《昇思25天学习打卡营第1天|LXS》
前言
首先先对昇思大模型平台表示感谢，作为有一定经验的炼丹师，一直使用的是AutoDL算力云租用算力做语音模型，如GPT-sovits，此类模型推理需要用到4090芯片，而且租用往往困难，操作也没有提供jupyter编程。
昇思充分考虑初学者的入门困难问题，为初学者降低机器学习入门门槛，只需专注模型训练流程和模型关键参数，机器学习代码往往需要真正理解，而非记忆代码，所以跟敲对于机器学习的代码学习来说是事倍功半的。
此外，昇思提供了免费的本地CPU模式，与云上算力使用模式，应对多样的开发学习环境，免费的算力什么的对于初学者来说是最大的福利，所以请大家坚持学下来，不要辜负主办方的一片好意，也多为昇思打call。好了闲话少叙，进入正题。
重点内容与大纲
此大纲仅为参考（持续更新）：
- 掌握模型训练流程与理解参数意义（理解参数，超参数）；
- 参数调优的方法与原理；
- 数据集加载与数据预处理；
- 模型训练与保存；
- 手写字母识别流程实操（属于经典的机器学习入门项目）；
- 量子计算流程（后续更新）；
- 实操项目（NLP自然语言处理，计算机视觉如人脸识别水质分析，语音处理如sovits，图像处理如图片生成）；
今日内容：手写数字识别实操
-
首先是加载数据集，注意使用过飞桨的同志，此次数据集dataset的来源是mindspore，导包时导入的是mindspore的dataset与transforms。
-
分别得到train训练集60000张图片，是带Label标签的，test测试集10000张图片，核心思想就是通过训练集得到泛化和拟合能力较为平衡的参数，然后保存模型，通过该模型进行predict对测试集输出结果。
-
训练集与测试集数据格式必须一致，分为两列非结构化数据（一列为图片，一列为标签），如下图
-
接下来是transform，数据预处理，处理的内容有三部分，rescale，英文翻译是重新权重，就是归一化处理，图片是黑白的，根据图像处理知识黑白图只有灰度值[0,255]，除以255得到[0,1]之间的小数，如下图公式分母为（255-0），分子则为（灰度值xi-0）
-
跟归一化类似的是标准化，Normalize标准化比归一化要更复杂，标准化可以保持样本间距，可以将间距理解为样本分类的依据，标准化能加快收敛的速度，收敛是机器学习核心关注的内容。
-
对数据进行归一化或者标准化之后，就需要构建模型了，我们通过网络构建的方式构建一个通用的model模板，还没有填入具体的训练步骤，什么叫网络构建？可以搜索神经网络模型，此处粗略讲神经网络，就像神经信号从一个节点传到另一个节点，中间传递过程则是激活函数Relu（），激活函数是用来确定输出值的，机器学习一定要严谨的确定每一步的 输入->>输出，我们把一根神经看成一次运算，那么神经网络就是多次这样的运算，经过多次输入->输出，最终得到结果。注意上一次的输出一定是这一次的输入，请看下图，只有第一行的nn.dense(28*28,)是可控的，其余层级的输入都要严格按照上一次的输出设置大小
-
模型构建考虑参数，梯度，loss（损失），价值函数（目标函数）四个方向。首先是价值函数，针对手写数字识别模型，正确就是有价值的反之就是损失，我们的目标是找出准确率最高的模型。最高是一种求极值的行为，计算机判断极值需要迭代，也就是导数为零的点，而在机器学习中我们将其叫为梯度，梯度是唯一决定收敛位置的指标，因此在正向计算准确率与损失率后需要反向计算梯度，以找寻收敛的方向判断是否收敛。前三个都是最终为参数服务的，我们需要找到梯度为零处的参数，这就是最优参数了。
-
训练的过程，提到了是迭代的过程，因此可以设置训练的轮次（epoch），轮次越多，收敛的可能性越大，模型准确率越高，loss越小，模型拟合能力越强，但同时导致泛化能力下降。
-
最后的最后，是save模型，保存了模型就是保存了参数，参数比模型重要的多，部分同志可能刚接触机器学习，真正在单个云机里跑模型可能要跑一天，稍有不慎跑过的数据就没了，参数没了等于白跑，所以训练完一个大轮请一定save模型。
-
需要使用模型做预测时，load出来将测试集放进去即可。
