昇思25天学习打卡营第1天|快速入门

基础介绍
总结

基础介绍

本文用mindspore 的 api 快速实现一个简单的深度学习模型

处理数据集

python 复制代码

# 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)

下载经典MNIST数据集，目录结构如下

数据集中包含的数据列名为['image', 'label']

使用map操作对图像数据及标签进行变换处理，然后打包为大小为64的batch。

python 复制代码

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)

对数据集进行迭代访问，查看数据和标签的shape和datatype

网络构建

mindspore.nn类是构建所有网络的基类，自定义网络时可以继承nn.Cell类，并重写__init__方法和construct方法。

python 复制代码

# Define model
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

model = Network()

使用nn.SequentialCell来快速组合构造一个神经网络模型。

nn.Dense为全连接层，其使用权重和偏差对输入进行线性变换。

nn.ReLU层给网络中加入非线性的激活函数，帮助神经网络学习各种复杂的特征。

模型训练

模型完整的训练过程（step）需要实现以下三步：

正向计算：模型预测结果（logits），并与正确标签（label）求预测损失（loss）。
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）。
参数优化：将梯度更新到参数上。

写好训练函数和测试函数，评估模型的性能。

迭代多轮（epoch）数据集，每一轮遍历训练集进行训练，结束后再测试集预测。打印每一轮的loss值和预测准确率（Accuracy），loss在不断下降Accuracy在提高，这就是训练过程。

预测推理

保存训练好的模型并加载模型参数

python 复制代码

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

加载后的模型可以直接用于预测推理。

总结

重新开始写点学习记录，笔者作为23应届毕业生也是经历了当下就业环境的洗礼，从游戏开发转后端再到现在即将入职的银行科技岗，计算机本科生还是要多学点知识并不断充实自己，这篇文也算是一个新的起点吧，拥抱昇思，展望未来！