编程逻辑是ChatGPT对比过去传统AI算法及预训练模型表现最优异和突出的场景。ChatGPT实现了：程序员负责聊天提需求，AI来写代码实现逻辑。事实当然还没有乐观到不再需要程序员的地步，但ChatGPT确实可以一定程度上解放程序员的双手。同时拥有GitHub和OpenAI的微软公司，毫无疑问正是AI辅助编程领域的急先锋。微软副CTO：sam schillace根据自己的使用经验，总结了9条将ChatGPT用于软件编程领域的原则。这9条原则，既包括一些ChatGPT用于编程的优点和最佳实践，也包括ChatGPT作为编程助手有什么缺点的阐述。这几条原则在英文中颇有韵律感和哲学意味。Based on his experience with GPT-4, Microsoft’s Deputy CTO Sam Schillace developed nine principles for using LLMs to create software. We call them the “Schillace Laws”:Don’t write code if the model can do it; the model will get better, but the code won’t.Trade leverage for precision; use interaction to mitigate. //不是很懂Code is for syntax and process; models are for semantics and intent.The system will be as brittle as its most brittle part.Ask Smart to Get Smart.Uncertainty is an exception throw.Text is the universal wire protocol.Hard for you is hard for the model.Beware pareidolia of consciousness; the model can be used against itself. //不是很懂

 1.情景概述         假设最一般的情况，我们的机械臂有六个自由度，那么从初始状态想要变化到目标的状态，一般情况下我们至少需要进行六次的变换，而这六次变换的矩阵参数隐含在整体的变换矩阵中。  图片请看原文！！！          根据之前的知识，左上角的3*3代表了三个单位向量的转置，这九个数6个限制条件：模长为一、两两垂直，决定了有三个自由度。右上角的3*1代表了平移变换，共三个自由度。而我们6次的变换都有12个三角函数关系式，对应着6个未知数和6个限制条件，我们的目标就是为了求解这六个未知数。  2.求解概念  2.1Reachable workspace 机械臂可以用一种以上的姿态到达的位置，左图的同心圆以及右图的圆（不包括边界）。  2.2Dexterous workspace 机械臂可以用任何的姿态到达的位置，右图的中心点。  2.3Subspace 机械臂在定义头尾的变换矩阵T所能到达的变动范围    比如这个2自由度的机械臂，引入（x,y）坐标，那么他的T是固定的：   可以看到，如果（x,y）一定，那么实际上左边的角度也都是确定的；而且，所能到达的位置也是有限的，因为旋转矩阵的九个数字已经有五个数字是确定的，只有四个数字可以发生变化。  2.4多重解 很多时候，到达一个点有多种驱动的实现方式，举一个例子，PUMA（6 rotational joints）    针对特定的工作点，前三轴会对应四种姿态，而每种姿态，具有两种的手腕转动姿态，因此共有八组解。不难发现这些角度有如下的关系：    但是由于机械结构的限制，未必每组解都会成为可行解。  选择解的方式要考虑以下几点：  1.相对于目前状态最快实现  2.相对于目前状态最节能  3.可以躲避障碍物  3.求解方法  3.1解析法 解析法分为代数法或几何法。目前来讲设计的大多数手臂都存在解析解，而且为了便于求解，通常将后三个轴交于一点。  3.2数值法 3.3求解过程 下面我们来看一个例子，分析其求解过程。    我们已知的条件是（x,y,φ），目标是要求解（θ1，θ2，θ3），即：  已知：    ，来求解     几何法：空间几何拆解成平面几何   量化计算结果如下所示：    代数法：建立方程式  首先根据两个矩阵建立方程式，通过观察首先求解θ2，然后通过大小判断是否有解，有几组解：    其次将θ2带入方程式：    再进行变数变换：    随后求解θ1：   当我们的θ2选择不同的解，θ1也会跟着产生变化。  最后求解θ3：    三角函数方程式的求解  ———————————————— 版权声明：本文为CSDN博主「HIT-Steven」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。 原文链接：https://blog.csdn.net/lqm1094583745/article/details/128401194 

