一、网络构建

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。

下面我们将构建一个用于Mnist数据集分类的神经网络模型。

---

二、定义模型类

当我们定义神经网络时，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。

代码如下：

import mindspore.nn as nn

class Network(nn.Cell):
    def __init__(self):
        super().__init__()
        
        # Flatten层，用于将输入数据展平为一维张量
        self.flatten = nn.Flatten()
        
        # 定义神经网络的层序列
        self.dense_relu_sequential = nn.SequentialCell(
            # 第一个全连接层，输入维度为28*28，输出维度为512
            nn.Dense(28*28, 512, weight_init="normal", bias_init="zeros"),
            nn.ReLU(),  # ReLU激活函数
            # 第二个全连接层，输入维度为512，输出维度为512
            nn.Dense(512, 512, weight_init="normal", bias_init="zeros"),
            nn.ReLU(),  # 另一个ReLU激活函数
            # 第三个全连接层，输入维度为512，输出维度为10，适用于10类别分类任务
            nn.Dense(512, 10, weight_init="normal", bias_init="zeros")
        )

    def construct(self, x):
        # 执行数据展平操作
        x = self.flatten(x)
        # 通过定义的层序列进行前向传播计算logits
        logits = self.dense_relu_sequential(x)
        return logits

完成构建之后实例化。

model = Network()
print(model)

输出为：

Network<
  (flatten): Flatten<>
  (dense_relu_sequential): SequentialCell<
    (0): Dense<input_channels=784, output_channels=512, has_bias=True>
    (1): ReLU<>
    (2): Dense<input_channels=512, output_channels=512, has_bias=True>
    (3): ReLU<>
    (4): Dense<input_channels=512, output_channels=10, has_bias=True>
    >
  >

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。

X = ops.ones((1, 28, 28), mindspore.float32)
logits = model(X)
# print logits
logits

输出为：

Tensor(shape=[1, 10], dtype=Float32, value=
[[ 8.75905622e-04,  8.83096643e-03,  5.14321961e-03 ...  3.02358135e-03, -2.55927909e-03, -2.15363642e-03]])

在此基础上，我们通过一个nn.Softmax层实例来获得预测概率.

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

输出为：

Predicted class: [1]

---

三.模型层

本节中我们分解上节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)

输出为：

(3, 28, 28)

1.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。

flatten = nn.Flatten()
flat_image = flatten(input_image)
print(flat_image.shape)

输出为：

(3, 784)

2.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。

layer1 = nn.Dense(in_channels=28*28, out_channels=20)
hidden1 = layer1(flat_image)
print(hidden1.shape)

输出为：

(3, 20)

3.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。

print(f"Before ReLU: {hidden1}\n\n")
hidden1 = nn.ReLU()(hidden1)
print(f"After ReLU: {hidden1}")

输出为：

Before ReLU: [[ 0.2943769  -0.3976759   0.7574635  -1.355118   -0.01255737  0.10153593
  -0.1602365  -0.4017207   0.49851337  0.10110708 -0.9324364   1.1815941
  -0.7968012   0.14292978  1.1239346  -0.32163405  0.18517302 -0.27534515
   0.5934335   1.7068623 ]
 [ 0.2943769  -0.3976759   0.7574635  -1.355118   -0.01255737  0.10153593
  -0.1602365  -0.4017207   0.49851337  0.10110708 -0.9324364   1.1815941
  -0.7968012   0.14292978  1.1239346  -0.32163405  0.18517302 -0.27534515
   0.5934335   1.7068623 ]
 [ 0.2943769  -0.3976759   0.7574635  -1.355118   -0.01255737  0.10153593
  -0.1602365  -0.4017207   0.49851337  0.10110708 -0.9324364   1.1815941
  -0.7968012   0.14292978  1.1239346  -0.32163405  0.18517302 -0.27534515
   0.5934335   1.7068623 ]]


After ReLU: [[0.2943769  0.         0.7574635  0.         0.         0.10153593
  0.         0.         0.49851337 0.10110708 0.         1.1815941
  0.         0.14292978 1.1239346  0.         0.18517302 0.
  0.5934335  1.7068623 ]
 [0.2943769  0.         0.7574635  0.         0.         0.10153593
  0.         0.         0.49851337 0.10110708 0.         1.1815941
  0.         0.14292978 1.1239346  0.         0.18517302 0.
  0.5934335  1.7068623 ]
 [0.2943769  0.         0.7574635  0.         0.         0.10153593
  0.         0.         0.49851337 0.10110708 0.         1.1815941
  0.         0.14292978 1.1239346  0.         0.18517302 0.
  0.5934335  1.7068623 ]]

4.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。

seq_modules = nn.SequentialCell(
    flatten,
    layer1,
    nn.ReLU(),
    nn.Dense(20, 10)
)

logits = seq_modules(input_image)
print(logits.shape)

输出为：

(3, 10)

5.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。

softmax = nn.Softmax(axis=1)
pred_probab = softmax(logits)
logits = seq_modules(input_image)
print(logits.shape)

---

四.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。

print(f"Model structure: {model}\n\n")

for name, param in model.parameters_and_names():
    print(f"Layer: {name}\nSize: {param.shape}\nValues : {param[:2]} \n")

输出为：

Model structure: Network<
  (flatten): Flatten<>
  (dense_relu_sequential): SequentialCell<
    (0): Dense<input_channels=784, output_channels=512, has_bias=True>
    (1): ReLU<>
    (2): Dense<input_channels=512, output_channels=512, has_bias=True>
    (3): ReLU<>
    (4): Dense<input_channels=512, output_channels=10, has_bias=True>
    >
  >


Layer: dense_relu_sequential.0.weight
Size: (512, 784)
Values : [[ 0.00979571 -0.0100655   0.00250645 ... -0.00043518  0.00620527
  -0.00456418]
 [ 0.00121399  0.00666557 -0.00285825 ... -0.01379981 -0.00569651
   0.0061813 ]] 

Layer: dense_relu_sequential.0.bias
Size: (512,)
Values : [0. 0.] 

Layer: dense_relu_sequential.2.weight
Size: (512, 512)
Values : [[ 0.00148191 -0.01240631  0.01213412 ...  0.00553793  0.00879659
  -0.01166385]
 [ 0.00120216  0.00103114 -0.00335342 ...  0.00787963  0.00117961
   0.010288  ]] 

Layer: dense_relu_sequential.2.bias
Size: (512,)
Values : [0. 0.] 

Layer: dense_relu_sequential.4.weight
Size: (10, 512)
Values : [[-0.01674728 -0.01315299 -0.0043529  ...  0.01516526  0.01594383
   0.00630469]
 [-0.00870225  0.00974356 -0.01825498 ... -0.00841797 -0.00382304
  -0.00192659]] 

Layer: dense_relu_sequential.4.bias
Size: (10,)
Values : [0. 0.] 

总结与感想

今天的学习重点是神经网络的构建，特别是深入了解了模型的框架和结构。一个模型大致由flatten层（展平数据），dense层（全连接），ReLu层（激活函数），SoftMax层（归一化）组成。还学习了如何用model.parameters_and_names() 来获取参数名及对应的参数详情，这可以帮助我更好地了解代码的运行情况。总之，这样的学习经历让我更加深入地理解了神经网络的内部机制和架构，为将来更高级的应用和调整网络结构打下了坚实的基础。