Merge pull request #2 from PaddlePaddle/master

Master branch merge with 

doc/DEPLOY.md

@@ -412,8 +412,6 @@ Cube一共拆分成四个组件，共同完成上述工作：
 3. cube-server 每个单独的cube服务承载一个分片的cube数据
 4. cube-agent 与cube-server伴生部署，负责接受cube-transfer下发的指令，在本地执行实际的数据下载维护等操作
 
-关于Cube的详细说明文档，请参考[Cube设计文档](https://github.com/PaddlePaddle/Serving/tree/develop/cube/doc/DESIGN.md)。
-
 关于Cube的性能数据，请参考[Cube Benchmark](https://github.com/PaddlePaddle/Serving/blob/develop/cube/doc/performance.md)
 
 本文仅描述从头部署Cube服务的流程。
@@ -772,7 +770,7 @@ wget http://${FILE_SERVER_IP}:${FILE_SERVER_PORT}/data/ctr_model.tar.gz
 
 #### <span id="head39">3.1.2 Serving编译</span>
 
-截至写本文时，Serving develop分支已经提供了CTR预估服务相关OP，参考[ctr_prediction_op.cpp](https://github.com/PaddlePaddle/Serving/blob/develop/demo-serving/op/ctr_prediction_op.cpp)，该OP从client端接收请求后会将每个请求的26个sparse feature id发给cube服务，获得对应的embedding向量，然后填充到模型feed variable对应的LoDTensor，执行预测计算。只要按常规步骤编译Serving即可。
+截至写本文时，Serving develop分支已经提供了CTR预估服务相关OP，参考[ctr_prediction_op.cpp](https://github.com/PaddlePaddle/Serving/blob/develop/demo-serving/op/ctr_prediction_op.cpp)，该OP从client端接收请求后会将每个请求的26个sparse feature id发给cube服务，获得对应的embedding向量，然后填充到模型feed variable对应的LoDTensor，执行预测计算。只要按常规步骤编译Serving即可。serving可执行文件以及相关配置文件位于build/output/demo/serving文件夹下，bin文件夹下为可执行文件，conf文件夹下为配置文件。
 
 ```bash
 $ git clone https://github.com/PaddlePaddle/Serving.git
@@ -784,7 +782,7 @@ $ make -jN                # 这里可修改并发编译线程数
 $ make install
 $ cd output/demo/serving
 $ ls
-bin  conf  data  kvdb  log
+bin  conf  data  kvdb
 ```
 
 #### <span id="head40">3.1.3 配置修改</span>

doc/ELASTIC_CTR.md

@@ -3,174 +3,222 @@
 
 # 1. 总体概览
 
+本项目提供了端到端的CTR训练和二次开发的解决方案，主要特点：
+
+- 使用K8S集群解决原来在物理集群上训练时，会出现类似于配置参数冗杂，环境搭建繁复等问题。
+- 使用基于Kube-batch开发的Volcano框架来进行任务提交和弹性调度。
+- 使用Paddle Serving来进行模型的上线和预测。
+- 使用Cube作为稀疏参数的分布式存储，在预测端与Paddle Serving对接。
+
+本方案整体流程如下图所示：
+
 ![image](elastic_ctr/overview.png)
 
-本项目提供了端到端的CTR训练和二次开发的解决方案，它具有如下特点。
+其中：
 
--   使用K8S集群解决来解决原来在物理集群上训练时，会出现类似于配置参数冗杂，环境搭建繁复等问题。
--   使用基于Kube-batch开发的Volcano框架来进行任务提交和弹性调度。
--   使用Paddle Serving来进行模型的上线和预测。
--   使用Cube作为稀疏参数的分布式存储，在预测对接Paddle Serving使用。
+- trainer/pserver: 训练环节采用PaddlePaddle parameter server模式，对应trainer和pserver角色。分布式训练使用[volcano](https://volcano.sh/)做批量任务管理工具
+- file server: 训练产出的模型文件，托管到File Server，供下游模块下载；训练产出的文件包括：ProgramDesc和模型参数，模型参数中最大的embedding由工具转换为seqfile格式，经过一系列流程配送到cube分布式稀疏参数服务，其余模型参数保持不变，配送到Paddle Serving模块
+- cube-transfer: 负责监控上游训练作业产出的模型文件（hadoop sequence file）变化，拉取到本地，并调用cube-builder构建cube字典文件；通知cube-agent节点拉取最新的字典文件，并维护各个cube-server上版本一致性
+- cube-builder: 负责将训练作业产出的模型文件（hadoop sequence file格式）转换成可以被cube-server加载的字典文件。字典文件具有特定的数据结构，针对尺寸和内存中访问做了高度优化
+- Cube-Server: 提供分片kv读写能力的服务节点
+- Cube-agent: 与cube-server同机部署，接收cube-transfer下发的字典文件更新命令，拉取数据到本地，通知cube-server进行更新
 
