的识别能力。 f1：F1值 F1值是模型精确率和召回率的加权调和平均，用于评价模型的好坏，当F1较高时说明模型效果较好。 同一个自动学习项目可以训练多次，每次训练会注册一个新的模型版本。如第一次训练版本号为“0.0.1”，下一个版本为“0.0.2”。基于训练版本可以对训练模型进行

查看更多 →

的识别能力。 f1：F1值 F1值是模型精确率和召回率的加权调和平均，用于评价模型的好坏，当F1较高时说明模型效果较好。 同一个自动学习项目可以训练多次，每次训练生成一个版本。如第一次训练版本号为“0.0.1”，下一个版本为“0.0.2”。基于训练版本可以对训练模型进行管理。当训

查看更多 →

collect_sample Boolean 是否启用样本收集。可选值如下： true：启用样本收集（默认值） false：不启用样本收集 confidence_scope String 关键样本置信度范围，用中划线隔开最小值和最大值。比如：“0.10-0.90”。 description String

查看更多 →

Models）通常指的是具有海量参数和复杂结构的深度学习模型，广泛应用于 自然语言处理 （NLP）等领域。开发一个大模型的流程可以分为以下几个主要步骤： 数据集准备：大模型的性能往往依赖于大量的训练数据。因此，数据集准备是模型开发的第一步。首先，需要根据业务需求收集相关的原始数据，确保数据的覆盖面和多样性。例

查看更多 →

，预计成本和实际成本等信息。 图2 市场活动 流程监控 流程运维监控页面，可以查看当前项目的审批流和业务流进展。 图3 流程监控 商机管理 商机2.0页面，可以新建和查看商机，包含预计成交时间，投标时间，商机金额，客户预算和赢单概率等 图4 商机管理 销售预测 销售预测页面，可以新建和查看上报销售预测数据。

查看更多 →

在“联邦预测”页面批量预测Tab页单击“历史预测”，可以“查看结果”和“作业报告”。 “查看结果”为预测结果存储相对路径。分类作业的预测结果为0/1标签以及正负样本概率，0表示负样本，1表示正样本；回归作业的预测结果为最后的样本得分。 “作业报告”为作业的详细信息，如作业输入条件、作业输出结果、执行环境、合作方信息、计算过程等。

查看更多 →

自动学习声音分类预测报错ERROR:input key sound is not in model 根据在线服务预测报错日志ERROR：input key sound is not in model inputs可知，预测的音频文件是空。预测的音频文件太小，换大的音频文件预测。 父主题：

查看更多 →

模型训练完成后，可以查看归档的模型文件，如模型训练目录说明所示。 模型训练目录说明 模型训练完成后，训练好的模型和相关内容，都保存在如图2所示的model目录中。将model目录导出，使用新数据，直接利用已有的特征和参数、算法和参数，就可以实现模型重训练。 model目录的上级目录“learnware”是用户创建的学件项目名称。

查看更多 →

per为椒盐噪声。默认值为Gauss loc：噪声分布的均值，仅在Gauss和Laplace生效。默认值为0 scale：噪声分布的标准差，仅在Gauss和Laplance生效。默认值为1 lam：泊松分布的lambda系数，仅在Poisson有效。默认值为2 p：对于每个像素点

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 →

前已触发重试的作业不受影响，仅对关闭后的执行作业生效。 对重试操作配置后，配置CPU配额和内存配额。执行批量预测作业时，会创建新容器来执行，这两个配额参数的值为创建新容器的CPU核数和内存大小，默认CPU核数为1，内存大小512M。 然后勾选“选择训练作业”列表中的某一训练作业，

查看更多 →

科学计算大模型能力调测参数说明（海洋类预测） 参数 说明 场景 支持选择全球海洋要素、区域海洋要素、全球海洋生态、全球海浪高度。 全球海洋要素：实现预测全球范围内海面高度， 温度、盐度、海流速度纬向分量和海流速度经向分量变量。 区域海洋要素：实现预测特定区域范围内海面高度， 温度、盐度、海流速度纬向分量和海流速度经向分量变量。

查看更多 →

GS_OPT_MODEL是启用AiEngine执行计划时间预测功能时的数据表，记录机器学习模型的配置、训练结果、功能、对应系统函数、训练历史等相关信息。 表1 GS_OPT_MODEL字段 名称 类型 描述 template_name name 机器学习模型的模板名，决定训练和预测调用的函数接口，目前只实现了rlstm，方便后续扩展。

查看更多 →

GS_OPT_MODEL是启用AiEngine执行计划时间预测功能时的数据表，记录机器学习模型的配置、训练结果、功能、对应系统函数、训练历史等相关信息。 表1 GS_OPT_MODEL字段 名称 类型 描述 template_name name 机器学习模型的模板名，决定训练和预测调用的函数接口，目前只实现了rlstm，方便后续扩展。

查看更多 →

且存在时效性低，无法监管种植过程的问题； 供给侧和需求侧存在信息闭塞，无法实现按需生产或者效益最大化； 数据缺乏安全性高、维护成本低的云资源支持业务场景应用。 方案架构 图1 架构图 方案优势 落地性强：自主研发目标识别和深度学习融合的耘镜平台，目前已服务全国超过4亿亩耕地 AI

查看更多 →

没有学到任何知识。请检查训练参数中的 “训练轮次”或“学习率”等参数的设置，适当增大“训练轮次”的值，或根据实际情况调整“学习率”的值，帮助模型更好收敛。 数据质量：请检查训练数据的质量，若训练样本和目标任务不一致或者分布差异较大，则会加剧该现象。 父主题： 大模型微调训练类问题

查看更多 →

Float 预测阈值，最小值0，最大值1 learning_rate 否 Float 学习率，最小值0，最大值1 batch_size 否 Integer 批大小，最小值1 epoch 否 Integer 迭代次数，最小值1 tree_num 否 Integer 树数量，最小值1 tree_depth

查看更多 →

AOF持久化的影响）。关闭AOF持久化可以提升客户端连接的稳定性，减少出现阻塞，连接不上的情况。 如果出现超时错误概率频繁，请联系技术服务人员。 父主题： 客户端和网络连接

查看更多 →

oneAPI Toolkit运行VASP任务，为什么概率性运行失败？ Intel oneAPI Toolkit（Intel并行计算平台）运行的VASP（用于电子结构计算和量子力学-分子动力学模拟）任务对CPU硬件版本有深度依赖，在小规格Pod场景下概率性运行失败，建议切换oneAPI版本或使用4核以上Pod运行。

查看更多 →

计算节点管理 同一个空间中的用户，在使用 可信计算 服务时（联邦分析和联邦机器学习），需要部署计算节点，接入己方数据，作为可信计算服务的输入，通过执行联邦分析和联邦机器学习作业后，最终拿到结果。 计算节点以容器的形式部署，支持云租户部署和边缘节点部署，用户可根据数据源的现状，采用合适的计算节点部署方案。

查看更多 →

自动学习简介 自动学习功能介绍 ModelArts自动学习是帮助人们实现模型的低门槛、高灵活、零代码的定制化模型开发工具。自动学习功能根据标注数据自动设计模型、自动调参、自动训练、自动压缩和部署模型。开发者无需专业的开发基础和编码能力，只需上传数据，通过自动学习界面引导和简单操作即可完成模型训练和部署。

查看更多 →