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。

什么是ChatGPT？ChatGPT是OpenAI公司2022年11月推出的聊天机器人原型，推出后两个月的用户活跃量达到了上亿，而 Facebook达到月活上亿用了54个月，TikTok用了9个月。它是一种专用于对话生成的语言模型，它可以根据用户输入的文本产生智能化的回答。同时，把这个问题抛给GPT，它的回答是 “你好，我是ChatGPT，一个OpenAI公司训练的大语言模型，GPT代表生成式语言模型，是一种基于深度学习的自然语言处理技术”。ChatGPT的特征ChatGPT区别于普通的对话机器人，它有连续的对话能力，还能有效地捕捉用户的意图。比如回答特别贴切用户的问题，还有上下文的理解，还有对于有些伦理方面的问题不方便回答，还有它会承认自己的不足，可以通过多轮对话提高ChatGPT本身的准确率。ChatGPT的研究价值ChatGPT由于使用了深度学习的自然语言处理技术，而且使用了大规模的语量库进行深度学习训练，因此它的成果可以为自然语言处理、人工智能和机器学习，人工智能当然是其它的方向，比如视觉处理等等这些领域的研究，一方面提供了数据，另外一方面提供了研究思路。ChatGPT也可以用于文本生成、对话系统和智能客服这些领域的实际场景当中。另外一点，ChatGPT是一种生成式的人工智能系统，不仅有对语言的理解力，还有语言的生成能力，这个技术是特别重要的。因此，ChatGPT的出现对于文字语言模态的AIGC技术发展及其他领域AIGC的技术发展有重要的意义。ChatGPT的商业价值首先可以为企业提供一些自动化的客服、文档的自动生成，还有个性化推荐。具体客服的好处，大家都知道，7×24小时，另外ChatGPT提供的客服能够更快速准确地响应用户需求，提高用户的满意度和忠诚度。另外，通过文档自动生成能力，可以帮助我们撰写市场调研报告、销售报告、策划案等等文档工作，提升我们的工作效率。ChatGPT在个性化推荐方面可能会做得更好。另外，未来对个人来讲，它可以提供更多的服务，智能家居、医疗健康、教育等等方面都会给我们带来一些便利和提升我们的工作效率。ChatGPT的发展历程ChatGPT发展历史首先2011年谷歌大脑部门成立，2015年OpenAI出现，当时是非盈利的组织，专门做一些人工智能模拟的研究，2017年谷歌大脑推出了目前在人工智能界特别火的模型Transformer，基本上自然语言处理、视觉图像都用它，我们做群体推荐也用它。2018年OpenAI推出了GPT1，2019年推出GPT2，2020年推出GPT3，2022年3月OpenAI推出了Instruct GPT模型，2022年11月30号推出ChatGPT。GPT模型介绍GPT1在2018年推出，是以Transformer为基础的文本生成模型，它用的是预训练，这个预训练机制是GPT模型提出的，预训练阶段用了无监督学习和有监督的微调，这样使得模型的性能达到了在自然语言处理任务当中比较好的结果。第二个阶段就是2019年，GPT2在GPT1基础上用了无监督学习，对零样本和小样本的问题处理已经达到在阅读摘要、聊天、续写故事、编故事等等方面都达到了非常好的效果。到了GPT3有一个突破性的进展，GPT3用了知识蒸馏技术，使得在自然语言上得到非常好的性能。GPT3将网页搜索、代码分析、模仿人类叙事等等方面，结果等于在所有的数据集上都达到了最好的结果。2022年OpenAI推出Instruct GPT，在GPT3基础上进行的人类反馈的强化学习，把人类的反馈引入到模型当中，从而减少了学习训练的参数，同时结果又优于GPT3。到了ChatGPT，它等于和GPT3是同代模型，通常说是GPT3.5，这个模型主要是增加了Chat对话聊天的功能，另外它还使用了一些策略，比如近端优化的策略，使得模型准确率达到更好的效果。ChatGPT的应用ChatGPT应用方向最初的应用是聊天机器人，再有问答系统，还有个性化推荐，也是比较好的应用点，再有自然语言搜索，将来和搜索引擎结合起来，搜索的效能可能更高。但不会取代搜索引擎。ChatGPT是根据问题生成答案，但是搜索引擎的功能是搜索的功能更强。还有机器翻译，之后对于我们来讲有时候有些企业需要爬很多东西，分类问题它可以做到更好的文本分类，还有智能客服、市场营销、智能助手、舆情分析等，比如未来发布一个什么新产品，跟踪看看大家的反映，就可以用ChatGPT对媒体的分析做出评价分析。另外，ChatGPT可以和其它软件联合，比如语音插件，提出一个问题，ChatGPT给出的回答可以用语音播放出来，用户使用起来非常方便。ChatGPT发展前景未来ChatGPT的发展方向，首先需要进行模型的优化，当前模型太大，学习训练成本太高，它的稳定性效率方面的高效性也值得大大提升，还有模型压缩的技术。