企业官网建设流程全解析

1. 这不是“点点鼠标就完事”的云平台体验，而是一次真实模型落地的全链路复盘

ModelArts这个名字在华为云生态里出现频率极高，但很多人第一次点开控制台时，面对“训练作业”“推理服务”“Notebook”“AI Gallery”一堆入口，第一反应其实是懵的——这到底该从哪下手？我手头有个CSV数据集，想做个能识别设备故障的二分类模型，是该先建个OBS桶？还是直接进Notebook写PyTorch？训练完模型文件存在哪？怎么让别人用API调用它？这些不是文档里一句“支持端到端流程”就能糊弄过去的。这篇笔记，就是我用ModelArts跑通一个完整工业图像分类项目的真实记录：从原始JPG图片上传、数据标注、模型选型（没用AutoML，手动搭了ResNet18微调）、超参调试、训练中断恢复，到最后部署成HTTP接口并用Python脚本实测调用延迟。过程中踩过OBS路径权限坑、镜像版本不兼容坑、服务启动后502错误坑，也验证过哪些操作必须用华为云CLI才能绕过控制台限制。它不讲大道理，只告诉你每一步“为什么非得这么点”“参数填错会卡在哪”“日志里哪行报错才是真正线索”。如果你刚接触ModelArts，或者正卡在“训练成功但部署失败”这个阶段，这篇笔记里的每一个截图级操作细节、每一处配置值、每一条CLI命令，都是我反复试错后确认有效的。它适合两类人：一类是想跳过概念堆砌、直接抄作业的工程师；另一类是想搞懂“云上训练和本地训练到底差在哪”的技术决策者。

2. 项目整体设计与思路拆解：为什么选择ModelArts而非本地GPU或其它云平台？

2.1 核心需求倒推架构选型

这个项目最硬性的三个约束条件，直接锁死了技术路线：

• 数据不出内网：原始图像来自某实验室的边缘设备，按安全要求，所有训练数据必须存储在华为云华东-上海一Region内，且不能通过公网传输。这就排除了“本地训练+模型上传”的方案——因为本地机器没有固定公网IP，无法直连OBS，而走临时URL上传又涉及密钥暴露风险。

• 团队协作刚需：项目组有3人，需同时访问同一份标注数据、共享预训练权重、复现他人训练结果。本地环境每人一套CUDA版本、PyTorch版本、OpenCV版本，三天一小冲突、五天一大崩。ModelArts的Notebook实例天然带统一环境镜像（如tensorflow-2.13.0-py39-cuda11.8），且所有代码、数据、模型自动存OBS，打开链接就能看到同事昨天改的loss曲线。

• 上线节奏压得死：客户要求2周内交付可调用的API。如果自己搭Kubernetes集群部署Triton推理服务器，光网络策略、证书配置、健康检查探针就得耗掉5天。ModelArts的在线服务（Inference Service）点选“创建服务”→ 上传模型包 → 设置并发数 → 启动，全程图形界面操作，平均耗时11分钟，且自动生成调用文档和SDK示例。

这三个条件叠加，让ModelArts成为唯一解。它不是因为“功能多”被选中，而是因为“刚好堵住了我们所有流程漏洞”。

2.2 模型训练路径的取舍：AutoML vs 手动训练

ModelArts提供两种主流训练方式：AutoML（自动学习）和训练作业（Training Job）。我最初也尝试过AutoML——上传标注好的图片，勾选“图像分类”，5分钟出结果。但问题立刻浮现：

• AutoML强制要求标注格式为“每个子文件夹一个类别”，而我们的数据是CSV映射表（image_id, label_id, device_type），且device_type有7个子类，但label_id只有0/1。AutoML无法处理这种多维度标签映射，强行转换会导致标签错位。

• AutoML生成的模型结构不可见，当验证集准确率卡在82%不上升时，你无法判断是数据分布问题、还是模型容量不足、或是学习率衰减策略失效。而手动训练作业中，我在train.py里加了torchsummary.summary(model, input_size=(3,224,224))，一眼看出ResNet18最后全连接层输入通道数是512，但输出节点数被AutoML默认设为2（二分类），而我们需要的是7（设备类型），必须手动修改。

• 最关键的是资源调度：AutoML底层用的训练镜像不开放自定义，而我们的数据增强需要albumentations库，其最新版依赖numpy>=1.24，但AutoML镜像自带numpy==1.21，pip install会破坏环境。手动训练作业则允许指定Docker镜像URI，我直接用了华为云官方维护的swr.cn-east-3.myhuaweicloud.com/modelarts-modelzoo/pytorch-1.13.1-cuda11.7:20231215，再通过requirements.txt注入依赖，完美解决。

所以最终方案是：用AutoML做快速baseline验证（确认数据质量没问题），然后切到训练作业模式，完全掌控代码、依赖、日志、断点续训。

2.3 部署方案的三层验证逻辑

部署不是“训练完导出模型文件→上传→启动”这么简单。我设计了三层验证闭环：

• 第一层：本地Mock验证
  在Notebook里写test_local_inference.py，加载.pth模型，用torch.no_grad()跑单张图，输出logits和softmax概率。这步确认模型本身无bug，且预处理（resize、normalize）和后处理（argmax）逻辑与训练时一致。曾因训练时用transforms.Normalize([0.485,0.456,0.406], [0.229,0.224,0.225])，而部署时忘了加，导致输入像素值范围错乱，预测全错。

• 第二层：OBS模型包结构验证
  ModelArts要求模型包必须是ZIP格式，且内部结构严格固定：

  model.zip ├── model/ │ ├── model.pth # 模型权重 │ └── model.py # 必须含class ModelService，实现_preprocess、_postprocess、_inference ├── config.json # 指定model.py中类名、入口函数等 └── requirements.txt # 额外依赖

  少任何一个文件，或config.json里"model_file": "model/model.pth"写成"model_file": "model.pth"，服务启动必报错。我专门写了校验脚本，解压后检查文件树和JSON schema。

• 第三层：服务启动后端口探测
  服务状态显示“运行中”不等于可用。我用curl -X POST https://xxx.execute-api.cn-east-3.modelarts.ai/v1/{project_id}/services/{service_name}/invocations -H "Content-Type: application/json" -d '{"input": "base64_string"}'实测，但发现返回502。查日志发现是model.py里_inference函数没加@torch.no_grad()装饰器，GPU显存溢出被OOM Killer干掉。这层验证必须在服务启动后立即执行，否则上线后才发现，代价太大。

这三层不是可选项，是ModelArts部署的铁律。跳过任何一层，都会在后续环节付出十倍时间成本。

3. 核心细节解析与实操要点：从OBS桶创建到模型包打包的避坑指南

3.1 OBS桶创建：命名规则与权限陷阱

OBS（对象存储服务）是ModelArts的数据底座，但它的命名规则藏着致命坑：

• 桶名必须全局唯一，且只能小写字母、数字、中划线（-），不能以中划线开头或结尾，长度2-64字符。我第一次建桶叫modelarts-data，提示“已存在”，改成modelarts-data-2024才通过。但更隐蔽的坑是：桶名一旦创建，永远无法修改。如果后期想把训练数据和模型文件分桶管理，必须提前规划好，比如myproject-train-data、myproject-models、myproject-logs。

• 权限设置是最大雷区。ModelArts训练作业默认使用“委托授权”（Delegated Authorization），即用你的IAM用户权限访问OBS。但如果你的IAM策略里只给了obs:Objects:GetObject，没给obs:Objects:ListBucket，训练作业会卡在“准备数据”阶段，日志只显示Waiting for data initialization...，没有任何报错。必须确保策略包含：

  { "Version": "1.1", "Statement": [ { "Effect": "Allow", "Action": [ "obs:Objects:GetObject", "obs:Objects:PutObject", "obs:Objects:DeleteObject", "obs:Objects:ListBucket" ], "Resource": ["urn:iam::xxxxx:bucket/myproject-*"] } ] }

• 目录结构决定数据加载逻辑。ModelArts的Dataset类默认按/train/cls1/,/train/cls2/结构读取，但如果你的数据在/raw/images/下，且用CSV标注，就必须在训练脚本里手动构造Dataset。我用pandas.read_csv加载CSV，再用torch.utils.data.Dataset重写__getitem__，这样比强行改目录结构更可控。

