华为账号：任务一：邮箱：345368251@qq.com

1. 我的华为账号截图如下：2. 维度即为8*9*5，元素为3，输出相加的结果如下3. 我的邮箱2879056956@qq.com求大大发牌，想要洗牙器*-V-*

华为云账号：whw43454189_个人邮箱：906469791@qq.com

华为云账号：lhw79459023-个人邮箱：845053993@qq.com

北京爱数智慧科技有限公司（以下简称：爱数智慧）签署CCLA（Corporation Contribution License Agreement，企业贡献者协议）正式加入MindSpore社区。MindSpore是华为开源的一款全场景AI计算框架，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。MindSpore社区最新进展：40+伙伴应用上线、41w+下载量、社区贡献者2200+、ModelZoo支持模型160+。爱数智慧在加入MindSpore社区后，将与MindSpore社区用数据赋能更多 AI 开发者，基于AI计算框架加速开源生态创新。 如您想加入MindSpore社区，有签署CCLA的需求可以将原由发送至邮箱：huxiaoman@huawei.com 如有与MindSpore社区相关的任何疑问，详情可咨询MindSpore小助手 → 如何通过CHAOSS社区贡献度量指标？MindSpore社区为您实践分享→ MindCon | 招募：对组织活动感兴趣，想结识更多开源大咖的你MindSpore官方资料GitHub : https://github.com/mindspore-ai/mindsporeGitee:https : //gitee.com/mindspore/mindspore官方QQ群 : 871543426长按下方二维码加入MindSpore项目↓

【功能模块】环境：Mindspore-ascend-r1.1.1使用MatMul算子时，输入input和weights矩阵的dim不一致，运算报错！！那么如何计算3维Tensor矩阵和2维Tensor矩阵的矩阵乘法呢？【操作步骤&问题现象】import mindspore.ops as opsfrom mindspore import Tensorimport numpy as npmatmul = ops.MatMul()in_data = Tensor(np.random.randn(2,3,4))weights = Tensor(np.random.randn(4,4))res = matmul(in_data, weights)【截图信息】【日志信息】（可选，上传日志内容或者附件）

mindspore只能用cuda10.1吗？ 我看版本检测的时候写死了，改不了.....

大家好，我是西安交大的一名研一学生，今年上半年在兼顾学业的情况下，参加了华为mindspore模型众筹的活动。目前模型已进入验收阶段，网络开发调试暂告一段落，如释重负。下面针对该活动发表一些感想并提出一些建议。整体活动很有意义，给深度学习新手一个动手实践的机会。我在开发mindspore模型过程中不仅学会了mindspore的使用方法（踩了不少坑...），也学习了不少深度学习理论知识以及pytorch的使用方法。得益于该项目，我的理论以及实践coding能力大大提高，这将为我日后在图像超分辨率重建领域的学习打下坚实基础。当然，还有一些建议：1.在布置模型开发阶段能够有更详细的说明，比如一些模型的paper不提供源码，很多细节没有给清楚，后来才得知允许在开发过程中更改一些类似optimizer的细节，可以在原网络结构上进行细微改动，这些希望可以早点通知到。2.提供更多算力支持，尤其在模型快验收阶段，需要经常使用8p跑程序，此时就会明显感觉到算力不够3.华为的技术人员能在我们开发过程中给出更多的技术支持，尽量每个领域有一个专家，我做的是一个相对小众的领域，很多细节问题需要真正懂某一领域的人才有可能解决。如果这都可以做到，那就是锦上添花。4. mindspore报错，mindspore的很多Error似乎只有开发人员或是有资深经验的工程师才能get到,尤其是数据集预处理那块的报错。对于新手而言就是一片茫然，有很大的挫败感。mindspore社区有不少讨论的帖子，希望有些经验日后可以分享到外部开发平台，如果能在StackOverflow上推广一下那就更好了。虽然难度很大，但是万丈高楼平地起，我相信华为有这个实力！5.mindspore教程文档或是代码接口文档可以进一步改善。在开发的过程中，我可以感觉到华为的雄心，希望mindspore可以和TF Pytorch媲美。其他方面先不说，文档这些方面就远远不如TF Pytorch,以一个简单的Scatter算子为例，我们对比其文档说明，如下图   我们会发现Pytorch和TF的文档质量明显更高，一个给出计算公式，一个图文并茂，这些都是对新手非常友好，支持一个新手继续开发；而mindspore则是言简意赅。总不能让学习mindspore的人要预先学习一遍Pytorch或是TF吧。我觉得Pytorch之所以能够在众多框架中弯道超车，其易用性作用不言而喻。如果mindspore哪一天可以做到这个水平，我想他在学术界和工业界肯定有很大的分量。以上只是个人浅见。 最后，感谢华为的各位工程师，以及社区的运营人员（之前还有幸和华为mindspore各个组件大佬交流，深感荣幸），他们及时的答复让我更有信心进行网络调试开发，这对初学者是非常大的鼓励。还要特别感谢给我一对一辅导的吴克宋宋哥。宋哥工作很负责，甚至有点“洁癖”，不少事情都会亲历亲为，包括看论文，论文源码实现，开发过程中遇到的语法问题，都会耐心解答；日常维护服务器，半夜环境升级，保证服务器正常运行；在PR阶段很多不懂的东西，比如Git，他会一点一点的教我们，还录了视频甚至会亲自帮我们修改代码。我相信，直到今天，他还在帮不少进度落后的同学亲手写代码/文档。平心而论，单纯技术超过他的工程师可能不少，但是他对学生的这份执着和负责应该是No.1。最后，祝mindspore越来越好，成为深度学习框架中的中流砥柱！ 

