咨询】具体赛题联系方式疑问【物联网大赛】比如（华为数通）的报名结束了吗，其他赛题好像也只有负责人，木有邮箱或者qq群啊，目前只能在微信群里潜水

部分课程无法学习，提示“仅限受邀学员学习”，如何才能成为“受邀学员”，以便进行学习。

CraftArts IPDCenter是依托华为产品数字化转型及IPD协同最佳实践，打造的一款基于统一数据模型、端到端数据管理和协同的平台云服务。作为华为工业软件云的尖刀产品，CraftArts IPDCenter目前已经正式商用。为提升伙伴对产品的理解，支撑产品的推广和交付，产品团队于4月9日、10日组织了两场针对合作伙伴的产品赋能交流。在本次赋能交流中，产品团队通过6门课程向伙伴们全方位介绍了CraftArts IPDCenter的功能特性和集成方法，来自9家伙伴的超过140人参与。后续，CraftArts IPDCenter产品团队将持续开展专业赋能，协同伙伴为客户提供更大价值！

各位大神，有最新的HCSE LAB试题吗？关于客户上云的规划

HCIE 云计算方向，考证通过的朋友留个联系方式

如图一直更新失败  试了无数次换网络也不行

第一章作业：作业一。作业二：

一、导入Python环境import mindspore # mindspore.dataset import mindspore.dataset as ds # 数据集的载入 import mindspore.dataset.transforms.c_transforms as C # 常用转化算子 import mindspore.dataset.vision.c_transforms as CV # 图像转化算子 # mindspore.common from mindspore.common import dtype as mstype # 数据形态转换 from mindspore.common.initializer import Normal # 参数初始化 # mindspore.nn import mindspore.nn as nn # 各类网络层都在nn里面 from mindspore.nn.metrics import Accuracy, Loss # 测试模型用 # mindspore.train.callback from mindspore.train.callback import ModelCheckpoint, CheckpointConfig, LossMonitor, TimeMonitor, Callback # 回调函数 from mindspore import Model # 承载网络结构 from mindspore import save_checkpoint, load_checkpoint # 保存与读取最佳参数 from mindspore import context # 设置mindspore运行的环境 import numpy as np # numpy import matplotlib.pyplot as plt # 可视化用 import copy # 保存网络参数用 # 数据路径处理 import os, stat二、MindSpore 环境设置1.MindSpore支持两种运行模式，在调试或者运行方面做了不同的优化： PYNATIVE模式：也称动态图模式，将神经网络中的各个算子逐一下发执行，方便用户编写和调试神经网络模型。2.GRAPH模式：也称静态图模式或者图模式，将神经网络模型编译成一整张图，然后下发执行。该模式利用图优化等技术提高运行性能，同时有助于规模部署和跨平台运行。device_target = context.get_context('device_target') # 获取运行装置（CPU，GPU，Ascend） dataset_sink_mode = True if device_target in ['Ascend','GPU'] else False # 是否将数据通过pipeline下发到装置上 context.set_context(mode = context.GRAPH_MODE, device_target = device_target) # 设置运行环境，静态图context.GRAPH_MODE指向静态图模型，即在运行之前会把全部图建立编译完毕 print(f'device_target: {device_target}') print(f'dataset_sink_mode: {dataset_sink_mode}')三、数据处理计算数据集平均数和标准差，数据标准化时使用。ds_train = ds.Cifar10Dataset(train_path) #计算数据集平均数和标准差，数据标准化时使用 tmp = np.asarray( [x['image'] for x in ds_train.create_dict_iterator(output_numpy=True)] ) RGB_mean = tuple(np.mean(tmp, axis=(0, 1, 2))) RGB_std = tuple(np.std(tmp, axis=(0, 1, 2))) print(RGB_mean) print(RGB_std)定义数据预处理函数。函数功能包括：加载数据集打乱数据集图像特征处理（包括尺寸大小变更、平移、标准化、训练时的随机裁剪、随机翻转等）批量输出数据重复def create_dataset(data_path, batch_size = 32, repeat_num=1, usage = 'train'): """ 数据处理 Args: data_path (str): 数据路径 batch_size (int): 批量大小 usage (str): 训练或测试 Returns: Dataset对象 """ # 载入数据集 data = ds.Cifar10Dataset(data_path) # 打乱数据集 data = data.shuffle(buffer_size=10000) # 定义算子 if usage=='train': trans = [ CV.Normalize(RGB_mean, RGB_std), # 数据标准化 # 数据增强 CV.Resize((32, 32)), CV.RandomCrop([32, 32], [4,4,4,4]), # 