【优质问答奖—开奖了】麻烦以下楼层，尽快填写您的邮寄信息：https://devcloud.huaweicloud.com/expert/open-assessment/qtn?id=42091b49e5504635b12657b4327c7132 2020.11.03日 20:00截止获奖人员信息填写。楼层华为云昵称板凳帕加尼风之子886611楼HW-QGS28楼心飞旸智能时代，万物互联听专家带你解密华为云AI快速锁定行人的神秘力量↓↓↓一站式AI开发平台ModelArts助力AI开发HiLens和HiLens Studio 双Buff加持“光速”完成AI开发部署 10.31日，我们特别邀请了华为云云享专家历天一、HiLens 产品经理舒夏和华为云AI开发者生态经理Richard强与大家分享基于华为云一站式AI开发平台ModelArts和端云协同、快速开发的端侧设备HiLens完成行人检测与跟踪的智能开发方案。整体开发基于华为云平台完成，通过在ModelArts的前期标注训练，最后无缝衔接部署到HiLens上，实现对行人的检测与跟踪。通过本次直播您将了解到：1、如何在ModelArts上如何完成数据集的标注与发布？2、如何使用AI市场YOLOv3_Resnet18算法进行训练，转换模型，实现行人检测？3、同时，在检测的基础上，如何通过Sort算法完成行人的跟踪，使整个流程基于云端完成并部署到HiLens上实现？4、最后，依托云端IDE HiLens Studio，使开发调试摆脱时间、地点限制，打通AI落地部署“最后一公里”，支持在HiLens studio 实现检测部分功能！活动时间：2020.10.31 14:00 -15:00活动方式：线上直播报名链接：https://bbs.huaweicloud.com/signup/b99e748637b3417ca219b8583df79c96?utm_source=webinar&utm_medium=signup&utm_campaign=signup互动有奖：参与者即有机会获得超级 Nice 的奖品：《ModelArts人工智能应用开发指南》书籍或者ModelArts 定制周边哦~活动时间：10.27日19:30 -- 10.31日22:00 1、优质问答奖：直播活动开始之前，在本活动贴提问被讲师选中并现场回答的伙伴（选出三位），即可获得《ModelArts人工智能应用开发指南》书籍一本；2、幸运互动奖：观看直播时，选择你觉得有趣或有料的内容进行截图，然后将截图+直播心得或感想发布到活动贴（回帖满88人，随机选出三位），即有机会获得 ModelArts 纪念周边奖品；注意：未满88回帖，暂不开奖。抓紧报名活动一起学AI！https://bbs.huaweicloud.com/signup/b99e748637b3417ca219b8583df79c96?utm_source=webinar&utm_medium=signup&utm_campaign=signup

