自回归（Autoregressive）和自编码（Autoencoder）两种不同的模型。简单来讲，自回归模型可以类比为早期的统计语言模型（Statistical Language Model），也就是根据上文预测下一个单词，或者根据下文预测前面的单词。例如，ELMo 是将两个方向（从左至右和从右至左）的自回归模型进行了拼接，实现了双向语言模型，但本质上仍然属于自回归模型。自编码模型（如BERT），通常被称为是降噪自编码（Denosing Autoencoder）模型，可以在输入中随机掩盖一个单词（相当于加入噪声），在预训练过程中，根据上下文预测被掩码词，因此可以认为是一个降噪（denosing）的过程。这种模型的好处是可以同时利用被预测单词的上下文信息，劣势是在下游的微调阶段不会出现掩码词，因此[MASK] 标记会导致预训练和微调阶段不一致的问题。BERT 的应对策略是针对掩码词，以80% 的概率对这个单词进行掩码操作，10% 的概率使用一个随机单词，而10% 的概率使用原始单词（即不进行任何操作），这样就可以增强对上下文的依赖，进而提升纠错能力。XLNet 改进了预训练阶段的掩码模式，使用了自回归的模式，因此XLNet 被看作广义的自回归模型。国际计算语言学协会（The Association for Computational Linguistics）主席、微软亚洲研究院前副院长周明曾给出了一个关于自回归和自编码模型的示例，如图所示。自回归模型，就是根据句子中前面的单词，预测下一个单词。例如，通过“LM is a typical task in natural language ____”预测单词“processing”；而自编码模型，则是通过覆盖句中的单词，或者对句子做结构调整，让模型复原单词和词序，从而调节网络参数。在图(a) 所示的单词级别的例子中，句子中的“natural”被覆盖，而在图 (b) 所示的句子级别的例子中，不仅有单词的覆盖，还有词序的改变。可以看出，ELMo、GPT 系列和XLNet 属于自回归模型，而BERT、ERINE、RoBERTa 等属于自编码模型。

2013 年，word2vec 开启了自然语言预训练的序章。随后，Attention的出现使得模型可以关注更重要的信息，之后的几年，基于上下文的动态词向量表示ELMo，以及使用Self-Attention 机制的特征提取器Transformer的提出，将预训练语言模型的效果提升到了新的高度。随后，BERT、RoBERTa、XLNet、T5、ALBERT、GPT-3 等模型，从自然语言理解及自然语言生成等角度，不断刷新自然语言处理领域任务的SOTA 表现。

近年来，无人机已被广泛应用于很多领域，它不仅可以完成很多的任务，包括轨迹规划、避障、巡航等，在民用、军事都有很广泛应用，而且还有降低成本、提高效率、减少损失等很多作用。　　但是传统的无人机任务都采用飞控控制，需要人为操作。为了使无人机可以具备更广的适用性，或者从技术上来说拥有更好的泛化能力，深兰科学院尝试用强化学习来训练无人机做指定的任务。如果训练效果能够达到足够稳定的性能，则可以进一步实现商用目的。本文在此基础上，带大家简单了解一下强化学习的基础知识。　　强化学习小课堂什么是强化学习？　　1、强化学习　　强化学习（Reinforcement Learning RL）也有很多其他名字，例如再励学习、增强学习、评价学习，是机器学习的范式和方法论之一，用于描述和解决智能体在与环境的交互过程中，通过学习策略以达成回报最大化或实现特定目标的问题。　　　　上图为经典的强化学习结构图，从图片中可以看出，强化学习过程主要由4部分构成：智能体（agent）、观测到的状态（observation/state）、奖励（reward）和行为（action）。　　一个强化学习的过程中，智能体获得从当前环境中观测到的状态，然后根据这一状态采取一定的行为或策略，同时，有一个评价系统来评价这个行为的好坏，并返回正/负奖励给到智能体。循环往复，直到完成整个任务，此为一次强化学习的交互。整个强化学习训练过程就是，智能体与环境不断的交互，最终会学习到合理的策略，让奖励最大或者达到某个任务（指定的状态）。　　　　强化学习受行为主义心理学的启发，例如巴甫洛夫条件反射实验，训练摇铃小狗流口水。小狗看到吃的流口水、摇铃不流口水，实验中就采取摇铃并给狗喂狗粮的方法不停训练，最终即使在没有狗粮，只摇铃的情况下，小狗也会流口水。　　强化学习与此类似，是让智能体在与环境交互的过程中，一旦选择对的行为则给予正奖励加强这种行为，在不断的训练过程中使得智能体选择最合适的行为，最终使得智能体的每一步都能选择合理的行为，从而达到整体任务奖励最大化，并完成任务。　　2、深度强化学习　　我们一般所说的强化学习其实是深度强化学习（Deep Reinforcement Learning DRL），深度强化学习是强化学习与深度学习结合的结果。顾名思义，就是将传统强化学习中的某一部分用深度学习来完成。　　传统强化学习中的行为以及价值都是需要人为定义的，这也就是为什么传统强化学习起源较早，但是应用并不广泛的原因之一。而深度学习恰好将这一问题解决了，强化学习中的行为以及价值都用一个深度学习的网络来学习得到，这样不需要人为设定，使得强化学习可以广泛应用于很多领域。而传统强化学习无法解决的连续性动作的问题，深度强化学习也可以解决，使用对应的Actor-critic网络即可。　　深度强化学习的分类，有很多种分类标准。　　从智能体的个数上，可分为单智能体算法和多智能体算法；从是否基于模型的角度，可分为model-based和model-free；从训练时策略的选择，可分为on-policy和off-policy等等。　　这里不一一展开，但在实际运用强化学习的时候，根据具体的任务或者项目，需要选择合适的深度强化学习算法。　　强化学习可以解决什么问题？　　　　这张图是2016年引起热议人工智能的AlphaGo事件，AlphaGo打败了围棋世界冠军李世石。AlphaGo作为一个智能体，就使用了深度强化学习技术进行了训练。在这一场景中，状态就是每一时刻的棋盘，行为就是下棋的动作，而评价系统会根据每一步棋的价值返回奖励。完成训练的AlphaGo在与李世石的比赛中，根据当前的棋盘选择最优的行为“下一步棋”，最终击败了李世石，这就是强化学习的一个具体应用。　　智能体在不断与环境交互的过程中，会保留上次学习过的经验，下一轮与环境交互时，会选择奖励更大的行为，一般用来解决“智能体与环境交互时通过决策选择最好的行为”的这一类问题。

郑思玥

一、决策树算法简介决策树算法是机器学习的经典算法之一，产生于上世纪六十年代，当下主要分为ID3算法、C4.5算法以及CART算法。ID3算法和C4.5算法核心思想均为通过计算样本信息熵进行分类，两者的区别在于ID3算法基于信息增益作为特征选择的指标，而C4.5则是基于信息增益率作为特征选择的指标，本例中使用ID3算法进行分类。CART算法则是使用基尼指数作为特征选择的指标。二、ID3算法的基本思想ID3算法的核心是统计学中信息熵的概念，通过计算信息熵来判断该数据样本的“纯度”，信息熵越大，数据样本越不“纯”，分类需要的数据量就越大。信息熵的计算公式：info(D)info(D)=-\displaystyle\sum_{i=1}^{k} p_i*\log_2(p_i)i=1∑k​pi​∗log2​(pi​)其中p_ipi​是概率下面介绍一下ID3算法的步骤1.计算类别信息熵将所得到的数据集按照类别逐个计算其信息熵再相加，假设在数据集D中有k个类别，且第i个类别在数据集中所占的概率为p_ipi​，则信息类别熵为：info(D)info(D)=-\displaystyle\sum_{i=1}^{k} p_i*\log_2(p_i)i=1∑k​pi​∗log2​(pi​)2.计算每个特征的信息熵将数据集根据某个特征进行分类后，计算该种特征的条件下各种类别的类别信息熵，也称条件熵。假设将数据集按照特征A进行分类，且A有m个类别，则其计算公式为：info_A(D)infoA​(D)=-\displaystyle\sum_{j=1}^{m} |D_j|/|D|*info(D_j)j=1∑m​∣Dj​∣/∣D∣∗info(Dj​)其中的D_jDj​是指数据集的类别在A特征的各个类别下的样本数量（注意数据集的类别和A特征的类别是不同的概念，比如要在一个数据集中判断一个人在某天心情的好坏，好和坏就是数据集的类别，而一天中有一个特征是天气，天气的类别是晴天、雨天和阴天，我们要算的是心情好和坏分别在晴天，雨天和阴天中的分布的离散情况）其他特征的条件熵也是相同的计算方法3.计算信息增益通过前面两个步骤我们得到了数据集的信息熵和属于各个特征的条件熵，根据第二个步骤我先进行的分类再进行信息熵（或者说条件熵）的计算，分类之后数据的混乱程度肯定降低，也就是说条件熵会小于数据集的信息熵，信息增益则是条件熵和信息熵之间的差值，用来衡量使用该特征分类的效果好坏，假设用特征A进行分类，其信息增益公式为：Gain(A)Gain(A)=info(D)info(D)-info_A(D)infoA​(D)通常我们选择信息增益最大的特征作为分类的节点三、基于ModelArts平台实现ID3算法1.数据集来源数据集选用的是AIGallery的表格类型数据集《硬盘故障预测数据集》网址链接：https://marketplace.huaweicloud.com/markets/aihub/datasets/detail/?content_id=1b5d6ec0-adc0-4fdd-b03f-fecad119eab52.sklearn实现模型部署#导入相关库 import matplotlib.pyplot as plt import pandas as pd import numpy as np from sklearn.model_selection import train_test_split from sklearn import tree from sklearn.metrics import accuracy_score import time #载入数据集 train_test_set = pd.read_csv("dataset_2020.csv",header=0) data = train_test_set.values #分出标签集和特征集 features = data[::,5::2] lables = data[::,4] features = pd.DataFrame(features) lables = pd.DataFrame(lables) lables = lables.astype("float32") #删去整列都是空值的列 features = features.dropna(axis=1,how="all") #将缺失值用中位数填充 features = np.array(features) for i in range(features.shape[1]): temp = np.array(features)[:,i].tolist() median = np.nanmedian(temp) features[np.argwhere(pd.isna(features[:,i].T)),i] = median features = pd.DataFrame(features,dtype="float32") #分出训练集和测试集 train_features,test_features,train_lables,test_lables = train_test_split(features,lables,test_size=0.33,random_state=0) time_1 = time.time() #选用ID3算法 clf = tree.DecisionTreeClassifier(criterion='entropy', random_state=10, splitter='random', ) clf.fit(train_features,train_lables) time_2 = time.time() print('Training cost:{}s'.format(time_2-time_1)) #预测 test_predict = clf.predict(test_features) time_3 = time.time() print("Predicting cost:{}s".format(time_3-time_2)) #得分 score = accuracy_score(test_lables,test_predict) print("score is {}".format(score)) #学习曲线 scores1 = [] for x in range(4,20): clf = tree.DecisionTreeClassifier(criterion='entropy', random_state=10, #使得每一次生成的树都一样 splitter='random',#分类的特征随机,减少过拟合的可能性 max_depth=x #树的最大深度 ) clf.fit(train_features,train_lables) test_predict = clf.predict(test_features) score = accuracy_score(test_lables,test_predict) scores1.append(score) plt.plot(range(4,20),scores1,color='red',label="max_depth") plt.legend() plt.show() scores2 = [] for y in range(2,30): clf = tree.DecisionTreeClassifier(criterion='entropy', random_state=10, splitter='random', max_depth=18, min_samples_split=y #至少有y个样本才会分枝 ) clf.fit(train_features,train_lables) test_predict = clf.predict(test_features) score = accuracy_score(test_lables,test_predict) scores2.append(score) plt.plot(range(2,30),scores2,color='red',label="min_samples_split") plt.legend() plt.show() #手动调参到目前为止效果最好的参数 