Cell构建及其子类

概述

MindSpore的Cell类是构建所有网络的基类，也是网络的基本单元。当用户需要自定义网络时，需要继承Cell类，并重写__init__方法和construct方法。

损失函数、优化器和模型层等本质上也属于网络结构，也需要继承Cell类才能实现功能，同样用户也可以根据业务需求自定义这部分内容。

本节内容首先将会介绍Cell类的关键成员函数，然后介绍基于Cell实现的MindSpore内置损失函数、优化器和模型层及使用方法，最后通过实例介绍如何利用Cell类构建自定义网络。

关键成员函数

construct方法

Cell类重写了__call__方法，在Cell类的实例被调用时，会执行construct方法。网络结构在construct方法里面定义。

下面的样例中，我们构建了一个简单的网络实现卷积计算功能。构成网络的算子在__init__中定义，在construct方法里面使用，用例的网络结构为Conv2d -> BiasAdd。

在construct方法中，x为输入数据，output是经过网络结构计算后得到的计算结果。

[1]:

import mindspore.nn as nn
import mindspore.ops as ops
from mindspore import Parameter
from mindspore.common.initializer import initializer

class Net(nn.Cell):
    def __init__(self, in_channels=10, out_channels=20, kernel_size=3):
        super(Net, self).__init__()
        self.conv2d = ops.Conv2D(out_channels, kernel_size)
        self.bias_add = ops.BiasAdd()
        self.weight = Parameter(
            initializer('normal', [out_channels, in_channels, kernel_size, kernel_size]),
            name='conv.weight')

    def construct(self, x):
        output = self.conv2d(x, self.weight)
        output = self.bias_add(output, self.bias)
        return output

parameters_dict

parameters_dict方法识别出网络结构中所有的参数，返回一个以key为参数名，value为参数值的OrderedDict。

Cell类中返回参数的方法还有许多，例如get_parameters、trainable_params等，具体使用方法可以参见API文档。

代码样例如下：

[2]:

net = Net()
result = net.parameters_dict()
print(result.keys())
print(result['conv.weight'])

odict_keys(['conv.weight'])
Parameter (name=conv.weight)

样例中的Net采用上文构造网络的用例，打印了网络中所有参数的名字和weight参数的结果。

cells_and_names

cells_and_names方法是一个迭代器，返回网络中每个Cell的名字和它的内容本身。

用例简单实现了获取与打印每个Cell名字的功能，其中根据网络结构可知，存在1个Cell为nn.Conv2d。

其中nn.Conv2d是MindSpore以Cell为基类封装好的一个卷积层，其具体内容将在“模型层”中进行介绍。

代码样例如下：

[3]:

import mindspore.nn as nn

class Net1(nn.Cell):
    def __init__(self):
        super(Net1, self).__init__()
        self.conv = nn.Conv2d(3, 64, 3, has_bias=False, weight_init='normal')

    def construct(self, x):
        out = self.conv(x)
        return out

net = Net1()
names = []
for m in net.cells_and_names():
    print(m)
    names.append(m[0]) if m[0] else None
print('-------names-------')
print(names)

('', Net1<
  (conv): Conv2d<input_channels=3, output_channels=64, kernel_size=(3, 3),stride=(1, 1),  pad_mode=same, padding=0, dilation=(1, 1), group=1, has_bias=Falseweight_init=normal, bias_init=zeros, format=NCHW>
  >)
('conv', Conv2d<input_channels=3, output_channels=64, kernel_size=(3, 3),stride=(1, 1),  pad_mode=same, padding=0, dilation=(1, 1), group=1, has_bias=Falseweight_init=normal, bias_init=zeros, format=NCHW>)
-------names-------
['conv']

set_grad

set_grad接口功能是使用户构建反向网络，在不传入参数调用时，默认设置requires_grad为True，需要在计算网络反向的场景中使用。

以TrainOneStepCell为例，其接口功能是使网络进行单步训练，需要计算网络反向，因此初始化方法里需要使用set_grad。

TrainOneStepCell部分代码如下：

class TrainOneStepCell(Cell):
    def __init__(self, network, optimizer, sens=1.0):
        super(TrainOneStepCell, self).__init__(auto_prefix=False)
        self.network = network
        self.network.set_grad()
        ......

如果用户使用TrainOneStepCell等类似接口无需使用set_grad，内部已封装实现。

若用户需要自定义此类训练功能的接口，需要在其内部调用，或者在外部设置network.set_grad。

nn模块与ops模块的关系

MindSpore的nn模块是Python实现的模型组件，是对低阶API的封装，主要包括各种模型层、损失函数、优化器等。

同时nn也提供了部分与Primitive算子同名的接口，主要作用是对Primitive算子进行进一步封装，为用户提供更友好的API。

重新分析上文介绍construct方法的用例，此用例是MindSpore的nn.Conv2d源码简化内容，内部会调用ops.Conv2D。nn.Conv2d卷积API增加输入参数校验功能并判断是否bias等，是一个高级封装的模型层。

[4]:

import mindspore.nn as nn
import mindspore.ops as ops
from mindspore import Parameter
from mindspore.common.initializer import initializer

class Net(nn.Cell):
    def __init__(self, in_channels=10, out_channels=20, kernel_size=3):
        super(Net, self).__init__()
        self.conv2d = ops.Conv2D(out_channels, kernel_size)
        self.bias_add = ops.BiasAdd()
        self.weight = Parameter(
            initializer('normal', [out_channels, in_channels, kernel_size, kernel_size]),
            name='conv.weight')

    def construct(self, x):
        output = self.conv2d(x, self.weight)
        output = self.bias_add(output, self.bias)
        return output

模型层

在讲述了Cell的使用方法后可知，MindSpore能够以Cell为基类构造网络结构。

为了方便用户的使用，MindSpore框架内置了大量的模型层，用户可以通过接口直接调用。

同样，用户也可以自定义模型，此内容在“构建自定义网络”中介绍。

内置模型层

MindSpore框架在mindspore.nn的layer层内置了丰富的接口，主要内容如下：

激活层

激活层内置了大量的激活函数，在定义网络结构中经常使用。激活函数为网络加入了非线性运算，使得网络能够拟合效果更好。

主要接口有Softmax、Relu、Elu、Tanh、Sigmoid等。
基础层

基础层实现了网络中一些常用的基础结构，例如全连接层、Onehot编码、Dropout、平铺层等都在此部分实现。

主要接口有Dense、Flatten、Dropout、Norm、OneHot等。
容器层

容器层主要功能是实现一些存储多个Cell的数据结构。

主要接口有SequentialCell、CellList等。
卷积层

卷积层提供了一些卷积计算的功能，如普通卷积、深度卷积和卷积转置等。

主要接口有Conv2d、Conv1d、Conv2dTranspose、Conv1dTranspose等。
池化层

池化层提供了平均池化和最大池化等计算的功能。

主要接口有AvgPool2d、MaxPool2d和AvgPool1d。
嵌入层

嵌入层提供word embedding的计算功能，将输入的单词映射为稠密向量。

主要接口有Embedding、EmbeddingLookup、EmbeddingLookUpSplitMode等。
长短记忆循环层

长短记忆循环层提供LSTM计算功能。其中LSTM内部会调用LSTMCell接口，LSTMCell是一个LSTM单元，对一个LSTM层做运算，当涉及多LSTM网络层运算时，使用LSTM接口。

主要接口有LSTM和LSTMCell。
标准化层

标准化层提供了一些标准化的方法，即通过线性变换等方式将数据转换成均值和标准差。

主要接口有BatchNorm1d、BatchNorm2d、LayerNorm、GroupNorm、GlobalBatchNorm等。
数学计算层

数学计算层提供一些算子拼接而成的计算功能，例如数据生成和一些数学计算等。

主要接口有ReduceLogSumExp、Range、LinSpace、LGamma等。
图片层

图片计算层提供了一些矩阵计算相关的功能，将图片数据进行一些变换与计算。

主要接口有ImageGradients、SSIM、MSSSIM、PSNR、CentralCrop等。
量化层

量化是指将数据从float的形式转换成一段数据范围的int类型，所以量化层提供了一些数据量化的方法和模型层结构封装。

主要接口有Conv2dBnAct、DenseBnAct、Conv2dBnFoldQuant、LeakyReLUQuant等。

应用实例

MindSpore的模型层在mindspore.nn下，使用方法如下所示：

[5]:

import mindspore.nn as nn

class Net(nn.Cell):
    def __init__(self):
        super(Net, self).__init__()
        self.conv = nn.Conv2d(3, 64, 3, has_bias=False, weight_init='normal')
        self.bn = nn.BatchNorm2d(64)
        self.relu = nn.ReLU()
        self.flatten = nn.Flatten()
        self.fc = nn.Dense(64 * 222 * 222, 3)

    def construct(self, x):
        x = self.conv(x)
        x = self.bn(x)
        x = self.relu(x)
        x = self.flatten(x)
        out = self.fc(x)
        return out

