数据准备

1. 获取样例数据集，“Flowers-Data-Set”数据集中包含了花卉图片及其标注信息。由于数据集中数据较多，推荐使用OBS Browser+工具上传文件。
2. 登录ModelArts管理控制台，在左侧菜单栏中选择“数据管理 > 数据集”。
3. 在数据集管理页面，单击“创建数据集”，创建一个“图像分类”类型的数据集。
   其中，“数据集输入位置”，选择步骤1中数据存储的OBS路径。“数据集输出位置”，请务必选择一个空目录存储，且此目录不能是“数据集输入位置”对应目录的子目录。

   图1 创建数据集
   
4. 参数填写完成后，单击右下角的“创建”，完成数据集的创建。此时页面将自动跳转至数据集列表中。
5. 在数据集列表页面，单击数据集名称，进入数据集概览页，然后单击右上角的“开始标注”，进入数据集详情页。
6. 在数据集详情页面中，等待数据同步至ModelArts中。由于数据集已完成标注，无需重新标注，只需等待数据同步即可。由于数据集中数据较多，数据同步需要花费2分钟左右，请耐心等待。

   当“已标注”页签下呈现所有上传数据时，表示数据已完成同步。

7. 单击左上角“返回数据集概览”，然后在数据集概览页中，单击右上角的“发布”。
8. 在弹出的对话框中，填写“版本名称”，可使用默认值。“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，用于训练过程中评估模型的好坏，验证集比例太大，会导致训练集变少，影响训练效果。验证集太少，可能导致验证的精度不准确。针对此示例，推荐使用0.8比例进行切分。

   图2 发布数据集版本
   
9. 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，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. 单击算法名称进入算法详情页，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. 单击商品详情页的“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>市场订阅”中同步对应的算法。

   图3 前往控制台
   
   图4 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。

   未同步的算法，无法直接用于创建训练作业，因此从AI Gallery订阅完成后，需在ModelArts管理控制台执行同步操作。同步成功后，下方界面中的“创建训练作业”按钮可用，且状态变更为“就绪”。

   图5 同步算法
   

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>市场订阅”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>市场订阅”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6 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。
   • “数据来源”：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。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。
   • “调优参数”：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7 训练作业参数
     
     图8 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”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”。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9 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10 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11 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12 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13 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14 调用指南
   
   图15 预测