前提條件

已創建OSS Bucket存儲空間，具體操作請參見控制臺創建存儲空間。

一、進入模型詳情頁面

1. 進入快速開始頁面。

   1. 登錄PAI控制臺。

   2. 在左側導航欄單擊工作空間列表，在工作空間列表頁面中單擊待操作的工作空間名稱，進入對應工作空間內。

   3. 在左側導航欄單擊快速開始，進入快速開始頁面。

2. 在快速開始首頁，單擊自然語言處理區域下的文本生成。在右側的模型列表中，單擊easynlp_pai_mt5_title_generation_zh模型卡片，進入模型詳情頁面。

   

二、直接部署和調試模型

部署模型服務

1. 在模型詳情頁面，單擊模型部署。

2. 在模型部署詳情頁面，確認部署信息后，單擊部署。

3. 在計費提醒對話框中，單擊確定。

   頁面將自動跳轉到服務詳情頁面。您可以在基本信息區域查看服務狀態。當狀態變為運行中時，表明服務部署成功。

在線調試模型

通過控制臺進行在線調試

1. 在服務詳情頁面的在線預測文本框中輸入請求數據，請求數據示例如下。

   {
       "data": ["在廣州第一人民醫院，一個上午6名患者做支氣管鏡檢查，5人查出肺癌，且4人是老煙民！專家稱，吸煙和被動吸煙是肺癌的主要元兇。"]
   }

   

2. 單擊發送請求。

   您可以在頁面下方查看輸出結果。

通過Python代碼進行在線調試

1. 查看服務的調用信息。

   1. 在服務詳情頁面的資源信息區域，單擊查看調用信息。

      

   2. 在調用信息對話框的公網地址調用頁簽中，查看訪問地址和Token，并保存到本地。

2. 使用以下示例代碼發送服務請求。

   import requests
   
   url = "<PredictionServiceEndpoint>"
   token = "<PredictionServiceAccessToken>"
   request_body = '{"data": ["在廣州第一人民醫院，一個上午6名患者做支氣管鏡檢查，5人查出肺癌，且4人是老煙民！專家稱，吸煙和被動吸煙是肺癌的主要元兇。"]}'
   request_body = request_body.encode('utf-8')
   headers = {"Authorization": token}
   resp = requests.post(url=url, headers=headers, data=request_body)
   
   print(resp.content.decode())
   print("status code:", resp.status_code)
   

   其中：url和token需要分別配置為上述步驟中保存到本地的訪問地址和Token。

   系統返回結果如下圖所示。

三、微調訓練模型

1. （可選）準備數據集。

   說明

   如果您希望使用自己的數據來微調訓練模型，可以按照以下操作步驟來準備訓練數據集。

   1. 快速開始提供了訓練數據集。您可以使用默認數據集，也可以自己準備數據。訓練數據格式為：

      {"text": "<text>", "summary": "summary"}
      {"text": "<text>", "summary": "summary"}
      {"text": "<text>", "summary": "summary"}
      ......
      {"text": "<text>", "summary": "summary"}
      

   2. 將已準備的數據上傳到OSS存儲空間，具體操作，請參見控制臺上傳文件。

2. 提交訓練作業。

   1. 返回模型詳情頁面，具體操作，請參見一、進入模型詳情頁面。

   2. 在模型訓練區域，將訓練設置>輸出路徑配置為OSS Bucket路徑，并單擊訓練。本示例使用默認數據集進行模型微調訓練。

      說明

      如果您準備了訓練數據集，在模型訓練區域，參照微調訓練模型操作步驟更新訓練數據集后，再單擊訓練。

      頁面將自動跳轉到任務詳情頁面。您可以單擊任務日志，查看訓練過程。

四、部署和調試微調后的模型

1. 在任務詳情頁面模型部署區域，單擊部署。

   頁面自動跳轉到服務詳情頁面，您可以在基本信息區域查看模型服務部署狀態。當狀態變為運行中時，表明模型服務已成功部署。

2. 在線調試模型，具體操作，請參見在線調試模型。