为了支持用户在部署模型服务后，保持模型预测性能的同时，减少人工重复工作，Sophon MLOps提供了持续训练功能。

持续训练Pipeline的产品定位是打通MLOps全生命周期流程中最后一个关键环节的核心功能，支持根据模型监控及评估结果，通过可视化页面搭建模型迭代优化Pipeline，使用回流后的数据集重新训练模型，并实现模型训练、模型注册上架与模型部署应用的“三位一体”自动化流程——包括持续训练（Continuous Training）、持续集成（Continuous Integration）、持续部署（Continuous Deployment）。

实践流程

前置准备工作

1、已获取模型训练代码。

训练代码示例

import numpy as np
import matplotlib.pyplot as plt
import xgboost as xgb


# train data
def get_train_data(data_size=100):
    data_label = np.zeros((2*data_size, 1))
    # class 1
    x1 = np.reshape(np.random.normal(3, 1, data_size), (data_size, 1))
    y1 = np.reshape(np.random.normal(4, 1, data_size), (data_size, 1))
    data_train = np.concatenate((x1, y1), axis=1)
    data_label[0:data_size, :] = 0
    # class 2
    x2 = np.reshape(np.random.normal(1, 1, data_size), (data_size, 1))
    y2 = np.reshape(np.random.normal(0.5, 1, data_size), (data_size, 1))
    data_train = np.concatenate((data_train, np.concatenate((x2, y2), axis=1)), axis=0)
    data_label[data_size:2*data_size, :] = 1

    return data_train, data_label


# test data
def get_test_data(start, end, data_size=100):
    data1 = (end - start) * np.random.random((data_size, 1)) + start
    data2 = (end - start) * np.random.random((data_size, 1)) + start
    data_test = np.concatenate((data1, data2), axis=1)
    return data_test

# main function
if __name__ == '__main__':
    data_size = 100
    train_data0, label_data = get_train_data(data_size)  # train data generate
    test_data0 = get_test_data(-1, 5, 10)  # test data
    # data convert
    train_data = xgb.DMatrix(train_data0, label=label_data)
    test_data = xgb.DMatrix(test_data0)
    import pandas as pd
    test = pd.DataFrame(np.append(train_data0,label_data,axis=1))
    test.to_csv("xgboost_train.csv", index=False, header=False)


    # data training
    num_round = 50
    param = {'booster': 'gbtree', 'eta': 0.1, 'max_depth': 5, 'objective': 'binary:logistic'}
    bst = xgb.train(param, train_data, num_round)
    bst.save_model("/tmp/model")

    # make prediction
    predict_res = bst.predict(test_data)
    print(predict_res)

    print(test_data0[0])

    print(predict_res[0])

2、已完成模型上架操作，详见模型仓库对应章节。

3、已完成模型部署操作，服务列表中已上线，详见服务推理对应章节。

4、已获取模型评估数据集和模型评估脚本，详见模型仓库对应章节。

配置训练流程

1、创建持续训练任务，并按下图配置流程节点。

2、将上一步骤中准备完成的数据，依次配置到各节点参数中。

（1）配置notebook代码节点的参数

选择notebook实例为前置准备工作中，训练代码所在的实例环境，此处为“py3”。
选择代码文件为前置准备工作中，准备完成的模型训练代码，此处为“cx/cx.ipynb”。
配置输出参数名为“model”，配置输出参数路径为训练代码中的模型保存路径，此处为“/tmp/model”。获取来源详见训练代码的保存模型方式（最后一句）。

    # data training
    num_round = 50
    param = {'booster': 'gbtree', 'eta': 0.1, 'max_depth': 5, 'objective': 'binary:logistic'}
    bst = xgb.train(param, train_data, num_round)
    bst.save_model("/tmp/model")

（2）配置模型上架节点的参数

选择模型保存路径为前置准备工作中，已完成模型上架操作对应的模型，此处为“xgb-two0809”。
配置输入参数来源为前序“notebook代码”节点的输出参数，此处为“model”。