clf = tree.DecisionTreeClassifier(criterion='entropy', random_state=10, splitter='random', max_depth=18, min_samples_split=16, ) clf.fit(train_features,train_lables) test_predict = clf.predict(test_features) score = accuracy_score(test_lables,test_predict) print(score) #目前最好的预测得分达到0.78153.部分参数解释tree.DecisionTreeClassifier():criterion：决策树衡量划分质量的方法，默认值为‘gini’（基尼指数），默认值下为CART算法，另外一个可选参数为 ‘entropy’(信息增益),选择此参数为ID3算法。random_state：默认值为 ‘None’，可任意设为一个常数，设为常数时可以简单理解为使得每次运行模型都会得到一个相同的树。splitter：节点划分策略，默认值为 ‘best’(最优划分)，模型会在特征的所有划分点中找出最优的划分点；可选参数有 ‘random’(随机局部最优划分)，模型会随机地在部分划分点中找到局部最优的划分点。'best’适合样本量不大的情况下， 'random’适合样本量比较大的时候,是减少过拟合的方法之一。max_depth:树的最大深度，默认值为 ‘None’,指定模型中树的的最大深度。min_samples_split:内部节点能继续划分所包含的最小样本数，是防止过拟合的方法之一。转自，决策树算法实例操演——基于ModelArts平台（小白机器学习初体验）-云社区-华为云 (huaweicloud.com)

最早期的n-gram 模型，是基于统计的语言模型，通过前n个词来预测第n+1个词。分布式理论（Distributional Hypothesis）在20世纪50年代被提出，这也是近10年，从word2vec到BERT 等一系列预训练语言模型的自然语言表示的基础思想。早期的词袋模型，虽然能够方便计算机快速处理，却无法衡量单词间的语义相似度。到了1986 年，分布式表示（Distributed Representation）被提出。虽然分布式理论和分布式表示同样都有“分布式”这个词，但其英文表述是不一样的，含义也不尽相同。分布式理论的核心思想是：上下文相似的词，其语义也相似，是一种统计意义上的分布；而在分布式表示中，并没有统计意义上的分布。分布式表示是指文本的一种表示方式。相比于独热表示，分布式表示将文本在更低的维度进行表示。随着word2vec和GloVe等基于分布式表示的方法被提出，判断语义的相似度成为可能。下图给出了GloVe 词向量的可视化结果。2013 年之后，基于大规模的文本数据训练得到的分布式表示，逐渐成了自然语言表示的主流方法。在这种方式下，每个单词都有了一个固定的词向量表示，语义相近的单词，其向量也是相似的。从图3中可以看出，queen 和king，以及woman 和man 就是以“性别”为基准来对应的单词。有了自然语言的表示，就可以将表示后的词向量送入神经网络进行训练。这就是第一代预训练语言模型。word2vec 的提出时间是2013 年，那么为何在2018 年ELMo出现之后，预训练语言模型才有了突飞猛进的发展呢？最重要的原因就是，之前的词向量表示无法很好地解决一词多义的问题。我们都知道，多义词是自然语言中的常见现象，也体现了语言的灵活性和高效性。例如，单词play 可以表示玩游戏，可以表示播放，可以表示做某项运动，还可以表示演奏某个乐器。但在以word2vec 为代表的第一代预训练语言模型中，一个单词的词向量是固定不变的，也就是说，在对单词play 进行向量表示的过程中，不会区分单词的不同含义，这就导致无法区分多义词的不同语义。美国语言学家Zellig S. Harris 在1954 年的一篇文章[10] 中提到：“在相近上下文中出现的单词是相似的”（words are similar if they appear in similar contexts）。英国语言学家John Rupert Firth 在1957 年的A synopsis of linguistic theory 中提到：“你可以通过单词的上下文知道其含义”（You shall know a word by the company it keeps）。EMLo 论文的原始标题是Deep contextualized word representation，从“contextualized”一词可以看出，ELMo 考虑了上下文的词向量表示方法，以双向LSTM 作为特征提取器，同时考虑了上下文的信息，从而较好地解决了多义词的表示问题。ELMo 开启了第二代预训练语言模型的时代，即“预训练+ 微调”的范式。自ELMo 后，Transformer[11] 作为更强大的特征提取器，被应用到后续的各种预训练语言模型中（如GPT、BERT 等），不断刷新自然语言处理领域任务的SOTA（State Of The Art，当前最优结果）表现。Transformer 是由谷歌在2017 年提出的，其创新性地使用了Self-Attention（自注意力），更善于捕捉长距离的特征，同时其并行能力也非常强大，逐步取代了RNN，成了最主要的自然语言处理特征提取工具。

