mindspore實現(xiàn)手寫數字識別

具體流程參考教程：MindSpore快速入門 MindSpore 接口文檔
注：本文章記錄的是我在開發(fā)過程中的學習筆記，僅供參考學習，歡迎討論，但不作為開發(fā)教程使用。

我們擁有10余年網頁設計和網站建設經驗，從網站策劃到網站制作，我們的網頁設計師為您提供的解決方案。為企業(yè)提供成都網站建設、網站建設、微信開發(fā)、重慶小程序開發(fā)、成都手機網站制作、H5開發(fā)、等業(yè)務。無論您有什么樣的網站設計或者設計方案要求，我們都將富于創(chuàng)造性的提供專業(yè)設計服務并滿足您的需求。數據的流水線處理

def datapipe(dataset, batch_size):
    '''
    數據處理流水線
    '''
    image_transform = [
        vision.Rescale(1.0 / 255.0, 0), # 縮放 output = image * rescale + shift.
        vision.Normalize(mean=(0.1307,), std=(0.3081,)),    # 根據平均值和標準偏差對輸入圖像進行歸一化
        vision.HWC2CHW()    # 轉換為NCHW格式
    ]
    label_transform = transforms.TypeCast(mindspore.int32)  # 轉為mindspore的int32格式

    dataset = dataset.map(image_transform, 'image')     # 對各個圖像按照流水線處理
    dataset = dataset.map(label_transform, 'label')     # 對各個標簽轉換為int32
    dataset = dataset.batch(batch_size)
    return dataset

這段代碼中對輸入圖片進行了縮放、歸一化和格式轉換三個操作，按照流水線運行。

流水線操作

數據流水線處理的介紹：【AI設計模式】03-數據處理-流水線(Pipeline)模式
總結而言，海量數據下，流水線模式可以實現(xiàn)高效的數據處理，當然也會占用更多的CPU和內存資源。

map操作

mindspore下dataset的map操作：第一個參數是處理函數列表，第二個參數是需要處理的列。
map函數會將數據集中第二個參數的指定的列作為輸入，調用第一個參數的處理函數執(zhí)行處理，如果有多個處理函數，上一個函數的輸出作為下一個函數的輸入。

NCHW和NHWC格式的優(yōu)缺點

NCHW
缺點：必須等所有通道輸入準備好才能得到最終輸出結果，需要占用較大的臨時空間。
優(yōu)點：是 Nvidia cuDNN 默認格式，使用 GPU 加速時用 NCHW 格式速度會更快。（這個是什么原因呢？沒找到資料_(:з」∠)_）
NHWC
缺點：GPU 加速較NCHW更慢
優(yōu)點：訪存局部性更好（每三個輸入像素即可得到一個輸出像素）
參考文章：【深度學習框架輸入格式】NCHW還是NHWC？
為什么pytorch中transforms.ToTorch要把(H,W,C)的矩陣轉為(C,H,W)?

模型

class Network(nn.Cell):
    '''
    Network model
    '''
    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

基類

mindspore的模型基類是mindspore.nn.Cell
pytorch的模型基類是torch.nn.Module

全連接層

mindspore的全連接層是mindspore.nn.Dense
pytorch的全連接層是torch.nn.Linear

模型連接

mindspore的順序容器是mindspore.nn.SequentialCell
pytorch的順序容器是torch.nn.Sequential

前向傳播

mindspore的前向傳播函數（要執(zhí)行的計算邏輯）基類函數為construct(self, xxx)
pytorch的前向傳播函數基類函數為forward(self, xxx)

損失函數和優(yōu)化策略

my_loss_fn = nn.CrossEntropyLoss()
my_optimizer = nn.SGD(model.trainable_params(), 1e-2)

交叉熵：把來自一個分布q的消息使用另一個分布p的最佳代碼傳達方式計算得到的平均消息長度，即為交叉熵。針對交叉熵，這個文章講的較好：損失函數：交叉熵詳解

mindspore的交叉熵函數和pytorch類似:
前者是mindspore.nn.CrossEntropyLoss()，后者是torch.nn.CrossEntropyLoss()

訓練

def train(model_train, dataset, loss_fn, optimizer):
    '''
    訓練函數
    '''
    # Define forward function
    def forward_fn(data, label):
        logits = model_train(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)

