前言

最近有个新功能，需要完成手抄数据的录入功能，现写功能肯定来不及。

想起来之前写我与ModelArts的故事时，体验过的ModelArts的功能里，除了数据标注，还有手写数字识别，正好做下调研，看能不能借助ModelArts，快速实现业务需求。

又见ModelArts

ModelArts，是华为云提供的一个面向AI开发者的一站式开发平台.

ModelArts提供海量数据预处理及半自动化标注、大规模分布式训练、自动化模型生成，以及端-边-云模型按需部署能力，帮助用户快速创建和部署模型管理全周期AI工作流。

ModelArts具有数据准备效率高、模型训练耗时少、一键部署云/边/端、自动学习等优点，支持应用到图像分类、物体检测、视频分析、语音识别、产品推荐、异常检测等多种AI应用场景。

手写数字识别体验

什么是手写数字识别

手写数字识别，即手写数字图像识别，是华为云AI开发平台ModelArts提供的基于自定义算法构建模型。用户可以在ModelArts平台上训练作业、部署推理模型并预测。

ModelArts产品文档中提供了详细的流程手册，为用户提供如何将本地的自定义算法通过简单的代码适配，实现在ModelArts上进行模型训练与部署的全流程指导。

接下来，让我们一起开启这个有趣的实验。

前置工作

开始前，我们还需要做一些简单的前置工作：

• 已注册华为帐号并开通华为云；
• 使用华为云帐号登录ModelArts管理控制台，检查ModelArts帐号状态，帐号不能处于欠费或冻结状态。

操作流程

步骤1：准备训练数据

第一步需要下载MNIST数据集，数据集是本次体验必须的基础数据。

数据集的来子MNIST官网，从官网讲数据集下载至本地。

官网有四个文件分别是训练集的压缩包文件、训练集标签的压缩包文件、验证集的压缩包文件、验证集标签的压缩包文件。验证集标签。

这四个文件均需要下载：

步骤2：准备训练文件和推理文件

本地新增三个文件train.py、customize_service.py和config.json，它们分别是该实验需使用的训练脚本、推理脚本和推理配置文件。每个文件的具体内容见文档。

步骤3：创建OBS桶并上传文件

1、登录OBS管理控制台，创建OBS桶。

区域：华北-北京四

桶名称：obs-modelarts-test（注意如果重复可加后缀）

其他保持默认，点击"立即创建"。

2、在新增的BOS桶中新增文件。

• 新增文件pytorch。
• 在pytorch文件下新增三个文件：mnist-data、mnist-code、mnist-output。
• 在mnist-data下上传之前下载的好的训练数据集。

• 在mnist-code下上传之前的本地文件train.py，并新增文件：infer。

• 在infer中上传之前的本地文件customize_service.py和config.json。

步骤4：创建训练作业

1、登录ModelArts管理控制台，选择和OBS桶相同的区域。

2、在左侧导航栏的“训练管理”-> “训练作业”中，单击“创建训练作业”。

• 填写创建训练作业相关信息，其他项保持默认（如下截图）。

• 单击“提交”，确认训练作业的参数信息，确认无误后单击“确定”。

2、检查训练结果

• 页面自动返回“训练作业”列表页，当训练作业状态变为“已完成”时，即完成了模型训练过程。

• 单击训练作业名称，进入作业详情界面。

查看训练作业日志信息。

注：观察日志是否有明显的Error信息，如果有则表示训练失败，请根据日志提示定位原因并解决。

• 在训练详情页左下方单击训练输出路径，跳转到OBS目录。

• 在OBS目录页，查看是否存在model文件夹，且model文件夹中是否有生成训练模型。

注：如果未生成model文件夹或者训练模型，可能是训练输入数据不完整导致，请检查训练数据上传是否完整，并重新训练。

步骤5：推理部署

1、创建AI应用

• 在ModelArts管理控制台，击左侧导航栏中的“AI应用管理>AI应用”，进入“我的AI应用”页面，单击“创建”。

• 在“创建AI应用”页面，填写相关参数（如下截图），然后单击“立即创建”。

• 在AI应用列表页面，查看AI应用状态，当状态变为“正常”时，表示AI应用创建成功。

• 单击AI应用名称左侧的小三角，打开此AI应用下的所有版本。在对应版本所在行，单击操作列“部署>在线服务”，将AI应用部署为在线服务。

• 在“部署”页面，参考下图填写参数，然后根据界面提示完成在线服务创建。本案例适用于CPU规格，节点规格需选择CPU。

• 完成服务部署后，返回在"线服务页面列表"页，等待服务部署完成，当服务状态显示为“运行中”，表示服务已部署成功。

步骤6：预测结果

1、在"线服务页面列表"页，单击"预测"，进入预测页。

2、请求类型选择“multipart/form-data”，请求参数填写“image”，单击“上传”按钮上传示例图片，然后单击“预测”。

示例图片：

预测结果：

步骤7：清除资源

如果不再需要使用此模型及在线服务，建议清除相关资源，避免产生不必要的费用。

需要清除的资源包括在线服务、AI应用、训练作业、OBS 桶及文件夹：

• 在“在线服务”页面，“停止”或“删除”刚创建的在线服务。
• 在“AI应用管理”页面，“删除”刚创建的AI应用。
• 在“训练作业”页面，“删除”运行结束的训练作业。
• 进入OBS，删除本示例使用的OBS 桶及文件夹，以及文件夹的文件。

总结

这次的手写数字识别实验就完成了。

先来说体验感受：

• 整体感觉是流程顺畅，步骤清晰简便，基本上没有遇到阻塞的地方。
• 产品文档讲解的十分详细，需要特别注意的地方给了文字提示，所以实验基本没耗费太长时间。
• 无论是模型训练，还是手写数字识别，都十分快速。

体验中，唯一的不方便的地方，就是这个实验要求预测的图片尽量与训练集中的图片相似，有些局限性。对相似的界定在哪呢？手写数字的纸张样式还是水性笔的型号？

比如我写了一组数据，有些可以识别正确，有些却识别错了，且最常被错误识别成数字“2”。

这里希望对于有固定要求的方面，能够要求更明确一些，比如明确一下手写数字的大小、字体的粗细。

而，文档中还有一个很友好的提示：

我准备找些精读高的训练数据集，继续进行实验。