提示：OBS控制台右上角“区域切换”按钮常被忽略。华东-上海一Region的OBS endpoint是https://obs.cn-east-3.myhuaweicloud.com，而华北-北京四Region是https://obs.cn-north-4.myhuaweicloud.com。如果训练作业选的Region是上海一，但OBS桶建在北京四，会报Connection refused，且错误日志里不显示endpoint，只显示Failed to connect to OBS。务必在创建OBS桶时，右上角确认Region与ModelArts所在Region完全一致。

3.2 Notebook实例配置：显存、镜像、挂载的黄金组合

Notebook是代码开发主战场，但配置不当会直接拖慢迭代速度：

• GPU型号选择：ModelArts提供P100/V100/A100三种。P100显存16GB，V100 32GB，A100 40GB。我的数据集共12万张图，batch_size=64时，V100刚好够用（显存占用92%），P100会OOM。但A100价格是V100的1.8倍，没必要。关键是显存不是越大越好——A100的Tensor Core对FP16加速极强，但如果代码没加torch.cuda.amp.autocast()，反而因精度损失导致收敛变慢。我实测V100+FP32训练30轮，准确率89.2%；A100+FP16训练30轮，准确率88.7%，还多了2小时调试amp的时间。

• 镜像版本必须匹配框架。华为云文档说“推荐使用最新镜像”，但最新镜像pytorch-2.0.1-cuda11.8里torchvision==0.15.2，而我的数据增强用到了torchvision.transforms.v2.RandomPhotometricDistort（v2模块），该函数在0.15.2里不存在，要升级到0.16.0。但pip install torchvision==0.16.0会触发torch版本冲突，因为0.16.0要求torch>=2.1.0。最终方案是：放弃最新镜像，选用pytorch-1.13.1-cuda11.7（自带torchvision==0.14.1），然后手动安装albumentations替代v2模块，稳定性和兼容性反而更好。

• OBS挂载路径必须带协议前缀。在Notebook里执行!ls /home/ma-user/work/data/看不到OBS文件，因为挂载路径实际是obs://myproject-train-data/train/。正确做法是：在Notebook左上角“更多”→“挂载OBS路径”，填入obs://myproject-train-data/train/，挂载点设为/home/ma-user/work/train_data，然后!ls /home/ma-user/work/train_data才能列出图片。如果挂载点写成/train_data，系统会创建本地目录而非OBS映射，后续训练读不到数据。

3.3 训练作业提交：超参、日志、断点续训的实操密码

训练作业是生产环境主力，其配置项直接影响结果可复现性：

• 超参配置必须用--arg而非环境变量。ModelArts支持两种传参方式：命令行参数（--lr 0.001 --epochs 50）和环境变量（export LR=0.001）。但环境变量在分布式训练（多卡）时可能不同步，且日志里不记录。我坚持用--arg，并在train.py里用argparse.ArgumentParser解析，这样每次训练的日志头都自动打印Args: Namespace(lr=0.001, epochs=50, ...)，复现时直接复制粘贴即可。

• 日志路径决定调试效率。ModelArts默认将print()输出写入/log/output.log，但框架日志（如PyTorch Lightning的trainer.fit()进度条）写入/log/training.log。我习惯在代码里加logging.basicConfig(filename='/log/custom.log', level=logging.INFO)，把关键指标（每个epoch的val_acc、lr值）单独记日志。这样在控制台“查看日志”时，切换到custom.log标签页，5秒内定位到性能拐点，不用在几千行output.log里grep。

• 断点续训不是“自动”而是“半自动”。ModelArts支持--resume-from参数，但前提是你的训练脚本实现了保存/加载state_dict。我在train.py里加了：

  if args.resume_from: checkpoint = torch.load(args.resume_from) model.load_state_dict(checkpoint['model_state_dict']) optimizer.load_state_dict(checkpoint['optimizer_state_dict']) start_epoch = checkpoint['epoch'] + 1

  然后在训练循环里每5个epoch保存一次：

  if epoch % 5 == 0: torch.save({ 'epoch': epoch, 'model_state_dict': model.state_dict(), 'optimizer_state_dict': optimizer.state_dict(), }, f'/cache/checkpoints/epoch_{epoch}.pth')

  注意/cache/是ModelArts提供的高速临时盘（约100GB），比写OBS快10倍。训练中断后，在新作业里填--resume-from /cache/checkpoints/epoch_45.pth，就能从第46轮继续。

