告别传统调研，华为云+沃丰科技，开启AI机器人调研新玩法AI机器人可以和你聊天，可以帮你扫地，可以帮你送外卖，而且AI机器人还可以帮你调研客户需求，你信么？这期华为云云市场·新生态直播，邀请到华为云优质合作伙伴北京沃丰时代数据科技有限公司专家许传斌老师，给大家举个栗子，讲讲AI机器人的三头六臂，诠释AI机器人如何助力民意调研，突破传统的调研方式，样本量巨大，调研效率低，准确率低的难题，为政企创造新价值。看直播，赢好礼，华为云云市场新生态直播邀您不见不散！直播商品：Udesk Urobot语音机器人直播地址：https://bbs.huaweicloud.com/live/marketplace_live/202012231900.html【华为云云市场，助您上云无忧】

今日共有20条快讯  产业击败酷睿i9，苹果M1芯片为何如此优秀？英特尔和 AMD 输了吗？2020/12/14 14:43原文链接机器人误触防熊喷雾24人住院？这个网站收集AI‘翻车’案例，所有‘罪证’都不放过AI设计初衷本是造福人类，但是却因技术或人为原因而经常“翻车”，有些“翻车”可能只是闹个笑话，有些“翻车”却可能夺走无辜人的生命。2020/12/14 10:57原文链接当我们再谈AI芯片，有些东西已经变了据相关统计数据显示，2019年全球人工智能芯片市场规模为110亿美元。随着人工智能技术日趋成熟，数字化基础设施不断完善，AI芯片市场也迎来了高速增长的时期。2020/12/14 10:36原文链接由磁场和光驱动的软体机器人来了，旋转跳跃不停歇~它不仅能够在液态环境中行动自如，完成拾取和运输物体等任务；而且由从磁场和光驱动，精确度和敏捷性都得到很大提升，其前进速度达到了每秒一步，这甚至与人类步伐速度相当！2020/12/14 10:03原文链接工程无性能损失，不用更改代码，Lightning 1.1版本发布，切分训练新功能节省50%以上内存Lightning 团队还将为新的模型并行化技术以及保证鲁棒性而继续努力。2020/12/14 14:33原文链接理论最新综述：多标签学习的新趋势这里给大家带来一篇武大刘威威老师、南理工沈肖波老师和 UTS Ivor W. Tsang 老师合作的 2020 年多标签最新的 Survey。2020/12/14 10:43原文链接其他MindCon极客周 · 点亮城市接力活动正式启动！来为你的城市打Call，还有多重好礼相送！无论您是AI研究领域的资深玩家，还是对新奇事物充满好奇的AI零基础小白，欢迎大家报名「MindCon极客周」活动，点亮城市计划——助力城市获得更多积分、赢取惊喜大奖！2020-12-14 20:01:29原文链接清华孵化、张钹加盟的这家公司，现在把“第三代人工智能”落地了“AI落地，不是仅仅靠大数据、大算力就能解决的问题。”2020-12-14 17:34:18原文链接北京朝阳“城市大脑”首次公开亮相，预计三年建成朝阳区科信局局长李容珍介绍，城市智慧大脑利用了云计算、大数据、物联网、数字孪生四大信息技术，分为城市管理、城市经济、城市安全三个主题。2020-12-14 17:25:30原文链接Kaggle八项大奖斩获其6：用于筛选和分析文献的paperai新冠文献数据集2020-12-14 15:22:11原文链接快讯Roblox 收购虚拟头像创企 Loom.ai据外媒报道，Roblox 今天宣布将收购一家名为 Loom.ai 的数字化虚拟现实创业公司。Roblox 在宣布该交易的新闻稿中表示，此次收购「将加速下一代虚拟头像的开发。」 Loom.ai 被收购前曾筹集总资金 590 万美元。2020-12-15 08:13原文链接斯图加特超级计算中心安装 192 个英伟达 A100 GPU英伟达更新博客，宣布欧洲最大的超级计算中心之一，德国斯图加特高性能计算中心（HLRS）将安装 192 个 NVIDIA A100 GPU。自 2002 年 Michael Resch 出任总监以来，其员工人数增加了两倍，行业合作收入增长了 20 倍。在过去的一年中，大部分增长来自对人工智能的兴趣。随着对机器学习需求的增长，HLRS 签署了一项协议，将基于 NVIDIA Mellanox InfiniBand 网络链接的 192 个NVIDIA Ampere 架构 GPU添加到其基于 Hewlett Packard Enterprise 的 Apollo 系统的 Hawk 超级计算机中。2020-12-15 08:13原文链接欧盟监管机构警告在预测性警务，医疗诊断和定向广告中使用 AI 的风险据外媒报道，欧盟人权监管机构警告在预测性警务，医疗诊断和针对性广告中使用人工智能解决技术挑战的风险，并考虑明年出台相关规定。尽管执法机构广泛使用 AI，但该组织表示，政府也会滥用 AI，进行大规模、歧视性的监管。舆论担心此举侵犯基本权利和数据隐私规则。欧盟基本权利机构（FRA）在周一发布的一份报告中敦促决策者提供更多指导，说明现有规则如何适用于人工智能，并确保未来的人工智能法律保护基本权利。2020-12-15 08:12原文链接DeepMind 新模型将视觉体验转化为海马结构中空间表达近日 DeepMind 联合伦敦大学学院发布新论文「空间记忆管道：在哺乳动物大脑中以自我为中心到环境为中心理解的模型」论文概要如下：在哺乳动物的大脑中，环境参照系表征支持有效的自我定位和灵活的导航。我们开发了一个经过简单预测目标训练的网络，该网络能够将以自我为中心的信息映射到以环境为中心的空间参考系中。该网络学到了一种以已知的生物连通性收敛的头向跟踪解决方案，同时提出了边界细胞重映射的一种可能机制。与现有的强化学习方法相比，配备此网络能够灵活地重复用学习到的行为快速适应陌生的环境。因此，我们的结果表明，这些表征形成了认知映射的有效基础集。2020-12-15 08:11原文链接中科院计算所何昆博士论文《关于经典变量、对易与量子版本洛瓦兹局部引理的研究》洛瓦兹局部引理，也简称局部引理，是组合数学和概率论中一种强有力的工 具，它可以用来证明，当一系列 “坏事件” 满足一定的概率约束和 “弱相关” 约束 时，可以同时避开所有的坏事件。在最近十年，局部引理因为算法化方面的工作 以及向量子领域的扩展，又重新得到了理论计算机界的大量关注。目前领域内存 在着不同版本的局部引理，主要有抽象版本，变量版本，对易版本和量子版本。这些局部引理有各自的应用。抽象版本局部引理是最经典的局部引理，Shearer 首先给出了抽象版本局部引理的紧的条件。变量版本局部引理假设事件由一系列独立的随机变量决定，尽管变量版本局部引理涵盖了局部引理的绝大多数应 用，但人们对变量版本局部引理的紧的条件却知之甚少。2009 年，Ambainis 等 人引入了量子版本局部引理，该引理是研究量子可满足性问题的强有力工具。量 子版本局部引理的紧的条件也是未知的。还有人研究对易版本局部引理，相关研 究主要集中在对易版本局部引理的算法化上，目前还没有对其紧的条件的研究。2020-12-14 16:14原文链接AAAI 2021 | 「可瘦身」的生成式对抗网络生成式对抗网络 (GANs) 近年来取得了显著的进展，但模型规模的不断扩大使其难以在实际应用中广泛应用。特别是对于实时任务，由于不同的计算能力，不同的设备需要不同大小的模型。在本文中，我们引入了 “可瘦身” 的 GANs (slimmable GANs)，它可以在运行时灵活地切换生成器的宽度 (层的通道) 以适应各种质量和效率的权衡。具体地说，我们利用多个部分参数共享判别器来训练 “可瘦身” 的生成器。为了促进不同宽度的生成器之间的一致性，我们提出了一种逐步替代蒸馏技术，鼓励窄的生成器向宽的生成器学习。至于类条件生成，我们提出了一种可分割的条件批处理规范化，它将标签信息合并到不同的宽度中。我们的方法通过大量的实验和详细的消融研究得到了定量和定性的验证。本文《Slimmable Generative Adversarial Networks》被AAAI 2021会议接收。2020-12-14 16:13原文链接INRIA最新《持续学习机器人技术：定义、框架、学习策略、机会与挑战》综述论文持续学习 (CL) 是一种特殊的机器学习范式，它的数据分布和学习目标会随着时间的推移而改变，或者所有的训练数据和客观标准都不会立即可用。学习过程的演变是以一系列学习经验为模型的，其中的目标是能够在学习过程中一直学习新的技能，而不会忘记之前学过的知识。CL 可以看作是一种在线学习，需要进行知识融合，以便从按顺序及时呈现的数据流中学习。在学习过程中，不断学习的目的还在于优化记忆、计算能力和速度。机器学习的一个重要挑战不是必须找到在现实世界中有效的解决方案，而是找到可以在现实世界中学习的稳定算法。因此，理想的方法是在嵌入的平台中处理现实世界: 自治的代理。持续学习在自主代理或机器人中是有效的，它们将通过时间自主学习外部世界，并逐步发展一套复杂的技能和知识。机器人必须学会通过连续的观察来适应环境并与之互动。一些最近的方法旨在解决机器人持续学习的问题，但最近关于持续学习的论文只是在模拟或静态数据集的实验方法。