设计了atlas200ai加速模块的板子，现在想把芯片的i2c_dac，i2c_scl两个接口复用为gpio，请问这个在驱动里面需要怎么调试呢，我看了Atlas 200 AI加速模块 1.0.10 软件安装与维护指南（复用端口示例 - Atlas 200 AI加速模块 1.0.10 软件安装与维护指南（RC场景，型号 3000）03 - 华为 (huawei.com)）里面的io端口复用说明，但不知道这个i2c复用为gpio是要修改哪里。

“每年可处理200万个单据，企业整体业务效率提升近6.5倍，节约成本近千万！” 这是一组“数字员工”对财务智能自动化应用的总结数据。硬核数据的背后，离不开一个关键词：“华为RPA”。 RPA（Robotic Process Automation） 即机器人流程自动化，指原先需要人工进行的重复性劳动，通过数字技术实现自动化，将人从繁杂的任务中解脱出来。比如在处理企业大量需下载、录入的采购或报销、薪酬数据的表格时，RPA可直接代替人工输入，效率大幅度提升的同时将错误率降至接近于零的水平。 今天，华为把接地气的RPA+AI能力开放共享给参赛选手、创新企业，作为“Fire Up 超级开发者”中关村数字科技联合创新大赛六大赛道之一正式宣布启动！在宣讲会上，中关村软件园总经理张金辉介绍，今年上半年，中关村软件园与华为达成一致，双方共同打造一场以“开源、开放、共享、未来”为主题的行业赛事——中关村数字科技联合创新大赛，实现联合创新发展。希望通过活动对接，实现优势互补，搭建开源合作平台，让创新企业有机会与华为这样的行业龙头企业对接交流，实现“大手拉小手”，让创新企业也能分享数字化、智能化、自动化转型的创新价值。 2020年5月，中关村软件园获批成为中国科协“科创中国”的首批试点单位，确定科教新区、创新社区、产业园区“三区联动”的开源创新基地发展目标。一年多来，园区围绕开源生态建设，完善公共技术支撑体系，打造中关村科技传播中心、中关村工程师学院、人力资源服务等一批服务平台，构建“赛、会、营、孵、投、用”模式，发挥大企业引领带动作用，探索打造深度融合创新联合体；组织以“科技向北”跨界融合产业盛会为代表的各类产业活动，激发园区生态活力。 华为 RPA 领域总经理杨永根介绍，华为发展RPA的理念就是实现无处不在的自动化。通过5年多的实践和应用，目前华为通过RPA部署的内部“数字员工”已超8000+，服务于GTS、财务、HR、供应链、研发等20多个领域。在技术方向上，华为RPA不是把RPA本身作为一种工具去服务客户，而是与工具箱里其它的技术相互组合，形成新的解决方案去服务客户，包括5G、2B、人工智能、云计算的混合云、桌面云等整合在一起，去实现自动化。 在今年8月，华为WeAutomate RPA夏季版本发布会专门发布一款专门针对平民开发者的StuidioE产品，就是让财务、HR、行政等非IT技能的业务人员也可以实现工作任务的自动化。 结合具体方案，华为 RPA 业务发展总监张超进一步介绍，在实际工作中，信息化难以覆盖所有的工作场景，这往往需要低代码平台来解决。而在一些手工处理、手工劳动的环节，需要RPA来助力。  华为RPA产品架构师吕茂林：作为软件技术，RPA使软件机器人像人一样，在不同系统之间进行数据的录入、提取和验证等操作。华为RPA能够整合低代码平台能力、AI能力，实现信息化、自动化和智能化，是破局数字化转型最后一公里的重要武器。 此外，RPA还可以采用录制和图形化编排等方式开发，大大提升开发效率高；部署时也无需改造现有IT系统，具有周期短、风险低等优势。   从使能自身到推动行业，华为RPA的商用价值在不断释放。本次共同举办中关村数字科技联合创新大赛，希望把接地气的RPA+AI能力开放给参赛选手、创新企业，全面打造标杆效应，让人工智能和自动化应用创新的爱好者、从业者通过中关村软件园平台，形成更多自动化和智能化领域应用的实际落地，推动RPA大规模应用。 软通动力CTO刘会福介绍，作为华为生态重要伙伴，软通动力是华为RPA核心服务商。基于华为云云原生和AI的技术底座，结合自身的业务基础、服务能力，软通动力协同华为RPA产品We Automate已经形成成熟的RPA业务解决方案，并在相关行业推广及规模化应用。 软通动力开发的“软通小税、税务小招、软通小财、软通小商、软通小服”等RPA机器人，已在多个领域“发光发热”。而放眼更大规模的场景应用，基于人才、部署成本等因素，RPA商业落地的门槛依然显得比较高。在RPA开发生态层面形成开源开放，有助于各行各业获得快速结合的RPA能力，同时大幅降低传统企业智能化升级的人力、技术等成本，有效带动RPA快速落地，成为破局的共识。 “Fire Up 超级开发者”中关村数字科技联合创新大赛华为RPA赛道以大赛聚人才、以场景促落地、以奖励激活力，发挥园企合力，共同探索形成深度融合创新联合体，为RPA开发者、需求者搭建技术交流、协作创新平台，促进开源生态活跃，带动RPA人才培养、技术创新和场景赋能。此外，在参赛奖励方面，中关村软件园特别为赛道获奖团队准备了办公场地、会议场地免费使用权等园区服务包！希望通过丰厚的奖励进一步鼓励科技创新，探索应用前沿科技，推动RPA人人可用！  2021科技向北中关村数字科技联合创新大赛作为中关村软件园“2021科技向北”跨界品牌盛会的重要产业活动，“Fire Up 超级开发者”中关村数字科技联合创新大赛采用联合创新的方式举行，由中关村软件园联合园区行业头部企业，以中关村软件园为平台，双方共同举办系列比赛，交通银行作为战略合作伙伴给予全面支持。目前，该大赛已形成华为RPA赛道、百度赛道、旷视赛道、科大讯飞赛道、达闼机器人HARIX OS & RDK赛道、智源悟道2.0赛道等六大赛道。来源：搜狐号@中关村软件园 原文链接：https://www.sohu.com/a/488328862_120609795?spm=smpc.news-home.tech-digit-news.1.1630994400194AzfQBSE

随着互联网行业的迅猛发展，全球正在加快新一轮的技术演进。未来，在5G、人工智能、AR/VR等新技术的推动下，世界将进入万物互联的时代，经济发展、城市运行乃至个人生活都将实现数字化、智能化，社会的各个角落都将深度融合到现实与虚拟高度连接的数字世界。文字、图片、语音图像、视频流等成为连接物理世界与数字世界的神奇通道。著名神经科学家Chris Frith 在《心智的构建》一书中提到，我们对世界的感知不是直接的，而是依赖于“无意识推理”，也就是说在我们能感知物体之前，大脑必须依据到达感官的信息来推断这个物体可能是什么，这构成了人类最重要的预判和处理突发事件的能力。而视觉是这个过程中最及时和准确的信息获取渠道，占据了人类对外捕获信息的80%，视觉AI之于人工智能的意义就是视觉之于人类的意义。我们期待通过视觉AI这个连接未知世界的窗口，赋予各行业设备一双“慧眼”，在看的同时捕获颜色、光照、形状和距离等相关细节，并作出理解和预判，并不断“自主学习”帮助它越发了解这个未知世界，从而将人们从大量重复的劳动中解放出来，代替我们完成更多的任务，让智慧生活从想象成为现实。 高成本、高门槛成AI应用发展瓶颈新一代技术创新推动新一轮产业发展的同时，也带来了对全新AI应用体验的海量需求。视觉AI在不断深化传统汽车、安防、娱乐、物流、医疗、交通等行业与“智能化”概念融合，并逐步改变传统行业格局的同时，也为各行业开拓了全新、海量的应用场景，如无人机、无人驾驶、人脸识别闸机、AR/VR、物流包裹分拣、癌症诊断、病理切片、智慧城市等“智能体”。然而，面对全新视觉AI应用场景的海量需求，单靠算法支持是远远不够的，离实现真正的智能化还有很长的路要走。想象一个普通场景，假设我们要开发一款应用于园区、商场等门岗的能自动识别进出车辆号牌的智能监控摄像头，代替大量简单重复的人力劳动，节约商家成本，自然需要智能系统满足至少接近人类水平的车牌号识别能力和迅速的推理结果响应。对商家而言，最关注的是：以尽可能少的成本开发具有更大价值的产品，其中，成本包括智能系统开发成本、支撑系统运行的软硬件成本以及后期维护和管理成本，而且注重数据安全性。而对于开发者来说，想要模型部署到边缘设备，还需要考虑芯片 (CPU/GPU)、内存、网络带宽和稳定性等各种设备规格在内的开发问题，在性能极度受限的芯片上高效地开发高质量推理摄像机是一个挑战系数较高的难题：首先涉及到端侧设备采集到的原始数据的存储、预处理问题，如果海量数据上云将消耗大量带宽，服务响应也会产生严重时延问题；其次，模型训练不仅依赖算法和由硬件支配的强大算力，而且，支撑深度学习框架的底层相关组件的开发非常复杂，系统平台兼容性问题的处理较繁琐；再者，不仅需要关注技术，还需要聚焦业务，如何有效管理和维护海量设备和其具有的各项技能？涉及个人隐私及安全问题如何有效处理？等等。延伸至各行业不同场景下的AI应用发展现状，无论对于个人、团体还是企业，开发一套智能系统成本高、门槛高，这已成为视觉类AI应用快速落地面临的首要挑战。 华为云HiLens助力AI应用快速落地针对以上难题，华为依托领先的“AI + IoT”能力和工程化能力，面向开发者、企业以及设备生产厂商，发布了一套完整可靠的一站式视觉AI应用开发、部署和管理服务平台——HiLens，着力解决当下共同面临的开发问题，提供“端”、“云”、“芯”为一体的多种开发方式和视觉设备的端云协同管理服务，进一步降低开发门槛，帮助实现覆盖商超、园区、家庭、车联网、安平、工地、广告媒体等多种领域、不同场景下的定制化视觉AI应用开发。与此同时，华为云HiLens还发布了一款专为开发者用于端云协同视觉应用开发的载体——Hilens Kit。