强化学习与神经网络　　之前我们所谈论到的强化学习方法都是比较传统的方式, 而如今, 随着机器学习在日常生活中的各种应用, 各种机器学习方法也在融汇, 合并, 升级. 　　而我们今天所要探讨的强化学习则是这么一种融合了神经网络和 Q learning 的方法, 名字叫做 Deep Q Network. 这种新型结构是为什么被提出来呢? 　　原来, 传统的表格形式的强化学习有这样一个瓶颈.神经网络的作用　　我们使用表格来存储每一个状态 state, 和在这个 state 每个行为 action 所拥有的 Q 值. 　　而当今问题是在太复杂, 状态可以多到比天上的星星还多(比如下围棋). 如果全用表格来存储它们, 恐怕我们的计算机有再大的内存都不够, 而且每次在这么大的表格中搜索对应的状态也是一件很耗时的事. 　　不过, 在机器学习中, 有一种方法对这种事情很在行, 那就是神经网络. 　　我们可以将状态和动作当成神经网络的输入, 然后经过神经网络分析后得到动作的 Q 值, 这样我们就没必要在表格中记录 Q 值, 而是直接使用神经网络生成 Q 值. 　　还有一种形式的是这样, 我们也能只输入状态值, 输出所有的动作值, 然后按照 Q learning 的原则, 直接选择拥有最大值的动作当做下一步要做的动作. 　　我们可以想象, 神经网络接受外部的信息, 相当于眼睛鼻子耳朵收集信息, 然后通过大脑加工输出每种动作的值, 最后通过强化学习的方式选择动作。更新神经网络　　接下来我们基于第二种神经网络来分析, 我们知道, 神经网络是要被训练才能预测出准确的值. 　　那在强化学习中, 神经网络是如何被训练的呢? 首先, 我们需要 a1, a2 正确的Q值, 这个 Q 值我们就用之前在 Q learning 中的 Q 现实来代替. 　　同样我们还需要一个 Q 估计 来实现神经网络的更新. 所以神经网络的的参数就是老的 NN 参数 加学习率 alpha 乘以 Q 现实 和 Q 估计 的差距. 我们整理一下.　　我们通过 NN 预测出Q(s2, a1) 和 Q(s2,a2) 的值, 这就是 Q 估计. 　　然后我们选取 Q 估计中最大值的动作来换取环境中的奖励 reward. 　　而 Q 现实中也包含从神经网络分析出来的两个 Q 估计值, 不过这个 Q 估计是针对于下一步在 s’ 的估计. 　　最后再通过刚刚所说的算法更新神经网络中的参数. 但是这并不是 DQN 会玩电动的根本原因. 还有两大因素支撑着 DQN 使得它变得无比强大. 　　这两大因素就是 Experience replay 和 Fixed Q-targets.

　　机器学习(Machine Learning,ML) 是使用计算机来彰显数据背后的真实含义，它为了把无序的数据转换成有用的信息。是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。　　它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。　　海量的数据　　获取有用的信息机器学习 研究意义　　机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能”。　　“机器学习是对能通过经验自动改进的计算机算法的研究”。 　　　　“机器学习是用数据或以往的经验，以此优化计算机程序的性能标准。”　　一种经常引用的英文定义是：A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E.　　机器学习已经有了十分广泛的应用，例如：数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人运用。机器学习 场景例如：识别动物猫模式识别（官方标准）：人们通过大量的经验，得到结论，从而判断它就是猫。机器学习（数据学习）：人们通过阅读进行学习，观察它会叫、小眼睛、两只耳朵、四条腿、一条尾巴，得到结论，从而判断它就是猫。深度学习（深入数据）：人们通过深入了解它，发现它会'喵喵'的叫、与同类的猫科动物很类似，得到结论，从而判断它就是猫。（深度学习常用领域：语音识别、图像识别）模式识别（pattern recognition）: 模式识别是最古老的（作为一个术语而言，可以说是很过时的）。我们把环境与客体统称为“模式”，识别是对模式的一种认知，是如何让一个计算机程序去做一些看起来很“智能”的事情。通过融于智慧和直觉后，通过构建程序，识别一些事物，而不是人，例如: 识别数字。机器学习（machine learning）: 机器学习是最基础的（当下初创公司和研究实验室的热点领域之一）。在90年代初，人们开始意识到一种可以更有效地构建模式识别算法的方法，那就是用数据（可以通过廉价劳动力采集获得）去替换专家（具有很多图像方面知识的人）。“机器学习”强调的是，在给计算机程序（或者机器）输入一些数据后，它必须做一些事情，那就是学习这些数据，而这个学习的步骤是明确的。机器学习（Machine Learning）是一门专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身性能的学科。深度学习（deep learning）: 深度学习是非常崭新和有影响力的前沿领域，我们甚至不会去思考-后深度学习时代。深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。

