2024年11月22日，华为开发者布道师于人民大学站开展布道师华为ICT创新赛和编程赛技术案例分享技术布道案例分享，并在分享中对相关疑问分析解答。首先介绍了基于鸿蒙生态的低光照增强安全辅助驾驶系统：低光照增强安全辅助驾驶系统以华为云作为训练的平台，以MindSpore作为框架，通过整合红外相机与可见光相机的特征，利用特征互补模型在软件平台控制下进行数据处理。系统采用Hispark IPC通讯协议实现各设备间的通信，包括红外相机、可见光相机、深度相机以及车辆显示屏等，这些设备采集的数据会上传到华为云进行进一步的处理和存储。在华为云的平台上，智能决策单元和传感器单元协同工作，收集并分析环境信息，同时应用云端算力对算法模型进行部署以优化系统性能。系统还具备低光照工作能力，能够实时显示感知数据，并在必要时进行决策预警，确保驾驶安全。此外，系统还展示了与Harmony OS生态的兼容，如手表等设备的联动提醒，以及红外点阵投影等高级功能，为驾驶者提供全面的安全辅助。并介绍了技术方案所涉及的关键技术：（1）传感器标定与图像配准技术：应用传感器标定与图像配准技术，对传感器采集到的图像数据进行进一步的配准以及标定。其中，本技术包括了双目视觉系统、交通目标识别方法、深度迭代配准算法来实现图像标定以及配准。其中，双目视觉系统基于深度迭代的配准方法主要使用CNN进行特征的提取或者代替传统配准算法中相似性度量的计算函数。使用深度学习网络对输入的图像对进行特征提取与相似性测度，能够实现配准图像的生成与图像配准精度的判别。在实际检测中，大大降低了系统的计算时间，提高了图像配准以及标定的精度。（2）图像特征融合感知技术在图像处理过程中还应用到了图像特征融合感知技术。在对标定以及配准好的图像进行特征融合的过程中，项目团队通过Mindspore训练的AI神经运算专用芯片，运用多源数据融合感知技术与交通安全隐患的智能检测从而识别不同模型，实现多源数据的精确融合。最终，在这些技术的应用下，通过不同类型相机采集到的图像特征进行融合感知，在低光照等不同恶劣环境（3）辅助决策预警与风险评估技术在辅助决策以及预警层面应用HiSpark-WiFi-IoT套件为主的智能决策模块来进行实现。通过紧急避障系统中搭建的感知层、规划层、决策层实现安全隐患智能评定与决策预警的相关功能，为显示交互单元提供安全数据信息。在辅助决策预警与风险评估的功能中，终端显示给用户也是十分关键的。所以在显示与交互的单元中开发了搭载Harmony OS的显示终端、多频报警音响等显示报警装置，运行配套开发的鸿蒙APP，实时显示感知数据与决策预警判定结果，可以在低光照、雨雪雾霾等全天候全场景工况下辅助驾驶人员进行判断，提升驾驶安全性与可靠性。接着介绍了基于华为云的制造业咨询服务微调问答助手案例：构建了私有的工业中文知识库问答系统，旨在为用户提供自定义友好、离线可运行的全面解决方案。​我们的系统的亮点包括：多模态交互。支持文本输入、语音输入和文件上传等多种输入方式，实现了多模态交互。用户可以根据实际需求选择最方便的交互方式，提高了系统的灵活性和适用性。同时，多模态交互也考虑到了用户的个体差异，满足了不同用户的使用习惯和需求。多功能对话界面。对话界面不仅支持基本的文本对话，还提供了多会话管理、对话模式切换和语音输入等功能。用户可以方便地切换不同对话会话，选择不同对话模式，以及通过语音输入进行自然交互。这种多功能对话界面提升了用户体验，使得系统更易于使用和操作。权限管理与安全性。系统引入了权限管理功能，通过登录注册和权限认证，确保只有经过授权的用户才能访问和操作知识库。这一功能提高了系统的安全性，防止未经授权的访问和操作，保护敏感信息免受泄露和篡改。知识库管理。系统提供了完整的知识库管理功能，包括知识库创建、文件上传、向量数据库构建、文件检索等。用户可以方便地管理知识库中的信息，通过文件对话和知识库问答等方式进行信息检索，满足不同场景和需求。检索增强的大模型。系统整合了检索增强的大模型，包括文件对话、知识库问答、搜索引擎问答和自定义Agent问答等功能。通过这些功能，系统可以更全面、准确地回答用户的问题，提供更丰富的信息服务。同时，用户可以选择不同的检索方式，根据实际需求获取最合适的答案。基于华为云ModelArts、企业级华为云主机的详细解决方案如下所示：首先介绍使用智能问答助手连接企业知识库实时获取信息。在权限管理方面，智能问答助手上运行着基于用户认证机制，利用安全框架，对用户进行身份验证，确保只有授权用户才能访问知识库；使用加密协议上传用户信息到云端服务中；使用专用SDK与API能够方便地对用户权限进行控制与管理。在系统实现方面，我们使用了微服务架构通过streamlit-authenticator模块对用户进行身份验证；并将认证结果通过后端服务传输到前端界面进行展示；前端界面使用HTML、CSS和JavaScript技术，通过发送请求获得认证结果，使用WebSocket技术实时更新用户界面。其次，介绍整合多模态对话输入技术，实现了与用户的高效交互。它支持传统的文本输入方式，同时引入了先进的语音输入识别技术，能够准确捕捉并实时转换用户的语音指令为文字，以便进行后续处理。这一语音输入功能的实现，依托于Streamlit和Bokeh库，通过在用户界面上设置一个专门的按钮，用户点击后即可激活语音识别。系统内部，js_on_event事件监听器与webkitSpeechRecognition对象协同工作，确保语音识别的准确性和实时性。此外，Omniind还提供了多种对话模板供用户选择，以适应不同咨询场景的需求，从而提升企业咨询服务的质量和效率。最后说明问答助手在知识库构建方面，预先构建了一个事实对应的知识库，用于存储和组织信息。当用户提出问题时，系统会进行问题解析，然后通过知识检索在知识库中寻找相关信息，最终生成答案。在实现过程中，助手采用了知识库构建、问题解析、知识检索和答案生成等一系列步骤，避免推理跳跃问题，确保了回答的准确性和相关性。为了验证系统的有效性，进行了功能测试。测试中，基于自定义数据集创建了Digital Twin领域的知识库，并提出了一系列问题，观察系统是否能够正确检索知识库并给出相关答案。此外，系统还提供了一个用户界面，用户可以通过这个界面与知识库进行交互，提出问题并获取答案。这个界面设计直观，易于使用，使得用户能够方便地获取所需的信息。通过这种方式，Omniind智能问答助手不仅提高了信息检索的效率，也提升了用户获取知识的体验。本次项目展示是华为开发者布道师​首次对ICT实战技术案例及华为云企业级边云部署行业解决方案进行高校技术布道，希望后续能够带给大家更多具有行业价值和实践意义的布道案例 。欢迎大家加入华为开发者布道师的大家庭，成为优秀的华为云开发者！

进入活动链接：https://pangu.huaweicloud.com/gallery/asset-detail.html?id=c1cf0774-59ce-44fc-a4a8-8fcf026d2fec1、切换规格为64GB的限时免费规格2、点击执行3、然后执行：4、继续执行5、切换python版本，这个很重要！！！！，6、安装和启动运行7、最后生成了一个链接：Running on public URL: https://0dfb450b322dd89a40.gradio.live8、点击该URL，就可以开始使用了角色：man  活动： play basketball，选择风格类型使用效果1，这个是“线条艺术”这个是“油画”效果这个是“日本动画”风格该模型部署起来很方便，模型很强大，伙伴们可以多多探索，多少挖掘

跟着步骤走，也算是挺简单的，就是huggingface拉取model镜像会有网络问题，不清楚是不是只有我一人遇到。​

【任务背景】近年来，随着人工智能和传感器技术的快速进步，自动驾驶汽车技术也取得了长足发展。从最初的辅助驾驶系统到如今可实现完全自主驾驶的汽车，自动驾驶技术正在改变我们的出行方式。其中，交通信号识别技术作为自动驾驶系统的核心功能之一,能够准确感知和识别道路上的各类交通标志、信号灯等,为车辆提供精准的行驶决策依据,确保行车安全性和效率。基于视觉的交通信号标志检测与识别任务旨在开发出精准高效的识别算法，助力自动驾驶汽车技术的进步。任务包含步行、非机动车行驶、环岛行驶、机动车行驶等多种交通信号标志类别，开发者会利用到计算机视觉领域的目标检测、关键点检测、图像分类等基础技术，为提升识别效率，也可以拓展使用剪枝、量化、蒸馏等模型方面的优化技术。ModelArts云平台提供任务相关的数据处理、模型训练、应用部署等技术文档及学习课程材料，助力开发者学习相关技术，了解实践操作。【数据说明】本次任务需要识别以下16种类别的交通标识，类别编号与定义如下表：i1i2i3i4Walk步行Non_motorized vehicles非机动车行驶Round the island 环岛行驶Motor vehicle 机动车行驶i5i6i7i8Keep on the right side of the road靠右侧道路行驶Keep on the left side of the road 靠左侧道路行驶Drive straight and turn right at the grade separation 立体交叉直行和右转弯行驶Drive straight and turn left 立体交叉直行和左转弯行驶i9i10i11i12Honk 鸣喇叭Turn right 向右转弯Turn left and right 向左向右转弯Turn left 向左转弯i13i14i15il50One way, straight 直行Go straight and turn right 直行和向右转弯Go straight and turn left 直行和向左转弯Minimum Speed Limit 最低限速50【任务说明】本任务的测试集为200张图片，这些图片为中国多个城市街景的高分辨率图像，每张图片包含1种交通信号标识。数据集图片示例检测结果以图片为单位输出其中包括交通信号标识的类别、坐标与置信度，每张图片输出一个结果，格式为json字符串，字段说明如下： { "detection_classes": ["i1"], "detection_boxes": [[576, 423, 669, 967]], "detection_scores": [0.4796633720397949] }• detection_classes：指图片中目标的类别，参见上面的数据说明。• detection_boxes：指图片中目标位置的水平矩形框坐标，坐标表示为[ymin,xmin,ymax,xmax]。• detection_scores：指检测结果的置信度。【案例教学】【准备数据集】# 步骤1：从OBS迁移数据集 import moxing as mox mox.file.copy_parallel("obs://trafficbuckets/dataset/update_traffic_sign.zip", "/home/ma-user/work/dataset/update_traffic_sign.zip") # 形参：源文件->指定位置# 步骤2：解压数据集并更改名称为update_traffic_sign import os os.system('unzip /home/ma-user/work/download/update_traffic_sign.zip -d /home/ma-user/work/dataset') os.system('mv /home/ma-user/work/dataset/"update traffic sign" /home/ma-user/work/dataset/update_traffic_sign')# 生成train和val图片名文本文件 from glob import glob import random # hyper parameter train_pic_rate = 0.7 # you can change! # 该目录存储图片数据 patch_fn_list = glob('/home/ma-user/work/dataset/update_traffic_sign/images/*.jpg') # you can change! # 返回存储图片名的列表，不包含图片的后缀 patch_fn_list = [fn for fn in patch_fn_list] # 将图片打乱顺序 random.shuffle(patch_fn_list) # 按照7:3比例划分train和val train_num = int(train_pic_rate * len(patch_fn_list)) train_patch_list = patch_fn_list[:train_num] valid_patch_list = patch_fn_list[train_num:] # produce train/valid/trainval txt file split = ['train', 'val', 'trainval'] # produce train/valid/trainval txt file split = ['train2017', 'val2017', 'trainval2017'] for s in split: # 存储文本文件的地址 save_path = '/home/ma-user/work/dataset/update_traffic_sign/' + s + '.txt' # you can change! if s == 'train2017': with open(save_path, 'w') as f: for fn in train_patch_list: # 将训练图像的地址写入train.txt文件 f.write('%s\n' % fn) elif s == 'val2017': with open(save_path, 'w') as f: for fn in valid_patch_list: # 将验证图像的地址写入val.txt文件 f.write('%s\n' % fn) elif s == 'trainval2017': with open(save_path, 'w') as f: for fn in patch_fn_list: # 将所有图像名的编号写入trainval.txt文件 f.write('%s\n' % fn) print('Finish Producing %s txt file to %s' % (s, save_path))# 