怎么区分用vs和dw做的网站,织梦怎么修改网站模板,WordPress套壳,提高工作效率的软件1、模型训练
模型训练一般分为四个步骤#xff1a;
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#xff0c;可以进行模型的训练与评估。
2、构建数据集
首先从数据集 Dataset加载代码#xff0…1、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。
2、构建数据集
首先从数据集 Dataset加载代码构建数据集。
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 downloadurl https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/ \notebook/datasets/MNIST_Data.zip
path download(url, ./, kindzip, replaceTrue)def datapipe(path, 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)#mindspore.dataset.transforms.TypeCast(data_type)#将输入的Tensor转换为指定的数据类型。dataset MnistDataset(path)dataset dataset.map(image_transforms, image)dataset dataset.map(label_transform, label)dataset dataset.batch(batch_size)return datasettrain_dataset datapipe(MNIST_Data/train, batch_size64)
test_dataset datapipe(MNIST_Data/test, batch_size64) 3、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()#将数据从start_dim 到 end_dim 的维度对输入Tensor进行展平self.dense_relu_sequential nn.SequentialCell(#构造Cell顺序容器。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 logitsmodel Network() 4、定义超参、损失函数和优化器
4.1 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 公式中是批量大小batch sizeη是学习率learning rate。另外为训练轮次中的权重参数∇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
4.2 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() 4.3 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SGDStochastic Gradient Descent优化器。
mindspore.nn.SGD(params, learning_rate0.1, momentum0.0, dampening0.0, weight_decay0.0, nesterovFalse, loss_scale1.0)
随机梯度下降的实现。动量可选。
【参数】 params (Union[list[Parameter], list[dict]]) - 当 params 为会更新的 Parameter 列表时 params 中的元素必须为类 Parameter。当 params 为 dict 列表时”params”、”lr”、”weight_decay”、”grad_centralization”和”order_params”为可以解析的键。 params - 必填。当前组别的权重该值必须是 Parameter 列表。 lr - 可选。如果键中存在”lr”则使用对应的值作为学习率。如果没有则使用优化器中的参数 learning_rate 作为学习率。支持固定和动态学习率。 weight_decay - 可选。如果键中存在”weight_decay”则使用对应的值作为权重衰减值。如果没有则使用优化器中配置的 weight_decay 作为权重衰减值。当前 weight_decay 仅支持float类型不支持动态变化。 grad_centralization - 可选。如果键中存在”grad_centralization”则使用对应的值该值必须为布尔类型。如果没有则认为 grad_centralization 为False。该参数仅适用于卷积层。 order_params - 可选。值的顺序是参数更新的顺序。当使用参数分组功能时通常使用该配置项保持 parameters 的顺序以提升性能。如果键中存在”order_params”则会忽略该组配置中的其他键。”order_params”中的参数必须在某一组 params 参数中。 learning_rate (Union[float, int, Tensor, Iterable, LearningRateSchedule]) - 默认值 0.1 。 float - 固定的学习率。必须大于等于零。 int - 固定的学习率。必须大于等于零。整数类型会被转换为浮点数。 Tensor - 可以是标量或一维向量。标量是固定的学习率。一维向量是动态的学习率第i步将取向量中第i个值作为学习率。 Iterable - 动态的学习率。第i步将取迭代器第i个值作为学习率。 LearningRateSchedule - 动态的学习率。在训练过程中优化器将使用步数step作为输入调用 LearningRateSchedule 实例来计算当前学习率。 momentum (float) - 浮点动量必须大于等于0.0。默认值 0.0 。 dampening (float) - 浮点动量阻尼值必须大于等于0.0。默认值 0.0 。 weight_decay (float) - 权重衰减L2 penalty必须大于等于0。默认值 0.0 。 nesterov (bool) - 启用Nesterov动量。如果使用Nesterov动量必须为正阻尼必须等于0.0。默认值 False 。 loss_scale (float) - 梯度缩放系数必须大于0.0。如果 loss_scale 是整数它将被转换为浮点数。通常使用默认值仅当训练时使用了 FixedLossScaleManager且 FixedLossScaleManager 的 drop_overflow_update 属性配置为 False 时此值需要与 FixedLossScaleManager 中的 loss_scale 相同。有关更多详细信息请参阅 mindspore.amp.FixedLossScaleManager。默认值 1.0 。 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。
5、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。
mindspore.value_and_grad(fn, grad_position0, weightsNone, has_auxFalse, return_idsFalse)
生成求导函数用于计算给定函数的正向计算结果和梯度。
函数求导包含以下三种场景 对输入求导此时 grad_position 非None而 weights 是None; 对网络变量求导此时 grad_position 是None而 weights 非None; 同时对输入和网络变量求导此时 grad_position 和 weights 都非None。
【参数】 fn (Union[Cell, Function]) - 待求导的函数或网络。 grad_position (Union[NoneType, int, tuple[int]]) - 指定求导输入位置的索引。若为int类型表示对单个输入求导若为tuple类型表示对tuple内索引的位置求导其中索引从0开始若是None表示不对输入求导这种场景下 weights 非None。默认值 0 。 weights (Union[ParameterTuple, Parameter, list[Parameter]]) - 训练网络中需要返回梯度的网络变量。一般可通过 weights net.trainable_params() 获取。默认值 None 。 has_aux (bool) - 是否返回辅助参数的标志。若为 True fn 输出数量必须超过一个其中只有 fn 第一个输出参与求导其他输出值将直接返回。默认值 False 。 return_ids (bool) - 是否返回由返回的梯度和指定求导输入位置的索引或网络变量组成的tuple。若为 True 其输出中所有的梯度值将被替换为由该梯度和其输入的位置索引或者用于计算该梯度的网络变量组成的tuple。默认值 False 。
# Define forward function
def forward_fn(data, label):logits model(data)loss loss_fn(logits, label)return loss, logits# Get gradient function
grad_fn mindspore.value_and_grad(forward_fn, None, optimizer.parameters, has_auxTrue)# Define function of one-step training
def train_step(data, label):(loss, _), grads grad_fn(data, label)optimizer(grads)return lossdef train_loop(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}])
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):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)
