1. 创建Python程序
创建workspace文件夹，文件夹下创建基于 Python3 的 .ipynb 程序。
重命名为 day001.ipynb，
2. 导入必要的库
首先，我们需要导入MindSpore库以及其他一些必要的模块。MindSpore是华为推出的深度学习框架，具有高效、便捷、可扩展等特点。
代码语言：python代码运行次数：0复制import mindspore
from mindspore import nn
from mindspore.dataset import vision, transforms
from mindspore.dataset import MnistDataset
from download import download3. 下载并加载数据集
我们将使用MNIST数据集，该数据集包含手写数字的灰度图像。数据集可以通过下载功能获取，并解压到指定目录。
代码语言：python代码运行次数：0复制url = "https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/notebook/datasets/MNIST_Data.zip"
path = download(url, "./", kind="zip", replace=True)
train_dataset = MnistDataset('MNIST_Data/train')
test_dataset = MnistDataset('MNIST_Data/test')
4. 数据预处理
为了让模型更好地学习，我们需要对图像数据进行预处理。我们将图像数据归一化，并将其转换为模型可以接受的格式。
代码语言：python代码运行次数：0复制def datapipe(dataset, 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 = dataset.map(image_transforms, 'image')
dataset = dataset.map(label_transform, 'label')
dataset = dataset.batch(batch_size)
return dataset
train_dataset = datapipe(train_dataset, 64)
test_dataset = datapipe(test_dataset, 64)5. 定义神经网络模型
我们将定义一个简单的神经网络模型来进行手写数字识别。该模型包含三个全连接层和两个ReLU激活函数。
代码语言：python代码运行次数：0复制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()
print(model)
6. 定义损失函数和优化器
我们使用交叉熵损失函数和随机梯度下降（SGD）优化器来训练我们的模型。
代码语言：python代码运行次数：0复制loss_fn = nn.CrossEntropyLoss()
optimizer = nn.SGD(model.trainable_params(), 1e-2)7. 训练步骤和训练过程
训练过程包括前向传播、计算损失、反向传播以及更新模型参数。
代码语言：python代码运行次数：0复制def forward_fn(data, label):
logits = model(data)
loss = loss_fn(logits, label)
return loss, logits
grad_fn = mindspore.value_and_grad(forward_fn, None, optimizer.parameters, has_aux=True)
def train_step(data, label):
(loss, _), grads = grad_fn(data, label)
optimizer(grads)
return loss
def train(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}]")
8. 测试过程
测试过程包括对测试数据进行预测，并计算准确率和平均损失。
代码语言：python代码运行次数：0复制def test(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")9. 训练和测试模型
我们将模型训练3个周期（epochs），并在每个周期结束后测试模型的表现。
代码语言：python代码运行次数：0复制epochs = 3
for t in range(epochs):
print(f"Epoch {t 1}n-------------------------------")
train(model, train_dataset)
test(model, test_dataset, loss_fn)
print("Done!")
10. 保存和加载模型
训练完成后，我们将模型参数保存到文件中，并演示如何加载已保存的模型。
代码语言：python代码运行次数：0复制mindspore.save_checkpoint(model, "model.ckpt")
print("Saved Model to model.ckpt")
model = Network()
param_dict = mindspore.load_checkpoint("model.ckpt")
param_not_load, _ = mindspore.load_param_into_net(model, param_dict)
print(param_not_load)11. 进行预测并显示结果
最后，我们使用加载的模型进行预测，并展示预测结果。
代码语言：python代码运行次数：0复制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