在TITAN RTX上运行以下代码def rescale_img(img_in, scale): resize_bilinear = ops.ResizeBilinear((img_in.shape[2]*scale, img_in.shape[3]*scale)) result = resize_bilinear(img_in) return result返回错误信息：经查询发现api中ResizeBilinear是支持GPU的，请问是什么问题呢？

【功能模块】安装tensorflow【操作步骤&问题现象】1、创建了MindSpore-1.1.1，TensorFlow1.15.0的公共镜像2、升级了pip的版本，根据提示安装相关依赖3、在安装tensorflow的时候报错Could not find a version that satisfies the requirement tensorflow4、尝试换其他的pip源仍然报相同的错【截图信息】【日志信息】（可选，上传日志内容或者附件）

下载数据集 注意直接读取压缩文件报错，需要先解压：解压读取数据，shuffle设置为True并打印数据个人邮箱 zhouqingtao2006@163.com

华为云账号：hid_jvri98mxcrn42l0个人邮箱：18391620870@163.com

华为云账号：hw51952327个人邮箱：547278563@qq.com

【功能模块】系统：windows10 WSL2：Ubuntu18.04mindspore1.2.1mindquantum0.2.0python3.7.5【操作步骤&问题现象】可以成功安装Mindspore和Mindquntum，但是在import的时候只能成功导入Mindspore，而Mindquantum则显示Illegal instruction.【截图信息】安装方式源码安装和pip安装都尝试了，结果一样，下图为安装结果pip list结果导入结果

