《昇思25天学习打卡营第1天|QuickStart》

说在前面

曾经接触过华为的910B服务级显卡，当时基于910B做了一些开发的工作，但是总感觉做的事情太低层，想要能自顶向下的了解下，因此开始了MindSpore的学习。另外也想给予提供的显卡，简单尝试下llm模型的训练，不知道提供的显卡能否支持llm模型训练。

1. QuickStart

介绍了云开发环境的使用方法，以及昇思全家桶。

通过这张图看，我比较感兴趣AI Compiler部分，不过在入门阶段还没有介绍，希望可以通过后续的学习过程中，能了解一些。

接下来用两个推理的小例子，开发下兴趣：

使用 vit 进行图像分类
应该是有预训练的模型，这里直接通过封装好的脚本，进行简单的测试：
跑了vit模型的推理过程，能够将雏菊🌼识别成雏菊。
使用 BERT 进行中文命名实体识别
通过一个预训练模型，可以识别命名实体。
输入是：小明作为开发人员去北京参加华为开发者大会。
输出是：

json 复制代码

[
	[{
		'entity_group': 'position',
		'start': 4,
		'end': 6,
		'score': 0.72418,
		'word': '开发人'
	}, {
		'entity_group': 'address',
		'start': 9,
		'end': 10,
		'score': 0.9383,
		'word': '北京'
	}, {
		'entity_group': 'company',
		'start': 13,
		'end': 14,
		'score': 0.5476,
		'word': '华为'
	}]
]

可以看出来，Bert识别出了三个词，还算可以吧。在执行的时候是下载的模型，感觉可以直接可以将常用模型都打到镜像中，减少网络消耗。

接下来是一个训练的小例子：

经典的手写体识别：
可能是便于入门，这里很多模型封装的都比较简单。几乎点点按钮就可以了，手写体识别的模型名称叫做：lenet，执行了训练的动作，在cpu上训练还是花了几分钟的，过程中的日志信息：

loss是在逐渐降低的。
最终的识别结果也是符合预期，只能说，lenet是真的开创性的，不过我还是想要叫做AlexNet

打卡

最后在执行一边，并且打卡。

今天的学习就到这里，整体体验很顺畅，希望接下来每天可以保持，或者一天可以打多个卡。