护数据使用方的数据查询和搜索条件，避免因查询和搜索请求造成的数据泄露。 可信联邦学习 可信联邦学习是 可信智能计算 服务提供的在保障用户数据安全的前提下，利用多方数据实现的联合建模，曾经被称为联邦机器学习。 联邦预测作业 联邦预测作业在保障用户数据安全的前提下，利用多方数据和模型实现样本联合预测。

查看更多 →

评测镜像 Octopus平台各服务均提供用户 自定义镜像 功能，此模块对镜像提供了统一管理。 仿真镜像 仿真场景 仿真场景模块支持对单个仿真场景的增删改查操作。用户可根据场景类型，依据平台提示，上传符合要求的场景文件。场景创建完毕后，用户可选择在线仿真机器加载场景，通过仿真器内置算法检验场景质量。

查看更多 →

分批策略： 自动分批：用户选择的待执行机器，会根据默认规则，自动分成多批次。 手动分批：用户可以根据自身需要，手动创建若干批次，然后手动将机器分配到各批次中。 不分批：用户所有待执行的机器会全部在同一批次。 图2 选择分批策略 设置熔断策略。 熔断阈值：用户可以设置执行的成功率，当

查看更多 →

标注、保存标注结果、标注结果发布数据集等功能。可准确、高效、安全地完成各类型数据的标注任务，为客户提供专业的数据标注服务能力，助力客户高效开展算法模型训练与机器学习，快速提高AI领域竞争力。 图片/音频标注数据标注支持选择上传本地数据文件进行标注。上传后的文件存储于OBS中，标注

查看更多 →

纵向联邦作业XGBoost算法只支持两方参与训练。 训练作业必须选择一个当前计算节点发布的数据集。 作业创建者的数据集必须含有特征。 创建纵向联邦学习作业 纵向联邦学习作业在本地运行，目前支持XGBoost算法、逻辑回归LR算法和FiBiNET算法。 纵向联邦学习分为五个步骤：数据选择、样本对

查看更多 →

迁移学习 如果当前数据集的特征数据不够理想，而此数据集的数据类别和一份理想的数据集部分重合或者相差不大的时候，可以使用特征迁移功能，将理想数据集的特征数据迁移到当前数据集中。 进行特征迁移前，请先完成如下操作： 将源数据集和目标数据集导入系统，详细操作请参见数据集。 创建迁移数据

查看更多 →

什么是对话机器人服务 对话机器人服务（Conversational Bot Service） 是一款基于人工智能技术，针对企业应用场景开发的云服务，主要提供智能问答机器人功能。智能问答机器人旨在帮助企业快速构建，发布和管理基于知识库的智能问答机器人系统。 对话机器人服务包含以下子服务：

查看更多 →

选择需要扫描的BMS实例 设置分批策略。 分批策略： 自动分批：用户选择的待执行机器，会根据默认规则，自动分成多批次。 手动分批：用户可以根据自身需要，手动创建若干批次，然后手动将机器分配到各批次中。 不分批：用户所有待执行的机器会全部在同一批次。 图7 选择分批策略 设置熔断策略。 熔

查看更多 →

在“批量开机”页面，选择“添加实例”。 图1 选择实例 选择“分批策略”。 自动分批：用户选择的待执行机器，会根据默认规则，自动分成多批次。 手动分批：用户可以根据自身需要，手动创建若干批次，然后手动将机器分配到各批次中。 不分批：用户所有待执行的机器会全部在同一批次。 输入“熔断策略”。 用户可

查看更多 →

在“批量重启”页面，选择“添加实例”。 图1 选择实例 选择“分批策略”。 自动分批：用户选择的待执行机器，会根据默认规则，自动分成多批次。 手动分批：用户可以根据自身需要，手动创建若干批次，然后手动将机器分配到各批次中。 不分批：用户所有待执行的机器会全部在同一批次。 输入“熔断策略”。 用户可

查看更多 →

在“批量重启”页面，选择“添加实例”。 图1 选择实例 选择“分批策略”。 自动分批：用户选择的待执行机器，会根据默认规则，自动分成多批次。 手动分批：用户可以根据自身需要，手动创建若干批次，然后手动将机器分配到各批次中。 不分批：用户所有待执行的机器会全部在同一批次。 输入“熔断策略”。 用户可

查看更多 →

在“批量开机”页面，选择“添加实例”。 图1 选择实例 选择“分批策略”。 自动分批：用户选择的待执行机器，会根据默认规则，自动分成多批次。 手动分批：用户可以根据自身需要，手动创建若干批次，然后手动将机器分配到各批次中。 不分批：用户所有待执行的机器会全部在同一批次。 输入“熔断策略”。 用户可

查看更多 →

在“批量重启”页面，选择“添加实例”。 图1 选择实例 选择“分批策略”。 自动分批：用户选择的待执行机器，会根据默认规则，自动分成多批次。 手动分批：用户可以根据自身需要，手动创建若干批次，然后手动将机器分配到各批次中。 不分批：用户所有待执行的机器会全部在同一批次。 输入“熔断策略”。 用户可

查看更多 →

。 图4 选择目标实例 选择“分批策略”。 自动分批：用户选择的待执行机器，会根据默认规则，分成多批。 手动分批：用户可以根据自身需要，将待执行的机器，分成若干批，控制机器所在的批次。 不分批：用户所有待执行的机器会全部在同一批次。 图5 选择分批策略 设置“熔断策略”。 熔断策

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 →

orker可以利用本机网络提供传输效率，缩短训练时间。 Volcano批量调度系统：加速AI计算的利器 Volcano是一款构建于Kubernetes之上的增强型高性能计算任务批量处理系统。作为一个面向高性能计算场景的平台，它弥补了Kubernetes在机器学习、深度学习、HPC

查看更多 →

在“批量关机”页面，选择“添加实例”。 图1 选择实例 选择“分批策略”。 自动分批：用户选择的待执行机器，会根据默认规则，自动分成多批次。 手动分批：用户可以根据自身需要，手动创建若干批次，然后手动将机器分配到各批次中。 不分批：用户所有待执行的机器会全部在同一批次。 输入“熔断策略”。 用户可

查看更多 →

在“批量关机”页面，选择“添加实例”。 图1 选择实例 选择“分批策略”。 自动分批：用户选择的待执行机器，会根据默认规则，自动分成多批次。 手动分批：用户可以根据自身需要，手动创建若干批次，然后手动将机器分配到各批次中。 不分批：用户所有待执行的机器会全部在同一批次。 输入“熔断策略”。 用户可

查看更多 →

在“批量关机”页面，选择“添加实例”。 图1 选择实例 选择“分批策略”。 自动分批：用户选择的待执行机器，会根据默认规则，自动分成多批次。 手动分批：用户可以根据自身需要，手动创建若干批次，然后手动将机器分配到各批次中。 不分批：用户所有待执行的机器会全部在同一批次。 输入“熔断策略”。 用户可

查看更多 →

自动学习训练后的模型是否可以下载？ 不可以下载。但是您可以在AI应用管理页面查看，或者将此模型部署为在线服务。 父主题： 模型训练

查看更多 →

在“切换操作系统”页面，选择“添加实例”。 图1 切换展示操作页 选择“分批策略”。 自动分批：用户选择的待执行机器，会根据默认规则，自动分成多批次。 手动分批：用户可以根据自身需要，手动创建若干批次，然后手动将机器分配到各批次中。 不分批：用户所有待执行的机器会全部在同一批次。 输入“熔断策略”。 用户可

查看更多 →