KNN 概述k-近邻（kNN, k-NearestNeighbor）算法是一种基本分类与回归方法，我们这里只讨论分类问题中的 k-近邻算法。一句话总结：近朱者赤近墨者黑！k 近邻算法的输入为实例的特征向量，对应于特征空间的点；输出为实例的类别，可以取多类。k 近邻算法假设给定一个训练数据集，其中的实例类别已定。分类时，对新的实例，根据其 k 个最近邻的训练实例的类别，通过多数表决等方式进行预测。因此，k近邻算法不具有显式的学习过程。k 近邻算法实际上利用训练数据集对特征向量空间进行划分，并作为其分类的“模型”。 k值的选择、距离度量以及分类决策规则是k近邻算法的三个基本要素。KNN 场景电影可以按照题材分类，那么如何区分 动作片 和 爱情片 呢？动作片：打斗次数更多爱情片：亲吻次数更多基于电影中的亲吻、打斗出现的次数，使用 k-近邻算法构造程序，就可以自动划分电影的题材类型：　　现在根据上面我们得到的样本集中所有电影与未知电影的距离，按照距离递增排序，可以找到 k 个距离最近的电影。 　　假定 k=3，则三个最靠近的电影依次是， He's Not Really into Dudes 、 Beautiful Woman 和 California Man。 　　knn 算法按照距离最近的三部电影的类型，决定未知电影的类型，而这三部电影全是爱情片，因此我们判定未知电影是爱情片。

