11月12日，为加强校企交流，提供学生与产业界接触的机会，培养适合产业发展的人才，“华为开发者名校行”活动走进天津大学，300余名天大学子一起与业界大咖分享交流，感受科技无穷魅力。活动新闻→育人才，创未来——天津大学与华为公司共建产教融合人才培养新体系：cid:link_0→“育人才 创未来”华为开发者名校行-天津大学专场圆满落幕：cid:link_1

10月30日，为加强校企交流，提供学生与产业界接触的机会，培养适合产业发展的人才，“华为开发者名校行”活动走进北京航空航天大学，北航200余名学子一起与业界大咖分享交流，感受科技无穷魅力。活动新闻：→深化产教融合 为AI人才提供广袤空间 | 华为开发者名校行走进北航：cid:link_0→深化产教融合 为AI人才提供广袤空间 | 华为开发者名校行走进北航：cid:link_1

9月24日，为加强校企交流，提供学生与产业界接触的机会，培养适合产业发展的人才，“华为开发者名校行”活动走进哈尔滨工业大学，哈工大400余名学子一起与业界大咖分享交流，感受科技无穷魅力。活动新闻→双向奔赴 携手共赢 | 华为开发者名校行首站在哈工大成功举办：cid:link_2→“华为开发者名校行”首站走进哈工大：cid:link_1→双向奔赴 携手共赢 | 华为开发者名校行首站在哈工大成功举办：https://c.m.163.com/news/a/IFIMMR1Q00099BK0.html?from=wap_redirect&spss=adap_pc&referFrom=&spssid=cc27d805fb4b0e49cea23a94d6345a2c&spsw=1&isFromH5Share=article​

9月没有整理，所以把9月的也补上。9月10月的合集如下。1. AI开发平台ModelArts新功能弹性裸金属：提供不同型号的xPU裸金属服务器，通过弹性公网IP进行访问，在给定的操作系统镜像上可以自行安装GPU&NPU相关的驱动和其他软件，使用SFS或OBS进行数据存储和读取相关的操作，满足算法工程师进行日常训练的需要。推理平台支持大模型导入：支持大模型场景下的AI应用管理和服务部署。2. 人工智能相关直播合集“智汇医药，云聚新生”AI+生物医药创新发展高峰论坛cid:link_1从基因编辑到智能诊断，从药物研发到个性化治疗，AI与生物医药的结合正开启一个全新的智慧医药时代。 峰会聚焦“智汇医药，云聚新生”的主题，围绕生物医药行业数字化创新、产业前沿热点以及区域生态发展等方向，共同探讨AI技术+生物医药产业融合新趋势，解读未来发展新风向。 通过数字化和智能化的使能，可以为生物医药领域带来创新和改变。“我们鼓励开发者们积极探索如何充分利用华为云盘古大模型，将其应用于生物医药，推动医疗创新，提升人民健康水平。”备份恢复全掌握，数仓数据更安全 cid:link_2 当意外发生时，你就知道：数据的备份恢复是一项不可忽视的系统工作。 相对于集群级备份恢复海量的文件操作，物理细粒度备份恢复能够从更小的粒度、以更少的数据文件操作，对数据库对象进行备份与恢复。GaussDB(DWS) Roach工具提供了丰富的物理细粒度备份恢复功能，帮助您更加精确高效地备份恢复指定数据。 每个和数据打交道的人都需要来看一看~Toolkit插件在诗情画意中完成AI作诗——classroom教你如何作诗 cid:link_0包括4部分内容：Huawei Cloud Toolkit 介绍Huawei Cloud Toolkit 实战介绍，AI作诗实战Classroom介绍，培训课程&实验教程演示2023华为开发者大赛宣讲其中API能力那一块还是很吸引人的

被拦截了，但很难人工修改：GAN核心思想和原理https://bbs.huaweicloud.com/forum/thread-02109134092937224045-1-1.html?fid=567