按照train.txt和val.txt将images分类 import shutil import os def my_move(trainlistdir,vallistdir,traindir,valdir): # 打开train.txt文件 fopen = open(trainlistdir, 'r') # 读取图片名称 file_names = fopen.readlines() for file_name in file_names: file_name=file_name.strip('\n') # 图片的路径 traindata = file_name # 把图片复制至traindir路径下 # 如果目标文件夹不存在，则创建它 if not os.path.exists(traindir): os.makedirs(traindir) shutil.move(traindata, traindir) # 同上 fopen = open(vallistdir, 'r') file_names = fopen.readlines() for file_name in file_names: file_name=file_name.strip('\n') valdata = file_name # 如果目标文件夹不存在，则创建它 if not os.path.exists(valdir): os.makedirs(valdir) shutil.move(valdata, valdir) # 存储训练图片名的txt文件地址 trainlistdir=r'/home/ma-user/work/dataset/update_traffic_sign/train2017.txt' # 存储验证图片名的txt文件地址 vallistdir=r'/home/ma-user/work/dataset/update_traffic_sign/val2017.txt' # coco格式数据集的train2017目录 traindir=r'/home/ma-user/work/dataset/update_traffic_sign/images/train2017' # coco格式数据集的val2017目录 valdir=r'/home/ma-user/work/dataset/update_traffic_sign/images/val2017' my_move(trainlistdir,vallistdir,traindir,valdir)# 按照train.txt和val.txt将labels分类 import shutil import os def my_move(datadir, trainlistdir,vallistdir,traindir,valdir): # 打开train.txt文件 fopen = open(trainlistdir, 'r') # 读取图片名称 file_names = fopen.readlines() for file_name in file_names: file_name=file_name.strip('\n') # 图片的路径 tmp_list = file_name.split('/') tmp_list[-2] = 'labels' train_sp = os.path.join('/', *tmp_list) traindata = train_sp.split('.jpg')[-2] + '.txt' # 把图片复制至traindir路径下 # 如果目标文件夹不存在，则创建它 if not os.path.exists(traindir): os.makedirs(traindir) shutil.move(traindata, traindir) # 同上 fopen = open(vallistdir, 'r') file_names = fopen.readlines() for file_name in file_names: file_name=file_name.strip('\n') tmp_list_v = file_name.split('/') tmp_list_v[-2] = 'labels' val_sp = os.path.join('/', *tmp_list_v) valdata = val_sp.split('.jpg')[-2] + '.txt' # 如果目标文件夹不存在，则创建它 if not os.path.exists(valdir): os.makedirs(valdir) shutil.move(valdata, valdir) # labels存储地址 datadir=r'/home/ma-user/work/dataset/update_traffic_sign/labels/' # 存储训练图片名的txt文件地址 trainlistdir=r'/home/ma-user/work/dataset/update_traffic_sign/train2017.txt' # 存储验证图片名的txt文件地址 vallistdir=r'/home/ma-user/work/dataset/update_traffic_sign/val2017.txt' # coco格式数据集的train2017目录 traindir=r'/home/ma-user/work/dataset/update_traffic_sign/labels/train2017' # coco格式数据集的val2017目录 valdir=r'/home/ma-user/work/dataset/update_traffic_sign/labels/val2017' my_move(datadir, trainlistdir,vallistdir,traindir,valdir)# 对images和labels重命名 import os def rename_img_label(images_folder, labels_folder): # 获取文件夹中的文件列表 images = sorted(os.listdir(images_folder)) labels = sorted(os.listdir(labels_folder)) # 重新命名文件 for i, (image_file, label_file) in enumerate(zip(images, labels)): # 生成新的文件名 new_name = f"{i + 1:03d}" # 格式化为三位数 image_ext = os.path.splitext(image_file)[1] # 获取图片扩展名 label_ext = os.path.splitext(label_file)[1] # 获取标签扩展名 # 构建新的完整路径 new_image_path = os.path.join(images_folder, f"{new_name}{image_ext}") new_label_path = os.path.join(labels_folder, f"{new_name}{label_ext}") # 重命名文件 os.rename(os.path.join(images_folder, image_file), new_image_path) os.rename(os.path.join(labels_folder, label_file), new_label_path) print("文件重命名完成。") # 设置train文件夹路径 train_images_folder = '/home/ma-user/work/dataset/update_traffic_sign/images/train2017' train_labels_folder = '/home/ma-user/work/dataset/update_traffic_sign/labels/train2017' # 设置val文件夹路径 val_images_folder = '/home/ma-user/work/dataset/update_traffic_sign/images/val2017' val_labels_folder = '/home/ma-user/work/dataset/update_traffic_sign/labels/val2017' rename_img_label(train_images_folder, train_labels_folder) rename_img_label(val_images_folder, val_labels_folder)import os # 设置文件夹路径 folder_train = '/home/ma-user/work/dataset/update_traffic_sign/images/train2017' folder_val = '/home/ma-user/work/dataset/update_traffic_sign/images/val2017' output_file_train = '/home/ma-user/work/dataset/update_traffic_sign/train2017.txt' # 输出的 TXT 文件名 output_file_val = '/home/ma-user/work/dataset/update_traffic_sign/val2017.txt' # 输出的 TXT 文件名 def writetxt(floder_path, outputfilename): # 获取文件夹中的文件列表 file_names = os.listdir(floder_path) file_names.sort() # 将文件名写入 TXT 文件 with open(outputfilename, 'w') as f: for file_name in file_names: f.write(os.path.join(floder_path, file_name) + '\n') print(f"文件名已写入 {outputfilename}。") writetxt(folder_train, output_file_train) writetxt(folder_val, output_file_val)# 生成json文件（可选） import glob import json import os from PIL import Image def yolo_to_coco_for_subset(yolo_images_folder, yolo_labels_folder, categories): # Initialize COCO dataset structure for the subset coco_format = { "images": [], "annotations": [], "categories": [] } # Add category information for i, category in enumerate(categories): coco_format["categories"].append({ "id": i + 1, "name": category, "supercategory": "none" }) image_id = 0 annotation_id = 0 # image_id = -1 # annotation_id = -1 for image_file in glob.glob(f"{yolo_images_folder}/*.jpg"): print(image_file) # Read image to get width and height with Image.open(image_file) as img: width, height = img.size # Add image information with size coco_format["images"].append({ "id": image_id + 1, "file_name": os.path.basename(image_file), "width": width, "height": height }) # Corresponding annotation file yolo_annotation_file = os.path.join(yolo_labels_folder, os.path.basename(image_file).replace(".jpg", ".txt")) if os.path.exists(yolo_annotation_file): with open(yolo_annotation_file, "r") as file: for line in file: category_id, x_center, y_center, bbox_width, bbox_height = map(float, line.split()) # Convert YOLO format to COCO format x_min = (x_center - bbox_width / 2) * width y_min = (y_center - bbox_height / 2) * height coco_bbox_width = bbox_width * width coco_bbox_height = bbox_height * height # change image_id img_id = int(image_file.split('/')[-1].split('.')