【学习笔记】昇思25天学习打卡(D05)初学06-网络构建.ipynb

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。

下面我们将构建一个用于Mnist数据集分类的神经网络模型。

import mindspore
from mindspore import nn, ops

定义模型类

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。

class Network(nn.Cell):
    def __init__(self):
        super().__init__()
        self.flatten = nn.Flatten()
        self.dense_relu_sequential = nn.SequentialCell(
            nn.Dense(28*28, 512, weight_init="normal", bias_init="zeros"),
            nn.ReLU(),
            nn.Dense(512, 512, weight_init="normal", bias_init="zeros"),
            nn.ReLU(),
            nn.Dense(512, 10, weight_init="normal", bias_init="zeros")
        )

    def construct(self, x):
        x = self.flatten(x)
        logits = self.dense_relu_sequential(x)
        return logits

构建完成后，实例化Network对象，并查看其结构。

model = Network()
print(model)

我们构造一个输入数据，直接调用模型，可以获得一个二维的Tensor输出，其包含每个类别的原始预测值。

model.construct()方法不可直接调用。

X = ops.ones((1, 28, 28), mindspore.float32)
logits = model(X)
# print logits
logits

在此基础上，我们通过一个nn.Softmax层实例来获得预测概率。

pred_probab = nn.Softmax(axis=1)(logits)
y_pred = pred_probab.argmax(1)
print(f"Predicted class: {y_pred}")

模型层

本节中我们分解上节构造的神经网络模型中的每一层。首先我们构造一个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。

input_image = ops.ones((3, 28, 28), mindspore.float32)
print(input_image.shape)

nn.Flatten

实例化nn.Flatten对象，将输入展平为一维Tensor。

flatten = nn.Flatten()
flattened_image = flatten(input_image)
print(flattened_image.shape)

nn.Dense

实例化nn.Dense对象，并应用于展平后的输入。

layer1 = nn.Dense(28*28, 512, weight_init="normal", bias_init="zeros")
hidden1 = layer1(flattened_image)
print(hidden1.shape)

nn.ReLU

实例化nn.ReLU对象，并应用于隐藏层。

relu = nn.ReLU()
relu_output = relu(hidden1)
print(relu_output.shape)

nn.SequentialCell

使用nn.SequentialCell将多个层连接在一起。

model = nn.SequentialCell(
    nn.Dense(28*28, 512, weight_init="normal", bias_init="zeros"),
    nn.ReLU(),
    nn.Dense(512, 512, weight_init="normal", bias_init="zeros"),
    nn.ReLU(),
    nn.Dense(512, 10, weight_init="normal", bias_init="zeros")
)
print(model(input_image))

至此，我们已经构建了一个简单的神经网络模型，并展示了如何一步步地对输入进行处理。

Reference

教程来自：
https://gitee.com/mindspore/docs/blob/r2.3/tutorials/source_zh_cn/beginner/model.ipynb