Estos contenidos se han traducido de forma automática para su comodidad, pero Huawei Cloud no garantiza la exactitud de estos. Para consultar los contenidos originales, acceda a la versión en inglés.
Cómputo
Elastic Cloud Server
Bare Metal Server
Auto Scaling
Image Management Service
Dedicated Host
FunctionGraph
Cloud Phone Host
Huawei Cloud EulerOS
Redes
Virtual Private Cloud
Elastic IP
Elastic Load Balance
NAT Gateway
Direct Connect
Virtual Private Network
VPC Endpoint
Cloud Connect
Enterprise Router
Enterprise Switch
Global Accelerator
Gestión y gobernanza
Cloud Eye
Identity and Access Management
Cloud Trace Service
Resource Formation Service
Tag Management Service
Log Tank Service
Config
Resource Access Manager
Simple Message Notification
Application Performance Management
Application Operations Management
Organizations
Optimization Advisor
Cloud Operations Center
Resource Governance Center
Migración
Server Migration Service
Object Storage Migration Service
Cloud Data Migration
Migration Center
Cloud Ecosystem
KooGallery
Partner Center
User Support
My Account
Billing Center
Cost Center
Resource Center
Enterprise Management
Service Tickets
HUAWEI CLOUD (International) FAQs
ICP Filing
Support Plans
My Credentials
Customer Operation Capabilities
Partner Support Plans
Professional Services
Análisis
MapReduce Service
Data Lake Insight
CloudTable Service
Cloud Search Service
Data Lake Visualization
Data Ingestion Service
GaussDB(DWS)
DataArts Studio
IoT
IoT Device Access
Otros
Product Pricing Details
System Permissions
Console Quick Start
Common FAQs
Instructions for Associating with a HUAWEI CLOUD Partner
Message Center
Seguridad y cumplimiento
Security Technologies and Applications
Web Application Firewall
Host Security Service
Cloud Firewall
SecMaster
Data Encryption Workshop
Database Security Service
Cloud Bastion Host
Data Security Center
Cloud Certificate Manager
Blockchain
Blockchain Service
Servicios multimedia
Media Processing Center
Video On Demand
Live
SparkRTC
Almacenamiento
Object Storage Service
Elastic Volume Service
Cloud Backup and Recovery
Storage Disaster Recovery Service
Scalable File Service
Volume Backup Service
Cloud Server Backup Service
Data Express Service
Dedicated Distributed Storage Service
Contenedores
Cloud Container Engine
SoftWare Repository for Container
Application Service Mesh
Ubiquitous Cloud Native Service
Cloud Container Instance
Bases de datos
Relational Database Service
Document Database Service
Data Admin Service
Data Replication Service
GeminiDB
GaussDB
Distributed Database Middleware
Database and Application Migration UGO
TaurusDB
Middleware
Distributed Cache Service
API Gateway
Distributed Message Service for Kafka
Distributed Message Service for RabbitMQ
Distributed Message Service for RocketMQ
Cloud Service Engine
EventGrid
Dedicated Cloud
Dedicated Computing Cluster
Aplicaciones empresariales
ROMA Connect
Message & SMS
Domain Name Service
Edge Data Center Management
Meeting
AI
Face Recognition Service
Graph Engine Service
Content Moderation
Image Recognition
Data Lake Factory
Optical Character Recognition
ModelArts
ImageSearch
Conversational Bot Service
Speech Interaction Service
Huawei HiLens
Developer Tools
SDK Developer Guide
API Request Signing Guide
Terraform
Koo Command Line Interface
Distribución de contenido y cómputo de borde
Content Delivery Network
Intelligent EdgeFabric
CloudPond
Soluciones
SAP Cloud
High Performance Computing
Servicios para desarrolladores
ServiceStage
CodeArts
CodeArts PerfTest
CodeArts Req
CodeArts Pipeline
CodeArts Build
CodeArts Deploy
CodeArts Artifact
CodeArts TestPlan
CodeArts Check
Cloud Application Engine
aPaaS MacroVerse
KooPhone
KooDrive

Creación de un algoritmo mediante una imagen personalizada

Actualización más reciente 2024-09-14 GMT+08:00

Sus algoritmos desarrollados localmente o desarrollados utilizando otras herramientas se pueden cargar en ModelArts para una gestión unificada.

