这是一场什么样的比赛？“华为智联杯”无线程序设计大赛 ，是由华为无线产品线面向高校软件精英精心构筑的巅峰竞技场。本赛事旨在点燃软件精英的创意火花与探索激情，在数字智能浪潮中，探索AI、高性能算法等软件技术与无线通信的融合创新。赛题来源于无线通信技术的前沿业务场景，融合了工程技术实践和学术实践，力图挖掘并培养未来的科技领航者。我们诚邀怀揣梦想的软件精英，加入这场启迪智慧、挑战极限的非凡旅程！让我们一起启航“智联杯“，引领无线技术的新纪元！如何报名参赛？报名链接：cid:link_0有问题如何求助？·  在本版论坛发帖求助：比赛过程中参赛选手可以在论坛中发帖，详细描述您遇到的问题，大赛组委会工作人员将会在工作日工作时间，在社区回复（为保证大赛公平公正原则，大赛官方仅针对报名方式、赛制、赛题、大赛安排等问题进行答疑）。·  联系大赛组委会工作邮箱：如没有得到及时回复，可以发邮件至大赛工作人员邮箱：zhongziyi@huawei.com·  赛事交流QQ群：257010855Q：队伍的每个队员都要在华为云的报名通道完成报名吗？A：参赛的每个队员都需要报名，报名之后组件团队，后续软件挑战赛道的提交以团队为单位进行提交。 Q：通用算法赛道具体赛制是什么，有语言限制吗？电脑如何分配？A：通用算法赛道参考ACM赛制，语言没有限制，一组一台电脑。Q：软件挑战赛道主要是干什么，是完成需求开发吗？A：软件挑战赛道可以参考软挑赛，针对给定的需求场景，通过不断迭代获取最佳性能。Q：软件挑战赛道和通用算法赛道在时间上会冲突吗？A：两个比赛的线下提交是同一个时间，因此从时间上看会存在冲突的可能。Q：非上海市高校学生是否可以参加本次比赛？A：非常欢迎非上海市高校学生参加本次比赛。有两点需要注意：1）本次比赛为线下比赛，比赛地点为上海大学宝山校区，选手需要现场签到2）由于本次比赛的通用算法赛道的结果会应用于2025年中国大学生程序设计竞赛上海市选拔，因此通用算法赛道的奖金方案也将作用于选拔范围，因此非上海市高校学生在通用算法赛道上按照打星方式参赛。软件挑战赛道则无该约束，可正常参与奖金评选。Q：通用算法赛道和软件挑战赛道是否可以跨学校跨专业组队？ A：由于通用算法赛道的结果会应用于2025年中国大学生程序设计竞赛上海市选拔，不建议跨校组队。软件挑战赛道可以跨学校和跨专业组队Q：通用算法赛道结果如果作为上海市赛选拔，会有CCPC的榜单和奖牌吗？A：本次比赛由华为进行赞助，为通用算法赛道和软件挑战赛道设置了对应的奖金，除此之外，兼顾上海市赛选拔，通用算法赛道会按照10%，20%， 30%的比例颁发奖牌和证书。Q：我如果不报名可以直接参加比赛吗？A： 不可以哦。本次比赛评奖赛道必须与选手的报名赛道保持一致，如果不报名，或者报名时选择的赛道和现场比赛的赛道不一致则没法参加评奖。

目前学习dws，主要的手段是产品文档，但是产品文档的组织结构更像参考手册，而非学习教程。且很多概念浅浅带过，没法理解到底啥含义，学习经常懵的。我想请问一下大家：是否应该有PGSQL的基础才能学好gaussdb和DWS？都是通过哪些途径来学习的？有清晰的学习路线吗？要怎样才能搭建dws的实验环境？

不能创建模拟器，怎么办

报名CANN训练营0基础学AI，完成算子中级认证考核赢取超级大奖！活动报名链接：cid:link_0讲师手把手讲解非对齐及多数据类型算子开发实践使能开发出适用于不同数据类型、形状及软硬件平台的泛化算子提升算子的通用性和适配能力关注【昇腾CANN】视频号一键预约直播！【昇腾AI开发者】B站观看链接：https://live.bilibili.com/h5/23361884 昇腾社区官网观看链接：cid:link_0

基于softmax介绍Vector类高层API的通用优化设计与实现 扫码关注【昇腾CANN】视频号快速预约直播！ 扫描问卷二维码，填写问卷在线收集问题并解答！ B站观看链接：https://live.bilibili.com/h5/23361884 昇腾社区观看链接：cid:link_0

高校老师联合推荐，邀您一起共同探索Ascend C！ 快速掌握基础概念，轻松上手Ascend C！  📍报名CANN训练营领取学习大礼包！完成算子中级认证考核赢豪礼！ 报名链接cid:link_0 

扫码报名参与，0基础学习课程，轻松掌握算子开发技能!完成认证考核，五重挑战赢开发板、华为手机等千元大奖！报名链接及活动详情：cid:link_0

训练营挑战全攻略，带你了解挑战全部内容，轻松玩转CANN训练营！

扫码报名参与，0基础学习课程，轻松掌握算子开发技能!完成认证考核，五重挑战赢开发板、华为手机等千元大奖！

刚刚在官网安装的dececo bate3，第一个hello world项目，预览窗口报错：这个怎么解决？网上查不到相关的资料，求求大佬指点

扫码关注【昇腾CANN】视频号快速预约直播，填写问卷在线收集问题并解答！B站观看链接：https://live.bilibili.com/h5/23361884 昇腾社区观看链接：https://www.hiascend.com/developer/cann20241 问卷链接：https://www.hiascend.com/zh/forms/shendukaifang?from=S0

扫码关注【昇腾CANN】视频号快速预约直播，填写问卷在线收集问题并解答！  👉B站观看链接：https://live.bilibili.com/h5/23361884 👉昇腾社区观看链接：https://www.hiascend.com/developer/cann20241 👉问卷链接：https://www.hiascend.com/zh/forms/shendukaifang?from=S0 

👉昇腾社区观看链接：cid:link_0

 直播互动赢CANN周边礼品！ 扫码报名CANN训练营，限时领取免费学习大礼包，完成认证考核赢华为手机、开发板等重磅大奖！ 

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