数据处理（效验，转换，清洗，选择，增强）数据处理的目的是让开发者在模型训练之前拿到质量更高的数据集，以提升精度，降低模型训练成本1，数据效验和转换数据效验（对数据可用性进行判断和验证的过程）采集的数据是否有格式的问题，图像名称，后缀不满足训练算法的要求，可能无法识别，和无法解码等情况，因此，数据的效验非常重要，数据的标注格式可能也有很多种。ModelArts数据处理模块提供数据效验功能，对于图像数据，判断标注格式是否相符合要求，图像分辨率是否符合要求，图像通道是否符合算法要求，图像解码是否正常，图像名称和后缀是否满足规范数据转换（对数据进行规范化处理）数据转换是指数据大小，格式，特征等进行变换的过程，数据转换是为了使数据更适合算法选择和模型训练，使数据充分利用如图像有JPEG,PNG等格式，为了满足算法输入要求的格式，比如算法要求图像都是PNG格式，就要将不同的图像格式转换成PNG格式，这就需要转换格式并进行必要的数据整理数据清洗（数据进行去噪，纠错或补全的过程）1，离散化（针对连续的场景特征取值） 2，无量纲化（保持特征之间的公平性，提高模型精准度） 3，缺失值补全  4，分布变换（对数变换，指数变换等） 5，变量解码（文字，字母，频率等）数据选择（特征提取，聚类排序，选择最优子集）数据增强数据增强通过缩放，裁剪，变换，合成等操作直接或者间接增强数据量，进而进一步提升模型的训练精度，结构化数据和非结构化数据都可以做数据增强数据增强可以分为，离线数据增强和在线数据增强数据增强的常见方法1，空间几何变换旋转翻转变换缩放变换平移变换尺度变换2，像素和特征变换对比度变换噪声扰动颜色变化3，样本合成SamplePairingMixUp等选择数据处理，在选择分类等，数据处理类型，选择数据集的输入与输出等选择场景以及数据处理类型创建完成数据标注现今大多数人工智能算法依旧是依赖监督学习，所以数据标注非常重要1，标注任务分类（与实际场景密切相关），比如，图像分类标注，目标检测标注，图像分割标注，点云标注ModelArts通用标注工具，矩形框，多边形，圆形，点，线等常用的文本相关标注任务如，文本分类标注，命名体识别标注，三元组标注，词法分析标注，命名体识别标注，机器翻译标注等如上百万张图像大量的图像数据标注，不仅费时而且消耗大量的人力成本及资源，为了减少标注消耗的时间同时降低标注成本，ModelArts在标注中加入了机器学习技术并为标注者提供了智能数据标注服务1，基于主动学习的智能数据标注标注者仅需少量的数据作为训练集来训练模型，再用训练好的模型对未标注的数据进行推理2，交互式智能标注（1，交换式目标检测注  2，交换式分割标注 3，交换式视频标注 4，其他交换式智能标注）先创建数据集（一定选择北京四哦）数据集名称可自动生成，也可以手动输入自己需要的名称，再选择场景，类型等，输入位置比如，food，输出位置比如，out等完成数据集创建点击名称进入数据集，便可进行，标注，团队标注（数据集庞大时建议使用），标注完成后便可发布，还可以导入新的数据，修改等操作数据集较为庞大时，建议使用智能标注，建议每种标注数量十几张以上时再使用智能标注选择智能标注的类型以及算法类型数据分析对数据整体的统计分析，以及对单个数据进行细粒度分析诊断，才可以更加深入地了解数据，及时发现更深层次的问题并优化1，数据集特征分析和优化特征分析主要是更快速方便的了解数据集的特点，并制定后续的优化和处理方案，ModelArts特征分析模块主要支持特征，分辨率，图像亮度，图像饱和度，清晰度，图像色彩丰富等常规图像特征，面积标准度，堆叠度等选择数据集版本，在选择类型，在根据自己需要的指标进行查看选择自己需要的数据集版本选择类型清晰度图片高度比分辨率图像亮度图像彩色的丰富程度图片的饱和程度全选一目了然

在这个周末能做什么呢？不如参加下 openGauss社区、Gauss松鼠会、云和恩墨 举办的“openGauss布道师朱金伟出品：8小时玩转openGauss训练营（第二期）”活动吧。打开 https://www.modb.pro/event/370 可以看到活动详情：连续两天，每天下午4小时的培训活动，应该会让人感到干货满满的吧。。。当然，在参加培训之前，张小白总得先了解openGuass到底是什么。华为在各个领域都进行了深度布局，其中昇腾、鲲鹏、IoT等张小白都略有了解，但是数据库这块，确实没怎么深入关注过。因此，张小白对此做了简单的搜索和分析（如有错漏，还请专家指出）虽然张小白也参加过几次《云享读书会》数据库方面的活动，比如  《数据仓库工具箱：维度建模权威指南》（ https://bbs.huaweicloud.com/forum/forum.php?mod=viewthread&tid=29753&page=1 ）和《SQL优化核心思想》（ https://bbs.huaweicloud.com/forum/forum.php?mod=viewthread&tid=49168&page=1 ）。前者在品书的过程中，让学员了解了华为的数据仓库服务 GaussDB for DWS：后者学员了解了华为的云数据库服务 PostgreSQL：但其实，华为在数据库上的布局并不简单，不仅有开源增强型的关系型数据库RDS系列：RDS for MySQL、RDS for PostgreSQL：也有云数据库GaussDB系列：GaussDB for MySQL、GaussDB for openGauss：还有云数据库GaussDB for NOSQL系列：Cassandra、MongoDB、Influx、Redis：这真的让人眼花缭乱。

