线性回归 概述 “线性回归”节点用于产生线性回归模型。它是利用数理统计中的回归分析，来确定两种或两种以上变数间相互依赖的定量关系的统计分析方法。 输入 参数 子参数 参数说明 inputs dataframe inputs为字典类型，dataframe为pyspark中的DataFrame类型对象

查看更多 →

工作流”中，参与模板分类的模型训练。 在“应用开发>训练分类器”页面，单击“添加已有模板”。 弹出添加已有模板对话框。 勾选模板，确认模板信息后，单击“确定”。 “应用开发>训练分类器”页面会显示新添加的模板。 训练分类器 单击“开始训练”。服务进入“应用开发>评估”页面，开始训

查看更多 →

线性支持向量机分类 概述 “支持向量机分类”节点构造一个线性支持向量机模型，支持二分类和多分类。该节点采用Trust Region Newton Method（TRON）算法优化L2-SVM模型，更适用于大规模数据的建模，模型训练效率更高。 算法实现方式的简介如下： 二分类 给定

查看更多 →

使用Tensorflow训练神经网络 应用场景 当前主流的大数据、AI训练和推理等应用（如Tensorflow、Caffe）均采用容器化方式运行，并需要大量GPU、高性能网络和存储等硬件加速能力，并且都是任务型计算，需要快速申请大量资源，计算任务完成后快速释放。本文将演示在云容器

查看更多 →

使用TensorFlow进行线性回归 首先在FunctionGraph页面将tensorflow添加为公共依赖 图1 tensorflow添加为公共依赖 在代码中导入tensorflow并使用 import json import random # 导入 TensorFlow 依赖库

查看更多 →

线性特征重要性 概述 用线性模型计算训练数据的特征重要性。 输入 参数 子参数 参数说明 inputs dataframe inputs为字典类型，dataframe为pyspark中的DataFrame类型对象 输出 特征的重要性和特征在线性模型中的weights，格式是dataFrame。

查看更多 →

模型复杂化。 对同一个算法复杂化。例如回归模型添加更多的高次项，增加决策树的深度，增加神经网络的隐藏层数和隐藏单元数等。 弃用原来的算法，使用一个更加复杂的算法或模型。例如用神经网络来替代线性回归，用随机森林来代替决策树。 增加更多的特征，使输入数据具有更强的表达能力。 特征挖掘

查看更多 →

使用pytorch进行线性回归 在FunctionGraph页面将torch添加为公共依赖 图1 torch添加为公共依赖 在代码中导入torch并使用 # -*- coding:utf-8 -*- import json # 导入torch依赖 import torch as t

查看更多 →

系，而核函数特征交互神经网络使用不同的核（kernel）来对特征交互进行建模，以此来计算两个域中特征的相互关系，其中核的种类包括向量内积外积、矩阵乘法、神经网络等。利用核函数建模特征交互，实现了参数共享，减小了模型复杂度。PIN算法请参见核函数特征交互神经网络。 config 否

查看更多 →

分解后的表示特征的向量的长度。默认10。 神经网络结构 神经网络的层数与每一层的神经元节点个数。默认400,400,400。 激活函数 神经网络中的激活函数，将一个（或一组）神经元的值映射为一个输出值。 relu tanh sigmoid 神经元值保留概率 神经网络前向传播过程中以该概率保留神经元的值。默认0

查看更多 →

column_name。 scan_classifier：指定使用的分类器，支持指定email、creditcard、phonenumber、chinesename、encryptedcontent 5种分类器，多选可以用逗号分隔，或者使用all选中所有分类器。 返回值类型：record 示例请参见《特性指南》的“敏感数据发现”章节。

查看更多 →

column_name。 scan_classifier：指定使用的分类器，支持指定email、creditcard、phonenumber、chinesename、encryptedcontent 5种分类器，多选可以用逗号分隔，或者使用all选中所有分类器。 返回值类型：record 示例请参见《特性指南》的“敏感数据发现”章节。

查看更多 →

在“我的应用”页签下，选择应用并单击“操作”列的“查看”。 进入“应用资产”页面。 图1 进入应用资产 在“分类器列表”页签，选择多模板名称，单击操作列的“删除”。 弹出“确认删除”对话框。 图2 删除分类器 单击“确认”，删除分类器。 父主题： 多模板分类工作流

查看更多 →

在“应用资产”页面，默认进入“分类器列表”页签，单击已有模板操作列的“评估”。进入“评估”页面。 图1 评估应用 在“应用开发”页面，依次完成“上传模板图片”、“定义预处理”、“框选参照字段”、“框选识别区”、“训练分类器”步骤，单击“下一步”，进入“评估”页面。 图2 评估应用 评估分类器 通过上传

查看更多 →

介绍学习算法，机器学习的分类、整体流程、常见算法，超参数和验证集，参数估计、最大似然估计和贝叶斯估计 深度学习概览 介绍神经网络的定义与发展，深度学习的训练法则，神经网络的类型以及深度学习的应用 图像识别、 语音识别 、 机器翻译 编程实验 与图像识别、语言识别、机器翻译编程相关的实验操作 本

查看更多 →

模型训练完成后，可在“应用开发>评估”页面评估分类器和模板，详情请见步骤8：评估模板。 步骤8：评估模板 在“应用开发>评估”页面包含分类器评估和模板评估 ，其中分类器评估用于识别模板类型，模板评估用于识别对应模板中的文字。 分类器评估 默认进入“本地上传”页签，打开“分类模式”和“动态识别”开关。

查看更多 →

在“应用资产”页面，默认进入“分类器列表”页签，单击已有模板操作列的“评估”。进入“评估”页面。 图1 评估 在“应用开发”页面，依次完成“上传模板图片”、“定义预处理”、“框选参照字段”、“框选识别区”、“模板总览”步骤，单击“下一步”，进入“评估”页面。 图2 评估 评估分类器 通过上传测试

查看更多 →

作”列的“查看”。 进入“应用资产”页面。 图1 进入应用资产 单击“创建分类器”。 进入“应用开发”页面，开始开发应用。 图2 创建分类器 填写基本信息 在“应用开发>上传模板图片”页面，输入多模板分类器的“名称”和“描述”。 图3 上传模板图片 然后上传模板图片，可选择新增模板配置，也可直接添加已有的模板配置。

查看更多 →

作”列的“查看”。 进入“应用资产”页面。 图1 进入应用资产 单击“创建分类器”。 进入“应用开发”页面，开始开发应用。 图2 创建分类器 填写基本信息 在“应用开发>上传模板图片”页面，输入多模板分类器的“名称”和“描述”。 图3 上传模板图片 然后上传模板图片，可选择新增模板配置。

查看更多 →

角色绑定是协作使用的内部角色和实现特定情况所需的各个部分之间的映射，通常在复合结构图中。 Ocurrence 在组合结构图中，发生关系表示协作表示分类器。 Represents 表示连接器指示在分类器（通常在“组合结构”图中）中使用了协作。 父主题： UML建模

查看更多 →

Generator)对深度神经网络中的算子进行优化，并提供特定模式下的算子自动融合功能。提升在昇腾硬件后端上运行网络的性能。 AKG由三个基本的优化模块组成：规范化、自动调度和后端优化。 规范化： 为了解决polyhedral表达能力的局限性（只能处理静态的线性程序），需要首先对计算

查看更多 →