11月22日，哈尔滨工业大学（深圳）和华为技术有限公司合作的创新实验课程——《华为云ModelArts AI模型开发实战》圆满结课。该课程由华为技术有限公司高级工程师、现任华为云EI图像算法专家——杜奇主讲，哈工大（深圳）实验与创新实践教育中心提供场地和软硬件等支持，共计16学时。课程主要面向有一定计算机基础的本科生，选课通知一经发布，便引起同学们的极大热情，课程容量80人，在两天内即被选完，课程内容如表1所示。《华为云ModelArts AI模型开发实战》的课程内容结合了华为云的技术积累和哈工大（深圳）的专业培养目标，基于华为云ModelArts一站式AI开发平台，向同学们讲解了图像分类、物体检测、人脸识别、OCR和视频分析五大热门AI领域的重要知识点。同学们可以利用ModelArts平台易上手的自动学习、预置算法、Notebook和充足的算力资源，零AI基础、零编程经验也可以进行AI模型的开发。通过本课程的学习，同学们无论是从理论上还是从动手实践上，都学到了AI领域的很多基础知识和经典算法，掌握了一定的模型调优能力。课堂上，同学们积极和老师互动，对杜老师讲授的内容表现出浓厚的兴趣，现场教学效果很好。为深化“引企入教”改革，推进创新教育理念，培养学生创新精神和实践能力，哈工大（深圳）开设企业创新实验课程，并将继续吸引优秀企业走进校园，促进企业需求融入人才培养环节。附：课程PPT、现场授课视频、源代码和实践案例文档获取链接表1 课程内容安排序号教学内容教学要求学时教学方式1人工智能的发展史与现状通过讲解人工智能各流派的发展历史，使学生了解人工智能各流派能解决和不能解决的问题，从历史的角度来看待人工智能技术的发展1讲课2神经网络发展史梳理神经网络的发展历史，使学生了解损失函数、梯度下降、学习率等基础概念是怎么发展而来的1讲课3ModelArts介绍与实验前准备讲师现场讲解演示ModelArts，使学生了解ModelArts能做什么，并进行实验前的必要准备1实验4零代码开发美食分类模型讲师现场演示，再搭配丰富的图文教程，教导学生掌握使用自动学习开发图像分类模型的方法1实验5图像分类介绍梳理图像分类领域的发展脉络，介绍经典数据集和经典算法，使学生掌握图像分类领域的基础知识1讲课6物体检测介绍梳理物体检测领域的发展脉络，介绍经典数据集和经典算法，使学生掌握物体检测领域的基础知识1讲课7使用FasterRCNN预置算法基于海量数据训练人车检测模型讲师现场演示，再搭配丰富的图文教程，教导学生掌握使用预置算法开发物体检测模型的方法2实验8人脸识别介绍讲解人脸相关的不同研究领域，介绍经典数据集和经典算法，使学生掌握人脸识别领域的基础知识1讲课9人脸检测工具对比学生自己动手测试不同人脸检测工具的检测效果，通过对比实验，使学生清楚知道在什么场景下适合用什么人脸检测工具1实验10人脸年龄和表情识别学生自行运行人脸年龄和表情识别算法，分析网络结构，使学生掌握人脸年龄和表情识别的原理1实验11FaceNet算法完成人脸识别讲师讲解FaceNet的网络结构，学生按照图文教程搭建FaceNet模型，并进行模型的训练和预测，从而掌握FaceNet算法实现人脸识别的方法1实验12OCR介绍介绍OCR领域的经典数据集和经典算法，使学生掌握OCR领域的基础知识1讲课13CTPN算法完成文字位置检测通过CTPN文字检测的实验，使学生掌握文字检测和常规物体检测的区别于联系1实验14视频分析介绍讲师讲解视频分析不同领域的应用、经典数据集和经典算法，使学生了解AI在视频方向上有哪些应用1讲课15使用C3D和I3D模型实现视频动作识别讲师讲解C3D模型和I3D模型结构，学生参考实验文档，动手训练C3D模型，并且掌握C3D模型和I3D模型的预测方法1实验宣传海报课堂现场课后留影

直播回放https://bbs.huaweicloud.com/live/cloud_live/202012121900.html内容讲解材料请参考附件实操材料课程名称链接环境准备https://bbs.huaweicloud.com/forum/thread-88552-1-1.htmlHDFS调用样例https://bbs.huaweicloud.com/forum/thread-90653-1-1.htmlMapReduce任务提交样例https://bbs.huaweicloud.com/forum/thread-90655-1-1.htmlMapReduce多组件调用样例https://bbs.huaweicloud.com/forum/thread-90657-1-1.html

摘要：本文主要讲述云原生时代华为云在AI基础研究、视觉预训练模型研发和行业实践，以及AI开发平台ModelArts的最新进展。近日，在Qcon全球软件开发大会（深圳站）上，华为云人工智能领域首席科学家、IEEE FELLOW田奇博士，发表了“云原生时代，视觉预训练大模型探索与实践”的主题演讲，介绍了云原生时代华为云在AI基础研究、视觉预训练模型研发和行业实践，以及AI开发平台ModelArts的最新进展。以下是田奇博士演讲要点：随着企业数字化的转型，传统企业已基本上将业务从线下搬到了云上。其中，第一个阶段是将企业的业务简单地部署到云上，我们可以称之为ON CLOUD，在这种形态下，通过资源池化，解决了IDC时代运维、部署、扩容的难题。但是，传统方法的过于厚重、烟囱式的架构，导致云对业务的价值还仅仅停留在资源供给阶段，未充分发挥出云计算的潜力。随着企业的数字化建设逐步迈入智能化阶段，企业需要充分利用云计算带来的红利，就需要让其业务能力内生于云，由现在的ON CLOUD进阶到IN CLOUD阶段，即基于云的技术架构来构建企业业务，通过构建多云、多中心的分布式架构以及敏捷、智能的企业数字化业务，将企业的数字化建设带入智能化新阶段。此时，云对业务的价值不再是简单的资源供给，还能够以应用为中心，为业务赋能。一站式AI开发平台，加速行业AI落地，践行普惠AI华为云提供了一站式的AI开发平台，加速行业AI落地，践行普惠AI。华为云对AI平台打造了四层体系，第一层是智能体；第二层是知识计算解决方案；第三层是ModelArts Pro，针对专业应用开发套件；第四层是ModelArts Fundamental。对于一站式的AI开发平台，主要聚焦在模型高效、数据高效以及知识高效。这些强大的AI服务，底层都是基于云原生容器的Volcano高效能调度引擎，而Volcano调度引擎将训练任务的效率提升了50%。华为云AI基础研究进展华为云长期扎根AI技术基础研究，在计算机视觉、语音语义、决策优化三个方向做了深入探索与研究。为此，我们针对数据、模型和知识提出了六个子计划。其中，针对模型包含两个计划，一个是针对大模型的模型摸高计划，提供极致的性能；第二是针对小模型的模型瘦身计划。针对数据提出了两个计划，一个是处理多模态的数据魔方计划；另一个是针对小样本学习的数据冰山计划。最后针对知识的高效提取，我们提出了两个计划：建造通用AI系统的万物预视计划以及学习一种新范式的虚实合一计划。在这些计划中，我们始终聚焦在模型高效、数据高效、知识高效等重点方向上。对于自主研发的一些新技术，比如自动学习、知识蒸馏、预训练模型等等，都会以即插即用的方式部署到华为云线上，助力AI行业落地。在众多AI领域中，计算机视觉具有广泛的落地场景，在智能汽车、智能手机、无人机、智能眼镜等应用都有计算机视觉算法的身影。这些年随着计算能力和5G通信技术的极大提高，以计算机视觉为代表的大批AI技术，已跨越了早期仅在研究领域取得进展的阶段，过渡到了与社会环境协同发展、共同促进的阶段。未来视觉AI技术会在千行百业进行落地，比如政府、医疗、工业、能源、交通、物流、金融等等。但是，技术落地也面临着巨大的挑战，由于AI应用的碎片化、定制化等因素，极大地限制了AI在真实环境下的落地部署。为了解决应对AI碎片化等问题，我们提出了预训练大模型的解决方案，希望能用大量无标注的数据和更大的模型来实现更通用的AI系统。在自然语言处理领域，这两年大规模预训练模型取得了突破性进展，但是预训练模型对算力有极大的需求，而且我们预计更大规模、更大参数的模型还会继续出现。因此，受到自然语言处理中预训练模型的启发，在计算机视觉中我们也希望构建通用的AI系统，为下游各种视觉任务提供一个高效的初始化模型。现在主流的学习方式有两种，一种是监督学习，一种是强化学习。监督学习需要海量标注样本，泛化能力相对比较弱，另一种是强化学习，强化学习需要海量的试错，同样缺乏通用系统所需要的可适用性、可重复性以及鲁棒性。我们认为，自监督学习是迈向常识学习的关键步骤，但是目前自监督学习在视觉任务中的应用还不够成熟。过去，在数据标注、模型训练和输出阶段，分别要做大量的重复工作。未来，我们希望可以对计算机视觉或者自然语言处理任务构建一个通用预训练模型，仅通过下游少量的标注样本进行微调就可以高效完成任务，从而大量节约开发成本。视觉预训练大模型研究和实践接下来的报告，我会介绍一下我们在预训练模型方面的工作，主要是在自监督学习过程中预训练模型的一些进展。自监督学习由于不需要任何人工标注便能够学习图像的内在表征，近年来受到了业界的极大关注。在没有人工标注的情形下，自监督学习需要预先设定一些预训练任务辅助模型学习。2016年以前，一些预训练任务推动该领域出现了一些大的进展。自监督学习主要分为两种，一种是生成式，一种是对比式，近几年最新的一些工作大多是基于实例区分的对比学习。基于实例区分的对比自监督学习在最近几年取得了极大的进展，在一些任务上刷新了现有自监督预训练任务的SOTA结果。最近我们在对比自监督学习方面有两项优化工作，首次实现了在ImageNet线性分类任务中达到全监督基线性能，并且在小样本分类上大大超越了之前的方法。然而，现有的自监督预训练模型仍然处于探索阶段，存在大量的问题未能够解决：现有的自监督预训练算法迭代缓慢，很难复制到大模型以及超大规模数据集；另外，相较于全监督学习，其特征表达在大多数下游任务上仅仅能获得与之相比拟的结果，其进一步的性能优势还有待挖掘。因此，如何利用自监督学习在超大数据集合，超大模型上获取更强的泛化性能将会是未来的发展方向。在这里，介绍一下我们最新的几个工作，在对比自监督学习框架下，我们提出了基于邻域保持的混合图像增强，在业界首次提出了利用不同图像数据增强策略提升其泛化性能。过去，对比学习通常利用同一样本的不同数据增强生成正样本集合，并且把其他样本均视为负样本的策略，将样本特征的距离拉近或者拉远作对比学习任务，而我们首次提出了选取不同正样本的方法。同时，提出了基于局部领域混合增强的技术，把多个相似样本的特征拉近，不同样本的距离拉远。我们的方法在ImageNet线性分类评估上，TOP-1的精度达到了75.5%准确率，离监督学习基线76.5%仅仅差了1个百分点。通过对预训练模型在小样本标注数据上进行微调（1%和10%标注的数据），我们的精度达到了最好的结果。接下来介绍一个我们今年刚刚完成的工作，基于等级化语义聚集的对比自监督学习框架。在上述工作的基础上，我们进一步发现即使显示地拉近语义相似性样本，特征表达的可分离特性并没有达到我们的预期目标，这限制了其泛化表征能力。自监督学习仍然存在优化困难，收敛速度慢等问题，为此，我们做了两点改进，第一，我们拓展了自监督学习算法中正样本数目，使得正样本集合能够更加高效的被聚集，同时避免受大量负样本优化的影响。第二，我们在浅层特征上引入对比自监督学习，通过精心设计的浅层优化目标加速训练过程，在浅层特征上实现了更好的可分离性，我们发现这些优势对小样本学习有极大的提升。从结果来看，我们在线性分类任务中达到了76.4%的精度，首次达到了和全监督基线相比拟的性能，而且通过将预训练模型在小样本标注数据上进行微调，在之前的结果上又得达到了新的SOTA，特别地，仅仅使用10%标注，我们在ImageNet 分类上达到了75.1%的TOP-1精度。上述两项工作都是在没有任何标签设置下完成的，更进一步，我们探索了如何把对比学习和数据标签高效地结合起来，通过引入图像真实标签来辅助对比学习，我们认为应该将自监督学习得到的表观特征和监督学习的语义特征相结合，它的本质是把表观相似和语义相似的样本距离拉近，将不相似样本的距离推远。从结果上看，这个工作在各个下游工作中（比如检测、语义分割、实例分割）的表现全面超越了以往的自监督和全监督的泛化能力。华为云的第二个核心研究方向是如何设计高效的视觉识别模型，即模型高效。在这个方向主要聚焦两个方面，第一是如何设计神经网络模型，第二是在神经网络架构搜索中，如何在原子算子层面上进行搜索。关于神经网络模型设计，最初的方式都是手工设计的，这种方式经过高速发展后，也进入了一个瓶颈，因此从2017年开始，自动的神经网络架构搜索经历了一个迅猛发展的过程，也取得了一些可喜的成绩。但是搜索出的网络也面临几个问题，第一个问题，搜索空间仍然是手工定义的；第二个，搜索的卷积算子是人工定义的，而且相比于手工设计的网络，搜索的网络可迁移性也是比较差的。我们在网络架构搜索上第一个工作是P-DARTS，提出渐进的可微分网络架构搜索算法。之前的网络架构搜索面临着搜索网络和测试网络深度不一样的问题，在较浅的搜索网络中搜索出来的架构并不适合较深的测试网络。早期的方法直接加深搜索的深度，但是会造成显存爆炸的问题，并且导致搜索不稳定。为了解决这个问题，我们提出了两个思想，一个是搜索空间近似，第二个是搜索正则化。搜索空间近似，是指采用渐进搜索策略，逐渐加深搜索的深度；同时进行链接权重的学习，把权重比较小的链接运算都扔掉，这样减少了搜索空间。搜索正则化主要是对搜索得到的一些skip connect的数量上的限制。从结果上看，我们把P-DARTS搜索的网络迁移到ImageNet上，在ImageNet分类任务上与基线方法相比提高了两个百分点。P-DARTS网络搜索算法是在P100上完成的，大概需要0.3个GPU-days。与去年同期的DARTS工作进行大致的比较，它的搜索时间是4个GPU-days，而在性能和速度都有超越的情况下，我们的方法只需要0.3个GPU-days。我们在架构搜索上的第二个工作是PC-DARTS，这是业界搜索速度最快的网络架构方法之一，其主要思想有两个，一个是采用局部连接的思想来解决网络冗余的问题，第二个是采用边正则化的思想来解决网络搜索稳定性的问题。并且，这个工作首次在大规模图像数据集ImageNet上进行了神经网络架构搜索。我们最新的一个相关工作是GOLD-NAS，渐进剪枝的单阶段可微分搜索算法。这个算法主要的一个贡献是它打破了传统可微分搜索空间的诸多限制，因此大大增加了搜索空间的容量，并提出了单阶段优化策略和渐进剪枝的优化策略。从结果上看，在扩大的搜索空间中，算法不仅能够找到绝对性能更强的网络，也能找到具有更高性价比的网络。我们第四个工作是卷积搜索，提出对卷积操作进行搜索，当前的模型搜索都是采用一些固定的卷积操作，比如1×1、3×3的卷积，这种方式限制了模型的性能。因此，为了将卷积的设计也纳入搜索的范围，这个工作提出了针对点云任务的基于数据驱动的模型搜索，同时对卷积的结构也进行了搜索，将来将进一步扩展到传统的图像领域。我们最近两年在计算机视觉三大顶会CVPR、ICCV、ECCV大概发表了近百篇文章，基本进入视觉研究领域第一梯队，极大地提高了华为在计算机视觉领域的国际竞争力，同时有一些工作也获得了最佳论文和最佳论文提名。而且最新的算法已经逐渐部署到华为的一站式AI开发平台，在一些行业得到了广泛的应用，下面再介绍一下视觉任务的进展和在行业的实践。第一个进展是图像分类技术，在ImageNet上，今年我们的分类准确率达到了85.8%，而之前谷歌最好的精度是85.5%。从今年3月份以来，我们在这方面一直保持着领先水平。第二个进展是弱标注场景下的图像分类技术。在WebVision大规模弱标注的网络图像分类比赛中，大约有5000个类别的1600万张图像，有90多支参赛队伍竞争，华为云在分类准确率上取得了业界第一的水平。我们把图像分类技术应用到了一些传统行业，比如米旗蛋糕店。结果上看，我们的技术让商品整盘识别率达到了99%以上的精度。另外，我们的模型训练时间小于一天，因此每天都可以进行模型更新，商品的识别时间也小于1秒。第三个进展是图像检测、分割技术，在业界权威的目标检测数据集MS-COCO数据集上，不论是单模型还是多模型，我们都取得了今年业界第一的成绩。我们将检测、分割技术用到了医疗智能体，在今年新冠肺炎AI-CT辅助筛查中实现了自动智能检测，而且已经在各大医院成功部署。我们第四个进展是多模态数据处理技术，相对于单模态，多模态具有天然的互补优势，比如在无人驾驶中除了图像的输入，还有激光雷达信号、GPS、图像分割的数据。在最权威的三维目标检测NuScenes数据上，我们提出的技术也取得了非常好的成绩，我们的结果比第二名领先了3.1%。同时我们将多模态处理技术用在了深圳交通智能体上，实现对红绿灯控制的智能化，在交通总量相同的情况下将平均通行车速提高了15%，将平均等待时间、延误时间下降了17.7%。最后介绍一下华为云一站式AI开发管理平台ModelArts。ModelArts有两个不同层次的版本，一个是ModelArts Fundamental，一个是ModelArts Pro。根据华为云在十多个行业常年的技术积累，ModelArts Pro开发平台主要提供五大类的专业应用开发套件，包括文字识别套件、视觉套件、知识图谱套件、多模态开发套件、自然语言处理套件，还提供了四十多个行业级的高精度预置的算法， 包含数据准备、数据处理、 模型设计、模型管理及部署等等。以上是华为云在视觉预训练模型上的一些基础研究最新进展和行业实践的案例，以及在华为云AI开放平台沉淀的一些工作。谢谢！

根据调研机构Forrester Research公司最近发布的一份调查报告，机器学习(ML)对于企业的业务获得成功至关重要。98%的IT领导者认为，机器学习运维(MLOps)将为自己的公司带来决定性的竞争优势。但是，只有6%的公司认为其机器学习运维(MLOps)功能已经很成熟，并且可以从中受益。根据调研机构Forrester Research公司最近发布的一份调查报告，机器学习(ML)对于企业的业务获得成功至关重要。98%的IT领导者认为，机器学习运维(MLOps)将为自己的公司带来决定性的竞争优势。但是，只有6%的公司认为其机器学习运维(MLOps)功能已经很成熟，并且可以从中受益。机器学习(ML)和机器学习运维(MLOps)到底是什么?为了找到答案，先从术语的定义开始。机器学习(ML)是一种可以在不需要人工干预的情况下从数据中学习的人工智能。致力获得成功的企业正在使用机器学习(ML)来优化其业务的各个方面：提高员工生产率、提高客户满意度，以及增加收入。虽然数据量在过去几年中几乎呈指数级增长，但使用机器学习(ML)组织和分析数据的能力却明显滞后。这成为了一个挑战。而面临的一个更大的挑战是将机器学习(ML)模型运用到生产环境中，使应用程序变得更加智能。Forrester公司在调查中发现，只有14%的受访者将机器学习(ML)模型运用到可重复且可靠的生产环境过程中。许多企业正在采取的一种方法是采用机器学习运维(MLOps)。机器学习运维(MLOps)是数据科学家和运营团队在机器学习生命周期中进行协作和通信的实践。在许多方面，机器学习运维(MLOps)正在努力获得与DevOps在敏捷软件开发中实现的机器学习生产率、效率和质量优势。只采用机器学习运维(MLOps)并不能解决企业尝试实施机器学习(ML)所面临的问题。而这是第一步，也是重要的一步，但还需要更多工作。成功采用机器学习(ML)能力的企业已经通过关键流程、工具和持续改进实践来加强机器学习运维(MLOps)。其中一些实践听起来很熟悉，因为它们直接来自工业制造行业中的经验和教训。精益制造的6个精髓50多年来，全球制造企业一直采用六西格码和精益制造技术来解决质量问题。如今，很多企业正在使用其中一些技术来从其数据中创造价值，并在本质上正在成为信息化工厂。(1)自动化(Jidoka)自动化在现代生产工程中起到至关重要的作用——提高产品质量、生产率和吞吐量。Jidoka这一日语术语描述的是具有人类智能的自动化，使机器设备和操作人员能够在发现问题时停止工作，然后立即解决问题，而不必等到生产线停止运行或生产结束。自动化(Jidoka)的概念可以为分析生产线做同样的事情。具有自动化(Jidoka)功能的自助服务可以为机器学习(ML)流程中涉及的每个角色提供基础设施、工具和数据需求。这种类型的自动化可以提高效率并确保符合标准。其结果是，不再浪费时间等待访问合适的环境或尝试配置从互联网下载的新工具。机器学习过程的每个阶段都可以自动调度，从而使整个系统可预测且高效。(2)工具(Tooling)工具在现代生产设备中起着基础性的作用。明智地使用工具可以帮助实现规模化。它可以减少所需的员工技能，同时提高质量，缩短实现价值的时间，提高生产率和速度。如今的信息工厂需要一系列工具来适应每个角色，并满足生产的每个阶段的需求。随着新的、更具挑战性的业务问题得到解决，将需要新的工具。这就引出了信息化工厂的下一个基本要素：研发实验室。(3)研发实验室(Research and development lab)直到现在，大多数机器学习(ML)工具几乎都只专注于模型开发，但这种情况正在发生变化。新的机器学习(ML)工具解决了操作流程和模型生命周期管理。这些新工具可以提高机器学习(ML)模型的效率，并支持下游操作、标准规范和模型治理。使用研发实验室，数据科学家可以在安全和可管理的环境中评估新工具，记录最佳实践并评估潜在收益。一旦被更广泛团队使用，新工具就可以集成在应用程序目录中，该目录可在自助服务提供过程中使用。(4)改善(Kaizen)Kaizen这一日语术语的意思是为了更好或不断改进而进行的更改。它更像是一种哲学而不是一种工作实践，它可以确保更高质量，消除浪费，提高效率。随着越来越多的企业开始扩展其数据科学能力，将会出现新的需求。这些可能包括更多标准化或自动化流程的机会。信息化工厂和相关团队(包括DataOps、数据科学、MLOps、DevOps、运营和商业智能)中工作的集成性使其适合改善(Kaizen)实践。每个人对面临挑战都有不同的看法，因此，应该鼓励他们不断评估如何改进信息化工厂的流程。(5)供应链(Supply chain)多年来，制造商通过使用准时制(JIT)方法进行零件交付来优化他们的供应链。准时制(JIT)将库存保持在最低水平，并消除了将零件移入和移出库存的时间和精力。信息化工厂需要以相同的方式处理数据。尽管大多数企业在多个数据仓库、操作性数据存储和数据池中都有大量的数据，但是发现和访问有用的数据通常是第一个挑战。在许多情况下，数据科学家需要数据工程师帮助复制大型数据集，因为需要读写访问来转换数据，并使其适合于机器学习(ML)模型的构建。这种延迟与理想的准时制(JIT)相比还相差甚远。在机器学习(ML)竞赛中获胜的企业将关注数据供应链，提供全面的数据目录和业务术语表。他们还定期评估和报告数据质量。大多数还使用只读快照，而不是复制数据。现在，许多人开始探索特定的机器学习(ML)特征存储，通过标准化数据的准备方式极大地加快了模型开发。(6)防错(Poka-yoke)最后一个是Poka-yoke，这一日语术语的意思是防错。手机中的SIM卡就是一个很好的例子，制造商将SIM卡去掉一个小角，以防止错误插入。防错(Poka-yoke)有助于防止缺陷的发生。这种类型的防错是以上描述的持续改进过程的一部分(Kaizen)。虽然防错措施的想法有些琐碎，但是想象一下如果把它嵌入到人们接触到的每个过程中，随着数据科学家使用更加自动化的工具实施更复杂的任务，防错措施将显现出其宝贵的价值。通过流程、工具和人才使机器学习(ML)获得成功机器学习(ML)和机器学习运维(MLOps)对于企业的业务成功至关重要，然而大多数企业都未能实现他们的目标。解决这一挑战的第一步是实施机器学习运维(MLOps)。然而，只依靠机器学习运维(MLOps)是不够的。通过获得以上六种行之有效的精髓，企业可以从数据中创造价值，从而获得更大的成功。原文标题：Becoming an ML information factory – 6 lessons we can learn from lean manufacturing，作者：Doug Cackett  来源：51CTO.com  李睿

