算法文件说明 用户可将本地算法文件包上传到Octopus平台，算法文件包需要满足一定要求，请详细阅读本节，有助于用户快速完成算法开发。 算法文件基本要求 算法文件目录结构可参考如下，需要包括启动文件“xxx.py”（启动文件名可自定义），以及一些必要的训练文件。 启动文件（必选）

查看更多 →

聚合算法优化 操作场景 在Spark SQL中支持基于行的哈希聚合算法，即使用快速聚合hashmap作为缓存，以提高聚合性能。hashmap替代了之前的ColumnarBatch支持，从而避免拥有聚合表的宽模式（大量key字段或value字段）时产生的性能问题。 操作步骤 要启动

查看更多 →

ModelArts自动学习功能训练生成的模型，暂时不支持用于HiLens平台。 线下开发 线下开发指您在本地使用自己熟悉的算法模型开发工具，开发算法模型。 当前仅支持TensorFlow和Caffe引擎开发的算法模型，且您开发的模型需保存为“.pb”或“.caffemodel”格式。然后再使用导入（转换）模

查看更多 →

personalrank算法(1.0.0) 表1 parameters参数说明 参数 是否必选 类型 说明 source 是 String 节点的ID。 alpha 否 Double 权重系数(又称阻尼系数)，取值范围为（0,1），默认值为0.85。 convergence 否 Double

查看更多 →

String 项目ID。获取方法请参见获取项目ID。 graph_name 是 String 图名称。 请求示例 执行指定算法，算法名字为pagerank，算法的权重系数为0.85，收敛精度为0.00001，最大迭代次数为1000，考虑边的方向。 POST http://{SERVER_URL}/ges/v1

查看更多 →

执行DSL算法 功能介绍 提供灵活，可控的DSL帮助用户低成本设计并运行算法。DSL算法详细介绍请参考DSL语法介绍。 URI URI 格式 POST /ges/v1.0/{project_id}/graphs/{graph_name}/action?action_id=algorithm-query

查看更多 →

topicrank算法（topicrank） louvain算法（louvain） Bigclam算法（bigclam） Cesna算法（cesna） infomap算法（infomap） 标签传播算法（label_propagation） 子图匹配算法（subgraph matching）

查看更多 →

上传算法至SFS 下载Swin-Transformer代码。 git clone --recursive https://github.com/microsoft/Swin-Transformer.git 修改lr_scheduler.py文件，把第27行：t_mul=1. 注释掉。

查看更多 →

成路由计算（大小写敏感）。 例如：MOD_HASH('8')等价于8%D（D是分库数目/分表数）。 算法计算方式 方式一：拆分键是整型 表1 拆分键是整型时的计算方式 条件 算法 举例 分库拆分键 ≠ 分表拆分键 分库路由结果 = 分库拆分键值 % 分库数 分表路由结果 = 分表拆分键值

查看更多 →

查看加密算法 初始化密钥后，系统会根据密钥生成对应的加密算法，用户可以在算法查看页面查看系统支持的加密算法。 前提条件 确保已初始化密钥，具体初始化密钥操作，请参见初始化密钥章节。 操作步骤 使用系统管理员sysadmin账号登录实例Web控制台。 在左侧导航栏中，选择“数据加密

查看更多 →

PageRank算法 概述 PageRank算法又称网页排名算法，是一种由搜索引擎根据网页（节点）之间相互的超链接进行计算的技术，用来体现网页（节点）的相关性和重要性。 如果一个网页被很多其他网页链接到，说明这个网页比较重要，也就是其PageRank值会相对较高。 如果一个Pag

查看更多 →

使用算法分析图 服务为您提供了丰富的基础图算法、图分析算法和图指标算法，您可以使用图算法做关系分析等。 操作步骤 进入图引擎编辑器页面，详细操作请参见访问图引擎编辑器。 在算法分析区，你可以选择算法，并设置参数。 图引擎服务支持的算法如算法一览表所示，详细算法介绍请参见算法参考。

查看更多 →

算法API参数参考 算法公共参数 pagerank算法(1.0.0) personalrank算法(1.0.0) k核算法（kcore）(1.0.0) k跳算法（k_hop）(1.0.0) 共同邻居（common_neighbors）(1.0.0) 点集共同邻居(common_n

查看更多 →

k核算法（kcore） 功能介绍 根据输入参数，执行K核算法。 K核算法是图算法中的一个经典算法，用以计算每个节点的核数。其计算结果是判断节点重要性最常用的参考值之一，较好的体现了节点的传播能力。 URI POST /ges/v1.0/{project_id}/hyg/{graph_name}/algorithm

查看更多 →

算法API参数参考 算法公共参数 最短路径（shortest_path） 点集最短路（shortest_path_of_vertex_sets） 点集共同邻居(common_neighbors_of_vertex_sets) 父主题： 原生算法API

查看更多 →

执行DSL算法 功能介绍 提供灵活的DSL帮助用户低成本设计并运行算法。DSL算法详细介绍请参考DSL语法说明。 DSL算法执行结束后，用户需使用HyG算法结果转存API将DSL执行结果转存到OBS上。转存之后，您可以通过stdout等文件查看算法结果，由于HyG图是分布式的，结果文件可能有多个，对应不同分区的结果。

查看更多 →

边缘算法表示算法模型下发到边缘节点的客户设备中，在客户设备中执行算法分析任务，视频流数据不需要提供到华为云上。云上算法表示视频流数据需要上传到华为云，在华为云上进行算法分析。

查看更多 →

准备算法相关信息 准备算法相关信息 发布算法时，需要填写算法相关信息，请提前准备。 表1 准备算法相关信息 上传平台 准备项 说明 好望商城 服务商名称 算法发布者的名称。 服务商邮箱 算法发布者的邮箱信息，最多支持5个邮箱。 服务商简介 算法发布者的信息介绍，如企业背景、擅长领域等。

查看更多 →

步骤二：创建仿真算法 添加算法 在左侧菜单栏中单击“仿真服务 > 算法管理”。 单击“新建算法”，填写算法基本信息。 图1 新建算法 请根据实际情况自定义填写，其中带“*”为必填项。 算法类型：固定为“容器镜像”。 算法名称：只能包含数字、英文、中文、下划线、中划线，不得超过64个字符。

查看更多 →

Node2vec算法 概述 Node2vec算法通过调用word2vec算法，把网络中的节点映射到欧式空间，用向量表示节点的特征。 Node2vec算法通过回退参数 P 和前进参数 Q 来生成从每个节点出发的随机步，带有BFS和DFS的混合，回退概率正比于1/P，前进概率正比于1

查看更多 →

共同邻居算法（Common Neighbors） 概述 共同邻居算法（Common Neighbors）是一种常用的基本图分析算法，可以得到两个节点所共有的邻居节点，直观地发现社交场合中的共同好友、以及在消费领域共同感兴趣的商品，进一步推测两个节点之间的潜在关系和相近程度。 适用场景

查看更多 →