华为云用户手册

样例 inputs = { "dataframe": None # @input {"label":"dataframe","type":"DataFrame"}}params = { "inputs": inputs, "b_output_action": True, "outer_pipeline_stages": None, "input_features_str": "", # @param {"label":"input_features_str","type":"string","required":"false","helpTip":""} "label_col": "", # @param {"label":"label_col","type":"string","required":"true","helpTip":""} "regressor_feature_vector_col": "model_features", # @param {"label":"regressor_feature_vector_col","type":"string","required":"false","helpTip":""} "prediction_col": "prediction", # @param {"label":"prediction_col","type":"string","required":"false","helpTip":""} "objective": "regression", # @param {"label":"objective","type":"string","required":"false","helpTip":""} "max_depth": -1, # @param {"label":"max_depth","type":"integer","required":"false","range":"[-1,2147483647]","helpTip":""} "num_iteration": 100, # @param {"label":"num_iteration","type":"integer","required":"false","range":"(0,2147483647]","helpTip":""} "learning_rate": 0.1, # @param {"label":"learning_rate","type":"number","required":"false","helpTip":""} "num_leaves": 31, # @param {"label":"num_leaves","type":"integer","required":"false","range":"(0,2147483647]","helpTip":""} "max_bin": 255, # @param {"label":"max_bin","type":"integer","required":"false","range":"(0,2147483647]","helpTip":""} "bagging_fraction": 1.0, # @param {"label":"bagging_fraction","type":"number","required":"false","helpTip":""} "bagging_freq": 0, # @param {"label":"bagging_freq","type":"integer","required":"false","range":"[0,2147483647]","helpTip":""} "bagging_seed": 3, # @param {"label":"bagging_seed","type":"integer","required":"false","range":"[0,2147483647]","helpTip":""} "early_stopping_round": 0, # @param {"label":"early_stopping_round","type":"integer","required":"false","range":"[0,2147483647]","helpTip":""} "feature_fraction": 1.0, # @param {"label":"feature_fraction","type":"number","required":"false","helpTip":""} "min_sum_hessian_in_leaf": 1e-3, # @param {"label":"min_sum_hessian_in_leaf","type":"number","required":"false","helpTip":""} "boost_from_average": True, # @param {"label":"boost_from_average","type":"boolean","required":"false","helpTip":""} "boosting_type": "gbdt", # @param {"label":"boosting_type","type":"string","required":"false","helpTip":""} "lambda_l1": 0.0, # @param {"label":"lambda_l1","type":"number","required":"false","helpTip":""} "lambda_l2": 0.0, # @param {"label":"lambda_l2","type":"number","required":"false","helpTip":""} "num_batches": 0, # @param {"label":"num_batches","type":"integer","required":"false","range":"[0,2147483647]","helpTip":""} "parallelism": "data_parallel" # @param {"label":"parallelism","type":"string","required":"false","helpTip":""}}lightgbm_regressor____id___ = MLSLightGbmRegression(**params)lightgbm_regressor____id___.run()# @output {"label":"pipeline_model","name":"lightgbm_regressor____id___.get_outputs()['output_port_1']","type":"PipelineModel"}

