样例数据集dagm_2007_01.zip（见附件），样例数据集使用工业质检竞赛数据集，具体参加https://resources.mpi-inf.mpg.de/conference/dagm/2007/prizes.html，目前该市场算法仅支持raw的数据格式，manifest数据格式后续会陆续支持，目录结构需要按照如下方式进行组织，Images是原始图片，格式为png的单通道，Labels为标注文件，也是png的单通道数据集;train---| Images   ----| Labelseval---| Images   ----| Labels

博文标题博文日期【手摸手学ModelArts】两行命令获取ModelArts正版实战教程2020/6/3【华为云-上云之路】CloudIDE实战AI换脸2020/6/2ModelArts训练文件系统详解，带你避开线下代码迁线上的所有坑2020/6/1【2020华为云AI实战营】基于ModelArts使用预置算法Faster_RCNN_ResNet_v1_50实现人车检测2020/6/1人车识别实验--华为ModelArts自动学习   VS 百度Easy DL2020/5/30手把手教你利用ModelArts进行肺结节检测2020/5/30【手摸手学ModelArts】传说中的“云毕业照“，先睹为快!2020/5/30【2020华为云AI实战营】【每天进步一点点】基于ModelArts   实现人脸识别（MXNET）2020/5/30【手摸手学ModelArts】零代码轻松实现图像分类2020/5/28【ModelArts】ModelArts   Notebook Examples 体验推荐2020/5/27【每天进步一点点】机器学习基础——基于鲍鱼年龄预测的线性回归Demo2020/5/26【昇腾】【每天进步一点点】ModelArts与Atlas 200   DK云端协同开发——行人检测Demo（提供完整Demo）2020/5/25为了弥补没有毕业照的遗憾，我用AI为学长学姐们“定制”了一套毕业照2020/5/23【2020华为云AI实战营】最近遇到了无法使用OBS桶上传文件，可以利用NoteBook来完成（需100M以下文件）2020/5/20华为专家亲述：如何转型搞   AI？2020/5/18ModelArts与Atlas 200 DK的云端协同——基于Atlas 200 DK   ，对视频中的进行行人检测和跟踪Demo2020/5/15手把手教你用ModelArts基于YOLO   V3算法实现物体检测2020/5/14手把手教你用ModelArts实现猫狗数据集的智能标注2020/5/14手把手教你用ModelArts基于海量数据训练猫狗分类模型2020/5/14手把手教你用Modelarts基于海量数据训练美食分类模型2020/5/14手把手教你利用ModelArts零代码开发美食分类模型2020/5/14手把手教你利用ModelArts实现垃圾自动分类2020/5/14手把手教你利用ModelArts实现数据集的图像标注2020/5/14手把手教你利用ModelArts实现目标物体检测2020/5/14手把手教你利用ModelArts实现行人车辆检测2020/5/14我眼中的华为公有云AI平台--ModelArts2020/5/13医学与AI的结合（一）：如何基于ModelArts自动机器学习完成心脏病预测模型2020/5/6【2020华为云AI实战营】行人检测——ModelArts与HiLens的完美邂逅（ModelArts与HiLens云端协作）2020/5/3行人检测和跟踪——ModelArts与Atlas 200 DK的云端协作2020/5/3不秃头 |   如何用ModelArts满足一个奶茶重度爱好者的好奇心2020/4/25如何使用pyCharm与ModelArts公有云服务联动开发，快速且充分地利用云端GPU计算资源2020/4/24从软件开发到 AI   领域工程师：模型训练篇2020/4/15如何在使用ModelArts的时候构建自定义的python环境2020/4/13ModelArts   自研昇腾NPU集群最佳实践2020/4/13ModelArts数据标注篇之如何提高模型精度   --- 基于口罩检测案例实践2020/4/8【吃螃蟹的程序猿】华为云ModelArts-AI市场算法，昇腾集群训练神经网络尝鲜，超详细攻略2020/4/7华为云ModelArts昇腾集群公测申请流程2020/4/1ModelArts使用系列文章-（2）口罩模型训练作业2020/3/31ModelArts使用系列文章-（1）初识ModelArts2020/3/30ModelArts口罩佩戴模型开发第二版2020/3/10Modelarts与无感识别技术生态总结（浅出版）2019/10/14ModelArts微认证零售客户分群知识点总结2019/10/12obs命令行工具obsutil的使用测试2019/8/21从实战三期的实验结果谈过拟合和欠拟合2019/8/3华为云ModelArts-Lab-AI实战营前三期学习   总结2019/8/3使用app测试Modelarts在线服务2019/7/26

### 这一版本ModelArts带来的关键字是 **普惠** 和 **MindSpore加持的昇腾全栈**欢迎大家速速登录 [控制台](https://console.huaweicloud.com/modelarts/?locale=zh-cn&utm_source=huaweiyun&utm_medium=ruanwen&utm_campaign=modelarts&utm_content=releasenote&utm_term=MA0605#/dashboard) 体验，详细文档请访问 [此处](https://support.huaweicloud.com/bestpractice-modelarts/modelarts_10_0023.html?utm_source=huaweiyun&utm_medium=ruanwen&utm_campaign=modelarts&utm_content=releasenote&utm_term=MA0605) * 普惠：众所周知，AI开发过程中算力成本消耗巨大，使得很多人在一开始就望而却步。本着 “**惠及普通开发者、活跃AI开发生态**” 的原则，华为云ModelArts平台在这一版本推出了一系列的超优惠规格。从面向体验用户的[0元体验套餐](https://support.huaweicloud.com/engineers-modelarts/modelarts_23_0229.html?utm_source=huaweiyun&utm_medium=ruanwen&utm_campaign=modelarts&utm_content=releasenote&utm_term=MA0605)，到面向个人开发者的[1折超低折扣](https://activity.huaweicloud.com/2020ModelArts_Promotion.html?utm_source=huaweiyun&utm_medium=ruanwen&utm_campaign=modelarts&utm_content=releasenote&utm_term=MA0605)，再到面向中小企业的[8卡年包](https://console.huaweicloud.com/modelarts/?region=cn-north-4&locale=zh-cn&utm_source=huaweiyun&utm_medium=ruanwen&utm_campaign=modelarts&utm_content=releasenote&utm_term=MA0605#/dashboard/promotionalPackageWindow)，无不体现了ModelArts平台的普惠原则和面向普通开发者的谆谆诚意。 * MindSpore&昇腾：AI芯片自主之路荆棘满布，但我们从未退缩，因为只有如此，我们才能不受制于人，才能在未来以更低的成本去探索奇妙的AI世界。伴随着华为自研AI框架MindSpore与昇腾全栈的首次联合发布，ModelArts平台对昇腾芯片及其开发生态的支持不断加强，ModelArts提供多款支持昇腾系列的预置神经网络算法，这些算法经过华为ModelArts专家们的精心优化，以高精度、高执行效率为标准细致打磨而成。其中昇腾910系列可为用户解决图像分类和物体检测两大类模型训练场景；昇腾310系列可应用于图像分类、物体检测、图像分割、NLP等常用深度学习领域高性能推理场景。 ### 【新增特性】 * 新增多种普惠规格套餐：[链接](https://activity.huaweicloud.com/2020ModelArts_Promotion.html?utm_source=huaweiyun&utm_medium=ruanwen&utm_campaign=modelarts&utm_content=releasenote&utm_term=MA0605) * 新增**免费体验规格**，支持创建CPU、GPU的免费体验Notebook和训练任务、在线部署等，单次体验限时1小时（到时自动停止），单日内可反复体验。如遇体验用户过多有可能会引起排队，且排队机制会向新体验用户有所倾斜 * 新增**1折按需套餐包**，支持ModelArts全流程的GPU体验，是入门者经济实惠的不二之选 * 开发环境增强：开发环境提供大量升级，包括但不限于JupyterLab的引入、引擎新增TF2.1，对ModelArts多种基础能力的集成以及若干体验改进。 * PyCharm ToolKit 2.0：支持训练使用专属资源池、多训练作业提交、文件上传，下载能力、支持pycharm2019.2及以上 * AI市场新增对算法发布、订阅的支持 * 昇腾芯片新增多个算法：提供支持“物体检测”、“图像分类”、“文本分类”3种场景的多个预置算法（昇腾910训练和昇腾310推理），详细算法列表请参阅[链接](https://support.huaweicloud.com/engineers-modelarts/modelarts_23_0248.html?utm_source=huaweiyun&utm_medium=ruanwen&utm_campaign=modelarts&utm_content=releasenote&utm_term=MA0605)，更多端到端应用案例参见[链接](https://support.huaweicloud.com/bestpractice-modelarts/modelarts_10_0023.html?utm_source=huaweiyun&utm_medium=ruanwen&utm_campaign=modelarts&utm_content=releasenote&utm_term=MA0605) * 难例挖掘新增5个算法和针对物体检测场景的提升： 新增基于数据增强、数据特征分布、自适应聚类的算法，提升物体检测的难例挖掘精度30%。 * 新增结构化数据集支持：数据集管理支持表格型数据，本期支持导入和发布csv，更多格式（e.g. parquet）将在未来的版本支持 * 训练自定义基础镜像增加CUDA10支持，满足用户灵活使用高版本的TF/Pytorch等框架诉求 * 预置框架支持TenorFlow 2.1 ### 【优化变更】 * 多元搜索内核优化：新增fix\_norm超参搜索、adv_aug数据增强、betanas等多种NAS方法，达到ImageNet上mobile setting下79%业界最佳精度，支持最低5行代码即可享用多元搜索能力。 * 难例挖掘体验优化：支持难例挖掘的日志优化、推理侧难例挖掘体验优化设计。 * 数据集管理体验优化: 数据集管理与数据标注任务管理分离，用户可面向同一数据集同时启动多个数据处理任务 * 开发环境：支持JupyterLab，提供体验更好的开发环境；Notebook实例增加“创建者”标识，对于子账号共享工作空间下不同用户可以快速的识别出自己创建的实例；支持在Notebook/JupyterLab中查看内存和CPU占用情况 * 支持 step by step 的ModelArts使用体验案例，引导用户快速理解产品基本能力 * 支持内嵌的产品使用指南，让用户不需要跳出使用页就可以找到相关的指导 ### 【算法、框架支持总览】 * 官方预置算法 | 名称 | 用途 | 训练引擎 | 训练芯片 | 推理引擎 | 推理芯片| | :-: | :-: | :-: | :-: | :-: | --- | | [YOLO_V3_ResNet_18](https://console.huaweicloud.com/modelarts/?region=cn-north-4&utm_source=huaweiyun&utm_medium=ruanwen&utm_campaign=modelarts&utm_content=releasenote&utm_term=MA0605#/aiMarket/aiMarketModelDetail/overview?modelId=7087008a-7eec-4977-8b66-3a7703e9fd22&type=algo) | 物体检测 | Ascend-Powered-Engine TF-1.15-aarch64-cp37 | Ascend-910 | MindSpore | Ascend-310* | | [YOLO_V3_ResNet_18](https://console.huaweicloud.com/modelarts/?region=cn-north-4&utm_source=huaweiyun&utm_medium=ruanwen&utm_campaign=modelarts&utm_content=releasenote&utm_term=MA0605#/aiMarket/aiMarketModelDetail?modelId=948196c8-3e7a-4729-850b-069101d6e95c&type=algo) | 物体检测 | Tensorflow-1.13.1-python3.6 | GPU | MindSpore | Ascend-310* | | [Faster_RCNN_ResNet_V1_50](https://console.huaweicloud.com/modelarts/?region=cn-north-4&utm_source=huaweiyun&utm_medium=ruanwen&utm_campaign=modelarts&utm_content=releasenote&utm_term=MA0605#/aiMarket/aiMarketModelDetail/overview?modelId=198573e9-b2a9-46ef-aca9-51cc651b6364&type=algo) | 物体检测 | Tensorflow-1.13.1-python3.6-horovod | GPU | TF-Serving | GPU | | [RetinaNet_ResNet_V1_50](https://console.huaweicloud.com/modelarts/?region=cn-north-4&utm_source=huaweiyun&utm_medium=ruanwen&utm_campaign=modelarts&utm_content=releasenote&utm_term=MA0605#/aiMarket/aiMarketModelDetail/overview?modelId=d965a19d-62e6-4a07-bb02-3db57ccf9c98&type=algo) | 物体检测 | Tensorflow-1.13.1-python3.6 | GPU | TF-Serving /MindSpore | GPU /Ascend-310* | | [Inception_V3](https://console.huaweicloud.com/modelarts/?region=cn-north-4&utm_source=huaweiyun&utm_medium=ruanwen&utm_campaign=modelarts&utm_content=releasenote&utm_term=MA0605#/aiMarket/aiMarketModelDetail?modelId=cad65a02-ef22-46e1-bd5b-01f231da9272&type=algo) | 图像分类 | Tensorflow-1.13.1-python3.6-horovod | GPU | TF-Serving /MindSpore | GPU /Ascend-310* | | [ResNet_V1_50](https://console.huaweicloud.com/modelarts/?region=cn-north-4&utm_source=huaweiyun&utm_medium=ruanwen&utm_campaign=modelarts&utm_content=releasenote&utm_term=MA0605#/aiMarket/aiMarketModelDetail/overview?modelId=40b66195-5bbe-463d-b8a2-03e57073538d&type=algo) | 图像分类 | Tensorflow-1.13.1-python3.6-horovod | GPU | TF-Serving /MindSpore | GPU /Ascend-310* | | [ResNet_V1_50](https://console.huaweicloud.com/modelarts/?region=cn-north-4&utm_source=huaweiyun&utm_medium=ruanwen&utm_campaign=modelarts&utm_content=releasenote&utm_term=MA0605#/aiMarket/aiMarketModelDetail/overview?modelId=fb03c9e2-bd5a-49e6-8455-af8ab2f5f788&type=algo) | 图像分类 | Ascend-Powered-Engine TF-1.15-aarch64-cp37 | Ascend-910 | TF-Serving /MindSpore | GPU /Ascend-310* | | [ResNet_V1_101](https://console.huaweicloud.com/modelarts/?region=cn-north-4&utm_source=huaweiyun&utm_medium=ruanwen&utm_campaign=modelarts&utm_content=releasenote&utm_term=MA0605#/aiMarket/aiMarketModelDetail?modelId=e1d362e1-7162-4931-8b48-c10b44c47cff&type=algo) | 图像分类 | Tensorflow-1.13.1-python3.6-horovod | GPU | TF-Serving /MindSpore | GPU /Ascend-310* | | [MobileNet_V1](https://console.huaweicloud.com/modelarts/?region=cn-north-4&utm_source=huaweiyun&utm_medium=ruanwen&utm_campaign=modelarts&utm_content=releasenote&utm_term=MA0605#/aiMarket/aiMarketModelDetail?modelId=9630c28e-1ca6-4d0e-9c31-1bee1198ba45&type=algo) | 图像分类 | Tensorflow-1.13.1-python3.6-horovod | GPU | TF-Serving /MindSpore | GPU /Ascend-310* | | [MobileNet_V2](https://console.huaweicloud.com/modelarts/？utm_source=huaweiyun&utm_medium=ruanwen&utm_campaign=modelarts&utm_content=releasenote&utm_term=MA0605#/aiMarket/aiMarketModelDetail?modelId=0470e6b1-923b-47a8-ba3e-fe93de5ae2a0&type=algo) | 图像分类 | Tensorflow-1.13.1-python3.6-horovod | GPU | TF-Serving /MindSpore | GPU /Ascend-310* | | [ResNet_V2_50](https://console.huaweicloud.com/modelarts/?region=cn-north-4&utm_source=huaweiyun&utm_medium=ruanwen&utm_campaign=modelarts&utm_content=releasenote&utm_term=MA0605#/aiMarket/aiMarketModelDetail/overview?modelId=c537e9b9-a2be-4318-9be7-e223ef95d5a5&type=algo) | 图像分类 | Ascend-Powered-Engine TF-1.15-aarch64-cp37 | Ascend-910 | TF-Serving /MindSpore | GPU /Ascend-310* | | [ResNet_V2_101](https://console.huaweicloud.com/modelarts/?region=cn-north-4&utm_source=huaweiyun&utm_medium=ruanwen&utm_campaign=modelarts&utm_content=releasenote&utm_term=MA0605#/aiMarket/aiMarketModelDetail?modelId=abeae53a-f1f4-45b7-b6b5-fa975b343b98&type=algo) | 图像分类 | Tensorflow-1.13.1-python3.6-horovod | GPU | TF-Serving /MindSpore | GPU /Ascend-310* | | [Bert_based_Text_Classifier](https://console.huaweicloud.com/modelarts/?region=cn-north-4&utm_source=huaweiyun&utm_medium=ruanwen&utm_campaign=modelarts&utm_content=releasenote&utm_term=MA0605#/aiMarket/aiMarketModelDetail/overview?modelId=bce58703-4a50-451f-a262-eff9aa8d640c&type=algo) | 文本分类 | Tensorflow-1.13.1-python3.6 | GPU | TF-Serving /MindSpore | GPU /Ascend-310* | | [Sound_Classifier](https://console.huaweicloud.com/modelarts/?region=cn-north-4&utm_source=huaweiyun&utm_medium=ruanwen&utm_campaign=modelarts&utm_content=releasenote&utm_term=MA0605#/aiMarket/aiMarketModelDetail/overview?modelId=6889bd98-b49d-4953-8c2f-15b6b9320a40&type=algo) | 声音分类 | Tensorflow-1.13.1-python3.6 | GPU | TF-Serving | GPU | \* 注：部分算法训练出的模型需要转换后才能在D310芯片上部署* 开发环境框架支持 | 框架名称 | 版本 | Python版本 |芯片| 备注 | | :-: | :-: | :-: | :-: | :-: | | TensorFlow | 1.8, 1.13.1 | 2.7, 3.6 | CPU,GPU| - | | TensorFlow | 2.1| 3.6 | GPU| - | | TensorFlow | 1.15.0| 3.7 |Ascend 910| - | | MindSpore | 0.1| 3.7 | Ascend 910| - | | MXNet| 1.2.1 | 2.7, 3.6 | CPU,GPU| - | | Caffe| 1.0.0 | 2.7 | CPU,GPU| - | | PySpark| 2.3.2 | 2.7, 3.6 | CPU | - | | XGBoost-Sklearn| XGBoost0.80, Sklearn0.20.0 | 2.7, 3.6 | CPU | - | | Conda|5.0.1 | 2.7 | CPU,GPU| - | | Conda|5.1.0 | 3.6 | CPU,GPU| - | | Pytorch | 1.0.0 | 2.7, 3.6 | GPU | - |* 训练作业框架支持 | 框架名称 | 版本 | Python版本 | 芯片 | 备注 | | :-: | :-: | :-: | :-: | :-: | | TensorFlow | 1.8, 1.13.1| 2.7, 3.6 | GPU | - | | TensorFlow | 2.1 | 3.6 | GPU | - | | TensorFlow | 1.15.0 | 3.7 | Ascend 910 | - | | MindSpore | 0.1 | 3.7 | Ascend 910 | - | | Pytorch | 1.0, 1.3 | 2.7, 3.6 | GPU | - | | Caffe | 1.0 | 2.7 | GPU | - | | MXNet | 1.2.1 | 2.7, 3.6 | GPU | - | | Ray | 0.7.4 | 3.6 | GPU | - |

华为云—华为公司倾力打造的云战略品牌，2011年成立，致力于为全球客户提供领先的公有云服务，包含弹性云服务器、云数据库、云安全等云计算服务，软件开发服务，面向企业的大数据和人工智能服务，以及场景化的解决方案。