1、模型训练
模型训练一般分为四个步骤:
- 构建数据集。
- 定义神经网络模型。
- 定义超参、损失函数及优化器。
- 输入数据集进行训练与评估。
现在我们有了数据集和模型后,可以进行模型的训练与评估。
2、构建数据集
首先从数据集 Dataset加载代码,构建数据集。
import mindspore
from mindspore import nn
from mindspore.dataset import vision, transforms
from mindspore.dataset import MnistDataset
# Download data from open datasets
from download import download
url = "https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/" \
"notebook/datasets/MNIST_Data.zip"
path = download(url, "./", kind="zip", replace=True)
def datapipe(path, batch_size):
image_transforms = [
vision.Rescale(1.0 / 255.0, 0),
vision.Normalize(mean=(0.1307,), std=(0.3081,)),
vision.HWC2CHW()
]
label_transform = transforms.TypeCast(mindspore.int32)
dataset = MnistDataset(path)
dataset = dataset.map(image_transforms, 'image')
dataset = dataset.map(label_transform, 'label')
dataset = dataset.batch(batch_size)
return dataset
train_dataset = datapipe('MNIST_Data/train', batch_size=64)
test_dataset = datapipe('MNIST_Data/test', batch_size=64)
-
下载MNIST数据集:
- 使用
download
函数从指定的URL下载MNIST数据集,并将其解压到当前目录 ('./'
)。
- 使用
-
数据管道 (
datapipe
函数):-
图像变换操作: 定义了一系列操作,用于对数据集中的每个图像进行预处理。这些操作包括将图像调整为28x28像素大小、将像素值缩放到[0, 1]、使用MNIST数据集的统计数据进行归一化,并将图像格式从HWC(高度、宽度、通道)转换为MindSpore需要的CHW(通道、高度、宽度)格式。
-
标签变换操作: 将标签数据转换为
mindspore.int32
类型,以便在MindSpore中进行模型训练。 -
数据集加载和转换: 加载指定路径下的MNIST数据集,使用
map
函数应用图像和标签的变换操作,然后批量化数据集为指定的batch_size
大小。
-
-
访问数据集:
train_dataset
和test_dataset
是可以迭代的数据集对象,准备好用于训练和评估模型。你可以使用create_dict_iterator()
迭代器来访问数据集中的图像和标签数据,然后根据需求处理这些数据。
3、定义神经网络模型
从网络构建中加载代码,构建一个神经网络模型。
class Network(nn.Cell):
def __init__(self):
super().__init__()
self.flatten = nn.Flatten()
self.dense_relu_sequential = nn.SequentialCell(
nn.Dense(28*28, 512),
nn.ReLU(),
nn.Dense(512, 512),
nn.ReLU(),
nn.Dense(512, 10)
)
def construct(self, x):
x = self.flatten(x)
logits = self.dense_relu_sequential(x)
return logits
model = Network()
代码功能
-
类定义 (
继承自Network
类):nn.Cell
,这是MindSpore中所有自定义模型的基类。 -
初始化方法 (
__init__
方法):- 在初始化方法中,首先调用了父类
nn.Cell
的初始化方法。 self.flatten = nn.Flatten()
:将输入的多维数据展平为一维。self.dense_relu_sequential
:定义了一个序列化的神经网络结构,其中包括几个全连接层和ReLU激活函数。nn.Dense(28*28, 512)
:第一层全连接层,将输入维度为28x28(展平后的输入)转换为512维。nn.ReLU()
:第一层后的ReLU激活函数。nn.Dense(512, 512)
:第二层全连接层,输入512维,输出512维。nn.ReLU()
:第二层后的ReLU激活函数。nn.Dense(512, 10)
:最后一层全连接层,输入512维,输出10维,对应于10个类别的输出。
- 在初始化方法中,首先调用了父类
-
构造方法 (
construct
方法):construct
方法用于定义模型的前向传播逻辑。x = self.flatten(x)
:将输入数据x
展平为一维。logits = self.dense_relu_sequential(x)
:通过序列化的神经网络层进行前向传播,得到输出logits
。
-
实例化模型 (
model = Network()
):- 创建了一个
Network
类的实例model
,可以直接用于训练和推理。
- 创建了一个
4、定义超参、损失函数和优化器
超参
超参(Hyperparameters)是可以调整的参数,可以控制模型训练优化的过程,不同的超参数值可能会影响模型训练和收敛速度。目前深度学习模型多采用批量随机梯度下降算法进行优化,随机梯度下降算法的原理如下:
公式中,𝑛𝑛是批量大小(batch size),ηη是学习率(learning rate)。另外,𝑤𝑡𝑤𝑡为训练轮次𝑡𝑡中的权重参数,∇𝑙∇𝑙为损失函数的导数。除了梯度本身,这两个因子直接决定了模型的权重更新,从优化本身来看,它们是影响模型性能收敛最重要的参数。一般会定义以下超参用于训练:
-
训练轮次(epoch):训练时遍历数据集的次数。
-
批次大小(batch size):数据集进行分批读取训练,设定每个批次数据的大小。batch size过小,花费时间多,同时梯度震荡严重,不利于收敛;batch size过大,不同batch的梯度方向没有任何变化,容易陷入局部极小值,因此需要选择合适的batch size,可以有效提高模型精度、全局收敛。
