问：智能化网络需要利用AI技术通过大数据来训练模型，而网络中存在多个厂商和多种类型的设备，该如何解决这个冲突呢？疑问来源：2022.6.16日直播  华为携手银联，共筑网络数字化运维基座完整直播回顾链接：https://devzone.huawei.com/cn/enterprise/aoc/videos/UnionpayLive.html?id=136&number=1&from=allVideos回复：

已完成

本章学习目标：1. 了解异构计算架构CANN在神经网络训练中发挥的主要作用。2. 掌握如何基于CANN将TensorFlow模型迁移到昇腾AI处理器上。3. 掌握如何在昇腾AI处理器上进行模型训练，感受昇腾AI的极致性能。4. 掌握如何查看训练日志和训练结果，具备基本的问题定界、定位能力。第二节 AI模型开发基础知识入门1、具备Python基础编程知识（这些内容都是比较简单的）a. 使用位置和关键字参数定义和调用函数b. 字典、 列表、 集合（创建、访问和迭代）c. for循环， for具有多个迭代器变量的循环（例如，for a, b in [(1,2), (3,4)]）d. if/else条件块和条件表达式e. 字符串格式 （例如，'%.2f' % 3.14）f. 变量、赋值、基本数据类型 (int, float, bool, str等)2、深度学习和神经网络3、了解TensorFlow AI框架4、了解基于CANN的模型开发流程昇腾910 AI处理器是华为在2019年发布的人工智能（AI）专用的神经网络处理器。当前业界大多数训练脚本基于TensorFlow的Python API开发，默认运行在CPU/GPU/TPU上，为了使其能够利用昇腾910 AI处理器的澎湃算力执行训练，提升训练性能，我们需要基于CANN对TensorFlow模型进行适配和训练，5、了解遇到问题如何求助模型调试和调优过程中，不知道该怎么解决，或者有优化建议要反馈，您可以借助以下渠道：1. 在华为方集中组织培训的场景下，可求助培训或对应课程的接口人。2. 开发者自学的场景下：    a. 可在ModelZoo仓上提Issue，该仓的接口人会定期处理问题。    b. 可在昇腾社区论坛中查阅经验贴、或者发帖，论坛的接口人会定期处理问题。第三节 TensorFlow AI模型迁移详解本节学习目标：1. 了解为什么要做模型迁移2. 了解模型迁移的两种迁移方式3. 掌握如何进行模型迁移学习内容：1、要做模型迁移的原因：目前人工智能领域内，AI算法模型搭建方面的技艺已经是炉火纯青，市面上用于AI模型搭建的深度学习框架，除了华为开源的昇思MindSpore，还有Google的TensorFlow、Facebook的PyTorch、Caffe等。但是AI模型训练却是一个漫长的过程，随着模型参数量、样本的增多，训练一个模型动辄以月为单位，此时一款高性能AI处理器简直是雪中送炭。昇腾910 AI处理器是华为在2019年发布的人工智能（AI）专用的神经网络处理器，其算力高达256T，最新款算力高达310T，是业界主流处理器算力的2倍，基于昇腾910 AI处理器的昇腾系列硬件，比如Atlas 800训练服务器，算力更是大到惊人，此时你一定跃跃欲试了。除了昇思MindSpore外，TensorFlow等其他深度学习框架下的模型并不能直接在昇腾910 AI处理器上训练，为了使其充分利用昇腾910 AI处理器的澎湃算力来提升训练性能，我们需要借助异构计算架构CANN的Plugin适配层转换，使转换后的模型能够高效运行在昇腾910 AI处理器上。值得庆幸的是，目前，CANN已经能够支持多种主流AI框架，包括昇思MindSpore、TensorFlow、PyTorch、飞浆、ONNX等，并且开发者只需要非常少的改动，即可快速搞定算法移植，大大减少切换平台的代价。2、了解两种模型迁移方式：将TensorFlow网络模型迁移到昇腾AI处理器执行训练，主要有两种方式：a. 一种是自动迁移方式。通过迁移工具对原始脚本进行AST语法树扫描，可自动分析原生的TensorFlow API在昇腾AI处理器上的支持度，并将原始的TensorFlow训练脚本自动迁移成昇腾AI处理器支持的脚本，对于无法自动迁移的API，可以参考工具输出的迁移报告，对训练脚本进行相应的适配修改。b. 一种是手工迁移方式。算法工程师需要人工分析TensorFlow训练脚本中的API支持度情况，并且参照文档逐一手工修改不支持的API，以便在昇腾AI处理器上训练，该种方式较为复杂，我们建议大家优先使用自动迁移方式。3、TensorFlow AI模型自动迁移详解：自动迁移是通过工具对原始脚本进行AST语法树扫描，可自动分析原生的TensorFlow API在昇腾AI处理器上的支持度，并将原始的TensorFlow训练脚本自动迁移成昇腾AI处理器支持的脚本，对于无法自动迁移的API，可以参考工具输出的迁移报告，对训练脚本进行相应的适配修改。迁移流程：自动迁移学习截图：

【摘要】 ModelBox开发案例 - 疲劳驾驶检测本案例将使用开源项目中的Face Detect与Face Mesh两个模型，实现一个简单的疲劳驾驶检测应用并提醒，最终效果如下所示：案例所需资源（代码、模型、测试数据等）均可从obs桶下载。 开发背景“道路千万条，安全第一条”，交通安全是我们出行首要关注的问题，而疲劳驾驶一直是引发交通事故的一个主要原因。在AI算法惠及生活的现在，我们想利用Mode...本文分享自华为云社区《ModelBox 开发案例 - 疲劳驾驶检测》，作者： 俯卧撑手抓饼 。ModelBox开发案例 - 疲劳驾驶检测本案例将使用开源项目中的Face Detect与Face Mesh两个模型，实现一个简单的疲劳驾驶检测应用并提醒，最终效果如下所示：案例所需资源（代码、模型、测试数据等）均可从obs桶下载。开发背景“道路千万条，安全第一条”，交通安全是我们出行首要关注的问题，而疲劳驾驶一直是引发交通事故的一个主要原因。在AI算法惠及生活的现在，我们想利用ModelBox开发板快速实现、便利调试开发的特点，实现一个疲劳驾驶提醒应用案例demo，实现基本的疲劳驾驶检测与辅助提醒效果。希望大家能从此案例得到启发与参考，开发出更多丰富、有趣的应用。算法原理该项目主要原理为：通过面部检测模块定位出面部区域，将其输入到面部关键点模块检测出面部关键点，并对其中的眼睛、嘴巴等关键点计算其EAR值与时长判断其是否处于疲劳状态并进行提醒。从摄像头检测出面部区域从面部检测出关键点通过公式计算出EAR值，并根据实时滑动窗口计算占比，超过阈值则判断为疲劳应该对其进行提醒ModelBox介绍ModelBox是一个适用于端边云场景的AI推理应用开发框架，提供了基于Pipeline的并行执行流程，能帮助AI应用开发者较快的开发出高效，高性能，以及支持软硬协同优化的AI应用。易于开发 AI推理业务可视化编排开发，功能模块化，丰富组件库；c++，python多语言支持。 易于集成 集成云上对接的组件，云上对接更容易。 高性能，高可靠 pipeline并发运行，数据计算智能调度，资源管理调度精细化，业务运行更高效。 软硬件异构 CPU，GPU，NPU多异构硬件支持，资源利用更便捷高效。 全场景 视频，语音，文本，NLP全场景，专为服务化定制，云上集成更容易，端边云数据无缝交换。 易于维护 服务运行状态可视化，应用，组件性能实时监控，优化更容易。模型训练我们可以使用面向开发者的一站式AI开发平台ModelArts进行模型的训练:ModelArts提供了包括数据标注，训练环境，预置算法在内的丰富的功能，甚至可以通过订阅预置算法实现零代码的模型训练工作。当然你也可以在本地训练自己的模型。我们假设你现在已经拥有了训练好的模型，接下来我们需要将训练好的模型转换成为可以在开发板上运行的模型。本案例可以直接用预训练好的模型进行初期应用的搭建即可。模型转换我们发布了开发板模型转换案例，参见RK3568模型转换验证案例 :在这个案例中我们演示了从环境适配到模型的转换验证的全流程样例代码，开发者可以通过“Run in ModelArts”一键将Notebook案例在ModelArts控制台快速打开、运行以及进行二次开发等操作。