Traceback (most recent call last):   File "/home/ai/msobj/train.py", line 96, in      model_.train(epoch=100, train_dataset=train_loader)   File "/opt/anaconda3/envs/ms/lib/python3.7/site-packages/mindspore/train/model.py", line 1049, in train     initial_epoch=initial_epoch)   File "/opt/anaconda3/envs/ms/lib/python3.7/site-packages/mindspore/train/model.py", line 98, in wrapper     func(self, *args, **kwargs)   File "/opt/anaconda3/envs/ms/lib/python3.7/site-packages/mindspore/train/model.py", line 623, in _train     cb_params, sink_size, initial_epoch, valid_infos)   File "/opt/anaconda3/envs/ms/lib/python3.7/site-packages/mindspore/train/model.py", line 701, in _train_dataset_sink_process     outputs = train_network(*inputs)   File "/opt/anaconda3/envs/ms/lib/python3.7/site-packages/mindspore/nn/cell.py", line 578, in __call__     out = self.compile_and_run(*args)   File "/opt/anaconda3/envs/ms/lib/python3.7/site-packages/mindspore/nn/cell.py", line 965, in compile_and_run     self.compile(*inputs)   File "/opt/anaconda3/envs/ms/lib/python3.7/site-packages/mindspore/nn/cell.py", line 938, in compile     jit_config_dict=self._jit_config_dict)   File "/opt/anaconda3/envs/ms/lib/python3.7/site-packages/mindspore/common/api.py", line 1137, in compile     result = self._graph_executor.compile(obj, args_list, phase, self._use_vm_mode()) RuntimeError: Unsupported expression 'Yield'. More details please refer to syntax support at https://www.mindspore.cn  ---------------------------------------------------- - The Traceback of Net Construct Code: ----------------------------------------------------  # In file /opt/anaconda3/envs/ms/lib/python3.7/site-packages/mindspore/nn/cell.py(1301)             yield param             ^  ---------------------------------------------------- - C++ Call Stack: (For framework developers) ---------------------------------------------------- mindspore/ccsrc/pipeline/jit/parse/parse.cc:749 ParseExprNode 

大神    机器人正常运行，pop可收到5封邮件，消息窗有显示，邮件存入路径的文件夹也有5封邮件。但是换作imap就收到0封，消息窗显示0封，文件夹里出没有邮件。是哪里的问题呢？折腾我几个小时了

     eval控件，表达式random.randint(0,50)，运行显示：完成执行[原子命令] [playbackScript.xml 第4行] 运行python表达式 [运行python表达式] [NOK] [RobotNameError] [用户输入错误: 变量名未定义，或者该变量为敏感变量，不允许在此使用。详情：name 'random' is not defined]。    我看课程中就是这样填写的，不知我错在了哪里，请高手指导。谢谢！

内网Web应用，搜索关键词，返回结果通过Ajax更新到表格。向抓取表格中的数据，用延时可以，但是希望能提速。比较容易想到的是等待元素出现，不过如果搜索结果为空的话，表格实际上没有变化，只能用JS了么？有没有JS可以分享下，谢谢

一个测试脚本，使用了自定义扩展，在另一台电脑的执行器上添加脚本失败。这台电脑上也有Studio，在Studio上安装自定义扩展后，执行器顺利添加脚本并运行。Studio上卸载自定义扩展后，该脚本无法再运行，提示如下：在Studio中再次安装自定义扩展，脚本顺利运行。不可能每台计算机都要安装Studio的，只有执行器的计算机上如何安装自定义扩展？​

在修改was的相关配置后提交数据时，总是提示还没有连接起主从服务器。请问该怎么配置

“域见杯”医检人工智能开发者大赛 参赛者经验分享：2022“域见杯”医检人工智能开发者大赛-一等奖赛队“彩虹童子”方案分享2022“域见杯”医检人工智能开发者大赛-二等奖赛队“世界上没有奥特曼”方案分享2022“域见杯”医检人工智能开发者大赛-二等奖赛队“forsuccess”方案分享2022“域见杯”医检人工智能开发者大赛-三等奖赛队“赏金猎人”方案分享2022“域见杯”医检人工智能开发者大赛-三等奖赛队“limzero++”方案分享2022“域见杯”医检人工智能开发者大赛-三等奖赛队“老表，你好hea”方案分享2022“域见杯”医检人工智能开发者大赛-优胜奖赛队“E305”方案分享2022“域见杯”医检人工智能开发者大赛-优胜奖赛队“你好我叫阿卷”方案分享2022“域见杯”医检人工智能开发者大赛-优胜奖赛队“RANK9”方案分享2022“域见杯”医检人工智能开发者大赛-优胜奖赛队“simple”方案分享

