​计算机视觉（Compute Vision，CV）给计算机装上了“眼睛”，让计算机像人类一样也有“视觉”能力，能够“看”懂图片里的内容。

作为深度学习领域的最重要的应用场景之一，在手机拍照、智能安防、自动驾驶等场景均有广泛的应用。同时也出现了一批经典的网络，如AlexNet、ResNet等。 本文以典型的图片分类网络ResNet50为例，介绍一下如何使用MindSpore来完成一个CV应用的开发及部署。

卷积神经网络能够很好的提取图片中的特征，并且能够通过降维来减少计算量，在CV领域应用的非常广泛 。在早期的卷积神经网络中，往往通过增加网络的深度来获取更好的算法效果，然而随着网络深度的加深，梯度的反向传播路径会越长，由链式法则的原理可以看出，反向传播的路径越长，得到的梯度值越趋近于0，从而导致梯度消失。

残差网络（如图x所示）的出现解决这个问题。通过不同的残差网络的组合，构成了一系列的ResNet网络结构，如表x所示。

这里以ResNet50为例，介绍一下如何使用MindSpore来完成一个CV的典型算法的编码、训练、部署等环节。

在此仅列出了部分重要代码片段，完整代码请参考：

https://gitee.com/mindspore/mindspore/blob/master/model_zoo/resnet

1. 网络定义

通过MindSpore的提供的接口可以很方便的构建所需要的网络，如ResNet50所使用的残差结构定义如下：

class ResidualBlock(nn.Cell):

    """

    ResNet V1 residual block definition.



    Args:

        in_channel (int): Input channel.

        out_channel (int): Output channel.

        stride (int): Stride size for the first convolutional layer. Default: 1.



    Returns:

        Tensor, output tensor.



    Examples:

        >>> ResidualBlock(3, 256, stride=2)

    """

    expansion = 4



    def __init__(self,

                 in_channel,

                 out_channel,

                 stride=1):

        super(ResidualBlock, self).__init__()



        channel = out_channel // self.expansion

        self.conv1 = _conv1x1(in_channel, channel, stride=1)

        self.bn1 = _bn(channel)



        self.conv2 = _conv3x3(channel, channel, stride=stride)

        self.bn2 = _bn(channel)



        self.conv3 = _conv1x1(channel, out_chan