在学习AI全栈的Hilens端侧AI部分，想到家里有一个华为智选的海雀AI摄像头，100多块钱买的没有开通云服务然后在手机负一屏“智慧生活”里，可能看到准实时的吧，人体移动告警点进去可以看到免费15秒的视频我想知道，这个人体移动的AI检测，是在摄像头端侧做的？还是到云端做的？如果是在云端做的，好像也没有哪里做设置啊？而且未经用户设置，将监控视频发到云端做检测，也涉嫌侵犯用户的隐私吧？所以我觉得可能是端侧做的吧？但是也不太确定，这个摄像头100多块也不贵，自己有这个AI能力还是很厉害的哦？

如果未来继续从事技术开发，优化自己的技术栈估计是多数人的选择之一，如何增加个人的竞争力，已经成为大多数软件开发打工人职业生涯必须面对的重要问题。那么学习AI作为技能之一，是否能有效帮助提升自己的竞争力？

本文档是ModelArts AI市场算法conv-ensemble-str（以下简称为本算法）的详细使用方法。本算法使用MJSynth数据集中的train集训练，在SVT集上测试达到了word accuracy = 84.2的准确率。代码结构如下：src ├── LICENSE  # 开源协议 ├── README.md  # 开源代码的原版介绍 ├── pylintrc  ├── config.py  # 配置文件 ├── convert.py  # 用于将ckpt模型转换成pb模型 ├── datasets.py  # 数据集定义文件 ├── demo.py  # 从ckpt中读取模型，直接从图片读入，输出识别结果的demo ├── demo_pb.py  # 从pb中读取模型，直接从图片读入，输出识别结果的demo ├── eval_one_pass.sh  # 推理阶段直接在整个数据集上测试精度的脚本 ├── train.py  # 模型训练代码 ├── evluation.py  # 模型评估代码 ├── model  # 以下目录分编码器，解码器实现网络结构 │   ├── __init__.py │   ├── decoder_conv.py │   ├── encoder_resnet.py │   ├── model.py │   └── resnet_v2.py ├── tools   │   └── make_tfrecord_datasets.py  # 生成tfrecord格式数据集的工具。 ├── utils  # 模型实现中用的工具代码 │   ├── __init__.py │   ├── beam_search.py │   ├── hooks.py │   ├── inception_preprocessing.py │   ├── metrics.py │   └── utils.py ├── trained_model │   ├── model  # 用于存放复现的模型，可以用于进一步预训练 │   │   ├── config.json │   │   ├── customize_service.py │   │   ├── variables │   │   │   ├── checkpoint │   │   │   ├── variables.ckpt.index │   │   │   ├── variables.ckpt.meta │   │   │   └── variables.ckpt.data-00000-of-00001 ├── pre-trained_weights  # 用于复现阶段的初始化模型，未使用因而未空 ├── tf-SVT  # 用于评估的数据集 │   ├── charset_size=63.txt # 用于字母与id索引的文件 │   ├── test  # 存放tfrecord格式测试图像1. 准备数据集本算法支持的数据集格式为tfrecord格式的MJSynth数据集。MJSynth数据集为人工合成的数据集，目前广泛应用于场景文本识别模型的训练当中。MJSynth数据集包含900万张英文单词图像。该数据集划分为train,val,test三个部分。其中train部分包含720万余张图像。本算法仅使用其中的720万余张图像做模型预训练。MJSynth的训练集标注在annotation_train.txt文件中，其中每一行对应一张图像，每一行的第一列为图像路径，其中图像标注在路径文件名中（第二列中的数字可以忽略，与本算法无关）。样例如下：./2425/1/115_Lube_45484.jpg 45484 ./2425/1/114_Spencerian_73323.jpg 73323 ./2425/1/113_accommodatingly_613.jpg 613 ./2425/1/112_CARPENTER_11682.jpg 116821.1 下载数据集并转换数据集下载原始训练数据集可点此链接下载mjsynth.tar.gz文件，如下图所示：mjsynth.tar.gz解压后的目录结构如下：mjsynth ├── 1 │   ├── 1 │   ├── ... │   └── 7 ├── 2 ├── ... ├── 3999 ├── lexicon.txt ├── imlist.txt ├── annotation.txt ├── annotation_train.txt ├── annotation_val.txt ├── annotation_test.txt转换训练数据集使用make_tfrecord_datasets.py转换数据集。需在该工具中配置ORIGINAL_DIR及OUTPUT_DIR路径。转换后的目录结构如下：tf-mjsynth ├── charset_size=63.txt ├── train │   ├── train-0000 │   ├── ... │   └── train-2408 ├── val │   └── ... ├── test │   └── ...如果您需要使用自己的数据集进行训练，则需要将数据目录整理成和上面一样的形式。并使用（或修改）make_tfrecord_datasets.py工具转换成tfrecord格式。下载并转换测试数据集测试数据集为Street View Text (SVT)，其包含647张街景图像。SVT的准备流程参照训练数据集。1.2 安装OBS Browser+并上传数据集ModelArts使用对象存储服务（OBS）来存储数据，实现安全、高可靠和低成本的存储需求。OBS Browser+是一款用于访问和管理对象存储服务（Object Storage Service，OBS）的图形化工具，支持完善的桶管理和对象管理操作。OBS Browser+的图形化界面可以非常方便地让用户在本地对OBS进行管理，例如：创建桶、上传下载文件、浏览文件等。具体操作步骤如下：（1）点此下载OBS Browser+，下载完成后解压缩，双击exe进行安装，安装完成后运行；（2）登录界面如下图所示，需要您填写账号名、Access Key ID（AK）和Secret Accsee Key（SK），参考此文档，获取AK和SK，华为云上的许多产品都需要用到访问密钥，请妥善保存该密钥文件，然后参考下图填写您的华为云账号名及刚获取的AK和SK，点击登录；（3）参考下图，点击“创建桶”，输入桶名称，注意：区域要选择华北-北京四、标准存储、私有、关闭多AZ，桶名需自定义，OBS桶名要全局唯一，如提示桶名已存在，则需要您修改为其他名称，比如本文设置桶名为paper-reproduction-01。您设置的桶名必须与此不同，如在下文的操作指导中看到conv-ensemble-str，请主动将桶名替换为您自己的桶名，下文将不再进行提示；（4）点击桶名称，进入到桶中，点击“新建文件夹”，输入文件夹名称，如“train_input”，点击进入文件夹，再新建“datasets”，点击“上传”->“添加文件”-> 选择本地下载好的数据集压缩包（之所以选压缩包格式是因为如果数据集比较大，上传压缩包比上传文件夹快很多） –> 确定，如下图所示；（5）点击OBS Browser+左侧的“任务管理”，可查看数据上传进度。如下图所示，点击设置，在基础设置中，设置最大并发数为最大值50，可以加快数据上传速度2. 