利用阿里云提供的弹性计算资源和存储服务，执行您的模型训练代码，快速开始进行单机版训练迭代。训练过程中，您可以随时查看日志和监控训练状态。

准备工作

在运行模型训练任务之前，请确认以下工作已经完成：

  • 创建包含适当数量弹性计算资源（ECS 或 EGS）的容器集群。创建步骤请参考 创建容器集群。
  • 如果您需要使用对象存储服务（OSS）保存用于模型训练的数据，您需要使用相同账号创建 OSS Bucket；然后在上面的容器集群中创建数据卷，用于将 OSS Bucket 作为本地目录挂载到执行训练任务的容器内。参见 创建数据卷。
  • 将模型训练代码同步到有效的 GitHub 代码仓库中。

约定

为了方便您的训练代码读取训练数据，输出训练日志，保存训练迭代状态数据（checkpoint），请注意以下约定。

  • 训练数据将会自动存放在 /input 目录，且保持与 OSS 中路径一致。用户代码需要从该目录中读取训练数据。
  • 代码输出的所有数据都应保存到 /output 目录，包括日志，checkpoint 文件等。所有保存在 /output 目录中的文件将以同样的目录结构被自动同步到用户的 OSS Bucket。
  • 如果训练代码中需要使用特别的 Python 依赖库，请将所有依赖写入名为 requirements.txt 的配置文件，并保存在 GitHub 仓库中代码根目录下。

操作流程

  1. 登录 容器服务管理控制台。
  2. 在 Swarm 菜单下，单击左侧导航栏中的 镜像与方案 > 解决方案。
  3. 在 模型训练 框中单击 创建。


  4. 设置单机训练任务的基本信息。

    进入模型训练页面，填写以下信息用于配置训练任务。



    • 集群：选择将要运行单机模型训练任务的容器集群。
    • 应用名：为运行单机模型训练任务所创建的应用名称，例如 tf-train-standalone。名称可以包含 1~64 个字符，包括数字、英文字母和连字符（-）。
    • 训练框架：选择用来进行模型训练的框架。目前支持的框架包括 TensorFlow、 Keras、Python 以及自定义镜像，选择自定义镜像要求您输入合法的镜像地址。
    • 分布式训练：选择是否执行分布式训练任务。这里不要勾选，则执行单机训练。
    • 单Worker使用GPU数量：指定所使用的 GPU 数量，如果为 0 表示不使用 GPU，那么将使用 CPU 训练。
    • 数据卷名： 指定为用于存储训练数据的数据来源，可以选择对象存储服务在该集群中创建的数据卷的名称；也可以选择本地目录，但要求填写绝对路径；或者选择 不使用数据卷。本示例中使用名为 tfoss 的数据卷。
    • Git地址：指定训练代码所处的 GitHub 代码仓库地址。
      说明 目前仅支持 HTTP 和 HTTPS 协议，不支持 SSH 协议。
    • 私有代码仓库：如果您使用私有代码仓库，请勾选此选项并设置 Git用户名 （您的 GitHub 账号）和 Git密码。
    • 执行命令：指定如何执行上述代码的命令，以进行模型训练。
      说明 如果你选择的是支持 Python3 的框架，请在命令行中直接调用 python3，而不是 python。
    • 训练监控：是否使用 TensorBoard 监控训练状态；一旦选择监控，请指定合法的训练日志路径，并确保与训练代码中日志输出的路径一致。例如，指定 训练日志路径 为 /output/training_logs，则用户代码也应该将日志输出到同样的路径下。图中示例是通过指定用户代码命令行参数 --log_dir 保证这一点的。
      说明 这里的训练日志指的是使用 TensorFlow API 输出的供 Tensorboard 读取的事件文件，以及保存了模型状态的 checkpoint 文件。
  5. 设置完毕后，单击 确定，创建执行模型训练任务的应用。
  6. 单击左侧导航栏中的 应用，单击上面创建的应用 tf-train-standalone。


  7. 单击 路由列表，可以看到一个以 tensorboard 开头的链接，用来打开 TensorBoard 监控页面。


    单击这个链接，可以查看训练监控数据。



  8. 单击 日志，查看执行训练任务过程中，用户代码输出到标准输出/标准错误的日志内容。
    说明 为了运行训练任务应用，一般会自动创建多个服务容器，分别运行不同的程序分支。比如 worker 容器一般用来运行用户的模型代码，tensorboard 容器用来运行 TensorBoard 训练监控。具体生成的服务／容器，可以单击 服务列表，或 容器列表 查看。

    可以按服务容器名称筛选某个容器，查看该容器运行程序输出到 stdout/stderr 的详细日志，比如 tf-train-standalone_worker_1。也可以按时间和显示数量，过滤要查看的日志内容。同样，也可以选择下载日志文件到本地。

    说明 这里提到的标准输出/标准错误日志，请区别于上述 Tensorboard 事件文件和 checkpoint 文件。


  9. 单击 服务列表，如果看到 worker 服务的状态为“已停止”，说明此次训练任务已经执行结束。


  10. 通过 OSS 客户端可以看到训练结果自动保存在 OSS Bucket 中了。

    训练结束后，系统自动将所有保存在本地 /output 路径中的文件，复制到用户给定数据卷所对应的对象存储服务（OSS）Bucket 中。通过 OSS 客户端，可以看到本示例中用户代码写入 /output 的事件文件和 checkpoint 文件都已经备份到 OSS Bucket 中了。



  11. 管理训练任务。

    如果需要停止、重启、删除（比如为了释放计算资源给新的训练任务）某个训练任务，只需回到 应用 > 应用列表页面。找到对应的应用，在右侧进行操作即可。



    说明 利用本节描述的模型训练服务，您不仅可以从零开始训练一个模型，同样也可以在一个已有模型的基础（checkpoint）之上，使用新的数据继续训练（比如 fine tuning)。利用已创建的应用，可以不断通过更新配置的方式调整超参数，进行迭代训练。