TensorFlow

CPU/GPU

x86_64

Ubuntu16.04

TF-1.8.0-python3.6

–

TF-1.13.1-python3.6

–

tensorflow_2.1.0-cuda_10.1-py_3.7-ubuntu_18.04-x86_64

cuda10.1

MXNet

CPU/GPU

x86_64

Ubuntu16.04

MXNet-1.2.1-python3.6

–

Spark_MLlib

CPU

x86_64

Ubuntu16.04

Spark-2.3.2-python3.6

–

Ray

CPU/GPU

x86_64

Ubuntu16.04

RAY-0.7.4-python3.6

–

XGBoost-Sklearn

CPU

x86_64

Ubuntu16.04

XGBoost-0.80-Sklearn-0.18.1-python2.7

–

XGBoost-0.80-Sklearn-0.18.1-python3.6

–

PyTorch

CPU/GPU

x86_64

Ubuntu16.04

PyTorch-1.0.0-python3.6

–

PyTorch-1.3.0-python3.6

–

PyTorch-1.4.0-python3.6

–

pytorch_1.8.0-cuda_10.2-py_3.7-ubuntu_18.04-x86_64

cuda10.2

Ascend-Powered-Engine

Ascend

aarch64

Euler2.8

mindspore_1.7.0-cann_5.1.0-py_3.7-euler_2.8.3-aarch64

5.1.0

tensorflow_1.15-cann_5.1.0-py_3.7-euler_2.8.3-aarch64

5.1.0

MPI

CPU/GPU

x86_64

Ubuntu18.04

mindspore_1.3.0-cuda_10.1-py_3.7-ubuntu_1804-x86_64

cuda10.1

Caffe

CPU/GPU

x86_64

Ubuntu16.04

Caffe-1.0.0-python2.7

cuda8.0

一键式参数配置

–

如果您在ModelArts已保存作业参数，您可以根据界面提示，选择已有的作业参数，快速完成训练作业的参数配置。

算法来源

常用框架

选择“AI引擎”和“版本”，选择“代码目录”及“启动文件”。选择的AI引擎和编写训练代码时选择的框架必须一致。例如编写训练代码使用的是TensorFlow，则在创建训练作业时也要选择TensorFlow。

目前支持的AI引擎及其版本请参见训练管理支持的AI常用框架。

如果您的模型需要安装Python依赖包时，请按照ModelArts定义的要求将依赖包及其配置文件放置“代码目录”中，详细说明请参见模型中引用依赖包时，如何创建训练作业？

数据来源

数据集

从ModelArts数据管理中选择可用的数据集及其版本。

“选择数据集”：从右侧下拉框中选择ModelArts系统中已有的数据集。当ModelArts无可用数据集时，此下拉框为空。
“选择版本”：根据“选择数据集”指定的数据集选择其版本。

一个训练作业，支持选择多个数据集，单击增加一个数据集，单击删除当前行指定的数据集。

数据存储位置

从OBS桶中选择训练数据。在“数据存储位置”右侧，单击“选择”，从弹出的对话框中，选择数据存储的OBS桶及其文件夹。

当“算法来源”选择“常用框架”时，一个训练作业，支持选择多个数据存储路径，单击增加一个数据存储路径，单击删除当前行指定的数据存储路径。

训练输出位置

–

选择训练结果的存储位置。

说明：

为避免出现错误，建议选择一个空目录用作“训练输出位置”。请勿将数据集存储的目录作为训练输出位置。

运行参数

–

代码中的命令行参数设置值，请根据您编写的算法代码逻辑进行填写，确保参数名称和代码的参数名称保持一致。

例如：train_steps=10000，其中“train_steps”为代码中的某个传参。

作业日志路径

–

选择作业运行中产生的日志文件存储路径。

资源池

选择训练作业资源池。

训练作业支持选择“公共资源池”和“专属资源池”。公共资源池又可以选择CPU或GPU两种类型，不同类型的资源池，其收费标准不同，详情请参见价格详情说明。专属资源池的创建请参见资源池（旧版即将下线）。

类型

当选择公共资源池时，需选择资源类型。目前支持CPU和GPU两种类型。

GPU资源性能更佳，CPU资源性价比更高。如果您选择的算法已定义使用CPU或GPU，界面将自动呈现此资源类型，请务必根据要求选择。

不同的资源类型的数据盘容量是不同的，详细介绍参考训练环境中不同规格资源“/cache”目录的大小。

说明：

如果您在训练代码使用的是GPU资源，则在选择资源池时只能选择GPU集群，否则会导致训练作业失败。

规格

针对不同的资源类型，选择资源规格。

其中针对“已有算法”、“常用框架”或“自定义镜像”，ModelArts支持使用Ascend创建训练作业，且此资源仅在“华北-北京四”可用。

前缀带“[限时免费] ”信息的为免费规格，您可以使用此规格免费体验ModelArts的训练作业功能。此规格的使用注意事项，请参见免费体验AI全流程开发。

计算节点个数

选择计算节点的个数。如果节点个数设置为1，表示后台的计算模式是单机模式；如果节点个数设置大于1，表示后台的计算模式为分布式的。请根据实际编码情况选择计算模式。

当“常用框架”选择Caffe时，只支持单机模式，即“计算节点个数”必须设置为“1”。针对其他“常用框架”，您可以根据业务情况选择单机模式或分布式模式。

订阅消息

订阅消息使用消息通知服务，在事件列表中选择需要监控的资源池状态，在事件发生时发送消息通知。

此参数为可选参数，您可以根据实际情况设置是否打开开关。如果开启订阅消息，请根据实际情况填写如下参数。

“主题名”：订阅消息主题名称。您可以单击创建主题，在消息通知服务中创建主题。
“事件列表”：订阅事件。当前可选择“OnJobRunning”、“OnJobSucceeded”、“OnJobFailed”三种事件，分别代表训练运行中、运行成功、运行失败。

保存作业参数

勾选此参数，表示将当前训练作业设置的作业参数保存，方便后续一键复制使用。

勾选“保存训练参数”，然后填写“作业参数名称”和“作业参数描述”，即可完成当前参数配置的保存。训练作业创建成功后，您可以从ModelArts的作业参数列表中查看保存的信息，详细操作指导请参见管理作业参数。