昇思25天学习打卡营第5天|MindSpore网络模型构建

最新推荐文章于 2024-11-12 11:47:35 发布

UtopXExistential

最新推荐文章于 2024-11-12 11:47:35 发布

阅读量851

点赞数 19

分类专栏：华为云 #培训赛事总结文章标签：学习 python 华为云

本文链接：https://blog.csdn.net/wwt72/article/details/140278643

版权

华为云同时被 2 个专栏收录

25 篇文章 1 订阅

订阅专栏

#培训赛事总结

25 篇文章 0 订阅

订阅专栏

打卡

nn.SequentialCell 有序网络容器

nn.Softmax 多分类概率预测

模型参数

前置感受：总的来说，使用Mindspore创建一个基本的网络结构是简单容易的，在动态图测试本节内容的情况下，同pytorch的区别不是很大。静态图下的情况没有测试。

模型类

mindspore.nn — MindSpore master 文档

mindspore.nn.Cell ：构建所有网络的基类
AI编译框架分为两种运行模式，分别是动态图模式（又被称为PyNative模式）以及 静态图模式（又被称为Graph模式）。MindSpore默认以动态图模式运行，但也支持手工切换为静态图模式。
- 动态图的特点 是计算图的构建和计算同时发生（Define by run）。在调试模型时较为方便，能够实时得到中间结果的值，但由于所有节点都需要被保存，导致难以对整个计算图进行优化。
- 静态图的特点 是将计算图的构建和实际计算分开（Define and run）。在Graph模式下，编译器可以针对图进行全局的优化，获得较好的性能，比较适合网络固定且需要高性能的场景。静态图模式先编译后执行的模式导致其存在编译耗时。
  - 使用MindSpore API以及基于Tensor对象的操作更适合使用静态图编译优化。
  - Graph模式下，Python代码并不是由Python解释器去执行，而是将代码编译成静态计算图，然后执行静态计算图。因此，编译器无法支持全量的Python语法。MindSpore的静态图编译器维护了Python常用语法子集，以支持神经网络的构建及训练
- context模式是一种全局的设置模式。代码示例如下。

import mindspore as ms 

## 选动态图的配置
ms.set_context(mode=ms.PYNATIVE_MODE)  # 使用set_context进行动态图模式的配置

## 选静态图的配置
ms.set_context(mode=ms.GRAPH_MODE)  # 使用set_context进行运行静态图模式的配置

模型网络：定义与使用

MindSpore中，Cell 类是构建所有网络的基类。如下代码，__init__方法中进行子Cell的实例化和状态管理，在construct方法中实现Tensor操作。model.construct()方法不可直接调用。

如下网络结构：先将Tensor数据展平到28*28维，再构建 [512，28*28] 的全连接层权重矩阵，经过激活函数后，再构建 [512，512] 的全连接层权重矩阵，再次经过激活函数后，再构建 [512，10] 的全连接层权重矩阵后，输出，

import mindspore
from mindspore import nn, ops

class Network(nn.Cell):
    def __init__(self):
        super().__init__()
        self.flatten = nn.Flatten()
        self.dense_relu_sequential = nn.SequentialCell(
            nn.Dense(28*28, 512, weight_init="normal", bias_init="zeros"),
            nn.ReLU(),
            nn.Dense(512, 512, weight_init="normal", bias_init="zeros"),
            nn.ReLU(),
            nn.Dense(512, 10, weight_init="normal", bias_init="zeros")
        )

    def construct(self, x):
        x = self.flatten(x)
        logits = self.dense_relu_sequential(x)
        return logits

model = Network()
print("查看模型网络结构：\n", model)

X = ops.ones((1, 28, 28), mindspore.float32)
logits = model(X)
print("查看输入经过模型的输出值：\n", logits) 
print(type(logits))  # <class 'mindspore.common._stub_tensor.StubTensor'>
print(logits.shape)  # (1, 10)

## 获得预测概率
pred_probab = nn.Softmax(axis=1)(logits)
y_pred = pred_probab.argmax(1)
print(f"Predicted class: {y_pred}")

模型层级分解

nn.Flatten 张量转换-演示查看

mindspore.nn.Flatten ：沿着从 start_dim 到 end_dim 的维度，对输入Tensor进行展平。

mindspore.nn.Flatten( start_dim=1,  ## 要展平的第一个维度。默认 1 。
                      end_dim=-1  ## 要展平的最后一个维度。默认 -1 。
                    )

nn.Dense 全连接层-演示查看

mindspore.nn.Dense ：适用于输入的密集连接层，用权重和偏差对输入进行线性变换。

计算方式：y = activation(X * kernel + bias ) = 激活函数(输入数据 * 权重矩阵 + 偏置向量)

mindspore.nn.Dense(in_channels,  ## int,输入Tensor的空间维度
                   out_channels, ## int,输出Tensor的空间维度
                   weight_init=None, ## 默认 None，权重使用HeUniform初始化。
                   bias_init=None, ## 默认 None，偏差使用Uniform初始化。
                   has_bias=True, ## 默认 True, 使用偏置向量 
                   activation=None, ## 可指定激活函数名，如’relu’，或具体激活函数，如 mindspore.nn.ReLU 。默认 None
                   dtype=mstype.float32)

nn.ReLU 非线性激活层-演示查看

mindspore.nn.ReLU ：逐元素计算ReLU（Rectified Linear Unit activation function）修正线性单元激活函数。

计算方式：ReLU(x)=max(0, x)

nn.SequentialCell 有序网络容器

mindspore.nn.SequentialCell ：按照传入顺序依次添加神经网络 Cell，可以通过初始化方式构建如下，也可像list一样通过 append(cell) 方式添加。

nn.Softmax 多分类概率预测

mindspore.nn.Softmax ：将多分类的结果以概率的形式展现出来，输出的数据类型和shape与输入的相同。

计算方式：

Softmax 函数对输入Tensor 在轴 axis 上的元素计算其指数函数值，然后归一化到 [0, 1] 范围，总和为1。
.argmax(dims=?) 表示沿着指定的轴找到最大值的索引，参数 1 表示沿着第二个轴。

模型参数查看

网络内部神经网络层具有权重参数和偏置参数，如 nn.Dense，这些参数会在训练过程中不断进行优化，通过 model.parameters_and_names() 可获取参数名及对应的参数详情。

mindspore.nn.Cell ：parameters_and_names(name_prefix='', expand=True) 返回Cell中parameter的迭代器。包含参数名称和参数本身。expand 为True 则递归地获取当前Cell和所有子Cell的参数及名称；如果为 False ，只生成当前Cell的子Cell的参数及名称。