 融 · 智快好省信，启 · 政务新视界 | 华为数字机器人RPA 2022秋季发布会文末下载发布会完整材料！   精 彩 回 顾  华为数字机器人新发布为进一步助力政务新智理、惠民、兴业；同时希望从产品、方案、规范体验设计到RPA人才培养，形成全生态链的产业良性发展，华为数字机器人持续迭代并迎来全方位升级，如AI增强、FasS能力、信创能力提升等，为各位呈现新体验。  政务解决方案实践分享  让“数据多跑路，群众少跑腿”的智慧便捷政务服务模式正不断涌现，当数字机器人走进行政服务中心会带来怎样的突破？届时，华为政务行业高级专家潘军将为各位带来数字机器人政务解决方案的实践分享。 如何提升政务服务能力？数字机器人在其他政务场景中又是如何应用？敬请期待成都西辰软件有限公司的方案总监李建平带领大家共同揭秘“破解行业瓶颈，RPA助力政务智理”。 麒麟协同共建自动化 数智化建设离不开“安全“底座，数字机器人如何融合更多自动化技术，筑牢安全防线？麒麟软件有限公司的自动化负责人楚铁新将为您分享“携手RPA，共建自动化建设之旅”。  详解《政务数字机器人应用及发展观察》 如果您想全面深入理解数字机器人的政务应用及发展前景，那么一定不能错过由中国信息通信研究院云计算与大数据研究所董晓飞带来的权威解读，从智慧政务发展背景出发，全面剖析数字机器人诸多适用场景，为您带来极具前沿性的行业趋势洞察。  揭秘华为WeAutomate体验架构 “用户体验为王”，数字机器人是如何基于打造亲和自然的设计原则，结合技术拉近产品与用户的距离，助力提升政务办理体验？华为UCD高级设计师谈立伟将带领大家一同探秘品牌设计背后的故事，展现WeAutomate体验架构人文情怀及科技魅力！  数字机器人应用能力培养 “以人为本，育才强国”，人才是技术创新的基础，而学习也是每个人终身的事业。如何赋能每个人掌握自动化生产力，实现人手一个数字机器人？无论您是学生、从业人员还是社会人员，由北京航空航天大学计算机学院副院长高小鹏带来的“培养基于RPA的软件应用高效集成能力”重磅讲解，您不容错过！   直播间回顾链接  https://gde.huawei.com/#/group/weautomate_rpa/huawei_weautomate_rpa_launch_202208 - END -

2022“域见杯”医检人工智能开发者大赛RANK9分享

8.22版本MML里面显示文件服务起状态是configured and disconnected通过DSP FSSTAT检查文件服务器状态是检查NFS情况是正常的检查文件服务器配置正常检查盘符正常

