本文用于记录搭建昇思MindSpore开发及使用环境的过程，并通过MindSpore的API快速实现了一个简单的深度学习模型。
什么是MindSpore?
昇思MindSpore是一个全场景深度学习框架，旨在实现易开发、高效执行、全场景覆盖三大目标。
安装步骤
鉴于笔者手头硬件资源有限，这里采用的环境是CPU。如下是在CPU环境的Windows系统上，使用pip方式快速安装MindSpore的步骤：
- 确认系统环境信息
- 确认安装Windows 10是x86架构64位操作系统。
- 确认安装Python（>=3.7.5），已有Python环境是Python3.9.7版本，满足要求。
- 安装MindSpore
运行以下命令：
# Python3.9
pip install https://ms-release.obs.cn-north-4.myhuaweicloud.com/2.0.0a0/MindSpore/cpu/x86_64/mindspore-2.0.0a0-cp39-cp39-win_amd64.whl --trusted-host ms-release.obs.cn-north-4.myhuaweicloud.com -i https://pypi.tuna.tsinghua.edu.cn/simple
在联网状态下，安装whl包时会自动下载mindspore安装包的依赖项。
安装报错 ：
ERROR: Could not install packages due to an OSError: [WinError 5] 拒绝访问。: 'D:\\Program Files\\Anaconda\\Lib\\site-packages\\~-mpy\\.libs\\libopenblas.FB5AE2TYXYH2IJRDKGDGQ3XBKLKTF43H.gfortran-win_amd64.dll' Consider using the `--user` option or check the permissions.
这是因为pip安装模块的权限不够导致失败，笔者是通过执行下面的命令得以解决。
pip install -i http://pypi.douban.com/simple/ pip -U --trusted-host pypi.douban.com --user
执行完上述命令之后再次安装mindspore，如下图。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-sRliKJ4o-1676715767200)(imgs/230217155424.png)]
- 验证安装是否成功
python -c "import mindspore;mindspore.run_check()"
输出如下内容，表明安装成功。
快速入门
这里以手写体数字识别为例，体验了基于MindSpore的API实现深度学习模型的过程。
场景描述
本文使用Mindspore，基于Resnet50神经网络完成手写体数字识别。
数据集处理
下载Mnist数据集
Mnist数据集是机器学习领域的一款经典数据集，其中包括6w个训练样本和1w个测试样本，每个样本都是28*28像素的灰度手写数字图片，数字0-9共10类。通过如下代码下载：
# 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)
获取数据集对象
train_dataset = MnistDataset('MNIST_Data/train')
test_dataset = MnistDataset('MNIST_Data/test')
print(train_dataset.get_col_names()) #['image', 'label']
数据集目录如下，其中标记为images的是图片，labels是标签。
数据处理
数据集自动下载完成后，可使用数据处理模块 mindspore.dataset 进行预处理。这里采用的是流水线处理，在海量数据下，该处理模式可以实现数据的高效处理，当然也会占用更多的CPU和内存资源。
- 使用map对图像数据及标签进行变换处理，并将处理完的数据集打包，batchsize为64。map函数会将数据集中第二个参数的指定的列作为输入，调用第一个参数的处理函数执行处理，如果有多个处理函数，上一个函数的输出作为下一个函数的输入。其中，map的第一个参数是处理函数列表，第二个参数表示需要处理的列。
def data_process(dataset, batch_size):
image_transforms = [
#图像缩放，输出像素值output = image * rescale + shift.