5 Hierarchical Multi-Scale Attention for Semantic Segmentation5.1动机大尺度物体在较小分辨率的特征图上会分割的更好，而小尺度物体则需要精细的细节去推理分割结果，所以在较高分辨率的特征图上进行预测结果会更好。且论文也举例分析了此情况的缘由，如下图所示。图12  不同尺寸物体在不同分辨率上的分割表现因此本文采用注意力机制的方法让网络去学习如何最好地组合多个尺度的推理预测。非常直观的做法就是输入不同分辨率的图片，让网络学习一下，什么样的物体应该用什么样的分辨率。5.2模型结构图13 分层多尺度注意力机制训练阶段：本文提出的attention机制与之前的某个方法类似（Attention to scale: Scale-aware semantic image segmentation，图13中左侧方法），对于每个尺度学习一个密集的mask，然后不同尺度的预测再结合起来，这些多尺度预测通过在mask之间进行像素相乘，然后在不同尺度之间进行像素求和，从而得到最终结果。在本文的分层方法中，学习相邻尺度之间的相对attention掩码，而不是学习每个固定尺度集的所有attention掩码。在训练网络时，只训练相邻尺度对。如上图13所示，给出一组来自lower scale的特征图，预测一个两个图像尺度之间的密集的相关attention。在实验中，为了得到scaled图像对，使用一个输入图像然后将其下采样两倍利用scale尺度2，这样，就有一个1x的输入和一个0.5x的缩放输入，当然其他scale-down尺度也可以选择。需要注意的是，网络输入本身是原始训练图像的重新缩放版本，因为我们在训练时使用图像缩放增强。这使得网络学会预测一个范围内的图像尺度的相对注意力。在训练过程中，给定的输入图像按因子r进行缩放，其中r= 0.5表示向下采样按因子2进行，r= 2.0表示向上采样按因子2进行，r= 1表示不进行操作。对于训练过程，选择r= 0.5和r= 1.0。因此，对于两种尺度的训练和推断，以U为双线性上采样操作，将∗和+分别作为像素级的乘法和加法，方程可以形式化为:上式中注意力权重α的计算步骤：1）获得OCR模块输出的augmentations，即图9中的正蓝色块。2）见过若干次连续的conv-bn-relu后，获得维度为b×1的向量3）对b×1的向量进行sogmoid后，便获得一个batch上的注意力权重α。推理阶段：在推理阶段，分层的应用学到的注意力来结合N个不同的scale预测。关于各尺度的组合优先考虑较低的scale，然后逐步上升到较高的scale，因为，它们具有更多的全局上下文信息，对于需要改进的scale可以使用更高scale的预测。多尺度推理时，各尺度组合先后顺序：{2.0，1.5，1.0，0.5} 6 论文链接1.HRNet：https://arxiv.org/abs/1908.079192.OCR：https://arxiv.org/abs/1909.110653.SegFix：https://arxiv.org/abs/2007.042694.Hierarchical Multi-Scale Attention：https://arxiv.org/abs/2005.10821转自fdafad，https://bbs.huaweicloud.com/blogs/259223

华为RPA机器人14天训练营活动已开启，目前进入招募期，本次活动将通过开发者动手实践，助您快速熟悉和掌握华为RPA机器人。更有结业赛帮您检验学习成果，并且奖励多多，日版Switch游戏机、GT手表、智能机器人，多重好礼等你来拿！快来报名吧华为RPA机器人14天训练营活动点击报名»»»【打卡截止7月20日】完成打卡任务，将有机会获得码豆、数据线、文件收纳包和RPA纪念体恤衫等多重豪礼哦~活动参与流程  Step1. 请点击链接，先报名活动华为RPA机器人14天训练营活动点击报名»»»Step2. 添加群助手好友并回复“RPA”，免费入群！Step3. 入群后，群助手会通知开课时间；Step3. 