Entradas para crear un algoritmo

Puede crear un algoritmo usando una imagen personalizada de ModelArts de cualquiera de las siguientes maneras:

  • Entrada 1: En la consola de ModelArts, elija Algorithm Management > My algorithms. Luego, cree un algoritmo y utilícelo en los trabajos de entrenamiento o publíquelo en AI Gallery.
  • Entrada 2: En la consola de ModelArts, elija Training Management > Training Jobs y haga clic en Create Training Job para crear un algoritmo personalizado y enviar un trabajo de entrenamiento. Para más detalles, véase Uso de una imagen personalizada para crear un trabajo de entrenamiento basado en CPU o GPU.

Parámetros para crear un algoritmo

Tabla 1 Parámetros para crear un algoritmo

Parámetro

Descripción

Boot Mode

Seleccione Custom images. Este parámetro es obligatorio.

Image

URL de una imagen de SWR. Este parámetro es obligatorio.

  • Imágenes privadas o imágenes compartidas: Haga clic en Select a la derecha para seleccionar una imagen de SWR. Asegúrese de que la imagen se ha cargado a SWR. Para más detalles, véase ¿Cómo puedo iniciar sesión en SWR y cargar imágenes en él?.
  • Imágenes públicas: También puede introducir manualmente la ruta de la imagen en el formato "<Organización a la que pertenece la imagen>/<Nombre de la imagen>" en SWR. No contenga el nombre de dominio (swr.<region>.xxx.com) en la ruta porque el sistema agregará automáticamente el nombre de dominio a la ruta. Por ejemplo:
    modelarts-job-dev-image/pytorch_1_8:train-pytorch_1.8.0-cuda_10.2-py_3.7-euleros_2.10.1-x86_64-8.1.1

Code Directory

Ruta de OBS para almacenar el código de entrenamiento. Este parámetro es opcional.

Tome la ruta de OBS obs://obs-bucket/training-test/demo-code como ejemplo. El contenido de la ruta de OBS se descargará automáticamente a ${MA_JOB_DIR}/demo-code en el contenedor de entrenamiento, y demo-code (personalizable) es el directorio de último nivel de la ruta de OBS.

Boot Command

Comando para arrancar una imagen. Este parámetro es obligatorio. El comando de arranque se ejecutará automáticamente después de descargar el directorio de código.

  • Si el script de arranque de entrenamiento es un archivo .py, train.py por ejemplo, el comando boot puede ser python ${MA_JOB_DIR}/demo-code/train.py.
  • Si el script de arranque de entrenamiento es un archivo .sh, main.sh por ejemplo, el comando boot puede ser bash ${MA_JOB_DIR}/demo-code/main.sh.

Los puntos y coma (;) y ampersands (&&) se pueden usar para combinar varios comandos de arranque, pero no se admiten saltos de línea. demo-code (personalizable) en el comando de arranque es el directorio del último nivel de la ruta OBS.

Configuración de tuberías

Un algoritmo basado en imágenes preestablecidas obtiene datos de un bucket de OBS o conjunto de datos para el entrenamiento del modelo. La salida de entrenamiento se almacena en un bucket de OBS. Los parámetros de entrada y salida del código del algoritmo deben analizarse para permitir el intercambio de datos entre ModelArts y OBS. Para obtener más información sobre cómo desplegar el código para entrenamientos en ModelArts, consulte Despliegue de un script personalizado.

Cuando utilice una imagen preestablecida para crear un algoritmo, configure las canalizaciones de entrada y salida.

  • Configuraciones de entrada
    Tabla 2 Configuraciones de entrada

    Parámetro

    Descripción

    Parameter Name

    Establezca el nombre basado en el parámetro de entrada de datos en su código de algoritmo. El parámetro de ruta de acceso del código debe ser el mismo que el parámetro de entrada de entrenamiento analizado en el código del algoritmo. De lo contrario, el código de algoritmo no puede obtener los datos de entrada.

    Por ejemplo, si utiliza argparse en el código del algoritmo para analizar data_url en la entrada de datos, configure el parámetro de entrada de datos en data_url al crear el algoritmo.

    Description

    Descripción personalizable del parámetro de entrada,

    Obtained from

    Fuente del parámetro de entrada. Puede seleccionar Hyperparameters (predeterminado) o Environment variables.

    Constraints

    Si los datos se obtienen de una ruta de almacenamiento o de un conjunto de datos de ModelArts.

