Theano 作为后端运行，导入来自Keras的神经网络模型，可以借此导入Theano、Tensorflow、Caffe、CNTK等主流学习框架的模型。 语法格式 1 2 3 4 5 6 7 -- 图像分类， 返回预测图像分类的类别id DL_IMAGE_MAX_PREDICTION_INDEX(field_name

查看更多 →

Theano 作为后端运行，导入来自Keras的神经网络模型，可以借此导入Theano、Tensorflow、Caffe、CNTK等主流学习框架的模型。 语法格式 1 2 3 4 5 6 7 -- 图像分类， 返回预测图像分类的类别id DL_IMAGE_MAX_PREDICTION_INDEX(field_name

查看更多 →

网信算备520111252474601240061号 算法基本原理 数字人语音驱动算法是指使用深度学习将语音转换成3D数字人表情和肢体驱动数据的一种技术。 其基本情况包括： 输入数据：语音音频数据。 算法原理：通过深度学习算法，提取语音音频中的特征，并转化为表情驱动的表情基系数。 输出结果：表情基系数。 应用领

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 →

创建纵向联邦学习作业 前提条件 空间组建完成，参考组建空间。 空间成员完成计算节点部署，配置参数时选择挂载方式和数据目录，参考部署计算节点。 空间成员在计算节点中完成数据发布，参考发布数据。 参与方的计算节点如果是采用云租户部署，并且使用子账号进行创建的，需要参考配置CCE集群子账号权限给子账号增加权限配置。

查看更多 →

达到准确地特征组合学习，进行精准推荐。DEEPFM算法参数请参见深度网络因子分解机。 核函数特征交互神经网络是深度网络因子分解机的改进版本，深度网络因子分解机通过向量点乘来计算特征之间的关系，而核函数特征交互神经网络使用不同的核（kernel）来对特征交互进行建模，以此来计算两个

查看更多 →

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。 切分点数量 定义每个特征切分点的数量，数量越多，准确率越高，计算时间越长。取值范围为5~10的整数。 分类阈值 区分正负例的得分阈值。 逻辑回归/FiBiNET 学习率 控制权重更新的幅度

查看更多 →

。 文本时间戳 为音频转换结果生成特定的时间戳，从而通过搜索文本即可快速找到对应的原始音频。 智能断句 通过提取上下文相关语义特征，并结合语音特征，智能划分断句及添加标点符号，提升输出文本的可阅读性。 中英文混合识别 支持在中文句子识别中夹带英文字母、数字等，从而实现中、英文以及数字的混合识别。

查看更多 →

特征选择 删除列 删除特征列的场景有很多，例如：两个特征呈线性变化关系，为减少模型训练的开销，删除其中一个特征列。 操作步骤如下所示。 单击界面右上角的图标，选择“数据处理 > 特征选择 > 删除列”，界面新增“删除列”内容。 对应参数说明，如表1所示。 表1 参数说明 参数 参数说明

查看更多 →

提取方法 选择要提取的代码，然后单击装订线中的灯泡图标，或按“Alt+Enter”键查看可用的重构。源代码片段可以提取到新方法中，也可以提取到不同范围的新函数中。在提取重构期间，系统将提示您提供有意义的名称。 父主题： 重构操作

查看更多 →

Interface对话框中，提供提取接口的名称和包，选择要提取的类成员。在JavaDoc选项中，选择是将JavaDoc注释移动或复制到提取的接口，还是保持原样。 单击Refactor以应用重构。 示例 例如，让我们基于提取ExtractImpl类的print方法创建一个新的提取ImplInterface接口。

查看更多 →

Delegate对话框中，提供重构参数。 提供提取类的名称、包和目标目录。 选中Create nested class复选框以在当前类中创建新类。 选中Generate accessors复选框，为提取的字段生成getter方法。 选中Extract as enum复选框，将提取的类创建为枚举类。如果源类包含静态最终字段static

查看更多 →

路径不能包含中文。 核函数特征交互神经网络-PIN 核函数特征交互神经网络是深度网络因子分解机的改进版本，深度网络因子分解机通过向量点乘来计算特征之间的关系，而核函数特征交互神经网络使用不同的核（kernel）来对特征交互进行建模，以此来计算两个域中特征的相互关系，其中核的种类包

查看更多 →

数据集的实例，有具体的数据。 T 特征操作 特征操作主要是对数据集进行特征处理。 在旧版体验式开发模式下，模型训练服务支持的特征操作有重命名、归一化、数值化、标准化、特征离散化、One-hot编码、数据变换、删除列、选择特征、卡方检验、信息熵、新增特征、PCA。对应JupyterLab交互式开发模

查看更多 →

达能力的特征。 特征的数量并非重点，质量才是，总之强表达能力的特征最重要。 能否挖掘出强表达能力的特征，还在于对数据本身以及具体应用场景的深刻理解，这依赖于经验。 调整参数和超参数。 神经网络中：学习率、学习衰减率、隐藏层数、隐藏层的单元数、Adam优化算法中的β1和β2参数、batch_size数值等。

查看更多 →

可支持用户进行机器学习、深度学习、模型训练作业开发的框架，如Tensorflow、Spark MLlib、MXNet、PyTorch、华为自研AI框架MindSpore等。 数据集 某业务下具有相同数据格式的数据逻辑集合。 特征操作 特征操作主要是对数据集进行特征处理。 在旧版体验

查看更多 →

多样性，提升模型效果 支持迁移学习，只需少量数据即可完成非首站点模型训练，提升模型泛化能力 模型自动重训练，持续优化模型效果，解决老化劣化问题 预置多种高价值通信增值服务，缩短模型交付周期 无需AI技能，支持模型自动生成，业务人员快速使用 多种通信增值服务开箱即用，快速支撑电信领域AI应用

查看更多 →

数据特征 数据分析 数据处理 特征工程 父主题： 预置算子说明

查看更多 →

横向联邦学习场景 TICS 从UCI网站上获取了乳腺癌数据集Breast，进行横向联邦学习实验场景的功能介绍。 乳腺癌数据集：基于医学图像中提取的若干特征，判断癌症是良性还是恶性，数据来源于公开数据Breast Cancer Wisconsin (Diagnostic)。 场景描述

查看更多 →

列”节点。 选择特征 特征操作支持选择并保留数据集中指定的特征列，删除其余特征列。操作步骤如下。 单击表头，选中需要执行的特征列。 单击“特征操作”，从下拉框中选择“选择特征”。 弹出“选择特征”对话框。检查“已选择特征”是否为用户选择的特征列。 单击“确定”。 在“特征操作流总览”区域会新增一个“选择特征”节点。

查看更多 →

特征画像 特征画像的作用，就是对数据进行分析，把其中一些基本特征提取出来，如：周期性、离散度、时序规律、最值、采样频率等，计算KPI曲线特点（包括周期性、趋势性、噪声、离散性、随机性等）。根据计算的曲线特点，判断KPI的大类别（毛刺型、阶梯型、周期型、离散型、稀疏型、多模态型等）

查看更多 →