mindspore-docs/docs/notebook

• MindSpore的教程体验
• • 环境配置
  • • Windows和Linux系统配置方法
    • Jupyter Notebook切换conda环境（Kernel Change）的配置方法
  • notebook说明

MindSpore的教程体验

环境配置

Windows和Linux系统配置方法

• 系统版本：Windows 10，Ubuntu 16.04及以上

• 软件配置：Anaconda，Jupyter Notebook

• 语言环境：Python3.7.X 推荐 Python3.7.5

• MindSpore 下载地址：MindSpore官网下载，使用Windows系统用户选择Windows-X86版本，使用Linux系统用户选择Ubuntu-X86版本

MindSpore的具体安装教程

Jupyter Notebook切换conda环境（Kernel Change）的配置方法

• 首先，增加Jupyter Notebook切换conda环境功能（Kernel Change）

  启动Anaconda Prompt，输入命令：

  conda install nb_conda
  

  建议在base环境操作上述命令。

  执行完毕，重启Jupyter Notebook即可完成功能添加。

• 然后，添加conda环境到Jypyter Notebook的Kernel Change中。

  1. 新建一个conda环境，启动Anaconda Prompt，输入命令：

     conda create -n {env_name} python=3.7.5
     

     env_name可以按照自己想要的环境名称自行命名。

  2. 激活新环境，输入命令：

     conda activate {env_name}
     

  3. 安装ipykernel，输入命令：

     conda install -n {env_name} ipykernel
     

     如果添加已有环境，只需执行安装ipykernel操作即可。

  执行完毕后，刷新Jupyter notebook页面点击Kernel下拉，选择Kernel Change，就能选择新添加的conda环境。

notebook说明

教  程  类  别	教  程  名  称	文  件  名  称	内  容  描  述
快速入门	手写数字分类识别入门体验教程	mindspore_quick_start.ipynb	- CPU平台下从数据集到模型验证的全过程解读 - 体验教程中各功能模块的使用说明 - 数据集图形化展示 - 了解LeNet5具体结构和参数作用 - 学习使用自定义回调函数 - loss值与训练步数的变化图 - 模型精度与训练步数的变化图 - 使用模型应用到手写图片的预测与分类上
基础使用	加载图像数据集	mindspore_load_dataset_image.ipynb	- 学习加载图像数据集 - 学习处理图像数据集 - 学习增强图像数据集
基础使用	加载文本数据集	mindspore_load_dataset_text.ipynb	- 学习加载文本数据集 - 学习处理文本数据集 - 学习文本数据集分词
基础使用	保存模型	mindspore_save_model.ipynb	- 了解不同平台用于训练的模型类型  - 学习如何用不同策略保存训练模型  - 学习如何将模型导出为不同的文件类型，用于不同平台上的训练
基础使用	加载模型用于推理或迁移学习	mindspore_load_model_for_inference_and_transfer.ipynb	- 了解预训练模型的方法 - 学习在本地加载已有的模型进行推理的方法 - 学习在本地加载模型并进行迁移学习的方法
处理数据	转换数据集为MindRecord	mindspore_convert_dataset.ipynb	- 展示将数据集转换为MindRecord - 展示读取MindRecord数据集
数据处理	优化数据准备的性能	mindspore_optimize_data_processing.ipynb	- 数据加载性能优化 - shuffle性能优化 - 数据增强性能优化 - 性能优化方案总结
应用实践	自然语言处理应用	mindspore_nlp_application.ipynb	- 展示MindSpore在自然语言处理的应用 - 展示自然语言处理中数据集特定的预处理方法 - 展示如何定义基于LSTM的SentimentNet网络
应用实践	计算机视觉应用	mindspore_computer_vision_application.ipynb	- 学习MindSpore卷积神经网络在计算机视觉应用的过程 - 学习下载CIFAR-10数据集，搭建运行环境 - 学习使用ResNet-50构建卷积神经网络 - 学习使用Momentum和SoftmaxCrossEntropyWithLogits构建优化器和损失函数 - 学习调试参数训练模型，判断模型精度
调试网络	模型的训练及验证同步方法	mindspore_evaluate_the_model_during_training.ipynb	- 了解模型训练和验证同步进行的方法 - 学习同步训练和验证中参数设置方法 - 利用绘图函数从保存的模型中挑选出最优模型
调试网络	使用PyNative进行神经网络的训练调试体验	mindspore_debugging_in_pynative_mode.ipynb	- GPU平台下从数据集获取单个数据进行单个step训练的数据变化全过程解读 - 了解PyNative模式下的调试方法 - 图片数据在训练过程中的变化情况的图形展示 - 了解构建权重梯度计算函数的方法 - 展示1个step过程中权重的变化及数据展示
调试网络	自定义调试信息体验文档	mindspore_custom_debugging_info.ipynb	- 了解MindSpore的自定义调试算子 - 学习使用自定义调试算子Callback设置定时训练 - 学习设置metrics算子输出相对应的模型精度信息 - 学习设置日志环境变量来控制glog输出日志
调试网络	MindInsight的溯源分析和对比分析	mindspore_lineage_and_scalars_comparison.ipynb	- 了解MindSpore中训练数据的采集及展示 - 学习使用回调函数SummaryCollector进行数据采集 - 使用MindInsight进行数据可视化 - 了解数据溯源和模型溯源的使用方法 - 了解对比分析的使用方法
调试网络	MindInsight训练看板	mindinsight_dashboard.ipynb	- 了解完整的MindSpore深度学习及MindInsight可视化展示的过程 - 学习使用MindInsight对训练过程中标量、直方图、图像、计算图、数据图和张量信息进行可视化展示 - 学习使用Summary算子记录标量、直方图、图像、计算图、数据图和张量信息
优化训练性能	应用梯度累积算法	mindspore_apply_gradient_accumulation.ipynb	- 了解梯度累积训练算法的原理 - 学习在MindSpore中自定义训练函数，并在其中实现前向传播和反向传播的计算过程构建，实现梯度累积计算 - 了解梯度累积训练对模型训练的影响
模型安全和隐私	模型安全	mindspore_improve_model_security_nad.ipynb	- 了解AI算法的安全威胁的概念和影响 - 介绍MindArmour提供的模型安全防护手段 - 学习如何模拟攻击训练模型 - 学习针对被攻击模型进行对抗性防御