开发环境部署使用开发板进行ModelBox AI应用开发有两种方式，一是开发板连接显示器和键盘鼠标，安装Ubuntu桌面，直接在开发板上进行开发；二是使用远程连接工具（如VS Code中的Remote-SSH）从PC端登录开发板进行开发。这里我们推荐第二种方式，因为PC端可以使用功能更丰富、界面更友好的IDE。请参考此案例的开发环境部署先进行环境搭建：应用开发接下来我们会以疲劳驾驶检测demo为例，介绍如何使用ModelBox开发AI应用。1.创建工程SDK提供了工程脚本create.py，可以使用./create.py -h查看脚本帮助：rock@rock-3a:~/yourpath/v1.0.8.21$ sudo ./create.py -h Usage: Create ModelBox project and flowunit NOTE : you must firstly use bellow cmd to create a project in workspace create.py -t server -n your_proj_name {option: -s name, create this project from a solution}, support hilens deployment or create.py -t project -n your_proj_name {option: -s name, create this project from a solution}, generally not use AND : use bellow cmd to create [c++|python|infer] flowunit in this project create.py -t c++ -n your_flowunit_name -p your_proj_name AND : call workspace/your_proj_name/build_project.sh to build your project, call bin/main.sh[bat] to run FINAL: create.py -t rpm -n your_proj_name to package your project (the same folder with create.py) if upload to hilens NOTE: create.py -t editor {option: -i ip or ip:port to start editor server in your config ip:port} NOTE: create.py -t demo to create solutions to runnable demo for ex: create.py -t server -n my_det -s car_det -h or --help：show help -t or --template [c++|python|infer|yolo|project|server|rpm|editor|demo] create a template or package to rpm ... -n or --name [your template name] -p or --project [your project name when create c++|python|infer|yolo] -s or --solution [the solution name when create project] create a project from solution -c or --cfg [flowunit configure json, it's used by UI, you can use it too, but too complicated] -v or --version：show sdk version ModelBox提供了可视化图编排工具：Editor，可以使用./create.py -t editor开启图编排服务：服务默认ip即为192.168.2.111，如需配置其他ip或端口，可以通过-i ip:port参数进行配置。在浏览器输入ip:port/editor即可进入可视化编辑界面，我们点击编排进入工程开发界面，如果进一步了解ModelBox相关内容，可以点击右上角帮助：进入编排界面，点击右上角新建项目：我们在workspace的项目路径下，建立项目名称fatigue_detect，点击确认：从默认的模板中可以看到，我们初始具备了一个http收发单元的默认图：其中，区域1为SDK预置的高性能通用流单元，区域2为可视化编排界面，区域3为对应的图配置文件内容。同时，VS Code对应目录下也出现了fatigue_detect项目：2.创建推理功能流单元接下来，我们通过UI界面创建推理流单元：点击右上角功能单元，创建单元对于面部检测模型，我们将流单元命名为face_detection，模型文件名即为转换好的检测模型名：face_detect.rknn，此模型输入为图像，输出为特征向量，所以我们添加int类型的输入端口与float类型的输出端口。关于开发板的推理流单元创建，在处理类型时我们选择cuda，即为npu推理，推理引擎可选任意一款，目前开发板SDK可以自动进行识别转换。最后将功能单元分组修改为inference，点击确认，即可看到，在左侧inference页签下出现了新添加的推理流单元同时，在VS Code工程model目录下可以看到创建好的推理流单元：类似的，我们创建face_landmark_detection推理流单元：3.创建后处理功能单元除了推理流单元外，疲劳驾驶检测demo还需要一些通用功能单元：面部检测的后处理单元、感兴趣区域（面部检测区域）提取单元、疲劳逻辑判断单元，我们新建三个python功能单元来满足上述需求。对于面部检测的后处理单元，我们希望通过原图和face_detection的两个输出向量解码出面部检测框，所以该单元应该有三个输入。此外，对于画幅中有无检测到面部两种状态，我们希望该功能单元分情况处理，检测到面部时，将面部检测结果送入感兴趣区域提取单元，没有检测到面部时，直接返回，因此功能单元类型选择：IF_ELSE。新建单元如下：同样的，根据输入输出与功能单元状态，我们创建extract_roi和fatigue_detect两个功能单元：4.流程图编排拖拽需要的功能单元全部创建好后，我们可以着手编排流程图，我们编排一个视频处理的图，可以删除不需要的http收发单元：在Generic列表下将虚拟输入单元input和我们刚刚创建的三个功能单元拖入画布：在Image列表下将模型推理需要用到的预处理单元resize拖入画布，因为面部检测模型与面部关键点模型都resize处理，把两个resize单元拖入：值得注意的是，resize单元需要适配模型参数，需要点击该单元进行配置：在Input列表下拖入输入解析单元data_source_parser作为视频流的输入源在Video列表下拖入视频处理需要的单元video_demuxer、video_decoder、video_out：最后，在Inference列表下拖入我们创建的两个推理单元：编排将功能单元按照处理逻辑进行连接：点击上个流单元并拖动箭头可以连接下一个流单元虚拟输入input连接输入解析data_source_parser，解析后送入视频解包video_demuxer与解码单元video_decoder：解码输出送入预处理后可直接进行推理，面部检测输出连接后处理模块，用于提取坐标输入到感兴趣区域，若没检测到面部则跳过面部关键点检测与疲劳驾驶判断：最后，把ROI区域图resize后输入到面部关键点检测，最后把面部关键点输入到疲劳驾驶判断模块给出结果：这样，我们就完成了流程图的编排，可以看到在GraphViz区域也出现了完整的图表述：保存项目，我们转到VS Code每个单元的代码实现进行调整与补充：5.