昇思25天学习打卡营第三天|初学入门/初学教程/08-模型训练

guojun0718

已于 2024-07-14 06:50:25 修改

阅读量996

点赞数 23

文章标签：学习 python 机器学习

于 2024-07-13 23:28:21 首次发布

本文链接：https://blog.csdn.net/guojun0718/article/details/140408592

版权

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

[ ]:

guojun0718

关注

23
点赞
踩
9

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