另一种经常用于图像识别和分类的深度学习算法是卷积神经网络（CNN）。下面是卷积神经网络算法的详细介绍：数据预处理：与前一个算法类似，卷积神经网络也需要进行数据预处理，以便将其转换为适合构建卷积神经网络的格式。这通常包括数据清洗、缺失值填充和特征选择等步骤。卷积神经网络模型：卷积神经网络由多个卷积层和池化层组成，每个卷积层和池化层都由多个神经元组成。卷积层和池化层的作用是提取输入数据中的特征，并将其传递给下一层的神经元。卷积神经网络训练：卷积神经网络模型构建完成后，我们需要使用训练数据来训练模型。训练过程中，我们将输入数据传递给模型，模型会计算输出结果并根据误差进行反馈和调整。训练通常采用反向传播算法进行优化。预测：训练完成后，我们可以使用训练好的模型对新数据进行预测。预测过程中，我们将新数据传递给模型，模型会计算输出结果并根据误差进行反馈和调整。卷积神经网络算法的优点包括：高性能：卷积神经网络在处理图像和语音等数据时具有很好的性能，它可以在很短的时间内得到准确的结果。局部连接权重：卷积神经网络中的卷积层和池化层通常使用局部连接权重，这有助于加速训练过程并提高模型的准确性和鲁棒性。容易扩展：卷积神经网络通常具有很好的可扩展性，即它可以轻松地添加新的卷积层和池化层。这使得它成为一种很好的监督学习算法，可以用于许多不同领域的任务。可解释性强：卷积神经网络是一种结构化的算法，它可以很好地解释其学习过程，使得人们能够理解和解释算法的结果。然而，卷积神经网络算法也存在一些缺点：计算复杂度高：构建和训练卷积神经网络需要大量的计算资源和时间，这使得它在处理大规模数据时表现不佳。模型大小和参数数量：卷积神经网络通常具有很大的模型大小和参数数量，这使得模型难以在较小的数据集上进行训练和优化。容易过拟合：在训练过程中，卷积神经网络可能会陷入局部最优解，导致模型表现不佳。

当谈论人工智能算法时，一个常见的算法是决策树。决策树是一种树形结构的分类器，它可以用来对数据进行分类或回归分析。下面是决策树算法的详细介绍：数据预处理：决策树算法需要进行数据预处理，以便将其转换为适合构建决策树的格式。这通常包括数据清洗、缺失值填充和特征选择等步骤。建立决策树模型：在数据预处理之后，决策树算法开始构建决策树模型。通常情况下，决策树的最终形状由一个决策树叶子节点和根节点组成。每个节点都表示一个特征或者一个决策。决策树剪枝：为了使决策树更加健壮，算法需要对决策树进行剪枝。这是通过停止增加或减少节点来完成的。剪枝可以消除无用的节点，使得算法能够更好地拟合数据。预测：决策树算法的最后一步是使用训练好的模型对新数据进行预测。通常情况下，我们将新数据输入到模型中，然后根据模型的输出结果进行分类或回归预测。决策树算法的优点包括：分类性能好：决策树可以对数据进行分类，并且在很多情况下表现优于其他分类算法，如朴素贝叶斯、支持向量机等。可解释性强：决策树是一种结构化的算法，它可以很好地解释其分类或回归的过程，使得人们能够理解和解释算法的结果。自动递归：决策树是一种自动递归的算法，它可以自动搜索最优的划分特征子集和最优的属性值。这有助于避免过拟合问题，并且提高算法的准确性和鲁棒性。泛化能力强：决策树算法通常具有很好的泛化能力，即它可以在不同的数据集上表现出相似的性能。这使得它成为一种很好的监督学习算法，可以用于许多不同领域的任务。然而，决策树算法也存在一些缺点：训练数据过度依赖：决策树算法通常需要大量的训练数据来进行模型训练。如果训练数据不足或者质量不佳，那么算法可能会过度拟合数据，导致预测结果不准确。特征重要性权重问题：在训练决策树时，特征的重要性权重通常是一个棘手的问题。如果特征之间的相关性较低，那么它们的权重就应该被设置得较低，否则会影响模型的准确性和鲁棒性。局部最优问题：在构建决策树时，可能会出现局部最优问题，即某些子节点可能会过度拟合数据。这可能导致模型在某些情况下表现不佳。解释性差：决策树本质上是一种黑盒模型，即它很难解释其决策过程。这限制了人们对算法结果的理解和解释。总之，决策树算法是一种非常流行且有效的机器学习算法，它具有很好的分类性能、可解能力和可扩展性。然而，它也存在一些限制和缺点，因此在实际应用中需要根据具体情况进行权衡和选择。

