offline测试数据中存在点数n为12833，路径长度限制为10的数据（第136个测试数据），按照题目中的叙述，得分为 100*|x|/n，四舍五入，那么|x|一定不会超过20。 2000/12833四舍五入为0，这样的话，得分岂不是一定为0，无论程序找的路径多么优秀？请官方仔细回答，不要答非所问。

第十七期的报错paths are intersected 是什么问题马，pdf中也没有说明；pdf中的C有什么用？答案是只能输出两个路劲嘛，为啥例子是三个？

第十一期思路主要如下：1.将问题转化为TSP问题2.将TSP问题压缩，相同的wrap且相同anchor认为是同一个点3.求解TSP的距离矩阵（要使用numpy求解，不然时间开销很大）4.使用MST构造初始TSP序列，大概分数为7958000.5.使用or-opt优化初始解，具体过程如下：（1）找出序列的最长边a->b（2）找出以a为起点的最短边a->x（3）断开a->b, 链接a->x, 这样会导致多出一段序列a_next->...->x_pre（4）将a_next->...->x_pre插入到序列中，如果新的序列比原始序列优，替换原始序列，否则重复（1）（找第二长边）6. 最终分数大概为8340000.

1、我已经通过特征字的对比，分析出5300年前-3600年前的苏美尔楔形文字，就是汉字甲骨文的前身。2、我已经通过文字对比，证明苏美尔Summer文明就是我大夏文明。3、我已经证明，希腊字母的本质是汉字。4、我已经论证了西方宗教信仰的上帝GOD，就是三皇五帝之黄帝；廣从广黄声。我现在希望有小伙伴们发挥专业技术，把全部的苏美尔楔形文字识读出来。（已人工识读出200来字）

我在执行.pt模型转换时遇到了torch2.1.0版本的bug，按照官方指示我尝试升级torch将torch升级为2.2.0，mindietorch并未升级再次运行转换脚本出现mindietorch与torch不兼容的错误。我继续尝试使用pip 华为源和官方软件包的方式升级mindietorch但均升级失败想请问一下兼容torch2.2.0的minidetorch在哪可以找到

其他几个开通了以后都可以使用，但是这个显示好像没有和环境配置上，但是其他的身份证识别护照识别发票识别我都是用同样的方式进行调用的为什么会这样呢？？？

十多年开发经验，熟悉J2EE、Golang和前端技术。打算使用盘古人工智能图像识别，实现网页元素识别、工地人脸和安全帽识别、或农作物识别比对等方面。如果花几个月来学习的话，需要从什么开始，具体包括哪些课程内容，谢谢！

如图所示，初始化完成后就显示这个，然后无法上传文件，无法选择kernel，甚至无法删除文件夹，这可咋办呀…………

AI小白，想学习下开源大语言模型的源码，比如ChatGLM3，应该怎么学习呢？有没有好的学习大语言模型源码的方法？

最近在学习ＡＩ，学习ＡI的过程中需要学习的东西太多了，作为小白，有些知识点已经过时了，不需要在学习了，我应该怎么快速的学习最新的知识呢？哪些技术已经过时了，有没有同学知道下

