引言

科研助手【科研版】提供并行计算功能模块，您可以基于该能力模块运行分布式作业。我们提供多种运行引擎的支持，您可以根据自己的需要使用不同的训练引擎。同时，我们也提供多个区域不同种类的算力，您可以根据需要按需选购。

场景描述

本文将通过使用 PyTorch框架训练手写数字识别 MNIST 模型来讲述如何在科研助手并行计算模块中训练模型。

手写数字MNIST 数据集是一个经典的手写数字图像数据集，广泛用于机器学习和深度学习领域的模型训练与评估。它包含60,000 张训练图像和 10,000 张测试图像，每张图像为 28×28 的灰度图，涵盖手写数字 0 到 9。MNIST数据集因其简单性和代表性，成为算法验证和教学的经典工具，支持多种机器学习方法和深度学习模型的开发与测试。

本场景的整体流程如下：

准备工作

准备工作包括如下几步：

• 准备数据：准备训练代码、训练数据、训练环境
• 创建科研文件：科研文件是科研助手提供的文件管理服务，并行计算需要依赖科研文件将数据挂载到训练任务中
• 上传数据：将准备好的数据上传到科研文件实例

数据准备

数据包括训练代码、训练数据和训练环境。

1、训练代码

本示例的训练代码包括两部分，如下所述：

（1）启动脚本

本示例提供一个启动脚本start.sh，可以简化创建任务填写的启动命令内容。内容如下：

sudo /opt/conda/bin/python3 /storage/mnist/bc_mnist.py

您可以按照实际情况调整启动脚本的内容。

（2）模型训练代码

本示例的训练代码包括训练和验证两部分内容，参考官方提供的示例代码进行改写。bc_mnist.py 内容如下：

from __future__ import print_function

import argparse

import os

import torch

import torch.nn as nn

import torch.nn.functional as F

import torch.optim as optim

import torch.onnx

from torchvision import datasets, transforms

from torch.optim.lr_scheduler import StepLR

 

class Net(nn.Module):

    def __init__(self):

        super(Net, self).__init__()

        self.conv1 = nn.Conv2d(1, 32, 3, 1)

        self.conv2 = nn.Conv2d(32, 64, 3, 1)

        self.dropout1 = nn.Dropout(0.25)

        self.dropout2 = nn.Dropout(0.5)

        self.fc1 = nn.Linear(9216, 128)

        self.fc2 = nn.Linear(128, 10)

 

    def forward(self, x):

        x = self.conv1(x)

        x = F.relu(x)

        x = self.conv2(x)

        x = F.relu(x)

        x = F.max_pool2d(x, 2)

        x = self.dropout1(x)

        x = torch.flatten(x, 1)

        x = self.fc1(x)

        x = F.relu(x)

        x = self.dropout2(x)

        x = self.fc2(x)

        output = F.log_softmax(x, dim=1)

        return output

 

def train(args, model, device, train_loader, optimizer, epoch):

    model.train()

    for batch_idx, (data, target) in enumerate(train_loader):

        data, target = data.to(device), target.to(device)

        optimizer.zero_grad()

        output = model(data)

        loss = F.nll_loss(output, target)

        loss.backward()

        optimizer.step()

        if batch_idx % args.log_interval == 0:

            print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(

                epoch, batch_idx * len(data), len(train_loader.dataset),

                100. * batch_idx / len(train_loader), loss.item()))

            if args.dry_run:

                break

 

def test(model, device, test_loader):

    model.eval()

    test_loss = 0

    correct = 0

    with torch.no_grad():

        for data, target in test_loader:

            data, target = data.to(device), target.to(device)

            output = model(data)

            test_loss += F.nll_loss(output, target, reduction='sum').item()  # sum up batch loss

            pred = output.argmax(dim=1, keepdim=True)  # get the index of the max log-probability

            correct += pred.eq(target.view_as(pred)).sum().item()

 

    test_loss /= len(test_loader.dataset)

 

    print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(

        test_loss, correct, len(test_loader.dataset),

        100. * correct / len(test_loader.dataset)))

 

def main():

    # Training settings

    parser = argparse.ArgumentParser(description='PyTorch MNIST Example')

    parser.add_argument('--batch-size', type=int, default=64, metavar='N',

                        help='input batch size for training (default: 64)')

    parser.add_argument('--test-batch-size', type=int, default=1000, metavar='N',

                        help='input batch size for testing (default: 1000)')

    parser.add_argument('--epochs', type=int, default=5, metavar='N',

                        help='number of epochs to train (default: 5)')

    parser.add_argument('--lr', type=float, default=1.0, metavar='LR',

                        help='learning rate (default: 1.0)')

    parser.add_argument('--gamma', type=float, default=0.7, metavar='M',

                        help='Learning rate step gamma (default: 0.7)')

    parser.add_argument('--no-cuda', action='store_true', default=False,

                        help='disables CUDA training')

    parser.add_argument('--dry-run', action='store_true', default=False,

                        help='quickly check a single pass')

    parser.add_argument('--seed', type=int, default=1, metavar='S',

                        help='random seed (default: 1)')

    parser.add_argument('--log-interval', type=int, default=10, metavar='N',

                        help='how many batches to wait before logging training status')

    parser.add_argument('--save-model', action='store_true', default=True,

                        help='For Saving the current Model')

    args = parser.parse_args()

    use_cuda = not args.no_cuda and torch.cuda.is_available()

    print("use_cuda: {}".format(use_cuda))

