华为云提供哪些人工智能相关的服务和产品？

在晟腾910 npu服务器上安装vllm提示需要CUDA，当前是否有其他的可替代框架？

【问题来源】中讯网联【问题类别】DV【AICC解决方案版本】23.200【UAP解决方案版本】UAP9600 V300R001C02SPC102【CTI完整完成解决方案版本】ICD V300R008C25SPC019【期望解决时间】尽快【问题现象描述】DV虚拟机在CloudSOP-UniEP部署产品软件时Zenithdb安装失败,去到PostInstall-DVEngineeringService.log.err日志查看显示以下内容2023-12-12 11:02:23 [INFO] info retry execute DV_V8_I2000_Product Install 1 times.2023-12-12 11:02:23 [ERROR] [Failed] install DV_V8_I2000_Product failed.提示DV_V8_I2000_Product安装失败实例名称：SOP/DVEAM/ies_om_zenith(取消)SOP/DVEngineeringServicePackage/ies_om_global（失败）【日志或错误截图】

召回率（Recall）召回率是评估分类模型对正类别的识别能力的指标。它回答了一个问题：“在所有实际为正类别的样本中，模型有多大程度上能够正确地将其预测为正类别？”考虑一个二分类问题，例如医学诊断中的肿瘤检测。在这个场景中，正类别是患有肿瘤的病人。召回率的计算公式如下：True Positives (TP)：模型正确预测为正类别的样本数。False Negatives (FN)：实际为正类别但模型预测为负类别的样本数。示例： 假设在肿瘤检测中，有100名患有肿瘤的病人。模型成功识别其中的80人，但漏掉了20人。那么，召回率为0.8 或 80%这意味着模型成功捕捉到了实际肿瘤患者中的80%。准确率（Precision）准确率是评估分类模型在预测为正类别的样本中的准确性的指标。它回答了一个问题：“在模型预测为正类别的样本中，有多大程度上是真正的正类别？”准确率的计算公式如下：权衡与应用在某些情况下，更关注召回率可能是关键，例如在医学诊断中，避免漏诊是至关重要的。在其他情况下，更关注准确率可能更合适，尤其是在资源有限且需要确保预测准确性的场景中。综合考虑召回率和准确率，可以使用 F1 分数，它是召回率和准确率的调和平均数，提供了对模型整体性能的更全面的评估。应用召回率和准确率在不同的应用场景中都有其重要性，选择使用哪个指标取决于任务的性质和业务需求。以下是一些常见情况下可能需要考虑这两个指标的情况：1.医学诊断：召回率： 在医学领域，召回率可能更为关键，因为在疾病诊断中，漏诊可能导致严重的后果。高召回率确保尽可能多的真实患者被正确识别。准确率： 准确率同样重要，以确保预测的患者确实患有疾病，以避免误诊。2.垃圾邮件检测：召回率： 在垃圾邮件检测中，避免将正常邮件误判为垃圾邮件是关键的，因此高召回率是重要的。准确率： 准确率同样重要，以确保用户不会错过重要的邮件，避免将正常邮件错误地分类为垃圾邮件。3.金融欺诈检测：召回率： 在金融欺诈检测中，尽早发现潜在的欺诈行为是至关重要的，因此高召回率是关键。准确率： 准确率同样重要，以确保在采取行动之前确实存在欺诈行为，避免误报。4.搜索引擎结果排序：召回率： 在搜索引擎中，希望返回与用户查询相关的尽可能多的结果，因此高召回率是重要的，以确保包含所有相关信息。准确率： 准确率同样重要，以确保用户在搜索结果中找到的是真正相关的信息，避免垃圾信息的干扰。5.客户反馈分类：召回率： 在分类客户反馈时，高召回率确保尽可能多的关键问题被发现，以便及时解决。准确率： 准确率同样重要，以确保回应的问题真正是用户关心的，避免误解用户需求。其他关键指标当评估分类模型性能时，召回率和准确率是关键指标，但有一些其他方面和注意事项也值得考虑：F1 分数： F1 分数是召回率和准确率的调和平均数，可以帮助平衡两者。在某些情况下，特别是当类别不平衡时，F1 分数可能更有代表性。ROC 曲线和AUC： 受试者工作特征曲线（ROC 曲线）和曲线下面积（AUC）是用于评估二分类模型性能的另一种方式。它们考虑了不同阈值下的真正例率和假正例率。混淆矩阵： 混淆矩阵提供了更详细的信息，包括真正例、真负例、假正例和假负例的数量，可以帮助进一步分析模型的性能。类别不平衡： 如果数据集中的类别分布不均匀，单纯使用准确率可能会误导评估。在这种情况下，需要特别关注召回率和其他适应类别不平衡的指标。业务目标： 在选择评估指标时，始终牢记业务目标。某些情况下，更注重召回率，而在其他情况下，更注重准确率可能更符合实际需求。交叉验证： 使用交叉验证来评估模型的稳定性和泛化性能。将数据集划分为训练集和测试集，并多次进行交叉验证，以减少评估结果的随机性。特定领域考虑： 考虑到特定领域的特殊需求，可能需要调整模型的性能指标。例如，在某些医学应用中，对误诊的容忍度可能较低。

一、什么是人工智能（一）图灵测试图灵测试在 20 世纪 50 年代已经提出，那时没有计算机。图灵测试指测试者与被测试者（一个人或一台机器）隔开的情况下，通过一些装置（如键盘）向被测试者随意提问。进行多次测试后，如果机器让平均每个参与者做出超过 30% 的误判，那么这台机器就通过了测试，并被认为具有人类智能。以前有一些人可能不理解，但到今天就很明白，像小度音箱如果你连问三次今天温度怎样，它的回答是一样的；但你问家人同一个问题三遍，他的回答可能是“你是否有毛病 ? 一个问题问三遍”，这就是人和机器的区别。图灵曾经预测，人类用 50 年左右的时间可能完成图灵测试， 但是实际结果不太理想，人类用了 60 多年的时间才完成了图灵测试。（二）人工智能的应用人工智能的应用领域非常广泛，如人脸识别和跟踪、遥感影像中的目标检测、医学领域中的病灶识别和分类、材料领域的新材料发现。除此之外，人工智能在机器人领域的应用更为广泛 , 对机器人的发展而言 , 从机械角度来讲，目前的机器人灵活度和稳定度已经做的非常好，比在机器人脑部方面的进展要快 , 然而决定机器人水平的主要依据是其智能水平。这和人一样，医院神经科的医生地位通常更高，因为神经科的病人特别多；且这些病相对来讲比较难治疗，因为人脑结构非常复杂。所以从人工智能类脑计算出发，实现仿人机器人还有漫长的路要走。人工智能也是影视娱乐领域的一个重要话题，典型代表是 2004 年的好莱坞电影《我，机器人》，影片中对人工智能有超前认识，讲的是机器和人最终的区别是情感区别。如果有一天机器也有情感会怎样？显然 , 推进人工智能发展 , 预测人工智能的未来需要工科与人文社科研究人员共同努力和协调发展。二、人工智能背后的技术原理（一）机器学习今天人工智能发展的如火如荼，核心原因是机器学习理论。我们要研究人工智能无非就是做一个仿人机器人，让机器达到和人几乎一样的功能。人之所以聪明，最根本的原因是会学习。怎么教会机器学习？从我们小时候教育的过程就可以理解机器和人学习的过程。小学一年级学习加法时，老师课后会布置大量作业，做错了很正常 , 继续修改就行；通过大量训练和纠错 , 到小学三年级大家就掌握了加法的本质原理 , 基本不会犯错了 , 那么学习的目的就达到了。人对世界的认知就是一个学习过程，这个学习有一个特点是小样本学习，需要较少的例子就可以学会 ( 当然存在特殊情况 , 智力有问题的人通常难以有效学习 )。比如人对猫和狗的识别，通常看几张图片就认识了。机器怎么学习？例如利用机器学习的方法可以对图像进行分类，然而当模型过于简单（智力水平低）时，训练好的模型只能识别常规的猫和狗，如果对图像进行各种退化处理或者尺度放缩及形变，模型往往会出错，而人通常可以应对各种外界环境的干扰做出正确识别。这就说明一个问题，人的大脑学习是很聪明的过程，看两三张照片就掌握了规律，是小样本学习。机器要完成对猫和狗的正确识别，需要海量训练样本（图片），同一张图在训练前需要做各种尺度、旋转、仿射变换等（数据增强策略），只有输入大量图片机器才能有效掌握识别猫和狗的规律。如同班上聪明的学生通常只需做两三道题就能掌握这种类型题，而智力水平低的学生需要做几百道同类型的题才能掌握规律，当前的机器学习好比智力水平较低的学生。第二个区别，鲁棒性。比如给机器一个辨别色盲的照片，机器大概率会出错，因为它应对各种新情况能力较弱，而人应对外界环境变化的能力远高于机器。目前的深度学习技术在鲁棒性方面已经有了明显改进，比如人脸识别，回顾 10 年前的人脸识别系统，戴口罩根本无法识别，而现在可以正确识别，说明当前的机器学习水平已经比过去提高很多。机器学习还有一个重要概念是泛化能力，比如我现在认识你，你带了一个小伙子来了，我说这是你儿子，因为和你长的像；而机器通常对它没有见过的东西，出错概率比人要高的多。如果我们训练好一个模型，机器可以对这张图片进行一个正确识别；而像漫画形式的，机器出错的概率就非常高。学习的过程就是总结规律、反复纠错的过程。小学生如果错一个字老师可能会让他写几十遍，说明大脑可以被认为是一个模型，这个模型本来不健全，通过不断学习，模型稳定后就不再出错，这是一个反复纠错的过程。机器也一样，现在的人脸识别模型就是一个复杂函数，里面有很多参数，只要调整参数值整个判别函数就变了。所以，我们要学习模型里不同参数值，参数初始值是随意给的，而机器学习在第一次的学习过程中（例如 1+1=3），错了就对参数进行修改；第二次学习过程中又一个样本学习错了（例如 2+5=9），继续再修正参数；一直下去，直到发现它能连续多次正确就不再修改模型里的参数，这是学习的最基本过程。图 1 误差函数的变化机器学习涉及到的三要素是数据、模型和算法。比如要对一些图片进行识别，把猫识别出来，就需要大量样本，就好比学生学习需要大量题库，如果题库都没有做过，怎么可能掌握基本知识，所以样本可以认为是最基本的素材。进入大数据时代，由于计算机成像技术的快速发展，获取图像、语音、文本的方式越来越简单，因此各种媒体数据量不断增加。其次是模型。模型很简单，就是一个函数。例如，我们可以看到一个简单函数、一个复杂函数，简单函数是线性的；复杂函数是非线性的。简单函数可以认为是一个智力水平低的小孩，辨别能力差表现在这个分类的模型很简单；复杂模型类似于一个智力水平很高的科学家，对各种各样的事都可以做出正确判断和处理，这就是简单模型和复杂模型的区别。深度学习的过程就是要把简单模型变成复杂模型，这样就不容易出错。机器学习最后一个要素是学习算法，例如同样一个班的学生，为什么有的学生成绩好，有的学生成绩不好，就是因为学习方法不同，这是有差异的。在实际过程中也是一样的，我们在训练模型时用不同算法去做，效率不同，有时训练机器 2 小时就可以收敛，有时训练 10~20 个小时还不能收敛。所以，选择一个很好的算法很重要。（二）机器学习系统以人脸识别为例，首先进行数据收集，需要收集大量的人脸数据，被称为历史数据。历史数据包括训练数据和验证数据，训练数据相当于我们平时做的题库；验证数据相当于模拟考试。对模型学习的过程中就是对它的参数不断进行调整。调整的方法是，对错的东西进行惩罚，不断把错的东西变成正确的。等题库里的题做完了就开始验证，通过验证发现成绩还是不行，说明老师有问题，或者说家长有问题，或者学习的环境有问题，这些外界因素就如同模型的超参数。通过调整这些超参数后再进行学习，直到成绩可以了，就能够参加最终测试。（三）神经网络机器学习里有很多种方法和工具，其中最核心的就是神经网络。生物学家发现，人脑本身就是一个复杂网络，如何模拟人脑的网络去工作，这是科学家一直奋斗的目标。这方面的工作可以追溯到上世纪三四十年代，模拟人脑的功能网络。从最早的感知器，到今天的深度学习，其原理都是在模拟人的大脑工作机理。人的大脑大约有 860 亿个神经元。基于神经元的工作机理，数学家们将其抽象为人工神经元数学模型，这是人脑工作最基本的机理，这个工作机理就是加权求和的过程。比如开会投票，六个评委每个人打分，最后的打分结果不是直接求平均值，而是带有权重的平均。由于线性运算难以表达复杂模型，因此神经元还涉及到是否激活的问题，这个激活是个非线性运算。因此一个神经元首先通过加权求和的线性运算；其次通过一个非线性运算；最终输出结果，这就是神经元的最终工作流程。神经网络经历了三次热潮，同时也经历了二次寒冬。图灵在 1936 年提出图灵机，人工智能从此开始进入第一次热潮。随着计算机技术的发展，人工智能也在不断向前发展。到 1974 年经历了一次寒冬，因为最早的神经网络只能对线性可分的数据进行分类，学者们就认为神经网络应用具有较大的局限性，而专家系统可以解决更为复杂的问题。直到 BP 神经网络出现后，其成功地解决了线性不可分数据的正确分类，神经网络迎来了第二次热潮。1987 年，由于神经网络需要更多的训练数据，且识别精度有限，而支持向量机（SVM）是小样本学习方法，且表现出更好的分类性能，因此神经网络一度被质疑，进入了第二次寒冬。直到 2006 年，因为神经网络层的设计不能太深，而人脑的工作机理是深层网络，中间的参数是指数级增长，计算量和模型的复杂性也都是指数级增长；以往的神经网络很难进行深层设计，原因在于无法进行有效训练，而 Hinton 提出深度学习的概念，通过逐层训练结合微调的方式实现了深层网络的训练，由此人工智能进入了第三次黄金时代。进入深度学习时代后，人工智能迎来快速发展，在传统的 BP 神经网络中，我们通常需要人工进行特征提取，然后设计神经网络实现数据分类或回归。比如做人脸识别，实际上是想办法把一个人脸的照片转换成一个向量，在非深度学习的时代这个过程被称为手工提取特征。提取人脸特征后，要对这些特征进行分类，因此需要训练一个分类器，整个提取特征和特征分类分开执行，而深度学习可以把这两个任务融为一体，让机器全部自动学习。尤其是怎么把人脸变成一个向量让机器自己学习，而不需要人帮助，这就是深度学习和传统机器学习最本质的区别，因为它能够自动学习，所以学习出来的特征往往比人工设计的特征要好很多。深度学习是信息时代的必然产物。21 世纪是大数据时代，随着成像技术的发展，我们对图像数据、视频数据和文本数据的获取很容易，数据获取方式更为简单，获取大数据集变得越来越容易。有了数据，还要有算力。所谓训练过程就是计算过程，以前训练一个模型要两天，到现在 2 个小时就可以结束。有了数据和算力，还要有算法进行支撑。进入深度学习后，可以设计深度学习模型，尤其是各种学习理论做支撑。三者同时发展，就有了今天人工智能高速发展的结果。深度学习的代表性方法是深度神经网络。深度神经网络最大的成功在于分层表达，当前的深度神经网络可以做到几千层。层的作用就是认知的过程，层越多模型就越复杂，表达能力就越强。比如进行数字识别，第一层里对这个数字的认识就是不同颜色块，说它有什么特征我不知道；第二层就有一种高级信息，有形状和纹理；第三层就是高级语义信息。深度学习繁荣发展的历程。李飞飞的主要贡献是整理了一个图像库 ImageNet，里面大概有1500万张图像，而且对很多图像做了标注（共标注了大约 120 万张图像）。有了这个超级大库后，学者们就可以验证深度学习的有效性。没有大数据作支撑，无法验证各种深度模型的好坏。因此自 2010 年后，学者们相继参加 ImageNet 比赛，直到 2017 年图像分类错误率已降到了非常低的量级，比赛停止。三、人工智能技术现状首先是数据的现状，GPT 的训练数据大约 80万张网页，GPT-2 的训练数据大概 800 万张网页，GPT-3 的训练数据达到 45TB。大数据一旦到来后，只有大公司高投入才能做这样的事情。现在的机器学习方法有监督式学习和非监督式学习两大类。所谓监督式学习分为分类和回归两个问题。回归问题预测的是一个数值，比如天气预报、股票开盘价预测。机器学习里的两大任务，无非就是分类问题和回归问题。监督学习类似于我们的课堂教育，由老师教给你，错了马上指出，不断让你纠错。这样的学习方式成本高，要交学费，还需要很多老师；非监督学习相反，不需要老师、课堂，自学成才。通常非监督学习不如监督学习，因为自学成才的人较少，而且难度大。但是非监督学习是我们奋斗的目标，让机器能自动学习，而不是不断教它。介于监督学习和非监督学习中间的是弱监督学习，其分为三种，第一种是不完整的监督，做标记时只有一部分进行标记。比如一套题库中，10 套有答案，10 套没有答案，这是不完整监督。第二种是不确切监督。给一个大概的答案，可以很具体地标猫和狗，但也可以笼统地标为动物；类似于老师不教步骤，只讲方法。第三种是不正确监督，即老师也有讲错题的时候。深度学习繁荣发展。谷歌是全球最大的互联网公司，一直走在人工智能领域的最前端，近年来先后提出了 Transformer、Bert 等。除了谷歌，2017 年微软投入 10 亿美金给 OpenAI 做研发，从而促进了该公司在人工智能领域的崛起，尤其是 GPT-3 的提出，实现了人工智能大踏步前进。除了 OpenAI 公司，还有很多公司也做的非常好，例如苹果、华为的诺亚方舟、京东的探索研究院等。人工智能的发展可以分为弱人工智能、强人工智能和超人工智能三个层次。个人粗略认为，2020年以前人工智能一直处于弱人工智能。所谓弱人工智能就是下棋、人脸识别这种单项任务。强人工智能就是类人的活动，尤其是多任务执行，例如机器人可以实现自己编程序、语音聊天、自动驾驶等。现在已经步入了强人工智能时代。未来的人工智能应该步入的是超人工智能。所谓超人工智能就是在各领域全面超越人类，或者超过我们的大脑。人工智能现在存在的问题主要表现在三个方面，一是模型很大，参数量多，内存消耗高；二是数据标注成本较高；三是多任务执行比较难。现在能见到的机器人有送菜机器人、巡警机器人、捡垃圾机器人，一个机器人能不能完成所有的功能？所以多任务执行比较困难。最大问题是它的计算量太大，耗能方面目前是一个严重问题。AlphaGO 下一盘棋的电费大约 3 000 美元。抛开 AlphaGO 我们看GPT-3，它的参数量是 1 750 亿，人类只有大约 860亿神经元。这个模型训练一次成本很高，用电需要19 万度，碳排放是 8.5 万公斤，相当于一辆车从月球开到地球一个来回的碳排放。在碳中和的年代，如何发展人工智能？显然未来我们需要有新的技术作支撑。四、人工智能技术的应用人工智能如果可以全面用于无人驾驶，会产生非常大的经济效益，但也可能存在很多问题。现在百度、小米都在造汽车，考虑的是未来的新能源及自动驾驶，成本很低。人工智能在医疗领域，从商业价值来讲是最有意义的一个应用。在疾病预测和影像分析领域，人工智能已经表现出明显的优势，尤其某些诊断已全面超过人类，如青光眼的筛查比人类专家水平还高。考虑到责任问题，人工智能在医学里只能作为辅助手段，为医生提供各种参考，最终诊断由医生确定。1：智慧医疗在智慧医疗方面，我们开发了一套面向肝功能辅助评估的在线分析系统，输入病人肝脏影像后，直接可以打出结构化报告，如果依赖人工去做，传统方法需要 1~2 天才能完成。因此这套影像分析系统可以极大提高医生的工作效率。2：金属及泡沫材料属性分析根据金属材料扫描电镜图像，研究金属材料单物理属性，需要分析其中的孔洞分布，手动去量通常非常困难，通过人工智能的方法可以做一个有统计意义的分析结果。我们利用计算机视觉技术成功帮助材料研究人员自动分析金属材料属性，为他们提供非常客观的测量数据，误差率降低了一个数量级。此外，对网状结构的泡沫材料（中间的孔洞更多）也可进行智能分析。3：智能地层驱油分析通过给地层注入水（红色是油的分布，蓝色是水，背景是地层）后可以把油驱出，这就是采油的原理。实际中，研究人员把地层结构做成芯片放到实验室，用照相机进行拍照分析地层中水驱油的变化。我们做了一个智能系统可以分析油路走向，通过之前和之后的图像对比，利用人工智能技术找出前后的变化趋势，找到油路的走向，帮助工作人员找到最佳取油路径。五、人工智能的未来人工智能的未来是可信人工智能、超级深度学习和量子机器学习。京东探索研究院联合中国信通院在 2021 年发布了可信人工智能白皮书。为什么是可信人工智能？比如无人驾驶必须要识别街区场景，如果各种标识牌上贴了小广告，这种情况下智能车通常就会识别错误，发生的后果可能会很严重。这个责任怎么去划分？所以这方面有很多问题，比如可信可视、多元包容等。当前，数据不断在增长，模型参数也在增长，计算机的计算性能也在增长。因为有计算性能做支撑，所以不害怕数据增长和模型提升，未来的深度学习可以执行的任务非常多，学习能力也很强，能够达到接近人的学习能力，最终实现整体人工智能产业链的布局。量子机器学习。中国科技大学潘建伟教授开发出国内第一台量子计算机，其计算性能是现有计算机的 1 亿倍。发展量子计算机是人工智能未来的方向，因为计算效率高、功耗低。

【问题来源】   厦门国际银行 【问题简要】话务签入报错【问题类别】  话务条【AICC解决方案版本】【必填】   ICD V300R008C25【问题现象描述】【必填】        话务条签入时会报：webSocket connection to "wss://xxx.xxx.xxx.xxx:8043/agentgateway/ccgateway/agent/103" faile:Error in connection establishment:net::ERR_CERT_AUTHORITY_INVALID,然后将wss://xxx.xxx.xxx.xxx:8043/agentgateway/ccgateway/agent/103链接改成https://xxx.xxx.xxx.xxx:8043/agentgateway/ccgateway/agent/103放入地址栏中访问，就可以正常签入了，但是一旦清除浏览器缓存，再签入就又会报上面的错误，然后又需要执行上面操作，是证书有问题吗？

19日，以“创想无限”为主题的2023华为开发者大赛全球总决赛圆满落幕，紧随其后的是精彩纷呈的华为开发者年度盛典。最顶尖最酷的开发者在盛典上秀出了他们的作品，既能又能还能，真是开发者的快乐，你根本想象不到！听说有好几个项目当场就被投资人相中，赛场上的作品立马成为商业机密，那接下来的一些开发者炫酷作品展示嘛~~想下滑了解更多的朋友，也许需要先签署下保密协议。想象以后再不需要学习外语，世界各地的影片都可以在几秒内转译成你的母语，还跟原来的演员一个音色、一个语气。梦想照进现实了！来自亚太赛区的Soca.AI团队使用华为语音交互服务，将口语转换为文本，理解上下文，结合AI技术无缝将其翻译成新的语言，并搭配华为云容器引擎提升转译效率，开发出了原声语音自动翻译的语言转译系统。videovideovideovideovideovideo要保留说话人原本的声音、情感和语调对于算法和AI模型非常挑战，Soca.AI团队通过语音分割，将说话人的声音从其他声音属性中分离出来，韵律和语调也在专业配音的基础上训练与说话人无关的注释。上面这个视频就是在几秒钟内实现转译并成功输出的，看美剧不看字幕的时代终于要来到了吗？！赶紧列好想冲的观影列表吧！耕耘逐梦团队打造了一套专门针对工地场景的安全监管平台。“不知道人员具体在哪里”，“事故发生就在1秒钟”，“危险的动作和行为无法机制感知”，针对工地安全管理的核心难题，团队开始死磕。因为工地都是从当地采购设备，五花八门，每个设备都需要“手敲代码”进行集成，平均1个工地至少需要3万行代码，平均需要20-25天；随着工地数量的不断增加，服务器需要采用“人拉肩扛”的方式进行扩容；工地的摄像头大多为普通摄像头，不具备AI分析能力。后来他们发现华为云可以很好地解决所有问题，华为云资源的弹性扩容能力大大缩短了应用扩容的工作量；通过与ROMA+IoT组件的融合，将25天的集成工作量缩短至5天，不再需要长时间驻场；通过布设华为云AI边缘智能视频分析算法，实现了在不更换摄像头的前提下进行安全分析。华为云盘古大模型也更加高效地实现了对用户的自然语言交互。现在团队成功开发了劳动实名制、特种设备监管、人员定位、安全帽识别、人员越界检测等具有工地特色化的应用，创新优化了工地管理模式。为了给脑卒中患者寻求一种有效的康复方案，卓越脑康团队提出了新一代主动式外骨骼康复产品——华为云AI赋能脑机手部康复外骨骼。基于华为云AI开发生产线ModelArts和脑机接口技术，通过自研脑电采集设备采集到患者的大脑放电信号，使用AI模型解析得到患者的运动意图，最后驱动外骨骼手套带动患者手指进行康复训练。智睡芯安团队的同学为了解决室友打呼噜的问题开发出了基于昇思MindSpore框架的睡眠呼吸诊疗方案。