昇思25天学习打卡营第1天 | 快速入门

​
今天开始学习Mindspore框架，首先需要引入数据集，以Mnist数据集为例：

处理数据集

# Download data from open datasets
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)
1
2
3
4
5
6

数据集 下载完后通过下面的代码获取训练集和测试集，train_dataset表示训练集，test_dataset表示测试集。

train_dataset = MnistDataset('MNIST_Data/train')
test_dataset = MnistDataset('MNIST_Data/test')
1
2

可以通过打印的方式来查看数据集的列名

print(train_dataset.get_col_names())
1

接下来对数据进行预处理

vision.Rescale(1.0 / 255.0, 0)指的是将图像的像素值缩放在[0,1]范围内，通过将每个像素值除以255实现。
​​​​​​

vision.Normalize(mean=(0.1307,), std=(0.3081,))是对数据进行归一化处理，mean就是均值，std是标准差，每个像素值减去均值并除以标准差。

vision.HWC2CHW()将图像布局从高度-宽度-通道改为通道-高度-宽度。

label_transform = transforms.TypeCast(mindspore.int32) 将数据类型改为mindspore的类型

dataset = dataset.map(image_transforms, ‘image’)

dataset = dataset.map(label_transform, ‘label’)将数据预处理应用到数据集上。

dataset = dataset.batch(batch_size) 将数据集划分每batchsize为一批。

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
1
2
3
4
5
6
7
8
9
10
11
12

可以用create_tuple_iterator 或create_dict_iterator对数据进行遍历，create_tuple_iterator是创建一个元组迭代器，create_dict_iterator是创建一个字典迭代器

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。

输入x首先被flatten层展平，然后通过全连接-relu-sequential得到最后的分数

# Define model
class Network(nn.Cell):
    def __init__(self):
        super().__init__()
        self.flatten = nn.Flatten()
        self.dense_relu_sequential = nn.SequentialCell(
            #将28*28个输入节点映射到512个节点
            nn.Dense(28*28, 512),
            #激活函数
            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)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

模型训练
在模型训练中，一个完整的训练过程（step）需要实现以下三步：

1.正向计算：模型预测结果（logits），并与正确标签（label）求预测损失（loss）。

2.反向传播：利用自动微分机制，自动求模型参数（parameters）对于loss的梯度（gradients）。

3.参数优化：将梯度更新到参数上。

MindSpore使用函数式自动微分机制，因此针对上述步骤需要实现：

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。

# Instantiate loss function and optimizer
#实例化了一个交叉熵损失函数，这是在多类别分类问题中常用的损失函数，用于衡量模型输出（logits）和真实标签之间的差异。
loss_fn = nn.CrossEntropyLoss()
#实例化了一个随机梯度下降（SGD）优化器，学习率为0.01（1e-2），用于更新模型的权重。
optimizer = nn.SGD(model.trainable_params(), 1e-2)

# 1. Define forward function
#这个函数接受数据和标签作为输入，通过模型计算出logits，然后使用损失函数计算损失值。它返回损失值和logits。
def forward_fn(data, label):
    logits = model(data)
    loss = loss_fn(logits, label)
    return loss, logits

# 2. Get gradient function
#这个函数为前向传播函数创建了一个梯度函数。value_and_grad函数会返回一个新函数，该函数在计算损失值的同时也会计算梯度。None表示不关心输入数据的梯度，optimizer.parameters指定了需要计算梯度的参数，has_aux=True表示forward_fn会返回一个包含主输出（损失值）和一个辅助输出（logits）的元组。
grad_fn = mindspore.value_and_grad(forward_fn, None, optimizer.parameters, has_aux=True)

