AI智能
改变未来

真香!全场景AI计算开源框架MindSpore,我爱了

【摘要】 本文主要通过两个实际应用案例:一是基于本地 Jupyter Notebook 的 MNIST 手写数据识别;二是基于华为云服务器的 CIFAR-10 图像分类,对开源框架 MindSpore 进行介绍。

犹记得今年的华为开发者大会 HDC 2020 上,一直受人瞩目的深度学习框架 MindSpore 终于开源了。

我之前一直关注 MindSpore,还是挺期待的。MindSpore 是一款支持端、边、云独立/协同的统一训练和推理框架。与 TensorFlow、PyTorch  等流行深度学习框架对标,MindSpore 旨在大幅度降低 AI 应用开发门槛,让人工智能无处不在。

MindSpore 最大的特点就是开发门槛大大降低,提高开发效率,这样可以显著减少模型开发时间。

因此,使用MindSpore的优势可以总结为以下四点:

●简单的开发体验

●灵活的调试模式

●充分发挥硬件潜能

●全场景快速部署

既然开源了,那就赶紧上手,试一试这款开源的 MindSpore 怎么样!本文我将介绍 MindSpore 的安装和上手教程,通过一个简单的图像识别案例来跑完整个 AI 训练和测试流程。

 

一、MindSpore 的安装

开源框架 MindSpore 的安装方法有很多,可以在 Windows、Ubuntu 上安装,也可以在华为 Ascend 910 上安装。各种详尽的安装方法请见下面的链接:

https://www.mindspore.cn/install

下面介绍两种最简单的安装方法!

1. Docker 安装

Docker 安装最为简单,可参考:

https://gitee.com/mindspore/mindspore#docker-image

以 0.3.0-alpha 版本为例:

  • CPU:

docker pull mindspore/mindspore-cpu:0.3.0-alpha

  • GPU:

docker pull mindspore/mindspore-gpu:0.3.0-alpha

安装好后,可以看到安装的镜像,并使用下面的命令创建一个你的容器:

docker run -it mindspore/mindspore-cpu:0.3.0-alpha /bin/bash

2. Win10+Anaconda+MindSpore

使用 Win10 +Anaconda+MindSpore 的方式进行安装也非常简单,本文将采用这种方式安装 MindSpore。

在 MindSpore 安装首页里,选择安装相关配置:

  • 版本:0.3.0-alpha
  • 硬件平台:CPU
  • 操作系统:Windows-64
  • 编程语言:Python 3.7.5

首先,在 Win10 上安装 Anaconda,Anaconda 是一个开源的 Python 发行版本,其包含了 conda、Python 等 180 多个科学包及其依赖项。

然后,创建一个虚拟环境。

1). 打开 Anaconda 组件中的 Anaconda Prompt 终端:

2). 使用下面的命令,创建一个虚拟环境 mindspore(名字可以自定义),并进入虚拟环境:

conda create -n mindspore python=3.7.5 
conda activate mindspore

3). 安装依赖库,根据 https://gitee.com/mindspore/mindspore/blob/r0.3/requirements.txt 列出的依赖库,使用 conda 命令安装。例如:

conda install numpy

4). 根据之前选择的相关配置,在网站:https://www.mindspore.cn/versions 中选择所要相应的 MindSpore 版本:

mindspore-0.3.0-cp37-cp37m-win_amd64.whl

可以将.whl 文件下载到本地,使用 pip 安装(使用 conda 命令在线安装速度可能比较慢,因此可以选择将.whl文件下载到本地,使用 pip 命令安装):

pip install mindspore-0.3.0-cp37-cp37m-win_amd64.whl

最后测试是否安装成功,进入 Python shell,执行如下命令,如果没有提示 No module named \’mindspore\’ 等加载错误的信息,则说明安装成功。

至此,安装完成!

 

二、基于本地 Jupyter 实现 MNIST 手写数据集分类

1. 安装 Jupyter Notebook

首先,在虚拟环境 mindspore 中安装 Jupyter Notebook。方法是:打开 Anaconda 组件 Anaconda Navigator。

在 Anaconda Navigator 中,Application on 选择刚建立的虚拟环境 mindspore,在组件 Jupyter Notebook 下点击 install,安装。安装完成后如下图:

点击 Notebook 下的 Launch,即可打开 Jupyter Notebook。

2. 下载数据集

MNIST 手写数据集想必大家都很熟悉了,包含 0-9 的数字,由 60000 张训练图片和 10000 张测试图片组成。

MNIST 数据集下载页面:

http://yann.lecun.com/exdb/mnist/

使用 MindSpore,我们可以通过直接定义一个 download_dataset 函数来自动下载 MNIST 数据集:

