- 功能总览
- 产品介绍
- 计费说明
- 快速入门
- 用户指南
- 最佳实践
- API参考
- SDK参考
-
常见问题
- 大模型概念类问题
-
大模型微调训练类问题
- 无监督领域知识数据量无法支持增量预训练,如何进行模型学习
- 如何调整训练参数,使盘古大模型效果最优
- 如何判断盘古大模型训练状态是否正常
- 如何评估微调后的盘古大模型是否正常
- 如何调整推理参数,使盘古大模型效果最优
- 为什么微调后的盘古大模型总是重复相同的回答
- 为什么微调后的盘古大模型的回答中会出现乱码
- 为什么微调后的盘古大模型的回答会异常中断
- 为什么微调后的盘古大模型只能回答训练样本中的问题
- 为什么在微调后的盘古大模型中输入训练样本问题,回答完全不同
- 为什么微调后的盘古大模型评估结果很好,但实际场景表现很差
- 为什么多轮问答场景的盘古大模型微调效果不好
- 数据量足够,为什么盘古大模型微调效果仍然不好
- 数据量和质量均满足要求,为什么盘古大模型微调效果不好
- 大模型使用类问题
- 提示词工程类
- 文档下载
- 通用参考
本文导读
展开导读
链接复制成功!
预测大模型训练流程与选择建议
预测大模型训练流程介绍
目前,预测大模型支持微调训练。
- 微调阶段:微调阶段通过在特定领域的数据集上进一步训练,使模型能够更有效地应对具体的任务需求。在微调过程中,通过设定训练指标来监控模型的表现,确保其达到预期的效果。完成微调后,将对用户模型进行评估并进行最终优化,以确保满足业务需求,然后将其部署和调用,用于实际应用。
预测大模型选择建议
选择合适的预测大模型类型有助于提升训练任务的准确程度。您可以根据模型适用场景,选择合适的模型,从而提高模型的整体效果,详见表1。
模型名称 |
适用场景 |
说明 |
---|---|---|
Pangu-Predict-Table-Cla-2.0.0 |
该模型属于分类模型,用于预测离散类别,可以应用于各种分类任务。
|
2024年12月发布的版本,支持分析历史数据中的特征与类别的关系,学习出一种映射规则或函数,然后应用这个规则对未来未知的数据点进行分类。 |
Pangu-Predict-Table-Reg-2.0.0 |
该模型属于回归模型,用于预测连续性数值,在工业场景中广泛用于工艺参数和性能指标的预测。
|
2024年12月发布的版本,支持根据已知的输入变量(特征)来预测一个连续型输出变量(目标变量)。 |
Pangu-Predict-Table-Anom-2.0.0 |
该模型属于异常检测模型,用于识别数据集中的异常或离群点,常应用于安全、质量控制等领域。
|
2024年12月发布的版本,支持识别数据集中不符合预期模式或行为的数据点。 |
Pangu-Predict-Table-TimSeries-2.0.0 |
该模型属于时间序列预测模型,用于基于时间序列数据预测未来值。
|
2024年12月发布的版本,支持根据历史时间序列数据来预测未来的值,广泛应用于金融、销售预测、天气预报、能源消耗预测等领域。 |
父主题: 训练预测大模型