【摘要】 本文主要通過兩個實際應用案例：一是基于本地 Jupyter Notebook 的 MNIST 手寫資料識别；二是基于華為雲伺服器的 CIFAR-10 圖像分類，對開源架構 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架構 MindSpore 終于開源了。
我之前一直關注 MindSpore，還是挺期待的。MindSpore 是一款支援端、邊、雲獨立/協同的統一訓練和推理架構。與 TensorFlow、PyTorch 等流行深度學習架構對标，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。
是以，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
●充分發揮硬體潛能
●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 怎麼樣！本文我将介紹 MindSpore 的安裝和上手教程，通過一個簡單的圖像識别案例來跑完整個 AI 訓練和測試流程。
一、MindSpore 的安裝
開源架構 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連結：
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
安裝好後，可以看到安裝的鏡像，并使用下面的指令建立一個你的容器：
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，本文将采用這種方式安裝 MindSpore。
在 MindSpore 安裝首頁裡，選擇安裝相關配置：
- 版本：0.3.0-alpha
- 硬體平台：CPU
- 作業系統：Windows-64
- 程式設計語言：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。
然後，建立一個虛拟環境。
1). 打開 Anaconda 元件中的 Anaconda Prompt 終端：
2). 使用下面的指令，建立一個虛拟環境 mindspore（名字可以自定義），并進入虛拟環境：
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 指令安裝。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
可以将.whl 檔案下載下傳到本地，使用 pip 安裝（使用 conda 指令線上安裝速度可能比較慢，是以可以選擇将.whl檔案下載下傳到本地，使用 pip 指令安裝）：
pip install mindspore-0.3.0-cp37-cp37m-win_amd64.whl 最後測試是否安裝成功，進入 Python shell，執行如下指令，如果沒有提示 No module named 'mindspore' 等加載錯誤的資訊，則說明安裝成功。
至此，安裝完成！
二、基于本地 Jupyter 實作 MNIST 手寫資料集分類
1. 安裝 Jupyter Notebook
首先，在虛拟環境 mindspore 中安裝 Jupyter Notebook。方法是：打開 Anaconda 元件 Anaconda Navigator。
在 Anaconda Navigator 中，Application on 選擇剛建立的虛拟環境 mindspore，在元件 Jupyter Notebook 下點選 install，安裝。安裝完成後如下圖：
點選 Notebook 下的 Launch，即可打開 Jupyter Notebook。
2. 下載下傳資料集
MNIST 手寫資料集想必大家都很熟悉了，包含 0-9 的數字，由 60000 張訓練圖檔和 10000 張測試圖檔組成。
MNIST 資料集下載下傳頁面：
http://yann.lecun.com/exdb/mnist/
使用 MindSpore，我們可以通過直接定義一個 download_dataset 函數來自動下載下傳 MNIST 資料集：
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) 該函數實作将資料集自動下載下傳在本地的 ./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. 資料預處理
MNIST 資料集準備好了之後，下一步就要對資料集進行一些預處理，包括圖檔尺寸調整為 32x32（因為我們使用的是 LeNet-5 網絡，後面會介紹），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 資料集，非常友善。使用 mindspore.dataset.MnistDataset.map 映射函數，将資料操作應用到資料集。
我們定義 create_dataset() 函數來建立資料集：
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，就完成了對剛下載下傳的 MNIST 資料集的預處理。
4. 定義網絡
LeNet-5 是一種用于手寫體字元識别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 分别對卷積層和全連接配接層進行初始化。
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，可以非常便捷地實作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配接層即可。在初始化函數 __init__ 種定義神經網絡的各層，然後通過定義 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 支援的損失函數有 SoftmaxCrossEntropyWithLogits、L1Loss、MSELoss 等。這裡使用 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 支援的梯度下降算法有 Adam、AdamWeightDecay、Momentum 等。這裡使用流行的 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) 模型儲存
mindspore.train.callback.ModelCheckpoint 方法可以儲存網絡模型和參數。
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。這裡把 epoch_size 設定為 1，對資料集進行 1 個疊代的訓練。訓練的過程中會列印 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 資料集路徑。
3) 硬體資訊
