PAI-TF调用方式 - 机器学习PAI

PAI-TF是深度学习计算框架，支持多种模型训练。您可以使用PAI-Studio、MaxCompute Console以及Dataworks的开发节点调用PAI-TF。

使用限制

目前仅北京和上海两个地域支持调用PAI-TF。

登录PAI Console，在左侧导航栏，单击模型开发和训练 > Studio-可视化建模，进入PAI可视化建模页面。
创建项目时，建议您使用按量付费模式（后付费），并开启GPU，PAI-TF任务只能在GPU资源中运行。
单击目标项目操作列的进入机器学习。
在机器学习PAI页面的左侧导航栏，单击首页。
单击模板列表 > Tensorflow图片分类的从模板创建。
模板已经内置了训练代码和数据，您可以通过模板快速了解PAI-TF的用法。
模板案例是基于开源图像数据cifar10的图像分类案例，您可以从CIFAR 10案例中获取数据和代码。
配置新建试验对话框的名称、描述以及位置参数。

单击确定，进入实验页面。

实验流程如下图所示。 TF流程

说明如下：

您可以使用OSS或MaxCompute表作为数据源，详情请参见PAI-TF数据IO方式介绍。
执行任务前，您需要使用主账号授予PAI读取OSS数据的权限。步骤如下：
1. 在机器学习PAI页面左侧导航栏，单击设置。
2. 在基本设置区域，勾选授权机器学习读取我的OSS中的数据。
需要主账号登录，并在设置页面进行OSS授权
如果您使用的是实验模板，您需要修改TensorFlow的checkpoint为自己OSS的checkpoint即可，如下图所示。

训练组件参数如下表所示。


页签	参数	描述
参数设置	Tensorflow版本	您可以根据代码选择合适的Tensorflow版本。
	Python代码文件	您需要将执行的代码放至OSS路径下。如果是工程文件，则需要使用tar.gz格式的压缩包。说明 OSS需要与当前项目位于同一区域。
	Python主文件	如果代码文件使用的tar.gz压缩包，则需要指定入口Python文件。
	OSS数据源	输入的OSS地址。
	配置文件超参及用户自定义参数	您可以单击文件夹，在OSS Bucket上选择或上传文件。
	checkpoint输出目录/模型输入目录	选择自己的OSS路径用来存放模型。
	MaxCompute输出表	MaxCompute输出表必须是已经创建的表，并且输出的表名称需要与代码中的输出表名称一致。
	建表SQL语句	如果代码中的输出表不存在，则您可以通过输入框输入建表语句创建表。建表语句会在TF脚本执行前执行，示例建表语句为`create table iris_output(f1 DOUBLE,f2 DOUBLE,f3 DOUBLE,f4 DOUBLE,f5 STRING);`。
	请输入计划作业运行最大时长	运行作业的最大时长。

分布式参数如下表所示。


页签	参数	描述
执行调优	单机或分布式	计算的机器数量。
	指定worker GPU卡数	每个worker的GPU卡数。例如，worker个数为3，指定worker GPU卡数为2，则总卡数为`3*2=6`。
	指定worker个数	分布式计算的机器数量。
	指定ps个数	参数服务器的个数，通常不超过worker个数的50%。

MaxCompute是阿里云自研的大数据计算平台，PAI是基于MaxCompute建设的人工智能平台，PAI-TF可以在MaxCompute上计算运行，本小节为您介绍如何基于MaxCompute Console工具运行PAI任务。

您需要购买PAI的后付费服务，才可以使用MaxCompute Console方式运行PAI-TF任务。

MaxComupute Console是一个可以被封装的命令行工具，您可以下载并安装，详情请参见客户端。配置好环境后，您可以进入命令行工具，输入PAI-TF命令运行脚本，详情请参见PAI-TF任务参考文档。