【摘要】 独家揭秘华为云AI技术能力和落地，手把手教你开发AI应用，更有资深专家解读AI转型。文章简介开发者如何抓住时代机遇，学好AI？学习人工智能之前，你需要了解这些。想了解人脸识别算法训练，看这篇就够了！初步了解人脸识别技术的发展，通过平台实例的操作，快速训练人脸识别模型。一文读懂文字识别的关键技术和进展华为云OCR融合了多种图像处理技术，具有高精度，鲁棒性和自适应性等特点。三招弱监督方法，从脏数据中得到一个好模型弱监督学习可以从有着大量噪音的互联网图片中训练出一个可用的模型。AI助力，视频分析全面进入智能时代基于人工智能的视频内容分析可以从根本上解决传统内容分析方法性能低下的问题。全面解读文本情感分析，快速识别正负面评价文本情感分析在社交媒体、舆情监测上有广泛应用，比如商品评价正负面的分析。人工客服质检效率低怎么办？华为云带你体验AI智能质检智能质检使用自然语言算法和预定义规则，分析客服与客户对话，提高效率。前沿技术探秘：知识图谱构建流程及方法知识图谱能破解企业智能化知识挖掘和管理难题，实现知识化转型。图神经网络！打开企业盈利的下一个风口图神经网络能做出更精准预测，提供个性化服务，实现精准化营销。画张图，我们就能秒级洞察千亿级复杂关系如果把关系数据模型比做火车的话，那么图数据建模就是高铁。ModelArts3.0 发布，一个让机器狗学会灭火的AI神器训练、标注成本节省90%，一站式AI开发平台ModelArts打通训练数据到模型落地。更懂开发者的视觉AI开发平台，HiLens为设备DIY一双“慧眼”通过端云协同管理和软硬件一体化开发方案降低开发门槛。华为集齐AI龙珠，“召唤神龙”为期不远系统介绍华为在AI芯片、训练集群到训练框架以及云计算等多方面的技术栈。文章简介【ModelArts】深度解读华为云 AI 开发平台 ModelArts 技术架构在竞争激烈的AI框架和平台市场下，技术解读ModelArts如何脱颖而出？【MoXing】华为云深度学习模型API，助你迅速上手AI开发MoXing是华为云深度学习服务提供的网络模型开发API，它让模型的代码编写更加简单。【昇腾AI】华为秀AI硬件实力，发布算力最强AI处理器昇腾910、MindSpore的推出，意味着华为已完成全栈全场景AI解决方案的构建。【昇腾AI】华为发布昇腾AI全栈软件平台，跨越算力应用鸿沟异构计算架构CANN 3.0、全流程开发工具链MindStudio和MindX，覆盖了基础软件到应用使能。【AI芯片】深度解读达芬奇架构：华为AI芯片的“秘密武器”达芬奇架构是华为自研的面向AI计算特征的全新计算架构，具备高算力、高能效、灵活可裁剪特性。【OCR】华为云OCR关键技术、能力分析，让产品落地做到极致硬件的底层优化、自研算子、优化数据模型，华为OCR背后的技术创新。【对话机器人】从架构、API到应用，华为云如何全局践行AI落地？华为云详解如何更好地实现云上强大AI能力的价值落地。【开源框架】MindSpore！这款刚刚开源的深度学习框架我爱了！通过两个实际应用案例介绍开源框架 MindSpore。文章简介【AI助农】华为云ModelArts零代码开发病虫害识别应用使用ModelArts快速开发农作物病虫害识别微信小程序，用人工智能的力量赋能农业。【AI识图】ModelArts自动分组厉害了，一键完成数据标注、过滤将特征相似的图片归为一类，将特征差别大的图片群分离。【AI写作】哎哟不错哦，ModelArts教你写周式情歌通过大量的歌词数据训练模型，实现AI写杰伦风格的歌词。【AI写作】七夕节来啦！AI一键生成情诗，去发给你的女朋友吧！一个自动生成情诗的AI，大家可以在ModelArts尝试复现模型。【AI识人】青春云毕业：如何用AI为毕业生“拍”毕业照？用AI简单而优雅地实现“云毕业照的拍摄”。【AI写作】要是有AI，我要做“李白”——五分钟开发作诗机器人本案例使用CBS为机器人快速配置技能，通过多轮对话实现机器人写诗技能。【AI聊天】听说华为云AI有个聊天官？——浅谈华小唯打造之路从确定人设、找写手到编写语料，一个会聊天的AI是这样被创造出来的。【AI识人】不知道斯嘉丽约翰逊演过哪些电影？知识图谱告诉你训练电影领域的自定义信息抽取模型，构建知识图谱，轻松查询斯嘉丽主演过哪些电影。 【AI聊天】史上最强DIY，手工制作一只会说话的机器狗在语音识别、自然语言处理、语音合成等技术加持下，机器狗实现更丰富的语音功能。【HiLens Studio体验】快速开发一个行人检测与跟踪 Demo凭借HiLens Studio, 任何时间、地点，都可以实现自己的idea。【HiLens Studio体验】如何用HiLens Studio轻松上手口罩检测小工具用HiLens的傻瓜开发工具做一个口罩识别小工具。【昇腾AI】“一分钟”跑通MindSpore的LeNet模型MindSpore的操作实践，献给踩坑的小伙伴。文章简介AI助力“抗疫”，超大规模计算机辅助药物筛选技术解读短时间完成上千万次的模拟计算，让耗时数月的计算机辅助药物筛选在数小时内完成。为机场安上一双“慧眼”，消灭飞机的“黑色十分钟”仅花三天完成AI模型开发，用AI防范跑道侵入事件的发生。一个AI开发平台是如何参与热带雨林保护的？华为要招聘动物语言翻译师，和公益组织一起用AI识别雨林中不和谐的声音。独家解析：为什么中国物流企业的数字化这么难？防暴力分拣、分拣路径优化、OCR单据识别、运输路径优化，AI正在改变物流行业华为云边缘智能技术新突破，多任务学习助力城市楼宇智能升级两个园区每月节省252 MWh的电量，省了36.75%以上的能源。用AI技术推动西安民俗文化，斗鱼超管团队有一套通过图片秒速识别，显示图片背后的那些历史故事。苏州平江河：借助华为AI让治水不再难借助AI，实现7*24小时自动识别抓拍非法撒网抓鱼、漂洗衣物等污损河道行为。文章简介华为专家亲述：如何转型搞 AI？资深行业人士真实经验分享，非AI专业技术人员转型 AI 技术要注意什么？华为云MVP毛昌启：开发者转型记，AI开发平台的“魔力”ModelArts让AI开发不再遥不可及，将普惠AI切实的落到开发者身上。华为云MVP袁覃：ModelArts助力银行客户经理的变形记看银行工作者如何在3天之内训练出泛化能力强的模型。云享专家潘永斌：在人工智能时代追逐的“后浪”ModelArts资深实践者的AI开发之旅。华为云MVP余浩：AI开发，将简单留给开发者，复杂留给华为云在华为云AI全栈全场景AI解决方案的帮助下，余浩带着他的学生做了很多实用的AI产品。华为云云享专家历天一：ModelArts与HiLens端云协同之路从数据标注、调参到模型部署，ModelArts与HiLens让开发者只需专注自己代码的编写。本合集为《大厂内参》004期，欢迎大家持续关注。大厂内参根据开发者普遍关注的热门技术领域，汇编实践精华内容。从业务场景选型，应用案例分析，到前瞻趋势预测。以专题的形式，深度解读华为云核心技术，分享一线工程师的实战经验。【第一期】敏捷&Devops：80+篇实践干货分享，深度解读敏捷&DevOps如何革新软件开发【第二期】数据库：从数据库科普到核心技术解读、上云案例分享，全方位剖析云数据库【第三期】云服务器：选型解读+案例分享：云服务器“软硬技术”全公开【第四期】人工智能：海量实战经验教你零门槛进场AI开发，无成本负担玩转AI应用【第五期】云原生：读懂云原生2.0，看它如何重塑业务开发架构【第六期】云安全：Get防范云安全的必杀技，学会构建云上完整安全体系【第七期】物联网：“端边云”IoT全栈技术大揭秘，开发实战指南带你轻松上手IoT【第八期】数据仓库：8大场景系列玩转数仓运维，做个不秃头的DBA

NLP，中文叫自然语言处理，简单来说，是一门让计算机理解、分析以及生成自然语言的学科，大概的研究过程是：研制出可以表示语言能力的模型——提出各种方法来不断提高语言模型的能力——根据语言模型来设计各种应用系统——不断地完善语言模型。NLP理解自然语言目前有两种处理方式：1.基于规则来理解自然语言，即通过制定一些系列的规则来设计一个程序，然后通过这个程序来解决自然语言问题。输入是规则，输出是程序；2.基于统计机器学习来理解自然语言，即用大量的数据通过机器学习算法来训练一个模型，然后通过这个模型来解决自然语言问题。输入是数据和想要的结果，输出是模型。接下来简单介绍NLP常见的任务或应用。NLP的作用1.分词中文可以分为字、词、短语、句子、段落、文档这几个层面，如果要表达一个意思，很多时候通过一个字是无法表达的一个含义的，至少一个词才能更好表达一个含义，所以一般情况是以“词”为基本单位，用“词”组合来表示“短语、、句子、段落、文档”，至于计算机的输入是短语或句子或段落还是文档就要看具体的场景。由于中文不像英文那样词与词之间用空格隔开，计算机无法用区分一个文本有哪些词，所以要进行分词。目前分词常用的方法有两种：基于规则：Heuristic（启发式）、关键字表基于机器学习/统计方法：HMM（隐马尔科夫模型）、CRF（条件随机场）（注：在这里就不具体介绍方法的原理和实现过程了，大家感兴趣，可以自行百度了解）现状分词这项技术非常成熟了，分词的准确率已经达到了可用的程度，也有很多第三方的库供我们使用，比如jieba，所以一般在实际运用中我们会采用“jieba+自定义词典”的方式进行分词。2.词编码现在把“我喜欢你”这个文本通过分词分成“我”、“喜欢”、“你”三个词，此时把这三词作为计算机的输入，计算机是无法理解的，所以我们把这些词转换成计算机能理解的方式，即词编码，现在普遍是将词表示为词向量，来作为机器学习的输入和表示空间。目前有两种表示空间：（1）离散表示：A.One-hot表示假设我们的语料库是：我喜欢你你对我有感觉吗词典{“我”：1，“喜欢”：2，“你”:3,“对“：4，“有”：5，“感觉”：6，“吗”：7} 。一共有七个维度。

炎症衰老“时钟”可预测年龄相关的健康问题据一项发表于《自然·衰老》的研究，研究人员基于来自1001个参与者（8~96岁）的血液免疫学数据，开发了一种机器学习算法——炎症性衰老“时钟”（iAge）。该时钟基于一种概念，即血液中特定免疫细胞和蛋白的水平会随衰老而波动；研究发现，iAge数值越大的人，出现年龄相关性全身炎症模式的时间也越早，还更容易经历各种长期健康问题，包括免疫功能下降、心血管疾病，或是身体提前开始虚弱。研究还显示，趋化因子CXCL9通常会帮助免疫系统激活T细胞，导致iAge数值增大。作者认为，iAge时钟提供了一种检测年龄相关性疾病和免疫功能下降风险的新方法，并提出CXCL9和其他iAge蛋白是治疗这些症状的潜在靶点。

数据挖掘（Data mining）是一个跨学科的计算机科学分支。数据挖掘有以下这些不同的定义：“从数据中提取出隐含的过去未知的有价值的潜在信息”  ，“一门从大量数据或者数据库中提取有用信息的科学”。数据挖掘运行是使用数据挖掘的设置对数据挖掘模型的计算。数据挖掘标准依据数据挖掘技术可 处理运行的过程，提出并规范了通常所用的四个计 算阶段：(1)训练阶段(training phase)： 这是所有数据挖掘技术公用的，用于计算数据挖掘模型的阶段。该 阶段在建立模型前需要准备数据并做预处理。在预 处理时要定义识别字段分配给有关的信息，如挖掘 类型和特定的控制字段。在分类和回归技术中用的 训练阶段还要有一个确认处理，称确认阶段，作为 数据挖掘分类和回归技术训练阶段的一部分。它给数据挖掘模型输入另外的数值组，可作为测试阶段 的描述，其结果作为实例以决定运算法则结束时间。(2)模型自查阶段(model introspection phase)： 也是所有数据挖掘技术普遍使用，用以解释和评估 模型。将模型与目标一起细查，揭示训练阶段中数 据的相关性，以期达到两个目的： ①找出数据中潜 在的规律，有助于进一步解释模型; ②找出有统计 价值的特性，有助于评估模型的质量。(3)测试阶段(testing phase)： 只用于分类和回 归。测试时为模型的对象字段读入系列数值组，在 应用中评估每个数值组，将预测数值和对象字段里 的实际数值做比较，其结果可为使用者或应用提供 实例，以此决定模型以质量为基础能否应用于实际。(4)应用阶段(application phase)： 模型应用期间 输入数据组用来评估模型，或用较多的数据组来计 算模型。为了能正确地使用模型的输入值，必须将 其分配到训练阶段确认的相关字段中。一个预定课 题的模型应用，产生一个表可以控制相关的其他课 题。模型由一个或多个规则的特定输入而得出推论， 推论结果可与附加特性一并提交。特定情况下，推 论是对模型可信度的支持。这几个阶段不是一次完成的，数据挖掘运行当 包括训练阶段时调用训练阶段运行，当包括测试阶 段时调用测试阶段运行。其中某些阶段要反复多次， 各项功能也不是独立实现的，有时要几种方法互相 联系才能发挥作用。

批数据训练和流式数据训练    批数据训练是指读取离线静态的数据集并进行模型参数更新的训练方式。批数据训练是当前绝大部分人工智能应用采用的训练方式,即通过提前的数据清洗、标注、增强等流程准备好离线的数据集,再输入模型中进行训练。流式数据训练是指不断读取流式数据并进行模型参数快速更新的训练方式。与批数据训练相比,流式数据训练所需数据量更小,模型更新更加频繁,能够快速适应环境变化。在此框架下,数据处理和训练过程是动态耦合的,训练过程由人工或系统配置驱动,持续不断地滚动进行。流式数据和批数据训练并没有非常严格的界限,在某些场景下流式数据训练也可以看作迭代频率较高、批量较小的批数据训练。如图所示,批数据训练和流式数据训练在读取数据方面有很大的不同。一般批数据训练从离线的存储系统中读取数据,而流式数据训练从实时流系统(如 Flink等)的消息队列中获取实时数据。    数据的读取和解析对模型训练的效率影响非常大。以批数据训练为例,数据读取不是简单地将数据从存储介质中取出的过程,还需要考虑数据读取速度、数据传输的策略。当模型训练需要频繁读取大量小文件的时候,数据读取速度可能成为训练速度的一个瓶颈;同时,数据的切分和读取策略也会影响模型的精度。 Modelers内置的高阶开发框架 MoXing支持方便地读取各种数据集目录组织方式，可以利用mox. meta模块实现数据元信息的快速获取,样例代码如下：lmport moxing as mox source mox. dmeta ImageClassificationManifest Source('obs: //bucket/path/a manifest' print( source. train. all files list) #>>>[('obs://bucket path/train/xxx. jpg, obs: //bucket/path/train/xxx. xm1'),.] print( source. train. num classes #>>>8 print( source. train labels to names) #>>>(0: 'label a', 1:'label b',...) meta mox. dmeta ImageClassificationRawMetadata('/tmp/data/flower- photos' print( meta. all files list #>>>[/tmp/ data/flower_photos/daisy/xxx. jpg',.. print( meta labels to names) #>>>10:'daisy', 1:'dandelion' 2: 'roses,3:'sunflowers', 4:'tulips') print(meta num samples >>>3670 print(meta num classes) #>>>5

瑞士洛桑联邦理工学院（EPFL）分子模拟实验室的研究人员使用机器学习模型预测材料和化合物中金属的氧化态问题。氧化态描述了一个原子必须获得或失去多少电子才能与另一个原子形成化学键，目前的最新预测技术仍然基于 20 世纪初提出的「价键理论」。该团队使用剑桥结构数据库训练模型，只考虑金属中心周围的直接局部环境，捕捉到了化学学科的集体知识。论文于7月5日发表在《Nature Chemistry》杂志上。 论文链接：https://doi.org/10.1038/s41557-021-00717-y相关报道：https://phys.org/news/2021-07-machine-oxidation-states-crystal.html

预训练语言模型在近两年得到了蓬勃发展，复旦大学的邱锡鹏教授在Pretrained models for natural language processing: A survey这篇综述论文中整理了一张预训练语言模型分类体系图，如下。依据四种不同的分类标准，对主流预训练语言模型进行了分类整理。第一个标准是语言表示是否上下文相关。早期的预训练语言模型（如word2vec、GloVe）都是上下文无关的，而ELMo 之后的大多数预训练语言模型都是上下文相关的。第二个标准是模型的核心结构。例如，ELMo 使用的是双向LSTM 结构，而BERT 的核心结构是Transformer Encoder，GPT 的核心结构是Transformer Decoder。第三个标准是任务类型，可以分为有监督模型和无监督/自监督模型两类。例如，机器翻译模型（训练数据通常是句对）属于有监督模型，如CoVe等，而大多数预训练语言模型都属于无监督/自监督模型，如ELMo、BERT等。第四个标准是模型扩展。随着预训练语言模型的发展，出现了不同的扩展方向，如模型结构的扩展、领域的扩展、任务的扩展和模态的扩展等。有了这张图，对于预训练语言模型的分类，就看得比较清楚明白~

在利用CNN 进行图像的预训练时，浅层特征更加通用，深层特征更加具体。通过对BERT 的观察，研究人员发现预训练语言模型也有相同的表现，随着模型由浅至深，特征也更具体。下图给出了针对BERTLARGE提取语义和语法信息的结果，其中，语法信息（Syntactic Information），如词性（Part-Of-Speech，POS）、成分（Constituents）、依存（Dependencies）更早出现在BERTLARGE 的浅层，而语义信息（Semantic Information），如共指消解（Coreference）、语义原型角色（Sementic Proto-Roles，SPR）等则出现在BERTLARGE 的深层。目前，预训练语言模型的通用范式是：（1）基于大规模文本，预训练得出通用的语言表示。（2）通过微调的方式，将学习到的知识传递到不同的下游任务中。这里以GPT为例，简单介绍在预训练之后，在下游，不同的自然语言处理任务的具体用法如下图所示。左边，是基于Transformer 的GPT 的基本框架，而图右边则展示了如何将不同的自然语言处理任务调整至适应GPT 框架的形式。以分类任务为例，在一段文本的开头和结尾分别加上“Start”和“Extract”标示符对其进行改造，然后使用Transformer 进行处理，最后通过线性层（Linear）完成监督学习任务，并输出分类结果。类似地，对于多选（Multiple Choice）任务，需要根据上下文（Context）选择正确答案（Answer）。具体来说，如图7所示，将答案“Answer”，与其上下文“Context”通过添加首尾标示符及中间分隔符的方式进行改造，对其他答案进行相同的操作，然后分别经过Transformer，再经过线性层，得到每一个选项的可能性概率值。由于不同的预训练语言模型的结构不同、优势不同，在实际应用中，需要根据具体的任务选择不同的模型。例如，BERT 系列模型更适用于理解任务，而GPT 系列模型更适用于生成任务。

