华为云杯”2023人工智能创新应用大赛总结与分析
华为云杯”2020人工智能创新应用大赛总结与分析
目录赛题背景数据简介与评判指标数据分析数据概览与初步分析数据增强模型设计与训练基本结构BackBone选取Loss选取优化器选取训练trick后处理膨胀预测 阈值划定结果与参考文献***转载请注明出处****
赛题背景
西安，古称长安、镐京，陕西省会、副省级市，是世界历史名城、中国四大古都之一、中华文明和中华民族重要发祥地，是国家重要的科研、教育、工业基地，亦是丝绸之路起点城市和“一带一路”核心区。
西安国家民用航天产业基地成立于2006年11月，是陕西省、西安市政府联合中国航天科技集团公司建设的航天技术产业和国家战略性新兴产业聚集区，也是西安建设国际化大都市的城市功能承载区。2010年6月26日，被国务院批复为国家级陕西航天经济技术开发区。
此次赛题结合西安以及西安航天基地以航天卫星遥感产业为特色，旨在解决道路路网信息自动提取问题。本次比赛依托陕西航天工业雄厚的综合实力和坚实的发展基础，充分发挥航天科技对国家战略性新兴产业的引领作用，立足航天产业，发展人工智能新兴产业，推动军民融合，带动产城融合，在谋求错位发展中建设世界一流航天产业新城。
本赛题任务是基于高分辨可见光遥感卫星影像，提取复杂场景的道路与街道网络信息，将影像的逐个像素进行前、背景分割，检测所有道路像素的对应区域。
数据简介与评判指标
大赛数据集来源于北京二号卫星，空间分辨率为0.8米，分为训练集和测试集2个数据集，分别包含3景遥感影像，其中训练集2景影像的尺寸分别为40391×33106、34612×29810。测试集不公开只参与线上评测。参赛者可自行将训练集切分为小图，并划分为训练集和验证集以用于模型调优。数据集下载地址：https://ma-competitions-bj4.obs.cn-north-4.myhuaweicloud.com/xian/2020/data.zip
Data.zip解压后目录结构说明如下：
评价指标：平均交并比即MIOU，计算公式如下图：
其中，k表示像素所属的类别，pij表示本属于类别i且被预测为类别j的像素数据，pii表示真正的数量，pij和pji分别表示假正和假负的数量。
数据分析数据概览与初步分析
数据集共两张空间分辨率为0.8m的遥感影像图，尺寸大小分别是40391*33106和34612*29810。影像全图如下所示。
382.png
182.png
初步观察分析可以从影像上分析出一下几点内容：
影像是大尺寸图片并不能直接输入神经网络进行训练，因此要选用合适的图像切割发方式将影像切割成合适尺寸的图像。影像的切割方式大致有三种选择：规则网格切割、滑动窗口切割以及随机切割。这里我选择的是滑动窗口对图像进行切割，以448为步长才切成512*512尺寸的图片；有影像的区域并不是正矩形，周围存在黑边，黑边在影像中占据的面积并不小，因此对于切割后的数据去除掉全黑的图像；两张影像在颜色上存在肉眼可见的色差，因此拟考虑在数据增强中添加色彩增强相关部分降低模型对色彩上的敏感程度；仔细查看数据集可以发现影像中的区域以城市乡镇为主，说明影像中会存在路网密集区和路网稀疏区，这可能会导致标签中的类别不平衡。
数据增强
数据增强的目的是为了增加样本的多样性，避免模型的过拟合。数据增强库很多，如：skimage、imgaug、opencv、Albumentations以及Augmentor等。在这里我选择的是Albumentations。
在此次大赛中我所用到的数据增强有很多，我主要将其分为三大类：形态变换、颜色变换以及其他变换。形态变换主要是为了对图像上的结构信息进行调整与改变从而达到数据增广的目的。如下图左侧的为原始图像，右侧为经过形态变换（网格失真）后的图像，可以看到两张影像上的道路部分发生一些改变，右侧的道路部分有些细微的扭曲，而道路的扭曲对于真是的情况来说是可能存在的，可以避免让模型误认为细长的颜色相同的区域就是道路，在一定程度上增加了样本的多样性。