不幸的是，对这些算法的评估并不能说明它们的解决方案是否有助于在机器人技术的背景下持续学习。这篇论文的目的是回顾持续学习的现有状态，总结现有的基准和度量标准，并提出一个框架来展示和评估机器人技术和非机器人技术的方法，使这两个领域之间的转换更加容易。我们在机器人技术的背景下强调持续学习，以建立各领域之间的联系并规范方法。2020-12-14 16:12原文链接上海交通大学博士论文《基于网络特征学习的个性化推荐系统》近年来，网络特征学习（network representation learning）逐渐成为机器学习中的一 个热门的研究方向。网络特征学习试图为一个网络中的每一个节点学习得到一个低维表 示向量，同时保持其原有的结构信息。由于推荐系统中天然存在着大量的网络结构，因 此，将网络特征学习与推荐系统相结合，用网络特征学习的方法去处理推荐系统中的相 关特征，可以有效地增强推荐系统的学习能力，提高推荐系统的精确度和用户满意度， 从而为现实生活中的各类互联网应用提供更优良的用户体验，进而减轻信息爆炸带来的 负面影响，提升整体经济效率。本文的主题为基于网络特征学习的个性化推荐系统。2020-12-14 16:07原文链接AAAI 2021 | 中科大学者探讨用于自监督对应学习的对比转换在本文《Contrastive Transformation for Self-supervised Correspondence Learning》中，我们研究了在自然环境下使用无标记视频进行视觉对应的自监督学习。我们的方法同时考虑视频内和视频间的表示关联，以获得可靠的对应估计。视频内学习通过帧对相似性在单个视频中跨帧转换图像内容。为了获得实例级分离的判别表示，我们在视频内部分析的基础上，构造了视频间的相似关系，以方便不同视频之间的对比变换。通过强制视频内级和视频间级之间的转换一致性，可以很好地保留细粒度的对应关联，有效地加强实例级特征识别。在视频目标跟踪 (VOT)、视频目标分割(VOS)、姿态关键点跟踪等一系列视觉任务上，我们的简单框架的性能优于最近的自监督对应方法。值得一提的是，我们的方法也超过了完全监督的相似表示(如 ResNet)，并与最近为特定任务(如 VOT 和 VOS) 设计的完全监督算法相媲美。本文被AAAI 2021会议接收。2020-12-14 16:04原文链接机器学习系统自动匹配电影和视频游戏材料在屏幕上看到网游或者电影中有光泽的图片通常需要在幕后进行大量工作看起来才是完美渲染的样子，其中的关键是纹理质感。今日麻省理工学院新闻报道，由麻省理工学院计算机科学与人工智能实验室（CSAIL）研究人员领导的团队开发了一种方法，可以使纹理化的过程更快更简单，直接将拍摄照片中的质感转移到游戏中。核心要素是一个名为「DiffMat」的新库，该库提供了用于构建不同纹理材料的各种构建块。 该论文将在本月的 SIGGRAPH 亚洲计算机图形会议上发表。2020-12-14 10:25原文链接

12月8日，“2020年第九届粤港云计算大会暨第四届粤港澳ICT大会及广东软件行业协会成立20周年活动”在广州东方宾馆会展中心正式召开。大会由广东省工业和信息化厅、香港特别行政区政府、政府资讯科技总监办公室和羊城晚报报业集团做指导，由广东软件行业协会、香港数码港管理有限公司、澳门电脑学会、羊城晚报社联合主办。华为公司中国区云与计算业务副总裁郑殿海在主会上围绕“新基建、新动能、新生态”的主题做了精彩主题演讲。产业数字化成为数字经济的主战场“5机”改变生产方式郑殿海在演讲中指出：“ 产业数字化将成为数字经济新的主战场，5G、云、计算、人工智能、行业应用这5股力量结合起来，会让我们下一个10年的数字经济在社会生产的场景里面开花、生根、发芽。随着5G的普及，5G、云、计算、人工智能、行业应用这五种技术、五大机会史无前例的汇聚到一起。这五机的协同将成为行业智能化升级的有效手段。首先，5G的大带宽、低延时、广联接特性将助企业真实实现万物互联。而云、计算、人工智能将驱动企业从数字化走向智能化。基于优秀的算法和模型，海量的数据，以及云端丰富的算力，再结合各个行业的KNOW-HOW，云、计算、AI将为企业应用带来持续创新的动能，最终通过丰富的行业应用，为企业智能化升级赋能。例如，无人矿车的远程驾驶、港口无人化、电力行业智能无人巡检等通过5G、云、AI 等技术的融合应用，使能更广泛的企业群体，利用5机协同带来的机遇，实现业务的升级。点击图片阅读详情

今日共有12条快讯 理论诞生272年后，这个看似简单的数学问题终求得闭式解山羊吃草，一个很普通的场景，但或许新的数学发现就在其中。2020/12/13 12:32原文链接「九章」刷屏的背后：万字长文解析，量子计算机和电子计算机各有何优劣？量子计算机和传统电子计算机在算法方面的优劣势2020/12/13 12:19原文链接工程论文千千万，如何发现和综述新研究？这里有个利用AI技术的热门开源项目paperai 利用 AI 技术发现和综述医疗 / 科学论文。2020/12/13 12:28原文链接其他VS Code竟然能约会，找对象不看脸，看编程水平最硬核的约会软件2020-12-13 13:00:44原文链接黄道十二宫杀手密码51年后被破解，来自两位程序员与数学家通力合作65万种解密方向，8个月终破译2020-12-13 12:43:27原文链接快讯IBM-MIT 发起对象识别模型挑战赛上周五，IBM 联合 MIT 宣布在计算机视觉社区发起挑战赛，即开发实用的对象识别模型，以证明对 ObjectNet 图像的预测。挑战赛将以公开排行榜的竞赛形式进行，获胜者将于 6 月 CVPR 2021 宣布。该挑战不提供任何训练集，且测试集的标签和图像本身也完全隐藏。参与者可用的唯一信息是数据集中显示的对象类别列表。这两个限制必然要求成功的模型具有高度鲁棒性和通用性。ObjectNet 挑战赛将在本周一 12 月 14 日正式启动，欢迎世界各地研究人员参与。2020-12-14 04:35原文链接高通公司将其圣地亚哥园区打造成未来智慧城市据外媒报道，电信巨头高通公司在圣地亚哥拥有 36 座建筑物，25,000 名员工和数百英亩的土地，几乎是一座小型城市。在过去的一年中，该公司一直在为该区域的建筑物，基础设施，交通运输和安全系统推出新技术，以展示技术型智慧城市的运作方式。园区目前拥有一系列使用传感器和分析功能的系统，优化从能源使用到停车的一切需求。摄像头系统使用人工智能来改善园区和建筑物的访问并增强安全性，系统利用 HVAC 系统中的传感器来管理能耗，灯杆兼作互联网热点。2020-12-14 04:35原文链接谷歌 AI 更博：通过机器学习增强人像照明专业肖像摄影师可以使用设备（例如闪光灯和反光镜）拍摄出光影恰好的人像。为了让普罗大众也能拍出专业级别的照片，谷歌发布了Portrait Light，这是 Pixel Camera 和 Google Photos 应用程序的一项新的后期捕捉功能，该功能为人像添加了模拟定向光源，其方向性和强度设置为补充原始照片光线。该功能可重定位光源建模，该光源可添加到场景中，并自动选择初始照明方向和强度以补充照片中现有的照明。2020-12-14 04:35原文链接人工智能改善美国食品体系美国农业部发布博文，位于加州大学戴维斯分校的美国农业部农业研究局（ARS）西部人类营养研究中心（WHNRC）近日已与来自六个组织的 40 多名研究人员共同组成了一个研究所使用人工智能创建下一代食品系统。由加州大学戴维斯分校领导的团队还包括加州大学伯克利分校，康奈尔大学和伊利诺伊大学香槟分校。该项目由美国农业部国家粮食和农业研究所提供 2000 万美元的资助。该研究所的目标包括利用分子育种提高作物产量，质量和抗病性。使用 AI 应用程序和其他技术（例如感应平台和机器人技术）以减少资源使用；加强食品安全；以及开发用于消费者做出个性化健康决策的工具。2020-12-14 04:28原文链接研究显示大规模采用人工智能可以帮助巴西经济复苏据外媒报道，微软委托咨询公司 FrontierView 进行的一项新研究显示，如果公司和政府促进人工智能的大规模采用，那么未来十年巴西经济将出现高达 4.2％的增长。国内生产总值增长潜力超过四个百分点是研究中提出的最乐观的情景，其中人工智能的使用不仅限于自动化，还用于创造高技术工作，推动生产力和经济增长。根据这项研究，即使在最保守的情况下，该技术使用最少且仅用于自动化，巴西的 GDP 也会增长 1.8％。2020-12-14 04:28原文链接现代汽车证实以 11 亿美元收购波士顿动力据外媒报道，波士顿动力现在正式成为现代汽车集团的一部分。韩国企业集团现代汽车已与软银达成协议以 11 亿美元收购波士顿动力控股权（80％的股份）。软银将保留 20％的股份。至少从 11 月初开始，两家公司就一直在进行谈判，预计交易将于 2021 年 6 月完成。2020-12-14 04:26原文链接 

