昇思25天学习打卡营第1天|基本介绍+快速入门

ShiZiMiao

已于 2024-06-25 15:29:57 修改

阅读量397

点赞数 4

分类专栏：昇思笔记文章标签：学习人工智能

于 2024-06-24 18:24:00 首次发布

本文链接：https://blog.youkuaiyun.com/weixin_45169752/article/details/139933117

版权

昇思笔记专栏收录该内容

22 篇文章

订阅专栏

基本介绍

昇思MindSpore介绍

昇思MindSpore是一个全场景深度学习框架，旨在实现易开发、高效执行、全场景统一部署三大目标。

其中，易开发表现为API友好、调试难度低；高效执行包括计算效率、数据预处理效率和分布式训练效率；全场景则指框架同时支持云、边缘以及端侧场景。

昇思MindSpore总体架构如下图所示：

MindSpore-arch

快速入门

以Mnist数据集为例

处理数据集

下载数据集

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)

在这里插入图片描述
2. 获取训练集和测试集

train_dataset = MnistDataset('MNIST_Data/train')
test_dataset = MnistDataset('MNIST_Data/test')

在这里插入图片描述
3. 对图像数据及标签进行变换处理，然后将处理好的数据集打包为大小为64的batch。

def datapipe(dataset, batch_size):
    # 定义图像转换
    image_transforms = [
        vision.Rescale(1.0 / 255.0, 0),  # 归一化
        vision.Normalize(mean=(0.1307,), std=(0.3081,)),  # 标准化
        vision.HWC2CHW()  # 转换图像格式
    ]
    # 定义标签转换
    label_transform = transforms.TypeCast(mindspore.int32)

    # 对数据集进行图像转换
    dataset = dataset.map(image_transforms, 'image')
    # 对数据集进行标签转换
    dataset = dataset.map(label_transform, 'label')
    # 对数据集进行批量
    dataset = dataset.batch(batch_size)
    # 返回处理后的数据集
    return dataset

在这里插入图片描述

网络构建

用户需要自定义网络时，可以继承nn.Cell类，并重写__init__方法和construct方法。__init__包含所有网络层的定义，construct中包含数据（Tensor）的变换过程。
在这里插入图片描述

模型训练

在模型训练中，一个完整的训练过程（step）需要实现以下三步：

正向计算：模型预测结果（logits），并与正确标签（label）求预测损失（loss）。
反向传播：利用自动微分机制，自动求模型参数（parameters）对于loss的梯度（gradients）。
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：
4. 定义正向计算函数。
5. 使用value_and_grad通过函数变换获得梯度计算函数。
6. 定义训练函数，使用set_train设置为训练模式，执行正向计算、反向传播和参数优化。
在这里插入图片描述
定义测试函数用于测试模型性能

测试结果

模型的保存与加载

保存

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

加载

# 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)

调用

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

更多细节详见保存与加载。