-以上组件就可以一键完成从训练到部署的所有流程。
+以上组件串联完成从训练到预测部署的所有流程。本文档所提供的一键部署脚本[paddle-suite.sh](https://github.com/PaddlePaddle/Serving/blob/master/doc/resource/paddle-suite.sh)可一键部署上述所有组件。
 
-此外，我们在各个环节也提供了二次开发的指导。具体有如下方式
+用户可以参考本部署方案，将基于PaddlePaddle的分布式训练和Serving应用到业务环境，也可以在本方案基础上做功能增强和改进，直接使用。具体的，用户可以：
 
--   指定数据集的输入和读取方式，来feed不同的数据集和数据集格式
--   通过指定训练的规模，包括参数服务器的数量和训练节点的数量。
--   通过指定Cube参数服务器的分片数量和副本数量。
--   指定Serving的模型信息
+-   指定数据集的输入和读取方式，来feed不同的数据集和数据集格式；相应的修改Serving代码以适应新模型
+-   指定训练的规模，包括参数服务器的数量和训练节点的数量
+-   指定Cube参数服务器的分片数量和副本数量
 
-# 2. 创建集群
+在本文第4部分会详细解释以上二次开发的实际操作。
 
-具体请参考
-[帮助文档](https://cloud.baidu.com/doc/CCE/GettingStarted/24.5C.E5.88.9B.E5.BB.BA.E9.9B.86.E7.BE.A4.html#.E6.93.8D.E4.BD.9C.E6.AD.A5.E9.AA.A4)
-说明文档来建立一个集群。
+本文主要内容：
 
-集群配置需要满足如下要求
+**第2节 前置需求** 指导用户从零开始，在百度云上申请BCE集群，并部署volcano工具。本方案需使用[volcano](https://volcano.sh/)做训练环节批量任务管理工具，目前在百度云上验证通过
 
--   CPU核数 \> 4
+**第3节 分布式训练+serving方案部署** 使用paddle-suite.sh，一键部署分布式训练+serving完整流程；并详细解释脚本每一步的工作和含义
 
-示例图
+**第4节 查看结果** 根据各个pod输出，验证一键安装状态
 
-![image](elastic_ctr/ctr_node.png)
+**第5节 二次开发实操** 提出本一键部署方案可定制改善的部分，给出具体修改位置等
 
-创建完成后，即可查看
-[集群信息](https://cloud.baidu.com/doc/CCE/GettingStarted.html#.E6.9F.A5.E7.9C.8B.E9.9B.86.E7.BE.A4)
-。
+# 2. 前置需求
 
-# 3. 操作集群
+运行本方案前，需要用户已经搭建好k8s集群，并安装好volcano组件。k8s环境部署比较复杂，本文不涉及。百度智能云CCE容器引擎申请后即可使用，仅以百度云上创建k8s为例。
 
-集群的操作可以通过百度云web或者通过kubectl工具进行，推荐用
-[kubectl工具](https://kubernetes.io/docs/tasks/tools/install-kubectl/)
-。
+## 2.1 创建k8s集群
 
-从Kubernetes 版本下载页面下载对应的 kubectl 客户端，关于kubectl
-的其他信息，可以参见kubernetes官方安装和设置 kubectl文档。
+请参考
+[百度智能云CCE容器引擎帮助文档-创建集群](https://cloud.baidu.com/doc/CCE/GettingStarted/24.5C.E5.88.9B.E5.BB.BA.E9.9B.86.E7.BE.A4.html#.E6.93.8D.E4.BD.9C.E6.AD.A5.E9.AA.A4)，在百度智能云上建立一个集群，节点配置需要满足如下要求
 