[-2]) print(img_id) # Add annotation information coco_format["annotations"].append({ "id": annotation_id + 1, "image_id": img_id, # image_id + 1, "category_id": int(category_id) + 1, "bbox": [x_min, y_min, coco_bbox_width, coco_bbox_height], "area": coco_bbox_width * coco_bbox_height, "segmentation": [], # Optional "iscrowd": 0 }) annotation_id += 1 image_id += 1 return coco_format def save_coco_format(coco_format, output_file): with open(output_file, "w") as file: json.dump(coco_format, file, indent=4) # Example usage yolo_base_folder = "/home/ma-user/work/dataset/update_traffic_sign/" # 父级文件夹 file_path = '/home/ma-user/work/dataset/update_traffic_sign/classes.txt' # 替换为你的txt文件路径 train_json_save_path = '/home/ma-user/work/dataset/update_traffic_sign/annotations/instances_train2017.json' # train json保存路径 val_json_save_path = '/home/ma-user/work/dataset/update_traffic_sign/annotations/instances_val2017.json' # val json保存路径 # 判断文件夹是否存在，若不存在则创建 # 判断文件夹是否存在，若不存在则创建 list_name_train = train_json_save_path.split('/')[:-1] if not os.path.exists(os.path.join(*list_name_train)): os.mkdir(os.path.join('/', *list_name_train)) # 读取txt文件并将每一行转换为列表 categories = [] with open(file_path, 'r') as file: lines = file.readlines() # 读取文件的所有行 for line in lines: categories.append(line.strip()) # 输出结果 print(categories) # Convert train set train_coco_format = yolo_to_coco_for_subset( os.path.join(yolo_base_folder, "images/train2017"), os.path.join(yolo_base_folder, "labels/train2017"), categories ) save_coco_format(train_coco_format, train_json_save_path) # Convert val set val_coco_format = yolo_to_coco_for_subset( os.path.join(yolo_base_folder, "images/val2017"), os.path.join(yolo_base_folder, "labels/val2017"), categories ) save_coco_format(val_coco_format, val_json_save_path)# 查看数据集 import os import random import cv2 import numpy as np from matplotlib import pyplot as plt %matplotlib inline # classes = ["open", "short","mousebite","spur","copper",'pin-hole'] # 类别 classes = ['i1', 'i10', 'i11', 'i12', 'i13', 'i14', 'i15', 'i2', 'i3', 'i4', 'i5', 'i6', 'i7', 'i8', 'i9', 'i50'] file_path = "/home/ma-user/work/dataset/update_traffic_sign/images/train2017" file_list = os.listdir(file_path) img_paths = random.sample(file_list, 4) img_lists = [] for img_path in img_paths: img_path = os.path.join(file_path, img_path) img = cv2.imread(img_path) h, w, _ = img.shape tl = round(0.002 * (h + w) / 2) + 1 color = [random.randint(0, 255) for _ in range(3)] if img_path.endswith('.png'): with open(img_path.replace("images", "labels").replace(".png", ".txt")) as f: labels = f.readlines() if img_path.endswith('.jpg'): with open(img_path.replace("images", "labels").replace(".jpg", ".txt")) as f: labels = f.readlines() for label in labels: l, x, y, wc, hc = [float(x) for x in label.strip().split()] x1 = int((x - wc / 2) * w) y1 = int((y - hc / 2) * h) x2 = int((x + wc / 2) * w) y2 = int((y + hc / 2) * h) cv2.rectangle(img, (x1, y1), (x2, y2), color, thickness=tl, lineType=cv2.LINE_AA) cv2.putText(img,classes[int(l)],(x1,y1-2), cv2.FONT_HERSHEY_SIMPLEX, 1, (0,111,222), 3, cv2.LINE_AA) img_lists.append(cv2.resize(img, (1280, 720))) image = np.concatenate([np.concatenate(img_lists[:2], axis=1), np.concatenate(img_lists[2:], axis=1)], axis=0) plt.rcParams["figure.figsize"] = (20, 10) plt.imshow(image[:,:,::-1]) plt.axis('off') plt.show()【准备mindyolo模型】链接：mindyolo# 步骤1：从OBS迁移数据集 import moxing as mox mox.file.copy_parallel("obs://trafficbuckets/source_code/mindyolo.zip", "/home/ma-user/work/mindyolo.zip") # 形参：源文件->指定位置【修改配置文件】1.yolov8n.yaml以及其继承的coco.yaml，hyp.scratch.low.yaml，yolov8-base.yaml的配置信息coco.yamldata: dataset_name: update_traffic_sign # you can change! train_set: /home/ma-user/work/dataset/update_traffic_sign/train2017.txt # ./coco/train2017.txt # 118287 images # you can change! val_set: /home/ma-user/work/dataset/update_traffic_sign/val2017.txt # ./coco/val2017.txt # 5000 images # you can change! test_set: /home/ma-user/work/dataset/update_traffic_sign/test2017.txt # 20288 of 40670 images, submit to https://competitions.codalab.org/competitions/20794 # you can change! nc: 16 # class names names: ['i1', 'i10', 'i11', 'i12', 'i13', 'i14', 'i15', 'i2', 'i3', 'i4', 'i5', 'i6', 'i7', 'i8', 'i9', 'i50'] # you can change! train_transforms: [] test_transforms: []yolov8-base.yamlepochs: 500 # total train epochs # you can change! per_batch_size: 2 # 16 * 8 = 128 img_size: 2048 iou_thres: 0.7 conf_free: True sync_bn: True opencv_threads_num: 0 # opencv: disable threading optimizations network: model_name: yolov8 nc: 16 # number of classes # you can change! reg_max: 16 stride: [8, 16, 32] ...【执行训练】python train.py --config ./configs/yolov8/yolov8n.yaml --run_eval True

看到有 绘梦AI：StoryDiffusion漫画创作节的活动， 迫不及待的前来参加。整环境到模型，过程非常简单，傻瓜式操作，到了激动人心的模型测试部分。测点什么呢？有例子，先试一试：嗯，效果还不错，那我测测什么呢。。。作为一个球迷，昨晚刚好有欧冠，曼城又没赢，3球领先被逼平，瓜瓜鼻子都挠破了。。。测这个吧来， 角色文字描述：[Guardiola]A man wearing a black suit, bald原谅我，必须特点突出~~~接下来漫画描述：[Guardiola]  Manchester city football club coach [Guardiola] in an UEFA Champions League match [Guardiola] vs Feyenoord football club [NC]The scoreboard displays 3-0. [Guardiola]Leading 3:0  [NC]The scoreboard displays 3-3. [Guardiola]tie 3:3 [Guardiola]scratched his nose [Guardiola]cry结果如下： ①嗯，看着不太像教练。。。②咦，这张有点小帅。。。③额，这是上场了哈。。。④嗯？3：0去哪了呢。。。⑤嗯，淡定。。。⑥额？3：3跑哪去了，这记分牌记啥呢。。。⑦哈哈，保持风度。。。⑧受不了了。。。⑨哭吧哭吧不是罪。。。。整体体验感还不错，一些专业的领域，可能需要自己提供图片吧。耗时也不算长，挺有意思的。就这样~~

MaaS体验官来啦！👉🏻什么是Maas?Model-as-a-Service（ MaaS ） “模型即服务” 是云计算领域一种新的服务模式，是将机器学习模型部署到企业端提供给用户使用的服务。区别于售卖算力服务器为主的Iaas服务，MaaS服务为用户提供一站式的大模型（AI）开发和使用平台，通过MaaS，开发人员可以简单调用模型，无需了解复杂算法和实现细节。MaaS帮助企业实现高效智能的数据分析和决策，降低模型部署门槛。📣可体验内容：--千万Token免费使用--30+主流开源大模型支持--零代码、免配置的一站式模型开发托管服务💡体验流程：（11月26日-11月29日）1、群接龙报名：在微信群中报名，尚未报名的开发者，请添加【HCDE小助手】微信号​2、申请体验白名单：申请权限将于T+1日内完成审核，完成后即可开启体验申请链接：https://console.huaweicloud.com/modelarts/?region=cn-east-4&locale=zh-cn#/model-studio/homepage3、提交意见反馈,：提交意见反馈，请通过华为云云声平台反馈反馈标题模板：【HCDE体验官第三期】xxxxxxx（VOD标题）VOD提交链接：https://bbs.huaweicloud.com/suggestion3、参加线上座谈会（11月29日）参加华为云组织的线上座谈会，畅所欲言，与华为技术专家共同交流🎁 欢迎各位开发者踊跃报名，本次报名名额有限，资源申满即止欢迎大家提交各类意见反馈，反馈被采纳的，有机会获得神秘奖品~！相关链接：资源申请链接：https://console.huaweicloud.com/modelarts/?region=cn-east-4&locale=zh-cn#/model-studio/homepagetoken领取链接：https://console.huaweicloud.com/modelarts/?agencyld=ef402ec2claf4387b285c7b71619b846&region=cn-east-4&locale=zh-cn#/model-studio/deployment

