建议使用以下浏览器,以获得最佳体验。 IE 9.0+以上版本 Chrome 31+ 谷歌浏览器 Firefox 30+ 火狐浏览器
请选择 进入手机版 | 继续访问电脑版
设置昵称

在此一键设置昵称,即可参与社区互动!

确定
我再想想
选择版块
直达楼层
标签
您还可以添加5个标签
  • 没有搜索到和“关键字”相关的标签
  • 云产品
  • 解决方案
  • 技术领域
  • 通用技术
  • 平台功能
取消

采纳成功

您已采纳当前回复为最佳回复

14

发帖: 1粉丝: 0

发消息 + 关注

发表于2020年01月09日 13:08:14
直达本楼层的链接
11#
显示全部楼层


首先非常高兴和大家一起参加AIoT在线训练营,由于第一次接触AIoT不熟悉,遇到很多问题,跟大家一起分享下,欢迎大家一起讨论学习。

第一次作业,主要产生的问题在于小熊派烧录,依赖软件根据实验手册安装下载都没有问题。关于小熊派烧录,说下遇到的几个问题:1、板子右上角有个开关需要调到ATMCU,才能正常烧录(在这卡了好久尴尬);2、烧录成功,华为云设备管理显示设备不在线,有几方面的问题I、没有成功连接WiFi,尽量不要使用含有中文的WiFi名称;II、WiFi连接成功,没有数据上传,一般情况下代码可能有问题,重新烧录问题一般都能解决;III、烧录成功,F2按键没有反应,我碰到的问题是修改配置文件中的IP地址引起的,其他情况欢迎大家补充。

第二次作业,问题不大,根据实验手册,按部就班来就可以了。有几点要注意的:1、实验中需要putty.exe和WinSCP连接cent os 如果是公司网络或者其他有限制的网络会出现连接失败的情况,尽量使用无限制的网络或者手机WiFi;2、做完实验及时删除各种资源,当然用的比较多的可以购买AIoT优惠包。

第三次作业和第四次作业放一起说,这两次作业涉及到好多代码,我很久没接触,一开始有点懵,在此多谢各位群里和论坛大佬指导,非常感谢!做完后发现其实吧,过程中很多运行中遇到的问题,都会有提示的,或者是路径问题,或者格式,或者没有导入等等吧。个人感觉遇到问题也不是坏事,我们在解决问题的时候,能加深印象,更好的熟悉和理解问题。

非常高兴能和大家一起共同学习,谢谢各位!


点赞1 评论 引用 举报

采纳成功

您已采纳当前回复为最佳回复

拯救拉灯

发帖: 0粉丝: 0

发消息 + 关注

发表于2020年01月09日 17:48:11
直达本楼层的链接
12#
显示全部楼层

关于此次试验的一些心得分享:

我是第一次做华为的物联网设备试验,前期自费考过华为HCIP-AI,对modelarts算是比较了解了。另外由于以前用过阿里云的产品因此对ECS,OBS的使用也是轻车熟路。华为云产品中DIS是第一次使用。

首先说下这次开发板,由于没有中奖,就自费在淘宝店“小熊开源社区”购买了开发板(参加华为课程享受一定折扣)。

关于第一次实验,按照课程实验手册,编译、烧录都很顺利,基本没遇到问题。只要细心点一般都不会出现什么问题,当然除了硬件本省有问题以外。其中有一点需要注意,手册中也有提到,建议开发板的wifi用手机热点会更家方便(一旦你实验过程中连续性较低,且你的地点不固定,用手机热点会更加方便,不会因为地址的变化要重新烧制代码)。

第二次实验,主要是购买ECS部署Java模拟终端跑数据,按照实验手册有两点需要注意:一是数据量要足够,这里个人认为不一定要跑1个半小时,1个小时左右应该差不多(数据量太大,对第三次、第四次实验有一定的影响,如模型的训练时间还有分簇的结果呈现);其次是在跑完数据后即可删除ECS,除非有购买套餐包,做完第二次实验就可删除ECS避免不必要的扣费;


另外在训练完模型后,无法保存模型是因为tonserflow没有选择1.8版本所致,这也是群友指出


第三次、第四次实验比较由于有群友趟雷,按照更新后的手册最终完成,但过程中一定要注意代码不要敲错,其次由于每次试验连续性不高,重启notebook后都需要运行一遍所有代码,否则会显示函数未定义。


最后在分簇的实验过程中,按照手册缺少一行代码注意加上:import matplotlib.pyplot as plt;第二就是前面说的如果你在第二次实验中跑的模拟数据量过大,按照手册的figsize是不够显示图像的,需要自行调整。比如我就把figsize改成了[18,15]

image.png


就分享这么多吧,祝大家实验顺利!欢迎指正!