随机裁剪 CV.RandomRotation(20), CV.RandomHorizontalFlip(), # 随机翻转 CV.HWC2CHW() # 通道前移（为配适网络，CHW的格式可最佳发挥昇腾芯片算力） ] else: trans = [ CV.Normalize(RGB_mean, RGB_std), # 数据标准化 CV.HWC2CHW() # 通道前移（为配适网络，CHW的格式可最佳发挥昇腾芯片算力） ] typecast_op = C.TypeCast(mstype.int32) # 原始数据的标签是unint，计算损失需要int # 算子运算 data = data.map(input_columns='label', operations=typecast_op) data = data.map(input_columns='image', operations=trans) # 批处理 data = data.batch(batch_size, drop_remainder=True) # 重复 data = data.repeat(repeat_num) return data记录模型每个epoch的loss# 记录模型每个epoch的loss class TrainHistroy(Callback): """ 记录模型训练时每个epoch的loss的回调函数 Args: history (list): 传入list以保存模型每个epoch的loss """ def __init__(self, history): super(TrainHistroy, self).__init__() self.history = history # 每个epoch结束时执行 def epoch_end(self, run_context): cb_params = run_context.original_args() loss = cb_params.net_outputs.asnumpy() self.history.append(loss) # 测试并记录模型在测试集的loss和accuracy，每个epoch结束时进行模型测试并记录结果，跟踪并保存准确率最高的模型网络参数 class EvalHistory(Callback): """ 记录模型训练时每个epoch在测试集的loss和accuracy的回调函数，并保存准确率最高的模型网络参数 Args: model (Cell): 模型，评估loss和accuracy用 loss_history (list): 传入list以保存模型每个epoch在测试集的loss acc_history (list): 传入list以保存模型每个epoch在测试集的accuracy eval_data (Dataset): 测试集，评估模型loss和accuracy用 """ #保存accuracy最高的网络参数 best_param = None def __init__(self, model, loss_history, acc_history, eval_data): super(EvalHistory, self).__init__() self.loss_history = loss_history self.acc_history = acc_history self.eval_data = eval_data self.model = model # 每个epoch结束时执行 def epoch_end(self, run_context): cb_params = run_context.original_args() res = self.model.eval(self.eval_data, dataset_sink_mode=False) if len(self.acc_history)==0 or res['accuracy']>=max(self.acc_history): self.best_param = copy.deepcopy(cb_params.network) self.loss_history.append(res['loss']) self.acc_history.append(res['accuracy']) print('acc_eval: ',res['accuracy']) # 训练结束后执行 def end(self, run_context): # 保存最优网络参数 best_param_path = os.path.join(ckpt_path, 'best_param.ckpt') if os.path.exists(best_param_path): # best_param.ckpt已存在时MindSpore会覆盖旧的文件，这里修改文件读写权限防止报错 os.chmod(best_param_path, stat.S_IWRITE) save_checkpoint(self.best_param, best_param_path)四、模型构建1.相关理论卷积神经网络在实际运用中需要我们对网络模型进行修改来达到提高网络性能的目的，目前有一些常见的技术和策略来提高网络性能如下所示：(1).加深网络深度：增加网络的深度可以提高网络的表达能力，使其能够学习更复杂的特征和模式。通过增加网络的层数，可以逐渐提高性能；(2).增加卷积层和池化层：卷积层和池化层是CNN中的核心组件，它们能够提取输入数据中的局部特征并减少数据的空间维度。增加卷积层和池化层的数量可以提高网络对图像的抽象能力和不变性；(3).批归一化处理(BN)：批归一化是一种常用的正则化技术，通过对每个批次的输入进行归一化，使网络更加稳定和鲁棒性。它有助于加速训练过程，提高网络的收敛性和泛化能力；(4).改进激活函数：选择适当的激活函数可以增强网络的非线性表达能力。常见的激活函数如ReLU、Leaky ReLU和ELU等，在一些情况下能够提供更好的性能；(5).利用Dropout函数：Dropout是一种正则化技术，可以随机地将网络中的一些神经元置零，从而减少过拟合。通过在训练过程中随机关闭一些神经元，Dropout可以提高网络的泛化能力。在卷积神经网络性能不断提升，当训练数据有限的时候卷积神经网络容易出现过拟合的情况，因此我们在提升卷积神经网络性能的同时也要注意防止卷积神经网络过拟合，主要有以下的一些方法：(1).