Fork批量服务

用户可在「批量服务」列表或部署详情页面对在线服务信息进行Fork。

操作步骤

1. Fork服务进入

1.1 点击左侧列表中「云端 Serving 」-「批量服务」按钮，进入「批量服务」列表页面进行Fork。

图 1.1　Fork批量服务入口

1.2. 点击 「批量服务」列表页 服务名称 进入「部署详情」页面选择「Fork」按钮，弹出表单进行按需Fork。

图 1.2　Fork批量服务入口

note

可Fork状态：

「运行完成」状态的 任务 ，可进行「Fork」操作。

不可Fork状态：

「部署中」状态的 任务 ，不可进行「Fork」操作。

「运行中」状态的 任务 ，不可进行「Fork」操作。

「已停止」状态的 任务 ，不可进行「Fork」操作。

「运行失败」状态的 任务 ，不可进行「Fork」操作。

「未知」状态的 任务 ，不可进行「Fork」操作。

2. Fork批量服务

用户可根据自需进行对表单 Fork 操作，点击「提交」返回批量服务列表页面且该条Fork任务状态变为部署中。

图 2　Fork批量服务

note

1. 用户可自定义在线服务名称，仅支持字母、数字、汉字、英文横杠和下划线、字符长度不能超出 32，在线服务名称不可重复( ID 为自动递增)。
2. 描述(可选)，字符长度不能超出 200。
3. 模型类型，可选[我的模型]或[预训练模式]模型。
4. 模型，此下拉框的内容会根据选用的模型类型变化。
5. 上传预测图片，图片数量不得超出 5000 张。
6. 节点类型，可选[CPU]或[GPU]类型。
7. 节点规格，此下拉框的内容会根据选用的节点类型变化。
8. 节点数，默认为 1，多版本可根据适用场景调配节点数，整体配置最大值不超出 10 节点即可。
9. signature_name (可选)，默认为 serving_default，填写错误可能会导致运行失败。
10. reshape_size (可选)，图片预处理形状 [H, W]，默认为 imageNet 图片大小，填写错误可能会导致运行失败。
11. prepare_mode (可选)，keras/Tensoflow 模型预处理模式，可选 tfhub、caffe、tf、torch，默认为 tfhub，填写错误可能会导致运行失败。
12. model_structure (可选)，pytorch 模型保存网络名称，默认为 model，填写错误可能会导致运行失败。
13. job_name (可选)，oneflow 模型推理 job 名称，默认为 inference，填写错误可能会导致运行失败。