引言开发者，是用代码改变世界的人，应用是开发者解决场景问题、创造显性价值的最直接载体。而华为开发者大赛正是为开发者提供放飞创新思维、打造创新应用、展示实用价值的舞台。2024华为开发者大赛中国赛区半决赛已然落幕，全球总决赛静待开启。让我们走近这些优秀的企业、高校开发者案例，共同见证每一朵创新的花朵绽放，迎接未来每一个发展的新阶段。AI改变生活开启家居美学新篇章 AI赋能千行百业，未来的家居设计会是什么样子？“通过AIGC 技术打通消费者购物车商品到空间呈现的链路，让每个人都能进行DIY家装设计。”这是生境科技联合创始人钟鸿毅的回答。生境科技聚焦于室内空间AI设计系统研发，目前已针对B端家装公司和C端客户分别推出“生境AI”设计平台和“闪境AI”家装商城，并与金牌橱柜、万华集团等达成了商业合作。在钟鸿毅看来，3D设计自动化是生境科技的核心竞争力：一方面利用图像大模型，在京东、淘宝等电商平台几十万的家具产品都可以通过上传一张图片生成3D模型；另一方面基于团队异形建筑经验，参数化技术可以自动生成不同布局的柜体家具，适配各种各样的户型。“作为初创公司，要考虑图像模型训练测试成本，也要考虑算法稳定性、产品能力，华为云给了我们很大支持。”在经过多方尝试后，生境科技选择了AI开发平台ModelArts等华为云产品作为项目底座，钟鸿毅表示。通过参加华为开发者大赛，生境科技更深入地了解华为的生态以及技术赋能，未来希望可以结合华为的能力走进千家万户，尤其是智慧家居领域进行联动智慧零售打造便捷高效购物体验随着技术进步和消费者需求变化，打通线上线下渠道提供一致且个性化的购物体验成为零售业的痛点。在2024华为开发者大赛上，武汉快特信息技术有限公司的智慧新零售数字化解决方案获得企业赛道湖北赛区一等奖。“我们从2015年开始研发推广智慧零售产品，主要瞄准销售额达到一定规模的零售企业，由于市场竞争、财务管理等因素，标准化产品难以满足客户需求。”项目负责人王世虎介绍道，企业偏向私有化部署和定制。“定制化服务和增值服务是我们的核心竞争力，既要理解计算机语言，还要学习财务知识，更要做到数据安全、问题修复的及时响应。”武汉快特在21年起将智慧新零售产品华为云平台深度绑定，并于今年入驻了华为云商店，已经收获了海外客户。王世虎介绍，产品技术体系基于Java，使用了华为云中间件、RDS数据库等技术，且已获鲲鹏平台认证。谈到未来，他期待华为能继续提供强大的技术能力支持，带来更多优惠和展示机会，双方战略合作伙伴关系越走越远。RPA +AI打造大模型驱动的领先数字员工大模型驱动的生成式AI技术爆发，为数字员工带来全新发展机遇。句子互动作为全球最大的对话式RPA开源框架的商业化公司，以独创的Agent八大生命周期为理论依据，通过「RPA - 运营服务一体化平台」和「AI-Agent工作流引擎」两款产品，助力企业数字化转型。“与消费者建立链接的效率和成本是很多企业的痛点，我们主要面向消费品牌、泛互联网、金融等领域客户。”祁国良介绍道，基于大模型、数据、SOP数字员工构建方案，句子互动打造能力领先的数字员工。句子互动80%左右的客户来自国内，基于技术能力和合作客户认可双重因素，数字底座最终选择了华为云。目前句子互动产品覆盖四亿用户、消息条数将近70亿条，业务增长驱动双方一直紧密合作。与华为专家一起探讨交流，让应用落地更流畅，这是句子互动参加开发者大赛的初衷。祁国良通过华为专家技术指导、开发者社区等平台支持，未来将资源利用到极致，提高效率降低成本，也增强客户体验。情系公益用AI智能设备让盲人“看见”青年的动人之处，在于他们的勇气和担当，展现非凡的创造探索精神。在本次华为开发者大赛，来自武汉工程大学计算机学院物联网专业的王丞辉和团队带来“智行无界——华为云生态下盲人出行一体化解决方案”，得到众多华为专家的肯定。“参加公益活动时发现无障碍环境普遍缺失，就萌生了用智能化设备来充当盲人眼睛的想法。”这是王丞辉的出发点，将设备所看到的信息通过计算机视觉技术转化成自然语言，让盲人对世界有更加清晰的认知。目前团队正在开发智能盲杖、智能导盲眼镜和导盲机械狗，前两者开发已经比较成熟并进行了测试。团队整套智能设备开发均基于华为云平台进行，这源于王丞辉学习经历。由于学校与华为合作密切，王丞辉在实习时对人工智能开发产生了浓厚的兴趣，在老师的支持下通过了华为HCIA-AI的认证。在王丞辉看来，华为生态协同性非常好，可以用更少的代码实现功能开发、算法部署更加方便，用更少的计算资源实现更多的效果，为团队开发提供非常大的帮助，用智能化设备来帮助盲人拥有更好的出行体验，项目前景也十分广阔。科技赋能让手语“翻译”文字更加顺畅科技改变世界，让生活更美好。在华为开发者大赛上，公益项目不断涌现，来自厦门大学的大三学生李天一和团队的“手与”项目正是另一个典型案例。在特殊教育学校的工作经历，让李天一发现听障人士的手语分为官方手语与本土手语，而手语常用语内容高达8000多种，并没有完全统一，听障人士要融入社会格外困难。“简单来说，我们是想训练模型，通过手机识别，将手语顺畅地翻译为文字，在未来期待能实现双向交流。”李天一总结道，并介绍项目当前还处在demo阶段，收集数据是重点，团队正联合高校伙伴收集地方手语数据，并基于昇腾框架、华为云AI开发平台ModelArts开展数据集处理、模型训练、模型部署等一系列开发流程。李天一称，参加华为开发者大赛能够与众多团队进行交流学习，这激发了创新思维，实现了“以赛促学”，可推动团队和个人快速成长。提及未来，李天一表示无论是对于学生还是企业而言，华为云开发者社区组织都提供了大量资源，构建了交流经验的平台，对开发者的成长具有重要意义。他期待华为能够发展更多的开发者伙伴，将生态建设得更加完善。写在最后每一位开发者都了不起，每一个开发者的故事都值得被聆听，他们的每一个代码、每一个想法，都可能成为改变未来的关键。华为将持续践行‘一切皆服务’的理念，致力于构建一个更加开放，更加协同创新的环境，提供更加高效、便捷的工具和资源，与开发者共同前行。

