9月27日，华为开发者大赛暨HCSD校园沙龙走进无锡职业技术学院。本次活动由华为技术有限公司主办，华为云开发者联盟产品部、华为无锡软件开发云创新中心联合承办，无锡职业技术学院协办。2022华为开发者大赛联合高校圈层活动品牌HCSD（Huawei Cloud Student Developers）推出华为开发者大赛暨HCSD校园沙龙活动，旨在协华为专家走进校园，与高校开发者共话行业技术、勇攀技术高峰，共建高校生态，助力院校人才培养。活动现场活动伊始，无锡职业技术学院 物联网技术学院院长蔡建军致辞表示，华为在人才培养方面提供了很好的资源与平台，希望同学们好好利用本次机会，积极参与活动。本次沙龙活动促进了校企合作实质性深层次开展。无锡职业技术学院 物联网技术学院院长 蔡建军随后，华为云中国区生态总监程国春致辞表示，高校人才是数字产业的践行者，未来华为公司将继续紧密携手无锡职院，从人才培养、科学研究、师资建设到产学研合作，形成体系化及常态化的校企合作，助力高校数字人才的培养。华为云中国区生态总监 程国春HarmonyOS是一款面向万物互联时代的、全新的分布式操作系统。在传统的单设备系统能力基础上，HarmonyOS提出了基于同一套系统能力、适配多种终端形态的分布式理念，能够支持手机、平板、智能穿戴、智慧屏、车机等多种终端设备，提供全场景移动办公、运动健康、社交通信、媒体娱乐等业务能力。华为开发者创新中心鸿蒙技术专家胡宇基于鸿蒙的发展旅程、鸿蒙的技术框架和技术特性几个方面进行了详细讲解，并为大家演示了基于鸿蒙操作系统进行软件、硬件开发。华为开发者创新中心鸿蒙技术专家 胡宇接下来，主持人详细介绍了华为开发者大赛，本届大赛以“Spark Infinity 创想无限”为主题，面向开发者开放华为云能力，为广大开发者提供了海量API接口。期待开发者通过大赛这个顶级竞技舞台，可以发挥想象力进行创新创造，结合实际场景，解决行业痛点，共建云生态。参赛者可在华为云官网报名，作品征集将持续至2022年10月8日，开发者可以充分发挥想象力进行创新创造，解决实际问题。如今，以云和AI为核心的全场景智慧时代正在加速到来，各行各业将通过新技术进行数字化转型，重构体验、优化流程、使能创新，打造面向未来的核心竞争力。那么高校开发者如何抓住时代机遇学好AI呢？华为云EI开发者生态工程师青姚老师针对人工智能定位、人工智能技术发展历程、人工智能入门难点及AI工程师面临的问题和挑战、华为云一站式AI开发管理平台ModelArts、AI Gallery社区、华为云开发者认证简介和华为云开发者认证权益等方面问题，进行了深入浅出的讲解。还带领学生体验了华为云开发者认证中的热门实验,学习了解如何使用文字识别OCR服务，既提升了同学们的运用能力，也带领同学们通过实践体验开发乐趣，增强同学们考取华为云开发者认证的信心。华为云EI开发者生态工程师 青姚活动现场，同学们踊跃参与，氛围十分活跃，不少同学抓住机会与专家进行互动问答，切磋交流。转眼活动进入尾声，还为同学们开放了华为云开发者认证考试券名额，旨在通过开发者认证体系，帮助同学们学习并考取认证，真正在云上作业，懂开发会开发，进而助力数字产业人才生态发展。活动现场华为无锡软件开发云创新中心始终致力于携手政校企多方合作,为无锡数字经济发展培养输送创新性、应用型人才。未来，华为云将带来更多的产教融合活动、专业技术培训、激励扶持等，全面助力繁荣无锡人才生态。

10⽉19⽇下午，华为云HCSD校园沙龙走进浙江中医药大学活动圆满落幕。本次活动由华为技术有限公司主办，由华为云开发者联盟产品部、浙江省鲲鹏生态创新中心承办，浙江中医药大学医学技术与信息工程学院协办，携华为专家走进浙江中医药大学，与高校开发者共话前沿技术，赋能培养开发者，共建“医工信人才校企联合培养基地”，繁荣高校开发者生态，助力院校人才培养。本次活动由浙江中医药大学医学技术与信息工程学院副院长肖永涛主持，活动伊始，浙江中医药大学医学技术与信息工程学院院长丁志山致辞中表示，学校坚持“培养应用型人才”办学定位、发扬“校院企协同育人”办学特色。校企合作是推进办学模式与人才培养模式改革、实现学校又快又好发展的切实需要，对培养适合企业发展、具有全面素质与创新能力人才具有重要意义。华为在人才培养方面提供了很好的资源与平台，希望同学们好好利用本次机会，积极参与活动。浙江中医药大学医学技术与信息工程学院院长  丁志山随后，华为云中国区副总裁陈玙致辞表示，高校是服务经济社会发展的重要智力支持和人才培养基地，未来华为公司将继续紧密携手浙江中医药大学，从人才培养、科学研究、师资建设到产学研合作，形成体系化及常态化的校企合作，协同高校共建数字人才生态圈！华为云中国区副总裁 陈玙为推动建立长久发展的产教融合创新合作模式，打造人才交流、资源共享的通道，会上浙江中医药大学医学技术与信息工程学院科研主管副院长赖小波、学院医学信息工程专业负责人李敏、华为云浙江副总经理刘东来、QST青软集团青软浙江区域总经理陈璐代表三方为医工信人才校企联合培养基地揭牌，标志校企双方已正式搭建产学研平台，拉开深度校企合作、协同育人的新篇章。医工信人才校企联合培养基地揭牌仪式如今，以云和AI为核心的全场景智慧时代正在加速到来，各行各业将通过新技术进行数字化转型，重构体验、优化流程、使能创新，打造面向未来的核心竞争力。那么高校开发者如何抓住时代机遇，学好AI呢？华为云AI专家岩风老师针对AI入门常见问题、华为云AI开发平台简介，华为云AI社区，以及华为云开发者认证四方面问题，进行了深入浅出的讲解。还带领学生体验了华为云开发者认证中的热门实验，《商超商品识别》，学习了解了如何在云上使用AI，既提升了同学们的运用能力，也带领同学们通过实践体验开发乐趣，增强同学们考取华为云开发者认证的信心。华为云EI开发者生态工程师 岩风活动现场，同学们踊跃参与，氛围十分活跃，不少同学抓住机会与专家进行互动问答，切磋交流。转眼活动进入尾声，华为云开发者技术支持工程师晋文帅现场解读了华为云开发者认证权益与认证考试券名额，同时动员学生参与为期3天开发者认证体系训练营课程，旨在通过开发者认证体系，帮助同学们学习并考取认证，真正在云上作业，懂开发会开发，进而助力数字产业人才生态发展。华为云开发者技术支持工程师 晋文帅本次沙龙活动促进了校企合作实质性深层次开展。未来浙江省鲲鹏生态创新中心将继续紧密携手浙江中医药大学带来更多的产教融合活动、专业技术培训、激励扶持等，为浙江数字经济发展培养输送创新性、应用型人才。

9月24日下午，华为开发者大赛暨HCSD校园沙龙走进浙江工业大学活动圆满落幕。本次活动由华为技术有限公司主办，华为云开发者联盟产品部、浙江工业大学信息工程学院、华为杭州新工业赋能中心承办，E+领导力辅导员工作室协办，旨在携华为专家走进浙江工业大学，与高校开发者共话前沿技术，赋能培养开发者，共建高校生态，助力院校人才培养。活动现场活动伊始，浙江工业大学信息工程学院团委副书记孟詹锞老师作为主持人，表示热烈欢迎华为云携专家走进浙江工业大学，同时希望同学们好好利用本次机会，积极参与活动。浙江工业大学信息工程学院团委副书记 孟詹锞接着，华为大赛运营专家刘雅婕详细介绍了华为开发者大赛，“开发者是数字时代勇于创新的中坚力量，每一个开发者都了不起。”本次大赛以Spark Infinity 创想无限为主题。面向开发者开放华为云能力，为广大开发者提供了海量API接口。也期待各位开发者通过大赛这个顶级竞技舞台，可以发挥想象力进行创新创造，结合实际场景，解决行业痛点，共建云生态。华为大赛运营专家 刘雅婕如今，以云和AI为核心的全场景智慧时代正在加速到来，各行各业将通过新技术进行数字化转型，重构体验、优化流程、使能创新，打造面向未来的核心竞争力。那么高校开发者如何抓住时代机遇，学好AI呢？华为云EI开发者生态工程师岩风针对人工智能定位、人工智能技术发展历程、人工智能入门难点及AI工程师面临的问题和挑战、华为云一站式AI开发管理平台ModelArts、AI Gallery社区、华为云开发者认证简介和华为云开发者认证权益等方面问题，进行了深入浅出的讲解。还带领学生体验了华为云开发者认证中的热门实验,学习了解如何识别OCR服务，既提升了同学们的运用能力，也带领同学们通过实践体验开发乐趣。华为云EI开发者生态工程师 岩风开发者技术支撑专家文帅老师为同学们讲解了云原生概念、应用现状、产业发展趋势及华为云开发者认证。通过理论与实践结合，帮助大家快速理解所学要点，让同学们对云原生有了新的认识，增强了同学们的视野及考取华为云开发者认证的信心。开发者技术支撑专家 文帅活动现场，同学们踊跃参与，氛围十分活跃，不少同学抓住机会与专家进行互动问答，切磋交流。转眼活动进入尾声，还为同学们开放了华为云开发者认证考试券名额，旨在通过开发者认证体系，帮助同学们学习并考取认证，真正在云上作业，懂开发会开发，进而助力数字产业人才生态发展。活动现场本次沙龙活动促进了校企合作实质性深层次开展。未来浙江华为云将继续紧密携手浙江工业大学，从人才培养、科学研究、师资建设到产学研合作，形成体系化及常态化的校企合作，助力浙江高校数字人才的培养。

