《昇思25天学习打卡营第1天|MindSpore手写数字识别》

原创已于 2024-06-24 23:34:21 修改 · 1.1k 阅读

22 ·

CC 4.0 BY-SA版权

文章标签：

#学习

于 2024-06-24 19:25:50 首次发布

华为昇思MindSpore深度学习框架初体验，真正的遥遥领先！

MindSpore深度学习框架介绍
MNIST手写字识别
数据集处理
网络构建
打卡截图

MindSpore深度学习框架介绍

华为昇思 MindSpore是一个全场景深度学习框架，对于初学者而言，其最大的优势在于API友好、调试难度低¹。我今天报名参加了昇思25天学习打卡营，准备记录使用MindSpore框架的体验。今天的打卡内容是MNIST手写数字识别。

MNIST手写字识别

作为深度神经网络的入门级案例，手写数字识别数据集MNIST源自图灵奖得主，深度学习领域的奠基人之一Yann LeCun在1998年发表的一篇论文《Gradient-Based Learning Applied to Document Recognition》² （原文使用了CNN但MindSpore案例使用了一个简单的多层感知器）。对于这样一个经典案例，我曾尝试过多种深度学习框架如Pytorch, Tensorflow等，但MindSpore框架给我的感觉完全是断崖式领先，这极大地来源于后发优势，能够在现有框架基础上解决问题（后续文章会出对比）。

数据集处理

MindSpore提供基于Pipeline的数据引擎，进行数据集和数据变换，对于MNIST数据集可以自动下载。

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

代码部分非常简洁清晰，具有极强的可读性，如果你经常处理图像问题，可以不用查询任何文档就能猜出代码块的含义，如

HWC2CHW()

对于数据的尺寸，类型的输出也十分清晰

for image, label in test_dataset.create_tuple_iterator():
    print(f"Shape of image [N, C, H, W]: {image.shape} {image.dtype}")
    print(f"Shape of label: {label.shape} {label.dtype}")
    break

Shape of image [N, C, H, W]: (64, 1, 28, 28) Float32
Shape of label: (64,) Int32

总体而言使用起来门槛很低，可理解性很强。

网络构建

网络构建的类代码与Pytorch类似，但相比之下更简洁，各层和激活函数的结构非常清晰

# 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()
print(model)

并且能够直接打印网络的结构和层索引，一目了然

Network<
(flatten): Flatten<>
(dense_relu_sequential): SequentialCell<
(0): Dense<input_channels=784, output_channels=512, has_bias=True>
(1): ReLU<>
(2): Dense<input_channels=512, output_channels=512, has_bias=True>
(3): ReLU<>
(4): Dense<input_channels=512, output_channels=10, has_bias=True>

我认为这种结构展现非常有助于初学者的学习，并且可以完全按照结构编写代码，降低编程难度。总体而言，今天的打卡学习体验很好，接下来将继续深度体验其他内容和模块，做更多分享。

打卡截图

今日打卡截图:

打卡1
闹了个乌龙，没有改时区。附修改时区代码（UTC+8）

import time
from datetime import datetime, timedelta, timezone

print(datetime.now(timezone(timedelta(hours=8))).strftime("%Y-%m-%d %H:%M:%S"),'edwardfeng')