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