• [全栈开发者] AI垃圾分类,提升全员AI战斗力!【AI全栈福利篇】打卡帖
    Hi,各位开发者小伙伴:AI福利课打卡已经结束啦,即日起,参与AI福利课建模打卡的用户可兑换实物奖品啦!因奖品发放数量较多,奖品将分批次进行发放,请还未填写奖品邮寄信息表的同学抓紧填表哈,兑奖截止1月5日23:59,逾期不填表视为放弃兑奖资格哦!(表单在名单下面)建模打卡获奖名单已出,公示如下:如有疑议请联系小助手微信沟通处理:小助手05号企业微信或添加hwyxzs05,请勿用论坛私信等方式点击填写奖品邮寄信息登记表,扫码也可以进入哦~为响应全国垃圾分类环保举措号召,提高垃圾分类处理效率,AI技术闪亮登场,在垃圾分类的应用中成为居民的得力助手。为普及AI助力垃圾分类技术,华为云增设此节AI垃圾分类课程,目的在于构建基于深度学习技术的图像分类模型,实现垃圾图片类别的精准识别,课程参考深圳垃圾分类标准,通过对生活垃圾图片进行分类,即首先识别出垃圾图片中的物品类别(如易拉罐、果皮等),然后查询垃圾分类规则,最后输出该垃圾图片中物品属于可回收物、厨余垃圾、有害垃圾和其他垃圾中的具体类别。现在参与课程学习并打卡,还有更多福利活动等你哦,积分、奖品快到碗里来~AI全栈成长计划·福利篇《垃圾分类知识入门》课程学习地址:点击跳转学习《垃圾分类知识入门》 ▶活动时间:2020.11.11 - 2020.12.31 23:59  ▶活动奖励:1、凡是完整学习AI垃圾分类课程并打卡的用户,享受以下奖励(此项奖励截止12月13日):       l  AI全栈成长计划课程50积分!l  华为云商城500码豆!2、凡是成功搭建AI垃圾分类模型并打卡的用户,享受以下奖励:l  三合一数据线/文件袋/智能保温杯任选其一,数量有限,先到先得!l  云享专家直通车推荐资格!注:课程奖励与搭建模型奖励可叠加 ▶参与途径:点击此处去学习AI垃圾分类课程,按照指导流程,完成ModelArts垃圾分类模型大家可参考社区小伙伴贡献的五分钟极速打卡教程:点击查看《垃圾分类知识入门》课程超快打卡教程▶打卡要求:1、AI垃圾分类课程学习打卡在本帖下方回复您的华为云ID,同时截图AI垃圾分类课程的学习截图,且全部课程学习进度为绿色完整状态,截图中需清晰显示您的华为云ID,同时与您回复的华为云ID保持一致,如下图所示:2、AI垃圾分类搭建模型打卡步骤一:模型搭建根据课程链接中的指导文档,完成垃圾分类模型搭建,可以正确预测结果即可。步骤二:课程打卡在本帖下方回复您的华为云ID,同时截图ModelArts垃圾分类的预测结果,截图中需清晰显示您的华为云ID,同时与您回复的华为云ID保持一致,如下图所示: 同时参加课程打卡和建模打卡的用户需要打卡两次并在回复里注明打卡项目(如课程打卡/建模打卡)哦!活动规则l  活动在活动期限内参与有效,此外时间内参与打卡无效;l  活动结束后5日内公布详细结果,公示期3天,公示期结束开始兑奖;l  所有活动奖品将在活动结束后15个工作日内完成发放;l  活动奖品颜色随机,且部分奖品数量有限发完即止;l  如遇奖品库存不足会进行同价位奖品调换,介意者谨慎参与活动;l  活动奖品需要进行华为云账号实名认证后领取;l  如发现使用他人身份恶意重复报名活动,或采取机器批量注册/虚拟手机号注册/购买账号等恶意注册行为进行违规行为,华为云AI社区有权取消相应人员的活动参与权利,并收回相关奖励;l  本次活动所有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号外号外~~华为云即将举办《华为云“云上先锋”--AI学习赛》,此次大赛就是以垃圾分类为主题,我们相信大家学习完了本课程都有资格、有能力参与此次比赛并取得好成绩,此次大赛设立了荣耀笔记本、HUAWEI MatePad等多重奖励,总额高达2万元,优秀选手还有机会进入华为实习哦!欢迎大家报名参与!大赛报名及奖励详情请点击:《华为云“云上先锋”--AI学习赛》最后,此次福利课程主要聚焦在图像分类领域,如果你想更加系统的学习 AI 知识,参与更多 AI 应用案例的开发,欢迎大家报名 AI 全栈成长计划的完整课程,带您 0 基础入门,构建 AI 实战技能体系!点击报名:《华为云 AI 全栈成长计划》
  • [行业动态] 【9月27日 AI 快讯】首个鞋履行业C2M模式亮相,天创时尚携手坤湛科技树立产业数字化新标杆
    本文总共8条资讯   产业首个鞋履行业C2M模式亮相,天创时尚携手坤湛科技树立产业数字化新标杆鞋履行业迎来零库存时代,天创时尚推出“C2M+产线直播”新制造模式2020/09/26 10:55原文链接 其他 「过拟合」也能废物利用了:有人用它高清重建3D物体表面,参数减少99%多伦多大学和麦吉尔大学的一项最新研究表明,过拟合也并非一无是处,在重建3D物体外观上,过拟合神经网络就有奇效。2020-09-26 20:36:16原文链接 快讯用于训练深度学习算法的美国群组的地理分布近日,来自斯坦福以及斯坦福医学院的研究团队发表了一篇名为「用于训练深度学习算法的美国群组的地理分布」的新研究。以下是该研究的完整摘要分享:机器学习(特别是深度学习的子领域)的进步产生了执行基于图像的诊断任务的算法,其准确性接近或超过了受过训练的医生。尽管获得了有据可查的成功证明,但这些机器学习算法仍容易受到认知和技术偏见的影响,包括在使用数量不足或多样性的数据来训练算法时引入的偏见。研究人员们研究了深度学习的临床应用中未被充分研究的系统偏见的来源-用于训练算法的患者群组的地理分布。2020-09-26 09:56原文链接 美国和英国宣布达成人工智能合作关系据外媒报道,特朗普政府将宣布,美国和英国已签署一项新的协议,在人工智能研究与开发方面进行合作,这是首先与 Axios 分享的新闻。一位政府官员告诉媒体,该伙伴关系将包括两国在 AI 的研发方面进行合作,包括在可解释性和公平性方面。(Axios)2020-09-26 09:53原文链接 Cambridge Analytica 的前任老板被禁止担任业务主管长达 7 年曾为 2016 年特朗普竞选活动工作,并因涉及大量 Facebook 数据的选民操纵丑闻而在 2018 年关闭的数据公司 Cambridge Analytica 的前首席执行官已被禁止经营有限责任公司 7 年。Alexander Nix 本月早些时候签署了取消参赛资格的承诺,英国政府昨天表示已接受。该禁令于 10 月 5 日开始生效。英国破产服务处在新闻稿中写道,「在这项承诺中,亚历山大·尼克斯 Alexander Nix 毫不怀疑他导致或允许 SCL Elections Ltd 或关联公司向潜在客户提供潜在的不道德服务而推销自己; 这表明缺乏商业诚信。」(TechCrunch)2020-09-26 09:53原文链接 神秘初创公司 Humane 完成 A 轮融资神秘初创公司 Humane 近日宣布该公司已完成由 Sam Altman 和 Lachy Groom 领投的 3000 万美元 A 轮融资。这一轮将使公司继续履行其使命,以实现人类与计算机之间的下一次转变。Humane 联合创始人 Imran Chaudhri 和 Bethany Bongiorno 表示 :「是时候做出改变了。我们正在为新时代建立不同类型的公司和新平台。开拓新的范式需要热情和抱负,我们很高兴与 Sam 和 Lachy 合作,以实现我们的愿景。」2020-09-26 09:51原文链接 Alphabet 解决了有关高管性行为不当的股东诉讼谷歌母公司 Alphabet 已经就其处理性行为不端问题解决了股东诉讼。该公司宣布了与和解相关的政策变更,其中包括用于多元化,股权和包容性计划的 3.1 亿美元资金。这解决了在 2019 年提出的投诉,此前有爆炸性报告称谷歌向可靠地被指控性侵犯或骚扰的高管(包括前 Android 负责人 Andy Rubin)提供了数百万美元的退出方案。(The Verge)2020-09-26 09:49原文链接 
  • [行业动态] 【9月19日 AI 快讯】第一篇学术演讲准备两个月,去了谷歌却做不了深度学习,听Facebook田渊栋谈人生挑战与选择
     本文总共16 条资讯   产业一边赋能,一边盈利:「科技产业实验室」27家创企的AI落地生意经汇总智慧城市、智慧工厂领域27家公司成功案例,为加快AI商业化落地提供创新路径2020/09/18 18:26原文链接 「黄牛」出动,英伟达RTX 3080瞬间售空,网友:等了个寂寞购买提示都没看到就没了,没了!2020/09/18 18:22原文链接 入门第一篇学术演讲准备两个月,去了谷歌却做不了深度学习,听Facebook田渊栋谈人生挑战与选择田渊栋还给出了一些职业建议以及对于 AI 发展的看法。2020/09/18 18:16原文链接 工程央视聚焦5G车联网产业变革 梧桐车联展望行业趋势近日,中央电视台《正点财经》聚焦车联网领域,围绕“5G+车联网助推汽车智慧出行”进行了报道,并采访了腾讯旗下梧桐车联首席执行官潘家骅,他表示,车联万物是5G的核心落地场景,通过融合现代通信和网络技术,能够实现车与人、车与车、车与路、车与后台等智能信息交换共享,将让出行更加安全、舒适、节能、高效。2020/09/18 11:25原文链接 理论论道机器学习的未来微软剑桥研究院院长 Christopher Bishop 与微软全球资深副总裁 Peter Lee 进行了一场精彩的炉边对谈,分享了各自对机器学习研究和前沿问题的思考与展望。2020/09/18 11:35原文链接 为什么要尝试A/B测试的贝叶斯方法(附链接)本文通过一个A/B测试的实例,介绍了贝叶斯方法的各种优点和具体的实现方法,同时也将贝叶斯推断方法与传统的频率推断估计进行了对比。2020/09/18 11:05原文链接 Zoox 获准在加利福尼亚测试无安全驾驶员的自动驾驶汽车亚马逊旗下的 Zoox 今天宣布已获得加利福尼亚汽车部(DMV)的无人驾驶测试许可。有了它,Zoox 成为继 Waymo,Nuro 和 AutoX 之后实现这一里程碑的第四家公司。新的许可证将使 Zoox 在 Foster City 指定区域内的街道上测试「至少两辆」自动驾驶汽车,而驾驶员无需在方向盘后面。(Zoox 的总部位于圣马特奥县的福斯特市。)这些车辆已获准在不超过每小时 45 英里的时速限制条件下,在包括小雨和大雾在内的晴朗天气下使用。(VentureBeat)2020-09-19 07:36原文链接 数据决策:离线强化学习将如何改变我们使用机器学习的方式在一篇名为「数据决策:离线强化学习将如何改变我们使用机器学习的方式」的博客中,加州大学伯克利分校教授 Sergey Levine 讨论了离线强化学习领域的最新进展如何在未来几年内改变这一现状。Levine 教授表示,他相信,在数据如何为自动化决策提供信息方面,我们正处于革命的风口浪尖。除了在广告和推荐系统中的一些应用之外,支持 ML 的决策系统通常依靠监督学习的方法进行预测,然后是人工设计的决策规则,这些规则利用这些预测来选择行动方式。尽管强化学习算法在提供用于研究中的自动端对端决策的工具包方面取得了长足的进步,但事实证明,该工具包在现实中难以应用,因为在最常见的化身中,它太难与当今使用的数据驱动的机器学习管道。一旦强化学习算法可以有效地使用数据,这种情况可能会改变,Levine 教授将在该博客中讨论如何发生这种情况。点击下方链接阅读博客全文。2020-09-19 07:36原文链接 Wayback Machine 和 Cloudflare 联手保持网站「在线」Wayback Machine 是 Internet Archive 的一个项目,它使用户可以查看某些过去日期显示的网页。Internet 存档获取 URL 来进行多种存档方式,包括用户提交和从数百万个站点列表中进行「爬网」。而该项目与 Cloudflare 的合作伙伴关系意味着 Internet 存档拥有另一个 URL 来源-使用 Cloudflare 的 Always Online 服务的网站。「始终在线」会为客户端创建静态网页图像,以防客户端的服务器脱机。当客户输入「始终在线」的 URL 时,它们也将自动提交给 Wayback Machine 进行存档。根据博客文章,目前使用 Wayback Machine 的网页超过 4,680 亿,每天存档的 URL 约有 10 亿。尚不清楚 Cloudflare 合作伙伴关系将带来多少个 URL,但是无论如何它将备份更多的 Internet 供公众使用-这是一件好事。(Engadget)2020-09-19 07:35原文链接 波士顿动力最早于明年交付物流机器人计划在证明他们具备四足机器人 Spot 规模制造机器人的能力之后,Boston Dynamics 距离宣布其物流方法仅数月之遥。该公司的新任首席执行官 Robert Playter 认为,经过数十年的试验,该公司可以独立发展。在长期的 CEO 和创始人 Marc Raibert 辞职专注于研发之后,Playter 在 Disrupt 2020 的虚拟主要阶段接受了采访,直到最近在该公司工作多年后才从首席运营官升任该职位。这是 Playter 自承担新职责以来的首次公开演讲,很显然他为 Boston Robotics 制定了宏伟的计划。(TechCrunch)2020-09-19 07:34原文链接 这款基于 Raspberry Pi 的 AI 可帮助机器人对回收进行分类Raspberry Pi 爱好者从未缺少过充分利用该工具的想法,这些应用程序既有用又古怪。现在,研究人员正在为低成本计算机配备人工智能,高分辨率摄像头和机器人,以对垃圾进行分类并减少垃圾填埋场的数量。利物浦希望大学的工程师试用了 Raspberry Pi 3 模型,将该设备与光学传感器和计算机视觉算法结合在一起,创建了可以区分纸张,玻璃,塑料,金属和纸板的工具。(ZDNet)2020-09-19 07:18原文链接 顶级医疗创新者将于英伟达 GPU 技术大会分享 AI 发展今年,医疗保健前所未有地受到关注。人们要求医院事半功倍,研究人员日以继夜地回答紧迫的问题。医疗保健领域的创新者将齐聚英伟达将于 10 月 5 日至 9 日举办的 GPU 技术大会,分享他们如何使用 AI 和 GPU 增强其医疗设备和生物医学研究的水平。数十个按需演讲和动手培训课程将重点关注医学成像,基因组学,药物发现,医疗仪器和智能医院中的 AI。在 GPU 加速,成像,基因组学和药物发现等领域中由 GPU 加速推动的进步将在会议上占据中心地位,这些进步在 COVID-19 研究中起着至关重要的作用。据了解,本次大会将举办超过 120 场医疗会议,其中将展示精彩的演示,动手培训,突破性研究以及更多内容。(英伟达)2020-09-19 07:17原文链接 谷歌人工智能:使用 DeepVariant 1.0 提高基因组分析的准确性谷歌人工智能实验室近日在其博客宣布了 DeepVariant v1.0 的发布。该版本对所有测序类型均进行了大量改进。DeepVariant v1.0 是谷歌人工智能实验室提交给 PrecisionFDA v2 真相挑战赛的改进版本,该挑战赛在 4 种仪器类别中的 3 种均获得了最佳总体精度。与以前的最新模型相比,DeepVariant v1.0 大大减少了广泛使用的测序数据类型(包括 Illumina 和 Pacific Biosciences)的错误。此外,通过与 UCSC 基因组研究所的合作,谷歌此次还发布了将 DeepVariant 与 UCSC 的 PEPPER 方法相结合的模型,称为 PEPPER-DeepVariant,该方法首次将覆盖范围扩展到了牛津纳米孔数据。2020-09-19 07:07原文链接 加州理工学院的学生使用人工智能以及无人机「预测」鲨鱼走向来自加州理工学院的一个学生团队希望将无人机和人工智能结合起来,使流浪者想要回到水中。他们与加州州立大学长滩分校的鲨鱼实验室合作,训练计算机实时识别鲨鱼,此外,他们还在研究一种预测冲浪者和游泳者遇到鲨鱼的方法。该研究项目旨在通过增强 AI 方法从航拍视频中识别鲨鱼和其他物体来提醒救生员和保护鲨鱼。而加州州立大学长滩分校的鲨鱼实验室因开发包括无人机和水下相机在内的创新技术而闻名,以了解鲨鱼在其自然栖息地中的情况。鲨鱼实验室主任 Chris Lowe 表示,加州中部和南部海滩的白鲨数量在增加,这使人们不愿进入海洋。而该研究的目标是使无人机视频数据和飞行元数据的摄取自动化,以生成有关水上娱乐活动的空间明确信息,即何时,何地以及谁与沿海鲨鱼互动。(KEYT)2020-09-19 07:06原文链接 大脑的记忆能力启发了 AI 专家,使神经网络不再那么「健忘」麻省大学阿默斯特分校和贝勒医学院的人工智能专家报告说,他们已经从已知的人脑记忆机制中汲取了灵感,从而成功解决了所谓的「增加 AI 功能的长期存在的主要障碍」作为「重播」。研究人员表示,他们已经开发出一种新的方法来保护「令人惊讶地有效」的深度神经网络,以防止「灾难性的遗忘」-在学习新课程后,网络会忘记他们以前学到的东西。研究团队指出,深度神经网络是最近 AI 发展的主要推动力,但这种遗忘阻碍了进步。研究人员在研究中写道:「一种解决方案是存储先前遇到的示例,并在学习新知识时重新访问它们。尽管这样的「重播」或「排练」解决了灾难性的遗忘,」他们补充说,「不断地对所有先前学习的任务进行再培训是非常低效率的,必须存储的数据量很快变得难以管理。」(ScienceDaily)2020-09-19 07:05原文链接  
  • [技术干货] 基于深度学习的目标检测算法发展(一)
    视频接入服务常用的场景就是结合视觉算法构建高级视觉应用,比如智能监控、视频审核等等,其中,基于深度学习的目标检测算法是这些高级应用不可或缺的底座。那么基于深度学习的目标检测算法是如何发展的呢?下文将以简单易懂的方式为您介绍:https://bbs.huaweicloud.com/blogs/196255
  • [技术干货] 显示器分辨率和刷新率越高视频就越清晰了吗?
    解答这个问题,有3个关键的点,分别是分辨率,刷新率,视频源显示器分辨率,又称解析度、解像度,可以细分为显示分辨率、图像分辨率、打印分辨率和扫描分辨率等。显示分辨率(屏幕分辨率)是屏幕图像的精密度,是指显示器所能显示的像素有多少。由于屏幕上的点、线和面都是由像素组成的,显示器可显示的像素越多,画面就越精细,同样的屏幕区域内能显示的信息也越多,所以分辨率是个非常重要的性能指标。可以把整个图像想象成是一个大型的棋盘,而分辨率的表示方式就是所有经线和纬线交叉点的数目。显示分辨率一定的情况下,显示屏越小图像越清晰,反之,显示屏大小固定时,显示分辨率越高图像越清晰。 显示器刷新率,分为垂直刷新率和水平刷新率,一般提到的刷新率通常指垂直刷新率。垂直刷新率表示屏幕的图象每秒钟重绘多少次,也就是每秒钟屏幕刷新的次数,以Hz(赫兹)为单位。刷新率越高越好,图象就越稳定,图像显示就越自然清晰,对眼睛的影响也越小。刷新频率越低,图像闪烁和抖动的就越厉害,眼睛疲劳得就越快。一般来说,如能达到80Hz以上的刷新频率就可完全消除图像闪烁和抖动感,眼睛也不会太容易疲劳。目前, 大多数显示器根据其设定按 30Hz、 60Hz、 120Hz 或者 144Hz 的频率进行刷新。 而其中最常见的刷新频率是 60 Hz。 这样做是为了继承以前电视机刷新频率为 60Hz 的设定。 视频源使用显示器所观看的视频格式,视频源也有分辨率和帧率之分。 视频分辨率,是用于度量图像内数据量多少的一个参数,通常表示成ppi(每英寸像素Pixel per inch)那个视频的320X180是指它在横向和纵向上的有效像素,窗口小时ppi值较高,看起来清晰;窗口放大时,由于没有那么多有效像素填充窗口,有效像素ppi值下降,就模糊了。(放大时有效像素间的距离拉大,而显卡会把这些空隙填满,也就是插值,插值所用的像素是根据上下左右的有效像素“猜”出来的“假像素”,没有原视频信息)习惯上我们说的分辨率是指图像的高/宽像素值,严格意义上的分辨率是指单位长度内的有效像素值ppi。差别就在这里。图像的高/宽像素值的确和尺寸无关,但单位长度内的有效像素值ppi和尺寸就有关了,显然尺寸越大ppi越小。视频帧率,是用于测量显示帧数的量度。所谓的测量单位为每秒显示帧数(Frames per Second,简:FPS)或“赫兹”(Hz)。此词多用于影视制作和电子游戏。由于人类眼睛的特殊生理结构,如果所看画面之帧率高于16的时候,就会认为是连贯的,此现象称之为视觉停留。这也就是为什么电影胶片是一格一格拍摄出来,然后快速播放的。而对游戏,一般来说,第一人称射击游戏比较注重FPS的高低,如果FPS<30的话,游戏会显得不连贯。所以有一句有趣的话:“FPS(指FPS游戏)重在FPS(指帧率)。每秒的帧数(fps)或者说帧率表示图形处理器处理场时每秒钟能够更新的次数。高的帧率可以得到更流畅、更逼真的动画。一般来说30fps就是可以接受的,但是将性能提升至60fps则可以明显提升交互感和逼真感,但是一般来说超过75fps一般就不容易察觉到有明显的流畅度提升了。如果帧率超过屏幕刷新率只会浪费图形处理的能力,因为监视器不能以这么快的速度更新,这样超过刷新率的帧率就浪费掉了。 由此可知,这需要看你播放的视频是什么分辨率和帧率1.视频源分辨率<2K,无论是用2K还是8K显示器播放都是一个清晰度。2.视频源分辨率>2K,根据源的清晰度选择匹配的显示器会达到最佳效果。
  • [获奖公告] 【华为云•微话题】知识图谱技术及其在自动驾驶网络中的应用。参与赢取大号鼠标垫&amp;双肩包~~
    知识图谱作为AI技术中的知识容器和孵化器,会对未来AI的发展起到关键性作用。过去,人机交互是人将就机器,人要学习机器的语言;未来,人直接提出需求就能获得结果,机器学习人的语言。知识图谱技术不是具体的技术,而是知识表示、抽取、存储、计算、应用等一系列技术的系统工程。随着知识图谱相关技术的发展,知识图谱会朝着自动化方向前进,将在越来越多的领域找到价值化应用场景,助力业务发展。——————————————【微话题活动】———————————————今天我们邀请到华为云内部专家Rico和大家讨论一下:【知识图谱技术及其在自动驾驶网络中的应用】活动时间2020年7月20日-2020年8月3日参与方式直接在本帖回复关于以下问题的理解或评论1、 你认为知识图谱有哪些高价值应用场景?2、 知识推理的技术形态有哪些?3、 你认为知识库应该存储哪些内容?4、 你认为哪些知识图谱自动化构建技术是关键?本期奖品A.回帖参与本次讨论,回复与话题相关的原创内容,即可获得精美鼠标垫1个(数量有限,先到先得)。B.华为云内部专家Rico评出3名优质评论奖,各送出华为云定制双肩包1个。(两样奖品不可同时获得,奖品于活动结束发放) 评奖标准回复话题数量和内容质量                                                                                                             优质评论奖3名                                                                                  参与奖
  • [获奖公告] 【华为云•微话题】通讯领域的人工智能项目和算法,有哪些特殊的挑战?如何研究解?参与赢取大号鼠标垫&amp;双肩包
            通讯作为一个堪比水电气甚至影响更大的一种社会基础服务,特别是5G建设以后,系统更加复杂。对通讯质量优化,能耗优化,运维优化等挑战更高。在系统层面,各种决策环节,引入智能技术,极大的利于提高系统自动、自治能力。但由于通讯系统的所有与运营权归属,法律与信息安全等约束,设备系统提供商与运营商是完全分开的。包含但不限于上述这些特点,在通讯系统中运用智能技术,除了智能算法一般要求的精度,泛化,推理速度,能耗优化外,还需要面对:流式数据,拓扑图,在线优化,无样本,隐私保护;更需要面对:模型的可靠性(广义):可控,可信,可解释,决策公平性,可降级等。——————————————【微话题活动】———————————————今天我们邀请到华为云内部专家John YUE和大家讨论一下:【通讯领域的人工智能项目和算法,有哪些特殊的挑战?如何研究解?】活动时间2020年7月10日-2020年7月24日参与方式直接在本帖回复关于以下问题的理解或评论1、除了CV, NLP, Time Series等主要领域的监督学习;你还了解或者研究过哪些特殊的机器学习技术? 比如增量学习,在线学习,小样本学习,联邦学习?2、你觉得在通讯领域中,使用了智能技术非确定性算法,最大的风险是什么?3、你在自己的AI项目中,面对的最大的挑战是什么?能够设计出有效的模型?模型精度难以提升?训练数据和生产环境数据差别大?样本标注成本太高?模型一但出错后果很严重?本期奖品A.回帖参与本次讨论,回复与话题相关的原创内容,即可获得精美鼠标垫1个(数量有限,先到先得)。B.华为云内部专家John YUE评出3名优质评论奖,各送出华为云定制双肩包1个。(两样奖品不可同时获得,奖品于活动结束发放) 评奖标准回复话题数量和内容质量                                                                                                             优质评论奖3名                                                                                  参与奖
  • [技术干货] 【转载】在Spark程序中使用深度学习模型来处理非结构化数据
    【转载华为云社区】随着大数据和AI业务的不断融合,大数据分析和处理过程中,通过深度学习技术多非结构化数据(如图片、音频、文本)的进行大数据处理的业务场景越来越多。本文会介绍Spark如何与深度学习框架进行协同工作,在大数据的处理过程利用深度学习框架对非结构化数据进行处理。Spark介绍Spark是大规模数据处理的事实标准,包括机器学习的操作,希望把大数据处理和机器学习管道整合。Spark使用函数式编程范式扩展了MapReduce模型以支持更多计算类型,可以涵盖广泛的工作流。Spark使用内存缓存来提升性能,因此进行交互式分析也足够快速(就如同使用Python解释器,与集群进行交互一样)。缓存同时提升了迭代算法的性能,这使得Spark非常适合机器学习。由于Spark库提供了Python、Scale、Java编写的API,以及内建的机器学习、流数据、图算法、类SQL查询等模块;Spark迅速成为当今最重要的分布式计算框架之一。与YARN结合,Spark提供了增量,而不是替代已存在的Hadoop集群。在最近的Spark版本中,Spark加入了对于K8s的支持,为Spark与AI能力的融合提供了更好的支持。深度学习框架介绍TensorFlowTensorFlow 最初是由 Google 机器智能研究部门的 Google Brain 团队开发,基于Google 2011年开发的深度学习基础架构DistBelief构建起来的。由于Google在深度学习领域的巨大影响力和强大的推广能力,TensorFlow一经推出就获得了极大的关注,并迅速成为如今用户最多的深度学习框架。TensorFlow是一个非常基础的系统,因此也可以应用于众多领域。但由于过于复杂的系统设计,对读者来说,学习TensorFlow底层运行机制更是一个极其痛苦的过程。TensorFlow的接口一直处于快速迭代之中,并且没有很好地考虑向后兼容性,这导致现在许多开源代码已经无法在新版的TensorFlow上运行,同时也间接导致了许多基于TensorFlow的第三方框架出现BUG。KerasKeras 于2015年3月首次发布,拥有“为人类而不是机器设计的API”,得到Google的支持。它是一个用于快速构建深度学习原型的高层神经网络库,由纯Python编写而成,以TensorFlow,CNTK,Theano和MXNet为底层引擎,提供简单易用的API接口,能够极大地减少一般应用下用户的工作量。严格意义上讲,Keras并不能称为一个深度学习框架,它更像一个深度学习接口,它构建于第三方框架之上。Keras的缺点很明显:过度封装导致丧失灵活性。Keras最初作为Theano的高级API而诞生,后来增加了TensorFlow和CNTK作为后端。学习Keras十分容易,但是很快就会遇到瓶颈,因为它缺少灵活性。另外,在使用Keras的大多数时间里,用户主要是在调用接口,很难真正学习到深度学习的内容。PyTorchPyTorch于2016年10月发布,是一款专注于直接处理数组表达式的低级API。 前身是 Torch(一个基于 Lua 语言的深度学习库)。Facebook 人工智能研究院对PyTorch提供了强力支持。 PyTorch 支持动态计算图,为更具数学倾向的用户提供了更低层次的方法和更多的灵活性,目前许多新发表的论文都采用PyTorch作为论文实现的工具,成为学术研究的首选解决方案。Caffe/Caffe2.0Caffe的全称是Convolutional Architecture for Fast Feature Embedding,它是一个清晰、高效的深度学习框架,于2013年底由加州大学伯克利分校开发,核心语言是C++。它支持命令行、Python和MATLAB接口。Caffe的一个重要特色是可以在不编写代码的情况下训练和部署模型。如果您是C++熟练使用者,并对CUDA计算游刃有余,你可以考虑选择Caffe在Spark大数据处理中使用深度学习框架在Spark程序中使用一个预训练过的模型,将其并行应用于大型数据集的数据处理。比如,给定一个可以识别图片的分类模型,其通过一个标准数据集训练(如ImageNet)过。可以在一个Spark程序中调用一个框架(如TensorFlow或keras)进行分布式预测。通过在大数据处理过程中调用预训练模型可以直接对非结构化数据进行直接处理。我们重点介绍在Spark程序中使用Keras+TensorFlow来进行模型推理。使用深度学习处理图片的第一步,就是载入图片。Spark 2.3中新增的ImageSchema包含了载入数百万张图像到 Spark DataFrame 的实用函数,并且以分布式方式自动解码,容许可扩展地操做。使用Spark's ImageSchema:from pyspark.ml.image import ImageSchema image_df = ImageSchema.readImages("/data/myimages") image_df.show()也可以利用Keras的图片处理库:from keras.preprocessing import image img = image.load_img("/data/myimages/daisy.jpg", target_size=(299, 299))可以通过图片路径来构造Spark DataFrame:def get_image_paths_df(sqlContext, dirpath, colName):     files = [os.path.abspath(os.path.join(dirpath, f)) for f in os.listdir(dirpath) if f.endswith('.jpg')]     return sqlContext.createDataFrame(files, StringType()).toDF(colName)使用Keras接口加载预训练模型:from keras.applications import InceptionV3 model = InceptionV3(weights="imagenet") model.save('/tmp/model-full.h5') model = load_model('/tmp/model-full.h5') 定义图片识别推理方法:        def iv3_predict(fpath):             model = load_model('/tmp/model-full.h5')             img = image.load_img(fpath, target_size=(299, 299))             x = image.img_to_array(img)             x = np.expand_dims(x, axis=0)             x = preprocess_input(x)               preds = model.predict(x)             preds_decode_list = decode_predictions(preds, top=3)             tmp = preds_decode_list[0]             res_list = []             for x in tmp:                 res = [x[0], x[1], float(x[2])]                 res_list.append(res)             return res_list定义推理输入结果Schemadef get_labels_type():         ele_type = StructType()         ele_type.add("class", data_type=StringType())         ele_type.add("description", data_type=StringType())         ele_type.add("probability", data_type=FloatType())         return ArrayType(ele_type)将推理方法定义成Spark UDFspark.udf.register("iv3_predict", iv3_predict, returnType=get_labels_type()) 载入图片定义为数据表df = get_image_paths_df(self.sql) df.createOrReplaceTempView("_test_image_paths_df") 使用SQL语句对接图片进行处理df_images = spark.sql("select fpath, iv3_predict(fpath) as predicted_labels from _test_image_paths_df") df_images.printSchema() df_images.show(truncate=False) 结语在大数据Spark引擎中使用深度学习框架加载预处理模型,来进行非结构数据处理有非常多的应用场景。但是由于深度学习框架的目前比较多,模型与框架本身是深度耦合,在大数据环境中安装和部署深度学习框架软件及其依赖软件会非常复杂,同时不利于大数据集群的管理和维护,增加人力成本。华为云DLI服务,采用大数据Serverless架构,用户不需要感知实际物理集群,同时DLI服务已经在大数据集群中内置了AI计算框架和底层依赖库(Keras/tensorflow/scikit-learn/pandas/numpy等)。DLI最新版本中已经支持k8s+Docker生态,并开放用户自定义Docker镜像能力,提供给用户来扩展自己的AI框架、模型、算法包。在Serverless基础上,为用户提供更加开放的自定义扩展能力。
  • [技术干货] 【转载】【2020华为云AI实战营】MTCNN、dlib、OpenCv(haar+adaboost级联分类器)三种人脸检测工具比
    【转载华为云社区】一、绪言:    人脸检测技术在我们生活中经常被用到,人脸面部识别、年龄以及表情的识别都是以人脸为基础。目前常用的人脸检测工具有:MTCNN方式、dlib、OpenCV Haar级联分类器等方式。    人脸检测工具使用常见问题如下:    安装时间长    检测时间长    图片中的较小人脸检测效果差    图片中的侧面人脸检测效果差    对图片中多张人脸无法全部检测出来等等问题,这些问题也同样是人脸检测算法面临的挑战。    本文将对MTCNN、dlib、OpenCV三种工具进行测试对比。二、工具简介:MTCNN:        官网:https://kpzhang93.github.io/MTCNN_face_detection_alignment/        MTCNN的安装和使用都十分简单,完成人脸区域检测人脸对齐及5个人脸关键点(双眼,鼻子,嘴角)检测但对于人脸识别,年龄表情等任务已经足够,所以使用十分普遍。    2.dlib:         官网: http://dlib.net/.         dlib是一个机器学习工具库,类似OpenCV,里面预置了一些开发好的传统机器学习算法和深度学习算法。        本案例使用dlib工具库进行人脸区域检测和68个人脸关键点检测。    3.OpenCV(Haar+Adaboost,后文以OpenCV代替):       官网: https://opencv.org/        OpenCV是一个开源的计算机视觉库,它提供了很多函数,这些函数非常高效地实现了计算机视觉算法(最基本的滤波到高级的物体检测皆有涵盖)。        OpenCV 的应用领域非常广泛,包括图像拼接、图像降噪、产品质检、人机交互、人脸识别、动作识别、动作跟踪、无人驾驶等。三、实验对比比较:        实验环境: ModelArts  nootbook开发环境 - v100 GPU- TensorFlow 1.13    耗时计算仅包含测试图片读取及代码库加载时间,不包含测试结果显示耗时    1.正面单脸图片 实验    1.1.MTCNN(单脸正面):          上图是单脸图片的人脸检测,MTCNN耗时大概3s多(含模型加载等,与图片大小等亦有关,下同),含5个关键点,检测结果可见比较准确,但仍有少部分轮廓未能完全检测。        1.2.dlib(单脸正面):相对MTCNN来说,dlib单脸检测速度更快一些,但未能完全检测出全部脸轮廓,含68个关键点信息,但此处不显示。    1.3.OpenCV(单脸正面):        相对MTCNN和dlib而言,OpenCV检测速度更快,定性来看,检测结果几乎能全部包含脸部轮廓,但有非脸部部分会被误认为是脸部。无关键点信息。    2.正面多脸含小脸图片 实验    2.1 MTCNN(多脸 正面 小脸): 仅有小脸的boundding box检测出。可能是程序参数设置导致的,比如OpenCV工具默认有3个矩形框同时存在才认为匹配成功,下同。    速度较慢,单看小脸检测出的结果,准确度较高。    2.2 dlib(多脸 正面 小脸):仅有大脸的boundding box检测出。    速度相对于MTCNN有所提升,单看大脸检测出的结果,准确度不如MTCNN。含68个关键点信息,但此处不显示。    2.3 OpenCV(多脸 正面 小脸): 结果可见最小脸并没有检测出。    速度仍是三者中最快的,准确度一般,和单脸正面图片检测类似,仍然会有非脸部分被误认为是脸部。四、结果分析:    综合定性比较来看:    在检测准确度(检测框与真实脸部对比,非整体检测结果准确度)方面 MTCNN要好于dlib和OpenCV    在检测速度方面,OpenCV(Haar+Adaboost)明显优于MTCNN和dlib    以上仅为个人定性分析结果。如果需要定量分析,可考虑计算预测bounding box与ground truth bounding box的IoU等定量方式加以比较。五、程序:    1.MTCNN 2.dlib3.OpenCV六、参考链接:    MTCNN:      https://kpzhang93.github.io/MTCNN_face_detection_alignment/    https://nbviewer.jupyter.org/github/huaweicloud/ModelArts-Lab/blob/master/notebook/DL_face_age_prediction/face_age_prediction.ipynb    dlib:     https://nbviewer.jupyter.org/github/huaweicloud/ModelArts-Lab/blob/master/notebook/DL_face_detector/face_detection.ipynb    OpenCV:    https://bbs.huaweicloud.com/blogs/179012
  • [热门活动] 大话深度学习:B站Up主麦叔教你零代码实现图像分类神经网络
    大家好,我是B站UP主麦叔,很开心入驻华为云 AI 社区! 文末有福利哦,千万不要错过!我在B站发布了“大话神经网络,10行代码不调包,听不懂你打我!”的视频后,因为简单易懂受到了很多小伙伴的喜欢!但也有小伙伴直呼不够过瘾,因为大话神经网络只有4个神经元。也有小伙伴问不写代码,是否可以做人工智能。应对这两个问题,我录制了新的视频,来实现一套基于CNN的图片分类的神经网络!华为云视频:https://bbs.huaweicloud.com/videos/102831在视频中,我们先是运行一套基于tensorflow的代码,让大家体验原汁原味从数据准备,训练,和使用模型的过程。相关的tensorflow代码,资源的下载都可以在我的github上获得:https://github.com/maishucode/tensorflow-image-detection然后我会详细讲解如何利用华为云ModelArts,零代码轻松实现一个图片分类网络,并且可以发布出去给你的朋友使用。看不了视频的也可以看下面的图文教程:在华为云的对象存储服务(OBS)中创建一个桶    选择区域,输入桶名称,其他选项按需调整,这里我们先都用默认值    2. 桶创建完后,我们在桶里新建几个文件夹目录结构如下,train用来放我们的训练数据,out用来放我们的训练结果maishu└── food-img    ├── out    └── train3. 我们把训练数据上传到train目录下,训练数据可以在上方的github链接里获取4. 回到ModelArts,选择创建数据集输入名称,数据集输入位置和数据集输出位置选我们刚刚在OBS中创建好的目录5. 数据集准备好之后,我们可以创建一个图片分类的项目输入项目名称,数据集选择“已有数据集”,选择刚才创建的数据集6. 项目创建好之后就可以开始训练了点击开始训练,训练设置我们用默认的参数就好,点击确定任务创建成功,稍微等待一会训练完成,点击部署默认1小时后自动停止7. 部署上线之后测试一下我们的模型可以上传一张图片点击预测,右侧会出现预测结果,可以看到模型成功预测了我们下面这张图片。同时我们也可以通过一个URL接口来调用我们的模型为了感谢大家对我的支持,特意为大家带来了三个福利,并且还有机会获得精美奖品哦(业界良心,全国包邮),欢迎大家参与:1、免费报名:万人组团学AI:2020年华为云AI实战营已正式开课了,无论是否有AI经验,都可以免费报名参加!这里涵盖了八大热门AI领域的介绍与实践,非常适合未来想从事AI的学生,或者想跳槽做AI的在职人员,欢迎访问 huaweicloud.ai 了解实战营详情~ 。报名截止9月,今年想找工作的大家千万别错过哦。2、超值福利:优惠资源享不停:通过免费算力实现视频中的案例,训练心得 + 截图成功页面在本帖回帖,即可获得3元抢购290元的云资源算力的机会,畅享 ModelArts 更多付费服务! 扫描二维码添加小助手回复关键词【麦叔】即可获取三元资源套餐 3、惊喜奖品:华为云手环带回家:按本帖中所有回复楼层随机抽奖,每满100人即送出一个华为手环!(使用第三方抽奖平台随机抽出对应人数的获奖楼层!)活动时间:2020.6.25日(周二) - 2020.7.25日(周四),20:00内回复有效!最后,谢谢大家!祝大家学习快乐!
  • [技术干货] 【乘风破浪的开发者】华为云开发者华为云MVP朱有鹏:做IoT开发乐趣无穷,年轻开发者更要厚积薄发
     华为云MVP朱有鹏是个很“潮”的跨界开发者,既做过硬件工程师,也转型攻关过软件,如今他的身份则是一个在线IT老师,通过一系列线上课程为许多年轻学生打开IoT开发的技术大门。授人以鱼不如授人以渔,华为云MVP朱有鹏很享受这种传道授业解惑的乐趣。他觉得开源社区里那些美妙的源码和软件工程是一笔巨大的财富,所以也十分乐意把自己在工作中用到的技术转化成课程和经验传授他人。然而IoT领域的发展速度非常快,开发者也得铆足劲往前追赶,在这个过程中,华为云MVP朱有鹏选择了华为云IoT。“我的策略就是紧跟华为云IoT的脚步和思路,站在华为云IoT的肩膀上去保持自己对新技术新方向的领先和敏锐嗅觉。” IoT开发,乐趣无穷 华为云MVP朱有鹏和IoT开发的结缘得从他的第一份硬件工程师工作说起,彼时刚从西安交通大学毕业的他,在工作中逐渐意识到电子产品中软件的灵活性和重要性要远远大于硬件,于是华为云MVP朱有鹏果断选择了转型做软件,并从最简单的MCU开始。在几年的自学和项目经验中,华为云MVP朱有鹏很快上手了各种MCU平台、上位机编程、数据库开发以及开源软件linux和Android相关的技术。回顾这段经历,华为云MVP朱有鹏直言,“一边学习一边做项目,学与用相得益彰,非常充实。”2015年的移动互联网热潮是一个转折点,它将华为云MVP朱有鹏带入了在线教育浪潮中,开启了他从软件研发到IT老师的身份转换。“一开始只是为了图省心,想把大多数人都会遇到的问题、欠缺的知识录制下来,但后来发现在线教育其实才是更合适的传道授业与学习新技术的方式,于是就不断加大投入力度,制作更优质系统的视频课程。”从2018年开始,华为云MVP朱有鹏开始主攻IoT,先是小试牛刀为IBM watson录制课程,然后与华为云IoT建立合作,录制了《华为云MVP朱有鹏老师华为NBIoT物联网课程2018版》。为了这套课程,华为云MVP朱有鹏还专门设计了一款NB476开发板。今年年初,他还应人邮出版社的约稿,推出了一套《华为物联网操作系统LiteOS》视频课程以及图书。同时,华为云MVP朱有鹏带领的产品开发团队也在基于华为IoT开发一些产品,譬如基于NBIoT/4Gcat1的断电监控报警器、温湿度采集器等,目前这块产品已经和中移物联网、中国联通等建立合作开发和设备供应渠道。在整个转型过渡的阶段,他也经历了IoT平台的变迁,从2012年的指纹锁产品(联网授权,用于智能企业办公),到2014年的工业MES采集器(用于汽车零部件的注塑行业),以及近年来火热的AIoT,华为云MVP朱有鹏深感IoT领域的开发迭代速度飞快,新技术、新概念每天都在不断涌现,但他也十分乐在其中,“做IoT开发每天都会有新的问题要解决,向前推进,然后又遇到新的问题。这很正常,同时也充满乐趣。”   华为云让IoT商业化落地更简单高效 在AI和5G的时代,万物互联是基础,当数以万亿计的物联网设备和传感器连接到拥有强大算力和信息的云计算平台中,再叠加大数据分析和AI识别等技术,可以满足各种创新应用,小到一个简单的语音指令,大到路上的自动驾驶汽车,IoT成为各行各业的香饽饽。深耕IoT领域多年的华为云MVP朱有鹏也颇有感慨,他表示,“目前IoT行业还存在需求和商业模式的创新难题。”首先是技术迭代和产品落地之间的时间差问题,即开发者能否在短时间内让IoT产品快速落地实现商业价值,因为一旦错过时间窗口,产品可能就要被淘汰。这就需要产品端和需求端达成一致性,明确应用场景以及切实可行的IoT解决方案。再就是单纯的技术难题,比如端云互通的方案选型和对接问题、网络安全难题,以及如何从产品设计、技术方案上让IoT产品满足低功耗要求等等。面对上述提及的难题,在综合考量下,华为云MVP朱有鹏选择了华为云IoT作为主要使用的物联网云平台。而谈及为何选择华为云IoT,他总结了三点:一是信赖华为的技术,华为云平台有强大的技术实力和团队去开发维护,保证了技术和管理的先进性;二是华为云的易学易用,它的人性化、友好设计符合“工程师思维”,可以帮助嵌入式开发者更快更好的去接受web开发工具;三是华为云IoT提供了丰富的附加功能,比如网络安全组件、OTA升级功能,极大节省了开发者的研发时间。华为云IoT的这些优势无疑让开发者如虎添翼,让他们在技术迭代和产品需求的周期内快速实现产品的商业化落地。 年轻开发者要重视基本功积累,拥抱AIoT 得益于多年的IT在线教育经验,华为云MVP朱有鹏也给当前年轻开发者提出了几点建议,他认为,“年轻人的优势是好奇心强,学习兴趣强,接受能力也更强。但是劣势是项目经验缺乏,有时会急于求成,不够重视基本功的积累。”年轻开发者既需要掌握编程语言、MCU、嵌入式linux、通信协议、RTOS、数据结构和基本算法,同时也要具备清晰的思路、强代码追踪和调试能力,才能在物联网探索中如鱼得水,自由驰骋。夯实基本功之外,“年轻工程师也要做学习型人才,注重学习和项目实践”,华为云MVP朱有鹏建议开发者要多关注华为云IoT的基本信息动态和内在功能的变化,及时学习掌握。与此同时,也要多找机会参与到项目实践中,比如华为云组织的在线训练营、IoT创新挑战赛、线下城市技术沙龙等活动。华为云MVP朱有鹏强调,华为云的AI技术领域也非常值得开发者关注,他最近一直在学习华为云开设的Mindspore和ModelArts相关的AI公开课, 其中,Mindspore是支持端、边、云独立的和协同的统一训练和推理框架。ModelArts则是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等能力,且支持Mindspore计算框架。可以预见的是,AIoT会是未来一段时间主流的技术趋势方向,当前也有不少科技巨头涌入其中,蓄势待发,而5G的到来加速了AIoT产业的扩张速度,所以如华为云MVP朱有鹏所说,年轻的开发者应该要拥抱IoT、拥抱AI、拥抱新技术。  【乘风破浪的开发者】专辑一、云享专家潘永斌:在人工智能时代追逐的“后浪”二、华为云MVP余浩:AI开发:将简单留给开发者,复杂留给华为云三、华为云MVP熊保松谈物联网开发,华为云IoT是首选,小熊派是神器四、华为云MVP袁覃:ModelArts助力银行客户经理的变形记五、华为云MVP毛昌启:Developer 转型记:一个开发平台的“魔力”《华为云MVP&云享专家》官网华为云MVP:https://developer.huaweicloud.com/mvp华为云·云享专家:https://developer.huaweicloud.com/expert《华为云MVP&云享专家》推荐活动华为云MVP招募令:https://bbs.huaweicloud.com/forum/thread-53602-1-1.html云享专家征集令:https://bbs.huaweicloud.com/forum/thread-59104-1-1.html
  • [分享交流] 在线求语音对抗样本生成算法相关参考代码或干货文献
            近些年来,深度学习技术在海量数据以及强大计算能力的驱动下取得了长足的发展,特别是在语音识别、计算机视觉、自然语言处理等领域,深度学习以其强大的网络表达能力刷新了一项又一项记录,各种各样基于深度学习的产品和服务也逐渐在产业界落地应用。正因为深度学习技术蕴含着巨大的商业价值,其背后潜在的安全问题更值得我们去深究。最近的研究表明,深度学习面临安全和隐私等多方面的威胁,其中对抗性样本是目前深度学习面临的最主要的威胁之一。                对语音场景下的对抗样本进行研究;对该领域的基本方法及进展进行综述,并实现两种常见的语音对抗样本生成算法,能够对特定场景下的语音样本进行攻击。        在线蹲一个大佬!!!
  • [获奖公告] (已结束)【华为云•微话题】你理解的机器视觉是什么?参与赢取大号鼠标垫&amp;双肩包
    ——————————————————【华为云·微话题】——————————————————— 2020年2月25日这个时间节点,毫无征兆下,华为安防官宣:从“华为安防”更名为“华为机器视觉”。一句简单发声,却激起千层浪,引发行业诸多猜想。那你理解的机器视觉是什么?包括哪些领域?——————————————【微话题活动】———————————————今天我们邀请到机器视觉专家Peng Guo和大家讨论一下:【你理解的机器视觉是什么?】活动时间2020年3月18日-2020年4月1日参与方式直接在本帖回复关于以下问题的理解或评论1,你理解的机器视觉是什么?包括哪些领域?本期奖品A.回帖参与本次讨论,回复与话题相关的原创内容,即可获得精美鼠标垫1个(数量有限,先到先得)。B.机器视觉专家Peng Guo评出3名优质评论奖,各送出华为云定制双肩包1个。(两样奖品不可同时获得,奖品于活动结束发放) 评奖标准回复话题数量和内容质量                                                                                                             优质评论奖3名                                                                                  参与奖
  • [问题求助] 读《敏捷教练》:非跨职能团队营造团队氛围还有其他有效方式吗?
    讨论主题在一些公司中,需求分析师、设计师、开发人员、测试人员、实施人员仍然是分开的,汇报线各不相同,组织暂时无法改变这种现状,那么如何营造团队氛围呢?关键字敏捷教练、团队、氛围心得“井字型”结构,或者说“部门墙”是敏捷转型中的大障碍。敏捷提倡的是全功能型团队,各类人才组成跨职能团队齐心协力构建最佳软件。组织架构暂时无法变革,那么需要教练灵活地根据自己经验营造团队氛围。教练帮助团队与兼职投入项目的其它人员建立友好关系。建议所有项目相关会议都邀请或抄送给虚拟团队成员,一些项目相关邮件也都把他们带上,增加项目融入感和个人存在感。每次取得迭代目标的完成,都知会这些人员,目标完成的果实人人有份。再有,可以有意增加人与人之间的距离。比如,组织一次交际餐或者酒会,帮助大家营造团队氛围。还有其它的技巧吗,欢迎大家交流,共同探讨和分享。
  • [获奖公告] (已结束)【华为云•微话题】AI能帮网络运维多大忙?参与赢取大号鼠标垫&amp;双肩包
    ——————————————————【华为云·微话题】——————————————————— 网络基础设施在生产生活中变得越来越重要,但其运维也变得越来越复杂,因此当前网络向自动化与智能化快速演进,以提高运维效率,降低运维复杂度和能耗。——————————————【微话题活动】———————————————今天我们邀请到网络与算法专家Zonghua Zhang和大家讨论一下:【AI能帮网络运维多大忙?】活动时间2020年3月6日-2020年3月28日参与方式直接在本帖回复关于以下4个问题中的任意问题的理解或评论1, 得益于近来人工智能技术特别是深度学习算法的发展和应用(特别是Alpha Go,图像与音声处理领域等),“自动驾驶”概念近年来被频繁提及,包括在网络管理与运维领域。你认为最终可能实现么?你认为存在哪些技术难点?AI是否能帮我们搞定一切?2, 列举几个你认为AI可以帮助解决的具体问题,例如网络测量,异常检测?3, 将要到来的5G网络时代,高传输速率,大规模数据流量,动态的网络结构,多元的网络服务(如自动驾驶汽车),可能会使网络运维变得更加困难,你认为AI在哪些方面能帮上忙么? 4, 如果网络最终实现自动驾驶,安全,隐私,可信等问题将变得更加不可控,我们应该如何防患于未然?有哪些潜在的安全风险?本期奖品A.回帖参与本次讨论,回复与话题相关的原创内容,即可获得精美鼠标垫1个(数量有限,先到先得)。B.网络与算法专家Zonghua Zhang评出3名优质评论奖,各送出华为云定制双肩包1个。(两样奖品不可同时获得,奖品于活动结束发放) 评奖标准回复话题数量和内容质量                                                                                                             优质评论奖3名                                                                                  参与奖
总条数:1305 到第 页
上滑加载中