昇思MindSpore浅尝

手写数字识别训练

一、环境搭建：

pip install -i https://pypi.mirrors.ustc.edu.cn/simple mindspore==2.2.14

二、必要的导入和数据导入

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)

数据的结果目录如下：

MNIST_Data
└── train
    ├── train-images-idx3-ubyte (60000个训练图片)
    ├── train-labels-idx1-ubyte (60000个训练标签)
└── test
    ├── t10k-images-idx3-ubyte (10000个测试图片)
    ├── t10k-labels-idx1-ubyte (10000个测试标签)

三 、数据加载

train_dataset = MnistDataset('MNIST_Data/train')
test_dataset = MnistDataset('MNIST_Data/test')

四、数据处理
        MindSpore的dataset使用数据处理流水线（Data Processing Pipeline），需指定map、batch、shuffle等操作。这里我们使用map对图像数据及标签进行变换处理，然后将处理好的数据集打包为大小为64的batch。

def datapipe(dataset, 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 = dataset.map(image_transforms, 'image')
    dataset = dataset.map(label_transform, 'label')
    dataset = dataset.batch(batch_size)
    return dataset

# Map vision transforms and batch dataset
train_dataset = datapipe(train_dataset, 64)
test_dataset = datapipe(test_dataset, 64)

五、网络构建

# Define model
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()
print(model)

 六、模型训练和评估

        代码如下：

loss_fn = nn.CrossEntropyLoss()
# 1. Define forward function
def forward_fn(data, label):
    logits = model(data)
    loss = loss_fn(logits, label)
    return loss, logits

# 2. Get gradient function
grad_fn = mindspore.value_and_grad(forward_fn, None, optimizer.parameters, has_aux=True)

# 3. Define function of one-step training
def train_step(data, label):
    (loss, _), grads = grad_fn(data, label)
    optimizer(grads)
    return loss

def train(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(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")

epochs = 3
for t in range(epochs):
    print(f"Epoch {t+1}\n-------------------------------")
    train(model, train_dataset)
    test(model, test_dataset, loss_fn)
print("Done!")


# Save checkpoint
mindspore.save_checkpoint(model, "model.ckpt")
print("Saved Model to model.ckpt")

通过ai解析如下：

### 实现原理

#### 损失函数和优化器
- **损失函数** (`loss_fn = nn.CrossEntropyLoss()`)：定义了模型预测结果与真实标签之间的差距度量。交叉熵损失函数常用于多分类问题，它衡量模型预测概率分布与实际标签分布之间的差异。
  
- **优化器** (`optimizer = nn.SGD(model.trainable_params(), 1e-2)`)：负责根据计算出的梯度更新模型参数，以最小化损失函数。随机梯度下降(SGD)是最常见的优化算法之一，通过调整模型权重来减小损失。

#### 前向传播函数
- `forward_fn(data, label)`: 这个函数实现了模型的前向传播，计算模型的预测输出（`logits`）以及基于预测输出和真实标签计算的损失。这是模型预测和评估的基础。

#### 梯度计算
- `grad_fn = mindspore.value_and_grad(forward_fn, None, optimizer.parameters, has_aux=True)`: 这一步利用MindSpore的自动微分功能，从`forward_fn`中提取梯度信息。`value_and_grad`函数会同时计算前向传播的结果和梯度，这里的`has_aux=True`意味着除了损失值之外，还会返回额外的辅助输出（这里是`logits`），这在训练过程中通常不直接使用，但可能在其他地方有用。

#### 单步训练
- `train_step(data, label)`: 这个函数将前向传播、梯度计算和参数更新封装在一起，形成一个完整的训练步骤。它首先通过`grad_fn`计算损失和梯度，然后使用`optimizer`更新模型参数。

#### 训练循环
- `train(model, dataset)`: 这是整体的训练流程，控制模型在数据集上的迭代。它调用`train_step`对每个批次的数据进行训练，并周期性地打印训练状态（如损失值），以便监控训练进度。

### 相互关联

这些组件紧密相连，共同构成了模型训练的核心逻辑：

1. **损失函数**和**优化器**是训练的基础，分别定义了目标（最小化损失）和手段（更新参数）。
2. **前向传播函数**和**梯度计算**是训练的执行者，前者负责产生预测和损失，后者负责根据损失计算梯度。
3. **单步训练**整合了前向传播和梯度计算的结果，执行参数更新。
4. **训练循环**则是流程的控制器，组织数据流经模型和优化器，实现整个训练过程。

这样的设计使得代码清晰、可扩展且易于调试，同时也充分利用了MindSpore的自动微分和动态图能力。

 七、模型保存与加载测试

# Save checkpoint
mindspore.save_checkpoint(model, "model.ckpt")
print("Saved Model to model.ckpt")

# Instantiate a random initialized model
model = Network()
# Load checkpoint and load parameter to model
param_dict = mindspore.load_checkpoint("model.ckpt")
param_not_load, _ = mindspore.load_param_into_net(model, param_dict)
print(param_not_load)

model.set_train(False)
for data, label in test_dataset:
    pred = model(data)
    predicted = pred.argmax(1)
    print(f'Predicted: "{predicted[:10]}", Actual: "{label[:10]}"')
    break

浅尝中，对于更换数据集和加载图像直接进行效果识别待验证。