使用MindSpore训练手写数字识别模型

MindSpore的“学习”过程

MindSpore当前已经部署在ModelArts的开发环境和训练环境中,同时提供了阈值算法供开发者直接使用,它的学习过程如下图所示,简单总结一下:

  1. 使用MindSpore提供的基本模块进行前线网络开发
  2. 对数据进行处理和增强以便得到更好的数据输入
  3. 利用前线网络构建训练模型,并进行模型保存和推理使用MindSpore训练手写数字识别模型_第1张图片

深度学习工作原理

与传统的机器学习使用简单模型执行分类等任务不同,此次训练我们使用深度神经网络作为训练模型,即深度学习。深度学习通过人工神经网络来提取特征,不同层的输出常被视为神经网络提取出的不同尺度的特征,上一层的输出作为下一层的输入,层层连接构成深度神经网络。使用MindSpore训练手写数字识别模型_第2张图片

1994年,Yann LeCun发布了结合反向传播的卷积神经网络 LeNet, 其在手写数字识别领域效果远超其他模型。1998年,Yann LeCun等人构建的卷积神经网络LeNet-5在手写数字识别问题中取得成功 ,被誉为卷积神经网络的“Hello Word”。LeNet-5以及在此之后产生的变体定义了现代卷积神经网络的基本结构,可谓入门级神经网络模型。本次实践使用的模型正是LeNet-5。使用MindSpore训练手写数字识别模型_第3张图片
LeNet-5由输入层、卷积层、池化层和全连接层组成。输入层用于输入数据;卷积层通过卷积运算对输入进行局部特征提取;池化层通过下采样的方式降低特征图的分辨率,从而降低输出对位置和形变的敏感度,同时还可降低网络中的参数和计算量;全连接层将局部特征通过权值矩阵组装成完整的图像,完成特征空间到真实类别空间的映射,最终的图像分类便是由全连接层完成的。有了这样一个神经网络后,我们还需要用大量数据集对它进行不断地训练,才能对输入数据有较为准确的预测结果,这一过程便依赖于华为自研的深度学习框架MindSpore。使用MindSpore训练手写数字识别模型_第4张图片

数据集可视化:

MNIST数据集是目前手写数字识别领域使用最为广泛的公开数据集,大部分识别算法都会基于它进行训练和验证。MNIST数据集包含0~9这10种数字,每一种数字都包含大量不同形态的手写数字图片训练集,分为训练集和测试集。训练集涵盖6万张手写数字图片,测试级涵盖1万张手写数字图片。每一张图片皆为经过尺寸标准化的黑白图像,是28*28像素,像素值为0或者1的二值化图像。MNIST数据集的原始图像是黑白的,但在实际训练中使用数据增强后的图片能够获得更好的训练效果。本次训练所使用的经过数据增强的图片使用MindSpore训练手写数字识别模型_第5张图片

Notes

手写数字识别,成为计算机视觉领域用于衡量算法表现的基准任务

MNIST数据集

  1. 包含0-9这十种数字,每一类包含大量不同形态的手写图片
  2. 训练集:60000 张手写数字图片
  3. 测试集:10000 张手写数字图片
  4. 每一张图片均为经过尺寸标准化的黑白图像:28 * 28像素,每一个像素值为 0或1

基于传统机器学习的识别方法:SIFT,SVM

基于深度学习的识别方法:LeNet-5

一个典型的卷积神经网络,由输入层、卷积层、池化层和全连接层组成。

  1. 输入层:数据输入层
  2. 卷积层:通过卷积进行局部特征提取
  3. 池化层:通过下采样降低特征图的分辨率,降低输出对位置和形变的敏感度,保留关键特性,减少参数和计算
  4. 全连接层:将局部特征通过权值矩阵组装成完整图像,完成特征空间到真实类别空间的映射,类似分类器

前向神经网络,损失函数

华为AI解决方案

  1. 应用使能
  2. 框架
  3. 芯片使能
  4. IP和芯片

Ascend、CANN、MindSpore、ModelArts

自动微分

  1. TensorFlow:图方法
  2. PyTorch:运算符重载
  3. MindSpore:源码转换

神经网络执行模式

  1. on-device模式
  2. 主从控制模式

数据增强算子,神经网络算子,神经网络计算图,算子间内存零拷贝,图循环控制

动态图与静态图

  1. 动态图执行模式:单算子/子图执行,灵活的开发调试
  2. 静态图执行模式:整图编译执行,高效的图编译优化,性能高

MindSpore的“学习”过程-(mindspore基本组件)

  1. 网络开发-(Tensor,Initializer,Cell,Operation)
  2. 数据处理-(Dataset)
  3. 构建模型-(Model,Cell,Operation)
  4. 模型训练-(Model,Dataset)
  5. 模型保存-(Callback)

mindspore基本组件

  1. Tensor - 基础的数据结构
  2. Initializer - 权重初始化模块
  3. Operation - mindspore基础计算单元
  4. Cell - 可复用的基础网络单元
  5. Model - 用于模型训练与推理的高阶API

数据处理Pipeline

  1. 加载
  2. shuffle
  3. map
  4. batch
  5. repeat

执行步骤

  1. 克隆github代码
git clone https://github.com/mindspore-ai/docs.git
  1. 进入到tutorials_code,可以看到lenet.py
cd docs/tutorials/tutorials_code
  1. 运行代码
python lenet.py
  1. 输出训练与测试结果:使用MindSpore训练手写数字识别模型_第6张图片
  2. 最后输出结果可视化:使用MindSpore训练手写数字识别模型_第7张图片

你可能感兴趣的:(深度学习,机器学习,神经网络,人工智能,计算机视觉)