《昇思25天学习打卡营第6天|网络构建》

基本介绍&快速入门&张量Tensor&数据集Dataset

---

网络构建

神经网络模型是由大量神经元（或节点）组成的模型，按照层次结构排列。一个神经网络莫i选哪个表示为一个Cell，它由不同的子Cell构成。
神经网络的基本步骤：

1. 选择神经网络类型
   • MLP
   • CNN
   • RNN
   • Transformer
   • GNN
   • GAN
2. 定义模型类
   • 输入层
   • 隐藏层
   • 输出层
3. 前向传播
   • 数据输入
   • 线性变换
     • 将权重与输入点乘（加权和），并与偏置项相加
   • 激活函数
     • 加权和通过一个激活函数进行非线性转换。
   • 生成输出
     • 可根据具体任务（分类、回归）使用特定的激活函数。
4. 反向传播
   • 损失计算：
     • 使用损失函数（均方误差、交叉熵等）计算输出值与真实值的差异
   • 梯度计算：
     • 反向传播核心是链式法则，用于计算损失函数相对于每个权重的偏导数（梯度）。从输出层开始，通过链式法则逐层向后计算每个权重对损失的影响。
   • 权重更新：
     • 计算出梯度后，使用优化算法（SGD、Adam等）更新网络中的权重，更新的主要目的是最小化损失。
   • 反复迭代：
     • 这个过程再多个训练周期（epochs）中重复进行，每次处理一批数据（batch）
     • 直到模型性能达到指定的效果或达到设定的训练次数。
5. 性能评估
   • 分类：
     • 准确率（Accuracy）
     • 精确率（Precision）
     • 召回率（Recall）
     • F1分数（F1 Score）
     • ROC曲线、AUC分数
     • 混淆矩阵（Confusion Matrix）
   • 回归：
     • 均方误差（MSE）
     • 均方根误差（RMSE）
     • 平均绝对误差（MAE）
     • 决定系数（$R^2$）
     • 平均绝对百分比误差（MAPE）
6. 模型优化
   • 超参数调整：
     • 根据结果调整学习率、epochs或batch
   • 正则化：
     • L1正则化
     • L2正则化
     • Dropout()

定义模型类

在定义神经网络时，可以继承nn.Cell类，在__init__方法中进行子Cell的实例化和状态管理，在construct方法中实现Tensor操作。

construct意为神经网络（计算图）构建，相关内容详见使用静态图加速。

from mindspore import nn
class Network(nn.Cell):
    def __init__(self):
        super().__init__()
        self.flatten = nn.Flatten()
        self.dense_relu_sequential = nn.SequentialCell(
            nn.Dense(28*28, 512, weight_init="normal", bias_init="zeros"),
            nn.ReLU(),
            nn.Dense(512, 512, weight_init="normal", bias_init="zeros"),
            nn.ReLU(),
            nn.Dense(512, 10, weight_init="normal", bias_init="zeros")
        )

    def construct(self, x):
        x = self.flatten(x)
        logits = self.dense_relu_sequential(x)
        return logits
model = Network()
print(model)

输出：

Network<
  (flatten): Flatten<>
  (dense_relu_sequential): SequentialCell<
    (0): Dense<input_channels=784, output_channels=512, has_bias=True>
    (1): ReLU<>
    (2): Dense<input_channels=512, output_channels=512, has_bias=True>
    (3): ReLU<>
    (4): Dense<input_channels=512, output_channels=10, has_bias=True>
    >
  >

我们构造一个输入数据，直接调用模型，可以获得一个十维的Tensor输出，其包含每个类别的原始预测值。

model.construct()方法不可直接调用。

import mindspore
from mindspore import ops
X = ops.ones((1, 28, 28), mindspore.float32)
logits = model(X)

pred_probab = nn.Softmax(axis=1)(logits)
y_pred = pred_probab.argmax(1)
print(f"Predicted class: {y_pred}")

输出：

Predicted class: [4]

模型层

本节中我们分解上节构造的神经网络模型中的每一层。首先我们构造一个shape为(3, 28, 28)的随机数据（3个28x28的图像），依次通过每一个神经网络层来观察其效果。

input_image = ops.ones((3, 28, 28), mindspore.float32)
print(input_image.shape)

输出：

(3, 28, 28)

nn.Flatten

实例化nn.Flatten层，将28x28的2D张量转换为784大小的连续数组。

flatten = nn.Flatten()
flat_image = flatten(input_image)
print(flat_image.shape)

输出：

(3, 784)

nn.Dense

nn.Dense为全连接层，其使用权重和偏差对输入进行线性变换。

layer1 = nn.Dense(in_channels=28*28, out_channels=20)
hidden1 = layer1(flat_image)
print(hidden1.shape)

