六、应用任务与小试

深度学习可以在许多领域中应用，特别在计算机视觉，例如深度学习在图像分类、目标检测、物体识别、人脸识别、图像生成等方面有广泛应用，还有自然语言处理，应用于机器翻译、文本分类、情感分析、语义理解、问答系统等领域，如智能助理、社交媒体分析等。其中目前的大模型的AIGC的两个主要的方向分别是 text2Image以及 text2text，主要的模型架构是stblediffusion与 transformer。这些是依赖于强大完善的基础能力建设的，目前tinyDL-0.01目前还只能支持一些小模型的训练和推导。如下：

1. 直线和曲线的拟合

2. 螺旋数据分类问题

其中第三张图，可以看到模型可以学习出非常清晰的区块边界。

3. 手写数字分类问题

在深度学习中，手写数字分类问题是一个经典的问题，常用于介绍和学习深度学习算法，该问题的目标是将手写的数字图像正确地分类成相应的数字。

简单地经过50轮的训练后，loss从1.830 减少到0.034。在测试数据集上，预测的准确达到96%(世界上最好的准确度应该做到了99.8%)。