MindSpore！这款刚刚开源的深度学习框架我爱了！
猶記得今年的華為開發者大會 HDC 2020 上，一直受人矚目的深度學習框架 MindSpore 終于開源了。
我之前一直關注 MindSpore，還是挺期待的。MindSpore 是一款支持端、邊、云獨立/協同的統一訓練和推理框架。與 TensorFlow、PyTorch ?等流行深度學習框架對標，MindSpore 旨在大幅度降低 AI 應用開發門檻，讓人工智能無處不在。
MindSpore 最大的特點就是開發門檻大大降低，提高開發效率，這樣可以顯著減少模型開發時間。
因此，使用MindSpore的優勢可以總結為以下四點：
簡單的開發體驗
靈活的調試模式
充分發揮硬件潛能
全場景快速部署
既然開源了，那就趕緊上手，試一試這款開源的 MindSpore 怎么樣！本文我將介紹 MindSpore 的安裝和上手教程，通過一個簡單的圖像識別案例來跑完整個 AI 訓練和測試流程。
一、MindSpore 的安裝
開源框架 MindSpore 的安裝方法有很多，可以在 Windows、Ubuntu 上安裝，也可以在華為 Ascend 910 上安裝。各種詳盡的安裝方法請見下面的鏈接：
https://www.mindspore.cn/install
下面介紹兩種最簡單的安裝方法！
1. Docker 安裝
Docker 安裝最為簡單，可參考：
https://gitee.com/mindspore/mindspore#docker-image
以?0.3.0-alpha 版本為例：
CPU:
docker pull mindspore/mindspore-cpu:0.3.0-alpha
GPU:
docker pull mindspore/mindspore-gpu:0.3.0-alpha
安裝好后，可以看到安裝的鏡像，并使用下面的命令創建一個你的容器：
docker run -it mindspore/mindspore-cpu:0.3.0-alpha /bin/bash2. Win10+Anaconda+MindSpore
使用 Win10 +Anaconda+MindSpore 的方式進行安裝也非常簡單，本文將采用這種方式安裝 MindSpore。
在 MindSpore 安裝首頁里，選擇安裝相關配置：
版本：0.3.0-alpha
硬件平臺：CPU
操作系統：Windows-64
編程語言：Python 3.7.5
首先，在 Win10?上安裝 Anaconda，Anaconda 是一個開源的 Python 發行版本，其包含了 conda、Python 等 180 多個科學包及其依賴項。
然后，創建一個虛擬環境。
1). 打開 Anaconda 組件中的 Anaconda Prompt 終端：
2). 使用下面的命令，創建一個虛擬環境 mindspore（名字可以自定義），并進入虛擬環境：
3). 安裝依賴庫，根據 https://gitee.com/mindspore/mindspore/blob/r0.3/requirements.txt 列出的依賴庫，使用 conda 命令安裝。例如：
conda?install?numpy4). 根據之前選擇的相關配置，在網站：https://www.mindspore.cn/versions 中選擇所要相應的 MindSpore 版本：
mindspore-0.3.0-cp37-cp37m-win_amd64.whl
可以將.whl 文件下載到本地，使用 pip 安裝（使用 conda 命令在線安裝速度可能比較慢，因此可以選擇將.whl文件下載到本地，使用 pip 命令安裝）：
pip install mindspore-0.3.0-cp37-cp37m-win_amd64.whl最后測試是否安裝成功，進入 Python shell，執行如下命令，如果沒有提示 No module named 'mindspore' 等加載錯誤的信息，則說明安裝成功。
至此，安裝完成！
二、基于本地 Jupyter 實現?MNIST 手寫數據集分類
1. 安裝?Jupyter?Notebook
首先，在虛擬環境 mindspore 中安裝 Jupyter Notebook。方法是：打開 Anaconda 組件 Anaconda Navigator。
在 Anaconda Navigator 中，Application on 選擇剛建立的虛擬環境 mindspore，在組件 Jupyter Notebook 下點擊 install，安裝。安裝完成后如下圖：
點擊 Notebook 下的 Launch，即可打開 Jupyter Notebook。
2. 下載數據集
MNIST 手寫數據集想必大家都很熟悉了，包含 0-9 的數字，由 60000 張訓練圖片和 10000 張測試圖片組成。
MNIST 數據集下載頁面：
http://yann.lecun.com/exdb/mnist/
使用 MindSpore，我們可以通過直接定義一個 download_dataset 函數來自動下載 MNIST 數據集：
def download_dataset():"""Download the dataset from http://yann.lecun.com/exdb/mnist/."""print("******Downloading the MNIST dataset******")train_path = "./MNIST_Data/train/"test_path = "./MNIST_Data/test/"train_path_check = os.path.exists(train_path)test_path_check = os.path.exists(test_path)if train_path_check == False and test_path_check ==False:os.makedirs(train_path)os.makedirs(test_path)train_url = {"http://yann.lecun.com/exdb/mnist/train-images-idx3-ubyte.gz", "http://yann.lecun.com/exdb/mnist/train-labels-idx1-ubyte.gz"}test_url = {"http://yann.lecun.com/exdb/mnist/t10k-images-idx3-ubyte.gz", "http://yann.lecun.com/exdb/mnist/t10k-labels-idx1-ubyte.gz"}for url in train_url:url_parse = urlparse(url)# split the file name from urlfile_name = os.path.join(train_path,url_parse.path.split('/')[-1])if not os.path.exists(file_name.replace('.gz','')):file = urllib.request.urlretrieve(url, file_name)unzipfile(file_name)os.remove(file_name)for url in test_url:url_parse = urlparse(url)# split the file name from urlfile_name = os.path.join(test_path,url_parse.path.split('/')[-1])if not os.path.exists(file_name.replace('.gz','')):file = urllib.request.urlretrieve(url, file_name)unzipfile(file_name)os.remove(file_name)該函數實現將數據集自動下載在本地的 ./MNIST_Data 目錄下，訓練集放在子目錄 /train 下，測試集放在子目錄 /test 下。
3.?數據預處理
MNIST 數據集準備好了之后，下一步就要對數據集進行一些預處理，包括圖片尺寸調整為 32x32（因為我們使用的是 LeNet-5 網絡，后面會介紹），像素歸一化、batch_size 設為 32（可調整），等等。
MindSpore 提供了 mindspore.dataset.MnistDataset 來直接定義 Minist 數據集，非常方便。使用 mindspore.dataset.MnistDataset.map 映射函數，將數據操作應用到數據集。
我們定義 create_dataset() 函數來創建數據集：
def create_dataset(data_path, batch_size=32, repeat_size=1,num_parallel_workers=1):""" create dataset for train or testArgs:data_path: Data pathbatch_size: The number of data records in each grouprepeat_size: The number of replicated data recordsnum_parallel_workers: The number of parallel workers"""# define datasetmnist_ds = ds.MnistDataset(data_path)# define operation parametersresize_height, resize_width = 32, 32rescale = 1.0 / 255.0shift = 0.0rescale_nml = 1 / 0.3081shift_nml = -1 * 0.1307 / 0.3081# define map operationsresize_op = CV.Resize((resize_height, resize_width), interpolation=Inter.LINEAR) # Resize images to (32, 32)rescale_nml_op = CV.Rescale(rescale_nml, shift_nml) # normalize imagesrescale_op = CV.Rescale(rescale, shift) # rescale imageshwc2chw_op = CV.HWC2CHW() # change shape from (height, width, channel) to (channel, height, width) to fit network.type_cast_op = C.TypeCast(mstype.int32) # change data type of label to int32 to fit network# apply map operations on imagesmnist_ds = mnist_ds.map(input_columns="label", operations=type_cast_op, num_parallel_workers=num_parallel_workers)mnist_ds = mnist_ds.map(input_columns="image", operations=resize_op, num_parallel_workers=num_parallel_workers)mnist_ds = mnist_ds.map(input_columns="image", operations=rescale_op, num_parallel_workers=num_parallel_workers)mnist_ds = mnist_ds.map(input_columns="image", operations=rescale_nml_op, num_parallel_workers=num_parallel_workers)mnist_ds = mnist_ds.map(input_columns="image", operations=hwc2chw_op, num_parallel_workers=num_parallel_workers)# apply DatasetOpsbuffer_size = 10000mnist_ds = mnist_ds.shuffle(buffer_size=buffer_size) # 10000 as in LeNet train scriptmnist_ds = mnist_ds.batch(batch_size, drop_remainder=True)mnist_ds = mnist_ds.repeat(repeat_size)return mnist_ds通過上面的函數，就完成了對剛下載的 MNIST 數據集的預處理。
4.?定義網絡
LeNet-5 是一種用于手寫體字符識別的非常高效的卷積神經網絡。LeNet-5 共有 7 層，不包含輸入，每層都包含可訓練參數；每個層有多個 Feature Map，每個 FeatureMap通過一種卷積濾波器提取輸入的一種特征。
1) 模型初始化
使用 mindspore.common.initializer.TruncatedNormal 方法對參數進行初始化，定義 conv 和 fc_with_initialize 分別對卷積層和全連接層進行初始化。
import mindspore.nn as nn from mindspore.common.initializer import TruncatedNormaldef conv(in_channels, out_channels, kernel_size, stride=1, padding=0):"""Conv layer weight initial."""weight = weight_variable()return nn.Conv2d(in_channels, out_channels,kernel_size=kernel_size, stride=stride, padding=padding,weight_init=weight, has_bias=False, pad_mode="valid")def fc_with_initialize(input_channels, out_channels):"""Fc layer weight initial."""weight = weight_variable()bias = weight_variable()return nn.Dense(input_channels, out_channels, weight, bias)def weight_variable():"""Weight initial."""return TruncatedNormal(0.02)使用?mindspore.common.initializer.TruncatedNormal 方法，可以非常便捷地實現網絡權重系數的初始化操作，不需要自定義初始化函數。
2)?定義 LeNet-5 網絡
MindSpore 來定義 LeNet-5 網絡也很簡單，根據網絡結構，定義相應的卷積層和全連接層即可。在初始化函數 __init__ 種定義神經網絡的各層，然后通過定義 construct 方法來完成神經網絡的前向構造。
class LeNet5(nn.Cell):"""Lenet network structure."""# define the operator requireddef __init__(self):super(LeNet5, self).__init__()self.conv1 = conv(1, 6, 5)self.conv2 = conv(6, 16, 5)self.fc1 = fc_with_initialize(16 * 5 * 5, 120)self.fc2 = fc_with_initialize(120, 84)self.fc3 = fc_with_initialize(84, 10)self.relu = nn.ReLU()self.max_pool2d = nn.MaxPool2d(kernel_size=2, stride=2)self.flatten = nn.Flatten()# use the preceding operators to construct networksdef construct(self, x):x = self.conv1(x)x = self.relu(x)x = self.max_pool2d(x)x = self.conv2(x)x = self.relu(x)x = self.max_pool2d(x)x = self.flatten(x)x = self.fc1(x)x = self.relu(x)x = self.fc2(x)x = self.relu(x)x = self.fc3(x)return xLeNet-5 是一個非常典型且簡單的卷積神經網絡，從?construct 方法可以詳細看到 LeNet-5 各層的結構。
3) 定義損失函數
MindSpore 支持的損失函數有 SoftmaxCrossEntropyWithLogits、L1Loss、MSELoss 等。這里使用 SoftmaxCrossEntropyWithLogits 交叉熵損失函數。
from mindspore.nn.loss import SoftmaxCrossEntropyWithLogits# define the loss function net_loss?=?SoftmaxCrossEntropyWithLogits(is_grad=False,?sparse=True,?reduction='mean')4) 定義網絡梯度下降算法
MindSpore 支持的梯度下降算法有 Adam、AdamWeightDecay、Momentum 等。這里使用流行的 Momentum 算法。其中，學習率設為 0.01，momentum 參數設為 0.9。
# learning rate setting lr?=?0.01 momentum?=?0.9 #?define?the?optimizer net_opt?=?nn.Momentum(network.trainable_params(),?lr,?momentum)5. 訓練網絡
1) 模型保存
mindspore.train.callback.ModelCheckpoint 方法可以保存網絡模型和參數。
config_ck = CheckpointConfig(save_checkpoint_steps=1875, keep_checkpoint_max=10) #?save?the?network?model?and?parameters?for?subsequence?fine-tuning ckpoint_cb?=?ModelCheckpoint(prefix="checkpoint_lenet",?config=config_ck)2) 訓練網絡
訓練網絡使用 model.train 方法進行。這里把 epoch_size 設置為 1，對數據集進行 1 個迭代的訓練。訓練的過程中會打印 loss 值的變化。
