测试设计流程与实践 华为云CodeArts TestPlan的测试设计功能，覆盖了测试需求分析与计划、测试方案设计两个阶段，在这两个阶段： 测试经理基于产品层面的设计需求和规格，根据测试工程方法建立详细的、归一化的测试规格，作为测试任务分解分配的基础，回答我们要测试什么的问题；

查看更多 →

测试经理根据缺陷分析输出的产品质量情况，测试用例执行情况编写测试报告； 测试报告应侧重于经过测试后对产品质量状况的分析和报告；测试执行过程的总结建议纳入阶段结束评估报告中。 缺陷分析报告 度量表 测试报告 测试评估 在一轮测试或者一个迭代测试完成，并进行了度量分析后，测试经理可组

查看更多 →

Scikit-Learn的StandardScaler进行了归一化。为了模拟横向联邦学习场景，将数据集随机划分为三个大小类似的部分：（1）xx医院的训练集；（2）其他机构的训练集；（3）独立的测试集，用于准确评估横向联邦学习得到的模型准确率。此外由于原始的数据集较小，采用了Imb

查看更多 →

以鸢尾花数据集为例：根据鸢尾花的花萼与花瓣长宽，预测鸢尾花的品种。 表1 数据源的具体字段及意义 字段名 含义 类型 描述 attr_1 萼长 Double 花萼的长度 attr_2 萼宽 Double 花萼的宽度 attr_3 瓣长 Double 花瓣的长度 attr_4 瓣宽 Double

查看更多 →

ModelArts镜像管理简介 在AI业务开发以及运行的过程中，一般都会有复杂的环境依赖需要进行调测并固化。面对开发中的开发环境的脆弱和多轨切换问题，在ModelArts的AI开发最佳实践中，通过容器镜像的方式，将运行环境进行固化，以这种方式不仅能够进行依赖管理，而且可以方便的完成工作环境切换。配合Mod

查看更多 →

指按某种策略由已知判断推出新判断的思维过程。人工智能领域下，由机器模拟人类智能，使用构建的神经网络完成推理过程。 在线推理 在线推理是对每一个推理请求同步给出推理结果的在线服务（Web Service）。 批量推理 批量推理是对批量数据进行推理的批量作业。 Ascend芯片 As

查看更多 →

息： 基础知识了解 通过基础知识章节的内容，了解ModelArts相关的基础知识，包含AI开发的基础流程、AI开发的基础概念，以及ModelArts服务的特有概念和功能的详细介绍。 入门使用 《快速入门》提供了样例的详细操作指导，帮助用户学习并上手使用ModelArts Standard。

查看更多 →

数据集超参 设置当前训练任务的数据集超参，与模型训练保持一致。 超参配置 运行超参 运行超参的名称，与模型训练保持一致。 单击“创建”，训练任务开始。 单击查看任务运行的详细情况，包括系统日志、运行日志和运行图。在评估报告中查看训练结果。 父主题： 模型训练

查看更多 →

择“自定义”的模式，可在右侧输入框中输入1~24范围内的任意整数。 若您购买了套餐包，计算节点规格可选择您的套餐包，同时在“配置费用”页签还可查看您的套餐包余量以及超出部分的计费方式，请您务必关注，避免造成不必要的资源浪费。 完成资源配置后，单击“继续运行”，在弹框中确认继续运行

查看更多 →

g1.xlarge.4 4 16 中 中 1 × M60-1Q 1 XEN g1.2xlarge 8 16 中 中 1 × M60-2Q 2 XEN g1.2xlarge.8 8 64 中 中 直通 8 XEN g1.4xlarge 16 32 中 中 1 × M60-4Q 4 XEN

查看更多 →

CCE支持对集群资源进行自定义选择，以满足您的多种业务需求。表1中列举了集群的主要性能参数，并给出了本示例的规划值，您可根据业务的实际需求大小进行设置，建议与原集群性能配置保持相对一致。 集群创建成功后，表1中带“*”号的资源参数将不可更改，请谨慎选择。 表1 CCE集群规划 资源 主要性能参数 参数说明 本示例规划

查看更多 →

感，脱敏）的设定、元数据的发布等，为数据源计算节点提供全生命周期的可靠性监控、运维管理。 可信联邦学习 对接主流深度学习框架实现横向和纵向的联邦训练，支持基于安全密码学(如不经意传输、差分隐私等)的多方样本对齐和训练模型的保护。 数据使用监管 为数据参与方提供可视化的数据使用流图

查看更多 →

性能测试服务分析报告中的TPS和其他工具测试的系统处理能力是否相同？ 性能测试服务中TPS的统计规则为每个统计周期（10s内），平均每秒获取到响应的请求报文数量。比如10s内共有1000个请求获取到了响应，那么TPS即为100 TPS。有些测试工具统计的是每秒发出的请求数量，这样

查看更多 →

运行过程中的计算图、各种指标随着时间的变化趋势以及训练中使用到的数据信息。 单击图标，查看模型评估报告。 评估指标：可以通过数值和图表方式展示各项指标的数据信息。 超参：展示训练集、测试集和标签列的信息。 任务系统参数：展示训练任务的配置参数信息。 父主题： 创建联邦学习工程

查看更多 →

业，根据合作方已提供的数据，编写相关sql作业并获取您所需要的分析结果，同时能够在作业运行保护数据使用方的数据查询和搜索条件，避免因查询和搜索请求造成的数据泄露。 可信联邦学习 可信联邦学习是 可信智能计算服务 提供的在保障用户数据安全的前提下，利用多方数据实现的联合建模，曾经被称为联邦机器学习。

查看更多 →

训练环境中不同规格资源“/cache”目录的大小 在创建训练作业时可以根据训练作业的大小选择资源。 ModelArts会挂载硬盘至“/cache”目录，用户可以使用此目录来储存临时文件。“/cache”与代码目录共用资源，不同资源规格有不同的容量。 k8s磁盘的驱逐策略是90%，

查看更多 →

支持在分布式的、信任边界缺失的多个参与方之间建立互信空间； 实现跨组织、跨行业的多方数据融合分析和多方联合学习建模。 灵活多态 支持对接主流数据源（如 MRS 、 DLI 、 RDS、 Oracle等）的联合数据分析； 支持对接多种深度学习框架( TICS ，TensorFlow)的联邦计算；

查看更多 →

节点训练完成后，可以单击对应的训练节点，单击节点详情，查看对应的训练日志。您可以根据模型评估指标情况，在Workflow配置中修改模型节点参数，重新启动Workflow进行模型部署。 模型评估指标 本Workflow的模型评估指标使用的是MAPE，具体会打印出原始的xgboost和lightgbm的ma

查看更多 →

性能测试服务测试的时候申请的带宽大小对测试的影响是什么？ 用户压测的请求和响应的模型不一样，所需带宽也不一样。比如说5000TPS，每个请求包大小是1KB，那么总的上行带宽是5000KB，下行带宽也是一样的估算方式。对于带宽的限制是限制上行带宽，因此POST/PUT等带Body的请求会比较消耗带宽资源。

查看更多 →

Megatron-Deepspeed是一个由NVIDIA开发的基于PyTorch的深度学习模型训练框架。它结合了两个强大的工具：Megatron-LM和DeepSpeed，可在具有分布式计算能力的系统上进行训练，并且充分利用了多个GPU和深度学习加速器的并行处理能力。可以高效地训练大规模的语言模型。 Megatro

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 →