再有就是多模态的问题，比如未来可能会在语言、图像、视频处理多模态的数据如果达到一个很好效果的话，就可以使我们的机器更好地理解人类的行为。还有，结合知识图谱，知识图谱可以增强它的语义和上下文理解的能力，使机器可以推出更好的结果。再有，拓展应用场景，比如智能驾驶、智能编程等，还有生活方面的推荐，如智能服务。再有关于伦理道德、隐私保护等方向。还有舒适性方面，未来如果用ChatGPT作为一个人机交互的接口，那可能会大大方便我们对未来应用的体验。还有知识更新方面，希望它未来在知识更新上做得更好，实现在线的训练。可以说ChatGPT不仅在语言生成模型领域得到了非常好的发展，而且它掀起了AIGC这个模型发展的热潮。AIGC是占领当前AI发展的高地，这种趋势势不可当，大家可以在未来的几年内实现这种趋势。结语ChatGPT是AIGC具有里程碑意义的模型。ChatGPT是基于预存的知识和模型来回答，目前远达不到强人工智能的水平。未来除了ChatGPT以外，各种人工智能的生成应用不断涌现，会引领数字内容领域的全新变革，这个跟我们这个行业是密切相关的。最后关于大家特别关注的它能不能代替我们的工作？ChatGPT给出的回答“AI不会代替你，但是掌握AI技术的人会代替你”，这个说法特别合适。ChatGPT只是一个开端，未来肯定是掌握在掌握AI技术的人手中，我们一定要在这个基础上做一些工作，为未来进行储备。

近期热点我们知道人工智能确定是未来人类科技发展的极重要方向之一，特别是最近随着OpenAI的ChatGPT爆火，全世界好像都要重金投入去搞人工智能，就连搜索引擎巨头谷歌百度等都纷纷感受到了强大的生存危机感，纷纷表态要跟进研发。优先突出的是华为，又一重大领先！人工智能专利，成功跻身全球前十，掀起AI+产业变革！在云计算领域，在AI的助力下，通过更加精准的调度，电力资源可以实现更加有效的支配。在人工智能领域，华为是拥有“根技术”优势的企业，是科技部颁发的“国家新一代人工智能开放创新平台”中唯一的“基础软硬件”建设单位，昇腾AI作为人工智能产业的先行者，在基础软硬件方面均拥有领先优势。应用广泛在制造业，以人工智能质检解决方案帮助制造企业解决质检效率低、柔性差、精度不足等一系列问题。在能源行业，用人工智能的分析取代传统的人工巡检，让巡检更安全，效率和准确率更高。华为推动的人工智能产业翻新，正在医疗、制造、金融、、能源、交通等众多领域全面展开，并带来众多领先的AI+重大成果！目前，AIGC产业生态体系的雏形已现，可以分为“基建-模型-应用”三层。基建端，数据、算力、算法是三大主要基础设施，相关厂商包括云服务商和AI芯片公司等，负载着生成式AI模型的训练和推理，需要基于优秀的机器学习算法和强劲的算力，通过海量的数据训练，让AI学会“思考”。国内各大厂商和计算机公司，都在着力打造属于自己的“GPT”，目前百度推出了文言一心，随着时间的推移，AI将在国内掀起怎样的高潮呢？让我们拭目以待！

随着人工智能技术的不断发展，越来越多的公司开始重视人工智能技术的研发和应用。而华为作为全球最大的电信设备制造商之一，其对于人工智能技术的投入可谓不遗余力。任总透露说，未来在AI大模型上风起云涌的不只是微软一家，这意味着华为正在押注大模型技术，也就是将模型扩大到非常大规模的情况下进行训练和应用。这种技术需要庞大的数据集和强大的计算资源，而华为作为一家全球领先的电信设备制造商，其工业规模和技术实力可以为此提供充足的支持。大模型技术是近年来人工智能领域的一个热点，也是人工智能技术发展的一个重要方向。大模型技术可以解决许多传统机器学习模型无法很好解决的问题。例如，通过大模型技术，我们可以在更少的人工干预下，更精确地识别图像，并在多项任务中实现更好的性能。此外，任总还透露了华为正在研发的AI芯片和AI操作系统。AI芯片是未来人工智能技术发展的重要基石。目前，全球上百家公司正在竞相研发AI芯片，以应对不断增长的人工智能计算需求。在AI芯片研发方面，华为的实力不容小觑。为在人工智能芯片方面的投资已经超过100亿美元，拥有自主的研发团队和专利技术。AI操作系统则是为AI应用开发和使用提供的软件平台。在AI领域，操作系统的作用是支持各种设备和算法之间的无缝协同工作，以及提供安全的AI解决方案。目前，AI操作系统也成为了各大科技公司争夺的焦点之一。华为正在研发的AI操作系统将为其在AI领域的发展提供更强大的支持和更多的机会。原文转自： 欧罗风行者

