稳过！华为微认证ModelArts实现智能花卉识别稳过！

华为微认证ModelArts实现智能花卉识别稳过！

目录

• 华为微认证ModelArts实现智能花卉识别稳过！
  • ModelArts实现智能花卉识别的概述
  • ModelArts实现智能花卉识别的解决方案
  • ModelArts实现智能花卉识别所需的华为云技术
  • ModelArts实现智能花卉识别的华为云实践
  • 自测题
  • 实践
  • 测试常见题型
  • 人工智能网络简单介绍
    • RetinaNet
    • yolo
    • inception_v3
    • darknet
    • SegNet
    • ResNet
    • Faster_RCNN

ModelArts实现智能花卉识别的概述

ModelArts实现智能花卉识别的解决方案

ModelArts实现智能花卉识别所需的华为云技术

ModelArts实现智能花卉识别的华为云实践

自测题

实践

什么是OBS？对象存储服务（Object Storage Service，OBS）是一个基于对象的海量存储服务，为客户提供海量、安全、高可靠、低成本的数据存储能力，包括：创建、修改、删除桶，上传、下载、删除对象等。

import moxing as mox
mox.file.copy_parallel('s3://sandbox-experiment-resource-north-4/flowers-data/flowers-100', 's3://your_bucket_name/your_folder_name')

点击【选择】后在选择算法框中，点击【我的订阅】,在我的订阅算法中找到算法【图像分类-ResNet_v1_50】，点击算法名称，在弹出下拉框中选择【10.0.0】（算法是按订阅时间显示的，若之前已订阅则需往前查找该算法‘图像分类-ResNet_v1_50’）。

填写参数：① “名称”和“描述”可以随意填写；② “算法来源”中的“算法管理”，算法名称默认为之前选择的算法。③ “训练输入”->“数据来源”点击“数据存储位置”，选择1.2步骤中创建的存放数据的文件夹；④ “训练输出”->“模型输出”点击“选择”，选择1.2创建的OBS桶，并选择新建文件夹，创建一个输出文件夹 如：out⑤ “调优参数”：默认；⑥ 作业日志路径：默认；⑦ 资源池：公共资源池；⑧ 规格：GPU：1*NVIDIA-V100(32GB) | CPU：8核64GB；⑨ 计算节点个数：1；

2.2.通过可视化作业查看模型训练信息在模型训练的过程完成后，通过创建可视化作业查看一些参数的统计信息，如loss， accuracy等。操作如下：① 在“训练作业”界面，点击“可视化作业”，再点击“创建”按钮；② 参数“名称”，可随意填写；③ 规格：默认；④ “训练输出位置”选择2.2步骤中的训练输出位置；⑤ “自动停止”不设置（关闭）。点击“下一步”确认规格无误后点击“提交”完成此步。此步骤创建时间较长【约等待5分钟】，建议直接继续下一步实验，无需等待。

3.2.部署在线服务点击已创建模型名称前的下拉箭头，点击操作列中【部署】，选择部署菜单栏中的【在线服务】。或点击模型名称进入模型详情页，点击详情页右上角的【部署】，在部署菜单中选择【在线服务】。参数如下：① 计费模式：按需计费② 名称：自定义③ 是否自动停止：关闭④ 描述：自定义⑤ 资源池：公共资源池⑥ 服务流量限制：关闭⑦ 选择模型及配置：⑧ 模型来源：我的模型⑨ 模型：默认已选择所创建的模型名称及版本⑩ 计算节点规格：CPU：2核8GB其他配置默认即可。

点击“下一步”-＞“提交”完成部署。说明：部署模型为导入的模型。部署创建完成后，返回列表需要等待部署成功【约等待2分钟】，部署服务状态显示“运行中”，即可进行下一步操作。

4.发起预测请求点击刚刚部署上线（已完成部署）的在线服务名称，进入服务详情，点击“预测”标签，在此可进行在线预测，如下图所示。操作：选择预测图片文件，点击左侧“上传”选择pic文件夹内的图片资源，点击“预测”完成操作。说明：测试图片存放于桌面pic文件夹内。尝试更多图片预测，可点击桌面sunflower.sh脚本进行快捷搜索。

返回值如图所示，预测结果显示，所选图片与五种类型花卉的匹配程度为：dandelion：1.000（匹配度为100）tulip：0.000（匹配度为0%)

测试常见题型

IAM深入理解

统一身份认证（Identity and Access Management，简称IAM）是华为云提供权限管理的基础服务，可以帮助您安全地控制云服务和资源的访问权限。

AK/SK（Access Key ID/Secret Access Key）

登录验证策略

• 会话超时策略
• 账号锁定策略
• 账号停用策略
• 最近登录提示
• 登录验证提示

访问控制

• 允许访问的IP地址区间
• 允许访问的IP地址或网段
• 允许访问的VPC Endpoint

OBS

OBS是一项面向Internet访问的服务，提供了基于HTTP/HTTPS协议的Web服务接口，用户可以随时随地连接到Internet的电脑上，通过OBS管理控制台或各种OBS工具访问和管理存储在OBS中的数据。此外，OBS支持SDK和OBS API接口，可使用户方便管理自己存储在OBS上的数据，以及开发多种类型的上层业务应用。

