CNN-VIT 视频动态手势识别人工智能的发展日新月异，也深刻的影响到人机交互领域的发展。手势动作作为一种自然、快捷的交互方式，在智能驾驶、虚拟现实等领域有着广泛的应用。手势识别的任务是，当操作者做出某个手势动作后，计算机能够快速准确的判断出该手势的类型。本文将使用ModelArts开发训练一个视频动态手势识别的算法模型，对上滑、下滑、左滑、右滑、打开、关闭等动态手势类别进行检测，实现类似华为手机隔空手势的功能。算法简介CNN-VIT 视频动态手势识别算法首先使用预训练网络InceptionResNetV2逐帧提取视频动作片段特征，然后输入Transformer Encoder进行分类。我们使用动态手势识别样例数据集对算法进行测试，总共包含108段视频，数据集包含无效手势、上滑、下滑、左滑、右滑、打开、关闭等7种手势的视频，具体操作流程如下：首先我们将采集的视频文件解码抽取关键帧，每隔4帧保存一次，然后对图像进行中心裁剪和预处理，代码如下：def load_video(file_name): cap = cv2.VideoCapture(file_name) # 每隔多少帧抽取一次 frame_interval = 4 frames = [] count = 0 while True: ret, frame = cap.read() if not ret: break # 每隔frame_interval帧保存一次 if count % frame_interval == 0: # 中心裁剪 frame = crop_center_square(frame) # 缩放 frame = cv2.resize(frame, (IMG_SIZE, IMG_SIZE)) # BGR -> RGB [0,1,2] -> [2,1,0] frame = frame[:, :, [2, 1, 0]] frames.append(frame) count += 1 return np.array(frames) 然后我们创建图像特征提取器，使用预训练模型InceptionResNetV2提取图像特征，代码如下：def get_feature_extractor(): feature_extractor = keras.applications.inception_resnet_v2.InceptionResNetV2( weights = 'imagenet', include_top = False, pooling = 'avg', input_shape = (IMG_SIZE, IMG_SIZE, 3) ) preprocess_input = keras.applications.inception_resnet_v2.preprocess_input inputs = keras.Input((IMG_SIZE, IMG_SIZE, 3)) preprocessed = preprocess_input(inputs) outputs = feature_extractor(preprocessed) model = keras.Model(inputs, outputs, name = 'feature_extractor') return model接着提取视频特征向量，如果视频不足40帧就创建全0数组进行补白：def load_data(videos, labels): video_features = [] for video in tqdm(videos): frames = load_video(video) counts = len(frames) # 如果帧数小于MAX_SEQUENCE_LENGTH if counts < MAX_SEQUENCE_LENGTH: # 补白 diff = MAX_SEQUENCE_LENGTH - counts # 创建全0的numpy数组 padding = np.zeros((diff, IMG_SIZE, IMG_SIZE, 3)) # 数组拼接 frames = np.concatenate((frames, padding)) # 获取前MAX_SEQUENCE_LENGTH帧画面 frames = frames[:MAX_SEQUENCE_LENGTH, :] # 批量提取特征 video_feature = feature_extractor.predict(frames) video_features.append(video_feature) return np.array(video_features), np.array(labels)最后创建VIT Model，代码如下：# 位置编码 class PositionalEmbedding(layers.Layer): def __init__(self, seq_length, output_dim): super().__init__() # 构造从0~MAX_SEQUENCE_LENGTH的列表 self.positions = tf.range(0, limit=MAX_SEQUENCE_LENGTH) self.positional_embedding = layers.Embedding(input_dim=seq_length, output_dim=output_dim) def call(self,x): # 位置编码 positions_embedding = self.positional_embedding(self.positions) # 输入相加 return x + positions_embedding # 编码器 class TransformerEncoder(layers.Layer): def __init__(self, num_heads, embed_dim): super().__init__() self.p_embedding = PositionalEmbedding(MAX_SEQUENCE_LENGTH, NUM_FEATURES) self.attention = layers.MultiHeadAttention(num_heads=num_heads, key_dim=embed_dim, dropout=0.1) self.layernorm = layers.LayerNormalization() def call(self,x): # positional embedding positional_embedding = self.p_embedding(x) # self attention attention_out = self.attention( query = positional_embedding, value = positional_embedding, key = positional_embedding, attention_mask = None ) # layer norm with residual connection output = self.layernorm(positional_embedding + attention_out) return output def video_cls_model(class_vocab): # 类别数量 classes_num = len(class_vocab) # 定义模型 model = keras.Sequential([ layers.InputLayer(input_shape=(MAX_SEQUENCE_LENGTH, NUM_FEATURES)), TransformerEncoder(2, NUM_FEATURES), layers.GlobalMaxPooling1D(), layers.Dropout(0.1), layers.Dense(classes_num, activation="softmax") ]) # 编译模型 model.compile(optimizer = keras.optimizers.Adam(1e-5), loss = keras.losses.SparseCategoricalCrossentropy(from_logits=False), metrics = ['accuracy'] ) return model模型训练完整体验可以点击Run in ModelArts一键运行我发布的Notebook：最终模型在整个数据集上的准确率达到87%，即在小数据集上训练取得了较为不错的结果。