【摘要】 本文主要通過兩個實際應用案例：一是基於本地 Jupyter Notebook 的 MNIST 手寫數據識別；二是基於華為雲服務器的 CIFAR-10 圖像分類，對開源框架 MindSpore 進行介紹。
猶記得今年的華為開發者大會 HDC 2020 上，一直受人矚目的深度學習框架 MindSpore 終於開源了。
我之前一直關注 MindSpore，還是挺期待的。MindSpore 是一款支持端、邊、雲獨立/協同的統一訓練和推理框架。與 TensorFlow、PyTorch 等流行深度學習框架對標，MindSpore 旨在大幅度降低 AI 應用開發門檻，讓人工智能無處不在。
MindSpore 最大的特點就是開發門檻大大降低，提高開發效率，這樣可以顯著減少模型開發時間。
因此，使用MindSpore的優勢可以總結為以下四點：
●簡單的開發體驗
●靈活的調試模式
●充分發揮硬件潛能
●全場景快速部署
既然開源了，那就趕緊上手，試一試這款開源的 MindSpore 怎么樣！本文我將介紹 MindSpore 的安裝和上手教程，通過一個簡單的圖像識別案例來跑完整個 AI 訓練和測試流程。
一、MindSpore 的安裝
開源框架 MindSpore 的安裝方法有很多，可以在 Windows、Ubuntu 上安裝，也可以在華為 Ascend 910 上安裝。各種詳盡的安裝方法請見下面的鏈接：
https://www.mindspore.cn/install
下面介紹兩種最簡單的安裝方法！
1. Docker 安裝
Docker 安裝最為簡單，可參考：
https://gitee.com/mindspore/mindspore#docker-image
以 0.3.0-alpha 版本為例：
-
CPU:
docker pull mindspore/mindspore-cpu:0.3.0-alpha
-
GPU:
docker pull mindspore/mindspore-gpu:0.3.0-alpha
安裝好后，可以看到安裝的鏡像，並使用下面的命令創建一個你的容器：
docker run -it mindspore/mindspore-cpu:0.3.0-alpha /bin/bash
2. Win10+Anaconda+MindSpore
使用 Win10 +Anaconda+MindSpore 的方式進行安裝也非常簡單，本文將采用這種方式安裝 MindSpore。
在 MindSpore 安裝首頁里，選擇安裝相關配置：
-
版本：0.3.0-alpha
-
硬件平台：CPU
-
操作系統：Windows-64
-
編程語言：Python 3.7.5
首先，在 Win10 上安裝 Anaconda，Anaconda 是一個開源的 Python 發行版本，其包含了 conda、Python 等 180 多個科學包及其依賴項。
然后，創建一個虛擬環境。
1). 打開 Anaconda 組件中的 Anaconda Prompt 終端：
2). 使用下面的命令，創建一個虛擬環境 mindspore（名字可以自定義），並進入虛擬環境：
conda create -n mindspore python=3.7.5 conda activate mindspore
3). 安裝依賴庫，根據 https://gitee.com/mindspore/mindspore/blob/r0.3/requirements.txt 列出的依賴庫，使用 conda 命令安裝。例如：
conda install numpy
4). 根據之前選擇的相關配置，在網站：https://www.mindspore.cn/versions 中選擇所要相應的 MindSpore 版本：
mindspore-0.3.0-cp37-cp37m-win_amd64.whl
可以將.whl 文件下載到本地，使用 pip 安裝（使用 conda 命令在線安裝速度可能比較慢，因此可以選擇將.whl文件下載到本地，使用 pip 命令安裝）：
pip install mindspore-0.3.0-cp37-cp37m-win_amd64.whl
最后測試是否安裝成功，進入 Python shell，執行如下命令，如果沒有提示 No module named 'mindspore' 等加載錯誤的信息，則說明安裝成功。
至此，安裝完成！
二、基於本地 Jupyter 實現 MNIST 手寫數據集分類
1. 安裝 Jupyter Notebook
首先，在虛擬環境 mindspore 中安裝 Jupyter Notebook。方法是：打開 Anaconda 組件 Anaconda Navigator。
在 Anaconda Navigator 中，Application on 選擇剛建立的虛擬環境 mindspore，在組件 Jupyter Notebook 下點擊 install，安裝。安裝完成后如下圖：
點擊 Notebook 下的 Launch，即可打開 Jupyter Notebook。
2. 下載數據集
MNIST 手寫數據集想必大家都很熟悉了，包含 0-9 的數字，由 60000 張訓練圖片和 10000 張測試圖片組成。
MNIST 數據集下載頁面：
http://yann.lecun.com/exdb/mnist/
使用 MindSpore，我們可以通過直接定義一個 download_dataset 函數來自動下載 MNIST 數據集：
def download_dataset(): """Download the dataset from http://yann.lecun.com/exdb/mnist/.""" print("******Downloading the MNIST dataset******") train_path = "./MNIST_Data/train/" test_path = "./MNIST_Data/test/" train_path_check = os.path.exists(train_path) test_path_check = os.path.exists(test_path) if train_path_check == False and test_path_check ==False: os.makedirs(train_path) os.makedirs(test_path) train_url = {"http://yann.lecun.com/exdb/mnist/train-images-idx3-ubyte.gz", "http://yann.lecun.com/exdb/mnist/train-labels-idx1-ubyte.gz"} test_url = {"http://yann.lecun.com/exdb/mnist/t10k-images-idx3-ubyte.gz", "http://yann.lecun.com/exdb/mnist/t10k-labels-idx1-ubyte.gz"} for url in train_url: url_parse = urlparse(url) # split the file name from url file_name = os.path.join(train_path,url_parse.path.split('/')[-1]) if not os.path.exists(file_name.replace('.gz','')): file = urllib.request.urlretrieve(url, file_name) unzipfile(file_name) os.remove(file_name) for url in test_url: url_parse = urlparse(url) # split the file name from url file_name = os.path.join(test_path,url_parse.path.split('/')[-1]) if not os.path.exists(file_name.replace('.gz','')): file = urllib.request.urlretrieve(url, file_name) unzipfile(file_name) os.remove(file_name)
該函數實現將數據集自動下載在本地的 ./MNIST_Data 目錄下，訓練集放在子目錄 /train 下，測試集放在子目錄 /test 下。
3. 數據預處理
MNIST 數據集准備好了之后，下一步就要對數據集進行一些預處理，包括圖片尺寸調整為 32x32（因為我們使用的是 LeNet-5 網絡，后面會介紹），像素歸一化、batch_size 設為 32（可調整），等等。
MindSpore 提供了 mindspore.dataset.MnistDataset 來直接定義 Minist 數據集，非常方便。使用 mindspore.dataset.MnistDataset.map 映射函數，將數據操作應用到數據集。
我們定義 create_dataset() 函數來創建數據集：
def create_dataset(data_path, batch_size=32, repeat_size=1, num_parallel_workers=1): """ create dataset for train or test Args: data_path: Data path batch_size: The number of data records in each group repeat_size: The number of replicated data records num_parallel_workers: The number of parallel workers """ # define dataset mnist_ds = ds.MnistDataset(data_path) # define operation parameters resize_height, resize_width = 32, 32 rescale = 1.0 / 255.0 shift = 0.0 rescale_nml = 1 / 0.3081 shift_nml = -1 * 0.1307 / 0.3081 # define map operations resize_op = CV.Resize((resize_height, resize_width), interpolation=Inter.LINEAR) # Resize images to (32, 32) rescale_nml_op = CV.Rescale(rescale_nml, shift_nml) # normalize images rescale_op = CV.Rescale(rescale, shift) # rescale images hwc2chw_op = CV.HWC2CHW() # change shape from (height, width, channel) to (channel, height, width) to fit network. type_cast_op = C.TypeCast(mstype.int32) # change data type of label to int32 to fit network # apply map operations on images mnist_ds = mnist_ds.map(input_columns="label", operations=type_cast_op, num_parallel_workers=num_parallel_workers) mnist_ds = mnist_ds.map(input_columns="image", operations=resize_op, num_parallel_workers=num_parallel_workers) mnist_ds = mnist_ds.map(input_columns="image", operations=rescale_op, num_parallel_workers=num_parallel_workers) mnist_ds = mnist_ds.map(input_columns="image", operations=rescale_nml_op, num_parallel_workers=num_parallel_workers) mnist_ds = mnist_ds.map(input_columns="image", operations=hwc2chw_op, num_parallel_workers=num_parallel_workers) # apply DatasetOps buffer_size = 10000 mnist_ds = mnist_ds.shuffle(buffer_size=buffer_size) # 10000 as in LeNet train script mnist_ds = mnist_ds.batch(batch_size, drop_remainder=True) mnist_ds = mnist_ds.repeat(repeat_size) return mnist_ds
通過上面的函數，就完成了對剛下載的 MNIST 數據集的預處理。
4. 定義網絡
LeNet-5 是一種用於手寫體字符識別的非常高效的卷積神經網絡。LeNet-5 共有 7 層，不包含輸入，每層都包含可訓練參數；每個層有多個 Feature Map，每個 FeatureMap通過一種卷積濾波器提取輸入的一種特征。
1) 模型初始化
使用 mindspore.common.initializer.TruncatedNormal 方法對參數進行初始化，定義 conv 和 fc_with_initialize 分別對卷積層和全連接層進行初始化。
import mindspore.nn as nnfrom mindspore.common.initializer import TruncatedNormal def conv(in_channels, out_channels, kernel_size, stride=1, padding=0): """Conv layer weight initial.""" weight = weight_variable() return nn.Conv2d(in_channels, out_channels, kernel_size=kernel_size, stride=stride, padding=padding, weight_init=weight, has_bias=False, pad_mode="valid") def fc_with_initialize(input_channels, out_channels): """Fc layer weight initial.""" weight = weight_variable() bias = weight_variable() return nn.Dense(input_channels, out_channels, weight, bias) def weight_variable(): """Weight initial.""" return TruncatedNormal(0.02)
使用 mindspore.common.initializer.TruncatedNormal 方法，可以非常便捷地實現網絡權重系數的初始化操作，不需要自定義初始化函數。
2) 定義 LeNet-5 網絡
MindSpore 來定義 LeNet-5 網絡也很簡單，根據網絡結構，定義相應的卷積層和全連接層即可。在初始化函數 __init__ 種定義神經網絡的各層，然后通過定義 construct 方法來完成神經網絡的前向構造。
class LeNet5(nn.Cell): """Lenet network structure.""" # define the operator required def __init__(self): super(LeNet5, self).__init__() self.conv1 = conv(1, 6, 5) self.conv2 = conv(6, 16, 5) self.fc1 = fc_with_initialize(16 * 5 * 5, 120) self.fc2 = fc_with_initialize(120, 84) self.fc3 = fc_with_initialize(84, 10) self.relu = nn.ReLU() self.max_pool2d = nn.MaxPool2d(kernel_size=2, stride=2) self.flatten = nn.Flatten() # use the preceding operators to construct networks def construct(self, x): 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 x
LeNet-5 是一個非常典型且簡單的卷積神經網絡，從 construct 方法可以詳細看到 LeNet-5 各層的結構。
3) 定義損失函數
MindSpore 支持的損失函數有 SoftmaxCrossEntropyWithLogits、L1Loss、MSELoss 等。這里使用 SoftmaxCrossEntropyWithLogits 交叉熵損失函數。
from mindspore.nn.loss import SoftmaxCrossEntropyWithLogits # define the loss functionnet_loss = SoftmaxCrossEntropyWithLogits(is_grad=False, sparse=True, reduction='mean')
4) 定義網絡梯度下降算法
MindSpore 支持的梯度下降算法有 Adam、AdamWeightDecay、Momentum 等。這里使用流行的 Momentum 算法。其中，學習率設為 0.01，momentum 參數設為 0.9。
# learning rate setting lr = 0.01 momentum = 0.9 # define the optimizer net_opt = nn.Momentum(network.trainable_params(), lr, momentum)
5. 訓練網絡
1) 模型保存
mindspore.train.callback.ModelCheckpoint 方法可以保存網絡模型和參數。
config_ck = CheckpointConfig(save_checkpoint_steps=1875, keep_checkpoint_max=10) # save the network model and parameters for subsequence fine-tuning ckpoint_cb = ModelCheckpoint(prefix="checkpoint_lenet", config=config_ck)
2) 訓練網絡
訓練網絡使用 model.train 方法進行。這里把 epoch_size 設置為 1，對數據集進行 1 個迭代的訓練。訓練的過程中會打印 loss 值的變化。