订阅本算法点击本页面右上方的【订阅】按钮。然后点击页面下方的【下一步】按钮，再点击【确认付款】按钮，最后点击【确定】按钮进入我的订阅页面，可以看到刚刚订阅的算法。点击【应用控制台】超链接，选择华北-北京四区域，进入算法管理页面。如下图所示，点击“同步”按钮，同步算法，可以点击刷新按钮，刷新状态。当状态变成就绪时，表示同步成功。3. 创建训练作业（需根据具体算法修改）点击上图中的“创建训练作业”，按照下表填写训练作业参数：参数名参数值算法名称默认值即可，无需修改数据来源数据存储位置，选择obs://conv-ensemble-str/modelarts/datasets/模型输出选择obs://conv-ensemble-str/output/output_dir./train_outputdataset_dir./train_input/datasets/tf-mjsynth/train_steps300000checkpoint./checkpointlearning_rate0.01scheduletrain作业日志路径选择obs://conv-ensemble-str/logs/资源池公共资源池规格modelarts.bm.gpu.v100.2，或者根据自己的需要进行选择计算节点个数1点击下一步，提交，训练作业的状态会经历“初始化”、“部署中”、“运行中”和“运行成功”四个状态。训练作业运行成功后，在上表中指定的“模型输出”路径下会自动生成model目录，该目录下有模型文件、ModelArts平台推理脚本（config.json、customize_service.py）和其他运行模型必备的文件。4. 模型导入准备好模型及相关的必备文件后，您可以将生成的模型导入至ModelArts模型管理。具体操作如下：（1）在ModelArts控制台的左侧导航栏点击“模型管理” -> “模型”，点击右侧页面中的“导入”。在导入模型页面填写名称，选择元模型来源，可以直接从训练中选择，也可以从OBS中选择。如果是从OBS中选择，则需要选择到model目录的上一级目录；例如，本次可选择的目录为obs://paper-reproduction-01/algorithms/train_output，如下图所示：注意：选择好元模型路径后，“AI引擎”会自动填充。如未能自动填充，请检查元模型路径是否是model目录的上一级目录，或者model目录下是否包含模型配置文件config.json。（2）点击“立即创建”，需要一点时间来等待模型导入和构建，当模型版本状态为“正常”后，即表示模型导入成功。5. 创建在线服务在ModelArts上，可以将模型部署为在线服务，然后上传图片进行预测，直接在网页端观察预测结果。部署为在线服务具体步骤如下：（1）在ModelArts左侧导航栏中选择“部署上线 -> 在线服务”，然后点击页面中的“部署”；（2）在部署页面填写参数，其中在“模型列表”选择要导入的模型及版本，计算节点规格选择CPU即可；（3）点击“下一步”，参数确认无误后，点击“提交”。提交后，您可以在在线服务列表中查看部署进度，当状态变为“运行中”后，点击服务名称，进入详情页面，点击“预测”，上传图片进行测试。6. 创建批量服务在ModelArts上，还可以将模型部署为批量服务，从OBS加载测试集图片进行预测，然后将预测结果输出到OBS。部署为批量服务具体步骤如下：（1）在ModelArts左侧导航栏中选择“部署上线 -> 批量服务”，然后点击页面中的“部署”；（2）在部署页面填写参数，其中在“模型列表”选择要导入的模型及版本，填写输入数据目录和输出数据目录，计算节点规格选择“CPU 2核 8GB”，计算节点个数设为1；（3）点击“下一步”，参数确认无误后，点击“提交”。提交后，您可以在批量服务列表中查看部署进度，当状态变为“运行中”后，表示正在预测中，当状态变为“运行完成”，表示这批图片已经预测结束，预测结果是一批txt文件，保存在上图指定的OBS输出数据目录位置中，可以前往该目录查看结果。7. 模型评估参考本文第2节中的步骤，创建“训练作业”，按照下表设置训练参数：参数名参数值算法名称默认值即可，无需修改数据来源数据存储位置，选择obs://conv-ensemble-str/modelarts/datasets/模型输出选择obs://conv-ensemble-str/output/output_dir./trained_model/model/variablesscheduleevaluatedataset_nameMJSynthbeam_width5dataset_dir./tf-SVT作业日志路径选择obs://conv-ensemble-str/logs/资源池公共资源池规格modelarts.bm.gpu.v100.2，或者根据自己的需要进行选择计算节点个数1点击下一步，提交，训练作业的状态会经历“初始化”、“部署中”、“运行中”和“运行成功”四个状态。训练作业运行成功后，在上表中指定的“模型输出”路径下会自动生成模型评估结果。

本文档是ModelArts AI市场算法DenseNet（以下简称为本算法）的详细使用方法。本算法使用ILSVRC 2012  ImageNet图片分类数据集中的train集和val集，使用train集训练，在val上single-crop测试达到的准确率为：DenseNet-121     top1:74.29%   top5:92.00%DenseNet-169     top1:75.48%   top5:92.64%DenseNet-201     top1:76.37%   top5:93.07%DenseNet-264     top1:76.68%   top5:93.17%1. 准备数据集本算法支持的数据集格式为ILSVRC 2012  ImageNet图片分类数据集。ILSVRC 2012  ImageNet中总共有1000个类别，其中train训练集有为1281167张图片，val验证集有50000张图片。该数据集通常作为业界衡量人图片分类准曲率的可靠指标。数据集的具体信息，包括评估脚本、标注文件、提交测试demo等可查看数据集官网。ILSVRC 2012  ImageNet数据集旨在用于:(1) 评估图片分类模型的准确率检测；(2) 基于此数据集训练出通用的图片分类模型预训练参数。1.1 下载数据集首先需要在数据集官网下载ILSVRC 2012  ImageNet数据集，下载前需要先登录账号，如下图所示：注：如果还没账号需要先注册，注册时建议使用edu邮箱注册，其它邮箱注册后有可能没法下载完整的数据集，且下载的过程中不建议使用多线程下载，否则可能出现禁止下载的情况；数据集总共将近有150G的容量，若觉得官网下载太慢，也可使用其它下载途径，只要在百度上搜索ImageNet相关信息，就能找到很多其它下载途径下载好ImageNet数据集解压完后会得到一个imagenet_original目录，ImageNet所有的数据信息都在该目录中，目录结构如下：└─imagenet_original    ├─train        ├─n01440764        ├─n01443537        ├─n01484850        ......     ├─val        ├─n01440764        ├─n01443537        ├─n01484850        ......     ├─subset     ├─caffe_ilsvrc12然后将caffe_ilsvrc12目录中的synset_words.txt文件复制到val文件夹中，并重命名为label.txt，该文件为标签信息文件，训练过程中(即参数eval=False)不需要使用这个文件，但预测评估过程（即eval=True）需要使用这个文件，否则无法输出预测标签，预测评估过程会出错；subset和caffe_ilsvrc12目录本算法中不需要使用，可以直接删掉；操作完后，最终目录格式如下：└─imagenet_original    ├─train        ├─n01440764        ├─n01443537        ├─n01484850        ......     ├─val        ├─n01440764        ├─n01443537        ├─n01484850        ......        ├─label.txt到此，该数据集目录可以直接上传至OBS，用于训练和评估；如果是训练，则需要将data_url参数设置为imagenet_original目录在OBS上的访问路径，如果是预测评估，则需要将data_url参数设置为val目录所在OBS上的访问路径；但由于该数据集文件数量很多，为了方便数据传输和节约数据传输的时间，可以将数据集进行打包压缩；要注意的是，进行打包时，被打包的文件夹名称以及打包后的压缩包名称固定不能修改，如下所述：训练时可以将整个imagenet_original进行tar.gz分包压缩，每个分包10GB，总共有15个压缩包（最后一个压缩包2GB），每个分包的名称为imagenet.tar.gza*，如下图所示：然后可以将此15个分包上传至OBS的同一个目录下面，将data_url参数设置为该15个分包的父目录所在的OBS访问路径；在训练过程中，使用tar.gz的方式与直接使用目录的方式相比，数据copy时间会减少20多分钟（训练ImageNet数据集时，直接使用目录copy时间约50分钟，而复制tar.gz压缩分包的方式大约30分钟以内）预测评估时也可以将val目录打包压缩成val.zip，然后上传至OBS中，data_url设置成val.zip文件所在的父目录的OBS访问路径；注：1.上传压缩包时，压缩包所在的OBS目录不要存放其它无关文件，避免上传多余的文件       2.上传不同格式的数据集data_forma参数也要设置对应的值，直接上传目录设置为dir，如果为tar.gz压缩包，则设置为tar.gz，如果为zip压缩包，则设置为zip       3.打包时的命名要求必须严格遵守，不然训练和预测评估将会出错1.2 安装OBS Browser+并上传数据集ModelArts使用对象存储服务（OBS）来存储数据，实现安全、高可靠和低成本的存储需求。OBS Browser+是一款用于访问和管理对象存储服务（Object Storage Service，OBS）的图形化工具，支持完善的桶管理和对象管理操作。OBS Browser+的图形化界面可以非常方便地让用户在本地对OBS进行管理，例如：创建桶、上传下载文件、浏览文件等。具体操作步骤如下：（1）点此下载OBS Browser+，下载完成后解压缩，双击exe进行安装，安装完成后运行；（2）登录界面如下图所示，需要您填写账号名、Access Key ID（AK）和Secret Accsee Key（SK），参考此文档，获取AK和SK，华为云上的许多产品都需要用到访问密钥，请妥善保存该密钥文件，然后参考下图填写您的华为云账号名及刚获取的AK和SK，点击登录；（3）参考下图，点击“创建桶”，输入桶名称，注意：区域要选择华北-北京四、标准存储、私有、关闭多AZ，桶名需自定义，OBS桶名要全局唯一，如提示桶名已存在，则需要您修改为其他名称，比如本文设置桶名为paper-reproduction-01。您设置的桶名必须与此不同，如在下文的操作指导中看到paper-reproduction-01，请主动将桶名替换为您自己的桶名，下文将不再进行提示；（4）点击桶名称，进入到桶中，点击“新建文件夹”，输入文件夹名称，如“train_input”，点击进入文件夹，再新建“datasets”（具体文件夹名称、以及文件夹层数可自由设置），点击“上传”->“添加文件”(或者文件夹)-> 选择本地准备好的数据集目录或者压缩包（如imagenet.tar.gza*或者val.zip）进行上传（本算法中用到的ImageNet文件数量很多，所以上传解压后的文件夹，速度会较慢，建议使用imagenet.tar.gza*或val.zip压缩包的形式上传） –> 确定，如下图所示；（5）点击OBS Browser+左侧的“任务管理”，可查看数据上传进度。如下图所示，点击设置，在基础设置中，设置最大并发数为最大值50，可以加快数据上传速度2. 订阅本算法点击本页面右上方的【订阅】按钮。然后点击页面下方的【下一步】按钮，再点击【确认付款】按钮，最后点击【确定】按钮进入我的订阅页面，可以看到刚刚订阅的算法。点击【应用控制台】超链接，选择华北-北京四区域，进入算法管理页面。如下图所示，点击“同步”按钮，同步算法，可以点击刷新按钮，刷新状态。当状态变成就绪时，表示同步成功。3. 创建训练作业点击上图中的“创建训练作业”，按照下表填写训练作业参数：名称默认值类型是否必填是否可修改描述device_targetAscendstring否是训练用的硬件平台，有CPU、GPU和Ascend,本算法支持Ascend训练data_urldata/imagenet_original/string是是训练或者评估输入的数据集 （支持上传压缩包和文件目录；如果使用文件夹形式的数据，则填写该文件夹在OBS上的访问路径；如果使用zip或者tar.gz压缩包形式的数据，则填写该压缩包的父目录在OBS上的访问路径）train_urloutput/string是是训练或者评估结果输出路径data_formattar.gzstring否是可选值zip(上传数据为zip压缩包)、tar.gz（训练数据集的分包压缩形式）或者dir（上传数据为目录形式），压缩包和目录的具体格式要求请参考上面第一节《数据集准备》epoch_size120int否是模型训练的epoch数量batch_size256int否是训练或者评估时每个batch的大小init_lr0.1string否是训练的初始学习率momentum0.9string否是优化器的动量系数load_weightweight/best_model.ckptstring否是可加载的预训练模型，当eval=True时，该参数为必填项 ；默认值是在ImageNet数据集上的预训练模型，该预训练模型已包含在本算法中weight_decay0.0001string否是优化器中的正则化权重衰减量img_size224int否是训练图片的尺寸，默认值与论文中保持一致num_classes1000int否是类别数量，默认值为ImageNet类别数量conv2d_keep_prob1.0string否是dropout的设置值，默认与论文中训练ImageNet保持一致architectureDenseNet-121string否是可选值为DenseNet-121、DenseNet-169、DenseNet-201和DenseNet-264amp_levelO3string否是混合精度训练的设置值，根据mindspore官方文档，Ascend硬件下训练建议使用O3，如效果不佳，可根据实际模型训练情况更改optimizerSGDstring否是优化器，默认与论文保持一致no_topFalsestring否是加载预训练模型时，是否包含顶部的分类器，若加载的预训练模型中的类别数与训练模型设置的num_classes不同，则必须设置为True，否则会报错，无法加载预训练模型evalFalsestring否是eval=True，则进行预测评估；eval=False进行训练点击下一步，提交，训练作业的状态会经历“初始化”、“部署中”、“运行中”和“运行成功”四个状态。在训练过程中，每一个epoch之后都会检测是否为当前最优模型，如果最优，则会保存到OBS中，即在上表中指定的“train_url”路径下会自动生成一个文件夹，文件夹的命名包含了本输出的模型准确率，如‘’DenseNet-121_valacc0.7520161290322580645_epoch99‘’，文件夹下面又有4个目录，分别为checkpoint、air、onnx、mindir，里面存放输出的对应格式的模型文件，具体不同的格式如何使用，请参考mindspore官方部署推理文档。4. 