欢迎回到MindSpore神经网络编程系列。在这篇文章中，我们将通过MindSpore来讲解下该框架中的Cell模块。废话不多说，我们开始吧。
一、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。
本节内容介绍Cell类的关键成员函数，“构建网络”中将介绍基于Cell实现的MindSpore内置损失函数、优化器和模型层及使用方法，以及通过实例介绍如何利用Cell类构建自定义网络。
- _init_：在该函数中定义网络所需要的层或者变量等信息
- construct：该函数实现网络的执行流程
二、ops构建网络
这里首先我们使用了ops中的Conv2D算子，然后又使用了bias_add算子，同时定义下模型的权重，之后在construct函数中定义网络的执行流程。
代码样例如下：
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
三、nn构建网络
对于nn模块构建网络，非常的方便，它是mindSpore封装的高阶API，简单调用。
代码样例如下：
class Net(nn.Cell): def __init__(self,in_channels=10,out_channels=20,kernel_size=3): super(Net,self).__init__() self.conv2d=nn.Conv2d(in_channels,out_channels,kernel_size,has_bias=True,weight_init=Normal(0.02)) def construct(self,x): output=self.conv2d(x) return output
四、nn模块和ops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。
五、网络的常用方法
1.parameters_dict()
该方法会以字典的形式返回网络的所有参数，键为参数的名称，值为对应的参数
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 net=Net() net.parameters_dict() >>>OrderedDict([('conv.weight', Parameter (name=conv.weight, shape=(20, 10, 3, 3), dtype=Float32, requires_grad=True))])
2.get_parameters()
该方法返回一个迭代器，返回的是模型的参数，就是返回上个方法的所以值
iter=net.get_parameters() next(iter) >>>Parameter (name=conv2d.weight, shape=(20, 10, 3, 3), dtype=Float32, requires_grad=True)
3.name_cells()
返回网络中所有单元格的迭代器
net.name_cells() >>>OrderedDict([('conv2d', Conv2d<input_channels=10, output_channels=20, kernel_size=(3, 3), stride=(1, 1), pad_mode=same, padding=0, dilation=(1, 1), group=1, has_bias=True, weight_init=<mindspore.common.initializer.Normal object at 0x0000023FABF21248>, bias_init=zeros, format=NCHW>)])
4.cells_and_names()
返回网络中所有单元格的迭代器，包括单元格的名称和它本身
注意第一个返回的是整个网络，键对应着空
names=[] for m in net.cells_and_names(): print(m) names.append(m[0]) if m[0] else None print('-------names-------') print(names) ('', Net< (conv2d): Conv2d<input_channels=10, output_channels=20, kernel_size=(3, 3), stride=(1, 1), pad_mode=same, padding=0, dilation=(1, 1), group=1, has_bias=True, weight_init=<mindspore.common.initializer.Normal object at 0x0000023FABF21248>, bias_init=zeros, format=NCHW> >) ('conv2d', Conv2d<input_channels=10, output_channels=20, kernel_size=(3, 3), stride=(1, 1), pad_mode=same, padding=0, dilation=(1, 1), group=1, has_bias=True, weight_init=<mindspore.common.initializer.Normal object at 0x0000023FABF21248>, bias_init=zeros, format=NCHW>) -------names------- ['conv2d']
5.cells()
返回对直接单元格的迭代器
net.cells() >>>odict_values([Conv2d<input_channels=10, output_channels=20, kernel_size=(3, 3), stride=(1, 1), pad_mode=same, padding=0, dilation=(1, 1), group=1, has_bias=True, weight_init=<mindspore.common.initializer.Normal object at 0x0000023FABF21248>, bias_init=zeros, format=NCHW>])
上面的几个方法几乎差不多，按照自己喜好进行选择使用
