描述：生成一系列包括给定数组的下标。当reverse为真时，该系列则以相反的顺序返回。 返回值类型：setof int generate_subscripts是一个为给定数组中的指定维度生成有效下标集的函数。如果数组中没有所请求的维度或者NULL数组，返回零行（但是会给数组元素为空的返回有效下标）。示例：

查看更多 →

在“联邦预测”页面，选择实时预测的Tab页，单击创建。 图1 创建作业 在弹出的对话框中编辑“作业名称”，选择“算法类型”。 选择“算法类型”之后，勾选“选择训练作业”列表中的某一训练作业，然后勾选“选择模型”列表中对应模型，再勾选”选择数据集”列表中参与方预测要用的某一数据集，最后单击“

查看更多 →

返回集合的函数 序列号生成函数 下标生成函数 父主题： 函数和操作符

查看更多 →

描述：生成一系列包括给定数组的下标。当reverse为真时，该系列则以相反的顺序返回。 返回值类型：setof int generate_subscripts是一个为给定数组中的指定维度生成有效下标集的函数。如果数组中没有所请求的维度或者NULL数组，返回零行（但是会给数组元素为空的返回有效下标）。示例：

查看更多 →

描述：生成一系列包括给定数组的下标。当reverse为真时，该系列则以相反的顺序返回。 返回值类型：setof int generate_subscripts是一个为给定数组中的指定维度生成有效下标集的函数。如果数组中没有所请求的维度或者NULL数组，返回零行（但是会给数组元素为空的返回有效下标）。示例：

查看更多 →

是否支持Keras引擎？ 开发环境中的Notebook支持。训练作业和模型部署（即推理）暂时不支持。 Keras是一个用Python编写的高级神经网络API，它能够以TensorFlow、CNTK或者Theano作为后端运行。Notebook开发环境支持“tf.keras”。 如何查看Keras版本

查看更多 →

--loader：选择对应加载模型脚本的名称。 --saver：选择模型保存脚本的名称。 --tensor-model-parallel-size：${TP}张量并行数，需要与训练脚本中的TP值配置一样。 --pipeline-model-parallel-size：${PP}流水线并行数，需要与训练脚本中的PP值配置一样。

查看更多 →

返回值：nesttable类型。 功能描述：两个集合变量的交集。如 A MULTISET INTERSECT B：ALL表示取A与B所有重复的元素；DISTINCT表示取A与B中重复元素，且去除其中重复元素。ALL为默认值。 示例1，求两个集合变量的交集，不去除重复元素，即MULTISET INTERSECT

查看更多 →

描述：生成一系列包括给定数组的下标。当reverse为真时，该系列则以相反的顺序返回。 返回值类型：setof int generate_subscripts是一个为给定数组中的指定维度生成有效下标集的函数。如果数组中没有所请求的维度或者NULL数组，返回零行（但是会给数组元素为空的返回有效下标）。示例：

查看更多 →

count的错误，未开启参数时报wrong number of array subscripts的错误。 对于trim(n)函数：当n大于数组元素个数时，开启参数后会报Subscript outside of count的错误，未开启则不报错。 对于delete(idx)函数：下标i

查看更多 →

参数：nesttable类型 返回值：nesttable类型 功能描述：两个集合变量的差集。如A MULTISET EXCEPT B：ALL表示去除A中与B重复的元素；DISTINCT表示先对A进行去重操作，然后去除与B中有重复的元素。 示例： gaussdb=# declare gaussdb-#

查看更多 →

数组支持的函数 以下几点说明描述了数组类型函数在开启GUC参数varray_compat前后的差异行为： count、extend、trim、delete、first、last、next和prior函数应用在未初始化的数组即数组为NULL时，开启参数会报Reference to uninitialized

查看更多 →

描述：生成一系列包括给定数组的下标。当reverse为真时，该系列则以相反的顺序返回。 返回值类型：setof int generate_subscripts是一个为给定数组中的指定维度生成有效下标集的函数。如果数组中没有所请求的维度或者NULL数组，返回零行（但是会给数组元素为空的返回有效下标）。示例：

查看更多 →

临时存储大小。默认情况下会为函数的/tmp目录分配512MB的空间。您可以通过临时存储设置将函数的/tmp目录大小调整为10G。 枚举值： 512 10240 func_vpc FuncVpc object 函数vpc配置。需同时为函数配置具有vpc权限的委托。 mount_config

查看更多 →

5”。 优化指标 AutoML任务的模型优化指标，请根据实际情况选择。 验证数据集 模型验证数据集。 测试数据集 模型测试数据集。 被忽略的列 数据集中不需要参与模型训练的无用列。 包含的模型 模型训练使用的算法列表。 交叉验证折数 交叉检验的折数。如果不使用交叉验证方法，请将该参数置为空。

查看更多 →

模型训练 模型训练新建模型训练工程的时候，选择通用算法有什么作用？ 使用训练模型进行在线推理的推理入口函数在哪里编辑？ 通过数据集导入数据后，在开发代码中如何获取这些数据？ 如何在模型训练时，查看镜像中Python库的版本？ 如何在模型训练时，设置日志级别？ 如何自定义安装python第三方库？

查看更多 →

模型训练 模型训练简介 创建模型训练工程 创建联邦学习工程 创建训练服务 创建超参优化服务 创建Tensorboard 打包训练模型 父主题： 用户指南

查看更多 →

ow在运行过程中的计算图、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。 创建训练任务（WebIDE）

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 →

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 →

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 →