from mindspore.nn.metrics import Accuracy from mindspore.train.callback import LossMonitor from mindspore.train import Modeldef train_net(args, model, epoch_size, mnist_path, repeat_size, ckpoint_cb, sink_mode):"""define the training method"""print("============== Starting Training ==============")#load training datasetds_train = create_dataset(os.path.join(mnist_path, "train"), 32, repeat_size)model.train(epoch_size,?ds_train,?callbacks=[ckpoint_cb,?LossMonitor()],?dataset_sink_mode=sink_mode) epoch_size?=?1 mnist_path?=?"./MNIST_Data #?group?layers?into?an?object?with?training?and?evaluation?features model?=?Model(network,?net_loss,?net_opt,?metrics={"Accuracy":?Accuracy()}) train_net(args,?model,?epoch_size,?mnist_path,?repeat_size,?ckpoint_cb)其中，mnist_path 是 MNIST 數據集路徑。
3) 硬件信息
在主函數中，別忘了配置 MindSpore 運行的硬件信息。因為我們是在 CPU 環境下，所以 ‘--device_target’ 設置為 “CPU”。
parser = argparse.ArgumentParser(description='MindSpore LeNet Example') parser.add_argument('--device_target',?type=str,?default="CPU",?choices=['Ascend',?'GPU',?'CPU'],help='device where the code will be implemented (default: CPU)') args?=?parser.parse_args(args=[]) context.set_context(mode=context.GRAPH_MODE,?device_target=args.device_target)這里的 '--device_target' 默認是 “CPU”，根據硬件情況也可以選擇 “Ascend” 或 “GPU”。使用的是圖模式 “context.GRAPH_MODE”。
4) 模型訓練
執行程序，模型訓練開始。訓練過程中會打印 loss 值：
... epoch: 1 step: 262, loss is 1.9212162 epoch: 1 step: 263, loss is 1.8498616 epoch: 1 step: 264, loss is 1.7990671 epoch: 1 step: 265, loss is 1.9492403 epoch: 1 step: 266, loss is 2.0305142 epoch: 1 step: 267, loss is 2.0657792 epoch: 1 step: 268, loss is 1.9582214 epoch: 1 step: 269, loss is 0.9459006 epoch: 1 step: 270, loss is 0.8167224 epoch: 1 step: 271, loss is 0.7432692 ...可以看到 loss 總體來說會逐步減小，精度逐步提高，最終的 loss 為 0.067。
訓練完成之后，得到保存的模型文件：
checkpoint_lenet-1_1875.ckpt
6. 模型測試
在得到模型文件后，使用 model.eval()?接口讀入測試數據集，通過模型運行測試數據集得到的結果。定義測試函數 test_net()：
def test_net(args, network, model, mnist_path):"""Define the evaluation method."""print("============== Starting Testing ==============")# load the saved model for evaluationparam_dict = load_checkpoint("checkpoint_lenet-1_1875.ckpt")# load parameter to the networkload_param_into_net(network, param_dict)# load testing datasetds_eval = create_dataset(os.path.join(mnist_path, "test"))acc = model.eval(ds_eval, dataset_sink_mode=False)print("============== Accuracy:{} ==============".format(acc))運行測試網絡：
最終，可以看到剛剛訓練的 LeNet-5 網絡模型在測試集上的精度是 96.63%，效果非常不錯。
至此，我們使用 MindSpore 框架訓練 LeNet-5 模型已經完成。實現了基于本地 Jupyter 實現 MNIST 手寫數據集分類。總的來說，MindSpore 提供了很多模塊化的方法來進行模型搭建和訓練，非常方便我們能夠快速搭建一個神經網絡模型。大家可以根據自己實際需求，上手搭建一個自己的神經網絡試試。
本節完整代碼：
https://gitee.com/mindspore/docs/blob/master/tutorials/tutorial_code/lenet.py
三、在云服務器上使用 MindSpore
除了可以在本地使用 MindSpore 框架之外，我們還可以在華為云服務器上使用 MindSpore。在華為云上使用 MindSpore 的還有一個好處是，我們可以申請使用昇騰 AI 處理器資源池作為硬件。
ModelArts 是華為云提供的面向開發者的一站式 AI 開發平臺，而且集成了 MindSpore。下面我們將在 ModelArts 下使用 ResNet-50 網絡識別 CIFAR-10 圖片。
1. 準備 ModelArts
1) 進入華為云官網，注冊賬號。
具體操作：
https://support.huaweicloud.com/prepare-modelarts/modelarts_08_0001.html