它针对开发者专用于端云协同视觉应用开发，搭载了华为AI芯片Ascend 310(8GB RAM)和CPU Hi3559A(4GB)，可以实现1秒百帧的处理能力，毫秒级人脸检测；同时，内置轻量级容器，具备内存和网络带宽资源占用少、降低网络带宽、下载启动时间快等特性。通过HiLens开发生成的AI技能可以直接批量部署到端侧HiLens Kit, 方便开发者调试，极大降低后期技能的维护成本。另外，华为云HiLens平台还提供技能市场，预置丰富的技能，针对园区、商超、交通路口等不同场景，覆盖人形检测、人脸识别、异常声音检测等多种应用，供开发者和企业使用。同时，开发者还可将自己开发好的技能一键发布到技能市场，供其他人购买和安装，也可分享为技能模板，给他人开发技能时做参考。华为云HiLens作为可定制化的高效视觉应用开发平台，与计算强劲的HiLens Kit一起，将通过端云协同管理和软硬件一体化开发方案持续降低开发门槛，并通过HiLens技能市场衔接上下游企业，加速各行业场景下的AI应用落地实施，让智慧生活从想象加速变成现实。开发者视窗华为云HiLens作为视觉AI领域通用的开发平台，结合华为云其他综合服务，从易用、可靠、开发效率、隐私、硬件适配与系统兼容、个性化定制服务等方面全方位考虑开发者使用感受。通过HiLens,开发者可以获得开发效率和设备管理效率的最大限度提升，同时，华为Ascend 310 AI芯片以其强劲的双精度运算能力为模型高性能保驾护航。从开发者角度而言，只需简单的四步：创建模型、导入模型、创建入口代码（即端侧设备的逻辑代码）、模型部署，最快10分钟即可定制符合场景需求的模型，部署到任意已注册的端侧设备运行，后期还能通过HiLens技能管理平台一键实现端侧设备的技能升级和卸载。开发者操作模型导入时，既可在HiLens平台一键导入已有模型，也可基于华为云一站式AI开发平台ModelArts，使用任何熟悉的开发语言（如python, java等）和各种深度学习框架进行模型开发和训练（ModelArts可提供全面的AI计算基础设施，包括硬件基础设施、支持多种语言和不同深度学习框架的开发环境），HiLens平台支持导入ModelArts训练的模型来开发技能。针对端侧，华为云HiLens对外提供一套统一的Skill Framework Python API接口，屏蔽了不同的开发语言，并支持多种开发框架（Caffe、Tensorflow等）；另外，其底层封装了系统平台适配层，且基于HiAI Engine自适配底层芯片，可无缝对接端侧设备，让开发者无需操心底层硬件的适配和系统平台的兼容问题，使开发更容易上手，开发效率更高。对于模型训练和推理，华为云HiLens具有独特的端云协同推理模式，利用每个端侧设备独有的部署环境和原始数据进行初步数据处理和推理，而在云侧针对设备的个性化需求进行在线训练，实现设备的在线自动学习与更新，提高模型精度，让摄像头更聪明；其次，HiLens提供的端云连接持续可靠的通信组件，使端侧设备对于与云端仅有间歇性连接或者无连接的场景，也具备制定决策的能力，在未连接网络的情况下也能保持设备状态同步；端侧支持HiAI移动计算架构，内置专用硬件加速单元，与CPU处理AI运算相比，拥有约50倍能效和25倍性能优势，成为具有强大AI算力、支持硬件加速、性能强劲的开源开发板；另外，端侧针对深度学习还预装了高效、高性能且经过优化的推理引擎，进一步提高模型训练与推理过程的性能。未来是智能主宰的时代，华为将在人工智能领域不断发掘和深入，全方位打造良好的人工智能生态，希望华为云HiLens可以激发广大开发者的创造性，开发出更具有想象力和全新体验的技能，为建设万物互联的智能世界增砖添瓦。华为云HiLens团队将于12月26日首次对外直播教学 ，结合刚上新的深度学习推理摄像机HiLens Kit，安装并展示多个AI算法，让观众对HiLens如何实现AI落地有一个更直观的了解。

AI人工智能技术日趋成熟，尤其是视频分析技术被广泛应用到应急管理工作中，可进一步提升监测预警能力以及促进安全生产监管信息化和智能化。那么，如何借助AI视频分析技术提升应急管理服务呢？如何在预防风险发生方面，对潜在危险源发掘，有提前识别、上报风险的效果。如何提高企业的安全风险认知和以安全生产监管能力，达到信息化和智能化。峰科技联合华为云推出场站智能视频分析系统的边云协同联合方案，利用人工智能和深度学习在视频与图像识别方面的应用，解决应急场站中的安全隐患。有效防范化解重大安全风险各类无感识别应用技术的支撑即精度要无穷接近于1。基于光学、声学、各类波的识别端（自带ascend、MindSpore）+无感边缘服务+Modelarts平台的全栈支撑综上所述一一对应。端边云的协同部署将非难实例高效解决在端，特殊定制化实例化解在边缘服务，难题型实例利用光纤、5G网络连接Modelarts交给atelas900集群解决，让精度和速度完美匹配边-云协同的智能视频分析，视频解析的主要流程1，获取视频流数据通常数据流来自视频联网平台的实时视频流数据2，视频流解码目前主流的是H.264,H.265的视频流解码，采用专用的硬件解码单元，将不会对CPU或其他设备计算资源带来的影响3，人车目标识别对机动车，非机动车，**进行目标检测，并进行目标跟踪，跟踪的轨迹信息将用于交通流量检测，转向识别的统计。4，车道线识别减少人工标记车道线的工作量5，红绿灯目标识别可实时获取路口的红绿灯状态6，各种数据将汇总并以结构化的方式输出，供后续业务基于该数据进行业务处理常用的结构化输出数据包括基于车道的车流量，排队长度，车速和红绿灯状态

AI Gallery是基于华为云一站式AI开发平台ModelArts的托管式AI资产仓库，开发人员可以将机器学习开发流程中的各种资产进行分享，包含数据集、算法、Notebook案例、训练作业、模型、API等。AI Gallery在ModelArts的基础上构建的开发者生态社区，提供算法、模型、数据集等内容的共享，为高校科研机构、AI应用开发商、解决方案集成商、企业级个人开发者等群体，提供安全、开放的共享及交易环节，加速AI资产的开发与落地，保障AI开发生态链上各参与方高效地实现各自的商业价值。https://marketplace.huaweicloud.com/markets/ai/gallery.html算法模型数据notebookAI说课程论文实践行业专区更多低门槛开箱即用，零基础3步即可构建AI模型高效率AI 开发全流程可视化管理，生产效率百倍提升高性能自研 MoXing 框架，极致提升开发效率和训练速度易运维灵活支持多厂商多框架多功能模型统一纳管AI Gallery中，支持算法、模型、数据集、Notebook案例和技术文章的共享。    “算法”支持发布和订阅共享的算法进行使用。    “模型”中共享了模型和HiLens技能，支持发布和订阅共享的模型进行使用。其中，HiLens技能为HiLens服务的技能市场功能，详细指导请参见《HiLens用户指南》。    “数据”支持发布和下载共享的数据集进行使用。    “Notebook”支持直接在ModelArts控制台打开使用Notebook案例。AI Gallery使用限制    目前从容器镜像创建的算法暂不支持发布到AI Gallery。    目前自动学习产生的模型暂不支持发布到AI Gallery。    订阅或购买AI资产，本质上是购买算法、模型或HiLens技能的使用配额，在配额定义的约束下，有限地使用模型、算法或HiLens技能。    使用算法/模型，需要消耗硬件资源进行部署，硬件资源费用将根据实际使用情况，由华为云ModelArts等管理控制台向使用方收取。    已发布的资产目前暂不支持删除，如果不需要在资产列表中展示该资产，可以将资产下架。下架的本质是将已发布资产的状态修改为草稿（即仅发布者可见）。已经被订阅的资产，即便资产下架后，基于配额资源的约束，仍然可有效使用该资产，不会因为该资产的下架而产生使用问题。    支持自己订阅自己发布的资产。算法介绍AI Gallery的算法模块支持算法的共享和订阅。在AI Gallery的“算法”中，可以查找您想要的算法，订阅满足业务需要的资产，最后推送至ModelArts控制台中使用。也可以将个人开发的算法分享发布至AI Gallery中，共享给其他用户使用。模型介绍AI Gallery的模型模块包括模型和HiLens技能。在AI Gallery的“模型”中，可以查找您想要的模型或HiLens技能，订阅满足业务需要的资产，最后推送至ModelArts或HiLens等管理控制台中使用。也可以将个人开发的模型或HiLens技能分享发布至AI Gallery中，共享给其他用户使用。数据介绍AI Gallery的数据模块支持数据集的共享和下载。在AI Gallery的“数据”中，可以查找并下载满足业务需要的数据集。也可以将自己本地的数据集发布至AI Gallery中，共享给其他用户使用。Notebook介绍AI Gallery的Notebook模块为开发者提供免费分享和灵活使用Notebook案例的功能。您可以将优秀的Notebook代码案例发布在AI Gallery社区，供其他开发者学习使用；也可以在AI Gallery上查看其他人共享的Notebook案例的详细描述、代码信息等，通过“Run in ModelArts”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。

【ST测试】Unravel_Index算子【问题现象】算子可以部署到opp算子库但是在日志中还是显示的tf算子的运算时间还有一个问题，UT测试中的输入数据shape跟ST测试中的输入数据shape有没有关系，是否需要满足什么条件。

