目的与要求实验目的：学习 PyTorch 基础: 通过实现一个简单的卷积神经网络，学习如何使用PyTorch 构建深度学习模型。熟悉卷积神经网络结构: 了解卷积层、池化层、全连接层等卷积神经网络的基本组件，以及它们在图像分类任务中的作用。实践深度学习训练循环: 通过编写训练和测试循环，理解深度学习模型的训练过程，包括前向传播、反向传播、损失计算等步骤。掌握 PyTorch 工具: 学会使用 PyTorch 提供的工具和模块，例如优化器（Optimizer）和学习率调度器（Learning Rate Scheduler）。实验结果分析: 通过测试模型并分析测试结果，评估模型在手写数字识别任务上的性能。2、 实验要求：使用 PyTorch 实现一个卷积神经网络（CNN），并使用 MNIST 数据集进行训练和测试，从而实现手写数字识别实验原理1、卷积神经网络 (CNN):一类专门设计用于处理网格状数据（如图像）的深度学习模型。它包含卷积层、池化层和全连接层。卷积层能够有效地提取图像中的特征，而池化层则用于降采样，减小计算量。这有助于CNN学习图像中的局部模式和整体结构。2、MNIST 数据集:包含手写数字图像，每个图像都是28x28像素的灰度图。它是一个常用的基准数据集，用于测试图像分类算法的性能。每个图像都带有相应的标签，表示图像中的数字。3、激活函数 (Activation Function): 在神经网络中，激活函数引入非线性性质，允许网络学习复杂的映射关系。在本实验中，Rectified Linear Unit（ReLU）是主要的激活函数，用于在卷积层和全连接层之间引入非线性。4、损失函数 (Loss Function): 用于度量模型输出与真实标签之间的差异。5、优化器 (Optimizer): 用于更新模型参数以最小化损失。6、学习率调度器 (Learning Rate Scheduler): 用于动态调整学习率，帮助模型更好地收敛。7、训练循环: 包括前向传播、反向传播和参数更新。在训练期间，模型通过多次迭代学习如何准确地预测手写数字的标签。8、测试循环: 在训练结束后，模型通过测试集进行评估。测试集上的性能指标，如损失和准确率，可用于评估模型的泛化能力。使用环境PyTorchTorchvisionPyCharm2022.3.2四、实验结果及分析    Test set:  Average Loss :0.0473  Accuracy :9851/10000 99%五、附录未修改 batch_size和learning_rate的代码：from __future__ import print_functionimport argparseimport torchimport torch.nn as nnimport torch.nn.functional as Fimport torch.optim as optimfrom torchvision import datasets, transformsfrom torch.optim.lr_scheduler import StepLR# 定义神经网络模型class Net(nn.Module): def __init__(self): super(Net, self).__init__() # 卷积层 self.conv1 = nn.Conv2d(1, 32, 3, 1) self.conv2 = nn.Conv2d(32, 64, 3, 1) # 丢弃层 self.dropout1 = nn.Dropout(0.25) self.dropout2 = nn.Dropout(0.5) # 全连接层 self.fc1 = nn.Linear(9216, 128) self.fc2 = nn.Linear(128, 10) def forward(self, x): # 卷积和激活层 x = self.conv1(x) x = F.relu(x) x = self.conv2(x) x = F.relu(x) # 最大池化层 x = F.max_pool2d(x, 2) x = self.dropout1(x) # 展平数据以供全连接层使用 x = torch.flatten(x, 1) # 全连接层，包括激活和丢弃 x = self.fc1(x) x = F.relu(x) x = self.dropout2(x) x = self.fc2(x) # 输出层使用对数softmax激活 output = F.log_softmax(x, dim=1) return output# 训练模型的函数def train(args, model, device, train_loader, optimizer, epoch): model.train() for batch_idx, (data, target) in enumerate(train_loader): data, target = data.to(device), target.to(device) optimizer.zero_grad() output = model(data) # 负对数似然损失 loss = F.nll_loss(output, target) loss.backward() optimizer.step() if batch_idx % args.log_interval == 0: print('训练 Epoch: {} [{}/{} ({:.0f}%)]\t损失: {:.6f}'.format( epoch, batch_idx * len(data), len(train_loader.dataset), 100. * batch_idx / len(train_loader), loss.item())) if args.dry_run: break# 测试模型的函数def test(model, device, test_loader): model.eval() test_loss = 0 correct = 0 with torch.no_grad(): for data, target in test_loader: data, target = data.to(device), target.to(device)

