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.
Computação
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
Gerenciamento e governança
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
Migração
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
Análises
MapReduce Service
Data Lake Insight
CloudTable Service
Cloud Search Service
Data Lake Visualization
Data Ingestion Service
GaussDB(DWS)
DataArts Studio
IoT
IoT Device Access
Outros
Product Pricing Details
System Permissions
Console Quick Start
Common FAQs
Instructions for Associating with a HUAWEI CLOUD Partner
Message Center
Segurança e conformidade
Security Technologies and Applications
Web Application Firewall
Host Security Service
Cloud Firewall
SecMaster
Anti-DDoS Service
Data Encryption Workshop
Database Security Service
Cloud Bastion Host
Data Security Center
Cloud Certificate Manager
Situation Awareness
Managed Threat Detection
Blockchain
Blockchain Service
Serviços de mídia
Media Processing Center
Video On Demand
Live
SparkRTC
Armazenamento
Object Storage Service
Elastic Volume Service
Cloud Backup and Recovery
Cloud Server Backup Service
Storage Disaster Recovery Service
Scalable File Service
Volume Backup Service
Data Express Service
Dedicated Distributed Storage Service
Containers
Cloud Container Engine
SoftWare Repository for Container
Application Service Mesh
Ubiquitous Cloud Native Service
Cloud Container Instance
Bancos de dados
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
Aplicações de negócios
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
Distribuição de conteúdo e computação de borda
Content Delivery Network
Intelligent EdgeFabric
CloudPond
Soluções
SAP Cloud
High Performance Computing
Serviços para desenvolvedore
ServiceStage
CodeArts
CodeArts PerfTest
CodeArts Req
CodeArts Pipeline
CodeArts Build
CodeArts Deploy
CodeArts Artifact
CodeArts TestPlan
CodeArts Check
Cloud Application Engine
MacroVerse aPaaS
KooPhone
KooDrive

Envio de um trabalho de treinamento (nova versão)

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

Você pode usar o Toolkit do PyCharm da versão mais recente para enviar rapidamente o código de treinamento desenvolvido localmente ao ModelArts para treinamento.

Pré-requisitos

  • Existe um projeto de código de treinamento no PyCharm local.
  • Você criou um bucket e pastas no OBS para armazenar conjuntos de dados e modelos treinados. Os dados usados pelo trabalho de treinamento foram carregados no OBS.
  • A credencial foi configurada. Para obter detalhes, consulte Uso de chaves de acesso para logon.
  • O Toolkit do PyCharm da versão mais recente está disponível para enviar um trabalho de treinamento apenas da nova versão.

Configurar parâmetros de trabalhos de treinamento

  1. No PyCharm abra o projeto de código de treinamento e o arquivo de inicialização de treinamento e escolha ModelArts > Training Job > New... na barra de menus.
    Figura 1 Editar configuração do trabalho de treinamento
  2. Na caixa de diálogo exibida, configure os parâmetros do trabalho de treinamento. Para mais detalhes, consulte Tabela 1.
    Tabela 1 Parâmetros do trabalho de treinamento

    Parâmetro

    Descrição

    Job Name

    Nome de um trabalho de treinamento

    O sistema gera automaticamente um nome. Você pode renomeá-lo com base nas seguintes regras de nomeação:

    • O nome contém 1 a 64 caracteres.
    • Letras, dígitos, hifens (-) e sublinhados (_) são permitidos.

    Job Description

    Breve descrição de um trabalho de treinamento

    Algorithm Source

    Fonte do algoritmo de treinamento. As opções são Frequently-used e Custom.

    Frequently-used refere-se aos mecanismos de IA usados com frequência suportados pelo Gerenciamento de treinamento do ModelArts.

    Se o mecanismo de IA que você usa não estiver na lista suportada, é aconselhável criar um trabalho de treinamento usando uma imagem personalizada.

    AI Engine

    Selecione o mecanismo de IA e a versão usada no código. Os mecanismos de IA suportados são os mesmos das estruturas usadas com as estruturas frequentemente usadas e apoiadas por trabalhos de treinamento no console de gerenciamento do ModelArts.