视频推理首先加载VIT Model，获取视频类别索引标签：import random # 加载模型 model = tf.keras.models.load_model('saved_model') # 类别标签 label_to_name = {0:'无效手势', 1:'上滑', 2:'下滑', 3:'左滑', 4:'右滑', 5:'打开', 6:'关闭', 7:'放大', 8:'缩小'}然后使用图像特征提取器InceptionResNetV2提取视频特征：# 获取视频特征 def getVideoFeat(frames): frames_count = len(frames) # 如果帧数小于MAX_SEQUENCE_LENGTH if frames_count < MAX_SEQUENCE_LENGTH: # 补白 diff = MAX_SEQUENCE_LENGTH - frames_count # 创建全0的numpy数组 padding = np.zeros((diff, IMG_SIZE, IMG_SIZE, 3)) # 数组拼接 frames = np.concatenate((frames, padding)) # 取前MAX_SEQ_LENGTH帧 frames = frames[:MAX_SEQUENCE_LENGTH,:] # 计算视频特征 N, 1536 video_feat = feature_extractor.predict(frames) return video_feat最后将视频序列的特征向量输入Transformer Encoder进行预测：# 视频预测 def testVideo(): test_file = random.sample(videos, 1)[0] label = test_file.split('_')[-2] print('文件名:{}'.format(test_file) ) print('真实类别:{}'.format(label_to_name.get(int(label))) ) # 读取视频每一帧 frames = load_video(test_file) # 挑选前帧MAX_SEQUENCE_LENGTH显示 frames = frames[:MAX_SEQUENCE_LENGTH].astype(np.uint8) # 保存为GIF imageio.mimsave('animation.gif', frames, duration=10) # 获取特征 feat = getVideoFeat(frames) # 模型推理 prob = model.predict(tf.expand_dims(feat, axis=0))[0] print('预测类别：') for i in np.argsort(prob)[::-1][:5]: print('{}: {}%'.format(label_to_name[i], round(prob[i]*100, 2))) return display(Image(open('animation.gif', 'rb').read()))模型预测结果：文件名:hand_gesture/woman_014_0_7.mp4 真实类别:无效手势 预测类别： 无效手势: 99.82% 下滑: 0.12% 关闭: 0.04% 左滑: 0.01% 打开: 0.01%

2024年，你最期待AI在哪个方面的革命

我在modelarts中的AI gallery中订阅了如下算法：根据对应算法提供的训练说明进行训练，并最后部署为在线服务（期间遇到的各种问题都通过工单方式解决👍🏻），但输出的结果始终不对，如下所示（算法为：Llama-7B-预训练-全参微调）：想问各位大佬，这种情况我应该如何解决？AI gallery提供的算法准确性如何？我目前只想跑通一个开源大模型算法的训练流程并输出对应正确的结果，有推荐的算法么？

1.AI Gallery1.1 AI Gallery简介AI Gallery是在ModelArts的基础上构建的开发者生态社区，提供了Notebook代码样例、数据集、算法、模型、Workflow等AI数字资产的共享，为高校科研机构、AI应用开发商、解决方案集成商、企业级/个人开发者等群体，提供安全、开放的共享及交易环节，加速AI资产的开发与落地，保障AI开发生态链上各参与方高效地实现各自的商业价值。AI Gallery文档：cid:link_0AI Gallery中的代码样例平台：cid:link_11.2 AI Gallery前提准备1.2.1 输入中文电影进行样例搜索1.2.2 点击Run in ModelArts1.2.3 选择环境1.3 AI Gallery在线分析影评情感基调样例代码使用1.3.1 准备代码和数据相关代码、数据和模型都已存放在OBS中，执行下面一段代码即可将其拷贝到Notebook中import osimport moxing as moxif not os.path.exists("/home/ma-user/work/xx"): mox.file.copy_parallel('obs://modelarts-labs-bj4-v2/case_zoo/bert_ch_movie_reviews/bert_movie_ch.zip'，"/home/ma-user/work/bert_movie_ch.zip") os.system("cd /home/ma-user/work;unzip bert_movie_ch.zip;rm bert_movie_ch.zip") if os.path.exists("/home/ma-user/work/bert_movie_ch"): print('Download success') else: raise Exception('Download Failed')else: print("Project already exists")执行完成之后会出现Download success。1.3.2 安装所需要的python模块1.3.3 导包及超参设置导包import numpy as npimport randomimport torchimport matplotlib.pyplot as pltfrom torch.nn.utils import clip_grad_norm_from torch.utils.data import TensorDataset， DataLoader， RandomSampler， SequentialSamplerfrom transformers import BertTokenizer， BertForSequenceClassification， AdamWfrom transformers import get_linear_schedule_with_warmupimport warningswarnings.filterwarnings('ignore')切换路径# 进入项目路径%cd /home/ma-user/work/bert_movie_ch超参数设置# 超参数设置SEED = 123BATCH_SIZE = 16LEARNING_RATE = 2e-5WEIGHT_DECAY = 1e-2EPSILON = 1e-8random.seed(SEED)np.random.seed(SEED)torch.manual_seed(SEED)1.3.4 数据处理1.3.4.1 获取文本内容# 读取文件，返回文件内容def readfile(filename): with open(filename， encoding="utf-8") as f: content = f.readlines() return content# 正负情感语料pos_text = readfile('./data/pos.txt')neg_text = readfile('./data/neg.txt')sentences = pos_text + neg_textpos_textlen(pos_text)1.3.4.2 转换成数组长度# label encoderpos_targets = np.ones((len(pos_text))) # -->1neg_targets = np.zeros((len(neg_text))) # -->0targets = np.concatenate((pos_targets， neg_targets)， axis=0).reshape(-1， 1) targets.shapepos_targetsneg_targets# 转换为tensortotal_targets = torch.tensor(targets)total_targets.shape1.3.4.3 加载模型进行分词# 从预训练模型中加载bert-base-chinese# [UNK] 特征 [CLS]起始 [SEP]结束tokenizer = BertTokenizer.from_pretrained('bert-base-chinese'， cache_dir="./transformer_file/")tokenizerprint(pos_text[1])# 进行分词print(tokenizer.tokenize(pos_text[1]))# bert编码，会增加开始[CLS]--101 和 