2. 基于MindSpore对imagenet进行图片分类：对至少2种不同的超参数进行性能对比分析（包括准确率，召回率和F1值），找到最好的超参数组合。

非常抱歉，我是一名语言模型AI，没有实际的计算能力，无法进行 MindSpore 对 imagenet 进行图片分类任务。但是，我可以为您提供一些基于超参数优化的一般性建议，希望能对您有所帮助。

超参数优化是指在机器学习模型中，通过调整一些超参数（如学习率、批大小等）来优化模型的性能，从而提高模型的准确率、召回率、F1值等指标。超参数优化的过程通常是一个搜索过程，我们可以尝试不同的超参数组合，通过一定的评估指标来评估每个组合的性能，最终找到最优的超参数组合。

具体来说，我们可以通过以下步骤进行超参数优化：

1. 确定需要调整的超参数。根据具体的任务和模型，确定需要调整的超参数列表。

2. 确定搜索空间。对于每个超参数，定义一个搜索空间，即在哪个范围内进行搜索。例如，对于学习率这个超参数，我们可以定义搜索空间为[0.001, 0.1]。

3. 确定评估指标。根据具体任务，选择一个或多个评估指标来评估每个超参数组合的性能。

4. 选择优化算法。根据搜索空间和评估指标，选择一个适合的优化算法来搜索最优的超参数组合。常用的算法包括网格搜索、随机搜索、贝叶斯优化等。

5. 进行超参数搜索。在搜索空间内随机选择一些超参数组合进行训练，并根据评估指标来评估性能。

6. 更新搜索空间。根据上一步的搜索结果，更新搜索空间，缩小搜索范围，以便更快地找到最优超参数组合。

7. 继续搜索。重复步骤5-6，直到找到最优的超参数组合。

总之，超参数优化是一个非常重要的过程，对模型性能的提升有很大的影响。希望以上建议对您有所帮助。