在主函數中，别忘了配置 MindSpore 運作的硬體資訊。因為我們是在 CPU 環境下，是以 ‘--device_target’ 設定為 “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) 這裡的 '--device_target' 預設是 “CPU”，根據硬體情況也可以選擇 “Ascend” 或 “GPU”。使用的是圖模式 “context.GRAPH_MODE”。
4) 模型訓練
執行程式，模型訓練開始。訓練過程中會列印 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 總體來說會逐漸減小，精度逐漸提高，最終的 loss 為 0.067。
訓練完成之後，得到儲存的模型檔案：
checkpoint_lenet-1_1875.ckpt
6. 模型測試
在得到模型檔案後，使用 model.eval() 接口讀入測試資料集，通過模型運作測試資料集得到的結果。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)) 運作測試網絡：
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 架構訓練 LeNet-5 模型已經完成。實作了基于本地 Jupyter 實作 MNIST 手寫資料集分類。總的來說，MindSpore 提供了很多子產品化的方法來進行模型搭建和訓練，非常友善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、在雲伺服器上使用 MindSpore
除了可以在本地使用 MindSpore 架構之外，我們還可以在華為雲伺服器上使用 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體。
ModelArts 是華為雲提供的面向開發者的一站式 AI 開發平台，而且內建了 MindSpore。下面我們将在 ModelArts 下使用 ResNet-50 網絡識别 CIFAR-10 圖檔。
1. 準備 ModelArts
1) 進入華為雲官網，新增賬號。
具體操作：
https://support.huaweicloud.com/prepare-modelarts/modelarts_08_0001.html
2) 擷取通路密鑰并完成 ModelArts 配置。
https://support.huaweicloud.com/prepare-modelarts/modelarts_08_0002.html
3) 建立 OBS 桶
https://support.huaweicloud.com/prepare-modelarts/modelarts_08_0003.html
2. 申請伺服器昇騰 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
申請時的内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. 資料準備
1) 下載下傳 CIFAR-10 資料集
CIFAR-10 該資料集共有 60000 張彩***像，這些圖像是 32*32，分為 10 個類，每類 6000 張圖。
CIFAR-10 資料集下載下傳位址：
http://www.cs.toronto.edu/~kriz/cifar.html
注意下載下傳 CIFAR-10 binary version 版本。
2) 建立一個自己的 OBS 桶（例如：mine-ms-dataset）
ModelArts 使用對象存儲服務（Object Storage Service，簡稱 OBS）進行資料存儲，是以，在開始訓練任務之前，需要将資料上傳至 OBS。
首先，登入 OBS 管理控制台：
https://storage.huaweicloud.com/obs/?region=cn-north-4#/obs/manager/buckets
建立 OBS 桶 mine-ms-dataset（名稱可修改，下面類似）。
然後，在剛建立的 OBS 桶裡，建立用于存放資料的檔案夾：在桶清單單擊待操作的桶，在左側導航欄，單擊“對象”，建立檔案夾 mine-cifar-10。
最後，将下載下傳好的 CIFAR-10 資料集按照以下目錄結構上傳至資料目錄 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. 程式準備
建立一個 OBS 桶（例如：mine-resnet50-train），在桶中建立代碼目錄（例如：mine-resnet50_cifar10_train）。同時在該桶中建立 output 目錄和 log 目錄，用來存放模型和日志。
将網址：
https://gitee.com/mindspore/docs/tree/master/tutorials/tutorial_code/sample_for_cloud/
中的兩個 .py 檔案 dataset.py 和 resnet50_train.py 下載下傳并上傳到代碼目錄 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. 建立訓練任務
準備好資料和執行腳本以後，下面就可以在雲伺服器上建立訓練任務了。
1) 進入 ModelArts 控制台
打開華為雲 ModelArts 首頁
https://www.huaweicloud.com/product/modelarts.html
點選“進入控制台”。
2) 使用 MindSpore 作為常用架構建立訓練作業
在左側導航欄中選擇“訓練管理 > 訓練作業”，預設進入“訓練作業”清單。
在訓練作業清單中，單擊左上角“建立”，進入“建立訓練作業”頁面。
在建立訓練作業頁面，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，算法來源常用架構選擇 Ascend-Powered-Engine，因為我們使用的是硬體是華為雲昇騰 AI 處理器。MindSpore 版本選擇 MindSpore-0.1-python3.7-aarch64 即可。
配置完之後，點選下一步 -> 送出 -> 傳回訓練作業清單，可以看到訓練作業 mine-resnet50-trainjob 正在運作：
整個運作過程大概 8 分半鐘，顯示運作成功，表示模型訓練測試完成。
最後，點選訓練作業 mine-resnet50-trainjob，在日志裡可以看到模型在測試集上的準确率為 92.49%，說明該模型效果不錯。
我們還可以從 OBS 種下載下傳日志檔案并檢視。
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架構 MindSpore 進行介紹。一是基于本地 Jupyter Notebook 的 MNIST 手寫資料識别；二是基于華為雲伺服器的 CIFAR-10 圖像分類。兩個案例均圍繞并使用了 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，使用起來較為友善。通過手把手的教程，大家完全可以自己動手實操一下，感受一下開源架構 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
點選關注，第一時間了解華為雲新鮮技術~