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 →

（Actor）同时执行更多的策略，缩短模拟时间。而凭借竞享实例的强劲性能（全系C类型）该引擎训练一天相当于人类玩家打10万年。 图1 人工智能应用架构图 Learner：学习集群，一般是多个GPU显卡组成训练集群 Actor：采用竞享实例提供CPU，每个线程作为一个AI玩家，用于测试策略的执行效果

查看更多 →

模型地图（旧版） 模型地图概述 检索模型 配置检索 配置标注 父主题： 应用模型

查看更多 →

新旧版本数据不兼容，在新版模型地图中不能对旧版模型数据进行检索。如果需要检索旧版模型数据，具体请参见模型地图（旧版）。 新版模型地图同样支持配置检索和配置标注，具体请参见配置检索、配置标注。 父主题： 模型地图（新版）

查看更多 →

模型地图概述 通过模型地图，用户可以快速检索模型数据，同时为方便用户更加快速高效的检索到所需数据信息，也支持用户配置检索和配置标注。 检索模型：用户可以通过选择的模型类型、输入关键字检索模型。对业务模型检索时，可以配置筛选条件里的信息架构以及关联情况进行筛选；对技术模型检索时，可

查看更多 →

模型地图（新版） 模型地图概述 检索模型 检索卡片资产 模型管理 向导式搜索 卡片资产 消息中心 父主题： 应用模型

查看更多 →

创建模型图 可以在包、元素下面建图，也可以在起始页建图，选择要增加模型的包目录或元素节点，单击右侧“菜单”，选择“新建图”。 在包下建图。 在元素下建图。 在工程树上新建图。 在起始页新建图。需在基本信息页指定父节点。 在弹出的窗口中选择要创建的模型类型。 “下一步”输入新建模型图的信息，单击“确定”创建成功。

查看更多 →

配置模型地图 配置标注 配置检索 创建模型主题 父主题： 应用业务模型使用指导

查看更多 →

运行模型（顺序图） 元素介绍 运行模型-顺序图中的元素都来自于上下文模型中的用户角色、外部系统或者逻辑模型中定义的逻辑元素，不需要在顺序图中创建新元素，只需要使用到UML顺序图中的消息连线。 元素名 图标 含义 Messgae 同步消息连线,消息的发送者把控制传递给消息的接收者，

查看更多 →

运行模型（活动图） “运行模型-活动图”同UML的活动图一样，元素介绍参见活动图。 父主题： 运行视图

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 →

数据模型图谱 操作场景 本文指导您如何查看当前选择的应用租户下的数据模型图谱。 查看数据模型图谱 登录LinkX-F系统首页。 选择“模型设计 > 数据模型图谱”，进入“数据模型图谱”页面。 表1 模型图谱各功能区域说明 功能区域 说明 图谱主视图 图谱视图结构中数据实体和关系线的交互规则如下：

查看更多 →

数据模型图谱 查看数据图谱 父主题： 数据模型管理

查看更多 →

风险四色图模型 查询隐患清单（API名称：queryHiddenTroubleList） 查询风险清单（API名称：queryRiskIdentityList） 父主题： API

查看更多 →

架构视图模型检查规则 逻辑模型 技术模型 代码模型 构建模型 交付模型 部署模型 上下文模型 运行模型 父主题： 通用检查规则

查看更多 →

模型训练 模型训练中除了数据和算法外，开发者花了大量时间在模型参数设计上。模型训练的参数直接影响模型的精度以及模型收敛时间，参数的选择极大依赖于开发者的经验，参数选择不当会导致模型精度无法达到预期结果，或者模型训练时间大大增加。 为了降低开发者的专业要求，提升开发者模型训练的开发

查看更多 →

如何查看和修改模型图类型 当模型图的类型和当前建模内容不匹配时会出现各种各样的错误，应该正确的选择图的类型。 查看图类型 在工程树上右键点击需要查看的图或在打开图鼠标右键菜单“属性”按钮。 即可在属性栏查看当前图的类型。 修改图类型 打开模型图的属性菜单，即可在类型栏下拉框中选择自己需要的视图，点击“保存”。

查看更多 →

6的标准问： 图8 阈值调整前 单击“查看JSON”，查看具体的相似度得分。 图9 查看相似度得分 阈值调整后，推荐问阈值为0.7，直接回答阈值为0.9，输入用户问“我可以去哪办理”，语料库中没有与用户问相似度得分高于0.9的标准问，机器人返回相似度得分高于0.7的标准问： 图10 阈值调整后

查看更多 →

训练模型 特征和算法确定后，可以开始训练模型。 训练模型 单击“模型选择”左下方的“训练模型”。 新增“训练模型”内容，如图1所示。 图1 训练模型 单击“训练模型”代码框左侧的图标，进行模型训练。 模型训练完成后，界面下方展示模型的评估效果。 第一列内容的含义如下所示： 0：标注为0的所有样本。可以理解为标签。

查看更多 →

测试模型 用测试数据测试模型的泛化能力。训练数据可以是带标签或者不带标签的数据，测试数据一定是带标签的数据，方便评估模型执行效果。 单击“训练模型”左下方的“测试模型”，新增“测试模型”内容。 参数配置均保持默认值。 单击“测试模型”代码框左侧的图标，进行模型评估。 模型测试效果会通过表格的形式在下方展示。

查看更多 →