产品描述 - 标签管理TAG | 百度智能云文档
应用场景 场景一 随着用户云资源的种类和数量逐渐增多，可以通过标签管理服务将资源基于不同维度进行分组管理，以便对资源快速检索和操作。 用户可对不同的应用、服务模块、或者环境等绑定不同的标签，如需对某OA系统生产环境和测试环境下的资源分别绑定标签，进而可在不同的资源类型下快速筛选出某标签下的资源进行操作，比如在云服务器BCC中筛选出标签为测试环境的实例进行批量操作。
技术运维 - 人脸识别_人脸检测_人脸对比_人脸搜索_活体检测
License更新步骤 EasyPack一键部署工具支持对私有化部署包的License证书进行一键更新，一键更新时 不需要执行download.sh 或 download.bat,并且不需要安装任何模块，在新申请的部署包中执行更新操作即可 。具体请参考以下流程进行License证书更新。
安装SDK工具包 - 密钥管理服务KMS | 百度智能云文档
客户端入口类的基类 ├── bce_client_configuration.py //针对BOS特有的HttpClient的配置类 ├── bce_response.py //BCE客户端的请求类 ├── exception.py //BCE客户端的异常类 ├── protocol.py //网络协议定义 ├── region.py //区域处理模块 ├── retry_policy.py //BCE
资源规划 - ElasticsearchBES | 百度智能云文档
资源规划 使用BES向量数据库前，用户需要优先结合业务需求和所存数据，评估集群所需的资源容量。
千帆AI加速器_线上加速营_免费大模型案例课程_千帆大模型平台深度应用与实战演练
了解详情 案例课程 案例课程 基于向量数据库构建企业级知识库 全面介绍向量数据库的应用场景及具体使用方法 了解详情 案例课程 案例课程 任务规划类Agent应用开发实战 通过零代码可视化界面操作，并通过自定义组件，能够轻松实现复杂任务的灵活编排和规划 了解详情 案例课程 案例课程 大模型场景任务精调及实践操作 深入具体业务场景，从数据筹备到模型优选，再到精准训练与参数微调，展示多个实战精调样板项目
创建知识库 - 千帆AppBuilder-产品文档
2.2 切片托管资源 资源分类 适用场景 AppBuilder资源 不同用户之间共享资源，支持 小规模的文件切片索引 百度ElasticSearch(BES)资源 （没有私有化服务；可能有混合云服务，需要付费使用） 可独享资源，实现数据隔离， 支持大规模的文件切片索引 ，索引性能更高，可以理解为有一块独立的资源空间 百度向量数据库VectorDB资源 支持百亿级向量规模托管、具备高性能访问和弹性高可用特性的向量数据库
功能更新记录 - 爱速搭低代码平台 | 百度智能云文档
表单类等17个组件的样式自定义 前端页面设计上线20+组件优化包括选人组件、布局容器、部分表单项组件等 平台集成模块支持对接飞书和企微的消息通知和事件订阅 2022-11 新增数据字典，支持组织/应用级范围内统一、规范字典项内容 新增基础风格设计器，解决平台/应用级的主题定义与复用，支持颜色/文字/边框/尺寸/阴影/图标可视化配置 新增表单项静态展示态，表单项支持在展示态、只读、禁用、编辑之间切换，
视图库级联 - 智能视联网平台EVS | 百度智能云文档
模块 功能 级联列表 支持创建级联任务、展示级联任务列表及相关信息、支持对级联任务的编辑、重新注册、注销、删除操作 上级视图库 支持创建上级视图库、编辑上级视图库信息、展示上级视图库级联状态等 操作步骤 智能视联网平台的视图空间向上级联，级联过程与国标空间向上级联类似，需要先创建上级视图库，填写上级视图库信息，然后创建视图库级联任务，即可把智能视联网平台的视图空间级联至第三方/公安/交管上级视图库。
安装SDK工具包 - 私有网络VPC | 百度智能云文档
SDK目录结构 baidubce ├── auth //公共权限目录 ├── http //Http请求模块 ├── retry //Http请求模块 ├── services //服务公共目录 │ └── vpc //VPC目录 │ ├──__init__.py //空 │ ├──acl_client.py //ACL客户端入口类 │ ├──nat_client.py //NAT客户端入口类 │
大模型训练——PEFT与LORA介绍 千帆社区
在PEFT模块中，peft_model.py中的PeftModel类是一个总控类，用于模型的读取保存等功能，继承了transformers中的Mixin类，我们主要来看LORA的实现： 代码位置：https://github.com/huggingface/peft/blob/main/src/peft/tuners/lora.py class LoraModel(torch.nn.Module):
