使用ModelArts實現花卉圖像分類【玩轉華為云】

概述

ModelArts是面向開發者的一站式AI開發平臺，為機器學習與深度學習提供海量數據預處理及半自動化標注、大規模分布式Training、自動化模型生成，及端-邊-云模型按需部署能力，幫助用戶快速創建和部署模型，管理全周期AI工作流。

1、目標

本實驗指導用戶在華為云ModelArts平臺使用flowers數據集對預置的模型進行重訓練，快速構建花卉圖像分類應用。

2、實驗操作

2.1、登錄實驗環境

打開Chrome瀏覽器，首次可自動登錄并進入華為云控制臺頁面。

2.2、數據準備

2.2.1、創建對象存儲 OBS

進入華為云控制臺，鼠標移動到云桌面瀏覽器頁面中左側菜單欄，點擊“服務列表”-> 選擇“存儲”的“對象存儲服務 OBS”，進入后右上角點擊“創建桶”，按下圖進行桶命名和參數選擇。

參數：

① 復制配置：不選擇

② 區域：華北-北京四

③ 數據冗余儲存策略：單AZ存儲

④ 桶名稱：任意填寫（請記住此名稱以備后續相關步驟使用）

⑤ 存儲類別：標準存儲

⑥ 桶策略：私有

⑦ 默認加密：關閉

⑧ 歸檔數據直讀： 關閉

⑨ 存儲包超值購：不選擇

創建完成回到對象存儲服務列表，點擊剛剛創建的OBS桶名稱進入詳情頁，選擇左側“對象”-＞“新建文件夾”（存放后續步驟的數據文件），然后選擇確定。

在服務列表中找到并進入人工智能服務 ModelArts，然后點擊ModelArts 頁面中左側的【開發環境】選項一點擊【notebook】 進入notebook 頁面。點擊【創建】按鈕進入創建頁面，并進行配置。

進入創建頁面，參數要求：

① 名稱：任意，如flowers-notebook

② 自動停止：2小時后

③ 鏡像：公共鏡像：在第二頁選擇tensorflow1.13-cuda10.0-cudnn7-ubuntu18.0.4-GPU算法開發和訓練基礎鏡像，預置AI引擎Tensorflow1.13.1

④ 資源池：公共資源池

⑤ 類型：GPU

⑥ 規格：8核64GB

⑦ 儲存配置：云硬盤（5GB）

創建成功，返回NoteBook列表，等待狀態變為“運行中”【約等待3分鐘】，點擊“打開”，進入NoteBook詳情頁。

在頁面中選擇“TensorFlow-1.13.1”，

進入Python命令輸入界面，輸入如下命令后，點擊“Run”

復制如下命令，粘貼至Python命令輸入第二行（命令需修改后執行）：

修改說明：將代碼中的“your_bucket_name”替換為創建的OBS桶名稱；將代碼中的“your_folder_name”替換為OBS桶中創建的文件夾名稱。

說明：進入華為云控制臺，鼠標移動到云桌面瀏覽器頁面中左側菜單欄，點擊“服務列表”-> 選擇“存儲”的“對象存儲服務”，點擊桶名，點擊文件夾可以查看復制的文件，即訓練所需的數據集。執行成功關閉Python命令執行頁面。

2.3、訓練模型

2.3.1、創建訓練模型

回到ModelArts界面，進入左側導航欄的【AI Gallery】在【AI Gallery】頁面點擊頂部【算法】進入算法頁面，選擇算法【圖像分類-ResNet_v1_50】

點擊“訂閱”，如下圖所示：

點擊“前往控制臺”，如下圖所示：

接下來回到在ModelArts主界面，在【訓練管理】選擇訓練作業，點擊【創建】：

在創建訓練作業頁面中選擇算法：

2.3.2、通過可視化作業查看模型訓練信息

在模型訓練的過程完成后，通過創建可視化作業查看一些參數的統計信息，如loss， accuracy等。

操作如下：

① 在“訓練作業”界面，點擊“可視化作業”，再點擊“創建”按鈕；

② 參數“名稱”，可隨意填寫；

③ 規格：默認；

④ “訓練輸出位置”選擇2.2步驟中的訓練輸出位置；

⑤ “自動停止”不設置（關閉）。

2.4、部署模型

模型訓練完成后，可以創建預測作業，將模型部署為在線預測服務。

2.4.1、導入模型

在左側ModelArts菜單欄點擊“AI應用管理”->“AI應用”，單擊頁面中的“創建”，參考填寫請參考下圖。

名稱：自定義

版本：默認

云模型來源：選擇【從訓練中選擇】、【訓練作業】，然后選擇2.1步驟訓練的模型

其他參數默認即可，參數確認無誤后，單擊“立即創建”，完成模型創建。

2.4.2、部署在線服務

點擊已創建模型名稱前的下拉箭頭，點擊操作列中【部署】，選擇部署菜單欄中的【在線服務】。或點擊模型名稱進入模型詳情頁，點擊詳情頁右上角的【部署】，在部署菜單中選擇【在線服務】。

點擊“下一步”-＞“提交”完成部署。

2.5、發起預測請求

點擊剛剛部署上線（已完成部署）的在線服務名稱，進入服務詳情，點擊“預測”標簽，在此可進行在線預測，如下圖所示。

最終結果顯示預測成功。

3、結尾

通過以上實踐熟練了ModelArts的操作步驟，加深了對ModelArts的了解，有興趣的同學可參考如下鏈接進行實際操作。

https://lab.huaweicloud.com/testdetail_287

AI開發平臺ModelArts 云端實踐 深度學習 機器學習

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。