它要解决什么
把训练好的模型真正送上手机，而不停留在笔记本里的准确率。项目覆盖从数据准备到端侧推理的完整链路。
基于MindSpore的猫狗识别
一个从训练到上机的完整深度学习实验：用 MindSpore 和 MobileNetV2 做猫狗二分类的迁移学习，再把模型转成 MindSpore Lite 格式部署到 Android 手机，在端侧完成推理。
项目速览
项目从 Kaggle 的猫狗数据集出发，经过数据清洗与划分、MobileNetV2 迁移学习训练、模型格式转换，最终把 .ms 模型装进 Android 应用，在手机上直接对相册图片做分类。整条链路都在本地完成，不依赖云端推理服务。
- 迁移学习而非从零训练冻结 MobileNetV2 主干，只微调分类头，在小数据集上也能收敛。
- 端侧推理模型转换为 MindSpore Lite 格式，推理在手机本地完成，不联网。
- 完整实验记录数据清洗、训练、转换、部署五个步骤都有对应的说明与配置。
关于这个项目
怎么做的
先在 PC 上用 MindSpore 训练 MobileNetV2 分类网络，导出 MindIR 中间格式，再通过 MindSpore Lite Converter 转换为 .ms 模型，最后使用 ADB 推送到 Android 应用加载。
用到什么
MindSpore 2.0 与 MindSpore Lite Converter 2.0；模型为 MobileNetV2；数据集为 Kaggle Cats vs Dogs (PetImages)；依赖 opencv-python、matplotlib、Pillow 等库。
边界
这是课程实验性质的项目，用于理解迁移学习与端侧部署流程；识别范围限于猫狗二分类，不适用于更细的品种区分。
从数据到手机的五步
每一步都有明确的输入与产物，可以按顺序复现。
数据清洗与划分
过滤损坏与异常图片，按比例划分训练集与验证集，避免训练被脏数据拖累。
迁移学习训练
加载预训练的 MobileNetV2，冻结主干权重，只训练分类头，在小数据集上快速收敛。
模型转换
训练产物导出为 MindIR，再由 MindSpore Lite Converter 转成可在端侧加载的 .ms 格式。
端侧部署
通过 ADB 把模型与配套资源推送到 Android 应用，推理过程完全在手机本地完成。
结果观察
在手机上对相册图片直接分类，配合训练侧的损失与准确率曲线对照效果。
实验定位
属于深度学习课程实验，重点在打通训练与部署的链路，而非追求分类精度上限。