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 2023-10-09 GMT+08:00

Ver PDF

¿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	GPU	x86_64	Ubuntu 18.04	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	CPU o GPU	x86_64	Ubuntu 16.04	MXNet-1.2.1-python3.6	-
Spark_MLlib	CPU	x86_64	Ubuntu 16.04	Spark-2.3.2-python3.6	-
Spark_MLlib	CPU	x86_64	Ubuntu 16.04	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-GPU	GPU	x86_64	Ubuntu 18.04	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. Para más detalles, consulte Imágenes de base de inferencia disponibles.
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

Comentarios

¿Le pareció útil esta página?

Sí No

Deje algún comentario

Muchas gracias por sus comentarios. Seguiremos trabajando para mejorar la documentación.

El sistema está ocupado. Vuelva a intentarlo más tarde.

¿Cuáles de los siguientes problemas se presentaron?

Contenido diferente a la de la IU del producto

Descripciones poco claras

Falta de ejemplos o código

Pasos incorrectos

No puedo encontrar lo que necesito

Falta de prácticas recomendadas

Comentarios (opcional)

0/500

Seleccione al menos un tipo de problema e ingrese sus comentarios o sugerencias.

Ingrese 500 caracteres como máximo.

Enviar Cancelar