35期提交作品出现这个是为什么哇 

华为"天生会画"有用过的画友么？到底咋样？我亲测还行！笔刷是真的多！150多种随便挑，水墨效果特别自然，画国风超合适。华为设备之间传图超快，10秒就能搞定，这点比苹果方便多了。新手用着也不费劲，教程很贴心，关键还免费！不过压感偶尔会卡，画细节时有点闹心。其他都还不错！细说几个让我尖叫的功能👇✨【笔刷真的绝了！】 画水墨时那个晕染效果，一笔下去就有深浅变化；油画笔刷的堆叠感超真实，画国风插画时笔锋转折超级自然～（偷偷对比过其他软件，效果确实不太一样！）💻【对新手超友好】柳叶笔+AI抠图：3秒搞定抠图，比我用PS还快！100个图层随便叠：甲方爸爸再也不用担心我改稿崩溃了hhh独家「方天引擎」：4K大图画布放大两倍都不卡，画商稿超安心📱【跨设备画画太爽了】 手机随手画个草图→平板上细化→电脑导出成品，鸿蒙生态传文件秒到还不压缩！（实测比果机的隔空投送有意思一点，仅是个人感受不喜勿喷！）🎁【隐藏彩蛋】自带专业尺规画户型图书法模式会纠正笔顺，练字超级好用每周都有新笔刷，最近敦煌系列美到哭😭小声bb：听说连某些专业美术团队都在用它的AI辅助线功能...PS：其他更多感受，有兴趣的画友自己体验吧！总的来说，日常画画完全够用，特别是喜欢国风的华为用户。用习惯Procreate的画友不妨试试～？求分享小技巧！

在云计算中，内容审核服务的请求认证方式通常基于安全策略和接口设计，常见方式包括以下几种：1. AK/SK 认证说明：Access Key（AK）：用于标识用户身份的访问密钥 ID。Secret Key（SK）：用于签名请求的密钥，需保密存储。流程：用户通过 AK/SK 对请求进行签名（如 HMAC 算法），服务端验证签名合法性后处理请求。适用场景：适用于长期有效的认证，常见于编程接口（如 SDK、API 调用），需定期轮换密钥以保证安全。2. Token 认证说明：用户通过用户名/密码或其他方式（如 OAuth）获取短期有效的 Token（如 JWT）。请求时携带 Token，服务端验证其有效性和时效性。流程：认证中心颁发 Token → 用户携带 Token 访问服务 → 服务端校验 Token 合法性。适用场景：适用于需要临时权限或第三方应用集成的场景，支持细粒度权限控制，Token 过期后需重新获取。3. 无认证（公开访问）说明：部分测试接口或公开服务可能允许无认证直接访问，但生产环境中极少使用（存在安全风险）。适用场景：仅限非敏感数据或开发调试场景，需谨慎评估安全影响。4. ID 认证（通常不属于标准认证方式）可能的混淆点：“ID 认证” 可能指用户 ID 直接作为认证凭证，但通常需配合其他密钥（如密码、Token）使用，单纯 ID 无法完成安全认证。若“ID”指用户身份标识（如 IAM 用户 ID），则需结合 AK/SK 或 Token 等方式完成认证。结论：ID 认证本身不是独立的认证方式，需与其他认证机制结合使用。总结：内容审核的请求认证方式选项是否支持说明ID 认证❌非独立认证方式，需结合其他密钥AK/SK 认证✅基于密钥对的签名认证，适合长期接口Token 认证✅基于短期令牌的认证，支持权限动态管理无认证✅（受限）仅适用于公开场景，生产环境慎用