颜色变换主要有随机调整色相饱和度、随机打乱通道顺序、RGB色彩偏移、随机调整亮度和对比度。其中随机打乱通道顺序避免不同库在读取图片时颜色通道不一致输入模型带来的影响，降低模型对色彩的依赖。随机调整亮度和对比度避免遥感影像因为天气影响带来的过曝或是欠曝导致影像亮度不一致的情况，在此加入是为了避免验证集上的遥感影像亮度对比度可能存在一定差别的因素。
其他变换主要有随机添加高斯噪声、中值滤波、cutout等，主要是为了提高模型的泛化能力。
模型设计与训练基本结构
基本结构选择了2015年在MICCAI会议上发表的Unet。Unet结构简单，大体上可以分为两个部分，分别是用于提取特征的编码区和对特征进行解码还原的解码器。编码器和解码器之间存在skipconnnection。即在解码器部分会融合编码器中的部分输出，这样实际上是将多尺度特征融合在了一起，实现了网络对图像特征的多尺度特征识别。
在本地实验也尝试过其他结构如：DeepLabV3、LinkNet、FPN等，但各有优缺点，如DeepLabV3训练效果比Unet略高，但是训练时间比Unet长，本人本地并没有好的GPU资源可以用于模型训练，而且大赛分配ModelArts资源宝贵，因此选择了训练速度快，精度较好的Unet作为基本结构。
BackBone选取Unet用于特征提取的编码器部分结构较为简单，只有几层卷积网络顺次连接而成，为了提取更加丰富全面的特征我们可以更换编码器的结构用于提取更丰富的特征，常见的方法是从分类效果好的网络结构中选择合适的层作为backbone，以用于特征提取。在比赛过程中一共测试了8种backbone，包括resnet_34、resetnet50、se_resnet50、se_resnext50_32x4d、efficient-b0、efficient-b1、efficient-b2、efficient-b5。部分测试结果如下图：
最终选择最好的efficient-b5作为backbone。
Loss选取大赛的最终评价指标时miou，在二分类中iou等于miou，因此在Loss选取的时候选择了以iou作为优化方向的损失函数，Lovasz损失函数和Focal损失函数。添加Focal的主要目的是在数据裁切和增强部分并没有对样本的类别不均衡做处理，添加Focal是为了解决正负样本不均衡的问题。
Dice+BCELoss主要是优化速度快，但是后期BCELoss会变得非常小，近似与只有DiceLoss，而且在线上线下差距大，测试结果不稳定。Lovasz+FocalLoss前期损失下降平缓，测试时较为稳定，线上线下差距小。
优化器选取优化器选择的时Radam+Lookahead，即Ranger。此组合变相的提供了不需要调参的warmUp，在快速优化的同时保持了模型的稳定性，且对学习率不敏感。
训练trick
多尺度训练，对于每一batch，保持batch内的图片尺寸相同，不同batch间的尺寸存在区别，使用多个尺寸的图片对模型进行训练，提高泛化性。
学习率调整，使用带重启的余弦退火最为学习率调整的方式，使得模型对探索较好的局部最优。
后处理膨胀预测
膨胀预测的主要思想是每次预测仅仅保留图片的中心部分，其余地方舍弃，而舍弃的地方通过滑动切割的思想也会成为其他预测图的中心区域，该方法避免因边界的特征提取问题而产生拼接痕接，影响最终分割效果。
阈值划定
在二分类语义分割常用0.5作为前景和背景的分割阈值，某一点的置信度大于0.5就被划分为前景，反之则为背景。在此次比赛中通过测试重新确定分类阈值，最终测试结果为10-2
下图左侧为正常0.5作为分割阈值，有图为以10-2作为分割阈值。
结果与参考文献
最终提交结果为当模型，无TTA等测试时增强操作，模型参数为120M，单张图片(4048*6144)推理时间小于10s（2070super）。
参考文献：