（3）配置模型评估节点的参数

选择数据和选择评估脚本分别为前置准备工作中，已获取的模型评估数据集和模型评估脚本，此处为评估数据集“two_class”和评估脚本“test”。
选择评估框架为模型训练依赖的框架类型，此处为“xgboost”。
配置模型评估任务需要依赖的运行资源。
配置输入参数来源为前序“模型上架”节点的输出参数，此处为“model-path”。

（4）配置判断节点的参数

自定义配置判断逻辑脚本的内容，此处为“判断前序模型评估节点的计算结果中，accuracy指标的值是否大于0.4”。
配置输入参数名称为判断逻辑脚本中指定的变量名称，此处为“evaluate”。
配置输入参数路径为前序模型评估节点的输出参数路径，此处为“/data/eval-metrics”。
配置输入参数来源为前序“模型评估”节点的输出参数，此处为“eval-metrics”。

（5）配置模型部署节点的参数

选择模型推理节点为前置准备工作中，部署模型服务时使用的节点，此处为“xgboost模型”。
选择模型服务为前置准备工作中，已完成部署的模型服务名称，此处为“xgbtwo0809”。
配置输入参数来源为前序“模型上架”节点的输出参数，此处为“model-path”。

查看运行过程及结果

（1）立即执行任务

点击配置页面右上角，或版本列表中的的 [立即运行] 按钮，立即执行一次已完成配置的训练任务。

（2）查看任务日志

（3）查看评估结果

配置持续训练任务

1、点击顶部导航栏中的 持续训练 按钮，进入功能模块。
2、点击 新建 按钮，创建持续训练任务。
3、进入任务详情页面，可视化搭建模型迭代与优化的Pipeline。

配置任务流程

Sophon MLOps平台v1.2系列版本支持的任务节点包括：自定义组件、notebook代码、判断逻辑、模型上架、模型评估、模型部署、批处理任务。
各节点说明如下——

表 19. 节点说明
节点名称	解释说明
自定义组件	自定义镜像，按规范制作镜像后可执行任意操作，可用于数据预处理、模型训练等环节。
可视化实验	使用VLab可视化建模中创建的实验流程，并指定运行的Spark资源池，即可调度执行。可用于数据预处理、模型训练等环节。
notebook代码	使用Discover内置或自定义上传的镜像环节，并指定需执行的代码文件，即可执行对应的操作。可用于数据预处理、特征加工、模型训练等环节。 `【备注】仅在安装了Sophon Discover组件时可用。`
判断逻辑	通过自定义脚本来判断是否继续执行下一流程节点。
模型上架	执行模型上架操作，将前序节点训练生成的模型文件，作为新增模型版本追加至 `已有` 模型。 `【备注】在已有模型服务的前提下，默认该模型至少有一个版本已经在模型仓库内完成注册和上架。`
模型评估	对已经部署上架的模型节点执行模型评估操作。 `【备注】所有评估的记录都将显示在模型仓库中，评估任务需要依赖的数据需要提前在模型仓库内完成配置，包括评估数据集、评估脚本。`
模型部署	执行模型部署操作，将前序节点完成上架的模型版本，以 `冠军挑战者(影子部署)` 模式的上线策略，作为新增服务版本追加至 `已有` 服务。 `【备注】在已有模型服务的前提下，默认该模型服务至少已有一个上线版本。`
批量预测	执行系统内的 `批量预测` 任务（详见对应章节）。仅支持在前序节点执行完成后，触发对应所选的批量预测任务。

v1.2版本中新增了【模型评估】和【判断逻辑】节点，以满足模型更新场景下，先训练、后评估、再上架的需求。v1.3版本中新增了【可视化实验】节点，支持在pipeline中调度可视化建模实验，以覆盖并替换原有的工作流模块。

自定义组件

1、节点使用场景

自定义组件 是自由度最高的一个节点，仅需提供按平台规范（详见下述）制作的镜像，即可执行模型训练、数据预处理、特征加工等任意操作。该镜像仅作为执行节点挂载进入Pipeline流程中，从前序节点指定的路径中获取输入参数或文件，并将执行输出的结果存储至指定路径，供后序节点使用。
由于`自定义组件` 节点需要您自行制作镜像并完成配置，在自由度/灵活度最大化的同时，也提高了使用门槛，一定程度上增加了上手难度。（这一问题将通过Notebook节点进行简化）

