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:
-
定义正向计算函数。
-
使用value_and_grad通过函数变换获得梯度计算函数。
-
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
-
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)。
-
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。
-
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)。