总结的最佳实践应该得到广泛地传播，对已有事故的分析，应该得到记录，确保相关根因都得到充分理解，尤其重要的是制定有效的标准化流程/自动化工具来降低事故再次发生的可能性和影响，这些流程和自动化工具，也需要广而告之，以向团队解释清楚缘由。 父主题： OPS01 建立持续改进的团队文化和标准化的运维体系

查看更多 →

自动学习项目中，如何进行增量训练？ 在自动学习项目中，每训练一次，将自动产生一个训练版本。当前一次的训练结果不满意时（如对训练精度不满意），您可以适当增加高质量的数据，或者增减标签，然后再次进行训练。 增量训练目前仅支持“图像分类”、“物体检测”、“声音分类”类型的自动学习项目。

查看更多 →

自动学习的每个项目对数据有哪些要求？ 图像分类对数据集的要求 文件名规范：不能有+、空格、制表符。 保证图片质量：不能有损坏的图片，目前支持的格式包括jpg、jpeg、bmp、png。 不要把明显不同的多个任务数据放在同一个数据集内。 每一类数据尽量多，尽量均衡。期望获得良好效果

查看更多 →

微认证课程学习的形式是什么样的？ 微认证课程学习分为在线视频学习和在线实验操作。 父主题： 微认证课程学习常见问题

查看更多 →

【下线公告】华为云ModelArts旧版自动学习下线公告 华为云ModelArts在2024年5月15日 00:00（北京时间）用新版自动学习全面替代旧版自动学习，旧版自动学习正式下线。 下线范围 下线区域：华为云全部Region 下线影响 正式下线后，用户将无法再使用旧版自动学习的功能，且无法找回旧版自动学习的作业记录。

查看更多 →

自动学习训练后的模型是否可以下载？ 不可以下载。但是您可以在AI应用管理页面查看，或者将此模型部署为在线服务。 父主题： 模型训练

查看更多 →

使用自动学习实现零代码AI开发 自动学习简介 使用自动学习实现图像分类 使用自动学习实现物体检测 使用自动学习实现预测分析 使用自动学习实现声音分类 使用自动学习实现文本分类 使用窍门

查看更多 →

适用于需要个性化定制模型或者在特定任务上追求更高性能表现的场景。这是通过在与任务相关的微调数据集上训练模型来实现的，所需的微调量取决于任务的复杂性和数据集的大小。在深度学习中，微调用于改进预训练模型的性能。 支持将平台资产中心预置的部分模型作为微调前基础模型，也可以选择微调后的新模型作为基础模型再次进行微调。

查看更多 →

VLAN ID。 MacLimitMaxMac 配置的可以学习到MAC的最大数。 对系统的影响 当超过MAC地址表项限制时，设备不再学习新的MAC表项。 可能原因 学习的动态MAC数目超过了限制MAC表规则中规定的最大MAC学习的数目。 处理步骤 删除不需要的MAC，或者在VLAN视图下执行命令mac-address

查看更多 →

L2IfPortName 接口名字。 MacLimitMaxMac 配置的可以学习到MAC的最大数。 对系统的影响 当超过MAC地址表项限制时，设备不再学习新的MAC表项。 可能原因 学习的动态MAC数目超过了限制MAC表规则中规定的最大MAC学习的数目。 处理步骤 删除不需要的MAC，或者在VLAN视图下执行命令mac-address

查看更多 →

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。 特征挖掘十分重要，尤其是具有强表达能

查看更多 →

BD ID。 MacLimitMaxMac 配置的可以学习到MAC的最大数。 对系统的影响 当超过MAC地址表项限制时，设备不再学习新的MAC表项。 可能原因 学习的动态MAC数目超过了限制MAC表规则中规定的最大MAC学习的数目。 处理步骤 正常提示信息，无需处理。 参考信息 无

查看更多 →

隧道对端IP地址。 MacLimitMaxMac 配置的可以学习到MAC的最大数。 对系统的影响 当超过MAC地址表项限制时，设备不再学习新的MAC表项。 可能原因 学习的动态MAC数目超过了限制MAC表规则中规定的最大MAC学习的数目。 处理步骤 1. 删除不需要的MAC，或者执行命令peer

查看更多 →

当然，如果您的可用数据很少，也可以采取一些方法来扩充您的数据，从而满足微调要求，比如： 数据增强：在传统机器学习中，可以通过简单的重复上采样方式来扩充数据，但该方法不适用于大模型微调的场景，这将导致模型的过拟合。因此可以通过一些规则来扩充数据，比如：同义词替换、语法结构修改、标点符号替换等，保证数据的多样性。

查看更多 →

用微调的手段来解决： 目标任务依赖垂域背景知识：通用模型学习到的知识大部分都是来自互联网上的开源数据，如果目标任务本身属于某个领域（如金融、政务、法律、医疗、工业等），需要依赖很深的领域背景知识，那么通用模型可能无法满足这些要求，需要在该领域的数据集上进行微调，以增强模型的泛化能力。

查看更多 →

基于CodeArts IDE Online、TensorFlow和Jupyter Notebook开发深度学习模型 概要 准备工作 导入和预处理训练数据集 创建和训练模型 使用模型

查看更多 →

开发者认证课程学习的形式是什么样的？ 开发者认证课程学习分为在线视频学习和在线实验操作。 父主题： 开发者认证课程学习常见问题

查看更多 →

自动学习生成的模型，存储在哪里？支持哪些其他操作？ 模型统一管理 针对自动学习项目，当模型训练完成后，其生成的模型，将自动进入“模型管理”页面，如下图所示。模型名称由系统自动命名，前缀与自动学习项目的名称一致，方便辨识。 自动学习生成的模型，不支持下载使用。 图1 自动学习生成的模型

查看更多 →

能，用户可以根据自己的兴趣和需求，浏览课程列表来选择适合的课程进行学习。 图2 在线课程列表 课程信息查看：在课程列表中，每个课程都展示了相关的信息，用户可以单击课程标题或者相应的课程卡片，以查看更详细的课程信息和课程介绍。 课程学习-详情部分 课程介绍 该部分提供了对课程的详细

查看更多 →

创建预测分析自动学习项目时，对训练数据有什么要求？ 数据集要求 文件规范：名称由以字母数字及中划线下划线组成，以'.csv'结尾，且文件不能直接放在OBS桶的根目录下，应该存放在OBS桶的文件夹内。如：“/obs-xxx/data/input.csv”。 文件内容：文件保存为“c

查看更多 →

适用于人工智能与机器学习场景的合规实践 该示例模板中对应的合规规则的说明如下表所示： 表1 合规包示例模板说明 合规规则 规则中文名称 涉及云服务 规则描述 cce-cluster-end-of-maintenance-version CCE集群版本为处于维护的版本 cce CC

查看更多 →