Mindspore网络构建

网络构建

神经网络模型是由神经网络层和Tensor操作构成的，mindspore.nn提供了常见神经网络层的实现，在MindSpore中，Cell类是构建所有网络的基类，也是网络的基本单元。一个神经网络模型表示为一个Cell，它由不同的子Cell构成。使用这样的嵌套结构，可以简单地使用面向对象编程的思维，对神经网络结构进行构建和管理。

构建Mnist数据集分类的神经网络

  

   

    

     

    
    

     

      import mindspore
     
    
   

    

     

    
    

     

      from mindspore 
      import nn, ops
     
    
  

 个人理解：在代码层面也就是直接调用模块，通过模块来实现我们想要达成的效果。

定义模型类

定义神经网络时，可以继承nn.Cell类，在__init__方法中进行子Cell的实例化和状态管理，在construct方法中实现Tensor操作。

  

   

    

     

    
    

     

      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
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      #构建完成后，实例化Network对象，并查看其结构。
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      model = Network()
     
    
   

    

     

    
    

     

      print(model)
     
    
   

    

     

    
    

     

      Network<
     
    
   

    

     

    
    

     

        (flatten): Flatten<>
     
    
   

    

     

    
    

     

        (dense_relu_sequential): SequentialCell<
     
    
   

    

     

    
    

     

          (
      0): Dense<input_channels=
      784, output_channels=
      512, has_bias=
      True>
     
    
   

    

     

    
    

     

          (
      1): ReLU<>
     
    
   

    

     

    
    

     

          (
      2): Dense<input_channels=
      512, output_channels=
      512, has_bias=
      True>
     
    
   

    

     

    
    

     

          (
      3): ReLU<>
     
    
   

    

     

    
    

     

          (
      4): Dense<input_channels=
      512, output_channels=
      10, has_bias=
      True>
     
    
   

    

     

    
    

     

        >
     
    
   

    

     

    
    

     

      >
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      #我们构造一个输入数据，直接调用模型，可以获得一个10维的Tensor输出，其包含每个类别的原始预测值。
     
    
   

    

     

    
    

     

      X = ops.ones((
      1, 
      28, 
      28), mindspore.float32)
     
    
   

    

     

    
    

     

      logits = model(X)
     
    
   

    

     

    
    

     

      print(logits)
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      pred_probab = nn.Softmax(axis=
      1)(logits)
     
    
   

    

     

    
    

     

      y_pred = pred_probab.argmax(
      1)
     
    
   

    

     

    
    

     

      print(
      f"Predicted class: {y_pred}")
     
    
  
 

  
 

模型层

分解上节构造的神经网络模型中的每一层。

  

   

    

     

    
    

     

      input_image = ops.ones((
      5, 
      15, 
      18), mindspore.float32)
     
    
   

    

     

    
    

     

      print(input_image.shape)
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      #输出结果
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      (
      5, 
      15, 
      18)
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      #nn.Flatten层的实例化
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      flatten = nn.Flatten()
     
    
   

    

     

    
    

     

      flat_image = flatten(input_image)
     
    
   

    

     

    
    

     

      print(flat_image.shape)
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      #nn.Dense全链层，权重和偏差对输入进行线性变换
     
    
   

    

     

    
    

     

      layer1 = nn.Dense(in_channels=
      20*
      20, out_channels=
      20)
     
    
   

    

     

    
    

     

      hidden1 = layer1(flat_image)
     
    
   

    

     

    
    

     

      print(hidden1.shape)
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      #nn.ReLU层，网络中加入非线性的激活函数
     
    
   

    

     

    
    

     

      print(
      f"Before ReLU: {hidden1}\n\n")
     
    
   

    

     

    
    

     

      hidden1 = nn.ReLU()(hidden1)
     
    
   

    

     

    
    

     

      print(
      f"After ReLU: {hidden1}")
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      #nn.SequentialCell容器配置
     
    
   

    

     

    
    

     

      seq_modules = nn.SequentialCell(
     
    
   

    

     

    
    

     

          flatten,
     
    
   

    

     

    
    

     

          layer1,
     
    
   

    

     

    
    

     

          nn.ReLU(),
     
    
   

    

     

    
    

     

          nn.Dense(
      15, 
      10)
     
    
   

    

     

    
    

     

      )
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      logits = seq_modules(input_image)
     
    
   

    

     

    
    

     

      print(logits.shape)
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      #nn.Softmax全链层返回的值进行预测
     
    
   

    

     

    
    

     

      softmax = nn.Softmax(axis=
      1)
     
    
   

    

     

    
    

     

      pred_probab = softmax(logits)
     
    
   

    

     

    
    

     
 
     
    
  
 

  
 

参数模型

网络内部神经网络层具有权重参数和偏置参数

  

   

    

     

    
    

     

      print(
      f"Model structure: {model}\n\n")
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      for name, param 
      in model.parameters_and_names():
     
    
   

    

     

    
    

     
    
      print(
      f"Layer: {name}\nSize: {param.shape}\nValues : {param[:2]} \n")
     
    
  

内置神经网络（mindspore.nn）

1.基本构成单元

2.循环神经网络层

3.嵌入层

4.池化层

5. 图像处理层

因为篇幅原因，这里就不全部介绍了，后面会继续更新