训练轮数 训练的轮数，每一轮训练结束都会对各方训练出的权重进行一次安全聚合。 重试 开关开启后，执行失败的作业会根据配置定时进行重试，仅对开启后的执行作业生效。 开关关闭后，关闭前已触发重试的作业不受影响，仅对关闭后的执行作业生效。 CPU配额 执行作业使用容器的CPU核数。 内存配额

查看更多 →

126”，如下所示。 GPU Pod的详细规格和显卡驱动的说明请参见Pod规格。 图2 选择GPU容器规格 选择需要的容器镜像，这里选择的上传到镜像容器仓库的tensorflow镜像。 在容器设置下面的高级设置中，挂载一个NFS类型的文件存储卷，用于保存训练后的数据。 图3 挂载NFS存储

查看更多 →

用，获得灵活弹性的算力资源，简化对计算、网络、存储的资源管理复杂度。 适合对极致性能、资源利用率提升和全场景覆盖有更高诉求的客户。 适合具有明显的波峰波谷特征的业务负载，例如在线教育、电子商务等行业。 规格差异 网络模型 云原生网络1.0：面向性能和规模要求不高的场景。 容器隧道网络模式

查看更多 →

障用户训练作业的长稳运行 提供训练作业断点续训与增量训练能力，即使训练因某些原因中断，也可以基于checkpoint接续训练，保障需要长时间训练的模型的稳定性和可靠性，避免重头训练耗费的时间与计算成本 支持训练数据使用SFS Turbo文件系统进行数据挂载，训练作业产生的中间和结果等数据可以直接高速写入到SFS

查看更多 →

2*10GE GPU加速型 GPU加速型实例包括计算加速型（P系列）和图形加速型（G系列），提供优秀的浮点计算能力，从容应对高实时、高并发的海量计算场景。特别适合于深度学习、科学计算、CAE、3D动画渲染、CAD等应用。 表5 GPU加速型规格详情 规格名称/ID CPU 内存 本地磁盘

查看更多 →

基于CodeArts IDE Online、TensorFlow和Jupyter Notebook开发深度学习模型 概要 准备工作 导入和预处理训练数据集 创建和训练模型 使用模型

查看更多 →

即epoch，数据将会被执行的次数。评估型作业的迭代次数固定为1。 训练轮数 训练的轮数，每一轮训练结束都会对各方训练出的权重进行一次安全聚合，评估型作业的轮数固定为1。 重试 开关开启后，执行失败的作业会根据配置定时进行重试，仅对开启后的执行作业生效。 开关关闭后，关闭前已触发重试的作业不受影响，仅对关闭后的执行作业生效。

查看更多 →

特征操作主要是对数据集进行特征处理。 在旧版体验式开发模式下，模型训练服务支持的特征操作有重命名、归一化、数值化、标准化、特征离散化、One-hot编码、数据变换、删除列、选择特征、卡方检验、信息熵、新增特征、PCA。对应JupyterLab交互式开发模式，是界面右上角的图标中的“数据处理”菜单下面的数据处理算子。

查看更多 →

超参优化任务的详细信息：最优超参组合的模型评分、训练耗时、参数取值，以及超参优化任务的参数信息。 评分图：在图表中显示每次迭代训练得到的模型评分。 超参图：在图表中显示每次迭代训练的超参取值及对应的模型评分。 试验时长图：在图表中显示每次迭代训练的超参取值及对应的训练时长。 父主题：

查看更多 →

String 参数类型。 continuous：指定时表示这个超参是连续类型的。连续类型的超参在算法使用于训练作业时，控制台显示为输入框。 discrete：指定时表示这个超参是离散类型的。离散类型的超参在算法使用于训练作业时，控制台显示为下拉选择框架。 lower_bound String

查看更多 →

创建AI应用不同方式的场景介绍 AI开发和调优往往需要大量的迭代和调试，数据集、训练代码或参数的变化都可能会影响模型的质量，如不能统一管理开发流程元数据，可能会出现无法重现最优模型的现象。 ModelArts的AI应用可导入所有训练生成的元模型、上传至对象存储服务（OBS）中的元模型和容器

查看更多 →

云硬盘存储卷：CCE支持将EVS创建的云硬盘挂载到容器的某一路径下。当容器迁移时，挂载的云硬盘将一同迁移，这种存储方式适用于需要永久化保存的数据。 文件存储卷： CCE支持创建SFS存储卷并挂载到容器的某一路径下，也可以使用底层SFS服务创建的文件存储卷，SFS存储卷适用于多读多写的持久化存储，适用

查看更多 →

如，图像分类、物体检测等等。不同的项目对数据的要求，使用的AI开发手段也是不一样的。 准备数据 数据准备主要是指收集和预处理数据的过程。 按照确定的分析目的，有目的性的收集、整合相关数据，数据准备是AI开发的一个基础。此时最重要的是保证获取数据的真实可靠性。而事实上，不能一次性将

查看更多 →

监控资源 用户可以通过资源占用情况窗口查看计算节点的资源使用情况，最多可显示最近三天的数据。在资源占用情况窗口打开时，会定期向后台获取最新的资源使用率数据并刷新。 操作一：如果训练作业使用多个计算节点，可以通过实例名称的下拉框切换节点。 操作二：单击图例“cpuUsage”、“g

查看更多 →

节点规格说明 您可以通过本节快速浏览CCE支持的节点规格清单及相关特性，帮助您选择合适的机型规格。 节点类型 说明 节点规格 弹性 云服务器 -虚拟机 使用KVM/擎天虚拟化技术的弹性云 服务器 类型，针对不同的应用场景，可以选择多种规格类型，提供不同的计算能力和存储能力。 X86机型：

查看更多 →

SDK）是对ModelArts服务提供的REST API进行的Python封装，以简化用户的开发工作。 SDK文档 SDK下载 Session鉴权 OBS管理 作业管理 模型管理 服务管理 02 价格 ModelArts服务的计费方式简单、灵活，您既可以选择按实际使用时长计费。也可以选择更经济的按包周期计费方式。

查看更多 →

常规训练：基于数据集和用户算法训练新模型。 图4 增量训练 增量训练：基于用户导入的模型或已完成训练模型版本（可通过${MODEL}获取该模型版本的文件路径）和新数据集使用选择的算法再次进行训练，生成精度更高的新模型。同常规训练不同的是需要额外选择输入模型和版本。 选择数据集。 用户从数据资产中的数据集

查看更多 →

String 参数类型。 continuous：指定时表示这个超参是连续类型的。连续类型的超参在算法使用于训练作业时，控制台显示为输入框。 discrete：指定时表示这个超参是离散类型的。离散类型的超参在算法使用于训练作业时，控制台显示为下拉选择框架。 lower_bound String

查看更多 →

小为4TB。并确认该目录下并发创建的文件数量是否过大，占用过多存储空间会出现inode耗尽的情况，导致空间不足。 请排查是否使用的是GPU资源。如果使用的是CPU规格的资源，“/cache”与代码目录共用10G，会造成内存不足，请更改为使用GPU资源。 请在代码中添加环境变量来解决。

查看更多 →

其他性能分析工具 对于GPU和NPU性能比对、NPU多次训练之间性能比对的场景，昇腾提供了性能比对工具compare_tools，通过对训练耗时和内存占用的比对分析，定位到具体劣化的算子，帮助用户提升性能调优的效率。工具将训练耗时拆分为计算、通信、调度三大维度，并针对计算和通信分

查看更多 →

elArts提供的基础容器镜像请见容器环境搭建。 父主题： GPU训练业务迁移至昇腾的通用指导

查看更多 →