训练模型
完成数据的标注，或提交已标注的数据后，即可在「模型中心」目录中点击「训练模型」，开始模型的训练。
按以下步骤操作，启动模型训练： 
Step 1 选择模型
选择此次训练的模型
Step 2 训练配置
部署方式
可选择「公有云部署」、「EasyEdge本地部署」。
如何选择部署方式
选择设备
- 如果您选择了「EasyEdge本地部署」，请根据实际部署设备选择
- 如果您选择了「公有云部署」，无需选择设备
选择算法
您可以根据训练的需求，选择「高精度」或「高性能」算法。不同的算法将影响训练时间、预测速度与模型准确率。
- 如果您选择了高精度的模型，模型预测准确率将更高。如果您手中的标注数据集样本较少（例如少于1000条），可选择「高精度」的算法。使用高精度的算法训练模型将会耗时更久，实验环境下1000个样本，预计在20分钟左右完成训练
- 如果您选择了高性能的模型，相同训练数据量的情况下，训练耗时更短，模型预测速度更快。使用10000条训练样本，将在15min内完成训练.同样的数据量情况下，效果比高精度的模型4-5%
「高精度」算法内置文心大模型，将大数据预训练与多源丰富知识相结合，通过持续学习技术，不断吸收海量文本数据中词汇、结构、语义等方面的新知识，实现模型效果不断进化
模型筛选指标
选择不同的模型选择方式，对应的模型各项效果指标将有所不同。如果没有特殊场景的要求，使用默认即可（兼顾Precision精确度和Recall召回率）。有以下指标可供选择：
- 模型兼顾Precision和Recall：挑选模型时，兼顾Precision精确度和Recall召回率，如场景中没有对精度或召回的特别要求，建议您使用此默认指标
- Precision最高的模型：挑选模型时，优先挑选Precision精度最高的模型作为部署模型
- Recall最多的模型：挑选模型时，优先选择召回率最高的模型作为部署模型
- ACC最大的模型：挑选模型时，优先挑选预测样本数最多的模型作为部署模型
- Loss最小的模型：挑选模型时，优先挑选预测偏差最小的模型
Step 3 添加数据
添加训练数据
- 先选择数据集，再按标签选择数据集里的文本，可从多个数据集选择文本。注意，文本分类模型至少需要选择2个及以上分类
- 训练时间与数据量大小、选择的算法、训练环境有关。在选择GPU P40、高性能的模型时，10000条训练样本，将在15min内完成训练
添加自定义测试集
上传不包含在训练集的测试数据，可获得更客观的模型效果评估结果。
添加自定义测试集的目的：
如果学生的期末考试是平时的练习题，那么学生可能通过记忆去解题，而不是通过学习的方法去做题，所以期末考试的试题应与平时作业不能一样，才能检验学生的学习成果。那么同理，AI模型的效果测试不能使用训练数据进行测试，应使用训练数据集外的数据测试，这样才能真实的反映模型效果
期末考试的内容属于学期的内容，但不一定需要完全包括所学内容。同理，测试集的标签是训练集的全集或者子集即可
Step 4 训练模型
点击「开始训练」，即可开始训练模型。
- 训练时间与数据量大小、选择的算法、训练环境有关
- 训练环境可选择GPU P40或GPU V100。其中GPU P40可以免费使用；GPU V100训练速度更快，需要付费使用，可参考价格说明
- 模型训练过程中，可以设置训练完成的短信提醒并离开页面
