重要
此功能目前以公共预览版提供。
这些示例可用于在 AI Runtime 上训练计算机视觉模型。 它们涵盖图像分类、利用光线调谐进行超参数调谐以及物体检测。
| Example | Interface | 说明 |
|---|---|---|
| 使用卷积神经网络的图像分类 | Notebook | 此笔记本提供了一个简单的示例，演示如何在无服务器 GPU 上训练二维卷积神经网络进行图像分类。 |
| 使用 Ray Tune 进行 CIFAR-10 超参数调优 | Notebook | 此笔记本为 PyTorch 图像分类器运行各占用部分 GPU 资源的并发试验，并使用异步逐次减半算法 (ASHA) 提前停止表现不佳的配置。 |
| 使用 RetinaNet 进行对象检测 | Notebook | 此笔记本演示如何在无服务器 GPU 上使用 RetinaNet 训练对象检测模型。 |
| 使用 YOLO11n 进行对象检测 | Notebook | 本笔记本演示如何使用无服务器 GPU 在 COCO128 数据集上训练 YOLO11n 对象检测模型，并结合 MLflow 跟踪和模型服务部署。 |
| Imagenette 上的 ResNet-50 微调 | CLI | 使用Ray Train微调ResNet-50，每个A10 GPU配备一个分布式数据并行工作者，跨越两个节点，并将指标日志转入MLflow。 |