11月15日，CANN Meetup 北京站，邀您共赴一场技术盛宴

35期判题器评分和题目是相反的

初测得分理论上界达不到 7000？  

请问有没有提交格式的样例？不知道51，52，53节点用什么

可以找一份代码跑一下，现在比极限分也高了不少

根据前一个问题的答复，参赛者只需要完善user_impl.c，但多线程模拟系统（main.c）中存在诸多问题：1、初始化的4个HAC线程类型均为ENC，而不是题目中说的2个ENC、2个MERGE2、加密或者合并完成后，HAC状态永远不会跳转到HAC_IDLE状态，且用户侧无法修改HAC状态3、main.c第36行指针操作错误，先对指针进行操作，后对指针进行判空校验4、用户侧是否需要为hac_enc和hac_merge两个函数的output参数指针预先申请内存（看user_impl.c中的调用是需要预先申请内存的，但是看hac_thread函数处理时，是现申请内存，并不需要预先申请）。需要明确接口说明，才能设计防内存泄漏的方案 以上在模拟系统中存在的问题，线上测评系统是否也存在？用户是否需要调整main.c并一起上传？

【硬件与环境】NPU型号： 昇腾 910B深度学习框架： PyTorch 2.1.0 (import torch, import torch_npu)镜像信息： 甚至换用过最新的CANN和torch_npu。仍然不支持pytorch_2.6.0，cann8.2.rc1，python3.10-euler_2.10.7，aarch64-snt9b【问题描述】在模型推理过程中，，出现了以下警告信息：[W compiler_depend.ts:51] Warning: CAUTION: The operator 'aten::_linalg_solve_ex.result' is not currently supported on the NPU backend and will fall back to run on the CPU. This may have performance implications. (function npu_cpu_fallback) aten::_linalg_solve_ex.result 算子没有在NPU上得到支持，回退到了CPU上执行。严重影响了模型的推理效率。使用的模型是基于SDXL的diffusionlight。【问题】请问 aten::_linalg_solve_ex.result 这个算子不被支持的问题，是否有已知的解决方案？官方是否有计划在未来的 torch_npu 或 CANN 版本中增加对该算子的支持？如果有，大约会在哪个版本中实现？这个问题对我们项目的推进影响很大，恳请各位专家和工程师帮忙解答一下，非常感谢！

34期的baseline分是怎么得到的啊，看之前比赛没限制语言也才5000多。32期给了当时最高分当baseline还能理解，34期限制语言，分还高这么多，估计这两期没人能超base吧

每个case的天线配置候选参数文件CASE_x.csv并没有提供

如说明所示，5个case下应该分别为对应的天线候选集合CASE_x.csv，附件中并没有提供，所以并不知道5个case差别在哪里，无法为每个case提供配置方案

模型量化、剪枝和蒸馏是三种旨在使深度学习模型变得更小、更快、更高效的关键技术，尤其对于在资源受限的设备（如手机、嵌入式设备）上部署模型至关重要。它们通常被统称为模型压缩技术。下面我们分别详细解释这三个概念，并使用一个生动的比喻来帮助理解。核心比喻：把模型看作一个“学霸”想象一下，我们要把一个博学但臃肿的大学者（原始大模型），改造成一个高效干练的工程师（优化后的模型）。原始大模型：这位大学者知识渊博（性能好），但体重很大（模型大小），思考速度慢（推理速度慢），而且需要吃很多食物（计算资源和内存带宽）才能工作。目标：让他能在小型移动设备上“跑起来”。1. 模型量化定义：量化是指降低模型权重和激活值数值精度的过程。最常见的做法是从32位浮点数转换为8位整数（甚至更低）。比喻：让大学者从使用精确到小数点后8位的复杂计算，改为使用整数进行心算。他可能失去了小数点后的细微精度，但计算速度极大提升，而且需要的脑容量（内存）也更小了。工作原理：FP32（32位浮点数）可以表示非常大范围且非常精确的数字，但占用空间大（4字节），计算慢。INT8（8位整数）只能表示256个离散的整数值，占用空间小（1字节），计算飞快。量化的核心就是找到一个好的映射关系，将FP32的数值范围尽可能无损地“挤压”到INT8的范围内。主要好处：显著减少模型大小：直接缩小约75%（从32位到8位）。大幅加速推理：整数运算在CPU、DSP或专用硬件（如NPU）上比浮点运算快得多。降低功耗：更小的内存访问和更简单的计算意味着更低的能耗。挑战：精度可能会有轻微损失，但通过训练后量化 或 量化感知训练 技术，可以将损失降到最低。简单来说，量化就是：“用更粗糙的数字来表示模型，换取速度和空间的巨大收益。”2. 模型剪枝定义：剪枝是指识别并移除模型中不重要的权重或连接的过程。比喻：让大学者忘掉那些冷僻、无用的知识，只保留核心和常用的知识。比如，他不需要记得全世界所有城市的电话号码，只需要记住常用联系人的即可。这样，他的大脑负担减轻了，反应速度也更快了。工作原理：评估网络中每个参数（权重）的重要性。最常用的标准是权重的绝对值大小（绝对值越小，贡献通常越小）。将那些重要性低于某个阈值的权重置零（相当于从网络中移除连接）。对剪枝后的模型进行微调，以恢复因剪枝而损失的精度。迭代进行上述过程，最终得到一个稀疏化的模型（很多连接为零）。主要好处：减少模型大小：因为可以存储为稀疏矩阵格式，只存储非零值。加速推理：跳过零权重的计算，减少计算量。有时还能起到正则化效果，防止过拟合。挑战：需要谨慎选择剪枝率和剪枝策略，否则会严重损害模型性能。现代的结构化剪枝（直接剪掉整个神经元或滤波器）比非结构化剪枝（剪掉单个权重）更受硬件欢迎。简单来说，剪枝就是：“给模型做减法，剔除冗余部分，保留核心结构。”3. 模型蒸馏定义：蒸馏（全称知识蒸馏）是指训练一个小型模型（学生模型）去模仿一个更大、更精确的模型（教师模型）的行为的过程。比喻：让大学者（教师模型）把他的知识精华和解题思路传授给他的学生（学生模型）。学生不像老师那样知识庞杂，但他学会了老师最核心的思维模式和解题技巧，因此能以更快的速度给出接近老师水平的答案。工作原理：有一个训练好的、性能强大的教师模型。设计一个结构更小、更简单的学生模型。关键点：训练学生模型时，目标不仅是匹配真实的标签（硬标签），更重要的是匹配教师模型输出的概率分布（软标签）。硬标签：图片是“猫”[1, 0, 0]软标签：教师模型输出可能是“猫：0.9， 狗：0.09， 狐狸：0.01”。这个软标签包含了丰富的“暗知识”，比如模型认为狗和狐狸与猫有某些相似性。学生模型通过学习这些软标签，能获得比只学硬标签更强大的泛化能力。主要好处：获得一个既小又快，但性能接近大模型的小模型。这是压缩技术的终极目标。学生模型有时甚至能超越教师模型的性能，因为蒸馏过程是一种强大的正则化。挑战：需要有一个预先训练好的强大教师模型，并且蒸馏过程本身也需要训练时间和计算资源。简单来说，蒸馏就是：“师从大师，提炼精华，练就一身更精悍的本领。”总结与对比  技术核心思想主要目标好比是量化降低数值精度减少内存占用，加速计算将精算改为心算剪枝移除冗余参数减少模型复杂度，实现稀疏化给知识库做减法，忘掉无用知识蒸馏小模型模仿大模型获得一个性能接近大模型的小模型学生继承老师的知识和经验联合使用在实际应用中，这三种技术常常被结合使用，以达到极致的压缩效果。例如：先对一个大型教师模型进行蒸馏，训练出一个性能良好的小型学生模型。然后对这个学生模型进行剪枝，移除其中不重要的连接。最后对剪枝后的模型进行量化，将其转换为低精度格式。经过这一套“组合拳”，最终得到的模型可以变得非常小、非常快，同时尽可能地保留原始大模型的性能，从而能够轻松部署到手机、IoT设备等边缘计算场景中。

