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
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.]