本文分享自華爲雲社區《基於MindSpore的ResNet-50蘑菇「君」的識別應用體驗》，原文做者：Dasming。算法
摘要：基於華爲MindSpore框架的ResNet-50網絡模型，實現6714張共10類蘑菇圖片的識別分類訓練。
背靠全新的設計理念，華爲雲推出了 MindSpore深度學習實戰營，幫助小白更快的上手高性能深度學習框架，快速訓練ResNet-50，實現你的第一個手機App開發，學會智能新聞分類、籃球檢測和「猜你喜歡」模型！網絡
MindSpore深度學習實戰營，經過 21天的合理課程安排，不只提供目前大熱的移動端部署介紹，還有緊跟時事的趣味實踐，更有深度的底層開發講解，讓你從框架到算法到開發，都能一網打盡。框架
在MindSpore21天實戰第三堂課，由王輝老師分享了基於MindSpore的ResNet-50的識別推理模型，如何應用在「蘑菇’君’是否有毒？」的檢測場景。工具
ResNet以前的情況是：性能
CNN可以提取low/mid/high-level的特徵，網絡的層數越多，意味着可以提取到不一樣level的特徵越豐富。而且，越深的網絡提取的特徵越抽象，越具備語義信息。而實際隨着神經網絡層數的增長，梯度消失或者爆炸致使深層網絡很難訓練。學習
對於該問題的解決方法是正則化初始化和中間的正則化層（Batch Normalization），這樣的話能夠訓練幾十層的網絡。雖然經過上述方法可以訓練了，可是又會出現另外一個問題，就是退化問題，網絡層數增長，可是在訓練集上的準確率卻飽和甚至降低了。測試
ResNet提出了殘差結構，就是爲了解決梯度消失、爆炸或者訓練退化的問題。其經典結構以下圖所示：設計
以下圖所示，左側是普通層，而右側是ResNet；3d
以下圖所示，左側是普通層，而右側是ResNet；日誌
隨着網絡層數的大量增長，普通層的輸出H(X)愈來愈難以學習。而ResNet跨過卷積層將輸入X做爲最終輸出。F（X）被稱爲殘差。
深度殘差網絡有着相對低的複雜度和更深的網絡層數。曾獲多項比賽的第一名。
ResNet-50中的50，指的是該網絡的層數爲50層。
本堂課的體驗做業是基於華爲MindSpore框架的ResNet-50網絡模型，實現6714張共10類蘑菇圖片的識別分類訓練。算力是基於華爲雲ModelArts，網絡存儲使用華爲OBS對象存儲服務。大量圖片上傳OBS桶過程當中，使用了OBS-browser-plus套件工具，設置好OBS登陸權限和存儲目錄後，能夠本地拖放目錄操做，大量的數據文件能夠進入隊列自動上傳。
基於1*Ascend910 CPU的算力，整個訓練過程用時10.04minutes，數據集訓練精度平均損失0.569，輸出日誌以下圖所示。
對訓練生成的模型，經過Eval測試「蘑菇超人」圖片。
其分類結果爲「霍氏粉褶傘，傘菌目，粉褶菌科……」，測試日誌見下圖。也是查了一下霍氏粉褶傘的圖片，其餘且不說，顏色類似度仍是挺高的。
整個體驗過程簡單流暢，結合實例加深了對ResNet-50深度神經網絡的瞭解。