-![image](elastic_ctr/ctr_kubectl_download.png)
+- CPU核数 \> 4
 
-\* 注意： 本操作指南给出的操作步骤都是基于linux操作环境的。
+申请容器引擎示例:
+
+![image](elastic_ctr/ctr_node.png)
 
--   解压下载后的文件，为kubectl添加执行权限，并放在PATH下
+创建完成后，即可参考[百度智能云CCE容器引擎帮助文档-查看集群](https://cloud.baidu.com/doc/CCE/GettingStarted.html#.E6.9F.A5.E7.9C.8B.E9.9B.86.E7.BE.A4)，查看刚刚申请的集群信息。
 
-``` {.sourceCode .bash}
-cd kubernetes/client/bin && chmod +x ./kubectl && sudo mv ./kubectl /usr/local/bin/kubectl
-```
+## 2.2 如何操作集群
+
+集群的操作可以通过百度云web或者通过kubectl工具进行，推荐用kubectl工具。
+
+对于百度云k8s集群，客户端kubectl需要和百度云上kubernetes版本对应，请参考[百度智能云CCE容器引擎帮助文档-kubectl管理配置](https://cloud.baidu.com/doc/CCE/Developer-GettingStarted.html#.84.1C.DF.97.63.35.64.3B.1A.6E.7D.B1.E4.5B.E3.66)查看当前所用的kubernetes版本，并参考kubernetes官方文档下载对应版本的kubectrl版本进行安装。
+
+\* 注意： 本操作指南给出的操作步骤都是基于linux操作环境的。
 
--   配置kubectl，下载集群凭证。在集群界面下载集群配置文件，放在kubectl的默认配置路径（请检查\~/.kube
-    目录是否存在，若没有请创建）
+- 首先请参考[官方安装说明](https://kubernetes.io/docs/tasks/tools/install-kubectl/)，安装和百度云kubernetes版本对应的的kubectl。
 
-``` {.sourceCode .bash}
-mv kubectl.conf  ~/.kube/config
+-   配置kubectl，下载集群凭证。在集群界面下载集群配置文件，放在kubectl的默认配置路径（请检查\~/.kube目录是否存在，若没有请创建）
+
+```bash
+$ mv kubectl.conf  ~/.kube/config
 ```
 
--   配置完成后，您即可以使用 kubectl 从本地计算机访问 Kubernetes 集群
+-   配置完成后，您即可以使用kubectl从本地计算机访问Kubernetes集群
 
-``` {.sourceCode .bash}
-kubectl get node
+```bash
+$ kubectl get node
 ```
 
-# 4. 部署任务
+- 关于kubectl的其他信息，可以参考[Overview of kubectl](https://kubernetes.io/docs/reference/kubectl/overview/)。
 
-## 安装Volcano
+# 2.3 安装Volcano
 
-执行
+我们使用volcano作为训练阶段的批量任务管理工具。关于volcano的详细信息，请参考[官方网站](https://volcano.sh/)的Documentation。
+
+执行以下命令安装volcano到k8s集群：
 
-``` {.sourceCode .bash}
-kubectl apply -f https://raw.githubusercontent.com/volcano-sh/volcano/master/installer/volcano-development.yaml
+```bash
+$ kubectl apply -f https://raw.githubusercontent.com/volcano-sh/volcano/master/installer/volcano-development.yaml
 ```
 
 ![image](elastic_ctr/ctr_volcano_install.png)
 
-## 一键完成部署
 
-执行
+# 3. 分布式训练+serving方案部署
+
+## 3.1 一键部署
+
+执行以下脚本，一键将所有组件部署到k8s集群。
 
-``` {.sourceCode .bash}
-bash paddle-suite.sh
+```bash
+$ bash paddle-suite.sh
 ```
 
-为方便理解，接下来会将该脚本的每一步执行过程给出说明
+请参考**3.3-3.7节**验证每一步的安装是否正确，**第4节**验证训练过程和预测服务结果。
 
-任务的所有脚本文件可以访问
-[这里](https://github.com/PaddlePaddle/edl/tree/develop/example/ctr/script)
-获取。
+任务的所有脚本文件可以访问[这里](https://github.com/PaddlePaddle/edl/tree/develop/example/ctr/script)获取。
 
