【活动总结】2024 年 11月 1日-2024年11月15日，华为开发者布道师、桂林电子科技大学李明辉同学在线下组织了围绕mindspore框架和昇腾边缘设备的两次布道活动，本次参与活动的同学来自数学与计算机科学学院与人工智能学院共两百余名学生。活动开始，李明辉同学以通俗易懂的语言为大家详细介绍了MindSpore框架的优势。他强调，MindSpore作为一款面向AI应用的全场景深度学习框架，具有易用、高效、安全等特点，为广大开发者提供了极大的便利。在场的大一同学们纷纷表示对MindSpore框架产生了浓厚兴趣。针对大一新生，李明辉同学贴心地为他们规划了学习昇思框架的路线，并手把手教会了同学们如何利用ATC（Ascend Tensor Compiler）转换自己的模型。这一环节让在场的同学们对人工智能技术的实际应用有了更深刻的认识。NPU案例分享在NPU案例分享环节，李明辉同学向大家展示了魔乐社区的体验空间，并详细讲解了如何离线部署属于自己的模型。这一环节让同学们感受到了人工智能技术的魅力，也为他们今后的学术研究和项目实践奠定了基础。案例分享紧接着，李明辉同学为本科生们介绍了华为云最新云主机，让同学们亲身体验到了云开发的便捷与高效。他通过实际操作演示，让同学们对华为云的技术实力有了更直观的了解。活动照片1活动照片2活动照片3此次活动的成功举办，不仅提高了同学们对人工智能技术的认识，还为他们提供了一个交流学习的平台。相信在未来的学习和实践中，同学们将不断探索，为我国人工智能领域的发展贡献自己的力量。

【活动总结】2024 年 11月 1日-2024年11月10日，华为开发者布道师、桂林电子科技大学李明辉同学在线下组织了围绕mindspore框架和昇腾边缘设备的两次布道活动，本次参与活动的同学来自数学与计算机科学学院与人工智能学院共两百余名学生。活动开始，李明辉同学以通俗易懂的语言为大家详细介绍了MindSpore框架的优势。他强调，MindSpore作为一款面向AI应用的全场景深度学习框架，具有易用、高效、安全等特点，为广大开发者提供了极大的便利。在场的大一同学们纷纷表示对MindSpore框架产生了浓厚兴趣。针对大一新生，李明辉同学贴心地为他们规划了学习昇思框架的路线，并手把手教会了同学们如何利用ATC（Ascend Tensor Compiler）转换自己的模型。这一环节让在场的同学们对人工智能技术的实际应用有了更深刻的认识。NPU案例分享在NPU案例分享环节，李明辉同学向大家展示了魔乐社区的体验空间，并详细讲解了如何离线部署属于自己的模型。这一环节让同学们感受到了人工智能技术的魅力，也为他们今后的学术研究和项目实践奠定了基础。案例分享紧接着，李明辉同学为本科生们介绍了华为云最新云主机，让同学们亲身体验到了云开发的便捷与高效。他通过实际操作演示，让同学们对华为云的技术实力有了更直观的了解。活动照片1活动照片2活动照片3此次活动的成功举办，不仅提高了同学们对人工智能技术的认识，还为他们提供了一个交流学习的平台。相信在未来的学习和实践中，同学们将不断探索，为我国人工智能领域的发展贡献自己的力量。

活动信息【活动主题】：昇思MindSpore：AI 领域的创新力量与跨平台之路【报名链接】：https://developer.huawei.com/home/activity/60b58a1735f24db681a1641429a6932c【直播时间】：2024/10/21 19:00-20:30【直播嘉宾】：华为开发者布道师、郑州轻工业大学梅科尔工作室核心成员陈新杰【直播链接】：待定【直播简介】：深度探索昇思 MindSpore 在 AI 领域的精彩应用，剖析技术精髓，通过医疗创新案例展示实际应用与技术突破，涵盖问题识别到解决方案全过程，重点介绍算法关键步骤，还简述 PyTorch 到 MindSpore 框架转换技巧，为开发者提供跨平台开发指南。【直播福利】：福利一：互动有礼1.礼品列表：定制开发者布道师Polo杉，抽华为定制充电宝2.拟定互动口令，便于官网直播间发口令“华为开发者布道师”抽 华为精美礼品福利二：有奖提问1.礼品列表：定制开发者布道师保温杯福利三：连续打卡1.后续会上线一系列的开发者布道师线上直播活动，连续参加活动并签到的开发者，会获得连续签到激励，奖品多多，敬请期待！

