基于MindSpore香橙派AIpro实现垃圾回收AI识别方案四：SOWT分析与总结

通过本系列上文可以体验一下我们从0到1可以快速的搭建属于自己的AI系统，非常的方便与快捷，这里分享一下以前自己搭建一个能使用的AI应用有多么繁琐。

Stable Diffusion介绍

Stable Diffusion是一种基于扩散过程的图像生成模型，可以生成高质量、高分辨率的图像。它通过模拟扩散过程，将噪声图像逐渐转化为目标图像。这种模型具有较强的稳定性和可控性，可以生成具有多样化效果和良好视觉效果的图像。

Stable Diffusion 可以通过生成多样化、高质量的图像、修复损坏的图像、提高图像的分辨率和应用特定风格到图像上等方式，辅助视觉创意的实现，它为视觉艺术家、设计师等提供更多的创作工具和素材，促进视觉艺术领域的创新和发展。

对比服务器自行部署痛点

1、安装基本软件：

sudo apt install wget git

2、安装python 3.10.6

# 安装依赖
sudo apt install wget git python3 python3-venv
# 删除默认的低版本
which python3
sudo rm /usr/bin/python
# 配置软链接
ls -lh /usr/bin | grep python
ln -s /usr/bin/python3 /usr/bin/python
# 若是GPU环境的用户需要安装与cuda版本对应的torch
pip install torch==1.13.1+cu117 torchvision==0.14.1+cu117 --extra-index-url https://download.pytorch.org/whl/cu117
# pip换源
pip config set global.index-url https://mirrors.ustc.edu.cn/pypi/web/simple
# 安装对应依赖

pip install -r requirements_versions.txt
# 建立虚拟环境
sudo apt-get install python3.5-venv
python3 -m venv_name
source venv_name/bin/activate

3、安装CUDA

# 下载Cuda
wget https://developer.download.nvidia.com/compute/cuda/11.8.0/local_installers/cuda_11.8.0_520.61.05_linux.run
# 安装cuda
sudo sh cuda_11.8.0_520.61.05_linux.run
# 配置环境变量
# 增加下面两行内容，并保存
vim ~/.bashrc
export PATH=/usr/local/cuda-11.8/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64:$LD_LIBRARY_PATH
# 使配置文件生效
source ~/.bashrc

4、安装stable diffusion

# 拉取stable diffusion 代码：
git clone GitHub - AUTOMATIC1111/stable-diffusion-webui: Stable Diffusion web UI
# 安装stable diffusion：
cd stable-diffusion-webui/
# 启动
./webui.sh

以上是自行尝试购买某云GPU服务器，自己手动搭建环境，并运行stable diffusion。大概花费了差不多一个下午的时间，而且这个还是自己以前尝鲜有过经验的前提下。

搭建自己的AI应用的痛点

自己组建AI的痛点，无论是从概念设计到最终部署，都面临着一系列的痛点，主要包括以下点：

①技术复杂性：

(1). 算法选择与实现：选择合适的AI算法（如深度学习、机器学习、自然语言处理等），不同算法有不同的适用场景和性能表现，选择不当会导致最终应用的效果不佳。

(2). 框架与库的选择：市面上存在多种AI框架和库（如TensorFlow、PyTorch等），每种框架都有其优缺点，选择合适的框架和库以支持应用需求是一个重要的决策。

(3). 模型优化与部署：模型训练完成后，需要对其进行优化以提高性能和准确性，并考虑如何将其部署到生产环境中，其中包括选择合适的硬件平台、处理并发请求、优化响应时间等。

②资源限制：

(1). 计算资源：AI应用的训练和推理过程通常需要大量的计算资源，包括CPU、GPU甚至TPU，这些资源成本高昂。

(2). 存储资源：训练数据和模型本身也需要大量的存储空间，随着数据量的增加，存储成本也会不断上升。

(3). 技术人才：AI应用的开发需要专业的技术人才，包括数据科学家、机器学习工程师等，往往这些人才在市场上供不应求，且成本较高。

③数据问题：

(1). 数据获取：高质量的数据是训练AI模型的关键。然而，在实际应用中，获取足够数量的高质量数据往往非常困难。

(2). 数据标注：对于监督学习来说，数据标注是必不可少的一步。然而，数据标注既耗时又耗力，且需要专业知识。

④维护与更新：

(1). 模型更新：随着新数据的不断涌现和算法的不断进步，AI模型需要定期更新以保持其准确性和有效性，这要求开发者具备持续维护的能力。

(2). 性能监控：在生产环境中，AI应用的性能可能受到多种因素的影响（如硬件故障、网络延迟等）。因此，需要对应用的性能进行实时监控和调整。

因为手里没有备用的TF卡，只能通过第二种方案换一种工具来进行烧录试试，如果网友可以成功启动，就不需要下一步操作。

昇思MindSpore大模型平台SOWT分析

经过一个多月的昇思MindSpore大模型平台的使用与实践，可以很好的解决模型复杂度高、参数量大，对算力有极大的需求，基于昇思MindSpore大模型平台的主流框架进行大模型的开发，为大模型创新开发提供了完备的硬核技术，以下是个人的一个SOWT分析：

昇思MindSpore充分发挥原生支持大模型训练的能力，降低大模型创新开发门槛，为了让AI大模型更好地普惠大众，昇思社区打造了首个基于自主创新AI算力和框架、服务全球开发者的一站式大模型平台，将大模型的能力开放给开发者。

总结

在如今向人工智能发展的变迁时代，“人工智能+”意味着人工智能只有赋能千行百业才能真正落地转化为价值，这也是昇思大模型平台AI框架的价值的体现所在。

昇思人工智能框架作为算法应用和硬件算力之间的桥梁，持续帮助用户解决部署挑战。相信在不久的将来，伴随昇思MindSpore开源社区的壮大，生态圈持续繁荣，千行百业智能化产品将不断的发展。