输出：

(3, 20)

nn.ReLU

nn.ReLU层给网络中加入非线性的激活函数，帮助神经网络学习各种复杂的特征。

print(f"Before ReLU: {hidden1}\n\n")
hidden1 = nn.ReLU()(hidden1)
print(f"After ReLU: {hidden1}")

输出：

Before ReLU: [[-1.277866    0.666758    0.32021165 -0.19318968 -0.46870145  0.4733961
  -0.87220997 -0.20886338 -0.69225127 -0.12731689  0.46299893 -0.07854332
   0.6681083   0.6110305  -0.09762573 -0.4072349  -0.12635157 -0.18665327
  -0.24946402 -0.21627676]
 [-1.277866    0.666758    0.32021165 -0.19318968 -0.46870145  0.4733961
  -0.87220997 -0.20886338 -0.69225127 -0.12731689  0.46299893 -0.07854332
   0.6681083   0.6110305  -0.09762573 -0.4072349  -0.12635157 -0.18665327
  -0.24946402 -0.21627676]
 [-1.277866    0.666758    0.32021165 -0.19318968 -0.46870145  0.4733961
  -0.87220997 -0.20886338 -0.69225127 -0.12731689  0.46299893 -0.07854332
   0.6681083   0.6110305  -0.09762573 -0.4072349  -0.12635157 -0.18665327
  -0.24946402 -0.21627676]]


After ReLU: [[0.         0.666758   0.32021165 0.         0.         0.4733961
  0.         0.         0.         0.         0.46299893 0.
  0.6681083  0.6110305  0.         0.         0.         0.
  0.         0.        ]
 [0.         0.666758   0.32021165 0.         0.         0.4733961
  0.         0.         0.         0.         0.46299893 0.
  0.6681083  0.6110305  0.         0.         0.         0.
  0.         0.        ]
 [0.         0.666758   0.32021165 0.         0.         0.4733961
  0.         0.         0.         0.         0.46299893 0.
  0.6681083  0.6110305  0.         0.         0.         0.
  0.         0.        ]]

nn.SequentialCell

nn.SequentialCell是一个有序的Cell容器。输入Tensor将按照定义的顺序通过所有Cell。我们可以使用SequentialCell来快速组合构造一个神经网络模型。

seq_modules = nn.SequentialCell(
    flatten,
    layer1,
    nn.ReLU(),
    nn.Dense(20, 10)
)

logits = seq_modules(input_image)
print(logits.shape)

输出：

(3, 10)

nn.Softmax

最后使用nn.Softmax将神经网络最后一个全连接层返回的logits的值缩放为[0, 1]，表示每个类别的预测概率。axis指定的维度数值和为1。

softmax = nn.Softmax(axis=1)
pred_probab = softmax(logits)

模型参数

网络内部神经网络层具有权重参数和偏置参数（如nn.Dense），这些参数会在训练过程中不断进行优化，可通过 model.parameters_and_names() 来获取参数名及对应的参数详情。

print(f"Model structure: {model}\n\n")

for name, param in model.parameters_and_names():
    print(f"Layer: {name}\nSize: {param.shape}\nValues : {param[:2]} \n")

输出：

Model structure: Network<
  (flatten): Flatten<>
  (dense_relu_sequential): SequentialCell<
    (0): Dense<input_channels=784, output_channels=512, has_bias=True>
    (1): ReLU<>
    (2): Dense<input_channels=512, output_channels=512, has_bias=True>
    (3): ReLU<>
    (4): Dense<input_channels=512, output_channels=10, has_bias=True>
    >
  >


Layer: dense_relu_sequential.0.weight
Size: (512, 784)
Values : [[-0.01454661 -0.00052622  0.0134638  ... -0.00126561  0.00801466
  -0.00590414]
 [ 0.00028438  0.0286495   0.01709852 ... -0.00651062 -0.00503245
   0.00225337]] 

Layer: dense_relu_sequential.0.bias
Size: (512,)
Values : [0. 0.] 

Layer: dense_relu_sequential.2.weight
Size: (512, 512)
Values : [[-0.00418757 -0.00146841 -0.00025317 ...  0.01138673 -0.00500975
  -0.00834621]
 [ 0.00015765 -0.00764043 -0.00253232 ... -0.00662186 -0.00926944
   0.0051317 ]] 

Layer: dense_relu_sequential.2.bias
Size: (512,)
Values : [0. 0.] 

Layer: dense_relu_sequential.4.weight
Size: (10, 512)
Values : [[-5.30655868e-03 -1.40058983e-03 -8.17952459e-05 ...  6.50949718e-04
  -1.01737154e-03  1.09181227e-02]
 [-7.51176849e-03 -1.51963625e-02  1.02381669e-02 ...  7.55769433e-03
   2.01417841e-02 -6.92950515e-03]] 

Layer: dense_relu_sequential.4.bias
Size: (10,)
Values : [0. 0.]