费用。 创建AI应用的几种场景 从训练中选择：在ModelArts中创建训练作业，并完成模型训练，在得到满意的模型后，可以将训练后得到的模型创建为AI应用，用于部署服务。 从 对象存储服务 （OBS）中选择：如果您使用常用框架在本地完成模型开发和训练，可以将本地的模型按照模型包规范上

查看更多 →

为什么exec进入容器后执行GPU相关的操作报错？ 问题现象： exec进入容器后执行GPU相关的操作（例如nvidia-smi、使用tensorflow运行GPU训练任务等）报错“cannot open shared object file: No such file or directory”。

查看更多 →

旧版训练迁移至新版训练需要注意哪些问题？ 新版训练和旧版训练的差异主要体现在以下3点: 新旧版创建训练作业方式差异 新旧版训练代码适配的差异 新旧版训练预置引擎差异 新旧版创建训练作业方式差异 旧版训练支持使用“算法管理”（包含已保存的算法和订阅的算法）、“常用框架”、“自定义”（即 自定义镜像 ）方式创建训练作业。

查看更多 →

单机多卡数据并行-DataParallel(DP) 本章节介绍基于PyTorch引擎的单机多卡数据并行训练。 MindSpore引擎的分布式训练参见MindSpore官网。 训练流程简述 单机多卡数据并行训练流程介绍如下： 将模型复制到多个GPU上 将一个Batch的数据均分到每一个GPU上

查看更多 →

如何提升训练效率，同时减少与OBS的交互？ 场景描述 在使用ModelArts进行自定义深度学习训练时，训练数据通常存储在对象存储服务（OBS）中，且训练数据较大时（如200GB以上），每次都需要使用GPU资源池进行训练，且训练效率低。 希望提升训练效率，同时减少与 对象存储OBS 的交互。可通过如下方式进行调整优化。

查看更多 →

engines结构数组 引擎规格参数列表，如表4所示。 表4 engines属性列表说明 参数 参数类型 说明 engine_type integer 训练作业的引擎类型。 1：TensorFlow。 2：MXNet。 4：Caffe。 5：Spark_MLlib 6: Scikit Learn

查看更多 →

，集群有4块GPU卡，TFJob1和TFJob2作业各自有4个Worker，TFJob1和TFJob2各自分配到2个GPU。但是TFJob1和TFJob2均需要4块GPU卡才能运行起来。这样TFJob1和TFJob2处于互相等待对方释放资源，这种死锁情况造成了GPU资源的浪费。 亲和调度问题

查看更多 →

myhuaweicloud.com/aip/horovod_tensorflow:train-horovod_0.20.0-tensorflow_2.1.0-cuda_10.1-py_3.7-ubuntu_18.04-x86_64-20210912152543-1e0838d 镜像构建时间：20210

查看更多 →

CodeArts IDE Online暂不支持GPU加速，建议安装tensorflow-cpu减小磁盘占用，并加快安装速度。 鲲鹏镜像暂时无法安装TensorFlow，敬请期待后续更新。 父主题： 基于CodeArts IDE Online、TensorFlow和Jupyter Notebook开发深度学习模型

查看更多 →

e: "PyTorch" engine_type：12，engine_name: "Horovod" engine_name String 训练作业的引擎名称。目前支持的引擎名称如下： Caffe Horovod MXNet PyTorch Ray Spark_MLlib TensorFlow

查看更多 →

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 engine_id

查看更多 →

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。 步骤4：创建AI应用 在训练作业详情页的右上角单击“创建AI应用”，进入创建AI应用页面。 也可以在ModelArts管理控制台，选择“AI应用管理 > AI应用”，在“我的AI应用”页面，单击“创建”，进入创建AI应用页面。

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

查看更多 →

tf.keras.datasets.mnist (x_train, y_train), (x_test, y_test) = mnist.load_data() x_train, x_test = x_train / 255.0, x_test / 255.0 model =

查看更多 →

ensorBoard是TensorFlow的可视化工具包，提供机器学习实验所需的可视化功能和工具。 TensorBoard能够有效地展示TensorFlow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。 前提条件 为了保证训练结果中输出Summary

查看更多 →

P2vs型 弹性云服务器 的规格 规格名称 vCPU 内存 （GiB） 最大带宽/基准带宽（Gbps） 最大收发包能力 （万PPS） 网卡多队列数 GPU GPU连接技术 显存 （GiB） 虚拟化类型 p2vs.2xlarge.8 8 64 10/4 50 4 1 × V100 - 1 ×

查看更多 →

为了保证训练结果中输出Summary文件，在编写训练脚本时，您需要在脚本中添加收集Summary相关代码。 TensorFlow引擎的训练脚本中添加Summary代码，具体方式请参见TensorFlow官方网站。 注意事项 运行中的可视化作业不单独计费，当停止Notebook实例时，计费停止。 Summary文件数

查看更多 →

另外，Ascend-Powered-Engine引擎的启动文件，将被平台自动启动为N个进程，N=单节点的Ascend加速卡数。 PyTorch on Ascend不能使用Ascend-Powered-Engine引擎来启动训练作业，应该参考基于训练作业启动PyTorch DDP on Ascend加速卡训练示例使用自定义镜像来启动训练作业。

查看更多 →

ModelArts中预置的训练基础镜像如下表所示。 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

查看更多 →

Notebook基础镜像x86 Tensorflow Tensorflow包含两种镜像：tensorflow2.1-cuda10.1-cudnn7-ubuntu18.04，tensorflow1.13-cuda10.0-cudnn7-ubuntu18.04 镜像一：tensorflow2.1-cuda10

查看更多 →

gputil import GPUtil as GPU GPU.showUtilization() import GPUtil as GPU GPUs = GPU.getGPUs() for gpu in GPUs: print("GPU RAM Free: {0:.0f}MB |

查看更多 →