对象是OBS中数据存储的基本单位，一个对象实际是一个文件的数据与其相关属性信息的集合体，包括Key、Metadata、Data三部分：

OBS资源管理工具：管理控制台、OBS Browser（已下线）、OBS Browser+、obsutil命令行工具、obsfs文件系统工具、SDK、API

• OBS支持如下请求方式：

  通过永久访问密钥访问OBS
  
  通过临时访问密钥访问OBS
  
  通过临时URL访问OBS
  
  通过IAM委托访问OBS

OBS支持通过权限控制（IAM权限、桶策略、ACL）、防盗链和跨域资源共享（CORS）进行访问控制。

OBS权限：Tenant Administrator、Tenant Guest、OBS Administrator、OBS Buckets Viewer、OBS ReadOnlyAccess、OBS OperateAccess

一个帐号及帐号下的所有IAM用户可创建的桶+并行文件系统的上限为100个。每个桶中存放的对象的数量和大小总和没有限制，用户不需要考虑数据的可扩展性。

由于OBS是基于REST风格HTTP和HTTPS协议的服务，您可以通过URL（Uniform Resource Locator）来定位资源。

产生碎片：

• 网络条件较差，与OBS的服务器之间的连接经常断开。
• 上传过程中，人为中断上传任务。
• 设备故障。
• 突然断电等特殊情况。

OBS支持以下两种方式的服务端加密：KMS托管密钥的服务端加密（SSE-KMS）、客户提供加密密钥的服务端加密（SSE-C）

ModelArts

由于模型训练过程需要大量有标签的数据，因此在模型训练之前需对数据进行标注。针对不同类型的数据集，支持在ModelArts中进行手工标注

ModelArts是一个一站式的开发平台，能够支撑开发者从数据到AI应用的全流程开发过程。包含数据处理、模型训练、模型管理、模型部署等操作，并且提供AI Gallery功能，能够在市场内与其他开发者分享模型。

ModelArts支持应用到图像分类、物体检测、视频分析、语音识别、产品推荐、异常检测等多种AI应用场景。

端-边-云分别指端侧设备、智能边缘设备、公有云。

MoXing是ModelArts自研的组件，是一种轻型的分布式框架，构建于TensorFlow、PyTorch、MXNet、MindSpore等深度学习引擎之上，使得这些计算引擎分布式性能更高，同时易用性更好。

访问ModelArts

云服务平台提供了Web化的服务管理平台，即管理控制台和基于HTTPS请求的API（Application programming interface）管理方式。

• 管理控制台方式
• SDK方式
• API方式

ModelArts系统策略：ModelArts FullAccess 、ModelArts CommonOperations

默认情况下，管理员创建的IAM用户没有任何权限，需要将其加入用户组，并给用户组授予策略或角色，才能使得用户组中的用户获得对应的权限，这一过程称为授权。授权后，用户就可以基于授予的权限对云服务进行操作。

计费方式：

• 按需计费：这种购买方式比较灵活，可以即开即停。在创建开发环境、创建训练作业、部署模型服务等页面中选择相应资源规格时购买。按实际使用的时长收费

• 预付套餐包

• 包周期（包年包月）购买

外部数据接入：AI Gallery、OBS、MRS、DWS、本地

人工智能网络简单介绍

RetinaNet

基于深度学习的目标检测算法有两类经典的结构：Two Stage 和 One Stage。

Two Stage：例如Faster-RCNN算法。第一级专注于proposal的提取，第二级对提取出的proposal进行分类和精确坐标回归。两级结构准确度较高，但因为第二级需要单独对每个proposal进行分类/回归，速度上就打了折扣

One Stage：例如SSD，YOLO算法。此类算法摒弃了提取proposal的过程，只用一级就完成了识别/回归，虽然速度较快但准确率远远比不上两级结构、

RetinaNet算法源自2018年Facebook AI Research的论文 Focal Loss for Dense Object Detection，作者包括了Ross大神、Kaiming大神和Piotr大神。该论文最大的贡献在于提出了Focal Loss用于解决类别不均衡问题，从而创造了RetinaNet（One Stage目标检测算法）这个精度超越经典Two Stage的Faster-RCNN的目标检测网络。

resnet，retinanet,fpn网络结构及pytorch实现代码

yolo

典型目标检测算法

inception_v3

经典卷积神经网络

卷积网络是大多数计算机视觉任务的 state of the art 模型采用的方法。

Inception v3 论文笔记

darknet

Darknet是一个比较小众的深度学习框架

yolo是模型；darkent是框架。作者：Joseph Chet Redmon开发了一个深度学习框架——Darkent,并且设计了多种yolo系列模型

Darknet53网络结构图及代码实现

SegNet

SegNet是Cambridge提出旨在解决自动驾驶或者智能机器人的图像语义分割深度网络

【语义分割】--SegNet理解

semantic segmentation

ResNet

深度残差网络（Deep residual network, ResNet）的提出是CNN图像史上的一件里程碑事件

你必须要知道CNN模型：ResNet

卷积神经网络百科

Faster_RCNN

RCNN（Region with CNN feature）是卷积神经网络应用于目标检测问题的一个里程碑的飞跃。

RCNN,Fast RCNN, Faster RCNN整理总结

一文读懂Faster RCNN