此算法由ModelArts官方提供，目前免费开放。订阅算法完成后，页面的“订阅”
按钮显示为“已订阅”。
4. 单击详情页的“前往控制台”，此时弹出“选择云服务区域”对话框，选择 ModelArts对应的区域，然后再单击“确定”，
页面将自动跳转至ModelArts的“算法管理>我的订阅”中同步对应的算法。
说明
此处选择的云服务区域必须和数据集存放的区域保持一致，否则会找不到数据集，本示例 中都是华北-北京四。
图5-7 前往控制台
图5-8 选择云服务区域
5. 在ModelArts管理控制台的算法管理页面，算法将自动同步至ModelArts中。
步骤 3：使用订阅算法创建训练作业
算法订阅成功后，算法将呈现在“算法管理>我的订阅”中，您可以使用订阅的“图像 分类-ResNet_v1_50”算法创建训练作业，获得模型。
1. 进入“算法管理 > 我的订阅”页面，选择订阅的“图像分类-ResNet_v1_50”算 法，单击左侧的小三角展开算法，在版本列表中，单击“创建训练作业”。
快速入门 5 AI 初学者：使用订阅算法构建模型实现花卉识别
图5-9 创建训练作业
2. 在创建训练作业页面，参考如下说明填写关键参数。
– “算法>我的订阅”：系统默认选择订阅的算法，请勿随意修改。
– “训练输入”：选择数据存储位置，然后从弹出的窗口中选择步骤1：准备训 练数据中下载好的数据dataset-flower。
– “训练输出”：选择一个OBS空目录存储训练输出的模型。例如：“test-modelartsz/output”
– “超参”：建议采用默认值。如需进行调优，可参考运行参数说明。
– “资源类型”：可以选择限时免费的GPU规格资源，如果希望训练效率更 高，可以选择收费的GPU资源。
– “计算节点个数”：建议采用默认值1。 GPU资源运行，预计3分钟左右可完成。
当训练作业的状态变更为“已完成”时，表示已运行结束。
您可以单击训练作业名称，进入详情页面，了解训练作业的“配置信息”、“日
快速入门 5 AI 初学者：使用订阅算法构建模型实现花卉识别
图5-11 创建 AI 应用
也可以在ModelArts管理控制台，选择“AI应用管理 > AI应用”，在“我的AI应 用”页面，单击“创建”，进入创建AI应用页面。
2. 在创建AI应用页面，系统会自动根据上一步训练作业填写参数，参考如下说明确 认关键参数。
“元模型来源”：系统自动选择“从训练中选择 >训练作业（New）”。
“选择训练作业”：系统自动选择上一步创建的训练作业。
“AI引擎”：系统自动写入该模型的AI引擎，无需修改。
“推理代码”：系统自动放置推理代码到OBS输出路径，无需修改。
“部署类型”：默认选择“在线部署”。
图5-12 从训练中选择
3. 参数填写完成后，单击“立即创建”。页面自动跳转至AI应用列表页面，等待创 建结果，预计2分钟左右。
当AI应用的状态变为“正常”时，表示创建成功。
图5-13 模型导入成功
快速入门 5 AI 初学者：使用订阅算法构建模型实现花卉识别
1. 在AI应用列表中，单击名称前面的 ，在版本的操作列中单击“部署 > 在线服 务”。
图5-14 部署模型
2. 在部署页面，参考如下说明填写关键参数。
– “资源池”：选择“公共资源池”。
– “选择AI应用及版本”：AI应用来源及版本会自动选择前面创建的AI应用。
– “计算节点规格”：在下拉框中选择限时免费的CPU资源，若限时免费资源 售罄，建议选择收费CPU资源进行部署。
– “计算节点个数”，默认设置为“1”，目前仅支持单机部署，只能设置为
“1”，不可修改。
– 其他参数可使用默认值。
说明
选择CPU资源部署模型会收取少量费用，具体费用以界面信息为准。
如果需要使用GPU资源部署上线，需要进入模型所在位置，即步骤3：使用订阅算法创建训 练作业步骤生成的“训练输出”路径，进入“model”目录，打开并编辑“config.json”
文件，将“runtime”的配置修改为ModelArts支持的GPU规格，例如"runtime": "tf1.13-python3.6-gpu"。修改完成后，重新执行导入模型和部署为在线服务的操作。
图5-15 部署模型
5. 在线服务部署完成后，您可以单击操作列的预测，进入服务详情页的“预测”页 面。
6. 在“预测”页签，单击“上传”，上传一个测试图片，进行预测。此处提供一个 预测样例图供使用。
图5-17 预测样例图
图5-18 预测结果