MindSpore de Ascend

Qu’est-ce que MindSpore de Ascend?

MindSpore est un framework AI open source destiné à l’entraînement et à l’inference, qui met l’accent sur une couverture complète des scénarios cloud, edge et embarqués, ainsi que sur l’optimisation conjointe du matériel et du logiciel Ascend. Il offre des fonctionnalités telles que Tensor, réseaux de neurones, dérivation automatique, traitement de données, compilation de graphes, entraînement distribué, analyse de débogage et déploiement léger.

Les développeurs peuvent créer des modèles en Python, les entraîner et les exécuter sur des environnements tels que la CPU ou l’NPU Ascend, et déployer ces modèles sur des appareils mobiles, IoT et embarqués via MindSpore Lite. L’écosystème comprend également MindFormers, l’inférence de grands modèles, les calculs scientifiques et des kits sectoriels.

Version actuelle de MindSpore 2.8

MindSpore 2.8 a été officiellement lancé en janvier 2026 et constitue la version stable actuelle du site officiel au moment de cette vérification. Cette version, axée sur les supernodes, l’entraînement distribué de grands modèles, l’extension des graphes dynamiques et l’amélioration de l’écosystème d’inference, introduit l’architecture HyperParallel ainsi que des fonctionnalités telles que HyperShard, HyperOffload et HyperMPMD.

Le site officiel fournit en même temps la documentation de développement Master et celle des versions anciennes. L’environnement de production doit utiliser la version complète 2.8, en correspondance avec CANN, les pilotes, le firmware et Python.

La fonction d’expérimentation dans Master ne peut pas être considérée directement comme une promesse de version stable.

Mode PyNative pour les graphiques dynamiques

Le mode de diagramme dynamique PyNative exécute le code Python en temps réel, ce qui facilite le débogage ligne par ligne, l’affichage des résultats intermédiaires et la mise en œuvre d’un flux de contrôle dynamique. La version 2.8 ajoute des fonctionnalités de prévisualisation ou d’amélioration telles que Tensor Dispatch et saved_tensors_hook, offrant des points d’extension pour la distribution vers des appareils hétérogènes et le téléchargement des valeurs activées.

Les graphes dynamiques sont flexibles, mais leurs coûts en temps de exécution ainsi que le traitement des stratégies parallèles diffèrent de ceux des graphes statiques. Avant d’utiliser les fonctionnalités expérimentales, il convient de vérifier les variables d’environnement, les opérateurs pris en charge et les limites, et de préparer une voie de retrait en cas de désactivation.

Mode Graphique d’image statique

Le mode Graph capture et compile le graphe de calcul via JIT, permettant la fusion d’opérateurs, la réutilisation de la mémoire et un planification globale, ce qui est idéal pour un entraînement et une inférence à haute performance. MindSpore utilise la dérivation automatique basée sur la conversion du code source, ce qui lui permet d’analyser la structure du programme au stade de compilation.

Les diagrammes statiques ont des limites en ce qui concerne la syntaxe Python, les effets secondaires et les structures dynamiques. La première compilation augmente le temps de démarrage, et les formes dynamiques peuvent également déclencher une nouvelle compilation.

Il est nécessaire d’évaluer en même temps le temps de compilation et le débit en régime stationnaire.

Dérivée automatique

La dérivation automatique de MindSpore s’appuie sur la méthode de transformation de source, effectuant des transformations symboliques sur l’expression intermédiaire du programme, prenant en charge les fonctions d’ordre supérieur, les closures et certains flux de contrôle complexes, tout en fournissant une base pour l’optimisation de la compilation statique.

Les opérateurs personnalisés et la logique numérique spéciale peuvent nécessiter des règles inverses supplémentaires. Lors de l’entraînement, il convient d’utiliser la vérification par gradients, les différences finies ou une comparaison avec un cadre de référence, en accordant une attention particulière aux nombres complexes, aux dérivées d’ordre supérieur et à la précision mixte.

Architecture HyperParallel

MindSpore 2.8 introduit une architecture HyperParallel destinée aux hyper-nœuds, permettant de programmer et de planifier des ressources de calcul à grande échelle comme un système unifié. Ses composants clés incluent le parallélisme déclaratif HyperShard, le déchargement multi-niveaux du stockage HyperOffload, ainsi que le parallélisme hétérogène irrégulier HyperMPMD.

Ces capacités s’adressent principalement aux modèles très volumineux et aux clusters hétérogènes complexes. Certaines fonctionnalités sont encore en version bêta ou expérimentale ; les utilisateurs qui travaillent en mode single-machine n’ont pas besoin de configurer HyperParallel pour utiliser les API de base.

