# 入门案例 * 文档说明 |属性 |时间 | |-------------|-----------| |文档版本 | 1.5.0 | |发布日期 | 2020-12-04| [TOC] ## 概述 本手册介绍如何进行TensorFlow、MindSpore模型训练，TensorFlow框架版本为1.15，MindSpore框架版本为1.0.1。 模型训练的流程如图所示。 1. 模型训练流程 ![](static/quickStart/image3.png) ## 创建开发环境 **请通过chrome浏览器使用该平台！** 由于环境资源有限，活动参与者较多，请开发者注意如下事项： - 创建开发环境后，请尽快使用，本次使用完请"停止"释放，下次使用可再重新创建申请，建议每次使用不超过3小时。 - 如果出现环境多人排队情况，管理员将强制停止空闲任务、超时任务。 - 建议首次创建"开发环境"时先设置设备资源为0，不占用NPU资源，先上传数据集和脚本，避免排队。 1. 开发者使用活动主办方提供的[账户登录平台](http://xxx.xxx.xxx.xxx:8888)，依次选择"代码开发 -> 创建开发环境"。如图所示。 ![](static/quickStart/image5.png) *代码开发主要提供模型开发所依赖的docker镜像环境。* 2. 系统进入代码开发任务配置页面，配置任务信息如图2-2所示，各配置项参考如表所示。单击"立即创建"。 ![](static/quickStart/image7.png) 3. 配置项说明（创建开发环境） | 选项 | 配置说明 | |--------------|-----------------------------------------------------| | 代码存储路径 | 任务代码存放路径，其中"/home/用户名/"为固定路径，用户名为当前登录用户的名称，如图示例为admin用户 | | 设备类型 | 请选择"huawei_npu_arm64"，代表昇腾910训练设备。 | | 设备数量 | 模型训练所需的昇腾910数量，建议选1。 | > [!WARNING] > 如暂时不使用环境资源，请通过"停止"或者"暂停"按钮将任务停止或暂停，避免资源的占用，如图2-3所示。停止代码开发任务后，用户数据仍然会保存在平台中，用户下次再登录平台创建代码开发任务时(停止需重新配置任务信息)，需在"代码存储路径"选择之前的存储路径，即可关联此前已上传的代码及数据；暂停代码开发任务后，用户下次再登录平台，选择"启动"按钮，即可启动此前暂停的任务。 ![](static/quickStart/image8.png) ## 上传代码或数据集 * **Web界面方式** 1. 上传代码,用户可点击代码开发任务中的"上传"按钮，如图所示。 ![](static/quickStart/image9.png) *系统弹出如图所示页面，将代码工程相关文件上传至开发环境中。支持的文件类型包括：代码文件，zip压缩包和rar压缩包。* ![](static/quickStart/image10.png) 上传后用户可在此前创建代码开发环境的代码路径中查看（如/home/admin/code/Resnet50_HC，admin为登录用户名）。 > [!NOTE] > 前提条件是：代码开发任务创建后，等待任务调度至"运行中"。 2. 上传数据集 对于数据集上传，用户可依次点击"数据管理 -> 数据集管理 -> 新增数据集"，进行Web界面上传数据集，数据集支持zip、tar、tar.gz等几个格式文件进行上传，新增数据集配置信息可参考下表进行填写。 ![](static/quickStart/image11.png) * 数据集上传配置说明 | 选项 | 配置说明 | |------------|--------------------------------------------------------| | 数据集名称 | 数据集名称 | | 简介 | 数据集描述信息 | | 是否已标注 | 数据是否已标注，如已标注且需要在"模型训练"模块可选该数据集，需填写"是"。 | | 数据权限 | 数据权限配置，为了保障数据安全，如通过Web界面上传，建议选择"私有"权限。 | | 数据源 | 数据的来源，网页上传数据源：可选择本地数据集进行，也可使用ssh的方式上传数据集| | 上传文件 | 选择上传的数据集压缩文件 | 上传完成后，可以在"数据集管理"页面，单击数据集名称，查看数据集的存放路径。如下图所示，cyxx为当前登录用户名。 ![](static/quickStart/image12.png) > [!TIP] > 如需上传较大的代码工程或数据集，建议SSH方式进行上传。 * **SSH方式** 1. 在代码开发任务列表中点击对应任务的"SSH"按钮，如下图所示，系统会弹出SSH登录信息，左键点击弹出信息即可复制SSH信息。 ![](static/quickStart/image13.png) 1. 根据获取的SSH信息，使用WinSCP将代码工程或数据集上传至代码开发镜像环境内（如"/home/用户名/"路径下，用户名对应当前登录的用户名），如图4-2所示配置WinSCP登录信息。 - 文件协议：选择SCP - 端口：为获取SSH信息中对应的端口 - 用户名：为当前登录用户名 - 密码：目前固定为tryme2017 ![](static/quickStart/image14.png) ## 关联数据集 如用户通过SSH方式进行数据集上传，且需要使用菜单栏"模型训练"模块时，需要在web界面对数据集进行关联操作，方便在创建模型训练任务时选择所需的数据集。 