端根据AI引擎创建容器，较耗时；本地Predictor部署较快，最长耗时10s，可用以测试模型，不建议进行模型的工业应用。 当前版本支持部署本地服务Predictor的AI引擎为：“XGBoost”、“Scikit_Learn”、“PyTorch”、“TensorFlow”和“S

查看更多 →

提交训练作业报错“Invalid OBS path” 当运行训练作业时，出现“Invalid OBS path”错误。 图1 训练作业报错 该问题可以通过以下方法排查： 如果是首次使用ModelArts的新用户，需要登录ModelArts管理控制台，在全局配置页面完成访问授权配置

查看更多 →

点集最短路（Shortest Path of Vertex Sets） 概述 点集最短路算法（Shortest Path of Vertex Sets）用于发现两个点集之间的最短路径。 适用场景 点集最短路算法（Shortest Path of Vertex Sets）适用于互联

查看更多 →

编译过程出现的file path too long问题 问题现象 成功拉取代码以后，构建过程中， 提示无法拷贝***文件，文件路径长度超过260字符。 原因分析 Windows系统中，文件全路径的最大长度限制为260字符，超过此长度会导致Msbuild构建失败，项目中引用了路径过

查看更多 →

"cpu_image_url" : "aip/tensorflow_2_1:train", "gpu_image_url" : "aip/tensorflow_2_1:train", "image_version" : "tensorflow_2.1.0-cuda_10

查看更多 →

Kit的AI芯片支持运行“.om”模型，“.om”模型可以通过TensorFlow或Caffe模型转换而来，但“.om”模型并不支持TensorFlow和Caffe全部的算子，所以在开发模型的时候开发者需要用“.om”模型支持的算子，才能把TensorFlow和Caffe模型转换成“

查看更多 →

Model(model_config_path) # 创建模型时传入模型配置文件的路径 模型后处理 如果原始模型是TensorFlow，由于C7X新版本模型转换工具将TensorFlow和Caffe的模型输出统一成NHWC格式，而C3X模型转换工具将TensorFlow模型转换成“om”时，输

查看更多 →

点集最短路（Shortest Path of Vertex Sets）(1.0.0) 表1 Parameter参数说明 参数 是否必选 说明 类型 取值范围 默认值 sources 是 起点ID集合 String 标准csv格式，ID之间以英文逗号分隔，例如：“Alice,Nana”。

查看更多 →

engine_name String 训练作业的引擎名称。目前支持的引擎名称如下： Ascend-Powered-Engine Caffe Horovod MXNet PyTorch Ray Spark_MLlib TensorFlow XGBoost-Sklearn MindSpore-GPU

查看更多 →

运行Manager应用报错“illegal character in path at index” 问题 运行应用程序时，操作失败，日志显示如图1所示。 图1 操作失败日志 回答 可能的原因是URL中带空格导致 服务器 端无法正确识别URL。 需要去掉URL中的空格。 父主题： Manager应用开发常见问题

查看更多 →

华为HiLens上可以运行哪些TensorFlow和Caffe的模型？ 准确地说，华为HiLens上只能运行“om”模型，华为HiLens管理控制台的“模型导入（转换）”功能支持将部分TensorFlow/Caffe模型转换成“om”模型。 当前可支持的TensorFlow/Caffe算子范围请参

查看更多 →

source /home/ma-user/anaconda3/bin/activate TensorFlow-1.8 如果使用其他引擎，请将命令中“TensorFlow-1.8”替换为其他引擎的名称及其版本号。 图1 激活环境 在代码输入栏输入以下命令安装Shapely。 pip

查看更多 →

TMP_CACHE_PATH = '/cache/data' mox.file.copy_parallel('FLAGS.data_url', TMP_CACHE_PATH) mnist = input_data.read_data_sets(TMP_CACHE_PATH, one_hot=True)

查看更多 →

keras.datasets.mnist (x_train, y_train), (x_test, y_test) = mnist.load_data(args.data_url) x_train, x_test = x_train / 255.0, x_test / 255.0

查看更多 →

所示。 表1 ModelArts训练基础镜像列表 引擎类型 版本名称 PyTorch pytorch_1.8.0-cuda_10.2-py_3.7-ubuntu_18.04-x86_64 TensorFlow tensorflow_2.1.0-cuda_10.1-py_3.7-ubuntu_18

查看更多 →

在完成标注数据或数据集的修改后，您可以在“mox.run”中，修改“log_dir”参数，并新增“checkpoint_path”参数。其中“log_dir”参数建议设置为一个新的目录，“checkpoint_path”参数设置为上一次训练结果输出路径，如果是OBS目录，路径填写时建议使用“obs://”开头。

查看更多 →

序包等多种环境，包括TensorFlow、MindSpore、PyTorch、Spark等。您也可以使用pip install在Notobook或Terminal中安装外部库。 在Notebook中安装 例如，通过JupyterLab在“TensorFlow-1.8”的环境中安装Shapely。

查看更多 →

om”模型，“.om”模型可以通过TensorFlow或Caffe模型转换而来，但“.om”模型并不支持TensorFlow和Caffe全部的算子，所以在开发模型的时候开发者需要用“.om”模型支持的算子，才能把TensorFlow和Caffe模型转换成“.om”模型。“.om”

查看更多 →

ens”、“Caffe to Ascend”。 “TF-FrozenGraph-To-Ascend-HiLens” 支持将Tensorflow frozen graph模型转换成可在ascend芯片上运行的模型。 “Caffe to Ascend” 支持将Caffe模型转换成可在ascend芯片上运行的模型。

查看更多 →

Notebook基础镜像列表 ModelArts开发环境提供Docker容器镜像，可作为预构建容器运行。预置镜像里面包含PyTorch，Tensorflow，MindSpore等常用AI引擎框架，镜像命名以AI引擎为主，并且每个镜像里面都预置了很多常用包，用户可以直接使用而无需重新安装。 开发环境预置镜像分为X86和ARM两类：

查看更多 →

X86架构（CPU/GPU）的推理基础镜像 表1 TensorFlow AI引擎版本 支持的运行环境 URI 2.1.0 CPU GPU(cuda10.1) swr.{region_id}.myhuaweicloud.com/atelier/tensorflow_2_1:tensorflow_2.1.0-cuda_10

查看更多 →