请问谁有《IPC V200R003C00 智能元数据结构设计说明书》？谢谢！

一、方法探索1. Baseline•方法将原图resize到224×224，训练resnet50分类器；•存在问题原图较大，而病变细胞相对原图来说所占面积很小，直接进行resize会导致信息丢失2. 先切片，再分类•方法将原图中的病变细胞以224×224的尺寸抠出，再去训练分类器，测试时将原图以224×224的尺寸均匀切片，依次传入分类器，综合所有切片分类结果得到最终决策；•存在问题由于分类模型泛化能力不足，以及等分切片很难保证将病变细胞完整地包含在小切片中，因此，在测试阶段，同一张图的小切片中会存在大量假阳，严重降低最终决策准确率。3. 先分割，再分类•方法先训练一个分割模型，分割模型只分割病变细胞，不区分病变种类，根据分割mask将置信度较大的区域抠出，然后训练分类器；•存在问题由于测试阶段有时间限制，只能使用轻量分割模型，导致分割准确率较低，会产生较多假阳样本，干扰最终分类，且模型泛化能力弱，测试准确率较低。4. 总结(1) 使用轻量Unet，减少分割时间；(2) 训练阶段进行数据增强；(3) 分类阶段使用多模型；(4) 使用随机森林进行最终决策。二、方法介绍1. 网络结构2. Unet•为避免超时，减少网络通道数；• Unet只分割病变细胞，不区分病变种类，因此输出通道数为1；• Unet输出特征图置信度大于阈值的像素标记为1，其余为0，得到mask；• 计算mask的连通区域，在原图中以每个连通域为中心抠出224×224的patch。3. 生成训练分类器的数据集•对于含有病变细胞的图片：计算IoU1IoU_1和IoU2IoU_2，当两者都大于0的时候，该patch的分类标签对应于人工标注标签，当IoU1>0,IoU2<0IoU_1>0,IoU_2<0时，丢弃该patch，当IoU1<0,IoU1<0时IoU_1<0,IoU_1<0时，该patch的分类标签赋为阴性。• 对于正常细胞图片：输入到训练好的Unet，以同样的方式得到所有满足条件的连通域，并扩展为224×224的patch，分类标签赋为阴性。    •以上两步得到的正负样本数量不均衡，正样本数量远少于负样本数量，因此，再根据人工标签将所有病变细胞抠出加入到数据集中。4. 训练分类器：ResNet50 & ViT•输入： B×3×224×224• 输出：四类细胞的概率值，GT：NILM: 0, ASC-US&LSIL: 1, ASC-H&HSIL: 2, SCC&AdC: 3• 数据增强：自适应直方图均衡、随机旋转90度、转置、RGB平移、垂直翻转、水平翻转、随机饱和度、随机对比度等等。• 训练设置：Pretrained model, Adam(β1 = 0.9, β2 = 0.999, lr=0.0001), lr_scheduler.ReduceLROnPlateau, CrossEntropyLoss, nepoch=(30 for ResNet50, 40 for ViT-small)5. 决策器：Random Forest三、实验结论•在所有数据上训练Unet，用Val的阳性图片来评估分割模型，此处并未使用传统的分割评价指标，而是使用生成Patches的召回率评估模型。•同时考虑准确率和每张图分割的patches数量的平均值（防止分类超时），选择训练最优的分割模型。•Acc-Patch：预测正确的阳性patches数量 / 所有阳性patches数量•Acc-Image：包含一个阳性patch的图片数量 / 阳性图片总数•Patches/Image：预测的patches总数 / 阳性图片总数分类结果

非常感谢！！！金域医学联合华为举办这场《2022“域见杯”医检人工智能开发者大赛》疯狂比赛的那段时光，现在还历历在目，“疯狂”，“废寝忘食”，“彻夜难眠”，用这几个词形容一点都不为过通过比赛即可以在自己的专业方向和高水平的团队巅峰对决，弥补自己再专业方向不足之处，又可以获得一份荣誉和现金奖励作为一个即将毕业的研究生，这是求职很好的敲门砖，为能进更好的企业做铺垫接下来是经验分享，有兴趣的童鞋，可以看看，谢谢捧场!!!竞赛题目：本赛题任务是对DCCL宫颈深部细胞学病变（Deep Cervical Cytological Lesions）图像数据库中的7种细胞分为4个类别（NILM、ASC-US&LSIL、ASC-H&HSIL、SCC&AdC，见“数据说明”部分）进行分类。赛题数据： 数据集包含 8619 张宫颈细胞学图片，图片中总共包含7种细胞，其基本信息如下图所示。同时数据包含多种分辨率:2118*1270、4000*2400等。  当前图像分类模型的研究多针对特征明显的单一尺度数据，此次比赛的数据属于弱特征多尺度数据解题思路： 探索性数据分析：整体方案:传统宫颈深部细胞学病变分类方法多基于手工提取特征进行分类模型构建，本次比赛的数据属于弱特征多尺度数据，手工提取特征困难。本方法采用了基于ConvNeXt和多种数据增强的基本思路，其在免除大规模特征工程的同时具有准确率高、鲁棒性强的特点研究难点(结合具体数据集)1.训练数据特征较弱（抗干扰）;2.AB数据集尺度不同（适应性）;3.模型预测准确有效（准确性）。数据预处理网络设计与训练​​​​​​​数据预处理推理优化​​​​​​​总结​​​​​​​数据预处理数据预处