模型评估参考本文第3节中的步骤，创建“训练作业”，按照下表设置训练参数：参数名参数值data_url数据存储位置，选择测试集所在路径，如obs://paper-reproduction-01/algorithms/train_input/datasets/（这里如果使用的是验证集的zip压缩包，则需要选择zip压缩包父目录的OBS路径，如上述连接，实际copy的是obs://paper-reproduction-01/algorithms/train_input/datasets/val.zip）train_url模型的输出，选择obs://paper-reproduction-01/algorithms/eval_outputload_weight加载要评估的模型，如obs://paper-reproduction-01/algorithms/weight/best_model.ckptevalTruedata_formatzipbatch_size1architectureDenseNet-121点击下一步，提交，训练作业的状态会经历“初始化”、“部署中”、“运行中”和“运行成功”四个状态。训练作业运行成功后，在上表中指定的“train_url”路径下会自动生成infer_results.txt目录和eval_result.txt文件，其中infer_results.txt目录中是所有图片的分类结果    。

1. 概述本文档是ModelArts AI市场算法CrowdDet（以下简称为本算法）的详细使用方法。本算法使用CrowdHuman高质量标注数据集中的train集和val集，使用train集训练，在val集上测试达到了AP=0.9056的准确率。代码结构如下src |-- download/ # 算法运行时将OBS中储存的数据将加载到此目录 |     |-- annotation_train.odgt |     |-- annotation_val.odgt |     |-- images/ |     |     |-- 1066405,100a000985ef070.jpg |-- pre-trained_weights/ |     |-- resnet50_fbaug.pth # 训练模型所需要的backbone起点 |-- trained_model/ |     |-- model/ |     |     |-- model_config.py # 模型和训练默认参数配置 |     |     |-- network.py # 模型结构 |     |     |-- config.json # 模型部署文件 |     |     |-- customize_service.py # 模型部署文件 |     |     |-- model_final.pth # 训练得到的模型，用于模型部署 |     |     |-- model_lib/ # 开源包、模型构建、数据集加载等文件 |     |     |     |--... |-- tools/ |     |-- run_infer.py # 推理 |     |-- run_train.py # 训练模型 |     |-- run_test.py # 在验证集上推理并输出评价指标 |-- config_env.sh # 运行前环境配置（升级Pytorch-1.5.0） |-- train.py # 算法执行文件 |-- evaluation.py # 输出业界评价标准2. 准备数据集本算法支持的数据集格式为CrowdHuman数据集。CrowdHuman是一个基准大数据集，可以更好地评估人群场景中的探测器，带有注释，并且具有很高的多样性。 CrowdHuman包含分别用于训练、验证和测试的15000、4370和5000张图像。来自训练和验证子集的总共47万个人类实例，每个图像有23个人，数据集中有各种遮挡。每个人类实例都带有头部边界框，人类可见区域边界框和人类全身边界框。有关带注释的类的详细信息和注释示例可在数据集的官网上找到。 CrowdHuman 数据集旨在用于促进人类检测任务的未来研究。2.1. 下载数据集可点此链接下载CrowdHuman_train01.zip, CrowdHuman_train02.zip CrowdHuman_train03.zip, CrowdHuman_val.zip, annotation_train.odgt, annotation_val.odgt文件，将所有图片解压到同一个文件夹，最终保证数据目录如下所示|-- data_url/ |     |-- images/ # 所有解压得到的图片 |     |     |-- 1066405,100a000985ef070.jpg |     |     |-- ... |     |-- annotation_train.odgt # 训练集标注文件 |     |-- annotation_val.odgt # 验证集标注文件2.2. 安装OBS Browser+并上传数据集ModelArts使用对象存储服务（OBS）来存储数据，实现安全、高可靠和低成本的存储需求。OBS Browser+是一款用于访问和管理对象存储服务（Object Storage Service，OBS）的图形化工具，支持完善的桶管理和对象管理操作。OBS Browser+的图形化界面可以非常方便地让用户在本地对OBS进行管理，例如：创建桶、上传下载文件、浏览文件等。具体操作步骤如下：（1）点此下载OBS Browser+，下载完成后解压缩，双击exe进行安装，安装完成后运行；（2）登录界面如下图所示，需要您填写账号名、Access Key ID（AK）和Secret Accsee Key（SK），参考此文档，获取AK和SK，华为云上的许多产品都需要用到访问密钥，请妥善保存该密钥文件，然后参考下图填写您的华为云账号名及刚获取的AK和SK，点击登录；（3）参考下图，点击“创建桶”，输入桶名称，注意：区域要选择华北-北京四、标准存储、私有、关闭多AZ，桶名需自定义，OBS桶名要全局唯一，如提示桶名已存在，则需要您修改为其他名称，比如本文设置桶名为paper-reproduction-01。您设置的桶名必须与此不同，如在下文的操作指导中看到paper-reproduction-01，请主动将桶名替换为您自己的桶名，下文将不再进行提示；（4）点击桶名称，进入到桶中，点击“新建文件夹”，输入文件夹名称，如“train_input”，点击进入文件夹，再新建“datasets”，点击“上传”->“添加文件”-> 选择本地下载好的数据集压缩包（之所以选压缩包格式是因为如果数据集比较大，上传压缩包比上传文件夹快很多） –> 确定，如下图所示；（5）点击OBS Browser+左侧的“任务管理”，可查看数据上传进度。如下图所示，点击设置，在基础设置中，设置最大并发数为最大值50，可以加快数据上传速度。3. 订阅本算法点击本页面右上方的【订阅】按钮。然后点击页面下方的【下一步】按钮，再点击【确认付款】按钮，最后点击【确定】按钮进入我的订阅页面，可以看到刚刚订阅的算法。点击【应用控制台】超链接，选择华北-北京四区域，进入算法管理页面。如下图所示，点击“同步”按钮，同步算法，可以点击刷新按钮，刷新状态。当状态变成就绪时，表示同步成功。4. 创建训练作业点击上图中的“创建训练作业”，按照下表填写训练作业参数：点击下一步，提交，训练作业的状态会经历“初始化”、“部署中”、“运行中”和“运行成功”四个状态。训练作业运行成功后，在上表中指定的“obs_output_url”路径下会自动生成model目录，该目录下有模型文件、ModelArts平台推理脚本（config.json、customize_service.py）和其他运行模型必备的文件。（本算法提供在CrowdHuman上预训练得到的模型，因此finetune默认轮数为1轮。）5. 模型导入准备好模型及相关的必备文件后，您可以将生成的模型导入至ModelArts模型管理。具体操作如下：（1）在ModelArts控制台的左侧导航栏点击“模型管理” -> “模型”，点击右侧页面中的“导入”。在导入模型页面填写名称，选择元模型来源，可以直接从训练中选择，也可以从OBS中选择。