《昇思25天学习打卡营第05天|qingyun201003》

日期

心得

通过本节课的学习，学习到了通过网络获取数据集，处理数据集模型。数据模型层数据变换，模型参数解析和其对应代码中的API进行解析。

昇思MindSpore 基础入门学习 网络构建 (AI 代码解析)

网络构建

神经网络模型是由神经网络层和Tensor操作构成的，mindspore.nn提供了常见神经网络层的实现，在MindSpore中，Cell类是构建所有网络的基类，也是网络的基本单元。一个神经网络模型表示为一个Cell，它由不同的子Cell构成。使用这样的嵌套结构，可以简单地使用面向对象编程的思维，对神经网络结构进行构建和管理。
下面我们将构建一个用于Mnist数据集分类的神经网络模型。

import mindspore  # 导入MindSpore库，这是一个深度学习框架，类似于TensorFlow和PyTorch。
from mindspore import nn, ops  # 从MindSpore库中导入神经网络模块(nn)和操作模块(ops)。

1. import mindspore:
   • 这一行代码导入了MindSpore库，MindSpore是一个开源的深度学习框架，由华为开发，旨在提供高效、灵活的AI计算框架。
2. from mindspore import nn, ops:
   • 这一行代码从MindSpore库中导入了两个重要的模块：
     • nn: 神经网络模块，包含了构建神经网络所需的各种层和函数，如卷积层、全连接层、激活函数等。
     • ops: 操作模块，提供了各种数学运算和操作，如矩阵运算、张量操作等。

• mindspore:
  • MindSpore库的主要入口，提供了框架的基础功能和配置。
• mindspore.nn:
  • 神经网络模块，包含了一系列用于构建神经网络的类和函数，例如：
    • nn.Conv2d: 二维卷积层。
    • nn.Linear: 全连接层。
    • nn.ReLU: ReLU激活函数。
    • nn.Sequential: 顺序容器，用于按顺序组合多个层。
• mindspore.ops:
  • 操作模块，提供了各种数学运算和操作，例如：
    • ops.Add: 加法操作。
    • ops.MatMul: 矩阵乘法操作。
    • ops.ReduceSum: 求和操作。
    • ops.Softmax: Softmax操作，用于多分类问题的输出层。

这些模块和类是构建和训练深度学习模型的基础组件，通过组合和配置这些组件，可以实现复杂的神经网络结构和算法。

定义模型类

当我们定义神经网络时，可以继承nn.Cell类，在__init__方法中进行子Cell的实例化和状态管理，在construct方法中实现Tensor操作。
construct意为神经网络（计算图）构建，相关内容详见使用静态图加速。

class Network(nn.Cell):def __init__(self):super().__init__()self.flatten = nn.Flatten()self.dense_relu_sequential = nn.SequentialCell(nn.Dense(28*28, 512, weight_init="normal", bias_init="zeros"),nn.ReLU(),nn.Dense(512, 512, weight_init="normal", bias_init="zeros"),nn.ReLU(),nn.Dense(512, 10, weight_init="normal", bias_init="zeros"))def construct(self, x):x = self.flatten(x)logits = self.dense_relu_sequential(x)return logitsmodel = Network()
print(model)

1. class Network(nn.Cell)::
   • 定义了一个名为 Network 的类，继承自 nn.Cell。在 MindSpore 中，nn.Cell 是构建神经网络的基本单元。
2. def __init__(self)::
   • 初始化方法，定义了网络的结构。
   • super().__init__()：调用父类 nn.Cell 的初始化方法。
   • self.flatten = nn.Flatten()：创建一个 nn.Flatten 层，用于将输入展平为一维向量。
   • self.dense_relu_sequential = nn.SequentialCell(...)：创建一个顺序容器 nn.SequentialCell，包含多个层：
     • nn.Dense(28*28, 512, weight_init="normal", bias_init="zeros")：输入层，输入大小为 28*28（即 784），输出大小为 512，权重初始化为正态分布，偏置初始化为零。
     • nn.ReLU()：ReLU 激活函数。
     • nn.Dense(512, 512, weight_init="normal", bias_init="zeros")：隐藏层，输入和输出大小均为 512。
     • nn.ReLU()：ReLU 激活函数。
     • nn.Dense(512, 10, weight_init="normal", bias_init="zeros")：输出层，输入大小为 512，输出大小为 10（假设是 10 类分类问题）。
3. def construct(self, x)::
   • 定义了网络的前向传播过程。
   • x = self.flatten(x)：将输入 x 展平为一维向量。
   • logits = self.dense_relu_sequential(x)：将展平后的输入通过顺序容器中的各层，得到最终的输出 logits。
   • return logits：返回最终的输出。
4. model = Network():
   • 创建 Network 类的一个实例 model。
5. print(model):
   • 打印 model 的结构，显示网络的层和参数信息。

