第一天学习心得:通过MindSpore的API来快速实现一个简单的深度学习模型,首先是处理数据集,MindSpore提供基于Pipeline的数据引擎,通过数据集(Dataset)和数据变换(Transforms)实现高效的数据预处理,在本次学习中使用Mnist数据集,自动下载完成后,使用提供的数据变换进行预处理。
第二步是进行网络构建,mindspore.nn
类是构建所有网络的基类,也是网络的基本单元。当用户需要自定义网络时,可以继承类,并重写方法和方法。包含所有网络层的定义,中包含数据(Tensor)的变换过程。mindspore.nn
类是构建所有网络的基类,也是网络的基本单元。当用户需要自定义网络时,可以继承类,并重写方法和方法。包含所有网络层的定义,中包含数据(Tensor)的变换过程。
第三步进行模型训练,
MindSpore使用函数式自动微分机制,因此针对上述步骤需要实现:
定义正向计算函数。 使用value_and_grad函数变换获得梯度计算函数。 定义训练函数,使用set_train设置为训练模式,执行正向计算、反向传播和参数优化。在模型训练中,一个完整的训练过程(step)需要实现以下三步:
- 正向计算:模型预测结果(logits),并与正确标签(label)求预测损失(loss)。
- 反向传播:利用自动微分机制,自动求模型参数(parameters)对于loss的梯度(gradients)。
- 参数优化:将梯度更新到参数上。
第四步保存模型,模型训练完成后,需要将其参数进行保存。
第五步加载模型
加载保存的权重分为两步:
- 重新实例化模型对象,构造模型。
- 加载模型参数,并将其加载至模型上。
加载后的模型可以直接用于预测推理。
结果如下图
本次学习时间和信息: