为什么我做的视频网站播放不了,临时域名用于网站调试,深圳画册设计欣赏,国家企业公示信息系统官网《昇思25天学习打卡营第5天 | 网络构建》 目录 《昇思25天学习打卡营第5天 | 网络构建》什么是神经网络模型构建一个用于Mnist数据集分类的神经网络模型定义模型类模型层nn.Flattennn.Densenn.ReLUnn.SequentialCellnn.Softmax 模型参数 想要学习神经网络模型的构建#xff0c…《昇思25天学习打卡营第5天 | 网络构建》 目录 《昇思25天学习打卡营第5天 | 网络构建》什么是神经网络模型构建一个用于Mnist数据集分类的神经网络模型定义模型类模型层nn.Flattennn.Densenn.ReLUnn.SequentialCellnn.Softmax 模型参数 想要学习神经网络模型的构建我们要先对神经网络模型有一个简单的了解
什么是神经网络模型
神经网络模型是一种模仿生物神经系统结构和功能的计算模型它由大量的节点或称为“神经元”组成这些节点通过连接或称为“权重”相互作用以处理信息。神经网络模型是机器学习和深度学习的核心组成部分广泛应用于图像识别、语音识别、自然语言处理、游戏和决策系统等领域。
神经网络模型的基本结构包括以下几个关键部分
1.输入层Input Layer输入层接收原始数据或特征并将其传递给网络。每个输入节点对应数据的一个特征。2.隐藏层Hidden Layers隐藏层位于输入层和输出层之间可以有一个或多个。每个隐藏层包含多个神经元这些神经元通过激活函数处理输入数据并将结果传递给下一层。3.输出层Output Layer输出层产生网络的最终输出。输出层的节点数量取决于任务的类型例如分类任务中可能有一个节点对应一个类别。4.权重Weights权重是神经网络中连接神经元的边的强度。在训练过程中权重会根据学习算法进行调整以最小化预测输出和实际输出之间的差异。5.激活函数Activation Function激活函数决定神经元是否应该被激活以及如何将输入信号转换为输出信号。常见的激活函数包括Sigmoid、Tanh、ReLU等。6.损失函数Loss Function损失函数衡量模型预测值与真实值之间的差异。训练的目标是最小化损失函数以提高模型的准确性。7.优化算法Optimization Algorithm优化算法用于调整权重以减少损失函数的值。常见的优化算法包括梯度下降Gradient Descent、Adam等。 神经网络模型可以通过增加隐藏层的数量和每层的神经元数量来构建更深层次的网络即深度神经网络DNN。深度学习是指使用这些深度神经网络进行学习和预测的过程。随着网络深度的增加模型可以学习到更复杂的数据表示从而提高其在复杂任务上的性能。 神经网络模型的训练通常涉及以下步骤 初始化权重和偏置。 通过网络前向传播输入数据计算输出。 计算损失函数的值。 通过反向传播算法计算梯度更新权重和偏置。 重复上述步骤直到损失函数达到预定的阈值或训练次数达到预定值。 神经网络模型的灵活性和强大的学习能力使其成为解决各种复杂问题的有力工具。 构建一个用于Mnist数据集分类的神经网络模型 神经网络模型是由神经网络层和Tensor操作构成的mindspore.nn提供了常见神经网络层的实现在MindSpore中Cell类是构建所有网络的基类也是网络的基本单元。一个神经网络模型表示为一个Cell它由不同的子Cell构成。使用这样的嵌套结构可以简单地使用面向对象编程的思维对神经网络结构进行构建和管理。 import mindspore
from mindspore import nn, ops定义模型类
当我们定义神经网络时可以继承nn.Cell类在__init__方法中进行子Cell的实例化和状态管理在construct方法中实现Tensor操作。 construct意为神经网络计算图构建相关内容详见使用静态图加速。 class Network(nn.Cell):def __init__(self):super().__init__()self.flatten nn.Flatten()self.dense_relu_sequential nn.SequentialCell(nn.Dense(28*28, 512, weight_initnormal, bias_initzeros),nn.ReLU(),nn.Dense(512, 512, weight_initnormal, bias_initzeros),nn.ReLU(),nn.Dense(512, 10, weight_initnormal, bias_initzeros))def construct(self, x):x self.flatten(x)logits self.dense_relu_sequential(x)return logits构建完成后实例化Network对象并查看其结构
model Network()
print(model)Network (flatten): Flatten (dense_relu_sequential): SequentialCell (0): Denseinput_channels784, output_channels512, has_biasTrue (1): ReLU (2): Denseinput_channels512, output_channels512, has_biasTrue (3): ReLU (4): Denseinput_channels512, output_channels10, has_biasTrue 构造一个输入数据直接调用模型可以获得一个十维的Tensor输出其包含每个类别的原始预测值。 model.construct()方法不可直接调用。 X ops.ones((1, 28, 28), mindspore.float32)
logits model(X)
# print logits
logitsTensor(shape[1, 10], dtypeFloat32, value [[ 5.63525222e-03, 1.95503701e-03, 1.37578510e-03 … 3.18193645e-03, 4.75832634e-03, -1.40827773e-02]]) 在此基础上我们通过一个nn.Softmax层实例来获得预测概率。
pred_probab nn.Softmax(axis1)(logits)
y_pred pred_probab.argmax(1)
print(fPredicted class: {y_pred})Predicted class: [0] 模型层
本节中我们分解上节构造的神经网络模型中的每一层。首先我们构造一个shape为(3, 28, 28)的随机数据3个28x28的图像依次通过每一个神经网络层来观察其效果。
input_image ops.ones((3, 28, 28), mindspore.float32)
print(input_image.shape)(3, 28, 28) nn.Flatten
实例化nn.Flatten层将28x28的2D张量转换为784大小的连续数组。
flatten nn.Flatten()
flat_image flatten(input_image)
print(flat_image.shape)(3, 784) nn.Dense
