《代码中Mindspore关键API接口的调用和使用说明》

以下是对代码中关键 MindSpore API 接口的整理：

1.mindspore.nn.Cell

使用例子：class Regression_car(nn.Cell):

参数解释：是所有神经网络的基类，用于构建网络模型。用户自定义的网络类需继承它，并在类中定义网络层和前向传播的construct方法 。在上述例子中，Regression_car类继承nn.Cell，定义了一个包含 3 个全连接层和 ReLU 激活函数的神经网络。

API链接  

https://www.mindspore.cn/docs/zh-CN/r2.2/api_python/nn/mindspore.nn.Cell.html

2.mindspore.nn.Flatten

使用例子：在Regression_car类的__init__方法中self.flatten = nn.Flatten()，在construct方法中x = self.flatten(x)。

参数解释：用于将多维输入张量展平为一维张量，不改变批量大小（batch size）维度。比如将一个形状为(batch_size, channels, height, width)的图像张量，变为(batch_size, channels * height * width)，方便后续全连接层的输入。

API链接  

https://www.mindspore.cn/docs/zh-CN/r2.2/api_python/nn/mindspore.nn.Flatten.html

3.mindspore.nn.ReLU

使用例子：在Regression_car类的__init__方法中self.relu = nn.ReLU() ，在全连接层定义时self.fc1 = nn.Dense(9,64, activation='relu') ，self.fc2 = nn.Dense(64,64, activation='relu')。

参数解释：ReLU（Rectified Linear Unit）激活函数，公式为

f(x)=max(0,x)。它能给神经网络引入非线性，使得网络可以学习到更复杂的模式。在代码中，对fc1和fc2全连接层的输出使用 ReLU 激活，增强网络的表达能力。

API链接  

https://www.mindspore.cn/docs/zh-CN/r2.2/api_python/nn/mindspore.nn.ReLU.html

4.mindspore.nn.Dense

使用例子：self.fc1 = nn.Dense(9,64, activation='relu')，self.fc2 = nn.Dense(64,64, activation='relu')，self.fc3 = nn.Dense(64,1)。

参数解释：全连接层，也叫密集连接层。nn.Dense(in_channels, out_channels, activation=None)，in_channels表示输入特征的数量，out_channels表示输出特征的数量，activation用于指定激活函数（可选）。如self.fc1 = nn.Dense(9,64, activation='relu')表示输入有 9 个特征，输出为 64 个特征，并使用 ReLU 激活函数。

API链接  

https://www.mindspore.cn/docs/zh-CN/r2.2/api_python/nn/mindspore.nn.Dense.html

5.mindspore.nn.MSELoss

使用例子：net_loss = nn.MSELoss()

参数解释：均方误差损失函数，用于衡量预测值和真实值之间的误差。计算公式为L=n1​∑i=1n​(yi​−y^​i​)2

n是样本数量。在回归任务中常用，本实验用于计算汽车油耗里程预测值与真实值的误差。

API链接  

https://www.mindspore.cn/docs/zh-CN/r2.2/api_python/nn/mindspore.nn.MSELoss.html

6.mindspore.nn.RMSProp

使用例子：net_opt = nn.RMSProp(network.trainable_params(), 0.001)

参数解释：nn.RMSProp(params, learning_rate)，params是网络中需要更新的可训练参数，通常通过network.trainable_params()获取；learning_rate是学习率，控制参数更新的步长，学习率过大可能导致模型训练不稳定，过小则会使训练速度过慢。在代码中，使用 RMSProp 优化器对网络参数进行更新，学习率设为 0.001。

API链接  

https://www.mindspore.cn/docs/zh-CN/r2.2/api_python/nn/mindspore.nn.RMSProp.html

7.mindspore.nn.WithLossCell

使用例子：with_loss=nn.WithLossCell(network, net_loss)

参数解释：用于将网络和损失函数进行封装。nn.WithLossCell(network, loss_fn)，network是定义好的神经网络，loss_fn是损失函数。封装后，该单元接受数据和标签作为输入，并返回计算的损耗，方便后续在训练过程中计算损失值。

API链接  

https://www.mindspore.cn/docs/zh-CN/r2.2/api_python/nn/mindspore.nn.WithLossCell.html

8.mindspore.nn.TrainOneStepCell

使用例子：train_step = nn.TrainOneStepCell(with_loss, net_opt).set_train()

参数解释：nn.TrainOneStepCell(loss_network, optimizer)，loss_network是包含网络和损失函数的单元（如WithLossCell的实例），optimizer是优化器。该类实现了单步训练的逻辑，调用它的实例可以执行一次训练步骤，更新网络参数。set_train()方法用于设置为训练模式。

API链接  

https://www.mindspore.cn/docs/zh-CN/r2.2/api_python/nn/mindspore.nn.TrainOneStepCell.html

9.mindspore.nn.WithEvalCell

使用例子：evalcell=nn.WithEvalCell(network,net_loss)

参数解释：nn.WithEvalCell(network, loss_fn)，network是神经网络，loss_fn是损失函数。用于评估模型，接受网络和损失函数作为参数，计算模型的损失，并返回损失、输出和标签，方便计算评估指标（如 MAE、MSE）。

API链接

https://www.mindspore.cn/docs/zh-CN/r2.2/api_python/nn/mindspore.nn.WithEvalCell.html

10.mindspore.nn.MAE、mindspore.nn.MSE

使用例子：mae = nn.MAE()

mse = nn.MSE()

参数解释：参数解释：nn.MAE是平均绝对误差评估指标类，计算预测值与真实值之间绝对误差的平均值；nn.MSE是均方误差评估指标类，计算预测值与真实值之间误差平方的平均值 。在代码中用于评估模型训练和验证过程中的性能。

API链接  

mindspore.nn.MAE：

https://www.mindspore.cn/docs/zh-CN/r2.7.0/api_python/nn/mindspore.nn.MAELoss.html?highlight=mae#mindspore.nn.MAELoss

mindspore.nn.MSE：

https://www.mindspore.cn/docs/zh-CN/r2.7.0/api_python/nn/mindspore.nn.MSELoss.html?highlight=mse#mindspore.nn.MSELoss

11.mindspore.Tensor

使用例子：ds_xtrain= Tensor(X_train, ms.float32)，ds_ytrain= Tensor(Y_train, ms.int32)，ds_xtest=Tensor(X_test, ms.float32)，ds_ytest=Tensor(Y_test, ms.int32)。

参数解释：mindspore.Tensor(data, dtype=None)，data是要转换为张量的数据，可以是 NumPy 数组等；dtype指定张量的数据类型，如ms.float32表示 32 位浮点数，ms.int32表示 32 位整数。在代码中用于将 NumPy 数组转换为 MindSpore 的张量，以便在 MindSpore 框架中进行计算。

API链接  

https://www.mindspore.cn/docs/zh-CN/r2.2/api_python/mindspore/mindspore.Tensor.html