结束[SEP]--102标记print(tokenizer.encode(pos_text[1]))# 将bert编码转换为 字print(tokenizer.convert_ids_to_tokens(tokenizer.encode(pos_text[1])))tokenizer.encode("我")1.3.4.4 句子转数字进行编码#将每个句子转成数字（大于126做截断，小于126做PADDING，加上首尾两个标识，长度总共等于128）def convert_text_to_token(tokenizer， sentence， limit_size=126): tokens = tokenizer.encode(sentence[:limit_size]) # 直接截断 if len(tokens) < limit_size + 2: # 补齐（pad的索引号就是0） tokens.extend([0] * (limit_size + 2 - len(tokens))) return tokens# 对每个句子进行编码input_ids = [convert_text_to_token(tokenizer， x) for x in sentences]# 放到tensor中input_tokens = torch.tensor(input_ids)print(input_tokens.shape)input_tokens[1]1.3.4.5 建立mask# 建立maskdef attention_masks(input_ids): atten_masks = [] for seq in input_ids: # 如果有编码（>0）即为1， pad为0 seq_mask = [float(x>0) for x in seq] atten_masks.append(seq_mask) return atten_masks# 生成attention_masksatten_masks = attention_masks(input_ids)# 将atten_masks放到tensor中attention_tokens = torch.tensor(atten_masks)print(attention_tokens)print(attention_tokens.size())print('input_tokens:\n'， input_tokens) # shape=[7360， 128]print('total_targets:\n'， total_targets) # shape=[7360， 1]print('attention_tokens:\n'， attention_tokens) # shape=[7360， 128]1.3.4.6 切分from sklearn.model_selection import train_test_split# 使用random_state固定切分方式，切分 train_inputs， train_labels， train_masks，train_inputs， test_inputs， train_labels， test_labels = train_test_split(input_tokens， total_targets， random_state=2022， test_size=0.2)train_masks， test_masks， _， _ = train_test_split(attention_tokens， input_tokens， random_state=2022， test_size=0.2)print(train_inputs.shape， test_inputs.shape) #torch.Size([8000， 128]) torch.Size([2000， 128])print(train_masks.shape， test_masks.shape) #torch.Size([8000， 128])和train_inputs形状一样print(train_inputs[0])print(train_masks[0])1.3.4.7 打包# 使用TensorDataset对tensor进行打包train_data = TensorDataset(train_inputs， train_masks， train_labels)# 无放回地随机采样样本元素train_sampler = RandomSampler(train_data)train_dataloader = DataLoader(train_data， sampler=train_sampler， batch_size=BATCH_SIZE)test_data = TensorDataset(test_inputs， test_masks， test_labels)test_sampler = SequentialSampler(test_data)test_dataloader = DataLoader(test_data， sampler=test_sampler， batch_size=BATCH_SIZE)# 查看dataloader内容for i， (train， mask， label) in enumerate(train_dataloader): #torch.Size([16， 128]) torch.Size([16， 128]) torch.Size([16， 1]) print(train) print(mask) print(label) print(train.shape， mask.shape， label.shape) breakprint('len(train_dataloader)='， len(train_dataloader)) #368# 二分类结果评估def binary_acc(preds， labels): #preds.shape=(16， 2) labels.shape=torch.Size([16， 1]) # eq里面的两个参数的shape=torch.Size([16]) correct = torch.eq(torch.max(preds， dim=1)[1]， labels.flatten()).float() if 0: print('binary acc ********') print('preds = '， preds) print('labels = '， labels) print('correct = '， correct) acc = correct.sum().item() / len(correct) return accimport timeimport datetime# 时间格式化def format_time(elapsed): elapsed_rounded = int(round((elapsed))) return str(datetime.timedelta(seconds=elapsed_rounded)) #返回 hh:mm:ss 形式的时间1.3.5 训练和评估1.3.5.1 加载预训练模型# 加载预训练模型， num_labels表示2个分类，好评和差评model = BertForSequenceClassification.from_pretrained("bert-base-chinese"， num_labels = 2)# 使用GPUdevice = torch.device("cuda" if torch.cuda.is_available() else "cpu")model.to(device)1.3.5.2 定义优化器# 定义优化器 AdamW， eps默认就为1e-8（增加分母的数值，用来提高数值稳定性）no_decay = ['bias'， 'LayerNorm.weight']optimizer_grouped_parameters = [ {'params': [p for n， p in model.named_parameters() if not any(nd in n for nd in no_decay)]， 'weight_decay': WEIGHT_DECAY}， {'params': [p for n， p in model.named_parameters() if any(nd in n for nd in no_decay)]， 'weight_decay': 0.0}]optimizer = AdamW(optimizer_grouped_parameters， lr = LEARNING_RATE， eps = EPSILON)epochs = 2 #迭代次数# training steps 的数量: [number of batches] x [number of epochs].total_steps = len(train_dataloader) * epochs# 设计 learning rate scheduler.scheduler = get_linear_schedule_with_warmup(optimizer， num_warmup_steps = 0， num_training_steps = total_steps)1.3.5.3 定义模型训练# 定义模型训练def train(model， optimizer): t0 = time.time() # 记录当前时刻 avg_loss， avg_acc = []，[] # 开启训练模式 model.train() for step， batch in enumerate(train_dataloader): # 每隔40个batch 输出一下所用时间. if step % 40 == 0 and not step == 0: elapsed = format_time(time.time() - t0) print(' Batch {:>5，} of {:>5，}. Elapsed: {:}.'.format(step， len(train_dataloader)， elapsed)) # 从batch中取数据，并放到GPU中 b_input_ids， b_input_mask， b_labels = batch[0].long().to(device)， batch[1].long().to(device)， batch[2].long().to(device) output = model(b_input_ids， token_type_ids=None， attention_mask=b_input_mask， labels=b_labels) loss， logits = output[0]， output[1] avg_loss.append(loss.item()) acc = binary_acc(logits， b_labels) avg_acc.append(acc) optimizer.zero_grad() loss.backward() clip_grad_norm_(model.parameters()， 1.0) optimizer.step() scheduler.step() avg_loss = np.array(avg_loss).mean() avg_acc = np.array(avg_acc).mean() return avg_loss， avg_acc1.3.5.4 训练 & 评估# 训练 & 评估for epoch in range(epochs): # 模型训练 train_loss， train_acc = train(model， optimizer) print('epoch={}，train_acc={}，loss={}'.format(epoch， train_acc， train_loss)) # 模型评估 test_acc = evaluate(model) print("epoch={}，test_acc={}".format(epoch， test_acc))1.3.6 预测def predict(sen): # 将sen 转换为id input_id = convert_text_to_token(tokenizer， sen) # print(input_id) # 放到tensor中 input_token = torch.tensor(input_id).long().to(device) #torch.Size([128]) # 统计有id的部分，即为 1(mask)，并且转换为float类型 atten_mask = [float(i>0) for i in input_id] # 将mask放到tensor中 attention_token = torch.tensor(atten_mask).long().to(device) #torch.Size([128]) # 转换格式 size= [1，128]， torch.Size([128])->torch.Size([1， 128])否则会报错 attention_mask = attention_token.view(1， -1) output = model(input_token.view(1， -1)， token_type_ids=None， attention_mask=attention_mask) return torch.max(output[0]， dim=1)[1]label = predict('掏钱看这部电影，才是真正被杀猪盘了。。。')print('好评' if label==1 else '差评')label = predict('我觉得挺不错的。在中国看来算是最好的科幻大片了.毕竟国产。支持一下！')print('好评' if label==1 else '差评')label = predict('但是影片制作“略显”粗糙。包括但不限于演员演技拉胯，剧情尴尬，情节设计不合理。期待值最高的王千源完全像没睡醒，全片无论扮演什么身份或处于什么场景，表情就没变过。身体力行的告诉了我们，演员最重要不是演什么像什么，而是演什么就换什么衣服。除了人物身份的切换是靠换衣服外和张光北演对手戏完全就像是在看着提词器念台词，俩下对比尴尬到都能扣出个三室一厅。女配“陈茜”和“刘美美”一个没看到“孤身入虎穴”的作用在哪里，一个则是完全没必要出现。随着故事的递进加情节设计的不合理导致整片完全垮掉。或者你把俩女配的情节递进处理好了也行，但是很显然，导演完全不具备这种能力。不仅宏观叙事的能力差，主题把控的能力也欠缺。看似这个电影是宣传反诈，实则是披着反诈的外衣，上演了正派和反派间弱智般的“强强”对决。就以反诈题材来说做的都不如b站up主录制的几分缅北诈骗集团的小视频更有警示意义。我们搞反诈宣传的目的不就是为了避免群众上当受骗，同时告诉大家警惕国外高薪工作，不去从事诈骗活动吗？当然我要吐槽的包括但不限于以上这些，麻烦各位导演在拍偏主旋律电影的时候不要用类似于本片抓捕大boos时说的：“现在中国太强大了，怎么怎么地类似的台词了，把这份荣誉留给吴京吧！最后，本片唯一的亮点就是王迅和前三分之一节奏感还不错。哎，特价买的票以为我赚了，没想到是我被“杀猪盘了”。')print('好评' if label==1 else '差评')转载原文链接：【云驻共创】华为云AI之《情感专家》在线分析影评情感基调_云汉ai顾问 情感板块-CSDN博客

在modelarts里创建notebook时，可以到ai gallery里取市场里选择镜像，但是好像都是官方提供的？都是官方镜像吧：那么我的问题是，个人创建的镜像，是否能够传到ai gallery供他人使用呢？目前看到的好像是不可以？因为自定义的镜像没有发现有分享到 ai gallery的功能。

有一段时间没有逛ai gallery了，最近看到一个大模型的活动，又去看了一下。发现变化挺大的。而且，域名也换了，是pangu开头的，这也许预示着，ai gallery会将大模型作为一个新的方向,并且这个方向会是一个主要的方向。

如何将自己训练好的模型分享到AI Gallery上？

如何将自己开发的算法分享到AI Gallery中？

跑290epoch时报模型存储路径错误，前面都正常

“双节”货物运输繁忙如何保证货运列车始终“在状态”那就不得不提这一双双“火眼金睛”啦想象一下依靠强大的AI科技一列货运列车的上万个零部件十几分钟内便可完成检查这个超厉害的“AI检车”系统是国铁集团郑州北车辆段使用的经华为云盘古大模型“AI训练”后的TFDS系统2022年12月，“AI检车”系统正式投入试用。该段对处于京广铁路、陇海铁路、京九铁路等干线位置的6个TFDS探测站进行了升级，采取“AI检车”作业，同时对“AI检车”识别预警的故障进行人工复核。相较于人工检车，通过“AI检车”结合人工复核的方式：作业时长由平均17分钟减少至14分钟；作业人数由4-5人减少至2-3人；故障识别准确率由98.26%提高至99.89%。经过10个月的试用“AI检车”系统实现了以铁路货车拦停重点故障为主的400+余种故障的智能识别已大大优于人工作业效率更高、可靠性更强，当前已逐步推广到全国多个路局试用。这个“AI检车”系统究竟啥来头？这套系统叫TFDS，即货车故障轨边图像检测系统。一列货车只要从探测站通过，电子眼就会高速拍摄、动态采集车底配件和车体侧部状态等4800余张图像，实时传输到动态检车室。传统的TFDS系统，需要动态检车员及时分析每一张图片，发现车辆故障隐患，并将故障部位图片反馈至一线检车员。“AI训练”后的TFDS系统，能够利用“AI”技术，实时分析采集的图像，自动识别各种不同类型的铁路货车故障。为啥要对郑州北车辆段的TFDS进行“AI”升级？这里“太忙”该段管内京广线、陇海线、京九线货物运输任务繁忙，5T检测车间的80个检测工位，每天要完成4万多辆货车、280多万张图片的检查任务。