Mindspore 初学教程 - 2. 快速入门

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。

一、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。

本节中的示例代码依赖 download python库，可使用命令 pip install download 安装。

数据集下载函数，并返回数据集对象

def get_dataset(url):

    if os.path.exists('./MNIST_Data'):
        print("数据集已下载无需重复下载")

    else:
        path = download(url, "./", kind="zip", replace=True)

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

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)

打印数据集中包含的数据列名，用于 dataset 的预处理。

def show_dataset_col():
    # 数据集下载地址
    url = "https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/notebook/datasets/MNIST_Data.zip"
    train_dataset, test_dataset = get_dataset(url)
    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，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

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。

def show_shape():
    url = "https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/notebook/datasets/MNIST_Data.zip"
    train_dataset, test_dataset = get_dataset(url)

    test_dataset = datapipe(test_dataset, 64)
    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

二、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。

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

def show_model():
    model = Network()
    print(model)

三、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. 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。

# 1. 正向计算过程
def forward_fn_model(model, loss_fn):
    def forward_fn(data, label):
        logits = model(data)
        loss = loss_fn(logits, label)
        return loss, logits
    return forward_fn


# 3. 定义一次训练
def train_step(data, label, grad_fn, optimizer):
    (loss, _), grads = grad_fn(data, label)
    optimizer(grads)
    return loss

# 定义训练函数
def train(model, dataset, grad_fn, optimizer):
    size = dataset.get_dataset_size()
    model.set_train()
    for batch, (data, label) in enumerate(dataset.create_tuple_iterator()):
        loss = train_step(data, label, grad_fn, optimizer)

        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 model_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。

四、保存模型

模型训练完成后，需要将其参数进行保存。这一步通常会放置在训练函数里面，我放到了 main 函数里面

mindspore.save_checkpoint(model, "model.ckpt")

五、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。

详见：保存与加载 章节。

def load_model():
    model = Network()

    # 加载模型参数
    param_dict = mindspore.load_checkpoint("model.ckpt")
    param_not_load, _ = mindspore.load_param_into_net(model, param_dict)
    print(param_not_load)

    model.set_train(False)

    return model

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。加载后的模型可以直接用于预测推理。

def model_predicted(model):
    # 数据集下载地址
    url = "https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/notebook/datasets/MNIST_Data.zip"
    train_dataset, test_dataset = get_dataset(url)
    test_dataset = datapipe(test_dataset, 64)

    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

整体 main 函数如下所示

def main(epochs):
    # 数据集下载地址
    url = "https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/notebook/datasets/MNIST_Data.zip"
    train_dataset, test_dataset = get_dataset(url)
    train_dataset = datapipe(train_dataset, 64)
    test_dataset = datapipe(test_dataset, 64)

    # 定义模型
    model = Network()

    # 初始化损失函数和优化器
    loss_fn = nn.CrossEntropyLoss()
    optimizer = nn.SGD(model.trainable_params(), 1e-2)

    forward_fn = forward_fn_model(model, loss_fn)

    # 得到梯度函数
    grad_fn = mindspore.value_and_grad(forward_fn, None, optimizer.parameters, has_aux=True)

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

    # Save checkpoint
    mindspore.save_checkpoint(model, "model.ckpt")
    print("保存模型参数到 model.ckpt")