昇思25天学习打卡营第1天|快速入门

昇思25天学习打卡营第1天|快速入门

目录

昇思25天学习打卡营第1天|快速入门实操教程

一、MindSpore内容简介

主要特点：

MindSpore的组成部分：

二、入门实操步骤

1. 安装必要的依赖包

2. 下载并处理数据集

3. 构建网络模型

4. 训练模型

5. 测试模型性能

6. 进行多轮训练

7. 示例输出

总结

 博主v：XiaoMing_Java

博主v：XiaoMing_Java

一、MindSpore内容简介

本文主要是借助昇思大模型平台的Jupyter云上开发学习昇思MindSpore入门知识

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、全场景统一部署三大目标。

设计目标是使得深度学习的开发变得更加简单高效，并提供统一的部署方案。它能够支持多种运行环境，包括云端、边缘和终端设备。

主要特点：

MindSpore的组成部分：

• ModelZoo（模型库）：提供丰富的深度学习算法模型，开发者也可以贡献自己的模型。
• MindSpore Extend（扩展库）：支持领域扩展，如图神经网络（GNN）、深度概率编程等。
• MindSpore Science（科学计算）：专为科学计算设计，包含领先的数据集和高精度模型。
• MindExpression（全场景统一API）：支持Python前端表达与编程接口，简化开发流程。
• MindSpore Data（数据处理层）：提供高效的数据处理和常用数据集加载功能。
• MindCompiler（AI编译器）：优化计算图，支持各种硬件加速。
• MindRT（运行时系统）：实现高效的运行时支持，适用于不同场景。
• MindSpore Insight（可视化调试工具）：提供可视化训练监控和调优能力。
• MindSpore Armour（安全增强库）：针对企业级应用提供安全与隐私保护功能。

二、入门实操步骤

接下来，我们将通过MindSpore的API来快速构建和训练一个简单的深度学习模型。

1. 安装必要的依赖包

首先，在进行任何开发之前，您需要确保已经安装了MindSpore及其相关依赖。可以使用以下命令进行安装：

pip install mindspore

然后我们导入所需的库：

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

2. 下载并处理数据集

在我们的示例中，我们将使用MNIST数据集，这是一个经典的手写数字识别数据集。下面是下载该数据集的代码：

# 导入下载工具
from download import download

# 定义数据集的URL
url = "https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/notebook/datasets/MNIST_Data.zip"
# 下载数据集并解压
path = download(url, "./", kind="zip", replace=True)

3. 构建网络模型

接下来，我们定义一个简单的神经网络模型，该模型由多个全连接层和ReLU激活函数组成：

# 定义模型结构
class Network(nn.Cell):
def __init__(self):
super().__init__()
self.flatten = nn.Flatten() # 扁平化层
self.dense_relu_sequential = nn.SequentialCell(
nn.Dense(28*28, 512), # 输入层到隐藏层
nn.ReLU(), # 激活函数
nn.Dense(512, 512), # 隐藏层到隐藏层
nn.ReLU(),
nn.Dense(512, 10) # 隐藏层到输出层
)

def construct(self, x):
x = self.flatten(x) # 扁平化输入数据
logits = self.dense_relu_sequential(x) # 前向传播
return logits

model = Network()
print(model) # 打印模型结构

4. 训练模型

接下来，我们需要定义损失函数和优化器，然后编写训练步骤：

# 实例化损失函数和优化器
loss_fn = nn.CrossEntropyLoss() # 使用交叉熵损失
optimizer = nn.SGD(model.trainable_params(), learning_rate=1e-2) # Stochastic Gradient Descent

# 定义前向传播函数
def forward_fn(data, label):
logits = model(data) # 模型预测
loss = loss_fn(logits, label) # 计算损失
return loss, logits

# 获取梯度函数
grad_fn = mindspore.value_and_grad(forward_fn, None, optimizer.parameters, has_aux=True)

# 定义单步训练函数
def train_step(data, label):
(loss, _), grads = grad_fn(data, label) # 计算损失和梯度
optimizer(grads) # 更新参数
return loss

def train(model, dataset):
size = dataset.get_dataset_size() # 数据集大小
model.set_train() # 设置模型为训练模式
for batch, (data, label) in enumerate(dataset.create_tuple_iterator()):
loss = train_step(data, label) # 单步训练

if batch % 100 == 0:
loss, current = loss.asnumpy(), batch # 转换为numpy格式
print(f"loss: {loss:>7f} [{current:>3d}/{size:>3d}]")

5. 测试模型性能

编写测试函数以评估模型在测试集上的表现：

def test(model, dataset, loss_fn):
num_batches = dataset.get_dataset_size() # 测试集大小
model.set_train(False) # 设置模型为评估模式
total, test_loss, correct = 0, 0, 0
for data, label in dataset.create_tuple_iterator():
pred = model(data) # 模型预测
total += len(data) # 累计样本数
test_loss += loss_fn(pred, label).asnumpy() # 计算总损失
correct += (pred.argmax(1) == label).asnumpy().sum() # 计算正确预测数
test_loss /= num_batches # 平均损失
correct /= total # 正确率
print(f"Test: \\n Accuracy: {(100*correct):>0.1f}%, Avg loss: {test_loss:>8f} \\n")

6. 进行多轮训练

训练过程需要多次迭代数据集，一次完整的迭代称为一轮（epoch）。可以使用如下代码进行训练和测试：

epochs = 3 # 设置训练轮数
for t in range(epochs):
print(f"Epoch {t+1}\\n——————————-")
train(model, train_dataset) # 训练
test(model, test_dataset, loss_fn) # 测试结果
print("Done!")

7. 示例输出

在每一轮训练后，您将会看到如下输出：

总结

通过上述步骤，我们成功地使用MindSpore构建并训练了一个简单的深度学习模型，并验证了模型的性能。这一过程展示了MindSpore的易用性和强大功能，非常适合新手入门学习。

在实际操作中，您可以根据需要调整模型的结构、超参数以及数据集，以探索更多深度学习技术的可能性。希望本教程对您有所帮助！

 博主v：XiaoMing_Java

博主v：XiaoMing_Java

 📫作者简介：嗨，大家好，我是 小 明（小明java问道之路），互联网大厂后端研发专家，2022博客之星TOP3 / 博客专家 / CSDN后端内容合伙人、InfoQ(极客时间)签约作者、阿里云签约博主、全网5万粉丝博主。

🍅 文末获取联系 🍅  👇🏻 精彩专栏推荐订阅收藏 👇🏻