【啃书吧：深度学习与MindSpore实践】第三章 3.4 用MindSpore实现简单神经网络（下）

初读：2021年1月18日至2021年1月21日

啃书进度会在目录中标出来。本次目标是完成第三章 3.4节用MindSpore实现简单神经网络的代码部分（P34-P36）。

这一节的内容对我来说挑战不小，所以上一周只完成了LeNet网络原理部分，重点是理解各层的功能和参数。本周接着把是运行代码部分啃下来，重点是把LeNet训练模型跑下来，不涉及模型的性能评估。

 

 

3.4.2  详细步骤

下面描述使用LeNet网络训练和推理的详细步骤，并给出示例代码。

1. 加载MindSpore模块

使用MindSpore API前需要先导入MindSpore API和辅助模块，如代码3.1所示

2. 导入数据集

使用MindSpore 数据格式API创建Mnist数据集。创建之前需要先下载Mnist数据集，链接：http://yann.lecun.com/exdb/mnist/index.html。 训练和测试数据分别解压到不同的目录下。在我的机器里是这样存的：

3. 定义LeNet网络

核心代码如代码3.2所示

__init__()函数完成卷积层和全连接层的初始化。初始化参数包括输入个数、输出个数、卷积层参数以及卷积核大小。因为原始数据集的图片大小是28×28，所以在创建数据集的过程中需要将输入大小转变成32×32.

construct()函数实现前向传播。根据定义对输入依次进行卷积、激活、池化等操作，最后返回计算结果 。在全连接层之前，先对数据进行展开操作，使用Flatten()函数，在保留第0轴的前提下将输入张量进行扁平化处理。

4.  设置超参数并创建网络

定义损失函数和优化器。损失函数使用SoftmaxCrossEntroyWithLogit，采用Softmax进行交叉熵计算。选用Momentum优化器，学习率设置为0.1，动量为0.9，核心 代码如代码3.3 所示

5. 训练网络模型

把网络、损失函数和优化器传入模型中，调用train()方法即可开始训练，返回“Epoch time”说明训练过程结束。核心 代码如代码3.4所示

跑通的LeNet网络代码见附件。

另外，MindSpore官网有基于LeNet的手写字识别教程——实现一个图片分类应用，每一步的作用、重要参数、执行效果，包括检验模型的性能等等都写得清清楚楚，而且图文并茂非常直观，强烈建议仔细研读。

 

 

 

<ignore_js_op class="ignore">

03-4 代码.rar2.88 KB