2023年DTT直播对我产生了积极的深远影响，给我带来了丰富的收获与帮助，对我个人的成长和职业发展都有着重要的意义。1. 专业知识和技能的提升：DTT直播为我提供了学习和提升专业知识和技能的机会。通过聆听讲座、参与互动环节和案例分析，我受益匪浅，对设计思维、团队协作、产品设计等领域有了更深入的理解和实践经验。这些知识和技能的提升，让我在工作中更加自信和高效，也为我未来的职业发展奠定了坚实的基础。2. 视野和格局的拓宽：DTT直播让我接触到了来自不同行业和领域的专家、学者和企业家，他们的分享和观点让我开阔了眼界，拓宽了视野。通过与不同背景的人交流探讨，我了解到了不同的文化、不同的思维模式和不同的工作方式，这让我更加包容和理解，也为我未来的工作和生活带来了新的启发和动机。3. 人脉和资源的获取：DTT直播是一个重要的社交和网络建立平台，让我有机会与志同道合的人建立联系，这对我的人脉和资源的获取有很大帮助。在DTT直播中，我遇到了一些优秀的专业人士，他们分享了宝贵的经验和洞察，也为我提供了潜在的合作机会。这些连接和资源，不仅拓展了我的工作和生活圈子，也为我未来的发展提供了可能。4. 创新和创造力的激发：DTT直播的氛围充满活力和创造力，激发了我的创新和创造性思维。通过聆听不同的演讲和参与不同的活动，我获得了许多新的想法和灵感。这些启发让我在工作中更加敢于创新和尝试，并帮助我以更开阔的视角看待世界，寻找新的机遇和挑战。5. 个人成长的鞭策：DTT直播为我提供了一个自我反省和成长的机会。通过参与DTT直播，我意识到自己的优势和不足，这让我更加注重个人发展和学习。我开始更加积极地寻找机会，提升自己各方面的能力，包括专业知识、沟通能力、领导能力等。DTT直播让我意识到，持续学习和成长对于个人成功和职业发展至关重要。总之，2023年DTT直播对我产生了积极而深远的影响，它为我带来了丰富的收获和帮助，让我在专业知识、技能、视野、人脉、创新能力和个人成长等方面都得到了显著的提升。这是一个难忘的学习和成长之旅，我非常感谢DTT直播提供的这个绝佳的机会。

cid:link_0开源大模型应用开发体验官用的是哪个官方镜像呢？应该是：pytorch1.10-cuda10.2-cudnn7-ubuntu18.04看截图：所以，如果要用自定义的镜像，可以在这个镜像的基础上去做定制。价钱7块多一个小时。还可以接受。

新年的钟声即将敲响，我代表ModelArts人工智能论坛向你们致以最诚挚的祝福和问候。感谢你们在过去的一年里，用你们的智慧和努力，为华为云的发展做出了巨大的贡献。在过去的一年里，我们共同见证了华为云的快速发展，这一切都离不开你们的辛勤付出和不懈努力。你们是华为云最宝贵的财富，也是我们不断前进的动力源泉。面向未来，我们将继续坚持开放合作的理念，与全球的开发者一起，共同推动云计算技术的进步与发展。我们将致力于提供更加开放、智能、安全的云服务，帮助企业实现数字化转型，创造更加美好的未来。同时，我也希望在新的一年里，华为云开发者社区能够继续发挥平台作用，聚集更多的优秀人才，共同探讨云计算领域的最新技术和应用场景。相信在你们的共同努力下，华为云将会在未来的发展中取得更加辉煌的成绩。最后，再次感谢各位对华为云的关注和支持。祝大家新年快乐，身体健康，工作顺利！让我们携手共进，共同迎接更加美好的未来！

问题现象服务状态一直处于“部署中”，查看AI应用日志未发现服务有明显错误。原因分析一般情况都是AI应用的端口配置有问题。建议您首先检查创建AI应用的端口是否正确。处理方法AI应用的端口没有配置，默认为8080，如您在自定义镜像配置文件中修改了端口号，需要在部署AI应用时，配置对应的端口号，使新的AI应用重新部署服务。如何修改默认端口号，请参考使用自定义镜像创建在线服务，如何修改默认端口。

