MindSpore零基础学习笔记_mindspore学习笔记

作者：神奇cpp | 2024-07-18 04:02:08

踩

mindspore学习笔记

快速入门：准备数据-创建模型-损失与优化-训练与推理
张量TENSOR：初始化-属性-索引-转换
数据处理：整体流程-加载-迭代-处理与增强
创建网络：定义模型-模型参数-构建网络
自动微分：求导-梯度缩放-停止计算
模型训练：超参-损失函数-优化器-训练
保存与加载:模型保存-加载模型-迁移学习
推理与部署：模型导出-转换格式-部署与体验
任务：1.熟悉MindSpore的语法结构
2.熟悉MindSpore从构建数据集，网络到训练的全流程

1.快速入门

mind mindspore的整体框架
MindSpore的整个处理流程
Mindspre处理流程
理解（输入数据，对数据进行调优，调优过程中需要安全机制保护，mindspore的模型存放在ModelZoo的模型库，一系列开发套件和告诫扩展库。预训练模型进行端云统一IR）

MindSpore全场景AI计算框架API
一些列API

1.快速入门
准备数据->创建网络模型->定义损失器与优化器->训练与推理
用简单的LENET5网络模型和MindSpore vision这个开发套件实现深度学习里面最简单的分类任务
（MindSpore Vision套件提供了用于下载并处理MINIST数据集的Mnist模块）
通过MindSpore Vision这个套件提供的数据集接口来去下载Minist数据集
在这里插入图片描述
LeNet共有七层，其中三个卷积层，两个采样层，三个全连接层。MindSpre Vision这个套件同样提供了一个最基础的Bachbone网络模型LeNet5,可以直接加载进来

接着需要定义损失函数和优化器（同样作为MindSpore nn层的算子，这里面用的是交叉熵，优化器用的是momentum）

训练及保存模型
在训练之前希望能监控训练中间结果或者把中间结果保存下来，以便用于后续用于finetune微调，迁移学习，或者下游任务等各种功能。

在执行网络模型之前需要把刚才定义到的参数，损失函数和优化器都扔进去models接口里面，接着调用model.train去执行

把定义的数据集扔进神经网络模型里面

训练完后需要加载网络模型，把网络模型参数赋值给网络模型

验证模型

2.张量

初始化-属性-索引-转换
区分数据格式
张量的概念：
张量有形状，下面有几个相关术语
形状：张量的每个轴的长度，即元素数量
秩：张量的轴数，标量的秩为0，向量的秩为1，矩阵的制为2
轴：张量的一个特殊维度
大小：张量的总项数，即乘积形状向量

Tersor 在MIndSpore中是一个什么样的作用呢？
MindSpore中所有的数学运算和操作都是基于Tensor。
张量的创建方式有很多种，构造张量时，支持传入Tensor,float,int,bool,tuple,list,和NumPy.array类型。
可以根据数据直接生成。可以根据数据创建张量，数据类型可以设置或者通过框架自动推断。

用构造器构造张量
使用Init初始化构造
为什么还需要初始化呢？张量是个高维数据，初始化做的好可能会有助于神经网络模型的学习。
MindSpore提供了很多初始化张量以供选择
继续另一个张量的属性，形成新的张量
使用OnesLinke算子形成新的张量
张量属性
张量索引
张量的运算
Tensor与NumPy转换
Tensor可以与NumPy进行互相转换。

Tensor转换为NumPy
使用asnumpy()将Tensor变量转换为NumPy变换

数据处理（整体流程-加载-迭代-处理与增强）

输入Tensor
数据处理
输入到神经网络模型
数据的加载
数据的迭代
数据的处理与增强
数据处理的流程
第一部分
sampler用于采样将数据加载进内存

输入到Transform
会对数据处理进行一系列的变换

Train
就会把我们的数据输入到我们的网络模型里面
运行代码下载数据集
迭代数据集
用户可以用create_dict_iterator接口创建数据迭代器，迭代访问数据，访问数据类型默认为Tensor！，这设置output_numpy-True，访问的数据类型为NumPy（要把数据打乱，防止过拟合）