【MindSpore学习打卡】初学教程-02快速入门-使用MindSpore构建和训练深度学习模型

《快速入门：使用MindSpore构建和训练深度学习模型》

在当今人工智能和深度学习的浪潮中，选择一个易用且高效的深度学习框架对于开发者来说至关重要。MindSpore作为华为推出的开源深度学习框架，具有简洁的API设计和强大的功能。本篇博客将带你快速入门MindSpore，通过一个简单的MNIST手写数字识别模型，详细讲解从数据处理、网络构建到模型训练和保存的全过程，让你轻松掌握使用MindSpore进行深度学习的基本技能。
详细学习请查看： 昇思快速入门教程

1. 环境准备与数据集处理

• 安装依赖：需要安装download库来下载数据集。可以使用以下命令进行安装：

  pip install download
  

  如果在Notebook环境中运行代码，安装后需要重启kernel。

• 下载数据集：通过download函数从指定URL下载MNIST数据集，并解压到本地目录。

  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)
  

• 数据集结构：MNIST数据集包含训练和测试两个子目录，每个子目录下有图像文件和标签文件。

  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)
  

• 加载数据集：使用MnistDataset类加载训练和测试数据集。

  from mindspore.dataset import MnistDataset
  
  train_dataset = MnistDataset('MNIST_Data/train')
  test_dataset = MnistDataset('MNIST_Data/test')
  

• 数据预处理：定义数据处理Pipeline，包括图像的归一化、标准化和维度变换。将处理后的数据集打包为大小为64的batch。

  from mindspore.dataset import vision, transforms
  
  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
  
  train_dataset = datapipe(train_dataset, 64)
  test_dataset = datapipe(test_dataset, 64)
  

• 数据集迭代访问：使用create_tuple_iterator或create_dict_iterator对数据集进行迭代访问，查看数据和标签的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
  
  for data in test_dataset.create_dict_iterator():
      print(f"Shape of image [N, C, H, W]: {data['image'].shape} {data['image'].dtype}")
      print(f"Shape of label: {data['label'].shape} {data['label'].dtype}")
      break
  

2. 网络构建

• 定义网络结构：通过继承nn.Cell类定义网络结构。网络由一个Flatten层和三个全连接层（Dense层）组成，每个全连接层后接一个ReLU激活函数。

  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),
              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)
  

3. 模型训练

• 定义损失函数和优化器：使用交叉熵损失函数nn.CrossEntropyLoss和随机梯度下降优化器nn.SGD。

  loss_fn = nn.CrossEntropyLoss()
  optimizer = nn.SGD(model.trainable_params(), 1e-2)
  

• 正向计算函数：定义正向计算函数forward_fn，计算模型的预测结果和损失。

  def forward_fn(data, label):
      logits = model(data)
      loss = loss_fn(logits, label)
      return loss, logits
  

• 梯度计算函数：使用mindspore.value_and_grad函数生成计算梯度的函数grad_fn。

  grad_fn = mindspore.value_and_grad(forward_fn, None, optimizer.parameters, has_aux=True)
  

• 训练步骤函数：定义单步训练函数train_step，执行正向计算、反向传播和参数优化。

  def train_step(data, label):
      (loss, _), grads = grad_fn(data, label)
      optimizer(grads)
      return loss
  

• 训练函数：定义完整的训练函数train，遍历数据集进行训练，并在每100个batch打印一次损失值。

  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}]")
  

• 测试函数：定义测试函数test，评估模型的性能，计算平均损失和准确率。

  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")
  

4. 训练与评估

• 训练与测试循环：设置训练轮数为3，每轮训练结束后进行测试，打印每轮的损失值和准确率。

  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!")
  

5. 模型保存与加载

• 保存模型：使用mindspore.save_checkpoint函数将训练好的模型参数保存到文件中。

  mindspore.save_checkpoint(model, "model.ckpt")
  print("Saved Model to model.ckpt")
  

• 加载模型：重新实例化模型对象，加载保存的模型参数，并将其加载到模型中。

  model = Network()
  param_dict = mindspore.load_checkpoint("model.ckpt")
  param_not_load, _ = mindspore.load_param_into_net(model, param_dict)
  print(param_not_load)
  

• 模型推理：加载后的模型可以直接用于预测推理，打印预测结果和实际标签。

  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
  

总的来说，这篇教程非常适合初学者快速掌握MindSpore的基本使用方法，并且通过实际操作加深对深度学习模型构建和训练过程的理解。通过本篇博客的学习，相信你已经掌握了如何使用MindSpore进行数据处理、网络构建、模型训练和保存的基本流程。MindSpore不仅提供了简洁易用的API，还具有强大的性能优化和自动微分机制，使得开发者能够更加专注于模型的设计和优化。如果你对深度学习有更高的追求，不妨深入探索MindSpore的更多高级功能和特性。希望本篇博客能为你的深度学习之路提供一些帮助和启发，期待你在AI领域取得更多的成果与突破。