昇思25天学习打卡营第1天|快速入门

服务器 0

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:

  1. 易开发:MindSpore 提供了友好的API接口,使得开发者可以快速上手,同时调试过程也变得更加直观。
  2. 高效执行:框架在计算效率、数据预处理和分布式训练方面进行了优化,可以充分利用硬件资源。
  3. 全场景支持:无论是在云端还是边缘设备,甚至是小型IoT设备,MindSpore都能提供良好的支持。

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 mindsporefrom mindspore import nnfrom mindspore.dataset import vision, transformsfrom 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URLurl = "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 👇🏻

专栏系列(点击解锁)

学习路线(点击解锁)

知识定位

🔥Redis从入门到精通与实战🔥

Redis从入门到精通与实战

围绕原理源码讲解Redis面试知识点与实战

🔥MySQL从入门到精通🔥

MySQL从入门到精通

全面讲解MySQL知识与企业级MySQL实战

🔥计算机底层原理🔥

深入理解计算机系统CSAPP

以深入理解计算机系统为基石,构件计算机体系和计算机思维

Linux内核源码解析

围绕Linux内核讲解计算机底层原理与并发

🔥数据结构与企业题库精讲🔥

数据结构与企业题库精讲

结合工作经验深入浅出,适合各层次,笔试面试算法题精讲

🔥互联网架构分析与实战🔥

企业系统架构分析实践与落地

行业最前沿视角,专注于技术架构升级路线、架构实践

互联网企业防资损实践

互联网金融公司的防资损方法论、代码与实践

🔥Java全栈白宝书🔥

精通Java8与函数式编程

本专栏以实战为基础,逐步深入Java8以及未来的编程模式

深入理解JVM

详细介绍内存区域、字节码、方法底层,类加载和GC等知识

深入理解高并发编程

深入Liunx内核、汇编、C++全方位理解并发编程

Spring源码分析

Spring核心七IOC/AOP等源码分析

MyBatis源码分析

MyBatis核心源码分析

Java核心技术

只讲Java核心技术

也许您对下面的内容还感兴趣: