创建训练任务
更新时间：2026-10-21
概述
本文档介绍在百舸 AI 计算平台的控制台创建训练任务的方法。训练任务支持 自定义创建 和 基于开源模型训练模版创建 两种方式，基于模板创建方式已预置模型、镜像和训练代码，您可以根据业务需求选择合适的会创建方式。
前提条件
- 已成功创建资源池。详情请参见 创建资源池。
- 已在资源池中准备可用于提交训练任务的队列。
操作步骤
- 登录 百舸 AI 计算平台。
- 在导航栏选择 大规模训练与推理->分布式训练，进入训练任务列表页面后，单击 【创建任务】。
基本参数
在 基本信息 区域填写训练任务的基础信息。
| 参数 | 必填 | 说明 |
|---|---|---|
| 任务名称 | 是 | 填写任务名称。支持大小写字母、数字、中划线 -、下划线 _ 和小数点 .，长度不超过 256 个字符。 |
| 可见范围 | 是 | 选择任务的可见范围，支持 队列内可见 和 仅创建人可见。选择 队列内可见 时，队列管理员和成员可见任务；选择 仅创建人可见 时，仅队列管理员及创建人可见任务。 |
| 创建方式 | 是 | 选择 自定义创建 或 基于开源模型训练模版创建。自定义创建 适用于自定义训练镜像以及参数的场景；基于开源模型训练模版创建 使用平台预置开源模型的训练镜像和代码，可直接使用。 |
选择 基于开源模型训练模版创建 时，还需要按业务训练目标选择模型和训练模版相关配置。
| 参数 | 必填 | 说明 |
|---|---|---|
| 模型 | 是 | 选择需要训练的开源模型及版本。 |
| 芯片类型 | 是 | 选择训练任务使用的芯片类型。 |
| 训练模板 | 是 | 选择平台提供的训练模板。 |
| 训练模式 | 是 | 按模板支持的能力选择训练模式。 |
| 训练方法 | 是 | 选择模板支持的训练方法。 |
环境信息
填写训练的配置信息。不同创建方式需要填写的配置信息不同。
自定义创建
| 参数 | 必填 | 说明 |
|---|---|---|
| 镜像地址 | 是 | 填写训练镜像。您可以直接输入镜像地址，也可以选择百舸预置镜像，或单击 【从 CCR 仓库选择】 从镜像仓库选择镜像。目前支持 CCR 企业版镜像和百舸预置镜像。更多信息，请参考 容器镜像服务 CCR。 |
| 执行命令 | 是 | 容器启动后执行的命令，支持Shell指令。 若挂载训练代码，挂载路径是代码文件在容器中的位置，执行命令需要使用挂载路径引用代码文件，如代码文件为/workspace，代码文件为demo.py，则执行命令为python/workspace/demo.py。 |
| 环境变量 | 否 | 单击 【添加环境变量】，按需填写变量名和变量值；支持配置多个环境变量。 |
基于开源模型训练模版创建
| 参数 | 必填 | 说明 |
|---|---|---|
| 镜像地址 | 是 | AIAK 训练加速模版预置默认训练镜像，自动填充且不支持修改。 |
| 执行命令 | 是 | AIAK 训练加速模版提供默认参数，需要将数据集、CHECKPOINT、TOKENIZER 以及 Tensorboard 的 PATH 替换成用户自定义路径。 |
| 环境变量 | 否 | AIAK 训练加速模版提供默认环境变量，通常不建议修改。 |
执行命令中需要替换的参数如下：
Plaintext
1DATA_PATH=$USER_DATA_PATH
2CHECKPOINT_LOAD_PATH=$USER_CHECKPOINT_LOAD_PATH
3CHECKPOINT_SAVE_PATH=$USER_CHECKPOINT_SAVE_PATH
4TOKENIZER_PATH=$USER_TOKENIZER_PATH
5TENSORBOARD_PATH=$TENSORBOARD_PATH您如果需要对模型参数做进一步修改，可以在执行命令中直接修改提交。