图像增强是计算机视觉和图像处理中的一项基础且重要的技术，旨在通过一系列算法改善图像质量或突出图像中的关键信息，以满足后续任务（如可视化、分析、模型训练）的需求。图像增强方法种类繁多，可以从不同维度进行分类。下面我将从空间域、频域、色彩域以及结合人工智能的现代方法等多个角度，为您系统地介绍主要的图像增强方法。一、 空间域增强这是最直接的方法，直接对图像像素的灰度值进行操作。公式一般为：g(x, y) = T[ f(x, y) ]，其中 f(x,y) 是原图像素，g(x,y) 是输出图像素，T 是变换函数。1. 点运算（单个像素操作）灰度变换：线性变换：如对比度拉伸。通过调整斜率和截距来改变像素值的动态范围。python# 伪代码：对比度拉伸new_pixel = gain * original_pixel + bias非线性变换：对数变换：扩展低灰度值（暗部）的细节，压缩高灰度值。适用于过暗的图像。幂律（伽马）变换：s = c * r^γ。γ < 1 可增强暗部细节；γ > 1 可增强亮部细节。常用于校正显示器的伽马值。直方图处理：直方图均衡化：将图像的灰度直方图分布拉伸为均匀分布，从而大幅增强整体对比度。特别适用于背景和前景都太亮或太暗的图像。限制对比度自适应直方图均衡化（CLAHE）：普通直方图均衡化会过度放大噪声，CLAHE 将图像分成小块，对每个块进行均衡化，并用插值法消除块之间的边界，能有效抑制噪声放大，效果更好。直方图规定化（匹配）：将原图像的直方图调整为与某张指定图像的直方图或某种特定形状的直方图相似，用于统一不同图像的色调风格。2. 邻域运算（使用像素周围区域）平滑滤波（去噪）：均值滤波：用邻域像素的平均值代替中心像素值，简单但会导致图像模糊。高斯滤波：使用高斯函数生成的权重模板进行加权平均，在去噪的同时能更好地保留边缘信息，是最常用的线性平滑滤波器。中值滤波：用邻域像素的中值代替中心像素值。这是一种非线性滤波，对椒盐噪声有奇效，且能较好地保护边缘。锐化滤波（突出细节和边缘）：原理：突出图像中的灰度突变（如边缘）。本质上是对图像进行微分运算（梯度、拉普拉斯算子）。Sobel、Prewitt、Roberts算子：一阶微分算子，用于检测边缘。拉普拉斯算子：二阶微分算子，能增强图像中的灰度突变点，常用于图像锐化。公式：g(x,y) = f(x,y) - ∇²f(x,y)（中心为负）或 f(x,y) + ∇²f(x,y)（中心为正）。二、 频域增强先将图像从空间域变换到频域（如傅里叶变换），在频域内进行修改，再反变换回空间域。低通滤波：保留低频信号，抑制高频信号。低频对应图像的平滑区域（背景），高频对应边缘和噪声。因此，低通滤波相当于平滑去噪。理想低通滤波：会产生“振铃”效应。巴特沃斯低通滤波：效果更平滑，无振铃效应。高通滤波：保留高频信号，抑制低频信号。高通滤波相当于锐化操作，突出边缘和细节。理想高通滤波、巴特沃斯高通滤波。同态滤波：一种特殊的频域滤波，特别适用于校正光照不均的图像。它将图像分解为照射分量（低频，光照） 和反射分量（高频，物体本身），分别对这两个分量进行压制和增强，最后再合并，可以同时压缩动态范围（提亮暗部）和增强对比度。三、 色彩域增强针对彩色图像的处理。彩色模型转换：最常用的是在 RGB模型 和 HSV/HSL模型 之间转换。HSV模型（色相H、饱和度S、明度V）：在HSV空间进行增强非常直观。调整 V分量：相当于调整亮度。调整 S分量：相当于调整色彩鲜艳度。调整 H分量：改变颜色本身（较少用于增强）。在HSV空间分别调整V和S，再转回RGB，比直接在RGB空间操作更符合人类视觉感知，且不易产生色彩失真。伪彩色增强：将灰度图像映射为彩色图像，利用人眼对颜色的高分辨力，来更好地辨别灰度图像中的细节。常用于热成像、遥感、医学图像等。四、 基于人工智能/深度学习的图像增强这是当前最前沿和强大的方法，通常使用端到端的神经网络模型。超分辨率重建：从低分辨率图像重建出高分辨率图像。经典模型：SRCNN、ESPCN、SRGAN、ESRGAN。SRGAN和ESRGAN引入生成对抗网络（GAN），能生成视觉效果更真实、细节更丰富的高分辨率图像。图像去噪：自编码器（Autoencoder）：学习一个从噪声图像到干净图像的映射。DnCNN、FFDNet等专门设计的去噪网络。低光照增强：如 Zero-DCE、RetinexNet 等模型，能显著提升暗光环境下的图像亮度和细节，同时控制噪声。去模糊：学习模糊到清晰的映射，用于解决运动模糊、失焦模糊等问题。风格迁移：虽然不完全是“增强”，但属于图像到图像的转换，可以将一张图像的风格（如油画风格）应用到另一张图像上。总结与选择指南  增强目标推荐方法整体对比度太低直方图均衡化、CLAHE（首选）、伽马校正图像太暗或太亮伽马校正、线性变换、在HSV空间调整V分量、低光照增强模型突出边缘和细节锐化滤波（如拉普拉斯）、高通滤波去除噪声高斯滤波（高斯噪声）、中值滤波（椒盐噪声）、深度学习去噪模型（复杂噪声）光照不均同态滤波提高图像分辨率超分辨率模型（如ESRGAN）色彩不鲜艳在HSV空间调整S分量图像模糊深度学习去模糊模型希望这份详细的分类和介绍能帮助您全面了解图像增强的方法！在实际应用中，通常需要根据具体问题和目标组合使用多种方法。