如果是从OBS中选择，则需要选择到model目录的上一级目录；例如，本次可选择的目录为obs://paper-reproduction-01/algorithms/train_output，如下图所示：注意：选择好元模型路径后，“AI引擎”会自动填充。如未能自动填充，请检查元模型路径是否是model目录的上一级目录，或者model目录下是否包含模型配置文件config.json。（2）点击“立即创建”，需要一点时间来等待模型导入和构建，当模型版本状态为“正常”后，即表示模型导入成功。6. 创建在线服务在ModelArts上，可以将模型部署为在线服务，然后上传图片进行预测，直接在网页端观察预测结果。部署为在线服务具体步骤如下：（1）在ModelArts左侧导航栏中选择“部署上线 -> 在线服务”，然后点击页面中的“部署”；（2）在部署页面填写参数，其中在“模型列表”选择要导入的模型及版本，计算节点规格选择GPU；（3）点击“下一步”，参数确认无误后，点击“提交”。提交后，您可以在在线服务列表中查看部署进度，当状态变为“运行中”后，点击服务名称，进入详情页面，点击“预测”，上传图片进行测试。7. 创建批量服务在ModelArts上，还可以将模型部署为批量服务，从OBS加载测试集图片进行预测，然后将预测结果输出到OBS。部署为批量服务具体步骤如下：（1）在ModelArts左侧导航栏中选择“部署上线 -> 批量服务”，然后点击页面中的“部署”；（2）在部署页面填写参数，其中在“模型列表”选择要导入的模型及版本，填写输入数据目录和输出数据目录，计算节点规格选择“CPU：2 核 8 GiB GPU：1*P4”，计算节点个数设为1；（3）点击“下一步”，参数确认无误后，点击“提交”。提交后，您可以在批量服务列表中查看部署进度，当状态变为“运行中”后，表示正在预测中，当状态变为“运行完成”，表示这批图片已经预测结束，预测结果是一批txt文件，保存在上图指定的OBS输出数据目录位置中，可以前往该目录查看结果。8. 模型评估参考本文第2节中的步骤，创建“训练作业”，按照下表设置训练参数：点击下一步，提交，训练作业的状态会经历“初始化”、“部署中”、“运行中”和“运行成功”四个状态。训练作业运行成功后，在上表中指定的“模型输出”路径下会自动生成eval_results.json和metrics_result.json文件，其中eval_results.json是所有图片的预测结果，eval_metrics.json是评价结果，如图所示。eval_results.jsoneval_metrics.json

     “AI+教育”主要是要改变传统的教学方式，要从教师的教转变到学生的学。教师要充分发挥学生的主体性，改变单向传授知识的方式。学生通过自我学习发现问题、提出问题，自己去探索，或者与同伴合作，互相探讨。教师可以利用人工智能、大数据、互联网等技术优势，帮助学生的个性化学习设计科学的、合适的学习方案。人工智能、大数据、互联网等，还可以作为教师的有力助手。       个人认为人工智能还是能给教育带来诸多机遇，能够提供个性化的学习，促进学习者各方面素养和能力的提升，并减少教师的重复性工作等。人工智能可以帮助老师随时了解学生的学习情况，帮助他们解决困难，帮助教师批改作业，替代教师一些机械式的劳动，减轻教师的负担，使教师有更多的时间和学生接触沟通。不知道大家怎么看，有没有其他思路呢

        如果在这个世界上只有机器人去工作，我们人类没有工作，机器人进行生产但没有人有钱去买，这个世界就无法运转了，那就要去创造一些新的社会制度来适应机器取代人的时代。机器取代了一些人的工作，但这些人不会永远处于失业状态，他们总会找到新的工作。        时代在进步，科技在发展，我们还是还是要提升自身的能力才不会被社会淘汰。

本文档是ModelArts AI市场算法Aster（以下简称为本算法）的详细使用方法。本算法使用SynthText和MJSynth两个数据集进行训练，在IIIT5k测试集上达到Accuracy：93.7%（without Lexicon），98.4%（1k Lexicion），99.3%（50 Lexicon）。1. 准备数据集1.1 预处理数据集训练数据集：SynthText和MJSynth验证数据集：IIIT5k由于本算法的训练数据量较大，为了加快训练中Dataloader的读取速度，需要将数据集转化为lmdb格式。我们提供了已经转换好的训练数据和验证数据 (password: c8xr)。如果需要根据自己的训练数据制作，请参考我们提供的脚本。测试数据集：IIIT5k一般的文字识别算法，都不使用真实数据集的训练集进行训练，仅使用其中的测试集进行测试。测试数据不需要转换成lmdb格式。下载IIIT5k数据集中的test数据以及testdata.mat，用于测试。下载后请保证目录结构为：|-- Synth `-- |-- CVPR2016     |   |-- data.mdb     |   |-- lock.mdb     |-- NIPS2014     |   |-- data.mdb     |   |-- lock.mdb     |-- benchmark_lmdbs_new     |   |-- IIIT5K_3000     |   |   |-- data.mdb     |   |   |-- lock.mdb     `-- IIIK5K         |-- test         |   |-- *.png         `-- testdata.mat1.2 安装OBS Browser+并上传数据集ModelArts使用对象存储服务（OBS）来存储数据，实现安全、高可靠和低成本的存储需求。OBS Browser+是一款用于访问和管理对象存储服务（Object Storage Service，OBS）的图形化工具，支持完善的桶管理和对象管理操作。OBS Browser+的图形化界面可以非常方便地让用户在本地对OBS进行管理，例如：创建桶、上传下载文件、浏览文件等。具体操作步骤如下：（1）点此下载OBS Browser+，下载完成后解压缩，双击exe进行安装，安装完成后运行；（2）登录界面如下图所示，需要您填写账号名、Access Key ID（AK）和Secret Accsee Key（SK），参考此文档，获取AK和SK，华为云上的许多产品都需要用到访问密钥，请妥善保存该密钥文件，然后参考下图填写您的华为云账号名及刚获取的AK和SK，点击登录；（3）参考下图，点击“创建桶”，输入桶名称，注意：区域要选择华北-北京四、标准存储、私有、关闭多AZ，桶名需自定义，OBS桶名要全局唯一，如提示桶名已存在，则需要您修改为其他名称，比如本文设置桶名为aster-reproduction。您设置的桶名必须与此不同，如在下文的操作指导中看到aster-reproduction，请主动将桶名替换为您自己的桶名，下文将不再进行提示；（4）点击桶名称，进入到桶中，点击“新建文件夹”，输入文件夹名称，如“train_input”，点击进入文件夹，再新建“datasets”，点击“上传”->“添加文件”-> 选择本地已经按照1.1中处理好的数据–> 确定，如下图所示；（5）点击OBS Browser+左侧的“任务管理”，可查看数据上传进度。如下图所示，点击设置，在基础设置中，设置最大并发数为最大值50，可以加快数据上传速度。2. 订阅本算法点击本页面右上方的【订阅】按钮。然后点击页面下方的【下一步】按钮，再点击【确认付款】按钮，最后点击【确定】按钮进入我的订阅页面，可以看到刚刚订阅的算法。点击【应用控制台】超链接，选择华北-北京四区域，进入算法管理页面。如下图所示，点击“同步”按钮，同步算法，可以点击刷新按钮，刷新状态。当状态变成就绪时，表示同步成功。3. 