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。

原文链接：https://systelusa.com/blog/exploring-the-possibilities-of-chatgpt-in-rugged-military-ai-applications/ ChatGPT是一款基于GPT-3大型自然语言模型构建的人工智能聊天机器人，自2022年11月OpenAI推出以来，它已风靡全球。  它是有史以来增长最快的消费类应用程序，在推出仅两个月后的1月份，估计每月活跃用户达1亿。  它在教育、娱乐、新闻、制造业、科技和艺术等多个行业和部门引发了激烈的辩论，引发了人们的兴趣和争议。  瑞安·雷诺兹（Ryan Reynolds）用它写了一个Mint Mobile广告（这是一个相当有效的广告），在线媒体公司Buzzfeed的股价飙升120%，因为有消息称该公司计划在人工智能驱动的内容上进行大量投资。  ChatGPT的基础自然语言模型和技术具有巨大的潜力，可以在战场上彻底改变人工智能。正如C4ISRNET最近报道的，像ChatGPT这样的生成型人工智能技术已被加入国防信息系统局（DISA）的观察名单。 人工智能的力量正在各个领域的国防工业的各个层面发挥作用。美国及其盟国正在进行人工智能军备竞赛，美国国防部的第三抵消战略表示，“人工智能的快速发展，以及机器人技术、自主性、大数据和与工业界加强合作，将定义下一代战争。”  ChatGPT的力量：增强军事情报和决策 ChatGPT是一种基于变压器的人工智能语言模型，它已经在互联网上的大量文本数据集上进行了训练，使其能够生成类似人类的文本。这种独特的能力使其成为军事应用的理想工具，例如生成真实场景、模拟实体之间的对话以及提供情报见解。凭借ChatGPT理解、响应和与人类互动的能力，它有可能显著提高军事情报和决策。 满足恶劣军事环境的要求：技术鲁棒性的重要性 在地球上最严峻的环境中可靠地部署人工智能需要专门的硬件。高性能边缘计算对于部署的人工智能任务的成功至关重要。 在带宽受限、通信退化的竞争环境中运行，使得基于云计算和人工智能的战术使用成为一种负担。计算处理能力必须驻留在前提下，以确保基于AI的应用程序所需的低延迟和接近实时的速度。  为了满足这些需求，人工智能必须部署在能够处理极端温度、冲击和振动的坚固计算平台上；并且防止灰尘和水进入以及电磁干扰（EMI）。  这些平台的设计还必须确保人工智能系统的可靠性和安全性，特别是在军事行动的关键背景下。 

表1 路径参数参数是否必选参数类型描述project_id是String用户项目ID。获取方法请参见获取项目ID和名称。表2 Query参数参数是否必选参数类型描述check_running_task否Boolean是否检测数据集中正在运行（包括初始化）的任务。可选值如下：true：检测数据集中正在运行（包括初始化）的任务false：不检测数据集中正在运行的任务（默认值）contain_versions否Boolean数据集是否包含版本。dataset_type否Integer数据集类型。可选值如下：0：图像分类1：物体检测3: 图像分割100：文本分类101：命名实体102：文本三元组200：声音分类201：语音内容202：语音分割400：表格数据集600：视频标注900：自由格式file_preview否Boolean查询数据集的同时是否支持预览。可选值如下：true：支持预览，同时返回一部分数据集文件列表，每个数据集返回4个。false：不支持预览（默认值）。limit否Integer指定每一页返回的最大条目数，取值范围[1,100]，默认为10。offset否Integer分页列表的起始页，默认为0。order否String指定查询的排序顺序。可选值如下：asc：递增排序desc：递减排序（默认值）running_task_type否Integer指定需要检测的正在运行任务（包括初始化）的类型。可选值如下：0：自动标注1：预标注2：导出任务3：切换版本4：导出manifest5：导入manifest6：发布版本7：自动分组search_content否String模糊匹配名称，默认为空。sort_by否String指定查询的排序方式。可选值如下：create_time：按创建时间排序（默认值）dataset_name：按数据集名称排序support_export否Boolean是否过滤只支持导出的数据集（当前仅图像分类、物体检测、自由格式三种数据集支持导出），不传该参数或参数取值为false表示不过滤。可选值如下：true：过滤只支持导出的数据集false：不过滤只支持导出的数据集（默认值）train_evaluate_ratio否String根据版本切分比例筛选数据集。例如：“0.0,1.0”，根据逗号分隔最小和最大切分比例，筛选出切分比例在此范围内的版本。说明：如果参数值为空或无该参数，系统默认不根据版本切分比例筛选数据集。version_format否Integer根据数据集发布的版本格式筛选数据集，过滤出包含符合筛选条件的数据集列表。可选值如下：0：默认格式1：Carbon格式（仅表格数据集支持）2：CSV格式with_labels否Boolean返回数据集的标签。可选值如下：true：返回标签信息false：不返回标签信息（默认值）workspace_id否String工作空间ID。