昇思25天学习打卡营第1天|快速入门

本篇文章分享昇思25天学习打卡营第1天|快速入门，对你有帮助的话记得收藏一下，看Java资料网收获更多编程知识

昇思25天学习打卡营第1天|快速入门

目录

昇思25天学习打卡营第1天|快速入门实操教程

一、MindSpore内容简介

主要特点：

MindSpore的组成部分：

二、入门实操步骤

1. 安装必要的依赖包

2. 下载并处理数据集

3. 构建网络模型

4. 训练模型

5. 测试模型性能

6. 进行多轮训练

7. 示例输出

总结

 博主v：XiaoMing_Java

博主v：XiaoMing_Java

---

一、MindSpore内容简介

本文主要是借助昇思大模型平台的Jupyter云上开发学习昇思MindSpore入门知识

昇思MindSpore是一个全场景深度学习框架，旨在实现易开发、高效执行、全场景统一部署三大目标。

设计目标是使得深度学习的开发变得更加简单高效，并提供统一的部署方案。它能够支持多种运行环境，包括云端、边缘和终端设备。

主要特点：

1. 易开发：MindSpore 提供了友好的API接口，使得开发者可以快速上手，同时调试过程也变得更加直观。
2. 高效执行：框架在计算效率、数据预处理和分布式训练方面进行了优化，可以充分利用硬件资源。
3. 全场景支持：无论是在云端还是边缘设备，甚至是小型IoT设备，MindSpore都能提供良好的支持。

MindSpore的组成部分：

• ModelZoo（模型库）：提供丰富的深度学习算法模型，开发者也可以贡献自己的模型。
• MindSpore Extend（扩展库）：支持领域扩展，如图神经网络（GNN）、深度概率编程等。
• MindSpore Science（科学计算）：专为科学计算设计，包含领先的数据集和高精度模型。
• MindExpression（全场景统一API）：支持Python前端表达与编程接口，简化开发流程。
• MindSpore Data（数据处理层）：提供高效的数据处理和常用数据集加载功能。
• MindCompiler（AI编译器）：优化计算图，支持各种硬件加速。
• MindRT（运行时系统）：实现高效的运行时支持，适用于不同场景。
• MindSpore Insight（可视化调试工具）：提供可视化训练监控和调优能力。
• MindSpore Armour（安全增强库）：针对企业级应用提供安全与隐私保护功能。

二、入门实操步骤

接下来，我们将通过MindSpore的API来快速构建和训练一个简单的深度学习模型。

1. 安装必要的依赖包

首先，在进行任何开发之前，您需要确保已经安装了MindSpore及其相关依赖。可以使用以下命令进行安装：

pip install mindspore

然后我们导入所需的库：

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

2. 下载并处理数据集

在我们的示例中，我们将使用MNIST数据集，这是一个经典的手写数字识别数据集。下面是下载该数据集的代码：

# 导入下载工具
from download import download
 
# 定义数据集的URL
url = "https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/notebook/datasets/MNIST_Data.zip"
# 下载数据集并解压
path = download(url, "./", kind="zip", replace=True)

3. 构建网络模型

接下来，我们定义一个简单的神经网络模型，该模型由多个全连接层和ReLU激活函数组成：

# 定义模型结构
class Network(nn.Cell):
    def __init__(self):
        super().__init__()
        self.flatten = nn.Flatten()  # 扁平化层
        self.dense_relu_sequential = nn.SequentialCell(
            nn.Dense(28*28, 512),  # 输入层到隐藏层
            nn.ReLU(),              # 激活函数
            nn.Dense(512, 512),     # 隐藏层到隐藏层
            nn.ReLU(),
            nn.Dense(512, 10)       # 隐藏层到输出层
        )
 
    def construct(self, x):
        x = self.flatten(x)          # 扁平化输入数据
        logits = self.dense_relu_sequential(x)  # 前向传播
        return logits
 
model = Network()
print(model)  # 打印模型结构

 

4. 训练模型

接下来，我们需要定义损失函数和优化器，然后编写训练步骤：

# 实例化损失函数和优化器
loss_fn = nn.CrossEntropyLoss()  # 使用交叉熵损失
optimizer = nn.SGD(model.trainable_params(), learning_rate=1e-2)  # Stochastic Gradient Descent

# 定义前向传播函数
def forward_fn(data, label):
    logits = model(data)  # 模型预测
    loss = loss_fn(logits, label)  # 计算损失
    return loss, logits

