快速入门 · 2020. 9. 19. · ModelArts 快速入门文档版本 01 发布日期 2020-09-17...

ModelArts

快速入门

文档版本 01

发布日期 2020-10-15

华为技术有限公司

版权所有 © 华为技术有限公司 2020。保留一切权利。

非经本公司书面许可，任何单位和个人不得擅自摘抄、复制本文档内容的部分或全部，并不得以任何形式传播。商标声明

和其他华为商标均为华为技术有限公司的商标。本文档提及的其他所有商标或注册商标，由各自的所有人拥有。注意

您购买的产品、服务或特性等应受华为公司商业合同和条款的约束，本文档中描述的全部或部分产品、服务或特性可能不在您的购买或使用范围之内。除非合同另有约定，华为公司对本文档内容不做任何明示或默示的声明或保证。

由于产品版本升级或其他原因，本文档内容会不定期进行更新。除非另有约定，本文档仅作为使用指导，本文档中的所有陈述、信息和建议不构成任何明示或暗示的担保。

华为技术有限公司地址：深圳市龙岗区坂田华为总部办公楼邮编：518129

网址： https://www.huawei.com

客户服务邮箱： [email protected]

客户服务电话： 4008302118

文档版本 01 (2020-10-15) 版权所有 © 华为技术有限公司 i

https://www.huawei.com

mailto:[email protected]

目录

1 ModelArts 使用简介..................................................................................................................1

2 业务开发者：使用自动学习构建模型....................................................................................... 2

3 AI 初学者：使用预置算法构建模型.......................................................................................... 8

4 AI 工程师：AI 全流程开发...................................................................................................... 174.1 使用 MXNet 构建模型...........................................................................................................................................................174.2 使用 Notebook 构建模型..................................................................................................................................................... 244.3 使用 PyCharm ToolKit 训练模型........................................................................................................................................28

ModelArts快速入门目录

文档版本 01 (2020-10-15) 版权所有 © 华为技术有限公司 ii

1 ModelArts 使用简介

ModelArts是面向AI开发者的一站式开发平台，通过AI开发全流程管理助您智能、高效地创建AI模型和一键部署到云、边、端。

ModelArts不仅支持自动学习功能，还预置了多种已训练好的模型，同时集成了Jupyter Notebook，提供在线的代码开发环境。

根据经验选择您的使用方式● 如果您是业务开发者，没有AI开发经验，您可以使用ModelArts的自动学习功能，

进行零基础构建AI模型，详细介绍请参见业务开发者：使用自动学习构建模型。

● 如果您是AI初学者，有一定AI基础，您可以使用自己的业务数据对ModelArts预置算法进行重训练，从而得到新模型，详细介绍请参见AI初学者：使用预置算法构建模型。

● 如果您是AI工程师，熟悉代码编写和调测，您可以使用ModelArts提供的在线代码开发环境，编写训练代码进行AI模型的开发，详细介绍请参见使用MXNet构建模型和使用Notebook构建模型。如果您更习惯使用本地PyCharm工具开发模型，建议可参考使用PyCharm ToolKit训练模型，安装ModelArts ToolKit工具，在本地完成代码开发后，将代码提交至ModelArts公有云端进行训练和推理。

ModelArts快速入门 1 ModelArts 使用简介

文档版本 01 (2020-10-15) 版权所有 © 华为技术有限公司 1

2 业务开发者：使用自动学习构建模型

针对业务开发者，ModelArts提供了自动学习功能，无需关注模型开发、参数调整等开发细节，仅需三步（数据标注、自动训练、部署上线），即可完成一个AI开发项目。

本章节提供了一个“找云宝”样例（“云宝”是华为云的吉祥物），帮助您快速熟悉ModelArts自动学习的使用过程。此样例为“物体检测”类别项目，通过预置的云宝图像数据集，自动训练并生成检测模型，同时将生成的模型部署为在线服务。部署完成后，用户可通过在线服务识别输入图片是否包含云宝。

开始使用样例前，请仔细阅读准备工作罗列的要求，提前完成准备工作。使用自动学习功能完成模型构建的步骤如下所示：

● 步骤1：准备数据

● 步骤2：创建物体检测项目

● 步骤3：数据标注

● 步骤4：自动训练，生成模型

● 步骤5：将模型部署上线为在线服务

● 步骤6：测试服务

准备工作● 已注册华为云账号，且在使用ModelArts前检查账号状态，账号不能处于欠费或冻

结状态。

● 当前账号已完成访问授权的配置。如未完成，请参考使用委托授权。针对之前使用访问密钥授权的用户，建议清空授权，然后使用委托进行授权。

● 创建OBS桶和文件夹的操作指导请参见创建桶和新建文件夹。为保证数据能正常访问，请务必保证创建的OBS桶与ModelArts在同一区域。

● 由于创建自动学习项目需要使用数据管理功能，在开始使用前，需为数据管理模块获取访问OBS权限。

在ModelArts管理控制台，进入“数据管理 > 数据集”页面，单击“服务授权”，由具备授权的账号“同意授权”后，即可正常使用。如果使用“账号”登录，可直接在弹出对话框中同意授权。如果使用“IAM用户”（即子账号）登录，需主账号或具备Admin权限的用户进行授权操作。

步骤 1：准备数据

ModelArts在公共OBS桶中提供了云宝的示例数据集，命名为“Yunbao-Data-Custom”，因此，本文的操作示例使用此数据集进行模型构建。您需要执行如下操

ModelArts快速入门 2 业务开发者：使用自动学习构建模型


https://support.huaweicloud.com/prepare-modelarts/modelarts_08_0007.html

https://support.huaweicloud.com/usermanual-obs/obs_03_0306.html


作，将数据集上传至您的OBS目录下，即准备工作中您创建的OBS目录“test-modelarts/dataset-yunbao”。

如果您想使用自己的数据集，可跳过此步骤，直接将数据上传至OBS文件夹中，并在步骤2：创建物体检测项目操作中直接选择此目录即可。

1. 单击数据集下载链接，将“Yunbao-Data-Custom”数据集下载至本地。

2. 在本地，将“Yunbao-Data-Custom.zip”压缩包解压。例如，解压至本地“Yunbao-Data-Custom”文件夹下。

3. 参考上传文件，使用批量上传方式将“Yunbao-Data-Custom”文件夹下的所有文件上传至“test-modelarts/dataset-yunbao”OBS路径下。

获取的数据集分为2个子目录，分别为“eval”和“train”。“train”存储的数据用于模型训练，“eval”存储的数据可用于模型的预测。

步骤 2：创建物体检测项目

1. 在ModelArts管理控制台，单击左侧导航栏“自动学习”。

2. 在“物体检测”方框中单击“创建项目”，在“创建物体检测项目”页面中，填写“项目名称”、“数据集名称”，选择“数据集输入位置”，云宝数据集OBS路径为“/test-modelarts/dataset-yunbao/train/”。“数据集输出位置”选择一个空目录。

说明

云宝数据集有“eval”和“train”两个目录，请选择“train”目录下的数据进行训练，如果选择“train”的上层目录，会提示“OBS存在非法数据的错误”，导致无法创建项目。

图 2-1 创建物体检测项目

3. 单击“创建项目”，完成物体检测项目创建。项目创建成功后，页面自动跳转至“自动学习 > 数据标注”页面，并自动执行数据源同步操作。



https://modelarts-cnnorth1-market-dataset.obs.cn-north-1.myhuaweicloud.com/dataset-market/Yunbao-Data-Custom/archiver/Yunbao-Data-Custom.zip


步骤 3：数据标注

数据标注，针对物体检测项目，即在已有数据集图像中，标注出物体位置，并为其打上标签。标注好的数据用于模型训练。云宝数据集中，已标注部分数据，还有部分数据未标注，您可以选择未标注数据进行试用。

自动学习项目创建时，会自动执行数据源同步操作。由于数据源同步需要一定时间，如果出现同步失败，可单击“同步数据源”手动执行。

1. 在“自动学习 > 数据标注”页面单击“未标注”页签，此页面展示所有未标注的图片数据。单击任意一张图片，进入图片标注界面。

2. 用鼠标框选图片中的云宝所在区域，然后在弹出的对话框中输入标签名称，例如此示例中的“yunbao”，按“Enter”键完成此图片的添加。标注完成后，左侧图片目录中此图片的状态将显示为“已标注”。

您可以在下方图片目录中，选择其他图片，重复上述操作继续进行图片标注。如果一张图片有多个云宝，您可以标注多处。建议将数据集中所有图片都标注完成，这样能得到一个效果比较好的模型。

图 2-2 物体检测图片标注

3. 当图片目录中所有图片都完成标注后，单击左上角“自动学习”，在弹出的对话框中单击“确定”保存标注信息，页面进入数据标注页面。您可以在“已标注”页签下查看已完成标注的图片，并通过右侧的标签信息，了解当前已完成的标签名称和标签数量。

步骤 4：自动训练，生成模型

1. 完成数据标注后，在“数据标注”页面，单击右上角的“开始训练”，然后在弹出的“训练设置”对话框中配置相关参数，参考图2-3填写相关参数。



图 2-3 设置训练参数

2. 单击“下一步”进入配置页，确认规格后单击“提交”开始模型的自动训练。训练时间相对较长，建议您耐心等待。如果关闭或退出此页面，系统仍然在执行训练操作。

训练完成后，您可以在界面中查看训练详情，如“准确率”、“评估结果”、“训练参数”、“分类统计表”等

图 2-4 开始模型训练

步骤 5：将模型部署上线为在线服务

1. 在“模型训练”页签中，待训练状态变为“已完成”，单击“版本管理”区域中的“部署”。



图 2-5 开始部署上线

2. 在弹出的部署设置对话框中，选择“计算节点规格”，设置“自动停止”功能，单击“确定”开始将物体检测模型部署上线为在线服务。

如果选择免费规格，则不需要设置“自动停止”功能，1小时之后自动停止。

图 2-6 部署设置

3. 启动部署上线后，系统自动跳转至部署上线页面。此页面将呈现模型部署上线的进度和状态。

部署上线将耗费较多时间，请您耐心等待。部署完成后，版本管理区域的状态将变更为“运行中”。

图 2-7 部署成功

步骤 6：测试服务

模型部署完成后，您可添加图片进行测试。

1. 在“部署上线”界面，选择状态为“运行中”的服务版本，在“服务测试”区域单击“上传”。



图 2-8 上传图片

2. 从本地环境选择一张图片，此图片中包含云宝。然后单击“预测”进行测试。

预测完成后，右侧“预测结果”区域输出标签名称“yunbao”，以及位置坐标和检测的评分。预测结果中，“detection_boxes”表示物体所在位置坐标，“detection_scores”表示检测评分，表示坐标内图像是云宝的概览评分。

如模型准确率不满足预期，可在“数据标注”步骤中添加图片并进行标注，重新进行模型训练及部署上线。

说明

由于“运行中”的在线服务将持续耗费资源，如果不需再使用此在线服务，建议在版本管理区域，单击“停止”，即可停止在线服务的部署，避免产生不必要的费用。如果需要继续使用此云宝检测的服务，可单击“启用”恢复。

图 2-9 测试结果



3 AI 初学者：使用预置算法构建模型

针对有一定AI基础的AI初学者，ModelArts基于业界的主流引擎提供了预置算法，无需关注模型开发过程，直接使用预置算法对已有数据进行训练，并快速部署为服务。预置算法可用于物体类别和位置、图像分类等场景。

本章节提供了一个花卉图像分类应用的样例，帮助您快速熟悉使用ModelArts预置算法构建模型的过程。此样例针对预置的花卉图像数据集，对已有图像数据进行标注，然后使用预置的“ResNet_v1_50”算法对数据进行训练，得到一个可用的模型，最后，将此模型部署为在线服务。部署完成后，用户可通过在线服务识别输入图片的花卉种类。

开始使用样例前，请仔细阅读准备工作罗列的要求，提前完成准备工作。使用预置算法完成模型构建的步骤如下所示：


● 步骤2：训练模型

● 步骤3：（可选）创建可视化作业，查看模型训练过程

● 步骤4：导入模型

● 步骤5：部署上线


● 步骤7：清除相应资源，避免产生费用


结状态。


● 已在OBS服务中创建桶和文件夹，用于存放样例数据集以及模型。如下示例中，请创建命名为“test-modelarts”的桶，并创建如表3-1所示的文件夹。

创建OBS桶和文件夹的操作指导请参见创建桶和新建文件夹。确保您使用的OBS目录与ModelArts在同一区域。

ModelArts快速入门 3 AI 初学者：使用预置算法构建模型





表 3-1 文件夹列表

文件夹名称用途

“dataset-flowers” 用于存储数据集。

“model-test” 用于存储训练输出的模型和预测文件。

“train-log” 用于存储训练作业的日志。


ModelArts在公共OBS桶中提供了花卉的示例数据集，命名为“Flowers-Data-Set”，因此，本文的操作示例使用此数据集进行模型构建。您需要执行如下操作，将数据集上传至您的OBS目录下，即准备工作中您创建的OBS目录“test-modelarts/dataset-flowers”。