（室友：没想到我是你的缪斯）阻塞性睡眠呼吸暂停综合征在我国约有1.76亿患者，55%的打呼噜都是由该病引起，且该病有40%的概率引发心脑血管等慢性疾病。团队与医生进行了长达2个月的方案讨论，累计标注72000张CT图像。基于华为云的云边端协调架构和AI开发生产线ModelArts，目前已经可以做到将患者的头部CT放进平台进行全自动分析，20s内即可提供给医生最直观的三维可视化结果，达到97%的预测精度，大大提升医生的检测效率和准确率。同时将患者的头部CT进行高精度分割，对其气道进行三维重建，利用反式呼吸求解，通过查看仿真气流的流动状态和数值来判断预测切除的部分是否合理，集成一个完整辅助诊断的平台。（为了室友不打呼噜自己睡个好觉也是真的很努力了！）为解决听障人士日常生活中沟通困难的问题，知音团队基于华为昇腾的“小藤”开发者套件，开发出了一款知音智能眼镜，将接收到的声音转化为信息显示在镜片上，并用摄像头识别手势，通过扬声器说出语言，以此实现完整的双向沟通。目前知音智能眼镜已经完成了8900万以上的语音转文字和2000万的文字转语音，帮助了无数的听障人士。科技应该向善，花开无声的世界也能充满温暖和声音。为了充分发挥数字化电子发票的优势，标普云团队开发了 “数票通”，针对中小企业经常有财务专业能力缺失的痛点，提供傻瓜式服务，也面向垂直行业提供个性化发票管理能力。开发者前哨站＝一位脱口秀演员马克+华为开发者DTSE专家徐毅（一看发型就知道开发能力出众的洗脑专家技术布道师）+中关村软件园投资管理公司的张锋（钱多又渣、不主动也不拒绝的渣男VC）互相吐槽，说的都是大实话，送的都是纯干货。最后，揭秘本届华为开发者大赛获奖结果。本届大赛开设云底座和产业两大赛道，覆盖中国、亚太、拉美、欧洲、土耳其等区域，共吸引了全球30多个国家和地区、19000多名开发者、3000多支团队报名参赛。在中国赛区的企业赛道，“天图万境”团队凭借“人工智能AI感知视听空间计算技术”作品一举夺魁，荣获银奖的队伍为“深圳前海粤十信息技术有限公司”和 “北京聚力维度科技有限公司”，荣获铜奖的队伍为 “国蓝中天”“Motphys”“耕耘逐梦”，荣获创新奖的队伍是“万商云集”和 “云天励飞”。中国赛区企业赛道金奖在中国赛区的学生赛道，“IoT智慧铝电解”团队凭借“基于华为云IoT的铝电解能耗监测管理系统”作品荣获金奖，荣获银奖的队伍为“质感队”和 “卓越脑康”，荣获铜奖的队伍为 “一把火”“融创眼援”“智睡芯安”，荣获创新奖的队伍是“郁云守护”和 “郑信智眼队”。中国赛区学生赛道金奖在亚太赛区，“nozama”队伍凭借“Magik（虚实游戏玩具）”作品荣获金奖，荣获银奖的队伍为“DecentraRating”和“Netizen”，荣获铜奖的队伍为 “HeyHi”“SmartAM”“IC”，荣获创新奖的队伍是“Soca.AI”“Aye-Aye”“CyberWhiz”。亚太赛区金奖除了丰厚的奖金外，华为云同步为每支参赛队伍提供了无门槛云资源券、优质课程、沙箱实验和华为云开发者认证券，并通过华为云学堂持续培养和赋能开发者。同时，优秀参赛者还能获得华为云云商店KooGallery、沃土云创计划、初创计划等提供的商业成功扶持。此外，大赛额外设置人才招聘绿色通道，如华为人才市场岗位库，人才双选会门票等资源。一直以来，华为云致力于构建以开发者为核心的、开放共赢的生态体系。目前，华为云全球开发者数量已超过500万人，合作伙伴42000多家，云商店SaaS应用已达10000多个。华为云全球生态部总裁康宁在致辞中表示：“全球数字经济蓬勃发展，以云为底座的创新生态，以大模型为代表的创新技术，正在加快重塑千行万业。开发者作为创新技术生态体系的核心力量，也迎来了高速发展的新机遇。华为将在多元算力领域、AI领域、云原生核心软件领域持续突破，构筑核心技术新生态，与开发者一路同行，引领数字未来。”华为云CTO张宇昕表示：“开发者是用代码改变世界的人，每个开发者都在引领数字时代，开创智能世界，每个开发者都了不起！华为公司希望提供连接开发者、连接企业、连接投资人的舞台，让更多开发者投入到软件开发、投入到创造新世界的洪流当中；让更多企业开发者创新产品、创造价值、加速企业发展；让更多的资金发现创新机会，创造商业价值。华为云希望和开发者一起，用创新的技术和产品来推动世界进步，创造更加美好的智能世界！”华为公司战略与产业发展副总裁肖然在致辞中阐述了华为在根技术领域的研发投入成果，以及全面助力开发者成功的决心和行动。他表示：“未来，华为将持续加大技术投入和创新，并通过在供应链、标准和人才等领域开放合作、包容发展，与客户、伙伴、标准组织和开发者一起推动整个产业的进步，为各行各业的数字化转型提供技术保障和价值驱动，以推动数字经济的高质量发展。”作为华为ICT领域的顶级赛事，华为开发者大赛旨在面向全球开发者全面开放华为各产业领域的技术成果，鼓励开发者发挥想象力和创新精神，用ICT技术解决实际问题、创造无限价值，与华为一起引领数字未来、共建智能世界。很惊喜能与这么多有想法、有技术、有勇气的开发者相遇华为开发者大赛，我们明年再见！

【中国，东莞，2023年11月19日】今天，以“创想无限”为主题的2023华为开发者大赛全球总决赛及颁奖典礼在华为松山湖基地圆满落幕。本届大赛开设云底座和产业两大赛道，覆盖中国以及亚太、拉美、欧洲、土耳其等区域，吸引了来自全球30多个国家和地区的19000多名开发者、3000多支团队报名参赛。 在颁奖典礼上，华为颁发了3个金奖、6个银奖、9个铜奖、7个创新奖等超过25个奖项。全球总决赛大合照本届大赛自启动报名以来，备受全球各领域开发者关注，涌现了众多具有丰富想象力和创造力的优秀作品，包括应用华为云盘古大模型和IoT等能力的智慧工地管控平台、基于华为云AI开发生产线ModelArts和端云协同开发的新一代主动式外骨骼康复产品、将华为昇腾和AI技术应用于为特殊人士打造的无障碍智能交流应用、通过华为昇思MindSpore和AI能力打造的阻塞性睡眠呼吸暂停综合征解决方案、以及通过AI技术实现原声语音自动翻译的语言转译系统等。参赛作品由评委团从技术领先性、方案创新性、商业前景等维度进行综合评审，最终评选出获奖作品。在中国赛区的企业赛道，“天图万境”团队凭借“人工智能AI感知视听空间计算技术”作品一举夺魁，荣获银奖的队伍为“深圳前海粤十信息技术有限公司”和“北京聚力维度科技有限公司”，荣获铜奖的队伍为“国蓝中天”“Motphys”“耕耘逐梦”，荣获创新奖的队伍是“万商云集”和 “云天励飞”。中国赛区企业赛道金奖在中国赛区的学生赛道，“IoT智慧铝电解”团队凭借“基于华为云IoT的铝电解能耗监测管理系统”作品荣获金奖，荣获银奖的队伍为“质感队”和 “卓越脑康”，荣获铜奖的队伍为 “一把火”“融创眼援”“智睡芯安”，荣获创新奖的队伍是“郁云守护”和 “郑信智眼队”。中国赛区学生赛道金奖在亚太赛区，“nozama”队伍凭借“Magik（虚实游戏玩具）”作品荣获金奖，荣获银奖的队伍为“DecentraRating”和“Netizen”，荣获铜奖的队伍为 “HeyHi”“SmartAM”“IC”，荣获创新奖的队伍是“Soca.AI”“Aye-Aye”“CyberWhiz”。亚太赛区金奖华为云全球生态部总裁康宁、华为云CTO张宇昕、华为公司战略与产业发展副总裁肖然等嘉宾出席了总决赛颁奖典礼并为获奖队伍颁奖。康宁在致辞中表示：“全球数字经济蓬勃发展，以云为底座的创新生态，以大模型为代表的创新技术，正在加快重塑千行万业。开发者作为创新技术生态体系的核心力量，也迎来了高速发展的新机遇。华为将在多元算力领域、AI领域、云原生核心软件领域持续突破，构筑核心技术新生态，与开发者一路同行，引领数字未来。”张宇昕表示：“开发者是用代码改变世界的人，每个开发者都在引领数字时代，开创智能世界，每个开发者都了不起！华为公司希望提供连接开发者、连接企业、连接投资人的舞台，让更多开发者投入到软件开发、投入到创造新世界的洪流当中；让更多企业开发者创新产品、创造价值、加速企业发展；让更多的资金发现创新机会，创造商业价值。华为云希望和开发者一起，用创新的技术和产品来推动世界进步，创造更加美好的智能世界！”肖然在致辞中阐述了华为在根技术领域的研发投入成果，以及全面助力开发者成功的决心和行动。他表示：“未来，华为将持续加大技术投入和创新，并通过在供应链、标准和人才等领域开放合作、包容发展，与客户、伙伴、标准组织和开发者一起推动整个产业的进步，为各行各业的数字化转型提供技术保障和价值驱动，以推动数字经济的高质量发展。”作为华为ICT领域的顶级赛事，华为开发者大赛旨在面向全球开发者全面开放华为各产业领域的技术成果，鼓励开发者发挥想象力和创新精神，用ICT技术解决实际问题、创造无限价值，与华为一起引领数字未来、共建智能世界。本届大赛总奖金达500万元，除了丰厚的奖金外，华为云同步为每支参赛队伍提供的无门槛云资源券，提供优质课程、沙箱实验等丰富的学习资源扶持和华为云开发者认证券，并通过华为云学堂持续培养和赋能开发者。同时，优秀参赛者还能获得华为云云商店KooGallery、沃土云创计划、初创计划等提供的商业成功扶持。此外，大赛额外设置人才招聘绿色通道，如华为人才市场岗位库，人才双选会门票等资源。一直以来，华为云致力于构建以开发者为核心的、开放共赢的生态体系。目前，华为云全球开发者数量已超过500万人，合作伙伴42000多家，云商店SaaS应用已达10000多个，与全国110多所高校合作培养数万名专业人才，产、学、研、用深度融合，让核心技术生态行稳致远。面向飞速发展的大模型时代，在开发者方面，华为云提供盘古大模型研发工程套件，打造开放模型社区、大模型云学堂，帮助开发者更快实现大模型的开发落地。华为云希望广大开发者基于华为的根技术，利用云上的澎湃算力和盘古大模型的强大能力，共同构建起“百模千态”的繁荣生态。面向未来，华为将加快软、硬、边、端、云等全面融合，协同华为云、鲲鹏、昇腾、鸿蒙等开发生态，持续加大投入研发创新，与全球各领域开发者一起用技术推动世界进步。