引言开发者，是用代码改变世界的人，应用是开发者解决场景问题、创造显性价值的最直接载体。而华为开发者大赛正是为开发者提供放飞创新思维、打造创新应用、展示实用价值的舞台。2024华为开发者大赛中国赛区半决赛已然落幕，全球总决赛静待开启。让我们走近这些优秀的企业、高校开发者案例，共同见证每一朵创新的花朵绽放，迎接未来每一个发展的新阶段。AI改变生活开启家居美学新篇章 AI赋能千行百业，未来的家居设计会是什么样子？“通过AIGC 技术打通消费者购物车商品到空间呈现的链路，让每个人都能进行DIY家装设计。”这是生境科技联合创始人钟鸿毅的回答。生境科技聚焦于室内空间AI设计系统研发，目前已针对B端家装公司和C端客户分别推出“生境AI”设计平台和“闪境AI”家装商城，并与金牌橱柜、万华集团等达成了商业合作。在钟鸿毅看来，3D设计自动化是生境科技的核心竞争力：一方面利用图像大模型，在京东、淘宝等电商平台几十万的家具产品都可以通过上传一张图片生成3D模型；另一方面基于团队异形建筑经验，参数化技术可以自动生成不同布局的柜体家具，适配各种各样的户型。“作为初创公司，要考虑图像模型训练测试成本，也要考虑算法稳定性、产品能力，华为云给了我们很大支持。”在经过多方尝试后，生境科技选择了AI开发平台ModelArts等华为云产品作为项目底座，钟鸿毅表示。通过参加华为开发者大赛，生境科技更深入地了解华为的生态以及技术赋能，未来希望可以结合华为的能力走进千家万户，尤其是智慧家居领域进行联动智慧零售打造便捷高效购物体验随着技术进步和消费者需求变化，打通线上线下渠道提供一致且个性化的购物体验成为零售业的痛点。在2024华为开发者大赛上，武汉快特信息技术有限公司的智慧新零售数字化解决方案获得企业赛道湖北赛区一等奖。“我们从2015年开始研发推广智慧零售产品，主要瞄准销售额达到一定规模的零售企业，由于市场竞争、财务管理等因素，标准化产品难以满足客户需求。”项目负责人王世虎介绍道，企业偏向私有化部署和定制。“定制化服务和增值服务是我们的核心竞争力，既要理解计算机语言，还要学习财务知识，更要做到数据安全、问题修复的及时响应。”武汉快特在21年起将智慧新零售产品华为云平台深度绑定，并于今年入驻了华为云商店，已经收获了海外客户。王世虎介绍，产品技术体系基于Java，使用了华为云中间件、RDS数据库等技术，且已获鲲鹏平台认证。谈到未来，他期待华为能继续提供强大的技术能力支持，带来更多优惠和展示机会，双方战略合作伙伴关系越走越远。RPA +AI打造大模型驱动的领先数字员工大模型驱动的生成式AI技术爆发，为数字员工带来全新发展机遇。句子互动作为全球最大的对话式RPA开源框架的商业化公司，以独创的Agent八大生命周期为理论依据，通过「RPA - 运营服务一体化平台」和「AI-Agent工作流引擎」两款产品，助力企业数字化转型。“与消费者建立链接的效率和成本是很多企业的痛点，我们主要面向消费品牌、泛互联网、金融等领域客户。”祁国良介绍道，基于大模型、数据、SOP数字员工构建方案，句子互动打造能力领先的数字员工。句子互动80%左右的客户来自国内，基于技术能力和合作客户认可双重因素，数字底座最终选择了华为云。目前句子互动产品覆盖四亿用户、消息条数将近70亿条，业务增长驱动双方一直紧密合作。与华为专家一起探讨交流，让应用落地更流畅，这是句子互动参加开发者大赛的初衷。祁国良通过华为专家技术指导、开发者社区等平台支持，未来将资源利用到极致，提高效率降低成本，也增强客户体验。情系公益用AI智能设备让盲人“看见”青年的动人之处，在于他们的勇气和担当，展现非凡的创造探索精神。在本次华为开发者大赛，来自武汉工程大学计算机学院物联网专业的王丞辉和团队带来“智行无界——华为云生态下盲人出行一体化解决方案”，得到众多华为专家的肯定。“参加公益活动时发现无障碍环境普遍缺失，就萌生了用智能化设备来充当盲人眼睛的想法。”这是王丞辉的出发点，将设备所看到的信息通过计算机视觉技术转化成自然语言，让盲人对世界有更加清晰的认知。目前团队正在开发智能盲杖、智能导盲眼镜和导盲机械狗，前两者开发已经比较成熟并进行了测试。团队整套智能设备开发均基于华为云平台进行，这源于王丞辉学习经历。由于学校与华为合作密切，王丞辉在实习时对人工智能开发产生了浓厚的兴趣，在老师的支持下通过了华为HCIA-AI的认证。在王丞辉看来，华为生态协同性非常好，可以用更少的代码实现功能开发、算法部署更加方便，用更少的计算资源实现更多的效果，为团队开发提供非常大的帮助，用智能化设备来帮助盲人拥有更好的出行体验，项目前景也十分广阔。科技赋能让手语“翻译”文字更加顺畅科技改变世界，让生活更美好。在华为开发者大赛上，公益项目不断涌现，来自厦门大学的大三学生李天一和团队的“手与”项目正是另一个典型案例。在特殊教育学校的工作经历，让李天一发现听障人士的手语分为官方手语与本土手语，而手语常用语内容高达8000多种，并没有完全统一，听障人士要融入社会格外困难。“简单来说，我们是想训练模型，通过手机识别，将手语顺畅地翻译为文字，在未来期待能实现双向交流。”李天一总结道，并介绍项目当前还处在demo阶段，收集数据是重点，团队正联合高校伙伴收集地方手语数据，并基于昇腾框架、华为云AI开发平台ModelArts开展数据集处理、模型训练、模型部署等一系列开发流程。李天一称，参加华为开发者大赛能够与众多团队进行交流学习，这激发了创新思维，实现了“以赛促学”，可推动团队和个人快速成长。提及未来，李天一表示无论是对于学生还是企业而言，华为云开发者社区组织都提供了大量资源，构建了交流经验的平台，对开发者的成长具有重要意义。他期待华为能够发展更多的开发者伙伴，将生态建设得更加完善。写在最后每一位开发者都了不起，每一个开发者的故事都值得被聆听，他们的每一个代码、每一个想法，都可能成为改变未来的关键。华为将持续践行‘一切皆服务’的理念，致力于构建一个更加开放，更加协同创新的环境，提供更加高效、便捷的工具和资源，与开发者共同前行。

1. AI开发平台ModelArts新功能有几个月没时间写，这里汇总7到10月份ModelArts发布的新功能。7月：Notebook内置的算法开发套件下线。具体有哪些算法开发套件不清楚。昇腾云ModelArts6.3.906版本发布商用，包括以下功能：支持Llama系列、Qwen系列、Yi系列、chatglm系列、baichuan系列等主流开源大模型适配PyTorch NPU的训练和推理。支持LLaVA和Qwen-VL模型基于DevServer的PyTorch NPU的训练和推理。支持SDXL&SD1.5的ComfyUI和WebUI框架基于Cluster的PyTorch NPU推理。支持数字人场景的Wav2Lip模型基于DevServer的PyTorch NPU推理。8月：上线ModelArts Studio大模型即服务平台（简称为MaaS）、提供了开箱即用的模型开发工具链，支持大模型定制开发，构建云上大模型一站式模型开发托管服务。10月：文档升级。按照产品形态区分用户指南，原有的ModelArts控制台对应操作手册合入ModelArts Standard用户指南。新增ModelArts Studio、ModelArts Lite Server、ModelArts Lite Cluster、ModelArts AI Gallery用户指南。2. 人工智能相关直播合集大模型时代下的AI开发 cid:link_0介绍AI的演进历程和未来发展趋势，分析大模型背后的原理和关键技术，介绍华为云为开发者提供的全栈AI能力及AI赋能认证体系。

华为云开发者日·南京站来啦！参加“一键玩转丑萌黏土风滤镜”体验项目提出你的建议或使用体验有机会获得开发者盲盒礼包惊喜不容错过，快叫上小伙伴一起来参加吧~【体验项目】一键玩转丑萌黏土风滤镜【活动时间】2024年10月25日-10月31日【参与方式】直接在此活动帖下方回帖提建议/提建议即可比如对产品功能的改进建议、对活动流程的感想、对现场活动的感悟等等PS：不要少于30字哦~【获奖规则】奖项设置有效回复楼层评选条件获奖名额激励礼品优质建议奖20对产品功能有改进价值的建议1名开发者盲盒礼品价值50-100元积极反馈奖20优质建议奖轮空的情况下进行抽取每满20层抽取1名开发者盲盒礼品价值50元【活动规则】1、本帖的回帖建议不少于30字，仅限于对“一键玩转丑萌黏土风滤镜”体验项目，其他项目建议不参与此次活动，否则将视为无效内容。2、本次活动将根据实际参与情况发放奖励，包括但不限于用户百分之百中奖或奖项轮空的情况；以上奖品均为实物奖品，具体发放视出库情况而定；3、活动预计于结束后七天内完成奖项公示，并于结束后15个工作日内完成邮寄。【温馨提示】1、请务必使用个人实名账号参与活动（IAM、企业账号等账号参与无效）。如一个实名认证对应多个账号，只有一个账号可领取奖励，若同一账号填写多个不同收件人或不同账号填写同一收件人，均不予发放奖励。2、所有获得奖品的获奖用户，请于获奖后3日内完成实名认证，否则视为放弃奖励。

中奖结果公示感谢各位小伙伴参与本次活动，欢迎关注华为云DTSE Tech Talk 技术直播更多活动~本次活动获奖名单如下（部分视频号抽奖用户无账号名）：账号名 奖项名称 奖品名称 备注nukinsan优质提问华为云开发者定制长袖圆领卫衣hw81541353优质提问华为云开发者定制长袖圆领卫衣hw81541353持久观看有奖华为云开发者定制双肩包一个ID仅限获奖一次，发高价值奖品hw063334376口令抽奖华为云开发者定制鼠标垫qingqingjiayuan6口令抽奖华为云开发者定制鼠标垫口令抽奖华为云开发者定制鼠标垫视频号抽奖华为云开发者定制鼠标垫视频号抽奖华为云开发者定制鼠标垫视频号抽奖华为云开发者定制鼠标垫视频号抽奖华为云开发者定制鼠标垫

想知道如何快速部署大模型并进行AI应用敏捷开发吗？华为云ModelArts+开源Dify平台了解一下？本期直播将聚焦华为云ModelArts模型开发平台，并通过Dify平台实现模型调用和AI应用开发。用户无需懂代码，分钟级即可完成模型在线训练、微调、推理、部署上线，并可以通过Dify开源平台实现场景应用快速搭建、测试与落地应用。AI开发效率提升2-3倍，加速推动企业数智化建设，辅助经营发展。直播链接：cid:link_0Q：Dify可以混合着用吗，比如文本生成和图片生成？A:目前DIFY暂时不支持图片生成类模型，不过后续应该会更新加入相应的功能。Q：在使用华为云ModelArts+Dify AI进行开发时，是否会遇到兼容性问题？比如与其他软件或硬件的兼容性A:目前华为自己测试还没有碰到过兼容性问题，因为本质上就是DIFY通过API接口调用华为云ModelArts上部署的模型，两者相对独立Q：如何将训练好的模型部署成API服务？如何利用ModelArts的自动模型部署功能简化流程？A:AI应用部署成在线服务后，用户可以获取API接口用于访问推理。ModelArts支持将模型部署为在线服务、批量服务和边缘服务。在线服务提供API接口供用户调用推理，而批量服务则可以对批量数据进行推理。ModelArts使用容器化部署，容器运行时有空间大小限制，最大支持50G。ModelArts提供多版本支持和灵活的流量策略，可以通过灰度发布实现模型版本的平滑过渡升级。在修改服务部署新版本模型或切换模型版本时，原服务预测API不会变化。 对于昇腾云已经适配并上架AI Gallery的模型，可以直接在模型页面点击推理部署完成一键自动部署。Q：如何根据实际需求选择最优的成本效益方案？在ModelArts上是否有节省成本的方法，如使用预留实例或按需付费？A:在华为云ModelArts平台上，确实存在多种节省成本的方法。按需付费（Pay-as-you-go）模式允许用户根据实际使用的计算资源和时间支付费用，非常适合短期或临时项目，避免了不必要的长期投入。若工作负载稳定且持续时间较长，购买预留实例（Reserved Instances, RIs）能够享受较低的小时费率，这特别适用于长期运行的任务，可大幅降低成本。此外，通过自动伸缩策略，根据实际负载动态调整计算资源，避免了资源浪费。当负载上升时自动增加实例数量，负载下降时则自动减少实例数量。同时，优化资源配置，根据实际需求选择合适规格的计算资源，避免过度配置，例如选择符合当前任务需求的CPU、内存和存储配置。对于非实时访问的数据，可以使用低成本的存储服务，如对象存储服务OBS，而非昂贵的高速存储。另外，关注华为云提供的折扣和促销活动，有时可以获得额外的成本节约。通过这些方法，可以根据实际需求灵活选择最合适的计费模式和优化策略，从而实现最优的成本效益方案。Q：华为云ModelArts MaaS大模型即服务平台有哪些功能？A:ModelArts Studio大模型即服务平台（简称MaaS服务）是华为云计算技术有限公司提供的一项服务，旨在帮助用户通过简单易用的工具链进行大模型的定制开发，实现模型与业务系统的无缝衔接，降低企业AI落地的成本和难度。MaaS服务的主要功能包括：模型创建、模型调优、模型压缩、模型部署、服务调用等。MaaS集成了业界主流开源大模型，如Llama、Baichuan、Yi、Qwen等，基于异腾AI云服务进行全面适配和优化，提供零代码、免配置、免调优的模型开发能力。同时，MaaS提供灵活的模型开发能力，按需收费，按需扩缩，支持故障快速恢复和断点续训，降低进入AI领域的门槛。MaaS强调高可用性，多数据中心部署确保数据与任务备份，即使遭遇故障也能无缝切换至备用系统。Q：Dify平台的自部署版本相比原版本有哪些优势？A:Dify是Github上的开源项目，用户可免费使用，灵活部署，目前我们已经测试过本地部署、云上部署、远程服务器部署，均可以顺利使用Dify平台。Q：怎么做好Dify的数据隔离，确保企业内部数据不会离开本地环境？A:由于数据在知识库构建、大模型调用过程中有暴露风险，因此对于企业内部数据的保护目的，建议进行私有云/本地化大模型部署，并将DIFY部署在本地，不过这也需要使用者自建算力资源并保证硬件系统可以支撑起大模型的运行调用。Q：如何设置监控系统来跟踪模型性能和资源利用率？当模型出现异常表现时，如何快速定位并解决问题？A:ModelArts自带模型管理与监控模块，可通过该模块跟踪模型性能/工作状态/资源消耗，当模型出现异常时，也可通过该系统查看故障原因并定位故障位置，也可通过提交工单唤起在线技术人员辅助问题处理。Q：Dify的安全性和隐私保护做得怎么样？ Dify平台是否有社区支持或开发者论坛？A:Dify的安全性和隐私性保护内容请参考帮助文档说明，总的来说是可以满足一般的安全性及隐私保护需求的。平台有完整的社区支持，以论坛的形式内置于Dify平台内部。同时，Dify平台使用者可以选择将自己创建的应用分享在社区，为构建更好的AI应用生态做出贡献。Q：在实际应用中，有哪些成功案例展示了华为云ModelArts+Dify AI的效能？A:目前已经有部分企业采用了ModelArts+Dify的方式进行应用开发部署，但鉴于保密原因且目前该方案还处于推广初期阶段，因此成功案例还有待进一步的总结并脱敏后才会对外公开。Q：ModelArts是否提供预训练模型供用户选择？提供了哪些工具来评估模型性能？A:ModelArts目前支持盘古大模型与主流开源第三方大模型的预训练版本，模型的性能评估主要通过自带的微调大师等工具进行进一步的测试和评估。