后台发布商品，内容基本要求（注意点）：算法发布：https://marketplace.huaweicloud.com/markets/holosensstore/usercenter/algorithm_upload.html1.图片或各类文字描述中涉及脸部、人名、地名、车牌、其他公司信息等，须得到授权许可，否则请打马赛克或模糊化处理。2.描述中不能出现相关敏感词。（具体词汇请咨询运营）3.图片或视频内容如是摄像机拍摄画面，必须为华为摄像机拍摄，需完整、清晰、美观，不可出现其他公司logo、公司名、二维码等。4.商品场景（最多父级5个）、算法分类、适用平台请选择相关，规格说明处，摄像机型号，SDC OS软件版本需与手册保持一致，请按实际适配情况及规范填写信息。基本信息填写规范：一、算法名称1.名词组+动词（组）的形式，如安全帽检测、秸秆焚烧识别（D系列的命名，以-SDC D系列的形式展现）。2.名称应描述准确，与内容相符，软件与软件著作权证书中软件名称相符。3.名称应与业界命名规范一致，不可以出现拼写错误，如：将wordpress拼成wordpess。4.名称不能扩大宣传，不可以直接借助华为名义，如：命名为“华为XXX解决方案”。5.名称仅用于对商品命名，介绍、价格、版本等与命名无关内容，请勿出现在商品名称中。6.长度为3到25个字符。7.相同公司相同算法名的商品不能重复上架，如果需要修订更新商品包，之前的需要下架不再展示出来。8.子市场审核通过前可修改名称。二、算法描述1.清晰的介绍算法场景功能，不要夸大效果，例如检测精度100%和实际用户手册中的描述不符合（手册是测试过的），不要过分夸大，90字以内，描述文字要清晰易懂。（算法描述里面不允许出现大篇幅的营销广告内容）。2.算法描述尽可能表达算法的应用效果与核心功能，使用户能感知算法的作用。3.字体要一致，排版要规范，保持整齐美观，请勿出现大量无故换行。4.不建议放入二维码或链接等类似跳转信息。5.不应出现通过其他方式获取商务等描述，如：商务申请或详细价格请咨询xxx。6.如果商品还不能交易，不能简单使用联系我们之类的方式。应给出明确的可上市交易的时间计划。（后台“商品管理——算法基本信息——算法描述”处添加文案）。                                         参考文案：产品暂未商用，预计上市时间：xxxx年xx月xx日，给您带来不便之处，敬请谅解！（如字符长度限制，“给您带来”及后的文案可不加）三、算法LOGO1.推荐分辨率为120*120px，比例1：1，超出部分会被自动裁剪，大小不超过5M。2.图片支持JPG/JEPG/PNG/GIF格式。图片需显示完整。3.涉及到车牌、脸部等隐私相关内容，需要提供相应的书面授权文件，必要时需通过打码的方式处理。有些打码直接涂黑影响整体美观的需要审视。4.涉及到人物的图片需避开脸部正面照。好望商城商品logo规范：https://bbs.huaweicloud.com/forum/forum.php?mod=viewthread&tid=49347&page=1&extra=四、算法封面1.推荐分辨率为800*600px，比例4：3，超出部分会被自动裁剪，大小不超过5M。2.图片支持JPG/JEPG/PNG/GIF格式。图片需显示完整。3.涉及到车牌、脸部等隐私相关内容，需要提供相应的书面授权文件，必要时需通过打码的方式处理。4.封面上的算法名称要和实际算法名称保持一致，修改算法名称时需要同时修改。5.图片内容如是摄像机拍摄画面截图，需确认是华为摄像机的截图（从画面的OSD是可以识别的）。6.不能出现非华为产品也非伙伴产品的其他厂商产品信息。7.重复图片建议删除。商品配图规范：https://bbs.huaweicloud.com/forum/forum.php?mod=viewthread&tid=49346&page=1&extra=五、多媒体介绍1.图片显示完整，应当反映算法在关键场景下的使用片段。2.图片露出不允许出现友商或者其他公司的LOGO、文字等与产品无关的信息，图片要与算法内容相关；3.最多上传5张图片。（视频第一帧为封面，且只允许上传一个视频）。4.视频第一帧的算法名称要和实际算法名称保持一致。5.视频需无背景杂音，如配音需和视频内容相关。六、使用手册1.算法的使用手册，用于商品详情页的展示，指导用户使用算法。2.请选择.rar/.zip/.doc/.docx/.pdf/.ppt/.pptx格式文件，≤20M。3.仅支持上传一个，手册不可出现敏感词、脸部图片，其他公司信息等，适配规格、软件版本与详情页一致。七、商品优势标题：1~25个字符，体现竞争力核心，解决了什么行业难点，预见未来趋势，如：落地案例。描述：1~80个字符，描述对应标题的具体竞争力、行业难点、未来趋势，不可体现敏感信息，项目落地数量、落地案例，数据真实，不可夸大。八、场景约束1.最多支持上传10个，标题最多10个字，描述最多80个字，不能出现敏感信息，表述商品的约束场景。2.对环境、硬件设备的要求应通过浅显易懂的语言描述清楚。比如：高抛算法，对硬件要求门槛明示清楚，楼高、安装距离、像素、天气、能见度、风力等级数字化呈现，避免让人感觉算法效果描述是全场景可实现。3.避免用专业晦涩的语言。如果为了专业需要，可以同时提供专业和大白话两种方式，互为印证，帮助客户理解。九、图文介绍1.参见提示文字的标题与文本格式输入具体的应用解决方案，并删除占位文字与图片。2.文字与图片合计字符长度在 0 到 2500 个字符之间。3.图片支持JPG/JEPG/PNG/GIF格式，最多上传3张图片，每张大小不超过5M。4.涉及到车牌、脸部等隐私相关内容，需要提供相应的书面授权文件，必要时需通过打码的方式处理。5.不可使用外链，如使用图片，需是原创。十、关联商品1.采用本算法的解决方案：（支持填写和选择）选择：选择本公司已上线的解决方案，解决方案需与算法、应用在详情页相互关联。填写要求：名称最多25个字，描述最多90个字，无敏感信息，如还未上线，需一个月内上线解决方案2.配套应用：（严选商品必须华为侧应用闭环，华为侧闭环及自闭环时，优先展示华为侧闭环应用）支持已有（选择）和暂无（填写）选择：可选已经在售的相关应用填写要求：名称最多25个字，描述最多90个字，无敏感信息，一个月内上线相关应用需要填写明确的闭环应用，比如：iClient S100 等云市场审核：（卖家中心操作）1.是否公开销售：一般选择“是”，如产品快速上线，用于项目交付，或者产品质量问题暂无法商用，请选择“否”。2.商品标签，必选“机器视觉”，其他相关选填。3.合同名称，必须选择对应公司的合同名称才能发布，如为新合作伙伴，请联系运营生成合同。4.计费方式，要求必须同时配置以下两种计费方式：a、免费体验包：算法试用场景，使用该计费方式。套餐包配额，只能填写为“5”或者“10”，表示支持试用的路数。价格（元）：固定为“0”。b、按次：算法正式销售时，使用该计费方式。请根据使用路数设置价格。5.软件著作权证书，软件商品须上传与商品名称相符的软件著作权证书，且著作权人须与发布商品公司主体一致。a、不能没有软著上架b、合作伙伴可以提供一个通用的软著，再出一个承诺函，然后一起打包上传来代替单一算法的软件著作书文件大小不超过20M。最多支持上传5个。6.支持范围，必须包含：服务电话、邮箱，服务时间，服务内容（实际服务描述具体清晰）好望商城（算法、应用、硬件、解决方案等）：https://marketplace.huaweicloud.com/markets/holosensstore/好望云服务官网：https://www.huaweicloud.com/product/ivm.html

最近阅读了AI科学计算相关的几篇综述论文[1-3]，深受启发，在这里做一个阅读笔记，和大家分享一下。背景多物理和多尺度系统的动力学建模和预测仍然是一个开放的科学问题。以地球系统为例，它是一个独特的复杂系统，其动力学受到物理、化学和生物过程相互作用的复杂支配，这些过程发生在时空尺度上，跨度达17个数量级。在过去的50年里，通过使用有限差分、有限元、甚至无网格方法数值求解偏微分方程(partial differential equations，PDEs)，在从地球物理到生物物理的不同应用中，对多尺度物理的理解取得了巨大的进展。这些方法虽然可以解决低维问题(比如三维问题)，但随着维度的增加，事情很快变得更加困难。玻耳兹曼方程就是一个很好的例子：相空间的维数和碰撞核的非局域性使得用上述算法求解玻尔兹曼方程变得非常困难，即使它的维度远小于多体薛定谔方程。这就引出了我们所面临的许多难题的核心问题——维度灾难(curse of dimensionality，CoD)：随着维度的增长，复杂性(或计算成本)也呈指数增长[1]。多尺度建模克服上述困难的一个重要思想是多尺度建模[2]：通过将小尺度下的无关紧要的自由度整合起来，人们应当能够直接使用更可靠的微观尺度模型，为我们感兴趣的宏观尺度过程提出更为有效的算法。这种方法适用于广泛的科学学科。然而至今为止，多尺度模型并没有像20年前预期的那样取得引人注目的成功，因为它面临以下挑战：1. 微型模型往往不是那么可靠。例如，在研究裂纹扩展时，我们经常使用分子动力学作为微尺度模型。但是，分子动力学模型对于涉及断键的动态过程的准确性常常是值得怀疑的。2. 尽管多尺度建模可以大大减少所需的微尺度模拟的大小，但它仍然超出了我们目前的能力。3. 我们利用多尺度建模的主要好处是分离了问题的微观和宏观尺度。但对于最有趣和最具挑战性的问题，这种方法通常会失效。4. 