在上一个插图中，可以看出，这实际上是在完成3D卷积。但通常意义上，仍然称之为深度学习的2D卷积。因为将滤波器深度和输入层深度相同，3D滤波器仅在2个维度上移动（例如图像的高度和宽度），得到的结果为单通道。通过将2D卷积的推广，在3D卷积定义为滤波器的深度小于输入层的深度（即卷积核的个数小于输入层通道数），故3D滤波器需要在三个维度上滑动（输入层的长、宽、高）。在滤波器滑动的每个位置执行一次卷积操作，得到一个数值。当滤波器滑过整个3D空间，输出的结构也是3D的2D卷积和3D卷积的主要区别为滤波器滑动的空间维度。3D卷积的优势在于描述3D空间中的对象关系。3D关系在某一些应用中十分重要，如3D对象的分割以及医学图像的重构等。

2D卷积（2D Convolution）3D卷积（3D Convolution）1*1卷积（1*1 Convolution）反卷积（转置卷积）(Transposed Convolution）扩张卷积（Dilated Convolution / Atrous Convolution)空间可分卷积（Spatially Separable Convolution）深度可分卷积（Depthwise Separable Convolution）平展卷积（Flattened Convolution）分组卷积（Grouped Convolution）混洗分组卷积（Shuffled Grouped Convolution）逐点分组卷积（Pointwise Grouped Convolution）

DCGAN在GAN的基础上，引入了CNN结构，从而扩展了CNN的无监督应用。在判别器模型中使用带步幅的卷积代替池化层 ;卷积带有可学习参数，在GAN网络中，判别器D主要目的是辅助生成器G达到最优，如果用池化，则其梯度会稀疏，会导致判别器学习困难，如果判别器学习困难，他就不能很好的辅助指导生成器学习。

工程TensorFlow 2.X，会是它走下神坛的开始？都1202年了，机器学习还要用TensorFlow吗？2020/12/25 19:24原文链接产业登上NIST竞赛榜单，获得BCTC增强级活体认证：小视再攀高峰！国内的计算机视觉创业公司中，有一家因为先进的活体检测技术正在迅速引起人们的关注。2020/12/25 19:22原文链接NPU时代，边缘智能走向何方？加入这场技术工作坊，一起解读边缘智能引擎趋势！OPEN AI LAB 专场—NPU时代的边缘智能引擎趋势2020/12/25 15:00原文链接IT不重要这篇写于十七年前的文章《IT Doesn't Matter》研究了信息技术在商业中的发展规律，结果发现，它遵循着与铁路、电力等早期技术极为相似的传播和演化规律。通过一系列示例，作者展示了IT创新如何迅速成为共享业务基础设施的一部分，从而抵消了它们提供竞争优势的能力。2020/12/25 14:57原文链接深度对话杨植麟博士：NLP科研和创业的方法论对话循环智能联合创始人2020/12/25 10:20原文链接理论速度、准确率与泛化性能媲美SOTA CNN：Facebook提出高效图像TransformerFacebook提出数据高效图像Transformer (DeiT)，高效处理图像分类任务。2020/12/25 19:21原文链接入门只有170字节，最小的64位Hello World程序这样写成如何编写出最小的 64 位 Hello World 程序？2020/12/25 19:20原文链接其他用iPhone给林徽因拍照是啥样？这款“穿越相机”把老照片变现代风开发“水淹食堂”的ACM班校友罗璇又出新作2020-12-25 14:49:36原文链接会议摘要怎么写？这篇论文手把手教你科研新手福音2020-12-25 13:10:09原文链接知道了05后的隐藏技能之后，我酸了…05后要上“天”了2020-12-25 12:31:50原文链接   

1.人脑与计算机面部感知对比：深度卷积神经网络在计算等特定任务上（比如身份识别）要比人类熟练得多，但在学习对称性、均匀性和一致性等语义概念时却比人类困难得多。2.预训练的CNN模型:所有用于人脸图像的样式转换方法在应用样式转换之前都需要在样式图像和内容图像之间进行某种类型的匹配。否则会造成伪影和面部结构的变形。3.变分自编码器VAE:关于人脸图像，VAE模型在学习变化的隐藏因素方面非常有效。性能不如最大化数据可能性本身的生成模型。与其他生成模型相比，VAEs生成的样本更模糊，质量更低。提高VAEs生成样本的质量是一个开放的问题，正在积极研究。找到让他们学习潜在表征的方法仍然是具有挑战性的研究问题。4.生成性对抗网络：GANs没有显式建模和求解数据集密度函数，而是专注于从该分布生成样本。GANs对这个问题的解决方案是首先从简单的已知潜在分布(如随机噪声)中采样，然后学习将这个样本转换成训练分布的样本。用GANs的主要缺点是试图同时训练两个网络。这可能具有挑战性，因为它会导致对超参数的选择非常敏感的不稳定和困难的过程。一个非常活跃的研究领域是寻找更好的损失函数，使GANs的训练更加稳定。遗传神经网络的另一个主要问题是模式崩溃现象，这是在遗传神经网络生成的样本中普遍观察到的缺乏多样性。许多研究人员一直致力于通过提高GAN组织样本的多样性来解决这个问题。5.自回归模型：PixelRNNs和PixelRNNs是强大的生成模型，提供了一个显式和易处理的数据似然计算框架。由于这种显式似然计算，他们能够生成高质量的样本。这些型号的主要缺点是速度慢。因此，寻找提高这组生成模型速度的方法是一个活跃的研究领域。关于人脸图像，像素神经网络和像素神经网络在生成像素级细节方面工作良好，并且能够提高生成的人脸的视觉质量。然而，与前面提到的生成模型组不同，它们不能从人脸图像中提取高级语义概念。因此，当涉及到对人脸图像执行语义操作时，它们在混合框架中工作得最好，在混合框架中，一些其他的生成模型负责提取语义概念，而自回归模型通过向生成的图像添加真实的细节来提高图像的质量。6.基于流的模型：基于流的生成模型总结了所有以前成功的模型的优点。类似于自回归模型，它们定义了一个易于处理的对数似然估计。与VAEs类似，它们的功能形式是灵活的。此外，他们的采样过程快速准确，类似于GANs。此外，它们能够以精确和有效的方式实现可解释的潜在空间表示。然而，与其他三组生成模式相比，它们迄今为止在研究人员中受到的关注较少，这意味着有相当大的改进空间。7.混合深层生成模型：生成模型中的另一个强大趋势是将两个以前回顾过的模型组合在一个框架中的模型组，因为它们试图利用各自的优点，同时避免它们的缺点。混合深度生成模型是一组很有前途的用于人脸图像合成和语义操作的深度生成模型。他们利用不同模型中的优点，同时通过将具有相反强度的模型结合到框架中来弥补它们的缺点。因此，他们能够生成具有显著的真实感和视觉质量的语义编辑的人脸图像。

第1章中介绍了梯度下降算法训练回归模型，神经网络模型也一样需要使用梯度下降算法来更新参数。然而一个神经网络通常会有上百万的参数，那么如何高效地计算这百万级别的参数是需要重点考虑的问题。神经网络中使用反向传播（Backward Propagation）算法，使得计算梯度更加有效率。在介绍反向传播之前，先来介绍一下链式法则。假设有两个函数y=g（x）和z=h（y），那么z对x的求导过程如下：假设有三个函数x=g（s）、y=h（s）和z=k（x，y），z对s的求导过程如下：神经网络的梯度计算，就是依赖链式法则一层层反向传播的。如图3.4所示的前向神经网络，输入层有n个属性x1，x2，…，xn，中间隐藏层有p个神经元，第j个神经元为hj，j∈（0，p-1）。输出层为q维。对隐藏层的每一个神经元hj，先经过一个线性变换，公式如下：式中，wj0——偏置值；wj1，wj2，…，wjn——作用在属性x1，x2，…，xn上的权重。[插图]输入给神经元后，经过激活函数的作用得到[插图]。第二层同理有神经元输入：输出。以上为前向神经网络的前向传播（ForwardPropagation）过程。对单个数据样本（x，y），假设损失函数为均方差，则对第k个输出项的损失为：通过链式法则，损失函数对权重vkj的梯度为：式中，第一项第三项而对于第二项，假设激活函数为sigmoid函数，则梯度有一个很好的性质，即：三项相乘可以得到：由于真实标签yk由数据给定，而输出值[插图]与hj均由前向传播算法计算得到，则可以轻易地计算得到每个中间层权重vkj，并且该计算过程可以并行进行。类似地，可以得到损失值在隐藏单元hj上的累积梯度为同理，可以通过链式法则，得到损失函数对第一层权重wji的梯度为（假设隐藏层激活函数为ReLU函数）：在上一步计算得到后，也可以高效并行地计算出。在上述过程中，假设了损失函数是均方差，激活函数为sigmoid和ReLU，其实这样的计算法则对任意可微的损失函数和激活函数都是有效的。从计算过程来看，在前向传播得到隐藏层与输出层数值后，先从损失函数算起，接着从顶层逐渐计算梯度，将梯度逐层往输入层传播。这与前向传播的顺序是相反的，也是该算法为什么被称为反向传播的原因。反向传播（见图3.5）得到所有参数的梯度之后，可以利用梯度下降算法对参数进行更新迭代，从而达到训练神经网络的目的。神经网络训练过程如算法3.1所示。输入:数据集,步长为α,小批量训练样本的大小为b,迭代次数为T输出:训练完成的神经网络(1) 初始化网络参数w0(2) for t∈{1,2,…,T}(3) 从m个样本中均匀随机无放回选取b个样本mb(4) 前向传播逐层计算隐藏层的参数值,得到样本输出(5) 根据损失函数计算误差,得到输出层梯度(6) 反向逐层计算隐藏层梯度(7) 计算连接参数梯度并更新参数                                                                                                                                本文转载自华为云社区 作者:HWCloudAI

本章介绍了深度神经网络的几个相关概念，并给出了用MindSpore实现简单神经网络的样例。深度学习（Deep Learning）与传统机器学习最大的不同在于其利用神经网络对数据进行高级抽象。而最基础的神经网络结构为前向神经网络（Feed forwardNeural Network，FNN），又称多层感知机（Multi-Layer Perceptron，MLP）。在介绍多层感知机之前，先来认识一下神经网络的基础单元——感知机。如图3.1所示，x1，x2，…，xn为输入，w1，w2，…，wn为与之对应的权重，w0为偏置。感知机对这些输入进行加权求和，再加上偏置值w0，最后通过激活函数f（·）得到神经元的输出。在分类问题中提到的逻辑函数为一种常用的激活函数（Activation Function），目的是将一个在较大范围变化的值挤压到（0，1）的输出值范围内，或者输出0/1对应的概率值。此外，双余弦函数以及修正线性单元（Rectified Linear Unit，ReLU）函数ReLU（x）=max（x，0）也经常作为神经元的激活函数。这些激活函数的目的都是为神经元带来非线性运算。相比线性函数而言，非线性函数的表达能力更强，图3.2展示了这三种激活函数的形状。尽管非线性激活函数的单个神经元带来了非线性特征，但它只拥有一层神经元，学习能力非常有限，仍然只能处理线性可分的问题。为了解决更复杂的非线性可分问题，多层感知机（MLP）被提出。图3.3为一个简单的三层前向神经网络模型，包括输入层、隐藏层和输出层。数据x作为输入提供给输入层，经过线性映射和非线性激活函数，得到隐藏层。隐藏层再经过一层运算得到输出层。其中输入层的节点数由数据本身的属性数量决定，输出层的节点数可以是类别个数、抽象特征个数等。隐藏层的层数人为指定，并且层数可以是一层或多层，每个隐藏层上都可设置一类非线性激活函数。经过线性组合与非线性变换，这个由多层神经元组成的函数模型，具有更强大的学习能力。                                                                                                                                本文转载自华为云社区 作者:HWCloudAI

产业分析美的、便利蜂、贝壳等企业案例后，杨国安对数字化转型有这三个洞察数字化的威力不是加法，而是乘法2020/12/21 17:15原文链接怎样才算人工智能教育？这家机器人公司「以赛带学」输出AI教育教学成果“所谓人工智能教育是，用创客的思维，STEAM的理念培养面向未来AI智能时代的未来制造者。”2020/12/21 16:59原文链接人工智能让遥感数据释放巨大潜能：人口普查中的「人工」或将被取代该研究证实了卷积神经网络（CNN）针对卫星图像数据深入分析的潜能。2020/12/21 15:53原文链接AI种草莓，比最强人类多两倍：首次农业人机大战结束了云南昆明开启的「多多农研科技大赛」在12月16日落下了帷幕。2020/12/21 15:44原文链接教育公司如何借助AI技术，更快提升课程顾问的水平跨越从“知道”到“做到”的鸿沟2020/12/21 15:36原文链接入门速度数百倍之差，有人断言KNN面临淘汰，更快更强的ANN将取而代之这也许是真的。2020/12/21 15:49原文链接清华大学发布首个自动图机器学习工具包AutoGL，开源易用可扩展，支持自定义模型清华大学发布全球首个开源自动图学习工具包 AutoGL。2020/12/21 15:37原文链接其他 谷歌传奇Jeff Dean获2021年IEEE冯诺依曼奖，8页本科论文被大学图书馆保存至今以表彰对大规模分布式计算机系统和人工智能系统科学与工程的贡献”。2020-12-21 14:06:10原文链接彭博社：微软正为其数据中心自研芯片彭博社评论称，此举可能对英特尔数据中心芯片业务构成威胁。2020-12-21 10:14:55原文链接快讯美国民权组织开始阻止在美国机场扩大人脸识别使用由美国公民自由联盟领导的民权组织联盟对拟议扩大陆路和海港海关和边境保护局（CBP）的面部识别提出了反对意见。国家移民法律中心，为未来而战和电子前沿基金会也与其他十二个国家一起参加了议案。CBP 于 11 月提交的拟议规则将扩大生物识别出口系统，并授权从进入该国的任何非公民收集面部图像。但是，在评论期最后一天星期一的文件中，该联盟认为这些措施太极端了。（The Verge）2020-12-22 08:45原文链接付费平台 Bolt 获 7500 万美元 A 轮融资付费平台 Bolt 近日宣布，该公司最近完成了 7500 万美元的融资。一年之后，Bolt 处理了超过 10 亿美元的零售交易，其购物者网络的规模增长了 10 倍，每月增加了 25 万购物者。据了解，总部位于旧金山的 Bolt 由 Eric Feldman 和 Ryan Breslow 于 2014 年创立，提供了旨在简化网络交易的多种工具。（Venture Beat）2020-12-22 08:45原文链接Elon Musk：特斯拉将于 2021 年推出全自驾车订阅服务特斯拉价值 10,000 美元的全自驾车附件是很多人不一定能负担得起的奢侈品，即使是那些有足够钱买一台特斯拉的人也是如此。特斯拉首席执行官 Elon Musk 表示，明年可能会有更简单的购买功能的方法。一位说要租赁特斯拉的人在推特上告诉 Musk，他在租赁特斯拉汽车时存在的购买全自动驾驶的问题。Musk 表示，全自动驾驶订阅将于 2021 年初开始提供。（ZDNet）2020-12-22 08:31原文链接Google Cloud 扩展了其全球云区域Google Cloud 表示，随着其在全球范围内的扩张，它将在智利，德国和沙特阿拉伯启动新的云区域。对于超大规模云提供商而言，随着国家/地区推出要求客户数据保留在国家/地区中的数据主权法律，添加区域变得至关重要。Google Cloud 一直在 2020 年构建其混合，行业和垂直游戏。随着 Google Cloud 的扩展，出现了三个新的云区域。2020 年，Google Cloud 在雅加达，印度尼西亚，拉斯维加斯，盐湖城和首尔启动了新区域。多哈，卡塔尔，马德里，米兰和巴黎也都在附近。（ZDNet）2020-12-22 08:31原文链接英国国家医疗服务体系与有争议的人工智能公司 Palantir 签署价值 2300 万英镑合同在没有经过仔细审查的情况下，英国国家医疗服务体系（NHS）已经与 Palantir 签署了一项价值 2300 万英镑的为期两年的合同。尽管这家备受争议的 AI 公司与英国的卫生服务合作原本应该是临时的紧急措施，以帮助应对 COVID-19 大流行。据悉，这项已于 12 月 18 日发布的协议正在为 NHS 提供数据平台，以帮助纷发 COVID-19 疫苗。（The Register）2020-12-22 08:24原文链接梅赛德斯即将推出 AI 驱动的 MBUX 信息娱乐系统明年新款梅赛德斯 EQS 轿车问世时，该款轿车将配备 MBUX 信息娱乐系统的新改进版，即 MBUX Hyperscreen，作为可选升级。该公司表示，超宽屏幕覆盖了即将推出的 EV 的整个前仪表板，并添加了 AI 以使使用该系统更加直观。据了解，这家汽车制造商将在即将于 1 月 11 日美国东部时间上午 11 点举行的 CES 新闻发布会上详细介绍信息娱乐系统。（Engadget）2020-12-22 08:23原文链接人工智能解决了量子化学中的 Schrödinger 方程柏林自由大学的一组科学家开发了一种人工智能方法，用于计算量子化学中 Schrödinger 方程的基态。据了解，量子化学的目标是仅根据原子在空间中的排列来预测分子的化学和物理性质，而无需进行资源密集和耗时的实验室实验。原则上，这可以通过求解 Schrödinger 方程来实现，但实际上这是极其困难的。点击下方链接了解更多信息。（PHYS ORG）2020-12-22 08:16原文链接人工智能机器人利用受损腿部继续行走人工智能通常依赖于所谓的神经网络，即受人脑启发的算法。但是与我们不同的是，一旦经过训练和部署，人工智能大脑通常就不会学习新事物。他们一直怀着与生俱来的想法。在一项新研究中，研究人员使用「Hebbian 规则」（一种允许人工智能大脑继续学习的数学公式）创建了神经网络。这些网络不是静态的，而是根据经验变化的，而不是突触的权重（该值指示活动如何从一个神经元传播到另一个神经元）。之后，团队部分移开了两个机器人的左前腿，迫使它们试图弥补伤害。研究人员在本月的神经信息处理系统会议上报告说，两个机器人起初都在挣扎，但 Hebbian 机器人却能行走近七倍。（Science）2020-12-22 08:16原文链接人工智能通过眼球运动来衡量癌症患者的心理健康科学家已经开发出深度学习算法的组合，这些算法使用眼动追踪来评估手术后癌症患者的心理健康。理想情况下，这将有助于发现人们无法进行初步的心理评估时可能患有焦虑症或抑郁症的患者。据了解，该系统结合了卷积神经网络和长短期记忆算法，以研究戴着跟踪眼镜的患者在考虑图稿时的眼球运动。人工智能使用这些眼镜的注视和瞳孔位置数据来确定某人对他们将在以后填写的既定希望，焦虑和心理健康调查表上提出疑虑的可能性。（Engadget）2020-12-22 08:12原文链接

近年来掀起的深度学习革命已经深刻地改变了诸多应用领域，并将在越来越多的领域取得成功。其中最广为人知的领域包括自动语音识别、图像识别、自然语言理解及很多其他交叉领域（如医疗、生物、金融等）。下面将依次简单介绍这些深度学习的典型现实应用。1.3.1　自动语音识别自动语音识别（Automatic Speech Recognition，ASR）是一项将语音转换成文本的技术。从早期的基于模板的方法到严格的统计模型，再到如今的深度模型，语音识别技术已经经历了几代的更迭。在深度学习模型之前，自动语音识别的主流模型是隐马尔可夫模型（Hidden Markov Models，HMM）。在使用这些模型之前，所有的自动语音识别系统都需要经历四个步骤：特征提取、声学模型、语言模型和解码搜索。在进入声学模型之前，需要消除噪声和增强信号，并将信号从时域转换到频域。声学模型主要用来进行特征的转换与表示，再通过一个语言模型，在解码搜索中对模型的结果进行排序并选取得分最高的文本序列。早期应用于声学建模的深度模型是普通的深度神经网络（Deep Neural Networks，DNN），但DNN需要固定大小的输入，因而需要一种能够处理不同长度语音信号的方法。另外，考虑到语音信号是一种非平稳时序信号，如何有效地对长时时序动态相关性进行建模也颇为重要。而这些恰好是循环神经网络的强项。因此，目前主流的自动语音识别深度学习模型是循环神经网络的变种——长短期记忆网络（Long ShortTerm Memory，LSTM）。以循环神经网络为基础的语音识别系统极大地减少了识别错误率，被广泛应用于目前商业上主流的语音识别设备（如亚马逊的Alexa）上。1.3.2　图像识别图像识别是深度学习最成功的应用之一。深度学习在计算机视觉领域的突破发生在2012年，Hinton教授的研究小组利用卷积神经网络架构（AlexNet）大幅降低了ImageNet ILSVRC挑战中图像分类任务的错误率并取得了冠军。之后不断有新的基于卷积神经网络的架构被提出，包括GoogleNet、VGGNet、ResNet、DenseNets和Inception。这些模型在不断加深网络深度的同时，也能不断提升图像分类的准确率。同时，深度学习也被应用于其他计算机视觉任务中，包括目标检测、图像分割、图像标注、行为分析、人脸识别，以及基于生成对抗网络（Generative Adversarial Networks，GAN）的图形风格迁移、视频生成等。在这些应用的背后，起到关键作用的深度学习模型当属深度卷积神经网络。卷积神经网络中最重要的操作是卷积和池化。受益于参数共享和稀疏连接，卷积神经网络非常适合处理图像数据。通过堆叠很多层，卷积神经网络可以不断地从低层特征中提取更高层的特征，最终更好地进行下游任务的处理。目前各种新的网络架构仍在不断被提出，我们期望深度学习在图像识别领域不断取得新的成果。1.3.3　自然语言处理神经网络从2000年开始就逐渐被应用到语言模型中，在成分解析、情感分析、信息抽取、机器翻译、文本分类等自然语言理解的任务上均取得了好的结果。其中，一项重要成果就是词向量的学习。词向量可以看作是一种运用深度神经网络将词转换成隐含空间中的一个向量化的位置表示的方法。将词向量作为循环神经网络的输入，能有效利用合成式的向量语法对句子和短语进行解析。合成式的向量语法可以被认为是由循环神经网络实施的上下文无关的概率语法。另一方面，以长短期记忆网络为代表的循环神经网络在机器翻译和语言模型等方面的表现也较为突出。近年来，除了循环神经网络之外，新的一些深度神经网络结构（如Transformer）也不断被提出，它们通过学习文本序列中的长期依赖和分层结构，在自然语言处理的任务上取得了显著的效果。此外，基于预训练的无监督模型，如建立在Transformer基础上的BERT（Bidirectional Encoder Representations from Transformers）模型，采用迁移学习和微调的方法，进一步刷新了深度学习方法在自然语言处理任务上的技术前沿。到目前为止，面向自然语言处理任务的深度学习架构仍在不断进化，与强化学习、无监督学习等的结合应该会带来效果更优的模型。1.3.4　其他领域深度学习在其他领域（如生物学、医疗和金融等）也有很多应用。在生物学研究中，深度学习算法可以发现人类无法捕捉到的特征。研究人员利用这些算法对细胞图像进行分类，建立基因组连接，加速药物发明周期。在医疗领域，深度卷积神经网络被应用于癌细胞分类、病变检测、器官分割和图像增强等医疗图像分析任务中，并取得了不错的成果。在金融领域，深度学习被应用于金融欺诈检测和反洗钱等任务，也可以通过模拟交易员的行为，完成选股、择时、风控等较为复杂的任务。此外，深度学习在异常检测和信用评分等领域也有应用。                                                                                                                                本文转载自华为云社区 作者:HWCloudAI

深度学习是使用多层结构从原始数据中自动学习并提取高层次特征的一类机器学习算法。通常，从原始数据中提取高层次、抽象的特征是非常困难的。深度学习将原始的数据表示成一个嵌套的特征层级，这样一来，每层特征均可以由更简单的特征来定义和计算。尤为重要的是，深度学习可以自动地学习如何最优地将不同的特征置于哪一层。也就是说，相比于传统机器学习算法需要提供人工定义的特征，深度学习可以自己学习如何提取特征。因此，相比于传统的机器学习算法，深度学习并不依赖复杂且耗时的手动特征工程。深度学习中的“深度”体现在将数据转换为所需要数据的层数之深。给定模型进行数据输入，可以将描述模型如何得到输出的流程图中的最长路径的长度记为模型的深度。另一方面，在深度概率模型中，也把描述概念之间如何相互关联的图的深度而非计算图的深度记为一种模型的深度。值得注意的是，后者用来计算表示的计算图可能比概念图要深得多。鉴于这两种观点的共存，一般在一个模型有多深才算作“深度”模型上并没有达成共识。不过一般深度学习指的是比传统的机器学习需要更多的计算步骤或者概念学习的模型。绝大多数的深度学习模型是以人工神经网络（Artificial Neural Network，ANN）为基础构建的。人工神经网络是受人脑的启发而发明的计算系统。一个人工神经网络是由一个相互连接的被叫作神经元的单元组成的集合。神经元以层的形式被组织起来，不同的层对输入做不同的变换来获得不同层次的抽象和特征提取。不同的神经元之间的连接被赋予不同的权重，代表了一个神经元对另一个神经元的影响。感知机（Perceptron）是最早可以从样本数据中学习权重的模型。感知机的学习算法属于线性模型的参数学习方法。虽然线性模型仍然是一种被广泛使用的机器学习算法，却存在很多缺陷，最著名的缺陷是感知机无法学习异或（XOR）函数。目前，最为典型的深度学习模型框架是前向神经网络（Feedforward NeuralNetwork），也被叫作多层感知机（Multi Layer Perceptron，MLP）。前向神经网络之所以被称作“前向”是因为通过该网络的信息流是前向传递的，从输入数据开始，经过中间层的计算，得到最终输出。整个结构没有反馈连接，信息单向传播。前向神经网络构成了很多实用的深度学习模型的基础。例如，用于计算机视觉任务的卷积神经网络（Convolution Neural Network，CNN）就是一种特殊的前向神经网络。当前向神经网络被拓展到允许反馈连接时，被叫作循环神经网络（Recurrent Neural Network，RNN）。卷积神经网络和循环神经网络在现实应用中取得了非常大的成功。下面介绍的深度学习的现实应用很多都是以它们作为基础的。                                                                                                                                本文转载自华为云社区 作者:HWCloudAI

11月22日，哈尔滨工业大学（深圳）和华为技术有限公司合作的创新实验课程——《华为云ModelArts AI模型开发实战》圆满结课。该课程由华为技术有限公司高级工程师、现任华为云EI图像算法专家——杜奇主讲，哈工大（深圳）实验与创新实践教育中心提供场地和软硬件等支持，共计16学时。课程主要面向有一定计算机基础的本科生，选课通知一经发布，便引起同学们的极大热情，课程容量80人，在两天内即被选完，课程内容如表1所示。《华为云ModelArts AI模型开发实战》的课程内容结合了华为云的技术积累和哈工大（深圳）的专业培养目标，基于华为云ModelArts一站式AI开发平台，向同学们讲解了图像分类、物体检测、人脸识别、OCR和视频分析五大热门AI领域的重要知识点。同学们可以利用ModelArts平台易上手的自动学习、预置算法、Notebook和充足的算力资源，零AI基础、零编程经验也可以进行AI模型的开发。通过本课程的学习，同学们无论是从理论上还是从动手实践上，都学到了AI领域的很多基础知识和经典算法，掌握了一定的模型调优能力。课堂上，同学们积极和老师互动，对杜老师讲授的内容表现出浓厚的兴趣，现场教学效果很好。为深化“引企入教”改革，推进创新教育理念，培养学生创新精神和实践能力，哈工大（深圳）开设企业创新实验课程，并将继续吸引优秀企业走进校园，促进企业需求融入人才培养环节。附：课程PPT、现场授课视频、源代码和实践案例文档获取链接表1 课程内容安排序号教学内容教学要求学时教学方式1人工智能的发展史与现状通过讲解人工智能各流派的发展历史，使学生了解人工智能各流派能解决和不能解决的问题，从历史的角度来看待人工智能技术的发展1讲课2神经网络发展史梳理神经网络的发展历史，使学生了解损失函数、梯度下降、学习率等基础概念是怎么发展而来的1讲课3ModelArts介绍与实验前准备讲师现场讲解演示ModelArts，使学生了解ModelArts能做什么，并进行实验前的必要准备1实验4零代码开发美食分类模型讲师现场演示，再搭配丰富的图文教程，教导学生掌握使用自动学习开发图像分类模型的方法1实验5图像分类介绍梳理图像分类领域的发展脉络，介绍经典数据集和经典算法，使学生掌握图像分类领域的基础知识1讲课6物体检测介绍梳理物体检测领域的发展脉络，介绍经典数据集和经典算法，使学生掌握物体检测领域的基础知识1讲课7使用FasterRCNN预置算法基于海量数据训练人车检测模型讲师现场演示，再搭配丰富的图文教程，教导学生掌握使用预置算法开发物体检测模型的方法2实验8人脸识别介绍讲解人脸相关的不同研究领域，介绍经典数据集和经典算法，使学生掌握人脸识别领域的基础知识1讲课9人脸检测工具对比学生自己动手测试不同人脸检测工具的检测效果，通过对比实验，使学生清楚知道在什么场景下适合用什么人脸检测工具1实验10人脸年龄和表情识别学生自行运行人脸年龄和表情识别算法，分析网络结构，使学生掌握人脸年龄和表情识别的原理1实验11FaceNet算法完成人脸识别讲师讲解FaceNet的网络结构，学生按照图文教程搭建FaceNet模型，并进行模型的训练和预测，从而掌握FaceNet算法实现人脸识别的方法1实验12OCR介绍介绍OCR领域的经典数据集和经典算法，使学生掌握OCR领域的基础知识1讲课13CTPN算法完成文字位置检测通过CTPN文字检测的实验，使学生掌握文字检测和常规物体检测的区别于联系1实验14视频分析介绍讲师讲解视频分析不同领域的应用、经典数据集和经典算法，使学生了解AI在视频方向上有哪些应用1讲课15使用C3D和I3D模型实现视频动作识别讲师讲解C3D模型和I3D模型结构，学生参考实验文档，动手训练C3D模型，并且掌握C3D模型和I3D模型的预测方法1实验宣传海报课堂现场课后留影

 摘要：本文主要介绍基于深度学习的物理层应用，并提出一种基于深度Q网络（DQN）的MIMO系统位置信息验证方案，接收者在多变未知的信道环境下利用深度Q网络不断更新。01引言随着移动流量呈现的爆发式增长、高可靠性和低时延的通信场景给当前网络带来了更大的复杂性和计算挑战。据IBM报道，移动数据量到2020年将超过40万亿Gbits，比2009年增加44倍，连接总设备量将达到500亿。为了满足这一需求，需要新的通信理论和创新技术来满足5G系统的需求。近些年深度学习范式的发展使引起了学术界和工业界对基于深度学习的无线通信技术的研究，研究结果证实了深度学习技术可以提高无线通信系统的性能，并有潜力应用在物理层进行干扰调整、信道估计和信号检测、信号处理等方面。02深度学习范式深度学习的概念源于人工神经网络（ANN）的研究，由Hinton等人于2006年提出。如图1所示，深度学习通过建立具有阶层结构的ANN，往往包含一个输入层、多个隐藏层和一个输出层。每个层之间采用不同的权重与邻层之间进行连接，通过对输入信息进行逐层提取和筛选，可以实现端到端的监督学习和非监督学习 。深度神经网络包括前馈神经网络（FNN）、循环神经网络（RNN）、卷积神经网络（CNN）、对抗生成网络（GAN）和深度信念网络等。其中基于门控的RNN，例如长短期记忆（LSTM）网络对于输入有一定的记忆功能，因此常被用于物理层信号处理和信道状态信息估计等。此外，深度学习也可参与构建强化学习（RL）系统，形成深度强化学习，例如深度Q网络（DQN）[1]，可以用于对物理层信号处理策略制定的优化。1）长短期记忆网络作为RNN的一个变体，长短期记忆网络可以有效解决简单循环神经网络的梯度爆炸或消失问题。RNN通过隐状态来存储历史信息。在简单的RNN中，隐状态的每个时刻都会被重写，因此可以看作是一种短期记忆。而在LSTM网络中，记忆单元保存关键信息的时间要长于短期记忆。LSTM网络引入门机制来控制信息传递的路径。门机制取值在0到1之间，来控制信息通过的比例。LSTM网络主要包括了3个门，其中遗忘门控制上一个时刻的内部状态需要遗忘多少信息；输入门控制当前时刻的候选状态保存多少信息；输出门控制当前时刻的内部状态有多少信息需要输出给外部状态。2）深度Q网络DQN将CNN与Q学习结合起来，采用Q 学习的目标值函数来构造深度学习的目标函数，利用记忆回放机制来解决数据之间的关联性问题，并采用迭代更新解决系统稳定性问题。假设环境在时刻所处的状态为，代理根据一定的策略 来采取动作，并获得奖励。然后，环境在时刻转移到以转移概率转移到了下一个状态。在DQN中，代理通过一系列行动与环境进行交互，目的是最大化累积奖励。同时，采用基于卷积神经网络的经验回放来进行Q函数的不断近似。在经验回放中，代理每一步使用ξ-greedy来选择动作，并将每个时刻的学习经验保存在经验池中。在算法的参数更新循环里，对记忆池里的样本进行随机采样或批量随机采样，通过Q学习对模型进行参数更新。并通过CNN来根据之前的经验，不断近似最大的Q值。CNN的损失函数就是近似的Q值与真实Q值之间的偏差，通过梯度下降算法不断调整神经网络的权重，就可不断减少损失函数的值。03 基于深度学习的物理层信号处理应用近年来，学术界和工业界已经出现了一些深度学习应用于物理层的相关工作，研究结果发表深度学习可以提高物理层性能。本小节从物理层信号处理的角度，从信道状态信息（CSI）估计、信号编解码、干扰调整和信号检测四个方面对目前已有的相关工作进行举例和说明。1）基于深度学习的CSI估计精确的CSI获取对于保证无线通信系统的链路性能至关重要。无线网络根据信道估计状态来选择具体的信号控制方案，例如，当CSI较低时，物理层采用低阶调制方案来对抗恶劣的通信状态从而降低误码率。5G通信系统采用多输入多输出（MIMO）、毫米波和非正交多址接入（NOMA）等技术，使得通信双方拥有更多的传输信道，信道估计问题也变得更加复杂。传统的CSI估计方案需要执行具有高复杂度的矩阵运算，受到了计算资源和时延的限制。利用深度学习来得到CSI信息时空和上下行之间的关联性，已经被证实可以提高CSI估计的效率，并减少所需上下行参考信息的数据量[2]。如图2所示，论文[3]提出将历史CSI数据经过一个二维卷积神经网络提取频率特征矢量，再利用一个一维卷积神经网络来从频率特征矢量中提取状态特征矢量。最后，一个LSTM网络用来进行CSI状态预测。由于二维卷积神经网络最初是用来处理图片数据的，因此，作者将CSI原始数据分割成单元格，每个单元格对应一个图片像素。每个频带的CSI和辅助信息对应的像素组成一个频道。因此，N个频带的数据将被转换成N个频道的像素信息，并输入到学习框架中。2）基于深度学习的编解码深度学习在信源编码和信道编码方面的应用，也证明了其可以提高编码效率并降低网络的BER。基于深度学习框架的联合编码方案可以通过循环神经网络实现对本文的源编码（结构化），然后将结构化的信息输入双向的LSTM网络，并最终输出最终传输的二进制数据流。在接收端，LSTM用来进行解码处理。论文[4]提出了就有全连接深度神经网络的编码器，用来提高基于置信传播算法的HPDC解码效率。O’Shea等人在[5]中将整个物理层建模为一个包含了调制、信道编码和信号分类功能的自编码器，并利用卷积神经网络来对自编码器进行训练。如图3所示，在多密集层神经网络的学习框架中，输入信号被编码为独热编码（One-hot encoding），无线信道建模为一个噪声层。交叉熵损失函数和随机梯度下降算法用来训练模型，在输出端将最高概率的输出信号作为解码结果。3）基于深度学习的干扰调整MIMO系统中的干扰调整通过线性预编码技术来调整发射信号，使得接收端的干扰信号可以控制在一个降维子空间里，从而突破MIMO系统干扰问题带来的吞吐量限制。现有工作中已经有研究结果表明，利用深度学习可以提高干扰调整网络中的吞吐量，并取得优化结果。He等人在[6]中提出了采用DQN来获得干扰调整下最优的用户选择策略。在该机制中，中央调度器用来收集所有信道状态和每个用户的缓存状态，并将信道资源分配给每个用户。信道的时变过程用一个有限状态马尔科夫模型来进行建模，系统的状态定义为每个用户的信道状态和缓存状况。中央调度器用来为系统训练处最佳策略，对应的系统动作定义为是否为每个用户分配信道资源来进行数据的传输，来最大化干扰调整网络的吞吐量。DQN也可被用于认知无线电网络中次用户与主用户之间的干扰消除，次用户利用跳频和移动性来抵御干扰者[7]。4）基于深度学习的信号检测基于DL的检测算法可以显著提高通信系统的性能，尤其适当传统的处理模块需要联合优化或是信道无法用常见的分析模型来表征时。论文[8]提出了一个五层全连接的DNN框架嵌入到OFDM接收器中来进行联合信道估计和信号检测。将接收到的信号以及对应的传输数据和导频作为输入，DNN可以推断出信道信息，而且可以用来预测发送的数据。在MIMO中检测中，基于贝叶斯最优检测器的迭代方法已经被证实有较优的性能和中等的计算复杂度。但在很多更复杂的环境下，未知的信道分布条件将限制这种检测器的效果。利用深度学习算法，可以根据一定的输入数据来恢复模型参数，从而提高检测器的自适应能力。同时，在一些情况下，深度学习算法还可以利用一些语义信息，例如接收器的位置和周围车辆节点的信息，来进行波束预测，从而提高系统性能。04 基于DQN的信号检测机制在基于位置服务的场景中，车辆或者用户需要不断发送信标消息来报告自己的位置，从而提高位置服务和网络性能。但有些车辆或用户会选择发送虚假的位置来获取更多的资源，影响了网络服务的效用。在MIMO系统中，传输信号往往包含了丰富的信息（到达角、接收功率等）可以在接收端利用信号检测技术对信标消息进行位置验证。我们提出基于DQN的信号检测机制，可以用于MIMO系统中发送者的位置信息验证和对信息伪造者的检测。主要的思想为，接收端对接收的信号采用最大似然估计进行假设检验，当接收到的信号通过检测检验时，则认为发送信号来自于发送者上报的位置。否则，认为发送者上报了虚假的位置信息。为了提高在多变的信道状态下的检测性能，在接收端基于DQN来预测采用不同的检测阈值可以取得的收益，并选取最优的检测阈值。系统框架如图4所示。1）系统模型 假设检验中的零假设定为发送节点上报真实位置信息，备择假设为发送节点上报了虚假位置信息。在每个时刻，接收端收到发送端的信号都与发送端与接收端之间的真实位置、信道状态和信号到达角有关。在已知发送信息和发送功率的条件下，接收端可以利用最大似然检测来对接收到的信号进行假设检验。2）最大似然检测 接收端采用最大似然检测算法来验证接收到的信号，检测规则定义为：其中代表检测阈值，取值范围为。和代表检测结果分别为正常和虚假上报。和分别为观测信号在零假设和备择假设下的后验分布。根据[9]可得，假设检验的结果（误报率和丢失率）与发送者的实际位置、上报位置、信道状况和检测阈值有关。对于接收端来说，发送者的实际位置、上报位置以及信道状态属于未知或部分已知的环境变量，在与发送者之间不断的信息交互过程中，本文提出接收端可以基于DQN来不断优化检测阈值的选择，从而提高信号检测的准确率。3）基于DQN的检测阈值优化在本文提出的机制中，将接收端的状态空间分为两个维度，第一个维度是发送端到接收端的信道状态，第二个维度是信道检测的结果。信道状态空间包括量化后的一系列信道指标，并假设信道的状态转移符合马尔科夫过程，即信道在当前时刻的状态都只与上一个时刻的状态有关。结果状态空间包括四种：真实数据检测结果为真、真实数据检测结果为假；虚假数据检测结果为真以及虚假数据检测结果为假。在每次动作过程中，接收端的直接奖励与检测结果有关，当检测结果正确时获得正收益，当检测结果错误时获得负收益。接收端的动作定义为进行信号检测的阈值，动作空间包括一系列量化的检测阈值。在每个片刻，接收端的混合策略为选择不同检测阈值的概率。基于本文第二章介绍的DQN原理，接收端在每次经历后，将自己选择的检验阈值、对应的状态结果和收益存储到经验池，利用CNN对Q函数进行训练预测，不断优化对检测阈值的选择。05 总结与未来发展建议在本文中，我们通过现有工作和案例证明了深度学习在物理层通信中的巨大应用潜力。除了以上介绍的几种应用方向，深度学习在端到端通信系统中也得到了一定的应用。不过，目前还尚未有结论基于深度学习的端到端通信系统性能是否会最终超过传统通信系统性能。另外，基于深度学习的物理层应用需要数据驱动，为了提高深度学习模型的训练效率，可以将需要长时间训练的模块进行融合，并需要考虑在良好的性能和训练效率之间的权衡。深度学习应用的兴起主要归功于各种可用的数据集，但目前用于无线通信相关的数据集仍然较少。数据的安全和隐私问题进一步限制了在真实世界对通信数据的访问功能。但为了基于深度学习的通信应用，需要一些开放性电信数据集的发布和共享。最后，5G复杂多变的通信环境，包括MIMO、毫米波通信以及NOMA技术等，也为深度学习的应用带来了巨大的潜力。参考文献[1] Mnih, Volodymyr, et al. "Human-levelcontrol through deep reinforcement learning." Nature 518.7540(2015): 529. https://www.nature.com/articles/nature14236.[2] A. Mousavi and R. G. Baraniuk, “Learning toInvert: Signal Recovery via Deep Convolutional Networks,” Proc. IEEE Int’l.Conf. Acoustics Speech Signal Process. (ICASSP’17), New Orleans, LA, Mar. 2017,pp. 2272–76.[3] C. Luo, J. Ji, Q. Wang, X. Chen and P. Li,"Channel State Information Prediction for 5G Wireless Communications: ADeep Learning Approach," in IEEE Transactions on Network Science andEngineering, early access.[4] E. Nachmani, Y. Be’ery, and D. Burshtein,“Learning to decode linear codes using deep learning,” in Proc. Communication,Control, and Computing (Allerton), 2016, pp. 341–346.[5] T. O’Shea and J. Hoydis, "An Introduction to Deep Learning for thePhysical Layer," in IEEE Transactions on Cognitive Communications andNetworking, vol. 3, no. 4, pp. 563-575, Dec. 2017.[6] Y. He, C. Liang, F. R. Yu, N. Zhao, and H.Yin, “Optimization of cache-enabled opportunistic interference alignmentwireless networks: A big data deep reinforcement learning approach,” in Proc.IEEE Int. Conf. Commun. (ICC), May 2017, pp. 1–6.[7] G. Han, L. Xiao, and H. V. Poor,“Two-dimensional anti-jamming communication based on deep reinforcementlearning,” in Proc. IEEE Int. Conf. Acoust. Speech Signal Process. (ICASSP),New Orleans, USA, Mar. 2017, pp. 2087–2091.[8] H. Ye, G. Y. Li, and B.-H. F. Juang, “Power ofDeep Learning for Channel Estimation and Signal Detection in OFDM Systems,”IEEE Wireless Commun. Lett., vol. 7, no. 1, Feb. 2018, pp. 114–17.[9] Bai, Lin, Jinho Choi, and Quan Yu. “SignalProcessing at Receivers: Detection Theory.” Low Complexity MIMO Receivers,Springer, Cham, 2014. pp.5-28

 摘要：K近邻（k-NearestNeighbor，K-NN）算法是一个有监督的机器学习算法，也被称为K-NN算法，由Cover和Hart于1968年提出，可以用于解决分类问题和回归问题。1. 为什么要学习k-近邻算法k-近邻算法，也叫KNN算法，是一个非常适合入门的算法拥有如下特性：● 思想极度简单● 应用数学知识少(近乎为零)● 对于各位开发者来说，很多不擅长数学，而KNN算法几乎用不到数学专业知识● 效果好○ 虽然算法简单，但效果出奇的好○ 缺点也是存在的，后面会进行讲解● 可以解释机器学习算法使用过程中的很多细节问题○我们会利用KNN算法打通机器学习算法使用过程，研究机器学习算法使用过程中的细节问题● 更完整的刻画机器学习应用的流程○ 对比经典算法的不同之处○ 利用pandas、numpy学习KNN算法2. 什么是K-近邻算法上图中的数据点是分布在一个特征空间中的，通常我们使用一个二维的空间演示横轴表示肿瘤大小，纵轴表示发现时间。恶性肿瘤用蓝色表示，良性肿瘤用红色表示。此时新来了一个病人如上图绿色的点，我们怎么判断新来的病人(即绿色点)是良性肿瘤还是恶性肿瘤呢？k-近邻算法的做法如下：取一个值k=3(此处的k值后面介绍，现在大家可以理解为机器学习的使用者根据经验取得了一个经验的最优值)。k近邻判断绿色点的依据就是在所有的点中找到距离绿色点最近的三个点，然后让最近的点所属的类别进行投票，我们发现，最近的三个点都是蓝色的，所以该病人对应的应该也是蓝色，即恶性肿瘤。本质：两个样本足够相似，那么他们两个就具有更高概率属于同一个类别。但如果只看一个，可能不准确，所以就需要看K个样本，如果K个样本中大多数属于同一个类别，则被预测的样本就很可能属于对应的类别。这里的相似性就依靠举例来衡量。这里我再举一个例子● 上图中和绿色的点距离最近的点包含两个红色和一个蓝色，此处红色点和蓝色点的数量比为2:1，则绿色点为红色的概率最大，最后判断结果为良性肿瘤。● 通过上述发现，K近邻算法善于解决监督学习中的分类问题

本文将详细介绍Yolov3的网络结构相关内容。Yolov3 网络结构本篇将详细介绍Yolov3的网络结构，内容比较简单。Yolov3网络结构图从图中可以看出，Yolov3主要有以下几部分组成：输入基础网络：基础网络是可以根据具体的需求选择，作者原文用的是自己设计的：Darknet-53YOLOv3网络的三个分支：Y1，Y2，Y3网络部件介绍DBL: 如图1左下角所示，也就是代码中的Darknetconv2d_BN_Leaky，是yolo_v3的基本组件。就是卷积+BN+Leaky relu。对于v3来说，BN和leaky relu已经是和卷积层不可分离的部分了(最后一层卷积除外)，共同构成了最小组件。resn：n代表数字，有res1，res2, … ,res8等等，表示这个res_block里含有多少个res_unit。这是yolo_v3的大组件，yolo_v3开始借鉴了ResNet的残差结构，使用这种结构可以让网络结构更深(从v2的darknet-19上升到v3的darknet-53，前者没有残差结构)。对于res_block的解释，可以在图1的右下角直观看到，其基本组件也是DBL。concat：张量拼接。将darknet中间层和后面的某一层的上采样进行拼接。拼接的操作和残差层add的操作是不一样的，拼接会扩充张量的维度，而add只是直接相加不会导致张量维度的改变。YOLOv3网络的三个分支多尺度检测-Y1适用目标：大目标路径：绿色线标注输出维度：13×13×255输出维度具体解释：13×13：图片大小；255=（80+5）×3；80：识别物体种类数；5=x,y,w,h和c（置信度）；3：每个点预测3个bounding box。多尺度检测-Y2适用目标：中目标路径：黄色线标注输出维度：26×26×255输出维度具体解释：26×26：图片大小；255=（80+5）×3；80：识别物体种类数；5=x,y,w,h和c（置信度）；3：每个点预测3个bounding box。多尺度检测-Y3适用目标：小目标路径：紫色线标注输出维度：52×52×255输出维度具体解释：52×52：图片大小；255=（80+5）×3；80：识别物体种类数；5=x,y,w,h和c（置信度）；3：每个点预测3个bounding box。转载自：华为开发者论坛

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！