用户也可以直接通过账号登录。首次登录后请及时修改密码，并定期修改密码。 单击“登录”，进入NAIE服务官网。 依次选择“AI服务 > AI服务 > 模型训练服务 > 模型训练服务”，进入模型训练服务介绍页面。 单击“进入服务”，进入模型训练服务页面。 父主题： 准备工作

查看更多 →

用户也可以直接通过账号登录。首次登录后请及时修改密码，并定期修改密码。 单击“登录”，进入NAIE服务官网。 依次选择“AI服务 > AI服务 > 模型训练服务 > 模型训练服务”，进入模型训练服务介绍页面。 单击“进入服务”，进入模型训练服务页面。 父主题： 学件开发指南

查看更多 →

并定期修改密码。 单击“登录”，进入NAIE服务官网。 依次选择“AI服务 > AI服务 > 模型训练服务 > 模型训练服务”，进入模型训练服务介绍页面。 单击“进入服务”，进入模型训练服务页面。 父主题： 使用模型训练服务快速训练算法模型

查看更多 →

1-cudnn7-ubuntu18.04 GPU算法开发和训练基础镜像，预置AI引擎MindSpore-GPU GPU 是 是 rlstudio1.0.0-ray1.3.0-cuda10.1-ubuntu18.04 CPU、GPU强化学习算法开发和训练基础镜像，预置AI引擎 CPU/GPU 是 是 mindquantum0

查看更多 →

查看训练任务的系统日志、运行日志和运行图。 查看优化报告。 训练状态为RUNNING时，可以执行此按钮停止训练任务。 删除训练任务。 模型训练 在超参优化服务详情界面，单击界面右上角的图标。 弹出“创建超参优化任务”对话框，如图2所示。 图2 创建超参优化任务 参数说明，如创建超参优化任务参数说明所示。

查看更多 →

务同样使用这些开源模型，建议直接使用ModelArts提供的模型运行指导，其余场景再考虑使用本指导自行迁移和调优。 迁移流程 模型迁移主要指将开源社区中实现过的模型或客户自研模型迁移到昇腾AI处理器上，需要保证模型已经在CPU/GPU上运行成功。迁移到昇腾AI处理器的主要流程如下图所示。

查看更多 →

Standard的自动学习功能完成“图像分类”AI模型的训练和部署。 面向AI开发零基础的用户 使用Standard自动学习实现口罩检测 本案例基于华为云AI开发者社区AI Gallery中的数据集资产，让零AI基础的开发者使用ModelArts Standard的自动学习功能完成“物体检测”AI模型的训练和部署。依

查看更多 →

模型保存不要太频繁：模型保存操作一般会阻塞训练，如果模型较大，并且较频繁地进行保存，就会影响GPU/NPU利用率。同理，其他非GPU/NPU操作尽量不要阻塞训练主进程太多的时间，如日志打印，保存训练指标信息等。 父主题： 管理模型训练作业

查看更多 →

创建训练服务 新建训练服务 训练任务需要基于已经成功打包的训练模型去创建，并选择新的训练数据集、测试数据集和标签列进行模型训练。 单击“创建”，弹出“创建训练”对话框。 配置训练服务参数，如新建算法参数说明所示。 表1 参数说明 参数名称 参数说明 请选择模型训练方式 模型训练方式，包含如下选项：

查看更多 →

训练作业的 自定义镜像 制作流程 如果您已经在本地完成模型开发或训练脚本的开发，且您使用的AI引擎是ModelArts不支持的框架。您可以制作自定义镜像，并上传至SWR服务。您可以在ModelArts使用此自定义镜像创建训练作业，使用ModelArts提供的资源训练模型。 制作流程 图1

查看更多 →

使用指导 PyTorch GPU训练迁移至PyTorch NPU训练 训练迁移 Transfer2NPU 代码自动迁移工具，通过简单import命令可将PyTorch训练脚本从GPU平台迁移至NPU平台运行。 包含在torch_npu包中。 自动迁移工具使用指导 训练业务代码适配昇腾PyTorch代码适配

