返回值为0即成功，其他即失败，失败响应参数如错误码所示。 如果推理的实际输入与模型输入大小不一致，推理将会失败。此时infer的返回值将是一个int的错误码，日志会报出错误信息，开发者可以通过错误信息来定位错误。 父主题： 模型管理

查看更多 →

模型训练 模型训练简介 创建模型训练工程 创建联邦学习工程 创建训练服务 创建超参优化服务 创建Tensorboard 打包训练模型 父主题： 用户指南

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 →

座两层的小木屋，和这里的大部分木质吊脚楼一样，小木屋依山而建。但这座木屋又很“特别”，它有一个“山东哥哥助学工作站”的名字。这座木屋，凝聚了“山东哥哥”与贵州山区儿童之间的情谊，也见证了一位名叫隋刚的淄博“80后”小伙18年来的坚守。", "绝大多数用户的需求往往

查看更多 →

模型训练 模型训练 如果您缺少自有模型训练平台，可以基于ModelArts进行模型在线训练。 根据场景选择适用的摄像机。 在首页导航栏，进入“选择摄像机型号”页面。 通过不同的条件筛选摄像机，单击选择需要的摄像机（如X2221-VI），摄像机的相关信息将显示在右侧的摄像机详情窗口

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、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 已在视觉套件控制台选

查看更多 →

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。 通过详细评估中的错误识别示例，有针对性地扩充训练数据。 后续操作 模型训练完成后，单击“下一步

查看更多 →

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。 通过详细评估中的错误识别示例，有针对性地扩充训练数据。 后续操作 模型训练完成后，单击“下一步

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、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 已在视觉套件控制台选

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。往往不能一次性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

查看更多 →

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。 通过详细评估中的错误识别示例，有针对性地扩充训练数据。 后续操作 模型训练完成后，单击“下一步”，进入应用开

查看更多 →

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。 通过详细评估中的错误识别示例，有针对性地扩充训练数据。 后续操作 模型训练完成后，单击“下一步”，进入应用开发的“模型评估”步骤，详细操作指引请参见评估模型。 父主题： 无监督车牌检测工作流

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、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 已在视觉套件控制台选

查看更多 →

企业用户是指具体使用IMC平台的的企业员工，由企业管理员通过IMC管理后台的创建用户时添加。 企业用户如果被授权访问SparkPack 企业ERP应用，则该企业用户具有访问SparkPack 企业ERP的权限。 ERP管理员 ERP管理员是由企业管理员在IMC管理后台给企业用户应用授

查看更多 →

领域模型 领域模型描述业务域的概念及其关系，是立足于业务域的分析模型，它通过业务问题域的分析和建模，抽象出领域概念，建立统一的业务语言，从而指导后续的架构设计工作。 元素介绍 元素名 图标 含义 Domain 域，用于在架构表达、开发管理、对外介绍的过程中，表达系统的层次关系或内

查看更多 →

在技术模型图上创建出来的技术元素； 引用到技术模型中的技术元素（包含关联空间中的引用的技术元素）； 如何检查 查询基于模型图（只有技术模型图内的技术元素参与构树）并展示不匹配元素构出的技术模型架构树，找出所有技术元素中不在架构树中的技术元素。 正确示例 按逻辑规则构建的架构信息树：

查看更多 →

填写物理表信息 编辑物理表：单击右侧表格中的“编辑”，跳转进入编辑物理表页面。 图8 编辑物理表-1 图9 编辑物理表-2 批量导入：批量物理表信息填入下载的模板后上传，完成批量导入。 图10 批量导入-1 图11 批量导入-2 批量删除：批量删除所勾选的物理表，默认置灰。 图12 批量删除

查看更多 →

图3 模型评估报告 表1 评估结果参数说明 参数 说明 recall：召回率 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。

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

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。 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 →