昇思25天打卡营-第一天_昇思25天学习打卡营

昇思25天打卡营-第一天

昇思25天打卡营-第一天

1.基本介绍

2快速入门网络构建模型训练

1.基本介绍

昇思MindSpore是一个深度学习框架，就像pytorch和tensorflow的框架那样，但他比这些框架有更多的优势。有如下特性:

• 易开发

• 高效执行

• 全场景统一部署

  

2快速入门

首先，先导入minspore的库，

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

实现处理数据集，使用的是Minst数据集，因为要下载数据集要先安装download，在命令行可以用pip指令，在这个学习中他提供notebook，使用notebook来download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)

输出结果如下图所示，

MNIST数据集目录结构如下：

MNIST_Data
└── train
    ├── train-images-idx3-ubyte (60000个训练图片)
    ├── train-labels-idx1-ubyte (60000个训练标签)
└── test
    ├── t10k-images-idx3-ubyte (10000个测试图片)
    ├── t10k-labels-idx1-ubyte (10000个测试标签)

这是数据集的分支，每个目录下有的照片介绍。

我在第一次进行数据进分类发生了错误，

我重新启动kernel后可能没有重新导入MnistDataset,我重新导入后就好了。

后面对数据处理操作，MindSpore的dataset使用数据处理流水线（Data Processing Pipeline），需指定map、batch、shuffle等操作。这里我们使用map对图像数据及标签进行变换处理，然后将处理好的数据集打包为大小为64的batch。

网络构建

mindspore.nn类是构建所有网络的基类，也是网络的基本单元。当用户需要自定义网络时，可以继承nn.Cell类，并重写__init__方法和construct方法。__init__包含所有网络层的定义，construct中包含数据（Tensor）的变换过程。通过自定义网络类，输出结果如图所示。

接下来进行模型训练

模型训练

模型训练包含三个步骤：刚好MindSpore有自动微分机制，记下来我们进行

1. 正向计算：定义正向计算函数；

2. 反向传播：使用value_and_grade通过函数变换获得梯度计算函数；

3. 参数优化：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。

接着定义测试函数，训练通过多次迭代，每轮遍历训练的数据集，打印loss和accuracy来观察他们的变化。

我前期看他指出来了一行线，我以为出错了。

后来才发现是还没有训练完，

Epoch 1
-------------------------------
loss: 2.307751  [  0/938]
loss: 1.660392  [100/938]
loss: 0.839929  [200/938]
loss: 0.571368  [300/938]
loss: 0.642053  [400/938]
loss: 0.470834  [500/938]
loss: 0.322452  [600/938]
loss: 0.491557  [700/938]
loss: 0.348474  [800/938]
loss: 0.259468  [900/938]
Test: 
 Accuracy: 90.4%, Avg loss: 0.322547 
​
Epoch 2
-------------------------------
loss: 0.341447  [  0/938]
loss: 0.248998  [100/938]
loss: 0.274333  [200/938]
loss: 0.589658  [300/938]
loss: 0.196311  [400/938]
loss: 0.243522  [500/938]
loss: 0.666025  [600/938]
loss: 0.308877  [700/938]
loss: 0.461304  [800/938]
loss: 0.308582  [900/938]
Test: 
 Accuracy: 92.9%, Avg loss: 0.248863 
​
Epoch 3
-------------------------------
loss: 0.389259  [  0/938]
loss: 0.231386  [100/938]
loss: 0.122059  [200/938]
loss: 0.315415  [300/938]
loss: 0.291719  [400/938]
loss: 0.201986  [500/938]
loss: 0.189134  [600/938]
loss: 0.296406  [700/938]
loss: 0.245108  [800/938]
loss: 0.314172  [900/938]
Test: 
 Accuracy: 94.0%, Avg loss: 0.208696 
​
Done!

这个是loss的变化结果，通过多轮的迭代accuracy一直在增加，从一轮90.4%第三轮到达94.0%。后面保存模型的参数。

加载保存的权重分为两步：

1. 重新实例化模型对象，构造模型。

2. 加载模型参数，并将其加载至模型上

我说加载结果怎么为空，param_not_load是未被加载的参数列表，为空时代表所有参数均加载成功。

重新实例化模型对象，然后加载完模型参数，看看预测结果和实际结果对比。

这其中还是错了两个，准确率还是挺高的有80%。

最后输出自己的名字和时间。最后这个时间我改成北京时间，