说明

● 由于“Flowers-Data-Set”数据集已完成数据标注，数据集中文件格式为“.txt”是对应图片的标注文件，因此在此操作步骤中忽略了数据标注操作。

● 如果您想使用自己的数据集，可跳过此步骤，直接将数据上传至OBS文件夹中，并在步骤2：训练模型操作中直接选择此目录即可。如果您使用的数据集未进行标注，在创建训练作业前请在“数据管理>数据集”页面创建数据集并进行人工标注。

1. 单击数据集下载链接，将“Flowers-Data-Set”数据集下载至本地。

2. 在本地，将“Flowers-Data-Set.zip”压缩包解压。例如，解压至本地“Flowers-Data-Set”文件夹下。

3. 参考上传文件，使用批量上传方式将“Flowers-Data-Set”文件夹下的所有文件上传至“test-modelarts/dataset-flowers”OBS路径下。

步骤 2：训练模型

数据准备完成后，您可以创建一个训练作业，选用预置算法“ResNet_v1_50”，并最终生成一个可用的模型。

“ResNet_v1_50”算法基于“TensorFlow, TF-1.8.0-python2.7”引擎，其用途为图像分类。如果您想获取更多预置算法的介绍，您可以在“训练作业”页面中，单击“预置算法”页签，了解ModelArts提供的算法信息，如用途、引擎类型、精度等。

1. 在ModelArts管理控制台，在左侧导航栏中选择“训练管理>训练作业”，进入“训练作业”管理页面。

2. 单击“创建”，进入“创建训练作业”页面。

3. 在“创建训练作业”页面，填写相关信息，参数填写指导请参见如下步骤。

a. 在基本信息区域，“计费模式”和“版本”为系统自动生成，不需修改。请根据界面提示填写“名称”和“描述”。



https://modelarts-cnnorth1-market-dataset.obs.cn-north-1.myhuaweicloud.com/dataset-market/Flowers-Data-Set/archiver/Flowers-Data-Set.zip


图 3-1 填写名称和描述

b. 在参数配置区域，选择“算法来源”，设置“数据来源”、“训练输出位置”、“运行参数”和“作业日志路径”。

▪ “算法来源”：单击“选择”，从“预置算法”列表中，选择“ResNet_v1_50”算法。

▪ “数据来源”：由于导入的数据集已完成标注，因此直接从数据存储位置导入即可。单击“数据存储位置”，然后单击文本框右侧的“选择”，选择数据集所在的OBS路径，如“/test-modelarts/dataset-flowers/”。

▪ “训练输出位置”：从已有的OBS桶中选择模型和预测文件存储路径。使用准备工作中已创建好的“model-test”文件夹。如果没有可用文件夹，您可以单击“选择”，在弹出对话框中新建文件夹。

▪ “运行参数”：选择“ResNet_v1_50”算法后，默认包含“max_epoches”参数，默认值为“100”。针对此示例，建议将“max_epoches”参数值修改为“10”，1个epoch代表整个数据集训练一遍，此运行参数表示训练10个epoch，“max_epoches”值越大训练时间越长。

▪ “作业日志路径”：从已有的OBS桶中选择日志存储路径。使用准备工作中已创建好的“train-log”文件夹。如果没有可用文件夹，您可以单击“选择”，在弹出对话框中新建文件夹。



图 3-2 参数配置

c. 在资源设置区域，选择“公共资源池”，同时设置“规格”和“计算节点个数”。

如果选择使用免费规格，请仔细阅读提示信息，然后勾选“我已阅读并同意以上内容”。

图 3-3 设置使用的资源

d. 单击“下一步”完成信息填写。

4. 在“规格确认”页面，确认训练作业的参数信息，确认无误后单击“提交”。

5. 在“训练作业”管理页面，可以查看新建训练作业的状态。训练作业的创建和运行需要一些时间，预计十几分钟，当状态变更为“运行成功”时，表示训练作业创建完成。

您可以单击训练作业的名称，可进入此作业详情页面，了解训练作业的“配置信息”、“日志”和“资源占用情况”等信息。在“训练输出位置”所在的OBS路径中，即“/test-modelarts/model-test/”路径，可以获取到生成的模型文件。



图 3-4 训练作业详情

步骤 3：（可选）创建可视化作业，查看模型训练过程

目前ModelArts提供的可视化作业默认为TensorBoard类型的作业。TensorBoard是一个可视化工具，能够有效地展示TensorFlow或MXNet在运行过程中的计算图、各种指标随着时间的变化趋势以及训练中使用到的数据信息。可视化作业当前只支持基于TensorFlow和MXNet引擎的训练作业。

如果训练详情页的详细信息已足够支撑您判断模型好坏并构建模型，您可以选择跳过此步骤，直接执行步骤4：导入模型的操作。

1. 在ModelArts管理控制台，在左侧导航栏中选择“训练管理 > 训练作业”，然后单击“可视化作业”页签进入“可视化作业”管理页面。

2. 在“可视化作业”管理页面，单击“创建”。

3. 在“创建可视化作业”页面，设置相关参数，然后单击“下一步”。

可视化作业的类型默认为“可视化作业”，且不可更改。设置可视化作业的“名称”，以及“训练输出位置”。“训练输出位置”需要设置为训练作业中的“训练输出位置”，上述步骤中“训练输出位置”为“/test-modelarts/model-test/”。“自动停止”启用，并设置为“1小时后”停止，避免产生不必要的费用。

图 3-5 设置可视化作业参数信息



4. 在“规格确认”页面，信息确认完毕后，单击“提交”。

5. 进入“可视化作业”管理页面，等待一段时间，当可视化作业的状态为“运行中”时，表示已创建成功。

针对运行中的可视化作业，您可以单击可视化作业的名称跳转到其可视化界面。您可以通过此界面的信息，了解到此模型的具体训练过程。如果此模型训练过程和参数满足要求，您可以开始执行步骤4：导入模型操作。

图 3-6 可视化界面

步骤 4：导入模型

训练完成的模型还是存储在OBS路径中，您可以将此模型导入到ModelArts中进行管理和部署。

1. 在ModelArts管理控制台中，单击左侧导航栏中的“模型管理>模型”，进入“模型”页面。

2. 在“模型”页面，单击“导入”。

3. 在“导入模型”页面，设置相关参数，然后单击“立即创建”。

设置模型的“名称”和“版本”，然后在“元模型来源”参数中，选择“从训练中选择”，此时系统会自动选择您创建的训练作业，您可以从下拉框中可以选择系统中可用的训练作业。由于本示例数据较简单，其他参数采用默认值。



