百度推广怎么做,如何完成seo优化,东西湖网站建设,重庆网站制作那家好学习目标#xff1a;熟练掌握MindSpore使用方法 学习心得体会#xff0c;记录时间 了解MindSpore总体架构 学会使用MindSpore 简单应用时间-手写数字识别 一、MindSpore总体架构 华为MindSpore为全场景深度学习框架#xff0c;开发高效#xff0c;全场景统一部署特点。 …学习目标熟练掌握MindSpore使用方法 学习心得体会记录时间 了解MindSpore总体架构 学会使用MindSpore 简单应用时间-手写数字识别 一、MindSpore总体架构 华为MindSpore为全场景深度学习框架开发高效全场景统一部署特点。 二、学会使用MindSpore 2.1 jupyter云上开发配置 方法一、在昇思大模型平台上有应有的环境还可以申请使用算力在自己电脑上需要下载mindspore安装再安装依赖库down等 登录官方网网址注册账号进入AI实验室申请算力。启用算力支持进入jupyter云上开发即可开始你的算法设计。 2.2 本地开发配置Mindspore 方法二、本地搭建mindspore环境安装相关依赖库即可开始算法设计 比如在本地电脑anaconda3上配置mindspore框架环境。 anaconda prompt命令窗口创建环境 conda create -n mindspore python3.9.19切换到该环境 activate mindspore安装mindspore pip install mindspore安装依赖库download,加载常用数据集 pip install download2.3 制作数据集 1.直接导入MnistDataset mindspore和其他成熟的框架如torch类似。包含处理深度学习和数据集的方法如nn,transforms,vision等以及常用的数据集API,mindspore.dataset可供加载的数据集如MNIST、CIFAR-10、CIFAR-100、VOC、COCO、ImageNet、CelebA、CLUE等也支持加载业界标准格式的数据集包括MindRecord、TFRecord、Manifest等。此外用户还可以使用此模块定义和加载自己的数据集。 import mindspore.dataset as ds import mindspore.dataset.transforms as transforms import mindspore.dataset.vision as vision常用数据集术语说明如下 Dataset所有数据集的基类提供了数据处理方法来帮助预处理数据。 SourceDataset一个抽象类表示数据集管道的来源从文件和数据库等数据源生成数据。 MappableDataset一个抽象类表示支持随机访问的源数据集。 Iterator用于枚举元素的数据集迭代器的基类。 生成自定义数据集示例如下 import numpy as np import mindspore as ms import mindspore.dataset as ds import mindspore.dataset.vision as vision import mindspore.dataset.transforms as transforms# 构造图像和标签 data1 np.array(np.random.sample(size(300, 300, 3)) * 255, dtypenp.uint8) data2 np.array(np.random.sample(size(300, 300, 3)) * 255, dtypenp.uint8) data3 np.array(np.random.sample(size(300, 300, 3)) * 255, dtypenp.uint8) data4 np.array(np.random.sample(size(300, 300, 3)) * 255, dtypenp.uint8)label [1, 2, 3, 4]# 加载数据集 dataset ds.NumpySlicesDataset(([data1, data2, data3, data4], label), [data, label])# 对data数据增强 dataset dataset.map(operationsvision.RandomCrop(size(250, 250)), input_columnsdata) dataset dataset.map(operationsvision.Resize(size(224, 224)), input_columnsdata) dataset dataset.map(operationsvision.Normalize(mean[0.485 * 255, 0.456 * 255, 0.406 * 255],std[0.229 * 255, 0.224 * 255, 0.225 * 255]),input_columnsdata) dataset dataset.map(operationsvision.HWC2CHW(), input_columnsdata)# 对label变换类型 dataset dataset.map(operationstransforms.TypeCast(ms.int32), input_columnslabel)# batch操作 dataset dataset.batch(batch_size2)# 创建迭代器 epochs 2 ds_iter dataset.create_dict_iterator(output_numpyTrue, num_epochsepochs) for _ in range(epochs):for item in ds_iter:print(item: {}.format(item), flushTrue)实验输出结果 三、手写数字识别 pycharm IDE工具创建工程项目搭载前面配置的环境mindspore编写.py文件。数据处理py模型训练测试py。 