-
学习率(learning rate):如果学习率偏小,会导致收敛的速度变慢,如果学习率偏大,则可能会导致训练不收敛等不可预测的结果。梯度下降法被广泛应用在最小化模型误差的参数优化算法上。梯度下降法通过多次迭代,并在每一步中最小化损失函数来预估模型的参数。学习率就是在迭代过程中,会控制模型的学习进度。
epochs = 3 batch_size = 64 learning_rate = 1e-2
损失函数
损失函数(loss function)用于评估模型的预测值(logits)和目标值(targets)之间的误差。训练模型时,随机初始化的神经网络模型开始时会预测出错误的结果。损失函数会评估预测结果与目标值的相异程度,模型训练的目标即为降低损失函数求得的误差。
常见的损失函数包括用于回归任务的
nn.MSELoss
(均方误差)和用于分类的nn.NLLLoss
(负对数似然)等。nn.CrossEntropyLoss
结合了nn.LogSoftmax
和nn.NLLLoss
,可以对logits 进行归一化并计算预测误差。loss_fn = nn.CrossEntropyLoss()
优化器
模型优化(Optimization)是在每个训练步骤中调整模型参数以减少模型误差的过程。MindSpore提供多种优化算法的实现,称之为优化器(Optimizer)。优化器内部定义了模型的参数优化过程(即梯度如何更新至模型参数),所有优化逻辑都封装在优化器对象中。在这里,我们使用SGD(Stochastic Gradient Descent)优化器。
我们通过
model.trainable_params()
方法获得模型的可训练参数,并传入学习率超参来初始化优化器。optimizer = nn.SGD(model.trainable_params(), learning_rate=learning_rate)
在训练过程中,通过微分函数可计算获得参数对应的梯度,将其传入优化器中即可实现参数优化,具体形态如下:
grads = grad_fn(inputs)
optimizer(grads)
5、训练与评估
设置了超参、损失函数和优化器后,我们就可以循环输入数据来训练模型。一次数据集的完整迭代循环称为一轮(epoch)。每轮执行训练时包括两个步骤:
- 训练:迭代训练数据集,并尝试收敛到最佳参数。
- 验证/测试:迭代测试数据集,以检查模型性能是否提升。
接下来我们定义用于训练的train_loop
函数和用于测试的test_loop
函数。
使用函数式自动微分,需先定义正向函数forward_fn
,使用value_and_grad获得微分函数grad_fn
。然后,我们将微分函数和优化器的执行封装为train_step
函数,接下来循环迭代数据集进行训练即可。
# Define forward function
def forward_fn(data, label):
logits = model(data)
loss = loss_fn(logits, label)
return loss, logits
# Get gradient function
grad_fn = mindspore.value_and_grad(forward_fn, None, optimizer.parameters, has_aux=True)
# Define function of one-step training
def train_step(data, label):
(loss, _), grads = grad_fn(data, label)
optimizer(grads)
return loss
def train_loop(model, dataset):
size = dataset.get_dataset_size()
model.set_train()
for batch, (data, label) in enumerate(dataset.create_tuple_iterator()):
loss = train_step(data, label)
if batch % 100 == 0:
loss, current = loss.asnumpy(), batch
print(f"loss: {loss:>7f} [{current:>3d}/{size:>3d}]")
test_loop
函数同样需循环遍历数据集,调用模型计算loss和Accuray并返回最终结果。
def test_loop(model, dataset, loss_fn):
num_batches = dataset.get_dataset_size()
model.set_train(False)
total, test_loss, correct = 0, 0, 0
for data, label in dataset.create_tuple_iterator():
pred = model(data)
total += len(data)
test_loss += loss_fn(pred, label).asnumpy()
correct += (pred.argmax(1) == label).asnumpy().sum()
test_loss /= num_batches
correct /= total
print(f"Test: \n Accuracy: {(100*correct):>0.1f}%, Avg loss: {test_loss:>8f} \n")
我们将实例化的损失函数和优化器传入train_loop
和test_loop
中。训练3轮并输出loss和Accuracy,查看性能变化。
loss_fn = nn.CrossEntropyLoss()
optimizer = nn.SGD(model.trainable_params(), learning_rate=learning_rate)
for t in range(epochs):
print(f"Epoch {t+1}\n-------------------------------")
train_loop(model, train_dataset)
test_loop(model, test_dataset, loss_fn)
print("Done!")
6、操作练习
通过以上内容,我学到了深度学习模型训练中关键的三个要素:超参数、损失函数和优化器。超参数如学习率、批次大小和训练轮次,直接影响着模型训练的效果和速度;损失函数则是衡量模型预测与真实值之间差异的关键指标;优化器如SGD则负责根据损失函数的梯度更新模型参数,以使模型逐步优化。这些知识点不仅帮助我理解了深度学习模型背后的工作原理,还使我能够更好地设计和调整模型,以达到更高的性能和准确性。