使用MindSpore训练及保存模型

MindSpore提供了回调Callback机制，可以在训练过程中执行自定义逻辑，这里以使用框架提供的ModelCheckpoint为例。

1. ModelCheckpoint可以保存网络模型和参数，以便进行后续的Fine-tuning（微调）操作。

   from mindspore.train.callback import ModelCheckpoint, CheckpointConfig

   # 设置模型保存参数

   config_ck = CheckpointConfig(save_checkpoint_steps=1875, keep_checkpoint_max=10)

   # 应用模型保存参数

   ckpoint = ModelCheckpoint(prefix="checkpoint_lenet", config=config_ck)

2. 通过MindSpore提供的model.train接口可以方便地进行网络的训练，LossMonitor可以监控训练过程中loss值的变化。

   # 导入模型训练需要的库

   from mindspore.nn import Accuracy

   from mindspore.train.callback import LossMonitor

   from mindspore import Model

3. def train_net(args, model, epoch_size, data_path, repeat_size, ckpoint_cb, sink_mode):

       """定义训练的方法"""

       # 加载训练数据集

       ds_train = create_dataset(os.path.join(data_path, "train"), 32, rep