Read Like Humans: Autonomous, Bidirectional and Iterative Language Modeling for Scene Text Recognition提出 ABINet，用于场景本文识别，它具有自主性、双向性以及迭代性。其中自主性是提出阻断视觉和语言模型之间的梯度流动，以执行明确的语言建模；双向性表现在，提出一种基于双向特征表示的新型 bidirectional cloze network（BCN）作为语言模型；迭代性是提出一种语言模型迭代校正的执行方式，可以有效地缓解噪声输入的影响。此外，基于迭代预测的集合，提出一种自训练方法，可以有效地从未标记的图像中学习。结果：实验结果显明，ABINet 在低质量图像上具有优势，并在几个主流基准上取得了最先进的结果。此外，用集合自训练法训练的 ABINet 向实现人类水平的识别水平又进了一步。作者 | Shancheng Fang, Hongtao Xie, Yuxin Wang, Zhendong Mao, Yongdong Zhang单位 | 中国科学技术大学论文 | https://arxiv.org/abs/2103.06495代码 | https://github.com/FangShancheng/ABINet备注 | CVPR 2021 Oral

人工智能帮助发现系外行星上的分子，甚至有一天可能会发现新的物理定律你知道地球的大气是由什么组成的吗？你可能记得它是氧气，也可能是氮气。借助 Google 的一点帮助，您可以轻松得出更精确的答案：78% 的氮气、21% 的氧气和 1% 的氩气。大气可以表明行星的性质，以及它们是否可以承载生命。然而，当谈到外大气层——太阳系外行星的大气层——的组成时，答案是未知的。由于系外行星如此遥远，已证明探测它们的大气层极其困难。研究表明，人工智能 (AI) 可能是探索它们的最佳选择——但前提是能够证明这些算法以可靠、科学的方式思考，而不是欺骗系统。来自伦敦大学的研究人员提出了一些通用评估方法，可以应用于任何训练有素的 AI 模型。特别是，他们训练了三种不同的流行深度神经网络（DNN）架构来从系外行星光谱中检索大气参数，并表明这三种架构都实现了良好的预测性能。同时研究人员对 DNN 的预测进行了广泛的分析，这可以给定仪器和模型的大气参数的可信度限制。执行基于扰动的敏感性分析，以确定检索结果对频谱的哪些特征最敏感。该团队得出结论，对于不同的分子，DNN 预测最敏感的波长范围确实与其特征吸收区域一致。该方法有助于改进 DNN 的评估并为其预测提供可解释性。该研究以「Peeking inside the Black Box: Interpreting Deep-learning Models for Exoplanet Atmospheric Retrievals」为题，于 2021 年 10 月 13 日发布在《The Astronomical Journal》。天文学家通常利用凌日方法来研究系外行星，这涉及测量当行星从恒星前面经过时恒星发出的光的倾角。如果行星表面存在大气，它可以吸收少量恒星的光。通过在不同波长（光的颜色）下观察这一事件，可以在吸收的星光中看到分子的指纹，在光谱中形成可识别的图案。如果恒星与太阳相似，则木星大小行星的大气产生的典型信号只会使恒星光减少约 0.01%。地球大小的行星产生的信号要低 10-100 倍。这有点像从飞机上发现地面上猫咪的眼睛颜色。未来，詹姆斯·韦伯太空望远镜（JWST）和 The Ariel Space Mission 这两个探测器都将从太空轨道上调查系外行星，它们可以获取数千个系外大气层的高质量光谱。但是，由于大气层的复杂性，对单个凌日行星的分析可能需要数天甚至数周才能完成。科学家们试图训练人工智能来预测大气中各种化学物质的丰度。为了证明人工智能的可靠性，科学家研究了人工智能的思考模式。窥视黑匣子内部如果无法理解，就不能采用理论与工具。也许人工智能中的一个「小故障」，可能会得出在系外行星发现了生命的结论。人工智能在解释它们发现方面很糟糕。即使是人工智能专家也很难确定是什么原因导致网络提供给定的解释。这种劣势阻碍了人工智能技术在天文学领域的应用。研究人员开发了一种方法，可以一瞥人工智能的决策过程。该方法非常直观。假设 AI 必须确认图像是否包含猫。它大概会通过发现某些特征来做到这一点，例如皮毛或脸型。为了了解它所引用的特征和顺序，可以模糊猫的图像的一部分，看看它是否仍然可以识别出它是一只猫。这正是科学家通过「扰动」或改变光谱区域为系外行星探测 AI 所做的训练。通过观察人工智能对系外行星分子丰度的预测在每个区域被修改时是如何变化的（比如说大气中的水），研究人员开始构建人工智能如何思考的「图片」，比如它用来决定大气中的水含量的光谱区域。结果发现训练有素的人工智能在很大程度上依赖于物理现象，例如独特的光谱指纹——就像天文学家一样。事实上，在学习方面，AI 和高中生并没有太大的不同——它会尽量避开艰难的道路（一步步解析），寻找各种捷径（套用公式），获取答案。如果人工智能基于记住它遇到的每一个频谱来做出预测，那将是非常不可取的。这一发现提供了第一种偷窥所谓「人工智能黑匣子」的方法，让研究人员能够评估人工智能所学到的东西。借助这些工具，研究人员现在不仅可以使用 AI 来加速对外部大气的分析，而且还可以验证他们的 AI 是否使用了众所周知的自然法则。也就是说，现在说完全了解人工智能还为时过早。下一步是精确计算每个概念的重要性，以及如何将其处理为决策。这个前景对人工智能专家来说是令人兴奋的。AI 令人难以置信的学习能力源于它从数据中学习「表示」或模式的能力——这种技术类似于物理学家如何发现自然定律。论文链接：https://iopscience.iop.org/article/10.3847/1538-3881/ac1744/meta相关报道：https://phys.org/news/2021-12-ai-reliably-molecules-exoplanets-day.html转发自：https://www.jiqizhixin.com/

