时序数据标注介绍 目前为止，时序数据标注仅支持对OBS桶中的csv数据文件进行标注。时序数据标注仅提供数据打标签功能，不做OBS桶资源的管理以及OBS桶中数据的管理。对于OBS桶和数据的管理，由其他工具完成。 时序数据标注是为数据工程师、数据科学家等提供的辅助标注工具。提供界面化数据查看、单

查看更多 →

detection_classes 每个检测框的标签。 detection_boxes 每个检测框的四点坐标（y_min,x_min,y_max,x_max），如图4所示。 detection_scores 每个检测框的置信度。 图4 检测框的四点坐标示意图 由于“运行中”的在线服务将持续耗费资源，如

查看更多 →

预测结果中的参数说明 参数 说明 predict_label 表示图片预测的标签。 scores 表示Top5标签的预测置信度。 由于“运行中”的在线服务将持续耗费资源，如果不需再使用此在线服务，建议在版本管理区域，单击“停止”，即可停止在线服务的部署，避免产生不必要的费用。如果

查看更多 →

集和测试集，比如常见的划分比例是60%训练集、20%验证集和20%测试集。在这种情况下，验证集的比例就是20%。 验证集的比例对于机器学习模型的性能评估非常重要。如果验证集的比例过小，可能导致模型在验证集上表现不够稳定，无法准确评估模型的性能。如果验证集的比例过大，可能会导致训练

查看更多 →

在ImageNet数据集上实现加速比>0.8，是行业领先水平。 衡量分布式深度学习的加速性能时，主要有如下2个重要指标： 吞吐量，即单位时间内处理的数据量。 收敛时间，即达到一定的收敛精度所需的时间。 吞吐量一般取决于 服务器 硬件（如更多、更大FLOPS处理能力的AI加速芯片，更大的通信带宽等

查看更多 →

AI（人工智能）是通过机器来模拟人类认识能力的一种科技能力。AI最核心的能力就是根据给定的输入做出判断或预测。 AI开发的目的是什么 AI开发的目的是将隐藏在一大批数据背后的信息集中处理并进行提炼，从而总结得到研究对象的内在规律。 对数据进行分析，一般通过使用适当的统计、机器学习、深度学习等方法，对收集的大量数据进

查看更多 →

数值稳定常量：为保证数值稳定而设置的一个微小常量。默认1e-8。 adagrad：自适应梯度算法 对每个不同的参数调整不同的学习率，对频繁变化的参数以更小的步长进行更新，而稀疏的参数以更大的步长进行更新。 学习率：优化算法的参数，决定优化器在最优方向上前进步长的参数。默认0.001。 初

查看更多 →

参数名 是否必选 参数类型 备注 datasetId 否 String 数据集ID。 expireDate 否 String 到期时间。 applyDescription 否 String 申请订阅数据集的原因描述。 applyRange 否 String 申请订阅范围，取值范围为

查看更多 →

参数名 是否必选 参数类型 备注 datasetId 否 String 数据集ID。 expireDate 否 String 到期时间。 applyDescription 否 String 申请订阅数据集的原因描述。 applyRange 否 String 申请订阅范围，取值范围为

查看更多 →

作物事宜播种的范围，动态展示春耕进度； 通过对温度、降水等气象数据的汇集，将现阶段与历史数据对比，给出气象对作物生长影响分析，给出建议调控，并对作物长势进行监测。 当前农业生产及管理部门的痛点： 农业政府 缺少基于卫星遥感&人工智能的能力，无法对园区的作物快速精准的识别，无法聚焦作物提供农业气象服务和决策分析；

查看更多 →

哈希+哈希 分区路由的主要处理逻辑根据导入数据元组的分区键计算其所在分区的过程，相比非分区表这部分为额外增加的开销，这部分开销在最终数据导入上的具体性能损失和服务器CPU处理能力、表宽度、磁盘/内存的实际容量相关，通常可以粗略认为： x86服务器场景下一级分区表相比普通表的导入性能会略低

查看更多 →

基于key-partOid哈希表实现 分区路由的主要处理逻辑根据导入数据元组的分区键计算其所在分区的过程，相比非分区表这部分为额外增加的开销，这部分开销在最终数据导入上的具体性能损失和服务器CPU处理能力、表宽度、磁盘/内存的实际容量相关，通常可以粗略认为： x86服务器场景下分区表相比普通表的导入性能会略低10%以内。

查看更多 →

在服务部署页面，选择部署上线使用的资源规格。 AI应用来源：默认为生成的AI应用。 选择AI应用版本：自动匹配当前使用的AI应用版本，支持选择版本。 资源池：默认公共资源池。 分流：默认为100，输入值必须是0-100之间。 计算节点规格：请根据界面显示的列表，选择可用的规格，置灰的规格表示当前环

查看更多 →

体支持的参数请参考表1。 表1 常规配置参数 算法类型 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

查看更多 →

时后”、“自定义”。如果选择“自定义”的模式，可在右侧输入框中输入1~24范围内的任意整数。 若您购买了套餐包，计算节点规格可选择您的套餐包，同时在“配置费用”页签还可查看您的套餐包余量以及超出部分的计费方式，请您务必关注，避免造成不必要的资源浪费。 完成资源配置后，单击“继续运

查看更多 →

在“参数配置”填写“学习率”、“训练轮次”和“分批训练样本数”。 “学习率”用来控制模型的学习速度，范围为(0,1]。 “训练轮次”指模型训练中遍历数据集的次数。 “分批训练样本数”又叫批尺寸（Batch Size），指一次训练所抓取的数据样本数量，影响训练速度及模型优化效果。

查看更多 →

时后”、“自定义”。如果选择“自定义”的模式，可在右侧输入框中输入1~24范围内的任意整数。 若您购买了套餐包，计算节点规格可选择您的套餐包，同时在“配置费用”页签还可查看您的套餐包余量以及超出部分的计费方式，请您务必关注，避免造成不必要的资源浪费。 完成资源配置后，单击“继续运

查看更多 →

TPC-DS测试集 您可以通过命令生成方法生成TPC-DS测试集，也可以直接通过脚本生成方法生成，另我们已经给出前面20个的TPC-DS测试集供您参考。 命令生成方法 TPC-DS标准99个SQL查询语句可用如下方法生成： 准备工作。生成TPC-DS查询语句前需要修改query_templates目录下的文件：

查看更多 →

TPC-H测试集 您可以通过命令生成方法生成TPC-H测试集，也可以直接通过脚本生成方法生成，另我们已经给出完整的TPC-H测试集供您参考。 命令生成方法 TPC-H 22个标准查询SQL可以用如下方法生成。 登录测试过程申请的E CS ，执行如下命令： 1 2 3 4 5 6 7 8

查看更多 →

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。 后续操作 模型训练完成后，单击“下一步”，进入应用开发的“模型评估”步骤，详细操作指引请参见评估模型。 父主题： 通用文本分类工作流

查看更多 →

相是指成分和组织均匀统一的物质部分，金属材料中，一般除了基体相外，还会存在许多的第二相。而第二相对整个金属材料的影响也是巨大的。在钢铁或其下游企业，常需要对钢铁显微成像的金相图片第二相面积含量进行测定。 ModelArts Pro 提供第二相面积含量测定工作流，能快速准确的返回第二相面积含量测定结果。

查看更多 →