Reorder the context, move http file server to 1.4

doc/DEPLOY.md

@@ -10,11 +10,11 @@
 		* [1.2.3 配置文件](#head7)
 		* [1.2.4 安装Go](#head8)
 	* [ 1.3 安装volcano](#head9)
-	* [1.4 执行训练](#head10)
-	* [1.5 模型产出](#head11)
-		* [1.5.1 模型裁剪，产出预测ProgramDesc和dense参数](#head12)
-		* [1.5.2 稀疏参数产出](#head13)
-		* [1.5.3 搭建HTTP File Server服务](#head14)
+	* [1.4 搭建HTTP File Server服务](#head91)
+	* [1.5 执行训练](#head10)
+	* [1.6 模型产出](#head11)
+		* [1.6.1 模型裁剪，产出预测ProgramDesc和dense参数](#head12)
+		* [1.6.2 稀疏参数产出](#head13)
 * [2. 大规模稀疏参数服务Cube的部署和使用](#head15)
 	* [2.1 编译](#head16)
 	* [2.2 分片cube server/agent部署](#head17)
@@ -201,7 +201,89 @@ kubectl apply -f https://raw.githubusercontent.com/volcano-sh/volcano/master/ins
 
 ![volcano](./deploy/volcano.png)
 
-### <span id="head10">1.4 执行训练</span>
+### <span id="head91">1.4 搭建HTTP File Server服务</span>
+
+无论是dense参数还是Sparse参数，在生成之后，都需要以某种方式将文件服务暴露出来。dense参数需要配送给Paddle Serving，稀疏参数需要配速给Cube大规模稀疏参数服务器。
+
+配送的方式是通过K8S集群建立一个Http file server的pod，再通过注册负载均衡 load balancer service，映射file server的port给load balancer，最终可以直接通过公网IP：Port的方式来访问HTTP File Server。
+
+
+
+fileserver.yaml 一同包含两个部分，第一个是file server pod的配置，这样可以启动file server的docker镜像，并暴露文件服务端口。第二个是load balancer的配置，这样可以启动load balancer分配公网IP并且映射文件服务端口给公网。 [fileserver.yaml](./resource/fileserver.yaml) 文件示例如下：
+```yaml
+apiVersion: v1
+kind: Pod
+metadata:
+  name: file-server
+  labels:
+    app: file-server
+spec:
+  volumes:
+  - hostPath:
+      path: /home/work
+      type: ""
+    name: file-home
+  containers:
+  - name: file-server
+    image: halverneus/static-file-server
+    ports:
+    - containerPort: 8080
+    volumeMounts:
+    - mountPath: /web
+      name: file-home
+  nodeSelector:
+    nodeType: model
+---
+kind: Service
+apiVersion: v1
+metadata:
+  name: loadbalancer
+spec:
+  type: LoadBalancer
+  ports:
+    - name: file-server
+      port: 8080
+      targetPort: 8080
+  selector:
+    app: file-server
+```
+
+具体步骤如下
+
+执行
+
+```bash
+kubectl apply -f fileserver.yaml 
+```
+
+两项配置都执行成功之后，执行
+
+```bash
+kubectl get pod
+```
+
+会显示file-server，如下图所示。
+
+![file_server](./deploy/file_server.png)
+
+```bash
+kubectl get service 
+```
+
+会显示load balancer，如下图所示。
+
+![load_balancer](./deploy/load_balancer.png)
+
+其中External IP就是文件服务的公网IP，我们可以在任意一台可以连接公网的计算机上，输入wget http://IP:Port 。例如图片中的示例，输入wget http://180.76.113.149:8080 。
+
+如果显示下载了 index.html
+
+![wget_example](./deploy/wget_example.png)
+
+就说明服务搭建成功。
+
+
+### <span id="head10">1.5 执行训练</span>
 
 创建cluster role和service account，[defaultserviceaccountclusterrole.yaml](./resource/defaultserviceaccountclusterrole.yaml) 文件示例如下：
 
@@ -258,11 +340,11 @@ kubectl apply -f volcano-ctr-demo-baiduyun.yaml
 
 ![工作负载](./deploy/workload.png)
 
-### <span id="head11">1.5 模型产出</span>
+### <span id="head11">1.6 模型产出</span>
 
-CTR预估模型包含了embedding部分以及dense神经网络两部分，其中embedding部分包含的稀疏参数较多，在某些场景下单机的资源难以加载整个模型，因此需要将这两部分分割开来，稀疏参数部分放在分布式的稀疏参数服务，dense网络部分加载到serving服务中。在本文中使用的CTR模型训练镜像中已经包含了模型裁剪和稀疏参数产出的脚本，以下简述其原理和工作过程。
+CTR预估模型包含了embedding部分以及dense神经网络两部分，其中embedding部分包含的稀疏参数较多，在某些场景下单机的资源难以加载整个模型，因此需要将这两部分分割开来，稀疏参数部分放在分布式的稀疏参数服务，dense网络部分加载到serving服务中，稀疏参数和dense网络都需要通过http file server服务来进行配送（详见本文"1.4 搭建HTTP File Server服务"一节）。在本文中使用的CTR模型训练镜像中已经包含了模型裁剪和稀疏参数产出的脚本，以下简述其原理和工作过程。
 
