华为开发者空间 - MindSpore魔法课堂：手把手教你玩转AI框架

本文摘自华为开发者空间案例中心案例《MindSpore魔法课堂：手把手教你玩转AI框架》

一、概述

1. 案例介绍

华为开发者空间Notebook，为开发者提供免费昇腾NPU算力资源，帮助开发者更好使用昇腾NPU进行AI应用的开发。

通过实际操作，让大家深入了解如何利用华为开发者空间Notebook及MIndSpore框架进行AI应用开发，加深开发者对MIndSpore框架的理解及应用。

2. 适用对象

• 个人开发者
• 高校学生

3. 案例时间

本案例总时长预计40分钟。

4. 案例流程

说明：

1. 用户进入华为开发者空间；
2. 打开Notebook进行环境配置；
3. 打开Notebook进行代码实操。

5. 资源总览

本案例预计花费0元。

资源名称	规格	单价（元）	时长（分钟）
开发者空间-Notebook	euler2.9-py310-torch2.1.0-cann8.0-openmind0.9.1-notebook	0	40

二、环境配置

1. Notebook配置

本案例中，使用华为开发者空间-Notebook进行代码编写、功能实现，华为开发者空间Notebook是一款面向开发者的一站式云端开发工具，主要用于AI开发、数据分析、模型训练等场景。

开发者直接进入到华为开发者空间工作台。

进入到开发者空间工作台后，找打AI Notebook，点击立即前往。

进入到AI Notebook页面后，选择NPU环境点击立即启动。

稍等片刻后点击查看Notebook，前往Notebook主页面。

至此，成功打开Notebook。

2. 运行环境配置

打开Notebook后，点击笔记下的python 3，创建代码编写文件。

将以下命令复制到Notebook中，点击上方三角运行符号进行MindSpore框架的下载。

MindSpore框架是面向“端-边-云”全场景设计的AI框架，旨在弥合AI算法研究与生产部署之间的鸿沟。在算法研究阶段，为开发者提供动静统一的编程体验以提升算法的开发效率；在生产阶段，自动并行可以极大加快分布式训练的开发和调试效率，同时充分挖掘异构硬件的算力；再部署阶段，基于“端-边=云”统一架构，应对企业级部署和安全可信方面的挑战。

pip install mindspore

下载完毕后，将以下命令复制到命令行中，进行download包的下载。

pip install download

download：通过客户端（如浏览器、APP）向服务器发送请求，服务器将数据拆分为数据包，经网络传输到本地设备后重新组合完整文件。

注意，安装包安装完毕后需要手动重启内核来更新环境，点击内核>重启内核。

三、代码编写

1. 网络构建

首先导入必要的工具包，将以下代码复制到命令行中，并点击上方三角符号运行。

（注：导入必要工具包后需要重启内核）

import mindspore

from mindspore import nn

from mindspore.dataset import vision, transforms

from mindspore.dataset import MnistDataset

MindSpore提供基于Pipeline的数据引擎，通过数据集（Dataset）实现高效的数据预处理，本次实操，我们使用Mnist数据集，自动下载完毕后，使用mindspore.dataset提供的数据变换进行预处理。

将以下代码复制到命令行中，并点击上方三角符号运行，进行数据集的下载。

\# 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)

下载完毕后左侧会出现MNIST_Data文件夹。

数据集下载完毕后，将以下代码复制到命令行中，并点击上方三角运行符号运行，获取数据集对象。

train_dataset = MnistDataset('MNIST_Data/train')

test_dataset = MnistDataset('MNIST_Data/test')

将以下代码复制到命令行中，并点击上方三角运行符运行，打印数据集中包含的列表名，用于dataset的预处理。

print(train_dataset.get_col_names())

MindSpore的dataset使用数据处理流水线，需指定map、batch、shuffle等操作。这里使用map对图像数据及标签进行变换处理，将输入的图像缩放为1/255，根据均值0.1307和标准差0.3081进行归一化处理，然后将处理好的数据集打包为大小为64的batch。

将以下代码复制到命令行中，并点击上方三角符号进行运行。

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)

将以下代码复制到命令行中，并点击上方三角符号运行，查看数据和标签的shape和dataype。

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

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

将以下代码复制到命令行中，进行网络构建。

# 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)

2. 模型训练

在模型训练中，一个完整的训练过程需要实现以下三步：

1. 正向计算：模型预测结果，并与正确标签求预测损失；

2. 反向传播：利用自动微分机制，自动求模型参数对于loss的梯度；

3. 参数优化：将梯度更新到参数上。

MindSpore使用函数式自动微分机制，因此针对上述步骤需要实现：

1. 定义正向计算函数；

2. 使用value_and_grad通过函数变换获得梯度计算函数；

3. 定义训练函数，使用set_train设置为训练模式，执行正向计算、反向计算和参数优化。

将以下代码复制到命令行中，并点击上方三角符号运行。

# Instantiate loss function and optimizer
loss_fn = nn.CrossEntropyLoss()
optimizer = nn.SGD(model.trainable_params(), 1e-2)

# 1. Define forward function
def forward_fn(data, label):
    logits = model(data)
    loss = loss_fn(logits, label)
    return loss, logits

# 2. Get gradient function
grad_fn = mindspore.value_and_grad(forward_fn, None, optimizer.parameters, has_aux=True)

# 3. Define function of one-step training
def train_step(data, label):
    (loss, _), grads = grad_fn(data, label)
    optimizer(grads)
    return loss

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:
            loss, current = loss.asnumpy(), batch
            print(f"loss: {loss:>7f}  [{current:>3d}/{size:>3d}]")

将以下代码复制到命令行中，并点击上方三角符号运行，进行测试函数定义，用于评估模型性能。

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")

训练过程需要多次迭代数据集，一次完整的迭代成为一轮（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。

将以下代码复制到命令行中，并点击上方三角符号进行运行。

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!")

模型训练完成后需要将其参数进行保存，将以下代码复制到命令行中进行模型保存，模型保存成功后，在左侧文件夹目录下会出现model.ckpt文件，代表模型保存成功。

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

加载保存的模型权重分为两步：

1.重新实例化模型对象，构造模型；

2.加载模型参数，并将其加载至模型上。

将以下代码复制到命令行中，并点击上方三角符号运行。

# 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)

说明：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。

加载完毕后的模型可以直接用于预测推理，将以下代码复制到命令行中，并点击上方三角符号进行运行。

model.set_train(False)
for data, label in test_dataset:
    pred = model(data)
    predicted = pred.argmax(1)
    print(f'Predicted: "{predicted[:10]}", Actual: "{label[:10]}"')
    break

运行完毕后可以直接看到输出真实预测标签和真实标签，表示模型成功进行了预测推理。

至此，MindSpore魔法课堂：手把手教你玩转AI框架案例结束。

更多开发者空间技术干货与活动请关注：开发者空间官网 开发者空间案例中心 开发者空间活动专题