昇思25天学习打卡营第5天 |网络构建

1. 基本介绍：介绍了MindSpore框架的基本概念，如张量(Tensor)、数据集(Dataset)、数据变换(Transforms)、网络构建、函数式自动微分、模型训练、保存与加载，以及使用静态图加速等内容。

2. 网络构建：详细讲述了神经网络模型是如何由神经网络层和Tensor操作构成的。在MindSpore中，所有的网络都基于Cell类构建，这是构建网络的基本单元。通过Cell的嵌套结构，可以使用面向对象的编程思维来构建和管理神经网络结构。

3. 定义模型类：介绍了如何通过继承nn.Cell类来定义自己的神经网络模型。在类的__init__方法中实例化子Cell和状态管理，在construct方法中实现Tensor操作。construct方法用于构建神经网络的计算图。

4. 构建示例模型：以Mnist数据集分类任务为例，展示了如何构建一个简单的神经网络模型。模型包括Flatten层用于数据平铺，以及SequentialCell包含多个Dense和ReLU层。

5. 模型层的使用：详细分解了构建的神经网络模型中的每一层，包括：

   • nn.Flatten：将2D张量转换为1D数组。
   • nn.Dense：全连接层，进行线性变换。
   • nn.ReLU：激活函数，引入非线性。
   • nn.SequentialCell：有序的Cell容器，按顺序处理输入Tensor。
   • nn.Softmax：将logits转换为预测概率。

6. 模型参数：介绍了如何通过model.parameters_and_names()获取模型的参数名和参数详情，这对于理解模型结构和参数优化非常重要。

7. 代码示例：教程中提供了丰富的代码示例，包括如何实例化模型、如何构造输入数据、如何调用模型进行预测，以及如何获取模型的输出和预测类别。

8. 模型的输出：展示了如何通过模型获得原始预测值，并使用nn.Softmax层将这些值转换为预测概率，然后通过argmax函数找到最大概率对应的类别。

整个教程为初学者提供了一个清晰的入门指南，帮助他们理解如何在MindSpore框架中构建和使用神经网络模型。