Huawei stellt mit MindSpore ein eigenes Machine-Learning-Framework vor

Ursprünglich im Zusammenhang mit dem Spezialprozessor Ascend 910 angekündigt, betritt das Framework MindSpore nun neun Monate später die Open-Source-Bühne.

Lesezeit: 2 Min.
In Pocket speichern
vorlesen Druckansicht Kommentare lesen
Huawei stellt mit MindSpore ein eigenes Machine-Learning-Framework vor

(Bild: Machine Learning & Artificial Intelligence / Mike MacKenzie / cc-by-2.0))

Von
  • Björn Bohn

Der chinesische IT-Konzern Huawei hat mit MindSpore ein eigenes Framework für Machine Learning veröffentlicht. Das Projekt liegt als Open Source vor und ist für Deep-Learning-Aufgaben gedacht. Laut Huawei sollen Entwickler mit MindSpore Machine-Learning-Funktionen für Mobil- und Edge-Geräte sowie in der Cloud umsetzen können. Unter der Haube setzt MindSpore auf eine mit der Programmiersprache Python geschriebene API.

Huawei hatte die Arbeiten an MindSpore im August 2019 im Zusammenhang mit dem Prozessor Ascend 910 angekündigt. Dieser ist auf das Training von KI-Modellen ausgelegt, MindSpore stellt also das In-House-Pendant auf Softwareebene dar. Wenig überraschend bietet das Framework daher eine native Anbindung an den Prozessor. Neben dem Training können Entwickler mit MindSpore wohl den kompletten Lebenszyklus der Modelle abbilden, von der Entwicklung bis hin zum Deployment.

Momentan benötigen Entwickler Python 3.7 oder neuer für den Einsatz von MindSpore. Laut VentureBeat ist aber wohl ebenfalls eine Unterstützung für die Programmiersprachen C++, Rust und Julia geplant. Als Betriebssystem präferiert das Framework Ubuntu oder EulerOS. Neben Ascend kann das Framework auch mit CPU, GPU und Android/iOS arbeiten.

Laut der Projektwebsite soll MindSpore einige Automatisierungsfunktionen bieten. Eine automatische Parallelisierung soll für Daten und Modelle verfügbar sein und für einen schnelleren Ablauf sorgen. Ebenso gibt es wohl Optimierungen für dynamische und statische Graphen.

Wer sich das Projekt im Detail ansehen möchte, ist mit dem zugehörigen GitHub-Repository gut beraten. Eine Installationsanleitung gibt es ebenfalls, genauso wie ein Docker Image auf DockerHub. (bbo)