打卡

今天是昇思25天学习打卡营的第8天，终于迎来 模型训练 的部分了！！！

兴奋 发癫

模型训练

模型训练一般分为四个步骤：

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。

现在我们有了数据集和模型后，可以进行模型的训练与评估。

评估的时候也可以采用第二天的方式 创建一个 loss_history 的数组 将每次的loss值计算出来存进去，然后借助 matplotlab 模块将loss数据可视化展示，这样可以更加直观的感受到模型训练的过程和结果的好坏

构建数据集

首先从数据集 Dataset加载代码，构建数据集。

老生常谈，没什么好说的了 不会就***给我去前面的篇章看

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, "./", 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)

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。

不会就***给我去前面的篇章看

不好意思这个没单独讲过

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 logitsclass Network_new(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, 1024),nn.ReLU(),nn.Dense(1024, 512),nn.ReLU(),nn.Dense(512, 128),nn.ReLU(),nn.Dense(128, 10),)def construct(self, x):x = self.flatten(x)logits = self.dense_relu_sequential(x)return logitsmodel = Network()
model_new = Network_new()

这里的神经网络模型和第二天的神经网络模型是一模一样的

都是将 28*28 的图片先线性变换为 512 再线性变化成 512 再线性变化成 10 得到 10 个类别的特征值

Network_new 是创建的一个新的模型 测试一下多添加一些新的网络层后 其训练结果是怎么样变换的

采用 28*28 -> 512 -> 1024 -> 512 -> 128 -> 10 的形式

可以发现多添加了两层分别为 1024 和 128 个神经元

定义超参、损失函数和优化器

超参

超参（Hyperparameters）是可以调整的参数，可以控制模型训练优化的过程，不同的超参数值可能会影响模型训练和收敛速度。目前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如下：

$$w_{t+1}=w_t-\eta \frac{1}{n}\sum _{x\in \mathcal{B}}\nabla l\left(x,w_t\right)$$

公式中，$n$是批量大小（batch size），$\eta$是学习率（learning rate）。另外，$w_t$为训练轮次$t$中的权重参数，$\nabla l$为损失函数的导数。除了梯度本身，这两个因子直接决定了模型的权重更新，从优化本身来看，它们是影响模型性能收敛最重要的参数。一般会定义以下超参用于训练：

• 训练轮次（epoch）：训练时遍历数据集的次数。

• 批次大小（batch size）：数据集进行分批读取训练，设定每个批次数据的大小。batch size过小，花费时间多，同时梯度震荡严重，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，因此需要选择合适的batch size，可以有效提高模型精度、全局收敛。

• 学习率（learning rate）：如果学习率偏小，会导致收敛的速度变慢，如果学习率偏大，则可能会导致训练不收敛等不可预测的结果。梯度下降法被广泛应用在最小化模型误差的参数优化算法上。梯度下降法通过多次迭代，并在每一步中最小化损失函数来预估模型的参数。学习率就是在迭代过程中，会控制模型的学习进度。

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

损失函数

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。训练模型时，随机初始化的神经网络模型开始时会预测出错误的结果。损失函数会评估预测结果与目标值的相异程度，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）和用于分类的nn.NLLLoss（负对数似然）等。 nn.CrossEntropyLoss 结合了nn.LogSoftmax和nn.NLLLoss，可以对logits 进行归一化并计算预测误差。

loss_fn = nn.CrossEntropyLoss()
loss_fn_new = nn.CrossEntropyLoss()

优化器

模型优化（Optimization）是在每个训练步骤中调整模型参数以减少模型误差的过程。MindSpore提供多种优化算法的实现，称之为优化器（Optimizer）。优化器内部定义了模型的参数优化过程（即梯度如何更新至模型参数），所有优化逻辑都封装在优化器对象中。在这里，我们使用SGD（Stochastic Gradient Descent）优化器。

我们通过model.trainable_params()方法获得模型的可训练参数，并传入学习率超参来初始化优化器。

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

在训练过程中，通过微分函数可计算获得参数对应的梯度，将其传入优化器中即可实现参数优化，具体形态如下：

grads = grad_fn(inputs)

optimizer(grads)

训练与评估

设置了超参、损失函数和优化器后，我们就可以循环输入数据来训练模型。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：迭代训练数据集，并尝试收敛到最佳参数。
2. 验证/测试：迭代测试数据集，以检查模型性能是否提升。

接下来我们定义用于训练的train_loop函数和用于测试的test_loop函数。

使用函数式自动微分，需先定义正向函数forward_fn，使用value_and_grad获得微分函数grad_fn。然后，我们将微分函数和优化器的执行封装为train_step函数，接下来循环迭代数据集进行训练即可。

# Define forward function
def forward_fn(data, label):logits = model(data)loss = loss_fn(logits, label)return loss, logitsdef forward_fn_new(data, label):logits = model(data)loss = loss_fn_new(logits, label)return loss, logits# Get gradient function
grad_fn = mindspore.value_and_grad(forward_fn, None, optimizer.parameters, has_aux=True)
grad_fn_new = mindspore.value_and_grad(forward_fn_new, None, optimizer_new.parameters, has_aux=True)# Define function of one-step training
def train_step(data, label):(loss, _), grads = grad_fn(data, label)optimizer(grads)return lossdef train_step_new(data, label):(loss, _), grads = grad_fn_new(data, label)optimizer_new(grads)return loss# 相较第二天的新加入了一个参数 loss_history 使得可以记录历史 loss 值
def train_loop(model, dataset,loss_history):size = dataset.get_dataset_size()model.set_train()for batch, (data, label) in enumerate(dataset.create_tuple_iterator()):loss = train_step(data, label)# 添加损失到 loss_historyloss_history.append(loss)if batch % 100 == 0:loss, current = loss.asnumpy(), batch# # 添加损失到 loss_history# loss_history.append(loss)print(f"loss: {loss:>7f}  [{current:>3d}/{size:>3d}]")

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

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")

我们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。

# use a loss_history array to save losses for visual display 
# 用一个 loss_history 数组去存储所有的损失值 loss 以便进行可视化展示
loss_history = []
loss_history_new = []loss_fn = nn.CrossEntropyLoss()
optimizer = nn.SGD(model.trainable_params(), learning_rate=learning_rate)loss_fn_new = nn.CrossEntropyLoss()
optimizer_new = nn.SGD(model_new.trainable_params(), learning_rate=learning_rate)for t in range(epochs):print(f"Epoch {t+1}\n-------------------------------")train_loop(model, train_dataset, loss_history)test_loop(model, test_dataset, loss_fn)
print("Done!")for t in range(epochs):print(f"Epoch_new {t+1}\n-------------------------------")train_loop(model_new, train_dataset, loss_history_new)test_loop(model_new, test_dataset, loss_fn_new)
print("Done_new!")

下面导入 matplotlib 模块来进行可视化展示

import matplotlib.pyplot as plt

plt.plot(loss_history)

plt.plot(loss_history_new)

就上面两个图来看，第一个训练的结果还是蛮不错的，第二个的loss抖动太多，虽然幅度不大（0.05–0.35）但是还是不如第一个，毕竟加了两层，白瞎了

所以，在训练模型的时候一定要记得化繁为简，多大规模的模型干多大规模的事情，要不然很容易出现譬如：欠拟合、过拟合等各种各样的问题 还得好好调教

这就是今天的全部内容了，别忘了点赞收藏加关注 别逼我求你！！！