10⽉18⽇下午，华为云【HCSD校园沙龙】走进江西应用科技学院。本次活动由华为技术有限公司主办，华为云开发者联盟产品部、华为(江西)VR/AR软件中心、华为（江西）智能网联汽车产业创新中心承办，江西应用科技学院软件与区块链学院协办。华为云推出【HCSD校园沙龙】活动，旨在携行业专家走进校园，与高校开发者共话行业技术、勇攀技术高峰，共建高校生态，助力院校人才培养。活动伊始，江西应用科技学院软件与区块链学院院长卞秀运对举办此次活动的目的作出说明，并向在场同学介绍此次莅临活动的嘉宾和专家。随后江西应用科技学院副校长李建萍发表致辞，他表示江西应用科技学院一直“坚持产教融合，深度开展校企合作”的办学特色，与华为公司一直保持着深度合作，探索Harmony OS人才培养模式，先后多名老师参加了华为的专项学习和培训，致力于将学校建设成为应用型技术技能型人才培养、前沿技术研发、人才创新创业的新高地。同时他也相信通过本次HCSD校园沙龙活动，同学们对华为云将会有更深刻的了解，对于如何成为一名优秀的开发者有更明确的方向和目标。深化人才培养，助力产教融合华为开发者创新中心运营总监高荀则从产业发展与人才培养双向驱动的角度出发，展开题为《华为开放能力 助力新时代人才培养》的主旨演讲。在演讲中，高荀向在场学生介绍了华为开放能力，并分享华为开发者创新应用中心的运营模式等相关内容。期间，她重点提到华为云人才培养战略，将多维度互动体验式教学，助力院校培养高水平应用型学生。同时，华为还将基于对产业行业的政策、市场、技术调研和发展趋势的预判，融合华为商用解决方案产品与技术，结合高校专业原有人才培养方案与教学计划，共同制定适合高校教学，适应行业需求，具备产教融合特色的人才培养方案，教学计划与课程体系，帮助高校明确与细化专业培养、目标及学生毕业能力要求。AI实操升级，行业专家现场支招如今，以云和AI为核心的全场景智慧时代正在加速到来，各行各业将通过新技术进行数字化转型，重构体验、优化流程、使能创新，打造面向未来的核心竞争力。那么高校开发者如何抓住时代机遇，学好AI呢？华为云EI开发者生态工程师岩风针对人工智能定位、人工智能技术发展历程、人工智能入门难点及AI工程师面临的问题和挑战、华为云一站式AI开发管理平台ModelArts、AI Gallery社区、华为云开发者认证简介和华为云开发者认证权益等方面问题，进行了深入浅出的讲解。还带领学生体验了华为云开发者认证中的热门实验<图像动漫化>,学习了解如何将图像变成动漫效果，既提升了同学们的运用能力，也带领同学们通过实践体验开发乐趣，增强同学们考取华为云开发者认证的信心。活动现场，同学们也踊跃参与到讨论中，氛围十分活跃，不少同学抓住此次机会与专家进行互动问答、切磋交流。转眼活动进入尾声，华为还为江西应用科技学院同学们开放了华为云开发者认证专属考试券名额，旨在通过开发者认证体系，帮助同学们学习并考取认证，真正在云上作业，懂开发会开发，进而助力数字产业人才生态发展。一直以来，华为云创新中心都积极与高校以及产教融合机构紧密合作，持续孵化江西开发者人才生态圈。华为云创新中心也将基于华为云生态体系，面向江西各大高校构筑开发者生态，输出华为云技术能力，为校园开发者提供丰富的开发工具、搭建学习、交流、分享、实践的平台，营造本地产业生态，建立伙伴互利共赢的合作机制。面向未来，华为云将继续扎根江西省，深入不同领域业务场景，加速全栈创新，为开发者带来实际技术提供支持，与伙伴一同发展，共同加快产业数字化进程，提升核心竞争力，助力江西培育更加适宜的“数字生态”，播撒更多优良的“技术种子”，打造数字经济发展新高地。

8⽉30⽇，“华为开发者大赛暨HCSD校园沙龙”走进深圳技术大学。本次活动由华为技术有限公司主办，华为云开发者联盟产品部、鲲鹏产业源头创新中心承办，深圳技术大学大数据与互联网学院、开源创客协会协办。2022华为开发者大赛联合高校圈层活动品牌HCSD（Huawei Cloud Student Developers）推出“华为开发者大赛暨HCSD校园沙龙”活动，旨在携华为专家走进深圳技术大学，与高校开发者共话行业技术、勇攀技术高峰，共建高校生态，助力院校人才培养。活动伊始，深圳技术大学大数据学院副院长曹建民发表致辞，“校企合作是数字人才培养制度的创新，更是理论与实践相结合的教学模式传承，不仅服务企业发展的人才需求，对促进学校人才培养也具有重要意义。”他还表示，本次沙龙活动标志着双方合作的再次深化以及进一步协同创新。深圳技术大学大数据学院副院长 曹建民随后，深圳华为云教育生态总监肖展鸿为到场师生详细介绍了华为云赋能高校人才培养的定位及目标。他指出：在全球数字经济转型的国际大背景下，我们的社会迫切需要技术能力强、实践能力强、创新能力强的复合型人才，推进自主创新、产业升级需要人才先行。鲲鹏产业源头创新中心是由深圳市人民政府和华为公司双方联合建立，并在此基础上由深圳市各区人民政府和华为公司针对区域产业特色建立多个区域创新中心，集中培养在华为云鲲鹏云服务、智能制造、企业智能、工业互联网等多个方向的创新人才，建立人才资源池以汇聚、输出行业通用性人才，在此基础上重点培养行业高、精、尖、缺人才，对产业形成人才输出效应，打造深圳市创新人才高地。深圳华为云教育生态总监 肖展鸿接着，华为大赛运营专家郑彭元详细介绍了华为开发者大赛，“开发者是数字时代勇于创新的中坚力量，每一个开发者都了不起。”本次大赛以“Spark Infinity 创想无限”为主题。面向开发者开放华为云能力，为广大开发者提供了海量API接口。也期待各位开发者通过大赛这个顶级竞技舞台，可以发挥想象力进行创新创造，结合实际场景，解决行业痛点，共建云生态。华为大赛运营专家 郑彭元如今，以云和AI为核心的全场景智慧时代正在加速到来，各行各业将通过新技术进行数字化转型，重构体验、优化流程、使能创新，打造面向未来的核心竞争力。那么高校开发者如何抓住时代机遇，学好AI呢？华为云AI专家雅琴老师针对AI入门常见问题、AI发展现状与趋势、华为云开发者认证简介、华为云开发者认证权益四方面问题，进行了深入浅出的讲解。还带领学生体验了华为云开发者认证中的热门实验“文字识别API服务调用”，学习了解如何使用文字识别API服务，快速实现图片转文字功能，既提升了同学们的运用能力，也带领同学们通过实践体验开发乐趣，增强同学们考取华为云开发者认证的信心。华为云AI专家 刘雅琴活动现场，同学们踊跃参与，氛围十分活跃，不少同学抓住机会与专家进行互动问答，切磋交流。转眼活动进入尾声，还为同学们开放了华为云开发者认证考试券名额，旨在通过开发者认证体系，帮助同学们学习并考取认证，真正在云上作业，懂开发会开发，进而助力数字产业人才生态发展。

