import mindspore from  mindspore import nn from mindspore import common from mindspore import Model import mindspore.dataset as ds from mindspore import context import matplotlib.pyplot as plt import mindspore.dataset.vision.c_transforms as CV from mindspore import dtype as mstype import numpy as np from mindspore.common.initializer import Normal from mindspore.train.callback import ModelCheckpoint,CheckpointConfig from mindspore.nn.metrics import Accuracy import mindspore.ops as ops from mindspore.train.callback import LossMonitorcontext.set_context(mode=context.PYNATIVE_MODE,device_target='CPU') #上下文处理#数据预处理def create_dataset(datasets_dir,batch_size,training=False):     datasets = ds.ImageFolderDataset(dataset_dir=datasets_dir,shuffle=True, class_indexing={         'ants':0, 'bees':1     })      image_size =64     mean = [0.485*255, 0.456*255, 0.406*255] #平均值     std = [0.229*255, 0.224*255, 0.225*255]  # 方差     if training:         # 训练模式下的数据预处理操作         trans = [             CV.RandomCropDecodeResize(image_size, scale=(0.08, 1.0), ratio=(0.75, 1.333)),  # 随机裁剪、解码和调整大小             CV.RandomHorizontalFlip(prob=0.5),  # 以 50% 的概率进行水平翻转             CV.Normalize(mean, std),  # 标准化图像             CV.HWC2CHW()  # 将图像从 HWC 格式转换为 CHW 格式         ]     else:         # 验证模式下的数据预处理操作         trans = [             CV.RandomCropDecodeResize(image_size, scale=(0.08, 1.0), ratio=(0.75, 1.333)),  # 随机裁剪、解码和调整大小             CV.RandomHorizontalFlip(prob=0.5),  # 以 50% 的概率进行水平翻转             CV.Normalize(mean, std),  # 标准化图像             CV.HWC2CHW()  # 将图像从 HWC 格式转换为 CHW 格式         ]     datasets=datasets.map(operations=trans,input_columns='image')     datasets=datasets.batch(batch_size,drop_remainder=True)     datasets=datasets.repeat(3)     if training:         data = next(datasets.create_dict_iterator())         images = data['image']         print(images.shape)         labels = data['label']         print('Tensor of image',images.shape)         print('Labels:',labels)         class_name = {0:'ants',1:'bees'}         plt.figure(figsize=(18,7))         for i in range(len(labels)):             data_image = images[i].asnumpy()             # print(data_image.shape)             data_label = labels[i]             data_image = np.transpose(data_image,(1,2,0)) #（3，224，224）转为(224,224,3)             mean =np.array([0.485,0.456,0.406])             std = np.array([0.229,0.224,0.225])             data_iamge = std *data_image+mean #标准化操作。             data_image = np.clip(data_image,0,1) #这个操作是为了确保图像数据的像素值范围正确。             plt.subplot(3,6,i+1)             plt.imshow(data_image)             plt.title(class_name[int(labels[i].asnumpy())])             plt.axis('off') #用于禁止绘制图像时显示坐标轴         plt.show()     ds.config.set_seed(58) return datasets#数据集的路径train_dir = './datasets/hymenoptera_data/train' test_dir = './datasets/hymenoptera_data/val'#生成数据集train_dataset=create_dataset(datasets_dir=train_dir,batch_size=10,training=True) test_dataset=create_dataset(datasets_dir=test_dir,batch_size=10)#网络搭建class MyNetwork(nn.Cell):     def __init__(self):         super(MyNetwork, self).__init__()         self.conv1 = nn.Conv2d(3, 32, kernel_size=2,pad_mode='valid')         self.pool1 = nn.MaxPool2d(kernel_size=2, stride=2)         self.conv2 = nn.Conv2d(32, 64, kernel_size=2,pad_mode='valid')         self.pool2 = nn.MaxPool2d(kernel_size=2, stride=2)         self.conv3 = nn.Conv2d(64,128,kernel_size=2,pad_mode='valid')         self.pool3 = nn.MaxPool2d(kernel_size=2, stride=2)         self.flatten = nn.Flatten()         self.fc1 = nn.Dense(6272,512,weight_init=Normal(0.02))         self.fc2 = nn.Dense(512,256,weight_init=Normal(0.02))         self.fc3 = nn.Dense(256,128,weight_init=Normal(0.02))         self.fc4 = nn.Dense(128,2,weight_init=Normal(0.02))         self.relu = nn.ReLU()              def construct(self, x):         x = ops.Cast()(x, mstype.float32)         x = self.conv1(x)         x = self.relu(x)         x = self.pool1(x)         x = self.conv2(x)         x = self.relu(x)         x = self.pool2(x)         x = self.conv3(x)         x = self.relu(x)         x = self.pool3(x)         x = self.flatten(x)         x = self.fc1(x)         x = self.relu(x)         x = self.fc2(x)         x = self.relu(x)         x = self.fc3(x)         x = self.relu(x)         x = self.fc4(x)         return x #网络调用和模型训练net = MyNetwork() loss_fn = nn.SoftmaxCrossEntropyWithLogits(sparse=True,reduction='mean')#定义损失函数 optimizer = nn.SGD(net.trainable_params(),learning_rate=1e-1) #定义优化器 config_ck = CheckpointConfig(save_checkpoint_steps=100, keep_checkpoint_max=10)#配置检查点的保存参数 ckpoint_cb = ModelCheckpoint(prefix="checkpoint", directory="./checkpoints", config=config_ck)#训练过程中保存模型的检查点 loss_cb = LossMonitor(per_print_times=1000)metrics = {'Accuracy':Accuracy()} #定义准确率 epoch = 20#训练轮次 model = Model(net,loss_fn,optimizer,metrics)#模型定义 print("============== 开始训练 ==============") bast_accuracy=0.0 for i in range(epoch):     model.train(epoch=epoch,train_dataset=train_dataset,callbacks=[ckpoint_cb,loss_cb])#模型训练     metrics = model.eval(test_dataset)     test_accuracy = metrics['Accuracy']     print(f'第{i + 1}轮训练后，测试集准确率: {test_accuracy}')          if test_accuracy>=0.80:          print(f'准确率达到 {test_accuracy}，退出训练。')          break     if test_accuracy>bast_accuracy:          bast_accuracy=test_accuracy          mindspore.save_checkpoint(net, "model.ckpt")          print("Saved Model to model.ckpt")  print('准确度为：',bast_accuracy) 这是一个分类模型，用的是自己设计的卷积神经网络，数据是一个二分类的，现在这个模型只能跑到0.70，无法达到老师要求的0.90以上，我想知道怎么调优，大佬是怎么设计网络结构的

