下载质谱模型的时候出现问题了三次，都是卡在一半久结束了。保证网络通畅，多尝试几次/重启kernel。模型根据prompt进行回答，但是小模型回答的效果并不好。文中很明显出现了错误。本节中，通过教程，我们下载了质谱model，实现了质谱model的交互，对话。首先，安装了所需要的包mindnlp。这里教程是没有提供的。安装mdtex2html前需要升级一下pip。

K近邻算法是一种用于分类和回归的非参数统计方法，最初由 Cover和Hart于1968年提出(Cover等人,1967)，是机器学习最基础的算法之一。它正是基于以上思想：要确定一个样本的类别，可以计算它与所有训练样本的距离，然后找出和该样本最接近的k个样本，统计出这些样本的类别并进行投票，票数最多的那个类就是分类的结果。KNN的三个基本要素：1.K值，一个样本的分类是由K个邻居的“多数表决”确定的

这节课学习网络的构造，在mindspore中提供了Cell类，这也是构建一切网络 的基础。定义网络类中，__init__中构造网络结构，constructure中实现Tensor操作方法。

了解了ResNet网络的历史：曾在ILSVRC2015图像分类竞赛第一名，解决了当网络堆叠到一定深度时，就会出现退化问题的问题。本节学习了利用ResNet网络进行图像分类。

【代码】《昇思25天学习打卡营第15天| FCN图像语义分割》

昇思学习第一课

该单元学习了利用ResNet50网络进行迁移学习。迁移学习，指的是在预训练模型上进行训练，可以节省时间、空间、金钱。可以通过固定一定层数的网络参数来减少需要训练的参数，来提高效率。

学习了基于基于条件生成对抗网络（cGAN, Condition Generative Adversarial Networks ）的Pix2Pix模型实现图像风格转换。Pix2Pix是将cGAN应用于有监督的图像到图像翻译的经典之作，其包括两个模型：生成器和判别器。

本节学习了基于Transformer网络的图像分类模型：实验整体流程图如下：VIT主体结构是基于Transformer模型的Encoder部分，相较于传统的Transformer有以下特点：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向量作为模型输入。2.模型主体的Block结构是基于Transformer的En

本节学习了SSD目标检测算法，了解了SSD算法可以分为两类：1.two-stage方法：RCNN系列通过算法产生候选框，然后再对这些候选框进行分类和回归。2.one-stage方法：YOLO和SSD直接通过主干网络给出类别位置信息，不需要区域生成。通常情况下，one-stage方法速度更快，two-stage方法精度更高。