机器学习中的一个核心问题是设计不仅在训练数据上表现好，并且能在新输入上泛化好的算法。在机器学习中，许多策略显式地被设计为减少测试误差（可能会以增大训练误差为代价）。这些策略被统称为正则化。我们将在后文看到，深度学习工作者可以使用许多不同形式的正则化策略。事实上，开发更有效的正则化策略已成为本领域的主要研究工作之一。我们将正则化定义为 ‘‘对学习算法的修改——旨在减少泛化误差而不是训练误差’’。目前有许多正则化策略。有些策略向机器学习模型添加限制参数的额外约束。有些策略向目标函数增加参数值软约束的额外项。如果我们仔细选择，这些额外的约束和惩罚可以改善模型在测试集上的表现。有时侯，这些约束和惩罚被设计为编码特定类型的先验知识；其他时候，这些约束和惩罚被设计为偏好简单模型，以便提高泛化能力。有时，惩罚和约束对于确定欠定的问题是必要的。其他形式的正则化（如集成方法）结合多个假说来解释训练数据。

我们考虑一个具有单个隐藏层的非常简单的多层感知机。为了训练这个模型，我们将使用小批量随机梯度下降算法。反向传播算法用于计算单个小批量上的代价的梯度。具体来说，我们使用训练集上的一小批量实例，将其规范化为一个设计矩阵 X 以及相关联的类标签向量 y。网络计算隐藏特征层 H = max{0, XW(1)}。为了简化表示，我们在这个模型中不使用偏置。假设我们的图语言包含 relu 操作，该操作可以对 max{0, Z} 表达式的每个元素分别进行计算。类的非归一化对数概率的预测将随后由 HW(2) 给出。假设我们的图语言包含 cross_entropy 操作，用以计算目标 y 和由这些未归一化对数概率定义的概率分布间的交叉熵。所得到的交叉熵定义了代价函数 JMLE。最小化这个交叉熵将执行对分类器的最大似然估计。然而，为了使得这个例子更加真实，我们也包含一个正则项。

反向传播算法非常简单。为了计算某个标量 z 关于图中它的一个祖先 x 的梯度，我们首先观察到它关于 z 的梯度由 dz = 1 给出。然后，我们可以计算对图中 z的每个父节点的梯度，通过现有的梯度乘以产生 z 的操作的 Jacobian。我们继续乘以 Jacobian，以这种方式向后穿过图，直到我们到达 x。对于从 z 出发可以经过两个或更多路径向后行进而到达的任意节点，我们简单地对该节点来自不同路径上的梯度进行求和。更正式地，图 G 中的每个节点对应着一个变量。为了实现最大的一般化，我们将这个变量描述为一个张量 V。张量通常可以具有任意维度，并且包含标量、向量反向传播算法的软件实现通常提供操作和其 bprop 方法，所以深度学习软件库的用户能够对使用诸如矩阵乘法、指数运算、对数运算等等常用操作构建的图进行反向传播。构建反向传播新实现的软件工程师或者需要向现有库添加自己的操作的高级用户通常必须手动为新操作推导 op.bprop 方法。

使用链式规则，我们可以直接写出某个标量关于计算图中任何产生该标量的节点的梯度的代数表达式。然而，实际在计算机中计算该表达式时会引入一些额外的考虑。具体来说，许多子表达式可能在梯度的整个表达式中重复若干次。任何计算梯度的程序都需要选择是存储这些子表达式还是重新计算它们几次。图6.9 给出了一个例子来说明这些重复的子表达式是如何出现的。在某些情况下，计算两次相同的子表达式纯粹是浪费。在复杂图中，可能存在指数多的这种计算上的浪费，使得简单的链式法则不可实现。在其他情况下，计算两次相同的子表达式可能是以较高的运行时间为代价来减少内存开销的有效手段。

微积分中的链式法则（为了不与概率中的链式法则相混淆）用于计算复合函数的导数。反向传播是一种计算链式法则的算法，使用高效的特定运算顺序。设 x 是实数，f 和 g 是从实数映射到实数的函数。假设 y = g(x) 并且 z =f(g(x)) = f(y)。那么链式法则是说我们可以将这种标量情况进行扩展。假设 x ∈ Rm, y ∈ Rn，g 是从 Rm 到 Rn 的映射，f 是从 Rn 到 R 的映射。如果 y = g(x) 并且 z = f(y)，通常我们将反向传播算法应用于任意维度的张量，而不仅仅用于向量。从概念上讲，这与使用向量的反向传播完全相同。唯一的区别是如何将数字排列成网格以形成张量。我们可以想象，在我们运行反向传播之前，将每个张量变平为一个向量，计算一个向量值梯度，然后将该梯度重新构造成一个张量。从这种重新排列的观点上看，反向传播仍然只是将 Jacobian 乘以梯度。

当我们使用前馈神经网络接收输入 x 并产生输出 yˆ 时，信息通过网络向前流动。输入 x 提供初始信息，然后传播到每一层的隐藏单元，最终产生输出 ˆy。这称之为 前向传播（forward propagation）。在训练过程中，前向传播可以持续向前直到它产生一个标量代价函数 J(θ)。反向传播（back propagation）算法 (Rumelhart et al., 1986c)，经常简称为backprop，允许来自代价函数的信息通过网络向后流动，以便计算梯度。计算梯度的解析表达式是很直观的，但是数值化地求解这样的表达式在计算上的代价可能很大。反向传播算法使用简单和廉价的程序来实现这个目标。反向传播这个术语经常被误解为用于多层神经网络的整个学习算法。实际上，反向传播仅指用于计算梯度的方法，而另一种算法，例如随机梯度下降，使用该梯度来进行学习。此外，反向传播经常被误解为仅适用于多层神经网络，但是原则上它可以计算任何函数的导数（对于一些函数，正确的响应是报告函数的导数是未定义的）。特别地，我们会描述如何计算一个任意函数 f 的梯度 ∇xf(x, y)，其中 x 是一组变量，我们需要它们的导数，而 y 是函数的另外一组输入变量，但我们并不需要它们的导数。在学习算法中，我们最常需要的梯度是代价函数关于参数的梯度，即 ∇θJ(θ)。许多机器学习任务需要计算其他导数，来作为学习过程的一部分，或者用来分析学得的模型。反向传播算法也适用于这些任务，不局限于计算代价函数关于参数的梯度。通过在网络中传播信息来计算导数的想法非常普遍，它还可以用于计算诸如多输出函数 f 的 Jacobian 的值。我们这里描述的是最常用的情况，其中 f只有单个输出。

万能近似定理意味着无论我们试图学习什么函数，我们知道一个大的 MLP 一定能够表示这个函数。然而，我们不能保证训练算法能够学得这个函数。即使 MLP能够表示该函数，学习也可能因两个不同的原因而失败。首先，用于训练的优化算法可能找不到用于期望函数的参数值。其次，训练算法可能由于过拟合而选择了错误的函数。回忆第 5.2.1 节中的 ‘‘没有免费的午餐’’ 定理，说明了没有普遍优越的机器学习算法。前馈网络提供了表示函数的万能系统，在这种意义上，给定一个函数，存在一个前馈网络能够近似该函数。不存在万能的过程既能够验证训练集上的特殊样本，又能够选择一个函数来扩展到训练集上没有的点。万能近似定理说明了，存在一个足够大的网络能够达到我们所希望的任意精度，但是定理并没有说这个网络有多大。Barron (1993) 提供了单层网络近似一大类函数所需大小的一些界。不幸的是，在最坏情况下，可能需要指数数量的隐藏单元（可能一个隐藏单元对应着一个需要区分的输入配置）。这在二进制情况下很容易看到：向量 v ∈ {0, 1}n 上的可能的二进制函数的数量是 22n，并且选择一个这样的函数需要2n 位，这通常需要 O(2n) 的自由度。

每个 maxout 单元现在由 k 个权重向量来参数化，而不仅仅是一个，所以 maxout单元通常比整流线性单元需要更多的正则化。如果训练集很大并且每个单元的块数保持很低的话，它们可以在没有正则化的情况下工作得不错 (Cai et al., 2013)。maxout 单元还有一些其他的优点。在某些情况下，要求更少的参数可以获得一些统计和计算上的优点。具体来说，如果由 n 个不同的线性过滤器描述的特征可以在不损失信息的情况下，用每一组 k 个特征的最大值来概括的话，那么下一层可以获得 k 倍更少的权重数。因为每个单元由多个过滤器驱动，maxout 单元具有一些冗余来帮助它们抵抗一种被称为灾难遗忘（catastrophic forgetting）的现象，这个现象是说神经网络忘记了如何执行它们过去训练的任务 (Goodfellow et al., 2014a)。

整流线性单元使用激活函数 g(z) = max{0, z}。整流线性单元易于优化，因为它们和线性单元非常类似。线性单元和整流线性单元的唯一区别在于整流线性单元在其一半的定义域上输出为零。这使得只要整流线性单元处于激活状态，它的导数都能保持较大。它的梯度不仅大而且一致。整流操作的二阶导数几乎处处为 0，并且在整流线性单元处于激活状态时，它的一阶导数处处为 1。这意味着相比于引入二阶效应的激活函数来说，它的梯度方向对于学习来说更加有用。整流线性单元通常作用于仿射变换之上：h = g(W⊤x + b).当初始化仿射变换的参数时，可以将 b 的所有元素设置成一个小的正值，例如 0.1。这使得整流线性单元很可能初始时就对训练集中的大多数输入呈现激活状态，并且允许导数通过。

隐藏单元的设计是一个非常活跃的研究领域，并且还没有许多明确的指导性理论原则。整流线性单元是隐藏单元极好的默认选择。许多其他类型的隐藏单元也是可用的。决定何时使用哪种类型的隐藏单元是困难的事（尽管整流线性单元通常是一个可接受的选择）。我们这里描述对于每种隐藏单元的一些基本直觉。这些直觉可以用来建议我们何时来尝试一些单元。通常不可能预先预测出哪种隐藏单元工作得最好。设计过程充满了试验和错误，先直觉认为某种隐藏单元可能表现良好，然后用它组成神经网络进行训练，最后用验证集来评估它的性能。这里列出的一些隐藏单元可能并不是在所有的输入点上都是可微的。例如，整流线性单元 g(z) = max{0, z} 在 z = 0 处不可微。这似乎使得 g 对于基于梯度的学习算法无效。在实践中，梯度下降对这些机器学习模型仍然表现得足够好。部分原因是神经网络训练算法通常不会达到代价函数的局部最小值，而是仅仅显著地减小它的值，如图 4.3所示。这些想法会在第八章中进一步描述。因为我们不再期望训练能够实际到达梯度为 0 的点，所以代价函数的最小值对应于梯度未定义的点是可以接受的。不可微的隐藏单元通常只在少数点上不可微。一般来说，函数 g(z) 具有左导数和右导数，左导数定义为紧邻在 z 左边的函数的斜率，右导数定义为紧邻在 z 右边的函数的斜率。只有当函数在 z 处的左导数和右导数都有定义并且相等时，函数在 z 点处才是可微的。神经网络中用到的函数通常对左导数和右导数都有定义。在g(z) = max{0, z} 的情况下，在 z = 0 处的左导数是 0，右导数是 1。神经网络训练的软件实现通常返回左导数或右导数的其中一个，而不是报告导数未定义或产生一个错误。这可以通过观察到在数字计算机上基于梯度的优化总是会受到数值误差的影响来启发式地给出理由。当一个函数被要求计算 g(0) 时，底层值真正为 0 是不太可能的。相对的，它可能是被舍入为 0 的一个小量 ϵ。在某些情况下，理论上有更好的理由，但这些通常对神经网络训练并不适用。重要的是，在实践中，我们可以放心地忽略下面描述的隐藏单元激活函数的不可微性。除非另有说明，大多数的隐藏单元都可以描述为接受输入向量 x，计算仿射变换 z = W⊤x + b，然后使用一个逐元素的非线性函数 g(z)。大多数隐藏单元的区别仅仅在于激活函数 g(z) 的形式。

AI分析心电图并诊断疾病 以色列理工学院的研究人员开发了一个基于人工智能的新系统，该系统使用增强的神经网络分析心电图，并可以自动检测疾病。 论文链接：https://www.pnas.org/content/118/24/e2020620118 相关报道：https://medicalxpress.com/news/2021-07-clinically-viable-ai-based-tools-medicine.html 材料：通过机器学习预测粘合属性 东京大学工业科学研究所的研究人员开发了一种机器学习模型，该模型可根据单个组件的参数确定粘合和吸收材料的特性。这是首个可预测材料多个不同属性的机器学习模型。 奇偶平价图显示预测值与计算值 论文链接：https://iopscience.iop.org/article/10.35848/1882-0786/ac083b 相关报道：https://phys.org/news/2021-07-bonding-bond-properties-machine.html

请务必仔细阅读！！！请务必仔细阅读！！！请务必仔细阅读！！！考试截止到2021年7月31日考试权限说明：本次考试仅支持完成华为RPA机器人14天训练营全部14天打卡任务的开发者参加。考生名单：请点击下方链接查看所有完成14天打卡的开发者名单（公布的名称为社区昵称（回复打卡时左侧头像下方的名称），非华为云账号，请仔细核对），如对名单有异议，请按照下方链接的提示联系相应小助手。https://bbs.huaweicloud.com/forum/thread-142167-1-1.html如您在名单中但无法参加考试，提示该课程只能通过邀请选修，请群内联系华为云开发者1号小助手沟通。考前准备：本次考试前请您务必将账号实名认证，并准备好身份证以及带有摄像头的PC机参加考试。考试流程：1.点击链接进入课程：https://education.huaweicloud.com/courses/course-v1:HuaweiX+CBUCNXE232+Self-paced/courseware/9d4aa9aa64344c429e5d7740610ddfe2/fe8964b95eac4790b6103f6bd7d16dd3/点击进入考试2.请仔细阅读注意事项再点击查看课程3.请再次阅读注意事项并点击参加考试4.根据系统提示完成摄像头检测、身份证认证最后完成考试即可证书获取说明：本次课程结业证书由华为云人工智能总裁贾永利先生签发通过考试后24小时，会获得证书，获取证书途径如下：1.登录华为云账号2.点击右上角开发者个人中心3.下拉页面后点击左侧云学院-我的证书，即可获取证书如您通过考试48小时后还没有获得证书，请群内联系华为云开发者1号小助手沟通解决。

    基于种群的多智能体深度强化学习（PB-MARL）方法在星际争霸、王者荣耀等游戏AI上已经得到成功验证，MALib 则是首个专门面向 PB-MARL 的开源大规模并行训练框架。MALib 支持丰富的种群训练方式（例如，self-play, PSRO, league training)，并且实现和优化了常见多智能体深度强化学习算法，为研究人员降低并行化工作量的同时，大幅提升了训练效率。此外，MALib 基于 Ray 的底层分布式框架，实现了全新的中心化任务分发模型，相较于常见的多智能体强化学习训练框架（RLlib，PyMARL，OpenSpiel），相同硬件条件下吞吐量和训练速度有着数倍的提升。现阶段，MALib 已对接常见多智能体环境（星际争霸、谷歌足球、棋牌类、多人 Atari 等），后续将进一步提供对自动驾驶、智能电网等场景的支持。    项目主页：https://malib.io。在深度学习领域，算力从来都是我们关心的一个重点，也是影响人工智能算法落地的一个关键因素。在很多应用场景里面，足够的算力支持可以显著加快算法从提出、训练到落地的效率，像是 OpenAI Five 的亿级参数量的使用，其每天的 GPU 计算用量在 770±50~820±50 PFlops/s。而在深度强化学习领域，随着应用场景从单智能体扩展到多智能体，算法的求解复杂度也呈现指数级增长，这也对算力要求提出了新的挑战，要求更多的计算资源能够被调用。特别是当所要处理的问题规模，涉及的智能体数量较多时，单机训练算法的可行度显著下降。多智能体强化学习要解决群体智能相关的问题，其研究往往涉及群体内智能体之间的协作与对抗。目前已有众多现实任务应用涉及大规模智能体和复杂多样化交互，例如人群模拟、自动驾驶以及军事场景中的无人机集群控制：人群模拟(http://gamma.cs.unc.edu/CompAgent/imgs/sitterson3.jpg)。自动驾驶（https://github.com/huawei-noah/SMARTS/blob/master/docs/_static/smarts_envision.gif）。无人机集群(https://defensesystems.com/-/media/GIG/Defense-Systems/Web/2015/JanFeb/CODEdrones.png)。在算法方面，解决此类群体问题的一个重要的途径是基于群体的多智能体强化学习方法，也是 MALib 目前阶段的重点瞄准方向。基于群体的多智能体强化学习（Population-based MARL, PB-MARL）涉及多个策略集合交互问题，下图展示了通常意义上基于群体的多智能体强化学习算法的主要流程。PB-MARL 算法是结合了深度强化学习和动态种群选择方法（例如，博弈论，进化策略）以自动拓展策略集。PB-MARL 能够以此不断产生新的智能，因而在一些复杂任务上都取得了不错的效果，如实时决策游戏 Dota2 、StrarCraftII，以及纸牌任务 Leduc Poker。但在实际问题中，目前的多智能体强化学习算法与应用尚有差距，一个亟待解决的问题便是算法在大规模场景下的训练效率。由于种群算法内在耦合了多智能体算法，致使其训练过程对数据的需求量极大，因而也需要一个灵活、可扩展的训练框架来保证其有效性。如何提高算法训练效率？对于依赖深度学习技术的很多领域，在面临任务规模变大，模型参数变多的情况下，都需要引入额外的技术来提高训练效率。分布式计算是一个最直接考虑的方法，通过多进程或者多机的方式，提高算法对计算资源的使用效率从而提升算法训练效率。而分布式技术在深度强化学习领域的应用，也催生了分布式深度强化学习这个领域的产生，其研究的重点包括计算框架的设计，以及大规模分布式强化学习算法的开发。近年来，为了更好地进行大规模深度强化学习算法的训练，研究人员发展了更加专用的训练框架，通过在算法接口和系统设计上进行抽象，来支持更为复杂的实时数据采样、模型训练和推理需求。然而，分布式强化学习技术的发展似乎还未触及群体智能这一问题。实际上，现有分布式强化学习框架对于一般多智能体强化学习算法的分布式计算支持是完全不够的，像 RLlib、Sample-Factory、SEED RL 这样的典型分布式强化学习框架，在设计模式上都是将多智能体任务当作单智能体任务来处理，而忽略了多智能体算法之间的异构性。对于其他强调智能体交互的学习范式，如中心化训练（centralized training）、基于网络的分布式算法以及带有通信功能的协作性算法都没有进行显式支持，缺乏对应的统一接口来简化算法实现和训练流程。因此，研究人员想要进行更多类型多智能体强化学习算法的分布式训练探索时，往往需要进行大量额外的编码工作。而对于多智能体强化学习算法框架方面的发展，现有的工作更多聚焦在算法实现，并不太注重算法在大规模场景下的扩展性，或者更多的是专为某些场景设计的算法库，像 PyMARL、SMARTS 这样的框架，其作用更偏向于服务专门领域内的 benchmark，在算法类型上，大部分框架也做得并不全面。因此对于多智能体强化学习算法框架支持这一块，也一直是缺乏一套比较全面的框架来打通算法实现、训练和部署测试这一套流程。我们认为以上两个发展现状的主要原因至少会有两点：（1）一个是因为多智能体算法本身在结构上具有的异构性较高，导致算法在接口实现的一致性和复用性上不是太高；（2）另一方面也是因为多智能体分布式算法依然处于早期探索阶段。此外，在分布式部署方面，现有分布式强化学习框架对 independent learning 算法的支持更友好，也更自然和直接。就像通常分布式技术在机器学习领域的应用一样，要解决目前分布式技术在大规模多智能体强化学习领域的更深层次的应用，算法和框架都必不可少，两者相辅相成。在算法方面，一个重要的途径是基于群体的多智能体强化学习方法，也是 MALib 目前阶段所重点瞄准的方向。基于群体的多智能体强化学习（Population-based MARL, PB-MARL）涉及到多个策略集合交互问题，下图展示了通常意义上基于群体的多智能体强化学习算法的主要流程。PB-MARL 算法特点是结合了深度强化学习和动态种群选择方法（例如，博弈论，进化策略）来进行自动策略集扩展。通过这种方式，PB-MARL 能够不断产生新的智能，并且在解决一些复杂任务上都取得了不错的效果，如实时决策游戏 Dota2 、StrarCraftII，以及纸牌任务 Leduc Poker。然而，也正是由于种群算法内在耦合了多智能体算法，导致这一类算法在训练过程对数据的需求极大，因此也需要一个灵活的、可扩展的训练框架来保证其有效性。    论文链接：https://arxiv.org/abs/2106.07551    GitHub：https://github.com/sjtu-marl/malib

各位开发者好，以下为最终统计的完成1天打卡开发者名单（也可下载附件查看）公示期：7月22日-7月27日码豆已发放，每人500码豆，请各位开发者去会员中心查看。https://devcloud.huaweicloud.com/bonususer/home/converge以下用户可能因改过华为云账号，导致发放失败，请于8月4日前联系群内小助手解决，逾期视作放弃哦，谢谢Leroy26傲曳人都怪好看长腿企鹅苏打气泡水奖励说明：我们会在公示期结束后对所有完成1天打卡用户进行奖励。（必须完成第1天打卡）奖品每人500码豆，发放上限20w码豆，前400人将会得到奖励。为了确保您顺利获得码豆，请先点击下方链接登录一次会员中心。https://devcloud.huaweicloud.com/bonususer/home/converge问题反馈说明：因本次活动部分开发者没有按照要求的格式打卡或者中途改过账号/昵称，所以有可能有遗漏，如有问题请开发者先不要激动，请联系群内小助手核实，超过公示期不再进行名单修改。望周知！！！小助手二维码：完成1天打卡名单（必须完成第1天打卡）昵称滴滴12138khg305387543Epoch.永恒的传说小航kiosko加油O幸福xltv哈哈哈菜呢kricoladu鸿琉米光量子Jack20雨幕杏仁yue石榴楠黄伟欢测试人员001cnfox0273是慢慢啊北冰洋.xiaobin8325咚咚咚咚咚咚caibyanyd_213994579是77呀！Sogoodeholo.yhlevi_viDevFeng叶辉sumingweb邓亮jill.mapan王者不在RPA学习交流感到MxA小灰灰1314hw0224张辉小小啦啦crazy_ljy是安可啊湬黍丧心病狂的雷克斯大人Olim1026笨笨2020蓝色橡树BK07idbaf_大掌柜yangfei91轩-x考过IE励志当攻城狮vlean01好久没出门yd_216885343喜悦温暖平静xssl0518没想好叫什么那李熙然yd_251873816繁依FanyiZootopiahw53863158yxshuibizi丹丹周多米诺的古牌zhangbo风路01谢家三少zekeloveGodLIke小影的旅途cupidhwmr0ya1_HUCHIAhhhhhF.T.Dwakaka_huawei随便到无语Bosx腾腾腾飞H、yd_278050186bluua1ALLEN-ZAniaArchive胜林hw58720111老码农mufengyaKatharine_X柚子皮啊likuannatieburg魔芋结阿弥陀佛KarryCould千江有水千江月hw43624871jinghenghengSdll黄狗狗真蒸汽鸿钧三清CarinaM壹贰叁martinzhuwangzunValenCheng胡琦lyz0699清风2打卡作业 Eon.gavinhall小小2018傻徒弟哦Mietteinhuawei禄仁恝lwq1228boxulinxuejiaHealsko慵懒ftbjlhappy00huangwt2010zxcjyd_77520685yd_219973012ypmilyLeon廖梦浩Jun昭小NNHelmondM_Taoboyce什么名字gerayhunkarcyongHello