vision.Rescale(1.0 / 255.0, 0),
#根据平均值和标准偏差对输入图像进行归一化，其中，mean是图像各个通道的均值，std是各个通道的标准差
vision.Normalize(mean=(0.1307,), std=(0.3081,)),
#转换图像格式，在不同的硬件设备中可能会对(height, width, channel)
# 或(channel, height, width)两种不同格式有针对性优化。MindSpore设
# 置HWC为默认图像格式，在有CWH格式需求时，可使用该变换进行处理。
vision.HWC2CHW()
]
# 转为mindspore的int32格式
label_transform = transforms.TypeCast(mindspore.int32)
# 对各个图像按照流水线处理
dataset = dataset.map(image_transforms, 'image')
# 将各个标签转为int32类型
dataset = dataset.map(label_transform, 'label')
dataset = dataset.batch(batch_size)
return dataset
train_dataset = data_process(train_dataset, 64)
test_dataset = data_process(test_dataset, 64)
- 使用create_tuple_iterator或create_dict_iterator对数据集进行迭代。
# image, label = next(train_dataset.create_tuple_iterator())
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
网络构建
基于mindspore的nn.Cell类，构建Resnet50神经网络。
神经网络模型由神经网络层和Tensor操作构成，基于 mindspore.nn 可实现常见的神经网络层，其中 nn.Cell 类是构建所有网络的基类，也是网络的基本单元。一个神经网络模型可表示为一个Cell，它又是由
不同的子Cell组成。基于这样的嵌套结构，即可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。
定义模型类
定义神经网络模型继承nn.Cell类，再在__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。
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
构建完成后，实例化Network对象，并查看结构。
model = Network()
print(model)
模型层分解
构造一个shape为(3, 28, 28)的随机数据（3个28x28的图像）。
input_image = ops.ones((3, 28, 28), mindspore.float32)
print(input_image.shape) #(3, 28, 28)
-
nn.Flatten
实例化nn.Flatten层，将28x28的2D张量转换为784大小的连续数组。
flatten = nn.Flatten() flat_image = flatten(input_image) print(flat_image.shape) # (3, 784) -
nn.Dense
nn.Dense为全连接层，其使用权重和偏差对输入进行线性变换。
layer1 = nn.Dense(in_channels=28*28, out_channels=20) hidden1 = layer1(flat_image) print(hidden1.shape) #(3, 20) -
nn.ReLU
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。
print(f"Before ReLU: {hidden1}\n\n") hidden1 = nn.ReLU()(hidden1) print(f"After ReLU: {hidden1}")
-
nn.SequentialCell
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。
seq_modules = nn.SequentialCell( flatten, layer1, nn.ReLU(), nn.Dense(20, 10) ) logits = seq_modules(input_image) print(logits.shape) #(3,10) -
nn.Softmax
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。
softmax = nn.Softmax(axis=1) pred_probab = softmax(logits)输出如下：
[[0.09906127 0.09989168 0.101061 0.10052359 0.09982764 0.1007046 0.10100672 0.09960879 0.09997301 0.09834171] [0.09906127 0.09989168 0.101061 0.10052359 0.09982764 0.1007046 0.10100672 0.09960879 0.09997301 0.09834171] [0.09906127 0.09989168 0.101061 0.10052359 0.09982764 0.1007046 0.10100672 0.09960879 0.09997301 0.09834171]]
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。
print(f"Model structure: {model}\n\n")
for name, param in model.parameters_and_names():
print(f"Layer: {name}\nSize: {param.shape}\nValues : {param[:2]} \n")
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)
通常，一个完成的模型训练过程包括如下三步：
- 正向计算：模型对结果预测，输出logits值，并与正确标签label求预测损失loss。
- 反向传播：利用自动微分机制，自动求模型参数（parameters）对于loss的梯度（gradients）。
- 参数优化：将梯度更新到参数上。
# 定义正向计算函数
def forward_fn(data, label):
logits = model(data)
loss = loss_fn(logits, label)
return loss, logits
#通过mindspore中的函数变换获取梯度计算函数
grad_fn = mindspore.value_and_grad(forward_fn, None, optimizer.parameters, has_aux=True)
# 定义训练函数
def train_step(data, label):
(loss, _), grads = grad_fn(data, label)
optimizer(grads)
return loss
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}]")
定义测试函数，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")
训练过程需多次迭代数据集，一次完整的迭代称为一轮（epoch）。在每一轮，遍历训练集进行训练，结束后使用测试集进行预测。打印每一轮的loss值和预测准确率（Accuracy），可以看出，
loss不断下降，准确度不断提高。
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!")
保存模型
模型训练完成后，将参数进行保存。
# Save checkpoint
mindspore.save_checkpoint(model, "model.ckpt")
print("Saved Model to model.ckpt")
加载模型
加载模型包括两步，具体如下。
# 实例化模型对象，构造模型。
model = Network()
# 加载模型参数，并将其加载至模型上。
param_dict = mindspore.load_checkpoint("model.ckpt")
param_not_load = mindspore.load_param_into_net(model, param_dict)
#param_not_load是未被加载的参数列表，为空时代表所有参数均加载成功。
print(param_not_load)#[]
模型推理
加载后的模型即可直接用于预测推理。
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
