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 →

径下。该路径不能包含中文。 深度网络因子分解机-DeepFM 深度网络因子分解机，结合了因子分解机和深度神经网络对于特征表达的学习，同时学习高阶和低阶特征组合，从而达到准确地特征组合学习，进行精准推荐。单击查看深度网络因子分解机详细信息。 表4 深度网络因子分解机参数说明 参数名称

查看更多 →

优化器类型 grad：梯度下降算法 学习率：优化算法的参数，决定优化器在最优方向上前进步长的参数。默认0.001。 adam：自适应矩估计算法 结合AdaGrad和 RMS Prop两种优化算法的优点，对梯度的一阶矩估计（First Moment Estimation，即梯度的均值）和二阶矩估计（Second

查看更多 →

梯度提升树回归 概述 “梯度提升树回归”节点用于生成回归模型，是一种基于决策树的迭代回归算法。该算法采用迭代的思想不断地构建决策树模型，每棵树都是通过梯度优化损失函数而构建，从而达到从基准值到目标值的逼近。算法思想可简单理解成：后一次模型都是针对前一次模型预测出错的情况进行修正，

查看更多 →

实现模型计算量满足端、边小硬件资源下的轻量化需求，模型压缩技术在特定领域场景下实现精度损失<1%。 当训练数据量很大时，深度学习模型的训练将会非常耗时。深度学习训练加速一直是学术界和工业界所关注的重要问题。 分布式训练加速需要从软硬件两方面协同来考虑，仅单一的调优手段无法达到期望

查看更多 →

梯度提升树分类 概述 “梯度提升树分类”节点用于生成二分类模型，是一种基于决策树的迭代分类算法。该算法采用迭代的思想不断地构建决策树模型，每棵树都是通过梯度优化损失函数而构建，从而达到从基准值到目标值的逼近。算法思想可简单理解成：后一次模型都是针对前一次模型预测出错的情况进行修正

查看更多 →

训练最大步数 模型训练的最大步数。 warmup_ratio 学习率热启动比例 学习率热启动参数，一开始以较小的学习率去更新参数，然后再使用预设学习率，有效避免模型震荡。 warmup_steps 学习率热启动步数 学习率热启动的过程中预设的步数。 bf16 计算精度 是否开启bf16。

查看更多 →

训练最大步数 模型训练的最大步数。 warmup_ratio 学习率热启动比例 学习率热启动参数，一开始以较小的学习率去更新参数，然后再使用预设学习率，有效避免模型震荡。 warmup_steps 学习率热启动步数 学习率热启动的过程中预设的步数。 bf16 计算精度 是否开启bf16。

查看更多 →

旗舰版机器人默认支持重量级深度学习。 专业版和高级版机器人如果需要使用重量级深度学习，需要先单击“重量级深度学习”，然后单击“联系我们”。 图2 重量级深度学习 编辑模型信息。 轻量级深度学习：选填“模型描述”。 图3 轻量级深度学习 重量级深度学习：选择量级“中量级”或“重量级”，选填“模型描述”。

查看更多 →

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 →

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 →

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 →

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 →

executor内存不足导致查询性能下降 现象描述 在不同的查询周期内运行查询功能，查询性能会有起伏。 可能原因 在处理数据加载时，为每个executor程序实例配置的内存不足，可能会产生更多的Java GC（垃圾收集）。当GC发生时，会发现查询性能下降。 定位思路 在Spark UI

查看更多 →

batch中不同部分的数据。 网络中相邻参数分桶，一般为神经网络模型中需要进行参数更新的每一层网络。 每个进程前向传播并各自计算梯度。 模型某一层的参数得到梯度后会马上进行通讯并进行梯度平均。 各GPU更新模型参数。 具体流程图如下： 图1 多机多卡数据并行训练 DistributedDataParallel进行多机多卡训练的优缺点

查看更多 →

梯度提升树分类特征重要性 概述 采用梯度提升树分类算法计算数据集特征的特征重要性。 输入 参数 子参数 参数说明 inputs dataframe 参数必选，表示输入的数据集；如果没有pipeline_model和gbt_classify_model参数，表示直接根据数据集训练gbdt分类模型得到特征重要性

查看更多 →

梯度提升树回归特征重要性 概述 采用梯度提升树回归算法计算数据集特征的特征重要性。 输入 参数 子参数 参数说明 inputs dataframe 参数必选，表示输入的数据集；如果没有pipeline_model和gbt_regressor_model参数，表示直接根据数据集训练梯度提升树回归模型得到特征重要性

查看更多 →