联邦预测作业管理 查询联邦预测作业列表 查询训练作业下的成功模型 父主题： 计算节点API

查看更多 →

创建分子属性预测作业 功能介绍 创建分子属性预测作业。 URI POST /v1/{project_id}/eihealth-projects/{eihealth_project_id}/drug-jobs/admet 表1 路径参数 参数 是否必选 参数类型 描述 project_id

查看更多 →

关联预测算法（Link Prediction） 概述 关联预测算法（Link Prediction）给定两个节点，根据Jaccard度量方法计算两个节点的相似程度，预测节点之间的紧密关系。 适用场景 关联预测算法（Link Prediction）适用于社交网上的好友推荐、关系预测等场景。

查看更多 →

录，可以获取批量服务预测结果，包括预测结果文件和AI应用预测结果。 若预测成功，目录下有预测结果文件和AI应用预测结果；若预测失败，目录下只有预测结果文件。 预测结果文件：文件格式为“xxx.manifest”，里面包含文件路径、预测结果等信息。 AI应用预测结果输出： 当输入为

查看更多 →

成本和使用量预测 预测机制 预测的应用

查看更多 →

图1 选择预测字段 选择与预测结果相关的字段，保持默认，单击“下一步”。 可以在预测结果所在的对象中选择和预测的结果有关的字段，也可以从与该对象存在多对一关联关系的对象中选择。根据选择的字段与训练数据集，系统将自动学习它们与预测结果之间的相关性。 单击“检查数据”，查看可用数据记

查看更多 →

执行实时预测作业 执行实时预测作业 用户登录进入计算节点页面。 在左侧导航树上依次选择“作业管理 > 联邦预测”，打开联邦预测作业页面。 在“联邦预测”页面实时预测Tab页，单击“模型部署”，开始部署模型。 图1 模型部署 模型部署完成后，单击“发起预测”，在系统弹窗中填写要预测的“

查看更多 →

在“联邦预测”页面批量预测Tab页，查找待执行的作业，单击“发起预测”，在系统弹窗中填写“分类阈值”，勾选数据集发起联邦预测。 如果在创建联邦预测作业 步骤4中勾选的模型不包含标签方特征，联邦预测支持只勾选己方数据集发起单方预测。 图1 发起预测 图2 勾选数据集 在“联邦预测”页面批量预测Tab

查看更多 →

多层感知机预测(PyTorch) 概述 使用PyTorch实现的多层感知机分类算法，可运行于异构资源池上。 该算子通过cuda自动判断GPU是否可用。如果GPU可用，优先使用GPU训练；否则使用CPU训练。 输入 参数 参数说明 train_url train_url为存储模型文

查看更多 →

在TFJob中指定GPU资源。 创建tf-gpu.yaml文件，示例如下： 该示例的主要功能是基于Tensorflow的分布式架构，利用卷积神经网络（CNN）中的ResNet50模型对随机生成的图像进行训练，每次训练32张图像（batch_size），共训练100次（step），记录每次训练过程中的性能（image/sec）。

查看更多 →

"/opt/tf-benchmarks/scripts/tf_cnn_benchmarks/tf_cnn_benchmarks.py", "--batch_size=1"

查看更多 →

"/opt/tf-benchmarks/scripts/tf_cnn_benchmarks/tf_cnn_benchmarks.py", "--batch_size=1"

查看更多 →

分子属性预测作业管理 创建分子属性预测作业 查询分子属性预测作业详情 父主题： API（盘古辅助制药平台）

查看更多 →

查询分子属性预测作业详情 功能介绍 查询分子属性预测作业详情。 URI GET /v1/{project_id}/eihealth-projects/{eihealth_project_id}/drug-jobs/admet/{job_id} 表1 路径参数 参数 是否必选 参数类型

查看更多 →

务。 选择左侧导航栏“自动学习>前往新版>创建项目”，进入创建预测分析界面。 图3 预测分析 选择数据集、标签列（数据中预测结果的列，本示例中为str7），若没有数据集，可以单击“创建数据集”进行创建。 图4 创建预测分析 图5 创建数据集 当执行到服务部署时，选择资源池、AI应用及版本，单击“继续运行”。

查看更多 →

"/opt/tf-benchmarks/scripts/tf_cnn_benchmarks/tf_cnn_benchmarks.py",

查看更多 →

在线服务预测报错MR.0105 问题现象 部署为在线服务，服务处于运行中状态，预测时报错：{ "erno": "MR.0105", "msg": "Recognition failed","words_result": {}}。 图1 预测报错 原因分析 请在“在线服务”详情页面

查看更多 →

在线服务预测报错ModelArts.4302 问题现象 在线服务部署完成且服务已经处于“运行中”的状态后，向运行的服务发起推理请求，报错ModelArts.4302。 原因分析及处理方法 服务预测报错ModelArts.4302有多种场景，以下主要介绍两种场景： "error_msg":

查看更多 →

0201”:“Request entity too large”。请减少预测请求内容后重试。 当使用API调用地址预测时，请求体的大小限制是12MB，超过12MB时，请求会被拦截。 使用ModelArts console的预测页签进行的预测，由于console的网络链路的不同，要求请求体的大小不超过8MB。

查看更多 →

因APIG（API网关）限制，平台每次请求预测的时间不超过40秒。数据从平台发送到服务，服务预测推理，再将结果返回的时间不超过限制，可以成功返回预测结果。当服务预测的时间过长或者频繁预测导致服务接收不过来请求，即会出现该报错。 可以通过以下方式解决问题： 服务预测请求内容过大时，会因数据处理慢

查看更多 →

址）预测时，对请求体的大小限制是12MB，超过12MB时，请求会被拦截。 如果是从ModelArts console的预测页签进行的预测，由于console的网络链路的不同，此时要求请求体的大小不超过8MB。 处理方法 尽量避免请求体大小超限； 如果有高并发的大流量推理请求，请提工单联系专业服务支持。

查看更多 →