丹摩 | 使用 DAMODEL 平台训练手写数字识别模型的详细教程

原创已于 2024-11-20 15:23:36 修改 · 618 阅读

28 ·

CC 4.0 BY-SA版权

文章标签：

#python #chatgpt #ai #gpu算力 #AIGC

于 2024-11-17 19:01:42 首次发布

在这里插入图片描述

博客目标

这篇博客将指导开发者如何使用 DAMODEL 平台训练一个基于 PyTorch 的手写数字识别模型（MNIST 数据集），同时标记出操作中的重点环节，帮助快速掌握流程。

步骤一：注册并登录 DAMODEL

重点：注册与登录

注册账号
- 访问 DAMODEL 官方网站，注册并完成实名认证。
- 领取新用户奖励，如赠送 GPU 使用时长。
登录控制台
- 登录后，进入控制台，选择“创建云实例”。

步骤二：创建 GPU 云实例

重点：计算资源配置

选择计算资源
- 点击“创建实例”，推荐使用 NVIDIA GeForce RTX 4090 或 H800。
- 配置实例：内存 16GB、系统盘 50GB、操作系统 Ubuntu 20.04。
启动实例
- 启动实例后，通过远程终端或 SSH 登录。
  
  这里的密钥对自己随便创建一个就可以了
  
  出现创建中就可以等一会

步骤三：配置开发环境

打开终端
在这里插入图片描述

重点：环境搭建

安装基础工具

sudo apt update && sudo apt upgrade -y
sudo apt install python3 python3-pip git -y

创建虚拟环境

pip3 install virtualenv
virtualenv mnist_env
source mnist_env/bin/activate

在这里插入图片描述
创建完虚拟环境以后前面会有（venu）

安装深度学习框架

pip install torch torchvision matplotlib

步骤四：获取代码并准备数据

重点：数据与模型初始化

下载 MNIST 数据集

from torchvision import datasets, transforms
transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))])
train_data = datasets.MNIST(root='./data', train=True, download=True, transform=transform)
test_data = datasets.MNIST(root='./data', train=False, download=True, transform=transform)

编写模型代码

import torch.nn as nn
import torch.nn.functional as F

class SimpleNN(nn.Module):
    def __init__(self):
        super(SimpleNN, self).__init__()
        self.fc1 = nn.Linear(28*28, 128)
        self.fc2 = nn.Linear(128, 64)
        self.fc3 = nn.Linear(64, 10)

    def forward(self, x):
        x = x.view(-1, 28*28)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

步骤五：训练模型

重点：模型训练流程

定义训练脚本

import torch.optim as optim
from torch.utils.data import DataLoader

model = SimpleNN()
optimizer = optim.SGD(model.parameters(), lr=0.01)
criterion = nn.CrossEntropyLoss()

train_loader = DataLoader(train_data, batch_size=64, shuffle=True)

for epoch in range(5):  # 训练 5 个周期
    running_loss = 0
    for images, labels in train_loader:
        optimizer.zero_grad()
        output = model(images)
        loss = criterion(output, labels)
        loss.backward()
        optimizer.step()
        running_loss += loss.item()
    print(f"Epoch {epoch+1}, Loss: {running_loss/len(train_loader)}")

运行训练脚本
将代码保存为 train_mnist.py 并运行：
```
python train_mnist.py
```

步骤六：验证模型

重点：测试与验证

测试模型性能

test_loader = DataLoader(test_data, batch_size=64, shuffle=False)

correct = 0
total = 0
with torch.no_grad():
    for images, labels in test_loader:
        outputs = model(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

print(f"Accuracy: {100 * correct / total}%")

步骤七：保存和下载模型

重点：模型保存与导出

保存模型

torch.save(model.state_dict(), "mnist_model.pth")

下载模型
- 使用 SFTP 工具或 DAMODEL 的文件管理功能将模型下载到本地。

步骤八：清理资源

重点：节约资源

在 DAMODEL 控制台停止并删除实例，避免额外费用。

总结与展望

通过 DAMODEL 平台，你可以快速完成 MNIST 模型的训练与部署。未来，可探索更复杂的神经网络模型或多实例分布式训练。随着 DAMODEL 不断优化，开发者将能够更高效地完成 AI 项目。

学习资源

通过这些资源，扩展你的深度学习技能！