对于关联数据集，用户可依次单击"数据管理 -> 数据集管理 -> 新增数据集"，实现数据集的关联，如下图所示。 ![](static/quickStart/image15.png) * 配置关联数据集说明 | 选项 | 配置说明 | |------------|-------------------------------------------------------| | 数据集名称 | 数据集名称。 | | 简介 | 数据集描述信息。 | | 是否已标注 | 请选择"是"。 | | 数据权限 | 数据权限配置，为了保障数据安全，如通过Web界面上传，建议选择"私有"权限。 | | 存储路径 | 输入通过SSH上传数据集后的存储路径。具体SSH上传后的存储路径可在代码开发中查看。| ## 模型开发 * **SSH模式** 用户将代码及数据集上传后，获取对应任务SSH登录信息。如图6-1所示，输入SSH信息登录代码开发镜像，平台会对应当前登录用户的环境路径，用户可通过命令行方式进行代码调试、模型训练。 ![](static/quickStart/image16.png) * **Jupyter Notebook模式** 用户可在代码开发列表中，单击"Jupyter"按钮进入Notebook环境进行模型开发。 1. 启动Jupyter ![](static/quickStart/image17.png) 2. Jupyter Notebook交互式界面 ![](static/quickStart/image18.png) * **VS Code模式** 用户获取SSH信息后，也可通过配置使用VSCode进行远程链接调试，VSCode需安装Remote插件，如下图进行配置及登录对应环境。 1. 安装Remote插件 ![](static/quickStart/image19.png) 2. 添加SSH信息 ![](static/quickStart/image20.png) 3. 输入SSH信息 ![](static/quickStart/image21.png) 4. 打开Remote SSH环境 ![](static/quickStart/image22.png) 5. 填写对应SSH登录密码 ![](static/quickStart/image23.png) 6. 选择开发目录 ![](static/quickStart/image24.png) ## 模型训练 针对此前代码开发中调试完成的训练脚本，配置模型训练任务，任务结束后自动释放NPU资源，避免了资源浪费。 * 前提条件 - 代码/数据集已上传至平台，具体操作可参考zh-cn_topic_0297797150.xml。 - 模型训练脚本已完成调试，具体操作可参考zh-cn_topic_0297797124.xml。 * 操作步骤 1. 依次选择"模型训练 -> 模型训练->创建训练任务"，进入训练作业配置页面，配置任务信息如图11-1所示，各配置项参考下填写。完成后点击"立即创建"开始训练作业。 ![](static/quickStart/image28.png) *示例路径中model_user为当前登录用户。* 2. 配置项说明（创建训练作业-经典模式） | 选项 | 配置说明 | |----------------|---------------------------------------------------| | 作业名称 | 训练作业名称。 | | 描述 | 训练作业描述。 | | 代码目录 | 选填，模型训练代码所在路径。 | | 启动文件 | 模型训练启动脚本。 | | 可视化路径 | 选填，模型训练日志输出路径。 | | 输出路径 | 选填，模型文件输出路径。| | 训练数据集 | 训练数据集，如为用户私有数据集且通过SSH上传，需要进行关联数据集操作，可参考3.3。 | | 运行参数 | 模型训练可自定义相关参数传参，如上图示例调整训练epoch，用户的训练脚本可直接使用运行参数的变量。 | | 是否分布式训练 | 本次活动分配给用户都,是单卡资源，暂无法进行多机分布式训练，请选择"否"。 | | 设备类型 | 请选择"huawei_npu_arm64"，代表昇腾910训练设备。 | | 设备数量 | 模型训练所需的昇腾910数量,建议选"1"（如训练任务不需要NPU资源，可选"0"）。 | > [!NOTE] > 输出路径对应变量为output_path，数据集对应变量为data_path，如填写需训练脚本中解析该变量，如上图示例，对应代码开发中用户直接拉起训练的指令如下：（示例中epoch为用户定义的运行参数，更多运行参数用户可根据训练脚本所需填写） `python /home/model_user/code/res50.py --data_path <数据集路径> --epoch 100 --output_path /home/model_user/code/output/` 3. 创建训练作业-命令行模式 ![](static/quickStart/image29.png) *命令行模式中需要的路径地址为"代码开发"任务中配置的路径。* 4. 任务创建完成并等待任务状态变为"运行中"，单击任务列表中的作业名称进入模型训练详情界面，可看到模型训练过程日志的实时输出，如下图所示。 ![](static/quickStart/image30.png) 5. 