1. 神经网络构建
神经网络模型是由神经网络层和Tensor操作构成的，mindspore.nn提供了常见神经网络层的实现，在MindSpore中，Cell类是构建所有网络的基类，也是网络的基本单元。一个神经网络模型表示为一个Cell，它由不同的子Cell构成。使用这样的嵌套结构，可以简单地使用面向对象编程的思维，对神经网络结构进行构建和管理。
下面我们将构建一个用于Mnist数据集分类的神经网络模型。
# 导入MindSpore框架，这是一个面向AI应用的全场景深度学习框架
import mindspore
# 从MindSpore框架中导入nn（神经网络相关模块）和ops（操作相关模块）
# nn模块包含构建神经网络所需的各种层和激活函数等
# ops模块提供了执行计算任务的各种操作，例如数学运算和数组操作等
from mindspore import nn, ops
1.1 定义模型类
当我们定义神经网络时，可以继承nn.Cell类，在__init__方法中进行子Cell的实例化和状态管理，在construct方法中实现Tensor操作。
construct意为神经网络（计算图）构建，相关内容详见使用静态图加速。
# 定义一个Network类，继承自nn.Cell，Cell是MindSpore中构建网络的基类
class Network(nn.Cell):
# 定义初始化方法，用于完成神经网络的构建
def __init__(self):
# 调用父类的构造函数
super().__init__()
# 创建一个Flatten层，用于将输入展平为一维向量
self.flatten = nn.Flatten()
# 创建一个SequentialCell，它将多个层按顺序组合起来
self.dense_relu_sequential = nn.SequentialCell(
# 第一个全连接层，输入节点（神经元）数为28*28（假设是MNIST图像的大小），输出节点数为512
# 权重初始化为正态分布，偏置初始化为0
nn.Dense(28*28, 512, weight_init="normal", bias_init="zeros"),
# ReLU激活函数
nn.ReLU(),
# 第二个全连接层，512个输入节点，512个输出节点
nn.Dense(512, 512, weight_init="normal", bias_init="zeros"),
# ReLU激活函数
nn.ReLU(),
# 第三个全连接层，512个输入节点，10个输出节点（假设是10个类别）
nn.Dense(512, 10, weight_init="normal", bias_init="zeros")
)
# construct方法是实现Cell向前传播的逻辑
def construct(self, x):
# 使用Flatten层将输入x展平
x = self.flatten(x)
# 将展平后的x通过全连接层和激活函数
logits = self.dense_relu_sequential(x)
# 返回最后的logits，即模型的输出
return logits
# 创建Network类的实例，这将初始化神经网络模型的结构
model = Network()
# 打印模型实例，这将输出模型的结构信息，包括各个层的类型和参数
print(model)
输出：
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>
>
>
为了方便理解，我把这个神经网络画出来了
为了方便理解，把tensor也画进去了，实际上，这个网络结构定义好的时候是不包含具体的向量值的。
只是一个算法结构定义，flatten层和神经元内都是没有值的。
只有在训练或预测时，传入了Tensor值时，才会如上图所示
并且Tensor基本上会做过数据变换，传入易于神经网络计算的值，不然全是正值的话，ReLU层就没有存在的必要了。
另外，模型在被创建时，一般会完成参数的初始化，即图上所有的a(mn)和b(mn)都会有初始值。
所谓对模型的训练，就是不断调整这些初始参数，使得他们能在尽可能多的情况下满足给定输入可以计算出预期输出的过程。
而模型推理指的是，使用已练训练好的这些模型参数和整个模型算法结构，给定输入后，推测出结果的过程。
1.2 使用模型进行预测
# 使用ops模块的ones函数创建一个形状为(1, 28, 28)的张量，并指定数据类型为float32
# 这个张量可以代表一个单通道的28x28像素的图像，所有元素都初始化为1
X = ops.ones((1, 28, 28), mindspore.float32)
# 将创建的张量X作为输入传递给模型model，计算前向传播的输出
logits = model(X)
# 打印模型输出的logits，这通常代表了模型对输入数据的预测结果
## 在Python交互式环境（如Python shell或Jupyter notebook）中，当你输入一个变量名并按下回车时，系统会自动调用该变量的__repr__或__str__方法来打印出一个可读的字符串表示，以便于用户查看变量的内容。
## 如果你在脚本文件中执行这段代码，而没有使用print函数，变量logits的内容将不会被打印出来。
logits
输出：
Tensor(shape=[1, 10], dtype=Float32, value=
[[ 4.55602678e-03, -1.45907002e-02, 1.84002449e-03 ... 8.69915355e-03, 6.90837333e-04, -4.99743177e-03]])
