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 →

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 →

是否开启梯度检查点。 max_seq_length 最大token长度 训练样本最大token长度。 seed 随机因子 随机种子。 LoRA参数 modules_to_save 全量微调的layer名 全量微调时，模型的layer名称。 验证日志及保存策略配置 evaluation_strategy

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 →

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，使用横向联邦对比已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，在已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 →

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 →

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 →

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 →

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 →

是否开启梯度检查点。 max_seq_length 最大token长度 训练样本最大token长度。 seed 随机因子 随机种子。 LoRA参数 modules_to_save 全量微调的layer名 全量微调时，模型的layer名称。 验证日志及保存策略配置 evaluation_strategy

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 →

召回率 被用户标注为某个分类的所有样本中，模型正确预测为该分类的样本比率，反映模型对正样本的识别能力。 精确率 被模型预测为某个分类的所有样本中，模型正确预测的样本比率，反映模型对负样本的区分能力。 准确率 所有样本中，模型正确预测的样本比率，反映模型对样本整体的识别能力。 F1值 F

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 →

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 →

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 →

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 →

召回率 被用户标注为某个分类的所有样本中，模型正确预测为该分类的样本比率，反映模型对正样本的识别能力。 精确率 被模型预测为某个分类的所有样本中，模型正确预测的样本比率，反映模型对负样本的区分能力。 准确率 所有样本中，模型正确预测的样本比率，反映模型对样本整体的识别能力。 F1值 F

查看更多 →

召回率 被用户标注为某个分类的所有样本中，模型正确预测为该分类的样本比率，反映模型对正样本的识别能力。 精确率 被模型预测为某个分类的所有样本中，模型正确预测的样本比率，反映模型对负样本的区分能力。 准确率 所有样本中，模型正确预测的样本比率，反映模型对样本整体的识别能力。 F1值 F

查看更多 →