这个数据导出失败租户：Hi-isoftstone02

云业务知识，多学习，多记录！

我修改了一下表标准字段name的长度，但是修改不回去了  麻烦帮忙再修改回64租户：ncec1234表名字：ncec1234__TemplateNFCRelation__CST

开发基于openHarmony的智能可穿戴户外定位系统，应该去哪里查看要购买的相应设备

云业务知识点整理，如何上云

【问题来源】交易集团【问题简要】视频IVR中视频文件的格式要求【AICC解决方案版本】AICC23.200【期望解决时间】尽快【问题现象描述】视频IVR流程测试，拨打视频IVR被叫，视频一直没有正常播放，从UAP 5网元查看日志，是由于视频格式不支持导致的，可以视频文件的格式都是按文档要求来转化的，480P  640*480  30pfs  3gp ，请问下视频文件格式还有其他要求吗

实验目的本实验，使用MindSpore在MNIST数据集上开发和训练一个LeNet5模型，并验证模型精度；了解如何使用MindSpore进行简单卷积神经网络的开发；了解如何使用MindSpore进行简单图片分类任务的训练；了解如何使用MindSpore进行简单图片分类任务的验证。实验环境ModelArts平台：Mindspore实验内容及分析数据集准备从华为云OBS中下载MNIST数据集并解压数据集，并上传至云服务器中，MNIST是一个手写数字数据集，训练集包含60000张手写数字，测试集包含10000张手写数字，共10类。导入实验环境数据处理对数据进行预处理2）展示数据集中的几张图片，样式为32x32大小的手写图片。     显示了4张大小为32x32的手写数字。定义模型LeNet5模型结构如下图所示：LeNet-5由7层组成，分别是：C1：第一个卷积层，使用6个5x5的卷积核对输入图像进行卷积，得到6个28x28的特征图。卷积核的步长为1，没有使用零填充。S2：第一个平均池化层，使用2x2的池化区域对C1层的特征图进行下采样，得到6个14x14的特征图。池化区域的步长为2。C3：第二个卷积层，使用16个5x5的卷积核对S2层的特征图进行卷积，得到16个10x10的特征图。卷积核的步长为1，没有使用零填充。²S4：第二个平均池化层，使用2x2的池化区域对C3层的特征图进行下采样，得到16个5x5的特征图。池化区域的步长为2。C5：第三个卷积层，使用120个5x5的卷积核对S4层的特征图进行卷积，得到120个1x1的特征图。卷积核的步长为1，没有使用零填充。F6：第一个全连接层，将C5层的120个特征图展平为一个长度为120的向量，并连接到一个由84个神经元组成的隐藏层。激活函数使用sigmoid函数。Output：输出层，是一个由10个神经元组成的softmax分类器，用于对输入图像进行分类。为了适应LeNet-5模型的输入结构，我们需要将MNIST数据集中的28x28的图像扩展为32x32像素大小。训练使用MNIST数据集对上述定义的LeNet5模型进行训练。训练策略如下表所示，可以调整训练策略并查看训练效果，要求验证精度大于95%。batch sizenumber of epochslearning rateoptimizer3230.01Momentum 0.9结果：在三次训练后，精度达到了97.7%，达到了实验要求。实验总结本实验的主要收获如下：1.了解了卷积神经网络的基本原理和结构，以及LeNet-5模型的具体设计和实现。2.掌握了使用MindSpore框架构建和训练卷积神经网络模型的方法和流程。3.学会了使用MindSpore提供的各种工具和函数进行数据处理，网络搭建，模型训练，评估和测试等操作。4.学会了使用matplotlib进行结果可视化和分析。本实验让我对卷积神经网络有了更深入的理解和掌握，我认识到卷积神经网络是一种强大的图像处理工具，它可以提取图像中的特征并进行分类。我也感受到了MindSpore框架的便捷和高效，它为我提供了丰富的模块和函数，让我可以快速地搭建和训练卷积神经网络模型。我觉得这是一次非常有意义和有趣的实验，它激发了我对深度学习的兴趣和热情，也为我打开了一个新的视野。

实验目的本实验，基于华为云MindSpore在MNIST数据集上开发和训练一个LeNet5模型，并验证模型精度；了解如何使用MindSpore进行简单卷积神经网络的开发；了解如何使用MindSpore进行简单图片分类任务的训练；了解如何使用MindSpore进行简单图片分类任务的验证。实验环境ModelArts平台：Mindspore实验内容及分析数据集准备从华为云OBS中下载MNIST数据集并解压数据集，并上传至云服务器中，MNIST是一个手写数字数据集，训练集包含60000张手写数字，测试集包含10000张手写数字，共10类。 导入实验环境 数据处理对数据进行预处理 2）展示数据集中的几张图片，样式为32x32大小的手写图片。代码： 结果：     如图所示，显示了4张大小为32x32的手写数字。定义模型LeNet5模型结构如下图所示：LeNet-5由7层组成，分别是：C1：第一个卷积层，使用6个5x5的卷积核对输入图像进行卷积，得到6个28x28的特征图。卷积核的步长为1，没有使用零填充。S2：第一个平均池化层，使用2x2的池化区域对C1层的特征图进行下采样，得到6个14x14的特征图。池化区域的步长为2。C3：第二个卷积层，使用16个5x5的卷积核对S2层的特征图进行卷积，得到16个10x10的特征图。卷积核的步长为1，没有使用零填充。²S4：第二个平均池化层，使用2x2的池化区域对C3层的特征图进行下采样，得到16个5x5的特征图。池化区域的步长为2。C5：第三个卷积层，使用120个5x5的卷积核对S4层的特征图进行卷积，得到120个1x1的特征图。卷积核的步长为1，没有使用零填充。F6：第一个全连接层，将C5层的120个特征图展平为一个长度为120的向量，并连接到一个由84个神经元组成的隐藏层。激活函数使用sigmoid函数。Output：输出层，是一个由10个神经元组成的softmax分类器，用于对输入图像进行分类。为了适应LeNet-5模型的输入结构，我们需要将MNIST数据集中的28x28的图像扩展为32x32像素大小。代码： 训练使用MNIST数据集对上述定义的LeNet5模型进行训练。训练策略如下表所示，可以调整训练策略并查看训练效果，要求验证精度大于95%。batch sizenumber of epochslearning rateoptimizer3230.01Momentum 0.9代码： 结果及分析： 在三次训练后，精度达到了97.7%，达到了实验要求。实验总结本实验的主要收获如下：1.了解了卷积神经网络的基本原理和结构，以及LeNet-5模型的具体设计和实现。2.掌握了使用MindSpore框架构建和训练卷积神经网络模型的方法和流程。3.学会了使用MindSpore提供的各种工具和函数进行数据处理，网络搭建，模型训练，评估和测试等操作。4.学会了使用matplotlib进行结果可视化和分析。本实验让我对卷积神经网络有了更深入的理解和掌握，我认识到卷积神经网络是一种强大的图像处理工具，它可以提取图像中的特征并进行分类。我也感受到了MindSpore框架的便捷和高效，它为我提供了丰富的模块和函数，让我可以快速地搭建和训练卷积神经网络模型。我觉得这是一次非常有意义和有趣的实验，它激发了我对深度学习的兴趣和热情，也为我打开了一个新的视野。