# 使用nn模块中的Softmax函数计算logits的softmax概率分布
# Softmax函数通常用于多分类问题，将 logits 转换为概率分布
# 通俗理解就是传入一张图片，Softmax会将这张图片是0-9每个数字（代表10个类别）的概率都计算出来。
# 参数axis=1表示在第二个维度（索引为1）上应用softmax，即对每个样本的所有类别的logits进行归一化
pred_probab = nn.Softmax(axis=1)(logits)
# 使用argmax函数找到每个样本在概率分布中最大值的索引，概率最大的类别，即预测的类别
# argmax函数的参数1表示在第二个维度（索引为1）上找到最大值的索引
y_pred = pred_probab.argmax(1)
# 打印预测的类别
# f-string是一种格式化字符串的语法，可以在字符串中嵌入表达式
# {y_pred}会被替换为y_pred变量的值
print(f"Predicted class: {y_pred}")
输出：
Predicted class: [4]
1.3 模型层详解
本节中我们分解上节构造的神经网络模型中的每一层。首先我们构造一个shape为(3, 28, 28)的随机数据（3个28x28的图像），依次通过每一个神经网络层来观察其效果。
# 使用ops模块的ones函数创建一个形状为(3, 28, 28)的张量，并指定数据类型为float32
# 这个张量可以代表一个3通道的28x28像素的图像，所有元素都初始化为1
input_image = ops.ones((3, 28, 28), mindspore.float32)
# 打印输入图像张量的形状
print(input_image.shape)
输出：
(3, 28, 28)
1.3.1 nn.Flatten（展平层）
实例化nn.Flatten层，将28x28的2D张量转换为784大小的连续数组。
# 创建一个Flatten层实例，用于将输入张量展平为一维向量
flatten = nn.Flatten()
# 使用Flatten层处理输入图像张量input_image，将其展平为一维向量
# 由于输入图像是3个通道的28x28像素，展平后每个通道将变成一个784长度的一维向量
flat_image = flatten(input_image)
# 打印展平后图像张量的形状
# 输出将是(3, 784)，表示有三个一维向量，每个向量长度为784
print(flat_image.shape)
输出：
(3, 784)
1.3.2 nn.Dense（全连接层）
nn.Dense为全连接层，其使用权重和偏差对输入进行线性变换。
# 创建一个全连接层layer1，其中in_channels参数设置为28*28，out_channels参数设置为20
# 这意味着该层将有28*28个输入节点和20个输出节点
layer1 = nn.Dense(in_channels=28*28, out_channels=20)
# 将展平后的图像flat_image作为输入传递给全连接层layer1
# 计算全连接层的输出，这将是20个特征的一维向量，每个向量对应于输入图像的一个样本
hidden1 = layer1(flat_image)
# 打印全连接层输出的形状和内容
# 输出形状将是(3, 20)，表示有三个样本，每个样本有20个特征
# 输出内容将是这些特征的值
print(hidden1.shape, hidden1)
输出：
(3, 20) [[ 0.5608331 -0.06500022 0.5195999 0.45284656 0.22346526 -0.22476278
-0.340589 -0.43673825 -0.57077926 -0.44966274 0.3863637 0.52841353
-0.44325724 1.1107857 -1.2462549 -0.17119673 0.46310893 -0.8667695
-0.204903 0.0104395 ]
[ 0.5608331 -0.06500022 0.5195999 0.45284656 0.22346526 -0.22476278
-0.340589 -0.43673825 -0.57077926 -0.44966274 0.3863637 0.52841353
-0.44325724 1.1107857 -1.2462549 -0.17119673 0.46310893 -0.8667695
-0.204903 0.0104395 ]
[ 0.5608331 -0.06500022 0.5195999 0.45284656 0.22346526 -0.22476278
-0.340589 -0.43673825 -0.57077926 -0.44966274 0.3863637 0.52841353
-0.44325724 1.1107857 -1.2462549 -0.17119673 0.46310893 -0.8667695
-0.204903 0.0104395 ]]
1.3.3 nn.ReLU（激活函数）
nn.ReLU层给网络中加入非线性的激活函数，帮助神经网络学习各种复杂的特征。
# 使用ReLU激活函数对全连接层的输出hidden1进行非线性处理
# ReLU激活函数将替换hidden1中的所有负值元素为0
hidden1 = nn.ReLU()(hidden1)
# 打印经过ReLU激活函数处理后的输出
# 输出将是经过ReLU处理的特征值，其中所有负值已经被替换为0
print(f"After ReLU: {hidden1}")
输出：
After ReLU: [[0.5608331 0. 0.5195999 0.45284656 0.22346526 0.
