12、深度学习模型训练：指标、算法支持、开源方案与云服务选择

深度学习模型训练：指标、算法支持、开源方案与云服务选择

模型训练指标

模型训练涉及两类重要指标，分别用于衡量训练执行情况和模型性能。

模型训练执行指标包括资源饱和率、训练作业执行可用性、平均训练作业执行时间和作业失败率。检查这些指标能确保训练服务正常运行，保障用户日常活动的健康开展。

模型性能指标用于衡量模型学习的质量，涵盖每个训练迭代（epoch）的损失值和评估分数，以及最终的模型评估结果，如准确率、精确率和 F1 分数等。对于与模型性能相关的指标，需要以更有条理的方式存储，以便使用统一方法搜索信息并轻松比较不同训练运行的性能。

支持新算法或新版本

在当前的示例训练服务中，采用了一种简单的方式来映射用户训练请求和训练代码，即使用请求中的“algorithm”变量来查找训练镜像。例如，在意图分类训练中，需先将意图训练的 Python 代码容器化并命名为“intent - classification”，当用户发送带有“algorithm = ‘intent - classification’”参数的训练请求时，Docker 作业跟踪器会使用该算法名称在本地 Docker 仓库中查找并运行相应的训练镜像。

不过，这种方法过于简化。在实际应用中，训练服务应提供一组 API，让数据科学家能够自助注册训练代码。一种可行的方法是在数据库中定义算法名称和训练代码的映射，并添加 API 来管理该映射，例如：
- createAlgorithmMapping(string algorithmName, string image, string version)
- up