华为云人工智能高峰论坛-盘古大模型赋能城市数字化转型

开发仍处于作坊模式，一个场景需要开发一个模型，模型开发周期长达数月，无法快速适应城市数字化转型过程中越来越多的创新场景。华为云发布的盘古系列大模型，可以实现一个大模型在众多场景中的泛化和规模复制，让 AI 开发由作坊式转变为工业化开发的新模式。让城市智慧应用的快速创新成为了可能。盘古大模型能够支撑城市各行

全景图像拼接简介

图像拼接涉及到矫正图像、对其与匹配图像、融合、统一光照、无缝连接、多尺度重建等各个图像算法模型与细节处理，可以说是图像处理技术的综合运用。特别是最近几年收到深度学习的影响，各种基于深度学习的图像对齐与拼接技术也取得了长足发展。图像拼接流程图像拼接流程主要是针对输入系列视频帧或者图

自然语言处理（NLP）技术的突破与未来趋势

规则的方法到统计学方法，再到如今的深度学习方法的演进。1.1 传统NLP方法传统的NLP方法多基于规则、词典和统计学模型，例如：基于规则的语言处理：通过人为设定语言规则（如语法和句法规则）进行文本分析。统计学习模型：使用统计模型（如隐马尔可夫模型HMM、条件随机场CRF等）进行词

基于昇腾CANN的推理应用开发快速体验（Python)

这是昇腾团队基于 pyACL 封装好的一套工具库，可以更加便捷的使用，但可能存在更新不及时的问题，也不易于优化提升，以及个人学习理解，建议能不用，则不用。 5.3 加载模型 既然要调用模型进行推理，首先当然是要把模型加载进来。ACL 提供了多种模型加载和内存管理方式，这里我们只

MindSpore v1.0使用体验分享

我理解深度学习，从数据的转换、封装到卷积层、池化层和全网络的设计，从训练、测试到推理，实操一遍后，让我对深度学习有了更深层次的认知，还加大了我对LeNet、Resnet50、AlexNet等网络的下去，对算法模型和调参有了更大的兴趣，一遍遍的训练模型以达到最好的训练精度。安装环境

华为OD机试真题 - 停车场车辆统计

视频捕捉：利用摄像头获取停车场的视频流。 车辆检测与识别：应用深度学习模型（如YOLO）识别并定位车辆。 轨迹跟踪与计数：基于车辆运动轨迹判断车辆的进入和离开，精确更新车辆数量。 算法思路： 初始化：设置摄像头参数与载入预训练模型。 帧处理：从视频流中逐帧提取图像。 车辆检测：识别当前帧中的所有车辆。

基于深度强化学习的石油炼化过程智能优化策略

过程的环境模型。 强化学习智能体建模：建立一个基于深度强化学习的智能体模型，将环境模型的状态作为输入，并输出一个动作（催化剂投入量）。 奖励函数设计：根据能源消耗的变化设计一个奖励函数，用于评估智能体的行为。 模型训练与优化：使用环境模型、智能体模型和奖励函数，进行模型的训练和优化。

【CANN训练营第三季】特邀直播预告 | 11月15日晚19:00，OpenMMLab算法的昇腾部署方法

AI 开发路漫漫，什么才是真正的极客精神？

准备、算法开发、模型训练、模型管理、模型推理全链条产生质的飞越。相比于1.0版本，ModelArts2.0发布十余项新特性及服务，包含智能数据筛选、智能数据标注、智能数据分析、多元模型自动搜索、ModelArts SDK、图神经网络、强化学习、模型评估/诊断、模型压缩/转换、难例

《知识计算即服务：赋能企业知识化转型》——华为云知识图谱负责人郑毅博士主题演讲

处于初级阶段。当前被广泛使用的深度学习方法容易受到对抗样本的干扰已经是研究者们达成的共识，追其根本原因，张钹院士曾总结为：大家只是在灯亮的方向对模型修修补补，没有向人类深入学习。更为具体的是：没有在数据驱动的基础上引入知识，没有改变深度学习网络的模型与结构。那么引入了知识的人工智能将给产业带来怎样的改变呢