样例 inputs = { "dataframe": None # @input {"label":"dataframe","type":"DataFrame"}}params = { "inputs": inputs, "b_output_action": True, "b_use_default_encoder": True, # @param {"label": "b_use_default_encoder", "type": "boolean", "required": "true", "helpTip": ""} "input_features_str": "", # @param {"label": "input_features_str", "type": "string", "required": "false", "helpTip": ""} "outer_pipeline_stages": None, "label_col": "", # @param {"label": "label_col", "type": "string", "required": "true", "helpTip": "target label column"} "regressor_feature_vector_col": "model_features", # @param {"label": "regressor_feature_vector_col", "type": "string", "required": "true", "helpTip": ""} "max_iter": 100, # @param {"label": "max_iter", "type": "integer", "required": "true", "range": "(0,2147483647]", "helpTip": ""} "reg_param": 0.0, # @param {"label": "reg_param", "type": "number", "required": "true", "range": "[0.0,none)", "helpTip": ""} "elastic_net_param": 0.0, # @param {"label": "elastic_net_param", "type": "number", "required": "true", "range": "[0.0,none)", "helpTip": ""} "tol": 1e-6, # @param {"label": "tol"", "type": "number", "required": "true", "range": "[0.0,none)", "helpTip": ""} "fit_intercept": True, # @param {"label": "fit_intercept"", "type": "boolean", "required": "true", "helpTip": ""} "standardization": True, # @param {"label": "standardization"", "type": "boolean", "required": "true", "helpTip": ""} "solver": "auto", # @param {"label": "solver", "type": "enum", "required": "true", "options": "l-bfgs,normal,auto", "helpTip": ""} "aggregation_depth": 2, # @param {"label": "aggregation_depth", "type": "integer", "required": "true", "range": "(0,2147483647]", "helpTip": ""} "loss": "squaredError", # @param {"label": "loss", "type": "enum", "required": "true", "options": "squaredError,huber", "helpTip": ""} "epsilon": 1.35 # @param {"label": "epsilon", "type": "number", "required": "true", "range": "(1.0,none)", "helpTip": ""}}linear_regression____id___ = MLSLinearRegression(**params)linear_regression____id___.run()# @output {"label":"pipeline_model","name":"linear_regression____id___.get_outputs()['output_port_1']","type":"PipelineModel"}

参数说明 参数 子参数 参数说明 b_use_default_encoder - 是否使用默认编码，默认为True input_features_str - 输入的列名以逗号分隔组成的字符串，例如： "column_a" "column_a,column_b" label_col - 目标列 regressor_feature_vector_col - 算子输入的特征向量列的列名，默认为"model_features" max_iter - 最大迭代次数，默认为100 reg_param - 正则化参数，默认为0.0 elastic_net_param - 弹性网络参数，默认为0.0 tol - 收敛阈值，默认为1e-6 fit_intercept - 是否使用截距，默认为True standardization - 是否对特征进行正则化，默认为True solver - 优化时采用的处理算法，支持l-bfgs、normal、auto，默认为"auto" aggregation_depth - 聚合深度，默认为2 loss - 损失函数类型，支持squaredError、huber，默认为"squaredError" epsilon - 默认为1.35

参数说明 参数 子参数说明 参数说明 b_use_default_encoder - 是否使用默认编码，默认为True input_features_str - 输入的列名以逗号分隔组成的字符串，例如： "column_a" "column_a,column_b" label_col - 目标列 regressor_feature_vector_col - 算子输入的特征向量列的列名，默认为"model_features" max_depth - 树的最大深度，默认为5 max_bins - 最大分箱数，默认为32 min_instances_per_node - 节点分割时，要求子节点必须包含的最少实例数，默认为1 min_info_gain - 节点是否分割要求的最小信息增益，默认为0.0 subsampling_rate - 学习每棵决策树用到的训练集的抽样比例，默认为1.0 num_trees - 树的个数，默认为20 feature_subset_strategy - 节点分割时考虑用到的特征列的策略，支持auto、all、onethird、sqrt、log2、n，默认为"all"