2、节点参数说明

在画布流程中点击节点，右侧 参数设置 列表中的配置项及说明如下所示——

表 20. `自定义组件` 节点参数说明
参数名称	解释说明
名称	必填项。节点在画布内显示的名称，可自定义修改设置为节点操作内容。
镜像路径	必填项。节点操作需引用的镜像来源。路径内容为集群内可访问链接即可。
启动命令	选填项。可指定容器运行一个命令，如 `/bin/start.sh` 、`python3 main.py` 等。
启动参数	选填项。可添加多个。对于通过dockerfile方式构建的镜像，在启动时增加参数可以修改某些配置并增加部署的灵活性。
输入参数（文件）	选填项，可添加多个。当前节点需要依赖的输入文件，由 `参数名` 、 `参数路径` 、 `参数来源` 三部分定义。 `参数名` ：必填项。配置输入文件的参数名称。 `参数路径` ：必填项。配置输入文件的存储路径，可指定镜像中某一位置用于存储输入文件。 `参数来源` ：必选项。配置输入文件的获取来源，选项内容为前序节点配置的输出参数，任务执行时，会将所依赖的前序节点的输出参数文件，复制到配置的参数路径上。
输入参数（变量）	必填项，可添加多个。当前节点需要依赖的输入参数，由 `参数名称` 与 `参数值` 定义。 `参数名称` ：必填项。配置输入参数的名称，如预处理输入数据 `"preprocess-data_input_test"` 。 `参数值` ：必填项。配置输入参数的变量值，如当前路径下的文件名称 `"./regression.train"` 。
输出参数	必填项，可添加多个。当前节点可以将输出的数据或文件，存储至镜像中的指定路径下，由 `参数名称` 与 `参数路径` 定义。同时，后序节点可以通过参数名称选择并使用对应的数据或文件。 `参数名称` ：必填项。配置输出参数的名称，如模型训练结果 `"train-model"` 。 `参数路径` ：必填项。配置输出数据或文件的存储路径和名称，如/app路径下保存为.pkl格式的模型文件 `"/app/model.pkl"` 。

3、镜像制作规范与流程示例

（1）pipeline自定义镜像中需要包含一个可以执行的脚本，可以通过docker run的方式跑通这个脚本。这个脚本可以是任意操作，比如模型训练，或者数据集下载等等。启动脚本的命令则为自定义组件的启动命令

（2）执行脚本可以有输出数据或者输出文件，输出位置可以以文件的形式存储在镜像中的任意位置，在自定义组件中新增输出参数，并设置参数路径为该文件在镜像中的输出位置，则依赖该组件的其他组件可以在获取到该文件作为自己的输入数据。并且该文件在任务运行成功后可以在pipeline页面下载

（3）将依赖组件的输出文件作为输入数据，需要在页面新增输入参数，参数来源可以选择依赖的节点中的一个输出参数，该任务执行时，会将依赖的节点输出参数的文件复制到镜像中下图设置的参数路径上。换句话说自定义组件脚本中可以有从镜像中某个路径读取文件的操作。该文件可以通过设置输入参数的方式从上一个自定义组件中传输过来。

示例：

图中是一个训练模型的自定义组件镜像的构建代码，包括构建镜像的Dockerfile，和训练代码train.py

dockerfile中安装了python代码依赖的python包

python代码则为训练模型的过程,可以看到代码中读取了四个训练相关的数据集"/app/x_train", "/app/y_train", "/app/x_test", "/app/y_test" 和保存了模型文件"/app/model.pkl"

可以在页面给该组件节点添加输入参数的方式将依赖节点的输出作为该模型节点的输入，如下图，任务执行时，该训练任务会将节点“一”的参数preprocess-data-x_train对应的文件存放到镜像/app/x_train下，作为模型训练的数据集。

也可以在页面新增输出参数设置参数路径为"/app/model.pkl"，这样任务执行结束后，则可以在页面下载训练出的模型，也可以在后续的组件中使用该模型，比如批量预测，或者模型评估的自定义组件或者模型上架的系统组件。

代码示例文件如下——

Dockerfile文件

FROM 172.16.1.99/aip/base-image:seldon

WORKDIR /app

RUN pip install -U scikit-learn numpy lightgbm==3.3.2 pandas -i http://pypi.doubanio.com/simple/ --trusted-host pypi.doubanio.com

COPY train.py ./train.py

ENTRYPOINT [ "python", "train.py" ]

train.py文件

import argparse
import joblib
import numpy as np
from sklearn.linear_model import SGDRegressor
import lightgbm as lgb

def train_model(x_train, y_train, x_test, y_test):

    x_train_data = np.load(x_train)
    y_train_data = np.load(y_train)
    x_test_data = np.load(x_test)
    y_test_data = np.load(y_test)


    lgb_train = lgb.Dataset(x_train_data, y_train_data)
    lgb_eval = lgb.Dataset(x_test_data, y_test_data, reference=lgb_train)

    params = {
        'boosting_type': 'gbdt',
        'objective': 'regression',
        'metric': {'l2', 'l1'},
        'num_leaves': 31,
        'learning_rate': 0.05,
        'feature_fraction': 0.9,
        'bagging_fraction': 0.8,
        'bagging_freq': 5,
        'verbose': 0
    }

    gbm = lgb.train(params,
                    lgb_train,
                    valid_sets=lgb_eval,
                    num_boost_round=20,
                    callbacks=[lgb.early_stopping(stopping_rounds=5)])
    print('Saving model...')
    # save model to file
    gbm.save_model('model.pkl')


if __name__ == '__main__':
    train_model("/app/x_train", "/app/y_train", "/app/x_test", "/app/y_test")

notebook代码

1、节点使用场景

notebook代码 是用于简化自定义组件的使用方式，并拓展功能易用性的节点。节点需要依赖Sophon Discover组件，使用已完成创建的运行镜像和执行文件，实现模型训练、特征加工、数据预处理等一系列操作。

notebook代码 节点仅支持安装Sophon Discover组件后可用。

2、节点参数说明

在画布流程中拖入并点击当前节点，右侧 参数设置 列表中的配置项及说明如下所示——

表 21. `notebook代码` 节点参数说明
参数名称	解释说明
Notebook实例	必选项。选项来源为Sophon Discover中的Notebook建模项目，可直接作为镜像运行时环境（支持在其中安装对应所需的依赖包），大幅减少了制作镜像的复杂操作。
代码文件	必选项。选项来源为对应Notebook项目的文件在NFS中的存储路径，本质上是选择需要执行的操作对应的代码文件。 `【备注】仅支持选择.ipynb, .r, .R, .sh, .py格式的文件`
资源配置	必填项。配置当前节点所需的运行资源。类型包括：CPU/个、内存/G、GPU/个。

如果TCOS版本≥3.0，则支持选择GPU卡，并且支持GPU独占和分享模式。

如果TCOS版本≥3.3.1，则可以无限额共享GPU。

用户可以不设置限额分享GPU，即选择“分享”模式，并开启“无限额共享”，无需填写GPU算力和GPU显存大小。

判断逻辑

1、节点使用场景

判断逻辑 节点的作用是作为执行判断，根据自定义脚本中的逻辑，判断传入的参数是否满足要求，来控制是否继续执行后续流程节点。

判断逻辑的脚本内容需要根据实际使用需要，自定义编写。下文会提供脚本示例。

2、节点参数说明

在画布流程中点击节点，右侧 参数设置 列表中的配置项及说明如下所示——

表 22. `判断逻辑` 节点参数说明
参数名称	解释说明
判断逻辑脚本	必填项。当前节点执行的操作内容，可自定义修改脚本以满足使用需要。 `【备注】` 判断结果将生成“true”或“false”两种类型。 -“true”表示满足条件，继续运行后续节点； -"false"表示不满足条件，流程中止。
输入参数（文件）	必填项，可添加多个。当前节点需要依赖的输入文件/数据，由 `参数名` 、 `参数路径` 、 `参数来源` 三部分定义。 `参数名` ：必填项。配置输入文件的参数名称，同时也表示在【判断逻辑脚本】中定义的变量。 `参数路径` ：必填项。配置输入文件的存储路径，可使用前序节点输出的路径或其他路径下存储的数据，作为逻辑判断脚本的输入数据，以执行脚本判断的内容。 `参数来源` ：必选项。配置输入文件的获取来源，选项内容为前序节点配置的输出参数，任务执行时，会将所依赖的前序节点的输出参数文件，复制到配置的参数路径上。
输出参数	选填项，可添加多个。当前节点可以将输出的数据或文件，存储至镜像中的指定路径下，由 `参数名称` 与 `参数路径` 定义。同时，后序节点可以通过参数名称选择并使用对应的数据或文件。 `参数名称` ：必填项。配置输出参数的名称，如模型训练结果 `"train-model"` 。 `参数路径` ：必填项。配置输出数据或文件的存储路径和名称，如/app路径下保存为.pkl格式的模型文件 `"/app/model.pkl"` 。 `【备注】` 判断逻辑节点比较特殊，不需要强制指定输出参数，若脚本执行后，满足判断逻辑，则继续执行后续流程节点，否则任务中止。因此，没有明确的输出内容。

3、脚本内容与使用方式示例

判断逻辑脚本示例

def _judge():
 text = get_input_text_by_name('evaluate') # 内置函数，根据输入参数名获取输入文件内容
 import json
 metrcs=json.loads(text)
 return float(metrcs.get('accuracy').get('value'))>0.4

重要说明 在定义函数时，需要将传入参数的名称，与【参数配置-输出参数（文件）-参数名】保持一致。

模型上架

1、节点使用场景

模型上架 是系统内置的交互流程，用于将前序节点（自定义组件/notebook代码）训练生成的模型文件，作为新增的模型版本追加至模型仓库中的已有模型。

持续训练的目的是对某个已有服务的迭代优化，在已有模型服务的前提下，默认该模型至少有一个版本已经在模型仓库内完成注册和上架。

2、节点参数说明

在画布流程中拖入并点击当前节点，右侧 参数设置 列表中的配置项及说明如下所示——

表 23. `模型上架` 节点参数说明
参数名称	解释说明
模型路径	必选项。选项来源为模型仓库内已有的模型。
模型版本名称	必选项且默认选中唯一选项。当前版本仅支持选择 `按时间增加版本后缀` ，上架最新训练生成的模型文件至模型仓库时，将以“模型名称_上架时间”拼接作为模型版本的名称，如：XGBoost_20220616120000。
输入参数	必填项，仅一个。模型上架节点需要依赖的输入参数，由 `参数名` 、 `参数路径` 、 `参数来源` 三部分定义。 `参数名` ：必填项，且不可编辑。默认配置模型上架节点的输入参数名称为 `model`。 `参数路径` ：必填项，且不可编辑。默认配置模型上架节点的输入文件存储至 `/data/model` 路径下。 `参数来源` ：必选项。配置模型上架节点的输入文件的获取来源，选项内容为前序节点配置的输出参数，任务执行时，会将所依赖的前序节点的输出参数文件，复制到配置的参数路径上。
输出参数	必填项，仅一个。模型上架节点输出的文件，存储至镜像中的指定路径下，由 `参数名称` 与 `参数路径` 定义。 `参数名称` ：必填项，且不可编辑。默认配置模型上架节点的输出参数名称为 `model-path`。 `参数路径` ：必填项，且不可编辑。默认配置模型上架节点的输出文件的存储路径为 `/data/model-path`。

模型评估

1、节点使用场景

模型评估 是系统内置的交互流程，对前序节点中，已完成注册上架的模型版本执行模型评估的任务，自动化评估模型版本的效果是否满足预期【可与判断逻辑节点共同使用】。

模型评估功能只是自动创建了模型仓库内的一个模型评估任务，所有评估的记录都将显示在模型仓库中。同时，评估任务需要依赖的数据需要提前在模型仓库内完成配置，包括评估数据集、评估脚本。
因此，若要使用模型评估节点，则前序节点必须连接【模型上架】节点。

