赞
踩
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)
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')
可以通过打印的方式来查看数据集的列名
print(train_dataset.get_col_names())
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
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)
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}]")
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")
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!")
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")
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)
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
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。