《昇思25天学习打卡营第1天|基本介绍&快速入门》

昇思MindSpore是华为打造的一个AI框架，可以在手机、服务器上使用，支持英伟达和华为的芯片。模型文件格式是MindIR格式。

API有三个层级：

低阶API，主要包括张量定义、基础算子、自动微分等模块

中阶API，封装了低阶API，提供网络层、优化器、损失函数等模块

高阶API，封装了中阶API，提供了训练推理的管理、混合精度训练、调试调优等高级接口

在华为的官方平台（昇思大模型平台 (mindspore.cn)）可以很方便地体验这个框架。

首页里选“AI实验室”，点击“打开Jupyter在线编程环境”

选Ascend （其实用CPU也可以，就是运行速度慢）

快速入门教程分以下几个步骤

处理数据集
网络构建
模型训练
保存模型
加载模型
这里使用了MNIST数据集，图片的宽度是28x28。

以下是网络构建的代码，我加了一些注释。

import mindspore.nn as nn
 
class Network(nn.Cell):
    def __init__(self):
        super().__init__()
        # 将输入展平为一维向量
        # 实例化nn.Flatten层，将28x28的2D张量转换为784大小的连续数组。
        self.flatten = nn.Flatten()
        # 定义一个包含多个层的顺序容器
        self.dense_relu_sequential = nn.SequentialCell(
            # 第一个全连接层，输入大小为28*28，输出大小为512，权重初始化为正态分布，偏置初始化为零
            nn.Dense(28*28, 512, weight_init="normal", bias_init="zeros"),
            # 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。
            nn.ReLU(),
            # 第二个全连接层，输入大小为512，输出大小为512，权重初始化为正态分布，偏置初始化为零
            nn.Dense(512, 512, weight_init="normal", bias_init="zeros"),
            # 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。
            nn.ReLU(),
            # 第三个全连接层，输入大小为512，输出大小为10，权重初始化为正态分布，偏置初始化为零
            nn.Dense(512, 10, weight_init="normal", bias_init="zeros")
        )
 
    def construct(self, x):
        # 将输入展平为一维向量
        x = self.flatten(x)
        # 通过顺序容器计算输出
        logits = self.dense_relu_sequential(x)
        return logits

forward_fn是正向计算函数，grad_fn是梯度计算函数，test是测试函数，用来评估模型的性能， train是训练函数，我加了注释

def train(model, dataset):
    # 获取数据集的大小
    size = dataset.get_dataset_size()
    
    # 设置模型为训练模式
    model.set_train()
    
    # 遍历数据集的每个批次
    for batch, (data, label) in enumerate(dataset.create_tuple_iterator()):
        # 执行单步训练并获取损失值
        loss = train_step(data, label)
 
        # 每100个批次打印一次损失值
        if batch % 100 == 0:
            loss, current = loss.asnumpy(), batch
            print(f"loss: {loss:>7f}  [{current:>3d}/{size:>3d}]")

在训练模型的过程中，损失在不断下降，预测准确度在不断提高。

训练结束之后，可以用mindspore.save_checkpoint方法保存训练出来的模型

mindspore.load_checkpoint方法可以用来加载模型，

运行模型进行预测

# 设置模型为评估模式，关闭训练模式
model.set_train(False)
 
# 遍历测试数据集中的每一个数据和标签
for data, label in test_dataset:
    # 使用模型对数据进行预测
    pred = model(data)
    # 获取预测结果中概率最高的类别
    predicted = pred.argmax(1)
    # 打印前10个预测结果和实际标签
    print(f'Predicted: "{predicted[:10]}", Actual: "{label[:10]}"')

预测和实际标签是吻合的

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])"