【学习笔记】昇思25天学习打卡(D08)初学09-保存与加载.ipynb

【学习笔记】昇思25天学习打卡(D11)CV02-ResNet50图像分类.ipynb ResNet50 阅读详情

保存与加载

今天的内容是如何保存与加载模型。

import numpy as np
import mindspore
from mindspore import nn
from mindspore import Tensor

def network():
    model = nn.SequentialCell(
                nn.Flatten(),
                nn.Dense(28*28, 512),
                nn.ReLU(),
                nn.Dense(512, 512),
                nn.ReLU(),
                nn.Dense(512, 10))
    return model

保存和加载模型权重

保存模型使用save_checkpoint接口,传入网络和指定的保存路径:

model = network()
mindspore.save_checkpoint(model, "model.ckpt")

要加载模型权重,需要先创建相同模型的实例,然后使用load_checkpoint和load_param_into_net方法加载参数。

model = network()
param_dict = mindspore.load_checkpoint("model.ckpt")
param_not_load, _ = mindspore.load_param_into_net(model, param_dict)
print(param_not_load)

param_not_load是未被加载的参数列表,为空时代表所有参数均加载成功。

保存和加载MindIR

除Checkpoint外,MindSpore提供了云侧(训练)和端侧(推理)统一的中间表示(Intermediate Representation,IR)。可使用export接口直接将模型保存为MindIR。

model = network()
inputs = Tensor(np.ones([1, 1, 28, 28]).astype(np.float32))
mindspore.export(model, inputs, file_name="model", file_format="MINDIR")

MindIR同时保存了Checkpoint和模型结构,因此需要定义输入Tensor来获取输入shape。

已有的MindIR模型可以方便地通过load接口加载,传入nn.GraphCell即可进行推理。

nn.GraphCell仅支持图模式。

mindspore.set_context(mode=mindspore.GRAPH_MODE)

graph = mindspore.load("model.mindir")
model = nn.GraphCell(graph)
outputs = model(inputs)
print(outputs.shape)

Reference
教程来自:
https://gitee.com/mindspore/docs/blob/r2.3.0rc2/tutorials/source_zh_cn/beginner/save_load.ipynb

【学习笔记】昇思25天学习打卡(D12)CV03-ResNet50迁移学习.ipynb 在实际应用场景中,由于训练数据集不足,所以很少有人会从头开始训练整个网络。普遍的做法是,在一个非常大的基础数据集上训练得到一个预训练模型,然后使用该模型来初始化网络的权重参数或作为固定特征提取器应用于特定的任务中。本章将使用迁移学习的方法对ImageNet数据集中的狼和狗图像进行分类。 阅读详情

相关推荐

基于LendingClub数据的信贷分析和建模报告

一:课题分析 二:数据获取 三:数据探索 3.1主要特征含义理解 3.2特征分布 3.2.1目标特征分布 3.2.2分类变量的分布 3.2.3连续数值特征分布 3.2.4时序特征分布 3.2.5文字特征分布 3.2.6两两特征的协方差 四:数据预处理 4.1数据集划分 4.2特征缺失值识别与处理 4.2.1严重缺失值的处理 4.2.2缺失值填充 4.3同值性特...

棒子皮蹦蹦床 2万+

【学习笔记】昇思25天学习打卡(D07)初学08-模型训练.ipynb

构建数据集。 定义神经网络模型。 定义超参、损失函数及优化器。 输入数据集进行训练与评估。

UnseenMe的博客 791

从“破解”到应用:三菱数控系统M80协议逆向分析与工业数据采集网关搭建指南

本文深入解析三菱数控系统M80协议的逆向分析方法与工业数据采集网关搭建技术。通过TCP协议实现跨平台通信,详细介绍了M80协议的数据包结构、多语言实现方案(C#、Java、C/C++)以及Linux数据采集网关的架构设计与容器化部署。为工业自动化领域的开发者提供从协议分析到企业级数据采集落地的完整解决方案。

weixin_29228781的博客 1214

【学习笔记】昇思25天学习打卡(D09)初学10-使用静态图加速.ipynb

AI编译框架分为两种运行模式,分别是动态图模式以及静态图模式。MindSpore默认情况下是以动态图模式运行,但也支持手工切换为静态图模式。

UnseenMe的博客 1063

LangChain4j-针对性操作Function-call+系统预设角色

如果我们想要对一些敏感信息进行针对化的操作,不仅仅是接口大模型去进行回复。比如我们现在数据库里面有一些菜品,那么用户提问,店里有多少套餐,那么云端大模型肯定是不知道的,我们希望捕获这些关键字然后进行自己的业务查询或者处理,这个时候就可以使用function-call。