注意：/cache/内容在作业结束后自动清空！所以必须在训练结束前，用!obsutil cp /cache/checkpoints obs://myproject-models/checkpoints/ -r同步到OBS，否则断点文件永久丢失。

3.4 模型包打包：model.py与config.json的生死契约

部署的核心是模型包，而model.py和config.json是它的灵魂，错一个字符就启动失败：

• model.py必须继承BaseService且函数签名固定。模板如下：

  from model_service.model_service import SingleImageBaseService import torch import numpy as np from PIL import Image import torchvision.transforms as transforms class ModelService(SingleImageBaseService): def _preprocess(self, data): # data是base64字符串，转PIL.Image img = Image.open(io.BytesIO(base64.b64decode(data))) # 预处理必须和训练时完全一致 transform = transforms.Compose([ transforms.Resize((224,224)), transforms.ToTensor(), transforms.Normalize([0.485,0.456,0.406], [0.229,0.224,0.225]) ]) return transform(img).unsqueeze(0) # 加batch维度 def _inference(self, data): with torch.no_grad(): # 关键！否则OOM output = self.model(data) return output def _postprocess(self, data): # data是tensor，转numpy再转list probs = torch.nn.functional.softmax(data, dim=1) return probs.cpu().numpy().tolist()[0]

  注意三点：_preprocess返回torch.Tensor且必须有batch维度；_inference必须加@torch.no_grad()；_postprocess返回list而非numpy.ndarray，否则API返回JSON解析失败。

• config.json字段名大小写敏感且不可缺。标准模板：

  { "model_framework": "pytorch", "model_file": "model/model.pth", "code_dir": "model/", "model_class": "ModelService", "dependencies": ["requirements.txt"], "inputs": [{"name": "input", "type": "string", "shape": []}], "outputs": [{"name": "output", "type": "array", "shape": []}] }

  曾因"model_class"写成"model_class_name"，服务启动日志报KeyError: 'model_class'，但控制台只显示“服务异常”，必须进日志才能看到。"inputs"和"outputs"的"shape"字段不能为空数组[]，填null或删掉都会报错。

• requirements.txt必须精确到小版本。我的依赖是：

  torch==1.13.1+cu117 torchvision==0.14.1+cu117 pillow==9.5.0 numpy==1.23.5

  如果写pillow>=9.0.0，ModelArts会装最新版10.2.0，而新版PIL的Image.open()对某些损坏JPG的容错机制变了，导致线上API随机500错误。必须锁定小版本，这是血泪教训。

4. 实操过程与核心环节实现：从零开始的全流程命令级记录

4.1 环境初始化：5分钟完成OBS+Notebook+训练作业准备

以下是在ModelArts控制台的实际操作序列，每一步都有明确目的：

1. 创建OBS桶（Region：华东-上海一）

   • 桶名：myproject-2024-data（全局唯一，小写+数字+中划线）
   • 存储类别：标准存储（高频访问）
   • 服务端加密：关闭（训练作业不支持SSE-KMS加密桶）
   • 权限：公共读（仅用于测试，生产环境必须关）

2. 上传数据到OBS
   本地终端执行（需先安装obsutil）：

   # 创建目录结构 mkdir -p ./data/train/normal ./data/train/fault # 假设图片已按类别放入对应文件夹 # 上传到OBS obsutil cp ./data/ obs://myproject-2024-data/train/ -r -f

   上传后，在OBS控制台确认路径为obs://myproject-2024-data/train/normal/xxx.jpg。

3. 启动Notebook实例

   • 规格：p100.2xlarge（24GB显存，够用）
   • 镜像：pytorch-1.13.1-cuda11.7:20231215（稳定版）
   • 挂载OBS：源路径obs://myproject-2024-data/train/，挂载点/home/ma-user/work/train_data
   • 网络：默认VPC（确保与后续训练作业同VPC）

4. 在Notebook中验证数据加载
   新建test_data.ipynb，运行：

   import os print(os.listdir('/home/ma-user/work/train_data')) # 应输出 ['normal', 'fault'] print(len(os.listdir('/home/ma-user/work/train_data/normal'))) # 应输出图片数量

