摘要：
记录了昇思MindSpore神经网络模型的定义构建、模型分层，以及获取模型参数的步骤方法。
一、神经网络模型概念
神经网络模型是由神经网络层和Tensor操作构成。
mindspore.nn实现了神经网络层。
mindspore.nn.Cell是构建神经网络的基类。
支持子Cell嵌套形成复杂的神经网络。
二、环境准备
安装minspore模块
!pip uninstall mindspore -y
!pip install -i https://pypi.mirrors.ustc.edu.cn/simple mindspore==2.3.0rc1导入minspore、nn、ops等相关模块
import mindspore
from mindspore import nn, ops三、定义模型类
继承nn.Cell类
__init__ 初始化方法实现子Cell实例化和状态管理
construct 构建方法实现Tensor操作
示例：Mnist数据集分类神经网络模型。
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
model = Network()
print(model)输出：
Network<
(flatten): Flatten<>
(dense_relu_sequential): SequentialCell<
(0): Dense<input_channels=784, output_channels=512, has_bias=True>
(1): ReLU<>
(2): Dense<input_channels=512, output_channels=512, has_bias=True>
(3): ReLU<>
(4): Dense<input_channels=512, output_channels=10, has_bias=True>
>
>构造输入数据，直接调用模型，获得一个十维的Tensor输出，包含每个类别的原始预测值。
【为什么？】model.construct()方法不可直接调用。
X = ops.ones((1, 28, 28), mindspore.float32)
logits = model(X)
# print logits
logits输出：
Tensor(shape=[1, 10], dtype=Float32, value=
[[-6.12840615e-03, -9.06550791e-03, 7.44015072e-03 ... -1.21108280e-03, 8.75189435e-05, 1.14824511e-02]])nn.Softmax()获得预测概率
pred_probab = nn.Softmax(axis=1)(logits)
y_pred = pred_probab.argmax(1)
print(f"Predicted class: {y_pred}")输出：
Predicted class: [9]四、模型层
神经网络模型层分解
构造3个28x28的随机图像，shape为(3, 28, 28)
input_image = ops.ones((3, 28, 28), mindspore.float32)
print(input_image.shape)输出：
(3, 28, 28)1. 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。
类似理解为将2维矩阵转换为1维数组。
flatten = nn.Flatten()
flat_image = flatten(input_image)
print(flat_image.shape)输出：
(3, 784)2. nn.Dense
nn.Dense为全连接层，使用权重和偏差对输入进行线性变换。
【猜测理解】排除噪声数据
layer1 = nn.Dense(in_channels=28*28, out_channels=20)
hidden1 = layer1(flat_image)
print(hidden1.shape)输出：
(3, 20)3. 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。
【猜测理解】提取特征模型
print(f"Before ReLU: {hidden1}\n\n")
hidden1 = nn.ReLU()(hidden1)
print(f"After ReLU: {hidden1}")输出：
Before ReLU:
[[ 0.22167806 -0.6745967 -0.27886766 0.22455142 -0.23248096 -0.13336143
0.10336601 0.55169076 1.5191591 0.73823357 0.14714427 0.70888543
-0.38694382 -0.49788377 0.06992912 0.1532075 -0.5910665 0.69121903
-0.3803944 1.0794045 ]
[ 0.22167806 -0.6745967 -0.27886766 0.22455142 -0.23248096 -0.13336143
0.10336601 0.55169076 1.5191591 0.73823357 0.14714427 0.70888543
-0.38694382 -0.49788377 0.06992912 0.1532075 -0.5910665 0.69121903
-0.3803944 1.0794045 ]
[ 0.22167806 -0.6745967 -0.27886766 0.22455142 -0.23248096 -0.13336143
0.10336601 0.55169076 1.5191591 0.73823357 0.14714427 0.70888543
-0.38694382 -0.49788377 0.06992912 0.1532075 -0.5910665 0.69121903
-0.3803944 1.0794045 ]]
After ReLU:
[[0.22167806 0. 0. 0.22455142 0. 0.
0.10336601 0.55169076 1.5191591 0.73823357 0.14714427 0.70888543
0. 0. 0.06992912 0.1532075 0. 0.69121903
0. 1.0794045 ]
[0.22167806 0. 0. 0.22455142 0. 0.
0.10336601 0.55169076 1.5191591 0.73823357 0.14714427 0.70888543
0. 0. 0.06992912 0.1532075 0. 0.69121903
0. 1.0794045 ]
[0.22167806 0. 0. 0.22455142 0. 0.
0.10336601 0.55169076 1.5191591 0.73823357 0.14714427 0.70888543
0. 0. 0.06992912 0.1532075 0. 0.69121903
0. 1.0794045 ]]4. nn.SequentialCell
nn.SequentialCell 顺序Cell容器
输入张量Tensor按照定义的顺序通过所有Cell
seq_modules = nn.SequentialCell(
flatten,
layer1,
nn.ReLU(),
nn.Dense(20, 10)
)
logits = seq_modules(input_image)
print(logits.shape)输出：
(3, 10)5. 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。
【猜测理解】nn.Softmax根据神经网络返回的特征解推出预测概率。
softmax = nn.Softmax(axis=1)
pred_probab = softmax(logits)五、模型参数
包括网络内部神经网络层具有权重参数和偏置参数，nn.Dense等。
model.parameters_and_names() 获取参数名及对应的参数
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")输出：
Model structure: Network<
(flatten): Flatten<>
(dense_relu_sequential): SequentialCell<
(0): Dense<input_channels=784, output_channels=512, has_bias=True>
(1): ReLU<>
(2): Dense<input_channels=512, output_channels=512, has_bias=True>
(3): ReLU<>
(4): Dense<input_channels=512, output_channels=10, has_bias=True>
>
>
Layer: dense_relu_sequential.0.weight
Size: (512, 784)
Values :
[[-0.00240309 0.01673641 0.01800174 ... -0.00494339 0.00156037
-0.01077523]
[ 0.01024065 0.00036838 0.01390939 ... -0.03533866 0.01564405
0.00675983]]
Layer: dense_relu_sequential.0.bias
Size: (512,)
Values : [0. 0.]
Layer: dense_relu_sequential.2.weight
Size: (512, 512)
Values :
[[ 0.01293653 -0.00968055 0.00156187 ... -0.00389436 0.00231833
-0.00164853]
[ 0.01165598 0.00445346 -0.00812163 ... 0.00903445 -0.00193659
0.00366774]]
Layer: dense_relu_sequential.2.bias
Size: (512,)
Values : [0. 0.]
Layer: dense_relu_sequential.4.weight
Size: (10, 512)
Values :
[[ 5.1974057e-05 -1.5710767e-02 -1.3622168e-02 ... 8.3433613e-03
-2.0038823e-02 2.4895865e-02]
[-1.8089322e-02 -1.6186651e-02 1.5664777e-02 ... -8.6768856e-03
4.5306431e-03 8.7257465e-03]]
Layer: dense_relu_sequential.4.bias
Size: (10,)
Values : [0. 0.] 
