MindSpore v1.1.0使用体验分享

转载地址：https://bbs.huaweicloud.com/forum/thread-99490-1-1.html

作者：NengjinZheng

一、前言

学习MindSpore有段时间了，说说我的使用心得吧。我是从一个AI小白开始学习深度学习，步入AI领域的，在接触到MindSpore之前，有听说TF、Pytorch等深度学习框架，但是没有去学习，所以MindSpore可以算是我AI领域的敲门砖吧。

MindSpore的安装十分简单，根据官网安装指导即可安装成功。十分流畅，在此便不赘述。

MindSpore1.1版本截图。

二、分享

分享一下使用MindSpore1.1训练LeNet网络吧：

LeNet5 + MNIST被誉为深度学习领域的“Hello world”。主要介绍使用MindSpore在MNIST手写数字数据集上开发和训练一个LeNet5模型，并验证模型精度。

数据集准备

MNIST是一个手写数字数据集，训练集包含60000张手写数字，测试集包含10000张手写数字，共10类。MNIST数据集的官网：THE MNIST DATABASE。从官网下载数据集并解压到本地文件夹中。文件结构如下所示。

MNIST
├── test
│   ├── t10k-images-idx3-ubyte
│   └── t10k-labels-idx1-ubyte
└── train
    └── train-images-idx3-ubyte
    └── train-labels-idx1-ubyte

导入MindSpore模块

设置MindSpore上下文，如执行模式、设备等。

数据处理

在使用数据集训练网络前，首先需要对数据进行预处理。

图片可视化

对其中几张图片进行可视化，可以看到图片中的手写数字，MindSpore1.1的新特性，images和labels是tensor，需要加上asnumpy()方法。

定义网络模型

训练

实例化网络，定义损失函数、优化器等等。MindSpore1.1的nn.loss.SoftmaxCrossEntropyWithLogits删除了is_grad参数。

训练结果

可以看出 ，loss值在0.07左右，精度达到了97.6%

三、心得体会

刚学MindSpore的时候，有许多不懂的地方，便在官网教程学习，试着跑样例代码，渐渐掌握了一些知识，其中让我觉得MindSpore的优点首先能在训练的同时进行精度验证并保存相应的模型；而且只要定义回调函数Callback便可实现，十分便捷；其次是MindSpore支持的动态图模式和静态图模式一行代码即可切换；最后是能够使用混合精度进行训练，速度提升了而且还能保持单精度训练所能达到的网络精度。

虽然优点众多，但是也有缺点，虽然MindSpore在Ascend上的支持度很高，但是在CPU/GPU上面还有点欠缺，希望能开发MindSpore在Ascend上的支持度很高，但是在CPU/GPU上面还有点欠缺，希望能够完善在CPU/GPU上面所支持的算子等等。

MindSpore框架有助于我理解深度学习，从数据的转换、封装到卷积层、池化层和全网络的设计，从训练、测试到推理，实操一遍后，让我对深度学习有了更深层次的认知，还加大了我对LeNet、Resnet50、AlexNet等网络的下去，对算法模型和调参有了更大的兴趣，一遍遍的训练模型以达到最好的训练精度。

安装环境

硬件环境：CPU

内存：8G

软件环境：

操作系统：Windows10

Python：Python 3.7.5

个人邮箱：znj254423959@163.com