使用MindSpore实现一个简单的深度学习模型

使用MindSpore实现一个简单的深度学习模型

本篇博客以官方教程为基础，融入个人实践经历和感受，重点整理一下使用MindSpore搭建一个简单的深度学习模型的流程和思路。

学习建议：先整理代码思路，再攻克代码细节

我在官方代码的基础上略作修改，防止有的同学混淆一些概念，这里暂时先不引入过多概念，后面会慢慢深入。
这是一个非常简单的应用代码，可分为三个py文件：1、网络结构文件（Network.py）2、训练文件（Train.py）3、推理文件（Detect.py）文件名自定义。

如果文章对你有帮助，欢迎点赞+关注

Network.py

构建网络

mindspore.nn类是构建所有网络的基类，也是网络的基本单元。当用户需要自定义网络时，可以继承nn.Cell类，并重写__init__方法和construct方法。__init__包含所有网络层的定义，construct中包含数据（Tensor）的变换过程（即计算图的构造过程）。

这部分来自官网说明，其实跟pytorch一样的风格，pytorch是重写__init__方法和forward()方法。

# Define model
class 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 logits

model = Network()
print(model)

mindspore.nn.Flatten

对输入Tensor的第0维之外的维度进行展平操作。

mindspore.nn.SequentialCell(*args)

构造Cell顺序容器。
SequentialCell将按照传入List的顺序依次将Cell添加。此外，也支持OrderedDict作为构造器传入。

mindspore.nn.Dense(in_channels, out_channels, weight_init=‘normal’, bias_init=‘zeros’, has_bias=True, activation=None) 全连接层。

适用于输入的密集连接层。公式如下：
outputs=activation(X∗kernel+bias),
其中 X 是输入Tensor， activation 是激活函数， kernel 是一个权重矩阵，其数据类型与 X 相同， bias 是一个偏置向量，其数据类型与 X 相同（仅当has_bias为True时）。

mindspore.nn.ReLU 修正线性单元激活函数（Rectified Linear Unit activation function）。

ReLU(x)=(x)+=max(0,x),
逐元素求 max(x, 0) 。特别说明，负数输出值会被修改为0，正数输出不受影响

打印网络的结构

Network<
  (flatten): Flatten<>
  (dense_relu_sequential): SequentialCell<
    (0): Dense
    (1): ReLU<>
    (2): Dense
    (3): ReLU<>
    (4): Dense
    >
  >

Train.py

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

数据集

直接调用download包，下载开源数据集。下载完成之后，调用MnistDataset()创建（数据集）对象，进行数据的读取（不熟悉数据的话可以先试着打印数据的内容）

数据集的下载

# Download data from open datasets
from download import download

url = "https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/" \
      "notebook/datasets/MNIST_Data.zip"
path = download(url, "./", kind="zip", replace=True)

下载完成之后查看当前文件所在路径下是否多出了 MNIST_data 文件夹，下载成功之后开始对MNIST数据集进行处理。

数据集的处理

MindSpore的dataset使用数据处理流水线（Data Processing Pipeline），需指定map、batch、shuffle等操作。

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

classmindspore.dataset.vision.Rescale(rescale, shift)

基于给定的缩放和平移因子调整图像的像素大小。输出图像的像素大小为：output = image * rescale + shift。
参数：
rescale (float) - 缩放因子。
shift (float) - 平移因子。

classmindspore.dataset.vision.Normalize(mean, std, is_hwc=True)

根据均值和标准差对输入图像进行归一化。
此处理将使用以下公式对输入图像进行归一化：output[channel] = (input[channel] - mean[channel]) / std[channel]，其中 channel 代表通道索引，channel >= 1。

mindspore.dataset.vision.HWC2CHW

将输入图像的shape从 转换为

mindspore.dataset.transforms.TypeCast
将输入的Tensor转换为指定的数据类型。

这里我们使用map对图像数据及标签进行变换处理，然后将处理好的数据集打包为大小为64的batch。
数据集样本增强操作（map）：用户可以将数据增强算子 （vision类， nlp类， audio类） 添加到map操作来执行，数据预处理过程中可以定义多个map操作，用于执行不同增强操作，数据增强算子也可以是用户自定义增强的 PyFunc；

