完成了入门训练

训练结束后标注自己的名字和时间（有点小激动）。

过程如下：

1.启动Jupyter
2.引入mindspore

3.处理数据集

MindSpore提供基于Pipline的数据引擎，通过数据集（Dataset）和数据变换（Transforms）实现高效的数据处理。这里使用Mnist数据集，自动下载后使用mindspore.dataset提供的数据变换进行预处理。

合理的创建标题，有助于目录的生成

直接输入1次#，并按下space后，将生成1级标题。
输入2次#，并按下space后，将生成2级标题。
以此类推，我们支持6级标题。有助于使用TOC语法后生成一个完美的目录。
MNIST数据集目录如下

数据集下载完成后，获得数据集对象。

打印数据集中包含的数据列名，用于dataset的预处理。

MIndSpore的dataset使用数据处理流水线（Data Processing Pipeline），需要制定map、batch、shuffle等。这里使用map对图像数据及标签进行变换处理，然后把处理好的数据集打包为大小为64的batch。

可使用creat_tuple_iterator或create_dict_iteratior对数据集进行迭代访问，查看数据和标签的shape和datatype。

网络构建

mindspore.nn类是构建所有网络的基类，也是网络的基本单元。

模型训练

分三步：1.正向计算 2.反向传播 3.参数优化


定义测试函数，评估模型性能。





目录中会出现：

保存模型

加载模型

加载模型分两步：1.重新实例化模型对象，构造模型。2.加载模型参数，并将其加载至模型上。

加载后的模型可以用于推理。

标注自己的名字和时间