优秀的开发者们，华为云微认证开年活动来啦！！活动时间：2024/1/30 - 2024/3/31活动形式：针对V0新用户，可直接点击下方链接进入活动页领券购买                                            点击此处进入活动

华为作为现在实力满满的开源企业组织，正在逐步有序推进华为开发者生态的各种行动，比如开设华为认证，开展华为开发者大赛，以及在高校的A类竞赛中都有华为赛道的出现，甚至在很多数据竞赛中也有华为的身影，比如要基于华为的框架进行建模的工作。高校目前遇到的困难难题有，目前技术更新迭代的很快，包括人工智能行业的快速发展，因为很多学生在学校学的和企业想要的存在严重的脱节现象。因此做好校企合作很有必要。再者就是需要让企业和学校形成双向选择，也就是互相的认可关系，企业认可学校的学生开发者，学生也从中受益很多，这个是日后需要努力的地方。后期完全可以在学校开设类似鸿蒙开发者系列课程，纳入学生选修课，甚至开设必修课程，让更多的学生接触到企业优质资源。华为开发者或者华为的学习者如果有类似这样的认证，后面不管走企业内推还是说找实习提升自己都是一个不错的选择。在当校园大使的过程中，我的感触最深的是，学生往往和学生之间交流肯定比和老师交流的更多，形成学生之间，类似师兄互帮互助的开发者生态培养模式，更有利企业在高校搭建开发者生态。也就是让更多的同学认可华为，最重要的是能够通过自己在校期间拿到华为的相关的认证，最后真正的可以帮到他们，这个才是不管是哪个企业进入这个学校的初衷，总之就是你认可我，我认可你，互相认可，共同进步，共同做好开源，开发者生态的大蛋糕。

