乐趣区

关于算法:Mindspore高校站东北大学2022053020220601活动分享帖

1. 筹备资料
官网文档

下载文档

因为电脑装的是 Windows10 下的 1.7.0

这次流动应该用的是 python 3.7 下的 Mindspore1.6.1 版本

所以我大概率要创立一个新环境(不过没关系,这对于 Anaconda 来说小 case)

学习笔记
-> 知乎专栏——门槛最低的深度学习疏导 From AI 布道

通过下饺子的例子来引入拟合最小损失的计算,引出——梯度的方向为什么是函数值减少最快的方向?

· 为什么要沿着梯度的反方向更新?

梯度方向是函数值减少最快的方向,反向就是降落最快的中央。

·为什么梯度反方向是函数降落最快的中央?

为解答这个问题,在另一篇专栏里

采纳了由曲线 -> 曲面偏导 -> 曲面任意方向的斜率的递进来由浅入深这个问题

最终从数学的角度证实了当与偏导方向夹角为 0°的时候,函数变化率最大,回升趋势;

                                                           180°的时候,函数变化率最大,降落趋势。

在解决了这个问题后

把该例子回升到图像处理的难度

引入了 One-Hot 来作为实在标签的示意。

最初把难度降级到动物园图像分类

因为 RGB 的三像素示意,引入了卷积的概念,

同样的操作【链式法则】反向更新梯度后计算 Loss

间接进进入 6.1 号 狗和面包的分类

第一步:Python 3.7.5 的装置(我是采纳在 Anaconda 中建设一个新环境)

第二步 mindspore1.6.1 装置

第三步 装置 Mindvision

第四步 mindspore 与 mindvision 测试

第五步 下载筹备资料

第六步:把 297 行案例代码换成 from mindspore.train.callback import TimeMonitor

运行 infer.py 文件

依照操作部署到手机端,测试后果

退出移动版