2024年10月13日下午，由布道师赵宏老师主讲，在兰州理工大学彭家坪校区舒卷楼206举办了一场“2024秋昇腾开发培训”，主要内容为昇腾算子开发，参加培训的42名同学在经过理论学习和实际操作后，全部通过了“Ascend C 算子开发能力认证（初级）”的微认证。

11月16日，华为开发者布道师技术沙龙·西安站将在西安交通大学创新港校区举办，将由华为云、鸿蒙和AI领域的技术专家做产业前沿规划的宣讲，同时，来自西安6所高校11位教师开发者布道师将分别从产学合作课程建设、融合产业新技术的创新项目和大赛获奖作品案例三个方向分享他们与华为合作的经验、收获。这是一场知识和经验交融的盛会，是高校师生深入了解华为生态技术，探寻合作机会的绝佳平台，精彩不容错过。诚邀西安区域和周边高校师生报名参与，期待在西安与您相遇！报名链接：cid:link_0

中奖结果公示感谢各位小伙伴参与本次活动，欢迎关注华为云开发者社区技术直播更多活动~本次活动获奖名单如下（部分抽奖未填问卷用户无账号名）：账号名 奖项名称 奖品名称 备注持久观看有奖开发者定制鼠标垫（大号）持久观看有奖开发者定制鼠标垫（大号）持久观看有奖华为云云宝手办-盲盒款

