昇思打卡第一天

快速入门

本节通过MindSpore的API来快速实现一个简单的深度学习模型。若想要深入了解MindSpore的使用方法，请参阅各节最后提供的参考链接。

import mindspore
from mindspore import nn
from mindspore.dataset import vision, transforms
from mindspore.dataset import MnistDataset

处理数据集

MindSpore提供基于Pipeline的数据引擎，通过数据集（Dataset）和数据变换（Transforms）实现高效的数据预处理。在本教程中，我们使用Mnist数据集，自动下载完成后，使用mindspore.dataset提供的数据变换进行预处理。

# Download data from open datasets
from download import download

url = "https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/" \
      "notebook/datasets/MNIST_Data.zip"
path = download(url, "./", kind="zip", replace=True)

MNIST数据集目录结构如下：

MNIST_Data
└── train
    ├── train-images-idx3-ubyte (60000个训练图片)
    ├── train-labels-idx1-ubyte (60000个训练标签)
└── test
    ├── t10k-images-idx3-ubyte (10000个测试图片)
    ├── t10k-labels-idx1-ubyte (10000个测试标签)

数据下载完成后，获得数据集对象。

train_dataset = MnistDataset('MNIST_Data/train')
test_dataset = MnistDataset('MNIST_Data/test')

打印数据集中包含的数据列名，用于dataset的预处理。

print(train_dataset.get_col_names())

MindSpore的dataset使用数据处理流水线（Data Processing Pipeline），需指定map、batch、shuffle等操作。这里我们使用map对图像数据及标签进行变换处理，将输入的图像缩放为1/255，根据均值0.1307和标准差值0.3081进行归一化处理，然后将处理好的数据集打包为大小为64的batch。

def datapipe(dataset, batch_size):
    image_transforms = [
        vision.Rescale(1.0 / 255.0, 0),
        vision.Normalize(mean=(0.1307,), std=(0.3081,)),
        vision.HWC2CHW()
    ]
    label_transform = transforms.TypeCast(mindspore.int32)

    dataset = dataset.map(image_transforms, 'image')
    dataset = dataset.map(label_transform, 'label')
    dataset = dataset.batch(batch_size)
    return dataset

# Map vision transforms and batch dataset
train_dataset = datapipe(train_dataset, 64)
test_dataset = datapipe(test_dataset, 64)

可使用create_tuple_iterator 或create_dict_iterator对数据集进行迭代访问，查看数据和标签的shape和datatype。

for image, label in test_dataset.create_tuple_iterator():
    print(f"Shape of image [N, C, H, W]: {image.shape} {image.dtype}")
    print(f"Shape of label: {label.shape} {label.dtype}")
    break

for data in test_dataset.create_dict_iterator():
    print(f"Shape of image [N, C, H, W]: {data['image'].shape} {data['image'].dtype}")
    print(f"Shape of label: {data['label'].shape} {data['label'].dtype}")
    break

模型训练

在模型训练中，一个完整的训练过程（step）需要实现以下三步：

1. 正向计算：模型预测结果（logits），并与正确标签（label）求预测损失（loss）。

2. 反向传播：利用自动微分机制，自动求模型参数（parameters）对于loss的梯度（gradients）。

3. 参数优化：将梯度更新到参数上。

MindSpore使用函数式自动微分机制，因此针对上述步骤需要实现：

1. 定义正向计算函数。

2. 使用value_and_grad通过函数变换获得梯度计算函数。

3. 定义训练函数，使用set_train设置为训练模式，执行正向计算、反向传播和参数优化。

   # Instantiate loss function and optimizer
   loss_fn = nn.CrossEntropyLoss()
   optimizer = nn.SGD(model.trainable_params(), 1e-2)
   
   # 1. Define forward function
   def forward_fn(data, label):
       logits = model(data)
       loss = loss_fn(logits, label)
       return loss, logits
   
   # 2. Get gradient function
   grad_fn = mindspore.value_and_grad(forward_fn, None, optimizer.parameters, has_aux=True)
   
   # 3. Define function of one-step training
   def train_step(data, label):
       (loss, _), grads = grad_fn(data, label)
       optimizer(grads)
       return loss
   
   def train(model, dataset):
       size = dataset.get_dataset_size()
       model.set_train()
       for batch, (data, label) in enumerate(dataset.create_tuple_iterator()):
           loss = train_step(data, label)
   
           if batch % 100 == 0:
               loss, current = loss.asnumpy(), batch
               print(f"loss: {loss:>7f}  [{current:>3d}/{size:>3d}]")
   

   除训练外，我们定义测试函数，用来评估模型的性能。

   def test(model, dataset, loss_fn):
       num_batches = dataset.get_dataset_size()
       model.set_train(False)
       total, test_loss, correct = 0, 0, 0
       for data, label in dataset.create_tuple_iterator():
           pred = model(data)
           total += len(data)
           test_loss += loss_fn(pred, label).asnumpy()
           correct += (pred.argmax(1) == label).asnumpy().sum()
       test_loss /= num_batches
       correct /= total
       print(f"Test: \n Accuracy: {(100*correct):>0.1f}%, Avg loss: {test_loss:>8f} \n")
   

   训练过程需多次迭代数据集，一次完整的迭代称为一轮（epoch）。在每一轮，遍历训练集进行训练，结束后使用测试集进行预测。打印每一轮的loss值和预测准确率（Accuracy），可以看到loss在不断下降，Accuracy在不断提高。

   epochs = 3
   for t in range(epochs):
       print(f"Epoch {t+1}\n-------------------------------")
       train(model, train_dataset)
       test(model, test_dataset, loss_fn)
   print("Done!")
   

   保存模型

   模型训练完成后，需要将其参数进行保存。

   # Save checkpoint
   mindspore.save_checkpoint(model, "model.ckpt")
   print("Saved Model to model.ckpt")
   

   加载模型

   加载保存的权重分为两步：                                                                                                                                重新实例化模型对象，构造模型。                                                                                                加载模型参数，并将其加载至模型上。

   # Instantiate a random initialized model
   model = Network()
   # Load checkpoint and load parameter to model
   param_dict = mindspore.load_checkpoint("model.ckpt")
   param_not_load, _ = mindspore.load_param_into_net(model, param_dict)
   print(param_not_load)
   

   加载后的模型可以直接用于预测推理。

   model.set_train(False)
   for data, label in test_dataset:
       pred = model(data)
       predicted = pred.argmax(1)
       print(f'Predicted: "{predicted[:10]}", Actual: "{label[:10]}"')
       break