from mindspore.nn.metrics import Accuracyfrom mindspore.train.callback import LossMonitorfrom mindspore.train import Model def train_net(args, model, epoch_size, mnist_path, repeat_size, ckpoint_cb, sink_mode): """define the training method""" print("============== Starting Training ==============") #load training dataset ds_train = create_dataset(os.path.join(mnist_path, "train"), 32, repeat_size) model.train(epoch_size, ds_train, callbacks=[ckpoint_cb, LossMonitor()], dataset_sink_mode=sink_mode) epoch_size = 1 mnist_path = "./MNIST_Data # group layers into an object with training and evaluation features model = Model(network, net_loss, net_opt, metrics={"Accuracy": Accuracy()}) train_net(args, model, epoch_size, mnist_path, repeat_size, ckpoint_cb)
其中，mnist_path 是 MNIST 數據集路徑。
3) 硬件信息
在主函數中，別忘了配置 MindSpore 運行的硬件信息。因為我們是在 CPU 環境下，所以 ‘--device_target’ 設置為 “CPU”。
parser = argparse.ArgumentParser(description='MindSpore LeNet Example') parser.add_argument('--device_target', type=str, default="CPU", choices=['Ascend', 'GPU', 'CPU'], help='device where the code will be implemented (default: CPU)') args = parser.parse_args(args=[]) context.set_context(mode=context.GRAPH_MODE, device_target=args.device_target)
這里的 '--device_target' 默認是 “CPU”，根據硬件情況也可以選擇 “Ascend” 或 “GPU”。使用的是圖模式 “context.GRAPH_MODE”。
4) 模型訓練
執行程序，模型訓練開始。訓練過程中會打印 loss 值：
... epoch: 1 step: 262, loss is 1.9212162 epoch: 1 step: 263, loss is 1.8498616 epoch: 1 step: 264, loss is 1.7990671 epoch: 1 step: 265, loss is 1.9492403 epoch: 1 step: 266, loss is 2.0305142 epoch: 1 step: 267, loss is 2.0657792 epoch: 1 step: 268, loss is 1.9582214 epoch: 1 step: 269, loss is 0.9459006 epoch: 1 step: 270, loss is 0.8167224 epoch: 1 step: 271, loss is 0.7432692 ...
可以看到 loss 總體來說會逐步減小，精度逐步提高，最終的 loss 為 0.067。
訓練完成之后，得到保存的模型文件：
checkpoint_lenet-1_1875.ckpt
6. 模型測試
在得到模型文件后，使用 model.eval() 接口讀入測試數據集，通過模型運行測試數據集得到的結果。定義測試函數 test_net()：
def test_net(args, network, model, mnist_path): """Define the evaluation method.""" print("============== Starting Testing ==============") # load the saved model for evaluation param_dict = load_checkpoint("checkpoint_lenet-1_1875.ckpt") # load parameter to the network load_param_into_net(network, param_dict) # load testing dataset ds_eval = create_dataset(os.path.join(mnist_path, "test")) acc = model.eval(ds_eval, dataset_sink_mode=False) print("============== Accuracy:{} ==============".format(acc))
運行測試網絡：
test_net(args, network, model, mnist_path) ============== Starting Testing ============== ============== Accuracy:{'Accuracy': 0.9663461538461539} ==============
最終，可以看到剛剛訓練的 LeNet-5 網絡模型在測試集上的精度是 96.63%，效果非常不錯。
至此，我們使用 MindSpore 框架訓練 LeNet-5 模型已經完成。實現了基於本地 Jupyter 實現 MNIST 手寫數據集分類。總的來說，MindSpore 提供了很多模塊化的方法來進行模型搭建和訓練，非常方便我們能夠快速搭建一個神經網絡模型。大家可以根據自己實際需求，上手搭建一個自己的神經網絡試試。
本節完整代碼：
https://gitee.com/mindspore/docs/blob/master/tutorials/tutorial_code/lenet.py
三、在雲服務器上使用 MindSpore
除了可以在本地使用 MindSpore 框架之外，我們還可以在華為雲服務器上使用 MindSpore。在華為雲上使用 MindSpore 的還有一個好處是，我們可以申請使用昇騰 AI 處理器資源池作為硬件。