中奖结果公示感谢各位小伙伴参与本次活动，欢迎关注华为云开发者社区技术直播更多活动~本次活动获奖名单如下（部分抽奖未填问卷用户无账号名）：账号名 奖项名称 奖品名称 备注持久观看有奖华为云开发者雨伞因库存不足更换成华为云云宝手办-盲盒款持久观看有奖华为云云宝手办-盲盒款持久观看有奖华为云云宝手办-盲盒款持久观看有奖华为云云宝手办-盲盒款

【活动总结】2024 年 11月 1日-2024年11月10日，华为开发者布道师、桂林电子科技大学李明辉同学在线下组织了围绕mindspore框架和昇腾边缘设备的两次布道活动，本次参与活动的同学来自数学与计算机科学学院与人工智能学院共两百余名学生。活动开始，李明辉同学以通俗易懂的语言为大家详细介绍了MindSpore框架的优势。他强调，MindSpore作为一款面向AI应用的全场景深度学习框架，具有易用、高效、安全等特点，为广大开发者提供了极大的便利。在场的大一同学们纷纷表示对MindSpore框架产生了浓厚兴趣。针对大一新生，李明辉同学贴心地为他们规划了学习昇思框架的路线，并手把手教会了同学们如何利用ATC（Ascend Tensor Compiler）转换自己的模型。这一环节让在场的同学们对人工智能技术的实际应用有了更深刻的认识。NPU案例分享在NPU案例分享环节，李明辉同学向大家展示了魔乐社区的体验空间，并详细讲解了如何离线部署属于自己的模型。这一环节让同学们感受到了人工智能技术的魅力，也为他们今后的学术研究和项目实践奠定了基础。案例分享紧接着，李明辉同学为本科生们介绍了华为云最新云主机，让同学们亲身体验到了云开发的便捷与高效。他通过实际操作演示，让同学们对华为云的技术实力有了更直观的了解。活动照片1活动照片2活动照片3此次活动的成功举办，不仅提高了同学们对人工智能技术的认识，还为他们提供了一个交流学习的平台。相信在未来的学习和实践中，同学们将不断探索，为我国人工智能领域的发展贡献自己的力量。

一年一度属于开发者们的节日如期而至祝所有开发者们1024程序员节快乐愿你们的变量永远不溢出循环永远不陷入死锁，代码逻辑清晰无bug在这个特别的日子里让我们跟随几位优秀开发者听听他们的编码趣事和1024特别祝福video听完了华为云和他的开发者朋友们的祝福还有一群华为云的老朋友有话说他们中加入华为云生态最久的已经有2000多天一路走来，他们与华为云携手相伴在华为生态中大放异彩1024，码客聚会，云上跃迁一起走近华为云和他的开发者朋友们的精彩故事文末更有1024双重福利等你来领~（Tips：扫描图片底部二维码可查看故事详情）1024福利来袭：免费领取云主机，随时随地开发更便利值此1024程序员节，华为云开发者联盟为大家带来特别福利，点击链接加入华为开发者空间，免费领取您的专属云主机。华为开发者空间，汇聚鸿蒙、昇腾、鲲鹏、GaussDB、欧拉等各项根技术的开发资源及工具，致力于为每位开发者提供一台云主机、一套开发工具及云上存储空间，让开发者基于华为根生态创新。分享文章并留言，抽送华为云云宝全套手办即日起分享微信文章（点击查看）至朋友圈，并在微信文章留言互动，我们将在留言区随机抽选5名开发者各赠送华为云云宝全套手办1套。中奖小Tips：留言分享你的开发故事or你印象最深的编码时刻，更容易被选中哦~

