288个训练集，288维特征。 数据中心训练数据集 提供用于数据中心场景AI模型训练的数据，包括数据中心制冷系统、硬盘等设备的运行状态等数据。 场景案例 DC硬盘故障检测：通过对老化硬盘和新硬盘的关键参数对比，实现提前30~45天故障预测，确保硬盘数据不丢失。提供1个训练集，24维特征。

查看更多 →

Workflow工作流、停止因运行Workflow工作流而创建的训练作业和部署的服务。同时，也需清理存储到OBS中的数据。 自动学习：自动学习运行时会收取费用，使用完请及时停止自动学习、停止因运行自动学习而创建的训练作业和部署的服务。同时，也需清理存储到OBS中的数据。 Notebook实例：

查看更多 →

现云硬盘容量与性能解耦。 极速型SSD V2云硬盘正在公测中，当前仅华南-广州-友好用户环境、华南-广州、北京四的部分可用区支持公测。如需使用，请前往公测页面申请。 云硬盘性能 表1 云硬盘性能数据表 参数 极速型SSD V2 云硬盘最大容量 系统盘：1024 GiB 数据盘：32768

查看更多 →

力，保障用户训练作业的长稳运行 提供训练作业断点续训与增量训练能力，即使训练因某些原因中断，也可以基于checkpoint接续训练，保障需要长时间训练的模型的稳定性和可靠性，避免重头训练耗费的时间与计算成本 支持训练数据使用SFS Turbo文件系统进行数据挂载，训练作业产生的中间和结果等数据可以直接高速写入到SFS

查看更多 →

学习空间 我的课堂 MOOC课程 我的考试

查看更多 →

Workflow工作流、停止因运行Workflow工作流而创建的训练作业和部署的服务。同时，也需清理存储到OBS中的数据。 自动学习：自动学习运行时会收取费用，使用完请及时停止自动学习、停止因运行自动学习而创建的训练作业和部署的服务。同时，也需清理存储到OBS中的数据。 Notebook实例：

查看更多 →

Server支持极速型SSD存储类型。 支持的IOPS取决于云硬盘的IO性能，具体请参见《云硬盘产品介绍》中“磁盘类型及性能介绍”中“极速型SSD”的内容。 极速型SSD V2 极速型SSD V2具备超高IOPS、超高吞吐量和超低时延等多维度的超高性能。 极速型SSD V2在保持存储容

查看更多 →

自动学习训练后的模型是否可以下载？ 不可以下载。但是您可以在AI应用管理页面查看，或者将此模型部署为在线服务。 父主题： 模型训练

查看更多 →

evs_s4_swap_type string 是 指定云硬盘EVS类型，用作为Swap卷，取值范围：ESSD（极速型SSD）、SSD（超高IO）、GPSSD（通用型SSD）、SAS（高IO）。 SSD evs_s4_swap_size number 是 指定云硬盘EVS大小，用作为Swap卷，以GB为单位，取值范围为10-32

查看更多 →

，新特性将在各个区域（Region）陆续发布，欢迎体验。 2022年3月 序号 功能名称 功能描述 相关文档 1 支持极速型SSD云硬盘 极速型SSD云硬盘具备高IO、低时延、高可用特点。适用于对于数据读写性能和数据高可用性的数据库业务场景。 N/A 2021年12月 序号 功能名称

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 →

开启/关闭云硬盘快照极速可用功能（适用于商用快照） 操作场景 云硬盘中存储的数据越多，创建标准快照所用的时间就越长。快照极速可用功能可实现快照创建中可用，支持使用创建中的快照回滚数据和创建云硬盘，且回滚数据和创建云硬盘速度较快。 约束与限制 支持的云硬盘类型有：极速型SSD V2、极速型SSD、通用型SSD

查看更多 →

。查询自动学习资源规格无需此参数。 engine_id 否 Long 指定作业的引擎ID，默认为“0”。查询自动学习资源规格无需此参数。 project_type 否 Integer 项目类型。默认为“0”。 0：非自动学习项目。 1：自动学习，图像分类。 2：自动学习，物体检测。

查看更多 →

硬盘 硬盘扩容概述 扩容硬盘容量 扩容硬盘分区和文件系统（Windows） 扩容硬盘分区和文件系统（Linux）

查看更多 →

从而提供更好的稳定性和可靠性，在大模型训练和推理以及权重存储方面更受欢迎。 FP16：用于深度学习训练和推理过程中，可以加速计算并减少内存的占用，对模型准确性的影响在大多数情况下较小。与BF16相比在处理非常大或非常小的数值时遇到困难，导致数值的精度损失。 综上所述，BF16因其

查看更多 →

从而提供更好的稳定性和可靠性，在大模型训练和推理以及权重存储方面更受欢迎。 FP16：用于深度学习训练和推理过程中，可以加速计算并减少内存的占用，对模型准确性的影响在大多数情况下较小。与BF16相比在处理非常大或非常小的数值时遇到困难，导致数值的精度损失。 综上所述，BF16因其

查看更多 →

从而提供更好的稳定性和可靠性，在大模型训练和推理以及权重存储方面更受欢迎。 FP16：用于深度学习训练和推理过程中，可以加速计算并减少内存的占用，对模型准确性的影响在大多数情况下较小。与BF16相比在处理非常大或非常小的数值时遇到困难，导致数值的精度损失。 综上所述，BF16因其

查看更多 →

型会自带时间分辨率，会根据预设的时间间隔处理和生成预测结果。 若训练类型为“预训练”，训练任务使用训练数据重新训练出与基础模型分辨率相同的模型。 若训练类型为“微调”，训练任务会使用训练数据在基础模型的基础上进行训练。 plog日志 plog日志。plog日志是一种用来记录模型运

查看更多 →

重新训练 对第一次训练无影响，仅影响任务重跑。 “是”：清空上一轮的模型结果后重新开始训练。 “否”：导入上一轮的训练结果继续训练。适用于欠拟合的情况。 批量大小 一次训练所选取的样本数。 训练数据集切分数量 将整个数据集切分成多个子数据集，依次训练，每个epoch训练一个子数据集。

查看更多 →

，因为监督信号直接从数据本身派生。 有监督学习 有监督学习是机器学习任务的一种。它从有标记的训练数据中推导出预测函数。有标记的训练数据是指每个训练实例都包括输入和期望的输出。 LoRA 局部微调（LoRA）是一种优化技术，用于在深度学习模型的微调过程中，只对模型的一部分参数进行更

查看更多 →