昇思25天学习打卡营第1天 | 快速入门

标签：25 入门 nn loss dataset 打卡 label data model

题外话：这几天人工智能实训，在学深度学习，我觉得蛮像的

过程理解：

1.数据预处理

1.1load数据集

1.2查看数据集对象的结构和类型

1.3数据变换

MindSpore的dataset使用数据处理流水线（Data Processing Pipeline），需指定map、batch、shuffle等操作。使用map对图像数据及标签进行变换处理，然后将处理好的数据集打包为大小为64的batch。

为什么要分批，要有batch

内存限制：现代深度学习模型通常非常庞大，需要大量的内存来存储模型参数。如果一次性将所有训练数据加载到内存中，可能会导致内存不足。通过使用批次，可以只加载一小部分数据，从而减少内存使用。

计算效率：现代计算硬件（如GPU）在处理大量数据时更加高效。批次处理允许模型一次处理多个数据点，这样可以更充分地利用硬件的并行处理能力。

梯度更新：在训练过程中，模型的参数是通过梯度下降算法更新的。使用批次可以更频繁地更新梯度，这有助于模型更快地收敛。

泛化能力：通过在不同的批次中随机选择样本，可以减少模型对特定数据点的依赖，从而提高模型的泛化能力。

训练稳定性：如果使用单个数据点来更新模型，模型的更新可能会非常不稳定。使用批次可以平滑这些更新，使训练过程更加稳定。

减少过拟合：批次训练有助于减少模型对训练数据中的噪声或异常值的敏感性，从而减少过拟合的风险。

灵活性：使用批次训练可以根据不同的硬件配置和内存限制调整批次大小，以实现最佳的训练效率。

并行处理：在分布式训练中，批次处理允许多个训练节点或设备同时处理不同的数据批次，从而加快训练速度。

总之，批次训练是一种有效的策略，可以在保证训练效率和模型性能的同时，适应不同的硬件和内存条件。

2.网络构建

mindspore.nn类是构建所有网络的基类，也是网络的基本单元。

当用户需要自定义网络时，可以继承nn.Cell类，并重写__init__方法和construct方法。__init__包含所有网络层的定义，construct中包含数据（Tensor）的变换过程。

这里就是比较不一样的地方了

class Network(nn.Cell):

定义了一个名为Network的类，它继承自nn.Cell。nn.Cell是PaddlePaddle框架中的基础类，用于构建可微分的计算图。

def __init__(self):

这是Network类的构造函数，用于初始化网络的各个组件。

super().__init__()

调用父类nn.Cell的构造函数。

self.flatten = nn.Flatten()

创建一个nn.Flatten层，用于将输入数据从多维数组展平为一维数组。

self.dense_relu_sequential = nn.SequentialCell(...)

创建一个nn.SequentialCell，这是一个按顺序执行多个层的容器。在这个序列中，首先是一个全连接层nn.Dense(28*28, 512)，它将输入从28*28维映射到512维，接着是nn.ReLU()激活函数，然后又是一个nn.Dense(512, 512)全连接层和nn.ReLU()激活函数，最后是一个输出层nn.Dense(512, 10)，将维度从512映射到10。

def construct(self, x):

定义了construct方法，这是nn.Cell的抽象方法，用于定义前向传播的逻辑。

x = self.flatten(x)

将输入x通过self.flatten层进行展平。

logits = self.dense_relu_sequential(x)

将展平后的数据x通过self.dense_relu_sequential序列进行处理，得到未经激活函数处理的原始输出logits。

return logits

返回logits，这是模型的原始输出，通常用于分类任务中的logits。

model = Network()

创建Network类的一个实例，即初始化了一个神经网络模型。

print(model)

打印模型的摘要信息，这通常包括模型的层数和参数数量等。

3.模型训练

在模型训练中，一个完整的训练过程（step）需要实现以下三步：

正向计算：模型预测结果（logits），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。

MindSpore使用函数式自动微分机制，因此针对上述步骤需要实现：

定义正向计算函数。
使用value_and_grad通过函数变换获得梯度计算函数。
定义训练函数，使用set_train设置为训练模式，执行正向计算、反向传播和参数优化。

4.评估模型的性能

loss,acurancy

5.保存模型

6.加载模型进行预测

加载保存的权重分为两步：

重新实例化模型对象，构造模型。
加载模型参数，并将其加载至模型上。

代码实现：

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

# 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)


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

print(train_dataset.get_col_names())



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)



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






# 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)





# Instantiate loss function and optimizer
loss_fn = nn.CrossEntropyLoss()
optimizer = nn.SGD(model.trainable_params(), 1e-2)

# 1. Define forward function
def forward_fn(data, label):
    logits = model(data)
    loss = loss_fn(logits, label)
    return loss, logits

# 2. Get gradient function
grad_fn = mindspore.value_and_grad(forward_fn, None, optimizer.parameters, has_aux=True)

# 3. Define function of one-step training
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}]")





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")




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!")



# Save checkpoint
mindspore.save_checkpoint(model, "model.ckpt")
print("Saved Model to model.ckpt")




# Instantiate a random initialized model
model = Network()
# Load checkpoint and load parameter to model
param_dict = mindspore.load_checkpoint("model.ckpt")
param_not_load, _ = mindspore.load_param_into_net(model, param_dict)
print(param_not_load)



# Instantiate a random initialized model
model = Network()
# Load checkpoint and load parameter to model
param_dict = mindspore.load_checkpoint("model.ckpt")
param_not_load, _ = mindspore.load_param_into_net(model, param_dict)
print(param_not_load)