打卡
SGD优化器训练结果如下
同参数设置下,Adam优化器训练结果如下
同参数设置下,RMSProp 优化器训练结果如下
同参数设置下,AdamWeightDecay 优化器训练结果如下
目录
同参数设置下,AdamWeightDecay 优化器训练结果如下
类、方法说明
- mindspore.dataset.transforms.TypeCast( data_type ) : 将输入的Tensor转换为指定的数据类型。此操作默认通过 CPU 执行,也支持异构加速到 GPU 或 Ascend 上执行。
- mindspore.dataset.Dataset.map( operations, input_columns=None, output_columns=None, column_order=None, num_parallel_workers=None, **kwargs) :给定一组数据增强列表,按顺序将数据增强作用在数据集对象上。
模型训练
一般分为四个步骤 :
- 构建数据集。
- 定义神经网络模型。
- 定义超参、损失函数及优化器。
- 输入数据集进行训练与评估。
概念说明
超参数
超参(Hyperparameters)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。
目前深度学习模型多采用批量随机梯度下降算法进行优化,随机梯度下降算法的原理如下:
其中,公式中,𝑛 是批量大小(batch size),η 是学习率(learning rate)。另外, 为训练轮次t 中的权重参数, 为损失函数的导数。除了梯度本身,这两个因子直接决定了模型的权重更新,从优化本身来看,它们是影响模型性能收敛最重要的参数。一般会定义以下超参用于训练:
-
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。
学习率
- 基于自然指数衰减函数计算学习率:mindspore.nn.NaturalExpDecayLR
- 基于自然指数衰减函数计算学习率:mindspore.nn.natural_exp_decay_lr
- 预热学习率:mindspore.nn.WarmUpLR
- mindspore.nn.warmup_lr预热学习率:mindspore.nn.warmup_lr
- 基于指数衰减函数计算学习率:mindspore.nn.ExponentialDecayLR
- 基于指数衰减函数计算学习率:mindspore.nn.exponential_decay_lr
- 基于余弦衰减函数计算学习率:mindspore.nn.CosineDecayLR
- 基于余弦衰减函数计算学习率:mindspore.nn.cosine_decay_lr
损失函数
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。
常见的损失函数包括用于回归任务的 nn.MSELoss
(均方误差)和用于分类的 nn.NLLLoss
(负对数似然)等。 nn.CrossEntropyLoss
结合了 nn.LogSoftmax
和 nn.NLLLoss
,可以对logits 进行归一化并计算预测误差。
例子
- 计算目标值和预测值之间的二值交叉熵损失值:mindspore.nn.BCELoss
- 输入经过sigmoid激活函数后作为预测值,BCEWithLogitsLoss 计算预测值和目标值之间的二值交叉熵损失:mindspore.nn.BCEWithLogitsLoss
- 计算预测值和目标值之间的交叉熵损失:mindspore.nn.CrossEntropyLoss
- 服从高斯分布的负对数似然损失:mindspore.nn.GaussianNLLLoss
- HuberLoss计算预测值和目标值之间的误差:mindspore.nn.HuberLoss
- L1Loss用于计算预测值和目标值之间的平均绝对误差:mindspore.nn.L1Loss
- 用于计算预测值与标签值之间的均方误差:mindspore.nn.MSELoss
- 衡量 𝑥 和 𝑦 之间的平均绝对误差:mindspore.nn.MAELoss
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。例如,SGD(Stochastic Gradient Descent)优化器。
我们通过 model.trainable_params()
方法获得模型的可训练参数,并传入学习率超参来初始化优化器。
在训练过程中,通过微分函数可计算获得参数对应的梯度,将其传入优化器中即可实现参数优化,具体形态如下:
grads = grad_fn(inputs)
optimizer(grads)
不同优化器的训练结果见本文上面的打卡图片对比。
例子
2)Adaptive Moment Estimation (Adam)算法的实现:mindspore.nn.Adam( params, learning_rate=0.001, beta1=0.9, beta2=0.999, eps=1e-08, use_locking=False, use_nesterov=False, weight_decay=0.0, loss_scale=1.0, use_amsgrad=False, **kwargs)
3)权重衰减Adam算法的实现:mindspore.nn.AdamWeightDecay( params, learning_rate=0.001, beta1=0.9, beta2=0.999, eps=1e-06, weight_decay=0.0)
4)Momentum算法的实现:mindspore.nn.Momentum( params, learning_rate, momentum, weight_decay=0.0, loss_scale=1.0, use_nesterov=False)
5)均方根传播(RMSProp)算法的实现:mindspore.nn.RMSProp( params, learning_rate=0.1, decay=0.9, momentum=0.0, epsilon=1e-10, use_locking=False, centered=False, loss_scale=1.0, weight_decay=0.0)
训练代码
import mindspore
from download import download
from mindspore import nn
from mindspore.dataset import MnistDataset, transforms, vision
url = (
"https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/"
"notebook/datasets/MNIST_Data.zip"
)
path = download(url, "./", kind="zip", replace=True)
epochs = 10
batch_size = 64
learning_rate = 5e-3
loss_fn = nn.CrossEntropyLoss()
class Network(nn.Cell):
### 模型网络定义
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
def datapipe(path, batch_size):
## 数据处理流程
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 = MnistDataset(path)
dataset = dataset.map(image_transforms, "image")
dataset = dataset.map(label_transform, "label")
dataset = dataset.batch(batch_size)
return dataset
def forward_fn(data, label):
# 定义前向传播函数,输出:损失函数 和 模型输出
logits = model(data)
loss = loss_fn(logits, label)
return loss, logits
def train_step(data, label):
# 定义单步训练函数
(loss, _), grads = grad_fn(data, label)
optimizer(grads)
return loss
def train_loop(model, dataset):
## 训练
## 返回一个epoch中的batch数。
size = dataset.get_dataset_size()
print(f"train_loop size={size}")
## 设置当前Cell和所有子Cell的训练模式。
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
## > 表示右对齐。7 表示字段宽度为7个字符。f 表示将数字格式化为定点数(fixed-point number),即浮点数。
## current 是变量名,表示当前的批次号。3 表示字段宽度为3个字符。d 表示将数字格式化为十进制整数。
print(f"loss: {loss:>7f} [{current:>3d}/{size:>3d}]")
def test_loop(model, dataset, loss_fn):
## 测试
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")
## step 1: load data
train_dataset = datapipe("MNIST_Data/train", batch_size=64)
test_dataset = datapipe("MNIST_Data/test", batch_size=64)
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
## step 2: define model and optimizer
model = Network()
optimizer = nn.AdamWeightDecay(model.trainable_params(), learning_rate=learning_rate)
#optimizer = nn.RMSProp(model.trainable_params(), learning_rate=learning_rate)
#optimizer = nn.Adam(model.trainable_params(), learning_rate=learning_rate)
#optimizer = nn.SGD(model.trainable_params(), learning_rate=learning_rate)
# step 3: 获取梯度函数
grad_fn = mindspore.value_and_grad(
forward_fn, ## 损失计算函数,前向传播
None,
optimizer.parameters, # 用 Cell 封装神经网络模型时,该 weights 参数设为 mindspore.nn.Cell.trainable_params(recurse=True) 方法从Cell中取出可以求导的参数。
has_aux=True, # 设True时,可以自动满足返回辅助数据的同时不影响梯度计算的效果。
)
# step 4: start train and test...
for t in range(epochs):
print(f"Epoch {t+1}\n-------------------------------")
train_loop(model, train_dataset)
test_loop(model, test_dataset, loss_fn)
print("Done!")