未创建工作空间时默认值为“0”，存在创建并使用的工作空间，以实际取值为准。dataset_version否String数据集版本（用于区分标注任务解耦前的数据集和解耦后的数据集）。可选值如下：v1：数据集与标注任务解耦前的数据集（默认值）v2：数据集与标注任务解耦后的数据集all：所有数据集请求参数无响应参数状态码： 200表3 响应Body参数参数参数类型描述datasetsArray of DatasetAndFilePreview objects分页查询到的数据集列表。total_numberInteger数据集总数。表4 DatasetAndFilePreview参数参数类型描述annotated_sample_countInteger数据集已标注的样本总数。annotated_sub_sample_countInteger已标注的子样本数量。content_labelingBoolean语音分割数据集是否开启内容标注，默认开启。create_timeLong数据集的创建时间。current_version_idString数据集的当前版本ID。current_version_nameString数据集的当前版本名称。data_formatString数据格式。data_sourcesArray of DataSource objects数据来源列表。data_statisticsMap<String,Object>数据集的样本统计信息，包括样本元信息的统计，json格式。data_update_timeLong样本和标签的更新时间。data_urlString训练所用的数据路径。dataset_formatInteger数据集格式。可选值如下：0：文件型1：表格型dataset_idString数据集ID。dataset_nameString数据集名称。dataset_tagsArray of strings数据集关键标识列表，例如：["图片","物体检测"]。dataset_typeInteger数据集类型。可选值如下：0：图像分类1：物体检测3: 图像分割100：文本分类101：命名实体102：文本三元组200：声音分类201：语音内容202：语音分割400：表格数据集600：视频标注900：自由格式dataset_version_countInteger数据集的版本数量。deleted_sample_countInteger已删除的样本数量。deletion_statsMap<String,Integer>删除原因统计信息。descriptionString数据集的描述。enterprise_project_idString企业项目ID。exist_running_taskBoolean该数据集是否存在正在运行（包括初始化）的任务。可选值如下：true：数据集存在正在运行的任务false：数据集不存在正在运行的任务exist_workforce_taskBoolean数据集是否含团队标注任务。可选值如下：true：数据集包含团队标注任务false：数据集不包含团队标注任务feature_supportsArray of strings数据集支持的特性列表。当前只支持特性值“0”，表示限制OBS文件大小。import_dataBoolean是否导入数据。可选值如下：true：导入数据false：不导入数据import_task_idString导入任务ID。inner_annotation_pathString数据集内部标注结果的保存路径。inner_data_pathString数据集内部数据的保存路径。inner_log_pathString数据集内部日志的保存路径。inner_task_pathString数据集内部任务路径。inner_temp_pathString数据集内部临时文件的保存路径。inner_work_pathString数据集内部的输出目录。label_task_countInteger标注任务数量。labelsArray of Label objects数据集标签列表。loading_sample_countInteger正在加载的样本数量。managedBoolean是否是托管数据集。可选值如下：true：托管数据集false：非托管数据集next_version_numInteger数据集下个版本数。running_tasks_idArray of strings正在运行（包括初始化）任务ID列表。samplesArray of AnnotationFile objects样本列表。schemaArray of Field objectsSchema列表。statusInteger数据集状态。当前可选值：0：数据集创建中1：数据集正常2：数据集删除中3：数据集已删除4：数据集异常5：数据集同步中6：数据集发布中7：数据集版本切换中8：数据集导入中third_pathString第三方路径。total_sample_countInteger数据集样本总数。total_sub_sample_countInteger由父样本所产生的子样本总数，比如：从视频标注数据集中抽取的关键帧图片总数就是子样本总数。unconfirmed_sample_countInteger智能标注待确认的标注样本数。update_timeLong数据集的更新时间。