模型训练所需的代码和数据上传至集群之后，需要创建相应的训练任务，即提交相应的 AI 模型训练作业。

前提条件

  • 已获取管理控制台账号和密码。

  • 已完成个人实名认证且账户余额大于 0 元。

  • AI 算力集群已创建完成。

  • 模型训练所需代码及数据已经上传至集群。

  • 若需在外网下载资源，则相应计算节点或 AI 算力平台所在网络已绑定公网 IP。

操作步骤

  1. 登录管理控制台。

  2. 点击产品与服务 > 计算 > AI 算力平台，选择左侧导航栏中的训练服务。

  3. 点击创建训练服务，进入训练创建页面，选择运行环境。

    train create 1

    参数说明：

    参数 说明

    选择环境

    容器环境，内置 Docker 工具，用户可随意选择镜像，且支持自定义镜像仓库。

    选择框架

    目前支持 PyTorch、TensorFlow、PaddlePaddle 或 Horovod 框架。

  4. 进行训练脚本配置。

    train create 2

    参数说明：

    参数 说明

    脚本来源

    支持用户手动输入执行脚本或选择/上传执行脚本。

    • 若使用手动输入执行脚本，需勾选手动输入执行脚本，根据实际情况选择工作目录，点击编辑图标，输入脚本名称，并在作业执行脚本框中输入相应的脚本内容，点击保存即可。

    • 若使用上传相应执行文件的方式，需勾选选择/上传执行脚本，在作业执行脚本处，点击+选择/上传执行脚本。在弹出的选择命令文件的窗口中，点击二级目录，选择指定用户的目录。进入指定用户的目录下后，选择需执行的脚本文件，点击确定即可。若执行脚本文件未提前上传，则可点击上传本地文件，进行上传。

    运行参数

    根据所选架构不用，需要配置的参数也不同，用户可根据实际情况进行填写。配置参数说明

    自定义参数

    用户可根据实际需要配置深度学习所需参数。

  5. 进行资源配置。

    train create 3

    参数说明：

    参数 说明

    任务名称

    当前训练任务的名称，支持用户自定义。目前仅支持英文、数字和短横线，暂不支持中文字符。

    训练资源

    支持单节点训练或多节点分布式训练。

    • 单节点训练：使用单一计算节点进行模型训练，即所有的数据和计算都在同一计算节点上进行。该方式适用于较小规模的数据集和简单模型，并且对计算资源的要求较低。

    • 多节点分布式训练：是指将训练任务分发到多各计算节点上进行并行计算的方式。该方式中不同节点上的数据和计算可以同时进行，从而加快训练速度并提高模型的性能，适用于处理大规模数据集和复杂模型的训练任务。

    GPU 卡数或节点

    • 若训练资源选择单节点训练，则此处需配置 GPU 卡数，根据集群规模选择即可。

    • 若训练资源选择多节点分布式训练，则此处需配置节点数，每个节点可使用的 GPU 卡数为当前节点的最大 GPU 卡数，根据集群规模选择即可。

  6. 点击立即创建，返回训练服务列表页面，等待训练任务运行完成即可。

    train create 4

视频教程

详细操作也可参考以下视频教程。