昇思25天学习打卡营第12天|网络构建

IT专业入门，高考假期预习指南

七月来临，各省高考分数已揭榜完成。而高考的完结并不意味着学习的结束，而是新旅程的开始。对于有志于踏入IT领域的高考少年们，这个假期是开启探索IT世界的绝佳时机。作为该领域的前行者和经验前辈，你是否愿意为准新生们提供一份全面的学习路线图呢？快来分享自己的学习心得和实战经验，来为这批新生提供宝贵的第一手资料吧！结合自己的实际，提供一份专属预习指南，帮助少年们为未来的IT学习和职业生涯打下坚实基础，开启一段挑战与机遇并存的暑期学习之旅吧！

高考结束后，准大学生们终于迎来了难得的假期，但这并不意味着可以彻底放松下来。对于那些有志于进入IT领域的同学们来说，假期是一个宝贵的时间窗口，可以为即将开始的大学生活和未来的职业生涯做好准备。作为一个“资深学生”，在这里我想说，不管在什么阶段，假期都是成长的绝好时机，利用好假期能够收获很多。

        在IT领域中，人工智能和深度学习是目前非常热门的方向。为了帮助大家更好地理解和应用这项技术，我们将介绍如何使用MindSpore构建一个简单的神经网络模型。MindSpore是一个开源的深度学习框架，提供了许多常见的神经网络层的实现，使得神经网络的构建和管理变得非常方便。

环境配置

!pip uninstall mindspore -y
!pip install -i https://pypi.mirrors.ustc.edu.cn/simple mindspore==2.2.14

导入模块

import mindspore
from mindspore import nn, ops

定义模型类

class Network(nn.Cell):
    def __init__(self):
        super().__init__()
        self.flatten = nn.Flatten()
        self.dense_relu_sequential = nn.SequentialCell(
            nn.Dense(28*28, 512, weight_init="normal", bias_init="zeros"),
            nn.ReLU(),
            nn.Dense(512, 512, weight_init="normal", bias_init="zeros"),
            nn.ReLU(),
            nn.Dense(512, 10, weight_init="normal", bias_init="zeros")
        )
    
    def construct(self, x):
        x = self.flatten(x)
        logits = self.dense_relu_sequential(x)
        return logits

实例化Network对象并查看其结构

model = Network()
print(model)

数据输入与预测

X = ops.ones((1, 28, 28), mindspore.float32)
logits = model(X)
print(logits)

获得预测概率

pred_probab = nn.Softmax(axis=1)(logits)
y_pred = pred_probab.argmax(1)
print(f"Predicted class: {y_pred}")

分解模型层

input_image = ops.ones((3, 28, 28), mindspore.float32)
print(input_image.shape)

实例化nn.Flatten层

flatten = nn.Flatten()
flat_image = flatten(input_image)
print(flat_image.shape)

nn.Dense为全连接层

其使用权重和偏差对输入进行线性变换

layer1 = nn.Dense(in_channels=28*28, out_channels=20)
hidden1 = layer1(flat_image)
print(hidden1.shape)

nn.ReLU层

为网络加入非线性的激活函数，帮助神经网络学习各种复杂的特征

hidden1 = nn.ReLU()(hidden1)
print(hidden1)

nn.SequentialCell

是一个有序的Cell容器，输入Tensor将按照定义的顺序通过所有Cell

seq_modules = nn.SequentialCell(
    flatten,
    layer1,
    nn.ReLU(),
    nn.Dense(20, 10)
)
logits = seq_modules(input_image)
print(logits.shape)

nn.Softmax

将神经网络最后一个全连接层返回的logits的值缩放为[0, 1]，表示每个类别的预测概率

softmax = nn.Softmax(axis=1)
pred_probab = softmax(logits)

模型参数 

网络内部神经网络层具有权重参数和偏置参数（如nn.Dense），这些参数会在训练过程中不断优化。

for name, param in model.parameters_and_names():
    print(f"Layer: {name}\nSize: {param.shape}\nValues : {param[:2]} \n")

结果：|

学习心得：

通过上述步骤，大家可以初步了解如何使用MindSpore构建和管理神经网络模型。希望这份指南能够帮助高考完的准大学生们在暑假期间对IT专业有更深入的认识，并为未来的学习和职业生涯打下坚实的基础。

接下来，我还将介绍其他与IT专业相关的重要内容和实用技巧，帮助大家全面提升自己的知识和技能。敬请期待！