创建训练作业点击上图中的“创建训练作业”，按照下表填写训练作业参数：参数名参数值算法名称默认值即可，无需修改数据来源数据存储位置，选择obs://aster-reproduction/train_input/datasets/Synth/模型输出选择obs://aster-reproduction/train_output/batch_size1024workers8height64width256voc_typeALLCASES_SYMBOLSarchResNet_ASTERcudaTrueevalFalseepoch7 (需要根据数据集大小进行调整)load_weight./trained_model/model/best_model.pth（如果输入为空，则随机初始化参数）training_dataset/home/work/modelarts/inputs/Synth/training_dataset_subfoldCVPR2016:NIPS2014 (使用的训练数据集文件夹名。支持多个数据集同时训练，用英文冒号:分隔多个数据集。)testing_dataset/home/work/modelarts/inputs/Synth/benchmark_lmdbs_new/IIIT5K_3000/test_freq1000 （单位：iteration）print_freq100（单位：iteration）作业日志路径选择obs://aster-reproduction/logs资源池公共资源池规格modelarts.bm.gpu.v100.2，或者根据自己的需要进行选择计算节点个数1点击下一步，提交，训练作业的状态会经历“初始化”、“部署中”、“运行中”和“运行成功”四个状态。训练作业运行成功后，在上表中指定的“模型输出”路径下会自动生成model目录，该目录下有模型文件、ModelArts平台推理脚本（config.json、customize_service.py）和其他运行模型必备的文件。4. 模型导入准备好模型及相关的必备文件后，您可以将生成的模型导入至ModelArts模型管理。具体操作如下：（1）在ModelArts控制台的左侧导航栏点击“模型管理” -> “模型”，点击右侧页面中的“导入”。在导入模型页面填写名称，选择元模型来源，可以直接从训练中选择，也可以从OBS中选择。如果是从OBS中选择，则需要选择到model目录的上一级目录；例如，本次可选择的目录为obs://aster-reproduction/train_output/注意：选择好元模型路径后，“AI引擎”会自动填充。如未能自动填充，请检查元模型路径是否是model目录的上一级目录，或者model目录下是否包含模型配置文件config.json。（2）点击“立即创建”，需要一点时间来等待模型导入和构建，当模型版本状态为“正常”后，即表示模型导入成功。5. 创建在线服务在ModelArts上，可以将模型部署为在线服务，然后上传图片进行预测，直接在网页端观察预测结果。部署为在线服务具体步骤如下：（1）在ModelArts左侧导航栏中选择“部署上线 -> 在线服务”，然后点击页面中的“部署”；（2）在部署页面填写参数，其中在“模型”列表选择要导入的模型及版本，计算节点规格选择CPU/GPU均可；（3）点击“下一步”，参数确认无误后，点击“提交”。提交后，您可以在在线服务列表中查看部署进度，当状态变为“运行中”后，点击服务名称，进入详情页面，点击“预测”，上传图片进行测试。6. 创建批量服务在ModelArts上，还可以将模型部署为批量服务，从OBS加载测试集图片进行预测，然后将预测结果输出到OBS。部署为批量服务具体步骤如下：（1）在ModelArts左侧导航栏中选择“部署上线 -> 批量服务”，然后点击页面中的“部署”；（2）在部署页面填写参数，选择对应的的模型及版本，填写输入数据目录（例如：/aster-reproduction/IIIT5K/test/）和输出目录（可在OBS上新建一个文件夹），计算节点规格选择CPU/GPU均可，计算节点个数设为1；（3）点击“下一步”，参数确认无误后，点击“提交”。提交后，您可以在批量服务列表中查看部署进度，当状态变为“运行中”后，表示正在预测中，当状态变为“运行完成”，表示这批图片已经预测结束，预测结果是一批txt文件，保存在上图指定的OBS输出数据目录位置中，可以前往该目录查看结果。7. 模型评估参考本文第2节中的步骤，创建“训练作业”，按照下表设置训练参数：参数名参数值算法名称默认值即可，无需修改数据来源数据存储位置，选择obs://aster-reproduction/train_input/datasets/Synth/模型输出选择obs://aster-reproduction/train_output/batch_size1024workers8height64width256voc_typeALLCASES_SYMBOLSarchResNet_ASTERcudaTrueevalTrueepochload_weight设置obs上保存的模型路径obs://aster-reproduction/train_output/model/aster_Final.pthtraining_datasettesting_dataset/home/work/modelarts/inputs/Synth/IIIT5K/test/gt_path设置/home/work/modelarts/inputs/Synth/IIIT5K/testdata.mat，如果未设置gt_path参数，则不会输出评估结果，只保存推理结果。作业日志路径选择obs://aster-reproduction/logs资源池公共资源池规格modelarts.bm.gpu.v100.2，或者根据自己的需要进行选择计算节点个数1点击下一步，提交，训练作业的状态会经历“初始化”、“部署中”、“运行中”和“运行成功”四个状态。训练作业运行成功后，在上表中指定的“模型输出”路径下会自动生成results目录和eval_result.txt文件，其中results目录中是所有图片的预测结果，eval_result.txt中是业界标准评估指标的结果。【华中科技大学  VLR实验室  张文庆、陈习武】

本文档是ModelArts AI市场算法Biaffine Parser（以下简称为本算法）的详细使用方法。本算法使用CTB 5.1标注数据集，使用train集训练，在val集上选择最优模型, 最终在test集上测试达到了UAS=90.37, LAS=88.47的准确率。1. 准备数据集本算法支持的数据集格式为Conll数据集。1.1 下载数据集可点此链接查看CTB 5.1数据集以及处理脚本，或者使用其他数据集进行训练，如UD数据集等等。通常我们会使用一些预训练词向量来改善性能，预训练词向量可以从这里得到，解压我们可以得到词向量，更名为pretrained.txt最终我们可以得到如下4个文件|- train.txt |- dev.txt |- test.txt |- pretrained.txt通常1.2 安装OBS Browser+并上传数据集ModelArts使用对象存储服务（OBS）来存储数据，实现安全、高可靠和低成本的存储需求。OBS Browser+是一款用于访问和管理对象存储服务（Object Storage Service，OBS）的图形化工具，支持完善的桶管理和对象管理操作。OBS Browser+的图形化界面可以非常方便地让用户在本地对OBS进行管理，例如：创建桶、上传下载文件、浏览文件等。具体操作步骤如下：（1）点此下载OBS Browser+，下载完成后解压缩，双击exe进行安装，安装完成后运行；（2）登录界面如下图所示，需要您填写账号名、Access Key ID（AK）和Secret Accsee Key（SK），参考此文档，获取AK和SK，华为云上的许多产品都需要用到访问密钥，请妥善保存该密钥文件，然后参考下图填写您的华为云账号名及刚获取的AK和SK，点击登录；（3）参考下图，点击“创建桶”，输入桶名称，注意：区域要选择华北-北京四、标准存储、私有、关闭多AZ，桶名需自定义，OBS桶名要全局唯一，如提示桶名已存在，则需要您修改为其他名称，比如本文设置桶名为paper-reproduction-01。