   若报FileNotFoundError，检查挂载点路径是否正确，或OBS桶Region是否匹配。

4.2 训练作业提交：命令行与控制台双轨操作

训练作业有两种提交方式，我推荐“控制台创建+CLI更新”组合：

1. 控制台创建基础作业

   • 作业名称：resnet18-finetune-v1
   • 计算规格：p100.2xlarge（与Notebook一致，避免环境差异）
   • 数据来源：OBS路径obs://myproject-2024-data/train/
   • 代码来源：Notebook中/home/ma-user/work/train.py（先用!obsutil cp /home/ma-user/work/train.py obs://myproject-2024-data/code/train.py上传）
   • 启动命令：python train.py --lr 0.001 --epochs 50 --data-path /cache/train/

     注意--data-path指向/cache/，因为ModelArts会自动把OBS数据同步到/cache/，读取速度比直接读OBS快5倍。

2. CLI更新超参并提交（更灵活）
   安装华为云CLI（pip install huaweicloudsdkcore huaweicloudsdkmodelarts），然后：

   # 获取训练作业ID（从控制台URL复制，形如 `job-xxxxxxxx`） JOB_ID="job-abc123def456" # 更新超参：学习率调为0.0005，加早停 huaweicloud modelarts update-training-job \ --job-id $JOB_ID \ --command "python train.py --lr 0.0005 --epochs 50 --patience 7" \ --resource-spec "p100.2xlarge" # 启动作业 huaweicloud modelarts start-training-job --job-id $JOB_ID

   CLI的优势在于：可以批量更新多个作业的超参，且命令可存为脚本，避免控制台重复点击。

3. 监控训练过程

   • 控制台“训练作业”页，点作业名进入详情页，看“资源使用率”图表：GPU利用率持续>80%说明数据加载无瓶颈；若显存占用<50%但GPU利用率<20%，大概率是DataLoader的num_workers设太小，需在代码里调到4或8。
   • 日志页切换到/log/custom.log，实时看Epoch 10/50, Val Acc: 0.852，比刷output.log高效得多。

4.3 模型包构建：从.pth到可部署ZIP的七步法

模型包是部署的输入，必须手工构建，无捷径：

1. 在Notebook中导出模型
   训练完成后，在train.py末尾加：

   torch.save({ 'epoch': epoch, 'model_state_dict': model.state_dict(), 'optimizer_state_dict': optimizer.state_dict(), }, '/home/ma-user/work/model_final.pth')

   然后用!obsutil cp /home/ma-user/work/model_final.pth obs://myproject-2024-data/models/resnet18-v1.pth上传。

2. 创建模型包目录结构
   本地新建文件夹model_package，结构如下：

   model_package/ ├── model/ │ ├── model.pth # 从OBS下载的resnet18-v1.pth │ └── model.py # 上文写的完整Service类 ├── config.json # 按3.4节模板填写 └── requirements.txt # 精确版本依赖

3. 编写model.py（关键！）
   复制3.4节代码，重点检查：

   • self.model = torch.load('/cache/model.pth')路径是否为/cache/（ModelArts部署时自动解压到/cache/）
   • _preprocess中transforms.Resize尺寸是否与训练时一致（224x224）
   • _inference是否加with torch.no_grad()

4. 编写config.json
   确认"model_file": "model/model.pth"，"model_class": "ModelService"，"code_dir": "model/"三者路径完全匹配。

5. 生成requirements.txt
   在Notebook中运行：

   !pip list --format=freeze > requirements.txt # 编辑requirements.txt，只保留必要项，并锁定小版本

6. 压缩为ZIP
   终端执行：

   cd model_package zip -r model-resnet18-v1.zip .

   检查ZIP内容：unzip -l model-resnet18-v1.zip，确认无多余目录层级。

7. 上传模型包到OBS

   obsutil cp model-resnet18-v1.zip obs://myproject-2024-data/models/model-resnet18-v1.zip

4.4 在线服务部署：从创建到压测的12分钟实战

部署是最后一步，也是最容易翻车的一步：

1. 创建在线服务

   • 服务名称：resnet18-service-v1
   • 模型来源：OBS路径obs://myproject-2024-data/models/model-resnet18-v1.zip
   • 计算规格：c3.large（4核8G，足够处理10QPS）
   • 弹性伸缩：最小实例数1，最大实例数3（防突发流量）
   • 网络：与训练作业同VPC，安全组放行8080端口（ModelArts服务默认端口）

