《昇思25天学习打卡营第6天|网络构建》-优快云博客

本文链接：https://blog.youkuaiyun.com/hahahagehahage/article/details/140333711

在这里插入图片描述

网络构建

神经网络模型是由神经网络层和Tensor操作构成的，mindspore.nn提供了常见神经网络层的实现，在MindSpore中，Cell类是构建所有网络的基类，也是网络的基本单元。一个神经网络模型表示为一个Cell，它由不同的子Cell构成。使用这样的嵌套结构，可以简单地使用面向对象编程的思维，对神经网络结构进行构建和管理。

下面我们将构建一个用于Mnist数据集分类的神经网络模型。

import mindspore
from mindspore import nn, ops

定义模型类

当我们定义神经网络时，可以继承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操作。

construct意为神经网络（计算图）构建，相关内容详见使用静态图加速。

class Network(nn.Cell):
    def __init__(self):
    	# 调用父类 nn.Cell 的初始化方法。
        super().__init__()
        # 定义一个展平层，将输入的二维图像展平成一维向量。
        self.flatten = nn.Flatten()
        # 定义一个顺序容器nn.SequentialCell，包含一系列全连接层和激活函数 ReLU。
        self.dense_relu_sequential = nn.SequentialCell(
        	# 第一个全连接层：
        	# 输入维度：28 * 28，即784（假设输入图像尺寸为28x28）。
        	# 输出维度：512。
        	# 权重初始化方式：正态分布。
        	# 偏置初始化方式：全零。
            nn.Dense(28*28, 512, weight_init="normal", bias_init="zeros"),
            # 第一个 ReLU 激活函数：
            # 应用 ReLU 非线性激活函数。
            nn.ReLU(),
            # 第二个全连接层：
            # 输入维度：512。
            # 输出维度：512。
            # 权重初始化方式：正态分布。
            # 偏置初始化方式：全零。
            nn.Dense(512, 512, weight_init="normal", bias_init="zeros"),
            # 第二个 ReLU 激活函数：
            # nn.ReLU()：应用 ReLU 非线性激活函数。
            nn.ReLU(),
            # 第三个全连接层：
            # 输入维度：512。
            # 输出维度：10（假设分类任务有10个类别）。
            # 权重初始化方式：正态分布。
            # 偏置初始化方式：全零。
            nn.Dense(512, 10, weight_init="normal", bias_init="zeros")
        )

    def construct(self, x):
    	# 首先将输入 x 展平成一维向量。
        x = self.flatten(x)
        # 然后将展平后的向量输入到定义的全连接层和激活函数序列中。
        logits = self.dense_relu_sequential(x)
        # 返回网络的输出 logits，即最后一个全连接层的输出。
        return logits

构建完成后，实例化Network对象，并查看其结构。

model = Network()
print(model)

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>
    >
  >

我们构造一个输入数据，直接调用模型，可以获得一个十维的Tensor输出（因为最后一个全连接层输出是10），其包含每个类别的原始预测值。

model.construct()方法不可直接调用。

# 创建一个形状为 (1, 28, 28) 的张量，数据类型为 mindspore.float32
# ops.ones 是 MindSpore 中的一个操作，用于创建指定形状和数据类型的全是 1 的张量。
# 这里的张量 X 代表一个批次大小为 1 的单个 28x28 图像。
X = ops.ones((1, 28, 28), mindspore.float32)
# 图像通过 model(X) 进行前向传播后，logits 的形状将是 (1, 10)，表示网络的输出是 10 个类别的概率分布。
logits = model(X)
print(logits)

[[ 0.02518605 -0.00715232  0.00992389  0.01840115  0.00390891  0.00838725
   0.01437689  0.00715214 -0.00735128  0.00214243]]

在此基础上，我们通过一个nn.Softmax层实例来获得预测概率。

# nn.Softmax(axis=1) 创建一个 Softmax 层，沿着第一个维度（即各类别）计算 Softmax。
# Softmax 函数将 logits 转换为概率分布，使得每个类别的预测分数变成概率且所有类别的概率和为 1。
# logits 是形状为 (batch_size, num_classes) 的张量，这里的 axis=1 表示对每个样本的所有类别分数应用 Softmax。
pred_probab = nn.Softmax(axis=1)(logits)
print(pred_probab)

[[0.10015739 0.1003094  0.10015661 0.10017079 0.10031225 0.09866199
  0.09986033 0.10037679 0.10017019 0.0998243 ]]
# argmax(1) 返回在第一个维度上（即各类别）概率最大的索引。
y_pred = pred_probab.argmax(1)
print(f"Predicted class: {y_pred}")

Predicted class: [7]

预测类别是索引 7，因为在 logits 中第8个元素（索引从 0 开始）具有最高的概率。

模型层

本节中我们分解上节构造的神经网络模型中的每一层。首先我们构造一个shape为(3, 28, 28)的随机数据（3个28x28的图像），依次通过每一个神经网络层来观察其效果。

input_image = ops.ones((3, 28, 28), mindspore.float32)
print(input_image.shape)

