Platform For AI:OSS の用途

OSSデータセットをDLCにマウントする

DLCジョブの作成時にOSSデータセットをマウントします。 次の表に、サポートされるマウントタイプを示します。 詳細については、「トレーニングジョブの送信」をご参照ください。

DLCでOSSデータセットをマウントする場合、デフォルトの設定には次の制限が適用されます。 このマウント方法は、一部のシナリオには適していません。

• OSSオブジェクトをすばやく読み取るために、システムはOSSデータセットをマウントするときにメタデータをキャッシュします。 メタデータは、ディレクトリおよびオブジェクトのリストを含みます。

  複数のノードで分散ジョブを実行し、メタデータキャッシュを有効にすると、すべてのノードがマウントパスにディレクトリを作成しようとします。 ディレクトリを作成できるノードは1つだけで、他のノードは失敗します。

• デフォルトでは、システムはOSSのMultiPart API操作を使用してオブジェクトを作成します。 オブジェクトが書き込まれている場合、オブジェクトはOSSコンソールに表示されません。 OSSコンソールでオブジェクトを表示できるのは、書き込み操作が完了した後です。

• オブジェクトの読み取りと書き込みを同時に行うことはできません。

• オブジェクトに対してランダムな書き込み操作を実行することはできません。

基になる ビジネス要件に基づいてパラメーターを設定すると、次の手順を実行できます。

1. 以下の準備を完了します。

   1. ワークスペースのSDKをインストールします。

      !pip install alibabacloud-aiworkspace20210204

   2. 環境変数を設定します。 詳細については、「資格情報ツールのインストール」および「Linux、macOS、およびWindowsでの環境変数の設定」をご参照ください。

2. 次の要件を満たすように、基になるパラメーターを変更します。

   メタデータキャッシュの無効化

   複数のノードで分散ジョブを実行し、メタデータキャッシュを有効にすると、一部のノードでの書き込み操作が失敗する場合があります。 この問題を解決するには、fuseのコマンドラインパラメーターに次のオプションを追加します。-oattr_timeout=0-oentry_timeout=0-onegative_timeout=0 サンプルコード：

   import json
   from alibabacloud_tea_openapi.models import Config
   from alibabacloud_credentials.client import Client as CredClient
   from alibabacloud_aiworkspace20210204.client import Client as AIWorkspaceClient
   from alibabacloud_aiworkspace20210204.models import UpdateDatasetRequest
   
   
   def turnOffMetaCache():
       region_id = 'cn-hangzhou'
       # The AccessKey pair of an Alibaba Cloud account has permissions on all API operations. Using these credentials to perform operations is a high-risk operation. We recommend that you use a RAM user to call API operations or perform routine O&M. 
       # To ensure data security, we recommend that you do not include your AccessKey ID and AccessKey secret in your project code. 
       # In this example, the Credentials SDK reads the AccessKey pair from the environment variables to implement identity verification. You must install the Credentials tool and configure environment variables. 
       cred = CredClient()
       dataset_id = '** The ID of the dataset. **'
       workspace_client = AIWorkspaceClient(
         config=Config(
               credential=cred,
               region_id=region_id,
               endpoint="aiworkspace.{}.aliyuncs.com".format(region_id),
         )
       )
       # 1. Get the content of the dataset.
       get_dataset_resp = workspace_client.get_dataset(dataset_id)
       options = json.loads(get_dataset_resp.body.options)
   
       options['fs.jindo.args'] = '-oattr_timeout=0 -oentry_timeout=0 -onegative_timeout=0'
   
       update_request = UpdateDatasetRequest(
           options=json.dumps(options)
       )
       # 2. Update options.
       workspace_client.update_dataset(dataset_id, update_request)
       print('new options is: {}'.format(update_request.options))
   
   
   turnOffMetaCache()
   