【功能模块】import mindspore import numpy as np #引入numpy科学计算库 import matplotlib.pyplot as plt #引入绘图库 np.random.seed(123) #随机数生成种子 #from sklearn.model_selection import train_test_split#从sklearn里面引出训练与测试集划分 import mindspore.nn as nn import mindspore.ops as ops from mindspore import Tensor from mindspore import ParameterTuple, Parameter from mindspore import dtype as mstype # 训练数据集 def creat_dataset(): n_x=2*np.random.rand(500,1)#随机生成一个0-2之间的，大小为（500，1）的向量 n_y=5+3*n_x+np.random.randn(500,1)#随机生成一个线性方程的，大小为（500，1）的向量 x = Tensor(n_x, dtype=mindspore.float32) y = Tensor(n_y, dtype=mindspore.float32) return x, y class Net(nn.Cell): def __init__(self, input_dims, output_dims): super(Net, self).__init__() self.matmul = ops.MatMul() self.weight_1 = Parameter(Tensor(np.random.randn(input_dims, 128), dtype=mstype.float32), name='weight_1') self.bias_1 = Parameter(Tensor(np.zeros(128), dtype=mstype.float32), name='bias_1') self.weight_2 = Parameter(Tensor(np.random.randn(128, 64), dtype=mstype.float32), name='weight_2') self.bias_2 = Parameter(Tensor(np.zeros(64), dtype=mstype.float32), name='bias_2') self.weight_3 = Parameter(Tensor(np.random.randn(64, output_dims), dtype=mstype.float32), name='weight_3') self.bias_3 = Parameter(Tensor(np.zeros(output_dims), dtype=mstype.float32), name='bias_3') def construct(self, x): x = self.matmul(x, self.weight_1)+self.bias_1 x = self.matmul(x, self.weight_2)+self.bias_2 x = self.matmul(x, self.weight_3)+self.bias_3 return x class LossNet(nn.Cell): def __init__(self, net): super(LossNet, self).__init__() self.net = net self.pow = ops.Pow() self.mean = ops.ReduceMean() def construct(self, x, y): _x = self.net(x) loss = self.mean(self.pow(_x - y, 2)) return loss class GradNetWrtX(nn.Cell): def __init__(self, net): super(GradNetWrtX, self).__init__() self.net = net self.params = ParameterTuple(net.trainable_params()) self.grad_op = ops.GradOperation(get_by_list=True) def construct(self, x, y): gradient_function = self.grad_op(self.net, self.params) return gradient_function(x, y) def train(epochs, loss_net, x, y, print_flag=False): # 构建加和操作 ass_add = ops.AssignAdd() para_list = loss_net.trainable_params() for epoch in range(epochs): grad_net = GradNetWrtX(loss_net) grad_list = grad_net(x, y) for para, grad in zip(para_list, grad_list): ass_add(para, -0.000001*grad) if print_flag and (epoch%100 == 0): print("epoch: %s, loss: %s"%(epoch, loss_net(x, y))) def main(): epochs = 10000 x, y = creat_dataset() net = Net(x.shape[-1], y.shape[-1]) loss_net = LossNet(net) train(epochs, loss_net, x, y) y_hat = net(x) fig=plt.figure(figsize=(8,6))#确定画布大小 plt.title("Dataset")#标题名 plt.xlabel("First feature")#x轴的标题 plt.ylabel("Second feature")#y轴的标题 plt.scatter(x.asnumpy(), y.asnumpy())#设置为散点图 plt.scatter(x.asnumpy(), y_hat.asnumpy())#设置为散点图 plt.show()#绘制出来 if __name__ == '__main__': """ 设置运行的背景context """ from mindspore import context # 为mindspore设置运行背景context context.set_context(mode=context.GRAPH_MODE, device_target='GPU') import time a = time.time() main() b = time.time() print(b-a)【操作步骤&问题现象】1、运行一直提示警告，运行时间过长，一直无法获得结果警告信息如下：[WARNING] OPTIMIZER(4150,python):2021-07-06-22:53:34.396.781 [mindspore/ccsrc/frontend/optimizer/ad/dfunctor.cc:860] FindPrimalJPair] J operation has no relevant primal call in the same graph. Func graph: 119648_construct_wrapper, J user: 119648_construct_wrapper:construct{[0]: 803, [1]: x, [2]: y, [3]: ValueNode<UMonad> U}[WARNING] OPTIMIZER(4150,python):2021-07-06-22:53:34.540.042 [mindspore/ccsrc/frontend/optimizer/ad/dfunctor.cc:860] FindPrimalJPair] J operation has no relevant primal call in the same graph. Func graph: 119797_construct_wrapper, J user: 119797_construct_wrapper:construct{[0]: 804, [1]: x, [2]: y, [3]: ValueNode<UMonad> U}[WARNING] OPTIMIZER(4150,python):2021-07-06-22:53:34.667.100 [mindspore/ccsrc/frontend/optimizer/ad/dfunctor.cc:860] FindPrimalJPair] J operation has no relevant primal call in the same graph. Func graph: 119946_construct_wrapper, J user: 119946_construct_wrapper:construct{[0]: 805, [1]: x, [2]: y, [3]: ValueNode<UMonad> U}[WARNING] OPTIMIZER(4150,python):2021-07-06-22:53:34.796.065 [mindspore/ccsrc/frontend/optimizer/ad/dfunctor.cc:860] FindPrimalJPair] J operation has no relevant primal call in the same graph. Func graph: 120095_construct_wrapper, J user: 120095_construct_wrapper:construct{[0]: 806, [1]: x, [2]: y, [3]: ValueNode<UMonad> U}[WARNING] OPTIMIZER(4150,python):2021-07-06-22:53:34.920.186 [mindspore/ccsrc/frontend/optimizer/ad/dfunctor.cc:860] FindPrimalJPair] J operation has no relevant primal call in the same graph. Func graph: 120244_construct_wrapper, J user: 120244_construct_wrapper:construct{[0]: 807, [1]: x, [2]: y, [3]: ValueNode<UMonad> U}【截图信息】【日志信息】（可选，上传日志内容或者附件）