Diggeryd_290241179stylitewalkwiki打卡，学习Noipmahcfanny1210李子木蜡笔不辣吃的TenTwogltzglalan97zhaolann云中新秀HB1688ss_1122BCSmart腾foreverlightmocmocjxy小馨leilei123hw21591385Richard_zhangjianklompenlzqzmtsuiw7k神雷神VeryYoung孙小北赞赞赞赞赞%%yd_272618976anselmiao若无心迷糊zhoujiesesG-washingtonctabaabbzz爹Neil_Z打卡day1user_beifengJaneConanJk.Theseus阿媛yywuyicom魔芋666尛马kokolinpenguin_xiacyber-pix杨中敏Ethin傲曳人路人甲乙长腿企鹅专念阿弥陀佛小小火都怪好看wei生道wolfandy星斗苍凉bahoo陈家老五lu_zhishenLynnWangnukinsano0龙龙0odetaarray_linseewo小鲜wujiejieRayel路明军yujingv龙腾虎跃12138Nemo Nobody打哈哈hw47716223Lorna Houyd_259650523John2021Robin唔系肉饼Bryce_lxgeyeeUFO2021RPA_Zoe宛若溪流风火轮晴空1Leroy26zilongVian_1109快乐的苹果KenLiang荠菜L606有闲王员外sam2020tt动力推动咚咚锵nszb85200515Lychi清吾zzsfreedomzzp0617秦武亮0太过极端roger.lin望尽天涯路蓝瘦的蜕变hid_briem62bqmfdx9t超人1carl peng頭文字Cwebclubcode edgewwwinston风晴月resoundMingzyxucp醉卧独钓wayneleewang黄生花溪HouzRabbitCloud不会写代码的开发jikyousmilepkoray布拉没有格lihuan2008a苏打气泡水yzxcode edge

各位开发者好，以下为最终统计的完成3天打卡开发者名单（也可下载附件查看）公示期：7月22日-7月27日抽奖说明：我们会在公示期结束后对所有完成3天打卡用户进行抽奖。（必须完成前3天打卡）奖品为三合一数据线，奖品数量上限为150份，中奖概率（≤100%）为“150/完成连续打卡3天任务的总人数”。获奖信息公布：本次抽奖获奖用户如下：DAY3打卡获奖名单korayZootopia考过IE励志当攻城狮赞赞赞赞赞%%蜡笔不辣什么名字壹贰叁hw0224yzx胡琦李熙然anselmiaoaabbzz宛若溪流清风2是慢慢啊foreverlight张辉Healsko琉米lihuan2008aJaneConanhw21591385王者不在EthinJack20gavinhallCarinaMkhg305387543加油O幸福holo.yhJun昭老码农boyce石榴楠seewo打卡day1孙小北风火轮小影的旅途RabbitCloudKarryCouldjinghengheng花溪鸿钧三清HB1688ctabLeroy26喜悦温暖平静云中新秀风晴月叶辉ss_1122好久没出门martinzhuyujingvidbaf_zzsfreedomG-washingtonvlean01LynnWangBK07小鲜测试人员001打卡作业 Eon.咚咚锵adu鸿yangfei91resoundMingF.T.DzilongHIAhhhhh清吾禄仁恝zhangbo雨幕杏仁xssl0518hw53863158Olim1026快乐的苹果kioskoSdll柚子皮啊array_linhw43624871code edgezyxucp吃的SogoodewayneleewangAnia黄生lyz0699kokolin打卡，学习RPA学习交流wolfandy腾stylite李子木wakaka_huaweik神klompenbluua1cnfox0273GodLIke秦武亮0随便到无语penguin_xiao0龙龙0o爹bahoo哈哈哈菜呢Helmond咚咚咚咚咚咚笨笨2020Epoch.likuan小灰灰1314xuejia超人1yuesmilep繁依Fanyi迷糊谢家三少生道roger.linsumingweb丧心病狂的雷克斯大人雷神VeryYoungwalkwiki轩-x多米诺的古牌小小2018专念阿弥陀佛tsuiw7nukinsanJk.TheseusBosx风路01weiM_Tao阿弥陀佛是77呀！