深度强化学习是人工智能最有趣的分支之一。它是人工智能社区许多显着成就的基石，它在棋盘、视频游戏、自动驾驶、机器人硬件设计等领域击败了人类冠军。深度强化学习利用深度神经网络的学习能力，可以解决对于经典强化学习（RL）技术来说过于复杂的问题。深度强化学习比机器学习的其他分支要复杂得多。在这篇文章中，我们将尝试在不涉及技术细节的情况下，揭开它的神秘面纱。状态、奖励和行动每个强化学习问题的核心都是代理和环境。环境提供有关系统状态的信息。代理观察这些状态并通过采取行动与环境交互。动作可以是离散的（例如，拨动开关）或连续的（例如，转动旋钮）。这些操作会使环境转换到新状态。根据新状态与系统目标相关性的大小，代理会收到不同程度的奖励（如果它使代理远离其目标，则奖励也可以为零或负）。「状态-动作-奖励」的每个循环都称为一个步骤。强化学习系统持续循环迭代，直到达到所需状态或达到最大步数。这一系列的步骤称为一个「情节」或者「集」。在每一个情节开始时，环境设置为初始状态，代理的奖励重置为零。强化学习的目标是训练智能体采取行动，以最大化其回报。代理的行动功能称为策略。一个代理通常需要很多情节来学习一个好的策略。对于更简单的问题，几百个情节可能足以让代理学习到一个体面的策略。而对于更复杂的问题，代理可能需要数百万次训练。强化学习系统有更微妙的细微差别。例如，RL 环境可以是确定性的或非确定性的。在确定性环境中，多次运行一系列「状态-动作对」总是会产生相同的结果。相比之下，在非确定性 RL 问题中，环境状态可能会因代理行为以外的事物（例如，时间的流逝、天气、环境中的其他代理）而发生变化。

到目前为止，我们还没有谈到深度神经网络。事实上，你可以以任何你想要的方式实现上述所有算法。例如，Q-learning 是一种经典的强化学习算法，它在代理与环境交互时创建了一个状态-动作-奖励值表。当你处理状态和操作数量非常少的简单环境时，此类方法非常有效。但是，当你处理一个复杂的环境时，其中动作和状态的组合数量可能非常巨大，或者环境是不确定的，并且可能存在的状态几乎是无限的；这时，评估每个可能的状态-动作对就变得不可能了。在这种情况下，你需要一个近似函数，它可以根据有限的数据学习归纳出最佳策略。给定正确的架构和优化函数，深度神经网络可以直接学习最优策略，而无需遍历系统的所有可能状态。深度强化学习代理仍然需要大量数据（例如，在 Dota 和星际争霸中进行数千小时的游戏），但它们可以解决经典强化学习系统无法解决的问题。比如，深度强化学习模型可以使用卷积神经网络，从视觉数据中提取状态信息。循环神经网络可以从帧序列中提取有用的信息，例如球的朝向，或者汽车是否停放或移动。这种复杂的学习能力，可以帮助 RL 代理理解更复杂的环境，并将其状态映射到动作。深度强化学习可与监督机器学习相媲美。该模型生成动作，并根据来自环境的反馈调整其参数。然而，不同于传统的监督学习，深度强化学习会面临一些独特的挑战。与模型具有一组标记数据的监督学习问题不同，RL 代理只能访问其自身经验的结果。它能够根据在不同训练阶段收集的经验来学习最佳策略；但它也可能错过许多其他获得更好政策的最佳轨迹。强化学习还需要评估状态-动作对的轨迹；这比监督学习所要面对的，每个训练示例与其预期结果配对问题更难学习。这种复杂性增加了深度强化学习模型的数据要求。但与监督学习不同，深度强化学习模型在训练期间收集数据，而监督学习需要人工提前策划和准备训练数据。深度强化学习和通用人工智能AI 社区对深度强化学习的发展方向存在分歧。一些科学家认为，使用正确的 RL 架构，可以解决任何类型的问题，包括通用人工智能。这些科学家相信，强化学习与产生自然智能的算法相同，如果有足够的时间和精力，并配备适当的奖励，我们可以重建人类级别的智能。其他人则认为强化学习并没有解决人工智能的一些最基本的问题。他们认为，尽管取得了许多成就，但深度强化学习代理需要明确定义问题；并且它无法自行发现新问题，更没办法提出针对新问题提出解决方案。无论如何，不可否认的是，深度强化学习已经帮助解决了许多非常复杂的问题，并且将继续成为 AI 社区的重要研究领域。

