“未来十年是AI的黄金十年”，业已成为各界共识。无论是硅谷巨头还是国内的华为、腾讯、阿里，都把AI视作开启下一个时代的钥匙。
作为最为核心的AI技术之一，深度学习成为各企业进军AI领域的突破口。在经历了Caffe、Theano代表的浅层框架时代以及Tensorflow、PyTorch代表的通用框架时代，深度学习框架的发展，迎来了以MindSpore为代表的全场景AI计算框架的新时代。
MindSpore是华为推出的深度学习框架，具备统一的模型训练、推理和导出等接口，支持端、边、云等不同场景下的灵活部署。自年3月正式开源以来，MindSpore已经培育了一个十分活跃的技术社区，软件总下载量超万，Star数量超1.6万，PR数超5.16万。
风口之上，如何将AI技术落地，才是关键。AI落地，就是要摆脱概念化，就必须找到合适的场景。年9月起，MindSpore社区开展了“MindSpore开源活动”，设计了很多基于实际场景需求的任务。
比如，在做图像识别时，载入图片之后，往往需要对图片进行预处理，以保证图像符合预训练模型的需求，其中一项就是把图像数据由（H,W,C）的矩阵转换为（C,H,W）。MindSpore现有的转换算子，只能输入三通道数的图片，Gitee
unseenme仅用了几天时间就实现了多通道图像输入。这很有必要。在常规图像处理以外的领域，如医学图像处理，其包含图像的通道数可能达到了，因为医疗图像中每一层可以看成是一个切片，整张图片包含很多的切片。自“MindSpore开源活动”启动以来，已经提交了数十个PR，其中近一半已经被合并。
其中一个PR与脑瘤识别有关。数据集是多张脑影像图片，分为no_tumor（无肿瘤）、glioma_tumor（胶质瘤）、meningioma_tumor（脑膜瘤）、pituitary_tumor（垂体瘤）四类训练集。由于图片数量较少，且各类脑瘤对于非专业的医学人士而言难以分辨，因此任务难度很高。不过，Gitee
liyu_sup基于卷积神经网络以及深度残差网络，很快就建立了脑瘤识别的baseline模型，并且将代码贡献给了MindSpore社区。事实上，随着深度学习的快速发展，越来越多的研究者都在尝试将深度学习技术引入到肿瘤检测项目中。基于人工提取特征的检测算法，不仅需要专业领域的知识，而且耗时费力，并且最后还不一定能提取高质量特征，而利用深度学习建立模型则完美解决了这些问题。
MindSpore合并的PR，大部分能够应用在实际的场景中，最大化地将个人智慧产生社会影响力，真正实现技术的落地。
在AI落地行业时，最大的挑战是如何降低开发门槛，并提供泛化能力，解决小样本、跨模态等关键技术。
因此，MindSpore在不遗余力地引导更多开发者