这里构建一个基础的神经网络nn.ReLU(),nn.ReLU(),超参（Hyperparameters）：可以调整的参数，可以控制模型训练优化的过程，不同的超参数值可能会影响模型训练和收敛速度。训练轮次（epoch）：训练时遍历数据集的次数。批次大小（batch size）：数据集进行分批读取训练，设定每个批次数据的大小。batch size过小，花费时间多，同时梯度震荡严重，不利于收敛；

昇思25天学习打卡营第01天|lulul

模块提供一系列针对文本数据的Transforms。与图像数据不同，文本数据需要有分词（Tokenize）、构建词表、Token转Index等操作。这里简单介绍其使用方法。数据传入神经网络前一般需要进行一些处理，类似torch框架下的数据处理比如数据增强(翻转等操作)，mindspore也使用transforms进行数据增强等操作。mindspore.dataset.vision模块提供一系列针对图

除Checkpoint外，MindSpore提供了云侧（训练）和端侧（推理）统一的中间表示（Intermediate Representation，IR）。上节主要介绍了如何调整超参数，并进行网络模型训练。在训练网络模型的过程中，实际上我们希望保存中间和最后的结果，用于微调（fine-tune）和后续的模型推理与部署，本章节我们将介绍如何保存与加载模型。已有的MindIR模型可以方便地通过load

构建神经网络nn.ReLU(),nn.ReLU(),在第一次打卡中我们详细的介绍过每一层的含义，并且举例对比过torch框架第一次打卡。完成构建后可以通过实例化，检查网络Network

图像语义分割（semantic segmentation）是图像处理和机器视觉技术中关于图像理解的重要一环，AI领域中一个重要分支，常被应用于人脸识别、物体检测、医学影像、卫星图像分析、自动驾驶感知等领域。FCN全卷网络,舍弃了传统的全连接层，仅使用卷积和池化等操作完成，end-to-end的像素集预测网络。这个就不用过多赘述了，目标检测是画框，语义分割就是把目标从图里面抠出来。下载预训练VGG-

数据是深度学习的基础，高质量的数据输入将在整个深度神经网络中起到积极作用。MindSpore提供基于Pipeline的数据引擎，通过数据集（Dataset）和数据变换（Transforms）实现高效的数据预处理。通过指定url的方式对数据进行下载。

为了优化模型参数，需要求参数对loss的导数：此时我们调用mindspore.grad函数，来获得function的微分函数。MindSpore使用函数式自动微分的设计理念，提供更接近于数学语义的自动微分接口grad和value_and_grad。完成后，由于需要使用函数式自动微分，需要将神经网络和损失函数的调用封装为一个前向计算函数。完成后，我们使用value_and_grad接口获得微分函数，

无论全局context是设置成静态图模式还是动态图模式，被jit修饰的部分始终会以静态图模式进行运行。动态图的特点是计算图的构建和计算同时发生（Define by run），其符合Python的解释执行方式，在计算图中定义一个Tensor时，其值就已经被计算且确定，因此在调试模型时较为方便，能够实时得到中间结果的值，但由于所有节点都需要被保存，导致难以对整个计算图进行优化。模式下，基于图优化、计算

[TOC]《昇思25天学习打卡营第02天|lulul》