昇思MindSpore学习笔记8--模型训练

摘要：

介绍了昇思MindSpore模型训练的步骤和具体实现方法。包括构建数据集、定义神经网络模型、超参、损失函数、优化器、训练评估等内容。

一、概念要点

模型训练四步骤：

1.构建数据集。

2.定义神经网络模型。

3.定义超参、损失函数及优化器。

4.输入数据集进行训练与评估。

二、环境准备

安装minspore模块

!pip uninstall mindspore -y
!pip install -i https://pypi.mirrors.ustc.edu.cn/simple mindspore==2.3.0rc1

导入numpy、minspore、nn、dataset、transforms等相关模块

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

三、构建数据集

下载MNIST数据包；

构建训练数据集和测试数据集。

# Download data from open datasets
from download import downloadurl = "https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/" \"notebook/datasets/MNIST_Data.zip"
path = download(url, "./", kind="zip", replace=True)def datapipe(path, 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 = MnistDataset(path)dataset = dataset.map(image_transforms, 'image')dataset = dataset.map(label_transform, 'label')dataset = dataset.batch(batch_size)return datasettrain_dataset = datapipe('MNIST_Data/train', batch_size=64)
test_dataset = datapipe('MNIST_Data/test', batch_size=64)

输出：

Downloading data from https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/notebook/datasets/MNIST_Data.zip (10.3 MB)file_sizes: 100%|███████████████████████████| 10.8M/10.8M [00:00<00:00, 101MB/s]
Extracting zip file...
Successfully downloaded / unzipped to ./

四、定义神经网络模型

从网络构建中加载代码，构建一个神经网络模型。

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()

五、定义超参、损失函数和优化器

1.超参Hyperparameters

调试超参，控制模型训练优化的过程，影响模型训练和收敛速度。

深度学习模型多采用批量随机梯度下降算法进行优化。

随机梯度下降算法的原理公式如下：

        n         批量大小batch size

        η         学习率learning rate

        wt         训练轮次t中的权重参数

        ∇l        损失函数的导数

        后两个因子直接决定了模型的权重更新，是优化过程中影响模型性能收敛最重要的参数。

定义训练超参：

训练轮次epoch

        训练时遍历数据集的次数。

批次大小batch size

        数据集分批读取训练，设定每个批次数据的大小。

        batch size过小，花费时间多，梯度震荡严重，不利于收敛；

        batch size过大，不同batch的梯度方向没有任何变化，容易陷入局部极小值；

        合适的batch size有效提高模型精度、全局收敛。

学习率learning rate

        学习率偏小，收敛速度变慢，学习率偏大，训练不收敛；

        梯度下降法广泛应用在最小化模型误差的参数优化算法上，

        通过多次迭代，在每一步中最小化损失函数来预估模型的参数，

        学习率在迭代过程中控制模型的学习进度。

epochs = 3
batch_size = 64
learning_rate = 1e-2

2.损失函数loss function

评估模型的预测值logits和目标值targets之间的误差。

模型训练的目标即为降低损失函数求得的误差。

常见的损失函数包括

用于回归任务的nn.MSELoss（均方误差）

用于分类的nn.NLLLoss（负对数似然）

nn.CrossEntropyLoss结合LogSoftmax和NLLLoss对logits归一化并计算预测误差。

loss_fn = nn.CrossEntropyLoss()

3.优化器Optimizer

模型优化是调整模型参数以减少模型误差的过程。

MindSpore优化器提供多种优化算法。

优化器定义了模型参数优化过程（即梯度如何更新至模型参数），封装了所有优化逻辑。

下例中使用SGD（Stochastic Gradient Descent）优化器。

SGD初始化参数为和学习率超参。

模型训练参数用model.trainable_params()方法获取。

optimizer = nn.SGD(model.trainable_params(), learning_rate=learning_rate)

微分函数计算获得参数对应的梯度；

优化器实现参数优化。

grads = grad_fn(inputs)
optimizer(grads)

六、训练与评估

设置超参、损失函数和优化器后，循环输入数据训练模型。

一次数据集的完整迭代循环称为一轮（epoch）。

每轮执行训练时包括两个步骤：

        1.训练     ：train_loop函数，迭代训练数据集，尝试收敛到最佳参数。

        2.验证/测试： test_loop函数， 迭代测试数据集，检查模型性能是否提升。

具体如下：

        定义正向函数forward_fn；

        value_and_grad获得微分函数grad_fn；

        将微分函数和优化器的执行封装为train_step函数；

        train_loop函数循环迭代数据集进行训练。

         test_loop函数循环遍历数据集，调用模型计算loss和Accuray并返回最终结果。

# Define forward function
def forward_fn(data, label):logits = model(data)loss = loss_fn(logits, label)return loss, logits
​
# Get gradient function
grad_fn = mindspore.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)optimizer(grads)return loss
​
def train_loop(model, dataset):size = dataset.get_dataset_size()model.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(), batchprint(f"loss: {loss:>7f}  [{current:>3d}/{size:>3d}]")def test_loop(model, dataset, loss_fn):num_batches = dataset.get_dataset_size()model.set_train(False)total, test_loss, correct = 0, 0, 0for data, label in dataset.create_tuple_iterator():pred = model(data)total += len(data)test_loss += loss_fn(pred, label).asnumpy()correct += (pred.argmax(1) == label).asnumpy().sum()test_loss /= num_batchescorrect /= totalprint(f"Test: \n Accuracy: {(100*correct):>0.1f}%, Avg loss: {test_loss:>8f} \n")

下面将实例化的损失函数和优化器传入train_loop和test_loop中。

训练3轮并输出loss和Accuracy，查看性能变化。

loss_fn = nn.CrossEntropyLoss()
optimizer = nn.SGD(model.trainable_params(), learning_rate=learning_rate)
​
for t in range(epochs):print(f"Epoch {t+1}\n-------------------------------")train_loop(model, train_dataset)test_loop(model, test_dataset, loss_fn)
print("Done!")

输出：

Epoch 1
-------------------------------
loss: 2.296380  [  0/938]
loss: 1.757596  [100/938]
loss: 0.974483  [200/938]
loss: 0.511490  [300/938]
loss: 0.500946  [400/938]
loss: 0.597918  [500/938]
loss: 0.317115  [600/938]
loss: 0.389769  [700/938]
loss: 0.387721  [800/938]
loss: 0.434749  [900/938]
Test: Accuracy: 90.9%, Avg loss: 0.319289 Epoch 2
-------------------------------
loss: 0.530089  [  0/938]
loss: 0.261937  [100/938]
loss: 0.322976  [200/938]
loss: 0.277932  [300/938]
loss: 0.376985  [400/938]
loss: 0.304954  [500/938]
loss: 0.188373  [600/938]
loss: 0.354012  [700/938]
loss: 0.178002  [800/938]
loss: 0.265701  [900/938]
Test: Accuracy: 92.8%, Avg loss: 0.253910 Epoch 3
-------------------------------
loss: 0.307720  [  0/938]
loss: 0.127973  [100/938]
loss: 0.440307  [200/938]
loss: 0.162731  [300/938]
loss: 0.163589  [400/938]
loss: 0.294433  [500/938]
loss: 0.151987  [600/938]
loss: 0.299143  [700/938]
loss: 0.153824  [800/938]
loss: 0.290957  [900/938]
Test: Accuracy: 94.0%, Avg loss: 0.209416 Done!