问题现象启动服务失败，报错：资源不足，服务调度失败。（Schedule failed due to insufficient resources. Retry later.或ModelArts.3976：No resources are available for the selected specification.）原因分析实例配置的规格过大，CPU或者内存剩余资源不足；（"insufficient CPU" / "insufficient memory"）模型需要的磁盘空间大，磁盘空间不足；（"x node(s) had taint {node.kubernetes.io/disk-pressure: }" / "No space"）解决方法在遇到资源不足的情况时，ModelArts会进行三次重试，在服务重试期间，如果有资源释放出来，则服务可以正常部署成功。如果三次重试后依然没有足够的资源，则本次服务部署失败。参考以下方式解决：如果是在公共资源池部署服务，可等待其他用户释放资源后，再进行服务部署。如果是在专属资源池部署服务，在满足模型需求的前提下，尝试选用更小的容器规格或自定义规格，进行服务部署；如果当前资源池的资源确实不够，也可以考虑将资源池扩容后再进行服务部署。公共资源池扩容，请联系系统管理员。专属资源池扩容，可参考扩缩容资源池。如果磁盘空间不够，可以尝试重试，使实例调度到其他节点。如果单实例仍磁盘空间不足，请联系系统管理员，更换合适的规格。如果是大模型导入的AI应用部署服务，请确保专属资源池磁盘空间大于1T（1000GB）。

原因分析容器提供的健康检查接口调用失败。容器健康检查接口调用失败，原因可能有两种：镜像健康检查配置问题AI应用健康检查配置问题解决方法根据容器日志进行排查，查看健康检查接口失败的具体原因。镜像健康检查配置问题，需修复代码后重新制作镜像创建AI应用后部署服务。了解镜像健康接口配置请参考模型配置文件编写说明中health参数说明。AI应用健康检查配置问题，需重新创建AI应用或者创建AI应用新版本，配置正确的健康检查，使用新的AI应用或版本重新部署服务。了解AI应用健康检查请参考制作模型镜像并导入中的“健康检查”参数说明。

人工标注对于不同类型的数据，用户可以选择不同的标注类型。当前ModelArts支持如下类型的标注作业：图片图像分类：识别一张图片中是否包含某种物体。物体检测：识别出图片中每个物体的位置及类别。图像分割：根据图片中的物体划分出不同区域。音频声音分类：对声音进行分类。语音内容：对语音内容进行标注。语音分割：对语音进行分段标注。文本文本分类：对文本的内容按照标签进行分类处理。命名实体：针对文本中的实体片段进行标注，如“时间”、“地点”等。文本三元组：针对文本中的实体片段和实体之间的关系进行标注。视频视频标注：识别出视频中每个物体的位置及分类。目前仅支持mp4格式。智能标注除了人工标注外，ModelArts还提供了智能标注功能，快速完成数据标注，为您节省70%以上的标注时间。智能标注是指基于当前标注阶段的标签及图片学习训练，选中系统中已有的模型进行智能标注，快速完成剩余图片的标注操作。目前只有“图像分类”和“物体检测”类型的数据集支持智能标注功能。团队标注数据标注任务中，一般由一个人完成，但是针对数据集较大时，需要多人协助完成。ModelArts提供了团队标注功能，可以由多人组成一个标注团队，针对同一个数据集进行标注管理。团队标注功能当前仅支持“图像分类”、“物体检测”、“文本分类”、“命名实体”、“文本三元组”、“语音分割”类型的数据集。