EfficientNet:RethinkingModelScalingforConvolutionalNeuralNetworksU-Net:ConvolutionalNetworksforBiomedicalImageSegmentationFocalLossforDenseObjectDetection,Tsung-YiLin,2018TheLovász-Softmaxloss:Atractablesurrogatefortheoptimizationoftheintersection-over-unionmeasureinneuralnetworksAlbumentations:FastandFlexibleImageAugmentationshttps://github.com/qubvel/segmentation_models.pytorchStochasticGradientDescentwithWarmRestartsLookaheadOptimizer:kstepsforward,1stepbackRadam：ONTHEVARIANCEOFTHEADAPTIVELEARNINGRATEANDBEYOND代码：https://github.com/Hsomething/2020_huawei_road_segmetation
“华为杯”第四届中国研究生人工智能创新大赛赛题
一、报名及提交作品要求
参赛队伍在以下赛题中任选其一进行作品创作参赛。6月20日前，在大赛官网报名，通过培养单位资格审查后，6月27日前，在官网提交参赛作品。（作品提交规范及模板见附件）
大赛官网https://cpipc.acge.org.cn/
二、大赛赛题
（一）技术创新：开放题
（二）应用创意：开放题
（三）企业赛题：华为赛题共4个，均为华为技术有限公司从实际需求出发拟定的与智能技术密切相关的题目。属于此种选题方式的作品还可以参与华为专项奖的评奖。
1.华为赛题一
1.1题目名称
微服务架构应用的故障演练数字化
1.2题目描述
随着数字化程度越来越高，分布式系统、云计算等新技术的不断发展，运维在企业中的重要性越来越高，用户和企业从质量、效率、性能、安全、成本等多维度出发关注运维。且随着企业IT系统的规模扩大、复杂度不断提高、监控数据日益增长，各类故障层出不穷，保证系统高效可靠运转的难度激增，运维需要与人工智能的能力结合，基于企业IT运维过程中产生的告警事件、黄金指标、日志、调用链等数据，利用机器学习/深度学习/数据挖掘相关技术支撑异常检测、根因定位和容量规划等场景，助力企业应用稳定、高效地运行，解决传统运维难以解决的问题，提升运维效率，为企业减少因业务不可用所带来的直接损失。
现代IT系统是一个复杂系统，随着应用现代化的推进，越来越多传统单体应用转为微服务架构，微服务数量巨大，关系复杂，迭代变化快，传统运维越来越困难。该方向旨在通过各类异构多源数据的采集、感知与处理，使用多维时序分析、神经网络、机器学习、复杂系统控制论、关系图谱等技术，完成对微服务系统的异常检测、日志分析、调用链分析，和故障定位来帮助IT系统提前发现和预知风险，维持系统稳定与安全运行，在系统发生故障时，帮助运维人员快速定位及解决故障，从而保障系统的高可靠、高可用性。
主要挑战:
1.真实场景里的故障样本与正常样本相比数据量较少，有数据不平衡的问题，很多数据没有标签,也有数据噪声大，信噪比低的问题，对AI模型的开发不友好
2.IT系统的数据形态非常多样,有结构化的监控指标数据，有半结构化的调用链数据，及非结构化的告警和日志类数据，鲁邦的AIOps模型需融合多源异构数据，从不同数据源提取特征构建。
IT应用在上线前需要经过测试环节，上线后也有例行的故障演练。在测试和故障演练的过程中，通过有效的挖掘导致应用故障的失效模式，记录应用的各类数据，可以形成AI友好的完整数据集支撑后续的异常检测与根因定位模型开发，参赛者需要设计失效模式挖掘方案让故障演练更好地数字化。
1.3具体要求
1.参赛者需要部署微服务Microservices-demo[1]及配套监控系统(包括但不限于[2]、[3])采集指标数据；
2.参赛者需要考虑用户访问模型，模拟不同的用户访问模式，利用故障注入工具(包括但不限于[4])使微服务应用出现故障，挖掘微服务应用的失效模式，常见的失效模式包括：前端负荷激增(业务量异常)、用户打开页面卡顿，用户打不开页面等失效模式，它们可能是由数据库服务不可用(连接数达到上限,数据库表被删除,数据库表过大)、底层资源容量不足等（CPU、内存利用率…）、网络阻塞等引起的；
