网络迁移
Ascend GPU CPU 全流程 初级 中级 高级
概述
你可能已经编写过TensorFlow、PyTorch等框架的脚本，本教程介绍如何将已有的TensorFlow、PyTorch等的网络迁移到MindSpore，包括主要步骤和操作建议，帮助你快速进行网络迁移。
准备环节
在动手改造你的脚本前，请先做好算子评估和软硬件环境准备，确保MindSpore可以支持你希望迁移的网络。
算子评估
分析待迁移的网络中所包含的算子，结合MindSpore算子支持列表，梳理出MindSpore对这些算子的支持程度。
以ResNet-50为例，Conv和BatchNorm是其中最主要的两个算子，它们已在MindSpore支持的算子列表中。
如果发现没有对应算子，建议：
使用其他算子替换：分析算子实现公式，审视是否可以采用MindSpore现有算子叠加达到预期目标。
临时替代方案：比如不支持某个Loss，是否可以替换为同类已支持的Loss算子；又比如当前的网络结构，是否可以替换为其他同类主流网络等。
如果发现支持的算子存在功能不全，建议：
非必要功能：可删除。
必要功能：寻找替代方案。
如果上述仍不能满足你的要求，你可以在MindSpore社区提出诉求。
软硬件环境准备
准备好硬件环境，查看与你环境对应平台的安装指南，完成MindSpore的安装。
E2E迁移网络
训练阶段
脚本迁移
MindSpore与TensorFlow、PyTorch在网络结构组织方式上，存在一定差别，迁移前需要对原脚本有较为清晰的了解，明确地知道每一层的shape等信息。
你也可以使用MindConverter工具实现PyTorch网络定义脚本到MindSpore网络定义脚本的自动转换。
下面，我们以ResNet-50的迁移，并在Ascend 910上训练为例：
导入MindSpore模块。
根据所需使用的接口，导入相应的MindSpore模块，模块列表详见https://www.mindspore.cn/api/zh-CN/r0.7/index.html。
加载数据集和预处理。
使用MindSpore构造你需要使用的数据集。目前MindSpore已支持常见数据集，你可以通过原始格式、
MindRecord、TFRecord等多种接口调用，同时还支持数据处理以及数据增强等相关功能，具体用法可参考准备数据教程。本例中加载了Cifar-10数据集，可同时支持单卡和多卡的场景。
if device_num == 1: ds = de.Cifar10Dataset(dataset_path, num_parallel_workers=4, shuffle=True) else: ds = de.Cifar10Dataset(dataset_path, num_parallel_workers=4, shuffle=True, num_shards=device_num, shard_id=rank_id)
然后对数据进行了数据增强、数据清洗和批处理等操作。代码详见https://gitee.com/mindspore/mindspore/blob/r0.7/model_zoo/official/cv/resnet/src/dataset.py。
构建网络。
与TensorFlow相比，MindSpore对于卷积的最大差异在于数据格式。MindSpore整网默认使用
NCHW的格式，与常见的TensorFlow所使用的NHWC不同。以batch_size=32的ResNet-50网络中第一层卷积为例:
在TensorFlow中，输入feature的格式为[32, 224, 224, 3]，卷积核大小为[7, 7, 3, 64]。
在MindSpore中，输入feature的格式为[32, 3, 224, 224]，卷积核大小为[64, 3, 7, 7]。
def _conv7x7(in_channel, out_channel, stride=1): weight_shape = (out_channel, in_channel, 7, 7) weight = _weight_variable(weight_shape) return nn.Conv2d(in_channel, out_channel, kernel_size=7, stride=stride, padding=0, pad_mode='same', weight_init=weight) def _bn(channel): return nn.BatchNorm2d(channel, eps=1e-4, momentum=0.9, gamma_init=1, beta_init=0, moving_mean_init=0, moving_var_init=1)
构造子网。
MindSpore中使用
nn.Cell来构造一个子网结构。子网内遵循先定义后使用的原则来搭建网络结构。每一个需要使用的算子需先定义在Cell的__init__函数内，然后在construct函数内将定义好的算子连接起来，最后将子网的输出通过return返回。class ResidualBlock(nn.Cell): """ ResNet V1 residual block definition. Args: in_channel (int): Input channel. out_channel (int): Output channel. stride (int): Stride size for the first convolutional layer. Default: 1. Returns: Tensor, output tensor. Examples: >>> ResidualBlock(3, 256, stride=2) """ expansion = 4 def __init__(self, in_channel, out_channel, stride=1): super(ResidualBlock, self).