图像特征提取特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。特征的定义特征提取是图象处理中的一个初级运算，也就是说它是对一个图像进行的第一个运算处理。它检查每个像素来确定该像素是否代表一个特征。假如它是一个更大的算法的一部分，那么这个算法一般只检查图像的特征区域。作为特征提取的一个前提运算，输入图像一般通过高斯模糊核在尺度空间中被平滑。此后通过局部导数运算来计算图像的一个或多个特征。假如特征提取需要许多的计算时间，而可以使用的时间有限制，一个高层次算法可以用来控制特征提取阶层，这样仅图像的部分被用来寻找特征。由于许多计算机图像算法使用特征提取作为其初级计算步骤，因此有大量特征提取算法被发展，其提取的特征各种各样，它们的计算复杂性和可重复性也非常不同。图像识别技术的产生是基于人工智能的基础上，所以计算机图像识别的过程与人脑识别图像的过程大体一致，归纳起来，该过程主要包括4个步骤：1是获取信息，主要是指将声音和光等信息通过传感器向电信号转换，也就是对识别对象的基本信息进行获取，并将其向计算机可识别的信息转换；2是信息预处理，主要是指采用去噪、变换及平滑等操作对图像进行处理，基于此使图像的重要特点提高；3是抽取及选择特征，主要是指在模式识别中，抽取及选择图像特征，概括而言就是识别图像具有种类多样的特点，如采用一定方式分离，就要识别图像的特征，获取特征也被称为特征抽取；4是设计分类器及分类决策，其中设计分类器就是根据训练对识别规则进行制定，基于此识别规则能够得到特征的主要种类，进而使图像识别的不断提高辨识率，此后再通过识别特殊特征，最终实现对图像的评价和确认。局部地看边缘是一维结构。角角是图像中点似的特征，在局部它有两维结构。早期的算法首先进行边缘检测，然后分析边缘的走向来寻找边缘突然转向（角）。后来发展的算法不再需要边缘检测这个步骤，而是可以直接在图像梯度中寻找高度曲率。后来发现这样有时可以在图像中本来没有角的地方发现具有同角一样的特征的区域。区域与角不同的是区域描写一个图像中的一个区域性的结构，但是区域也可能仅由一个像素组成，因此许多区域检测也可以用来监测角。一个区域监测器检测图像中一个对于角监测器来说太平滑的区域。区域检测可以被想象为把一张图像缩小，然后在缩小的图像上进行角检测。脊长条形的物体被称为脊。在实践中脊可以被看作是代表对称轴的一维曲线，此外局部针对于每个脊像素有一个脊宽度。从灰梯度图像中提取脊要比提取边缘、角和区域困难。在空中摄影中往往使用脊检测来分辨道路，在医学图像中它被用来分辨血管。特征抽取特征被检测后它可以从图像中被抽取出来。这个过程可能需要许多图像处理的计算机。其结果被称为特征描述或者特征向量。常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。一 颜色特征（一）特点：颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响，基缺点是没有表达出颜色空间分布的信息。（二）常用的特征提取与匹配方法（1） 颜色直方图其优点在于：它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于：它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。最常用的颜色空间：RGB颜色空间、HSV颜色空间。颜色直方图特征匹配方法：直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。（2） 颜色集颜色直方图法是一种全局颜色特征提取与匹配方法，无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从 RGB颜色空间转化成视觉均衡的颜色空间（如 HSV 空间），并将颜色空间量化成若干个柄。然后，用色彩自动分割技术将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达为一个二进制的颜色索引集。在图像匹配中，比较不同图像颜色集之间的距离和色彩区域的空间关系（3） 颜色矩这种方法的数学基础在于：图像中任何的颜色分布均可以用它的矩来表示。此外，由于颜色分布信息主要集中在低阶矩中，因此，仅采用颜色的一阶矩（mean）、二阶矩（variance）和三阶矩（skewness）就足以表达图像的颜色分布。（4） 颜色聚合向量其核心思想是：将属于直方图每一个柄的像素分成两部分，如果该柄内的某些像素所占据的连续区域的面积大于给定的阈值，则该区域内的像素作为聚合像素，否则作为非聚合像素。（5） 颜色相关图二 纹理特征（一）特点：纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行统计计算。在模式匹配中，这种区域性的特征具有较大的优越性，不会由于局部的偏差而无法匹配成功。作为一种统计特征，纹理特征常具有旋转不变性，并且对于噪声有较强的抵抗能力。但是，纹理特征也有其缺点，一个很明显的缺点是当图像的分辨率变化的时候，所计算出来的纹理可能会有较大偏差。另外，由于有可能受到光照、反射情况的影响，从2-D图像中反映出来的纹理不一定是3-D物体表面真实的纹理。例如，水中的倒影，光滑的金属面互相反射造成的影响等都会导致纹理的变化。由于这些不是物体本身的特性，因而将纹理信息应用于检索时，有时这些虚假的纹理会对检索造成“误导”。在检索具有粗细、疏密等方面较大差别的纹理图像时，利用纹理特征是一种有效的方法。但当纹理之间的粗细、疏密等易于分辨的信息之间相差不大的时候，通常的纹理特征很难准确地反映出人的视觉感觉不同的纹理之间的差别。（二）常用的特征提取与匹配方法纹理特征描述方法分类（1）统计方法统计方法的典型代表是一种称为灰度共生矩阵的纹理特征分析方法Gotlieb 和 Kreyszig 等人在研究共生矩阵中各种统计特征基础上，通过实验，得出灰度共生矩阵的四个关键特征：能量、惯量、熵和相关性。统计方法中另一种典型方法，则是从图像的自相关函数（即图像的能量谱函数）提取纹理特征，即通过对图像的能量谱函数的计算，提取纹理的粗细度及方向性等特征参数（2）几何法所谓几何法，是建立在纹理基元（基本的纹理元素）理论基础上的一种纹理特征分析方法。纹理基元理论认为，复杂的纹理可以由若干简单的纹理基元以一定的有规律的形式重复排列构成。在几何法中，比较有影响的算法有两种：Voronio 棋盘格特征法和结构法。（3）模型法模型法以图像的构造模型为基础，采用模型的参数作为纹理特征。典型的方法是随机场模型法，如马尔可夫（Markov）随机场（MRF）模型法和 Gibbs 随机场模型法（4）信号处理法纹理特征的提取与匹配主要有：灰度共生矩阵、Tamura 纹理特征、自回归纹理模型、小波变换等。灰度共生矩阵特征提取与匹配主要依赖于能量、惯量、熵和相关性四个参数。Tamura 纹理特征基于人类对纹理的视觉感知心理学研究，提出6种属性，即：粗糙度、对比度、方向度、线像度、规整度和粗略度。自回归纹理模型（simultaneous auto-regressive, SAR）是马尔可夫随机场（MRF）模型的一种应用实例。三 形状特征（一）特点：各种基于形状特征的检索方法都可以比较有效地利用图像中感兴趣的目标来进行检索，但它们也有一些共同的问题，包括：①目前基于形状的检索方法还缺乏比较完善的数学模型；②如果目标有变形时检索结果往往不太可靠；③许多形状特征仅描述了目标局部的性质，要全面描述目标常对计算时间和存储量有较高的要求；④许多形状特征所反映的目标形状信息与人的直观感觉不完全一致，或者说，特征空间的相似性与人视觉系统感受到的相似性有差别。另外，从 2-D 图像中表现的 3-D 物体实际上只是物体在空间某一平面的投影，从 2-D 图像中反映出来的形状常不是 3-D 物体真实的形状，由于视点的变化，可能会产生各种失真。（二）常用的特征提取与匹配方法Ⅰ几种典型的形状特征描述方法通常情况下，形状特征有两类表示方法，一类是轮廓特征，另一类是区域特征。图像的轮廓特征主要针对物体的外边界，而图像的区域特征则关系到整个形状区域。几种典型的形状特征描述方法：（1）边界特征法该方法通过对边界特征的描述来获取图像的形状参数。其中Hough 变换检测平行直线方法和边界方向直方图方法是经典方法。Hough 变换是利用图像全局特性而将边缘像素连接起来组成区域封闭边界的一种方法，其基本思想是点—线的对偶性；边界方向直方图法首先微分图像求得图像边缘，然后，做出关于边缘大小和方向的直方图，通常的方法是构造图像灰度梯度方向矩阵。