昨天一个参加华为ICT大赛云赛道的学生跑来找我，特别焦虑地说：老师，ModelArts这部分我一看到“模型训练”“部署”这几个字就发怵，Python我会一点但根本不会写神经网络，到底要不要放弃？我说你千万不要急着放弃，ModelArts作为华为云的一站式AI开发平台，它在云赛道里的考察方式非常固定——考的不是你能不能从零手搓一个模型，而是你能不能通过平台上的数据准备、模型训练、模型部署这条链路，把一个AI服务完整跑起来。零基础完全不慌，只要把关键操作流程练熟，这块反而是最容易拿分的项目。这篇文章我就把ModelArts模型训练与部署的考点逻辑拆开讲，把每个步骤的操作顺序、参数含义和常见翻车现场都列出来，方便你考前直接照着练。

1. ModelArts在云赛道里的真实考法：先建立整体认知

1.1 它到底是一个什么平台

ModelArts的定位是一站式AI开发平台，它把所有AI开发环节都搬到了云端。很多人第一次打开控制台，看到左边一长串菜单直接懵了——数据管理、开发环境、训练管理、部署管理、模型管理、AI Gallery，感觉像进了一个大型软件工厂，不知道从哪里下手。

其实理解ModelArts不需要那么复杂，你把它当成一条“AI生产流水线”就行：原材料是数据，中间的工具是训练算力，产成品是部署好的模型服务。数据管理负责数据集创建、标注和版本管理；开发环境提供Notebook在线代码运行；训练管理管的是训练作业和自动学习；部署管理把训练好的模型变成可调用的在线服务。对云赛道考生来说，核心任务就是熟悉这条流水线上每个工位的按钮和参数，而不是去造一台机器。

很多理论题也喜欢从这个角度出：问ModelArts包含哪些功能模块、支持哪些主流框架。这里需要记一下：ModelArts对TensorFlow、PyTorch、MindSpore这些主流深度学习框架都支持，其中MindSpore是华为自研的AI框架，这个点在备考材料里经常被提到，理论题偶尔会考。

1.2 云赛道里的ModelArts考点结构

云赛道的考试一般分理论题和实操题两类。理论题会考平台的使用范围、功能特性、框架支持情况；实操题更多以沙箱实验的方式出现，给你一个业务场景，让你在规定时间内完成数据准备、训练和部署，最终通过在线服务返回一个正确预测结果。

ModelArts在实操题里的高频考点，我根据带过的学生反馈和自己的练习经验，大概可以分成四大模块，直接给一张自查表：

这里要注意一个关键点：这道题的每个模块不是独立的，而是串成一条链的。OBS数据准备做得不好，后面的训练作业就拿不到数据；模型格式不对，部署在线服务就会失败；服务部署完不去做预测验证，这道操作题只能算半完成。所以零基础备考不要东一榔头西一棒子，一定要按链路整体练。

2. 开跑前的地基：先把OBS桶与数据集准备到位

2.1 OBS桶是什么，为什么训练和部署都离不开它

OBS（Object Storage Service）对象存储服务，你可以直接把它理解成一个放在华为云上的网盘。ModelArts训练数据、训练产物、模型文件，统统都放在OBS里。考试里一半以上的路径报错，根源都在于OBS路径写错或者桶的权限不对。

创建OBS桶的时候有几点必须注意。第一，区域要选考试要求的区域，一般练习就用华北-北京四（cn-north-4），ModelArts和OBS必须在同一区域才能无缝衔接，跨区域的话控制台里经常互相看不到资源。第二，桶名称是全局唯一的，别想着随便起个常见名字，系统会提示已被占用。第三，存储类别选“标准”就行，比赛中访问频繁，标准存储最合适。第四，桶权限一般保持“私有”，ModelArts通过专门的授权机制去访问，没必要设成公共读。