在技术层面上，高效的多尺度建模需要有效的算法从微尺度模拟中提取所需的相关信息。这是一个尚未得到充分解决的数据分析问题。机器学习带来转机机器学习的最新进展为我们逼近多变量的函数提供了前所未有的能力。深度学习已经成功地解决了高维问题，如高分辨率的图像分类、语言建模和高维偏微分方程。这种成功的一个原因是神经网络可以在目标函数是局部函数的层次组成的条件下打破维度灾难。这让我们可以回到所有因CoD而变得困难的问题。它还提供了一个机会，通过添加一个新的维度来重新检查上面讨论的问题。机器学习有很多不同的方法可以用来帮助解决科学和工程领域出现的问题，我们将集中讨论以下问题：如何使用机器学习来找到新的可解释的和真正可靠的物理模型？纯数据驱动的机器学习模型可能可以完美拟合观测结果，但由于推断或观测偏差可能导致较差的泛化性能，预测可能在物理上不一致或不可信。以下是在机器学习的帮助下构建新的物理模型的基本要求[1]：1. 模型应满足以下要求：（1）表达基本的物理原理(例如守恒定律) ，（2）遵守物理约束(如对称性、框架无差异)，（3）尽可能做到普遍准确 ，（4）具有物理意义(可解释)；2. 用来构建模型的数据集应该能够很好地表示模型所要用于的所有实际情况；3. 为了减少人工干预，构建模型的过程应该是端到端的。物理知识与机器学习融合将物理知识与机器学习融合相当于引入适当的观察、归纳或学习偏差，从而引导学习过程，以找到物理上一致的解决方案[3]。· 观测偏差观察数据可能是最近机器学习取得成功的基础。当给定的数据可以覆盖学习任务的输入域时，机器学习方法在实现点之间的精确插值方面显示了非凡的能力，即使是在高维任务中。特别是对于物理系统，传感器网络的快速发展使得获取大量的观测数据和监测复杂现象跨越多个时空尺度的演变成为可能。这些观测数据可以反映指示其生成的潜在物理原理，原则上可以作为一种弱机制，在机器学习模型的训练阶段将这些原理嵌入到模型中[4]-[7]。然而，特别是对于过度参数化的深度学习模型，通常需要大量的数据来强化这些偏差，并生成符合某些对称性和守恒定律的预测。在这种情况下，一个直接的困难与数据获取的成本有关。对于物理和工程科学的许多应用来说，数据获取的成本可能是非常大的，因为观测数据需要通过昂贵的实验或大规模的计算模型产生。· 归纳偏差设计专门的神经网络架构，将与给定预测任务相关的任何先验知识和归纳偏差嵌入架构。以卷积神经网络为例，通过巧妙地遵循自然图像中对称组和分布模式表示的不变性，彻底改变了计算机视觉领域。卷积网络可以推广到旋转、反射和更一般的规范对称变换。这使得在只依赖于内在几何的流形上开发一类非常通用的神经网络架构成为可能，从而为涉及医学图像、气候模式分割等计算机视觉任务提供非常有效的模型。平移不变表示也可以通过基于小波的散射变换来构造，这种变换对形变是稳定的，并且可以保留高频信息。另一个例子是协变神经网络（covariant NNs）[8]，专为符合多体系统中存在的旋转和平移不变性而定制。尽管这些方法具有显著的效果，但目前这些方法仅在相对简单且定义良好的物理或对称群任务中有效，并且需要通过精细的设计来实现。此外，将它们扩展到更复杂的任务是具有挑战性的，因为许多物理系统的基本不变性或守恒定律往往难以理解，或难以在神经体系结构中进行隐式编码。广义卷积并不是把归纳偏差嵌入架构的唯一选择。例如，神经网络输入变量交换下的反对称性可以通过矩阵值函数的行列式得到[9]；在大规模原子模型中，将基于物理的键序势模型与神经网络相结合，将结构参数分为局部和全局两部分来预测原子间势能面[10]；采用不变张量基将伽利略不变性嵌入到网络结构中，显著提高了湍流建模中神经网络的预测精度[11]；通过修改自动编码器来代表库普曼算子，从而识别坐标变换，将非线性动力学重新转换为近似的线性动力学[12]。当神经网络用于求解微分方程，可以通过修改结构来完全满足所需的初始条件[13]，Dirichlet边界条件[14]，Neumann边界条件[15, 16]，Robin边界条件[17]，周期边界条件[18,19]和界面条件[17]。此外，如果偏微分方程解的一些特征是预先知道的，也可以将它们编码到网络结构中，例如，多尺度特征[20, 21]、偶/奇对称和能量守恒[22]、高频[23]等等。· 学习偏差学习偏差可以通过选择合适的损失函数、约束和推理算法引入，这些算法可以调节机器学习模型的训练阶段，使其收敛到符合基本物理知识的解决方案。通过使用和调整这种软惩罚约束，基本的物理定律可以被近似地满足。这提供了一个非常灵活的方案来引入一类广泛的基于物理的偏差，这些偏差可以以积分、微分甚至分数方程的形式表示。代表性的例子包括deep Galerkin方法[24]和PINNs及其变体[25-28]。PINNs的框架如下图所示，它将偏微分方程及其初始条件和边界条件作为损失函数来训练神经网络。这些使机器学习算法倾向于物理一致的解决方案并不是相互排斥的，可以有效地组合，从而产生非常广泛的混合方法，用于构建物理知识与机器学习相融合的模型。展望尽管最近物理知识与机器学习融合取得一定的成功，但作为一个新兴领域，它仍然面临巨大挑战：· 新的算法和计算框架基于物理的机器学习模型通常需要训练具有复杂损失函数的大规模神经网络，这些神经网络通常由多个项组成，因此是高度非凸优化问题。在训练过程中，损失函数中的各项可能会相互竞争，训练过程可能不是鲁棒和足够稳定的，无法保证收敛到全局最小值。为了解决这个问题，需要开发更加鲁棒的网络结构和训练算法。与经典的分类或回归任务梯度下降时只需要计算一阶导数不同，基于物理知识与机器学习融合的方法通常涉及高阶导数。目前，TensorFlow、PyTorch等流行的软件框架并没有很好地支持它们的高效计算。一个高效计算高阶导数的计算框架可以大大降低计算成本，促进物理知识与机器学习融合的方法在不同学科中的应用。除了整数阶导数，积分算子，甚至分数阶导数在物理知识的学习中也是非常有用的。· 数据生成和通用的评价指标在科学计算领域，很多数据无法通过实验获得（例如密度泛函理论和分子动力学模拟、湍流的直接数值模拟等），它们需要消耗大量的时间和计算资源。因此，应该仔细考虑如何使这些数据公开可用，如何管理这些有价值的数据，以及如何包括生成这些数据库所需的物理模型和所有参数。此外，还需要研究人员共同努力来设计有意义的基准，以测试新提出的基于物理的算法的准确性和速度，这是一项非平凡的任务。参考文献[1] Weinan E, Jiequn Han, & Linfeng Zhang, Integrating Machine Learning with Physics-Based Modeling, Preprint at arXiv(2020).[2] Weinan E, The Dawning of a New Era in Applied Mathematics, Notice of the American Mathematical Society (2021).[3] George Em Karniadakis, Ioannis G. Kevrekidis, Lu Lu, Paris Perdikaris, Sifan Wang, & Liu Yang, Physics-informed machine learning, Nature Reviews Physics, 3: 422–440 (2021).[4] Lu, L., Jin, P., Pang, G., Zhang, Z. & Karniadakis, G. E. Learning nonlinear operators via DeepONet based on the universal approximation theorem of operators. Nat. Mach. Intell. 3, 218–229 (2021).[5] Kashefi, A., Rempe, D. & Guibas, L. J. A point- cloud deep learning framework for prediction of fluid flow fields on irregular geometries. Phys. Fluids 33, 027104 (2021).[6] Li, Z. et al. Fourier neural operator for parametric partial differential equations. in Int. Conf. Learn. Represent. (2021).[7] Yang, Y. & Perdikaris, P. Conditional deep surrogate models for stochastic, high- dimensional, and multi- fidelity systems. Comput. Mech. 64, 417–434, (2019).[8] Kondor, R., Son, H. T., Pan, H., Anderson, B. & Trivedi, S. Covariant compositional networks for learning graphs. Preprint at arXiv.org e-Print archive(2018).[9] Pfau, D., Spencer, J. S., Matthews, A. G. & Foulkes, W. M. C. Ab initio solution of the manyelectron Schrödinger equation with deep neural networks. Phys. Rev. Res. 2, 033429 (2020).