（2）傅里叶形状描述符法傅里叶形状描述符(Fourier shape deors)基本思想是用物体边界的傅里叶变换作为形状描述，利用区域边界的封闭性和周期性，将二维问题转化为一维问题。由边界点导出三种形状表达，分别是曲率函数、质心距离、复坐标函数。（3）几何参数法形状的表达和匹配采用更为简单的区域特征描述方法，例如采用有关形状定量测度（如矩、面积、周长等）的形状参数法（shape factor）。在 QBIC 系统中，便是利用圆度、偏心率、主轴方向和代数不变矩等几何参数，进行基于形状特征的图像检索。需要说明的是，形状参数的提取，必须以图像处理及图像分割为前提，参数的准确性必然受到分割效果的影响，对分割效果很差的图像，形状参数甚至无法提取。（4）形状不变矩法利用目标所占区域的矩作为形状描述参数。（5）其它方法近年来，在形状的表示和匹配方面的工作还包括有限元法（Finite Element Method 或 FEM）、旋转函数（Turning ）和小波描述符（Wavelet Deor）等方法。Ⅱ 基于小波和相对矩的形状特征提取与匹配该方法先用小波变换模极大值得到多尺度边缘图像，然后计算每一尺度的 7个不变矩，再转化为 10 个相对矩，将所有尺度上的相对矩作为图像特征向量，从而统一了区域和封闭、不封闭结构。四 空间关系特征（一）特点：所谓空间关系，是指图像中分割出来的多个目标之间的相互的空间位置或相对方向关系，这些关系也可分为连接/邻接关系、交叠/重叠关系和包含/包容关系等。通常空间位置信息可以分为两类：相对空间位置信息和绝对空间位置信息。前一种关系强调的是目标之间的相对情况，如上下左右关系等，后一种关系强调的是目标之间的距离大小以及方位。显而易见，由绝对空间位置可推出相对空间位置，但表达相对空间位置信息常比较简单。空间关系特征的使用可加强对图像内容的描述区分能力，但空间关系特征常对图像或目标的旋转、反转、尺度变化等比较敏感。另外，实际应用中，仅仅利用空间信息往往是不够的，不能有效准确地表达场景信息。为了检索，除使用空间关系特征外，还需要其它特征来配合。（二）常用的特征提取与匹配方法提取图像空间关系特征可以有两种方法：一种方法是首先对图像进行自动分割，划分出图像中所包含的对象或颜色区域，然后根据这些区域提取图像特征，并建立索引；另一种方法则简单地将图像均匀地划分为若干规则子块，然后对每个图像子块提取特征，并建立索引。姿态估计问题就是：确定某一三维目标物体的方位指向问题。姿态估计在机器人视觉、动作跟踪和单照相机定标等很多领域都有应用。在不同领域用于姿态估计的传感器是不一样的，在这里主要讲基于视觉的姿态估计。基于视觉的姿态估计根据使用的摄像机数目又可分为单目视觉姿态估计和多目视觉姿态估计。根据算法的不同又可分为基于模型的姿态估计和基于学习的姿态估计。一基于模型的姿态估计方法基于模型的方法通常利用物体的几何关系或者物体的特征点来估计。其基本思想是利用某种几何模型或结构来表示物体的结构和形状，并通过提取某些物体特征，在模型和图像之间建立起对应关系，然后通过几何或者其它方法实现物体空间姿态的估计。这里所使用的模型既可能是简单的几何形体，如平面、圆柱，也可能是某种几何结构，也可能是通过激光扫描或其它方法获得的三维模型。基于模型的姿态估计方法是通过比对真实图像和合成图像，进行相似度计算更新物体姿态。目前基于模型的方法为了避免在全局状态空间中进行优化搜索，一般都将优化问题先降解成多个局部特征的匹配问题，非常依赖于局部特征的准确检测。当噪声较大无法提取准确的局部特征的时候，该方法的鲁棒性受到很大影响。

已完成。。。。。。。。。

 流程 step1:获取橘子的检测框  step2:求取橘子的质心  step3:将质心送入卡尔曼滤波器，获取到预测的下一次橘子的质心位置  一、采用轮廓的方式检测橘子位置 步骤：  采用OpenCV滚动条来确定阈值 设置高低阈值，利用inRange函数，将图像转为二值图，为方便之后的轮廓提取 使用findContours函数，提取二值图中所有的轮廓，并采用cv2.RETR_TREE，建立轮廓等级树 等级树初始是升序，我们要获取最大的那个轮廓，那么就进行sort降序排序 最后，第一个轮廓的最小外边框的参数就可以用boundingRect获取到了 （一）滚动条获取阈值  视频中截图的一张带有橘子的图  ​​ 代码  import cv2 import numpy as np   def nothing(x):     pass   cv2.namedWindow('image') cv2.createTrackbar('a','image',0,255,nothing) cv2.createTrackbar('b','image',0,255,nothing) cv2.createTrackbar('c','image',0,255,nothing) cv2.createTrackbar('d','image',0,255,nothing) cv2.createTrackbar('e','image',0,255,nothing) cv2.createTrackbar('f','image',0,255,nothing)   frame = cv2.imread('orange.jpg') frame = cv2.resize(frame,(700,400))   while True:     a = cv2.getTrackbarPos('a', 'image')     b = cv2.getTrackbarPos('b', 'image')     c = cv2.getTrackbarPos('c', 'image')     d = cv2.getTrackbarPos('d', 'image')     e = cv2.getTrackbarPos('e', 'image')     f = cv2.getTrackbarPos('f', 'image')     hsv_img = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)     low_orange = np.array([a, b, c])     high_orange = np.array([d, e, f])     mask = cv2.inRange(hsv_img, low_orange, high_orange)     cv2.imshow('image',mask)     k = cv2.waitKey(1)&0xff     if k==27:         break    （二）获取到图像中的包围橘子对应的白色图形的最小矩形框的信息 检测橘子轮廓最小外边框代码  import cv2 import numpy as np   class OrangeDetector:     def __init__(self):         self.low_orange = np.array([10, 152, 89])         self.high_orange = np.array([180, 255, 255])       def detect(self, frame):         hsv_img = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)         mask = cv2.inRange(hsv_img, self.low_orange, self.high_orange)         contours, _ = cv2.findContours(mask, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)         contours = sorted(contours, key=lambda x: cv2.contourArea(x), reverse=True)         box = (0, 0, 0, 0)         for cnt in contours:             (x, y, w, h) = cv2.boundingRect(cnt)             box = (x, y, x + w, y + h)             break         return box  二、获取橘子检测框的质心 od = OrangeDetector() orange_bbox = od.detect(frame) x, y, x2, y2 = orange_bbox cx = int((x + x2) / 2) cy = int((y + y2) / 2) 三、将质心送入卡尔曼滤波器，获取下一次的质心位置 predicted = kf.predict(cx, cy) 四、绘图质心中心的圆圈，让效果直观显示出来   ​卡尔曼滤波预测代码  import cv2 from orange_detector import OrangeDetector from kalmanfilter import KalmanFilter   cap = cv2.VideoCapture("orange.mp4") od = OrangeDetector() kf = KalmanFilter()   while True:     ret, frame = cap.read()     if ret is False:         break       orange_bbox = od.detect(frame)     x, y, x2, y2 = orange_bbox     cx = int((x + x2) / 2)     cy = int((y + y2) / 2)       predicted = kf.predict(cx, cy)     cv2.circle(frame, (cx, cy), 20, (0, 0, 255), 4)     cv2.circle(frame, (predicted[0], predicted[1]), 20, (255, 0, 0), 4)       cv2.imshow("Frame", frame)     key = cv2.waitKey(10)     if key == 27:         break  ———————————————— 版权声明：本文为CSDN博主「獜洛橙」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/weixin_54627824/article/details/127472819 

一、理论基础        在指纹图像预处理部分，论文对预处理的各个步骤包括规格化、图像分割、中值滤波、二值化、细化等以及各个步骤的方法进行了深入的分析和研究，选择了一种图像预处理方案。在指纹特征提取部分，采用基于Matlab实现的指纹细节特征提取方法，并给出了去伪算法。指纹特征提取是从细化后的指纹图中得到细节特征点（即端点和分叉点），此特征点含有大量的伪特征，既耗时又影响匹配精度。采用了边缘去伪和距离去伪，使得特征点去伪前后减小了近1/3，然后提取可靠特征点信息，以便实现指纹匹配。       指纹识别技术是指使用取像设备读取指纹图像，通过识别软件提取出指纹图像中的特征数据，然后根据匹配算法得到的结果鉴别指纹所有人身份的生物特征识别技术。         指纹识别系统主要涉及三大步骤:指纹图像预处理、特征提取、特征匹配三个部分，其中预处理部分又可分为归一化、图像滤波增强、二值化和细化等几个步骤。系统流程框图如图1－1所示。下面对这三个个部分做一下简单的介绍。          指纹图像处理中物体的形状信息是十分重要的，为了提取指纹图像特定区域的特征，对指纹图像通常需要采用细化算法处理，得到与原来指纹图像形状近似的由简单的弧或曲线组成的图形，这些细线处于物体的中轴附近，这就是所谓的指纹图像的细化。       细化方法不同,细化结果就有差异。在指纹识别中要求在不改变原来指纹图像的拓朴连通性的同时,细化的结果应为严格的八邻域图像骨架;纹线中除去特征点以外,每个像素均只与相邻两个像素为八邻域,抹去任意一像素都将破坏纹线的连接性。概括起来说就是纹线细化处理要满足收敛性、连接性、拓朴性、保持性、细化性、中轴性、快速性的要求。目前为止,关于细化方法的研究工作已有很多成果,所采用的方法从使用的观点来看,比较多的是采用模板匹配的方法(如迭代法、OPTA单连通法等)。这种方法是根据某个像素的局部邻域(如3×3,5×5等)的图像特征对其进行处理,此外也有采用边缘搜索编码、外轮廓计算以及神经网络等细化方法。从处理的过程来看,主要可以分为串行和并行两类,前者对图像中当前像素处理依据其邻域内像素的即时化结果,且不同的细化阶段采用不同的处理方法;后者对当前的像素处理该像素及其邻域内各像素的前一轮   迭代处理的结果,自始至终采用相同的细化准则。         对于任意形状的区域，细化实质上是腐蚀操作的变体，细化过程中要根据每个像素点的八个相邻点的情况来判断该点是否可以剔除或保留。          细节特征提取的方法分为两种：一种是从灰度图像中提取特征，另一种是从细化二值图像中提取特征。直接从灰度图像中提取特征的算法一般是对灰度指纹纹线进行跟踪，根据跟踪结果寻找特征的位置和判断特征的类型。这种方法省去了复杂的指纹图像预处理过程，但是特征提取的算法却十分复杂,而且由于噪声等因素影响，特征信息（位置、方向等）也不够准确。目前大多数系统采用第二种方法，从细化二值图像中提取特征，该方法比较简单，在得到可靠的细化二值图像后，只需要一个3×3的模板就可以将端点和分叉点提取出来。          特征点提取的好坏将直接影响匹配的结果。现实中，指纹输入时，由于汗渍、干燥、按压力度不同等影响,得到的指纹图像大都含有断纹、褶皱、模糊、灰度不均匀等质量问题，虽然经过预处理，图像质量会有所改观，但预处理算法对各个指纹的适应性和有效性也会不同，并且会引入新的噪声，因此得到的细化二值图像往往含有大量的伪特征点。伪特征点不仅会影响匹配的速度，严重的会影响整个识别的正确率。所以提取特征点后要进行去伪处理，尽可能滤除伪特征点、保留真特征点。实践中发现，伪特征点的数量一般占总特征数量的一半以上，所以去伪是必不可少的过程。去伪过程可以在两个阶段进行：一是在特征提取之前对细化二值图像进行平滑、去除毛刺、连接断纹等操作，然后提取特征作为真特征；另一种是在特征提取之后，根据特征之间的相互关系,尽可能准确的识别伪特征点并滤除它们。前者直接对图像进行修补，操作比较复杂，容易引入新的伪特征；后者对特征提取后的数据进行判断，识别比较麻烦，但是速度较快本文采用第二种方法，即从已提取的特征点中滤除伪特征，保留真特征。  二、核心程序 clc; clear all; close all; warning off;   %读取图片 %注意，为了和论文中的结果对应起来，我们使用论文中的图片进行代码的测试 I=imread('images.jpg'); if isrgb(I) == 1    I = rgb2gray(I); else    I = I; end I_tmp = I;     figure; subplot(121); imshow(I);   %图像预处理，去噪滤波 I = medfilt2(I,[3,3]);%进行中值滤波; subplot(122); imshow(I);   %背景分割 %图像二值化处理 %首先进行归一化 I=norms(I,120,600);     figure; %为了显示处理效果，需要数据类型转换 subplot(121); imshow(double(I));   Ker   = 8; [m,n] = size(I); m1    = m/Ker; n1    = n/Ker; for i=1:m1    for j=1:n1        %设定门限       t=mean2(I((i-1)*Ker+1:(i-1)*Ker+Ker,(j-1)*Ker+1:(j-1)*Ker+Ker));       for k=(i-1)*Ker+1:(i-1)*Ker+Ker           