创建完桶之后，我建议你直接按下面的结构把文件夹建好，养成习惯：

obs://ai-course/ ├── data/ # 训练数据 │ ├── cat/ │ └── dog/ ├── output/ # 训练输出产物 └── model/ # 模型文件

如果你的训练任务是图像分类，每类图片单独放一个文件夹是最稳的，后面导入数据集的时候不容易把类别搞混。上传图片时可以直接在OBS控制台操作，小文件用拖拽上传，数量多了也可以用命令行工具，但考场里控制台拖拽其实最快。

2.2 创建数据集与标注，资料不齐就别急着点训练

数据上传到OBS只是第一步，ModelArts里要真正开始训练，还得通过“数据管理”创建数据集。在ModelArts控制台左侧找到“数据管理”，进入“数据集”，点击“创建数据集”。这里有三个字段一定要留意。

数据类型：图像、表格、文本、音频、视频。考试最常见的是图像，如果题目没特殊说明，基本不会让你去处理视频。

标注类型：图像分类、物体检测、语义分割等。图像分类是给整张图片打标签，物体检测是画框再打标签。这两个千万别选错，选错了后面的标注工具界面完全是两个样子，训练任务也不一样。

数据存储位置：选择你在OBS里准备好的数据路径。这里强烈建议在控制台里复制完整的obs://桶名/路径，不要手动敲。手动敲很容易多一个斜杠或者少一个字符，而这种路径问题在训练作业里报错时会让你排查半天。

创建完数据集之后，很多人会直接忘记“导入数据”这一步，导致后面训练作业拿到0条样本。正确顺序是：创建数据集 → 导入数据 → 确认导入成功 → 开始标注。导入完成后根据标注类型操作：图像分类就是选中图片加标签，物体检测就要在图片上画矩形框。练习阶段标注数量不用太多，每个类别几十张就够跑通流程。考试通常也不会让你标几千张图，重点还是验证流程是否熟练。

提示：比赛题目如果只要求“图片分类”，尽量选“图像分类”数据集，不要选“物体检测”，否则后面训练和部署都会多出不必要的步骤，答辩时也容易被追问。

3. 零代码训练入口：自动学习是零基础考生的保底分

3.1 自动学习到底帮你做了什么

自动学习是ModelArts为无代码基础用户设计的训练方式。你只需要提供带标注的数据集，平台会自动完成特征工程、模型选择、超参调优和训练评估。底层原理涉及AutoML（自动机器学习）和超参数自动搜索技术，所以你不需要手动去调学习率、训练轮数这些参数，点几下鼠标训练就开始了。

为什么说它是零基础考生的保底分？因为自动学习的操作步骤少、流程固定、训练和部署被整合在一起，不容易出错。你只要按顺序操作，基本能稳稳跑通一个完整的AI服务。考场上时间有限，自动学习路径的“确定性”就是它最大的价值。

3.2 四个任务类型怎么选

自动学习常见的支持类型有图像分类、物体检测、预测分析、文本分类。

图像分类：输入图片，输出类别概率。比如给一张猫的照片，返回 cat 0.98。这个类型数据最好构造，结果也直观。

物体检测：输入图片，输出一组检测框和标签。比如在街景图里框出所有行人，它比图像分类多了一个定位过程。

预测分析：输入是结构化表格数据，输出是回归或分类结果，比如根据房租、面积等字段预测房价区间。

文本分类：输入短文本，输出类别，比如对评论做情感分类。

在云赛道实操题里，图像分类出现频率最高，因为它演示效果好，整个流程和部署以后的预测效果都容易展示。

3.3 从数据集到训练服务的八步操作

我把自动学习图像分类的完整链路写一遍，看起来步骤多，实际上操作起来很快，关键是每一步都要做对。

1. 在ModelArts控制台左侧菜单找到“自动学习”，点击进入。
2. 点击“创建项目”，项目类型选择“图像分类”。
3. 关联数据集：可以选已有数据集，也可以现场新建。如果前面已经准备好了带标注的图像分类数据集，直接关联。
4. 确认训练数据：检查样本数、标签类别数是否和预期一致，这里能发现问题就赶紧返回上一步修复。
5. 启动训练：点击“开始训练”，平台会自动进入训练任务列表。
6. 训练过程中查看实时日志，重点确认没有报错。右侧日志里有epoch、loss这些指标，看不懂也没关系，确认它一直在正常刷新就行。
7. 训练完成后查看评估结果，关注准确率、召回率等指标以及样例预测图。
8. 把训练产物部署到在线服务，或者先保存模型，等会儿统一部署。