用户可对训练任务参数进行保存，下次创建模型训练任务时，"参数来源"可选择"导入训练参数"，如下图6-3所示进行训练参数保存。 ![](static/quickStart/image31.png) **保存模型训练参数配置说明：** - 配置名称：训练参数保存名称，便于下次选择。 - 类型：默认为模型训练。 - 引擎类型：默认为该模型训练任务所选引擎。 - 描述：描述信息。 ## 运行单机训练-TensorFlow * 前提条件 - 已经准备好适配TensorFlow的脚本。 - 已经创建好开发环境，具体操作请参考2 创建开发环境。 - 已经将代码/数据集上传至开发环境中，具体操作请参考zh-cn_topic_0297797150.xml。 * 操作步骤 本章节以一个已迁移好的适配TensorFlow框架的Resnet50模型代码为例，介绍如何进行模型训练。 1. 打开Jupyter，请参考模型开发（Jupyter Notebook模式），启动一个Terminal，解压文件进入代码路径。 ```bash cd ~/code unzip ModelZoo_Resnet50_HC.zip ``` 2. 修改数据集路径(data_url)。编辑 res50_256bs_1p.py配置文件，如图所示。 `vim ModelZoo_Resnet50_HC/00-access/src/configs/res50_256bs_1p.py` 3. 修改数据集路径(/home/{username}/dataset/tiny_imagenet) ![](static/quickStart/image25.png) * 执行模型训练。 *一般分配基本为每个用户只有一张NPU卡，在编辑完示例代码后直接执行如下命令即可拉起模型训练。* ```bash python ~/code/ModelZoo_Resnet50_HC/00-access/src/mains/res50.py \--config_file=res50_256bs_1p \--max_train_steps=1000 \--iterations_per_loop=100 \--debug=True \--eval=False \--model_dir=d_solution/ckpt${DEVICE_ID} ``` * 训练结束后，进入模型输出路径(model_dir配置的输出路径)，即可查看对应模型文件。 ```bash cd d_solution\ ls -alt ``` * 模型输出路径 ![](static/quickStart/image26.png) *示例命令中admin为当前登录用户，用户可根据当前登录用户名进行调整。* - data_url：为数据集路径，data_url填写的为用户数据集保存的路径。可以通过图3-4进行查询。 - config_file：为模型配置文件 - max_train_steps：为模型训练最大步长 - model_dir：为模型输出路径 - 在调试过程中，驱动错误会存储在"/var/log/npulog/slog/"下，通常系统报错放在host-0下，对应卡的报错在device-以及device-os-\*下，对应调用的是哪一张卡，就去哪一个目录去找对应的日志，如下图所示。 - 第一次训练执行完成后，如再次启动训练任务程序会自动加载之前的权重文件，建议把输出目录清空后再次进行训练。 > ![](static/quickStart/image27.png) ## 运行分布式训练-BERT-TensorFlow * 前提条件 - 已经创建好开发环境，具体操作请参考2 创建开发环境。 - 已经将bookscorpus数据集TFRecord格式上传至开发环境中。 * 操作步骤 本章节以一个从ModelZoo上下载[BERT-Base](https://www.huaweicloud.com/ascend/resources/modelzoo)模型为例，介绍如何进行BERT-Base多机多卡分布式模型训练。 1. 打开Jupyter，请参考模型开发（Jupyter Notebook模式）启动分布式开发环境，新建一个Terminal，进入代码路径\~/code/后使用unzip命令解压。 2. 进入`~/code/ModelZoo_BertBase_TF/00-access/`目录下新建train.sh文件，输入以下内容并保存。 ```bash \#!/bin/bash export GLOBAL_LOG_LEVEL=3 export TF_CPP_MIN_LOG_LEVEL=3 export SLOG_PRINT_TO_STDOUT=0 execpath=$(dirname $(realpath $0)) IFS=\',\' read -ra NPUSARR \<\<\<\"${VISIBLE_IDS}\" echo \"ADD\-\--${NPUSARR\[@\]}\" export SOC_VERSION=Ascend910 export HCCL_CONNECT_TIMEOUT=600 export PRINT_MODEL=0 export RANK_SIZE=${\#NPUSARR\[@\]} export DEVICE_NUM=${\#NPUSARR\[@\]} export JOB_ID=$DLWS_JOB_ID export RANK_START=0 export RANK_INDEX=0 export POD_NAME=${DLWS_JOB_ID} logpath=\~/work_dirs/distributed/$DLWS_JOB_ID/$DLWS_ROLE_IDX mkdir -p $logpath cd $logpath if \[ $DLWS_NUM_WORKER -gt 1 \]; then export POD_NAME=$DLWS_JOB_ID-worker-$DLWS_ROLE_IDX export SERVER_ID=${DLWS_ROLE_IDX} export RANK_START=$((DEVICE_NUM \* SERVER_ID)) export RANK_SIZE=$(($DLWS_NUM_WORKER \* 8)) fi export RANK_ID=$POD_NAME ulimit -u unlimited env export AICPU_PROFILING_MODE=false export PROFILING_OPTIONS=task_trace:training_trace export FP_POINT=bert/embeddings/GatherV2 export BP_POINT=gradients/bert/embeddings/IdentityN_1\_grad/UnsortedSegmentSum+ export RANK_TABLE_FILE=/home/$DLWS_USER_NAME/.npu/$DLWS_JOB_ID/hccl_tf.json rm -rf output kernel_meta INDEX=0 export RANK_INDEX=$INDEX for device_phy_id in \"${NPUSARR\[@\]}\"; do export DEVICE_ID=$device_phy_id export RANK_DEVICE_INDEX=$INDEX INDEX=$((INDEX+1)) python $execpath/src/pretrain/run_pretraining.py \--bert_config_file=$execpath/configs/bert_base_config.json \--max_seq_length=128 \--max_predictions_per_seq=20 \--train_batch_size=128 \--learning_rate=1e-4 \--num_warmup_steps=10000 \--num_train_steps=500000 \--optimizer_type=adam \--manual_fp16=True \--use_fp16_cls=True \--input_files_dir=/data/dataset/storage/bookscorpus/training \--eval_files_dir=/data/dataset/storage/bookscorpus/test \--npu_bert_debug=False \--npu_bert_use_tdt=True \--do_train=True \--num_accumulation_steps=1 \--npu_bert_job_start_file=None \--iterations_per_loop=100 \--save_checkpoints_steps=10000 \--npu_bert_clip_by_global_norm=False \--distributed=True \--npu_bert_loss_scale=0 \--output_dir=./output & echo \"============ CMD ============\" echo $CMD echo \"============ CMD ============\" eval $CMD done wait ``` 3. 进入worker-0中拉起训练脚本后，再从jupyter中新建一个terminal进入worker-1中拉起训练脚本 ```bash ssh worker-0 cd \~/code/ModelZoo_BertBase_TF/00-access/ bash train.sh ssh worker-1 cd \~/code/ModelZoo_BertBase_TF/00-access/ bash train.sh ``` - 如果进行4,8,16机分布式训练，则在创建代码开发中，选择相应的4,8,16节点数，打开jupyter并分别进入各个worker中拉起训练脚本 `ssh worker-0 ... worker-4 \... worker-8 ... worker-16 ... bash train.sh` - input_files_dir：为训练集数据集路径，训练集格式为tfrecord。 - eval_files_dir: 为测试集数据集路径。 - 模型输出路径为：\~/work_dirs/distributed/$DLWS_JOB_ID/$DLWS_ROLE_IDX。 - 使用预置模型启动多机多卡，worker节点命令添加 `cd /data/model-gallery/models/npu/tensorflow/bert_base && bash train.sh --data_path /data/dataset/storage/bookscorpus` ## 运行GPU模型训练-Lenet-TensorFlow * 前提条件 - 已经创建好开发环境。 * 操作步骤 本章节以一个从gitee上拉取[lenet-tensorflow2.x](https://gitee.com/Stan.Xu/lenet-tensorflow2)模型为例，介绍如何进行GPU模型训练。 