for l=(j-1)*Ker+1:(j-1)*Ker+Ker               if I(k,l) < t                   I(k,l)=1;               else                    I(k,l)=0;               end           end       end    end end     %为了显示处理效果，需要数据类型转换 subplot(122); imshow(double(I));           %异常点的处理 for i=1:m     for j=1:n         if I(i,j)>1             I(i,j)=0;         end     end end for i=1:m     for j=1:n         if I(i,j)==1             for k=1:j                 I(i,k)=1;             end             break;         end     end end for i=1:m     for j=n:-1:1         if I(i,j)==1             for k=n:-1:j                I(i,k)=1;             end             break;    end     end end for i=1:m     for j=1:n         if I(i,j)==1             I(i,j)=0;         else             I(i,j)=1;         end     end end figure; %为了显示处理效果，需要数据类型转换 imshow(double(I));   %对细化前的图像进行维纳滤波 figure; subplot(121); imshow(double(I));   I=wiener2(I,[3 3]);   subplot(122); imshow(double(I));   %以下为细化处理 [r,c] = size(I); for i1=1:r;     for j1=1:c         if (I(i1,j1)==1)            I(i1,j1)= 255;             I2      = I;         end     end end     y = thinning(I2); figure; imshow(y);     %以上的代码是你之前的第三章的代码的仿真图 %以下的代码是对应第四章的仿真图 %首先需要提取指纹图像的中心点——对应论文的“图4-1提取中心点后的细化图像” [XC,YC] = find_central_point(y);   %找寻细化图像的特征点 %特征点的建立——对应论文的“图4－2特征点提取后的图像” [dpx3,dpy3,dpcount3,fpx3,fpy3,fpcount3]=characterpoint(y); figure; imshow(y); hold on; plot(dpy3,dpx3,'o'); hold on; plot(fpy3,fpx3,'+'); hold on; plot(XC,YC,'*r');  hold off;           %以下代码是对最后的识别结果和数据库中的进行匹配 %计算每个特征点到中心点的距离， Dpcount=size(dpx3,2); Fpcount=size(fpx3,2); for i=1:Dpcount     DP_Feature(i)=sqrt((dpx3(i)-YC)^2+(dpy3(i)-XC)^2); end for j=1:Fpcount     FP_Feature(j)=sqrt((fpx3(j)-YC)^2+(fpy3(j)-XC)^2); end      %计算指纹图像的方向角 theta = func_theta(I_tmp);   %建立待识别的特征库 for i=1:Dpcount     PointOfModel(i,1)=1;     PointOfModel(i,2)=DP_Feature(i);     PointOfModel(i,3)=theta(dpx3(i),dpy3(i))-theta(YC,XC); end for i=Dpcount+1:Dpcount+Fpcount     PointOfModel(i,1)=2;     PointOfModel(i,2)=FP_Feature(i-Dpcount);     PointOfModel(i,3)=theta(fpx3(i-Dpcount),fpy3(i-Dpcount))-theta(YC,XC); end         %调用database_feature计算得到PointOfMatch I=imread('database/22.tif');   if isrgb(I) == 1    I = rgb2gray(I); else    I = I; end PointOfMatch = database_feature(I);   %调用MATCH函数进行匹配 %图4-3 匹配后的图像 NUM = 90;%这个参数是新加的，设置相似度，即多少个匹配点对上才算成功 Count=match(y,PointOfModel,PointOfMatch,dpx3,dpy3,fpx3,fpy3,NUM);        三、测试结果 边缘保护  请查看原文图片  进行适应性去噪过滤处理  请查看原文图片  细化处理得到的结果  请查看原文图片 二值化图像细化处理，并标注特征点和中心点。特征端点用'o'标注，特征分叉点用'+'标注，中心点用红色'*'标注  请查看原文图片 指纹匹配  ​​​​​​​请查看原文图片​​​​​​​A10-11 ———————————————— 版权声明：本文为CSDN博主「fpga和matlab」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/ccsss22/article/details/127582230 

Stable Diffusion文字生成图像Stable Diffusion 是由 CompVis、Stability AI 和 LAION 共同开发的一个文本转图像模型，它通过 LAION-5B 子集大量的 512x512 图文模型进行训练，我们只要简单的输入一段文本，Stable Diffusion 就可以迅速将其转换为图像，同样我们也可以置入图片或视频，配合文本对其进行处理。这个活动简单又好玩Ta-Da！机会来啦！AI Gallery 正式上线了 AI 作画中最火的模型 “Stable Diffusion”，通过 ModelArts Notebook能力，即可实现【一键 AI 作画】，自动生成作品海报，人人都是大艺术家！https://developer.huaweicloud.com/develop/aigallery/notebook/detail?id=03aab198-dc21-4974-ab33-352e9f56939c&ticket=ST-193587-MgJGfa1fxl6GFZ77F7vFjRod-sso切换GPU免费规格Prompt框架：[图片的风格]+[内容主题]+[细节描述]+[绘画风格或者艺术家风格]图片的风格按照这个框架，简单构造一个图片风格，比如:可以是一幅美丽的画，或者是一幅美丽的山水画。内容的主体+详细描述主体可以是各种各样的选择。推荐一些可以激发大家灵感的事物，如山水，人物，建筑房屋，动物等等，尽可能细致刻画这些实体事物。如果是简单的输入“大海”两个字，模型不知道我们想要的风景是什么样子的，一段作品的相对准确的描述，比如：梦幻的大海，白沙滩岸边铺满了粉色的玫瑰花，月光轻柔的人洒在海面上，绿色发光的海浪，我们要去尽量用详细的语言，用细节清楚的描述我们幻想的场景。比如：云中的Skyrim风格的山，有一个照明螺栓击中尖端导致雪崩，山区风景。

