华为开源自研AI框架昇思MindSpore入门体验：手写数字识别

旧城等待， 2024-04-01 10:11 51阅读 0赞

#### 目录 ####

*  一、环境安装
 *   *  1.进入MindSpore官网
     *  2.选择安装版本
     *  3.确保为Windows系统
     *  4.安装MindSpore
     *  5.验证安装
     *  6.安装依赖
 *  二、模型训练
 *   *  1.下载并处理数据集
     *  2.创建模型

本教程是在CPU-Ubuntu上安装MindSpore1.8.1，以LeNet5网络模型为例子，实现深度学习中的常见任务

如果你对MindSpore感兴趣，可以关注[**昇思MindSpore社区**][MindSpore]  
![在这里插入图片描述][a9571b75523b4cbca146948dbadf8715.png]

## 一、环境安装 ##

### 1.进入MindSpore官网 ###

进入昇思MindSpore官网，点击上方的安装

> **详见：[https://www.mindspore.cn/][https_www.mindspore.cn]**

![在这里插入图片描述][2dec09846d164105b79d514aa0deed82.png]

### 2.选择安装版本 ###

*  版本 1.8.1
 *  硬件平台 CPU
 *  操作系统 Windows-x64
 *  编程语言 Python 3.7
 *  安装方式 Pip

![在这里插入图片描述][71885ac50d5643f7835289a7b2122f00.png]

### 3.确保为Windows系统 ###

在确认系统环境信息的过程中，如需了解如何安装第三方依赖软件，可以参考社区提供的实践——[在Windows（CPU）上进行源码编译安装MindSpore][Windows_CPU_MindSpore]中的第三方依赖软件安装相关部分

### 4.安装MindSpore ###

首先参考版本列表选择想要安装的MindSpore版本，并进行SHA-256完整性校验，以1.8.1版本为例，执行以下命令

set MS_VERSION=1.8.1

然后根据Python版本执行如下命令安装MindSpore

# Python3.7
    pip install https://ms-release.obs.cn-north-4.myhuaweicloud.com/%MS_VERSION%/MindSpore/cpu/x86_64/mindspore-%MS_VERSION:-=%-cp37-cp37m-win_amd64.whl --trusted-host ms-release.obs.cn-north-4.myhuaweicloud.com -i https://pypi.tuna.tsinghua.edu.cn/simple

### 5.验证安装 ###

自动安装后使用Source命令更新环境变量

source ~/.bashrc

验证是否成功安装

python -c "import mindspore;mindspore.run_check()"

如果输出以下则说明MindSpore安装成功了

MindSpore version: 1.8.1
    The result of multiplication calculation is correct, MindSpore has been installed successfully!

### 6.安装依赖 ###

[MindSpore Vision套件][MindSpore Vision]提供了用于下载并处理MNIST数据集的Mnist模块

pip install mindvision

Jupyter Notebook是一个开源的Web应用程序，允许用户创建和共享包含代码、方程式、可视化和文本的文档。就是在浏览器上运行的python编译器。最大的优点是可以将代码按步骤（块）运行，这在神经网络的编写代码方面很是方便

pip install jupyter

## 二、模型训练 ##

### 1.下载并处理数据集 ###

你可以从[MNIST数据集][MNIST]下载页面下载，解压后按下方目录结构放置

from mindvision.dataset import Mnist
    
    # 下载并处理MNIST数据集
    download_train = Mnist(path="./mnist", split="train", batch_size=32, repeat_num=1, shuffle=True, resize=32, download=True)
    
    download_eval = Mnist(path="./mnist", split="test", batch_size=32, resize=32, download=True)
    
    dataset_train = download_train.run()
    dataset_eval = download_eval.run()

### 2.创建模型 ###

LeNet5网络模型的具体代码

import mindspore.nn as nn
    
    class LeNet5(nn.Cell):
        """
        LeNet-5网络结构
        """
        def __init__(self, num_class=10, num_channel=1):
            super(LeNet5, self).__init__()
            # 卷积层，输入的通道数为num_channel，输出的通道数为6，卷积核大小为5*5
            self.conv1 = nn.Conv2d(num_channel, 6, 5, pad_mode='valid')
            # 卷积层，输入的通道数为6，输出的通道数为16，卷积核大小为5*5
            self.conv2 = nn.Conv2d(6, 16, 5, pad_mode='valid')
            # 全连接层，输入个数为16*5*5，输出个数为120
            self.fc1 = nn.Dense(16 * 5 * 5, 120)
            # 全连接层，输入个数为120，输出个数为84
            self.fc2 = nn.Dense(120, 84)
            # 全连接层，输入个数为84，分类的个数为num_class
            self.fc3 = nn.Dense(84, num_class)
            # ReLU激活函数
            self.relu = nn.ReLU()
            # 池化层
            self.max_pool2d = nn.MaxPool2d(kernel_size=2, stride=2)
            # 多维数组展平为一维数组
            self.flatten = nn.Flatten()
    
