ModelArts平台打卡体验活动：MindSpore2.4.0快速入门

一、环境预备

1.进入ModelArts官网
云平台资助用户快速创建和摆设模子，管理全周期AI工作流，选择下面的云平台以开始使用昇思MindSpore，可以在昇思教程中进入ModelArts官网
创建notebook，点击【打开】启动，进入ModelArts调试环境页面。
留意选择西南-贵阳一，mindspore_2.3.0

等候环境搭建完成

下载案例notebook文件
打开官网教程页面快速入门 — MindSpore master 文档，选择想要运行的教程，下载notebook文件。

选择ModelArts Upload Files上传.ipynb文件

进入昇思MindSpore官网，点击上方的安装获取安装下令

MindSpore版本升级，镜像自带的MindSpore版本为2.3，该活动要求在MindSpore2.4.0版本体验，以是必要举行MindSpore版本升级。

下令如下：

1. export no_proxy='a.test.com,127.0.0.1,2.2.2.2'
2. pip install https://ms-release.obs.cn-north-4.myhuaweicloud.com/2.4.0/MindSpore/unified/aarch64/mindspore-2.4.0-cp39-cp39-linux_aarch64.whl --trusted-host ms-release.obs.cn-north-4.myhuaweicloud.com -i https://pypi.tuna.tsinghua.edu.cn/simple

复制代码

回到Notebook中，在第一块代码前加下令

1. pip install --upgrade pip
3. pip install mindvision
5. pip install download

复制代码

二、快速入门

本节通过MindSpore的API来快速实现一个简单的深度学习模子。若想要深入相识MindSpore的使用方法，请参阅各节末了提供的参考链接。

1. import mindspore
2. from mindspore import nn
3. from mindspore.dataset import vision, transforms
4. from mindspore.dataset import MnistDataset

复制代码

处置惩罚数据集

MindSpore提供基于Pipeline的数据引擎，通过数据集（Dataset）实现高效的数据预处置惩罚。在本教程中，我们使用Mnist数据集，主动下载完成后，使用mindspore.dataset提供的数据变更举行预处置惩罚。

如果下载失败，直接打开链接当地下载上传

MNIST数据集目次结构如下：

1. MNIST_Data
2. └── train
3.     ├── train-images-idx3-ubyte (60000个训练图片)
4.     ├── train-labels-idx1-ubyte (60000个训练标签)
5. └── test
6.     ├── t10k-images-idx3-ubyte (10000个测试图片)
7.     ├── t10k-labels-idx1-ubyte (10000个测试标签)

复制代码

数据下载完成后，得到数据集对象。

1. train_dataset = MnistDataset('MNIST_Data/train')
2. test_dataset = MnistDataset('MNIST_Data/test')

复制代码

打印数据会合包罗的数据列名，用于dataset的预处置惩罚。

1. print(train_dataset.get_col_names())
2. ['image', 'label']

复制代码

MindSpore的dataset使用数据处置惩罚流水线（Data Processing Pipeline），需指定map、batch、shuffle等操纵。这里我们使用map对图像数据及标签举行变更处置惩罚，将输入的图像缩放为1/255，根据均值0.1307和标准差值0.3081举行归一化处置惩罚，然后将处置惩罚好的数据集打包为巨细为64的batch。
可使用create_tuple_iterator 或create_dict_iterator对数据集举行迭代访问，检察数据和标签的shape和datatype。
​

网络构建

mindspore.nn类是构建全部网络的基类，也是网络的根本单位。当用户必要自界说网络时，可以继续nn.Cell类，并重写__init__方法和construct方法。__init__包罗全部网络层的界说，construct中包罗数据（Tensor）的变更过程。

模子训练

在模子训练中，一个完备的训练过程（step）必要实现以下三步：
   正向盘算：模子推测结果（logits），并与精确标签（label）求推测丧失（loss）。
  反向流传：使用主动微分机制，主动求模子参数（parameters）对于loss的梯度（gradients）。
  参数优化：将梯度更新到参数上。
  MindSpore使用函数式主动微分机制，因此针对上述步调必要实现：
   界说正向盘算函数。
  使用value_and_grad通过函数变更得到梯度盘算函数。
  界说训练函数，使用set_train设置为训练模式，实行正向盘算、反向流传和参数优化。
  

除训练外，我们界说测试函数，用来评估模子的性能。

训练过程需多次迭代数据集，一次完备的迭代称为一轮（epoch）。在每一轮，遍历训练集举行训练，竣事后使用测试集举行推测。打印每一轮的loss值和推测精确率（Accuracy），可以看到loss在不绝降落，Accuracy在不绝进步。

1. Epoch 1
2. -------------------------------
3. loss: 2.311627  [  0/938]
4. loss: 1.666076  [100/938]
5. loss: 1.110389  [200/938]
6. loss: 0.605814  [300/938]
7. loss: 0.345753  [400/938]
8. loss: 0.378101  [500/938]
9. loss: 0.504920  [600/938]
10. loss: 0.379824  [700/938]
11. loss: 0.231474  [800/938]
12. loss: 0.344825  [900/938]
13. Test:
14. Accuracy: 91.0%, Avg loss: 0.316116
16. Epoch 2
17. -------------------------------
18. loss: 0.598345  [  0/938]
19. loss: 0.291100  [100/938]
20. loss: 0.311943  [200/938]
21. loss: 0.234684  [300/938]
22. loss: 0.170997  [400/938]
23. loss: 0.308111  [500/938]
24. loss: 0.355017  [600/938]
25. loss: 0.135616  [700/938]
26. loss: 0.173434  [800/938]
27. loss: 0.325416  [900/938]
28. Test:
29. Accuracy: 92.7%, Avg loss: 0.251752
31. Epoch 3
32. -------------------------------
33. loss: 0.183711  [  0/938]
34. loss: 0.194196  [100/938]
35. loss: 0.257925  [200/938]
36. loss: 0.237403  [300/938]
37. loss: 0.310123  [400/938]
38. loss: 0.232147  [500/938]
39. loss: 0.089809  [600/938]
40. loss: 0.289659  [700/938]
41. loss: 0.173989  [800/938]
42. loss: 0.263169  [900/938]
43. Test:
44. Accuracy: 93.9%, Avg loss: 0.219952
46. Done!

复制代码

生存模子

模子训练完成后，必要将其参数举行生存。

加载模子

加载生存的权重分为两步：
   重新实例化模子对象，构造模子。
  加载模子参数，并将其加载至模子上。
  

加载后的模子可以直接用于推测推理。