2、节点参数说明

在画布流程中拖入并点击当前节点，右侧 参数设置 列表中的配置项及说明如下所示——

表 24. `模型上架` 节点参数说明
参数名称	解释说明
选择数据	必选项。选项来源为前序模型上架节点中，选择的模型版本页面，【模型评估-评估数据】tab下已完成创建的评估数据集。
选择评估脚本	必选项。选项来源为前序模型上架节点中，选择的模型版本页面，【模型评估-评估脚本】tab下已完成创建的评估脚本。
选择评估框架	必选项。本质上是模型评估任务所依赖的运行时镜像，对应当前版本可支持的模型类型，包括scikit-learn、pytorch、tensorflow、xgboost。
资源配置	必选项。模型评估任务所依赖的运行资源，支持配置CPU和内存大小。可根据评估脚本的计算量，按需配置。
输入参数	必填项，仅一个。模型上架节点需要依赖的输入参数，由 `参数名` 、 `参数路径` 、 `参数来源` 三部分定义。 `参数名` ：必填项，且不可编辑。默认配置模型评估节点的输入参数名称为 `model-path`。 `参数路径` ：必填项，且不可编辑。默认配置模型评估节点的输入文件存储至 `/data/model-path` 路径下。 `参数来源` ：必选项。配置模型评估节点的输入文件的获取来源，选项内容为前序节点配置的输出参数，任务执行时，会将所依赖的前序节点的输出参数文件，复制到配置的参数路径上。
输出参数	必填项，仅一个。模型上架节点输出的文件，存储至镜像中的指定路径下，由 `参数名称` 与 `参数路径` 定义。 `参数名称` ：必填项，且不可编辑。默认配置模型评估节点的输出参数名称为 `eval-metrics`。 `参数路径` ：必填项，且不可编辑。默认配置模型评估节点的输出文件的存储路径为 `/data/eval-metrics`。

模型部署

1、节点使用场景

模型部署 是系统内置的交互流程，用于执行模型部署操作，将前序节点已完成上架的模型版本以 冠军挑战者(影子部署) 模式的上线策略，作为新增服务版本追加至已部署的模型服务上。

模型部署的前序节点必须为模型上架节点。

2、节点参数说明

在画布流程中拖入并点击当前节点，右侧 参数设置 列表中的配置项及说明如下所示——

表 25. `模型部署` 节点参数说明
参数名称	解释说明
模型推理节点	必选项。选项来源为服务推理图模块内内置或自定义上传的模型节点（运行时镜像）。
模型服务	必选项。选项来源为服务列表中已部署的模型服务。
服务版本名称	必选项且默认选中唯一选项。当前版本仅支持选择 `按时间增加版本后缀` ，部署新增的服务版本时，将以“服务名称_上架时间”拼接作为模型版本的名称，如：申请反欺诈_20220616120000。
上线策略	必选项且默认选中唯一选项。当前版本仅支持选择 `冠军挑战者` ，即影子部署。新增服务将作为挑战者版本（影子）发布至已有服务，原有运行状态不受影响，数据接口实际返回的仍然是冠军版本（主体）预测的结果，挑战者版本仅做数据预测，不做输出。 `【备注1】当前版本的“冠军挑战者”上线策略，最多仅支持部署两个版本，即一个冠军和一个挑战者。` `【备注2】在已有挑战者版本的前提下，继续使用持续训练功能部署模型时，将使用新增版本作为挑战者，替换已有的挑战者版本。`
伸缩策略	必选项。可选 `固定策略` 或 `动态策略` 。 `【备注】具体配置内容及方式详见章节《服务推理图-发布服务推理图》`
输入参数	必填项，仅一个。模型部署节点需要依赖的输入参数，由 `参数名` 、 `参数路径` 、 `参数来源` 三部分定义。 `参数名` ：必填项，且不可编辑。默认配置模型部署节点的输入参数名称为 `model-path`。 `参数路径` ：必填项，且不可编辑。默认配置模型部署节点的输入文件存储至 `/data/model-path` 路径下。 `参数来源` ：必选项。配置模型部署节点的输入文件的获取来源，选项内容为前序节点（模型上架）配置的输出参数，任务执行时，会将所依赖的前序节点的输出参数文件，复制到配置的参数路径上。
输出参数	选填项。详见前述。

