行过程中的计算图、各种指标随着时间的变化趋势以及训练中使用到的数据信息。 单击图标，查看模型评估报告。 评估指标：可以通过数值和图表方式展示各项指标的数据信息。 超参：展示训练集、测试集和标签列的信息。 任务系统参数：展示训练任务的配置参数信息。 父主题： 创建联邦学习工程

查看更多 →

模型训练 导入SDK 选择数据 特征画像 模型选择 训练模型 测试模型 开发推理 归档模型 父主题： KPI异常检测学件服务

查看更多 →

”。 图2 训练详情 模型如何提升效果 检查是否存在训练数据过少的情况，建议每个标签的样本数不少于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。

查看更多 →

模型训练 自动学习训练作业创建失败 自动学习训练作业失败 父主题： 自动学习

查看更多 →

模型训练 创建图像分类自动学习项目并完成图片标注，训练按钮显示灰色，无法开始训练？ 自动学习项目中，如何进行增量训练？ 自动学习训练后的模型是否可以下载？ 自动学习为什么训练失败？ 自动学习模型训练图片异常？ 自动学习使用子账号单击开始训练出现错误Modelarts.0010 自

查看更多 →

ModelArts支持哪些AI框架？ ModelArts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，不同模块的呈现方式存在细微差异，各模块支持的AI框架请参见如下描述。 统一镜像列表 ModelArts提供了ARM+Ascend规格的统一镜像，包括MindS

查看更多 →

ModelArts通过机器学习的方式帮助不具备算法开发能力的业务开发者实现算法的开发，基于迁移学习、自动神经网络架构搜索实现模型自动生成，通过算法实现模型训练的参数自动化选择和模型自动调优的自动学习功能，让零AI基础的业务开发者可快速完成模型的训练和部署。依据开发者提供的标注数据及选择的场景，无

查看更多 →

ModelArts支持哪些AI框架？ ModelArts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，不同模块的呈现方式存在细微差异，各模块支持的AI框架请参见如下描述。 统一镜像列表 ModelArts提供了ARM+Ascend规格的统一镜像，包括MindS

查看更多 →

模型训练 将样例数据中的训练数据集加载至当前学件项目中，进行数据预处理和模型训练。 单击代码框左下方的“加载数据”，弹出“加载数据”代码框。 也可以单击界面右上角的，在弹出的算子框中，选择“学件 > 多层嵌套异常检测学件 > 加载数据”，添加“加载数据”代码框。 需要配置的参数如下所示，其余参数保持默认值即可。

查看更多 →

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。 后续操作 模型训练完成后，单击“下一步”

查看更多 →

Pro控制台选择“HiLens安全帽检测”可训练模板新建技能，并选择训练数据集，详情请见选择数据。 训练模型 在“应用开发>模型训练”页面，配置训练参数，开始训练模型。 输出路径 模型训练后，输出的模型和数据存储在OBS的路径。单击输入框，在输出路径的对话框中选择OBS桶和文件夹，然后单击“确定”。 预训练模型 当前

查看更多 →

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。 后续操作 模型训练完成后，单击“下一步”

查看更多 →

训练详情”，包括“交并比变化情况”和“损失变化”。 图1 模型训练 模型如何提升效果 检查图片标注是否准确，第二相区域标注工作量较大，建议基于自动标注的结果进一步优化标注精度。 可根据损失函数选择适当的训练轮次。 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。 后续操作

查看更多 →

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。 后续操作 模型训练完成后，单击“下一步”

查看更多 →

模型训练 完成数据标注后，可进行模型的训练。模型训练的目的是得到满足需求的文本分类模型。由于用于训练的文本，至少有2种以上的分类（即2种以上的标签），每种分类的文本数不少于20个。因此在单击“继续运行”按钮之前，请确保已标注的文本符合要求。 操作步骤 在新版自动学习页面，单击项目

查看更多 →

模型训练 完成音频标注后，可以进行模型的训练。模型训练的目的是得到满足需求的声音分类模型。由于用于训练的音频，至少有2种以上的分类，每种分类的音频数不少于5个。 操作步骤 在开始训练之前，需要完成数据标注，然后再开始模型的自动训练。 在新版自动学习页面，单击项目名称进入运行总览页

查看更多 →

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。 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。 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值 F1值是模型精确率

查看更多 →

技能，并选择训练数据集，详情请见选择数据。 训练模型 在“应用开发>模型训练”页面，配置训练参数，开始训练模型。 输出路径 模型训练后，输出的模型和数据存储在OBS的路径。单击输入框，在输出路径的对话框中选择OBS桶和文件夹，然后单击“确定”。 预训练模型 当前服务提供安全帽检测预置模型“saved_model

查看更多 →

衡量分布式深度学习的加速性能时，主要有如下2个重要指标： 吞吐量，即单位时间内处理的数据量。 收敛时间，即达到一定的收敛精度所需的时间。 吞吐量一般取决于服务器硬件（如更多、更大FLOPS处理能力的AI加速芯片，更大的通信带宽等）、数据读取和缓存、数据预处理、模型计算（如卷积算法

查看更多 →

训练好的模型可以通过调整阈值，影响机器人直接回答的准确率。阈值越高，机器人越严谨，对用户问的泛化能力越弱，识别准确率越高；阈值越低，机器人越开放，对用户问的泛化能力越强，识别准确率越低。 针对历史版本的模型，可以根据当前模型调节直接返回答案的阈值。 在“模型管理”页面，在模型列表的操作列单击“调整阈值”。

查看更多 →

训练完成后，目标函数的优化就停止了。使用离线学习的优势是模型稳定性高，便于做模型的验证与评估。 增量学习 增量学习是一个连续不断的学习过程。相较于离线学习，增量学习不需要一次性存储所有的训练数据，缓解了存储资源有限的问题；另一方面，增量学习节约了重新训练中需要消耗大量算力、时间以及经济成本。

查看更多 →