据统计分析能力。 场景优势 能够精确匹配电商运营规则。 最近邻算法与深度学习的结合，挖掘用户高维稀疏特征，匹配最佳推荐结果。 融合多种召回策略，网状匹配兴趣标签。 改善用户体验，同时降低人工成本。 画像与深度模型结合，助力营收收益增长。 图1 RES电商推荐 RES+媒资应用场景

查看更多 →

不用进行强化学习，也可以准确判断和学习到使用者的偏好，最后，DPO算法还可以与其他优化算法相结合，进一步提高深度学习模型的性能。 RM奖励模型(Reward Model)：是强化学习过程中一个关键的组成部分。它的主要任务是根据给定的输入和反馈来预测奖励值，从而指导学习算法的方向，帮助强化学习算法更有效地优化策略

查看更多 →

联邦学习&重训练，保障模型应用效果 支持联邦学习，模型可以采用多地数据进行联合训练，提升样本多样性，提升模型效果 支持迁移学习，只需少量数据即可完成非首站点模型训练，提升模型泛化能力 模型自动重训练，持续优化模型效果，解决老化劣化问题 预置多种高价值通信增值服务，缩短模型交付周期

查看更多 →

图像搜索 （ Image Search ，又称为多媒体搜索）基于深度学习与图像识别技术，是一套开箱即用的场景化搜索服务，支持图像等数据的管理和搜索，提供多种通用预置场景的搜索能力，并支持低成本、高敏捷的定制化服务，为用户提供安全、可靠、快速、准确的一键部署场景化内容搜索需求。 图像搜索服务以开放API（Application

查看更多 →

我的自学课程操作 登录用户平台。 单击顶部菜单栏的学习任务菜单。 进入学习任务页面，单击【自学课程】菜单 进入我的自学课程页面，卡片形式展示我学习和我收藏的课程信息。 图5 我的自学课程 单击【课程卡片】，弹出课程的详情页面，可以查看课程的详细信息开始课程的学习。 父主题： 实施步骤

查看更多 →

不用进行强化学习，也可以准确判断和学习到使用者的偏好，最后，DPO算法还可以与其他优化算法相结合，进一步提高深度学习模型的性能。 RM奖励模型(Reward Model)：是强化学习过程中一个关键的组成部分。它的主要任务是根据给定的输入和反馈来预测奖励值，从而指导学习算法的方向，帮助强化学习算法更有效地优化策略

查看更多 →

统一的API接口，支持多种深度学习开发框架。 提供模型训练、开发、调试、部署、管理一站式服务，无缝对接用户设备。 在云侧模型管理中导入ModelArts训练出的模型，也可导入用户线下开发的自定义模型。 技能开发完成后可发布到AI Gallery或直接部署到端侧设备。 对接AI开发

查看更多 →

强化学习，也可以准确判断和学习到使用者的偏好，最后，DPO算法还可以与其他优化算法相结合，进一步提高深度学习模型的性能。 SFT监督式微调(Self-training Fine-tuning)：是一种利用有标签数据进行模型训练的方法。 它基于一个预先训练好的模型，通过调整模型的参

查看更多 →

可自行选择您需要预测的列名。 标签列是预测模型的输出。模型训练步骤将使用全部信息训练预测模型，该模型以其他列的数据为输入，以标签列的预测值为输出。模型部署步骤将使用预测模型发布在线预测服务。 “输出路径” 选择自动学习数据输出的统一OBS路径。 说明： “输出路径”是存储自动学习在运行过程中所有产物的路径。

查看更多 →

确认学习结果 HSS学习完白名单策略关联的 服务器 后，输出的学习结果中可能存在一些特征不明显的可疑进程需要再次进行确认，您可以手动或设置系统自动将这些可疑进程确认并分类标记为可疑、恶意或可信进程。 学习结果确认方式，在创建白名单策略时可设置： “学习结果确认方式”选择的“自动确认可

