数据采样 如果数据量太大，造成特征操作等待的时间长，用户可以通过采样功能减少特征处理的数据量，提升特征处理的速度。 数据采样提供如下两种方式，请根据实际情况进行选择： 随机采样：按照比例进行样本数据的随机采样。 分层采样：如果一个特征或多个特征组合样本值的类型多样，为保证采样数据

查看更多 →

仅支持对刚导入的数据进行数据采样，不支持对已执行过特征操作的数据进行数据采样。 数据采样操作步骤如下。 在特征工程首页，单击特征工程所在行，对应“操作”列的图标，进入特征操作界面。 单击，弹出“采样”对话框。 配置采样参数如表1所示。 表1 采样参数设置 参数名称 参数描述 采样方法 数据样本采样的方法。

查看更多 →

采样方式介绍 蒙特卡洛采样 蒙特卡洛采样是一种简单的随机抽样，根据概率分布进行采样，如对样本服从µ=0，δ=1的正态分布，通过蒙特卡洛采样进行采样，采样得到的点能满足正态分布要求，如下图所示，采样得到的点会集中µ=0附近，要想采样得到更边界的点，需要进行大量采样。 图1 蒙特卡洛采样

查看更多 →

采样方式有几种？ 蒙特卡洛采样 蒙特卡洛采样是一种简单的随机抽样，根据概率分布进行采样，如对样本服从µ=0，δ=1的正态分布，通过通过蒙特卡洛采样进行采样，采样得到的点能满足正态分布要求，但如下图所示，采样得到的点会集中µ=0附近，要想采样得到更边界的点，需要进行大量采样。 图1

查看更多 →

么不建议您直接使用该数据进行微调，否则可能会存在如下问题： 过拟合：当微调数据量很小时，为了能充分学习这些数据的知识，可能会训练较多的轮次，因而模型会过分记住这些数据，导致无法泛化到其他数据上，最终发生过拟合现象。 欠拟合：当微调数据量很小时，模型无法有效地调整模型的参数，同时也

查看更多 →

75个英文单词，1token≈1.5汉字。 自监督学习 自监督学习（Self-Supervised Learning，简称SSL）是一种机器学习方法，它从未标记的数据中提取监督信号，属于无监督学习的一个子集。该方法通过创建“预设任务”让模型从数据中学习，从而生成有用的表示，可用于后续任务。它

查看更多 →

APM指标数据采样策略是什么？ 在使用APM服务过程中用户开启APM数据采集开关后，APM仅采集应用性能指标及调用链相关数据，不涉及个人隐私数据，详细内容请参见数据采集。 APM可以通过非侵入方式采集APM 探针提供的应用数据、基础资源数据、用户体验数据等多项指标。 指标数据周期性完整采集，默认采集周期为1分钟。

查看更多 →

算法工程处理的时候必须要先采样吗？ 算法工程数据采样的目的是提升界面每个特征操作的速度。大数据量操作的时候建议先采样。数据采样后所有的特征操作，都只对采样后的数据进行处理，可以减少特征操作处理的数据量。 父主题： 特征工程

查看更多 →

训练参数设置：若数据质量存在问题，且因训练参数设置的不合理而导致过拟合，该现象会更加明显。请检查训练参数中的 “训练轮次”或“学习率”等参数的设置，适当降低这些参数的值，降低过拟合的风险。 推理参数设置：请检查推理参数中的“温度”或“核采样”等参数的设置，适当减小其中一个参数的值，可以提升模型回答的确定性，避免生成异常内容。

查看更多 →

产品术语 A AI应用市场 提供AI模型的交易市场，是AI消费者接触NAIE云服务的线上门户，是AI消费者对已上架的AI模型进行查看、试用、订购、下载和反馈意见的场所。 AI引擎 可支持用户进行机器学习、深度学习、模型训练的框架，如Tensorflow、Spark MLlib、MXNe

查看更多 →

ALM-303046809 采样周期内，CRC错误超过告警阈值 告警解释 WLAN/4/AP_CRC_TOO_HIGH:OID [OID] AP CRC is abnormal notify. (APMAC=[OPAQUE], APName=[STRING], APCrcErrRate=[LONG]/10000

查看更多 →

ALM-3276800169 采样周期内，CRC错误超过告警阈值 告警解释 WLAN/4/AP_CRC_TOO_HIGH:OID [OID] AP CRC is abnormal notify. (APMAC=[OPAQUE], APName=[STRING], APCrcErrRate=[LONG]/10000

查看更多 →

练参数中的 “训练轮次”或“学习率”等参数的设置，适当降低这些参数的值，降低过拟合的风险。 父主题： 典型训练问题和优化策略

查看更多 →

带宽大小 * 保底百分比，所以调整完带宽后，保底带宽也会随之变化。日保底带宽以天为粒度计算，每一天的日保底带宽的值为当天设置过的最大保底带宽。 例如：一天中进行过带宽调整: 300Mbit/s -> 500Mbit/s -> 300Mbit/s，则当天的日保底带宽为：500Mbit/s*保底百分比。

查看更多 →

话题重复度控制（presence_penalty） -2~2 0 话题重复度控制主要用于控制模型输出的话题重复程度。 参数设置正值，模型倾向于生成新的、未出现过的内容；参数设置负值，倾向于生成更加固定和统一的内容。 如果您没有专业的调优经验，可以优先使用建议，再结合推理的效果动态调整。 为了让您更好

查看更多 →

宽大小×保底百分比，所以调整完共享带宽后，保底带宽也会随之变化。日保底带宽以天为粒度计算，每一天的日保底带宽的值为当天设置过的最大保底带宽。例如：一天中进行过带宽调整: 400Mbit/s -> 300Mbit/s -> 600Mbit/s，则当天的日保底带宽为120Mbit/s。

查看更多 →

行更新。 学习率：优化算法的参数，决定优化器在最优方向上前进步长的参数。默认0.001。 初始梯度累加和：梯度累加和用来调整学习步长。默认0.1。 ftrl：Follow The Regularized Leader 适用于处理超大规模数据的，含大量稀疏特征的在线学习的常见优化算法。

查看更多 →

同的场景和需求来选择合适的参数值。 话题重复度控制 用于调整模型对新令牌（Token）的处理方式。即如果一个Token已经在之前的文本出现过，那么模型在生成这个Token时会受到一定的惩罚。当值为正数时，模型会更倾向于生成新的Token，即更倾向于谈论新的话题。 词汇重复度控制

查看更多 →

同的场景和需求来选择合适的参数值。 话题重复度控制 用于调整模型对新令牌（Token）的处理方式。即如果一个Token已经在之前的文本出现过，那么模型在生成这个Token时会受到一定的惩罚。当值为正数时，模型会更倾向于生成新的Token，即更倾向于谈论新的话题。 词汇重复度控制

查看更多 →

仿真服务常见问题 如何一键恢复在线仿真功能？ 如何解决不小心释放在线仿真机器的问题？ 仿真场景终止条件有几种？ 同一个任务配置运行多次仿真任务都可以改变什么？ 采样方式有几种？

查看更多 →

模型评估 训练时的评估指标是用训练的数据集中随机采样的记录计算的，完成训练后企业A也可以使用其他的数据集对同一个模型进行多次的评估。单击“发起评估”选择训练参与方不同的数据集即可发起模型评估。 至此使用可信联邦学习进行联邦建模的过程已经完成，企业A已经训练出了一个符合自己要求的算

查看更多 →