循环语句 代码片段描述 缩写 扩展内容 为表达式创建“while”循环 “while” while my_expression: <cursor> 父主题： 后缀片段

查看更多 →

CALL proc_loop(10,5); 该循环必须要结合EXIT使用，否则将陷入死循环。 WHILE_LOOP语句 语法图 图2 while_loop::= 只要条件表达式为真，WHILE语句就会不停的在一系列语句上进行循环，在每次进入循环体的时候进行条件判断。 示例 1 2

查看更多 →

CALL proc_loop(10,5); 该循环必须要结合EXIT使用，否则将陷入死循环。 WHILE_LOOP语句 语法图 图2 while_loop::= 只要条件表达式为真，WHILE语句就会不停的在一系列语句上进行循环，在每次进入循环体的时候进行条件判断。 示例 1 2

查看更多 →

游标循环 游标在WHILE语句、LOOP语句中的使用称为游标循环，一般这种循环都需要使用OPEN、FETCH和CLOSE语句。下面要介绍的一种循环不需要这些操作，可以简化游标循环的操作，这种循环方式适用于静态游标的循环，不用执行静态游标的四个步骤。 语法 FOR AS循环的语法请参见图1。

查看更多 →

游标循环 游标在WHILE语句、LOOP语句中的使用称为游标循环，一般这种循环都需要使用OPEN、FETCH和CLOSE语句。下面要介绍的一种循环不需要这些操作，可以简化游标循环的操作，这种循环方式适用于静态游标的循环，不用执行静态游标的四个步骤。 语法 FOR AS循环的语法请参见图1。

查看更多 →

循环渲染 页面可能有若干份重复的、动态生成的内容，例如商品列表页、表格数据。这时候需要用到循环渲染。您可以在高级面板中指定循环数据绑定的变量、迭代的变量名、索引变量名、以及唯一的key。 Your browser does not support video tags. 参考登录

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 →

迁移学习 如果当前数据集的特征数据不够理想，而此数据集的数据类别和一份理想的数据集部分重合或者相差不大的时候，可以使用特征迁移功能，将理想数据集的特征数据迁移到当前数据集中。 进行特征迁移前，请先完成如下操作： 将源数据集和目标数据集导入系统，详细操作请参见数据集。 创建迁移数据

查看更多 →

操作路径：培训-学习-学习项目-更多-循环任务设置 图12 循环任务设置1 图13 循环任务设置2 报名设置 管理员可通过让学员报名的方式进行学习资源的控制 操作路径：培训-学习-学习项目-更多-报名设置 图14 报名设置1 图15 报名设置2 复制 学习项目支持复制，便于管理员快速创建/编辑

查看更多 →

学习空间 我的课堂 MOOC课程 我的考试

查看更多 →

跳出循环图元 跳出循环图元的作用 配置该图元能够中断已存在的循环，必须与循环图元搭配使用，类似break的功能。 如何使用跳出循环图元 在逻辑中，拖拽“跳出循环”图元至画布中。 选中跳出循环图元，单击，设置基本信息。 表1 基本信息参数说明 参数 参数说明 标签 图元的标签，用于

查看更多 →

学习任务 管理员以任务形式，把需要学习的知识内容派发给学员，学员在规定期限内完成任务，管理员可进行实时监控并获得学习相关数据。 入口展示 图1 入口展示 创建学习任务 操作路径：培训-学习-学习任务-【新建】 图2 新建学习任务 基础信息：任务名称、有效期是必填，其他信息选填 图3

查看更多 →

学习目标 掌握座席侧的前端页面开发设计。 父主题： 开发指南

查看更多 →

循环图元 循环图元的作用 配置该图元能够对数组里的元素逐个取出做循环操作，类似于for each循环。循环的对象可以是字符串、数字，也可以是结构体等。 循环图元参数配置 例如，当前有数组变量“TestList1”，“TestList2”，要求把“TestList1”中的元素逐个加到数组“TestList2”的后面。

查看更多 →

自动学习 准备数据 模型训练 部署上线 模型发布

查看更多 →

NPU Snt9B 裸金属服务器 安装深度学习框架PyTorch 场景描述 昇腾为使用PyTorch框架的开发者提供昇腾AI处理器的超强算力，需要安装PyTorch Adapter插件用于适配PyTorch，本文介绍如何安装Pytorch框架和Pytorch Adapter插件。 本文使用ModelArts上的NPU

查看更多 →

自动学习 功能咨询 准备数据 创建项目 数据标注 模型训练 部署上线

查看更多 →

。 自动学习的关键技术主要是基于信息熵上限近似模型的树搜索最优特征变换和基于信息熵上限近似模型的贝叶斯优化自动调参。通过这些关键技术，可以从企业关系型（结构化）数据中，自动学习数据特征和规律，智能寻优特征&ML模型及参数，准确性甚至达到专家开发者的调优水平。自动深度学习的关键技术

查看更多 →

旗舰版机器人默认支持重量级深度学习。 专业版和高级版机器人如果需要使用重量级深度学习，需要先单击“重量级深度学习”，然后单击“联系我们”。 图2 重量级深度学习 编辑模型信息。 轻量级深度学习：选填“模型描述”。 图3 轻量级深度学习 重量级深度学习：选择量级“中量级”或“重量级”，选填“模型描述”。

查看更多 →

除了逻辑循环图元的四个变量，还有两个默认的分支：inLoop和outLoop。inLoop是进入循环时执行的逻辑，即遍历列表时执行的一些动作，outLoop则是遍历完了再执行的动作。 分支条件介绍 表1 分支条件 名称 含义 使用方法 inLoop 遍历循环列表 循环列表未遍历完时，触发inLoop分支。

查看更多 →

除了逻辑循环图元的四个变量，还有两个默认的分支：inLoop和outLoop。inLoop是进入循环时执行的逻辑，即遍历列表时执行的一些动作，outLoop则是遍历完了再执行的动作。 分支条件介绍 表1 分支条件 名称 含义 使用方法 inLoop 遍历循环列表 循环列表未遍历完时，触发inLoop分支。

查看更多 →