代码补全可视化编排中，创建的推理单元位于项目的model目录下，通用单元位于etc/flowunit目录下，流程图位于graph目录下，可以看到创建的单元与图都已同步过来：其中，我们需要在主流图代码里修改video_decoder需要指定类型：video_decoder [ type=flowunit flowunit=video_decoder device=rknpu deviceid="0" pix_fmt=bgr label="{{<in_video_packet> in_video_packet}|video_decoder|{<out_video_frame> out_video_frame}}" ] 推理单元首先完善推理单元，对于推理功能单元，只需要提供独立的toml配置文件，指定推理功能单元的基本属性即可，目录结构为：[flowunit-name] |---[flowunit-name].toml #推理功能单元配置 |---[model].rknn #模型文件 |---[infer-plugin].so #推理自定义插件ModelBox框架在初始化时，会扫描目录中的toml后缀的文件，并读取相关的推理功能单元信息。[infer-plugin].so是推理所需插件，推理功能单元支持加载自定义插件，开发者可以实现自定义算子。将模型拷入对应文件夹，以face_detection为例我们看一下推理功能单元配置文件：因为推理单元输入为图像，注意修改其输入类型为uint8配置文件中有一些单元类型、模型名称、输入输出的基本配置，可以酌情修改。通用单元Python通用单元需要提供独立的toml配置文件，指定python功能单元的基本属性。一般情况，目录结构为：[FlowUnitName] |---[FlowUnitName].toml |---[FlowUnitName].py |---xxx.py相较于推理单元而言，通用单元不但有配置文件，还需要完善具体的功能代码，以face_detect_post为例，首先是功能单元配置文件：Basic config是一些单元名等基本配置，Flowunit Type是功能单元类型，face_detect_post是一个条件单元，所以可以看到condition为true，此外还有一些展开、归拢等性质，可以在AI Gallery ModelBox)板块下看到更多案例。此外，输入输出type根据实际逻辑可能进行一些修改。接下来，我们查看face_detect_post.py，可以看到创建单元时已经生成了基本接口：# Copyright (c) Huawei Technologies Co., Ltd. 2022. All rights reserved. #!/usr/bin/env python # -*- coding: utf-8 -*- import _flowunit as modelbox class face_detect_postFlowUnit(modelbox.FlowUnit): # Derived from modelbox.FlowUnit def __init__(self): super().__init__() def open(self, config): # Open the flowunit to obtain configuration information return modelbox.Status.StatusCode.STATUS_SUCCESS def process(self, data_context): # Process the data in_data = data_context.input("in_1") out_data = data_context.output("out_1") # yolox_post process code. # Remove the following code and add your own code here. for buffer in in_data: response = "Hello World " + buffer.as_object() result = response.encode('utf-8').strip() add_buffer = modelbox.Buffer(self.get_bind_device(), result) out_data.push_back(add_buffer) return modelbox.Status.StatusCode.STATUS_SUCCESS def close(self): # Close the flowunit return modelbox.Status() def data_pre(self, data_context): # Before streaming data starts return modelbox.Status() def data_post(self, data_context): # After streaming data ends return modelbox.Status() def data_group_pre(self, data_context): # Before all streaming data starts return modelbox.Status() def data_group_post(self, data_context): # After all streaming data ends return modelbox.Status()如果功能单元的工作模式是stream = false时，功能单元会调用open、process、close接口；如果功能单元的工作模式是stream = true时，功能单元会调用open、data_group_pre、data_pre、process、data_post、data_group_post、close接口；用户可根据实际需求实现对应接口。根据单元性质，我们主要需要完善open、process接口： def process(self, data_context): # Process the data in_image = data_context.input("image") in_feat = data_context.input("in_feat") in_score = data_context.input("in_score") has_face = data_context.output("has_face") no_face = data_context.output("no_face") # face_detect_post process code. # Remove the following code and add your own code here. for buffer_img, buffer_feat, buffer_score in zip(in_image, in_feat, in_score): width = buffer_img.get('width') height = buffer_img.get('height') channel = buffer_img.get('channel') img_data = np.array(buffer_img.as_object(), copy=False) img_data = img_data.reshape((height, width, channel)) feat_data = np.array(buffer_feat.as_object(), copy=False) feat_data = feat_data.reshape(896,16) feat_score = np.array(buffer_score.as_object(), copy=False) feat_score = feat_score.reshape(896,1) dets = process_cpu(feat_data, feat_score, self.anchors) if dets.shape[0] > 0: box = [int(dets[0]*width), int(dets[1]*height),int(dets[2]*width),int(dets[3]*height)] box = self.expend(box, height, width) buffer_img.set("bboxes", box) has_face.push_back(buffer_img) else: img_buffer = modelbox.Buffer(self.get_bind_device(), img_data) img_buffer.copy_meta(buffer_img) no_face.push_back(img_buffer) return modelbox.Status.StatusCode.STATUS_SUCCESS可以看到，在open中我们进行了一些参数获取，process进行逻辑处理，输入输出可以通过data_context来获取，值得注意的是输出时我们返回的是图，在检测到手时为图附加了检测框信息，该信息可以被下一单元获取。