【问题来源】交易集团【问题简要】视频IVR许可怎么查看【AICC解决方案版本】AICC23.200【期望解决时间】尽快【问题现象描述】license开出来后，不确认是否包含视频IVR许可，web配置台VDN参数中也没看到并发视频IVR最大呼叫数

我用esp8266连接华为云，使用的MQTT协议，属性值可以成功上报给华为云，但是想要实现短信提醒功能时出现如下图的问题该怎么办，求大神指点！！！

你看看是咋回事啊，我实在看不懂，啊

【问题来源】交易集团【问题简要】UAP服务器根目录空间占满，/data/logs/audit目录不停刷新audit.log日志文件【AICC解决方案版本】AICC23.200【期望解决时间】尽快【问题现象描述】UAP服务器根目录空间占满，/data/logs/audit目录不停刷新audit.log日志文件，截图如下，日志请见附件

 【问题来源】交易集团  【问题简要】ivr日志出现末尾出现异常打印，不确定是否会影响到正常流程 【AICC解决方案版本】AICC23.200  【期望解决时间】尽快  【问题现象描述】 检查ivr日志的时候发现如下打印语句，不清楚是什么意思，该ivr目前可以正常转技能组，但随路数据获取不到。

 MES数据追溯常遇问题及解决方法：   在实际数字化工厂MES应用过程，由于设计或使用不当，数据追溯过程中也可能会存在诸多问题，常遇问题包括： 1.     数据质量问题     可能存在数据录入错误、数据缺失或不完整等情况，导致追溯结果的准确性受到影响。解决这个问题的关键是加强数据采集和录入的质量管理，例如通过自动化数据采集、数据验证机制和培训员工等方式来减少错误。 2.     数据追溯复杂度     在大规模生产环境中，涉及到的数据量庞大，追踪产品的整个生命周期可能需要反向追溯多个环节。为了简化追溯过程，可以对数据进行有效的分类和标识，建立起严密的数据关联关系，并利用先进的数据分析技术来优化追溯路径。 3.     系统集成困难     企业往往拥有多个独立的系统（如ERP、PLM等），这些系统之间的数据流通和互操作可能存在障碍，使得MES数据追溯变得复杂。为了解决这个问题，可以采用标准化的接口和协议，实现各个系统之间的无缝衔接，确保数据能够顺畅流通。 4.     安全与隐私保护 MES数据追溯涉及到大量的敏感信息，包括产品设计、生产参数、原材料供应商等。确保数据的安全性和隐私保护是一个重要的挑战。优化措施包括加密数据传输、权限管理、审计跟踪等，以保护数据的机密性和完整性。  为了优化MES数据追溯，以下是一些常见的措施： 1.     自动化数据采集     采用自动化手段收集数据，减少人工录入错误，提高数据质量和准确性。 2.     数据标准化与分类     建立统一的数据标准和分类体系，对数据进行规范化处理，便于后续的查询和追溯。 3.     数据分析与挖掘     利用数据分析技术，对追溯数据进行挖掘和分析，发现潜在问题和改进点，优化生产流程和质量控制。 4.     强化系统集成能力     通过采用标准化接口和协议，实现不同系统之间的无缝集成，确保数据的流通和一致性。 5.     安全与隐私保护     加强数据安全管理，采用加密传输、身份认证、权限控制等措施，保护数据的隐私和机密性。 6.     培训和意识培养 加强员工的培训和意识培养，提高他们对MES数据追溯的重要性和正确操作方法的认识，确保数据的准确性和可靠性。     通过这些优化措施，可以提高MES数据追溯的效率和精确性，帮助企业更好地管理生产过程和提升产品质量。 以上就是关于万界星空科技云MES制造执行系统中关于追溯功能的相关介绍。 如果你有相关需求，欢迎私信或者百度搜索万界星空科技官网与我们联系。 

【问题来源】交易集团华胜天成【问题简要】MediaMeeting视频方案，线路带宽怎么计算【AICC解决方案版本】AICC23.200【期望解决时间】尽快【问题现象描述】MediaMeeting视频方案，线路带宽怎么计算，例如我有10路视频并发，应该向客户申请多少的带宽