   データのアップロードまたはダウンロードに使用するスレッド数の変更

   次のパラメーターを設定して、スレッド設定を変更できます。

   • fs.oss.upload.thread.concurrency:32

   • fs.oss.download.thread.concurrency:32

   • fs.oss.read.readahead.buffer.count:64

   • fs.oss.read.readahead.buffer.size:4194304

   サンプルコード：

   import json
   from alibabacloud_tea_openapi.models import Config
   from alibabacloud_credentials.client import Client as CredClient
   from alibabacloud_aiworkspace20210204.client import Client as AIWorkspaceClient
   from alibabacloud_aiworkspace20210204.models import UpdateDatasetRequest
   
   
   def adjustThreadNum():
       # Use the region in which the DLC job resides. For example, if the DLC job resides in the China (Hangzhou) region, set the region_id parameter to cn-hangzhou. 
       region_id = 'cn-hangzhou'
       # The AccessKey pair of an Alibaba Cloud account has permissions on all API operations. Using these credentials to perform operations is a high-risk operation. We recommend that you use a RAM user to call API operations or perform routine O&M. 
       # To ensure data security, we recommend that you do not include your AccessKey ID and AccessKey secret in your project code. 
       # In this example, the Credentials SDK reads the AccessKey pair from the environment variables to implement identity verification. You must install the Credentials tool and configure environment variables. 
       cred = CredClient()
       dataset_id = '** The ID of the dataset. **'
   
       workspace_client = AIWorkspaceClient(
           config=Config(
               credential=cred,
               region_id=region_id,
               endpoint="aiworkspace.{}.aliyuncs.com".format(region_id),
           )
       )
       # 1. Get the content of the dataset.
       get_dataset_resp = workspace_client.get_dataset(dataset_id)
       options = json.loads(get_dataset_resp.body.options)
   
       options['fs.oss.upload.thread.concurrency'] = 32
       options['fs.oss.download.thread.concurrency'] = 32
       options['fs.oss.read.readahead.buffer.count'] = 32
    
       update_request = UpdateDatasetRequest(
           options=json.dumps(options)
       )
       # 2. Update options.
       workspace_client.update_dataset(dataset_id, update_request)
       print('new options is: {}'.format(update_request.options))
    
    
   adjustThreadNum()
   

   AppendObjectを使用したOSSオブジェクトのマウント

   オンプレミス環境で作成されたオブジェクトは、AppendObject操作を使用してOSSデータセットにマウントされます。 AppendObjectオブジェクトのサイズは5 GBを超えることはできません。 AppendObjectの制限の詳細については、「AppendObject」をご参照ください。 サンプルコード：

   import json
   from alibabacloud_tea_openapi.models import Config
   from alibabacloud_credentials.client import Client as CredClient
   from alibabacloud_aiworkspace20210204.client import Client as AIWorkspaceClient
   from alibabacloud_aiworkspace20210204.models import UpdateDatasetRequest
   
   
   def useAppendObject():
       # Use the region in which the DLC job resides. For example, if the DLC job resides in the China (Hangzhou) region, set the region_id parameter to cn-hangzhou. 
       region_id = 'cn-hangzhou'
       # The AccessKey pair of an Alibaba Cloud account has permissions on all API operations. Using these credentials to perform operations is a high-risk operation. We recommend that you use a RAM user to call API operations or perform routine O&M. 
       # To ensure data security, we recommend that you do not include your AccessKey ID and AccessKey secret in your project code. 
       # In this example, the Credentials SDK reads the AccessKey pair from the environment variables to implement identity verification. You must install the Credentials tool and configure environment variables. 
       cred = CredClient()
       dataset_id = '** The ID of the dataset. **'
   
       workspace_client = AIWorkspaceClient(
           config=Config(
               credential=cred,
               region_id=region_id,
               endpoint="aiworkspace.{}.aliyuncs.com".format(region_id),
           )
       )
       # 1. Get the content of the dataset.
       get_dataset_resp = workspace_client.get_dataset(dataset_id)
       options = json.loads(get_dataset_resp.body.options)
   
       options['fs.jindo.args'] = '-oattr_timeout=0 -oentry_timeout=0 -onegative_timeout=0'
       options['fs.oss.append.enable'] = "true"
       options['fs.oss.flush.interval.millisecond'] = "1000"
       options['fs.oss.read.buffer.size'] = "262144"
       options['fs.oss.write.buffer.size'] = "262144"
   
       update_request = UpdateDatasetRequest(
           options=json.dumps(options)
       )
       # 2. Update options.
       workspace_client.update_dataset(dataset_id, update_request)
       print('new options is: {}'.format(update_request.options))
   
   
   useAppendObject()