您设置的桶名必须与此不同，如在下文的操作指导中看到paper-reproduction-01，请主动将桶名替换为您自己的桶名，下文将不再进行提示；（4）点击桶名称，进入到桶中，点击“新建文件夹”，输入文件夹名称，如“train_input”，点击进入文件夹，再新建“datasets”，点击“上传”->“添加文件”-> 选择本地下载好的数据集压缩包（之所以选压缩包格式是因为如果数据集比较大，上传压缩包比上传文件夹快很多） –> 确定，如下图所示；（5）点击OBS Browser+左侧的“任务管理”，可查看数据上传进度。如下图所示，点击设置，在基础设置中，设置最大并发数为最大值50，可以加快数据上传速度2. 订阅本算法点击本页面右上方的【订阅】按钮。然后点击页面下方的【下一步】按钮，再点击【确认付款】按钮，最后点击【确定】按钮进入我的订阅页面，可以看到刚刚订阅的算法。点击【应用控制台】超链接，选择华北-北京四区域，进入算法管理页面。如下图所示，点击“同步”按钮，同步算法，可以点击刷新按钮，刷新状态。当状态变成就绪时，表示同步成功。3. 创建训练作业点击上图中的“创建训练作业”，按照下表填写训练作业参数：参数名参数值算法名称默认值即可，无需修改数据来源数据存储位置，选择obs://paper-reproduction-01/algorithms/train_input/datasets/模型输出选择obs://paper-reproduction-01/algorithms/train_outputload_weightNonenum_epochs200作业日志路径选择obs://paper-reproduction-01/algorithms/logs资源池公共资源池规格modelarts.bm.gpu.v100.2，或者根据自己的需要进行选择计算节点个数1点击下一步，提交，训练作业的状态会经历“初始化”、“部署中”、“运行中”和“运行成功”四个状态。训练作业运行成功后，在上表中指定的“模型输出”路径下会自动生成model目录，该目录下有模型文件、ModelArts平台推理脚本（config.json、customize_service.py）和其他运行模型必备的文件。4. 模型导入准备好模型及相关的必备文件后，您可以将生成的模型导入至ModelArts模型管理。具体操作如下：（1）在ModelArts控制台的左侧导航栏点击“模型管理” -> “模型”，点击右侧页面中的“导入”。在导入模型页面填写名称，选择元模型来源，可以直接从训练中选择，也可以从OBS中选择。如果是从OBS中选择，则需要选择到model目录的上一级目录；例如，本次可选择的目录为obs://paper-reproduction-01/algorithms/train_output，如下图所示：注意：选择好元模型路径后，“AI引擎”会自动填充。如未能自动填充，请检查元模型路径是否是model目录的上一级目录，或者model目录下是否包含模型配置文件config.json。（2）点击“立即创建”，需要一点时间来等待模型导入和构建，当模型版本状态为“正常”后，即表示模型导入成功。5. 创建在线服务在ModelArts上，可以将模型部署为在线服务，然后上传图片进行预测，直接在网页端观察预测结果。部署为在线服务具体步骤如下：（1）在ModelArts左侧导航栏中选择“部署上线 -> 在线服务”，然后点击页面中的“部署”；（2）在部署页面填写参数，其中在“模型列表”选择要导入的模型及版本，计算节点规格选择CPU即可；（3）点击“下一步”，参数确认无误后，点击“提交”。提交后，您可以在在线服务列表中查看部署进度，当状态变为“运行中”后，点击服务名称，进入详情页面，点击“预测”，上传图片进行测试。6. 创建批量服务在ModelArts上，还可以将模型部署为批量服务，从OBS加载测试集图片进行预测，然后将预测结果输出到OBS。部署为批量服务具体步骤如下：（1）在ModelArts左侧导航栏中选择“部署上线 -> 批量服务”，然后点击页面中的“部署”；（2）在部署页面填写参数，其中在“模型列表”选择要导入的模型及版本，填写输入数据目录和输出数据目录，计算节点规格选择“CPU 2核 8GB”，计算节点个数设为1；（3）点击“下一步”，参数确认无误后，点击“提交”。提交后，您可以在批量服务列表中查看部署进度，当状态变为“运行中”后，表示正在预测中，当状态变为“运行完成”，表示这批图片已经预测结束，预测结果是一批txt文件，保存在上图指定的OBS输出数据目录位置中，可以前往该目录查看结果。7. 模型评估参考本文第2节中的步骤，创建“训练作业”，按照下表设置训练参数：参数名参数值算法名称默认值即可，无需修改数据来源数据存储位置，选择测试集所在路径，如obs://paper-reproduction-01/algorithms/train_input/datasets/val模型输出选择obs://paper-reproduction-01/algorithms/train_outputload_weightobs://paper-reproduction-01/algorithms/train_output/model/best_model.pthevalTrue / False作业日志路径选择obs://paper-reproduction-01/algorithms/logs资源池公共资源池规格modelarts.p3.large.ex，或者根据自己的需要进行选择计算节点个数1点击下一步，提交，训练作业的状态会经历“初始化”、“部署中”、“运行中”和“运行成功”四个状态。训练作业运行成功后，在上表中指定的“模型输出”路径下会自动生成infer_results.txt和eval_result.txt文件，其中infer_results.txt为对test.txt的预测结果。

企业招人有校招，校招有校招的好处，因为毕业生是一张白纸好作画。学业有成的毕业生都可以比作是一张白纸，那么对于还在学习的学生来说，从这个意义上来讲，他们是非常脆弱的。低年级的学生就更是如此。好的老师，可以影响学生一辈子。这句话从反面来看，有多少的学生被老师不好的教育方式影响了一辈子？如果AI能够助力老师的因材施教，那是不是天大的好事？现在AI在教育领域有哪些应用呢？我个人非常非常的反感，将AI用于监控学生的学习状态，比如多长时间是认真的学习，多长时间再走神。这样把人当机器一样监控是非常反人性的。

本文档是ModelArts AI市场算法Entity-Relation Extraction（以下简称为本算法）的详细使用方法。本算法使用ace2004和ace2005两个数据集进行训练，分别在测试集上达到ACE语料库包含完整的英语、阿拉伯语和汉语训练数据，用于2005年自动内容提取(ACE)技术评估。语料库由多种类型的数据组成包括实体、关系和事件，这些数据由语言数据联盟(LDC)标注，并得到ACE计划的支持和LDC的额外援助。本算法使用英文预料库进行实体和关系的联合抽取工作准备数据集    1.1 数据介绍      由于ace数据集本身为非免费数据集，本算法使用由论文原作者香侬科技团队提供的数据集进行验证    解压之后数据集中的train、dev、test由两种类型的文件构成：    .ann：句子之间的实体以及实体之间的关系        .txt：原始的句子和标题    1.2 安装OBS Browser+并上传数据集ModelArts使用对象存储服务（OBS）来存储数据，实现安全、高可靠和低成本的存储需求。OBS Browser+是一款用于访问和管理对象存储服务（Object Storage Service，OBS）的图形化工具，支持完善的桶管理和对象管理操作。OBS Browser+的图形化界面可以非常方便地让用户在本地对OBS进行管理，例如：创建桶、上传下载文件、浏览文件等。具体操作步骤如下：（1）点此下载OBS Browser+，下载完成后解压缩，双击exe进行安装，安装完成后运行；（2）登录界面如下图所示，需要您填写账号名、Access Key ID（AK）和Secret Accsee Key（SK），参考此文档，获取AK和SK，华为云上的许多产品都需要用到访问密钥，请妥善保存该密钥文件，然后参考下图填写您的华为云账号名及刚获取的AK和SK，点击登录；(3）参考下图，点击“创建桶”，输入桶名称，注意：区域要选择华北-北京四、标准存储、私有、关闭多AZ，桶名需自定义，OBS桶名要全局唯一，如提示桶名已存在，则需要您修改为其他名称，比如本文设置桶名为paper-reproduction-01。