基于香橙派AIpro的MindSpore快速入门

香橙派AIpro

发表于 2025/04/22

基于香橙派AIpro的MindSpore快速入门

01引言

本案例通过MindSpore的API来快速实现一个简单的深度学习模型。

02 环境准备

开发者拿到香橙派开发板后，首先需要进行硬件资源确认，镜像烧录及CANN和MindSpore版本的升级，才可运行该案例，具体如下：

硬件：香橙派AIpro 16G 8-12T开发板
镜像：香橙派官网ubuntu镜像
CANN：8.0.RC3.alpha002
MindSpore： 2.4.10

1.镜像烧录

运行该案例需要烧录香橙派官网ubuntu镜像，烧录流程参考昇思MindSpore官网--香橙派开发专区--环境搭建指南--镜像烧录章节，注意官网链接示例镜像与本案例镜像有所区别，以本案例要求为准，注意区分。

2.CANN升级

CANN升级参考昇思MindSpore官网--香橙派开发专区--环境搭建指南--CANN升级章节。本案例的CANN版本要求是8.0RC3alpha002，注意官网链接示例升级版本与本案例所需版本有所区别，以本案例要求为准，注意区分。

3.MindSpore升级

MindSpore升级参考昇思MindSpore官网--香橙派开发专区--环境搭建指南--MindSpore升级章节，本案例的mindspore版本要求是2.4.10，注意官网链接示例升级版本与本案例所需版本有所区别，以本案例要求为准，注意区分。

03实验过程

1.实验环境导入

from mindspore import nn
from mindspore.dataset import vision, transforms
from mindspore.dataset import MnistDataset

2.设置运行环境

import mindspore
mindspore.set_context(max_device_memory="2GB", mode=mindspore.GRAPH_MODE, device_target="Ascend",jit_config={"jit_level":"O2"}, ascend_config={"precision_mode":"allow_mix_precision"})

参数解释：

max_device_memory="2GB" : 设置设备可用的最大内存为2GB。
mode=mindspore.GRAPH_MODE : 表示在GRAPH_MODE模式中运行。
device_target="Ascend" : 表示待运行的目标设备为Ascend。
jit_config={"jit_level":"O2"} : 编译优化级别开启极致性能优化，使用下沉的执行方式。
ascend_config={"precision_mode":"allow_mix_precision"} : 自动混合精度，自动将部分算子的精度降低到float16或bfloat16。

3.数据集准备与加载

MindSpore提供基于Pipeline的数据引擎，通过数据集（Dataset）和数据变换（Transforms）实现高效的数据预处理。在本案例中，我们使用Mnist数据集，自动下载完成后，使用mindspore.dataset提供的数据变换进行预处理。

步骤1：数据集下载及解压

# Download data from open datasets
!pip install download
from download import download
    
url = "https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/" \
                        "notebook/datasets/MNIST_Data.zip"
path = download(url, "./", kind="zip", replace=True)

下载完成后，MNIST数据集目录结构如下：

MNIST_Data

└── train
├── train-images-idx3-ubyte (60000个训练图片)
├── train-labels-idx1-ubyte (60000个训练标签)
└── test
├── t10k-images-idx3-ubyte (10000个测试图片)
├── t10k-labels-idx1-ubyte (10000个测试标签)

步骤2：加载数据集

train_dataset = MnistDataset('MNIST_Data/train')
test_dataset = MnistDataset('MNIST_Data/test')

步骤3：打印数据集中包含的数据列名，用于dataset的预处理。

print(train_dataset.get_col_names())

步骤4：数据集预处理

MindSpore的dataset使用数据处理流水线（Data Processing Pipeline），需指定map、batch、shuffle等操作。这里我们使用map对图像数据及标签进行变换处理，将输入的图像缩放为1/255，根据均值0.1307和标准差值0.3081进行归一化处理，然后将处理好的数据集打包为大小为64的batch。

def datapipe(dataset, batch_size):
   image_transforms = [
       vision.Rescale(1.0 / 255.0, 0),
       vision.Normalize(mean=(0.1307,), std=(0.3081,)),
       vision.HWC2CHW()
               ]
   label_transform = transforms.TypeCast(mindspore.int32)
    
   dataset = dataset.map(image_transforms, 'image')
   dataset = dataset.map(label_transform, 'label')
   dataset = dataset.batch(batch_size)
   return dataset

步骤5：实例化数据集

# Map vision transforms and batch dataset
train_dataset = datapipe(train_dataset, 64)
test_dataset = datapipe(test_dataset, 64)

步骤6：数据访问

可使用create_tuple_iterator 或create_dict_iterator对数据集进行迭代访问，查看数据和标签的shape和datatype。

1）使用create_tuple_iterator 进行访问

for image, label in test_dataset.create_tuple_iterator():
   print(f"Shape of image [N, C, H, W]: {image.shape} {image.dtype}")
   print(f"Shape of label: {label.shape} {label.dtype}")
   break

2）使用create_dict_iterator 进行访问

for data in test_dataset.create_dict_iterator():
   print(f"Shape of image [N, C, H, W]: {data['image'].shape} {data['image'].dtype}")
   print(f"Shape of label: {data['label'].shape} {data['label'].dtype}")
   break