在 Google Play Console 中发布的应用长时间处于【in review】状态可能会让人感到困惑和焦虑。以下是一些可能的原因和处理方法，希望能帮助你加速审核过程：常见原因应用数量激增：有时，Google Play 团队会收到大量的新应用提交，导致审核积压。应用内容复杂：某些应用因为内容或功能比较复杂，可能需要更长的时间进行审核，尤其是涉及隐私、权限、金融交易等敏感内容。政策合规检查：如果应用涉及到广告、支付、数据收集等，需要更加严格的政策合规检查。技术问题：偶尔也会出现技术性问题导致应用卡在审核阶段。处理方法1. 确认应用信息准确无误确保你的应用描述、权限声明、隐私政策等信息准确无误且符合 Google Play 的规范。2. 检查邮件通知Google 在审核过程中通常会通过邮件与开发者联系。如果你的应用被退回或者需要更多信息，Google 会发送邮件通知你。在垃圾邮件文件夹中也检查一下是否错过了邮件。3. 更新应用版本如果确实等了很久，可以尝试更新应用版本，有时可以触发重新审核。不过，在更新之前，确保解决了所有可能导致审核延迟的问题。4. 联系 Google Play 支持团队如果应用长时间没有动静，可以直接联系 Google Play 支持团队，获取更多关于审核状态的信息。步骤如下：登录 Google Play Console。点击左侧菜单中的 "Help & feedback" 或 "帮助和反馈"。在搜索框中输入 "contact support" 或 "联系支持"。根据提示填写相关信息并提交请求。5. 参与 Google Play 社区在 Google Play 开发者论坛 上提问，看看是否有其他开发者遇到类似问题，并分享解决经验。模板邮件（联系 Google 支持）Subject: Application Stuck in Review for Several Weeks Hello Google Play Support Team, I hope this message finds you well. I am writing to inquire about the status of my application submission, which has been stuck in the "In Review" stage for several weeks. Here are the details of my application: - **Application Name**: [Your Application Name] - **Package Name**: [com.yourcompany.yourapp] - **Submission Date**: [Submission Date] - **Current Status**: In Review I have thoroughly checked all the required fields and ensured that my application complies with the Google Play policies. However, it has been [X weeks] since I submitted my application, and there has been no change in its status. Could you please provide an update on the current status of my application or any additional information that may be required to expedite the review process? Thank you for your assistance. Best regards, [Your Name] [Your Developer Account Email]结论应用长时间处于【in review】状态确实令人着急，但通过以上方法，你可以积极主动地推动审核进程。

mother and baby

import java.io.FileInputStream; 2 import java.io.FileOutputStream; 3 import java.io.IOException; 4 import java.io.InputStream; 5 import java.io.OutputStream; 6 7 import org.apache.commons.codec.binary.Base64; 8 9 10 /** 11 * 将图片转换为Base64<br> 12 * 将base64编码字符串解码成img图片 13 * @创建时间 2015-06-01 15:50 14 * 15 */ 16 public class Img2Base64Util { 17 18 public static void main(String[] args) { 19 String imgFile = "d:\\3.jpg";//待处理的图片 20 String imgbese=getImgStr(imgFile); 21 System.out.println(imgbese.length()); 22 System.out.println(imgbese); 23 String imgFilePath = "d:\\332.jpg";//新生成的图片 24 generateImage(imgbese,imgFilePath); 25 } 26 /** 27 * 将图片转换成Base64编码 28 * @param imgFile 待处理图片 29 * @return 30 */ 31 public static String getImgStr(String imgFile){ 32 //将图片文件转化为字节数组字符串，并对其进行Base64编码处理 33 34 35 InputStream in = null; 36 byte[] data = null; 37 //读取图片字节数组 38 try 39 { 40 in = new FileInputStream(imgFile); 41 data = new byte[in.available()]; 42 in.read(data); 43 in.close(); 44 } 45 catch (IOException e) 46 { 47 e.printStackTrace(); 48 } 49 return new String(Base64.encodeBase64(data)); 50 } 51 52 /** 53 * 对字节数组字符串进行Base64解码并生成图片 54 * @param imgStr 图片数据 55 * @param imgFilePath 保存图片全路径地址 56 * @return 57 */ 58 public static boolean generateImage(String imgStr,String imgFilePath){ 59 // 60 if (imgStr == null) //图像数据为空 61 return false; 62 63 try 64 { 65 //Base64解码 66 byte[] b = Base64.decodeBase64(imgStr); 67 for(int i=0;i<b.length;++i) 68 { 69 if(b[i]<0) 70 {//调整异常数据 71 b[i]+=256; 72 } 73 } 74 //生成jpeg图片 75 76 OutputStream out = new FileOutputStream(imgFilePath); 77 out.write(b); 78 out.flush(); 79 out.close(); 80 return true; 81 } 82 catch (Exception e) 83 { 84 return false; 85 } 86 } 87 }