versionsArray of DatasetVersion objects数据集版本信息列表，目前仅记录数据集当前版本信息。work_pathString数据集输出位置，用于存放输出的标注信息等文件。此位置为OBS路径，格式为“/桶名称/文件路径”。例如：“/obs-bucket”。work_path_typeInteger数据集输出路径类型。可选值如下：0：OBS桶（默认值）workforce_descriptorWorkforceDescriptor object团队标注信息。workforce_task_countInteger数据集的团队标注任务数量。workspace_idString工作空间ID。未创建工作空间时默认值为“0”，存在创建并使用的工作空间，以实际取值为准。表5 DataSource参数参数类型描述data_pathString数据源所在路径。data_typeInteger数据类型。可选值如下：0：OBS桶（默认值）1：GaussDB(DWS)服务2：DLI服务3：RDS服务4：MRS服务5：AI Gallery6：推理服务schema_mapsArray of SchemaMap objects表格数据对应的schema映射信息。source_infoSourceInfo object导入表格数据源所需的信息。with_column_headerBoolean文件中首行是否是列名，用于表格数据集。可选值如下：true：文件首行为列名false：文件首行不为列名表6 SchemaMap参数参数类型描述dest_nameString目的方的列名。src_nameString来源方的列名。表7 SourceInfo参数参数类型描述cluster_idStringMRS集群ID。cluster_modeStringMRS集群运行模式。可选值如下：0：普通集群1：安全集群cluster_nameStringMRS集群名称。database_nameString导入表格数据集，数据库名字。inputString表格数据集，HDFS路径。ipString用户GaussDB(DWS)集群的IP地址。portString用户GaussDB(DWS)集群的端口。queue_nameString表格数据集，DLI队列名。subnet_idStringMRS集群的子网ID。table_nameString导入表格数据集，表名。user_nameString用户名，GaussDB(DWS)数据需提供此参数。user_passwordString用户密码，GaussDB(DWS)数据需提供此参数。vpc_idStringMRS集群所在的vpc的ID。表8 Label参数参数类型描述attributesArray of LabelAttribute objects标签的多维度属性，如标签为“音乐”，可能包含属性“风格”、“歌手”等。nameString标签名称。propertyLabelProperty object标签基本属性键值对，如颜色、快捷键等。typeInteger标签类型。可选值如下：0：图像分类1：物体检测3: 图像分割100：文本分类101：命名实体102：文本三元组关系标签103：文本三元组实体标签200：语音分类201：语音内容202：语音分割600：视频标注表9 AnnotationFile参数参数类型描述create_timeLong样本创建时间。dataset_idString数据集ID。depthInteger图像样本通道数。file_NameString样本名称。file_idString样本ID。file_typeString文件类型。heightInteger图像样本高度。sizeLong图像样本尺寸大小。tagsMap<String,String>样本的标签信息。urlString预览样本的OBS地址。widthInteger图像样本宽度。表10 Field参数参数类型描述descriptionStringSchema描述。nameStringSchema名称。schema_idIntegerSchema ID。typeStringSchema值类型。表11 DatasetVersion参数参数类型描述add_sample_countInteger新增样本数量。analysis_cache_pathString特征分析的缓存路径。analysis_statusInteger特征分析任务的当前状态。可选值如下：0：初始化1：运行中2：完成3：失败analysis_task_idString特征分析的任务ID。annotated_sample_countInteger版本已标注样本的数量。annotated_sub_sample_countInteger已标注的子样本数量。clear_hard_propertyBoolean发布时是否清空难例属性。可选值如下：true：清空难例属性（默认值）false：不清空难例属性codeString旋转裁剪等预处理任务的状态码。create_timeLong版本创建时间。cropBoolean是否对图片进行裁剪，只对标注框形状为bndbox的物体检测数据集有效。可选值如下：true：对图片进行裁剪false：不对图片进行裁剪（默认值）crop_pathString裁剪后的文件存放路径。crop_rotate_cache_pathString旋转裁剪任务执行的临时目录。data_analysisMap<String,Object>特征分析结果，json格式。