https://bbs.huaweicloud.com/forum/thread-0244137763198750002-1-1.html

【分享交流】2024年马上要到了，你们对码豆商城有什么意见或者建议，欢迎提出

谈谈你对华为云社区有什么意见或建议【发言最积极，回帖最多的，送华为云定制鸭舌帽】

谈谈这一年你们在华为云上学到了什么【分享最积极，总条数最多的，送华为云无线鼠标】

一、实验目的了解聚类算法和K-Means的基本概念了解如何使用MindSpore进行K-Means聚类实验二、实验内容与实验步骤环境搭建数据预处理模型建立与训练模型评估　这是一个完整的实验步骤，我们首先根据手册实现基础实验——鸢尾花聚类实验，接着改动实验中K的数值以及质心的选值来测试创新设计。三、实验环境华为云ModelArtsMindSpore 1.364位电脑四、实验过程与分析环境搭建　创建OBS桶按照pdf进行对应配置，接着新建文件夹K-Means并上传代码文件、配置文件与数据文件。​ 接下来创建训练任务，配置与pdf一致，不同的地方是输入参数需要写data_url，输出参数随意写。​ 均完成后就可以开启训练任务了。下面开始分析本次实验的代码。数据预处理　在头文件配置MindSpore的运行环境，包括运行模式和目标设备，以便后续进行神经网络的训练或推理操作，接着打开导入的Iris数据集并查看部分数据。在打开数据之前也要线适配训练作业。import os import csv import random import numpy as np import pandas as pd import seaborn as sns import matplotlib.pyplot as plt import mindspore as ms from mindspore import context, Tensor, nn from mindspore.ops import operations as ops context.set_context(mode=context.PYNATIVE_MODE, device_target="Ascend") import argparse parser = argparse.ArgumentParser() parser.add_argument('--data_url', required=True, default=None, help='Location of data.') args, unknown = parser.parse_known_args() import moxing # src_url形如's3://OBS/PATH'，为OBS桶中数据集的路径，dst_url为执行容器中的路径，两者皆为目录/皆为文件 moxing.file.copy_parallel(src_url=os.path.join(args.data_url, 'iris.data'), dst_url='iris.data') def create_dataset(data_path): with open(data_path) as csv_file: data = list(csv.reader(csv_file, delimiter=',')) label_map = { 'Iris-setosa': 0, 'Iris-versicolor': 1, 'Iris-virginica': 2 } X = np.array([[float(x) for x in s[2:-1]] for s in data[:150]], np.float32) Y = np.array([label_map[s[-1]] for s in data[:150]], np.int32) return X,Y模型建立与训练​ 使用K-means聚类算法将Iris数据集分为3个簇。首先加载数据，随机选择3个数据点作为初始的簇中心，然后进行100次迭代，计算每个数据点到簇中心的距离，将数据点分配到距离最近的簇，然后更新簇的中心位置。最终，它计算了聚类的准确率，将聚类结果可视化，以便分析聚类效果。# 设置K值为3。iris数据集有三类花 # 实际上是分类任务，因为已经给了堆大小了 # 迭代次数25 k=3 generations = 100 x,y = create_dataset('./iris.data') num_pts = len(x) num_feats = len(x[0]) data_points = Tensor(x) cluster_labels = np.zeros(num_pts) # 先随机选择iris数据集中的三个数据点作为每个堆的中心点 rand_starts = np.array([x[np.random.choice(len(x))] for _ in range(k)]) centroids = Tensor(rand_starts)​ 接下来是具体每一个部分的实现代码。首先是计算每个数据点到每个簇中心点的欧氏距离，并将数据点分配到距离最近的簇中，返回每个数据点所属的簇的标签。def calculate(): # 计算每个数据点到每个中心点的欧氏距离 # 这里是将数据点都放入矩阵，直接按矩阵进行运算 reshape = ops.Reshape() tile = ops.Tile() reduce_sum = ops.ReduceSum(keep_dims=False) square = ops.Square() argmin = ops.Argmin() centroid_matrix = reshape(tile(centroids, (num_pts, 1)), (num_pts, k, num_feats)) point_matrix = reshape(tile(data_points, (1, k)), (num_pts, k, num_feats)) distances = reduce_sum(square(point_matrix - centroid_matrix), 2) centroid_group = argmin(distances) return centroid_group​ 计算每个簇的平均距离，以更新簇的中心点位置。它首先通过 ops.UnsortedSegmentSum计算每个数据点到所属簇的距离总和，并使用 ops.OnesLike计算每个簇的数据点数量。然后，通过将总和除以数量，得到新的中心点位置，并使用 ops.Assign更新簇的中心点。这个过程循环执行，不断迭代，以优化簇的中心点，从而改善聚类效果。# 计算三个堆的平均距离更新堆中新的中心点 unsorted_segment_sum = ops.UnsortedSegmentSum() ones_like = ops.OnesLike() def data_group_avg(group_ids, data): # 分组求和 sum_total = unsorted_segment_sum(data, group_ids, 3) #计算堆大小 num_total = unsorted_segment_sum(ones_like(data), group_ids, 3) #求距离均值 avg_by_group = sum_total/num_total return avg_by_group assign = ops.Assign()​ 执行K-means聚类算法训练过程，在每轮循环中，计算每个数据点的所属簇，重新计算簇的中心点位置，更新簇的中心点，然后计算每个簇中的数据点数量。这个循环用于不断优化簇的中心点，直到满足停止条件# 遍历循环训练，更新每组分类的中心点 for i in range(generations): print('Calculating gen {}'.format(i)) centroid_group = calculate() means = data_group_avg(centroid_group, data_points) centroids = assign(ms.Parameter(centroids, name='w'), means) cluster_labels = assign(ms.Parameter(Tensor(cluster_labels,ms.int64),name='w'), centroid_group) centroid_group_count = assign(ms.Parameter(Tensor(cluster_labels,ms.int64),name='w'), centroid_group).asnumpy() group_count = [] # print(centroid_group_count) for ix in range(k): group_count.append(np.sum(centroid_group_count==ix)) print('Group counts: {}'.format(group_count))模型评估​ 计算每个簇中数据点属于最频繁出现的类别，通过比较聚类结果和Iris数据集中的真实标签来计算每个簇的准确率，最终输出整体的准确率，以评估聚类算法的性能。# 输出准确率。 # 聚类结果和iris数据集中的标签进行对比 centers, assignments = centroids, cluster_labels.asnumpy() def most_common(my_list): return(max(set(my_list), key=my_list.count)) label0 = most_common(list(assignments[0:50])) label1 = most_common(list(assignments[50:100])) label2 = most_common(list(assignments[100:150])) group0_count = np.sum(assignments[0:50]==label0) group1_count = np.sum(assignments[50:100]==label1) group2_count = np.sum(assignments[100:150]==label2) accuracy = (group0_count + group1_count + group2_count)/150. print('Accuracy: {:.2}'.format(accuracy)) reduced_data = x reduced_centers = means​ 最后可视化呈现K-means聚类的结果。首先绘制不同花类别的数据点，每个类别使用不同的图标符号表示，然后在图上标出了聚类的中心点位置。这样的可视化有助于直观地理解数据点的分布和聚类效果，以及簇的中心位置。# 设置图例 symbols = ['o'] label_name = ['Setosa', 'Versicolour', 'Virginica'] for i in range(3): temp_group = reduced_data[(i*50):(50)*(i+1)] plt.plot(temp_group[:, 0], temp_group[:, 1], symbols[0], markersize=8, label=label_name[i]) # 绘图 plt.scatter(reduced_centers[:, 0].asnumpy(), reduced_centers[:, 1].asnumpy(), marker='x', s=169, linewidths=3,color='red', zorder=10) plt.title('K-means clustering on Iris Dataset\n' 'Centroids are marked with white cross') plt.legend(loc='lower right') plt.show() print('Successful !!!')​ 下面是输出结果，准确性达到０.９５，但是很奇怪的没有输出图像，询问一圈发现大家都无法输出，于是尝试修改代码，感觉代码没问题，上网查询后发现可能是OBS的功能限制，想输出图像需要一大堆迂回操作，于是把代码拿到notebook中训练发现能成功输出图像，质心的位置与三种类别基本一致。五、实验结果与总结尝试不同的初始质心取值　于是直接手动选择三个初始质心并且把质心放入Ｔｅｎｓｏｒ迭代。initial_centroids = np.array([ # 手动选择三个初始质心 [5.1, 3.5], [6.5, 3.2], [6.0, 2.7] ],np.float32) # 将初始质心放入Tensor print(initial_centroids) centroids = Tensor(initial_centroids) print(centroids)​ 输出结果发现准确率不变依然是0.95，且质心的位置基本不变，所以最终的输出结果与最初的质心位置选择应该关系不大，因此我们的初始质心可以采用随机选择的方法。选择不同的k值​ 例如选择k=2，发现准确性只有0.99，因为确实是有2个簇，也挺符合。k = 2​ 选择k=4，发现准确性显著降低为0.78.对K-Means 算法的认识​ K-Means算法是一种常用的无监督学习算法，用于将数据点分成K个簇，其中K是用户指定的参数。算法通过不断迭代，将数据点分配到最近的质心，然后重新计算质心，直至收敛为止。K-means算法受到K值的选择、初始质心的随机性和数据分布的影响，需要谨慎调整参数以获得最佳聚类结果。该算法适用于聚类分析、数据压缩和特征选择等领域，但在处理非凸分布和噪声较多的数据时可能表现不佳。因此，K-means算法的性能和稳定性取决于数据的特点和算法参数的选择。六、附录　主要源码为main.py，修改基本是小范围修改因此不附录新文件。

各位考生好，欢迎参与武状元产品体验，本次活动覆盖华为全技术生态产品，旨在为开发者提供更广泛的学习和探索的会，欢迎各位开发者参加活动时间：23年12月18日-24年01月31日考试须知：1）考试前请务必完成活动报名，否则成绩无效《点击报名》；2）礼品将在活动全部结束后发放，请先预留获奖信息。《点击填写获奖信息》祝各位考生好运！传送门-年度活动主会场试题列表：参与云上年终会考-武状元产品体验，通关完成以下任一体验任务，将在活动结束后，对在活动期间完成任务体验的用户进行抽奖。10分钟快速体验恒温空调云端控制拯救手残党：AI涂鸦一键成图aPaaS集成工作台，助你再现旧日美好时光两步切换国产操作系统Huawei Cloud EulerOS玩转华为云Astro Canvas个性化搭建汽车展示大屏使用 CCI 实现 Nginx 发布及公网访问使用Mindformers大模型套件快速构建 ChatGLM6B推理通过鲲鹏DevKit代码迁移工具快速完成X86软件包重构HarmonyOS分布式协同办公应用开发GaussDB(for MySQL) 模拟银行核心数据库，从模型设计到SQL实操，沉浸式DBA体验（需领取代金券）活动规则和奖励说明：体验任务仅限表格中的指定任务，完成时间为活动期间。本次活动结束后，如参与以上体验活动人数≥200人，将由华为云工作人员在符合抽奖条件的开发者中，抽取各奖项，并截屏公示抽奖过程。如您不同意此抽奖规则，请勿参加本次活动。将抽取50位符合条件的开发者，每人奖励华为云定制双肩包1个，以及1位幸运开发者，获取HUAWEI WATCH GT 3 活力款手表1块。

一、活动时间2023年12月18日—2024年01月31日立即报名 二、活动参与方式参与“年度庆典”活动，务必先点击上方按钮完成活动报名，否则无法参与后续抽奖。请务必提前填写获奖信息收集表，后续如您中奖，我们会及时发货，谢谢。获奖信息收集表：cid:link_5三、用户限制说明a)参加本次社区活动的用户必须为华为云注册用户。同时为保证活动公平性，禁止用户以IAM账号身份参与活动，否则将视为无效。b)领取奖品的用户需为华为云实名用户，未完成实名认证的用户将不发放活动奖励。c)本次活动如一个实名认证对应多个账号，只有一个账号可领取奖励。如在同一概率活动中，同一账号重复获奖，只发放首先获奖奖品。d)本次活动一个实名认证账号只能对应一个收件人，如同一账号填写多个不同收件人，不予发放奖励。e)请开发者不要在活动期间随意修改社区昵称和华为云账号，由此产生的统计问题，如过了申诉期，小助手不再处理。（申诉期为活动结果公示3天内。） 四、活动及奖励规则参与“云上年终会考”活动赢取好礼1.请先＞＞报名活动＜＜，点击下方链接，参与云上年终会考-文状元技术问答，考试不限次数，得分超过80分，即可参与抽奖（只能抽取1次），礼品为华为云定制折叠雨伞1把。（共50份礼品）最先获得100分的开发者将会获得“文状元“称号，并获取额外精美礼包1个。考试链接：cid:link_6 2.请先＞＞报名活动＜＜，点击下方各体验链接，参与云上年终会考-武状元产品体验，通关完成以下任一体验任务，将在活动结束后，对在活动期间完成任务体验的用户进行抽奖。10分钟快速体验恒温空调云端控制拯救手残党：AI涂鸦一键成图aPaaS集成工作台，助你再现旧日美好时光两步切换国产操作系统Huawei Cloud EulerOS玩转华为云Astro Canvas个性化搭建汽车展示大屏使用 CCI 实现 Nginx 发布及公网访问使用Mindformers大模型套件快速构建 ChatGLM6B推理通过鲲鹏DevKit代码迁移工具快速完成X86软件包重构HarmonyOS分布式协同办公应用开发GaussDB(for MySQL) 模拟银行核心数据库，从模型设计到SQL实操，沉浸式DBA体验（需领取代金券）活动规则和奖励说明：体验任务仅限表格中的指定任务，完成时间为活动期间。本次活动结束后，如参与以上体验活动人数≥200人，将由华为云工作人员在符合抽奖条件的开发者中，抽取各奖项，并截屏公示抽奖过程。如您不同意此抽奖规则，请勿参加本次活动。将抽取50位符合条件的开发者，每人奖励华为云定制双肩包1个，以及1位幸运开发者，获取HUAWEI WATCH GT 3 活力款手表1块。参与“开发百宝箱”活动赢取好礼请先＞＞报名活动＜＜，我们提供海量赋能课程，多个应用开发案例助力您完成应用构建，开发宝典活动设立2个任务，通过学习精品课程，并按照任务要求提交作品，有机会获取奖励或多项权益如华为手表、代金券等。点击提交作品为您提供的赋能课程 华为云IoT+鸿蒙南北向应用开发特训营轻松玩转·低代码可视化大数据实战营鸿蒙端云生态协同创客营华为云&鲲鹏极简开发创造营更多优质课程五、通用规则1.用户回复的内容，必须按照活动帖要求截图，否则无效2.禁止复制其他楼层内容或PS其它楼层内容，如经发现，取消该用户获奖资格3.如开发者用户发布的内容经华为云社区工作人员认定为无效内容，亦取消该用户获奖资格4.本次活动所有抽奖将优先使用巨公平台抽奖，如您不认可请勿参加活动 六、奖品发放说明1. 每位参加活动的开发者用户理解并同意，为联系获奖开发者用户以及奖品发放的需要，开发者用户须在参与活动之时提供您的真实个人信息，包括：姓名、性别、联系方式、电子邮箱、通讯地址、行业、公司和职位，活动主办方将仅为前述目的以及适用法律限度内收集和使用开发者用户的个人信息（开发者用户在向华为云提交个人信息之前，应阅读、了解华为云《隐私政策声明》；开发者用户参加本活动视为理解并同意华为云《隐私政策声明》、《华为云开发者生态隐私声明》网页地址如下：cid:link_13、cid:link_12 ）。获奖开发者用户需在截止时间（填写时间截止到24年01月31日）在领奖界面填写获奖信息，活动结束且开发者用户填写完整领奖信息后14个工作日内，将统一发出奖品，所有实物奖品包邮，不额外收取任何费用。华为云遵守《中华人民共和国个人信息保护法》规定，将以上个人信息仅用于礼品发放之目的，不会向任何第三方披露，所有信息将在华为云问卷系统留存2个月，礼品发放完毕后即删除。若由于获奖开发者用户自身原因（包括但不限于提供的联系方式有误、身份不符或者通知领奖后超过30天未领取等）造成奖品无法发送的，视为获奖开发者用户放弃领奖。2. 为保证活动的公平公正，华为云有权对恶意刷活动资源（“恶意”是指为获取资源而异常注册账号等破坏活动公平性的行为），利用资源从事违法违规行为的开发者用户收回抽奖及奖励资格。3. 若发放奖品时，出现库存不足，则优先发放等价值的其他奖品。4. 所有参加本活动的开发者用户，均视为认可并同意遵守《华为云开发者用户协议》，包括以援引方式纳入《华为云开发者用户协议》、《可接受的使用政策》、《法律声明》、《隐私政策声明》、相关服务等级协议（SLA），以及华为云服务网站规定的其他协议和政策（统称为“云服务协议”）的约束。云服务协议链接的网址：cid:link_185.如果您不同意本活动规则和云服务协议的条款，请勿参加本活动。

各位亲爱的版主们，大家好！经过大家一个月的努力角逐，11月外部版主激励评比结果已出炉，数据公示如下，请查看！（在新标签页打开图片可查看清晰大图/见附件）·外部版主激励规则：点击了解更多转正礼/基础任务/额外任务（在线时长15小时+，主题帖15+，回帖30+，技术长文5+/原创技术干货1+，合集1+，有效回复问题求助帖10+，话题互动1+，完成这4项指标可获对应价值的代金券/实物礼品）请完成任务获得激励的版主，点击填写激励发放意愿统计问卷反馈截止时间：2023年12月12日，以便小编进行相应的激励发放。注：在线时长数据达标后，才会再去考察达标版主的三项任务完成情况；主题数+回帖数达标后，才会再去考察达标版主的技术长文数量情况。

Gartner预测，2025年，基于云原生平台的数字化业务比例将达到95%。云原生技术持续发展且市场占比不断提高， Serverless容器成为云原生2.0时代企业上云新的选择。华为云Serverless容器服务CCI ( Cloud Container Instance）是基于Serverless架构的容器服务。它具有极致弹性、随取随用、安全隔离、大规模多元算力、低成本等一系列特点。而伴随CCI服务产品升级，支持大规模多元容器算力，提供Bursting解决方案套件，支持CCE与线下IDC自建K8s集群将高峰业务灵活弹性至CCI等能力也带来了更佳体验！点击体验云原生Serverless容器CCI产品还不了解CCI Serverless？请看专家视频讲解《云原生产品之华为云CCI云容器实例》本期我们邀请了华为云云原生Serverless产品专家坐阵，和大家一起探讨关于云原生Serverless容器的话题。【问题参考】（包括不限于）如何理解Serverless的“无服务器”概念？Serverless如何减轻管理的负担和提高效率？CCI云原生CloudBursting解决方案如何实现业务灵活弹性分配？华为云Serverless容器服务如何处理故障转移和容错？CCI Serverless容器服务如何处理高流量峰值？CCI Serverless容器服务的性能指标可以达到多少？……对于云原生Serverless容器CCI ，你有哪些疑问呢？【活动时间】2023年12月6日-12月19日【参与方式】直接在此活动帖下方回帖提问即可。【获奖规则】优质问题奖与积极互动奖不叠加​参与云咖问答的提问我们会整理在问答专题中，你的提问将会帮助更多的开发者~欢迎大家踊跃提问，积极互动~【活动规则】1、开发者用户发布的提问，仅限于本期产品，其他产品求助帖不参与此次活动，将视为无效内容，否则取消该用户获奖资格。（其他产品求助可发帖到相应的版块进行提问）；2、本次活动不限用户的总提问数及连续提问数，但需保证提问质量，如华为云社区小编认定参与用户有恶意灌水嫌疑，则取消该用户获奖资格；3、本次活动将根据实际参与情况发放奖励，包括但不限于用户百分之百中奖或奖项轮空的情况；以上奖品均为实物奖品，具体发放视出库情况而定；4、每期活动预计于结束后七天内完成奖项公示，并于结束后15个工作日内完成邮寄。【温馨提示】1、请务必使用个人实名账号参与活动（IAM、企业账号等账号参与无效）。如一个实名认证对应多个账号，只有一个账号可领取奖励，若同一账号填写多个不同收件人或不同账号填写同一收件人，均不予发放奖励。2、所有获得奖品的获奖用户，请于获奖后3日内完成实名认证，否则视为放弃奖励。

本次礼品已邮寄，因库存不足，已替换为同等价值的开发者大狮卫衣1件，为均码。（抽奖资格公示时间12月1日-4日）抽奖资格公示期内无异议，以下为抽奖结果，我们将在15日左右按照获奖者填写的信息尽快邮寄礼品，感谢大家支持。（如未按要求反馈获奖信息，礼品作废）奖项昵称武状元yd_215832812幸运中奖开发者yd_257341656yd_240507661yd_233153046yd_257187495yd_243444162yd_289300952亦可九天揽月yd_229112419lw2022yd_215619430yd_266709541yd_225038745滴答yd_250194055jockerxinyd_291075948yd_247889778yd_290946146yd_211010704yd_267931037yd_258303949yd_285810076yd_261819745LBZdavidyd_298619683torchstaryd_271136161he110yd_296302606yd_220251710开发者加油～yd_214799289yd_268851091cyrilcaoyd_212743918y-wolfandyyd_289426554yd_231564981yd_239424194yd_218042472yd_280399882yd_23224709yd_285891456yd_278651715yd_253228129yd_227424549huang.linshy1227yd_283352707yd_241505668微笑倾城yd_17289999yd_211262466yd_295823909yd_257699076寂寞的饼干yd_220873488yd_251064732孙有劲yd_281578775这个地方是昵称yd_217614389yd_240098701yd_288509269yd_240624499乔天伊888888888yd_250380522yd_266923824sh_hwosyd_251503077yd_232220219yd_269347536yd_290256523口水猫yd_229850602飞翔的余七七123yd_225616770yd_294320537

本次礼品已邮寄，因库存不足，已替换为同等价值的开发者大狮卫衣1件，为均码。公示期已结束，后续将在15日左右按照获奖者填写的信息尽快邮寄礼品，感谢大家支持文状元活动获奖信息公示（公示时间12月1日-4日）（如未按要求反馈获奖信息，礼品作废）获奖开发者均报名1024活动，并通过试卷考试，抽取到礼品。奖项昵称文状元小宇哥幸运中奖开发者suifeng1324yd_275276923yd_240325508吴倾枫yd_236738026yd_253906974yd_222142407asimovbaidonghuiyd_288905044thisyearsummeryd_219212207鱼苗谜麟yd_261819745yd_239461359yd_241972995相关文状元礼包和答题幸运抽奖礼品将会尽快发放，感谢大家的支持。

大家在做《百模千态》项目的时候，有什么意见和建议，或者问题，欢迎在这里进行讨论

有疑问，发问题求助帖~逛论坛，这题我会，答！一问一答解决技术疑问分享技术知识还能赢开发者定制礼品~12月向技术提问官冲刺吧~为鼓励开发者勇于提问，分享知识，论坛升级提问赛道奖励23年9-12月累积发布问题求助帖超88条的开发者可额外获得HUAWEI FreeBuds 4E无线耳机。（如遇多位开发者满足条件，则取提问量最多的2位）【参与方式】发布问题求助帖提问和求助帖回帖答疑互动，提问、答疑均不限版块，但要保证为真实有效的提问与答疑，重复的/无效的/灌水的内容不参与活动。参与方式一：发布问题求助帖在问题求助分类中发布求助帖，即为参与活动如何发布提问：登录账号，点击“我要发帖子”，选择您想要提问的版块领域，分类选择“问题求助”，写下您的疑问发布即为参与提问。如不确定提问到哪个版块的，可将帖子发布在开发者服务-开发者技术支持版块的问题求助分类中。参与方式二：回帖答疑互动回复问题求助帖，即为参与活动如何回帖答疑：在问答专区或问题求助TAB中，找到您想要回答的求助帖，在该帖下方回复即为参与答疑。快速找到问题求助帖小技巧：认准问答标识【活动时间】2023.12.1—2023.12.31【参与对象】所有开发者均可参与【奖项设置】以上四个奖项当月不同时获得（提问小能手/求知开发者/积极答题王/幸运答疑奖）。外部版主的提问仅参与当月的版主任务及当月的此提问活动，不参与9-12月的提问累积，优先完成版主任务，额外部分参与此活动评选，如有疑问请咨询小助手。活动期间，如有恶意刷量/灌水等严重违反社区规范的行为，直接取消所有获奖资格。有效提问量TOP1出现数量相同的情况，活动组根据提问内容质量投票评判。获奖名单公示： 活动结束10个工作日内，本活动帖中刷新获奖名单，请及时关注，获奖者届时请填写问卷，以便奖品发放，具体礼品视库存出库情况而定。

【先锋开发者云上说】第3期 讲述了高校开发者-识瘤者团队的精彩故事。一群青年“识瘤者”四载磨砺他们的开发力量闪耀出象牙塔以AI助力医疗创新他们的项目中使用了华为云AI开发平台ModelArts、AI框架MindSpore、IoT物联网平台等你有使用过这些云产品吗？你用它们都完成了哪些开发应用？哪些方面有了提高？欢迎回帖讲述你的开发案例~欢迎大家回帖讨论~期望看到大家精彩的评论：1、使用了哪些云服务和产品，完成了哪些案例2、在完成案例中，遇到了哪些问题，是如何解决的3、这个过程中你有哪些感受和经验分享……不限于以上方向，展开讲讲~【本期微话题】说说你的云上开发经历与案例【活动时间】11月29日-12月20日【参与方式】1、直接回复本帖，就微话题题目进行回答讨论2、为你觉得优质回复的楼层点赞或发表评论【活动奖品】奖品示例：优质回复奖：奖品抽取数量有效回复楼层数需达到开发者定制盲盒礼包100元120开发者定制盲盒礼包100元240幸运回复奖：奖品抽取数量有效回复楼层数需达到开发者定制盲盒礼包50元230开发者定制盲盒礼包50元340【活动规则】1、开发者用户回复的内容，必须与本期的微话题相关，回复其他内容均视为无效内容，否则取消该用户获奖资格2、  开发者用户回复内容的字数需≥50字，禁止复制其他楼层内容或改编自其它楼层内容（包括本人发布在其他楼层的内容），如经发现，取消该用户获奖资格3、本次活动不限用户的总回复数及连续回复数，但需保证回复质量，如华为云社区小编认定参与用户有恶意刷楼嫌疑，则取消该用户获奖资格 【评奖方式】1、 在本帖所有有效回复的用户中抽取若干名开发者获得幸运回复奖，奖品及数量见上方示例。2、  在所有参加回复的用户中，根据其回复质量及被回复的数量，综合评选优秀奖，奖品见上方示例，最终会根据实时库存随机发放。3、 本次活动将根据实际参与情况发放奖励，包括但不限于用户百分之百中奖或奖项轮空的情况。4、每期活动预计于结束后七天内完成奖项公示，并于结束后15个工作日内完成邮寄。【温馨提示】1、请务必使用个人实名账号参与活动（IAM、企业账号等账号参与无效）。如一个实名认证对应多个账号，只有一个账号可领取奖励，若同一账号填写多个不同收件人或不同账号填写同一收件人，均不予发放奖励。2、所有获得奖品的获奖用户，请于获奖后3日内完成实名认证，否则视为放弃奖励。 

大家觉得今年的就业形式咋样？说说你身边的朋友都选了啥方向？刚毕业/工作几年在哪个城市现在薪资多少？欢迎畅所欲言，讨论你对IT行情及热门方向的看法