由于项目需要一直在自学深度学习的内容，但是知识面太广，一直浮于表面，很难有效的推进学习进度，有一个很大的突破。偶然间有了这个机会参加飞浆7日打卡训练营，课程内容很丰富，有很多实战案例，让我有了很大的突破。课程一直使用百度自家paddlepaddle框架，这也是我第一次使用paddlepaddle的框架，之前了解过pytorch,tensorflow等等，总体来说paddlepaddle体验很好，文档查阅方便，模型库丰富，值得推荐。

在课程中授课和作业比赛都是使用百度notebook云端进行代码编写以及训练，notebook有8核的cpu、tesla v100 GPU以及100G的存储空间，预装好paddlepaddle框架。相较其他平台给学者提供了很大的便利性。每天使用还有算力卡的提供，十分方便。

以下介绍下课程内容

第一天是paddlepaddle环境安装，并实现python爬取新冠疫情的数据，并实现可视化，拿到了100分的分数。

第二天是手势识别项目，在这里了解了很多图片识别的模型框架，和一些调优算法，每一次训练都是一次进步。

第三天是车牌识别项目，通过对车牌的定位、分割、并且实现车牌图像的训练模型，成功实现了对汽车车牌的识别。

第四天是口罩识别项目，主要目的是可以有效检测在密集人流区域中携带和未携戴口罩的所有人脸，同时判断该者是否佩戴口罩。通常由两个功能单元组成，可以分别完成口罩人脸的检测和口罩人脸的分类。这个项目很具有挑战，有很适应当前的情景，主要根据课上所学内容，在 VGGNet类中补全代码，构造VGG网络，最后调优拿到一个更高的分数。

第六天讲了飞将框架中PaddleSlim的介绍和应用，PaddleSlim是一个模型压缩工具库，包含模型剪裁、定点量化、知识蒸馏、超参搜索和模型结构搜索等一系列模型压缩策略。我了解到PaddleSlim提供各种压缩策略的底层辅助接口，方便用户复现、调研和使用最新论文方法。 让我受益匪浅

第七天是最后的比赛日子--人流密度检测，要求参赛者给出一个算法或模型，对于给定的图片，统计图片中的总人数。给定图片数据，选手据此训练模型，为每张测试数据预测出最准确的人数。在比赛中知道了自己技术的薄弱，看到了各位技术大咖的技术实力，更加能够激励自己好好去学习更多的深度学习知识。

很充实的七天训练营，感谢飞浆团队，我会继续的努力!