图 3-7 导入模型

4. 模型导入完成后，系统将自动跳转至模型列表页面。您可以在模型列表页面查看已导入的模型及其版本。

图 3-8 模型列表

步骤 5：部署上线

模型导入完成后，当状态显示为“正常”时，可以将模型部署上线，可部署为“在线服务”、“批量服务”或“边缘服务”。如下操作步骤以部署为在线服务为例。

1. 在“模型管理 > 模型”页面，单击模型名称左侧的小三角，打开此模型下的所有版本。在对应版本所在行，单击操作列的“部署”，然后在下拉框中选择“在线服务”，进入“部署”页面。

2. 在“部署”页面中，设置相关参数，然后单击“下一步”。

设置在线服务的“名称”，将“是否自动停止”功能启用。在“选择模型及配置”区域中，系统将自动选择步骤4：导入模型中的模型及其版本，在“计算节点规格”右侧下拉框中选择使用的资源，本示例选用“CPU：2核 8GiB”资源部署在线服务。其他参数使用默认值。

“数据采集”和“难例筛选”功能，建议使用默认值，保持关闭。



图 3-9 部署为在线服务

3. 在“规格确认”页面，确认信息完毕后，单击“提交”。

4. 在“部署上线 > 在线服务”页面，您可以查看在线服务的相关信息。由于模型部署上线需要花费一些时间，请耐心等待几分钟。当在线服务的状态为“运行中”时，表示在线服务已部署完成。


在线服务部署成功后，您可以进入在线服务，发起预测请求进行测试。

1. 在“在线服务”管理页面，单击在线服务名称，进入在线服务详情页面。

2. 在线服务详情页面中，单击“预测”页签，进入预测页面。

3. 在“选择预测图片文件”右侧，单击“上传”按钮，上传一张带花的图片，然后单击“预测”。

预测完成后，预测结果显示区域将展示预测结果，根据预测结果得分，可识别出此图片的花为“daisy”。

说明

由于此处是测试服务，为保证测试效果，建议选择图片时，不要使用示例数据集中已有的图片。



图 3-10 预测结果

步骤 7：清除相应资源，避免产生费用

为避免产生不必要的费用，在完成试用后，建议您删除相关资源，如在线服务、可视化作业、训练作业、数据及其OBS目录。

● 删除在线服务：在“在线服务”页面，单击操作列的“更多>删除”。

● 删除可视化作业：在“训练作业>可视化作业”页面，单击操作列的“删除”。

● 删除训练作业：在“训练作业”页面，单击操作列的“删除”。

● 删除数据：前往OBS，删除上传的数据，然后删除文件夹及OBS桶。



4 AI 工程师：AI 全流程开发

4.1 使用 MXNet 构建模型ModelArts为AI工程师提供了一站式AI开发全流程管理能力，AI工程师可以从数据准备、模型开发、模型训练、模型部署，一站式完成整个AI过程。兼容业界主流引擎，兼容用户习惯，同时，提供了自研的MoXing深度学习框架，提升算法开发效率和训练速度。

本章节提供了使用MXNet实现手写数字图像识别应用的示例，帮助您快速梳理ModelArts的AI开发全流程。

MNIST是一个手写体数字识别数据集，常被用作深度学习的入门样例。本示例将针对MNIST数据集，使用MXNet原生接口编写的模型训练脚本（ModelArts默认提供），在ModelArts中完成模型训练，并将此模型部署为在线服务。部署完成后，用户可通过在线服务识别输入图片中的数字。

开始使用样例前，请仔细阅读准备工作罗列的要求，提前完成准备工作。本示例模型构建的步骤如下所示：


● 步骤2：训练模型

● 步骤3：编写推理代码和配置文件，并上传至模型所在路径

● 步骤4：导入模型

● 步骤5：部署上线


● 步骤7：清除相应资源，避免产生费用


结状态。



ModelArts快速入门 4 AI 工程师：AI 全流程开发



创建OBS桶和文件夹的操作指导请参见创建桶和新建文件夹。请确保您使用的OBS与ModelArts在同一区域。



“dataset-mnist” 用于存储数据集。

“MXNet-mnist/code/”

用于存储训练脚本。

“MXNet-mnist/output/”

用于存储训练输出的模型和预测文件。

“MXNet-mnist/log/”

用于存储训练作业的日志。

● 针对此示例，ModelArts提供了部署上线需使用的训练脚本、推理代码和配置文件。请获取示例文件并上传OBS指定路径，详细请参见表4-2。

a. 获取示例文件。

在gitee的ModelArts-Lab工程中，单击“克隆/下载”，然后单击“下载ZIP”，下载工程。

下载完成后，解压缩“ModelArts-Lab-master.zip”文件，示例文件存储路径为：“\ModelArts-Lab-master\official_examples\Using_MXNet_to_Create_a_MNIST_Dataset_Recognition_Application\codes”

b. 将示例文件上传至对应OBS路径。上传文件至OBS的操作指导请参见上传文件。

表 4-2 上传示例文件至 OBS

文件名称描述上传至如下OBS路径中

“train_mnist.py” 训练脚本。 “test-modelarts/MXNet-mnist/code/”

“customize_service.py”

推理代码。 “test-modelarts/MXNet-mnist/output/model”说明请在训练作业完成后，再执行上传操作。详细操作指导请参见步骤3：编写推理代码和配置文件，并上传至模型所在路径。

“config.json” 配置文件。


ModelArts在公共OBS桶中提供了MNIST数据集，命名为“Mnist-Data-Set”，因此，本文的操作示例使用此数据集进行模型构建。您需要执行如下操作，将数据集上传至您的OBS目录下，即准备工作中您创建的OBS目录“test-modelarts/dataset-mnist”。





https://gitee.com/ModelArts/ModelArts-Lab



1. 单击数据集下载链接，将“Mnist-Data-Set”数据集下载至本地。

2. 在本地，将“Mnist-Data-Set.zip”压缩包解压。例如，解压至本地“Mnist-Data-Set”文件夹下。

3. 参考上传文件，使用批量上传方式将“Mnist-Data-Set”文件夹下的所有文件上传至“test-modelarts/dataset-mnist”OBS路径下。

“Mnist-Data-Set”数据集包含的内容如下所示，其中“.gz”为对应的压缩包。

– “t10k-images-idx3-ubyte”：验证集，共包含10000个样本。

– “t10k-images-idx3-ubyte.gz”：验证集的压缩包文件。

– “t10k-labels-idx1-ubyte”：验证集标签，共包含10000个样本的类别标签。

– “t10k-labels-idx1-ubyte.gz”：验证集标签的压缩包文件。

– “train-images-idx3-ubyte”：训练集，共包含60000个样本。

– “train-images-idx3-ubyte.gz”：训练集的压缩包文件。

– “train-labels-idx1-ubyte”：训练集标签，共包含60000个样本的类别标签。

– “train-labels-idx1-ubyte.gz”：训练集标签的压缩包文件。


数据准备完成后，您可以创建一个训练作业，选用MXNet引擎，基于已上传的“train_mnist.py”训练脚本，并最终生成一个可用的模型。本示例已提供编码完成的脚本（基于MXNet引擎的原生接口），如果使用自行编写的代码，请使用ModelArts支持的引擎类型及其对应版本的接口，并满足其要求。