Day1 hl2285198994 想吃饺子

▌华为RPA设计器介绍-视频访问地址:  华为内网  https://adctools.gde.Huawei.com            公网：https://rpa-sh.gde.huawei.com官网地址：https://gde.huawei.com/#/group/weautomate_rpa/huawei_weautomate_rpa社区论坛：https://bbs.huaweicloud.com/forum/forumdisplay-fid-719-orderby-lastpost-filter-typeid-typeid-1993.html培训学院：登录ilearningX.Huawei.com，搜索RPA；微信公众号：HUAWEI WeAutomate;

RPA训练营第三天爬坑之旅 踩坑地点：【例9.1】打开华为官方网站搜索手机。具体实现步骤(3) 在弹出的Web 录制器画面中，选择Chrome浏览器并填写URL然后点击“开始”按钮，  弹出报错页面  于是按照3个报错原因一一排查。 A.将华为地址换成了www.baidu.com。跳转失败。原因1排除。 B.浏览器未正确安装。检查了谷歌版本，插件，驱动，一切正常      C.重点放在了原因3上面。因为当时安装studio时，驱动是默认安装的。这就懵逼了，好在及时咨询了RPA群里的专业老师，直接指明了错误所在：驱动版本太低，默认的驱动是最低版本，需要自己手动替换为最接近自己chrome的驱动的驱动。 于是在登录https://chromedriver.chromium.org/downloads ,下载和自己电脑谷歌最相近的驱动。没有64的windows版本，我下载的是32位的。  回到studio界面，点击Web驱动，按下图所示，导入最新的驱动。  按照上述步骤操作完成后，建议重启下浏览器和studio。 继续按照文档要求，可以正常跳转的华为网页。后续的web录制，也很顺利，最终运行处想要的结果。 RPA第三日爬坑之旅结束。

1.求某个数的阶乘  ：沙发 循环法和递归法2.求几个数的阶乘和 ： 板凳 循环法和递归法3.求数组元素的最大值 ： 4楼  循环法和递归法4.求数组元素的和 ： 5楼 循环法和递归法

Day2+zhaolanlan+lann

利用暑期时间参加华为云DevCloud训练赛不仅可以练学一体涨知识分享学习心得还可以拿最终大奖本贴盖楼更有好礼相送！》》活动报名请点击《《学习经验、实验问题对软件行业的看法、为未来工作场景的好奇统统可以发表在此贴的评论区以下规则针对参与大赛并提交作品同学们必看内容哦~>>戳此处立即报名大赛<<【大赛规则】1、本次训练营分为三个环节：DevCloud学习课程、在线沙箱实验、线下校内小班授课实验；2、完成前两个环节的内容，并发表了心得分享的同学，可获得华为云官方结业证书（电子版）；加群获取证书领取方式（QQ群号：628319161）。3、心得分享评分标准：请同学们按照学习经验、产品真实反馈、遇到的问题等这几个维度发表真实的使用感受；4、参与小班授课的同学，根据线下实验成绩（60%）+心得分享（40%）=总成绩，根据总成绩排名，分别评出以下奖项：卓越奖1名、优秀奖2名、进步奖3名、积极奖5名、青春奖10名（详情见下表）。奖项数量奖品卓越奖1荣耀手环 5i 标准版（陨石黑）触控大彩屏 表盘市场 USB随充 心率血氧睡眠监测 智能运动手环优秀奖2荣耀极简背包（黑色）进步奖3荣耀体脂秤积极奖5华为自拍杆青春奖10数据线+攻城狮AR pvc材质行李牌/卡套说明：（1）奖品将在大赛结束后统一发放；（2）如因缺货等原因导致奖品缺失，将替换为等价值其他奖品。（3）获奖名单将在活动交流群和本帖进行公布，活动开启后每周刷新一次【心得分享示例模板】我的华为云账号：xxx我的姓名：xxx我的分享：本次学习经验、实验问题、对软件行业的看法、为未来工作的好奇等等不限，如：本次实验比较复杂，但很有学习意义，尤其在###环节，很有收获。附实验完成截图：有问题请加入QQ交流群并@华为云小助手哦！（QQ群号：628319161）