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。
153
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