中山大学HCP实验室在AIGC领域的新突破：有效表示多样化衣物的3D神经表示模型中山大学 HCP 实验室联合牛津大学 TVG 实验室共同发表论文《Structure-Preserving 3D Modeling with Neural Sewing Machines》，该论文已被 NeurIPS 2022 接收。该工作主要由陈曦鹏、王广润博士等人完成。3D 衣物建模是计算机领域的一个关键且具有挑战性的任务，具体是指如何在计算机中构建一件 3D 的虚拟衣物。构建 3D 衣物具有多种实际应用，包括 3D 虚拟试衣、虚拟数字人和服装设计。最近基于学习的衣物建模方法收到越来越多的关注，然而，现有方法多针对特定类别或相对简单拓扑的衣物进行建模。提出了 Neural Sewing Machine (NSM)，一种新颖的保持 3D 衣物结构的学习框架，可以有效表示多样化形状和拓扑结构的 3D 衣物，并应用于 3D 衣物表征，3D 衣物重建和可控衣物编辑。目前基于学习的方法要么使用固定的 3D 网格模板，将衣物表示为 SMPL 模型上的位移，或是借助人体的 UV 参数化来表示衣物。这些方法主要针对特定的衣物类别，或是拓扑结构相对简单的衣物进行建模。缝纫纸样（sewing pattern）是衣物建模和生产中广泛使用的一种结构。缝纫纸样由一组 2D 面板以及面板间的缝合信息组成。例如，一条裙子的缝纫纸样有 4 个 2D 面板（panel）。每个面板对应于 3D 衣物的一部分。使用缝纫纸样来建模 3D 衣物可带来以下好处：首先，可以表达各种不同类别和形状的衣物其次，描述了 3D 衣物的内在结构最后，提供了衣物的 UV 参数化论文链接: https://arxiv.org/abs/2211.06701

进入沙箱实验后，为什么账号登不进去？

请问MDC300域控上能进行神经网络模型的训练吗？

活动原帖：【华为云HCSD秋招特训营】活动福利贴获奖公示啦~~~快来看看幸运鹅是不是自己哟！重要的事情放前面，请务必在12月5日之前填写问卷提交收件地址信息，逾期视为放弃领奖>点这里，填问卷<环节一：报名抽奖中奖华为云账号奖品hid_****ta77_tbvplzmHUAWEI WATCH GT3lvji****n华为周边随机发hwid****3_g2y74smi3d3华为周边随机发hid_****ondy046x8nh0华为周边随机发sl62****3华为周边随机发hw21****235华为周边随机发hw87****992华为周边随机发bdjh****eo华为周边随机发hw94****820华为周边随机发hid_****o_5x8x2x5n6w华为周边随机发hw03****024华为周边随机发hid_****9nomvmczpvve华为周边随机发hw45****571华为周边随机发hw02****0421华为周边随机发hw84****168华为周边随机发hid_****9vya0_l5lpio华为周边随机发hid_****q6wm5s5k1jhv华为周边随机发hid_****888gol5d-igo华为周边随机发hid_****r6gg2-jbzk_o华为周边随机发hid_****znt7f-ghi0wl华为周边随机发hid_****fmafvc3ysxtv华为周边随机发hw04****3155华为周边随机发hw07****879华为周边随机发hid_****3ms5j93nujgm华为周边随机发hw82****170华为周边随机发jiao****2华为周边随机发hid_****oefxpcvs00aa华为周边随机发hid_****pd2kbvl2cga4华为周边随机发hw03****8656华为周边随机发hid_****50tmpezyre2t华为周边随机发wanj****ao040401华为周边随机发hw26****459华为周边随机发hid_****u0wwl_dkxj6u华为周边随机发hw03****1023华为周边随机发hx18****820176华为周边随机发hid_****zf2z-8nfy8by华为周边随机发hw95****941华为周边随机发hw88****705华为周边随机发hid_****43s3yzsc2o3h华为周边随机发hid_****f37enjbqoim2华为周边随机发hid_****5gal-y4x76kp华为周边随机发wj20****13华为周边随机发hid_****024cmlce_60s华为周边随机发hid_****m63db4gzn6kw华为周边随机发joey****11华为周边随机发hid_****vj81_eg6mqn5华为周边随机发hid_****icjo5ejwcgde华为周边随机发hid_****hnamb33byawu华为周边随机发hid_****6vwirdb0sgvb华为周边随机发deng****yu00华为周边随机发hid_****0hf3avjgkrzb华为周边随机发环节二：产品体验抽奖中奖华为云账号奖品hw46****5134荣耀手表2hw****4_01HUAWEI 背包（灰色）Arch****ve华为云周边礼包1bail****cool华为云周边礼包1hid_****i972华为云周边礼包1hid_****gnbd华为云周边礼包1hid_****v2ss华为云周边礼包1hid_****uf8o华为云周边礼包1hw_****474_01华为云周边礼包1hw_****968_01华为云周边礼包1hw05****5831华为云周边礼包1hw19****7844华为云周边礼包1hw57****9863华为云周边礼包1hw63****2350华为云周边礼包1hw70****8544华为云周边礼包1hw71****5899华为云周边礼包1ko****ikin华为云周边礼包1m128****5953华为云周边礼包1QK****20华为云周边礼包1sunx****obei华为云周边礼包1the_****aby华为云周边礼包1zz****li华为云周边礼包1caux****owei华为云周边礼包2cuil****ngbo华为云周边礼包2easy****asic华为云周边礼包2enjo****0724华为云周边礼包2fl****10华为云周边礼包2gm_****an华为云周边礼包2hid_****o9_2华为云周边礼包2hid_****n25k华为云周边礼包2hid_****61oc华为云周边礼包2hid_****_w-d华为云周边礼包2hw_****509_01华为云周边礼包2hw01****8841华为云周边礼包2hw48****2267华为云周边礼包2hw72****3025华为云周边礼包2hw78****9453华为云周边礼包2ka****arch华为云周边礼包2l****hanq华为云周边礼包2shes****tive华为云周边礼包2wljs****mz华为云周边礼包2yaoy****n666华为云周边礼包2cha****111000码豆conq****erok1000码豆hid_****z4u11000码豆hid_****9qyw1000码豆hw_****331_011000码豆hw_****672_011000码豆hw07****16461000码豆hw67****90791000码豆Ja****201000码豆vx17****89421000码豆wang_****_jlu1000码豆环节三：考试抽奖中奖华为云账号奖品hw****4623HUAWEI WATCH GT3zhan****iyida1000码豆hw7****2191000码豆以上就是本次活动的全部中奖用户啦，让我们恭喜这群幸运鹅！如果异议请加入群里反馈~~附：抽奖录屏（点击下载查看）

