西安网站工作室,做网站个体户经营范围,wordpress适配,现在的网站内容区域做多宽1. 背景#xff1a;
使用 mindspore 学习神经网络#xff0c;打卡第7天#xff1b;
2. 训练的内容#xff1a;
使用 mindspore 的模型训练的常见用法#xff0c;基本上是将前几章节的功能串起来
3. 常见的用法小节#xff1a;
模型训练的常见流程#xff0c;如数据…1. 背景
使用 mindspore 学习神经网络打卡第7天
2. 训练的内容
使用 mindspore 的模型训练的常见用法基本上是将前几章节的功能串起来
3. 常见的用法小节
模型训练的常见流程如数据加载神经网路网络定义损失函数定义优化器定义训练测试验证等步骤
3.1 构建数据集
首先从数据集 Dataset加载代码构建数据集
# 首先从数据集 Dataset加载代码构建数据集
import mindspore
from mindspore import nn
from mindspore.dataset import vision, transforms
from mindspore.dataset import MnistDataset# 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, ./, kindzip, replaceTrue)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_size64)
test_dataset datapipe(MNIST_Data/test, batch_size64)3.2 构建神经网络模型
从网络构建中加载代码构建一个神经网络模型
# 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 logitsmodel Network()3.3 定义损失函数与优化器
定义超参(Hyperparameters)损失函数(LossFunction)和优化器(Optimizer)
# 定义超参(Hyperparameters)损失函数(LossFunction)和优化器(Optimizer)
epochs 3
batch_size 64
learning_rate 1e-2# 损失函数loss function用于评估模型的预测值logits和目标值targets之间的误差。
# 结合了nn.LogSoftmax和负对数似然(nn.NLLLoss)
loss_fn nn.CrossEntropyLoss()# 模型优化Optimization
# 在每个训练中调整模型参数减少模型误差的过程
optimizer nn.SGD(model.trainable_params(), learning_ratelearning_rate)3.4 定义训练函数
定义训练函数
# 训练与评估
# 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_auxTrue)# Define function of one-step training
def train_step(data, label):(loss, _), grads grad_fn(data, label)optimizer(grads)return lossdef 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(floss: {loss:7f} [{current:3d}/{size:3d}])3.5 定义测试函数
定义测试函数
# 测试函数
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(fTest: \n Accuracy: {(100*correct):0.1f}%, Avg loss: {test_loss:8f} \n)3.6 实例化训练与测试并运行
实例化训练与测试并运行
# 实例化的损失函数和优化器传入 train_loop 和 test_loop 中
loss_fn nn.CrossEntropyLoss()
optimizer nn.SGD(model.trainable_params(), learning_ratelearning_rate)for t in range(epochs):print(fEpoch {t1}\n-------------------------------)train_loop(model, train_dataset)test_loop(model, test_dataset, loss_fn)
print(Done!)相关链接
https://xihe.mindspore.cn/events/mindspore-training-camphttps://gitee.com/mindspore/docs/blob/r2.3.0rc2/tutorials/source_zh_cn/beginner/train.ipynb