当你辛苦看攻略、查资料，备战软挑时，有没有过这样的想法：以前参赛的人都是怎么准备的？得奖的那些大神都是啥样的？这比赛到底好不好走搞？参加这比赛能不能写在我简历上？……这些问题的答案，就在2023华为软件精英挑战赛软挑大咖说★直播互动：在本期分享中印象最深的分享嘉宾是哪一位？原因是什么呢？♥♥♥♥♥♥♥♥♥♥♥♥♥♥♥♥♥♥♥♥♥♥♥♥♥♥♥♥♥点击本行文字，直接进入直播间直播主题：大神集结！“过来人”带你玩转软挑！直播时间：3月15日 晚19:00直播内容 ：软挑之巅的“过来人”独家赛题解读取取经，软挑的这些坑千万不要踩通过“软挑”入职华为的大神们，现在怎么样了嘉宾阵容◆ 2021华为软件精英挑战赛冠军团队选手：猪猪◆ 2021华为软件精英挑战赛冠军团队选手：Boom◆ 2021华为软件精英挑战赛季军团队选手：彪哥◆ 2021华为软件精英挑战赛季军团队选手：Dennis◆ 2020华为软件精英挑战赛亚军团队选手：智凌◆ 2020华为软件精英挑战赛亚军团队选手程：芃芃

实验步骤1、安装和导入依赖包import osimport moxing as moxfile_name = 'SkyAR'if not os.path.exists(file_name): mox.file.copy('obs://modelarts-labs-bj4-v2/case_zoo/SkyAR/SkyAR.zip', 'SkyAR.zip') os.system('unzip SkyAR.zip') os.system('rm SkyAR.zip') mox.file.copy_parallel('obs://modelarts-labs-bj4-v2/case_zoo/SkyAR/resnet50-19c8e357.pth', '/home/ma-user/.cache/torch/checkpoints/resnet50-19c8e357.pth')INFO:root:Using MoXing-v2.1.0.5d9c87c8-5d9c87c8INFO:root:Using OBS-Python-SDK-3.20.9.1!pip uninstall opencv-python -y!pip uninstall opencv-contrib-python -y显示 output!pip install opencv-contrib-python==4.5.3.56!pip install ipywidgets==7.7.1显示 outputcd SkyAR//home/ma-user/work/ma_share/skyAR/SkyARimport timeimport jsonimport base64import numpy as npimport matplotlib.pyplot as pltimport cv2import argparsefrom networks import *from skyboxengine import *import utilsimport torchfrom IPython.display import clear_output, Image, display, HTML%matplotlib inline# 如果存在GPU则在GPU上面运行device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")INFO:matplotlib.font_manager:generated new fontManager2、设定算法参数SkyAR算法提供了以下五个参数来调整换天的效果：skybox_center_crop: 天空体中心偏移auto_light_matching: 是否自动亮度匹配relighting_factor: 补光recoloring_factor: 重新着色halo_effect: 是否开启光环效应且提供了 datadir 和 skybox 两个参数来指定待处理的原视频和要替换的天空图片，通过路径进行指定即可，如下所示：parameter = { "net_G": "coord_resnet50", "ckptdir": "./checkpoints_G_coord_resnet50", "input_mode": "video", "datadir": "./test_videos/annarbor.mp4", # 待处理的原视频路径 "skybox": "supermoon.jpg", # 要替换的天空图片路径 "in_size_w": 384, "in_size_h": 384, "out_size_w": 845, "out_size_h": 480, "skybox_center_crop": 0.5, "auto_light_matching": False, "relighting_factor": 0.8, "recoloring_factor": 0.5, "halo_effect": True, "output_dir": "./jpg_output", "save_jpgs": False}str_json = json.dumps(parameter)3、预览一下原视频video_name = parameter['datadir']def arrayShow(img): img = cv2.resize(img, (0, 0), fx=0.25, fy=0.25, interpolation=cv2.INTER_NEAREST) _,ret = cv2.imencode('.jpg', img) return Image(data=ret)# 打开一个视频流cap = cv2.VideoCapture(video_name)frame_id = 0while True: try: clear_output(wait=True) # 清除之前的显示 ret, frame = cap.read() # 读取一帧图片 if ret: frame_id += 1 if frame_id > 200: break cv2.putText(frame, str(frame_id), (5, 15), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 1) # 画frame_id tmp = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) # 转换色彩模式 img = arrayShow(frame) display(img) # 显示图片 time.sleep(0.05) # 线程睡眠一段时间再处理下一帧图片 else: break except KeyboardInterrupt: cap.release()cap.release()3、预览一下要替换的天空图片img= cv2.imread(os.path.join('./skybox', parameter['skybox']))img2 = img[:, :, ::-1]plt.imshow(img2)<matplotlib.image.AxesImage at 0x7fe6d4603c10>4、定义SkyFilter类类中实现模型结构定义、模型加载、处理视频等函数class Struct: def __init__(self, **entries): self.__dict__.update(entries) def parse_config(): data = json.loads(str_json) args = Struct(**data) return argsargs = parse_config()class SkyFilter(): def __init__(self, args): self.ckptdir = args.ckptdir self.datadir = args.datadir self.input_mode = args.input_mode self.in_size_w, self.in_size_h = args.in_size_w, args.in_size_h self.out_size_w, self.out_size_h = args.out_size_w, args.out_size_h self.skyboxengine = SkyBox(args) self.net_G = define_G(input_nc=3, output_nc=1, ngf=64, netG=args.net_G).to(device) self.load_model() self.video_writer = cv2.VideoWriter('out.avi', cv2.VideoWriter_fourcc(*'MJPG'), 20.0, (args.out_size_w, args.out_size_h)) self.video_writer_cat = cv2.VideoWriter('compare.avi', cv2.VideoWriter_fourcc(*'MJPG'), 20.0, (2*args.out_size_w, args.out_size_h)) if os.path.exists(args.output_dir) is False: os.mkdir(args.output_dir) self.output_img_list = [] self.save_jpgs = args.save_jpgs def load_model(self): # 加载预训练的天空抠图模型 print('loading the best checkpoint...') checkpoint = torch.load(os.path.join(self.ckptdir, 'best_ckpt.pt'), map_location=device) self.net_G.load_state_dict(checkpoint['model_G_state_dict']) self.net_G.to(device) self.net_G.eval() def