# PaddlePaddle分布式训练和Serving流程化部署 * [ 环境配置](#head0) * [ 分布式训练](#head1) * [ 1、集群配置](#head2) * [1.1 创建集群](#head3) * [1.2 配置集群环境](#head4) * [2、 配置开发机环境](#head5) * [2.1 安装KubeCtl](#head6) * [2.2 安装Helm](#head7) * [2.3 配置文件](#head8) * [2.4 安装Go](#head9) * [ 3、安装volcano](#head10) * [ 4、执行训练](#head11) * [ 5、模型产出](#head12) * [5.1 模型裁剪](#head13) * [5.2 稀疏参数产出](#head14) * [5.3 搭建HTTP File Server服务](#head141) * [ 大规模稀疏参数服务Cube的部署和使用](#head15) * [1. 编译](#head16) * [2. 分片cube server部署](#head17) * [2.1 配置文件修改](#head18) * [2.2 拷贝可执行文件和配置文件到物理机](#head19) * [2.3 启动 cube server](#head20) * [3. cube-builder部署](#head21) * [3.1 配置文件修改](#head22) * [3.2 拷贝可执行文件到物理机](#head23) * [3.3 启动cube-builder](#head24) * [3.4 seqfile工具](#head241) * [4. cube-transfer部署](#head25) * [4.1 cube-transfer配置修改](#head26) * [4.2 拷贝cube-transfer到物理机](#head27) * [4.3 启动cube-transfer](#head28) * [4.4 cube-transfer支持查询接口](#head281) * [4.5 donefile格式协议](#head29) * [ 预测服务部署](#head30) * [ 1、Server端](#head31) * [1.1 Cube服务](#head32) * [1.2 Serving编译](#head33) * [1.3 配置修改](#head34) * [1.3.1 conf/gflags.conf](#head35) * [1.3.2 conf/model_toolkit.prototxt](#head36) * [1.3.3 conf/cube.conf](#head37) * [1.3.4 模型文件](#head38) * [1.4 启动Serving](#head39) * [ 2、Client端](#head40) * [2.1 测试数据](#head41) * [2.2 Client编译与部署](#head42) * [2.2.1 配置修改](#head43) * [2.2.2 运行服务](#head44) 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。 本文以CTR预估任务为例，提供一个完整的基于PaddlePaddle的分布式训练和Serving的流程化部署过程。基于此流程，用户可定制自己的端到端深度学习训练和应用解决方案。 本文演示的基于PaddlePaddle的分布式训练和Serving流程化部署，基于CTR预估任务，原始模型可参见[PaddlePaddle公开模型github repo](https://github.com/PaddlePaddle/models/tree/develop/PaddleRec/ctr)。 整体拓扑架构如下图所示： ![PaddlePaddle分布式训练和Serving流程化部署拓扑](./deploy/ctr-prediction-end-to-end-deployment.png) 其中： 1. 分布式训练集群在百度云k8s集群上搭建，并通过[volcano](https://volcano.sh/)提交分布式训练任务和资源管理 2. 分布式训练产出dense参数和ProgramDesc，通过http服务直接下载到Serving端，给Serving加载 3. 分布式训练产出sparse embedding，由于体积太大，通过cube稀疏参数服务提供给serving访问 4. 在线预测时，Serving通过访问cube集群获取embedding数据，与dense参数配合完成预测计算过程 以下从4部分分别介绍上图中各个组件： 1. 分布式训练集群和训练任务提交 2. 稀疏参数服务部署与使用 3. Paddle Serving的部署 4. 客户端访问Paddle Serving完成CTR预估任务预测请求 ## 环境配置 **环境要求** ：helm、kubectl、go ## 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、集群配置 #### 1.1 创建集群 登录百度智能云官网，参考[帮助文档](https://cloud.baidu.com/doc/CCE/s/zjxpoqohb)创建容器引擎。 #### 1.2 配置集群环境 进入“产品服务>容器引擎CCE”，点击“集群管理>集群列表”，可看到用户已创建的集群列表。从集群列表中查看创建的集群信息。 ![img](./deploy/cluster-info.png) 点击左侧的"Helm>Helm实例"，点击安装链接为集群一键安装helm。百度智能云为集群安装的helm版本为2.12.3，kubectl版本为1.13.4 为了能够从外部登录集群节点，需要为集群中安装了tiller的节点申请弹性公网。点击"更多操作>控制台"。 ![concole](./deploy/concole.png) 点击"命名空间"选择kube-system，点击"容器组"，查看tiller开头的节点。 ![tiller](./deploy/tiller.png) 点击"产品服务>网络>弹性公网" ![eip](./deploy/eip.png) 创建弹性公网实例，完成后选择创建的实例，点击"更多操作>绑定到BCC"，填写tiller开头的节点信息进行绑定。 ### 2、 配置开发机环境 配置过程需要开发机的root权限。 #### 2.1 安装KubeCtl KubeCtl可以实现在本地开发机上连接百度智能云的Kubernets集群，建议参考百度云操作指南文档中[通过KubeCtl连接集群](https://cloud.baidu.com/doc/CCE/s/6jxpotcn5)部分进行安装。 #### 2.2 安装Helm 建议参考[Helm官方安装文档](https://helm.sh/docs/using_helm/#installing-helm)进行安装。 **注意事项：** 开发机上的kubectl与helm的版本需要与集群上的版本相一致，目前百度智能云为集群安装的helm版本为2.12.3，kubectl版本为1.13.4。 #### 2.3 配置文件 点击"集群列表"界面的"配置文件下载"，下载配置文件。 ![conf download](./deploy/conf-download.png) 将下载的配置文件移动到~/.kube文件夹下，文件名修改为config。 通过之前创建的弹性公网ip登录运行tiller的节点，账户密码为创建集群时设置的账户和密码，默认账户为root。 将节点上的以下三个文件 > /etc/kubernetes/pki/ca.pem > > /etc/kubernetes/pki/admin.pem > > /etc/kubernetes/pki/admin-key.pem 下载至开发机并放在相同的路径，添加四个环境变量 ```bash export HELM_TLS_ENABLE=true export HELM_TLS_CA_CERT=/etc/kubernetes/pki/ca.pem export HELM_TLS_CERT=/etc/kubernetes/pki/admin.pem export HELM_TLS_KEY=/etc/kubernetes/pki/admin-key.pem ``` 分别执行`kubectl version`与`helm version`，如果返回client端与server端信息，则证明配置成功。 示例： ![kubectl version](./deploy/kubectl-version.png) ![helm version](./deploy/helm-version.png) 如果只返回client端信息，server端信息显示"Forbidden"，检查开发机是否使用了代理，若有可以尝试关闭代理再次执行命令检查。 #### 2.4 安装Go 推荐安装Go 1.12 下载安装包 ```bash wget https://studygolang.com/dl/golang/go1.12.7.linux-amd64.tar.gz --no-check-certificate ``` 解压到 /usr/local/路径下 ```bash tar zxvf go1.12.7.linux-amd64.tar.gz -C /usr/local/ ``` 设置环境变量 ```bash export GOPATH=/usr/local/go ``` ### 3、安装volcano 参考[volcano官方文档](https://github.com/volcano-sh/volcano#quick-start-guide)。 通过yaml文件安装 ```bash kubectl apply -f https://raw.githubusercontent.com/volcano-sh/volcano/master/installer/volcano-development.yaml ``` 安装完成后执行`kubectl get pods --namespace volcano-system` 若出现以下信息则证明安装成功： ![volcano](./deploy/volcano.png) ### 4、执行训练 创建cluster role和service account，[defaultserviceaccountclusterrole.yaml](./resource/defaultserviceaccountclusterrole.yaml) 文件示例如下： ```yaml kind: ClusterRole apiVersion: rbac.authorization.k8s.io/v1 metadata: name: default namespace: default rules: - apiGroups: [""] resources: ["pods"] verbs: ["get", "list", "watch"] --- kind: ClusterRoleBinding apiVersion: rbac.authorization.k8s.io/v1 metadata: name: default namespace: default subjects: - kind: ServiceAccount name: default namespace: default roleRef: kind: ClusterRole name: default apiGroup: rbac.authorization.k8s.io ``` 执行 ```bash kubectl create -f defaultserviceaccountclusterrole.yaml ``` CTR模型的训练镜像存放在[dockerhub](https://hub.docker.com/)网站，通过kubectl加载yaml文件启动训练任务，CTR预估模型训练任务的yaml文件为[volcano-ctr-demo-baiduyun.yaml](./resource/volcano-ctr-demo-baiduyun.yaml)。 执行 ```bash kubectl apply -f volcano-ctr-demo-baiduyun.yaml ``` 通过`kubectl get pods`命令可以查看训练任务的运行情况 ![ctr running](./deploy/ctr-running.png) 通过`kubectl logs $POD_NAME`可以查看对应的日志，例如`kubectl logs edl-demo-trainer-0` ![trainer log](./deploy/trainer-log.png) 也可以通过百度云平台提供的web页面观察集群的工作负载 ![工作负载](./deploy/workload.png) ### 5、模型产出 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。 #### 5.1 模型裁剪，产出预测ProgramDesc和dense参数 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)。 