《昇思25天学习打卡营第二天|快速入门》

---

前言

快速实现一个简单的深度学习模型。

---

一、安装昇思MindSpore库

本文都是基于Jupyter Notebook来执行。

# 捕获该单元格的输出，并将它存储在变量captured_output中，输出就不会直接显示在Jupyter Notebook的界面中。
%%capture captured_output
# 卸载mindspore 
!pip uninstall mindspore -y
# 安装清华大学镜像源的mindspore，版本为2.2.14
!pip install -i https://pypi.mirrors.ustc.edu.cn/simple mindspore==2.2.14

二、处理数据集

MindSpore提供基于ipeline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。

本章节中的示例代码依赖download，可使用命令pip install download安装。
如本文档以Notebook运行时，完成安装后需要重启kernel才能执行后续代码。

import mindspore
from mindspore import nn
from mindspore.dataset import vision, transforms
from mindspore.dataset import MnistDataset

# 从开放的数据集下载数据
from download import download

# (图1)
url = "https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/" \
      "notebook/datasets/MNIST_Data.zip"
path = download(url, "./", kind="zip", replace=True)

# 数据下载完成后，获得数据集对象。
train_dataset = MnistDataset('MNIST_Data/train')
test_dataset = MnistDataset('MNIST_Data/test')

# 打印数据集中包含的数据列名，用于dataset的预处理。
print(train_dataset.get_col_names())

# 接收参数为：数据集 dataset 和一个批量大小batch_size
def datapipe(dataset, batch_size):
	# 转换将应用于数据集中的图像，包含三个转换的列表
    image_transforms = [
    	# 将图像的像素值从[0, 255]缩放到 [0, 1]。它将每个像素值除以255来实现这一点
        vision.Rescale(1.0 / 255.0, 0),
        # 转换对图像进行标准化，使用给定的均值和标准差来转换像素值。
        vision.Normalize(mean=(0.1307,), std=(0.3081,)),
        # 改变了图像的维度顺序
        # HWC 表示 "高度-宽度-通道"，而 CHW 表示 "通道-高度-宽度"
        vision.HWC2CHW()
    ]
    # 将标签（可能是整数但数据类型不是 mindspore.int32）转换为 mindspore.int32 类型
    label_transform = transforms.TypeCast(mindspore.int32)
	
	# 使用 map 方法将 image_transforms 列表中的转换应用于数据集中的 'image' 字段
    dataset = dataset.map(image_transforms, 'image')
    # 使用 map 方法将 label_transform 应用于数据集中的 'label' 字段
    dataset = dataset.map(label_transform, 'label')
    # 将数据集中的数据分成大小为 batch_size 的批次。这对于深度学习训练通常很有用，因为它允许模型一次处理多个样本，从而加速训练过程
    dataset = dataset.batch(batch_size)
    # 返回处理后的数据集
    return dataset
 
# 调用上述方法，将地图视觉变换和批处理数据集，这个就是训练与测试数据
train_dataset = datapipe(train_dataset, 64)
test_dataset = datapipe(test_dataset, 64)

# 迭代测试数据集 test_dataset 并打印出其中一个样本的图像形状和数据类型，以及标签的形状和数据类型。输出结果如图2
# create_tuple_iterator() 用来来创建一个迭代器
for image, label in test_dataset.create_tuple_iterator():
	# 打印出当前样本的图像形状和数据类型
	# N 是批量大小， C 是通道数， H 是图像的高度， W 是图像的宽度，shape元组，dtype-数据类型
    print(f"Shape of image [N, C, H, W]: {image.shape} {image.dtype}")
    print(f"Shape of label: {label.shape} {label.dtype}")
    break