write_video(self, img_HD, syneth): frame = np.array(255.0 * syneth[:, :, ::-1], dtype=np.uint8) self.video_writer.write(frame) frame_cat = np.concatenate([img_HD, syneth], axis=1) frame_cat = np.array(255.0 * frame_cat[:, :, ::-1], dtype=np.uint8) self.video_writer_cat.write(frame_cat) # 定义结果缓冲区 self.output_img_list.append(frame_cat) def synthesize(self, img_HD, img_HD_prev): h, w, c = img_HD.shape img = cv2.resize(img_HD, (self.in_size_w, self.in_size_h)) img = np.array(img, dtype=np.float32) img = torch.tensor(img).permute([2, 0, 1]).unsqueeze(0) with torch.no_grad(): G_pred = self.net_G(img.to(device)) G_pred = torch.nn.functional.interpolate(G_pred, (h, w), mode='bicubic', align_corners=False) G_pred = G_pred[0, :].permute([1, 2, 0]) G_pred = torch.cat([G_pred, G_pred, G_pred], dim=-1) G_pred = np.array(G_pred.detach().cpu()) G_pred = np.clip(G_pred, a_max=1.0, a_min=0.0) skymask = self.skyboxengine.skymask_refinement(G_pred, img_HD) syneth = self.skyboxengine.skyblend(img_HD, img_HD_prev, skymask) return syneth, G_pred, skymask def cvtcolor_and_resize(self, img_HD): img_HD = cv2.cvtColor(img_HD, cv2.COLOR_BGR2RGB) img_HD = np.array(img_HD / 255., dtype=np.float32) img_HD = cv2.resize(img_HD, (self.out_size_w, self.out_size_h)) return img_HD def process_video(self): # 逐帧处理视频 cap = cv2.VideoCapture(self.datadir) m_frames = int(cap.get(cv2.CAP_PROP_FRAME_COUNT)) img_HD_prev = None for idx in range(m_frames): ret, frame = cap.read() if ret: img_HD = self.cvtcolor_and_resize(frame) if img_HD_prev is None: img_HD_prev = img_HD syneth, G_pred, skymask = self.synthesize(img_HD, img_HD_prev) self.write_video(img_HD, syneth) img_HD_prev = img_HD if (idx + 1) % 50 == 0: print(f'processing video, frame {idx + 1} / {m_frames} ... ') else: # 如果到达最后一帧 break5、开始处理视频替换后输出的视频为out.avi，前后对比的视频为compare.avisf = SkyFilter(args)sf.process_video()initialize skybox...Downloading: "https://download.pytorch.org/models/resnet50-19c8e357.pth" to /home/ma-user/.cache/torch/checkpoints/resnet50-19c8e357.pth 0%| | 0.00/97.8M [00:00<?, ?B/s]显示 output6、对比原视频和处理后的视频video_name = "compare.avi"def arrayShow(img): _,ret = cv2.imencode('.jpg', img) return Image(data=ret)# 打开一个视频流cap = cv2.VideoCapture(video_name)frame_id = 0while True: try: clear_output(wait=True) # 清除之前的显示 ret, frame = cap.read() # 读取一帧图片 if ret: frame_id += 1 cv2.putText(frame, str(frame_id), (5, 15), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 1) # 画frame_id tmp = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) # 转换色彩模式 img = arrayShow(frame) display(img) # 显示图片 time.sleep(0.05) # 线程睡眠一段时间再处理下一帧图片 else: break except KeyboardInterrupt: cap.release()cap.release()[mjpeg @ 0x560024162440] overread 87、将处理后的视频拷贝到OBSimport moxing as moxfrom modelarts.session import Sessionsession = Session()obs_bucket = session.obs.get_default_bucket()obs_save_path = "%s/SkyAR/out.avi" % obs_bucketmox.file.copy('./out.avi', obs_save_path)print('合成视频 out.avi 已保存至OBS路径：%s，请前往该路径下载视频' % obs_save_path)合成视频 out.avi 已保存至OBS路径：obs://modelarts-cn-north-4-ba28ee336f194b8f8efaaa80521beb09/SkyAR/out.avi，请前往该路径下载视频

有没有输入主题和关键字，AI自动生成海报的程序CodeArts或者开源的都行，求推荐

免费体验：一键完成商超商品识别模型部署：Modelarts的AI Gallery中提供了大量免费的模型供用户一键部署，进行AI体验学习。使用自定义镜像创建AI应用：提供了在ModelArts平台使用自定义镜像导入模型的样例，帮助您快速熟悉平台的使用方法。纳管Atlas 500，将模型部署为边缘服务：Atlas人工智能计算平台，是基于华为昇腾系列AI处理器，打造面向“端、边、云”的全场景AI基础设施方案。配合Atlas系列边缘设备，华为云智能边缘服务（IEF）和AI开发平台（ModelArts）结合，将构建的AI模型快速部署至Atlas设备中，满足在安防、交通、社区、园区、 商场、超市等复杂环境区域的应用需求。推理服务访问公网：提供了推理服务访问公网的方法。推理服务端到端运维：ModelArts推理服务的端到端运维覆盖了算法开发、服务运维和业务运行的整个AI流程。非常不错，大家可以体验体验。

问题现象在使用Notebook过程中，界面出现“ModelArts.6333”报错信息。原因分析可能由于实例过负载引起故障，Notebook正在自动恢复中，请刷新页面并等待几分钟。常见原因是内存占用满。处理方法当出现此错误时，Notebook会自动恢复，您可以刷新页面，等待几分钟。由于出现此错误，常见原因是内存占用满导致的，您可以尝试使用如下方法，从根本上解决错误。方法1：将Notebook更换为更高规格的资源。方法2：可以参考如下方法调整代码中的参数，减少内存占用。如果代码调整后仍然出现内存不足的情况，请使用方法1。调用sklearn方法silhouette_score(addr_1,siteskmeans.labels)，可以指定参数sample_size来减少内存占用。调用train方法的时候可以尝试减少batch_size等参数。

