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.
Centro de ayuda/ ModelArts/ Preguntas frecuentes/ Cuestiones generales/ ¿Qué marcos de IA admite ModelArts?
Actualización más reciente 2025-12-16 GMT+08:00
Ver PDF
Compartir

¿Qué marcos de IA admite ModelArts?

Los marcos y versiones de IA compatibles con ModelArts varían ligeramente según el notebook de entorno de desarrollo, los trabajos de entrenamiento y la inferencia de modelos (gestión y despliegue de aplicaciones de IA). A continuación se describen los marcos de IA soportados por cada módulo.

Notebook de entorno de desarrollo

La imagen y las versiones compatibles con las instancias de notebook de entorno de desarrollo varían según los entornos de tiempo de ejecución.

Tabla 1 Imágenes soportadas por el notebook de la nueva versión

Imagen

Descripción

Chip soportado

SSH remoto

JupyterLab en línea

pytorch1.8-cuda10.2-cudnn7-ubuntu18.04

Imagen pública impulsada por CPU o GPU para desarrollo y entrenamiento de algoritmos generales, con el motor de IA integrado PyTorch 1.8

CPU o GPU

Sí

Sí

mindspore1.7.0-cuda10.1-py3.7-ubuntu18.04

Desarrollo y entrenamiento de algoritmos generales basados en CPU o GPU, preconfigurados con el motor de IA MindSpore 1.7.0 y CUDA 10.1

CPU o GPU

Sí

Sí

mindspore1.7.0-py3.7-ubuntu18.04

Desarrollo y entrenamiento de algoritmos generales con CPU, preconfigurados con el motor de IA MindSpore 1.7.0

CPU

Sí

Sí

pytorch1.10-cuda10.2-cudnn7-ubuntu18.04

Desarrollo y entrenamiento de algoritmos generales basados en CPU o GPU, preconfigurados con el motor de IA PyTorch 1.10 y CUDA 10.2

CPU o GPU

Sí

Sí

tensorflow2.1-cuda10.1-cudnn7-ubuntu18.04

Imagen pública impulsada por CPU o GPU para el desarrollo y entrenamiento de algoritmos generales, con el motor de IA integrado TensorFlow 2.1

CPU o GPU

Sí

Sí

conda3-ubuntu18.04

Limpiar imagen base personalizada solo incluye Conda

CPU

Sí

Sí

pytorch1.4-cuda10.1-cudnn7-ubuntu18.04

Imagen pública impulsada por CPU o GPU para desarrollo y entrenamiento de algoritmos generales, con el motor de IA integrado PyTorch 1.4

CPU o GPU

Sí

Sí

tensorflow1.13-cuda10.0-cudnn7-ubuntu18.04

Imagen pública impulsada por GPU para el desarrollo y el entrenamiento de algoritmos generales, con el motor de IA integrado TensorFlow 1.13.1

GPU

Sí

Sí

conda3-cuda10.2-cudnn7-ubuntu18.04

La imagen base personalizada limpia incluye CUDA 10.2, Conda

CPU

Sí

Sí

spark2.4.5-ubuntu18.04

Desarrollo y entrenamiento de algoritmos con CPU, preconfigurados con PySpark 2.4.5 y se pueden conectar a clústeres de Spark preconfigurados, incluidos MRS y DLI

CPU

No

Sí

mindspore1.2.0-cuda10.1-cudnn7-ubuntu18.04

Imagen pública impulsada por GPU para desarrollo y entrenamiento de algoritmos, con motor de IA integrado MindSpore-GPU

GPU

Sí

Sí

mindspore1.2.0-openmpi2.1.1-ubuntu18.04

Imagen pública impulsada por CPU para desarrollo y entrenamiento de algoritmos, con motor de IA integrado MindSpore-CPU

CPU

Sí

Sí
Tabla 2 Imágenes soportadas por el notebook de la versión antigua

Entorno de tiempo de ejecución

Motor y versión de IA incorporados

Chip soportado

Multi-Engine 1.0 (Python3, Recomendado)

