完成模型配置。 图1 模型配置 模型级别：可选择“初始模型”和“迭代模型”。“初始模型”为Octopus平台提供的内置模型，“迭代模型”是用户二次微调后的模型。 输入模型：选择需要进行微调的模型和版本。当前支持2D预标注模型进行模型微调。 输出模型：模型微调后存储的模型仓库。

查看更多 →

模型训练 企业A在完成特征选择后，可以单击右下角的“启动训练”按钮，配置训练的超参数并开始训练。 等待训练完成后就可以看到训练出的模型指标。 模型训练完成后如果指标不理想可以重复调整7、8两步的所选特征和超参数，直至训练出满意的模型。 父主题： 使用 TICS 可信联邦学习进行联邦建模

查看更多 →

读取模型 概述 读取spark pipeline model类型的模型文件。 输入 无 输出 spark pipeline model类型的模型对象 参数说明 参数 参数说明 input_model_path 模型文件所在的路径 样例 params = { "input_model_path":

查看更多 →

保存模型 概述 保存spark pipeline类型的模型到本地文件系统。 输入 参数 子参数 参数说明 inputs pipeline_model inputs为字典类型，pipeline_model为pyspark中的PipelineModel对象 输出 无 参数说明 参数 子参数

查看更多 →

模型工程 分类 聚类 评估 推荐 回归 文本 时间序列 父主题： 预置算子说明

查看更多 →

模型部署 ModelArts提供模型、服务管理能力，支持多厂商多框架多功能的镜像和模型统一纳管。 通常AI模型部署和规模化落地非常复杂。 例如，智慧交通项目中，在获得训练好的模型后，需要部署到云、边、端多种场景。如果在端侧部署，需要一次性部署到不同规格、不同厂商的摄像机上，这是一

查看更多 →

公共模型 公共模型提供API设计时所需公共数据的定义，在设计API的Body请求体或返回响应时，如果需要使用某种数据模型、公共响应等，可直接引用对应的公共模型，单击“公共模型”搜索框右侧，新建不同类型公共模型，CodeArts API提供以下7种公共模型定义：数据模型、公共响应、

查看更多 →

String 来源训练作业的ID，模型是从训练作业产生的可填写，用于溯源；如模型是从第三方元模型导入，则为空，默认值为空。 source_job_version 否 String 来源训练作业的版本，模型是从训练作业产生的可填写，用于溯源；如模型是从第三方元模型导入，则为空，默认值为空。

查看更多 →

检索模型 概述 通过模型地图，用户可以根据模型的名字和路径关键字进行资产检索，快速查找所需数据信息。 前提条件 已完成采集技术模型和录入业务模型。 操作步骤 登录ROMA Connect，在“实例”页面单击实例上的“查看控制台”，进入实例控制台。 在左侧的导航栏选择“应用业务模型ABM

查看更多 →

模型采集 接入数据源 管理数据源 采集任务管理 父主题： 应用模型

查看更多 →

检索模型 概述 通过模型地图，用户可以根据模型的名字和路径关键字进行资产检索，快速查找所需数据信息；同时也支持用户收藏模型，申请权限，添加标注，方便快速使用。 前提条件 已采集技术模型，具体请参见模型采集。 已创建业务模型，具体请参见模型目录（旧版）。 检索模型 在开天 集成工作台 界面中，选择左侧导航栏中的“应用模型

查看更多 →

模型适配 基于MindSpore Lite的模型转换 动态shape 父主题： 推理业务昇腾迁移通用指导

查看更多 →

可以看到获取的shape信息如下图所示。 图1 shape信息 PyTorch模型转换为Onnx模型（可选） 获取onnx模型有两种方式，方式一是使用官方提供的模型转换脚本将pytorch模型转换为onnx模型，方式二是对于提供了onnx模型的仓库，可以直接下载onnx模型。下面介绍方式一如何操作，如果采用方式二，可以跳过此步骤。

查看更多 →

模型管理 使用租间管理员账号登录AICC。 选择“配置中心>机器人管理>语义理解管理> 系统管理>模型管理” 单击“新增”，依次输入“名称”、“语言”、“模型类型”、“描述”。 图1 新增模型 单击“保存”，完成配置。 父主题： 其他操作

查看更多 →

接口模型 查询接口模型 查看接口模型 修改接口模型 父主题： 数据模型管理

查看更多 →

防篡改、防泄漏。 模型安全性及合规性。 对模型文件进行版本管理，支持模型溯源；模型训练工作流的访问操作通过身份及权限控制且模型训练、推理所依赖的环境支持租户资源隔离，模型文件存储安全，且对模型文件访问进行身份及权限控制，模型文件访问基于https加密传输，模型训练及访问可防篡改、防泄漏。

查看更多 →

单击界面左下角的“异常检测模型测试”，弹出“异常检测模型测试”代码框，如图3所示。 “是否绘图”请选择“是”，可以通过绘图查看模型的测试验证效果。 图3 异常检测模型测试 单击“异常检测模型测试”代码框左侧的图标。等待模型测试完成。 模型测试打印结果示例，如图4所示。截图仅为模型测试打印结果的一部分，具体以实际打印结果为准。

查看更多 →

模型训练 硬盘故障检测模板会预置模型训练工程，无需关注，下面会提供端到端的操作流程，帮助用户快速熟悉模型训练界面操作。 单击菜单栏中的“模型训练”，进入模型训练首页。 可以看到预置的“hardisk_detect”模型训练工程，这是硬盘故障检测模板预置的模型训练工程，本次不使用。

查看更多 →

模型管理 模型管理简介 创建模型 模型推理

查看更多 →

测试模型 用测试数据测试模型的泛化能力。训练数据可以是带标签或者不带标签的数据，测试数据一定是带标签的数据，方便评估模型执行效果。 单击“训练模型”左下方的“测试模型”，新增“测试模型”内容。 参数配置均保持默认值。 单击“测试模型”代码框左侧的图标，进行模型评估。 模型测试效果会通过表格的形式在下方展示。

查看更多 →

训练模型 特征和算法确定后，可以开始训练模型。 训练模型 单击“模型选择”左下方的“训练模型”。 新增“训练模型”内容，如图1所示。 图1 训练模型 单击“训练模型”代码框左侧的图标，进行模型训练。 模型训练完成后，界面下方展示模型的评估效果。 第一列内容的含义如下所示： 0：标注为0的所有样本。可以理解为标签。

查看更多 →