概述
本模块将会以经典的例子：MNIST手写数字识别 来带你快速入门DLS服务，并了解DLS的基本功能，包括：
- 数据的存储与操作
- 项目的概念与操作
- 任务的基本操作
本文档中涉及的演示代码和数据集来源于网络，你可以在这里下载到：MNIST.zip
创建项目
在美团云控制台“数据处理与AI”菜单下，找到“深度学习平台”，点开后会进入深度学习平台。点击深度学习平台左侧导航“任务”，会看到项目列表。在创建任务之前需要先创建一个项目。项目是任务的集合，一个项目下可以包含若干个任务。点击项目之后，可以进入任务列表。
代码与数据上传
创建任务前，需要先上传任务涉及到的运行代码和数据集。数据需要上传至DLS的文件服务，文件系统是HDFS。点击DLS左侧导航“文件”，可以进入文件管理页面。您可以创建文件夹，上传代码和数据集。
我在“mnist-files”文件夹下创建了“input”和“output”两个文件夹，其中将代码文件和数据集存放至input中，output存放一些输出文件。当然这里你可以随意命名，只需要在创建任务时，匹配对应的目录即可。
进入“input”文件夹下，点击“上传”，选择对应的代码文件和数据集，我这里预先准备了mnist.py、train.tfrecords和test.tfrecords这三个文件，其中mnist.py是代码主文件，train.tfrecords和test.tfrecords分别是训练集和测试集。如果您的代码文件有多个的话，需要您将多个文件打包上传，建议使用tar.gz。
创建任务并启动
点击“任务”，切换到任务的项目列表，点击“mnist”，进入项目下的任务列表，点击“新建任务”，配置任务的相关内容。
计算资源配置
其中，新建任务需要配置三部分内容：“计算资源”、“输入输出”、“基础信息”。其中，“计算资源”是任务运行的计算资源环境，我们支持CPU和GPU两大类，每个大类都支持“分布式”和“单机”模式。因为我这里是一个简单的业务模型，所以我选择的计算资源为“CPU-单机”。
输入输出配置
接下来需要配置输入输出内容，这里的例子比较简单，代码文件只有一个mnist.py。我们在“代码文件”这一行，点击“文件选择”按钮，在弹出的文件选择框中选中mnist.py文件，点击确认，这样我们就完成了代码文件的配置。由于我们只有一个代码文件，所以系统会默认将mnist.py同时指定为“启动代码文件（Main）”，“启动代码文件（Main）”这个输入框就不需要填写了。当您的代码文件是由多个文件组合成的压缩包时，您将此压缩包配置成代码文件的同时，还需要在“启动代码文件（Main）”这一行手动配置启动代码（main）在压缩包中的地址。例如，启动代码在解压后的文件夹的根目录，这里直接输入文件名即可，否则，您需要填写完整的相对目录，如“mnist/mnist.py”。
接下来我们需要配置训练数据和模型保存地址。在这里配置的两个目录您可以在代码中分别以--datadir和--modeldir这两个命令行参数获取对应的值。相应代码示例如下：
parser = argparse.ArgumentParser()
#配置训练数据的地址
parser.add_argument('--data_dir', type=str, default='', help='input data path')
#配置模型保存地址
parser.add_argument('--model_dir', type=str, default='', help='output model path')
FLAGS, _ = parser.parse_known_args()
如果您还有一些其他的参数，例如训练轮数、batch大小等，您可以在代码中使用，并在“启动参数”输入框进行参数赋值。
基础信息
在基础信息这里，我们需要定义“任务名称”、“任务备注”、“任务完成通知”以及创建后是否立即启动等信息。这些都配置完成之后，点击“确认新建”，则任务创建完成，开始调度运行。
任务启动与运行
回到项目中的任务列表，我们可以看到任务处于“调度中”或“运行中”，这个时候您可以去做别的工作，等待任务的运行完成。如果你配置了“任务完成通知”的联系人，在任务完成时，您将会收到任务完成的通知（短信和邮件）
查看任务详情
点击任务名称可以进入到任务的详情页，您可以在这里查看任务的详细信息，包括计算资源、输入输出和基本信息。
任务日志查看
我们提供了任务的日志查看功能，点击任务列表或任务详情页中的TrackingUI按钮，即可查看任务在各个节点上的运行日志。
如日志所示，我们当前的模型的准确率是79%。