我最近在学习AI，学习AI有没有具体的学习方法？感觉学习的东西太多了，无从下手？有没有对AI比较了解的，帮忙指导下学习流程

我最近在学习AI，模型的参数是怎么确定的？有没有具体的计算公式？比如我自研一个模型，我怎么确定我的模型参数是多少

mindspore版本为2.2.11mindspore_ascend 版本为1.10.0请问是我的版本问题嘛？

前言在线欺诈是许多国家的严重问题，存在网络钓鱼攻击、身份盗窃和假冒电子商务网站等各种诈骗行为。一份报告显示，很大一部分欺诈交易发生在晚上10点至凌晨4点之间，其中60岁以上的信用卡持有者是主要受害者。机器学习有助于预防欺诈，使组织能够实时检测和防止可疑活动。传统的欺诈预防方法往往难以跟上诈骗者不断变化的策略。机器学习算法可以快速分析大量数据，帮助组织识别可能表明可疑行为的模式和异常。这些算法从过去的欺诈案例中学习，不断增强检测可疑活动的能力。通过将机器学习集成到欺诈预防策略中，组织可以领先于诈骗并有效保护其资产。机器学习在预防欺诈方面的一个关键优势是它能够在早期阶段检测可疑活动。通过分析历史数据和识别可疑行为模式，机器学习算法可以实时发现可疑交易，使组织能够迅速采取行动并防止财务损失。图数据库与机器学习一起成为欺诈检测的强大工具。图形数据库以高速率记录和分析网络交互，使其可用于各种应用，包括欺诈检测。他们可以识别大数据中的模式和关系，降低复杂性，以便检测算法可以有效地发现网络内的欺诈企图。机器学习如何提高欺诈预防能力机器学习在欺诈预防方面可以发挥重要作用，以下是一些提高欺诈预防能力的方法：数据分析和特征工程：使用机器学习技术对大量的交易数据进行分析和挖掘，发现欺诈模式和异常行为。通过特征工程，提取关键的特征用于建模。监督学习模型：使用监督学习算法，如决策树、逻辑回归、支持向量机(SVM)等，对历史数据进行建模，学习欺诈案例和正常交易之间的差异，并预测新的交易是否为欺诈。无监督学习模型：利用无监督学习算法，如聚类分析、异常检测等，发现数据中的潜在欺诈模式，识别与正常行为不同的异常交易。半监督学习：结合监督学习和无监督学习的优势，利用标记和未标记数据进行建模，提高模型的泛化能力和欺诈检测的效果。深度学习模型：使用深度学习技术，如神经网络，处理大规模数据，学习复杂的欺诈模式和特征表示，提高欺诈预测的准确性。模型集成：结合多个不同算法的预测结果，采用投票、加权平均等方法，提高模型的鲁棒性和预测性能。实时监测和反馈：建立实时监测系统，对交易进行及时监控和反馈，及时发现并阻止欺诈行为。持续优化：不断收集新数据，更新模型参数，优化模型性能，适应不断变化的欺诈手段和模式。总结总之，随着诈骗者不断发展其策略，组织必须调整其欺诈预防策略以有效应对这些威胁。机器学习和图形数据库是这场持续战斗中的强大武器。这些技术能够快速分析无数数据点，能够准确检测可疑活动，超越人类的能力。这类似于拥有一支超人欺诈侦探团队全天候不知疲倦地工作。转载自：cid:link_0

准备自行准备一个玫瑰花朵数据集，尽量多的种类和数量，下面教程已自备数据集。数据预处理将图片转换为模型可以处理的格式，对数据进行归一化处理。import tensorflow as tf from tensorflow.keras.preprocessing.image import ImageDataGenerator # 设置图片大小和批次大小 IMG_SIZE = (224, 224) BATCH_SIZE = 32 # 创建ImageDataGenerator实例，用于数据增强和预处理 train_datagen = ImageDataGenerator( rescale=1./255, rotation_range=20, width_shift_range=0.2, height_shift_range=0.2, shear_range=0.2, zoom_range=0.2, horizontal_flip=True, fill_mode='nearest' ) # 加载训练数据集 train_data = train_datagen.flow_from_directory( 'flowers', target_size=IMG_SIZE, batch_size=BATCH_SIZE, class_mode='categorical' )模型构建使用预训练的ResNet50模型作为特征提取器，然后搭建一个全连接层用于分类from tensorflow.keras.models import Model from tensorflow.keras.layers import Dense, GlobalAveragePooling2D from tensorflow.keras.applications.resnet50 import ResNet50 # 加载ResNet50模型 base_model = ResNet50(weights='imagenet', include_top=False, input_shape=IMG_SIZE + (3,)) # 在ResNet50模型基础上搭建全连接层 x = base_model.output x = GlobalAveragePooling2D()(x) x = Dense(1024, activation='relu')(x) predictions = Dense(train_data.num_classes, activation='softmax')(x) # 构建完整模型 model = Model(inputs=base_model.input, outputs=predictions) # 冻结ResNet50模型的所有层 for layer in base_model.layers: layer.trainable = False模型训练和评估训练：# 编译模型 model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) # 训练模型 model.fit(train_data, epochs=10)模型训练完成后需要评估：# 加载测试数据集 test_datagen = ImageDataGenerator(rescale=1./255) test_data = test_datagen.flow_from_directory( 'test', target_size=IMG_SIZE, batch_size=BATCH_SIZE, class_mode='categorical' ) # 在测试集上评估模型 test_loss, test_acc = model.evaluate(test_data) print('Test accuracy:', test_acc)必要时调整模型再进行训练：# 设置训练参数 EPOCHS = 50 STEPS_PER_EPOCH = len(train_data) VALIDATION_STEPS = len(valid_data) # 开始训练模型 history = model.fit( train_data, epochs=EPOCHS, steps_per_epoch=STEPS_PER_EPOCH, validation_data=valid_data, validation_steps=VALIDATION_STEPS )