同样的，完善其余通用功能单元，具体可以参考我们提供的代码。应用运行我们需要准备一个mp4文件拷贝到data文件夹下，我们提供了测试视频fatigue.mp4，然后打开工程目录下bin/mock_task.toml文件，修改其中的任务输入和任务输出配置为如下内容：# 用于本地mock文件读取任务，脚本中已经配置了IVA_SVC_CONFIG环境变量, 添加了此文件路径 ########### 请确定使用linux的路径类型，比如在windows上要用 D:/xxx/xxx 不能用D:\xxx\xxx ########### # 任务的参数为一个压缩并转义后的json字符串 # 直接写需要转义双引号， 也可以用 content_file 添加一个json文件，如果content和content_file都存在content会被覆盖 # content_file支持绝对路径或者相对路径，不支持解析环境变量(包括${HILENS_APP_ROOT}、${HILENS_DATA_DIR}等) [common] content = "{\"param_str\":\"string param\",\"param_int\":10,\"param_float\":10.5}" # 任务输入,mock模拟目前仅支持一路rtsp或者本地url # rtsp摄像头，type = "rtsp", url里面写入rtsp地址 # 其它用"url"，比如可以是本地文件地址, 或者httpserver的地址，(摄像头 url = "0") [input] type = "url" url = "../data/fatigue.mp4" # 任务输出,目前仅支持"webhook", 和本地输出"local"(输出到屏幕,url="0", 输出到rtsp，填写rtsp地址) # (local 还可以输出到本地文件，这个时候注意，文件可以是相对路径，是相对这个mock_task.toml文件本身) [output] type = "local" url = "../hilens_data_dir/fatigue.mp4"配置好后在工程路径下执行build_project.sh进行工程构建：rock@rock-3a:~/yourpath/v1.0.8.21/workspace/fatigue_detect$ sudo ./build_project.sh ./build_project.sh: line 26: dos2unix: command not found ./build_project.sh: line 26: dos2unix: command not found ./build_project.sh: line 26: dos2unix: command not found ./build_project.sh: line 26: dos2unix: command not found ./build_project.sh: line 26: dos2unix: command not found ./build_project.sh: line 26: dos2unix: command not found ./build_project.sh: line 26: dos2unix: command not found ./build_project.sh: line 26: dos2unix: command not found build success: you can run main.sh in ./bin folder构建完成后运行项目：rock@rock-3a:~/yourpath/v1.0.8.21/workspace/fatigue_detect$ sudo ./bin/main.sh等待稍许即可以在hilens_data_dir文件夹下看到运行结果：打开mp4文件也可以看到叠加了提醒效果的视频打包部署调试完成后，create.py脚本将应用打包发布，详情请参考的打包部署章节

以“创想无限”为主题的2022华为开发者大赛已正式启动作为华为ICT领域的顶级赛事，本次大赛分为云底座和产业两大赛道，包含云应用创新、代码上太空、世界难题、无人车等7大赛事，总奖金额高达500万。从7月开始，华为云将围绕AI、IoT、PaaS、数据库、媒体、容器、数通等领域，陆续举办赛题解读系列直播活动，分享技术干货和实战经验，为参赛团队和选手提供专业技术指导。7月11日，华为开发者大赛无人车挑战赛赛题解读直播重磅开播。本场直播中，华为云无人车挑战赛的技术专家将解读赛题相关的关键技术要点，并现场答疑，指导参赛选手快速上手华为开放技术能力。—赛题背景—本次无人车大赛赛题为“交通信号实例分割”，主要挑战有交通信号灯识别、车道线检测、斑马线检测、限速标志识别、施工标志识别、障碍物检测等，其中交通信号灯、斑马线、限速标志检测算法须基于AI开发平台ModelArts开发。—直播亮点—1.无人车挑战赛的赛题讲解-实例分割-介绍赛事内容、流程、赛题；实例分割属于计算机视觉领域在目标检测、目标识别方面的基础技术，在交通管控、自动驾驶、城市治理等需要进行目标精准识别的领域有极大的应用价值。本次比赛主要考察参赛者理论掌控能力和模型设计开发能力。2.Baseline讲解以及操作演示-ModelArts、obs的使用，数据标注、训练、模型上传的详细说明3.ModelArts打榜常见问题互动答疑-为什么成功运行却没有分数、如何确保自己的模型能顺利运行—直播主题—华为开发者大赛 赛题解读系列直播无人车挑战赛赛题解读—直播时间—2022年7月11日19:00-21:00—报名方式—扫描二维码 立即预约报名↓↓↓↓↓

人工智能的发展史人工智能“研究，开发用于模拟延伸和扩展人的智能的理论方法及应用系统的一门新的综合性技术科学”人工智能由1956年（人工智能元年）约翰·麦卡锡提出定义“制造智能机器的科学与工程”，意义，在于重新定义生产力，重新定义人的价值机器学习“专门研究计算机怎么样，模拟或实现人类学习行为以获取新的知识或技能，重新组织已有的知识结构使之不断改善自己的技能”机器学习更多是处理结构话的数据并且有较好的数学理论支撑，主要包括决策树，随机森林，人工神经网络，贝叶斯学习，是人工智能的核心研究领域之一深度学习源于人工神经网络的研究，多层感知器就是一种深度学习结构，深度学习是机器学习研究中的一个新的领域它模仿人脑的机制来解释理解数据，图像，声音，文本等人工智能的三要素：数据，算法，算力测验（单选）人工智能的标准定义是由谁提出的？约翰·麦卡锡  √正确丹尼斯·里奇唐纳德·克努特爱德华·泰勒（单选）人工智能元年是？1955年1956年  √正确1957年1958年（单选）比较依赖调参人员的经验，被称为“炼丹术”的算法是？深度学习 √机器学习联邦学习不正确强化学习（单选）人工智能的三要素不包括？数据算法算力AI工程师  √正确（单选）人工智能的三大学派不包括？符号主义连接主义行为主义规则主义  √正确（单选）未来人工智能技术的突破方向可能是？非监督学习，知识推理  √正确监督学习，知识推理深度学习，非监督学习强化学习，监督学习（单选）人工智能中用什么技术可以解决数据隐私保护问题？联邦学习  √正确监督学习深度学习隐私学习（单选）当前世界在AI领域的研究主要集中在？计算机视觉  √正确语音自然语言理解数据挖掘（单选）自然语言处理研究的主题不包括？机器翻译情感分析语音合成  √正确文本挖掘（单选）阿西莫夫对人工智能和人的伦理关系最早的定义是？人工智能三定律人工智能与机器人三定律机器人三定律  √正确人工智能伦理论