在推理场景下，将第三方框架模型（如TensorFlow、Caffe、ONNX等）使用ATC工具转换为适配昇腾AI处理器的离线模型时，若遇到不支持的算子，开发支持这些算子，请问有没有大佬提供下开发流程，或者示例

pytorch模型迁移到NPU后推理到一半显示Warning: expandable_segments currently defaults to false.并等待很久才继续运行。本来只需要几秒的检测时间，因为这个被拉到了30s。想问问如何解决这个问题。已经尝试：export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True，设置后仍然提示该warning上下文：import osimport globimport shutilimport numpy as npfrom ultralytics import YOLOv10import torchimport cv2import torchvision.ops as ops# from model_service.pytorch_model_service import PTServingBaseServiceclass yolov10_detection():# class yolov10_detection(PTServingBaseService): def __init__(self, model_name, model_path): print('model_name:', model_name) print('model_path:', model_path) self.model = YOLOv10(model_path) self.capture = "test.png" # 此处跳到608，以适应两个数据集的图片大小 # 训练时，也应该调到608(32倍数) self.window_size = 608 # 滑动窗口的大小 self.step_size = 320 # 滑动窗口的步长 self.predict_conf = 0.4 # 预测准确阈值 self.nms_threshold = 0.1 # NMS 阈值 def _preprocess(self, data): for _, v in data.items(): for _, file_content in v.items(): with open(self.capture, 'wb') as f: file_content_bytes = file_content.read() f.write(file_content_bytes) return "ok" def _slide_window(self, image, window_size, step_size): height, width = image.shape[:2] # For grayscale, use image.shape for y in range(0, height, step_size): for x in range(0, width, step_size): print(f"detect area left top: ({x}, {y})") # Ensure the window is properly cropped at the image edges crop_x = min(x, width - window_size) crop_y = min(y, height - window_size) cropped_image = image[crop_y:crop_y + window_size, crop_x:crop_x + window_size] # 判断本窗口图像有没有包含1184，1023 # if crop_x <= 1184 and crop_x + window_size >= 1184 and crop_y <= 1023 and crop_y + window_size >= 1023: # print(f"window ({crop_x}, {crop_y}) contains (1184, 1023)") # # 窗口左上角打上标记，就是这个图片 # # cv2.circle(cropped_image, (1184 - crop_x, 1023 - crop_y), 10, (0, 255, 0), 2) # 保存窗口图片到tmp_output/ # cv2.imwrite(f"tmp_output/windows/{crop_x}_{crop_y}.png", cropped_image) yield (crop_x, crop_y, cropped_image) def _inference(self, data): image = cv2.imread(self.capture) # imread后的通道为BGR # image=cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 转换为RGB # image=cv2.cvtColor(image, cv2.COLOR_GRAY2BGR) # 转换为RGB pred_results = [] for (x, y, window) in self._slide_window(image, self.window_size, self.step_size): window_image = window pred_result = self.model(window_image, conf=self.predict_conf, # augment=True # 感觉对pcb检测没什么用，有时候有副作用，很少有正向作用 ) for result in pred_result: # 将检测到的结果位置映射回原图 result_cpu = result.cpu() # 转换为 CPU 张量 result_clone = result_cpu.boxes.xyxy.clone() # 克隆 boxes 的张量 result_clone[:, [0, 2]] += x result_clone[:, [1, 3]] += y print(f"result_clone: {result_clone}") # 直接更新 result_cpu.boxes.xyxy 的值 result_cpu.boxes._xyxy = result_clone pred_results.append(result_cpu) return pred_results def _postprocess(self, data): result = {} detection_classes = [] detection_boxes = [] detection_scores = [] class_names = [ "Mouse_bite", "Spur", "Missing_hole", "Short", "Open_circuit", "Spurious_copper" ] all_boxes = [] all_scores = [] all_classes = [] for res in data: boxes = res.boxes._xyxy.cpu() # 获取 bounding boxes 并转换为 CPU 张量 scores = res.boxes.conf.cpu() # 获取置信度分数并转换为 CPU 张量 classes = res.boxes.cls.cpu() # 获取类别索引并转换为 CPU 张量 # print("clses:", classes) #如果不是missing_hole all_boxes.append(boxes) all_scores.append(scores) all_classes.append(classes) all_boxes = torch.cat(all_boxes) all_scores = torch.cat(all_scores) all_classes = torch.cat(all_classes) keep = ops.nms(all_boxes, all_scores, self.nms_threshold) keep = [i for i in keep if all_classes[i] != 2] for i in keep: box = all_boxes[i].numpy() score = float(all_scores[i].numpy()) cls = int(all_classes[i].numpy()) xmin, ymin, xmax, ymax = map(float, box) detection_boxes.append([ymin, xmin, ymax, xmax]) detection_scores.append(score) detection_classes.append(class_names[cls]) result['detection_classes'] = detection_classes result['detection_boxes'] = detection_boxes result['detection_scores'] = detection_scores # print('result:', result) return result谢谢！

