昇思25天学习打卡营第一天 | 基本介绍、快速入门

一、昇思MindSpore介绍

1、昇思MindSpore是一个全场景深度学习框架，旨在实现易开发、高效执行、全场景统一部署三大目标。

2、架构图：

二、快速入门

 这是一个简单的简单的前馈神经网络模型————手写数字识别

1、导入必要的库：

import mindspore
from mindspore import nn
from mindspore.dataset import vision, transforms
from mindspore.dataset import MnistDataset

2、下载数据集：

from download import download

url = "https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/" \
      "notebook/datasets/MNIST_Data.zip"
path = download(url, "./", kind="zip", replace=True)

数据集文件结构： 下载的MNIST数据集的目录结构如下：

3、加载数据集：

  使用MnistDataset类加载训练和测试数据集。

train_dataset = MnistDataset('MNIST_Data/train')
test_dataset = MnistDataset('MNIST_Data/test')

4、定义数据处理流水线：

①、创建一个datapipe函数来处理数据集，包括图像和标签的预处理。

②、图像预处理步骤包括：缩放、归一化和通道转换。

③、标签预处理步骤：类型转换为mindspore.int32。

④、处理后的数据集按指定的batch_size进行批量处理

def datapipe(dataset, batch_size):
    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 = dataset.map(image_transforms, 'image')
    dataset = dataset.map(label_transform, 'label')
    dataset = dataset.batch(batch_size)
    return dataset

5、应用数据处理流水线：

  对预处理后的数据集进行批量处理，以便后续用于模型训练和评估。

train_dataset = datapipe(train_dataset, 64)
test_dataset = datapipe(test_dataset, 64)

6、数据处理：

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

for data in test_dataset.create_dict_iterator():
    print(f"Shape of image [N, C, H, W]: {data['image'].shape} {data['image'].dtype}")
    print(f"Shape of label: {data['label'].shape} {data['label'].dtype}")
    break

7、定义模型

定义一个简单的前馈神经网络，包括展平层和三个全连接层，激活函数为ReLU

class Network(nn.Cell):
    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

model = Network()
print(model)

8、定义损失函数和优化器

loss_fn = nn.CrossEntropyLoss()
optimizer = nn.SGD(model.trainable_params(), 1e-2)

9、定义训练步骤

MindSpore使用函数式自动微分机制，因此需要实现：

1. 定义正向计算函数。

2. 使用value_and_grad通过函数变换获得梯度计算函数。

3. 定义训练函数，使用set_train设置为训练模式，执行正向计算、反向传播和参数优化

def forward_fn(data, label):
    logits = model(data)
    loss = loss_fn(logits, label)
    return loss, logits

grad_fn = mindspore.value_and_grad(forward_fn, None, optimizer.parameters, has_aux=True)

#定义单步训练函数
def train_step(data, label):
    (loss, _), grads = grad_fn(data, label)
    optimizer(grads)
    return loss

10、训练和测试

定义训练函数以及定义测试函数，用来评估模型的性能。

def train(model, dataset):
    size = dataset.get_dataset_size()
    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
            print(f"loss: {loss:>7f}  [{current:>3d}/{size:>3d}]")

def test(model, dataset, loss_fn):
    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")

11、训练和评估模型：

epochs = 3
for t in range(epochs):
    print(f"Epoch {t+1}\n-------------------------------")
    train(model, train_dataset)
    test(model, test_dataset, loss_fn)
print("Done!")

训练过程需多次迭代数据集，一次完整的迭代称为一轮（epoch）。在每一轮，遍历训练集进行训练，结束后使用测试集进行预测。打印每一轮的loss值和预测准确率（Accuracy），可以看到loss在不断下降，Accuracy在不断提高。

12、模型保存和加载

mindspore.save_checkpoint(model, "model.ckpt")
print("Saved Model to model.ckpt")

model = Network()
param_dict = mindspore.load_checkpoint("model.ckpt")
param_not_load, _ = mindspore.load_param_into_net(model, param_dict)
print(param_not_load)

12、使用加载的模型进行预测：

model.set_train(False)
for data, label in test_dataset:
    pred = model(data)
    predicted = pred.argmax(1)
    print(f'Predicted: "{predicted[:10]}", Actual: "{label[:10]}"')
    break

总结

• 数据处理：下载并加载MNIST数据集，进行预处理和批处理。
• 模型定义：构建一个简单的前馈神经网络模型。
• 训练和评估：定义训练和测试函数，进行模型训练和性能评估。
• 保存和加载模型：保存训练好的模型参数，并进行加载和测试。

模型结构

1. 输入层：

   • 输入尺寸为28x28的灰度图像（MNIST数据集中的手写数字图像）。
   • 使用nn.Flatten()将二维图像展平成一维向量，尺寸为784（28x28）。

2. 隐藏层：

   • 第一个隐藏层：一个全连接层，输入784个节点，输出512个节点，激活函数为ReLU。
   • 第二个隐藏层：一个全连接层，输入512个节点，输出512个节点，激活函数为ReLU。

3. 输出层：

   • 一个全连接层，输入512个节点，输出10个节点（对应MNIST数据集中的10个类别，数字0-9）。