操作步骤

MindStudio执行模型训练的主要步骤包括：

  1. 创建训练工程（首次执行训练）/导入训练工程（已存在训练工程）
  2. 运行配置
  3. 执行训练

前提条件

创建训练工程

当前支持以MindSpore、TensorFlow和PyTorch训练框架为模板创建训练工程，其中MindSpore训练框架可以使用MindSpore Insight实现训练过程可视化，MindSpore Insight详细使用方法请参见MindSpore Insight官方文档。

  1. 进入训练工程创建界面，训练工程界面如图1所示。

    • MindStudio欢迎界面：单击“New Project”，进入创建工程界面。
    • MindStudio工程界面：在顶部菜单栏中选择“File > New > Project...”，进入创建工程界面。
    图1 创建工程界面

  2. 创建训练工程。

    • 当选择“Templates”下的工程时
      1. 在左侧导航栏选择“Ascend Training”，如图1所示。
        1. 在右侧界面选择“CANN Version”。
        2. 选择“Templates”下的工程，例如选择“MindSpore Project”。
          当选择“Templates”下的工程时，需要用户自行准备训练脚本：
          • 若为NPU训练脚本，可直接进行模型训练。
          • 若为GPU训练脚本，需要将脚本通过分析迁移转换为NPU训练脚本，再进行模型训练。
      2. 单击“Next”，配置训练工程其他信息，参数说明如表1所示。
        表1 工程参数说明

        参数

        说明

        Project name

        工程名称，自行配置。

        • 名称开头和结尾必须是数字或字母。
        • 只能包含字母、数字、中划线和下划线。
        • 长度不超过64个字符。

        Project location

        工程默认保存路径，用户可自定义。（对于首次使用MindStudio的用户，该项默认为“$HOME/MindstudioProjects”。）

        More settings

        “Module name”：模块名，默认与“Project name”一致。

        “Content root”：根目录下路径。

        “Module file location”：模块文件路径。
        单击“Project format”右侧选框，出现下拉菜单。
        • .idea（directory-based）：创建项目的时候创建一个.idea的项目录来保存项目的信息，默认选项。
        • .ipr（file-based）：项目配置文件来保存项目的配置信息。
      3. 单击“Create”完成训练工程的创建。
        若工作窗口已打开其他工程，会出现确认提示。
        • 选择“This Window”，则直接在当前工作窗口打开新创建的工程。
        • 选择“New Window”，则新建一个工作窗口打开新创建的工程。
      4. 查看训练工程目录结构和主要文件，请以实际创建结果为准。 
        ├── .idea
├── data                                  //数据集目录，需用自行创建
├── .project                                 //工程信息文件，包含工程类型、工程描述、运行目标设备类型以及CANN版本
├── train.py                                //训练脚本文件，为空文件，用户在这里编写训练脚本
├── MyTraining.iml
    • 当选择“Samples”下的工程时
      1. 在左侧导航栏选择“Ascend Training”，如图1所示。
        1. 在右侧界面选择“CANN Version”。
        2. 选择“Samples”下的工程，例如选择“MindSpore”。
      2. 单击“Next”，跳转至gitee代码仓界面。
      3. 在gitee代码仓页面下单击“克隆/下载 > 复制”，复制代码包下载链接。
      4. 在开发环境执行命令：git clone URL（其中URL为复制的代码包下载链接），直接将代码包克隆到开发环境。 
        git clone https://gitee.com/mindspore/models.git

        TensorFlow和Pytorch代码包下载链接如下所示：

        • TensorFlow：https://gitee.com/ascend/ModelZoo-TensorFlow
        • Pytorch：https://gitee.com/ascend/ModelZoo-PyTorch
      5. 在下载的文件夹中选择需要的模型样例，然后直接通过MindStudio导入，详情请参见导入训练工程。

        当通过Samples下载gitee代码仓中的模型样例时，可直接进行模型训练。

导入训练工程

如果已有训练工程，则无需新建训练工程，可直接通过MindStudio导入，操作如下。

  1. 使用MindStudio导入训练工程。

    • MindStudio欢迎界面：单击“Open”，选择需要导入的工程，单击“OK”确认导入。
    • MindStudio工程界面：在顶部菜单栏中选择“File > Open...”或单击工具栏中的，选择现有工程打开。
      • 如该工程存在代码风险，在打开时会弹出信任窗口。
        • 如该工程源码可被信任且安全，请单击“Trust Project”。（可通过勾选“Trust project in <工作区目录>”复选框信任该目录下的所有工程。）
        • 如该工程不被信任，仅用于查看其中源码，请单击“Preview in Safe Mode”进入安全模式预览。
        • 如放弃打开该工程，请单击“Don't Open”取消工程导入操作。
      • 若导入NPU训练工程，可直接进行模型训练；若导入GPU训练工程，需要将脚本通过分析迁移转换为NPU训练脚本，再进行模型训练。