在trainer镜像中，模型裁剪的主要交互流程是： 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) #### 5.2 稀疏参数产出 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) #### 5.3 搭建HTTP File Server服务 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 ```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。 ## 大规模稀疏参数服务Cube的部署和使用 Cube大规模稀疏参数服务服务组件，用于承载超大规模稀疏参数的查询、更新等各功能。上述分布式训练产出的稀疏参数，在k8s中以http文件服务的形式提供下载；cube则负责将稀疏参数读取、加工，切分成多个分片，灌入稀疏参数服务集群，提供对外访问。 Cube一共拆分成四个组件，共同完成上述工作： 1. cube-transfer 负责监听上游数据产出，当判断到数据更新时，将数据下载到cube-builder建库端，然后将建库的数据配送到由多个物理节点组成的稀疏参数服务集群 2. cube-builder 负责从上游数据构建cube内部索引格式，并切分成多个分片，完成建库工作 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)。本文仅描述从头部署Cube服务的流程。 ### 1. 编译 Cube是Paddle Serving内置的组件，只要按常规步骤编译Serving即可。要注意的是，编译Cube需要Go语言编译器。 ```bash $ git clone https://github.com/PaddlePaddle/Serving.git $ cd Serving $ makedir build $ cd build $ cmake -DWITH_GPU=OFF .. # 不需要GPU $ make -jN # 这里可修改并发编译线程数 $ make install $ cd output/ $ ls bin cube cube-builder cube-transfer pdcodegen $ ls conf gflags.conf transfer.conf ``` 其中： 1) bin/cube, bin/cube-agent, bin/cube-builder, bin/cube-transfer是上述3个组件的可执行文件。**bin/cube是cube-server的可执行文件** 2) conf/gflags.conf是配合bin/cube使用的配置文件，主要包括端口配置等等 3) conf/transfer.conf是配合bin/cube-transfer使用的配置文件，主要包括要监听的上游数据地址等等 接下来我们按cube server/agent, cube-builder, cube-transfer的顺序，介绍Cube的完整部署流程 ### 2. 分片cube server/agent部署 #### 2.1 配置文件修改 首先修改cube server的配置文件，将port改为我们需要的端口号，(当本机内存资源紧张时，将in_mem修改为false将以磁盘访问的模式启动cube server): ``` --port=8000 --dict_split=1 --in_mem=true ``` #### 2.2 拷贝可执行文件和配置文件到物理机 将bin/cube,bin/cube-agent和conf/gflags.conf拷贝到多个物理机上。假设拷贝好的文件结构如下： ```bash $ tree . |-- bin | `-- cube | `-- cube-agent |-- conf | `-- gflags.conf ``` #### 2.3 启动 cube server/agent ```bash nohup bin/cube & nohup bin/cube-agent -P 8001 & ``` 其中cube-agent在启动命令中使用 -P 参数指定监听端口号 ### 3. cube-builder部署 #### 3.1 配置文件修改 cube-builder配置项说明： 均在启动参数中提交 参数项如下： ``` open_builder: Usage : ./open_build --help Flags from /home/work/dangyifei/open-builder/src/main.cpp: -cur_version (current version, no need) type: int32 default: 0 //单机builder模式下不需要 -depend_version (depend version, job mode delta need) type: int32 default: 0 //单机builder base模式下不需要，patch模式找到meta_info里的base的key -dict_name (dict name, no need) type: string default: "" //词典名，单机builder模式下不加默认空，用来和版本拼接生成索引文件名 -input_path (source data input path) type: string default: "" //必须，源数据所在路径，仅支持本地路径 -job_mode (job mode base/delta default:base) type: string default: "base" //默认base模式，delta模式：-job_mode=delta -last_version (last version, job mode delta need) type: int32 default: 0 //单机builder base模式下不需要，patch模式找到meta_info里的base的id -master_address (master address, no need) type: string default: "" //单机builder模式不需要，会把index meta信息写到本地output/meta_info目录下 -only_build (wheather build need transfer) type: bool default: true //单机builder模式不需要，代表是不是单机builder，如果false会向master_address发送请求，将index meta信息写到远程 -output_path (source data input path) type: string default: "" //必须，索引建库数据的输出路径，仅支持本地路径 -shard_num (shard num) type: int32 default: -1 //必须，数据切分的分片数量 ``` #### 3.2 拷贝可执行文件到物理机 需要将bin/cube-builder拷贝到物理机上。 