心得
这个课程,对前面的课程进行的一次小结。讲前面的知识进行一个综合实验课程。
前述中反复说要有耐心,要等。。。结果今天就中招了。
代码运行到最后一步,居然报错了。
---------------------------------------------------------------------------
RuntimeError Traceback (most recent call last)
Cell In[9], line 6
4 for t in range(epochs):
5 print(f"Epoch {t+1}\n-------------------------------")
----> 6 train_loop(model, train_dataset)
7 test_loop(model, test_dataset, loss_fn)
8 print("Done!")
Cell In[7], line 20, in train_loop(model, dataset)
18 model.set_train()
19 for batch, (data, label) in enumerate(dataset.create_tuple_iterator()):
---> 20 loss = train_step(data, label)
22 if batch % 100 == 0:
23 loss, current = loss.asnumpy(), batch
Cell In[7], line 12, in train_step(data, label)
11 def train_step(data, label):
---> 12 (loss, _), grads = grad_fn(data, label)
13 optimizer(grads)
14 return loss
File ~/miniconda/envs/jupyter/lib/python3.9/site-packages/mindspore/ops/composite/base.py:625, in _Grad.__call__.<locals>.after_grad(*args, **kwargs)
624 def after_grad(*args, **kwargs):
--> 625 return grad_(fn_, weights)(*args, **kwargs)
File ~/miniconda/envs/jupyter/lib/python3.9/site-packages/mindspore/common/api.py:121, in _wrap_func.<locals>.wrapper(*arg, **kwargs)
119 @wraps(fn)
120 def wrapper(*arg, **kwargs):
--> 121 results = fn(*arg, **kwargs)
122 return _convert_python_data(results)
File ~/miniconda/envs/jupyter/lib/python3.9/site-packages/mindspore/ops/composite/base.py:600, in _Grad.__call__.<locals>.after_grad(*args, **kwargs)
598 @_wrap_func
599 def after_grad(*args, **kwargs):
--> 600 res = self._pynative_forward_run(fn, grad_, weights, args, kwargs)
601 _pynative_executor.grad(fn, grad_, weights, grad_position, *args, **kwargs)
602 out = _pynative_executor()
File ~/miniconda/envs/jupyter/lib/python3.9/site-packages/mindspore/ops/composite/base.py:650, in _Grad._pynative_forward_run(self, fn, grad, weights, args, kwargs)
648 _pynative_executor.set_grad_flag(True)
649 _pynative_e
然后就蒙圈了。啥意思啊?最后一步啊?我等着就是一个错误?
终于有老师回复:”连接的网不稳定,多试几次就好了“。好尴尬,前面一直在夸,现在来个打脸。
好在最后,在去刷碗,倒垃圾之后,出来了正确的结果。请看打卡截图:
模型训练
模型训练一般分为四个步骤:
- 构建数据集。
- 定义神经网络模型。
- 定义超参、损失函数及优化器。
- 输入数据集进行训练与评估。
现在我们有了数据集和模型后,可以进行模型的训练与评估。
构建数据集
首先从数据集 Dataset加载代码,构建数据集。
[1]:
%%capture captured_output
# 实验环境已经预装了mindspore==2.2.14,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==2.2.14
[2]:
import mindspore
from mindspore import nn
from mindspore.dataset import vision, transforms
from mindspore.dataset import MnistDataset
# 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)
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)
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, 53.1MB/s] Extracting zip file... Successfully downloaded / unzipped to ./
定义神经网络模型
从网络构建中加载代码,构建一个神经网络模型。
[3]:
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
超参
超参(Hyperparameters)是可以调整的参数,可以控制模型训练优化的过程,不同的超参数值可能会影响模型训练和收敛速度。目前深度学习模型多采用批量随机梯度下降算法进行优化,随机梯度下降算法的原理如下:
𝑤𝑡+1=𝑤𝑡−𝜂1𝑛∑𝑥∈∇𝑙(𝑥,𝑤𝑡)𝑤𝑡+1=𝑤𝑡−𝜂1𝑛∑𝑥∈𝐵∇𝑙(𝑥,𝑤𝑡)
公式中,𝑛𝑛是批量大小(batch size),ηη是学习率(learning rate)。另外,𝑤𝑡𝑤𝑡为训练轮次𝑡𝑡中的权重参数,∇𝑙∇𝑙为损失函数的导数。除了梯度本身,这两个因子直接决定了模型的权重更新,从优化本身来看,它们是影响模型性能收敛最重要的参数。一般会定义以下超参用于训练:
-
训练轮次(epoch):训练时遍历数据集的次数。
-
