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：

1. 前向计算
2. 反向传播
3. 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。