昇思25天学习打卡营第1天|快速入门

昇思学习心得记录🚀

什么是昇思MindSpore？

昇思MindSpore是一个全场景深度学习框架，旨在实现易开发、高效执行、全场景统一部署三大目标。简单来说，它能帮你在AI的世界里快速上手，从数据处理、模型训练到部署，一站搞定！

MindSpore都能干什么？

• ModelZoo（模型库）：提供现成的深度学习算法网络，还能让你贡献自己的网络模型。🎨
• MindSpore Extend（扩展库）：支持拓展新领域场景，如GNN、深度概率编程、强化学习等，期待更多开发者来一起贡献。🔍
• MindSpore Science（科学计算）：专为科学计算打造，提供高精度模型和工具，加速科学行业应用开发。🔬
• MindExpression（全场景统一API）：基于Python的前端接口，支持函数/OOP编程范式融合、AI+数值计算融合。💻
• 第三方前端：支持多语言前端表达，未来会提供C/C++等前端的对接工作，引入更多第三方生态。🌐
• MindSpore Data（数据处理层）：提供高效的数据处理和编程接口，支持灵活定义和优化数据处理流程。📊
• MindCompiler（AI编译器）：实现硬件无关和相关优化、部署推理优化等功能，让模型更高效运行。⚙️
• MindRT（全场景运行时）：支持云侧、端侧及IoT设备的运行时系统。🌩️
• MindSpore Insight（可视化调试调优工具）：可视化查看训练过程、优化模型性能、调试精度问题等。📈
• MindSpore Armour（安全增强库）：提供安全与隐私保护功能，如对抗鲁棒性、模型安全测试、差分隐私训练等。🔒

MindSpore的执行流程

MindSpore的基本流程大致如下：

1. 数据处理：准备和处理你的数据。
2. 模型训练：使用MindSpore进行模型训练和评估。
3. 模型保存：保存训练好的模型以供后续使用。

快速入门：深度学习模型例子

想要用MindSpore快速上手一个深度学习模型？来看这个例子吧！不过要注意，这里需要有一定的Python基础哦。

打开Jupyter笔记文档，在02-快速入门章节中，来试着学会如何使用MindSpore。

准备工作

我的习惯一般都是在log日志中查看结果，所以用鼠标右键点击页面，打开控制台。

开始运行

1. 配置AI训练的环境
   

   %%capture captured_output
   # 实验环境已经预装了mindspore==2.2.14，如需更换mindspore版本，可更改下面mindspore的版本号
   !pip uninstall mindspore -y
   !pip install -i https://pypi.mirrors.ustc.edu.cn/simple mindspore==2.2.14
   

   用鼠标点击单元格，然后点击标题栏中的运行按钮。
   OK 什么也没打印，没有什么结果，实验环境已经预装了mindspore==2.2.14

2. 导入需要的包

   import mindspore
   from mindspore import nn
   from mindspore.dataset import MnistDataset, transforms, vision
   

3. 数据的处理
   MindSpore提供基于Pipeline的数据引擎，通过数据集（Dataset）和数据变换（Transforms）实现高效的数据预处理。在本教程中，我们使用Mnist数据集，自动下载完成后，使用mindspore.dataset提供的数据变换进行预处理。

   # Download data from open datasets
   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)
   

   运行结果如下：

   Downloading data from https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/notebook/datasets/MNIST_Data.zip (10.3 MB)
   file_sizes: 100%|███████████████████████████| 10.8M/10.8M [00:00<00:00, 150MB/s]
   Extracting zip file…
   Successfully downloaded / unzipped to ./

4. 数据下载完成后，获得数据集对象。
   我们这会需要的数据集的目录结构如下：
   MNIST数据集目录结构如下：

    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)
   

   train_dataset = MnistDataset("MNIST_Data/train")
   test_dataset = MnistDataset("MNIST_Data/test")
   

5. 打印数据集中包含的数据列名，用于dataset的预处理

   print(train_dataset.get_col_names())
   

   [‘image’, ‘label’]

6. 数据集打包
   MindSpore的dataset使用数据处理流水线（Data Processing Pipeline），需指定map、batch、shuffle等操作。这里我们使用map对图像数据及标签进行变换处理，然后将处理好的数据集打包为大小为64的batch。