data_pathString数据保存路径。data_statisticsMap<String,Object>数据集的样本统计信息，包括样本元信息的统计，json格式。data_validateBoolean发布前数据是否经过校验算法校验。可选值如下：true：数据经过校验false：数据未经过校验deleted_sample_countInteger已删除的样本数量。deletion_statsMap<String,Integer>删除原因统计信息。descriptionString版本描述信息。export_imagesBoolean发布时是否导出图片到版本输出目录。可选值如下：true：导出图片到版本输出目录false：不导出图片到版本输出目录（默认值）extract_serial_numberBoolean发布时是否需要解析子样本序号，用于医疗数据集。可选值如下：true：解析子样本序号false：不解析子样本序号（默认值）include_dataset_dataBoolean发布时是否包含数据集源数据。可选值如下：true：包含数据集源数据false：不包含数据集源数据is_currentBoolean是否为数据集当前版本。可选值如下：true：数据集当前版本false：非数据集当前版本label_statsArray of LabelStats objects发布版本的各标签统计信息列表。label_typeString发布版本的标签类型。可选值如下：multi：表示含有多标签样本single：表示所有样本均为单标签manifest_cache_input_pathString版本发布时的manifest文件缓存输入路径。manifest_pathString版本发布的manifest文件保存路径。messageString发布时记录的任务信息（如：错误信息等）。modified_sample_countInteger已修改的样本数量。previous_annotated_sample_countInteger父版本的已标注样本数量。previous_total_sample_countInteger父版本的样本总数。previous_version_idString父版本ID。processor_task_idString旋转裁剪等预处理任务ID。processor_task_statusInteger旋转裁剪等预处理任务状态。当前可取值如下：0：初始化1：运行中2：完成3：失败4：停止5：超时6：删除失败7：停止失败remove_sample_usageBoolean发布时是否清除数据集已有的usage信息。可选值如下：true：清除数据集已有的usage信息（默认值）false：不清除数据集已有的usage信息rotateBoolean是否对图片进行旋转。可选值如下：true：对图片进行旋转false：不对图片进行旋转（默认值）rotate_pathString旋转后的文件存放路径。sample_stateString样本状态。可选样本状态如下：__ALL__：已标注__NONE__：未标注__UNCHECK__：待验收__ACCEPTED__：验收通过__REJECTED__：已驳回__UNREVIEWED__：待审核__REVIEWED__：已审核__WORKFORCE_SAMPLED__：已验收采样__WORKFORCE_SAMPLED_UNCHECK__：采样待验收__WORKFORCE_SAMPLED_CHECKED__：采样已验收__WORKFORCE_SAMPLED_ACCEPTED__：采样已通过__WORKFORCE_SAMPLED_REJECTED__：采样已驳回__AUTO_ANNOTATION__：待确认start_processor_taskBoolean发布时是否启动数据分析任务。可选值如下：true：发布时启动特征分析任务false：发布时不启动特征分析任务（默认值）statusInteger数据集版本状态。可选值如下：0：创建中1：运行中2：删除中3：已删除4：错误tagsArray of strings版本关键标识列表，标注任务发布版本时将标注类型作为默认标签。如：["图片","物体检测"]。task_typeInteger发布版本的标注任务类型，同数据集类型。total_sample_countInteger版本样本总数。total_sub_sample_countInteger从父样本生成的子样本总数。train_evaluate_sample_ratioString发布版本时切分训练验证比例，默认为1.00，即全部分为训练集。update_timeLong版本更新时间。version_formatString数据集版本格式。可选值如下：Default：默认格式CarbonData：Carbon格式（仅表格数据集支持）CSV：CSV格式version_idString数据集版本ID。version_nameString数据集版本名称。with_column_headerBoolean发布的CSV文件的第一行是否为列名，对于表格数据集有效。可选值如下：true：发布的CSV文件的第一行是列名false：发布的CSV文件的第一行不是列名表12 LabelStats参数参数类型描述attributesArray of LabelAttribute objects标签的多维度属性，如标签为“音乐”，可能包含属性“风格”、“歌手”等。