AI开发平台ModelArtsAI开发平台ModelArts

计算
弹性云服务器 ECS
云耀云服务器 HECS
裸金属服务器 BMS
弹性伸缩 AS
镜像服务 IMS
专属主机 DeH
函数工作流 FunctionGraph
云手机 CPH
VR云渲游平台 CVR
特惠算力专区
存储
对象存储服务 OBS
云硬盘 EVS
云备份 CBR
内容分发网络 CDN
存储容灾服务 SDRS
弹性文件服务 SFS
云服务器备份 CSBS
云硬盘备份 VBS
数据快递服务 DES
专属企业存储服务
智能边缘
智能边缘云 IEC
EI 企业智能
EI安视服务
AI开发平台ModelArts
数据湖治理中心 DGC
数据仓库服务 GaussDB(DWS)
企业级AI应用开发专业套件 ModelArts Pro
数据湖探索 DLI
华为HiLens
云搜索服务 CSS
数据接入服务 DIS
表格存储服务 CloudTable
数据湖工厂 DLF
图引擎服务 GES
推荐系统 RES
文字识别 OCR
内容审核 Moderation
图像识别 Image
图像搜索 ImageSearch
人脸识别服务 FRS
对话机器人服务 CBS
视频分析服务 VAS
数据可视化 DLV
视频接入服务 VIS
自然语言处理 NLP
语音交互服务 SIS
知识图谱 KG
医疗智能体 EIHealth
可信智能计算服务 TICS
园区智能体 CampusGo
实时流计算服务 CS
人证核身服务 IVS
IoT物联网
设备接入 IoTDA
IoT物联网
全球SIM联接 GSL
设备发放 IoTDP
IoT开发者服务
IoT边缘 IoTEdge
IoT数据分析
路网数字化服务 DRIS
开发与运维
项目管理 ProjectMan
代码托管 CodeHub
流水线 CloudPipeline
代码检查 CodeCheck
编译构建 CloudBuild
部署 CloudDeploy
云测 CloudTest
发布 CloudRelease
移动应用测试 MobileAPPTest
CloudIDE
Classroom
软件开发平台 DevCloud
开源镜像站 Mirrors
视频
媒体处理 MPC
视频点播 VOD
视频直播 Live
实时音视频 SparkRTC
管理与部署
统一身份认证服务 IAM
云监控服务 CES
应用运维管理 AOM
应用性能管理 APM
云审计服务 CTS
云日志服务 LTS
标签管理服务 TMS
资源管理服务 RMS
应用身份管理服务 OneAccess
专属云
专属计算集群 DCC
专属分布式存储服务 DSS
域名与网站
域名注册服务 Domains
云速建站 CloudSite
企业协同
华为云WeLink
会议
ISDP
解决方案
全栈专属服务
高性能计算 HPC
SAP
游戏云
混合云灾备
快视频
华为工业云平台 IMC
价格
价格原则
成本优化最佳实践
昇腾
昇腾MindX SDK (20.3)
其他
管理控制台
消息中心
产品价格详情
系统权限
我的凭证
客户关联华为云合作伙伴须知
公共问题
宽限期保留期
奖励推广计划
活动
容器
云容器引擎 CCE
云容器实例 CCI
容器镜像服务 SWR
应用编排服务 AOS
容器交付流水线 ContainerOps
应用服务网格 ASM
多云容器平台 MCP
基因容器 GCS
容器洞察引擎 CIE
容器批量计算 BCE
云原生服务中心 OSC
网络
虚拟私有云 VPC
弹性公网IP EIP
弹性负载均衡 ELB
NAT网关 NAT
云专线 DC
虚拟专用网络 VPN
云连接 CC
VPC终端节点 VPCEP
数据库
云数据库 RDS
文档数据库服务 DDS
分布式数据库中间件 DDM
数据复制服务 DRS
数据管理服务 DAS
云数据库 GaussDB(for MySQL)
云数据库 GaussDB NoSQL
云数据库 GaussDB (for openGauss)
数据库和应用迁移 UGO
大数据
MapReduce服务 MRS
应用中间件
应用管理与运维平台 ServiceStage
分布式缓存服务 DCS
分布式消息服务Kafka版
分布式消息服务RabbitMQ版
消息通知服务 SMN
微服务引擎 CSE
云性能测试服务 CPTS
区块链服务 BCS
API网关 APIG
应用魔方 AppCube
分布式消息服务RocketMQ版
多云高可用服务 MAS
可信跨链数据链接服务 TCDAS
企业应用
云桌面 Workspace
云解析服务 DNS
应用与数据集成平台 ROMA Connect
ROMA资产中心 ROMAExchange
ROMA API
鸿源云道
华为乾坤
安全与合规
Web应用防火墙 WAF
漏洞扫描服务 VSS
企业主机安全 HSS
容器安全服务 CGS
数据加密服务 DEW
数据库安全服务 DBSS
态势感知 SA
云堡垒机 CBH
SSL证书管理 SCM
云证书管理服务 CCM
管理检测与响应 MDR
数据安全中心 DSC
威胁检测服务 MTD
DDoS防护 ADS
云防火墙 CFW
应用信任中心 ATC
安全技术与应用
迁移
主机迁移服务 SMS
对象存储迁移服务 OMS
云数据迁移 CDM
智能协作
IdeaHub
企业网络
云管理网络
SD-WAN 云服务
边缘数据中心管理 EDCM
废弃-华为乾坤安全云服务
云通信
语音通话 VoiceCall
消息&短信 MSGSMS
隐私保护通话 PrivateNumber
开发者工具
SDK开发指南
API签名指南
DevStar
HCloud CLI
Terraform
Ansible
云生态
云市场
鲲鹏
昇腾
合作伙伴中心
华为云培训中心
用户服务
帐号中心
费用中心
成本中心
资源中心
企业管理
工单管理
客户运营能力
国际站常见问题
网站备案
支持计划
专业服务
合作伙伴支持计划
文档首页> AI开发平台ModelArts> API参考> 应用示例> 使用TensorFlow框架创建训练作业
更新时间:2021/10/12 GMT+08:00
分享