从整个机器学习的任务划分上来看，机器学习可以分为有监督学习、无监督学习和半监督学习及强化学习。图像、文本等深度学习的应用都属于有监督学习范畴。自编码器和生成式对抗网络可以算在无监督深度学习范畴内。最后就剩下强化学习了。强化学习发展到现在，早已结合了神经网络迸发出新的活力，强化学习结合深度学习已经形成了深度强化学习（Deep Reinforcement Learning,DRL)这样的新领域。强化学习是一种关于序列决策的工具，在许多领域中都有研究，如博弈论、控制论、运筹学信息论、仿真优化、多主体系统学习、群体智能、统计学及遗传算法等领域。具体而言，就是描述决策主体如何基于环境而行动以获取收益最大化的问题。强化学习一个最典型的例子就是击败李世石和柯洁的阿尔法围棋(Alpha Go)，其实现下棋并战胜人类的背后技术原理就是深度强化学习。如图分别是AlphaGo的价值网络(Value Network)和策略网络(Policy Network)强化学习就是让计算机在环境中学习。在环境中，机器的每个行为(Action)都会给定相应的奖励(Reward)，机器通过对这些数据进行学习来决定之后的决策。这其实非常符合人类的经验学习方式。例如，当我们还是一个小孩子时，第一次看见火，走到火边，感受到了温暖，这时火给我们带来的是正反馈（奖励为正），后来尝试用手想要去摸一下火，然后我们就被烫伤了，这时火给我们带来的是负反馈（奖励为负）。于是我们知道了，离火稍微远一点会带来温暖，离得太近则会被烫伤。这种与环境交互式的学习方式正是强化学习的核心思想。而用数学语言来描述基于环境交互的强化学习过程会更精确一些。

GAN的核心思想就在于两个部分：一个是伪造者网络；另一个是鉴定者网络。二者互相对抗，共同演进，在此过程中大家的水平都越来越高，伪造者网络生成的图像就足以达到以假乱真的水平。基于这个思想来看一下GAN的原理与细节。GAN的基本原理就在于两个网络：G(Generator)和D(Discriminator)分别是生成器和判别器。生成器网络以一个随机向量为输入，并将其解码生成一张图像，而判别器网络以一张真实或合成的图像作为输入，并预测该图像是来自真实的图像还是合成的图像。在训练过程中，生成网络G的目标就是尽量生成真实的图像去欺骗判别网络D。而D的目标就是尽量把G生成的图像和真实的图像分别开来。这样，G和D就构成了一个动态的"博弈过程'。在理想状态下，博弈的结果就是G可以生成足以以假乱真的图像G(z)，而此时的D难以判定生成的图像到底是真是假，最后得到D(G(z)）=0.5的结果。这里的理解与博弈论中的零和博奔非常类似，可以说GAN借鉴了博弈论中相关的思想和方法。GAN的基本结构如图自从GoodFellow提出GAN以后，GAN就存在着训练困难、生成器和判别器的损失无法指示训练进程、生成样本缺乏多样性等问题。为了解决这些问题，后来的研究者不断推陈出新，以至于现在有着各种各样的GAN变体和升级网络。例如，LSGAN、WGAN、WGAN-GP、DRAGAN、CGAN、lnfoGAN、ACGAN、EBGAN、BEGAN、DCGAN及最近号称史上最强图像生成网络的BigGAN等。DCGAN的原始论文为Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks，DCGAN，顾名思义就是生成器和判别器都是深度卷积神经网络的GAN。

Generative Adversial Networks GAN的关键在于生成器网络和判别器网络之间的对抗学习。GAN生成式对抗网络自从问世以来就颇受瞩目，相对于变分自编码器，生成式对抗网络既可以学习图像的潜在空间表征，也可以生成与真实图像在统计上几乎无法区分的合成冬像。开创GAN的必读论文就是GAN。作者Goodfellow就是那本号称深度学习圣经的"花书"的作者。下面以一个例子作为类比，先来直观地体会一下GAN的基本思想。假设一名书法家想伪造王羲之的书法，刚开始，这名书法家对于模仿王羲之的书法并不精通，于是他把模仿的书法和王羲之的真迹放在一起交给另一位行家，这位行家对每一书法的真实性都进行了鉴定和评估并向这名书法家进行反馈．告诉他王羲之书法的特点和精髓，以及如何模仿才像真正的王羲之书法。模仿的书法家根据反馈回去继续研究，并不断给出新的模仿书法。模仿者越来越擅长模仿王羲之书法，鉴定者也越来越长找出真正的赝品。

