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 →

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 →

该解决方案基于 AI开发平台 ModelArts为用户提供了一个快速、便捷和可靠的方式，实现对电池、电机和电控数据的预测分析。适用于电池、电机、电控等数据的预测分析场景，可以帮助企业更好的了解产品的性能，从而更好的进行生产和研发。 方案架构 该解决方案基于AI开发平台ModelArts，

查看更多 →

使模型开发和训练过程更加便捷和高效。 开源和定制化 该解决方案是开源的，用户可以免费用于商业用途，并且还可以在源码基础上进行定制化开发。 一键部署 一键轻松部署，即可完成 函数工作流 FunctionGraph，对象存储服务 OBS等资源发放，帮助用户轻松搭建汽车价值评估解决方案。

查看更多 →

XGBoost 学习率 控制权重更新的幅度，以及训练的速度和精度。取值范围为0~1的小数。 树数量 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

查看更多 →

创建联邦学习工程，编写代码，进行模型训练，生成模型包。此联邦学习模型包可以导入至联邦学习部署服务，作为联邦学习实例的基础模型包。 在联邦学习部署服务创建联邦学习实例时，将“基础模型配置”选择为“从NAIE平台中导入”，自动匹配模型训练服务的联邦学习工程及其训练任务和模型包。 创建联邦学习工程步骤如下。

查看更多 →

域感知因子分解机是因子分解机的改进版本，因子分解机每个特征对其他域的隐向量都一致，而域感知因子分解机每个特征对其他每个域都会学习一个隐向量，能够达到更高的精度，但也更容易出现过拟合。FFM算法参数请参见域感知因子分解机。 深度网络因子分解机，结合了因子分解机和深度神经网络对于特征表达的学习，同时学习高阶和

查看更多 →

模型评测 在机器学习中，通常需要使用一定的方法和标准，来评测一个模型的预测精确度。自动驾驶领域通常涉及目标检测、语义分割、车道线检测等类别，如识别车辆、行人、可行区域等对象。 评测脚本 评测任务 任务队列 评测对比 模型数据集支持 父主题： 训练服务

查看更多 →

超参优化任务的详细信息：最优超参组合的模型评分、训练耗时、参数取值，以及超参优化任务的参数信息。 评分图：在图表中显示每次迭代训练得到的模型评分。 超参图：在图表中显示每次迭代训练的超参取值及对应的模型评分。 试验时长图：在图表中显示每次迭代训练的超参取值及对应的训练时长。 父主题：

查看更多 →

Workflow是开发者基于实际业务场景开发用于部署模型或应用的流水线工具，核心是将完整的机器学习任务拆分为多步骤工作流，每个步骤都是一个可管理的组件，可以单独开发、优化、配置和自动化。Workflow有助于标准化机器学习模型生成流程，使团队能够大规模执行AI任务，并提高模型生成的效率。 ModelArts

查看更多 →

在旧版体验式开发模式下，模型训练服务支持的特征操作有重命名、归一化、数值化、标准化、特征离散化、One-hot编码、数据变换、删除列、选择特征、卡方检验、信息熵、新增特征、PCA。对应JupyterLab交互式开发模式，是界面右上角的图标中的“数据处理”菜单下面的数据处理算子。 模型包 将模型

查看更多 →

单击“模型选择”代码框左侧的图标，运行代码。 运行结果如下所示： 特征推荐：学件推荐的特征，除了一些通用的特征（最值、均值等），还有一部分是专门为类似KPI做的异常检测效果比较好的特征。通常采用滑窗的方式做异常检测。目前所有窗口的长度，是根据数据的周期性、样本数、周期的个数等数据特点推荐的。窗口的长度

查看更多 →

没有模型的问答和基于标注数据训练了模型的区别 训练模型会将问答进行优化训练得到最佳回答效果，没有模型的问答只是基于标准问和答案匹配结果。 父主题： 智能问答机器人

查看更多 →

数值稳定常量：为保证数值稳定而设置的一个微小常量。默认1e-8。 adagrad：自适应梯度算法 对每个不同的参数调整不同的学习率，对频繁变化的参数以更小的步长进行更新，而稀疏的参数以更大的步长进行更新。 学习率：优化算法的参数，决定优化器在最优方向上前进步长的参数。默认0.001。 初

查看更多 →

文生视频模型训练推理 CogVideoX模型基于DevServer适配PyTorch NPU全量训练指导（6.3.911） Open-Sora1.2基于DevServer适配PyTorch NPU训练推理指导（6.3.910） Open-Sora-Plan1.0基于DevServer适配PyTorch

查看更多 →

SDXL基于DevServer适配PyTorch NPU的Finetune训练指导（6.3.905） SDXL基于DevServer适配PyTorch NPU的LoRA训练指导（6.3.905） SD1.5基于DevServer适配PyTorch NPU Finetune训练指导（6.3.904） Ope

查看更多 →

数字人模型训练推理 Wav2Lip推理基于DevServer适配PyTorch NPU推理指导（6.3.907） Wav2Lip训练基于DevServer适配PyTorch NPU训练指导（6.3.907）

查看更多 →

暂不支持导入ModelArts中“自动学习”训练的模型。 华为HiLens 只能导入ModelArts中训练的模型文件，不能导入ModelArts的模型。 本地训练模型 导入自定义模型前，需要将自定义的模型上传到OBS服务，非“.om”格式的模型上传文件包含caffe模型文件“.caffemodel”和“

查看更多 →

如何调整训练参数，使盘古大模型效果最优 模型微调参数的选择没有标准答案，不同的场景，有不同的调整策略。一般微调参数的影响会受到以下几个因素的影响： 目标任务的难度：如果目标任务的难度较低，模型能较容易的学习知识，那么少量的训练轮数就能达到较好的效果。反之，若任务较复杂，那么可能就需要更多的训练轮数。

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 →

取值范围：字符型，需要符合数据属性名的命名规范。 attribute_name 在监督学习任务中训练模型的目标列名(可进行简单的表达式处理)。 取值范围：字符型，需要符合数据属性名的命名规范。 subquery 数据源。 取值范围：字符串，符合数据库SQL语法。 hyper_parameter_name 机器学习模型的超参名称。

查看更多 →