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。

2.跑通了第一个学习的代码案例，使用的整体流程还是非常方便的，和jupyter的集成很好，运行也很迅速。今天第一次使用了昇思大模型mindspore的平台。1.看了基本内容和整体架构介绍。

神经网络的训练使用反向传播算法，通过计算预测值与标签值的差异，损失函数loss来进行不断调整和优化参数，涉及求导和微分，梯度下降的方法进行更新，从而调整各种参数。这块的损失函数和梯度计算，根据模型训练情况进行调用就可以，方便求导。昇思大模型使用第六天。

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。

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。

数据加载以后，还需要进行一定程度的转换transforms这步就很重要，昇思平台的使用还是很方便的，图像，文本等的标准化统一，词表的转换，这些都比较方便。同时也可以使用lambda函数进行自定义的编写，和Python衔接相当流畅，非常便于开发。数据变换 Transforms。昇思大模型使用第四天。

此案例的学习内容是通过resnet50来进行狗图片的分类，预训练模型的参数也已经提供，计算机视觉中的应用还是很多的，结合场景内容来学习的话，可能会更有意思些吧，训练过程中速度也比较快，预测dogs or wolves，还是挺有趣的。ResNet50迁移学习。昇思大模型使用第十八天。

这次是生成式图像应用的Pix2Pix，通过这几次的案例学习和使用体验，大模型的体验感还是挺棒的，图像数据通过各种转换和噪声演绎，新结合产生的“创新产物”还是挺有新鲜感的，能帮助我们更好的解决实际中遇到的问题。Pix2Pix实现图像转换。昇思大模型使用第十六天。

这个案例的应用聚集于当下流行的Diffusion Model，对图片进行扩散，最终得到一个实际图像。文档中的讲解还是比较全面的，既有文字讲解说明，也有涉及原理的介绍，学习资料内容很丰富。Diffusion扩散模型。昇思大模型使用第十四天。

使用mindspore的模块进行网络模型构建，主要是nn的各种网络定义，操作还是很方便的，和pytorch的构建类似，定义模型，构建网络层，激活函数等，最后查看模型参数。模型构建简单方便，结果直观。昇思大模型使用第五天。