创建模型不同方式的场景介绍-九游平台
ai开发和调优往往需要大量的迭代和调试，数据集、训练代码或参数的变化都可能会影响模型的质量，如不能统一管理开发流程元数据，可能会出现无法重现最优模型的现象。
modelarts的模型可导入所有训练生成的元模型、上传至对象存储服务（obs）中的元模型和容器镜像中的元模型，可对所有迭代和调试的模型进行统一管理。
约束与限制
- 自动学习项目中，在完成模型部署后，其生成的模型也将自动上传至模型列表中。但是自动学习生成的模型无法下载，只能用于部署上线。
- 创建模型、管理模型版本等功能目前是免费开放给所有用户，使用此功能不会产生费用。
创建模型的几种场景
- 从训练作业中导入模型文件创建模型：在modelarts中创建训练作业，并完成模型训练，在得到满意的模型后，可以将训练后得到的模型创建为模型，用于部署服务。
- 从obs中导入模型文件创建模型：如果您使用常用框架在本地完成模型开发和训练，可以将本地的模型按照模型包规范上传至obs桶中，从obs将模型导入至modelarts中，创建为模型，直接用于部署服务。
- 从容器镜像中导入模型文件创建模型：针对modelarts目前不支持的ai引擎，可以通过自定义镜像的方式将编写的模型镜像导入modelarts，创建为模型，用于部署服务。
- 从ai gallery订阅模型：modelarts的ai gallery中提供了大量免费的模型供用户一键部署，您可订阅ai gallery上的模型进行ai体验学习。
推理支持的ai引擎
在modelarts创建模型时，如果使用预置镜像“从obs中选择”导入模型，则支持如下常用引擎及版本的模型包。
- 统一镜像runtime的命名规范：
- <硬件及版本：cpu或cuda或cann> - - <操作系统版本> - - 当前支持自定义模型启动命令，预置ai引擎都有默认的启动命令，如非必要无需改动
|
模型使用的引擎类型 |
支持的运行环境（runtime） |
注意事项 |
|---|---|---|
|
tensorflow |
python3.6 python2.7（待下线） tf1.13-python3.6-gpu tf1.13-python3.6-cpu tf1.13-python3.7-cpu tf1.13-python3.7-gpu tf2.1-python3.7（待下线） tensorflow_2.1.0-cuda_10.1-py_3.7-ubuntu_18.04-x86_64（推荐） |
|
|
spark_mllib |
python2.7（待下线） python3.6（待下线） |
|
|
scikit_learn |
python2.7（待下线） python3.6（待下线） |
|
|
xgboost |
python2.7（待下线） python3.6（待下线） |
|
|
pytorch |
python2.7（待下线） python3.6 python3.7 pytorch1.4-python3.7 pytorch1.5-python3.7（待下线） pytorch_1.8.0-cuda_10.2-py_3.7-ubuntu_18.04-x86_64（推荐） |
|
|
mindspore |
aarch64（推荐） |
aarch64只能用于运行在snt3芯片上。
|
相关文档
意见反馈
文档内容是否对您有帮助？
如您有其它疑问，您也可以通过华为云社区问答频道来与我们联系探讨
