昇思25天学习打卡营第2天|oldog

昇思25天学习打卡营第2天|oldog

1.学习内容

用MindSpore搭建一个深度学习网络，完成简单任务：手写数字识别。
基本流程为：获取数据集，构建网络，模型训练，保存模型，加载模型（用于预测推理）。

2. 数据集

MindSpore的dataset使用数据处理流水线（Data Processing Pipeline），需指定map、batch、shuffle等操作。在本次任务中使用map对图像数据及标签进行变换处理，然后将处理好的数据集，包括训练集和验证集打包为大小为64的batch。

如果要查看数据和标签的shape、datatype等信息，可以使用create_tuple_iterator 或create_dict_iterator等操作。操作是对整个数据集直接封装好的，使用很方便。

3. 构建网络

网络构建简单、灵活。其中mindspore.nn类是构建所有网络的基类，如果有特殊、具体的需要，也可以继承nn.Cell类，并重写相应的网络层定义，__init__方法和数据变换过程，construct方法。

4. 模型训练和保存模型

训练过程分为三步：正向计算、反向传播、参数优化。训练之后，还需要使用测试函数以评估模型的性能。
当训练结束以后，还需要记得保存模型参数——保存模型。

5. 加载模型

当将模型投入使用时，需要先将模型加载出来，包括两步：

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。
   模型加载成功后，就可以用于预测推理了。
   

6. 总结

整个流程都是简单清晰的，关键在于每一步的具体实现。框架已经提供高度集成化的API，但是这并不是一个函数解决所有问题的事情，因为任何模型的生成和训练都有自己的独特的方式和细节。以模型训练为例，了解为什么使用损失函数、优化器以及如何选择、使用和调整，对在自己的任务中构建和训练深度学习网络是必要的。