Parallélisme déclaratif HyperShard

HyperShard permet aux utilisateurs d’écrire des modèles PyNative depuis une perspective monocarte, puis de déclarer une stratégie parallèle ; le système s’occupe alors de la déduction de la stratégie, du découpage du sous-graphe, de la mise en correspondance des ressources et du planification parallèle mixte. Il offre en même temps différentes granularités de contrôle : manuelle, DTensor et Shard.

Cette capacité vise à dissocier le calcul du modèle de la stratégie distribuée, mais l’inférence automatique nécessite encore des opérateurs de modèle, une topologie de cluster et un support de backend de communication. Avant mise en production, il convient de comparer le débit, la mémoire vidéo et l’efficacité d’extension avec une stratégie manuelle.

Optimisation de la mémoire vidéo HyperOffload

HyperOffload abstraît le transfert de données en opérations au sein d’un graphe de calcul, planifie les paramètres ou les activations entre la mémoire vidéo du dispositif, la mémoire principale et d’autres niveaux, et s’efforce de superposer au maximum le préchargement et le calcul. Le graphe statique permet une orchestration automatique de l’ensemble du graphe, tandis que le graphe dynamique offre une interface à plus faible niveau de détail.

Les informations officielles indiquent clairement que HyperOffload est encore en phase expérimentale. Son désactivation permet de réduire la mémoire vidéo, mais peut augmenter les opérations d’entrée/sortie sur le bus et le stockage ;

Si la bande passante est insuffisante, le débit diminue au contraire ; il convient d’utiliser un Profiler pour le vérifier.

Entraînement distribué

MindSpore prend en charge la parallélisation des données, la parallélisation des modèles au niveau des opérateurs, la parallélisation en pipeline, le shardage des paramètres ainsi que diverses stratégies de parallélisation mixte. Des outils tels que msrun permettent de lancer un entraînement ou une inférence multi-processus, avec une parallélisation automatique pour rechercher et diffuser des stratégies de segmentation des opérateurs.

Les tâches distribuées nécessitent des environnements de communication tels que HCCL, une configuration de topologie, un éclatement des données et des stratégies de tolérance aux pannes. Avant l’expansion, il convient d’abord de réaliser des tests de correction pour une seule carte ainsi que des tests de récupération à petite échelle, et de sauvegarder les stratégies et les métadonnées des Checkpoints.

Entraînement de grands modèles et MindFormers

MindFormers est un ensemble d’outils conçu pour le pré-entraînement, le fine-tuning, l’évaluation et l’inference des grands modèles, offrant des modèles Transformer, des configurations parallèles, du traitement de données et des scripts distribués. Il est spécifiquement adapté aux clusters Ascend et au framework MindSpore.

Les versions MindFormers, MindSpore, CANN et le matériel doivent être strictement compatibles. L’implémentation de MindSpore pour un modèle open source du même nom peut présenter des différences par rapport au dépôt original PyTorch en termes de format des poids, de tokenizer et de paramètres de génération ; une évaluation de régression doit être effectuée après la migration.

Inférence de grands modèles

MindSpore permet l’inference de grands modèles sur une seule carte ou sur plusieurs cartes. La version 2.8 améliore également l’adaptation aux écosystèmes SGLang et vLLM, en prenant en charge certaines capacités de cache centralisé et de déplacement des graphes. L’inference sur plusieurs cartes nécessite le lancement simultané de plusieurs groupes de processus, plutôt que la simple exécution répétée d’un script pour une seule carte.

La liste des modèles pris en charge, la quantification, le parallélisme et les interfaces de service évoluent avec les versions du framework d’inférence. Il convient de tester le délai du premier token, le débit de génération, l’occupation du cache KV et la stabilité à long terme pour chaque combinaison de modèle cible et de matériel.

MindSpore Lite

MindSpore Lite est un composant léger pour l’inference et l’entraînement sur le bord, compatible avec les téléphones, l’IoT, les systèmes embarqués et les dispositifs edge. Outils de conversion permettant de transformer des formats tels que MindSpore, ONNX, TensorFlow en modèles Lite, optimisés pour les architectures ARM, x86 ainsi que certains backends NPU.

Lite prend également en charge la génération de code pouvant être déployé sur des MCU ou des systèmes de petite taille. Le succès de la conversion du modèle ne signifie pas que tous les opérateurs sont accélérés par le matériel ;

Il faut vérifier le journal de conversion, les erreurs de précision, le volume du modèle, la mémoire maximale utilisée et le temps d’exécution côté appareil.

