Este conteúdo foi traduzido por máquina para sua conveniência e a Huawei Cloud não pode garantir que o conteúdo foi traduzido com precisão. Para exibir o conteúdo original, use o link no canto superior direito para mudar para a página em inglês.

Visão geral de serviço
- Infográficos
  - O que é o ModelArts?
- O que é o ModelArts?
- Funções
- Conhecimento básico
- Serviços relacionados
- Como acessar o ModelArts?
- Gerenciamento de permissões
- Segurança
- Cotas
Preparações
- Criação de um ID da HUAWEI e ativação dos serviços da Huawei Cloud
- Logon no console de gerenciamento do ModelArts
- Configuração da autorização de acesso (configuração global)
- Criação de um bucket do OBS
- Ativação de recursos do ModelArts
  - Recursos do ModelArts
  - Pagamento por uso
DevEnviron
- Introdução ao DevEnviron
- Cenários de aplicações
- Gerenciamento de instâncias do notebook
- JupyterLab
- IDE local
- Referência de comandos da CLI do ModelArts
Gerenciamento de recursos
- Pool de recursos
- Cluster elástico
- Logs de auditoria
  - Principais operações gravadas pelo CTS
  - Visualização de logs de auditoria
- Monitoramento de recursos
Contêineres do Docker com ModelArts
- Gerenciamento de imagens
- Uso de uma imagem predefinida
- Uso de imagens personalizadas em instâncias de notebook
- Uso de uma imagem personalizada para treinar modelos (treinamento de modelo)
- Uso de uma imagem personalizada para criar aplicações de IA para implementação de inferência
  - Especificações de imagem personalizada para criar aplicações de IA
  - Criação de uma imagem personalizada e uso dela para criar uma aplicação de IA
- Perguntas frequentes
- Histórico de modificações
Melhores práticas
- Pool de recursos
- Cluster elástico
- Logs de auditoria
  - Principais operações gravadas pelo CTS
  - Visualização de logs de auditoria
- Monitoramento de recursos
No momento, o conteúdo não está disponível no seu idioma selecionado. Consulte a versão em inglês.
What's New
Function Overview
Product Bulletin
- [Notice] Huawei Cloud ModelArts Has Discontinued the Old Version of Training Management
Billing
- Billing Modes
- Billing Item
- Billing Examples
- Changing the Billing Mode
- Renewal
- Bills
- About Arrears
- Stopping Billing
- Cost Management
- Billing FAQs
Getting Started
- How to Use ModelArts
- Using a Custom Algorithm to Build a Handwritten Digit Recognition Model
- Practices for Beginners
ModelArts User Guide (Standard)
- ModelArts Standard Usage
- ModelArts Standard Preparations
- ModelArts Standard Resource Management
- Using ExeML for Zero-Code AI Development
- Using Workflows for Low-Code AI Development
- Development Environments
- Data Management
- Model Training
- Inference Deployment
- Image Management
- Resource Monitoring
- Viewing Audit Logs
  - ModelArts Key Operations Traced by CTS
  - Viewing ModelArts Audit Logs
ModelArts User Guide (Lite Server)
- Before You Start
- Enabling Lite Server Resources
- Configuring Lite Server Resources
- Using Lite Server Resources
  - PyTorch GPU Training and Inference Guide for GPT-2
- Managing Lite Server Resources
ModelArts User Guide (Lite Cluster)
- Before You Start
- Enabling Lite Cluster Resources
- Configuring Lite Cluster Resources
- Using Lite Cluster Resources
- Managing Lite Server Resources
ModelArts User Guide (AI Gallery)
- AI Gallery
- Free Assets
- My Gallery
- Subscription & Use
- Publish & Share
  - Publishing a Free Algorithm
  - Publishing a Free Model
API Reference
- Before You Start
- API Overview
- Calling APIs
- Development Environment Management
- Training Management
- AI Application Management
- App Authentication Management
- Service Management
- Resource Management
- DevServer Management
- Authorization Management
- Managing DevEnviron Instances
  - Querying All Notebook Instances
- Use Cases
- Permissions Policies and Supported Actions
- Common Parameters
- Historical APIs
- Change History
SDK Reference
- Before You Start
- SDK Overview
- Getting Started
- (Optional) Installing the ModelArts SDK Locally
- Session Authentication
- OBS Management
- Data Management
- Training Management (New Version)
  - Training Jobs
  - APIs for Resources and Engine Specifications
    - Obtaining Resource Flavors
    - Obtaining Engine Types
- Training Management (Old Version)
- Model Management
- Service Management
- Change History
FAQs
- General Issues
- Billing
- ExeML (Old Version)
- Data Management (Old Version)
- Notebook (New Version)
- Training Jobs
- Service Deployment
  - Model Management
    - Importing Models
  - Service Deployment
    - Functional Consulting
    - Real-Time Services
- Resource Pools
- API/SDK
- Using PyCharm Toolkit
Troubleshooting
- General Issues
  - Incorrect OBS Path on ModelArts
- ExeML
- DevEnviron
- Training Jobs
- Inference Deployment
- MoXing
- APIs or SDKs
Videos
User Guide (ExeML)
- ExeML (New Version)
- ExeML (Old Version)
Workflows
- MLOps Overview
- What Is Workflow?
- How to Use a Workflow?
- How to Develop a Workflow?
Model Development (To Be Offline)
- Introduction to Model Development
- Preparing Data
- Preparing Algorithms
- Performing a Training
- Advanced Training Operations
- Distributed Training
- Automatic Model Tuning (AutoSearch)
Model Inference (To Be Offline)
- Introduction to Inference
- Managing AI Applications
- Deploying an AI Application as a Service
- Inference Specifications
- ModelArts Monitoring on Cloud Eye
Data Preparation and Analytics
- Introduction to Data Preparation
- Getting Started
- Creating a Dataset
- Importing Data
- Data Analysis and Preview
- Labeling Data
- Publishing Data
- Exporting Data
Data Labeling (To Be Offline)
- Introduction to Data Labeling
- Manual Labeling
- Auto Labeling
  - Creating an Auto Labeling Job
  - Confirming Hard Examples
- Team Labeling
User Guide for Senior AI Engineers (To Be Offline)
- Operation Guide
- Data Management (Old Version to Be Terminated)
- Training Management (Old Version )
- Resource Pools (Old Version to Be Terminated)
- Custom Images
- Permissions Management
  - Creating a User and Granting Permissions
  - Creating a Custom Policy
- Audit Logs
  - Key Operations Recorded by CTS
  - Viewing Audit Logs
- Change History

