数据准备

1. 单击样例数据集链接，跳转至“AI Gallery>数据>花卉识别”页面。
2. 单击“下载”跳转至下载页面详情页。

   

3. 在下载详情页，填写参数如图1所示。
   • 下载方式：选择“ModelArts数据集”
   • 目标区域：选择“北京四”
   • 目标位置：请选择一个空的OBS目录，本示例为“/test-modelartsz/dataset-flower/”
   • 名称：填入该数据集的名称，本示例为“dataset-flower”
     图1 下载至数据集
     
4. 确认无误后，单击确定。页面自动跳转到“个人中心>我的数据>我的下载”页面，请耐心等待10分钟左右。
5. 下载完成后，您可以单击目标数据集dataset-flower跳转至数据集。
   图2 目标数据集
   
6. 在数据集详情页，单击右上角“发布”。
   图3 发布数据集
   
7. 在弹出的对话框中，填写版本名称，可使用默认值。打开“数据切分”按钮，“训练验证比例”建议设置为“0.8”。然后单击“确定”完成发布。
   验证集不参与训练。针对此示例，推荐使用0.8比例进行切分。

   图4 发布数据集版本
   
8. 在数据集列表页面，等待数据集发布完成。发布过程中的数据集，其名称前面有个运行标记。当数据集发布结束后，其操作列的发布按钮将呈现为蓝色可点击状态。

   请耐心等待，必须等数据集发布成功后，才可以执行下一步训练模型的操作。

订阅算法

目前“ResNet_v1_50”算法发布在AI Gallery中。您可以前往AI Gallery，订阅此模型，然后同步至ModelArts中。

1. 在ModelArts管理控制台中，在左侧菜单栏中选择“AI Gallery”，进入AI Gallery。
2. 在AI Gallery中，选择“资产集市>算法”页签，在搜索框中输入“ResNet_v1_50”，查找对应的算法。请选择支持CPU、GPU训练的算法。
3. 单击算法链接进入算法详情页，单击右侧的“订阅”，根据界面提示完成算法订阅。

   此算法由ModelArts官方提供，目前免费开放。订阅算法完成后，页面的“订阅”按钮显示为“已订阅”。

4. 单击详情页的“前往控制台”，此时弹出“选择云服务区域”对话框，选择ModelArts对应的区域，然后再单击“确定”，

   页面将自动跳转至ModelArts的“算法管理>我的订阅”中同步对应的算法。

   图5 前往控制台
   
   图6 选择云服务区域
   
5. 在ModelArts管理控制台的算法管理页面，算法将自动同步至ModelArts中。

使用订阅算法创建训练作业

算法订阅成功后，算法将呈现在“算法管理>我的订阅”中，您可以使用订阅的“ResNet_v1_50”算法创建训练作业，获得模型。

1. 进入“算法管理>我的订阅”页面，选择订阅的“ResNet_v1_50”算法，单击左侧的小三角展开算法，在版本列表中，单击“创建训练作业”。
   图7 创建训练作业
   
2. 在创建训练作业页面，参考如下说明填写关键参数。
   • “算法来源”：系统默认选择订阅的算法，请勿随意修改。
   • “训练输入”：选择数据集，然后从下拉框中选择数据准备中创建好的数据集dataset-flower。数据集一定要选择切分训练集比例的版本，否则将会导致训练失败。
   • “训练输出”：选择一个OBS空目录存储训练输出的模型。
   • “超参”：建议采用默认值。如需进行调优，可参考运行参数说明。
   • “资源池”：建议选择GPU规格的资源池，训练效率会更高一些。
     图8 训练作业参数-算法
     
     图9 训练作业参数-训练输入/输出
     
     图10 资源池设置
     
3. 参数填写完成后，单击“下一步”，根据界面提示完成训练作业创建。
4. 进入“训练管理>训练作业（New）”页面，等待训练作业完成。

   训练作业运行需要几分钟时间，请耐心等待。根据经验，选择样例数据集，使用GPU资源运行，预计5分钟左右可完成。

   当训练作业的状态变更为“运行成功”时，表示已运行结束。您可以单击训练作业名称，进入详情页面，了解训练作业的“配置信息”、“日志”、“资源占用情况”和“评估结果”等信息。您也可以在配置的“训练输出位置”对应的OBS目录下获得训练生成的模型。

导入模型

1. 在ModelArts管理控制台，选择“模型管理 > 模型”。
2. 在模型列表页面，单击“导入”。进入导入模型页面，参考如下说明填写关键参数。
   “元模型来源”：选择“从训练中选择>训练作业（New）”。然后在“选择训练作业”右侧下拉框中选择上一步创建的训练作业。

   图11 从训练中选择模型
   
3. 模型导入参数填写完成后，单击“立即创建”。页面自动跳转至模型列表页面，等待模型导入结果。

   当模型的状态变为“正常”时，表示模型导入成功。

   图12 模型导入成功
   

部署为在线服务（CPU）

模型导入成功后，可将此模型部署为在线服务，在部署时可使用CPU资源。

本文仅描述了部署为在线服务的操作指导，针对批量服务的部署，其操作步骤类似，不再赘述。详细批量服务的部署指导，可参见ModelArts用户指南。

1. 在模型列表中，单击操作列的“部署 > 在线服务”。
   图13 部署模型
   
2. 在部署页面，参考如下说明填写关键参数。

   “资源池”：选择“公共资源池”。

   “选择模型及配置”：“模型”及“版本”会自动选择前面导入的模型。“计算节点规格”，在下拉框中选择CPU或GPU，本示例选择CPU资源进行部署。计算节点个数，需设置为“1”，目前仅支持单机部署，只能设置为“1”，不可修改。

   其他参数可使用默认值。

   

   如果需要使用GPU资源部署上线，需要进入模型所在位置，即使用订阅算法创建训练作业步骤生成的“训练输出”路径，进入“model”目录，打开并编辑“config.json”文件，将“runtime”的配置修改为ModelArts支持的GPU规格，例如"runtime": "tf1.13-python3.6-gpu"。修改完成后，重新执行导入模型和部署为在线服务的操作。

   图14 部署模型
   
3. 参数设置完成后，单击“下一步”，根据界面提示，完成在线服务的部署。

   您可以进入“在线服务列表”页面，等待服务部署结束，当服务状态变为运行中时，表示服务部署成功。

   图15 运行中的服务
   
4. 在线服务部署完成后，您可以单击服务名称进入服务详情页。
   • 访问服务：了解调用指南，获取API接口地址，可通过postman或使用curl命令发送请求，访问在线服务。
   • 预测：单击“预测”页签，上传一个测试图片，进行预测。
   更多操作，可参见ModelArts用户指南。

   图16 调用指南
   
   图17 预测