更新时间：2024-11-21 GMT+08:00
创建模型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的模型可导入所有训练生成的元模型、上传至对象存储服务（OBS）中的元模型和容器镜像中的元模型，可对所有迭代和调试的模型进行统一管理。
约束与限制
- 自动学习项目中，在完成模型部署后，其生成的模型也将自动上传至模型列表中。但是自动学习生成的模型无法下载，只能用于部署上线。
- 创建模型、管理模型版本等功能目前是免费开放给所有用户，使用此功能不会产生费用。
创建模型的几种场景
- 从训练作业中导入模型文件创建模型：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模型，用于部署服务。
- 从OBS中导入模型文件创建模型：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传至OBS桶中，从OBS将模型导入至ModelArts中，创建为模型，直接用于部署服务。
- 从容器镜像中导入模型文件创建模型：针对ModelArts目前不支持的AI引擎，可以通过自定义镜像的方式将编写的模型镜像导入ModelArts，创建为模型，用于部署服务。
- 从AI Gallery订阅模型：ModelArts的AI Gallery中提供了大量免费的模型供用户一键部署，您可订阅AI Gallery上的模型进行AI体验学习。
推理支持的AI引擎
在ModelArts创建模型时，如果使用预置镜像“从OBS中选择”导入模型，则支持如下常用引擎及版本的模型包。
- 统一镜像Runtime的命名规范：<AI引擎名字及版本> - <硬件及版本：cpu或cuda或cann> - <python版本> - <操作系统版本> - <CPU架构>
- 当前支持自定义模型启动命令，预置AI引擎都有默认的启动命令，如非必要无需改动
|
模型使用的引擎类型 |
支持的运行环境（Runtime） |
注意事项 |
|---|---|---|
|
TensorFlow |
python3.6 python2.7（待下线） tf1.13-python3.6-gpu tf1.13-python3.6-cpu tf1.13-python3.7-cpu tf1.13-python3.7-gpu tf2.1-python3.7（待下线） tensorflow_2.1.0-cuda_10.1-py_3.7-ubuntu_18.04-x86_64（推荐） |
|
|
Spark_MLlib |
python2.7（待下线） python3.6（待下线） |
|
|
Scikit_Learn |
python2.7（待下线） python3.6（待下线） |
|
|
XGBoost |
python2.7（待下线） python3.6（待下线） |
|
|
PyTorch |
python2.7（待下线） python3.6 python3.7 pytorch1.4-python3.7 pytorch1.5-python3.7（待下线） pytorch_1.8.0-cuda_10.2-py_3.7-ubuntu_18.04-x86_64（推荐） |
|
|
MindSpore |
aarch64（推荐） |
aarch64只能用于运行在Snt3芯片上。
|
父主题： 创建模型