    # Define function of one-step training
    def train_step(data, label):
        (loss, _), grads = grad_fn(data, label)
        loss = ops.depend(loss, optimizer(grads))
        return loss

    size = dataset.get_dataset_size()
    model_train.set_train()
    for batch, (data, label) in enumerate(dataset.create_tuple_iterator()):
        loss = train_step(data, label)

        if batch % 100 == 0:
            loss, current = loss.asnumpy(), batch
            print(f"loss: {loss:>7f}  [{current:>3d}/{size:>3d}]")

value_and_grad

官網對value_and_grad函數的介紹如下：mindspore.ops.value_and_grad
按照官網的描述，這個函數的作用是：生成求導函數，用于計算給定函數的正向計算結果和梯度。
我們需要給這個函數傳入模型的正向傳輸函數和待求導的參數
其中模型的正向傳輸函數需要封裝一下，返回loss的計算， 用于后續(xù)優(yōu)化器的梯度計算；
待求導的參數可以寫為model.trainable_params()，也可以由優(yōu)化器提供（optimizer.parameters），因為優(yōu)化器初始化時已經傳入需要求導的參數。
總之，這個接口返回的是一個函數，函數的作用是把正向傳播、反向傳播的整個流程走一遍，最后的輸出為正向傳輸函數的返回值+待求導參數的梯度值

depend算子

在訓練時使用到了depend算子，官網對Depend函數的介紹如下：mindspore.ops.Depend

# Define function of one-step training
    def train_step(data, label):
        (loss, _), grads = grad_fn(data, label)
        loss = ops.depend(loss, optimizer(grads))
        return loss

經詢問分析，使用depend算子的原因是，在靜態(tài)圖模式下，函數執(zhí)行的先后順序可能會被優(yōu)化，這就可能存在loss在grad_fn（value_and_grad）之前就被返回使用的情況，導致返回的loss不正確。
因此通過使用depend算子，來保證loss的返回動作在optimizer之后執(zhí)行，而optimizer的輸入依賴grad_fn，因此optimizer一定在grad_fn之后執(zhí)行，這就保證了depend返回的loss確實是經過grad_fn計算的最新結果。
當然，mindspore也是支持動態(tài)圖模式的，只需加一行代碼：

# 設置為動態(tài)圖模式
mindspore.set_context(mode=mindspore.PYNATIVE_MODE)
# 設置為靜態(tài)圖模式
# mindspore.set_context(mode=mindspore.GRAPH_MODE)

model = Network()
print(model)

然后訓練函數就可以這么寫：

def train_step(data, label):
    (loss, _), grads = grad_fn(data, label)
    optimizer(grads)
    return loss

但是實測，動態(tài)圖模式下，訓練速度相比靜態(tài)圖慢了很多。
關于mindspore動態(tài)圖和靜態(tài)圖模式的介紹，可看這個官方文檔：動靜態(tài)圖

訓練尺寸

各個文章在介紹梯度下降法時，通常介紹的是批量梯度下降法，但是訓練模型時用的最多的是小批量梯度下降法。這里先講下批量梯度下降、隨機梯度下降和小批量梯度下降的區(qū)別。

批量梯度下降

批量梯度下降法的流程是：假設有1000個數據，經過正向計算，得到1000個計算結果，誤差函數的計算公式依賴這1000個計算結果；再對誤差函數進行反向傳播求導，得到模型里參數的梯度值；同樣地，對誤差函數求導得梯度，也依賴這1000個計算結果；最后基于學習率更新參數，然后進入下一輪訓練。
因此，標準的批量梯度下降，需要每次計算出1000個數據的正向傳播結果，才可以得到參數梯度值，然后下一輪訓練，重新計算1000個計算結果…這就存在大量的運算量，使得訓練容易變得非常耗時。

隨機梯度下降

隨機梯度下降法的流程是，假設有1000個數據，我們隨機取1個數據，經過正向計算，得到1個計算結果，誤差函數的計算公式就只依賴這1個計算結果；然后反向傳播求導，得到基于1個計算結果的梯度值，最后基于學習率更新參數，然后進入下一輪訓練。下一輪訓練時，隨機取另1個數據，重復上述操作…
這種方法下，極大地降低了計算量，而且理論上，只要數據量夠大，數據足夠隨機，最后也總會下降到所需極值點，畢竟計算數據量小了很多，算得更快了，下降速度也會快很多。但是每次只依賴1個數據，就使得梯度的下降方向在整體方向上不穩(wěn)定，容易到處飄，最后的結果可能不會是全局最優(yōu)。