countInteger该标签的打标数量。nameString标签名称。propertyLabelProperty object标签基本属性键值对，如颜色、快捷键等。sample_countInteger包含该标签的样本数量。typeInteger标签类型。可选值如下：0：图像分类1：物体检测3: 图像分割100：文本分类101：命名实体102：文本三元组关系标签103：文本三元组实体标签200：语音分类201：语音内容202：语音分割600：视频标注表13 LabelAttribute参数参数类型描述default_valueString标签属性默认值。idString标签属性ID。nameString标签属性名称。typeString标签属性类型。可选值如下：text：文本select：单选下拉列表valuesArray of LabelAttributeValue objects标签属性值列表。表14 LabelAttributeValue参数参数类型描述idString标签属性值ID。valueString标签属性值。表15 LabelProperty参数参数类型描述@modelarts:colorString内置属性：标签展示的颜色，为色彩的16进制代码，默认为空。例如：“#FFFFF0”。@modelarts:default_shapeString内置属性：物体检测标签的默认形状（物体检测标签专用属性），默认为空。可选值如下：bndbox：矩形。polygon：多边形。circle：圆形。line：直线。dashed：虚线。point：点。polyline：折线。@modelarts:from_typeString内置属性：三元组关系标签的起始实体类型，创建关系标签时必须指定，该参数仅文本三元组数据集使用。@modelarts:rename_toString内置属性：重命名后的标签名。@modelarts:shortcutString内置属性：标签快捷键，默认为空。例如：“D”。@modelarts:to_typeString内置属性：三元组关系标签的指向实体类型，创建关系标签时必须指定，该参数仅文本三元组数据集使用。表16 WorkforceDescriptor参数参数类型描述current_task_idString团队标注任务ID。current_task_nameString团队标注任务名称。reject_numInteger驳回的样本数。repetitionInteger每个样本由多少人标注，最少为1。is_synchronize_auto_labeling_dataBoolean是否同步更新智能标注数据。可选值如下：true：同步更新智能标注数据false：不同步更新智能标注数据is_synchronize_dataBoolean是否同步更新数据：如上传文件、同步数据源、导入的未标注文件同步分配至团队成员。可选值如下：true：同步更新数据至团队成员false：不同步更新数据至团队成员workersArray of Worker objects标注成员列表。workforce_idString标注团队ID。workforce_nameString标注团队名称。表17 Worker参数参数类型描述create_timeLong创建时间。descriptionString标注成员描述，长度为0-256位，不能包含^!<>=&"'特殊字符。emailString标注成员邮箱。roleInteger角色。可选值如下：0：打标者1：审核者2：团队管理者3：数据集拥有者statusInteger标注成员的当前登录状态。可选值如下：0：未发送邀请邮件1：已发送邀请邮件但未登录2：已登录3：标注成员已删除update_timeLong更新时间。worker_idString标注成员ID。workforce_idString所属标注团队ID。

ModelArts是面向AI开发者的一站式开发平台，您可以使用ModelArts开发一个用于华为HiLens平台的算法模型，然后基于您自定义的算法模型和逻辑代码新建技能。本章节提供了一个手势识别技能的样例，介绍从模型训练到查看技能效果，新建一个全新技能的全流程，帮助您快速熟悉华为HiLens技能开发的使用过程。准备工作    已注册华为云帐号，且在使用华为HiLens前检查帐号状态，帐号不能处于欠费或冻结状态。    已购买HiLens Kit设备，并准备好网线，电脑，路由器，HDMI线，显示屏。    成功注册设备HiLens Kit设备至华为HiLens控制台，详情请参见注册HiLens Kit。    登录OBS服务，创建桶和文件夹，用于存放样例的训练数据。创建名称为“hilens-gesture”OBS桶，区域选择“华北-北京四”，创建如下文件夹：        “gesture-data”：用于存放训练模型的数据。        “gesture-data-output”：用于存放模型输出数据。        “gesture-data-record”：用于存放日志。        “gesture-convert-output”：用于存放转换模型后的输出文件。    创建OBS桶和文件夹的操作指导请参见创建桶和新建文件夹。为保证模型数据能正常访问，请务必保证创建的OBS桶与华为HiLens在同一区域。    