昇思25天打卡营-mindspore-ML- Day7-模型训练

## 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。