全部產品
Search

搜尋本產品

    Platform For AI：互動式建模 DSW 快速入門

    文件中心

    Platform For AI：互動式建模 DSW 快速入門

    更新時間：Nov 27, 2025

    DSW（Data Science Workshop）為您提供雲端 AI 開發 IDE（開發機），內建多種開發環境。熟悉 Notebook 或 VSCode 的使用者可快速開始模型開發。本文以 MNIST 手寫體識別為例，介紹如何在 DSW 中快速開發模型。

    說明

    MNIST手寫體識別是深度學習最經典的入門任務之一，任務目標是通過構建機器學習模型，來識別10個手寫數字（0～9）。

    image

    前提條件

    使用主帳號開通PAI並建立工作空間。登入PAI控制台，左上方選擇開通地區，然後一鍵授權和開通產品。

    計費說明

    本文案例將使用公用資源建立DSW執行個體及EAS模型服務，計費方式為隨用隨付，詳細計費規則請參見DSW計費說明、EAS計費說明。

    建立DSW執行個體

    1. 進入DSW頁面。

      1. 登入PAI控制台。

      2. 在頁面左上方選擇目標地區。

      3. 在左側導覽列單擊工作空間列表，進入待操作工作空間內。

      4. 在左側導覽列選擇模型開發與訓練 > 互動式建模（DSW） > 建立執行個體。

        image

    2. 在配置執行個體嚮導頁面，配置以下關鍵參數，其他參數預設即可。

      • 資源類型：選擇公用資源，計費方式為隨用隨付；

      • 資源規格：選擇ecs.gn7i-c8g1.2xlarge；

        如果該規格執行個體庫存不足，您也可以選擇其他GPU執行個體。

      • 镜像配置：選擇官方鏡像，搜尋並選擇鏡像：modelscope:1.26.0-pytorch2.6.0-gpu-py311-cu124-ubuntu22.04；

        請儘可能選擇與本文相同的鏡像，以免發生運行環境問題。

      • 存储挂载：用於持久化儲存模型開發過程中的檔案，本文選擇使用Object Storage Service。單擊OSS，單擊表徵圖 image，選擇Bucket並建立目錄如：pai_test，完整參數配置如下。

        如果您尚未開通OSS，或在當前地區下沒有可選的Bucket，可參考如下步驟開通OSS，並建立Bucket：

        （可選）開通OSS，並建立Bucket

        1. 開通OSS服務。

        2. 登入OSS管理主控台，單擊建立Bucket，填寫Bucket名稱，地區選擇與當前PAI相同的地區，其他參數預設即可，然後單擊完成建立。

          image

        • Uri：oss://**********oss-cn-hangzhou-internal.aliyuncs.com/pai_test/；

        • 掛載路徑：/mnt/data/；

    3. 單擊確定建立DSW執行個體。

      如果執行個體啟動失敗，您可以參考建立DSW執行個體解決。

    在DSW中開發模型

    1. 開啟DSW執行個體

      單擊開啟，進入剛建立的DSW開發環境中。

      image

      PAI-DSW介面如圖所示：

      image

    2. 編寫模型開發代碼。以使用Notebook開發環境為例，本文已為您準備好了MNIST手寫體識別的訓練代碼，您可以單擊mnist.ipynb下載代碼，然後單擊DSW左上方的image表徵圖，上傳該代碼檔案。

      image

    3. 執行模型訓練代碼。開啟mnist.ipynb檔案，找到如下訓練代碼的儲存格，單擊image按鈕執行代碼。該段代碼會自動下載MNIST資料集到dataSet中，並將訓練後最優的檢查點儲存到 output目錄下。訓練過程大約需要10分鐘。

      image

      image

      訓練過程中會輸出模型在驗證集上的準確率，它代表了模型在未知資料上的泛化能力。可以看到本次訓練在驗證集上準確率為98%，模型效果很好，可以繼續後續步驟。

    4. 通過TensorBoard查看loss曲線，瞭解訓練情況。執行如下儲存格，單擊TensorBoard頁面地址http://localhost:6006/。

      image

      在TensorBoard中即可看到train_loss曲線（反映訓練集損失）與 validation_loss曲線（反映驗證集損失）。

      image

      查看完映像後，請單擊儲存格的image表徵圖停止TensorBoard，以繼續運行後續儲存格。

      （可選）根據loss映像，調整超參數，提升模型效果

      您可以根據損失值的變化趨勢，初步判斷當前模型的訓練效果：

      • 在結束訓練前 train_loss 與 validation_loss 仍有下降趨勢（欠擬合）

        您可以增加 num_epochs（訓練輪次，與訓練深度正相關），或適當增大 learning_rate 後再進行訓練，加大模型的對訓練資料的擬合程度；

      • 在結束訓練前 train_loss 持續下降，validation_loss 開始變大（過擬合）

        您可以減少 num_epochs，或適當減小 learning_rate 後再進行訓練，防止模型過度訓練；

      • 在結束訓練前 train_loss 與 validation_loss 均處於平穩狀態（良好擬合）

        模型處於該狀態時，您可以進行後續步驟。

    5. 調用訓練後的模型，體驗模型效果。執行圖中所示儲存格，將展示20張測試圖片，並輸出圖片的真實標籤（label）和模型預測結果（predict）。

      image

      樣本輸出：

      image

    6. 將模型檔案拷貝至Object Storage Service中，持久化儲存。本文使用的是公用資源群組建立的DSW執行個體，檔案都儲存在免費的雲端硬碟中，若執行個體停機超過15天，雲端硬碟內容將被清空。因此，可以將模型檔案拷貝至OSS中持久化儲存，同時便於後續使用PAI-EAS部署模型。