样例 inputs = { "dataframe": None # @input {"label":"dataframe","type":"DataFrame"}}params = { "inputs": inputs, "b_output_action": True, "b_use_default_encoder": True, # @param {"label": "b_use_default_encoder", "type": "boolean", "required": "true", "helpTip": ""} "input_features_str": "", # @param {"label": "input_features_str", "type": "string", "required": "false", "helpTip": ""} "outer_pipeline_stages": None, "label_col": "", # @param {"label": "label_col", "type": "string", "required": "true", "helpTip": ""} "regressor_feature_vector_col": "model_features", # @param {"label": "regressor_feature_vector_col", "type": "string", "required": "true", "helpTip": ""} "max_depth": 5, # @param {"label": "max_depth", "type": "integer", "required": "true", "range": "(0,2147483647]", "helpTip": ""} "max_bins": 32, # @param {"label": "max_bins", "type": "integer", "required": "true", "range": "(0,2147483647]", "helpTip": ""} "min_instances_per_node": 1, # @param {"label": "min_instances_per_node", "type": "integer", "required": "true", "range": "(0,2147483647]", "helpTip": ""} "min_info_gain": 0.0, # @param {"label": "min_info_gain", "type": "number", "required": "true", "range": "[0.0,none)", "helpTip": ""} "impurity": "variance", "subsampling_rate": 1.0, # @param {"label": "subsampling_rate", "type": "number", "required": "true", "range": "(0.0,1.0]", "helpTip": ""} "num_trees": 20, # @param {"label": "num_trees", "type": "integer", "required": "true", "range": "(0,2147483647]", "helpTip": ""} "feature_subset_strategy": "all" # @param {"label": "feature_subset_strategy", "type": "enum", "required": "true", "options":"auto,all,onethird,sqrt,log2", "helpTip": ""}}rf_regressor____id___ = MLSRandomForestRegression(**params)rf_regressor____id___.run()# @output {"label":"pipeline_model","name":"rf_regressor____id___.get_outputs()['output_port_1']","type":"PipelineModel"}

概述 “词频-逆文档频率”节点主要功能是计算某个词对于所属文档的重要程度。词频-逆文档频率（Term Frequency-Inverse Document Frequency, TF-IDF）算法规定某个词语的重要性与它在一个文档中出现的次数成正比，与该词语在语料库的所有文档中出现的频率成反比。给定语料库D，则文档中的词语的定义如下： 式中，指词语在文档出现频率的归一化结果，表示该词在文档dj中的出现次数，表示文件中所有词语的出现次数之和；表示词语的逆向文件频率（Inverse Document Frequency），|D|表示语料库的文件总数，表示包含词语的文件数目。

参数说明 参数 子参数 参数说明 text_col - 文本列所在的列名，默认为"text_col" tokenizer_col - 对数据集文本列分词之后的结果列名，默认为"tokenizer_col" tf_col - 对数据集应用HashingTF之后的结果列名，默认为"tf_col" idf_col - 对数据集应用IDF之后的结果列名，默认为"idf_col" tf_binary - 默认为False tf_num_features - HashingTF中的特征个数 idf_min_doc_freq - 最小文档频率，默认为0

算法开发套件简介 ModelArts算法开发套件提供了一个全流程和白盒化的云原生算法开发工具，支持通过本地VSCode/PyCharm远程连接到云上开发环境后使用。Notebook作为算法工程开发入口，便于用户无感调用云上计算存储资源进行开发，同时提供丰富的、可扩展的算法套件便于用户使用或二次开发。 算法开发套件支持的主要特性： - 工程管理：用户可通过ma-cli createproject创建工程。 - 资产管理：用户可通过python manage.py list列举或python manage.py install来安装、升级、覆盖已发布的算法包、模型包、数据集。 - 数据拷贝：用户可通过python manage.py copy命令来实现OBS和本地数据的快速传输。 - 本地训练、验证、推理：用户可通过python manage.py run命令。 - 本地部署：用户可通过python manage.py deploy命令。 - ModelArts训练、模型转换：用户可通过python manage.py run --launch_remote命令提交远程训练作业。 - ModelArts部署：用户可通过python manage.py deploy --launch_remote命令提交远程部署任务。 - 模块化设计：用户可基于算法框架规范构建自定义的算法资产并发布到ModelArts。 算法开发套件还支持用户在Notebook中用python API进行交互式、参数化、低代码的开发方式快速完成算法验证与实践，使用指导请参考通过Python API使用算法套件。 父主题： 算法开发套件

运行算链 算链运行分为三种模式：运行算链、运行到此处、运行当前算子。 由于一个MLS Editor对应一个Kernel（进程），所有运行模式皆可获取前续阶段运行后的所有变量。 表1 算链运行模式 运行模式 操作 说明 运行算链 点击算链编排界面导航栏运行按钮。 运行整个算链，如图1所示。对应Notebook的Run All功能。 运行至此算子 右击算链编排界面算子，选择运行至此算子。 运行选中算子的前面分支（包含该算子），如图2所示。对应Notebook的Run Above功能。 运行当前算子 右击算链编排界面算子，选择运行当前算子。 运行选中算子，可使用前续阶段运行后的所有变量，如图3所示。对应Notebook的Run Selected Cell功能。 图1 运行算链 图2 运行至模型应用算子 图3 运行回归评估算子 父主题： 算链操作