[code]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 url        file_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 url        file_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)

该函数实现将数据集自动下载在本地的 ./MNIST_Data 目录下,训练集放在子目录 /train 下,测试集放在子目录 /test 下。

3. 数据预处理

MNIST 数据集准备好了之后,下一步就要对数据集进行一些预处理,包括图片尺寸调整为 32×32(因为我们使用的是 LeNet-5 网络,后面会介绍),像素归一化、batch_size 设为 32(可调整),等等。

MindSpore 提供了 mindspore.dataset.MnistDataset 来直接定义 Minist 数据集,非常方便。使用 mindspore.dataset.MnistDataset.map 映射函数,将数据操作应用到数据集。

我们定义 create_dataset() 函数来创建数据集:

[code]def create_dataset(data_path, batch_size=32, repeat_size=1,                   num_parallel_workers=1):    \"\"\" create dataset for train or test    Args:        data_path: Data path        batch_size: The number of data records in each group        repeat_size: The number of replicated data records        num_parallel_workers: The number of parallel workers    \"\"\"    # define dataset    mnist_ds = ds.MnistDataset(data_path)    # define operation parameters    resize_height, resize_width = 32, 32    rescale = 1.0 / 255.0    shift = 0.0    rescale_nml = 1 / 0.3081    shift_nml = -1 * 0.1307 / 0.3081    # define map operations    resize_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 images    rescale_op = CV.Rescale(rescale, shift) # rescale images    hwc2chw_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 images    mnist_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 DatasetOps    buffer_size = 10000    mnist_ds = mnist_ds.shuffle(buffer_size=buffer_size)  # 10000 as in LeNet train script    mnist_ds = mnist_ds.batch(batch_size, drop_remainder=True)    mnist_ds = mnist_ds.repeat(repeat_size)    return mnist_ds

通过上面的函数,就完成了对刚下载的 MNIST 数据集的预处理。

4. 定义网络

LeNet-5 是一种用于手写体字符识别的非常高效的卷积神经网络。LeNet-5 共有 7 层,不包含输入,每层都包含可训练参数;每个层有多个 Feature Map,每个 FeatureMap通过一种卷积滤波器提取输入的一种特征。

1) 模型初始化

使用 mindspore.common.initializer.TruncatedNormal 方法对参数进行初始化,定义 conv 和 fc_with_initialize 分别对卷积层和全连接层进行初始化。

[code]import mindspore.nn as nnfrom 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,可以非常便捷地实现网络权重系数的初始化操作,不需要自定义初始化函数。

2) 定义 LeNet-5 网络

MindSpore 来定义 LeNet-5 网络也很简单,根据网络结构,定义相应的卷积层和全连接层即可。在初始化函数 __init__ 种定义神经网络的各层,然后通过定义 construct 方法来完成神经网络的前向构造。

[code]class LeNet5(nn.Cell):    \"\"\"Lenet network structure.\"\"\"    # define the operator required    def __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 networks    def 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 x

LeNet-5 是一个非常典型且简单的卷积神经网络,从 construct 方法可以详细看到 LeNet-5 各层的结构。

3) 定义损失函数

MindSpore 支持的损失函数有 SoftmaxCrossEntropyWithLogits、L1Loss、MSELoss 等。这里使用 SoftmaxCrossEntropyWithLogits 交叉熵损失函数。

[code]from mindspore.nn.loss import SoftmaxCrossEntropyWithLogits# define the loss functionnet_loss = SoftmaxCrossEntropyWithLogits(is_grad=False, sparse=True, reduction=\'mean\')

4) 定义网络梯度下降算法

MindSpore 支持的梯度下降算法有 Adam、AdamWeightDecay、Momentum 等。这里使用流行的 Momentum 算法。其中,学习率设为 0.01,momentum 参数设为 0.9。

[code]# learning rate settinglr = 0.01momentum = 0.9# define the optimizernet_opt = nn.Momentum(network.trainable_params(), lr, momentum)5. 训练网络1) 模型保存mindspore.train.callback.ModelCheckpoint 方法可以保存网络模型和参数。config_ck = CheckpointConfig(save_checkpoint_steps=1875, keep_checkpoint_max=10)# save the network model and parameters for subsequence fine-tuningckpoint_cb = ModelCheckpoint(prefix=\"checkpoint_lenet\", config=config_ck)