【大赛简介】华为云求职训练营·Java实践排位赛是华为公司面向全国大学生及个人开发者举办的大型入门学习赛，帮助大家快速掌握企业及Java编程规范的要求，更好地完成学生向开发者，初级开发者向高级开发者的转变。【大赛时间】2020年9月8日09:00 ~ 2021年9月30日12:00【招募对象】高校在校大学生、个人开发爱好者（原则上要求参赛者年满18周岁）。【参与要求】以个人形式报名参加。为了大家更好地完成赛题作业，大赛设置求职训练营课程，帮助大家快速上手企业级Java编程规范。加入求职训练营，完成赛题作业！【加入训练营你将获得】1. 小白学生升级为职业开发者了解企业内部对Java编程规范的要求2. 具备入职名企的能力具备考取华为微认证的能力，考取华为企业级Java编程规范微认证3. 轻松学习快速掌握知识趣味课堂+课后作业，专家全程QQ群答疑指导【加入训练营你需要完成】 本次训练营三步走：1.点击左上角报名训练营；2.听课；3.完成26个作业。【如何参加训练营】1.报名：点击Java实践排位赛报名，或扫描下方二维码完成报名。2. 上课：点击右边链接进入课堂学习>>>企业级Java编程规范该环节课程共33节课，26个作业，每个作业题100分，总分值为2600，学习课程并完成实践作业。3.做作业：进入训练营入口，登录华为云账户，点击“作业”完成并提交。答题前建议大家先学习课程内容。注意：作业在答题截止时间前可多次提交（最多5次），系统计分以最后一次答题成绩为准。【参加大赛，享三大福利】一、官方Q群，交流学习更深入大赛交流答疑请务必加入QQ群，群里会不定时公布赛事重要信息、获奖名单、培训信息等内容。* 社群4大服务，等你解锁1. 专家答疑——作业遇难题，群内直接问专家2.班助服务——赛事答疑、作业提醒，学习每天有动力3.信息提醒——赛事信息、获奖名单信息提前知4.线上交流——同学线上交流，共同破解难题二、报名入群专享，内部公开课免费学报名并加入官方QQ群，立刻领取内部公开课三、学习奖励，知识奖品双丰收大赛设置三大奖项，完成任务，学习同时万元奖品等你拿。*{ 学霸奖 }，数量有限，先到先得。参与方式及具体规则请见帖子>>>学霸奖*{ 学习激励奖 }，数量有限，先到先得。参与方式及具体规则请见帖子>>>学习激励奖*{ 心得分享幸运奖 }，数量有限，先到先得。参与方式及具体规则请见帖子>>>心得分享幸运奖

DevOps职业认证训练营——获奖名单公示号外！号外！喜报！喜报！【DevOps职业认证训练营】活动获奖名单新鲜出炉啦，快来围观有没有你~公示期截至2020年1月11日18:00，相关奖品将在公示期后相继安排发放请获奖人员于1月11日18:00前扫描填写如下问卷，备注具体收件信息，逾期视为作废，请悉知。若对公示结果有异议，请主动联系训练营小助手，我们将认真核实与更正。附注：其中积分4-30名通过随机数抽取2名幸运学员ha****ng、hw****35367赢取职业认证考券视频截图如下：其中论坛有效发帖通过随机数抽取1名幸运学员hw****29343视频截图如下：欢迎您加入——DevOps职业认证训练营一、报名了解活动规则1. 2020年12月1日-12月31日，点击《DevOps职业认证训练营》活动规则，一键报名；2.添加小助手微信号（HWcloudedu），进入训练营交流群；3.奖品设置：一键报名，学习进度达100%，输出课程评价赢取200码豆/人，100万码豆发完为止。二、加入交流群，华为云大咖专家在线1V1答疑1. 2020年12月1-31日，添加华为云学院小助手微信（HWcloudedu），备注“DevOps”获取交流群信息；2.加入交流群，坚持完成每天的学习打卡任务；3.每日学习之星评选：小助手将于次日专家社群答疑前选出5名优秀的“学习之星”，额外获得+3分和1000码豆/人。评选维度包括：1.学习积极程度：根据课程后台学习记录，从top50的学员中评选；2.优秀的课程评价：从所有输出课程评价中评选优质的课程评价（课程建议、学习心得等不限）3.参与专家互动的积极性：社群提问，社群与专家互动的积极程度。4.奖品设置：按照累计积分前3名奖励价值300USD的职业认证考券1张/人+8000码豆（如若出现积分并列情况，则最先积够积分的用户赢取）；前4-15名+5000码豆；前16-30名+3000码豆；并在排名4-30名的用户中通过抽奖，抽出2名幸运用户赢取价值1张300USD的职业认证考券/人。三、参加训练营结营小测试，积分PK赢大奖1.2020年12月30日，完成相应的小测试；2.活动组根据考试情况进行评优，并且邀请华为云职业认证专家讲师进行样题解析；3.奖品设置：在排名前15名中，抽取2名用户赢取1张职业认证考券/人（如若出现积分并列情况，则排名可顺延并列），前1-3名+5000码豆；前6-15名+3000码豆。四、论坛发帖，记录学习成长心得1. 2020年12月1日-12月31日，活动期间内在本活动帖提问留言；2.可提问、反馈好的建议、直播心得、课程学习心得、参加陪考班心得、参加竞赛心得等等内容不限。3.奖品设置：有效回帖中抽取1个幸运用户，赢取价值300USD的职业认证考券;有效楼层的8%、18%、28%、38%、48%、58%、68%、78%、88%、98%，赢取折叠背包1个/人。附注1：学习交流群具体积分规则附注2：已打卡课程（点击即可进入课程学习）课程1：《华为端到端DevOps概览》课程2：《持续规划与设计》课程3：《持续开发与集成》课程4：《持续测试与反馈》课程5：《持续安全与审计》课程6：《持续部署与发布》课程7：《持续运维与监控》课程8：《DevOps实践与转型路径》【加分项】完成时间：12月22日—29日1.微认证推荐学习+20分 ——＞《搭建个人博客平台》2.沙箱实验推荐学习+10分/个——＞《基于CloudDeploy十分钟搭建minikube》——＞《基于DevCloud进行黑白棋实时对战游戏开发》附注:3：DevOps职业认证训练营打卡积分统计表1. 积分统计包含4个模块：01-完成课程学习+5分；02-完成课后测试题+3分；03-社群专家互动积极性+5分（其中论坛帖提问专设了论坛互动奖项，积分单独计算）；04-学习之星+3分2.学习之星评选维度：额外获得+3分和1000码豆/人。01.学习积极程度：根据课程后台学习记录，从完成任务top50的学员中评选；02.优秀的课程评价：从所有输出课程评价中评选优质的课程评价（课程建议、学习心得等不限）；03.参与专家互动的积极性：社群提问，社群与专家互动的积极程度。3.积分统计如有遗漏，可以直接在社群@训练营小助手进行说明，予以更新调整：01-未按时完成课程学习及测试题的，当日系统后台无积分记录，需次日更新；02-社群还未按照课程用户名更改备注的，请尽快更改备注，方可统计表现积分。 以下积分如有疑问请于2020年12月31日12点前找“不加班的程序员小姐姐”反馈everybody，小助手又来了！       咱DevOps职业认证训练营结束了，大家对我们的活动有什么意见和建议，欢迎大家填写问卷告诉我们噢，我们会结合大家的宝贵建议，下期活动给大家更好的学习体验！         填写问卷，即可赢取码豆，换好礼，立即码上行动吧！

