1.数据预处理

•  
  • 批量化：
    • dataset.batch(batch_size)：将数据分批，每批 batch_size 个样本。
  • 应用变换：
    • dataset.map(image_transforms, 'image')：对图像应用上述 image_transforms 变换。
    • dataset.map(label_transform, 'label')：对标签应用 label_transform 变换。
  • 加载数据集：
    • MnistDataset(path)：从指定路径加载MNIST数据集。
  • 定义标签变换：
    • transforms.TypeCast(mindspore.int32)：将标签转换为 mindspore.int32 类型。
  • 定义图像变换：
    • vision.Rescale(1.0 / 255.0, 0)：将像素值从0-255缩放到0-1。
    • vision.Normalize(mean=(0.1307,), std=(0.3081,))：对图像进行归一化，减去均值，除以标准差。
    • vision.HWC2CHW()：将图像从HWC（高度、宽度、通道）格式转换为CHW（通道、高度、宽度）格式，这是MindSpore模型所需的输入格式。
  • datapipe 函数：是核心函数，用于构建数据处理管道，包括以下步骤：
  • 使用下载好的数据集对数据进行预处理包括：图像/标签变换、批量化等常见的数据处理步骤。

  • 2.定义网络模型

    
    • __init__(self): 构造函数，初始化网络层。
    • self.flatten = nn.Flatten(): 创建一个Flatten层，将输入图像展平为一维向量。
    • self.dense_relu_sequential = nn.SequentialCell(...): 创建一个SequentialCell容器，按顺序包含以下层：
      • nn.Dense(28*28, 512): 全连接层，输入维度是 28x28 (MNIST图像尺寸)，输出维度是 512。
      • nn.ReLU(): ReLU激活函数。
      • nn.Dense(512, 512): 全连接层，输入维度和输出维度都是 512。
      • nn.ReLU(): ReLU激活函数。
      • nn.Dense(512, 10): 全连接层，输入维度是 512，输出维度是 10 (MNIST的类别数)。
    • construct(self, x): 定义模型的前向传播过程。
    • x = self.flatten(x): 将输入图像展平。
    • logits = self.dense_relu_sequential(x): 将展平后的图像输入到SequentialCell中，得到模型的输出 logits（未经softmax处理的分类分数）。
    • return logits: 返回模型的输出。

  • 3. 定义超参、损失函数和优化器

    • epochs = 3

      batch_size = 64
      learning_rate = 1e-2
      loss_fn = nn.CrossEntropyLoss()
      optimizer = nn.SGD(model.trainable_params(), learning_rate=learning_rate)

    • 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。
      • 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。
    • 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。
    • 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。

  • 4.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。

    • 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
    • 
    • 
    • 定义前向传播函数 (forward_fn)
      • 接受 data（输入数据）和 label（标签）作为输入。
      • 将数据传入模型 (model(data)) 得到输出 logits。
      • 使用损失函数 (loss_fn) 计算 logits 和 label 之间的损失 loss。
      • 返回 loss 和 logits。

    • 
      获取梯度函数 (grad_fn)

      • mindspore.value_and_grad(forward_fn, None, optimizer.parameters, has_aux=True)
        • forward_fn: 前向传播函数。
        • None: 不计算任何参数的梯度，因为我们只关注优化器的参数。
        • optimizer.parameters: 要计算梯度的参数列表，通常是模型的参数。
        • has_aux=True: 表示 forward_fn 返回多个值（这里是 loss 和 logits）。
        • 返回一个函数 grad_fn，它接受 data 和 label，返回 (loss, logits) 和对应参数的梯度。

    • 
      定义单步训练函数 (train_step)

      • 接受 data 和 label。
      • 调用 grad_fn(data, label) 获取 (loss, logits) 和梯度 grads。
      • 使用优化器 (optimizer) 更新模型参数。
      • 返回 loss。

    • 
      定义训练循环 (train_loop)

      • 接受 model（模型）和 dataset（数据集）。
      • size = dataset.get_dataset_size(): 获取数据集大小。
      • model.set_train(): 将模型设置为训练模式。
    • 遍历数据集：
      • for batch, (data, label) in enumerate(dataset.create_tuple_iterator()):
        • 获取当前批次的 data 和 label。
      • loss = train_step(data, label): 执行单步训练。
      • 打印训练进度（每100个批次打印一次）。
    • 定义测试循环函数 (test_loop)
      • 接受 model（模型）、dataset（数据集）和 loss_fn（损失函数）作为输入。
      • num_batches = dataset.get_dataset_size(): 获取测试集中的批次数。
      • model.set_train(False): 将模型设置为评估模式（关闭 Dropout 等）。
      • 初始化 total（样本总数）、test_loss（总损失）和 correct（正确预测数）为0。
    • 遍历数据集：
      • for data, label in dataset.create_tuple_iterator(): 获取每个批次的 data 和 label。
      • pred = model(data): 模型对数据进行预测。
      • total += len(data): 累加样本总数。
      • test_loss += loss_fn(pred, label).asnumpy(): 累加损失值。
      • correct += (pred.argmax(1) == label).asnumpy().sum(): 累加正确预测数。
        • pred.argmax(1): 获取预测结果中概率最大的类别索引。
        • (pred.argmax(1) == label): 判断预测是否正确。
        • .asnumpy().sum(): 转换为NumPy数组并求和。
      • test_loss /= num_batches: 计算平均损失。
      • correct /= total: 计算准确率。
      • 打印测试结果：准确率和平均损失。
    • 定义损失函数和优化器
      • loss_fn = nn.CrossEntropyLoss(): 使用交叉熵损失函数，适用于多分类问题。
      • optimizer = nn.SGD(model.trainable_params(), learning_rate=learning_rate): 使用随机梯度下降（SGD）优化器，传入模型的可训练参数和学习率。
    • 训练和测试循环
      • for t in range(epochs): 迭代指定的轮数（epochs）。
        • 打印当前轮数。
        • train_loop(model, train_dataset): 调用之前的 train_loop 函数进行训练。
        • test_loop(model, test_dataset, loss_fn): 调用 test_loop 函数进行测试。
      • 打印 "Done!"。
      •