    Boot File Path

    Arquivo de inicialização de treinamento. O arquivo de inicialização selecionado deve ser um arquivo no projeto de treinamento atual do PyCharm. Este parâmetro será exibido se Algorithm Source estiver definida como Frequently-used.

    Code Directory

    Diretório de código de treinamento. O sistema define automaticamente esse parâmetro para o diretório onde o arquivo de inicialização de treinamento está localizado. Você pode alterar o valor do parâmetro para um diretório que está no projeto atual e contém o arquivo de inicialização.

    Se a origem do algoritmo for uma imagem personalizada e o código de treinamento tiver sido construído na imagem, esse parâmetro poderá ser deixado em branco.

    Image Path(optional)

    URL da imagem do SWR

    Boot Command

    Comando para iniciar um trabalho de treinamento, por exemplo, bash /home/work/run_train.sh python {Python boot file and parameters}. Este parâmetro é exibido se Algorithm Source estiver definida como Custom.

    Se o comando não contiver o parâmetro --data_url ou --train_url, a ferramenta adicionará automaticamente os dois parâmetros ao final do comando ao enviar o trabalho de treinamento. Os dois parâmetros correspondem ao caminho OBS para armazenar dados de treinamento e ao caminho do OBS para armazenar saída de treinamento, respectivamente.

    Data OBS Path

    Caminho do OBS para armazenar dados de treinamento, por exemplo, /test-modelarts2/mnist/dataset-mnist/, no qual test-modelarts2 indica um nome de bucket.

    Training OBS Path

    Caminho do OBS. Um diretório é criado automaticamente no caminho para armazenar um modelo treinado e logs de treinamento.

    Running Parameters

    Parâmetros de execução. Se você quiser adicionar alguns parâmetros de execução ao seu código, adicione-os aqui. Separe vários parâmetros de execução com ponto e vírgula (;), por exemplo, key1=value1;key2=value2. Este parâmetro pode ser deixado em branco.

    Specifications

    Tipo de recursos utilizados para treinamento. Atualmente, pools de recursos públicos e pools de recursos dedicados são suportados.

    As especificações do pool de recursos dedicados são identificadas pelo pool de recursos dedicados. As especificações de pool de recursos dedicados são exibidas apenas para usuários que compraram pools de recursos dedicados.

    Compute Nodes

    Número de nós de computação. Se este parâmetro for definido como 1, o sistema será executado no modo autônomo. Se este parâmetro for definido como um valor maior que 1, o modo de computação distribuída é usado em segundo plano.

    Available/Total Nodes

    Quando Specifications é definido como um pool de recursos dedicados, o número de nós disponíveis e o número total de nós são exibidos. O valor de Compute Nodes não pode exceder o número de nós disponíveis.

    Figura 2 Configurar o parâmetro do trabalho de treinamento (pool de recursos públicos)
    Figura 3 Configurar o parâmetro de trabalho de treinamento (pool de recursos dedicados)
    Figura 4 Configurar o parâmetro do trabalho de treinamento (imagem personalizada)
  3. Depois de definir os parâmetros, clique em Apply and Run. Em seguida, o código local é automaticamente carregado para a nuvem e o treinamento é iniciado. O status de execução do trabalho de treinamento é exibido na área Training Log em tempo real. Se informações semelhantes a Current training job status: Successful forem exibidas no log de treinamento, o trabalho de treinamento foi executado com êxito.
    • Depois que você clicar em Apply and Run, o sistema executará automaticamente o trabalho de treinamento. Para interromper o trabalho de treinamento, escolha ModelArts > Training Job > Stop na barra de menus.
    • Se você clicar em Apply, o trabalho não será iniciado diretamente e as configurações do trabalho de treinamento serão salvas. Para iniciar o trabalho, clique em Apply and Run.
    Figura 5 Exemplo de log de treinamento

Usamos cookies para aprimorar nosso site e sua experiência. Ao continuar a navegar em nosso site, você aceita nossa política de cookies. Saiba mais

Feedback

Feedback

Feedback

0/500

Conteúdo selecionado

Envie o conteúdo selecionado com o feedback