网络构建
神经网络模型是由神经网络层和Tensor操作构建的,mindspore.nn提供了常见的神经网络层的实现,在MindSpore中,Cell类是构建所有网络的基类,也是网络的基本单元。一个神经网络模型表示为一个Cell,它由不同的子Cell构成。使用这样的嵌套结构,可以简单地使用面向对象编程的思维,对神经网络结构进行构建和管理。
以下构建一个用于Mnist数据集分类的神经网络模型。
一、定义模型类
当定义神经网络时,可以继承nn.Cell类,在__init__方法中进行子Cell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。
构建完成后,实例化Network对象,并查看其结构
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
在此基础上,通过一个nn.Softmax层实例来获得预测概率。
二、 模型层
本节中我们会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.
2.1 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。
2.2 nn.Dense
nn,Dense为全连接层,其使用权車和偏差对输入进行线性变换。
2.3 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
2.4 nn.SequentialCell
nn.SequentialCel是一个有序的Cel容器。输入Tensor将按照定义的顺序通过所有Ce。我们可以使用 sequentialce11 来快速组合构造一个神经网络模型。
2.5 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.
三、 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),这些参数会在训练中不断优化,可通过model.parameters_and_names()来获取参数名及对应的参数详情。
四、训练完成打上标记和时间
基本记住了time()函数语法。