这个B站视频展示了用AI技术将兵马俑和名画中的人制作成面部可以动的视频请问他是怎么做的？用到了哪些现成的工具？

完于2020年10月26日刚刚听完华为MindSpore实战营第一课“基于MindSpore Lite开发端侧AI图像分类应用”，学会了编译方法就迫不及待按照课程指南生成应用，安装到手机上对着街上物件一顿乱扫，感觉特别有趣。话说能得到即时反馈的学习才是好的学习，短短两天把一个小白变成一个能编译项目的小白，我为华为的老师们手动点赞。以前总感觉模型训练好，在云上开个访问API了，最多听说过某些行业出于保护隐私的目的，采用公有云训练，私有云推理的应用模式，而且私有云资源也往往是不受限制的。但是如果端侧很小，资源很少又该怎么办呢？这时就很考验框架的弹性，以及模型增量训练后进行快速部署的能力。本次课程的重点就是把一个训练好的模型部署到手机端上去。简化的端侧图像分类应用开发流程由于以前对模型部署这个问题关注不够，课前也没做什么准备，这一课听得很吃力，但是收获很大。老师介绍了开发流程，重点讲解了端侧框架的功能、特点和代码逻辑，并且演示了编译过程，总体含金量很高。课后参考助教分发的指南，很顺利地完成了端侧应用APP的编译，感觉华为设计的这个从模型训练到应用发布的套路还是挺高效的。上课回看视频：https://www.bilibili.com/video/BV1dA411L7Lg一、编译环境搭建华为提供的“MSLite_App_Install.docx”（参见附件）介绍非常详尽，这里仅增加几点说明： 如果只限于完成作业的程度，那么用Windows，Mac OS或Linux都可以，安装Android Studio直接编译华为代码仓中的示例代码就OK了。但是如果从模型训练出发，再做模型转换，再做编译发布，那么必须要用Linux了，因为用CPU版做训练会很吃劲儿，但MindSpore-GPU不支持Windows，而且模型转换工具Converter_lite只在Linux下工作。顺便说一句，我以前写过一篇利用WSL支持MindSpore-GPU的贴子（https://bbs.huaweicloud.com/forum/thread-82598-1-1.html），不过实际应用的性能与CPU接近，怀疑是GPU虚拟化损失了大部分性能，也不知道NVidia以后会不会有改善。所以想认真玩的话，还是下决心放弃Windows，拥抱Ubuntu吧。这个决心不好下啊。在主站（https://gitee.com/mindspore/mindspore/tree/master/model_zoo/official/lite/image_classification）的readme介绍中，运行依赖需要NDK，CMake等等一大堆 ，看上去挺吓人，其实实操中这个环节的难度并不大。Android Studio体现了“平台+插件”的设计思想，所以只要把Android Studio这个“平台”安装好了，其他的"插件"都可以在“File -> Settings -> Appearance & Behavior -> System Settings -> Android SDK” 页面的“SDK Tools”列表下面选择安装。安装到这里会出现一个问题，就是列表中没有“Android SDK”。其实这个包被隐藏了，只要把“Hide Obsolete Packages”前面的勾去掉，就能看到已经安装好了。还有可能更新失败。我遇到了，其他同学好像都没有遇到。他们运气比我好。更新源是dl.google.com，一听这个名字就知道是怎么回事了。这时候需要手动添加地址映射。      首先要找出可用的地址。在网站ping.chinaz.com中搜索dl.google.com，从下面解析出来的地址中选一个。在"C:\Windows\System32\drivers\etc\hots"文件中添加一条映射。测试连通性。再打开Android Studio就能自动更新了。二、编译过程进阶作业要求创建作业目录（21day_firstcource），编译代码仓"https://github.com/mindspore-ai/mindspore-21-days-tutorials"中的”object_detection “项目，并提交"MSLiteApp.apk"。这个过程就非常”享受“了。 复制代码仓（git clone https://github.com/mindspore-ai/mindspore-21-days-tutorials.git），然后在Android Studio中找开”object_detection“目录。界面挺眼熟，以为打开了PyCharm。没办法啊，Android Studio就是”Powered by IntelliJ“。- 机器轰鸣中等，等等等等，突然又安静了，一个提示很低调地出现在右下角了。赶紧翻一下apk在哪里。这个”app-debug.apk“就是我们要找的目标。把它拷贝到手机上，安装之后，可以快乐地举起手机扫扫扫了。同期的@Bati同学遇到了编译错误，从现象上看似乎是模型下载失败了。Bati同学经过不懈努力，在”readme.md“中找到了解决方案：### 下载及部署模型文件      从MindSpore Model Hub中下载模型文件，本示例程序中使用的终端图像分类模型文件为`mobilenetv2.ms`，同样通过download.gradle脚本在APP构建时自动下载，并放置在`app/src/main/assets`工程目录下。      * 注：若下载失败请手动下载模型文件，mobilenetv2.ms [下载链接](https://download.mindspore.cn/model_zoo/official/lite/mobilenetv2_openimage_lite/mobilenetv2.ms)。 手工下载文件，放到"object_detection\app\src\main\assets\model"目录下，再次编译，顺利通过。三、写在最后课程上手就讲模型如何部署，体现了华为重视工程实践的风格。而且先把开发的流程了解清楚，把应用在手机上跑起来，虽然只是两个简单的原型应用，但是已经足够为快速迭代模型提供非常好的基础。这个课的确够实战！！！在课后答疑中，有位同位问为什么模型要运行在端侧？运行在云上不是更简单吗？而且云上的模型也容易做增量学习。这是个好问题，都5G时代了，繁重的工作都让云去做，端上只跑HTML5不是很好吗？周末去超市买东西，结账的时候用微信支付，结果网络信号不好更种卡。所以在网络还没有充分发育的条件下，完全把服务和应用分离是有风险的，端上运行的应用会保证可用性。况且这个应用只是原型，如果打造云、端联动的应用，是要跟应用场景适配的。

354972

。。。 354970

  电脑硬件配置：  处理器              英特尔 Core i5-7200U @ 2.50GHz 双核   主板                联想 LNVNB161216 ( 7th Generation Intel Processor Family I/O - 9D58 笔记本芯片组 )   显卡                ‍Nvidia GeForce 940MX ( 2 GB / 联想 )‍   内存                8 GB ( SK Hynix )   主硬盘              三星 MZNTN512HDJH-000L2 ( 512 GB / 固态硬盘 )笔记本是win10的，也没多少空间了手上刚好有个ssd固态U盘，做了一个wintogo 然后把ubuntu也装上去了软件要求：Ubuntu 18.04 x86_64 - Python 3.7.5  - CUDA 10.1  - CuDNN 7.6  - gmp 6.1.2Ubuntu 18.04自带 python 3.6，需要再安装Python3.7.51. 安装Python 3.7.5http://cdn.npm.taobao.org/dist/python/3.7.5/Python-3.7.5.tgz修改Python源码包中ssl的参数打开源码解压目录中的 Modules/Setup ,直接搜索 SSL= ，将SSL=后面的目录改为前面openssl的安装目录，并把下面三行的注释去掉。此外必备的gcc make什么的要提取安装好tar -zxvf python3.7.5.tgz cd python3.7.5 ./configure --prefix=/usr/local/python375 make && make install ln -s /usr/local/python375/bin/python3.7 /usr/bin/python ln -s /usr/local/python375/bin/pip3.7 /usr/bin/pip2. 安装CUDA 10.1https://developer.nvidia.com/compute/cuda/10.1/Prod/local_installers/cuda-repo-ubuntu1804-10-1-local-10.1.105-418.39_1.0-1_amd64.debsudo dpkg -i cuda-repo-ubuntu1804-10-1-local-10.1.105-418.39_1.0-1_amd64.deb sudo apt-key add /var/cuda-repo-<version>/7fa2af80.pub sudo apt-get update sudo apt-get install cuda安装好了配置环境变量export CUDA_HOME=/usr/local/cuda-10.1 export LD_LIBRARY_PATH=/usr/local/cuda-10.1/lib64:/usr/local/cuda-10.1/extras/CUPTI/lib64:$LD_LIBRARY_PATHs export PATH=/usr/local/cuda-10.1/bin:$PATH export LD_LIBRARY_PATH="/usr/local/cuda-10.1/lib64:/usr/local/cuda-10.1/extras/CUPTI/lib64:/usr/local/cuda-10.1/lib64:/usr/local/cuda-10.1/lib64"3. 安装CuDNN 7.6https://developer.nvidia.com/rdp/cudnn-archivehttps://developer.nvidia.com/compute/machine-learning/cudnn/secure/v7.6.0.64/prod/10.1_20190516/cudnn-10.1-linux-x64-v7.6.0.64.tgzsudo cp cuda/include/cudnn.h   /usr/local/cuda/include sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64 sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*4.安装gmp安装依赖sudo apt-get install m4然后就是configure；make；make install安装完了验证下安装是否成功import numpy as np from mindspore import Tensor from mindspore.ops import functional as F import mindspore.context as context context.set_context(device_target="GPU") x = Tensor(np.ones([1,3,3,4]).astype(np.float32)) y = Tensor(np.ones([1,3,3,4]).astype(np.float32)) print(F.tensor_add(x, y))OK，然后开始训练安装完cuda后需要重启电脑，否则训练会找不到设备AI诗人https://bbs.huaweicloud.com/forum/thread-80976-1-1.htmlhttps://www.mindspore.cn/tutorial/training/zh-CN/master/advanced_use/nlp_bert_poetry.html 代码下载https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/DemoCode/bert_poetry_c.rar 下载数据集 43030首诗词 https://github.com/AaronJny/DeepLearningExamples/tree/master/keras-bert-poetry-generator 下载BERT-Base模型的预训练ckpt：可在MindSpore官网下载修改配置文件'pre_training_ckpt': './bert_converted.ckpt', 修改为bert_base.ckpt开始训练python poetry.py什么，出错了，去看代码了parser.add_argument('--device_target', type=str, default='Ascend', help='Device target')默认训练设备Ascend，添加参数GPUpython poetry.py --device_target=GPUWhat！！！低端显卡不配吗？CPU下有个算子不支持，GPU又嫌我配置低，......(此处省略3000字)搬砖去了，等3070出了再来试试。。。惯例，邮箱地址： yuanyanglv@qq.com

