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。