1. 打开Jupyter，请参考7 模型开发（Jupyter Notebook模式），启动一个Terminal，进入代码路径\~/code/后使用进行代码克隆。 ```bash git clone https://gitee.com/Stan.Xu/lenet-tensorflow2 cd lenet-tensorflow2 ``` 2. 执行tf-lenet.py即可启动训练。 `python tf-lenet.py` ## 运行MindSpore单机训练 *该流程与运行训练脚本（TensorFlow）类似，此处只针对差异进行介绍。* * 前提条件 - 已经准备好适配MindSpore的脚本。 - 已经创建好开发环境，具体操作请参考2 创建开发环境。 - 经将代码/数据集上传至开发环境中，具体操作请参考zh-cn_topic_0297797150.xml。 * 操作步骤 本章节以一个已迁移好的适配MindSpore框架的Resnet模型代码为例，介绍如何进行模型训练。 进入脚本所在路径，启动训练，此处以cifar10数据集为例。 `cd \~/code/mindspore/model_zoo/official/cv/resnet/scripts bash run_standalone_train.sh resnet50 cifar10 ~/dataset/cifar10/` 本示例训练脚本run_standalone_train.sh 中将标准输出存入train/log文件中。 如果需要输出到终端上，需要进入run_standalone_train.sh中去掉>重定向命令。 如果需要修改模型文件的存放路径，则需要进入项目src文件夹下，修改对应的config.py文件，训练结束后可到对应路径下载对应输出。 用户在调试MindSpore模型时，如果前一次训练任务异常退出，需要清理环境相关进程（本示例需要清理如下两个相关的进程），然后再次拉起训练脚本。 ```bash ps -aux |grep python python /usr/local/lib/python3.7/site-packages/mindspore/_extends/remote/kernel_build_server_ascend.py python /home/admin/code/ms-resnet/train.py --net=resnet50 \ --dataset=cifar10 --run_distribute=True --device_num=2 \ --dataset_path=/data/dataset/storage/cifar10/cifar10-bin/ ``` 清除训练脚本进程，执行kill 进程id 清除相关进程 `ps -aux \|grep train \|awk \'{print $2}\' \|xargs -n 1 kill -9` 清除MindSpore进程 `ps -aux \|grep mindspore \|awk \'{print $2}\' \|xargs -n 1 kill -9` 停止训练任务，手动执行kill命令关闭训练进程。 ## 运行YOLOv3-MindSpore分布式训练 * 前提条件 - 已经创建好开发环境，具体操作请参考2 创建开发环境。 - 已经将coco2014数据集上传至开发环境中。 * 操作步骤 本章节以一个从ModelZoo上下载[YOLOv3](https://www.huaweicloud.com/ascend/resources/modelzoo)模型为例，介绍如何进行YOLOv3多机多卡分布式模型训练。 1. 打开Jupyter，请参考7 模型开发（Jupyter Notebook模式）启动分布式开发环境，新建一个Terminal，进入代码路径\~/code/后使用unzip命令解压。 2. 进入`~/code/yolov3_darknet53`目录下新建train.sh文件，输入以下内容并保存。 ```bash \#!/bin/bash export GLOBAL_LOG_LEVEL=3export TF_CPP_MIN_LOG_LEVEL=3export SLOG_PRINT_TO_STDOUT=0execpath=$(dirname $(realpath $0))IFS=',' read -ra NPUSARR <<<"${VISIBLE_IDS}" echo "ADD---${NPUSARR[@]}" export SOC_VERSION=Ascend910 export HCCL_CONNECT_TIMEOUT=600 export PRINT_MODEL=0 export RANK_SIZE=${#NPUSARR[@]} export DEVICE_NUM=${#NPUSARR[@]} export JOB_ID=$DLWS_JOB_ID export RANK_START=0 export RANK_INDEX=0 export POD_NAME=${DLWS_JOB_ID}logpath=~/work_dirs/distributed/$DLWS_JOB_ID/$DLWS_ROLE_IDXmkdir -p $logpathcd $logpath if [ $DLWS_NUM_WORKER -gt 1 ]; then export POD_NAME=$DLWS_JOB_ID-worker-$DLWS_ROLE_IDX export SERVER_ID=${DLWS_ROLE_IDX} export