查看更多 →

模型文件说明（训练） Octopus模型管理模块，支持用户上传模型，并将其用于模型评测、模型编译任务。如果需要将模型用于内置评测模板评测，除模型文件外，需另外包含推理启动文件： customer_inference.py 仅当需要使用内置评测指标计算时需要添加推理启动文件，文件名称可自定义，将该文件置于模型目录下。

查看更多 →

s训练中进行实验。 两个过程可以相互转换。如开发阶段代码稳定后，则会进入实验阶段，通过不断尝试调整超参来迭代模型；或在实验阶段，有一个可以优化训练的性能的想法，则会回到开发阶段，重新优化代码。 图1 模型开发过程 ModelArts提供了模型训练的功能，方便您查看训练情况并不断调

查看更多 →

确保在GPU环境中能够运行，并且训练任务有稳定的收敛效果。 本文只针对基于PyTorch的训练代码迁移。此处假设用户使用基于PyTorch的训练代码进行迁移。其他的AI引擎如TensorFlow、Caffe等不在本指导的讨论范围中。 已完成迁移环境准备，且代码、预训练模型、数据等训练必需内容已经上传到环境中。

查看更多 →

超参数，提升无代码模型开发效率。 图13 网络结构及模型参数配置 图14 网络结构及模型参数配置2 模型训练 模型训练多维度可视化监控，包括训练精度/损失函数曲线、GPU使用率、训练进度、训练实时结果、训练日志等。 图15 训练指标和中间结果可视化 图16 训练过程资源监控 支持

查看更多 →

的核心思想是通过模型并行和数据并行来实现分布式训练，从而提高训练速度。Accelerate提供了一系列的优化技术，如模型切分、梯度累积等，可以帮助用户更好地利用多个节点进行训练。 各个模型选用加速框架 表1 模型加速框架建议表 序号 模型参数量 文本序列长度 优化工具(Deepspeed&Accelerator)

查看更多 →

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“资产管理 > AI应用”，在“自定义AI应用”页面，单击“创建”，进入创建AI应用页面。 在创建AI应用页面，系统会自动根据上一步训练作业填写参数，参考如下说明确认关键参数。

查看更多 →

例编写的，不同的AI框架之间，整体流程是完全相同的，只需要修改个别的参数即可。 DataParallel进行单机多卡训练的优缺点 代码简单：仅需修改一行代码。 通信瓶颈 ：负责reducer的GPU更新模型参数后分发到不同的GPU，因此有较大的通信开销。 GPU负载不均衡：负责r

查看更多 →

。 API文档 数据资产管理服务 数据集服务 SDK文档 训练服务 02 价格 NAIE云服务的计费方式简单、灵活，根据不同子服务的应用场景，设置不同的计费方式。如：模型训练服务根据CPU和GPU的使用规格和时长进行计费，不使用则不产生费用。一些服务还在公测中，用户可以免费申请公测。

查看更多 →

PyTorch NPU训练指导 预训练、SFT全参微调训练、LoRA微调训练 介绍主流的开源大模型Llama系列、Qwen系列、Yi系列、Baichuan系列、ChatGLM系列等基于ModelArts DevServer的训练过程，训练使用PyTorch框架和昇腾NPU计算资源。训练后的模型可用于推理部署，搭建大模型问答助手。

查看更多 →

高级版、专业版、旗舰版机器人支持问答模型训练。 您可通过添加更多扩展问或改用其他类型的模型来提高指标。包含以下三种训练模型： 默认模型：修改知识库内容后自动生效。 轻量级深度学习模型：修改知识库内容后需训练模型发布生效。 重量级深度学习模型：修改少量知识库内容无需重新训练发布，但会导致问答变慢，模型运行中时

查看更多 →