Q：如何利用华为云 ModelArts +Dify AI 进行自动化测试，以确保 AI 应用的质量？A:可以通过构建相应的自动化测试流程完成AI应用的质量评价，Dify可以通过工具调用代码编译与执行功能，构筑自动化的测试流程。Q：ModelArts是否支持模型的版本控制？A:支持按名称、版本、状态等条件查询模型、支持查看模型详细信息和选择合适的模型模板。Q：ModelArts的模型部署支持哪些环境？A:ModelArts是华为云提供的一站式AI开发平台，支持从数据处理到模型部署的全流程管理。它支持多种AI开发框架，如TensorFlow、PyTorch和MindSpore，并提供多种产品形态以满足不同需求，包括ModelArts Standard和ModelArts Studio。ModelArts还支持将模型一键部署到云、边、端设备，简化了复杂的部署过程。Q：ModelArts是否提供模型性能监控工具？A:ModelArts支持通过检索参数查询模型列表，最大支持获取150个模型对象。检索参数包括模型名称、版本、状态等。 支持一键部署到云、边、端设备。提供在线推理服务，支持高并发、低延时、弹性伸缩。支持多模型灰度发布和A/B测试。Q：列举一些 ModelArts 可以应用的具体行业场景？A:ModelArts是华为云提供的一站式AI开发平台，支持多种AI应用场景，包括图像分类、物体检测、视频分析、语音识别等。它集成了数据预处理、模型训练、部署等功能，支持TensorFlow、PyTorch等主流框架，并提供端到端的AI开发工具链。具体行业包括但不限于：装备制造、教育培训、商业咨询、医疗医药、政务法务、城市管理等。Q：ModelArts是否支持分布式训练？A:ModelArts支持单机多卡和多机多卡的分布式训练，能够有效加速训练过程。Q：ModelArts支持哪些类型的数据输入？A:文本：主流文本格式（docx，PDF, TXT等）；视频：MP4；图像：主流图像格式（jpg，png等）。Q：ModelArts是否提供预训练模型供用户使用？A:ModelArts目前支持盘古大模型与主流开源第三方大模型。Q：在ModelArts上训练模型的费用是如何计算的？A:训练费用主要取决于模型训练时拉起的硬件资源的规格，目前采用按需（公共资源池 only）、包月、包年的方式进行计费。Q：ModelArts平台的计算资源是如何配置的？A:ModelArts采用两种计算资源配置方式，一种是客户根据自己的评估选择硬件配置，另一种是对于自动学习/工作流/实践案例，一般会内置硬件配置要求，在拉起资源之前会和使用者进行确认。Q：已经在使用中的AI应用，如何迁移到ModelArts+Dify平台上？A:将已有应用的大模型重新配置到Dify模型管理库中，同时将应用本身迁移到Dify平台即可。Q：ModelArts是否支持自定义算法的开发？A:支持。一般算法开发是针对您在本地或使用其他工具开发的算法，支持上传至ModelArts中统一管理。详细流程参见：https://support.huaweicloud.com/develop-modelarts/develop-modelarts-0009.html，您如果对ModelArts环境不熟悉，可以先通过ModelArts的Jupiter Notebook环境进行调试，该环境也可以通过SSH、VSCode连接，调试通过后再迁移到ModelArts的算法中。Q：ModelArts支持哪些机器学习框架？A:ModelArts支持多种AI开发框架，如TensorFlow、PyTorch和MindSpore，并提供多种产品形态以满足不同用户需求。Q：Dify平台上的应用是否可以直接发布到市场？有没有自动化测试工具来验证AI应用的质量？A:Dify平台支持应用API或网站嵌入式发布，可以直接发布到市场，目前暂时没有自动化测试工具，需要用户自建AI应用质量评估方案或在社区内寻找解决方案。Q：请问华为云 ModelArts与开源 Dify平台的深度融合为企业数智化建设带来了哪些不可替代的价值？具体体现在哪些关键业务场景中呢？A:ModelArts+Dify可以从几个方面为企业数智化建设带来不可替代的价值。首先，ModelArts服务部署大模型为企业省去了构建大型算力中心所带来的大量资金与人员的投入，使企业可以实现轻量化管理，同时免去复杂繁琐的硬件维护/迭代更新问题。Dify平台是开源平台，因此可以大大降低AI应用开发初期的试错成本。同时，DIFY拥有庞大且活跃的开源社区，为企业带来了潜在的解决方案资源，加速AI应用的开发与成熟。Q：华为云 ModelArts 中的自动机器学习（AutoML）功能在与 Dify AI 结合时，是如何优化 AI 应用开发流程的？A:华为云 ModelArts 中的自动机器学习（AutoML）功能在与 Dify AI 结合可以大幅加快AI应用的开发流程，并通过一系列低代码操作环境，降低AI应用开发所需要的学习门槛与技术壁垒。Q：华为云ModelArts codelab是如何与AI模型相结合的？A:ModelArts的Codelab是AI模型开发平台，开发者可以利用这个平台构建、训练、微调、部署AI大模型，端到端的完成AI大模型的开发。Q：华为云ModelArts 训练管理包括哪些内容？A:ModelArts训练管理包括数据存储、模型部署、监控和审计、身份认证、训练和调优等。Q：华为云ModelArts Workflow有什么作用？A:Workflow是开发者基于实际业务场景开发用于部署模型或应用的流水线工具，核心是将完整的机器学习任务拆分为多步骤工作流，每个步骤都是一个可管理的组件，可以单独开发、优化、配置和自动化。Workflow有助于标准化机器学习模型生成流程，使团队能够大规模执行AI任务，并提高模型生成的效率。Q：使用Dify平台需要具备哪些技能或知识？ModelArts+Dify方案是否适用于初创公司？A:Dify平台的使用进需要对应用搭建有基本的了解，知道大模型的工作原理与应用场景。ModelArts+Dify方案非常适用于初创公司。Q：华为云ModelArts中AI Gallery有什么功能及作用？A:AI Gallery算法、镜像、模型、Workflow等AI数字资产的共享，为高校科研机构、AI应用开发商、解决方案集成商、企业级/个人开发者等群体，提供安全、开放的共享及交易环节，加速AI资产的开发与落地，保障AI开发生态链上各参与方高效地实现各自的商业价值。Q：为什么说 AI 开发效率能通过华为云 ModelArts 和 Dify 平台提升 2 - 3 倍？有哪些具体的体现？A:AI开发效率能通过华为云ModelArts和Dify平台提升2-3倍的原因在于它们提供了多种自动化和优化工具，减少了繁琐的手动操作，加速了从数据处理到模型部署的整个流程。具体体现包括：自动化数据处理：ModelArts提供了自动化的数据清洗、标注和预处理工具，减少了数据准备的时间和精力；同时支持多种数据源的集成，简化了数据获取和整合的过程；自动化模型训练：ModelArts的自动学习功能可以自动选择合适的模型、调优超参数并生成代码，降低了模型训练的复杂度；并且支持大规模分布式训练，加速模型训练过程，尤其适合大数据集和复杂模型；高效的模型管理：ModelArts提供模型仓库，方便管理和版本控制，简化了模型的迭代和维护；内置的模型评估工具和优化功能，帮助快速评估模型性能并进行针对性优化；灵活的模型部署：支持在线服务、批量服务、边缘部署等多种部署方式，满足不同应用场景的需求；通过CI/CD流水线实现自动化部署，减少了人工干预，加快了部署速度；资源优化：根据实际使用量支付费用，避免资源浪费；长期稳定的任务可以选择预留实例，获得更低的费率；根据实际负载动态调整计算资源，提高资源利用率；协作和社区支持：支持团队协作，便于多人协同开发和测试；丰富的社区资源和详细的文档支持，加速学习和开发进程。Q：华为云ModelArts资源池中公共资源池与专属资源池有什么区别？A:ModelArts的公共资源池为多用户共享，随取随用，不用即释放；专属资源池则属于某个特定账号，在使用周期内不会释放。Q：能接入自己服务器上的Stable Diffusion吗？A:只要您可以提供标准的API接口，就可以接入本地大模型。Q：华为云ModelArts开发工具Notebook主要功能是什么？A:华为云ModelArts开发工具Notebook的主要功能包括：即开即用的环境: 提供预先安装好的不同AI引擎，免去了复杂的环境配置步骤；多种规格选项: 提供多种配置规格，让用户能够根据实际需求灵活选择计算资源；独占容器环境: 为用户提供独立的容器环境，确保在开发过程中不会受到其他用户的干扰；本地IDE连接支持: 支持用户通过本地集成开发环境（IDE）连接到Notebook环境中，实现无缝的代码编写、运行和调试体验。Q：华为云ModelArts是如何保证平台安全性和隐私的？A:华为云ModelArts为了确保平台的安全性和用户的隐私，采取了一系列综合措施，具体如下：数据加密：对存储和传输中的数据进行全面加密，确保数据的安全性和保密性；访问控制：采用严格的权限管理机制，确保只有经过授权的用户能够访问敏感信息；隔离机制：利用虚拟化技术实现多租户环境下的数据和应用隔离，避免数据泄露和未经授权的访问；安全审计：执行全面的安全审计和日志记录，跟踪用户操作行为，有助于识别和响应潜在的安全威胁；隐私保护：遵守相关法律法规，严格保护用户个人信息，确保数据处理过程中的隐私安全；安全培训：定期对内部员工进行安全意识和技术培训，提高整体的安全防护水平；第三方认证：获取多个国际和国内的安全认证，确保平台符合高标准的安全规范和要求。Q：不需要提示工程的情况下，怎样保证输出的质量？A:在不需要提示工程的情况下，保证AI模型输出质量的关键在于多个方面的综合考虑和优化。首先，在数据准备阶段，需确保数据质量高且具有多样性，通过数据清洗、标准化和归一化等预处理步骤提升数据的可用性和代表性。其次，选择合适的模型结构是至关重要的，需要根据具体任务选择最适合的模型类型，并通过增加模型深度和宽度来提升模型的表达能力，同时采用正则化技术（如L1、L2正则化）来防止过拟合；在训练过程中，合理选择激活函数（如ReLU及其变体）和优化算法（如Adam、SGD等），并通过学习率调整、早停策略和交叉验证等方法优化超参数，确保模型能够高效且稳定地收敛。再次，利用验证集和测试集对模型进行评估，通过准确率、召回率、F1分数等评估指标来衡量模型性能，并进行必要的迭代优化。最后，模型部署后需定期监控其表现，以便及时发现并解决可能出现的问题。在整个过程中，还需要关注模型的偏差和公平性，确保模型决策的公正性；同时保障模型的安全性和隐私性，防止数据泄露和恶意攻击。Q：华为云ModelArts是如何保证平台稳定性和可靠性的？A:华为云ModelArts通过多种措施确保平台的稳定性和可靠性。首先，它采用了高可用架构设计，具备强大的容错能力和分布式特性，确保即使某些组件出现故障，服务仍能连续运行。其次，支持自动扩展功能，能够根据实际负载情况动态调整计算资源，以确保在高峰期依然能保持高性能和稳定性。此外，ModelArts还提供数据备份和灾难恢复机制，定期备份关键数据和配置信息，以便在发生意外时能够迅速恢复服务。实时监控系统状态也是其重要特点之一，涵盖硬件、网络、应用等多个层面，一旦发现异常即刻触发告警，实现及时的干预处理。为了进一步增强稳定性，ModelArts建立了跨地域的数据中心和冗余备份机制，确保单一数据中心故障时，业务能够无缝切换至备用数据中心继续运行。同时，通过性能优化措施如负载均衡和缓存机制，减少延迟，提升响应速度，确保用户体验的一致性和流畅性。最后，多层次的安全防护体系，包括防火墙和入侵检测系统，有效抵御外部攻击，保护系统的稳定运行。综上所述，这些措施共同构成了华为云ModelArts稳定可靠的服务基础。Q：华为云ModelArts在模型部署中支持哪些部署方式和场景？A:华为云ModelArts支持多种模型部署方式和场景，以满足不同用户的需求。其主要的部署方式和场景包括在线推理服务，如Web服务部署和微服务部署，分别用于通过HTTP请求进行实时预测和集成到现有微服务架构中；批量推理服务，适用于大量数据的离线预测场景；边缘设备部署，将模型部署到边缘设备上，实现实时响应和低延迟处理；容器化部署，利用Docker容器便于管理和迁移；模型转换和优化，支持模型格式转换和提供模型压缩与优化手段，减小模型体积和提高推理效率；自动化部署，通过CI/CD流水线实现自动化模型部署流程；多云和混合云部署，支持在多个云平台上的模型部署和结合公有云与私有云的优势。这些多样化的方式和场景使得华为云ModelArts能够满足从实时在线服务到离线批量处理，再到边缘计算等多种应用场景的需求。Q：华为云ModelArts在语音识别场景中，是否能实现方言识别？A:华为云ModelArts在语音识别场景中确实支持方言识别。ModelArts提供了强大的语音识别功能，能够处理多种语言和方言。通过使用预训练模型或基于特定方言数据集自定义训练模型，ModelArts可以实现高质量的方言识别，以适应不同的语言环境，满足多样化的语音识别需求。若需了解特定方言的支持情况，建议查阅最新文档或联系技术支持获取详细信息和指导。Q：华为云ModelArts支持哪些底层服务？A:华为云ModelArts支持多种底层服务，涵盖数据处理、模型训练、模型部署和管理以及安全与合规等多个方面。具体而言，数据处理服务包括数据集成、数据标注和数据预处理等功能，确保数据的质量和可用性；模型训练服务提供自动学习、手动训练和分布式训练选项，支持多种算法库和框架；模型管理服务包含模型仓库、模型评估和模型转换，实现模型的全面管理和优化；模型部署服务则提供了在线服务、批量服务、边缘部署和容器化部署，满足不同的应用场景需求；安全与合规服务则通过数据加密、访问控制和安全审计来保障数据的安全性和操作的可追溯性。这些底层服务共同构成了华为云ModelArts的强大功能，为用户提供了一站式的AI开发和部署平台。Q：ModelArts 的模型评估功能是怎样的？A:华为云ModelArts的模型评估功能旨在帮助用户全面评估机器学习模型的性能和效果。该功能提供自动评估，能够对训练完成的模型生成详细的评估报告，报告内容涵盖准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1分数（F1 Score）等常见指标，对于分类任务还包括混淆矩阵（Confusion Matrix）。此外，ModelArts提供丰富的可视化工具，如曲线图展示不同阈值下的ROC曲线和PR曲线，帮助用户直观理解模型表现及选择最优阈值。