数据扩增：通过对训练数据进行一系列随机变换和增强操作，如平移、旋转、缩放、镜像翻转等，可以生成更多样化的训练样本。这样可以增加数据的多样性，减少过拟合的风险，并提升网络的泛化能力；(2).正则化：正则化是通过在损失函数中添加正则项，对模型的复杂度进行惩罚，以减小过拟合的风险。常见的正则化方法包括L1正则化和L2正则化。L1正则化倾向于产生稀疏权重，而L2正则化则更倾向于在权重上施加均衡约束；(3).提早停止：提早停止是指在训练过程中，监测验证集上的性能，并在性能不再提升时停止训练。通过在合适的时间停止训练，可以防止过拟合的发生。提早停止方法通常与验证集的损失或准确率进行监测，并在验证集性能不再提升时停止训练；(4).权重衰减：权重衰减是通过在损失函数中添加一个惩罚项来减小权重的大小。这样可以防止权重过大，限制模型的复杂度，并减少过拟合的风险。权重衰减通常通过在损失函数中添加L2范数正则化项来实现。2.模型改进本次实验的卷积神经网络主要做了如下几个方面的修改：(1).增加了卷积层和池化层的个数：本实验使用了9层卷积层，卷积核大小为3x3，各层的卷积核数量为3、16、32、64、128、256、512。本实验采用逐步缓慢上升的卷积核数量的原因是当输出的卷积核数量远远多于输入的卷积核数量时卷积神经网络会出现过度参数化的情况，网络参数数量的急剧增加，从而增加模型的复杂性。也有可能会出现过度关注局部特征的情况，当输出的卷积核数量远多于输入的卷积核数量时，网络可能会过度关注局部细节特征。较多的卷积核数量可能会导致网络在较低层级过多地关注细粒度的局部特征，而忽略了更高层级的全局特征。这可能导致网络的表示能力偏向于局部特征，而无法充分捕捉输入数据的整体结构。经过实验的测试也可以发现，当卷积核上升幅度过大的时候，模型的准确率增长速度并不理想，并且会很快趋于饱和和出现过拟合的情况；(2).由于本实验中所采用的特征图的尺寸为32x32，卷积层和池化层的叠加很容易让特征图的尺寸变得很小，因此本实验中利用大小为1的padding填充来保证特征图的大小，使得输入输出的尺寸保持一致。除此之外，padding可以保持空间信息，防止信息丢失。在某些情况下，输入数据的边缘信息对于模型的性能很重要。通过添加padding，可以使卷积核能够在边缘位置进行更多的感受野操作，从而保留了输入数据的更多空间信息；(3).本实验中为了加快模型的收敛速度和提高鲁棒性，加入了批量归一化(BN)操作，BN作为归一化操作的一种，通过对每个小批量样本进行归一化操作，BN可以减小网络中不同层之间的内部协变量偏移，从而帮助梯度更好地传播。BN操作在推导时候的公式如下所示：y=γx/√(Var[x]+ε)+(β-(γE[x])/√(Var[x]+ε))一般来说，FC层之后会接一个BN的操作，然后再接一个激活函数。如果经历过高斯分布转换以后，没有做尺度变换和偏移，如a中所示数据分布呈现在-1~1之间，在这范围中，sigmoid函数基本上是线性的，所以丧失了激活函数的非线性的作用。而通过公式进行尺度变换和偏移得到的b中的3曲线就是做了BN操作后的结果。这样可以加快网络的收敛速度，使模型更快地达到收敛状态。同时使用BN还可以允许网络使用更高的学习率。由于BN减小了网络中不同层之间的内部协变量偏移，它可以使网络更容易训练。这使得可以使用更高的学习率来更新网络的参数，加速训练过程。使用更高的学习率有助于在相同时间内更好地探索参数空间，提高网络的性能。class LeNet5(nn.Cell): # 定义算子 def __init__(self, num_class=10, num_channel=3): super(LeNet5_2, self).__init__() self.conv1 = nn.Conv2d(num_channel, 16, 3, stride=1, pad_mode='pad', padding=1, weight_init=Normal(0.02)) self.conv2 = nn.Conv2d(16, 32, 3, stride=1, pad_mode='pad', padding=1, weight_init=Normal(0.02)) self.conv3 = nn.Conv2d(32, 64, 3, stride=1, pad_mode='pad', padding=1, weight_init=Normal(0.02)) self.conv4 = nn.Conv2d(64, 128, 3, stride=1, pad_mode='pad', padding=1, weight_init=Normal(0.02)) self.conv5 = nn.Conv2d(128, 256, 3, stride=1, pad_mode='pad', padding=1, weight_init=Normal(0.02)) self.conv6 = nn.Conv2d(256, 512, 3, stride=1, pad_mode='pad', padding=1, weight_init=Normal(0.02)) self.conv7 = nn.Conv2d(512, 512, 3, stride=1, pad_mode='pad', padding=1, weight_init=Normal(0.02)) self.fc1 = nn.Dense(512 * 2 * 2, 256, weight_init=Normal(0.02)) self.fc2 = nn.Dense(256, 64, weight_init=Normal(0.02)) self.fc3 = nn.Dense(64, num_class, weight_init=Normal(0.02)) self.relu = nn.ReLU() self.max_pool2d = nn.MaxPool2d(kernel_size=2, stride=2) self.flatten = nn.Flatten() self.num_class = num_class self.bn1 = nn.BatchNorm2d(num_features=16) self.bn2 = nn.BatchNorm2d(num_features=32) self.bn3 = nn.BatchNorm2d(num_features=64) self.bn4 = nn.BatchNorm2d(num_features=128) self.bn5 = nn.BatchNorm2d(num_features=256) self.bn6 = nn.BatchNorm2d(num_features=512) self.bn7 = nn.BatchNorm1d(num_features=256) self.bn8 = nn.BatchNorm1d(num_features=64) # 构建网络 def construct(self, x): x = self.conv1(x) x = self.bn1(x) x = self.relu(x) x = self.conv2(x) x = self.bn2(x) x = self.relu(x) x = self.conv3(x) x = self.bn3(x) x = self.relu(x) x = self.max_pool2d(x) x = self.conv4(x) x = self.bn4(x) x = self.relu(x) x = self.conv5(x) x = self.bn5(x) x = self.relu(x) x = self.conv6(x) x = self.bn6(x) x = self.relu(x) x = self.conv7(x) x = self.bn6(x) x = self.relu(x) x = self.max_pool2d(x) x = self.conv7(x) x = self.bn6(x) x = self.relu(x) x = self.max_pool2d(x) x = self.conv7(x) x = self.bn6(x) x = self.relu(x) x = self.max_pool2d(x) x = self.flatten(x) x = self.fc1(x) x = self.bn7(x) x = self.relu(x) x = self.fc2(x) x = self.bn8(x) x = self.relu(x) x = self.fc3(x) return x五、模型训练更新后的模型在CIFAR-10数据集上的准确度能够达到92.3%。train_data = create_dataset(train_path, batch_size = 128, usage = 'train') # 训练数据集 test_data = create_dataset(test_path, batch_size = 128, usage= 'test') # 测试数据集 # 网络 network3 = LeNet5() # 损失函数 net_loss = nn.SoftmaxCrossEntropyWithLogits(sparse=True, reduction='mean') # 优化器 net_opt = nn.Adam(params=network3.trainable_params(), learning_rate=0.001) # 模型 model = Model(network = network3, loss_fn=net_loss, optimizer=net_opt, metrics={'accuracy': Accuracy(), 'loss':Loss()}) ckpt_path = os.path.join('.', 'results') # 网络参数保存路径 hist = {'loss':[], 'loss_eval':[], 'acc_eval':[]} # 训练过程记录 # 网络参数自动保存，这里设定每2000个step保存一次，最多保存10次 config_ck = CheckpointConfig(save_checkpoint_steps=2000, keep_checkpoint_max=10) ckpoint_cb = ModelCheckpoint(prefix='checkpoint_lenet_3', directory=ckpt_path, config=config_ck) # 监控每次迭代的时间 time_cb = TimeMonitor(data_size=ds_train.get_dataset_size()) # 监控loss值 loss_cb = LossMonitor(per_print_times=500) # 记录每次迭代的模型准确率 train_hist_cb = TrainHistroy(hist['loss']) # 测试并记录模型在验证集的loss和accuracy，并保存最优网络参数 eval_hist_cb = EvalHistory(model = model, loss_history = hist['loss_eval'], acc_history = hist['acc_eval'], eval_data = test_data) %time epoch = 100 # 迭代次数 # 开始训练 model.train(epoch, train_data, callbacks=[train_hist_cb, eval_hist_cb, time_cb, ckpoint_cb, LossMonitor(per_print_times=500)], dataset_sink_mode=dataset_sink_mode) best_param = mindspore.load_checkpoint( os.path.join(ckpt_path, 'best_param.ckpt'), net=network3) res = model.eval(test_data, dataset_sink_mode=dataset_sink_mode) print(res)存在的问题及其解决方法(1).在网络训练的时候会出现过拟合的问题。答：通常用数据扩增，正则化，Dropout方法，提早停止，权重衰减等方法来解决过拟合的问题。在本实验中由于数据量规模小，使用Dropout方法，不仅不能提高模型的分类效果，还会因为丢弃了部分特征而降低分类效果。因此实验中采用了BatchNorm函数来实现不用Dropout方法也能够达到相应的效果(2).网络深度增加导致训练缓慢。答：换用网络租借服务器来提高训练速度。(3).卷积层卷积核增长幅度过大导致训练效果不好。答：卷积核数量增长改为2倍数增长，防止过于注重局部细节。