(3, 28, 28)

nn.Flatten

实例化nn.Flatten层，将28x28的2D张量转换为784大小的连续数组。

flatten = nn.Flatten()
flat_image = flatten(input_image)
print(flat_image.shape)

(3, 784)

nn.Dense

nn.Dense为全连接层，其使用权重和偏差对输入进行线性变换。

layer1 = nn.Dense(in_channels=28*28, out_channels=20)
hidden1 = layer1(flat_image)
print(hidden1.shape)

(3, 20)

nn.ReLU

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。

print(f"Before ReLU: {hidden1}\n\n")
hidden1 = nn.ReLU()(hidden1)
print(f"After ReLU: {hidden1}")

Before ReLU: [[-0.04736331  0.2939465  -0.02713677 -0.30988005 -0.11504349 -0.11661264
   0.18007928  0.43213072  0.12091967 -0.17465964  0.53133243  0.12605792
   0.01825903  0.01287796  0.17238477 -0.1621131  -0.0080034  -0.24523425
  -0.10083733  0.05171938]
 [-0.04736331  0.2939465  -0.02713677 -0.30988005 -0.11504349 -0.11661264
   0.18007928  0.43213072  0.12091967 -0.17465964  0.53133243  0.12605792
   0.01825903  0.01287796  0.17238477 -0.1621131  -0.0080034  -0.24523425
  -0.10083733  0.05171938]
 [-0.04736331  0.2939465  -0.02713677 -0.30988005 -0.11504349 -0.11661264
   0.18007928  0.43213072  0.12091967 -0.17465964  0.53133243  0.12605792
   0.01825903  0.01287796  0.17238477 -0.1621131  -0.0080034  -0.24523425
  -0.10083733  0.05171938]]


After ReLU: [[0.         0.2939465  0.         0.         0.         0.
  0.18007928 0.43213072 0.12091967 0.         0.53133243 0.12605792
  0.01825903 0.01287796 0.17238477 0.         0.         0.
  0.         0.05171938]
 [0.         0.2939465  0.         0.         0.         0.
  0.18007928 0.43213072 0.12091967 0.         0.53133243 0.12605792
  0.01825903 0.01287796 0.17238477 0.         0.         0.
  0.         0.05171938]
 [0.         0.2939465  0.         0.         0.         0.
  0.18007928 0.43213072 0.12091967 0.         0.53133243 0.12605792
  0.01825903 0.01287796 0.17238477 0.         0.         0.
  0.         0.05171938]]

nn.SequentialCell

nn.SequentialCell是一个有序的Cell容器。输入Tensor将按照定义的顺序通过所有Cell。我们可以使用SequentialCell来快速组合构造一个神经网络模型。

seq_modules = nn.SequentialCell(
    flatten,
    layer1,
    nn.ReLU(),
    nn.Dense(20, 10)
)

logits = seq_modules(input_image)
print(logits.shape)

(3, 10)

nn.Softmax

最后使用nn.Softmax将神经网络最后一个全连接层返回的logits的值缩放为[0, 1]，表示每个类别的预测概率。axis指定的维度数值和为1。

softmax = nn.Softmax(axis=1)
pred_probab = softmax(logits)

模型参数

网络内部神经网络层具有权重参数和偏置参数（如nn.Dense），这些参数会在训练过程中不断进行优化，可通过 model.parameters_and_names() 来获取参数名及对应的参数详情。

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")

Model structure: 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>
    >
  >


Layer: dense_relu_sequential.0.weight
Size: (512, 784)
Values : [[-0.01491369  0.00353318 -0.00694948 ...  0.01226766 -0.00014423
   0.00544263]
 [ 0.00212971  0.0019974  -0.00624789 ... -0.01214037  0.00118004
  -0.01594325]] 

Layer: dense_relu_sequential.0.bias
Size: (512,)
Values : [0. 0.] 

Layer: dense_relu_sequential.2.weight
Size: (512, 512)
Values : [[ 0.00565423  0.00354313  0.00637383 ... -0.00352688  0.00262949
   0.01157355]
 [-0.01284141  0.00657666 -0.01217057 ...  0.00318963  0.00319115
  -0.00186801]] 

Layer: dense_relu_sequential.2.bias
Size: (512,)
Values : [0. 0.] 

Layer: dense_relu_sequential.4.weight
Size: (10, 512)
Values : [[ 0.0087168  -0.00381866 -0.00865665 ... -0.00273731 -0.00391623
   0.00612853]
 [-0.00593031  0.0008721  -0.0060081  ... -0.00271535 -0.00850481
  -0.00820513]] 

Layer: dense_relu_sequential.4.bias
Size: (10,)
Values : [0. 0.]