檢測(cè)到您已登錄華為云國(guó)際站賬號(hào)，為了您更好的體驗(yàn)，建議您訪問國(guó)際站服務(wù)網(wǎng)站 http://m.cqfng.cn/intl/zh-cn
不再顯示此消息
中國(guó)站
中國(guó)站
International
Europe
檢測(cè)到您已登錄華為云國(guó)際站賬號(hào)，為了您更好的體驗(yàn)，建議您訪問國(guó)際站服務(wù)網(wǎng)站 http://m.cqfng.cn/intl/zh-cn
不再顯示此消息
項(xiàng)目實(shí)習(xí)生 AI建模與訓(xùn)練平臺(tái) AI建模與訓(xùn)練平臺(tái) 領(lǐng)域方向：人工智能 工作地點(diǎn)： 杭州 AI建模與訓(xùn)練平臺(tái) 人工智能 杭州 項(xiàng)目簡(jiǎn)介 隨著人工智能技術(shù)的發(fā)展，越來越多的行業(yè)開始使用人工智能做智能化轉(zhuǎn)型。本項(xiàng)目旨在開發(fā)一套端到端的人工智能模型開發(fā)平臺(tái)。 崗位職責(zé) 從事AI工程化和AI平臺(tái)的開發(fā)。
一站式大模型開發(fā)平臺(tái) 一站式大模型開發(fā)平臺(tái) ModelArts Studio大模型開發(fā)平臺(tái)是集數(shù)據(jù)管理、模型訓(xùn)練、模型部署于一體的綜合平臺(tái)，專為開發(fā)和應(yīng)用大模型而設(shè)計(jì)，旨在為開發(fā)者提供簡(jiǎn)單、高效的大模型開發(fā)和部署方式 為什么選擇大模型開發(fā)平臺(tái)ModelArts Studio 最全工具鏈平臺(tái)
保障用戶訓(xùn)練作業(yè)的長(zhǎng)穩(wěn)運(yùn)行 提供訓(xùn)練作業(yè)斷點(diǎn)續(xù)訓(xùn)與增量訓(xùn)練能力，即使訓(xùn)練因某些原因中斷，也可以基于checkpoint接續(xù)訓(xùn)練，保障需要長(zhǎng)時(shí)間訓(xùn)練的模型的穩(wěn)定性和可靠性，避免重新開始訓(xùn)練耗費(fèi)的時(shí)間與計(jì)算成本 支持訓(xùn)練數(shù)據(jù)使用SFS Turbo文件系統(tǒng)進(jìn)行數(shù)據(jù)掛載，訓(xùn)練作業(yè)產(chǎn)生的中間和結(jié)果等數(shù)據(jù)可以直接高速寫入到SFS
會(huì)話對(duì)象，初始化方法請(qǐng)參考Session鑒權(quán)。 job_id 是 String 訓(xùn)練作業(yè)的id，可通過創(chuàng)建訓(xùn)練作業(yè)生成的訓(xùn)練作業(yè)對(duì)象查詢，如"job_instance.job_id"，或從查詢訓(xùn)練作業(yè)列表的響應(yīng)中獲得。 表2 get_job_log請(qǐng)求參數(shù)說明 參數(shù) 是否必選 參數(shù)類型
華為云ModelArts平臺(tái)提供E級(jí)算力調(diào)度，同時(shí)結(jié)合物理網(wǎng)絡(luò)拓?fù)洌峁﹦?dòng)態(tài)路由規(guī)劃能力，為大模型訓(xùn)練提供了最優(yōu)的網(wǎng)絡(luò)通信能力。此外，借助ModelArts平臺(tái)的高效處理海量數(shù)據(jù)能力，僅用7天就完成了40TB文本數(shù)據(jù)處理。
Notebook編程環(huán)境的操作 了解詳情 人工智能概覽 學(xué)完本課程后，您將能夠了解人工智能的發(fā)展歷史以及相關(guān)概念 了解詳情 ModelArts：一站式AI開發(fā)平臺(tái) 通過本課程的學(xué)習(xí)，了解ModelArts的特性、應(yīng)用場(chǎng)景等，并掌握其申請(qǐng)和調(diào)用方法 了解詳情 ModelArts自定義鏡像
自動(dòng)駕駛模型訓(xùn)練推理 MapTRv2模型基于ModelArts Lite Server適配PyTorch NPU訓(xùn)練指導(dǎo) OpenVLA模型基于ModelArts Lite Server適配PyTorch NPU訓(xùn)練指導(dǎo) PointPillar模型基于ModelArts Lite
