昇思25天学习打卡营第6天 |昇思MindSpore 模型训练的学习与总结

1. 构建数据集

构建数据集是模型训练的第一步。在本实验中，我们使用了MNIST手写数字数据集。具体步骤如下：

• 下载数据集：使用 download 函数从指定URL下载并解压MNIST数据集。
• 数据预处理：定义数据预处理管道，包括图像的缩放、归一化和维度转换。
• 加载数据集：使用 MnistDataset 函数加载训练和测试数据集，并应用预处理管道。最后将数据集按批次大小进行分组。

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)

def datapipe(path, 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 = MnistDataset(path)
    dataset = dataset.map(image_transforms, 'image')
    dataset = dataset.map(label_transform, 'label')
    dataset = dataset.batch(batch_size)
    return dataset

train_dataset = datapipe('MNIST_Data/train', batch_size=64)
test_dataset = datapipe('MNIST_Data/test', batch_size=64)

2. 定义神经网络模型

神经网络模型定义了模型的架构。在本实验中，我们定义了一个包含三层全连接层和ReLU激活函数的简单神经网络。

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

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

model = Network()

3. 定义超参、损失函数及优化器

超参、损失函数和优化器是模型训练的关键参数。

• 超参：包括训练轮次（epochs）、批次大小（batch size）和学习率（learning rate）。

epochs = 3
batch_size = 64
learning_rate = 1e-2

• 损失函数：使用 nn.CrossEntropyLoss 计算预测值与目标值之间的误差。

loss_fn = nn.CrossEntropyLoss()

• 优化器：使用 nn.SGD 优化器来更新模型参数。

optimizer = nn.SGD(model.trainable_params(), learning_rate=learning_rate)

4. 输入数据集进行训练与评估

最后一步是输入数据集进行训练和评估。我们定义了 train_loop 和 test_loop 函数来分别执行训练和测试。

训练函数

训练函数 train_loop 包括以下步骤：

• 设置模型为训练模式。
• 循环遍历训练数据集，计算损失和梯度，更新模型参数。

def forward_fn(data, label):
    logits = model(data)
    loss = loss_fn(logits, label)
    return loss, logits

grad_fn = mindspore.value_and_grad(forward_fn, None, optimizer.parameters, has_aux=True)

def train_step(data, label):
    (loss, _), grads = grad_fn(data, label)
    optimizer(grads)
    return loss

def train_loop(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}]")

测试函数

测试函数 test_loop 包括以下步骤：

• 设置模型为评估模式。
• 循环遍历测试数据集，计算损失和准确率。

def test_loop(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")

训练与评估

在每个训练轮次中，我们调用 train_loop 和 test_loop 函数进行训练和测试，并输出每轮的损失和准确率。

for t in range(epochs):
    print(f"Epoch {t+1}\n-------------------------------")
    train_loop(model, train_dataset)
    test_loop(model, test_dataset, loss_fn)

print("Done!")

结果分析

在训练3轮后，模型的准确率逐渐提高，损失逐渐降低。具体结果如下：

• 第1轮：损失从2.327下降到0.298，准确率达到90.6%。
• 第2轮：损失从0.467下降到0.083，准确率达到92.7%。
• 第3轮：损失从0.364下降到0.126，准确率达到93.7%。

最终，经过3轮训练，模型在测试集上的准确率达到了93.7%，表明模型具有较好的分类性能。

总结

1. download

函数/关键词	参数	作用	例句
download	url: str, path: str, kind: str, replace: bool	从指定URL下载文件并解压到目标路径	download("https://example.com/data.zip", "./", "zip", True)

2. 数据预处理相关函数

函数/关键词	参数	作用	例句
vision.Rescale	scale: float, shift: float	按比例缩放图像	vision.Rescale(1.0 / 255.0, 0)
vision.Normalize	mean: tuple, std: tuple	图像归一化处理	vision.Normalize(mean=(0.1307,), std=(0.3081,))
vision.HWC2CHW	无	将图像从HWC格式转换为CHW格式	vision.HWC2CHW()
transforms.TypeCast	dtype: type	转换标签数据类型	transforms.TypeCast(mindspore.int32)

3. 数据集相关函数

函数/关键词	参数	作用	例句
MnistDataset	path: str	加载MNIST数据集	MnistDataset('MNIST_Data/train')
map	operations: list, input_columns: str	对数据集进行操作，如图像预处理	dataset.map(image_transforms, 'image')
batch	batch_size: int	将数据集按批次大小进行分组	dataset.batch(batch_size)

4. 神经网络相关函数

函数/关键词	参数	作用	例句
nn.Cell	无	定义神经网络的基类	class Network(nn.Cell)
nn.Flatten	无	将输入展平	self.flatten = nn.Flatten()
nn.Dense	in_channels: int, out_channels: int	全连接层	nn.Dense(28*28, 512)
nn.ReLU	无	ReLU激活函数	nn.ReLU()
nn.SequentialCell	cells: list	顺序容器	nn.SequentialCell([nn.Dense(28*28, 512), nn.ReLU()])

5. 超参、损失函数和优化器相关函数

函数/关键词	参数	作用	例句
nn.CrossEntropyLoss	无	交叉熵损失函数	loss_fn = nn.CrossEntropyLoss()
nn.SGD	params: list, learning_rate: float	随机梯度下降优化器	optimizer = nn.SGD(model.trainable_params(), learning_rate=1e-2)

6. 训练与评估相关函数

函数/关键词	参数	作用	例句
mindspore.value_and_grad	fn: callable, params: list, has_aux: bool	计算函数的值和梯度	grad_fn = mindspore.value_and_grad(forward_fn, None, optimizer.parameters, has_aux=True)
create_tuple_iterator	无	创建数据集迭代器	for data, label in dataset.create_tuple_iterator():
asnumpy	无	将张量转换为NumPy数组	loss.asnumpy()

示例

以下是上述函数和关键词的使用示例：

# 下载数据集
from download import download
url = "https://example.com/data.zip"
path = download(url, "./", kind="zip", replace=True)

# 数据预处理
import mindspore
from mindspore.dataset import vision, transforms
from mindspore.dataset import MnistDataset

def datapipe(path, 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 = MnistDataset(path)
    dataset = dataset.map(image_transforms, 'image')
    dataset = dataset.map(label_transform, 'label')
    dataset = dataset.batch(batch_size)
    return dataset

train_dataset = datapipe('MNIST_Data/train', batch_size=64)
test_dataset = datapipe('MNIST_Data/test', batch_size=64)

# 定义神经网络
import mindspore.nn as nn

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

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

model = Network()

# 定义超参、损失函数和优化器
epochs = 3
batch_size = 64
learning_rate = 1e-2
loss_fn = nn.CrossEntropyLoss()
optimizer = nn.SGD(model.trainable_params(), learning_rate=learning_rate)

# 训练与评估
import mindspore

def forward_fn(data, label):
    logits = model(data)
    loss = loss_fn(logits, label)
    return loss, logits

grad_fn = mindspore.value_and_grad(forward_fn, None, optimizer.parameters, has_aux=True)

def train_step(data, label):
    (loss, _), grads = grad_fn(data, label)
    optimizer(grads)
    return loss

def train_loop(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}]")

def test_loop(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")

for t in range(epochs):
    print(f"Epoch {t+1}\n-------------------------------")
    train_loop(model, train_dataset)
    test_loop(model, test_dataset, loss_fn)

print("Done!")

通过表格和示例，可以更直观地理解每个函数和关键词的作用、参数及其使用方法。希望这些总结和示例对您有帮助。