前项目，则提交时会提示如下图所示信息。 研发需求的卷积自动化规则配置 根据项目实际情况配置。协同下游需求是否参与卷积，受“研发需求是否卷积协同下游需求”配置影响。 研发需求是否卷积协同下游需求 根据项目实际情况配置。 选择“卷积协同下游需求”时，则研发需求会根据其关联的协同下游需求的状态进行变化。

查看更多 →

率，在数据量不是很大的情况下，Fine Tune会是一个比较好的选择。 moxing.tensorflow包含所有的接口，对TensorFlow做了优化，里面的实际接口还是TensorFlow的原生接口。 当非MoXing代码中没有Adam名称范围时，需要修改非MoXing代码，在其中增加如下内容：

查看更多 →

前项目，则提交时会提示如下图所示信息。 研发需求的卷积自动化规则配置 根据项目实际情况配置。协同下游需求是否参与卷积，受“研发需求是否卷积协同下游需求”配置影响。 研发需求是否卷积协同下游需求 根据项目实际情况配置。 选择“卷积协同下游需求”时，则研发需求会根据其关联的协同下游需求的状态进行变化。

查看更多 →

AR和SR的分解方法相同，AR支持复制新建，不支持再分解。 研发需求分解后，下级的需求状态会卷积给父级。 当分解到SR时，IR会自动卷积SR的状态。 当分解到AR时，IR和SR会自动卷积AR的状态。 父主题： 研发需求（IR/SR/AR）

查看更多 →

分解成功的IR、SR和AR还可在“研发需求”中查看、编辑。 研发需求分解后，下级的需求状态会卷积给父级。 当分解到SR时，IR会自动卷积SR的状态。 当分解到AR时，IR和SR会自动卷积AR的状态。 父主题： 原始需求（RR）

查看更多 →

他项目创建RR时，“归属项目”参数中如果选择当前项目，则提交时会提示如下图所示信息。 研发需求的卷积自动化规则配置 根据项目实际情况配置。协同下游需求是否参与卷积，受“研发需求是否卷积协同下游需求”配置影响。 停留天数设置 选择所设置项目中各工作项停留天数的时间范围，超过设置值后，标题旁将显示提醒图标。

查看更多 →

字段。 通过标签筛选需要反亲和的一个或多个Pod，如果满足筛选条件的Pod已经运行在拓扑域中的某个节点上，调度器会将本次创建的Pod优先调度到其他拓扑域。 说明： 添加多条反亲和性规则时，即设置多个标签筛选需要反亲和的Pod，则本次创建的Pod会尽量同时反亲和多个满足标签筛选的P

查看更多 →

分布式Tensorflow无法使用“tf.variable” 问题现象 多机或多卡使用“tf.variable”会造成以下错误：WARNING:tensorflow:Gradient is None for variable:v0/tower_0/UNET_v7/sub_pixel/Variable:0

查看更多 →

调度策略（亲和与反亲和） 创建工作负载时可以使用nodeSelector选择Pod要部署的节点，其实Kubernetes还支持更精细、更灵活的调度机制，那就是亲和（affinity）与反亲和（anti-affinity）调度。 Kubernetes支持节点和Pod两个层级的亲和与反亲和。通

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 →

。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： 表1 X86预置镜像列表 引擎类型 镜像名称 PyTorch

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 →

myhuaweicloud.com/aip/tensorflow_2_6:tensorflow_2.6.0-cuda_11.2-py_3.7-ubuntu_18.04-x86_64-20220524162601-50d6a18 表2 Pytorch AI引擎版本 支持的运行环境 URI 1

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 →

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 →

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 →

配置调度策略（亲和与反亲和） Kubernetes支持节点和Pod两个层级的亲和（affinity）与反亲和（anti-affinity）调度。通过配置亲和与反亲和规则，可以允许您指定硬性限制或者偏好，例如将前台Pod和后台Pod部署在一起、某类应用部署到某些特定的节点、不同应用部署到不同的节点等等。

查看更多 →

介绍预置的Horovod镜像详情。 引擎版本一：horovod_0.20.0-tensorflow_2.1.0-cuda_10.1-py_3.7-ubuntu_18.04-x86_64 镜像地址：swr.{region}.myhuaweicloud.com/aip/horovod_tensorflow:train-horovod_0

查看更多 →

2-cudnn8-euler2.9.6 AI应用开发基础镜像，预置AI应用编排引擎ModelBox、AI引擎TensorRT，仅支持SSH连接 GPU 是 否 modelbox1.3.0-libtorch1.9.1-cuda10.2-cudnn8-euler2.9.6 AI应用开发基础镜像，预置AI应用编排引

查看更多 →

在Notebook中添加自定义IPython Kernel 使用场景 当前Notebook默认内置的引擎环境不能满足用户诉求，用户可以新建一个conda env按需搭建自己的环境。本小节以搭建一个“python3.6.5和tensorflow1.2.0”的IPython Kernel为例进行展示。 操作步骤 创建conda

查看更多 →