猶記得今年的華爲開發者大會 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的優勢可以總結爲以下四點：
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 怎麼樣！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，也可以在華爲 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 安裝最爲簡單，可參考：
https://gitee.com/mindspore/mindspore#docker-image
以 0.3.0-alpha 版本爲例：
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，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，本文將採用這種方式安裝 MindSpore。
在 MindSpore 安裝首頁裏，選擇安裝相關配置：
版本：0.3.0-alpha
硬件平臺：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。
然後，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
最後測試是否安裝成功，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。安裝完成後如下圖：
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 數據集準備好了之後，下一步就要對數據集進行一些預處理，包括圖片尺寸調整爲 32x32（因爲我們使用的是 LeNet-5 網絡，後面會介紹），像素歸一化、batch_size 設爲 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徵。
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 nn
from 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係數的初始化操作，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 支持的損失函數有 SoftmaxCrossEntropyWithLogits、L1Loss、MSELoss 等。這裏使用 SoftmaxCrossEntropyWithLogits 交叉熵損失函數。
from mindspore.nn.loss import SoftmaxCrossEntropyWithLogits
# define the loss function
net_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。這裏使用流行的 Momentum 算法。其中，學習率設爲 0.01，momentum 參數設爲 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。這裏把 epoch_size 設置爲 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 Accuracy
from mindspore.train.callback import LossMonitor
from 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。因爲我們是在 CPU 環境下，所以 ‘--device_target’ 設置爲 “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)
這裏的 '--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 爲 0.067。
訓練完成之後，得到保存的模型文件：
checkpoint_lenet-1_1875.ckpt
6. 模型測試
在得到模型文件後，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，我們還可以在華爲雲服務器上使用 MindSpore。在華爲雲上使用 MindSpore 的還有一個好處是，我們可以申請使用昇騰 AI 處理器資源池作爲硬件。
ModelArts 是華爲雲提供的面向開發者的一站式 AI 開發平臺，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. 準備 ModelArts
1) 進入華爲雲官網，註冊賬號。
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
爲了在 ModelArts 上使用華爲雲昇騰 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. 數據準備
1) 下載 CIFAR-10 數據集
CIFAR-10 該數據集共有 60000 張彩色圖像，這些圖像是 32*32，分爲 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 管理控制檯：
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）。
然後，在剛創建的 OBS 桶裏，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。
最後，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.bin4. 程序準備
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，用來存放模型和日誌。
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
└─log5. 創建訓練任務
準備好數據和執行腳本以後，下面就可以在雲服務器上創建訓練任務了。
1) 進入 ModelArts 控制檯
打開華爲雲 ModelArts 主頁
https://www.huaweicloud.com/product/modelarts.html
點擊“進入控制檯”。
2) 使用 MindSpore 作爲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，因爲我們使用的是硬件是華爲雲昇騰 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 分半鐘，顯示運行成功，表示模型訓練測試完成。
最後，點擊訓練作業 mine-resnet50-trainjob，在日誌裏可以看到模型在測試集上的準確率爲 92.49%，說明該模型效果不錯。
我們還可以從 OBS 種下載日誌文件並查看。
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；二是基於華爲雲服務器的 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，使用起來較爲方便。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