      image

      登入OSS管理主控台可以看到拷貝的檔案：

      image

    至此，模型的開發工作完成。如果您想要在生產環境的其他應用中調用該模型，可參考使用EAS將模型部署為線上服務。

    重要

    本文使用了公用資源建立DSW執行個體，計費方式為隨用隨付。當您不需要使用DSW時請停止或刪除執行個體，以免繼續計費。image

    使用EAS將模型部署為線上服務

    模型訓練完成後，可以通過EAS（Elastic Algorithm Service）快速部署為線上推理服務或AI-Web應用。EAS支援異構資源，結合自動擴縮容、一鍵壓測、灰階發布、即時監控等能力，以更低成本保障高並發情境下的服務穩定性與商務持續性。

    1. 編寫模型服務的web介面，並將其拷貝到OSS中。本文已經為您準備好了web介面代碼和拷貝命令，您只需執行如下儲存格即可。

      image

    2. （可選）在DSW中驗證web介面是否可以正常啟動。執行如下儲存格安裝缺失的三方包並啟動服務。

      image

      運行測試服務介面的代碼。在頁面上方單擊WebIDE，左側單擊request_web.py代碼檔案，然後單擊image按鈕執行代碼，請求服務介面。

      image

      返回結果：

      {"prediction": 7}
      說明

      如果您想通過外部公網，直接存取DSW中的啟動的web服務，還需要為DSW配置Virtual Private Cloud，NAT Gateway，彈性公網EIP，詳情請參見通過公網訪問執行個體中的服務。

    3. 配置EAS。在PAI控制台左側導覽列單擊模型線上服務（EAS）> 部署服務 > 自訂部署。

      image

      配置如下關鍵參數，其他參數預設即可：

      • 部署方式：鏡像部署

      • 鏡像配置：選擇鏡像地址，複製並粘貼前文DSW使用的鏡像地址。

        已在使用 DSW 時驗證，該鏡像環境能正常運行本文的模型服務代碼。因此，部署時建議使用相同鏡像，以規避未知的運行環境問題。

        image

      • 存储挂载：本文已將模型檔案及服務介面代碼拷貝至OSS中。因此，單擊OSS，選擇對應OSS路徑。

        image

      • 運行命令：運行命令與 DSW 中的服務啟動命令相同，但由於 web.py 現已掛載至 /mnt/data/，需相應修改 web.py 的路徑。最終運行命令為：python /mnt/data/web.py

      • 端口号：配置web.py中使用的連接埠9000。

      • 三方庫配置：在 DSW 中測試時發現，所選鏡像缺少 bottle 庫。因此，需要在第三方庫配置中添加該庫。

        image

      • 資源類型：選擇公用資源，資源規格選擇ecs.gn7i-c8g1.2xlarge 即可。

      • 配置系統硬碟：設定為20GB。

        由於使用的鏡像較大，不設定額外系統硬碟會因空間不足無法啟動。

      單擊部署，建立服務。建立過程大約需要5分鐘，當處於運行中狀態時，代表部署成功。

    4. 查看調用資訊。在模型服務詳情頁，單擊查看調用資訊擷取公網調用地址和Token。

      image

    5. 調用服務。執行如下服務要求代碼，注意將代碼中的調用地址和Token替換為上步擷取的真實資訊。

      import requests

"""
測試圖片url：
label為7
http://aliyun-document-review.oss-cn-beijing.aliyuncs.com/dsw_files/mnist_label_7_No_0.jpg
label為2
http://aliyun-document-review.oss-cn-beijing.aliyuncs.com/dsw_files/mnist_label_2_No_1.jpg
label為1
http://aliyun-document-review.oss-cn-beijing.aliyuncs.com/dsw_files/mnist_label_1_No_2.jpg
label為0
http://aliyun-document-review.oss-cn-beijing.aliyuncs.com/dsw_files/mnist_label_0_No_3.jpg
label為4
http://aliyun-document-review.oss-cn-beijing.aliyuncs.com/dsw_files/mnist_label_4_No_4.jpg
label為5
http://aliyun-document-review.oss-cn-beijing.aliyuncs.com/dsw_files/mnist_label_9_No_5.jpg
"""

image_url = 'http://aliyun-document-review.oss-cn-beijing.aliyuncs.com/dsw_files/mnist_label_7_No_0.jpg'

# 由用戶端下載圖片，得到位元據
img_response = requests.get(image_url, timeout=10)
# 根據狀態代碼自動檢測請求是否成功
img_response.raise_for_status()
img_bytes = img_response.content

# header資訊 <EAS_TOKEN>需替換為實際的Token
# 實際生產中建議您將Token設定為環境變數，防止敏感資訊洩漏
# 環境變數配置方法請參見：https://www.alibabacloud.com/help/zh/sdk/developer-reference/configure-the-alibaba-cloud-accesskey-environment-variable-on-linux-macos-and-windows-systems
headers = {"Authorization": "Token"}
# 把位元據作為POST請求的body，發送到模型服務
resp = requests.post('調用地址/predict_image', data=img_bytes, headers=headers)
print(resp.json())

      返回結果：

      {"prediction": 7}
    重要

    本文使用了公用資源建立EAS服務，計費方式為隨用隨付。當您不需要使用服務時請停止或刪除服務，以免繼續計費。

    image

    相關文檔