完于2020年10月26日刚刚听完华为MindSpore实战营第一课“基于MindSpore Lite开发端侧AI图像分类应用”，学会了编译方法就迫不及待按照课程指南生成应用，安装到手机上对着街上物件一顿乱扫，感觉特别有趣。话说能得到即时反馈的学习才是好的学习，短短两天把一个小白变成一个能编译项目的小白，我为华为的老师们手动点赞。以前总感觉模型训练好，在云上开个访问API了，最多听说过某些行业出于

一、运行环境CPU：Intel(R) Core(TM) i7-4712MQ CPU @ 2.30GHz内存：4GB操作系统：Ubuntu 20.10MindSpore版本：1.2二、安装Mindspore参考官网安装文档：https://www.mindspore.cn/install/安装MindQuantum参照文档 ：https://gitee.com/mindspore/mindquant

初读：2021年1月5日至2021年1月14日啃书进度会在目录中标出来。本次目标是完成第三章 3.4节用MindSpore实现简单神经网络（P31-P34）终于到了实战的部分了。先是一段LeNet的简介：LeNet主要用来进行手写字符的识别与分类，并在美国的银行中投入使用，LeNet的确立了卷积神经网络（CNN）的结构，现在神经网络中的许多内容在LeNet的网络结构中都能看到，例如卷积层、池化（P

初读：2021年1月4日啃书进度会在目录中标出来。本次目标是完成第三章 3.3节泛化能力（P30-P31）这一节内容非常简短，说明也非常浅显，但实际上点名的方法有好几个，特别是提高泛化能力的具体方法部分，如果每个都展开都会是长篇大论。话说饭主现在能力是不够滴，所以暂且Mar，k混个眼熟，待功力加深后再读时讨论。在过拟合与欠拟合部分（2.4节），介绍了泛化能力的概念，即机器学习算法对新样本的适应能力

初读：2020年11月20日-2020年11月25日啃书进度会在目录中标出来。本次目标是完成第二章2.1节回归问题算法（P14-P16）。这一节讲了三个问题：只有一个特征值的线性回归问题简单介绍交叉熵多个属性的线性回归问题关于线性回归的作用，P14有这样一句话很提神：线性回归是一个很简单的算法，使用它可以快速地了解很多关于深度学习的基础知识。既然线性回归与很多基础知识有关，我决定给予充分重视，一定

2.例如，想使用GoogleNet对CIFAR-10数据集进行分类，可以在MindSpore Hub官网上使用关键词进行搜索。页面将会返回与GoogleNet相关的所有模型。进入相关模型页面之后，获得详情页。mindspore_hub.load API用于加载预训练模型，可以实现一行代码完成模型的加载。1. 在MindSpore Hub官网上搜索感兴趣的模型。3.完成模型加载后，可以使用MindS

Windows系统MindSpore 1.6.2 CPU 环境下，运行gitee提供的SSD模型，下载COCO数据集后，修改了official/cv/ssd/config/ssd300_config_gpu.yaml文件，单独运行official/cv/ssd/src/dataset.py文件创建MindRecord文件报错。本人修改的yaml文件及完整代码在附件，yaml为 official/c

可能是在Asecend上算子出现溢出问题，如果找到溢出的算子，需要将其设置为fp32运行。具体可以参考精度调试指南，https://www.mindspore.cn/mindinsight/docs/zh-CN/master/accuracy_problem_preliminary_location.html。请问相同的mindspore代码在gpu上精度能达到0.59，在ascend上精度只有0

一、运行环境CPU：Intel(R) Core(TM) i7-4712MQ CPU @ 2.30GHz内存：4GB操作系统：Ubuntu 20.10MindSpore版本：1.2二、安装Mindspore参考官网安装文档：https://www.mindspore.cn/install/安装MindQuantum参照文档 ：https://gitee.com/mindspore/mindquant

初读：2021年1月5日至2021年1月14日啃书进度会在目录中标出来。本次目标是完成第三章 3.4节用MindSpore实现简单神经网络（P31-P34）终于到了实战的部分了。先是一段LeNet的简介：LeNet主要用来进行手写字符的识别与分类，并在美国的银行中投入使用，LeNet的确立了卷积神经网络（CNN）的结构，现在神经网络中的许多内容在LeNet的网络结构中都能看到，例如卷积层、池化（P