Todos os produtos
Search

Este produto

    Platform For AI:Single-node PyTorch transfer learning with NAS

    Central de documentação

    Platform For AI:Single-node PyTorch transfer learning with NAS

    Última atualização: Jun 27, 2026

    Este tópico descreve como usar o DLC, o DSW e o NAS para realizar transfer learning offline com base no PyTorch.

    Pré-requisitos

    Crie um sistema de arquivos NAS de uso geral na região desejada. Para mais informações, consulte Criar um sistema de arquivos NAS de uso geral.

    Limitações

    As etapas deste tópico aplicam-se apenas a jobs executados em clusters de computação em um grupo de recursos público.

    Etapa 1: Criar um conjunto de dados

    1. Acesse a página Datasets.

      1. Faça login no PAI console.

      2. No painel de navegação à esquerda, clique em Workspaces. Na página Workspaces, clique no nome do workspace a ser gerenciado.

      3. No painel de navegação à esquerda, escolha AI Asset Management > Datasets.

    2. Criar um conjunto de dados básico e defina Storage Type como NAS.

    Etapa 2: Criar uma instância DSW

    Crie uma instância DSW e configure os seguintes parâmetros principais. Para obter detalhes sobre os demais parâmetros, consulte Criar uma instância DSW.

    Parameter

    Description

    Environment Information

    Dataset Mounting

    Clique em Custom Dataset, selecione o conjunto de dados do tipo NAS criado na Etapa 1 e especifique o caminho de montagem.

    Working Directory

    Selecione Dataset-/mnt/data/.

    Network information

    VPC Settings

    Não é necessária nenhuma configuração de VPC.

    Etapa 3: Preparar os dados

    Os dados usados neste artigo estão armazenados em um local público. Baixe os dados (Baixar dados) e utilize-os após descompactar o arquivo.

    1. Acesse o ambiente de desenvolvimento de uma instância DSW.

      1. Faça login no PAI console.

      2. No painel de navegação à esquerda, clique em Workspaces. Na página Workspaces, clique no nome do workspace a ser gerenciado.

      3. No canto superior esquerdo da página, selecione a região onde deseja usar o PAI.

      4. No painel de navegação à esquerda, escolha Model Training > Data Science Workshop (DSW).

      5. Opcional: Na página Data Science Workshop (DSW), insira o nome de uma instância DSW ou uma palavra-chave na caixa de pesquisa para localizar a instância.

      6. Clique em Open na coluna Actions da instância.

    2. Na barra de menu superior do ambiente DSW, clique na aba Notebook.

    3. Baixe os dados.

      1. Na barra de ferramentas superior esquerda, clique no ícone 创建文件夹 para criar uma pasta. Neste exemplo, nomeie a pasta como pytorch_transfer_learning.

      2. Na barra de menu superior do ambiente DSW, clique na aba Terminal para abrir um terminal.

      3. No terminal, use o comando cd para acessar a pasta pytorch_transfer_learning e, em seguida, use o comando wget para baixar o conjunto de dados:

        cd /mnt/workspace/pytorch_transfer_learning/
wget https://pai-public-data.oss-cn-beijing.aliyuncs.com/hol-pytorch-transfer-cv/data.tar.gz

        A URL https://pai-public-data.oss-cn-beijing.aliyuncs.com/hol-pytorch-transfer-cv/data.tar.gz indica o local de download do conjunto de dados.

        ~/workspace> cd pytorch_transfer_learning/
~/workspace/pytorch_transfer_learning> wget https://pai-public-data.oss-cn-beijing.aliyuncs.com/hol-pytorch-transfer-cv/data.tar.gz
--2021-01-28 10:55:55--  https://pai-public-data.oss-cn-beijing.aliyuncs.com/hol-pytorch-transfer-cv/data.tar.gz
Resolving pai-public-data.oss-cn-beijing.aliyuncs.com (pai-public-data.oss-cn-beijing.aliyuncs.com)...
Connecting to pai-public-data.oss-cn-beijing.aliyuncs.com (pai-public-data.oss-cn-beijing.aliyuncs.com)|xxx|:443... connected.
HTTP request sent, awaiting response... 200 OK
Length: 47237380 (45M) [application/x-gzip]
Saving to: 'data.tar.gz'
data.tar.gz                100%[=======================================================================>]  45.05M  16.0MB/s    in 2.8s
2021-01-28 10:55:58 (16.0 MB/s) - 'data.tar.gz' saved [47237380/47237380]
~/workspace/pytorch_transfer_learning> ls
data.tar.gz  hol-transfer_learning_tutorial.py  input  LICENSE  main.py  output  README.md
~/workspace/pytorch_transfer_learning>