重要课题落户2021年，国铁集团货车事业部把TFDS故障图像智能识别项目作为国铁集团第一批科研计划“揭榜挂帅”课题，指定郑州局集团公司郑州北车辆段5T检测车间作为该项目的试点单位，和华为公司、慧铁科技公司共同研究、联手推进TFDS故障图像智能识别项目。自此，“AI检车”系统升级试点“花落”郑州北车辆段。“AI训练”后TFDS系统有多厉害？专家博士联合推进为保证研发进度和效果，该段5T检测车间组建经验丰富的“专家”团队，结合近年典型故障案例，从故障分类、判断方式等方面提供数据，从而提升算法精准度、降低误报率。算法模型世界领先对TFDS系统进行“AI训练”，采用的是目前业界最大的视觉预训练模型华为云盘古CV大模型，其训练、推理速度均处于世界领先水平。同时，这套基于盘古大模型的“AI检车”系统根据大量的数据样本，自动总结部件特征，自动寻找故障规律，并在实际试用中持续改善分析效果，实现从整体到局部、再到故障细节特征的逐步精细识别。TFDS检测遇到的另一个问题是故障样本稀缺。随着我国铁路安全水平的不断提升，很多故障已经极少发生，多数人都没有见过，但是这样的故障一旦发生通常都是大故障。对AI模型来讲，小样本无样本也会制约模型精度提升。郑州北站在段修车间模拟制造了大量的故障样本的同时，华为云基于小样本学习技术和样本生成技术，生成了大量的训练样本提升模型质量。比如摇枕心盘脱出的故障，全国范围内只找到一张故障样本，但是通过小样本学习，目前已经能正确识别这个故障。近年来铁路部门不断加大科技投入力度这些新设备、新技术的投用已经重塑了现场职工的作业模式期待未来有更多的科技手段应用到铁路运输生产各环节转自华为云公众号

领域微调是一种通过使用少量特定用例的增量数据对基础模型进行进一步训练的方法，以改变其神经网络中的参数权重。它适用于任务或领域定义明确且具有足够标记数据的场景，比如风格微调。目前，常用的领域微调方法包括Freeze、P-tuning和LoRA。在领域微调中，Freeze是一种常见的方法。它的核心思想是固定基础模型的一部分参数，只对特定任务的相关参数进行微调。通过冻结一部分参数，可以保留基础模型在通用任务上的学习能力，同时针对特定任务进行有针对性的微调，以提高模型在该领域中的性能。另一种常见的微调方法是P-tuning。P-tuning通过引入一个专门的控制参数来控制基础模型的学习能力。这个控制参数可以根据特定任务的需求进行调整，从而实现对基础模型的微调。P-tuning的优势在于可以根据具体任务的特点和要求进行灵活的调整，提高模型在特定领域中的表现。LoRA是一种基于语言重要性的领域微调方法。它通过对不同领域的语言重要性进行建模，对基础模型进行微调。具体而言，LoRA通过引入一个领域相关的语言权重参数，来调整基础模型对不同领域中不同语言的重视程度。这样，模型可以更好地适应不同领域的语言特点，提高在特定领域的性能。领域微调的应用非常广泛。在自然语言处理领域，领域微调可以用于情感分析、命名实体识别、机器翻译等任务，通过微调模型，使其更好地适应特定领域的语言特点和任务需求。在计算机视觉领域，领域微调可以用于目标检测、图像分类等任务，通过微调模型，提高在特定领域中的准确性和鲁棒性。然而，领域微调也面临一些挑战。首先，微调需要有足够的标记数据来进行训练，但在某些领域中，获取大量标记数据可能是困难的。其次，微调可能导致过拟合问题，即模型在特定领域中表现良好，但在其他领域中性能下降。因此，如何在微调过程中平衡模型的泛化能力和领域特定性能是一个重要的问题。

1数据增强数据增强是一种通过对训练数据进行一系列变换来扩增数据集的方法。数据增强可以有效地提高模型的泛化性能，因为它可以帮助模型更好地学习数据的不变性和鲁棒性。例如，在图像分类任务中，可以通过旋转、平移、缩放等方式对图像进行变换，从而增加数据集的多样性，提高模型的泛化性能。2正则化正则化是一种在损失函数中引入额外项的方法，用于惩罚模型的复杂度。正则化可以约束模型的参数，从而避免模型在训练过程中过拟合。过拟合是指模型在训练数据上表现很好，但在新的测试数据上表现较差的现象。常见的正则化方法包括L1正则化、L2正则化和Dropout等。3模型集成模型集成是一种将多个模型的预测结果进行融合的方法。模型集成可以帮助消除单个模型的缺点，并提高模型的泛化性能。常见的模型集成方法包括Bagging、Boosting和Stacking等。Bagging和Boosting是两种集成方法，它们通过对训练数据进行不同的采样和加权来训练多个模型，并将它们的预测结果进行平均或加权融合。Stacking是一种更加复杂的集成方法，它将多个模型的预测结果作为输入，并使用另一个模型来预测最终的输出。4领域自适应领域自适应是一种将已有的模型应用到新的领域中的方法。在新的领域中，训练数据往往不足或分布不同，因此在这种情况下，直接使用已有的模型可能会导致泛化性能下降。领域自适应方法可以通过在已有模型中引入领域自适应机制，来适应新的领域数据。例如，在自然语言处理中，可以使用基于预训练语言模型的领域自适应方法。5对抗训练对抗训练是一种将对抗性样本引入训练数据中的方法，用于提高模型的鲁棒性。对抗性样本是指经过有意制造的变化，使得模型在处理该样本时出错的样本。对抗训练可以通过训练模型在对抗性样本上的鲁棒性，来提高模型的泛化性能。例如，在图像分类任务中，可以通过添加噪声或扰动来生成对抗性样本。

机器学习模型在许多应用场景中发挥着重要作用，但是模型的存储和计算资源消耗往往是带来挑战的关键因素。为了提高模型的性能和效率，在模型设计和优化过程中需要重点考虑如何减少存储和计算资源的消耗。①模型压缩和精简②模型结构优化③模型量化和加速④基于剪枝的可由实施算法一、模型压缩和精简模型压缩是一种减少存储资源消耗的重要技术。通过压缩模型的参数、权重和结构，可以减小模型的存储空间。常见的模型压缩方法包括剪枝、量化和低秩分解。剪枝是指通过减少模型中不重要的连接权重来降低模型的复杂度。量化是指将模型中的参数从高精度表示转换为低精度表示，以减小存储需求。而低秩分解则是将模型的权重矩阵分解为低秩近似矩阵，以减少存储和计算开销。二、模型结构优化模型结构优化是进一步减少计算资源消耗的关键步骤。通过精心设计模型的结构，可以降低计算复杂度和存储需求。常见的模型结构优化方法包括卷积操作优化、网络剪枝和特征选择。卷积操作优化是指通过引入空洞卷积、深度可分离卷积等技术，减少卷积操作的计算量和存储需求。网络剪枝是指通过去除低重要性的通道和层来减小网络的尺寸和计算复杂度。而特征选择则是在模型训练过程中，选择对任务有重要影响的特征，舍弃冗余信息，减小存储和计算开销。三、模型量化和加速除了以上提到的方法外，模型量化和加速也是减少计算资源消耗的重要手段。通过对模型进行量化，将模型参数从浮点表示转换为定点表示，可以降低计算的复杂度和存储需求。此外，使用专门的硬件加速器例如GPU、TPU等可以提供更高的计算能力，加速模型的推理过程。另外，将模型部署到分布式计算环境中，可以通过并行计算来提高计算效率。四、基于剪枝的可由实施算法剪枝是一种有效的模型优化技术，可以减小模型的计算和存储开销。此外，通过剪枝可以提升模型的泛化能力和鲁棒性。基于剪枝的可由实施算法包括层级剪枝算法、通道剪枝算法和权重剪枝算法。层级剪枝算法是指通过移除整个层或通道来减小模型的计算量和存储需求。通道剪枝算法是指通过剔除某些通道来减少计算复杂度，而权重剪枝算法是指通过移除模型中小于某个阈值的权重来简化和优化模型。总结起来，优化机器学习模型的存储和计算资源消耗是一个复杂而关键的任务。通过模型压缩和精简、模型结构优化、模型量化和加速以及基于剪枝的可由实施算法等方法和技术，可以减少存储和计算开销，提高模型的性能和效率。这些优化措施可以在不降低模型准确性的情况下，提供快速高效的机器学习应用。随着技术的不断发展，更多创新方法和工具将进一步推动机器学习模型的存储和计算资源消耗的优化。

2023年AI Gallery不同等级开发者权益及细则技术等级的不断升级，除了可以解锁对应的权益外，还能获得额外的成长值奖励。您可以使用成长值兑换AI GalleryAI课程，兑换AI Gallery平台专项算力资源，也可以兑换礼品（兑换专区请待上线）。

