当前位置：首页 > news >正文

MindSpore框架学习项目-ResNet药物分类-模型优化

news 来源：原创 2025/8/2 12:06:14

5.模型优化

5.1模型优化

6.结语

参考内容：昇思MindSpore | 全场景AI框架 | 昇思MindSpore社区官网华为自研的国产AI框架，训推一体，支持动态图、静态图，全场景适用，有着不错的生态

本项目可以在华为云modelart上租一个实例进行，也可以在配置至少为单卡3060的设备上进行

https://console.huaweicloud.com/modelarts/

Ascend环境也适用，但是注意修改device_target参数

需要本地编译器的一些代码传输、修改等可以勾上ssh远程开发

说明：项目使用的数据集来自华为云的数据资源。项目以深度学习任务构建的一般流程展开（数据导入、处理 > 模型选择、构建 > 模型训练 > 模型评估 > 模型优化）。

主线为‘一般流程’，同时代码中会标注出一些要点（# 要点1-1-1：设置使用的设备

）作为支线，帮助学习mindspore框架在进行深度学习任务时一些与pytorch的差异。

可以只看目录中带数字标签的部分来快速查阅代码。

本系列

MindSpore框架学习项目-ResNet药物分类-数据增强-CSDN博客
MindSpore框架学习项目-ResNet药物分类-构建模型-CSDN博客
MindSpore框架学习项目-ResNet药物分类-模型训练-CSDN博客
MindSpore框架学习项目-ResNet药物分类-模型评估-CSDN博客
MindSpore框架学习项目-ResNet药物分类-模型优化-CSDN博客

5.模型优化

5.1模型优化

要求：

通过调整超参数，使得模型在测试集上评价指标acc高出超参调整之前（要点4-1-3输出结果）的5%及以上

此环节一般为深度学习任务在构建模型、探索可行性的最后阶段，用于尽可能地发掘模型适配任务的潜能，为落地部署做准备。需要往上复盘并结合从‘模型构建’、‘模型训练’到‘模型推理’等环节的代码过程，进行参数的调优（优先从超参数入手）。

# 超参数
num_epochs = 10 # up
patience = 5
lr = nn.cosine_decay_lr(min_lr=0.00001, max_lr=0.001, total_step=step_size_train * num_epochs,
                        step_per_epoch=step_size_train, decay_epoch=num_epochs)
# 要点3-1-1：定义优化器为Momentum优化器, 动量因子设置为0.9
# opt = nn.Momentum(params=network.trainable_params(), learning_rate=lr, momentum=0.9)
opt = nn.Adam(params=network.trainable_params(),learning_rate=lr)
# 要点3-1-2：定义损失函数为SoftmaxCrossEntropyWithLogits损失函数，sparse=True, reduction='mean'
loss_fn = nn.SoftmaxCrossEntropyWithLogits(sparse=True, reduction='mean')
model = ms.Model(network, loss_fn, opt, metrics={'acc'})best_acc = 0
best_ckpt_dir = "./BestCheckpoint"
best_ckpt_path = "./BestCheckpoint/resnet50-best.ckpt"# train
def train_loop(model, dataset, loss_fn, optimizer):# 要点3-1-3：模型编译：利用函数式编程实现loss的计算，并返回loss和模型预测值logitsdef forward_fn(data, label):
        logits = model(data)
        loss = loss_fn(logits,label)return loss, logits# 要点3-1-4：利用value_and_grad API定义反向传播函数
    grad_fn = ms.ops.value_and_grad(forward_fn, None, opt.parameters, has_aux=True)def train_step(data, label):(loss, _), grads = grad_fn(data, label)
        loss = ops.depend(loss, optimizer(grads))return loss
    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 or batch == step_size_train - 1:
            loss, current = loss.asnumpy(), batchprint(f"loss: {loss:>7f}  [{current:>3d}/{size:>3d}]")# test
def test_loop(model, dataset, loss_fn):
    num_batches = dataset.get_dataset_size()# 要点3-1-5：设置模型为预测模式
    model.set_train(False)
    total, test_loss, correct = 0, 0, 0
    y_true = []
    y_pred = []for data, label in dataset.create_tuple_iterator():
        y_true.extend(label.asnumpy().tolist())
        pred = model(data)
        total += len(data)
        test_loss += loss_fn(pred, label).asnumpy()
        y_pred.extend(pred.argmax(1).asnumpy().tolist())
        correct += (pred.argmax(1) == label).asnumpy().sum()
    test_loss /= num_batches
    correct /= totalprint(f"Test: \n Accuracy: {(100*correct):>0.1f}%, Avg loss: {test_loss:>8f} \n")print(classification_report(y_true,y_pred,target_names= list(index_label_dict.values()),digits=3))return correct,test_loss# 重新训练
no_improvement_count = 0
acc_list = []
loss_list = []
stop_epoch = num_epochs
for t in range(num_epochs):print(f"Epoch {t+1}\n-------------------------------")
    train_loop(network, dataset_train, loss_fn, opt)
    acc,loss = test_loop(network, dataset_val, loss_fn)
    acc_list.append(acc)
    loss_list.append(loss)# 要点3-2-1：设置条件：利用计算的acc指标，得到训练中得到的最优模型权重if best_acc < acc:
        best_acc = accif not os.path.exists(best_ckpt_dir):
            os.mkdir(best_ckpt_dir)# 要点3-2-2：利用save_checkpoint API对模型进行保存, 保存的路径为best_ckpt_path
        ms.save_checkpoint(network,best_ckpt_path)
        no_improvement_count = 0else:
        no_improvement_count += 1if no_improvement_count > patience:print('Early stopping triggered. Restoring best weights...')
            stop_epoch = tbreak 
print("Done!")

说明

对于模型调优，先从超参数入手，比如epoch、batch_size等，可以初步判断数据集的质量；再一定程度上acc有所提升后，如果遇到性能瓶颈（通过超参数已经不能让模型精度进一步提高，同时还达不到预期，那就考虑参数--网络结构、激活函数、损失函数等）

这里将epoch从3->10，新一轮训练后的第十轮结果：

模型在性能上得到一定提升

复用前面的推理代码

# 重新加载模型 ‘BestCheckpoint/resnet50-best.ckpt’
num_class = 12  # 
# 题目4-1-1：实例化resnet50 预测模型
net = resnet50(num_classes=num_class)
best_ckpt_path = 'BestCheckpoint/resnet50-best.ckpt'

# 题目4-1-2：加载模型参数
# 将最优的一次检查点信息（模型-网络权重参数）加载到参数字典
param_dict = ms.load_checkpoint(best_ckpt_path)
# 将网络权重载入网络结构--模型网络结构里
ms.load_param_into_net(net,param_dict)

model = ms.Model(net)
image_size = 224
workers = 1

# acc
test_acc, _ = test_loop(net, dataset_test, loss_fn)
print(f'Test Accuracy:{test_acc*100:.2f}%')

本次：

较上次：

精度提升>5%

6.结语

通过这个用ResNet50进行对中药材的种类及品阶进行12分类的项目，学习mindspore AI框架的使用和深度学习任务的一般流程，熟悉如何通过深度学习的方式来拟合数据，处理生产生活中的问题，为AI赋能的时代贡献点滴实践。

5.模型优化

5.1模型优化

6.结语

相关文章：