资源配置
选择训练所需的计算资源、内存资源和存储资源等，可以设置闲时资源、指定节点、优先级等
| 参数 | 必填 | 说明 |
|---|---|---|
| 资源池类型 | 是 | 选择全托管资源池或自运维资源池。 |
| 队列 | 是 | 选择任务部署的资源池和队列信息。 |
| 优先级 | 是 | 选择任务优先级，支持设置为高、中、低。 队列资源不足时会按照设置的优先级排队调度，优先调度高优先级的任务。 |
| 训练框架 | 是 | 当前支持 Ray、PyTorch、MPI 和 TensorFlow 训练框架。 |
| 资源配额 | 是 | 填写任务不同角色节点的实例数量以及规格，支持设置实例申请的 GPU 类型/数量、CPU 和内存。如不申请 GPU，不选择GPU类型并且数量填写为0。 |
| 共享内存 | 否 | 共享内存（shared memory）用于 Linux 中不同进程之间数据交换和共享，以提高应用程序的性能和效率。 |
| 数据集挂载 | 否 | 选择训练所需的数据集，平台支持公共数据集和用户自定义数据集。 · 用户自定义数据集：从并行文件存储PFS、对象存储BOS、极速文件缓存RapidFS，可以设置只读权限。 · 公共数据集：平台预置的公开数据集。 |
| 存储挂载 | 否 | 读取训练所需的数据、存放Checkpoint等训练过程和结果文件。 支持以下存储：并行文件存储 PFS、文件存储 CFS 以及对象存储 BOS，自运维资源池额外支持本地盘。 |
| 使用闲时资源 | 否 | 开启后，任务可以使用其他队里和本队列的空闲资源，提高资源池的资源利用率。 若出借资源的队列有任务需要使用此资源，资源会被回收，当前任务会中断后重新排队。 |
| 指定节点调度 | 否 | 支持指定节点运行任务。 默认不指定节点 |
| 最大运行时长 | 否 | 设置任务运行的最长时长。在完成配置后，超过该时长的任务将停止运行。默认不限制运行时长。 |
| 定时提交 | 否 | 开启后可在指定时间自动提交训练任务。您只能设置当前时间之后的提交时间，默认不开启定时提交任务。 |
| 任务退出自动删除 | 否 | 配置任务的自动回收策略。开启后，仅针对成功/失败状态的任务生效，您可以自定义配置保留时长。 |
容错与诊断
为训练异常和中断等情况提供重试策略和诊断机制。
| 参数 | 必填 | 说明 |
|---|---|---|
| 自动容错 | 否 | 开启训练容错。详见 训练容错。 |
| 任务 hang 检测 | 否 | 用于检测训练任务长时间无进展等异常情况，开启后，任务hang时，平台通过函数调用栈与进程IO监控指标，多维度判断任务状态。详见训练任务Hang检测。 |
监控信息
平台提供配置 Tensorboard、任务告警和日志持久化能力，实现训练监控。
| 参数 | 必填 | 说明 |
|---|---|---|
| Tensorboard | 否 | 为该任务开启 Tensorboard。开启后需要指定日志存储路径，并行文件存储PFS、文件存储CFS、对象存储BOS、极速文件缓存RapidFS，支持该路径需要与代码中的 Tensorboard 日志路径保持一致，否则 Tensorboard 无法获取数据。详见 训练效果监控 Tensorboard。 |
| 任务告警 | 否 | 百舸平台针对训练任务状态提供告警通知机制，支持短信、邮件、微信、飞书以及自定义 webhook 通知方式。详见 配置任务的消息通知。 |
| 日志持久化 | 否 | 注意： 开启日志持久化功能会将您的任务日志持久化保存到日志服务（BLS）中，日志存储、读取、写入和索引会产生费用，详情参考 价格详情。 |
提交任务
确认任务名称、镜像地址、执行命令、资源队列、资源配额、容错与监控配置无误后，单击 【确定】，完成任务创建。任务创建成功后，在详情页可以查看任务状态、监控和日志。
评价此篇文章