使用TensorFlow框架创建训练作业

本节通过调用一系列API,以训练模型为例介绍ModelArts API的使用流程。

概述

使用TensorFlow框架创建训练作业的流程如下:

  1. 调用认证鉴权接口获取用户Token,在后续的请求中需要将Token放到请求消息头中作为认证。
  2. 调用查询作业资源规格接口获取训练作业支持的资源规格。
  3. 调用查询作业引擎规格接口查看训练作业的引擎类型和版本。
  4. 调用创建训练作业接口创建一个训练作业。
  5. 调用查询训练作业版本详情接口根据训练作业的ID查询训练作业的创建详情。
  6. 调用获取训练作业日志的文件名接口获取训练作业日志的文件名。
  7. 调用查询训练作业日志接口查看训练作业的日志详情。
  8. 当训练作业使用完成或不再需要时,调用删除训练作业接口删除训练作业。

前提条件

  • 已准备好TensorFlow框架的训练代码,例如将启动文件“train_mnist_tf.py”存放在OBS的“/test-modelarts/mnist-tensorflow-code/”目录下。
  • 已经准备好训练作业的数据集,例如将训练数据集存放在OBS的“/test-modelarts/dataset-mnist/”目录下。
  • 已经创建好训练作业的输出位置,例如“/test-modelarts/mnist-model/output/”

操作步骤

  1. 调用认证鉴权接口获取用户的Token。
    1. 请求消息体:

      URI格式:POST https://{iam_endpoint}/v3/auth/tokens

      请求消息头:Content-Type →application/json

      请求Body:
      {
        "auth": {
          "identity": {
            "methods": ["password"],
            "password": {
              "user": {
                "name": "user_name", 
                "password": "user_password",
                "domain": {
                  "name": "domain_name"  
                }
              }
            }
          },
          "scope": {
            "project": {
              "name": "cn-north-1"  
            }
          }
        }
      }
      其中,加粗的斜体字段需要根据实际值填写:
      • iam_endpoint为IAM的终端节点。
      • user_name为IAM用户名。
      • user_password为用户登录密码。
      • domain_name为用户所属的帐号名。
      • cn-north-1为项目名,代表服务的部署区域。
    2. 返回状态码“201 Created”,在响应Header中获取“X-Subject-Token”的值即为Token,如下所示:
      x-subject-token →MIIZmgYJKoZIhvcNAQcCoIIZizCCGYcCAQExDTALBglghkgBZQMEAgEwgXXXXXX...
  2. 调用查询作业资源规格接口获取训练作业支持的资源规格。
    1. 请求消息体:

      URI格式:GET https://{ma_endpoint}/v1/{project_id}/job/resource-specs?job_type=train

      请求消息头:X-auth-Token →MIIZmgYJKoZIhvcNAQcCoIIZizCCGYcCAQExDTALBglghkgBZQMEAgEwgXXXXXX...

      其中,加粗的斜体字段需要根据实际值填写:
      • ma_endpoint为ModelArts的终端节点。
      • project_id为用户的项目ID。
      • “X-auth-Token”的值是上一步获取到的Token值。
    2. 返回状态码“200 OK”,响应Body如下所示:
      {
        "specs": [
          ......
          {
            "spec_id": 7,
            "core": "2",
            "cpu": "8",
            "gpu_num": 0,
            "gpu_type": "",
            "spec_code": "modelarts.vm.cpu.2u",
            "unit_num": 1,
            "max_num": 1,
            "storage": "",
            "interface_type": 1,
            "no_resource": false
          },
          {
            "spec_id": 27,
            "core": "8",
            "cpu": "32",
            "gpu_num": 0,
            "gpu_type": "",
            "spec_code": "modelarts.vm.cpu.8u",
            "unit_num": 1,
            "max_num": 1,
            "storage": "",
            "interface_type": 1,
            "no_resource": false
          }
        ],
        "is_success": true,
        "spec_total_count": 5
      }
      • 根据“spec_code”字段选择并记录创建训练作业时需要的规格类型,本章以“modelarts.vm.cpu.8u”为例,并记录“max_num”字段的值为“1”
      • “no_resource”字段用于判断规格资源是否充足,“false”代表有资源。
  3. 调用查询作业引擎规格接口查看训练作业的引擎类型和版本。
    1. 请求消息体:

      URI格式:GET https://{ma_endpoint}/v1/{project_id}/job/ai-engines?job_type=train

      请求消息头:X-auth-Token →MIIZmgYJKoZIhvcNAQcCoIIZizCCGYcCAQExDTALBglghkgBZQMEAgEwgXXXXXX...

      其中,加粗的斜体字段需要根据实际值填写。

    2. 返回状态码“200 OK”,响应Body如下所示:
      {
        "engines": [
          {
            "engine_type": 13,
            "engine_name": "Ascend-Powered-Engine",
            "engine_id": 130,
            "engine_version": "TF-1.15-python3.7-aarch64"
          },
          ......
          {
            "engine_type": 1,
            "engine_name": "TensorFlow",
            "engine_id": 3,
            "engine_version": "TF-1.8.0-python2.7"
          },
          {
            "engine_type": 1,
            "engine_name": "TensorFlow",
            "engine_id": 4,
            "engine_version": "TF-1.8.0-python3.6"
          },
          ......
          {
            "engine_type": 9,
            "engine_name": "XGBoost-Sklearn",
            "engine_id": 100,
            "engine_version": "XGBoost-0.80-Sklearn-0.18.1-python3.6"
          }
        ],
        "is_success": true
      }

      根据“engine_name”“engine_version”字段选择创建训练作业时需要的引擎规格,并记录对应的“engine_id”,本章以TensorFlow引擎为例创建作业,记录“engine_id”“4”

  4. 调用创建训练作业接口创建一个基于TensorFlow框架的名称为“jobtest_TF”的训练作业。
    1. 请求消息体:

      URI格式:POST https://{ma_endpoint}/v1/{project_id}/training-jobs

      请求消息头:
      • X-auth-Token →MIIZmgYJKoZIhvcNAQcCoIIZizCCGYcCAQExDTALBglghkgBZQMEAgEwgXXXXXX...
      • Content-Type →application/json
      请求Body:
      {
          "job_name": "jobtest_TF",
          "job_desc": "TF识别手写数字",
          "config": {
              "worker_server_num": 1,
              "parameter": [],
              "flavor": {
                  "code": "modelarts.vm.cpu.8u"
              },
              "train_url": "/test-modelarts/mnist-model/output/",
              "engine_id": 4,
              "app_url": "/test-modelarts/mnist-tensorflow-code/",
              "boot_file_url": "/test-modelarts/mnist-tensorflow-code/train_mnist_tf.py",
              "data_source": [
                  {
                      "type": "obs",
                      "data_url": "/test-modelarts/dataset-mnist/"
                  }
              ]
          },
          "notification": {
              "topic_urn": "",
              "events": []
          },
          "workspace_id": "0"
      }
      其中,加粗的斜体字段需要根据实际值填写:
      • “job_name”“job_desc”填写训练作业的名称和描述。
      • “worker_server_num”“code”填写2获取的“max_num”“spec_code”的值。
      • “engine_id”填写3获取的引擎ID。
      • “train_url”填写训练作业的输出目录。
      • “app_url”“boot_file_url”填写训练作业的代码目录和代码启动文件。
      • “data_url”填写训练作业使用的数据集目录。
    2. 返回状态码“200 OK”,表示训练作业创建成功,响应Body如下所示:
      {
        "version_name": "V0001",
        "job_name": "jobtest_TF",
        "create_time": 1609121837000,
        "job_id": 567524,
        "resource_id": "jobaedef089",
        "version_id": 1108482,
        "is_success": true,
        "status": 1
      }
      • 记录“job_id”(训练作业的任务ID)和“version_id”(训练作业的版本ID)字段的值便于后续步骤使用。
      • “status”“1”表示训练作业在初始化状态中。
  5. 调用查询训练作业版本详情接口根据训练作业的ID查询训练作业的创建详情。
    1. 请求消息体:

      URI格式:GET https://{ma_endpoint}/v1/{project_id}/training-jobs/{job_id}/versions/{version_id}

      请求消息头:X-auth-Token →MIIZmgYJKoZIhvcNAQcCoIIZizCCGYcCAQExDTALBglghkgBZQMEAgEwgXXXXXX...

      其中,加粗的斜体字段需要根据实际值填写:
      • “job_id”4记录的训练作业的任务ID。
      • “version_id”4记录的训练作业的版本ID。
    2. 返回状态码“200 OK”,响应Body如下所示:
      {
        "dataset_name": null,
        "duration": 1326,
        "spec_code": "modelarts.vm.cpu.8u",
        "parameter": [],
        "start_time": 1609121913000,
        "model_outputs": [],
        "engine_name": "TensorFlow",
        "error_result": null,
        "gpu_type": "",
        "user_frame_image": null,
        "gpu": null,
        "dataset_id": null,
        "nas_mount_path": null,
        "task_summary": {},
        "max_num": 1,
        "model_metric_list": "{}",
        "is_zombie": null,
        "flavor_code": "modelarts.vm.cpu.8u",
        "gpu_num": 0,
        "train_url": "/test-modelarts/mnist-model/output/",
        "engine_type": 1,
        "job_name": "jobtest_TF",
        "nas_type": "efs",
        "outputs": null,
        "job_id": 567524,
        "data_url": "/test-modelarts/dataset-mnist/",
        "log_url": null,
        "boot_file_url": "/test-modelarts/mnist-tensorflow-code/train_mnist_tf.py",
        "volumes": null,
        "dataset_version_id": null,
        "algorithm_id": null,
        "worker_server_num": 1,
        "pool_type": "SYSTEM_DEFINED",
        "autosearch_config": null,
        "job_desc": "TF识别手写数字",
        "inputs": null,
        "model_id": null,
        "dataset_version_name": null,
        "pool_name": "hec-train-pub-cpu",
        "engine_version": "TF-1.8.0-python3.6",
        "system_metric_list": {
          "recvBytesRate": [
            "0",
            "0"
          ],
          "cpuUsage": [
            "0",
            "0"
          ],
          "sendBytesRate": [
            "0",
            "0"
          ],
          "memUsage": [
            "0",
            "0"
          ],
          "gpuUtil": [
            "0",
            "0"
          ],
          "gpuMemUsage": [
            "0",
            "0"
          ],
          "interval": 1,
          "diskWriteRate": [
            "0",
            "0"
          ],
          "diskReadRate": [
            "0",
            "0"
          ]
        },
        "retrain_model_id": null,
        "version_name": "V0001",
        "pod_version": "1.8.0-cp36",
        "engine_id": 4,
        "status": 10,
        "cpu": "32",
        "user_image_url": null,
        "spec_id": 27,
        "is_success": true,
        "storage": "",
        "nas_share_addr": null,
        "version_id": 1108482,
        "no_resource": false,
        "user_command": null,
        "resource_id": "jobaedef089",
        "core": "8",
        "npu_info": null,
        "app_url": "/test-modelarts/mnist-tensorflow-code/",
        "data_source": [
          {
            "type": "obs",
            "data_url": "/test-modelarts/dataset-mnist/"
          }
        ],
        "pre_version_id": null,
        "create_time": 1609121837000,
        "job_type": 1,
        "pool_id": "pool7d1e384a"
      }

