《昇思25天学习打卡营第8天|模型训练》

---

今日所学：

在今天这一节我主要学习了模型的训练，知道了模型训练一般分为四个步骤：

• 构建数据集；
• 定义神经网络模型；
• 定义超参、损失函数及优化器；
• 输入数据集进行训练与评估。

在构建好了数据集拥有了模型之后，就可以对模型进行训练与评估。在本节当中我们主要就是学习了从构建数据集到平面模型赛道对模型进行评估的一个过程。接下来将通过这个过程来讲述今天所学的内容与心得。

---

一、构建数据集

首先我们要确保安装了Mindspore，在第二节《昇思25天学习打卡营第2天|快速入门》对于相关的内容已经讲述于是这里不再赘述。

然后我们来进行构建数据集，构建数据集的代码以及结果如下:

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)


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

train_dataset = datapipe('MNIST_Data/train', batch_size=64)
test_dataset = datapipe('MNIST_Data/test', batch_size=64)

这样可以见得我们已经将数据集构建成功了，接下来我进一步的学习了如何去定义网络神经模型。

二、定义神经网络模型

首先关于网络构建的内容还有不了解的可以查看《昇思25天学习打卡营第6天|网络构建》

对于定义神经网络模型的学习过程中，我们从网络构建中来加载代码，构建一个神经网络模型，其代码如下：

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()

三、了解超参、损失函数和优化器

1. 超参

超参数是什么呢？

超参数是我们可以调节的参数，它们能控制模型的训练和优化过程。正确的超参数设置可以加速模型的训练和收敛。在深度学习模型中，我们经常使用批量随机梯度下降算法进行优化。这个算法中，批量大小（batch size）和学习率（learning rate）是两个关键的因素，它们直接影响模型权重的更新，从而影响模型的性能和收敛速度。

训练轮次（epoch）指的是遍历整个数据集的次数；批次大小（batch size）是指每次读取数据进行训练的数量，合理的批次大小可以提高模型的精度和收敛；学习率（learning rate）决定了模型学习的速度，过小的学习率可能导致模型收敛速度慢，而过大的学习率则可能导致模型无法收敛。因此，找到适合的超参数设置是模型优化过程中的一个重要环节。

2. 损失函数

损失函数是用来衡量模型预测值和真实值之间的差异的工具。在模型训练过程中，我们的目标是最小化这个函数的值。初始状态下的神经网络往往会给出不准确的预测，而损失函数就是用来评估预测结果和实际目标之间的差距。通过不断降低这个差距，我们的模型便得以优化。

在此学习中了解到了常见的损失函数有用于回归任务的nn.MSELoss（均方误差）和用于分类的nn.NLLLoss（负对数似然）等，并且在Mindspore当中nn.CrossEntropyLoss结合了nn.LogSoftmax和nn.NLLLoss，可以对logits进行归一化并计算预测误差。

3. 优化器

关于模型的优化，在学习过程中我了解到了，模型优化是在训练过程中不断调整模型参数以降低模型误差的关键步骤。MindSpore提供了各种优化算法，统称为优化器。这些优化器定义了模型参数如何经过梯度更新，所有的优化逻辑都被封装在优化器对象中。在这个案例中，我们使用了随机梯度下降（SGD）优化器。

我们可以通过model对象的trainable_params()方法来获取模型的可训练参数，并结合设定的学习率来初始化优化器。

四、训练与评估

我们在设置了超参数损失函数和优化器之后，我们就进一步的通过循环输入数据来训练模型了，每一次的数据集的完整迭代循环称为一轮，每一轮又包括了训练和验证测试两个步骤，我们的训练模型的代码如下：

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

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

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

def train_loop(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}]")

并且我们写了评估相关的函数代码，它的代码如下：

def test_loop(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")

我们通过如下代码来将损失函数和优化器传入，并输出loss和Accuracy来查看性能的变化，相关代码与结果如下：

loss_fn = nn.CrossEntropyLoss()
optimizer = nn.SGD(model.trainable_params(), learning_rate=learning_rate)

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

总结

通过对今天这一节内容的学习，我全面了解了模型训练的整个流程。首先，我构建了数据集并定义了神经网络模型作为训练的基础。接着，我设置了超参数、损失函数和优化器，这些元素决定了训练过程中的行为和目标。超参数让我能够微调模型的训练过程，损失函数则用于评估模型预测值和目标值间的误差，而优化器则决定了如何调整模型参数以最小化这个误差。然后，我进行了模型的实际训练，每遍历一次所有数据我就完成了一轮训练，同时在每轮结束后我都进行了模型性能的评估。通过今天的学习和实践，我对如何使用MindSpore进行模型训练和评估有了更深的理解。