zxcjdeta小馨geray陈家老五恭喜以上开发者，相关获奖名单信息和抽奖过程也可下载附件查看。请Day3中奖用户在8月18日前点击下方链接填写获奖信息，我们会在截至日期结束之后尽快给您邮礼品，如您逾期没有填写，视为主动放弃奖励，望周知。Day3获奖信息填写链接：https://devcloud.huaweicloud.com/expertmobile/qtn?id=e3f0b3ac2c7e4a7aba2a180c49e955ab&utm_source=RPADAY3xinxi问题反馈说明：因本次活动部分开发者没有按照要求的格式打卡或者中途改过账号/昵称，所以有可能有遗漏，如有问题请开发者先不要激动，请联系群内小助手核实，超过公示期不再进行名单修改。望周知！！！小助手二维码：完成3天打卡名单（必须完成前3天打卡）昵称mufengyayxshuibizi老码农H、Jack20kiosko小鲜Jun昭wayneleewang湬黍李子木Helmond李熙然likuangavinhallxssl0518bahoowalkwiki蓝瘦的蜕变多米诺的古牌陈家老五不会写代码的开发Olim1026user_beifengjinghengheng加油O幸福打卡，学习蜡笔不辣yujingvyzxBK07好久没出门wangzun石榴楠hw53863158aabbzzJk.Theseus滴滴12138张辉风晴月清吾咚咚锵idbaf_吃的Epoch.小小2018hw0224boyceRPA学习交流宛若溪流慵懒ftb阿弥陀佛yue黄伟欢轩-x清风2尛马腾wolfandykorayzilongnukinsanmartinzhu测试人员001感到zxcjZootopiak神holo.yh云中新秀ctab鸿钧三清笨笨2020stylitecarl pengcnfox0273zzsfreedomAnia路人甲乙code edgesumingwebHB1688雨幕杏仁胜林迷糊anselmiaor0ya1_HUCNemo Nobodyarcyongwakaka_huaweivlean01Healsko邓亮腾腾腾飞小灰灰1314G-washingtonArchive赞赞赞赞赞%%hw43624871壹贰叁柚子皮啊Sogoode小影的旅途魔芋结bluua1LynnWangwuyicomF.T.Dkhg305387543natieburg布拉没有格谢家三少adu鸿CarinaMzhaolann胡琦kokolin永恒的传说M_Tao光量子千江有水千江月nszb85200515荠菜Bryce_lxypmily是慢慢啊foreverlightpenguin_xia专念阿弥陀佛禄仁恝考过IE励志当攻城狮Ethinlyz0699太过极端wei超人1打卡作业 Eon.o0龙龙0oLorna Hou小小火seewo叶辉北冰洋.array_linyangfei91lwq1228lu_zhishen丹丹周杨中敏John2021zekelovexltv星斗苍凉DevFenghw58720111Robin唔系肉饼cupidhwmLeon廖梦浩xuejiaBosx晴空1丧心病狂的雷克斯大人风火轮雷神VeryYoung快乐的苹果HIAhhhhh若无心LychiUFO2021打哈哈zzp0617花溪wujiejieleilei123GodLIke阿媛yyhid_briem62bqmfdx9txiaobin8325gerayroger.lin是77呀！咚咚咚咚咚咚頭文字C小馨什么名字zyxucp小小啦啦王者不在wwwinstoncaibyanzhangboRabbitCloudss_1122打卡day1smilepValenChengSdllLeroy26TenTwo琉米黄生Neil_ZKarryCouldlihuan2008a秦武亮0hw21591385风路01生道tsuiw7deta哈哈哈菜呢孙小北爹繁依Fanyiklompen喜悦温暖平静JaneConanresoundMingboxulin随便到无语