自动学习我建议你练两遍。第一遍什么都不改，先走原流程，把整体手感建立起来；第二遍故意在某一步换一个错误的参数，比如数据集类型选成物体检测，观察报错长什么样。考场上很多问题并不是你不会操作，而是因为从来没看过报错场景，一旦出现就慌了神。提前看过一次，心态就完全不同。

4. 进阶考点：Notebook、预置算法与训练作业的参数逻辑

4.1 Notebook的定位：线上写代码的课堂环境

如果你对Python有一定基础，Notebook是理解训练逻辑的最好入口。ModelArts的Notebook本质是云端Jupyter环境，你可以在浏览器里写代码、跑训练、看输出，不需要本地配任何环境。

创建Notebook时记住几个关键配置。名称随意，镜像选择很关键，根据自己的框架需求选PyTorch还是TensorFlow，如果题目用了MindSpore就读MindSpore镜像。资源规格方面，练习阶段选CPU小规格省钱省资源，真实比赛里如果算力紧张，也可以先用小规格把代码跑通再换大的。存储配置会挂载一块EVS磁盘，用来保存Notebook里的代码和临时文件。

创建完成后点击“打开”，进入JupyterLab界面。我建议新手先跑一段最简单的PyTorch线性模型代码，建立对训练循环的感觉：

import torch import torch.nn as nn model = nn.Linear(10, 1) loss_fn = nn.MSELoss() optimizer = torch.optim.SGD(model.parameters(), lr=0.01) for epoch in range(100): x = torch.randn(32, 10) y_true = x.sum(dim=1, keepdim=True) y_pred = model(x) loss = loss_fn(y_pred, y_true) optimizer.zero_grad() loss.backward() optimizer.step() if epoch % 20 == 0: print(f"epoch: {epoch}, loss: {loss.item():.6f}")

这段代码很短，但它把训练的三件核心事都串起来了：定义模型、定义损失函数和优化器、循环迭代更新参数。考试不要求你在沙箱环境里现场写一个完整深度学习模型，但答辩或者理论题问到“训练循环里的loss是什么意思”时，你要能说出来：loss是预测值和真实值之间的差距，训练的目标就是不断降低这个差距。

4.2 预置算法：用现成的网络架构完成训练作业

不想手写代码的情况下，训练作业还有一条近路——使用预置算法。ModelArts内置了多个常用算法，图像分类场景里最常见的是ResNet系列，比如ResNet-50预训练模型。所谓“预训练模型”，就是模型参数已经在大规模数据集上训练过，你只需要在业务数据上做微调，就能快速拿到不错的效果，这也是比赛里为什么推荐用预置算法的原因，省时省力。

创建训练作业的路径在左侧菜单“训练管理”里。点击“创建训练作业”后，算法来源选择预置算法或订阅算法，然后从列表里选一个和任务匹配的模型。数据来源选择存储训练数据的OBS路径，训练输出路径也填一个OBS目录，用来存放模型产物。超参数一般会给出默认值，比赛题目如果要你填，就按题目给的值填，没给就用默认值。训练规格选GPU加速型，比CPU快非常多，比赛是限时任务，算力就是分数。最后提交，然后去日志页面盯训练进度。

