先贴上打卡截图
基本介绍
首先来看基本介绍，昇思MindSpore是华为的一个全场景深度学习框架，属于昇腾AI全栈的一部分。
总体架构如下图所示（来自官方学习材料）
从对底层多样性硬件适用的Runtime到应用层面的Model Zoo、科学计算、API等一应俱全。为用户提供不同Level的Python API，使不同层次的用户都可以很好地利用框架。MindSpore还支持全场景统一部署、分布式训练原生，总体来看是值得学习的一个框架。
快速入门
下面来看快速入门板块，还是经典任务手写体数字识别，数据集是Mnist。
导入必要的包：
import mindspore
from mindspore import nn
from mindspore.dataset import vision, transforms
from mindspore.dataset import MnistDataset
数据集
下载数据集：
# Download data from open datasets
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)
初始化数据集对象：
train_dataset = MnistDataset('MNIST_Data/train')
test_dataset = MnistDataset('MNIST_Data/test')
定义数据处理流水线，指定图像和标签的transform，map和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)
这一点挺有意思，至少是本人第一次看到以流水线的思想来处理数据。
对数据两种不同的迭代访问方式：
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
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
模型
网络定义如下：
# 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 logits
model = Network()
print(model)
一个基本的MLP，与PyTorch基本一致，不同的是基类叫Cell
训练
损失函数采用交叉熵，优化器使用SGD，定义如下：
# Instantiate loss function and optimizer
loss_fn = nn.CrossEntropyLoss()
optimizer = nn.SGD(model.trainable_params(), 1e-2)
一个经典的bp神经网络的三步：
- 前向计算
- 反向传播
- 优化参数
定义如下：
# 1. 前向计算，就是调用模型并计算loss
def forward_fn(data, label):
logits = model(data)
loss = loss_fn(logits, label)
return loss, logits
# 2. 自动计算梯度的函数，即反向传播，传入前向计算函数
grad_fn = mindspore.value_and_grad(forward_fn, None, optimizer.parameters, has_aux=True)
# 3. 定义一步训练，最后调用优化器来优化参数
def train_step(data, label):
(loss, _), grads = grad_fn(data, label)
optimizer(grads)
return loss
定义测试函数来评估模型性能：
def test(model, dataset, loss_fn):
num_batches = dataset.get_dataset_size()
model.set_train(False)
total, test_loss, correct = 0, 0, 0
for 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_batches
correct /= total
print(f"Test: \n Accuracy: {(100*correct):>0.1f}%, Avg loss: {test_loss:>8f} \n")
一个epoch训练：
def 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(), batch
print(f"loss: {loss:>7f} [{current:>3d}/{size:>3d}]")
训练3个epoch：
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!")
训练结果：
保存、加载模型和推理
保存模型：
# Save checkpoint
mindspore.save_checkpoint(model, "model.ckpt")
print("Saved Model to model.ckpt")
加载模型：
# 首先实例化一个模型对象
model = Network()
# 读取checkpoint并加载参数到模型
param_dict = mindspore.load_checkpoint("model.ckpt")
param_not_load, _ = mindspore.load_param_into_net(model, param_dict)
print(param_not_load)
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
推理结果：
Predicted: "[6 5 5 6 3 0 7 0 3 2]", Actual: "[6 3 5 6 3 0 7 0 3 2]"
学习心得
昇思的API入门还是挺简单的，今天主要是从经典的手写体数字识别任务熟悉昇思的API，构建了一个三层的MLP，使用ReLU激活函数，损失函数使用交叉熵，batch size取64，优化器使用SGD，训练3个epoch后得到了测试集94%的准确率，在训练完成后保存了参数，初始化了一个新的模型对象，并加载训练完成的参数进行了推理，基本完成任务。
