MindSpore手写数字识别体验

文章目录

1. 环境准备
2. 安装minspore及其套件
3. 程序撰写
4. 总结

今天带大家体验一下 MindSpore 这个 AI 框架来完成手写数字识别的任务

1. 环境准备

使用Anaconda创建虚拟环境:

conda create -n mindspore python=3.8

创建完成后会显示以下的图像界面

这样我们的虚拟环境mindspore就创造完成

2. 安装minspore及其套件

mindspore 的安装可以参考：
https://mindspore.cn/install

conda install mindspore-cpu=1.8.1 -c mindspore -c conda-forge

验证安装是否成功:

python -c "import mindspore;mindspore.run_check()"

如果输出下方内容，就成功了

MindSpore version: 版本号
The result of multiplication calculation is correct, MindSpore has been installed successfully!

接下来继续安装其他依赖

pip install mindvision jupyterlab

安装 mindvision 是为了使用MindSpore Vision套件，其提供了用于下载并处理MNIST数据集的Mnist模块。
安装jupyterlab使用jupyter-lab来编写程序

安装完成后激活jupyter-lab环境

jupyter-lab

3. 程序撰写

from mindvision.dataset import Mnist# 下载并处理MNIST数据集
download_train = Mnist(path="./mnist", split="train", batch_size=32, repeat_num=1, shuffle=True, resize=32, download=True)download_eval = Mnist(path="./mnist", split="test", batch_size=32, resize=32, download=True)dataset_train = download_train.run()
dataset_eval = download_eval.run()


import mindspore.nn as nnclass LeNet5(nn.Cell):"""LeNet-5网络结构"""def __init__(self, num_class=10, num_channel=1):super(LeNet5, self).__init__()# 卷积层，输入的通道数为num_channel，输出的通道数为6，卷积核大小为5*5self.conv1 = nn.Conv2d(num_channel, 6, 5, pad_mode='valid')# 卷积层，输入的通道数为6，输出的通道数为16，卷积核大小为5*5self.conv2 = nn.Conv2d(6, 16, 5, pad_mode='valid')# 全连接层，输入个数为16*5*5，输出个数为120self.fc1 = nn.Dense(16 * 5 * 5, 120)# 全连接层，输入个数为120，输出个数为84self.fc2 = nn.Dense(120, 84)# 全连接层，输入个数为84，分类的个数为num_classself.fc3 = nn.Dense(84, num_class)# ReLU激活函数self.relu = nn.ReLU()# 池化层self.max_pool2d = nn.MaxPool2d(kernel_size=2, stride=2)# 多维数组展平为一维数组self.flatten = nn.Flatten()def construct(self, x):# 使用定义好的运算构建前向网络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 xnetwork = LeNet5(num_class=10)


import mindspore.nn as nn# 定义损失函数
net_loss = nn.SoftmaxCrossEntropyWithLogits(sparse=True, reduction='mean')# 定义优化器函数
net_opt = nn.Momentum(network.trainable_params(), learning_rate=0.01, momentum=0.9)


import mindspore as ms# 设置模型保存参数，模型训练保存参数的step为1875。
config_ck = ms.CheckpointConfig(save_checkpoint_steps=1875, keep_checkpoint_max=10)# 应用模型保存参数
ckpoint = ms.ModelCheckpoint(prefix="lenet", directory="./lenet", config=config_ck)


from mindvision.engine.callback import LossMonitor
import mindspore as ms# 初始化模型参数
model = ms.Model(network, loss_fn=net_loss, optimizer=net_opt, metrics={'accuracy'})# 训练网络模型，并保存为lenet-1_1875.ckpt文件
model.train(10, dataset_train, callbacks=[ckpoint, LossMonitor(0.01, 1875)])


acc = model.eval(dataset_eval)print("{}".format(acc))


import mindspore as ms# 加载已经保存的用于测试的模型
param_dict = ms.load_checkpoint("./lenet/lenet-1_1875.ckpt")
# 加载参数到网络中
ms.load_param_into_net(network, param_dict)