如何查看人脸识别资源包的余量？

人脸识别会根据人像采集摄像机的数量计费吗？

人脸识别的人员库管理相关接口哪些是收费的？

人脸识别的人员库图片保存是否会额外收存储费用？

人脸识别增加人员管理人数要计费吗？

人脸识别同一张照片多次调用接口如何计费？

人脸识别账单结算扣费顺序？

人脸识别如何收费？人脸识别如何收费？

大家在做《百模千态》项目的时候，有什么意见和建议，或者问题，欢迎在这里进行讨论

设计基础是我们与AIGC合作的基础，无论使用何种技术和工具，我们都需要运用设计基础的原则与知识来指导生成的内容。准确地引导AIGC生成符合设计要求的内容，而不是完全依赖枧器的判断。如果我们没有了解色彩理论、构图原则和比例规律，我们设计的作品可能会显得杂乱无章，只有在深刻理解设计基础的基本原则和概念的基础上，我们才能更好地运用AIGC，并确保生成的内容符合设计目标和用户需求。色轮是研究颜色相加混合的一种实验仅器：通过一个色盘展示了所有可见光谱颜色的连续循环。色相指的是色彩所呈现出的相貌，在色盘上以循环的色相环表示色盘上的红、绿、蓝色，被称为三原色（RGB），它们的组合可以产生其他颜色。另外，色彩模型中还有一组基本颜色，称为色料三原色（CMYK），包括青、品红、黄和黑。互补色是位于色盘上彼此相对的两种颜色，对比色是在色彩上形成鲜明对比的两种颜色。暖色调〔如红、橙、黄〕常常被认为是温暖活泼的：而冷色调（如蓝、绿、紫）则被认为是冷静和安静的。中性色包括黑色、白色、灰色、棕色。它们通常与更明亮的强调色结合使用，但也可以在设计中单独使用。中性色的含义和带给人们的感觉更多地取决于它们周围的颜色。对比度是指两种颜色之间的明暗或饱和度的差异程度。高对比度可以产生强烈的视觉效果，而低对比度则会营造柔和与和谐的氛围。合理运用色彩对比度可以突出重点和提高可读性。色彩平衡是指整体色彩的均衡和协调。涌过合理分配主导色和辅助色的比例，以及不同颜色的分布，可以实现整体作品的视觉平衡。色彩在空间中的运用可以影响人们对物体大小、距离和深度的感知。冷色调可以使物体看起来更远、更大：而暖色调则会营造近距离和亲近感。善于利用色彩的空间感可以增设计的立体感和视觉层次。

在这个信息爆炸和数字化时代，设计师面临着前所未有的挑战和机遇。用户期望获得个性化、定制化的体验，而传统的设计方法已经难以满足这种需求。在这个背景下，AIGC作为一款强有力的工具，可帮助我们以创新的方式解决设计问题，并开拓前所未有的设计领域。AIGC不仅仅是一个技术，还代表了设计和人工智能的交叉点，它结合了机器学习、自然语言处理、计算机视觉等领域的技术，使机器能够像人类一样理解和生成创造性的内容。通过AIGC，我们可以实现自动化的设计任务、个性化的用户体验、创意的增强和设计过程的优化。然而，AIGC也带来了一些挑战。设计师需要了解如何与AIGC进行有效协作，如何设计合适的提示词、引导和约束，以确保生成的内容符合设计目标和用户期望。同时，我们也需要关注AIGC的道德和伦理问题，确保它被正确使用，并避免产生负面影响。上面一段说的不错，一项新技术，最早得到运用的往往是一些灰色行业，并且在这其中，技术也得到了发展。

