使用MindSpore训练及保存模型

MindSpore提供了回调Callback机制，可以在训练过程中执行自定义逻辑，这里以使用框架提供的ModelCheckpoint为例。

1. ModelCheckpoint可以保存网络模型和参数，以便进行后续的Fine-tuning（微调）操作。

   from mindspore.train.callback import ModelCheckpoint, CheckpointConfig

   # 设置模型保存参数

   config_ck = CheckpointConfig(save_checkpoint_steps=1875, keep_checkpoint_max=10)

   # 应用模型保存参数

   ckpoint = ModelCheckpoint(prefix="checkpoint_lenet", config=config_ck)

2. 通过MindSpore提供的model.train接口可以方便地进行网络的训练，LossMonitor可以监控训练过程中loss值的变化。

   # 导入模型训练需要的库

   from mindspore.nn import Accuracy

   from mindspore.train.callback import LossMonitor

   from mindspore import Model

3. def train_net(args, model, epoch_size, data_path, repeat_size, ckpoint_cb, sink_mode):

       """定义训练的方法"""

       # 加载训练数据集

       ds_train = create_dataset(os.path.join(data_path, "train"), 32, repeat_size)

       model.train(epoch_size, ds_train, callbacks=[ckpoint_cb, LossMonitor()], dataset_sink_mode=sink_mode)

4. 其中，dataset_sink_mode用于控制数据是否下沉，数据下沉是指数据通过通道直接传送到Device上，可以加快训练速度，dataset_sink_mode为True表示数据下沉，否则为非下沉。

   通过模型运行测试数据集得到的结果，验证模型的泛化能力。

   使用model.eval接口读入测试数据集。

   使用保存后的模型参数进行推理。

5. def test_net(network, model, data_path):

       """定义验证的方法"""

       ds_eval = create_dataset(os.path.join(data_path, "test"))

       acc = model.eval(ds_eval, dataset_sink_mode=False)

       print("{}".format(acc))

6. 这里把train_epoch设置为1，对数据集进行1个迭代的训练。在train_net和 test_net方法中，我们加载了之前下载的训练数据集，mnist_path是MNIST数据集路径。

   train_epoch = 1

   mnist_path = "./datasets/MNIST_Data"

   dataset_size = 1

   model = Model(net, net_loss, net_opt, metrics={"Accuracy": Accuracy()})

   train_net(args, model, train_epoch, mnist_path, dataset_size, ckpoint, False)

   test_net(net, model, mnist_path)

7. 使用以下命令运行脚本：

   python lenet.py --device_target=CPU

8. 其中，

   lenet.py：为你根据教程编写的脚本文件。

   --device_target=CPU：指定运行硬件平台，参数为CPU、GPU或者Ascend，根据你的实际运行硬件平台来指定。