俗话说得好，没有规矩不成方圆，AI越来越火爆，带来的问题也慢慢出现，对于AI的规范，你有什么见解？

你认为AI的未来是什么样的？你最想在哪个领域见到AI？

AI在家庭中适合那些算法？类似于某爱同学，某度，某猫精灵，还有华为AI音响这种，合适哪些算法？

现有AI技术对大数据的帮助是怎样的，是如何对大数据进行处理的？

ModelArts的自动学习功能支持哪些AI模型开发？

我们大多数人已经尝试过，通过几个机器学习教程来掌握神经网络的基础知识。这些教程非常有助于了解人工神经网络的基本知识，如循环神经网络，卷积神经网络，GANs和自编码器。但是这些教程的主要功能是为你在现实场景中实现做准备。现在，如果你计划建立一个利用深度学习的人工智能系统，你要么(i)有一个非常大的预算用于培训优秀的人工智能研究人员，或者(ii)可以从迁移学习中受益。什么是迁移学习？迁移学习是机器学习和人工智能的一个分支，其目的是将从一个任务(源任务)中获得的知识应用到一个不同但相似的任务(目标任务)中。例如，在学习对维基百科文本进行分类时获得的知识可以用于解决法律文本分类问题。另一个例子是利用在学习对汽车进行分类时获得的知识来识别天空中的鸟类。这些样本之间存在关联。我们没有在鸟类检测上使用文本分类模型。迁移学习是指从相关的已经学习过的任务中迁移知识，从而对新的任务中的学习进行改进总而言之，迁移学习是一个让你不必重复发明轮子的领域，并帮助你在很短的时间内构建AI应用。迁移学习的历史为了展示迁移学习的力量，我们可以引用Andrew Ng的话：迁移学习将是继监督学习之后机器学习商业成功的下一个驱动因素迁移学习的历史可以追溯到1993年。Lorien Pratt的论文“Discriminability-Based Transfer between Neural Networks”打开了潘多拉的盒子，向世界介绍了迁移学习的潜力。1997年7月，“Machine Learning”杂志发表了一篇迁移学习论文专刊。随着该领域的深入，诸如多任务学习等相邻主题也被纳入迁移学习领域。“Learning to Learn”是这一领域的先驱书籍之一。如今，迁移学习是科技企业家构建新的人工智能解决方案、研究人员推动机器学习前沿的强大源泉。