1. AI开发平台ModelArts新功能11月的ModelArts新功能零零散散还是挺多的。其中有些功能改善了用户体验。Notebook cache盘容量使用监控和告警当前开发环境的cache盘使用时，没有容量告警，在使用时很容易超过限制，并直接重启Notebook实例。重启后多种配置重置，会导致用户数据丢弃，环境丢失，造成很不好的使用体验。因此提供了cache盘使用情况的监控和告警，并将数据上报至AOM平台。TFServing框架迁移到推理自定义引擎的指导当从TFServing迁移到使用ModelArts推理的AI应用管理和服务管理时，需要对原生TFServing镜像的构建方式做一定的改造，以使用ModelArts推理平台的模型版本管理能力和动态加载模型的部署能力。新增文档“预置框架启动流程说明”，介绍了Tensorflow、PyTorch等预置训练框架启动原理。这个比较好，让用户了解一些原理，可以更好的实验。比如：单机作业时（即选择的节点数为1），ModelArts只会在一个节点上启动一个训练训练容器，该训练容器独享节点规格的可使用资源。一共新增了12个功能点，这里不一一赘述。2. 人工智能相关直播合集华为云数字人赋能千行百业，共享AIGC新机遇 cid:link_3数字人作为真人沉浸式体验的重要入口和AIGC的关键要素，告诉你数字人将如何带来千行百业的产业变革？ 快来看，如何制作自己的一个数字分身人...昇思MindSpore技术公开课·大模型专题（第二期） cid:link_0讲解大模型时代的智能遥感技术的发展与挑战、介绍遥感基础模型的技术路线与典型场景应用。很有意思。比如红外遥测的水和大地，白天和晚上的不同。这个基于传统CV，但又有很大的区别。MoE-LLM：开启大模型终身学习的可能性 cid:link_4多专家系统(Mixture of Experts，MoE)是大模型时代提高模型参数量的重要技术手段，而随着大模型的不断演进发展，怎么样使大模型具备持续终身学习能力，通过持续的数据不断提升大模型也成为了重要问题。MoE技术和持续终身学习的碰撞，使大模型具备终身学习成为可能。 这个就像人的终身学习、自我自动迭代。AI要是会这个，有点可怕呀。昇思MindSpore技术公开课·大模型专题（第二期） cid:link_1承接第一讲ChatGLM，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。openGemini全新列存引擎，为您解决时序数据高基数难题 cid:link_5在数据库中，基数是指一列数据中唯一值的个数，高基数即表示该列中唯一值的数量非常大，常见的比如IP地址、电子邮件等。高基数问题长期困扰着众多时序数据库产品，主要表现为索引膨胀，内存资源消耗增加，读写性能下降等openGemini 全新列存引擎，旨为解决高基数问题，性能表现出色。适用于特定的海量数据场景，可以了解一下华为云多模数据库GeminiDB架构与应用实践 cid:link_2 探讨华为云多模数据库GeminiDB的技术架构，及革新当代应用的数据处理方式 也就是原来的GaussDB NoSQL华为云盘古大模型主题论坛·深圳站 cid:link_6这是一个大会，内容丰富，不容错过。 大模型时代，快速构建大模型能力并实现场景化创新，并获得充足可持续的AI算力供给，成为千行万业智能化的刚需。华为云始终践行AI for Industries，2023年陆续发布了盘古大模型、昇腾AI云服务等AI技术及行业实践。 为您介绍盘古大模型、昇腾AI云服务等技术的最新进展，全面阐述盘古大模型生态发展的生态策略，并将重磅发布一系列促进生态合作的方案和计划。同时多位重量级嘉宾分享基于盘古大模型的前沿探索和实践成果。开源的大模型在modelarts可以快速订阅使用。 介绍华为自己的盘古大模型。5个基础大模型。