获奖信息公布幸运奖bzhtootabcabc好久没出门我中奖了多米诺的古牌昶谕十年树木ad123445运气男孩测试人员001恭喜以上开发者，之前未填写获奖信息的开发者，请与11月5日16：00前完成获奖信息填写。为保证您顺利领取活动奖品，请您提前填写奖品收货信息，如您没有填写，视为放弃奖励。收货信息请【点击此处填写】参与活动前请先报名华为全联接开发者社区活动【点击报名】活动奖励：a. 奖励一：每人获得圆梦积分10分b. 奖励二：在所有完成任务的用户中抽取10个幸运奖，奖品为公牛插座魔方1个。活动时间：2021年9月15日~2021年10月20日 参与方式：用户点击【开始体验】，并完成五子棋AI训练体验，即可视为完成任务，我们会核对大家的实验完成信息。 活动规则：a.请严格按照实验要求体验b. 本次五子棋AI训练活动结束后，将由华为云工作人员将符合抽奖条件的用户名单导入至巨公摇号平台（https://www.jugong.wang/random-portal/）内，抽取各奖项，并截屏公示抽奖过程。如您不同意此抽奖规则，请勿参加本次活动。 Tips：1、请务必使用个人账号参与活动（IAM、企业账号等账号参与无效）。2、所有获得华为电子产品奖项的获奖用户，请于获奖后3日内完成实名认证，否则视为放弃奖励。3、收货信息填写说明：1）为保证您顺利领取活动奖品，请您提前填写奖品收货信息，如您没有填写，视为放弃奖励。收货信息请【点击此处填写】2）填写时间截至2021年11月5日16:00。3）在HC2021开发者社区系列活动中完成一次填写即可。我们最终将会按照您填写的信息发放奖励。4、活动规则请戳https://bbs.huaweicloud.com/forum/thread-154048-1-1.html其他【场景实验室】精彩体验

　　计算机科学的许多分支处理的实体大部分都是完全确定且必然的。　　程序员通常可以安全地假定CPU将完美地执行每条机器指令。　　虽然硬件错误确实会发生，但它们足够罕见，以致于大部分软件应用在设计时并不需要考虑这些因素的影响。　　鉴于许多计算机科学家和软件工程师在一个相对干净和确定的环境中工作，机器学习对于概率论的大量使用是很令人吃惊的。　　这是因为机器学习通常必须处理不确定量，有时也可能需要处理随机(非确定性的)量。 　　不确定性和随机性可能来自多个方面。　　至少从20世纪80年代开始，研究人员就对使用概率论来量化不确定性提出了令人信服的论据。　　这里给出的许多论据都是根据~{Pearl88}的工作总结或启发得到的。　　几乎所有的活动都需要一些在不确定性存在的情况下进行推理的能力。　　事实上，除了那些被定义为真的数学声明，我们很难认定某个命题是千真万确的或者确保某件事一定会发生。

