昇思25天学习打卡营第1天|快速入门

news2024/12/23 15:08:00

一、简介：

本节通过MindSpore已经封装好的API，快速实现一个深度学习模型的数据集准备、训练评估，模型参数保存和加载，对新手朋友十分友好。这里非常感谢华为昇思团队在算力和代码方面的指导。

二、环境准备：

在开始使用MindSpore开发一个简单的深度学习模型之前，我们需要先下载一些相关的依赖包：

import mindspore
from mindspore import nn
from mindspore.dataset import vision, transforms
from mindspore.dataset import MnistDataset

这里注意，第一次使用MindSpore的友友们，需要从MindSpore官网下载对应的版本，这里和pytorch的下载是一样的，选择你设备对应的mindspore版本：

三、数据集处理：

1、下载mnist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)

train_dataset = MnistDataset('MNIST_Data/train')
test_dataset = MnistDataset('MNIST_Data/test')

这里的url后面分别是下载数据集的地址和下载完成后数据集的目录，中间用"\"隔开，这段代码的作用就是使用download模块从mindspore官网上下载mnist数据集，保存到指定的目录下，并将其划分为训练和测试的数据集。

2、数据集处理：

下面使用mindsporeData processing Pipeline将数据处理成可以模型训练需要的格式：

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

# 调用datapipe函数处理下载的mnist数据集
train_dataset = datapipe(train_dataset, 64)
test_dataset = datapipe(test_dataset, 64)

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

这里用MindSpore定义了一个名为datapipe的函数，这个函数接受两个参数，分别是：dataset（原始数据集）和bach_size（批处理大小）。

在函数内部首先定义了一个image_transforms的列表，包含了三个图像变换操作：

vision.Rescale：将图像像素值缩放到[0, 1]范围内。
vision.Normalize：对图像进行归一化处理，使用给定的均值和标准差。
vision.HWC2CHW：将图像的维度从(height, width, channel)转换为(channel, height, width)，这是深度学习框架中常见的要求的输入格式。

label_transform是一个变换操作，用于将标签数据类型转换为mindspore.int32。

之后，再调用map方法，将mnist数据集当中的image，label标签的数据进行变换处理和分批操作，最后返回处理完成的数据集。

下面两个for循环主要是对被处理完成之后的数据集的具象化展示：

第一段循环使用create_tuple_iterator()方法创建一个元组迭代器，并遍历测试数据集。在循环中，它打印出第一个图像和标签的形状和数据类型，然后使用break语句退出循环。

第二段循环使用create_dict_iterator()方法创建一个字典迭代器，并遍历测试数据集。同样地，它打印出第一个图像和标签的形状和数据类型，然后退出循环。

四、模型训练：

1、构建深度学习网络：

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

# 实例化Network类
model = Network()
print(model)

创建一个名为Network的类，作为神经网络模型。首先，继承了Mindspore中的nn.Cell类（和pytorch中继承nn.Model类是一样的）用于构建神经网络。下面就是常规操作了：

①：def __init__(self): 定义类的初始化函数：

（1）super().__init__()调用父类的初始化函数，确保父类的初始化代码被执行。

（2）self.flatten = nn.Flatten(): 创建一个Flatten层，用于将输入张量展平为一维张量。

（3）创建一个SequentialCell对象，用于将多个层按照顺序组合在一起。在这个例子中，SequentialCell包含了三个Dense层和两个ReLU激活层。

②：定义construct函数（等于pytorch的forward函数）：

（1）self.flatten = nn.Flatten(): 创建一个Flatten层，用于将输入张量展平为一维张量。

（2）logits = self.dense_relu_sequential(x):

将展平后的输入x通过dense_relu_sequential层进行处理，得到最终的输出logits并返回。

2、模型训练：

# 定义损失函数和优化器：
loss_fn = nn.CrossEntropyLoss()
optimizer = nn.SGD(model.trainable_params(), 1e-2)

# 前向传播函数
def forward_fn(data, label):
    logits = model(data)
    loss = loss_fn(logits, label)
    return loss, logits


grad_fn = mindspore.value_and_grad(forward_fn, None, optimizer.parameters, has_aux=True)

def train_step(data, label):
    (loss, _), grads = grad_fn(data, label)
    optimizer(grads)
    return loss
# 循环训练：
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:  # 确定没一百个batch打印一次损失
            loss, current = loss.asnumpy(), batch  # 将损失函数转换成一个数组，并返回批次编号
            print(f"loss: {loss:>7f}  [{current:>3d}/{size:>3d}]")

mindspore.value_and_grad是一个高阶函数，它用于计算给定函数的输出值和梯度。这个函数在训练深度学习模型时非常有用，因为它可以同时返回前向传播的输出值和关于模型参数的梯度，这是通过自动微分（auto-differentiation）技术实现的。

3、模型评估：

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")

4、开始训练：

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!")
print(time.strftime("%Y-%m-%d %H:%M:%S", time.localtime(time.time())), "VertexGeek")

效果如下：

五、模型的保存和加载：

1、保存模型：

mindspore.save_checkpoint(model, "model.ckpt")
print("Saved Model to model.ckpt")
print(time.strftime("%Y-%m-%d %H:%M:%S", time.localtime(time.time())), "VertexGeek")

2、加载并推理：

# 实例化模型对象
model = Network()
# 加载模型参数
param_dict = mindspore.load_checkpoint("model.ckpt")
param_not_load, _ = mindspore.load_param_into_net(model, param_dict)
# print(param_not_load)


# 模型推理
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
    
print(time.strftime("%Y-%m-%d %H:%M:%S", time.localtime(time.time())), "VertexGeek")