clean commit messages.

chapter_programming_interface/ml_workflow.md

@@ -26,7 +26,7 @@
 ### 环境配置
 
 在构建机器学习工作流程前，MindSpore需要通过context.set_context来配置运行需要的信息，如运行模式、后端信息、硬件等信息。
-导入context模块，配置运行需要的信息。
+导入context模块，配置运行需要的信息。以下代码运行环境为Ubuntu16.04，CUDA10.1，MindSpore1.5.2。
 
 ```python
 import os
@@ -94,7 +94,7 @@ def create_dataset(data_path, batch_size=32, repeat_size=1,
 # 导入需要用到的模块
 import mindspore.nn as nn
 # 定义线性模型
-class MLPNet(nn.Module):
+class MLPNet(nn.Cell):
     def __init__(self):
         super(MLPNet, self).__init__()
         self.flatten = nn.Flatten()
@@ -175,20 +175,32 @@ train_net(args, model, train_epoch, mnist_path, dataset_size, ckpoint, False)
 
 测试是模型运行测试数据集得到的结果，通常在训练过程中，每训练一定的数据量后就会测试一次，以验证模型的泛化能力。MindSpore使用model.eval接口读入测试数据集。
 ```python
-def test_net(network, model, data_path):
+def test_net(model, data_path):
     """定义验证的方法"""
     ds_eval = create_dataset(os.path.join(data_path, "test"))
     acc = model.eval(ds_eval, dataset_sink_mode=False)
     print("{}".format(acc))
+# 验证模型精度
+test_net(model, mnist_path)
 ```
 
 在训练完毕后，参数保存在checkpoint中，可以将训练好的参数加载到模型中进行验证。
 ```python
+import numpy as np
+from mindspore import Tensor
 from mindspore import load_checkpoint, load_param_into_net
+# 定义测试数据集，batch_size设置为1，则取出一张图片
+ds_test = create_dataset(os.path.join(mnist_path, "test"), batch_size=1).create_dict_iterator()
+data = next(ds_test)
+# images为测试图片，labels为测试图片的实际分类
+images = data["image"].asnumpy()
+labels = data["label"].asnumpy()
 # 加载已经保存的用于测试的模型
 param_dict = load_checkpoint("checkpoint_lenet-1_1875.ckpt")
 # 加载参数到网络中
 load_param_into_net(net, param_dict)
 # 使用函数model.predict预测image对应分类
 output = model.predict(Tensor(data['image']))
+# 输出预测分类与实际分类
+print(f'Predicted: "{predicted[0]}", Actual: "{labels[0]}"')
 ```