ModelArts提供的模型转换功能支持以下场景：使用Caffe（.caffemodel格式）或者Tensorflow框架（“frozen_graph”或“saved_model”格式）训练的模型，使用转换功能可转换成“.om格式”，转换后的模型可在昇腾（Ascend）芯片上部署运行。使用Tensorflow框架（“frozen_graph”或“saved_model”格式）训练的模型，使用转换功能可转换成om格式，转换后的模型可在昇腾（Ascend）芯片上部署运行。Hilens在导入模型过程中支持以下场景模型自动转换：使用Caffe（.caffemodel格式）或者Tensorflow框架（“frozen_graph”或“saved_model”格式）训练的模型，使用转换功能可转换成“.om格式”，转换后的模型可在昇腾（Ascend）芯片上部署运行。使用ModelArts 模型转换的转换模板“TF-FrozenGraph-To-Ascend-HiLens”和“TF-SavedModel-To-Ascend-HiLens”生成的“.om格式”模板可以在Hliens Kit运行。

当模型配置文件中定义了具体的端口号，例如：8443，创建AI应用没有配置端口（默认端口号为8080），或者配置了其他端口号，均会导致服务部署失败。您需要把AI应用中的端口号配置为8443，才能保证服务部署成功。修改默认端口号，具体操作如下：登录ModelArts控制台，左侧菜单选择“AI应用管理 > AI应用”；单击“创建”，进入创建AI应用界面，元模型选择“从容器镜像中选择”，选择自定义镜像；配置“容器调用接口”和端口号，端口号与模型配置文件中的端口保持一致；图1 修改端口号设置完成后，单击“立即创建”，等待AI应用状态变为“正常”；重新部署在线服务。

1. AI开发平台ModelArts新功能12月没有发布新功能。2. 人工智能相关直播合集百模千态开源大模型AI挑战赛线上培训班 cid:link_0赛题组专家详细解读赛事规则、baseline，带你玩转大赛！主讲人是小鱼老师。所以很值得一看。昇思MindSpore技术公开课·大模型专题（第二期） 第四讲：文本生成解码原理 cid:link_1本次课程承接第一讲ChatGLM，带领大家在ChatGLM系列模型中进一步深入，讲解ChatGLM2的相关技术、推理部署代码演示，以及介绍最近刚开源的ChatGLM3的相关特性。课程的技术性比较强。昇思MindSpore技术公开课 大模型专题（第二期） 第五讲：LLaMAcid:link_2本次课程全面讲解大模型LLaMA的背景介绍、LLaMA模型结构解析（包含Pre-normalizaton、swiGLU、Rotary embedding）及LLaMA推理部署代码演示。干货不少。开源大模型应用开发体验官 百模千态社区AI Gallery使用宣讲cid:link_3这个活动我也参加了。很不错。能学到不少的东西。里面介绍了ai gallery新版本的一些特性，可以了解一下。操作系统大会 2023 崛起数字时代 引领数智未来 AI技术分论坛cid:link_6智能时代，操作系统需要面向AI不断演进。当前，欧拉已支持ARM，x86，RISC-V等全部主流通用计算架构，在智能时代，欧拉也率先支持NVDIA、昇腾等主流AI处理器，成为使能多样性算力的首选。面向数智时代，openEuler以技术为根，持续创新，增强全场景布局，完善云网端边软件栈；深化与AI的融合，发布EulerCopilot，初步实现代码辅助生成、问题智能分析、系统辅助运维等功能，让欧拉更智能，统一异构资源管理与调度，提升有效利用率，使能AI更高效，从而逐步构筑智能时代最佳算力底座。这是一个大会，信息含量很大。开源大模型应用开发体验官：基于LangChain+ChatGLM3的本地知识库问答cid:link_4这里讲到了AI与DataArts的互动。 昇思MindSpore技术公开课 大模型专题（第二期） 第六讲：LLaMA 2cid:link_5介绍LLaMA2并演示其推理部署，同时也讲解业界SOTA模型。全是技术干货。

