目錄

1.定義模型類

2.模型層

nn.Flatten

nn.Dense

nn.ReLU

nn.SequentialCell

nn.Softmax

3.模型參數

代碼實現：

總結

---

神經網絡模型是由神經網絡層和Tensor操作構成的，

mindspore.nn提供了常見神經網絡層的實現，

在MindSpore中，Cell類是構建所有網絡的基類，也是網絡的基本單元。

一個神經網絡模型表示為一個Cell，它由不同的子Cell構成。

使用這樣的嵌套結構，可以簡單地使用面向對象編程的思維，對神經網絡結構進行構建和管理。

1.定義模型類

定義神經網絡時，可以繼承nn.Cell類，在__init__方法中進行子Cell的實例化和狀態管理，在construct方法中實現Tensor操作。

construct意為神經網絡（計算圖）構建

構建完成后，實例化Network對象，并查看其結構：

三個全連接層（Dense）和兩個ReLU激活函數的序列模型

class Network(nn.Cell):def __init__(self):super().__init__()self.flatten = nn.Flatten()self.dense_relu_sequential = nn.SequentialCell(nn.Dense(28*28, 512, weight_init="normal", bias_init="zeros"),nn.ReLU(),nn.Dense(512, 512, weight_init="normal", bias_init="zeros"),nn.ReLU(),nn.Dense(512, 10, weight_init="normal", bias_init="zeros"))def construct(self, x):x = self.flatten(x)logits = self.dense_relu_sequential(x)return logitsmodel = Network()
print(model)

我們構造一個輸入數據，直接調用模型，可以獲得一個十維的Tensor輸出，其包含每個類別的原始預測值。

model.construct()方法不可直接調用。

在此基礎上，我們通過一個nn.Softmax層實例來獲得預測概率。

X = ops.ones((1, 28, 28), mindspore.float32)
logits = model(X)
# print logits
logits
pred_probab = nn.Softmax(axis=1)(logits)
y_pred = pred_probab.argmax(1)
print(f"Predicted class: {y_pred}")

2.模型層

我們分解上面構造的神經網絡模型中的每一層。首先我們構造一個shape為(3, 28, 28)的隨機數據（3個28x28的圖像），依次通過每一個神經網絡層來觀察其效果。

input_image = ops.ones((3, 28, 28), mindspore.float32)
print(input_image.shape)

nn.Flatten

實例化nn.Flatten層，將28x28的2D張量轉換為784大小的連續數組。

nn.Dense

nn.Dense為全連接層，其使用權重和偏差對輸入進行線性變換。

nn.ReLU

nn.ReLU層給網絡中加入非線性的激活函數，幫助神經網絡學習各種復雜的特征。

nn.SequentialCell

nn.SequentialCell是一個有序的Cell容器。輸入Tensor將按照定義的順序通過所有Cell。我們可以使用SequentialCell來快速組合構造一個神經網絡模型。

nn.Softmax

最后使用nn.Softmax將神經網絡最后一個全連接層返回的logits的值縮放為[0, 1]，表示每個類別的預測概率。axis指定的維度數值和為1。

3.模型參數

網絡內部神經網絡層具有權重參數和偏置參數（如nn.Dense），這些參數會在訓練過程中不斷進行優化，可通過?model.parameters_and_names()?來獲取參數名及對應的參數詳情。

代碼實現：

總結

構建網絡，定義模型類時，要有這個框架，繼承類，在他里面進行實例化和狀態管理：

1. class Network(nn.Cell): 定義了一個類，繼承自 nn.Cell。

2. def __init__(self):??Network 類的構造函數，初始化類的屬性。

3. super().__init__(): 調用父類 nn.Cell 的構造函數。

4. def construct(self, x): 定義了 Network 類的 construct 方法，它是MindSpore中定義模型前向傳播邏輯的方法。參數 x 表示輸入數據。

5. x = self.flatten(x): 使用 self.flatten 層將輸入數據 x 展平。

6. logits = self.dense_relu_sequential(x): 將展平后的數據 x 通過 self.dense_relu_sequential 序列模型進行前向傳播，得到模型的原始輸出 logits。在分類任務中，logits 是模型的線性輸出

7. return logits: 返回模型的輸出 logits。

class Network(nn.Cell):def __init__(self):super().__init__()def construct(self, x):x = self.flatten(x)logits = self.dense_relu_sequential(x)return logits

1. self.flatten = nn.Flatten(): 初始化一個 nn.Flatten 層，這個層用于將多維輸入數據展平為一維數據。在處理圖像數據時，通常需要將圖像的二維數據（例如，28x28像素）展平為一維向量。

2. self.dense_relu_sequential = nn.SequentialCell(...): 初始化一個序列模型，包含三個全連接層（nn.Dense）和兩個ReLU激活函數（nn.ReLU）。這個序列模型的初始化與之前解釋的相同。

預測的時候：

1. pred_probab = nn.Softmax(axis=1)(logits): 使用了 nn.Softmax 函數來將模型的輸出 logits 轉換為概率分布。

Softmax 函數通常用于多類分類問題的輸出層，它可以將一個向量的元素轉換為一個概率分布，使得所有元素的和為1。

參數 axis=1 表示 Softmax 函數將在第二個維度（通常是特征維度）上應用，即對于每個樣本，將其對應的 logits 轉換為概率。

2. y_pred = pred_probab.argmax(1): 這行代碼使用了 argmax 函數來找到每個樣本概率最高的類別索引。argmax 函數返回輸入數組中最大元素的索引。在這里，它沿著第二個維度（即每個樣本的概率分布）找到最大值的索引，這代表了模型預測的類別。

pred_probab = nn.Softmax(axis=1)(logits)
y_pred = pred_probab.argmax(1)
print(f"Predicted class: {y_pred}")

別的也沒什么了吧~~~