-#### 选择一个node作为输出节点 
+为方便理解，接下来会将该脚本的每一步执行过程给出说明。
 
-``` {.sourceCode .bash}
-kubectl label nodes $NODE_NAME nodeType=model
+## 3.2 选择一个node作为输出节点
+
+```bash
+$ kubectl label nodes $NODE_NAME nodeType=model
 ```
 
-这句话的意思是给这个node做一个标记，之后的文件服务和模型产出都被强制分配在这个node上进行，把NAME的一串字符
-替换 \$NODE\_NAME即可。
+这句话的意思是给这个node做一个标记，之后的文件服务和模型产出都被强制分配在这个node上进行，把NAME的一串字符替换 \$NODE\_NAME即可。
 
-#### 启动文件服务器
+## 3.3 启动文件服务器
 
-``` {.sourceCode .bash}
+```bash
 kubectl apply -f fileserver.yaml
 ```
 
 运行file server的启动脚本kubectl apply -f ftp.yaml，启动文件服务器
 
+验证：通过`kubectl get pod`命令查看是否file-server这个pod已经running，通过`kubectl get service`命令查看是否file-server service是否存在：
+```bash
+$ kubectl get pod
+```
 ![image](elastic_ctr/file_server_pod.png)
 
+```
+$ kubectl get service
+```
+
 ![image](elastic_ctr/file_server_svc.png)
 
-#### 启动Cube稀疏参数服务器
 
-``` {.sourceCode .bash}
-kubectl apply -f cube.yaml
+## 3.4 启动Cube稀疏参数服务器
+
+```bash
+$ kubectl apply -f cube.yaml
 ```
 
-如果在Service中发现了cube-0/1，在kubectl get
-svc中发现了相关的服务，则说明cube server/agent启动成功。
+验证：通过`kubectl get service`命令查看是否cube-0和cube-1这2个service存在，则说明cube server/agent启动成功。
+
+```
+$ kubectl get service
+```
 
 ![image](elastic_ctr/cube.png)
 
-#### 启动Paddle Serving
+**注**：分片数量可根据稀疏字典大小灵活修改，参考5.3节。
 
-``` {.sourceCode .bash}
-kubectl apply -f paddleserving.yaml
+## 3.5 启动Paddle Serving
+
+```bash
+$ kubectl apply -f paddleserving.yaml
 ```
 
-如果在Service中发现了paddle serving，在kubectl get
-svc中发现了相关的服务，则说明paddle serving启动成功。
+验证：通过`kubectl get pod`查看serving pod是否running状态；通过`kubectl get service`查看paddleserving服务是否存在：
 
+```bash
+$ kubectl get pod
+```
 ![image](elastic_ctr/paddleserving_pod.png)
 
+```bash
+$ kubectl get service
+```
 ![image](elastic_ctr/paddleserving_svc.png)
 
-#### 启动Cube稀疏参数服务器配送工具 
+## 3.6 启动Cube稀疏参数服务器配送工具 
+
+```bash
+$ kubectl apply -f transfer.yaml
+```
+
+验证：通过`kubectl get pod`查看cube-transfer这个pod是否是running状态
+
+```bash
+$ kubectl get pod
+```
+
+这个cube-transfer配送工具会把训练好的模型从下面要介绍的edl-demo-trainer-0上通过file-server服务拉取到本地，经过cube-builder做格式转换，配送给各个分片cube-server，最终目的是给PaddleServing来进行稀疏参数查询。
 
-``` {.sourceCode .bash}
-kubectl apply -f transfer.yaml
+**在训练任务结束前，cube-transfer会一直等待上游数据产出。直到检测到上游模型文件生成后，开始启动配送。可通过日志观察cube-transfer的工作状态：**
+
+```
+$ kubectl logs cube-transfer
 ```
 
+如果出现最后wait 5min这样的字样，说明上一轮的模型已经配送成功了，接下来就可以做最后PaddleServing的测试了。
+
 ![image](elastic_ctr/transfer.png)
 
-这个cube-transfer配送工具会把训练好的模型从下面要介绍的edl-demo-trainer-0上通过file
-server拉取，再进行装载。最终目的是给Paddle
-Serving来进行稀疏参数查询。如果出现最后wait 5
-min这样的字样，说明上一轮的模型已经配送成功了，接下来就可以做最后Paddle
-Serving的测试了。
 
-#### 执行 Paddle CTR 分布式训练 
+## 3.7 执行Paddle CTR分布式训练
 
-``` {.sourceCode .bash}
-kubectl apply -f ctr.yaml
+```bash
+$ kubectl apply -f ctr.yaml
 ```
+验证：通过`kubectl get pod`查看edl-demo-trainer-0/edl-demo-trainer-1, edl-demo-pserver-0/edl-demo-pserver-1/edl-demo-pserver-2, edl-demo-model-out-trainer-0等pod是否是running状态
 