   有効OSS-HDFS (JindoFS)

   OSS-HDFSを有効にする方法については、「OSS-HDFSとは」をご参照ください。 OSS-HDFSエンドポイントを使用してデータセットを作成するためのサンプルコード:

   import json
   from alibabacloud_tea_openapi.models import Config
   from alibabacloud_credentials.client import Client as CredClient
   from alibabacloud_aiworkspace20210204.client import Client as AIWorkspaceClient
   from alibabacloud_aiworkspace20210204.models import CreateDatasetRequest
   
   
   def createOssHdfsDataset():
       # Use the region in which the DLC job resides. For example, if the DLC job resides in the China (Hangzhou) region, set the region_id parameter to cn-hangzhou. 
       region_id = 'cn-hangzhou'
       # The AccessKey pair of an Alibaba Cloud account has permissions on all API operations. Using these credentials to perform operations is a high-risk operation. We recommend that you use a RAM user to call API operations or perform routine O&M. 
       # To ensure data security, we recommend that you do not include your AccessKey ID and AccessKey secret in your project code. 
       # In this example, the Credentials SDK reads the AccessKey pair from the environment variables to implement identity verification. You must install the Credentials tool and configure environment variables. 
       cred = CredClient()
       workspace_id = '** The ID of the workspace to which the DLC job belongs.**'
   
       oss_bucket = '** OSS-Bucket **'
       # Use the OSS-HDFS endpoint. 
       oss_endpoint = f'{region_id}.oss-dls.aliyuncs.com'
       # The OSS-HDFS path that you want to mount. 
       oss_path = '/'
       # The on-premises mount path. 
       mount_path = '/mnt/data/'
   
       workspace_client = AIWorkspaceClient(
           config=Config(
               credential=cred,
               region_id=region_id,
               endpoint="aiworkspace.{}.aliyuncs.com".format(region_id),
           )
       )
   
       response = workspace_client.create_dataset(CreateDatasetRequest(
           workspace_id=workspace_id,
           name="** The name of the dataset. **",
           data_type='COMMON',
           data_source_type='OSS',
           property='DIRECTORY',
           uri=f'oss://{oss_bucket}.{oss_endpoint}{oss_path}',
           accessibility='PRIVATE',
           source_type='USER',
           options=json.dumps({
               'mountPath': mount_path,
               # In distributed training scenarios, we recommend that you add the following parameters: 
               'fs.jindo.args': '-oattr_timeout=0 -oentry_timeout=0 -onegative_timeout=0 -ono_symlink -ono_xattr -ono_flock -odirect_io',
               'fs.oss.flush.interval.millisecond': "10000",
               'fs.oss.randomwrite.sync.interval.millisecond': "10000",
           })
       ))
       print(f'datasetId: {response.body.dataset_id}')
   
   createOssHdfsDataset()
   
   

   メモリリソースの設定

   fs.jindo.fuse.pod.mem.limitパラメーターを設定して、メモリリソースを調整します。 サンプルコード：

   import json
   from alibabacloud_tea_openapi.models import Config
   from alibabacloud_credentials.client import Client as CredClient
   from alibabacloud_aiworkspace20210204.client import Client as AIWorkspaceClient
   from alibabacloud_aiworkspace20210204.models import UpdateDatasetRequest
   
   
   def adjustResource():
       # Use the region in which the DLC job resides. For example, if the DLC job resides in the China (Hangzhou) region, set the region_id parameter to cn-hangzhou. 
       region_id = 'cn-hangzhou'
       # The AccessKey pair of an Alibaba Cloud account has permissions on all API operations. Using these credentials to perform operations is a high-risk operation. We recommend that you use a RAM user to call API operations or perform routine O&M. 
       # To ensure data security, we recommend that you do not include your AccessKey ID and AccessKey secret in your project code. 
       # In this example, the Credentials SDK reads the AccessKey pair from the environment variables to implement identity verification. You must install the Credentials tool and configure environment variables. 
       cred = CredClient()
       dataset_id = '** The ID of the dataset. **'
   
