时序时空数据库TSDB

007-组件状态 在画布中，各组件有如下状态： 运行成功：组件右侧有勾代表该组件运行成功。 运行中：旋转动态标识，代表该组件正在运行。 等待中：蓝色省略号标识，代表该组件正在等待运行。 运行失败：红色×号标识，代表由于某种原因运行失败。

查看更多>>

网络选型参考 图像分类任务网络选型参考 大多数情况建议使用 ResNet50和SE-ResNeXt50，模型效果稳定，并且预测时间较短。SE-ResNeXt50相比ResNet50增加了SE模块，能进一步提高准确率，但是预测时间稍有增加 当数据量较大并且要求更高的准确率时，建议从 ResNet101，ResNeXt101_32x16d_wsl，Xception71，Res2Net101_vd_26

查看更多>>

模型仓库简介 模型仓库是整个BML中模型的中央存储仓库，模型仓库可导入所有训练任务生成的模型并进行统一管理。 模型仓库支持的模型类型 技术方向 类型 部署方式 视觉 图像分类 公有云部署、EasyEdge本地部署 物体检测 公有云部署、EasyEdge本地部署 实例分割 公有云部署、EasyEdge本地部署 自然语言处理 文本分类 公有云部署 短文本相似度 公有云部署 序列标注 公有云部署 文本实

查看更多>>

镜像管理简介 镜像管理简介 BML镜像管理为用户预置多种框架的训练镜像。当预置镜像不满足需求，需要进行扩展时，镜像管理提供自定义镜像的能力。 目前BML镜像管理已预置作业建模和Notebook建模的镜像，点击 预置镜像 可查看镜像的名称以及镜像可用服务。 如果平台预置镜像不满足训练或预测需求，可基于平台构建自定义镜像。 点击 自定义镜像 ，可查看自定义镜像列表。并可以新建镜像。 镜像使用流程 第一

查看更多>>

010-NLP算法 NLP算法 Bert命名实体识别 BERT 采用了 Transformer Encoder 的模型来作为语言模型，Transformer模型完全抛弃了 RNN/CNN 等结构，而完全采用 Attention 机制来进行 input-output 之间关系的计算。 Fine-tuning 方式是指在已经训练好的语言模型的基础上，加入少量的 task-specific parame

查看更多>>

015-图算法 图算法 FastUnfolding FastUnfolding 算法是基于模块度对社区划分的算法。FastUnfolding 算法是一种迭代的算法，主要目标是不断划分社区使得划分后的整个网络的模块度不断增大。 输入 输入数据集，包括源顶点列，目标顶点列，边权值列（可选）。 输出 输出结果数据集，包括两列：node（源/目标顶点名称），community（社区id），communit

查看更多>>

创建训练作业 创建训练作业 前提条件 自定义作业需要依赖于BOS对象存储读取输入文件，创建自定义作业之前需要保证您已经开通了BOS对象存储的服务。 授权自定义作业读写您的BOS对象存储，以顺利进行自定义作业的配置。 在BOS中存储创建Bucket，并且存储用于训练的代码文件和数据集，创建一个空文件夹用于输出文件的存储 新建作业 在导航栏选择『自定义作业-训练作业』，进入训练作业的列表页。 点击『新

查看更多>>

查看训练结果 在脚本调参任务训练完成后，可以查看任务结果。 在BML左侧导航栏中单击“脚本调参”，进入脚本调参列表页面。 在脚本调参表单中单击“任务列表”，可以进入其任务列表页面，如下所示： 在任务列表中，单击评估报告，可以查看该任务生成的模型的报告信息，如下所示：

查看更多>>