算子菜单 鼠标右键单击算子结点出现算子菜单，包含编辑、删除、高亮显示、设置参数、编辑代码、运行至此算子、运行当前算子、展示运行结果功能，如图3所示。算子菜单说明如表4所示。 图3 算子菜单 表4 算子菜单说明 菜单名称 操作说明 编辑 可对选中算子进行剪切、复制操作；选择粘贴，对之前复制的算子进行粘贴操作。 删除 对选中算子进行删除操作。 高亮显示 选择分支亮显，对选中算子所在算链分支高亮。 选择上行亮显，对选中算子前（包含该算子）的分支高亮。 选择下行亮显，对选中算子后（包含该算子）的分支高亮。 选择取消高亮，使其恢复正常状态。 设置参数 单击“设置参数”，算链界面右侧滑出参数编辑框。 修改参数后，单击“确定”，保存参数设置；单击“取消”则不保存。 编辑代码 单击“编辑代码”，算链界面右侧滑出编辑代码框，如图4所示。 上方为自定义编辑算子框，可编辑代码； 单击“执行代码”，结果将展现在代码执行结果框； 单击“保存”，则将修改后的代码保存并退出边界代码界面； 单击“取消”，则不保存且退出； 右上角为控制选择项，选中“代码”即展示代码；选中“结果”即显示结果；单击“全屏”，编辑界面将铺满算链编辑界面；单击“退出全屏”则取消全屏。 运行至此算子 算链运行至该算子。 运行当前算子 算链运行当前选中算子。 展示运行结果 展示当前选中算子的运行结果，若该算子为未运行状态，则运行至当前算子后，展示结果。 图4 编辑算子代码

界面菜单 在算链编辑区右键界面空白处，出现界面菜单，包含添加评论、全选、编辑、撤销、恢复、取消高亮功能。 图2 界面菜单 表2 界面菜单说明 操作名称 功能说明 添加评论 同导航栏添加评论功能。 全选 选中界面上所有算子和评论。 使用键盘全选键Ctrl+A也可实现该功能。 编辑 选中算子或评论，可进行剪切、复制操作；选择粘贴，对之前剪切、复制的算子或评论进行粘贴操作。 撤消 同导航栏撤消功能。 恢复 同导航栏恢复功能。 取消亮显 消除界面上所有高亮的算子和评论。

Kernel切换及状态 在Jupyter体系结构中，Kernel是由服务器启动的独立进程，不同的Kernel具有不同的编程语言和环境，用户可通过kernel运行代码。 目前，MLS的一个Editor对应一个Kernel，Editor中的所有算子会在此Kernel中运行。 Kernel切换及状态 同算链编排界面导航栏kernel切换及状态。 支持的Kernel 目前MLS仅支持PySpark-2.4.5。

算子连线 算子之间的连线具有两种意义，分为控制流和数据流。 控制流表示连线两端算子具有控制关系，即算子运行顺序。 数据流表示连线两端算子之间具有数据交换关系（简称数据关系），具有数据关系的两个算子，源算子的某个输出为目标算子的某个输入。 MLS中未刻意区分这两种关系，一般而言，存在数据交换的算子同时具有控制关系和数据关系，而不存在数据交换的算子之间则仅具有控制关系。 表5 算子连线说明 流状态 状态说明 限制说明 数据流-单个输入输出 源算子具有单输出，目标算子具有单输入 若源算子输出数据的类型和目标算子输入数据的类型不一致，则连线失败。 数据流-多个输入输出 源算子或目标算子具有多个输出或输入 会出现输入输出选择框，若选择的源算子输出数据的类型和目标算子输入数据的类型不一致，则连线失败。 控制流 源算子和目标算子均无输出或输入 无。