Nesta página

Pré-requisitos
Observação
Criar um trabalho de visualização do MindInsight em um ambiente de desenvolvimento
Etapa 1 Criar um ambiente de desenvolvimento e acesse-o on-line
Etapa 2 Carregar os dados de resumo
Etapa 3 Iniciar o MindInsight
Etapa 4 Exibir dados Visualizados no painel de treinamento
Operações relacionadas

Mostrar todos

Central de ajuda/ ModelArts/ DevEnviron/ JupyterLab/ Treinamento de modelo visualizado/ Trabalhos de visualização do MindInsight

Trabalhos de visualização do MindInsight

Atualizado em 2024-09-14 GMT+08:00

Ver PDF

Notebook do ModelArts da nova versão suporta trabalhos de visualização do MindInsight. Em um ambiente de desenvolvimento, use um pequeno conjunto de dados para treinar e depurar um algoritmo. Isso é usado para verificar a convergência do algoritmo e detectar problemas de treinamento, facilitando a depuração.

O MindInsight visualiza informações como escalares, imagens, gráficos computacionais e hiperparâmetros do modelo durante o treinamento. Ele também fornece funções como painel de treinamento, linhagem de modelos, linhagem de dados e depuração de desempenho, ajudando você a treinar e depurar modelos com eficiência. O MindInsight oferece suporte a trabalhos de treinamento de MindSpore. Para mais informações sobre o MindInsight consulte o site oficial do MindSpore.

O MindSpore permite que você salve dados no arquivo de log de resumo e obtenha os dados na GUI do MindInsight.

Pré-requisitos

Ao usar o MindSpore para editar um script de treinamento, adicione o código para coletar o registro de resumo ao script para garantir que o arquivo de resumo seja gerado no resultado do treinamento.

Para obter detalhes, consulte Coleta de registro de resumo.

Observação

Para executar um trabalho de treinamento do MindInsight em um ambiente de desenvolvimento, inicie o MindInsight e o processo de treinamento.
Somente o treinamento em uma placa de nó único é suportada.
Um trabalho de visualização em execução não é cobrado separadamente. Quando a instância de notebook de destino é interrompida, o faturamento é interrompido.
Se o arquivo de resumo estiver armazenado no OBS, o armazenamento do OBS será cobrado separadamente. Após a conclusão de um trabalho, interrompa a instância do notebook e limpe os dados do OBS para interromper o faturamento.

Criar um trabalho de visualização do MindInsight em um ambiente de desenvolvimento

Etapa 1 Criar um ambiente de desenvolvimento e acesse-o on-line

Etapa 2 Carregar os dados de resumo

Etapa 3 Iniciar o MindInsight

Etapa 4 Exibir dados Visualizados no painel de treinamento

Etapa 1 Criar um ambiente de desenvolvimento e acesse-o on-line

Faça logon no console de gerenciamento do ModelArts, escolha DevEnviron > Notebook e crie uma instância de ambiente de desenvolvimento para o mecanismo MindSpore. Depois que a instância for criada, clique em Open na coluna Operation da instância para acessá-la on-line.