这个模型的名字叫作变分自编码器，什么是变分？学过泛函分析的人应该都知道。函数的概念在于变量之间的映射，输入一个数值，返回的也是一个数值。而泛函则是函数的函数，所谓函数的函数，就是输入的是函数，返回的是数值，一般用积分的形式来表示泛函。这是函数与泛函的对比。函数有微分这一概念。函数的微分就是关于自变量X发生变化时对应函数值的变化量。将微分的概念准广到泛函就是变分的含义。所渭变分，就是自变量函数X(t)发生变化时，对应泛函值的变化量。所以，简单而言，变分就是泛函的微分。微分可以用来求函数的极值，那么相应的变分就可以用来求泛函的极值，研究泛函机制的方法就是所渭的变分法(Variational Method)。VAE中好像确实没有用到变分？实际上，VAE中的变分在于损失函数推导过程中利用了KL散度及其性质，而KL散度本身则是一个泛函。作为自编码器的一种，VAE有着自己的特殊性但是其本质并不复杂。VAE本质上就是在常规的自编码器的基础上，对Encoder的结果（在VAE中对应着计算均值的网络）加上了"高斯噪声"，使得结果Decoder能够对噪声有鲁棒性；而那个额外的KL损失（目的是让均值为0，方差为1），事实上就是相当于对Encoder的一个正则项，希望Encoder出来的东西均有零均值。而编码计算方差的网络的作用在于动态调节噪声的强度。可以看一下Keras给出的VAE实现。VAE是当前主流的生成模型之一，但相对来说其生成图像的质量效果并不是非常高。

作为一种特殊的编码器模型，变分自编码器(Variational Autoencoder,VAE)是生成模型的两座大山之一[另一座是生成对抗网络(GAN)]。VAE特别适用于通过概念向量进行图像生成和编辑的任务。经典的自编码器由于本身是一种有损的数据压缩算法，在进行图像重构时不会得到效果最佳或良好结构的潜在空间表达，VAE则不是将输入图像压缩为潜在空间的编码，而是将图像转换为最常见的两个统计分布参数：均值和标准差。然后使用这两个参数来从分布中进行随机采样得到隐变量，并对隐变量进行解码重构即可。这是对VAE的一段相当简洁的描述，实际上，因为概率图本身的抽象性，VAE不是一个容易理解的模型。下图所示是VAE的基本结构。在统计学习方法中，通过生成方法所学习到的模型就是生成模型(Generative Model)（对应于判别方法和判别模型）。所渭生成方法，就是根据数据学习输入X和输出Y之间的联合概率分布，然后求出条件概率分布p(Y|X)作为预测模型的过程，这种模型便是生成模型。例如，传统机器学习中的朴素贝叶斯模型和隐马尔可夫模型都是生成模型。具体到深度学习和图像领域，生成模型也可以概括为用概率方式描述图像的生成，通过对概率分布采样产生数据。深度学习领域的生成模型的目标一般都很简单，就是根据原始数据构建一个从隐变量Z生成目标数据Y的模型，只是各个模型有着不同的实现方法。从概率分布的角度来解释就是构建一个模型将原始数据的概率分布转换到目标数据的概率分布，目标就是原始分布和目标分布要越像越好。所以，从概率论的角度来看，生成模型本质上就是一种分布变换。根据上图中的流程简述一下VAE的技术原理：（1）编码器模块将输入图像转换为表示潜在空间中的两个参数：均值和方差，这两个参数可以定义潜在空间中的一个正态分布。（2）从这个正态分布中进行随机采样。（3）由解码器模块将潜在空间中的采样点映射回原始输入图像，从而达到重构的目的。

