昇思25天学习打卡营第8天|模型训练

前言
模型训练
- 构建数据集
- 定义神经网络模型
- 定义超参、损失函数和优化器
- - 超参
  - 损失函数
  - 优化器
- 训练与评估
个人任务打卡（读者请忽略）
个人理解与总结

前言

非常感谢华为昇思大模型平台和CSDN邀请体验昇思大模型！从今天起，笔者将以打卡的方式，将原文搬运和个人思考结合，分享25天的学习内容与成果。为了提升文章质量和阅读体验，笔者会将思考部分放在最后，供大家探索讨论。同时也欢迎各位领取算力，免费体验昇思大模型！

模型训练

模型训练一般分为四个步骤：

构建数据集。
定义神经网络模型。
定义超参、损失函数及优化器。
输入数据集进行训练与评估。

现在我们有了数据集和模型后，可以进行模型的训练与评估。

构建数据集

首先从数据集 Dataset加载代码，构建数据集。

%%capture captured_output
# 实验环境已经预装了mindspore==2.3.0rc1，如需更换mindspore版本，可更改下面mindspore的版本号
!pip uninstall mindspore -y
!pip install -i https://pypi.mirrors.ustc.edu.cn/simple mindspore==2.3.0rc1

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

# 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)#从URL下载MNIST数据集用于模型训练


def datapipe(path, batch_size):
    image_transforms = [
        vision.Rescale(1.0 / 255.0, 0),						#将图像中的矩阵单元转为float32类型
        vision.Normalize(mean=(0.1307,), std=(0.3081,)),	#设置均值和标准差将图像矩阵元素归一化
        vision.HWC2CHW()									#将图像的shape从[H, W, C]转为[C, H, W]
    ]
    label_transform = transforms.TypeCast(mindspore.int32)	#图像的label转为int32类型

    dataset = MnistDataset(path)
    dataset = dataset.map(image_transforms, 'image')
    dataset = dataset.map(label_transform, 'label')
    dataset = dataset.batch(batch_size)
    return dataset

train_dataset = datapipe('MNIST_Data/train', batch_size=64)	#训练集设置路径，batch_size=64
test_dataset = datapipe('MNIST_Data/test', batch_size=64)	#测试集设置路径，batch_size=64

在这里插入图片描述

定义神经网络模型

从网络构建中加载代码，构建一个神经网络模型。

class Network(nn.Cell):
    def __init__(self):
        super().__init__()
        self.flatten = nn.Flatten()
        self.dense_relu_sequential = nn.SequentialCell(		#网络依序搭建
            nn.Dense(28*28, 512),							#全连接层，输入通道数为28*28，输出通道数为512
            nn.ReLU(),										#ReLU激活函数
            nn.Dense(512, 512),								#全连接层，输入通道数为512，输出通道数为512
            nn.ReLU(),										#ReLU激活函数
            nn.Dense(512, 10)								#全连接层，输入通道数为512，输出通道数为10，对应0-9十种情况
        )

    def construct(self, x):
        x = self.flatten(x)									#将输入图像展平为一维序列
        logits = self.dense_relu_sequential(x)				#将一维序列输入神经网络获得结果
        return logits

model = Network()											#神经网络实例化为model

定义超参、损失函数和优化器

超参

超参（Hyperparameters）是可以调整的参数，可以控制模型训练优化的过程，不同的超参数值可能会影响模型训练和收敛速度。目前深度学习模型多采用批量随机梯度下降算法进行优化，随机梯度下降算法的原理如下：

$w_{t+1}=w_{t}-\eta \frac{1}{n} \sum_{x \in \mathcal{B}} \nabla l\left(x, w_{t}\right)$

公式中， $n$ 是批量大小（batch size）， $η$ 是学习率（learning rate）。另外， $w_{t}$ 为训练轮次 $t$ 中的权重参数， $\nabla l$ 为损失函数的导数。除了梯度本身，这两个因子直接决定了模型的权重更新，从优化本身来看，它们是影响模型性能收敛最重要的参数。一般会定义以下超参用于训练：

训练轮次（epoch）：训练时遍历数据集的次数。
批次大小（batch size）：数据集进行分批读取训练，设定每个批次数据的大小。batch size过小，花费时间多，同时梯度震荡严重，不利于收敛；batch size过大，不同batch的梯度方向没有任何变化，容易陷入局部极小值，因此需要选择合适的batch size，可以有效提高模型精度、全局收敛。
学习率（learning rate）：如果学习率偏小，会导致收敛的速度变慢，如果学习率偏大，则可能会导致训练不收敛等不可预测的结果。梯度下降法被广泛应用在最小化模型误差的参数优化算法上。梯度下降法通过多次迭代，并在每一步中最小化损失函数来预估模型的参数。学习率就是在迭代过程中，会控制模型的学习进度。

epochs = 3
batch_size = 64
learning_rate = 1e-2

损失函数

损失函数（loss function）用于评估模型的预测值（logits）和目标值（targets）之间的误差。训练模型时，随机初始化的神经网络模型开始时会预测出错误的结果。损失函数会评估预测结果与目标值的相异程度，模型训练的目标即为降低损失函数求得的误差。