3.参赛者生成故障数据集，并通过案例展示该生成数据集可支撑异常检测与根因定位算法[5]-[9]的开发与验证。
4.参赛队伍最终提交故障数据集，模型代码，方案文档与演示视频(可选),方案文档需完整描述故障演练数字化方案与AI模型训练与验证过程。
a.生成的故障数据需要有多样性，至少覆盖3种组件与3类典型故障；
b.异常检测与根因定位算法的评测指标可采用业界常见的评估方法，异常检测算法可采用F1-Score作为评价指标（参赛者需根据应用的访问延时与错误率等黄金指标定义异常,为数据打上标签后再验证算法准确率），根因定位算法可采用PR@k（Precisionattopk,topk个结果中包含真实根因的概率）与MAP（MeanAveragePrecision）作为评价指标,同等准确率的情况下,算法的推理时间与模型大小将作为参考评价指标。
c.人工评委审核成绩从4个方面考核：结果复现评估，方案可行性分析，方案创新性评估，方案通用性评估；评委人员：潘乐萌，张晓，白志刚，郭毅成。
1.4华为赛题一咨询专家及联系邮箱：
微服务架构应用的故障演练数字化–潘乐萌-panlemeng@huawei.com
1.5参考数据集
AIOps-Challenge-2020-Data:https://github.com/NetManAIOps/AIOps-Challenge-2020-Data
MicroRCASampleData:https://github.com/elastisys/MicroRCA/tree/master/data
1.6参考文献
MMicroservices-demo
[1]https://github.com/microservices-demo/microservices-demo
Prometheus-Monitoringsystem×eriesdatabase
[2]https://prometheus.io
Grafana:Theopenobservabilityplatform
[3]https://grafana.com/
Locust-Amodernloadtestingframework
[4]https://locust.io
AnomalyDetection
[5]ChandolaV,BanerjeeA,KumarV.Anomalydetection:Asurvey[J].ACMcomputingsurveys(CSUR),2009,41(3):1-58.
[6]ChalapathyR,ChawlaS.Deeplearningforanomalydetection:Asurvey[J].arXivpreprintarXiv:1901.03407,2019.
RootCauseAnalysis
[7]WuL,TordssonJ,ElmrothE,etal.Microrca:Rootcauselocalizationofperformanceissuesinmicroservices[C]//NOMS2020-2020IEEE/IFIPNetworkOperationsandManagementSymposium.IEEE,2020:1-9.
[8]LinJJ,ChenP,ZhengZ.Microscope:Pinpointperformanceissueswithcausalgraphsinmicro-serviceenvironments[C]//InternationalConferenceonService-OrientedComputing.Springer,Cham,2018:3-20.
[9]ChenMY,KicimanE,FratkinE,etal.Pinpoint:Problemdeterminationinlarge,dynamicinternetservices[C]//ProceedingsInternationalConferenceonDependableSystemsandNetworks.IEEE,2002:595-604.
