一、实现一个图片分类应用

1、处理需要的数据集，这里使用了MNIST数据集。

2、定义一个网络，这里我们使用LeNet网络。

3、定义损失函数和优化器。

4、加载数据集并进行训练，训练完成后，查看结果及保存模型文件。

5、加载保存的模型，进行推理。

6、验证模型，加载测试数据集和训练后的模型，验证结果精度。

二、实现简单线性函数拟合

回归问题算法通常是利用一系列属性来预测一个值，预测的值是连续的。例如给出一套房子的一些特征数据，如面积、卧室数等等来预测房价，利用最近一周的气温变化和卫星云图来预测未来的气温情况等。如果一套房子实际价格为500万元，通过回归分析的预测值为499万元，则认为这是一个比较好的回归分析。在机器学习问题中，常见的回归分析有线性回归、多项式回归、逻辑回归等。本例子介绍线性回归算法，并通过MindSpore进行线性回归AI训练体验。

整体流程如下：

1、生成数据集

2、定义训练网络

3、定义前向传播网络与反向传播网络并关联

4、拟合过程可视化准备

5、执行训练

三、加载模型用于推理或迁移学习

1、用于推理验证

针对仅推理场景可以使用load_checkpoint把参数直接加载到网络中，以便进行后续的推理验证。

示例代码如下：

resnet=ResNet50

load_checkpoint

"resnet50-2_32.ckpt",net=resnet

dateset_eval=create_dataset

os.path.join

mnist_path,"test"

,32,1

#define the test dataset

loss=CrossEntropyLoss

model=Model

resnet,loss,metrics={"accuracy"}

acc=model.eval

dataset_eval

load_checkpoint方法会把参数文件中的网络参数加载到模型中。加载后，网络中的参数就是CheckPoint保存的。

eval方法会验证训练后模型的精度。

2、用于迁移学习

针对任务中断再训练及微调

Fine Tune

场景，可以加载网络参数和优化器参数到模型中。

示例代码如下：

#return a parameter dict for model

param_dict=load_checkpoint

"resnet50-2_32.ckpt"

resnet=ResNet50

opt=Momentum

#load the parameter into net

load_param_into_net

resnet,param_dict

#load the parameter into operator

load_param_into_net

opt,param_dict

loss=SoftmaxCrossEntropyWithLogits

model=Model

resnet,loss,opt

model.train

epoch,dataset

load_checkpoint方法会返回一个参数字典。

load_param_into_net会把参数字典中相应的参数加载到网络或优化器中。