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。
下面我们将构建一个用于Mnist数据集分类的神经网络模型。
构建完成后,实例化对象,并查看其结构。
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。
model.construct()
方法不可直接调用。
在此基础上,我们通过一个nn.Softmax
层实例来获得预测概率。
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。
nn。扁平 化
实例化nn.Flatten层,将28x28的2D张量转换为784大小的连续数组。
nn。稠
nn。Dense为全连接层,其使用权重和偏差对输入进行线性变换。
nn。ReLU
nn。ReLU层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。
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。
nn。Softmax的
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。指定的维度数值和为1。
模型参数
网络内部神经网络层具有权重参数和偏置参数,这些参数会在训练过程中不断进行优化,可通过nn.Dense
model.parameters_and_names()
来获取参数名及对应的参数详情。