微认证之路 使用MindSpore训练手写数字识别模型

名称及链接

使用MindSpore训练手写数字识别模型

 

课程章节

1. 手写数字识别概述
2. 华为AI解决方案
3. MindSpore构建训练模型
4. ModelArts实践手写数字识别训练

 

证书

 

笔记

1. 手写数字识别，成为计算机视觉领域用于衡量算法表现的基准任务
2. MNIST数据集
   1. 包含0-9这十种数字，每一类包含大量不同形态的手写图片
   2. 训练集：60000 张手写数字图片
   3. 测试集：10000 张手写数字图片
   4. 每一张图片均为经过尺寸标准化的黑白图像：28 * 28像素，每一个像素值为 0或1
3. 基于传统机器学习的识别方法：SIFT，SVM
4. 基于深度学习的识别方法：LeNet-5
5. 一个典型的卷积神经网络，由输入层、卷积层、池化层和全连接层组成。
   1. 输入层：数据输入层
   2. 卷积层：通过卷积进行局部特征提取
   3. 池化层：通过下采样降低特征图的分辨率，降低输出对位置和形变的敏感度，保留关键特性，减少参数和计算
   4. 全连接层：将局部特征通过权值矩阵组装成完整图像，完成特征空间到真实类别空间的映射，类似分类器
6. 前向神经网络，损失函数
7. 华为AI解决方案
   1. 应用使能
   2. 框架
   3. 芯片使能
   4. IP和芯片
8. Ascend、CANN、MindSpore、ModelArts
9. 自动微分
   1. TensorFlow：图方法
   2. PyTorch：运算符重载
   3. MindSpore：源码转换
10. 神经网络执行模式
    1. on-device模式
    2. 主从控制模式
11. 数据增强算子，神经网络算子，神经网络计算图，算子间内存零拷贝，图循环控制
12. 动态图与静态图
    1. 动态图执行模式：单算子/子图执行，灵活的开发调试
    2. 静态图执行模式：整图编译执行，高效的图编译优化，性能高
13. MindSpore的“学习”过程-（mindspore基本组件）
    1. 网络开发-（Tensor，Initializer，Cell，Operation）
    2. 数据处理-（Dataset）
    3. 构建模型-（Model，Cell，Operation）
    4. 模型训练-（Model，Dataset）
    5. 模型保存-（Callback）
14. mindspore基本组件
    1. Tensor - 基础的数据结构
    2. Initializer - 权重初始化模块
    3. Operation - mindspore基础计算单元
    4. Cell - 可复用的基础网络单元
    5. Model - 用于模型训练与推理的高阶API
15. 数据处理Pipeline
    1. 加载
    2. shuffle
    3. map
    4. batch
    5. repeat
16. mindspore开源社区
    1. https://www.mindspore.cn
17. mindspore代码
    1. https://gitee.com/mindspore/mindspore

 

备注

1. 感谢老师的教学与课件
2. 欢迎各位同学一起来交流学习心得^_^
3. 在线课程、沙箱实验、博客和直播，其中包含了许多优质的内容，推荐了解与学习。