   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
   

7. 可使用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

Shape of image [N, C, H, W]: (64, 1, 28, 28) Float32
Shape of label: (64,) Int32

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

Shape of image [N, C, H, W]: (64, 1, 28, 28) Float32
Shape of label: (64,) Int32

网络构建

mindspore.nn类是构建所有网络的基类，也是网络的基本单元。当用户需要自定义网络时，可以继承nn.Cell类，并重写__init__方法和construct方法。__init__包含所有网络层的定义，construct中包含数据（Tensor）的变换过程。

# Define model
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)

Network<
(flatten): Flatten<>
(dense_relu_sequential): SequentialCell<
(0): Dense<input_channels=784, output_channels=512, has_bias=True>
(1): ReLU<>
(2): Dense<input_channels=512, output_channels=512, has_bias=True>
(3): ReLU<>
(4): Dense<input_channels=512, output_channels=10, has_bias=True>
>
>

模型训练

在模型训练中，一个完整的训练过程（step）需要实现以下三步：

正向计算：模型预测结果（logits），并与正确标签（label）求预测损失（loss）。
反向传播：利用自动微分机制，自动求模型参数（parameters）对于loss的梯度（gradients）。
参数优化：将梯度更新到参数上。

MindSpore使用函数式自动微分机制，因此针对上述步骤需要实现：

定义正向计算函数。
使用value_and_grad通过函数变换获得梯度计算函数。
定义训练函数，使用set_train设置为训练模式，执行正向计算、反向传播和参数优化。

# Instantiate loss function and optimizer
loss_fn = nn.CrossEntropyLoss()
optimizer = nn.SGD(model.trainable_params(), 1e-2)


# 1. Define forward function
def forward_fn(data, label):
    logits = model(data)
    loss = loss_fn(logits, label)
    return loss, logits


# 2. Get gradient function
grad_fn = mindspore.value_and_grad(forward_fn, None, optimizer.parameters, has_aux=True)


# 3. Define function of one-step training
def train_step(data, label):
    (loss, _), grads = grad_fn(data, label)
    optimizer(grads)
    return loss


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}]")

然后我们还可以自己定义一个测试函数，来评估一下模型的性能。

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")

训练过程需多次迭代数据集，一次完整的迭代称为一轮（epoch）。在每一轮，遍历训练集进行训练，结束后使用测试集进行预测。打印每一轮的loss值和预测准确率（Accuracy），可以看到loss在不断下降，Accuracy在不断提高。

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!")

Epoch 1
loss: 2.325526 [ 0/938]
loss: 1.739961 [100/938]
loss: 1.031309 [200/938]
loss: 0.737851 [300/938]
loss: 0.402010 [400/938]
loss: 0.543362 [500/938]
loss: 0.498320 [600/938]
loss: 0.389298 [700/938]
loss: 0.364930 [800/938]
loss: 0.219875 [900/938]
Test:
Accuracy: 91.1%, Avg loss: 0.320853

Epoch 2
loss: 0.306250 [ 0/938]
loss: 0.705737 [100/938]
loss: 0.366577 [200/938]
loss: 0.388486 [300/938]
loss: 0.255981 [400/938]
loss: 0.150607 [500/938]
loss: 0.287673 [600/938]
loss: 0.455687 [700/938]
loss: 0.324594 [800/938]
loss: 0.184409 [900/938]
Test:
Accuracy: 92.9%, Avg loss: 0.250179

Epoch 3
loss: 0.207206 [ 0/938]
loss: 0.349295 [100/938]
loss: 0.201524 [200/938]
loss: 0.140378 [300/938]
loss: 0.319226 [400/938]
loss: 0.111092 [500/938]
loss: 0.189037 [600/938]
loss: 0.219391 [700/938]
loss: 0.171382 [800/938]
loss: 0.298167 [900/938]
Test:
Accuracy: 93.9%, Avg loss: 0.211305
Done!

保存模型

模型训练完成之后，需要将其参数进行保存

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

加载模型

加载保存的权重分为两步：

重新实例化模型对象，构造模型。
加载模型参数，并将其加载至模型上。

# Instantiate a random initialized model
model = Network()
# Load checkpoint and load parameter to model
param_dict = mindspore.load_checkpoint("model.ckpt")
param_not_load, _ = mindspore.load_param_into_net(model, param_dict)
print(param_not_load)

其中，param_not_load是未被加载的参数列表，为空时代表所有参数均加载成功（输出的就是一个空列表））。

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

加载后的模型可以直接应用于预测推理。

最后附上加上时间名字的时间戳和我训练好的模型的截图：