1. 在ModelArts管理控制台，在左侧导航栏中选择“训练管理 > 训练作业”，进入“训练作业”管理页面。

2. 单击“创建”，进入“创建训练作业”页面。

3. 在“创建训练作业”页面，填写相关信息，参数填写指导请参见如下步骤。

a. 在基本信息区域，“计费模式”和“版本”为系统自动生成，不需修改。请根据界面提示填写“名称”和“描述”。

图 4-1 名称和描述

b. 在参数配置区域，选择“数据来源”，设置“算法来源”、“运行参数”、“训练输出位置”和“作业日志路径”。

▪ “算法来源”：选择常用框架，在“AI引擎”右侧下拉框中选择“MXNet”，并选择“MXNet-1.2.1-python2.7”版本。选择“代码目录”及“启动文件”。此示例中，“代码目录”的OBS路径为“test-modelarts/MXNet-mnist/code/”，“启动文件”的OBS路径为“test-



https://modelarts-cnnorth1-market-dataset.obs.cn-north-1.myhuaweicloud.com/dataset-market/Mnist-Data-Set/archiver/Mnist-Data-Set.zip


modelarts/MXNet-mnist/code/train_mnist.py”。训练脚本“train_mnist.py”上传说明请参见准备工作。

▪ “数据来源”：请选择“数据存储位置”页签，然后指定MNIST数据集存储的OBS路径。

▪ “训练输出位置”：训练作业生成的模型和预测文件的存储路径。使用准备工作中已创建好的“mnist-model”文件夹。如果没有可用文件夹，您可以单击“选择”，在弹出对话框中新建文件夹。

▪ “运行参数”：单击“增加运行参数”，增加“max_epoches=10”参数。针对“max_epoches”参数，1个epoch代表整个数据集训练一遍，此运行参数表示训练10个epoch，数值可更改，不填写时使用默认值（默认值为100），“max_epoches”值越大训练时间越长。

▪ “作业日志路径”：从已有的OBS桶中选择日志存储路径。使用准备工作中已创建好的“train-log”文件夹。如果没有可用文件夹，您可以单击“选择”，在弹出对话框中新建文件夹。

图 4-2 作业参数配置

c. 在资源设置区域，选择“公共资源池”，选择资源“类型”、“规格”以及“计算节点个数”。

说明

由于MNIST数据集数据较多，为提升训练效率，操作示例选择GPU训练。但是，GPU的费用高于CPU，请根据实际情况选择可用的资源池。

如果选择免费规格，请仔细阅读提示信息。



图 4-3 设置资源

d. 单击“下一步”完成信息填写。

4. 在“规格确认”页面，确认训练作业的参数信息，确认无误后单击“提交”。

5. 在“训练作业”管理页面，可以查看新建训练作业的状态。训练作业的创建和运行需要一些时间，预计十几分钟，当状态变更为“运行成功”时，表示训练作业已完成。

您可以单击训练作业的名称，可进入此作业详情页面，了解训练作业的“配置信息”、“日志”和“资源占用情况”等信息。在“训练输出位置”所在的OBS路径中，即“/test-modelarts/mnist-model/”路径，可以获取到生成的模型文件。

图 4-4 训练作业详情页面

步骤 3：编写推理代码和配置文件，并上传至模型所在路径

参考准备工作中的指导，获取推理代码“customize_service.py”和配置文件“config.json”。此推理代码和配置文件是ModelArts提供的示例。

在步骤2：训练模型中，训练作业生成的模型存储在“test-modelarts/mnist-model”路径下，且系统将自动生成“model”文件夹，模型相关的文件存储在此目录下。将获取的“customize_service.py”和“config.json”文件，上传至“model”文件夹下。

说明

如果训练作业运行多次，将“训练输出位置”生成不同的版本，即“mnist-model”目录下将生成多种版本的目录，如“V0001”、“V0002”，请基于训练作业的版本，将文件上传至对应版本下的“model”文件夹内。



前往OBS管理控制台，找到“test-modelarts”桶，然后进入“test-modelarts/mnist-model/model”路径，执行“上传对象”的操作。OBS的上传操作指导，请参见上传文件。

图 4-5 上传推理代码和配置文件

步骤 4：导入模型

训练完成的模型还是存储在OBS路径中，您可以将此模型导入到ModelArts中进行管理和部署。

1. 在ModelArts管理控制台中，单击左侧导航栏中的“模型管理>模型”，进入“模型”页面。

2. 在“模型”页面，单击“导入”。

3. 在“导入模型”页面，设置相关参数，然后单击“立即创建”。

– 设置模型的“名称”和“版本”。

– “元模型来源”：单击“从OBS中选择”页签，在“选择元模型”参数中，设置此模型所在的OBS路径，如“test-modelarts/MXNet-mnist/output/”，“AI引擎”会根据选择路径下的模型文件自动选择，当前示例使用的是“MXNet”引擎。

说明

选择模型所在路径时，请务必选择“model”文件夹的父目录，如果选择到“model”文件夹，将导致系统无法自动识别模型及配置文件，无法导入模型。

– “推理代码”：系统将根据选择的原模型信息，自动生成对应推理代码路径及文件名称。

图 4-6 导入模型页面





4. 模型导入完成后，系统将自动跳转至模型列表页面。您可以在模型列表页面查看已导入的模型及其版本。

步骤 5：部署上线

模型导入完成后，且模型状态为“正常”时，可以将模型部署上线，可部署为“在线服务”、“批量服务”或“边缘服务”。如下操作步骤以部署为在线服务为例。

1. 在“模型”页面，单击模型名称左侧的小三角，打开此模型下的所有版本。在对应版本所在行，单击操作列的“部署”，然后在下拉框中选择“在线服务”，进入“部署”页面。

2. 在“部署”页面中，设置相关参数，然后单击“下一步”。

设置在线服务的“名称”。在“选择模型及配置”区域中，系统将自动选择步骤步骤4：导入模型中的模型及其版本，在“计算节点规格”右侧下拉框中选择使用的资源，本示例选用“CPU：2核 8GiB”资源部署在线服务。