應(yīng)用、在線服務(wù)接口，實(shí)現(xiàn)在AI開發(fā)平臺(tái)ModelArts上快速部署推理服務(wù) 使用AI開發(fā)平臺(tái)ModelArts，創(chuàng)建AI應(yīng)用，部署在線服務(wù)、用于獲取推理結(jié)果 在統(tǒng)一身份認(rèn)證服務(wù) IAM上創(chuàng)建一個(gè)委托，用于授權(quán)FunctionGraph獲取IAM用戶Token，訪問ModelArts
LLM/AIGC/數(shù)字人基于Server適配NPU的訓(xùn)練推理指導(dǎo) ModelArts提供了豐富的關(guān)于Server使用NPU進(jìn)行訓(xùn)練推理的案例指導(dǎo)，涵蓋了LLM大語言模型、AIGC圖像/視頻生成等人等主流應(yīng)用場(chǎng)景。您可查看詳細(xì)指導(dǎo)。
Standard模型訓(xùn)練 使用ModelArts Standard自定義算法實(shí)現(xiàn)手寫數(shù)字識(shí)別 基于ModelArts Standard運(yùn)行訓(xùn)練作業(yè)
訓(xùn)練管理 訓(xùn)練作業(yè) 資源和引擎規(guī)格接口
Standard模型訓(xùn)練 在ModelArts訓(xùn)練得到的模型欠擬合怎么辦？ 在ModelArts中訓(xùn)練好的模型如何獲??？ 在ModelArts上如何獲得RANK_TABLE_FILE用于分布式訓(xùn)練？ 在ModelArts上訓(xùn)練模型如何配置輸入輸出數(shù)據(jù)？ 在ModelArts上如何提升訓(xùn)練效率并減少與OBS的交互？
訓(xùn)練管理（舊版） 訓(xùn)練作業(yè) 訓(xùn)練作業(yè)參數(shù)配置 可視化作業(yè) 資源和引擎規(guī)格接口 作業(yè)狀態(tài)參考 父主題： 歷史API
訓(xùn)練作業(yè) 創(chuàng)建訓(xùn)練作業(yè) 查詢訓(xùn)練作業(yè)列表 查詢訓(xùn)練作業(yè)版本詳情 刪除訓(xùn)練作業(yè)版本 查詢訓(xùn)練作業(yè)版本列表 創(chuàng)建訓(xùn)練作業(yè)版本 停止訓(xùn)練作業(yè)版本 更新訓(xùn)練作業(yè)描述 刪除訓(xùn)練作業(yè) 獲取訓(xùn)練作業(yè)日志的文件名 查詢預(yù)置算法 查詢訓(xùn)練作業(yè)日志 父主題： 訓(xùn)練管理（舊版）
在“訂單信息確認(rèn)”頁面，確認(rèn)服務(wù)信息和費(fèi)用，單擊“確定”提交模型訓(xùn)練任務(wù)。 單擊“返回模型訓(xùn)練”跳轉(zhuǎn)到微調(diào)大師頁面，可以查看訓(xùn)練作業(yè)狀態(tài)。當(dāng)“狀態(tài)”為“訓(xùn)練完成”時(shí)，表示微調(diào)任務(wù)完成。 單擊操作列的“查看模型”跳轉(zhuǎn)到微調(diào)獲得的新模型的詳情頁面。
AI模型 創(chuàng)建模型 盤古輔助制藥平臺(tái)支持用戶創(chuàng)建AI模型，目前AI模型只有專業(yè)版支持。AI建模支持創(chuàng)建屬性模型和基模型。創(chuàng)建屬性模型是基于自定義數(shù)據(jù)，對(duì)盤古藥物分子大模型進(jìn)行微調(diào)，進(jìn)行屬性預(yù)測(cè)和迭代活性優(yōu)化，實(shí)現(xiàn)干濕實(shí)驗(yàn)閉環(huán)。
創(chuàng)建訓(xùn)練作業(yè) 功能介紹 創(chuàng)建訓(xùn)練作業(yè)接口用于在ModelArts平臺(tái)上啟動(dòng)新的訓(xùn)練任務(wù)。 該接口適用于以下場(chǎng)景：當(dāng)用戶需要基于特定的數(shù)據(jù)集和算法模型進(jìn)行機(jī)器學(xué)習(xí)訓(xùn)練時(shí)，可以通過此接口創(chuàng)建并配置訓(xùn)練作業(yè)。使用該接口的前提條件是用戶已上傳數(shù)據(jù)集和模型代碼至ModelArts平臺(tái)，并具
LLM大語言模型訓(xùn)練 主流開源大模型基于ModelArts Lite Server適配AscendFactory PyTorch NPU訓(xùn)練指導(dǎo)（New） LLM大語言模型訓(xùn)練歷史版本文檔
ControlNet... AI說 為醫(yī)生打造專屬數(shù)字分身! AIGC：人工智能生成內(nèi)容的崛起與未... ModelArts JupyterLab常見問題解決... 聊聊超級(jí)快的圖上多跳過濾查詢 查看更多 收起 場(chǎng)景化AI案例，AI落地零門檻 AI達(dá)人 馬上申請(qǐng) 多樣化AI資產(chǎn)，AI開發(fā)更高效 資產(chǎn)貢獻(xiàn)榜
數(shù)。 模型訓(xùn)練結(jié)束后，訓(xùn)練模型以及相關(guān)輸出信息需保存在OBS路徑。“輸出”數(shù)據(jù)默認(rèn)配置為模型輸出，代碼參數(shù)為“train_url”，也支持用戶根據(jù)1的算法代碼自定義輸出路徑參數(shù)。 在創(chuàng)建訓(xùn)練作業(yè)時(shí)，填寫輸入路徑和輸出路徑。 訓(xùn)練輸入選擇對(duì)應(yīng)的OBS路徑或者數(shù)據(jù)集路徑，訓(xùn)練輸出選擇對(duì)應(yīng)的OBS路徑。
MLLM多模態(tài)模型訓(xùn)練推理 Bunny-Llama-3-8B-V基于Lite Server適配PyTorch NPU的訓(xùn)練指導(dǎo)（6.5.901） Qwen-VL基于Standard+OBS+SFS適配PyTorch NPU訓(xùn)練指導(dǎo)（6.3.912） Qwen-VL模型基于Standard+OBS適配PyTorch
AIGC工具tailor使用指導(dǎo) tailor簡(jiǎn)介 tailor是AIGC場(chǎng)景下用于模型轉(zhuǎn)換（onnx到mindir）和性能分析的輔助工具，當(dāng)前支持以下功能。 表1 功能總覽 功能大類 具體功能 模型轉(zhuǎn)換 固定shape轉(zhuǎn)模型 動(dòng)態(tài)shape傳入指定檔位轉(zhuǎn)模型 支持fp32 支持AOE優(yōu)化
String 訓(xùn)練作業(yè)的id，可通過創(chuàng)建訓(xùn)練作業(yè)生成的訓(xùn)練作業(yè)對(duì)象查詢，如"job_instance.job_id"，或從查詢訓(xùn)練作業(yè)列表的響應(yīng)中獲得。 表2 返回參數(shù)說明 參數(shù) 參數(shù)類型 描述 kind String 訓(xùn)練作業(yè)類型。默認(rèn)使用job。 枚舉值： job：訓(xùn)練作業(yè) hetero_job：異構(gòu)作業(yè)
在“元模型來源”中，選擇“從訓(xùn)練中選擇”頁簽，選擇Step4 創(chuàng)建訓(xùn)練作業(yè)中完成的訓(xùn)練作業(yè)，勾選“動(dòng)態(tài)加載”。AI引擎的值是系統(tǒng)自動(dòng)寫入的，無需設(shè)置。 圖5 設(shè)置元模型來源 在模型列表頁面，當(dāng)模型狀態(tài)變?yōu)?ldquo;正常”時(shí)，表示模型創(chuàng)建成功。單擊模型操作列的“部署”，彈出“版本列表”
為網(wǎng)絡(luò)AI開發(fā)專家，負(fù)責(zé)NAIE模型訓(xùn)練服務(wù)特征工程相關(guān)的設(shè)計(jì)與開發(fā)工作，9年電信領(lǐng)域軟件設(shè)計(jì)開發(fā)工作經(jīng)驗(yàn)，熟悉分布式系統(tǒng)、大數(shù)據(jù)、中間件等產(chǎn)品及技術(shù)應(yīng)用，對(duì)電信領(lǐng)域AI模型訓(xùn)練平臺(tái)及數(shù)據(jù)特征處理有較深入的理解。后希旭，華為網(wǎng)絡(luò)AI開發(fā)專家，知乎專欄主編，負(fù)責(zé)華為網(wǎng)絡(luò)AI開發(fā)平臺(tái)的構(gòu)建和運(yùn)營(yíng)，熟悉模型訓(xùn)練和在線推理。
兩者結(jié)合。6模型驅(qū)動(dòng)開發(fā)能稍微再解釋一下嗎？開發(fā)者開發(fā)過程中主要聚焦在業(yè)務(wù)數(shù)據(jù)模型對(duì)象的構(gòu)建，而不用過多的關(guān)注計(jì)算的細(xì)節(jié)。7ModelFactory與DataFactory有什么區(qū)別？您問的是不是ModelFoundry。DataFactory是GDE大數(shù)據(jù)開發(fā)平臺(tái)，ModelFoundry是GDE