__init__() channel = out_channel self.conv1 = _conv1x1(in_channel, channel, stride=1) self.bn1 = _bn(channel) self.conv2 = _conv3x3(channel, channel, stride=stride) self.bn2 = _bn(channel) self.conv3 = _conv1x1(channel, out_channel, stride=1) self.bn3 = _bn_last(out_channel) self.relu = nn.ReLU() self.down_sample = False if stride != 1 or in_channel != out_channel: self.down_sample = True self.down_sample_layer = None if self.down_sample: self.down_sample_layer = nn.SequentialCell([_conv1x1(in_channel, out_channel, stride), _bn(out_channel)]) self.add = P.TensorAdd() def construct(self, x): identity = x out = self.conv1(x) out = self.bn1(out) out = self.relu(out) out = self.conv2(out) out = self.bn2(out) out = self.relu(out) out = self.conv3(out) out = self.bn3(out) if self.down_sample: identity = self.down_sample_layer(identity) out = self.add(out, identity) out = self.relu(out) return out
定义串联结构。
ResNet-50网络中有大量的重复结构，TensorFlow中可以使用for循环调用函数的方式来减少重复代码。MindSpore中，我们定义的每一个Cell对象都是独立的，尤其对于内部存在权重参数的子网，定义的Cell是不能重复使用的，如果出现大量重复串联结构，可以使用循环构造多个Cell实例并通过
SequentialCell来串联。def _make_layer(self, block, layer_num, in_channel, out_channel, stride): """ Make stage network of ResNet. Args: block (Cell): Resnet block. layer_num (int): Layer number. in_channel (int): Input channel. out_channel (int): Output channel. stride (int): Stride size for the first convolutional layer. Returns: SequentialCell, the output layer. Examples: >>> _make_layer(ResidualBlock, 3, 128, 256, 2) """ layers = [] resnet_block = block(in_channel, out_channel, stride=stride) layers.append(resnet_block) for _ in range(1, layer_num): resnet_block = block(out_channel, out_channel, stride=1) layers.append(resnet_block) return nn.SequentialCell(layers)
构造整网。
将定义好的多个子网连接起来就是整个ResNet-50网络的结构了。同样遵循先定义后使用的原则，在
__init__中定义所有用到的子网，在construct中连接子网。定义损失函数和优化器。
定义好网络后，还需要相应地定义损失函数和优化器。
loss = SoftmaxCrossEntropyWithLogits(sparse=True) opt = Momentum(filter(lambda x: x.requires_grad, net.get_parameters()), lr, config.momentum, config.weight_decay, config.loss_scale)
构造模型。
类似于TensorFlow的
Estimator接口，将定义好的网络原型、损失函数、优化器传入MindSpore的Model接口，内部会自动将其组合成一个可用于训练的网络。如果需要在训练中使用Loss Scale，则可以单独定义一个
loss_scale_manager，一同传入Model接口。loss_scale = FixedLossScaleManager(config.loss_scale, drop_overflow_update=False)
如果希望使用
Model内置的评估方法，则可以使用metrics属性设置希望使用的评估方法。model = Model(net, loss_fn=loss, optimizer=opt, loss_scale_manager=loss_scale, metrics={'acc'})
类似于TensorFlow的
estimator.train，可以通过调用model.train接口来进行训练。CheckPoint和中间结果打印等功能，可通过Callback的方式定义到model.train接口上。time_cb = TimeMonitor(data_size=step_size) loss_cb = LossMonitor() cb = [time_cb, loss_cb] if config.save_checkpoint: config_ck = CheckpointConfig(save_checkpoint_steps=config.save_checkpoint_steps, keep_checkpoint_max=config.keep_checkpoint_max) ckpt_cb = ModelCheckpoint(prefix="resnet", directory=config.save_checkpoint_path, config=config_ck) cb += [ckpt_cb] model.train(epoch_size, dataset, callbacks=cb)
精度调试
精度调优过程建议如下两点：
单卡精度验证时，建议先采用小数据集进行训练。验证达标后，多卡精度验证时，再采用全量数据集。这样可以帮助提升调试效率。
首先删减脚本中的不必要技巧（如优化器中的增强配置、动态Loss Scale等），验证达标后，在此基础上逐个叠加新增功能，待当前新增功能确认正常后，再叠加下一个功能。这样可以帮助快速定位问题。
云上集成
请参考在云上使用MindSpore，将你的脚本运行在ModelArts。
推理阶段
在Ascend 910 AI处理器上训练后的模型，支持在不同的硬件平台上执行推理。详细步骤可参考多平台推理教程。