👉5分钟快速体验AI全流程开发
在此教程中，我们将通过fork样例仓 MindSpore/lenet5，快速体验在昇思大模型平台实现AI全流程开发——训练、推理和评估。
目录
基本介绍
LeNet描述
LeNet是1998年提出的一种典型的卷积神经网络。它被用于数字识别并取得了巨大的成功。
论文： Y.Lecun, L.Bottou, Y.Bengio, P.Haffner.Gradient-Based Learning Applied to Document Recognition.Proceedings of the IEEE.1998.
模型架构
LeNet非常简单，包含5层，由2个卷积层和3个全连接层组成。
任务简介
基于公开的模型仓库 MindSpore/lenet_mnist 下的MindSpore预训练文件 lenet-1_1875.ckpt 和公开的数据集 drizzlezyk/mnist 实现迁移学习，在昇思大模型平台体验训练、评估和推理可视化全流程AI开发体验。
项目地址
.
├── inference # 推理可视化相关代码
│ ├── app.py # 推理核心启动文件
│ ├── config.json # 推理权重文件配置
│ └── requirements.txt # 推理可视化相关依赖文件
└── train # 训练可视化相关代码
├── pip-requirements.txt # 训练相关依赖文件，必须和启动文件同一级
├── train_customize_aim.py # 自定义Aim训练代码，支持自定义评估
├── train_gridsearch.py # grid search + LossMonitor 训练代码，支持标准评估
|── train_valaccmonitor.py # ValAccMonitor训练代码，支持标准评估
└── train.py # LossMonitor训练代码，支持标准评估
注：建议将推理可视化相关的代码放在
inference文件夹下，训练相关的代码放在train文件夹下。注意该项目下不能有lfs文件，否则会调度失败。
效果展示
训练
训练列表
训练日志
评估
由上图可知，同样的轮次，当batch_size为64，momentum为0.9时，leanring_rate为0.1的loss最小
推理
快速开始
Fork 样例仓
1.在项目搜索页中，搜索样例仓 MindSpore/lenet5，或直接点击链接。
2.点击Fork
训练与评估
1.选择不同的评估方式，您需要适配的更改训练文件（训练代码在train/下）。
- 评估方式1——训练日志可视化
# train.py，支持标准评估
...
from mindvision.engine.callback import LossMonitor
...
# 训练网络模型
model.train(10, dataset_train, callbacks=[ckpoint, LossMonitor(0.01, 1875)])
...
# train_gridsearch.py，支持标准评估
...
# 训练代码
def train(args_opt):
# grid search
batch_size_choice = [32, 64, 128]
learning_rate_choice = [0.01, 0.001, 0.0001]
momentum_choice = [0.9, 0.99]
for batch_size in batch_size_choice:
for learning_rate in learning_rate_choice:
for momentum in momentum_choice:
...
# LossMonitor or ValAccMonitor
model.train(20, dataset_train, callbacks=[ckpoint, LossMonitor(learning_rate, steps)])
...
- 评估方式2——自定义评估
评估方式1的评估指标有限，你也可以自己写评估代码，跟踪你想要关注的指标。比如下例train_customize_aim.py中以自定义Callback+Aim 跟踪指标 的方式跟踪每个epoch之后训练集和测试集的acc。
# train_customize_aim.py
...
from aim import Run
...
# 自定义Callback
class AimCallback(Callback):
def __init__(self, model, dataset_test, aim_run):
super(AimCallback, self).__init__()
self.aim_run = aim_run # 传入aim实例
self.model = model # 传入model，用于eval
self.dataset_test = dataset_test # 传入dataset_test, 用于eval test
def step_end(self, run_context):
"""step end"""
cb_params = run_context.original_args()
# loss
epoch_num = cb_params.cur_epoch_num
step_num = cb_params.cur_step_num
loss = cb_params.net_outputs
run1 = self.aim_run.track(float(str(loss)), name='loss', step=step_num, epoch=epoch_num,
context={"subset": "train"})
def epoch_end(self, run_context):
"""epoch end"""
cb_params = run_context.original_args()
# loss
epoch_num = cb_params.cur_epoch_num
step_num = cb_params.cur_step_num
loss = cb_params.net_outputs
train_dataset = cb_params.train_dataset
train_acc = self.model.eval(train_dataset)
test_acc = self.model.eval(self.dataset_test)
print("【Epoch:】", epoch_num, "【Step:】", step_num, "【loss:】", loss, "【train_acc:】", train_acc['accuracy'], "【test_acc:】",
test_acc['accuracy'])
self.aim_run.track(float(str(loss)), name='loss', epoch=epoch_num, context={"subset": "train"})
self.aim_run.track(float(str(train_acc['accuracy'])), name='accuracy', epoch=epoch_num,
context={"subset": "train"})
self.aim_run.track(float(str(test_acc['accuracy'])), name='accuracy', epoch=epoch_num,
context={"subset": "test"})
...
# Aim
aim_run = Run(repo=args_opt.aimrepo_url, experiment=f{args_opt.output_url}/bs{batch_size}_lr{learning_rate}_mt{momentum}")
# Log run parameters
aim_run['learning_rate'] = learning_rate
aim_run['momentum'] = momentum
aim_run['batch_size'] = batch_size
# 训练网络模型
model.train(2, dataset_train, callbacks=[ckpoint, AimCallback(model, dataset_test, aim_run)])
...
2.选择训练页签，点击创建训练实例按钮
注：一个仓库同时只能有一个运行中的训练实例，且训练实例最多只能5个
3.填写相关配置
4.查看训练列表和训练日志
4.1查看训练列表
4.2点击训练名称查看训练日志
点击日志文件或训练输出可以下载输出的日志和训练输出。
推理可视化
选择推理页签，点击启动按钮，启动过程会比较慢，请耐心等待，一般为5分钟以内，若时间过长，请检查推理代码。
MNIST画板效果展示
进阶操作
若你想在昇思大模型平台中从0到1创建自己的训练实例、评估和推理可视化，可以参考教程篇的内容
问题反馈
您如果按照教程操作过程中出现任何问题，您可以联系我们的邮箱contact@public.mindspore.cn，我们会及时回复您。如果您有任何建议，也可以添加官方助手小猫子（微信号：mindspore0328），我们非常欢迎您的宝贵建议，如被采纳，会收到MindSpore官方精美礼品哦！