目录

1.定义模型类

2.模型层

nn.Flatten

nn.Dense

nn.ReLU

nn.SequentialCell

nn.Softmax

3.模型参数

代码实现：

总结

---

神经网络模型是由神经网络层和Tensor操作构成的，

mindspore.nn提供了常见神经网络层的实现，

在MindSpore中，Cell类是构建所有网络的基类，也是网络的基本单元。

一个神经网络模型表示为一个Cell，它由不同的子Cell构成。

使用这样的嵌套结构，可以简单地使用面向对象编程的思维，对神经网络结构进行构建和管理。

1.定义模型类

定义神经网络时，可以继承nn.Cell类，在__init__方法中进行子Cell的实例化和状态管理，在construct方法中实现Tensor操作。

construct意为神经网络（计算图）构建

构建完成后，实例化Network对象，并查看其结构：

三个全连接层（Dense）和两个ReLU激活函数的序列模型

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 logits

model = Network()
print(model)

我们构造一个输入数据，直接调用模型，可以获得一个十维的Tensor输出，其包含每个类别的原始预测值。

model.construct()方法不可直接调用。

在此基础上，我们通过一个nn.Softmax层实例来获得预测概率。

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.模型层

我们分解上面构造的神经网络模型中的每一层。首先我们构造一个shape为(3, 28, 28)的随机数据（3个28x28的图像），依次通过每一个神经网络层来观察其效果。

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

nn.Flatten

实例化nn.Flatten层，将28x28的2D张量转换为784大小的连续数组。

nn.Dense

nn.Dense为全连接层，其使用权重和偏差对输入进行线性变换。

nn.ReLU

nn.ReLU层给网络中加入非线性的激活函数，帮助神经网络学习各种复杂的特征。

nn.SequentialCell

nn.SequentialCell是一个有序的Cell容器。输入Tensor将按照定义的顺序通过所有Cell。我们可以使用SequentialCell来快速组合构造一个神经网络模型。

nn.Softmax

最后使用nn.Softmax将神经网络最后一个全连接层返回的logits的值缩放为[0, 1]，表示每个类别的预测概率。axis指定的维度数值和为1。

3.模型参数

网络内部神经网络层具有权重参数和偏置参数（如nn.Dense），这些参数会在训练过程中不断进行优化，可通过 model.parameters_and_names() 来获取参数名及对应的参数详情。

代码实现：

总结

构建网络，定义模型类时，要有这个框架，继承类，在他里面进行实例化和状态管理：

1. class Network(nn.Cell): 定义了一个类，继承自 nn.Cell。

2. def __init__(self):  Network 类的构造函数，初始化类的属性。

3. super().__init__(): 调用父类 nn.Cell 的构造函数。

4. def construct(self, x): 定义了 Network 类的 construct 方法，它是MindSpore中定义模型前向传播逻辑的方法。参数 x 表示输入数据。

5. x = self.flatten(x): 使用 self.flatten 层将输入数据 x 展平。

6. logits = self.dense_relu_sequential(x): 将展平后的数据 x 通过 self.dense_relu_sequential 序列模型进行前向传播，得到模型的原始输出 logits。在分类任务中，logits 是模型的线性输出

7. return logits: 返回模型的输出 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(): 初始化一个 nn.Flatten 层，这个层用于将多维输入数据展平为一维数据。在处理图像数据时，通常需要将图像的二维数据（例如，28x28像素）展平为一维向量。

2. self.dense_relu_sequential = nn.SequentialCell(...): 初始化一个序列模型，包含三个全连接层（nn.Dense）和两个ReLU激活函数（nn.ReLU）。这个序列模型的初始化与之前解释的相同。

预测的时候：

1. pred_probab = nn.Softmax(axis=1)(logits): 使用了 nn.Softmax 函数来将模型的输出 logits 转换为概率分布。

Softmax 函数通常用于多类分类问题的输出层，它可以将一个向量的元素转换为一个概率分布，使得所有元素的和为1。

参数 axis=1 表示 Softmax 函数将在第二个维度（通常是特征维度）上应用，即对于每个样本，将其对应的 logits 转换为概率。

2. y_pred = pred_probab.argmax(1): 这行代码使用了 argmax 函数来找到每个样本概率最高的类别索引。argmax 函数返回输入数组中最大元素的索引。在这里，它沿着第二个维度（即每个样本的概率分布）找到最大值的索引，这代表了模型预测的类别。

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

别的也没什么了吧~~~