AI初学者：使用预置算法构建模型

准备工作

• 已注册华为云账号，且在使用ModelArts前检查账号状态，账号不能处于欠费或冻结状态。
• 获取此账号的“AK/SK”，并在ModelArts全局配置中填写此信息，完成配置。详细操作指导请参见获取访问密钥并完成ModelArts全局配置。
• 已在OBS服务中创建桶和文件夹，用于存放样例数据集以及模型。如下示例中，请创建命名为“test-modelarts”的桶，并创建如表1所示的文件夹。
  创建OBS桶和文件夹的操作指导请参见 创建桶和 新建文件夹。由于ModelArts在 “华北-北京一”区域下使用，为保证数据能正常访问，请务必在 “华北-北京一”区域下创建OBS桶。

  表1 文件夹列表

  文件夹名称	用途
  “dataset-flowers”	用于存储数据集。
  “model-test”	用于存储训练输出的模型和预测文件。
  “train-log”	用于存储训练作业的日志。

步骤1：准备数据

ModelArts在公共OBS桶中提供了花卉的示例数据集，命名为“Flowers-Data-Set”，因此，本文的操作示例使用此数据集进行模型构建。您需要执行如下操作，将数据集上传至您的OBS目录下，即准备工作中您创建的OBS目录“test-modelarts/dataset-flowers”。

• 由于“Flowers-Data-Set”数据集已完成数据标注，数据集中文件格式为“.txt”是对应图片的标注文件，因此在此操作步骤中忽略了数据标注操作。
• 如果您想使用自己的数据集，可跳过此步骤，直接将数据上传至OBS文件夹中，并在步骤2：训练模型操作中直接选择此目录即可。如果您使用的数据集未进行标注，在创建训练作业前请在“数据管理>数据标注”页面创建标注作业进行人工标注。

1. 单击数据集下载链接，将“Flowers-Data-Set”数据集下载至本地。
2. 在本地，将“Flowers-Data-Set.zip”压缩包解压。例如，解压至本地“Flowers-Data-Set”文件夹下。
3. 参考上传文件，使用批量上传方式将“Flowers-Data-Set”文件夹下的所有文件上传至“test-modelarts/dataset-flowers”OBS路径下。

步骤2：训练模型

数据准备完成后，您可以创建一个训练作业，选用预置算法“ResNet_v1_50”，并最终生成一个可用的模型。

“ResNet_v1_50”算法基于“TensorFlow, TF-1.8.0-python2.7”引擎，其用途为图像分类。如果您想获取更多预置算法的介绍，您可以在“训练作业”页面中，单击“预置算法”页签，了解ModelArts提供的算法信息，如用途、引擎类型、精度等。

1. 在ModelArts管理控制台，在左侧导航栏中选择“训练作业”，进入“训练作业”管理页面。
2. 单击“创建”，进入“创建训练作业”页面。
3. 在“创建训练作业”页面，填写相关信息，参数填写指导请参见如下步骤。
   1. 在基本信息区域，“计费模式”和“版本”为系统自动生成，不需修改。请根据界面提示填写“名称”和“描述”。
      图1 填写名称和描述
      
   2. 在参数配置区域，选择“数据来源”，设置“算法来源”、“运行参数”、“训练输出位置”和“作业日志路径”。

      “数据来源”：由于导入的数据集已完成标注，因此直接从数据存储位置导入即可。单击“数据存储位置”，然后单击文本框右侧的“选择”，选择数据集所在的OBS路径，如“/test-modelarts/dataset-flowers/”。

      “算法来源”：单击“选择”，从“预置算法”列表中，选择“ResNet_v1_50”算法。

      “运行参数”：选择“ResNet_v1_50”算法后，默认包含“max_epoches”参数，默认值为“100”。针对此示例，建议将“max_epoches”参数值修改为“10”，1个epoch代表整个数据集训练一遍，此运行参数表示训练10个epoch，“max_epoches”值越大训练时间越长。

      “训练输出位置”：从已有的OBS桶中选择模型和预测文件存储路径。使用准备工作中已创建好的“model-test”文件夹。如果没有可用文件夹，您可以单击“选择”，在弹出对话框中新建文件夹。

      “作业日志路径”：从已有的OBS桶中选择日志存储路径。使用准备工作中已创建好的 “train-log”文件夹。如果没有可用文件夹，您可以单击 “选择”，在弹出对话框中新建文件夹。

      图2 参数配置
      
   3. 在资源设置区域，单击资源池文本框右侧的“选择”，选择“公共资源池”的“计算型GPU(P100)实例”，“计算节点个数”设置为“1”。
      

      为提升训练效率，操作示例选择GPU训练。但是，GPU的费用高于CPU，请根据实际情况选择可用的资源池。

      图3 设置使用的资源
      
   4. 单击“下一步”完成信息填写。
4. 在“规格确认”页面，确认训练作业的参数信息，确认无误后单击“提交”。
5. 在“训练作业”管理页面，可以查看新建训练作业的状态。训练作业的创建和运行需要一些时间，预计十几分钟，当状态变更为“运行成功”时，表示训练作业创建完成。

   您可以单击训练作业的名称，可进入此作业详情页面，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。在“训练输出位置”所在的OBS路径中，即“/test-modelarts/model-test/”路径，可以获取到生成的模型文件。

