吃果冻不吐果冻皮_社区达人页

2022年11月

• 11.02 16:30:13
  发表了文章 2022-11-02 16:30:13

  一个开源模型服务（model serving）指南

  当我们完成模型训练之后，我们如何处理我们的模型呢？ 模型本身没有多大价值 —— 关键在于你如何使用它们。无论是推动您的业务决策，还是为您的客户提供新功能，服务框架的作用都是让您的模型栩栩如生。
• 11.02 16:29:06
  发表了文章 2022-11-02 16:29:06

  使用 Seldon Alibi 进行模型监控

  虽然 Seldon 使在生产中部署和服务模型变得容易，但一旦部署，我们如何知道该模型是否在做正确的事情？ 训练期间的良好表现并不一定意味着在生产运行几个月后表现良好。 现实世界中发生的事情是我们无法解释的，例如：输入数据逐渐偏离训练数据，以及异常值和偏差。
• 11.02 16:27:47
  发表了文章 2022-11-02 16:27:47

  使用 Seldon Core 服务模型

  当您构建机器学习驱动的产品时，弄清楚如何弥合模型与其他一切之间的差距至关重要。 例如，也许你有一个很好的推荐模型，但在我们能够将这些推荐呈现给客户之前，这个模型并没有多大用处。 这就是模型服务的用武之地。在本文中，我们将了解如何使用 Seldon Core 为模型提供服务，这是一个为速度和大规模而构建的开源服务框架，能够一次运行 1000 多个模型。 我将讨论一些让 Seldon 在这个领域独一无二的东西，以及在你的项目中使用和反对使用它的原因。 这是关于 Seldon Core 系列的第一部分。 除了模型服务的基础知识，在以后的部分中，我们将使用 Alibi Detect 监控 Seldon

  
• 11.02 16:26:55
  发表了文章 2022-11-02 16:26:55

  数据漂移检测（二）：NLP 和 CV 中的非结构化数据（Arthur）

  注意：这是我们深入探讨数据漂移检测问题的系列文章的第二部分。 如果您还不熟悉数据漂移检测，请查看我们在表格数据的上下文中讨论数据漂移的第一部分！

  
• 11.02 16:25:36
  发表了文章 2022-11-02 16:25:36

  数据漂移检测（一）：使用表格数据的多变量漂移（Arthur）

  ：这是我们深入探讨数据漂移检测问题的系列文章中的第一篇。我们不仅探讨了为什么它是模型监控的重要组成部分，而且我们还讨论了要牢记的制度和方法。在本系列的第一部分中，我们讨论了表格数据上下文中的漂移，并描述了解决这些问题的单变量和多变量技术。在后续文章中，我们将深入研究图像和文档等非结构化数据，并讨论如何在这些更具挑战性的情况下构建数据漂移检测系统。

  
• 11.02 16:24:38
  发表了文章 2022-11-02 16:24:38

  使用 Arize 监控非结构化数据（Arize）

  为什么要 Embeddings？ 我们认为 Embeddings 是人工智能和深度学习的基础。Embeddings 是深度学习模型如何表示模型所学习的结构、映射、层次结构和流形的核心。它们将现代深度学习从transformers扩展到编码器、解码器、自动编码器、推荐引擎、矩阵分解、SVD、图神经网络和生成模型——它们无处不在。

  
• 11.02 16:23:46
  发表了文章 2022-11-02 16:23:46

  如何检测文本（NLP）和图像（计算机视觉）数据漂移

  在现实世界中，数据以各种系统和格式记录，并且不断变化。 这些变化可能会随着便携式系统的老化和机械破裂而引入噪音，或者在生产过程发生根本变化或消费者行为变化的情况下发生。 这些变化对预测的准确性有影响，因此有必要测试在模型开发过程中所做的假设在模型投入生产时是否仍然有效。

  
• 11.02 16:22:21
  发表了文章 2022-11-02 16:22:21

  在 CIFAR-10 数据集上使用最大均值差异（MMD）漂移检测器（Seldon Alibi Detect）（下）

  方法 Maximum Mean Discrepancy (MMD)检测器是一种基于核的多元2样本测试方法。MMD是基于再生核希尔伯特空间 F 中的平均嵌入\mu_{p}μ p ​ 和\mu_{q}μ q ​ 的2个分布p和q之间的基于距离的度量：
• 11.02 16:22:04
  发表了文章 2022-11-02 16:22:04

