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。

打卡第5天，开始了解神经网络，并初步学习了神经网络模型，已经神经网络分层的思想和实现基本过程。最小单元结构称之为神经元，因而可以通过嵌套的方式使之能表达复杂的网络结构，在使用面向对象编程的理念，可以很方便的对神经网络进行构建和管理。mindspore同样继承了nn的功能。

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

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

RNN 即循环神经网络，与CNN相对应的另一种深度学习模型，它特别适合处理具有序列或顺序依赖的数据。情感分类是自然语言处理中的经典任务，是典型的分类问题。首先，数据准备 包括 下载和加载数据集，预训练词向量，打卡第19天，今天学习 RNN实现情感分类。然后再模型构建，训练和保存，最后，模型加载与测试。其次，数据集预处理，

今天学习函数式自动微分，自动微分主要应用与可导函数在某点处的导数值，他是反向传播算法的一般化。而反向传播算法通常是神经网络训练求梯度等更新模型参数的重要一环。其优点是能将一个复杂的数学运算分解为一系列简单的基本运算，屏蔽了大量的求导细节和过程，降低了框架的使用门槛。而mindspore同样高集成了此功能。

2.模型主体的Block结构是基于Transformer的Encoder结构，但是调整了Normalization的位置，其中，最主要的结构依然是Multi-head Attention结构；3.模型在Blocks堆叠后接全连接层，接受类别向量的输出作为输入并用于分类。1.数据集的原图像被划分为多个patch（图像块）后，将二维patch（不考虑channel）转换为一维向量，再加上类别向量与位置

学习打卡第一天，感觉很激动，直接在已有的平台和环境上通过python脚本的方式，导入包并调用系统已支持的api，实现一些简单的模型训练，训练完心情有点小激动啊。感觉真的很棒，开启迈入AI学习的大门了。

打卡第8天，今天学习对训练阶段性结果或者训练好的模型的保存与已有模型结果的重新加载。其目的和优点主要为 微调已有模型参数和方便后续的模型推理与部署。或者在原有模型基础上进行类似的新的模型训练，无需重再0开始，节省大量训练时间。mindspore集成此功能，方便我们使用。

DCGAN，全称Deep Convolutional Generative Adversarial Networks，即 深度卷积对抗生成网络，是GAN的直接扩展，不同之处为 DCGAN会分别在判别器和生成器中使用卷积和转置卷积层。同样是下载数据集，然后处理数据，再构造网络 添加生成器和判别器，最后模型训练 选取设置好损失函数和优化器并进行训练，最后展示结果。打卡第21天， 今天学习DCGAN生成