Scénario complet cloud-edge

• L’entraînement peut être effectué dans le cloud ou dans un centre de données, puis, après conversion, quantification et adaptation, déployé au bord du réseau et sur les appareils ;
• Les données côté appareil peuvent également être utilisées pour un entraînement léger ou des mises à jour personnalisées ;
• C’est le chemin principal de la combinaison MindSpore et MindSporeLite ;
• Un scénario complet ne signifie pas que le même fichier de modèle peut fonctionner sans modification sur tous les appareils ;
• Les différents backends offrent un soutien variable pour les opérateurs, la précision et les formes dynamiques, ce qui nécessite généralement une conversion, une optimisation et une validation distinctes ;

Traitement des données et débogage

mindspore.dataset offre des fonctionnalités de lecture de données, de cartographie, de traitement par lots, de mélange et de transformations visuelles, permettant de construire en parallèle des pipelines d’entrée. Les outils Profiler, Dump et de débogage permettent de collecter des informations sur les opérateurs, les chronologies, la mémoire et les anomalies.

Les processus multiples pour les données consomment de la mémoire partagée, et le débogage ainsi que les exports Dump peuvent générer de nombreux fichiers, affectant ainsi les performances. Pour le diagnostic en production, il convient de définir une plage d’échantillonnage, des dossiers et une stratégie de conservation afin d’éviter l’épuisement du disque.

MindSpore Science

MindSpore Science s’adresse à l’IA pour la science et offre du calcul graphique, des réseaux équivariants, des réseaux de neurones à information physique, des solveurs différentiables et des opérateurs scientifiques. Les domaines d’application comprennent la météorologie, les fluides, l’électromagnétisme, la chimie moléculaire, les matériaux, l’énergie, etc.

MindSpore Earth peut être utilisé pour les modèles météorologiques et en sciences de la Terre, MindElec est destiné à la simulation électromagnétique, et MindQuantum sert à la recherche en calcul quantique. L’activité des différents sous-projets ainsi que leurs versions varient ; il convient de consulter les dépôts spécifiques plutôt que de se fier uniquement au package global pour évaluer leur maturité.

Matériel et installation

MindSpore prend en charge nativement les processeurs AI Ascend, tout en offrant également un environnement CPU ; la compatibilité avec les GPU dépend du sélecteur d’installation 2.8.

L’installation de Ascend nécessite une correspondance entre le CANN Toolkit et les composants Ops, les pilotes et le firmware, ainsi que la charge correcte des variables d’environnement.

Les exemples des forums officiels montrent que le simple fait de constater que la vérification de la multiplication de base réussit, tout en rencontrant une erreur du module te, ne doit pas être considéré comme une installation complète réussie. Il est nécessaire d’éliminer les erreurs de vérification de version et d’exécuter les opérateurs réels ainsi que les exemples d’entraînement.

Vérification de l’installation

Il peut être installé via pip, les Wheel officiels, des conteneurs ou en compilant à partir du code source. Une fois l’installation terminée, il convient d’importer mindspore, de vérifier la version, d’exécuter les tests officiels ainsi que de simples calculs Tensor, puis de valider le dispositif cible, la communication distribuée ou la conversion Lite.

Le nom du fichier Wheel contient la version de Python, le système d’exploitation et l’architecture ; toute incohérence entraînera un échec de l’installation. Il est recommandé d’utiliser un environnement Conda indépendant et de conserver une liste complète des dépendances.

Prix et frais

Le framework principal MindSpore, MindSpore Lite et le dépôt officiel sont disponibles gratuitement, sans frais de membre pour le framework. La licence Apache 2.0 permet d’utiliser, de modifier et de distribuer conformément à ses conditions.

Les frameworks gratuits ne comprennent pas de serveurs Ascend, de capacités de calcul cloud, de stockage, d’électricité, de gestion de cluster ou de support commercial. L’utilisation de Huawei Cloud ModelArts ou d’autres plateformes cloud est facturée selon les produits cloud correspondants.

Les adaptations pour les entreprises et les prix des services nécessitent une consultation séparée.

GitHub, Gitee et AtomGit

Le code principal est rendu public dans l’image GitHub mindspore-ai/mindspore et dans l’organisation MindSpore sur Gitee ; de nouveaux composants de l’écosystème peuvent également être maintenus via AtomGit. Le répertoire principal est soumis à la licence Apache License 2.0.

Différents kits, exemples, poids de modèles et ensembles de données peuvent être soumis à des licences différentes. Le code source ouvert ne signifie pas que le matériel Ascend, tous les composants CANN et les services cloud soient couverts par la même licence open source.

