R - - 专属主机类型的名称。 vcpus Int R - - 专属主机的vCPUs个数。 cores Int R - - 专属主机的物理核数。 sockets Int R - - 专属主机的物理套接字数量。 memory Int R - - 专属主机的物理内存大小。 avai

查看更多 →

模型中心 模型中心概述 创建模型微调流水线 调测模型 查看模型调用记录

查看更多 →

模型设计 逻辑模型 关系建模 维度建模 数据集市 父主题： 数据架构

查看更多 →

;charset=UTF-8 可选，有Body体的情况下必选，没有Body体则无需填写和校验。 响应参数 状态码： 200 表4 响应Body参数 参数 参数类型 描述 data data object data，统一的返回结果的最外层数据结构。 表5 data 参数 参数类型 描述

查看更多 →

通过源模型实例ID查询关联的目标模型实例 功能介绍 调用该接口输入源模型的 数据实例 ID，查询并返回与该实例关联的目标模型数据实例的信息，实例信息包含对应数据实例的“列表属性”。 如果目标模型存在“参考对象”类型的属性，且参考的数据模型为抽象模型，返回信息仅返回对应模型的英文名称和

查看更多 →

模型测试 将样例数据中的测试数据集加载至当前学件项目中，进行数据预处理，并基于训练出的模型进行效果验证。 单击界面左下角的“加载数据”，弹出“加载数据”代码框，如图1所示。 需要配置的参数如下所示，其余参数保持默认值即可。 数据集：从下拉框中选择数据集“samples”。 数据集

查看更多 →

特征处理后生成的数据集，对应数据集实例“Train_fail_FE”。 运行超参：模型参数是模型内部的配置变量，参数值可以根据数据自动估算。参数是机器学习的关键，通常从过去的训练数据中总结得出。超参区别于参数，是模型外部的配置，必须手工设置和调整，可用于帮助估算模型参数值。请勾选

查看更多 →

模型管理 模型管理简介 创建模型 模型推理

查看更多 →

模型测试效果会通过表格的形式在下方展示。 第一列内容的含义如下所示： 0.0：标注为0的所有样本。可以理解为标签。 1.0：标注为1的所有样本。可以理解为标签。 macro average：所有标签结果的平均值。 weighted average：所有标签结果的加权平均值。 第一行内容的含义如下所示，即模型优劣的评价指标：

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 →

模型管理 单击菜单栏中的“模型管理”，可在“模型管理”界面查看打包好的模型，如图1所示。 图1 模型管理 父主题： 使用模型训练服务快速训练算法模型

查看更多 →

发布模型 逻辑实体创建完成后，必须创建对应的物理实体，才可以发布逻辑模型。 操作步骤 在数据服务左侧导航，选择“工具箱>数据开发>数据建模”。 在左侧导航中，单击展开分层，选择一个分层。 在需要发布的逻辑实体对应的“操作”列下，单击>。 在“提示”对话框中单击“确认”。 在“确认”对话框中单击“确定”。

查看更多 →

自定义引擎 通过引擎的镜像地址自定义增加引擎。 主入口 训练任务的入口文件及入口函数。 计算节点规格 模型训练服务提供的计算节点资源，包括CPU和GPU。 用户可以单击选定计算节点资源，并在“计算节点个数”中配置计算节点资源的个数。 计算节点个数 计算节点的个数。 1代表单节点计算

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 →

模型管理 模型管理简介 创建模型包 编辑模型包 上架模型包至AI市场 发布推理服务 模型包完整性校验 父主题： 用户指南

查看更多 →

归档模型 模型训练完成后，支持归档模型。操作步骤如下所示。 单击界面右上角的“归档”图标，界面下方新增“归档”代码框。 配置新增的cell代码框右侧配置参数。 参数说明如下所示： 模型名：归档模型的名称。以字母开头，可由数字、大小写字母或中划线组成。示例：Learnware。 模型版本：归档模型的版本。格式为“xx

查看更多 →

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 →

评估模型 训练得到模型之后，整个开发过程还不算结束，需要对模型进行评估和考察。一次性很难获得一个满意的模型，需要反复的调整算法参数、数据，不断评估训练生成的模型。 一些常用的指标，如精准率、召回率、F1值等，能帮助您有效的评估，最终获得一个满意的模型。 前提条件 已在 自然语言处理

查看更多 →

评估模型 训练得到模型之后，整个开发过程还不算结束，需要对模型进行评估和考察。一次性很难获得一个满意的模型，需要反复的调整算法、数据，不断评估训练生成的模型。 一些常用的指标，如精准率、召回率、F1值等，能帮助您有效的评估，最终获得一个满意的模型。 前提条件 已在视觉套件控制台选

查看更多 →

评估模型 训练得到模型之后，整个开发过程还不算结束，需要对模型进行评估和考察。一次性很难获得一个满意的模型，需要反复的调整算法、数据，不断评估训练生成的模型。 一些常用的指标，如准确率、召回率等，能帮助您有效的评估，最终获得一个满意的模型。 前提条件 已在视觉套件控制台选择“第二

查看更多 →

评估模型 训练得到模型之后，整个开发过程还不算结束，需要对模型进行评估和考察。一次性很难获得一个满意的模型，需要反复的调整算法、数据，不断评估训练生成的模型。 一些常用的指标，如精准率、召回率等，能帮助您有效的评估，最终获得一个满意的模型。 前提条件 已在“ 工业智能体 控制台>工业

查看更多 →