导航按钮 算链编排界面导航栏提供丰富的界面操作，包括运行、保存、清除、撤销、恢复等功能。 图1 算链编排界面导航栏 表1 导航栏功能说明 图标 操作名称 功能说明 运行算链 运行界面上的算链。 保存算链 保存算链。 清除算链 一键清除画布所有算子及连线。 撤销 撤销上一步的操作。键盘撤销操作也可实现该功能。 恢复 恢复撤销的操作。 剪切 选中界面上的算子，单击剪切图标即删除该算子。 可以使用键盘Shift选中多个算子，同时剪切。 剪切后可粘贴算子。 复制 选中界面上的算子，单击复制图标或键盘复制操作Ctrl+C，即复制该算子。 可同时复制多个算子。 粘贴 单击粘贴图标或键盘粘贴操作Ctrl+V，即可将复制算子粘贴在画布中。 添加评论 选中界面上的算子，单击添加评论，可以在画布空白处为该算子添加标注或注释。可以同时选中多个算子添加评论。 删除 选中界面上的算子，删除该算子。可删除多个算子。 水平排列 将画布中的算链进行水平方向的重排列。 垂直排列 将画布中的算链进行垂直方向的重排列。 转换至Notebook 将画布中的所有算链按照顺序转化为一个ipynb后缀格式的Notebook文件。 转换至Python 将画布中的所有算链按照顺序转化为一个py后缀格式的Python脚本。 算链发布 将算链一键发布至ModelArst Workflow。Workflow是邀测功能暂未上线。 放大 将画布放大。 缩小 将画布缩小。 自适应屏幕 将画布重定位到画布中间。 kernel切换 单击右上角kernel信息框，如，可切换kernel。 kernel状态 表示kernel处于空闲状态，表示kernel处于运行状态。

参数说明 参数 是否必选 参数说明 默认值 text_col 是 输入数据集中文本所在列的列名。 "words" text_id 是 文本id列，用一个id代表文本。 "id" result_col 是 结果列的列名。 "result_col" delimiter 是 单词间的分隔符。 " " vector_size 是 向量长度。 10 min_count 是 词出现的最小次数，低于该值的单词会被过滤。 2 num_partitions 否 分区数目。 8 step_size 是 迭代优化时的步长，学习率。 0.025 max_iter 是 最大迭代次数。 1 window_size 是 训练过程中的窗口大小。 5 max_sentence_length 否 最大句子长度。 1000

输出 参数 子参数 参数说明 output output_port_1 output为字典类型，output_port_1为pyspark中的PipelineModel类型。 output output_port_2 output_port_2为pyspark中的DataFrame类型，为词向量。 output output_port_3 output_port_3为pyspark中的DataFrame类型，为文本向量。

创建Notebook实例 登录ModelArts控制台。选择控制台区域，以“华北-北京四”为例。 在开发环境Notebook（New）中创建基于pytorch1.4-cuda10.1-cudnn7-ubuntu18.04镜像的Notebook，具体操作请参见创建Notebook实例章节。 如果需要使用本地IDE（PyCharm或VSCode）远程连接Notebook，此处需要开启SSH远程开发。 图1 创建Notebook实例

查询在线服务详情 from modelarts.session import Sessionfrom modelarts.predictor import Predictordef query_service(service_id): sess = Session() model_instance = Predictor(session=sess, service_id=service_id) return model_instance.get_service_info(service_id)if __name__ == '__main__': service_id = '*************************' service_info = query_service(service_id) print(service_info)

样例 inputs = { "predict_dataframe": None # @input {"label":"dataframe","type":"DataFrame"}}params = { "inputs": inputs, "features_col": "model_features", # @param {"label": "features_col", "type": "string", "required": "true", "helpTip": ""} "prediction_col": "prediction" # @param {"label": "prediction_col", "type": "string", "required": "true", "helpTip": ""}}cluster_evaluation____id___ = MLSClusterEvaluation(**params)cluster_evaluation____id___.run()# @output {"label":"dataframe","name":"cluster_evaluation____id___.get_outputs()['output_port_1']","type":"DataFrame"}