  在 CIFAR-10 数据集上使用最大均值差异（MMD）漂移检测器（Seldon Alibi Detect）（上）

  方法 Maximum Mean Discrepancy (MMD)检测器是一种基于核的多元2样本测试方法。MMD是基于再生核希尔伯特空间 F 中的平均嵌入\mu_{p}μ p ​ 和\mu_{q}μ q ​ 的2个分布p和q之间的基于距离的度量：

  
• 11.02 16:18:23
  发表了文章 2022-11-02 16:18:23

  在 IMDB 电影评论数据集上进行文本数据漂移检测（Seldon Alibi Detect）（4）

  我们使用最大均值差异（MMD）和 Kolmogorov-Smirnov (K-S) 检测器检测文本数据的漂移。 在这个示例中，我们将专注于检测协变量漂移Δp(x)\Delta p(x)Δp(x)， 因为检测预测的标签分布漂移与其他方式没有区别（在 CIFAR-10 上检查 K-S 和 MMD 漂移）。
• 11.02 16:18:12
  发表了文章 2022-11-02 16:18:12

  在 IMDB 电影评论数据集上进行文本数据漂移检测（Seldon Alibi Detect）（3）

  我们使用最大均值差异（MMD）和 Kolmogorov-Smirnov (K-S) 检测器检测文本数据的漂移。 在这个示例中，我们将专注于检测协变量漂移Δp(x)\Delta p(x)Δp(x)， 因为检测预测的标签分布漂移与其他方式没有区别（在 CIFAR-10 上检查 K-S 和 MMD 漂移）。
• 11.02 16:18:02
  发表了文章 2022-11-02 16:18:02

  在 IMDB 电影评论数据集上进行文本数据漂移检测（Seldon Alibi Detect）（2）

  我们使用最大均值差异（MMD）和 Kolmogorov-Smirnov (K-S) 检测器检测文本数据的漂移。 在这个示例中，我们将专注于检测协变量漂移Δp(x)\Delta p(x)Δp(x)， 因为检测预测的标签分布漂移与其他方式没有区别（在 CIFAR-10 上检查 K-S 和 MMD 漂移）。
• 11.02 16:17:52
  发表了文章 2022-11-02 16:17:52

  在 IMDB 电影评论数据集上进行文本数据漂移检测（Seldon Alibi Detect）（1）

  我们使用最大均值差异（MMD）和 Kolmogorov-Smirnov (K-S) 检测器检测文本数据的漂移。 在这个示例中，我们将专注于检测协变量漂移Δp(x)\Delta p(x)Δp(x)， 因为检测预测的标签分布漂移与其他方式没有区别（在 CIFAR-10 上检查 K-S 和 MMD 漂移）。
• 11.02 16:13:22
  发表了文章 2022-11-02 16:13:22

  机器学习模型监控工具：Evidently 与 Seldon Alibi 对比

  每当我们训练和部署机器学习模型时，我们都希望确保该模型在生产中表现良好。 模型需要监控，因为现实世界中发生了我们在训练期间无法解释的事情。最明显的例子是当现实世界的数据偏离训练数据时，或者当我们遇到异常值时。我们使用监控来做出决策，例如：何时重新训练或何时获取新数据。

  
• 11.02 16:12:21
  发表了文章 2022-11-02 16:12:21

  DLOps：用于深度学习的 MLOps（Valohai）

  机器学习运维 (MLOps) 刚刚成为一个被广泛认可的概念——尽管不一定被广泛理解或认同。 但是，如果您在科技领域工作了很长时间，你就会知道下一个新的缩写词已经在角落里嗡嗡响了。 DLOps 即深度学习运维，是 MLOps 的演变，旨在解决深度学习带来的独特运维挑战。 持怀疑态度的人可能会认为这是用一个新的流行词不必要地来搅浑水，但看看 DLOps 可能与 MLOps 不同的原因可能是有价值的。 为此，我们应该先看看机器学习和深度学习之间的区别。

  
• 11.02 16:10:55
  发表了文章 2022-11-02 16:10:55

  监控生产中的ML系统，您应该跟踪哪些指标？（下）

  当提到“ML监控”时，这可能意味着很多事情。您是否在跟踪服务延迟？模型精度？数据质量？点击推荐栏的访问者占比？ ‍这个博客将所有指标组织到一个框架中。这是高水平的，但我们希望一个全面的概述。如果您是ML监视的新手，并且希望快速掌握它，请继续阅读。