华为新员工在学的课程长啥样？扫码立即揭晓！10大专业讲师，19堂精选课程（首次对外开放试听，不要错过啦~）课程链接：cid:link_0

【创造Huawei Cloud Toolkit体验活动】遇见Toolkit，解决开发运维痛点使开发者部署效率提速6倍。与华为云其他产品无缝集成围绕其产品能力向开发者桌面上的延伸打通华为云到开发者的最后一公里。华为云Toolkit致力于为开发者提供更稳定、快速、安全的编程体验。快速、高效集成华为云API深度融合支持用户检索API、查看API文档、调试API。编程过程中支持SDK代码片段补全加速用户集成华为云应用支持快速部署，一键部署到ECS、CCI提供业界规范检查支持一键格式化和代码自动修复。Huawei Cloud Toolkit除了提供以上产品能力以外，还支持包括微服务工程搭建等在内的诸多能力。为了感谢所有为Huawei Cloud Toolkit迭代做出贡献的开发者，Huawei Cloud Toolkit推出【创造Huawei Cloud Toolkit体验活动】，欢迎提出您的反馈建议，我们将记录每一份贡献，从而共同定义一款真正好用的华为云开发者生态工具。产品建议有礼：即日起至【6月18日】登录华为云账号访问Toolkit产品页面，并在【云声】上提交Toolkit的产品改进建议提出关于Toolkit产品新特性需求，提出产品改进建议和用户体验，或者上报bug，并被采纳可以获得建议好礼（活动详情请戳）~3.推广插件，包括发朋友圈、发表文章、推荐给朋友等。截图并联系我们，可免费获取华为云技术领域干货电子书，同时问题被采纳可参与华为云周边礼包抽奖！

【精彩回放】01_Studio新增控件videovideovideovideovideo02_Studio控件优化videovideovideovideo03_Studio新增特性videovideovideovideo04_管理中心新特性&优化video05_助手优化点videovideo👇胶片请查看此帖末尾附件▶下载地址：cid:link_0▶ 培训时间：2023年4月13日 14:30-16:30【版本亮点预告】支持Python三方件依赖管理能力并发执行：流程控制/调用子脚本 Parallel管理中心团队管理Studio新增控件30+【培训地址】会议链接（4.13日 14:30开启）：https://welink.zhumu.com/j/0181969173?pwd=bGFhc0xXMjdxNit3QUp3MEZTa0czUT09会议ID：0181969173        会议密码：810614（请复制会议链接用浏览器打开，按照提示下载客户端，下载后无需注册，重新点击入会。详情请浏览帖子下方附件：操作指导）

