【编者按】从2022年4月15日开始，吴恩达在知乎几乎每周一次发布一个中英文对照的来信，从来信可以看到这位AI大拿在深度学习领域的想法以及对后辈的指点，非常值得一读。【转载】吴恩达来信2022-04-15：多交流，多思考，多学习cid:link_4【转载】吴恩达来信2022-04-21：开源，还是不开源？That is a question!cid:link_0【转载】吴恩达来信2022-04-28：言论自由还是社交约束cid:link_5【转载】吴恩达来信2022-05-05：Hard tech——影响初创公司成败的关键因素cid:link_6【转载】吴恩达来信2022-05-19：如何正确建立客户预期cid:link_7【转载】吴恩达来信2022-05-26：一同探秘机器学习cid:link_1【转载】吴恩达来信2022-06-23：互相扶持，共同进步cid:link_8【转载】吴恩达来信2022-06-30：制定AI职业规划的小tipscid:link_2【转载】吴恩达来信2022-07-08: 做个终身学习者吧！cid:link_9【转载】吴恩达来信2022-07-14：发展 AI 职业生涯的重要步骤——项目实践cid:link_10【转载】吴恩达来信2022-07-22：如何将 AI 项目与你的职业道路相拟合cid:link_11【转载】吴恩达来信2022-07-29：公共数据的 “围墙”cid:link_12【转载】吴恩达来信2022-08-11：衡量算法一致性，减少模型偏差cid:link_13【转载】吴恩达来信2022-08-18：人工智能领域求职的小tipscid:link_14【转载】吴恩达来信2022-08-25：想尝试新工作？先进行信息性面试吧！cid:link_15【转载】吴恩达来信2022-09-01：人工智能领域的求职小 tipscid:link_16【转载】吴恩达来信2022-09-08：推动科研成果及时、免费发布cid:link_17【转载】吴恩达来信2022-09-15：为艺术创造打开新大门的 Stable Diffusioncid:link_18【转载】吴恩达来信2022-09-22：为“智能记忆”多加练习吧！cid:link_19【转载】吴恩达来信2022-10-09：考虑用户和数据的不确定性cid:link_20【转载】吴恩达来信2022-10-13：AI, GPU和芯片的未来cid:link_21【转载】吴恩达来信2022-10-20：Prompt engineering的现状及未来cid:link_22【转载】吴恩达来信2022-10-27：人类和鬼魂都在使用AI?!cid:link_23【转载】吴恩达来信2022-11-03：借AI之力改善全球变暖cid:link_24【转载】吴恩达来信2022-11-11：携手对抗全球经济下滑cid:link_25【转载】吴恩达来信2022-11-17：用 AI 解放双手cid:link_3【转载】吴恩达来信2022-11-24：AI的发展需要更多尊重与理解cid:link_26（未完待续）

我尝试用mindspore中的api创建HRNet模型，HRnet在某几个阶段需要对图片进行上采样，将图片大小放大到原来的2/4/8倍。如果用pytorch实现，则可以使用对应的UpSample，而mindspore中仅有一个ResizeBilinear，这个api不能接收扩大倍数的参数，只能在construct中传入，不能在定义的时候确定，使用起来不太方便。求助如何在init内实现上采样层的定义。

纯新人，没接触过直接被布置了作业┭┮﹏┭┮，能帮我解释一下这个功能的意思吗？

按照https://gitee.com/mindspore/models/tree/r1.9/research/cv/yolox中快速入门尝试demo在运行网络之前，准备hccl_8p.json文件，生成hccl_8p.json文件，运行model_utils/hccl_tools.py脚本。python hccl_tools.py可是找不到hccl_tools.py文件求助

CNCC是级别高、规模大的高端学术会议，探讨计算及信息科学技术领域最新进展和宏观发展趋势，展示计算领域学术界、企业界最重要的学术、技术成果，搭建交流平台，促进科技成果转换，是学术界、产业界、教育界的年度盛会。今年邀请嘉宾包括ACM图灵奖获得者、田纳西大学教授Jack Dongarra，以及高文、管晓宏、江小涓、钱德沛、徐宗本、张平等多位院士及专家，还有七百余位国内外名校学者、名企领军人物、各领域极具影响力的业内专家，CNCC在计算领域的水准及影响力逐年递增。本届CNCC的主题是：算力、数据、生态。论坛简介AI框架在AI全栈体系中处于承上启下的位置，从某种意义上讲，AI框架承担起了人工智能操作系统的角色，对于人工智能软件生态构建非常关键。昇思MindSpore是新一代覆盖端边云全场景的开源AI框架，旨在开创全新的AI编程范式，降低开发者门槛，为开发者打造开发友好、运行高效、部署灵活的AI框架，推动人工智能生态繁荣发展。昇思MindSpore坚持开源开放，积极倡导多芯一生态，南向支持不同芯片厂家适配，北向支持各行业、各算法厂家、各高校和科研机构的模型和应用开发；同时横向昇思开放与其他框架的对接，实现应用自动迁移，南北向开发接口共享，架构体系互通，生态相互引流，共建中国的人工智能软硬件生态，立足中国、面向全球。本次论坛旨在讨论和分享基于国产AI框架昇思MindSpore的关键进展及成果，欢迎广大行业人士和科研专家加入，共同研讨AI框架未来技术发展趋势。论坛安排时间：2022年12月09日 18:00至20:40地点：CNCC官方线上直播会议日程：顺序报告题目讲者单位18：00-18：20昇思MindSpore超大规模AI实践 – 在Transformer和推荐大模型中的应用苏腾华为技术有限公司18：20-18：40空天·灵眸 面向多模态遥感数据的预训练模型及应用研究孙显中科院空天院18：40-19：00参数偏微分方程求解的探索与应用董彬北京大学19：00-19：20AI科学计算业界趋势和昇思实践王紫东华为技术有限公司19：20-19：40多模态可交互数智人头於俊中国科学技术大学19：40-20：40AI框架未来发展研讨吕昱峰（主持人）华为技术有限公司论坛主席苏腾华为技术有限公司MindSpore超大规模AI技术负责人共同主席董彬北京大学 副教授嘉宾及议题简介​苏腾讲者简介：浙江大学博士，目前是MindSpore超大规模AI技术负责人。加入华为10年，长期从事大规模分布式并行计算系统研发，曾主导华为自研的分布式任务计算框架、分布式强一致性K-V存储框架、容器化资源管理与调度框架、Actor模型编程框架的设计开发，并在多个产品落地应用，在大规模分布式系统方向有丰富的实践经验。题目：昇思MindSpore超大规模AI实践 – 在Transformer和推荐大模型中的应用演讲简介：以大模型、大数据、大算力驱动的超大规模AI正成为下一代人工智能的突破口，也是迈向通用强人工智能最有潜力的技术方向之一。昇思MindSpore构建了多维度混合并行、多维度内存优化、图算融合等关键技术，支撑了20+大模型的训练。并在2021年联合高校及科研院所协同创新，发布了鹏程盘古NLP大模型、中科院紫东太初图文音多模态大模型、鹏程神农蛋白质结构大模型、武大珞珈遥感大模型等。本次分享将从昇思MindSpore大模型实践出发，介绍昇思MindSpore超大规模AI训练、微调、压缩、部署全流程关键技术，MindSpore Transformer和推荐套件，如何使用这些关键技术在昇腾大集群上训练大模型，以及昇思MindSpore上的大模型如何助力产业发展。孙显讲者简介：长期从事遥感图像智能分析关键技术研究，发表SCI论文70余篇，ESI高被引10篇，出版专著2部；获国家科技进步一等奖、中科院杰出成就奖等奖励4项；入选国家高层次青年人才计划、中国指控学会青年科学家奖；任IEEE GRSL、PRL、TVCJ、RS等国际期刊副主编/编委，中国图象图形学学会遥感图像专业委员会秘书长。题目：空天·灵眸 面向多模态遥感数据的预训练模型及应用研究演讲简介：大模型是人工智能发展的重要方向，在遥感智能解译领域，大模型在多模态和多任务的通用性上仍存在许多技术难点。中科院空天院与华为深度合作，牵头研制了首个面向跨模态遥感数据的生成式预训练大模型“空天·灵眸”，并基于昇腾AI基础软硬件平台，联合打造了灵活易用的自监督预训练通用套件，可高效支撑大模型并行训练及下游任务的开发。目前，该大模型已在多个领域开展试用，在遥感智能解译多项任务准确率达90%以上。报告将为大家介绍如何结合遥感多模态数据特点开展空天信息预训练模型的研究与应用。​董彬讲者简介：曾在美国加州大学圣迭戈分校数学系任访问助理教授、2011－2014年在美国亚利桑那大学数学系任助理教授，2014年底入职北京大学。主要研究领域为科学计算、机器学习及其在计算成像和数据分析中的应用。现任期刊《Inverse Problems and Imaging》编委、《CSIAM Transactions on Applied Mathematics》、《Journal of Computational Mathematics》、《Journal of Machine Learning》副主编。2014年获得求是杰出青年学者奖，2022年受邀在世界数学家大会（ICM）做45分钟报告。题目：参数偏微分方程求解的探索与应用演讲简介：深度学习继续主导机器学习，并在计算机视觉、自然语言处理等方面取得了成功。其影响现已扩展到科学和工程的许多研究领域。在本次演讲中，我将介绍我们最近的工作，即结合数值偏微分方程（例如，多重网格方法、降阶建模等）和机器学习来设计参数偏微分方程的数据驱动求解器及其在流体模拟中的应用。王紫东讲者简介：2016年博士毕业于浙江大学电气工程学院，同年加入华为技术有限公司。现任华为中央软件院自研AI框架昇思（MindSpore）开源项目架构师，从事AI软件及算法相关研究工作。主要研究方向包括AI+科学计算（生物、电磁、流体、气象等领域）、二阶优化等。发表AI顶会论文、申请相关专利数篇。题目：AI科学计算业界趋势和昇思实践演讲简介：AI在蛋白质结构预测、分子模拟、流体气象以及微分方程求解等传统科学领域已取得革命性的突破，如AlphaFold2在蛋白质结构预测中取得了媲美实验的精度。传统科学领域悄然成为了AI新的主战场，AI for Science是科学计算的新范式。昇思从创立之初便积极布局，不仅提供了AI融合框架的基础底座，还投入电磁、气象、制药、航空航天四大套件的研发。本次演讲将与大家分享AI科学计算的业界趋势、进展以及MindSpore的实践等内容，期待与大家进行一次思维的碰撞。於俊讲者简介：研究方向为多媒体智能计算。主持国家和省部级等科研项目30余项，包括国家自然科学基金5项。在国际著名学术刊物上发表论著150余篇，主要包括一作/通讯IEEE(ACM)汇刊/CCF A类国际会议论文40余篇。第1完成人获CVPR PBVS、ICCV MFR、ICME、FG最佳论文奖6项、国际权威AI挑战赛(CVPR、ICCV、MM等Challenge)冠军20余项。第1完成人获省部级科技进步奖1项。第2完成人荣获省部级自然科学奖2项。长期担任多个国际会议(IJCAI、AAAI、CVPR、ICML、NeurIPS等)SPC Member。题目：多模态可交互数智人头演讲简介：数字人作为AI技术具像化的一种展现形式，是元宇宙和互联网3.0的重要入口。近几年，通过多媒体智能计算等研究的不断深入，数字人正在发生一系列深刻的技术及应用演进，逐渐升级为“数智人”。特别的是，在与数智人互动的多种人机交互信息中，很大一部分是与人头相关的。本报告从多模态合成和多模态感知两个层面，阐述构建可交互数智人头的若干关键技术和研究进展，以及在达到高保真和超写实效果方面所面临的具体挑战。其他嘉宾吕昱峰昇思MindSpore布道师

