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：