随着科技的快速发展，人工智能已经成为当今社会最为热门的话题之一。在人工智能领域中，大模型技术是其中最受关注的技术之一。大模型是指模型参数数量超过千万、甚至亿级别的深度学习模型。这些模型具有强大的计算能力和学习能力，可以处理更加复杂、细致的任务，并且能够自我学习和不断优化。大模型技术的背景源于深度学习算法的不断发展。在过去的几年中，深度学习算法已经取得了巨大的成功，尤其是在图像、语音和自然语言处理等领域。然而，随着数据量的不断增大和任务复杂度的不断提高，传统的深度学习算法已经无法满足人们的需求。因此，大模型技术应运而生，旨在解决传统深度学习算法面临的挑战。大模型技术之所以受到广泛关注，是因为它具有以下优点：首先，大模型具有更强的泛化能力。传统的深度学习算法容易过拟合训练数据，导致模型无法泛化到新的数据。而大模型由于参数数量庞大，可以更好地捕捉数据的特征和规律，从而具有更强的泛化能力。其次，大模型具有更强的表示能力。由于大模型的参数数量庞大，可以表示更加复杂的函数或映射关系，从而能够更好地处理复杂、细致的任务。最后，大模型具有更好的鲁棒性。由于大模型的学习过程中涉及到更多的数据和特征，因此可以更好地抵抗噪声和干扰，从而具有更好的鲁棒性。在大模型技术的应用方面，已经取得了许多令人瞩目的成果。例如，在自然语言处理领域中，基于大模型的机器翻译、文本生成、情感分析等技术已经达到了相当高的水平。在图像处理领域中，基于大模型的图像识别、目标检测、图像生成等技术也已经取得了重大进展。此外，在语音识别、推荐系统、自动驾驶等领域中，大模型技术也得到了广泛应用。然而，大模型技术也面临着一些挑战和问题。首先，大模型需要巨大的计算资源和存储空间，这需要高昂的成本和技术支持。其次，大模型的训练和推理过程需要大量的时间和计算资源，这限制了其在实际应用中的效率。此外，由于大模型的复杂性，其调试和维护也需要专业的知识和技能。综上所述，大模型技术是人工智能领域中的重要发展方向之一。虽然其具有许多优点和广泛应用，但也面临着一些挑战和问题。未来需要进一步的研究和技术创新来解决这些问题，推动人工智能技术的不断发展。

如果一个算法只是为了让输入等于输出，那么这个算法意义肯定不大，自编码器的核心价值在于经编码器压缩后的潜在空间表征。经过这种有损的数据压缩，可以学习到输入数据中最重要的特征。虽然自编码器是一个新概念，但是其内容本身非常简单。在Keras实现中我们可以看到如何用几行代码搭建和训练一个自编码器。自编码器这样的自我学习模型到底有什么用呢？这个问题的答案关乎无监督学习在深度学习领域的价值，所以还是非常有必要说一下的。自编码器吸引了一大批研究和关注的主要原因之一是，很长一段时间以来，它被认为是解决无监督学习的可能方案，即大家觉得自编码器可以在没有标签时学习到数据的有用表达。就具体应用层面上而言，自编码器通常有两个方面的应用：一是数据去噪，二是为进行可视化而降维。自编码器在适当的维度和系数约束下可以学习到比主成分分析(PCA)等技术更有意义的数据映射。以CIFAR-10数据集为例，给原始数据添加一些噪声，再使用自编码器来进行去噪。添加的噪声基本被消除了，自编码器确实是一种较好的数据降噪算法。

作为一种无监督或自监督算法，自编码器本质上是一种数据压缩算法。 无监督学习很有可能是一把决定深度学习未来发展方向的钥匙，在缺乏高质量打标数据的有监督机器学习时代，若是能在无监督学习方向上有所突破，对于未来深度学习的发展意义重大。所渭自编码器（Autoencoder AE）就是一种利用反向传播算法使得输出值等于输入值的神经网络，它先将输入压缩成潜在空间表征，再将这种表征重构为输出。所以，从本质上来说，自编码器是一种数据压缩算法，其压缩和解压缩算法都是通过神经网络来实现的。自编码器有如下3个特点。（1）数据相关性。数据相关性是指自编码器只能压缩与自己此前训练数据类似的数据。例如，如果使用MNIST训练出来的自编码器来压缩人脸图片，那么效果肯定会很差。（2）数据有损性。自编码器在解压时得到的输出与原始输入相比会有信息损失，所以自编码器是一种数据有损的压缩算法。（3）自动学习性。自编码器是从数据样本中自动学习的，这意味着它很容易对指定类的输入训练出一种特定的编码器，而不需要完成任何新工作。构建一个自编码器需要两部分：编码器(Encoder)和解码器(Decoder)。编码器将输入压缩为潜在空间表征，可以用函数f（x）来表示；解码器将潜在空间表征重构为输出，可以用函数g（x）来表示。编码函数f（x）和解码函数g（x）都是神经网络模型。自编码器的结构如图