       workspace_client = AIWorkspaceClient(
           config=Config(
               credential=cred,
               region_id=region_id,
               endpoint="aiworkspace.{}.aliyuncs.com".format(region_id),
           )
       )
       # 1. Get the content of the dataset.
       get_dataset_resp = workspace_client.get_dataset(dataset_id)
       options = json.loads(get_dataset_resp.body.options)
       # The memory resources you want to configure. 
       options['fs.jindo.fuse.pod.mem.limit'] = "10Gi"
   
       update_request = UpdateDatasetRequest(
           options=json.dumps(options)
       )
       # 2. Update options.
       workspace_client.update_dataset(dataset_id, update_request)
       print('new options is: {}'.format(update_request.options))
   
   
   adjustResource()
   

DSWでのOSSデータセットのマウント

DSWインスタンスの作成時にOSSデータセットをマウントします。 次の表に、サポートされるマウントタイプを示します。 詳細については、「DSWインスタンスの作成」をご参照ください。

[JindoFuse設定の展開] をクリックすると、JindoFuseのプロパティとパラメーターを設定できます。 次に、各マウントモードのJindoFuse設定について説明します。 JindoFuseの使用方法については、「JindoFuseのユーザーガイド」をご参照ください。

• クイック読み取り /書き込み: データの読み取りと書き込みをサポートし、クイック読み取りを保証します。 ただし、同時読み取りまたは書き込み中にデータの不整合が発生する可能性があります。 トレーニングデータとモデルをこのモードのマウントパスにマウントできます。 このモードのマウントパスを作業ディレクトリとして使用しないことを推奨します。

  {
    "fs.oss.download.thread.concurrency": "Twice the number of CPU cores",
    "fs.oss.upload.thread.concurrency": "Twice the number of CPU cores",
    "fs.jindo.args": "-oattr_timeout=3 -oentry_timeout=0 -onegative_timeout=0 -oauto_cache -ono_symlink"
  }
  

• 増分読み取り /書き込み: 増分書き込み中のデータの一貫性を保証します。 元のデータを上書きすると、データの不整合が発生する可能性があります。 読み取り速度はやや遅いです。 このモードを使用して、モデル重みファイルをトレーニングデータ用に保存できます。

  {
    "fs.oss.upload.thread.concurrency": "Twice the number of CPU cores",
    "fs.jindo.args": "-oattr_timeout=3 -oentry_timeout=0 -onegative_timeout=0 -oauto_cache -ono_symlink"
  }
  

• 一貫性のある読み取り /書き込み: 同時読み取りまたは同時書き込み中のデータの一貫性を確保し、高いデータの一貫性が必要で、迅速な読み取りを必要としないシナリオに適しています。 このモードを使用して、プロジェクトのコードを保存できます。

  {
    "fs.jindo.args": "-oattr_timeout=0 -oentry_timeout=0 -onegative_timeout=0 -oauto_cache -ono_symlink"
  }
  

• 読み取り専用: 読み取りのみを許可します。 このモードを使用して、パブリックデータセットをマウントできます。

  {
    "fs.oss.download.thread.concurrency": "Twice the number of CPU cores",
    "fs.jindo.args": "-oro -oattr_timeout=7200 -oentry_timeout=7200 -onegative_timeout=7200 -okernel_cache -ono_symlink"
  }

制限事項

• 公式イメージ: DLCジョブまたはDSWインスタンスでPyTorch 2.0以降のイメージを選択した場合にのみ、OSS Connector for AI/MLを使用できます。

• カスタムイメージ: PyTorch 2.0以降のみサポートされます。 バージョン要件を満たすイメージの場合は、次のコマンドを使用してOSS Connector For AI/MLをインストールできます。

  pip install --trusted-host yum.tbsite.net --index-url http://yum.tbsite.net/pypi/simple ossconnector 