Hi，华为云 AI 开发者社区的小伙伴们大家好， 华为云企业智能（EI）开发者支持团队招人喽！热衷 AI 开发及参与社区的您很可能就是我们渴望的 AI 人才，欢迎跟我们进一步聊聊，更欢迎您将这篇文章发给有需要的朋友，感谢！ 如果您对下岗位感兴趣，抓紧投递吧！ 1. AI 开发工程师（深圳、上海、杭州、北京） 2. 云服务高级后台开发工程师（深圳） 3. 云服务前端开发工程师（深圳） 4. 云服务测试工程师（深圳） 5. 云服务高级产品经理（深圳） 6. 云服务高级前端开发工程师（深圳） 7. 安全可信专家（深圳） 8. 解决方案架构师（深圳） 9. 云服务高级测试工程师（深圳） 10. 推理框架开发工程师（深圳） 11. SRM （战略关系合作经理）（深圳） 小技巧：因目前论坛不支持帖子内跳转，**大家可以通过 CTRL+F 搜索自己感兴趣的岗位，快速找到详细介绍**。  --- ### AI开发工程师 #### 技术要求 1. 熟练掌握Python编程，基本熟悉Shell脚本，能熟练在Linux平台下做环境配置、代码调试、代码开发和代码合入； 2. 熟练掌握常见的AI开发框架，如PyTorch/TensorFlow/MindSpore/Scikit-learn中的一种或多种，掌握机器学习和深度学习理论基础； 3. 能独立完成深度学习算法的代码修改、模型训练、模型调优和模型推理 #### 岗位职责 1. 负责华为云AI开发者社区的内容建设工作，包括但不限于AI模型、算法、应用案例的开发，为开发者提供学习AI和落地使用AI的课程及案例指导文档； 2. 在各类线上直播、开发者大会、技术沙龙、校企培训等场合进行演讲，传播华为云的AI开发最佳实践和方法论； 3. 跟踪业界最新AI进展，保持对算法和应用的广泛了解，持续提升华为云AI开发者社区的内容竞争力，建立华为云在AI开发者心目中的技术领导力； 4. 帮助个人开发者、组织开发者和企业开发者解决在使用华为云EI产品过程中碰到的问题 #### 我们希望你： 1. 热爱技术、关注技术发展动态，深钻某技术领域者佳； 2. 沟通及表达能力强，乐于分享和交流技术点，有讲师或教学经验者佳； 3. 有写作产品资料文档、技术博客、拍摄技术讲解分享视频者佳； 4. 有参与投入开源项目/技术社区经验者佳 ---- ### 云服务高级后台开发工程师 #### 技术要求 1. 至少精通C++，JAVA，Go，Python其中一种； 2. 编程能力突出，具有良好的编程风格，熟悉常用设计模式； 3. 熟悉Mysql/mongodb/redis等数据库使用，能够使用Mybaits或者JPA操作数据库； #### 岗位职责 1. 负责华为云EI后端、算法工程化的开发和维护，确保平台高效、稳定的运行； 2. 与行业专家一道，深刻洞悉人工智能在城市生活各领域应用和发展趋势，打造华为云智慧城市生态品牌。 ---- ### 云服务前端开发工程师 #### 技术要求 1. 熟练掌握js、css、jquery、nodejs、es6、ts等前端知识； 2. 对浏览器兼容性、代码可维护性、前端性能优化等有一定的研究; 3. 熟练Angular、react等框架的使用； 4. 熟练使用浏览器进行调试； 5. 具有良好的代码风格、接口设计与程序架构意识； ---- ### 云服务测试工程师 #### 技术要求 1. 熟悉至少一种编程语言java/python; 2. 熟练掌握测试需求分析和设计方法，熟悉黑白盒测试方法，擅于自动化设计和实现; 3. 精通软件开发和测试流程，测试技术规划和测试架构设计能力; ---- ### 云服务高级产品经理 #### 技术要求 1. 掌握工智能基础知识、深度学习AI开发基础流程，有相关的基础代码开发经历，可参与生态构建相关工作。 2. 在人工智能业务及产品领域有产品规划经验，包括产品洞察、竞品分析、用户调研、产品优化、需求分析设计及管理等。且在视觉AI领域有一定的产品规划和实际产品落地经验。 3. 熟悉Axure Rp等设计软件，可独立设计原型图，与架构、开发、测试积极沟通与协作。 ---- ### 云服务高级前端开发工程师 #### 技术要求 1. 熟练掌握js、css、jquery、nodejs、es6、ts等前端知识； 2. 对浏览器兼容性、代码可维护性、前端性能优化等有一定的研究; 3. 熟练Angular、react等框架的使用； 4. 熟练使用浏览器进行调试； 5. 具有良好的代码风格、接口设计与程序架构意识； #### 岗位职责 1. 承担产品的需求分析、技术选型、框架设计、核心代码开发及维护相关工作； 2. 前沿技术研究和业界洞察，识别产品核心竞争力；发觉用户体验机会点，评估可用性现状，提升用户体验； ---- ### 安全可信专家 #### 技术要求 1. 通过安全可信认证； 2. 具有攻击者视角，熟悉端边云的攻防技术； 3. 具备云服务端到端安全方案设计经验； 4. 精通安全测试及测试用例设计。 #### 岗位职责 1. 承担DTSE创新业务安全可信工作，看护DTSE创新业务可信任务。保障icsl送审等 2. 负责安全可信框架演进和关键技术设计，构建端云协同平台评估测试或AI可解释关键能力，构建行业级解决方案，推动标准建设； --- ### 解决方案架构师 #### 技术要求 1. 能够快速、准确、深入理解内外部客户的需求； 2. 具备将需求转化为具体的解决方案的能力； 3. 强烈的使命感、目标感及韧劲； 4. 熟悉华为云基础架构，掌握java编程技能及经验； #### 岗位职责 1. 理解客户业务和行业趋势，协同团队从行业发展中识别对公有云的核心诉求。理解和把握客户需求，具备公有云行业解决方案的创新能力； 2. 支撑面向行业（数字政府/智慧城市、交通、制造、汽车、医疗、能源、油气、金融等）的解决方案规划、创新与架构设计，构建有竞争力的解决方案，打造华为云的行业影响力； ---- ### 云服务高级测试工程师 #### 技术要求 1. 掌握相关自动化测试框架，具备自动化脚本能力，熟练使用常用脚本语言，熟悉云龙测试工具优先； 2. 具备脚本编程能力，熟悉shell、python、java等任一种编程语言者优先. 专业知识要求： 3. 有丰富的测试策略制定、测试方案设计能力，能够深入理解产品的业务场景和关键需求，参加过大规模系统测试； 4. 具有良好的缺陷规律逆向分析能力，针对迭代和网上重点问题，能够举一反三的分析、改进和解决; 5. 熟悉敏捷开发、持续集成/持续交付等实践. #### 岗位职责 1. 负责团队自动化测试工程能力构建，建立一套自动化测试和自动化部署机制，目标自动化测试全覆盖； 2. 全流程主导版本测试分析和设计活动，统筹考虑各阶段的测试方法、自动化手段、工具需求； 3. 主导测试专项技术突破，如可靠性及性能测试、可服务性测试等，提升产品质量竞争力； 4. 通过DFX和测试过程的结果分析，发现重大质量/成本/效率/架构/设计的问题，提出优化方案，并推动问题决策和闭环解决。 ---- ### 推理框架开发工程师 #### 技术要求 1. 掌握C++语言，有在linux，windows或Android上使用C++开发的经验； 2. 有AI应用开发和硬件加速经验者优先； 3. 有多媒体加速（硬件解码，OpenGL，DirectX）等经验者优先。 #### 岗位职责 1. 负责推理框架端侧硬件开发板的适配和版本出包； 2. 使用C++开发推理框架，支持linux开发板，windows，Android等； 3. 负责AI应用的性能优化。 ---- ### SRM （战略关系合作经理） #### 技术要求 1. 对AI技术和行业有良好的了解，对其技术应用落地有相关项目经验； 2. 善于沟通，有较强的人际交往能力； 3. 良好的项目推动力，能协调内外部资源保障项目执行； 4. 有技术合作项目拓展经验优先； 5. 有AI技术开发背景优先； #### 岗位职责 1. 负责重点行业客户、第三方合作伙伴、组织机构的资源拓展、维护和管理，引导伙伴开展技术合作 2. 制定合作项目计划，积极推进生态战略项目的洽谈与落地实施 3. 配合部门产品发布节奏，洞察开发者生态趋势，制定生态伙伴发展策略 ---- ### 如何投递？ 

