网络构建

学习心得

1. 定义神经网络时，可以继承nn.Cell类，在__init__方法中进行子Cell的实例化和状态管理，在construct方法中实现Tensor操作
2. MindSpore默认情况下是以动态图模式运行，但也支持通过设置set_context手工切换为静态图模式，也jit装饰器开启

案例

import mindspore as ms
from mindspore import nn, ops
ms.set_context(mode=ms.PYNATIVE_MODE)  # 动态图模式
ms.set_context(mode=ms.GRAPH_MODE) # 静态图模式class Network(nn.Cell):def __init__(self):super().__init__()# 使用 Flatten 层将输入展平 self.flatten = nn.Flatten()# nn.SequentialCell是一个有序的Cell容器。输入Tensor将按照定义的顺序通过所有Cell。我们可以使用SequentialCell来快速组合构造一个神经网络模型。# 下面的例子包含两个隐藏层和一个输出层self.dense_relu_sequential = nn.SequentialCell(# 全连接层 输入层到第一个隐藏层 nn.Dense(28*28, 512, weight_init="normal", bias_init="zeros"),# 非线性的激活函数nn.ReLU(),# 全连接层 第一个隐藏层到第二个隐藏层nn.Dense(512, 512, weight_init="normal", bias_init="zeros"),nn.ReLU(),# 第二个隐藏层到输出层nn.Dense(512, 10, weight_init="normal", bias_init="zeros"))def construct(self, x):# 将输入 x 展平  x = self.flatten(x)# 前向传播logits = self.dense_relu_sequential(x)return logitsX = ops.ones((1, 28, 28), mindspore.float32)
logits = model(X)
pred_probab = nn.Softmax(axis=1)(logits)
print(pred_probab)
y_pred = pred_probab.argmax(1)
print(f"Predicted class: {y_pred}")

结果

[[0.10113075 0.10011511 0.09956549 0.09937003 0.10002089 0.100059810.10049177 0.10075468 0.10002148 0.09847002]]
Predicted class: [0]