当各位开发者们首次使用华为云ModelArts时，总会遇到一些问题，本人针对大家遇到的问题做了分类总结，比如自动学习、worlflow、数据管理、开发工具、算法管理、训练管理、AI应用管理、部署上线、镜像管理、资源池、AIGallery以及NoteBook相关的一些常见问题，这里整理论坛官方人员或者优秀开发者的回答，每月更新，欢迎补充！本FAQ收集ModelArts用户常见问题，并进行解答，供大家查询。1.ModelArts官方文档：成长地图_AI开发平台ModelArts_华为云 (huaweicloud.com)2.AI_Gallery官方入口：AI_Gallery_AI模型案例_华为云 (huaweicloud.com)一般性问题（持续更新ing）Q：什么是ModelArts？A：ModelArts是面向AI开发者的一站式开发平台，提供海量数据预处理及半自动化标注、大规模分布式训练、自动化模型生成及模型按需部署能力，帮助用户快速创建和部署AI应用，管理全周期AI工作流。“一站式”是指AI开发的各个环节，包括数据处理、算法开发、模型训练、创建AI应用、AI应用部署都可以在ModelArts上完成。从技术上看，ModelArts底层支持各种异构计算资源，开发者可以根据需要灵活选择使用，而不需要关心底层的技术。同时，ModelArts支持Tensorflow、MXNet等主流开源的AI开发框架，也支持开发者使用自研的算法框架，匹配您的使用习惯。ModelArts的理念就是让AI开发变得更简单、更方便。面向不同经验的AI开发者，提供便捷易用的使用流程。例如，面向业务开发者，不需关注模型或编码，可使用自动学习流程快速构建AI应用；面向AI初学者，不需关注模型开发，使用预置算法构建AI应用；面向AI工程师，提供多种开发环境，多种操作流程和模式，方便开发者编码扩展，快速构建模型及应用。Q：为什么选择华为云AI开发平台ModelArtsA：Q:ModelArts的架构全览是怎样的？A:AI高效开发提供端到端模型生产线，高效开发、调试和调优大模型应用和场景化应用提供端到端监控工具，智能运营运维MLOps高效迭代AI模型，持续提升精度数智融合，数据服务与AI开发全流程打通对接AI Gallery，便捷使用开源大模型等预置资产AI高效运行提供AI加速套件，支持数据加速、训练加速和推理加速，支持分布式高效训练和推理提供高性价比昇腾算力支持大规模异构集群及调度管理AI高效迁移提供全流程云化昇腾迁移工具链，支撑用户AI业务全栈国产化提供迁移专业服务Q:ModelArts的应用场景如何？A:Q：ModelArts与其他服务的关系A：如图所示Q：ModelArts与DLS服务的区别？A：深度学习服务（DLS）是基于华为云强大高性能计算提供的一站式深度学习的平台服务，内置大量优化的网络模型，以便捷、高效的方式帮助用户轻松使用深度学习技术，通过灵活调度按需服务化方式提供模型训练与评估。但是，DLS服务仅提供深度学习技术，而ModelArts集成了深度学习和机器学习技术，同时ModelArts是一站式的AI开发平台，从数据标注、算法开发、模型训练及部署，管理全周期的AI流程。直白点解释，ModelArts包含并支持DLS中的功能特性。当前，DLS服务已从华为云下线，深度学习技术相关的功能可以直接在ModelArts中使用，如果您是DLS服务客户，也可以将DLS的数据迁移至ModelArts中使用。Q：如何购买或开通ModelArts？A：ModelArts是一个即开即用的平台，无需购买或开通，直接进入ModelArts管理控制台，完成全局配置，然后选择所需功能，直接使用即可。ModelArts平台仅针对使用计算规格的功能才涉及计费，公共资源池全部为按需模式，根据选用规格以及作业运行时长收费。专属资源池可按需购买，也可选择包年包月购买，在运行训练作业或部署服务时，选择专属资源池，无需另外付费。Q：支持哪些型号的Ascend芯片？A：目前支持Ascend 310和Ascend 910。Ascend应用案例请参见Ascend应用样例。模型训练：支持使用Ascend 910训练模型。其中ModelArts提供了可直接使用Ascend 910训练的算法。模型推理：在ModelArts中将模型部署上线为在线服务时，支持使用Ascend 310规格资源进行模型推理。模型转换：针对不适用于Ascend芯片的模型，您可以使用ModelArts转换模型，转换后的模型可以应用于Ascend芯片，当前ModelArts转换的模型支持Ascend 310芯片。在ModelArts中，转换模型仅支持使用Caffe或TensorFlow框架开发的模型。Q：如何获取访问密钥？A：AI专业术语主要包括以下几个：人工智能（Artificial Intelligence，AI）：指机器能够模拟人类智慧和行为，做出决策并执行任务。机器学习（Machine Learning，ML）：从数据中自动提取模式的一种方法，用于训练计算机模型，以便能够进行预测和决策。深度学习（Deep Learning，DL）：一种机器学习方法，它利用深层神经网络来执行复杂的学习任务。神经网络（Neural Network，NN）：一种模仿人类大脑神经元组织的计算模型。自然语言处理（Natural Language Processing，NLP）：计算机对自然语言的处理，包括语音识别、自然语言理解和生成等任务。算法（Algorithms）：是神经网络或其他机器提供的一套规则或指令，以帮助它自己学习：分类、聚类、推荐和回归是四种最流行的类型。自主计算（Autonomic Computing）：系统的自适应自我管理能力，用于高级计算功能，无需用户输入。聊天机器人（Chatbots）：旨在通过文本聊天，语音命令或两者进行通信来模拟与人类用户的对话。它们是包含AI功能的计算机程序的常用接口。分类（Classification）：分类算法允许机器根据训练数据为数据点分配类别。这些术语是人工智能领域的基础知识，了解这些术语有助于更好地理解和应用人工智能技术。当前AI大模型使用了多种技术和方法，其中一些主要的包括：深度学习（Deep Learning）：深度学习是许多AI大模型背后的基础技术，它包括多层神经网络结构，如卷积神经网络（CNN）、循环神经网络（RNN）、变换器（Transformer）等，这些网络结构可以用于处理各种类型的数据，如图像、文本、语音等。自监督学习（Self-Supervised Learning）：自监督学习是一种无需人工标注大量数据的学习方法，它利用数据本身的结构和特性进行学习。通过预测数据中的某些部分或者执行类似的任务，模型可以在没有显式标签的情况下进行学习，从而降低了对标注数据的需求。迁移学习（Transfer Learning）：迁移学习允许模型在一个任务上学习的知识或表示在另一个相关任务上进行重用。这种方法可以大大减少在新任务上需要的标注数据量，并提高模型的泛化能力。多模态学习（Multimodal Learning）：多模态学习涉及将来自不同传感器或数据源的多种类型数据（如图像、文本、语音等）结合起来进行建模和学习。这种方法可以提供更丰富的信息表示，从而改善模型的性能。强化学习（Reinforcement Learning）：强化学习是一种通过与环境的交互来学习最优行为策略的方法。在某些情况下，强化学习被用于训练AI大模型，特别是在需要进行决策或行动的场景中。生成式对抗网络（Generative Adversarial Networks，GANs）：GANs是一种生成模型，由生成器和判别器组成，它们相互对抗以提高生成器生成真实样本的能力。这种技术被广泛应用于生成各种类型的数据，如图像、文本等。注意力机制（Attention Mechanism）：注意力机制允许模型在处理序列数据时动态地关注输入的不同部分，从而提高了模型对序列数据的建模能力。Transformer模型中的自注意力机制已经成为许多自然语言处理任务的标准组件。持续学习（Continual Learning）：持续学习是一种模型能够在接收到新数据时不断更新和适应的学习方式。这种技术对于在长时间内保持模型的性能和适应性非常重要。这些技术往往不是单独存在的，而是在实际应用中相互结合和交织，以构建更强大、更灵活的AI大模型。下次有时间继续更新 2024/3/18月人工智能社区问题答疑原文章地址，开发者请点击下方即可了解~AIGC和生成式AI有什么区别吗？_人工智能_华为云论坛 (huaweicloud.com)数字内容生产线（MetaStudio）API的使用有示例吗？_人工智能_华为云论坛 (huaweicloud.com)发布notebook到AI Gallery后提示参数错误(item does not exist.)_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)为什么yolov7-tiny转onnx后精度下降很大？_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)ModelArts TensorFlow 2.1框架导入tf.keras预训练网络失败解决方法_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)创建数据集错误_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)GPU 1*P100资源创建失败，好多天了一直创建不成功_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)盘古试用账号受限，已完成实名注册，需要缴费吗_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)使用mindspore-yolov5训练自己的数据_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)【2023华为云杯+关于预测时长较长导致的"error_msg": "Backend timeout"错误求助】_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)在线部署批量部署的日志都显示进程报错怎么办_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)AttributeError: 'NoneType' object has no attribute 'split' 什么问题呢？？