ModelArts 是華為雲提供的面向開發者的一站式 AI 開發平台，而且集成了 MindSpore。下面我們將在 ModelArts 下使用 ResNet-50 網絡識別 CIFAR-10 圖片。
1. 准備 ModelArts
1) 進入華為雲官網，注冊賬號。
具體操作：
https://support.huaweicloud.com/prepare-modelarts/modelarts_08_0001.html
2) 獲取訪問密鑰並完成 ModelArts 配置。
具體操作：
https://support.huaweicloud.com/prepare-modelarts/modelarts_08_0002.html
3) 創建 OBS 桶
具體操作：
https://support.huaweicloud.com/prepare-modelarts/modelarts_08_0003.html
2. 申請服務器昇騰 AI 處理器資源
為了在 ModelArts 上使用華為雲昇騰 AI 處理器，我們需要申請體驗資格，申請方式也很簡單，可在下面的網站上進行申請：
https://console.huaweicloud.com/modelarts/?region=cn-north-4#/dashboard/applyModelArtsAscend910Beta
申請時的內容大家可以填仔細些，一般正常的話兩個工作日就批下來了。
3. 數據准備
1) 下載 CIFAR-10 數據集
CIFAR-10 該數據集共有 60000 張彩***像，這些圖像是 32*32，分為 10 個類，每類 6000 張圖。
CIFAR-10 數據集下載地址：
http://www.cs.toronto.edu/~kriz/cifar.html
注意下載 CIFAR-10 binary version 版本。
2) 新建一個自己的 OBS 桶（例如：mine-ms-dataset）
ModelArts 使用對象存儲服務（Object Storage Service，簡稱 OBS）進行數據存儲，因此，在開始訓練任務之前，需要將數據上傳至 OBS。
首先，登錄 OBS 管理控制台：
https://storage.huaweicloud.com/obs/?region=cn-north-4#/obs/manager/buckets
創建 OBS 桶 mine-ms-dataset（名稱可修改，下面類似）。
然后，在剛創建的 OBS 桶里，創建用於存放數據的文件夾：在桶列表單擊待操作的桶，在左側導航欄，單擊“對象”，新建文件夾 mine-cifar-10。
最后，將下載好的 CIFAR-10 數據集按照以下目錄結構上傳至數據目錄 mine-cifar-10 中：
└─對象存儲/mine-ms-dataset/mine-cifar-10 ├─train │ data_batch_1.bin │ data_batch_2.bin │ data_batch_3.bin │ data_batch_4.bin │ data_batch_5.bin │ └─eval test_batch.bin
4. 程序准備
新建一個 OBS 桶（例如：mine-resnet50-train），在桶中創建代碼目錄（例如：mine-resnet50_cifar10_train）。同時在該桶中創建 output 目錄和 log 目錄，用來存放模型和日志。
將網址：
https://gitee.com/mindspore/docs/tree/master/tutorials/tutorial_code/sample_for_cloud/
中的兩個 .py 文件 dataset.py 和 resnet50_train.py 下載並上傳到代碼目錄 mine-resnet50_cifar10_train 中。
代碼目錄 mine-resnet50_cifar10_train 結構如下：
└─對象存儲/mine-resnet50-train ├─mine-resnet50_cifar10_train │ dataset.py │ resnet50_train.py │ ├─output └─log
5. 創建訓練任務
准備好數據和執行腳本以后，下面就可以在雲服務器上創建訓練任務了。
1) 進入 ModelArts 控制台
打開華為雲 ModelArts 主頁
https://www.huaweicloud.com/product/modelarts.html
點擊“進入控制台”。
2) 使用 MindSpore 作為常用框架創建訓練作業
在左側導航欄中選擇“訓練管理 > 訓練作業”，默認進入“訓練作業”列表。
在訓練作業列表中，單擊左上角“創建”，進入“創建訓練作業”頁面。
在創建訓練作業頁面，訓練作業名稱自定義，例如 mine-resnet50-trainjob。填寫訓練作業相關參數，具體配置參數如下：
值得注意的時，算法來源常用框架選擇 Ascend-Powered-Engine，因為我們使用的是硬件是華為雲昇騰 AI 處理器。MindSpore 版本選擇 MindSpore-0.1-python3.7-aarch64 即可。
配置完之后，點擊下一步 -> 提交 -> 返回訓練作業列表，可以看到訓練作業 mine-resnet50-trainjob 正在運行：
整個運行過程大概 8 分半鍾，顯示運行成功，表示模型訓練測試完成。
最后，點擊訓練作業 mine-resnet50-trainjob，在日志里可以看到模型在測試集上的准確率為 92.49%，說明該模型效果不錯。
我們還可以從 OBS 種下載日志文件並查看。
以上就是在雲上使用 MindSpore 的簡單教程。
四、總結：
本文主要通過兩個實際應用案例對開源框架 MindSpore 進行介紹。一是基於本地 Jupyter Notebook 的 MNIST 手寫數據識別；二是基於華為雲服務器的 CIFAR-10 圖像分類。兩個案例均圍繞並使用了 MindSpore。
從我個人的使用感覺來看，MindSpore 用起來還是很順手的，而且函數封裝得比較簡潔，使用起來較為方便。通過手把手的教程，大家完全可以自己動手實操一下，感受一下開源框架 MindSpore 的魅力。
大家也可以根據自己的具體應用場景和實用案例，使用 MindSpore，搭建神經網絡模型，解決實際問題。無論是計算機視覺還是自然語言處理，相信 MindSpore 都能給大家帶來流暢的體驗。
參考資料：
https://www.mindspore.cn/
https://www.mindspore.cn/tutorial/zh-CN/master/index.html
https://support.huaweicloud.com/modelarts/index.html