2) 训练网络

训练网络使用 model.train 方法进行。这里把 epoch_size 设置为 1,对数据集进行 1 个迭代的训练。训练的过程中会打印 loss 值的变化。

[code]from mindspore.nn.metrics import Accuracyfrom mindspore.train.callback import LossMonitorfrom 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 dataset    ds_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 = 1mnist_path = \"./MNIST_Data# group layers into an object with training and evaluation featuresmodel = 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 数据集路径。

3) 硬件信息

在主函数中,别忘了配置 MindSpore 运行的硬件信息。因为我们是在 CPU 环境下,所以 ‘–device_target’ 设置为 “CPU”。

[code]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)

这里的 \’–device_target\’ 默认是 “CPU”,根据硬件情况也可以选择 “Ascend” 或 “GPU”。使用的是图模式 “context.GRAPH_MODE”。

4) 模型训练

执行程序,模型训练开始。训练过程中会打印 loss 值:

[code]...epoch: 1 step: 262, loss is 1.9212162epoch: 1 step: 263, loss is 1.8498616epoch: 1 step: 264, loss is 1.7990671epoch: 1 step: 265, loss is 1.9492403epoch: 1 step: 266, loss is 2.0305142epoch: 1 step: 267, loss is 2.0657792epoch: 1 step: 268, loss is 1.9582214epoch: 1 step: 269, loss is 0.9459006epoch: 1 step: 270, loss is 0.8167224epoch: 1 step: 271, loss is 0.7432692...

可以看到 loss 总体来说会逐步减小,精度逐步提高,最终的 loss 为 0.067。

训练完成之后,得到保存的模型文件:

checkpoint_lenet-1_1875.ckpt

6. 模型测试

在得到模型文件后,使用 model.eval() 接口读入测试数据集,通过模型运行测试数据集得到的结果。定义测试函数 test_net():

[code]def test_net(args, network, model, mnist_path):    \"\"\"Define the evaluation method.\"\"\"    print(\"============== Starting Testing ==============\")    # load the saved model for evaluation    param_dict = load_checkpoint(\"checkpoint_lenet-1_1875.ckpt\")    # load parameter to the network    load_param_into_net(network, param_dict)    # load testing dataset    ds_eval = create_dataset(os.path.join(mnist_path, \"test\"))    acc = model.eval(ds_eval, dataset_sink_mode=False)    print(\"============== Accuracy:{} ==============\".format(acc))

运行测试网络:

[code]test_net(args, network, model, mnist_path)============== Starting Testing ============================ Accuracy:{\'Accuracy\': 0.9663461538461539} ==============

最终,可以看到刚刚训练的 LeNet-5 网络模型在测试集上的精度是 96.63%,效果非常不错。

至此,我们使用 MindSpore 框架训练 LeNet-5 模型已经完成。实现了基于本地 Jupyter 实现 MNIST 手写数据集分类。总的来说,MindSpore 提供了很多模块化的方法来进行模型搭建和训练,非常方便我们能够快速搭建一个神经网络模型。大家可以根据自己实际需求,上手搭建一个自己的神经网络试试。

本节完整代码:

https://gitee.com/mindspore/docs/blob/master/tutorials/tutorial_code/lenet.py

 

三、在云服务器上使用 MindSpore

除了可以在本地使用 MindSpore 框架之外,我们还可以在华为云服务器上使用 MindSpore。在华为云上使用 MindSpore 的还有一个好处是,我们可以申请使用昇腾 AI 处理器资源池作为硬件。

ModelArts 是华为云提供的面向开发者的一站式 AI 开发平台,而且集成了 MindSpore。下面我们将在 ModelArts 下使用 ResNet-50 网络识别 CIFAR-10 图片。

1. 准备 ModelArts

1) 进入华为云官网,注册账号。

具体操作:

https://support.huaweicloud.com/prepare-modelarts/modelarts_08_0001.html

2) 获取访问密钥并完成 ModelArts 配置。

具体操作:

https://support.huaweicloud.com/prepare-modelarts/modelarts_08_0002.html

3) 创建 OBS 桶

具体操作:

https://support.huaweicloud.com/prepare-modelarts/modelarts_08_0003.html

2. 申请服务器昇腾 AI 处理器资源

为了在 ModelArts 上使用华为云昇腾 AI 处理器,我们需要申请体验资格,申请方式也很简单,可在下面的网站上进行申请:

https://console.huaweicloud.com/modelarts/?region=cn-north-4#/dashboard/applyModelArtsAscend910Beta