4.3 训练参数里隐藏的高频考点

训练作业里最常见的几个参数，考试问你含义的时候别答不上来。这里展开说一下：

learning_rate（学习率）：每一轮参数更新的步长。学习率太大，loss会乱跳甚至变成NaN；学习率太小，训练进度极慢，跑完几十轮还收敛不了。

batch_size（批次大小）：每次迭代喂给模型的数据量。显存不够时把它调小，从32改到16，模型一样能训，只是迭代次数会变多。

epoch（训练轮数）：整个训练集被完整学习的次数。轮数太少训练不充分，轮数太多有过拟合风险。

train_url（训练数据路径）：指向OBS里存放数据的路径，填错了训练作业直接起不来。

output_path（训练输出路径）：训练好的模型存放位置，后续部署模型时要从这里拿产物。

在自动学习里这些参数由平台自动决定，但在训练作业里都得自己填。所以备考时不能只点自动学习，训练作业这一关必须过，否则考试遇到手填参数的题型就完全没概念。

4.4 模型训练报nan：出现频率最高的翻车现场

很多人看到训练日志里出现loss: nan，第一反应是“模型崩了”，然后就停在原地不知道干什么。其实“训练报nan”在比赛场景里多半是几个固定原因。

学习率设置过大是第一嫌疑。梯度更新一步迈太大，数值直接溢出变成nan，解决办法就是把学习率从0.01降到0.001，重跑一轮看是否恢复。

数据集里有缺失值或异常值是第二个可能。比如某些图片文件本身就是空的，或者标注标签有错，训练时模型读到异常数据就输出nan。这种情况要回到数据集里检查文件和标注。

损失函数和任务不匹配也存在。比如分类任务用了回归损失函数，或者标签范围超出预期，都会导致数值异常。

排查顺序建议是：看日志里从第几个epoch开始出现nan，如果一开始就nan大概率是学习率问题；如果跑到某个中间轮次才出现，那就要怀疑数据。考场上最快的自救路径就是降低学习率重训一轮，这一步能解决大部分问题。

5. 部署环节的高频动作：把模型变成可调用的在线服务

5.1 三种部署方式怎么选

训练只是比赛前半段，真正让模型“落地”的是部署。ModelArts部署管理里有在线服务、批量服务和边缘服务三种常见方式。

在线服务：模型部署成一个常驻的Web API，能实时接收请求并返回预测结果，考试里最常考的就是它。题目出现“部署上线”“实时预测”“在线推理”这些描述，都指向在线服务。

批量服务：通过调用API触发，处理完一批数据后任务结束，适合离线批量推理。比赛里出现“批量推理”“离线分析”才用它。

边缘服务：部署到边缘设备，靠近数据源推理，需要配套边缘节点和硬件，比赛一般不会挑战这个。

所以大多数情况下，你只需要盯着“在线服务”这一条路径练熟就行。

5.2 在线服务的部署配置清单

从模型到在线服务的完整流程大概是这样的：

1. 进入“模型管理”页面，点击“创建模型”。
2. 模型来源：如果模型是自动学习生成的，系统会自动带过来；如果是训练作业产出，就选择“从训练作业导入”；如果手里有自定义模型文件，就选择“从OBS导入”。
3. 填写模型元数据，包括模型名称、版本号、模型框架类型和版本。这里框架版本必须匹配，否则部署时容器起不来，会白等好几分钟还报错。
4. 配置推理代码：平台默认会自动生成一套推理接口，路径一般是 /predict。自定义模型则需要额外准备推理脚本和依赖列表。
5. 点击“部署”并选择“在线服务”，资源规格按需求选，实例数填1，环境变量按需配置（比如MODEL_NAME、MODEL_VERSION）。
6. 点击部署，等待服务状态从“创建中”变成“运行中”。

这里我要特别提醒一句：状态变成“运行中”不代表大功告成，你必须点开“预测”功能，实际测试一次，看到返回的JSON结果，才算整个链路真正跑通。比赛里出现过很多次服务状态正常但预测接口报错的情况，这种半成品状态照样扣分。

