本文分享自華為雲社區《基於MindSpore的ResNet-50蘑菇“君”的識別應用體驗》，原文作者：Dasming。
摘要：基於華為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，華為雲推出了 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！
MindSpore深度學習實戰營，通過 21天的合理課程安排，不僅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。
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。
ResNet之前的狀況是：
CNN能夠提取low/mid/high-level的特征，網絡的層數越多，意味着能夠提取到不同level的特征越豐富。並且，越深的網絡提取的特征越抽象，越具有語義信息。而實際隨着神經網絡層數的增加，梯度消失或者爆炸導致深層網絡很難訓練。
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），這樣的話可以訓練幾十層的網絡。雖然通過上述方法能夠訓練了，但是又會出現另一個問題，就是退化問題，網絡層數增加，但是在訓練集上的准確率卻飽和甚至下降了。
ResNet提出了殘差結構，就是為了解決梯度消失、爆炸或者訓練退化的問題。其經典結構如下圖所示：
如下圖所示，左側是普通層，而右側是ResNet；
如下圖所示，左側是普通層，而右側是ResNet；
隨着網絡層數的大量增加，普通層的輸出H(X)越來越難以學習。而ResNet跨過卷積層將輸入X作為最終輸出。F（X）被稱為殘差。
深度殘差網絡有着相對低的復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為50層。
本堂課的體驗作業是基於華為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。算力是基於華為雲ModelArts，網絡存儲使用華為OBS對象存儲服務。大量圖片上傳OBS桶過程中，使用了OBS-browser-plus套件工具，設置好OBS登錄權限和存儲目錄后，可以本地拖放目錄操作，大量的數據文件可以進入隊列自動上傳。
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，輸出日志如下圖所示。
對訓練生成的模型，通過Eval測試“蘑菇超人”圖片。
其分類結果為“霍氏粉褶傘，傘菌目，粉褶菌科……”，測試日志見下圖。也是查了一下霍氏粉褶傘的圖片，其他且不說，顏色相似度還是挺高的。
整個體驗過程簡單流暢，結合實例加深了對ResNet-50深度神經網絡的了解。