tinymind使用说明

账户设置

tinymind默认语言为英文，为了课程方便，建议学员将语言设置为中文。 步骤如下，进入首页后，点击设置按钮：

进入个人设置，点击Language Preference，选择简体中文，之后点击Update Laguage Preference:

点数

tinymind以点数的形式来表示账户余额，不同的运行资源类型有不同的点数开销，请注意区别。

点击账户设置中的付费方式，可以查看当前账户的剩余点数：

点数不足的时候，无法启动运行，请注意。

界面介绍

tinymind上，分为模型,数据集,Notebooks三个主要板块。

模型

模型为tinymind中对一个神经网络项目的表述，模型中包含神经网络训练过程的全部代码，使用的各个参数的定义和值，引用的数据集，各次运行的结果等。

数据集

数据集为一批数据的定义，tinymind上可以存储公开或者非公开的数据定义，模型运行的时候需要的数据推荐预先上传到数据集中。一个数据集可以由不同的模型引用，也可以把一个模型用到的多个不同的数据放到同一个数据集中。

Notebooks

类似于Jupyter Notebook（Ipython Notebook），可以实时的运行一些代码，仅供测试用。

使用

一个模型的建立分为几个不同的阶段。

数据集上传

神经网络的运行必须要有数据的支撑，如果数据集特别小则可以考虑将数据集放到代码中一起上传，或者模型运行的时候在线下载。但是一般来说，数据集的尺寸不会特别小，所以大部分的情况下，需要预先将数据上传到一个数据集中。

选择数据集，点击新建按钮

填入名称，和概述，注意数据集默认是公开的，请按需要设置标记为不公开，点击**下一步（上传数据）**进入数据上传过程。

通过拖拽的方式上传数据文件，文件名可以设置，如无特殊的需求，上传的文件名与本地文件名保持一致。点击开始上传进入上传过程，请保证网络的质量，太差的网络会导致数据上传失败。

需要注意的是，由于tinymind不支持批量上传文件，所以在上传数据集的时候，推荐先把数据集预先进行处理，例如打包成tfrecord的格式。

数据集的使用

建立模型的时候，添加使用的数据集（搜索数据集只需要搜索名称即可，如下图只需要搜索quiz-w7），注意这里选中并添加某个数据集之后，可以看到数据集文件所在的路径，模型中的代码，可以在运行的时候直接使用这些路径。数据集中的文件并不是模型全部加入模型中，需要手动选择要被加入模型中的文件。

模型建立

选择模型，点击新建,新建一个模型

选择建立新模型或者选择已有模型，需要注意模型默认是公开的，请按需要设置标记为不公开。

模型环境

tinymind支持多种不同的框架和Python版本，同时支持以requirements.txt的格式输入额外的项目依赖，请按照模型需要设置。

代码

模型的代码可以直接输入代码,或者上传压缩包,以及比较方便的一种方式从GitHub获取。

小规模的模型，单个文件就可以写完所有代码的情况下，如mnist模型，可以考虑直接使用输入代码.

模型代码较多但小于25MB的情况下，可以上传压缩包。需要指定入口文件，这里需要特别注意压缩包里面文件的路径。

从GitHub获取方式可以关联用户的github账户，每次运行的时候，自动checkout最新的代码，比较方便，是比较推荐的一种方式。

数据

模型使用的数据，通过数据集的方式预先上传到tinymind上，创建模型的时候，之间添加即可。 需要注意数据的路径。

参数

根据不同模型的运行需要，可以输入不同的参数，同一个模型，在不同的运行也可以输入不同的参数来测试各个参数的效果。

tinyming默认提供了几个参数，需要的话，可以点击新参数来创建模型的参数。需要注意，tinymind上需要将所有的输出，包括log等内容放到**/output中，如果内容比较多可以考虑创建子目录，tensorflow会自动创建不存在的目录，也有一些深度学习框架不会创建，需要注意。 模型的参数会以命令行的方式传入模型的入口文件中，参数使用的方式请参考如何在模型中使用参数**.

新添加的参数有几种不同的类型，请按需设置

运行资源

模型的运行资源就是模型运行的硬件环境，tinymind提供几种不同的运行资源，其包含的硬件各有不同，需要根据模型的需要进行设置。注意不同的运行资源其点数（费用）需要也不同。

建立模型全部内容设置完成之后，可以选择开始运行以立即开始执行一个运行，或者保存模型。

运行

模型运行为模型的一次运行过程，运行过程中可以包括训练过程和验证过程，或者其他的处理过程等。

在创建好的模型中，选择运行，可以找到当前模型下所有的运行的概述。

选择某次运行可以看到此次运行的详细信息。包括参数，图表，代码，输出，设置，日志等信息

图表可以观察tensorflow输出的summary中的一些信息，帮助判断模型的运行状况。

输出中可以查看并下载模型运行产生的数据，训练好的模型的输出文件可以在这里下载供后续的使用。