Platform For AI：Gunakan komponen kustom

Batasan

Komponen kustom hanya dapat dijalankan menggunakan grup sumber daya publik dari sumber daya komputasi umum di Machine Learning Designer.

Prasyarat

Kode eksekusi telah diunggah ke Bucket OSS. Untuk informasi lebih lanjut, lihat Unggah Objek. Dalam contoh ini, kode sampel yang digunakan adalah: main.py dan requirements.txt.

Prosedur

1. Buat komponen kustom berbasis PyTorch.

   Di halaman Create Component, buat komponen berbasis PyTorch. Untuk informasi lebih lanjut, lihat Buat Komponen Kustom.

   • Konfigurasi Eksekusi

     Parameter	Deskripsi
     Job Type	Pilih PyTorch.
     Image	Pilih Community Image lalu pilih gambar pytorch-training:1.12-cpu-py39-ubuntu20.04 dari daftar drop-down.
     Code	Pilih Mount OSS Path dan masukkan jalur Bucket OSS tempat file main.py dan requirements.txt disimpan.
     Command	Atur perintah menjadi python main.py $PAI_USER_ARGS --train $PAI_INPUT_TRAIN --test $PAI_INPUT_TEST --model $PAI_OUTPUT_MODEL --checkpoints $PAI_OUTPUT_CHECKPOINTS && echo "job finished".

   • Pipeline dan Parameter

     Parameter	Deskripsi
     Input	Klik ikon untuk mengonfigurasi pipeline input berikut: Name: latih dan uji Source: OSS Required: Ya dan Tidak Description: data pelatihan dan data uji.
     Output	Klik ikon untuk mengonfigurasi pipeline output berikut: Name: model dan checkpoints Storage: OSS Required: Ya Description: data model dan checkpoint algoritma
     Parameter	Klik ikon untuk mengonfigurasi parameter berikut: Parameter Name: param1, param2, param3, param4, dan param5 Type: Int, Float, String, Bool, dan Int Default Value: 6, 0,3, test1, true, dan 2 Batasan: Klik Constraint di sebelah kanan parameter Nilai Default untuk mengonfigurasi batasan berdasarkan instruksi pada layar untuk setiap parameter. Required: Ya, Ya, Ya, Tidak, dan Tidak

   • Batasan

     Parameter	Deskripsi
     Enable Constraints	Aktifkan Enable Constraints.
     Instance Type	Pilih CPU dan GPU.
     Multiple Instances	Pilih Supported.
     Multiple GPUs	Pilih Not Supported.

2. Buat pipeline kosong dan buka halaman pipeline. Untuk informasi lebih lanjut, lihat Buat Pipeline Kosong.

3. Dalam contoh ini, nama komponen component digunakan. Anda dapat menyeret komponen dari daftar komponen di sisi kiri ke kanvas dan menggunakannya seperti komponen bawaan di Machine Learning Designer.

   Setelah komponen kustom dibuat, komponen tersebut akan ditampilkan di pohon algoritma di Machine Learning Designer pada ruang kerja saat ini.

   • Pipeline input dan output yang dikonfigurasikan untuk komponen kustom digunakan sebagai port input dan output komponen.

   • Parameter yang dikonfigurasikan untuk komponen kustom digunakan sebagai parameter komponen dan ditampilkan di panel konfigurasi di sisi kanan.

   • Anda dapat memilih jalur OSS sebagai jalur output untuk setiap port output.

   • Batasan yang dikonfigurasikan untuk komponen kustom digunakan sebagai parameter di tab Tuning pada panel konfigurasi.

Jika komponen kustom tidak memenuhi kebutuhan bisnis Anda, Anda dapat memperbarui konfigurasi komponen kustom atau menambahkan versi komponen di halaman Komponen Kustom. Untuk informasi lebih lanjut, lihat Kelola Komponen Kustom.