# 3. Define function of one-step training
#这个函数执行一个训练步骤，包括计算损失和梯度，以及应用梯度更新模型的权重。grad_fn返回损失值和梯度，然后使用优化器更新模型参数。
def train_step(data, label):
    (loss, _), grads = grad_fn(data, label)
    optimizer(grads)
    return loss
#这个函数执行整个训练过程。首先，它获取数据集的大小，然后将模型设置为训练模式。接着，它遍历数据集的批次，并调用train_step函数进行训练。每100个批次，它会打印当前的损失值和批次编号。
def train(model, dataset):
    size = dataset.get_dataset_size()
    model.set_train()
    #enumerate用于遍历序列（如列表、元组或字符串）并返回序列中的元素以及它们的索引。enumerate函数通常用于在循环中同时获取元素和它们的索引。
    for batch, (data, label) in enumerate(dataset.create_tuple_iterator()):
        loss = train_step(data, label)

        if batch % 100 == 0:
        #这行代码将损失值从MindSpore的Tensor格式转换为NumPy数组格式，以便可以打印出来。同时，它将当前的批次编号赋值给变量current。
            loss, current = loss.asnumpy(), batch
            #这行代码使用Python的格式化字符串功能（f-string）来打印损失值和批次信息。loss:>7f表示将损失值打印为至少7位小数的浮点数，并在必要时进行右对齐。current:>3d和size:>3d分别表示将当前批次编号和数据集大小打印为至少3位整数的数字，并在必要时进行右对齐。
            print(f"loss: {loss:>7f}  [{current:>3d}/{size:>3d}]")

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37

训练完就该测试了，下面是测试函数

def test(model, dataset, loss_fn):
#获取数据集的批次数，这是通过调用数据集的 get_dataset_size 方法得到的。
    num_batches = dataset.get_dataset_size()
#将模型设置为评估模式。在评估模式下，模型中的某些层（如批量归一化层和dropout层）的行为会与训练模式不同。
    model.set_train(False)
#初始化三个变量，total 用于存储总样本数，test_loss 用于存储总损失，correct 用于存储预测正确的样本数。
    total, test_loss, correct = 0, 0, 0
    for data, label in dataset.create_tuple_iterator():
#通过模型传递输入数据，得到预测结果 pred（logits）
        pred = model(data)
        #更新总样本数。
        total += len(data)
#计算当前批次的损失，并累加到 test_loss 中。asnumpy() 将损失从MindSpore的Tensor格式转换为NumPy数组格式。
        test_loss += loss_fn(pred, label).asnumpy()
#计算当前批次中预测正确的样本数，并累加到 correct 中。pred.argmax(1) 获取每个样本的最可能类别（即概率最高的类别），然后与真实标签 label 进行比较，得到一个布尔数组，其中 True 表示预测正确，False 表示预测错误。.asnumpy().sum() 将布尔数组转换为NumPy数组并计算其中 True 的数量，即预测正确的样本数。
        correct += (pred.argmax(1) == label).asnumpy().sum()
#计算平均损失，通过将总损失除以批次数得到。
    test_loss /= num_batches
#计算准确率，通过将预测正确的样本数除以总样本数得到。
    correct /= total
#打印测试结果，包括准确率和平均损失。{(100*correct):>0.1f}% 将准确率转换为百分比形式，并保留一位小数；{test_loss:>8f} 将平均损失打印为至少8位小数的浮点数。
    print(f"Test: \n Accuracy: {(100*correct):>0.1f}%, Avg loss: {test_loss:>8f} \n")
    
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

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。打印每一轮的损失（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。

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!")

1
2
3
4
5
6
7

保存模型

模型训练完成后，需要将其参数进行保存。

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

1
2
3
4

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。

# Instantiate a random initialized model
model = Network()
# Load checkpoint and load parameter to model
param_dict = mindspore.load_checkpoint("model.ckpt")
#使用mindspore.load_param_into_net函数将加载的参数字典param_dict中的参数值加载到之前实例化的模型model中。这个函数返回两个值，param_not_load是一个列表，包含了未能加载的参数名称，而第二个返回值是一个布尔值，指示是否所有参数都成功加载。
param_not_load, _ = mindspore.load_param_into_net(model, param_dict)
print(param_not_load)

1
2
3
4
5
6
7
8

加载后的模型可以直接用于预测推理。

model.set_train(False)
for data, label in test_dataset:
    pred = model(data)
# 对于每个样本，argmax函数会返回得分最高的类别的索引，即预测的标签。argmax(1)表示沿着第二个维度（索引为1的维度，即类别维度）取最大值的索引。
    predicted = pred.argmax(1)
    print(f'Predicted: "{predicted[:10]}", Actual: "{label[:10]}"')
    break

1
2
3
4
5
6
7
8