人工神经网络
人工神经网络（Artificial Neural Network，缩写ANN），简称神经网络或类神经网络，是一种模仿生物神经网络（动物的中枢神经系统，特别是大脑）的结构和功能的数学模型或计算模型，用于对函数进行估计或近似。人工神经网络有多层和单层之分...
安全联邦学习-任务模式FL
三、安全联邦学习已支持的能力 用途 算法分类 已支持算法 分类 决策树 XGBoostWithDp GBDTWithDp 逻辑回归 LogisticRegressionWithHe 神经网络 神经网络MLP 回归 线性回归 LinearRegressionWithHe 神经网络 神经网络MLP 四、如何进行安全...
安全联邦学习-工作流FL
三、安全联邦学习已支持的能力 用途 算法分类 已支持算法 分类 决策树 XGBoostWithDp GBDTWithDp 逻辑回归 LogisticRegressionWithHe 神经网络 神经网络MLP 回归 线性回归 LinearRegressionWithHe 神经网络 神经网络MLP 四、如何进行安全...
Sambert语音合成
提供SAMBERT+NSFGAN深度神经网络算法与传统领域知识深度结合的文字转语音服务，兼具读音准确，韵律自然，声音还原度高，表现力强的特点。语音合成API基于达摩院改良的自回归韵律模型，具有推理速度快，合成效果佳的特点。开发者可以通过...
灵骏常见问题
您使用神经网络进行的许多计算都可以很容易地分解成更小的计算，各个小计算不会相互依赖。智能计算灵骏与普通GPU托管服务有什么不同？智能计算灵骏集群采用专为大规模AI计算场景所设计的系统架构和多层性能优化技术，能充分利用整体的计算...
性能指标
LogisticRegressionWithHe 10万 100维*100维 训练 50分钟 神经网络MLP 100万 100维*100维 训练 30分钟 决策树-XGBoostWithDp 5亿 100维*100维 离线预测 50分钟 决策树-GBDTWithDp 5亿 100维*100维 离线预测 120分钟 线性回归-...
机器学习
MADlib机器学习模块主要解决以下问题：分类/回归问题：提供一系列算法如K最近邻、MLP多层感知神经网络、SVM支持向量机、决策树等算法来解决二元分类/回归问题，集成最小二乘法、GLM广义线性回归、逻辑回归、多项式回归等模型来解决回归问题...
应用场景
深度学习 对于持续且大量的人工神经网络计算的深度学习场景，阿里云推荐GPU实例，不但性能表现卓越，同时大量节省成本。此外，GPU计算型还可以降低客户端的计算能力要求，适用于图形处理、云游戏云端实时渲染、AR/VR的云端实时渲染等瘦终端...
基本概念
cuDNN NVIDIA推出的用于深度神经网络的GPU加速库。DeepGPU 阿里云专门为GPU云服务器搭配的具有GPU计算服务增强能力的免费工具集合。AIACC-Taining 阿里云自研的分布式训练任务AI加速器，可以显著提升训练性能。AIACC-Inference 阿里云自研...
安全防护
同时内置深度神经网络和机器学习等先进技术，通过样本扫描、特征萃取、特征对比和文件聚类等算法，实现多达44种敏感数据的精准识别。同时数据安全中心提供了敏感数据发现后的自动分类分级以及统计展示能力，通过对结构化和非结构化数据源的...
PyODPS条件查询
1.5,0.4,"Iris-setosa"5.4,3.9,1.3,0.4,"Iris-setosa"5.1,3.5,1.4,0.3,"Iris-setosa"5.7,3.8,1.7,0.3,"Iris-setosa"5.1,3.8,1.5,0.3,"Iris-setosa"5.4,3.4,1.7,0.2,"Iris-setosa"5.1,3.7,1.5,0.4,"Iris-setosa"5.1,3.3,1.7,0.5,"Iris-...
PyODPS的采样
print iris.sample(n=100,weights='sepallength').head()print iris.sample(n=100,weights='sepalwidth',replace=True).head()#分层采样 print iris.sample(strata='name',n={'Iris-setosa':10,'Iris-versicolor':10}).head()print iris....
Collection
print(iris['name','sepallength'].head(5))返回结果：name sepallength 0 Iris-setosa 4.9 1 Iris-setosa 4.7 2 Iris-setosa 4.6 3 Iris-setosa 5.0 4 Iris-setosa 5.4 说明 如果只需要选取一列，需要在Columns后加上逗号或者显示标记为...
