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 →

样本对齐 单击右下角的下一步进入“样本对齐”页面，这一步是为了进行样本的碰撞，过滤出共有的数据交集，作为后续步骤的输入。企业A需要选择双方的样本对齐字段，并单击“对齐”按钮执行样本对齐。执行完成后会在下方展示对齐后的数据量及对齐结果路径。 父主题： 使用 TICS 可信联邦学习进行联邦建模

查看更多 →

训练作业必须选择一个当前计算节点发布的数据集。 作业创建者的数据集必须含有特征。 创建纵向联邦学习作业 纵向联邦学习作业在本地运行，目前支持XGBoost算法、逻辑回归LR算法和FiBiNET算法。 纵向联邦学习分为五个步骤：数据选择、样本对齐（可选）、特征选择（可选）、模型训练、模型评估。 创建过程如下：

查看更多 →

面向个人/组织的云端多人协同样本标注与管理，支持基于多光谱、SAR、高光谱、无人机等航天航空影像及时空地理矢量数据进行标注，覆盖目标识别、语义分割、变化检测三种场景，实现从样本标注、质检、审核、样本集制作、入库管理全流程。 图5 多人协同的样本标注1 图6 多人协同的样本标注2 支持上传矢

查看更多 →

支持启动主动学习和自动分组任务，支持预标注任务。 “智能标注”是指基于当前标注阶段的标签及图片学习训练，选中系统中已有的模型进行智能标注，快速完成剩余图片的标注操作。“智能标注”又包含“主动学习”和“预标注”两类。 “主动学习”表示系统将自动使用半监督学习、难例筛选等多种手段进行

查看更多 →

样本管理 查询样本列表 查询单个样本详情 批量删除样本 父主题： 数据管理

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 →

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 →

数据清洗是在数据校验的基础上，对数据进行一致性检查，处理一些无效值。例如在深度学习领域，可以根据用户输入的正样本和负样本，对数据进行清洗，保留用户想要的类别，去除用户不想要的类别。 数据选择：数据选择一般是指从全量数据中选择数据子集的过程。 数据可以通过相似度或者深度学习算法进行选择。数据选择可以避免人工采集图片

查看更多 →

关的一个标签值或所有标签值，资源列表将自动筛选并展示此标签关联的资源。 企业项目 通过企业项目筛选框选择企业项目，资源列表将自动筛选并展示此企业项目下的资源。 说明： 根据企业项目筛选资源的功能必须要先开通企业项目才可以使用，因此该筛选条件并非对每个用户可见。 操作步骤 登录管理控制台。

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 →

参数名 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 →

使用TI CS 可信联邦学习进行联邦建模 场景描述 准备数据 发布数据集 创建可信联邦学习作业 选择数据 样本对齐 筛选特征 模型训练 模型评估 父主题： 纵向联邦建模场景

查看更多 →

列筛选 “列筛选”筛选的是特征列。如果用户需要重点查看分析特定特征列，可以通过列筛选完成。 列筛选操作步骤如下。 列筛选 单击特征工程操作界面的，弹出“列筛选”对话框，如图1所示。 图1 列筛选 其中，界面说明如下所示： 筛选规则名称：为即将设置的筛选规则设置名称。 筛选成功后，

查看更多 →

数据筛选 “数据筛选”组件对传入该组件的数据按照指定的表达式进行筛选，并将筛选出的结果通过节点变量传递给后续节点。通常“数据筛选”组件会作为“数据拆分”组件的后续步骤以配合使用。 配置参数 参数 说明 表达式 数据筛选的表达式。 使用表达式对数据进行筛选，并传递给后续节点。例如数

查看更多 →

筛选特征 样本对齐执行完成后单击下一步进入“特征选择”页面，这一步企业A需要选出企业A自己和大数据厂商B的特征及标签用于后续的训练。 企业A可以选择特征及标签后“启动分箱和IV计算”，通过联邦的统计算法计算出所选特征的iv值，一般而言iv值较高的特征更有区分性，应该作为首选的训练

查看更多 →

数据筛选 在数据概览页中，默认展示数据集的概览情况。在界面右上方，单击“开始标注”，进入数据集的详细数据页面，默认展示数据集中全部数据。在“全部”、“未标注”或“已标注”页签下，您可以在筛选条件区域，添加筛选条件，快速过滤出您想要查看的数据。 支持的筛选条件如下所示，您可以设置一个或多个选项进行筛选。

查看更多 →

根据难度系数筛选。 frame_in_video Integer 视频中某帧。 hard String 样本级别是否难例。可选值如下： 0：非难例样本 1：难例样本 import_origin String 根据数据来源筛选。 kvp String CT剂量，通过剂量来筛选。 label_list

查看更多 →

数据筛选 “数据筛选”组件对传入该组件的数据按照指定的表达式进行筛选，并将筛选出的结果通过节点变量传递给后续节点。通常“数据筛选”组件会作为“数据拆分”组件的后续步骤以配合使用。 配置参数 参数 说明 表达式 数据筛选的表达式。 使用表达式对数据进行筛选，并传递给后续节点。例如数

查看更多 →

标签筛选 在场景、逻辑场景和测试用例，以及添加场景、逻辑场景和测试用例时，可以通过标签筛选，快速筛选出场景或用例。 标签筛选 在左侧菜单栏中单击“仿真服务 > 场景管理”。 在页面中单击“标签筛选”。 在筛选框中输入内容，查找目标标签。也可在左侧标签树列表中选择目标标签。 勾选左

查看更多 →