• Pythonバージョン: 3.12するPython 3.8のみがサポートされています。

準備

1. 資格情報ファイルを設定します。

   次のいずれかの方法を使用して、資格情報ファイルを設定できます。

   • DLCジョブのOSSにパスワードなしでアクセスできるように、資格情報ファイルを設定できます。 詳細については、「RAMロールとDLCジョブの関連付け」をご参照ください。 資格情報ファイルを設定すると、DLCジョブはSecurity Token Service (STS) によって提供される一時的なアクセス資格情報を取得し、認証情報を明示的に設定する必要なく、安全な方法でOSSまたは他のクラウドリソースにアクセスできます。 これにより、キー漏れのリスクが軽減されます。

   • 認証情報を管理するために、コードプロジェクトで資格情報ファイルを設定します。 次のサンプルコードに例を示します。

     説明

     AccessKeyペアをプレーンテキストで設定すると、セキュリティリスクが発生する可能性があります。 RAMロールを使用して、DLCジョブで資格情報ファイルを自動的に構成することをお勧めします。 詳細については、「RAMロールとDLCジョブの関連付け」をご参照ください。

     OSS Connector for AI/MLを使用する場合、資格情報ファイルのパスを指定して、OSSデータ要求の認証のための認証情報を自動的に取得できます。

     {
       "AccessKeyId": "<Access-key-id>",
       "AccessKeySecret": "<Access-key-secret>",
       "SecurityToken": "<Security-Token>",
       "Expiration": "2024-08-20T00:00:00Z"
     }

     次の表に、設定を示します。

     パラメーター	必須	説明	例
     AccessKeyId	必須	Alibaba CloudアカウントまたはRAMユーザーのAccessKey IDとAccessKeyシークレット。 説明 STSが提供する一時的なアクセス資格情報を使用してOSSにアクセスする場合は、一時的なアクセス資格情報のAccessKey IDとAccessKey secretにパラメーターを設定します。	NTS ****
     AccessKeySecret	必須		7NR2 ****
     SecurityToken	選択可能	一時的なアクセストークン。 STSが提供する一時的なアクセス資格情報を使用してOSSにアクセスする場合は、このパラメーターを設定する必要があります。	STS.6MC2 ****
     有効期限	選択可能	認証情報の有効期限。 このパラメーターを空のままにすると、認証情報は期限切れになりません。 認証情報の有効期限が切れると、OSS Connector for AI/MLは認証情報を再読み取ります。	2024-08-20T00:00:00Z

2. config.jsonファイルを設定します。 次のサンプルコードに例を示します。

   コードプロジェクトのconfig.jsonファイルを変更して、同時タスク数、プリフェッチパラメーター、その他の重要なパラメーターなどの情報を構成し、ログファイルのストレージパスを定義します。 OSS Connector for AI/MLを使用する場合、config.jsonファイルのパスを指定できます。 このようにして、システムは読み取り中に同時タスクの数とプリフェッチパラメータの値を自動的に取得し、指定されたログファイルへのOSSデータの要求に関連するログを生成できます。

   {
       "logLevel": 1,
       "logPath": "/var/log/oss-connector/connector.log",
       "auditPath": "/var/log/oss-connector/audit.log",
       "datasetConfig": {
           "prefetchConcurrency": 24,
           "prefetchWorker": 2
       },
       "checkpointConfig": {
           "prefetchConcurrency": 24,
           "prefetchWorker": 4,
           "uploadConcurrency": 64
       }
   }

