模型训练:使用已知的数据(训练集)来教导模型如何做出预测或决策。
构建数据集
从某个数据源(如文件、数据库或在线API)加载数据,并进行必要的预处理。MindSpore提供了Dataset
类来方便地处理数据。
定义神经网络模型
从网络构建中加载代码,构建一个神经网络模型。
定义超参、损失函数和优化器
超参
超参是可以调整的参数,可以控制模型训练优化的过程,不同的超参数值可能会影响模型训练和收敛速度。
损失函数
评估模型的预测值和目标值之间的误差。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
调整模型参数以减少模型误差。
训练与评估
循环输入数据来训练模型。一次数据集的完整迭代循环称为一轮。每轮执行训练时包括两个步骤:
- 训练:迭代训练数据集,尝试收敛到最佳参数。
- 测试:迭代测试数据集,检查模型性能是否提升。