Guide d'utilisation de MindSpore de Ascend

Terminer une tâche de base

1. Installer et configurer MindSpore de Ascend, et créer des projets et des noms d’exécution distincts pour les expériences ;
2. Enregistrer les hyperparamètres, la version des données, la version du code et la graine aléatoire dans le script d’entraînement ;
3. Initialiser la tâche avec la version actuelle de MindSpore 2.8 et se connecter au service cloud ou privé approprié ;
4. Enregistrement continu de la perte, des métriques, des journaux et de l’état du matériel en mode PyNative avec des graphiques dynamiques ;
5. Exécuter un entraînement à petite échelle pour vérifier que le nombre d’itérations, les unités, les courbes et les échantillons multimédias sont corrects ;
6. Après achèvement, enregistrer le modèle, les paramètres, les résultats ainsi que la description de l’expérience reproductible ;

Créer des flux de travail professionnels réutilisables

1. Unifier les normes de nommage des projets, des expériences, des indicateurs et des étiquettes ;
2. Intégrer la version actuelle de MindSpore 2.8, le mode PyNative pour les graphes dynamiques et le mode Graph pour les graphes statiques dans le modèle d’entraînement ;
3. Établir des liens de version pour les ensembles de données, le code, l’environnement et les modèles ;
4. Utiliser le même ensemble d’évaluation et les mêmes conditions expérimentales pour comparer, afin d’éviter de ne se baser que sur des courbes lissées ;
5. Restreindre la portée du téléchargement des échantillons sensibles, des prompts et des sorties du modèle ;
6. Définir les alertes d’anomalies, les stratégies de conservation et la révision manuelle avant de les déployer à l’équipe ;

À qui s’adresse-t-il ?

• Développeurs qui utilisent la NPU Ascend pour entraîner et exécuter des modèles ;
• Les équipes ayant besoin de parallélisation automatique par grands modèles, de déchargement de la mémoire vidéo et de capacités de supernœuds ;
• Ingénieurs souhaitant déployer des modèles sur des téléphones, des dispositifs IoT et des appareils edge ;
• Utilisateurs menant des recherches en météorologie, physique, chimie moléculaire et calcul scientifique ;
• Étudiants qui apprennent les frameworks chinois open source de apprentissage profond et l’optimisation collaborative matériel/logiciel.

Avantages du produit

• Adaptation native pour Ascend et optimisation conjointe logicielle et matérielle ;
• Les diagrammes dynamiques et statiques allient facilité d’utilisation et performance de compilation ;
• La dérivation automatique, le parallélisme automatique et HyperParallel sont conçus pour l’entraînement à grande échelle ;
• MindSpore Lite couvre les appareils edge et les MCU ;
• MindFormers et MindSpore Science proposent des kits de grands modèles et de science ;
• Apache 2.0 est open source et dispose de documents complets en chinois.

Restrictions et précautions

• MindSpore est fortement couplé aux versions de CANN, des pilotes, du firmware, de MindFormers et des modèles matériels ; la documentation d’installation doit correspondre à la même version.
• Des fonctionnalités telles que HyperOffload dans la version 2.8 restent de nature expérimentale et ne doivent pas être utilisées directement pour des tâches de production critiques sans avoir été testées au préalable.
• Le nombre de modèles écologiques et la compatibilité avec des tiers diffèrent de PyTorch, et la migration nécessite une conversion des poids et des opérateurs de validation ;
• Le cadre est gratuit, mais le coût de calcul est élevé ;
• Les droits commerciaux pour les modèles et données spécifiques doivent également être vérifiés séparément ;

Questions fréquentes

MindSpore est-il gratuit ?

Le cadre de base et Lite sont libres et open source, sans frais de membre ; le matériel Ascend, les ressources de calcul cloud, le stockage et le support entreprise nécessitent un paiement supplémentaire.

Quelle est la dernière version stable actuelle de MindSpore ?

À la date de cette vérification, il s’agit de 2,8, avec une publication officielle en janvier 2026. Le document Master comprend des fonctionnalités mises à jour ou expérimentales ; la version de production reste fixée à 2,8.

MindSpore ne peut-il fonctionner que sur Ascend ?

Non. Il fournit un environnement avec CPU, etc., mais la synergie logiciel/matériel la plus complète ainsi que les capacités des grands modèles sont axées sur Ascend.

Les autres appareils prennent en compte la page d’installation 2.8.

MindSpore peut-il être déployé sur les téléphones ?

La conversion de modèles et l’inference côté appareil peuvent être effectuées via MindSpore Lite, qui prend en charge ARM, x86, certains NPU et petits systèmes, mais il est nécessaire de vérifier les opérateurs du dispositif cible.

MindSpore est-il open source ?

Logiciel open source, le dépôt principal est sous licence Apache 2.0. Les poids des modèles, les données, les composants CANN et les services cloud ne sont pas nécessairement soumis à la même licence.