[10] Pun, G. P., Batra, R., Ramprasad, R. & Mishin, Y. Physically informed artificial neural networks for atomistic modeling of materials. Nat. Commun. 10, 1–10 (2019).[11] Ling, J., Kurzawski, A. & Templeton, J. Reynolds averaged turbulence modelling using deep neural networks with embedded invariance. J. Fluid Mech. 807, 155–166 (2016).[12] Lusch, B., Kutz, J. N. & Brunton, S. L. Deep learning for universal linear embeddings of nonlinear dynamics. Nat. Commun. 9, 4950 (2018).[13] Lagaris, I. E., Likas, A. & Fotiadis, D. I. Artificial neural networks for solving ordinary and partial differential equations. IEEE Trans. Neural Netw. 9, 987–1000(1998).[14] Sheng, H. & Yang, C. PFNN: A penalty- free neural network method for solving a class of second- order boundary- value problems on complex geometries. J. Comput. Phys. 428, 110085 (2021).[15] McFall, K. S. & Mahan, J. R. Artificial neural network method for solution of boundary value problems with exact satisfaction of arbitrary boundary conditions.IEEE Transac. Neural Netw. 20, 1221–1233 (2009).[16] Beidokhti, R. S. & Malek, A. Solving initial- boundary value problems for systems of partial differential equations using neural networks and optimizationtechniques. J. Franklin Inst. 346, 898–913 (2009).[17] Lagari, P. L., Tsoukalas, L. H., Safarkhani, S. & Lagaris, I. E. Systematic construction of neural forms for solving partial differential equations inside rectangular domains, subject to initial, boundary and interface conditions. Int. J. Artif. Intell. Tools 29, 2050009 (2020).[18] Zhang, D., Guo, L. & Karniadakis, G. E. Learning in modal space: solving time- dependent stochastic PDEs using physics- informed neural networks. SIAM J. Sci.Comput. 42, A639–A665 (2020).[19] Dong, S. & Ni, N. A method for representing periodic functions and enforcing exactly periodic boundary conditions with deep neural networks. J. Comput.Phys. 435, 110242 (2021).[20] Wang, B., Zhang, W. & Cai, W. Multi- scale deep neural network (MscaleDNN) methods for oscillatory stokes flows in complex domains. Commun. Comput. Phys.28, 2139–2157 (2020).[21] Liu, Z., Cai, W. & Xu, Z. Q. J. Multi- scale deep neural network (MscaleDNN) for solving Poisson–Boltzmann equation in complex domains. Commun. Comput. Phys. 28, 1970–2001 (2020).[22] Mattheakis, M., Protopapas, P., Sondak, D., Di Giovanni, M. & Kaxiras, E. Physical symmetries embedded in neural networks. Preprint at arxiv (2019).[23] Cai, W., Li, X. & Liu, L. A phase shift deep neural network for high frequency approximation and wave problems. SIAM J. Sci. Comput. 42, A3285–A3312 (2020).[24] Sirignano, J. & Spiliopoulos, K. DGM: a deep learning algorithm for solving partial differential equations. J. Comput. Phys. 375, 1339–1364 (2018).[25] Raissi, M., Perdikaris, P. & Karniadakis, G. E. Physics- informed neural networks: a deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. J. Comput. Phys. 378, 686–707 (2019).[26] Kissas, G. et al. Machine learning in cardiovascular flows modeling: predicting arterial blood pressure from non- invasive 4D flow MRI data using physicsinformedneural networks. Comput. Methods Appl. Mech. Eng. 358, 112623 (2020).[27] Zhu, Y., Zabaras, N., Koutsourelakis, P. S. & Perdikaris, P. Physics- constrained deep learning for high- dimensional surrogate modeling and uncertaintyquantification without labeled data. J. Comput. Phys. 394, 56–81 (2019).[28] Geneva, N. & Zabaras, N. Modeling the dynamics of PDE systems with physics- constrained deep auto- regressive networks. J. Comput. Phys. 403, 109056 (2020).转自文章链接：https://zhuanlan.zhihu.com/p/407723828感谢作者的努力与分享，侵权立删！

机器学习服务应用于海量数据挖掘分析场景。欺骗检测保险公司分析投保人的历史行为数据，建立欺骗行为模型，识别出假造事故骗取保险赔偿的投保人。产品推荐根据客户本身属性和行为特征等，预测客户是否愿意办理相关业务，为客户提供个性化的业务推荐。客户分群通过数据挖掘来给客户做科学的分群，依据不同分群的特点制定相应的策略，从而为客户提供适配的产品、制定针对性的营销活动和管理用户，最终提升产品的客户满意度，实现商业价值。异常检测在网络设备运行中，用自动化的网络检测系统，根据流量情况实时分析，预测可疑流量或可能发生故障的设备。预测性维护为设备创建预测模型并提供预见性维护建议和计划，减少故障时间和发生几率，从而提高效率和降低成本。驾驶行为分析通过采集驾驶员不良驾驶习惯（比如：急加速、急转弯、急减速、超速、疲劳驾驶等），通过建模分析驾驶员驾驶习惯优良程度，面向企业车队提供驾驶员评级，约束不良驾驶习惯；面向个人车主，提供驾驶习惯优化建议，降低事故率和降低油耗，对于保险公司，可以用于UBI场景。