批（batch）：用户在样本完成增强后，使用 .batch 操作将多个样本组织成batch，也可以通过batch的参数 per_batch_map 来自定义batch逻辑；

数据增强

将数据增强匹配到数据集上

# Map vision transforms and batch dataset
train_dataset = datapipe(train_dataset, 64)
test_dataset = datapipe(test_dataset, 64)

查看数据的维度

数据增强完成之后，查看数据的维度

for image, label in test_dataset.create_tuple_iterator():
    print(f"Shape of image [N, C, H, W]: {image.shape} {image.dtype}")
    print(f"Shape of label: {label.shape} {label.dtype}")
    break

create_tuple_iterator
基于数据集对象创建迭代器，输出数据为 numpy.ndarray 组成的列表。
可以通过参数 columns 指定输出的所有列名及列的顺序。如果columns未指定，列的顺序将保持不变。

create_dict_iterator
基于数据集对象创建迭代器，输出的数据为字典类型。

直接遍历dataset对象

注意这种写法在遍历完一次epoch后不会shuffle，在训练时这样使用可能会影响精度，训练时需要直接数据迭代时建议使用上面的两种方法。

模型训练

在模型训练中，一个完整的训练过程（step）需要实现以下三步：

正向计算：模型预测结果（logits），并与正确标签（label）求预测损失（loss）。

反向传播：利用自动微分机制，自动求模型参数（parameters）对于loss的梯度（gradients）。

参数优化：将梯度更新到参数上。

MindSpore使用函数式自动微分机制，因此针对上述步骤需要实现：

正向计算函数定义。

通过函数变换获得梯度计算函数。

训练函数定义，执行正向计算、反向传播和参数优化。

# Instantiate loss function and optimizer
loss_fn = nn.CrossEntropyLoss()
optimizer = nn.SGD(model.trainable_params(), 1e-2)
# 首先optimizer已经载入模型的权重参数，那么optimizer就是带权重参数和学习率两个属性的一个优化器

# 训练函数所需的四个基本要素(模型，数据集，损失函数，优化器)，前向传播获得预测值和损失值
def train(model, dataset, loss_fn, optimizer):
    # Define forward function
    def forward_fn(data, label):
        # 模型返回的是一个十分类的结果（0~9）
        logits = model(data)
        loss = loss_fn(logits, label)
        return loss, logits

    # Get gradient function
    grad_fn = ops.value_and_grad(forward_fn, None, optimizer.parameters, has_aux=True)
    # Function，用于计算给定函数的梯度的求导函数。例如 out1, out2 = fn(*args) ，梯度函数将返回 ((out1, out2), gradient) 形式的结果, 若 has_aux 为True，那么 out2 不参与求导。

    # Define function of one-step training
    # 拿到了预测值和损失值，根据损失函数，通过SGD随机梯度下降法优化权重参数
    def train_step(data, label):
        (loss, _), grads = grad_fn(data, label)
        loss = ops.depend(loss, optimizer(grads))
        return loss

    # 这一部分可以理解为主函数
    size = dataset.get_dataset_size()
    model.set_train()

    # i (data, label)是dataset.create_tuple_iterator()的元素
    for i, (data, label) in enumerate(dataset.create_tuple_iterator()):
        # 通过train_step获得损失，这里主要负责可视化打印，重点还是train_step函数
        loss = train_step(data, label)
        # 每训练一百个输出一次损失函数
        if i % 100 == 0:
            # 损失还是权重参数经过梯度优化之后的一个计算评估结果，可以简单通过相加获得整个模型的损失函数
            loss, current = loss.asnumpy(), i
            print(f"loss: {loss:>7f}  [{current:>3d}/{size:>3d}]")

mindspore.nn.CrossEntropyLoss(weight=None, ignore_index=-100, reduction=‘mean’, label_smoothing=0.0)

计算预测值和目标值之间的交叉熵损失。

mindspore.nn.SGD(params, learning_rate=0.1, momentum=0.0, dampening=0.0, weight_decay=0.0, nesterov=False, loss_scale=1.0)

