最后，发现，这些文章均发表于2024。怀疑新版本的安装包有问题。毅然决然，重做系统，把以前版本的安装包找出来。然后，啥问题也没有，顺利安装成功。耽误了我几个小时，重装系统3次。最初以为是自己安装的选项有问题，没办法，重装系统，重新安装，特别百度安装过程，每一步小心选择。然后，百度报错信息。csdn给出很多解决方案。1，安装包是刚从官网下的。2，版本5.7.44.

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。输入: This film is terrible正确标签: Negative预测标签: Negative输入: This film is great正确标签: Positive预测标签: Positive最后我们设计一个预测函数，实现开头描述的效果，输入一句评价，获得评价的情感分类。将输入句子进行分词；使用词表获取对应的index id序列；

和上个课程一样，其实就是需要模型训练的代码，需要耐心。不仅如此，还需要隔段时间看看，如果报错了，重新运行一下，不要点播放按钮，点快进按钮。在点若干次之后，在等待一定时间之后，还是能出现正确的实验结果的。毕竟这些代码是经过老师的调试，与众多学员的反复运行的。学习完这个课程后，对于将来的实际应用，又多了一项武器。怎么灵活运用，可能还需以后多实践，多思考。现在只是跟着课程，掌握这个工具的运用。有一起学习

MobileNet网络是由Google团队于2017年提出的专注于移动端、嵌入式或IoT设备的轻量级CNN网络，相比于传统的卷积神经网络，MobileNet网络使用深度可分离卷积（Depthwise Separable Convolution）的思想在准确率小幅度降低的前提下，大大减小了模型参数与运算量。并引入宽度系数 α和分辨率系数 β使模型满足不同应用场景的需求。

SSD，全称Single Shot MultiBox Detector，是Wei Liu在ECCV 2016上提出的一种目标检测算法。使用Nvidia Titan X在VOC 2007测试集上，SSD对于输入尺寸300x300的网络，达到74.3%mAP(mean Average Precision)以及59FPS；对于512x512的网络，达到了76.9%mAP ，超越当时最强的Faster R

通常情况下，直接加载的原始数据并不能直接送入神经网络进行训练，此时我们需要对其进行数据预处理。这个意思，就是说，拍出来的照片，在喂给程序进行训练前，需要进行人工的某种程度的干预。让机器更容易处理。就像是，照片如果拍得模糊的话，可能用这种数据进行训练，可能会得出错误的算法吧？打个不是很贴切的比喻，机器学习，就像小孩子的成长，小孩子如果尽看到的是不好的东西，也许会长歪了？所以我们可以给小孩子讲故事？这

1]:# 实验环境已经预装了mindspore==2.2.14，如需更换mindspore版本，可更改下面mindspore的版本号!![2]:!# 该案例在 mindnlp 0.3.1 版本完成适配，如果发现案例跑不通，可以指定mindnlp版本，执行`!!

模块提供了一些常用的公开数据集和标准格式数据集的加载API。对于MindSpore暂不支持直接加载的数据集，可以构造自定义数据加载类或自定义数据集生成函数的方式来生成数据集，然后通过接口实现自定义方式的数据集加载。支持通过可随机访问数据集对象、可迭代数据集对象和生成器(generator)构造自定义数据集，下面分别对其进行介绍。

课程已经学完了，打算再深入一些。初步的想法是，在本地安装，本地执行。根据老师的指引，，“https ://www.mindspore.cn/install/”，注意，因为csdn博客编辑器的原因，当我把链接粘贴过来的时候，链接就自动的变为隐藏在蓝色文字背后的url了。所以我在https后面多加了一个空格，以便显著显示链接文本，以及复制。结果，由于没有认真的通读按照指南，想当然的认为，服务器用cen

当我们定义神经网络时，可以继承nn.Cell类，在__init__方法中进行子Cell的实例化和状态管理，在construct方法中实现Tensor操作。construct意为神经网络（计算图）构建，相关内容详见使用静态图加速。[3]:nn.ReLU(),nn.ReLU(),​构建完成后，实例化Network对象，并查看其结构。[4]:Network<我们构造一个输入数据，直接调用模型，可以获得一