 

    torch.manual_seed(args.seed)

 

    device = torch.device("cuda" if use_cuda else "cpu")

 

    train_kwargs = {'batch_size': args.batch_size}

    test_kwargs = {'batch_size': args.test_batch_size}

    if use_cuda:

        cuda_kwargs = {'num_workers': 1,

                       'pin_memory': True,

                       'shuffle': True}

        train_kwargs.update(cuda_kwargs)

        test_kwargs.update(cuda_kwargs)

 

    transform=transforms.Compose([

        transforms.ToTensor(),

        transforms.Normalize((0.1307,), (0.3081,))

        ])

    dataset1 = datasets.MNIST('/storage/mnist/data', train=True, download=True,

                       transform=transform)

    dataset2 = datasets.MNIST('/storage/mnist/data', train=False,

                       transform=transform)

    train_loader = torch.utils.data.DataLoader(dataset1,**train_kwargs)

    test_loader = torch.utils.data.DataLoader(dataset2, **test_kwargs)

    print("Dataloader done")

 

    model = Net().to(device)

    optimizer = optim.Adadelta(model.parameters(), lr=args.lr)

    print("modeldone")

 

    scheduler = StepLR(optimizer, step_size=1, gamma=args.gamma)

    for epoch in range(1, args.epochs + 1):

        train(args, model, device, train_loader, optimizer, epoch)

        test(model, device, test_loader)

        scheduler.step()

    print("train done")

 

    if args.save_model:

        out_dir = "/storage/mnist/model/m/1/"

        if not os.path.isdir(out_dir):

            os.makedirs(out_dir)

        # 保存模型

        model_path = out_dir + "mnist_model.pth"

        torch.save(model.state_dict(), model_path)

        print("模型已保存到 {}".format(model_path))

 

    # 加载模型

    print("加载模型...")

    model = Net()  # 创建新的模型实例

    model.load_state_dict(torch.load(model_path))  # 加载保存的权重

    model.eval()  # 设置为评估模式

  

    # 测试模型

    print("开始测试...")

    with torch.no_grad():

        for images, labels in test_loader:

            # 获取第一批数据中的第一张图片和标签

            image = images[0].unsqueeze(0)  # 添加一个批次维度

            true_label = labels[0].item()

 

            # 进行预测

            output = model(image)

            _, predicted_label = torch.max(output, 1)

            predicted_label = predicted_label.item()

 

            # 打印结果

            print(f"真实标签: {true_label}")

            print(f"预测标签: {predicted_label}")

            break  # 只处理一张图片

 

if __name__ == '__main__':

main()

您可以根据实际情况调整模型训练代码。

2、数据准备

本示例使用的是官方提供的MNIST 数据集。

【注意】训练代码中有配置自动下载代码的选项，如果没有提前下载数据，也支持自动下载。您可以按照实际情况上传模型训练需要的数据。

创建科研文件

【科研文件】是科研助手提供的文件管理服务模块，您可以通过【科研文件】来管理自己的数据。并行计算需要依赖【科研文件】提供训练所需数据，因此需要提前创建科研文件。

进入科研助手，选择【数据存储】>【科研文件管理】，点击【创建科研文件】按钮

科研文件目前仅支持【厦门4】可用区，您需要注意选择对应的资源池【huanan001-xxx】。科研文件默认最小容量为10G，您可以按需调整所需容量。

配置后，点击【确认订单】，等待科研文件状态变为【创建成功】

上传数据

选择刚刚创建好的科研文件，点击【查看】，进入文件管理界面。

新建一个目录，本示例命名为mnist。进入目录上传准备好的训练脚本、训练数据。

【注意】

• 数据上传过程中，请保持网络畅通
• 数据上传过程中，不要刷新页面，否则会导致上传文件丢失

MNIST 手写识别模型训练

准备工作做完后，进入【并行计算】页面，点击【创建计算任务】按钮，进入任务配置页面。

【注意】并行计算内置了一些可以直接使用的模板，您可以按需使用。

在任务配置页面，本示例的配置如下：

• 选择 PyTorch 训练框架
• 镜像地址：本示例使用科研助手公共的 PyTorch 镜像（该镜像需要使用本示例启动脚本对应的 python 命令），地址为：ehub-bc.ctcdn.cn/esx-batchcom/jupyter-pytorch2.3.1-cuda12.1-cudnn8
• 启动执行命令：sh /storage/mnist/start.sh
• 可用区：需要与科研文件在同一个可用区：厦门4
• 实例规格：可以按照实际需求选择
• 容器挂载路径，需要与训练脚本中使用的路径相对应：/storage

配置后，点【立即创建】

可以点击右侧的【详情】按钮查看任务运行情况。

并行计算提供多种能力来跟踪任务运行情况，包括：

• 作业日志：可以查看任务运行过程中产生的训练日志
• 实例终端：可以登录任务运行容器查看训练过程中产生的中间数据
• 运行监控：可以查看任务运行过程的资源占用情况
• 实例事件：可以查看任务运行过程中所产生的事件列表

作业日志如下：

实例终端如下：

运行监控如下：

实例事件如下：

最终运行效果，模型成功训练，将模型保存到科研文件。通过保存的模型文件，能够正确识别手写识别数字。效果如下：

保存到科研文件的模型文件如下：