感谢大家对本次直播的支持与参与，恭喜以下获奖的童鞋，请于7月19日前私信云小宅反馈邮寄信息，以便准时收到奖品，逾期未反馈信息则视为自动放弃获奖资格，请知悉。直播后期论坛优质提问有礼公示：用户1：高级云网管用户2：问道直播期间优质问题公示：用户1：165***4 问题：用户2：165***6问题：用户3：165***7问题：直播简介【专家简介】程泽 华为云SaaS专家【直播简介】SaaS作为一种有效的软件交付形式，让企业IT团队可以将工作的重心从部署和业务系统定制转移到管理业务系统所提供的服务上来；但多租户开发、技术选型等问题会给SaaS应用开发带来挑战；本次系列直播将助力您解决这些难题，轻松构建云原生SaaS化应用。【直播时间】2022年7月7日 19:00-20:30直播链接：https://bbs.huaweicloud.com/live/DTT_live/202207071900.html活动介绍【互动方式】直播前您可以在本帖留下您感兴趣的问题，专家会在直播时为您解答。直播后您可以继续在本帖留言，与专家互动交流。我们会在全部活动结束后对参与互动的用户进行评选。【活动时间】6月30日—7月12日【奖励说明】活动1：优质提问有礼评奖规则：在本帖提出与直播相关的问题，由专家在所有互动贴中选出2名最优问题贴的开发者进行奖励。奖品：华为AI音箱2e 1个 活动2：热门提问有礼评奖规则：在本帖提出与直播相关的问题，TOP 3热门问题的开发者进行奖励。奖品：华为定制文化衫1件【活动奖品】【注意事项】1、为保证您顺利领取活动奖品，请您在活动公示奖项后3个工作日内私信提前填写奖品收货信息，如您没有填写，视为自动放弃奖励。2、活动奖项公示时间截止2022年7月15日，如未填写视为弃奖。本次活动奖品将于奖项公示后15个工作日内统一发出，请您耐心等待。3、活动期间每个ID（同一姓名/电话/收货地址）只能获奖一次，若重复则中奖资格顺延至下一位合格开发者，仅一次顺延。4、如活动奖品出现没有库存的情况，华为云工作人员将会替换等价值的奖品，获奖者不同意此规则视为放弃奖品。5、其他事宜请参考【华为云社区常规活动规则】。

随着全球新一轮科技革命的飞速发展，颠覆性技术革新风起云涌，量子科技当之无愧是最引人瞩目的焦点。2022年5月29日，由HiQ量子计算软件团队、上海大学、电子科技大学、南方科技大学、昇思MindSpore社区和华为云ModelArts平台联合举办的第四届·2022量子计算黑客松全国大赛决赛圆满落幕。1大赛赛况总结本此大赛历时两个多月，吸引了来自北京大学、清华大学、中国科学技术大学、复旦大学、浙江大学、上海交通大学、中山大学、南方科技大学、上海大学等国内外170多所高校的本科生、研究生以及建信金科、中国金融认证中心等企业员工，总计500多人报名。近200个团队参与本次比赛，共同创新，推动量子计算的技术研究。为了体现前沿性和交叉性，本次参赛题目涉及量子计算、量子化学、机器学习等交叉学科。初赛题目颇具挑战性，赛题1“利用量子经典混合的神经网络来完成手写字体识别任务”、赛题2“量子化学模拟——基态能求解的浅层线路设计”，基于高性能开源量子计算框架MindSpore Quantum和HiQ量子计算云平台完成赛题。参赛团队之间互相启发，台上竞争，台下合作，经过层层选拔，最终有13个团队、28名优秀选手成功晋级总决赛，汇聚一堂巅峰对决。2嘉宾评委阵容强大2022年5月29日总决赛在线上如期举行。决赛邀请六位量子计算领域的专家组成评审团，分别是南方科技大学物理系教授、HiQ量子计算软件与算法首席科学家翁文康老师，中国科学院计算机技术研究所研究员孙晓明老师，北京清华大学自动化系教授吴热冰老师，上海交通大学物理系教授唐豪老师，电子科技大学计算机系教授王晓霆老师，MindSpore Quantum高级研究员徐旭升博士。决赛答辩环节，由于日程紧，团队多，给予评委团的压力很大。但是，我们的嘉宾评委全程保持了高度专注，认真听取每一支队伍的决赛演讲，以公正、严谨的态度进行打分，并从自己的专业出发为作品提出中肯的意见和建议。各队选手均是有备而来，凭借深厚的专业知识、对赛题创新性的深入挖掘和团队协作精神，深深的打动了各位评委老师，答辩提问环节选手对评委老师的各种挑战和提问也是应对自如。3角逐冠军，竞争激烈！决赛评审团从创新性、通用性、性能三个维度进行评分，经过激烈的角逐，来自重庆大学的参赛团队以总分第一名的成绩，获得冠军，来自上海大学的两支队伍同时获得亚军。此外还产生了三等奖三名，优秀奖七名。恭喜以下获奖团队，让我们来一睹他们的团队风采吧！一等奖获奖团队：五点组会也没关系团队成员：储贻达、周彦桦、徐维（重庆大学）二等奖获奖团队：Hbar团队成员：唐加亮、王瑞、李宇栋（上海大学）获奖团队：Fenice团队成员：徐宜家、刘懿贤（上海大学）三等奖获奖团队：量子emo小分队团队成员：周旭（中山大学）、刘佳薇（中国科学技术大学）、周俊园（南方科技大学）获奖团队：为什么神经网络和化学都要做团队成员：陈柄任（建信金融科技有限责任公司) 、 于小涵（电子科技大学）获奖团队：零熵 团队成员：耿力（同济大学）优秀奖4 总结没有横空出世的幸运，只有不为人知的努力，在征服与挑战中，各位选手在本次大赛中都收获了属于自己的那一份荣誉与认同。来自不同院校和企业的参赛选手、组织者在一起不仅收获了成绩，更多的是在学术交流和创新实践中收获知识、经验和友情。本次大赛涌现了一大波量子计算种子选手，将成为我国量子计算的后备人才。我们相信通过量子计算黑客松这样的重量级精品赛事，将选拔出更多量子计算优秀人才参与到量子计算的研究中来，推动我国量子计算事业发展。  值得一提的是华为已连续举办了四届量子计算黑客松全国大赛，也受到来自全国各高校和企业单位的高度重视和大力支持。重庆大学物理学院、上海大学新闻网、中国海洋大学信息科学与工程学部、上海科技报、新民晚报等多家高校网站和媒体纷纷对赛事进行报道。

静态生物特征验证是一种常用的 AI 功能，它可以实时捕捉人脸，并可以在不提示用户移动头部或面部的情况下确定人脸是否属于真人。通过这种方式，该服务有助于提供获得积极反馈的便捷用户体验。技术原理静态生物特征验证需要 RGB 摄像头，并且能够通过细节（例如莫尔图案或纸上的反射）区分真人的面部和欺骗攻击（例如面部和面罩的图像或屏幕截图）照片）在相机拍摄的图像中。该服务支持来自各种场景的数据，包括不同的照明条件、面部配饰、性别、发型和面具材料。该服务分析面部周围环境以检测可疑环境。静态生物特征验证模型采用轻量级卷积模块，在推理阶段通过重新参数化将线性计算转化为单个卷积模块或全连接层。MindSpore Lite 推理框架可用于模型部署，从而裁剪操作员。然后缩小模型的封装尺寸，使其更便于集成。应用场景活体检测通常在人脸验证之前使用。例如，当用户使用面部识别解锁手机时，活体检测首先确定捕获的面部是否真实。如果是，则人脸验证将检查人脸是否与系统中记录的人脸匹配。这两种技术相互补充，以保护用户的设备免受未经授权的访问。所以可以肯定地说，静态生物特征验证为应用程序提供了严格的保护，我在这里说明如何集成它。整合程序准备工作调用服务有两种模式：通话模式    活体检测过程    活体检测界面    功能默认查看模式    由 ML Kit 处理    提供的    确定一张脸是否真实。自定义查看模式    由 ML Kit 处理    自定义    确定一张脸是否真实。默认查看模式1.创建回调获​​取静态生物特征验证结果。private MLLivenessCapture.Callback callback = new MLLivenessCapture.Callback() {    @Override    public void onSuccess(MLLivenessCaptureResult result) {        // 验证成功时回调，结果表明面部是否为真人。    }    @Override    public void onFailure(int errorCode) {        // 验证失败时回调。例如，摄像头异常（CAMERA_ERROR）。 添加处理逻辑来处理失败。    }};2.创建静态生物特征验证实例并开始验证。MLLivenessCapture capture = MLLivenessCapture. getInstance();capture.startDetect(activity, callback);12自定义查看模式1.创建一个 MLLivenessDetectView 实例并将其加载到活动布局中。/*** 1. 将摄像头预览画面绑定到远程视图，设置活体检测区域。* 在相机预览流中，静态生物特征验证确定人脸是否在图像中间。 为提高通过率，建议将人脸框置于屏幕中间，并将活体检测区域设置为略大于人脸框。* 2. 设置是否检测掩码。* 3. 设置结果回调。* 4. 将 MLLivenessDetectView 加载到活动中。*/@Overrideprotected void onCreate(Bundle savedInstanceState) {    super.onCreate(savedInstanceState);    setContentView(R.layout.activity_liveness_custom_detection);    mPreviewContainer = findViewById(R.id.surface_layout);    // ObtainLLivenessDetectViewmlLivenessDetectView = new MLLivenessDetectView.Builder()        .setContext(this)        // 设置是否检测掩码。        .setOptions(MLLiveness DetectView.DETECT_MASK)        // 设置人脸框相对于 MLLivenessDetectView 的矩形。        .setFaceRect(new Rect(0, 0, 0, 200))        // 设置结果回调。        .setDetectCallback(new OnMLLivenessDetectCallback() {            @Override            public void onCompleted(MLLivenessCaptureResult result) {                // 验证完成时回调。            }            @Override            public void onError(int error) {                // 验证过程中发生错误时的回调。            }            @Override            public void onInfo(int infoCode, Bundle bundle) {                // 收到验证提示消息时回调。 此消息可以显示在 UI 上。                // if(infoCode==MLLivenessDetectInfo.NO_FACE_WAS_DETECTED){                     // No face is detected.                // }                // ...            }            @Override            public void onStateChange(int state, Bundle bundle) {                // 验证状态变化时回调。                // if(state==MLLivenessDetectStates.START_DETECT_FACE){                     // Start face detection.                // }                // ...            }        }).build();    mPreviewContainer.addView(mlInteractiveLivenessDetectView);    mlInteractiveLivenessDetectView.onCreate(savedInstanceState);}2.为MLLivenessDetectView设置生命周期监听器。@Overrideprotected void onDestroy() {    super.onDestroy();    mlLivenessDetectView.onDestroy();}@Overrideprotected void onPause() {    super.onPause();    mlLivenessDetectView.onPause();}@Overrideprotected void onResume() {    super.onResume();    mlLivenessDetectView.onResume();}@Overrideprotected void onStart() {    super.onStart();    mlLivenessDetectView.onStart();}@Overrideprotected void onStop() {    super.onStop();    mlLivenessDetectView.onStop();}参与评论送书本次送书 3 本，以后每周新文评论区至少抽三位朋友送书，大家可持续关注我：海拥内容简介人工智能被广泛应用和普及，极大地提高了人们学习和工作的效率。而要深入理解人工智能，必须全面理解底层各类机器学习算法的基本原理。只有全面掌握机器学习的基础知识，才能更好地理解、提高和驾驭人工智能的各种应用。本书内容系统、全面，理论知识覆盖面广，且保留了推导过程。实践案例中，深入浅出地讲解和展示了机器学习应用的具体流程。本书适合在各行业工作的数据科学家、在校学习人工智能和数据科学专业的学生、科技公司的管理者和决策者，以及人工智能的初学者和爱好者阅读。觉得自己抽不到，想自己买的也可以参考此链接：https://item.jd.com/13156145.html尾注：人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。在这里，我们只讨论了人工智能的基本知识，想要获取更多人工智能相关的知识，或者就是想每周参与抽奖白嫖一本书，你可以私信我加入 CSDN官方人工智能交流群————————————————版权声明：本文为CSDN博主「海拥✘」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/qq_44273429/article/details/125409169