点赞1 评论 引用 举报

采纳成功

您已采纳当前回复为最佳回复

linzhuofeng

发帖: 37粉丝: 5

发消息 + 关注

发表于2020年01月09日 19:51:44
直达本楼层的链接
13#
显示全部楼层
        此次实战课程融合了云计算、大数据、物联网、人工智能等新兴技术,贴近市场需求,理论加实验相结合,让我们快速上手AIoT,是一个非常用心难得的课程。
        首先小熊开发板让人比较欣喜的。兆易创新的GD32芯片,使用了二代的M3内核,内核频率提升,性能上相对是市面上同类型芯片有所提升,搭建Huawei LiteOS,在当前大环境下坚持国货当自强,性价比很高,产品化落地可行性也很高。
        AI是当前非常热门的技术,在各行各业逐步落地了很多应用,极大的提高了人们的效率。AI这两年迅猛的发展源于更高效算法的发明,算力的爆发性增长和海量有效数据的积累。数据是AI发展的燃料,IoT又是一个积累海量有效数据的重要场景,IoT也将推动AI真正的市场到来。
        华为在物联网上全面开花,通过华为云平台提供一整套AIoT解决方案,为企业和开发者提供了实实在在的便利,助力AIoT长足发展。
        IoT Studio对于开发者还是非常友好的,界面的配色很舒服,而且这个IDE能同时支持ST,海思,兆易创新等平台,也能支持JLink和OpenOCD在线调试,开发起来非常便捷。
        IoT设备众多,对海量数据的采集整理一直是件头疼事,华为云的数据接入服务DIS很好的解决了这个痛点,能将多种源数据进行统一归纳保存。华为云在安全方面做足了策略,在跨服务数据访问是需要AK和SK。AK和SK通过一个Excel表格下载下来后要牢记保存好,每个AK、SK只会提供一次下载。
        华为云的对象存储服务OBS提供海量、安全、高可靠、低成本的数据存储能力。IoT等设备采集到的海量数据通过DIS统一转存储到了OBS中,为AI模型训练做好准备。
        华为的弹性云服务器ECS在国内也是特别受欢迎的,配置完全可以由使用者根据场景决定,并且还可以动态扩缩容,安全稳定性也是非常有保障,此次试验使用了X86架构的服务器,建议下次可以尝试下使用自研鲲鹏ARM架构进行搭建,性价比更高。
        华为IoT Platform的一点很大的亮点在于安全方面的防护。应用想调用API首先就要进行认证鉴权,获取 accessToken,认证鉴权的前提又是需要认证证书文件client.crt 和 client.key。在获取到accessToken后还要配合之前的AK才能进行发送命令,并且accessToken只有3600s的有效期,进一步确保了安全。
        ModelArts又是华为云平台的另一个值得称道的产品,依赖于华为云强大的算力,提供数据预处理、模型开发、快速训练、云边端协同部署、共享平台等强大能力的一站式AI开发平台,让各专业层次人员都能高效便捷的进行AI开发。在模型训练中,数据量的大小对于模型的最终性能还是有挺大的影响作用,使用开发板采集的数据和jar包如果生成的数据如果太少,并且数据清洗没做好的好,会导致模型性能很差。
        整个课程下来我感触颇深。IoT是未来的大势所趋,但带来的如此庞大规模的数据分析是人力所不能及的,而数据无法转化为有意义的信息则变得毫无意义。AI技术刚好扮演着处理数据的重要角色,解决了IoT的重要难点,而通过物联网所得到的数据也成为了AI的养分,融合而成的AIoT也能够进一步改善当前技术生态环境。AIoT的已经广泛应用到智能家居、智慧城市、智能安防、工业机器人、车联网等多个大领域,前景十分光明,但仍然存在一些问题和障碍。首当其冲的还是安全性问题,其次还有兼容性及复杂性问题和AI相关的技术。华为让我看到了解决这些问题的希望,安全问题上,华为IoT和数据库的多层加密机制有很不错的保障。兼容性及复杂性问题上来说,IoT Studio已经支持多家芯片厂商,设备上报的数据格式也越来越趋向于统一,华为平台的强大整合号召能力也必将进一步推动行业的统一标准出炉。AI相关的技术上,ModelArts是一个很不错的解决方案,让更多的人更快速的上手AI,普及AI。
        最后,感谢此次课程的工作人员辛苦付出和群里小伙伴们的无私奉献。华为的强大,国之大幸!


