先把文件上传到obs，再使用Moxing库把文件拷贝到本地。示例如下：mox.file.rename('obs://bucket_name/obs_file.txt', '/tmp/obs_file.txt')

计算机视觉领域的入门书，可以看看Facebook 研究科学家 Richard Szeliski 的《计算机视觉：算法与应用》。这本书的英文版于 2010 年出版，成为很多人学习计算机视觉的入门教材。这本书写得很简单，很多内容都有代码，感兴趣的地方可以自己尝试美中不足的是，这本书写于十年前，涉及的机器学习、深度学习内容较少，而近年来，这两项技术又在视觉领域实现了爆炸式增长。为了弥补这一缺憾，最近，作者 Richard Szeliski 在自己的个人主页上宣布，《计算机视觉：算法与应用》第二版已经基本完成，并发布了新书的 PDF 版本新书主页：http://szeliski.org/Book/下载链接：https://www.dropbox.com/sh/88qvr1z7fpfx1tv/AAB4Ia3yEMuZ4WSzNWB5acTta?dl=0&preview=SzeliskiBookDraft_20200901.pdf另外也可以看看斯坦福大学计算机视觉实验室推出的 CS231n 这门课。该门课程由 AI 界王牌导师李飞飞主讲，作为一门计算机视觉的精讲课程，它主要介绍神经网络在计算机视觉领域的应用，涵盖图像分类、定位、检测等视觉识别任务，以及其在搜索、图像理解、应用、地图绘制、医学、无人驾驶飞机和自动驾驶汽车领域的前沿应用。

MoXing不支持本地安装，在ModelArts notebook里直接引用就好了  import moxing as mox

传统机器学习一般用7：3，现在随着数据量越来越大，用8:2或9:1比较多，还是需要自己尝试才能找到最佳的比例。

在开发环境jupyter或jupyter lab里都有一些 modelarts example，像手写数字识别，银行贷款预测，电影推荐、图像识别、分割等等也可以去ModelArts的官方代码库：https://github.com/huaweicloud/ModelArts-Lab/tree/master/ExeML或则 https://gitee.com/ModelArts/ModelArts-Lab?_from=gitee_search 最简单的上手方法  参加一些Modelarts的AI活动，如AI实战营，以及现在正在开展的AI人工智能全栈成长计划。

提升模型泛化能力有很多方法，比如：1、寻找更多的数据；2、数据增强，比如图像的翻转、随机的裁剪、旋转、缩放，随机噪声等3、正则化（Regularization）包括L1、L2（L2 regularization也叫weight decay）4、dropout等等。

自动化机器学习要解决的问题是，针对特定的一类或若干类机器学习任务，在没有人类专家干预且计算资源有限的条件下，自动化地构造机器学习算法流程。包括根据数据建立算法模型、算法效果评估、不断优化算法放果等。自动化机器学习在构造算法流程时的主要目标：1、能够在不同数据集甚至不同任务间泛化；2、不需要人类专家干预；3、计算效率（在有限的计算资源下、有限的时间内给出最优的算法流程）。自动化机器学习的研究方向包括：自动化特征提取、自动化模型选择、自动化模型参数调优、自动化模型结构搜索（主要针对神经网络）、自动化模型评估、元学习、迁移学习等。每一个研究方向又会包含多种具体技术，例如其中的自动化模型参数调优涉及的技术就有简单/启发式搜素、无梯度优化、强化学习、梯度下降优化等。

基于机器学习的无线管道设计、运营和优化自学习和自适应的网络自动化以及闭环优化主动式网络监测和根因分析用户体验驱动的网络规划主动安全防护

在某些传统行业，机器学习具有较好的可解释性，而深度学习就像一个黑盒子。传统的机器学习在制定完善的规则下，在处理较小规模的数据时，会展示出很好的性能，深度学习反而表现不佳；随着数据集的规模不断变大，深度学习的性能才会逐渐展现出来，并且越来越优良。 学习一下基础的机器学习还是很有必要的，入门可以看看西瓜书，或者听听 吴恩达的视频

目前ModelArts开发环境的Terminal不支持使用“apt-get”。可以使用自定义镜像来实现。https://support.huaweicloud.com/engineers-modelarts/modelarts_23_0084.html