目录
实验环境
Jupyter云上开发环境使用
导包
处理数据集
网络构建
模型训练
评估模型性能
保存模型
加载模型
预测推理
实验环境
02-快速入门.ipynb (4) - JupyterLab (mindspore.cn)
规格：4u 16G 20G
镜像：py39-ms2.3.0rc1
特性：预装mindspore(2.3.0rc1)、numpy、pandas等依赖
Jupyter云上开发环境使用
1. %%capture captured_output：
是一个在Jupyter Notebook或JupyterLab中使用的IPython魔术命令（magic command），用于捕获代码单元（cell）的输出。
%%capture 是一个单元格魔术命令（cell magic），它以两个百分号开头，并作用于整个单元格。captured_output 是你选择的变量名，用于存储捕获的输出。
2. pip install -i URL：
pip install -i 命令中的 -i 参数后面通常跟着一个URL，这个URL指向一个Python包索引（PyPI的镜像或自定义的索引服务器）。这个参数允许你指定pip从哪个源安装Python包，而不是默认的PyPI（Python Package Index）。
使用 -i 参数的好处：速度提升、稳定性增强、安全性
%%capture captured_output
!pip uninstall mindspore -y
!pip install -i https://pypi.mirrors.ustc.edu.cn/simple mindspore==2.3.0rc1导包
import mindspore
from mindspore import nn
from mindspore.dataset import vision, transforms
from mindspore.dataset import MnistDataset处理数据集
MindSpore提供基于Pipeline的数据引擎，通过数据集（Dataset）和数据变换（Transforms）实现高效的数据预处理。使用Mnist数据集，使用mindspore.dataset提供的数据变换进行预处理。
1. 下载数据集
# Download data from open datasets
from download import downloadurl = "https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/" \"notebook/datasets/MNIST_Data.zip"
path = download(url, "./", kind="zip", replace=True)
2. 获得数据集对象
train_dataset = MnistDataset('MNIST_Data/train')
test_dataset = MnistDataset('MNIST_Data/test')3. 打印数据集中包含的数据列名，用于dataset的预处理
print(train_dataset.get_col_names())# ['image', 'label']4. 处理数据集
MindSpore的dataset使用数据处理流水线（Data Processing Pipeline），需指定map、batch、shuffle等操作。
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打包为大小为64的batch。
def datapipe(dataset, batch_size):image_transforms = [vision.Rescale(1.0 / 255.0, 0),vision.Normalize(mean=(0.1307,), std=(0.3081,)),vision.HWC2CHW()]label_transform = transforms.TypeCast(mindspore.int32)dataset = dataset.map(image_transforms, 'image')dataset = dataset.map(label_transform, 'label')dataset = dataset.batch(batch_size)return dataset# Map vision transforms and batch dataset
train_dataset = datapipe(train_dataset, 64)
test_dataset = datapipe(test_dataset, 64)5. 查看数据和标签的shape和datatype
可使用create_tuple_iterator 或create_dict_iterator对数据集进行迭代访问
for image, label in test_dataset.create_tuple_iterator():print(f"Shape of image [N, C, H, W]: {image.shape} {image.dtype}")print(f"Shape of label: {label.shape} {label.dtype}")break# Shape of image [N, C, H, W]: (64, 1, 28, 28) Float32
# Shape of label: (64,) Int32# for data in test_dataset.create_dict_iterator():
# print(f"Shape of image [N, C, H, W]: {data['image'].shape} {data['image'].dtype}")
# print(f"Shape of label: {data['label'].shape} {data['label'].dtype}")
# break
网络构建
mindspore.nn类是构建所有网络的基类，也是网络的基本单元。导包过程中已导入。
当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。
# Define model
class Network(nn.Cell):def __init__(self):super().__init__()self.flatten = nn.Flatten()self.dense_relu_sequential = nn.SequentialCell(nn.Dense(28*28, 512),nn.ReLU(),nn.Dense(512, 512),nn.ReLU(),nn.Dense(512, 10))def construct(self, x):x = self.flatten(x)logits = self.dense_relu_sequential(x)return logitsmodel = 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>
# >
# >
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：
- 定义正向计算函数。
- 使用value_and_grad通过函数变换获得梯度计算函数。
- 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。
# Instantiate loss function and optimizer
# 使用优化器（optimizers）来更新网络中的权重，而随机梯度下降（Stochastic Gradient Descent, SGD）是其中最常见的一种优化算法。
loss_fn = nn.CrossEntropyLoss()
optimizer = nn.SGD(model.trainable_params(), 1e-2)# 1. Define forward function
def forward_fn(data, label):logits = model(data)loss = loss_fn(logits, label)return loss, logits# 2. Get gradient function
grad_fn = mindspore.value_and_grad(forward_fn, None, optimizer.parameters, has_aux=True)# 3. Define function of one-step training
def train_step(data, label):(loss, _), grads = grad_fn(data, label)optimizer(grads)return lossdef train(model, dataset):size = dataset.get_dataset_size()model.set_train()for batch, (data, label) in enumerate(dataset.create_tuple_iterator()):loss = train_step(data, label)if batch % 100 == 0:loss, current = loss.asnumpy(), batchprint(f"loss: {loss:>7f} [{current:>3d}/{size:>3d}]")评估模型性能
定义测试函数，用来评估模型的性能
def test(model, dataset, loss_fn):num_batches = dataset.get_dataset_size()model.set_train(False)total, test_loss, correct = 0, 0, 0for data, label in dataset.create_tuple_iterator():pred = model(data)total += len(data)test_loss += loss_fn(pred, label).asnumpy()correct += (pred.argmax(1) == label).asnumpy().sum()test_loss /= num_batchescorrect /= totalprint(f"Test: \n Accuracy: {(100*correct):>0.1f}%, Avg loss: {test_loss:>8f} \n")训练过程需多次迭代数据集，一次完整的迭代称为一轮（epoch）。在每一轮，遍历训练集进行训练，结束后使用测试集进行预测。打印每一轮的loss值和预测准确率（Accuracy），可以看到loss在不断下降，Accuracy在不断提高。
epochs = 3
for t in range(epochs):print(f"Epoch {t+1}\n-------------------------------")train(model, train_dataset)test(model, test_dataset, loss_fn)
print("Done!")执行结果
保存模型
模型训练完成后，将其参数进行保存
# Save checkpoint
mindspore.save_checkpoint(model, "model.ckpt")
print("Saved Model to model.ckpt")加载模型
加载保存的权重分为两步：
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。
# 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)# param_not_load是未被加载的参数列表，为空时代表所有参数均加载成功。预测推理
加载后的模型可以直接用于预测推理
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
