体验华为开发者空间大数据案例——基于Apache Spark实现商品推荐算法，反馈改进建议，请直接在评论区反馈即可体验指导：cid:link_0

体验华为开发者空间大数据案例——Docker安装Flink实现数据实时统计，反馈改进建议，请直接在评论区反馈即可体验指导：cid:link_0 

在卷积神经网络（CNN）中，卷积核大小的选择直接影响模型的特征提取能力、计算效率和泛化性能。⚖️ ​​1. 基本原则：奇数尺寸优先​​​​奇数尺寸优势​​：卷积核通常为奇数（如3×3、5×5），便于确定中心锚点（Anchor Point），并实现输入输出尺寸对齐（通过padding = (k-1)/2）。若使用偶数尺寸，则无法对称填充，导致特征图边缘信息处理困难。​​常见尺寸​​：现代CNN以​​3×3​​为主流（如VGG、ResNet），兼顾感受野与计算效率；1×1用于通道调整或非线性增强；5×5以上适用于特定场景（如早期层或文本处理）。⚙️ ​​2. 小卷积核 vs. 大卷积核​​​​维度​​​​小卷积核（如3×3）​​​​大卷积核（如7×7、11×11）​​​​参数量​​✅ 更低（两层3×3等效5×5感受野，参数减少28%）❌ 更高（单层11×11参数是3×3的13倍）​​计算效率​​✅ 计算量更少，适合移动端部署❌ 计算成本高，影响训练/推理速度​​感受野​​需多层堆叠扩大感受野（如两层3×3=5×5）✅ 单层即可覆盖更大区域​​非线性能力​​✅ 多层堆叠引入更多激活函数，增强特征抽象能力❌ 单层非线性能力有限​​适用场景​​深层网络（如ResNet）、高分辨率图像早期层快速降维（如AlexNet第一层）或NLP任务💡 ​​关键结论​​：​​优先堆叠小卷积核​​替代大卷积核，平衡感受野、参数量与非线性能力。🎯 ​​3. 任务驱动的选择策略​​​​图像分类任务​​：​​浅层​​：使用较大核（如7×7）配合大步长（Stride≥2），快速压缩特征图尺寸（如ResNet初始层）。​​深层​​：堆叠3×3卷积，逐步提取细粒度特征。​​密集预测任务（分割、检测）​​：减少下采样次数，保留高分辨率特征；推荐全程使用3×3卷积，避免早期过度压缩。​​NLP任务​​：文本特征跨度较大，常用浅层网络配合大卷积核（如5×5、7×7）直接捕获短语级语义。⚖️ ​​4. 其他影响因素​​​​输入分辨率​​：高分辨率图像（如224×224）可早期使用大步长或大核降维；低分辨率图像（如32×32）需谨慎下采样，避免信息丢失。​​硬件限制​​：移动端/边缘设备优先选择小核（3×3或1×1），减少内存与计算开销。​​结构优化​​：结合​​1×1卷积​​（Bottleneck结构）降维，提升3×3卷积效率（如ResNet）。使用​​空洞卷积​​扩大感受野而不增加参数量（适用于分割任务）。🔬 ​​5. 实验调参建议​​​​消融实验​​：对比不同尺寸组合（如3×3 vs. 5×5）对验证集精度的影响。​​感受野计算​​：确保深层网络最终感受野覆盖目标物体尺度（如ImageNet分类需＞224×224）。​​特征图可视化​​：观察浅层大核是否捕获基础纹理，深层小核是否提取高级语义。💎 ​​总结​​卷积核尺寸无绝对最优解，但​​3×3已成为现代CNN的黄金标准​​，通过深度堆叠实现高效特征抽象。设计时需结合任务需求（分类/分割/NLP）、硬件条件及输入特性，动态平衡感受野、计算量与模型性能。最终建议通过消融实验验证，避免盲目遵循经验规则。

6月20-22日，华为开发者大会2025在中国·松山湖隆重举办，吸引全球数以万计的开发者共赴一年之约，见证科技盛会。其中，ModelArts Versatile的品牌首发与论坛技术交流备受关注。在大会首日的主题演讲，由华为云CTO张宇昕正式发布企业级Agent平台——ModelArts Versatile，向全球开发者推介其“企业级智能体分钟级工作输出，达成传统人工天级工作成果”的非凡能力。6月22日，”ModelArts Versatile-AI原生应用引擎，构建企业级智能体，重塑企业生产流程与效率”专题论坛成功举办，吸引100+产学研专家参会。值得关注的是，华为联合信通院人工智能研究所发布《智能体技术和应用研究报告》，对外分享在智能体领域的关键技术、产业应用等研究成果。同时，ModelArts Versatile荣获由信通院颁发的智能体评估证书-工具和平台(5级)，华为成为业界首家获得该等级证书的组织，展现其在引领AI智能体行业发展的强劲实力。图：ModelArts Versatile-AI原生应用引擎论坛现场 品牌首发：ModelArts Versatile——人人都能构建自己的企业级智能体在HDC.2025的主题演讲，由华为云CTO张宇昕正式发布ModelArts Versatile产品，他分享道：“AI Agent已经成为AI的新的foundation（基础），它不仅在重塑个人、团队和组织的工作方式，也将对企业的生产流程和效率产生深刻的影响。为了帮助企业更好地使用大模型来构建AI应用，正式发布企业级Agent平台——ModelArts Versatile。 图：HDC主题演讲现场 “ModelArts Versatile内置了各类业务场景的经验模板，支持自助式的智能体开发，赋能企业组织与开发者构建更专业、更高效的企业级智能体。同时，为了有效降低Agent开发的复杂度与专业性的要求，Versatile提供了智能化的工具链，支持将企业内部的知识资产提炼成经验模板，让人人都能实现Agent分钟级的工作输出，就能达成人工天级的工作成果。一方面，华为云Versatile支持通过MCP来拓展知识和能力，让客户的智能体可以调用更多的业界的优秀工具集，而一方面，华为云的API已经全面支持MCP，业界主流的Agent可无缝集成调用华为云的核心能力，从而使得基于华为云的智能体，知识和能力更强、开发更加便捷和高效。“产品基因解读：ModelArts Versatile源自华为流程IT All Intelligence的实践经验一直以来华为公司的实践经验备受业界关注，ModelArts Versatile来源于内部流程IT 20+年业务积累，一站式AI开发治理平台，规模构建智能华为，从而外溢成面向更多客户的产品与服务。华为云aPaaS服务产品部副部长杨建强调，ModelArts Versatile，寓意一个“多才多艺的”的Agent平台，希望在该平台的赋能和加持之下，使得每位开发者变得多才多艺，个人能力得到拓展。我们的目标就是要让开发者人人都能够开发企业级的智能体，像编写文档一样方便地开发Agent。希望协同开发者、伙伴，面向企业领域，做更主动、更专业、更高产、更安全的Agent平台，实现企业智能体在企业领域的价值的闭环。图：华为云aPaaS服务产品部副部长杨建华为公司质量与流程IT部人工使能部部长许榕俊，以“从‘构成’到‘养成’——企业AI应用挑战与实践“为主题，围绕华为在AI领域的实践与案例进行干货分享，大大满足参会者的学习兴致。许榕俊分享的精彩观点包括“做大模型AI 在企业是业务内生的系统工程，需要 ‘养成’的长期主义“；”当前CXO对AI的高期望与落地之间，存在巨大的鸿沟，核心原因是企业AI应用需要高下限。“；”选好的基础大模型，是AI质量的根基，要实现拿得来、引得进、选的好的良性循环“；”数据决定了AI的上限，需要构建for AI 数据表征和思维链数据“；”企业要守住AI安全的底线，治理促进发展“等。其中他重点提到，企业聚焦做事，任何工作都需要大小模型结合的AI Agent，而这也就是ModelArts Versatile发挥价值的地方。ModelArts Versatile产品理念源自华为实践，是流程IT与华为云aPaaS经验共享、能力共建的成果，从而加速企业AI应用落地，使能事+AI、人+AI，让业务实现智能化，更敏捷更高效。图：华为公司质量与流程IT部IT平台人工智能使能部部长许榕俊平台驱动·生态赋能：与广大开发者一起，面向千行万业，加速AI原生应用落地在会上，中国信息通信研究院人工智能研究所主任曹峰围绕《智能体技术和应用研究报告》展开了首次精华解读，报告聚焦智能体的发展概述、关键技术、产业应用、问题挑战、发展建议五大方面，促进智能体落地应用成果转化。图：《智能体技术和应用研究报告》正式发布注：扫码阅读报告全文中国信息通信研究院人工智能研究所主任曹峰分享了报告创作背后的故事，在智能体技术迅猛发展的背景下，信通院和华为从2023年开始深入合作筹备至今，期间与专家团队不断地研究、优化、迭代，以期在当下技术环境下输出高价值的报告成果。同时，他提到智能体应用的场景开始从通用的场景向专用的场景演进，比如面向企业内部的IT场景，这也是ModelArts Versatile发挥价值所在，专用场景持续走深向实，推动生产方式革新。慧通解决方案部部长孔祥红介绍了慧通差旅在AI Agent方面的全新升级——其覆盖差旅全流程，涵盖6大场景、20多项智能化能力。他指出：“慧通差旅依托华为云Versatile-AI原生应用引擎，融合差旅领域专业知识构建起行业领先的AI底座，打造出原生ToB、专业可信的差旅AI Agent，大幅提升了员工差旅体验与企业管理效率。”具体来看，差旅AI Agent以员工需求为核心驱动：当员工提交差旅申请后，系统可主动识别需求并智能规划行程，无缝连接机票、酒店、火车、用车等资源，使预订效率提升300%；同时，基于员工历史偏好推荐适配酒店，并提供深度酒店知识问答服务，目前AI资源推荐采用率超50%。中软国际副总裁、中软国际AIGC研究院院长万如意进行了倾情分享，围绕中软国际基于华为云Versatile-AI原生应用引擎的能力，推出“问系列”Agent，作为先锋产品，从发布至今已深入合作覆盖政务、医疗、企业等多个行业，并实现问系列产品能力迭代升级，构建“问数”“问知”产品矩阵，覆盖数据分析、知识管理等场景，实现开发效率提升。图：中国信息通信研究院人工智能研究所主任曹峰/慧通解决方案部部长孔祥红/中软国际副总裁、中软国际AIGC研究院院长万如意聚光灯时刻：华为联合信通院发布研究报告、并成为业界首家斩获高含金量智能体评估证书的组织由中国信通院人工智能研究院主任曹峰向华为云aPaaS产品部副部长杨建颁发智能体评估证书-工具和平台(5级)，华为成为业界首家获得最高等级证书的单位，同时ModelArts Versatile平台的专业度得到重量级评估。图：颁发证书华为联合信通院人工智能研究所正式发布《智能体技术和应用研究报告》，高质量引导智能体可信赖发展标准，促进智能体在行业多领域的落地。图：联合发布研究报告开发者互动活动：海量开发者体验ModelArts Versatile创意Agent，互动碰撞更多灵感同时，在开发者活动区域，Versatile-AI原生应用引擎参与产品体验官/Codelabs训练营/扫地僧见面会三大版块，为开发者和各行业客户提供了即时体验产品、与AI原生应用领域技术大咖进行交流的机会，同步呈现Versatile在快速创建Agent的最新产品能力。现场参与人气满满，交流与学习氛围浓厚，助力开发者感受到开发Agent时像编写文档一样的简单。图：产品体验官/Codelabs训练营/扫地僧见面会（孙老师）会期有时，展望无限。智能体时代已然来临，此次ModelArts Versatile亮相HDC 2025，受到了海量开发者的火热支持，进一步坚定我们打造成为“智能体时代最佳企业Agent平台”的决心。未来，将与广大开发者、生态伙伴一起，面向千行万业，实现平台驱动·生态赋能，共建政企智能体价值闭环！

残差网络（Residual Network，ResNet）是卷积神经网络（CNN）领域里程碑式的架构创新，由何恺明（Kaiming He）等人于2015年提出。其核心目标是通过​​残差学习​​（Residual Learning）解决深度网络训练中的​​退化问题​​（Degradation Problem），即当网络层数增加时，性能不升反降的现象，而梯度消失正是退化问题的主因之一。   传统深度神经网络直接学习目标映射函数 H(x) = y（例如输入图像到分类标签的映射）。但当网络过深时，优化 H(x) 变得困难，梯度在反向传播中逐层衰减（梯度消失）或爆炸，导致深层参数难以更新。ResNet创新性地引入​​残差映射​​：定义残差函数 F(x) = H(x) - x，目标变为学习 F(x)；输出改写为 H(x) = F(x) + x，其中 x 是输入，F(x) 是卷积层堆叠的变换。​​关键优势​​：​​恒等映射的简易性​​：若当前层无需复杂变换（即 H(x) = x 最优），则学习 F(x) = 0 比直接学习 H(x) = x 更易实现；​​梯度传播的捷径​​：跳跃连接（Skip Connection）使输入 x 直连输出层，反向传播时梯度可绕过中间层直接传递，避免因链式法则导致梯度逐层衰减。 二、结构设计：残差块与网络架构ResNet通过堆叠​​残差块​​（Residual Block）构建深层网络，分为两种类型：​​基本残差块​​（用于浅层网络如ResNet-18/34）结构：两个3×3卷积层 + 跳跃连接公式：y = F(x) + x，其中 F(x) 为两层卷积操作。​​瓶颈残差块​​（用于深层网络如ResNet-50/101/152）结构：1×1卷积（降维）→ 3×3卷积（特征提取）→ 1×1卷积（升维）目的：减少参数量，提升计算效率。 经典ResNet架构对比​​网络版本​​​​残差块类型​​​​深度（层数）​​​​参数量​​​​适用场景​​ResNet-18基本残差块1811M轻量级任务，移动端ResNet-34基本残差块3421M中等复杂度任务ResNet-50瓶颈残差块5025M主流图像任务ResNet-101瓶颈残差块10144M高精度检测/分割ResNet-152瓶颈残差块15260M极致精度需求任务注：深度包含卷积层、池化层和全连接层。 三、解决梯度消失的机制：前向与反向传播分析1. ​​前向传播：信息无损传递​​跳跃连接保留原始输入信息，确保深层网络至少不弱于浅层网络（恒等映射保障）；即使中间层 F(x) 学习效果差，输出 y = F(x) + x 仍包含 x 的有效信息。2. ​​反向传播：梯度直达通道​​设损失函数为 L，反向传播至残差块输出时，梯度计算为：∂L/∂x = ∂L/∂y * (∂F(x)/∂x + 1)​​关键点​​：+1 项确保梯度至少以1的系数传递至前层，避免梯度消失（传统链式法则中梯度可能因连续乘法趋近0）。✅ ​​实验验证​​：ResNet-152在ImageNet上训练时，梯度在152层中仍稳定传播，而传统网络（如VGG-19）在30层后梯度已显著衰减。 四、应用与演进​​核心任务​​：图像分类（ImageNet冠军）、目标检测（Faster R-CNN、Mask R-CNN）、图像分割、医学影像分析；​​架构演进​​：与注意力机制结合（如ResNet + SE-Net），通过通道加权增强特征表达；轻量化设计（如MobileNet-V2引入倒残差块），适配移动端部署。  五、总结：ResNet的意义ResNet通过​​残差学习​​和​​跳跃连接​​，解决了深度神经网络的​​梯度消失​​与​​退化问题​​，使训练百层以上网络成为可能。其设计核心在于：学习残差 F(x) 而非直接映射 H(x)，降低优化难度；跳跃连接构建梯度传播捷径，保障深层网络参数有效更新；模块化残差块支持灵活扩展，推动CV领域向超深网络演进。何恺明团队凭借ResNet获得2016年CVPR最佳论文，其思想已被Transformer等架构借鉴，成为深度学习基石之一。

【直播回放】直播回放地址【总结简报】华为开发者布道师技术沙龙·直播间精彩回顾【第1期】联接高校人才培养与前沿产业技术，成就学生未来 / 李一浩老师【第2期】逐梦之旅：学生开发者到华为开发者布道师的蜕变 / 杨阳同学【第3期】昇思MindSpore：AI 领域的创新力量与跨平台之路 / 陈新杰同学【第4期】基于OpenHarmony计算机学科人才培养经验分享 / 周睿老师【第5期】计算机核心课程贯通式实践教学体系介绍 / 赵欢老师、李博经理、杨科华老师【第6期】OpenHarmony应用开发之网络数据请求与数据解析 / 倪红军老师【第7期】华为开发者空间玩转DeepSeek / 马欣老师【第8期】基于能力图谱的openGauss项目闯关 / 马瑞新老师【第9期Day1】基于开源鸿蒙+海思星闪开发板：嵌入式系统开发实战 / 齐耀龙老师【第9期Day2】基于开源鸿蒙+海思星闪开发板：嵌入式系统开发实战 / 齐耀龙老师【第10期】基于华为云+DeepSeek大模型的脑肿瘤分割实验教学案例 / 林承德老师【第11期】WS63E星闪开发板快速入门指南：开启星闪技术之旅 / 杨阳同学【第12期】星闪应用开发技术课程（群）建设思路与设想 / 葛非老师【第13期】星闪主从一体模式与线性星闪网络  / 齐耀龙老师【第14期】基于昇腾的皮肤病理多模态大模型研发  / 崔笑宇老师【第15期】基于昇腾NPU的合成孔径雷达成像案例 / 李阳老师【第16期】香橙派AIpro的远程推理框架与实验案例 / 郝家胜老师【第17期】鸿蒙端云一体化应用开发  / 倪红军老师官网直播间开发者问题回答摘要：序号问题回答1若云侧存储区出现数据丢失或损坏的情况，有哪些数据恢复的机制和方法？为了更好的保护数据安全，云数据库提供基于云存储服务的数据备份恢复方案。备份数据时，可基于AppGallery Connect控制台进行数据的备份。云数据库支持全量数据备份或者部分数据备份，并会将备份的数据进行加密，防止数据在备份恢复的过程中发生数据泄露。同时，云数据库会将对象类型定义和数据备份至一个文件中。具体操作方法可参考“https://developer.huawei.com/consumer/cn/doc/AppGallery-connect-Guides/agc-clouddb-agcconsole-managingdata-0000001080975864#section74190174588”2如何验证开发环境是否搭建成功，有哪些具体的验证步骤和标准？只要检查DevEco Studio是否已连接上HarmonyOS模拟器或真机设备，如果能连上并且能在模拟器或真机上运行创建的应用，说明开发环境搭建成功。3搭建鸿蒙端云一体化应用开发环境时，需要安装哪些必备的软件和工具？（1）注册华为开发者账号并实名认证（2）安装配置DevEco Studio（3）在AppGallery Connect平台配置项目和应用4端侧对云端数据进行增删改操作时，如何保证数据的一致、完整，有哪些数据同步的机制？AGC云数据库服务提供了基于云函数服务的扩展机制，可以为云函数配置云数据库触发器，当云数据库发生插入或者更新数据、删除数据、清空数据等变更操作时将触发云函数，并在云函数中扩展业务处理逻辑。5能在该开发环境下使用AI插件进行编程吗？可以，请参考“https://developer.huawei.com/consumer/cn/doc/harmonyos-guides-V5/ide-codegenie-plugin-V5”6鸿蒙端云一体化应用开发中，如何进行跨设备的适配，兼容不同屏幕尺寸和分辨率的设备？HarmonyOS系统面向多终端提供了“一次开发，多端部署”的能力，让开发者可以基于一种设计，高效构建多端可运行的应用。即一套代码工程，一次开发上架，多端按需部署。7端云一体化应用开发，如何进行数据库的备份和迁移，有哪些操作步骤和注意事项？为了更好的保护数据安全，云数据库提供基于云存储服务的数据备份恢复方案。备份数据时，可基于AppGallery Connect控制台进行数据的备份。云数据库支持全量数据备份或者部分数据备份，并会将备份的数据进行加密，防止数据在备份恢复的过程中发生数据泄露。同时，云数据库会将对象类型定义和数据备份至一个文件中。8华为云数据库目前是如何收费的开通云数据库服务后，华为提供了免费额度以供试用，数据存储1GB/月、对象读取50,000次/天、对象写入20,000次/天、对象删除20,000次/天、同时连接数最大连接数150；详细收费标准参考“https://developer.huawei.com/consumer/cn/doc/AppGallery-connect-Guides/agc-clouddb-price-0000001256815629”  

【精彩预告】🌟 想深入了解OpenHarmony生态构建吗？不要错过华为开发者布道师技术直播第19期📅 时间：7月24日（周四）19:00-20:30👨‍🏫 讲师：华为开发者布道师，兰州大学硕士研究生 王天一、聂嘉一🚀直播亮点🚀✨ 0基础入门：结合讲师的实际开发经验，分享如何从零开始学习OpenHarmony开发。📦全流程覆盖：内容涵盖OpenHarmony的生态现状、技术架构、开发实例以及测试认证体系。🛠核心痛点解析：深入剖析开发中的难点与痛点，提供高效的学习路径和实用开发技巧。🔗生态建设探讨：探讨OpenHarmony的生态建设，帮助开发者更好地适配多设备，共同推动OpenHarmony生态的发展。✨期待你的参与，让我们一起探索OpenHarmony的无限可能！直播预约：OpenHarmony生态构建 

Coordinator Node：协调节点CN，负责接收来自应用的访问请求，并向客户端返回执行结果；负责分解任务，并调度任务分片在各DN上并行执行。GTM：全局事务管理器（Global Transaction Manager），负责生成和维护全局事务ID、事务快照、时间戳、Sequence信息等全局唯一的信息。Data Node：数据节点DN，负责存储业务数据、执行数据查询任务以及向CN返回执行结果。一、​​原子性（Atomicity）​​​​两阶段提交协议（2PC）​​​​准备阶段​​：协调节点（CN）向所有数据节点（DN）发送 PREPARE 请求，DN 将事务日志（含 UNDO/REDO 信息）写入磁盘，锁定资源但不提交。​​提交/回滚阶段​​：若所有 DN 返回准备成功，CN 通知 GTM（全局事务管理器）生成全局提交序列号（CSN），并发送 COMMIT 指令；若任一 DN 失败，则全局回滚。​​容错机制​​：DN 故障时通过持久化日志自动重试（默认 3 次），网络分区时由 CN 检测超时（global_transaction_timeout 可配置）强制回滚。 二、​​一致性（Consistency）​​​​全局事务快照（CSN 机制）​​所有读写事务需从 GTM 获取全局唯一的逻辑时间戳（CSN），作为数据可见性判断基准。读操作基于事务开始时的 CSN 快照，确保跨节点读取同一时间点的数据版本（如避免幻读）。​​约束检查与 MVCC​​唯一约束等强一致性校验通过 DN 本地执行，冲突时触发全局回滚。MVCC 存储多版本数据，写操作生成新版本，读操作访问历史快照，避免脏读。 三、​​隔离性（Isolation）​​​​多版本并发控制（MVCC）​​​​UStore 存储引擎​​：当前数据存于主表，历史版本存于 UNDO 空间，读写分离减少锁争用。​​快照可见性规则​​：若事务 CSN > 数据版本 CSN 且数据已提交 → 可见；若事务 CSN < 数据版本 CSN → 不可见；写操作未提交时，读操作阻塞至写事务结束。​​锁机制优化​​行级锁 + 间隙锁（如 SELECT FOR UPDATE）防止写冲突，支持 SKIP LOCKED 跳过已锁数据提升并发。分布式死锁检测：周期扫描跨节点锁依赖（pg_locks 视图），超时（deadlock_timeout）后自动回滚。 四、​​持久性（Durability）​​​​预写日志（WAL）​​事务提交前，所有修改先写入 WAL 日志并同步至磁盘，故障后通过日志重放恢复数据。​​多副本同步​​基于 Raft 协议实现 DN 数据多副本（默认 3 副本），主备节点强同步（最大保护模式），确保单点故障不丢数据。​​跨 AZ 容灾​​同城跨可用区（AZ）部署时，事务日志实时复制到备站点，支持分钟级故障切换。五、​​性能优化与高可用​​​​GTM-Lite 技术​​：轻量级全局事务管理，避免单点瓶颈，支持每秒百万级事务处理。​​异步提交模式​​：非关键事务（如日志记录）可启用异步提交，提升吞吐量（最终一致性）。​​在线扩容​​：DN 扩容时数据自动重分布，CN 负载均衡，事务处理不中断。 六、​​典型场景实践​​​​场景​​​​ACID 保障策略​​​​金融支付​​REPEATABLE READ 隔离级别 + 保存点（SAVEPOINT）部分回滚，避免重复扣款。​​电商秒杀​​乐观锁（UPDATE ... RETURNING）扣库存，结合 SKIP LOCKED 减少锁等待。​​数据迁移​​分布式事务批处理（COPY 命令 + 并行分区），配置 maintenance_work_mem 提升排序性能。七、​​限制与注意事项​​不支持显式 PREPARE TRANSACTION 语法，避免未完成事务残留。跨节点事务中避免修改系统表（如 pg_class），可能破坏一致性。通过上面的这些机制，GaussDB 在分布式架构下实现了接近单机的事务一致性，同时兼顾高并发与弹性扩展。生产环境中需结合业务特点调整隔离级别、超时参数，并监控事务状态（gs_transaction_monitor 视图）。 

体验华为开发者空间软件开发生产线 CodeArts系列案例，反馈改进建议，请直接在评论区反馈即可！体验指导：案例中心

体验华为开发者空间鲲鹏系列案例，反馈改进建议，请直接在评论区反馈即可体验指导：案例中心

体验华为开发者空间，反馈改进建议，请直接在评论区反馈即可体验指导手册：cid:link_0

 体验华为开发者空间，反馈改进建议，请直接在评论区反馈即可，体验指导手册：cid:link_0

😀Versatile-AI原生应用引擎作为一站式开发智能体的有力工具入驻华为开发者空间 开发平台-AI Agent支持广大开发者快速构建专属智能 AgentVersatile空间是通用型AI助手和领域专家Agent的智能协同工作空间，通过自主任务规划及多工具协同，实现复杂任务的智能化处理，从而提升工作效率。点击进入产品官网 了解更多点击快速跳转本期活动页面 了解案例共创活动为了让更多开发者能够更轻松、更高效地理解和使用我们的文档，进而提升云产品的整体使用体验，我们致力于进一步优化和完善官方产品文档。在此过程中，我们诚挚地邀请广大开发者积极参与，通过亲身体验云产品，编写实践案例或体验评测。一旦您的案例经过专家评审团的认可与采纳，将有以下三点：优质案例将被正式收录至官方案例库，供广大开发者学习。优质案例将选送到在华为云站内外10+个技术社区推荐，给予百万级流量资源。以上案例我们都将注明原作者名字，实现与开发者共创官方文档。参与者不仅有机会获得每月活动礼品，还有可能被评为年度内容贡献官，享受更多荣誉和奖励，获得更多合作机会。我们期待着与您一起，共同打造更加优质、高效的云服务体验。 参与投稿方式第1步：（已注册并实名可跳过）华为云账号实名认证，点击这里。（已设置可跳过）登录后设置社区昵称，点我设置。第2步：点击报名填写报名问卷，提供礼品发放地址等信息第3步：开启您的云端体验，分享实践案例，点我写帖子。版块选择“社区活动”分类选择“案例共创”帖子标题在前面添加【案例共创】（一定要加，方便识别参与活动的帖子）文末可添加活动名称及链接地址，如“我正在参加【案例共创】第5期 开发者空间 AI Agent 开发  cid:link_7”【如您在体验中有任何产品问题，欢迎在论坛发布问题求助帖（帖子分类选择问题求助）咨询产品专家，如发现任何体验不友好、产品Bug、文档页面错漏等情况，欢迎通过云声平台反馈给我们，还有机会领取云声专属礼品！活动相关咨询可以论坛私信“论坛小助手SUN”】 本期投稿内容：围绕如下主题之一发表文章/视频Ø  华为云产品介绍：华为开发者空间AI Agent：AI原生应用引擎提供企了包括数据准备、模型选择/调优、知识工程、模型编排、应用部署、应用集成等能力，降低智能应用开发门槛、提升开发效率。华为开发者空间的AI Agent集成Versatile空间，Versatile空间是通用型AI助手和领域专家Agent的智能协同工作空间，通过自主任务规划及多工具协同，实现复杂任务的智能化处理，从而提升工作效率。领取链接：cid:link_2AI Agent页面操作文档：cid:link_1云函数页面操作文档：cid:link_0Ø  应用构建要求开发者可结合自己的工作实践，须在华为开发者空间内完成应用构建，应用构建类型和主题参考如下：AI Agent应用开发 主题场景包括但不限于以下方向(仅做参考)：使用AI Agent进行专业领域知识库构建（进行组织、存储及管理知识）；咨询快捷助手（推荐助手等）；工作流规划规划（使用工作流规划行程等）；案例模版参考：1. AI Agent应用开发：- 1）案例地址：cid:link_4简介：使用开发者空间开发平台，通过开发平台AI原生应用引擎中提供的MCP资产和预置的的大模型，快速便捷地完成饮食推荐和12306车票助手Agent的构建和发布。- 2）案例地址：cid:link_5简介：使用华为开发者空间-开发平台，通过开发平台提供的云函数、AI Agent能力实现We码会议助手从MCP Server部署到创建AI会议Agent，再到发布使用AI 会议Agent，最后在浏览器中操作使用该AI会议Agent。注意：文章类请大家一定要按照案例模版的格式进行编写注意：文章类请大家一定要按照案例模版的格式进行编写注意：文章类请大家一定要按照案例模版的格式进行编写Ø  投稿规则文章投稿要求：1）构建的应用需要完成发布，有应用在线截图。2）案例场景和方案以及用到的华为云产品或者开源框架简述。3）开发过程实际操作描述(文字描述+截图+代码)。4）案例实操需要完整体现，读者可根据案例上手并体验。 视频投稿要求：1）以华为开发者空间最佳实践操作为主题，介绍实操方式、技术心得等技术内容。2）视频时长≥60S、播放量≥100（发布平台不限），视频发布需@华为云开发者联盟官方账号，带话题#华为开发者空间#。3）视频发布后，请将视频链接回复在本活动贴评论区，或私信“技术火炬手”。 