DDDDDouble的博客 454

VL53L1X vs VL53L0X:激光测距传感器选型指南与性能对比

本文深入对比了VL53L1X与VL53L0X两款激光测距传感器的核心差异。VL53L1X采用区域ToF原理,在抗环境光干扰、最大测距及多目标识别方面优势显著,尤其适合复杂光线与动态场景。文章结合机器人避障、无人机定高等实战场景,提供了清晰的选型决策树,帮助工程师根据测距需求、环境复杂度与系统成本做出最优选择。

weixin_29197699的博客 395

【学习笔记】昇思25天学习打卡(D06)初学07-函数式自动微分.ipynb

自动微分

UnseenMe的博客 987

别急着让AI画板!聊聊Cadence Allegro X AI和OrCAD X在实际PCB项目中的真实体验

本文分享了Cadence Allegro X AI与OrCAD X在PCB设计中的实际应用体验,探讨了AI辅助Layout的效率提升与潜在陷阱。通过高速ADC采集板案例,详细对比了AI与传统方法在电源平面分割、低速信号布线等任务中的表现,并总结了人机协作的最佳实践,为工程师提供实用参考。

weixin_30836759的博客 2241

【学习笔记】昇思25天学习打卡(D17)NLP02-RNN实现情感分类.ipynb

最后我们设计一个预测函数,实现开头描述的效果,输入一句评价,获得评价的情感分类。将输入句子进行分词;使用词表获取对应的index id序列;index id序列转为Tensor;送入模型获得预测结果;打印输出预测结果。最后我们预测开头的样例,可以看到模型可以很好地将评价语句的情感进行分类。

UnseenMe的博客 1119

idea出现 EXCEPTION_ACCESS_VIOLATION (0xc0000005) 的解决方法

idea启动的时候出现如下问题,以为没啥事,就索性关闭 后面再打开idea的时候发现直接闪退,之后打开其他软件,直接蓝屏

码农研究僧的博客 4817

实验二 离散控制系统的性能分析(时域/频域)

1.掌握离散闭环系统的动态性能时域参数的分析与计算方法; 2.掌握离散系统稳定性的频域典型参数分析与计算方法。 MATLAB 软件( 2022a); 1.在 Matlab 语言平台上,通过给定的闭环离散系统,深刻理解时域参数的物理意义与计算方法,内容包括如下: 阻尼比参数分析:Z 平面与 S 平面的极点相互转换编程实现;分析 S/Z 两个平面域特殊特性(水平线、垂直线、斜线、圆周等)的极点轨迹相互映射方法;系统阶跃响应参数:上升时间和超调量等。 2. 采用频域分析方法,通过编程计算,进一步理解离散系统的稳定

m0_51738372的博客 2481

昇思25天学习打卡营第1天|初步了解

本来想要再本地运行下相关示例代码,不过产生报错,pip install安装模块没有找到。在昇思实验室可以申请cpu和gpu的资源,一般的示例文件或者小的模型cpu就可以了,有些代码需要指定cpu或者gpu,这个需要看清楚,如果选择错的话也是无法运行。2不过初次运行的时候会遇到一个问题,点击运行的时候会出现新的输入框,而不是直接运行。相比之下,平台模型的下载还挺快的,几乎感受不到延迟可以看到平台内网下载速度可以达到144MB/s。相关代码为python代码,不过在昇思平台上面创建的文档格式为ipynb格式。

z450791697的博客 310

从一只龙虾到一支团队:OpenClaw 单 Bot 多 Agent 配置实践

单 Bot 多 Agent只有一个对外的聊天入口(飞书 Bot)内部有多个独立的 AI Agent,各司其职主 Agent(总指挥)负责接收任务并分配给子 Agent子 Agent 完成任务后将结果返回给主 Agent角色Agent ID职责使用场景🎯 总指挥main-agent统筹协调,任务分发接收所有用户请求✍️ 笔杆子内容创作公众号、博客、小红书🔬 参谋canmou深度研究竞品分析、市场调研📋 运营官operations运营管理邮件、日历、社交媒体。

