旗舰版机器人默认支持重量级深度学习。 专业版和高级版机器人如果需要使用重量级深度学习，需要先单击“重量级深度学习”，然后单击“联系我们”。 图2 重量级深度学习 编辑模型信息。 轻量级深度学习：选填“模型描述”。 图3 轻量级深度学习 重量级深度学习：选择量级“中量级”或“重量级”，选填“模型描述”。

查看更多 →

务所需的模型。 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。经常不能一次性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，如准确率、召回率、AUC等，能帮助您有效的评估，最终获得一个满意的模型。 部署模型

查看更多 →

云状类型识别模型，并查看训练的模型准确率和误差的变化。 训练模型 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。 评估结果包括一些常用的指标，如精准率、召回率、F1值等，并且同时启动一个在线测试服务，供您模拟在线测试，帮助您有效评估模型，最终获得一个满意的模型。

查看更多 →

，反映模型对负样本的区分能力。 accuracy：准确率 所有样本中，模型正确预测的样本比率，反映模型对样本整体的识别能力。 f1：F1值 F1值是模型精确率和召回率的加权调和平均，用于评价模型的好坏，当F1较高时说明模型效果较好。 同一个自动学习项目可以训练多次，每次训练会注册

查看更多 →

续训练模型操作是基于您选择的训练数据集。 选择数据 训练模型 选择训练数据后，基于已标注的训练数据，选择预训练模型、配置参数，用于训练安全帽检测模型。 训练模型 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。 一些常用的指标，如精准率、召回率、F1

查看更多 →

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。 评估结果包括一些常用的指标，如精准率、召回率、F1值等，并且同时启动一个在线测试服务，供您模拟在线测试，帮助您有效评估模型，最终获得一个满意的模型。 评估模型 部署服务 模型准备完成后，您可以部署服务，用于检测和识别车牌，也可以直接调用对应的API和SDK识别。

查看更多 →

被模型预测为某个分类的所有样本中，模型正确预测的样本比率，反映模型对负样本的区分能力。 accuracy：准确率 所有样本中，模型正确预测的样本比率，反映模型对样本整体的识别能力。 f1：F1值 F1值是模型精确率和召回率的加权调和平均，用于评价模型的好坏，当F1较高时说明模型效果较好。 同一个

查看更多 →

模型精度调优 场景介绍 精度问题诊断 精度问题处理 父主题： 基于AIGC模型的GPU推理业务迁移至昇腾指导

查看更多 →

。 “训练模型”：可选“基础模型（精度较低，但推理速度快）”和“高精模型（精度高，但推理速度较慢）”。 “车辆场景”：可选“城市场景”和“工地场景”。 单击“训练”。 模型训练一般需要运行一段时间，等模型训练完成后，“开发应用>模型训练”页面下方显示查看训练详情。 查看训练详情

查看更多 →

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。 评估结果包括一些常用的指标，如精准率、召回率、F1值等，并且同时启动一个在线测试服务，供您模拟在线测试，帮助您有效评估模型，最终获得一个满意的模型。 评估模型 部署服务 模型准备完成后，您可以部署服务，用于识别刹车盘的类

查看更多 →

训练模型 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。 评估模型 部署服务 模型准备完成后，您可以部署服务，用于分类自己所上传的文字内容，也可直接调用对应的API。

查看更多 →

recall：召回率 被用户标注为某个分类的所有样本中，模型正确预测为该分类的样本比率，反映模型对正样本的识别能力。 precision：精确率 被模型预测为某个分类的所有样本中，模型正确预测的样本比率，反映模型对负样本的区分能力。 accuracy：准确率 所有样本中，模型正确预测的

查看更多 →

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。 评估结果包括一些常用的指标，如精准率、召回率、F1值等，并且同时启动一个在线测试服务，供您模拟在线测试，帮助您有效评估模型，最终获得一个满意的模型。 评估模型 部署服务 模型准备完成后，您可以部署服务，用于识别热轧钢板

查看更多 →

成用户的兴趣标签，提供离线、近线、在线三层计算，完成千人千面的个性化媒资推荐。 场景优势 可以实现7*24小时，智能学习用户行为，构建兴趣模型。 兴趣文章命中率高，用户粘性增强，PV增幅明显。 减少人工运营规则的摄入，减低人力成本。 全流程自动化，批/流训练结合，稳定可靠。 图2

查看更多 →

训练模型 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。 评估模型 部署服务 模型准备完成后，您可以部署服务，用于分类自己所上传的文字内容，也可直接调用对应的API。

查看更多 →

练模型”，并配置训练参数，开始训练模型。 预训练模型 当前服务提供预置预训练模型“高精版”、“均衡版”、“基础版”，在“预训练模型”列表中可查看“模型精度”、“推理速度”、“训练速度”和模型“简介”。 参数配置 在“参数配置”填写“学习率”、“训练轮次”和“语种”。 “学习率”用来控制模型的学习速度，范围为(0

查看更多 →

用户可从OBS中选择保存有人工编辑推荐结果的列表（即物品ID）。 基于特征匹配的召回策略 基于特征匹配的召回策略会用用户画像和物品画像的相关属性进行匹配，为用户召回属性匹配程度高的若干个物品。 表7 基于特性匹配的召回策略参数说明 参数名称 说明 名称 策略名称，由中文、英文、数字、下划线

查看更多 →

自动标注数据 训练模型 选择训练数据后，无需用户配置任何参数即可开始训练商品识别模型，并查看训练的模型准确率和误差的变化。 训练模型 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。 评估结果包括一些常用的指标，如精准率、召回率、F1值等，并且同时

查看更多 →

被模型预测为某个分类的所有样本中，模型正确预测的样本比率，反映模型对负样本的区分能力。 accuracy：准确率 所有样本中，模型正确预测的样本比率，反映模型对样本整体的识别能力。 f1：F1值 F1值是模型精确率和召回率的加权调和平均，用于评价模型的好坏，当F1较高时说明模型效果较好。 同一个

查看更多 →

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。 评估结果包括一些常用的指标，如精准率、召回率、F1值等，并且同时启动一个在线测试服务，供您模拟在线测试，帮助您有效评估模型，最终获得一个满意的模型。 评估模型 部署服务 模型准备完成后，您可以部署服务，用于识别图像的类别，也可以直接调用对应的API和SDK识别。

查看更多 →

在左侧导航树上依次选择“作业管理 > 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 在弹出的对话框中单击“纵向联邦”按钮，编辑“作业名称”等相关参数，完成后单击“确定”。 目前，纵向联邦学习支持“XGBoost”、“逻辑回归”、“F

查看更多 →