【获奖名单公示】【华为云1024程序员节 · 向云而生】呼朋唤友学AI，喜赢京东卡1024最终审核通过的获奖名单公示中奖用户筛选标准如下：1、             有效期内填写实名问卷；2、             账户已实名认证；3、             用户登录过ModelArts的操作台；4、             每一个实名认证的用户发卡上限为10张京东卡，一个用户实名多个账号邀请已去重；5、             被邀请的账户均为10.8日后注册的新账号。领奖时间：2020年12月11日-12月25日序号账号名实名认证邀请人数京东卡数量1hw48058091肖*政166102hw12127798周*杰129103hw91736356胡*程129104hw69384020陈*兴119105hw31128896王*杰119106hw80591826彭*115107hw08598957张*香114108hw80113982王*杰112109hw28372802梅*恒1111010hw36273727王*鹏1101011hw91190945蔡*伟1091012hw71039719田*阳1071013hw25232111王*娜1071014hw637782张*君1061015hw12378350徐*1061016hw03431339喻*林1061017hw06242905黄*1061018hw64944153宋*1061019hw51134517李*根1061020hw75150320庞*斌1051021hw00912492朱*盼1041022hw37963111周*洒1041023hw07295419林*1041024hw06626960庞*峰1041025hw30711755莫*1041026hw95598986喻*桂1041027hw33333333崔*旭1041028hw40897759腾*1041029hw75713302王*丽1041030hw58132118唐*鑫1031031hw77336298左*傲1031032hw27903245杨*1031033hw63217233刘*文1031034hw25369293张*权1031035hw26829442杨*1031036hw18144790柳*旭1031037hw95872408金*1021038hw19244516崔*兴1021039hw51280541邵*1021040hw93585505张*宽1011041hw39973870杨*1011042hw84478509陶*燕1011043hwo0owh李*飞1011044hw64321063王*兴1011045hw68076388朱*旋1011046hw22089199崔*彤1001047hw32834814代*伟1001048hw49505031邱*海1001049hw09486829周*明99950hw12872339邹*席98951hw54844750王*98952hw11547276王*伟98953hw26036610吴*立98954hw64294504朱*强97955hw94060126欧*燊97956hw91876293蔡*赢97957hw93539504刘*奇96958hw80892058王*文95959hw84132058冯*浩93960hw53384839陈*君91961hw07141281莫*宁89862hw68530285习*明76763hw97877345黄*平75764Richier叶*活47465wanggui001朱*升41466hw43379831金*41467cfvip0789张*181领奖方式：（添加小仙女微信，发送你的华为云账号截图）

Cloud Native Days China由CNCF携手华为云联合主办，聚焦云原生领域，专注技术探讨和趋势挖掘。自2018年启动以来已走过北京、上海、广州、成都、杭州、武汉等10多个城市，覆盖线下与线上的云原生爱好者5万+，共同享悦云原生技术。 12月19日（星期六），Volcano社区联合CNCF、云原生产业联盟将在北京举办一场关于【云原生AI大数据】Meetup , 本场Meetup聚焦AI、大数据等高性能计算场景在云原生领域的落地实践。 诚挚邀请您届时参会！活动邀请了来自华为云、腾讯、中科类脑和华宇的技术大咖与大家面对面，共话高性能批量计算技术的现状和未来、CNCF首个批量计算平台Volcano的技术架构与落地、云原生在互联网与司法领域的实践经验分享等。时间：12月19日（星期六）13：00-18：00 地点：中国信息通信研究院 地址：北京市海淀区花园北路52号中国信息通信研究院科研楼2层工业互联网展厅 报名方式：识别下方二维码即可马上报名                  立刻报名，现场有丰富奖品等你来拿 活动礼品 社区贡献者专属礼品（凭Github ID领取）打开下方链接，即可为社区做贡献：Github地址：https://github.com/volcano-sh/volcano官网地址：https://volcano.sh/zh/ 转发活动，也有神秘礼品相送规则：将活动文章转发到朋友圈，截图发给小助手，转发的第6位、第18位、第36位、第66位、第100位可获得神秘礼品 注意：参与时间截止12月18日18：00前 备注：小助手二维码见文末 交通指南按分享位置到达信通院北门——主会场的位置在正南方向黄色大楼（科研楼）二楼大厅 备注：报名用户直接在一楼前台提供姓名，审核后即可进入，若遇特殊情况，可联系小助手（小助手微信见文末） Q1:怎么确认报名是否成功？报名成功后，系统会自动发送报名成功提示信息，入场凭信息签到即可。Q2:门票是免费的吗？门票是免费领取的哦！Q3: Meetup有交流群吗？如何加入？长按下方二维码，添加小助手微信回复“活动报名”即可入群，优先获取抽奖资格。识别二维码添加小助手Q4:有线上直播吗？活动当天，我们会在B站同步直播，扫描下方二维码，关注Volcano云原生社区账号，即可预约观看。扫一扫，关注B站直播账号

11月22日，哈尔滨工业大学（深圳）和华为技术有限公司合作的创新实验课程——《华为云ModelArts AI模型开发实战》圆满结课。该课程由华为技术有限公司高级工程师、现任华为云EI图像算法专家——杜奇主讲，哈工大（深圳）实验与创新实践教育中心提供场地和软硬件等支持，共计16学时。课程主要面向有一定计算机基础的本科生，选课通知一经发布，便引起同学们的极大热情，课程容量80人，在两天内即被选完，课程内容如表1所示。《华为云ModelArts AI模型开发实战》的课程内容结合了华为云的技术积累和哈工大（深圳）的专业培养目标，基于华为云ModelArts一站式AI开发平台，向同学们讲解了图像分类、物体检测、人脸识别、OCR和视频分析五大热门AI领域的重要知识点。同学们可以利用ModelArts平台易上手的自动学习、预置算法、Notebook和充足的算力资源，零AI基础、零编程经验也可以进行AI模型的开发。通过本课程的学习，同学们无论是从理论上还是从动手实践上，都学到了AI领域的很多基础知识和经典算法，掌握了一定的模型调优能力。课堂上，同学们积极和老师互动，对杜老师讲授的内容表现出浓厚的兴趣，现场教学效果很好。为深化“引企入教”改革，推进创新教育理念，培养学生创新精神和实践能力，哈工大（深圳）开设企业创新实验课程，并将继续吸引优秀企业走进校园，促进企业需求融入人才培养环节。附：课程PPT、现场授课视频、源代码和实践案例文档获取链接表1 课程内容安排序号教学内容教学要求学时教学方式1人工智能的发展史与现状通过讲解人工智能各流派的发展历史，使学生了解人工智能各流派能解决和不能解决的问题，从历史的角度来看待人工智能技术的发展1讲课2神经网络发展史梳理神经网络的发展历史，使学生了解损失函数、梯度下降、学习率等基础概念是怎么发展而来的1讲课3ModelArts介绍与实验前准备讲师现场讲解演示ModelArts，使学生了解ModelArts能做什么，并进行实验前的必要准备1实验4零代码开发美食分类模型讲师现场演示，再搭配丰富的图文教程，教导学生掌握使用自动学习开发图像分类模型的方法1实验5图像分类介绍梳理图像分类领域的发展脉络，介绍经典数据集和经典算法，使学生掌握图像分类领域的基础知识1讲课6物体检测介绍梳理物体检测领域的发展脉络，介绍经典数据集和经典算法，使学生掌握物体检测领域的基础知识1讲课7使用FasterRCNN预置算法基于海量数据训练人车检测模型讲师现场演示，再搭配丰富的图文教程，教导学生掌握使用预置算法开发物体检测模型的方法2实验8人脸识别介绍讲解人脸相关的不同研究领域，介绍经典数据集和经典算法，使学生掌握人脸识别领域的基础知识1讲课9人脸检测工具对比学生自己动手测试不同人脸检测工具的检测效果，通过对比实验，使学生清楚知道在什么场景下适合用什么人脸检测工具1实验10人脸年龄和表情识别学生自行运行人脸年龄和表情识别算法，分析网络结构，使学生掌握人脸年龄和表情识别的原理1实验11FaceNet算法完成人脸识别讲师讲解FaceNet的网络结构，学生按照图文教程搭建FaceNet模型，并进行模型的训练和预测，从而掌握FaceNet算法实现人脸识别的方法1实验12OCR介绍介绍OCR领域的经典数据集和经典算法，使学生掌握OCR领域的基础知识1讲课13CTPN算法完成文字位置检测通过CTPN文字检测的实验，使学生掌握文字检测和常规物体检测的区别于联系1实验14视频分析介绍讲师讲解视频分析不同领域的应用、经典数据集和经典算法，使学生了解AI在视频方向上有哪些应用1讲课15使用C3D和I3D模型实现视频动作识别讲师讲解C3D模型和I3D模型结构，学生参考实验文档，动手训练C3D模型，并且掌握C3D模型和I3D模型的预测方法1实验宣传海报课堂现场课后留影