• nn.Cell:
  • MindSpore 中用于构建神经网络的基本单元。
• nn.Flatten:
  • 将输入展平为一维向量的层。
• nn.SequentialCell:
  • 顺序容器，按顺序组合多个层。
• nn.Dense:
  • 全连接层，参数包括输入大小、输出大小、权重初始化和偏置初始化。
• nn.ReLU:
  • ReLU 激活函数，用于引入非线性。

通过这些组件，可以构建一个简单的多层感知机（MLP）网络，用于处理类似 MNIST 数据集的图像分类任务。

X = ops.ones((1, 28, 28), mindspore.float32)
logits = model(X)
# print logits
logitspred_probab = nn.Softmax(axis=1)(logits)
y_pred = pred_probab.argmax(1)
print(f"Predicted class: {y_pred}")

1. X = ops.ones((1, 28, 28), mindspore.float32):
   • 创建一个形状为 (1, 28, 28) 的张量 X，其中所有元素值为 1，数据类型为 mindspore.float32。这个张量模拟了一个 28x28 的单通道图像输入。
2. logits = model(X):
   • 将输入张量 X 传递给模型 model，得到模型的输出 logits。logits 是未经 softmax 处理的原始输出，通常用于分类任务。
3. pred_probab = nn.Softmax(axis=1)(logits):
   • 对 logits 应用 softmax 函数，将其转换为概率分布。nn.Softmax(axis=1) 表示在第二个维度（即类别维度）上进行 softmax 操作。
4. y_pred = pred_probab.argmax(1):
   • 在概率分布 pred_probab 上找到最大概率对应的索引，即预测的类别。argmax(1) 表示在第二个维度上找到最大值的索引。
5. print(f"Predicted class: {y_pred}"):
   • 打印预测的类别。y_pred 是一个包含预测类别索引的张量。

• ops.ones:
  • 创建一个全为 1 的张量，参数包括形状和数据类型。
• nn.Softmax:
  • softmax 函数，用于将输入转换为概率分布，参数 axis 指定在哪个维度上进行 softmax 操作。
• argmax:
  • 找到张量中指定维度上的最大值对应的索引。

通过这些操作，可以对模型的输出进行后处理，得到最终的预测类别。

模型层

本节中我们分解上节构造的神经网络模型中的每一层。首先我们构造一个shape为(3, 28, 28)的随机数据（3个28x28的图像），依次通过每一个神经网络层来观察其效果。

input_image = ops.ones((3, 28, 28), mindspore.float32)
print(input_image.shape)

1. input_image = ops.ones((3, 28, 28), mindspore.float32):
   • 创建一个形状为 (3, 28, 28) 的张量 input_image，其中所有元素值为 1，数据类型为 mindspore.float32。这个张量模拟了一个 28x28 的三通道图像输入（例如 RGB 图像）。
2. print(input_image.shape):
   • 打印 input_image 的形状。shape 属性返回张量的维度信息。

• ops.ones:
  • 创建一个全为 1 的张量，参数包括形状和数据类型。
• shape:
  • 张量的属性，返回张量的维度信息。

通过这些操作，可以创建并查看一个模拟的三通道图像输入张量的形状。

nn.Flatten

实例化nn.Flatten层，将28x28的2D张量转换为784大小的连续数组。

flatten = nn.Flatten()
flat_image = flatten(input_image)
print(flat_image.shape)

1. flatten = nn.Flatten():
   • 创建一个 nn.Flatten 层，用于将输入张量展平为一维向量。
2. flat_image = flatten(input_image):
   • 将 input_image 传递给 flatten 层，得到展平后的张量 flat_image。
3. print(flat_image.shape):
   • 打印 flat_image 的形状。shape 属性返回张量的维度信息。

