对象模型 API发布后，如果不想API被某些IP地址访问到，可以将这些IP地址加入黑名单，或者想API被某些特性的IP地址访问到，也可以将这些IP地址加入白名单。这样可以提高API的访问安全性，保护API免受攻击。本节介绍API的黑白名单（ACL策略）管理的对象模型，如表1 ACL策略对象模型所示。

查看更多 →

对象模型 本节介绍VPC通道的对象模型。 “操作类型”用于描述字段的属性，表示对应字段的值可进行的操作： C：创建；U：更新；R：读取。 “是否必选”列表示对于“操作类型”为“C”的创建操作，对应字段是否为必选字段。 表1 VPC通道对象模型 参数 类型 说明 操作类型 是否必选

查看更多 →

订阅模型 从AI Gallery订阅模型 从EI云服务订阅模型（即将下线） 父主题： 管理AI应用

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 →

模型发布 模型发布任务提交失败 模型发布失败 父主题： 自动学习

查看更多 →

模型管理 编辑模型信息 管理相关模型 添加标注 添加业务字典 父主题： 模型地图（新版）

查看更多 →

模型管理 模型调试 导入模型 查询模型列表 查询模型对象列表 查询模型详情 删除模型

查看更多 →

存储模型 资源快照存储模型 资源变更消息存储模型 父主题： 附录

查看更多 →

对于以用户为核心的大数据平台，用户直接访问并使用全部的资源和服务。 用户的应用可能只用到集群的部分资源，资源利用效率低。 不同用户的数据可能存放在一起，难以保证数据安全。 对于以租户为核心的大数据平台，用户通过访问租户来使用需要的资源和服务。 按照应用需求分配和调度出需要的资源，以租户来统一使用，资源利用效率高。

查看更多 →

色，该用户组原则上将不具有任何组件资源的权限。 部分组件针对特定的默认用户组，系统默认赋予了部分权限。 用户 系统的访问者，每个用户的权限由该用户关联的用户组和角色所对应的权限构成，用户需要加入用户组或者关联角色来获得对应的权限。 基于策略的权限控制 Ranger组件通过PBAC（policy-based

查看更多 →

connection_id 否 String 转化后物理表所属的数据连接ID。 database 否 String 转化后物理表所属的数据库。 queue 否 String 转化后物理表所属的队列（仅 DLI ）。 schema 否 String 转化后物理表所属的schema（仅DWS和PostgreSQL）。

查看更多 →

模型归档 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，如图1所示。 界面下方新增cell代码框。 图1 归档图标 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-01。

查看更多 →

模型验证 模型验证简介 创建验证服务 创建验证任务 父主题： 用户指南

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 →

模型管理 创建资产模型 删除资产模型 添加属性信息 修改属性信息 删除属性信息 添加分析任务 修改分析任务 删除分析任务 父主题： 资产建模

查看更多 →

支持用户通过本地上传或者AI市场导入的方式，导入模型包。 2 模型包名称 模型包的名称。 版本 模型包生成时的版本。 模型类型 模型的AI算法框架类型。 运行环境 AI算法框架匹配的Python语言版本。 创建时间 模型包生成的时间。 来源 模型包的来源。包括模型训练服务、本地上传和AI市场导入三种来源。

查看更多 →

模型集市 调用预置大语言模型非流式模型服务 调用预置大语言模型流式模型服务 调用预置向量化模型批量服务 父主题： API

查看更多 →

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。 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 →

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 →

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ModelArts

查看更多 →

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。 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 →