一个弹性公网IP只能绑定一个云资源使用，且弹性公网IP和云资源必须在同一个区域。

前言 大家好，我是“智能网优”赛队的队长，这次是单人参赛，有幸拿下取得第二成绩，在此做个简单的分享。 分享 首先是简单的数据分析，本赛题根据金域提供的核型分析异常结果及其对应的解释文本数据，生成含有辅助诊断要素且便于意思理解的结果解释文本信息。需要注意的本次比赛数据均为脱敏处理数据，训练数据共7527条。在基本数据分析阶段主要包含三个工作，分析输入输出文本长度分布将模型文本长度定在256；根据脱敏后文本分布确定可用tokken长度大于616；丢弃异常数据。模型选择方面，先对比t5/bart/gpt/cpt选择t5，对比t5-pegasus的small与base版本选择small版本（large的我没有硬件算力），从huggingface上选择多种t5系列模型预训练权值进行对比，最后选定t5-pegasus-small，mt0-small,Randeng-T5-Char-57M-Chinese等系列融合。赛后交流有部分队伍说比如t5-copy效果很好，但是我对比的时候只选择了有small版本的模型，比如t5-copy没有small版本就不对比了。训练策略主要使用了预训练，EMA，FGM效果比较好：最后总结下亮点与不足，赛后与大部分队伍进行方案交流只有本方案使用了small版本，训练和推理速度肯定是领先的，但是在可以采集更多训练样本情况下，small将明显弱于base。针对这个问题和主办方交流的得知，该领域7527条训练样本还真的是现实生产情况，那small版本还有其意义吧，不过相信未来领域数据应该会越来越多，small版本潜力有限。感想 本人本职工作为通信行业，也是在传统行业耕耘10年以后才开始从零基础学习编程和算法。这次参加金域比赛收获颇多，受邀参观了国内最先进的医检实验室初步了解医检行业的同时也交流了AI在医检行业的应用，从现场专家坦诚的交流来看AI在医检行业的落地及困难与通信行业有诸多共通之处，感觉未来工作有很多借鉴思路。与这次接待的金域文瑛等专家的交流，也能感觉到金域众多工程师的工匠精神以及赛事总结梁董发言的复合型人才发展理念。感谢广州市科学技术局、金域医学以及华为云提供的这次机会，也希望有一天能看到医疗AI普惠到千万家庭中去。 

WeAutomate RPA怎么操作企业微信  不想用接口的形式，除了坐标点击还有什么其他的方法吗？

板级EDA工具链云服务论坛子版块开通啦，欢迎大家多多发帖交流~新手区官网成长地图开发者社区控制台linklinklinklink进阶区快速入门用户指南常见问题　linklinklink　