通过DataWorks使用PyODPS
3.4,1.4,0.2,"Iris-setosa"5.4,3.4,1.5,0.4,"Iris-setosa"5.2,4.1,1.5,0.1,"Iris-setosa"5.5,4.2,1.4,0.2,"Iris-setosa"5.5,3.5,1.3,0.2,"Iris-setosa"5.1,3.4,1.5,0.2,"Iris-setosa"5.1,3.8,1.9,0.4,"Iris-setosa"5.1,3.8,1.6,0.2,"Iris-...
执行
iris2=iris[iris.sepalwidth].persist('pyodps_iris')print(iris2.head(5))返回结果：sepallength sepalwidth petallength petalwidth name 0 4.5 2.3 1.3 0.3 Iris-setosa 1 5.5 2.3 4.0 1.3 Iris-versicolor 2 4.9 2.4 3.3 1.0 Iris-...
PyODPS的排序
20191010061606927g6emz192 sepallength sepalwidth petallength petalwidth name 0 5.7 4.4 1.5 0.4 Iris-setosa 1 5.5 4.2 1.4 0.2 Iris-setosa 2 5.2 4.1 1.5 0.1 Iris-setosa 3 5.8 4.0 1.2 0.2 Iris-setosa 4 5.4 3.9 1.3 0.4 Iris-...
聚合操作
from odps.df import DataFrame iris=DataFrame(o.get_table('pyodps_iris'))常用聚合操作如下：使用 describe 函数，查看DataFrame里数字列的数量、最大值、最小值、平均值以及标准差。print(iris.describe())返回结果如下。type sepal_...
PyODPS的去重
from odps.df import DataFrame iris=DataFrame(o.get_table('pyodps_iris'))print iris[['name']].distinct()print iris.distinct('name')print iris.distinct('name','sepallength').head(3)#您可以调用unique对Sequence进行去重操作，...
排序、去重、采样、数据变换
iris[['name']].distinct()name 0 Iris-setosa 1 Iris-versicolor 2 Iris-virginica>>>iris.distinct('name')name 0 Iris-setosa 1 Iris-versicolor 2 Iris-virginica>>>iris.distinct('name','sepallength').head(3)name sepallength 0 ...
窗口函数
iris['name','sepallength',iris.groupby('name').sort('sepallength').sepallength.cumcount()].head(5)name sepallength sepallength_count 0 Iris-setosa 4.3 1 1 Iris-setosa 4.4 2 2 Iris-setosa 4.4 3 3 Iris-setosa 4.4 4 4 Iris-...
使用KServe实现推理服务的金丝雀发布
kubectl apply-n kserve-test-f-<<EOF apiVersion: "serving.kserve.io/v1beta1" kind: "InferenceService" metadata: name: "sklearn-iris"spec:predictor:canaryTrafficPercent:10 model:modelFormat:name:sklearn storageUri:"gs:/kfserving-...
PyODPS的Sequence及执行操作
options.verbose=True iris=DataFrame(o.get_table('pyodps_iris'))iris[iris.sepallength].exclude('sepallength')[:5].execute()my_logs=[]def my_loggers(x):my_logs.append(x)options.verbose_log=my_loggers iris[iris.sepallength]....
列运算
fields=[>>>iris.name.upper().rename('upper_name'),>>>iris.name.extract('Iris(.*)',group=1)>>>]>>>iris[fields].head(5)upper_name name 0 IRIS-SETOSA-setosa 1 IRIS-SETOSA-setosa 2 IRIS-SETOSA-setosa 3 IRIS-SETOSA-setosa 4 ...
基于KServe快速部署一个推理服务
该数据集具有三个输出类别：Iris Setosa（山鸢尾，索引：0）、Iris Versicolour（杂色鸢尾花，索引：1）和Iris Virginica（弗吉尼亚鸢尾，索引：2）。然后您可以向部署的模型发送推理请求，以便预测对应的鸢尾植物类别。说明 iris数据集是...
基于KServe快速部署一个推理服务
该数据集具有三个输出类别：Iris Setosa（山鸢尾，索引：0）、Iris Versicolour（杂色鸢尾花，索引：1）和Iris Virginica（弗吉尼亚鸢尾，索引：2）。然后您可以向部署的模型发送推理请求，以便预测对应的鸢尾植物类别。说明 iris数据集是...
PyODPS的列运算
print(iris.sepallength*10).log().head(5)fields=[iris.sepallength,(iris.sepallength/2).rename('sepallength/2'),(iris.sepallength*2).rename('sepallength的平方')]print iris[fields].head(5)print(iris.sepallength).head(5)#集合...