2.华为赛题二
2.1题目名称
面向口语的NL2SQL语义解析算法
2.2题目描述
语义解析技术是自然语言与企业数据之间的桥梁，为企业级数据查询的易用性、快捷性发挥着重要作用，为提高企业的数字化转型有着重大意义。当前的技术方案并非直接将自然语言转为SQL形式，而是识别出Query中的各个SQL条件成分、条件值等要素，以生成伪SQL形式。然而，自然语言的多样性限制了NL2SQL场景的能力，在实际应用过程中会存在如下问题：
1.Query口语化（重点）。用户日常查表过程中，口语化成分较多，指代复杂，歧义性较高，如：90后员工有多少人、去年部门走了多少员工等，难以用程序规则覆盖完整，存在“长尾”问题。
2.小样本训练能力。企业级的表格都是大宽表形式，按照主流NL2SQL或语义解析做法，需要进行标注的数据量必须涵盖所有字段，标注任务繁重，且算法能力后期难以迁移至其他企业业务场景；目前暂不涉及多表查询的需求，但单表字段较复杂，有近义词的字段，有字符不统一，有长文本字段等。
2.3具体要求
1.所提方法，必须具有“可迁移性”，不可只能解决某一个业务领域问题。
2.可利用外部知识（如：公开数据集、自有数据知识、适当程序正则等）增强模型算法，并最终在业务测试集上进行测试，证明方法的有效性。
3.在保证模型“可迁移性”条件下，尽量保证模型精度不下降，最终以验证集评测结果为首要标准，以方案可行性为辅助评测标准。
4.由于此课题主要是针对SQL表字段及字段值，进行Query的语义成分解析，可能涉及实体识别、句子成分解析等技术，同时也鼓励新技术新idea创新。以SQL单表为例，单表字段“时间；产品类别；销售状态”，示例Query“2020年有多少C类产品售出？”，需要解析成以下条件（单条query所有要素识别正确加1分）：
a.先识别此query的操作为SQL的COUNT操作，以“有多少”为依据，总共有六种操作“MAXMINCOUNTAVGSUMNULL”，其中“NULL”为无关语料不需要做解析（other类问题）；
b.条件值“2020年”对应时间字段的条件值，“C类产品”对应产品类别的条件值，“售出”对应销售状态的条件值；
5.最终打榜成绩（计60%分数）。通过线下脚本计算判分取Top10进行人工评委审核，若存在并列成绩情况，可多取候选者；赛委会提供1张宽表（约20-30个字段），以及1份已标注的Query数据集，赛委会保留1份待预测数据集作为评测，结果按照约定JSON格式提交，以正确率为评判标准（单条所有要素全部正确匹配才算得分，参见2.3部分解析），最终评委组通过线下自动化脚本判分，以邮件或官网形式公布最后的打榜成绩；
6.人工评委审核成绩（计40%分数）。评审从4个方面考核：打榜结果复现评估，方案可行性分析，方案创新性评估，方案可迁移性评估；初审评委人员：夏海荣、周宇翔、孙非凡、蒋圭峰。
2.4华为赛题—咨询专家及联系邮箱
面向口语的NL2SQL语义解析算法–周宇翔–zhouyuxiang4@huawei.com
2.5参考数据集
待发布
3.华为赛题三
3.1题目名称
智能问答中的澄清问的识别与生成
3.2题目描述
由于自然语言的复杂性和现实世界里知识的多样性，智能问答系统在部分对话场景下需要向用户发起追问，以更加准确地理解用户的真实意图。这类问题通常称为“澄清问”，旨在引导用户对其意图进行明确和细化，从而消除对话中的语义歧义和知识歧义，提高智能问答系统的效果。因此，澄清问的检测、生成和答案理解，对于智能问答系统的构建具有重要意义。
具体地，该任务通常涉及澄清检测、澄清问生成以及实体预测三个子任务：
1.澄清检测
澄清检测任务需要考虑对话上下文，并结合问题的具体领域和所提供的知识库信息，对“当前语境下系统是否需要进行澄清问”进行判别。该任务通常可以视为二分类任务。
通常而言，该任务的输入是从0到t时刻的用户及系统历史对话，其中Uk为第k轮用户会话，Mk为第k轮系统会话；输出为系统对“当前是否需要进行澄清问”的预测结果，若需要进行澄清问则输出标签“1”，否则输出为“0”。
例如，假设知识库中包含歌手“孙悦”和篮球运动员“孙悦”的相关知识。当用户询问“孙悦是哪一年出生的”时，由于无法直接判断用户询问的是哪一位孙悦的信息，因此需要进行澄清问；当用户询问“孙悦效力于哪个篮球队”时，结合知识信息的简单推理可以判断用户询问的是篮球运动员的信息，此时不需要进行澄清问。