PyTorch是一个开源的深度学习框架，它最初由Facebook开发，现在由Google开发并维护。PyTorch的设计目标是提供一个简单、高效、灵活的工具，使得开发人员能够快速地搭建和训练深度学习模型。它的文档和教程非常丰富，可以帮助开发人员快速上手，并且提供了大量的示例代码和可视化工具，使得开发人员可以更直观地理解和掌握PyTorch。PyTorch的主要特点包括：灵活性：PyTorch提供了丰富的工具和库，开发人员可以使用这些工具和库来构建和训练各种深度学习模型，包括卷积神经网络、循环神经网络、自编码器等。同时，PyTorch还支持分布式训练，可以让多个开发人员同时训练同一个模型。简单性：PyTorch的设计理念是简化深度学习模型的构建和训练过程，使得开发人员能够快速上手。它的API非常简单明了，可以帮助开发人员快速构建和训练模型。可扩展性：PyTorch具有很好的可扩展性，可以轻松地添加新的模型、算法和工具。它支持动态图和静态图两种方式来构建模型，可以满足不同场景的需求。易用性：PyTorch的文档和教程非常详细，使得开发人员可以快速上手。它还提供了大量的示例代码和可视化工具，使得开发人员可以更直观地理解和掌握PyTorch。PyTorch的应用场景包括：计算机视觉：PyTorch在计算机视觉领域有广泛的应用，如图像分类、目标检测、语义分割等。自然语言处理：PyTorch在自然语言处理领域也有广泛的应用，如文本分析、文本生成、情感分析等。人工智能推荐系统：PyTorch在人工智能推荐系统中有广泛的应用，如基于协同过滤的推荐系统、基于内容过滤的推荐系统等。机器学习：PyTorch在机器学习领域有广泛的应用，如分类、回归、聚类等。总的来说，PyTorch是一个非常流行且功能强大的深度学习框架，它可以帮助开发人员快速构建和训练各种深度学习模型，并且支持分布式训练，可以让多个开发人员同时训练同一个模型。随着深度学习技术的不断发展和应用场景的不断扩展，PyTorch在未来将会有更广泛的应用。

TensorFlow是一种用于构建和训练机器学习模型的开源软件库。它最初由Google开发，现在由Google和开源社区共同维护。TensorFlow使用数据流图来表示计算，其中节点表示数学操作，边缘表示多维数据集（张量）之间的依赖关系。这种表示方法使得TensorFlow可以自动地在CPU和GPU等设备上并行执行计算，从而提高了计算速度。TensorFlow的特点包括：灵活性：TensorFlow支持各种类型的机器学习算法，包括神经网络、决策树和随机森林等。同时，它还支持各种数据类型和输入格式，包括图像、文本和声音等。可扩展性：TensorFlow具有良好的可扩展性，可以轻松地添加新的计算设备和张量形状。它还支持分布式训练，可以在多个设备上同时处理数据和模型。高效性：TensorFlow采用了并行计算技术，可以大大提高计算速度。它还支持GPU加速，可以加快训练过程中的数据处理和模型推断。社区支持：TensorFlow拥有庞大的社区，许多开发者为其提供了丰富的功能和工具。这使得TensorFlow在实际应用中非常易用和可靠。TensorFlow的应用非常广泛，包括计算机视觉、自然语言处理、语音识别、推荐系统、强化学习等领域。例如，在计算机视觉领域，TensorFlow已经被广泛应用于图像分类、目标检测和语义分割等任务。在自然语言处理领域，TensorFlow已经被用于文本分类、情感分析和命名实体识别等任务。在语音识别领域，TensorFlow已经被用于声音分析、音乐分类和语音合成等任务。在推荐系统领域，TensorFlow已经被用于协同过滤、基于内容的推荐和个性化推荐等任务。在强化学习领域，TensorFlow已经被用于策略游戏和机器人控制等任务。总之，TensorFlow是一种非常强大和灵活的机器学习软件库，已经在许多领域得到了广泛应用。它的出现大大提高了机器学习的效率和可靠性，使得人工智能技术在各个领域都得到了广泛应用。

中午我在思考一个问题，既然华为自己的盘古大模型开发出来之后，有没有机会能服务到我们的c端用户呢？眼看鸿蒙3.0已经逐渐走向成熟，但是我还是感觉给用户带来的震撼不够。用户需要ai加持，这是必然的趋势不是吗？可能在语言回复功能上胡说八道的可能性还是会有，但是我觉得可以先从特定的几个方向研究，比如已经成熟的AI1.0的小艺小艺，我觉得可以适当的加持部分功能，比如天气预警，事务提醒，外卖点餐等，以及多维度得思维辨析，都是可能带来不一样得感觉的。这是我对移动端得感想，再来谈谈我对智能家居得看法。我还记得华为得万物互联当时给我带来的震撼，无与伦比，这真的是对于真正互联网技术得顶尖理解，才能做出这样得伟大壮举，但是，大模型时代已经到来，万物互联的时代真正要来临了。可以单卡即可运行得模型并非没有，在微调得当得情况之下，难道，智能家居与大模型结合得方法还会没有吗？智能加持得智能床，随时传输给大模型数据，实时关注身体健康，可以及时预警。智能加持得智能房间，随时关注天气变化，实时帮助我们开关窗帘，提醒出门带伞等等等等，能大模型加持得地方太多太多，根本想不过来。如果可以，我更希望大模型对于教育不均衡地区得孩子们带来的意义更大，这就是科技得初衷不是吗？