我的华为云账号：hid_i_67y3-j-641fc0我的姓名：谢小龙我的心得：通过本次华为云DevCloud暑期训练赛，通过老师课程的讲解，我了解到了许多课本上没有的知识。通过本次实验，在项目部署到服务器这一环节，有了初步的认知，通过maven打包，然后部署执行，版本控制器用的是git，但是在项目部署成功后，因为安全组的问题，有一点小插曲，在更改安全组后，正常访问。1.软件的生产是一个不停地复制的过程即不停地复制软件的周期（需求、设计、开发、测试、构建、交付）；2.我对迭代开发和瀑布开发有了进一步的认识，使用迭代开发有诸多好处，降低了产品无法按照既定进度进入市场的风险。加快了整个开发工作的进度。瀑布开发不仅周期长，并且完成后修改成本很高。3.敏捷模型适用于大多数的项目开发，它不同于传统的项目管理，它更加关注在项目的目标、价值和质量不断变化的状态下如何平衡投入和产出的问题；4.了解了一下华为软开云的软件测试，它覆盖了Top10主流编程语言的其中7种从7个维度全面评价代码质量:编码安全、编码缺陷、编码风格、架构、依赖包安全、圈复杂度，代码重复。华为30年经验积累，提供专业级的预置规则集提供专业的缺陷修复建议，指导代码质量改进。提供自定义规则集，可定制企业级质量标准，精准击中企业关心问题缺陷精确定位到代码行。非常强大。5.通过课程，我也对容器有了一定的认识，Docker容器，Docker容器与虚拟机的区别是：Docker在同一个操作系统中部署多个应用，它可以做到隔离，虚拟机是在不同的操作系统中部署应用，在不同的操作系统中安装不同的应用，极大的帮助我们节省了资源的占用。6.通过沙箱实验，我体验到了这个软开云的强大，对于软件的开发，测试，部署，发布是一个很厉害的综合性的管理平台。按照实验手册上一步一步才完成了实验，要想掌握这个强大的工具，我们还需要更多的去使用它。总而言之，这次学习使我收获了很多，让我明白了不能放过任何一个学习机会，因为你所学到的东西远远不止于你所看到的。特别是对于我们这个专业，软件是一个更新换代得很快的一个东西，如果不想成为淘汰者就要不停的去学习，除了是学习课本上的东西，我们还应该置身于实践中去，最好是能有更多的像这次一样的学习机会，将项目从开始到结束的整个流程进行学习，只有接触的足够多才能发现自身的不足，然后加以提升。在这个在线沙箱实验中，我们学习到了如何去搭建一个软件开发项目，以及如何去持续构建，迭代演进，同时，让我更加清晰的去了解IT从业人员的从事的具体的工作内容,而这也是最有意义的，这让我们明白，作为一名程序员，不仅仅是埋头苦干，不问世事，更要积极努力的与同时间合作交流，也让我对今后的工作方向有了一个明确的目标，而我也将为此继续努力。

两天入门openGauss？八小时的课程免费上？还有作业和考试及时巩固？学习课程还有免费好礼送到家？是的你没看错不仅如此本次活动还是由openGauss社区、Gauss松鼠会、云和恩墨共同举办业内资深专家共同授课微信扫描图中二维码即可报名8小时玩转openGauss活动训练营活动B3群你们期待的礼品来啦！两日签到+按时提交作业=精美雨伞或大号鼠标垫一个两日签到+按时提交作业+在线结营考试合格=结营证书+纪念卫衣一件（可叠加领取）参与互动问答=《openGauss数据库核心技术》书籍一本还等什么？快带上你的小伙伴一起上车！