摘要：本文主要讲述云原生时代华为云在AI基础研究、视觉预训练模型研发和行业实践，以及AI开发平台ModelArts的最新进展。近日，在Qcon全球软件开发大会（深圳站）上，华为云人工智能领域首席科学家、IEEE FELLOW田奇博士，发表了“云原生时代，视觉预训练大模型探索与实践”的主题演讲，介绍了云原生时代华为云在AI基础研究、视觉预训练模型研发和行业实践，以及AI开发平台ModelArts的最新进展。以下是田奇博士演讲要点：随着企业数字化的转型，传统企业已基本上将业务从线下搬到了云上。其中，第一个阶段是将企业的业务简单地部署到云上，我们可以称之为ON CLOUD，在这种形态下，通过资源池化，解决了IDC时代运维、部署、扩容的难题。但是，传统方法的过于厚重、烟囱式的架构，导致云对业务的价值还仅仅停留在资源供给阶段，未充分发挥出云计算的潜力。随着企业的数字化建设逐步迈入智能化阶段，企业需要充分利用云计算带来的红利，就需要让其业务能力内生于云，由现在的ON CLOUD进阶到IN CLOUD阶段，即基于云的技术架构来构建企业业务，通过构建多云、多中心的分布式架构以及敏捷、智能的企业数字化业务，将企业的数字化建设带入智能化新阶段。此时，云对业务的价值不再是简单的资源供给，还能够以应用为中心，为业务赋能。一站式AI开发平台，加速行业AI落地，践行普惠AI华为云提供了一站式的AI开发平台，加速行业AI落地，践行普惠AI。华为云对AI平台打造了四层体系，第一层是智能体；第二层是知识计算解决方案；第三层是ModelArts Pro，针对专业应用开发套件；第四层是ModelArts Fundamental。对于一站式的AI开发平台，主要聚焦在模型高效、数据高效以及知识高效。这些强大的AI服务，底层都是基于云原生容器的Volcano高效能调度引擎，而Volcano调度引擎将训练任务的效率提升了50%。华为云AI基础研究进展华为云长期扎根AI技术基础研究，在计算机视觉、语音语义、决策优化三个方向做了深入探索与研究。为此，我们针对数据、模型和知识提出了六个子计划。其中，针对模型包含两个计划，一个是针对大模型的模型摸高计划，提供极致的性能；第二是针对小模型的模型瘦身计划。针对数据提出了两个计划，一个是处理多模态的数据魔方计划；另一个是针对小样本学习的数据冰山计划。最后针对知识的高效提取，我们提出了两个计划：建造通用AI系统的万物预视计划以及学习一种新范式的虚实合一计划。在这些计划中，我们始终聚焦在模型高效、数据高效、知识高效等重点方向上。对于自主研发的一些新技术，比如自动学习、知识蒸馏、预训练模型等等，都会以即插即用的方式部署到华为云线上，助力AI行业落地。在众多AI领域中，计算机视觉具有广泛的落地场景，在智能汽车、智能手机、无人机、智能眼镜等应用都有计算机视觉算法的身影。这些年随着计算能力和5G通信技术的极大提高，以计算机视觉为代表的大批AI技术，已跨越了早期仅在研究领域取得进展的阶段，过渡到了与社会环境协同发展、共同促进的阶段。未来视觉AI技术会在千行百业进行落地，比如政府、医疗、工业、能源、交通、物流、金融等等。但是，技术落地也面临着巨大的挑战，由于AI应用的碎片化、定制化等因素，极大地限制了AI在真实环境下的落地部署。为了解决应对AI碎片化等问题，我们提出了预训练大模型的解决方案，希望能用大量无标注的数据和更大的模型来实现更通用的AI系统。在自然语言处理领域，这两年大规模预训练模型取得了突破性进展，但是预训练模型对算力有极大的需求，而且我们预计更大规模、更大参数的模型还会继续出现。因此，受到自然语言处理中预训练模型的启发，在计算机视觉中我们也希望构建通用的AI系统，为下游各种视觉任务提供一个高效的初始化模型。现在主流的学习方式有两种，一种是监督学习，一种是强化学习。监督学习需要海量标注样本，泛化能力相对比较弱，另一种是强化学习，强化学习需要海量的试错，同样缺乏通用系统所需要的可适用性、可重复性以及鲁棒性。我们认为，自监督学习是迈向常识学习的关键步骤，但是目前自监督学习在视觉任务中的应用还不够成熟。过去，在数据标注、模型训练和输出阶段，分别要做大量的重复工作。未来，我们希望可以对计算机视觉或者自然语言处理任务构建一个通用预训练模型，仅通过下游少量的标注样本进行微调就可以高效完成任务，从而大量节约开发成本。视觉预训练大模型研究和实践接下来的报告，我会介绍一下我们在预训练模型方面的工作，主要是在自监督学习过程中预训练模型的一些进展。自监督学习由于不需要任何人工标注便能够学习图像的内在表征，近年来受到了业界的极大关注。在没有人工标注的情形下，自监督学习需要预先设定一些预训练任务辅助模型学习。2016年以前，一些预训练任务推动该领域出现了一些大的进展。自监督学习主要分为两种，一种是生成式，一种是对比式，近几年最新的一些工作大多是基于实例区分的对比学习。基于实例区分的对比自监督学习在最近几年取得了极大的进展，在一些任务上刷新了现有自监督预训练任务的SOTA结果。最近我们在对比自监督学习方面有两项优化工作，首次实现了在ImageNet线性分类任务中达到全监督基线性能，并且在小样本分类上大大超越了之前的方法。然而，现有的自监督预训练模型仍然处于探索阶段，存在大量的问题未能够解决：现有的自监督预训练算法迭代缓慢，很难复制到大模型以及超大规模数据集；另外，相较于全监督学习，其特征表达在大多数下游任务上仅仅能获得与之相比拟的结果，其进一步的性能优势还有待挖掘。因此，如何利用自监督学习在超大数据集合，超大模型上获取更强的泛化性能将会是未来的发展方向。在这里，介绍一下我们最新的几个工作，在对比自监督学习框架下，我们提出了基于邻域保持的混合图像增强，在业界首次提出了利用不同图像数据增强策略提升其泛化性能。过去，对比学习通常利用同一样本的不同数据增强生成正样本集合，并且把其他样本均视为负样本的策略，将样本特征的距离拉近或者拉远作对比学习任务，而我们首次提出了选取不同正样本的方法。同时，提出了基于局部领域混合增强的技术，把多个相似样本的特征拉近，不同样本的距离拉远。我们的方法在ImageNet线性分类评估上，TOP-1的精度达到了75.5%准确率，离监督学习基线76.5%仅仅差了1个百分点。通过对预训练模型在小样本标注数据上进行微调（1%和10%标注的数据），我们的精度达到了最好的结果。接下来介绍一个我们今年刚刚完成的工作，基于等级化语义聚集的对比自监督学习框架。在上述工作的基础上，我们进一步发现即使显示地拉近语义相似性样本，特征表达的可分离特性并没有达到我们的预期目标，这限制了其泛化表征能力。自监督学习仍然存在优化困难，收敛速度慢等问题，为此，我们做了两点改进，第一，我们拓展了自监督学习算法中正样本数目，使得正样本集合能够更加高效的被聚集，同时避免受大量负样本优化的影响。第二，我们在浅层特征上引入对比自监督学习，通过精心设计的浅层优化目标加速训练过程，在浅层特征上实现了更好的可分离性，我们发现这些优势对小样本学习有极大的提升。从结果来看，我们在线性分类任务中达到了76.4%的精度，首次达到了和全监督基线相比拟的性能，而且通过将预训练模型在小样本标注数据上进行微调，在之前的结果上又得达到了新的SOTA，特别地，仅仅使用10%标注，我们在ImageNet 分类上达到了75.1%的TOP-1精度。上述两项工作都是在没有任何标签设置下完成的，更进一步，我们探索了如何把对比学习和数据标签高效地结合起来，通过引入图像真实标签来辅助对比学习，我们认为应该将自监督学习得到的表观特征和监督学习的语义特征相结合，它的本质是把表观相似和语义相似的样本距离拉近，将不相似样本的距离推远。从结果上看，这个工作在各个下游工作中（比如检测、语义分割、实例分割）的表现全面超越了以往的自监督和全监督的泛化能力。华为云的第二个核心研究方向是如何设计高效的视觉识别模型，即模型高效。在这个方向主要聚焦两个方面，第一是如何设计神经网络模型，第二是在神经网络架构搜索中，如何在原子算子层面上进行搜索。关于神经网络模型设计，最初的方式都是手工设计的，这种方式经过高速发展后，也进入了一个瓶颈，因此从2017年开始，自动的神经网络架构搜索经历了一个迅猛发展的过程，也取得了一些可喜的成绩。但是搜索出的网络也面临几个问题，第一个问题，搜索空间仍然是手工定义的；第二个，搜索的卷积算子是人工定义的，而且相比于手工设计的网络，搜索的网络可迁移性也是比较差的。我们在网络架构搜索上第一个工作是P-DARTS，提出渐进的可微分网络架构搜索算法。之前的网络架构搜索面临着搜索网络和测试网络深度不一样的问题，在较浅的搜索网络中搜索出来的架构并不适合较深的测试网络。