## 模型训练(很重要的内容) ## 构建数据集;定义网络;定义参数,损失函数,优化器;训练和评估。
## 构建数据集(可以从数据集Dataset直接加载)
##%%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
## 下面的任务: #导入MindSpore库以及相关模块。 #从指定的链接下载MNIST数据集压缩文件,并解压到当前目录。 #定义了一个名为datapipe的函数,用于创建数据管道,对输入的数据进行预处理。 #在数据管道中应用了如图像重缩放、标准化、转换通道格式等操作,并将数据集分成批次。 #使用datapipe函数创建了训练集和测试集,每个批次的大小为64。
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, 149MB/s] Extracting zip file... Successfully downloaded / unzipped to ./
## 定义神经网络:从网络构建中加载代码,构建一个神经网络
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()
## 定义超参数,损失函数等 ## 超参有几个属性,epoch保湿遍历database的次数;batch size表示对数据集 ## 分批读取续联,设定的每个批次的数据的大小(过大过小都不利于收敛) ## learning rate(学习率): 太小会导致收敛慢。大的话可能不收敛
epochs = 3
batch_size = 64
learning_rate = 1e-2
## 损失函数(loss function): 评估模型的预测值(logits)与目标值(targets)的差别。 ## 常见的损失函数有:nn.MSELoss(均方误差,用于回归);nn.NLLLoss(负对数似然,用于分类) ## nn.CrossEntropyLoss结合nn.LogSoftmax和nn.NLLLoss,可以对logits归一化并预测误差
loss_fn = nn.CrossEntropyLoss()
## 优化器(Optimization):训练中调整模型参数的过程。 ## MindSpore将优化逻辑防撞在SGD优化器中。 ## 可通过model.trainable_params()得到模型的可训练参数,并传入学习率超参从而初始化优化器
optimizer = nn.SGD(model.trainable_params(), learning_rate=learning_rate)
## Next是训练与评估 ## 这一步是在设置了超参,损失函数和优化器后,开始循环输入数据训练模型。 ## 一次database的完整迭代成为一轮(epoch),注意,每轮训练包含两个步骤: ## 1. 迭代训练集,找最佳参数;2. 迭代测试集,检查模型性能是否提高; ## 具体,用train_loop训练函数和test_loop测试函数 ## 用上一次笔记(Day6)的函数式自动微分,先定义正向函数forward_fn ## 用value_and_grad得到微分函数grad_fn,然后将微分函数和优化器封装为 ## train_step函数,然后循环迭代数据集进行训练。
# 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}]")
## 接着,用test_loop函数循环遍历database,调用模型计算Loss和Accuray
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")
## 然后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
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: 2.325052 [ 0/938] loss: 1.658948 [100/938] loss: 0.806809 [200/938] loss: 0.538414 [300/938] loss: 0.478825 [400/938] loss: 0.364462 [500/938] loss: 0.325556 [600/938] loss: 0.336324 [700/938] loss: 0.308745 [800/938] loss: 0.228795 [900/938] Test: Accuracy: 90.6%, Avg loss: 0.321061 Epoch 2 ------------------------------- loss: 0.311342 [ 0/938] loss: 0.449043 [100/938] loss: 0.328177 [200/938] loss: 0.239240 [300/938] loss: 0.244956 [400/938] loss: 0.358553 [500/938] loss: 0.274245 [600/938] loss: 0.461220 [700/938] loss: 0.565172 [800/938] loss: 0.216107 [900/938] Test: Accuracy: 93.2%, Avg loss: 0.243399 Epoch 3 ------------------------------- loss: 0.337295 [ 0/938] loss: 0.387487 [100/938] loss: 0.125932 [200/938] loss: 0.260194 [300/938] loss: 0.231498 [400/938] loss: 0.144014 [500/938] loss: 0.295287 [600/938] loss: 0.213688 [700/938] loss: 0.100961 [800/938] loss: 0.166203 [900/938] Test: Accuracy: 93.9%, Avg loss: 0.207085 Done!
import datetime current_time = datetime.datetime.now() print("Current time:", current_time) print("littlesujin")
Current time: 2024-06-26 00:31:02.026995 littlesujin
Summary:
记录了使用MindSpore框架进行模型训练的全过程,包括数据集构建、网络定义、超参数设置、训练与评估等步骤。
1. 数据集构建
- 使用MindSpore的Dataset和transforms模块从MNIST数据集下载并解压数据。
- 定义了datapipe函数来创建数据管道,进行图像预处理,包括重缩放、标准化和通道格式转换。
- 创建了训练集和测试集,每批次大小为64。
2. 神经网络定义
- 定义了一个名为Network的类,继承自nn.Cell,构建了一个简单的神经网络模型,包含全连接层和ReLU激活函数。
3. 超参数设置
- 设置了训练的超参数,包括epoch数量、批次大小和学习率。
4. 损失函数和优化器定义
- 选择了nn.CrossEntropyLoss作为损失函数,适用于分类问题。
- 使用nn.SGD作为优化器,通过模型的可训练参数和学习率初始化。
5. 训练与评估过程
- 定义了forward_fn正向传播函数,计算模型的预测损失。
- 使用mindspore.value_and_grad得到微分函数grad_fn,进而定义了单步训练函数train_step。
- 实现了train_loop和test_loop函数,分别用于训练模型和评估模型性能。
- 训练循环中,每100批次输出一次当前损失值。
- 测试循环中,计算整体的准确率和平均损失。
6. 模型训练执行
- 实例化损失函数和优化器,传入train_loop和test_loop中,进行3轮训练。
- 输出每一轮训练的损失和准确率。