prompt angel of compassion

有个问题很疑惑，烧录文件方式制卡的话，图片1出的红框的SD卡应该是张空卡；那图片中前提条件的第三个点是在没有SD卡系统的情况下登录吗

1. 系统环境硬件环境(Ascend/GPU/CPU): modelart软件环境:– MindSpore 版本: 1.5.1执行模式：动态图(PYNATIVE_MODE) – Python 版本: 3.7.6– 操作系统平台: linux2. 问题描述2.1 问题描述YOLOv3_darknet53图片解码失败2.2 报错信息2.3 脚本代码# Copyright 2020-2022 Huawei Technologies Co., Ltd # # Licensed under the Apache License, Version 2.0 (the "License"); # you may not use this file except in compliance with the License. # You may obtain a copy of the License at # # http://www.apache.org/licenses/LICENSE-2.0 # # Unless required by applicable law or agreed to in writing, software # distributed under the License is distributed on an "AS IS" BASIS, # WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. # See the License for the specific language governing permissions and # limitations under the License. # ============================================================================ """YoloV3 train.""" import os import time import datetime import mindspore as ms import mindspore.nn as nn import mindspore.communication as comm from src.yolo import YOLOV3DarkNet53, YoloWithLossCell from src.logger import get_logger from src.util import AverageMeter, get_param_groups, cpu_affinity from src.lr_scheduler import get_lr from src.yolo_dataset import create_yolo_dataset from src.initializer import default_recurisive_init, load_yolov3_params from src.util import keep_loss_fp32 from model_utils.config import config # only useful for huawei cloud modelarts. from model_utils.moxing_adapter import moxing_wrapper, modelarts_pre_process ms.set_seed(1) def conver_training_shape(args): training_shape = [int(args.training_shape), int(args.training_shape)] return training_shape def set_graph_kernel_context(): if ms.get_context("device_target") == "GPU": ms.set_context(enable_graph_kernel=True) ms.set_context(graph_kernel_flags="--enable_parallel_fusion " "--enable_trans_op_optimize " "--disable_cluster_ops=ReduceMax,Reshape " "--enable_expand_ops=Conv2D") def network_init(args): device_id = int(os.getenv('DEVICE_ID', '0')) ms.set_context(mode=ms.GRAPH_MODE, device_target=args.device_target, save_graphs=False, device_id=device_id) set_graph_kernel_context() # Set mempool block size for improving memory utilization, which will not take effect in GRAPH_MODE if ms.get_context("mode") == ms.PYNATIVE_MODE: ms.set_context(mempool_block_size="31GB") # Since the default max memory pool available size on ascend is 30GB, # which does not meet the requirements and needs to be adjusted larger. if ms.get_context("device_target") == "Ascend": ms.set_context(max_device_memory="31GB") profiler = None if args.need_profiler: profiling_dir = os.path.join("profiling", datetime.datetime.now().strftime('%Y-%m-%d_time_%H_%M_%S')) profiler = ms.profiler.Profiler(output_path=profiling_dir) # init distributed if args.is_distributed: comm.init() args.rank = comm.get_rank() args.group_size = comm.get_group_size() if args.device_target == "GPU" and args.bind_cpu: cpu_affinity(args.rank, min(args.group_size, args.device_num)) # select for master rank save ckpt or all rank save, compatible for model parallel args.rank_save_ckpt_flag = 0 if args.is_save_on_master: if args.rank == 0: args.rank_save_ckpt_flag = 1 else: args.rank_save_ckpt_flag = 1 # logger args.outputs_dir = os.path.join(args.ckpt_path, datetime.datetime.now().strftime('%Y-%m-%d_time_%H_%M_%S')) args.logger = get_logger(args.outputs_dir, args.rank) args.logger.save_args(args) return profiler def parallel_init(args): ms.reset_auto_parallel_context() parallel_mode = ms.ParallelMode.STAND_ALONE degree = 1 if args.is_distributed: parallel_mode = ms.ParallelMode.DATA_PARALLEL degree = comm.get_group_size() ms.set_auto_parallel_context(parallel_mode=parallel_mode, gradients_mean=True, device_num=degree) @moxing_wrapper(pre_process=modelarts_pre_process) def run_train(): """Train function.""" if config.lr_scheduler == 'cosine_annealing' and config.max_epoch > config.T_max: config.T_max = config.max_epoch config.lr_epochs = list(map(int, config.lr_epochs.split(','))) config.data_root = os.path.join(config.data_dir, 'train2014') config.annFile = os.path.join(config.data_dir, 