• nn.Flatten:
  • 用于将输入张量展平为一维向量的层。
• shape:
  • 张量的属性，返回张量的维度信息。

通过这些操作，可以将一个形状为 (3, 28, 28) 的三通道图像输入张量展平为一维向量，并查看其形状。展平后的形状为 (3 * 28 * 28,)，即 (2352,)。

nn.Dense

nn.Dense为全连接层，其使用权重和偏差对输入进行线性变换。

layer1 = nn.Dense(in_channels=28*28, out_channels=20)
hidden1 = layer1(flat_image)
print(hidden1.shape)

1. layer1 = nn.Dense(in_channels=28*28, out_channels=20):
   • 创建一个全连接层 layer1，输入通道数为 28*28（即 784），输出通道数为 20。这个层将输入的展平图像转换为一个 20 维的向量。
2. hidden1 = layer1(flat_image):
   • 将展平后的图像 flat_image 传递给全连接层 layer1，得到输出 hidden1。hidden1 是经过全连接层处理后的张量。
3. print(hidden1.shape):
   • 打印 hidden1 的形状。shape 属性返回张量的维度信息。

• nn.Dense:
  • 全连接层（也称为线性层），用于将输入张量通过线性变换转换为输出张量。参数 in_channels 指定输入的特征数，out_channels 指定输出的特征数。
• shape:
  • 张量的属性，返回张量的维度信息。

通过这些操作，可以将展平后的图像输入传递给一个全连接层，并查看其输出的形状。假设 flat_image 的形状为 (batch_size, 28*28)，那么 hidden1 的形状将为 (batch_size, 20)。

nn.ReLU

nn.ReLU层给网络中加入非线性的激活函数，帮助神经网络学习各种复杂的特征。

print(f"Before ReLU: {hidden1}\n\n")
hidden1 = nn.ReLU()(hidden1)
print(f"After ReLU: {hidden1}")

1. print(f"Before ReLU: {hidden1}\n\n"):
   • 打印 hidden1 的值，即全连接层的输出，在应用 ReLU 激活函数之前。
2. hidden1 = nn.ReLU()(hidden1):
   • 对 hidden1 应用 ReLU 激活函数。nn.ReLU() 创建一个 ReLU 激活函数层，并将其应用于 hidden1。ReLU 函数将所有负值置为 0，保持正值不变。
3. print(f"After ReLU: {hidden1}"):
   • 打印 hidden1 的值，即应用 ReLU 激活函数之后的输出。

• nn.ReLU:
  • ReLU（Rectified Linear Unit）激活函数层，用于将输入张量中的所有负值置为 0，保持正值不变。

通过这些操作，可以观察全连接层输出在应用 ReLU 激活函数前后的变化。ReLU 激活函数有助于引入非线性，使得神经网络能够学习更复杂的函数。

nn.SequentialCell

nn.SequentialCell是一个有序的Cell容器。输入Tensor将按照定义的顺序通过所有Cell。我们可以使用nn.SequentialCell来快速组合构造一个神经网络模型。

seq_modules = nn.SequentialCell(flatten,layer1,nn.ReLU(),nn.Dense(20, 10)
)logits = seq_modules(input_image)
print(logits.shape)

1. seq_modules = nn.SequentialCell(flatten, layer1, nn.ReLU(), nn.Dense(20, 10)):
   • 创建一个顺序模型 seq_modules，包含以下层：
     • flatten：展平层，将输入图像展平为一维向量。
     • layer1：全连接层，将展平后的图像转换为 20 维向量。
     • nn.ReLU()：ReLU 激活函数层，对全连接层的输出应用 ReLU 激活函数。
     • nn.Dense(20, 10)：另一个全连接层，将 20 维向量转换为 10 维向量。
2. logits = seq_modules(input_image):
   • 将输入图像 input_image 传递给顺序模型 seq_modules，得到输出 logits。logits 是经过所有层处理后的最终输出。
3. print(logits.shape):
   • 打印 logits 的形状。shape 属性返回张量的维度信息。

• nn.SequentialCell:
  • 顺序模型容器，用于按顺序组合多个层。输入数据将按顺序通过这些层。
• nn.Dense:
  • 全连接层（也称为线性层），用于将输入张量通过线性变换转换为输出张量。参数 in_channels 指定输入的特征数，out_channels 指定输出的特征数。
• nn.ReLU:
  • ReLU（Rectified Linear Unit）激活函数层，用于将输入张量中的所有负值置为 0，保持正值不变。