      根据响应可以了解训练作业的版本详情,其中“status”“10”表示训练作业已经运行成功。

  6. 调用获取训练作业日志的文件名接口获取训练作业日志的文件名。
    1. 请求消息体:

      URI格式:GET https://{ma_endpoint}/v1/{project_id}/training-jobs/{job_id}/versions/{version_id}/log/file-names

      请求消息头:X-auth-Token →MIIZmgYJKoZIhvcNAQcCoIIZizCCGYcCAQExDTALBglghkgBZQMEAgEwgXXXXXX...

      其中,加粗的斜体字段需要根据实际值填写。

    2. 返回状态码“200 OK”,响应Body如下所示:
      {
        "is_success": true,
        "log_file_list": [
          "job-jobtest-tf.0"
        ]
      }

      表示只存在一个名称为“job-jobtest-tf.0”的日志文件。

  7. 调用查询训练作业日志向下查询8行训练作业日志文件的详细信息。
    1. 请求消息体:

      URI格式:GET https://{ma_endpoint}/v1/{project_id}/training-jobs/{job_id}/versions/{version_id}/aom-log?log_file=job-jobtest-tf.0&lines=8&order=desc

      请求消息头:X-auth-Token →MIIZmgYJKoZIhvcNAQcCoIIZizCCGYcCAQExDTALBglghkgBZQMEAgEwgXXXXXX...

      其中,加粗的斜体字段需要根据实际值填写:
      • “log_file”填写6获取的日志文件名。
      • “lines”填写需要获取的日志长度。
      • “order”填写日志查询方向。
    2. 返回状态码“200 OK”,响应Body如下所示:
      {
        "start_line": "1609121886518240330",
        "lines": 8,
        "is_success": true,
        "end_line": "1609121900042593083",
        "content": "Done exporting!\n\n[Modelarts Service Log]Training completed.\n\n[ModelArts Service Log]modelarts-pipe: will create log file /tmp/log/jobtest_TF.log\n\n[ModelArts Service Log]modelarts-pipe: will create log file /tmp/log/jobtest_TF.log\n\n[ModelArts Service Log]modelarts-pipe: will write log file /tmp/log/jobtest_TF.log\n\n[ModelArts Service Log]modelarts-pipe: param for max log length: 1073741824\n\n[ModelArts Service Log]modelarts-pipe: param for whether exit on overflow: 0\n\n[ModelArts Service Log]modelarts-pipe: total length: 23303\n"
      }
  8. 当训练作业使用完成或不再需要时,调用删除训练作业接口删除训练作业。
    1. 请求消息体:

      URI格式:GET https://{ma_endpoint}/v1/{project_id}/training-jobs/{job_id}

      请求消息头:X-auth-Token →MIIZmgYJKoZIhvcNAQcCoIIZizCCGYcCAQExDTALBglghkgBZQMEAgEwgXXXXXX...

      其中,加粗的斜体字段需要根据实际值填写。

    2. 返回状态码“200 OK”表示作业删除成功,响应示例如下:
      {
        "is_success": true
      }
分享:

    相关文档

    相关产品