 摘要：想了解深度学习却又无从下手，不如从手写数字识别模型训练开始吧！深度学习作为机器学习分支之一，应用日益广泛。语音识别、自动机器翻译、即时视觉翻译、刷脸支付、人脸考勤……不知不觉，深度学习已经渗入到我们生活中的每个角落，给生活带来极大便利。即便如此，依然有很多人觉得深度学习高深莫测、遥不可及，的确，它有深奥之处，非专业人士难以企及，但也有亲和力十足的一面，让没有基础的小白也能轻松上手，感受深度学习的魅力，接下来要介绍的手写数字识别模型训练正是如此。手写数字识别初探手写数字识别是计算机视觉中较为简单的任务，也是计算机视觉领域发展较早的方向之一，早期主要用于银行汇款、单号识别、邮政信件、包裹的手写、邮编识别等场景，目前手写数字识别已经达到了较高的准确率，得到大规模的推广与应用。虽然手写数字识别本身的领域比较狭窄，实用性有限，但是在它基础上发展起来的卷积神经网络等计算机视觉技术早已应用在更为复杂的任务中，因此，手写数字识别也成为计算机视觉领域衡量算法表现的一个基准任务。所以，通过这一实践场景来了解神经网络开发和训练，可谓再好不过了。如何使用深度学习框架MindSpore进行模型开发与训练？又如何在ModelArts平台训练一个可以用于识别手写数字的模型呢？让我们来一探究竟吧。数据集的选择与准备机器学习中的传统机器学习和深度学习都是数据驱动的研究领域，需要基于大量的历史数据对模型进行训练，再使用模型对新的数据进行推理和预测，因此数据是机器学习中的关键要素之一。MNIST数据集是目前手写数字识别领域使用最为广泛的公开数据集，大部分识别算法都会基于它进行训练和验证。MNIST数据集包含0~9这10种数字，每一种数字都包含大量不同形态的手写数字图片训练集，分为训练集和测试集。训练集涵盖6万张手写数字图片，测试级涵盖1万张手写数字图片。每一张图片皆为经过尺寸标准化的黑白图像，是28*28像素，像素值为0或者1的二值化图像。MNIST数据集的原始图像是黑白的，但在实际训练中使用数据增强后的图片能够获得更好的训练效果。本次训练所使用的经过数据增强的图片基于深度学习的识别方法与传统的机器学习使用简单模型执行分类等任务不同，此次训练我们使用深度神经网络作为训练模型，即深度学习。深度学习通过人工神经网络来提取特征，不同层的输出常被视为神经网络提取出的不同尺度的特征，上一层的输出作为下一层的输入，层层连接构成深度神经网络。深度学习工作原理1994年，Yann LeCun发布了结合反向传播的卷积神经网络 LeNet， 其在手写数字识别领域效果远超其他模型。1998年，Yann LeCun等人构建的卷积神经网络LeNet-5在手写数字识别问题中取得成功 ，被誉为卷积神经网络的“Hello Word”。LeNet-5以及在此之后产生的变体定义了现代卷积神经网络的基本结构，可谓入门级神经网络模型。本次实践使用的模型正是LeNet-5。LeNet-5结构LeNet-5由输入层、卷积层、池化层和全连接层组成。输入层用于输入数据；卷积层通过卷积运算对输入进行局部特征提取；池化层通过下采样的方式降低特征图的分辨率，从而降低输出对位置和形变的敏感度，同时还可降低网络中的参数和计算量；全连接层将局部特征通过权值矩阵组装成完整的图像，完成特征空间到真实类别空间的映射，最终的图像分类便是由全连接层完成的。有了这样一个神经网络后，我们还需要用大量数据集对它进行不断地训练，才能对输入数据有较为准确的预测结果，这一过程便依赖于华为自研的深度学习框架MindSpore。MindSpore的“学习”过程MindSpore当前已经部署在ModelArts的开发环境和训练环境中，同时提供了阈值算法供开发者直接使用，它的学习过程如下图所示，简单总结一下：1. 使用MindSpore提供的基本模块进行前线网络开发2. 对数据进行处理和增强以便得到更好的数据输入3. 利用前线网络构建训练模型，并进行模型保存和推理说起来可能平淡无奇，但是实验终究需要自己亲自动手才能体会其中的无限乐趣。看到这里，想必各种背景知识和原理大家已经略知一二，如果你已经跃跃欲试，那就快来华为云学院学习微认证课程《使用MindSpore训练手写数字识别模型》吧。对了，悄悄告诉你，这个实验现在还是免费的哟，来华为云学院沙箱实验室就能即刻体验。从原理到实践，带你全方位了解手写数字模型训练全过程，快速上手深度学习，速来！→点击直达华为云学院，get更多新技能

高浩，华为云MVP，南京航空航天大学硕士毕业，曾就职于某研究所集团公司。先后从事大数据开发与数据挖掘工作，擅长机器学习和数据分析。现任江苏知途教育科技有限公司人工智能课程研发负责人，“1+X” 计算机视觉应用开发认证（初级，中级）副主编，高级认证讲师。从人工智能被写入政府工作报告，到如今高校遍地开花的人工智能专业，AI作为下一阶段科学变革浪潮的新引擎，正在渗透到各行各业，当行业进入高速发展期，市场对高端人才的需求和依赖性也随之攀升。高浩一直从事大数据开发与数据挖掘工作，擅长机器学习和数据分析，现在担任江苏某教育科技公司的人工智能课程研发负责人。在他看来，大量的数字蓝领人才和AI应用开发人员构成了当前AI行业发展人才之基，这也为高校学生就业初期从事的工作指明了方向，而华为ModelArts平台在教育领域有着天然的数据、算法优势，非常适合AI教学。为什么选择ModelArts？AI应用的开发非常复杂，主要体现在开发流程冗长、烦琐，包括数据准备、算法开发、模型开发、应用生成、部署和维护等多个环节，链路很长，每个环节都需要大量人力和计算资源的投入。AI开发需要的实验环境或者平台资源昂贵，传统的实践教学体系与市场岗位、企业项目脱、产业发展、以及个人职业发展脱节。除此之外，AI的三个关键要素：算法、算力和数据，一方面推动了AI技术的应用落地，但也提高了学习上手的门槛。考虑到这些难题，高浩在调研了多家厂商的开发平台后，最终选择了一站式AI开发平台ModelArts。“算法可以采用平台中已有的通用算法，缩短建立时间，降低技术人员的入门门槛。算力可以根据按需方式租用GPU服务器，降低研究的前期投入。”高浩表示，ModelArts的教学指南非常完整，它系统地介绍了AI应用开发全流程及其子流程，包括数据准备、算法选择和开发、模型训练、评估和调优等，以及人工智能应用开发场景化实践。通过一整套工具链和方法传递，每个开发者都可以借助ModelArts在具体业务场景下更快、更高效、更低成本地开发AI应用，从而更好地解决实际问题。高浩认为，这样从教学实施角度上也更有普适指导意义。为了进一步阐释ModelArts的易用性，高浩详细演示了一个基于ModelArts和HiLens的云、边、端协同的AI应用开发案例。快速上手ModelArtsModelArts 的“一站式”体现在它囊括了AI开发的各个环节，包括数据处理、算法开发、模型训练、模型部署等等，而且面向不同经验的开发者，提供相匹配的使用流程。内容方面，ModelArts支持图像分类、图像检测、视频分析、语音识别、产品推荐、异常检测等多种AI应用场景。功能方面，它支持从数据处理到算法开发、训练、部署、开发流程管理等多种功能。如下图所示：其中，核心部分主要包括数据处理和模型的管理。1、数据的处理在ModelArts中，我们都是以数据集为数据基础，进行模型开发或训练等操作的。创建数据集前需要获取访问OBS的权限。