整套解决方案：花卉识别（使用训练管理的预置算法实现图像分类）

　　花朵识别（使用预设的训练管理算法实现图像分类）

　　对于具有一定AI基础的AI初学者，ModelArts提供了基于业界主流引擎的预设算法。您无需关注模型开发过程，而直接使用预设算法来训练现有数据并快速将它们作为服务部署。预设算法可用于诸如物体类别和位置，图像分类等场景。

　　本章提供了花卉图像分类应用程序的样本，以帮助您快速熟悉使用ModelArts预设算法构建模型的过程。本示例基于预设的花朵图像数据集，对现有图像数据进行注释，然后使用预设的“ ResNet_v1_50”算法训练数据以获得可用模型。最后，将此模型部署为在线服务。部署完成后，用户可以通过在线服务识别输入到图片中的花朵的类型。

　　在开始使用样品之前，请仔细阅读列出的要求并提前完成准备工作。使用预设算法完成模型构建的步骤如下：

　　准备工作

　　第1步：准备数据

　　ModelArts在公共OBS存储桶中提供了一个名为“ Flowers-Data-Set”的花朵示例数据集。因此，本文中的操作示例使用此数据集进行模型构建。您需要执行以下操作，将数据集上传到OBS目录，即在准备过程中创建的OBS目录“ test-modelarts / dataset-flowers”。

　　单击数据集下载链接以将“ Flowers-Data-Set”数据集下载到本地。在本地解压缩“ Flowers-Data-Set.zip”压缩包。例如，将其解压缩到本地“ Flowers-Data-Set”文件夹。请参考上载文件，然后使用批处理上载方法将“ Flowers-Data-Set”文件夹中的所有文件上载到“ test-modelarts / dataset-flowers” OBS路径。

　　第2步：训练模型

　　数据准备完成后，您可以创建训练作业，选择预设算法“ ResNet_v1_50”，最后生成可用模型。

　　“ ResNet_v1_50”算法基于“ TensorFlow，TF- 1. 8. 0-python 2. 7”引擎，该引擎用于图像分类。如果您想进一步了解预设算法，可以单击“培训工作”页面上的“预设算法”选项卡，以了解ModelArts提供的算法信息，例如用法，引擎类型，准确性等。

　　在ModelArts管理控制台中，选择左侧导航栏中的“培训管理>培训分配”，以进入“培训分配”管理页面。单击“创建”进入“创建培训作业”页面。在“创建培训作业”页面上，填写相关信息。请参阅以下步骤以获取参数填充说明。在基本信息区域中，“计费模式”和“版本”由系统自动生成，无需修改。请根据界面提示填写“名称”和“描述”。

　　图1填写名称和描述

　　在参数配置区域中，选择“算法源”，设置“数据源”，“训练输出位置”，“运行参数”和“作业日志路径”。

　　图2参数配置

　　在资源设置区域中，选择“公共资源池”，并同时设置“规格”和“计算节点数”。

　　如果您选择使用免费规范，请仔细阅读提示，然后选中“我已阅读并同意上述内容”。

　　图3设置使用的资源

　　单击“下一步”以完成信息。在“规格确认”页面上，确认训练作业的参数信息，并在确认正确后单击“提交”。在“培训分配”管理页面上，您可以查看新创建的培训分配的状态。培训作业的创建和操作将花费一些时间，估计超过十分钟，当状态更改为“成功运行”时，表示培训作业的创建已完成。

　　您可以单击训练作业的名称以进入作业详细信息页面，以了解训练作业的“配置信息”，“日志”和“资源使用情况”以及其他信息。在“培训输出位置”所在的OBS路径中，即“ / test-modelarts / model-test /”路径中，可以获取生成的模型文件。

　　图4培训操作细节

　　步骤3 ：（可选）创建可视化作业并查看模型训练过程

　　当前，ModelArts提供的可视化作业默认为TensorBoard类型的作业。 TensorBoard是一种可视化工具，可以在运行期间有效显示TensorFlow或MXNet的计算图，各种指标随时间的趋势以及训练中使用的数据信息。当前，可视化作业仅支持基于TensorFlow和MXNet引擎的培训作业。

