正值疫情嚴重之日，作為一名研究生被迫待在家里學習，手頭的科研項目也嚴重受挫。。。

偶然間，看到微信公眾號發布這門課，馬上報名，入坑！！！瞬間疫情其間有學習的目標了。。

該課程學習依托于百度的AI studio平臺。話說之前沒怎么關注該平臺(后面逐漸使用的過程中不得不說：真香哎！)。百度AI studio 平臺超級方便，控制臺，ipython，python，都可以使用，云編程不是夢，運行環境不僅有CPU而且還有GPU，簡直不要太好了。

課程簡介如下：

其實這個證書提供了更大的動力(嘻嘻...)

通過7天對百度推出的深度學習框架padddlepaddle進行學習，進行了熟練地使用。從使用anaconda進行環境的搭建與安裝。到使用卷積神經網絡進行圖像識別。每天晚上在bi站提供直播，直播內容包括理論和實踐結合。大概45分鐘理論和半小時時間的實踐指導，實踐內容包括了使用python對中國疫情數據進行可視化(簡直是實力宣傳了一波百度的echarts框架，熟悉前端開發的童鞋來說echarts框架再熟悉不過了)、使用paddle進行手勢識別、車牌識別、口罩識別以及一個人流密度檢測的比賽。這個比賽相對來說難度還是比較大的。下面具體來看看百度paddle提供的人流密度檢測比賽題，希望各位cver多多支持國產框架paddlepaddle哦，不要說不如tensorflow，paddle實力還是相當可以的(個人觀點，不是百度托，嘿嘿)

人流密度檢測試題說明

近年來，應用于監控場景的行人分析視覺技術日益受到廣泛關注。包括人體檢測、人體屬性識別、人流密度估計等技術在內的多種視覺技術，已獲得在居家、安防、新零售等多個重要領域的廣泛應用。其中作用于人流密集場景的人流密度估計技術（crowd density estimation）因其遠高于肉眼計數的準確率和速度，已廣泛應用于機場、車站、運營車輛、藝術展館等多種場景，一方面可有效防止擁擠踩踏、超載等隱患發生，另一方面還可幫助零售商等統計客流。本試題以人流密度估計作為內容，答題者需要以對應主題作為技術核心，開發出能適用于密集、稀疏、高空、車載等多種復雜場景的通用人流密度估計算法，準確估計出輸入圖像中的總人數。

任務描述

要求參賽者給出一個算法或模型，對于給定的圖片，統計圖片中的總人數。給定圖片數據，選手據此訓練模型，為每張測試數據預測出最準確的人數。

數據說明

本競賽所用訓練和測試圖片均來自一般監控場景，但包括多種視角（如低空、高空、魚眼等），圖中行人的相對尺寸也會有較大差異。部分訓練數據參考了公開數據集（如ShanghaiTech [1], UCF-CC-50 [2], WorldExpo’10 [3]，Mall [4] 等）。

本競賽的數據標注均在對應json文件中，每張訓練圖片的標注為以下兩種方式之一：

（1）部分數據對圖中行人提供了方框標注（boundingbox），格式為[x, y, w, h][x,y,w,h]；

（2）部分圖對圖中行人提供了頭部的打點標注，坐標格式為[x, y][x,y]。

此外部分圖片還提供了忽略區（ignore_region）標注，格式為[x_0, y_0, x_1, y_1, …, x_n, y_n]組成的多邊形（注意一張圖片可能有多個多邊形忽略區），圖片在忽略區內的部分不參與訓練/測試。

通過這幾天的學習，總結了以下幾點，深度學習的底層基礎是數學基礎知識，只有對數學基礎知識進行深入的理解，才能解決實際的問題。其次就是要不斷積累實際的經驗，遇到更多的問題，在進行解決積累。

最后希望祝愿百度的aistudio平臺越辦越好。最好多點32GB的GPU，哈哈哈。最后對老師和助教們表示衷心的感謝！奧利給！！！