目前，ModelArts支持如下9种类型的数据集，包含图片、音频、文本和其他类别：•     图像分类•     物体检测•     声音分类•     语音内容•     语音分割•     文本分类•     命名实体•     文本三元组•     自由格式针对创建好的数据集，可以执行标注数据、发布、版本管理、修改、导入和删除等操作。以图像分类为例，只需要给图片添加相应的标签即完成标注。物理检测的话，则需要在图片中使用标注框来框出标注对象，并打上标签，其余与图像分类相似。此处强调一下命名实体数据集，命名实体场景是针对文本中的实体片段进行标注，如“时间”、“地点”等。与文本分类不同的是，它需对片段进行标注，而不是全文。文本三元组标注则适用于标注语句当中形如（主语/Subject，谓词/Predicate，宾语/Object）结构化知识的场景，标注时不但可以标注出语句当中的实体，还可以标注出实体之间的关系，其在依存句法分析、信息抽取等自然语言处理任务中经常用到。声音方面，主要是根据播放内容，在 “语音内容”文本框中填写音频内容，完成标注。 2、模型训练管理数据处理完成后，接下来就是模型的训练。ModelArts可以基于不同的数据选择不同规格的资源池（CPU或GPU），根据用户选择的数据量和资源不同，模型训练通常耗时几分钟到几十分钟不等。同时，ModelArts也支持查看模型训练的情况并及时调整模型参数。除支持用户自己开发的模型外，ModelArts还提供了AI市场算法，开发者能直接使用已有的算法，再通过简单的调参得到一个满意的模型。模型训练之后，ModelArts模型管理可导入所有训练版本生成的模型，统一管理迭代和调试的模型，同时它还支持从模板、容器镜像以及OBS等场景导入模型，方便模型的部署上线。另外，ModelArts提供了模型转换功能，可以将已有的模型转换成所需格式，以便应用于算力和性能更高的芯片上。举个例子，用Tensorflow框架训练的模型，使用转换功能可转换成om格式，即可在昇腾芯片上部署运行。端侧看HiLens，让AI应用快速落地学会用ModelArts做好模型训练后，端侧的开发平台HiLens可以让AI应用落地更简单，高浩也谈了谈他使用HiLens的感受。HiLens是端云协同多模态AI开发应用平台，它提供简单易用的开发框架、开箱即用的开发环境、丰富的AI技能市场和云上管理平台，对接多种端侧计算设备如HiLens Kit，支持视觉及听觉AI应用开发、AI应用在线部署、海量设备管理等。高浩表示，购买HiLens Kit的普通用户如果需要快速安装技能到设备，使其具备AI能力，可以到技能市场购买技能，基本流程如下：对于具备编程能力的用户，也可以选择自己创建技能。购买或者创建好技能后，就是对其进行部署，具体可以前往数据管理查看技能效果。基于HiLens，高浩准备开发了一个检测施工现场作业人员是否佩戴安全帽的应用。他在创建好相对应的技能后，使用HDMI视频线连接HiLens Kit视频输出端口和显示器，然后点击后台管理中的启动技能，当状态变为“运行中”，表明技能成功运行在端侧设备上。最后应用的结果如下：总的来说，开发这样一个检测工地施工安全的应用其实很简单，先用云端的ModelArts进行数据处理和模型训练，然后再借助HiLens将模型部署到端侧，最后就能得到一个可以落地的AI应用。

丁一超，目前就职于上海高罗输送装备有限公司，平时主要的工作是企业IT。2000年开始接触学习计算机，从开始接触计算机起给自己规划的路线就是往计算机这个领域发展。目前主要探索学习机器学习、深度学习、 数据分析、数据挖掘、ModelArts、Mindspore这几个领域的知识。未来的目标能够学以致用，利用学到的知识在ModelArts上做一些有意思的实例。从招聘网站上输入“人工智能工程技术人员”，我们可以看到AI工程师的薪酬是15K-50K。伴随着人工智能政策的加持，越来越多企业已经布局人工智能项目，AI相关岗位也随之有增无减，AI人才越来越吃香。在疫情期间，面对猖獗的病毒，广大医务工作者逆行而上， AI奔赴“战疫”一线，从AI病毒传播模型预测、AI语音输入病例、到AI无人机监管等实践，再次证明数字经济时代，AI带来的自动化革命处正高速进行，“无AI，不科技”的应用也正全面渗透日常。初入AI的世界作为一名从事IT工作10年的程序员，丁一超从2010年上海交通大学毕业后开始从事计算机方面工作，一直听说人工智能、机器学习、神经网络等名词，但是对于这些名词到底是什么还有点模糊，也没有去深入的研究，毕竟在当时人工智能实在是太高大上了。在今年年初的疫情爆发期间，丁一超从GitHub上搜索COVID-19相关内容，将社区上其他开发者贡献的数据分析代码下载运行测试，希望能贡献一份自己的力量。早期丁一超接触过一些数据分析方面的工作，他认为GitHub上的一些可能都是基于EXCEL、SPSS、SAS之类做一个统计然后得出结论，高级点的用Python搭配Numpy、Pandas、Matplotlib三剑客做一些可视化分析报告。一次偶然的机会，在GitHub上看到一位女程序员贡献的可以通过数据集预测未来疫情趋势的Notebook文件，丁一超在琢磨这个文件中的代码时，看到了Torch的字样文件包，发现它能进行预测计算。就这样，他对Torch技术产生了兴趣，随后去查询PyTorch及Tensorflow的内容信息。就这样他正式的和深度学习框架有了一个接触，开启了AI技术的学习之路。AI开启新世界2020年3月份，还在学习TensorFlow、PyTorch等技术的时候，丁一超看到华为开源自研的深度学习框架Mindspore。本着探索新事物的理念，他参与学习Mindspore技术课程，并获得华为智能计算技术丛书《深度学习与Mindspore实践》。通过前期接触Mindspore，丁一超已经对这个深度学习框架产生了兴趣。随后参加了华为Mindspore社区的两日集训营。在第一期学习过程中，需要在昇腾芯片上运行ResNet50Cifar10一个实例，该功能需要在ModelArts上进行创建。他说道，这是第一次和ModelArts的接触。                                             Mindspore的课程使丁一超对ModelArts有了初步了解，但是真正深入了解认识到ModelArts的强大还是在《华为云AI实战营》。他表示，AI实战营的第一节课就是使用ModelArts自动学习功能，零代码开发一个美食分类的实例。也正是这一节课让他真正的感受到了零代码AI开发并不是遥不可及的梦想。学习的不断深入，他又了解到了AI市场算法订阅等功能，这更坚定了他无论如何一定要坚持把AI实战营的课程全都学习完。在随后的学习中，从AI实战营的第三章开始他逐渐不使用自动学习、AI市场的算法这类工具了，开始使用Notebook进行算法训练。学习过程中，他不满足只为做完作业，而是花费很多时间去了解和弄懂Notebook代码的作用。当然，上天是眷顾努力勤奋的人。丁一超顺利通过华为云AI实战营的结业考试，获得结课证书。他表示，不论是你想要0代码的做一个简单的图片分类、物体识别，还是需要自定义的框架代码又或者使用Notebook边开发边看结果的数据分析相关开发操作都可以利用ModelArts来实现。ModelArts真正是一站式AI开发，只要你想得到的它基本上都能做的到。在今年9月份的HC大会上，丁一超又一次感受到了ModelArts的强大，对ModelArts又有了更深入的了解和学习的渴望。与此同时，在26号的ModelArts+HiLens的小型闭门研讨会上，他结合自己的经历讲述了在AI实战营的经历和体会，为参会的小伙伴们带去了精彩的分享。随后，丁一超通过学习一次性通过了华为云Mindspore微认证的考试。