Maynor的博客 1084

【学习笔记】昇思25天学习打卡(D16)NLP01-LSTM+CRF序列标注.ipynb

序列标注

UnseenMe的博客 944

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

【学习笔记】昇思25天学习打卡(D14)CV05-SSD目标检测.ipynb

SSD,全称Single Shot MultiBox Detector。

UnseenMe的博客 1043

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

【学习笔记】昇思25天学习打卡(D15)CV06-Vision Transformer图像分类.ipynb

vit

UnseenMe的博客 692

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

【学习笔记】昇思25天学习打卡(D13)CV04-Shufflenet图像分类.ipynb

ShuffleNetV1是旷视科技提出的一种计算高效的CNN模型,和MobileNet, SqueezeNet等一样主要应用在移动端,所以模型的设计目标就是利用有限的计算资源来达到最好的模型精度。ShuffleNetV1的设计核心是引入了两种操作:Pointwise Group Convolution和Channel Shuffle,这在保持精度的同时大大降低了模型的计算量。因此,ShuffleNetV1和MobileNet类似,都是通过设计更高效的网络结构来实现模型的压缩和加速。

UnseenMe的博客 691

【学习笔记】昇思25天学习打卡(D04)初学05-数据变换Transforms.ipynb

在机器学习和深度学习中,数据预处理是一个至关重要的步骤。通常情况下,原始数据并不能直接用于模型训练,需要进行一系列的转换和处理。MindSpore框架提供了多种数据变换(Transforms)工具,配合数据处理流水线(Pipeline),可以高效地实现数据预处理。MindSpore的dataset模块提供了面向图像、文本、音频等不同数据类型的Transforms,同时也支持使用Lambda函数进行自定义处理。这些Transforms可以通过map方法应用到指定的数据列上。

UnseenMe的博客 430

【学习笔记】昇思25天学习打卡(D03)初学04-数据集Dataset.ipynb

MindSpore提供基于Pipeline的数据引擎,通过Dataset和Transforms实现高效的数据预处理。

UnseenMe的博客 279

昇思打卡营第五期(MindNLP特辑)课程五:基于MindNLP的LLM应用开发实战:从零开始的RAG应用开发 上:实例代码上MindTinyRAG.ipynb和返回值解析

第五课是讲MindNLP的RAG应用,这也是我们在使用AIAgent和知识库中最基本的技术。作为一个增强大模型表现的技术,它在2024年经历了飞速的发展和应用,毕竟比起微调来说它成本低得多。以此为基础的知识库应用也早已普及开来,组成了AI行业突发猛进又脚踏实地的重要拼图。有趣的是,明明是一个极大推动AI落地的技术,它似乎在哪家厂商眼里都是一个已经开发完成了的技术,甚至我们在MindNLP里都找不到多少关于RAG的内容。

a1966565的博客 1636

【学习笔记】昇思25天学习打卡(D05)初学06-网络构建.ipynb

定义神经网络

UnseenMe的博客 424

【学习笔记】昇思25天学习打卡(D10)CV01-FCN图像语义分割.ipynb

FCN主要用于图像分割领域,是一种端到端的分割方法,是深度学习应用在图像语义分割的开山之作。

UnseenMe的博客 811

【学习笔记】昇思25天学习打卡(D01)初学02-快速入门.ipynb

这次学习了如何使用 MindSpore 来实现手写数字识别任务。

UnseenMe的博客 286

【学习笔记】昇思25天学习打卡(D02)初学03-张量Tensor.ipynb

这次的内容围绕 mindspore.Tensor展开。

UnseenMe的博客 283

昇思学习打卡营学习记录:CycleGAN壁画修复

启动开发环境后,在左边的文件夹中,选择“应用实践”-“热门LLM及其它AI应用”-“应用实践/热门LLM及其他AI应用/基于MindSpore实现CycleGAN壁画修复.ipynb”启动“Ascend开发环境” :Ascend开发环境需要申请,大家可以申请试试看。结合视频学习效果更佳:【基于MindSpore实现CycleGAN壁画修复】打开这个ipynb文件后,选择“运行全部”选择“jupyter 在线编辑器”按照提示,运行实训代码。

skywalk8163的专栏 700

60天python训练营打卡day31

作业:尝试针对之前的心脏病项目ipynb,将他按照今天的示例项目整理成规范的形式,思考下哪些部分可以未来复用。2.项目文件夹中其他部分:拆分后的信贷项目,学习下如何拆分的,未来你看到的很多大项目都是类似的拆分方法。1.notebook文件夹内的ipynb文件,介绍下今天的思路。DAY 31 文件的规范拆分和写法。今日的示例代码包含2个部分。3.机器学习项目的拆分。4.编码格式和类型注解。2.规范的文件夹管理。

extan的博客 242
上一篇: 【学习笔记】昇思25天学习打卡(D07)初学08-模型训练.ipynb
下一篇: 【学习笔记】昇思25天学习打卡(D09)初学10-使用静态图加速.ipynb
UnseenMe
博客等级 码龄20年 193粉丝 35原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值