昇思25天学习打卡营第06天 | 网络构建

文章目录

[昇思25天学习打卡营第06天 | 网络构建](#昇思25天学习打卡营第06天 | 网络构建)

神经网络模型是由神经网络层和对Tensor的操作构成的。
在MindSpore， Cell类是网络的基本单元。一个神经网络模型表示为一个 Cell，它由不同的子 Cell构成。

定义网络

通过继承nn.Cell类，在__init__方法中进行子Cell的实例化和状态管理，在construct方法中实现Tensor的操作。

python 复制代码

class Network(nn.Cell):
    def __init__(self):
        super().__init__()
        self.flatten = nn.Flatten()
        self.dense_relu_sequential = nn.SequentialCell(
            nn.Dense(28*28, 512, weight_init="normal", bias_init="zeros"),
            nn.ReLU(),
            nn.Dense(512, 512, weight_init="normal", bias_init="zeros"),
            nn.ReLU(),
            nn.Dense(512, 10, weight_init="normal", bias_init="zeros")
        )

    def construct(self, x):
        x = self.flatten(x)
        logits = self.dense_relu_sequential(x)
        return logits

model = Network()

网络层

nn.Flatten(start_dim=1, end_dim=-1)：沿着从start_dim到end_dim的维度，对输入Tensor进行展平。
nn.Dense：全连接层，使用权重和偏差对输入进行线性变换。
nn.ReLU：给网络中加入非线性激活函数。
nn.SequentialCell：一个有序的Cell容器，将输入Tensor按定义的顺序依次通过所有Cell。
nn.Softmax：将网络最后一个全连接层返回的logits缩放为 $0 , 1$ $0, 1$ $0,1$ ，表示每个类别的预测概率，axis指定的维度数值和为 1 1 1。

模型预测

构造一个输入，直接调用模型，即可获得模型的输出，包含每个类别的原始预测值

model.construct()方法不可直接调用。

python 复制代码

X = ops.ones((1, 28, 28), mindspore.float32)
logits = model(X)

通过nn.Softmax层实例来获得预测概率：

python 复制代码

pred_probab = nn.Softmax(axis=1)(logits)
y_pred = pred_probab.argmax(1)
print(f"Predicted class: {y_pred}")

模型参数

神经网络层具有权重参数和偏置参数，这些参数会在训练过程中不断进行优化。

-通过model.parameters_and_names()来获取参数名及对应的参数详情。

python 复制代码

print(f"Model structure: {model}\n\n")

for name, param in model.parameters_and_names():
    print(f"Layer: {name}\nSize: {param.shape}\nValues : {param[:2]} \n")

总结

通过这一节的学习，对MindSpore中的网络模型有了基础认识，通过对Cell类的继承，创建一个网络，并在__init__中定义和创建子Cell，并在construct中进行Tensor的操作。此外，还学习了Flatten、Dense、ReLU、SequentialCell、Softmax等基本网络层，还有通过`model.parameters_and_names()·访问模型参数的方法