深度学习前常见的python基础知识

load file containing pickled data when allow_pickle=False 需要更新numpy版本，或者该模型还没有完全训练好，是一个残缺的predict。

开发者福音！TinyEngine开启新篇章，服务端Java版本正式开源~

自然语言处理、机器学习和深度学习等技术，实现应用界面的自动生成、功能模块的智能推荐和代码的自动化生成等功能。 2、模型驱动：我们将致力于将低代码平台与模型驱动能力相结合，为用户提供更加高效、智能的开发体验。深入研究各种业务模型，包括数据模型、业务流程模型等，以了解其特性和需求。后

深度学习技术在测井解释中的未来发展方向

不确定性建模：深度学习模型通常具有较高的预测精度，但缺乏对不确定性的建模能力。未来的研究可以探索如何将不确定性引入深度学习模型中，以提供更可靠的解释结果。 代码示例： 下面是一个简单的代码示例，演示如何使用Keras库构建一个基于CNN的岩性分类模型： import numpy

CANN训练营学习小结

推理应用要用到的图像/视频预处理、模型推理、推理后的再次处理、再次推理和推理后处理做了封装。通过少量的代码修改可以实现大部分图像AI应用场景。实际测试性能可以达到单310芯片并发22路视频解码，公用yolov3检测模型然后调用color分类模型可以达到50帧/秒，能够满足大多数应用场景。 

从零开始学Pytorch（九）之批量归一化和残差网络

对输入的标准化（浅层模型） 处理后的任意一个特征在数据集中所有样本上的均值为0、标准差为1。 标准化处理输入数据使各个特征的分布相近 批量归一化（深度模型） 利用小批量上的均值和标准差，不断调整神经网络中间输出，从而使整个神经网络在各层的中间输出的数值更稳定。

深度残差收缩网络：（一）背景知识

度残差学习（ResNet）相较于传统的小波分析，深度学习算法（尤其是卷积神经网络）可以自动地学习所需要的滤波器，在一定程度上解决了构建合适滤波器的问题。深度残差网络ResNet是一种改进的卷积神经网络，通过引入跨层连接，降低了模型训练的难度，见下图：在跨层连接的作用下，网络参数的

机器学习:机器模拟人的意识和思维

机器学习的概念：机器学习是一种统计学方法，计算机利用已有数据得出某种模型，再利用此模型预测结果。特点：随经验的增加，效果会变好。简单模型举例：决策树模型预测班车到达时间的问题描述： 每天早上七点半，班车从 A 地发往 B 地，到达 B 地的时间如何准确预测？如果你第一次乘坐班车，

计算机考研：计算机网络五大考点解析

计算机知识点多且难，一直是学生们头痛的科目之一，我们化繁为简，按照考研计算机专业大纲解析，特归纳出计算机网络五大核心考点以供同学们复习参考。 ▶OSI参考模型的分层结构 OSI七层参考模型图如下： 最底层：物理层(PhysicalLayer)功能：数据物理传输 第二层：数据链路层(DataLinkLayer)功能：错误校验、纠正、组帧

【论文分享】图神经网络驱动的交通预测技术：探索与挑战

系统建模模型固定，难以准确地模拟变化多端的真实交通状况数据驱动统计分析模型算法和模型简易，实现方便模型建立在时间序列数据平稳的假设前提下机器学习模型可以提取与交通相关的特征，用于非线性数据的模型构建依赖于人工提取的交通特征，模型架构浅易、参数有限且计算效率较低深度学习模型能够让计

场景文本理解预训练PreSTU

分，给定第一部分，令模型预测第二部分的OCR文本。 2. 使用Prompt learning的方式，输入各个任务所对应的提示词，使得模型能够更好地适配下游任务。论文中使用image captioning和VQA两个任务。 【总体框架】 模型结构图 如图，模型整体是一个Encod