AI框架的发展历史：
驱动AI框架演进的五大因素：“ABCDE”：
- 为什么做MindSpore。有两大动力：
- 第一是技术战和贸易战的背景下，华为必须要有自主可控的全场景的计算框架；
- 第二是目前的计算框架仍然存在着大量亟需解决的问题，开发门槛高、运行成本高、部署难度大等等。
- 对于这样的现状，作为MindSpore的工程师希望能够助力普惠AI，就此，我们提出了三点技术创新点，新编程范式，执行模式及协作方式。
AI框架面临的七大挑战：
挑战一：模型规模和复杂度越来越高：
挑战二：从单一的NN向通用张量可微计算演进：
算力和复杂度持续提升：
挑战四：新的编程语言尝试突破Python：
挑战五：动静态图的统一：
挑战六：AI的全场景部署：
挑战七：安全、隐私和保护：
MindSpore开源深度学习框架：
MindSpore愿景与价值：
MindSpore逻辑架构：
MindExpress子系统：
MindCompiler子系统：
MindRT子系统：
MindData子系统：
MindInsight子系统：
MindArmour子系统：
MindSpore特性：自动并行：
MindSpore特性：二阶优化：
- 支持CNN类网络训练加速
- 基于ResNet-1.5@ImageNet2012 训练收敛提速20.6%
MindSpore特性：On-Device执行：
- 整图下沉执行，充分发挥昇腾大算力
- 除了编程，我们在执行这块也做了比较多的工作。当我们的算力越来越强，控制面和数据增强就会变成巨大的瓶颈点。举例来说，现在数据增强的算子和hardwork这套算子库以及卷积和算子执行都下到库上。另外，软件会做很多算子融合功能，把它们从软件上再提升一次性能，整体上会相比于原始方式性能提升10倍以上，这里面还没有跟业界去对比过。
MindSpore特性：全场景部署和协同：
MindSporeIR：
- 关键技术是统一模型的IR应对不同语言场景上层差异，自己定义数据结构把它们全部兼容过来。底下的硬件是我们自己的，软硬协同也是在的。最后是把整个联合起来，这是业界最火的方向。
- MindIR是MindSpore提供的中间表达形式，可以帮助大家实现一次训练多处部署，实现端云互通。简单来说，就是你可以在Ascend、GPU、CPU硬件平台上训练生成MindIR格式的模型，然后快速部署到手机端、推理服务器等环境上，体验到MindSpore的全场景能力。
- 打开MindIR，它是一种基于图表示的函数式IR，定义了可扩展的图结构以及算子的IR表示，它存储了MindSpore基础数据结构，包括计算图、参数权重等。
- MindIR通过统一的算子IR定义，消除了不同后端的模型差异，大家可以基于同一个模型文件在端、边、云不同平台上进行协同任务。
MindSpore Serving：高效部署在线推理服务:
MindSpore初体验:
MindSpore编程概念：Operation:
- Shape推导，根据算子入参的shape推导其输出Tensor的shape应该是什么
- Data_type推导，根据算子入参的数据类型推导其输出Tensor的数据类型
MindSpore编程概念：Cell:
- Cell提供了定义了执行计算的基本模块。Cell的对象可以直接执行。__init__，初始化参数（Parameter），子模块（Cell），算子（Primitive）等组件，进行初始化的校验。construct，定义执行的过程。图模式时，会被编译成图来执行。有一些语法限制。bprop（可选），自定义模块的反向。没有定义这个函数时，会采用自动微分，计算construct部分的反向。
- MindSpore中预定义的Cell主要有：常用loss（SoftmaxCrossEntropyWithLogits、MSELoss）、常用优化器（Momentum、SGD、Adam等）、常用网络包装函数（TrainOneStepCell 网络梯度计算及更新、WithGradCell求梯度）等。
MindSpore案例开发演示:
