昇思25天学习打卡第一天

第一天学习心得：通过MindSpore的API来快速实现一个简单的深度学习模型，首先是处理数据集，MindSpore提供基于Pipeline的数据引擎，通过数据集（Dataset）和数据变换（Transforms）实现高效的数据预处理，在本次学习中使用Mnist数据集，自动下载完成后，使用提供的数据变换进行预处理。

第二步是进行网络构建，mindspore.nn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，可以继承类，并重写方法和方法。包含所有网络层的定义，中包含数据（Tensor）的变换过程。mindspore.nn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，可以继承类，并重写方法和方法。包含所有网络层的定义，中包含数据（Tensor）的变换过程。

第三步进行模型训练，

MindSpore使用函数式自动微分机制，因此针对上述步骤需要实现：

定义正向计算函数。 使用value_and_grad函数变换获得梯度计算函数。 定义训练函数，使用set_train设置为训练模式，执行正向计算、反向传播和参数优化。在模型训练中，一个完整的训练过程（step）需要实现以下三步：

1. 正向计算：模型预测结果（logits），并与正确标签（label）求预测损失（loss）。
2. 反向传播：利用自动微分机制，自动求模型参数（parameters）对于loss的梯度（gradients）。
3. 参数优化：将梯度更新到参数上。

第四步保存模型，模型训练完成后，需要将其参数进行保存。

第五步加载模型

加载保存的权重分为两步：

1. 重新实例化模型对象，构造模型。
2. 加载模型参数，并将其加载至模型上。

加载后的模型可以直接用于预测推理。

结果如下图

本次学习时间和信息：