Mindspore高校站-东北大学（2022-05-30——2022-06-01）活动分享帖 Mindspore高校站-东北大学（202

1.准备材料
官方文档
下载文档
因为电脑装的是Windows10下的1.7.0
这次活动应该用的是python 3.7下的Mindspore1.6.1版本
所以我大概率要创建一个新环境（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引导 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增加最快的方向？
· 为什么要沿着梯度的反方向更新？
梯度方向是函数值增加最快的方向，反向就是下降最快的地方。
·为什么梯度反方向是函数下降最快的地方？
为解答这个问题，在另一篇专栏里
采用了由曲线->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明了当与偏导方向夹角为0°的时候，函数变化率最大，上升趋势；

180°的时候，函数变化率最大，下降趋势。

在解决了这个问题后
把该例子上升到图像处理的难度
【Mindspore高校站-东北大学（2022-05-30——2022-06-01）活动分享帖】引入了One-Hot来作为真实标签的表示。
最后把难度升级到动物园图像分类
由于RGB的三像素表示，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
直接进进入6.1号狗和面包的分类
第一步：Python 3.7.5 的安装（我是采用在Anaconda中建立一个新环境）
第二步 mindspore1.6.1安装
第三步安装Mindvision
第四步 mindspore 与mindvision测试
第五步下载准备材料
第六步：把297行案例代码换成 from mindspore.train.callback import TimeMonitor
运行 infer.py文件
按照操作部署到手机端，测试结果