企业官网建设流程全解析

做华为云认证辅导和竞赛带队这几年，ModelArts 是被问得最多的模块，没有之一。华为 ICT 大赛云赛道、HCIA-AI 认证、企业上云后的 AI 场景迁移，只要是围绕华为云的人工智能方向，基本都绕不开这套“模型训练与部署”的流程。但零基础同学第一次打开 ModelArts 控制台，往往直接懵掉——数据集、OBS、训练作业、模型管理、在线服务，一长串菜单摆在面前，不知道先点哪个，也不知道它们之间是什么关系。

这篇文章就是干这个事的：我把 ModelArts 从“数据准备 → 模型训练 → 模型部署”这条主线拆开讲，每一个环节讲清楚为什么这么做、实际操作怎么点、考试和竞赛最喜欢在哪几个点上挖坑。适合两类人看：一是备战华为云相关认证和 ICT 大赛云赛道的学生，时间紧、基础弱，但需要快速把全流程跑通；二是一贯在自己电脑上用 GPU 跑模型、玩过本地部署工具的开发者，想切换上云训练部署的思路。读完不说能成为调参大师，但至少考场里遇到“训练一个模型并部署成在线服务”这种题，心里有完整的应答地图。

1. 先搞清楚ModelArts到底在考什么

1.1 ModelArts是什么，一句话说透

用一句话讲，ModelArts 是华为云的一站式 AI 开发平台。所谓“一站式”，意思是你不必再自己拼装一台 GPU 服务器、装驱动、配 Python 环境、管存储、自己写服务，而是把“数据标注、数据管理、算法选择、模型训练、模型部署、版本管理”这些环节全部搬到网页控制台上，按需付费使用。

平台内部虽然模块很多，但核心入口就是几个：开发环境（Notebook）、数据管理、自动学习、训练管理、模型管理、部署上线。我们平时说的“用 ModelArts 做训练”，绝大多数情况走的是“训练管理 → 创建训练作业”；说的“部署”，走的是“部署上线 → 在线服务”。考试和认证的考点也基本集中在这两个入口上。

对考生来说，最难的不是记住这句话，而是理解这句话背后的工程逻辑。本地开发时代，你的数据在硬盘上，模型在内存里，训练完成之后写个 Flask 接口就能给前端调用。云上多了一层“对象存储”和“容器化部署”，所有东西都要用路径和配置串起来。你只有把这个映射关系建立起来，后面看控制台才不会迷路。

1.2 为什么考试和竞赛都爱考它

以华为 ICT 大赛云赛道为例，实操题目经常是“使用 ModelArts 完成一个图像分类或目标检测模型的训练，并部署为在线服务”这类任务。评分点通常包含：数据集是否正确上传到指定 OBS 路径、训练作业是否成功运行、训练精度或损失是否达到题目要求、模型是否成功注册、在线服务是否能正常返回预测结果。

换句话说，考的不是你写模型算法的能力，而是你按照平台规则把事情做完整、做规范的能力。ModelArts 正好把 AI 工程化的全部关键环节都做成了有界面入口、有日志输出、有状态反馈的标准化流程，特别适合出操作题。这恰恰是零基础同学可以通过系统化复习短期提分的地方。算法理论短期内补不起来，但“数据传哪、作业怎么建、服务怎么部署”这些操作，反复练几遍就能形成肌肉记忆。

1.3 零基础首先要建立的三个概念

我给学生讲课，第一节课不讲任何按钮，先掰扯三个概念，因为后面所有操作都是它们的延伸。

第一个是 OBS，可以理解成云上的硬盘。所有数据、模型、日志最终都存在 OBS 桶里，训练作业和部署服务都从 OBS 读数据、写结果。你在控制台上填写的“数据位置”“输出位置”，本质上都是 OBS 路径。

第二个是训练作业，就是一个跑在云上的进程。你指定算法、数据、输出路径和算力规格，平台帮你在容器里把任务跑完，并保存日志和模型产物。训练作业是有生命周期的，跑完即释放，不占用额外费用。

第三个是部署服务，就是一个常驻的推理进程。训练产出的模型被打包成服务，通过 API 对外提供预测，考试里最常验证的就是这一步能不能调通。

这三个概念串起来就是一条链路：OBS → 训练作业 → 模型管理 → 在线服务。后续所有操作都是在这条链路上加细节。

2. 数据准备：这关过不了，后面全是白搭

2.1 先把OBS桶建明白

很多考生第一步就栽在 OBS 上。训练作业里填的数据路径、输出路径，全都是 OBS 路径，不是本地路径。你需要先在 OBS 控制台创建桶（Bucket），然后上传数据集。

