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
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。