依然是上述网络构造的用例，从这个用例中可以看出，程序调用了Conv2d、BatchNorm2d、ReLU、Flatten和Dense模型层的接口。

在Net初始化方法里被定义，然后在construct方法里真正运行，这些模型层接口有序的连接，形成一个可执行的网络。

损失函数

目前MindSpore主要支持的损失函数有L1Loss、MSELoss、SmoothL1Loss、SoftmaxCrossEntropyWithLogits、SampledSoftmaxLoss、BCELoss和CosineEmbeddingLoss。

MindSpore的损失函数全部是Cell的子类实现，所以也支持用户自定义损失函数，其构造方法在“构建自定义网络”中进行介绍。

内置损失函数

L1Loss

计算两个输入数据的绝对值误差，用于回归模型。reduction参数默认值为mean，返回loss平均值结果，若reduction值为sum，返回loss累加结果，若reduction值为none，返回每个loss的结果。
MSELoss

计算两个输入数据的平方误差，用于回归模型。reduction参数同L1Loss。
SmoothL1Loss

SmoothL1Loss为平滑L1损失函数，用于回归模型，阈值beta默认参数为1。
SoftmaxCrossEntropyWithLogits

交叉熵损失函数，用于分类模型。当标签数据不是one-hot编码形式时，需要输入参数sparse为True。reduction参数默认值为none，其参数含义同L1Loss。
CosineEmbeddingLoss

CosineEmbeddingLoss用于衡量两个输入相似程度，用于分类模型。margin默认为0.0，reduction参数同L1Loss。
BCELoss

二值交叉熵损失，用于二分类。weight是一个batch中每个训练数据的损失的权重，默认值为None，表示权重均为1。reduction参数默认值为none，其参数含义同L1Loss。
SampledSoftmaxLoss

抽样交叉熵损失函数，用于分类模型，一般在类别数很大时使用。num_sampled是抽样的类别数，num_classes是类别总数，num_true是每个用例的类别数，sampled_values是默认值为None的抽样候选值。remove_accidental_hits是移除“误中抽样”的开关， seed是默认值为0的抽样的随机种子，reduction参数默认值为none，其参数含义同L1Loss。

应用实例

MindSpore的损失函数全部在mindspore.nn下，使用方法如下所示：

[6]:

import numpy as np
import mindspore.nn as nn
from mindspore import Tensor

loss = nn.L1Loss()
input_data = Tensor(np.array([[1, 2, 3], [2, 3, 4]]).astype(np.float32))
target_data = Tensor(np.array([[0, 2, 5], [3, 1, 1]]).astype(np.float32))
print(loss(input_data, target_data))

1.5

此用例构造了两个Tensor数据，利用nn.L1Loss接口定义了loss，将input_data和target_data传入loss，执行L1Loss的计算，结果为1.5。若loss = nn.L1Loss(reduction=’sum’)，则结果为9.0。若loss = nn.L1Loss(reduction=’none’)，结果为[[1. 0. 2.] [1. 2. 3.]]。

优化算法

mindspore.nn.optim是MindSpore框架中实现各种优化算法的模块，详细说明参见优化算法。

构建自定义网络

无论是网络结构，还是前文提到的模型层、损失函数和优化器等，本质上都是一个Cell，因此都可以自定义实现。

首先构造一个继承Cell的子类，然后在__init__方法里面定义算子和模型层等，在construct方法里面构造网络结构。

以LeNet网络为例，在__init__方法中定义了卷积层，池化层和全连接层等结构单元，然后在construct方法将定义的内容连接在一起，形成一个完整LeNet的网络结构。

LeNet网络实现方式如下所示：

[7]:

import mindspore.nn as nn

class LeNet5(nn.Cell):
    def __init__(self):
        super(LeNet5, self).__init__()
        self.conv1 = nn.Conv2d(1, 6, 5, pad_mode="valid")
        self.conv2 = nn.Conv2d(6, 16, 5, pad_mode="valid")
        self.fc1 = nn.Dense(16 * 5 * 5, 120)
        self.fc2 = nn.Dense(120, 84)
        self.fc3 = nn.Dense(84, 3)
        self.relu = nn.ReLU()
        self.max_pool2d = nn.MaxPool2d(kernel_size=2)
        self.flatten = nn.Flatten()

    def construct(self, x):
        x = self.max_pool2d(self.relu(self.conv1(x)))
        x = self.max_pool2d(self.relu(self.conv2(x)))
        x = self.flatten(x)
        x = self.relu(self.fc1(x))
        x = self.relu(self.fc2(x))
        x = self.fc3(x)
        return x