用于任意形状文本检测TextOCR: Towards large-scale end-to-end reasoning for arbitrary-shaped scene text本文介绍一个在 TextVQA 图像上收集的大型任意场景文本识别数据集 TextOCR，以及一个端到端的模型 PixelM4C，该模型通过将文本识别模型作为一个模块，可以直接在图像上进行场景文本推理。TextOCR，大型且多样化，来自 TextVQA 的 28,134 幅自然图像，有 100 万个任意形状的单词标注（比现有的数据集大3倍），每张图片有 32 个单词。作为训练数据集，在多个数据集上提高了 OCR 算法的精度 ；作为测试数据集，为社区提供新的挑战。在TextOCR上进行训练，可以提供更好的文本识别模型，在大多数文本识别基准上超过最先进的水平。此外，在 PixelM4C 中使用 TextOCR 训练的文本识别模块，可以使用它的不同特征，甚至有可能提供反馈，这使得 PixelM4C超越了 TextVQA 的现有最先进方法。通过 TextOCR 数据集和 PixelM4C 模型，在连接 OCR 和基于 OCR 的下游应用方面迈出了一步，并从直接在 TextOCR 上训练的 TextVQA 结果中所看到的改进，希望该研究能够同时推动这两个领域的发展。作者 | Amanpreet Singh, Guan Pang, Mandy Toh, Jing Huang, Wojciech Galuba, Tal Hassner单位 | Facebook论文 | https://arxiv.org/abs/2105.05486主页 | https://textvqa.org/textocr

基于ModelArts人工智能快速应用开发，声音分类模板开发与文本分类模板开发，自动学习三步骤1，数据准备与图像分类，目标检测相似，在ModelArts自动学习上基于，声音分类，文本分类，创建一个项目，然后将声音分类，和文本分类的数据进行标准2，自动模型分类训练ModelArts利用声音分类与文本分类算法，并根据输入的数据自动训练声音分类模型，文本分类模型，类似于图像分类，训练之前可以配置更多自己需要的参数，增加训练次数等3，应用部署和测试同样的将训练好的模型部署为一个推理服务，类似于图像分类，目标检测，对模型精准度满意后，可进行部署，和在线测试

