AI原生应用引擎训练好后的模型如何获取？ 使用模型微调训练好模型后的新模型只能通过模型部署（创建模型服务）上线，无法下载至本地使用。 父主题： AI原生应用引擎

查看更多 →

ModelArts训练好后的模型如何获取？ 使用自动学习产生的模型只能在ModelArts上部署上线，无法下载至本地使用。 使用自定义算法或者订阅算法训练生成的模型，会存储至用户指定的OBS路径中，供用户下载。 父主题： 功能咨询

查看更多 →

查看属性模型列表 查看模型指标 查看loss值：loss代表模型训练的损失变化。 单击相应模型操作列的“查看loss”即可查看相应的训练集Loss。 删除模型：单击相应模型操作列的“删除”，在弹窗中单击“确定”，即可删除掉对应的模型。 查看评价指标：在模型列表页，单击某个模型名称左

查看更多 →

我的实训任务 操作步骤 以座席角色登录AICC，单击签入，座席处于签入状态。 选择“业务培训 > 我的任务”，进入实训任务管理页面。 选择实训任务，单击“任务名称”，可查看任务详情。 单击“开始实训”，报名参与实训任务，待系统执行实训外呼。 后续操作 单击“作答记录”，可查看已作答的实训任务答题详情。

查看更多 →

同规格、不同厂商的摄像机上，这是一项非常耗时、费力的巨大工程，ModelArts支持将训练好的模型一键部署到端、边、云的各种设备上和各种场景上，并且还为个人开发者、企业和设备生产厂商提供了一整套安全可靠的一站式部署方式。 图1 部署模型的流程 在线推理服务，可以实现高并发，低延时

查看更多 →

Gallery的计算规格的计费说明请参见计算规格说明。 AI应用封面图 否 上传一张AI应用封面图，AI应用创建后，将作为AI应用页签的背景图展示在AI应用列表。建议使用16：9的图片，且大小不超过7MB。 如果未上传图片，AI Gallery会为AI应用自动生成封面。 应用描述 否 输入AI应用的功能

查看更多 →

910） Qwen-VL基于DevServer适配PyTorch NPU的Finetune训练指导(6.3.910) SD1.5&SDXL ComfyUI、WebUI、Diffusers套件适配PyTorch NPU的推理指导（6.3.909） FLUX.1基于DevServer适配PyTorch

查看更多 →

资产申请审核”页面，可以查看当前支持使用该模型的用户列表。 管理用户可用资产的权限。 模型发布成功后，模型所有者可以管理资产的用户申请 。 登录AI Gallery，单击右上角“我的Gallery”进入我的Gallery页面。 选择“我的资产 > 模型”，在“我创建的模型”页面找到待修改的“已发布”状态的模型，单击模型页签进入详情页。

查看更多 →

数不受限制。 实训问卷：选择已发布的智能实训类型的问卷。 IVR流程：选择已发布的智能IVR流程。 单击“下一步”，进入对象管理页面。 图2 对象管理 单击“添加”，选择需要参与实训任务的座席账号。 单击“下一步”，进入外呼时间配置页面。 图3 外呼时间 外呼时间设置必须配置一个外呼时间段的值。

查看更多 →

在训练作业列表中，单击目标训练作业名称，查看该作业的详情。 在左侧获取“输出位置”下的路径，即为训练模型的下载路径。 模型迁移到其他账号 您可以通过如下两种方式将训练的模型迁移到其他账号。 将训练好的模型下载至本地后，上传至目标账号对应区域的OBS桶中。 通过对模型存储的目标文件夹或者目标桶配置策略，

查看更多 →

管理智能实训 管理实训任务 父主题： 租户管理员指南

查看更多 →

conv2d/weights. 通过以下方式控制需要训练的参数列表。其中，“trainable_include_patterns”为需要训练的参数列表，“trainable_exclude_patterns”为不需要训练的参数列表。 --trainable_exclude_patterns:

查看更多 →

发布模型到AI Gallery 除了Gallery提供的已有资产外，还可以将个人创建的资产发布至Gallery货架上，供其他AI开发者使用，实现资产共享。 模型资产上架 登录AI Gallery，选择右上角“我的Gallery”。 在左侧“我的资产 > 模型”下，选择未发布的模型，单击模型名称，进入模型详情页。

查看更多 →

Gallery”模型列表，选择模型进行订阅。 将订阅模型部署为服务 针对订阅模型，支持将模型一键部署为服务。 在“订阅模型”列表，单击“版本数量”，在右侧展开版本列表，当订阅模型的版本列表的状态显示为“就绪”时表示模型可以使用。 图1 进入“我的订阅” 在展开的版本列表中，单击“部署 > 在线服务”跳转至部署页面。

查看更多 →

工业感知AI模型库 工业AI感知库的建设目标是利用3C电子检测设备的运行所累积的资料，建立人工智能的智能模型库，利用人工智能模型训练，不断地进行迭代，最后将其应用到3C的电子测试中，以提高整个3C相关产品的测试性能。 工业AI感知库采用了标准的体系结构，实现了多模式的串行整合，并实现了云计算的迅速发行。

查看更多 →

任务，导致数据缺失。 当模型的“任务类型”是除“文本问答”和“文本生成”之外的类型（即自定义模型）时，上传的模型文件要满足自定义模型规范，否则该模型无法正常使用AI Gallery工具链服务（微调大师和在线推理服务）。 当托管的是 自定义镜像 时，上传的模型文件要满足自定义镜像规范，否则该镜像无法正常使用AI

查看更多 →

模型训练 模型训练 如果您缺少自有模型训练平台，可以基于ModelArts进行模型在线训练。 根据场景选择适用的摄像机。 在首页导航栏，进入“选择摄像机型号”页面。 通过不同的条件筛选摄像机，单击选择需要的摄像机（如X2221-VI），摄像机的相关信息将显示在右侧的摄像机详情窗口

查看更多 →

本章节介绍SDXL&SD 1.5模型的LoRA训练过程。LoRA训练是指在已经训练好的模型基础上，使用新的数据集进行LoRA微调以优化模型性能的过程。 启动SD1.5 LoRA训练服务 使用ma-user用户执行如下命令运行训练脚本。 sh diffusers_lora_train.sh 启动SDXL

查看更多 →

Finetune训练 本章节介绍SDXL&SD 1.5模型的Finetune训练过程。Finetune是指在已经训练好的模型基础上，使用新的数据集进行微调（fine-tuning）以优化模型性能。 启动SD1.5 Finetune训练服务 使用ma-user用户执行如下命令运行训练脚本。

查看更多 →

果而言的。含义为在被预测为正的样本中实际为正样本的概率。 recall：召回率，又被称为查全率，是针对原样本而言的。含义为在实际为正的样本中被预测为正样本的概率。 support：每类标签出现的次数。 模型训练完成后，可以查看归档的模型文件，如模型训练目录说明所示。 模型训练目录说明

查看更多 →

Tune就是用别人训练好的模型，加上自己的数据，来训练新的模型。相当于使用别人的模型的前几层，来提取浅层特征，然后在最后再落入自己的分类中。 由于一般新训练模型准确率都会从很低的值开始慢慢上升，但是Fine Tune能够在比较少的迭代次数之后得到一个比较好的效果。Fine Tune的好处在于

查看更多 →