  
• 11.02 16:10:49
  发表了文章 2022-11-02 16:10:49

  监控生产中的ML系统，您应该跟踪哪些指标？（中）

  当提到“ML监控”时，这可能意味着很多事情。您是否在跟踪服务延迟？模型精度？数据质量？点击推荐栏的访问者占比？ ‍这个博客将所有指标组织到一个框架中。这是高水平的，但我们希望一个全面的概述。如果您是ML监视的新手，并且希望快速掌握它，请继续阅读。

  
• 11.02 16:10:42
  发表了文章 2022-11-02 16:10:42

  监控生产中的ML系统，您应该跟踪哪些指标？（上）

  当提到“ML监控”时，这可能意味着很多事情。您是否在跟踪服务延迟？模型精度？数据质量？点击推荐栏的访问者占比？ ‍这个博客将所有指标组织到一个框架中。这是高水平的，但我们希望一个全面的概述。如果您是ML监视的新手，并且希望快速掌握它，请继续阅读。

  
• 11.02 16:07:45
  发表了文章 2022-11-02 16:07:45

  你的模型隐藏了什么？ 一个评估 ML 模型的教程（Evidently）（下）

  想象一下，你训练了一个机器学习模型。 也许，有几个候选模型可供选择。 您在测试集上运行它们并获得了一些质量估计。 模型没有过拟合。 特征是有意义的。 总体而言，鉴于手头的数据有限，它们的表现尽他们所能。 现在，是时候决定它们中的任何一个是否足以用于生产用途。 除了标准性能检查之外，如何评估和比较您的模型？ 在本教程中，我们将通过一个示例详细介绍如何评估您的模型。

  
• 11.02 16:07:29
  发表了文章 2022-11-02 16:07:29

  你的模型隐藏了什么？ 一个评估 ML 模型的教程（Evidently）（上）

  想象一下，你训练了一个机器学习模型。 也许，有几个候选模型可供选择。 您在测试集上运行它们并获得了一些质量估计。 模型没有过拟合。 特征是有意义的。 总体而言，鉴于手头的数据有限，它们的表现尽他们所能。 现在，是时候决定它们中的任何一个是否足以用于生产用途。 除了标准性能检查之外，如何评估和比较您的模型？ 在本教程中，我们将通过一个示例详细介绍如何评估您的模型。

  
• 11.02 16:03:42
  发表了文章 2022-11-02 16:03:42

  如何在 20 天内损坏一个模型？ 一个生产环境模型分析教程（Evidently）（下）

  假设您训练了一个预测模型，并将其发布到生产环境。 现在，您依靠它来做出业务决策。您必须维护、重新训练并密切关注您的模型。 它会出现什么问题，以及如何跟踪？ 让我们来看一个例子。这是一个关于我们如何训练模型、模拟生产环境使用并分析其逐渐退化的故事。

  
• 11.02 16:03:12
  发表了文章 2022-11-02 16:03:12

  如何在 20 天内损坏一个模型？ 一个生产环境模型分析教程（Evidently）（上）

  假设您训练了一个预测模型，并将其发布到生产环境。 现在，您依靠它来做出业务决策。您必须维护、重新训练并密切关注您的模型。 它会出现什么问题，以及如何跟踪？ 让我们来看一个例子。这是一个关于我们如何训练模型、模拟生产环境使用并分析其逐渐退化的故事。

  
• 11.02 16:00:01
  发表了文章 2022-11-02 16:00:01

  如何检测、评估和可视化数据中的历史漂移（Evidently）

  您可以查看数据中的历史漂移，以了解您的数据如何变化并选择监控阈值。 这是一个带有 Evidently、Plotly、Mlflow 和一些 Python 代码的示例。

  
• 11.02 15:55:17
  发表了文章 2022-11-02 15:55:17

  ML 模型再训练无法解决的问题（mona）

  信任人工智能系统并不容易。考虑到机器学习模型可能失败的各种边缘情况，以及对其预测背后的流程缺乏可见性，以及难以将其输出与下游业务结果相关联，难怪企业领导者经常对人工智能持有一些怀疑态度。

