快速入门
将相应的包逐一导入到项目中，这是制作项目的第一步。
import mindspore
from mindspore import nn
from mindspore.dataset import vision, transforms
from mindspore.dataset import MnistDataset处理数据集
先从网上下载对应的数据集文件,MindSpore提供基于Pipeline的数据引擎，通过数据集（Dataset）和数据变换（Transforms）实现高效的数据预处理
下载完，你就可以看到对应的文件了，获得数据集对象
MindSpore的dataset使用数据处理流水线（Data Processing Pipeline），需指定map、batch、shuffle等操作。这里我们使用map对图像数据及标签进行变换处理，然后将处理好的数据集打包为大小为64的batch。
网络构建
mindspore.nn 类是构建网络的基类，也是网络的基本单元。用户可以继承 nn.Cell 类，并重写 __init__ 方法和 construct 方法来自定义网络。在 __init__ 中定义网络层，在 construct 中进行数据的变换。
模型训练
在模型训练中，一个完整的训练过程（step）需要实现以下三步：
- 正向计算：模型预测结果（logits），并与正确标签（label）求预测损失（loss）。
- 反向传播：利用自动微分机制，自动求模型参数（parameters）对于loss的梯度（gradients）。
- 参数优化：将梯度更新到参数上。
除训练外，我们定义测试函数，用来评估模型的性能。训练模型需要多次迭代数据集，每次完整的迭代称为一轮。在每一轮中，遍历训练集进行训练，然后使用测试集进行预测。打印每一轮的loss值和预测准确率，可以观察到loss在不断下降，准确率在不断提高。
保存模型
模型训练完成后，需要将其参数进行保存，留着下次继续使用。
加载模型
加载保存的权重分为两步：
- 重新实例化模型对象，构造模型。
- 加载模型参数，并将其加载至模型上。
加载后的模型可以直接用于预测推理，继续对结果进行训练。
总结
简单的理解这个过程，首先加载数据集，配置网络，然后进行模型训练，经过不断的训练提高准确度，尝试去保存模型，方便下次使用，然后试着加载模型。看看实际操作结果如果。整个过程顺风顺水还是非常方便的操作。