用户还可根据具体需求自定义评估指标，以更精准衡量模型性能。同时，支持多个模型间的性能对比，直接比较不同模型在同一数据集上的表现，以及不同版本模型的迭代效果，从而快速找到最佳模型。在模型部署后，ModelArts还提供持续监控功能，确保模型在生产环境中的性能稳定，通过实时数据反馈及时发现并解决模型性能下降等问题。Q：相比其他类似平台，华为云 ModelArts 和 Dify 平台在加速企业数智化建设方面的独特之处是什么，比如刚刚演示的并发模式吗？A:相比其他类似平台，华为云 ModelArts 和 Dify 平台在加速企业数智化建设方面具有独特之处，主要体现在以下几个方面：首先，华为云 ModelArts 提供了一站式AI开发平台，涵盖从数据预处理、模型训练到模型部署的全流程，减少不同工具和服务之间的切换成本，提高开发效率。其次，它具备高性能计算资源，如GPU和TPU，能快速处理大规模数据和复杂模型训练任务，加速模型开发和部署周期。ModelArts 内置多种自动化工具，例如自动学习功能，可以自动选择合适的模型、调优超参数及生成代码，降低AI开发的技术门槛。此外，ModelArts 支持图像、文本、语音等多种数据类型的处理，特别在其多模态搜索增强功能上，帮助企业更好地理解和利用复杂的数据形态。并发模式也是其一大特色，ModelArts 支持高效的并发处理模式，可在多个节点上并行处理任务，不仅加快模型训练速度，还提高了资源利用率，特别适用于大规模数据处理和高并发请求的场景。另外，ModelArts 可以根据企业具体需求提供定制化的解决方案，包括企业专属方案、LLM驱动的语义搜索等，帮助企业快速构建符合自身业务需求的AI应用。在安全与合规方面，ModelArts 注重数据安全和隐私保护，提供全面的数据加密、访问控制和安全审计机制，确保企业在使用AI技术时能够满足各种安全和合规要求。同时，Dify 提供自部署的应用构建开源解决方案，支持Agent编排和自定义工作流，使企业能够灵活地构建和部署自己的应用，增强了系统的可定制性和灵活性，并且可以大幅降低AI应用开发成本，并通过共享社区寻找现成的解决方案。Q：在 AI 应用运行过程中，华为云 ModelArts +Dify AI 如何实现有效的监控和运维？A:在AI应用运行过程中，华为云ModelArts和Dify AI通过一系列监控和运维机制确保应用的稳定性和高效性。实时监控与报警功能使ModelArts能够跟踪模型性能、资源使用情况和健康状况，一旦检测到异常或性能下降，会自动触发报警通知；Dify AI则支持实时监控应用运行状态，通过设置阈值和规则，在系统性能低于预期时自动发送警报。在日志管理方面，ModelArts提供全面的日志记录功能，包括训练日志、推理日志和系统日志，帮助诊断问题和追踪历史操作，而Dify AI也支持详细的日志记录，便于排查错误和分析应用行为。性能优化上，ModelArts内置性能优化工具，能够自动调整模型参数，提高推理效率，并提供模型压缩和优化功能，Dify AI则支持自定义工作流和Agent编排，以优化应用性能。此外，两者都支持自动扩缩容功能，根据实时负载动态调整计算资源，确保在高并发情况下应用仍能稳定运行。ModelArts和Dify AI还提供持续集成与持续部署（CI/CD）支持，自动化部署流程和自定义工作流简化了应用的部署和维护过程。在安全与合规方面，ModelArts提供数据加密、访问控制和安全审计等全面的安全措施，确保应用符合行业标准和法规要求，Dify AI同样注重数据安全和隐私保护，支持自定义安全策略，保障应用在安全环境下运行。Q：华为云ModelArts自动学习功能是如何工作的？A:华为云ModelArts的自动学习功能工作流程如下：首先，用户可以通过拖拽文件或API接口将数据导入到ModelArts平台，并利用平台提供的数据清洗和预处理工具（如缺失值填充、异常值处理、数据标准化）来保证数据质量。接着，自动学习功能会自动识别数据中的特征，并进行特征选择和转换，包括特征提取、特征编码和降维，以提升模型性能。然后，平台会根据数据集的特点自动选择合适的机器学习或深度学习模型，并进行超参数调优，以确定最佳的模型配置，同时支持分布式训练，加快模型训练速度。训练完成之后，系统会生成详细的模型评估报告，包含准确率、精确率、召回率、F1分数等指标，并提供可视化工具，如ROC曲线和PR曲线，帮助用户直观理解模型性能。此外，还支持模型压缩和优化，以减少模型体积并提高推理效率。最后，自动学习功能支持多种部署方式，包括在线服务、批量服务、边缘部署和容器化部署，满足不同应用场景的需求，并通过CI/CD流水线实现自动化部署，简化部署流程，提高部署效率。部署后的模型还可以通过实时监控功能持续跟踪性能，确保其在生产环境中的稳定性和可靠性，并支持模型的持续迭代和更新，以适应不断变化的数据和业务需求。Q：ModelArts的推理服务是否可以自动扩展？AI应用支持哪些编程语言开发？A:华为云ModelArts的推理服务支持自动扩展功能，主要通过自动伸缩（Auto Scaling）和弹性计算资源管理来实现。自动伸缩功能允许系统根据实际负载情况自动调整推理服务的计算资源，增加或减少实例数量以适应请求量的变化，确保服务的稳定性和成本效益。此外，弹性计算资源管理使得ModelArts能够在不同负载条件下动态分配计算资源，保证高并发请求下的高性能和稳定性。就AI应用支持的编程语言而言，ModelArts提供广泛的语言支持，包括Python（主流的AI开发语言，拥有TensorFlow、PyTorch、Keras等丰富库）、Java（适合企业级应用开发）、C++（适用于对性能有极高要求的应用）、Go（构建高性能后端服务的理想选择）、JavaScript（通过Node.js环境支持前后端开发，适合Web应用）以及R（适合统计分析和数据科学应用）。Q：如何在华为云ModelArts中实现模型版本管理？A:在华为云ModelArts中实现模型版本管理主要通过以下几个步骤和功能来完成：首先，用户可以将训练好的模型文件上传至ModelArts平台，支持多种格式如TensorFlow、PyTorch等。ModelArts提供了一个模型仓库用于存储和管理不同版本的模型文件。每次上传新模型时，可以为其添加版本标签或版本号以便区分不同的模型版本，同时ModelArts会记录每个版本的详细信息，包括上传时间、训练数据集、超参数配置等，便于后续的追溯和管理。其次，上传模型后，可以使用ModelArts内置的评估工具对模型进行性能评估，生成详细的评估报告，并通过比较不同版本的模型评估结果，直观地看到各版本之间的性能差异，从而选择最优版本进行部署。在ModelArts平台上，用户可以在模型管理页面查看所有模型版本，并执行版本切换、下载、删除等操作，也可以通过版本比较功能来对比不同版本的性能指标。此外，当需要进行模型部署时，可以从多个版本中选择一个特定版本进行部署，以确保上线的是经过验证的最佳版本。如果新版本出现任何问题，还可以快速回滚到之前的稳定版本，保证服务的连续性和稳定性。对于不再使用的旧版本，可以将其归档保存，释放存储空间；而对于完全不需要的版本，则可以选择删除，清理不必要的数据。Q：如何对Stable Diffusion模型进行剪枝、量化等优化操作以减少内存占用和提高推理速度？A:在ModelArts平台上，对Stable Diffusion模型进行优化以减少内存占用和提高推理速度的操作步骤如下：首先，将Stable Diffusion模型上传至ModelArts Studio平台。接下来，在模型管理界面中选择SmoothQuant-W8A8或AWQ-W4A16作为模型压缩策略。然后，启动模型压缩任务，ModelArts将自动执行剪枝、量化等优化操作。压缩完成后，需测试模型以确保其性能符合预期要求。之后，将优化后的模型部署到所需的计算资源上。最后，通过API接口或其他方式在业务环境中调用该优化后的模型服务进行预测。需要注意的是，尽管ModelArts目前不直接支持对Stable Diffusion模型进行剪枝和量化操作，但上述步骤提供了一种变通的方法来实现类似效果，从而提升推理速度和降低内存占用。Q：从业务成果角度，华为云 ModelArts +Dify AI 的组合能为企业带来哪些可量化的效益（如增加收入、提高客户满意度等）？A:华为云 ModelArts + Dify AI 的组合能够为企业带来一系列可量化的效益，包括但不限于增加收入、提高客户满意度、降低成本及提升工作效率。具体来说，通过智能化的推荐系统和销售助手，该组合能提高销售效率和转化率，进而增加收入；利用AI自动化工具扩大市场覆盖面，触达更多潜在客户，进一步推动收入增长。在提高客户满意度方面，通过提供个性化的客户服务和产品推荐，以及快速响应客户需求的智能客服系统，能够显著提升客户满意度和降低客户流失率。此外，自动化流程和资源优化功能减少了人工操作，降低了运营成本，并提高了模型的运行效率，从而减少计算资源的消耗。在提升工作效率方面，基于大数据分析和机器学习的决策支持系统帮助管理层作出更精准的决策，同时自动化报告生成功能节省了人力时间，提高了数据处理效率。Q：华为云ModelArts 的自动学习功能有哪些限制？A:华为云ModelArts的自动学习功能虽然强大，但也存在一些限制，主要包括：数据量和质量：自动学习的效果很大程度上依赖于输入的数据量和数据质量。如果数据量不足或数据质量差，模型训练效果可能不佳；特征工程：自动学习会尝试自动提取特征，但对于某些复杂场景，可能需要手动进行特征工程以获得更好的模型性能；定制化需求：对于一些非常特定或定制化的需求，自动学习可能无法完全满足，需要进一步的手动调整或开发自定义模型；算法选择：虽然自动学习可以自动选择合适的算法，但在某些情况下，特定领域可能需要特定的算法，而这些算法可能不在自动学习的支持范围内；实时性：自动学习通常适用于离线训练场景，对于实时性要求极高的实时训练场景可能不太适用。Q：华为云ModelArts 支持哪些预训练模型？A:ModelArts目前支持盘古大模型与主流开源第三方大模型。此外，华为云ModelArts 支持多种预训练模型，覆盖了计算机视觉、自然语言处理、语音识别等多个领域。在计算机视觉方面，提供了图像分类模型如 ResNet、Inception、VGG；目标检测模型如 YOLO、SSD、Faster R-CNN；语义分割模型如 Mask R-CNN、DeepLab；以及图像生成模型如 StyleGAN、CycleGAN。针对自然语言处理，ModelArts 包含了文本分类模型如 BERT、RoBERTa；语言生成模型如 GPT 系列、T5；机器翻译模型如 Transformer、Marian；命名实体识别模型如 BERT、ERNIE。在语音识别领域，ModelArts 提供了语音转文本模型如 DeepSpeech、Conformer 和语音合成模型如 Tacotron、WaveNet。此外，在推荐系统方面，支持协同过滤模型如矩阵分解模型，以及深度学习推荐模型如 Wide & Deep、DIN。对于时间序列分析，ModelArts 提供了预测模型如 LSTM、Prophet。请注意，具体支持的预训练模型列表可能会根据华为云 ModelArts 的更新而有所变动，建议访问华为云官方文档或控制台以获取最新的预训练模型列表请注意，具体支持的预训练模型列表可能会根据华为云 ModelArts 的更新而有所变动，建议访问华为云官方文档或控制台以获取最新的预训练模型列表。Q：华为云ModelArts Standard有哪些功能？A:华为云ModelArts Standard是一款面向开发者和数据科学家的AI开发平台，它提供了丰富的功能来加速AI应用的开发和部署。其主要功能包括：数据管理：支持数据集的创建、上传、下载和共享，以及内置的数据清洗和转换工具以简化数据准备过程；自动学习：提供自动化模型训练和超参数优化能力，支持多种任务类型如图像分类、物体检测、语义分割、文本分类和回归分析，无需编写代码即可完成模型训练；模型开发：集成Jupyter Notebook环境用于模型开发和调试，支持自定义训练任务及使用TensorFlow、PyTorch、MindSpore等主流深度学习框架；模型评估与优化：提供多种评估指标以全面了解模型性能，同时支持模型压缩、剪枝、量化等优化手段，提升模型的推理速度并减少内存消耗；模型部署与管理：支持模型的一键部署至在线服务，提供API接口，具备多版本模型管理和在线监控与日志记录功能；边缘计算支持：允许将模型部署到边缘设备上进行低延迟的本地推理；安全与合规：确保数据加密和权限管理，符合多种安全和合规标准，保障企业级应用的安全性。Q：Dify是否有提供模型压缩和加速的工具？怎么做模型可解释性分析？A:模型压缩和加速及模型可解释性分析主要由ModelArts提供。华为云ModelArts提供了多种模型压缩和加速的工具，以帮助用户在保持模型精度的同时，减少模型大小和提高推理速度。这些工具包括模型剪枝，通过移除冗余或不重要的权重来减小模型尺寸；量化，将模型权重从浮点数转换为更低位宽的整数表示，以减少存储空间和计算量；知识蒸馏，利用大型“教师”模型的知识来训练一个小型“学生”模型，使其达到相似性能；以及模型裁剪，去除模型中的部分层或神经元，以减小模型复杂性和计算需求。在模型可解释性分析方面，ModelArts提供了多种工具和技术，帮助用户理解模型的决策过程。其中包括SHAP（SHapley Additive exPlanations），一种基于博弈论的方法，用于衡量每个特征对模型预测结果的影响；LIME（Local Interpretable Model-agnostic Explanations），通过局部近似来解释模型预测；CAM（Class Activation Mapping），主要用于图像分类模型，通过可视化热图展示模型关注的图像区域；以及PDP（Partial Dependence Plot），显示某个特征对模型预测结果的整体影响趋势。通过这些工具和技术，用户可以在ModelArts平台上进行模型压缩、加速和解释性分析，以优化模型性能并增强模型的透明度和可信度。Q：如何管理模型的不同版本，并在新版本发布后平滑过渡？A:华为云ModelArts提供了强大的模型版本管理和平滑过渡功能，以确保模型迭代过程中的业务连续性和稳定性。首先，在模型版本管理方面，ModelArts允许用户在每次训练或优化后创建新的模型版本，用户可以将当前模型保存为一个新版本，也可以基于已有版本进行更新。每个模型版本还可以添加标签，如v1.0、v2.0等，以便于管理和查询。