转载地址:https://bbs.huaweicloud.com/f...
作者:红色石头
MindSpore!这款刚刚开源的深度学习框架我爱了!
1.jpg
犹记得今年的华为开发者大会 HDC 2020 上,一直受人瞩目的深度学习框架 MindSpore 终于开源了。
我之前一直关注 MindSpore,还是挺期待的。MindSpore 是一款支持端、边、云独立/协同的统一训练和推理框架。与 TensorFlow、PyTorch 等流行深度学习框架对标,MindSpore 旨在大幅度降低 AI 应用开发门槛,让人工智能无处不在。
2.jpg
MindSpore 最大的特点就是开发门槛大大降低,提高开发效率,这样可以显著减少模型开发时间。
因此,使用MindSpore的优势可以总结为以下四点:
简单的开发体验
灵活的调试模式
充分发挥硬件潜能
全场景快速部署
既然开源了,那就赶紧上手,试一试这款开源的 MindSpore 怎么样!本文我将介绍 MindSpore 的安装和上手教程,通过一个简单的图像识别案例来跑完整个 AI 训练和测试流程。
一、MindSpore 的安装
开源框架 MindSpore 的安装方法有很多,可以在 Windows、Ubuntu 上安装,也可以在华为 Ascend 910 上安装。各种详尽的安装方法请见下面的链接:
https://www.mindspore.cn/install
下面介绍两种最简单的安装方法!
- Docker 安装
Docker 安装最为简单,可参考:
https://gitee.com/mindspore/m...
以 0.3.0-alpha 版本为例:
CPU:
docker pull mindspore/mindspore-cpu:0.3.0-alpha
GPU:
docker pull mindspore/mindspore-gpu:0.3.0-alpha
安装好后,可以看到安装的镜像,并使用下面的命令创建一个你的容器:
1
docker run -it mindspore/mindspore-cpu:0.3.0-alpha /bin/bash
- Win10+Anaconda+MindSpore
使用 Win10 +Anaconda+MindSpore 的方式进行安装也非常简单,本文将采用这种方式安装 MindSpore。
在 MindSpore 安装首页里,选择安装相关配置:
版本:0.3.0-alpha
硬件平台:CPU
操作系统:Windows-64
编程语言:Python 3.7.5
首先,在 Win10 上安装 Anaconda,Anaconda 是一个开源的 Python 发行版本,其包含了 conda、Python 等 180 多个科学包及其依赖项。
然后,创建一个虚拟环境。
1). 打开 Anaconda 组件中的 Anaconda Prompt 终端:
3.jpg
2). 使用下面的命令,创建一个虚拟环境 mindspore(名字可以自定义),并进入虚拟环境:
1
2
conda create -n mindspore python=3.7.5
conda activate mindspore
3). 安装依赖库,根据 https://gitee.com/mindspore/m... 列出的依赖库,使用 conda 命令安装。例如:
1
conda install numpy
4). 根据之前选择的相关配置,在网站:https://www.mindspore.cn/vers... 中选择所要相应的 MindSpore 版本:
mindspore-0.3.0-cp37-cp37m-win_amd64.whl
可以将.whl 文件下载到本地,使用 pip 安装(使用 conda 命令在线安装速度可能比较慢,因此可以选择将.whl文件下载到本地,使用 pip 命令安装):
1
pip install mindspore-0.3.0-cp37-cp37m-win_amd64.whl
最后测试是否安装成功,进入 Python shell,执行如下命令,如果没有提示 No module named 'mindspore' 等加载错误的信息,则说明安装成功。
4.jpg
至此,安装完成!
二、基于本地 Jupyter 实现 MNIST 手写数据集分类
- 安装 Jupyter Notebook
首先,在虚拟环境 mindspore 中安装 Jupyter Notebook。方法是:打开 Anaconda 组件 Anaconda Navigator。
5.jpg
在 Anaconda Navigator 中,Application on 选择刚建立的虚拟环境 mindspore,在组件 Jupyter Notebook 下点击 install,安装。安装完成后如下图:
6.jpg
点击 Notebook 下的 Launch,即可打开 Jupyter Notebook。
- 下载数据集
MNIST 手写数据集想必大家都很熟悉了,包含 0-9 的数字,由 60000 张训练图片和 10000 张测试图片组成。
7.jpg
MNIST 数据集下载页面:
http://yann.lecun.com/exdb/mn...