批次大小(batch size):数据集进行分批读取训练,设定每个批次数据的大小。batch size过小,花费时间多,同时梯度震荡严重,不利于收敛;batch size过大,不同batch的梯度方向没有任何变化,容易陷入局部极小值,因此需要选择合适的batch size,可以有效提高模型精度、全局收敛。
-
学习率(learning rate):如果学习率偏小,会导致收敛的速度变慢,如果学习率偏大,则可能会导致训练不收敛等不可预测的结果。梯度下降法被广泛应用在最小化模型误差的参数优化算法上。梯度下降法通过多次迭代,并在每一步中最小化损失函数来预估模型的参数。学习率就是在迭代过程中,会控制模型的学习进度。
[4]:
epochs = 3
batch_size = 64
learning_rate = 1e-2
损失函数
损失函数(loss function)用于评估模型的预测值(logits)和目标值(targets)之间的误差。训练模型时,随机初始化的神经网络模型开始时会预测出错误的结果。损失函数会评估预测结果与目标值的相异程度,模型训练的目标即为降低损失函数求得的误差。
常见的损失函数包括用于回归任务的nn.MSELoss
(均方误差)和用于分类的nn.NLLLoss
(负对数似然)等。 nn.CrossEntropyLoss
结合了nn.LogSoftmax
和nn.NLLLoss
,可以对logits 进行归一化并计算预测误差。
[5]:
loss_fn = nn.CrossEntropyLoss()
优化器
模型优化(Optimization)是在每个训练步骤中调整模型参数以减少模型误差的过程。MindSpore提供多种优化算法的实现,称之为优化器(Optimizer)。优化器内部定义了模型的参数优化过程(即梯度如何更新至模型参数),所有优化逻辑都封装在优化器对象中。在这里,我们使用SGD(Stochastic Gradient Descent)优化器。
我们通过model.trainable_params()
方法获得模型的可训练参数,并传入学习率超参来初始化优化器。
[6]:
optimizer = nn.SGD(model.trainable_params(), learning_rate=learning_rate)
在训练过程中,通过微分函数可计算获得参数对应的梯度,将其传入优化器中即可实现参数优化,具体形态如下:
grads = grad_fn(inputs)
optimizer(grads)
训练与评估
设置了超参、损失函数和优化器后,我们就可以循环输入数据来训练模型。一次数据集的完整迭代循环称为一轮(epoch)。每轮执行训练时包括两个步骤:
- 训练:迭代训练数据集,并尝试收敛到最佳参数。
- 验证/测试:迭代测试数据集,以检查模型性能是否提升。
接下来我们定义用于训练的train_loop
函数和用于测试的test_loop
函数。
使用函数式自动微分,需先定义正向函数forward_fn
,使用value_and_grad获得微分函数grad_fn
。然后,我们将微分函数和优化器的执行封装为train_step
函数,接下来循环迭代数据集进行训练即可。
[7]:
# Define forward function
def forward_fn(data, label):
logits = model(data)
loss = loss_fn(logits, label)
return loss, logits
# Get gradient function
grad_fn = mindspore.value_and_grad(forward_fn, None, optimizer.parameters, has_aux=True)
# Define function of one-step training
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}]")
test_loop
函数同样需循环遍历数据集,调用模型计算loss和Accuray并返回最终结果。
[8]:
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")
我们将实例化的损失函数和优化器传入train_loop
和test_loop
中。训练3轮并输出loss和Accuracy,查看性能变化。
[9]:
loss_fn = nn.CrossEntropyLoss()
optimizer = nn.SGD(model.trainable_params(), learning_rate=learning_rate)
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!")
Epoch 1 ------------------------------- loss: 2.318910 [ 0/938] loss: 1.767189 [100/938] loss: 1.002852 [200/938] loss: 0.566270 [300/938] loss: 0.500231 [400/938] loss: 0.458224 [500/938] loss: 0.376662 [600/938] loss: 0.334097 [700/938] loss: 0.300347 [800/938] loss: 0.252938 [900/938] Test: Accuracy: 90.9%, Avg loss: 0.317185 Epoch 2 ------------------------------- loss: 0.307594 [ 0/938] loss: 0.264637 [100/938] loss: 0.214389 [200/938] loss: 0.294092 [300/938] loss: 0.413093 [400/938] loss: 0.362314 [500/938] loss: 0.190033 [600/938] loss: 0.249018 [700/938] loss: 0.305111 [800/938] loss: 0.178575 [900/938] Test: Accuracy: 93.0%, Avg loss: 0.246079 Epoch 3 ------------------------------- loss: 0.301797 [ 0/938] loss: 0.248005 [100/938] loss: 0.214767 [200/938] loss: 0.293943 [300/938] loss: 0.137780 [400/938] loss: 0.214752 [500/938] loss: 0.149026 [600/938] loss: 0.249187 [700/938] loss: 0.105342 [800/938] loss: 0.313473 [900/938] Test: Accuracy: 94.1%, Avg loss: 0.208115 Done!
[10]:
import time
print(time.strftime("%Y-%m-%d %H:%M:%S", time.localtime()),'guojun0718')
2024-07-13 15:19:32 guojun0718
[ ]: