【功能模块】设备BO【操作步骤&问题现象】1、客户监测设备的属性不走iot，走api接入，设备动态属性修改是哪个接口？找文档没找到租户：Hiycrf

如题，目前IOC中有一个访客系统，会收集一些登记人员的资料，现在有一个系统需要统一各各平台的人员信息，包括IOC中的访客信息，要怎么实现这个需求？是要通过ROMA吗？希望提供一些指导，谢谢。

第3方系统通过ROMA 调用ABC接口，ABC接口返回的数据量很大（大于3MB）,最终ROMA能否正常接收到ABC的返回数据并返回到第三方。

设备通过mqs注册并状态改为在线后，过段时间查看设备会变成离线状态,这是为什么？线上租户名称：Hiycrf

1.roma集成平台的华为视频调阅平台，"获取IVS设备列表"接口（即/video/management/vcn/v1/devices）。2.修改参数返回异常信息：参数：{"indexRange":{"toindex":1000,"fromindex":1},"devicetype":2}；返回结果：3.修改参数返回正常信息：{"indexRange":{"toindex":120,"fromindex":1},"devicetype":2}4.修改参数返回异常信息：{"indexRange":{"toindex":129,"fromindex":121},"devicetype":2}

直播简介【直播主题】新一代iPaaS “积木”式组装集成，超联接更智能【直播时间】2023年5月31日 17:00-18:30【直播专家】徐静珠 华为云PaaS DTSE技术布道师【直播简介】本期直播由华为云PaaS DTSE技术布道师徐静珠讲解华为云新一代iPaaS全域融合集成平台ROMA Connect融入低代码技术和组装式交付理念，降低集成开发技术门槛，以及组合应用Composed Application、资产目录Catalog、连接器Connector，能够帮助开发者更简单集成、更高效开发、更轻量部署维护。直播链接：cid:link_1活动介绍【互动方式】直播前您可以在本帖留下您疑惑的问题，专家会在直播时为您解答。直播后您可以继续在本帖留言，与专家互动交流。我们会在全部活动结束后对参与互动的用户进行评选。【活动时间】即日起—2023年5月31日【奖励说明】评奖规则：活动1：直播期间在直播间提出与直播内容相关的问题，对专家评选为优质问题的开发者进行奖励。奖品：华为云定制长袖卫衣活动2：在本帖提出与直播内容相关的问题，由专家在所有互动贴中选出最优问题贴的开发者进行奖励。奖品：华为云定制Polo衫更多直播活动直播互动有礼：官网直播间发口令“华为云 DTSE”抽华为云定制棒球帽、填写问卷抽华为云定制双肩包等好礼。分享问卷有礼 ：邀请5位朋友以上完成问卷即可获得华为云定制钢笔礼盒。戳我填问卷》》老观众专属福利：连续报名并观看DTT直播3期以上抽送华为云DTT定制T恤。【注意事项】1、所有参与活动的问题，如发现为复用他人内容，则取消获奖资格。2、为保证您顺利领取活动奖品，请您在活动公示奖项后2个工作日内私信提前填写奖品收货信息，如您没有填写，视为自动放弃奖励。3、活动奖项公示时间截止2023年6月1日，如未反馈邮寄信息视为弃奖。本次活动奖品将于奖项公示后30个工作日内统一发出，请您耐心等待。4、活动期间同类子活动每个ID（同一姓名/电话/收货地址）只能获奖一次，若重复则中奖资格顺延至下一位合格开发者，仅一次顺延。5、如活动奖品出现没有库存的情况，华为云工作人员将会替换等价值的奖品，获奖者不同意此规则视为放弃奖品。6、其他事宜请参考【华为云社区常规活动规则】。

ROMA开发平台导出的资产，导入到ROMA Site里面报错

应用与数据集成平台（ROMA Connect）是一个全栈式的服务平台，聚焦应用和数据连接，提供数据、API、消息和设备集成能力，帮助企业快速联接云上云下，消除数字鸿沟，实现数字化转型。根据不同的集成业务场景，您可以选择使用不同的ROMA Connect功能。数据集成：接入源端和目标端数据源，然后通过集成任务进行源端到目标端的数据集成。服务集成：把API、数据源和自定义函数封装成标准的RESTFul API，并对外开放。消息集成：创建消息Topic，不同系统通过Topic进行对接，发送和接收消息。设备集成：在云端定义设备模型和注册设备，设备通过集成SDK接入云端，发送和接收消息。​以下是我们整理的ROMA Connect相关资料：ROMA Connect产品官方文档应用与数据集成平台 ROMA Connect_华为云 (huaweicloud.com)ROMA Connect功能总览功能总览_应用与数据集成平台 ROMA Connect_华为云 (huaweicloud.com)ROMA Connect产品介绍什么是ROMA Connect_应用与数据集成平台 ROMA Connect_产品介绍_华为云 (huaweicloud.com)ROMA Connect快速入门 应用与数据集成平台 ROMA Connect_快速入门_华为云 (huaweicloud.com)ROMA Connect API参考概述_应用与数据集成平台 ROMA Connect_API参考_使用前必读_华为云 (huaweicloud.com)ROMA Connect从入门到高手进阶之路ROMA Connect从入门到高手进阶之路_在线课程_华为云开发者学堂_云计算培训-华为云 (huaweicloud.com)

在Roma_site上创建数据集成Fdi; 将kafka的消息同步到mqs; 任务配置按上面配置完成后消息同步到mqs中后; mqs中的消息的key是roma生成的; 怎么将kafka中的key值也实时同步到mqs上; key值不一样; value的作用体现不到; ???????? 求告知

1.Roma平台接口查询结果显示能否按照脚本中的别命名显示，不要统一转成小写王斌国/18629429514/wangbinguo@chinasoftinc.com

蒙牛（宁夏）高端液态奶智慧园区项目, 在roma上把kafka的消息消费到mqs中; 通过ROMA -> 数据集成FDI-> 创建普通任务; 配置完源端信息(kafka)以及目标源(mqs)后启动任务; 出现 : 读取数据源端异常 。The task is stopped manually. 错误信息; 求支持;  kafka里有消息, mqs通过编写api接口调用能存消息

麻烦大佬帮忙看看这种file的怎么集成到API里面去。

这种参数我写入到代码里面去，同样是json格式但是怎么会说格式不对呢？。麻烦华为大佬解答一下疑问

 最近在研究视频动作识别，看了不少的相关算法，主要有基于MMDetection框架下的一些列的研究，有直接对视频进行识别，获取人为动作，比如slowfast等等，但是往往也有一定的局限性，而我一直做的是围绕骨骼点的相关开发，当初也使用骨骼的方法，但是效果不佳，最近看到一篇新出来的基于骨骼信息的视频动作识别,PoseC3D算法，因此比较感兴趣，这里给出了论文地址和开源的代码地址。  论文地址：https://arxiv.org/abs/2104.13586  代码地址：https://github.com/kennymckormick/pyskl  这里，我没有写自己对该文章的理解，后面我有时间会继续补充，我就先记录一下使用该算法如何训练自己的数据集。  一、环境配置         要配置该算法的环境，最好先配置好MMDetection的环境，根据官网给的安装教程，还是比较简单的。这里要注意安装mmcv、mmcv-full、mmdet和mmpose，版本不能太高，如果安装了最新的版本会报无法编译，这里我就给出直接的安装版本，  mmcv=1.3.18,mmcv-full=1.3.18, mmdet=2.23.0, mmpose=0.24.0  这里还提醒一下，安装MMDetection的时候，最好也把Detectron2也装一下，使用官网的命令行安装就可以了，这里贴一下安装命令。  python -m pip install 'git+https://github.com/facebookresearch/detectron2.git' 这样在使用下面的命令安装和编译就没有问题了。  git clone https://github.com/kennymckormick/pyskl.git cd pyskl # Please first install pytorch according to instructions on the official website: https://pytorch.org/get-started/locally/. Please use pytorch with version smaller than 1.11.0 and larger (or equal) than 1.5.0 pip install -r requirements.txt pip install -e . 环境配置完，最好跑一下提供的demo。  python demo/demo_skeleton.py demo/ntu_sample.avi demo/demo.mp4  输出了视频结果，那么就Ok了。  二、数据准备         官网给了一份训练自己数据的格式文档和数据制作代码，根据代码可以知道，首先需要准备各个动作的视频和标签，我准备的格式如下：  pyskl_data: train_lable_list.txt val_lable_list.txt ----train       A1.mp4       B1.mp4       ...... ----val       A2.mp4       B2.mp4       ......          我先将每个视频的命名方式修改为“名称+标签”，这样后面在生成list.txt的时候，只要读取最后一位就可以知道其类别。分别生成了train_label_list.txt和val_label_list.txt，这样就可以运行制作数据代码。在运行之前，我修改了源代码，我将各个需要的模型和配置文档下载下来，同时我把分布式运行给注释了，要不然会报错，报错我后面会贴出来，当然如果使用分布式运行，那最好好好确认一下自己服务器的环境是否配置好，否则会浪费很多时间。我修改的代码如下：   # Copyright (c) OpenMMLab. All rights reserved. import argparse import os import os.path as osp import pdb   import decord import mmcv import numpy as np import torch.distributed as dist from mmcv.runner import get_dist_info, init_dist from tqdm import tqdm   from pyskl.smp import mrlines   try:     import mmdet     from mmdet.apis import inference_detector, init_detector except (ImportError, ModuleNotFoundError):     raise ImportError('Failed to import `inference_detector` and '                       '`init_detector` form `mmdet.apis`. These apis are '                       'required in this script! ')   try:     import mmpose     from mmpose.apis import inference_top_down_pose_model, init_pose_model except (ImportError, ModuleNotFoundError):     raise ImportError('Failed to import `inference_top_down_pose_model` and '                       '`init_pose_model` form `mmpose.apis`. These apis are '                       'required in this script! ')   default_mmdet_root = osp.dirname(mmdet.__path__[0]) default_mmpose_root = osp.dirname(mmpose.__path__[0])     def extract_frame(video_path):     vid = decord.VideoReader(video_path)     return [x.asnumpy() for x in vid]     def detection_inference(model, frames):     results = []     for frame in frames:         result = inference_detector(model, frame)         results.append(result)     return results     def pose_inference(model, frames, det_results):     assert len(frames) == len(det_results)     total_frames = len(frames)     num_person = max([len(x) for x in det_results])     kp = np.zeros((num_person, total_frames, 17, 3), dtype=np.float32)       for i, (f, d) in enumerate(zip(frames, det_results)):         # Align input format         d = [dict(bbox=x) for x in list(d)]         pose = inference_top_down_pose_model(model, f, d, format='xyxy')[0]         for j, item in enumerate(pose):             kp[j, i] = item['keypoints']     return kp     def parse_args():     parser = argparse.ArgumentParser(         description='Generate 2D pose annotations for a custom video dataset')     # * Both mmdet and mmpose should be installed from source     parser.add_argument('--mmdet-root', type=str, default=default_mmdet_root)     parser.add_argument('--mmpose-root', type=str, default=default_mmpose_root)     parser.add_argument('--det-config', type=str, default='demo/faster_rcnn_r50_fpn_2x_coco.py')     parser.add_argument('--det-ckpt', type=str, default='weights/faster_rcnn_r50_fpn_2x_coco_bbox_mAP-0.384_20200504_210434-a5d8aa15.pth')     parser.add_argument('--pose-config', type=str, default='demo/hrnet_w32_coco_256x192.py')     parser.add_argument('--pose-ckpt', type=str, default='weights/hrnet_w32_coco_256x192-c78dce93_20200708.pth')     # * Only det boxes with score larger than det_score_thr will be kept     parser.add_argument('--det-score-thr', type=float, default=0.7)     # * Only det boxes with large enough sizes will be kept,     parser.add_argument('--det-area-thr', type=float, default=1600)     # * Accepted formats for each line in video_list are:     # * 1. "xxx.mp4" ('label' is missing, the dataset can be used for inference, but not training)     # * 2. "xxx.mp4 label" ('label' is an integer (category index),     # * the result can be used for both training & testing)     # * All lines should take the same format.     parser.add_argument('--video-list', type=str, help='the list of source videos')     # * out should ends with '.pkl'     parser.add_argument('--out', type=str, help='output pickle name')     parser.add_argument('--tmpdir', type=str, default='tmp')     parser.add_argument('--local_rank', type=int, default=1)     args = parser.parse_args()     # pdb.set_trace()      # if 'RANK' not in os.environ:    #     os.environ['RANK'] = str(args.local_rank)    #     os.environ['WORLD_SIZE'] = str(1)     # os.environ['MASTER_ADDR'] = 'localhost'     # os.environ['MASTER_PORT'] = '12345'       args = parser.parse_args()     return args     def main():     args = parse_args()     assert args.out.endswith('.pkl')       lines = mrlines(args.video_list)     lines = [x.split() for x in lines]       # * We set 'frame_dir' as the base name (w/o. suffix) of each video     assert len(lines[0]) in [1, 2]     if len(lines[0]) == 1:         annos = [dict(frame_dir=osp.basename(x[0]).split('.')[0], filename=x[0]) for x in lines]     else:         annos = [dict(frame_dir=osp.basename(x[0]).split('.')[0], filename=x[0], label=int(x[1])) for x in lines]       rank=0  #添加该     world_size=1#添加       # init_dist('pytorch', backend='nccl')     # rank, world_size = get_dist_info()     #     # if rank == 0:     #     os.makedirs(args.tmpdir, exist_ok=True)     # dist.barrier()     my_part = annos     # my_part = annos[rank::world_size]     print("from det_model")     det_model = init_detector(args.det_config, args.det_ckpt, 'cuda')     assert det_model.CLASSES[0] == 'person', 'A detector trained on COCO is required'     print("from pose_model")     pose_model = init_pose_model(args.pose_config, args.pose_ckpt, 'cuda')     n=0     for anno in tqdm(my_part):         frames = extract_frame(anno['filename'])         print("anno['filename",anno['filename'])         det_results = detection_inference(det_model, frames)         # * Get detection results for human         det_results = [x[0] for x in det_results]         for i, res in enumerate(det_results):             # * filter boxes with small scores             res = res[res[:, 4] >= args.det_score_thr]             # * filter boxes with small areas             box_areas = (res[:, 3] - res[:, 1]) * (res[:, 2] - res[:, 0])             assert np.all(box_areas >= 0)             res = res[box_areas >= args.det_area_thr]             det_results[i] = res           pose_results = pose_inference(pose_model, frames, det_results)         shape = frames[0].shape[:2]         anno['img_shape'] = anno['original_shape'] = shape         anno['total_frames'] = len(frames)         anno['num_person_raw'] = pose_results.shape[0]         anno['keypoint'] = pose_results[..., :2].astype(np.float16)         anno['keypoint_score'] = pose_results[..., 2].astype(np.float16)         anno.pop('filename')       mmcv.dump(my_part, osp.join(args.tmpdir, f'part_{rank}.pkl'))     # dist.barrier()       if rank == 0:         parts = [mmcv.load(osp.join(args.tmpdir, f'part_{i}.pkl')) for i in range(world_size)]         rem = len(annos) % world_size         if rem:             for i in range(rem, world_size):                 parts[i].append(None)           ordered_results = []         for res in zip(*parts):             ordered_results.extend(list(res))         ordered_results = ordered_results[:len(annos)]         mmcv.dump(ordered_results, args.out)     if __name__ == '__main__':     main()      我这里修改一些代码，首先是将下面的代码注释了   # if 'RANK' not in os.environ:  #     os.environ['RANK'] = str(args.local_rank)  #     os.environ['WORLD_SIZE'] = str(1)  # os.environ['MASTER_ADDR'] = 'localhost'  # os.environ['MASTER_PORT'] = '12345' 问题1：keyError:"RANK”    追踪问题发现，代码中后面用的是"RANK"，而环境赋值的是"LOCAL_RANK",而我的系统环境中也没有"RANK"，因此我就将"LOCAL_RANK"修改为"RANK".  问题2：environment variable WORD_SIZE    查看系统环境，同样没有"WORLD_SIZE"，我也就给其赋值了，后来运行报错没有"MASTER_ADDR"和"MASTER_PORT"，因此我都分别赋值，复制结果如上面注释，虽然运行不报错，但是在模型构建的时候卡住了，😔····  最后，发现其实是分布式运行的问题，所以我就想我不用分布式了，就把相关的部分都注释点  # init_dist('pytorch', backend='nccl') # rank, world_size = get_dist_info() # if rank == 0: #     os.makedirs(args.tmpdir, exist_ok=True) # dist.barrier() 后面还有一个dist.barrier()也注释调  在项目下运行：  python tools/data/custom_2d_skeleton.py --video-list /pyskl/data/train_lable_list.txt --out train.pkl OK了，终于运行成功了，下一步就是训练自己的数据集了。  其实官网的目标检测的结果不是很准确，效果也不能满足自己的需求，下一步想自己训练出一个符合自己的目标检测算法，好了，以上就是自己的训练的感受了，有不对的地方，希望给与指点。  刚开心一下，没想到又出问题，哎····  问题3：too many indices for array: array is 1-dimensional, but 2 were indexed  Traceback (most recent call last):   File "tools/data/custom_2d_skeleton.py", line 220, in <module>     main()   File "tools/data/custom_2d_skeleton.py", line 192, in main     pose_results = pose_inference(pose_model, frames, det_results)   File "tools/data/custom_2d_skeleton.py", line 70, in pose_inference     pose = inference_top_down_pose_model(model, f, d, format='xyxy')[0]   File "/home/xunlong/anaconda3/envs/open-mmlab/lib/python3.8/site-packages/mmpose/apis/inference.py", line 388, in inference_top_down_pose_model     bboxes_xywh = _xyxy2xywh(bboxes)   File "/home/xunlong/anaconda3/envs/open-mmlab/lib/python3.8/site-packages/mmpose/apis/inference.py", line 62, in _xyxy2xywh     bbox_xywh[:, 2] = bbox_xywh[:, 2] - bbox_xywh[:, 0] + 1 IndexError: too many indices for array: array is 1-dimensional, but 2 were indexed  查了很久，然后输出每一个步骤，发现是pose_inference函数有问题，出现没有想到的问题，  在对bbox进行处理的时候，原先是1*5的二维数组，但是有时候是1*5的一维数组，因此一直报错，所以在函数下面添加了一行代码，如下，这样就OK了。  def pose_inference(model, frames, det_results):     assert len(frames) == len(det_results)     total_frames = len(frames)     num_person = max([len(x) for x in det_results])     kp = np.zeros((num_person, total_frames, 17, 3), dtype=np.float32)       for i, (f, d) in enumerate(zip(frames, det_results)):         # Align input format         d=d.shape(1,5)#添加该行代码，否则有可能出现1维的数组         d = [dict(bbox=x) for x in list(d)]         pose = inference_top_down_pose_model(model, f, d, format='xyxy')[0]         for j, item in enumerate(pose):             kp[j, i] = item['keypoints']     return kp 现在还不能拿来直接训练，还需要修改，因为根据config文件和官网给的例子，可以看到训练是一个.pkl文件,因此我把所有的数据集放在一起，先通过上面跑出来一个annotations文件video_annos.pkl，然后跟下例子的提示，如下。  split['train'] = [x['vid_name'] for x in train] split['test'] = [x['vid_name'] for x in test] dump(dict(split=split, annotations=annotations), 'diving48_hrnet.pkl') 可知数据集是通过字典split存储了训练集和验证集的名字，因此我也需要该啊，如果你是根据官网的例子走，那就不用我我下面的代码了。  from mmcv import load, dump from pyskl.smp import * split={"train":[],"test":[]} train_path='/media/xunlong/data/raw3/train' val_path='/media/xunlong/data/raw3/val' train_list=os.listdir(train_path) val_list=os.listdir(val_path) annotations = load('/data/video_annos.pkl') #split['train'] = [x for x in train_list] #split['val'] = [x for x in val_list] split['train'] = [x.split('.')[0] for x in train_list] split['val'] = [x.split('.')[0] for x in val_list] dump(dict(split=split, annotations=annotations), '/data/video_hrnet.pkl') 这里要注意了啊，split字典的名称不是随便定义的，根据PoseDataset的要求以及你选择的config文件去命名，我刚开始就遇到坑了啊。   split (str | None): The dataset split used. For UCF101 and HMDB51, allowed choices are 'train1', 'test1',             'train2', 'test2', 'train3', 'test3'. For NTURGB+D, allowed choices are 'xsub_train', 'xsub_val',             'xview_train', 'xview_val'. For NTURGB+D 120, allowed choices are 'xsub_train', 'xsub_val', 'xset_train',             'xset_val'. For FineGYM, allowed choices are 'train', 'val'. Default: None. OK了，生成了最后的video_hrnet.pkl了，现在就可以去训练了   bash tools/dist_train.sh configs/posec3d/c3d_light_gym/joint.py 1 训练过程：  2022-05-27 16:05:24,715 - pyskl - INFO - Saving checkpoint at 1 epochs 2022-05-27 16:05:30,413 - pyskl - INFO - Saving checkpoint at 2 epochs 2022-05-27 16:05:36,042 - pyskl - INFO - Saving checkpoint at 3 epochs 2022-05-27 16:05:41,636 - pyskl - INFO - Saving checkpoint at 4 epochs 2022-05-27 16:05:47,263 - pyskl - INFO - Saving checkpoint at 5 epochs 2022-05-27 16:05:52,876 - pyskl - INFO - Saving checkpoint at 6 epochs 2022-05-27 16:05:58,545 - pyskl - INFO - Saving checkpoint at 7 epochs 2022-05-27 16:06:04,183 - pyskl - INFO - Saving checkpoint at 8 epochs 2022-05-27 16:06:09,898 - pyskl - INFO - Saving checkpoint at 9 epochs 2022-05-27 16:06:15,593 - pyskl - INFO - Saving checkpoint at 10 epochs 2022-05-27 16:06:21,242 - pyskl - INFO - Saving checkpoint at 11 epochs 2022-05-27 16:06:26,888 - pyskl - INFO - Saving checkpoint at 12 epochs 2022-05-27 16:06:32,510 - pyskl - INFO - Saving checkpoint at 13 epochs 2022-05-27 16:06:38,342 - pyskl - INFO - Saving checkpoint at 14 epochs 2022-05-27 16:06:44,053 - pyskl - INFO - Saving checkpoint at 15 epochs  不知道为什么看不到loss变化，我后面还要修改点代码，看到loss等参数。