通过这些操作，可以将输入图像传递给一个包含多个层的顺序模型，并查看其最终输出的形状。假设 input_image 的形状为 (batch_size, 1, 28, 28)，那么 logits 的形状将为 (batch_size, 10)。

nn.Softmax

最后使用nn.Softmax将神经网络最后一个全连接层返回的logits的值缩放为[0, 1]，表示每个类别的预测概率。axis指定的维度数值和为1。

softmax = nn.Softmax(axis=1)
pred_probab = softmax(logits)

1. softmax = nn.Softmax(axis=1):
   • 创建一个 Softmax 层 softmax，指定在第 1 维度（即每个样本的类别维度）上应用 Softmax 函数。Softmax 函数将输入张量的每个元素转换为概率值，且这些概率值的总和为 1。
2. pred_probab = softmax(logits):
   • 将 logits 传递给 Softmax 层 softmax，得到输出 pred_probab。pred_probab 是经过 Softmax 函数处理后的概率分布。

• nn.Softmax:
  • Softmax 激活函数层，用于将输入张量转换为概率分布。参数 axis 指定在张量的哪个维度上应用 Softmax 函数。通常在分类任务中，Softmax 函数用于将网络的输出转换为类别概率。

通过这些操作，可以将网络的输出 logits 转换为概率分布 pred_probab。假设 logits 的形状为 (batch_size, 10)，那么 pred_probab 的形状也将为 (batch_size, 10)，且每个样本的 10 个类别概率之和为 1。

模型参数

网络内部神经网络层具有权重参数和偏置参数（如nn.Dense），这些参数会在训练过程中不断进行优化，可通过 model.parameters_and_names() 来获取参数名及对应的参数详情。

print(f"Model structure: {model}\n\n")for name, param in model.parameters_and_names():print(f"Layer: {name}\nSize: {param.shape}\nValues : {param[:2]} \n")

解析

1. print(f"Model structure: {model}\n\n"):
   • 打印模型的结构信息。model 是一个神经网络模型对象，打印它会显示模型的层和结构。
2. for name, param in model.parameters_and_names()::
   • 遍历 model.parameters_and_names() 返回的迭代器，获取每个参数的名称 name 和参数张量 param。
3. print(f"Layer: {name}\nSize: {param.shape}\nValues : {param[:2]} \n"):
   • 打印每个参数的名称、形状和前两个值。param.shape 返回参数张量的维度信息，param[:2] 返回参数张量的前两个值。

API解析

• model.parameters_and_names():
  • 获取模型中所有参数及其名称的方法。返回一个迭代器，包含参数名称和对应的参数张量。

通过这些操作，可以查看模型的结构以及每个层的参数名称、形状和前两个值。这对于调试和理解模型参数非常有用。例如，对于一个全连接层 nn.Dense(20, 10)，其权重参数的形状可能是 (20, 10)，偏置参数的形状可能是 (10,)，并且可以查看这些参数的前两个值。

