基本介绍&快速入门&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&使用静态图加速
该板块主要介绍如何构建一个基于MNIST数据集的手写数字识别。
主要流程如下:
- 导入MindSpore相关库
- 处理数据集
- 划分数据集(该数据集已经划分好了训练集和测试集)
- 构建数据处理流水线(Data Processing Pipeline)
- 构建神经网络
- 模型训练
- 评估模型性能
- 保存模型
- 加载模型
- 用加载好的模型进行预测推理
1.导入MindSpore库
import mindspore
from mindspore import nn
from mindspore.dataset import vision, transforms
from mindspore.dataset import MnistDataset
2.处理数据集
# 将数据集下载到本地
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)
# 用MnistDataset处理下载好的数据
train_dataset = MnistDataset("MNIST_Data/train")
test_dataset = MnistDataset("MNIST_Data/test")
数据集的结构如下:
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)
3.划分数据集
用MnistDataset来处理Mnist数据集
train_dataset = MnistDataset("MNIST_Data/train")
test_dataset = MnistDataset("MNIST_Data/test")
生成的数据集有两列: [image, label]。 image 列的数据类型为uint8。 label 列的数据类型为uint32。
参数:
- dataset_dir (str) - 包含数据集文件的根目录路径。
- usage (str, 可选) - 指定数据集的子集,可取值为 ‘train’ 、 ‘test’ 或 ‘all’ 。 取值为 ‘train’ 时将会读取60,000个训练样本,取值为 ‘test’ 时将会读取10,000个测试样本,取值为 ‘all’ 时将会读取全部70,000个样本。默认值: None ,读取全部样本图片。
- num_samples (int, 可选) - 指定从数据集中读取的样本数,可以小于数据集总数。默认值: None ,读取全部样本图片。
- num_parallel_workers (int, 可选) - 指定读取数据的工作线程数。默认值: None ,使用全局默认线程数(8),也可以通过 mindspore.dataset.config.set_num_parallel_workers() 配置全局线程数。
4.构建数据处理流水线(Data Processing Pipeline)
构建Pipeline
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
# 映射视觉转换和批处理数据集
train_dataset = datapipe(train_dataset, 64)
test_dataset = datapipe(test_dataset, 64)
构建image和label的transform。以下是相关方法及其参数解释。
image:
- Rescale(rescale, shift):
- 基于给定的缩放和平移因子调整图像的像素大小。输出图像的像素大小为:output = image * rescale + shift。
- 参数:
- rescale (float) - 缩放因子。
- shift (float) - 平移因子。
- Normalize(mean, std, is_hwc=True):
- 根据均值和标准差对输入图像进行归一化。
- 此处理将使用以下公式对输入图像进行归一化: o u t p u t c = i n p u t c − m e a n c s t d c output_{c} = \frac{input_{c} - mean_{c}}{std_{c}} outputc=stdcinputc−meanc,其中 c代表通道索引,c>= 1。
- 参数:
- mean (sequence)
- 图像每个通道的均值组成的列表或元组。平均值必须在 [0.0, 255.0] 范围内。
- std (sequence)
- 图像每个通道的标准差组成的列表或元组。标准差值必须在 (0.0, 255.0] 范围内。
- is_hwc (bool, 可选)
- 表示输入图像是否为HWC格式, True 为HWC格式, False 为CHW格式。默认值: True 。
- mean (sequence)
- HWC2CHW:
- 将输入图像的shape从 <H, W, C> 转换为 <C, H, W>。 如果输入图像的shape为 <H, W> ,图像将保持不变。
label:
- TypeCast(data_type):
- 将输入的Tensor转换为指定的数据类型。
- 参数:
- data_type (Union[mindspore.dtype, numpy.dtype])
- 指定要转换的数据类型。
- data_type (Union[mindspore.dtype, numpy.dtype])
查看转换后数据的shape和datatype。
for image, label in test_dataset.create_tuple_iterator():
print(f"Shape of image [N, C, H, W]: {image.shape} {image.dtype}")
print(f"Shape of label: {label.shape} {label.dtype}")
break
输出结果:
Shape of image [N, C, H, W]: (64, 1, 28, 28) Float32
Shape of label: (64,) Int32
5. 构建神经网络
# 定义模型
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()
print(model)
构建一共三层全连接层,中间激活函数用ReLu。
解释如下:
- Dense:
- Dense(in_channels, out_channels, weight_init=None, bias_init=None, has_bias=True, activation=None, dtype=mstype.float32)
- 适用于输入的密集连接层。公式如下:
o u t p u t s = a c t i v a t i o n ( X × k e r n e l + b i a s ) outputs=activation(X \times kernel+bias) outputs=activation(X×kernel+bias) - 其中 X X X是输入Tensor, a c t i v a t i o n activation activation是激活函数, k e r n e l kernel kernel是一个权重矩阵,其数据类型与 X X X相同, b i a s bias bias是一个偏置向量,其数据类型与 X X X相同(仅当has_bias为True时)。
- 参数:
- in_channels (int)
- Dense层输入Tensor的空间维度。
- out_channels (int)
- Dense层输出Tensor的空间维度。
- in_channels (int)
- ReLU:
- 逐元素计算ReLU(Rectified Linear Unit activation function)修正线性单元激活函数。
R e L U ( i n p u t ) = ( i n p u t ) + = m a x ( 0 , i n p u t ) ReLU(input)=(input)^+=max(0, input) ReLU(input)=(input)+=max(0,input)
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-RC0LJ3ox-1719535062525)(https://i-blog.csdnimg.cn/direct/935a7d1c7878445d9001cbf1b4a76f25.png)]
- 逐元素计算ReLU(Rectified Linear Unit activation function)修正线性单元激活函数。
6.模型训练
# 实例化损失函数和优化器
loss_fn = nn.CrossEntropyLoss()
optimizer = nn.SGD(model.trainable_params(), 1e-2)
# 1. 定义前向计算函数
def forward_fn(data, label):
logits = model(data)
loss = loss_fn(logits, label)
return loss, logits
# 2. 使用value_and_grad通过函数变换获得梯度计算函数。
grad_fn = mindspore.value_and_grad(forward_fn, None, optimizer.parameters, has_aux=True)
# 3. 定义一步训练函数
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}]")
7.评估模型性能
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!")
8.保存模型
# 保存检查点
mindspore.save_checkpoint(model, "model.ckpt")
print("Saved Model to model.ckpt")
9.加载模型
加载保存的权重分为两步:
- 重新实例化模型对象,构造模型。
- 加载模型参数,并将其加载至模型上。
# 实例化一个随机初始化模型
model = Network()
# 将检查点和参数加载到模型中
param_dict = mindspore.load_checkpoint("model.ckpt")
param_not_load, _ = mindspore.load_param_into_net(model, param_dict)
print(param_not_load)
param_not_load为空时代表所有参数均加载成功。
10.用加载好的模型进行推理
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
输出结果:
Predicted: "Tensor(shape=[10], dtype=Int32, value= [3, 9, 6, 1, 6, 7, 4, 5, 2, 2])", Actual: "Tensor(shape=[10], dtype=Int32, value= [3, 9, 6, 1, 6, 7, 4, 5, 2, 2])"