       在移动互联网、云计算等新技术的驱动下，人工智能正在加速融入人类的生产生活，在为经济社会发展不断注入新动能的同时，也让人们的生活变得愈加美好。为了进一步拓宽人工智能在生活中的应用场景，探索实际问题解决方案，同时选拔和培育未来人工智能领域的创新人才，首届华为云杯“少年开发者”人工智能大赛于6月23日正式启动。       华为云杯“少年开发者”人工智能大赛由上海市教育委员会、复旦大学指导，华为技术有限公司主办，华为云计算技术有限公司、上海市科技艺术教育中心、复旦大学计算机科学技术学院、上海市育思青少年计算科学发展中心承办，上海市计算机学会教育信息化专委会、复旦大学附属中学、上海国际计算科学创新教育联盟支持。聚焦AI生活场景应用，以技术创新让美好发生       本届大赛旨在依托华为云强大的技术资源，鼓励青少年围绕具体场景，运用深度学习、计算机视觉、自然语言处理和数据挖掘等人工智能核心技术，设计解决方案、主导实验设计、测试、实践，并最终完成具备原创性与应用价值的科技产品原型或服务解决方案。       大赛的启动期正值国际奥林匹克日，两者之间有着相同的内在气质与情感纽带，共同传递“为美好而战”的拼搏精神。大赛的主题 “以技术创新，让美好发生”，既是对华为云Cloud for Good“为美好，做更好”精神内核的继承，也能让参赛者们利用科技创新发现生活中的小美好，同时通过大赛平台展开竞技与交流的号召，充分体现了“互相了解、友谊、团结和公平竞争”的奥林匹克精神。把握赛事阶段与关键节点，等你来战       首届华为云杯“少年开发者”人工智能大赛面向全国3-12年级的在校学生开展，分为小学组（3-6年级）、初中组（7-9年级）、高中组（10-12年级）三个组别。大赛已于今年6月开启报名通道，将于9月11日截止报名，参赛学生可组成1-3人的参赛团队报名参加，不支持跨组别组队，同一学生只能参加一个团队，不可重复参赛。       大赛分为作品征集、初评答辩、决赛三个阶段，赛期从2022年6月持续至10月下旬。赛事以线上为主，在疫情防控条件许可的情况下于决赛阶段开展线下活动。计划和实施进度可能会因疫情情况有所调整。在作品征集阶段，参赛团队需要聚焦用户需求、问题、使用场景等，进行产品或服务的开发设计，可以根据个人学习与思考选择合适的人工智能相关技术设计解决方案，并形成一定的成果，主办方将从中选取优秀作品进入初评答辩环节，从而决选出进入决赛的团队或个人。       在决赛阶段，复旦大学计算机科学技术学院和华为云组成的专家团将结合各个阶段青少年学习特点进行命题，设计现实场景下的问题，要求参赛选手给出技术解决方案并进行比拼。       本届大赛按组别分设一、二、三等奖，获奖比例分别为10%，20%，40%，获奖数占初评答辩名单70%左右；另设入围奖、优秀指导教师奖、优秀组织奖、Cloud for Good特别价值奖，并且在每个组别中选拔出“2022年开发者之星”，所有获奖者将被授予荣誉证书。同时，在决赛中脱颖而出的个人和团队，将获得与华为工程师以及专业科研导师结对共同设计、研究的机会，从而实现开发项目雏形从纸面到真正商业或应用层面的运用。       国务院发布的《新一代人工智能发展规划》指出，要全面提高全社会对人工智能的整体认知和应用水平，在中小学阶段设置人工智能相关课程，支持开展人工智能竞赛。举办华为云杯“少年开发者”人工智能大赛，正是贯彻落实国家决策部署的重要举措，将发现和培养一批下一代人工智能人才，更好支撑我国人工智能产业持续健康发展。       主办方表示，大赛将为选手们提供丰富的技术资源支持以及公平公正的竞技环境，欢迎广大少年开发者报名参赛，共同探索更多人工智能在生活中的应用场景，推动人工智能产业应用规模化发展，引领新一轮产业变革。

--- ## 视频数据量激增，数据处理和内容运营成本居高不下 云计算、大数据、物联网、人工智能等信息技术飞速发展及传统产业数字化的转型，一方面媒体数据量呈现几何级增长，据IDC预测，全球数据总量预计2020年达到44ZB，我国数据量将达到8060EB，占全球数据总量的18%；另一方面，媒体的生产、传播和消费形式升级。巨量数据中，70%将会以图片和视频的形式存储和传播。这些数据从生产、传播到用户消费，传统方式运营成本居高不下。人工智能在视觉领域发展趋于成熟，基于人工智能的视频内容分析能从根本上解决传统内容分析方法性能低下的问题。AI助力，视频分析将全面进入智能时代。 ## 视频从生产到消费全流程智能化 视频从生产到消费的全流程升级，如图1所示。  图1 视频生产、编辑、分发和消费流程升级 华为云EI助力视频分析全面进入智能时代。  **生产** **视频采集**，从专业设备到移动终端，视频内容采集大众化。华为云EI在采集阶段可提供美颜、个性化等特效处理技术，助力视频采集即处理。 **内容审核**，用户采集内容上传存储前，华为云EI提供视频内容智能审核能力，包括视频质量评估、黄/暴/恐鉴别、重复/相似鉴别及版权指纹分析等，解决重复/疑似不安全内容进入传播流程。  **编辑** **结构化分析**，华为云EI针对各种类型的长、短视频，提供智能结构化分析，将视频以镜头、内容片段等结构化形式进行描述，便于后续的内容分析、存储和分发。 **内容分析**，对结构化表示的视频内容，华为云EI从场景识别、主体识别、行为/事件检测、语音/文本分析及内容描述等方面对其进行智能化分析，支持多维护内容查询和检索。 **智能编辑**，基于智能内容分析，初步提供以下智能视频编辑技术： **(1)**  **视频拆条** 相比较长视频，短视频更有利于在互联网传播，对传统媒体的节目进行拆条是不可或缺的。华为云EI基于人物、场景、语音、OCR字幕等多模态信息分析技术，快速精确地把长视频分割成不同主题的片段。面向海量多媒体视频，大幅提高视频识别、剪辑、检索等处理的效率，降低人工运营的成本。整体效率相对人工提升10+倍，新闻类视频拆条准确率超过95%，特定场景准确率超过98%。  **(2)**  视频摘要 静态摘要，基于视频镜头变换、内容理解技术，华为云EI针对不同类型的长、短视频提供视频静态摘要服务，能够将1个小时视频压缩成5分钟的摘要内容，可用于运营管理人员的内容快速浏览及用户快速内容播放。 视频浓缩，使用背景建模、主体检测、运动轨迹跟踪、前/背景融合技术，华为云EI提供视频浓缩服务，将极长的视频中的事件提取出来，浓缩到较短的视频片段，便于视频内容中事件的快速观看。 **(3)**  **视频封面** 基于视频镜头变换、内容理解和分析技术，快速提取内容相关、构图优美的关键帧作为封面吸引用户进一步观看。相比于人工选取封面，智能封面选取速度提高20+倍，大幅降低运营成本；同时精彩的封面能够吸引用户的注意，大幅提高视频点击率。  **(4)**  **视频内容标签** 视频OCR，视频物体识别，视频人物识别，从多维度对视频内容进行提取，将非结构化的视频文件，转换为结构化的数据，为视频搜索，视频推荐，视频运营等提供了必不可少的信息。  **(5)**  **水印处理** 用户上传的内容除了新采集的视频，还有很大一部分为已有视频的重新传播。而重复传播的这部分视频极有可能已经打上了不同的水印。为了便于企业内容管理，华为云EI提供水印检测和处理技术，能够智能检测水印位置、重构水印并对水印进行处理。 **(6)**  **音视频指纹** 视频指纹具有极大的使用场景，包括：(1) 对用户上传的内容进行重复检测；(2) 可对内容进行版权追踪；(3) 支持多维度、多粒度内容存储和检索； 华为云基于音频、视频内容分析技术，提供音、视频指纹生成、存储及检索技术。 **(7)**  **自动唱词** 在新闻媒体、教育等领域往往只有视频和对应的音频信息，自动唱词技术可以根据视频自动添加字幕，相比人工添加字幕，可以极大提高视频发布的及时性，提高生产效率。 **分发**，基于前述的视频结构化和智能分析，视频内容可按照多维度进行存储，结合用户行为日志分析，支持快速检索和关联推荐，将内容以最快的速度推送到相应的用户。 **消费**，在用户消费视频的过程中，华为云EI提供自动评论及交互播放技术方案，提升终端用户体验。 转载自华为云社区 大道无形 https://bbs.huaweicloud.com/blogs/175010

登录AI Gallery的Workflow案例库。从AI Gallery选择并订阅一个Workflow。订阅完成后，单击“运行”后跳转到ModelArts控制台界面，选择资产版本和云服务区域，单击“导入”，进入该Workflow的详情页面。图1 导入Workflow单击右上角的“配置”后进入配置页面，根据您所订阅的工作流，配置Workflow需要的部分输入项和参数，单击右上角的“保存配置”。保存成功后，单击右上角的“启动”，启动Workflow。Workflow进入运行页面，等待Workflow运行。Workflow完成运行。图2 完成运行