2)?獲取訪問密鑰并完成 ModelArts 配置。
具體操作：
https://support.huaweicloud.com/prepare-modelarts/modelarts_08_0002.html
3)?創建 OBS 桶
具體操作：
https://support.huaweicloud.com/prepare-modelarts/modelarts_08_0003.html
2. 申請服務器昇騰 AI 處理器資源
為了在 ModelArts 上使用華為云昇騰 AI 處理器，我們需要申請體驗資格，申請方式也很簡單，可在下面的網站上進行申請：
https://console.huaweicloud.com/modelarts/?region=cn-north-4#/dashboard/applyModelArtsAscend910Beta
申請時的內容大家可以填仔細些，一般正常的話兩個工作日就批下來了。
3.?數據準備
1)?下載 CIFAR-10 數據集
CIFAR-10?該數據集共有 60000 張彩色圖像，這些圖像是 32*32，分為 10 個類，每類 6000 張圖。
CIFAR-10 數據集下載地址：
http://www.cs.toronto.edu/~kriz/cifar.html
注意下載 CIFAR-10 binary version 版本。
2)?新建一個自己的 OBS 桶（例如：mine-ms-dataset）
ModelArts 使用對象存儲服務（Object Storage Service，簡稱 OBS）進行數據存儲，因此，在開始訓練任務之前，需要將數據上傳至 OBS。
首先，登錄 OBS 管理控制臺：
https://storage.huaweicloud.com/obs/?region=cn-north-4#/obs/manager/buckets
創建 OBS 桶 mine-ms-dataset（名稱可修改，下面類似）。
然后，在剛創建的 OBS 桶里，創建用于存放數據的文件夾：在桶列表單擊待操作的桶，在左側導航欄，單擊“對象”，新建文件夾 mine-cifar-10。
最后，將下載好的 CIFAR-10 數據集按照以下目錄結構上傳至數據目錄 mine-cifar-10 中：
└─對象存儲/mine-ms-dataset/mine-cifar-10├─train│ data_batch_1.bin│ data_batch_2.bin│ data_batch_3.bin│ data_batch_4.bin│ data_batch_5.bin│└─evaltest_batch.bin4. 程序準備
新建一個 OBS 桶（例如：mine-resnet50-train），在桶中創建代碼目錄（例如：mine-resnet50_cifar10_train）。同時在該桶中創建 output 目錄和 log 目錄，用來存放模型和日志。
將網址：
https://gitee.com/mindspore/docs/tree/master/tutorials/tutorial_code/sample_for_cloud/
中的兩個 .py 文件 dataset.py 和 resnet50_train.py 下載并上傳到代碼目錄 mine-resnet50_cifar10_train 中。
代碼目錄 mine-resnet50_cifar10_train 結構如下：
└─對象存儲/mine-resnet50-train├─mine-resnet50_cifar10_train│ dataset.py│ resnet50_train.py│├─output└─log5.?創建訓練任務
準備好數據和執行腳本以后，下面就可以在云服務器上創建訓練任務了。
1)?進入 ModelArts 控制臺
打開華為云 ModelArts 主頁
https://www.huaweicloud.com/product/modelarts.html
點擊“進入控制臺”。
2) 使用 MindSpore 作為常用框架創建訓練作業
在左側導航欄中選擇“訓練管理 > 訓練作業”，默認進入“訓練作業”列表。
在訓練作業列表中，單擊左上角“創建”，進入“創建訓練作業”頁面。
在創建訓練作業頁面，訓練作業名稱自定義，例如 mine-resnet50-trainjob。填寫訓練作業相關參數，具體配置參數如下：
值得注意的時，算法來源常用框架選擇 Ascend-Powered-Engine，因為我們使用的是硬件是華為云昇騰 AI 處理器。MindSpore 版本選擇 MindSpore-0.1-python3.7-aarch64 即可。
配置完之后，點擊下一步 -> 提交 -> 返回訓練作業列表，可以看到訓練作業 mine-resnet50-trainjob 正在運行：
整個運行過程大概? 8 分半鐘，顯示運行成功，表示模型訓練測試完成。
最后，點擊訓練作業 mine-resnet50-trainjob，在日志里可以看到模型在測試集上的準確率為 92.49%，說明該模型效果不錯。
我們還可以從 OBS 種下載日志文件并查看。
以上就是在云上使用 MindSpore 的簡單教程。
四、總結：
本文主要通過兩個實際應用案例對開源框架 MindSpore 進行介紹。一是基于本地 Jupyter Notebook 的 MNIST 手寫數據識別；二是基于華為云服務器的 CIFAR-10 圖像分類。兩個案例均圍繞并使用了 MindSpore。
從我個人的使用感覺來看，MindSpore 用起來還是很順手的，而且函數封裝得比較簡潔，使用起來較為方便。通過手把手的教程，大家完全可以自己動手實操一下，感受一下開源框架 MindSpore 的魅力。
大家也可以根據自己的具體應用場景和實用案例，使用 MindSpore，搭建神經網絡模型，解決實際問題。無論是計算機視覺還是自然語言處理，相信 MindSpore 都能給大家帶來流暢的體驗。
參考資料：
https://www.mindspore.cn/
https://www.mindspore.cn/tutorial/zh-CN/master/index.html
https://support.huaweicloud.com/modelarts/index.html
總結
以上是生活随笔為你收集整理的MindSpore！这款刚刚开源的深度学习框架我爱了！的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 计算机经典吹牛
- 下一篇： 我的代码第一次运行时的样子