创建桶时有几个参数要留意。区域必须和 ModelArts 服务所在区域保持一致，比如你在“华北-北京四”使用 ModelArts，桶也建议建在北京四。跨区域访问不是不行，但会带来额外网络延迟和流量费用，考试环境下没必要找这个麻烦。存储类别选标准存储就可以，不要选低频或归档，否则训练作业读取时会有额外等待。桶策略和 ACL 默认“私有读写”就行，ModelArts 在获得授权后可以通过内部凭据访问这些数据。

上传数据有两条路：网页控制台直接拖拽，适合小文件；或者用 obsutil 命令行，适合成百上千个文件。obsutil 的基本用法是这样的：

obsutil config -i=AK -k=SK -e=endpoint obsutil cp ./train_data obs://your-bucket-name/train_data -f -r

考试时数据量一般不大，网页上传完全够用。但如果你以后真做项目，学会 obsutil 和 OBS Browser+ 能省大量时间，尤其是断点续传和批量同步这种能力，网页端体验差很多。

2.2 数据集怎么准备，目录结构很关键

ModelArts 支持多种数据导入方式，最常用的是 OBS 目录导入。以图像分类为例，推荐目录结构是这样的：

dataset/ ├── train/ │ ├── class_a/xxx.jpg │ ├── class_b/xxx.jpg └── val/ ├── class_a/xxx.jpg ├── class_b/xxx.jpg

这种按类别分子目录的格式，很多预置算法可以直接读取，训练作业里把“数据来源”指到 dataset 目录，算法会自动按子目录名识别类别。这一点非常建议考试时采用，比手工写清单文件可靠得多。

如果你用的是资源中心的“数据集管理”功能，还需要注意标记类型。ModelArts 数据集管理里可以选择图像分类、物体检测、文本分类等任务类型，标注结果会生成特定格式的清单文件。物体检测通常用矩形框标注，支持导出成 Pascal VOC 或 COCO 格式，这两种格式平台都支持导入。之前有学生图省事，把标注文件和图片一股脑全丢到一个目录里，结果算法根本不认，白白浪费了一个小时。

2.3 数据校验，别让坏文件拖垮训练

数据这关最容易考到的坑是“路径错误”和“格式非法”。实操里我见过最多的报错就是训练作业启动后立刻失败，日志里写着类似 “No such file or directory” 或者 “Dataset path invalid”。排查思路很简单：先去 OBS 控制台看路径是否真实存在，再确认文件是否完整，最后看目录层级是否和算法要求一致。

另外一个常见问题是图片损坏或截断。本地下载的数据集偶尔会混入 0 字节文件或不可解码的图片，训练到一半报编码错误。建议上传前先做一次完整性检查，写个小脚本遍历目录：

from PIL import Image import os bad = [] for root, _, files in os.walk("train_data"): for f in files: if not f.lower().endswith((".jpg", ".jpeg", ".png")): continue p = os.path.join(root, f) try: img = Image.open(p) img.verify() except Exception: bad.append(p) print("损坏文件：", bad)

删掉损坏文件再上传，能避免后面浪费大量排错时间。尤其是多人协作的数据集，别人拷给你的压缩包经常解压出各种问题，先校验再传是最稳的习惯。

3. 训练作业实操：核心考点全在这里

3.1 创建训练作业之前要想清楚的四件事

第一，用什么算法。ModelArts 的算法来源有三类：预置算法、自定义算法、AutoML。考试和入门阶段，优先用预置算法。比如图像分类任务，平台提供 ResNet 系列预训练模型，直接勾选即可；目标检测场景可以选 YOLO 系算法；中文 NLP 任务可以选基于 RoBERTa 中文预训练模型的文本分类算法。预置算法的好处是输入输出格式明确、文档齐全、参数项少，不容易出错。

第二，用什么算力。ModelArts 提供 CPU、GPU（如 V100、T4 等）和华为自研昇腾（Ascend）资源。考试环境通常已经开了配额，但选型仍然要注意：Ascend 和 GPU 对应的框架版本可能不同，预置算法一般会标注推荐的资源类型。选错资源和引擎组合，轻则警告，重则直接报版本不兼容。MindSpore 框架和昇腾组合是华为云的原生搭配，考试里出现概率很高，至少要认识这个名字。

第三，数据从哪里来、输出到哪里去。训练作业里要填数据路径和输出路径。输出路径一定要指向 OBS 的某个目录，训练生成的模型文件和 checkpoint 都会存在这里。很多同学只填数据路径，忘了建输出目录，导致作业一直报错。这个细节很基础但很致命。