 1. PyTorch创始人：Transformer的流行可能是一把双刃剑  要说 Transformer 有多厉害，比如 OpenAI 重磅推出的 GPT-3，就是基于 Transformer 实现的。至于传播速度方面，短短 5 年，Transformer 便在 TensorFlow 、PyTorch 等主流深度学习框架支持的 AI 程序中占据一席之地。  不过与高调宣传 Transformer 的学者不同，这次 PyTorch 创始人、Meta 杰出工程师 Soumith Chintala 却唱起了反调，并警告说，Transformer 如此流行，可能是一把双刃剑。   链接：https://mp.weixin.qq.com/s/ZgdP3HFM4jZsWZfJvciQ3A  2. MAIProf：Meta生产PyTorch模型的性能调试工具  PyTorch在生产环境中的性能调优越来越重要。一个功能强大的性能调试工具是这个过程的关键。通过一个关于生产模型的案例研究，PyTorch证明MAIProf是一个用于识别优化机会的强大AI性能调试基础架构。   在Meta，从性能调试新手到专家的100多名工程师使用MAIProf来识别更多类型的瓶颈。其中包括缓慢的数据加载、分布式训练问题（例如负载不平衡和过度通信）。MAIPprof涵盖了包括推荐、视觉和自然语言处理等主要类别模型。总之，它现在是生产PyTorch工作负载时调试性能的不可或缺的工具。  链接：https://pytorch.org/blog/performance-debugging-of-production-pytorch-models-at-meta/?utm_source=organic_social&utm_medium=linkedin&utm_campaign=performance_debugging  3. 精度、耗时、显存消耗、网络结构...一行代码深度解析训练性能指标  正所谓“工欲善其事，必先利其器”， 一个能实时监控模型训练指标、硬件性能消耗情况、可视化网络结构和每层网络参数变化的工具可大幅缩减模型开发时间，推动人工智能技术快速应用落地。  飞桨可视化分析工具VisualDL以丰富的图表及清晰的可视化解析功能帮助开发者直观地理解深度学习模型训练过程中的各项信息。  链接：https://mp.weixin.qq.com/s/Vi6erY48x8IUU1rQNw95Uw  4. 视频教程｜OneFlow源码解析（2）：OneFlow的4种执行模式  OneFlow 的执行模式有2个维度，其一可从计算图执行方式划分，可分为静态图模式、动态图模式；其二可从张量类型划分，即单机单卡的local tensor模式，以及分布式训练下的global tensor模式。这两个维度可以组合得到4种执行实际情况。OneFlow提供给用户的接口又是尽量统一的。  本视频将介绍OneFlow如何在运行时判断应该使用哪种模式。如何做到用户尽可能易用、无感于多种模式的差别，同时又能尽量发挥每种模式的特点。   链接：https://www.bilibili.com/video/BV17P411G76y/?spm_id_from=333.999.0.0&vd_source=25c3e9bdd8a5701b69d322f471c11c38  5. SIMT、SIMD和DSA（2）  SIMD和DSA以及SIMT这些词虽然经常放到一起说，但三者的指代比较混乱，很容易产生文字游戏。有时指的是指令、有时候指的是体系结构、有时候又是指编程模型。同时在每个层面的scope也不是很清晰，于是就有了一定偷换概念的空间。SIMT通常指代一种编程模型，而SIMD通常指代的指令，DSA在某些场合指代指令，某些场合又指代架构。   链接：https://zhuanlan.zhihu.com/p/564623647  6. CuAssembler 开源 | 探求 NVIDIA GPU 极限性能的利器  CuAssembler是个CUDA SASS汇编器，主要是把 nvdisasm 生成的反汇编输出汇编成可加载执行的 cubin 文件，实现对最终汇编机器码的绝对控制，弥补当前 NV 没有官方汇编器支持的不足。  链接：https://mp.weixin.qq.com/s/ousE3sYtDd7zhV-_AtvA7w  7. 用于大规模深度推荐模型的专用GPU推理参数服务器   在大规模推荐系统中，Embedding通常在数据中心消耗大量内存进行存储。并且整个模型运算过程中，有大量时间花费在参数服务器上搜索对应Embedding向量，这个步骤增加了整体latency，拖慢了下游的计算。  基于在真实数据集中观察到的方法，本文提出Embedding的Key往往具有很强局部性，并且遵循幂律分布。基于上述观察作者提出了HugeCTR分层参数服务器，他们将热数据保存在GPU显存中，而其他部分则有参数服务器进行补充，其保存了完整的Embedding副本。   链接：https://zhuanlan.zhihu.com/p/568639935  8. CUDA编程入门极简教程  2006年，NVIDIA公司发布了CUDA，CUDA是建立在NVIDIA的CPUs上的一个通用并行计算平台和编程模型，基于CUDA编程可以利用GPUs的并行计算引擎来更加高效地解决比较复杂的计算难题。近年来，GPU最成功的一个应用就是深度学习领域，基于GPU的并行计算已经成为训练深度学习模型的标配。   链接：https://zhuanlan.zhihu.com/p/34587739  9. Jeff Dean：机器学习在硬件设计中的潜力  为什么芯片设计需要很长时间？能不能加速芯片设计周期？能否在几天或几周之内完成芯片的设计？这是一个非常有野心的目标。   Google在这个领域已率先出发。Google AI负责人Jeff Dean分享了《机器学习在硬件设计中的潜力》，他介绍了神经网络发展的黄金十年，机器学习如何影响计算机硬件设计以及如何通过机器学习解决硬件设计中的难题，并展望了硬件设计的发展方向。   链接：https://mp.weixin.qq.com/s/_JmINzustpH1bEDMjz9WaA  10. AI加速器与机器学习算法：协同设计与进化  关注AI和半导体行业的朋友近来可能听说过“机器学习（ML）专用处理器”（即AI加速器）。最常见的AI加速器莫过于NVIDIA GPU，此外还有Intel的Habana Gaudi处理器、Graphcore的Bow IPU、Google的TPU、AWS的Trainium和Inferentia芯片等。  为什么如今有这么多AI加速器可供选择？它们和CPU有什么不同？算法如何改变才能适应这些硬件？硬件又该如何发展才能支持最新的算法？本文将一一解答。   链接：https://mp.weixin.qq.com/s/8ObtUlKqfDfCbE__bWE1hQ  11. 免费用Stable Diffusion“脑补”世界名画画框外世界  Stable Diffusion Infinity，是大火的AI绘图新星Stable Diffusion的一项子功能。只需要一两句话提示，Stable Diffusion就可以画出你想要的东西，而且和已有部分衔接自然，没什么违和感。  链接：https://mp.weixin.qq.com/s/rX5I6iJFgHeGShR2w5wxkw  12. 逆向工程：揭示Google Colab未公开的秘密  对于负责在Jupyter Notebook编程的数据科学家来说，Colab早已成为了默认的运行环境。然而，将Colab的算力运用到除 Jupter Notebooks 以外的其他应用，则是一件极其困难的事。  出于这个原因，作者将探究Google Colab的内部结构，并尝试稍微改变Colab 的内置规则。需要提前声明的是，作者只是想探究Colab，不会对Colab本身或者它的用户造成任何影响。  链接：https://mp.weixin.qq.com/s/OQOQ4Z0DVv_C0tsrRDJ7TQ ———————————————— 版权声明：本文为CSDN博主「OneFlow深度学习框架」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/OneFlow_Official/article/details/127168575