华为云用在线的方式将华为30多年在ICT基础设施领域的技术积累和产品解决方案开放给客户，致力于提供稳定可靠、安全可信、可持续创新的云服务，做智能世界的“黑土地”，推进实现“用得起、用得好、用得放心”的普惠AI。华为云作为底座，为华为全栈全场景AI战略提供强大的算力平台和更易用的开发平台。华为云官方网站ModelArts是华为云产品中面向开发者的一站式AI开发平台，为机器学习与深度学习提供海量数据预处理及半自动化标注、大规模分布式Training、自动化模型生成，及端-边-云模型按需部署能力，帮助用户快速创建和部署模型，管理全周期AI工作流。华为云官方网站决战黑客松——手把手教你实现Baseline赛题本实验我们将聚焦于用ModelArts实现华为云开发者AI青年班黑客松大赛的Baseline赛题，手把手教你进行实验，带你用Notebook编写训练代码，带你将生成模型导入模型管理，带你将模型部署成在线服务，最后带你提交模型判分，教你实现黑客松大赛中的Baseline赛题。决战黑客松——手把手教你实现Baseline赛题实验流程1.准备实验环境与创建OBS桶2.Notebook环境中编写脚本3.将生成模型导入至模型管理4.将模型部署成在线服务5.提交模型判分11.1密钥准备首先需要进入华为云官方网站https://www.huaweicloud.com/点击页面的“控制台”切换至控制台界面，在账号名称的下拉菜单中点击“我的凭证”，进入创建管理访问密钥（AK/SK）的界面。位置如下图所示：什么是访问密钥？访问密钥即AK/SK（Access Key ID/Secret Access Key），是您通过开发工具（API、CLI、SDK）访问华为云时的身份凭证，不能登录控制台。系统通过AK识别访问用户的身份，通过SK进行签名验证，通过加密签名验证可以确保请求的机密性、完整性和请求者身份的正确性。选择“访问密钥”，点击“新增访问密钥”妥善保存系统自动下载的“credentials.csv”文件中的AK（Access Key Id）和SK（Secret Access Key）以备后续步骤使用。1.2创建OBS桶和目录进入方式，“控制台”->“服务列表”->“存储”->“对象存储服务”，页面右上角点击“创建桶”按钮进入创建页面。什么是OBS？对象存储服务（Object Storage Service，OBS）是一个基于对象的海量存储服务，为客户提供海量、安全、高可靠、低成本的数据存储能力，包括：创建、修改、删除桶，上传、下载、删除对象等。1.3 OBS桶设置OBS桶设置参数如下：区域：华北-北京四桶名称：自定义（注意：此名称会在后续步骤使用）根据自己的命名习惯，我将此处的桶名称取为obs-bin-baseline存储类别：标准存储桶策略：私有归档数据直读：关闭多AZ：开启 点击"立即创建"，完成创建1.4创建文件夹点击刚刚创建的桶，进入详情页：左侧栏选择“对象”，点击“新建文件夹”，在弹出的新建窗口中：文件夹名称：自定义（此名称会在后续步骤中使用）根据自己的命名习惯,我将此处的文件夹名称取为aifood 点击“确定”完成添加aifood文件夹主要用于存放竞赛数据集还需要一个文件夹存放代码文件，另外一个文件夹存放训练输出文件我新建存放代码文件夹为codes：我新建存放训练输出文件夹为model_output：新建好了的三个文件夹：1.5服务授权由于本实验项目需要使用 ModelArts Notebook、训练作业、模型及服务时可能需要使用数据管理功能，在开始使用前，需为数据管理模块获取访问OBS权限。在ModelArts管理控制台，进入“数据管理->数据集”页面，单击“服务授权”由具备授权的账号“同意授权”后，即可正常使用：22.Notebook环境中编写脚本在ModelArts平台左侧选择“开发环境”->“Notebook”v选择“创建”，并按照下列配置，填写相关参数：名称：自定义（此处我设置的是notebook-bin）工作环境：Python3资源池：公共资源池类型与规格根据你的需求来设置，此处我设置为：类型：GPU规格：保持默认存储配置：对象存储服务(文件夹是刚才创建的codes)/obs-bin-baseline/codes/单击“下一步”进行规格确认：确认无误后单击“提交”，返回 Notebook 列表：单击Notebook作业列表操作栏中“打开”，打开刚才创建的Notebook：单击页签右上角“New”，选择“Pytorch-1.0.0”：进入代码开发界面：在代码输入栏中输入如下代码：import moxing as moxmox.file.copy_parallel('s3://obs-aifood-bj4/aifood','s3://obs-bin-baseline/aifood')print('Copy procedure is completed !')注意：将“obs-bin-baseline/aifood”替换为您创建的存放竞赛数据集的OBS路径运行界面如下：在自己的OBS桶的aifood文件夹中可查看,下载好的数据：下载baseline赛题压缩包:https://developer.huaweicloud.com/hero/forum.phpmod=viewthread&tid=52941若链接失效，可在后台回复“赛题”下载：打开Notebook进入代码开发界面后，单击“Upload”将赛题文件夹中的aifood_baseline.ipynb上传至Notebook：单击aifood_baseline.ipynb文件名称，进入代码编写/运行界面，按照ipynb文件内容修改参数，运行所有代码。在控制台，右方New处新建Folder,并取名aifood:修改后，如下所示：运行下列代码，将OBS桶的数据转移到Notebook的aifood文件夹中：注意：将“obs-bin-baseline/aifood”替换为您创建的存放竞赛数据集的OBS路径import moxing as moxmox.file.copy_parallel('s3://obs-bin-baseline/aifood','./aifood/')print("done")运行结果如下所示：运行下列代码，加载依赖：from __future__ import print_function, divisionimport torchimport torch.nn as nnimport torch.optim as optimfrom torch.optim import lr_schedulerfrom torch.autograd import Variableimport torchvisionfrom torchvision import datasets, models, transformsimport timeimport os运行结果如下所示：运行代码1和代码2，是为了实现加载数据集，并将其分为训练集和测试集的目的：代码1：dataTrans = transforms.Compose([            transforms.Resize(256),            transforms.CenterCrop(224),            transforms.ToTensor(),            transforms.