mindspore1.10版本，在推理阶段，当我将model(x)放入 dataset.create_dict_iterator() 的遍历里的时候，就会报错，如图RuntimeError: Illegal AnfNode for evaluating, node: @BatchNorm.16:фdout(type:Parameter), fg: BatchNorm.16 conf: Node: 0x1fef5d48e10/@BatchNorm.16:фdout-uid(1695), Context: 0x1fef5ca0ab0/{FuncGraph: BatchNorm.16 Args: [0]: AbstractTensor(shape: (1, 32, 40, 99), element: AbstractScalar(Type: Float32, Value: AnyValue, Shape: NoShape), value_ptr: 0x1feec42ef90, value: AnyValue), [1]: AbstractTensor(shape: (32), element: AbstractScalar(Type: Float32, Value: AnyValue, Shape: NoShape), value_ptr: 0x1feec42ef90, value: AnyValue), [2]: AbstractTensor(shape: (32), element: AbstractScalar(Type: Float32, Value: AnyValue, Shape: NoShape), value_ptr: 0x1feec42ef90, value: AnyValue), [3]: AbstractTensor(shape: (32), element: AbstractScalar(Type: Float32, Value: AnyValue, Shape: NoShape), value_ptr: 0x1feec42ef90, value: AnyValue), [4]: AbstractTensor(shape: (32), element: AbstractScalar(Type: Float32, Value: AnyValue, Shape: NoShape), value_ptr: 0x1feec42ef90, value: AnyValue), [5]: AbstractTuple{element[0]: AbstractTensor(shape: (1, 32, 40, 99), element: AbstractScalar(Type: Float32, Value: AnyValue, Shape: NoShape), value_ptr: 0x1feec42ef90, value: AnyValue), element[1]: AbstractTensor(shape: (32), element: AbstractScalar(Type: Float32, Value: AnyValue, Shape: NoShape), value_ptr: 0x1feec42ef90, value: AnyValue), element[2]: AbstractTensor(shape: (32), element: AbstractScalar(Type: Float32, Value: AnyValue, Shape: NoShape), value_ptr: 0x1feec42ef90, value: AnyValue), element[3]: AbstractTensor(shape: (32), element: AbstractScalar(Type: Float32, Value: AnyValue, Shape: NoShape), value_ptr: 0x1feec42ef90, value: AnyValue), element[4]: AbstractTensor(shape: (32), element: AbstractScalar(Type: Float32, Value: AnyValue, Shape: NoShape), value_ptr: 0x1feec42ef90, value: AnyValue)}, [6]: AbstractTuple{element[0]: AbstractTensor(shape: (1, 32, 40, 99), element: AbstractScalar(Type: Float32, Value: AnyValue, Shape: NoShape), value_ptr: 0x1feec42ef90, value: AnyValue), element[1]: AbstractTensor(shape: (32), element: AbstractScalar(Type: Float32, Value: AnyValue, Shape: NoShape), value_ptr: 0x1feec42ef90, value: AnyValue), element[2]: AbstractTensor(shape: (32), element: AbstractScalar(Type: Float32, Value: AnyValue, Shape: NoShape), value_ptr: 0x1feec42ef90, value: AnyValue), element[3]: AbstractTensor(shape: (32), element: AbstractScalar(Type: Float32, Value: AnyValue, Shape: NoShape), value_ptr: 0x1feec42ef90, value: AnyValue), element[4]: AbstractTensor(shape: (32), element: AbstractScalar(Type: Float32, Value: AnyValue, Shape: NoShape), value_ptr: 0x1feec42ef90, value: AnyValue)}, Parent: { Args: }}, FuncGraph: 0x1fef5d07210/BatchNorm.16。但是如果直接把model(x)放在遍历外面就没有问题，如图