# 使用强化学习内置环境 这里通过官方教程简单介绍使用AI Gallery中预置的强化学习算法训练内置环境CartPole示例。gogogo! #### 环境介绍 CartPole，车杆游戏，游戏画面如[图1]所示。游戏中，黑色的方块是一个小车，小车在一维无阻力轨道上运动。小车上连接一根活动杆，杆会左右摇摆。为保证游戏持续进行，小车需要左右移动保持杆子竖直。当小车的移动位置超出游戏界面所示范围或者杆子倾斜角度大于15°，游戏结束。游戏全过程可以理解为AI智能体与环境之间的互动，可以将复杂的因素抽象成以下三个变量。 1. 可采取的动作：左移、右移。 2. 获得奖励规则：左移或右移小车之后游戏没有结束，reward值会+1。 3. 目的：使用强化学习训练一个智能体，玩CartPole游戏，尽可能多获得奖励。 **图1** CartPole游戏画面  #### 进入AI Gallery订阅强化学习算法 ModelArts预置的强化学习算法（名为“强化学习预置算法”）发布在AI Gallery中。您可以前往AI Gallery，订阅此模型，然后同步至ModelArts中。 1. 在ModelArts管理控制台中，在左侧菜单栏中选择“AI Gallery”，进入AI Gallery。 2. 在AI Gallery中，选择“算法”页签，在搜索框中输入“强化学习预置算法”，查找对应的算法。 3. 单击算法名称进入算法详情页，单击右侧的“订阅”，根据界面提示完成算法订阅。 此算法由ModelArts官方提供，目前免费开放。订阅算法完成后，页面的“订阅”按钮显示为“已订阅”。 4. 单击详情页的“前往控制台”，此时弹出“选择云服务区域”对话框，选择对应的区域，然后再单击“确定”， 页面将自动跳转至ModelArts的“算法管理>我的订阅”中同步对应的算法。 **图2** 选择云服务区域  5. 在ModelArts管理控制台的算法管理页面，算法将自动同步至ModelArts中。 未同步的算法，无法直接用于创建训练作业，因此从AI Gallery订阅完成后，需在ModelArts管理控制台执行同步操作。同步成功后，下方界面中的“创建训练作业”按钮可用，且状态变更为“就绪”。 **图3** 同步算法  #### 使用订阅算法创建训练作业 算法订阅成功后，算法将呈现在“算法管理>我的订阅”中，您可以使用订阅的“强化学习预置算法”算法创建训练作业，获得模型。 1. 进入“算法管理>我的订阅”页面，选择订阅的“强化学习预置算法”算法，单击左侧的小三角展开算法，在版本列表中，单击“创建训练作业”。 **图4** 创建训练作业  2. 在创建训练作业页面，参考如下说明填写关键参数。 - “算法来源”：系统默认选择步骤[1](https://support.huaweicloud.com/bestpractice-modelarts/modelarts_10_0033.html#modelarts_10_0033__li15495195512168)订阅的算法，请勿随意修改。 - “训练输入”：由于本场景选择内置环境，无需数据输入。此处请选择一个OBS空目录。 - “训练输出”：选择一个OBS空目录存储训练输出的模型。 - “调优参数”：系统默认的环境ID为“CartPole-v0”，即我们想要训练的环境，无需修改。由于本示例使用的是内置环境，“use\_preset\_env”参数需设置为“True”。其他参数在本示例中建议采用默认值。 - “资源池”：建议选择CPU规格的资源池，例如“modelarts.vm.train.cpu.8u”规格。 **图5** 训练作业参数  **图6** 调优参数配置  3. 参数填写完成后，单击“下一步”，根据界面提示完成训练作业创建。 4. 进入“训练管理>训练作业”页面，等待训练作业完成。 训练作业运行需要几分钟时间，请耐心等待。根据经验，此样例在5分钟左右完成训练。 当训练作业的状态变更为“运行成功”时，表示已运行结束。您可以单击训练作业名称，进入详情页面，了解训练作业的“配置信息”、“日志”、“资源占用情况”等信息。您也可以在配置的“训练输出位置”对应的OBS目录下获得训练生成的模型。 #### 导入模型 1. 在ModelArts管理控制台，选择“模型管理 > 模型”。 2. 在模型列表页面，单击“导入”。进入导入模型页面，参考如下说明填写关键参数。 “元模型来源”：选择“从训练中选择”。然后在“选择训练作业”右侧下拉框中选择上一步创建的训练作业。 **图7** 从训练中选择模型  3. 模型导入参数填写完成后，单击“立即创建”。页面自动跳转至模型列表页面，等待模型导入结果。 当模型的状态变为“正常”时，表示模型导入成功。 **图8** 模型导入成功  #### 部署为在线服务 模型导入成功后，可将此模型部署为在线服务，部署完成后即可在ModelArts管理控制台进行预测。 1. 在模型列表中，单击操作列的“部署 > 在线服务”。 **图9** 部署模型  2. 在部署页面，参考如下说明填写关键参数。 “资源池”：选择“公共资源池”。 “选择模型及配置”：“模型”及“版本”会自动选择前面导入的模型。“计算节点规格”，在下拉框中选择CPU或GPU，本示例选择CPU资源进行部署。计算节点个数，需设置为“1”，目前仅支持单机部署，只能设置为“1”，不可修改。 其他参数可使用默认值。 **图10** 部署模型参数  3. 参数设置完成后，单击“下一步”，根据界面提示，完成在线服务的部署。 您可以进入“在线服务”列表页面，等待服务部署结束，当服务状态变为“运行中”时，表示服务部署成功。 4. 在线服务部署完成后，您可以单击服务名称进入服务详情页。 - **访问服务**：了解“调用指南”，获取“API接口地址”，了解“输入参数”和“输出参数”，可通过postman或使用curl命令发送请求，[访问在线服务](https://support.huaweicloud.com/engineers-modelarts/modelarts_23_0063.html)。 **图11** 调用指南  **预测**：单击“预测”页签，输入相应的参数或代码，单击“预测”即可看到运行结果，具体格式及要求参考算法说明文档。给出一组可用于推理预测的标准示例数据及格式，如下所示： {"seq\_lens": \[0\],"is\_training": "False","observations": \[\[0.02160617659181513,0.022702596137138,\-0.026817784180154104,0.04523499832683836\]\]} 说明： 在线部署推理仅为单步预测，如果想实现完整的游戏推理，需要使用训练保存的模型或调用在线服务API的方式，编写相应的推理程序。 **图12 **预测结果  到这里全过程结束