4.模型构建

# Define model
class Network(nn.Cell):
    def __init__(self):
        super().__init__()
        self.flatten = nn.Flatten()
        self.dense_relu_sequential = nn.SequentialCell(
                nn.Dense(28*28, 512),
                nn.ReLU(),
                nn.Dense(512, 512),
                nn.ReLU(),
                nn.Dense(512, 10)
                )
    
    def construct(self, x):
        x = self.flatten(x)
        logits = self.dense_relu_sequential(x)
        return logits
    
model = Network()
print(model)

5.模型训练

在模型训练中，一个完整的训练过程（step）需要实现以下三步：

1）正向计算：模型预测结果（logits），并与正确标签（label）求预测损失（loss）。

2）反向传播：利用自动微分机制，自动求模型参数（parameters）对于loss的梯度（gradients）。

3）参数优化：将梯度更新到参数上。

MindSpore使用函数式自动微分机制，因此针对上述步骤需要实现：

1）定义正向计算函数。

2）使用value_and_grad通过函数变换获得梯度计算函数。

3）定义训练函数，使用set_train设置为训练模式，执行正向计算、反向传播和参数优化。

（1）模型训练实现

# Instantiate loss function and optimizer
loss_fn = nn.CrossEntropyLoss()
optimizer = nn.SGD(model.trainable_params(), 1e-2)
    
# 1. Define forward function
def forward_fn(data, label):
    logits = model(data)
    loss = loss_fn(logits, label)
    return loss, logits
    
# 2. Get gradient function
grad_fn = mindspore.value_and_grad(forward_fn, None, optimizer.parameters, has_aux=True)
    
# 3. Define function of one-step training
def train_step(data, label):
    (loss, _), grads = grad_fn(data, label)
    optimizer(grads)
    return loss
    
def train(model, dataset):
   size = dataset.get_dataset_size()
   model.set_train()
   for batch, (data, label) in enumerate(dataset.create_tuple_iterator()):
       loss = train_step(data, label)
    
   if batch % 100 == 0:
      loss, current = loss.asnumpy(), batch
      print(f"loss: {loss:>7f}  [{current:>3d}/{size:>3d}]")

（2）定义测试函数，评估模型的性能

def test(model, dataset, loss_fn):
    num_batches = dataset.get_dataset_size()
    model.set_train(False)
    total, test_loss, correct = 0, 0, 0
    for data, label in dataset.create_tuple_iterator():
          pred = model(data)
          total += len(data)
          test_loss += loss_fn(pred, label).asnumpy()
          correct += (pred.argmax(1) == label).asnumpy().sum()
    test_loss /= num_batches
    correct /= total
    print(f"Test: \n Accuracy: {(100*correct):>0.1f}%, Avg loss: {test_loss:>8f} \n")

（3）开始训练

训练过程需多次迭代数据集，一次完整的迭代称为一轮（epoch）。在每一轮，遍历训练集进行训练，结束后使用测试集进行预测。打印每一轮的loss值和预测准确率（Accuracy），可以看到loss在不断下降，Accuracy在不断提高。

epochs = 3
for t in range(epochs):
    print(f"Epoch {t+1}\n-------------------------------")
    train(model, train_dataset)
    test(model, test_dataset, loss_fn)
print("Done!")

6.保存模型

模型训练完成后，需要将其参数进行保存。

# Save checkpoint
mindspore.save_checkpoint(model, "model.ckpt")
print("Saved Model to model.ckpt")

7.权重加载

加载保存的权重分为两步：

1）重新实例化模型对象，构造模型。

2）加载模型参数，并将其加载至模型上。

# Instantiate a random initialized model
model = Network()
# Load checkpoint and load parameter to model
param_dict = mindspore.load_checkpoint("model.ckpt")
param_not_load, _ = mindspore.load_param_into_net(model, param_dict)
print(param_not_load)

param_not_load是未被加载的参数列表，为空时代表所有参数均加载成功。

8.模型推理

加载后的模型可以直接用于预测推理。

model.set_train(False)
for data, label in test_dataset:
    pred = model(data)
    predicted = pred.argmax(1)
    print(f'Predicted: "{predicted[:10]}", Actual: "{label[:10]}"')
    break

04课程视频

本实验配套课程实验，供参考学习。

05实验总结

本实验在OrangePi AIpro开发板上基于MindSpore框架快速完成手写体数字识别的训练推理实验，您可以通过本实验掌握开发板环境烧录、CANN升级、MindSpore升级等环境搭建，进一步掌握如何使用MindSpore实现手写体数字识别。

本页内容

基于香橙派AIpro的MindSpore快速入门

01引言

02 环境准备

1.镜像烧录

2.CANN升级

3.MindSpore升级

03实验过程

1.实验环境导入

2.设置运行环境

3.数据集准备与加载

步骤1：数据集下载及解压

步骤2：加载数据集

步骤3：打印数据集中包含的数据列名，用于dataset的预处理。

步骤4：数据集预处理

步骤5：实例化数据集

步骤6：数据访问

1）使用create_tuple_iterator 进行访问

2）使用create_dict_iterator 进行访问

4.模型构建

5.模型训练

（1）模型训练实现

（2）定义测试函数，评估模型的性能

（3）开始训练

6.保存模型

7.权重加载

8.模型推理

04课程视频

05实验总结

关于昇腾

新闻与活动

交流与资讯

支持与服务

开源社区