        def construct(self, x):
            # 使用定义好的运算构建前向网络
            x = self.conv1(x)
            x = self.relu(x)
            x = self.max_pool2d(x)
            x = self.conv2(x)
            x = self.relu(x)
            x = self.max_pool2d(x)
            x = self.flatten(x)
            x = self.fc1(x)
            x = self.relu(x)
            x = self.fc2(x)
            x = self.relu(x)
            x = self.fc3(x)
            return x
    
    network = LeNet5(num_class=10)

了LeNet网络模型接口lenet， 定义网络模型

from mindvision.classification.models import lenet
    
    network = lenet(num_classes=10, pretrained=False)

定义损失函数和优化器函数

import mindspore.nn as nn
    
    # 定义损失函数
    net_loss = nn.SoftmaxCrossEntropyWithLogits(sparse=True, reduction='mean')
    
    # 定义优化器函数
    net_opt = nn.Momentum(network.trainable_params(), learning_rate=0.01, momentum=0.9)

训练及保存模型，MindSpore需要提前声明网络模型在训练过程中是否需要保存中间过程和结果

import mindspore as ms
    
    # 设置模型保存参数，模型训练保存参数的step为1875。
    config_ck = ms.CheckpointConfig(save_checkpoint_steps=1875, keep_checkpoint_max=10)
    
    # 应用模型保存参数
    ckpoint = ms.ModelCheckpoint(prefix="lenet", directory="./lenet", config=config_ck)

通过MindSpore提供的model.train接口可以方便地进行网络的训练，LossMonitor可以监控训练过程中loss值的变化。

from mindvision.engine.callback import LossMonitor
    import mindspore as ms
    
    # 初始化模型参数
    model = ms.Model(network, loss_fn=net_loss, optimizer=net_opt, metrics={
        'accuracy'})
    
    # 训练网络模型，并保存为lenet-1_1875.ckpt文件
    model.train(10, dataset_train, callbacks=[ckpoint, LossMonitor(0.01, 1875)])

通过模型运行测试数据集得到的结果，验证模型的泛化能力

acc = model.eval(dataset_eval)
    
    print("{}".format(acc))

加载模型

import mindspore as ms
    
    # 加载已经保存的用于测试的模型
    param_dict = ms.load_checkpoint("./lenet/lenet-1_1875.ckpt")
    # 加载参数到网络中
    ms.load_param_into_net(network, param_dict)

验证模型

import numpy as np
    import mindspore as ms
    import matplotlib.pyplot as plt
    
    mnist = Mnist("./mnist", split="train", batch_size=6, resize=32)
    dataset_infer = mnist.run()
    ds_test = dataset_infer.create_dict_iterator()
    data = next(ds_test)
    images = data["image"].asnumpy()
    labels = data["label"].asnumpy()
    
    plt.figure()
    for i in range(1, 7):
        plt.subplot(2, 3, i)
        plt.imshow(images[i-1][0], interpolation="None", cmap="gray")
    plt.show()
    
    # 使用函数model.predict预测image对应分类
    output = model.predict(ms.Tensor(data['image']))
    predicted = np.argmax(output.asnumpy(), axis=1)
    
    # 输出预测分类与实际分类
    print(f'Predicted: "{predicted}", Actual: "{labels}"')

![在这里插入图片描述][29602c6e275749d585c47469d0af89d1.png]

[MindSpore]: https://bbs.csdn.net/forums/MindSpore_Official
[a9571b75523b4cbca146948dbadf8715.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/01/0005e9c8b83149e9898f739f710eb47d.png
[https_www.mindspore.cn]: https://www.mindspore.cn/
[2dec09846d164105b79d514aa0deed82.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/01/499d129eacf0455b91a92e46b3eb6241.png
[71885ac50d5643f7835289a7b2122f00.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/01/a97fd388d950410aa885ff229ca363c0.png
[Windows_CPU_MindSpore]: https://www.mindspore.cn/news/newschildren?id=364
[MindSpore Vision]: https://mindspore.cn/vision/docs/zh-CN/r0.1/index.html
[MNIST]: http://yann.lecun.com/exdb/mnist/
[29602c6e275749d585c47469d0af89d1.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/01/61f4b1887b1b46a083eaeaccbf6f5198.png