华为云ModelArts

目录

简介

新手入门教程（找云宝）

获取Token（X-Auth-Token）

访问在线服务

Notebook使用（keras实现minist手写数字识别）

发布Notebook

发布模型

结论

---

简介

华为云ModelArts产品链接(点击管理控制台即可使用)：https://www.huaweicloud.com/product/modelarts.html

开发者社区：https://developer.huaweicloud.com/develop/aigallery/home.html

华为云ModelArts支持pytorch，tensorflow等主流框架，但是百度PaddlePaddle只支持自研的paddle；但是百度AI的生态比华为云AI好很多吧，截至到现在华为云ModleArts没有遥感方面的资料。

我已经支持华为云240+元了，先入为主，感觉华为云好用，不听解释。

求评委多给点分！

新手入门教程（找云宝）

ModelArts 是面向开发者的一站式 AI 开发平台，为机器学习与深度学习提供海量数据预处理及交互式智能标注、大规模分布式训练、自动化模型生成，及端-边-云模型按需部署能力，帮助用户快速创建和部署模型，管理全周期 AI 工作流。

这是ModleArts首页的介绍，做完找云宝就能体验交互式智能标注、自动化模型生成、快速部署等功能。

官方有教程就不在这写了，提示一点，遇到不会的就在上方搜索框中搜索。

 最后模型部署完成后，可以在线调用

获取Token（X-Auth-Token）

获取IAM用户Token（使用密码）_统一身份认证服务 IAM_API参考_API_Token管理_华为云该接口可以用于通过用户名/密码的方式进行认证来获取IAM用户Token。Token是系统颁发给IAM用户的访问令牌，承载用户的身份、权限等信息。调用IAM以及其他云服务的接口时，可以使用本接口获取的IAM用户Token进行鉴权。该接口可以使用全局区域的Endpoint和其他区域的Endpoint调用。IAM的Endpoint请参见：地区和https://support.huaweicloud.com/api-iam/iam_30_0001.html

官方文档写的有点迷，以下是详细步骤

使用postman软件

 

 

 

访问在线服务

访问在线服务（Token认证）_AI开发平台ModelArts_推理部署_部署AI应用（在线服务）_访问在线服务_华为云若在线服务的状态处于运行中，则表示在线服务已部署成功，部署成功的在线服务，将为用户提供一个可调用的API，此API为标准Restful API。在集成至生产环境之前，需要对此API进行调测，您可以使用以下两种方式向在线服务发起预测请求。方式一：使用图形界面的软件进行预测（以Postman为例）。Windows系统建议使用Postman。方https://support.huaweicloud.com/inference-modelarts/inference-modelarts-0023.html

Notebook使用（keras实现minist手写数字识别）

选择TensorFlow-1.8的Notebook

首先导入需要的函数和包

from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation
from keras.optimizers import SGD
from keras.datasets import mnist
import numpy as np

 构建模型的网络结构：

model = Sequential()
model.add(Dense(500,input_shape=(784,))) #输入层， 28*28=784
model.add(Activation('tanh'))
model.add(Dropout(0.5)) #50% dropout

model.add(Dense(500)) #隐藏层， 500
model.add(Activation('tanh'))
model.add(Dropout(0.5)) #50% dropout

model.add(Dense(10)) #输出结果， 10
model.add(Activation('softmax'))

编译模型：

sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True) #设定学习效率等参数
model.compile(loss = 'categorical_crossentropy', optimizer='sgd', metrics=['accuracy']) #使用交叉熵作为loss

读取数据集作为训练集和测试集：

(x_train,y_train),(x_test,y_test) = mnist.load_data() #使用mnist读取数据（第一次需要下载）

X_train = x_train.reshape(x_train.shape[0], x_train.shape[1]*x_train.shape[2])
X_test = x_test.reshape(x_test.shape[0],x_test.shape[1]*x_test.shape[2])

Y_train = (np.arange(10) == y_train[:,None]).astype(int) #将index转换橙一个one_hot矩阵
Y_test = (np.arange(10) == y_test[:,None]).astype(int)

对使用转换后的数据对模型进行训练：

model.fit(X_train,Y_train,batch_size=50,epochs=200,shuffle=True,verbose=1,validation_split=0.3)

输出对测试集进行测试的结果：

print("test set")
scores = model.evaluate(X_test,Y_test,batch_size=100,verbose=1)
# print(scores)
print("The test loss is %f" % scores[0])
result = model.predict(X_test,batch_size=100,verbose=1)

result_max = np.argmax(result, axis = 1)
test_max = np.argmax(Y_test, axis = 1)

result_bool = np.equal(result_max, test_max)
true_num = np.sum(result_bool)

print("The accuracy of the model is %f" % (true_num/len(result_bool)))

模型保存

print("Saving model to disk \n")
mp = "./model.h5"
model.save(mp)

发布Notebook

链接：

https://developer.huaweicloud.com/develop/aigallery/notebook/detail?id=52737813-aa06-43b5-800e-89d4bf5c776a

 发布Notebook步骤

发布模型

我只是把Notebook训练出来的Modle.h5上传到obs中，然后发布模型时，从obs桶中导入，部署后，应该要写预测的代码，调用指南等，感觉挺繁琐的，没有继续。

结论

明明华为云有限时免费的资源，但偏偏抢不到，写这篇博客花了不少钱，希望。。。