占用OBS资源的操作均会收取一定费用，收费规则请参见对象存储服务 OBS。步骤1：准备数据华为HiLens在公共OBS桶中提供了手势识别技能的用于模型训练的示例数据，命名为“gesture_recognition_data”，因此本文的操作示例使用此示例模型进行技能开发。您需要执行如下操作，将模型文件上传至您的OBS目录下，即准备工作中您创建的OBS目录“hilens-gesture/gesture-recognition”。单击示例数据下载链接，将手势识别案例示例数据“gesture_recognition_data”下载至本地。在本地，将“gesture_recognition_data”压缩包解压。例如解压至本地“gesture_recognition_data”文件夹下，包括1个子文件夹“gesture-data”和1个“.py”文件。参考上传文件，利用OBS Browser+工具将“gesture_recognition_data/gesture-data”文件夹下的所有数据上传至“hilens-gesture/gesture-data”OBS路径下，OBS Browser+使用方法请参见OBS Browser+工具指南。步骤2：创建数据集登录ModelArts管理控制台，根据要求完成访问权限配置。在左侧菜单栏中选择“数据管理>数据集”。在数据集管理页面，单击“创建数据集”。在“创建数据集”页面，“数据集输入位置”选择步骤1：准备数据中上传的数据存储目录（OBS路径），需选择到具体图片存储的父目录。“数据集输出位置”，请指定一个空目录，且此目录不能是数据来源目录下的子目录。“标注类型”选择“图像分类”。参数填写完成后，单击“创建”，完成数据集创建。进入数据集管理页面，等待数据同步完毕，您可以单击数据集名称进入概览页面，了解进度。由于提供的样例数据集已完成数据标注，当数据集概览页面显示图片已标注，表示数据已同步完成。发布数据集。在数据集管理页面，单击“发布”，在弹出窗口中，根据界面提示进行配置。由于本示例使用的算法，必须使用切分的数据集进行训练，因此训练验证比例的参数必须设置，建议设置为“0.8”或“0.9”，表示训练集和验证集的比例为“8：2”或“9：1”。单击“确定”完成发布数据集步骤3：订阅算法ModelArts官方提供了一个“ResNet_v1_50”，算法用途为图像分类，您可以使用此算法训练，得到所需的模型。目前“resnet_v1_50”算法发布在AI Gallery中。您可以前往AI Gallery，订阅此算法，然后同步至ModelArts中。    登录ModelArts管理控制台，在左侧菜单栏中选择“AI Gallery”。进入新版AI Gallery。    单击图像分类-ResNet_v1_50，进入算法详情页。    由于AI Gallery发布了多个“ResNet_v1_50”，本示例选择支持GPU训练+Ascend310推理的算法。单击右侧的“订阅”，根据界面提示完成算法订阅。此算法由ModelArts官方提供，目前免费开放。订阅算法完成后，页面的“订阅”按钮显示为“已订阅”。单击详情页的“前往控制台”，此时弹出“选择云服务区域”对话框，选择ModelArts对应的区域，然后再单击“确定”。页面将自动跳转至ModelArts的“算法管理>我的订阅”中同步对应的算法。在ModelArts管理控制台的算法管理页面，算法将自动同步至ModelArts中。javascript:void(0)浅谈ModelArts+华为HiLens使用订阅算法创建训练作业算法订阅成功后，算法将呈现在“算法管理>我的订阅”中，您可以使用订阅的“ResNet_v1_50”算法创建训练作业，获得模型。    进入“算法管理>我的订阅”页面，选择订阅的“ResNet_v1_50”算法，单击左侧的小三角展开算法，在版本列表中，单击“创建训练作业”。创建训练作业在“创建训练作业”页面，参考如下说明填写关键参数。    “算法> 我的订阅”：系统默认选择订阅的算法，请勿随意修改。    “训练输入”：选择数据集，然后从下拉框中选择步骤2：创建数据集中创建好的数据集。数据集一定要选择切分训练集比例的版本，否则将会导致训练失败。    “训练输出”：选择训练结果的存储位置（OBS路径）。为避免出现错误，建议选择一个空目录用作“训练输出”。本样例选择准备工作中已创建的OBS桶“hilens-gesture”和文件夹“gesture-data-output”。    “超参”：建议采用默认值。如需进行调优，可参考算法详情页的训练参数说明    “资源类型”：建议选择GPU规格的资源类型，训练效率会更高一些。参数填写完成后，单击“提交”，确认规格，单击“确定”，完成训练作业创建。进入“训练管理>训练作业（New）”页面，等待训练作业完成。训练作业运行需要几分钟时间，请耐心等待。根据经验，选择样例数据集，使用GPU资源运行，预计3分钟左右可完成。当训练作业的状态变更为“已完成”时，表示已运行结束。可以单击训练作业名称，进入详情页面，了解训练作业的“配置信息”、“日志”、“资源占用情况”和“评估结果”等信息。也可以在配置的“训练输出位置”对应的OBS目录下获得训练生成的模型。步骤5：转换模型在ModelArts管理控制台中，选择左侧导航栏的“AI应用管理 > 模型转换”，进入模型转换列表页面。单击左上角的“创建任务”，进入任务创建任务页面。