活动流程（全年征集，每月一期评选）投稿时间：2025年7月1日-7月31日联合评审：2025年8月1日-8月9日奖项公示：2025年8月10-11日奖品发放：获奖名单公布后5个工作日内寄出 评奖规则届时将有华为技术专家团参与评审，主要按照以下维度评分：标准类型分值释义分值阶梯总分值操作完整性关键节点以文字+截图的形势进行说明1：空间的实践操作，而非方案类描述2：参考官方提供模版，可读性好，有关键节点文字说明与截图3：符合2的条件下能够突出关键代码释义以及关键步骤解释说明4：应用构建后可执行，并有执行后效果介绍和展示1-4/0.5梯度4案例实用性贴近实际行业生产或者业务场景1：纯技术应用不涉及实际应用场景，比如接入模型后的问答助手2：基于实际应用场景具有一定的实用性3：基于实际场景且在开发者空间完成部署实施4：基于实际应用场景解决行业的痛点问题，可用于生产实施1-4/0.5梯度4技术多样性案例中应用更多的华为云技术或主流开源框架1：使用活动中要求的空间以及工具或者技术2：基于空间结合更多的华为云技术/服务、开源框架或技术1-2/0.5梯度2视频类评分规则：视频大于1分钟不超过10分钟，进行内容解说、技术分享等干货输出；视频内容制作精良，技术演示深入浅出，有趣有料有观点；视频播放量、转赞评藏等互动量作为加分项。荣誉与奖励1、获奖案例将有机会作为华为云开发者空间应用的标杆案例，进行录入成册推广宣传，并发布到华为云开发者联盟公众号传播矩阵。同时，案例内容可作为后续作者申请评选HCDE的相关贡献内容。标杆案例：【华为开发者空间 · 案例共创故事（郑州轻工业大学）】（https://mp.weixin.qq.com/s/pPmPcdlWYLPalzJPqxIfew） Ø  奖项设置文章案例奖项：视频案例奖项：一等奖1个，1000元实物，华为sound joy 音箱；  二等奖3个，华为6i耳机；三等奖10个，礼品+代金券注：每期评审专家根据每篇文章评选文章分数及等级，每期文章质量不一，不排除有某个奖项轮空的情况，如第X期文章质量在A级和B级，即S和S+级轮空。代金券及周边礼物发放对象为：已完成实名认证的华为云用户。发放到填写报名问卷的账号及收货地址中，礼包类礼品均为实物礼品。重要说明1、投稿内容一经采用，将会被纳入官方产品文档，文章作者拥有著作权，华为云拥有使用权、修改权等。2、每期评审专家根据每篇文章评选文章分数及等级，每期文章质量不一，不排除有某个奖项轮空的情况，如第X期文章质量在A级和B级，即S和S+级轮空3、投稿内容字数不少于500字(不含代码)，要求思路清晰、文字顺通、图片清晰、代码规范，不得有打广告、加二维码引流和凑字数行为。4、文章要求发布在华为云开发者社区论坛，允许搬运自己发在其他平台的文章，但仅支持搬运自己的原创文章，搬运他人的文章当抄袭处理。内容必须保证内容原创性，实践过程真实、内容代码化，如发现投稿内容为转载、复制、抄袭、恶意拼接、灌水等侵权作弊行为，均视为无效并取消参与资格5、将发表过的文章删除后重新发表的文章，不计入发文数量，以文章评选时在线显示数量为准。活动期间，如有用脚本刷阅读量、注册僵尸号刷赞等严重违反社区规范的行为，直接取消所有获奖资格。6、审核通过被采纳的文章作者，将在下月初进行获奖名单公布和奖励发放，届时会有站内信通知，请及时关注并填写快递信息，过期未核对或填写视为放弃该期奖品。7、对于持续输出高质量内容的作者，每年度末还有年度贡献大礼包送上。特别声明：华为云有权根据自身运营安排，自主决定和调整本活动的具体规则，具体活动规则以活动页公布规则为准。相关规则一经公布即产生效力，您应当予以遵守。如您不认同以上规则，请谨慎参与本次活动。

CNN（卷积神经网络）在深度学习图像处理任务中的核心地位源于其独特的仿生架构设计，该设计针对图像数据的空间特性进行了优化，使其在特征提取、计算效率和泛化能力上显著超越传统方法。 ​​一、核心原理——仿生机制与结构设计​​​​局部感知与权重共享​​​​局部感知​​：CNN通过卷积核（如3×3或5×5）在图像局部区域滑动（感受野），提取边缘、纹理等基础特征，模拟生物视觉神经元对局部刺激的响应。​​权重共享​​：同一卷积核在整个图像上复用，大幅减少参数量。例如，处理1000×1000像素图像时，全连接网络需10⁶×10⁶参数，而CNN仅需k²×c（k为核尺寸，c为通道数），参数量降低90%以上。​​分层特征抽象​​​​层级结构​​：低层卷积提取边缘/角点，中层组合为纹理/部件，高层整合为物体整体语义，形成“边缘→部件→物体”的递进式抽象。​​池化操作​​：最大池化保留显著特征并降维，增强平移不变性（物体位置变化不影响识别）。​​端到端学习​​直接从原始像素学习特征，无需人工设计特征（如SIFT、HOG），避免特征工程偏差，适应复杂场景（遮挡、光照变化）。 ​​二、性能的优势——效率与鲁棒性​​​​计算高效性​​卷积操作高度并行化，适合GPU加速，训练速度比传统方法快10倍以上。池化层压缩特征图尺寸（如尺寸减半），减少后续计算量。​​空间不变性​​​​平移不变性​​：权重共享使相同特征在不同位置被同等识别。​​尺度与旋转鲁棒性​​：通过数据增强（缩放、旋转）或结构设计（如空间金字塔池化）提升适应性。​​抗过拟合能力​​Dropout随机失活神经元、L2正则化约束权重，抑制复杂模型过拟合。批标准化（BatchNorm）稳定训练过程，加速收敛。 ​​三、实际中的应用​​​​经典模型创新​​​​AlexNet​​：首次引入ReLU和Dropout，ImageNet分类错误率降至16.4%（2012年）。​​ResNet​​：残差连接解决梯度消失，支持千层网络，错误率低至3.57%。​​轻量化设计​​：MobileNet采用深度可分离卷积，参数量减少90%，适配移动端。