用免费GPU线上优化猫狗识别实践

该部分以“猫狗识别模型”为例，学习如何直接通过平台提供的开发环境调用GPU资源

一.学习准备

获取官方代码文件：https://platform.virtaicloud.com/gemini_web/workspace/space/n9tte8i2aspd/project/list

二.创建项目

    1）进入趋动云用户工作台，在当前空间处选择注册时系统自动生成的空间（其他空间无免费算力）；

    2）填写项目名称及项目描述；

    3）添加镜像：选择含 TensorFlow 2.x 框架的官方镜像即可；

    4）添加绑定数据集：选择公开数据集，DogsVsCats。

    5）其余无需填写，点击右下角 创建 ，系统弹出 上传代码 的提示，单击 暂不上传，项目创建成功。如下图示：

三.准备代码

单击上传文件图标将获取的 DogsVsCats.py 文件上传至项目中。

四.初始化开发环境

1. 单击右上角的 运行代码，进入 初始化开发环境 页

2. 填写开发环境的初始化配置 

五.调试代码

        1)单击 开发环境实例 页右侧的 JupyterLab 工具

        2)默认进入 /gemini/ 目录下，在右侧目录树中单击 code 文件夹，进入到 /gemini/code/ 目录下。

 

3)单击顶部 网页终端 按钮，进入终端界面。

4)在终端界面执行如下命令测试模型的识别能力。

python  $GEMINI_RUN/DogsVsCats.py --num_epochs 5 --data_dir $GEMINI_DATA_IN1/DogsVsCats/ --train_dir $GEMINI_DATA_OUT

系统返回一系列信息，直到返回 test accuracy 信息，如下所示，表明该模型测试结束，其识别猫狗的能力为 0.500000，即几乎无识别能力。

5)单击 JupyterLab，切换回 JupyterLab 工具，分析 /gemini/code/ 路径下的模型代码。
经排查，发现代码中没有打乱数据集进行训练，导致模型没有训练成功。

6) 修改模型代码并保存。 

1. 双击 /gemini/code/ 路径下的 DogsVsCats.py ，开始编辑该文件。

2. 删除该文件中第 44 行的注释符号 #。

3. 按 “Crtl + S” 键，保存该文件。

4. 

7) 单击 网页终端 按钮，进入终端界面再次执行上述 4) 中的命令进行识别能力的测试。
系统返回的测试结果如下所示，显然已经能达到 80% 能识别出猫狗了。

 
2022-02-17 05:38:55.734254: W tensorflow/python/util/util.cc:348] Sets are not currently considered sequences, but this may change in the future, so consider avoiding using them.
test accuracy:0.845800

此时您可提交离线训练，对模型进行大规模的训练以达到更精准的识别能力，详情参见下一步。

六.提交离线训练

当您已经完成本次调优，可参考如下步骤保存代码并使用当前版本代码提交训练任务。

1. 单击调试页面右上角的 提交训练任务。

 2.在弹框中选择镜像和代码版本。

• 选择代码版本：单击 新建代码版本，并在右边框中填写代码版本名。
• 选择镜像：选择 直接使用当前工作镜像。

3.单击 确定，进入 提交任务 页面。

4.参考如下说明配置任务基本信息。

 

 5.单击 确定。

返回 训练任务 页面，在训练任务列表中查看该任务的状态，该任务大约 5 分钟即可训练完成。

• 任务状态显示为 成功 则表示训练任务成功结束。
• 任务状态为 失败，可将鼠标悬置于 失败 字样上，查看失败原因，详情可参考 FAQ。

后续操作

模型在经历了大规模数据的训练后，将具备相对精准的识别猫狗的能力，此时您可下载模型并将模型部署到应用中。
平台为您提供了结果集存储与下载的功能，您在代码中设置的输出，都将被存储在结果集中。
您可将结果集中的模型文件导出为模型。

1.在左侧导航栏中选择 结果，默认进入 任务结果 页面。

2.单击右上角的 导出模型 按钮，进入 导出模型 页面。

3.单击 创建，生成模型。
生成的模型将保存在平台中，您可将其公开性设置为 公开，并将其分享给其他成员使用或进一步完善模型。