昇思25天学习打卡营第5天|xiaoyushao

        今天学习神经网络的构建。

        神经网络模型是由神经网络层和Tensor操作构成的，mindspore.nn提供了常见神经网络层的实现，在MindSpore中，Cell类是构建所有网络的基类，也是网络的基本单元。一个神经网络模型表示为一个Cell，它由不同的子Cell构成。使用这样的嵌套结构，可以简单地使用面向对象编程的思维，对神经网络结构进行构建和管理。

        下面我们将构建一个用于Mnist数据集分类的神经网络模型。

        首先，导入必要的依赖。

import mindspore
from mindspore import nn, ops

       

目录

        一、 定义模型类

        二、 模型层

        1. nn.Flatten

        2. nn.Dense

        3. nn.ReLU

        3. nn.SequentialCell

        三、 模型参数

---

一、 定义模型类

        当我们定义神经网络时，可以继承nn.Cell类，在__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。以下我们定义了一个简单的神经网络，它可以用于处理类似MNIST手写数字分类任务的数据。

class Network(nn.Cell):
    # 初始化
    def __init__(self):
        super().__init__()
        # 定义一个Flatten层，用于将输入数据展平，通常用于将多维的输入数据转换为一维，以便输入到全连接层 
        self.flatten = nn.Flatten()
        """
            定义一个SequentialCell，它按照顺序包含多个网络层，
            这里用于构建一个包含两个全连接层（Dense）和两个ReLU激活函数的序列
        """
        self.dense_relu_sequential = nn.SequentialCell(
            # 第一个Dense层将输入（假设是28*28的图像数据）转换为512维
            nn.Dense(28*28, 512, weight_init="normal", bias_init="zeros"),
            # ReLU是神经网络中的非线性激活函数
            # 激活函数是指在多层神经网络中，上层神经元的输出和下层神经元的输入存在一个函数关系，这个函数就是激活函数
            nn.ReLU(),
            # 第二个Dense层将512维转换为另一个512维的隐藏层
            nn.Dense(512, 512, weight_init="normal", bias_init="zeros"),
            nn.ReLU(),
            # 第三个Dense层将512维的隐藏层转换为10维的输出层（通常是用于分类任务的类别数）
            nn.Dense(512, 10, weight_init="normal", bias_init="zeros")
        )

    # 定义网络的前向传播逻辑 
    def construct(self, x):
        x = self.flatten(x)
        logits = self.dense_relu_sequential(x)
        return logits

        构建完成后，实例化Network对象，查看其结构。

# 实例化Network对象，并查看其结构。
model = Network()
print(model)

        运行结果：

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>
    >
  >

        构造一个输入数据，调用模型，可以获得一个十维的Tensor输出，其包含每个类别的原始预测值。注意：model.construct()方法不可直接调用。

X = ops.ones((1, 28, 28), mindspore.float32)
logits = model(X)
logits

        运行结果：

Tensor(shape=[1, 10], dtype=Float32, value=
[[-3.77303013e-03, -3.17776995e-03, -9.35949199e-03 ... -4.68062423e-03,  2.27191951e-04, -2.97959615e-03]])

        在此基础上，我们通过一个nn.Softmax层实例来获得预测概率。

pred_probab = nn.Softmax(axis=1)(logits)
y_pred = pred_probab.argmax(1)
print(f"Predicted class: {y_pred}")

        运行结果：

        Predicted class: [4]

        二、 模型层

        本节我们分解上节构造的神经网络模型具体讲解每一层的内容。

        首先，我们构造一个shape为（3, 28, 28）的随机数据（3个28x28的图像），依次通过每一个神经网络层来观察其效果。

# 构造一个shape为(3, 28, 28)的随机数据
input_image = ops.ones((3, 28, 28), mindspore.float32)
print(input_image.shape)

        运行结果：

        (3, 28, 28)

        1. nn.Flatten

        实例化nn.Flatten层，将28x28的2D张量转换为784大小的连续数组。

flatten = nn.Flatten()
flat_image = flatten(input_image)
print(flat_image.shape)

        运行结果：

        (3, 784)

        2. nn.Dense

        nn.Dense为全连接层，其使用权重和偏差对输入进行线性变换。

# 将28x28的图像，转换为20维
layer1 = nn.Dense(in_channels=28*28, out_channels=20)
hidden1 = layer1(flat_image)
print(hidden1.shape)

        运行结果：

        (3, 20)

