用户867573478982

​本文将讲解 MindSpore 中两个高频核心知识点： Stop Gradient 梯度截断：屏蔽指定张量的梯度回传，消除无关张量对梯度计算的影响； has_aux 辅助数据参数：自动处理多输出函数

​本次分享基于 MindSpore 的参数高效微调（PEFT）能力，构建 “分层 LoRA/QLoRA 微调 + EWC 遗忘抑制 + 增量预训练协同优化” 的工业级方案，实现单卡（A10 24G）完

​1 引言：为什么选择昇思MindSpore？ 昇腾AI处理器采用达芬奇架构，与MindSpore框架深度协同，提供了软硬件一体化的高性能计算体验。特别是在当前GPU资源紧张的大环境下，昇腾平台凭借其

随着深度学习模型参数量的指数级增长，单卡显存已无法满足大模型的训练需求。在昇腾（Ascend）AI 处理器上，MindSpore 框架凭借其独特的 自动并行（Auto Parallelism）能力，极

在深度学习的实际工程落地中，这时候往往发现官方封装好的 Model.train接口虽然方便，但在处理一些复杂的算法逻辑（如 GAN、强化学习或这就需要我们在 Ascend NPU 上进行自定义训练循环

​大模型进入“长上下文”时代：32 k、128 k 乃至 1 M token 的模型陆续开源。华为全场景 AI 框架 MindSpore 在 2.3 LTS 版本后，对长文本场景做了三点关键升级： A

​在千亿参数大模型（如 LLaMA-7B/13B）的训练场景中，显存瓶颈与训练中断恢复是两大核心痛点 —— 前者直接限制模型规模，后者会导致工业级训练的时间与算力成本翻倍。本次分享基于 MindSpo

​在金融风控、政务数据共享等强监管场景下，AI 模型的训练过程可追溯、推理结果可验证是落地核心要求。本次分享基于 MindSpore 与区块链技术栈，构建 “模型全生命周期上链存证 + 零知识证明（Z

​1 引言：为何选择MindSpore与昇腾生态 作为一名长期从事计算机视觉应用的开发者，我最近全面转向华为的MindSpore深度学习框架与昇腾NPU硬件平台。这一选择不仅源于对国产AI生态的支持，