快速创建任务式训练
本文以创建一个使用 Horovod 分布式模式的任务式训练为例，体验快速创建任务式训练过程：
收藏资源仓库中的数据集、算法和镜像；
创建任务式训练；
查看任务式训练的配置信息、监控、日志等；
查看训练后保存模型数据。
资源准备
单击右上角菜单栏选择“资源仓库”，进入“资源仓库”页面，资源仓库操作指南可参见 资源仓库简介。
数据集准备
单击上方的“数据集”，搜索“mnist”数据集；
单击“mnist”数据集，单击详情页右上方的“收藏至算力平台”，选择“v1”版本，单击“收藏”。
算法准备
单击上方的“算法”，搜索“pytorch-mnist-horovod”算法；
单击“pytorch-mnist-horovod”算法，单击详情页右上方的“收藏至算力平台”，选择“v1”版本，单击“收藏”。
镜像准备
单击上方的“镜像 Hub”，搜索“horovod-dev-py3-cuda11.2-cudnn8.1.0”；
单击“horovod-dev-py3-cuda11.2-cudnn8.1.0”，单击详情页右上方的“收藏至算力平台”，选择“20210623”版本，单击“收藏”。
模型准备
进入“算力平台”页面；
单击左侧功能栏选择“模型管理”->“模型卷”；
单击右上角“添加我的模型”，模型名称填写“for-example”，该模型卷用于保存训练完成的模型；
“模型类型”和“应用场景”根据实际训练完成的模型进行选择，以“mnist”为例，“模型类型”选择“图像”，“应用场景”选择“图像分类单标签”；
依次填写“大小”，“他人访问权限”后，单击“添加”。
图 42 创建模型卷
更多模型卷操作参见 模型卷 。
创建任务式训练
左侧功能栏选择“训练管理->任务式训练”；
单击右上角“创建任务式训练”；
按照页面提示配置参数：
名称填写“example3”；
他人访问权限：可读写，他人访问权限具体可参见 他人访问权限 ；
任务类型：常规任务；
优先级：正常，优先级说明可参见 优先级说明 ；
数据集选择“数据集收藏”的“mnist”；
算法选择“算法收藏”的“pytorch-mnist-horovod”；
保存模型地址选择“我的模型”的“for-example”，不要勾选“只读”；
分布式模式选择“Horovod”；
资源类型：公共资源池；
单节点规格选择含有GPU类型的规格；若无算力规格，可联系平台管理员创建；
图 43 创建任务式训练
镜像选择“镜像收藏”，下拉选择“horovod-dev-py3-cuda11.2-cudnn8.1.0”，版本为“20210623”；
节点数填写 2；
运行指令选择“专家模式”，输入指令如下：
python3 /workspace/algorithm/favorite/pytorch-mnist-horovod/v1/pytorch_mnist.py \ --dataset_dir=/workspace/dataset/favorite/mnist/v1 \ --logs_dir=/workspace/outputs/horovod-mnist
使用时长选择 24 小时；当任务的运行时长超过“使用时长”后，任务状态会转为“过期”，因此使用时长可设置为任务训练需要的时长，时长规格选项由平台管理员配置。
图 44 创建任务式训练
单击“创建”，等待任务式训练状态变成“运行中”。
查看任务式训练详情
左侧功能栏选择“训练管理->任务式训练”；
单击左上角搜索框；
在下拉列表中，可基于“名称”、“状态”、“创建人”、“我的算法卷”、“算法收藏”、“算力规格”和“保存模型地址”搜索任务式训练；
基于“名称”搜索“example3”，单击该任务式训练名称进入详情页面；
单击任务式训练，进入详情页面：
查看模型
左侧功能栏选择“模型管理”->“模型卷”；
单击左上角搜索框；
在下拉列表中，可基于“名称”、“状态”、“标签”和“创建人”搜索我的模型；
基于“名称”搜索“for-example”，单击该模型卷名称进入详情页面；
查看训练后保存模型数据：
图 48 查看模型