公共参数 - alg_type: 表示使用的算法类型，继承Global参数。 - convert_dir: 表示converter的工作目录，继承Global参数。 - pipeline: 表示不同模型转换模式构成的流水线，允许command传入`--pipeline mode1,mode2,...`进行覆盖。 - pipeline_maps: 表示算法支持的模型转换模式及对应的类型及脚本，所有涉及code-based model的模型转换均由用户实现custom脚本调用套件能力进行转换，其余采用default的套件能力即可。

Step3 安装预训练模型 默认下载到当前工程的./model_zoo/{算法类型}/{算法版本}目录下。 python manage.py install model ivgPose:body/simplepose_resnet50_coco_256x192python manage.py install model ivgPose:backbone/resnet50_imagenet_224x224

Step4 修改配置文件 配置文件主要包括算法配置文件和算法参数文件，例如： 算法配置文件：./algorithms/ivgPose/config/sample/config.py 算法参数文件：./algorithms/ivgPose/config/sample/simplepose_resnet50_coco_256x192.py 根据需要修改训练相关参数，如数据集路径data_root、runner中的train_args参数以及train参数等。如下述代码所示。 config.py文件 train_args=dict( cfg=alg_cfg['cfg'], output_dir=run_dir, data_root=alg_cfg['data_root'], load_from=None, gpus=None, lr=None, max_epoch=5, samples_per_gpu=None, resume_from=None, pretrained=alg_cfg['pretrained'], train_data_root=None, val_data_root=None, ), simplepose_resnet50_coco_256x192.py文件 train = dict( save_period=-1, val_period=5, best_saver=dict(key_indicator='AP', rule='max'), ema=dict(type='ExpEMA'))

Step1 上传数据集到开发环境中 按照不同算法定义的数据结构和格式准备好数据集。 若数据集在OBS桶里，在Terminal里可执行下述命令将OBS里的数据下载到Notebook环境中。 python manage.py copy --source obs://my_bucket/my_data_dir/ --dest /home/ma-user/work/my_data_dir 若数据集比较小且存放在PC上。 若使用的本地IDE是VS Code，可以通过拖放方式复制到VS Code连接的Notebook中。

Step2 修改配置文件 配置文件主要包括算法配置文件和算法参数文件，例如： 算法配置文件：./algorithms/ivgPose/config/sample/config.py 算法参数文件：./algorithms/ivgPose/config/sample/simplepose_resnet50_coco_256x192.py。 根据需要修改训练相关参数，如数据集路径data_root、runner中的train_args参数以及train参数等。如下述代码所示。 config.py文件 train_args=dict( cfg=alg_cfg['cfg'], output_dir=run_dir, data_root=alg_cfg['data_root'], load_from=None, gpus=None, lr=None, max_epoch=5, samples_per_gpu=None, resume_from=None, pretrained=alg_cfg['pretrained'], train_data_root=None, val_data_root=None, ), simplepose_resnet50_coco_256x192.py文件 train = dict( save_period=-1, val_period=5, best_saver=dict(key_indicator='AP', rule='max'), ema=dict(type='ExpEMA'))

Step4 在开发环境进行验证 在Terminal中执行下述测试命令，其中：--cfg为该预训练模型对应算法资产的配置文件路径，--load_from的值为待测试的模型路径，config.py为： python manage.py run --cfg algorithms/ivgPose/config/sample/config.py --pipeline evaluate --load_from ./model_zoo/ivgPose/body/simplepose_resnet50_coco_256x192.pth.tar 运行完毕后，在交互式输出界面或config.py配置的{run_dir}目录下的test.log可以看到验证过程的日志和结果。如下述信息所示： ivgpose-utils.py 133: Test: AP:0.735012 | AP .5:0.925143 | AP .75:0.813647 | AP (M):0.705874 | AP (L):0.778985 | AR:0.764798 | AR .5:0.933879 | AR .75:0.832966 | AR (M):0.732641 | AR (L):0.813304 | elapsed:00:28