2.澄清问生成
若澄清检测结果为真，则智能问答系统需要生成相应的澄清提问。该任务可以视为文本生成任务，其输入同样是是从0到t时刻的用户及系统历史对话，其中Uk为第k轮用户会话，Mk为第k轮系统会话；输出为系统的澄清提问Q。
3.实体预测
在进行澄清提问后，系统需要进一步对用户的回答进行理解。该任务的输入表示为，其中Uk为第k轮用户会话，Mk为第k轮系统会话，Q为系统的澄清提问，A为用户的回答。模型需要提取出A中指向的是哪个实体。
3.3具体要求
1.根据所公布的数据集，参赛者可自由设计算法方案来比赛，但不可调用第三方外部接口。
2.参赛选手需完成全部三个子任务。其中，每个子任务均包含single-turn和multi-turn两种类型的数据，选手应采用统一的模型处理这两类数据（即，单轮与多轮不分开评估）。
3.赛题总分由竞赛得分（60%）和专家评分（40%）两部分组成。其中，竞赛得分部分根据选手提交的方案在测试集（包括公开测试集和非公开测试集）上的运行结果给出；专家评分由评委组对选手所提交的方案的新颖性、合理性等进行打分。因此，除结果文件外，参赛选手还需要提交模型代码（用于非公开测试集评估）和模型说明文件（用于报告模型方案以及模型在公开测试集上的结果）。
3.4华为赛题—咨询专家及联系邮箱
智能问答中的澄清问的识别与生成–张睿、王喆锋–zhangrui311@huawei.com、wangzhefeng@huawei.com
3.5参考数据集
CLAQUA数据集https://github.com/msra-nlc/MSParS_V2.0
3.6参考文献
1.XuJ,WangY,TangD,etal.Askingclarificationquestionsinknowledge-basedquestionanswering[C]//Proceedingsofthe2019ConferenceonEmpiricalMethodsinNaturalLanguageProcessingandthe9thInternationalJointConferenceonNaturalLanguageProcessing(EMNLP-IJCNLP).2019:1618-1629.
2.ShaoT,CaiF,ChenW,etal.Self-supervisedclarificationquestiongenerationforambiguousmulti-turnconversation[J].InformationSciences,2022,587:626-641.
4.华为赛题四
4.1题目名称
预训练中的数据选取
4.2题目描述
预训练大模型需要从海量数据中进行学习。对于NLP预训练来说，训练语料通常需要几十GB到几百GB，如此大规模的数据，每一个训练轮次都要消耗大量算力和时间，带来了极高的训练成本。一个已有的观察是，在海量的训练数据中往往包含一些重复或相似的数据，如果对这些数据进行精简，可以在不影响模型性能的前提下，有效地压缩数据体积。此外，由于数据来源多样，训练数据中通常也会包含一些噪声数据，这些数据对模型的训练增益不大，甚至可能带来负面影响。
本赛题考虑对海量文本数据进行选取，从中剔除重复、相似以及有害的数据，从而压缩数据体积，并且尽可能不影响NLP预训练模型的性能。
4.3具体要求
给定10GB英文互联网数据。要求参赛者设计数据选取算法，将该数据压缩至70%，基于压缩后数据训练英文bert-base模型，训练轮次限定为3轮。训练完成后，在公开数据集SST-2、MNLI、SQuAD1.1上进行测试，根据测试集上的性能进行初筛，选出前五名进入第二阶段测试。要求参赛者提交选取算法代码、数据压缩记录、训练过程记录、测试结果截图等相关证明材料，供主办方审核。
第二阶段要求前五名参赛队伍提交完整的数据选取代码，主办方使用另外的20GB英文互联网数据，基于参赛队伍的算法进行数据压缩，得到70%的压缩数据，训练英文bert-large模型，并在GLUE和SuperGLUE两个公开榜单上进行测试。根据测试性能得到最终排名。
赛题输入
10GB英文数据。
