2 任务2： 使用趋动云GPU进行猫狗识别实践

使用趋动云提供的免费GPU，进行猫狗识别实践。
虽然例程里面提供的是基于tensorflow的，但是你也可以使用pytorch的代码
使用这个平台的一个优点就是方便，各种环境等等应有尽有；还有一些常见的数据集。

1 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.填写项日名称及项目描述，如图二所示：

3.添加镜像：选择含TensorFlow2.X框架的官方镜像即可，如图三所示；

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。

2 初始化开发环境

1，下载代码：
飞书文档连接：到第三章step1下载：
https://nuly9zxzf1.feishu.cn/docx/HOmzdmST9oc43gxjTF0c7PAAnnb

2，初始化开发环境：
图四：单击右上角的运行代码，进入初始化开发环境页；
图五：填写开发环境的初始化配置；

3 调试代码

开发环境创建好后，您可在开发环境中调试代码。
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.在网页终端运行如下代码
运行：

python $GEMINI_RUN/DogsVsCats.py --num_epochs 5 --data_dir $GEMINI_DATA_IN1/DogsVsCats/ --train_dir $GEMINI_DATA_OUT
1

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川练，导致模型没有训练成功。这是因为模型在一个batch.之中，只曰
能看到猫的类别和狗的类别，这样看不到另一个类别的信息，所以没有任何识别能力。

6.修改模型代码并保存。
a.双击/gemini/code/路径下的DogsVsCats.py,开始编辑该文件。
b.删除该文件中第44行的注释符号#。
c,保存

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85%能识别出猫狗了。

4 提交离线任务

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.在单框中选择镜像和代码版本。
a.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。
b.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。参考如下说明配置任务基本信息。
a.配置说明，其余保持默认即可。
i.任务模型：单机任务；
ii.GPU选择：B1.2 xlarge【需选择2Gpu的配置】
iii.启动命令
执行代码中的DogsVsCats.py脚本启动训练，训练所需数据为$GEMIN{I}_{D}AT{A}_{I}N1/DogsVsCats目录下的数据，训练结果保存在$GEMINI_DATA_OUT目录下。执行该任务的启动命令如下：

python $GEMINI_RUN/DogsVsCats.py --num_epochs 5 --data_dir $GEMINI_DATA_IN1/DogsVsCats/ --train_dir $GEMINI_DATA_OUT
1

4.配置信息填写完成后，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。

5 结果集存储与下载

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，此时可下载模型并将模型部署到应用中。
趋动云平台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。