在华为云全栈全场景AI架构里面，ModelArts属于AI应用使能层。其使命是让AI应用开发再简单，以解决AI成为通用生产力，推动千行百业智能升级时所面临的两难两缺难题：AI开发难、AI行业落地难、AI算力稀缺、AI人才短缺。ModelArts是面向AI开发者的一站式开发平台，提供海量数据预处理及半自动化标注、大规模分布式训练、自动化模型生成及端-边-云模型按需部署能力，帮助用户快速创建和部署模型，管理全周期AI工作流。为了让广大的开发者朋友们可以近距离地体验、交流ModelArts，我们特举办本次ModelArts征文活动，邀请大家分享自己在学习、使用ModelArts产品过程中的心得与体验，你所了解的ModelArts技术架构、代码调试经验、训练技巧、故障解决经历、学习过程、反馈建议等等，都可以与我们分享。☞征文主题本次征文活动主题分为三大类，创作者可自由选择其一进行创作。一、技术干货1、立足具体应用场景，介绍ModelArts的场景优势及具体操作流程（可附带操作截图）。2、分享使用ModelArts的实战经验、应用技巧或成功案例，包含但不限于：自定义镜像制作、代码调试、训练调优、模型包使用规范、推理代码调试、OBS文件拷贝等内容。二、故障解决经验分享你在使用ModelArts过程中解决的问题，需要包含以下三点：问题现象、原因分析、处理方法。报错类型包括但不限于：CUDA相关问题文档路径错误ModelArts权限配置/文件访问权限问题NCCL问题CloudShell使用问题NPU使用问题OBS相关问题pip源问题OOM问题训练作业卡死作业退出码139问题磁盘空间不足问题作业性能下降问题VS Code/PyCharm的ssh访问问题自定义镜像问题访问公网相关问题模型导入问题模型推理代码开发问题三、畅所欲言1、你是怎么了解到ModelArts的，会用这款产品完成哪些工作，Ta怎样融入你的工作/学习、生活，哪些ModelArts的功能用的比较多？2、在产品使用过程中，你又有哪些感悟与心得要与大家分享？（例如，如何学习入门、解决报错的思路）☞征文规则1、活动面向企业开发者、个人开发者、高校开发者、生态合作伙伴等广大开发者群体。2、文章标题必须以【我与ModelArts的故事】开头。文章末尾需加上下面两句话：我正在参加【有奖征文第21期】说说你和ModelArts的故事，输出优质产品体验文章，赢开发者大礼包！cid:link_7文章跟华为云产品ModelArts相关，所以需要加上【AI开发平台ModelArts】和【云端实践】标签。3、建议投稿内容字数不少于500字（不含代码段），语句通顺、文章逻辑清晰、排版整洁、代码规范，尽量图文并茂（有技术架构图或者分析图等做支撑）。4、文章保证原创首次发布，如发现投稿内容为转载、复制、抄袭、恶意拼接、灌水等侵权作弊行为，均视为无效并取消参与资格。5、文章须符合征文主题及平台内容规范，不得出现违规负面内容。详见华为云开发者平台内容互动使用协议6、参加征文活动的文章作者拥有著作权，华为云拥有使用权、修改权等。☞参与方式新用户：①小白用户体验入口：ModelArts使用简介与免费试用②进行产品体验后即可参与活动老用户可直接发博文。>>>立即发表博文· 以上奖品均为实体奖品，具体视出库情况而定。☞我们需要哪些主题的稿件？如果你还不知道该怎么写，参考以下文章，可以让你更快上手：VSCode一键接入Notebook体验算法套件快速完成水表读数人工智能开发中，OBSutil如何一键配置日志提示“no socket interface found”☞评奖规则届时将由华为云开发者社区、EI团队共同参与评审。其他说明：1、一二三等奖不能叠加。2、一二三等奖可与创作小能手奖叠加。3、参与奖不与一二三等奖和创作小能手叠加。4、有奖征文投稿数量不计入月度激励活动文章数量。☞你将获得什么？我们会把收到的优质内容汇编成册，并注明原作者，积累行业口碑，开放给圈内开发者下载查阅，提供实践参考。对于贡献优质内容的作者，我们还将送出各项大礼！同时，在华为云站内外10+个技术社区醒目位置进行推荐，给与百万级流量资源。优质作者更可获得长期约稿和更多内容合作机会。