MindSpore安装及 CPU 训练快速体验

1 MindSpore概述

      MindSpore是一个全场景深度学习框架，旨在实现易开发、高效执行、全场景统一部署三大目标。其中，易开发表现为API友好、调试难度低；高效执行包括计算效率、数据预处理效率和分布式训练效率；全场景则指框架同时支持云、边缘以及端侧场景。MindSpore一般的执行流程示意图（https://www.mindspore.cn/tutorials/zh-CN/r2.2/beginner/introduction.html）如下所示：

2 MindSpore安装

      MindSpore支持GPU、Ascend 910 NPU 和CPU，对于没有GPU和NPU的用户，想体验MindSpore，可以选择在CPU上进行安装。官方给出不同硬件环境的安装引导页面（https://www.mindspore.cn/install/），可以快速通过选择项来生成安装命令。这里选择Windows 操作系统上进行安装，主机有一个i7 CPU处理器。浏览器打开https://www.mindspore.cn/install，选择项如下所示：

这里选择Conda安装方式，想让Conda提供的完整能力，可以选择下载Anaconda3 ，如果只需要基本功能，节省磁盘空间，可以选择下载Miniconda3 。

# 查看环境列表
(base)C:\Windows\System32>conda env list
# 基于python 3.9.0 创建虚拟环境mindspore_py39
conda create -c conda-forge -n mindspore_py39 -c conda-forge python=3.9.0
activate mindspore_py39
#激活虚拟环境mindspore_py39
conda activate mindspore_py39
#安装mindspore-cpu=2.2.11
conda install mindspore-cpu=2.2.11 -c mindspore -c conda-forge
#或安装最新版本
#conda install mindspore-cpu -c mindspore -c conda-forge

执行成功后，界面如下所示：

验证安装是否成功，执行如下命令：

python -c "import mindspore;mindspore.set_context(device_target='CPU');mindspore.run_check()"
MindSpore version:  2.2.11
The result of multiplication calculation is correct, MindSpore has been installed on platform [CPU] successfully!

# 安装依赖
pip install download
pip install mindcv

3 MindSpore CPU训练

      MindSpore可以在CPU上体验训练，可以考虑0到9的数字识别数据集，该数据集很小，CPU上训练也非常快。根据官方的快速体验说明（https://www.mindspore.cn/tutorials/zh-CN/r2.2/beginner/quick_start.html），可以给出下面的训练脚本（mindspore_train.py）：

#!/usr/bin/env python
# coding: utf-8

# # 模型训练
# 
# 模型训练一般分为四个步骤：
# 
# 1. 构建数据集。
# 2. 定义神经网络模型。
# 3. 定义超参、损失函数及优化器。
# 4. 输入数据集进行训练与评估。
# 

# ## 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 download

url = "https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/" \
      "notebook/datasets/MNIST_Data.zip"
path = download(url, "./", kind="zip", replace=True)


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)

    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)
test_dataset = datapipe('MNIST_Data/test', batch_size=64)


# ## 定义神经网络模型

class Network(nn.Cell):
    def __init__(self):
        super().__init__()
        self.flatten = nn.Flatten()
        self.dense_relu_sequential = nn.SequentialCell(
            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

model = Network()


# ## 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，
# 

epochs = 7
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()


# ### 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)


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


# 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_aux=True)

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

def 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(), 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):
    num_batches = dataset.get_dataset_size()
    model.set_train(False)
    total, test_loss, correct = 0, 0, 0
    for 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_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!")

# Save checkpoint
mindspore.save_checkpoint(model, "ms_model.ckpt")
print("Saved Model to ms_model.ckpt")

执行训练脚本：

(mindspore_py39)D:\mindspore_src>python mindspore_train.py

可以看到，经过7轮训练迭代，训练准确性即可达到95.7%。

此时，保存的模型为ms_model.ckpt 。下面给出推理脚本：

#!/usr/bin/env python
# coding: utf-8

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

# ## 定义神经网络模型
# 

# In[8]:


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


# Instantiate a random initialized model
model = Network()
# Load checkpoint and load parameter to model
param_dict = mindspore.load_checkpoint("ms_model.ckpt")
param_not_load, _ = mindspore.load_param_into_net(model, param_dict)
# param_not_load是未被加载的参数列表，为空时代表所有参数均加载成功
 # []
if param_not_load == [] :
    print("model load success!")
else:
    print("model load fail.")
    print(param_not_load)

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)

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

test_dataset = datapipe('MNIST_Data/test', batch_size=64)

model.set_train(False)
for data, label in test_dataset:
    pred = model(data)
    predicted = pred.argmax(1)
    print(f'Predicted: "{predicted[:10]}", Actual: "{label[:10]}"')
    break

 执行推理脚本：

(mindspore_py39)D:\mindspore_src>python mindspore_infer.py
model load success!
Predicted: "[8 7 5 3 1 2 9 5 8 5]", Actual: "[8 7 5 3 1 2 9 5 8 5]"