# 获取梯度函数
grad_fn = mindspore.value_and_grad(forward_fn, None, optimizer.parameters, has_aux=True)

# 定义单步训练函数
def train_step(data, label):
    (loss, _), grads = grad_fn(data, label)  # 计算损失和梯度
    optimizer(grads)  # 更新参数
    return loss
 
def train(model, dataset):
    size = dataset.get_dataset_size()  # 数据集大小
    model.set_train()  # 设置模型为训练模式
    for batch, (data, label) in enumerate(dataset.create_tuple_iterator()):
        loss = train_step(data, label)  # 单步训练
 
        if batch % 100 == 0:
            loss, current = loss.asnumpy(), batch  # 转换为numpy格式
            print(f"loss: {loss:>7f}  [{current:>3d}/{size:>3d}]")

5. 测试模型性能

编写测试函数以评估模型在测试集上的表现：

def test(model, dataset, loss_fn):
    num_batches = dataset.get_dataset_size()  # 测试集大小
    model.set_train(False)  # 设置模型为评估模式
    total, test_loss, correct = 0, 0, 0
    for data, label in dataset.create_tuple_iterator():
        pred = model(data)  # 模型预测
        total += len(data)  # 累计样本数
        test_loss += loss_fn(pred, label).asnumpy()  # 计算总损失
        correct += (pred.argmax(1) == label).asnumpy().sum()  # 计算正确预测数
    test_loss /= num_batches  # 平均损失
    correct /= total  # 正确率
    print(f"Test: \n Accuracy: {(100*correct):>0.1f}%, Avg loss: {test_loss:>8f} \n")

6. 进行多轮训练

训练过程需要多次迭代数据集，一次完整的迭代称为一轮（epoch）。可以使用如下代码进行训练和测试：

epochs = 3  # 设置训练轮数
for t in range(epochs):
    print(f"Epoch {t+1}\n-------------------------------")
    train(model, train_dataset)  # 训练
    test(model, test_dataset, loss_fn)  # 测试结果
print("Done!")

 

7. 示例输出

在每一轮训练后，您将会看到如下输出：

 

总结

通过上述步骤，我们成功地使用MindSpore构建并训练了一个简单的深度学习模型，并验证了模型的性能。这一过程展示了MindSpore的易用性和强大功能，非常适合新手入门学习。

在实际操作中，您可以根据需要调整模型的结构、超参数以及数据集，以探索更多深度学习技术的可能性。希望本教程对您有所帮助！

 博主v：XiaoMing_Java

博主v：XiaoMing_Java

 📫作者简介：嗨，大家好，我是 小 明（小明java问道之路），互联网大厂后端研发专家，2022博客之星TOP3 / 博客专家 / CSDN后端内容合伙人、InfoQ(极客时间)签约作者、阿里云签约博主、全网5万粉丝博主。

---

🍅 文末获取联系 🍅  👇🏻 精彩专栏推荐订阅收藏 👇🏻

专栏系列（点击解锁）	学习路线（点击解锁）	知识定位
🔥Redis从入门到精通与实战🔥	Redis从入门到精通与实战	围绕原理源码讲解Redis面试知识点与实战
🔥MySQL从入门到精通🔥	MySQL从入门到精通	全面讲解MySQL知识与企业级MySQL实战
🔥计算机底层原理🔥	深入理解计算机系统CSAPP	以深入理解计算机系统为基石，构件计算机体系和计算机思维
Linux内核源码解析	围绕Linux内核讲解计算机底层原理与并发
🔥数据结构与企业题库精讲🔥	数据结构与企业题库精讲	结合工作经验深入浅出，适合各层次，笔试面试算法题精讲
🔥互联网架构分析与实战🔥	企业系统架构分析实践与落地	行业最前沿视角，专注于技术架构升级路线、架构实践
互联网企业防资损实践	互联网金融公司的防资损方法论、代码与实践
🔥Java全栈白宝书🔥	精通Java8与函数式编程	本专栏以实战为基础，逐步深入Java8以及未来的编程模式
	深入理解JVM	详细介绍内存区域、字节码、方法底层，类加载和GC等知识
	深入理解高并发编程	深入Liunx内核、汇编、C++全方位理解并发编程
	Spring源码分析	Spring核心七IOC/AOP等源码分析
	MyBatis源码分析	MyBatis核心源码分析
	Java核心技术	只讲Java核心技术

文章来源:https://blog.csdn.net/FMC_WBL/article/details/140783849
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系邮箱：jacktools123@163.com进行投诉反馈，一经查实，立即删除！