import numpy as np
import mindspore as ms
import matplotlib.pyplot as pltmnist = Mnist("./mnist", split="train", batch_size=6, resize=32)
dataset_infer = mnist.run()
ds_test = dataset_infer.create_dict_iterator()
data = next(ds_test)
images = data["image"].asnumpy()
labels = data["label"].asnumpy()plt.figure()
for i in range(1, 7):plt.subplot(2, 3, i)plt.imshow(images[i-1][0], interpolation="None", cmap="gray")
plt.show()# 使用函数model.predict预测image对应分类
output = model.predict(ms.Tensor(data['image']))
predicted = np.argmax(output.asnumpy(), axis=1)# 输出预测分类与实际分类
print(f'Predicted: "{predicted}", Actual: "{labels}"')

程序的输出和实际的一致，说明本次的模型训练和预测是很成功的。

4. 总结

整个流程下来，从模型的设计导训练，整个流程都比较清晰，优化器的设置和参数等的定义都很直观。整体上模型的体验都是不错的，但在jupyter-lab运行时候的warning无法消除，在观感上有点不大好。

欢迎加入MindSpore社区体验这个小任务

MindSpore手写数字识别体验相关推荐

MindSpore手写数字识别初体验，深度学习也没那么神秘嘛
摘要:想了解深度学习却又无从下手,不如从手写数字识别模型训练开始吧! 深度学习作为机器学习分支之一,应用日益广泛.语音识别.自动机器翻译.即时视觉翻译.刷脸支付.人脸考勤--不知不觉,深度学习已经渗入 ...
我的Go+语言初体验——Go+语言构建神经网络实战手写数字识别
"我的Go+语言初体验" | 征文活动进行中- 我的Go+语言初体验--Go+语言构建神经网络实战手写数字识别 0. 前言 1. 神经网络相关概念 2. 构建神经网络实战手写数字识 ...
【mindspore】mindspore实现手写数字识别
mindspore实现手写数字识别具体流程参考教程:MindSpore快速入门 MindSpore 接口文档注:本文章记录的是我在开发过程中的学习笔记,仅供参考学习,欢迎讨论,但不作为开发教程使用 ...
CVNLP基础6之手写数字识别代码体验
文章目录总流程(思路)预览 x是输入的图片y是图片对应的label 关于训练数据集的说明搭建计算网络层计算损失值loss 优化损失值loss(minimize loss) 手写数字初体验代码代 ...
MNIST手写数字识别 —— ResNet-经典卷积神经网络
了解ResNet18的网络结构:掌握模型的保存和加载方法:掌握批量测试图片的方法. 结合图像分类任务,使用典型的图像分类网络ResNet18,实现手写数字识别. ResNet作为经典的图像分类网络有其 ...
基于LeNet5的手写数字识别，在ModelArts和GPU上复现
基于LeNet5的手写数字识别实验介绍 LeNet5 + MNIST被誉为深度学习领域的"Hello world".本实验主要介绍使用MindSpore在MNIST手写数字数据集 ...
matlab 对mnist手写数字数据集进行判决分析_人工智能TensorFlow（十四）MINIST手写数字识别...
MNIST是一个简单的视觉计算数据集,它是像下面这样手写的数字图片: MNIST 每张图片还额外有一个标签记录了图片上数字是几,例如上面几张图的标签就是:5.0.4.1. MINIST数据 MINIS ...
深度学习数字仪表盘识别_【深度学习系列】手写数字识别实战
上周在搜索关于深度学习分布式运行方式的资料时,无意间搜到了paddlepaddle,发现这个框架的分布式训练方案做的还挺不错的,想跟大家分享一下.不过呢,这块内容太复杂了,所以就简单的介绍一下padd ...
Kaggle手写数字识别（Digit Recognizer）记录
竞赛地址 https://www.kaggle.com/c/digit-recognizer 苦于学了cs231n和pytorch之后没有东西拿来练手,就去kaggle上找了一个入门竞赛,MNIST手 ...