点赞3 评论 引用 举报

采纳成功

您已采纳当前回复为最佳回复

zhengcheng2020

发帖: 2粉丝: 0

发消息 + 关注

发表于2020年01月09日 23:02:18
直达本楼层的链接
14#
显示全部楼层


   首先感谢华为老师们提供这次优秀的课程,通过这段时间AIoT的学习,从AI与IoT的融合,物联网终端数据源头的挖掘,华为云平台的搭建,到最后AI智能助力销售预测,让我对智能设备中AI及大数据所发挥的作用有了更深刻的理解。结合之前华为物联网训练营学习的物联网知识,更清楚的认识到智能硬件之所以智能背后的奥秘,如果智能硬件的终端设备是的躯干,那AI和大数据就是的智慧大脑和灵魂。这次学习,老师不仅讲解了智能终端,物联网平台以及大数据和各类AI算法原理,也通过小熊牌开发版做了详尽的实验演示,能通过实验更清晰的看到终端硬件是如何在AI大数据的助力下一步步变得更具智慧的,这种理论与实践的结合也帮助我从方案到落地迈出了重要一步,之前都是觉得AI和大数据都是遥不可及的顶端知识,多数时候即使感兴趣也只是看看资料,通过这次看老师的动手实验,结合实验手册自己也逐渐开始尝试去做,虽然依旧感觉挺难,但只要开始了尝试去实验,问题和解决方法也就开始一步步逐渐清晰起来。从一个自动售货机的小小案例开始,逐渐从终端设备层,网络协议层,物联网平台,到后面的AI算法和大数据,由浅入深的了解到了未来万物互联时代,AI及大数据将助力无数遍布生活中的智能终端,感知人们的生活,给予人们一个更便捷的生活方式。最后感谢老师们的辛苦讲解和小e班长的辛勤付出。


AI心得.jpg

点赞 评论 引用 举报

采纳成功

您已采纳当前回复为最佳回复

Khada

发帖: 0粉丝: 0

发消息 + 关注

发表于2020年01月10日 01:49:00
直达本楼层的链接
15#
显示全部楼层

首先感谢华为云平台提供的这次AIoT训练营的宝贵机会以及小熊PI等相关硬件。AI是近五年来炙手可热的话题,IoT则是历史悠久并且这几年来因为云服务的飞速发展,从而迅速占据未来方向的一个领域。物联网家居,物联网设备已经随处可见,但AI与IoT的结合,仍是目前的一个探究方向,相关的应用和成果还在逐步商业化当中。

 

作为一名刚刚毕业的普通本科生,我的大学五年一直在与网络,通信,运维打交道。AI与IoT的知识很难从课本中获取,相关实践更是难以触碰。华为E-Learning平台上线后,我一直在密切关注和学习着其中的一些课程。这次训练营当然我也没有错过。在我看来,AI与IoT都属于大众观念里不那么容易入手的项目,初识华为云的产品体系,虽分类清楚,但是像我这样的没有实际工作和使用经验的“小白”还是有些鸭梨山大。

 

拿到小熊派后,我立刻就开始了课程的学习,我的Macos的笔记本给了我第一个挑战,之前不曾触碰太多虚拟化的知识,我首先需要通过Vmware Fusion创建一个虚拟的windows系统供后续LiteOS和相关组件的安装。

 

