整数。 分类阈值 区分正负例的得分阈值。 逻辑回归/FiBiNET 学习率 控制权重更新的幅度，影响训练收敛速度和模型精度，取值范围为0~1。 迭代次数 完成全部样本训练的次数，取值为正整数。 批大小 单次训练使用的样本数，取值为正整数。 分类阈值 区分正负例的得分阈值 自定义配置：

查看更多 →

实例数量；等距分箱是指经过计算使得每个箱体的区间间隔保持一致。 需要至少勾选一个无标签数据集特征才能进行模型训练。如果不勾选任何特征，会提示“选择两个数据集，一个有标签，一个无标签，且至少选择一个无标签方特征，才可启动训练。” 图7 特征选择 图8 查看特征分箱woe值 在页面右下角单击“启动训练”进行模型训练。

查看更多 →

无监督车牌检测工作流 工作流介绍 准备数据 选择数据 训练模型 评估模型 部署服务 父主题： 视觉套件

查看更多 →

的能力。 在形成可用的训练数据前，需要对这些影像数据进行正负样本的手工分类，符合标准的影像作为模型训练中的正样本数据。实际操作中，我们通过对单个影像实例进行查看和对比，在界面上设置“AI训练”或“学习案例”，以标识出正样本。 专家经验库按不同采集来源的图片与视频进行分类，分为任务

查看更多 →

训练模型 针对已标注完成的训练数据，开始训练模型，您可以查看训练的模型准确率和误差变化。 前提条件 已在视觉套件控制台选择“无监督车牌检测工作流”新建应用，并已执行完“数据选择”步骤，详情请见选择数据。 训练模型 图1 训练模型 在“模型训练”页面，选择“训练模型”和“车辆场景”。

查看更多 →

让模型学习。 这里提供了一些将无监督数据转换为有监督数据的方案，供您参考： 基于规则构建：您可以通过采用一些简单的规则来构建有监督数据。比如： 表1 采用规则将无监督数据构建为有监督数据的常用方法 规则场景 说明 文本生成：根据标题、关键词、简介生成段落。 若您的无监督文档中含标

查看更多 →

各个模型深度学习训练加速框架的选择 LlamaFactory框架使用两种训练框架： DeepSpeed和Accelerate都是针对深度学习训练加速的工具，但是它们的实现方式和应用场景有所不同。 DeepSpeed是一种深度学习加速框架，主要针对大规模模型和大规模数据集的训练。D

查看更多 →

大模型微调训练类问题 无监督领域知识数据量无法支持增量预训练，如何进行模型学习 如何调整训练参数，使盘古大模型效果最优 如何判断盘古大模型训练状态是否正常 如何评估微调后的盘古大模型是否正常 如何调整推理参数，使盘古大模型效果最优 为什么微调后的盘古大模型总是重复相同的回答 为什么微调后的盘古大模型的回答中会出现乱码

查看更多 →

练效率和精度。 图12 新建工程 支持模型超参数配置，包括：backbone、实时样本增强（随机翻转、裁切、对比度亮度增强、归一化等）、loss函数、优化器等参数，并支持用户自定义更多超参数，提升无代码模型开发效率。 图13 网络结构及模型参数配置 图14 网络结构及模型参数配置2

查看更多 →

数据处理功能仅在以下Region支持：华北-北京四、华北-北京一、华东-上海一、华南-广州。 ModelArts平台提供的数据处理功能，基本目的是从大量的、杂乱无章的、难以理解的数据中抽取或者生成对某些特定的人们来说是有价值、有意义的数据。当数据采集和接入之后，数据一般是不能直接满足训练要求的。为了保

查看更多 →

AI开发基本概念 机器学习常见的分类有3种： 监督学习：利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程，也称为监督训练或有教师学习。常见的有回归和分类。 非监督学习：在未加标签的数据中，试图找到隐藏的结构。常见的有聚类。 强化学习：智能系统从环境到行为映射的学习，以使奖励信号（强化信号）函数值最大。

查看更多 →

能，有给出参数取值的推荐区间。用户也可以根据实际情况修改。 如果推荐的是无监督的异常检测算法，可能会同时推荐几个算法。那模型训练的时候，针对不同的算法，会分别进行模型训练，得到不同的模型，通过集成学习投票法策略，推荐得到更符合且更准确的异常检测模型。 父主题： 模型训练

查看更多 →

水平正负柱图 本章节主要介绍水平正负柱图组件各配置项的含义。 图1 水平正负柱图 样式 尺寸位置 图表尺寸：设置图表的宽和高。单位为px。 图表位置：设置图表在画布中的位置。单位为px。 全局样式 字体：设置图表中文字的字体。 柱子样式 柱子宽度：设置柱子的宽度。 柱子圆角度：设置柱子的圆角度。

查看更多 →

objects 样本标签列表。 metadata 否 SampleMetadata object 样本metadata属性键值对。 name 否 String 样本文件名称，名称不能包含!<>=&"'特殊字符，长度为0-1024位。 sample_type 否 Integer 样本类型。可选值如下：

查看更多 →

表2 训练相关概念说明 概念名 说明 自监督学习 自监督学习（Self-Supervised Learning，简称SSL）是一种机器学习方法，它从未标记的数据中提取监督信号，属于无监督学习的一个子集。该方法通过创建“预设任务”让模型从数据中学习，从而生成有用的表示，可用于后续任务。

查看更多 →

工程中排序样本预处理作业输出数据的结果保存路径的“fields_feature_size”目录下文件名称是part-00000开头的文件，需要用户提供文件的OBS路径。 最大迭代轮数 模型训练的最大迭代轮数，默认50。 提前终止训练轮数 在测试集上连续N轮迭代AUC无提高时，迭代停止，训练提前结束，默认5。

查看更多 →

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 PPO强化学习(Proximal Policy

查看更多 →

的数据碰撞后的正负样本总数，正负样本总数相加即为双方共有数据的总数。 select sum( case when i.label > 0 then 1 else 0 end ) as positive_count, sum(

查看更多 →

批量删除样本 根据样本的ID列表批量删除数据集中的样本。 dataset.delete_samples(samples) 示例代码 批量删除数据集中的样本 from modelarts.session import Session from modelarts.dataset import

查看更多 →

批量删除样本 功能介绍 批量删除样本。 调试 您可以在 API Explorer 中调试该接口，支持自动认证鉴权。API Explorer可以自动生成SDK代码示例，并提供SDK代码示例调试功能。 URI POST /v2/{project_id}/datasets/{dataset

查看更多 →

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 PPO强化学习(Proximal Policy

查看更多 →