整体代码

#!/usr/bin/env python
# coding: utf-8# [![下载Notebook](https://qingyun-test.oss-cn-hangzhou.aliyuncs.com/images/2024/07/14/image9817421053129015551.png)](https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/notebook/r2.3/tutorials/zh_cn/beginner/mindspore_model.ipynb) [![下载样例代码](https://qingyun-test.oss-cn-hangzhou.aliyuncs.com/images/2024/07/14/image11826012109507579499.png)](https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/notebook/r2.3/tutorials/zh_cn/beginner/mindspore_model.py) [![查看源文件](https://qingyun-test.oss-cn-hangzhou.aliyuncs.com/images/2024/07/14/image12685397076148884701.png)](https://gitee.com/mindspore/docs/blob/r2.3/tutorials/source_zh_cn/beginner/model.ipynb)
# 
# [基本介绍](https://www.mindspore.cn/tutorials/zh-CN/r2.3/beginner/introduction.html) || [快速入门](https://www.mindspore.cn/tutorials/zh-CN/r2.3/beginner/quick_start.html) || [张量 Tensor](https://www.mindspore.cn/tutorials/zh-CN/r2.3/beginner/tensor.html) || [数据集 Dataset](https://www.mindspore.cn/tutorials/zh-CN/r2.3/beginner/dataset.html) || [数据变换 Transforms](https://www.mindspore.cn/tutorials/zh-CN/r2.3/beginner/transforms.html) || **网络构建** || [函数式自动微分](https://www.mindspore.cn/tutorials/zh-CN/r2.3/beginner/autograd.html) || [模型训练](https://www.mindspore.cn/tutorials/zh-CN/r2.3/beginner/train.html) || [保存与加载](https://www.mindspore.cn/tutorials/zh-CN/r2.3/beginner/save_load.html) || [使用静态图加速](https://www.mindspore.cn/tutorials/zh-CN/r2.3/beginner/accelerate_with_static_graph.html)# # 网络构建# 神经网络模型是由神经网络层和Tensor操作构成的，[mindspore.nn](https://www.mindspore.cn/docs/zh-CN/r2.3/api_python/mindspore.nn.html)提供了常见神经网络层的实现，在MindSpore中，[Cell](https://www.mindspore.cn/docs/zh-CN/r2.3/api_python/nn/mindspore.nn.Cell.html)类是构建所有网络的基类，也是网络的基本单元。一个神经网络模型表示为一个`Cell`，它由不同的子`Cell`构成。使用这样的嵌套结构，可以简单地使用面向对象编程的思维，对神经网络结构进行构建和管理。
# 
# 下面我们将构建一个用于Mnist数据集分类的神经网络模型。# In[1]:import mindspore
from mindspore import nn, ops# ## 定义模型类
# 
# 当我们定义神经网络时，可以继承`nn.Cell`类，在`__init__`方法中进行子Cell的实例化和状态管理，在`construct`方法中实现Tensor操作。
# 
# > `construct`意为神经网络（计算图）构建，相关内容详见[使用静态图加速](https://www.mindspore.cn/tutorials/zh-CN/r2.3/beginner/accelerate_with_static_graph.html)。# In[2]:class Network(nn.Cell):def __init__(self):super().__init__()self.flatten = nn.Flatten()self.dense_relu_sequential = nn.SequentialCell(nn.Dense(28*28, 512, weight_init="normal", bias_init="zeros"),nn.ReLU(),nn.Dense(512, 512, weight_init="normal", bias_init="zeros"),nn.ReLU(),nn.Dense(512, 10, weight_init="normal", bias_init="zeros"))def construct(self, x):x = self.flatten(x)logits = self.dense_relu_sequential(x)return logits# 构建完成后，实例化`Network`对象，并查看其结构。# In[3]:model = Network()
print(model)# 我们构造一个输入数据，直接调用模型，可以获得一个二维的Tensor输出，其包含每个类别的原始预测值。
# 
# > `model.construct()`方法不可直接调用。# In[4]:X = ops.ones((1, 28, 28), mindspore.float32)
logits = model(X)
# print logits
logits# 在此基础上，我们通过一个`nn.Softmax`层实例来获得预测概率。# In[5]:pred_probab = nn.Softmax(axis=1)(logits)
y_pred = pred_probab.argmax(1)
print(f"Predicted class: {y_pred}")# ## 模型层
# 
# 本节中我们分解上节构造的神经网络模型中的每一层。首先我们构造一个shape为(3, 28, 28)的随机数据（3个28x28的图像），依次通过每一个神经网络层来观察其效果。# In[6]:input_image = ops.ones((3, 28, 28), mindspore.float32)
print(input_image.shape)# ### nn.Flatten
# 
# 实例化[nn.Flatten](https://www.mindspore.cn/docs/zh-CN/r2.3/api_python/nn/mindspore.nn.Flatten.html)层，将28x28的2D张量转换为784大小的连续数组。# In[7]:flatten = nn.Flatten()
flat_image = flatten(input_image)
print(flat_image.shape)# ### nn.Dense
# 
# [nn.Dense](https://www.mindspore.cn/docs/zh-CN/r2.3/api_python/nn/mindspore.nn.Dense.html)为全连接层，其使用权重和偏差对输入进行线性变换。# In[8]:layer1 = nn.Dense(in_channels=28*28, out_channels=20)
hidden1 = layer1(flat_image)
print(hidden1.shape)# ### nn.ReLU
# 
# [nn.ReLU](https://www.mindspore.cn/docs/zh-CN/r2.3/api_python/nn/mindspore.nn.ReLU.html)层给网络中加入非线性的激活函数，帮助神经网络学习各种复杂的特征。# In[9]:print(f"Before ReLU: {hidden1}\n\n")
hidden1 = nn.ReLU()(hidden1)
print(f"After ReLU: {hidden1}")# ### nn.SequentialCell
# 
# [nn.SequentialCell](https://www.mindspore.cn/docs/zh-CN/r2.3/api_python/nn/mindspore.nn.SequentialCell.html)是一个有序的Cell容器。输入Tensor将按照定义的顺序通过所有Cell。我们可以使用`nn.SequentialCell`来快速组合构造一个神经网络模型。# In[10]:seq_modules = nn.SequentialCell(flatten,layer1,nn.ReLU(),nn.Dense(20, 10)
)logits = seq_modules(input_image)
print(logits.shape)# ### nn.Softmax
# 
# 最后使用[nn.Softmax](https://www.mindspore.cn/docs/zh-CN/r2.3/api_python/nn/mindspore.nn.Softmax.html)将神经网络最后一个全连接层返回的logits的值缩放为\[0, 1\]，表示每个类别的预测概率。`axis`指定的维度数值和为1。# In[11]:softmax = nn.Softmax(axis=1)
pred_probab = softmax(logits)# ## 模型参数
# 
# 网络内部神经网络层具有权重参数和偏置参数（如`nn.Dense`），这些参数会在训练过程中不断进行优化，可通过 `model.parameters_and_names()` 来获取参数名及对应的参数详情。# In[12]:print(f"Model structure: {model}\n\n")for name, param in model.parameters_and_names():print(f"Layer: {name}\nSize: {param.shape}\nValues : {param[:2]} \n")# 更多内置神经网络层详见[mindspore.nn API](https://www.mindspore.cn/docs/zh-CN/r2.3/api_python/mindspore.nn.html)。