RANK_START=$((DEVICE_NUM*SERVER_ID)) export RANK_SIZE=$(($DLWS_NUM_WORKER \* 8)) fi export RANK_ID=$POD_NAMEulimit -u unlimitedenv export RANK_TABLE_FILE=/home/$DLWS_USER_NAME/.npu/$DLWS_JOB_ID/hccl_ms.jsonrm -rf output kernel_metaINDEX=0 export RANK_INDEX=$INDEX for((device_phy_id = 0; device_phy_id < ${DEVICE_NUM}; device_phy_id++)); do export RANK_ID=$((RANK_START + device_phy_id)) export RANK_INDEX=$((RANK_START + device_phy_id)) export DEVICE_ID=$device_phy_id export DEVICE_INDEX=$device_phy_id export RANK_DEVICE_INDEX=$device_phy_id python /home/admin/code/yolov3_darknet53/train.py --is_distributed=1 \ --lr=0.01 --data_dir=/data/dataset/storage/coco/2014/raw \ --pretrained_backbone=/data/dataset/storage/pretrained_models/darknet_weights/darknet53_backbone.ckpt \ --max_epoch=1 & echo "============ CMD ============" echo $CMD echo \ "============ CMD ============" eval $CMDdonewait ``` 3. 进入worker-0中拉起训练脚本后，再从jupyter中新建一个terminal进入worker-1中拉起训练脚本 ```bash ssh worker-0 cd ~/code/yolov3_darknet53 bash train.sh ssh worker-1 cd ~/code/yolov3_darknet53 bash train.sh ``` - data_dir：为训练集数据集路径，训练集格式为MSRecord。 - 模型输出路径为：`~/work_dirs/distributed/$DLWS_JOB_ID/$DLWS_ROLE_IDX`。 - 如果进行4,8,16机分布式训练，则在创建代码开发中，选择相应的4,8,16节点数，打开jupyter并分别进入各个worker中拉起训练脚本 `ssh worker-0 ... worker-4 \... worker-8 ... worker-16 ... bash train.sh` ## NPU环境变量配置信息 - 查看当前使用的device设备id号，如图所示，device_id为3。 *`env \| grep VIS`：查看当前可使用设备号，默认由平台分配。* > ![](static/quickStart/image32.png) - 设置HCCL通信时间（"\~/.npu/$DLWS_JOB_ID/train.sh"中配置）。 `export HCCL_CONNECT_TIMEOUT=200` - NPU驱动日志输出路径为 `/var/log/npulog/slog` ```bash host-0 # 代表该节点所有NPU的驱动报错日志； device-n # 代表第n张NPU卡的驱动报错日志； device-os-0 # 代表第0-3张NPU卡的驱动报错日志； device-os-4 # 代表第4-7张NPU卡的驱动报错日志。 ``` - NPU驱动日志打印到标准输出（"\~/.npu/$DLWS_JOB_ID/train.sh"中配置）。 `export SLOG_PRINT_TO_STDOUT=1` *设置此变量会默认以debug模式输出日志，NPU驱动不会再写入log日志到`/var/log/npulog/slog`下* - 设置全局日志级别。 - Tensorflow的日志控制环境变量（"\~/.npu/$DLWS_JOB_ID/train.sh"中配置） ```bash export GLOBAL_LOG_LEVEL=3 export TF_CPP_MIN_LOG_LEVEL=3 export SLOG_PRINT_TO_STDOUT=0 GLOBAL_LOG_LEVEL取值范围说明如下： 0：对应DEBUG级别。 1：对应INFO级别。 2：对应WARNING级别。 3：对应ERROR级别。 4：对应NULL级别。 ``` - Mindspore的日志控制环境变量（"/var/log/npu/conf/slog/slog.conf"中配置） ```bash #note, 0:debug, 1:info, 2:warning, 3:error, 4:null(no output log), default(3) global_level=3 # Event Type Log Flag, 0:disable, 1:enable, default(1) enableEvent=0 ``` - 日志文档等级可介绍：