   图4 训练作业详情
   

步骤3：（可选）创建可视化作业，查看模型训练过程

目前ModelArts提供的可视化作业默认为TensorBoard类型的作业。TensorBoard是一个可视化工具，能够有效地展示TensorFlow或MXNet在运行过程中的计算图、各种指标随着时间的变化趋势以及训练中使用到的数据信息。可视化作业当前只支持基于TensorFlow和MXNet引擎的训练作业。

如果训练详情页的详细信息已足够支撑您判断模型好坏并构建模型，您可以选择跳过此步骤，直接执行步骤4：导入模型的操作。

1. 在ModelArts管理控制台，在左侧导航栏中选择“训练作业”，然后单击“可视化作业”页签进入“可视化作业”管理页面。
2. 在“可视化作业”管理页面，单击“创建”。
3. 在“创建可视化作业”页面，设置相关参数，然后单击“下一步”。
   可视化作业的类型默认为 “TensorBoard”，且不可更改。设置可视化作业的 “名称”，以及 “训练输出位置”。 “训练输出位置”需要设置为训练作业中的 “训练输出位置”，上述步骤中 “训练输出位置”为 “/test-modelarts/model-test/”。

   图5 设置可视化作业参数信息
   
4. 在“规格确认”页面，信息确认完毕后，单击“提交”。
5. 进入“可视化作业”管理页面，等待一段时间，当可视化作业的状态为“运行中”时，表示已创建成功。

   针对运行中的可视化作业，您可以单击可视化作业的名称跳转到其可视化界面。您可以通过此界面的信息，了解到此模型的具体训练过程。如果此模型训练过程和参数满足要求，您可以开始执行步骤4：导入模型操作。

   图6 可视化界面
   

步骤4：导入模型

训练完成的模型还是存储在OBS路径中，您可以将此模型导入到ModelArts中进行管理和部署。

1. 在ModelArts管理控制台中，单击左侧导航栏中的“模型管理>模型列表”，进入“模型列表”页面。
2. 在“模型列表”页面，单击“导入”。
3. 在“导入模型”页面，设置相关参数，然后单击“立即创建”。
   设置模型的 “名称”和 “版本”，然后在 “元模型来源”参数中，选择 “从训练中选择”，此时系统会自动选择您创建的训练作业，您可以从下拉框中可以选择系统中可用的训练作业。由于本示例数据较简单，其他参数采用默认值。

   图7 导入模型
   
4. 模型导入完成后，系统将自动跳转至模型列表页面。您可以在模型列表页面查看已导入的模型及其版本。
   图8 模型列表
   

步骤5：部署上线

模型导入完成后，您可以将模型部署上线，可部署为“在线服务”、“批量服务”或“边缘服务”。如下操作步骤以部署为在线服务为例。

1. 在“模型列表”页面，单击模型名称左侧的小三角，打开此模型下的所有版本。在对应版本所在行，单击操作列的“部署”，然后在下拉框中选择“在线服务”，进入“部署”页面。
2. 在“部署”页面中，设置相关参数，然后单击“下一步”。
   设置在线服务的 “名称”，将 “是否自动停止”功能启用。在 “选择模型及配置”区域中，系统将自动选择 步骤4：导入模型中的模型及其版本，在 “计算节点规格”右侧下拉框中选择使用的资源，本示例选用 “2核 | 8GiB”资源部署在线服务。其他参数使用默认值。

   图9 部署为在线服务
   
3. 在“规格确认”页面，确认信息完毕后，单击“提交”。
4. 在“部署上线 > 在线服务”页面，您可以查看在线服务的相关信息。由于模型部署上线需要花费一些时间，请耐心等待几分钟。当在线服务的状态为“运行中”时，表示在线服务已部署完成。

步骤6：测试服务

在线服务部署成功后，您可以进入在线服务，发起预测请求进行测试。

1. 在“在线服务”管理页面，单击在线服务名称，进入在线服务详情页面。
2. 在线服务详情页面中，单击“预测”页签，进入预测页面。
3. 在“选择预测图片文件”右侧，单击“上传”按钮，上传一张带花的图片，然后单击“预测”。

   预测完成后，预测结果显示区域将展示预测结果，根据预测结果得分，可识别出此图片的花为“tulips”。

   

   由于此处是测试服务，为保证测试效果，建议选择图片时，不要使用示例数据集中已有的图片。

   图10 预测结果
   

步骤7：清除相应资源，避免产生费用

为避免产生不必要的费用，在完成试用后，建议您删除相关资源，如在线服务、TensorBoard、训练作业、数据集及其OBS目录。

• 删除在线服务：在“在线服务”页面，单击操作列的“更多>删除”。
• 删除TensorBoard：在“训练作业>TensorBoard”页面，单击操作列的“删除”。
• 删除训练作业：在“训练作业”页面，单击操作列的“删除”。
• 删除数据集：在“数据管理>数据集”页面，在“flowers-test”数据集右侧，将鼠标移至数据集名称，然后单击删除按钮。在弹出的对话框中，勾选“删除数据集同时删除桶内文件”，避免OBS因存储数据而继续收费。
  图11 删除数据集