本文总共10条资讯 其他麒麟9000锤苹果，超强拍照默秒全，三分钟看完mate40全系新品！华为Mate40系列来了！2020-10-23 00:42:22原文链接快讯Verizon 推出 AR 体验博物馆Verizon 今日宣布了两项旨在为「新规范」重塑博物馆展品的计划。前者提供了史密森尼博物馆中当前发现的人工制品的增强现实版本，而后者则着重于一场比赛，以想象新的数字工具和未来展览的体验。据了解，Verizon 的 AR 博物馆体验现已上市，用户只需使用智能手机的摄像头和网络浏览器即可访问数字版本的展览。在一个示例中，扫描 QR 码可访问史密森尼国家自然历史博物馆的毛茸茸的猛 mm 象。展览可以在任何空间中以完整比例或口袋大小显示，并配有音频旁白，浮动的信息标语牌以及相关 Web 内容的链接。（VentureBeat）2020-10-23 07:58原文链接Motional 在拉斯维加斯与 Lyft 一起恢复自动驾驶出租车服务由 Aptiv 和现代合资的无人驾驶汽车合资公司 Motional 今日宣布，自新冠疫情而暂停运营后，该公司将恢复与 Lyft 在拉斯维加斯的自动驾驶交通服务。乘客将从本周开始乘坐全新的 Motional 品牌的出租车，Motional 表示将优先考虑安全和防护措施，以保持机队卫生。（VentureBeat）2020-10-23 07:57原文链接特斯拉的「完全自动驾驶」测试版热议不断本周，特斯拉开始将「全自动驾驶」（FSD）更新推向特定的客户群。该软件使驾驶员能够使用 Autopilot 的许多高级驾驶员辅助功能本地非高速公路街道上的地图项仍处于测试阶段。因此，它在运行时需要不断监控。或者，就像特斯拉用介绍性语言警告时一样，「它可能会在更糟糕的时间做错事情」。目前已有用户在网络分享分享自己的试驾体验。（The Verge）2020-10-23 07:57原文链接农业初创公司 TeleSense 融资 1020 万美元TeleSense 是一家开发基于 AI 的软件和传感器以预测储存和运输中农作物质量的初创公司，已筹集了 1,020 万美元。该公司表示，这些资金将用于研发和扩大其团队。TeleSense 的平台旨在通过传感器收集农作物温度，湿度和用于分析数据并预测质量的 AI 算法的位置指标来防止此问题。这些传感器可通过蜂窝数据连接在任何地方工作，并监视固定存储单元以及运输中的存储单元，例如驳船，铁路车，地上堆，谷物袋，地堡，垃圾箱，仓库和板条箱。一个应用程序分析传入的信息并识别与霉菌，昆虫，水分和其他受损的存储条件有关的问题，并在检测到问题时通知利益相关者。（VentureBeat）2020-10-23 07:56原文链接CSAIL 研究团队使用机器学习翻译失传语言麻省理工学院计算机科学与人工智能实验室（CSAIL）的研究人员最近语言翻译领域取得了重大进展：研究人员提出了一种新系统，该系统已被证明能够在无需了解其与其他语言之间的关系的高级知识下自动解密一种失传的语言。研究人员表明，他们的系统本身可以确定语言之间的关系，并用它来证实最近的学术研究，这表明伊比利亚语言实际上与巴斯克语无关。该小组的最终目标是使该系统能够仅使用几千个单词就可以解密数十年来躲避语言学家的语言。（MIT）2020-10-23 07:44原文链接IBM 和辉瑞声称 AI 可以 71％的准确性预测阿尔茨海默氏症的发作阿尔茨海默氏病始于模糊不清的现象，经常被误解为轻度记忆力丧失的迹象，然后是认知能力和生活质量的缓慢，逐渐严重下降。辉瑞公司和 IBM 研究人员声称已经开发出了一种机器学习技术，可以在症状发作数年之前预测出阿尔茨海默氏病。通过分析从临床口头测试中获得的少量语言数据样本，该团队表示，在针对一群认知健康的人群进行测试时，他们的方法达到了 71％的准确性。（VentureBeat）2020-10-23 07:43原文链接研究人员发现商业语音识别系统中的高错误率某些自动语音识别（ASR）系统的准确性可能比以前假定的要差。这是约翰·霍普金斯大学，波兰波兹南工业大学，弗罗茨瓦夫科技大学和初创公司 Avaya 的研究人员最近进行的一项研究的最高发现，该研究对内部创建的数据集上的商业语音识别模型进行了基准测试。共同作者声称，单词错误率（WER）（一种常见的语音识别性能指标）显着高于最佳报告结果，这可能表明自然语言处理（NLP）领域存在着更广泛的问题。研究人员们在来自 1595 个代理商和 1,261 个客户的 50 个呼叫中心对话的数据集上评估了几种 ASR 系统，这些对话时间长达 8.5 小时，其中语音时间为 2.2 小时。根据数据集，ASR 系统先前发布的错误率不会超过 15％，而下降到 2％。这与研究结果相反。在记录下来的有关金融，保险，电信和预订的电话交谈中进行了测试，合著者发现 WER 高达 23.31％。预订和电信通话费率最高，这可能是因为对话涉及特定的日期和时间，金钱，地点，产品和公司名称。但是 WER 在每个领域都高于 13.73％。论文传送门：https://bit.ly/35mMA97（VentureBeat）2020-10-23 07:42原文链接微软联合 MITER 发布框架可帮助抵御对抗性 AI 攻击微软，非营利性 MITER 公司以及包括 IBM，Nvidia，空客以及博世在内的 11 个组织今天发布了 Adversarial ML Threat Matrix，一个旨在帮助安全分析人员检测，响应和补救针对机器学习系统的威胁的以行业为中心的开放框架。微软表示，该公司与 MITER 合作建立了这一架构，该架构可以组织恶意参与者在颠覆机器学习模型中所采用的方法，从而加强对组织关键任务系统的监控策略。（VentureBeat）2020-10-23 07:41原文链接 