一、MindSpore介绍1.简介MindSpore是华为发布的开源AI计算框架。于2019年8月推出的新一代全场景AI计算框架，2020年3月28日，宣布MindSpore正式开源。 MindSpore总体架构：2.特点简单的开发体验：帮助开发者实现网络自动切分，只需串行表达就能实现并行训练，降低门槛，简化开发流程。灵活的调试模式 具备训练过程静态执行和动态调试能力，开发者通过变更一行代码即可切换模式，快速在线定位问题。充分发挥硬件潜能 最佳匹配昇腾处理器，最大程度地发挥硬件能力，帮助开发者缩短训练时间，提升推理性能。全场景快速部署 支持云、边缘和手机上的快速部署，实现更好的资源利用和隐私保护，让开发者专注于AI应用的创造。开发的便捷度相对有提高；同时在代码调试的时候，可以快速定位存在bug的地方；搭配昇腾的强大处理器，不需要大量的模拟测试和训练，可以大大提高我们的开发效率；同时生态环境较好，可以在移动设备或者云端快速的部署项目，能够让我们更安全便捷地进行开发。二、安装MindSpore1.获取安装命令官方下载网址：MindSpore安裝指南选择对应的下载配置我是Python3.8 + MindSpore1.9.0 如果和我一样是在linux系统上安装，但不知道自己的内核版本，可以使用命令uname -a去查看自己linux的内核版本。 我是Linux-x86_64官网文档有详尽的安装以及环境配置教程。如果是在一个全新的Ubuntu上通过pip安装MindSpore，可以使用自动安装脚本进行一键式安装。自动安装脚本会安装MindSpore及其所需的依赖。如果系统已经安装了部分依赖，如Python，GCC等，则可以参照手动安装来进行步骤手动安装。2.自动安装自动安装将执行以下内容：（自动安装脚本仅支持安装MindSpore>=1.6.0）更改软件源配置为华为云源。安装MindSpore所需的依赖，如GCC。通过APT安装Python3和pip3，并设为默认。通过pip安装MindSpore CPU版本。自动安装脚本执行完成后，需要重新打开终端窗口以使环境变量生效。wget https://gitee.com/mindspore/mindspore/raw/r1.9/scripts/install/ubuntu-cpu-pip.sh # 安装MindSpore 1.9.0和Python 3.7 MINDSPORE_VERSION=1.9.0 bash ./ubuntu-cpu-pip.sh # 如需指定Python和MindSpore版本，以Python 3.9和MindSpore 1.6.0为例，使用以下方式 # PYTHON_VERSION=3.9 MINDSPORE_VERSION=1.6.0 bash ./ubuntu-cpu-pip.sh3.手动安装安装MindSpore所需的系统环境和第三方依赖如下表：软件名称版本作用Ubuntu18.04运行MindSpore的操作系统Python3.7-3.9MindSpore的使用依赖Python环境GCC7.3.0到9.4.0之间用于编译MindSpore的C++编译器(1)安装PythonPython可通过多种方式进行安装。（若要安装其他Python版本，只需更改命令中的3.7）通过Conda安装Python安装Miniconda：cd /tmp curl -O https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-py37_4.10.3-Linux-$(arch).sh bash Miniconda3-py37_4.10.3-Linux-$(arch).sh -b cd - . ~/miniconda3/etc/profile.d/conda.sh conda init bash在内地使用Conda下载会比较慢，安装完成后，可以为Conda设置清华源加速下载，可以参照此：Anaconda 镜像使用帮助 创建虚拟环境，以Python 3.7.5为例：conda create -n mindspore_py37 python=3.7.5 -y conda activate mindspore_py37通过APT安装Pythonsudo apt-get update sudo apt-get install software-properties-common -y sudo add-apt-repository ppa:deadsnakes/ppa -y sudo apt-get install python3.7 python3.7-dev python3.7-distutils python3-pip -y # 将新安装的Python设为默认 sudo update-alternatives --install /usr/bin/python python /usr/bin/python3.7 100 # 安装pip python -m pip install pip -i https://repo.huaweicloud.com/repository/pypi/simple sudo update-alternatives --install /usr/bin/pip pip ~/.local/bin/pip3.7 100 pip config set global.index-url https://repo.huaweicloud.com/repository/pypi/simple下载完成后可以查看python版本：python --version（2）安装GCCsudo apt-get install gcc -y（3）安装MindSpore根据版本选择适合的版本后进行下载，这里以MindSpore1.9.0为例export MS_VERSION=1.9.0然后根据系统架构及Python版本执行如下命令安装MindSpore# x86_64 + Python3.7 pip install https://ms-release.obs.cn-north-4.myhuaweicloud.com/${MS_VERSION}/MindSpore/cpu/x86_64/mindspore-${MS_VERSION/-/}-cp37-cp37m-linux_x86_64.whl --trusted-host ms-release.obs.cn-north-4.myhuaweicloud.com -i https://pypi.tuna.tsinghua.edu.cn/simple # x86_64 + Python3.8 pip install https://ms-release.obs.cn-north-4.myhuaweicloud.com/${MS_VERSION}/MindSpore/cpu/x86_64/mindspore-${MS_VERSION/-/}-cp38-cp38-linux_x86_64.whl --trusted-host ms-release.obs.cn-north-4.myhuaweicloud.com -i https://pypi.tuna.tsinghua.edu.cn/simple # x86_64 + Python3.9 pip install https://ms-release.obs.cn-north-4.myhuaweicloud.com/${MS_VERSION}/MindSpore/cpu/x86_64/mindspore-${MS_VERSION/-/}-cp39-cp39-linux_x86_64.whl --trusted-host ms-release.obs.cn-north-4.myhuaweicloud.com -i https://pypi.tuna.tsinghua.edu.cn/simple # aarch64 + Python3.7 pip install https://ms-release.obs.cn-north-4.myhuaweicloud.com/${MS_VERSION}/MindSpore/cpu/aarch64/mindspore-${MS_VERSION/-/}-cp37-cp37m-linux_aarch64.whl --trusted-host ms-release.obs.cn-north-4.myhuaweicloud.com -i https://pypi.tuna.tsinghua.edu.cn/simple # aarch64 + Python3.8 pip install https://ms-release.obs.cn-north-4.myhuaweicloud.com/${MS_VERSION}/MindSpore/cpu/aarch64/mindspore-${MS_VERSION/-/}-cp38-cp38-linux_aarch64.whl --trusted-host ms-release.obs.cn-north-4.myhuaweicloud.com -i https://pypi.tuna.tsinghua.edu.cn/simple # aarch64 + Python3.9 pip install https://ms-release.obs.cn-north-4.myhuaweicloud.com/${MS_VERSION}/MindSpore/cpu/aarch64/mindspore-${MS_VERSION/-/}-cp39-cp39-linux_aarch64.whl --trusted-host ms-release.obs.cn-north-4.myhuaweicloud.com -i https://pypi.tuna.tsinghua.edu.cn/simple4.检验是否安装成功进入python后执行以下命令：import mindspore; mindspore.run_check()如果输出如下一样则表明安装成功！MindSpore version: 版本号 The result of multiplication calculation is correct, MindSpore has been installed successfully!5.升级MindSpore版本如果需要升级MindSpore版本执行一下命令即可pip install --upgrade mindspore=={version}升级到rc版本时，需要手动指定{version}为rc版本号，例如1.6.0rc1；如果升级到正式版本，=={version}字段可以缺省。到这里就安装完成啦~~可以去享受MindSpore之旅啦~

如何查看昇腾服务器上正在跑的Mindspore的训练任务？有的训练任务在命令行一打bash run_standalone_train.sh [DATA_PATH]就看不到了。咋办呢？感谢！

MindX SDK -- 伪装目标分割参考设计案例1 案例概述1.1 概要描述在本系统中，目的是基于MindX SDK，在华为云昇腾平台上，开发端到端伪装目标分割的参考设计，实现对图像中的伪装目标进行识别检测的功能，达到功能要求1.2 模型介绍本项目主要基于用于通用伪装目标分割任务的DGNet模型模型的具体描述和细节可以参考原文：cid:link_4具体实现细节可以参考基于PyTorch深度学习框架的代码：cid:link_3所使用的公开数据集是NC4K，可以在此处下载：cid:link_1所使用的模型是EfficientNet-B4版本的DGNet模型，原始的PyTorch模型文件可以在此处下载：cid:link_01.3 实现流程基础环境：Ascend 310、mxVision、Ascend-CANN-toolkit、Ascend Driver模型转换：将ONNX模型（.onnx）转换为昇腾离线模型（.om）昇腾离线模型推理流程代码开发1.4 代码地址本项目的代码地址为：cid:link_21.5 特性及适用场景本项目适用于自然场景下图片完整清晰、无模糊鬼影的场景，并且建议输入图片为JPEG编码格式，大小不超过10M。注意：由于模型限制，本项目暂只支持自然场景下伪装动物的检测，不能用于其他用途2 软件方案介绍2.1 项目方案架构介绍本系统设计了不同的功能模块。主要流程为：图片传入流中，利用DGNet检测模型检测伪装目标，将检测出的伪装目标以逐像素概率图的形式输出，各模块功能描述如表2.1所示：表2.1 系统方案中各模块功能：序号子系统功能描述1图像输入调用cv2中的图片加载函数，用于加载输入图片2图像前处理将输入图片放缩到352*352大小，并执行归一化操作3伪装目标检测利用DGNet检测模型，检测出图片中的伪装目标4数据分发将DGNet模型检测到的逐像素概率图进行数据分发到下个插件5结果输出将伪装目标概率预测图结果进行输出并保存2.2 代码目录结构与说明本工程名称为DGNet，工程目录如下列表所示：./ ├── assets # 文件 │ ├── 74.jpg │ └── 74.png ├── data # 数据集存放路径 │ └── NC4K ├── inference_om.py # 昇腾离线模型推理python脚本文件 ├── README.md # 本文件 ├── seg_results_om │ ├── Exp-DGNet-OM # 预测结果图存放路径 ├── snapshots │ ├── DGNet # 模型文件存放路径3 开发准备3.1 环境依赖说明环境依赖软件和版本如下表：软件名称版本ubantu18.04.1 LTSMindX SDK2.0.4Python3.9.2CANN5.0.4numpy1.21.2opencv-python4.5.3.56mindspore (cpu)1.9.03.2 环境搭建在编译运行项目前，需要设置环境变量# MindXSDK 环境变量： . ${SDK-path}/set_env.sh # CANN 环境变量： . ${ascend-toolkit-path}/set_env.sh # 环境变量介绍 SDK-path: SDK mxVision 安装路径 ascend-toolkit-path: CANN 安装路径3.3 模型转换步骤1 下载DGNet (Efficient-B4) 的ONNX模型：cid:link_0步骤2 将下载获取到的DGNet模型onxx文件存放至./snapshots/DGNet/DGNet.onnx。步骤3 模型转换具体步骤# 进入对应目录 cd ./snapshots/DGNet/ # 执行以下命令将ONNX模型（.onnx）转换为昇腾离线模型（.om） atc --framework=5 --model=DGNet.onnx --output=DGNet --input_shape="image:1,3,352,352" --log=debug --soc_version=Ascend310执行完模型转换脚本后，会在对应目录中获取到如下转化模型：DGNet.om（本项目中在Ascend平台上所使用的离线模型文件）。4 推理与评测示例步骤如下：步骤0参考1.2节中说明下载一份测试数据集合：下载链接：cid:link_1步骤1执行离线推理Python脚本python inference_om.py --om_path ./snapshots/DGNet/DGNet.om --save_path ./seg_results_om/Exp-DGNet-OM/NC4K/ --data_path ./data/NC4K/Imgs 步骤2定量性能验证：使用原始GitHub仓库中提供的标准评测代码进行测评，具体操作步骤如下：# 拉取原始仓库 git clone https://github.com/GewelsJI/DGNet.git # 将如下两个文件夹放入当前 mv ./DGNet/lib_ascend/eval ./contrib/CamouflagedObjectDetection/ mv ./DGNet/lib_ascend/evaluation.py ./contrib/CamouflagedObjectDetection/ # 运行如下命令进行测评 python evaluation.py然后可以生成评测指标数值表格。可以看出DGNet模型的Smeasure指标数值为0.856，已经超过了项目交付中提到的“大于0.84”的要求。+---------+-----------------------+----------+-----------+-------+-------+--------+-------+-------+--------+-------+ | Dataset | Method | Smeasure | wFmeasure | MAE | adpEm | meanEm | maxEm | adpFm | meanFm | maxFm | +---------+-----------------------+----------+-----------+-------+-------+--------+-------+-------+--------+-------+ | NC4K | Exp-DGNet-OM | 0.856 | 0.782 | 0.043 | 0.909 | 0.91 | 0.921 | 0.8 | 0.812 | 0.833 | +---------+-----------------------+----------+-----------+-------+-------+--------+-------+-------+--------+-------+定性性能验证：输入伪装图片：预测分割结果：5 参考引用主要参考为如下三篇论文：@article{ji2022gradient, title={Deep Gradient Learning for Efficient Camouflaged Object Detection}, author={Ji, Ge-Peng and Fan, Deng-Ping and Chou, Yu-Cheng and Dai, Dengxin and Liniger, Alexander and Van Gool, Luc}, journal={Machine Intelligence Research}, year={2023} } @article{fan2021concealed, title={Concealed Object Detection}, author={Fan, Deng-Ping and Ji, Ge-Peng and Cheng, Ming-Ming and Shao, Ling}, journal={IEEE TPAMI}, year={2022} } @inproceedings{fan2020camouflaged, title={Camouflaged object detection}, author={Fan, Deng-Ping and Ji, Ge-Peng and Sun, Guolei and Cheng, Ming-Ming and Shen, Jianbing and Shao, Ling}, booktitle={IEEE CVPR}, pages={2777--2787}, year={2020} }

昇腾服务器上Mindspore的训练任务，怎么把它中止啊？我们训练的时候跑了：bash run_standalone_train.sh [DATA_PATH]但是这个命令一打，命令行就立刻要收下一个命令了。看上去是异步的。我们看到内存在增长，可能要炸，想把参数调一下，所以应该怎么把训练任务中止啊？感谢！

求问ONNX模型如何转换到MindIR格式？感谢！

本文将实现简单的线性回归，演示如何搭建和训练网络待拟合的目标函数为f(x)=5x+3文章分为五部分：生成数据构建拟合模型并初始化参数训练模型训练结果生成数据集​​​​​​在[-10，10]的范围内，生成一系列的随机自变量x并生成对应的因变量y，同时生成一系列的正态分布随机数作为噪声。将噪声加到自变量x对应的因变量y上，得到原始数据。定义数据集生成函数create_data：def create_data(num, w=5.0, b=3.0): for _ in range(num): x = np.random.uniform(-10.0, 10.0) noise = np.random.normal(0, 1) y = x * w + b + noise yield np.array([x]).astype(np.float32), np.array([y]).astype(np.float32)# 用 yield 函数生成可迭代的生成器，当 num 很大时，可很有效的减小内存占用eval_data = list(create_data(50,5,3))#生成50个带噪声的随机点为提高模型泛化能力、提高模型店鲁棒性，我们还会引入增强函数来对原始数据进行数据增强。定义数据集增强函数enhance_data()：可以指定数据集的分组大小batch和重复次数。同时用mindspore.dataset.GeneratorDataset将数据集转化为MindSpore所能够识别的数据格式。def enhance_data(num_data, batch_size=16, repeat_size=1): input_data = ds.GeneratorDataset(list(create_data(num_data)), column_names=['data','label']) input_data = input_data.batch(batch_size) input_data = input_data.repeat(repeat_size) return input_data#构建了1600个训练的数据：每个batch的大小为1600，分为100个batch进行训练data_number = 1600batch_number = 16repeat_number = 1data_train = enhance_data(data_number, batch_number, repeat_number)构建拟合模型并初始化参数用mindspore.nn.Dense的方法我们可以构造一个线性拟合的模型：f(x)=wx+bmindspore.nn.Dense的官方文档说明如下定义：（可以在MindSpore查看相关文档说明）​​​​class LinearNet(nn.Cell): def __init__(self): super(LinearNet, self).