昇思25天学习打卡营第4天|初学教程之网络构建

        本文主要介绍如何使用MindSpore搭建一个简单的神经网络模型，然后就是展示在官方提。

基本介绍

       神经网络模型的搭建是学习深度学习必不可少的，神经网络模型是由神经网络层和Tensor操作构成的。MindSpore的mindspore.nn模块提供了常见神经网络层的实现，有助于开发者快速搭建自己想要的模型，实现算法原型。在MindSpore中，Cell类是构建所有网络的基类，也是网络的基本单元，所有模型的搭建最好继承该基类。MindSpore中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。

模型类

        MindSpore定义一个模型时，最好继承nn.Cell类，并在__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）。下面是一个简单的模型类代码示例：

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

construct相当于前向计算，但不可直接调用。

模型层

        MindSpore为开发者提供了各种各样的模型层，本小节对上述简单的模型类的模型层进行简单介绍

• nn.Flatten：将多维张量展开成连续的一维张量

• nn.Dense：全连接层，使用权重和偏差对输入进行线性变换

• nn.ReLU：ReLU激活函数层，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

• nn.SequentialCell：一个有序的Cell容器，输入Tensor将按照定义的顺序通过所有Cell，可以使用SequentialCell来快速组合构造一个神经网络模型。如果神经网络模型中存在跳着计算的Cell，则无法使用该Cell容器

• nn.Softmax：Softmax层，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，常用于多分类场景

Jupyter在线运行情况

        使用MindSpore所提供的API搭建了一个简单的神经网络模型，并进行运行，然后查看模型相关的结构和参数，其运行结果如下：

MindSpore在搭建模型这方面的设计和其他AI框架差不多，上手简单快速。从今天的实践学习来看，MindSpore在接口名称和其他AI框架有些不同，模型层差不多，但是模型类的一些方法有些与众不同，应该是尤其独特的设计理念。