：通过这次7日打卡营呢，学到了很多东西，讲师真的很棒，能把东西讲的很透彻。也感谢助教小姐姐们~谢谢你们几天以来的帮助。

还有就是认识了paddle paddle这个深度学习平台，平台很强大，很好使，希望百度加油，一起学习的小伙伴加油！

这7天里边参与的几个作业给大家分享一下~（大神们可以自动略过此篇）

01:新冠疫情可视化

可视化，是一种利用计算机图形学和图像处理技术，将数据转换成图像在屏幕上显示出来，再进行交互处理的理论、方法和技术（eg：数据转化成图像）

作业任务：基于丁香园公开的统计数据，实现新冠疫情可视化，包括疫情地图、疫情增长趋势图、疫情分布图

· 数据准备：编写爬虫程序拟浏览器 --> 往目标站点发送请求 --> 接收响应数据 --> 提取有用的数据 --> 保存到本地/数据库（当中使用到了requests库，写过爬虫的应该都不陌生的）

· 使用可视化库Echarts （pip install pyecharts），调用函数，绘制全国疫情地图、湖北省疫情地图、疫情增长趋势图（https://pyecharts.org/#/zh-cn/chart_api）

02:手势识别

· 搭建网络，构建全连接层，实现多分类任务（手势1-10）
· 这里深度学习平台的优势就体现出来，Linear类中已经有封装好的函数，直接调用，传参即可（https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/index_cn.html）

03:LeNet车牌识别任务

· 这个作业完成的时候，搭建网络时，在上次作业的全连接层上，加入了卷积层，池化层

· 网络为卷积层，池化层，全连接层构成（全连接层完成最后的车牌分类）

· 车牌数据集可在作业当中查找

04:VGG口罩识别

· 口罩识别，可以分别完成口罩人脸的检测和口罩人脸的分类，正好结合疫情的发生，小伙伴们因该对此很感兴趣。
· 相对于VGG之前的网络，VGG网络一个典型的特征：网络层数变多，网络变深了。
· （图片上不来，文字叙述了）
· VGG的核心是五组卷积操作，每两组之间做Max-Pooling空间降维。同一组内采用多次连续的3X3卷积，卷积核的数目由较浅组的64增多到最深组的512，同一组内的卷积核数目是一样的。卷积之后接    两层全连接层，之后是分类层。由于每组内卷积层的不同，有11、13、16、19层这几种模型。

05: 比赛-目标识别

由于本人小白，不能手动完成网络，跑的是老师提供的base版，这就不多说了。
不过密度图方法，是我原来没有接触过的，有兴趣的自行找文档吧~

06: Paddle Slim模型压缩

· 模型量化：将浮点数映射到低比特int 
· 目的：减少模型体积和计算量，加快推理速度
· 优点: 相同指令周期内，完成更多次计算 低内存带宽\低功耗\低计算资源 

· 模型蒸馏：知识蒸馏是将复杂网络（老师模型）的知识迁移到小网络（学生模型）中
· 目的：提高小网络的精度
· 怎么迁移知识：使用老师模型的输出信息监督学生模型的训练

· NAS：NAS（network architecture search）是一种自动设计神经网络的技术，根据搜索空间使用一定的搜索算法来自动设计出高性能的网络结构
· 目的：自动设计高效的网络结构