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

2023-06-04 10:36| 来源: 网络整理| 查看: 265

简介

实验包含 2部分：

基于 Mindspore 框架的模型本地训练及预测基于 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：

处理需要的数据集，这里使用了 MNIST 数据集。定义一个网络，这里我们使用 LeNet 网络。定义损失函数和优化器。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。加载保存的模型，进行推理。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。

本文来自博客园，作者：江水为竭，转载请注明原文链接：https://www.cnblogs.com/Az1r/p/17440100.html

【本文地址】

今日新闻