_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)使用pycharm toolkit上传训练任务报错No such file or directory_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)9月人工智能社区问题答疑原文章地址，开发者请点击下方即可了解~如何区分AI绘画与人类作品？_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)求大佬告知ValueError: Failed to read the checkpoint file /home/ma-user/.mindspore/models/swin_tiny-0ff2f96d.ckpt._AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)训练作业：ValueError: data validate error_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)modelarts训练管理里面的ascend只有mindspore1.7版本 需要1.9版本怎么办_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)图像搜索API服务调用实验中的实验手册问题_人工智能_华为云论坛 (huaweicloud.com)盘古大模型的上下文窗口长度支持多少_人工智能_华为云论坛 (huaweicloud.com)mindx sdk如何实现存储视频流的某一帧？_人工智能_华为云论坛 (huaweicloud.com)modelarts训练管理里面的ascend只有mindspore1.7版本 需要1.9版本怎么办_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)训练作业：ValueError: data validate error_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)mindx sdk如何实现存储视频流的某一帧？_人工智能_华为云论坛 (huaweicloud.com)盘古大模型的上下文窗口长度支持多少_人工智能_华为云论坛 (huaweicloud.com)华为云论坛_云计算论坛_开发者论坛_技术论坛-华为云 (huaweicloud.com)10月人工智能社区问题答疑原文章地址，开发者请点击下方即可了解~modelbox部署 在rk3588s上，运行hello_world demo 报错debain os need load libgomp_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)ModelArts创建notebook进入终端训练模型产生的文件如何导出？_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)CPU：2核心8GB 使用conda创建虚拟Python环境会有很大的几率失败，报错如下：（大于此规格目前正常）_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)ModelArts创建notebook进入终端训练模型产生的文件如何导出？_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)关于AI Gallery平台成长值兑换平台专项算力资源的活动什么时候上线啊？_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)新手教程怎么都这么难，这是什么原因啊大佬们！！_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)如何有效地利用ModelArts进行模型训练和调优？_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)11月人工智能社区问题答疑原文章地址，开发者请点击下方即可了解~电脑套接字向Atlas200L DK2传输wav文件报错_人工智能_华为云论坛 (huaweicloud.com)Modelarts 是否支持生产控制的训练？_人工智能_华为云论坛 (huaweicloud.com)MindSpore安装问题如何解决啊_人工智能_华为云论坛 (huaweicloud.com)MoE-LLM模型在自然语言处理任务中，如何选择合适的预训练模型作为基座进行微调？有没有一些预训练模型选择的实用技巧？_人工智能_华为云论坛 (huaweicloud.com)如何利用AI开发平台ModelArts来对管道漏液进行训练模型，是否有最佳实践可以参考？_人工智能_华为云论坛 (huaweicloud.com)如何结合MoE-LLM模型和其他深度学习模型进行联合建模？例如，与生成对抗网络（GAN）或变分自编码器（VAE）等模型进行结合。_人工智能_华为云论坛 (huaweicloud.com)MoE在解决不平衡数据问题时，有没有一些有效的处理方法？比如过采样、欠采样或者其他的处理策略？有没有可用的过采样或欠采样技术？_人工智能_华为云论坛ModelArts授权报错_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)(huaweicloud.com)在使用MoE-LLM模型进行模型开发时，如何确定模型的架构和参数设置？有没有推荐的实践方法或经验准则？_人工智能_华为云论坛 (huaweicloud.com)ModelArts授权报错_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)notebook如何导出文件？用终端命令可不可以？_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)AI HUB里已有的Resnet50算法，跑290epoch时报模型存储路径错误_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)华为有没有AI辅助编程工具呀？_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)下载微调代码时出错，有没有大佬帮忙解决一下。_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)请问notebook下载代码之后是这个样子如何解决_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)【百模千态 请问一下health检查一直报404怎么搞】_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)modelarts 跑baichuan2-13B-chat 训练作业16卡全参微调_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)运行微调代码时报错“RuntimeError: Syntax error. ”_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)【百模千态 请问这是什么原因？】_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)12月人工智能社区问题答疑原文章地址，开发者请点击下方即可了解~人脸识别的访问速度是多少？_人工智能_华为云论坛 (huaweicloud.com)人脸识别可以在哪些国家和地区使用？_人工智能_华为云论坛 (huaweicloud.com)人脸识别接入是否需要申请？_人工智能_华为云论坛 (huaweicloud.com)CodeLab上传文件失败，无法保存！_人工智能_华为云论坛 (huaweicloud.com)华为云盘古大模型的文生图功能是只能生成卡通的，还是能生成逼真的真人画面？_人工智能_华为云论坛 (huaweicloud.com)华为云的盘古大模型 NL2SQL的能力如何？是否支持多表连接 和 窗口函数这种复杂的操作？