请问 AI CPU 算子如何适配 Pytorch 框架？能找到 AI Core 算子适配 Pytorch 框架的指南，但没发现 AI CPU 算子适配 Pytorch 框架的说明。

（由 Biagino Costanzo，公司经理和 AIDR 合作伙伴提供）物联网，这里是三个神奇的字母，物联网或物联网，或者，如果你喜欢，物体，我们不仅在谈论计算机、智能手机和平板电脑，而且最重要的是关于在我们的家中、工作中、城市中和日常生活中围绕着我们的物体。 物联网就在这里诞生：从将我们日常生活中的物体带入数字世界的想法。多年来，这个缩写如此简单快捷，在世界各地的对话、会议、辩论、会议（现在，最重要的是，电话会议......）中被提及数年，每天成千上万次，而且经常发生，大多数有时它背后的一切是多么具有革命性。自互联网诞生以来已经过去了 50 多年，自物联网这个词被创造以来已经过去了 20 多年，物联网是技术发展的道路，通过互联网，日常体验的每个对象都可能获得自己的身份。在数字世界中。 如前所述，物联网基于互连的“智能”对象的思想，以便交换拥有、收集和/或处理的信息。热搜Evolvere 收购了意大利最大的产消者数字社区 My Solar Family近年来，与物联网相关的技术呈指数级发展并成倍增加，与应用领域的发展方式相同。 我们想到智能汽车、智能家居、“智能”大家庭：智能城市、智能工厂、智能建筑、智能零售、智能健康、智能计量、智能环境、智能农业、智能物流和智能生命周期。 这一切都归功于智能对象的互连。但是，必须调查和反思这些对象的连通性带来的机会和风险。物联网实际上是一种具有无限应用潜力的技术范式，能够影响企业竞争力、公共行政效率和生活质量。这三个字母远远超出了简单的定义，而是在我们的日常生活中得到了具体的翻译，超越了智能对象，实际上，在互连这些对象的网络中具有全部意义。我们想到了汽车，最初只是出于保险原因通过 Gps-Gprs 盒连接汽车，如今这些汽车已经配备了车载连接。 在工厂的背景下，物联网技术在分布和整个系统方面都做出了贡献，或者在多年来我们已经从简单的警报系统发展到有线家庭自动化到无线解决方案的家庭中，越来越多的人触手可及，其特点是云服务和人工智能的日益普及。我们可以继续使用我们城市的公共照明，我们现在可以根据能见度条件调整它们的亮度，或者使用同步的交通灯，为紧急车辆的通过创造所谓的绿波。因此，物联网是一种可能不知道应用程序边界的方案。 毋庸置疑，世界上在这方面的先进国家较少，但在许多地区，我们现在已经在急救设施中本地化了医疗设备，或者滑雪板可以发送有关雪况的信息，或者来自与道路基础设施通信以防止事故的汽车。 此外，在制造领域，物联网有助于将数据从生产工厂交换到制造产品，以管理其生命周期。然而，正如我前面提到的，所有这一切，即所有物体都可以通过连接到网络并交换关于自身和周围环境的信息而变得“智能”，同样正确的是，这个过程并非在所有领域都发生，在所有地区，地方，并以相同的速度。显然，这取决于综合技术解决方案的存在，取决于特定市场中的竞争均衡，最后取决于信息价值与创建智能对象网络的成本之间的平衡。有必要重申，物联网范式无可争议地面向未来。 我们知道物联网的概念是基于能够相互通信的“智能”对象网络，但我们必须问自己，哪些技术趋势将决定物联网的未来？我们从蜂窝网络、WiFi、NFC、蓝牙、RFID 等技术开始，现在我们在大数据、区块链、人工智能，在物联网系统中越来越具有决定性，因为它们能够加强新功能、新服务和新业务机会。。所有这些都推动了许多初创公司的诞生，它们在物联网领域非常活跃，它们准备支持数字创新的趋势，并在许多领域开发所谓的“数字化转型”的真正过程。不考虑应该单独章节的军事和工业应用领域，物联网越来越多地出现在我们的日常生活中，想想在我们周围的每个物体上安装芯片、电子传感器的可能性。小型计算机，配备必要的互联网地址，以便能够与远近的其他计算机进行通信。 今天，我们这些没有每天和任何时候都连接到智能手机的人，但在十年内，据推测，每个人都将能够（或者可能必须）连接到数百个智能对象，依次相互连接，它们连接在一个大型的全球网络中。人工智能也适合这张图，但是，正如我已经有机会重申的那样，如果发生不可想象的事情或者人工智能克服了不可超越的事物或人类，那将是荒谬的！从人工智能中得知，在日本，小冰已经到了，这个虚拟的女人每天 24 小时陪伴着数百万中国人，而且这个具有女性特征的聊天机器人不仅在聊天中回应用户，而且与他们联系当他们悲伤或沮丧时。 然而，在这种情况下，问题是划时代的、文化的、人性的，一方面是用人工智能来促进人类的日常生活、工作、健康，另一方面是用它来代替与人类有关的现实生活。痛苦、喜悦、爱、性、情感、汗水、满足。 皈依某种虚拟的、无形的东西，它可以做你想做的一切，但并不存在，因为害怕面对真实的人，简而言之，害怕只是为了过自己的生活，这真的是问题的问题，但被低估了.如果我们认为仅这个算法就已经涉及超过 600 亿用户，其中大部分是低收入的中日国籍男性，我们可以大致了解这种现象的严重程度。小冰出现在屏幕上，是一个 18 岁左右的女孩，她开玩笑并通过与伴侣开玩笑并发送露骨的性文本和图像来吸引她的伴侣。 与此同时，她收集信息的目的是同时成为几个男人的理想女友。事实上，在这一点上，很自然也有必要问问自己在这件事上的隐私和安全以及连接设备可能存在哪些影响。例如，当恶意行为者想要攻击数据，从而以任何方式使定义其安全性的三个参数之一无效时，由一方保护和管理但由另一方拥有，如果系统因此受到攻击，其进程第三方数据，这些数据的隐私肯定会受到威胁。这种技术/科学/控制论“地形”必须得到保护，它正在成为基础，如果我们愿意的话，它是人造的，但不仅对于社会的运作而且对于越来越依赖和无法生活的个人的生活来说都是必不可少的。在它之外。 广泛的网络使用知识是必不可少的。最近几周，在拉齐奥地区遭到黑客攻击之后，一连串的公告、考虑和担忧的反思浮出水面，仿佛这是一件新鲜事。 但近年来，在意大利和世界各地，特别是在 2020-21 年（在强度和严重性方面），黑客攻击的不断增加，必须对此事采取不同的具体方法。新的 ANC（国家网络安全局）受到欢迎，由德拉吉政府支配并由巴尔多尼教授领导，但它必须具备所有权力、经济资源和技能，才能真正成为分析和预防这些犯罪的强大工具. .就集体、经济、社会稳定而言，我们生活在一个非常危险的时期，低估这一划时代的变化也可能是毁灭性的，尤其是在这一领域。 (https://www.aidr.it/sicurezza-digitale-una-nessuna-e-centomila/)在这些问题上有很多疏忽、肤浅，如果不是傲慢的话。 许多人相信，甚至所有技术都可以管理和驯服，因此可以满足这个激烈的商业阶段，并推动被动、不加批判的消费，总是为公众提供新的机会和奇怪的体验。 很自然，在消费者眼中，这一切只能意味着进步，与过去相比有所改善，但智能环境发展中固有的这种简单化愿景并没有捕捉到社会和环境风险，也没有捕捉到后代的人类学变化。那些以前。我们必须克服一种恐惧、潜移默化的恐惧、焦虑，担心我们可能会被排斥在享受这些技术之外并被排除在外，或者同时思考和怀疑，在未来，这一切总有一天会被上层强加具有操纵性和杀戮性。因此，再一次，人为因素在我们存在的所有事物中仍然很重要，如果我们谈论技术、科学、物联网，今天更是如此。永远是人类，希望拥有坚实的智慧，当然不是“人造”，他们必须知道如何组织和协调这些划时代的变化，我不只是考虑技术和科学，以确保安全，社会进化并始终关注每个人的内在性和主观性，以避免混乱。总有一天，机器将能够解决所有问题，但它们中的任何一个都无法解决一个问题“（爱因斯坦)

MindSpore作为一个端边云协同的的全场景AI开源框架，为开发者带来端边云全场景协同、极致性能，极简开发、安全可信的体验，2020.3.28开源来得到数五十万以上的下载量，走入100+Top高校教学，拥有数量众多的开发者，在AI计算中心，智能制造、云、无线、数通、能源、消费者1+8+N等端边云全场景逐步广泛引用，是Gitee指数最高的开源软件。欢迎大家参与开源贡献、模型众智合作、行业创新与应用、算法创新、学术合作、AI书籍合作等，贡献您在云侧、端侧、边侧以及安全领域的应用案例。基于MindSpore的AI顶会论文越来越多，我会不定期挑选一些优秀的论文来推送和解读，希望更多的产学研专家跟MindSpore合作，一起推动原创AI研究，MindSpore社区会持续支撑好AI原创和AI应用，本文是MindSpore AI顶会论文第四篇，我们选择了来自国内高校在CVPR 2021的一篇论文进行解读，感谢华东师范大学谢教授团队投稿。论文整体目录：1.MindSpore优秀论文解读：自此告别互信息：用于跨模态行人重识别的变分蒸馏技术2.MindSpore AI顶会论文系列2：EPRNet 应用于实时街景分割的高效金字塔表征网络3.MindSpore AI顶会论文3：[ACL2021]文本语义哈希在大规模信息检索系统的应用4.MindSpore AI顶会论文4：[CVPR2021]AECRNet：基于对比学习的紧凑图像去雾方法-本文1.研究背景背景：图像去雾的目的是消除雾霾环境对图像质量的影响，增加图像的可视度，可以提升车辆检测、场景理解等高层视觉任务在恶劣天气场景下的性能，是图像处理和计算机视觉领域共同关切的前沿课题。但目前不论是基于先验的图像去雾方法还是基于学习的图像去雾方法都仅使用了正样本的信息，得到的结果仍具有大量雾残留、颜色失真、伪影等问题。此外，不断增强的模型带来了大量的参数量和计算量，使得模型在轻量级设备中难以部署。论文研究方向：本文主要针对现有图像去雾方法中所存在上述问题，重点挖掘负样本信息，设计了以自编码器为核心的轻量级网络，均衡图像去雾模型的性能与参数量。