'annotations/instances_train2014.json') profiler = network_init(config) loss_meter = AverageMeter('loss') parallel_init(config) network = YOLOV3DarkNet53(is_training=True) # default is kaiming-normal default_recurisive_init(network) load_yolov3_params(config, network) network = YoloWithLossCell(network) config.logger.info('finish get network') if config.training_shape: config.multi_scale = [conver_training_shape(config)] ds = create_yolo_dataset(image_dir=config.data_root, anno_path=config.annFile, is_training=True, batch_size=config.per_batch_size, device_num=config.group_size, rank=config.rank, config=config) config.logger.info('Finish loading dataset') config.steps_per_epoch = ds.get_dataset_size() lr = get_lr(config) opt = nn.Momentum(params=get_param_groups(network), momentum=config.momentum, learning_rate=ms.Tensor(lr), weight_decay=config.weight_decay, loss_scale=config.loss_scale) is_gpu = ms.get_context("device_target") == "GPU" if is_gpu: loss_scale_value = 1.0 loss_scale = ms.FixedLossScaleManager(loss_scale_value, drop_overflow_update=False) network = ms.build_train_network(network, optimizer=opt, loss_scale_manager=loss_scale, level="O2", keep_batchnorm_fp32=False) keep_loss_fp32(network) else: network = nn.TrainOneStepCell(network, opt, sens=config.loss_scale) network.set_train() t_end = time.time() data_loader = ds.create_dict_iterator(output_numpy=True) first_step = True stop_profiler = False for epoch_idx in range(config.max_epoch): for step_idx, data in enumerate(data_loader): images = data["image"] input_shape = images.shape[2:4] config.logger.info('iter[{}], shape{}'.format(step_idx, input_shape[0])) images = ms.Tensor.from_numpy(images) batch_y_true_0 = ms.Tensor.from_numpy(data['bbox1']) batch_y_true_1 = ms.Tensor.from_numpy(data['bbox2']) batch_y_true_2 = ms.Tensor.from_numpy(data['bbox3']) batch_gt_box0 = ms.Tensor.from_numpy(data['gt_box1']) batch_gt_box1 = ms.Tensor.from_numpy(data['gt_box2']) batch_gt_box2 = ms.Tensor.from_numpy(data['gt_box3']) loss = network(images, batch_y_true_0, batch_y_true_1, batch_y_true_2, batch_gt_box0, batch_gt_box1, batch_gt_box2) loss_meter.update(loss.asnumpy()) # it is used for loss, performance output per config.log_interval steps. if (epoch_idx * config.steps_per_epoch + step_idx) % config.log_interval == 0: time_used = time.time() - t_end if first_step: fps = config.per_batch_size * config.group_size / time_used per_step_time = time_used * 1000 first_step = False else: fps = config.per_batch_size * config.log_interval * config.group_size / time_used per_step_time = time_used / config.log_interval * 1000 config.logger.info('epoch[{}], iter[{}], {}, fps:{:.2f} imgs/sec, ' 'lr:{}, per step time: {}ms'.format(epoch_idx + 1, step_idx + 1, loss_meter, fps, lr[step_idx], per_step_time)) t_end = time.time() loss_meter.reset() if config.need_profiler: if epoch_idx * config.steps_per_epoch + step_idx == 10: profiler.analyse() stop_profiler = True break if config.rank_save_ckpt_flag: ckpt_path = os.path.join(config.outputs_dir, 'ckpt_' + str(config.rank)) if not os.path.exists(ckpt_path): os.makedirs(ckpt_path, exist_ok=True) ckpt_name = os.path.join(ckpt_path, "yolov3_{}_{}.ckpt".format(epoch_idx + 1, config.steps_per_epoch)) ms.save_checkpoint(network, ckpt_name) if stop_profiler: break config.logger.info('==========end training===============') if __name__ == "__main__": run_train()3. 根因分析记录一下排查流程吧，用户使用了自有数据集，因此无法判断是代码异常还是数据集异常，先在相同的网络上跑coco公共数据集，发现不报错，排除代码问题，然后使用get_batch_size()，get_class_indexing()，get_col_names()，get_dataset_size()，get_repeat_count()，查看数据集是否争取加载，发现正确加载。排除图片问题。一次偶然的机会，偶然发现其实是数据集中描述图片标签的json文件损坏，某张图片未查找到，至此，问题排查结束。4. 解决方案重新换了一份json文件正确的数据集（非公开的）。5. 经验总结排查数据集问题，不止要注意对数据集目录结构、图像的问题排查，保存图像信息的json也很重要。

请问一下，图片审核异步提交的任务华为云这边保留多久，我这边很多超过半天的或者一天的任务去查就是404没找到任务

【Atlas200产品】【PCB设计】 原理图，申请帮忙审查，邮件已发送，谢谢请重点审查以下几个网络及其外围电路和第5页的电平转换电路。1. GE_PHY_RST_N2. GE_PHY_INT3. CLKREQB4. LANWAKEB5. HOST_RST_N6. PCIE_PERST_N7. ETH0_INTB8. GPIO_739. PERSTB10. PHYRSTB

您好，HOST_RST_N这个管脚的复位电路有没有参考设计可以参考呀

您好，我用的PHY芯片是RTL8211F,其中，中断31脚手册 上写的是上拉3.3V，但是在Atlas200 的中断输入脚是1.8V的，可以把PHY芯片的31脚上拉3.3后接到Atlas的GE_PHY_INT输入脚吗​

【Atlas200产品】【PCB设计】 原理图，申请帮忙审核，邮件已发送，谢谢

之前发的审核帖子找不到了怎么办呀，重新发一个邮件和帖子吗