科普知识
MindSpore 是一个全场景 AI 计算框架，它的特性是可以显著减少训练时间和成本（开发态）、以较少的资源和最高能效比运行（运行态），同时适应包括端、边缘与云的全场景（部署态）。
针对不同的运行环境，MindSpore 框架架构上支持可大可小，适应全场景独立部署。MindSpore 框架通过协同经过处理后的、不带有隐私信息的梯度、模型信息，而不是数据本身，以此实现在保证用户隐私数据保护的前提下跨场景协同。除了隐私保护，MindSpore 还将模型保护内建于框架中，实现模型的安全可信。
MindSpore 通过实现 AI 算法即代码，使开发态变得更加友好，可以显著减少模型开发时间。以一个 NLP（自然语言处理）典型网络为例，相比其它框架，用 MindSpore 可降低核心代码量 20%，开发门槛大大降低，效率整体提升 50% 以上。
通过 MindSpore 框架自身的技术创新及其与昇腾处理器协同优化，有效克服 AI 计算的复杂性和算力的多样性挑战，实现了运行态的高效，大大提高了计算性能。除了昇腾处理器，MindSpore 同时也支持 GPU 与 CPU 等其它处理器。
回顾
经过前面几篇文章的学习，相信大家已经学会了如何构建一个常见的图像识别（分类）的深度学习项目，然而，项目代码中的细节部分，可能大家不太熟悉，今天，我们就来对之前的一些未能详细讲解的地方进行总结，希望对大家有所帮助。
一、总结
总结主要分为以下几个环节展开：
1.数据处理
2.模型搭建
3.模型训练及保存
4.模型测试
数据处理
数据处理部分存在理由是，需要将原始的图片数据（jpg,png，灰度图或者多通道彩色图）解码为原始的矩阵数据，然后将矩阵转化为深度学习框架支持的张量（tensor）类型（浮点型数据）,同时按照神经网络的训练方式，将训练集中的所有图像按照一定的批次（16,32,64等）为一批放进网络进行训练。
代码片段一：将训练集中的所有图像读取出来保存到两个列表中，分别存放图像的存储路径和对应的标签（事先预定）
代码片段二：调用tf自带的批数据处理函数，将上一步读取到的列表进行批次划分，返回批数据，然后直接传递给网络进行训练。
模型搭建
模型搭建主要负责数据传进来后处理，网络的每一层需要严格对应输入的维度变化，从而可以完成前向传播计算。
初始数据维度[B,H,W,C],这就是输入网络的数据的维度信息（shape）,第一纬度B代表批数据维，也就是有多少个数据，后面三维表示每一个数据的真正维度，例如，[32,224,224,3]代表有32个3通道，且长宽为224的图像，神经网络中，图像的长宽必须是固定的，如果是不断变化的，那么网络的维度就会因为最开始是固定的而不能随机变化，导致出现维度报错，因此，通常在数据处理部分，训练集中的图像将会被设置为固定长长宽，通常会出现这行代码：
网络中卷积层自定义函数：
如上如所示，
tf.nn.con2d()函数中，weights和stride维度需要注意，weights的维度为[kernel_size,kernel_size,in_channel,out_channel],
kernel_size表示卷积核的尺寸（一般为3x3,1x1,5x5），可以根据效果进行挑选，in_channel为输入数据的维度，即上一层网络的输出的维度，如果上一次层是原始图像，按照之前的图像维度就是3，如果上一层是卷积层，那么上一层卷积层的输出维度即为现在卷积的输入维度，out_channel为当前卷积想要输出的维度，也是卷积核的数量，输出后的特征图的数量即为out_channel，因此网络卷积核维度需要格外对应设置，不然报错连连。
模型训练及保存
这一环节最为重要的就是如何将数据输入到网络，以及网络的输出结果如何进行损失函数计算，通常tf的数据是通过feed函数喂进网络的，在实际run的时候才会导入数据，模型的输出除了需要参与loss计算外，还需计算出当前的准确率，以便我们能够观察网络的学习效果，（通常在进行一个轮次的训练之后会对测试集进行测试）网络的输出通常是一个类别数目的概率分布（分布之和为1），如果是两个类别，那么网络的最终输出对每个样本的输出是[0.8,0.2]，随后取最大值（0.8）的索引[0]为预测值，然后与真实标签最比较，相同则为1,否则为0，由此得出一个批数据的正确个数，所有批次计算完后，即可得出整个测试集的准确率。
模型保存为将最好的模型保存下来，以便进行后期的使用和实验。
模型测试
模型测试部分较为简单，主要是将之前保存的模型结构以及相应的权重参数进行读取，进行实际的预测，这时候只是运行的前向传播部分，即只需要得到网络的预测值，数据处理部分与训练的时候保持一致即可。
结语
本期内容为对之前的图像分类项目进行总结，完整的跑通一个深度学习项目需要大家对细节部分进行解读和调试，特别是网络搭建部分，网络参数不可以随意设置，需要考虑输入数据的实际维度进行设置。
同时对于代码的细节部分，有些地方小编没有讲解到，希望大家能去发现并去得到结果，比如说，卷积的维度输出是四维，即[B,H,W,C],最后网络的输出是[B,N]，N为类别数目，即一个样本有N个输出，最大值的索引为预测标签，那么四个维度是如何转化为两个维度的呢？希望大家去发现并从中学习。
周末快乐，下期再见！
编辑：玥怡居士|审核：小圈圈居士