安装可以说是一波三折,由于某些原因,实验过程中我无法借到win本,所以只能硬着头皮上,一步一步摸索虚拟机的安装,跨环境的传输文件(在此感谢最新测试版的VM可以直接读取我在mac上下载的文件)

 

经过一下午的折腾,终于成功的在mac里安装了win7,LiteOS及相关组件,修改了配套代码的基础参数信息后,烧录这一步,我又出现了N多问题,无数次烧录不成功,我拿着wifi模块陷入了沉思,和群里的朋友经过一番交流后也没有好的解决思路,于是我决定静下心来,冷静的复盘整个过程,(再次吐槽mac的闪电接口,拓展坞容易接触不良),最终解决了烧录不成功的问题。

 

中间失败的过程中,用TXT打开了CFG文件看了看内容,直接找到了原描述文件(我以为是内容写错了)做了一些测试,覆盖烧录了好几次,中间还黑屏了,好在最后还是成功了,成功的使屏幕显示出了相关的商品操作界面,并在设备接入模块中找到了自己先前注册的设备。看到电脑屏幕上的后台数据和“在线设备:1”,心里多少有点兴奋和喜悦感。(不容易啊!!

 

Winscp安装和操作没有问题,Putty我没有用,mac本的同学可以直接用系统自带的terminal,以root@ip的方式登录服务器即可

 

后续的导入数据,DIS和OBS的概念和操作模式让我很欣喜,老师的讲解非常的细致,整体过程步骤虽多,但是系统的逻辑设计上环环相扣,还是比较好理解和实践的。DIS就像是数据的水管,OBS像蓄水池,最后倒进了ModerArts这个训练水库里,联系非常紧密。收费模式和概念也非常的实用,尽可能的减少了服务的资源浪费,也为开发者节约了许多资金。(套餐很划算哦!

 

第三次和第四次的打卡实验由于时间问题我没有及时的打卡,现在正在利用空闲时间继续摸索着。前面我提到过,AIoT一定是将来的趋势,但是它的门槛还是有的,需要我们多多的用心学习和理解,并且经历相应的实践。

 

实验之余我还摸索了其他华为云服务的模块,有了一些浅显的了解,深感华为的技术强大和提供EI能力之强,我们这次AIoT训练营只是一个非常小的实验,以最小的资源单位完成了一个探索。Moderarts中还有很多像图像识别,数据标注等等的功能,我觉得十分有趣,留待以后探索。

 

HCIA-AI的免费课程最近也上线了,我也正在学习中,里面也对这次训练营的知识有了相当多的交叉补充,相信学完之后,我可以对AIoT有更深的理解和思考,从而对我以后的学习和工作有更大的帮助

 

最后呢,我以序号的方式分享一下我的对这次实验的总结

 

1.        实验Wi-Fi用手机的

2.        AK SK别忘记保存

3.        烧录不成功多试几次,插拔电源线

4.        按需计费更适合实验探索

5.        多试错,多点耐心

6.        有时间补补编程

7.        导json数据的时候最好超过一个小时

8.        Linux命令别敲错,文件夹和文件的关系


每一次熬夜或是一坐几个小时的摸索尚未学会的技术,实在是一件令人着迷的事情,所以我们才会选择这条路。多看视屏,多看实验手册,多看技术文档,少点浮躁,少点急功近利。别问,问就是热爱!

 

最后提前给大家拜个早年,感谢小e班长和交流群的各位大佬的帮助,谢谢大家!


点赞 评论 引用 举报

采纳成功

您已采纳当前回复为最佳回复

chenzeshi

发帖: 4粉丝: 0

发消息 + 关注

发表于2020年01月10日 19:55:47
直达本楼层的链接
16#
显示全部楼层
AIoT实战训练营,充实的半个月,满满的干货,满满的收获。
首先感谢华为云平台,感谢小e班长和其他工作人员以及群里热心的同学们的共同陪伴。


整理一下我在整个课程遇到的问题和笔记:


一、烧录失败问题。开发板左上角有一个UART开关,左边是连接到电脑的串口,右边是连接wifi模块的串口。MCU软件烧录时候用的就是串口,所以烧录时候比如拨到左边;程序运行时候需要进行联网,也就是需要用到wifi,所以需要拨到右边。

image.png


二、烧录时候由于CH340串口有时不太稳定,长时间烧录不成功需要重新插拔下数据线进行烧录,直至提示烧录成功,正常的烧炉时间不会超过5分钟。


三、IoT Stdio每次重启后,工程配置的烧录器OpenOCD参数都会被清空,每次重启后要烧录必须重新配置参数 “board/BearPi_IoT_GD.cfg”

image.png


四、LiteOS_lab程序逻辑是在wifi连接上网络后在点亮屏幕把菜单显示出来,烧录完后运行程序如果屏幕没亮,基本会有这几个问题。
1、第一如果wifi模块上面的蓝色灯没有闪,那说明拨码开关没拨到右边,也就是拨到wifi串口,此时wifi不工作,屏幕也不亮。

image.png

2、wifi模组灯亮,但是屏幕不显示,检查下wifi是否连接上了,如果是连接到路由器的话,可以到路由器的wifi界面查看开发板是否有连接;或者可以使用手机作为热点,这样更方便的确定是否有连接。


五、屏幕显示了,但是IoT Platform上面还是显示设备离线。需要再次确定CN_MQTT_EP_NOTEID(设备识别码),CN_MQTT_EP_DEVICEID(设备ID),CN_MQTT_EP_PASSWD(设备秘钥)是否有误,oc_tls_mqtt_demo.c文件修改后一定要记得Ctrl+S进行保存并且执行编译并通过。

image.png


六、DIS通道只要创建就开始收费的,不管开发板数据有没有上传。要停止收费的话必须把整个通道都删除了。

image.png


七 、obs文件夹层次路径一定要提前规划好。DIS默认是每300s转存一次,转存的数据要新建个文件夹,否则时间久了后,整个根目录会非常杂乱无章。


八、notebook建立时候挂载的路径也要非常注意,如果挂载在project目录下,project以及它的子文件夹的数据就可以在nootbook里面使用,但是project之前的文件夹内容,在notebook里面就不可见了,所以千万不能把路径挂载到了data下。

image.png


九、无法找到该路径问题。默认代码里面的json和csv文件路径和实际上的路径是不同的,一定要根据每个人定义的不同去修改,否则执行代码时候总是报无法找到该路径的错误。

image.png


十、json文件不存在问题。进入notebook运行环境后,先执行一下 “ls ~/work/” 命令看下路径下data文件夹和json文件是否存在,不存在的话要执行一下同步obs,会将当前notebook挂在路径下的数据同步到当前容器目录“~/work”下。包括如果obs有新更新的文件,也要再次执行同步。

image.png


十一、销售量预测的时候,ModelArts的notebook可以选择建立使用p100 gpu环境,model训练速度显著提高。

image.png


十二、在nootbook环境下生成的文件或者数据并不会自动放到obs上的,如果需要将文件导出到obs上,需要通过 session.upload_data(bucket_path="", path="") 来上传到obs

image.png


十三、只会选址最后面的plt没有定义,需要把相关包包含进来 import matplotlib.pyplot as plt

image.png


整个课程下来,收获颇丰。

华为的全场景能力让我深深折服,从AI核心技术的芯片和算力解决方案、开发框架、基础能力调用,再到芯片端开始,扎实的通信能力以及贯穿全流程的AIoT开发使能,避免开发者出现流程兼容障碍,将开发能力与成本聚焦在业务场景上。

最后,再次感激华为提供的难得的实战营机会。路漫漫其修远兮,愿在华为引领下,助力AIoT腾飞。


点赞2 评论 引用 举报

采纳成功

您已采纳当前回复为最佳回复

LostArtemis

发帖: 30粉丝: 8

发消息 + 关注

发表于2020年01月10日 21:18:57
直达本楼层的链接
17#
显示全部楼层

以下是我在AIoT在线训练营学习心得,疑问还有知识的整理的融合:

1.首先针对一些视频内容说一下自己的心得建议:

章节1.1 AIoT概述 – 通识AI和IoT

视频进度05:33:

提到语音翻译部分的举例,不要只说能解决什么问题,应该改成用什么技术解决了什么问题。会让整个课程更容易接受,例如:说到句子的理解上,可大概说一下LSTM的三个“门”的特性,为什么会出现这三个“门”,因为要解决长短句的理解问题等的方式来说明。不能因为是实战课程就忽略了基本知识点的讲解,因为学这课程的基本都是之前只学IoT或者只学AI的,比较少两方面都学过。

视频进度05:46:

 提到身份识别时可提及一下,如何提取图像特征,对特征做什么处理,特征对比等简单的特征介绍,和深层表示的意义会让没AI基础的同学往后学习更容易接受。

视频进度06:14:

  智能机器人能吸取教训适应环境,这里应该大概讲一下如何“吸取教训”,再讲如何“适应环境”是通过深度学习中的在线学习训练,还是通过强化学习、或是其它方式,只说能解决的问题,没说解决问题的技术要点,会被误认为:AI是神器,很多问题都能解决。事实却刚刚相反,现在的AI技术很多事情都不能解决,就拿目标检测来说一下:1.目标可能出现在图像的任何位置2.目标有各种不同的大小;3.目标可能有各种不同的形状,为了解决问题就需要设计更多神经网络,从中挑选最合适的。

视频进度11:21:

IoT的应用场景中,共享单车的场景讲得不错,从嵌入式芯片(物联网的硬件),GPS模块SIM卡检测位置(物联网的其中之一的通信方式),手机app(物联网数据的呈现方式,使用方式)。更明确需要学什么。

章节1.3剖析场景,溯源技术

视频进度 05:37:

机器学习算法介绍这里先讲解了商品销售预测中使用决策树算法,在售卖机地址中使用聚类算法等,最后再讲解有监督式学习,无监督式学习,半监督式学习,强化学习;总觉得这里应该将顺序反过来,在最后再简略讲解一下决策树算法,与聚类算法,让大家有个概念。

2.要解决的问题和方案的整理:

老款售卖机:1.数据存储格式,字段,数据类型有较大差别;

2.只能现金收款,数据维度单一(售卖品种不自动化统计),运维分析困难;

3.商品售卖销售数据无法实时上报;

4.由于商品缺乏动态数据,导致商品缺乏预测机制,无法预测商品销量等;

5.机器投放不科学,配送站点没有根据自动售卖机位置做个性化优化,配送成本居高不下;

解决方案:1.接入物联网并统一上报数据格式;

                2.实时监控,准确预测并及时精准进行商品投放;

          3.降本增效,优化售卖机地址投放。

小熊派开发板模拟实现售卖机数据实验的上报和开发,基于业务逻辑开发出统一的格式数据。

在小熊派开发板定义数据格式,括号里也包括我的疑问及思考,,

例如:

deviceld物理设备机器码(每台机器都需要识别的编码);

deviceID:为设备唯一标识,其中设备名称前面对应设备所在城市后缀为该城市下设备编号;(deviceld与deviceID两个命名方式像似,希望能讲明白一下为什么要这样使用?)

userID用户唯一身份标识表示,当现金交易时,为null(是否不同人的微信支付会显示那个人的唯一微信支付识别?)

userAge用户年龄标识范围15-50(年龄这数据要怎么获取?);

longitude:经度;

latitude:纬度(度的存在方便了用数据匹配配送站点的地址,但这里需不需要考虑交通状况和路径规划?);

orderTime:表示订单交易时间(我认为这是作为时间戳让数据分析有时间序列,因为这有这个包含时间信息);

payment:表示交易方式,包含Cash、WeChat、Alipay、UnionPay(顺便分析用户付费习惯?还是说只是为了确认平台消费额?);

water_Num:表示购买商品中纯净水的数量(为什么商品购买数量在0-3范围内?);

status:是否取消订单或订单交易失败标识(如果选择了商品,一直没按取消订单,一段时间后会属于订单交易失败?);

3. 项目组成及总结:

IoT平台:实现设备数据采集上云;提供规则引擎转发华为云其他云服务(可以讲解一下本实验需要转发到哪些云服务);支持上层应用调用API远程控制设备(跟据商品动态数据调整售卖机中的价格、状态、显示信息等实现智能运维管理,那么如果需要更换显示屏中显示的广告是否也可以在IoT平台远程更换?智能运维管理也可以大概讲解一下,下面再次看到就更容易接受)。