      4. Execute o comando tar -xf ./data.tar.gz para descompactar o conjunto de dados.

      5. Retorne à aba Notebook. Na árvore de diretórios à esquerda, acesse o diretório pytorch_transfer_learning. Clique com o botão direito na pasta de dados descompactada (hymenoptera_data), selecione Rename no menu de contexto e renomeie a pasta para input.

    Etapa 4: Preparar o código e a pasta de saída

    1. No terminal da sua instância DSW, use o comando wget para baixar o código de treinamento para a pasta pytorch_transfer_learning.

      cd /mnt/workspace/pytorch_transfer_learning/
wget https://pai-public-data.oss-cn-beijing.aliyuncs.com/hol-pytorch-transfer-cv/main.py

      onde https://pai-public-data.oss-cn-beijing.aliyuncs.com/hol-pytorch-transfer-cv/main.py representa o local de armazenamento do código de treinamento.

    2. Dentro da pasta pytorch_transfer_learning, crie uma nova pasta chamada output para armazenar o modelo treinado.

      mkdir output

    3. Verifique se a pasta pytorch_transfer_learning contém os seguintes itens:

      A pasta deve conter os seguintes arquivos e diretórios:

      • input: pasta dos dados de treinamento.

      • main.py: script de treinamento.

      • output: pasta para armazenar o modelo de saída.

    Etapa 5: Criar um job

    1. Faça login no PAI console. Na barra de navegação superior, selecione a região e o workspace de destino e clique em Go to DLC.

    2. Na página do DLC, clique em Create Task.

    3. Na página Create job, configure os seguintes parâmetros.

      Parameter

      Description

      Basic Information

      Job Name

      Insira um nome para o job de treinamento de deep learning.

      Environment Information

      Node Image

      Selecione Alibaba Cloud Image e escolha uma imagem PyTorch. Por exemplo, selecione pytorch-training:1.12-gpu-py39-cu113-ubuntu20.04.

      Dataset

      Clique em Custom Dataset e selecione o conjunto de dados NAS criado na Etapa 1.

      Start Command

      Defina este parâmetro como python /mnt/data/pytorch_transfer_learning/main.py -i /mnt/data/pytorch_transfer_learning/input -o /mnt/data/pytorch_transfer_learning/output.

      Third-party Libraries

      Marque a opção Third-Party Libraries e insira o seguinte conteúdo na caixa de texto.

      numpy==1.16.4
absl-py==0.11.0

      Code Build

      Nenhuma configuração necessária.

      Resource Information

      Source

      Selecione Public Resources.

      Framework

      Escolha PyTorch.

      Job Resource

      Para os recursos do job, selecione um servidor. Por exemplo, defina Resource Type como ecs.g6.xlarge em CPU e configure Nodes como 1.

    4. Clique em Confirm.

    Etapa 6: Visualize detalhes e logs do job

    1. Na página Deep Learning Containers (DLC), clique no nome do seu job.

    2. Na página de detalhes do job, visualize as informações de Basic Information e Resource Information.

    3. Na parte inferior da página de detalhes do job, localize a instância alvo na seção Instance e clique em Log na coluna Actions.

      Veja abaixo um exemplo da saída de log.

      Epoch 5/9
----------
train Loss: 0.4959 Acc: 0.7951
val Loss: 0.2213 Acc: 0.9150
Epoch 6/9
----------
train Loss: 0.6845 Acc: 0.7664
val Loss: 0.5303 Acc: 0.8301
Epoch 7/9
----------
train Loss: 0.4233 Acc: 0.8156
val Loss: 0.2569 Acc: 0.9150
Epoch 8/9
----------
train Loss: 0.4147 Acc: 0.8443
val Loss: 0.2397 Acc: 0.9346
Epoch 9/9
----------
train Loss: 0.3133 Acc: 0.8770
val Loss: 0.2333 Acc: 0.9346
Training complete in 3m 50s
Best val Acc: 0.934641