1、PDF中提到的Engineering Parameter Table没有提供；2、PDF中提到的Building Information around the base station没有提供；3、PDF中提到的CASE x没有提供？或者case_x.csv实际上是刚刚补充提供的cell_data.txt？如果cell_data_x.txt是case_x.csv，这意味着参数空间只有59，题目又要求需要有59个参数，这不符合逻辑；4、题目中提到当天线的name相同时候，天线位于同一个点仅角度存在差异，但并没有解释天线位于的其它位置的逻辑是什么？例如ant 1和ant 2，其XYZ是否由EPT给定？但EPT中不同ant的XYZ看上去也是相同的；5、根据题意，补充txt文件应该为参赛者提交文件，主办方提供这五个case信息的目的是什么？是想作为original吗？也就是说EPT给到的是示例并不算分吗？但是如果给的是original，为什么同一个ant name会给出不同角度，是意味着一个天线可以同时兼容两种角度配置吗？

1、CASE x.csv  station.csv Original Engineering Parameter Table.csv没有提供；2、PDF中描述有冲突             （1）得分中描述一共六个case，但是最后一节program struct中描述是五个；             （2）文中描述一共56根天线，，下文又描述一共59根；3、PDF中描述不清晰，例如没有提供strength的计算公式，以及没有提供建筑物减弱信号的公式，是否需参赛选手自行搜集相关资料计算，还是由主办方提供？4、文中提示华为方已有仿真模型，参赛者是通过平台接口调用，还是需要自行构建仿真模型？

缺少文件中相关附件。