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侧

查看更多 →

模型设计 关系建模 维度建模 父主题： 数据架构组件

查看更多 →

Token的值） 使用Token认证时必选。 workspace 是 String 工作空间ID，获取方法请参见实例ID和工作空间ID。 X-Project-Id 否 String 项目ID，获取方法请参见项目ID和账号ID。 多project场景采用AK/SK认证的接口请求，则该字段必选。

查看更多 →

模型训练 使用AI Gallery的订阅算法实现花卉识别 使用ModelArts Standard自定义算法实现手写数字识别 示例：从0到1制作 自定义镜像 并用于训练（PyTorch+CPU/GPU） 示例：从0到1制作自定义镜像并用于训练（MPI+CPU/GPU） 示例：从0到1

查看更多 →

模型训练 模型训练中除了数据和算法外，开发者花了大量时间在模型参数设计上。模型训练的参数直接影响模型的精度以及模型收敛时间，参数的选择极大依赖于开发者的经验，参数选择不当会导致模型精度无法达到预期结果，或者模型训练时间大大增加。 为了降低开发者的专业要求，提升开发者模型训练的开发

查看更多 →

开通我的模型和购买套餐包 在使用智驾模型服务场景识别、2D图像生成、2D预标注、3D预标注等功能之前，需先开通我的模型。开通后，我的模型是根据API调用次数收取费用，推荐您购买模型套餐包，价格比按需计费模式更优惠。开通服务和购买套餐包之后，您可以在“我的模型”区域查看开通状态和套餐包使用情况。

查看更多 →

分析数据应用系统的需求，再提炼数据集市的数据接口需求 目标表设计：即数据集市结果表设计，根据数据应用的需求进行数据表设计 数据源分析：主要分析 数据仓库 的数据如何满足集市的需要，即确定需要数据仓库的那些表数据，如果数据仓库没有，则需要数据仓库进行数据补充 数据仓库表与目标表字段进行映射，确定加工规则

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 →

model目录的上级目录“learnware”是用户创建的学件项目名称。 model目录的子目录含义如下所示： feature_file：存放推荐的特征配置列表文件和KPI特征画像文件。 model：存放训练好的模型。 parameter_file：存放模型推荐的算法和参数配置文件。

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 →

使用模型 用训练好的模型预测测试集中的某个图片属于什么类别，先显示这个图片，命令如下。 1 2 3 # display a test image plt.figure() plt.imshow(test_images[9]) 图1 显示用以测试的图片 查看预测结果，命令如下。 1

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 →