1. 计算图：AI模型的“蓝图”

在构建一个AI模型时，我们实际上是在定义一系列数学运算。计算图就是用来可视化和组织这些运算流程的“设计蓝图”。

简单来说，计算图是一个有向无环图（DAG），它由两种核心元素构成：

• 节点（Nodes）: 代表数据（通常是 Tensor）或施加在数据上的运算（Operation，例如加、减、乘、除、卷积等）。
• 边（Edges）: 代表数据从一个运算节点流向下一个运算节点的路径，清晰地展示了计算的依赖关系和执行顺序。

以一个基础的线性方程 y = W * x + b为例，其计算图可以直观地表示为：

在这个图中：

• x, W, b是输入的数据节点（Input Tensors）。
• *(乘法) 和 +(加法) 是运算节点（Operations）。
• y是最终的输出节点（Output Tensor）。

数据 x和 W首先流入乘法节点，其结果再与 b一同流入加法节点，最终得到输出 y。这个流程清晰地定义了模型的前向传播过程。

1.1 静态图 vs. 动态图：两种不同的“执行策略”

MindSpore支持两种计算图模式，这在之前的文章中提到过，现在我们来深入理解它们：

• 静态图模式 (GRAPH_MODE):

  • 策略: “先规划，后执行”。MindSpore会先将你的Python代码转换成一个完整、固定的计算图。然后，它会对这个图进行深度优化（比如合并一些运算、利用并行计算等），最后才一次性地执行整个优化后的图。
  • 比喻: 像修建一条地铁线路。在动工前，工程师会绘制出完整的线路图、站点分布图，并进行全面优化。一旦开工，就按照这个固定蓝图高效建设，中途不能随意更改线路。
  • 优点: 性能极致。因为提前知道了全部计算流程，所以可以做到最大程度的优化。
  • 缺点: 调试相对困难。代码执行流和Python的写法不完全一致，报错信息可能不易定位到原始代码。

• 动态图模式 (PYNATIVE_MODE):

  • 策略: “边解释，边执行”。MindSpore会逐行解释并执行你的Python代码，每执行一行运算，就动态地构建一小块计算图并立即计算。
  • 比喻: 像开车使用实时导航。你每经过一个路口，导航会根据实时路况告诉你下一步怎么走。你可以随时根据路况（比如前方堵车）改变路线。
  • 优点: 灵活、易于调试。完全符合Python的编程习惯，可以随时打印Tensor的值、使用if/else或for循环等进行复杂的流程控制。
  • 缺点: 性能通常低于静态图模式，因为无法进行全局优化。

如何选择？

• 初学和调试阶段: 强烈推荐使用 PYNATIVE_MODE。
• 模型训练和部署阶段: 为了追求极致性能，应切换到 GRAPH_MODE。

我们可以通过set_context轻松切换模式：

import mindspore
# mindspore.set_context(mode=mindspore.GRAPH_MODE) # 切换到静态图
mindspore.set_context(mode=mindspore.PYNATIVE_MODE) # 切换到动态图

2. nn.Cell：构建网络的“乐高积木”

计算图描述了“做什么”，而nn.Cell则是“用什么来做”的答案。

在MindSpore中，nn.Cell是所有网络结构和神经网络层（如卷积层、全连接层）的基类。你可以把它想象成一块最基础的“乐高积木”。你可以用这些小积木（比如一个卷积层nn.Conv2d）拼成一个稍大的组件（比如一个残差块），然后用这些组件再拼成一个完整的模型（比如一个ResNet网络）。

一个自定义的nn.Cell通常包含两部分：

1. __init__(self)方法: 用于定义和初始化你将要用到的“子积木”（其他的Cell或ops算子）。
2. construct(self, ...)方法: 用于定义数据（Tensor）是如何在这些“子积木”之间流动的，也就是在此处搭建计算图的“流程”。

3. 实战：用nn.Cell搭建一个简单的线性网络

让我们来构建一个前面提到的 y = W * x + b线性变换网络。在神经网络中，这通常被称为“全连接层”或“稠密层”。

import numpy as np
import mindspore
from mindspore import nn, ops, Tensor

# 确保在动态图模式下
mindspore.set_context(mode=mindspore.PYNATIVE_MODE)

# 1. 定义我们的网络，它继承自 nn.Cell
class MyLinearNet(nn.Cell):
    def __init__(self):
        # 调用父类的初始化方法，这是必须的
        super().__init__()
    
        # 在这里，我们定义需要的“积木”
        # MindSpore提供了现成的全连接层 nn.Dense
        # nn.Dense(in_channels=3, out_channels=4) 表示输入是3个特征，输出是4个特征
        # 它会自动创建并管理权重W和偏置b
        self.dense = nn.Dense(in_channels=3, out_channels=4)

    def construct(self, x):
        # 在这里，我们定义数据x如何“流过”积木
        # 将输入x传入我们定义好的dense层
        output = self.dense(x)
        return output

# 2. 实例化我们的网络
net = MyLinearNet()
print("网络结构:\n", net)

# 3. 准备输入数据
# 创建一个形状为(2, 3)的Tensor，表示有2个样本，每个样本有3个特征
input_data = Tensor(np.random.rand(2, 3), mindspore.float32)
print("\n输入数据:\n", input_data)

# 4. 执行前向计算
# 直接调用实例化的net对象，并传入数据，MindSpore会自动调用construct方法
output_data = net(input_data)

print("\n输出数据:\n", output_data)
print("\n输出数据的形状:", output_data.shape) # 形状应为(2, 4)

代码解读:

• 我们创建了一个MyLinearNet类，它是一个nn.Cell。
• 在__init__中，我们实例化了一个nn.Dense层。nn.Dense本身也是一个nn.Cell，这就是“积木”的嵌套。MindSpore会自动为nn.Dense层创建并初始化权重W和偏置b，这些参数会被自动追踪和管理。
• 在construct中，我们定义了前向传播的逻辑：就是把输入x喂给self.dense层，然后返回结果。
• 最后，我们像调用一个普通Python函数一样调用net(input_data)，得到了计算结果。

4. 总结

本文我们学习了两个构建MindSpore模型的核心概念：

• 计算图: 描述运算流程的“蓝图”，分为高性能的静态图和易于调试的动态图两种模式。
• nn.Cell: 构建网络的“积木”，通过继承它并实现__init__和construct方法，我们可以像搭乐高一样自由地组合、嵌套，构建出任意复杂的神经网络。

现在，你不仅拥有了“原材料”（Tensor），还掌握了搭建“工厂蓝图”（计算图）和制造“生产线”（nn.Cell）的方法。在接下来的文章中，我们将学习更多更强大的“积木”——MindSpore提供的各种神经网络层，并开始构建一个能解决实际问题的完整模型。