AI模型开发的过程，称之为Modeling，一般包含两个阶段：

开发阶段：准备并配置环境，调试代码，使代码能够开始进行深度学习训练，推荐在ModelArts开发环境中调试。

实验阶段：调整数据集、调整超参等，通过多轮实验，训练出理想的模型，推荐在ModelArts训练中进行实验。

两个过程可以相互转换。如开发阶段代码稳定后，则会进入实验阶段，通过不断尝试调整超参来迭代模型；或在实验阶段，有一个可以优化训练的性能的想法，则会回到开发阶段，重新优化代码。

图1 模型开发过程

ModelArts提供了模型训练的功能，方便您查看训练情况并不断调整您的模型参数。您还可以基于不同的数据，选择不同规格的资源池用于模型训练。

请参考以下指导在ModelArts Standard上训练模型。

图2 ModelArts Standard模型训练流程

表1 Standard模型训练流程

操作任务

子任务

说明

准备工作

准备训练代码

模型训练必备要素包括训练代码、训练框架、训练数据。

训练代码包含训练作业的启动文件或启动命令、训练依赖包等内容。

当使用预置框架创建训练作业时，训练代码的开发规范可以参考开发用于预置框架训练的代码。

当使用自定义镜像创建训练作业时，训练代码的开发规范可以参考开发用于自定义镜像训练的代码。

准备训练框架（即训练镜像）

模型训练有多种训练框架来源，具体可以参考准备模型训练镜像。

ModelArts Standard平台提供了模型训练常用的预置框架，可以直接使用。

当预置框架不满足训练要求时，支持用户构建自定义镜像用于训练。

准备训练数据

训练数据除了训练数据集，也可以是预测模型。在创建训练作业前，需要先准备好训练数据。

当训练数据可以直接使用，无需二次处理时，可以直接将数据上传至OBS桶。在创建训练作业时，训练的输入参数位置可以直接填写OBS桶路径。

当训练数据集的数据未标注或者需要进一步的数据预处理，可以先将数据导入ModelArts数据管理模块进行数据预处理。在创建训练作业时，训练的输入参数位置可以选择数据管理模块的数据集。

创建调试训练作业

调试训练作业

模型训练前，一般会先对代码进行调试，ModelArts提供多种方式创建调试训练作业。

ModelArts提供了云化版本的JupyterLab，无需关注安装配置，即开即用。

ModelArts也提供了本地IDE的方式开发模型，通过开启SSH远程开发，本地IDE可以远程连接到调试训练作业中，进行调试和运行代码。本地IDE方式不影响用户的编码习惯，并且调试完成的代码可以零成本直接创建生产训练作业。使用本地IDE请参考使用PyCharm ToolKit创建并调试训练作业。

创建算法

创建算法

创建生产训练作业之前，需要先准备算法，可以是用户自己准备的算法，也可以使用从AI Gallery订阅的算法。

创建生产训练作业

训练作业基础功能

ModelArts Standard支持通过Console控制台的可视化界面创建训练作业，创建时基于算法来源和训练框架又区分多种创建方式，具体请参见表2。

ModelArts Standard也支持通过调用API接口创建训练作业，请参见以PyTorch框架创建训练作业。

训练作业进阶功能

ModelArts Standard还支持以下训练进阶功能，例如：

增量训练

分布式训练

训练加速

训练高可靠性

查看训练结果和日志

查看训练作业详情

训练作业运行中或运行结束后，可以在训练作业详情页面查看训练作业的参数设置，训练作业事件等。

查看训练作业日志

训练日志用于记录训练作业运行过程和异常信息，可以通过查看训练作业日志定位作业运行中出现的问题。

表2 训练作业的创建方式介绍

创建方式

适用场景

使用预置框架创建训练作业

如果您已在本地使用一些常用框架完成算法开发，您可以选择常用框架，创建训练作业来构建模型

使用自定义镜像创建训练作业

如果您开发算法时使用的框架并不是常用框架，您可以将算法构建为一个自定义镜像，通过自定义镜像创建训练作业。

使用已有算法创建训练作业

算法管理中，管理了用户自己创建的算法和AI Gallery订阅的算法，您可以使用算法管理中的算法，快速创建训练作业，构建模型。

使用订阅算法创建训练作业

AI Gallery中提供了现成的算法，供用户使用，您可以直接订阅AI Gallery中的算法，快速创建训练作业，构建模型。