        3. nn.ReLU

        nn.ReLU层给忘了中加入非线性的激活函数，帮助神经网络学习各种复杂的特征。

        激活函数是指在多层神经网络中，上层神经元的输出和下层神经元的输入存在一个函数关系，这个函数就是激活函数。

print(f"Before ReLU: {hidden1}\n\n")
hidden1 = nn.ReLU()(hidden1)
print(f"After ReLU: {hidden1}")

        运行结果：

Before ReLU: [[-0.25080302 -1.6228253  -0.38711423 -0.18463446 -0.18805337  0.2981321
   0.24795535 -0.10090016 -0.16238908 -0.5391514  -0.51778454  0.32723203
  -0.05354481 -0.5604131   0.80173707  0.23298593 -0.6414123   0.62173057
   0.11616658 -0.2951467 ]
 [-0.25080302 -1.6228253  -0.38711423 -0.18463446 -0.18805337  0.2981321
   0.24795535 -0.10090016 -0.16238908 -0.5391514  -0.51778454  0.32723203
  -0.05354481 -0.5604131   0.80173707  0.23298593 -0.6414123   0.62173057
   0.11616658 -0.2951467 ]
 [-0.25080302 -1.6228253  -0.38711423 -0.18463446 -0.18805337  0.2981321
   0.24795535 -0.10090016 -0.16238908 -0.5391514  -0.51778454  0.32723203
  -0.05354481 -0.5604131   0.80173707  0.23298593 -0.6414123   0.62173057
   0.11616658 -0.2951467 ]]


After ReLU: [[0.         0.         0.         0.         0.         0.2981321
  0.24795535 0.         0.         0.         0.         0.32723203
  0.         0.         0.80173707 0.23298593 0.         0.62173057
  0.11616658 0.        ]
 [0.         0.         0.         0.         0.         0.2981321
  0.24795535 0.         0.         0.         0.         0.32723203
  0.         0.         0.80173707 0.23298593 0.         0.62173057
  0.11616658 0.        ]
 [0.         0.         0.         0.         0.         0.2981321
  0.24795535 0.         0.         0.         0.         0.32723203
  0.         0.         0.80173707 0.23298593 0.         0.62173057
  0.11616658 0.        ]]

        3. nn.SequentialCell

        nn.SequentialCell是一个有序的Cell容器。输入Tensor将按照定义的顺序通过所有Cell。我们可以使用SequentialCell来快速组合构造一个神经网络模型。

seq_modules = nn.SequentialCell(
    flatten,
    layer1,
    nn.ReLU(),
    nn.Dense(20, 10)
)

logits = seq_modules(input_image)
print(logits.shape)

        运行结果：

        (3, 10)

        4. nn.Softmax

        最后使用nn.Softmax将神经网络最后一个全连接层返回的logits的值缩放为[0,1]，表示每个类别的预测概率。axis指定的维度数值和为1。

softmax = nn.Softmax(axis=1)
pred_probab = softmax(logits)

        三、 模型参数

        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，可通过 model.parameters_and_names() 来获取参数名及对应的参数详情。
 

print(f"Model structure: {model}\n\n")

for name, param in model.parameters_and_names():
    print(f"Layer: {name}\nSize: {param.shape}\nValues : {param[:2]} \n")

        运行结果：

Model structure: 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>
    >
  >


Layer: dense_relu_sequential.0.weight
Size: (512, 784)
Values : [[-0.00241165  0.0153706   0.00704043 ... -0.00658572  0.00891898
  -0.00755226]
 [ 0.00641596  0.00682914 -0.00296532 ...  0.0026521   0.005566
  -0.00519365]] 

Layer: dense_relu_sequential.0.bias
Size: (512,)
Values : [0. 0.] 

Layer: dense_relu_sequential.2.weight
Size: (512, 512)
Values : [[ 0.00593478  0.0031455   0.00674731 ...  0.02303733 -0.00072975
  -0.01509703]
 [ 0.01623075  0.0043622   0.01300271 ...  0.00940052  0.01903879
  -0.00207125]] 

Layer: dense_relu_sequential.2.bias
Size: (512,)
Values : [0. 0.] 

Layer: dense_relu_sequential.4.weight
Size: (10, 512)
Values : [[ 6.4608711e-03 -3.1225656e-03  9.7290101e-03 ... -4.5035849e-05
   3.3861680e-03 -6.6836034e-03]
 [-1.1068085e-02  7.1578501e-03 -1.4958677e-03 ...  1.1826791e-02
  -4.4305337e-04 -1.2859000e-03]] 

Layer: dense_relu_sequential.4.bias
Size: (10,)
Values : [0. 0.]