在模型构建过程中，您可能需要根据训练结果，不停的调整数据、训练参数或模型，以获得一个满意的模型。更新模型时，可以通过如下几方面提升模型训练效果：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

查看更多 →

创建模型训练工程 创建工程 编辑训练代码（简易编辑器） 编辑训练代码（WebIDE） 模型训练 MindSpore样例 父主题： 模型训练

查看更多 →

模型），则模型文件必须满足自定义模型规范（推理）才支持模型自定义推理。 当使用 自定义镜像 部署推理服务时，要确认镜像是否满足自定义镜像规范，否则无法成功完成推理服务的部署。 部署推理服务 登录AI Gallery。 单击“模型”进入模型列表。 选择需要部署为推理服务的模型，单击模型名称进入模型详情页。

查看更多 →

如何回到模型训练服务首页？ 用户离开模型训练服务首页，如果需要回到首页，请单击界面左上角的“模型训练”，从下拉框中选择“模型训练”。 父主题： 模型训练服务首页

查看更多 →

从训练中选择元模型 在ModelArts中创建训练作业，并完成模型训练，在得到满意的模型后，可以将训练后得到的模型导入至模型管理，方便统一管理，同时支持将模型快速部署上线为服务。 约束与限制 针对使用订阅算法的训练作业，无需推理代码和配置文件，其生成的模型可直接导入ModelArts。

查看更多 →

模型训练新建模型训练工程的时候，选择通用算法有什么作用？ 通用算法目前包括：分类算法、拟合算法、聚类算法、其他类型。用户选择不同的通用算法类型，并勾选“创建入门模型训练代码”，便可以自动生成对应类型的代码模版。 父主题： 模型训练

查看更多 →

数据集是模型微调的基础，首先需要创建用于模型训练的数据集。 创建模型微调流水线 通过模型微调任务进行模型训练，微调任务结束后，将生成改进后的新模型。 部署模型 模型部署是通过为基座模型（即原模型）和微调后的新模型创建用于预测的模型服务的过程实现。 测试模型调优效果 在线测试微调后的模型（输入问题发起请求获取数据分析结

查看更多 →

Pro控制台选择“HiLens安全帽检测”可训练模板新建技能，并训练模型，详情请见训练模型。 评估模型 工作流会用测试数据评估模型，在“应用开发>评估模型”页面，查看评估结果。 模型评估 图1 模型评估 训练模型的版本、标签数量、测试集数量。单击“下载评估结果”，可保存评估结果至本地。

查看更多 →

已在华为HiLens控制台选择“HiLens安全帽检测”技能模板新建技能，并训练模型，详情请见训练模型。 评估模型 工作流会用测试数据评估模型，在“应用开发>评估模型”页面，查看评估结果。 模型评估 图1 模型评估 训练模型的版本、标签数量、测试集数量。单击“下载评估结果”，可保存评估结果至本地。 评估参数对比

查看更多 →

已在视觉套件控制台选择“第二相面积含量测定工作流”新建应用，并训练模型，详情请见训练模型。 整体评估 在“模型评估”页面，您可以针对当前版本的模型进行整体评估。 图1 模型评估 “模型评估”显示当前模型的“版本”、“标签数量”、“验证集数量”。 “评估参数对比”显示当前模型和其他版本模型的评估参数值柱状图，包括“交

查看更多 →

部署上线 部署上线 部署上线操作即将模型部署为在线服务，并且提供在线的测试UI与监控能力。完成模型训练后，可选择准确率理想且训练状态为“运行成功”的版本部署上线。具体操作步骤如下。 在“模型训练”页签中，待训练状态变为“运行成功”，单击版本管理区域中的“部署”，开始将模型部署上线为在线服务。

查看更多 →

部署上线 部署上线 部署上线操作即将模型部署为在线服务，并且提供在线的测试UI与监控能力。完成模型训练后，可选择准确率理想且训练状态为“运行成功”的版本部署上线。具体操作步骤如下。 在“模型训练”页签中，待训练状态变为“运行成功”，单击版本管理区域中的“部署”，开始将模型部署上线为在线服务。

查看更多 →

创建模型训练服务项目 创建项目用于创建项目空间，并创建JupyterLab环境容器。 在模型训练服务首页，单击“KPI异常检测”模板中的“使用模板创建”，如图1所示。 图1 创建项目 按照界面提示，配置“创建项目”对话框参数。 单击“创建”，完成模型训练服务项目的创建。 在模型训练服务首页，项目新增完成，如图2所示。

查看更多 →

部署上线 部署上线 部署上线操作即将模型部署为在线服务，并且提供在线的测试UI与监控能力。完成模型训练后，可选择准确率理想且训练状态为“运行成功”的版本部署上线。具体操作步骤如下。 在“模型训练”页签中，待训练状态变为“运行成功”，单击版本管理区域中的“部署”。 图1 部署操作

查看更多 →

建或导入训练数据集，后续训练模型操作是基于您选择的训练数据集。 由于模型训练过程需要有标签的数据，如果您上传未标注数据，需要手动标注数据。 选择数据 训练模型 选择训练数据后，无需用户配置任何参数即可开始训练云状类型识别模型，并查看训练的模型准确率和误差的变化。 训练模型 评估模型

查看更多 →

新建或导入训练数据集，后续训练模型操作是基于您选择的训练数据集。 由于模型训练过程需要有标签的数据，如果您上传未标注数据，需要手动标注数据。 选择数据 训练模型 选择训练数据后，无需用户配置任何参数即可开始训练图像分类模型，并查看训练的模型准确率和误差的变化。 训练模型 评估模型

查看更多 →

或导入训练数据集，后续训练模型操作是基于您选择的训练数据集。 由于模型训练过程需要有标签的数据，如果您上传未标注数据，需要手动标注数据。 选择数据 训练模型 选择训练数据后，无需用户配置任何参数即可开始训练刹车盘类型识别模型，并查看训练的模型准确率和误差的变化。 训练模型 评估模型

查看更多 →

部署上线 部署上线 部署上线操作即将模型部署为在线服务，并且提供在线的测试UI与监控能力。完成模型训练后，可选择准确率理想且训练状态为“运行成功”的版本部署上线。具体操作步骤如下。 在“模型训练”页签中，待训练状态变为“运行成功”，单击版本管理区域中的“部署”，开始将模型部署上线为在线服务。

查看更多 →

部署上线 部署上线 部署上线操作即将模型部署为在线服务，并且提供在线的测试UI与监控能力。完成模型训练后，可选择准确率理想且训练状态为“运行成功”的版本部署上线。具体操作步骤如下。 在“模型训练”页签中，待训练状态变为“运行成功”，单击版本管理区域中的“部署”，开始将模型部署上线为在线服务。

查看更多 →

样例数据导入模型训练服务 在项目概览界面，单击菜单栏中的“特征工程”，进入“特征工程”界面。 单击界面右上角的“特征处理”，弹出“特征处理”对话框。 请根据实际情况，配置如下参数： 工程名称：特征工程名称。 开发模式：请选择“Jupyterlab交互式开发”。 规格：选择Jupyterlab环境部署的容器规格大小。

查看更多 →

样例数据导入模型训练服务 在项目概览界面，单击菜单栏中的“特征工程”，进入“特征工程”界面。 单击界面右上角的“特征处理”，弹出“特征处理”对话框。 请根据实际情况，配置如下参数： 工程名称：特征工程名称。 开发模式：请选择“Jupyterlab交互式开发”。 规格：选择Jupyterlab环境部署的容器规格大小。

查看更多 →