HC大会2天的时间，让丁一超学到了很多知识，就想动手实操尝试一下。他在AI市场的数据集中看到有口罩数据集，觉得可以尝试做一个口罩识别的实例。于是就开始一点点的从订阅算法+数据集---模型训练----模型转换---模型导入----模型部署，当部署完成之后上传一张口罩照片，能够顺利识别出戴口罩的图片后，心里的成就感油然而生。做AI世界的分享者、追梦人从年初的不知不觉进入AI学习的道路，到认识并熟练使用ModelArts平台。虽然只有短短的半年，但这半年的探索学习，让丁一超看清了未来的路在何方。使其坚定要把机器学习、深度学习、Mindspore、ModelArts等技术继续学习的想法，更努力尝试用ModelArts做出更多好玩的案例。正式基于前期的学习和对AI技术的熟练掌握，丁一超在AI全栈训练营中成为课程助教，帮助训练营的小伙伴解决遇到的问题和难点。在谈及未来展望时，丁一超表示，坚持不懈的结合自己的经验在华为云论坛ModelArts专区和Mindspore专区帮助更多的开发者。他讲到，其实每个人都是从初学者一路走来的，如果能把自己的经验分享给更多在路上的小伙伴。他们少走很多弯路，自己也会非常开心。“AI人工智能的昨天来不及参与，AI人工智能的未来坚定不移的一路走下去。做人工智能应用世界的追梦人，有梦想肯付出肯坚持，我相信一定能等到收获的那一天！”丁一超最后说道。

参加华为天津低代码训练营完成学习挑战不仅自己参加夏季训练营可以获奖分享邀请还可以瓜分万元好礼快带着你的小伙伴一起来吧！一、中奖名单公示截至11.17 8:45排名情况，根据规则，邀请30人以上的选手已达130人，分享推荐活动结束。【中奖名单】红色部分为中奖用户，请留好信息，华为云天津小助手（微信号：TJhuaweiyun）将在11月20日，活动结束后在微信群公布兑奖方式，届时统一兑奖；【奖品发放】活动完全结束后14个工作日内发放完成，如回复不及时，请耐心等待，感谢理解二、分享推荐奖励1、分享30人报名， 可获得50元京东卡1张，共计130名，先到先得；（提示：网友可直接看到自己拉取人的数量，但无法看到是否属于前130名；前130名信息将在本帖评论区置顶，频繁更新，请确认自己的领取资格）如有问题，请联系华为云天津小助手。（微信号：TJhuaweiyun）三、分享推荐公布规则1.    邀请排名由系统后台统计，每周进行多次公示（在本帖评论区置顶，频繁更新，建议收藏）（提示：网友可直接看到自己拉取人的数量，但无法看到是否属于前130名；前130名信息将在本帖评论区置顶，频繁更新，请确认自己的领取资格）如有问题，请联系华为云天津小助手。（微信号：TJhuaweiyun）2.    获奖名单将于本帖置顶公示，届时将发布兑奖方式，发放京东卡礼品3.    邀请奖励发放将在最终名单公布完成后14个工作日内发放完成；4.    获奖同学需反馈相对应的个人信息，先到先得，截止到11月25日，还未反馈的选手，视为自动放弃奖品；5、一个账号只可得一张京东卡，不累计。（最终解释权归华为所有）

【作业题】设备维修系统开发实战，点击右侧链接参考帮助文档。【提交方式】1、选手在应用开发完成后，需要进行编译、打包和发布，发布成功后下载源码包，并在本贴下方回复提交作品源码包（特别提示：AppCube支持编译资产包和源码包，请下载提交源码包），回复仅作者可见。2、提交作业时请注明华为云账号，比如华为云账号：hw***+源码包附件，以便核对身份3、源码包下载详情可参考右侧链接打包发布。4、华为云专家将会进行安装调测并打分，得分前15名即可获得50元京东卡1张，如成绩相同，则根据提交的先后顺序。【评分标准】评分标准从用户模块、设备模块和工单模块的实现效果按如下标准评分，对开发理解以及功能扩展创新进行附加评分。用户模块（20分）1、  新增不同角色用户（5分）2、  用户成功登录（共15分）登录接口成功运行（5分）完成登录高级页面开发（5分）设备模块（30分）1、  设备管理 （20分，增删改查功能各5分）2、  地图监控设备位置（10分）工单模块（50分）1、  客服人员新增工单（15分）2、  派单员指派工单（15分）3、  维修人员处理工单（20分） 

▶考核打卡时间：2020.12.01-2020.12.04 23:59 ▶考核评分时间：12.05-12.07（根据提交考核内容而定，若考核内容众多，评分时长往后顺延3个工作日，望谅解~）▶考核途径：点击下方链接，选择【第一阶段考核作业】（此作业在11月30日发布）https://classroom.devcloud.huaweicloud.com/classdetail/0820f921e328447caee6aa43f2e327b5/job考核作业所在地址如图：▶考核要求：进入考核页面后，点击“查看习题描述”，详细阅读考核要求和评判标准后再进入考核，提交机会有2次，请大家认真作答。▶打卡要求：1.20000字符内：在本帖下方，回复考核答题页面截图1张+提交程序运行后的截图1张（如需上传多张截图，请一张张上传到同一楼层/回复帖中，多次回复占楼视为无效）2.20000字符外：在本帖下方，回复运行后截图2张，将本地编辑源代码和运行结果图片以压缩包的形式上传到回复帖中▶打卡方式：方式1：***正确的回复格式：华为云ID+微信号+姓名+考核答题截图（2张）华为云ID：grandmaster  微信号：hwcloud01姓名：云上花木兰截图均放在一个楼层中，多次占楼无效哈~方式2：***正确的回复格式：华为云ID+微信号+姓名+运行截图（2张）华为云ID：grandmaster  微信号：hwcloud01姓名：云上花木兰重要提示：请严格按照回复示例进行回复，本次为阶段末考核项目，如果没有按照要求的格式进行回复，版主将不予提示，同时不计入考核结果，会影响考核证书及奖品的发放哦~▶考核评分：提交考核内容后由专家老师根据评分标准评分，满分100分，分数于12月8日23:59前公布，可自行在考核页面查看，若因客观原因音响发布时间，顺延一个工作日。▶评分标准：提交页面与classroom首页接近；页面的完成度高；HTML和CSS代码书写规范；使用的代码简练；页面中的图片资源不作要求，可以使用任意图片代替。 ▶考核奖励：◎参与最后考核并回复本帖，就可得到电子版证书（证书上会根据大家的回复的真实姓名填写信息，请大家在留信息时注意）参与考核，人人有份，证书由社群小助手微信点对点发放，可前往公众号"软开云生态"：hndevcloud，回复关键字“证书”，获取小助手微信，证书将在第一阶段结束后10个工作日内发放，请大家耐心等待哦~◎考核前3名：耳机一副，移动电源一个，知识卡片一盒。想了解更多关于全栈成长计划课程内容请移步主帖：https://bbs.huaweicloud.com/forum/thread-86105-1-1.html活动注意事项1.由于本帖回复内容为阶段考核测试内容，并涉及到个人隐私，已设置回帖仅版主可见，请大家放心回复2.请大家务必在考核规定时间12月4日 23:59内完成考核回帖打卡，否侧将影响证书和奖品的发放3.考核奖品我们会在考核阶段结束后10个工作日内整理完毕，发放奖品4.第二阶段课程将于12月中旬开课，详细报名情况和课程安排敬请期待。