调试指南
df=iris.groupby('name').agg(sepalwidth=iris.sepalwidth.max())>>>df.compile()Stage 1:SQL compiled:SELECT t1.`name`,MAX(t1.`sepalwidth`)AS `sepalwidth` FROM test_pyodps_dev.`pyodps_iris` t1 GROUP BY t1.`name` 使用Pandas计算...
快速入门
setosa 4 5.4 3.9 1.7 0.4 Iris-setosa 5 4.6 3.4 1.4 0.3 Iris-setosa 6 5.0 3.4 1.5 0.2 Iris-setosa 7 4.4 2.9 1.4 0.2 Iris-setosa 8 4.9 3.1 1.5 0.1 Iris-setosa 9 5.4 3.7 1.5 0.2 Iris-setosa#print(iris.sepallength.head(5))...
绘图
绘图 单线图>>>from odps.df import DataFrame>>>iris=DataFrame(o.get_table('pyodps_iris'))>>>%matplotlib inline>>>iris.sepalwidth.plot()多线图>>>iris.plot()竖向柱状图>>>iris.groupby('name').sum().plot(kind='bar',x='name',...
使用自定义函数及Python第三方库
file_resource=o.create_resource('pyodps_iris_file','file',file_obj='Iris-setosa')>>>>>>iris_names_collection=iris.distinct('name')[:2]>>>iris_names_collection sepallength 0 Iris-setosa 1 Iris-versicolor>>>def myfunc...
Sequence
前提条件 您需要提前完成以下步骤，用于操作本文中的示例：准备示例表 pyodps_iris，详情请参见 Dataframe数据处理。创建DataFrame，详情请参见 从MaxCompute表创建DataFrame。获取列 您可以使用 collection.column_name 取出一列，代码...
在本地环境上使用PyODPS
from odps.df import DataFrame iris=DataFrame(o.get_table('pyodps_iris'))for record in iris[iris.sepalwidth].execute():print(record)打印详细信息 默认情况下，本地环境的PyODPS节点运行过程不会打印Logview等详细过程。您可以手动...
ASM集成KServe实现云原生AI模型推理服务
KServe（原KFServing）是云原生环境的一个模型服务器和推理引擎，具备自动...kubectl get inferenceservices sklearn-iris-n kserve-test 预期输出：NAME URL READY PREV LATEST PREVROLLEDOUTREVISION LATESTREADYREVISION AGE sklearn-iris ...
创建DataFrame
前提条件 操作下述代码示例前，您需要先准备好示例表 pyodps_iris，详细操作请参见 Dataframe数据处理。背景信息 在使用DataFrame时，您需要了解 Collection（DataFrame）、Sequence 和 Scalar 三类对象的操作。三类对象分别表示表结构...
表
t=o.get_table('pyodps_iris')print(t.schema['sepallength'].comment)#获取表pyodps_iris的sepallength列的备注信息 返回示例如下。片长度(cm)获取表的生命周期。t=o.get_table('pyodps_iris')print(t.lifecycle)#获取表pyodps_iris的生命...
使用ClassicLink
专有网络VPC（Virtual Private Cloud）提供ClassicLink功能，使经典网络的ECS实例可以和专有网络中的云资源通过内网互通。背景信息 ClassicLink可以实现经典网络的ECS实例访问已连接的VPC内的云资源，包括ECS实例、RDS实例、SLB实例等。VPC...
混访混挂迁移示例
本文档介绍了如何使用混挂和混访方案将经典网络迁移至专有网络。前提条件 在开始使用混挂和混访迁移方案前，请确保满足以下条件：您已经注册了阿里云账号。如还未注册，请先完成账号注册。更多信息，请参见 账号注册。您已了解该迁移方案的...
什么是网络智能服务
网络智能服务 NIS（Network Intelligence Service）是一个对网络进行健康分析、性能监控、诊断修复、流量分析和测量仿真的云服务，通过集成机器学习、知识图谱等AIOps方法减少网络使用复杂性，提供自助运维能力，方便网络架构师和运维...
创建和管理网络ACL
您可以在专有网络VPC中创建网络ACL并添加入方向和出方向规则。创建网络ACL后，您可以将网络ACL与交换机绑定，实现对交换机中的网络实例流量的访问控制。前提条件 您已经创建了专有网络VPC和交换机。具体操作，请参见 创建和管理专有网络 和...
网络拓扑概述
网络拓扑图可以清晰地展示网络中资源的连接和关系，可视化网络结构，帮助您快速了解您的云上网络架构，进行网络配置验证、网络问题排查和云网络资源统一运维。背景信息 当前阿里云上网络资源类型丰富，功能形态各异，大量网络资源分散在...
- 产品推荐
- 这些文档可能帮助您