-#### <span id="head12">1.5.1 模型裁剪，产出预测ProgramDesc和dense参数</span>
+#### <span id="head12">1.6.1 模型裁剪，产出预测ProgramDesc和dense参数</span>
 
 产出用于paddle serving预测服务的dense模型需要对保存的原始模型进行裁剪操作，修改模型的输入以及内部结构。具体原理和操作流程请参考文档[改造CTR预估模型用于大规模稀疏参数服务演示](https://github.com/PaddlePaddle/Serving/blob/develop/doc/CTR_PREDICTION.md)。
 
@@ -271,56 +353,17 @@ CTR预估模型包含了embedding部分以及dense神经网络两部分，其中
 1. 监视训练脚本所在目录的models文件夹，当发现有子目录`pass-1000`时，表示训练任务完成 (默认训练轮次为1000)
 2. 调用save_program.py，生成一个适用于预测的ProgramDesc保存到models/inference_only目录，并将所需参数一并保存到该子目录下
 3. 调用replace_params.py，用models/pass-1000目录下参数文件替换models/inference_only目录下同名参数文件
-4. 打包models/inference_only生成ctr_model.tar.gz，放到HTTP服务目录下，供外部用户手动下载，并替换到Serving的data/models/paddle/fluid/ctr_prediction目录中 (详见本文“预测服务部署”一节)
+4. 打包models/inference_only生成ctr_model.tar.gz，放到HTTP服务目录下(详见本文"1.4 搭建HTTP File Server服务"一节），供外部用户手动下载，并替换到Serving的data/models/paddle/fluid/ctr_prediction目录中 (详见本文“预测服务部署”一节)
 
-#### <span id="head13">1.5.2 稀疏参数产出</span>
+#### <span id="head13">1.6.2 稀疏参数产出</span>
 
 分布式稀疏参数服务由paddle serving的Cube模块实现。Cube服务接受的原始数据格式为Hadoop seqfile格式，因此需要对paddle保存出的模型文件进行格式转换。
 
 在trainer镜像中，将模型参数转换为seqfile的主要流程是：
 
 1. 监视训练脚本所在目录的models文件夹，当发现有子目录`pass-1000`时，表示训练任务完成 (默认训练轮次为1000)
-2. 调用dumper.py，将models/pass-1000/SparseFeatFactors文件转换成seqfile格式，同时生成一个用于让下游cube-transfer下载完整数据的donefile文件，整个目录结构放到HTTP服务目录下，供下游cube-transfer监听进程检测和下载 (详见本文“大规模稀疏参数服务Cube的部署和使用”一节)
-
-#### <span id="head14">1.5.3 搭建HTTP File Server服务</span>
-
-无论是dense参数还是Sparse参数，在生成之后，都需要以某种方式将文件服务暴露出来。dense参数需要配送给Paddle Serving，稀疏参数需要配速给Cube大规模稀疏参数服务器。
-
-配送的方式是通过K8S集群建立一个Http file server的pod，再通过注册负载均衡 load balancer service，映射file server的port给load balancer，最终可以直接通过公网IP：Port的方式来访问HTTP File Server。
-
-具体步骤如下
-
-执行
-
-```bash
-kubectl apply -f fileserver.yaml 
-```
-
-fileserver.yaml 一同包含两个部分，第一个是file server pod的配置，这样可以启动file server的docker镜像，并暴露文件服务端口。第二个是load balancer的配置，这样可以启动load balancer分配公网IP并且映射文件服务端口给公网。
-
-两项配置都执行成功之后，执行
+2. 调用dumper.py，将models/pass-1000/SparseFeatFactors文件转换成seqfile格式，同时生成一个用于让下游cube-transfer下载完整数据的donefile文件，整个目录结构放到HTTP服务目录下(详见本文"1.4 搭建HTTP File Server服务"一节），供下游cube-transfer监听进程检测和下载 (详见本文“大规模稀疏参数服务Cube的部署和使用”一节)
 
-```bash
-kubectl get pod
-```
-
-会显示file-server，如下图所示。
-
-![file_server](./deploy/file_server.png)
-
-```bash
-kubectl get service 
-```
-
-会显示load balancer，如下图所示。
-![load_balancer](./deploy/load_balancer.png)
-
-其中External IP就是文件服务的公网IP，我们可以在任意一台可以连接公网的计算机上，输入wget http://IP:Port 。例如图片中的示例，输入wget http://180.76.113.149:8080 。
-
-如果显示下载了 index.html
-![wget_example](./deploy/wget_example.png)
-
-就说明服务搭建成功。
 
 ## <span id="head15">2. 大规模稀疏参数服务Cube的部署和使用</span>