[热门活动] 重磅上线！HCIA-Cloud Service V3.0职业认证训练营，即将开课，速来报名！华为云HCIA-Cloud Service职业认证训练营开营啦！全方位培训，玩转云服务，趣味学练考，赢取$200考试券，还有众多华为电子产品和京东卡等你来！什么是HCIA-Cloud Service认证?HCIA-Cloud Service认证定位于培养与认证掌握公有云前沿知识技能，能够熟练使用华为云服务产品的工程师。面向有认证需求的在校大学生、云计算初学者、开发者、云服务工程师等人员群体及相关华为云伙伴；通过HCIA-Cloud Service认证，将证明您掌握云服务概念和价值，华为云服务架构和生态，华为云计算服务、存储服务、网络服务、安全服务、管理与监控、关系型数据库、CDN&云视频服务和创新应用服务的管理和应用，具备使用各类云服务产品进行应用部署和维护的能力，可以助力企业实现ICT环境的云转型。参与流程任务说明积分占比课前准备活动报名（已开始）点击<报名活动>+ <一键报名所有HCIA课程>(本活动获奖前提），并邀请好友一起学习——开营直播（已开放）观看11月17日19:00-20:30开营直播《华为专家带你玩转HCIA认证攻略》，参与直播互动抽奖——课程学习课程学习（开课中）每日课程学习打卡：报名当节课程，且该节课程学习进度100%（请注意，如课程跳看小于一定时长，即使前台展示100%，后台也不记录数据），学完全部课程，获取100分20%实战演练沙箱实验（已开始）活动时间内，自主开展沙箱实验《使用华为云DevCloud实现20分钟一行代码上云》，且实验进度100%30%微认证（已开始）活动时间内，学习微认证《黑白棋实时对战游戏开发》并获取微认证证书，按最高考试成绩计算积分35%学习成果检验输出学习心得（已开放）课程学习后，以【HCIA职业认证训练营：xxxx】为主题，在华为云培训中心论坛发帖，发表训练营参后感、学习心得、课程评价等相关内容（不少于300字），并在本帖回复“华为云账号+发帖链接”（以回帖统计为准）5%结营考试（已开放）通过结营考试(（≥60分为通过，满分100分），获取华为云官方课程认证证书10%活动结束结营直播（已开放）观看12月1日19:00-20:30结营直播《华为HCIA职业认证考证攻略精讲》，了解HCIA考证攻略，参与互动抽取奖品——学习 总结课程评价（已开放）课程学习结束后，输出有效课程评价（学习心得、课程评价、讲师评价等内容）——