早期的方法直接加深搜索的深度，但是会造成显存爆炸的问题，并且导致搜索不稳定。为了解决这个问题，我们提出了两个思想，一个是搜索空间近似，第二个是搜索正则化。搜索空间近似，是指采用渐进搜索策略，逐渐加深搜索的深度；同时进行链接权重的学习，把权重比较小的链接运算都扔掉，这样减少了搜索空间。搜索正则化主要是对搜索得到的一些skip connect的数量上的限制。从结果上看，我们把P-DARTS搜索的网络迁移到ImageNet上，在ImageNet分类任务上与基线方法相比提高了两个百分点。P-DARTS网络搜索算法是在P100上完成的，大概需要0.3个GPU-days。与去年同期的DARTS工作进行大致的比较，它的搜索时间是4个GPU-days，而在性能和速度都有超越的情况下，我们的方法只需要0.3个GPU-days。我们在架构搜索上的第二个工作是PC-DARTS，这是业界搜索速度最快的网络架构方法之一，其主要思想有两个，一个是采用局部连接的思想来解决网络冗余的问题，第二个是采用边正则化的思想来解决网络搜索稳定性的问题。并且，这个工作首次在大规模图像数据集ImageNet上进行了神经网络架构搜索。我们最新的一个相关工作是GOLD-NAS，渐进剪枝的单阶段可微分搜索算法。这个算法主要的一个贡献是它打破了传统可微分搜索空间的诸多限制，因此大大增加了搜索空间的容量，并提出了单阶段优化策略和渐进剪枝的优化策略。从结果上看，在扩大的搜索空间中，算法不仅能够找到绝对性能更强的网络，也能找到具有更高性价比的网络。我们第四个工作是卷积搜索，提出对卷积操作进行搜索，当前的模型搜索都是采用一些固定的卷积操作，比如1×1、3×3的卷积，这种方式限制了模型的性能。因此，为了将卷积的设计也纳入搜索的范围，这个工作提出了针对点云任务的基于数据驱动的模型搜索，同时对卷积的结构也进行了搜索，将来将进一步扩展到传统的图像领域。我们最近两年在计算机视觉三大顶会CVPR、ICCV、ECCV大概发表了近百篇文章，基本进入视觉研究领域第一梯队，极大地提高了华为在计算机视觉领域的国际竞争力，同时有一些工作也获得了最佳论文和最佳论文提名。而且最新的算法已经逐渐部署到华为的一站式AI开发平台，在一些行业得到了广泛的应用，下面再介绍一下视觉任务的进展和在行业的实践。第一个进展是图像分类技术，在ImageNet上，今年我们的分类准确率达到了85.8%，而之前谷歌最好的精度是85.5%。从今年3月份以来，我们在这方面一直保持着领先水平。第二个进展是弱标注场景下的图像分类技术。在WebVision大规模弱标注的网络图像分类比赛中，大约有5000个类别的1600万张图像，有90多支参赛队伍竞争，华为云在分类准确率上取得了业界第一的水平。我们把图像分类技术应用到了一些传统行业，比如米旗蛋糕店。结果上看，我们的技术让商品整盘识别率达到了99%以上的精度。另外，我们的模型训练时间小于一天，因此每天都可以进行模型更新，商品的识别时间也小于1秒。第三个进展是图像检测、分割技术，在业界权威的目标检测数据集MS-COCO数据集上，不论是单模型还是多模型，我们都取得了今年业界第一的成绩。我们将检测、分割技术用到了医疗智能体，在今年新冠肺炎AI-CT辅助筛查中实现了自动智能检测，而且已经在各大医院成功部署。我们第四个进展是多模态数据处理技术，相对于单模态，多模态具有天然的互补优势，比如在无人驾驶中除了图像的输入，还有激光雷达信号、GPS、图像分割的数据。在最权威的三维目标检测NuScenes数据上，我们提出的技术也取得了非常好的成绩，我们的结果比第二名领先了3.1%。同时我们将多模态处理技术用在了深圳交通智能体上，实现对红绿灯控制的智能化，在交通总量相同的情况下将平均通行车速提高了15%，将平均等待时间、延误时间下降了17.7%。最后介绍一下华为云一站式AI开发管理平台ModelArts。ModelArts有两个不同层次的版本，一个是ModelArts Fundamental，一个是ModelArts Pro。根据华为云在十多个行业常年的技术积累，ModelArts Pro开发平台主要提供五大类的专业应用开发套件，包括文字识别套件、视觉套件、知识图谱套件、多模态开发套件、自然语言处理套件，还提供了四十多个行业级的高精度预置的算法， 包含数据准备、数据处理、 模型设计、模型管理及部署等等。以上是华为云在视觉预训练模型上的一些基础研究最新进展和行业实践的案例，以及在华为云AI开放平台沉淀的一些工作。谢谢！

如今，机器人流程自动化（RPA）成为企业高管十分关注的技术，并且正在制造业、零售业、电信业、金融服务和保险(BFSI)以及安全等行业领域迅速发展。而随着时间推移和技术进步，将会越来越多地应用在其他行业。如今，机器人流程自动化(RPA)成为企业高管十分关注的技术，并且正在制造业、零售业、电信业、金融服务和保险(BFSI)以及安全等行业领域迅速发展。而随着时间推移和技术进步，将会越来越多地应用在其他行业。这项创新技术围绕自动化和人工智能等其他相关技术能否取得突破性进展的争论也很激烈。考虑到自动化工具和新兴技术的紧密结合，RPA将成为自动化技术的未来。调研机构IDC公司的一份调查报告表明，到2023年，全球企业在数字化转型方面的投资将达到2.3万亿美元。为了使业务操作简单明了，机器人流程自动化是主流的技术进步之一。如果企业管理者希望提高业务运营的效率，采用机器人流程自动化可能是一个理想的选择。1. RPA将成为新的ERP全球系统集成商(GSI)和基于审计的咨询机构将会激励和培训更多的工作人员加入自动化进程。而全球系统集成商(GSI)这种做法就像在上世纪90年代全面推广企业资源规划(ERP)软件一样。很多企业意识到自动化行业已经为爆炸性发展做好准备，并看到采用RPA销售业务和服务能够帮助其客户获得新的回报的机会，就像他们曾经使用ERP一样。2.智能流程自动化(SPA)的兴起智能流程自动化(SPA)是RPA的一种扩展。上一代的RPA是为结构化数据实现自动化而准备的，有一套预先定义好的规则。然而随着技术的发展和进步，简单地结合机器学习功能的SPA机器人就可以替代RPA的“If-Then”规则和声明。SPA基本上允许RPA机器人通过自动化生态系统而获利，其中包括人工智能、海量信息、大数据、机器学习等等。3.人工工作和数字工作的混合RPA将通过执行不可预测、枯燥和单调的任务来使大多数人员的工作实现自动化。这可能会导致人工工作和自动化工作混合在一起。RPA的最终命运将是使用新兴技术进行创新，例如，大数据、数据分析、业务流程自动化、人工智能、区块链、光学字符识别(OCR)等与RPA结合起来，提供强大的自动化功能。与此同时，很多RPA公司也正在致力于技术的进步和发展。4.机器人流程自动化(RPA)产品的差异化更加突出企业如今面临在150多种RPA产品选择最适合产品的难题，并且这些产品在盈利能力要求、设计质量和方法都有了根本性的改变。因此，迫切需要了解这些产品的重要技术差异。RPA产品将在2021年开始出现更加清晰的轮廓，其中RPA产品将分为两大类：一类是在桌面环境中快速获得战略优势的产品，另一类是在大型企业中传达更具战略转型的产品。5.消除文书工作RPA是一种数据驱动的自动化流程，可帮助企业集中精力完成单调的任务和练习，以及帮助工作人员完成耗时的日常工作。由于自动化技术正在迅速发展，因此数字化劳动力(机器人)可能会以高效而强大的能力掌握技能并为工作人员提供帮助。正如某些调查报告所指出的那样，到2025年，自动化市场上将有很多易于部署的RPA模型，这些模型具有预先构建的功能，可用于企业实现各种文书工作的自动化。6. 机器人为远程在家工作提供帮助在家远程工作正在推动企业从全职工作向基于网络远程工作方式的转变。很多企业正在规划和设想“为每名员工配备一个机器人”的战略，这种设想很快就会变成现实，每个员工都将拥有自己的机器人(或数字助理)。据预测，RPA市场的变化将有助于这种持续向远程工作模式的转变。7.机器人与数字工作者的清晰分离此外，对于市场上不同机器人及其功能之间存在的巨大反差，人们将有更加清晰的理解，这很重要，因为它们是企业转型的动力。有一些机器人依靠记录的处理步骤来完成战术任务，却无法适应任何自发的变化，还有进一步发展的“数字工作者”，其操作方式更像人类。这些数字劳动者与不同的机器人并不完全相同，就像一个预先构建的、智能的、高效的、自组织的、多任务的资源一样，它与人类一样使用和访问类似的IT框架和系统，而无需使用API，因此配备可自动执行任何应用程序的流程。8.员工体验将变得更加重要近年来，企业越来越关注客户体验(CX)，并且也在关注类似的员工体验(EX)方法。为什么会这样呢?以2020年发生的冠状病毒疫情为例，很多人面临与经济衰退有关的焦虑和担忧，自动化市场必须通过有助于改善员工体验的流程和操作来解决这一问题，这对于提高员工的士气、敬业度和生产率至关重要。原文标题：Top 8 Robotic Process Automation Trends to Watch in 2021，作者：Preetipadma   来源：51CTO.com  李睿

