2-4环保管理培训.pptxVIP

;案例应用场景

案例演示操作

案例规划部署

案例需求方案

案例相关知识;自2018年以来，“智慧环保”受到了业内的广泛关注，顶层设计提出了大力发展“智慧环保”的要求，甚至在《生态环境大数据总体方案》中明确了未来五年的具体目标。一时之间，环保企业积极抢抓这一时代新机遇，促进企业的智慧化转型。如今，智慧环保不再是纸上谈兵，智慧水务、智慧环卫、智慧能源、智慧分类、智慧海绵城市都已成为现实。智慧环保将人工智能等技术融合到环境应急管理和环境监测中，通过大数据进行风险评估、分析，从而提出环境治理智慧型解决方案。

智慧环保的发展中有几个应用要素举足轻重，物联网传感器、人工智能摄像头、感知汇聚解析大数据平台这三者的演进使得环保行业中的智慧化应用产生了勃勃生机。在智能工业迅速发展的当下，传感器成为生产过程中必不可缺的元件，随着“环保热”的持续升温，环境传感器应运而生。;环保现场装备智能化与物联网化将传感器、摄像头、感知汇聚解析大数据平台以装备的形式得到封装和推广，环保装备是环保技术的重要载体和环保产业的核心内容。时代发展日新月异，要求环保装备加快升级换代，因此“环保装备智造”频频出现在公众视野。事实上，层出不穷的先进技术，打破了环保装备在时空领域的制约。随着相关技术的成熟，“智能化”、“物联网化”必将是环保装备的发展趋势，远程化设计、智能化系统、一体化控制的环保装备能做到“环保”与“效率”两不误，保证高效运行和节能降耗。;案例应用场景

案例演示操作

案例相关知识;演示操作流程;演示操作流程——准备工作;演示操作流程——准备工作;演示操作流程——准备工作;演示操作流程——准备工作;导入实验所需模块;转换数据集格式;设置超参数;学习率动态设置;模型构建;训练参数设置;公共函数设置;模型训练;模型评估;模型导出;模型转换;模型转换;模型替换;推理代码替换;推理代码替换;样例运行;案例应用场景

案例演示操作

案例相关知识;Google团队2017年推出MobileNetV1网络，它是一种为移动设备设计的通用计算机视觉神经网络，因此它也能支持图像分??和检测等。一般在个人移动设备上运行深度网络能提升用户体验、提高访问的灵活性，以及在安全、隐私和能耗上获得额外的优势。此外，随着新应用的出现，用户可以与真实世界进行实时交互，因此我们对更高效的神经网络有着很大的需求。

Google团队在2018年提出MobileNetV2，是专门为移动和嵌入式设备设计的网络架构，该架构能在保持类似精度的条件下显著的减少模型参数和计算量。MobileNetV2基于MobileNetV1的基本概念构建，并使用在深度上可分离的卷积作为高效的构建块。此外，引入了两种新的架构特性：层之间的线性瓶颈层；瓶颈层之间的连接捷径。相比MobileNetV1网络，准确率更高，模型更小。并推动了移动视觉识别技术的有效发展，包括分类、目标检测和语义分割。此外，我们也可以下载代码到本地，并在JupyterNotebook中探索。;2020年3月，MindSpore全场景AI计算框架对外开源，作为端边云全场景的一部分，端侧领域MindSporeLite在2020年9月正式发布并对外开源。目前MindSporeLite作为华为HMSCore机器学习服务的推理引擎底座，已为全球1000+应用提供推理引擎服务，日均调用量超过3亿，同时在各类手机、穿戴感知、智慧屏等设备的AI特性上得到了广泛应用。

MindSporeLite支持CPU/GPU/NPU，并且支持IOS、Android以及LiteOS等嵌入式操作系统，在模型方面支持MindSpore/TensorFlowLite/Caffe/Onnx模型，极致性能、轻量化、全场景支持且高效部署。

MindSporeLite开源之后，在算子性能优化、模型小型化、加速库自动裁剪工具、端侧模型训练、语音类模型支持、Java接口开放、模型可视化等方面进行了全面升级，升级后的版本更轻、更快、更易用。;在深度学习计算中，从头开始训练一个网机视觉任务网络耗时巨大，需要大量的计算能力。预训练模型选择常见的OpenImage、ImageNet、VOC、COCO等公开大型数据集，规模达到几十万甚至超过上百万张。大部分任务数据规模较大，训练网络模型时，如果不使用预训练模型，而从头开始训练网络，需要消耗大量的时间与计算能力，模型容易陷入局部极小值和过拟合。因此大部分任务都会选择预训练模型，在其上做微调（也称为FineTune）。

一般一个分类网络包含两个部分：backbone和head，其中backbone部分通常是一系列卷积层，负责提取图片特征；head部分通常是一组全连接层，用于分类，一般最后一个全连接层的输出对应使用数据集的分类个数。同数据集和任务中特征提取层（卷