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5])        ])     # image data pathdata_dir = './aifood/images'all_image_datasets = datasets.ImageFolder(data_dir, dataTrans)#print(all_image_datasets.class_to_idx)trainsize = int(0.8*len(all_image_datasets))testsize = len(all_image_datasets) - trainsizetrain_dataset, test_dataset = torch.utils.data.random_split(all_image_datasets,[trainsize,testsize])   image_datasets = {'train':train_dataset,'val':test_dataset}        # wrap your data and label into Tensor    dataloders = {x: torch.utils.data.DataLoader(image_datasets[x],                                                 batch_size=64,                                                 shuffle=True,                                                 num_workers=4) for x in ['train', 'val']}dataset_sizes = {x: len(image_datasets[x]) for x in ['train', 'val']}    # use gpu or notuse_gpu = torch.cuda.is_available()代码2：def train_model(model, lossfunc, optimizer, scheduler, num_epochs=10):    start_time = time.time()    best_model_wts = model.state_dict()    best_acc = 0.0    for epoch in range(num_epochs):        print('Epoch {}/{}'.format(epoch, num_epochs - 1))        print('-' * 10)        # Each epoch has a training and validation phase        for phase in ['train', 'val']:            if phase == 'train':                scheduler.step()                model.train(True) # Set model to training mode            else:                model.train(False) # Set model to evaluate mode            running_loss = 0.0            running_corrects = 0.0            # Iterate over data.            for data in dataloders[phase]:                # get the inputs                inputs, labels = data                                # wrap them in Variable                if use_gpu:                    inputs = Variable(inputs.cuda())                    labels = Variable(labels.cuda())                else:                    inputs, labels = Variable(inputs), Variable(labels)                # zero the parameter gradients                optimizer.zero_grad()                # forward                outputs = model(inputs)                _, preds = torch.max(outputs.data, 1)                loss = lossfunc(outputs, labels)                # backward + optimize only if in training phase                if phase == 'train':                    loss.backward()                    optimizer.step()                # statistics                running_loss += loss.data                running_corrects += torch.sum(preds == labels.data).to(torch.float32)            epoch_loss = running_loss / dataset_sizes[phase]            epoch_acc = running_corrects / dataset_sizes[phase]            print('{} Loss: {:.4f} Acc: {:.4f}'.format(                phase, epoch_loss, epoch_acc))            # deep copy the model            if phase == 'val' and epoch_acc > best_acc:                best_acc = epoch_acc                best_model_wts = model.state_dict()    elapsed_time = time.time() - start_time    print('Training complete in {:.0f}m {:.0f}s'.format(        elapsed_time // 60, elapsed_time % 60))    print('Best val Acc: {:4f}'.format(best_acc))    # load best model weights    model.load_state_dict(best_model_wts)      return model运行结果如下所示，无报错：本实验采用了resnet50神经网络结构训练模型,模型训练需要时间，等待该段代码运行完成后再往下执行：如果想在最后进行模型优化，可以选择将此神经网络模型换成其它模型# get model and replace the original fc layer with your fc layermodel_ft = models.resnet50(pretrained=True)num_ftrs = model_ft.fc.in_featuresmodel_ft.fc = nn.Linear(num_ftrs, 10)if use_gpu:    model_ft = model_ft.cuda()    # define loss functionlossfunc = nn.CrossEntropyLoss()    # setting optimizer and trainable parameters # params = model_ft.parameters() # list(model_ft.fc.parameters())+list(model_ft.layer4.parameters())#params = list(model_ft.fc.parameters())+list( model_ft.parameters())params = list(model_ft.fc.parameters())optimizer_ft = optim.SGD(params, lr=0.001, momentum=0.9)    # Decay LR by a factor of 0.1 every 7 epochsexp_lr_scheduler = lr_scheduler.StepLR(optimizer_ft, step_size=7, gamma=0.1)model_ft = train_model(model=model_ft,                           lossfunc=lossfunc,                           optimizer=optimizer_ft,                           scheduler=exp_lr_scheduler,                           num_epochs=10)运行结果如下所示：运行代码，将训练好的模型保存下来：torch.save(model_ft.state_dict(), './model.pth')运行结果如下：运行下列代码，将模型保存到OBS桶中model文件夹下，为后续推理测试、模型提交做准备。将如下代码中"obs-bin-baseline"修改成您OBS桶的名称。import moxing as moxmox.file.copy('./model.pth','s3://obs-aifood-baseline/model_output/model/resnet-50.pth')print("done")运行结果如下：33.将生成模型导入至模型管理导入模型前，需要利用OBS Browser+将附件中的baseline模型配置文件、推理代码，以及美食图片标签文件labels_10c.txt上传至model文件夹下。如下所示：注意：文件需要放在model文件夹里面，而不是model_output文件夹下面做好上述操作后，在 ModelArts 左侧导航栏选择“模型管理”，单击页面中“导入”：在导入模型页面填写名称，选择元模型来源；其中元模型来源如从OBS中选择，请选择model文件夹上一级目录，其余保持默认。本baseline model文件夹上一级目录为obs-bin-baseline/model_output:确认无误后，单击“立即创建” 单击模型名称进入模型详情页面，当模型版本状态为“正常”后，即导入模型成功，然后再进行下一步将模型部署为在线服务的操作。已显示“正常”，进行下一步操作：44.将模型部署为在线服务点击进入ModelArts主页“部署上线->在线服务”处，点击“部署”：进行参数设置：资源池：公共资源池模型：刚才训练的模型此处应选择为CPU，规格不能选为GPU，因为代码中设置中是用CPU计算，不然会出错。点击“下一步”确认无误后：点击“提交”即可，结下了就是等待部署：部署成功：55.部署服务进入ModelArts主页“部署上线->在线服务”处：点击“部署”：名称：自定义（此处我设置的是service-faster）资源池：公共资源池选择模型及配置：选择刚才导入的模型：model-faster计算节点规格：自定义其余保持默认确认参数后，点击“下一步”再次确认无误，点击“提交”：等待部署完成：部署完成，显示“运行中”在“部署上线”的“在线服务”处，点击运行中的在线服务右侧的“预测”进入到测试界面，单击“上传”图片，进行检测：测试图片预测成功。66.提交模型判分在 ModelArts 左侧导航栏中选择“模型管理”，单击模型名称前方箭头；然后单击页面右侧操作栏中的“发布”，单击“参赛发布”。确认信息无误，点击“确定”即可完成一次模型提交：至此实验全部完成。最后大家使用的云端资源记得全部删除如对象存储服务创建的OBS桶，文件夹；ModelArts创建的数据集，部署的模型等都需要删除，并停用访问密钥，以免造成不必要的花费。通过对实验结果的比对，可以看出利用[华为云ModelArts]训练出来的物体检测模型是很棒的，六个字总结就是-高效，快捷，省心。作者：看那个码农，在读AI硕士，华为云校园大使，华为HCIP-AI认证专家欲关注更多AI干货内容和讨论更多AI话题可关注作者微信公众号：【看那个码农】

据Gartner称，目前约有210亿个相连的“事物”正在疯狂地收集着数据并执行各种任务。大部分是消费类设备，从智能扬声器到手表到门锁。其余服务于业务：医疗设备，引擎传感器，工业机器人，HVAC控制器……几乎每个企业现在都以一种或另一种形式依赖物联网设备。这些设备极大地扩展了企业网络的覆盖范围-并按比例增加了漏洞，正如Mirai僵尸网络攻击生动地说明的那样。但是，如果有适当的安全措施，回报可能是巨大的，因为连接的设备传输大量数据，分析专业人员可以从这些数据中发现见解并加速业务转型。更不用说远程控制设备的能力适合困扰我们的COVID-19时代，在此期间，应尽量减少任何旅行。如今，越来越多的物联网终端将数字世界和物理世界联系在一起，提高了预测的准确性，并提供了事件驱动的消息，这些消息可以在没有人为干预的情况下执行。为了研究物联网的影响并提供实施建议，网络世界、计算机世界、CSO、CIO和InfoWorld都对技术领域最普遍的趋势提出了自己的看法。techweb将持续关注物联网的未来发展趋势。目前，物联网价值的最引人注目的例子莫过于医疗设备——比如Kinsa的连接温度计，该公司正从中收集数据，以标记可能的COVID-19爆发。高级记者卢卡斯·梅里安（Lucas Mearian）在为《计算机世界》撰稿时指出物联网已经成为“物联网如何成为医疗保健的脉搏”的医学主流。不仅79%的收入超过1亿美元的医疗保健提供商将物联网设备投入生产，但Gartner预测，下一财年医疗物联网支出将增长13%，75%的医疗服务提供商认为物联网项目将在三年内实现财务回报。但正如CSO撰稿人Jaikumar Vijayan在《物联网如何改变你的威胁模型：4个关键考虑因素》一文中所写，物联网在运营技术方面的风险也显得很大。由于物联网设备连接到互联网，它们打开了新的攻击载体，比如说，核心制造业务以前从未遇到过。公司需要为物联网采购、部署、安全和监控开发企业范围的框架，以尽量减少这种风险。是的，物联网安全风险是严重的，但回报也是如此，有时在意想不到的地方。在《农场上的物联网：无人机和传感器提高产量》一书中，网络世界资深作家乔恩•戈尔德采访了三位使用物联网设备优化运营的农业专业人士。在其中两种情况下，土壤湿度传感器提供了必要的数据，以在充分灌溉和节水之间找到平衡，并可能节省大量成本。要从物联网数据中获取价值（思科预计到2021年底，物联网数据量将超过800兆字节），您需要正确的分析工具和连贯的分析策略，CIO撰稿人Bob Violino在“物联网分析：从物联网数据中获取价值”一文中概述了这一点。基本要素包括：创建一个独立的分析组织；建立一个可扩展的物联网数据架构；部署基于人工智能的系统，自主处理物联网数据；使用公共云服务进行扩展并缩短上市时间。集团首席信息官、先正达（一家生产种子和农用化学品的公司）首席数字官格雷格•迈耶斯（Greg Meyers）在鲍勃的文章中强调了后一点。Meyers看好在云端运行物联网分析，他直言：“试图在自己的数据中心或自己的基础设施上自行管理物联网是非常自欺欺人的。”对于许多企业而言，云计算不仅适用于物联网分析，而且还适用于检测物联网端点并为构建物联网应用程序提供环境。在“如何选择云物联网平台”中，InfoWorld特约编辑Martin Heller对云物联网的好处进行了技术描述，包括无服务器计算应用程序提供的好处，这些应用程序仅在物联网数据或事件触发时才运行，从而节省了按使用付费周期。马丁最强调的一点：确保您首先推出概念验证。他说：“计划您的第一次失败尝试，以便您可以从错误中吸取教训，并在下一次建立正确的解决方案。” 这几乎适用于任何复杂的IT项目，但是当您在网络边缘孵化一个尖端的物联网方案时，它就会加倍。

为什么kernel size=3的时候AI core的mac利用率只有百分之四点多kernel_size=3的时候mac利用率=4.2%，kernel_size=11的时候mac利用率=11.72%，kernel_size=20的时候mac利用率=12%  感觉等于3的时候太低了

kernel_size=3的时候mac利用率=4.2%，kernel_size=11的时候mac利用率=11.72%，kernel_size=20的时候mac利用率=12%  感觉等于3的时候太低了

转载自华为云微信公众号原文链接：https://mp.weixin.qq.com/s?__biz=MzI1Mzc1MzMyOQ==&mid=2247512096&idx=2&sn=05dfbc75fe259b6494a2e1a5265cc6ac&chksm=e9cd52bedebadba8371348a0ffdbe16995f4fb84c132fc7d3b798f6cbaeb0c205d410c3011fb&mpshare=1&srcid=&sharer_sharetime=1591284722266&sharer_shareid=7c5cfd178fcd5382361e34031081f8d2&from=singlemessage&scene=1&subscene=10000&clicktime=1591318847&enterid=1591318847&ascene=1&devicetype=android-29&version=27000e39&nettype=WIFI&abtest_cookie=AAACAA%3D%3D&lang=zh_CN&exportkey=Ae1bAeS8NDdZaTloBfoV8lA%3D&pass_ticket=ogfyOZjTYnFaqPp8jautntAvlpqmHw8zp5XfjjxTa63Y7UcS%2F%2F%2FwP8tyqXUrm4K3&wx_header=1严峻的经济形势，突如其来的“黑天鹅”，让很多行业压力与日俱增。