-接下来需要等待一段时间，我们可以通过kubectl logs
-edl-demo-trainer-0来查看训练的进度，如果pass
-一直为0就继续等待，通常需要大概3-5分钟的之间会完成第一轮pass，这时候就会生成inference\_model。
+```bash
+$ kubectl get pod
+```
+
+我们可以通过`kubectl logs edl-demo-trainer-0`来查看训练的进度，如果pass一直为0就继续等待，通常需要大概3-5分钟的之间会完成第一轮pass，这时候就会生成inference\_model。
 
 ![image](elastic_ctr/ctr.png)
 
-# 5. 查看结果
+# 4. 查看结果
 
-### 查看训练日志
+## 4.1 查看训练日志
 
 百度云容器引擎CCE提供了web操作台方便查看pod的运行状态。
 
@@ -184,27 +232,31 @@ pserver日志示例：
 
 ![image](elastic_ctr/ctr_pserver_log.png)
 
-### 验证Paddle Serving预测结果 
+## 4.2 验证Paddle Serving预测结果 
 
 执行
 
-``` {.sourceCode .bash}
-kubectl apply -f paddleclient.yaml
+```bash
+$ kubectl apply -f paddleclient.yaml
 ```
 
-在/client/ctr\_prediction目录下，执行
+用如下命令进入容器内，在/client/ctr\_prediction目录下，启动CTR预估任务客户端，并通过日志查看预测结果
+
+```bash
+# 进入容器
+$ kubectl exec -ti pdservingclient /bin/bash
 
-``` {.sourceCode .bash}
-bin/ctr_prediction
+# 此命令在容器内执行
+$ bin/ctr_prediction
 ```
 
 如果运行正常的话，会在一段时间后退出，紧接着就可以在log/ctr\_prediction.INFO的最后几行看到类似于这样的日志
 
 ![image](elastic_ctr/paddleclient.png)
 
-# 6. 二次开发指南
+# 5. 二次开发指南
 
-### 指定数据集的输入和读取方式 
+## 5.1 指定数据集的输入和读取方式
 
 现有的数据的输入是从edldemo镜像当中的/workspace/ctr/data/download.sh目录进行下载。下载之后会解压在/workspace/ctr/data/raw文件夹当中，包含train.txt和test.txt。所有的数据的每一行通过空格隔开40个属性。
 
@@ -212,10 +264,7 @@ bin/ctr_prediction
 
 ![image](elastic_ctr/pyreader.png)
 
-这里面包含了连续数据和离散数据。 连续数据是index [1,
-14)，离散数据是index [14, 40)，label是index 0，分别对应最后yield
-[dense\_feature] + sparse\_feature +
-[label]。当离散的数据和连续的数据格式和样例有不同，需要用户在这里进行指定，并且可以在\_\_init\_\_函数当中参考样例的写法对连续数据进行归一化。
+这里面包含了连续数据和离散数据。 连续数据是index [1,14)，离散数据是index [14, 40)，label是index 0，分别对应最后yield[dense\_feature] + sparse\_feature +[label]。当离散的数据和连续的数据格式和样例有不同，需要用户在这里进行指定，并且可以在\_\_init\_\_函数当中参考样例的写法对连续数据进行归一化。
 