_人工智能_华为云论坛 (huaweicloud.com)华为云的盘古大模型，你们申请通过了吗？对话效果和ChatGPT3.5相比怎么样_人工智能_华为云论坛 (huaweicloud.com)如何查看人脸识别资源包的余量？_人工智能_华为云论坛 (huaweicloud.com)人脸识别会根据人像采集摄像机的数量计费吗？_人工智能_华为云论坛 (huaweicloud.com)人脸识别的人员库管理相关接口哪些是收费的？_人工智能_华为云论坛 (huaweicloud.com)人脸识别的人员库图片保存是否会额外收存储费用？_人工智能_华为云论坛 (huaweicloud.com)人脸识别增加人员管理人数要计费吗？_人工智能_华为云论坛 (huaweicloud.com)人脸识别同一张照片多次调用接口如何计费？_人工智能_华为云论坛 (huaweicloud.com)人脸识别账单结算扣费顺序？_人工智能_华为云论坛 (huaweicloud.com)人脸识别如何收费？_人工智能_华为云论坛 (huaweicloud.com)自动识别云宝的实验中，需要人工标注边界，一个个标注太麻烦了，对于这类项目，是否有更简便的标注方法？_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)如何将自己训练好的模型分享到AI Gallery上？_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)如何将自己开发的算法分享到AI Gallery中？_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)目标检测训练模型一直运行中，不进入下一阶段_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)代金券点进去领不了_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)百模千态】求助从obs下载微调代码，无法把所有微调代码下载下来_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)[百模千态] 提交作品后，提示batch create service failed是什么原因_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)【百模千态】请问模型调试好部署的时候需要制镜像吗_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)【百模千态 no module named mindpet】_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)【百模千态 no module named mindpet】_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)PYQT+open3d 显示模型 模型闪一下后消失_人工智能_华为云论坛 (huaweicloud.com)华为云论坛_云计算论坛_开发者论坛_技术论坛-华为云 (huaweicloud.com)【基础问题】如何理解AI算力指标，比如算力是1000P是多大的规模？_人工智能_华为云论坛 (huaweicloud.com)如何使用人脸识别、语音识别、自然语言处理等人工智能服务？_人工智能_华为云论坛 (huaweicloud.com)人工智能服务的价格计费模式是怎样的？_人工智能_华为云论坛 (huaweicloud.com)数据管理下的创建数据集，新用户该去哪里找啊_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)ModelArts平台新用户数据管理模块不可见，创建数据集在哪里啊_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)ChatGLM3-6B 模型初探笔记_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)2月人工智能社区问题答疑原文章地址，开发者请点击下方即可了解~在ECS windows部署Llama2 尝试使用MLC运行，但出现以下报错，求助_人工智能_华为云论坛 (huaweicloud.com)atlas300P3 在容器中访问rtsp流地址报错No route to host_人工智能_华为云论坛 (huaweicloud.com)ECS上面，我看机器学习推荐的只有N卡，想问下华为自己的显卡在ModelArts那边不是能用，为啥还没上ECS_人工智能_华为云论坛 (huaweicloud.com)昇腾310（Ascend 310）能不能用来搭建stable diffuse_人工智能_华为云论坛 (huaweicloud.com)acl init failed, errorCode = 100039_人工智能_华为云论坛 (huaweicloud.com)[问题求助]偶现SVP_NPU推理报错，错误码：200005_人工智能_华为云论坛 (huaweicloud.com)ModelArts 训练一段时间后中断_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)如何在modelarts中利用AI gallery提供的算法进行准确性输出？_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)转示例模型Transformer-SSL报错：EA0000: Compile operator failed, cause: Tensor temp_iou_ub appiles buffer size(156160B) more than_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)在项目的JupyterLab中设置vscodeSSH，跳转到华为云页面，显示错误ModelArts.6404，notebook实例不存在_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)3月人工智能社区问题答疑原文章地址，开发者请点击下方即可了解~云计算在人工智能中的作用是什么？_人工智能_华为云论坛 (huaweicloud.com)如何确保人工智能系统的合规性？_人工智能_华为云论坛 (huaweicloud.com)支持向量机（SVM）是如何工作的？_人工智能_华为云论坛 (huaweicloud.com)昇思MindSpore大模型平台上写readme文档图片无法显示_人工智能_华为云论坛 (huaweicloud.com)图形分类算法现在哪个比较好_人工智能_华为云论坛 (huaweicloud.com)图像识别与目标检测的区别是什么？_人工智能_华为云论坛 (huaweicloud.com)自然语言处理（NLP）的主要任务有哪些？_人工智能_华为云论坛 (huaweicloud.com)卷积神经网络（CNN）在图像处理中的应用是什么？_人工智能_华为云论坛 (huaweicloud.com)盘古大模型应该如何集成到应用中？_人工智能_华为云论坛 (huaweicloud.com)请问下华为云的服务_人工智能_华为云论坛 (huaweicloud.com)ERROR: Could not install packages due to an OSError: [Errno 2] No such file or directory: '/home/ma-user/modelarts/packa_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)ERROR: Could not install packages due to an OSError: [Errno 2] No such file or directory: '/home/ma-user/modelarts/packa_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)ModelArts下如何使用yum/apt-get_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)Error collect2: fatal error: cannot find 'ld'_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)部署小滕的教程寻求_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)数据校验报错_AI开发平台ModelArts_人工智能_华为云论坛 (huaweicloud.com)