《昇思 25 天学习打卡营第 5天 | 网络构建 》

《昇思 25 天学习打卡营第 5天 | 网络构建 》

活动地址：https://xihe.mindspore.cn/events/mindspore-training-camp
签名：Sam9029

---

网络构建

概念：

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 Cell，它由不同的子 Cell 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。

课程的解释如上, 我自己理解一下：

在 MindSpore 框架中，构建神经网络模型是创建和定义深度学习模型的过程。这些模型用于各种机器学习和人工智能任务，包括但不限于图像识别、自然语言处理、时间序列预测等。

关键目的和功能：

• 神经网络通过学习数据的表示来进行预测或分类。
• 提取输入数据的特征
• …

同时构建神经网络模型是深度学习中的一个核心过程，MindSpore 提供了一套完整的工具和 API 来支持这个过程，

引入使用

import mindspore
from mindspore import nn, ops

定义模型类

class Network(nn.Cell):
    # 类Network继承自MindSpore的nn.Cell，用于构建神经网络模型

    def __init__(self):
        # 构造函数初始化网络层
        super().__init__()  # 调用基类的构造函数
        self.flatten = nn.Flatten()  # 实例化一个Flatten层，用于数据展平操作
        # 使用SequentialCell组织一系列按顺序执行的层
        self.dense_relu_sequential = nn.SequentialCell(
            nn.Dense(28*28, 512, weight_init="normal", bias_init="zeros"),  # 第一个全连接层，权重初始化为正态分布，偏置初始化为零
            nn.ReLU(),  # ReLU激活函数，引入非线性
            nn.Dense(512, 512, weight_init="normal", bias_init="zeros"),  # 第二个全连接层
            nn.ReLU(),  # 第二个ReLU激活函数
            nn.Dense(512, 10, weight_init="normal", bias_init="zeros")  # 第三个全连接层，输出维度为10
        )

    def construct(self, x):
        # 前向传播函数，定义数据通过网络的流程
        x = self.flatten(x)  # 将输入数据x展平为一维
        logits = self.dense_relu_sequential(x)  # 将展平后的数据通过SequentialCell中的层序列
        return logits  # 返回未经softmax转换的原始分类结果logits

实例化Network对象：

model = Network()

创建 Network 类的一个实例，这个实例包含了定义好的神经网络结构。

打印模型结构：

print(model)

输出模型的结构，展示了模型中的层和它们的配置。

模型结构输出解析：

Network<
  (flatten): Flatten<>
  (dense_relu_sequential): SequentialCell<
    (0): Dense<input_channels=784, output_channels=512, has_bias=True>
    (1): ReLU<>
    (2): Dense<input_channels=512, output_channels=512, has_bias=True>
    (3): ReLU<>
    (4): Dense<input_channels=512, output_channels=10, has_bias=True>
  >
>

• Flatten<>：数据展平层，将输入数据展平为一维。
• SequentialCell：顺序单元，包含一系列按顺序执行的层。
• Dense：全连接层，包含输入通道数、输出通道数，以及是否有偏置项。
• ReLU：激活层，使用ReLU激活函数。

创建输入数据：

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

生成一个形状为 (1, 28, 28) 的全1张量，数据类型为 mindspore.float32，用作模型的输入。

模型前向传播获取原始预测值：

logits = model(X)

使用模型实例对输入数据 X 进行前向传播，获取原始的预测值 logits。

原始预测值输出：

Tensor(shape=[1, 10], dtype=Float32, value=[
[-0.000508734, 0.00033919, 0.00046284, ..., -0.00120305, -0.00050569, 0.00039926]])

输出一个形状为 [1, 10] 的张量，包含了每个类别的原始预测值。

Softmax层获取预测概率：

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

使用 nn.Softmax 层对原始预测值 logits 应用 softmax 函数，获取每个类别的预测概率。

获取预测类别：

y_pred = pred_probab.argmax(1)

通过 argmax 函数沿指定轴（这里是轴1）找到最大值的索引，即预测的类别。

打印预测类别：

print(f"Predicted class: {y_pred}")

输出预测的类别。

预测类别输出：

```
Predicted class: [4]
```
最终输出预测的类别索引为4。

通过以上步骤，我们构建了一个简单的神经网络模型，实例化了模型对象，生成了输入数据，执行了前向传播，获取了原始预测值和预测概率，并最终确定了预测的类别。

这个过程展示了如何使用MindSpore框架进行基本的深度学习任务。

---

今天的网络构建就学到这些，有点难以理解，今天只能先了解概念，并走一遍简单的流程

千里之行，始于足下！

我会继续一步一步的保持学习，在 昇思社区 进行 AI 技术方面的探索和学习

希望能给同样对 AI 充满热情的你一些启发。记住，技术的世界无限广阔，让我们一起勇敢地迈出探索的脚步吧！🚀🤖