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。