使用 MindSpore,我们可以通过直接定义一个 download_dataset 函数来自动下载 MNIST 数据集:
c1.png
该函数实现将数据集自动下载在本地的 ./MNIST_Data 目录下,训练集放在子目录 /train 下,测试集放在子目录 /test 下。
- 数据预处理
MNIST 数据集准备好了之后,下一步就要对数据集进行一些预处理,包括图片尺寸调整为 32x32(因为我们使用的是 LeNet-5 网络,后面会介绍),像素归一化、batch_size 设为 32(可调整),等等。
MindSpore 提供了 mindspore.dataset.MnistDataset 来直接定义 Minist 数据集,非常方便。使用 mindspore.dataset.MnistDataset.map 映射函数,将数据操作应用到数据集。
我们定义 create_dataset() 函数来创建数据集:
c2.png
通过上面的函数,就完成了对刚下载的 MNIST 数据集的预处理。
- 定义网络
LeNet-5 是一种用于手写体字符识别的非常高效的卷积神经网络。LeNet-5 共有 7 层,不包含输入,每层都包含可训练参数;每个层有多个 Feature Map,每个 FeatureMap通过一种卷积滤波器提取输入的一种特征。
8.jpg
1) 模型初始化
使用 mindspore.common.initializer.TruncatedNormal 方法对参数进行初始化,定义 conv 和 fc_with_initialize 分别对卷积层和全连接层进行初始化。
c3.png
使用 mindspore.common.initializer.TruncatedNormal 方法,可以非常便捷地实现网络权重系数的初始化操作,不需要自定义初始化函数。
2) 定义 LeNet-5 网络
MindSpore 来定义 LeNet-5 网络也很简单,根据网络结构,定义相应的卷积层和全连接层即可。在初始化函数 init 种定义神经网络的各层,然后通过定义 construct 方法来完成神经网络的前向构造。
c4.png
LeNet-5 是一个非常典型且简单的卷积神经网络,从 construct 方法可以详细看到 LeNet-5 各层的结构。
3) 定义损失函数
MindSpore 支持的损失函数有 SoftmaxCrossEntropyWithLogits、L1Loss、MSELoss 等。这里使用 SoftmaxCrossEntropyWithLogits 交叉熵损失函数。
from mindspore.nn.loss import SoftmaxCrossEntropyWithLogits
define the loss function
net_loss = SoftmaxCrossEntropyWithLogits(is_grad=False, sparse=True, reduction='mean')
4) 定义网络梯度下降算法
MindSpore 支持的梯度下降算法有 Adam、AdamWeightDecay、Momentum 等。这里使用流行的 Momentum 算法。其中,学习率设为 0.01,momentum 参数设为 0.9。
learning rate setting lr = 0.01 momentum = 0.9 # define the optimizer net_opt = nn.Momentum(network.trainable_params(), lr, momentum)
- 训练网络
1) 模型保存
mindspore.train.callback.ModelCheckpoint 方法可以保存网络模型和参数。
config_ck = CheckpointConfig(save_checkpoint_steps=1875, keep_checkpoint_max=10)
save the network model and parameters for subsequence fine-tuning
ckpoint_cb = ModelCheckpoint(prefix="checkpoint_lenet", config=config_ck)
2) 训练网络
训练网络使用 model.train 方法进行。这里把 epoch_size 设置为 1,对数据集进行 1 个迭代的训练。训练的过程中会打印 loss 值的变化。
c5.png
其中,mnist_path 是 MNIST 数据集路径。
3) 硬件信息
在主函数中,别忘了配置 MindSpore 运行的硬件信息。因为我们是在 CPU 环境下,所以 ‘--device_target’ 设置为 “CPU”。
这里的 '--device_target' 默认是 “CPU”,根据硬件情况也可以选择 “Ascend” 或 “GPU”。使用的是图模式 “context.GRAPH_MODE”。
4) 模型训练
执行程序,模型训练开始。训练过程中会打印 loss 值:
c7.png
可以看到 loss 总体来说会逐步减小,精度逐步提高,最终的 loss 为 0.067。
训练完成之后,得到保存的模型文件:
checkpoint_lenet-1_1875.ckpt
- 模型测试
在得到模型文件后,使用 model.eval() 接口读入测试数据集,通过模型运行测试数据集得到的结果。定义测试函数 test_net():
c8.png
运行测试网络:
test_net(args, network, model, mnist_path)
============== Starting Testing ============== ============== Accuracy:{'Accuracy': 0.9663461538461539} ==============
最终,可以看到刚刚训练的 LeNet-5 网络模型在测试集上的精度是 96.63%,效果非常不错。
至此,我们使用 MindSpore 框架训练 LeNet-5 模型已经完成。实现了基于本地 Jupyter 实现 MNIST 手写数据集分类。总的来说,MindSpore 提供了很多模块化的方法来进行模型搭建和训练,非常方便我们能够快速搭建一个神经网络模型。大家可以根据自己实际需求,上手搭建一个自己的神经网络试试。
本节完整代码:
https://gitee.com/mindspore/d...
三、在云服务器上使用 MindSpore
除了可以在本地使用 MindSpore 框架之外,我们还可以在华为云服务器上使用 MindSpore。在华为云上使用 MindSpore 的还有一个好处是,我们可以申请使用昇腾 AI 处理器资源池作为硬件。
ModelArts 是华为云提供的面向开发者的一站式 AI 开发平台,而且集成了 MindSpore。下面我们将在 ModelArts 下使用 ResNet-50 网络识别 CIFAR-10 图片。
- 准备 ModelArts
1) 进入华为云官网,注册账号。
具体操作:
https://support.huaweicloud.c...
