簡介

實驗包含 2部分：

1. 基于 Mindspore 框架的模型本地訓練及預測
2. 基于 Modelarts 平臺和 PyTorch框架的模型訓練及部署

基于 Mindspore 框架的模型本地訓練及預測

本例子會實現(xiàn)一個簡單的圖片分類的功能，整體流程如下：

1. 處理需要的數(shù)據(jù)集，這里使用了 MNIST 數(shù)據(jù)集。
2. 定義一個網絡，這里我們使用 LeNet 網絡。
3. 定義損失函數(shù)和優(yōu)化器。
4. 加載數(shù)據(jù)集并進行訓練，訓練完成后，查看結果及保存模型文件。
5. 加載保存的模型，進行推理。
6. 驗證模型，加載測試數(shù)據(jù)集和訓練后的模型，驗證結果精度

安裝 MindSpore

安裝頁面

【資料圖】

如圖：我是在自己電腦下載，所以下載Windows版本的，然后選CPU。python版本都可以選。

安裝報錯：

如果提示這個，一般是兩個原因：

• 你的電腦之前有裝其他版本的python，pip版本和python不對應。
  • 卸載python重新裝一個。
  • 使用命令：python3 -m pip install --upgrade pip更新pip。
• 下載命令錯誤。安裝MindSpore有兩種pip命令，下面是另一種：

• 如果報錯，可以試試不同的命令（親測有效）。

MNIST 數(shù)據(jù)集

我們示例中用到的 MNIST 數(shù)據(jù)集是由 10 類 28*28 的灰度圖片組成，訓練數(shù)據(jù)集包含60000 張圖片，測試數(shù)據(jù)集包含 10000 張圖片。

MNIST 數(shù)據(jù)集下載頁面：下載頁面

將數(shù)據(jù)集解壓分別存放到工作區(qū)的./MNIST_Data/train、./MNIST_Data/test 路徑下。

其他一些報錯

現(xiàn)在，使用PyCharm打開文件夾。

• 如果出現(xiàn)MindSpore找不到，

  驗證一下的你的Interpreter：檢查下Package

• 提示需要下載easydict

  直接pip下載，或通過Package中下載。

實驗步驟

• 打開項目，我使用的是PyCharm：

• 修改代碼
  • 修改默認的設備，這里我是Windows下的CPU版本，所以修改為CPU

• 增加eval.py和train.py需要的代碼：

  • 設定 loss 函數(shù)

  • 設定優(yōu)化器

  • 編譯形成模型

  • 訓練網絡

• 增添lenet.py的代碼。

• 運行train.py：

• 之后，生成了ckpy文件夾。這里保存的用于測試的模型。那么第十輪我們損失函數(shù)最小，我們自然就用第十輪的模型：

• 運行eval.py。

基于 Modelarts 平臺和 PyTorch 框架的模型訓練及部署

先注冊一個華為云賬號。

然后按照教程：教程，一步一步完成即可。

上一篇：官方售價21.18萬元起 一汽豐田2023款凌放HARRIER正式上市|當前熱文

下一篇：第25屆上影節(jié)金爵獎入圍影片公布 天天熱聞