正值疫情严重之日，作为一名研究生被迫待在家里学习，手头的科研项目也严重受挫。。。

偶然间，看到微信公众号发布这门课，马上报名，入坑！！！瞬间疫情其间有学习的目标了。。

该课程学习依托于百度的AI studio平台。话说之前没怎么关注该平台(后面逐渐使用的过程中不得不说：真香哎！)。百度AI studio 平台超级方便，控制台，ipython，python，都可以使用，云编程不是梦，运行环境不仅有CPU而且还有GPU，简直不要太好了。

课程简介如下：

其实这个证书提供了更大的动力(嘻嘻...)

通过7天对百度推出的深度学习框架padddlepaddle进行学习，进行了熟练地使用。从使用anaconda进行环境的搭建与安装。到使用卷积神经网络进行图像识别。每天晚上在bi站提供直播，直播内容包括理论和实践结合。大概45分钟理论和半小时时间的实践指导，实践内容包括了使用python对中国疫情数据进行可视化(简直是实力宣传了一波百度的echarts框架，熟悉前端开发的童鞋来说echarts框架再熟悉不过了)、使用paddle进行手势识别、车牌识别、口罩识别以及一个人流密度检测的比赛。这个比赛相对来说难度还是比较大的。下面具体来看看百度paddle提供的人流密度检测比赛题，希望各位cver多多支持国产框架paddlepaddle哦，不要说不如tensorflow，paddle实力还是相当可以的(个人观点，不是百度托，嘿嘿)

人流密度检测试题说明

近年来，应用于监控场景的行人分析视觉技术日益受到广泛关注。包括人体检测、人体属性识别、人流密度估计等技术在内的多种视觉技术，已获得在居家、安防、新零售等多个重要领域的广泛应用。其中作用于人流密集场景的人流密度估计技术（crowd density estimation）因其远高于肉眼计数的准确率和速度，已广泛应用于机场、车站、运营车辆、艺术展馆等多种场景，一方面可有效防止拥挤踩踏、超载等隐患发生，另一方面还可帮助零售商等统计客流。本试题以人流密度估计作为内容，答题者需要以对应主题作为技术核心，开发出能适用于密集、稀疏、高空、车载等多种复杂场景的通用人流密度估计算法，准确估计出输入图像中的总人数。

任务描述

要求参赛者给出一个算法或模型，对于给定的图片，统计图片中的总人数。给定图片数据，选手据此训练模型，为每张测试数据预测出最准确的人数。

数据说明

本竞赛所用训练和测试图片均来自一般监控场景，但包括多种视角（如低空、高空、鱼眼等），图中行人的相对尺寸也会有较大差异。部分训练数据参考了公开数据集（如ShanghaiTech [1], UCF-CC-50 [2], WorldExpo’10 [3]，Mall [4] 等）。

本竞赛的数据标注均在对应json文件中，每张训练图片的标注为以下两种方式之一：

（1）部分数据对图中行人提供了方框标注（boundingbox），格式为[x, y, w, h][x,y,w,h]；

（2）部分图对图中行人提供了头部的打点标注，坐标格式为[x, y][x,y]。

此外部分图片还提供了忽略区（ignore_region）标注，格式为[x_0, y_0, x_1, y_1, …, x_n, y_n]组成的多边形（注意一张图片可能有多个多边形忽略区），图片在忽略区内的部分不参与训练/测试。

通过这几天的学习，总结了以下几点，深度学习的底层基础是数学基础知识，只有对数学基础知识进行深入的理解，才能解决实际的问题。其次就是要不断积累实际的经验，遇到更多的问题，在进行解决积累。

最后希望祝愿百度的aistudio平台越办越好。最好多点32GB的GPU，哈哈哈。最后对老师和助教们表示衷心的感谢！奥利给！！！