昇思MindSpore 25天学习打卡营，是昇思MindSpore开源社区为开发者打造的能力提升项目，内容涵盖AI框架基础知识、经典神经网络实践、AI+X应用实践，以及大模型理论与实践。

昇思大模型平台

昇思大模型平台是集算法选型、创意分享、模型实验和大模型在线体验为一体的AI学习与实践社区，提供超强Ascend算力、免费课程资源、经典样例代码、企业落地案例。

大模型：

覆盖NLP和CV等场景。面向语言理解、语言生成，具有超强语言理解能力以及对话生成；可实现跨模态检索、图文生成、图片文档的信息提取等应用；可实现对遥感数据的目标检测等。

模型库：

覆盖全领域主流模型，可体验MindSpore大模型推理API，用户既可下载公开的预训练模型，也可以上传自行训练的模型文件，同时平台提供GITLAB一站式代码托管，支持文件批量上传，支持LFS大文件管理。

昇思大模型平台注册与登录

打开昇思大模型平台网址https://xihe.mindspore.cn/，跳转到账号注册登录页面，可以看到有3种方式：手机号、Gitee账号、Github账号，这里我们使用手机号进行登录。

登录后，可以跳到个人中心的主页面中，可以看到上面的导航栏有不少的模块，这里我们来使用一下“AI实验室”的模块，点击“AI实验室”中，里面会覆盖多领域任务，体验全流程开发，支持用户在线训练和推理可视化，可创建自己的项目空间。

这里我们可以看到有2种实例的配置，都是直接使用Jupyter云上开发云上开发环境，无需配置环境，既可灵活调试运行代码，目前需要使用“Ascend”算力配置需要进行申请，也可以使用CPU的实例来测试，不过，还是推荐使用“Ascend”算力配置，速度很快。

注：一个用户同时只能启动一个jupyter实例，且8个小时后会自动释放资源，到期时间前请及时将资源下载到本地。

选择“Ascend”实例后，点击“启动”按钮，就会进行初始化申请Ascend实例空间，这里需要等待不到1分钟即可完成初始化，如果按钮显示“查看jupyter”时，表示“Ascend”实例已经初始化完成，点击“查看jupyter”即可，打开云上Jupyter开发环境，进行AI的使用。

Jupyter云上开发体验

Jupyter是一个开源的交互式计算环境，允许用户通过Web浏览器创建和分享包含代码、方程式、可视化和叙述性文本的文档，它支持多种编程语言，如‌Python、‌R、‌Julia等，是数据分析、科学计算和机器学习领域的强大工具。‌

实例中使用的是Jupyter Lab 3.x，并集成了实用的插件，可以在Jupyter Lab上灵活运行调试代码和编写文档，通过Jupyter只需要将代码复制进去，点击执行即可得到一些结果，非常适合为小白、数据科学家、研究人员和开发者提供了一个灵活且强大的平台，用于创建、共享和展示计算性工作。

刚刚进来我们可以看到界面是全英文的，我们可以在“setting”中选择中文进行设置，需要重载一下Jupyter工具，即可以看到界面变成中文了，对于我这种英文不太好的建议使用中文，左侧中可以看到官方温馨的给我们提供了两种Demo示例：“初学入门”、“应用实践”，建议先从“初学入门”的10个案例进行学习，再通过“应用实践”的案例场景学习，来选择我们自己的场景的方案。

另外，可以看一下快速体验jupyter的基本功能，jupyter的执行顺序很重要，很多时候发现运行结果于预期不符，就是因为jupyter执行错乱导致的。

上面提到了“AI实验室”中提供了“初学入门”、“应用实践”2种Demo，作为初学者可以先尝试体验一下“初学入门 – 初学教程 – 快速入门”的课程，如下左图一找到并双击打开初学教程，即可看到有官方提供的文档，从“文件 – 新建启动页”可以找开Jupyter的主要工作台。

选择第一个python笔记本，将上面文档中的Cell代码直接进行复制，再放到Jupyter Lab中粘贴即可，不过，需要点击一下上面的“三角形”表示运行Cell项目。

01

安装相关依赖： 

实验环境中已经预装了mindspore 2.3.0版本的，但是为了保险起见，还是建议先卸载mindspore，然后配置MINDSPORE_VERSION版本（如果想换成其它的版本，也可以修改），再进行安装，这里使用了华为的加速云地址下载，安装后，可以使用“!pip show mindspore”来查看版本。

引入相关的包：

import mindspore

from mindspore import nn

from mindspore.dataset import vision, transforms

from mindspore.dataset import MnistDataset复制

02

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。使用Mnist数据集，自动下载完成后，使用mindspore.dataset提供的数据变换进行预处理。

使用download来下载文件并进行unzip解压缩，如果没有可以使用命令pip install download安装。

# Download data from open datasets

from download import download


url = "https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/" \

      "notebook/datasets/MNIST_Data.zip"

path = download(url, "./", kind="zip", replace=True)复制

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)复制

03

数据变换 Transforms：

数据下载完成后，获得数据集对象。

train_dataset = MnistDataset('MNIST_Data/train')

test_dataset = MnistDataset('MNIST_Data/test')

复制

打印数据集中包含的数据列名，用于dataset的预处理。

print(train_dataset.get_col_names())

['image', 'label']复制

MindSpore的dataset使用数据处理流水线（Data Processing Pipeline），需指定map、batch、shuffle等操作。使用map对图像数据及标签进行变换处理，将输入的图像缩放为1/255，根据均值0.1307和标准差值0.3081进行归一化处理。

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

复制

然后将处理好的数据集打包为大小为64的batch。

# Map vision transforms and batch dataset

train_dataset = datapipe(train_dataset, 64)

test_dataset = datapipe(test_dataset, 64)

复制

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

for image, label in test_dataset.create_tuple_iterator():

    print(f"Shape of image [N, C, H, W]: {image.shape} {image.dtype}")

    print(f"Shape of label: {label.shape} {label.dtype}")

    break


for data in test_dataset.create_dict_iterator():

    print(f"Shape of image [N, C, H, W]: {data['image'].shape} {data['image'].dtype}")

    print(f"Shape of label: {data['label'].shape} {data['label'].dtype}")

    break复制

04

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nn.Cell类，并重写__init__方法和construct方法。__init__包含所有网络层的定义，construct中包含数据（Tensor）的变换过程。

# 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)复制

05

模型训练： 

在模型训练中，一个完整的训练过程（step）需要实现以下三步：

①正向计算：模型预测结果（logits），并与正确标签（label）求预测损失（loss）。

②反向传播：利用自动微分机制，自动求模型参数（parameters）对于loss的梯度（gradients）。

③参数优化：将梯度更新到参数上。

MindSpore使用函数式自动微分机制，因此针对上述步骤需要实现：

①定义正向计算函数。

②使用value_and_grad通过函数变换获得梯度计算函数。

定义训练函数，使用set_train设置为训练模式，执行正向计算、反向传播和参数优化。

# Instantiate loss function and optimizer

loss_fn = nn.CrossEntropyLoss()

optimizer = nn.SGD(model.trainable_params(), 1e-2)


# 1. Define forward function

def forward_fn(data, label):

    logits = model(data)

    loss = loss_fn(logits, label)

    return loss, logits


# 2. Get gradient function

grad_fn = mindspore.value_and_grad(forward_fn, None, optimizer.parameters, has_aux=True)


# 3. Define function of one-step training

def train_step(data, label):

    (loss, _), grads = grad_fn(data, label)

    optimizer(grads)

    return loss


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(), batch

            print(f"loss: {loss:>7f}  [{current:>3d}/{size:>3d}]")

复制

除训练外，我们定义测试函数，用来评估模型的性能。

def test(model, dataset, loss_fn):

    num_batches = dataset.get_dataset_size()

    model.set_train(False)

    total, test_loss, correct = 0, 0, 0

    for 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_batches

    correct /= total

    print(f"Test: \n Accuracy: {(100*correct):>0.1f}%, Avg loss: {test_loss:>8f} \n")复制

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。

06

保存模型： 

模型训练完成后，需要将其参数进行保存。

# Save checkpoint

mindspore.save_checkpoint(model, "model.ckpt")

print("Saved Model to model.ckpt")

Saved Model to model.ckpt复制

07

加载模型： 

加载保存的权重分为两步：

①重新实例化模型对象，构造模型。

②加载模型参数，并将其加载至模型上。

# Instantiate a random initialized model

model = Network()

# Load checkpoint and load parameter to model

param_dict = mindspore.load_checkpoint("model.ckpt")

param_not_load, _ = mindspore.load_param_into_net(model, param_dict)

print(param_not_load)复制

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。

model.set_train(False)

for data, label in test_dataset:

    pred = model(data)

    predicted = pred.argmax(1)

    print(f'Predicted: "{predicted[:10]}", Actual: "{label[:10]}"')

    break复制

08

总结 

上面我们通过MindSpore的API来快速实现一个简单的深度学习模型，从加载数据集、数据变换 Transforms、网络构建、模型训练、模型保存、加载模型，完成了一个简单的深度学习模型的闭环，可以体验到：

①能过jupyter云上开发环境，我们可以不用搭建自己的AI应用。

②MindSpore的API简化了大量深度学习的复杂度。

③通过使用华为云可以达到百M速度的下载，十分的高效。

④在模型训练中，可以在几分钟内就完成模型的训练，大大的简化了实验中等待的过程。