当前位置：首页 > news >正文

ModelArts平台打卡体验活动：MindSpore2.4.0快速入门

news 来源：原创 2025/6/8 12:22:20

一、环境准备

1.进入ModelArts官网
云平台帮助用户快速创建和部署模型，管理全周期AI工作流，选择下面的云平台以开始使用昇思MindSpore，可以在昇思教程中进入ModelArts官网

创建notebook，点击【打开】启动，进入ModelArts调试环境页面。

注意选择西南-贵阳一，mindspore_2.3.0

在这里插入图片描述

等待环境搭建完成

在这里插入图片描述

下载案例notebook文件

打开官网教程页面快速入门 — MindSpore master 文档，选择想要运行的教程，下载notebook文件。

在这里插入图片描述

选择ModelArts Upload Files上传.ipynb文件

在这里插入图片描述

进入昇思MindSpore官网，点击上方的安装获取安装命令

在这里插入图片描述

MindSpore版本升级，镜像自带的MindSpore版本为2.3，该活动要求在MindSpore2.4.0版本体验，所以需要进行MindSpore版本升级。
在这里插入图片描述

命令如下：

export no_proxy='a.test.com,127.0.0.1,2.2.2.2'
pip install https://ms-release.obs.cn-north-4.myhuaweicloud.com/2.4.0/MindSpore/unified/aarch64/mindspore-2.4.0-cp39-cp39-linux_aarch64.whl --trusted-host ms-release.obs.cn-north-4.myhuaweicloud.com -i https://pypi.tuna.tsinghua.edu.cn/simple

在这里插入图片描述

回到Notebook中，在第一块代码前加命令

pip install --upgrade pippip install mindvisionpip install download

二、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。若想要深入了解MindSpore的使用方法，请参阅各节最后提供的参考链接。

import mindspore
from mindspore import nn
from mindspore.dataset import vision, transforms
from mindspore.dataset import MnistDataset

处理数据集

MindSpore提供基于Pipeline的数据引擎，通过数据集（Dataset）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mindspore.dataset提供的数据变换进行预处理。

如果下载失败，直接打开链接本地下载上传

在这里插入图片描述

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)

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')

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']

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，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，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对数据集进行迭代访问，查看数据和标签的shape和datatype。

在这里插入图片描述

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。
在这里插入图片描述

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：

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

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）。

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：

定义正向计算函数。

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。

在这里插入图片描述

除训练外，我们定义测试函数，用来评估模型的性能。

在这里插入图片描述

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。

在这里插入图片描述

Epoch 1
-------------------------------
loss: 2.311627  [  0/938]
loss: 1.666076  [100/938]
loss: 1.110389  [200/938]
loss: 0.605814  [300/938]
loss: 0.345753  [400/938]
loss: 0.378101  [500/938]
loss: 0.504920  [600/938]
loss: 0.379824  [700/938]
loss: 0.231474  [800/938]
loss: 0.344825  [900/938]
Test: Accuracy: 91.0%, Avg loss: 0.316116 Epoch 2
-------------------------------
loss: 0.598345  [  0/938]
loss: 0.291100  [100/938]
loss: 0.311943  [200/938]
loss: 0.234684  [300/938]
loss: 0.170997  [400/938]
loss: 0.308111  [500/938]
loss: 0.355017  [600/938]
loss: 0.135616  [700/938]
loss: 0.173434  [800/938]
loss: 0.325416  [900/938]
Test: Accuracy: 92.7%, Avg loss: 0.251752 Epoch 3
-------------------------------
loss: 0.183711  [  0/938]
loss: 0.194196  [100/938]
loss: 0.257925  [200/938]
loss: 0.237403  [300/938]
loss: 0.310123  [400/938]
loss: 0.232147  [500/938]
loss: 0.089809  [600/938]
loss: 0.289659  [700/938]
loss: 0.173989  [800/938]
loss: 0.263169  [900/938]
Test: Accuracy: 93.9%, Avg loss: 0.219952 Done!

保存模型

模型训练完成后，需要将其参数进行保存。
在这里插入图片描述

加载模型

加载保存的权重分为两步：

重新实例化模型对象，构造模型。

加载模型参数，并将其加载至模型上。

在这里插入图片描述
加载后的模型可以直接用于预测推理。

一、环境准备

二、快速入门

处理数据集

网络构建

模型训练

保存模型

加载模型

相关文章：