环境变量：在本示例中，由于推理代码和配置文件需要补充三个信息，请参考如下指导补充环境变量。

– “input_data_name”：参数值必须是images。针对自己开发训练脚本的场景，此参数是必须设置的。您可以在导入模型时设置参数，也可以写到推理代码中。

– “input_data_shape”：代表NCHW。本示例的数值为“0,1,28,28”，表示设置了输入图片的规则，其中，输入预测图片大小必须是“28px*28px”。

– “output_data_shape”：模型输出的类别数。本示例指定范围为“0,10”，表示输出结果会显示“0～9”中10个类别的数字，以及属于每一个类别的概率。此范围必须与训练代码中的类别数一致。

图 4-7 部署在线服务

3. 在“规格确认”页面，确认信息完毕后，单击“提交”。

4. 在“部署上线>在线服务”页面，您可以查看在线服务的相关信息。由于模型部署上线需要花费一些时间，请耐心等待几分钟。当在线服务的状态为“运行中”时，表示在线服务已部署完成。



1. 在“在线服务”管理页面，单击在线服务名称，进入在线服务详情页面。


3. 在“选择预测图片文件”右侧，单击“上传”按钮，上传一张黑底白字的图片，然后单击“预测”。



预测完成后，预测结果显示区域将展示预测结果，根据预测结果内容，可识别出此图片的数字是“8”的概率为“1”。

说明

● 由于推理代码和配置文件中已指定图片要求，用于预测的图片，大小必须为“28px*28px”，且图片必须是黑底白字。

● 建议不要使用数据集中自带的图片，可以使用Windows自带的画图工具绘制一张。

● 本示例代码仅输出了Top5置信度的类别。

图 4-8 预测成功结果


为避免产生不必要的费用，在完成试用后，建议您删除相关资源，如在线服务、训练作业、数据及其OBS目录。

● 删除在线服务：在“在线服务”页面，单击操作列的“更多>删除”。

● 删除训练作业：在“训练作业”页面，单击操作列的“删除”。


● 删除训练脚本和模型等文件：进入OBS管理控制台，删除相关文件夹及数据，然后再删除“test-modelarts”的桶。

4.2 使用 Notebook 构建模型ModelArts为AI工程师提供了Notebook功能，工程师可在Notebook中一站式完成数据准备、模型训练、预测等操作。

本章节提供了使用MoXing实现手写数字图像识别应用的示例，帮助您快速梳理ModelArts的Notebook开发流程。

MNIST是一个手写体数字识别数据集，常被用作深度学习的入门样例。本示例将针对MNIST数据集，使用MoXing接口编写的模型训练和预测代码（ModelArts默认提供），您可以使用此示例，在Notebook中一站式完成模型训练，并上传图片进行预测。

开始使用样例前，请仔细阅读准备工作罗列的要求，提前完成准备工作。使用Notebook完成模型构建的步骤如下所示：




● 步骤2：使用Notebook训练模型并预测

● 步骤3：删除相关资源，避免计费


结状态。



创建OBS桶和文件夹的操作指导请参见创建桶和新建文件夹。请确保您使用的OBS与ModelArts在同一区域。




“mnist-MoXing-code”

用于存储编写好的模型代码“mnist_example.ipynb”。

“train-log” 用于存储图片，此图片用于预测。

● 针对此示例，ModelArts提供了一个编写好的模型代码

“mnist_example.ipynb”。您需要从Github中提前获取文件，待模型训练结束后，需要将此文件上传至对应位置。

a. 在gitee的ModelArts-Lab工程中，单击“克隆/下载”，然后单击“下载ZIP”，下载工程。

b. 下载完成后，解压缩“ModelArts-Lab-master.zip”文件，然后在“\ModelArts-Lab-master\official_examples\Using_Notebook_to_Create_a_MNIST_Dataset_Recognition_Application\code”目录中获取到示例代码文件“mnist_example.ipynb”。

c. 参考上传文件至OBS的操作指导，将“mnist_example.ipynb”文件上传至“test-modelarts”桶的“mnist-MoXing-code”文件夹中。

● 准备一张黑底白字的图片，且尺寸为“28px*28px”，图片中手写一个数字。例如准备一张命名为“7.jpg”图片，图片中有一个手写数字7。将准备好的图片上传至“test-modelarts”桶的“train-log”文件夹中，用于预测。























步骤 2：使用 Notebook 训练模型并预测

数据准备完成后，您需要使用Notebook编写代码构建模型。ModelArts提供了一个基于MoXing实现手写数字图像训练、预测的示例代码“mnist_example.ipynb”。

1. 参考准备工作的操作指导，获取“mnist_example.ipynb”文件，并上传至OBS，例如“test-modelarts/mnist-MoXing-code”。

2. 在ModelArts管理控制台，进入“开发环境>Notebook”页面，单击左上角的“创建”。

3. 在“创建Notebook”页面，参考表4-4填写相关信息，然后单击“下一步”。

表 4-4 本示例的参数填写说明

参数说明

名称用户可自定义Notebook实例名称。

自动停止为避免资源浪费，启用自动停止功能，并选择1小时后自动停止。

工作环境选择“Multi-Engine 1.0 (python3 推荐)”。

资源池选“公共资源池”。

类型选择“GPU”。

规格选择“GPU: 1*v100NV32 CPU: 8 核 64GiB”，您也可以选择“免费规格”，如果使用“免费规格”，可能会由于使用人数较多导致排队等待。

存储配置选择“对象存储服务”，并在“存储位置”选择示例文件存储的OBS路径，例如“test-modelarts/mnist-MoXing-code”。

4. 在“规格确认”页面，确认信息无误后，单击“提交”。

5. 在“Notebook”管理页面，当新建的Notebook状态变为“运行中”时，表示Notebook已创建完成。单击操作列的“打开”，进入“Jupyter”页面。




6. 在“Jupyter”页面的“Files”页签下，您可以看到步骤1上传的示例代码文件。单击文件名称，进入Notebook详情页。

在详情页根据页面提示，选择和代码环境相匹配的Kernel环境并单击“SetKernel”，本示例使用的Kernel为“TensorFlow-1.8”。如果界面无此提示，可不进行Kernel环境设置，直接执行下一步。

图 4-9 设置 Kernel 环境

7. 在Notebook详情页，示例代码文件已提供了详细的描述，包含“数据准备”、“训练模型”和“预测”。

a. 数据准备：步骤1：准备数据已完成数据准备，数据集所在路径为“test-modelarts/dataset-mnist/”。示例代码提供了数据集的介绍说明。

b. 训练模型

在训练模型区域，将“data_url”修改为步骤1：准备数据中数据集所在OBS路径，您可以从OBS管理控制台拷贝OBS路径，并将OBS路径修改为“obs://”格式。例如：data_url = 'obs://test-modelarts/dataset-mnist/'

代码修改完成后，从第一个Cell开始，单击运行代码，将训练模型区域下的所有Cell运行一遍。在训练模型区域最后，将显示运行日志，当日志出现如下类似信息时，表示模型训练成功。如下日志信息表示模型训练成功，且模型文件已成功生成。INFO:tensorflow:No assets to write.

