百度飞桨系列课程：百度架构师手把手带你零基础实践深度学习——21日学习打卡（第一周第五日）

百度架构师手把手带你零基础实践深度学习——21日学习打卡（第一周第五日）
首先声明，不详细讲解代码部分，主要是针对课程的理解及对作业的分析。（要是有代码相关问题可以私信）
> 不把课件里的复制粘贴，只谈自己的理解。
之前的文章：
飞浆PaddlePaddle-百度架构师手把手带你零基础实践深度学习——21日学习打卡（预习日）
飞浆PaddlePaddle-百度架构师手把手带你零基础实践深度学习——21日学习打卡（第一周第一日）
飞浆PaddlePaddle-百度架构师手把手带你零基础实践深度学习——21日学习打卡（第一周第二日）
飞浆PaddlePaddle-百度架构师手把手带你零基础实践深度学习——21日学习打卡（第一周第三日）
飞浆PaddlePaddle-百度架构师手把手带你零基础实践深度学习——21日学习打卡（第一周第四日）

今天是“手写体识别”这个项目的最后一节了，毕然老师的讲解依然是生动形象啊，先是讲了项目的资源配置，主要是对CPU和GPU的选择，介绍了分布式训练的实现原理（模型并行和数据并行、PRC通信方式和NCCL2通信方式），接着探讨如何通过训练调试与优化，提升模型准确度（计算分类准确率，观测模型训练效果。检查模型训练过程，识别潜在问题。加入校验或测试，更好评价模型效果。加入正则化项，避免模型过拟合。可视化分析。）。最后讲的是如何通过恢复训练，提高模型训练效率。（个人认为这个地方还算比较简单，目前通过增加和修改几行代码就能实现还容易理解）主要记住保存模型时同时保存模型参数和优化器参数。恢复参数时同时恢复模型参数和优化器参数。课程里面详细介绍了PolynomialDecay接口，大家可以看一下接口的API文档进行了解。最后毕然老师留了个练习题，前十名还给小奖品，大家加油哦~ 代码我就不在这发了，有需要借鉴的私信我哦。

作业

• 本着给大家解惑的想法，给出答案解析，大家放心，第一个满分一定是我这篇博文发出之前的哦~

1.paddle.dataset.mnist.train()MNIST训练数据集的creator。==>(接口文档)

2.调整模型训练的学习率是在优化器里面定义，然后优化器是写在 with fluid.dygraph.guard(place)： 这个训练配置里面的。
3.使用optimizer.state_dict()获取优化器和学习率相关的参数。==>(接口文档)

4.恢复训练需要从磁盘中读取到保存的模型参数和优化器参数。既然读取参数，那么读取参数的权重也是必要的。我们保存的时候默认也保存了权重信息。===>(API文档接口和原文接口)

5.这四个优化器都是有接口的===>（优化器接口文档）

有什么不对或者可以改进的地方请评论