2024年9月28日，在布道师李明辉的自发组织，桂林电子科技大学数学与计算机科学学院“最美燕亭”系列报告会暨华为开发者布道师活动“香橙派AIPro实践活动”顺利开展，本次活动主要覆盖了Mindspore框架的介绍以及如何利用香橙派AIpro进行目标检测任务。活动宣传照片活动现场照片本次活动布道师李明辉向学院研一的同学们从浅到深的介绍了Mindspore开源社区，并且详细的介绍了各个Mindspore的套件。活动现场照片同时还向大家介绍了搭载NPU的边缘设备——香橙派AIPro并进行了实际的案例分享。改进后的模型本次活动向大家展现了如何改进轻量化的yolov5模型，摘除Focus层，避免多次采用slice操作。避免多次使用C3 Leyer以及高通道的C3 Layer减少噪音。摘除shufflenetv2 backbone的1024 conv 和 5×5 pooling数据增强通过调用Mindspore接口，在训练前对数据进行增强，提高了模型的鲁棒性。模型推理同时通过现场演示，向大家展示了香橙派AIpro如何利用NPU进行模型推理。避障方案演示

def process_dataset(dataset, processor, max_seq_len=128, batch_size=16, shuffle=False): def process_image(image): image = Image.fromarray(image.astype('uint8'), 'L') image = image.convert("RGB") pixel_values = processor(image, return_tensors="ms").pixel_values return pixel_values dataset = dataset.map(operations=process_image, input_columns="image", output_columns='image') dataset = dataset.map(operations=text_tokenizer, input_columns="text", output_columns="text") dataset = dataset.batch(batch_size) return dataset train_dataset = process_dataset(iam["train"],processor=processor) for batch in train_dataset1.create_dict_iterator(): print(batch['image'].dtype)iam["train"]为mindspore.dataset.engine.datasets_user_defined.GeneratorDataset运行时报错ValueError Traceback (most recent call last) in <cell line: 1>() ----> 1 for batch in train_dataset1.create_dict_iterator(): 2 print(batch['image'].dtype) 3 break/usr/local/lib/python3.10/dist-packages/mindspore/dataset/engine/datasets.py in parse_tree(self, getter_mode) 422 """ 423 if len(self.parent) > 1: --> 424 raise ValueError("The data pipeline is not a tree (i.e., one node has 2 consumers)") 425 ir_children = [d.parse_tree(getter_mode) for d in self.children] 426 # Bootstrap can only be performed on a copy of the original dataset node.ValueError: The data pipeline is not a tree (i.e., one node has 2 consumers)

转换命令：(MindSpore) [ma-user work]$atc --model=./resnet50_v1.onnx --framework=5 --output=./onnx_resnet50 --soc_version=Ascend910A报错：ATC start working now, please wait for a moment. Traceback (most recent call last):   File "/usr/local/Ascend/ascend-toolkit/latest/python/site-packages/te_fusion/fusion_util.py", line 2357, in multi_process_check     if not fix_forkserver():   File "/usr/local/Ascend/ascend-toolkit/latest/python/site-packages/te_fusion/fusion_util.py", line 2334, in fix_forkserver     fs.ensure_running()   File "/usr/lib64/python3.7/multiprocessing/forkserver.py", line 111, in ensure_running     data = spawn.get_preparation_data('ignore')   File "/usr/lib64/python3.7/multiprocessing/spawn.py", line 163, in get_preparation_data     sys_argv=sys.argv, AttributeError: module 'sys' has no attribute 'argv' ATC run failed, Please check the detail log, Try 'atc --help' for more information E29999: Inner Error! E29999  [GraphOpt][InitializeInner][InitTbeFunc] Failed to init tbe.[FUNC:InitializeInner][FILE:tbe_op_store_adapter.cc][LINE:1338]         [SubGraphOpt][PreCompileOp][InitAdapter] InitializeAdapter adapter [tbe_op_adapter] failed! Ret [4294967295][FUNC:InitializeAdapter][FILE:op_store_adapter_manager.cc][LINE:67]         [SubGraphOpt][PreCompileOp][Init] Initialize op store adapter failed, OpsStoreName[tbe-custom].[FUNC:Initialize][FILE:op_store_adapter_manager.cc][LINE:114]         [FusionMngr][Init] Op store adapter manager init failed.[FUNC:Initialize][FILE:fusion_manager.cc][LINE:326]         PluginManager InvokeAll failed.[FUNC:Initialize][FILE:ops_kernel_manager.cc][LINE:99]         OpsManager initialize failed.[FUNC:InnerInitialize][FILE:gelib.cc][LINE:167]         GELib::InnerInitialize failed.[FUNC:Initialize][FILE:gelib.cc][LINE:119] PYTHONPATH是：(MindSpore) [ma-user work]$echo $PYTHONPATH/home/ma-user/anaconda3/envs/MindSpore/lib/python3.7/site-packages/:/home/ma-user/anaconda3/envs/MindSpore/lib:/usr/local/Ascend/tfplugin/latest/python/site-packages:/usr/local/Ascend/ascend-toolkit/latest/python/site-packages:/usr/local/Ascend/ascend-toolkit/latest/opp/op_impl/built-in/ai_core/tbe:/usr/local/seccomponent/lib:/home/ma-user/infer/model/1 

