被用户标注为某个分类的所有样本中，模型正确预测为该分类的样本比率，反映模型对正样本的识别能力。 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。

查看更多 →

被用户标注为某个分类的所有样本中，模型正确预测为该分类的样本比率，反映模型对正样本的识别能力。 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

查看更多 →

被用户标注为某个分类的所有样本中，模型正确预测为该分类的样本比率，反映模型对正样本的识别能力。 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

查看更多 →

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。 同一个自动学习项目可以训练多次，每次训练会注

查看更多 →

被用户标注为某个分类的所有样本中，模型正确预测为该分类的样本比率，反映模型对正样本的识别能力。 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

查看更多 →

设备模型 设备规格定义 父主题： 制造数据模型管理

查看更多 →

模型推理 模型初始化成功后，调用infer接口进行模型推理。灌入一组数据，并得到推理结果。输入数据的类型不是uint8或float32数组组成的list将会抛出一个ValueError。 接口调用 hilens.Model.infer(inputs) 参数说明 表1 参数说明 参数名

查看更多 →

模型训练 企业A在完成特征选择后，可以单击右下角的“启动训练”按钮，配置训练的超参数并开始训练。 等待训练完成后就可以看到训练出的模型指标。 模型训练完成后如果指标不理想可以重复调整7、8两步的所选特征和超参数，直至训练出满意的模型。 父主题： 使用 TICS 可信联邦学习进行联邦建模

查看更多 →

读取模型 概述 读取spark pipeline model类型的模型文件。 输入 无 输出 spark pipeline model类型的模型对象 参数说明 参数 参数说明 input_model_path 模型文件所在的路径 样例 params = { "input_model_path":

查看更多 →

保存模型 概述 保存spark pipeline类型的模型到本地文件系统。 输入 参数 子参数 参数说明 inputs pipeline_model inputs为字典类型，pipeline_model为pyspark中的PipelineModel对象 输出 无 参数说明 参数 子参数

查看更多 →

模型工程 分类 聚类 评估 推荐 回归 文本 时间序列 父主题： 预置算子说明

查看更多 →

模型管理 使用租间管理员账号登录AICC。 选择“配置中心>机器人管理>语义理解管理> 系统管理>模型管理” 单击“新增”，依次输入“名称”、“语言”、“模型类型”、“描述”。 图1 新增模型 单击“保存”，完成配置。 父主题： 其他操作

查看更多 →

防篡改、防泄漏。 模型安全性及合规性。 对模型文件进行版本管理，支持模型溯源；模型训练工作流的访问操作通过身份及权限控制且模型训练、推理所依赖的环境支持租户资源隔离，模型文件存储安全，且对模型文件访问进行身份及权限控制，模型文件访问基于https加密传输，模型训练及访问可防篡改、防泄漏。

查看更多 →

检索模型 概述 通过模型地图，用户可以根据模型的名字和路径关键字进行资产检索，快速查找所需数据信息。 前提条件 已完成采集技术模型和录入业务模型。 操作步骤 登录ROMA Connect，在“实例”页面单击实例上的“查看控制台”，进入实例控制台。 在左侧的导航栏选择“应用业务模型ABM

查看更多 →

模型适配 基于MindSpore Lite的模型转换 动态shape 父主题： 推理业务昇腾迁移通用指导

查看更多 →

可以看到获取的shape信息如下图所示。 图1 shape信息 PyTorch模型转换为Onnx模型（可选） 获取onnx模型有两种方式，方式一是使用官方提供的模型转换脚本将pytorch模型转换为onnx模型，方式二是对于提供了onnx模型的仓库，可以直接下载onnx模型。下面介绍方式一如何操作，如果采用方式二，可以跳过此步骤。

查看更多 →

模型部署 ModelArts提供模型、服务管理能力，支持多厂商多框架多功能的镜像和模型统一纳管。 通常AI模型部署和规模化落地非常复杂。 例如，智慧交通项目中，在获得训练好的模型后，需要部署到云、边、端多种场景。如果在端侧部署，需要一次性部署到不同规格、不同厂商的摄像机上，这是一

查看更多 →

完成模型配置。 图1 模型配置 模型级别：可选择“初始模型”和“迭代模型”。“初始模型”为Octopus平台提供的内置模型，“迭代模型”是用户二次微调后的模型。 输入模型：选择需要进行微调的模型和版本。当前支持2D预标注模型进行模型微调。 输出模型：模型微调后存储的模型仓库。

查看更多 →

模型管理 模型仓库 模型文件说明（标注） 模型文件说明（训练） 父主题： 数据资产

查看更多 →

选择样本类型和标注 用途：选择训练或标注。 样本类型：当前支持图片、3D点云。 标注：从下拉列表中选择标注。 选择镜像。 图3 模型仓库用途选择训练 图4 模型仓库用途选择标注 镜像用途：模型仓库用途选择训练时，镜像用途为训练任务。模型仓库用途选择标注时，镜像用途可选择预标注或预评审。 镜像仓库：选择镜像仓库以及版本。

查看更多 →

模型评测 在机器学习中，通常需要使用一定的方法和标准，来评测一个模型的预测精确度。自动驾驶领域通常涉及目标检测、语义分割、车道线检测等类别，如识别车辆、行人、可行区域等对象。 评测脚本 评测任务 任务队列 评测对比 模型数据集支持 父主题： 训练服务

查看更多 →