随着科技的不断发展，人工智能（AI）在汽车行业的应用正日益深入，推动着车辆的智能化、自动化和互联互通。以下是目前AI与汽车融合的一些具体技术：自动驾驶技术：感知系统： 利用深度学习和计算机视觉技术，汽车能够实时感知周围环境，包括道路、其他车辆、行人和障碍物。决策系统： 基于机器学习算法，车辆能够做出智能决策，选择合适的行驶路线、速度和执行相应的操控动作。语音识别与人机交互：语音助手： 集成自然语言处理技术，驾驶员可以通过语音指令实现控制车辆、调整设置和获取信息。手势识别： 利用摄像头和深度学习，车辆可以识别驾驶员的手势，实现更直观的人机交互。智能交通管理系统：交通流优化： 利用实时数据和预测分析，智能系统可以优化车辆流动，减少交通拥堵。智能信号灯： 基于实时交通情况调整信号灯，提高道路通行效率。车辆诊断与预测性维护：传感器监测： 在车辆各个部件安装传感器，实时监测车辆状态。机器学习预测： 利用历史数据和机器学习算法，预测车辆可能出现的故障并提前进行维护。智能车内体验：人脸识别与情感分析： 识别车内乘客并分析其情绪，调整车内环境以提供更舒适的乘坐体验。个性化推荐： 基于驾驶员和乘客的历史数据，智能系统可以提供个性化的音乐、导航和娱乐推荐。车联网与云计算：实时更新： 通过云端连接，车辆可以实时获取地图数据、软件更新和安全补丁。车辆互联： 实现车辆之间的信息共享，提高交通安全和效率。辅助驾驶系统：盲点检测： 利用雷达和摄像头监测车辆周围的盲点，提醒驾驶员注意。自动泊车： 通过传感器和自动化控制，车辆能够在有限空间内实现自动停车。这些技术的融合使得汽车不仅仅是交通工具，更是智能、安全、舒适的移动空间。然而，随着技术的不断进步，我们还将看到更多创新的AI技术被应用于汽车领域，为未来出行提供更多可能性。

IMDB本身是一家在线收集各种电影信息的网站，与国内的豆瓣较为类似，用户可以在上面发表对电影的评论。IMDB数据集是由斯坦福大学研究院整理的一套用于情感分析的IMDB电影评论二分类数据集，包含25000个训练样本和25000个测试样本，所有影评都被标记为正面或负面两种评价。IMDB数据集在TF中的读取方法与MNIST等数据集较为类似。WikiText英语词库数据(The WikiText Long Term Dependency Language Modeling Dataset）是由Salesforce MetaMind策划的包含1亿个词汇的大型语言建模语料库。这些词汇都是从维基百科一些经典文章中提取得到，包括WikiText-103和WikiText-2两个版本，其中WikiText-2是WikiText-103的一个子集，常用于测试小型数据集的语言模型训练效果。值得一提的是，WikiText保留了产生每个词汇的原始文章，非常适用于长期依赖的大文本建模问题。Amazon reviews数据集是2013年由康奈尔大学发布的、从斯坦福网络分析项目(SNAP)中构建的Amazon评论数据集，分为Full和Polarity两个版本。Full版本每个类别包含600000个训练样本和130000个测试样本，Polarity版本每个类别则包含1800000个训练样本和200000个测试样本。评论的商品包括书籍、电子产品、电影、日常家用产品、衣服、手机、玩具等Sogou news数据集是由SougouCA和SougouCS新闻语料库构成的数据集，其总共包含运动金融、娱乐、汽车和技术5个类别共计2909551篇新闻文章，每个类别均包含90000个训练样本和12000个测试样本。