最近在看mindspore中的特性有关于图算融合的介绍，关于图算融合，社区教程里介绍的更多是算子融合，如何理解图算融合里的图呢，图算融合跟算子融合具体又有什么区别呢

mindspore如何使用优化器进行参数更新和梯度清零，Adam和optimizer都找不到相关功能和范例

其他几个开通了以后都可以使用，但是这个显示好像没有和环境配置上，但是其他的身份证识别护照识别发票识别我都是用同样的方式进行调用的为什么会这样呢？？？

存入buffer的reward作用是什么？

我的环境Python 3.9.19 软件mindspore 2.2.0 库cuda11.6 cudnn8.32或者7.65 运行报错：RuntimeError: For 'MatMul', encountered an exception:  ---------------------------------------------------- - cuBLAS Error: ---------------------------------------------------- cublasGemmEx failed. Possible reasons: the GPU is occupied by other processes. | Error Number: 7 CUBLAS_STATUS_INVALID_VALUE: An unsupported value or parameter was passed to the function (a negative vector size, for example).  ---------------------------------------------------- - C++ Call Stack: (For framework developers) ---------------------------------------------------- mindspore/ccsrc/plugin/device/gpu/kernel/math/matmul_gpu_kernel.cc:174 LaunchKernel mindspore/ccsrc/plugin/device/gpu/kernel/math/matmul_gpu_kernel.cc:162 LaunchKernel  when invoke cublas cublasGemmEx [WARNING] MD(4169705,153339026680,python):2024-05-18-12:51:20.395.751 [mindspore/ccsrc/minddata/dataset/engine/datasetops/data_queue_op.cc:163] ~DataQueueOp]  preprocess_batch: 4; batch_queue: 0, 0, 0, 0, 0, 0, 4, 3, 10;             push_start_time -> push_end_time 2024-05-18-12:51:07.013.040 -> 2024-05-18-12:51:07.013.522 2024-05-18-12:51:07.721.456 -> 2024-05-18-12:51:07.721.914 2024-05-18-12:51:08.688.257 -> 2024-05-18-12:51:15.828.695 2024-05-18-12:51:15.828.722 -> 2024-05-18-12:51:20.381.705 For more details, please refer to the FAQ at https://www.mindspore.cn/docs/en/master/faq/data_processing.html. 我看有四个->进程，尝试1，2，4卡均该报错，看论坛解决方法有：有一样的报错，说看被其他进程占了，我脚本加上nvidia-smi 初始化后看没有任何进程有人说cuda和cublas不匹配，我看cuda11.6，cublasLt.so.11.8.1.74和其他机器上cuda11.6和cublas版本一模一样的，故cuda排除还有人说是cudnn8不能初始显卡，脚本写的832我换成765就依然是Error Number: 7目前没有头绪，cuda，cudnn这些都是管理员装的，应该也不存在问题

如图所示，初始化完成后就显示这个，然后无法上传文件，无法选择kernel，甚至无法删除文件夹，这可咋办呀…………

按照官方教程创建了新的虚拟环境，并成功安装了MindSpore (https://gitee.com/mindspore/docs/blob/r2.2/install/mindspore_cpu_win_install_conda.md#https://gitee.com/link?target=https%3A%2F%2Fwww.mindspore.cn%2Fversions)。在学习初级教程的过程中，需要用到download这个模块(https://gitee.com/mindspore/docs/blob/master/tutorials/source_zh_cn/beginner/quick_start.ipynb#https://gitee.com/link?target=https%3A%2F%2Fwww.mindspore.cn%2Ftutorials%2Fzh-CN%2Fmaster%2Fbeginner%2Fsave_load.html)，在系统级环境中使用命令pip install download能成功安装，但在虚拟环境中一直报错是为什么？

训练模型后，获得ckpt文件后，接下来该如何做呢