自接入的模型在模型调测的时候报错是什么原因？ 接入第三方模型服务时，填写的模型名称必须为该模型的模型ID/模型编码（登录第三方模型厂商官网查看），例如：Baichuan4、deepseek-chat、glm-4-air，如图1所示，否则会导致模型不可用。 图1 接入模型服务 父主题：

查看更多 →

您可以基于开放的SDC OS进行算法的代码开发。 接口参考 模型训练 俗称“建模”，指通过分析手段、方法和技巧对准备好的数据进行探索分析，发现因果关系、内部联系和业务规律，从而得到一个或多个机器学习模型。 一站式开发平台使用指南 算法打包 将开发的代码和训练后的模型打包成算法包（RPM格式），以便发布到商城进行交易。

查看更多 →

connection_id 否 String 转化后物理表所属的数据连接ID。 database 否 String 转化后物理表所属的数据库。 queue 否 String 转化后物理表所属的队列（仅 DLI ）。 schema 否 String 转化后物理表所属的schema（仅DWS和PostgreSQL）。

查看更多 →

模型测试 将样例数据中的测试数据集加载至当前学件项目中，进行数据预处理，并基于训练出的模型进行效果验证。 单击界面左下角的“加载数据”，弹出“加载数据”代码框，如图1所示。 需要配置的参数如下所示，其余参数保持默认值即可。 数据集：从下拉框中选择数据集“samples”。 数据集

查看更多 →

特征处理后生成的数据集，对应数据集实例“Train_fail_FE”。 运行超参：模型参数是模型内部的配置变量，参数值可以根据数据自动估算。参数是机器学习的关键，通常从过去的训练数据中总结得出。超参区别于参数，是模型外部的配置，必须手工设置和调整，可用于帮助估算模型参数值。请勾选

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 →

模型测试效果会通过表格的形式在下方展示。 第一列内容的含义如下所示： 0.0：标注为0的所有样本。可以理解为标签。 1.0：标注为1的所有样本。可以理解为标签。 macro average：所有标签结果的平均值。 weighted average：所有标签结果的加权平均值。 第一行内容的含义如下所示，即模型优劣的评价指标：

查看更多 →

果而言的。含义为在被预测为正的样本中实际为正样本的概率。 recall：召回率，又被称为查全率，是针对原样本而言的。含义为在实际为正的样本中被预测为正样本的概率。 support：每类标签出现的次数。 模型训练完成后，可以查看归档的模型文件，如模型训练目录说明所示。 模型训练目录说明

查看更多 →

模型管理 单击菜单栏中的“模型管理”，可在“模型管理”界面查看打包好的模型，如图1所示。 图1 模型管理 父主题： 使用模型训练服务快速训练算法模型

查看更多 →

发布模型 逻辑实体创建完成后，必须创建对应的物理实体，才可以发布逻辑模型。 操作步骤 在数据服务左侧导航，选择“工具箱>数据开发>数据建模”。 在左侧导航中，单击展开分层，选择一个分层。 在需要发布的逻辑实体对应的“操作”列下，单击>。 在“提示”对话框中单击“确认”。 在“确认”对话框中单击“确定”。

查看更多 →

自定义引擎 通过引擎的镜像地址自定义增加引擎。 主入口 训练任务的入口文件及入口函数。 计算节点规格 模型训练服务提供的计算节点资源，包括CPU和GPU。 用户可以单击选定计算节点资源，并在“计算节点个数”中配置计算节点资源的个数。 计算节点个数 计算节点的个数。 1代表单节点计算

查看更多 →

模型训练 导入SDK 选择数据 特征画像 模型选择 训练模型 测试模型 开发推理 归档模型 父主题： KPI异常检测学件服务

查看更多 →

模型管理 模型管理简介 创建模型包 编辑模型包 上架模型包至AI市场 发布推理服务 模型包完整性校验 父主题： 用户指南

查看更多 →

归档模型 模型训练完成后，支持归档模型。操作步骤如下所示。 单击界面右上角的“归档”图标，界面下方新增“归档”代码框。 配置新增的cell代码框右侧配置参数。 参数说明如下所示： 模型名：归档模型的名称。以字母开头，可由数字、大小写字母或中划线组成。示例：Learnware。 模型版本：归档模型的版本。格式为“xx

查看更多 →

训练详情 模型如何提升效果 检查是否存在训练数据过少的情况，建议每个标签的样本数不少于100个，如果低于这个量级建议扩充。 检查不同标签的样本数是否均衡，建议不同标签的样本数量级相同，并尽量接近，如果有的类别数据量很高，有的类别数据量较低，会影响模型整体的识别效果。 选择适当的学习率和训练轮次。

查看更多 →

评估模型 训练得到模型之后，整个开发过程还不算结束，需要对模型进行评估和考察。一次性很难获得一个满意的模型，需要反复的调整算法参数、数据，不断评估训练生成的模型。 一些常用的指标，如精准率、召回率、F1值等，能帮助您有效的评估，最终获得一个满意的模型。 前提条件 已在 自然语言处理

查看更多 →

评估模型 训练得到模型之后，整个开发过程还不算结束，需要对模型进行评估和考察。一次性很难获得一个满意的模型，需要反复的调整算法、数据，不断评估训练生成的模型。 一些常用的指标，如精准率、召回率、F1值等，能帮助您有效的评估，最终获得一个满意的模型。 前提条件 已在视觉套件控制台选

查看更多 →

评估模型 训练得到模型之后，整个开发过程还不算结束，需要对模型进行评估和考察。一次性很难获得一个满意的模型，需要反复的调整算法、数据，不断评估训练生成的模型。 一些常用的指标，如准确率、召回率等，能帮助您有效的评估，最终获得一个满意的模型。 前提条件 已在视觉套件控制台选择“第二

查看更多 →

评估模型 训练得到模型之后，整个开发过程还不算结束，需要对模型进行评估和考察。一次性很难获得一个满意的模型，需要反复的调整算法、数据，不断评估训练生成的模型。 一些常用的指标，如精准率、召回率等，能帮助您有效的评估，最终获得一个满意的模型。 前提条件 已在“ 工业智能体 控制台>工业

查看更多 →

模型架构 图1 模型架构 图2 模型架构--类 模型架构中类信息的维护 图3 新增类 图4 录入类信息 图5 编辑类 图6 修改类信息 在适配器中该类已经被添加了sql语句的，不能编辑修改，如要修改，必须将该类下面对应的sql语句都删除掉。 图7 类属性 单击按钮弹出页面进行修改。

查看更多 →

使用模型 用训练好的模型预测测试集中的某个图片属于什么类别，先显示这个图片，命令如下。 1 2 3 # display a test image plt.figure() plt.imshow(test_images[9]) 图1 显示用以测试的图片 查看预测结果，命令如下。 1

查看更多 →