# 同上面迭代类似，采用create_dict_iterator()创建迭代器，用于产生字典.输出结果如图3
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

下载后的数据结果图(图1)：

for循环输出结果(图2)：

for循环输出结果(图3)：

---

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。

# 定义一个神经网络类，继承nn.Cell
# 在 MindSpore 框架中，nn.Cell 是所有神经网络层的基类。
class Network(nn.Cell):
	# 初始化
    def __init__(self):
        super().__init__()
        # 定义了一个展平层，用于将输入的 28x28 图像展平为一个一维向量，其长度为 28*28。
        self.flatten = nn.Flatten()
        # 顺序容器，三个全连接层（或称为密集层）和两个 ReLU 激活函数。每个全连接层都接受一个输入大小和一个输出大小
        # 输入大小（28*28）和输出大小（10）设计的
        self.dense_relu_sequential = nn.SequentialCell(
            nn.Dense(28*28, 512),
            nn.ReLU(),
            nn.Dense(512, 512),
            nn.ReLU(),
            nn.Dense(512, 10)
        )
	# 定义网络的前向传播过程 神经网络（计算图）构建
    def construct(self, x):
        x = self.flatten(x)
        logits = self.dense_relu_sequential(x)
        return logits
# 实例化了 Network 类，创建了一个 model 对象。
model = Network()
# 打印出模型的详细结构。在 MindSpore 中，打印模型通常会显示其各层的详细信息，包括层的类型、输入和输出形状等
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：

定义正向计算函数。

使用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。

 # 定义了交叉熵损失函数  
loss_fn = nn.CrossEntropyLoss()
# 定义了SGD优化器，学习率为0.01
optimizer = nn.SGD(model.trainable_params(), 1e-2)

# 1. 定义了前向传播函数forward_fn，它接收数据和标签，通过模型得到logits（预测值），并计算损失：
def forward_fn(data, label):
    logits = model(data)
    loss = loss_fn(logits, label)
    return loss, logits

# 2. grad_fn 获取损失和梯度的logits
grad_fn = mindspore.value_and_grad(forward_fn, None, optimizer.parameters, has_aux=True)

# 3. Define function of one-step training
def train_step(data, label):
    (loss, _), grads = grad_fn(data, label)
    optimizer(grads)
    return loss

def train(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}]")

除训练外，我们定义测试函数，用来评估模型的性能。

def 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。

epochs = 3
for t in range(epochs):
    print(f"Epoch {t+1}\n-------------------------------")
    train(model, train_dataset)
    test(model, test_dataset, loss_fn)
print("Done!")

Epoch 1

---

loss: 2.302088 [ 0/938]
loss: 2.290692 [100/938]
loss: 2.266338 [200/938]
loss: 2.205240 [300/938]
loss: 1.907198 [400/938]
loss: 1.455603 [500/938]
loss: 0.861103 [600/938]
loss: 0.767219 [700/938]
loss: 0.422253 [800/938]
loss: 0.513922 [900/938]
Test:
Accuracy: 83.8%, Avg loss: 0.529534

Epoch 2

---

loss: 0.580867 [ 0/938]
loss: 0.479347 [100/938]
loss: 0.677991 [200/938]
loss: 0.550141 [300/938]
loss: 0.226565 [400/938]
loss: 0.314738 [500/938]
loss: 0.298739 [600/938]
loss: 0.459540 [700/938]
loss: 0.332978 [800/938]
loss: 0.406709 [900/938]
Test:
Accuracy: 90.2%, Avg loss: 0.334828

Epoch 3

---

loss: 0.461890 [ 0/938]
loss: 0.242303 [100/938]
loss: 0.281414 [200/938]
loss: 0.207835 [300/938]
loss: 0.206000 [400/938]
loss: 0.409646 [500/938]
loss: 0.193608 [600/938]
loss: 0.217575 [700/938]
loss: 0.212817 [800/938]
loss: 0.202862 [900/938]
Test:
Accuracy: 91.9%, Avg loss: 0.280962

Done!

四、保存模型

模型训练完成后，需要将其参数进行保存。

Save checkpoint

mindspore.save_checkpoint(model, "model.ckpt")
print("Saved Model to model.ckpt")

Saved Model to 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。

Instantiate a random initialized model
model = Network()

Load checkpoint and load parameter to model

param_dict = mindspore.load_checkpoint("model.ckpt")
param_not_load, _ = mindspore.load_param_into_net(model, param_dict)
print(param_not_load)

[]
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。

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