INFO:tensorflow:Restoring parameters from ./cache/log/model.ckpt-1000

INFO:tensorflow:SavedModel written to: b'./cache/log/model/saved_model.pb'

An exception has occurred, use %tb to see the full traceback.

c. 预测

模型训练完成后，可上传一张图片，并使用生成的模型预测。参考准备工作操作指导示例，已将用于预测的“7.jpg”图片上传至“test-modelarts/train-log”路径中。

在Notebook中，将预测区域的“src_path”修改为图片实际存放的OBS路径和名称。此处请使用“obs://”格式的OBS路径。src_path = 'obs://test-modelarts/train-log/7.jpg'

代码修改完成后，从第一个Cell开始，单击运行代码，将预测区域下的所有Cell运行一遍。在预测区域最后，将显示运行日志，当日志出现如下类似信息时，显示图片预测结果，例如本示例中图片的手写数字为“7”。请对比图片中的数字和预测结果，判断预测结果是否正确。INFO:tensorflow:Running local_init_op. INFO:tensorflow:Done running local_init_op. INFO:tensorflow:Done running local_init_op. The result: [7] INFO:tensorflow:[1 examples]



INFO:tensorflow: [1 examples] An exception has occurred, use %tb to see the full traceback.

步骤 3：删除相关资源，避免计费

为避免产生不必要的费用，在完成试用后，建议您删除相关资源，本示例包含数据和Notebook。

● 删除Notebook：在“开发环境>Notebook”页面，单击操作列的“删除”。


4.3 使用 PyCharm ToolKit 训练模型本章节提供了使用MXNet实现手写数字图像识别应用的示例，帮助您使用ModelArts提供的PyCharm ToolKit工具，在本地快速完成模型的训练和部署。更多关于PyCharmToolKit工具的描述，请参见《工具指南》。

MNIST是一个手写体数字识别数据集，常被用作深度学习的入门样例。本示例将针对MNIST数据集，使用MXNet原生接口编写的模型训练脚本（ModelArts默认提供），在ModelArts PyCharm ToolKit中完成模型训练，并将此模型部署为在线服务。部署完成后，用户可通过在线服务识别输入图片中的数字。

开始使用样例前，请仔细阅读准备工作罗列的要求，提前完成准备工作。本示例模型构建的步骤如下所示：

准备工作

● 本地已安装PyCharm 2019.2或以上版本，推荐Windows版本，Community或Professional均可，请单击PyCharm工具下载地址获取工具并在本地完成安装。

● 已注册华为云账号，且在使用ModelArts前检查账号状态，账号不能处于欠费或冻结状态。

● 在ModelArts管理控制台中，当前账号已完成访问授权的配置。如果已完成，此操作可跳过。

如未完成，请参考使用委托授权。针对之前使用访问密钥授权的用户，建议清空授权，然后使用委托进行授权。


创建OBS桶和文件夹的操作指导请参见创建桶和新建文件夹。确保您使用的OBS目录与ModelArts在同一区域。




“mnist-output” 用于存储训练输出的模型和日志文件。



https://support.huaweicloud.com/tg-modelarts/modelarts_15_0001.html

https://www.jetbrains.com/pycharm/download/other.html




步骤 1：安装 PyCharm ToolKit，并添加访问密钥

1. 获取PyCharm ToolKit工具安装包，单击ToolKit工具的下载地址，获得工具包。

2. 打开本地PyCharm工具。

3. 在PyCharm工具中，选择菜单栏的“File > Settings”，弹出“Settings”对话框。

4. 在“Settings”对话框中，首先单击左侧导航栏中的“Plugins”，然后单击右侧的设置图标，选择“Install Plugin from Disk”，弹出文件选择对话框。

图 4-10 选择从本地安装插件

5. 在弹出的对话框中，从本地目录选择ToolKit的工具包，然后单击“OK”。



https://modelarts-pycharm-plugin.obs.cn-north-1.myhuaweicloud.com/Pycharm-ToolKit-2.1.zip

图 4-11 选择插件文件

6. 单击“Restart IDE”重启PyCharm。在弹出的确认对话框中，单击“Restart”开始重启。

图 4-12 重启 PyCharm

7. 重启成功后，当PyCharm工具栏出现“ModelArts”页签，表示ToolKit工具已安装完成。



图 4-13 安装成功

8. 获取访问密钥，并在PyCharm中添加密钥。

– 获取此账号的访问密钥（“AK/SK”），详细操作请参见获取访问密钥。

– PyCharm ToolKit安装后，在ToolKit工具中添加访问密钥，详细操作请参见使用访问秘钥登录。

图 4-14 填写区域和访问密钥

9. 查看认证结果。

在Event Log区域中，当提示如下类似信息时，表示访问密钥添加成功。16:01 Validate Credential Success: The HUAWEI CLOUD credential is valid.












https://support.huaweicloud.com/prepare-modelarts/modelarts_08_0008.html#section0










步骤 3：编写训练代码

ModelArts提供了本示例需要使用的训练代码，请获取并在PyCharm工程中打开。

1. 在gitee的ModelArts-Lab工程中，单击“克隆/下载”，然后单击“下载ZIP”，下载工程。

2. 下载完成后，解压缩“ModelArts-Lab-master.zip”文件，然后在“\ModelArts-Lab-master\official_examples\Using_MXNet_to_Create_a_MNIST_Dataset_Recognition_Application\codes”目录中获取到训练代码文件“train_mnist.py”。

3. 打开PyCharm工具，单击“File > New Project”创建新工程，在工程目录下创建“src”文件夹，并将训练代码文件“train_mnist.py”拷贝到“src”文件夹下。

图 4-15 将训练代码拷贝至 src 目录


数据和代码准备完成后，您可以创建一个训练作业，选用MXNet引擎，基于本地的train_mnist.py训练脚本，并最终生成一个可用的模型。本示例已提供编码完成的脚本（基于MXNet引擎的原生接口），如果使用自行编写的代码，请使用ModelArts支持的引擎类型及其对应版本的接口，并满足其要求。

