一、效率提升

大幅提升動態圖下分布式訓練的效率

在深度學習中，當數據集和參數量的規模越來越大，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，可以降低對內存、計算性能等硬件的需求，是進行訓練的重要優化手段。當前MindSpore 動態圖模式已經支持數據并行，通過對數據按 batch 維度進行切分，將數據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 數據集測試，在昇騰計算硬件平臺，MindSpore 動態圖模式分布式的表現，可以達到 PyTorch 典型分布式場景的 1.6 倍， 靜態圖模式分布式的表現也可以達到 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

數據預處理加速 Dvpp

數據是機器學習的基礎。在網絡推理場景中，我們需要針對不同的數據進行數據的預處理，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測。在實際應用場景中，我們往往需要對大量的原始數據進行推理，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，來針對網絡推理數據預處理流程進行加速。

Dvpp 數據預處理模塊提供 C++ 接口，提供圖片的解碼、縮放，中心摳圖、標準化等功能。在 Dvpp 模塊的設計中，考慮到整體的易用性，其功能與 MindData 現有 CPU 算子有重疊，我們將其 API 統一，通過推理執行接口設置運行設備來進行區分。用戶可以根據自身硬件設備環境來選擇最佳的執行算子。Dvpp 數據預處理流程如下圖所示：

我們在一臺昇騰推理服務器上測試了 Dvpp 系列算子的性能收益。該服務器擁有 128 個主頻為 2.6GHz 的 CPU 核心，以及 128Gb 的內存空間。在實驗中，我們選取 yoloV3 網絡，同時選取 coco2017 推理數據集 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 算子進行數據預處理，得到如下性能對比：

可以看到 Dvpp 系列算子相較于 CPU 算子在處理大量數據時性能優勢明顯，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

二、創新性

分子模擬庫（SPONGE），來自社區分子動力學工作組

MindSpore 版的 SPONGE 是在社區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 團隊聯合開發的分子模擬庫，具有高性能、模塊化等特性。

為何需要開發 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。其既可用于基礎科學研究也可用于工業實際應用。在基礎科學領域，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。

在工業生產中，其可以利用大規模計算的能力輔助藥物分子的設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，傳統分子動力學軟件的應用范圍受到較大限制。科研工作者也在不斷的開發新的力場模型[3,4]、抽樣方法[5,6] 以及嘗試結合新興的人工智能 [7,8] 來進一步拓展分子動力學模擬的適用領域。

由此，新一代的分子動力學軟件就需要被提上日程。其應該具有模塊化的特性，能夠支持科學家高效的創造和搭建出能夠驗證其理論模型的結構。同時，它還需要兼顧傳統模擬方法的高效性，能夠兼容其在傳統領域上的使用。此外，為實現分子模擬 + 機器學習的自然融合，其還應該擁有嵌入人工智能框架的形態。SPONGE 就是基于這些理念而被創造出的全新的，完全自主的分子模擬軟件。

相比于之前在傳統分子模擬軟件上結合 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，傳統分子模擬采用結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據傳送的問題上。而 SPONGE 利用模塊化的特點可支持內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 可高效地完成傳統分子模擬過程。SPONGE 利用 MindSpore 自動微分的特性，可以將神經網絡等 AI 方法與傳統分子模擬進行結合。

SPONGE 模塊化設計結構圖

隨 MindSpore1.2 版本開源的SPONGE 具備以下優勢：

1、全模塊化分子模擬。模塊化構建分子模擬算法，易于領域研發人員進行理論和算法的快速實現，并為外部開發人員貢獻子模塊提供友好的開源社區環境。

2、傳統分子模擬與 MindSpore 結合的人工智能算法的全流程實現。在 MindSpore 中，研發人員能便利的將 AI 方法作用于分子模擬中。全算子化的 SPONGE 將與 MindSpore 進一步結合成為新一代端到端可微的分子模擬軟件，實現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：在后續的版本更新中會陸續加入已經理論驗證好的 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。對特定工業需求，如藥物篩選或晶型預測，將基于 SPONGE 衍生出完整的流程化計算方案，能夠滿足大規模并行計算的需求。在 MindSpore 框架下，SPONGE 具有元優化功能，從而實現更準確和更快的力場擬合。

量子機器學習（MindQuantum），來自社區量子力學工作組

MindQuantum 是結合 MindSpore 和 HiQ 開發的量子機器學習框架，支持多種量子神經網絡的訓練和推理。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化等問題，性能達到業界 TOP1(Benchmark)，為廣大的科研人員、老師和學生提供了快速設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節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。

動態樣本選取：

TPRR 模型采用動態樣本的建模方式，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的模型快速遷移至 MindSpore 生態。根據用戶提供的 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）以及相應的模型權重（.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權重文件，省去模型重訓以及模型定義腳本開發時間；

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 100% 遷移率；

支持模型列表：

目前工具已支持計算機視覺領域典型模型、自然語言處理 BERT 預訓練模型腳本及權重的遷移，詳細模型列表見 README。

BERT 模型定義遷移結果展示（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 服務的魯棒性進行測評，發現 OCR 服務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校驗噪聲、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團隊通過對抗樣本檢測、數據增強訓練等技術，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