2. 启动服务并等待就绪
   点击“启动”，状态从“创建中”→“启动中”→“运行中”，通常需3-5分钟。不要跳过“查看日志”：点“日志”页，筛选/var/log/nvidia-container-runtime-hook.log，确认无CUDA driver version is insufficient错误（说明GPU驱动正常）。

3. 获取服务Endpoint
   服务启动后，“基本信息”页显示Endpoint，形如：
   https://xxx.execute-api.cn-east-3.modelarts.ai/v1/12345678901234567890123456789012/services/resnet18-service-v1/invocations
   这是调用API的URL。

4. 本地压测脚本验证
   写test_api.py：

   import base64 import requests import time url = "https://xxx.execute-api.cn-east-3.modelarts.ai/v1/.../invocations" headers = {"Content-Type": "application/json"} # 读取测试图片 with open("test.jpg", "rb") as f: image_bytes = f.read() b64_str = base64.b64encode(image_bytes).decode('utf-8') # 发送请求 start = time.time() response = requests.post(url, json={"input": b64_str}, headers=headers, timeout=30) end = time.time() print(f"Status: {response.status_code}") print(f"Latency: {end-start:.3f}s") print(f"Response: {response.json()}")

   运行后，若返回{"output": [0.02, 0.98]}且延迟<1.2s，说明部署成功。

5. 配置API网关（可选但推荐）
   为生产环境，用API网关封装ModelArts Endpoint：

   • 创建API网关，后端类型选“HTTP”，后端地址填ModelArts Endpoint
   • 添加认证：APP Code（生成App Key/Secret，调用时需在Header加X-Api-Key: xxx）
   • 这样可实现流量控制、调用审计、HTTPS卸载，且Endpoint变更时只需改网关后端，不改客户端代码。

5. 常见问题与排查技巧实录：那些文档里不会写的“真问题”

5.1 训练作业常见问题速查表

5.2 在线服务部署问题深度解析

问题1：服务启动后状态“运行中”，但调用返回502 Bad Gateway
这不是网络问题，而是服务进程崩溃。根本原因是model.py里_inference函数未加@torch.no_grad()，导致GPU显存持续增长直至被OOM Killer杀死。
排查方法：

• 进服务日志页，筛选/var/log/supervisor/supervisord.log，搜索killed process
• 或用CLI查容器日志：huaweicloud modelarts show-service-logs --service-name resnet18-service-v1 --log-type container
  解决方案：在_inference函数上加装饰器，并在__init__里加self.model.eval()。

问题2：调用返回400，错误信息Input data format error
这是config.json的"inputs"定义与实际请求不符。例如config.json里写"shape": [1]，但请求体是{"input": "base64_string"}（无数组）。
排查方法：

• 对比config.json的"inputs"字段和API文档中的请求示例
• 用curl -v看完整请求头和体
  解决方案：config.json中"inputs"的"shape"必须为[]（标量），因为base64字符串是单个值。

问题3：服务启动后延迟高（>3s），且CPU占用100%
这是模型首次加载慢。ModelArts服务启动时，会执行model.py的__init__，如果里面做了耗时操作（如torch.hub.load下载模型），就会阻塞。
排查方法：

• 在__init__里加print("start loading model")和print("model loaded")，看日志时间差
  解决方案：把模型加载移到_preprocess或_inference中，并加缓存：

def __init__(self, model_path): self.model_path = model_path self.model = None # 延迟加载 def _inference(self, data): if self.model is None: self.model = torch.load(self.model_path) self.model.eval() # ... rest of inference

5.3 实操心得：三个让我少熬20小时的技巧

• 技巧1：用obsutil代替控制台上传大文件
  控制台上传单个文件>1GB会超时失败。obsutil支持断点续传和并行上传：

  obsutil cp ./large_dataset/ obs://myproject-data/train/ -r -f -c 10 # -c 10 表示10线程，并行上传

  我传12万张图（85GB）用时23分钟，控制台预估要6小时。

• 技巧2：训练作业日志分级存储
  默认日志只保留最近7天，且/log/下文件混杂。我在train.py开头加：

  import logging from datetime import datetime timestamp = datetime.now().strftime("%Y%m%d_%H%M%S") logging.basicConfig( level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s', handlers=[ logging.FileHandler(f'/log/train_{timestamp}.log'), logging.StreamHandler()