为SciPy插上异构的翅膀，MindSpore SciPy教程详解

发布时间：2023-10-10 16:00

1、MindSpore框架的SciPy模块

SciPy 是基于NumPy实现的科学计算库，主要用于数学、物理学、生物学等科学以及工程学领域。诸如高阶迭代，线性代数求解等都会需要用到SicPy。SciPy大体上有数值最优化、线性代数、积分、插值、信号处理、常微分方程求解等计算求解模块。

原生的SciPy科学计算库仅可CPU平台下使能，对于GPU、Ascend等计算平台无法使用且没有高效的实现。

▪ MindSpore是以Python作为表达语言的AI框架，能够合理利用GPU和Ascend的计算能力进行高效计算，并且MindSopre提供了SciPy模块。

▪ mindsopre.scipy是MindSpore基于mindspore.numpy和自研算子实现的科学计算库，不仅兼容原生的SciPy能在CPU平台高效运行，而且支持在GPU、Ascend等平台加速计算。

▪ mindspore.scipy在CPU后端不仅能借助Minspore底层高效的CPU算子而且针对GPU平台也自实现了一系列的GPU底层高效算子。在GPU场景下能够提升硬件算力利用率，大幅提升科学计算的速度。随着后续的更新迭代，Ascend平台上也会使能高性能的mindspore.scipy模块。

除支持在不同硬件平台加速计算外，mindspore.scipy的接口定义与原生的SciPy保持高度一致，而当前业界已知的TensorFlow和PyTorch等框架中对于科学计算的接口支持与原生SciPy的接口对比存在差异。

对于当前MindSpore已经支持的接口，原生的SciPy实现可以直接替换成mindspore.scipy的实现（后面的例子可以看到）。接口定义的高度一致最大程度地降低用户的迁移成本，提高minspore.scipy的易用性。

2、安装mindspore.scipy

MindSpore的SciPy模块是作为科学计算的组件嵌入在MindSpore中的。当用户成功安装MindSpore框架后，minspore.scipy也会随之安装。

MindSpore的安装命令由下图所示：

$\"为SciPy插上异构的翅膀，MindSpore$

推荐使用采用pip的方式完成MindSpore的安装。

值得注意的是，mindspore.scipy目前仅支持1.6.0及以上的版本，并且支持的平台仅包含CPU(Linux-x86_64)以及GPU(Linux-x86_64)，Windows以及Ascend平台目前尚未支持。

mindspore.scipy还在不断地发展，在后续的更新迭代中会逐渐更丰富、更高效、更便捷的用户接口以及更多计算平台。

Linux系统下CPU的pip安装命令为:

pip install https://ms-release.obs.cn-north-4.myhuaweicloud.com/1.6.0/MindSpore/cpu/x86_64/mindspore-1.6.0-cp37-cp37m-linux_x86_64.whl  --trusted-host ms-release.obs.cn-north-4.myhuaweicloud.com -i https://pypi.tuna.tsinghua.edu.cn/simple

Linux 系统下GPU的pip安装命令为:

pip install https://ms-release.obs.cn-north-4.myhuaweicloud.com/1.6.0/MindSpore/cpu/x86_64/mindspore-1.6.0-cp37-cp37m-linux_x86_64.whl  --trusted-host ms-release.obs.cn-north-4.myhuaweicloud.com -i https://pypi.tuna.tsinghua.edu.cn/simple

安装成功后显示的界面如下：

$\"\"$

import mindspore  import mindspore.scipy  print(mindspore.__version__)

如果输出1.6.0并且没有错误提示的话，说明mindspore.scipy正确安装了。

$\"为SciPy插上异构的翅膀，MindSpore$

除了上述的pip命令安装，还可以用别的方式（例如源码）进行安装，详细的执行步骤可以参考：https://www.mindspore.cn/install。

3、如何使用mindspore.scipy

从1、2小节可知，mindspore.scipy的接口是与原生SciPy高度对齐的，以下是一个简单的例子来展示如何极小程度修改原生SciPy的脚本，使能GPU计算。

以下代码是使用原生NumPy和SciPy计算一个正定对称的实数矩阵进行cholesky分解和求解线性方程的过程：

import numpy as np  from scipy.linalg import cho_factor as cho_factor  from scipy.linalg import cho_solve as cho_solve  a = np.array([[9., 3., 1., 5.], [3., 7., 5., 1.], [1., 5., 9., 2.], [5., 1., 2., 6.]])  b = np.array([1., 1., 1., 1.])  c, low = cho_factor(A)  # 计算 A = L L*  x = cho_solve((c, low), b)  # 计算 A x = b  print(np.dot(A, x) - b)  # 输出 A x - b 是否为0

运行上述脚本输出为：

[0.00000000e+00 2.22044605e-16 0.00000000e+00 0.00000000e+00]

上述脚本中的分解和求解方程只能通过CPU进行计算，因为原生NumPy和SciPy只能在CPU上运行。安装了GPU下的MindSpore之后，将import的包改为mindspore.scipy，便可在GPU下对矩阵进行运算。修改后的脚本为：

import mindspore.numpy as np  # 修改为mindspore.numpy  from mindspore.scipy.linalg import cho_factor as cho_factor  # 修改为mindspore.scipy  from mindspore.scipy.linalg import cho_solve as cho_solve  # 修改为mindspore.scipy  a = np.array([[9., 3., 1., 5.], [3., 7., 5., 1.], [1., 5., 9., 2.], [5., 1., 2., 6.]])  b = np.array([1., 1., 1., 1.])  c, low = cho_factor(A)  x = cho_solve((c, low), b)  print(np.dot(A, x) - b)

运行上述脚本，输出结果为：

[-5.9604645e-08  0.0000000e+00  0.0000000e+00 -5.9604645e-08]

值得注意的是，mindspore.numpy.array默认构造的浮点类型是float32，如果需要更高的精度，用户可以将对应输入数据类型指定为float64，即

a = np.array([[9., 3., 1., 5.], [3., 7., 5., 1.], [1., 5., 9., 2.], [5., 1., 2., 6.]], dtype=np.float64)

若用户使用mindspore.scipy时存在编译时间过长的问题，可以尝试使用动态图模式运行MindSpore。

mindspore.scipy的接口支持动静态图两种模式运行。默认情况下，MindSpore的运行是图模式（GRAPH_MODE），用户进需要输入代码，即可切换为动态图模式（PYNATIVE_MODE）：

from mindspore import context  context.set_context(mode=context.PYNATIVE_MODE)关于cholesky分解，mindspore.scipy.linalg中有mindspore.scipy.linalg.cho_factor、mindspore.scipy.linalg.cholesky两个对外接口，对应的api描述可点击下方链接查看：

https://www.mindspore.cn/docs/api/zh-CN/master/api_python/scipy/mindspore.scipy.linalg.cho_factor.html#mindspore.scipy.linalg.cho_factor

$\"为SciPy插上异构的翅膀，MindSpore$