只利用builder工具建立索引无特殊位置要求，如果接入配送环节使用必须和cube-transfer同机部署。 假设单独使用builder工具，文件结构如下： ``` $ tree `-- cube-builder |-- source | `-- test_seqfile |-- output ``` #### 3.3 启动cube-builder ##### 3.3.1接入配送流程 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。 ##### 3.3.2单机builder **假设分片数为2，词典名为test** ###### base模式 启动cube-builder命令，参数中的路径需要为绝对路径 ```bash ./cube-builder -input_path=${source} -output_path=${output} -shard_num=2 -dict_name=test ``` 运行后会根据当前时间戳自动生成建库索引文件夹1565323045_1565323045和meta信息文件夹meta_info结构如下： ``` $ tree `-- cube-builder |-- source | `-- test_seqfile `-- output |-- 1565323045_1565323045 | |-- test_part0 | | |-- data.0 | | |-- data.n | | |-- index.0 | | `-- index.n | |-- test_part0.tar | |-- test_part0.tar.md5 | |-- test_part1 | | |-- data.0 | | |-- data.n | | |-- index.0 | | `-- index.n | |-- test_part1.tar | `-- test_part1.tar.md5 `-- meta_info |-- 1565323045_1565323045_0_0.json `-- 1565323045_1565323045_1_0.json ``` test_part0.tar和test_part0.tar.md5是shard0分片的数据和md5校验，1565323045_1565323045_0_0.json是0号分片的索引长度和数量，在对应版本的delta建库中需要。 ###### delta模式 需要依赖于上次的base或者delta的id和key，1565323045_1565323045_0_0.json前一个时间戳是id，后一个是key（和分片数据的目录key_id相反），对应cube-builder输入参数-last_version和-depend_version，保持output和dict_name不变（builder会寻找上一轮的index meta信息）。 启动cube-builder命令，参数中的路径需要为绝对路径 ```bash ./cube-builder -input_path=${source} -output_path=${output} -shard_num=2 -depend_version=1565323045 -last_version=1565323045 -job_mode=delta -dict_name=test ``` 运行后会根据当前时间戳自动生成delta建库索引文件夹1565323045_1565326078和meta信息文件夹meta_info结构如下： ``` $ tree `-- cube-builder |-- source | `-- test_seqfile `-- output |-- 1565323045_1565323045 | |-- test_part0 | | |-- data.0 | | |-- data.n | | |-- index.0 | | `-- index.n | |-- test_part0.tar | |-- test_part0.tar.md5 | |-- test_part1 | | |-- data.0 | | |-- data.n | | |-- index.0 | | `-- index.n | |-- test_part1.tar | `-- test_part1.tar.md5 |-- 1565323045_1565326078 | |-- test_part0 | |-- data.0 | | |-- data.n | | |-- index.0 | | `-- index.n | |-- test_part0.tar | |-- test_part0.tar.md5 | |-- test_part1 | | |-- data.0 | | |-- data.n | | |-- index.0 | | `-- index.n | |-- test_part1.tar | `-- test_part1.tar.md5 `-- meta_info |-- 1565323045_1565323045_0_0.json |-- 1565323045_1565323045_0_0.json |-- 1565326078_1565323045_0_0.json `-- 1565326078_1565323045_1_0.json ``` #### 3.4 seqfile工具 builder输入数据的源格式必须为seqfile，key为uint64（输入必须为二进制8个字节），value为序列化的二进制。 提供明文转seqfile工具和读seqfile工具，位置在output/tool里kvtool.py和kv_to_seqfile.py。 