MoXing Framework模块为MoXing提供基础公共组件，例如访问华为云的OBS服务，和具体的AI引擎解耦，在ModelArts支持的所有AI引擎(TensorFlow、MXNet、PyTorch、MindSpore等)下均可以使用。目前，提供的MoXing Framework功能中主要包含操作OBS组件，即下文中描述的mox.file接口。ModelArts管理控制台，在左侧菜单栏中选择“开发环境>Notebook”，进入“Notebook”管理页面进入Notebook单击“创建”进入“创建Notebook”页面，参考创建Notebook实例填写信息并完成Notebook实例创建。当Notebook实例创建完成后，且状态为“运行中”时，单击Notebook名称，或者单击“操作”列中的“打开”，进入“JupyterLab Notebook”开发页面。在JupyterLab的“Launcher”页签下，以TensorFlow为例，您可以单击TensorFlow，创建一个用于编码的文件。系统默认进入“JupyterLab”编码页面。调用mox.file输入如下代码，实现如下几个简单的功能。    引入MoXing Framework。    在已有的“modelarts-test08/moxing”目录下，创建一个“test01”文件夹。    调用代码检查“test01”文件夹是否存在，如果存在，表示上一个操作已成功。import moxing as moxmox.file.make_dirs('obs://modelarts-test08/moxing/test01')mox.file.exists('obs://modelarts-test08/moxing/test01')输入一行代码，单击下“Run”运行。也可以进入OBS管理控制台，检查“modelarts-test08/moxing”目录，查看“test01”文件夹是否已创建成功。更多MoXing的常用操作请参见常用操作的样例代码。引入MoXing Frameworkimport moxing as mox当引入MoXing+AI引擎相关的模块时，会涵盖所有Framework的功能，例如如下操作，这里的mox同时涵盖了所有moxing.tensorflow和moxing.framework下的所有API。import moxing.tensorflow as mox

PyCharm ToolKit介绍由于AI开发者会使用PyCharm工具开发算法或模型，为方便快速将本地代码提交到ModelArts的训练环境，ModelArts提供了一个PyCharm插件工具PyCharm ToolKit插件下载请参见下载并安装ToolKit工具），协助用户完成代码上传、提交训练作业、将训练日志获取到本地展示等，用户只需要专注于本地的代码开发即可。使用限制    当前仅支持PyCharm 2019.2及以上版本，包括社区版和专业版。    使用PyCharm ToolKit远程连接Notebook开发环境，仅限PyCharm专业版。    使用PyCharm ToolKit提交训练作业，社区版和专业版都支持，PyCharm ToolKit 2.x版本仅限于提交旧版训练作业，PyCharm ToolKit latest版本仅限提交新版训练作业。    PyCharm ToolKit工具支持Windows、Linux或Mac版本的PyCharm。支持的功能表1 ToolKit（latest）功能列表 支持的功能说明对应操作指导SSH远程连接支持SSH远程连接ModelArts的Notebook开发环境。配置PyCharm ToolKit远程连接Notebook训练模型支持将本地开发的代码，快速提交至ModelArts并自动创建新版训练作业，在训练作业运行期间获取训练日志并展示到本地。提交训练作业（新版训练）停止训练作业查看训练日志OBS上传下载上传本地文件或文件夹至OBS，从OBS下载文件或文件夹到本地。OBS上传下载表2 ToolKit（2.x版本）功能列表 支持的功能说明对应操作指导SSH远程连接支持SSH远程连接ModelArts的Notebook开发环境。配置PyCharm ToolKit远程连接Notebook训练模型支持将本地开发的代码，快速提交至ModelArts并自动创建旧版训练作业，在训练作业运行期间获取训练日志并展示到本地。提交训练作业（旧版训练）查看训练作业详情启动或停止训练作业查看训练日志提交不同名称的训练作业部署上线支持将训练好的模型快速部署上线为在线服务。部署上线OBS上传下载上传本地文件或文件夹至OBS，从OBS下载文件或文件夹到本地。OBS上传下载Pycharm远程插件Toolkit

报错信息：Exception: You have attempted to create more buckets than allowed原因分析：由于桶的数量超出限额，无法自动创建。解决方法：用户可以删除一个桶，或者直接指定一个已存在的桶（修改变量obs_bucket的值）。报错信息："errorMessage":"The number of namespaces exceeds the upper limit"原因分析：SWR组织数超出限额，SWR组织默认最多只能创建5个组织。解决方法：用户可以删除一个SWR组织，或者直接指定一个已存在的SWR组织（修改变量image_organization的值）。