ERROR:root: stat:403 errorCode:None errorMessage:None reason:Forbidden request-id:0000018B6BC09C63D285EA2E13246746 retry:0

 当 Python 遇到 ChatGPT：一种强大的组合 随着人工智能和自然语言处理技术的快速发展，聊天机器人成为了一个备受瞩目的领域。而在这个领域中，ChatGPT 无疑是最为出色的之一。作为一种基于深度学习的自然语言处理技术，ChatGPT 能够像人类一样进行对话交流，并为人们提供智慧和启示。而当 Python 遇到 ChatGPT，它们之间将擦出怎样的火花呢？  首先，ChatGPT 是一种基于Transformer的自然语言处理模型，它可以通过学习和训练，理解和回答人类语言的问题。和传统的搜索引擎或聊天机器人不同，ChatGPT 可以理解上下文，能够根据用户的问题或需求进行连续的、有逻辑的回答。这种技术可以为 Python 开发者提供更加强大和智能的交互体验。  其次，Python 作为一种简单易学、功能强大的编程语言，在数据科学、机器学习、自然语言处理等领域有着广泛的应用。通过与 ChatGPT 技术相结合，Python 可以实现更加智能化的数据处理和分析。例如，使用 Python 中的 pandas 库可以轻松地处理和分析大量的数据，而使用 ChatGPT 则可以更加灵活地进行交互式的数据分析和探索。  另外，ChatGPT 也可以和 Python 中的其它库和框架进行结合，例如 Flask 或 Django 等 Web 框架，可以轻松地构建出具有自然语言交互功能的 Web 应用程序。同时，通过结合深度学习框架 TensorFlow 或 PyTorch 等，可以构建更加复杂和强大的聊天机器人。  总之，当 Python 遇到 ChatGPT，将会产生一种强大的组合。通过这种结合，我们可以利用 ChatGPT 的自然语言处理能力和 Python 的数据处理和分析能力，实现更加智能化的应用程序和解决方案。随着人工智能技术的不断发展，这种组合将会在更多的领域得到应用和推广。  1. 文本生成 作为一种自然语言处理技术，ChatGPT 可以用来生成文本。通过调用 ChatGPT API，我们可以获得大量的文本数据，从而进行文本生成。而使用 Python 进行文本生成时，需要使用到 ChatGPT 的 Python SDK。通过这个 SDK，我们可以轻松地调用 ChatGPT 进行文本生成。  2. 自动翻译 ChatGPT 也可以用来实现自动翻译功能。通过使用 ChatGPT 中的跨语言模型，我们可以实现不同语言之间的翻译。在 Python 中，我们可以使用 ChatGPT 的 Python SDK 来调用自动翻译功能。通过这个 SDK，我们可以轻松地将一段文本从一种语言翻译成另一种语言。  3. 对话生成 作为一种自然语言处理技术，ChatGPT 可以用来生成对话。通过调用 ChatGPT API，我们可以获得对话的上下文信息，并据此生成回答。在 Python 中，我们可以使用 ChatGPT 的 Python SDK 来调用对话生成功能。通过这个 SDK，我们可以轻松地根据上下文信息生成回答。  4. 情感分析 ChatGPT 也可以用来进行情感分析。通过使用 ChatGPT 中的情感分析模型，我们可以分析文本中所表达的情感。在 Python 中，我们可以使用 ChatGPT 的 Python SDK 来调用情感分析功能。通过这个 SDK，我们可以轻松地分析文本中所表达的情感。  总之，当 Python 遇到 ChatGPT 时，将会带来巨大的潜力和可能性。通过使用 Python 和 ChatGPT 的结合，我们可以实现许多强大的功能，从而为人们提供更加智慧的服务。 ———————————————— 版权声明：本文为CSDN博主「程序边界」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/qq_32682301/article/details/133649800