☞问题咨询如果有任何问题，可扫描下方二维码咨询。添加微信时请备注：有奖征文+华为云博客昵称！更多ModelArts技术干货、实践经验，可前往ModelArts开发者论坛。为了方便开发者之间进行技术交流、了解ModelArts最新动态，欢迎扫码加入华为云ModelArts关键AI能力交流群。如果大家在征文中遇到有关华为云产品体验方面的问题建议，请到【云声平台】提出您的宝贵建议，标题以【云驻计划-定向征文】开头，还有机会赢取额外奖励。☞快来华为云社区博客，一起遨游技术海洋吧！ 点击立即体验部分奖品展示：华为云云宝公仔开发者定制礼盒3（A5平装本+450ml温控杯+金属笔）开发者定制双肩包开发者定制短袖-T恤开发者定制Polo衫开发者定制折叠雨伞开发者定制帆布袋

有了AI文字修图，再也不想跟不会P图的人说话了。InstructPix2Pix结合GPT-3 和 Stable Diffusion，通过上传图像，告知模型你想要的图片风格，即可生成不一样的图像结果。动动嘴皮子，P图就是如此简单。↓↓↓下滑进行活动参与↓↓↓活动时间：2023年3月31日-4月23日活动内容：活动一评论区分享案例结果，邀请好友进行点赞，点赞前十五名（帖子点赞数≥15）的用户，会根据最终点赞量的排名获得礼品第1-2名雷柏V808机械键盘第3-5名乐高积木第6-15名罗技M185（M186）鼠标活动二4月17日，19：00-20：30直播互动赢好礼活动步骤指导：※需有华为云账号且进行过实名认证，cid:link_4 点击案例【AI 文字编辑图片 instruct-pix2pix】，根据操作提示完成案例运行；替换图片，选则自己喜欢的风格；生成海报，分享给自己的好友一起参与活动规则说明1．所有获得华为奖项的获奖用户，请于获奖后3日内完成实名认证，否则视为放弃奖励；2．同一个实名认证的用户，不能重复领奖；3. 其它事宜请参考【华为云社区常规活动规则】，本活动最终解释权归华为云所有。cid:link_3获奖结果公示1.   活动公示时间：2023年4月28日-2023年5月4日，为保证您顺利领取活动奖品，请您提前填写奖品收货信息，如您没有填写，视为放弃奖励【点击此处填写信息】。活动获奖信息填写时间截至2023年5月7日，如未填写则视为放弃领奖；2.   公示期间有任何问题，可扫描活动内社群二维码入群，联系群主3.   奖品将在获奖信息填写时间截止后，7个工作日内发出论坛获奖公示名次ID奖品第一名Idea雷柏V808机械键盘第二名赫塔穆勒第三名加油O幸福乐高积木第四名DevFeng第五名杜林2222第六名小仙女可可罗技M185（M186）鼠标第七名王女士org第八名CoConut第九名Der冰淇淋第十名开开心心·第十一名yd_Zixin第十二名yd_kayla第十三名slincya第十四名hw58009042第十五名hw_Cyan直播获奖公示姓名联系方式奖品李*138******36棒球帽任*宇155******07金*188******84肖*英130******06华为云云宝公仔何*蕾187******46

模型训练过程中需要大量已标注的数据，因此在模型训练之前需要进行数据标注作业。ModelArts为用户提供了标注数据的能力：人工标注：用户创建单人标注作业，对数据进行手工标注。智能标注：在标注一定量的数据情况下，用户可以通过启动智能标注任务对数据进行自动标注，提高标注的效率。团队标注：对于大批量的数据，用户可以通过创建团队标注作业，进行多人协同标注。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算法开发套件提供了一个全流程和白盒化的云原生算法开发工具，支持通过本地VSCode/PyCharm远程连接到云上开发环境后使用。Notebook作为算法工程开发入口，便于用户无感调用云上计算存储资源进行开发，同时提供丰富的、可扩展的算法套件便于用户使用或二次开发。算法开发套件支持的主要特性：- 工程管理：用户可通过ma-cli createproject创建工程。- 资产管理：用户可通过python manage.py list列举或python manage.py install来安装、升级、覆盖已发布的算法包、模型包、数据集。- 数据拷贝：用户可通过python manage.py copy命令来实现OBS和本地数据的快速传输。- 本地训练、验证、推理：用户可通过python manage.py run命令。