昇思25天学习打卡营第一天|初学入门/初学教程/02-快速入门

最新推荐文章于 2024-07-16 21:12:29 发布

guojun0718

最新推荐文章于 2024-07-16 21:12:29 发布

阅读量864

点赞数 15

文章标签：学习人工智能

本文链接：https://blog.csdn.net/guojun0718/article/details/140362738

版权

心得与注意事项

在这节课程的学习中，通过MindSpore的API来快速的，完整的实现了一个简单的深度学习模型。。手把手的，一步一步的，让学生有一个完整的流程。能够马上有一种成就感。通过实操，再次重温了实验的操作方法与注意事项，特别是在老师的辅导下，解决了一些障碍与困难。这些麻烦说大不大，说小不小。会让你的实验无法进行下去。那么我学会的技巧就是，鼠标从第一个窗口的，第一行进行定位，然后点击上面工具栏的运行按钮。依次鼠标左键点击下面的代码框的第一行。然后点击上面工具栏的运行按钮。依次类推，直到所有代码执行完毕。每个代码框，一定要等代码彻底执行完毕。这些操作上的门槛，不是代码的理解，而是操作障碍。能顺利完成使得学生能专注于代码的理解和学习。教程做得挺好得。

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。

[17]:

%%capture captured_output

# 实验环境已经预装了mindspore==2.3.0rc1，如需更换mindspore版本，可更改下面mindspore的版本号

!pip uninstall mindspore -y

!pip install -i https://pypi.mirrors.ustc.edu.cn/simple mindspore==2.3.0rc1

[18]:

import mindspore

import time

from mindspore import nn

from mindspore.dataset import vision, transforms

from mindspore.dataset import MnistDataset

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。

[19]:

# Download data from open datasets

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)

Downloading data from https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/notebook/datasets/MNIST_Data.zip (10.3 MB)

file_sizes: 100%|███████████████████████████| 10.8M/10.8M [00:00<00:00, 122MB/s]
Extracting zip file...
Successfully downloaded / unzipped to ./

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)

数据下载完成后，获得数据集对象。

[20]:

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。

[21]:

print(train_dataset.get_col_names())

['image', 'label']

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。

[22]:

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

[23]:

# Map vision transforms and batch dataset

train_dataset = datapipe(train_dataset, 64)

test_dataset = datapipe(test_dataset, 64)

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。

[24]:

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

Shape of image [N, C, H, W]: (64, 1, 28, 28) Float32
Shape of label: (64,) Int32

[25]:

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

Shape of image [N, C, H, W]: (64, 1, 28, 28) Float32
Shape of label: (64,) Int32

更多细节详见数据集 Dataset与数据变换 Transforms。

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。

[26]:

# Define model

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()

print(model)

Network<
  (flatten): Flatten<>
  (dense_relu_sequential): SequentialCell<
    (0): Dense<input_channels=784, output_channels=512, has_bias=True>
    (1): ReLU<>
    (2): Dense<input_channels=512, output_channels=512, has_bias=True>
    (3): ReLU<>
    (4): Dense<input_channels=512, output_channels=10, has_bias=True>
    >
  >

更多细节详见网络构建。

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。
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。

[27]:

# Instantiate loss function and optimizer

loss_fn = nn.CrossEntropyLoss()

optimizer = nn.SGD(model.trainable_params(), 1e-2)

# 1. Define forward function

def forward_fn(data, label):

    logits = model(data)

    loss = loss_fn(logits, label)

    return loss, logits

# 2. Get gradient function

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。

[28]:

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。

[29]:

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: 2.320305  [  0/938]
loss: 1.600148  [100/938]
loss: 0.892706  [200/938]
loss: 0.519524  [300/938]
loss: 0.670464  [400/938]
loss: 0.449693  [500/938]
loss: 0.443069  [600/938]
loss: 0.419536  [700/938]
loss: 0.364461  [800/938]
loss: 0.339675  [900/938]
Test: 
 Accuracy: 91.1%, Avg loss: 0.319054 

Epoch 2
-------------------------------
loss: 0.323100  [  0/938]
loss: 0.238312  [100/938]
loss: 0.332613  [200/938]
loss: 0.628535  [300/938]
loss: 0.349075  [400/938]
loss: 0.134754  [500/938]
loss: 0.242062  [600/938]
loss: 0.330860  [700/938]
loss: 0.231078  [800/938]
loss: 0.210348  [900/938]
Test: 
 Accuracy: 92.7%, Avg loss: 0.251698 

Epoch 3
-------------------------------
loss: 0.319646  [  0/938]
loss: 0.209633  [100/938]
loss: 0.285246  [200/938]
loss: 0.220568  [300/938]
loss: 0.316734  [400/938]
loss: 0.187229  [500/938]
loss: 0.297305  [600/938]
loss: 0.143480  [700/938]
loss: 0.202043  [800/938]
loss: 0.240826  [900/938]
Test: 
 Accuracy: 94.1%, Avg loss: 0.205354 

Done!

更多细节详见模型训练。

保存模型

模型训练完成后，需要将其参数进行保存。

[30]:

# Save checkpoint

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

print("Saved Model to model.ckpt")

Saved Model to model.ckpt

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。

[31]:

# 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。

[32]:

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

print(time.strftime("%Y-%m-%d %H:%M:%S", time.localtime()),'guojun0718')

Predicted: "[8 7 0 7 0 6 6 9 6 4]", Actual: "[8 7 0 7 6 6 6 9 6 4]"
2024-07-11 11:51:16 guojun0718

更多细节详见保存与加载