智能制作诗词，AI应用语言开发

docker和pip两种方式尝试安装mindspore-gpu，cuda11.1,mindspore1.9.0均报相同错误，cuda 版本export | grep cuda-11.1declare -x LD_LIBRARY_PATH="/usr/local/cuda-11.1/lib64:"declare -x PATH="/home/sx/py_env/xingtian_pip/bin:/usr/local/cuda-11.1/bin:/usr/local/sbin:/usr/local/bin:/                                                                               usr/sbin:/usr/bin:/sbin:/bin:/usr/games:/usr/local/games:/snap/bin:/usr/local/cuda/binnvcc --versionnvcc: NVIDIA (R) Cuda compiler driverCopyright (c) 2005-2020 NVIDIA CorporationBuilt on Mon_Oct_12_20:09:46_PDT_2020Cuda compilation tools, release 11.1, V11.1.105Build cuda_11.1.TC455_06.29190527_0python --versionPython 3.7.5mindspore-gpu        1.9.0cudnncat /usr/local/cuda-11.1/include/cudnn_version.h | grep CUDNN                                                                              #ifndef CUDNN_VERSION_H_#define CUDNN_VERSION_H_#define CUDNN_MAJOR 8#define CUDNN_MINOR 7#define CUDNN_PATCHLEVEL 0#define CUDNN_VERSION (CUDNN_MAJOR * 1000 + CUDNN_MINOR * 100 + CUDNN_PATCHLEVEL)#define CUDNN_MAX_SM_MAJOR_NUMBER 9#define CUDNN_MAX_SM_MINOR_NUMBER 0#define CUDNN_MAX_DEVICE_VERSION (CUDNN_MAX_SM_MAJOR_NUMBER * 100) + (CUDNN_MAX_SM_MINOR_NUMBER * 10)#endif /* CUDNN_VERSION_H */python -c "import mindspore;mindspore.run_check()"测试正常MindSpore version:1.9.0 The result of multiplication calculation is correct, MindSpore has been installed successfully!运行报错docker，pip两种方式均尝试过，附件是软件包

美丽的公主来制裁恶魔la

Day1 hw_008615220290620_01 盡 打卡作业图

Day1+yd_295845456+海蓝蓝+打卡作业截图

【年终超级福利】CANN训练营优秀笔记系列放送中，点击链接免费学习！提交章节小测+结业考核+学习笔记有机会赢取Pico 4 VR一体机、大疆无人机等千元大奖！尾部链接点击直达！2022年已经进入了尾声这一年中CANN训练营迎来了很多新的小伙伴的加入也见证了很多开发者从小白到大神的蜕变CANN训练营也成为无数开发者实现自我的舞台这里有智慧的碰撞，有思考后的成果为了感谢大家一路的支持与陪伴，也为了大家能更好的分享交流自己的想法CANN训练营精心筛选了系列优秀笔记笔记分为入门级、进阶级、高阶级三个维度划分，此次首先分享入门级和进阶级内容大家可以根据自己的需求参考学习》》》 优秀笔记分享 《《《入门级基于Caffe ResNet-50网络实现图片分类（仅推理）ResNet50更换为ResNet101【CANN训练营】新手班结业考核Ascend 910实现LeNet网络的minist手写数据训练基于Caffe ResNet-50网络实现图片分类（仅推理）的实验复现迁移TensorFlow模型到昇腾设备实验复现基于ResNet-101网络实现图片分类的实验复现CANN第二季新手班大作业笔记进阶级基于MindSpore的CycleGAN介绍和实现图像处理应用开发（解码，缩放，编码功能串接）Ascend目标检测与识别-定制自己的AI应用animeGAN_picture样例c++实现cycleGan训练分享修改wgan为ganwgan训练animeGAN的推理应用开发animeGAN_picture样例(aoe调优)resnet50推理样例（动态batch）基于昇思的gan实现——谷歌patri概览环境准备基于mindspore的GAN介绍》》》提交笔记、考核领千元大奖通道《《《对AI感兴趣想学习的小伙伴也可以点击下方链接报名已经报名参与的小伙伴抓紧时间完成考核、提交笔记可领取千元大奖！（外部平台发布学习笔记，每篇分数+5）也可邀请好友报名，好友量TOP3可获得华为无线耳机一份！提交笔记链接：cid:link_2报名链接：cid:link_1活动规则链接：cid:link_12邀请好友链接：CANN 训练营-昇腾社区 (hiascend.com)

对此活动有了深刻地学习和认知，并将结果截图和个人心得放入了文档里，还得努力学习，多学多看多做！

beautiful