advanced_use/parameterized_quantum_circuit.html
多跳知識推理問答(TPRR)
TPRR是華為泊松實驗室與華為MindSpore團隊提出的解決開放域多跳問題的通用模型。相比于傳統(tǒng)問答僅需從單個文檔中檢索答案，多跳知識推理問答需要從多個佐證文檔得到最終答案，并返回問題到答案的推理鏈。TPRR基于MindSpore混合精度特性，可以高效地完成多跳問答推理過程。
全路徑建模：TPRR模型在多跳問題推理鏈的每一個環(huán)節(jié)中基于全部推理路徑的條件概率建模，模型以“全局視角”進行知識推理。
動態(tài)樣本選?。篢PRR模型采用動態(tài)樣本的建模方式，通過更強的對比學習提升模型多跳問答的能力。
算法流程圖如下：
TPRR模型在國際權(quán)威的多跳問答榜單HotpotQA評測中榮登榜首，榜單圖如下：
查看教程：
https://www.mindspore.cn/tutorial/inference/zh-CN/r1.2/nlp_tprr.html
三、易用性
一鍵模型遷移(MindConverter)
腳本遷移工具(MindConverter)旨在幫助算法工程師將存量的基于三方框架開發(fā)的模型快速遷移至MindSpore生態(tài)。根據(jù)用戶提供的TensorFlow PB或ONNX模型文件，工具通過對模型的計算圖(Computational Graph)解析，生成一份具備可讀性的MindSpore Python模型定義腳本(.py)以及相應(yīng)的模型權(quán)重(.ckpt)。
一鍵遷移：通過MindConverter CLI命令即可一鍵將模型遷移為MindSpore下模型定義腳本以及相應(yīng)權(quán)重文件，省去模型重訓以及模型定義腳本開發(fā)時間;
100%遷移率：在MindConverter具備跨框架間算子映射的情況下，遷移后腳本可直接用于推理，實現(xiàn)100%遷移率;
支持模型列表：目前工具已支持計算機視覺領(lǐng)域典型模型、自然語言處理BERT預(yù)訓練模型腳本及權(quán)重的遷移，詳細模型列表見 README;
BERT模型定義遷移結(jié)果展示(部分代碼)：
查看教程：
https://www.mindspore.cn/tutorial/training/zh-CN/r1.2/advanced_use/migrate_3rd_scripts_mindconverter.html?highlight=mindconverter
四、可靠性
魯棒性評測工具助力OCR服務(wù)達成首個AI C4魯棒性標準要求
MindSpore魯棒性測試工具MindArmour，基于黑白盒對抗樣本(20+方法)、自然擾動(10+方法)等技術(shù)提供高效的魯棒性評測方案，幫助客戶評估模型的魯棒性性，識別模型脆弱點。
OCR是指利用光學設(shè)備去捕獲圖像并識別文字，減少人工成本，快速提升工作效率;如果攻擊者通過對待識別的文字做出人眼不易察覺的修改，而模型無法對其正確識別或處理，就會導致OCR服務(wù)對文字識別的準確率下降，且使用人員不清楚問題背后的原因。
測評團隊使用MindArmour對OCR服務(wù)的魯棒性進行測評，發(fā)現(xiàn)OCR服務(wù)中部分模型對自然擾動和對抗樣本的防御能力較差，如文本框檢測模型在椒鹽噪聲、PGD、PSO(粒子群)等攻擊算法下準確率小于66%;并以此指導模型開發(fā)團隊通過對抗樣本檢測、數(shù)據(jù)增強訓練等技術(shù)，使得模型對惡意樣本的識別準確率達到95+%，提高了模型及OCR服務(wù)的魯棒性。
AI C4標準鏈接：
https://www.bsi.bund.de/SharedDocs/Downloads/EN/BSI/CloudComputing/AIC4/AI-Cloud-Service-Compliance-Criteria-Catalogue_AIC4.html
申請創(chuàng)業(yè)報道，分享創(chuàng)業(yè)好點子。點擊此處，共同探討創(chuàng)業(yè)新機遇！
