0 写在前面

DAMODEL（丹摩智算）是专为AI打造的智算云，致力于提供丰富的算力资源与基础设施助力AI应用的开发、训练、部署。DAMODEL配备124G大内存和100G大空间系统盘，一键部署，三秒启动；覆盖从入门级到专业级GPU，满足各层次开发需求，使每一位开发者都能体验到顶级的计算性能和专属服务。

接下来，就以一个实际项目作为案例，体验丹摩智算DAMODEL的开发流程，大家也可以滑到最后领取粉丝专属福利

1 云实例：配置选型与启动

1.1 登录注册

首先进入登录界面注册并登录账号

1.2 配置SSH密钥对

配置SSH密钥对的作用是后续远程登录服务器不需要密码验证，更加方便。

首先创建本地公钥，进入本地.ssh目录输入ssh-keygen -o命令，这里文件名可以设置为id_dsa，也可以是其他任意名字

之后我们可以在.ssh目录看到刚刚创建的两个文件

• id_dsa
• id_dsa.pub

其中id_dsa.pub就是需要的公钥文件

进入密钥对配置，创建密钥对，将id_dsa.pub的内容复制到这里就可以

1.3 创建实例

进入GPU云实例，点击创建实例。如下图所示，按需选择需要的GPU型号和镜像

我这里选择的配置如下，大家可以参考。需要注意的是，这里记得选择之前创建的密钥对。一切确认完成后，点击立即创建即可

1.4 登录云实例

等待实例创建完成后，点击复制“访问链接”。

接着来到任意一个SSH连接终端进行云实例登录，我这里选择的是VSCode，如下所示

登录成功后，通过

nvidia-smi
torch.cuda.is_available()

简单验证一下功能即可，如下所示即为成功

2 云存储：数据集上传与下载

文件存储为网络共享存储，可挂载至的不同实例中。相比本地数据盘，其优势是实例间共享，可以多点读写，不受实例释放的影响；此外存储后端有多冗余副本，数据可靠性非常高；但缺陷是IO性能一般

考虑到以上优劣，推荐使用方式：将重要数据或代码存放于文件存储中，所有实例共享，便利的同时数据可靠性也有保障；在训练时，需要高IO性能的数据（如训练数据），先拷贝到实例本地数据盘，从本地盘读数据获得更好的IO性能。如此兼顾便利、安全和性能。

接下来，我们将训练数据上传到云实例数据盘中。使用scp工具如下

scp -rP 35740 ./DRIVE-SEG-DATA root@cn-north-b.ssh.damodel.com:/root/workspace

具体地：

• 35740与cn-north-b.ssh.damodel.com分别为端口号和远程地址，请参考1.4节替换为自己的参数
• ./DRIVE-SEG-DATA是本地数据集路径
• /root/workspace是远程实例数据集路径

可以看到数据上传成功

数据的下载也是类似的命令

scp -rP 35740 root@cn-north-b.ssh.damodel.com:/root/workspace ./DRIVE-SEG-DATA

本文提到的数据集可以在DRIVE数据集中下载

3 云开发：眼底血管分割案例

3.1 案例背景

眼底也称为眼球的内膜，包括黄斑、视网膜和视网膜中央动静脉等结构。在临床医学中，眼底图像是眼科医生对眼疾病患者进行诊断的重要依据。随着深度学习的发展，医学影像分割技术产生了深远的变化，尤其是卷积神经网络AlexNet、VGGNet、GoogLeNet、ResNet等，能够学习到更加抽象和高级的特征表示，从而实现更加精确的分割结果。深度学习模型在大规模数据上训练后，通常能够获得更好的泛化能力，即对未见过的数据也能做出相对准确的预测。对于医学影像分割来说，这意味着模型可以更好地适应不同类型和来源的医学图像数据，提高了分割结果的可靠性和稳定性。同时，深度学习技术支持端到端的学习方式，即从原始输入数据直接学习到最终的分割结果，无需手工设计复杂的特征提取和预处理流程。这简化了分割算法的开发流程，提高了效率和准确性。此外，医学影像数据常常包含多种模态，如CT、MRI等。深度学习技术能够更好地处理多模态数据，实现不同模态之间的信息融合，从而提高了医学影像分割的准确性和全面性

本次实践，我们采用UNet进行眼底血管医学图像分割任务。UNet是一种被广泛应用于语义分割任务的网络结构，其编码器-解码器结构以及跳跃连接的设计，使其能够有效地捕获图像中不同尺度的特征信息，从而在眼底血管分割任务中取得较好的效果。同时，在推理阶段，UNet采用全卷积网络结构，能够快速对新的眼底图像进行血管分割，为临床应用提供了实时性支持。

3.2 网络搭建

选用U-Net 网络结构作为基础分割模型的原因在于其通过编解码器架构，有效地结合局部信息和全局信息，提高分割准确性；同时，U-Net的跳跃连接结构有助于保留和恢复图像中的细节和边缘信息，且在小样本情况下表现优异，能够充分利用有限数据进行有效训练，广泛应用于医学图像分割任务中。网络架构如下

class UNet(nn.Module):
    def __init__(self, n_channels, n_classes, bilinear=True):
        super(UNet, self).__init__()
        self.n_channels = n_channels
        self.n_classes = n_classes
        self.bilinear = bilinear

        self.inc = DoubleConv(n_channels, 64)
        self.down1 = Down(64, 128)
        self.down2 = Down(128, 256)
        self.down3 = Down(256, 512)
        self.down4 = Down(512, 512)
        self.up1 = Up(1024, 256, bilinear)
        self.up2 = Up(512, 128, bilinear)
        self.up3 = Up(256, 64, bilinear)
        self.up4 = Up(128, 64, bilinear)
        self.outc = OutConv(64, n_classes)

    def forward(self, x):
        x1 = self.inc(x)
        x2 = self.down1(x1)
        x3 = self.down2(x2)
        x4 = self.down3(x3)
        x5 = self.down4(x4)
        x = self.up1(x5, x4)
        x = self.up2(x, x3)
        x = self.up3(x, x2)
        x = self.up4(x, x1)
        logits = self.outc(x)
        return logits

