MindSpore实现图像分类之训练和保存模型文件

完成数据预处理、网络定义、损失函数和优化器定义之后，就可以进行模型训练了。模型训练包含两层迭代，数据集的多轮迭代（epoch）和一轮数据集内按分组（batch）大小进行的单步迭代。其中，单步迭代指的是按分组从数据集中抽取数据，输入到网络中计算得到损失函数，然后通过优化器计算和更新训练参数的梯度。

1. 为了简化训练过程，MindSpore封装了Model高阶接口。用户输入网络、损失函数和优化器完成Model的初始化，然后调用train接口进行训练，train接口参数包括迭代次数（epoch）和数据集（dataset）。

   模型保存是对训练参数进行持久化的过程。Model类中通过回调函数（callback）的方式进行模型保存，如下面代码所示。用户通过CheckpointConfig设置回调函数的参数，其中，save_checkpoint_steps指每经过固定的单步迭代次数保存一次模型，keep_checkpoint_max指最多保存的模型个数。

   '''

   network, loss, optimizer are defined before.

   batch_num, epoch_size are training parameters.

   '''

   model = Model(net, loss_fn=ls, optimizer=opt, metrics={'acc'})

   # CheckPoint CallBack definition

   config_ck = CheckpointConfig(save_checkpoint_steps=batch_num, keep_checkpoint_max=