  
• 11.02 15:54:03
  发表了文章 2022-11-02 15:54:03

  评估ML监控解决方案时要避免的常见陷阱（mona）

  机器学习运营 (MLOps) 是目前最热门的创业投资领域之一，因为虽然构建机器学习模型的最佳实践相对容易理解，但大量创新正被投入到设计方法以最佳地将它们用于生产环境。 MLOps 类别中最主要的是 ML 监控。 了解 ML 监控工具的前景可能令人懊恼、耗时，而且很容易令人困惑。 我们撰写本文的目的是绘制其制图图，并希望借此阐明选择适当监控解决方案的一些常见陷阱，从而为混乱带来秩序。

  
• 11.02 15:52:57
  发表了文章 2022-11-02 15:52:57

  数据漂移、概念漂移以及如何监控它们（mona）

  在机器学习模型监控的上下文中经常提到数据和概念漂移，但它们到底是什么以及如何检测到它们？此外，考虑到围绕它们的常见误解，是不惜一切代价避免数据和概念漂移的事情，还是在生产中训练模型的自然和可接受的后果？请仔细阅读，找出答案。在本文中，我们将提供模型漂移的细粒度细分，以及检测它们的方法以及处理它们时的最佳实践。

  
• 11.02 15:51:49
  发表了文章 2022-11-02 15:51:49

  可解释的监控：停止盲目行动并监控您的 AI

  对 AI/ML 监控的需求 我们生活在一个前所未有的时代，在短短几周内，全球许多人和企业的情况发生了巨大变化。随着 COVID-19 在全球蔓延并夺走人类生命，我们看到失业率和小企业破产数量创历史新高。

  
• 11.02 15:50:43
  发表了文章 2022-11-02 15:50:43

  监控模型在监控模型在生产环境的性能（Arize）

  随着机器学习基础设施的成熟，对模型监控的需求激增。不幸的是，这种不断增长的需求并没有形成一个万无一失的剧本，向团队解释如何来衡量模型的性能。

  
• 11.02 15:49:15
  发表了文章 2022-11-02 15:49:15

  机器学习模型监控的 9 个技巧

  机器学习 (ML) 模型是非常敏感的软件；它们的成功使用需要仔细监控以确保它们正常工作。 当使用所述模型的输出自动做出业务决策时尤其如此。这意味着有缺陷的模型通常会对最终客户体验产生真正的影响。
• 11.02 15:48:11
  发表了文章 2022-11-02 15:48:11

  如何检测和克服MLOps中的模型漂移

  机器学习 (ML) 被广泛认为是数字化转型的基石，但 ML 模型最容易受到数字环境变化动态的影响。 ML 模型由创建它们的时间段内可用的变量和参数定义和优化。
• 11.02 15:44:49
  发表了文章 2022-11-02 15:44:49

  机器学习模型监控清单

  一旦在生产环境中部署了机器学习模型，就需要确保它的性能。在本文中，我们建议如何监视您的模型和要使用的开源工具。 建立机器学习模型并不容易。在生产环境中部署服务更加困难。但即使你成功地将所有流水线连接在一起，事情也不会就此停止。

  
• 11.02 15:43:39
  发表了文章 2022-11-02 15:43:39

  MLOps：模型监控

  使用模型度量堆栈进行模型监视，对于将已部署的ML模型的反馈回路放回模型构建阶段至关重要，这样ML模型可以在不同的场景下不断改进自己。

  
• 11.02 15:42:34
  发表了文章 2022-11-02 15:42:34

  特定领域的机器学习监控

  要检测到您的机器学习服务没有按预期运行，通常可以创建特定于您的产品的自定义指标。我将向您提出两个有助于设计此类指标的问题：

  
• 11.02 15:36:11
  发表了文章 2022-11-02 15:36:11

  模型监控：定义、重要性和最佳实践（AI Multiple）

  正如我们在文章(机器学习生命周期)中指出的那样，MLOps 系统的生命周期包括各种过程，尽管付出了所有努力和时间，但不能保证创建有效的 MLOps。 据麦肯锡称，只有 36% 的公司可以部署 MLOps。 如果模型部署过程成功，则可以开始 ML 过程生命周期中最长的周期，即模型监控。