0. 0. 0. 0. 0.3863637 0.52841353
0. 1.1107857 0. 0. 0.46310893 0.
0. 0.0104395 ]
[0.5608331 0. 0.5195999 0.45284656 0.22346526 0.
0. 0. 0. 0. 0.3863637 0.52841353
0. 1.1107857 0. 0. 0.46310893 0.
0. 0.0104395 ]
[0.5608331 0. 0.5195999 0.45284656 0.22346526 0.
0. 0. 0. 0. 0.3863637 0.52841353
0. 1.1107857 0. 0. 0.46310893 0.
0. 0.0104395 ]]
可以看到，对比激活函数应用之前，所有的负数都被替换成了0
1.3.4 nn.SequentialCell（有序神经网络）
nn.SequentialCell是一个有序的Cell容器。输入Tensor将按照定义的顺序通过所有Cell。我们可以使用SequentialCell来快速组合构造一个神经网络模型。
# 创建一个SequentialCell实例seq_modules，它将按照顺序组合多个层和激活函数
# 第一个元素是之前定义的Flatten层，用于展平输入图像
# 第二个元素是之前定义的全连接层layer1，它将展平后的图像映射到20个特征
# 第三个元素是ReLU激活函数，用于对layer1的输出进行非线性处理
# 第四个元素是另一个全连接层，它将20个特征映射到10个输出节点，通常用于分类任务的最后一层
seq_modules = nn.SequentialCell(
flatten,
layer1,
nn.ReLU(),
nn.Dense(20, 10)
)
# 将输入图像input_image通过seq_modules进行处理
# 这将依次通过Flatten层、layer1、ReLU激活函数和最后一个全连接层
logits = seq_modules(input_image)
# 打印经过seq_modules处理后的输出logits的形状
# 输出形状将是(3, 10)，表示有三个样本，每个样本有10个输出节点
print(logits.shape)
输出：
(3, 10)
1.3.4 nn.Softmax（概率分布函数）
最后使用nn.Softmax将神经网络最后一个全连接层返回的logits的值缩放为[0, 1]，表示每个类别的预测概率。axis指定的维度数值和为1。
# 创建一个Softmax实例，用于计算softmax概率分布
# 参数axis=1表示在第二个维度（索引为1）上应用softmax
# 这通常用于多分类问题，将logits转换为概率分布
softmax = nn.Softmax(axis=1)
# 使用softmax函数计算logits的softmax概率分布
# 这将输出每个类别对应的概率，概率总和为1
pred_probab = softmax(logits)
1.4 模型参数
网络内部神经网络层具有权重参数和偏置参数（如nn.Dense），这些参数会在训练过程中不断进行优化，可通过 model.parameters_and_names() 来获取参数名及对应的参数详情。
# 打印模型的结构，这将显示模型的层次结构和参数信息
print(f"Model structure: {model}\n\n")
# 遍历模型中的所有参数和名称
for name, param in model.parameters_and_names():
# 打印每个层的名称
print(f"Layer: {name}\n")
# 打印每个参数的形状
print(f"Size: {param.shape}\n")
# 打印每个参数的前两个值，用于查看参数的初始化情况
print(f"Values : {param[:2]} \n")
输出：
Model structure: 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>
>
>
Layer: dense_relu_sequential.0.weight
Size: (512, 784)
Values : [[-0.01270912 -0.00553937 -0.00622345 ... 0.00974897 0.00378853
-0.00879488]
[ 0.00454485 0.00105424 0.02829224 ... -0.00480925 0.00859034
-0.0075234 ]]
Layer: dense_relu_sequential.0.bias
Size: (512,)
Values : [0. 0.]
Layer: dense_relu_sequential.2.weight
Size: (512, 512)
Values : [[-0.00303549 0.02051559 0.03005496 ... 0.00813595 -0.02086384
-0.00501902]
[ 0.00523915 0.00595684 -0.02108657 ... -0.00816013 0.00160791
-0.00521205]]
Layer: dense_relu_sequential.2.bias
Size: (512,)
Values : [0. 0.]
Layer: dense_relu_sequential.4.weight
Size: (10, 512)
Values : [[ 0.00922695 -0.00915574 -0.01120596 ... -0.00575607 -0.00918559
-0.00985601]
[-0.01312499 0.01030371 0.01826839 ... 0.00239934 -0.01605123
-0.0015749 ]]
Layer: dense_relu_sequential.4.bias
Size: (10,)
Values : [0. 0.]
更多内置神经网络层详见mindspore.nn API。
2. 小结
今天主要学习了昇思神经网络的构建，包括模型定义、使用模型预测，深入学习了模型展平层、全连接层、激活函数、有序神经网络、概率分布函数和模型参数的相关知识。
