打卡

今天是昇思25天學習打卡營的第8天，終于迎來 模型訓練 的部分了！！！

興奮 發癲

模型訓練

模型訓練一般分為四個步驟：

1. 構建數據集。
2. 定義神經網絡模型。
3. 定義超參、損失函數及優化器。
4. 輸入數據集進行訓練與評估。

現在我們有了數據集和模型后，可以進行模型的訓練與評估。

評估的時候也可以采用第二天的方式 創建一個 loss_history 的數組 將每次的loss值計算出來存進去，然后借助 matplotlab 模塊將loss數據可視化展示，這樣可以更加直觀的感受到模型訓練的過程和結果的好壞

構建數據集

首先從數據集 Dataset加載代碼，構建數據集。

老生常談，沒什么好說的了 不會就***給我去前面的篇章看

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)

定義神經網絡模型

從網絡構建中加載代碼，構建一個神經網絡模型。

不會就***給我去前面的篇章看

不好意思這個沒單獨講過

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()

這里的神經網絡模型和第二天的神經網絡模型是一模一樣的

都是將 28*28 的圖片先線性變換為 512 再線性變化成 512 再線性變化成 10 得到 10 個類別的特征值

Network_new 是創建的一個新的模型 測試一下多添加一些新的網絡層后 其訓練結果是怎么樣變換的

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

可以發現多添加了兩層分別為 1024 和 128 個神經元

定義超參、損失函數和優化器

超參

超參（Hyperparameters）是可以調整的參數，可以控制模型訓練優化的過程，不同的超參數值可能會影響模型訓練和收斂速度。目前深度學習模型多采用批量隨機梯度下降算法進行優化，隨機梯度下降算法的原理如下：

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

公式中，$n$是批量大小（batch size），$\eta$是學習率（learning rate）。另外，$w_t$為訓練輪次$t$中的權重參數，$?l$為損失函數的導數。除了梯度本身，這兩個因子直接決定了模型的權重更新，從優化本身來看，它們是影響模型性能收斂最重要的參數。一般會定義以下超參用于訓練：

• 訓練輪次（epoch）：訓練時遍歷數據集的次數。

• 批次大小（batch size）：數據集進行分批讀取訓練，設定每個批次數據的大小。batch size過小，花費時間多，同時梯度震蕩嚴重，不利于收斂；batch size過大，不同batch的梯度方向沒有任何變化，容易陷入局部極小值，因此需要選擇合適的batch size，可以有效提高模型精度、全局收斂。

• 學習率（learning rate）：如果學習率偏小，會導致收斂的速度變慢，如果學習率偏大，則可能會導致訓練不收斂等不可預測的結果。梯度下降法被廣泛應用在最小化模型誤差的參數優化算法上。梯度下降法通過多次迭代，并在每一步中最小化損失函數來預估模型的參數。學習率就是在迭代過程中，會控制模型的學習進度。

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

損失函數

損失函數（loss function）用于評估模型的預測值（logits）和目標值（targets）之間的誤差。訓練模型時，隨機初始化的神經網絡模型開始時會預測出錯誤的結果。損失函數會評估預測結果與目標值的相異程度，模型訓練的目標即為降低損失函數求得的誤差。

常見的損失函數包括用于回歸任務的nn.MSELoss（均方誤差）和用于分類的nn.NLLLoss（負對數似然）等。 nn.CrossEntropyLoss 結合了nn.LogSoftmax和nn.NLLLoss，可以對logits 進行歸一化并計算預測誤差。

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

優化器

模型優化（Optimization）是在每個訓練步驟中調整模型參數以減少模型誤差的過程。MindSpore提供多種優化算法的實現，稱之為優化器（Optimizer）。優化器內部定義了模型的參數優化過程（即梯度如何更新至模型參數），所有優化邏輯都封裝在優化器對象中。在這里，我們使用SGD（Stochastic Gradient Descent）優化器。

我們通過model.trainable_params()方法獲得模型的可訓練參數，并傳入學習率超參來初始化優化器。

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

在訓練過程中，通過微分函數可計算獲得參數對應的梯度，將其傳入優化器中即可實現參數優化，具體形態如下：

grads = grad_fn(inputs)

optimizer(grads)

訓練與評估

設置了超參、損失函數和優化器后，我們就可以循環輸入數據來訓練模型。一次數據集的完整迭代循環稱為一輪（epoch）。每輪執行訓練時包括兩個步驟：

1. 訓練：迭代訓練數據集，并嘗試收斂到最佳參數。
2. 驗證/測試：迭代測試數據集，以檢查模型性能是否提升。

接下來我們定義用于訓練的train_loop函數和用于測試的test_loop函數。

使用函數式自動微分，需先定義正向函數forward_fn，使用value_and_grad獲得微分函數grad_fn。然后，我們將微分函數和優化器的執行封裝為train_step函數，接下來循環迭代數據集進行訓練即可。

# 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# 相較第二天的新加入了一個參數 loss_history 使得可以記錄歷史 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)# 添加損失到 loss_historyloss_history.append(loss)if batch % 100 == 0:loss, current = loss.asnumpy(), batch# # 添加損失到 loss_history# loss_history.append(loss)print(f"loss: {loss:>7f}  [{current:>3d}/{size:>3d}]")

test_loop函數同樣需循環遍歷數據集，調用模型計算loss和Accuray并返回最終結果。

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")

我們將實例化的損失函數和優化器傳入train_loop和test_loop中。訓練3輪并輸出loss和Accuracy，查看性能變化。

# use a loss_history array to save losses for visual display 
# 用一個 loss_history 數組去存儲所有的損失值 loss 以便進行可視化展示
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!")

下面導入 matplotlib 模塊來進行可視化展示

import matplotlib.pyplot as plt

plt.plot(loss_history)

plt.plot(loss_history_new)

就上面兩個圖來看，第一個訓練的結果還是蠻不錯的，第二個的loss抖動太多，雖然幅度不大（0.05–0.35）但是還是不如第一個，畢竟加了兩層，白瞎了

所以，在訓練模型的時候一定要記得化繁為簡，多大規模的模型干多大規模的事情，要不然很容易出現譬如：欠擬合、過擬合等各種各樣的問題 還得好好調教

這就是今天的全部內容了，別忘了點贊收藏加關注 別逼我求你！！！