  
• 11.02 15:34:35
  发表了文章 2022-11-02 15:34:35

  ML 模型监控最佳工具（下）

  如果您迟早将模型部署到生产环境，那么您将开始寻找 ML 模型监控工具。 当您的 ML 模型影响业务时，您只需要了解“事物是如何工作的”。 当事物停止工作时，你真正感受到这一点的第一刻。如果没有设置模型监控，您可能不知道哪里出了问题以及从哪里开始寻找问题和解决方案。

  
• 11.02 15:34:04
  发表了文章 2022-11-02 15:34:04

  ML 模型监控最佳工具（上）

  如果您迟早将模型部署到生产环境，那么您将开始寻找 ML 模型监控工具。 当您的 ML 模型影响业务时，您只需要了解“事物是如何工作的”。 当事物停止工作时，你真正感受到这一点的第一刻。如果没有设置模型监控，您可能不知道哪里出了问题以及从哪里开始寻找问题和解决方案。

  
• 11.02 12:53:00
  发表了文章 2022-11-02 12:53:00

  什么是模型监控？（Valohai）

  型监控是指密切跟踪机器学习模型在生产中的性能的过程。 它使您的 AI 团队能够识别和消除各种问题，包括糟糕的质量预测和糟糕的技术性能。 因此，您的机器学习模型可提供最佳性能。 有效地监控模型对于使您的机器学习服务获得成功非常重要。 它使您能够在现实世界中产生重大影响。 但是在监控模型时应该跟踪什么？ 在这篇文章中，您将找到所有详细信息。

  
• 11.02 12:52:19
  发表了文章 2022-11-02 12:52:19

  机器学习模型可视化的最佳工具（Neptune）

  “每个模型都是错误的，但有些模型是有用的”，这句话在机器学习中尤其适用。在开发机器学习模型时，您应该始终了解它在哪里按预期工作以及在哪里失败。 您可以使用许多方法来获得这种理解：

  
• 11.02 12:51:30
  发表了文章 2022-11-02 12:51:30

  Kubernetes自测题（四）-存储部分

  简述 Kubernetes 共享存储的作用？ Kubernetes对于有状态的容器应用或者对数据需要持久化的应用，需要更加可靠的存储来保存应用产生的重要数据，以便容器应用在重建之后仍然可以使用之前的数据。因此，需要使用共享存储
• 11.02 12:50:57
  发表了文章 2022-11-02 12:50:57

  Kubernetes自测题（三）-网络部分

  简述Kubernetes网络模型？ Kubernetes网络模型中每个Pod都拥有一个独立的IP地址，并假定所有Pod都在一个可以直接连通的、扁平的网络空间中。所以不管它们是否运行在同一个Node（宿主机）中，都要求它们可以直接通过对方的IP进行访问。
• 11.02 12:48:47
  发表了文章 2022-11-02 12:48:47

  Kubernetes自测题（二）-资源对象部分

  Deployment 简述 Kubernetes Deployment 升级过程？ 初始创建Deployment时，系统创建了一个ReplicaSet，并按用户的需求创建了对应数量的Pod副本。
• 11.02 12:48:08
  发表了文章 2022-11-02 12:48:08

  无代码平台如何为中小型企业带来人工智能

  正如 Windows 的可点击图标取代了晦涩难懂的 DOS 命令一样，新的“无代码”平台正在用简单的拖放界面取代编程语言。 这意味着以前对小公司来说过于劳动密集和昂贵的技术，如人工智能，现在越来越触手可及——这只是一个找到合适项目的问题。 公司应该在无代码平台中寻找三件事：它需要一个简单的界面，可以轻松地将数据导入进行模型训练过程； 它需要自动化模型选择和训练，这些任务通常由数据科学家执行； 它需要简单且易于与现有流程一起部署。 为特定公司找到合适的模型可能需要一些反复试验。 好消息是这个最好的平台是开放的，这意味着用户可以在相关任务上使用平台进行试验，看看它们的表现如何。
• 11.02 12:47:41
  发表了文章 2022-11-02 12:47:41

  如何规模化企业人工智能（Noogata）

  AutoML 面临的挑战 对于任何拥有内部数据科学家团队并希望开发 AI/ML 模型的组织来说，AutoML 平台都是一个诱人的提议。这些平台提供了一个丰富的沙箱来加速专有 AI/ML 模型的开发。然而，另类的方法现在使 AI/ML 更易于部署，并且可供几乎没有技术专长的业务用户直接访问。
• 11.02 12:47:15
  发表了文章 2022-11-02 12:47:15

