中软国际数据治理专业服务解决方案实践

深度学习模型预测 深度学习已经广泛应用于图像分类、图像识别和 语音识别 等不同领域， DLI 服务中提供了若干函数实现加载深度学习模型并进行预测的能力。 目前可支持的模型包括DeepLearning4j 模型和Keras模型。由于Keras它能够以 TensorFlow、CNTK或者 Theano

查看更多 →

深度学习模型预测 深度学习已经广泛应用于图像分类、图像识别和语音识别等不同领域，DLI服务中提供了若干函数实现加载深度学习模型并进行预测的能力。 目前可支持的模型包括DeepLearning4j 模型和Keras模型。由于Keras它能够以 TensorFlow、CNTK或者 Theano

查看更多 →

性能，ModelArts提供了可视化作业管理、资源管理、版本管理等功能，基于机器学习算法及强化学习的模型训练自动超参调优，如learning rate、batch size等自动的调参策略；预置和调优常用模型，简化模型开发和全流程训练管理。 当前大多数开发者开发模型时，为了满足精

查看更多 →

。 自动学习的关键技术主要是基于信息熵上限近似模型的树搜索最优特征变换和基于信息熵上限近似模型的贝叶斯优化自动调参。通过这些关键技术，可以从企业关系型（结构化）数据中，自动学习数据特征和规律，智能寻优特征&ML模型及参数，准确性甚至达到专家开发者的调优水平。自动深度学习的关键技术

查看更多 →

真实光影效果，兼容存量材质格式对接，免去设计师手动材质调参，大幅提升设计效率。 图6 GPU 图7 调参 核心技术3：3D云设计+3D云制造同源一体化软件 设计生产一体化：3D云设计、3D云订单、排产软件同源一体化，同一套数据源实现设计、下单、生产闭环，是业内唯一一家实现设计与制

查看更多 →

具有跨AZ容灾能力。 无 高易用 学习成本 学习成本低，包含10年、上千个项目经验固化的调优参数。同时提供可视化智能调优界面。 学习成本高，需要了解上百个调优参数。 支持数据源 云上：OBS、RDS、DWS、 CSS 、MongoDB、Redis。 云下：自建数据库、MongoDB、Redis。

查看更多 →

开发阶段：准备并配置环境，调试代码，使代码能够开始进行深度学习训练，推荐在ModelArts开发环境中调试。 实验阶段：调整数据集、调整超参等，通过多轮实验，训练出理想的模型，推荐在ModelArts训练中进行实验。 两个过程可以相互转换。如开发阶段代码稳定后，则会进入实验阶段，通过不断尝试调整超参来迭代模型；或在实

查看更多 →

ModelArts中常用概念 自动学习 自动学习功能可以根据标注数据自动设计模型、自动调参、自动训练、自动压缩和部署模型，不需要代码编写和模型开发经验。只需三步，标注数据、自动训练、部署模型，即可完成模型构建。 端-边-云 端-边-云分别指端侧设备、智能边缘设备、公有云。 推理

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 →

准确率高：基于改进的深度学习算法，检测准确率高。 响应速度快：视频直播响应速度小于0.1秒。 在线商城 智能审核商家/用户上传图像，高效识别并预警不合规图片，防止涉黄、涉暴类图像发布，降低人工审核成本和业务违规风险。 场景优势如下： 准确率高：基于改进的深度学习算法，检测准确率高。

查看更多 →

什么是自动学习？ 自动学习功能可以根据标注的数据自动设计模型、自动调参、自动训练、自动压缩和部署模型，不需要代码编写和模型开发经验。 自动学习功能主要面向无编码能力的用户，其可以通过页面的标注操作，一站式训练、部署，完成AI模型构建。 父主题： 功能咨询

查看更多 →

SFT全参微调超参配置 本章节介绍SFT全参微调前的超参配置，可以根据实际需要修改。 SFT全参微调脚本baichuan2.sh，存放在6.3.904-Ascend/llm_train/AscendSpeed/scripts/baichuan2目录下。可以根据实际需要修改超参配置。

查看更多 →

SFT全参微调数据处理 SFT全参微调（SFT fine-tuning）前需要对数据集进行预处理，转化为.bin和.idx格式文件，以满足训练要求。 下载数据 SFT全参微调涉及的数据下载地址：https://huggingface.co/datasets/silk-road/a

查看更多 →

迁移学习 如果当前数据集的特征数据不够理想，而此数据集的数据类别和一份理想的数据集部分重合或者相差不大的时候，可以使用特征迁移功能，将理想数据集的特征数据迁移到当前数据集中。 进行特征迁移前，请先完成如下操作： 将源数据集和目标数据集导入系统，详细操作请参见数据集。 创建迁移数据J

查看更多 →

别二维码进行学习 操作路径：培训-学习-学习项目-更多-分享 图21 分享1 图22 分享2 数据监控 通过查看学员培训进度，监控学员学习状态 操作路径：培训-学习-学习项目-数据 图23 数据监控1 图24 数据监控2 任务监控统计的是以任务形式分派的学员学习数据 自学记录统计的是学员在知识库进行自学的学习数据

查看更多 →

200,000.00 每套 自动驾驶提升与优化服务 自动驾驶技术支持与优化服务包 针对自动驾驶业务场景，提供自动驾驶工具支持、算子优化、模型调优、算法调优等服务，每套折合10人天投入工作量； 188,160.00 每套 计费模式 本服务为一次性计费方式。 变更配置 本服务如已启动交付，

查看更多 →

parquet 如果在准备数据章节已下载数据集，此处无需重复操作。 SFT全参微调和LoRA微调训练使用的是同一个数据集，数据处理一次即可，训练时可以共用。 数据预处理说明 使用数据预处理脚本preprocess_data.py脚本重新生成.bin和.idx格式的SFT全参微调数据。preprocess_data

查看更多 →

SFT全参微调数据处理 SFT全参微调（Supervised Fine-Tuning）前需要对数据集进行预处理，转化为.bin和.idx格式文件，以满足训练要求。 下载数据 SFT全参微调涉及的数据下载地址：https://huggingface.co/datasets/tats

查看更多 →

创建 新建训练工程、联邦学习工程、训练服务或超参优化服务。 名称 模型训练名称。 模型训练工程描述 对模型训练工程的描述信息。 创建时间 训练工程、联邦学习工程、训练服务或者超参优化服务的创建时间。 类型 模型训练的类型。 包含如下选项： 模型训练 联邦学习 训练服务 优化服务 创建者

查看更多 →

支持样本平衡性综合分析，便于用户直观的了解数据集中不同类别样本的分布情况，判断样本集的分布平衡性，并可在组织内共享数据集。 图10 数据均衡性分析 图11 共享样本数据库管理 全流程可视化自主训练，用户可选择网络结构、数据集利用云端算力进行自动学习，也可以利用notebook进行算法开

查看更多 →

开“箱”即用，涵盖AI开发全流程，包含数据处理、模型开发、训练、管理、部署功能，可灵活使用其中一个或多个功能。 易上手 提供多种预置模型，开源模型想用就用。 模型超参自动优化，简单快速。 零代码开发，简单操作训练出自己的模型。 支持模型一键部署到云、边、端。 高性能 优化深度模型推理中资源的利用率，加速云端在线推理。

查看更多 →