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:
- 正向计算:模型预测结果(logits),并与正确标签(label)求预测损失(loss)。
- 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)。
- 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:
- 定义正向计算函数。
- 用value_and_grad通过函数变换获得梯度计算函数。
- 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:
- 重新实例化模型对象,构造模型。
- 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")