学习心得       非常有幸参加此次HCIA-Cloud Service V3.0职业认证训练营，经过将近一个月的学习以及实操，拓展了自己的知识点，打牢跟脚。广泛了了解到覆盖云计算基础、华为云介绍、计算云服务、网络云服务、存储云服务、华为云运维基础、数据库、EI、CDN、安全等内容，充实自己理论知识，为将来的发展做好规划。       从原理到基础知识点以及实操，从PPT到视频的讲解，这一步步的学习，让人充满的学习的干劲。从自觉到感兴趣，令人感到兴奋，为自己的工作生活添加了乐趣。当微认证的实操的体验实践以及其他相关考试的进行时，体会的毕业之后的紧张以及兴奋，感到一丝丝的刺激，生怕失败，十分的难得的体验。为自己加油！！！       感谢华为的各位老师以及这期训练营的小伙伴的参加，谢谢大家！！！

非常有幸参加此次HCIA-Cloud Service V3.0职业认证训练营，训练营的整个跨度时间长达一个月的时间，关键的是其中一周的视频学习是其中的核心，通过一周视频的学习，让我有机会非常全面的了解整个华为云上的各种应用与产品。平时虽然也在使用华为云的相关应用产品，但是产品的使用局限于几种产品，没有向现在这样全面的了解华为产品，学习视频讲解的还是比较详细的，通俗易懂。这个训练营的节奏个人感觉有点雷声大雨点小的感觉，整个策划也搞的轰轰烈烈的，但具体的内容只有1周的课程视频，本以为会发放一些代金券让学员们进行动手实操，课程的内容也太紧了，对于每一章节也只能停留在字面的了解，毕竟没有非常好的操作与亲身体验。所以希望下次再开课的话，可以提供操作打卡的内容，提高学习的效果。

大道至简，返璞归真从理论联系实践，是本门课程最好的学习历程。

登录后点击配置按钮就出现这个错误"Permission denied to call ModelArts API, please view idea.log and check your network privilege"电脑重装过一次，重装前从未出现这个错误

