《昇思25天学习打卡营第1天|快速入门》

目录

一、昇思和昇腾AI全栈概述

二、准备工作

三、处理数据集的方法

1、使用Mnist数据集

2、数据集处理

四、创建模型

1、网络构建

2、训练模型

3、模型评估

4、开始训练

​五、如何保存和加载模型

1、保存模型

​2、加载模型

---

一、昇思和昇腾AI全栈概述

        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。其中，易开发表现为API友好、调试难度低；高效执行包括计算效率、数据预处理效率和分布式训练效率；全场景则指框架同时支持云、边缘以及端侧场景。

       昇腾计算，是基于昇腾系列处理器构建的全栈AI计算基础设施及应用，包括昇腾Ascend系列芯片、Atlas系列硬件、CANN芯片使能、MindSpore AI框架、ModelArts、MindX应用使能等。

华为Atlas人工智能计算解决方案，是基于昇腾系列AI处理器，通过模块、板卡、小站、服务器、集群等丰富的产品形态，打造面向“端、边、云”的全场景AI基础设施方案，涵盖数据中心解决方案、智能边缘解决方案，覆盖深度学习领域推理和训练全流程。

        今天我通过昇思MindSpore已经封装好的API，高效执行一个深度学习模型的数据集，让小伙伴们直观感受到什么是分布式训练效率。

二、准备工作

        在开始使用昇思MindSpore开发一个深度学习模型之前， 实验环境已经预装了mindspore==2.2.14，如需更换mindspore版本，可更改下面mindspore的版本号

pip uninstall mindspore -y
pip install -i https://pypi.mirrors.ustc.edu.cn/simple mindspore==2.2.14

导入相关的依赖包：

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

三、处理数据集的方法

1、使用Mnist数据集

我们使用Mnist数据集，自动下载完成后，使用mindspore.dataset提供的数据变换进行预处理。

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

url后面分别是下载数据集的地址和下载完成后数据集的目录，中间用"\"隔开，这段代码的作用就是使用download模块从mindspore官网上下载mnist数据集，保存到指定的目录下，并将其划分为训练和测试的数据集。

path是指定了url和文件压缩类型

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)

2、数据集处理

mindsporeData processing Pipeline将数据处理成可以模型训练需要的格式，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。

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
 
# Map vision transforms and batch dataset
train_dataset = datapipe(train_dataset, 64)
test_dataset = datapipe(test_dataset, 64)

可使用create_tuple_iterator 或create_dict_iterator对数据集进行迭代访问，查看数据和标签的shape和datatype。

详细说明：

用MindSpore定义了一个名为datapipe的函数，这个函数接受两个参数，分别是：dataset（原始数据集）和bach_size（批处理大小）。

在函数内部首先定义了一个image_transforms的列表，包含了三个图像变换操作：

vision.Rescale：将图像像素值缩放到[0, 1]范围内。
vision.Normalize：对图像进行归一化处理，使用给定的均值和标准差。
vision.HWC2CHW：将图像的维度从(height, width, channel)转换为(channel, height, width)，这是深度学习框架中常见的要求的输入格式。
label_transform是一个变换操作，用于将标签数据类型转换为mindspore.int32。

再调用map方法，将mnist数据集当中的image，label标签的数据进行变换处理和分批操作，最后返回处理完成的数据集。

下面两个for循环主要是对返回处理完成的数据集的具象化展示：

第一段循环使用create_tuple_iterator()方法创建一个元组迭代器，并遍历测试数据集。在循环中，它打印出第一个图像和标签的形状和数据类型，然后使用break语句退出循环。

第二段循环使用create_dict_iterator()方法创建一个字典迭代器，并遍历测试数据集。同样地，它打印出第一个图像和标签的形状和数据类型，然后退出循环。

四、创建模型

1、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。

#自定义的模型
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
 
#模型实例化
model = Network()
print(model)

创建一个名为Network的类，作为神经网络模型。首先，继承了Mindspore中的nn.Cell类（和pytorch中继承nn.Model类是一样的）用于构建神经网络。

2、训练模型

# 定义损失函数和优化器：
loss_fn = nn.CrossEntropyLoss()
optimizer = nn.SGD(model.trainable_params(), 1e-2)
 
# 前向传播函数
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)
 
def train_step(data, label):
    (loss, _), grads = grad_fn(data, label)
    optimizer(grads)
    return loss
# 循环训练：
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:  # 确定没一百个batch打印一次损失
            loss, current = loss.asnumpy(), batch  # 将损失函数转换成一个数组，并返回批次编号
            print(f"loss: {loss:>7f}  [{current:>3d}/{size:>3d}]")

 mindspore.value_and_grad是一个高阶函数，它用于计算给定函数的输出值和梯度。可以同时返回前向传播的输出值和关于模型参数的梯度，这是通过自动微分（auto-differentiation）技术实现的。

3、模型评估

除训练外，我们定义测试函数，用来评估模型的性能。

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")

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。

4、开始训练

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!")
import time
 
print(time.strftime("%Y-%m-%d %H:%M:%S", time.localtime()),'zhengzhao')

训练结果：

五、如何保存和加载模型

1、保存模型

2、加载模型

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。

# Instantiate a random initialized model
model = Network()
# Load checkpoint and load parameter to model
param_dict = mindspore.load_checkpoint("model.ckpt")
param_not_load, _ = mindspore.load_param_into_net(model, param_dict)
print(param_not_load)
import time
 
print(time.strftime("%Y-%m-%d %H:%M:%S", time.localtime()),'zhengzhao')

2、加载模型参数，并将其加载至模型上。

现在小伙伴们应该已经初步了解并学会如何创建并训练一个简单的深度学习模型，明天见