ModelArts+MindSpore,前端小工和"MM"玩转AI

首个全场景AI实战营-- MindSpore 21天实战营在全网疯狂拉票的最后一场较量中落下帷幕，然而“See the future with ModelArts + MindSpore”，同时AI学习之路永不止步。本文将回顾我在MindSpore实战营中的踩坑经历，揭秘前端小工如何借助一站式AI开发平台 ModelArts 和全场景AI框架 MindSpore 玩转AI。对，仅仅是玩，正如李大钊所说“玩要玩得痛痛快快”，当您刚接触“MM”，相信您也能玩得痛快、玩转AI。

前言

继上一次分享“Hello MindSpore”刚刚过去一个月，不过苦于没有足够支撑体验 MindSpore 的本地硬件，于是转战 ModelArts 云端资源，恰好这次实战营也有80%的案例可以基于 ModelArts 的昇腾环境实现，所以就有了本次的分享--零基础和“MM”玩转AI。

国际惯例，先简单介绍一下自己。非著名Copy攻城狮胡琦，虽然做了4年前端，不过水平属于“工作4年4个月经验”的那种，尽管基础不扎实，却喜欢折腾新事物。比如鸿蒙，尽管只写了一篇 HelloWorld 获得近3w的阅读量--华为松山湖“火了”，我的鸿蒙HelloWorld没事吧；比如开源问答机器人，一篇EI应用的博客也获得1w+点击量，也有幸在开源年会上露脸。今年有幸接触到华为云AI，通过华为云AI实战营了解到一站式开发平台ModelArts，发现零基础也能通过 ModelArts 训练模型、部署发布模型服务，通过 MindSpore 实战营也意识到全场景AI框架在应用层并没有想象中的那么难，因为通过官方给出的代码和文档，我们能轻松体验到亲自动手处理数据集、预训练模型、微调、模型发布部署等等以往我都不敢尝试的AI开发。以往，我和大多数人一样，眼看AI技术已经应用在生活的各方各面，就连前端切图仔的活也被AI干了，而我却只能望AI而兴叹，直到遇到了“MM”，也是就是 ModelArts 和 MindSpore ，让我意识到零基础也能玩AI，更关键的第一点还结识了很多大佬，至少今年1024蹭的 ModelArts 那个饭局接触到的大佬是我不敢想象的--华为云EI陈亮陈总、旅居在强国的Richard、“借力ModelArts升职加薪”的建行客户经理袁覃……

说回正题，接下我将简单介绍一下“MM”，回顾一下我在MindSpore实战营中如何使用“MM”，通过一个简单的案例体验ModelArts+MindSpore，最后也会有个简单的总结和建议。

认识“MM”

说到ModelArts和MindSpore，就不得不提到2018年华为提出的AI全栈解决方案。这是华为AI全栈解决方案的概要图，从底层的芯片到芯片使能再到AI框架及应用使能，这套解决方案非常完备，而我们今天的主角ModelArts和MindSpore可以说占据了一半的分量,"MM"在AI全栈体系中的地位是当之无愧的“扛把子”。如果能掌握ModelArts和MindSpore，玩转AI应该也不在话下，这里安利一下华为智能计算技术丛书，听说JeffDing大大已集齐六本，学好人工智能最好的时间是十年前，其次是现在！

ModelArts

一站式AI开发平台ModelArts，无论是数据处理还是模型训练，甚至模型部署，在ModelArts上统统能搞定。对于零基础的小伙伴，推荐玩下自动学习，涵盖了物体检测、图像分类、声音分类、文本分类、预测分析等模块，也可以体验一下预置算法和AI市场，AI市场目前包括模型、算法、数据集，未来还会新增挑战等模块，另外数据处理如清洗增强等功能都值得新手体验。当然，目前我感觉最好用的就是我的笔记本功能，即开即用，多种环境可选择，内部消息说“值得期待”！想为ModelArts做贡献，那就来ModelArts-Lab：https://github.com/huaweicloud/ModelArts-Lab

MindSpore

全场景AI框架MindSpore，华为开源自研AI框架，支持自动微分、并行加持，一次训练，可多场景部署。支持端边云全场景的深度学习训练推理框架，主要应用于计算机视觉、自然语言处理等AI领域，面向数据科学家、算法工程师等人群（当然也面向Copy攻城狮）。主要具备基于源码转换的通用自动微分、自动实现分布式并行训练、数据处理、以及图执行引擎等功能特性。借助自动微分，轻松训练神经网络。框架开源，华为培育AI开发生态（当然也希望在看的各位加入华为云AI社区）。MindSpore着重提升易用性（AI算法即代码）并降低AI开发者的开发门槛，至少对于我这种Copy攻城狮而言，很快就能跑通Hello MindSpore。那学习MM难吗？可以肯定的是不难，只要找对方向和方法并能坚持。当然，踩坑是避免不了的。

回顾实战营踩坑经历

鉴于我目前所处的学习阶段，面临最大的问题就是环境，这一点在实践中尤为突出。回顾这次 MindSpore 实战营，我们完成了基于MindSpore Lite开发目标检测的安卓APP实战、基于BERT实现中文新闻分类实战、 MindSpore基于ResNet50实现毒蘑菇识别实战、 MindSpore基于YOLOv3实现篮球检测模型实战、MindSpore基于Wide&Deep实现CTR预估实战，接触到的模型有MobileNet、SSD、BERT、ResNet50、YOLOv3、Wide & Deep,每堂课上我们的MindSpore布道师都会先从应用场景开始，介绍各模型的基础知识，讲解实战代码，最后还会给出指导文档，简直是保姆级教学！尽管如此，我还是遇到了很多坑。