- 本地部署：用户可通过python manage.py deploy命令。- ModelArts训练、模型转换：用户可通过python manage.py run --launch_remote命令提交远程训练作业。- ModelArts部署：用户可通过python manage.py deploy --launch_remote命令提交远程部署任务。- 模块化设计：用户可基于算法框架规范构建自定义的算法资产并发布到ModelArts。算法开发套件还支持用户在Notebook中用python API进行交互式、参数化、低代码的开发方式快速完成算法验证与实践，使用指导请参考通过Python API使用算法套件。

软件开发的历史，就是一部降低开发者成本，提升开发体验的历史。在AI开发阶段，ModelArts也致力于提升AI开发体验，降低开发门槛。ModelArts开发环境，以云原生的资源使用和开发工具链的集成，目标为不同类型AI开发、探索、教学用户，提供更好云化AI开发体验。ModelArts Notebook云上云下，无缝协同代码开发与调测。云化JupyterLab使用，本地IDE+ModelArts插件远程开发能力，贴近开发人员使用习惯云上开发环境，包含AI计算资源，云上存储，预置AI引擎运行环境自定义，将开发环境直接保存成为镜像，供训练、推理使用ModelArts CodeLab（JupyterLab），让AI探索&教学更简单云原生Notebook，案例内容秒级接入与分享Serverless化实例管理，资源自动回收免费算力，规格按需切换远程开发 - 支持本地IDE远程访问Notebook新版Notebook提供了远程开发功能，通过开启SSH连接，用户本地IDE可以远程连接到ModelArts的Notebook开发环境中，调试和运行代码。对于使用本地IDE的开发者，由于本地资源限制，运行和调试环境大多使用团队公共搭建的CPU或GPU服务器，并且是多人共用，这带来一定的环境搭建和维护成本。而ModelArts的Notebook的优势是即开即用，它预先装好了不同的AI引擎，并且提供了非常多的可选规格，用户可以独占一个容器环境，不受其他人的干扰。只需简单配置，用户即可通过本地IDE连接到该环境进行运行和调试。ModelArts的Notebook可以视作是本地PC的延伸，均视作本地开发环境，其读取数据、训练、保存文件等操作与常规的本地训练一致。对于习惯使用本地IDE的开发者，使用远程开发方式，不影响用户的编码习惯，并且可以方便快捷的使用云上的Notebook开发环境。本地IDE当前支持VS Code、PyCharm、SSH工具。还有专门的插件PyCharm Toolkit和VS Code Toolkit，方便将云上资源作为本地的一个扩展。开发环境保存 - 支持一键镜像保存ModelArts的新版Notebook提供了镜像保存功能。支持一键将运行中的Notebook实例保存为镜像，将准备好的环境保存下来，可以作为自定义镜像，方便后续使用，并且方便进行分享。保存镜像时，安装的依赖包（pip包）不丢失，VS Code远程开发场景下，在Server端安装的插件不丢失。预置镜像 - 即开即用，优化配置，支持主流AI引擎每个镜像预置的AI引擎和版本是固定的，在创建Notebook实例时明确AI引擎和版本，包括适配的芯片。ModelArts开发环境给用户提供了一组预置镜像，主要包括PyTorch、Tensorflow、MindSpore系列。用户可以直接使用预置镜像启动Notebook实例，在实例中开发完成后，直接提交到ModelArts训练作业进行训练，而不需要做适配。ModelArts开发环境提供的预置镜像版本是依据用户反馈和版本稳定性决定的。当用户的功能开发基于ModelArts提供的版本能够满足的时候，比如用户开发基于Minspore1.5，建议用户使用预置镜像，这些镜像经过充分的功能验证，并且已经预置了很多常用的安装包，用户无需花费过多的时间来配置环境即可使用。ModelArts开发环境提供的预置镜像主要包含：常用预置包，基于标准的Conda环境，预置了常用的AI引擎，例如PyTorch、MindSpore；常用的数据分析软件包，例如Pandas、Numpy等；常用的工具软件，例如cuda、cudnn等，满足AI开发常用需求。预置Conda环境：每个预置镜像都会创建一个相对应的Conda环境和一个基础Conda环境python（不包含任何AI引擎），如预置Mindspore所对应的Conda环境如下：用户可以根据是否使用AI引擎参与功能调试，选择不同的Conda环境。