段输出的系统最小分解部件，系统设计阶段将模块当作黑盒，不涉及模块的内部结构，但要明确给出模块的功能、模块之间的接口。 Service 服务，是指具备明确的业务特征，由一个或多个关联紧密的微服务组成，可直接面向客户/用户进行打包、发布、部署、运维的软件单元。用户从业务特征安装部署、

查看更多 →

Aggregation 聚合，是整体与部分的关系，且部分可以离开整体而单独存在。菱形箭头为整体所在一边。 Dependency 依赖，是一种使用的关系，即一个类的实现需要另一个类的协助。 Usage 使用，是一种使用的关系。表明一个模块在运行的时候，需要使用另外一个模块。 Build

查看更多 →

一个类的协助。 Usage 使用，是一种使用的关系。表明一个模块在运行的时候，需要使用另外一个模块。 前提条件 因为交付模型主要是描述构建模型中的结构元素打包成交付文件的过程，所以必须先完成构建模型的设计才能进行交付模型。 建模步骤 创建交付模型。 创建新的交付模型图或者在已有的

查看更多 →

组合，是整体与部分的关系，但部分不能离开整体而单独存在。 Aggregation 聚合，是整体与部分的关系，且部分可以离开整体而单独存在。 CommunicationPath 通信路径。定义两个部署目标能够交换信号和消息的通信路径。 前提条件 部署模型描述产品打包交付件的部署场景，所以

查看更多 →

。 检查范围 当前模型工程中的所有符合定义规则的接口（定义规则：工程设置>构造型下，绑定到4+1视图 : 逻辑模型的接口Interface元素）。 在逻辑模型图上创建出来的接口元素之间的连线关系。 引用到逻辑模型中的接口（包含关联空间中的引用的逻辑元素）之间的连线关系。 如何检查

查看更多 →

在部署模型图上创建出来的部署元素； 引用到部署模型中的部署元素（包含关联空间中的引用的部署元素）； 如何检查 查询基于模型图构出的部署模型架构树，找出与架构方案不匹配（标红）的元素。 正确示例 架构层级规则示例： 关联父级：配置的是当前层级元素与上一层级的元素之间的连线类型和父子关系指向。 嵌套：是

查看更多 →

模型设计 如何创建连线关系 如何快速复制元素 如何表示父子关系 如何实现图与图之间的关联跳转 如何添加元素属性和方法 顺序图怎么连线 如何编辑顺序图中的操作符 如何查看和修改模型图类型

查看更多 →

模型管理 如何创建包 如何创建自定义视图和模型 如何配置自定义元素构造型

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 →

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 →

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 →

应用模型 实体管理 关系管理 特征管理 父主题： API

查看更多 →

模型训练 完成数据标注后，可进行模型的训练。模型训练的目的是得到满足需求的文本分类模型。由于用于训练的文本，至少有2种以上的分类（即2种以上的标签），每种分类的文本数不少于20个。因此在单击“继续运行”按钮之前，请确保已标注的文本符合要求。 操作步骤 在新版自动学习页面，单击项目

查看更多 →

precision：精确率 被模型预测为某个分类的所有样本中，模型正确预测的样本比率，反映模型对负样本的区分能力。 accuracy：准确率 所有样本中，模型正确预测的样本比率，反映模型对样本整体的识别能力。 f1：F1值 F1值是模型精确率和召回率的加权调和平均，用于评价模型的好坏，当F1较高时说明模型效果较好。

查看更多 →

。 精确率 被模型预测为某个分类的所有样本中，模型正确预测的样本比率，反映模型对负样本的区分能力。 准确率 所有样本中，模型正确预测的样本比率，反映模型对样本整体的识别能力。 F1值 F1值是模型精确率和召回率的加权调和平均，用于评价模型的好坏，当F1较高时说明模型效果较好。 同

查看更多 →