小批量梯度下降

小批量梯度下降法的流程是：假設有1000個數據，我們隨機取100個數據，經過正向計算，得到100個計算結果，誤差函數的計算公式依賴這100個計算結果；然后反向傳播求導，得到基于100個計算結果的梯度值，最后基于學習率更新參數，然后進入下一輪訓練。下一輪訓練時，隨機取另100個數據，重復上述操作…
可以看出，小批量梯度下降 結合了 批量梯度下降 和 隨機梯度下降 的優(yōu)缺點，使得計算即不那么耗時，又保證參數更新路徑和結果相對穩(wěn)定。

實例

mindspore的這個例子用的是小批量梯度下降，train_step每次輸入64個數據，然后前向傳播、計算梯度、更新參數，再進入下一個epoch，隨機取新的64個數據，重復訓練…

size = dataset.get_dataset_size()
model_train.set_train()
for batch, (data, label) in enumerate(dataset.create_tuple_iterator()):
    loss = train_step(data, label)
    if batch % 100 == 0:
        loss, current = loss.asnumpy(), batch
        print(f"loss: {loss:>7f}  [{current:>3d}/{size:>3d}]")

在將數據集進行datapipe后，返回的train_dataset和test_dataset都是以batch_size=64個為一組進行輸出的，此處dataset.get_dataset_size()返回的size是有多少組數據。測試集返回的size為938，表示一共有938組，每組64個圖片數據。實際上MNIST只有60000個測試集圖片，因此最后一組只有32個圖片。

運行結果

Epoch 1
-------------------------------
loss: 2.303684  [  0/938]
loss: 2.291476  [100/938]
loss: 2.273411  [200/938]
loss: 2.212310  [300/938]
loss: 1.969760  [400/938]
loss: 1.600426  [500/938]
loss: 1.004380  [600/938]
loss: 0.735266  [700/938]
loss: 0.672223  [800/938]
loss: 0.578563  [900/938]
Test: 
 Accuracy: 85.3%, Avg loss: 0.528851

Epoch 2
-------------------------------
loss: 0.384008  [  0/938]
loss: 0.453575  [100/938]
loss: 0.277697  [200/938]
loss: 0.317674  [300/938]
loss: 0.294471  [400/938]
loss: 0.519272  [500/938]
loss: 0.253794  [600/938]
loss: 0.389252  [700/938]
loss: 0.383196  [800/938]
loss: 0.334877  [900/938]
Test: 
 Accuracy: 90.2%, Avg loss: 0.334850

此處跑了兩輪訓練，可以看出，第一輪的938組數據的訓練過程中，參數快速調整至合理范圍（loss從2.3降低到0.5），但是第二輪的938組數據的訓練過程中，loss出現(xiàn)了上下波動(0.3->0.4->0.2->0.3…)，即模型參數向當前數據組的梯度下降的方向走了一小步后，新的數據組算出的loss反而比之前還提高了。
這主要是因為當前數據組的梯度下降方向 無法代表 替他數據組/所有數據的梯度下降方向，當然也可能是學習率（步長）太大導致跨過了最低點，這個就具體問題具體分析了。

總結

mindspore和pytorch在接口命名上存在區(qū)別，但是實際使用過程中，開發(fā)思路還是一致的。因此最關鍵的還是要熟悉深度學習的思路和流程，至于思路和代碼實現(xiàn)的映射，這就唯手熟爾。

你是否還在尋找穩(wěn)定的海外服務器提供商？創(chuàng)新互聯(lián)www.cdcxhl.cn海外機房具備T級流量清洗系統(tǒng)配攻擊溯源，準確流量調度確保服務器高可用性，企業(yè)級服務器適合批量采購，新人活動首月15元起，快前往官網查看詳情吧

當前題目：【mindspore】mindspore實現(xiàn)手寫數字識別-創(chuàng)新互聯(lián)
網頁路徑：http://chinadenli.net/article40/gdsho.html

成都網站建設公司_創(chuàng)新互聯(lián)，為您提供自適應網站、商城網站、ChatGPT、微信小程序、品牌網站設計、面包屑導航

廣告

聲明：本網站發(fā)布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源： 創(chuàng)新互聯(lián)