自己有数据集，但是标注文件是.txt,并且标注方式与官方提供的方法也不一样，请问应该如何处理呢？

看到ModelArts上有Ascned 910芯片，据华为官方宣传，运算能力是v100的两倍左右，自己选该规格跑了一下训练代码，总是报错，没有跑起来，代码是Pytorch 1.0的，请问怎样才能用Ascend 910把训练作业跑起来？

【功能模块】 使用modelArts在Ascend910上训练electra模型是，在进行token mask的时候Multinomial算子输出数据类型错误。【操作步骤&问题现象】[ERROR] GE(169,python):2020-10-05-11:57:41.578.201 [ops/built-in/op_proto/util/util.cpp:97][OP_PROTO] CheckTwoInputDtypeSame:97 OpName:[mul_2] "The mul_2 op dtype is not same, type1:3, type2:9"[ERROR] GE(169,python):2020-10-05-11:57:41.578.326 [common/graph/./shape_refiner.cc:339]787 InferShapeAndType: ErrorNo: -1(failed) Verifying mul_2 failed.查看算子具体参数tf.compat.v1.multinomial(logits, num_samples, seed=None, name=None, output_dtype=None)即使在算子中定义数据类型，但是依然存在infershape报错问题:masked_lm_positions = tf.random.categorical(sample_logits, N, dtype=tf.int32)【日志信息】

一、前言学习MindSpore有段时间了，说说我的使用心得吧。我是从一个AI小白开始学习深度学习，步入AI领域的，在接触到MindSpore之前，有听说TF、Pytorch等深度学习框架，但是没有去学习，所以MindSpore可以算是我AI领域的敲门砖吧。MindSpore的安装十分简单，根据官网安装指导即可安装成功。十分流畅，在此便不赘述。二、分享分享一下使用MindSpore1.0训练LeNet网络吧：LeNet5 + MNIST被誉为深度学习领域的“Hello world”。主要介绍使用MindSpore在MNIST手写数字数据集上开发和训练一个LeNet5模型，并验证模型精度。数据集准备MNIST是一个手写数字数据集，训练集包含60000张手写数字，测试集包含10000张手写数字，共10类。MNIST数据集的官网：THE MNIST DATABASE。从官网下载数据集并解压到本地文件夹中。文件结构如下所示。MNIST ├── test │   ├── t10k-images-idx3-ubyte │   └── t10k-labels-idx1-ubyte └── train     └── train-images-idx3-ubyte     └── train-labels-idx1-ubyte导入MindSpore模块设置MindSpore上下文，如执行模式、设备等。数据处理在使用数据集训练网络前，首先需要对数据进行预处理。图片可视化对其中几张图片进行可视化，可以看到图片中的手写数字，MindSpore1.0的新特性，images和labels是tensor，需要加上asnumpy()方法。定义网络模型训练实例化网络，定义损失函数、优化器等等。MindSpore1.0的nn.loss.SoftmaxCrossEntropyWithLogits删除了is_grad参数。训练结果可以看出 ，loss值在0.07左右，精度达到了97.6%三、心得体会刚学MindSpore的时候，有许多不懂的地方，便在官网教程学习，试着跑样例代码，渐渐掌握了一些知识，其中让我觉得MindSpore的优点首先能在训练的同时进行精度验证并保存相应的模型；而且只要定义回调函数Callback便可实现，十分便捷；其次是MindSpore支持的动态图模式和静态图模式一行代码即可切换；最后是能够使用混合精度进行训练，速度提升了而且还能保持单精度训练所能达到的网络精度。虽然优点众多，但是也有缺点，虽然MindSpore在Ascend上的支持度很高，但是在CPU/GPU上面还有点欠缺，希望能开发MindSpore在Ascend上的支持度很高，但是在CPU/GPU上面还有点欠缺，希望能够完善在CPU/GPU上面所支持的算子等等。MindSpore框架有助于我理解深度学习，从数据的转换、封装到卷积层、池化层和全网络的设计，从训练、测试到推理，实操一遍后，让我对深度学习有了更深层次的认知，还加大了我对LeNet、Resnet50、AlexNet等网络的下去，对算法模型和调参有了更大的兴趣，一遍遍的训练模型以达到最好的训练精度。安装环境硬件环境：CPU内存：8G软件环境：操作系统：Windows10Python：Python 3.7.5个人邮箱：znj254423959@163.com

如果你使用预置算法训练的一个模型精度不高，可以尝试以下哪些方法来再次训练，提高模型精度？

训练时候有损失函数或者准确率能够评估模型训练的好坏  但是达到什么样的标准能够达到上线使用，从哪些维度进行评估？

你好，我在modelArt上使用Ascend 910进行模型训练时遇到报错，日志见附件，主要错误看起来应该是这个：terminate called after throwing an instance of 'std::bad_array_new_length'    what():  std::bad_array_new_length看起来好像是在创建新的动态数组时数组长度无效，但是不知道具体是在什么计算过程中报错，能麻烦你们看下吗，谢谢！

Modelarts的自动学习的过程中，为什么就选择自动学习就可以进行模型训练了呢？我们能最后知道它是用了什么算法吗?能否也让这个自动学习的过程中可视化的呢？或者说有过程日志让我们看一下。或者有一些比较详细的训练结果报告给我们的呢？让我们可以知道自动学习过程中是如何的一个过程？然后是选择了那个算法来处理这个事情，让黑盒子也曝光一下下给我们看看的呢？

Modelarts中的图形分类只能用ResNet50这个算法去训练吗？还可以用其他的算法去做图形分类的吗？

modelarts的的训练好的模型能否支持导出模型的呢？然后做AI的私有化部署。就是我有一些场景上，比如以下国企等一些比较特别的环境，可能是需要部署一些机器人到比如地铁、或者一些枢纽交通要点，这样，如果模型和数据在公有云上是比较难于让领导接受的。能否训练好的模型我部署在私有云上呢？或者我就把模型直接部署到我场地的一个机器人上面去呢？

【功能模块】用mindspore0.5训练 【操作步骤&问题现象】1、背景：想在mindspore0.5上（单机单卡）训练自定义的模型，已经将模型封装在class(nn.Cell)下（模型结构比较复杂）2、问题：现在每次实例化模型用时很长，大概要20-30分钟（没有load weights）（不论是PYNATIVE_MODE还是GRAPH_MODE）请问是什么原因呢？

怎么持续保证训练数据的质量 来增强模型产品的鲁棒性

问：排除数据质量问题，假设数据集有100种花卉，没种100张数据，增加训练轮数可以提高模型精度，那么怎么确定合适的轮数来提高精度，是越大越好吗？

【功能模块】Jupyter Notebook【操作步骤&问题现象】1、我自己手写了一个神经网络代码，就是简单的随机梯度下降和反向传播实现的，没有用框架，数据集是 mnist ， 三层网络，784*80*10的2、本地跑代码大概10s训练一轮，电脑是i56200U，主频2.3G，内存4G3、在华为云创建了NoteBook的开发环境，配置选的CPU版本，选的最好的那一档，8核32G，3.4/h那个4、本地代码直接复制到开发环境，运行之5、云端大概8s训练一轮为什么云端这么好的资源，但是运行速度只比我的笔记本快了一点点？？【截图信息】【日志信息】（可选，上传日志内容或者附件）