团队背景介绍：所在团队由吴文俊科学技术奖自然科学奖、上海市科技进步特等奖获得者谢源教授领衔。团队长期从事机器学习、计算机视觉与模式识别等方面的科研工作,有扎实的研究基础和丰富的成果积累，并形成了一系列自有知识产权的国际领先的科研成果。2.论文主要内容简介论文提出了一种基于对比学习的紧凑图像去雾方法。通过引入负样本，并充分挖掘负样本中的信息，进一步约束去雾问题解空间的上下界。区别于分类任务中的对比学习，论文中设计的对比正则在预训练模型的特征空间上计算样本之间的距离。在此基础上，论文设计了一种紧凑的模型。采用编码器-解码器的结构，首先对输入进行下采样，使密集计算集中在低分辨率空间。上下采样层特征间进行自适应混合，使浅层信息流向深层，同时自适应融合。此外，引入可变形卷积模块以获取更高效的信息。论文通过大量、详实的消融实验在实践中验证了理论的正确性，并在与SOTA方法的对比中，以极简的网络结构大幅领先于所有相关方法，证实了理论的有效性。同时论文设计的对比正则具有即插即用性，可有效提升现有SOTA方法。3.代码链接会议名称：CVPR 2021论文链接：https://arxiv.org/abs/2104.09367 https://arxiv.org/pdf/2104.09367.pdf基于MindSpore实现代码开源链接：1). https://gitee.com/mindspore/contrib/tree/master/papers/AECRNet2). https://gitee.com/wyboo/AECRNet-MindSpore4.算法框架技术要点算法框架包括两部分，即自编码器结构的去雾网络，以及对比正则。去雾网络包括下采样部分，FA模块，动态特征增强模块，自适应Mixup操作以及上采样部分。除了传统的重建损失以外，论文将去雾网络的输出作为锚点，清晰图作为正样本，原始雾图作为负样本，输入到预训练的VGG网络中并计算对比正则。图一：算法框架（模型结构图）5.实验结果图二：论文模型在合成和真实数据集上实验结果图三：论文提出的对比正则应用于SOTA模型实验结果图四：不同数目的正样本和负样本对论文所提出的对比正则的影响图五：论文模型与其他模型性能与参数量的均衡比较图六6.MindSpore代码实现代码主要包括一下模块：数据加载，网络结构，损失函数以及训练器。1). 数据加载：图七：数据集加载图八：数据生成器及数据增强2. 网络结构图九：注意力模块图十：去雾模块图十一：MixUp操作图十二：完整去雾网络3. 损失函数图十三：对比正则损失图十四：完整损失函数4. 训练器图十五：单步训练过程图十六：完整训练过程7.总结与展望本文设计了一个针对去雾任务的对比正则损失，通过引入正负样本有效约束了解空间。同时设计了轻量级去雾网络，在保证网络性能的同时减少了参数量。文中所提出的对比正则具有即插即用性，可广泛应用于其他去雾模型，但未在其他低层视觉任务上进行探索。未来工作将着力探索本文所提出的对比损失对其他图像复原类任务的有效性，以及对比学习在模型压缩方面的其他应用形式。本文作者在MindSpore社区从事相关AI工作，欢迎您扫码加入QQ群，与数千MindSpore开发者一起交流，用MindSpore赋能千行百业，点亮您的智慧生活。https://qm.qq.com/cgi-bin/qm/qr?k=E43UBTtTogmI64S9SoBfCpKM0_Ioua-c&authKey=WfnLWH6dt/7bU3lvLSJOy4uZSSiPRdL88/knL3n2OEdUt+ImD6CEtJVnGKiMckuM&noverify=0 (二维码自动识别)官方QQ群: 871543426转自文章链接：https://zhuanlan.zhihu.com/p/406214477感谢作者的努力与分享，侵权立删！

近日，《亚洲银行家》杂志揭晓 “2021年度金融科技创新奖项”，“民生信用卡-华为大数据联合创新实验室”荣获“中国最佳AI实验室”奖。《亚洲银行家》奖项是亚太地区最具影响力的金融奖项之一，经过全球知名银行家、顾问和学者全面深入评估后对外发布，具有很高权威性和知名度，是目前中国最严格的金融服务行业年度奖项，被誉为亚太地区金融界的“奥斯卡”奖。 “民生信用卡-华为大数据联合创新实验室”是由中国民生银行股份有限公司信用卡中心（下文简称“民生信用卡”）与华为技术有限公司在2019年11月携手建立，旨在发挥各自所长，持续聚焦大数据、5G、人工智能等领域的创新合作，充分利用华为云FusionInsight在大数据领域的技术积累，以及民生信用卡丰富的数据应用经验和业务场景，探索机器学习、深度学习等技术在信用卡场景的应用与落地，打造行业领先的智能数据解决方案。华为云采用一站式AI开发平台ModelArts、FusionInsight 智能数据湖解决方案与民生信用卡共同解决由于多样性数据、多样性系统、多样性业务所带来的数据接入难、融合分析难、消费难的挑战，助力民生信用卡在各个领域实现AI能力：风控领域：基于华为云一站式AI开发平台ModelArts提供的丰富AI算法，在信用卡反欺诈场景，基于社团发现算法识别可疑交易团体，提升智能风控能力；市场营销：基于机器学习算法构建客户价值模型，在客户星级管理体系构建场景，研发推荐算法，提升用卡活跃度，加速数字化运营；业务创新：基于NLP深度学习算法构建客户之声分析挖掘体系，实现对客户留言进行主题分类，为额度管理、分期业务、还款方式等业务提供了数据参考和优化方向，进一步提升客户体验及营收能力 ；运营效率：通过机器学习、NLP等技术创新性地研发出一系列内部管理相关的数据产品，如电销人员流失率预测模型、简历自动评估工具等，助力内部运营管理效率和质量提升，降低运营成本。民生信用卡不断适应时代变化，牢牢把握战略方向，坚持“数据驱动，科技创新”，开展体制机制全面数字化转型，基于“民生信用卡-华为”大数据联合创新实验室，民生信用卡研发了一系列具备创新性及行业领先性的数据决策算法产品，缩短算法产品迭代周期30%以上，从精准营销、智能风控、优化管理等多方面赋能业务数字化转型。未来，民生信用卡将与华为云深入合作，通过华为云一站式AI开发平台ModelArts、盘古大模型，以及FusionInsight提供的数据治理、云原生数据湖、云数据仓库等服务和产品，共同探索金融科技创新服务，加速信用卡业务数字化转型。更多精彩文章：https://bbs.huaweicloud.com/forum/thread-66105-1-1.html  

　中新网兰州9月4日电 (记者 丁思)智能输液管理、病区内互动机器人引导、人工智能肺癌诊疗、智能互动康复、3D打印及全息智能手术导航……兰州大学第一医院胸外科近日已成功建成包含诊断、治疗、康复及便利和惠及医、护、患者、陪员的智能智慧化病房，并且逐步向全院推广，旨在让患者体验焕然“医”新，专业服务延伸至床边。　　伴随着互联网、物联网、大数据和人工智能的飞速发展，智慧医疗在未来医疗服务体系中将扮演越来越重要的角色。作为智慧医疗的重大发展方向，医院智慧病房系统近年来日渐受到重视。　　兰大一院胸外科自2019年3月开始启动智慧化病区、病房建设。同年5月，形成人工智能肺癌诊疗系统，并在国内率先开设了人工智能诊疗门诊。目前该系统可高效准确实施肺癌的筛查诊断和随访。　　在此基础上，该院胸外科在自身成熟的人工智能临床应用方案体系基础上，依托“互联网+”向甘肃省86个县市200余家县级基层单位免费部署互联网人工智能肺癌筛查系统，并提供成套可实施的肺癌早诊早治方案，同时对基层相应专科人员进行系统培训，显著提高基层医院诊治肺癌的水平，推动甘肃省肺癌整体智慧化诊疗进程。　　2020年，兰大一院胸外科完成病区内智能互动康复系统的部署和应用，完成5G物联网智能关护手环系统的研发调试，并于2021年1月融合智能输液管理系统实现临床应用。　　智能互动康复系统的应用，增加了患者主动下地活动的意愿，减缓了病痛，锻炼积极性增加，使术后康复过程富有趣味，并有效减少了并发症，推动了加速康复的实施。　　同时，针对患者住院期间因目前监护装置较大、移动性差、续航差，无法在患者各种活动无感状态下实施24小时持续生理数据检测，不能及时有效预警发现严重病症，该院胸外科在国内外首创完成的胸外科全智能关护系统。该系统采用戴在患者胳膊上的“手表”设备，通过物联网(或5G)将数据动态实时传输至电脑终端及医护端手环，对患者实时生命体征进行全程监测，减轻了医护和陪护人员工作量，又确保医疗精准安全。　　据兰大一院胸外科介绍，该院一体化人工智能、物联网智慧病房采用大量技术设备成熟及自主研发的设备系统，实现了智能、高效、安全、可靠贯穿诊断、治疗和预后随访，以打造“智慧病房”逐步探路“智慧医院”建设。(完)

