《昇思 25 天学习打卡营第 7 天 | 模型训练 》

活动地址：https://xihe.mindspore.cn/events/mindspore-training-camp
签名：Sam9029

---

模型训练

本章节-结合前几张的内容所讲-算是一节综合实践

• mindscope 框架使用
• 张量 数据类型
• 数据集下载与加载
• 网络构建
• 函数式自动微分
  以上内容都会在本节内容中实践体现

• 模型训练的四个步骤如下：

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。

前言

这一节有一个疑问：深度学习中的 模型和深度学习网络 是什么关系？

• 在实际应用中，当我们谈论“模型”时，可能是在讨论模型的架构、性能、泛化能力或如何将其应用于特定任务。而当我们谈论“深度学习网络”时，我们可能更侧重于网络的结构和工作原理。
• 总结来说，深度学习网络是实现深度学习模型的一种方式，而模型是深度学习网络学习得到的能够进行预测或分类的具体实例。在深度学习领域，这两个术语经常可以互换使用，尤其是在讨论具体的神经网络结构时。

模型训练的四个步骤

1. 构建数据集：数据是深度学习的基础。使用MindSpore的MnistDataset，我们可以方便地加载和处理MNIST数据集。

   from mindspore.dataset import MnistDataset
   train_dataset = MnistDataset("MNIST_Data/train", batch_size=64)
   test_dataset = MnistDataset("MNIST_Data/test", batch_size=64)
   

2. 定义神经网络模型：一个简单的神经网络模型通常包含输入层、隐藏层和输出层。在MindSpore中，我们可以通过nn.SequentialCell来构建顺序模型。

   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)x = self.dense_relu_sequential(x)return x
   

3. 定义超参、损失函数及优化器：超参数如学习率、批次大小和训练轮次对模型训练至关重要。损失函数评估预测值与实际值的差异，而优化器则用于更新模型参数。

   epochs = 3
   batch_size = 64
   learning_rate = 0.01
   loss_fn = nn.CrossEntropyLoss()
   optimizer = nn.SGD(model.trainable_params(), learning_rate=learning_rate)
   

4. 训练与评估：通过迭代数据集进行训练，并在每轮结束后评估模型性能。

   def train_loop(model, dataset):# 训练循环的实现...
   def test_loop(model, dataset, loss_fn):# 测试循环的实现...