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型。

处理数据集

MindSpore提供基于Pipeline的数据引擎，通过数据集（Dataset）和数据变换（Transforms）实现高效的数据预处理。在本教程中，我们使用Mnist数据集，自动下载完成后，使用提供的数据变换进行预处理。mindspore.dataset

本章节中的示例代码依赖，可使用命令安装。如本文档以Notebook运行时，完成安装后需要

重启kernel才能执行后续代码。downloadpip install download

 

MNIST数据集目录结构如下：

MNIST_Data └── train ├── train-images-idx3-ubyte (60000个训练图片) ├── train-labels-idx1-ubyte (60000个训练标签) └── test ├── t10k-images-idx3-ubyte (10000个测试图片) ├── t10k-labels-idx1-ubyte (10000个测试标签)

解释

数据下载完成后，获得数据集对象。

打印数据集中包含的数据列名，用于dataset的预处理。

MindSpore的dataset使用数据处理流水线（Data Processing Pipeline），需指定map、batch、shuffle等操作。这里我们使用map对图像数据及标签进行变换处理，然后将处理好的数据集打包为大小为64的batch。

可使用create_tuple_iterator 或create_dict_iterator数据集进行迭代访问，查看数据和标签的shape和datatype。

更多细节详见数据集 Dataset与数据变换 Transforms。

网络构建

mindspore.nn类是构建所有网络的基类，也是网络的基本单元。当用户需要自定义网络时，可以继承类，并重写方法和方法。包含所有网络层的定义，中包含数据（Tensor）的变换过程。nn.Cell__init__construct__init__construct

 除训练外，我们定义测试函数，用来评估模型的性能。

训练过程需多次迭代数据集，一次完整的迭代称为一轮（epoch）。在每一轮，遍历训练集进行训练，结束后使用测试集进行预测。打印每一轮的loss值和预测准确率（Accuracy），可以看到loss在不断下降，Accuracy在不断提高。

保存模型

模型训练完成后，需要将其参数进行保存。

 

param_not_load是未被加载的参数列表，为空时代表所有参数均加载成功。

加载后的模型可以直接用于预测推理。

更多细节详见保存与加载。

心得：通过这一节快速入门的学习让我对mindspore的工具和基本知识有了一个具体的形象，初步开始熟悉相关工具的使用。