update project_1 error and title size

experiment_1/main.py

@@ -2,8 +2,6 @@
 
 import os
 # os.environ['DEVICE_ID'] = '0'
-# Log level includes 3(ERROR), 2(WARNING), 1(INFO), 0(DEBUG).
-os.environ['GLOG_v'] = '1'
 
 import matplotlib.pyplot as plt
 import numpy as np

experiment_2/2-Save_And_Load_Model.ipynb

@@ -262,7 +262,7 @@
     "  - `prefix`：保存的文件前缀名，如'ck_lenet'。\n",
     "  - `config`：配置策略信息，传入上文创建的CheckpointConfig对象。\n",
     "\n",
-    "> `ModelCheckpoint`会生成和保存模型（.pkl）和Chekpoint（.ckpt）文件。"
+    "> `ModelCheckpoint`会生成和保存模型（.meta）和Chekpoint（.ckpt）文件。"
    ]
   },
   {

experiment_3/3-Computer_Vision.md

@@ -60,7 +60,7 @@ experiment_3
 ├── 脚本等文件
 └── cifar10
     ├── batches.meta.txt
-    ├── test
+    ├── eval
     │   └── test_batch.bin
     └── train
         ├── data_batch_1.bin
@@ -169,14 +169,6 @@ else:
                            num_shards=device_num, shard_id=device_id)
 ```
 
-导入并使用model_zoo里的resnet50模型：
-
-```python
-from mindspore.model_zoo.resnet import resnet50
-# create model
-net = resnet50(class_num = class_num)
-```
-
 使用数据增强，如随机裁剪、随机水平反转：
 
 ```python
@@ -185,6 +177,14 @@ random_crop_op = C.RandomCrop((32, 32), (4, 4, 4, 4))
 random_horizontal_flip_op = C.RandomHorizontalFlip(device_id / (device_id + 1))
 ```
 
+导入并使用model_zoo里的resnet50模型：
+
+```python
+from mindspore.model_zoo.resnet import resnet50
+# create model
+net = resnet50(class_num = class_num)
+```
+
 `model_zoo.resnet`中resnet50定义如下：
 
 ```python

experiment_4/4-Natural_Language_Processing.md

@@ -94,7 +94,7 @@ BERT（Bidirectional Encoder Representations from Transformers），即基于Tra
 
 更多BERT的介绍可以参考[Link](https://www.jianshu.com/p/d110d0c13063)
 
-### 预训练BERT模型
+### 预训练BERT
 
 [BERT](https://github.com/google-research/bert)模型包含由不同隐含层数（number hidden layers）和隐含层单元数（hidden size）构成的不同版本。通常情况下使用Bert需要预训练（pretrain）和微调（fine-tune）两个阶段。预训练BERT模型通常需要在大数据集上多卡并行训练多天。本实验先以部分zhwiki数据集为例展示预训练的过程。
 
@@ -103,7 +103,6 @@ BERT预训练阶段包含两个任务（两个输出）：
 - Mask语言模型（Mask LM）：预测被掩盖掉（mask）的单词；
 - NextSentence预测（NSP）：判断句子对是否具有上下文关系，即句子B是否时句子A的下一句。
 