ModelArts介绍部分不错,简单明了告诉了别人ModelArts是什么、能做什么。本次实验主要解决商品预测分析,售卖机地址选择优化;

华为云ECS:为了做海量数据分析,需要配置相关JAVA环境的服务器做底层支持;

华为云DIS:小熊开发板及Java包运行的实时数据需要进行接入并转储,快速构建实时数据应用;当时我是感觉这功能非常实用,转数据格式、转协议、有时为了转协议还要去买硬件或软件,有时更糟糕的情况是数据要通过电脑转换,总之就是转转转,会让人崩溃,这功能大量简化了复杂度,值得肯定。

华为云OBS:数据介入后需要将落地数据存储。

微信截图_20200110195201.png

自动售卖机功能如下:

1.     选择商品:使用小熊派开发板中的F1按键进行商品的选择;

2.     购物车:F2按键将商品加入购物车;

3.     提交订单:当F1选择到Submit时按F2可以提交订单;

4.     接受命令:根据大数据分析结果来修改商品顺序。

自动售卖机技术架构:

平台层:华为云接入服务,数据集成,规则转发;

网络层:WIFI,MQTT协议,传输数据;

设备层:小熊开发板(GD芯片),LiteOS;售货机界面显示,订单数据收集。

微信截图_20200110202754.png

    物联网设备(数据),通信方式与协议(数据管道),人工智能(数据深度挖掘价值)三者结合,让不断增加的数据变成无可替代的价值而不是负担,数据让公司价值站稳脚跟。例如:有庞大的数据的公司知道用户需要什么及其它需要的附加项,而新成立的公司即使有最好的算法,也缺少对用户的了解。


点赞4 评论 引用 举报

采纳成功

您已采纳当前回复为最佳回复
发表于2020年01月10日 23:02:56
直达本楼层的链接
18#
显示全部楼层

学习完AIoT融合实践课程后感悟挺深的的以下是我的心得体会:

缺乏的数据:

因为我们课程没有真实的数据所以就跑了一些虚拟数据出来,先不管功能能不能实现,只想知道我的数据要多久这套系统才能完整跑起来实现预测商品销量,优化配送站点降低成本?让我想到了现在每个人都说工业是最容易实现AIoT的领域,因为工厂每天都有大量的数据,但这些数据真是满足我们训练要求的数据?

首先数据是否足够主要取决于两个方面:数据量和数据的质量,并不是单单只说数据的量。其实一方面相对互联网场景下动辄 PB 级的大数据,工业领域搜集的数据量级相对较小;另一方面,面向工业特定建模任务,算法模型很难获取足够的数据;又以预测性维护应用为例,工业系统需要的是稳定可靠,那么设备出错率本来就低,那么预测性维护应用的数据怎么能得到大量故障数据供平台训练模型。又比如一家铁路公司曾针对设备故障问题,尝试用知识图谱做推荐系统,把之前积累的众多故障维护、维修记录,包括行业老师傅的经验都搜集起来,放在一起做自然语言处理(NLP),并用知识图谱串联起来,但最终模型推荐准确率仅有 50% 左右。它作为一个反例印证了工业数据质量的重要性。

数据后面的意义:

例如:我们公司部署了一台售卖机在体育场附近,通过大数据得知这区域的人经常会买可乐那么这时候是否提高可乐的价格?是否调整可乐选项位置?当我们只是调整可乐的位置后发现销量直接下降,最后把可乐调整回去销量也未上涨,那问题出在哪里?很可能就是离体育场更近的地方有另一间公司的自动售卖机。很多时候只在表面看数据什么都看不出来。

又将我们出现的情况类比到工业上,就出现了,尽管各大云服务商拥有优质的架构、中台与算法,但在工业领域落地时,往往要借助行业集成商,才能提供全流程解决方案,核心就在于对工艺理解的匮乏。也产生了一些困境,知道数据意义的人不会有效使用数据,会使用数据的人不知道数据后面的意义,为了解决这困境我们需要:向行业有经验的人请教,增强对工艺的理解,将机理特征融合进模型,是目前较为有效的方法。