Ai产品适用场景越来越多 意味着以后ai产品会向现在web或app上有快速上线及验证的需求 那么如何建立ai产品的持续交付或者devops体系

视频和图像中人脸的检测、识别和检索，这些图像处理技术和应用在当今的科技发展中发挥着越来越重要的作用。比如，公安、交通应用当中。人脸检测和人脸检索通常都是非监督学习的过程。而人脸识别是有监督学习的过程，需要使用一定数量的有标签的图像训练分类模型。    本话题就是讨论人脸识别、人脸检测、人脸检索技术的应用，非常期待看到大家精彩的评论：1、人脸检测、人脸识别与人脸检索的应用场景。2、结合当前的应用情况，分析未来这三种图像处理技术的前景及应用。比如：近日，一篇名为《我潜伏上海“名媛”群，做了半个月的名媛观察者》的文章迅速在朋友圈刷屏，引发了社会的广大关注！而此件事情背后带给我们的就是：为什么网络上的“假美女”越来越多，发布的美图真假难辨。难道真的无解吗？其实并非如此，借助人工智能算法的帮助，给图片卸妆将美女打回原形并非不可能。一键卸妆！人工智能瞬间把美女打回了原形。其实，AI一键卸妆是基于人工智能研究领域的一个分支视觉传达，系统会根据数据分析对比，使用AI及神经网络等技术，自动对人物面部特征进行分析，进而实施较为准确的一键卸妆。而想做到这一点就要有足够的图形数据帮助系统进行机器学习，而图形和人像的数据往往是非结构化数据，因此必然需要经过处理后形成带有标记、结构化和窄领域的特点，这样才能发挥数据的价值。怎么样，类似的例子在我们生活中举不胜举，因为人工智能技术早已融入到我们生活中了，那么针对我们上述的话题，欢迎大家畅所欲言，亮出法宝！有奖活动：参与本次话题讨论，有机会获得优质评论奖，赢取大奖。活动时间：2020年10月23日-10月31日参与方式：直接在本帖回复关于以上2个问题中的任意1个或多个问题的理解或评论。获奖方式：活动结束后，将由后台工作人员选取出3名优质评论奖，送上价值299元的华为云定制双肩包一款。同时考虑大家的积极参与，我们将在有效回复中抽取几名分别送出价值299元的华为云定制双肩包一款。（抽奖礼品规则为：有效回复达到20，抽取三名幸运奖；有效回复达50总计抽取五名幸运奖；有效回复达80总计抽取7个；有效回复达100个总计抽取10个幸运奖。机不可失，时不再来。丰厚大奖等着您，还在犹豫什么......）评奖标准：回复的内容质量和点赞互动数量。发奖时间：11月7日之前会论坛帖子公示中奖用户，填写问卷并添加华为云AI小仙女微信后发ID和地址，工作人员会把奖品于11月30日之前寄出。