通常情况下，定义训练和评估网络并直接运行，已经可以满足基本需求。
一方面，Model可以在一定程度上简化代码。例如：无需手动遍历数据集；在不需要自定义nn.TrainOneStepCell的场景下，可以借助Model自动构建训练网络；可以使用Model的eval接口进行模型评估，直接输出评估结果，无需手动调用评价指标的clear、update、eval函数等。
另一方面，Model提供了很多高阶功能，如数据下沉、混合精度等，在不借助Model的情况下，使用这些功能需要花费较多的时间仿照Model进行自定义。
本文档首先对MindSpore的Model进行基本介绍，然后重点讲解如何使用Model进行模型训练、评估和推理。
Model基本介绍
Model是MindSpore提供的高阶API，可以进行模型训练、评估和推理。其接口的常用参数如下：
- network：用于训练或推理的神经网络。
- loss_fn：所使用的损失函数。
- optimizer：所使用的优化器。
- metrics：用于模型评估的评价函数。
- eval_network：模型评估所使用的网络，未定义情况下，Model会使用network和loss_fn进行封装。
Model提供了以下接口用于模型训练、评估和推理：
- fit：边训练边评估模型。
- train：用于在训练集上进行模型训练。
- eval：用于在验证集上进行模型评估。
- predict：用于对输入的一组数据进行推理，输出预测结果。
使用Model接口
对于简单场景的神经网络，可以在定义Model时指定前向网络network、损失函数loss_fn、优化器optimizer和评价函数metrics。
下载并处理数据集
使用download库下载数据集，通过 vison.Rescale 接口对图片进行缩放， vision.Normalize 接口对输入图片进行归一化处理， vision.HWC2CHW 接口对数据格式进行转换。
创建模型
关于模型创建的讲解可以参考 网络构建 。
定义损失函数和优化器
要训练神经网络模型，需要定义损失函数和优化器函数。
- 损失函数这里使用交叉熵损失函数CrossEntropyLoss。
- 优化器这里使用SGD。
训练及保存模型
在开始训练之前，MindSpore需要提前声明网络模型在训练过程中是否需要保存中间过程和结果，因此使用ModelCheckpoint接口用于保存网络模型和参数，以便进行后续的Fine-tuning（微调）操作。
通过MindSpore提供的model.fit接口可以方便地进行网络的训练与评估，LossMonitor可以监控训练过程中loss值的变化。
训练过程中会打印loss值，loss值会波动，但总体来说loss值会逐步减小，精度逐步提高。每个人运行的loss值有一定随机性，不一定完全相同。
通过模型运行测试数据集得到的结果，验证模型的泛化能力：
- 使用model.eval接口读入测试数据集。
- 使用保存后的模型参数进行推理。
