引言：
本文介紹利用華為ModelArts進行深度學習的圖像分類任務，不用一行代碼。
今年8月9日，在華為史上規模最大的開發者大會上，華為正式釋出全球首個基于微核心的全場景分布式OS——鴻蒙作業系統(HarmonyOS)。但你知道嗎？除了鴻蒙，華為還有一款好用的不能再好用的深度學習神器，ModelArts。甚至，不用程式設計，就能完成圖像分類的任務。
比如下面用自動學習方法基于花卉資料集快速建構花卉識别應用,而且不用編寫一行代碼。
服務配置
如果是第一次使用ModelArts服務，在使用之前需要給服務添加通路密鑰，授權作業能夠通路華為雲存儲OBS，若沒有添加通路密鑰，則無法建立作業。具體操作步驟如下：
1. 生成通路密鑰：在使用者基本資訊>管理我的憑證頁面新增通路密鑰，建立後密鑰會下載下傳到本地。
2. 設定ModelArts全局配置：在ModelArts服務頁面，添加通路密鑰，以授權通路OBS，使用ModelArts各項功能。
1. 生成通路密鑰
登陸華為雲控制台通路賬号中心，使用者新增通路密鑰并下載下傳到本地儲存，操作步驟如下：
步驟 1 通過華為雲賬号通路華為雲控制台，點選控制台右上角使用者賬号資訊，跳轉到"使用者中心"。請參考圖1。
圖1 "使用者中心"頁面
步驟 2 在"使用者中心>基本資訊"頁面點選"管理我的憑證"，跳轉到"我的憑證"頁面。請參考圖2。
圖2 "我的憑證"頁面
步驟 3 在"我的憑證"頁面切換到"管理通路密鑰"頁簽，執行"建立通路密鑰"操作，輸入登陸密碼和短信驗證碼後，密鑰會自動生成并下載下傳到本地，檔案名為"credentials.csv"。請參考圖3。
圖3 新增通路密鑰
2. 設定ModelArts全局配置
登陸ModelArts服務控制台，在"全局配置"中設定全局通路密鑰，具體操作步驟如下：
步驟 1 登陸ModelArts服務頁面，通過左側導航欄進入到"全局配置"頁面。請參考圖4。
圖4 全局配置界面
步驟 2 執行"添加通路密鑰"操作，輸入"credentials.csv"檔案中的"Access Key"和"Secret Access Key"資訊，執行确定操作，完成全局密鑰的設定。請參考圖5。
圖5 添加通路密鑰
使用自動學習建構花卉識别應用
這章介紹如何标注花卉資料、并進行模型訓練和部署，以下是操作步驟。
1. 建立圖像分類項目
步驟 1 建立一個OBS桶，本案例中将桶命名為ai-course-001，同時在建立的OBS桶下建立檔案夾/automl/flowers。建立OBS桶和檔案夾參考文檔：https://support.huaweicloud.com/qs-obs/obs_qs_0001.html 。
步驟 2 進入ModelArts管理控制台界面。單擊左側導航欄的"自動學習"，進入"自動學習"界面。請參考圖7。
圖7 自動學習界面
步驟 3 點選"圖像分類"建立項目按鈕，建立自動學習>圖像分類項目，自定義項目名稱(本例輸入exeML-flowers)，訓練資料選擇OBS路徑/ai-course-001/automl/flowers/(flowers目錄是一個空目錄即可)，點選"建立項目"完成圖像分類項目建立。請參考圖8。
圖8 建立項目
2. 下載下傳資料集
點選此處下載下傳資料集壓縮包至本地。
3. 圖檔标注
步驟 1 準備資料集。找到本地下載下傳好的資料集壓縮包，然後解壓。資料集檔案夾名稱是flowers_recognition，訓練集位于flowers_recognitionrain目錄下，共4個花卉類别，每個類别10張圖檔。測試集位于flowers_recognitionest目錄下。
該資料集包含的花朵及其類别如下圖所示：
步驟 2 頁面會自動跳轉到資料标注界面。點選下圖中的"添加圖檔"按鈕，添加本地的訓練集。
圖9 添加圖檔
步驟 3 标注圖檔，給圖檔打标簽。
進入"未标注"頁面。批量選中相同類别的圖檔，然後選擇标簽(如果标簽不存在，需要手動輸入)，最後點選"确定"按鈕。如下圖所示(如果對操作流程不熟悉，可以檢視右上角的"操作指導")：
圖10 選擇标簽
"全部标簽"中列舉了所有的标簽，以及每個标簽下的圖檔數量，見圖10 選擇标簽。
步驟 4 校驗圖檔标簽。完成所有圖檔标注後，進入"已标注"頁面。如果每個類不是10張圖檔，說明标注有誤，可以在"已标注"頁面修改标簽。如果标注正确，可以跳過此步驟。
點選圖檔右下角按鈕，可以檢視圖檔的标簽，如下圖所示：
如果發現标簽不正确，可以選中圖檔，重新選擇标簽。
4. 模型訓練
在"資料标注"界面中，首先設定訓練時長為0.1(減小訓練時長的同時，可能會降低模型精度)，然後點選"開始訓練"按鈕，即可開始訓練。如下圖所示：
5. 模型部署
在"模型訓練"頁面等待訓練完成(不超過6分鐘)，訓練完成後，可以檢視模型的精度：
點選"部署"按鈕，将模型部署為一個線上服務：
6. 服務測試
在"部署上線"頁面，等待服務部署成功。部署成功後，點選"上傳本地圖檔"按鈕，上傳一張本地的測試圖檔(從測試集中選取)。如下圖所示：
點選"預測"按鈕進行預測：
可以看到預測結果：
7. 關閉服務
在"部署上線"頁面，點選"停止"按鈕，停止線上服務：
至此，花卉識别應用實驗完成。
結束語：
謝謝大家的閱讀。作為一個具有10多年網際網路，大資料的技術開發者。近十年工作，主要在從事大資料架構工作，涉及人工智能開發。有興趣的同學可以關注v信公衆号：python_dada來關注我的知識輸出。