优化顾问 OA

支持在分布式的、信任边界缺失的多个参与方之间建立互信空间； 实现跨组织、跨行业的多方数据融合分析和多方联合学习建模。 灵活多态 支持对接主流数据源（如 MRS 、 DLI 、 RDS、 Oracle等）的联合数据分析； 支持对接多种深度学习框架( TICS ，TensorFlow)的联邦计算； 支持控制流和数据流的分离，

查看更多 →

AI开发的目的是将隐藏在一大批数据背后的信息集中处理并进行提炼，从而总结得到研究对象的内在规律。 对数据进行分析，一般通过使用适当的统计、机器学习、深度学习等方法，对收集的大量数据进行计算、分析、汇总和整理，以求最大化地开发数据价值，发挥数据作用。 AI开发的基本流程 AI开发的基本流程通

查看更多 →

CCE云容器引擎是否支持负载均衡？ CCE是否和深度学习服务可以内网通信？ CCE是否和深度学习服务可以内网通信？ CCE是否和深度学习服务可以内网通信？ CCE是否和深度学习服务可以内网通信？ CCE是否和深度学习服务可以内网通信？ CCE是否和深度学习服务可以内网通信？ 更多 远程登录 应用容器化改造介绍

查看更多 →

性能 历史性能 实时性能 实时诊断 性能趋势对比查看 自定义图表 父主题： DBA智能运维

查看更多 →

自动学习 准备数据 模型训练 部署上线 模型发布

查看更多 →

ISDP产品功能整体框架 功能模块 角色说明

查看更多 →

Standard支持的AI框架 ModelArts Standard的开发环境Notebook、训练作业、模型推理（即AI应用管理和部署上线）支持的AI框架及其版本，请参见如下描述。 统一镜像列表 ModelArts提供了ARM+Ascend规格的统一镜像，包括MindSpore

查看更多 →

性能 实例性能 单节点多指标 多节点单指标 父主题： DBA智能运维

查看更多 →

性能 历史性能 实时性能 实时诊断 性能趋势对比查看 自定义图表 父主题： DBA智能运维（旧版）

查看更多 →

据有诸多好处，它可以保证不同 服务器 上访问数据的一致性，减少不同服务器上分别保留数据带来的数据冗余等。另外以 AI 生态中非常流行的开源深度学习框架PyTorch为例，PyTorch默认会通过文件接口访问数据，AI算法开发人员也习惯使用文件接口，因此文件接口是最友好的共享存储访问方式。

查看更多 →

据有诸多好处，它可以保证不同服务器上访问数据的一致性，减少不同服务器上分别保留数据带来的数据冗余等。另外以 AI 生态中非常流行的开源深度学习框架PyTorch为例，PyTorch默认会通过文件接口访问数据，AI算法开发人员也习惯使用文件接口，因此文件接口是最友好的共享存储访问方式。

查看更多 →

训练作业的创建方式介绍 创建方式 适用场景 使用预置框架创建训练作业 如果您已在本地使用一些常用框架完成算法开发，您可以选择常用框架，创建训练作业来构建模型 使用 自定义镜像 创建训练作业 如果您开发算法时使用的框架并不是常用框架，您可以将算法构建为一个自定义镜像，通过自定义镜像创建训练作业。

查看更多 →

源注册、隐私策略（敏感，非敏感，脱敏）的设定、元数据的发布等，为数据源计算节点提供全生命周期的可靠性监控、运维管理。 可信联邦学习 对接主流深度学习框架实现横向和纵向的联邦训练，支持基于安全密码学(如不经意传输、差分隐私等)的多方样本对齐和训练模型的保护。 数据使用监管 为数据参

查看更多 →

培养与认证具备使用机器学习、深度学习等算法设计、开发AI产品及解决方案能力的工程师。 通过HCIA-AI认证，将证明您了解人工智能发展历史、昇腾AI体系和全栈全场景AI战略，掌握传统机器学习和深度学习的相关算法；具备利用TensorFlow开发框架和MindSpore开发框架进行搭建、训练

查看更多 →

分布式执行框架 GS_235100005 错误码： Stream plan check failed. Execution datanodes list of stream node[%d] mismatch in parent node[%d]. 解决方案：请使用INTERNAL

查看更多 →

使用STS SDK（NUWA框架） 初始化STS NUWA中已经自带了STS插件，只需要在nuwa-module-config.yml文件中进行如下配置，即可初始化STS。这种方式可以保证在其他中间件、Cloud Map之前初始化STS，保证组件启动顺序正确。 nuwa: security:

查看更多 →

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 →

确认学习结果 HSS学习完白名单策略关联的服务器后，输出的学习结果中可能存在一些特征不明显的可疑进程需要再次进行确认，您可以手动或设置系统自动将这些可疑进程确认并分类标记为可疑、恶意或可信进程。 学习结果确认方式，在创建白名单策略时可设置： “学习结果确认方式”选择的“自动确认可

查看更多 →

集成主流深度学习框架，包括PyTorch，TensorFlow，Jittor，PaddlePaddle等，内置经典网络结构并支持用户自定义上传网络，同时，针对遥感影像多尺度、多通道、多载荷、多语义等特征，内置遥感解译专用模型，支持用户进行预训练和解译应用。 图18 部分深度学习模型参数

查看更多 →

FPGA加速云服务器 包括两类： 高性能架构 基于DPDK的高性能交互框架，支持流计算模型，支持数据流并发，主要用于RTL开发场景，满足用户高带宽低时延的要求。 通用型架构 基于SDAccel的通用型交互框架，支持块计算模块，支持Xilinx SGDMA数据传输框架，主要用于高级语言开发或已有算法移植，满足用户快速上线的需求。

查看更多 →

不用进行强化学习，也可以准确判断和学习到使用者的偏好，最后，DPO算法还可以与其他优化算法相结合，进一步提高深度学习模型的性能。 RM奖励模型(Reward Model)：是强化学习过程中一个关键的组成部分。它的主要任务是根据给定的输入和反馈来预测奖励值，从而指导学习算法的方向，帮助强化学习算法更有效地优化策略

查看更多 →