 对于数据的来源，文章给出的是download.sh从Criteo官方去下载数据集，然后解压后放在raw文件夹。
 
@@ -223,22 +272,21 @@ bin/ctr_prediction
 
 在改动之后，记得保存相关的docker镜像并推送到云端
 
-``` {.sourceCode .bash}
-docker commit ${DOCKER_CONTAINER_NAME} ${DOCKER_IMAGE_NAME}
-    docker push  ${DOCKER_IMAGE_NAME}
+```bash
+$ docker commit ${DOCKER_CONTAINER_NAME} ${DOCKER_IMAGE_NAME}
+$ docker push  ${DOCKER_IMAGE_NAME}
 ```
 
 也可以在Dockerfile当中进行修改
 
-``` {.sourceCode .bash}
-docker build -t ${DOCKER_IMAGE_NAME} .
-    docker push  ${DOCKER_IMAGE_NAME}
+```bash
+$ docker build -t ${DOCKER_IMAGE_NAME} .
+$ docker push  ${DOCKER_IMAGE_NAME}
 ```
 
-### 指定训练规模
+## 5.2 指定训练规模
 
-在ctr.yaml文件当中，我们会发现这个是在volcano的框架下定义的Job。在Job里面，我们给出了很多Pserver和Trainer的定义，在总体的Job也给出了MinAvailable数量的定义。Pserver和Trainer下面有自己的Replicas，环境变量当中有PSERVER\_NUM和TRAINER\_MODEL和TRAINER\_NUM的数量。通常MinAvailable
-= PServer Num + Trainer Num，这样我们就可以启动相应的服务。
+在ctr.yaml文件当中，我们会发现这个是在volcano的框架下定义的Job。在Job里面，我们给出了很多Pserver和Trainer的定义，在总体的Job也给出了MinAvailable数量的定义。Pserver和Trainer下面有自己的Replicas，环境变量当中有PSERVER\_NUM和TRAINER\_MODEL和TRAINER\_NUM的数量。通常MinAvailable= PServer Num + Trainer Num，这样我们就可以启动相应的服务。
 
 ![image](elastic_ctr/ctryaml1.png)
 
@@ -252,20 +300,27 @@ docker build -t ${DOCKER_IMAGE_NAME} .
 
 如上图所示
 
-### 指定cube参数服务器的分片数量和副本数量 
+## 5.3 指定cube参数服务器的分片数量和副本数量
 
-在cube.yaml文件当中，我们可以看到每一个cube的节点的定义，有一个cube
-server pod和cube server
-service。如果我们需要增加cube的副本数和分片数，只需要在yaml文件中复制相关的定义和环境变量即可。
+在cube.yaml文件当中，我们可以看到每一个cube的节点的定义，有一个`cubeserver pod`和`cube serverservice`。如果我们需要增加cube的副本数和分片数，只需要在yaml文件中复制相关的定义和环境变量即可。
 
 ![image](elastic_ctr/cube_config1.png)
 
 ![image](elastic_ctr/cube_config2.png)
 
-以上两个图片，一个是对cube POD的定义，一个是对cube
-SERVICE的定义。如果需要扩展Cube分片数量，可以复制POD和SERVICE的定义，并重命名它们。示例程序给出的是2个分片，复制之后第3个可以命名为cube-2。
+以上两个图片，一个是对cube POD的定义，一个是对cubeSERVICE的定义。如果需要扩展Cube分片数量，可以复制POD和SERVICE的定义，并重命名它们。示例程序给出的是2个分片，复制之后第3个可以命名为cube-2。
+
+## 5.4 Serving适配新的模型
+
+在本示例中，我们如果按照5.1节的方式，修改了CTR模型训练脚本的feed数据格式，就需要相应修改Serving的代码，以适应新的feed样例字段数量和数据类型。
+
+本部署方案中Paddle Serving的的预测服务和客户端代码分别为：
+
+服务端: https://github.com/PaddlePaddle/Serving/blob/develop/demo-serving/op/ctr_prediction_op.cpp
+
+客户端：https://github.com/PaddlePaddle/Serving/blob/develop/demo-client/src/ctr_prediction.cpp
+
+用户可在此基础上进行修改。
 
-### Serving适配新的模型
 
-在本示例中，所有训练的模型，都可以自动地被Serving获取，但是，我们如果需要别的模型，就需要自行去配置相关的信息。具体可以参见
-[Serving从零开始写一个预测服务](https://github.com/PaddlePaddle/Serving/blob/develop/doc/CREATING.md)
+关于Paddle Serving的完整开发模式，可参考[Serving从零开始写一个预测服务](https://github.com/PaddlePaddle/Serving/blob/develop/doc/CREATING.md)，以及[Paddle Serving的其他文档](https://github.com/PaddlePaddle/Serving/tree/develop/doc)