   次の表に、設定を示します。

   パラメーター		必須	説明	例：
   logLevel		必須	ログレベル。 デフォルト値は 1 です。 有効な値： 0: デバッグ 1: 情報 2: 警告 3: エラー	1
   logPath		必須	OSS Connector for AI/MLのログパス。 デフォルト値: /var/log/oss-connector/connector.log	/var/log/oss-connector/connector.log
   auditPath		必須	OSS Connector for AI/MLの監査ログパス。 監査ログには、レイテンシが100ミリ秒を超える読み取りおよび書き込み要求が記録されます。 デフォルト値: /var/log/oss-connector/audit.log	/var/log/oss-connector/audit.log
   DatasetConfig	prefetchConcurrency	必須	データセットを使用してOSSからデータをプリフェッチするときの同時タスクの数。 デフォルト値: 24。	24
   	prefetchWorker	必須	データセットを使用してOSSからデータをプリフェッチするときに使用可能なvCPUの数。 デフォルト値: 4。	2
   checkpointConfig	prefetchConcurrency	必須	OSSからデータをプリフェッチするためにチェックポイント読み取り操作を実行するときの同時実行タスクの数。 デフォルト値: 24。	24
   	prefetchWorker	必須	OSSからデータをプリフェッチするためにチェックポイント読み取り操作を実行するときに使用可能なvCPUの数。 デフォルト値: 4。	4
   	uploadConcurrency	必須	チェックポイントの書き込み操作を実行してデータをアップロードするときの同時実行タスクの数。 デフォルト値: 64。	64

AI/MLでのOSSコネクタの使用

OSS Connector for AI/MLは、データセットにアクセスするためのOssMapDatasetクラスとOssIterableDatasetクラスを提供します。 クラスは、DatasetとIterableDatasetの拡張です。 OssIterableDatasetはプリフェッチで最適化され、高いトレーニング効率を備えています。 OssMapDatasetを使用するときにデータが読み取られる順序は、DataLoaderによって決定されます。 シャッフル操作がサポートされています。 次の提案に基づいてクラスを選択できます。

• メモリが小さいか、データ量が大きい場合、シーケンシャルな読み取りのみが必要で、並列処理の要件が高くない場合は、OssIterableDatasetを使用してデータセットを作成することをお勧めします。

• メモリが十分であるか、データ量が少なく、ランダム操作と並列処理が必要な場合は、OssMapDatasetを使用してデータセットを作成することを推奨します。

OSS Connector for AI/MLは、モデルをロードおよび保存するためのOssCheckpointクラスも提供します。 次のセクションでは、OssMapDataset、OssIterableDataset、およびOssCheckpointの使用方法について説明します。

checkpoint = OssCheckpoint(endpoint="{oss_endpoint}", cred_path=cred_path, config_path=config_path)

checkpoint_read_uri = "{checkpoint_path}"
checkpoint_write_uri = "{checkpoint_path}"
with checkpoint.reader(checkpoint_read_uri) as reader:
    state_dict = torch.load(reader)
    model.load_state_dict(state_dict)
with checkpoint.writer(checkpoint_write_uri) as writer:
    torch.save(model.state_dict(), writer)

例

次のサンプルコードは、AI/ML用のOSSコネクタの例を示しています。 コードを使用してOSSデータにアクセスできます。

from osstorchconnector import OssMapDataset,OssCheckpoint
import torchvision.transforms as transforms
import accimage
import torchvision.models as models
import torch

cred_path = "/mnt/.alibabacloud/credentials" # The default path of the credential file after you configure role information for DLC jobs and DSW instances. 
config_path = "config.json"
checkpoint = OssCheckpoint(endpoint="{oss_endpoint}", cred_path=cred_path, config_path=config_path)
model = models.__dict__["resnet18"]()

epochs = 100 # The number of epochs.
checkpoint_read_uri = "{checkpoint_path}"
checkpoint_write_uri = "{checkpoint_path}"
with checkpoint.reader(checkpoint_read_uri) as reader:
    state_dict = torch.load(reader)
    model.load_state_dict(state_dict)


def read_and_transform(data):
    normalize = transforms.Normalize(mean=[0.485, 0.456, 0.406],
                                     std=[0.229, 0.224, 0.225])
    transform = transforms.Compose([
        transforms.RandomResizedCrop(224),
        transforms.RandomHorizontalFlip(),
        transforms.ToTensor(),
        normalize,
    ])

    try:
        img = accimage.Image((data.read()))
        value = transform(img)
    except Exception as e:
        print("read failed", e)
        return None, 0
    return value, 0
dataset = OssMapDataset.from_prefix("{oss_data_folder_uri}", endpoint="{oss_endpoint}", transform=read_and_transform, cred_path=cred_path, config_path=config_path)
data_loader = torch.utils.data.DataLoader(
    dataset, batch_size="{batch_size}",num_workers="{num_workers"}, pin_memory=True)

for epoch in range(args.epochs):
    for step, (images, target) in enumerate(data_loader):
        # batch processing
        # model training
    # save model
    with checkpoint.writer(checkpoint_write_uri) as writer:
        torch.save(model.state_dict(), writer)

