继续计算机视觉的案例体验，这次是SSD的模型算法，内容资料说明也是比较多，可以和其他的经典算法进行比较，训练速度还是比较快的，代码中模型构造和layer的处理可以一步步去查阅，具体的模块细节可以根据自己的喜好去深入，目标检测关注的还是模型的准确率和分辨能力。昇思大模型使用第二十一天。

计算机视觉的最后一个案例应用，图像应用中也可以使用Transformer，Transformer的威力真是大，主要还是注意力机制的处理方式，数据通过encode以后，有更好的表达效果，资料内容还是比较丰富的，可以多多参考Transformer中主要结构的讲解。Vision Transformer图像分类。昇思大模型使用第二十二天。

这次实践应用是文本摘要的处理，是LLM大模型的应用，GPT2也是之前比较热门的大模型，随着参数量越来越多，整体的训练时长和硬件配置要求也越来越高，大模型平台的出现就很重要了，有了平台底座的强大算力支撑，跑大模型就不用再考虑过多的硬件限制，更多的是选择一个好的大模型平台就可以了。基于MindSpore的GPT2文本摘要。昇思大模型使用第二十六天。

计算机视觉中的图像分割是比较常见的应用，这里用到的是FCN方法，资料内容讲解也很多，跟着代码案例学习就可以，总体体验还不错，合适计算机视觉研究方向的同学参考，训练时间会比较长一些，还是有些费时的。昇思大模型使用第十七天。

继续应用实践的案例学习，nlp领域的分类和个性化分析，这个和我们在app移动应用上的体验很相关，根据自定义内容产生个性化的音频，transformer结合NLP领域的应用还是很广泛的，不仅仅是文字，还有音乐。基于MindNLP+MusicGen生成自己的个性化音乐。昇思大模型使用第二十三天。

有示例，公式原理讲解，代码，在学习完基础之后，通过各种案例和实践应用，加深对目前大模型的理解，而且代码运行起来很方便，体验很不错，LSTM+CRF序列标注，2个模型的组合应用，将自然语言处理解决的很形象。LSTM+CRF序列标注。昇思大模型使用第十天。

这个案例的实践应用是使用K近邻算法实现红酒聚类，KNN算法也是比较常见的算法，主要是计算各数据之间的距离，通过红酒中的不同特征进行标签和类别的区分，整体流程不是很复杂，通过查阅资料和代码就可以基本掌握。基于MindSpore的红酒分类实验。昇思大模型使用第二十四天。

通过NLP的数据处理和RNN模型，来对文本内容进行情感类别的分类，整个实践案例和讲解还是很流畅的，加载数据集，预训练词向量，数据预处理，模型构建，评估，测试等，主要的流程都有涉及，使用起来还是很方便的。昇思大模型使用第十一天。

继续计算机视觉的应用案例实践，使用的是ResNet50进行图像分类，残差网络结构进行构建和训练，网络层数比较多，训练速度还好，因为有一定的优化，resnet的应用也是比较多的，整体体验还是不错的。ResNet50图像分类。昇思大模型使用第十九天。

图像风格迁移，这个应用还是挺有趣的，从图片数据集的下载，到生成器，判别器的构建，损失函数，前向计算，案例代码学习起来还是比较流畅的，再计算梯度和反向传播，模型训练，一整套的模型应用在jupyter上运行的体验很棒。CycleGAN图像风格迁移互换。照片编辑器的功能，色彩风格转换。昇思大模型使用第十二天。