前言 大家好，我是“彩虹童子”赛队的队长，比赛前期曾用名“为人类医疗做贡献”，然后中期排名掉到后面了自觉我不配😀，于是换了“彩虹童子”的名字，出自最近在看的一本推理小说。 这次也是单人参赛，有幸拿下第一，在此做个简单的分享，我的GitHub主页：https://github.com/fire717， 欢迎多多交流、互相学习。  分享 首先是简单的赛题分析，给出的标签是4分类的类别标签，数据量略偏少。 然后做个简单的EDA，初步感受是第四类数量较少，可能存在数量不平衡的问题，右下角是前期模型计算的混淆矩阵，可以看出反而是前三类比较不好区分（当然跟第四类本身数量少有关系，只是说明数量不平衡没那么严重）。 尺寸整体比较平均，但是也分布在多个不同的尺寸。 接着就是建模了，中期尝试了回归、多标签的方案，其中多标签在a榜也取得了不错的成绩。 Why 回归：四种细胞其实对应了不同的疾病严重程度，单纯的多分类对每个类别是不做区分的，而实际意义上，正常和低级病变的类间距，应该要小于正常到癌变的类间距才是合理的； Why 多标签：这是细胞粒度的分类，但是标签确实图片粒度的，即同一张图上，可能存在正常、低级、高级、癌变四种细胞，但是只取最严重的癌变作为图片的标签，这样也就丢失了信息。 但是最后还是选择了普通的多分类方案，一是标签没有给出那么细的粒度，我尝试自己研究了下各类细胞特征，找了不少文档资料，但是发现还是比较难；二是为了方便优化，可能这就是所谓的大道至简吧。  然后就是一些常见的炼丹操作了。 之前不少比赛项目都尝试过冻结，这还是第一次涨点，我的认知是模型容量、复杂度和任务难度、数据量等都是需要相互匹配的，这个赛题数据量不多，且线上线下有巨大的gap，因此尝试了下冻结前面的conv层，效果还可以。 最后是喜闻乐见的消融实验环节，这里只有后四个是在b榜的真实分数，前面的都是根据a榜的分差换算到b榜的估计分数。 初赛的时候不知道复赛的内容，就在早期跑过一次全量数据，后面一直没用全量数据跑，复赛发现就加了200数据，于是自己换了全量数据训练就上去了。  感想 工作中主要从事智能安防领域，第一次参加医疗AI的项目，收获很多，也深觉这个方向有巨大的意义，感谢广州市科学技术局、金域医学以及华为云提供的这次机会，也希望有一天能看到医疗AI普惠到千万家庭中去。 