数据集 import mindspore from mindspore import nn from mindspore.dataset import vision, transforms from mindspore.dataset import MnistDataset from download import downloadurl https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/ \notebook/datasets/MNIST_Data.zip # 运行过一次后面就是 # path download(url, ./, kindzip, replaceTrue) train_dataset MnistDataset(MNIST_Data/train) test_dataset MnistDataset(MNIST_Data/test) # print(train_dataset.get_col_names())# MindSpore的dataset使用数据处理流水线Data Processing Pipeline def datapipe(dataset, batch_size):image_transforms [vision.Rescale(1.0 / 255.0, 0),vision.Normalize(mean(0.1307,), std(0.3081,)),vision.HWC2CHW()]label_transform transforms.TypeCast(mindspore.int32)dataset dataset.map(image_transforms, image)dataset dataset.map(label_transform, label)dataset dataset.batch(batch_size)return dataset# Map vision transforms and batch dataset train_dataset datapipe(train_dataset, 64) test_dataset datapipe(test_dataset, 64)if __name__ __main__:for image, label in test_dataset.create_tuple_iterator():print(fShape of image [N, C, H, W]: {image.shape} {image.dtype})print(fShape of label: {label.shape} {label.dtype})break模型 # Define model class Network(nn.Cell):def __init__(self):super().__init__()self.flatten nn.Flatten()self.dense_relu_sequential nn.SequentialCell(nn.Dense(28 * 28, 512),nn.ReLU(),nn.Dense(512, 512),nn.ReLU(),nn.Dense(512, 10))def construct(self, x):x self.flatten(x)logits self.dense_relu_sequential(x)return logits model Network() # print(model)3.损失函数优化器学习率 # Instantiate loss function and optimizer loss_fn nn.CrossEntropyLoss() # 损失函数 optimizer nn.SGD(model.trainable_params(), 1e-2) # 优化器函数学习率0.01前向传播函数 # 1. Define forward function def forward_fn(data, label):logits model(data)loss loss_fn(logits, label)return loss, logits梯度函数 # 2. Get gradient function grad_fn mindspore.value_and_grad(forward_fn, None, optimizer.parameters, has_auxTrue)梯度反向优化函数 # 3. Define function of one-step training def train_step(data, label):(loss, _), grads grad_fn(data, label)optimizer(grads)return loss模型训练 def train(model, dataset):size dataset.get_dataset_size()model.set_train()for batch, (data, label) in enumerate(dataset.create_tuple_iterator()):loss train_step(data, label)if batch % 100 0:loss, current loss.asnumpy(), batchprint(floss: {loss:7f} [{current:3d}/{size:3d}]) 模型保存 mindspore.save_checkpoint(model, ./saveModels/mnistModel.ckpt) print(Saved Model to mnistModel.ckpt)6.模型测试 def test(model, dataset, loss_fn):num_batches dataset.get_dataset_size()model.set_train(False)total, test_loss, correct 0, 0, 0for data, label in dataset.create_tuple_iterator():pred model(data)total len(data)test_loss loss_fn(pred, label).asnumpy()correct (pred.argmax(1) label).asnumpy().sum()test_loss / num_batchescorrect / totalprint(fTest: \n Accuracy: {(100 * correct):0.1f}%, Avg loss: {test_loss:8f} \n)模型加载测试 # Instantiate a random initialized model model Network() # Load checkpoint and load parameter to model param_dict mindspore.load_checkpoint(./saveModels/mnistModel.ckpt) param_not_load, _ mindspore.load_param_into_net(model, param_dict) print(param_not_load)测试加载模型 model.set_train(False) for data, label in test_dataset:pred model(data)predicted pred.argmax(1)print(fPredicted: {predicted[:10]}, Actual: {label[:10]})break9.训练测试结果