Notebook：是一款Web应用，能够使用户在界面编写代码，并且将代码、数学方程和可视化内容组合到一个文档中。JupyterLab插件：插件包括规格切换，分享案例到AI Gallery进行交流，停止实例等，提升用户体验。支持SSH远程连接功能，通过SSH连接启动实例，在本地调试就可以操作实例，方便调试。ModelArts开发环境提供的预置镜像支持功能开发后，直接提到ModelArts训练作业中进行训练。提供在线的交互式开发调试工具JupyterLabModelArts集成了基于开源的JupyterLab，可为您提供在线的交互式开发调试。您无需关注安装配置，在ModelArts管理控制台直接使用Notebook，编写和调测模型训练代码，然后基于该代码进行模型的训练。JupyterLab是一个交互式的开发环境，是Jupyter Notebook的下一代产品，可以使用它编写Notebook、操作终端、编辑MarkDown文本、打开交互模式、查看csv文件及图片等功能。

挑战杯是“挑战杯”全国大学生系列科技学术竞赛的简称，是由共青团中央、中国科协、中国社会科学院、教育部和全国学联共同主办的全国性的大学生课外学术实践竞赛。本届挑战杯，华为云发布命题“基于端云算力协同的疲劳驾驶智能识别”。3月28日19:00-20:30华为云人工智能算法专家——夏飞，华为云生态运营专家——张志燕，详细解析赛事及赛题，助力大家更快理解华为云赛题，更好开发作品。直播回顾链接：请点击想赢取21万奖金？想获得企业实习机会推荐？赶紧报名参加吧，报名链接：请点击

数据集创建完成后，您还可以通过导入数据的操作，接入更多数据。ModelArts支持从不同数据源导入数据。从AI Gallery下载数据集从OBS导入数据从DLI导入数据从MRS导入数据从DWS导入数据从本地上传数据ModelArts的AIGallery中预置了大量的数据集，文件型和表格型都有，用户可以从AIGallery下载使用预置的数据集。您也可以将您自己的数据导入到ModelArts中。文件型数据来源除了从AIGallery下载预置数据集外，文件型数据集还支持从两种数据源导入数据：“OBS”和“本地上传”。导入后，导入目录下的数据会拷贝至数据集的数据源路径下。OBS：又分为从OBS目录或从Manifest文件两种导入方式，需要将导入的数据或Manifest文件提前存储至OBS目录中。本地上传：将本地数据直接通过Internet上传至OBS指定目录后，再导入数据集。表格型数据来源除了从AIGallery下载预置数据集外，表格数据集还支持从5种数据源导入数据，分别为对象存储服务（OBS）、数据仓库服务（DWS）、数据湖探索服务（DLI）、MapReduce服务（MRS）和本地上传。数据集中的数据导入入口数据集中的数据导入有5个入口。创建数据集时直接从设置的数据导入路径中自动同步数据。创建数据集时导入数据数据集列表页面的操作栏单击“导入”，导入数据。在数据集列表页面，单击某个数据集的名称，进入数据集详情页中，单击“导入”，导入数据。在数据集详情页中导入数据数据集列表页面，单击某个数据集的名称，进入数据集详情页中，单击“同步数据源”，同步OBS中的数据。在数据标注的标注作业详情中添加数据。

ModelArts趣味AI应用合集本期集合了之前很多有意思的AI小应用，感兴趣的小伙伴可以尝试跑桶运行一下。【AI助农】华为云ModelArts零代码开发病虫害识别应用应用介绍：使用ModelArts快速开发农作物病虫害识别微信小程序，用人工智能的力量赋能农业。【AI识图】ModelArts自动分组厉害了，一键完成数据标注、过滤应用介绍：将特征相似的图片归为一类，将特征差别大的图片群分离。【AI写作】哎哟不错哦，ModelArts教你写周式情歌应用介绍：通过大量的歌词数据训练模型，实现AI写杰伦风格的歌词。【AI写作】七夕节来啦！AI一键生成情诗，去发给你的女朋友吧！应用介绍：一个自动生成情诗的AI，大家可以在ModelArts尝试复现模型。【AI写作】要是有AI，我要做“李白”——五分钟开发作诗机器人应用介绍：本案例使用CBS为机器人快速配置技能，通过多轮对话实现机器人写诗技能。【AI聊天】听说华为云AI有个聊天官？——浅谈华小唯打造之路应用介绍：从确定人设、找写手到编写语料，一个会聊天的AI是这样被创造出来的。【AI识人】不知道斯嘉丽约翰逊演过哪些电影？