人工智能开发框架 10. MNIST手写数字识别任务（三）

目录

步骤六、样本可视化

步骤七、定义网络

步骤八、定义损失函数及优化器

---

步骤六、样本可视化

读取前10个样本，然后进行样本可视化，以此来确定样本是不是真实数据集。

#显示前10张图片以及对应标签,检查图片是否是正确的数据集
data = DS.create_dict_iterator().__next__()
images = data['image'].asnumpy()
labels = data['label'].asnumpy()
plt.figure(figsize=(15,5))
for i in range(1,11):plt.subplot(2, 5, i)plt.imshow(np.squeeze(images[i]))plt.title('Number: %s' % labels[i])plt.xticks([])
plt.show()

图2-1 样本可视化

步骤七、定义网络

我们通过定义一个简单的全连接网络来完成图像识别，网络只有3层：

第一层全连接层，形状为784*512；

第二层全连接层，形状为512*128；

最后一层输出层，形状为128*10。

使用MindSpore定义神经网络需要继承mindspore.nn.Cell。Cell是所有神经网络（Conv2d等）的基类。

神经网络的各层需要预先在__init__方法中定义，然后通过定义construct方法来完成神经网络的前向构造。定义网络各层如下：

#创建模型。模型包括3个全连接层，最后输出层使用softmax进行多分类，共分成（0-9）10类
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 logitsnet = Network()

步骤八、定义损失函数及优化器

损失函数：又叫目标函数，用于衡量预测值与实际值差异的程度。深度学习通过不停地迭代来缩小损失值。定义一个好的损失函数，可以有效提高模型的性能。

优化器：用于最小化损失函数，从而在训练过程中改进模型。

定义了损失函数后，可以得到损失函数关于权重的梯度。梯度用于指示优化器优化权重的方向，以提高模型性能。MindSpore支持的损失函数有SoftmaxCrossEntropyWithLogits、L1Loss、MSELoss等。这里使用SoftmaxCrossEntropyWithLogits损失函数。

MindSpore提供了callback机制，可以在训练过程中执行自定义逻辑，这里使用框架提供的ModelCheckpoint为例。 ModelCheckpoint可以保存网络模型和参数，以便进行后续的fine-tuning（微调）操作。

#创建网络，损失函数，评估指标  优化器，设定相关超参数
lr = 0.001
num_epoch = 10
momentum = 0.9
loss = nn.loss.SoftmaxCrossEntropyWithLogits(sparse=True, reduction='mean')
metrics={"Accuracy": Accuracy()}
opt = nn.Adam(net.trainable_params(), lr)