☀️ 最近报名参加了昇思25天学习打卡训练营
☀️ 第1天初步学习了MindSpore的基本操作
☀️ 第2天初步学习了张量Tensor
☀️ 第3天初步学习了数据集Dataset
☀️ 第4天初步学习了数据变换Transforms
☀️ 第5天学习 初学入门 / 初学教程 / 06-网络构建Transforms
1. 代码跑通流程
神经网络模型是由神经网络层和Tensor操作构成的,mindspore.nn提供了常见神经网络层的实现,在MindSpore中,Cell类是构建所有网络的基类,也是网络的基本单元。一个神经网络模型表示为一个Cell,它由不同的子Cell构成。使用这样的嵌套结构,可以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。
下面我们将构建一个用于Mnist数据集分类的神经网络模型。
1.1 导入库
import mindspore
from mindspore import nn, ops
1.2 定义模型类
当我们定义神经网络时,可以继承 nn.Cell 类,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。
construct 意为神经网络(计算图)构建,相关内容详见使用静态图加速。
AI编译框架分为两种运行模式,分别是动态图模式以及静态图模式。 MindSpore默认情况下是以动态图模式运行,但也支持手工切换为静态图模式。
动态图的特点是计算图的构建和计算同时发生(Define by run),其符合Python的解释执行方式,在计算图中定义一个Tensor时,其值就已经被计算且确定,因此在调试模型时较为方便,能够实时得到中间结果的值,但由于所有节点都需要被保存,导致难以对整个计算图进行优化。在MindSpore中,动态图模式又被称为PyNative模式。由于动态图的解释执行特性,在脚本开发和网络流程调试过程中,推荐使用动态图模式进行调试。
相较于动态图而言,静态图的特点是将计算图的构建和实际计算分开(Define and run)。
在MindSpore中,静态图模式又被称为Graph模式,在Graph模式下,基于图优化、计算图整图下沉等技术,编译器可以针对图进行全局的优化,获得较好的性能,因此比较适合网络固定且需要高性能的场景。
from mindspore import nn
# 定义一个名为Network的神经网络类,继承自nn.Cell
class Network(nn.Cell):
# 初始化方法
def __init__(self):
# 调用父类nn.Cell的初始化方法
super().__init__()
# 定义一个flatten层,用于将多维的输入数据展平为一维数据
self.flatten = nn.Flatten()
# 定义一个SequentialCell,它是一个顺序容器,可以包含多个层,数据会按照顺序依次通过这些层
self.dense_relu_sequential = nn.SequentialCell(
# 第一个全连接层(Dense),输入特征数为28*28(例如,MNIST图像的大小),输出特征数为512
# weight_init和bias_init参数指定了权重和偏置的初始化方式
# 随机生成权重矩阵的初始值,偏置项初始化为零
nn.Dense(28*28, 512, weight_init="normal", bias_init="zeros"),
# ReLU激活函数
nn.ReLU(),
# 第二个全连接层,输入和输出特征数均为512
nn.Dense(512, 512, weight_init="normal", bias_init="zeros"),
# ReLU激活函数
nn.ReLU(),
# 第三个全连接层,作为输出层,输入特征数为512,输出特征数为10(例如,用于分类10个类别的MNIST数据集)
nn.Dense(512, 10, weight_init="normal", bias_init="zeros")
)
# 前向传播方法,MindSpore中使用construct方法来实现
def construct(self, x):
# 将输入数据x通过flatten层展平
x = self.flatten(x)
# 将展平后的数据x通过dense_relu_sequential层(包含多个全连接层和ReLU激活函数)
# 得到logits,即网络的输出值,通常用于分类任务中的概率值或得分
logits = self.dense_relu_sequential(x)
# 返回logits作为网络的输出
return logits
construct 方法定义了网络的前向传播过程。当数据 x 被传入Network实例时,它首先被 flatten 层展平,然后经过 dense_relu_sequential 层(其中包含3个全连接层和2个ReLU激活函数),最终得到输出 logits。这个 logits 可以被用于进一步的操作,如计算损失、进行softmax 操作以得到概率分布等。
构建完成后,实例化 Network 对象,并查看其结构。
model = Network()
print(model)
输出:
Network<
(flatten): Flatten<>
(dense_relu_sequential): SequentialCell<
(0): Dense<input_channels=784, output_channels=512, has_bias=True>
(1): ReLU<>
(2): Dense<input_channels=512, output_channels=512, has_bias=True>
(3): ReLU<>
(4): Dense<input_channels=512, output_channels=10, has_bias=True>
>
>
我们构造一个输入数据,直接调用模型,可以获得一个十维的Tensor输出,其包含每个类别的原始预测值。
model.construct() 方法不可直接调用。
X = ops.ones((1, 28, 28), mindspore.float32)
logits = model(X)
# print logits
logits
输出:
Tensor(shape=[1, 10], dtype=Float32, value=
[[-1.34644797e-03, 1.29277352e-04, 1.17136752e-02 ... 5.12425695e-03, -2.85935123e-03, 1.22657903e-02]])
在此基础上,我们通过一个 nn.Softmax 层实例来获得预测概率。
pred_probab = nn.Softmax(axis=1)(logits)
y_pred = pred_probab.argmax(1)
print(f"Predicted class: {y_pred}")
输出:
Predicted class: [9]