次の説明は、上記のコードの主要な実装を示しています。

• OssMapDatasetを使用して、指定されたOSS URIに基づいてPyTorch DataLoaderと一緒に使用できるデータセットを作成できます。

• データセットを使用してPyTorch DataLoaderを構築し、PyTorch DataLoaderを使用してループでモデルトレーニングを実行できます。 モデルトレーニングには、バッチ処理、モデルトレーニング、モデル保存が含まれます。

• 事前にデータセットをコンテナーにマウントしたり、オンプレミスのコンピューターにデータを保存したりする必要はありません。 これにより、オンデマンドのデータ読み込みが可能になります。

OSS SDK for Python

OSS SDK for Pythonを直接使用してOSSからデータを読み書きする場合は、次の手順を実行します。

1. OSS SDK for Pythonをインストールします。 詳細については、「インストール」をご参照ください。

2. OSS SDK for Pythonのアクセス資格情報を設定します。 詳細については、「アクセス資格情報の設定」をご参照ください。

3. OSSからデータを読み取り、OSSにデータを書き込みます。

   # -*- coding: utf-8 -*-
   import oss2
   from oss2.credentials import EnvironmentVariableCredentialsProvider
   
   # Use the AccessKey pair of the RAM user obtained from the environment variables to configure access credentials.
   auth = oss2.ProviderAuthV4(EnvironmentVariableCredentialsProvider())
   bucket = oss2.Bucket(auth, '<Endpoint>', '<your_bucket_name>')
   # Read a file from OSS. 
   result = bucket.get_object('<your_file_path/your_file>')
   print(result.read())
   # Read data by range. 
   result = bucket.get_object('<your_file_path/your_file>', byte_range=(0, 99))
   # Write data to OSS. 
   bucket.put_object('<your_file_path/your_file>', '<your_object_content>')
   # Append data to a file. 
   result = bucket.append_object('<your_file_path/your_file>', 0, '<your_object_content>')
   result = bucket.append_object('<your_file_path/your_file>', result.next_position, '<your_object_content>')
   

   ビジネス要件に基づいて、次のパラメーターを設定します。

   パラメーター	説明
   <エンドポイント>	バケットが存在するリージョンのエンドポイント。 たとえば、バケットが中国 (杭州) リージョンにある場合、このパラメーターを https://oss-cn-hangzhou.aliyuncs.com に設定します。 エンドポイントの取得方法の詳細については、「リージョンとエンドポイント」をご参照ください。
   <your_bucket_name>	バケットの名前です。
   <your_file_path/your_file>	データの読み取りと書き込みを行うオブジェクトのパス。 パスには、オブジェクトが属するバケットの名前を含めることはできません。 例: testfolder/exampleobject.txt。
   <your_object_content>	追加するコンテンツ。The content that you want to append. このパラメーターは、ビジネス要件に基づいて設定できます。

OSS API for Python

OSS API for Pythonを使用して、トレーニングデータとモデルをOSSに保存できます。 OSS API for Pythonを使用する前に、OSS SDK for Pythonをインストールし、アクセス資格情報を設定していることを確認してください。 詳細については、「インストール」および「アクセス資格情報の設定」をご参照ください。