赛题输出
压缩至70%，尽可能保证预训练模型在下游任务的性能。
4.4华为赛题—咨询专家及联系邮箱
预训练中的数据选取–史佳欣—shijiaxin3@huawei.com
4.5参考数据集
预训练数据：预训练数据网址：https://huggingface.co/datasets/c4/tree/main
使用gitclonehttps://huggingface.co/datasets/c4/tree/main进行下载，需要安装gitlfs。
下载完成后，选取其中的c4/en/c4-train.00000-of-01024.json.gz、c4/en/c4-train.00001-of-01024.json.gz、c4/en/c4-train.00002-of-01024.json.gz、……、c4/en/c4-train.00013-of-01024.json.gz，共计14个文件，作为训练集。每个文件是一个压缩文件，解压后提取文本字段，大约735M。
下游任务数据：SST-2：https://huggingface.co/datasets/SetFit/sst2/tree/main
MNLI：https://huggingface.co/datasets/SetFit/mnli/tree/main
SQuADv1.1：https://rajpurkar.github.io/SQuAD-explorer/dataset/train-v1.1.json
人工智能大赛
华为云杯2020人工智能应用创新大赛由华为（苏州）人工智能创新中心、苏州工业园区科技发展有限公司主办，面向全国的人工智能交流赛事。
一、大赛介绍“华为云杯”2020人工智能应用创新大赛（以下简称“大赛”）是由华为（苏州）人工智能创新中心、苏州工业园区科技发展有限公司主办，以“云聚姑苏，智享未来”为主题，面向全国的人工智能交流赛事。大赛旨在培养AI人才，持续赋能AI企业，联合参赛企业、合作伙伴和开发者构建一个技术交流、人才培训、产业融合、机遇共创的AI生态平台。
大赛将提供开放能力聚焦AI应用落地进行全场景创新，通过“线上+线下，以赛促学，产教结合”的形式开展。大赛分为创客赛道和企业赛道，创客赛道参赛团队参赛作品须基于新一代人工智能相关技术探索和设计，有明确场景驱动的应用创新方案，比如人工智能技术在工业、城市、通信、教育、医疗、金融、环保等行业领域的应用；企业赛道企业参赛团队须围绕“智能+医药”、“智能+制造”、“智能+城市”三个场景进行项目申报。
二、参赛对象创客赛道：面向全社会开放，个人、高等院校、科研单位、创业团队等人员均可报名参赛。https://competition.huaweicloud.com/information/1000041242/introduction
企业赛道：企业可报名参赛。企业赛道报名链接：https://competition.huaweicloud.com/information/1000041241/introduction
说明：如有大赛主办方和技术支持单位（如华为技术有限公司员工）参赛，则自动放弃获奖资格。
三、赛程安排l 启动仪式（2020年6月19日）
l 报名时间（即日起 ~ 8月10日20:00）：所有参赛者须在该日期期间内，在大赛官网进行注册报名和组队，并接受参赛资格审核。
l 作品提交（2020年6月19日 ~ 8月10日20:00）：所有参赛者须在该日期期间内，在大赛官网按照要求，合规地提交参赛作品。
l 重大联合创新路演（2020年7月12日）：大赛子版块活动，有意向参与联合创新企业可报名该活动。
l AI训练营（2020年7月，具体时间待公布）：面向所有参赛者，举行AI训练营活动，由华为专家进行AI技术赋能培训。
l 初赛评审（2020年8月11日 ~ 8月17日）：初赛采用线上评审方式，评审专家秉持公平、公正原则评审所有参赛作品，大赛组委会负责相关流程的组织和监督。
l 公布晋级决赛名单（2020年8月17日 ~ 8月19日）：创客赛道和企业赛道分别评选18组晋级决赛，由大赛组委会公布晋级决赛团队名单。
l 决赛答辩及路演（2020年8月，具体时间待公布）：决赛采取现场答辩的评审方式。（如不参加现场答辩，视为自动放弃获奖资格）
