人工智能平台PAI

EasyNLP提供多种模型的训练及预测功能，旨在帮助自然语言开发者方便快捷地构建模型并应用于生产。本文以文本分类为例，为您介绍如何在PAI-DSW中基于EasyNLP快速使用RoBERTa进行中文文本多分类模型的训练、评估、预测。

EasyNLP提供多种模型的训练及预测功能，旨在帮助自然语言开发者方便快捷地构建模型并应用于生产。本文以机器阅读理解任务为例，为您介绍如何在PAI-DSW中基于EasyNLP快速使用MacBERT进行中文机器阅读理解模型的训练、推理。

EasyNLP提供多种模型的训练及预测功能，旨在帮助自然语言开发者方便快捷地构建模型并应用于生产。本文以机器阅读理解为例，为您介绍如何在PAI-DSW中基于EasyNLP快速使用BERT进行英文机器阅读理解模型的训练、推理。

EasyNLP提供多种模型的训练及预测功能，旨在帮助自然语言开发者方便快捷地构建模型并应用于生产。本文以文本分类为例，为您介绍如何在PAI-DSW中基于EasyNLP快速使用BERT进行文本分类模型的训练、推理。

EasyCV是基于Pytorch，以自监督学习和Transformer技术为核心的 all-in-one 视觉算法建模工具，并包含图像分类，度量学习，目标检测，姿态识别等视觉任务的SOTA算法。本文以YOLOX模型图像检测为例，为您介绍如何在PAI-DSW中使用EasyCV。

EasyCV是基于Pytorch，以自监督学习和Transformer技术为核心的 all-in-one 视觉算法建模工具，并包含图像分类，度量学习，目标检测，姿态识别等视觉任务的SOTA算法。本文以图像分类为例，为您介绍如何在PAI-DSW中使用EasyCV。

XGBoost作为机器学习领域的一款经典的Boosting算法，深受学界和工业界的推崇。其中很重要的一点就是它具有优秀的鲁棒性，并且在工程实现上面进行了大量的优化，在模型的复杂度和性能之间取得了很好的平衡。

本文以KNN模型为例子，介绍了如何使用sklearn中的方法进行模型的训练，超参数的自动化调优以及如何对数据进行降维等等。

Numpy是数值计算中使用非常广泛的一个工具包，可以进行高纬度空间内部的矩阵运算。本文以CNN为例子，使用Numpy来实现CNN网络的前向传递和反向传递逻辑。对于了解CNN网络的细节以及学习如何使用Numpy都很有帮助。

阿里云OSS是一款海量、安全、低成本、高可靠的云存储服务。您可以使用阿里云提供的API、SDK接口或者OSS迁移工具轻松地将海量数据移入或移出阿里云OSS。

PAIIO是针对TensorFlow任务读取ODPS Table数据专门开发的模块，提供了TableRecordDataset dataset。

COMMON_IO模块提供了TableReader和TableWriter两个接口，使用TableReader可以读取ODPS Table中的数据，使用TableWriter可以将数据写入ODPS Table。

特征平台是专门用来存储，共享，管理机器学习模型特征的存储库。特征平台可以方便的向多人、多团队共享特征，提供安全，高效且统一的存储，保证离线在线的一致性。

DSW提供完善的实例管理、资源管理、权限管理等功能，助力企业或团队，完成多人协作的开发工作。

PAI-DSW产品针对用户的不同场景提供灵活的计费方式，目前支持个人版按量付费和预付费专有资源组包年包月两种计费方式，本文详细介绍这两种计费方式，用户可以根据业务的特点进行选择。

PAI-DSW是一款云端机器学习开发IDE，为您提供交互式编程环境，适用于不同水平的开发者。本文介绍在控制台如何管理使用DSW实例，包括如何创建，停止，启动，以及设置定时关机等操作。