  无代码 AI 工具的类型（NoCode.ai）

  在这篇文章中，我想分解不同的无代码 AI 工具类型及其用途。

  
• 11.02 12:46:34
  发表了文章 2022-11-02 12:46:34

  无代码人工智能平台：成功的基石（Noogata）

  随着公司寻求加速数字化转型，人工智能和机器学习自然而然地在其技术优先事项中排名靠前。 AI 和 ML 为处理“大数据”提供了重要工具。因此，随着组织继续收集更多种类的数据，以更高的速度生成并以更大的容量存储，他们自然会转向人工智能来扩展对这些信息的分析。 然而，一个主要障碍阻碍了大多数组织部署人工智能：开发模型和解决方案所需的技能很难获得。这使得专有开发不仅成本高昂，而且耗时。即使对于那些能够负担得起内部开发人员团队的人来说，要确保业务主管（他们了解他们希望从分析中获得什么）和数据科学家（他们知道如何开发和操作 AI 模型）保持一致也不是一件容易的事。沟通不畅增加了进一步的拖延和复杂性。
• 11.02 12:45:59
  发表了文章 2022-11-02 12:45:59

  识别人工智能用户场景---一种规格并不适用于所有场景（Noogata）

  人工智能已经成为主流。各种类型和规模的企业都充分意识到人工智能可以释放巨大的价值，但对于非数据原生组织来说，这一说法似乎仍然相当模糊。这意味着什么？他们是如何获得这个价值的？在之前的博客中，我们的首席执行官 Assaf Egozi 谈到了如何在组织内使用 AI 以及一些好处。但现在是时候具体化了——单个组织如何缩小选择范围以找到最佳用户场景？ Noogata 运营副总裁 Roni Lieber 概述了她用来帮助客户导航其选项的方法。
• 11.02 12:45:17
  发表了文章 2022-11-02 12:45:17

  我们为什么创建无代码 AI 平台 Noogata

  在企业中从人工智能和数据中交付有意义的结果是很困难的。 它需要大量的硬数据科学和工程技能才能开始。 但一定要这样吗？ 在 Noogata，我们不这么认为。 我们相信，通过一种新方法，我们可以让 AI 和数据更容易获得，并且对于希望快速取得成果的企业来说更实用。 我们知道，企业需要在所有业务功能中推广人工智能——这是商业智能的下一次发展。 但是内部数据科学团队在技能和能力方面永远无法支持这所需的规模。 这需要一种新的方法，我们正在采取这种方法。 我想在这里分享一下为什么我们相信市场已经准备好采用一种新的方式来大规模兑现人工智能的承诺——以及发展我们方法的想法。
• 11.02 12:19:07
  发表了文章 2022-11-02 12:19:07

  无代码人工智能：它是什么，它为什么重要？（Noogata）

  什么是无代码 AI，为什么它很重要？ 如今，大多数企业都在考虑如何变得更加以数据为驱动力，并更好地利用可用的大量数据来做出更有力的决策。关键是如何使用人工智能 (AI) 和机器学习 (ML) 来促进这一点。 NewVantage Partners 和 Appian 的报告显示，高管们对人工智能的潜在影响持积极态度，并致力于识别用户场景和潜在的人工智能解决方案。 然而，虽然 AI 和 ML 将从根本上改变许多业务流程，但利用 AI 的力量可能是缓慢、复杂和昂贵的，需要数据科学团队来构建它，并需要数据科学家来使用它。
• 11.02 12:17:57
  发表了文章 2022-11-02 12:17:57

  可视化机器学习实验指标和超参数的最佳工具（Neptune）

  根据关键指标评估模型是了解模型质量的关键第一步。 跟踪超参数和相应的评估指标很重要，因为超参数的微小变化有时会对模型质量产生很大影响。 因此，了解哪些超参数有影响，哪些不影响评估指标可以带来有价值的见解。 这就是为什么您应该可视化这些参数对您的指标的影响，并了解您在所有 ML 实验中的模型性能如何。 为了帮助您，我收集了一份推荐工具列表，这些工具将为您完成繁琐的工作。 以下是可视化机器学习实验指标和超参数的六种工具。