　　如果培训详细信息页面上的详细信息足以使您判断模型并构建模型，则可以跳过此步骤并直接执行操作。

　　在ModelArts管理控制台中，在左侧导航栏中选择“培训管理>培训作业”，然后单击“可视作业”选项卡以进入“可视作业”管理页面。在“可视化作业”管理页面上，单击“创建”。在“创建可视化作业”页面上，设置相关参数，然后单击“下一步”。

　　可视化作业的默认类型为“可视化作业”，无法更改。设置可视化作业的“名称”和“培训输出位置”。在训练作业中，需要将“训练输出位置”设置为“训练输出位置”，上述步骤中的“训练输出位置”为“ / test-modelarts / model-test /”。启用了“自动停止”功能，并将其设置为“ 1小时后停止”，以避免不必要的费用。

　　图5设置可视化作业参数信息

　　在“规格确认”页面上，确认信息后，单击“提交”。进入“可视化作业”管理页面，然后等待一段时间。当可视化作业的状态为“正在运行”时，表示它已成功创建。

　　对于正在运行的可视化作业，您可以单击可视化作业的名称以跳至其可视化界面。您可以通过此界面上的信息来学习此模型的特定训练过程。如果此模型的训练过程和参数符合要求，则可以开始执行操作。

　　图6可视界面

　　第4步：导入模型

　　训练后的模型仍存储在OBS路径中。您可以将此模型导入ModelArts进行管理和部署。

　　在ModelArts管理控制台中，单击左侧导航栏中的“模型管理>模型”以进入“模型”页面。在“模型”页面上，单击“导入”。在“导入模型”页面上，设置相关参数，然后单击“立即创建”。

　　设置模型的“名称”和“版本”，然后在“元模型源”参数中，选择“从训练中选择”。此时，系统将自动选择您创建的培训工作。您可以从下拉框中选择。您可以选择系统中可用的培训作业。因为此示例中的数据相对简单，所以其他参数采用默认值。

　　图7导入模型

　　导入模型后，系统将自动跳至模型列表页面。您可以在模型列表页面上查看导入的模型及其版本。

　　图8型号列表

　　第5步：部署并上线

　　导入模型后，状态显示为“正常”时，可以在线部署模型，可以将其部署为“在线服务”，“批处理服务”或“边缘服务”。以下步骤以部署作为在线服务为例。

　　在“模型管理>模型”页面上，单击模型名称左侧的小三角形以打开此模型的所有版本。在相应版本的行中，单击操作列中的“部署”，然后在下拉框中选择“在线服务”以进入“部署”页面。在“部署”页面上，设置相关参数，然后单击“下一步”。

　　设置在线服务的“名称”，并启用“自动停止”功能。在“选择模型和配置”区域中，系统将自动选择模型及其版本，并在“计算节点规范”右侧的下拉框中选择要使用的资源。在此示例中，使用“ CPU：2核8GiB”资源部署在线服务。对其他参数使用默认值。

　　“数据采集”和“难点案例过滤”功能，建议使用默认值并保持关闭状态。

　　图9部署为在线服务

　　在“规格确认”页面上，确认信息后，单击“提交”。在“部署联机>联机服务”页面上，您可以查看有关联机服务的信息。由于模型的部署和联机需要一些时间，请耐心等待几分钟。在线服务的状态为“正在运行”时，表示在线服务已经部署。

　　第6步：测试服务

　　成功部署在线服务后，您可以进入在线服务并启动测试预测请求。

　　在“在线服务”管理页面上，单击在线服务名称以进入在线服务详细信息页面。在在线服务详细信息页面上，单击“预测”选项卡以进入预测页面。在“选择预测图片文件”的右侧，单击“上传”按钮，上传带有花朵的图片，然后单击“预测”。

　　预测完成后，预测结果显示区域将显示预测结果。根据预测结果得分，可以将该图片的花朵识别为“雏菊”。

　　由于这是一项测试服务，为了确保测试效果，建议您在选择图像时不要使用样本数据集中的现有图像。

　　图10预测结果

　　第7步：清除相应资源以避免费用

　　为了避免不必要的费用，建议您在完成试用后删除相关资源，例如在线服务，可视化任务，培训任务，数据及其OBS目录。