开课后，请按照节奏学习视频课程，完成每日打卡任务（打卡任务完成后，请在本帖回复截图） 活动时间  招募期：2021年06月21日 至 2021年07月04日训练期：2021年07月05日 至 2021年07月18日结业赛：2021年07月19日 至 2021年08月08日课程大纲  专家介绍活动奖励活动规则1.活动参与方式：招募期流程：(1)注册华为云中国站账号并登录；(2)点击活动页中“立即报名”按钮跳转至报名页，先填写报名表；(3)扫描活动详情里的二维码，添加社群助手微信，回复“RPA”，即可入群 训练期流程：(1)微信社群助手每日发布当日课程内容及规则，学员完成任务并打卡成功，获得阶段性奖励。    训练期内打卡规则：(1) 打卡时间：每日0:00~23:59；(2) 打卡方式：每日完成课程后，按要求在社区指定帖上传一张截图作为打卡凭证，即可完成打卡，格式要求如下：Step1：请打开当天的“打卡作业”；Step2：按照要求完成作业；Step3：按以下格式在打卡贴内回复完成后的打卡截图：第一行：DayX（X=1到14）+华为云账号+微信昵称            （打卡作业截图）eg：Day1+grandmaster+华为云1号小助手      （打卡作业截图）(3) 打卡须知：① 打卡截图需按要求截图，社群助手将会每日提供打卡示例；② 打卡截图中需显示华为云中国站账号，且必须为当日操作截图；③ 采用闯关打卡模式，每日只计算一次有效打卡；④ 若当日未进行打卡，训练期内设置3次补打卡机会，超过3次不可再补打卡；⑤ 社群助手将对每日的打卡内容进行审核，审核周期为3~5个工作日，未按照要求上传截图的打卡，将被视为无效打卡，不计入打卡天数。2.训练期内评奖方式：(1)完成第1天打卡，每人可获得500码豆，码豆最多发放20万，数量有限先到先得。(2)连续完成3天打卡可获得抽奖机会，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”。(3)连续完成7天打卡可获得抽奖机会，奖品为文件收纳包，奖品数量上限为100份，中奖概率（≤100%）为“100/完成连续打卡7天任务的总人数”。(4)连续完成14天打卡可获得抽奖机会，奖品为RPA纪念T恤衫，奖品数量上限为50份，中奖概率（≤100%）为“50/完成连续打卡14天任务的总人数”。本次活动幸运奖将采用巨公摇号平台（https://www.jugong.wang/random-portal/）进行抽取，相关奖项将由华为云社区工作人员进行评选，如您对评奖方式有异议，请勿参加本次活动。3.奖品发放说明：每位参加活动的用户理解并同意，为联系获奖用户以及奖品发放的需要，用户须在参与活动之时提供诸如姓名、联系方式、电子邮箱、通讯地址等真实个人信息，活动主办方将仅为前述目的以及适用法律规定的最小限度内收集和使用用户的个人信息,本次活动所收集的个人信息将在活动结束后删除。（用户在向华为云提交个人信息之前，应阅读、了解华为云《隐私政策声明》；用户参加本活动视为理解并同意华为云《隐私政策声明》，华为云《隐私政策声明》网页地址如下：https://www.huaweicloud.com/declaration/sa_prp.html）。获奖用户在领奖界面填写获奖信息，活动结束且用户填写完整领奖信息后14个工作日内，将统一发出奖品，所有实物奖品包邮，不额外收取任何费用。由于获奖用户自身原因（包括但不限于提供的联系方式有误、身份不符或者通知领奖后超过30天未领取等）造成奖品无法发送的，视为获奖用户放弃领奖。为保证活动的公平公正，华为云有权对恶意刷活动资源（“恶意”是指为获取资源而异常注册账号等破坏活动公平性的行为），利用资源从事违法违规行为的用户收回抽奖及奖励资格。本活动规则由华为云在法律规定范围内进行解释。华为云保留不时更新、修改或删除本活动规则的权利。所有参加本活动的用户，均视为认可并同意遵守《华为云用户协议》，包括以援引方式纳入《华为云用户协议》的《可接受的使用政策》、《法律声明》、《隐私政策声明》、相关服务等级协议（SLA），以及华为云服务网站规定的其他协议和政策（统称为“云服务协议”）的约束。云服务协议链接的网址：http://www.huaweicloud.com/declaration/sa_cua.html如果您不同意本活动规则和云服务协议的条款，请勿参加本活动。【打卡截止7月20日】

