基于 Mindspore 框架与 ModelArts 平台的 MNIST 手写体识别实验

简介

实验包含 2部分：

1. 基于 Mindspore 框架的模型本地训练及预测
2. 基于 Modelarts 平台和 PyTorch框架的模型训练及部署

基于 Mindspore 框架的模型本地训练及预测

本例子会实现一个简单的图片分类的功能，整体流程如下：

1. 处理需要的数据集，这里使用了 MNIST 数据集。
2. 定义一个网络，这里我们使用 LeNet 网络。
3. 定义损失函数和优化器。
4. 加载数据集并进行训练，训练完成后，查看结果及保存模型文件。
5. 加载保存的模型，进行推理。
6. 验证模型，加载测试数据集和训练后的模型，验证结果精度

安装 MindSpore

安装页面

如图：我是在自己电脑下载，所以下载Windows版本的，然后选CPU。python版本都可以选。

安装报错：

如果提示这个，一般是两个原因：

• 你的电脑之前有装其他版本的python，pip版本和python不对应。
  • 卸载python重新装一个。
  • 使用命令：python3 -m pip install --upgrade pip更新pip。
• 下载命令错误。安装MindSpore有两种pip命令，下面是另一种：

• 如果报错，可以试试不同的命令（亲测有效）。

MNIST 数据集

我们示例中用到的 MNIST 数据集是由 10 类 28*28 的灰度图片组成，训练数据集包含60000 张图片，测试数据集包含 10000 张图片。

MNIST 数据集下载页面：下载页面

将数据集解压分别存放到工作区的./MNIST_Data/train、./MNIST_Data/test 路径下。

其他一些报错

现在，使用PyCharm打开文件夹。

• 如果出现MindSpore找不到，

  验证一下的你的Interpreter：检查下Package

• 提示需要下载easydict

  直接pip 下载，或通过Package中下载。

实验步骤

• 打开项目，我使用的是PyCharm：

• 修改代码
  • 修改默认的设备，这里我是Windows下的CPU版本，所以修改为CPU

• 增加eval.py和train.py需要的代码：

  • 设定 loss 函数

  • 设定优化器

  • 编译形成模型

  • 训练网络

• 增添lenet.py的代码。

• 运行train.py：

• 之后，生成了ckpy文件夹。这里保存的用于测试的模型。那么第十轮我们损失函数最小，我们自然就用第十轮的模型：

• 运行eval.py 。

基于 Modelarts 平台和 PyTorch 框架的模型训练及部署

先注册一个华为云账号。

然后按照教程：教程，一步一步完成即可。