nn.Dense为全连接层其使用权重和偏差对输入进行线性变换。
layer1 nn.Dense(in_channels28*28, out_channels20)
hidden1 layer1(flat_image)
print(hidden1.shape)(3, 20) nn.ReLU
nn.ReLU层给网络中加入非线性的激活函数帮助神经网络学习各种复杂的特征。
print(fBefore ReLU: {hidden1}\n\n)
hidden1 nn.ReLU()(hidden1)
print(fAfter ReLU: {hidden1})Before ReLU: [[-0.09974532 0.43209994 -1.5348294 -0.01862794 -0.34712428 -0.7054299 -0.7356559 -0.4894955 0.5345057 0.39337468 -0.4733568 0.75652665 -0.1487863 -0.06488393 -0.43578142 0.37262595 -0.47728366 -0.03433053 -0.98210937 0.5067057 ] [-0.09974532 0.43209994 -1.5348294 -0.01862794 -0.34712428 -0.7054299 -0.7356559 -0.4894955 0.5345057 0.39337468 -0.4733568 0.75652665 -0.1487863 -0.06488393 -0.43578142 0.37262595 -0.47728366 -0.03433053 -0.98210937 0.5067057 ] [-0.09974532 0.43209994 -1.5348294 -0.01862794 -0.34712428 -0.7054299 -0.7356559 -0.4894955 0.5345057 0.39337468 -0.4733568 0.75652665 -0.1487863 -0.06488393 -0.43578142 0.37262595 -0.47728366 -0.03433053 -0.98210937 0.5067057 ]] After ReLU: [[0. 0.43209994 0. 0. 0. 0. 0. 0. 0.5345057 0.39337468 0. 0.75652665 0. 0. 0. 0.37262595 0. 0. 0. 0.5067057 ] [0. 0.43209994 0. 0. 0. 0. 0. 0. 0.5345057 0.39337468 0. 0.75652665 0. 0. 0. 0.37262595 0. 0. 0. 0.5067057 ] [0. 0.43209994 0. 0. 0. 0. 0. 0. 0.5345057 0.39337468 0. 0.75652665 0. 0. 0. 0.37262595 0. 0. 0. 0.5067057 ]] nn.SequentialCell
nn.SequentialCell是一个有序的Cell容器。输入Tensor将按照定义的顺序通过所有Cell。我们可以使用SequentialCell来快速组合构造一个神经网络模型。
seq_modules nn.SequentialCell(flatten,layer1,nn.ReLU(),nn.Dense(20, 10)
)logits seq_modules(input_image)
print(logits.shape)(3, 10) nn.Softmax
最后使用nn.Softmax将神经网络最后一个全连接层返回的logits的值缩放为[0, 1]表示每个类别的预测概率。axis指定的维度数值和为1。
softmax nn.Softmax(axis1)
pred_probab softmax(logits)模型参数
网络内部神经网络层具有权重参数和偏置参数如nn.Dense这些参数会在训练过程中不断进行优化可通过 model.parameters_and_names() 来获取参数名及对应的参数详情。
print(fModel structure: {model}\n\n)for name, param in model.parameters_and_names():print(fLayer: {name}\nSize: {param.shape}\nValues : {param[:2]} \n)输出
Model structure: Network(flatten): Flatten(dense_relu_sequential): SequentialCell(0): Denseinput_channels784, output_channels512, has_biasTrue(1): ReLU(2): Denseinput_channels512, output_channels512, has_biasTrue(3): ReLU(4): Denseinput_channels512, output_channels10, has_biasTrueLayer: dense_relu_sequential.0.weight
Size: (512, 784)
Values : [[-0.00198828 0.00976331 -0.00121677 ... 0.00152741 0.01949361-0.00351514][ 0.00710773 0.01324592 0.00197527 ... -0.01315448 -0.00343975-0.00046103]] Layer: dense_relu_sequential.0.bias
Size: (512,)
Values : [0. 0.] Layer: dense_relu_sequential.2.weight
Size: (512, 512)
Values : [[ 1.63047947e-02 -9.95626251e-05 -3.21123237e-03 ... 2.22095232e-02-8.22230522e-03 -5.10709640e-03][-1.89869397e-03 -7.83220772e-03 -4.89277160e-03 ... 1.33626405e-02-2.49107648e-03 -2.77312868e-03]] Layer: dense_relu_sequential.2.bias
Size: (512,)
Values : [0. 0.] Layer: dense_relu_sequential.4.weight
Size: (10, 512)
Values : [[-1.0803971e-02 -1.2106386e-03 -9.3358625e-03 ... -7.1796784e-03-7.5424239e-03 -1.5704501e-02][ 6.8407003e-03 -6.9631526e-05 8.0867661e-03 ... 8.8249799e-03-1.3077988e-02 8.5207196e-03]] Layer: dense_relu_sequential.4.bias
Size: (10,)
Values : [0. 0.]