此外，ModelArts还会详细记录每个版本的历史信息，包括创建时间、训练参数、性能指标等，帮助用户追踪和比较不同版本之间的差异。在模型部署和版本控制方面，ModelArts支持将不同版本的模型部署为独立的服务实例，每个实例可以配置为使用特定版本的模型。当新版本模型部署完成后，用户可以通过流量分配功能逐步将请求从旧版本转移到新版本，例如先将10%的流量导向新版本，观察其表现后再逐步增加比例，实现灰度发布。为了确保在新版本发布后的平滑过渡，ModelArts提供了灰度发布功能，通过设置流量分配比例，逐步将用户请求从旧版本模型迁移到新版本模型，以验证新版本的稳定性和性能。同时，ModelArts还具备回滚机制，若新版本出现任何问题，用户可以快速回滚到之前的稳定版本，保障业务不受影响。此外，ModelArts还提供监控和告警功能，用于在新版本上线后持续监测模型的性能和健康状态，及时发现并解决问题。Q：如何实施持续集成/持续部署（CI/CD）流程来简化发布周期？A:使用华为云ModelArts和Dify实施持续集成/持续部署（CI/CD）流程来简化发布周期，可以通过以下步骤实现：首先，在代码和模型版本管理方面，使用代码仓库管理代码，并在ModelArts中管理模型版本，确保每次训练或优化后都能保存新的模型版本。接下来，通过自动化构建和测试，使用ModelArts的自动化训练和测试功能，确保每次代码提交后都能自动训练模型并进行测试，同时编写自动化测试脚本来保证模型和代码的质量。在持续集成阶段，配置代码仓库的Webhook，触发ModelArts中的自动化训练和测试流程。每次代码提交后，自动触发构建和测试流程，确保代码变更能够及时集成到主分支。进入持续部署阶段，使用ModelArts的模型部署功能，将经过测试的模型自动部署到不同的环境（如开发、测试和生产环境）。此外，通过ModelArts的流量分配功能，实现灰度发布，逐步将流量从旧版本模型转移到新版本模型，实现平滑过渡。为了进一步监控模型的性能和健康状态，利用ModelArts提供的监控和告警功能进行实时监控，并配置回滚机制，确保在新版本出现问题时可以快速回滚到之前的稳定版本，保障业务连续性。Q：Dify的模型，可以用自己的吗A:可以，目前Dify支持所有符合API接口规则的本地部署大模型，不过如果想要在网络上进行调用，需要对模型服务器进行网络穿透Q：在ModelArts上进行模型训练需要哪些资源？是否支持分布式训练？A:在ModelArts上进行模型训练需要多种资源，包括计算资源、存储资源和网络资源。计算资源方面，ModelArts支持使用CPU、GPU以及华为自研的Ascend芯片进行模型训练，具体选择取决于模型训练的需求。对于存储资源，需要足够的存储空间来存放训练数据集、模型权重和其他相关文件，并且还需要一定的临时存储空间用于缓存中间结果和日志文件。网络资源方面，特别是在进行分布式训练时，需要稳定且高带宽的网络连接来支持节点之间的高效数据传输。关于是否支持分布式训练，ModelArts确实支持分布式训练。通过将host_distributed_mode参数设置为multiple，可以启用分布式训练模式，利用多个计算节点并行处理数据，从而加速模型训练过程。这使得ModelArts能够适应从小规模到大规模分布式训练的各种场景需求。Q：华为云ModelArts AI Gallery功能有什么作用？A:华为云ModelArts AI Gallery的功能旨在打造一个开放、共享的AI模型生态系统，帮助用户更便捷地获取和使用高质量的AI模型，加速AI应用的研发和落地。具体来说，它提供了一个平台，让用户可以分享自己训练好的模型，同时也能够查找和使用其他用户或社区贡献的高质量模型，从而加速AI应用的开发过程，减少重复劳动。用户可以在AI Gallery中浏览不同类型的预训练模型和解决方案，涵盖计算机视觉、自然语言处理、语音识别等多个领域，这有助于快速找到适合特定应用场景的模型，加速创新和实验。此外，AI Gallery还提供了模型的详细描述、性能指标和评价反馈，用户可以根据这些信息评估不同模型的优劣，选择最适合自身需求的模型进行使用或进一步优化。通过AI Gallery，用户可以直接将模型部署到华为云的计算资源上，或者将其集成到自己的应用中，简化了模型从研究到实际应用的流程，提高了开发效率。同时，AI Gallery鼓励开发者和研究者之间的交流与合作，促进了AI技术和应用的发展，形成了一个活跃的AI社区，推动技术创新和最佳实践的传播。Q：华为云ModelArts Lite功能有什么作用？有什么应用场景？A:华为云ModelArts Lite是一款专为资源受限环境设计的轻量级AI开发和部署工具，能够支持用户在计算能力和存储空间有限的条件下进行模型的训练、优化和部署。它的核心功能包括提供简化的工作流来加速模型开发，支持模型剪枝、量化等压缩和优化技术，从而减少模型大小和计算复杂度，提高模型在边缘设备上的运行效率，并且具备一键部署和模型版本管理功能，便于用户管理和监控模型。其典型应用场景涵盖物联网设备（如智能家居、智能穿戴设备、工业传感器等），边缘计算环境（如边缘服务器或网关，用于本地数据处理和分析），移动设备（如智能手机和平板电脑，用于离线智能应用），自动驾驶系统（车载计算单元，实现车辆实时感知和决策），以及医疗设备（便携式设备，用于疾病早期诊断和监测）。通过这些功能，ModelArts Lite帮助企业及开发者在边缘计算和物联网领域快速部署高效的AI应用。Q：华为云ModelArts自动学习功能有哪些优势？A:华为云ModelArts的自动学习功能具有多个显著优势，包括：低门槛，即无需用户具备深厚的机器学习专业知识，即可完成模型训练和优化，大大降低了AI应用开发的技术门槛；高效性，能够快速完成从数据准备到模型训练、评估的全流程，显著缩短模型开发周期，提高开发效率；灵活性，支持多种任务类型，包括图像分类、物体检测、语义分割、文本分类、回归分析等，满足不同应用场景需求；自动化优化，自动选择合适的算法和参数，进行超参数优化，提升模型性能，减少人工干预；易用性，提供直观的用户界面和指导，让用户能够轻松上手，快速开始模型训练和部署；模型压缩与优化，支持模型剪枝、量化等技术，在保持较高精度的前提下减小模型大小，提高资源受限环境中的运行效率；无缝集成，自动学习生成的模型可以无缝集成到ModelArts的其他功能中，如模型部署、版本管理等，形成完整的AI应用开发和部署流程；多样化的模型库，提供丰富的预训练模型库，用户可以选择合适的预训练模型进行微调，加快模型开发速度；性能监控与评估，提供详细的模型性能监控和评估报告，帮助用户了解模型的训练效果和潜在问题，进行针对性优化。这些优势共同助力企业及开发者快速构建高质量的AI应用，加速业务创新和智能化转型。Q：华为云ModelArts自动学习功能包括哪些？A:华为云ModelArts的自动学习功能涵盖了从数据准备到模型部署的全流程自动化，具体包括以下几方面：自动建模：支持多种机器学习任务，例如图像分类、物体检测、语义分割、文本分类以及回归分析，能够自动训练相应的模型。数据准备：提供数据标注工具，适用于图像、文本等多种类型的数据，并且具备数据增强功能，以提高模型的泛化能力。模型优化：实现自动超参数优化，寻找最佳的超参数组合来提升模型效果；同时支持模型压缩技术，比如模型剪枝和量化，以减小模型体积和计算复杂度，使其更适合资源受限的环境。模型评估：生成详尽的模型性能评估报告，涵盖准确率、召回率、F1分数等关键指标，并提供模型训练过程的可视化图表，帮助用户深入理解模型表现。模型部署：具备一键部署功能，可以将训练完成的模型迅速转化为在线服务，对外提供API接口；同时支持模型版本管理，便于追踪和切换不同版本的模型。集成与扩展：能够与华为云的其他服务无缝集成，例如对象存储服务（OBS）和数据库服务；并通过开放API和SDK，允许用户进行自定义扩展和二次开发。Q：华为云ModelArts服务中 SDK软件包有哪些功能和作用？A:华为云ModelArts服务中的SDK软件包提供了多种功能，旨在简化用户与ModelArts平台的交互，加速AI应用的开发和部署。其主要功能和作用包括：数据管理（数据上传和下载、数据集管理、数据预处理、数据标注、数据版本管理）、训练管理（训练作业提交、训练参数配置、训练过程监控、训练结果分析、模型保存）、模型管理（模型上传和下载、模型版本管理、模型评估、模型优化）、服务管理（服务创建、服务配置、服务监控、服务管理、服务升级和回滚）、自动化工具（自动学习、模型优化）。Q：StableDiffusion 3 与 Stable Diffusion XL 1.0 相比有什么差异？A:Stable Diffusion XL 1.0 作为 Stable Diffusion 系列的一个重要升级版本，相较于 Stable Diffusion 3，在多个方面进行了改进和增强。首先，在图像质量和多样性方面，Stable Diffusion XL 1.0 提供了更为逼真和细腻的图像生成效果，能够生成更多样化的图像内容和风格。其次，从模型大小和计算资源需求来看，XL 版本可能较大，因此在推理过程中需要更多的计算资源，比如更高的 GPU 内存和更强的硬件支持。此外，Stable Diffusion XL 1.0 引入了一些新功能，如增强了文本理解和条件生成的能力，以及改进的控制功能，使用户能够更精确地控制生成过程。在训练数据和方法上，XL 版本可能利用了更大的训练数据集和更先进的训练技术，提升了模型的泛化能力和生成质量。同时，它还得到了更广泛的社区支持，拥有更多的教程、示例和第三方工具支持，形成了更丰富的生态系统。最后，在兼容性和集成方面，Stable Diffusion XL 1.0 也表现出色，提供了更好的兼容性，支持更多的操作系统、编程语言和硬件平台，以及更方便的集成选项，支持更多的 API 和 SDK。这些改进使得 Stable Diffusion XL 1.0 成为一个更为强大和灵活的文本到图像生成工具。Q：ModelArts是端到端开发流程吗？是否支持模型跨域部署？A:ModelArts 是一个端到端的 AI 开发平台，它支持从数据预处理、模型训练、模型优化到模型部署的完整开发流程。其端到端开发流程涵盖以下环节：包括数据管理、模型训练、模型优化、模型部署。此外，ModelArts 支持模型跨域部署，能够将模型部署到云端和边缘设备等多种环境中。具体而言，云端部署可作为在线服务，提供 RESTful API 接口，支持高并发请求，同时也支持多版本管理和流量分配；边缘设备部署则适应资源受限环境，提供模型优化工具。同时，ModelArts 还提供跨域管理和监控功能，确保模型在不同计算环境中的高效运行与管理。Q：对于不懂代码的开发者来说，华为云ModelArts+Dify AI是否友好？A:对于不懂代码的开发者来说，华为云ModelArts和Dify AI的组合是相当友好的。ModelArts提供了强大的自动学习功能，允许用户通过上传数据集并选择模型类型来自动完成模型训练和优化，无需编写复杂的代码。其图形化界面设计使得非技术人员能够通过简单的点击和拖拽操作完成数据预处理、模型训练及部署等任务。此外，ModelArts还提供了丰富的预训练模型和模板供用户选择，进一步降低了技术门槛。另一方面，Dify AI则以低代码乃至无代码的方式，使用户能通过拖拽组件快速构建和部署AI应用，如聊天机器人和推荐系统等，无需编程知识。Dify AI支持可视化配置，用户可通过图形界面调整应用参数和逻辑，简化了复杂功能的实现。结合ModelArts和Dify AI的优势，不懂代码的开发者可以利用ModelArts进行模型训练和优化，再通过Dify AI快速部署和管理AI应用，整个过程大大减少了对编程技能的需求，显著提升了开发效率和用户体验。Q：Dify适合非技术人员使用吗？是否支持引入第三方插件开发？A:Dify是一款专注于低代码和无代码开发的平台，旨在让非技术人员能够轻松构建和部署AI应用。它提供了一个图形化界面，用户可以通过拖拽组件来构建应用，而无需编写复杂的代码。所有功能和逻辑都可以通过可视化的界面进行配置和调整，这显著降低了技术门槛。此外，Dify还提供了一系列预设的模板和组件，用户可以快速搭建常见的AI应用类型，如聊天机器人、推荐系统等。其界面设计直观，并配有详细的说明和引导，帮助用户快速上手。在第三方插件开发方面，Dify支持通过开放API和插件系统引入第三方服务和功能，从而扩展平台的功能和灵活性。对于有开发能力的用户，Dify还允许开发自定义插件，以满足特定需求。此外，还可以通过API集成现有的第三方服务，如支付网关、数据分析工具等，进一步增强应用的功能性。因此，Dify不仅适合非技术人员使用，同时也支持引入第三方插件开发，为用户提供扩展功能的能力。Q：CANN自定义算子能放进ModelArts使用吗？能和Dify AI融合到一起吗？A:CANN自定义算子可以放进ModelArts使用。ModelArts支持自定义算子的集成，用户可以在ModelArts环境中通过编写C++代码实现自定义算子，并在训练任务中使用这些算子以优化模型的计算性能或实现特定功能。然而，CANN自定义算子不能直接与Dify AI融合。尽管如此，用户可以通过ModelArts训练和优化模型（包括使用CANN自定义算子），并将优化后的模型部署到ModelArts提供的在线服务或边缘设备上，之后在Dify AI中通过API调用这些模型服务，从而实现间接集成。这种方式结合了ModelArts的高性能计算能力和Dify AI的低代码/无代码特性，为用户提供了一个灵活高效的AI开发和部署方案。Q：华为云 ModelArts 的模型开发与训练功能怎么样？A:华为云ModelArts的模型开发与训练功能非常强大且全面，旨在为开发者和数据科学家提供一个高效、灵活的平台来构建和优化AI模型。ModelArts支持自动学习（AutoML），包括自动建模、超参数优化和模型选择，适用于多种任务类型，如图像分类、物体检测、语义分割、文本分类和回归分析。同时，它也支持手动模型开发，提供了Jupyter Notebook环境，支持TensorFlow、PyTorch、MindSpore等主流深度学习框架进行自定义训练任务，配备丰富的数据预处理工具。此外，ModelArts具备模型优化能力，如模型压缩、知识蒸馏和模型裁剪，以提高模型在不同环境下的运行效率。在分布式训练方面，ModelArts支持多机多卡训练，提供灵活的资源配置选项，包括CPU、GPU和华为自研的Ascend芯片。模型评估与监控功能则包括详细评估报告、可视化工具和实时监控，确保用户能够深入了解模型的表现并及时调整。