From 7e20ed1c266becf0ed9c7042484b925dde6d3d65 Mon Sep 17 00:00:00 2001 From: xulongteng Date: Tue, 13 Aug 2019 17:16:01 +0800 Subject: [PATCH] fix type --- doc/DEPLOY.md | 20 ++++++++++---------- 1 file changed, 10 insertions(+), 10 deletions(-) diff --git a/doc/DEPLOY.md b/doc/DEPLOY.md index 32757c34..ff843d67 100644 --- a/doc/DEPLOY.md +++ b/doc/DEPLOY.md @@ -1,7 +1,7 @@ # PaddlePaddle分布式训练和Serving流程化部署 -* [ 1.分布式训练](#head0) - * [ 1.1集群配置](#head1) +* [ 1. 分布式训练](#head0) + * [ 1.1 集群配置](#head1) * [1.1.1 创建集群](#head2) * [1.2.1 配置集群环境](#head3) * [1.2 配置开发机环境](#head4) @@ -26,9 +26,9 @@ * [2.3.2 拷贝可执行文件到物理机](#head23) * [2.3.3 启动cube-builder](#head24) * [2.3.3.1 接入配送流程](#head25) - * [ 2.3.3.2单机builder](#head26) - * [base模式 ](#head27) - * [ delta模式](#head28) + * [2.3.3.2 单机builder](#head26) + * [base模式 ](#head27) + * [delta模式](#head28) * [2.3.4 seqfile工具](#head29) * [2.4 cube-transfer部署](#head30) * [2.4.1 cube-transfer配置修改](#head31) @@ -51,7 +51,7 @@ * [3.2.2 Client编译与部署](#head48) * [3.2.2.1 配置修改](#head49) * [3.2.2.2 运行服务](#head50) - +--- 在搜索、推荐、在线广告等业务场景中，embedding参数的规模常常非常庞大，达到数百GB甚至T级别；训练如此规模的模型需要用到多机分布式训练能力，将参数分片更新和保存；另一方面，训练好的模型，要应用于在线业务，也难以单机加载。Paddle Serving提供大规模稀疏参数读写服务，用户可以方便地将超大规模的稀疏参数以kv形式托管到参数服务，在线预测只需将所需要的参数子集从参数服务读取回来，再执行后续的预测流程。 @@ -75,11 +75,11 @@ -## 1.分布式训练 +## 1. 分布式训练 分布式训练采用[volcano](https://github.com/volcano-sh/volcano)开源框架以及云平台实现，文档中以[百度智能云](https://cloud.baidu.com/?from=console)以及CTR预估模型为例，演示如何实现大规模稀疏参数模型的分布式训练。 -### 1.1集群配置 +### 1.1 集群配置 #### 1.1.1 创建集群 @@ -440,11 +440,11 @@ $ tree 拷贝bin/cube-builder和cube-transfer程序到同一机器。 相关参数已经封装好，只需要在cube-transfer的conf/transfer.conf里配置好cube-builder的地址、源数据和建库数据output的地址即可， 执行cube-transfer时会通过配置文件中的路径调用cube-builder，所以通常不需要手动执行cube-builder。 -##### 2.3.3.2单机builder +##### 2.3.3.2 单机builder **假设分片数为2，词典名为test** -###### base模式 +###### base模式 启动cube-builder命令，参数中的路径需要为绝对路径 -- GitLab