l 颁奖及闭幕（2020年8月，具体时间待公布）：现场答辩评出最终排名后，大赛组委会将举办颁奖典礼及闭幕仪式。
四、奖项设置1、创客赛道奖项设置如下：
特等奖：1支队伍，每支队伍奖金10万元，颁发获奖证书
一等奖：2支队伍，每支队伍奖金5万元，颁发获奖证书
二等奖：3支队伍，每支队伍奖金3万元，颁发获奖证书
三等奖：4支队伍，每支队伍奖金1万元，颁发获奖证书
优胜奖：8支队伍，每支队伍奖金3000元，颁发获奖证书
纪念奖：基于初赛参赛作品评选出100支队伍，荣获大赛纪念奖，电子参赛荣誉证明、大赛伴手礼（每支队伍一份）
参与奖：初赛提交有效作品队伍将获得电子参赛荣誉证明
说明：以上奖金为税前奖金，由获奖团队承担税款。
2、企业赛道分为“智能+医药”、“智能+制造”、“智能+城市”三个场景，奖项设置一致，具体奖项设置如下：
一等奖：3名，每个场景1名，价值100万元华为人工智能云资源，华为专家资源支持，园区具有竞争力的政策支持，优先2021年重大联合创新
二等奖：6名，每个场景2名，价值50万元华为人工智能云资源，华为专家资源支持，园区具有竞争力的政策支持
三等奖：9名，每个场景3名，价值30万元华为人工智能云资源，华为专家资源支持，园区具有竞争力的政策支持
说明：企业赛道奖项须落户园区后享受，华为人工智能云资源兑现时间为大赛获奖1年内。
五、报名及组队要求1、报名时间：即日起 ~ 2020年8月10日 20:00
2、组队说明：在页面左侧“我的团队”页签进行组队，每个团队人数最多5人，且每位参赛者仅可加入一支队伍。
3、报名方式：使用华为云账号登录大赛官网，点击大赛官网页面上方“立即报名”按钮报名参赛。
4、参赛者须确保报名信息准确有效，否则会被取消参赛资格及奖励。
5、每位参赛者/每支参赛团队仅可选择一个赛道进行报名。
华为Atlas人工智能开发者大赛正式启动
[中国，苏州，2019年5月10日]华为在智能计算大会苏州会场宣布，正式启动2019华为Atlas人工智能开发者大赛。作为华为赋能开发者系列计划的重要组成部分，此次大赛面向全球具有创新精神的开发者展开，旨在为开发者提供最好的创新实践舞台。
华为AI开发者大赛正式启动
本次大会上，华为介绍了计算产业的发展趋势和智能计算战略布局，并分享了智能计算生态联盟的最新工作进展。截止目前，已有100余家企业申请加入联盟，联盟官网正式上线。在不远的未来，由华为与合作伙伴联合开发的解决方案，将越来越多地呈现在行业客户面前。华为智能计算生态联盟希望将行业客户、生态合作伙伴、产业组织、技术组织连接起来，从而推动产业发展。
华为中国智能计算业务部总裁万志表示：“企业的智能化转型，将是万亿美金的巨大市场。华为始终坚持携手合作伙伴构建共赢的生态，与合作伙伴一起分享巨大的AI蓝海市场，助力我们共同的行业客户快速步入智能化时代，领跑数字经济，在数字化、智能化转型中赢得商机，实现共同繁荣和共同成长！”
华为中国智能计算Marketing与产业发展部部长张英梗表示：“华为智能计算在x86、AI、ARM三大方向上进行布局，并构建统一的智能计算生态联盟。尤其在AI生态构建方面，华为将从行业使能、高校合作、开发者与社区建设三方面持续发力，推动AI生态发展和完善。”
华为智能计算业务Atlas生态发展部部长刘鑫表示：“‘得开发者得天下’，华为将为AI领域开发者提供更好的产品体验、更完善的技术支持、更丰富的资源共享平台，并通过一系列开发者赋能行动，以及开发者扶植和权益计划，帮助和影响更多AI开发者，打造业界NO.1的开发者生态。”
本次大会上，苏州工业园区科信局局长许文清，南京大学地球科学与工程学院教授、江苏省高性能计算专委会主任周会群，苏宁科技集团人工智能研发中心总监代利坚，也分别从智慧工业园区、地球科学研究、智慧零售的角度，与参会嘉宾分享了对人工智能的期待，以及人工智能技术在行业的应用与实践。
华为智能计算围绕“芯开始，让智能计算无所不及”的理念，布局“3+1”智能计算产业战略，从x86、AI和ARM三个计算平台进行战略布局，满足端、边、云全场景下的计算需求，并在此基础上构建华为全栈全场景AI解决方案。同时，将构建一个面向三大平台的智能计算生态联盟，共同为客户实现数字化转型，迈向智能化时代提供智能计算的底座。