送你5个MindSpore算子使用经验

摘要：MindSpore给大家提供了很多算子进行使用，今天给大家简单介绍下常用的一些算子使用时需要注意的内容。

本文分享自华为云社区《【MindSpore易点通】算子使用经验总结》，作者：Skytier。

MindSpore给大家提供了很多算子进行使用，今天给大家简单介绍下常用的一些算子使用时需要注意的内容。

使用mindspore.nn.BatchNorm注意momentum参数

Batch Normalization里有一个momentum参数, 该参数作用于mean和variance的计算上, 保留了历史Batch里的mean和variance值,即moving_mean和moving_variance, 借鉴优化算法里的Momentum算法将历史Batch里的mean和variance的作用延续到当前Batch。

经验总结：

MindSpore中BatchNorm1d、BatchNorm2d的momentum参数(定义该参数的变量名称为momentum_ms)，该参数与PyTorch里BN的momentum参数(定义该参数的变量名称为momentum_py)的关系为：

momentum_ms = 1−momentum_py

使用mindspore.nn.Dropout注意prob参数

dropout算子的prob参数是用来设置节点值为0的概率

经验总结：

MindSpore中dropout的keep_prob参数，该参数与PyTorch里dropout的p参数的关系为： keep_prob=1−p

使用mindspore.nn.SmoothL1Loss注意问题

在网络训练中，一般会把Loss的结果对Batch Size求平均；PyTorch的Loss算子一般会有是否求平均的参数，而MindSpore里面的Loss算子没有这个参数。

经验总结：

mindspore.nn.SmoothL1Loss(beta=1.0)没有做平均，需要自己做求均值操作，否则可能会出现：

ERROR, updateOutputDesc, Update output desc failed, unknown output shape type

具体示例代码如下：

import numpy as np

import mindspore.nn as nnfrom mindspore.nn.loss.loss

import _Lossfrom mindspore

import Tensorfrom mindspore.ops

import operations as Pfrom mindspore.common

import dtype as mstype

class CheckSmoothL1(_Loss):

 def __init__(self, mean_dim=0):

        super(CheckSmoothL1, self).__init__()

        self.smooth_l1_loss = nn.SmoothL1Loss(beta=1.0)

        self.mean = P.ReduceMean(keep_dims=False)

        self.mean_dim = mean_dim

 def construct(self, input, target):

        out = self.smooth_l1_loss(input, target)

        mean_loss = self.mean(out, self.mean_dim)    #需要自己做求均值的操作

 return mean_loss

loss_op = CheckSmoothL1(mean_dim=0)

input_data = Tensor(np.array([1, 2, 3]), mstype.float32)

target_data = Tensor(np.array([1, 2, 2]), mstype.float32)

loss = loss_op(input_data, target_data)

使用mindspore.ops.operations.L2Normalize注意axis参数的指定

L2Normalize算子需要指定axis来决定需要处理的轴。

经验总结：

mindspore.ops.operations.L2Normalize#默认axis=0，

nn.functional.normalize(input, p=2, dim=1, eps=1e-12, out=None)#默认dim=1，

两者有很大差异；

迁移PyTorch网络使用L2Normalize算子时，请指定axis参数，示例如下：

norm = P.L2Normalize(axis=1)

在测试的时候使用mindspore.nn.Dropout

dropout算子只在训练中使用，测试的时候需要去掉。

经验总结：

PyTorch预测模式下Dropout自动不生效，而MindSpore预测模式下如果网络结构中有Dropout层，仍然会做drop。所以需要在测试的代码中手动去掉dropout,示例代码如下：

class Cut(nn.Cell):

 def __init__(self):

        super(Cut, self).__init__()

 def construct(self, x):

 return x

class CheckDrop(Cell):

 def __init__(self, use_drop=1, keep_prob=0.6):

        super(CheckDrop, self).__init__()

 if use_drop == 1:

            self.drop = nn.Dropout(keep_prob=keep_prob)

 else:

            self.drop = Cut()

 def construct(self, x):

        x = self.drop(x)

 return x

点击关注，第一时间了解华为云新鲜技术~