根据调研机构Forrester Research公司最近发布的一份调查报告，机器学习(ML)对于企业的业务获得成功至关重要。98%的IT领导者认为，机器学习运维(MLOps)将为自己的公司带来决定性的竞争优势。但是，只有6%的公司认为其机器学习运维(MLOps)功能已经很成熟，并且可以从中受益。根据调研机构Forrester Research公司最近发布的一份调查报告，机器学习(ML)对于企业的业务获得成功至关重要。98%的IT领导者认为，机器学习运维(MLOps)将为自己的公司带来决定性的竞争优势。但是，只有6%的公司认为其机器学习运维(MLOps)功能已经很成熟，并且可以从中受益。机器学习(ML)和机器学习运维(MLOps)到底是什么?为了找到答案，先从术语的定义开始。机器学习(ML)是一种可以在不需要人工干预的情况下从数据中学习的人工智能。致力获得成功的企业正在使用机器学习(ML)来优化其业务的各个方面：提高员工生产率、提高客户满意度，以及增加收入。虽然数据量在过去几年中几乎呈指数级增长，但使用机器学习(ML)组织和分析数据的能力却明显滞后。这成为了一个挑战。而面临的一个更大的挑战是将机器学习(ML)模型运用到生产环境中，使应用程序变得更加智能。Forrester公司在调查中发现，只有14%的受访者将机器学习(ML)模型运用到可重复且可靠的生产环境过程中。许多企业正在采取的一种方法是采用机器学习运维(MLOps)。机器学习运维(MLOps)是数据科学家和运营团队在机器学习生命周期中进行协作和通信的实践。在许多方面，机器学习运维(MLOps)正在努力获得与DevOps在敏捷软件开发中实现的机器学习生产率、效率和质量优势。只采用机器学习运维(MLOps)并不能解决企业尝试实施机器学习(ML)所面临的问题。而这是第一步，也是重要的一步，但还需要更多工作。成功采用机器学习(ML)能力的企业已经通过关键流程、工具和持续改进实践来加强机器学习运维(MLOps)。其中一些实践听起来很熟悉，因为它们直接来自工业制造行业中的经验和教训。精益制造的6个精髓50多年来，全球制造企业一直采用六西格码和精益制造技术来解决质量问题。如今，很多企业正在使用其中一些技术来从其数据中创造价值，并在本质上正在成为信息化工厂。(1)自动化(Jidoka)自动化在现代生产工程中起到至关重要的作用——提高产品质量、生产率和吞吐量。Jidoka这一日语术语描述的是具有人类智能的自动化，使机器设备和操作人员能够在发现问题时停止工作，然后立即解决问题，而不必等到生产线停止运行或生产结束。自动化(Jidoka)的概念可以为分析生产线做同样的事情。具有自动化(Jidoka)功能的自助服务可以为机器学习(ML)流程中涉及的每个角色提供基础设施、工具和数据需求。这种类型的自动化可以提高效率并确保符合标准。其结果是，不再浪费时间等待访问合适的环境或尝试配置从互联网下载的新工具。机器学习过程的每个阶段都可以自动调度，从而使整个系统可预测且高效。(2)工具(Tooling)工具在现代生产设备中起着基础性的作用。明智地使用工具可以帮助实现规模化。它可以减少所需的员工技能，同时提高质量，缩短实现价值的时间，提高生产率和速度。如今的信息工厂需要一系列工具来适应每个角色，并满足生产的每个阶段的需求。随着新的、更具挑战性的业务问题得到解决，将需要新的工具。这就引出了信息化工厂的下一个基本要素：研发实验室。(3)研发实验室(Research and development lab)直到现在，大多数机器学习(ML)工具几乎都只专注于模型开发，但这种情况正在发生变化。新的机器学习(ML)工具解决了操作流程和模型生命周期管理。这些新工具可以提高机器学习(ML)模型的效率，并支持下游操作、标准规范和模型治理。使用研发实验室，数据科学家可以在安全和可管理的环境中评估新工具，记录最佳实践并评估潜在收益。一旦被更广泛团队使用，新工具就可以集成在应用程序目录中，该目录可在自助服务提供过程中使用。(4)改善(Kaizen)Kaizen这一日语术语的意思是为了更好或不断改进而进行的更改。它更像是一种哲学而不是一种工作实践，它可以确保更高质量，消除浪费，提高效率。随着越来越多的企业开始扩展其数据科学能力，将会出现新的需求。这些可能包括更多标准化或自动化流程的机会。信息化工厂和相关团队(包括DataOps、数据科学、MLOps、DevOps、运营和商业智能)中工作的集成性使其适合改善(Kaizen)实践。每个人对面临挑战都有不同的看法，因此，应该鼓励他们不断评估如何改进信息化工厂的流程。(5)供应链(Supply chain)多年来，制造商通过使用准时制(JIT)方法进行零件交付来优化他们的供应链。准时制(JIT)将库存保持在最低水平，并消除了将零件移入和移出库存的时间和精力。信息化工厂需要以相同的方式处理数据。尽管大多数企业在多个数据仓库、操作性数据存储和数据池中都有大量的数据，但是发现和访问有用的数据通常是第一个挑战。在许多情况下，数据科学家需要数据工程师帮助复制大型数据集，因为需要读写访问来转换数据，并使其适合于机器学习(ML)模型的构建。这种延迟与理想的准时制(JIT)相比还相差甚远。在机器学习(ML)竞赛中获胜的企业将关注数据供应链，提供全面的数据目录和业务术语表。他们还定期评估和报告数据质量。大多数还使用只读快照，而不是复制数据。现在，许多人开始探索特定的机器学习(ML)特征存储，通过标准化数据的准备方式极大地加快了模型开发。(6)防错(Poka-yoke)最后一个是Poka-yoke，这一日语术语的意思是防错。手机中的SIM卡就是一个很好的例子，制造商将SIM卡去掉一个小角，以防止错误插入。防错(Poka-yoke)有助于防止缺陷的发生。这种类型的防错是以上描述的持续改进过程的一部分(Kaizen)。虽然防错措施的想法有些琐碎，但是想象一下如果把它嵌入到人们接触到的每个过程中，随着数据科学家使用更加自动化的工具实施更复杂的任务，防错措施将显现出其宝贵的价值。通过流程、工具和人才使机器学习(ML)获得成功机器学习(ML)和机器学习运维(MLOps)对于企业的业务成功至关重要，然而大多数企业都未能实现他们的目标。解决这一挑战的第一步是实施机器学习运维(MLOps)。然而，只依靠机器学习运维(MLOps)是不够的。通过获得以上六种行之有效的精髓，企业可以从数据中创造价值，从而获得更大的成功。原文标题：Becoming an ML information factory – 6 lessons we can learn from lean manufacturing，作者：Doug Cackett  来源：51CTO.com  李睿

 摘要：本文主要介绍基于深度学习的物理层应用，并提出一种基于深度Q网络（DQN）的MIMO系统位置信息验证方案，接收者在多变未知的信道环境下利用深度Q网络不断更新。01引言随着移动流量呈现的爆发式增长、高可靠性和低时延的通信场景给当前网络带来了更大的复杂性和计算挑战。据IBM报道，移动数据量到2020年将超过40万亿Gbits，比2009年增加44倍，连接总设备量将达到500亿。为了满足这一需求，需要新的通信理论和创新技术来满足5G系统的需求。近些年深度学习范式的发展使引起了学术界和工业界对基于深度学习的无线通信技术的研究，研究结果证实了深度学习技术可以提高无线通信系统的性能，并有潜力应用在物理层进行干扰调整、信道估计和信号检测、信号处理等方面。02深度学习范式深度学习的概念源于人工神经网络（ANN）的研究，由Hinton等人于2006年提出。如图1所示，深度学习通过建立具有阶层结构的ANN，往往包含一个输入层、多个隐藏层和一个输出层。每个层之间采用不同的权重与邻层之间进行连接，通过对输入信息进行逐层提取和筛选，可以实现端到端的监督学习和非监督学习 。深度神经网络包括前馈神经网络（FNN）、循环神经网络（RNN）、卷积神经网络（CNN）、对抗生成网络（GAN）和深度信念网络等。其中基于门控的RNN，例如长短期记忆（LSTM）网络对于输入有一定的记忆功能，因此常被用于物理层信号处理和信道状态信息估计等。此外，深度学习也可参与构建强化学习（RL）系统，形成深度强化学习，例如深度Q网络（DQN）[1]，可以用于对物理层信号处理策略制定的优化。1）长短期记忆网络作为RNN的一个变体，长短期记忆网络可以有效解决简单循环神经网络的梯度爆炸或消失问题。RNN通过隐状态来存储历史信息。在简单的RNN中，隐状态的每个时刻都会被重写，因此可以看作是一种短期记忆。而在LSTM网络中，记忆单元保存关键信息的时间要长于短期记忆。LSTM网络引入门机制来控制信息传递的路径。门机制取值在0到1之间，来控制信息通过的比例。LSTM网络主要包括了3个门，其中遗忘门控制上一个时刻的内部状态需要遗忘多少信息；输入门控制当前时刻的候选状态保存多少信息；输出门控制当前时刻的内部状态有多少信息需要输出给外部状态。2）深度Q网络DQN将CNN与Q学习结合起来，采用Q 学习的目标值函数来构造深度学习的目标函数，利用记忆回放机制来解决数据之间的关联性问题，并采用迭代更新解决系统稳定性问题。