它是一种单阶段的目标检测算法，通过卷积神经网络进行特征提取，取不同的特征层进行检测输出，所以也属于一种多尺度的检测方法，同时也是以VGG16作为基础的一种升级版优化模型。SSD，全称为Single Shot MultiBox Detector，即单步多框目标检测。打卡第29天，今天学习 SSD目标检测。

简单来说可以理解为，“使用原有已训练好的猫模型，修改修改初始化网络权重参数等，重新进行老虎的训练从而得到新的老虎识别模型”。迁移学习指的是 基于一个已有的与训练模型，然后重新初始化网络的权重参数或作为固定特征提取器应用于相关特定的任务中。打卡第26天，今天学习ResNet50迁移学习。数据集为：ImageNet的狼狗数据集。

GAN，全称 Generative Adversarial Networks，即生成式对抗网络；它是一种生成式机器学习模型，近年来复杂分布上无监督学习最具前景的方法之一。其包含生成模型和判别模型两个主要模块，设计思想为 使两个模块互相博弈学习从而产生好的输出结果。打卡第23天，今天学习 GAN图像生成。

它基于Hugging Face: The Annotated Diffusion Model 翻译迁移而来，同时参考了 由浅入深了解Diffusion Model。2.一个可学习的反向去噪的扩散过程 P ：通过训练神经网络从纯噪声开始逐渐对图像去噪，直到最终得到一个实际的图像。1.选择一个固定（或预定义）正向扩散过程 Q ：它逐渐将高斯噪声添加到图像中，直到最终得到纯噪声;出发点为 从纯噪声开始通

其次如正常网络神经模型建立和训练无异，开始下载数据集，这次使用的是nlpcc2017摘要数据，然后进行初步处理方便导入模型使用。打卡第11天，今天学习基于MindSpore的GPT2文本摘要，首先需要安装mindnlp和tokenizers两个支持包。然后，构建模型，并加入数据进行训练。最后，待训练完可以进行推理验证。

CycleGAN 全称：Cycle Generative Adversarial Network， 即 循环对抗生成网络，它实现了一种在没有配对示例的情况下学习将图像从源域 X 转换到目标域 Y 的方法。其重要应用为图像风格迁移，它不需要他们有严格对应关系，是一种新的无监督的图像迁移网络。打开第20天，今天学习CycleGEN图像风格迁移互换。

当然需要导入mindNLP库，然后建立模型生成数据集开始编解码训练。打卡第13天，今天学习 应用实践之文本解码原理以mindNLP为例。在原有自回归语言模型基础上，使用贪心搜索算法 或者 束搜索算法。今天外出打卡，终于是用手机操作完成 此次课程，太不容易了。

Pix2Pix是基于它实现的一种深度学习图像转换模型；它用于实现语义/标签到真实图片、灰度图到彩色图、航空图到地图、白天到黑夜、线稿图到实物图的转换。cGAN 全称 Condition Generative Adversarial Networks，即 条件生成对抗网络。打卡第24天，今天学习 Pix2Pix实现图像转换。既然为生成对抗网络的一种，同样具有两个部分。

3.对这些token使用音频压缩模型（如EnCodec）进行解码，以恢复音频波形。1.用户输入的文本描述传递给一个固定的文本编码器模型，得到一系列隐形状态表示。2.训练MusicGen解码器来预测离散的隐形状态音频token。打卡第15天，今天学习 通过AI实现自己个性化音乐的创作。

此网络特点：1.不含全连接层的全卷积网络，可适应任意尺寸输入；2.增大数据尺寸的反卷积层，能够输出精细的结果；3.结合不同深度层结果的跳级(skip)结构，同时确保鲁棒性和精确性。FCN，全称 Fully Convolutional Networks，即 全卷积网络。它是首个端到端进行像素级预测的全卷积网络；可使用数据集为：PASCAL VOC 2012数据集，SDB数据集。打卡第25天，今天学习