科技产业，总是“各领风骚三五年”。从个人电脑到互联网、移动互联网、物联网……科技行业，每隔几年就会出现一个由技术变迁引发的新浪潮，造就影响时代的风流人物。这两年，IoT与人工智能、云计算、5G等技术飞速融合，正在以惊人的加速度，成为工厂、港口、园区、城市等诸多行业智能化觉醒的必要条件。尚在高校的莘莘学子，如何在科技召唤下一试身手，让个人命运与时代潮流提前碰撞出火花？各种物联网赛事，就成了不错的选择。2021年8月27日，由全国高等学校计算机教育研究会主办，上海交通大学承办，华为技术有限公司协办，机械工业出版社华章公司等联合支持的2021全国大学生物联网设计竞赛（华为杯）全国总决赛，在上海圆满落幕。作为全国大学生物联网领域的第一赛事，这场大赛有许多值得我们思考的地方，比如：疫情反复之下，国家级大赛应该如何在效率和安全之间找到平衡？“十四五”开局之年，物联网技术发生了哪些变化，产业界又提出了怎样的创新需求？通过比赛能否解决物联网的人才焦渴，搭建面向产业的人才体系需要哪些条件？要回答上述问题，我们可以从本次大赛与往届相比的“变”与“不变”说起。触发浪潮，物联网大赛的变与不变2021年是全国大学生物联网设计竞赛举办的第七个年头。有人说，7是一个代表轮替的数字，人的细胞平均七年会完成一次整体的新陈代谢。经历了人工智能浪潮、穿行在疫情期间的大赛，自然也有着许许多多的变化。变化之一，是前所未有的关注度。时间来到2021年，物联网大赛的规模丝毫没有受到疫情等外部因素的影响，今年共有国内571所高校、8400余名师生组成近1500支代表队参赛，规模堪称庞大。参赛者的热情，也与物联网近两年来重要性、产业融合度不断提升有着直接关系。变化之二，是多元融合的技术挑战。过去一年里，新基建提出，云原生、鸿蒙系统等新技术、新趋势不断出现，5G商用、智慧城市等建设如火如荼，这也给物联网领域带来了新的命题与挑战。因此在今年的赛题中，首次增加了首个物联网操作系统OpenHarmony赛道，选手们可以接触到最新的技术能力。很多参赛队伍也都将云、IoT、人工智能、5G、鸿蒙操作系统等新技术进行了融合创新，展现出智能物联网（AIoT）的潜力。变化之三，是后疫情阶段的竞赛方式。疫情反复之下，大赛也试图找到能够长期、可行、兼具未来感的组织形式。本次大赛首次采用了线上线下融合的方式，竞赛答辩和评审环节由以前的纯线下模式，变成了学生线上答辩、评委线下线上混合聚集讨论评审。期间全程采用华为云会议和5G传输，评委和学生利用智慧屏，实现实时高效互动。颁奖仪式也采用了云颁奖形式。打破地理空间的限制，疫情下既保障了相关人员的安全，又保证了比赛的正常进行和效率。当然，大赛的一些特色与传统也被保留了下来，比如：技术与产业的结合没有变。通过竞赛，让物联网技术找到与产业勾连、相互迭代，实现产学研联动的思路持续贯穿，根据每年的产业现实需求设置赛题，比如去年赛题中增加了当红的5G应用部分，今年华为则将赛题定为城市智能体解决方案，鼓励参赛队伍尝试推动智能体万物互联和业务联动，投身产业智能化浪潮。产业界对大赛的支持没有变。这是大赛举办的第七年，也是华为支持的第四届、冠名的第三届。不仅华为长年累月地为大赛提供全方位支持，中国电信、中国移动、霍尼韦尔等竞赛合作伙伴，同样也成为护航物联网人才高质量成长之路的重要伙伴。（竞赛组委会向华为颁发2021全国大学生物联网设计竞赛〈华为杯〉最佳支持）对了，大会中还有一个有趣的变化吸引了我的注意，颁奖仪式在黄大年茶思屋举办。这是黄大年专为产学研合作开辟的“造梦空间”，缘起于罗马广场，公元1世纪至5世纪时期，每个人都可以在罗马广场上阐述自己观点的思想碰撞，杰出思潮和天才涌现，今天，和华为“一杯咖啡吸收宇宙能量”的理念不谋而合，受到时代楷模黄大年教授生前建立 “茶思屋”的启发，其愿景是在与大学长期良好合作的基础上，进一步为专家学者、科研团队搭建与华为技术力量进行思想碰撞的开放包容的交流研讨空间和科研攻关平台。无数天才曾用思想与行动照亮了人类文明史的星空。如今大赛走进这间茶思屋，也让我们看到了一群“人类先锋”点亮知识灯塔的过程。解开困局：一场大赛掉落的产学联动之钥为什么物联网（IoT）在今天变得这么重要，牵动着产学界如此众多人士的关注？今天，物联网已经借助AI算法、云端算力、大数据技术、5G无线通信、HarmonyOS等等，迎来了全新的发展契机。以往的物联网设备终端，只能起到数据传输与远程命令的作用，但与AI+云+5G+HarmonyOS相结合，物联网设备收集的多维数据可以被实时处理、分析、应用，提供主动服务，从而让智能来到边缘终端，改变工厂、园区、城市的运转方式，让万物感知、万物互联成为可能。但必须承认，目前物联网在现实应用中还存在一些挑战，比如说：1.设备所在的物理环境复杂且多元，需要将业务问题转化成物联网解决方案；2.硬件基础设施形态多样，计算性能、延迟、功耗、改造成本等问题在落地时需要通盘考虑；3.设备繁多且数据标准不统一，互联互通、运维管理等现实问题有待优化。而上述问题，不能靠某一个企业、某一家实验室来单挑，而是各种人才充分发挥创新力。产学联动，也就成为物联网真正发挥作用的关键。如果说产学联动是一道考题，那么华为也通过手里的两把钥匙，尝试揭开物联网进阶的因果。第一把钥匙，是广泛布局的技术前哨。要培养物联网领域的顶尖人才，如果导师和出题人本身的技术能力都不具备代表性和高度，自然很难使参赛者得到充分锻炼。在物联网领域，华为的技术布局和实践十分广泛，可以提供从通信芯片、物联网终端操作系统、物联网平台，到生态建设的完整解决方案。大赛依托华为端、管、边、应用等物联网产业链的各个部分能力，为开发者提供 IoT 华为云开发平台、5G 网络、边缘计算、 HarmonyOS 等软硬件和开发环境的支持，使得选手们能够通盘考量，设计出更高水平的参赛作品和方案。第二把钥匙，是扎根产业的标准奠基。来自”象牙塔“的创新最怕的就是想法与产业需求脱节，这是困扰高校人才培养的难点，也是华为等众多企业在大赛中的重要作用之一。众所周知，华为是产业数智化的积极推动者和参与者，也是全球物联网产业发展主要推动者，以及AIoT产业联盟的发起单位。这意味着，华为能够在产业实践中充分践行并落地相关产业标准、行业规范。在大赛中，华为通过赛题设置、技术支持、培训等形式，将其分享给参赛选手们，这意味着参赛者的方案不仅仅停留在比赛，还具备了极高的应用性，为未来的进一步落地打好基础。在往届比赛中，就有不少参赛选手依托平台成功地开启了创业道路。此次入围大赛全国总决赛的队伍中，有将近40支队伍选择了华为命题，占入围大赛全国总决赛命题队伍的40%以上，某种程度上正是对华为在技术和致用双重能力的认可。高校学子们如群星般闪耀在赛场，万物智联才能更早点亮世界的各个角落。先锋集结：从华为港口驶向万物智能为什么华为要用多年心血，吹响物联网领域的人才集结号？高效、持续培养顶尖技术人才，已经成为所有国家科技创新发展中不可或缺的关键力量。当智能化浪潮席卷中国，科技强国呼唤着各种人才踏上征程，这时候能够与产业对接的人才培养体系对接，就成为了科技企业不容忽视的社会责任。就拿物联网领域来说，我国从2010年7月开始建设物联网工程专业，此后十年时间，教育部一共批复成立551个物联网工程本科专业，一批职业学校也开始建设物联网相关专业，据统计国内有一千多所学校开办了物联网相关专业。物联网专业是一个综合性强、学科交叉、靠近产业的专业，这就必然产生了大量专业建设支撑资源的需求。首先是对资源的需求。物联网需要与AI、5G、云等新兴技术融合创新，而这些又会带来算力、云服务费、通讯硬件等现实成本，并不是所有高校和学生都能够承担得起，这时候来自科技企业的支持就至关重要了；另外，刚刚起步十年的物联网专业，不像一些基础学科那样拥有雄厚的师资和成熟的人才培养机制，也更加需要倾听产业的需求和声音，科技企业成为重要的连接点。华为之所以能成为物联网人才的港湾，或许在于用心建构了一个人才闭环，提供了“新手村”成长的必备条件：1.资源输送。2013年以来，华为启动了“华为ICT学院”校企合作计划，与国内400多所高校开展了合作。参与的产学合作协同育人项目中，华为也接连投入了ARM 服务器、高斯数据库、欧拉OS 、ModerlArts服务、AI开发套件、HarmonyOS以及项目经费等资源，支持高校人才创新。2.能力培养。针对不同的院校，设置不同的方案和课程，来支撑高校学生更好地获取最新的ICT技术。比如依托物联网工作委员会，开展大量的师资培训、学术交流活动，为物联网领域培养优质的师资力量。通过华为ICT大赛、物联网设计竞赛，鼓励学子们不断提升技术能力，帮助学生打开国际化视野。3.产业实训。每年华为也会在寒暑假期间例行举行师资培训班，通过小班化、案例式教学将最新的技术和案例传递给高校的老师，再通过老师将这些知识更好的植入到学校现有课程体系中，截止到目前累计协助高校培养双师型教师超过1200人。4.就业对接。华为目前已经打造了全球有影响力的ICT人才认证标准，在此次大赛中，华为还为入围全国总决赛的参赛选手提供了150张物联网方向的华为认证考试券，每张考试券价值200美金。此外，华为还在全国各地举办华为ICT人才联盟双选会，把最优质的合作伙伴和合作院校聚集在一起，为高校学生提供优质岗位，助力他们更好地职业成长。这四种条件组合起来，为物联网人才们提供了清晰的职业发展路径，从各个方面帮助他们打好基础，从求学到职场过程中获得牢靠的支持。如果说莘莘学子们是向着智能星辰大海出发的水手们，那么华为就是他们成长并启航的港湾。华为公司的愿景是“把数字世界带入每个人、每个家庭、每个组织，构建万物互联的智能世界” ，愿景和物联网设计竞赛的主题不谋而合。在人才培养方面，华为倡导以“生态+”赋能产业，打通“知识-技能-产能”人才供应链，做中国数字化转型的人才引擎。针对不同的院校，华为提供了针对性的课程支撑高校学生更好地获取最新的ICT技术。同时，华为积极联合院校、教育主管机构和平台组织及能力型人才联盟伙伴，创新集“华为认证+教师培训+ICT大赛+人才联盟双选会+人才实训基地”五位一体的新型人才培养模式。人才闭环作为校企合作过程中重要的环节之一，华为每年会例行举办人才联盟双选会，把最优质的合作伙伴和院校聚集在一起，共同给学生提供具有竞争力的工作岗位。从在校到在职的岗前实训阶段，华为推出了为生态伙伴输送优质院校人才目的“百舸计划”，希望通过华为的平台和资源，给更多的学生提供更多的学习、创新、竞赛、就业等机会，让学生更快地跟产业进行对接。茨威格曾在《人类群星闪耀时》中写道：命运会把畏首畏尾的人拒之门外，它只愿意用热烈的双臂把勇敢者高高举起，送上英雄们的殿堂。我们很幸运地看到，一群勇敢的选手们，在这场物联网大赛中如星子般绽放出光辉，照亮他们人生的旅途。正是这样一个个群星闪耀时刻，智能时代的大幕终将被彻底拉开。