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 →

内存配额：执行特征选择作业和训练作业时，会创建新容器来执行，该参数的值为创建新容器的内存。 样本粗筛：当己方数据过大无法导出成文本文件时，可以使用样本粗筛获取合作方的明文id前缀，使用大数据组件筛选出id前缀相符的数据，达到减少数据量的目的。样本粗筛时还可以选择多个标记为“非敏感”的字段进行过滤，结果会按照“id前缀

查看更多 →

batch_size：每个训练步骤中使用的样本数据量。 sequence：每个数据样本中的Token数量。 数据量以Token为单位。 流水线并行微批次大小 在流水线并行处理中，通过合理设置并行程度，可以减少各阶段之间的空闲等待时间，从而提升整个流水线的效率。 每个数据并行下的批处理大小

查看更多 →

逻辑斯蒂回归-LR 因子分解机-FM 域感知因子分解机-FFM 深度网络因子分解机-DeepFM 核函数特征交互神经网络-PIN 创建排序策略 创建排序策略操作步骤详情请参见排序策略。 作业一般需要运行一段时间，根据您的数据量和资源不同，训练时间将耗时几分钟到几十分钟不等。 您可以前往

查看更多 →

提交样本量或者时域分析任务 功能介绍 管理员在数据集详情页面提交样本量或者时域探索任务。 URI URI格式 PUT /softcomai/datalake/v1.0/datasets/metadata 参数说明 无。 请求 请求样例 PUT https://telcloud.huawei

查看更多 →

0.8 11785 2947 下图为当Host方拥有不同数据量时，使用横向联邦对比己方独立训练的性能对比。 图1 Host方拥有不同数据量时，横向联邦对比对立训练的模型性能 结论为：使用横向联邦学习，在己方拥有不同数据量的情况下都可以显著提升模型性能。 父主题： 实验结果

查看更多 →

查询样本量或者时域分析任务状态 功能介绍 根据数据集ID查询数据集的样本量或时域分析任务状态。 URI URI格式 GET /softcomai/datalake/v1.0/datasets/metadata/status/{datasetId} 参数说明 参数名 是否必选 参数类型

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。 父主题： 处理ModelArts数据集中的数据

查看更多 →

提交样本量或者时域分析任务 功能介绍 管理员在数据集详情页面提交样本量或者时域探索任务。 URI URI格式 PUT /softcomai/datalake/v1.0/datasets/metadata 参数说明 无。 请求 请求样例 PUT https://telcloud.huawei

查看更多 →

查询样本量或者时域分析任务状态 功能介绍 根据数据集ID查询数据集的样本量或时域分析任务状态。 URI URI格式 GET /softcomai/datalake/v1.0/datasets/metadata/status/{datasetId} 参数说明 参数名 是否必选 参数类型

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 →

检查是否存在训练数据过少的情况，建议每个标签的样本数不少于100个，如果低于这个量级建议扩充。 检查不同标签的样本数是否均衡，建议不同标签的样本数量级相同，并尽量接近，如果有的类别数据量很高，有的类别数据量较低，会影响模型整体的识别效果。 选择适当的学习率和训练轮次。 通过详细评估中的错误识别示例，有针对性地扩充训练数据。

查看更多 →

accurate：准确型，除已标注样本外，会额外使用未标注的样本做半监督训练 ambiguity 否 Boolean 是否通过图片模糊度来聚类。 annotation_output 否 String 主动学习标注结果输出路径。 collect_rule 否 String 样本收集规则，默认为全量收集规则“

查看更多 →

。 这里会结合前面的算子“预测场景需求”、“特征画像”和“可预测性评估”的运行结果，综合评估推荐出最适合的预测算法，并利用超参优化，对推荐出的模型进行超参寻优。 单击“算法选择”左侧的图标，完成算法选择。 代码运行过程中，下方会不断的打印运行日志。代码运行完成后，可以看到“算法推荐”信息。

查看更多 →

collect_rule String 样本收集规则，默认为全量收集规则“all”。当前仅支持全量收集规则“all”。 collect_sample Boolean 是否启用样本收集。可选值如下： true：启用样本收集（默认值） false：不启用样本收集 confidence_scope String

查看更多 →

在下拉列表中选择数据集版本。 训练数据比例 填写训练数据比例，如果填为0，则任务不执行训练阶段。 训练数据比例是指用于训练模型的数据在完整数据集中所占的比例。 在实际应用中，训练数据比例的选择取决于许多因素，例如可用数据量、模型复杂度和数据的特征等。通常情况下，会选择较大的训练数据比例，以便训练出更准

查看更多 →

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 →

练样本”或“学习案例样本”页签，单击样本下方的/。 单个下载样本：在“样本库”、“AI训练样本”或“学习案例样本”页签，单击样本下方的或单击样本，在样本详情页面单击样本中的 按任务归类 单击对应的“采集样本数量”、“AI训练样本数”或“学习案例样本数”列的数值，“可以进入到样本清单明细页面，查看当前的样本明细

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 →

训练超参数。常见的超参如下图所示： 图1 训练超参数 模型的超参通常可能调整的主要有学习率、batch size、并行切分策略、学习率warm-up、模型参数、FA配置等。用户在进行NPU精度和GPU精度比对前，需要保证两边的配置一致。 表1 超参说明 超参 说明 学习率 影响模型收敛

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 →