昇思25天学习打卡营第1天 |昇思MindSpore框架的快速入门

Mr_Orangechen

已于 2024-07-01 22:59:29 修改

阅读量614

点赞数 4

CC 4.0 BY-SA版权

分类专栏：昇思25天学习打卡文章标签：学习人工智能

于 2024-06-30 10:05:30 首次发布

本文链接：https://blog.csdn.net/Mr_Orangechen/article/details/140076502

在快速入门这一个章节，使用官方提供的算力或者cpu可轻松得进行代码和模型的运作与学习。

由于我是周末开始学习，还没来得及申请算力，就暂时先试用cpu；

关键指令和关键词参数表总结

指令/关键词	参数	作用
`mindspore.dataset`	-	提供数据集加载和处理功能。
`MnistDataset`	`path`	加载MNIST数据集。
`vision.Rescale`	`rescale`	图像数据归一化，通常用于将像素值缩放到0-1范围。
`vision.Normalize`	`mean`, `std`	对图像数据进行标准化处理，减去均值并除以标准差。
`vision.HWC2CHW`	-	将图像数据从HWC格式转换为CHW格式。
`transforms.TypeCast`	`type`	将数据类型转换为指定类型。
`nn.Cell`	-	所有网络层的基类，用于构建自定义神经网络。
`nn.Flatten`	-	将多维输入展平为二维。
`nn.SequentialCell`	`*layers`	顺序容器，按顺序将层传递给输入。
`nn.Dense`	`in_channels`, `out_channels`, `has_bias`	全连接层，具有输入通道数和输出通道数。
`nn.ReLU`	-	激活函数，应用Rectified Linear Unit (ReLU) 非线性变换。
`nn.CrossEntropyLoss`	-	计算交叉熵损失，用于分类任务。
`nn.SGD`	`params`, `learning_rate`	随机梯度下降优化器，更新模型参数。
`mindspore.value_and_grad`	`fn`, `grad_position`, `params`, `has_aux`	获取函数值和梯度，用于反向传播。
`mindspore.save_checkpoint`	`network`, `ckpt_file_name`	保存模型参数到指定文件。
`mindspore.load_checkpoint`	`ckpt_file_name`	从指定文件加载模型参数。
`mindspore.load_param_into_net`	`network`, `param_dict`	将加载的参数字典导入网络模型。

1. 基本设置

首先，导入必要的库。
当然如果在自己电脑上运作，又不是使用现成的实验环境，则需要先布置实验环境；

pip install download

%%capture captured_output
# 实验环境已经预装了mindspore==2.3.0rc1，如需更换mindspore版本，可更改下面mindspore的版本号
!pip uninstall mindspore -y
!pip install -i https://pypi.mirrors.ustc.edu.cn/simple mindspore==2.3.0rc1

在这里插入图片描述

%%capture captured_output
# 实验环境已经预装了mindspore==2.3.0rc1，如需更换mindspore版本，可更改下面mindspore的版本号
!pip uninstall mindspore -y
!pip install -i https://pypi.mirrors.ustc.edu.cn/simple mindspore==2.3.0rc1

import mindspore
from mindspore import nn
from mindspore.dataset import vision, transforms
from mindspore.dataset import MnistDataset
import time
print(time.strftime('%Y-%m-%d %H:%M:%S'),time.localtime(time.time