昇思25天学习打卡第5天

网络构建

神经网络模型是由神经网络层和Tensor操作构成的，mindspore.nn提供了常见神经网络层的实现，在MindSpore中，Cell类是构建所有网络的基类，也是网络的基本单元。一个神经网络模型表示为一个，它由不同的子构成。使用这样的嵌套结构，可以简单地使用面向对象编程的思维，对神经网络结构进行构建和管理。

1.定义模型类

当我们定义神经网络时，可以继承`nn.Cell`类，在`__init__`方法中进行子Cell的实例化和状态管理，在`construct`方法中实现Tensor操作。

我们构造一个输入数据，直接调用模型，可以获得一个十维的Tensor输出，其包含每个类别的原始预测值。

2.模型层

本节中我们分解上节构造的神经网络模型中的每一层。首先我们构造一个shape为（3， 28， 28）的随机数据（3个28x28的图像），依次通过每一个神经网络层来观察其效果。

（1） nn.Flatten

实例化[nn.Flatten]层，将28x28的2D张量转换为784大小的连续数组。

（2）nn.Dense

[nn.Dense]为全连接层，其使用权重和偏差对输入进行线性变换。

（3）nn.ReLU

给网络中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。

（4）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。我们可以使用`SequentialCell`来快速组合构造一个神经网络模型。

（5）nn.Softmax

最后使用[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。`axis`指定的维度数值和为1。

3.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进行优化，可通过 `model.parameters_and_names()` 来获取参数名及对应的参数详情。

学习时间以及学习者id：