__init__() self.fc = nn.Dense(1, 1, Normal(0.02), Normal(0.02)) def construct(self, x):# 必须要有这个函数，MindSpore 对 construct 接口有一定约束 x = self.fc(x) return xnet = LinearNet()model_params = net.trainable_params()for param in model_params:#查看初始化的参数 print(param, param.asnumpy())训练模型首先定义损失函数（Loss Function）来衡量拟合结果的好坏，在这里我们采取均方误差函数MSE定义好损失函数后我们需要定义一个向前传播的网络，用于执行损失函数的计算，这里采用mindspore定义好的接口mindspore.nn.loss.MSELoss​​​​在计算好对应参数的损失函数值后，我们需要更新迭代参数来计算下一组参数的损失值，以判断下一步往哪个方向“前进”来找到最终的最低损失函数值；这一功能将用反向传播网络来实现。参数更新迭代我们这里采用Momentum方法，使用mindspore定义好的接口mindspore.nn.Momentum​​​​定义好后，我们可以使用mindspore.Model来进行封装训练定义训练模型：net_loss = nn.loss.MSELoss()opt = nn.Momentum(net.trainable_params(), learning_rate=0.005, momentum=0.9)model = Model(net, net_loss, opt)训练结果最后训练出来的结果：y=4.979354x+3.0504797 和预期y=5x+3比较接近​​

参照以下链接中的demo：https://gitee.com/mindspore/models/tree/r1.9/official/cv/yolov3_resnet18到这一步的时候，发现没有给数据集（COCO2017）转换的文件数据集目录结构如下：.├── annotations # 标注jsons├── train2017 # 训练数据集└── val2017 # 推理数据集将数据集信息整理成TXT文件，每行如下：train2017/0000001.jpg 0,259,401,459,7 35,28,324,201,2 0,30,59,80,2每行是按空间分割的图像标注，第一列是图像的相对路径，其余为[xmin,ymin,xmax,ymax,class]格式的框和类信息。dataset.py是解析脚本，我们从image_dir（数据集目录）和anno_path（TXT文件路径）的相对路径连接起来的图像路径中读取图像。image_dir和anno_path为外部输入。求一个数据集处理代码，或者能用的txt文件.

2022年11月22日下午，以 “昇腾万里 · 智赋江苏”为主题的昇思生态城市行·南京站成功举办。来自企业、高校、科研机构代表参会，现场活动气氛热烈。在全体与会嘉宾的见证下，南京大学、南京先进计算产业发展有限公司、华为三方举行了“金陵.女娲”大模型重磅签约仪式，共同孵化生命科学基础大模型，引领生命科学领域科研创新。同时，江苏本地优秀企业代表云问科技&北联国芯、奥看科技分别发布了基于昇腾AI的知识管理与智慧城市解决方案。现场，共计21家企业及科研院所代表获颁昇思MindSpore技术认证证书，与昇思携手共建江苏人工智能产业新生态。昇腾AI创新大赛江苏赛区的颁奖仪式，也在活动中圆满完成。重磅仪式南京大学、南京先进计算产业发展有限公司（南京人工智能计算中心）、华为三方代表在活动现场进行了“金陵.女娲”大模型签约仪式。南京大学生命科学学院院长张辰宇、江苏省科学技术厅高新技术处副处长张迪、南京江北新区产业技术研创园党工委委员、南京集成电路培训基地有限公司董事长、北联国芯负责人周荣、华为江苏政企业务总经理付岩上台见证签约仪式。南京大学生命科学学院教授闫超、科投集团党总支副书记、副总经理、先进计算总经理戴晓玉、华为昇思生态发展总监孙宾分别代表三家单位签约。见签人、南京大学生命科学学院院长张辰宇表示，“金陵.女娲”大模型将利用人工智能技术在DNA水平、碱基水平发现新的结构和相关特征，以期在这个层面上发现生命的规律，通过大数据、大模型使生物医药产业能够受惠于人工智能的发展。“金陵.女娲”大模型签约仪式活动现场，江苏北联国芯技术有限公司技术创新中心总经理邓近陶与南京云问网络技术有限公司政企事业部总监刘婉婷分别代表北联国芯与云问科技联合发布知识管理解决方案一体机。南京奥看信息科技有限公司CEO 庞明与华为江苏产业发展与生态业务总经理陈军良共同发布了奥看科技基于昇腾AI的原生安全生产平台。AI解决方案发布仪式昇思MindSpore作为人工智能根技术，受到了产业界的高度重视，江苏已有相当数量的优秀企业使用昇思打造行业解决方案并获得昇思技术认证。