    Si selecciona el conjunto de datos de ModelArts como el origen de datos, se agregan las siguientes restricciones:

    • Labeling Type: para obtener más información, véase Creación de un trabajo de etiquetado.
    • Data Format, que puede ser Default, CarbonData o ambos. Default indica el formato de manifiesto.
    • Data Segmentation: solo está disponible para los conjuntos de datos de clasificación de imágenes, de detección de objetos, de clasificación de texto y de clasificación de sonido.

      Los valores posibles son Segmented dataset, Dataset not segmented y Unlimited. Para obtener más información, consulte Publicación de una versión de datos.

    Add

    Se permiten múltiples fuentes de entrada de datos.

  • Configuraciones de salida
    Tabla 3 Configuraciones de salida

    Parámetro

    Descripción

    Parameter Name

    Establezca el nombre basado en el parámetro de salida de datos en su código de algoritmo. El parámetro de ruta de acceso del código debe ser el mismo que el parámetro de salida de entrenamiento analizado en el código del algoritmo. De lo contrario, el código de algoritmo no puede obtener la ruta de salida.

    Por ejemplo, si utiliza argparse en el código del algoritmo para analizar train_url en la salida de datos, establezca el parámetro de salida de datos en train_url al crear el algoritmo.

    Description

    Descripción personalizable del parámetro de salida,

    Obtained from

    Fuente del parámetro de salida. Puede seleccionar Hyperparameters (predeterminado) o Environment variables.

    Add

    Se permiten múltiples rutas de salida de datos.

Definición de Hiperparámetros

Cuando se utiliza una imagen preestablecida para crear un algoritmo, ModelArts le permite personalizar los hiperparámetros para que pueda verlos o modificarlos en cualquier momento. Después de definir los hiperparámetros, se muestran en el comando de inicio y se transfieren al archivo de inicio como parámetros de CLI.

  1. Importar hiperparámetros.

    Puede hacer clic en Add hyperparameter para agregar manualmente hiperparámetros.

    Figura 1 Adición de hiperparámetros
  2. Editar hiperparámetros.

    Para más detalles, véase Tabla 4.

    Tabla 4 Hiperparámetros

    Parámetro

    Descripción

    Name

    Nombre de hiperparámetro.

    Introduzca de 1 a 64 caracteres. Solo se permiten letras, dígitos, guiones medios (-) y guiones bajos (_).

    Type

    Tipo del hiperparámetro, que puede ser String, Integer, Float o Boolean

    Default

    Valor predeterminado del hiperparámetro, que se utiliza para los trabajos de entrenamiento de forma predeterminada

    Constraints

    Haga clic en Restrain. A continuación, establezca el rango del valor predeterminado o el valor enumerado en el cuadro de diálogo que se muestra.

    Required

    Seleccione Yes o No.

    • Si selecciona No, puede eliminar el hiperparámetro en la página de creación de trabajos de entrenamiento cuando utilice este algoritmo para crear un trabajo de entrenamiento.
    • Si selecciona Yes, no puede suprimir el hiperparámetro de la página de creación de trabajos de entrenamiento cuando utilice este algoritmo para crear un trabajo de entrenamiento.

    Description

    Descripción del hiperparámetro

    Solo se permiten letras, dígitos, espacios, guiones (-), guiones bajos (_), comas (,) y puntos (.).

Adición de restricciones de entrenamiento

Puede agregar restricciones de entrenamiento del algoritmo en función de sus necesidades.

  • Resource Type: Seleccione los tipos de recursos necesarios.
  • Multicard Training: Seleccione si desea admitir el entrenamiento de varias tarjetas.
  • Distributed Training: Seleccione si desea admitir el entrenamiento distribuido.

Vista previa del entorno en tiempo de ejecución

Al crear un algoritmo, haga clic en la flecha de en la esquina inferior derecha de la página para conocer la ruta del directorio de código, el archivo de arranque y los datos de entrada y salida en el contenedor de entrenamiento.

Procedimiento posterior

Después de crear un algoritmo, úselo para crear un trabajo de entrenamiento. Para más detalles, véase Uso de una imagen personalizada para crear un trabajo de entrenamiento basado en CPU o GPU.

Utilizamos cookies para mejorar nuestro sitio y tu experiencia. Al continuar navegando en nuestro sitio, tú aceptas nuestra política de cookies. Descubre más

Comentarios

Comentarios

Comentarios

0/500

Seleccionar contenido

Enviar el contenido seleccionado con los comentarios