-
 #### 代码梳理
 
 model_zoo:Bert_NEZHA中包含两个模块：

project_1/1-Model_Optimization.ipynb

@@ -6,7 +6,6 @@
    "source": [
     "<h1 style=\"text-align:center\">调优模型和训练策略</h1>\n",
     "\n",
-    "[TOC]\n",
     "\n",
     "## 作业介绍\n",
     "\n",
@@ -39,7 +38,7 @@
     "\n",
     "本实验需要使用华为云OBS存储脚本和数据集，可以参考[快速通过OBS控制台上传下载文件](https://support.huaweicloud.com/qs-obs/obs_qs_0001.html)了解使用OBS创建桶、上传文件、下载文件的使用方法。\n",
     "\n",
-    "> **提示：**华为云新用户使用OBS时通常需要创建和配置“访问密钥”，可以在使用OBS时根据提示完成创建和配置。也可以参考[获取访问密钥并完成ModelArts全局配置](https://support.huaweicloud.com/prepare-modelarts/modelarts_08_0002.html)获取并配置访问密钥。\n",
+    "> **提示：** 华为云新用户使用OBS时通常需要创建和配置“访问密钥”，可以在使用OBS时根据提示完成创建和配置。也可以参考[获取访问密钥并完成ModelArts全局配置](https://support.huaweicloud.com/prepare-modelarts/modelarts_08_0002.html)获取并配置访问密钥。\n",
     "\n",
     "创建OBS桶的参考配置如下：\n",
     "\n",
@@ -99,13 +98,13 @@
     "> - 打开Notebook前，在Jupyter Notebook文件列表页面，勾选目录里的所有文件/文件夹（脚本和数据集），并点击列表上方的“Sync OBS”按钮，使OBS桶中的所有文件同时同步到Notebook工作环境中，这样Notebook中的代码才能访问数据集。参考[使用Sync OBS功能](https://support.huaweicloud.com/engineers-modelarts/modelarts_23_0038.html)。\n",
     "> - 打开Notebook后，选择MindSpore环境作为Kernel。\n",
     "\n",
-    "> **提示：**上述数据集和脚本的准备工作也可以在Notebook环境中完成，在Jupyter Notebook文件列表页面，点击右上角的\"New\"->\"Terminal\"，进入Notebook环境所在终端，进入`work`目录，可以使用常用的linux shell命令，如`wget, gzip, tar, mkdir, mv`等，完成数据集和脚本的下载和准备。\n",
+    "> **提示：** 上述数据集和脚本的准备工作也可以在Notebook环境中完成，在Jupyter Notebook文件列表页面，点击右上角的\"New\"->\"Terminal\"，进入Notebook环境所在终端，进入`work`目录，可以使用常用的linux shell命令，如`wget, gzip, tar, mkdir, mv`等，完成数据集和脚本的下载和准备。\n",
     "\n",
     "## 作业内容\n",
     "\n",
     "作业基于上述打开的Notebook进行，进行作业前请确保完成了上述准备工作。\n",
     "\n",
-    "> **提示：**请从上至下阅读提示并执行代码框进行体验。代码框执行过程中左侧呈现[\\*]，代码框执行完毕后左侧呈现如[1]，[2]等。请等上一个代码框执行完毕后再执行下一个代码框。\n",
+    "> **提示：** 请从上至下阅读提示并执行代码框进行体验。代码框执行过程中左侧呈现[\\*]，代码框执行完毕后左侧呈现如[1]，[2]等。请等上一个代码框执行完毕后再执行下一个代码框。\n",
     "\n",
     "导入MindSpore模块和辅助模块："
    ]
@@ -167,9 +166,9 @@
     }
    ],
    "source": [
-    "DATA_DIR_TRAIN = \"/home/share/dataset/cifar-10-batches-bin/train\" # 训练集信息\n",
-    "DATA_DIR_TEST = \"/home/share/dataset/cifar-10-batches-bin/eval\" # 测试集信息\n",
-    "LABELS = \"/home/share/dataset/cifar-10-batches-bin/batches.meta.txt\" # 标签信息\n",
+    "DATA_DIR_TRAIN = \"cifar10rain\" # 训练集信息\n",
+    "DATA_DIR_TEST = \"cifar10/eval\" # 测试集信息\n",
+    "LABELS = \"cifar10/batches.meta.txt\" # 标签信息\n",
     "\n",
     "ds = ms.dataset.Cifar10Dataset(DATA_DIR_TRAIN)\n",
     "ds = ds.create_dict_iterator()\n",
@@ -288,7 +287,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "> **注意：**调试完毕后，需注释掉网络定义中`construct`里的打印语句：`print(output.shape())`，并将切换为Graph模式进行模型训练。"
+    "> **注意：** 调试完毕后，需注释掉网络定义中`construct`里的打印语句：`print(output.shape())`，并将切换为Graph模式进行模型训练。"
    ]
   },
   {
@@ -557,7 +556,7 @@
    "name": "python",
    "nbconvert_exporter": "python",
    "pygments_lexer": "ipython3",
-   "version": "3.7.5"
+   "version": "3.7.6"
   }
  },
  "nbformat": 4,