昇思25天学习打卡营第08天 | 模型训练

昇思25天学习打卡营第08天 | 模型训练

模型训练一般遵循四个步骤：

1. 构建数据集
2. 定义神经网络模型
3. 定义超参数、损失函数和优化器
4. 输入数据集进行训练和评估

构建数据集和网络模型在之前的内容在已经涉及，不再赘述。

超参数

超参数（Hyperparameters）是可以调整的参数，可以控制模型训练的过程。

深度学习模型多采用随机梯度下降算法SGD进行优化：
$$w_{t+1}=w_t-\eta \frac{1}{n}\sum _{x\in B}\nabla l(x,w_t)$$
其中，$\eta$是学习率，$n$是batch大小，都是超参数，这两个参数是直接影响模型性能收敛的重要参数。
一般会定义三个超参数：

• epoch：遍历数据集的次数
• batch size：每个批次数据的大小。size 过小导致花费时间多，梯度震荡严重，不利于收敛；size 过大容易陷入局部极小值。
• learning rate：学习率国小会导致收敛速度变慢；过大则可能会导致训练不收敛。

损失函数

损失函数用于评估模型预测值和目标值之间的误差。
常见的损失函数包括：

• nn.MSELoss：均方误差，用于回归
• nn.NLLLoss：负对数似然，用于分类
• 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

优化器内部定义了模型参数的优化过程，所有的优化逻辑都封装在优化器对象中。

optimizer = nn.SGD(model.trainable_params(), learning_rate=learning_rate)

优化过程

通过自动微分获得的微分函数，计算参数对应的梯度，并传入优化器中，即可实现参数优化。

grads = grad_fn(inputs)
optimizer(grads)

训练与评估

遍历一次数据集被称为一轮（epoch），每轮执行训练时包含两个步骤：

1. 训练：迭代训练数据集，并尝试收敛到最佳参数。
2. 验证/测试：迭代测试数据集，检查模型性能是否提升。

# 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}]")

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")

训练过程一般为：

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)

总结

这一节的内容对深度学习模型训练的一般过程进行了详细的介绍，从数据集构建到模型定义，接着定义超参数并选择合适的值，创建损失函数和优化器对象完成训练前的准备。通过封装一个模型调用和loss计算的前向计算函数并自动微分，在每个epoch中计算loss并优化参数，从而完成模型的训练。

打卡