随机梯度下降的实现。动量可选。

mindspore.ops.value_and_grad(fn, grad_position=0, weights=None, has_aux=False

生成求导函数，用于计算给定函数的正向计算结果和梯度。
函数求导包含以下三种场景：
对输入求导，此时 grad_position 非None，而 weights 是None;
对网络变量求导，此时 grad_position 是None，而 weights 非None;
同时对输入和网络变量求导，此时 grad_position 和 weights 都非None。

损失函数可以很好得反映模型与实际数据差距的工具，理解损失函数能够更好得对后续优化工具（梯度下降等）进行分析与理解。
很多时候遇到复杂的问题，其实最难的一关是如何写出损失函数。

测试

这里的dataset是test_data，评估模型训练情况

def test(model, dataset, loss_fn):
    num_batches = dataset.get_dataset_size()
    model.set_train(False)
    total, test_loss, correct = 0, 0, 0
    for data, label in dataset.create_tuple_iterator():
        # 模型的参数已经被加载进去了
        pred = model(data)
        total += len(data)  # 每一次都要加一下，.size()应该也可以
        # 损失还是权重经过参数梯度优化之后的一个计算评估结果，可以简单通过相加获得
        test_loss += loss_fn(pred, label).asnumpy().sum()
        correct += (pred.argmax(1) == label).asnumpy().sum()
    test_loss /= num_batches
    correct /= total
    print((f"Test: \n Accuracy:{(100 * correct):>0.1f}% ,Avg loss:{test_loss:>8f}\n"))

训练过程需多次迭代数据集，所有的数据训练一遍（也可以理解为走过一遍模型）称为一轮（epoch）。在每一轮，遍历训练集进行训练，结束后使用测试集进行预测。打印每一轮的loss值和预测准确率（Accuracy），可以看到loss在不断下降，Accuracy在不断提高。

训练模型

epochs = 3
for t in range(epochs):
    print(f"Epoch {t+1}\n-------------------------------")
    train(model, train_dataset, loss_fn, optimizer)
    test(model, test_dataset, loss_fn)
print("Done!")

epochs为超参数，可以手动调整，超参数用于记录最好模型的各项设置（比如说使用哪个算法，迭代次数是几次，学习速率是多少，特征转换的方式是什么，正则化方式是哪种，正则化系数是多少等等）

保存模型

模型训练完成后，需要将其参数进行保存。

# Save checkpoint
mindspore.save_checkpoint(model, "model.ckpt")
print("Saved Model to model.ckpt")

Detect.py

预测推理

加载模型

加载保存的权重分为两步：

重新实例化模型对象，构造模型。

加载模型参数，并将其加载至模型上。

# 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。

预测推理

model.set_train(False)
# 这里直接使用验证集来作为
for data, label in test_dataset:
    pred = model(data)
    predicted = pred.argmax(1)
    print(f'Predicted: "{predicted[:10]}", Actual: "{label[:10]}"')
    break

用测试集里的数据，选出10分类中概率最大的那个，输出前10个测试数据的预测值和真实值。

个人总结

大致的思路：

1、网络结构文件（Network.py）：
构建网络模型，类要继承nn.Cell，继承nn.Cell类，并重写__init__方法和construct方法。
2、训练文件（train.py）：
准备好数据集（数据的下载）–>数据的预处理（数据格式转换、数据增强）–>（处理完之后最好熟悉数据）–>构建训练流程（即训练函数）–>构建验证函数(通过验证集评估训练过程中最好的模型)–>开始训练（设置epochs，可以将每个epoch跑完之后的模型保存下来，挑选出最好的那个模型）
3、推理文件（Detect.py）：
准备好待推理的数据集，将权重参数载入到模型中，设置模型是否训练，直接获得模型的预测结果。

关于训练集、验证集、测试集的设置：
一般来说，我们把数据分成这样的三份：训练集（60%），验证集（20%），测试集（20%）。用训练集训练出模型，然后用验证集验证模型，根据情况不断调整模型，选出其中最好的模型，记录最好的模型的各项选择，然后据此再用（训练集+验证集）数据训练出一个新模型，作为最终的模型，最后用测试集评估最终的模型。
因为MNIST数据集的特殊性，我们这里只有训练集和测试集。

更多的设置参考：http://t.csdn.cn/73KWm

文章引用与推荐

http://t.csdn.cn/73KWm
不熟悉MNIST数据集的同学看这里：http://t.csdn.cn/z9nnl