【零基础WEB全栈学习训练营】第一阶段正式结束第一阶段考核名单如下相关证书会在2020年12月18日前通过微信号统一联系，请保持联系。名单如有遗漏，请在社群@管理员进行核对其他获奖名单如下前11天打卡的抽奖名单如下：2名/天，一盒知识卡片/人。请大家点击以下链接或扫码下面二维码填写领奖地址奖品领取地址：https://devcloud.huaweicloud.com/expert/open-assessment/qtn?id=b802788af409459a83c1aaa1cd0ae2c6&utm_source=haibao感谢大家参加【零基础WEB全栈学习训练营】第一阶段第二阶段的课程报名请点击：https://classroom.devcloud.huaweicloud.com/joinclass/23bea4f723244094a5d50e2a7a7b244e/1开课时间：12月下旬届时将在社群预告，请大家继续关注社群活动哦~目前正在火热举办的活动：参与赢华为云MatePad【长沙限时0元 DevCloud基础套餐包】参与活动还有机会赢取华为MatePad、手表、手环、音箱、京东卡等大礼~

【零基础WEB全栈学习训练营】第一阶段学习已结束所有获奖名单请前往：https://bbs.huaweicloud.com/forum/thread-86111-1-1.html第一阶段终极考核打卡贴：https://bbs.huaweicloud.com/forum/thread-86136-1-1.html 请同学们继续关注第二阶段课程开课时间预报名：阶段2：迈入脚本及框架开发 【&Ajax】，课程链接：《零基础WEB全栈学习训练营》第二阶段目前正在火热举办的活动：参与赢华为云MatePad【长沙限时0元 DevCloud基础套餐包】参与活动还有机会赢取华为MatePad、手表、手环、音箱、京东卡等大礼~欢迎同来到华为云DevCLoud（长沙）创新中心《零基础WEB全栈学习训练营》！3个月构建前端全栈技能体系，集成华为研发经验的高质量前端课程覆盖HTML//Node.js等核心知识点助力前端技能快速提升，向全栈工程师迈进！从2020年11月-2021年1月，我们将用三个月的时间陪伴您一步步从零开始，成长为全栈工程师！01.适合人群：阶段1：0基础想要进阶的开发者 【html&css】课程链接：《零基础WEB全栈学习训练营》第一阶段阶段2：迈入脚本及框架开发 【&Ajax】，课程链接：《零基础WEB全栈学习训练营》第二阶段阶段3：前端高阶框架开发【Node&Vue】，课程链接：零基础WEB全栈学习训练营·第三阶段 02.活动参与流程 一、报名课程：- 课程报名入口：   点此报名课程二、加入学习社群：有人一起学习，有人帮你解惑，有考试助你查缺补漏，还有华为大牛不定时空降答疑，更有超多惊喜奖励等着泥萌~~~扫描下方QQ二维码，务必加入学习群，相关活动进度会在学习群中更新~（若群满，请看群介绍，加入下一个群。）三、分享本次活动赢知识卡：（1）活动海报转发至朋友圈，截图回复微信公众号（软开云生态：hndevcloud）后台，可获得一副知识卡片（仅限前10名）（2）11月16日00：00-11月20日：23：59，在公众号活动招募贴《月薪3k到3万，3个月零基础学会WEB前端开发》评论互动点赞满30人：可获得一顶定制的华为云棒球帽（排名前5名）（3）成功结业的同学：可获得结业证书03.课程安排及打卡规则 一、第一阶段课程安排：（11月20日-11月30日）二、学习任务&学习奖励：每章随堂测验：（1）任务完成方式：在随堂测验打卡贴中，回复对应章的随堂测验提交截图；（2）回复格式：华为云ID+截图（露出右上角华为云ID，且有效提交次数>=1）学习奖励：（1）打卡奖励a.每天完成打卡者，可以参与知识卡片抽奖，每天2个名额，第二天上午12：00在论坛贴及QQ群同步公布中奖名单；b.连续有效打卡完成8次、9次、10次者，可获得HUAWEI移动电源10000mAh一个，仅限前10名；c.完成所有打卡的前3名同学，各可获得耳机一副，移动电源一个。（2）考核奖励a.完成所有有效打卡的同学，可以获得结业证书b.考核成绩排名前3名，各可获得耳机一副，移动电源一个，知识卡片一盒三、学习任务提交入口：  1.随堂测验打卡贴：【WEB前端全栈成长计划】第一阶段·每章随堂测验打卡帖  2.第一阶段最终考核打卡帖：【零基础WEB全栈学习训练营】第一阶段·最终考核打卡帖·长沙站  3.第一阶段最终成绩帖：【零基础WEB全栈学习训练营】最终考核成绩出炉！ 04.活动常见问题 1.课程录播为主，为了照顾每个学生的学习进度，我们将在课程开始就公开所有课程，但每期作业必须按照打卡日期提交，否则不能参与每日随堂打卡抽奖。2.每天上午12点公布前一天打卡作业中的中奖名单，每天完成作业打卡总人数必须30人以上，否则不开奖品。2.每阶段课程的每章都会有对应的学习任务，按照指定要求完成学习任务并回复到指定社区帖中，才能算有效学习，必须有30人以上联系打卡8次以上，才能开打卡奖励。3.报名链接就是课程链接，大家可以在电脑和手机端将链接收藏一下，app目前不能学习本次课程4.课程视频没有倍速不会添加倍速，电脑端观看建议使用谷歌浏览器，手机端建议使用默认浏览器，手机观看解锁锁屏模式横屏后右拉即可观看视频6.关于活动的所有链接在公众号和本帖上方活动介绍中都有，请大家随时翻看7.复制链接到微信文件传输助手即可在电脑端观看内容8.报名时填写必填项即可，学号工号信息可随意填写，目前注册只支持中国大陆手机号，课程后奖品也只支持中国大陆内快递9.本次课程每阶段都有结业证书，电子版，不具备任何法律和华为内推效益，请大家知晓10.大家有任何问题都可以帖子下方留言或者到学习交流群内咨询 06.活动注意事项 ○所有活动奖品将在活动结束后20个工作日内完成发放，具体发放时间见群内/小助手通知；○活动奖品颜色随机，且部分奖品数量有限发完即止；○本次活动回帖内容需满足华为云论坛发帖规范：https://bbs.huaweicloud.com/forum/thread-23077-1-1.html本次全栈开发者成长计划，定会让你受益匪浅离华为云最近的机会就在这里请各位开发者和预备开发者和华为一起吧~

 摘要：K近邻（k-NearestNeighbor，K-NN）算法是一个有监督的机器学习算法，也被称为K-NN算法，由Cover和Hart于1968年提出，可以用于解决分类问题和回归问题。1. 为什么要学习k-近邻算法k-近邻算法，也叫KNN算法，是一个非常适合入门的算法拥有如下特性：● 思想极度简单● 应用数学知识少(近乎为零)● 对于各位开发者来说，很多不擅长数学，而KNN算法几乎用不到数学专业知识● 效果好○ 虽然算法简单，但效果出奇的好○ 缺点也是存在的，后面会进行讲解● 可以解释机器学习算法使用过程中的很多细节问题○我们会利用KNN算法打通机器学习算法使用过程，研究机器学习算法使用过程中的细节问题● 更完整的刻画机器学习应用的流程○ 对比经典算法的不同之处○ 利用pandas、numpy学习KNN算法2. 什么是K-近邻算法上图中的数据点是分布在一个特征空间中的，通常我们使用一个二维的空间演示横轴表示肿瘤大小，纵轴表示发现时间。恶性肿瘤用蓝色表示，良性肿瘤用红色表示。此时新来了一个病人如上图绿色的点，我们怎么判断新来的病人(即绿色点)是良性肿瘤还是恶性肿瘤呢？k-近邻算法的做法如下：取一个值k=3(此处的k值后面介绍，现在大家可以理解为机器学习的使用者根据经验取得了一个经验的最优值)。k近邻判断绿色点的依据就是在所有的点中找到距离绿色点最近的三个点，然后让最近的点所属的类别进行投票，我们发现，最近的三个点都是蓝色的，所以该病人对应的应该也是蓝色，即恶性肿瘤。本质：两个样本足够相似，那么他们两个就具有更高概率属于同一个类别。但如果只看一个，可能不准确，所以就需要看K个样本，如果K个样本中大多数属于同一个类别，则被预测的样本就很可能属于对应的类别。这里的相似性就依靠举例来衡量。这里我再举一个例子● 上图中和绿色的点距离最近的点包含两个红色和一个蓝色，此处红色点和蓝色点的数量比为2:1，则绿色点为红色的概率最大，最后判断结果为良性肿瘤。● 通过上述发现，K近邻算法善于解决监督学习中的分类问题