在“脚本管理”页面，可查看当前环境该账号下创建的所有脚本。 单击表头后的，可对脚本进行排序，在操作列可禁用/启用、或删除脚本。 表1 “脚本管理”页签说明 参数 说明 名称 脚本的名称，即在创建脚本时，配置的名称。 类型 脚本的类型。 全局：系统预置的脚本。 自定义：用户自定义的脚本。 是否启用 脚本是否已启用。

查看更多 →

状态码： 400 查询直播中的流信息数据失败 { "error_code" : "LIVE.100011001", "error_msg" : "Request Illegal" } 状态码 状态码 描述 200 查询直播中的流信息数据成功 400 查询直播中的流信息数据失败 错误码

查看更多 →

标准页面中预置的API 在开发标准页面时，可以通过编写JS代码，来实现页面组件与后台接口之间的交互。如图1所示，在编写JS代码时，可直接使用系统预置的API。 系统预置的API代码结构样例如下，提供事件上下文context，用于封装常用的对象及API。 context ├──$app

查看更多 →

如何查看备份中的数据？ 您可以通过以下几种方式进行查看： 通过镜像创建云服务器无法直接从云备份控制台查看备份中的数据。 云服务器备份 使用云服务器备份创建镜像，相关操作请参考使用备份创建镜像。 使用镜像创建云服务器，相关操作请参考通过镜像创建云服务器。 登录云服务器，查看服务器中的数据。

查看更多 →

禁用根中的策略类型 功能介绍 禁用根中的策略类型。只有在根中启用了特定类型的策略，才能将该类型的策略绑定到根中的实体。执行此操作后，您不能再将指定类型的策略绑定到该根或该根中的任何组织单元或账号。这是在后台执行的异步请求。您可以使用ListRoots查看指定根的策略类型的状态。此操作只能由组织的管理账号调用。

查看更多 →

检查是否存在训练数据过少的情况，建议每个类别的图片量不少于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。 通过详细评估中的错误识别示例，有针对性地扩充训练数据。

查看更多 →

检查是否存在训练数据过少的情况，建议每个类别的图片量不少于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。 通过详细评估中的错误识别示例，有针对性地扩充训练数据。

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： AI

查看更多 →

，只有通过此API注册后的事件才会在组件的事件列表中展现。 thisObj：当前组件实例对象，指为该组件注册事件。 "eventName"：事件名称，应该与触发事件API中的第一个参数保持一致。 "Event Label"：事件标签名，在事件列表中展示的事件标题。 []：定义该事

查看更多 →

管理应用中的服务编排 操作场景 服务编排是一种通过简单的拖拉拽式流程编排以及参数配置的方式，来进行服务开发的能力，并支持对已开发的服务重新进行组合编排。用户能够在服务编排编辑器内，以图形化编排的形式快速地进行服务的开发并扩展出更丰富的业务功能，同时能够与API接口进行绑定，以API的形式对外提供服务。

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TI CS 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 →

定义XGBoost算法中决策树的数量，一个样本的预测值是多棵树预测值的加权和。取值范围为1~50的整数。 树深度 定义每棵决策树的深度，根节点为第一层。取值范围为1~10的整数。 切分点数量 定义每个特征切分点的数量，数量越多，准确率越高，计算时间越长。取值范围为5~10的整数。 分类阈值

查看更多 →

地图散点：配置方法和基础平面地图中的地图散点相似，请参考地图散点。 进阶版散点层：配置方法和基础平面地图中的进阶版散点层相似，请参考进阶版散点层。 基础平面地图中的进阶版散点层支持交互功能，但是，在世界地图中，进阶版散点层不支持交互功能。 地图热力层：配置方法和基础平面地图中的地图热力层相似，请参考地图热力层。

查看更多 →

模型训练新增创建联邦学习工程及其服务，对应新增创建联邦学习工程。 模型包支持对Jupyterlab环境归档的模型创建模型包、支持对特定模型包新建联邦学习实例、支持对已发布推理服务的模型包更新发布推理服务，对应刷新模型管理。 2020-04-16 变更点如下： 模型训练服务首页项目列表“

查看更多 →

业，根据合作方已提供的数据，编写相关sql作业并获取您所需要的分析结果，同时能够在作业运行保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。

查看更多 →

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，标注后的文件存放在与原始文件同路径的文件夹。 父主题： 图片/音频标注

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 →

检查是否存在训练数据过少的情况，建议每个类别的图片量不少于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。 通过详细评估中的错误识别示例，有针对性地扩充训练数据。

查看更多 →

检查是否存在训练数据过少的情况，建议每个类别的图片量不少于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。 通过详细评估中的错误识别示例，有针对性地扩充训练数据。

查看更多 →

查询全局服务中的委托权限 功能介绍 该接口可以用于管理员查询全局服务中的委托权限。 该接口可以使用全局区域的Endpoint和其他区域的Endpoint调用。IAM的Endpoint请参见：地区和终端节点。 调试 您可以在 API Explorer 中调试该接口。 URI GET /v3

查看更多 →

查询项目服务中的委托权限 功能介绍 该接口可以用于管理员查询项目服务中的委托权限。 该接口可以使用全局区域的Endpoint和其他区域的Endpoint调用。IAM的Endpoint请参见：地区和终端节点。 调试 您可以在API Explorer中调试该接口。 URI GET /v3

查看更多 →