1.3 模型层
本节中我们分解上节构造的神经网络模型中的每一层。首先我们构造一个shape为(3, 28, 28)的随机数据(3个28x28的图像),依次通过每一个神经网络层来观察其效果。
input_image = ops.ones((3, 28, 28), mindspore.float32)
print(input_image.shape)
输出:
(3, 28, 28)
1️⃣ 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)
输出:
(3, 784)
将输入数据从多维(例如,图像的高×宽×通道)转换为一维向量,以便输入到后续的全连接层。
2️⃣ 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)
输出:
(3, 20)
3️⃣ 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}")
输出:
Before ReLU: [[ 0.6843467 0.259497 -0.25782263 0.6184629 0.6070477 -0.73334247
0.74973434 0.45182937 -0.23277852 0.7250475 -0.52080756 -0.15784171
0.01202491 -0.60827506 0.8921455 0.449151 0.1737952 0.8706826
-0.08334174 -0.7448301 ]
[ 0.6843467 0.259497 -0.25782263 0.6184629 0.6070477 -0.73334247
0.74973434 0.45182937 -0.23277852 0.7250475 -0.52080756 -0.15784171
0.01202491 -0.60827506 0.8921455 0.449151 0.1737952 0.8706826
-0.08334174 -0.7448301 ]
[ 0.6843467 0.259497 -0.25782263 0.6184629 0.6070477 -0.73334247
0.74973434 0.45182937 -0.23277852 0.7250475 -0.52080756 -0.15784171
0.01202491 -0.60827506 0.8921455 0.449151 0.1737952 0.8706826
-0.08334174 -0.7448301 ]]
After ReLU: [[0.6843467 0.259497 0. 0.6184629 0.6070477 0.
0.74973434 0.45182937 0. 0.7250475 0. 0.
0.01202491 0. 0.8921455 0.449151 0.1737952 0.8706826
0. 0. ]
[0.6843467 0.259497 0. 0.6184629 0.6070477 0.
0.74973434 0.45182937 0. 0.7250475 0. 0.
0.01202491 0. 0.8921455 0.449151 0.1737952 0.8706826
0. 0. ]
[0.6843467 0.259497 0. 0.6184629 0.6070477 0.
0.74973434 0.45182937 0. 0.7250475 0. 0.
0.01202491 0. 0.8921455 0.449151 0.1737952 0.8706826
0. 0. ]]
4️⃣ 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)
输出:
(3, 10)
5️⃣ 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)
1.4 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")
输出:
Model structure: Network<
(flatten): Flatten<>
(dense_relu_sequential): SequentialCell<
(0): Dense<input_channels=784, output_channels=512, has_bias=True>
(1): ReLU<>
(2): Dense<input_channels=512, output_channels=512, has_bias=True>
(3): ReLU<>
(4): Dense<input_channels=512, output_channels=10, has_bias=True>
>
>
Layer: dense_relu_sequential.0.weight
Size: (512, 784)
Values : [[ 0.00421729 0.00764486 0.00125789 ... -0.00573038 -0.0162938
-0.0076075 ]
[ 0.00555476 -0.00247079 0.01020895 ... 0.0078051 -0.00817331
-0.00015425]]
Layer: dense_relu_sequential.0.bias
Size: (512,)
Values : [0. 0.]
Layer: dense_relu_sequential.2.weight
Size: (512, 512)
Values : [[-0.00897185 0.01778448 -0.01740738 ... -0.0008132 -0.01179575
-0.00346031]
[-0.01564151 0.00206684 0.00829779 ... 0.00204611 0.00772646
-0.01689647]]
Layer: dense_relu_sequential.2.bias
Size: (512,)
Values : [0. 0.]
Layer: dense_relu_sequential.4.weight
Size: (10, 512)
Values : [[ 0.00857544 0.00762396 -0.017364 ... -0.00465207 0.00717399
0.00302128]
[ 0.01176514 -0.0085316 0.00299114 ... 0.0016758 0.00445736
0.00648327]]
Layer: dense_relu_sequential.4.bias
Size: (10,)
Values : [0. 0.]
2. 小结
今天学习了网络构建,后续可以在这基础上扩展。
参考:
https://blog.csdn.net/qq_39306047/article/details/139857746