全托管基于容器的serverless服务，您无需关心升级与维护，安心搞业务简单易用预置多种网络模型、向导式开发界面、一键开启模型训练与部署开发工作量少自研MoXing分布式框架，让您的分布式训练代码开发量缩短近10倍训练速度快1000块GPU集群和0.8的线性加速比，原先一个月的模型训练时间，现在1小时搞定机会难得，小伙伴们还不抓紧来体验，数量有限，先到先得哦！！点击访问华为云深度学习官网

机器学习服务应用于海量数据挖掘分析场景。欺骗检测保险公司分析投保人的历史行为数据，建立欺骗行为模型，识别出假造事故骗取保险赔偿的投保人。产品推荐根据客户本身属性和行为特征等，预测客户是否愿意办理相关业务，为客户提供个性化的业务推荐。客户分群通过数据挖掘来给客户做科学的分群，依据不同分群的特点制定相应的策略，从而为客户提供适配的产品、制定针对性的营销活动和管理用户，最终提升产品的客户满意度，实现商业价值。异常检测在网络设备运行中，用自动化的网络检测系统，根据流量情况实时分析，预测可疑流量或可能发生故障的设备。预测性维护为设备创建预测模型并提供预见性维护建议和计划，减少故障时间和发生几率，从而提高效率和降低成本。驾驶行为分析通过采集驾驶员不良驾驶习惯（比如：急加速、急转弯、急减速、超速、疲劳驾驶等），通过建模分析驾驶员驾驶习惯优良程度，面向企业车队提供驾驶员评级，约束不良驾驶习惯；面向个人车主，提供驾驶习惯优化建议，降低事故率和降低油耗，对于保险公司，可以用于UBI场景。

我的华为云账号：hid_53mzapy_l3d28d4我的名字：丁浩佳我的分享：本课程主要以凤凰商城项目为例子，仔细介绍了DevOps的基础功能和操作方法，讲解清晰，通俗易懂，特别利于我这种不熟悉DevOps的新手，跟着实验步骤便可以完成本次的实验，在实验中体验到了如何去搭建一个软件开发项目，以及如何去持续构建，迭代演进：这次实验的体验很非常不错。最后感谢云华为提供这一次体验和学习机会。实验完成截图：

mindspore是华为开源的深度学习框架，之前已经参加过两期训练营，8月8日又举办了第三期，继续参加学习。这次主要的作业是用mindspore实现yolo_v3，并在华为云的modelArts平台上实现。mindspore跑yolo_v3，其实在mindspore主仓的model_zoo里已经有了训练和测试的代码，可以到 官方gitee仓 里查看但是官方的代码是在本地跑的，要在modelArts上跑，需要做一些适当的调整首先，要把代码和数据集上传到云上，要在华为云上创建一个“对象储存服务obs”，将代码、数据集上传其次，要创建modelArts训练作业点击之后出现如下配置界面最重要的两个参数，一个是数据集目录，一个是模型保存位置，默认以data_url和train_url为参数名通过argparse传入启动程序，所以启动程序中一定要有解析这两个参数的功能，并将涉及数据集的目录用data_url替代，涉及模型保存的目录，用train_url代替。最后，上传数据的“对象储存服务”相当于云盘，modelArts相当于运行容器，训练的时候需要把数据从云盘复制到容器中，最后训练的模型，还要复制到云盘中才能使用。数据在云盘和容器间的复制操作需要moxing模块import moxing as moxlocal_data_url='/cache/data'local_train_url='/cache/train_url'#将obs中data_url目录拷贝到容器的local_data_url中mox.file.copy_parallel(args_opt.data_url,local_data_url)#模型训练完，还要将模型目录拷贝到obs中才能下载mox.file.copy_parallel(local_train_url,args_opt.train_url)一切改好后，就可以提交运行了，可以在日志中看到运行结果，如果运行失败就看看日志的错误提示逐一解决。熟悉了整个运行机制之后，就会发现这套系统非常简单，上传数据集，修改几行代码就搞定了！————————————————原文链接：https://blog.csdn.net/sinat_21902051/article/details/107899368