• トレーニングデータの読み込み

  トレーニングデータをOSSバケットに保存し、データパスとそのラベルを同じOSSバケットのインデックスファイルに保存できます。 データセットパラメーターを設定し、PyTorchでDataLoader APIを呼び出して、複数のスレッドを並行して使用してデータを読み取ることができます。 次のサンプルコードに例を示します。

  import io
  import oss2
  from oss2.credentials import EnvironmentVariableCredentialsProvider
  import PIL
  import torch
  
  class OSSDataset(torch.utils.data.dataset.Dataset):
      def __init__(self, endpoint, bucket, auth, index_file):
          self._bucket = oss2.Bucket(auth, endpoint, bucket)
          self._indices = self._bucket.get_object(index_file).read().split(',')
  
      def __len__(self):
          return len(self._indices)
  
      def __getitem__(self, index):
          img_path, label = self._indices(index).strip().split(':')
          img_str = self._bucket.get_object(img_path)
          img_buf = io.BytesIO()
          img_buf.write(img_str.read())
          img_buf.seek(0)
          img = Image.open(img_buf).convert('RGB')
          img_buf.close()
          return img, label
  
  
  # Obtain access credentials from environment variables. Before you execute the sample code, make sure that the OSS_ACCESS_KEY_ID and OSS_ACCESS_KEY_SECRET environment variables are configured. 
  auth = oss2.ProviderAuth(EnvironmentVariableCredentialsProvider())
  dataset = OSSDataset(endpoint, bucket, auth, index_file)
  data_loader = torch.utils.data.DataLoader(
      dataset,
      batch_size=batch_size,
      num_workers=num_loaders,
      pin_memory=True)
  

  次の表に、主要なパラメーターを示します。

  パラメーター	説明
  エンドポイント	バケットが存在するリージョンのエンドポイント。 たとえば、バケットが中国 (杭州) リージョンにある場合、このパラメーターを https://oss-cn-hangzhou.aliyuncs.com に設定します。 エンドポイントの取得方法の詳細については、「リージョンとエンドポイント」をご参照ください。
  バケット	バケットの名前です。
  index_ファイル	インデックスファイルのパス。 説明 上記のサンプルコードでは、インデックスファイル内のサンプルはコンマ (,) で区切ります。 サンプルパスとラベルはコロン (:) で区切られています。

• モデルの保存または読み込み

  OSS API for Pythonを使用して、PyTorchモデルを保存またはロードできます。 PyTorchモデルを保存またはロードする方法については、「モデルの保存とロード」をご参照ください。

  • モデルを保存する

    from io import BytesIO
    import torch
    import oss2
    from oss2.credentials import EnvironmentVariableCredentialsProvider
    
    auth = oss2.ProviderAuth(EnvironmentVariableCredentialsProvider())
    # bucket_name
    bucket_name = "<your_bucket_name>"
    bucket = oss2.Bucket(auth, endpoint, bucket_name)
    buffer = BytesIO()
    torch.save(model.state_dict(), buffer)
    bucket.put_object("<your_model_path>", buffer.getvalue())
    

    次のパラメータに注意してください。

    • endpointは、バケットが存在するリージョンのエンドポイントを示します。 たとえば、バケットが中国 (杭州) リージョンにある場合、このパラメーターを https://oss-cn-hangzhou.aliyuncs.com に設定します。

    • <your_bucket_name> は、OSSバケットの名前を示します。 名前はoss:// で始めることはできません。

    • <your_model_path> は、モデルのパスを示します。 ビジネス要件に基づいてこのパラメーターを設定します。

  • モデルを読み込む

    from io import BytesIO
    import torch
    import oss2
    from oss2.credentials import EnvironmentVariableCredentialsProvider
    
    auth = oss2.ProviderAuth(EnvironmentVariableCredentialsProvider())
    bucket_name = "<your_bucket_name>"
    bucket = oss2.Bucket(auth, endpoint, bucket_name)
    buffer = BytesIO(bucket.get_object("<your_model_path>").read())
    model.load_state_dict(torch.load(buffer))

    次のパラメータに注意してください。

    • endpointは、バケットが存在するリージョンのエンドポイントを示します。 たとえば、バケットが中国 (杭州) リージョンにある場合、このパラメーターを https://oss-cn-hangzhou.aliyuncs.com に設定します。

    • <your_bucket_name> は、OSSバケットの名前を示します。 名前はoss:// で始めることはできません。

    • <your_model_path> は、モデルのパスを示します。 ビジネス要件に基づいてこのパラメーターを設定します。