知识图谱告诉你应用介绍：训练电影领域的自定义信息抽取模型，构建知识图谱，轻松查询斯嘉丽主演过哪些电影。 【AI聊天】史上最强DIY，手工制作一只会说话的机器狗应用介绍：在语音识别、自然语言处理、语音合成等技术加持下，机器狗实现更丰富的语音功能。【HiLens Studio体验】快速开发一个行人检测与跟踪 Demo应用介绍：凭借HiLens Studio, 任何时间、地点，都可以实现自己的idea。【HiLens Studio体验】如何用HiLens Studio轻松上手口罩检测小工具应用介绍：用HiLens的傻瓜开发工具做一个口罩识别小工具。【昇腾AI】“一分钟”跑通MindSpore的LeNet模型应用介绍：MindSpore的操作实践，献给踩坑的小伙伴。

由于模型训练过程需要大量有标签的图片数据，因此在模型训练之前需对没有标签的图片添加标签。您可以通过手工标注或智能一键标注的方式添加标签，快速完成对图片的标注操作，也可以对已标注图片修改或删除标签进行重新标注。针对物体检测场景，开始标注前，您需要了解：图片中所有目标物体都要标注。目标物体清晰无遮挡的，必须画框。画框仅包含整个物体。框内包含整个物体的全部，画框边缘不可与待标注的物体的边缘轮廓相交，在此基础之上确保边缘和待标注物体间不要留着空隙，避免背景对模型训练造成干扰。开始标注登录ModelArts管理控制台，在左侧菜单栏中选择“数据管理> 数据标注”，进入“数据标注”管理页面。在标注作业列表中，基于“标注类型”选择需要进行标注的标注作业，单击标注作业名称进入标注作业标注详情页。在标注作业标注详情中，展示此标注作业下全部数据。同步新数据ModelArts会自动将数据集中新增的数据同步至标注作业，包含数据及当前标注作业支持的标注信息。为了快速获取数据集中最新数据，可在标注作业详情页的“全部”、“未标注”或“已标注”页签中，单击“同步新数据”，快速将数据集中的数据添加到标注作业中。筛选数据在标注作业详情页面，默认展示作业中全部数据，您可以在“全部”、“未标注”或页签下，在筛选条件区域，单击“展开”，添加筛选条件，快速过滤出您想要查看的数据。支持的筛选条件如下所示，您可以设置一个或多个选项进行筛选。难例集：难例或非难例。标签：您可以选择全部标签，或者基于您指定的标签，选中其中一个或多个。样本创建时间：1个月内、1天内或自定义，如果选择自定义，可以在时间框中指定明确时间范围。文件名或目录：根据文件名称或者文件存储目录筛选。标注人：选择执行标注操作的帐号名称。样本属性：表示自动分组生成的属性。只有启用了自动分组任务后才可使用此筛选条件。数据属性：筛选数据的来源，选择“全部”或“推理”。查看已标注图片在标注作业详情页，单击“已标注”页签，您可以查看已完成标注的图片列表。单击图片，可在右侧的“当前文件标签”中了解当前图片的标签信息。修改标注当数据完成标注后，您还可以进入已标注页签，对已标注的数据进行修改。基于图片修改在标注作业详情页面，单击“标注”页签，选择“已标注”页签，然后在图片列表中选中待修改的图片，单击图片跳转到标注页面，在右侧标签信息区域中对图片信息进行修改。修改标签：“标注”区域中，单击编辑图标，在文本框中输入正确的标签名，然后单击确定图标完成修改。也可以单击标签，在图片标注区域，调整标注框的位置和大小，完成调整后，单击其他标签即可保存修改。删除标签：在“标注”区域中，单击删除图标即可删除此图片中的标签。标签删除后，单击页面左上角的“返回数据标注预览”离开标注页面，在弹出对话框中保存标注。图标的标签全部删除后，该图片会重新回到“未标注”页签。基于标签修改在标注作业详情页中，单击“标签管理”页签，在标签管理详情页，显示全部标签的信息。修改标签：单击操作列的“修改”，然后在弹出的对话框中输入修改后的标签和颜色，然后单击“确定”完成修改。修改后，之前添加了此标签的图片，都将被标注为新的标签名称。删除标签：单击操作列的“删除”，或选中需要删除的标签名称，单击上方的“删除”可删除此标签。添加数据除了同步数据集中的新数据外，您还可以在标注作业中，直接添加图片，用于数据标注。添加的数据将先导入至标注任务关联的数据集中，然后标注任务会自动同步数据集中最新的数据。在标注作业详情页面，单击“全部”、“已标注”或“未标注”页签，然后单击左上角“添加数据”，选择添加数据。在弹出的导入对话框中，选择数据来源和导入方式，选择导入的数据路径和数据标注状态。删除图片通过数据删除操作，可将需要丢弃的图片数据快速删除。在“全部”、“未标注”或“已标注”页面中，依次选中需要删除的图片，或者选择“选择当前页”选中该页面所有图片，然后单击左上角“删除图片”。在弹出的对话框中，根据实际情况选择是否勾选“同时删除源文件”，确认信息无误后，单击“确定”完成图片删除操作。

