《昇思25天学习打卡营第8天|08-模型训练》

昇思Mindspore架构第八天学习了模型训练部分。
模型训练包括了四个部分：
1.构建数据集。
2.定义神经网络模型。
3.定义超参、损失函数及优化器。
4.输入数据集进行训练与评估。

构建数据集

这里我们下载了MNISTs数据集，定义了一个图像处理的通道。

构建神经网络

该网络由三个全连接层与两层激活函数组成，网络执行会依次将数据从往下输入。

定义超参、损失函数和优化器

超参数包括有 训练次数（epoch）、批次大小（batch)、__学习率（learning rate）：

训练轮次（epoch）：训练时遍历数据集的次数。

批次大小（batch size）：数据集进行分批读取训练，设定每个批次数据的大小。batch size过小，花费时间多，同时梯度震荡严重，不利于收敛；batch size过大，不同batch的梯度方向没有任何变化，容易陷入局部极小值，因此需要选择合适的batch size，可以有效提高模型精度、全局收敛。

学习率（learning rate）：如果学习率偏小，会导致收敛的速度变慢，如果学习率偏大，则可能会导致训练不收敛等不可预测的结果。梯度下降法被广泛应用在最小化模型误差的参数优化算法上。梯度下降法通过多次迭代，并在每一步中最小化损失函数来预估模型的参数。学习率就是在迭代过程中，会控制模型的学习进度。

损失函数
损失函数（loss function）用于评估模型的预测值（logits）和目标值（targets）之间的误差。训练模型时，随机初始化的神经网络模型开始时会预测出错误的结果。损失函数会评估预测结果与目标值的相异程度，模型训练的目标即为降低损失函数求得的误差。

优化器
模型优化（Optimization）是在每个训练步骤中调整模型参数以减少模型误差的过程。MindSpore提供多种优化算法的实现，称之为优化器（Optimizer）。优化器内部定义了模型的参数优化过程（即梯度如何更新至模型参数），所有优化逻辑都封装在优化器对象中。在这里，我们使用SGD（Stochastic Gradient Descent）优化器。

最后的训练与评估：
1.训练：迭代训练数据集，并尝试收敛到最佳参数。
2.验证/测试：迭代测试数据集，以检查模型性能是否提升。


昇思Mindspore系统的介绍了简易的网络模型架构，学习了从最基础的数据到最后训练的评估，通过敲代码，可以慢慢了解大概流程。期待后续课程。