MindSpore Lite实战遇到的坑

最开始我尝试安装本地的MindSpore环境，因为是windows系统，选择了WLS搭建，经过一路坎坷的尝试，终于放弃了，最后只得使用MindSpore提供的已经转换好的MobileNet和SSD模型。当时还遇到了一个谜一般的坑：编译Android APP的时候提示本机连接失败，最后排查到是因为电脑开启了热点，关闭调热点重新Build就成功了。

BERT在Notebook环境下遇到的坑

在Notebook的环境下运行脚本时会提示No module named 'src',这是因为需要切换到执行目录，另外还需执行Sync OBS操作，因为我们新建的MindSpore昇腾环境是连接OBS的，需要同步OBS的文件。当然要成功运行除了Copy代码，还需要对入参做简单的修改。

另一个问题就是会遇到设备断开，至于原因我没有深入去探索，最终是重启Notebook解决的。

ResNet50在Notebook环境下遇到的坑

主要是OpenCV在使用上遇到GUI相关的.so文件找不到，尝试了各种方法都没有解决之后，直接转用了ModelArts训练任务的昇腾环境（不过马上就要公测结束了，看来OpenCV这个问题亟需解决！！！）

另一个坑是实战代码上存在小小的纰漏，按照JeffDing帖子的提示：

YOLOv3在训练环境下遇到的坑

首先同样存在OpenCV引入失败的问题，其次在ModelArts训练任务的昇腾环境中也存在无法读取视频的问题（目前还是不知道怎解决），最终也是退而求次，在ModelArts的我的笔记本中完成了视频的分割和合成。这里再次安利一下我的笔记本，好不好用谁用谁知道？轻量级的数据处理、模型训练、参数调优都可以玩玩。

另一个就是预测结果上存在识别框重复、准确度太低的结果也被标注的问题，这里通过通过调整perdict的参数nms_thresh和ignore_threshold再重新预测可以在一定程度上优化。

Wide & Deep 过拟合及10%数据集训练失败

过拟合是AI开发中最常见的问题，什么是过拟合？何老师在答疑时举的栗子非常形象，想知道吗？可以期待一下MindSpore的下一次直播！在Wide & Deep模型中，简单粗暴的操作就是可以通过数据增强来避免。

不过当我想用10%的数据集来训练的时候，发现在打开数据集文件时报错了，也许需要拆分为多个文件，不过后续就没有再探索了。我想目前对于我而言，深入一下MindSpore Lite将来在Flutter上能应用AI模型也是不错的选择；另外MindSpore模型的部署也值得深入学习一下，这样API调用师就有“自研”的API调用啦。

“MM”初体验

这次 ModelArts + MindSpore的体验，我选用Notebook MindSpore 0.50版本昇腾910环境就能实现的BERT中文新闻分类。基于 mindspore-21-days-tutorials，将chapter2/bert 代码目录及相关数据集文件在Notebook中下载上传到当前环境的OBS中，执行Sync OBS，新建MindSpore框架的.ipynb脚本加入路径切换的代码，将run_pretrain.py的代码复制过来，修改入参，执行即可进行模型训练(代码也支持训练完直接预测，传入predict参数就行)。

Copy pretrain_eval.py同样新增路径切换的代码，修改入参即可实现对输入的新闻进行分类预测。整个流程十分简单，也不涉及到训练任务中昇腾资源的长时间排队(还没有了解正式商用之后Notebook中的昇腾资源是否也按标准收费，之前公测有时候排队挺久的)。

总结及建议

总结部分主要是我个人方面的，一是进一步熟悉了ModelArts，之前比较少用PyCharm Toolkit,后来发现JB系列的IED同样支持这个插件，比如偶尔也在IEDA中使用ModelArts，编（拷）写（贝）完代码稍作修改就可以直接训练！二是进一步了解了MindSpore，记得上次分享“Hello MindSpore”的时候，我说期待MindSpore.js,不过现在可以尝试探索在HarmonyOS中使用MindSpore Lite，依旧期待MindSpore.js，当然也许是不切实际的想法，这次实践营也给了我学习AI的方向，希望自己能坚持下去，多向各位大佬学习；最后的收获，也是对输入--输出学习模式的肯定，我又有文章可以水了，加上这篇，足足6篇，按以往的频率这可是我半年的产量啊！

建议部分主要是针对此次训练营活动的。能够上榜Top12，我真的感到十分意外，深究其原因，不是我足够认真对待学习，二是活动参与的基数太小，换而言之就是开发者的参与度不高。记得之前某强化学习营好几千人参与，其中很多相关专业的高校生。结合这一点，我的建议是希望MindSpore能适当加强宣传力度，尤其是在高校群体中，毕竟那是未来的主力军；其次就是内部资源的整合，之前参与的AI实战营也鲜有MindSpore的案例，包括目前的AI全栈计划在运营中也可以适当加些MindSpore元素，毕竟好不好用？用了才知道！

似乎最后才是重点，如果您觉得本文对您有启发，欢迎给我打Call！「21天实战营」全网疯狂拉票启动，发动亲友团来pick你心中TOP开发者吧！: https://mp.weixin.qq.com/s/_oqpqtRWK2xMBHz1una_Pg ,我是Copy攻城狮胡琦，ModelArts+MindSpore和“MM”玩转AI，感谢您宝贵的一票！