Mindspore25天打卡，day1.入门训练，打上自己标签和时间

使用mindspore.nn构建神经网络层

在学习了如何调整超参数，并进行网络模型训练之后，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，今天将学习如何保存与加载模型。

从mindspore.dataset.ImageFolderDataset 接口中加载的训练数据集返回值为字典，用户可通过create_dict_iterator 接口创建数据迭代器，使用next迭代访问数据集。狼狗数据集提取自lmageNet分类数据集，使用mindspore.dataset.ImageFolderDataset 接口来加载数据集，并进行相关图像增强操作。搭建好模型框架后，通过将

自动微分主要解决的问题是将一个复杂的数学运算分解为一系列简单的基本运算，该功能对用户屏蔽了大量的求导细节和过程，大大降低了框架的使用门槛。and_grad 提供 has_aux 参数，当其设置为 True时，可以自动实现前文手动添加 stop_gradient 的功能，满足返回辅助数据的同时不影响梯度计算的效果。通常我们会将函数的loss设置为函数的第一个输出，其他的输出即为辅助数据。可以看到，求

Pix2Pix是基于条件生成对抗网络（cGAN, Condition Generative Adversarial Networks ）实现的一种深度学习图像转换模型，该模型是由Phillip Isola等作者在2017年CVPR上提出的，可以实现语义/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。生成器和判别器。传统上，尽管此类任务的目标都是相同的从像素预测像素

生成式对抗网络(Generative Adversarial Networks，GAN)是一种生成式机器学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。生成器的任务是生成看起来像训练图像的“假”图像；判别器需要判断从生成器输出的图像是真实的训练图像还是虚假的图像。GAN通过设计生成模型和判别模型这两个模块，使其互相博弈学习产生了相当好的输出。GAN模型的核心在于提出了通过对抗过程来估计生

序列标注指给定输入序列，给序列中每个Token进行标注标签的过程。序列标注问题通常用于从文本中进行信息抽取，包括分词(Word Segmentation)、词性标注(Position Tagging)、命名实体识别(Named Entity Recognition, NER)等。输入序列清华大学座落于首都北京输出标注BIIIOOOOOBI如上表所示，清华大学和北京是地名，需要将其识别，我们对每个输

ShuffleNetV1是旷视科技提出的一种计算高效的CNN模型，和MobileNet SqueezeNet等一样主要应用在移动端，所以模型的设计目标就是利用有限的计算资源来达到最好的模型精度。ShuffleNetV1的设计核心是引入了两种操作: Pointwise Group Convolution和Channel Shuffle，这在保持精度的同时大大降低了模型的计算量。因此，ShufleNe

在下面的教程中，我们将通过示例代码说明DCGAN网络如何设置网络、优化器、如何计算损失函数以及如何初始化模型权重。在本教程中，使用的动漫头像数据集共有70,171张动漫头像图片，图片大小均为96*96.