您设置的桶名必须与此不同，如在下文的操作指导中看到paper-reproduction-01，请主动将桶名替换为您自己的桶名，下文将不再进行提示；（4）点击桶名称，进入到桶中，点击“新建文件夹”，输入文件夹名称，如“train_input”，点击进入文件夹，再新建“datasets”，点击“上传”->“添加文件”-> 选择本地下载好的数据集压缩包（之所以选压缩包格式是因为如果数据集比较大，上传压缩包比上传文件夹快很多） –> 确定，如下图所示；（5）点击OBS Browser+左侧的“任务管理”，可查看数据上传进度。如下图所示，点击设置，在基础设置中，设置最大并发数为最大值50，可以加快数据上传速度2. 订阅本算法点击本页面右上方的【订阅】按钮。然后点击页面下方的【下一步】按钮，再点击【确认付款】按钮，最后点击【确定】按钮进入我的订阅页面，可以看到刚刚订阅的算法。点击【应用控制台】超链接，选择华北-北京四区域，进入算法管理页面。如下图所示，点击“同步”按钮，同步算法，可以点击刷新按钮，刷新状态。当状态变成就绪时，表示同步成功。3. 创建训练作业点击上图中的“创建训练作业”，按照下表填写训练作业参数：参数名参数值算法名称默认值即可，无需修改数据来源数据存储位置，选择obs://paper-reproduction-01/algorithms/train_input/datasets/模型输出选择obs://paper-reproduction-01/algorithms/train_outputnum_nodes6cuda_visiable0,1,2,3,4,5config_fileconfigs/cityscapes_fast_scnn.yamltrain_epochs1200train_batch_size12solver_lr0.045solver_auxTruesolver_aux_weight0.4load_weightdeploy_model/model/best_model.pthFalse作业日志路径选择obs://paper-reproduction-01/algorithms/logs资源池公共资源池规格modelarts.bm.gpu.v100.2，或者根据自己的需要进行选择计算节点个数1点击下一步，提交，训练作业的状态会经历“初始化”、“部署中”、“运行中”和“运行成功”四个状态。训练作业运行成功后，在上表中指定的“模型输出”路径下会自动生成model目录，该目录下有模型文件、ModelArts平台推理脚本（config.json、customize_service.py）和其他运行模型必备的文件。4. 模型导入准备好模型及相关的必备文件后，您可以将生成的模型导入至ModelArts模型管理。具体操作如下：（1）在ModelArts控制台的左侧导航栏点击“模型管理” -> “模型”，点击右侧页面中的“导入”。在导入模型页面填写名称，选择元模型来源，可以直接从训练中选择，也可以从OBS中选择。如果是从OBS中选择，则需要选择到model目录的上一级目录；例如，本次可选择的目录为obs://paper-reproduction-01/algorithms/train_output，如下图所示：注意：选择好元模型路径后，“AI引擎”会自动填充。如未能自动填充，请检查元模型路径是否是model目录的上一级目录，或者model目录下是否包含模型配置文件config.json。（2）点击“立即创建”，需要一点时间来等待模型导入和构建，当模型版本状态为“正常”后，即表示模型导入成功。5. 创建在线服务在ModelArts上，可以将模型部署为在线服务，然后上传图片进行预测，直接在网页端观察预测结果。部署为在线服务具体步骤如下：（1）在ModelArts左侧导航栏中选择“部署上线 -> 在线服务”，然后点击页面中的“部署”；（2）在部署页面填写参数，其中在“模型列表”选择要导入的模型及版本，计算节点规格选择CPU即可；（3）点击“下一步”，参数确认无误后，点击“提交”。提交后，您可以在在线服务列表中查看部署进度，当状态变为“运行中”后，点击服务名称，进入详情页面，点击“预测”，上传图片进行测试。6. 创建批量服务在ModelArts上，还可以将模型部署为批量服务，从OBS加载测试集图片进行预测，然后将预测结果输出到OBS。部署为批量服务具体步骤如下：（1）在ModelArts左侧导航栏中选择“部署上线 -> 批量服务”，然后点击页面中的“部署”；（2）在部署页面填写参数，其中在“模型列表”选择要导入的模型及版本，填写输入数据目录和输出数据目录，计算节点规格选择“CPU 2核 8GB”，计算节点个数设为1；（3）点击“下一步”，参数确认无误后，点击“提交”。提交后，您可以在批量服务列表中查看部署进度，当状态变为“运行中”后，表示正在预测中，当状态变为“运行完成”，表示这批图片已经预测结束，预测结果是一批txt文件，保存在上图指定的OBS输出数据目录位置中，可以前往该目录查看结果。7. 模型评估参考本文第2节中的步骤，创建“训练作业”，按照下表设置训练参数：参数名参数值算法名称默认值即可，无需修改数据来源数据存储位置，选择测试集所在路径，如obs://paper-reproduction-01/algorithms/train_input/datasets/val模型输出选择obs://paper-reproduction-01/algorithms/train_outputnum_nodes1cuda_visiable0config_fileconfigs/cityscapes_fast_scnn.yamltrain_epochs0train_batch_size12solver_lr0.045solver_auxTruesolver_aux_weight0.4load_weightobs://paper-reproduction-01/algorithms/train_output/model/best_model.pthTrue作业日志路径选择obs://paper-reproduction-01/algorithms/logs资源池公共资源池规格modelarts.p3.large.ex，或者根据自己的需要进行选择计算节点个数1点击下一步，提交，训练作业的状态会经历“初始化”、“部署中”、“运行中”和“运行成功”四个状态。训练作业运行成功后，在上表中指定的“模型输出”路径下会自动生成pred_results目录和_result.txt文件，其中pred_results目录中是所有图片的预测结果。

“华为云AI"官方隆重推出脑力挑战赛！仅限1天，好礼等你拿！这个周末，各位看官就不服来战哟~ **参与方式：** 关注微信公众号“华为云AI"公众号，在对话框回复：脑力挑战赛 即可参与挑战 **活动奖励：** 一等奖：荣耀智能手表 二等奖：华为AI音响 三等奖：华为定制背包 优秀奖：AI训练营定制T恤 **获奖规则：** 答题积分达50分以上者前3名颁发一二三等奖（各1名），四五名颁发优秀奖（共2名） 参与时间：2020年11月28日10:00--11月29日10:00 我们将在11月30日（周一）上午公布获奖者名单，请获奖者添加华为云小助手微信（微信号：shiljiqin），回复获奖积分截图领取奖品  有趣又烧脑，聪明的你来试试吧！ 更干货和专家答疑都在这！扫码添加华为云小助手回复“AI”进专业AI开发者群，关注【华为云AI】公众号了解更多 

现在是一个什么样的状况？有没有什么应用？我想可能非常困难，就那把脉来说首先，要能能将一个人的脉动数字化然后，让老中医打上标签，让AI训练，识别出，比如，平常人的脉搏，或者是喜脉之类的，当然有很多其他分类，

【功能模块】 图像编解码【操作步骤&问题现象】1、无3559的Atlas 200 模块可以支持16路编解码？2、DVPP模块只可以用于带3559芯片的设备吗？3、如果Atlas 200 AI模块支持16路编解码，请问使用什么API，有相关demo吗【截图信息】【日志信息】（可选，上传日志内容或者附件）