最后，ModelArts还提供了便捷的模型部署选项，包括一键部署、多版本管理和边缘部署，支持模型快速转变为在线服务，并与华为云其他服务无缝集成。Q：请问在利用这两个平台进行 AI 应用开发时，如何确保模型的准确性和稳定性呢？A:在利用华为云ModelArts进行AI应用开发时，确保模型的准确性和稳定性涉及多个关键步骤和最佳实践。首先，在数据准备阶段，需要确保数据集的质量，包括数据清洗和预处理，去除噪声数据，处理缺失值，并进行数据归一化；采用数据增强技术增加样本多样性；使用ModelArts的标注工具进行高质量的数据标注。其次，在模型训练过程中，选择合适的模型架构，如CNN或RNN，根据任务需求而定；利用ModelArts的自动超参数调优功能优化模型参数；通过交叉验证评估模型的稳定性和泛化能力；运用正则化技术和早停法预防过拟合。在模型评估环节，采用全面的评估指标，如准确率、召回率、F1分数等，综合评价模型性能；借助混淆矩阵和ModelArts的可视化工具监控训练过程。此外，通过模型压缩和知识蒸馏技术优化模型，减少计算复杂度的同时保持高精度。在模型部署与监控阶段，利用ModelArts的模型版本管理和灰度发布功能，确保平稳过渡；通过实时监控和A/B测试，保障模型在生产环境中的稳定性和优越性。最后，持续收集用户反馈和运行数据，定期重新训练模型以保持其时效性和准确性。通过这些步骤，可以在ModelArts平台上开发出既准确又稳定的AI模型，满足业务需求。Q：华为云 ModelArts 模型开发平台的主要优势有哪些？用户如何在不懂代码的情况下，利用华为云 ModelArts 和 Dify 平台实现分钟级的模型在线训练、微调、推理和部署上线吗？A:华为云 ModelArts 模型开发平台的主要优势包括提供一站式开发流程，涵盖数据预处理、模型训练、优化及部署；具备自动学习功能，支持自动模型选择、超参数优化和数据增强；拥有丰富的预训练模型库，用户可直接使用或微调；支持高性能计算资源，包括多GPU和Ascend芯片的分布式训练；提供模型优化工具，如模型剪枝和量化，提升边缘设备上的运行效率；以及模型部署与管理功能，支持一键部署、多版本管理和流量分配；同时，ModelArts能够与华为云其他服务无缝集成，提供开放API和SDK，便于二次开发和集成。用户在不懂代码的情况下，可通过以下步骤利用华为云 ModelArts 和 Dify 平台实现分钟级的模型在线训练、微调、推理和部署上线：首先，在ModelArts中通过图形化界面上传和管理数据集，并使用其数据标注工具进行数据标注，然后通过图形化界面进行数据预处理和增强。接着，选择自动学习功能，上传数据集并选择任务类型，ModelArts会自动选择合适的模型架构和超参数进行训练。用户还可以对预训练模型进行微调，只需在界面上选择模型并指定训练参数。随后，利用ModelArts提供的模型优化工具进行模型压缩和优化操作。接下来，使用ModelArts的一键部署功能，将训练好的模型部署为在线服务，并通过API接口调用模型进行推理。最后，在Dify AI平台上，通过拖拽组件快速构建应用界面，并使用Dify AI的API集成功能调用ModelArts部署的模型服务，通过图形化界面配置应用逻辑和参数，从而无需编写代码即可完成整个流程。Q：ModelArts是否支持多模态数据（如文本、图像、音频等）的处理和融合？A:华为云ModelArts确实支持多模态数据（如文本、图像、音频等）的处理和融合。作为一站式AI开发平台，ModelArts提供了一系列功能来支持多种类型的数据处理和模型训练需求。具体来说，ModelArts支持多种类型的数据上传和管理，包括图像、文本、音频等，并且具备数据标注和预处理能力。自动学习功能涵盖图像分类、物体检测、文本分类、语音识别等多种任务类型，适合多模态数据的初步处理和模型训练。对于更复杂的任务，用户可以通过自定义训练功能编写自定义代码，利用TensorFlow、PyTorch和MindSpore等深度学习框架实现多模态数据的融合与处理。此外，ModelArts还提供了模型优化工具，如模型剪枝、量化和知识蒸馏，帮助优化多模态模型的性能和效率。最后，训练好的多模态模型能够被部署到ModelArts的在线服务中，支持通过API接口进行实时推理和预测。ModelArts还提供了多种预训练模型，其中一些已经针对多模态数据进行了训练，可以直接使用或微调以适应特定应用场景。Q：ModelArts可以自定义算子开发吗？是否支持模型微服务化部署？A:ModelArts确实支持自定义算子开发，并且支持模型的微服务化部署。用户能够使用Python或C++等语言编写自定义算子，并将其集成到ModelArts中进行测试和验证。在模型训练过程中，这些自定义算子可用于实现特定的计算逻辑和优化目标。此外，ModelArts还提供了模型微服务化部署的能力，用户可以将训练好的模型导出为标准格式，例如ONNX或TensorFlow SavedModel，然后利用ModelArts的模型部署功能将模型部署为微服务。部署后，可通过API接口进行调用，同时ModelArts还提供了流量管理和版本控制功能，以及模型运行时的监控和日志记录，帮助用户更好地管理和维护模型服务。Q：Dify平台目前是否有AI应用移动端适配？A:Dify平台目前主要专注于提供低代码和无代码的AI应用开发能力，支持快速构建和部署各类AI应用，包括聊天机器人、推荐系统等。关于Dify平台是否直接支持AI应用的移动端适配，现有信息并不明确。Dify可能提供了一些基本的移动端适配功能，例如通过响应式设计使Web应用适配移动端浏览器，或者通过API接口将应用集成到原生移动应用中，甚至可能提供移动SDK以嵌入到原生移动应用中。但是，具体的适配细节和能力需要参考Dify的官方文档或联系其技术支持团队获取最新信息。为了获得最准确的支持情况，建议直接访问Dify的官方网站或联系Dify的客服和技术支持团队进行咨询。Q：ModelArts是否支持模型的批量预测和版本管理？A:华为云ModelArts确实支持模型的批量预测和版本管理功能，这些功能旨在提高模型部署和管理的效率及灵活性。ModelArts支持批量预测，允许用户一次性提交大量数据进行预测，这对于处理大规模数据集尤其有用。具体操作包括数据准备、模型部署、批量预测任务提交以及结果获取。用户可以通过ModelArts的控制台或API提交批量预测任务，预测结果会被存储到指定的位置，如华为云的对象存储服务（OBS）中。ModelArts还提供了强大的模型版本管理功能，帮助用户跟踪和管理不同版本的模型。具体功能包括版本创建、版本查询和管理、版本回滚以及流量分配。用户可以在ModelArts中训练或上传模型时创建新的模型版本，查看不同版本的模型及其训练参数、性能指标等信息，同时支持灰度发布，允许用户逐步将流量从旧版本模型转移到新版本模型，以验证新版本的稳定性和性能。通过这些功能，用户可以高效地管理模型生命周期，确保模型在生产环境中的稳定性和可靠性。想要了解更多大模型相关知识，欢迎观看DTSE Tech Talk 系列技术直播

华为云开发者日·武汉站来啦！参加“一键玩转丑萌黏土风滤镜”体验项目提出你的建议或使用体验有机会获得开发者盲盒礼包惊喜不容错过，快叫上小伙伴一起来参加吧~【体验项目】一键玩转丑萌黏土风滤镜【活动时间】2024年10月16日-10月20日【参与方式】直接在此活动帖下方回帖提建议/提建议即可比如对产品功能的改进建议、对活动流程的感想、对现场活动的感悟等等PS：不要少于30字哦~【获奖规则】奖项设置有效回复楼层评选条件获奖名额激励礼品优质建议奖20对产品功能有改进价值的建议1名开发者盲盒礼品价值50-100元积极反馈奖20优质建议奖轮空的情况下进行抽取每满20层抽取1名开发者盲盒礼品价值50元【活动规则】1、本帖的回帖建议不少于30字，仅限于对“一键玩转丑萌黏土风滤镜”体验项目，其他项目建议不参与此次活动，否则将视为无效内容。2、本次活动将根据实际参与情况发放奖励，包括但不限于用户百分之百中奖或奖项轮空的情况；以上奖品均为实物奖品，具体发放视出库情况而定；3、活动预计于结束后七天内完成奖项公示，并于结束后15个工作日内完成邮寄。【温馨提示】1、请务必使用个人实名账号参与活动（IAM、企业账号等账号参与无效）。如一个实名认证对应多个账号，只有一个账号可领取奖励，若同一账号填写多个不同收件人或不同账号填写同一收件人，均不予发放奖励。2、所有获得奖品的获奖用户，请于获奖后3日内完成实名认证，否则视为放弃奖励。

随着人工智能技术的突破和大模型技术的飞速发展，创新应用不断涌现，各行各业正被加快重塑。9月13日，由华为云计算技术有限公司主办的HCDG城市行广州站——“智享茶韵，云上话AI”生态伙伴开发者CTO技术活动在广州成功举行。本次活动汇聚了华为云AI技术专家与8家华为云生态伙伴，共同探讨如何利用AI技术推动产业数智升级，交流应用研发的最新动态，共谋AI时代合作发展新机遇。研讨交流现场当前，AI时代已经来临，创新应用不断涌现，正加快重塑千行万业。会上，华为云aPaaS AI原生应用解决方案高级架构师陈峰向与会者展示华为云AI原生应用引擎的创新技术和实践案例。他强调，AI应用正从单模型向Agent模式演进，其中Agent模式允许AI在设定目标后自主完成任务。Agent结合了大模型、记忆、规划和工具，具备记忆、规划和工具调用能力。华为云AI原生应用引擎旨在降低AI应用开发门槛，提供模型中心、知识中心、Agent中心等模块，支持多模型接入和Agent快速构建。分享过程中，陈峰老师还通过医疗行业案例，展示了Agent在医学问答和疾病筛查中的应用，说明了大模型与专业模型的协同作用。他还提到了华为云应用引擎支持aPaaS生态，期待与各行业合作，共同推动企业智能化转型。华为云aPaaS AI原生应用解决方案高级架构师陈峰主题分享华为云MaaS平台解决方案产品经理黄焱霞在沙龙上提到，ModelArts Studio大模型即服务平台（MaaS）的发布，是为了解决企业在大模型开发中的痛点和难题，为用户提供一站式的大模型开发和应用服务。该平台基于华为云算力，提供了覆盖业界主流的开源大模型，基于昇腾云适配显著提升精度和效果。同时平台提供 免费模型调优和部署等能力，助力企业快速构建专属大模型。还支持模型API快速对接各类应用，形成组合解决方案，有效提升企业的AI服务能力。基于上述能力极大程度降低了企业的开发门槛和算力、时间成本。 华为云MaaS平台解决方案产品经理黄焱霞主题分享云徙科技副总裁、CTO李楠在分享中探讨了生成式AI在企业级应用中的潜力和实践。他指出，生成式AI正从泡沫期走向技术应用的稳定期，将在多个方面深刻地影响社会和经济的发展。生成式AI的应用不仅限于内容创作，更在业务流程自动化、数据分析、客户服务等多个方面展现出变革性的影响。Agent架构将成为大模型应用的主要形式，而云徙科技正通过提供智能体构建平台，帮助企业在主营业务中实现AI的落地。他最后提出，生成式AI技术的未来充满无限可能，企业应积极探索其在各自行业中的具体应用。云徙科技副总裁、CTO李楠主题分享在开放研讨交流环节中，与会人员畅所欲言，就本次AI技术主题交流分享了独到的见解和经验。并聚焦解决各自现阶段技术创新的堵点和畅想未来合作新的可能性，积极探索和进一步挖掘AI技术和价值场景融合的创新实践，加速推动技术联创，打造高价值联合解决方案，共拓云上新商机，共赢合作新机遇。 开放研讨现场未来，在广东这片数字沃土上，华为云将秉承“共创、共享、共赢”的生态理念，携手伙伴和开发者，通过联合探讨和应用前沿数智技术，激发创新思维，推动技术与业务的深度融合，加速实现技术共生，商业共赢，共筑健康、繁荣的云生态。 HCDG（Huawei Cloud Developer Group 华为云开发者社区组织），是基于城市圈和技术圈，由开发者核心组自发开展的开放、创新、多元的社区技术交流组织，致力于帮助开发者学习提升、互动交流、挖掘合作，推动技术应用与本地产业结合、数智化转型和开发者文化发展。

 自盘古大模型上市以来备受关注，这不最近宝钢（钢铁）使用盘古预测大模型完成了华为预测大模型在钢铁制造领域首发闭环控制技术验证。由华为公司、数据 AI 部、设备部、热轧厂、中央研究院、宝信软件等多部门组成的项目专家团队，对大模型投入后的带钢宽度控制进行了跟踪和验证。专家团队一致认为，在 348 块带钢轧制过程中，华为大模型的预测精度、时延响应均满足目标要求，带钢宽度实时控制正常，验证取得圆满成功。这是基于华为平台的预测大模型首次正式投入实时生产控制，也标志着以大数据分析为特征的 "AI 技术 "，正式拉开了在宝钢生产过程控制应用的序幕。盘古大模型真的很强大，我们聊聊盘古大模型还有什么用处呢？

因参与楼层不满足开奖条件，本活动不开奖。-------------------------------------------------------------------参加“玩转AI大数据，免费体验Volcano云原生批量调度引擎！”项目在本活动帖下回帖，提出你的问题与建议有机会获得开发者定制礼品【体验项目】玩转AI大数据，免费体验Volcano云原生批量调度引擎！【体验简介】Volcano为用户与开发者提供AI、大数据、基因、渲染等诸多高性能计算场景解决方案，了解Volcano技术栈，Get云原生AI等领域调度部署技能，为您的企业获取AI大数据场景调度方案！【体验形式】1、点击Volcano云原生批量计算公开课路径2、选择课程方向体验学习3、前往Volcano云原生批量计算社区实践部署，自定义调度方案【活动时间】2024年9月13-10月12日【参与方式】直接在此活动帖下方回帖，将体验完成的截图和您的问题/建议/感受一起回帖即可比如体验中遇到的问题，对产品的建议、对活动感受等等PS：不要少于30字哦~【获奖规则】可提前填写获奖信息收集表，后续如您中奖，我们会及时发货，谢谢。获奖信息收集表： cid:link_0【活动规则】1、本帖的回帖建议不少于30字，仅限于对“玩转AI大数据，免费体验Volcano云原生批量调度引擎！”体验项目，其他项目建议不参与此次活动，否则将视为无效内容。2、本次活动将根据实际参与情况发放奖励，包括但不限于用户百分之百中奖或奖项轮空的情况；实物奖品具体发放视出库情况而定； 3、活动预计于结束后七天内完成奖项公示，并于结束后15个工作日内完成邮寄。【温馨提示】1、请务必使用个人实名账号参与活动（IAM、企业账号等账号参与无效）。如一个实名认证对应多个账号，只有一个账号可领取奖励，若同一账号填写多个不同收件人或不同账号填写同一收件人，均不予发放奖励。2、所有获得奖品的获奖用户，请于获奖后3日内完成实名认证，否则视为放弃奖励。