使用训练作业训练模型
更新时间：2023-01-18
使用训练作业训练模型
训练作业训练提供多种开源框架和优质的训练资源。您可以上传代码文件，数据集到BOS对象存储，通过训练作业完成训练后，训练结果会输出到BOS中的指定位置。
基本信息
填写作业名称和备注信息。作业名称填写完成后，训练作业才可以保存。
算法配置
- 选择算法框架：选择训练代码文件使用的算法框架，目前BML支持Paddle，TensorFlow，Pytorch，Sklearn，XGBoost，Blackhole六种主流算法框架
- 选择代码文件：从BOS对象存储中选取代码文件，完成代码录入。单击显示框任何位置，都可以打开选择代码文件弹窗，从弹窗中选择bucke及文件夹。双击bucket或者单击『>』图标，即可进入下一级
代码文件要求如下：
- 选取对象可以是一个文件或者文件夹
- 所选代码文件必须和所选算法框架对应
-
选择Python版本和输入启动命令：
- 选择上传代码适配的Python版本，支持Python 2和Python 3
- 当代码文件项选择一个单独文件时，启动命令即为该文件，自动填充启动命令
- 当代码文件项选择的是一个文件夹时，启动命令为启动文件名称，如train.py
- 选择输出路径：选择输出路径存放训练产生的模型和日志文件。为避免出错，建议您选择空文件夹作为输出路径。日志文件需要打印到标准输出，才能保证系统中『日志』功能能够正常读取。
数据集配置
训练作业数据集配置方式是从BOS中选取数据集。在弹出的对话框中选择数据集对应的bucket和文件夹。
说明：训练数据集为必填项，测试数据集为选填项。为保证训练效率，请将数据存放在压缩包内
资源配置
BML提供CPU和GPU两类训练机型。
CPU机型供算法框架为sklearn，XGBoost，Blackhole时使用，用于机器学习训练：
| 机型 | 规格说明 |
|---|---|
| CPU 4核 | CPU 4核16GB内存 |
| CPU 4核 | CPU 16核64GB内存 |
| CPU 64核 | CPU 64核256GB内存 |
GPU机型供算法框架为Paddle，TensorFlow，Pytorch时使用，用于深度学习训练：
| 机型 | 规格说明 |
|---|---|
| GPU V100 | TeslaGPU_V100_16G显存单卡_12核CPU_56G内存 |
| GPU P40 | TeslaGPU_P40_24G显存单卡_12核CPU_40G内存 |
| GPU P4 | TeslaGPU_P4_8G显存单卡_12核CPU_40G内存 |
温馨提示： 未开通付费的情况下，可选的运行环境为CPU 4核，GPU P4, GPU P40，我们为每位用户提供了CPU 4核环境下100（小时×节点），GPU P4运行环境下100（小时×节点）和GPU P40运行环境下50（小时×节点）的免费算力支持，超出后请您付费购买。详见页面提示的价格说明。
查看作业结果
作业运行完成后，会将训练结果与运行日志存储到BOS中指定的输出路径，您可以前往BOS查看或下载作业运行结果。日志文件打印到标准输出时可以直接在日志界面查看。
两种情况下，会导致作业结果及日志无法保存：1. 手动终止作业；2. 作业运行超时被自动终止