在K1 Power Linux上WMLA1.2.2的使用

1. 导入数据集

Cifar10，Cifar-100，Mnist、STL-10、SVHN都是常见公开的数据集。这里以Cifar10举例。Cifar10和Cifar100是8千万张微小图片数据集，由Alex Krizhevsky,Vinod Nair，Geofferey Hinton收集。

Cifar10 包含6万张32*32彩色图片，共10个分类。其中50000作为训练，10000作为推理。

常见数据集和论文

在Workload里面选择deep learning标签页，然后点击DataSets，点击New，添加数据集种类。包含Caffe和Tensorflow的数据格式LMDBs和TensorFlow Records.这里选择原始图片。Images for Object Classes.
填写数据集的名字，服务器存放数据集的位置，测试数据百分比。输出模式。
创建成功后的，可以看到各个分类的图片数量。

2. 创建模型

在DeepLearning标签页选择models，选择New，选在Add Location。添加框架的名字，路径描述。如果是Caffe模型模板，路径内需要有train_test.prototxt,solfver.prototxt文件。如果是Tensorflow模板，需要在路径下有main.py inference.py ps.conf。
模型模板有一些samples放在cloud上面，可以下载。这里选择使用caffe samples中的cifar10。 模型文件提前下载放在服务器的/dli_shared/fs目录下。
模型例子下载链接

3. 训练

在Deep Learning标签页中，Models下点击train，设置训练的模型，所用的GPU的数量。是否有weight file。 点击start training。

在Models页面，点击训练的模型名称，进入之后点击Training可以看到刚才训练的任务。在此页面还可以看到，有超参数搜索的选项和模型评估的选项。点击这里训练模型名字，可以看到训练的loss函数和准确率的曲线图等。

4. 导出推理模型

在models页面中，点击model的名字，创建一个推理模型。这里也可以做模型评估，导出weight files。

5. 推理服务

推理服务，在模型部分，选择inference的models 名称，选择Test，上传待判定的图片，点击start test。然后再模型标签页中，选择inference 模型名称。查看inference的结果。

6. 总结

至此，基于cifar10的caffe框架的数据集导入、训练、推理任务全部完成。其他数据集或者模型框架也都可以尝试。本次记录也未设计并行计算即多个GPU卡同时训练的情况。