技术实践丨基于MindSpore的ResNet-50蘑菇“君”的识别应用体验
本文分享自华为云社区《基于MindSpore的ResNet-50蘑菇“君”的识别应用体验》，原文作者：Dasming。
摘要：基于华为MindSpore框架的ResNet-50网络模型，实现6714张共10类蘑菇图片的识别分类训练。
背靠全新的设计理念，华为云推出了 MindSpore深度学习实战营，帮助小白更快的上手高性能深度学习框架，快速训练ResNet-50，实现你的第一个手机App开发，学会智能新闻分类、篮球检测和「猜你喜欢」模型！
MindSpore深度学习实战营，通过 21天的合理课程安排，不仅提供目前大热的移动端部署介绍，还有紧跟时事的趣味实践，更有深度的底层开发讲解，让你从框架到算法到开发，都能一网打尽。
在MindSpore21天实战第三堂课，由王辉老师分享了基于MindSpore的ResNet-50的识别推理模型，如何应用在“蘑菇’君’是否有毒？”的检测场景。
ResNet之前的状况是：
CNN能够提取low/mid/high-level的特征，网络的层数越多，意味着能够提取到不同level的特征越丰富。并且，越深的网络提取的特征越抽象，越具有语义信息。而实际随着神经网络层数的增加，梯度消失或者爆炸导致深层网络很难训练。
对于该问题的解决方法是正则化初始化和中间的正则化层（Batch Normalization），这样的话可以训练几十层的网络。虽然通过上述方法能够训练了，但是又会出现另一个问题，就是退化问题，网络层数增加，但是在训练集上的准确率却饱和甚至下降了。
ResNet提出了残差结构，就是为了解决梯度消失、爆炸或者训练退化的问题。其经典结构如下图所示：
如下图所示，左侧是普通层，而右侧是ResNet；
如下图所示，左侧是普通层，而右侧是ResNet；
随着网络层数的大量增加，普通层的输出H(X)越来越难以学习。而ResNet跨过卷积层将输入X作为最终输出。F（X）被称为残差。
深度残差网络有着相对低的复杂度和更深的网络层数。曾获多项比赛的第一名。
ResNet-50中的50，指的是该网络的层数为50层。
本堂课的体验作业是基于华为MindSpore框架的ResNet-50网络模型，实现6714张共10类蘑菇图片的识别分类训练。算力是基于华为云ModelArts，网络存储使用华为OBS对象存储服务。大量图片上传OBS桶过程中，使用了OBS-browser-plus套件工具，设置好OBS登录权限和存储目录后，可以本地拖放目录操作，大量的数据文件可以进入队列自动上传。
基于1*Ascend910 CPU的算力，整个训练过程用时10.04minutes，数据集训练精度平均损失0.569，输出日志如下图所示。
对训练生成的模型，通过Eval测试“蘑菇超人”图片。
其分类结果为“霍氏粉褶伞，伞菌目，粉褶菌科……”，测试日志见下图。也是查了一下霍氏粉褶伞的图片，其他且不说，颜色相似度还是挺高的。
整个体验过程简单流畅，结合实例加深了对ResNet-50深度神经网络的了解。