通过参加本次“HCIA职业认证训练营”的学习，不仅了解了华为职业认证体系，还学习了关于华为云的以下知识。云计算基础：基础知识、基础技术；华为云介绍：简介、应用场景、交付模式、技术支持、生态、快速入门；华为云计算服务：弹性云服务器、裸金属服务器、镜像服务、弹性伸缩服务、云容器引擎服务，其它如云手机、专属主机、云耀服务器等计算服务；网络云服务：虚拟私有云、弹性负载均衡、虚拟专用网络、NAT网关，其它如DNS云解析、VPC终端结点、云专线、云连接等网络服务；存储去服务：云硬盘、对象存储服务、弹性文件服务；其它云服务：数据库类服务、安全类服务、CDN服务、EI 企业智能类服务；华为云运维服务：运维的基本概念和原则、云监控服务、云日志服务、云审计服务。另外在华为云上完成了课程相关的实践练习，完成了沙箱实验《使用华为云DevCloud实现20分钟一行代码上云》和微认证《黑白棋实时对战游戏开发》，还抽中了 200 码豆。

[认证交流] 【HCIA职业认证训练营：参营感悟】   非常感谢这次华为云组织的训练营活动。   云服务对于租户的亲和度十分高，创建配置、部署服务都能够再简易的几步之内完成，大大简化了环境安装的工作。   对于沙箱服务特别点赞，能够手把手的进行教导，通过实操对各种概念有进一步的认识。   同时对讲课老师也十分感谢，由浅入深的为我们讲解了十分复杂的技术概念。   经过此次学习，对整体的云服务有了进一步的认识，特别感谢细心为参营人员解疑答惑的助教老师。

非常有幸参加华为HCIA职业认证训练营，通过完整地参与整期活动，不单系统地学到了云服务的知识框架和原理，还能锻炼毅力，增强信心，提高实操技能，对在日常工作中使用华为云有了思想和实践上的双重提高，在此非常感谢能有机会参与到训练营活动中。学习视频中讲解老师流利的授课表达十分突出。在两次直播课上也学到了许多干货。学习群中组织者对问题一一耐心解答，学员们互帮互助形成了良好的学习氛围。期间我抱着赢取HCIA考试券的信念完成了课程的学习和实践，完成了2个沙箱试验，并取得了黑白棋实时对战游戏开发微认证，还中奖了200码豆。虽然拿到考试券的希望很小，但是一路奔跑并不全为了到达目的地，还在于能体验沿途的风景，参与训练营也一样。愿大家在训练营中都能学到知识、结识朋友、收获成长。

首先，非常有幸能参加这次华为云HCIA-Cloud  Service职业认证训练营，通过本次训练营培训收获了很多知识，再次对云计算的概念有了更清晰的认识。其次，本次的课程规划真的很赞，每天花1~2h的时间就可以写完并吸收课程内容，从云计算的基础到各个基础云服务再到高阶云服务到运维整改个过程就像是打怪升级一样，学习动力十分充足，每学完一个模块的内容就像获得了一种力量，这种学习体现确实很好。并且通过这次活动的两个实验对PaaS服务有了更深的认识，DevCloud上云和黑白棋实验从实践真正理解的云环境的整个流程和细节。最后，非常感谢华为云这次活动，现在这种免费学习云计算的课程很少了，能有幸参加一次这样的活动，并且能提升自己，真是难得的机会。希望以后有机会还能参加华为云其他活动，祝华为云越办越好！

华为云HCIA-Cloud Service职业认证训练营真的很棒啊，通过学习课程了解到华为云的基础知识，华为云运维除了提供很多资源类服务来满足企业业务系统上云的需求之外，还需要保障好云上业务系统的正常运转和企业人员对于业务系统的监管需求。运维服务看似不起眼，但是至关重要。规划出适合业务发展需要的云平台技术方案，减少了上云风险；卓有成效地完成云平台实施工作，及时获得云平台带来的收益；得到一站式服务，快速接管云平台的运营工作；提供云平台的稳定运行保障，为业务保驾护航；持续提升云平台运营效益，IT创造业务价值；搭建完善的云运维服务体系，全面解放生产力；减轻云平台运维管理工具投入，提升投资收益。同时，在整个ICT基础设施的发展过程中，网络资源一直是必不可少的存在。有了网络资源，设备与设备间，系统与系统间才有了交流，才能更好地去支撑企业业务的快速发展。学习到知识可以更好地运用到自己的工作中。