赛题回顾以宫颈癌筛查为主题，提供近1万张辅以病理医生专业标注的宫颈细胞学图片。选手利用这些图片及标注开发人工智能分类算法，判断图片中细胞的病变程度，最后根据分类的准确程度进行排名。 有以下几个比赛要点：宫颈深部细胞学病变图像数据库中的7种细胞分为4个类别（NILM、ASC-US&LSIL、ASC-H&HSIL、SCC&AdC）；以严重程度最高的病变细胞的类别作为该图片的标签；使用图片识别准确率（recognition accuracy）作为评价指标；基于ModelArts提交模型，限制1小时内完成推理；允许对数据进行额外标注（补充条款）。注意到第5条补充条款，主办方给的是分类的数据，但是允许额外标注，比如标注分割或者检测，则标签的粒度会更细，可转换为分割+分类，或者是检测+分类问题，理论上准确率会更高，有部分选手采用此方案，限于本人的非医学背景，放弃该方案。数据分析数据初探上图是官方给出的细胞类别，包括3大类的7种细胞：鳞状上皮内癌前病变细胞、癌症细胞和未见上皮内病变或恶性肿瘤的细胞； 根据病变程度合并相近的种类，最终得到4大类：NILM、ASC-US&LSIL、ASC-H&HSIL、SCC&AdC。观察4个类别图片，容易得出以下简单结论：细胞形态多样化，无法单纯依靠颜色进行区分；非专业人士很难进行检测框标注，额外标注使用目标检测的方案不现实；病变目标占比很小，不易区分。数量分布对训练数据进行统计通过观察数据分布，可以得出以下结论：类别分布不均衡，比例大致为5:9:4:1癌变细胞SCC&AdC数量最少，只有435张可能为长尾问题尺寸分布对于训练图片的大小，有以下结论：数据集中存在多种分辨率图片，且分辨率较大；数据集的图片宽高比集中，约为1.67。数据集特点总结存在多种分辨率的图片，图片比例几乎一致，宽：高=1.67；癌变细胞SCC&AdC数量相对较少，可能存在长尾问题；图片分辨率大，但是病变目标占比小，不易区分；细胞形态比较多，训练集总数只有8千多张；非专业人士无法进行额外标注。方案设计模型选择问题1：什么样的模型精度高且速度快？方案：从ImageNet的benchmark选取几个最优作为候选，实验后选择ConvNeX-T. 同颜色表示同家族模型，圆圈越大表示FLOPS越高，计算量越大；同等计算量下，ConvNeXt精度优于Swin和ViT；在比赛数据集上，相同输入大小和数据增强下，ConvNeXt的确优于Swin和ViT。经验：兼顾速度与精度，ImageNet上的表现依旧值得参考！问题2：更大的模型还是更大的输入？方案：同等计算量下，更大的输入提升更多，选择600x960的输入+ConvNeXt-T模型。 对于同一个模型，在不超时的情况下，输入越大越好！保持输入宽高比在1.67左右。数据增强问题3：如何通过数据增强提高泛化性？方案：RandomGridShuffle、Random Horizontal Flip、 Random Vertical Flip输入宽高比为1.6，近似于3:2，固选择水平方向平均切割3份，竖直方向平均切割2份，随机打乱后重组，概率为0.1；水平翻转，概率为0.5；垂直翻转，概率为0.5。RandomGridShuffle概率不应过大，否则会生成大量不合理的样本，产生副作用！尝试过的其它方案：Resize + RandomCrop，几乎无作用；Random Brightness，几乎无作用；ColorJitter，改变图像对比度，亮度，色彩等，分数下降较多。可能原因：RandomCrop 对数据多样性增加较少；该数据集的分类对颜色比较敏感，过度使用可能会产生不合理样本，导致学习错误特征。损失函数问题4：选用何种损失函数，是否加权解决长尾问题？方案：使用交叉熵（Cross Entropy），不加权。可能原因本数据集的长尾问题并不是非常严重，总体比例为5:9:4:1，没有数量级的差距；线下训练集的数据分布和线上测试集的数据分布不一致，导致加权参数不正确，没有起到作用。训练策略问题5：如何训练保证模型快速收敛且具有更高的精度？方案：经验参数+实验，训练方法很重要！LR：3e-4Warm up: exp for first 3 epochs优化器：AdamWBatch size: 24Scheduler: ConsineAnnealingEpochs: 30尝试过的其它策略：原图分辨率较大，通过将大图分割成小块，分别输入网络学习冻结部分模型参数，使用训练数据fine-tuningBatchMixup、BatchCutMix标签平滑Label Smooth训练框架使用mmclassification进行训练；数据预处理、数据增强、模型、损失函数、优化器等功能完备；配置文件模块化，不用修改训练代码，专注优化策略。线上推理使用对象存储提交模型包推理，提供customize_service.py、model、config.json，流程简单，安装依赖较慢；使用自定义Docker镜像方式，FastAPI封装http接口，提交自定义镜像，无需线上安装依赖，启动速度快。经验总结进行数据分析是一个良好开端，可以提取有用信息指导后续模型选择以及策略开发，做到有的放矢；站在巨人的肩膀上工作，开源数据集上的基准测试对模型选择有很大的参考意义，可以节省时间，快速决策；适合方为好，根据实际数据选择合适的数据增强，才能提高泛化性，一味堆砌只会失去方向，一次添加一种，大胆假设，小心求证；多总结业内通用做法，可以少走弯路，同一模型，采取不同的优化方法差异较大，不合适的训练策略可能让你与好模型失之交臂。展望人工智能与生物医学学科交叉人才稀少，限制了人工智能技术在生物医学领域的应用，本次医检人工智能大赛吸引更多人工智能人才加入医疗领域，推动了医检乃至医疗行业向智慧医疗迈进；金域医学深耕医检领域28年，拥有全国最多的专业病理医生团队，积累了千万级别的宫颈癌筛查数据，在业界有得天独厚的数据优势。希望下一届比赛可以共享更多数量、种类的标注数据，探索更加精准、场景更加广阔的行业应用；华为云的ModelArts是面向开发者的一站式AI开发平台，本次比赛提供了易用的部署推理服务，希望下一次比赛能体验端到端的人工智能模型开发流程，共同推动国产人工智能平台的发展。