As imagens e os tipos de recursos suportados pelos trabalhos de treinamento de visualização do MindInsight são os seguintes:

MindSpore 2.0 (CPU ou GPU)
MindSpore 1.5.x ou posterior (Ascend)

Etapa 2 Carregar os dados de resumo

Os dados de resumo são necessários para a visualização do MindInsight em um ambiente de desenvolvimento.

Carregue os dados de resumo para o diretório /home/ma-user/work/ em um ambiente de desenvolvimento ou armazene-os em um sistema de arquivos paralelo do OBS.

Para obter detalhes sobre como carregar os dados de resumo para /home/ma-user/work/, consulte Upload de arquivos para JupyterLab.
Para armazenar os dados de resumo em um sistema de arquivos paralelo do OBS montado em uma instância de notebook, carregue o arquivo de resumo gerado durante o treinamento do modelo no sistema de arquivos paralelo do OBS e verifique se o sistema de arquivos paralelo do OBS e o ModelArts estão na mesma região. Quando o MindInsight é iniciado em uma instância de notebook, ela lê automaticamente os dados de resumo do sistema de arquivos paralelo do OBS montado.

Etapa 3 Iniciar o MindInsight

Escolha uma maneira que você gostaria de iniciar o MindInsight no JupyterLab.

Figura 1 Iniciar o MindInsight no JupyterLab

Método 1

Clique em para ir para o ambiente de desenvolvimento do JupyterLab. Um arquivo IPYNB será criado automaticamente.

Insira o seguinte comando na caixa de diálogo:

%reload_ext mindinsight
%mindinsight --port {PORT} --summary-base-dir {SUMMARY_BASE_DIR}

Parâmetros:

port {PORT}: porta de serviço Web para visualização, cujo padrão é 8080. Se a porta padrão 8080 tiver sido usada, especifique uma porta de 1 a 65535.
summary-base-dir{SUMMARY_BASE_DIR}: caminho de armazenamento de dados no ambiente de desenvolvimento
- Caminho local para o ambiente de desenvolvimento: ./work/xxx (caminho relativo) ou /home/ma-user/work/xxx (caminho absoluto)
- Caminho para o bucket do sistema de arquivos paralelo do OBS: obs://xxx/

For example:
# If the summary data is stored in /home/ma-user/work/ of a development environment, run the following command:
%mindinsight --summary-base-dir /home/ma-user/work/xxx 
Or
# If the summary data is stored in an OBS parallel file system, run the following command. Then, the development environment will automatically mount the storage path to the OBS parallel file system and read data from the path.
%mindinsight --summary-base-dir obs://xxx/

Figura 2 Página do MindInsight (1)

Método 2

Clique em para ir para a página do MindInsight.

Os dados são lidos de /home/ma-user/work/ por padrão.

Se houver dois projetos ou mais, selecione o projeto de destino para exibir seus logs.

Figura 3 Página do MindInsight (2)

Método 3

Escolha View > Activate Command Palette, insira MindInsight na caixa de pesquisa e clique em Create a new MindInsight.
Figura 4 Criar um novo MindInsight
Insira o caminho para os dados de resumo ou o caminho de armazenamento para o sistema de arquivos paralelo do OBS e clique em CREATE.
- Caminho local para o ambiente de desenvolvimento: ./summary (caminho relativo) ou /home/ma-user/work/summary (caminho absoluto)
- Caminho para o sistema de arquivos paralelo do OBS: obs://xxx/
Figura 5 Caminho para os dados de resumo

Figura 6 Página do MindInsight (3)

Um máximo de 10 instâncias do MindInsight podem ser iniciadas usando o método 2 ou 3.

Método 4

Clique em e execute o seguinte comando (a IU não será exibida):

mindinsight start --summary-base-dir ./summary_dir

Figura 7 Abrir MindInsight por meio do terminal

Etapa 4 Exibir dados Visualizados no painel de treinamento

O painel de treinamento é importante para a visualização do MindInsight. Permite a visualização de escalares, distribuição de parâmetros, grafos computacionais, grafos de conjunto de dados, imagens e tensores.

Para obter mais informações, consulte Visualização do painel de treinamento no site oficial do MindSpore.

Operações relacionadas

Para interromper uma instância do MindInsight, use um dos seguintes métodos:

Método 1: digite o seguinte comando na janela do arquivo .ipynb do JupyterLab em que o número da porta é configurado no Iniciar MindInsight (8080 por padrão):
```
!mindinsight stop --port 8080
```
Método 2: clique em . A página de gerenciamento de instâncias do MindInsight é exibida, mostrando todas as instâncias do MindInsight iniciadas. Clique em SHUT DOWN ao lado da instância de destino para interrompê-la.
Figura 8 Interrupção de uma instância
Método 3: clique em na figura a seguir para fechar todas as instâncias do MindInsight iniciadas.
Figura 9 Interromper todas as instâncias de MindInsight iniciadas
Método 4 (não recomendado): feche a janela do MindInsight no JupyterLab. Dessa forma, apenas a janela de visualização é fechada, mas a instância ainda está em execução no back-end.