MXNet 1.2.1

CPU o GPU

PySpark 2.3.2

CPU

PyTorch 1.0.0

GPU

TensorFlow 1.13.1

CPU o GPU

TensorFlow 1.8

CPU o GPU

XGBoost-Sklearn

CPU

Multi-Engine 1.0 (Python2)

Caffe 1.0.0

CPU o GPU

MXNet 1.2.1

CPU o GPU

PySpark 2.3.2

CPU

PyTorch 1.0.0

GPU

TensorFlow 1.13.1

CPU o GPU

TensorFlow 1.8

CPU o GPU

XGBoost-Sklearn

CPU

Multi-Engine 2.0 (Python3)

PyTorch 1.4.0

GPU

R-3.6.1

CPU o GPU

TensorFlow 2.1.0

CPU o GPU

Trabajos de entrenamiento

En la siguiente tabla se enumeran los motores de IA.

Los motores de entrenamiento incorporados en la nueva versión se nombran en el siguiente formato:

<Training engine name_version>-[cpu | <cuda_version | cann_version >]-<py_version>-<OS name_version>-< x86_64 | aarch64>
Tabla 3 Motores de IA apoyados por trabajos de entrenamiento de la nueva versión

Entorno de tiempo de ejecución

Chip soportado

Arquitectura del sistema

Versión del sistema

Motor de AI y su versión

Versión compatible con CUDA o Ascend

TensorFlow

CPU o GPU

x86_64

Ubuntu 18.04

tensorflow_2.1.0-cuda_10.1-py_3.7-ubuntu_18.04-x86_64

CUDA 10.1

PyTorch

CPU o GPU

x86_64

Ubuntu 18.04

pytorch_1.8.0-cuda_10.2-py_3.7-ubuntu_18.04-x86_64

CUDA 10.2

MPI

GPU

x86_64

Ubuntu 18.04

mindspore_1.3.0-cuda_10.1-py_3.7-ubuntu_1804-x86_64

CUDA 10.1

Horovod

GPU

x86_64

Ubuntu 18.04

horovod_0.20.0-tensorflow_2.1.0-cuda_10.1-py_3.7-ubuntu_18.04-x86_64

CUDA 10.1

horovod_0.22.1-pytorch_1.8.0-cuda_10.2-py_3.7-ubuntu_18.04-x86_64

CUDA 10.2
Tabla 4 Motores de IA soportados por trabajos de entrenamiento de la versión anterior

Entorno de tiempo de ejecución

Chip soportado

Arquitectura del sistema

Versión del sistema

Motor de AI y su versión

Versión compatible con CUDA o Ascend

TensorFlow

CPU o GPU

x86_64

Ubuntu 16.04

TF-1.8.0-python2.7

-

TF-1.8.0-python3.6

-

TF-1.13.1-python2.7

-

TF-1.13.1-python3.6

-

TF-2.1.0-python3.6

-

MXNet

CPU o GPU

x86_64

Ubuntu 16.04

MXNet-1.2.1-python2.7

-

MXNet-1.2.1-python3.6

-

Spark_MLlib

CPU

x86_64

Ubuntu 16.04

Spark-2.3.2-python3.6

-

Spark-2.3.2-python2.7

-

Ray

CPU o GPU

x86_64

Ubuntu 16.04

RAY-0.7.4-python3.6

-

PyTorch

CPU o GPU

x86_64

Ubuntu 16.04

PyTorch-1.0.0-python2.7

-

PyTorch-1.0.0-python3.6

-

PyTorch-1.3.0-python2.7

-

PyTorch-1.3.0-python3.6

-

PyTorch-1.4.0-python3.6

-

Caffe

CPU o GPU

x86_64

Ubuntu 16.04

Caffe-1.0.0-python2.7

CUDA 8.0

MindSpore-GPU

GPU

x86_64

Ubuntu 18.04

MindSpore-1.1.0-python3.7

-

MindSpore-1.2.0-python3.7

-

Motores de IA compatibles para la inferencia de ModelArts

Si importa un modelo desde una plantilla u OBS para crear una aplicación de IA, puede seleccionar los motores y las versiones de IA en la siguiente tabla.