公示期已结束：8月17日-8月19日公示说明：如对成绩有异议，可联系群内专家申诉，超过公示期不再进行名单修改。获奖信息：奖励名次社区昵称奖品名称结业赛TOP1mufengya任天堂 Nintendo Switch 日版 家用体感游戏机掌机 便携掌上游戏机 红蓝主机结业赛TOP2lwq1228【42mm表盘】HUAWEI WATCH GT 2 运动款 幻夜黑（42mm）结业赛TOP3zhaolann为美致新（WEEEMAKE）6合1探索者机器人 活力橙（支持HUAWEI HiLink）结业赛TOP4喜悦温暖平静HUAWEI FreeLace Pro 无线耳机 双重主动降噪 24小时长续航结业赛TOP5生道为美致新（WEEEMAKE）WeeeBot mini 酷跑侠 活力橙（支持HUAWEI HiLink）最有价值机器人奖wujiejie猎人路由器最具潜力机器人奖arcyong猎人路由器恭喜以上开发者，请以上开发者在9月5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。获奖信息填写链接：https://devcloud.huaweicloud.com/expertmobile/qtn?id=f327cc24317a4eb99a1dccaace38e35e&utm_source=RPAjieyesai华为RPA机器人14天训练营活动已开启，目前进入招募期，本次活动将通过开发者动手实践，助您快速熟悉和掌握华为RPA机器人。更有结业赛帮您检验学习成果，并且奖励多多，日版Switch游戏机、GT手表、智能机器人，多重好礼等你来拿！快来报名吧华为RPA机器人14天训练营活动点击报名»»»为巩固14天训练营知识点学习，引导理论归于实践。同时发掘优秀RPA实践，激励更多机器人在业务场景的应用。参与训练营结业赛，赢取日版Switch游戏机、GT手表、智能机器人等多重好礼！ 【活动时间】7月19日-8月8日 【参赛对象】所有已报名参加“华为RPA机器人14天训练营“学习，且至少完成2次打卡的学员。 【赛程与评选规则】组织专家评委统一评审并打分，最终评选出各奖项。打分项主要包括如下内容：内容评审（50%）：完整性；背景及流程痛点等（清晰与否）；流程优化（前后流程对比）；实施效果（是否痛点已解决）；总结RPA价值可视（被量化）；价值评审（45%）量化价值（提升效率、节约成本）；借鉴性（有推广价值）；表达评审点（5%）语言流畅；可读性强；逻辑清晰； 【提交作品要求】按照模板提交案例，可采用word或PPT形式（参见附件模板）；案例包含可执行的xml文件（要求将用户名和密码等脱敏）；请在活动时间内提交相关作品，如过早或者过晚提交，视为无效。直接在本帖已附件形式回复相关作品并按照以下要求回帖即可。华为云账号+微信昵称+参赛作品附件【奖励说明】本次共设立八个奖项第一名：任天堂便携掌上游戏机第二名: HUAWEI WATCH GT 2 运动款第三名: WEEEMAKE 6合1探索者机器人第四名: HUAWEI FreeLace Pro 无线耳机第五名：WeeeBot mini 酷跑侠最有价值机器人奖：猎人路由器最具创新机器人奖：猎人路由器极具潜力机器人奖：猎人路由器【可参考场景】No.自动化应用说明1股票自动看盘助手根据华为RPA设计器，调用AI能力，开发机器人，能够自动登录股票系统，查看屏幕，根据设计的规则（如，盈利或亏损大于20%）提供人工介入进行决策是否卖出或买入；2企查查网站信息1）登录https://www.qcc.com/ 企查查网站；2）输入多个公司名字；依次获取每个公司的详细信息；3）把信息整理到excel表格里面；然后邮件发送到指定的人；3大学图书系统自动化查询和统计1）登录图书系统；2）获取图书种类，针对特定的几种查询获取图书信息；统计数量；3）针对直接输入的图书，查询，获取图书状态等；4）把信息整理到excel表格里面；然后邮件发送到指定的人；4微博或Facebook数据分析1）登录微博或者facebook；2）根据输入人员的列表，获取人员一定时间段的微博信息；3）定义规则，对信息进行分类统计；4）把统计等结果生成到excel表格里面；然后邮件发送到指定的人；5其他学员可自由发挥。其他事宜请参考【活动页面规则】及【华为云社区常规活动规则】。

华为RPA机器人14天训练营活动已开启，目前进入招募期，本次活动将通过开发者动手实践，助您快速熟悉和掌握华为RPA机器人。更有结业赛帮您检验学习成果，并且奖励多多，日版Switch游戏机、GT手表、智能机器人，多重好礼等你来拿！快来报名吧华为RPA机器人14天训练营活动点击报名»»»本次训练营课程由浅入深，知识点全面，即学即用，如您在学习的过程中，有任何问题，可以通过本帖，与专家互动交流，助您轻松学习RPA机器人。【活动时间】7月5日-8月8日 【回复内容要求】1.可以提出您在课程学习中产生的任何疑问或者问题，也可以是您产生的深刻思考，我们统统欢迎；2.禁止抄袭或复制别人的任何内容；3.回帖时请务必留下你的微信昵称和华为云账号。 【奖励说明】活动结束后，由专家挑选出5位优秀提问开发者进行奖励。无线鼠标1个其他事宜请参考【活动页面规则】及【华为云社区常规活动规则】。 