哎，后来发现是我数据有问题，在最后一步生成hrnet.pkl文件时，每个视频的“frame_dir”只是视频的名字，因此修改一下就可以了，最后的训练过程如下：  2022-05-29 22:02:04,167 - pyskl - INFO - workflow: [('train', 1)], max: 24 epochs 2022-05-29 22:02:04,167 - pyskl - INFO - Checkpoints will be saved to /home/xunlong/code/wushu/pyskl/work_dirs/posec3d/c3d_light_gym/limb by HardDiskBackend. 2022-05-29 22:02:21,473 - mmcv - INFO - Reducer buckets have been rebuilt in this iteration. 2022-05-29 22:02:30,032 - pyskl - INFO - Epoch [1][20/5028]    lr: 4.000e-01, eta: 1 day, 19:20:27, time: 1.293, data_time: 1.073, memory: 3435, top1_acc: 0.0125, top5_acc: 0.1109, loss_cls: 4.5864, loss: 4.5864, grad_norm: 1.4527 2022-05-29 22:02:40,369 - pyskl - INFO - Epoch [1][40/5028]    lr: 4.000e-01, eta: 1 day, 6:19:36, time: 0.517, data_time: 0.305, memory: 3435, top1_acc: 0.0375, top5_acc: 0.1516, loss_cls: 4.2086, loss: 4.2086, grad_norm: 0.6920 2022-05-29 22:02:50,544 - pyskl - INFO - Epoch [1][60/5028]    lr: 4.000e-01, eta: 1 day, 1:53:44, time: 0.509, data_time: 0.295, memory: 3435, top1_acc: 0.0359, top5_acc: 0.1406, loss_cls: 3.9921, loss: 3.9921, grad_norm: 0.6598 2022-05-29 22:03:00,758 - pyskl - INFO - Epoch [1][80/5028]    lr: 4.000e-01, eta: 23:41:43, time: 0.511, data_time: 0.305, memory: 3435, top1_acc: 0.0672, top5_acc: 0.2406, loss_cls: 3.8367, loss: 3.8367, grad_norm: 0.7593 2022-05-29 22:03:10,991 - pyskl - INFO - Epoch [1][100/5028]    lr: 4.000e-01, eta: 22:22:50, time: 0.512, data_time: 0.299, memory: 3435, top1_acc: 0.0703, top5_acc: 0.2781, loss_cls: 3.7493, loss: 3.7493, grad_norm: 0.7084 2022-05-29 22:03:21,242 - pyskl - INFO - Epoch [1][120/5028]    lr: 4.000e-01, eta: 21:30:28, time: 0.513, data_time: 0.304, memory: 3435, top1_acc: 0.0703, top5_acc: 0.2734, loss_cls: 3.7274, loss: 3.7274, grad_norm: 0.7322 2022-05-29 22:03:31,635 - pyskl - INFO - Epoch [1][140/5028]    lr: 4.000e-01, eta: 20:55:03, time: 0.520, data_time: 0.307, memory: 3435, top1_acc: 0.0750, top5_acc: 0.3078, loss_cls: 3.5935, loss: 3.5935, grad_norm: 0.7785 2022-05-29 22:03:42,003 - pyskl - INFO - Epoch [1][160/5028]    lr: 4.000e-01, eta: 20:28:09, time: 0.518, data_time: 0.305, memory: 3435, top1_acc: 0.0969, top5_acc: 0.3406, loss_cls: 3.5519, loss: 3.5519, grad_norm: 0.7937 2022-05-29 22:03:52,321 - pyskl - INFO - Epoch [1][180/5028]    lr: 4.000e-01, eta: 20:06:37, time: 0.516, data_time: 0.308, memory: 3435, top1_acc: 0.0906, top5_acc: 0.3500, loss_cls: 3.4544, loss: 3.4544, grad_norm: 0.7841 2022-05-29 22:04:02,685 - pyskl - INFO - Epoch [1][200/5028]    lr: 4.000e-01, eta: 19:49:49, time: 0.518, data_time: 0.307, memory: 3435, top1_acc: 0.1328, top5_acc: 0.3922, loss_cls: 3.4156, loss: 3.4156, grad_norm: 0.8423 2022-05-29 22:04:12,908 - pyskl - INFO - Epoch [1][220/5028]    lr: 4.000e-01, eta: 19:34:45, time: 0.511, data_time: 0.298, memory: 3435, top1_acc: 0.1141, top5_acc: 0.4172, loss_cls: 3.3825, loss: 3.3825, grad_norm: 0.8420 2022-05-29 22:04:23,137 - pyskl - INFO - Epoch [1][240/5028]    lr: 4.000e-01, eta: 19:22:14, time: 0.511, data_time: 0.300, memory: 3435, top1_acc: 0.1187, top5_acc: 0.3641, loss_cls: 3.4577, loss: 3.4577, grad_norm: 0.7502  ———————————————— 版权声明：本文为CSDN博主「骑走的小木马」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。 原文链接：https://blog.csdn.net/qq_33047753/article/details/124930804 

ROMA MQS调用需要申请IP白名单，公网IP :  114.55.225.152