1. 在PyCharm工具栏中，选择“ModelArts > Edit Training Job Configuration”。

2. 在弹出的对话框中，按照如下示例配置训练参数。

– “Job Name”：自动生成，首次提交训练作业时，该名称也可以自己指定。

– “AI Engine”：选择“MXNet”，版本为“MXNet-1.2.1-python3.6”。

– “Algorithm Source”：选择“Frequently-used”，代表常用框架。

– “Specifications”：选择GPU规格。

– “OBS Path”：填写准备工作中创建的输出路径，用于存储训练输出模型和日志文件。

– “Data Path in OBS”：填写步骤2：准备数据中数据上传的OBS目录。此处需完整OBS路径，需包含OBS桶名称。




此示例填写的值如图所示，请务必修改为您自己的OBS桶及路径。

– “Boot File Path”：选择本地的训练脚本“train_mnist.py”。

– “Code Directory”：选择启动脚本所在“src”目录。

– “Running Parameters”：是训练脚本所需要的输入参数，本样例中没有参数，无需填写。

填写完成后，单击“Apply and Run”提交训练作业到云上ModelArts。

说明

由于MNIST数据集数据较多，为提升训练效率，操作示例选择GPU训练。但是，GPU的费用高于CPU，请根据实际情况选择可用的资源池。

图 4-16 配置训练作业

3. 训练作业提交后，可在下方查看训练日志。当训练日志中出现“Current trainingjob status: Successful”类似信息时，表示训练作业运行成功。

图 4-17 查看训练日志

其中， “ModelArts Event Log”栏为工具打印的日志，“ModelArts TrainingLog”为训练脚本代码打印的日志。

从日志可以看到，工具会先将本地工程的代码自动上传至云上OBS，然后自动提交一个训练作业。作业提交成功后，工具会实时从云上的训练环境获取日志并展示在“ModelArts Training Log”窗口，直至作业运行结束。



4. 在PyCharm的左边菜单栏，单击“ModelArts Explorer”，选择刚才提交的作业，双击版本号“V0001”，可以查看作业详情。

图 4-18 选择对应的训练作业及版本



图 4-19 训练作业详情

步骤 5：编写推理代码和配置文件，并上传至模型所在路径

ModelArts提供了本示例需要使用的推理代码“customize_service.py”和配置文件“config.json”文件路径和下载的git工程中的训练代码在同一目录。此推理代码和配置文件是ModelArts提供的示例。

在步骤4：训练模型中，训练作业生成的模型存储在“test-modelarts/mnist-output/MA-mnist-11-30-16/output/V0001”路径下（其中MA-mnist-11-30-16是JobName，如果配置时填写了自定义Job Name，则路径中就是自定义的Job Name），且系统将自动生成“model”文件夹，模型相关的文件存储在此目录下。将获取的“customize_service.py”和“config.json”文件，上传至OBS的“model”文件夹下。

说明

如果训练作业运行多次，将在“训练输出位置”生成不同的版本，即“mnist-output”目录下将生成多种版本的目录，如“V0001”、“V0002”，请基于训练作业的版本，将文件上传至对应版本下的“model”文件夹内。

前往OBS管理控制台，找到“test-modelarts”桶，然后进入“test-modelarts/mnist-output/MA-mnist-11-30-16/output/V001/model”路径，执行“上传对象”的操作。OBS的上传操作指导，请参见上传文件。

步骤 6：部署在线服务

训练完成的模型还是存储在OBS路径中，您可以将此模型导入到ModelArts中并部署为在线服务。

1. 在训练作业版本号上单击鼠标右键，选择“Deploy to Service”。





2. 在弹出的对话框中，按照如下说明填写部署为在线服务的参数。

– “Service Name”：自动生成，也可以自定义。

– “Auto Stop”：勾选Auto Stop，表示启动自动停止功能，服务会在指定时间后自动停止。

– “Model Path”：自动填写，无需自己配置。与您选择的训练作业及其版本一致。

– “Environment Variables”：填写运行参数，设置为“input_data_name=images;input_data_shape=0,1,28,28;output_data_shape=0,10”。

▪ “input_data_name”：参数值必须是images。针对自己开发训练脚本的场景，此参数是必须设置的。您可以在导入模型时设置参数，也可以写到推理代码中。

▪ “input_data_shape”：代表NCHW。本示例的数值为“0,1,28,28”，表示设置了输入图片的规则，其中，输入预测图片大小必须是“28px*28px”。

▪ “output_data_shape”：置信度。本示例指定范围为“0～10”。表示输出结果会显示“0～9”中10个类别，属于每一个类别的概率。

信息填写完成后，单击“OK”，开始服务部署。




可以在最下方的日志栏查看服务部署进度。

图 4-22 查看部署进度

模型部署上线需要花费一些时间，请耐心等待几分钟。当出现类似“Servicestatus is running”信息时，表示服务部署成功。服务部署成功后，将展示在线服务的链接，单击链接可以进入华为云ModelArts在线服务的界面。

说明

首次进入需要输入华为云账号密码登录。



图 4-23 完成部署



1. 部署成功后，单击提供的链接进入在线服务。


3. 在“选择预测图片文件”右侧，单击“上传”按钮，上传一张黑底白字的图片，然后单击“预测”。

预测完成后，预测结果显示区域将展示预测结果，根据预测结果内容，可识别出此图片的数字是“8”的概率为“1”。

说明

● 由于推理代码和配置文件中已指定图片要求，用于预测的图片，大小必须为“28px*28px”，且图片必须是黑底白字。

● 建议不要使用数据中自带的图片，可以使用Windows自带的画图工具绘制一张。

图 4-24 预测结果


为避免产生不必要的费用，在完成试用后，建议您删除相关资源，如在线服务、训练作业及其OBS目录。

● 进入ModelArts管理控制台，删除在线服务：在“在线服务”页面，单击操作列的“更多>删除”。

● 进入ModelArts管理控制台，删除训练作业：在“训练作业”页面，单击操作列的“删除”。



● 进入OBS管理控制台，删除数据准备阶段创建的OBS桶。先逐个删除桶内文件夹和文件，再执行删除桶的操作。



快速入门 · 2020. 9. 19. · ModelArts 快速入门文档版本 01 发布日期 2020-09-17...

Documents

Transcript of 快速入门 · 2020. 9. 19. · ModelArts 快速入门文档版本 01 发布日期 2020-09-17...

快速入门 · 2020. 9. 19. · ModelArts 快速入门 文档版本 01 发布日期 2020-09-17...

Documents

Transcript of 快速入门 · 2020. 9. 19. · ModelArts 快速入门 文档版本 01 发布日期 2020-09-17...

快速入门 · 2020. 9. 19. · ModelArts 快速入门文档版本 01 发布日期 2020-09-17...

Transcript of 快速入门 · 2020. 9. 19. · ModelArts 快速入门文档版本 01 发布日期 2020-09-17...