全爱科技-华为首家“昇腾APN 分销金牌”     2024年2月21日，全爱科技（上海）有限公司成为华为首家“昇腾APN 分销金牌”，在华为上海代表处完成授牌仪式。全爱科技是智能计算品牌，高新技术企业，积极拓展AI生态，致力于推动AI技术的广泛应用。全爱科技联合华为共建人工智能计算生态  全爱科技是华为IHV、ISV、APN官方合作伙伴。全爱科技携手华为共建人工智能计算生态建设已有5年时间，提供昇腾AI一站式解决方案，拥有完善的研发、生产和服务体系。全爱科技已设立后羿科技（北京）有限公司、全爱智能科技（烟台）有限公司、全爱智能科技（浙江）有限公司、全爱科技（青岛）有限公司多家子公司；实现了全国布局，以优异的服务赢得超700多家客户的信赖。  全爱科技提供昇腾AI+图像采集系列产品和解决方案、定制化开发服务。全爱科技已发布十余款人工智能小站、开发板；包括“后羿”系列智能小站、开发板及AI加速卡；“二郎神”系列机器人AI开发套件。  全爱科技与华为联合研发“后羿”系列智能小站、开发板开发套件。解决方案基于昇腾Atlas200I A2及高可靠模组打造，已支撑百余家伙伴完成测试工作，荣获华为昇腾APN最佳贡献奖。  华为昇腾生态发展是和伙伴共同成长共赢的过程，全爱科技联合华为始终坚持“硬件开放、软件开源、使能伙伴、人才发展”的生态策略。未来，也将更紧密地联合伙伴，持续推动创新根技术的应用及产业生态构建，以根深促叶茂，打造“共建、共享、共赢”的昇腾AI产业，不断筑牢智能根基，助力中国人工智能产业繁荣向上。

请问是什么问题，如何解决？谢谢！cann版本7.0，torch和torch_npu版本都是 2.1

我不是昇腾设备，没有安装驱动，是不是就没有__aicore__这个宏定义

按照官方教程创建了新的虚拟环境，并成功安装了MindSpore (https://gitee.com/mindspore/docs/blob/r2.2/install/mindspore_cpu_win_install_conda.md#https://gitee.com/link?target=https%3A%2F%2Fwww.mindspore.cn%2Fversions)。在学习初级教程的过程中，需要用到download这个模块(https://gitee.com/mindspore/docs/blob/master/tutorials/source_zh_cn/beginner/quick_start.ipynb#https://gitee.com/link?target=https%3A%2F%2Fwww.mindspore.cn%2Ftutorials%2Fzh-CN%2Fmaster%2Fbeginner%2Fsave_load.html)，在系统级环境中使用命令pip install download能成功安装，但在虚拟环境中一直报错是为什么？

现在节点启动方式是单节点启动，由于我要计算一个大型矩阵，总是报错内存不足，所以我想使用到弹性集群中的多个节点的内存，也就是我想获得大于一台服务器内存大小的内存资源。将节点启动方式改为了多节点后又出现了一直运行但是永远也计算不出结果，也不运行失败的问题，想问下这是什么情况？

添加图片的时候路径没问题、传入图片的位置也没问题，但图片就是显示不出来，是哪个步骤出错了吗？或者有没有其他上传图片的方法？路径设置：传入位置：显示结果：