解析

1. 导入必要的库：

import mindspore
from mindspore import nn, ops

• mindspore：MindSpore的主库。
• nn：包含神经网络层和模块。
• ops：包含各种Tensor操作。

2. 定义模型类：

class Network(nn.Cell):def __init__(self):super().__init__()self.flatten = nn.Flatten()self.dense_relu_sequential = nn.SequentialCell(nn.Dense(28*28, 512, weight_init="normal", bias_init="zeros"),nn.ReLU(),nn.Dense(512, 512, weight_init="normal", bias_init="zeros"),nn.ReLU(),nn.Dense(512, 10, weight_init="normal", bias_init="zeros"))def construct(self, x):x = self.flatten(x)logits = self.dense_relu_sequential(x)return logits

• Network类继承自nn.Cell。
• __init__方法中定义了网络的层结构。
• construct方法中定义了前向传播的逻辑。

3. 实例化模型并查看结构：

model = Network()
print(model)

4. 测试模型：

X = ops.ones((1, 28, 28), mindspore.float32)
logits = model(X)
logits

5. 使用Softmax层获取预测概率：

pred_probab = nn.Softmax(axis=1)(logits)
y_pred = pred_probab.argmax(1)
print(f"Predicted class: {y_pred}")

6. 分解模型层：
   • Flatten层：

flatten = nn.Flatten()
flat_image = flatten(input_image)
print(flat_image.shape)

• Dense层：

layer1 = nn.Dense(in_channels=28*28, out_channels=20)
hidden1 = layer1(flat_image)
print(hidden1.shape)

• ReLU层：

print(f"Before ReLU: {hidden1}\n\n")
hidden1 = nn.ReLU()(hidden1)
print(f"After ReLU: {hidden1}")

• SequentialCell：

seq_modules = nn.SequentialCell(flatten,layer1,nn.ReLU(),nn.Dense(20, 10)
)
logits = seq_modules(input_image)
print(logits.shape)

• Softmax层：

softmax = nn.Softmax(axis=1)
pred_probab = softmax(logits)

7. 查看模型参数：

print(f"Model structure: {model}\n\n")
for name, param in model.parameters_and_names():print(f"Layer: {name}\nSize: {param.shape}\nValues : {param[:2]} \n")

API解析

• nn.Cell：MindSpore中所有网络的基类。
• nn.Flatten：将输入的2D张量展平为一维数组。
• nn.Dense：全连接层，进行线性变换。
• nn.ReLU：ReLU激活函数。
• nn.SequentialCell：有序的Cell容器，按顺序执行各个Cell。
• nn.Softmax：Softmax激活函数，将logits转换为概率分布。
• model.parameters_and_names()：获取模型参数及其名称。

通过这些步骤和API的使用，可以构建和管理神经网络模型，并进行前向传播和参数管理。