假设环境在时刻所处的状态为，代理根据一定的策略 来采取动作，并获得奖励。然后，环境在时刻转移到以转移概率转移到了下一个状态。在DQN中，代理通过一系列行动与环境进行交互，目的是最大化累积奖励。同时，采用基于卷积神经网络的经验回放来进行Q函数的不断近似。在经验回放中，代理每一步使用ξ-greedy来选择动作，并将每个时刻的学习经验保存在经验池中。在算法的参数更新循环里，对记忆池里的样本进行随机采样或批量随机采样，通过Q学习对模型进行参数更新。并通过CNN来根据之前的经验，不断近似最大的Q值。CNN的损失函数就是近似的Q值与真实Q值之间的偏差，通过梯度下降算法不断调整神经网络的权重，就可不断减少损失函数的值。03 基于深度学习的物理层信号处理应用近年来，学术界和工业界已经出现了一些深度学习应用于物理层的相关工作，研究结果发表深度学习可以提高物理层性能。本小节从物理层信号处理的角度，从信道状态信息（CSI）估计、信号编解码、干扰调整和信号检测四个方面对目前已有的相关工作进行举例和说明。1）基于深度学习的CSI估计精确的CSI获取对于保证无线通信系统的链路性能至关重要。无线网络根据信道估计状态来选择具体的信号控制方案，例如，当CSI较低时，物理层采用低阶调制方案来对抗恶劣的通信状态从而降低误码率。5G通信系统采用多输入多输出（MIMO）、毫米波和非正交多址接入（NOMA）等技术，使得通信双方拥有更多的传输信道，信道估计问题也变得更加复杂。传统的CSI估计方案需要执行具有高复杂度的矩阵运算，受到了计算资源和时延的限制。利用深度学习来得到CSI信息时空和上下行之间的关联性，已经被证实可以提高CSI估计的效率，并减少所需上下行参考信息的数据量[2]。如图2所示，论文[3]提出将历史CSI数据经过一个二维卷积神经网络提取频率特征矢量，再利用一个一维卷积神经网络来从频率特征矢量中提取状态特征矢量。最后，一个LSTM网络用来进行CSI状态预测。由于二维卷积神经网络最初是用来处理图片数据的，因此，作者将CSI原始数据分割成单元格，每个单元格对应一个图片像素。每个频带的CSI和辅助信息对应的像素组成一个频道。因此，N个频带的数据将被转换成N个频道的像素信息，并输入到学习框架中。2）基于深度学习的编解码深度学习在信源编码和信道编码方面的应用，也证明了其可以提高编码效率并降低网络的BER。基于深度学习框架的联合编码方案可以通过循环神经网络实现对本文的源编码（结构化），然后将结构化的信息输入双向的LSTM网络，并最终输出最终传输的二进制数据流。在接收端，LSTM用来进行解码处理。论文[4]提出了就有全连接深度神经网络的编码器，用来提高基于置信传播算法的HPDC解码效率。O’Shea等人在[5]中将整个物理层建模为一个包含了调制、信道编码和信号分类功能的自编码器，并利用卷积神经网络来对自编码器进行训练。如图3所示，在多密集层神经网络的学习框架中，输入信号被编码为独热编码（One-hot encoding），无线信道建模为一个噪声层。交叉熵损失函数和随机梯度下降算法用来训练模型，在输出端将最高概率的输出信号作为解码结果。3）基于深度学习的干扰调整MIMO系统中的干扰调整通过线性预编码技术来调整发射信号，使得接收端的干扰信号可以控制在一个降维子空间里，从而突破MIMO系统干扰问题带来的吞吐量限制。现有工作中已经有研究结果表明，利用深度学习可以提高干扰调整网络中的吞吐量，并取得优化结果。He等人在[6]中提出了采用DQN来获得干扰调整下最优的用户选择策略。在该机制中，中央调度器用来收集所有信道状态和每个用户的缓存状态，并将信道资源分配给每个用户。信道的时变过程用一个有限状态马尔科夫模型来进行建模，系统的状态定义为每个用户的信道状态和缓存状况。中央调度器用来为系统训练处最佳策略，对应的系统动作定义为是否为每个用户分配信道资源来进行数据的传输，来最大化干扰调整网络的吞吐量。DQN也可被用于认知无线电网络中次用户与主用户之间的干扰消除，次用户利用跳频和移动性来抵御干扰者[7]。4）基于深度学习的信号检测基于DL的检测算法可以显著提高通信系统的性能，尤其适当传统的处理模块需要联合优化或是信道无法用常见的分析模型来表征时。论文[8]提出了一个五层全连接的DNN框架嵌入到OFDM接收器中来进行联合信道估计和信号检测。将接收到的信号以及对应的传输数据和导频作为输入，DNN可以推断出信道信息，而且可以用来预测发送的数据。在MIMO中检测中，基于贝叶斯最优检测器的迭代方法已经被证实有较优的性能和中等的计算复杂度。但在很多更复杂的环境下，未知的信道分布条件将限制这种检测器的效果。利用深度学习算法，可以根据一定的输入数据来恢复模型参数，从而提高检测器的自适应能力。同时，在一些情况下，深度学习算法还可以利用一些语义信息，例如接收器的位置和周围车辆节点的信息，来进行波束预测，从而提高系统性能。04 基于DQN的信号检测机制在基于位置服务的场景中，车辆或者用户需要不断发送信标消息来报告自己的位置，从而提高位置服务和网络性能。但有些车辆或用户会选择发送虚假的位置来获取更多的资源，影响了网络服务的效用。在MIMO系统中，传输信号往往包含了丰富的信息（到达角、接收功率等）可以在接收端利用信号检测技术对信标消息进行位置验证。我们提出基于DQN的信号检测机制，可以用于MIMO系统中发送者的位置信息验证和对信息伪造者的检测。主要的思想为，接收端对接收的信号采用最大似然估计进行假设检验，当接收到的信号通过检测检验时，则认为发送信号来自于发送者上报的位置。否则，认为发送者上报了虚假的位置信息。为了提高在多变的信道状态下的检测性能，在接收端基于DQN来预测采用不同的检测阈值可以取得的收益，并选取最优的检测阈值。系统框架如图4所示。1）系统模型 假设检验中的零假设定为发送节点上报真实位置信息，备择假设为发送节点上报了虚假位置信息。在每个时刻，接收端收到发送端的信号都与发送端与接收端之间的真实位置、信道状态和信号到达角有关。在已知发送信息和发送功率的条件下，接收端可以利用最大似然检测来对接收到的信号进行假设检验。2）最大似然检测 接收端采用最大似然检测算法来验证接收到的信号，检测规则定义为：其中代表检测阈值，取值范围为。和代表检测结果分别为正常和虚假上报。和分别为观测信号在零假设和备择假设下的后验分布。根据[9]可得，假设检验的结果（误报率和丢失率）与发送者的实际位置、上报位置、信道状况和检测阈值有关。对于接收端来说，发送者的实际位置、上报位置以及信道状态属于未知或部分已知的环境变量，在与发送者之间不断的信息交互过程中，本文提出接收端可以基于DQN来不断优化检测阈值的选择，从而提高信号检测的准确率。3）基于DQN的检测阈值优化在本文提出的机制中，将接收端的状态空间分为两个维度，第一个维度是发送端到接收端的信道状态，第二个维度是信道检测的结果。信道状态空间包括量化后的一系列信道指标，并假设信道的状态转移符合马尔科夫过程，即信道在当前时刻的状态都只与上一个时刻的状态有关。结果状态空间包括四种：真实数据检测结果为真、真实数据检测结果为假；虚假数据检测结果为真以及虚假数据检测结果为假。在每次动作过程中，接收端的直接奖励与检测结果有关，当检测结果正确时获得正收益，当检测结果错误时获得负收益。接收端的动作定义为进行信号检测的阈值，动作空间包括一系列量化的检测阈值。在每个片刻，接收端的混合策略为选择不同检测阈值的概率。基于本文第二章介绍的DQN原理，接收端在每次经历后，将自己选择的检验阈值、对应的状态结果和收益存储到经验池，利用CNN对Q函数进行训练预测，不断优化对检测阈值的选择。05 总结与未来发展建议在本文中，我们通过现有工作和案例证明了深度学习在物理层通信中的巨大应用潜力。除了以上介绍的几种应用方向，深度学习在端到端通信系统中也得到了一定的应用。不过，目前还尚未有结论基于深度学习的端到端通信系统性能是否会最终超过传统通信系统性能。另外，基于深度学习的物理层应用需要数据驱动，为了提高深度学习模型的训练效率，可以将需要长时间训练的模块进行融合，并需要考虑在良好的性能和训练效率之间的权衡。深度学习应用的兴起主要归功于各种可用的数据集，但目前用于无线通信相关的数据集仍然较少。数据的安全和隐私问题进一步限制了在真实世界对通信数据的访问功能。但为了基于深度学习的通信应用，需要一些开放性电信数据集的发布和共享。最后，5G复杂多变的通信环境，包括MIMO、毫米波通信以及NOMA技术等，也为深度学习的应用带来了巨大的潜力。参考文献[1] Mnih, Volodymyr, et al. "Human-levelcontrol through deep reinforcement learning." Nature 518.7540(2015): 529. https://www.nature.com/articles/nature14236.