5.3 用API调用在线服务的标准姿势

部分比赛题会要求用API方式调用在线服务，逻辑不复杂，但格式必须正确。

第一步，在服务详情页拿到服务的Endpoint地址。第二步，获取认证Token，一般通过华为云“我的凭证”或统一身份认证服务拿到。第三步，构造请求，Content-Type设为application/json，图片数据通常转成base64字符串放在JSON里。第四步，看返回结果，确认预测类别和置信度。

下面是示意性的Python调用代码：

import requests endpoint = "https://xxx.myhuaweicloud.com/v1/infers" # 以实际服务地址为准 token = "your_token" payload = { "image_base64": "data:image/jpeg;base64,..." } headers = { "Content-Type": "application/json", "X-Auth-Token": token } resp = requests.post(endpoint, json=payload, headers=headers) print(resp.json())

这段代码你不需要背下来，但要能看懂结构：headers里带着认证信息，body里是预测数据，打印输出就是推理结果。有时候题目给的不是image_base64字段，而是“data”或“text”字段，要学会读题，按题目要求的JSON结构去发送。

部署环节常见的丢分点有两个：一个是没有检查模型框架版本就部署，导致推理服务反复启动失败；另一个是预测请求体格式和服务端推理代码期望的格式不一致，后端报400错误。这两个问题，考前只要手动完整部署一次并跑通预测，基本都能提前踩掉。

6. 考场避坑清单与备考节奏建议

6.1 常见报错现象与解决对照表

我把平时实操里遇到的高频问题和处理方法整理成一张表，考前过一遍能省不少时间：

这些报错不是比赛特供，实际项目里也会遇到。关键是你在练习时不要怕报错，每一次报错都是给你考试时的避坑手册增加一条记录。

6.2 考前两周怎么练才高效

云赛道ModelArts这部分，我给零基础学生的建议是三轮练习法。

第一轮，照着流程完整走一遍自动学习。从创建OBS桶开始，到上传数据、创建数据集、标注、自动学习、部署在线服务，最后成功预测一次。全程不跳过任何步骤，给自己建立完整的链路信心。

第二轮，做训练作业加在线服务。这次不用自动学习，改用预置算法。操作点从纯鼠标变成参数填写，你需要自己去选算法、填learning_rate和batch_size、看日志、创建模型、部署服务。这轮是理解和记忆训练作业操作细节的关键。

第三轮，找一套模拟题或者往年真题，严格按考试限时做一遍。过程中故意不翻笔记，强迫自己回忆下一步该点什么。凡是卡住的地方，记录下来，这就是你的个人避坑手册。这轮练的是考场心态和操作速度。

练习时尽量用ModelArts的免费资源额度，比赛通常也会提供考试环境，但平时自己练能省成本就省。免费算力跑这种小数据集够用了，别拿大模型去试，会等到崩溃。

6.3 最容易丢分的三个细节

细节一，区域选择。考试要求哪个区域，控制台左上角就切成哪个区域，否则你在账面上创建的资源，考试环境里根本看不到。这个错误几乎每个新手都犯过。

细节二，日志位置。操作时不要只盯着页面上半部分的按钮，要多看右侧或下方的日志输出区域。报错信息永远是从日志里找的，养成看日志的习惯能省掉大量盲目重试。

细节三，服务状态确认。部署服务后一定要刷新页面，等状态变为“运行中”，然后做一次预测。预测返回成功，这道操作题才算真正完成闭环。只部署不预测，等于写了一半的答案，太亏了。

我个人带学生备考的经验是，ModelArts这部分拿分的关键不在算法理论，而在熟练度。很多零基础学生一开始觉得“训练”“部署”这些词高不可攀，但真在平台上完整操作三轮之后，反而觉得比自己电脑上装深度学习环境还简单。最后再分享一个小习惯：每次开始实验前，先看一眼页面右上角的区域，再把OBS路径复制到剪贴板备用。这个两秒钟的动作，能帮你干掉一半的路径报错。云赛道备考到最后拼的往往不是智商，而是谁的操作更少失误。