第四，超参数怎么传。预置算法通常暴露一批可调参数：学习率（learning_rate）、批大小（batch_size）、训练轮数（epochs）等。控制台上可以直接填键值对。初次跑通流程，建议全部用默认值，跑通后再优化，不要上来就改一堆参数。有个学生第一次就把 epoch 改成 1000，训练跑了十几个小时，纯属浪费。

3.2 控制台创建训练作业的分步操作

以最常用的方式为例，流程大致如下：

1. 进入 ModelArts 控制台 → “训练管理” → “训练作业” → “创建训练作业”。
2. 填写作业名称，建议写成 “train_task_date_version” 这种能区分实验的名字。
3. 算法来源选择“预置算法”，在列表里选对应任务类型的算法。
4. 资源池选择公共资源池或专属资源池，规格按需选择。
5. 填写数据来源，选择 OBS 路径；填写训练输出位置，同样是 OBS 路径。
6. 设置超参数，先用默认值。
7. 提交作业，等待状态变为“运行成功”。

这里我特别提醒一点：训练作业的运行状态有初始化、等待中、运行中、运行成功、运行失败。如果停留在“等待中”很久，多半是资源配额或优先级问题，不是你的配置问题。公共资源池在高峰时段排队是正常的，属于所有云平台都有的现象。考试环境一般会指定资源池，遇到排队太久时优先检查配额，不要反复删了重建。

训练开始后，可以点进作业详情看日志。日志是排错最重要的入口，平台会把容器里的标准输出实时展示出来。考试时如果作业失败，第一件事就是复制日志，根据报错关键字去定位，而不是盲目重跑。重跑一次浪费几分钟，考场里很宝贵。

3.3 训练过程看什么、怎么看

训练日志里最值得关注的是 loss 变化。以图像分类为例，预置算法每训练若干个 step 会打印一次 loss 和 accuracy。我们要做的检查是：loss 是否在稳定下降、验证集精度是否有提升趋势、有没有出现 NaN 或 Inf。

关于“模型训练报 NaN”，这个问题我碰到过非常多次。原因通常是几个：学习率过大、梯度爆炸、数据里有异常值、混合精度模式下数值溢出。处理顺序建议是：先看日志里 NaN 出现在第几个 step，如果是刚起步就出现，九成是学习率问题，把学习率调小一个数量级再试；如果训练中途出现，先排查数据，看是不是有缺失值、极大值或未归一化；如果用了混合精度，可以尝试关闭后再验证。

另一个常见情况是 loss 不降或下降极慢。这时候先确认数据划分是否合理、类别是否均衡，再考虑调整 batch size 和学习率。记住一个原则：每次只改一个变量，改完跑一小段验证，不要同时动三个参数。调参最忌讳的是“多头乱调”，最后连你自己都说不清是哪个改动起了作用。

3.4 预训练模型和checkpoint的实用技巧

预置算法里很多都用到了预训练权重。比如 ResNet 预训练模型默认会加载 ImageNet 上训练好的权重，这对小数据集特别友好，收敛快、精度高。同样，NLP 任务里的 RoBERTa 中文预训练模型也解决了标注数据不足的痛点。

如果你需要用自己的代码，也可以在训练入口里加载 OBS 上的预训练权重路径。这里有个细节：ModelArts 训练作业启动时，系统会把 OBS 里的文件同步到容器本地，预训练权重比较大时，加载时间会明显变长，日志里表现为“容器创建中”阶段拉长。这是正常现象，不是故障，耐心等待即可。

另外，训练输出目录里除了最终模型，往往还有 checkpoint。建议合理设置 checkpoint 的保存频率，既保证有断点恢复的可能，又不至于因为频繁保存拖慢训练。在大模型微调这类耗时长、算力贵的场景里，checkpoint 就是命根子，一旦断点续跑能力没了，前面所有算力都白花了。

4. 模型部署实操：从“模型文件”到“在线服务”

4.1 模型怎么“注册”到ModelArts

训练作业运行成功之后，模型产物在 OBS 输出目录里，但“训练出模型”不等于“能部署模型”。中间还差一步：模型注册。这一步在“模型管理”里完成。

进入“模型管理” → “模型” → “创建模型”，需要填写名称和版本号，选择元模型来源（“从训练作业”或“从 OBS”导入），然后配置模型包与推理代码。预置算法一般会自动生成模型配置，自定义算法需要你提供推理脚本和模型文件。