常见的损失函数包括用于回归任务的nn.MSELoss（均方误差）和用于分类的nn.NLLLoss（负对数似然）等。 nn.CrossEntropyLoss 结合了nn.LogSoftmax和nn.NLLLoss，可以对logits 进行归一化并计算预测误差。

loss_fn = nn.CrossEntropyLoss()	#使用交叉熵计算损失

优化器

模型优化（Optimization）是在每个训练步骤中调整模型参数以减少模型误差的过程。MindSpore提供多种优化算法的实现，称之为优化器（Optimizer）。优化器内部定义了模型的参数优化过程（即梯度如何更新至模型参数），所有优化逻辑都封装在优化器对象中。在这里，我们使用SGD（Stochastic Gradient Descent）优化器。

我们通过model.trainable_params()方法获得模型的可训练参数，并传入学习率超参来初始化优化器。

optimizer = nn.SGD(model.trainable_params(), learning_rate=learning_rate)	#使用SGD优化器，对初始学习率和训练参数进行优化

在训练过程中，通过微分函数可计算获得参数对应的梯度，将其传入优化器中即可实现参数优化，具体形态如下：

grads = grad_fn(inputs)

optimizer(grads)

训练与评估

设置了超参、损失函数和优化器后，我们就可以循环输入数据来训练模型。一次数据集的完整迭代循环称为一轮（epoch）。每轮执行训练时包括两个步骤：

训练：迭代训练数据集，并尝试收敛到最佳参数。
验证/测试：迭代测试数据集，以检查模型性能是否提升。

接下来我们定义用于训练的train_loop函数和用于测试的test_loop函数。

使用函数式自动微分，需先定义正向函数forward_fn，使用value_and_grad获得微分函数grad_fn。然后，我们将微分函数和优化器的执行封装为train_step函数，接下来循环迭代数据集进行训练即可。

# Define forward function
def forward_fn(data, label):		#定义前向函数
    logits = model(data)			
    loss = loss_fn(logits, label)	#损失为训练结果与真实值（标签）的差距
    return loss, logits

# Get gradient function
grad_fn = mindspore.value_and_grad(forward_fn, None, optimizer.parameters, has_aux=True)#梯度函数

# Define function of one-step training
def train_step(data, label):
    (loss, _), grads = grad_fn(data, label)
    optimizer(grads)						#优化梯度
    return loss

def train_loop(model, dataset):			#模型训练
    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:							#当batch为100的整数倍时，输出loss
            loss, current = loss.asnumpy(), batch
            print(f"loss: {loss:>7f}  [{current:>3d}/{size:>3d}]")

test_loop函数同样需循环遍历数据集，调用模型计算loss和Accuray并返回最终结果。

def test_loop(model, dataset, loss_fn):				#模型测试
    num_batches = dataset.get_dataset_size()
    model.set_train(False)							#设置模型为非训练模式
    total, test_loss, correct = 0, 0, 0
    for data, label in dataset.create_tuple_iterator():	#计算准确率和测试损失
        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")

我们将实例化的损失函数和优化器传入train_loop和test_loop中。训练3轮并输出loss和Accuracy，查看性能变化。

loss_fn = nn.CrossEntropyLoss()
optimizer = nn.SGD(model.trainable_params(), learning_rate=learning_rate)

for t in range(epochs):
    print(f"Epoch {t+1}\n-------------------------------")
    train_loop(model, train_dataset)
    test_loop(model, test_dataset, loss_fn)
print("Done!")

在这里插入图片描述

个人任务打卡（读者请忽略）

在这里插入图片描述

个人理解与总结

本章节主要描述了昇思大模型模型训练的主要功能，从训练模型的最基础的构建数据集开始，先后完成了定义神经网络模型、定义超参、损失函数和优化器以及最终的训练预评估四部分。通过搭建简单的全连接图像分类网络完成手写体识别任务。网络首先通过下载和设置数据集，完成数据集搭建，为后续的深度神经网络训练打下基础；然后定义神经网络，搭建输入-隐藏-输出三层全连接神经网络以完成图像分类任务；定义超参数、损失函数和优化器保证深度神经网络在训练过程中的正向优化；最后经train_loop和test_loop完成深度神经网络的训练与测试，并输出每100个iteration的损失及每代的测试准确率和测试损失。综上所述，昇思大模型为深度神经网络的搭建提供了系统性参照，为深度更深、结构更复杂的模型提供了搭建基础。