数据是否需要:

    智能化不可避免面临挑战。在政策的引导下,更多人力、物力、财力都会到位,数据一定是往后驱动社会发展的原动力。


点赞4 评论 引用 举报

采纳成功

您已采纳当前回复为最佳回复

ybxyjg

发帖: 1粉丝: 0

发消息 + 关注

发表于2020年01月10日 23:18:46
直达本楼层的链接
19#
显示全部楼层

心得体会:


  1. 这是我参加过的最认真的一次线上的训练营,我觉得最主要的原因就是在开营前“被迫”立了字据,这个真的很重要。

  2. 为了解决实验中遇到的问题,把华为云IoT论坛的帖子全部看了一遍。

  3. 为了完成第三个、第四个作业,把训练营微信群每一条聊天记录都读了一遍。

  4. 第一次把玩物联网开发板,第一次使用华为云的物联网服务,物联网在我脑海里不再是漫无边际的宏大概念,而是看得见、摸得着、用得上的手边玩具。

  5. 第一次使用华为的modelarts服务,明白AI开发原来是这么玩的,配合jupyter notebook,AI这个技术还是挺平易近人的嘛,除了那些费脑仁的数学公式。

  6. 为这个训练营花了很多很多时间,因为前面第一条。。。可惜还是在第三个作业卡住了,内心非常非常不甘心,问了群里的大佬、也在论坛发了帖子,可惜没能得到解决,我觉得非常可惜。。。不过我参加了抽体重秤的活动,顺带购买了modelarts 为IoT课程提供的包月服务,期望能在资源用完前把问题的症结找到。。。毕竟立过字据。

  7. 感谢华为提供这次学习的机会。

点赞 评论 引用 举报

采纳成功

您已采纳当前回复为最佳回复

晕晕地

发帖: 6粉丝: 0

发消息 + 关注

发表于2020年01月10日 23:53:46
直达本楼层的链接
20#
显示全部楼层

我是带着很多很多的问题来学习AIoT融合实践-自动售卖机整体解决方案课程的,下面是我的总结的心得:

1.     课程中购买的小熊派开发板需要什么条件才能接入华为云IoT平台?

1.WIFI模块:作为小熊派开发板与IoT平台的通信管道;

2.小熊派开发板自带LiteOS系统:华为物联网系统,可使用IoT Studio对小熊派开发板进行编程;

3.开通华为云设备接入服务。

2.     物联网平台数据如何连接 ModelArts 服务?

1.     华为云DIS:将小熊派开发板上传到IoT平台的数据,创建数据接入服务(DIS)通道,配置IoT平台与DIS 通道的连接;

2.     数据经过 DIS 流入后,使用华为云 OBS 服务可创建一个OBS 桶,用来存储数据;

3.     OBS 连接 ModelArts 服务;

4.     ModelArts 实例配置,使用“Sync OBS”同步数据。

3.     怎么产生数据?

在 ECS 集群上报模拟数据:

1.     ECS 集群环境配置,配置集群的 Java 开发环境;

2.     部署 Jar 包产生模拟数据,将模拟实时流式数据 jar 包上传至 ECS 服务器,运行 jar 包;

4.     怎么使用数据?

1. 数据预处理:字段转换,明确预测的区域和商品;

2. 数据集划分:将数据划分特征数据和标签数据,特征数据标准化,准备训练数据和测试数据;

5.怎么训练模型?

1. 构建模型:导入 keras 模块,构建神经网络;

2. 训练模型:使用交叉验证法搜索模型里的最佳超参;

3. 模型评估:结果平均化,测试数据检验;

4.模型保存:创建文件夹,保存模型。

6.如何使用模型?

    1. 模型应用:保存测试数据,新建 jupyter notebook,然后使用保存的模型进行预测。

7.配送仓库如何选址?

    1. 聚类分析:转化数据格式,建立聚类模型,聚类效果评估。


点赞7 评论 引用 举报

游客

富文本
Markdown
您需要登录后才可以回帖 登录 | 立即注册

结贴

您对问题的回复是否满意?
满意度
非常满意 满意 一般 不满意
我要反馈
0/200