现场，小视科技、云化科技、多伦科技等21家合作伙伴获颁昇思MindSpore技术方案认证证书。后续合作中，昇思将为认证伙伴提供更多技术能力和推广支持，赋能伙伴实现技术突破，打造核心解决方案，共建人工智能产业软硬件生态。昇思MindSpore技术方案认证仪式携手伙伴，以创新繁荣产业生产昇思MindSpore致力于帮助伙伴和开发者高效使用AI能力，创新场景化AI应用，加速千行百业智能升级。东南大学副研究员杨武、无锡捷通数智科技有限公司副总经理鲁磊作为伙伴代表分别就昇思 AI 框架应用在电磁仿真计算、智慧城市建设等领域的实践与思考做了经验分享，为打造行业解决方案树立标杆。南京先进计算产业发展有限公司副总经理孙祥详细介绍了南京鲲鹏·昇腾人工智能计算中心的运营情况，创新中心将聚焦生命健康、政务、金融领域，重点推进相关要素的汇聚和应用，期待更多伙伴加入，共同繁荣昇腾AI生态。江北新区研创园党工委委员、北联国芯负责人周荣、江苏省科协技术厅高新技术处副处长张迪、华为昇思首席科学家于璠为本次活动致辞。会议结束后，昇思技术研讨会与鲲鹏·昇腾生态创新中心招商合作洽谈会也分别顺利举行，到场企业就技术问题与商业合作意愿与昇思技术专家、生态创新中心等进行了深度交流。本次活动由江苏省科学技术厅指导，华为技术有限公司、南京江北新区产业技术研创园、南京江北新区科技投资集团共同主办，江苏鲲鹏·昇腾生态创新中心、南京集成电路培训基地承办。昇思生态城市行活动从广州出发，重点覆盖上海、西安、长沙等国内人工智能重点发展区域。该活动基于昇腾人工智能计算中心，围绕昇思AI框架应用，发展昇腾AI生态展开，进而加速AI技术创新、行业应用落地和产业发展，推动千行百业智能化升级。

11月26日（本周六）14:30—16:10，第五期易用性SIG线上技术分享会面向昇思MindSpore初中级开发者，介绍入门经验、使用体验和昇思金箍棒。更多议题相关详情

通过mindspore hub加载模型，执行模型的示例代码报错：[CRITICAL] ME(10840:139643021289280,MainProcess):2022-11-22-23:43:08.889.499 [mindspore/train/serialization.py:112] Failed to combine the net and the parameters for param dense.weight.Traceback (most recent call last):File "/home/beansprouts/Documents/ws_python/DocImgDirectionReg/res50.py", line 8, innetwork = mshub.load(model)File "/home/beansprouts/Documents/ws_python/DocImgDirectionReg/venv/lib/python3.8/site-packages/mindspore_hub/load.py", line 224, in loadload_param_into_net(net, param_dict)File "/home/beansprouts/Documents/ws_python/DocImgDirectionReg/venv/lib/python3.8/site-packages/mindspore/train/serialization.py", line 698, in load_param_into_net_update_param(param, new_param, strict_load)File "/home/beansprouts/Documents/ws_python/DocImgDirectionReg/venv/lib/python3.8/site-packages/mindspore/train/serialization.py", line 118, in _update_paramraise RuntimeError(msg)RuntimeError: For 'load_param_into_net', dense.weight in the argument 'net' should have the same shape as dense.weight in the argument 'parameter_dict'. But got its shape (10, 1280) in the argument 'net' and shape (1000, 1280) in the argument 'parameter_dict'.May you need to check whether the checkpoint you loaded is correct or the batch size and so on in the 'net' and 'parameter_dict' are same.python3.8.10mindspore 1.9.0mindspore hub 1.9.0代码如下：import mindspore_hub as mshubfrom mindspore import contextcontext.set_context(mode=context.GRAPH_MODE,device_target="CPU")model = "mindspore/1.9/mobilenetv2_imagenet2012"network = mshub.load(model)network.set_train(False)1.我该如何调整？2.总是来论坛问，麻烦。有没有什么地方可以获取更多信息？