申请时的内容大家可以填仔细些,一般正常的话两个工作日就批下来了。

3. 数据准备

1) 下载 CIFAR-10 数据集

CIFAR-10 该数据集共有 60000 张彩***像,这些图像是 32*32,分为 10 个类,每类 6000 张图。

CIFAR-10 数据集下载地址:

http://www.cs.toronto.edu/~kriz/cifar.html

注意下载 CIFAR-10 binary version 版本。

2) 新建一个自己的 OBS 桶(例如:mine-ms-dataset)

ModelArts 使用对象存储服务(Object Storage Service,简称 OBS)进行数据存储,因此,在开始训练任务之前,需要将数据上传至 OBS。

首先,登录 OBS 管理控制台:

https://storage.huaweicloud.com/obs/?region=cn-north-4#/obs/manager/buckets

创建 OBS 桶 mine-ms-dataset(名称可修改,下面类似)。

然后,在刚创建的 OBS 桶里,创建用于存放数据的文件夹:在桶列表单击待操作的桶,在左侧导航栏,单击“对象”,新建文件夹 mine-cifar-10。

最后,将下载好的 CIFAR-10 数据集按照以下目录结构上传至数据目录 mine-cifar-10 中:

[code]└─对象存储/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    │    └─eval        test_batch.bin

4. 程序准备

新建一个 OBS 桶(例如:mine-resnet50-train),在桶中创建代码目录(例如:mine-resnet50_cifar10_train)。同时在该桶中创建 output 目录和 log 目录,用来存放模型和日志。

将网址:

https://gitee.com/mindspore/docs/tree/master/tutorials/tutorial_code/sample_for_cloud/

中的两个 .py 文件 dataset.py 和 resnet50_train.py 下载并上传到代码目录 mine-resnet50_cifar10_train 中。

代码目录 mine-resnet50_cifar10_train 结构如下:

[code]└─对象存储/mine-resnet50-train    ├─mine-resnet50_cifar10_train    │      dataset.py    │      resnet50_train.py    │    ├─output    └─log

5. 创建训练任务

准备好数据和执行脚本以后,下面就可以在云服务器上创建训练任务了。

1) 进入 ModelArts 控制台

打开华为云 ModelArts 主页

https://www.huaweicloud.com/product/modelarts.html

点击“进入控制台”。

2) 使用 MindSpore 作为常用框架创建训练作业

在左侧导航栏中选择“训练管理 > 训练作业”,默认进入“训练作业”列表。

在训练作业列表中,单击左上角“创建”,进入“创建训练作业”页面。

在创建训练作业页面,训练作业名称自定义,例如 mine-resnet50-trainjob。填写训练作业相关参数,具体配置参数如下:

值得注意的时,算法来源常用框架选择 Ascend-Powered-Engine,因为我们使用的是硬件是华为云昇腾 AI 处理器。MindSpore 版本选择 MindSpore-0.1-python3.7-aarch64 即可。

配置完之后,点击下一步 -> 提交 -> 返回训练作业列表,可以看到训练作业 mine-resnet50-trainjob 正在运行:

整个运行过程大概  8 分半钟,显示运行成功,表示模型训练测试完成。

最后,点击训练作业 mine-resnet50-trainjob,在日志里可以看到模型在测试集上的准确率为 92.49%,说明该模型效果不错。

我们还可以从 OBS 种下载日志文件并查看。

以上就是在云上使用 MindSpore 的简单教程。

 

四、总结

从我个人的使用感觉来看,MindSpore 用起来还是很顺手的,而且函数封装得比较简洁,使用起来较为方便。通过手把手的教程,大家完全可以自己动手实操一下,感受一下开源框架 MindSpore 的魅力。

大家也可以根据自己的具体应用场景和实用案例,使用 MindSpore,搭建神经网络模型,解决实际问题。无论是计算机视觉还是自然语言处理,相信 MindSpore 都能给大家带来流畅的体验。

参考资料:

https://www.mindspore.cn/

https://www.mindspore.cn/tutorial/zh-CN/master/index.html

https://support.huaweicloud.com/modelarts/index.html

 

点击这里→了解更多精彩内容

 

相关推荐

解密如何使用昇腾AI计算解决方案构建业务引擎

【玩转Atlas200DK系列】基于Pycharm专业版构建开发板python开发运行环境

【玩转Atlas200DK系列】Atlas 200 DK安装python的hiai库以及opencv

解密昇腾AI处理器–DaVinci架构(计算单元)

赞(0) 打赏
未经允许不得转载:爱站程序员基地 » 真香!全场景AI计算开源框架MindSpore,我爱了