数据采样 如果数据量太大，造成特征操作等待的时间长，用户可以通过采样功能减少特征处理的数据量，提升特征处理的速度。 数据采样提供如下两种方式，请根据实际情况进行选择： 随机采样：按照比例进行样本数据的随机采样。 分层采样：如果一个特征或多个特征组合样本值的类型多样，为保证采样数据

查看更多 →

数据采样 用户在执行特征操作前，可以先对数据进行采样。数据采样后，所有的特征操作都只对采样后的数据进行处理，可以减少特征操作处理的数据量，提升特征操作的处理速度。数据采样后，执行全量数据应用时，系统会将特征操作流应用在全量数据集上，生成经过特征处理后的新数据集，提供给模型训练使用。

查看更多 →

eepSpeed的核心思想是在单个GPU上实现大规模模型并行训练，从而提高训练速度。DeepSpeed提供了一系列的优化技术，如ZeRO内存优化、分布式训练等，可以帮助用户更好地利用多个GPU进行训练 Accelerate是一种深度学习加速框架，主要针对分布式训练场景。Accel

查看更多 →

采样方式介绍 蒙特卡洛采样 蒙特卡洛采样是一种简单的随机抽样，根据概率分布进行采样，如对样本服从µ=0，δ=1的正态分布，通过蒙特卡洛采样进行采样，采样得到的点能满足正态分布要求，如下图所示，采样得到的点会集中µ=0附近，要想采样得到更边界的点，需要进行大量采样。 图1 蒙特卡洛采样

查看更多 →

采样方式有几种？ 蒙特卡洛采样 蒙特卡洛采样是一种简单的随机抽样，根据概率分布进行采样，如对样本服从µ=0，δ=1的正态分布，通过通过蒙特卡洛采样进行采样，采样得到的点能满足正态分布要求，但如下图所示，采样得到的点会集中µ=0附近，要想采样得到更边界的点，需要进行大量采样。 图1

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 →

high_inode_usage 磁盘使用率检查 该实例当前部分云盘对应文件系统的使用率或inode使用率已经超过了80%，可能导致在这些分区上无法创建新的文件 guestos.filesystem.invalid_device fstab中的设备检查 当前实例的/etc/fstab

查看更多 →

AI应用市场 提供AI模型的交易市场，是AI消费者接触NAIE云服务的线上门户，是AI消费者对已上架的AI模型进行查看、试用、订购、下载和反馈意见的场所。 AI引擎 可支持用户进行机器学习、深度学习、模型训练的框架，如Tensorflow、Spark MLlib、MXNet、PyTorc

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

查看更多 →

可见范围内的学员在学员端可看见此项目并可以进行学习，学习数据可在学习项目列表【数据】-【自学记录】查看。 学习设置： 防作弊设置项可以单个项目进行单独设置，不再根据平台统一设置进行控制。 文档学习按浏览时长计算，时长最大计为：每页浏览时长*文档页数；文档学习按浏览页数计算，不计入学习时长。 更多设置：添加协同人

查看更多 →

学习目标 掌握座席侧的前端页面开发设计。 父主题： 开发指南

查看更多 →

CCE的弹性伸缩能力分为如下两个维度： 工作负载弹性伸缩：即调度层弹性，主要是负责修改负载的调度容量变化。例如，HPA是典型的调度层弹性组件，通过HPA可以调整应用的副本数，调整的副本数会改变当前负载占用的调度容量，从而实现调度层的伸缩。 节点弹性伸缩：即资源层弹性，主要是集群的容量规划不能满足集群调度

查看更多 →

APM指标数据采样策略是什么？ 在使用APM服务过程中用户开启APM数据采集开关后，APM仅采集应用性能指标及调用链相关数据，不涉及个人隐私数据，详细内容请参见数据采集。 APM可以通过非侵入方式采集APM 探针提供的应用数据、基础资源数据、用户体验数据等多项指标。 指标数据周期性完整采集，默认采集周期为1分钟。

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、万亿级别的预训练模

查看更多 →

价。 PP：流水线并行将模型的不同层放置到不同的计算设备，降低单个计算设备的显存消耗，从而实现超大规模模型训练。流水线并行也叫层间并行，层输入输出的依赖性使得设备需要等待前一步的输出，通过batch进一步切分成微batch， 网络层在多个设备上的特殊安排和巧妙的前向后向计算调度，

查看更多 →

学习空间 我的课堂 MOOC课程 我的考试

查看更多 →

学习任务 管理员以任务形式，把需要学习的知识内容派发给学员，学员在规定期限内完成任务，管理员可进行实时监控并获得学习相关数据。 入口展示 图1 入口展示 创建学习任务 操作路径：培训-学习-学习任务-【新建】 图2 新建学习任务 基础信息：任务名称、有效期是必填，其他信息选填 图3

查看更多 →

课程学习 前提条件 用户具有课程发布权限 操作步骤-电脑端 登录ISDP系统，选择“作业人员->学习管理->我的学习”并进入，查看当前可以学习的课程。 图1 我的学习入口 在“我的学习”的页面，点击每个具体的课程卡片，进入课程详情页面。可以按学习状态（未完成/已完成）、学习类型（

查看更多 →

每阶特征交互所选择的group数量，数量需对应最大交互阶数。默认10,60,80。 特征交互层惩罚项系数 特征交互层输出值的惩罚项系数，用来防止过拟合。默认0.0001,0.0001,0.0001。 神经网络结构 神经网络的层数与每一层的神经元节点个数。默认400,400,400。 激活函数 神经网络中

查看更多 →

自动学习 准备数据 模型训练 部署上线 模型发布

查看更多 →

参数描述 XGBoost 学习率 控制权重更新的幅度，以及训练的速度和精度。取值范围为0~1的小数。 树数量 定义XGBoost算法中决策树的数量，一个样本的预测值是多棵树预测值的加权和。取值范围为1~50的整数。 树深度 定义每棵决策树的深度，根节点为第一层。取值范围为1~10的整数。

查看更多 →