沈阳做一个网站需要多少钱,网站名称大全,海外推广营销 平台,网站开发需要什么软件有哪些打卡 目录
打卡
快速入门案例#xff1a;minist图像数据识别任务
案例任务说明
流程
1 加载并处理数据集
2 模型网络构建与定义
3 模型约束定义
4 模型训练
5 模型保存
6 模型推理
相关参考文档入门理解
MindSpore数据处理引擎
模型网络参数初始化
模型优化器
…打卡 目录
打卡
快速入门案例minist图像数据识别任务
案例任务说明
流程
1 加载并处理数据集
2 模型网络构建与定义
3 模型约束定义
4 模型训练
5 模型保存
6 模型推理
相关参考文档入门理解
MindSpore数据处理引擎
模型网络参数初始化
模型优化器
损失函数
代码
安装
从模型训练到预测推理
self_main_train_and_save.py
self_dataprocess.py
self_network.py
self_modeltrain.py
self_modeltest.py
self_predict.py 快速入门案例minist图像数据识别任务
案例任务说明
MINIST数据集是有标签的图像数据图像数据是0-9的手写阿拉伯数字。其中训练集有6W个测试集1W个。
目的是训练一个可以高效识别手写阿拉伯数字的模型。 流程
1 加载并处理数据集
涉及到的mindspore接口 mindspore.dataset。例如对数据集的map、batch、shuffle等操作数据列名获取对数据集进行迭代访问、查看数据和标签的shape和datatype等。
2 模型网络构建与定义
涉及到 mindspore.nn 类。例如用户可继承nn.Cell类来自定义网络结构其中的construct类函数包含数据Tensor的变换过程。。
3 模型约束定义
包括损失函数、优化器等。如 nn.CrossEntropyLoss() 、nn.SGD(model.trainable_params(), 1e-2)
4 模型训练
- 定义训练函数用set_train设置为训练模式执行正向计算、反向传播和参数优化。
- 定义测试函数用来评估模型的性能。
5 模型保存
- 两种保存方式
1模型参数保存mindspore.save_checkpoint(model, model.ckpt)
2统一的中间表示Intermediate RepresentationIR的保存MindIR同时保存了Checkpoint和模型结构因此需要定义输入Tensor来获取输入shape。mindspore.export(model, inputs, file_namemodel, file_formatMINDIR) 6 模型推理
- 两种加载方式
1模型参数加载 model network() param_dict mindspore.load_checkpoint(model.ckpt); param_not_load, _ mindspore.load_param_into_net(model, param_dict) 2统一的中间表示Intermediate RepresentationIR的加载 mindspore.set_context(modemindspore.GRAPH_MODE)graph mindspore.load(model.mindir)model nn.GraphCell(graph) ## nn.GraphCell 仅支持图模式。outputs model(inputs)保存与加载 — MindSpore master 文档 相关参考文档入门理解
MindSpore数据处理引擎
MindSpore 通过对外暴露API层来构建数据图内部的Data Processing Pipeline 层用来进行数据加载和预处理多步并行流水线。高性能数据处理引擎 — MindSpore master 文档 MindSpore 通过数据集Dataset和数据变换Transforms实现高效的数据预处理。
数据集 Dataset — MindSpore master 文档
数据变换 Transforms — MindSpore master 文档 模型网络参数初始化
Initializer是MindSpore内置的参数初始化基类所有内置参数初始化方法均继承该类。mindspore.nn中提供的神经网络层封装均提供weight_init、bias_init等入参可以直接使用实例化的Initializer进行参数初始化。
参数初始化 — MindSpore master 文档 模型优化器
优化器 — MindSpore master 文档 损失函数
损失函数 — MindSpore master 文档 代码
安装
pip/conda均可
pip install -i https://pypi.mirrors.ustc.edu.cn/simple mindspore2.3.0rc1
从模型训练到预测推理
训练
python self_main_train_and_save.py
推理
python self_predict.py self_main_train_and_save.py
import mindspore
from mindspore import nn
from mindspore.dataset import vision, transforms
from mindspore.dataset import MnistDataset# 用download库从公开华为云obs桶下载 MINIST 数据集并解压。因为mindspore.dataset 提供的接口仅支持解压后的数据文件
from download import download
url https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/notebook/datasets/MNIST_Data.zip
path download(url, ./, kindzip, replaceTrue) ## 1 加载数据集
train_dataset MnistDataset(MNIST_Data/train, shuffleFalse)
test_dataset MnistDataset(MNIST_Data/test)
print(train_dataset.get_col_names()) # 打印数据集中包含的数据列名用于dataset的预处理。输出[image, label]## 2 MindSpore的dataset使用数据处理流水线这里将处理好的数据集打包为大小为64的batch。
from self_dataprocess import datapipe
# Map vision transforms and batch dataset
train_dataset datapipe(train_dataset, 64)
test_dataset datapipe(test_dataset, 64) ## 3 数据集加载后一般以迭代方式获取数据然后送入神经网络中进行训练。可使用create_tuple_iterator 或create_dict_iterator对数据集进行迭代访问查看数据和标签的shape和datatype。
for image, label in test_dataset.create_tuple_iterator():print(fShape of image [N, C, H, W]: {image.shape} {image.dtype})print(fShape of label: {label.shape} {label.dtype})break“”“Shape of image [N, C, H, W]: (64, 1, 28, 28) Float32Shape of label: (64,) Int32”“”
for data in test_dataset.create_dict_iterator():print(fShape of image [N, C, H, W]: {data[image].shape} {data[image].dtype})print(fShape of label: {data[label].shape} {data[label].dtype})break## 4 模型训练
from self_network import Network
from self_modeltrain import train, loss_fn
from self_modelteset import test
model Network()
epochs 3
for t in range(epochs):print(fEpoch {t1}\n-------------------------------)train(model, train_dataset)test(model, test_dataset, loss_fn)
print(Done!)## 5 保存模型
# Save checkpoint
mindspore.save_checkpoint(model, model.ckpt)
print(Saved Model to model.ckpt) self_dataprocess.py
from mindspore.dataset import vision, transforms
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
self_network.py
# Define model
from mindspore import nnclass 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 logitsdef check_network():model Network()print(model)
self_modeltrain.py
# Instantiate loss function and optimizer
from mindspore import nnloss_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_auxTrue)# 3. Define function of one-step training
def train_step(data, label):(loss, _), grads grad_fn(data, label)optimizer(grads)return lossdef train(model, dataset):size dataset.get_dataset_size()model.set_train() ## 设置当前Cell和所有子Cell的训练模式。对于训练和预测具有不同结构的网络层(如 BatchNorm)将通过这个属性区分分支。如果设置为True则执行训练分支否则执行另一个分支。默认Truefor batch, (data, label) in enumerate(dataset.create_tuple_iterator()):loss train_step(data, label)if batch % 100 0:loss, current loss.asnumpy(), batchprint(floss: {loss:7f} [{current:3d}/{size:3d}])
self_modeltest.py
from mindspore import nn def test(model, dataset, loss_fn):num_batches dataset.get_dataset_size()model.set_train(False)total, test_loss, correct 0, 0, 0for 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_batchescorrect / totalprint(fTest: \n Accuracy: {(100*correct):0.1f}%, Avg loss: {test_loss:8f} \n)
self_predict.py
## 加载模型
from self_network import Network# 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) ## 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。## 加载后的模型可以直接用于预测推理。
model.set_train(False)
for data, label in test_dataset:pred model(data)predicted pred.argmax(1)print(fPredicted: {predicted[:10]}, Actual: {label[:10]})break
