昇思25天学习打卡营第1天|快速入门

目录

背景

知识干货

昇思MindSpore介绍

华为昇腾AI全栈介绍

入门案例

处理数据集

create_tuple_iterator

create_dict_iterator

网络构建

定义网络模型

模型训练

实例化损失函数和优化器

​编辑定义测试函数评估模型的性能

保存模型

加载模型

实例化一个随机初始化的模型

预测推理

---

背景

       CSDN联合华为昇思举办 昇思25天学习打卡营，从0基础开始，免费提供算力支持，对昇思MindSpore感兴趣的开发者积极报名参与！

点击学习打卡指南链接即可报名参与：昇思25天打卡指南

知识干货

今天的干活是快速入门，顾名思义就是只要知道是什么就行 。

昇思MindSpore介绍

昇思MindSpore是一个全场景深度学习框架，旨在实现易开发、高效执行、全场景统一部署三大目标。

其中，易开发表现为API友好、调试难度低；高效执行包括计算效率、数据预处理效率和分布式训练效率；全场景则指框架同时支持云、边缘以及端侧场景。

昇思MindSpore总体架构如下图所示：

华为昇腾AI全栈介绍

昇腾计算，是基于昇腾系列处理器构建的全栈AI计算基础设施及应用，包括昇腾Ascend系列芯片、Atlas系列硬件、CANN芯片使能、MindSpore AI框架、ModelArts、MindX应用使能等。

华为Atlas人工智能计算解决方案，是基于昇腾系列AI处理器，通过模块、板卡、小站、服务器、集群等丰富的产品形态，打造面向“端、边、云”的全场景AI基础设施方案，涵盖数据中心解决方案、智能边缘解决方案，覆盖深度学习领域推理和训练全流程。

昇腾AI全栈如下图所示：

• 昇腾应用使能：华为各大产品线基于MindSpore提供的AI平台或服务能力
• MindSpore：支持端、边、云独立的和协同的统一训练和推理框架
• CANN：昇腾芯片使能、驱动层（了解更多）。
• 计算资源：昇腾系列化IP、芯片和服务器

入门案例

通过MindSpore的API来快速实现一个简单的深度学习模型，具体操作流程如下：

下载数据集  模型组网  模型训练  保存模型

实验环境准备：

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。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。

本章节中的示例代码依赖download，可使用命令pip install download安装。如本文档以Notebook运行时，完成安装后需要重启kernel才能执行后续代码

 示例代码：

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。

示例代码：

# Map vision transforms and batch dataset（数据类型转换）
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。

create_tuple_iterator

create_dict_iterator

这两种的区别只是写法格式不一样，效果是一样的

​​​​​​

网络构建

mindspore.nn类是构建所有网络的基类，也是网络的基本单元。当用户需要自定义网络时，可以继承nn.Cell类，并重写__init__方法和construct方法。__init__包含所有网络层的定义，construct中包含数据（Tensor）的变换过程。

定义网络模型

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。

实例化损失函数和优化器

定义测试函数评估模型的性能

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。

保存模型

模型训练完成后，需要将其参数进行保存。

加载模型

加载保存的权重分为两步：

1. 重新实例化模型对象，构造模型。
2. 加载模型参数，并将其加载至模型上。

实例化一个随机初始化的模型

param_not_load是未被加载的参数列表，为空时代表所有参数均加载成功。

预测推理

今天的干活分享大家一定收获满满，更进一步加深了深度学习框架的印象，明天我们继续共同进步！