数据扩增通过简单的数据扩增例如缩放、裁剪、变换、合成等操作直接或间接的方式增加数据量。 数据生成应用相关深度学习模型，通过对原数据集进行学习，训练生成新的数据集的方式增加数据量。 数据域迁移应用相关深度学习模型，通过对原域和目标域数据集进行学习，训练生成原域向目标域迁移的数据。

查看更多 →

创建超参优化服务 超参优化服务可以对已创建好的模型训练工程进行超参调优，通过训练结果对比，选择一组最优超参组合。并不是所有的训练工程都可以创建超参优化服务。创建超参优化服务对已创建的训练工程要求如下： 训练工程是可以成功执行训练任务的 训练工程中超参是通过SDK（softcomai

查看更多 →

tasks 表1 路径参数 参数 是否必选 参数类型 描述 dataset_id 是 String 数据集ID。 project_id 是 String 用户项目ID。获取方法请参见获取项目ID和名称。 请求参数 表2 请求Body参数 参数 是否必选 参数类型 描述 collect_key_sample

查看更多 →

取值范围：字符串，针对不同算法超参类型范围不同，取值范围详情请参考《特性指南》的“DB4AI: 数据库驱动AI > 原生DB4AI引擎”章节中“算子支持的超参”表的内容。 hp_value 超参数值。 取值范围：字符串，针对不同算法范围不同，取值范围详情请参考《特性指南》的“DB4AI: 数据库驱动AI

查看更多 →

取值范围：字符串，针对不同算法超参类型范围不同，取值范围详情请参考《特性指南》的“DB4AI: 数据库驱动AI > 原生DB4AI引擎”章节中“算子支持的超参”表的内容。 hp_value 超参数值。 取值范围：字符串，针对不同算法范围不同，取值范围详情请参考《特性指南》的“DB4AI: 数据库驱动AI

查看更多 →

搜索请求造成的数据泄露。 可信联邦学习 可信联邦学习是 可信智能计算服务 提供的在保障用户数据安全的前提下，利用多方数据实现的联合建模，曾经被称为联邦机器学习。 联邦预测作业 联邦预测作业在保障用户数据安全的前提下，利用多方数据和模型实现样本联合预测。 可信智能计算 节点 数据参与方使

查看更多 →

行计划时间预测功能时的数据表，记录机器学习模型的配置、训练结果、功能、对应系统函数、训练历史等相关信息。 表1 GS_OPT_MODEL字段 名称 类型 描述 oid oid 数据库对象id。 template_name name 机器学习模型的模板名，决定训练和预测调用的函数接

查看更多 →

算法介绍及参数说明 召回策略 过滤规则 排序策略-离线特征工程 排序策略-离线排序模型 在线服务 效果评估 父主题： 自定义场景

查看更多 →

查询联邦预测作业列表 功能介绍 查询联邦预测作业列表 调用方法 请参见如何调用API。 URI GET /v1/{project_id}/leagues/{league_id}/fl-predicted-jobs 表1 路径参数 参数 是否必选 参数类型 描述 project_id

查看更多 →

自动学习和订阅算法有什么区别？ 针对不同目标群体，ModelArts提供不同的AI开发方式。 如果您是新手，推荐您使用自动学习实现零代码模型开发。当您使用自动学习，系统会自动选择适合的算法和适合的参数进行模型训练。 如果您是AI开发进阶者，通过订阅算法进行模型训练有更多算法上的选择，并且您可以自定义训练所需的参数。

查看更多 →

当前代码已预置运行超参，可使用默认值。 超参优化 训练任务执行的过程中可以同步进行超参优化。 勾选“运行超参”后的“超参优化”复选框，可配置运行超参的参数类型、起始值、终止值、优化方法、优化目标和终止条件。训练完成后，可以单击查看优化报告，得到运行超参不同取值下的模型评分和试验时长。详情请参见创建超参优化服务。

查看更多 →

，节点的相似度越大，标签越容易传播。 适用场景 标签传播算法（Label Propagation）适用于资讯传播、广告推荐、社区发现等场景。 参数说明 表1 标签传播算法（Label Propagation）参数说明 参数 是否必选 说明 类型 取值范围 默认值 convergence

查看更多 →

FM算法 概述 FM主要是解决稀疏数据下的特征组合问题，并且其预测的复杂度是线性的，对于连续和离散特征有较好的通用性。 公式为： 输入 参数 子参数 参数说明 inputs dataframe inputs为字典类型，dataframe为pyspark中的DataFrame类型对象

查看更多 →

责控制技能的运行，包括数据读入、模型导入、模型推理、结果输出等；模型是人工智能算法经由大数据训练而成，负责技能运行中关键场景的推理。 按应用场景划分，技能可应用于：智能园区、智慧家庭、智能车载、智能商超和其他等场景。 按不同的设备划分，技能分为2种，一种是适用于Ascend芯片的

查看更多 →

在服务详情页，单击选择“预测”页签。 图7 上传预测图片 单击“上传”选择一张需要预测的图片，单击“预测”，即可在右边的预测结果显示区查看您的预测结果。 图8 预测样例图 图9 查看预测结果 本案例中数据和算法生成的模型仅适用于教学模式，并不能应对复杂的预测场景。即生成的模型对预测图片有一定范

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 →

等技术加速计算过程。 支持十亿节点、百亿边的超大规模图数据库查询，提供适用于基因和生物网络数据的图深度学习算法。 拥有基于基因组数据自动深度学习的技术框架AutoGenome，深度融合人工智能技术，产生更加便捷、快速、准确、可解释的医疗智能模型，加速医疗大健康行业的研究工作。 成

查看更多 →

在服务详情页，单击选择“预测”页签。 图7 上传预测图片 单击“上传”选择一张需要预测的图片，单击“预测”，即可在右边的预测结果显示区查看您的预测结果。 图8 预测样例图 图9 查看预测结果 本案例中数据和算法生成的模型仅适用于教学模式，并不能应对复杂的预测场景。即生成的模型对预测图片有一定范

查看更多 →

观察云的外部形状，即云的外形特征、结构特点和云底高度，对预测天气变化有重要的影响。 ModelArts Pro 提供云状识别工作流，为您提供高精度的云状识别算法，通过云的外部形状预测天气变化。 功能介绍 支持上传多种云状图数据，构建云状的识别模型，用于高精度识别云的外部形状，进而用于气象预测工作。 支持一键部署模型和技能到边缘设备Atlas

查看更多 →

查询联邦学习作业列表 功能介绍 查询联邦学习作业列表 调用方法 请参见如何调用API。 URI GET /v1/{project_id}/leagues/{league_id}/fl-jobs 表1 路径参数 参数 是否必选 参数类型 描述 project_id 是 String

查看更多 →

JSON文本预测 登录ModelArts管理控制台，在左侧菜单栏中选择“部署上线>在线服务”，进入“在线服务”管理页面。 单击目标服务名称，进入服务详情页面。在“预测”页签的预测代码下，输入预测代码，然后单击“预测”即可进行服务的预测，如图3所示。 JSON文本类的预测代码和返回结果样例如下所示。

查看更多 →