2) 获取访问密钥并完成 ModelArts 配置。
具体操作:
https://support.huaweicloud.c...
3) 创建 OBS 桶
具体操作:
https://support.huaweicloud.c...
- 申请服务器昇腾 AI 处理器资源
为了在 ModelArts 上使用华为云昇腾 AI 处理器,我们需要申请体验资格,申请方式也很简单,可在下面的网站上进行申请:
https://console.huaweicloud.c...
9.jpg
申请时的内容大家可以填仔细些,一般正常的话两个工作日就批下来了。
- 数据准备
1) 下载 CIFAR-10 数据集
CIFAR-10 该数据集共有 60000 张彩*像,这些图像是 3232,分为 10 个类,每类 6000 张图。
10.jpg
CIFAR-10 数据集下载地址:
http://www.cs.toronto.edu/~kr...
注意下载 CIFAR-10 binary version 版本。
2) 新建一个自己的 OBS 桶(例如:mine-ms-dataset)
ModelArts 使用对象存储服务(Object Storage Service,简称 OBS)进行数据存储,因此,在开始训练任务之前,需要将数据上传至 OBS。
首先,登录 OBS 管理控制台:
https://storage.huaweicloud.c...
创建 OBS 桶 mine-ms-dataset(名称可修改,下面类似)。
然后,在刚创建的 OBS 桶里,创建用于存放数据的文件夹:在桶列表单击待操作的桶,在左侧导航栏,单击“对象”,新建文件夹 mine-cifar-10。
最后,将下载好的 CIFAR-10 数据集按照以下目录结构上传至数据目录 mine-cifar-10 中:
└─对象存储/mine-ms-dataset/mine-cifar-10
├─train
│ data_batch_1.bin
│ data_batch_2.bin
│ data_batch_3.bin
│ data_batch_4.bin
│ data_batch_5.bin
│
└─eval
test_batch.bin
- 程序准备
新建一个 OBS 桶(例如:mine-resnet50-train),在桶中创建代码目录(例如:mine-resnet50_cifar10_train)。同时在该桶中创建 output 目录和 log 目录,用来存放模型和日志。
将网址:
https://gitee.com/mindspore/d...
中的两个 .py 文件 dataset.py 和 resnet50_train.py 下载并上传到代码目录 mine-resnet50_cifar10_train 中。
代码目录 mine-resnet50_cifar10_train 结构如下:
└─对象存储/mine-resnet50-train
├─mine-resnet50_cifar10_train
│ dataset.py
│ resnet50_train.py
│
├─output
└─log
- 创建训练任务
准备好数据和执行脚本以后,下面就可以在云服务器上创建训练任务了。
1) 进入 ModelArts 控制台
打开华为云 ModelArts 主页
https://www.huaweicloud.com/p...
点击“进入控制台”。
2) 使用 MindSpore 作为常用框架创建训练作业
在左侧导航栏中选择“训练管理 > 训练作业”,默认进入“训练作业”列表。
在训练作业列表中,单击左上角“创建”,进入“创建训练作业”页面。
在创建训练作业页面,训练作业名称自定义,例如 mine-resnet50-trainjob。填写训练作业相关参数,具体配置参数如下:
11.jpg
值得注意的时,算法来源常用框架选择 Ascend-Powered-Engine,因为我们使用的是硬件是华为云昇腾 AI 处理器。MindSpore 版本选择 MindSpore-0.1-python3.7-aarch64 即可。
配置完之后,点击下一步 -> 提交 -> 返回训练作业列表,可以看到训练作业 mine-resnet50-trainjob 正在运行:
12.jpg
整个运行过程大概 8 分半钟,显示运行成功,表示模型训练测试完成。
13.jpg
最后,点击训练作业 mine-resnet50-trainjob,在日志里可以看到模型在测试集上的准确率为 92.49%,说明该模型效果不错。
14.jpg
我们还可以从 OBS 种下载日志文件并查看。
以上就是在云上使用 MindSpore 的简单教程。
四、总结:
本文主要通过两个实际应用案例对开源框架 MindSpore 进行介绍。一是基于本地 Jupyter Notebook 的 MNIST 手写数据识别;二是基于华为云服务器的 CIFAR-10 图像分类。两个案例均围绕并使用了 MindSpore。
从我个人的使用感觉来看,MindSpore 用起来还是很顺手的,而且函数封装得比较简洁,使用起来较为方便。通过手把手的教程,大家完全可以自己动手实操一下,感受一下开源框架 MindSpore 的魅力。
大家也可以根据自己的具体应用场景和实用案例,使用 MindSpore,搭建神经网络模型,解决实际问题。无论是计算机视觉还是自然语言处理,相信 MindSpore 都能给大家带来流畅的体验。
参考资料: