最近参加了飞桨平台提供的免费课程——飞桨深度学习7日入门-CV疫情特辑，向大家分享一些我的感受。

总体上来说，这次上课的体验很好。具体有以下几点优势：

1. 提供学习交流群。交流群十分活跃，学习氛围很好，看到很多同学都在积极讨论，提高了我的学习积极性。有的同学竟然调参入了魔，几天不下楼。最令我感到意外的是，一门免费课程，班主任还发红包，可惜没抢到。
2. 直播讲解课件与作业。我学过的大多数免费课程都是录播视频，直播教学相比于录播给人带来的参与感更强。老师会根据同学的反馈做出相应的调整，这对于一款免费课程来说实属不易。
3. 提供免费平台和算力完成作业。这一点尤为关键，学习与实践相结合。深度学习本就是一门经验先于理论的学科，所以实践就显得特别重要。这一次的课程的每一次作业都提供的详细的指导，我们可以在AI Studio上直接完成自己的作业。老实说，平台提供的算力比我的电脑好了太多，极大了增加了我的学习积极性。

下面我会分别聊一聊对每天的课程感受：

Day01 新冠疫情可视化

第一天的直播主要介绍了一下图像识别与人工智能，由于我对于CV已经有了一定的了解，所以这次的直播感觉收获并不大。

第一天的作业其实和深度学习和CV都没有什么直接联系，天下没有免费的午餐，第一天的作业感觉主要就是打广告。作业要求完成Paddle的本地安装，使用百度的Echarts完成疫情数据的可视化。这部分老师给的代码都很详细，参考API文档可以很容易的完成，就当看一波广告。

Day02 手势识别

第二天的直播对深度学习的基础知识进行了讲解，由于我对于CV已经有了一定的了解，所以这次的直播感觉收获也并不大。

第二天的作业是使用全连接神经网络进行手势识别。老师对整个作业进行的讲解，我们其实只需要对DNN部分进行补充，难度下降不小。全连接网络对图像识别并不是很适合，另外数据集的图片又是100*100，所以使用全连接的训练以及测试效果都不是很好。我在飞桨的教学文档里面，搬来了resnet进行手势识别。难搞的过拟合让我很是头疼。所以我简单的堆叠的几层CNN感觉效果还不错。这里不得不再次夸一下飞桨提供的学习平台，极大提高的调参速率。

Day03 车牌识别

第三天的直播步入主题对CNN进行的细致的讲解，并介绍了经典神经网络LeNet

当然第三天的作业就是使用LeNet对车牌进行识别。作业最复杂的图像预处理部分，我们不用操心，老师已经写好了，我们只需要补完LeNet部分的代码就行了。实际上，我认为第二天和第三天的作业使用的网络应该换一下。第三天的车牌识别处理的图像大小为20*20,我感觉跟适合使用DNN进行处理。所以我使用DNN进行的训练和测试，当然效果不如使用LeNet和我自己写的CNN。

Day04 口罩分类

第四天的直播主要介绍了经典的神经网络结构包括：ALexNet、VGG、GoogleNet和ResNet。老师的讲解梳理网络的发展，对于我们理解网络结构有着很大的帮助。

第四天的作业使用VGG实现对是否带口罩进行分类。在补完代码之后，我简单的训练的10个周期，测试准确率直接跑到了1，这让我感到很奇怪。因为VGG是一个很巨大的网络，其训练过程一般很慢，并且模型冗余度较高，很容易过拟合，所以训练10个周期测试准确率跑到1,确实令人感到意外。我仔细看了老师给的代码，发现代码应该有点问题，代码实现的并不是真正的VGG网络，详情我已经在第四天的讨论区进行的说明。链接如下https://aistudio.baidu.com/aistudio/education/group/info/1149

Day05 Paddlehub体验

第五天介绍Paddlehub，打广告。

第五天发布竞赛没有作业。

Day06 PaddleSlim模型压缩

第六天直播介绍模型压缩的基本方法，重点介绍了PaddleSlim的使用。

第六天的作业实际上就是使用PaddleSlim进行模型的量化，直接安装API文档来，想深入了解需要仔细阅读文档。

竞赛 人流密度检测

竞赛要求对图片进行人流密度的检测，数据集提供两种标注的方式，一种使用检测框，一种使用描点。老师提供的解决方案是利用目标检测的思路。首先将数据集的标注进行处理，将标注转化为人流密度图，然后使用CNN对人流密度进行训练和预测。

这个竞赛让我头很大，我的几次修改都让我的错误率越改越高，尤其是一些我认为很有用的修改方式，得到的效果确实十分吓人。

最后，这次课程体验很好，收获也很大，期待下一次课程。给大家打一波广告！！！