查看更多 →

创建联邦学习工程，编写代码，进行模型训练，生成模型包。此联邦学习模型包可以导入至联邦学习部署服务，作为联邦学习实例的基础模型包。 在联邦学习部署服务创建联邦学习实例时，将“基础模型配置”选择为“从NAIE平台中导入”，自动匹配模型训练服务的联邦学习工程及其训练任务和模型包。 创建联邦学习工程步骤如下。

查看更多 →

MindIE和vLLM在深度思考返回接口差异 对于DeepSeek-R1这类模型，其返回信息包含深度思考的内容。 当前MindIE接口深度思考内容和问题回答都在content字段中，类似“xxx</think>xxx“，通常</think>前面的即为深度思考内容，后面的为问题回答

查看更多 →

将yaml文件中的per_device_train_batch_size调小，重新训练如未解决则执行下一步。 替换深度学习训练加速的工具或增加zero等级，可参考各个模型深度学习训练加速框架的选择，如原使用Accelerator可替换为Deepspeed-ZeRO-1，Deepspee

查看更多 →

使用ModelArts Standard部署模型并推理预测 推理部署使用场景 创建模型 创建模型规范参考 将模型部署为实时推理作业 将模型部署为批量推理服务 管理ModelArts模型 管理同步在线服务 管理批量推理作业

查看更多 →

采用持续部署模型 当部署出问题时，通过使用持续部署模型来实现尽早发现问题，减少对最终用户的影响。 金丝雀部署是持续部署的常见模型，通过一小群内部或外部用户首先部署新功能，当新版本没有问题后，陆续部署到更大的组，直到所有用户群体都运行新版本。 另一种常见的部署模型是蓝绿部署，通过部

查看更多 →

查看科学计算大模型部署任务详情 部署任务创建成功后，可以查看大模型部署的任务详情，具体步骤如下： 登录ModelArts Studio大模型开发平台，在“我的空间”模块，单击进入所需空间。 在左侧导航栏中选择“模型开发 > 模型部署”，完成创建科学计算大模型部署任务后，可以查看模型的部署状态。

查看更多 →

高识别 该方案基于深度学习技术，对特定领域场景的 语音识别 进行优化，识别率高。 稳定可靠 该方案成功应用于各类场景，基于华为等企业客户的长期实践，经受过复杂场景考验。 可定制化 该方案针对客户的特定场景需求，定制垂直领域的语音识别模型，识别效果更精确。 约束与限制 部署该解决方案前，您

查看更多 →

Engine，简称CCE）是一个企业级的Kubernetes集群托管服务，支持容器化应用的全生命周期管理，为您提供高度可扩展的、高性能的云原生应用部署和管理方案。 为什么选择云容器引擎 云容器引擎深度整合高性能的计算（E CS /BMS）、网络（VPC/EIP/ELB）、存储（EVS/OBS/SFS）等服务，并支持G

查看更多 →

大模型开发基本概念 大模型相关概念 概念名 说明 大模型是什么 大模型是大规模预训练模型的简称，也称预训练模型或基础模型。所谓预训练模型，是指在一个原始任务上预先训练出一个初始模型，然后在下游任务中对该模型进行精调，以提高下游任务的准确性。大规模预训练模型则是指模型参数达到千亿、

查看更多 →

面向熟悉代码编写和调测的AI工程师 ModelArts Standard推理部署 使用Standard一键完成商超商品识别模型部署 本案例以“商超商品识别”模型为例，介绍从AI Gallery订阅模型，一键部署到ModelArts Standard，并进行在线推理预测的体验过程。 面向AI开发零基础的用户

查看更多 →

Online暂不支持GPU加速，建议安装tensorflow-cpu减小磁盘占用，并加快安装速度。 鲲鹏镜像暂时无法安装TensorFlow，敬请期待后续更新。 父主题： 基于CodeArts IDE Online、TensorFlow和Jupyter Notebook开发深度学习模型

查看更多 →