获奖信息公布第一阶段楼层昵称19Zootopia39风火轮85yujingv第二阶段楼层昵称120喜悦温暖平静122胡琦132yujingv第三阶段楼层昵称135zekelove165wujiejie185yujingv恭喜以上用户获得奖励，请在8月5日前完成获奖信息填写，过期视为弃奖哦~填写地址：https://devcloud.huaweicloud.com/expertmobile/qtn?id=aa80dfb1836041098a74a76a63dcabc4&utm_source=RPAxuexixinde华为RPA机器人14天训练营活动已开启，目前进入招募期，本次活动将通过开发者动手实践，助您快速熟悉和掌握华为RPA机器人。更有结业赛帮您检验学习成果，并且奖励多多，日版Switch游戏机、GT手表、智能机器人，多重好礼等你来拿！快来报名吧华为RPA机器人14天训练营活动点击报名»»»【学习心得反馈截止7月20日】本次训练营课程由华为一线人员亲授，共分三个阶段的课程，分别如下：阶段1：华为WeAutomate RPA基础入门阶段2：华为WeAutomate RPA技能进阶阶段3：实战与扩展 现针对以上3阶段征集学习心得，并有礼品相送~ 【活动时间】7月5日-7月20日 【学习心得要求】1.每篇学习心得字数要求≥100字；2.内容要求与训练营对应阶段课程内容相关；3.内容原创不可抄袭；4.回帖时请务必留下你的华为云账号、微信昵称和学习心得对应的阶段。示例：阶段1+华为云账号+微信昵称+学习心得 【奖励说明】活动结束后，每阶段由专家挑选出3位优秀开发者进行奖励，共计9人。《ModelArts人工智能应用开发指南》1本其他事宜请参考【活动页面规则】及【华为云社区常规活动规则】。 【学习心得反馈截止7月20日】

获奖信息公布Zootopia田正英holo.yh上官青儿Healsko恭喜以上用户获得奖励，请在7月20日前完成获奖信息填写，过期视为弃奖哦~填写地址：https://devcloud.huaweicloud.com/expert/open-assessment/qtn?id=2ca2f7267469470b847dd74a9bf0a4ce&utm_source=RPAweihuati华为RPA机器人14天训练营活动已开启，目前进入招募期，本次活动将通过开发者动手实践，助您快速熟悉和掌握华为RPA机器人。更有结业赛帮您检验学习成果，并且奖励多多，日版Switch游戏机、GT手表、智能机器人，多重好礼等你来拿！快来报名吧华为RPA机器人14天训练营活动点击报名»»»参与训练营开营话题互动，赢取酷睿冰尊A9 笔记本散热器【活动时间】6月21日-7月5日 【参与方式】直接回复本帖，就微话题题目进行回答讨论 【互动话题】1、 您希望机器人能帮您实现哪些场景的自动化？2、 您希望华为RPA有什么功能，以便更好的使用？3、 您是否接触过RPA产品？若有，开发过程中，最常遇到的问题是什么？4、 您希望在学习华为RPA产品过程中，得到什么样的帮助？【奖励说明】我们会在所有符合规范参与活动的开发者中选择5个优质评论进行奖励酷睿冰尊A9 笔记本散热器1个 【评奖标准】回复话题数量和内容质量 其他事宜请参考【活动页面规则】及【华为云社区常规活动规则】。

【操作步骤&问题现象】是否可以通过后台命令cm_ctl stop 停止gaussdb服务后,在主管理节点执行sh ${BIGDATA_HOME}/om-server/om/bin/tools/modifyntp.sh --ntp_server_ip 10.1.1.1 --force_sync_time强制同步

我的华为云账号：zackery329我的分享：我学习了华为云线上课程完成了实验，觉得收获颇丰，感觉学习计算机是一件快乐又头秃的事情，但对于感兴趣的事物事情是从来不会去拒绝的，此外我也参与了线下的小班课培训，通过流水线操作更改了model的颜色，整体体验不错，也试玩了游戏，给同学分享了网站，对未来工作充满兴趣，我是张怡。

许多解决组合优化问题的传统算法都涉及使用手工构造的启发式算法，这些启发式算法能够依次地构造解决方案。这种启发式方法是由领域专家设计的，且一般由于问题的困难性，这种方法不是最佳的。强化学习（RL）提出了一种很好的选择，使用监督或自我监督的方式训练 agent 来自动搜索这些启发式方法。在这篇调研中，我们探索了将 RL 框架应用于困难的组合问题的最新进展。我们的调研为运筹学和机器学习社区提供了必要的背景，并展示了推动领域向前发展的工作。我们将最近提出的 RL 方法并置在一起，列出了每个问题改进方法的时间线，并与传统算法进行了比较，这表明 RL 模型可以成为解决组合问题的有希望的方向。 论文标题：Reinforcement Learning for Combinatorial Optimization: A Survey论文作者：Nina Mazyavkina, Sergey Sviridov, Sergei Ivanov, Evgeny Burnaev论文链接：https://arxiv.org/abs/2003.03600