请务必仔细阅读！！！请务必仔细阅读！！！请务必仔细阅读！！！先完成实名认证再考试！否则证书上的名字非真实姓名，而是账号名称！考试截止到2023年3月31日 24:00考试权限说明：本次考试仅支持完成华为数字机器人7天训练营全部7天打卡任务的开发者参加。考生名单：请点击此链接附件查看所有完成7天打卡的开发者名单（公布的名称为社区昵称（回复打卡时左侧头像下方的名称），非华为云账号，请仔细核对），如对名单有异议，请按照联系华为数字机器人官方小助手。（华为数字机器人官方小助手企业微信二维码，扫码添加）考前准备：本次考试前请您务必将账号实名认证，并准备好身份证以及带有摄像头的PC机参加考试。考试流程：1.点击链接进入考试：cid:link_02.请仔细阅读注意事项再点击查看课程3.请再次阅读注意事项并点击参加考试4.根据系统提示完成摄像头检测、身份证认证最后完成考试即可证书获取说明：通过考试后24小时，会获得证书，获取证书途径如下：1.登录华为云账号2.点击右上角华为云账号，选择个人主页3.下拉页面后点击左侧我的开发者学堂-我的证书，即可获取证书如您通过考试48小时后还没有获得证书，请群内联系华为数字机器人官方小助手沟通解决。

恭喜获奖的各位开发者请大家在4月10日前点击下方链接填写获奖信息我们会在截至日期结束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：【华为数字机器人7天训练营获奖信息收集表】-活动已结束，获奖名单如下所示，公示1天公示期结束后（4月8日）获奖者可在本帖填写奖品邮寄信息收集表。抽奖说明：此次实训体验共有7人完成华为数字机器人实训体验任务（至少完成1个场景）。奖品及中奖概率：完成华为机器人实训体验任务（至少完成1个场景）的开发者可获得抽奖机会，奖品为华为蓝牙鼠标，奖品数量上限为5份，中奖概率（≤100%）为“5/完成华为机器人实训体验的总人数”。中奖名单如下：序号论坛昵称微信昵称奖品1阿锐阿*华为蓝牙鼠标恭喜获奖开发者，相关抽奖过程可下载附件查看。公示1天，公示期结束后（4月8日）获奖者可在本帖填写奖品邮寄信息收集表。如有异议请联系华为数字机器人沟通。⏰活动时间：2023年3月21日~ 2023年3月31日🎁活动奖励：按要求完成华为机器人实训体验任务（至少完成1个场景）的开发者可获得抽奖机会，奖品为华为蓝牙鼠标，奖品数量上限为5份，中奖概率（≤100%）为“5/完成华为机器人实训体验的总人数”。👉参与方式：开发者需按照>>综合实训场景<<选择至少1个场景完成开发，将对应脚本截图和案例包回复至活动帖内，视为完成任务。注：1、截图务必将右上角华为云账号截进去；2、案例包含可执行的xml文件（要求将用户名和密码等脱敏）3、第一行需注明您实现的场景名称+华为云账号+微信昵称；示例：【案例名称】+【华为云账号】+【微信昵称】附件：案例名称.rar✨活动规则：回复非示例要求图片或其他无效信息，视为无效楼层，并取消抽奖资格。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，如您对评奖方式有异议，请勿参加本次活动。👏综合实训场景以及所需模拟数据，请从附件下载。

有GDE平台的TQL教程文档吗？？？？？？？

【内容回顾】开营直播回放>>-恭喜获奖开发者，同时也感谢各位开发者前来参加华为数字机器人7天训练营开营直播。【中奖名单】序号获奖人员奖品1*川开发者定制双肩包2*洋开发者定制双肩包如何使用RPA+AI+低代码快速构建小而美的SaaS应用？3月7日 19:00锁定开营直播间聆听华为专家布道点击直达>>👉2023年首发，华为数字机器人7天训练营 第三期 3月8日 开课啦！王牌课程、打卡奖励、进阶挑战、更有九大趣味场景体验。助您突破边界，拓宽商业路径，还有多重活动好礼等您来拿~🎁🎁🎁