AI应用开发并调试完成后，开发者可以将AI应用服务到ModelArts AI应用管理模块，然后在ModelArts的推理平台进行应用的生产部署。发布AI应用包含了应用打包、构建镜像和发布这三个步骤。打包AI应用构建镜像发布和部署AI应用 镜像构建首次执行大约耗时5~8min，执行成功后镜像将被推送到华为云SWR服务的组织中，SWR地址会打印在terminal控制台。命令执行结束后，镜像构建的日志会在下载至工程log目录下docker-build.log文件中，可通过日志查看构建过程信息。发布和部署AI应用发布AI应用鼠标右键工程列表中当前工程，点击“Public”，输入应用名称、应用版本、请求方式以及镜像地址。点击高级选项可以配置更加丰富的选项。图2 发布AI应用部署AI应用AI应用发布成功后，进入“部署上线>在线服务”模块进行部署操作，部署时选择发布的AI应用进行部署即可。控制台上提供了比开发环境的命令行更为丰富的部署选项，例如服务流量限制、服务自动停止等，用户可以根据需要进行配置，具体可参考部署为在线服务。

ModelArts支持在新版开发环境中开启TensorBoard和MindInsight可视化工具。在开发环境中通过小数据集训练调试算法，主要目的是验证算法收敛性、检查是否有训练过程中的问题，方便用户调测。ModelArts可视化作业支持创建TensorBoard类型和MindInsight两种类型。TensorBoard和MindInsight能够有效地展示训练作业在运行过程中的变化趋势以及训练中使用到的数据信息。TensorBoardTensorBoard是一个可视化工具，能够有效地展示TensorFlow在运行过程中的计算图、各种指标随着时间的变化趋势以及训练中使用到的数据信息。TensorBoard相关概念请参考TensorBoard官网。TensorBoard可视化训练作业，当前仅支持基于TensorFlow2.1、Pytorch1.4/1.8版本镜像，CPU/GPU规格的资源类型。请根据实际局点支持的镜像和资源规格选择使用。MindInsightMindInsight能可视化展现出训练过程中的标量、图像、计算图以及模型超参等信息，同时提供训练看板、模型溯源、数据溯源、性能调试等功能，帮助您在更高效地训练调试模型。MindInsight当前支持基于MindSpore引擎的训练作业。MindInsight相关概念请参考MindSpore官网。MindInsight可视化训练作业，当前支持的镜像如下，请根据实际局点支持的镜像和资源规格选择使用。mindspore1.2.0版本，CPU/GPU规格的资源类型。mindspore1.5.x以上版本，Ascend规格的资源类型。您可以使用模型训练时产生的Summary文件在开发环境Notebook中创建可视化作业。在开发环境中创建MindInsight可视化作业，请参见MindInsight可视化作业。在开发环境中创建TensorBoard可视化作业，请参见TensorBoard可视化作业。

Notebook中，通过使用ModelArts SDK，可以完成OBS管理、训练作业管理、模型管理以及在线服务管理。ModelArts SDK使用请参见《ModelArts SDK参考》。在Notebook中，已承载了登录用户的鉴权信息（AK/SK）和区域信息，因此SDK session鉴权时，无需输入参数即可完成session鉴权。示例代码创建训练作业from modelarts.session import Sessionfrom modelarts.estimator import Estimatorsession = Session()estimator = Estimator( modelarts_session=session, framework_type='PyTorch', # AI引擎名称 framework_version='PyTorch-1.0.0-python3.6', # AI引擎版本 code_dir='/obs-bucket-name/src/', # 训练脚本目录 boot_file='/obs-bucket-name/src/pytorch_sentiment.py', # 训练启动脚本目录 log_url='/obs-bucket-name/log/', # 训练日志目录 hyperparameters=[ {"label":"classes", "value": "10"}, {"label":"lr", "value": "0.001"} ], output_path='/obs-bucket-name/output/', # 训练输出目录 train_instance_type='modelarts.vm.gpu.p100', # 训练环境规格 train_instance_count=1, # 训练节点个数 job_description='pytorch-sentiment with ModelArts SDK') # 训练作业描述job_instance = estimator.fit(inputs='/obs-bucket-name/data/train/', wait=False, job_name='my_training_job')查询模型列表from modelarts.session import Session from modelarts.model import Modelsession = Session() model_list_resp = Model.get_model_list(session, model_status="published", model_name="digit", order="desc")查询服务详情from modelarts.session import Sessionfrom modelarts.model import Predictorsession = Session()predictor_instance = Predictor(session, service_id="input your service_id")predictor_info_resp = predictor_instance.get_service_info()