华为云账号：CSDN-weixin 55984718课程1.3打卡：

问题显示：  File "/home/ma-user/work/DDA6/src/models.py", line 99, in backward     loss.backward()   File "/home/ma-user/anaconda3/envs/Pytorch-1.8.1/lib/python3.7/site-packages/torch/tensor.py", line 245, in backward     torch.autograd.backward(self, gradient, retain_graph, create_graph, inputs=inputs)   File "/home/ma-user/anaconda3/envs/Pytorch-1.8.1/lib/python3.7/site-packages/torch/autograd/__init__.py", line 147, in backward     allow_unreachable=True, accumulate_grad=True)  # allow_unreachable flag RuntimeError: The size of tensor a (256) must match the size of tensor b (64) at non-singleton dimension 3问题描述：在pytorch框架下的代码，从cuda往cann迁移，在cuda正常运行，而在cann中可以开始训练，但会卡在 loss.backward() 求大佬帮忙

流程下发至执行器运行时，打开excel失败。且执行器已是管理员身份运行。但在编辑器运行流程打开excel无任何异常。请大佬协助排查一下是什么问题

HCDG（Huawei Cloud Developer Group 华为云开发者社区组织），是基于城市圈和技术圈，由开发者核心组自发开展的开放、创新、多元的社区技术交流组织。致力于帮助开发者学习提升、互动交流、挖掘合作，推动技术应用与本地产业结合、数智化转型和开发者文化发展。 2023年11月2日，由佛山市南海区政务服务数据管理局指导、佛山市南海区大数据产业协会与华为云计算技术有限公司主办的“HCDG城市行佛山站——AI算力技术研讨会”活动圆满完成。30名企业开发者共聚佛山南海，共同交流计算产业新时代的变革。佛山市南海区大数据产业协会秘书长王彩萍佛山市南海区大数据产业协会秘书长王彩萍女士为活动作了开场致辞，王女士表示，南海区大数据产业协会将以“数字领航”系列特色服务为发力点，当好政企桥梁作用，围绕区域中心工作，充分激活数据资源，为南海高质量发展赋能。同时今后协会也将持续举办高质量交流活动，全力打造好产业交流平台、提升数字产业意识。­­华为广东政企佛肇云业务部计算产业总监彭运新广东政企佛肇云业务部计算产业总监彭运新向现场开发者介绍了昇腾的整体概况。他表示，目前AI发展跨越拐点，从“感知识别” 走向“内容生成”，从专用走向通用。AI也将能逐步替代高端脑力劳动工作。目前昇腾大模型已逐步沉淀行业知识，使能行业应用极简开发，从传统的应用开发方式的2人月提升到基于SDK开发方式的2人天。同时昇腾已全面兼容三方生态，可快速、无损实现模型和应用的迁移适配。华为云Serverless解决方案架构师郭亮华为云Serverless解决方案架构师郭亮先生首先为开发者介绍来了华为云Severless AI解决方案，Serverless具有可视化编排、全栈可观测、异构资源调度“0“闲置、冷启动＜200ms、应用一键构建、边缘流量近场处理低时延等核心关键能力。使能自动化AI训练平台提升利用率的同时降低成本。另外，华为云专家还带领与会者现场感受沙箱实验，亲身实操funtiongraph工作坊。实验过程当中，现场开发者与华为云专家围绕实验应用展开积极互动。华为云专家也针对企业以及开发者在AI实际应用场景的困惑进行深入解析。​​​​​​​本次AI算力技术研讨会活动是HCDG在佛山的首次城市活动，后续华为云也将继续携手佛山，与广大企业及开发者，共建产业新生态，为企业及开发者提供“新技术、新体验、新机会”全方位支撑，赋能更多的企业数字化转型。

MoE技术和其它模型融合技术（如bagging、boosting）的优缺点是什么？

MoE-LLM模型在处理高维数据时，如何选择有效的特征并进行降维处理以降低模型的复杂度和计算量？

MoE-LLM模型在处理不平衡数据时，如何调整模型以更好地识别少数类别并降低误报率？