开始标注登录ModelArts管理控制台，在左侧菜单栏中选择“数据管理> 数据标注”，进入“数据标注”管理页面。在标注作业列表中，基于“标注类型”选择需要进行标注的标注作业，单击标注作业名称进入标注作业标注详情页。在标注作业标注详情中，展示此标注作业下全部数据。同步新数据ModelArts会自动将数据集中新增的数据同步至标注作业，包含数据及当前标注作业支持的标注信息。为了快速获取数据集中最新数据，可在标注作业详情页的“全部”、“未标注”或“已标注”页签中，单击“同步新数据”，快速将数据集中的数据添加到标注作业中。筛选数据在标注作业详情页面，默认展示作业中全部数据，您可以在“全部”、“未标注”或页签下，在筛选条件区域，单击“展开”，添加筛选条件，快速过滤出您想要查看的数据。支持的筛选条件如下所示，您可以设置一个或多个选项进行筛选。难例集：难例或非难例。标签：您可以选择全部标签，或者基于您指定的标签，选中其中一个或多个。文件名或目录：根据文件名称或者文件存储目录筛选。标注人：选择执行标注操作的帐号名称。样本属性：表示自动分组生成的属性。只有启用了自动分组任务后才可使用此筛选条件。数据属性：筛选数据的来源，选择“全部”或“推理”。标注图片（手工标注）在标注作业详情页中，展示了此数据集中“全部”、“未标注”和“已标注”的图片，默认显示“全部”的图片列表。单击图片，即可进行图片的预览，对于已标注图片，预览页面下方会显示该图片的标签信息。在“未标注”页签，勾选需进行标注的图片。手工点选：在图片列表中，单击勾选图片左上角的选择框，进入选择模式，表示图片已勾选。可勾选同类别的多个图片，一起添加标签。批量选中：如果图片列表的当前页，所有图片属于一种类型，可以在图片列表的右上角单击“选择当前页”，则当前页面所有的图片将选中。为选中图片添加标签。在右侧的“添加标签”区域中，单击“标签名”右侧的文本框中设置标签。单击“标签名”右侧的文本框，然后从下拉列表中选择已有的标签。如果已有标签无法满足要求时，直接在文本框中添加新标签。单击“确定”。此时，选中的图片将被自动移动至“已标注”页签，且在“未标注”和“全部”页签中，标签的信息也将随着标注步骤进行更新，如增加的标签名称、各标签对应的图片数量。查看已标注图片在标注任务详情页，单击“已标注”页签，您可以查看已完成标注的图片列表。图片缩略图下方默认呈现其对应的标签，您也可以勾选图片，在右侧的“选中文件标签”中了解当前图片的标签信息。修改标注当数据完成标注后，您还可以进入已标注页签，对已标注的数据进行修改。基于图片修改在标注作业详情页面，单击“已标注”页签，然后在图片列表中选中待修改的图片（选择一个或多个）。在右侧标签信息区域中对图片信息进行修改。修改标签：在“选中文件标签”区域中，单击操作列的编辑图标，然后在文本框中输入正确的标签名，然后单击确定图标完成修改。删除标签：在“选中文件标签”区域中，单击操作列的删除图标删除该标签。此操作仅删除选中图片中的标签。基于标签修改在标注作业详情页，单击“标签管理”页签，显示全部标签列表。修改标签：单击操作列的修改按钮，然后在弹出的对话框中输入修改后的标签名，然后单击“确定”完成修改。修改后，之前添加了此标签的图片，都将被标注为新的标签名称。删除标签：单击操作列的删除按钮，之前添加了此标签的图片，都将删除此标签。添加数据除了同步数据集中的新数据外，您还可以在标注作业中，直接添加图片，用于数据标注。添加的数据将先导入至标注任务关联的数据集中，然后标注任务会自动同步数据集中最新的数据。在标注作业详情页面，单击“全部”、“已标注”或“未标注”页签，然后单击左上角“添加数据”，选择添加数据。在弹出的导入对话框中，选择数据来源和导入方式，选择导入的数据路径和数据标注状态。在导入对话框中，单击“确定”，完成添加数据的操作。您添加的图片将自动呈现在“全部”的图片列表中，也可单击“添加数据>查看历史记录”，进入“任务历史”界面，可查看相应的导入历史。删除图片通过数据删除操作，可将需要丢弃的图片数据快速删除。在“全部”、“未标注”或“已标注”页面中，依次选中需要删除的图片，或者选择“选择当前页”选中该页面所有图片，然后单击左上角“删除图片”。在弹出的对话框中，根据实际情况选择是否勾选“同时删除源文件”，确认信息无误后，单击“确定”完成图片删除操作。