模型的基础信息 盘古大模型平台为用户提供了多种规格的模型，涵盖从基模型到功能模型的多种选择，以满足不同场景和需求。不同模型在处理上下文token长度和功能上有所差异，以下是当前支持的模型清单，您可以根据实际需求选择最合适的模型进行开发和应用。 表1 NLP大模型清单 模型类别 模型

查看更多 →

创建的智能学习策略的策略名称。 已生效服务器 应用该智能学习策略的服务器数量。 学习中服务器 学习该策略的服务器数量。 可信进程数 智能学习策略生效后，HSS会自动识别您服务器中进程的可信进程，并统计可信进程的数量。 监控文件路径 监控的文件的路径，多个文件以分号分隔。监控该路径下的文件操作。

查看更多 →

可信联邦学习”，打开可信联邦学习作业页面。 在“可信联邦学习”页面，单击“创建”。 图1 创建作业 在弹出的对话框中配置作业名称相关参数，完成后单击“确定”。 图2 新建作业 在弹出的界面，继续配置可信联邦学习作业的参数，参数配置参考表1。 图3 配置参数 “数据集配置”的“可选数据列表”：

查看更多 →

模型支持的区域 区域是一个地理区域的概念。我国地域面积广大，由于带宽的原因，无法仅依靠一个数据中心为全国客户提供服务。因此，根据地理区域的不同将全国划分成不同的支持区域。 盘古大模型当前仅支持西南-贵阳一区域。 图1 盘古大模型服务区域 父主题： 模型能力与规格

查看更多 →

模型支持的操作 在选择和使用盘古大模型时，了解不同模型所支持的操作行为至关重要。不同模型在预训练、微调、模型评估、模型压缩和在线推理等方面的支持程度各不相同，开发者应根据自身需求选择合适的模型。以下是各个模型支持的具体操作： 表1 模型支持的操作 模型 预训练 微调 模型评估 模型压缩

查看更多 →

智能问答机器人版本 智能问答机器人支持基础版、高级版、专业版、旗舰版四种规格，各规格的差异如表1所示。 表1 机器人版本说明 功能列表 基础版 高级版 专业版 旗舰版 管理问答语料 √ √ √ √ 实体管理 √ √ √ √ 问答模型训练 轻量级深度学习 - √ √ √ 重量级深度学习

查看更多 →

配置WebUI上显示的Lost Executor信息的个数 配置场景 Spark WebUI中“Executor”页面支持展示Lost Executor的信息，对于JD BCS erver长任务来说，Executor的动态回收是常态，Lost Executor个数太多，会撑爆“Exe

查看更多 →

配置WebUI上显示的Lost Executor信息的个数 配置场景 Spark WebUI中“Executor”页面支持展示Lost Executor的信息，对于JDB CS erver长任务来说，Executor的动态回收是常态，Lost Executor个数太多，会撑爆“Exe

查看更多 →

介绍神经网络的定义与发展，深度学习的训练法则，神经网络的类型以及深度学习的应用 图像识别、 语音识别 、机器翻译编程实验 与图像识别、语言识别、机器翻译编程相关的实验操作 本培训为线下面授形式，培训标准时长为6天，每班人数不超过20人。 验收标准 按照培训服务申请标准进行验收，客户以官网

查看更多 →

GS_OPT_MODEL GS_OPT_MODEL是启用AiEngine执行计划时间预测功能时的数据表，记录机器学习模型的配置、训练结果、功能、对应系统函数、训练历史等相关信息。 分布式场景下提供此系统表，但AI能力不可用。 父主题： 系统表

查看更多 →

客户端单IP连接的个数为多少？ 2020年7月以及之后购买的实例，Kafka实例的每个代理允许客户端单IP连接的个数默认为1000个，在此之前购买的实例，Kafka实例的每个代理允许客户端单IP连接的个数默认为200个，如果超过了，会出现连接失败问题。您可以通过修改配置参数来修改单IP的连接数。

查看更多 →

创建数据预处理作业 数据预处理是训练机器学习模型的一个重要前置步骤，其主要是通过转换函数将特征数据转换成更加适合算法模型的特征数据过程。 TICS 特征预处理功能能够实现对数据的探索、分析、规整以及转换，以达到数据在训练模型中可使用、可实用，在TICS平台内完成数据处理到建模的闭环。 假设您有如下数

查看更多 →

包含“专业版”功能，以及以下功能。 深度学习模型训练 如何修改机器人规格 登录CBS控制台。 在智能问答机器人列表中，选择“操作”列的“规格修改”。 图1 规格修改 依据使用需求修改机器人的规格。 图2 修改问答机器人规格 父主题： 智能问答机器人

查看更多 →

s_any之间为“与”的关系。 match字段说明： 参数 是否必选 参数类型 描述 key 是 String 键。固定值为"resource_name"。 value 是 String 值。需要查询的共享的名称。value为空字符串时，精确匹配名称为空的共享，为非空字符串时模糊

查看更多 →

您可根据真实的任务类型进行调整。一般来说，如果目标任务的需要生成更具创造性的内容，可以使用较高的温度，反之如果目标任务的需要生成更为确定的内容，可以使用较低的温度。 请注意，温度和核采样的作用相近，在实际使用中，为了更好观察是哪个参数对结果造成的影响，因此不建议同时调整这两个参数。 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。

查看更多 →

预标注结果。 选择模型及版本 “我的AI应用”。您可以根据实际需求选择您的模型。您需要在目标AI应用的左侧单击下拉三角标，选择合适的版本。您的模型导入参见创建AI应用。 “我的订阅”。您可以根据实际需求选择AI Gallery中已订阅的模型。您需要在目标模型的左侧单击下拉三角标，

查看更多 →

超参优化任务的详细信息：最优超参组合的模型评分、训练耗时、参数取值，以及超参优化任务的参数信息。 评分图：在图表中显示每次迭代训练得到的模型评分。 超参图：在图表中显示每次迭代训练的超参取值及对应的模型评分。 试验时长图：在图表中显示每次迭代训练的超参取值及对应的训练时长。 父主题：

查看更多 →

图像搜索 服务 语音处理实验 介绍语音预处理， 语音合成 、语音识别服务 自然语言处理 实验 介绍中文文本分词、TF-IDF特征处理、Word2Vec、Doc2Vec，自然语言处理和对话机器人服务 ModelArts平台开发实验 介绍自动学习、数据管理、深度学习预置算法、深度学习自定义基础算法和进阶算法

查看更多 →

如何计算已使用实例个数？ APM中已使用实例个数是按照探针个数进行统计的。一个探针对应一个服务实例，您可以通过统计探针个数得到已使用实例个数，其中如图1所示的五种服务实例不统计为探针数。那么您在应用拓扑界面中看到的实例个数，减去不统计为探针数的实例个数，可得到探针个数，即计算出已使用的实例个数。

查看更多 →

AI开发基本概念 机器学习常见的分类有3种： 监督学习：利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程，也称为监督训练或有教师学习。常见的有回归和分类。 非监督学习：在未加标签的数据中，试图找到隐藏的结构。常见的有聚类。 强化学习：智能系统从环境到行为映射的学习，以使奖励信号（强化信号）函数值最大。

查看更多 →

Kubeflow部署 Kubeflow的诞生背景 基于Kubernetes构建一个端到端的AI计算平台是非常复杂和繁琐的过程，它需要处理很多个环节。如图1所示，除了熟知的模型训练环节之外还包括数据收集、预处理、资源管理、特性提取、数据验证、模型的管理、模型发布、监控等环节。对于一个AI算

查看更多 →