数据库是“按照数据结构来组织、存储和管理数据的仓库”。 广义上的数据库，在20世纪60年代已经在计算机中应用了。但这个阶段的数据库结构主要是层次或网状的，且数据和程序之间具备非常强的依赖性，应用较为有限。 现在通常所说的数据库指的是关系型数据库。关系数据库是指采用了关系模型来组织数据的数据库，其以行和列的形式存储数

查看更多 →

X-Auth-Token 是 String 用户Token，通过调用IAM服务获取用户Token接口获取（响应消息头中X-Subject-Token的值） 响应参数 状态码： 200 表4 响应Body参数 参数 参数类型 描述 payload listDataWarehousePayload

查看更多 →

按照传统的定义，元数据（Metadata）是关于数据的数据。元数据打通了源数据、 数据仓库 、数据应用，记录了数据从产生到消费的全过程。元数据主要记录数据仓库中模型的定义、各层级间的映射关系、监控数据仓库的数据状态及ETL的任务运行状态。在数据仓库系统中，元数据可以帮助数据仓库管理员和

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 →

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 →

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 →

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 模型训练完成后，单击“下一步”，进入应用开发的“模型

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 →

关必填信息，用于API设计中“安全方案”的引用。在安全模型的文档页可以查看引用当前安全模型的API。 公共响应头 接口的公共响应头，在API设计中“返回响应”中响应头可进行公共响应头的引用。在公共响应头的文档页可以查看引用当前公共响应头的API。 父主题： API设计

查看更多 →

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 →

查看属性模型列表 查看模型指标 查看loss值：loss代表模型训练的损失变化。 单击相应模型操作列的“查看loss”即可查看相应的训练集Loss。 删除模型：单击相应模型操作列的“删除”，在弹窗中单击“确定”，即可删除掉对应的模型。 查看评价指标：在模型列表页，单击某个模型名称左

查看更多 →

对象模型 本节介绍API分组的对象模型，如下表所示。 “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 分组对象模型 参数名称 数据类型 参数说明 操作类型

查看更多 →

对象模型 本节介绍API及后端服务的对象模型。 “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 API对象模型 参数 类型 说明 操作类型 是否必选

查看更多 →