  • Los entornos de tiempo de ejecución marcados con recommended provienen de imágenes unificadas, que se utilizarán como imágenes de inferencia base convencionales. Las imágenes unificadas proporcionan paquetes de instalación completos.
  • Las imágenes de la versión anterior serán descontinuadas. Utilice imágenes unificadas.
  • Una imagen de tiempo de ejecución unificada se denomina con el siguiente formato: <AI engine and version> - <Hardware and version: CPU, CUDA, or CANN> - <Python version> - <SO version> - <CPU architecture>
Tabla 5 Motores de IA compatibles y su tiempo de ejecución

Motor

Entorno de ejecución

Nota

TensorFlow

python3.6

python2.7

tf1.13-python2.7-gpu

tf1.13-python2.7-cpu

tf1.13-python3.6-gpu

tf1.13-python3.6-cpu

tf1.13-python3.7-cpu

tf1.13-python3.7-gpu

tf2.1-python3.7

tensorflow_2.1.0-cuda_10.1-py_3.7-ubuntu_18.04-x86_64 (recommended)
  • TensorFlow 1.8.0 se utiliza en python2.7 y python3.6.
  • python3.6, python2.7, y tf2.1-python3.7 indican que el modelo puede ejecutarse tanto en CPU como en GPU. Para otros valores de tiempo de ejecución, si el sufijo contiene cpu o gpu, el modelo solo puede ejecutarse en CPU o GPU.
  • El tiempo de ejecución predeterminado es python2.7.

MXNet

python3.7

python3.6

python2.7
  • MXNet 1.2.1 se utiliza en python2.7, python3.6 y python3.7.
  • python2.7, python3.6 y python3.7 indican que el modelo puede ejecutarse tanto en CPU como en GPU.
  • El tiempo de ejecución predeterminado es python2.7.

Caffe

python2.7

python3.6

python3.7

python2.7-gpu

python3.6-gpu

python3.7-gpu

python2.7-cpu

python3.6-cpu

python3.7-cpu
  • Caffe 1.0.0 se utiliza en python2.7, python3.6, python3.7, python2.7-gpu, python3.6-gpu, python3.7-gpu, python2.7-cpu, python3.6-cpu y python3.7-cpu.
  • python 2.7, python3.7 y python3.6 solo se pueden usar para ejecutar modelos en CPU. Para otros valores de tiempo de ejecución, si el sufijo contiene cpu o gpu, el modelo solo puede ejecutarse en CPU o GPU. Utilice el tiempo de ejecución de python2.7-gpu, python3.6-gpu, python3.7-gpu, python2.7-cpu, python3.6-cpu o python3.7-cpu.
  • El tiempo de ejecución predeterminado es python2.7.

Spark_MLlib

python2.7

python3.6
  • Spark_MLlib 2.3.2 se utiliza en python2.7 y python3.6.
  • El tiempo de ejecución predeterminado es python2.7.
  • python2.7 y python3.6 solo se pueden usar para ejecutar modelos en CPU.

Scikit_Learn

python2.7

python3.6
  • Scikit_Learn 0.18.1 se utiliza en python2.7 y python3.6.
  • El tiempo de ejecución predeterminado es python2.7.
  • python2.7 y python3.6 solo se pueden usar para ejecutar modelos en CPU.

XGBoost

python2.7

python3.6
  • XGBoost 0.80 se utiliza en python2.7 y python3.6.
  • El tiempo de ejecución predeterminado es python2.7.
  • python2.7 y python3.6 solo se pueden usar para ejecutar modelos en CPU.

PyTorch

python2.7

python3.6

python3.7

pytorch1.4-python3.7

pytorch1.5-python3.7

pytorch_1.8.0-cuda_10.2-py_3.7-ubuntu_18.04-x86_64 (recomendado)
  • PyTorch 1.0 se utiliza en python2.7, python3.6 y python3.7.
  • python2.7, python3.6, python3.7, pytorch1.4-python3.7 y pytorch1.5-python3.7 indican que el modelo puede ejecutarse tanto en CPU como en GPU.
  • El tiempo de ejecución predeterminado es python2.7.

MindSpore

aarch64

mindspore_1.7.0-cpu-py_3.7-ubuntu_18.04-x86_64 (recommended)

AArch64 solo puede ejecutarse en chips D310.
Tema principal: Cuestiones generales