部署算法包组件

运行算法包组件依赖于CPU、NPU这类计算资源。如果应用中有使用算法包组件，需要先执行部署操作。部署后算法包就能在一个独立、隔离的环境中运行，同时也能被其他组件访问。

1. 登录ModelArts Studio平台，进入所需空间。
2. 在左侧导航栏中选择“垂域应用开发 > 应用组件 > 组件管理 > 自定义”，进入“算法包”页签。
   图1 算法包列表

   

3. 选择“已生效”的算法包，单击操作栏的“部署”，或者进入算法包组件详情页面，单击右上角“部署”，部署算法。“未生效”的算法包组件单击列表其所在行的“是否生效”开关进行组件生效。
   图2 部署组件
   

   表1 部署参数说明

   参数名称	说明
   部署方式	服务的部署类型，支持边缘部署。
   服务名称	部署服务的名称。
   架构类型	部署的资源池架构类型，与实际算法的架构相关。
   资源池	选择部署的边缘资源池。若需要使用Ascend卡，当前支持推理卡类型为Snt3p。
   负载均衡	边缘部署使用的负载均衡，支持HTTPS和HTTP两种协议的负载均衡，用于后续通过负载均衡调用的部署的服务。
   CPU	部署需要使用的最小CPU值（物理核），默认1Core。越复杂的模型通常需要更多的计算资源，可以考虑增加CPU的数量；如果服务需要处理大量的并发请求，建议增加CPU数量。但不能超过资源池中的可用CPU数。
   内存	部署需要使用的最小内存值，默认1024MB。模型越大、处理数据越多，需要的内存也就越大。可以依据实际模型情况和待处理的数据量情况进行调整。
   Ascend	部署使用的npu卡数量。Ascend设备通常用于深度学习模型的加速，当模型支持在Ascend上运行，且资源池中包含Ascend资源时，才可以进行配置，确保分配的Ascend数量在资源池范围内。当前支持推理卡类型为Snt3p，单卡算力为70T FLOPS@fp16，加载不同推理模型所消耗的算力资源不同，需要卡数的计算公式为：卡数量≈总算力/卡算力。计算得到的卡数量可以向上取整后作为参数取值。 若资源池进行过算力切分，此处的卡数量表示的是逻辑卡数。若资源池没有经过算力切分，则表示为物理卡数。例如，物理卡切分成了7份，那一个逻辑卡的算力就是10T FLOPS@fp16。
   环境变量	用户在组件代码中定义的外部环境变量。

   如果使用视频解码、视频抽帧类算法，CPU和内容推荐设置为4CPU，8092M内存，若算法需要使用Ascend设备运行，可将数量设置为1。CPU、内存、Ascend取值大小与用户所使用的算法相关、处理的数据量相关，请按算法实际运行所依赖的资源要求进行设置。

4. 部署完成后，单击算法包名称，进入详情页后，可以在最下方的服务管理处看到服务列表信息。
   图3 服务管理
   
5. 服务部署完成后，可以根据服务列表中的访问地址完成服务的调用请求，请求体结构按照创建算法包组件时设置的结构进行填写。

   边缘部署服务的访问URL格式为：<所使用负载均衡的协议>://<负载均衡的IP(通常为资源池主节点IP)>:<负载均衡的端口>/<服务的访问地址>

   例如：部署使用的负载均衡为HTTPS的 ，负载均衡的IP为127.0.0.1，负载均衡的端口为：8080，服务的访问地址为：05806e52-6423-43bc-b1be-82d4fa1a158a，

   则最终的访问地址为：https://127.0.0.1:8080/05806e52-6423-43bc-b1be-82d4fa1a158a

   调用访问地址时需要填写请求Header参数：

   Content-Type：填写application/json。

   图4 服务调用
   
6. 单击服务名称可以跳转到当前服务详情页面。
   图5 服务详情
   
7. 服务部署失败或者不需要的时候，可以在服务列表中进行服务删除操作。
   图6 删除服务