EasyCV是基于Pytorch，以自监督学习和Transformer技术为核心的 all-in-one 视觉算法建模工具，并包含图像分类，度量学习，目标检测，姿态识别等视觉任务的SOTA算法。本文以图像分类为例，为您介绍如何在PAI-DSW中使用EasyCV。

Python是目前当之无愧的数据分析第一语言，大量的数据科学家使用Python来完成各种各样的数据科学任务。本文以Kaggle竞赛中的房价预测为例，结合JupyterLab Notebook，完成数据加载、数据探索、数据可视化、数据清洗、特征分析、特征处理、机器学习、回归预测等步骤，主要Python工具是Pandas和SKLearn。本文中仅仅使用了线性回归这一最基本的机器学习模型，读者可以自行尝试其他更加复杂模型，比如随机森林、支持向量机、XGBoost等。

Hugging Face是一个流行的预训练模型库，包括NLP、CV、Audio等模型，在国内外广为流传。本文介绍如何在DSW中使用Hugging Face Python SDK完成基本的任务，包括使用pipeline对象做预测，以及用Model对象实现FineTune。特别的，我们选取中英文翻译预训练模型来演示，让大家有更加直观的印象。

阿里云AI技术分享会第四期《大规模稀疏模型演进与DeepRec》将在2022年09月21日晚18：00开启直播，精彩不容错过！

本文介绍如何结合AI工作空间开通PAI-DSW并为阿里云子账号授权进行使用。

PAI-DSW是一款为AI开发者量身定制的云端机器学习交互式开发IDE，随时随地开启Notebook快速读取数据、开发算法、训练及部署模型。本文介绍如何快速上手PAI-DSW。

强强联合，突破 AI 蛋白质预测模型推理性能瓶颈，支持最高 6.6k 长氨基酸序列蛋白质的预测计算，达到目前已知最优推理效果。

阿里灵杰大数据AI一体化平台提供全流程的开发和运维服务。尤其在模型训练和推理性能、大数据与AI工程能力方面，凭借技术领先性和丰富落地实践，成为区别传统AI集群的独特优势所在。

大数据&AI产品技术月刊（2022年8月），涵盖本月技术速递、产品和功能发布、市场和客户应用实践等内容，帮助您快速了解阿里云大数据&AI方面最新动态。

基于 Flink & DeepRec 构建 Online Deep Learning专场的直播回放和PPT下载

大数据&AI产品技术月刊（2022年7月），涵盖本月技术速递、产品和功能发布、市场和客户应用实践等内容，帮助您快速了解阿里云大数据&AI方面最新动态。

日前，国际权威研究机构 Gartner 连续发布两份 AI 领域研究报告，阿里云机器学习平台 PAI 蝉联上榜。

凭借达摩院领先的AI算法和阿里云丰富的产品体系，继2021年入围远见者象限之后，阿里云进一步跃升至挑战者象限，且成为报告中执行能力最强的中国企业。

阿里云AI技术分享会第一期《主流视觉算法介绍及在PAI上的应用》将在2022年06月30日开启直播，精彩不容错过！

在BladeDISC正式开源三个月后，我们发布了0.2.0版本，该更新包含了大量的性能优化与功能增强。

自监督学习（Self-Supervised Learning）能利用大量无标注的数据进行表征学习，然后在特定下游任务上对参数进行微调。通过这样的方式，能够在较少有标注数据上取得优于有监督学习方法的精度。近年来，自监督学习受到了越来越多的关注，如Yann Lecun也在 AAAI 上讲 Self-Supervised Learning 是未来的大势所趋。在CV领域涌现了如SwAV、MOCO、DINO、MoBY等一系列工作。MAE是kaiming继MOCO之后在自监督学习领域的又一力作。首先，本文会对MAE进行解读，然后基于EasyCV库的精度复现过程及其中遇到的一些问题作出解答。

近年来，随着稀疏模型对算力日益增长的需求, CPU集群必须不断扩大集群规模来满足训练的时效需求，这同时也带来了不断上升的资源成本以及实验的调试成本。