Step5 推理 准备好待推理的图片，本小节以算法套件里内置的推理图片为例，原图片如下： 图1 待推理的图片 在Terminal中执行下述推理命令，其中--img_file的值为待推理图片的路径： python manage.py run --cfg algorithms/ivgPose/config/sample/config.py --pipeline infer --demo_type image_demo --load_from model_zoo/ivgPose/body/simplepose_resnet50_coco_256x192.pth.tar --img_path algorithms/ivgPose/algorithm/examples/images/body/human36m_s_01_act_02_subact_01_ca_01_000001.jpg --is_show 运行完毕后，在当前目录的export/exp_tmp下可以看到推理后的文件，打开后显示如下。 图2 推理后的文件

删除已发布模型和在线服务 已经部署的模型和在线服务可以在ModelArts控制台上手动删除，也可以在Notebook中通过ModelArts SDK删除。 执行删除操作不可逆，请谨慎删除模型和在线服务！ 根据模型ID删除已部署模型。 from modelarts.session import Sessionfrom modelarts.model import Modeldef delete_model_by_id(model_id): sess = Session() model_instance = Model(session=sess, model_id="").model_instance model_instance.delete_model(model_id)if __name__ == '__main__': model_id = '*************************' delete_model_by_id(auth, model_id) 根据部署服务ID删除已部署服务。 from modelarts.session import Sessionfrom modelarts.model import Modeldef delete_service_by_id(service_id): sess = Session() model_instance = Model(session=sess, model_id="").model_instance model_instance.delete_service(service_id)if __name__ == '__main__': service_id = '*************************' delete_service_by_id(service_id) 父主题： 部署

Step6 提交Modelarts训练作业 参考Step2，修改外壳的配置文件 填写OBS桶信息 obs_bucket = 'obs://my_bucket/my_object' 按需修改runner里的Adapter参数。 adapter=dict( requirements=f'{work_dir}/algorithm/requirements.txt', framework_type='PyTorch', framework_version='PyTorch-1.4.0-python3.6', instance_type='modelarts.p3.large.public', pool_id=None, downloads=dict( src=[f'{obs_bucket}/{alg_cfg["data_root"]}', f'{obs_bucket}/{alg_cfg["pretrained"]}'], dst=[alg_cfg['data_root'], alg_cfg['pretrained']], ), uploads=dict( src=[run_dir], dst=[f'{obs_bucket}/{run_dir}'], ), ), 在Terminal中输入下述命令来提交ModelArts训练作业完成训练。 python manage.py run --launch_remote --cfg algorithms/ivgPose/config/sample/config.py --gpus 0 提交完训练作业后，可以在ModelArts控制台交互式界面看到当前训练作业的状态（如排队中、运行中等），可以在config.py配置的{run_dir}/{训练作业名称目录}下看到ModelArts上的训练日志。注：仅支持Modelarts新版训练作业。

将本地文件或文件夹上传至OBS 在Project窗口单击鼠标右键，在弹出的选项中选择“ModelArts Upload”。 图2 ModelArts Upload 在弹出的配置框中填写“OBS Path”和“Local File Path”，上传的文件或文件夹大小建议不超过10MB。配置完成后单击“Upload File”。 “OBS Path”：表示本地文件需要上传的OBS路径。 “Local File Path”：表示需上传的文件或文件夹所在的本地目录。如果上传文件，此参数请指定对应的具体文件。 图3 填写文件路径 在“ModelArts Event Log”窗口中可以看到上传的日志。 图4 查看上传日志

从OBS下载文件或文件夹 在Project窗口单击鼠标右键，在弹出的选项中选择“ModelArts Download”。 在弹出的配置框中填写“OBS Path”和“Local File Path”，配置完成后，单击“Download File”。 “OBS Path”：表示下载文件的OBS路径。当下载的是具体文件时，此处需指定为此文件的文件名。 “Local File Path”：表示下载文件需要存储的本地路径。 图6 从OBS下载文件 当本地的目录下已经存在同名文件时，将提示是否选择覆盖，选择“是”表示覆盖，选择“否”表示有冲突的文件就跳过了不下载了，其他没有冲突的文件继续下载 。请根据实际情况进行选择。 图7 选择是否覆盖 在“ModelArts Event Log”窗口中可以看到下载的日志。 图8 查看下载日志