如果TCOS版本≥3.0，则支持选择GPU卡，并支持GPU独占和分享模式。

批量预测

1、节点使用场景

批量预测 仅支持在前序节点执行完成后，触发执行系统内已创建的批量预测任务。

当前版本 批量预测 节点仅支持按顺序调度已有任务，暂不支持自动创建并执行。

2、节点参数说明

在画布流程中拖入并点击当前节点，右侧 参数设置 列表中的配置项及说明如下所示——

表 26. `批量预测` 节点参数说明
参数名称	解释说明
批量预测任务	必选项。选项来源为批量预测列表中已创建的批量任务。 `【备注】具体配置内容及方式详见章节《批量预测-新建批量与任务》`

配置调度方式

1、使用场景

平台支持使用 手动触发 和 定时调度 两类方式，实现对持续训练任务进行单次或周期性调度执行。

后续版本规划中，将支持根据监控指标或评估指标来触发持续训练任务。

2、参数说明

在画布流程中点击空白处，右侧 参数设置 列表中的配置项及说明如下所示——

表 27. `批量预测` 节点参数说明
参数名称	解释说明
版本名称	必填项。持续训练任务的版本名称，在新建时配置生成，可在此编辑修改。
创建时间	仅展示，不可编辑。新建任务的时间记录。
描述	选填项。持续训练任务的版本描述，在新建时配置生成，可在此编辑修改。
调度类型	必选项（单选）。可选项为 `手动触发` 或 `定时调度` 。
手动触发	调度类型的选项之一。选中时，当前持续训练任务将不会定时触发，仅在手动点击画布右上角或任务列表中的 `立即运行` 按钮时执行。
定时调度	调度类型的选项之一。选中时，当前任务将按配置内容定时触发。同时支持两类配置方式： `基础模式` 和 `高级模式` —— （1）基础模式：支持按每天某时刻/每周某日某时刻/每月某日某时刻的方式，快速配置指定的任务调度周期。（2）高级模式：支持通过编写Cron字符串表达式，灵活配置任务调度周期。 `【备注】建议参考Cron表达式在线生成工具 http://www.bejson.com/othertools/cron/`

查看运行状态及结果

执行任务

若持续训练任务的调度方式为 手动触发 ，则需要通过点击画布详情右上角或任务列表中的 立即运行 按钮，立即执行一次。
若任务调度方式为 定时调度 ，则无需手动操作，任务将按配置参数周期性触发执行。
待任务运行后，可在 运行历史 页面，以任务版本为维度，查看每次任务的执行情况。

查看任务状态

在 运行历史 页面，点击左侧 版本列表 中的版本名称，切换选择指定的运行版本。然后，在右侧运行历史列表中，点击 详情 按钮，进入 任务详情 页面查看运行状态。

1、节点状态

支持以节点为维度（pod），查看当前任务的运行状态。包括 运行中 、 成功 和 失败 三种状态。

2、详情信息

在画布中，点击任务节点，右侧边栏弹窗显示所选节点的详情信息，参数说明如下所示——

表 28. `运行历史-任务详情` 参数说明
参数名称	解释说明
名称	所选节点的任务名称。
状态	所选节点当前的运行状态。包括：进行中、成功、失败。
开始时间	所选节点开始执行任务的时间。
结束时间	所选节点任务执行完成的时间。
持续时长	所选节点任务执行耗时。
输入参数（文件/变量）	有则显示。所选节点新建时配置的输入参数，详见 `自定义组件-节点参数说明`
输出参数	有则显示。所选节点新建时配置的输出参数，详见 `自定义组件-节点参数说明`。 `【备注】支持通过前端页面直接将输出文件下载至本地。`