檢測到您已登錄華為云國際站賬號，為了您更好的體驗，建議您訪問國際站服務(wù)網(wǎng)站 http://m.cqfng.cn/intl/zh-cn
不再顯示此消息
檢測到您已登錄華為云國際站賬號，為了您更好的體驗，建議您訪問國際站服務(wù)網(wǎng)站 http://m.cqfng.cn/intl/zh-cn
不再顯示此消息
遇見你，遇見未來 華為云 | +智能，見未來 項目實習(xí)生 AI建模與訓(xùn)練平臺 AI建模與訓(xùn)練平臺 領(lǐng)域方向：人工智能 工作地點： 杭州 AI建模與訓(xùn)練平臺 人工智能 杭州 項目簡介 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。本項目旨在開發(fā)一套端到端的人工智能模型開發(fā)平臺。
訓(xùn)練管理 訓(xùn)練作業(yè) 資源和引擎規(guī)格接口
華為云學(xué)院，華為官方云計算技術(shù)培訓(xùn)學(xué)習(xí)平臺，致力于打造精品課程，在線實驗，考試及認證一站式云計算技術(shù)人才培訓(xùn)平臺，零基礎(chǔ)也可以學(xué)，帶你輕松開啟云計算之旅，助力職場發(fā)展
保障用戶訓(xùn)練作業(yè)的長穩(wěn)運行 提供訓(xùn)練作業(yè)斷點續(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，保障需要長時間訓(xùn)練的模型的穩(wěn)定性和可靠性，避免重新開始訓(xùn)練耗費的時間與計算成本 支持訓(xùn)練數(shù)據(jù)使用SFS Turbo文件系統(tǒng)進行數(shù)據(jù)掛載，訓(xùn)練作業(yè)產(chǎn)生的
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
業(yè)級AI開發(fā)不再困難。 華為云AI解決方案架構(gòu)師鞠一鳴從產(chǎn)品概述、自動學(xué)習(xí)ExeML平臺、訓(xùn)練平臺、推理平臺、AI市場、應(yīng)用案例等方面對ModelArts平臺進行了理論介紹。華為云EI技術(shù)布道師唐福明帶領(lǐng)與會企業(yè)開發(fā)者基于ModelArts的自動學(xué)習(xí)功能，零代碼開發(fā)了世界著名畫家
Object 會話對象，初始化方法請參考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請求參數(shù)說明 參數(shù) 是否必選 參數(shù)類型
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）
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平臺上啟動新的訓(xùn)練任務(wù)。 該接口適用于以下場景：當(dāng)用戶需要基于特定的數(shù)據(jù)集和算法模型進行機器學(xué)習(xí)訓(xùn)練時，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，并具
h框架創(chuàng)建訓(xùn)練作業(yè)。 訓(xùn)練作業(yè)進階功能 ModelArts Standard還支持以下訓(xùn)練進階功能，例如： 增量訓(xùn)練 分布式訓(xùn)練 訓(xùn)練加速 訓(xùn)練高可靠性 查看訓(xùn)練結(jié)果和日志 查看訓(xùn)練作業(yè)詳情 訓(xùn)練作業(yè)運行中或運行結(jié)束后，可以在訓(xùn)練作業(yè)詳情頁面查看訓(xùn)練作業(yè)的參數(shù)設(shè)置，訓(xùn)練作業(yè)事件等。
在ModelArts上如何提升訓(xùn)練效率并減少與OBS的交互？ 場景描述 在使用ModelArts進行自定義深度學(xué)習(xí)訓(xùn)練時，訓(xùn)練數(shù)據(jù)通常存儲在對象存儲服務(wù)（OBS）中，且訓(xùn)練數(shù)據(jù)較大時（如200GB以上），每次都需要使用GP資源池進行訓(xùn)練，且訓(xùn)練效率低。 希望提升訓(xùn)練效率，同時減少與對象存
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。默認使用job。 枚舉值： job：訓(xùn)練作業(yè) hetero_job：異構(gòu)作業(yè)