  2. 若工作窗口已打开其他工程，会出现确认提示。

    • 选择“This Window”，则直接在当前工作窗口打开新创建的工程。
    • 选择“New Window”，则新建一个工作窗口打开新创建的工程。

  3. 成功导入工程后，工程目录以树状呈现，请以实际创建结果为准。

    如果导入的是非昇腾工程，需要将工程转换为昇腾工程，再进行运行配置，详情请参见工程转换。

运行配置

  1. 单击工程界面“Run > Edit Configurations...”或单击图2所示菜单中的“Edit Configurations...” ，进入运行配置界面。

    图2 快捷方式进入运行配置界面

  2. 配置训练参数。

    运行配置支持Ascend Training和Python两种配置方式（推荐使用Python配置方式）：

    • Python：支持运行、调试工程以及训练过程中代码异常跳转功能。
    • Ascend Training：仅支持运行工程。
    • 使用Python配置方式
      如果训练工程中的执行源文件为xxx.py格式，推荐使用此配置方式。
      1. 单击左上角的“+”，在弹出的下拉框选择“Python”，新增文件的编译调试配置。
      2. 右侧显示配置项，配置示例如图3所示，关键配置参数参见表2。
        图3 源文件配置项
        表2 调试运行关键参数说明

        参数

        说明

        Name

        用户自行定义。

        Script path

        选择需要执行调试的Python源文件具体路径。

        Parameters

        运行参数，请根据实际情况自行配置。

        Python interpreter

        “Use SDK of module”：使用模块级的Python SDK进行解析。

        具体配置功能请参见设置模块级Python SDK（昇腾工程）或设置模块级Python SDK（非昇腾工程）。

        “Use specified interpreter”：使用已配置的特定解析器。

        具体配置功能请参见Python SDK设置。

        Working directory

        工作目录（默认为需执行调试的Python源文件所在的目录）。
      3. 单击“Apply”应用后，单击“OK”保存并关闭调试配置界面。
    • 使用Ascend Training配置方式

      如果训练工程中的执行源文件为xxx.sh格式，请使用此配置方式。

      1. 单击左上角的“+”，在弹出的下拉框选择“Ascend Training”，新增文件的运行配置。
      2. 右侧显示配置项，配置示例如图4和图5 运行配置界面（Local Run）所示，关键配置参数参见表3。
        • 当“Run Mode”选择“Remote Run”时：
          图4 运行配置界面（Remote Run）
        • 当“Run Mode”选择“Local Run”时：
          图5 运行配置界面（Local Run）
        表3 训练工程运行信息

        参数

        说明

        Name

        工程名称，用户自行配置，必选。

        • 名称必须以字母开头，数字或字母结尾。
        • 只能包含字母、数字、中划线和下划线。
        • 长度不能超过64个字符。

        Run Mode

        运行环境选择。选择“Remote Run”或“Local Run”，默认为“Remote Run”。

        Executable

        训练工程中的执行源文件，必选。

        例如：$home/AscendProjects/MyTraining/xxx。

        Deployment

        运行配置。选择Remote Run模式时可见，必选。

        请参见Ascend Deployment进行配置，可以将指定项目中的文件、文件夹同步到远程指定机器的指定目录。

        Command Arguments

        训练工程执行参数，可选。

        Environment Variables

        训练工程环境变量，可选。
      3. 单击“Apply”应用后，单击“OK”保存并关闭运行配置界面。

执行训练

  1. 单击工程界面“Run > Run 'train'”或单击图6所示菜单，执行训练。

    图6 快捷方式执行训练

  2. 查看训练结果。

    • 训练成功：在工程界面底部“Run”窗口显示运行实时信息，如图7所示。
      图7 运行实时信息
    • 训练失败：在工程根目录下的“out/reports”下生成训练工程的整网支持度报告network_analysis_timestamp.report。报告内容如图8所示。
      图8 整网支持度报告

      图8是以MindSpore训练框架创建的训练工程，训练失败后在工程根目录下的“out/reports”下生成的.report文件；以TensorFlow和PyTorch训练框架创建的训练工程，训练失败后生成的.report文件返回至用户自定义的输出路径。

父主题： 模型训练