与之相随的是，大数据、人工智能、区块链及5G等各种新技术、新应用风起云涌，传统IT架构已落后于时代。政企上云大势所趋，且越早越有利，这已成共识。但，客户依然存在一些顾虑。比如，ICT技术更新速度快，担忧信息架构落地即落后，担心历史资产的继承。还有，如何使用数字技术提升效率，进行业务创新，也深深困扰着他们。5月15日，华为云举行政企战略暨新品发布会，重磅宣布华为云Stack系列新品正式上市，为政企智能升级清除障碍，提供助燃剂。“新型数字基础设施正在为政企数字化转型注入新动能，”华为副总裁、华为云业务总裁郑叶来指出，“云服务是政企智能升级的必由之路，随着政企智能升级进入深水区，华为云将战略投入政企市场，致力成为政企智能升级首选。”会上，华为中国区云与计算CTO肖苡作了《政企智能升级，选择华为云》的主题演讲，着重分享了华为、国家电网、大庆油田及交通部路网中心等数字化案例。基于丰富的数字化实践经验，面向政企客户，通华为云Stack这一极具竞争力的产品，华为云将为政企创造最佳上云路径。 自己造的降落伞自己先跳随着组织规模扩大，各种问题也在暗暗滋生，表现为信息不畅、机体僵硬、形式主义等，员工常常在一些无关紧要的事情上，浪费太多时间，如无穷无尽的填表，繁杂的报销流程等，内部怨声载道。大型组织如何做到庞大而敏捷？管理咨询大师拉姆·查兰认为，一家敏捷的企业，离不开高层的积极推动。这次发布会上，肖苡透露，任总（华为创始人任正非）在一次谈话中提及：华为能不能通过数字技术，解决一线人员的痛苦和效率问题，让他们花更少的时间填表，用更多的时间为客户服务。华为云是华为数字化转型的底座，通过多次数字化变革，华为革除了组织中的低效，出现了多个变化：首先，支撑公司业务的持续增长和变革；其次，支撑多业务并行，实现大平台精兵作战；其三，建立了实体化数据管理组织，统一数据底座，所有数据入湖；其四，业务数字化转型与业务流程变革、组织变革相结合；其五，实现全面数字化和智能化，智能应用和IT架构可持续迭代。数字化和智能化说起来容易，做起来难。仅凭传统的IT架构是不行的，而是需要获取大数据、AI、区块链等能力。在郑叶来看来，“这种能力只有规模化、标准化、快速迭代的云服务才能提供。”此次发布的华为云Stack系列新品，具备了这些能力，为政企智能升级插上腾飞的翅膀。在数字化转型的道路上，华为主张自己造的降落伞自己先跳，其不仅是数字化转型方案提供者，也是积极实践者和受益者。华为在全球有超过19万名员工，业务遍布全球170多个国家和地区，业务与组织架构更复杂。因此，华为的数字化实践，本身就是一种说服力。 数字化进入深水区随着新基建成为国家战略，将加速智能社会、智能经济的到来。大型政企“上云”和“智能化”，已成当下及未来的趋势，企业数字化将进入深水区。华为是技术驱动型企业，在研发投入方面，已进入全球TOP5。2019年，华为的研发投入高达1317亿元。凭借“饱和攻击”，华为云在技术深度与广度上建立起了优势。耗时八年打造的华为云擎天架构，实现了云边端全场景，一个架构全搞定。华为云也是客户需求驱动企业，一直紧贴客户需求，为客户创造价值。大庆油田1959被发现，是我国最大的油田。在困难年代，大庆油田摘掉了我国“贫油国”的帽子，对工业发展产生了巨大影响。但经过几十年的开发，大庆油田面临严峻的挑战。首先，易开采的浅层油井已不多，开采更深的油井，不仅成本高，能作精准判断的专家，也极为稀缺；其次，油藏勘探系统老旧，计算能力低；再次，因为安全监管合规的要求，用于生产分析的地震数据，需要在本地存储。这些问题，摆在大庆油田面前。根据自身实际情况，大庆油田在建设高性能计算云数据中心时，选择了华为云Stack。华为云从生产业务和创新业务着手，为大庆油田建立大数据分析和AI创新应用。通过华为云Stack赋能，大庆油田的整体算力提升了8倍，勘探数据处理从数天缩短到数小时。另外，大庆油田叠前地震数据处理工区面积提高5倍，地层勘探深度从5000米升至8000米。在数字化作用下，大庆油田清除了过去的拦路虎。与数字化转型相随的是，华为云Stack能帮客户打开智能升级大门。在电力行业，国家电网是特大型国有重点骨干企业，供电服务人口超过11亿人。今年，疫情对很多行业造成冲击，怎么了解全国复工复产情况？用电量被誉为是国民经济的“温度计”和“晴雨表”，通过企业用电数据分析，相关部门就可及时、准确了解企业复工复产情况，方便制定决策。疫情爆发初期，国家电网各省分公司通过华为云Stack，一周左右便快速部署“复工电力指数监测系统”。这是一个高效的系统，可根据企业历史用电量曲线、当日用电曲线、用电峰值等多维度数据，为企业精准画像，得出“复工电力指数”，从而可实时掌握企业的复工复产情况，助力政府决策。“复工电力指数”的背后，是海量数据的实时采集、分析。目前，国家电网管理着5.3亿台智能电表，每天采集数据日增量就超过10TB，如此庞大的数据，价值挖掘与利用是难题。国家电网华为云与在数字治理方面合作，很好地对数据进行挖掘、采集、存储、计算、管理及运营，打开智能升级大门。 给高速公路插上智能的翅膀如何管理好数据，挖掘数据的价值，是很多企业面临的难题。华为云认为，“数据”是驱动企业数字化转型的核心生产要素，对“数据”进行有效治理和运营，才能极大使能企业加速数字化。 华为云Stack数据湖服务，能将各类数据进行有效管理和分类，首先是将数据入湖集中，让客户方便获取数据，同时还能提供DAYU智能数据治理平台等数据治理方案。凭此，就能以数据为核心，驱动业务加速数字化转型。 过去，高速公路的数据，基本上处于沉睡状态。更让人抱怨不已的是，高速公路上的收费站，不仅数量多，而且十分低效，加剧了交通拥堵。一旦遇到节假日，收费站排着长长的长队，让人有密集恐惧症。 现在，交通行业正发生深刻的变革，ETC的普及，减少了排队等待时间。交通部路网中心通过华为云Stack及IEF智能边缘服务，将全国高速公路超过5.5万个智能门架设备联接起来，将超过30万门架计费应用统一管理起来，结束了长期以来各省“各自为战”的局面，“取消省界收费”成为现实。交通运输部近日透露，取消高速公路省界收费站后，拥堵情况明显改善。 肖苡透露，接下来，路网中心可基于华为云Stack的IEF的云边协同架构，将车辆识别、路况识别、事件识别等AI应用训练，快速部署到30万个门架系统，打造一个高速路网全覆盖智能感知网络，从而实现实时监测、预测和预警，为高速公路插上智能的翅膀。今后，人们将获得更智能的交通信息。 华为云Stack具备“统一管理、数据治理、应用使能”三大云服务能力。智能感知网络让高速公路具有智慧，除了方便人们出行，也方便管控和管理。过去，高速路上发生事故，个别肇事者抱侥幸心理，事后逃逸。一旦智能感知网络建好后，高速公路长了眼睛，将无处可逃。当然，更重大的意义的是，华为云Stack将推动智能驾驶迈入快车道。过去几年，智能驾驶雷声大雨点小，进展不及预期，公路信息化程度较低，是一个巨大的瓶颈。没有智慧的公路，再智慧的车，也难以发挥价值。新基建的核心，是新型数字基础设施，随着新基建按下“快进键”，高速公路数字化和智能化升级将会提速。将来，不仅汽车越来越智能，道路也越来越聪明，推动自动驾驶商用。而华为云能做的更多，将帮助更多政企客户，抓住新基建时代下的新机遇，加速从信息化迈向数字化和智能化。 打开智能升级大门的密钥企业上云是打开政企智能升级大门的密钥！基于全方位的能力，以及独到的行业理解，华为云Stack在科技、电力、石油、交通、金融等领域拥有了丰富的实践。而通过华为、国家电网、大庆油田、交通部路网中心四个案例不难看出，企业上云可实现“四化”：IT“双模化”、业务“云化”、业务“数字化”和企业“智能化”。 华为云Stack针对政企客户智能升级的关键需求，全面升级，通过“协同、统一、系列化、安全”四大差异化优势，更好地满足政企客户数字化转型需求，加速智能升级。比如，通过华为云Stack，可以“零”等待同步70+云服务，共享华为云创新能力，让客户从繁琐低效中解脱出来，聚焦业务创新。当然，数字化转型与智能化升级是一个系统工程，除了相关的技术人才，领先的数字化技术，如何落地更关键。为此，华为云还提供相应的咨询服务和解决方案。 云时代，容易“浮云遮望眼”。一些云服务商能力不全面，缺乏战略统筹能力，缺乏全栈式技术能力，只能满足客户的部分需求，往往会导致客户内部个云环境处于孤立状态，变革和创新无法形成有效补给。以至于有企业说，过去公司长期存在的一些问题，上云后还是没有有效解决，原来的问题只不过转移到了云端而已。 在体育运动中，一些项目有全能冠军，比如体操。要想夺得全能冠军，必须在各个单项中具有均衡的实力，且不能有短板。云服务行业也呈现出这样的趋势，客户需要更全面的能力。凭借领先的技术，全栈式解决方案，自主可控的能力，华为云后发优势凸显。市场研究机构Gartner的报告显示，2019年，华为云增速全球最快。“我们处在一个最好的大时代，也是一个最具挑战的大时代，”肖苡说，凭借云、AI和5G的协同优势，华为云可提供稳定可靠、安全可信、可持续发展的云服务，赋能千行百业，成为政企智能升级首选。欢迎扫码关注！

