昇思MindSpore 25天学习打卡营|day4

06. 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。

下面将构建一个用于Mnist数据集分类的神经网络模型。

定义模型类

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。

construct意为神经网络（计算图）构建，相关内容详见使用静态图加速。

class Network(nn.Cell):
    def __init__(self):
        super().__init__()

        # 初始化一个Flatten层，用于将多维输入数据展平为一维。
        self.flatten = nn.Flatten()

        # 初始化一个SequentialCell，它按顺序执行多个神经网络层。
        self.dense_relu_sequential = nn.SequentialCell(

        # 第一个全连接层，输入大小为28*28，输出大小为512，权重初始化为正态分布，偏置初始化为0。
            nn.Dense(28*28,512,weight_init="normal",bias_init="zeros"),
            nn.ReLU(),

        # 第二个全连接层，输入大小和输出大小都为512，权重和偏置的初始化方式同第一个全连接层。
            nn.Dense(512, 512, weight_init="normal", bias_init="zeros"),
            nn.ReLU(),

        # 第三个全连接层，输入大小为512，输出大小为10（假设是10类分类问题），权重和偏置的初始化方式同前。
            nn.Dense(512, 10, weight_init="normal", bias_init="zeros")
        )

    # 定义网络的前向传播逻辑。
    def construct(self,x):

        # 将输入数据x展平。
        x = self.flatten(x)

        # 将展平后的数据通过SequentialCell中的层。
        logits = self.dense_relu_sequential(x)
        return logits

# 构建完成，实例化Network对象，并查看其结构
model = Network()
print(model)

结构：

模型层

我们构造一个shape为（3，28，28）的随机数据（3个28×28的图像）依次通过每个神经网络层来观察其效果。

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。

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

(3, 784)

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。

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

(3, 20)

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。

print(f"Before ReLU: {hidden1}\n\n")
hidden1 = nn.ReLU()(hidden1)
print(f"After ReLU: {hidden1}")

nn.SequentialCell

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。

seq_modules = nn.SequentialCell(
    flatten,
    layer1,
    nn.ReLU(),
    nn.Dense(20, 10)
)

logits = seq_modules(input_image)
print(logits.shape)

(3, 10)

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。

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。

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

今天主要学习了神经网络的构建，在快速入门时粗略地学习了模型的训练，而今天对模型的框架有了更细致的了解。学习了嵌套结构，Cell类与网络的关系。使用这种嵌套结构，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。