3.3 网络训练

基于 PyTorch 的神经网络训练流程可以分为以下步骤(不考虑前期数据准备和模型结构)：

1. 定义损失函数
   根据任务类型选择合适的损失函数（loss function），如分类任务常用的交叉熵损失（Cross-Entropy Loss）或回归任务中的均方误差（Mean Square Error）。

2. 选择优化器
   选择合适的优化器（optimizer），如随机梯度下降（SGD）、Adam 或 RMSprop，并设置初始学习率及其它优化参数。

3. 训练模型
   在训练过程中，通过迭代训练数据集来调整模型参数。每个迭代周期称为一个 epoch。对于每个 epoch，数据会被分成多个 batch，每个 batch 被输入到模型中进行前向传播、计算损失、反向传播更新梯度，并最终优化模型参数。

4. 保存模型
   当满足需求时，可以将训练好的模型保存下来，以便后续部署和使用。

根据这个步骤编写以下代码

def train_net(net, device, data_path, epochs=40, batch_size=1, lr=0.00001):
    dataset = Dateset_Loader(data_path)
    per_epoch_num = len(dataset) / batch_size
    train_loader = torch.utils.data.DataLoader(dataset=dataset,
                                               batch_size=batch_size,
                                               shuffle=True)
    optimizer = optim.Adam(net.parameters(),lr=lr,betas=(0.9, 0.999),eps=1e-08, weight_decay=1e-08,amsgrad=False)
    criterion = nn.BCEWithLogitsLoss()
    best_loss = float('inf')
    loss_record = []
    with tqdm(total=epochs*per_epoch_num) as pbar:
        for epoch in range(epochs):
            net.train()
            for image, label in train_loader:
                optimizer.zero_grad()
                image = image.to(device=device, dtype=torch.float32)
                label = label.to(device=device, dtype=torch.float32)
                pred = net(image)
                loss = criterion(pred, label)
                pbar.set_description("Processing Epoch: {} Loss: {}".format(epoch+1, loss))
                if loss < best_loss:
                    best_loss = loss
                    torch.save(net.state_dict(), 'best_model.pth')
                loss.backward()
                optimizer.step()
                pbar.update(1)
            loss_record.append(loss.item())

    plt.figure()
    plt.plot([i+1 for i in range(0, len(loss_record))], loss_record)
    plt.title('Training Loss')
    plt.xlabel('Epoch')
    plt.ylabel('Loss')
    plt.savefig('/root/shared-storage/results/training_loss.png')

运行这个脚本，可以在终端看到进度

训练损失函数如下，可以看到已经收敛

3.4 模型测试

测试逻辑如下所示，主要是计算IoU指标

def cal_miou(test_dir="/root/workspace/DRIVE-SEG-DATA/Test_Images",
             pred_dir="/root/workspace/DRIVE-SEG-DATA/results", gt_dir="/root/workspace/DRIVE-SEG-DATA/Test_Labels",
             model_path='best_model_drive.pth'):
    name_classes = ["background", "vein"]
    num_classes = len(name_classes)
    if not os.path.exists(pred_dir):
        os.makedirs(pred_dir)
    device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
    net = UNet(n_channels=1, n_classes=1)
    net.to(device=device)
    net.load_state_dict(torch.load(model_path, map_location=device))
    net.eval()

    img_names = os.listdir(test_dir)
    image_ids = [image_name.split(".")[0] for image_name in img_names]

    time.sleep(1)
    for image_id in tqdm(image_ids):
        image_path = os.path.join(test_dir, image_id + ".png")
        img = cv2.imread(image_path)
        origin_shape = img.shape
        img = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)
        img = cv2.resize(img, (512, 512))
        img = img.reshape(1, 1, img.shape[0], img.shape[1])
        img_tensor = torch.from_numpy(img)
        img_tensor = img_tensor.to(device=device, dtype=torch.float32)
        pred = net(img_tensor)
        pred = np.array(pred.data.cpu()[0])[0]
        pred[pred >= 0.5] = 255
        pred[pred < 0.5] = 0
        pred = cv2.resize(pred, (origin_shape[1], origin_shape[0]), interpolation=cv2.INTER_NEAREST)
        cv2.imwrite(os.path.join(pred_dir, image_id + ".png"), pred)

    hist, IoUs, PA_Recall, Precision = compute_mIoU_gray(gt_dir, pred_dir, image_ids, num_classes, name_classes) 
    miou_out_path = "/root/shared-storage/results/"
    show_results(miou_out_path, hist, IoUs, PA_Recall, Precision, name_classes)

模型保存的时候保存到共享存储路径/root/shared-storage，其他实例可以直接从共享存储中获取训练后的模型

总结

整体体验丹摩智算DAMODEL后，我发现它是一个非常强大且易于使用的代码开发平台。首先它提供了多种不同的开发环境，可以轻松地选择最熟悉或最适合用户需求的环境来构建、训练和部署应用程序，而无需考虑配置的问题。在案例中可以看到，丹摩智算DAMODEL提供了预构建的框架，即使临时安装依赖也很方便。

总的来说，和现有平台相比，丹摩智算DAMODEL核心在于快速启动，便捷开发，非常适合和各个应用领域结合，快速提供相关的解决方案。

粉丝福利

丹摩智算低价狂欢节开始，点击注册链接即可享受免费试用，还有4090、显示器等神秘好礼等待大家！