ChatGPT（全名：Chat Generative Pre-trained Transformer），美国OpenAI  研发的聊天机器人程序 ，于2022年11月30日发布。ChatGPT是人工智能技术驱动的自然语言处理工具，它能够通过理解和学习人类的语言来进行对话，还能根据聊天的上下文进行互动，真正像人类一样来聊天交流，甚至能完成撰写邮件、视频脚本、文案、翻译、代码，写论文等任务。发展历程 ChatGPT是美国人工智能研究实验室OpenAI新推出的一种人工智能技术驱动的自然语言处理工具，使用了Transformer神经网络架构，也是GPT-3.5架构，这是一种用于处理序列数据的模型，拥有语言理解和文本生成能力，尤其是它会通过连接大量的语料库来训练模型，这些语料库包含了真实世界中的对话，使得ChatGPT具备上知天文下知地理，还能根据聊天的上下文进行互动的能力，做到与真正人类几乎无异的聊天场景进行交流。ChatGPT不单是聊天机器人，还能进行撰写邮件、视频脚本、文案、翻译、代码等任务。   在OpenAI的官网上，ChatGPT被描述为优化对话的语言模型，是GPT-3.5架构的主力模型。 ChatGPT具有同类产品具备的一些特性，例如对话能力，能够在同一个会话期间内回答上下文相关的后续问题。然而，其在短时间内引爆全球的原因在于，在网友们晒出的截图中，ChatGPT不仅能流畅地与用户对话，甚至能写诗、撰文、编码。 ChatGPT还采用了注重道德水平的训练方式，按照预先设计的道德准则，对不怀好意的提问和请求“说不”。一旦发现用户给出的文字提示里面含有恶意，包括但不限于暴力、歧视、犯罪等意图，都会拒绝提供有效答案。 [1]  2022年11月底，人工智能对话聊天机器人ChatGPT推出，迅速在社交媒体上走红，短短5天，注册用户数就超过100万。 [9]  2023年一月末，ChatGPT的月活用户已突破1亿，成为史上增长最快的消费者应用。 [14]  2023年2月2日，美国人工智能（AI）公司OpenAI发布ChatGPT试点订阅计划——ChatGPT Plus。ChatGPT Plus将以每月20美元的价格提供，订阅者可获得比免费版本更稳定、更快的服务，及尝试新功能和优化的优先权。 [7]  2023年2月2日，微软官方公告表示，旗下所有产品将全线整合ChatGPT，除此前宣布的搜索引擎必应、Office外，微软还将在云计算平台Azure中整合ChatGPT，Azure的OpenAI服务将允许开发者访问AI模型。 [9]  2023年2月3日消息，IT行业的领导者们担心，大名鼎鼎的人工智能聊天机器人ChatGPT，已经被黑客们用于策划网络攻击时使用。 [8]  黑莓（Black Berry）的一份报告调查了英国500名IT行业决策者对ChatGPT这项革命性技术的看法，发现超过四分之三（76%）的人认为，外国已经在针对其他国家的网络战争中使用ChatGPT。近一半（48%）的人认为，2023年，将会出现有人恶意使用ChatGPT而造成“成功”的网络攻击。 [8]  当地时间2023年2月2日，ChatGPT的开发公司——美国人工智能公司OpenAI顺势推出了这一应用程序的付费订阅版本。 [11]  2023年2月7日，微软宣布推出由ChatGPT支持的最新版本人工智能搜索引擎Bing（必应）和Edge浏览器。微软CEO表示，“搜索引擎迎来了新时代”。 [18]  8日凌晨，在华盛顿雷德蒙德举行的新闻发布会上，微软宣布将OpenAI传闻已久的GPT-4模型集成到Bing及Edge浏览器中。 [17]  2023年2月16日消息，微软在旗下必应搜索引擎和Edge浏览器中整合人工智能聊天机器人功能的举措成效初显，71%的测试者认可人工智能优化后的必应搜索结果。 [23]  2023年2月27日消息，Snapchat 正在推出一个基于 OpenAI 的 ChatGPT 最新版本的聊天机器人。 [24]  这款名为“My AI”的机器人将被固定在应用界面的聊天选项卡上，虽然最初仅适用于每月3.99美元的SnapchatPlus付费订阅用户，但最终目标是让Snapchat的7.5亿月活跃用户都可以使用该机器人 [25]  技术逻辑结合ChatGPT的底层技术逻辑，有媒体曾列出了中短期内ChatGPT的潜在产业化方向：归纳性的文字类工作、代码开发相关工作、图像生成领域、智能客服类工作。核心竞争力ChatGPT受到关注的重要原因是引入新技术RLHF (Reinforcement Learning with Human Feedback，即基于人类反馈的强化学习)。RLHF 解决了生成模型的一个核心问题，即如何让人工智能模型的产出和人类的常识、认知、需求、价值观保持一致。ChatGPT是AIGC（AI- Generated Content，人工智能生成内容）技术进展的成果。该模型能够促进利用人工智能进行内容创作、提升内容生产效率与丰富度。 [6] 技术局限性ChatGPT 的使用上还有局限性，模型仍有优化空间。ChatGPT模型的能力上限是由奖励模型决定，该模型需要巨量的语料来拟合真实世界，对标注员的工作量以及综合素质要求较高。ChatGPT可能会出现创造不存在的知识，或者主观猜测提问者的意图等问题，模型的优化将是一个持续的过程。若AI技术迭代不及预期，NLP模型优化受限，则相关产业发展进度会受到影响。此外，ChatGPT盈利模式尚处于探索阶段，后续商业化落地进展有待观察。