这里最关键的其实是“推理代码”。部署服务本质上是一个 HTTP 服务，你的模型要在里面被加载，并且能处理输入、返回输出。ModelArts 对推理脚本有约定，需要实现模型加载、数据预处理、预测和后处理这些逻辑。如果你完全用预置算法，平台已经帮你处理好；如果你上传的是自己训练的模型，就一定要把推理脚本和模型文件放对位置。上次一个学员把模型和脚本分开放，部署怎么都起不来，查到最后才发现是路径少了一层。

4.2 创建在线服务的配置要点

模型注册成功后，进入“部署上线” → “在线服务” → “部署”，需要配置的内容不多，但每一项都有讲究：

• 选择模型及版本，注意别选错旧版本；
• 服务名称，例如 “infer_demo_v1”，命名要可识别；
• 实例数，考试场景 1 个实例就够，多了纯属浪费；
• 资源规格，根据模型大小选 CPU 或 GPU；
• 环境变量，按需配置模型路径、超时时间等。

在线服务从创建到“运行中”通常需要几分钟，期间状态会经历“部署中”到“运行中”。如果部署失败，去服务详情看事件和日志。最常见的问题是模型启动失败、端口配置错误、推理脚本 import 报错。排查时看日志里的第一行报错栈，基本都能定位。如果你部署的是大模型，模型文件有好几个 GB 甚至更大，冷启动时间会明显变长，不要一看到“部署中”就以为卡住了，先确认镜像和模型文件大小。

4.3 调用推理接口的实测方法

部署完成后，控制台会给你一个 API 地址。这个地址就是对外预测的入口，也是考试评分的关键对象。

调用在线服务有两种方式：控制台自带的“预测”功能，适合快速测试；API 方式，适合自动化评分或真实业务。控制台预测很简单，在服务详情页找到“预测”，填入对应格式的请求体，点提交就能看到返回结果。如果报错，先检查请求体格式是否和推理脚本约定一致。

API 调用需要认证，ModelArts 在线服务的接口走华为云 IAM 认证，需要先获取 token，再在请求头里携带。大体请求格式如下：

curl -X POST \ 'https://example-modelarts-endpoint/v1/predict' \ -H 'Content-Type: application/json' \ -H 'X-Auth-Token: <IAM Token>' \ -d '{"data": {"image_base64": "..."}}'

这里要强调：能调通 API 返回预期结果，才是部署真正成功。很多同学在控制台看到“运行中”就以为结束了，结果评分接口一调就失败，吃亏就吃在没做真实调用测试。控制台预测通了之后，一定再用 API 方式完整走一遍，把返回的 JSON 结构和题目要求逐字比对。

4.4 部署形态与成本控制

在线服务、批量服务、边缘服务三个概念，考试常考。在线服务是常驻服务，适合实时推理；批量服务是一次性跑完大量数据，适合离线打分场景；边缘服务是把模型部署到边缘设备上，靠近数据源推理。

成本上，在线服务只要“运行中”就会持续计费，即使没有请求，也会按实例占用计费。我见过太多同学把测试服务一直挂着，几天后发现账单吓一跳。考试虽然一般不用担心费用，但如果是自己练习，务必记住：验证完功能就停止或删除服务。训练作业运行完会自动释放算力资源，但 OBS 上的数据和模型依然会产生少量存储费用，不需要的及时清理。有些同学到处问哪里能免费训练模型，其实与其把注意力放在“白嫖”上，不如先算清楚自己测试一次要花多少时间、多少资源，把每次实验的性价比提上来。

5. 常见问题与排查实录

5.1 训练阶段问题速查表

5.2 部署阶段问题速查表

5.3 考前一个晚上的检查清单

1. 确认数据已上传到指定 OBS 路径，且目录层级正确。
2. 确认训练作业输出路径存在且可写。
3. 训练成功后，检查输出目录是否生成了模型文件。
4. 模型注册时，确认模型版本和推理脚本完整。
5. 部署为在线服务，并等待状态变为“运行中”。
6. 用控制台预测和 API 各测一次，确认返回结构与题目要求一致。
7. 如果题目要求关闭资源，结束后删除或停止服务。

最后说几个我自己反复踩过的经验。第一，不要小看命名规范，考试环境里作业名、服务名、模型名最好按题目要求来，评分脚本有时会检查资源名称，别在这种地方丢分。第二，日志永远是第一排查入口，报错不要慌，复制关键字去比对，大部分问题都能定位。第三，跑通整个流程比追求高精度重要得多，先把“数据 → 训练 → 部署 → 调用”全链路打通，再去调精度，这个顺序在时间有限的赛场上尤其关键。很多人调了两小时精度，最后连部署都没做完，那才是真正的得不偿失。