行管理平臺，支持部署華為云ModelArts平臺訓(xùn)練的模型，提供云上管理平臺、豐富的技能市場和開發(fā)者工具與插件，幫助用戶高效開發(fā)AI應(yīng)用，并將其部署到多種端側(cè)計算設(shè)備運行和在線管理。 華為HiLens為端云協(xié)同AI應(yīng)用開發(fā)與運行管理平臺，支持部署華為云ModelArts平臺訓(xùn)練的
查詢訓(xùn)練作業(yè)指定任務(wù)的運行指標 功能介紹 查詢訓(xùn)練作業(yè)指定任務(wù)的運行指標接口用于獲取ModelArts平臺上指定訓(xùn)練作業(yè)任務(wù)的運行指標。 該接口適用于以下場景：當(dāng)用戶需要查看特定訓(xùn)練任務(wù)的性能指標時，可以通過此接口獲取運行指標。使用該接口的前提條件是用戶已知訓(xùn)練作業(yè)ID和任務(wù)ID
準備模型訓(xùn)練鏡像 ModelArts平臺提供了Tensorflow，PyTorch，MindSpore等常用深度學(xué)習(xí)任務(wù)的基礎(chǔ)鏡像，鏡像里已經(jīng)安裝好運行任務(wù)所需軟件。當(dāng)基礎(chǔ)鏡像里的軟件無法滿足您的程序運行需求時，您還可以基于這些基礎(chǔ)鏡像制作一個新的鏡像并進行訓(xùn)練。 訓(xùn)練作業(yè)的預(yù)置框架介紹
分布式訓(xùn)練功能介紹 分布式訓(xùn)練 分布式訓(xùn)練是指在多個計算節(jié)點（如多臺服務(wù)器或GPU設(shè)備）上并行執(zhí)行深度學(xué)習(xí)任務(wù)，以加快模型訓(xùn)練速度或處理更大規(guī)模的數(shù)據(jù)。通過將訓(xùn)練任務(wù)分配到多個節(jié)點上，每個節(jié)點負責(zé)計算模型的一部分，然后通過通信機制將計算結(jié)果同步，最終完成整個模型的訓(xùn)練。這種方式可
用戶還可以創(chuàng)建訓(xùn)練作業(yè)的數(shù)量。 jobs jobs結(jié)構(gòu)數(shù)組 訓(xùn)練作業(yè)的屬性列表，具體請參見表4。 quotas Integer 訓(xùn)練作業(yè)的運行數(shù)量上限。 表4 jobs屬性列表 參數(shù) 參數(shù)類型 說明 job_id Long 訓(xùn)練作業(yè)的ID。 job_name String 訓(xùn)練作業(yè)的名稱。
會話對象，初始化方法請參考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。 無成功響應(yīng)參數(shù)。 表2 調(diào)用訓(xùn)練接口失敗響應(yīng)參數(shù) 參數(shù) 類型 描述 error_msg
專家在線答疑解惑 沉浸式學(xué)習(xí)體驗 沉浸式學(xué)習(xí)體驗 社群全程互動學(xué)習(xí) 一線人員親授，實訓(xùn)強化技能掌握 一線人員親授，實訓(xùn)強化技能掌握 精選7天課程 輕松掌握ADC八大編排能力 ADC平臺資深開發(fā)工程師親授 精選7天課程 輕松掌握ADC八大編排能力 ADC平臺資深開發(fā)工程師親授 課程大綱 主要內(nèi)容
創(chuàng)建單機多卡的分布式訓(xùn)練（DataParallel） 在深度學(xué)習(xí)領(lǐng)域，隨著模型規(guī)模的不斷擴大，訓(xùn)練時間也隨之增加。為了提高訓(xùn)練效率，需要采用高效的并行計算方法。在單機環(huán)境下，如何充分利用多塊GPU卡的計算能力成為一個關(guān)鍵問題。本章節(jié)將介紹基于PyTorch引擎的單機多卡數(shù)據(jù)并行訓(xùn)練方法，通過
使用ModelArts時，用戶數(shù)據(jù)需要存放在自己OBS桶中，但是訓(xùn)練代碼運行過程中不能使用OBS路徑讀取數(shù)據(jù)。 原因： 訓(xùn)練作業(yè)創(chuàng)建成功后，由于在運行容器直連OBS服務(wù)進行訓(xùn)練性能很差，系統(tǒng)會自動下載訓(xùn)練數(shù)據(jù)至運行容器的本地路徑。所以，在訓(xùn)練代碼中直接使用OBS路徑會報錯。例如訓(xùn)練代碼的OBS路徑為obs://b