[2] A. Mousavi and R. G. Baraniuk, “Learning toInvert: Signal Recovery via Deep Convolutional Networks,” Proc. IEEE Int’l.Conf. Acoustics Speech Signal Process. (ICASSP’17), New Orleans, LA, Mar. 2017,pp. 2272–76.[3] C. Luo, J. Ji, Q. Wang, X. Chen and P. Li,"Channel State Information Prediction for 5G Wireless Communications: ADeep Learning Approach," in IEEE Transactions on Network Science andEngineering, early access.[4] E. Nachmani, Y. Be’ery, and D. Burshtein,“Learning to decode linear codes using deep learning,” in Proc. Communication,Control, and Computing (Allerton), 2016, pp. 341–346.[5] T. O’Shea and J. Hoydis, "An Introduction to Deep Learning for thePhysical Layer," in IEEE Transactions on Cognitive Communications andNetworking, vol. 3, no. 4, pp. 563-575, Dec. 2017.[6] Y. He, C. Liang, F. R. Yu, N. Zhao, and H.Yin, “Optimization of cache-enabled opportunistic interference alignmentwireless networks: A big data deep reinforcement learning approach,” in Proc.IEEE Int. Conf. Commun. (ICC), May 2017, pp. 1–6.[7] G. Han, L. Xiao, and H. V. Poor,“Two-dimensional anti-jamming communication based on deep reinforcementlearning,” in Proc. IEEE Int. Conf. Acoust. Speech Signal Process. (ICASSP),New Orleans, USA, Mar. 2017, pp. 2087–2091.[8] H. Ye, G. Y. Li, and B.-H. F. Juang, “Power ofDeep Learning for Channel Estimation and Signal Detection in OFDM Systems,”IEEE Wireless Commun. Lett., vol. 7, no. 1, Feb. 2018, pp. 114–17.[9] Bai, Lin, Jinho Choi, and Quan Yu. “SignalProcessing at Receivers: Detection Theory.” Low Complexity MIMO Receivers,Springer, Cham, 2014. pp.5-28

 摘要：Huawei HiLens Kit是一款端云协同多模态AI开发套件，支持图像、视频、语音等多种数据分析与推理计算，可广泛用于智能监控、智能家庭、机器人、无人机、智慧工业、智慧门店等分析场景。在场景智能化背景下，端侧自身算力有限、开发技能困难，从云侧下发技能到端侧，端侧兼容性差，部署技能困难。华为云提供端云协同多模态AI开发套件——Huawei HiLens Kit，对接华为HiLens多模态AI开发应用平台，支持图像、视频、语音等多种数据分析与推理计算，可广泛用于智能监控、智能家庭、机器人、无人机、智慧工业、智慧门店等分析场景。点击“了解更多”，关于HiLens Kit，你想知道的都在这里！

又是收获知识的一个月时间，AI 全栈成长计划第三阶段课程内容已经全部更新完毕。大家积极的学习态度，遇到问题及时在学习群内提出，让AI全栈第三阶段的课程可以顺利完成再次感谢大家：◎积极完成每章的随堂测验打卡，做到了课后的知识强化与巩固；◎认真完成每周读书笔记打卡，将自己的学习心得总结下来；现在，大家迎来了第三阶段考核，让我们来看一下考核的具体内容。在课程《2.1 NLP介绍》中，大家已经学习了自然语言处理（NLP, Natural Language Processing）领域的常见任务，并使用jieba分词工具实践了分词、关键词提取和词性标注三个基础任务。 在课程中已提到分词任务是一项基础工作，分词之后的结果可用于其他NLP任务。本次考核任务将需要同学们利用jieba分词的结果来实现一个生成词云图的任务。▶考核打卡时间：即日起 - 2020.12.13 23:59▶考核途径：按照指导流程，结合零一老师的直播，生成词云图。▶利用Python脚本生成词云图的步骤如下：1、点此链接下载词云图生成脚本，得到gen_wordcloud.ipynb；2、进入到ModelArts Notebook控制台页面，创建一个Notebook并打开，点击upload，将上一步下载的脚本进行上传，上传完成后，点击打开脚本，仔细阅读脚本中开头的“使用说明”；3、该脚本中的txt_path参数是必填的，你必须你自行准备一份文档数据txt（示例：三国演义.txt，如果你的浏览器打开三国演义.txt是乱码，则改成使用IE浏览器打开）文件上传到ModelArts Notebook中，然后将其路径填写到txt_path参数中；4、bg_img_path参数是用来设置掩模图，设置了掩模图之后，生成的词云图就更好看，比如上面用三国演义.txt生成的三足鼎词云图就是用了一张三足鼎的图片做掩模，该参数可选的，不是必填，如果设置为空字符串，生成的词云图则是一张方方正正的图；5、jieba的分词效果会影响词云图的生成效果，如果您觉得词云图生成得不好，可以调整jieba的分词效果，调整方式是使用jieba.load_userdict或jieba.suggest_freq方法；▶打卡要求：在本帖下方回复您的华为云ID，同时截图词云图界面，截图中需清晰显示您的华为云ID，同时与您回复的华为云ID保持一致，如下图所示：华为云ID：hw18853213 只有在按照要求进行打卡才会得到第三阶段考核证书！三个阶段的电子证书可以兑换实体证书哦，具体兑换方式等待三阶段考核结束后小助手在社群里通知~

农民伯伯也可以玩转的高科技近在眼前 华为云邀您浅谈农业数字化升级国内遥感技术日趋成熟，人工智能独具优势，但在农业领域尚未大规模商用。那么如何借助卫星+AI技术驱动现代农业升级呢？当卫星与农业数字化同频，当AI与农业智慧化共振，现代农业的发展不再只盯着“一亩三分地”。我国有强大的农业卫星遥感资源，农业本身也产生着大量的数据，但在实际应用中不容乐观。虽然AI技术已有突破，但要实现行业赋能的可持续发展，又要如何做呢？针对以上农业行业面临的共性问题，2020年12月4日，华为云云市场·新生态在线直播《智慧农业》，邀请到北京佳格天地科技有限公司的行业资深大咖作为本期直播嘉宾。从农业生产的上游出发，为您分享农业大数据方案、让AI赋能农业，卫星大数据如何驱动现代农业升级，从“会”种地到“慧”种地的制胜法宝。 佳格天地：AI赋能农业+卫星大数据驱动现代农业升级随着我国新型规模化之路的不断推进，当前科技在农业规模化生产发展中的功能和作用已经越来越清晰。未来农业发展将转移到主要依靠科技发展的轨道上来，也将对目前先进农业生产力的各种要素提出更高的要求。佳格天地联合华为云打造了耘境知天农业大数据平台，基于卫星遥感技术、大数据技术、云计算等信息技术和农学知识的高度集成，集成物联网环境视频硬件设备，在华为云ModelArts算力加持下为种植基地面向生产过程提供从备耕、春播、夏长、秋收、冬藏全程all-in-one的数据平台，为县域农业政府部门进一步摸清农业资产底数及其承载力，形成区域农业产业现状全景图，让农业生产从“看天吃饭”到“知天而作”。 更多精彩，请锁定【华为云云市场 • 新生态在线直播】第二十二期《智慧农业》。直播链接：https://bbs.huaweicloud.com/live/marketplace_live/20201204.html【华为云云市场，助您上云无忧】

 华为云API入门学习赛：AI人脸识别本次根据API学习赛（AI人脸识别）比赛指导进行完成。访问人脸检测接口需要进行选取地区等参数之后我们在调用的时候可以直接调用接口参赛心得：本次比赛通过对于AI的模型进行实际操作，了解到了很多知识，尤其时调用API接口进行开发，极大的减少了开发的时间。