​​跨领域应用扩展​​​​任务类型​​​​应用场景​​​​代表模型​​图像分类ImageNet竞赛VGG, EfficientNet目标检测自动驾驶、安防YOLO, Faster R-CNN语义分割医学影像（肿瘤识别）U-Net, FCN跨模态任务图文匹配（CLIP）ViT-CNN混合架构  ​​四、挑战和优化的方向​​点​​数据依赖性强​​需大量标注数据，可通过迁移学习（如ImageNet预训练）缓解小样本问题。​​变形敏感性​​对旋转、扭曲敏感，解决方案包括：空间变换网络（STN）学习几何不变性；弹性形变数据增强。​​可解释性不足​​梯度类激活图（Grad-CAM）可视化卷积层关注区域，辅助诊断决策依据。一些小​​总结：CNN的核心竞争力​​​​特性​​​​传统方法​​​​CNN​​​​优势效果​​​​特征提取​​人工设计（如HOG）自动分层学习适应复杂场景，精度提升30%+​​参数效率​​高维全连接，参数量爆炸局部连接+权重共享参数量减少90%​​计算效率​​CPU串行计算慢GPU并行卷积加速训练速度提升10倍​​不变性​​需额外增强内置平移/尺度鲁棒性减少预处理依赖CNN通过​​仿生局部感知、参数共享、层级抽象​​三大机制，高效解决图像数据的​​空间相关性、高维度、语义复杂性​​问题，成为计算机视觉不可替代的基石。未来趋势是与注意力机制（如Transformer）融合，兼顾局部细节与全局建模。

全连接层（Fully Connected Layer, FC）是卷积神经网络（CNN）中的关键组件，通常位于网络末端，负责将卷积层和池化层提取的局部特征整合为全局特征，并完成分类或回归任务。 ​​一、核心作用与功能​​​​特征整合与全局表示​​卷积层和池化层提取的是图像的​​局部特征​​（如边缘、纹理），而全连接层通过密集连接将这些分散的局部特征整合为​​全局特征​​，形成对物体整体的高级语义理解（例如将“眼睛”“鼻子”等局部特征组合成“人脸”的整体概念）。​​空间不变性​​：通过整合不同位置的特征，减少物体平移对分类结果的影响，提升模型鲁棒性。​​分类与决策​​全连接层作为分类器，将整合后的特征映射到样本标记空间。例如：在图像分类任务中，通过 ​​Softmax 激活函数​​输出每个类别的概率（如猫：0.92，狗：0.05）。在回归任务中（如房价预测），直接输出连续值。​​非线性建模​​通过激活函数（如 ​​ReLU、Sigmoid​​）引入非线性变换，使网络能够拟合复杂的数据分布，增强表达能力。 ​​二、结构与工作原理​​​​密集连接机制​​每个神经元与前一层的​​所有神经元相连​​，形成权重矩阵 W 和偏置向量 b。输出计算为：y = \sigma(Wx + b)，其中 \sigma 为激活函数。​​参数规模​​：若输入向量长度为 n，输出为 m，则参数量为 n \times m + m（例如输入1000维、输出500维时，参数约50.5万个）。​​输入处理：特征扁平化（Flatten）​​卷积层输出的特征图为三维张量（高度×宽度×通道数），全连接层需先将其​​展平为一维向量​​（如 64 \times 7 \times 7 \rightarrow 3136 维）。​​层级堆叠与特征抽象​​多层全连接可逐步抽象特征：第一层：整合基础局部特征（如“眼睛”“耳朵”）；第二层：组合为高级特征（如“猫头”）；输出层：生成全局决策（如“猫”）。三、挑战与优化策略​​​​参数量大导致过拟合​​全连接层参数常占CNN总参数的80%以上，易在小数据集上过拟合。​​解决方案​​：​​正则化​​：添加L1/L2惩罚项约束权重；​​Dropout​​：训练中随机丢弃部分神经元（如丢弃率0.5）；​​批标准化（BatchNorm）​​：加速训练并稳定梯度。​​替代方案：减少参数依赖​​​​全局平均池化（GAP）​​：直接对每个特征图取平均值，输出类别数相同的向量（如ResNet），参数量接近于零。​​1×1卷积​​：替代全连接层实现通道降维（如Inception网络），保留空间信息的同时减少计算量。 ​​四、全连接层 vs. 其他层​​​​特性​​​​卷积层/池化层​​​​全连接层​​​​连接方式​​局部连接（感受野受限）全局密集连接​​参数共享​​是（卷积核滑动复用）否（每个连接独立权重）​​空间信息处理​​保留空间结构（二维特征图）破坏空间结构（一维向量）​​核心作用​​局部特征提取与降维全局特征整合与分类决策 ​​五、总结​​​​核心价值​​：全连接层是CNN实现​​端到端学习​​的关键，将局部特征升维至全局语义，完成最终决策。​​适用场景​​：传统CNN末尾（如AlexNet、VGG），但现代网络（如ResNet、Inception）逐渐用GAP或1×1卷积替代以减少参数。​​设计建议​​：小数据集优先使用 ​​Dropout + 正则化​​ 抑制过拟合；深层网络可尝试 ​​GAP​​ 替代全连接层；分类任务末尾需结合 ​​Softmax​​ 输出概率分布。通过理解其“特征整合-决策”的双重角色，可更灵活设计CNN架构，平衡性能与效率。实际应用中，需根据数据规模与任务复杂度选择全连接层或其替代方案。