废话不多说，首先说一下我使用的环境：
python3.9
mindspore 2.1
使用jupyter notebook
Step1：导入相关依赖的包
import os
from matplotlib import pyplot as plt
import numpy as np
import mindspore as ms
import mindspore.context as context
import mindspore.dataset as ds
import mindspore.dataset.transforms.c_transforms as C
import mindspore.dataset.vision.c_transforms as CV
from mindspore.nn.metrics import Accuracy
from mindspore import nn
from mindspore.train import Model
from mindspore.train.callback import ModelCheckpoint, CheckpointConfig, LossMonitor, TimeMonitor
context.set_context(mode=context.PYNATIVE_MODE, device_target='CPU')Step2：下载mindspore官方的手写数字识别的数据集：
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)Step3：打印数据的相关信息
DATA_DIR_TRAIN = "MNIST_Data/train" # 训练集信息
DATA_DIR_TEST = "MNIST_Data/test" # 测试集信息
#读取数据
ds_train = ds.MnistDataset(DATA_DIR_TRAIN)
ds_test = ds.MnistDataset(DATA_DIR_TEST )
#显示数据集的相关特性
print('训练数据集数量：',ds_train.get_dataset_size())
print('测试数据集数量：',ds_test.get_dataset_size())
image=ds_train.create_dict_iterator().__next__()
print('图像长/宽/通道数：',image['image'].shape)
print('一张图像的标签样式：',image['label']) #一共 10 类，用 0-9 的数字表达类别
Step4：数据预处理函数，对数据进行归一化、裁剪成指定大小、HWC转换为CHW，最后使用map函数进行映射。设定打乱数据集的操作和设置batch_size的大小。
def create_dataset(training=True, batch_size=128, resize=(28, 28),
rescale=1/255, shift=0, buffer_size=64):
ds = ms.dataset.MnistDataset(DATA_DIR_TRAIN if training else DATA_DIR_TEST)
# 定义 Map 操作尺寸缩放，归一化和通道变换
resize_op = CV.Resize(resize)
rescale_op = CV.Rescale(rescale,shift)
hwc2chw_op = CV.HWC2CHW()
# 对数据集进行 map 操作
ds = ds.map(input_columns="image", operations=[rescale_op,resize_op, hwc2chw_op])
ds = ds.map(input_columns="label", operations=C.TypeCast(ms.int32))
#设定打乱操作参数和 batchsize 大小
ds = ds.shuffle(buffer_size=buffer_size)
ds = ds.batch(batch_size, drop_remainder=True)
return dsStep5：画出来前10张·图片看看效果
#显示前 10 张图片以及对应标签,检查图片是否是正确的数据集
ds = create_dataset(training=False)
data = ds.create_dict_iterator().__next__()
images = data['image'].asnumpy()
labels = data['label'].asnumpy()
plt.figure(figsize=(15,5))
for i in range(1,11):
plt.subplot(2, 5, i)
plt.imshow(np.squeeze(images[i]))
plt.title('Number: %s' % labels[i])
plt.xticks([])
plt.show()
Step6：构建网络模型
#创建模型。模型包括 3 个全连接层，最后输出层使用 softmax 进行多分类，共分成（0-9）10 类
class ForwardNN(nn.Cell):
def __init__(self):
super(ForwardNN, self).__init__()
self.conv1 = _conv3x3(1, 64, stride=1)
self.bn1 = _bn(64)
self.relu = ops.ReLU()
self.maxpool = nn.MaxPool2d(kernel_size=3, stride=2, pad_mode="same")
self.resblock1 = ResidualBlock(64,128,stride=1)
self.resblock2 = ResidualBlock(128,128,stride=1)
self.flatten = nn.Flatten()
self.GAP = nn.AdaptiveAvgPool2d((1,1))
self.fc = nn.Dense(128,10)
def construct(self, input_x):
x = self.conv1(input_x) # 第一层卷积 7X7，步长为 2
x = self.bn1(x) # 第一层的 Batch Norm
x = self.relu(x) # Rule 激活层
x = self.maxpool(x) # 最大池化 3X3，步长为 2
x = self.resblock1(x)
x = self.resblock2(x)
# x = self.fc(self.flatten(self.GAP(x)))
return x
in_ = ms.Tensor(np.random.randn(32,1,28,28).astype(np.float32))
print(in_.shape)
model = ForwardNN()
aa = model(in_)
print(aa.shape)我这里使用的是自己搭建的有两个resBlock的卷积网络，大家可以自己尝试，也可以使用全连接网络试试。
Step7：设置超参数和相关的指标
#创建网络，损失函数，评估指标 优化器，设定相关超参数
lr = 0.001
num_epoch = 10
momentum = 0.9
net = ForwardNN()
loss = nn.loss.SoftmaxCrossEntropyWithLogits(sparse=True, reduction='mean')
metrics={"Accuracy": Accuracy()}
opt = nn.Adam(net.trainable_params(), lr)
这就开始训练了。
Step8：开始预测
#使用测试集评估模型，打印总体准确率
metrics=model.eval(ds_eval)
print(metrics) 
准确率97%还不错。
