表1 管理线缆颜色和类型 应用场景 说明 操作方法 管理线缆颜色信息 NetEco系统预置了10种支持TIA 606国际标准色码的线缆颜色，方便用户在设备进行上架操作时能够选择线缆颜色。同时，用户也可根据实际需要添加、修改和删除线缆颜色。 选择“线缆颜色”，根据需要执行以下操作。

查看更多 →

分类 决策树分类 梯度提升树分类 LightGBM分类 线性支持向量机分类 逻辑回归分类 多层感知机分类 朴素贝叶斯分类 随机森林分类 FM算法 GBDT PMML模型预测 多层感知机分类(pytorch) 多层感知机预测(PyTorch) 父主题： 模型工程

查看更多 →

在“布局与颜色”页签，设置应用布局样式。 主题颜色：系统预置的主题颜色。 图标：设置应用的Logo，如更改Logo图片、设置圆形图标和隐藏文字。将鼠标放在“图标”下的图片上，选择“更改”，可更改应用Logo。 布局：选择“布局”中的样式，在右侧区域设置布局参数，如菜单、子菜单、页签、应用标题的字体及颜色等。

查看更多 →

培训内容 培训内容 说明 神经网络基础 介绍深度学习预备知识，人工神经网络，深度前馈网络，反向传播和神经网络架构设计 图像处理理论和应用 介绍计算机视觉概览，数字图像处理基础，图像预处理技术，图像处理基本任务，特征提取和传统图像处理算法，深度学习和卷积神经网络相关知识 语音处理理论和应用

查看更多 →

5：图像的分辨率与训练数据集的特征分布存在较大偏移。 6：图像的高宽比与训练数据集的特征分布存在较大偏移。 7：图像的亮度与训练数据集的特征分布存在较大偏移。 8：图像的饱和度与训练数据集的特征分布存在较大偏移。 9：图像的色彩丰富程度与训练数据集的特征分布存在较大偏移。 10：图

查看更多 →

根据数据集分类过滤查询数据集 功能介绍 指定搜索内容来搜索数据集。 URI URI格式 GET /softcomai/datalake/v1.0/datasets/filter?pageNum={pageNum}&pageSize={pageSize}&networkType=1&deviceType=2

查看更多 →

根据数据集分类过滤查询数据集 功能介绍 指定搜索内容来搜索数据集。 URI URI格式 GET /softcomai/datalake/v1.0/datasets/filter?pageNum={pageNum}&pageSize={pageSize}&networkType=1&deviceType=2

查看更多 →

根据分类ID查询所有对象信息（API名称：findIntelligentObjectModel） 功能介绍 根据分类ID查询所有对象信息 。 相关接口 接口名称 调用说明 获取Token 调用该接口获取到Token，再调用其他接口时，需要在请求消息头中添加“Authorization”，其值即为Token。

查看更多 →

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。 DeepFM DeepFM，结合了FM和深度神经网络对于特征表达的学习，同时学习高阶和低阶特征组合，从而达到准确地特征组合学习，进行精准推荐。 表2 深度网络因子分解机参数说明 参数名称 说明 名称 自定义策略名称，由中文、英文、数字、下

查看更多 →

根据数据集ID获取数据集分类信息 功能介绍 根据数据集ID查询数据集分类信息。 URI URI格式 GET /softcomai/datalake/v1.0/datasets/dataType/{datasetId}} 参数说明 参数名 是否必选 参数类型 备注 datasetId

查看更多 →

根据数据集ID获取数据集分类信息 功能介绍 根据数据集ID查询数据集分类信息。 URI URI格式 GET /softcomai/datalake/v1.0/datasets/dataType/{datasetId}} 参数说明 参数名 是否必选 参数类型 备注 datasetId

查看更多 →

集成主流深度学习框架，包括PyTorch，TensorFlow，Jittor，PaddlePaddle等，内置经典网络结构并支持用户自定义上传网络，同时，针对遥感影像多尺度、多通道、多载荷、多语义等特征，内置遥感解译专用模型，支持用户进行预训练和解译应用。 图18 部分深度学习模型参数

查看更多 →

基于CodeArts IDE Online、TensorFlow和Jupyter Notebook开发深度学习模型 概要 准备工作 导入和预处理训练数据集 创建和训练模型 使用模型

查看更多 →

确保OBS中的数据存在 如果存储在OBS中的图片或数据被删除，且未同步至ModelArts自动学习或数据集中，则会导致任务失败。 建议前往OBS检查，确保数据存在。针对图像分类、声音分类、文本分类、物体检测等类型，可在自动学习的数据标注页面，单击“同步数据源”，将OBS中的数据重新同步至ModelArts中。

查看更多 →

特征工程 特征工程中已经预置了两个特征处理工程，这里暂不使用，会提供端到端的操作流程，帮助用户快速熟悉特征工程界面操作。 如果需要了解特征工程操作详情，可查看模型训练服务《用户指南》中的“特征工程”章节内容。 无故障硬盘训练数据集特征处理 单击菜单栏中的“特征工程”，进入特征工程首页，如图1所示。

查看更多 →

行为表。 全局特征信息文件 用户在使用特征工程之前，需要提供一份全局的特征信息文件，后续的特征工程、在线模块都会用到该文件。 文件数据信息请参见全局特征信息文件。 当上传的数据中的特征有变化时，用户需要同步更新该文件。该文件为JSON格式，包含特征名、特征大类、特征值类型。 保留已有宽表

查看更多 →

RESTATE signature_type 否 String 特征类型。 signature_name 否 String 特征名称。 signature_attributes 否 Array of 表4 objects 特征属性。 表4 MetadataAttributeRequest

查看更多 →

离散特征分析 概述 离散值特征分析通过每个离散特征的gini，entropy，gini gain，information gain，information gain ratio等和每个离散值对应的gini，entropy指标，方便对离散特征进行理解。 输入 参数 子参数 参数说明

查看更多 →

特征异常检测 概述 特征异常检测的方法包括箱型图（Box-plot）和AVF（Attribute Value Frequency） 箱型图用于检测连续值类特征的数据，根据四分位数检测异常特征。 AVF用于检测枚举值类特征的数据，根据枚举特征的取值频率及阈值检测异常特征。 箱型图异常检测

查看更多 →

gbdt编码模型训练 概述 利用训练好的gbdt分类模型对输入的特征进行离散化处理。对每棵树的叶子节点进行编码，预测的时候遍历到叶子节点对应位置的编码为1，该树其余节点的编码为0。该节点主要用于生产gbdt的分类模型，并存储到输入参数对应的位置上。 输入 参数 子参数 参数说明 inputs

查看更多 →

文章分类 管理文章的分类，管理员可添加、编辑、删除文章分类。 在“知识”下拉菜单选择“知识”，进入 知识管理 界面。 单击“公告”>“文章分类”，单击“添加分类”。输入内容后单击“确定”，完成添加。 单击“添加子分类”，还可添加二级分类，更好管理企业知识内容。 父主题： 公告

查看更多 →