昇思25天学习打卡营第06天|xkd007

0. 网络构建

神经网络模型是由神经网络层和Tensor操作构成的，mindspore.nn提供了常见神经网络层的实现，在MindSpore中，Cell类是构建所有网络的基类，也是网络的基本单元。一个神经网络模型表示为一个Cell，它由不同的子Cell构成。使用这样的嵌套结构，可以简单地使用面向对象编程的思维，对神经网络结构进行构建和管理。

下面将构建一个用于Mnist数据集分类的神经网络模型。

1. 定义模型类

① 当我们定义神经网络时，可以继承nn.Cell类，在__init__方法中进行子Cell的实例化和状态管理，在construct方法中实现Tensor操作。

construct意为神经网络（计算图）构建，相关内容详见使用静态图加速。

② 构建完成后，实例化Network对象，并查看其结构。

③ 构造一个输入数据，直接调用模型，可以获得一个十维的Tensor输出，其包含每个类别的原始预测值。

④ 在此基础上，我们通过一个nn.Softmax层实例来获得预测概率。

2. 模型层

本节将分解上节构造的神经网络模型中的每一层。

① 构建数据

首先构造一个shape为(3, 28, 28)的随机数据（3个28x28的图像），依次通过每一个神经网络层来观察其效果。 

② nn.Flatten

实例化nn.Flatten层，将28x28的2D张量转换为784大小的连续数组。

③ nn.Dense

nn.Dense为全连接层，其使用权重和偏差对输入进行线性变换。

④ nn.ReLU

nn.ReLU层给网络中加入非线性的激活函数，帮助神经网络学习各种复杂的特征。

 

⑤ nn.SequentialCell

nn.SequentialCell是一个有序的Cell容器。输入Tensor将按照定义的顺序通过所有Cell。我们可以使用SequentialCell来快速组合构造一个神经网络模型。 

⑥ nn.Softmax

最后使用nn.Softmax将神经网络最后一个全连接层返回的logits的值缩放为[0, 1]，表示每个类别的预测概率。axis指定的维度数值和为1。

  

3. 模型参数

网络内部神经网络层具有权重参数和偏置参数（如nn.Dense），这些参数会在训练过程中不断进行优化，可通过 model.parameters_and_names() 来获取参数名及对应的参数详情。

 更多内置神经网络层详见mindspore.nn API。