【直播简介】随着容器技术的发展，越来越多的批量计算应用正在迁移到Kubernetes平台上，从早期的AI应用到大数据应用，再到近期的基因，转码，科学计算等HPC应用；在迁移过程中，高性能应用对Kubernetes平台提出了新的要求，例如 调度，网络和存储等。华为云针对高性能应用场景，以多年的批量计算平台经验为基础，对 Kubernetes 进行了大量的加强，成功在AI，大数据和基因等多个高性能应用领域落地；同时，也将这些经验以开源项目的形式公开，回馈社区，例如 Volcano。本次演讲将对Volcano的总体架构及基本场景进行介绍；在后续的直播中，将会针对每个场景进行深入的讲解。【直播亮点】1、容器批量计算平台Volcano总体架构介绍2、Volcano在AI、大数据等场景下如何落地【直播时间】2020年6月4日20:00-21:00【直播及回看链接】http://live.vhall.com/163509801【专家简介】马达，华为云容器批量计算首席架构师；Kubernetes 调度及机器学习组联席主席, CNCF 科研和运行时兴趣组技术主席, ISC/VHPC’20 项目委员会成员, Kubernetes 项目资深维护者, Volcano/kube-batch 创始人。前IBM Spectrum Symphony 技术支持及客户工程全球负责人。【直播材料下载】[hide]点击下方链接即可下载直播PPThttps://bbs.huaweicloud.com/forum/forum.php?mod=attachment&aid=MTg5MjQxfGIwNjU4ZTAyfDE1OTExNzkzNjJ8MzUyfDU4NjAw[/hide]【互动方式】                       直播前您可以在本帖留下您感兴趣的问题，专家会在直播时为您解答。                        直播后您可以在本帖留言反馈建议和心得，也可在本帖中下载直播材料（直播前提供）。      直播结束后我们会对在直播间参与评论互动的用户进行抽奖，互动幸运奖4份（渔夫帽）；微信群内答题优秀奖3份（华为Watch GT2智能手表*1，双肩包*2）（扫码加群，备注“Volcano直播”）【互动奖品】                                                    【活动规则】1.互动抽奖活动时间是2020年6月4日，直播结束后，在直播间所有参与评论互动的用户中，随机抽取出4名互动幸运奖（渔夫帽），在直播间公告栏与本帖中公布中奖名单。直播间地址：http://live.vhall.com/1635098012.微信群内答题活动时间是2020年6月4日-6月5日，6月4-5日扫码加群，6月5日14:00在群内发布问卷，答题时间截止6月5日15:00，取分数第1名为优秀奖（华为Watch GT2智能手表），第2、3名为优胜奖（双肩包）。备注：如有分数相同，以问卷提交时间排序。3.获奖结果将在活动结束后3个工作日内进行公示，所有奖品将在活动结束后十五个工作日内发放。4.每个ID只能参与一次评选，同一ID不可重复中奖。5.本次回帖内容需满足华为云论坛发帖规范https://bbs.huaweicloud.com/forum/thread-23077-1-1.html

在自动学习中，只能设置训练时长的参数，如果设置了一个训练时间，引擎会不会在检测到准确率下降后自动停止训练呢？

这个就是基本上的课程打卡如何快速打卡~ 1-基本上参考这个链接：https://gitee.com/ModelArts/ModelArts-Lab/blob/master/notebook/DL_image_object_detection_yolo/object_detection_yolo.ipynb很快就可以完成该作业的了。然后就可以在这个链接 ： https://bbs.huaweicloud.com/forum/thread-57359-1-1.html 按照要求去打卡就可以了。2-附件有这次操作过程的参考。只是供参考一波。或者你用yolo_v3_解压后，然后你新建notebook，然后cell 选择 run  all 。一键搞定课程。这个也得注意一下，后期用这个也可以搞定作业3，作业3就是在第一行基础上，运行脚本，生产一个新的参数，然后再跑训练的。可以参考：https://bbs.huaweicloud.com/forum/thread-59248-1-1.html 

发文的版块名：云社区 --博客发文的标题名：【华为云-上云之路】CloudIDE实战AI换脸 帖子内容链接：https://bbs.huaweicloud.com/blogs/173208

AI模型执行返回错误，请问该如何解决？[ERROR] HDC:2019-05-01-00:41:30.367.441 cce/api/../inc/dnn_comm.hpp:590 ccIsDataOverlap x and y overlapped ![ERROR] HDC:2019-05-01-00:41:30.367.592 cce/api/dnn/eltwise.cc:172 ccEltwiseFwdParam [StmID:1] The address range of input and output is overlap![ERROR] HDC:2019-05-01-00:41:30.367.740 cce/api/dnn/eltwise.cc:256 ccEltwiseForwardEx [StmID:1] para check failed![INFO] DRV:2019-05-01-00:41:30.367.941 [devdrv] [devdrv_update_cq_tail_and_sq_head 388] cq head: 71, cq tail:72[INFO] DRV:2019-05-01-00:41:30.368.092 [devdrv] [devdrv_update_cq_tail_and_sq_head 388] cq head: 71, cq tail:72[INFO] RUNTIME:2019-05-01-00:41:30.368.250 11540 runtime/feature/src/logger.cc:913 TaskFinished:[StmID=1] task completed, device = 0, taskId = 15071, taskType = 0 task_finished_num_ = 72[ERROR] FMK:2019-05-01-00:41:30.368.440 Run:framework/domi/ome/op/eltwise_op.cpp:277:"Call cce api failed, ret: 0x3"[ERROR] FMK:2019-05-01-00:41:30.368.589 DoOpRun:framework/domi/ome/model_manager/davinci_model.cpp:2791:"Op run failed, **current_op_idx:265  name:HWres_0_0_sum  id:264  type:Eltwise"[WARNING] FMK:2019-05-01-00:41:30.368.743 ReturnResult:framework/domi/ome/model_manager/davinci_model.cpp:1668:"Compute failed, model id: 1"[INFO] FMK:2019-05-01-00:41:30.368.894 OnComputeDone:hiaiengine/node/hcs/npu_controller/ai_npu_executor.cpp:305:"NPU compute call back, model_id:1, task_id:1, resultCode:50331652"[INFO] FMK:2019-05-01-00:41:30.369.060 OnProcessDone:hiaiengine/node/ai_model_manager_impl.cpp:1473:"notify_one: task id[1] and model id[1], result[50331652]!"[ERROR] FMK:2019-05-01-00:41:30.369.279 ForwardCompute:hiaiengine/node/ai_model_manager_impl.cpp:1219:"Sync compute failed, resultCode:50331652."

请问，ModelArts的图像标注功能，多标签标注的应用是和YOLO的WordTree方式一样的吗？如果是，在训练时如何构建、使用tree呢？