kvtool.py 是读seqfile工具，会输出读到的kv信息，参数是文件地址假设在/home/work/test下的seqfile，运行方式如下： ``` python kvtool.py /home/work/test/seqfile ``` kv_to_seqfile.py是明文转seqfile工具，依赖于kvtool.py，会将明文kv转为seqfile文件存储，并输出donefile，在kv_to_seqfile.py的27和30行修改输入和donefile路径： ``` BASE_DONEFILE = DATA_PATH + "donefile/base.txt" #base donefile文件地址 SOURCE_FILE = './source/file.txt' #明文源数据路径 ``` 要求明文txt内的格式，每行一对kv，用:分割，示例如下： ``` 1:1 2:2 10:10 11 12 11:this is eleven 12:value can string 1676869128226002114:48241 37064 91 -539 114 51 -122 269 229 -134 -282 1657749292782759014:167 40 98 27 117 10 -29 15 74 67 -54 ``` ### 4. cube-transfer部署 #### 4.1 cube-transfer配置修改 cube-transfer配置文件是conf/transfer.conf，配置比较复杂，配置文件中的路径需要为绝对路径，各个配置项含义如下： ``` [default] dict_name: test_dict //词典名 mode: base_delta //配送模式base_only/base_delta storage_place: LOCAL //默认LOCAL，表示使用单机builder工具 buildtool_local: /home/work/test-builder/build/cube-builder //build工具位置，必须在本地，绝对路径 donefile_address: /home/work/test-transfer/test_data/donefile //donefile位置支持本地路径和远程ftp或者http服务(ftp://或者http://)，只到最后文件夹，文件夹内最多2个文件base.txt patch.txt output_address: /home/work/test-transfer/test_data/output //build后数据索引输出位置 tmp_address: /home/work/test-transfer/test_data/tmp //transfer工具运行中临时文件存放位置 shard_num: 2 //分片数 copy_num: 1 //每片副本数 deploy_path: /home/work/test_dict //不用修改 transfer_address: 10.10.10.5 //cube-transfer本机的ip [cube_agent] agent0_0: 10.10.220.15:8001 //0号分片0号副本的agent ip:port cube0_0: 10.10.220.15:8000:/ssd2/cube_open //0号分片0号副本的cube，该路径下会存放配送的数据 ip:port:deploy_path agent1_0: 10.10.180.40:8001 //1号分片0号副本的agent ip:port cube1_0: 10.10.180.40:8000:/home/disk1/cube_open //1号分片0号副本的cube ，该路径下会存放配送的数据 ip:port:deploy_path ``` #### 4.2 拷贝cube-transfer到物理机 将bin/cube-transfer和conf/transfer.conf拷贝到多个物理机上，构建output和tmp文件夹用来存放配送的中间文件。 假设拷贝好的文件结构如下： ``` $ tree . |-- cube-transfer |-- output |-- tmp `-- conf |-- transfer.conf ``` #### 4.3 启动cube-transfer 假设启动服务端口8099，-l参数是log等级 --config是配置文件位置，./log文件夹下可以查看cube-transfer的日志 ```bash ./cube-transfer -p 8099 -l 4 --config conf/transfer.conf ``` #### 4.4 cube-transfer支持查询接口 > 获取当前词典状态 > http://10.10.10.5:8099/dict/info > 获取实例当前状态 > http://10.10.10.5:8099/instance/status > 获取配送历史从最近的base到当前正在配送的delta > http://10.10.10.5:8099/dict/deploy/history #### 4.5 donefile格式协议 一旦cube-transfer部署完成，它就不断监听我们配置好的donefile数据位置，发现有数据更新后，即启动数据下载，然后通知cube-builder执行建库和配送流程，将新数据配送给各个分片的cube-server。 id最好使用版本产出时间戳，base和patch每产出一条直接在donefile文件最后加一行即可，文件名固定base.txt、patch.txt >base.txt每行一条，id和key相同，目录下可有多个文件，不能有文件夹 >``` >{"id":"1562000400","key":"1562000400","input":"/home/work/test_data/input/seqfile"} >``` >patch.txt每行一条，key为base的id >``` >{"id":"1562000401","key":"1562000400","input":"/home/work/test_data/input/seqfile"} >{"id":"1562000402","key":"1562000400","input":"/home/work/test_data/input/seqfile"} >``` ## 预测服务部署 ### 1、Server端 通过wget命令从集群获取dense部分模型用于Server端。 ```bash wget "http://${HTTP_SERVICE_IP}:${HTTP_SERVICE_PORT}/path/to/models" ``` K8s集群上CTR预估任务训练完成后，模型参数分成2部分：一是embedding数据，经过dumper.py已经转成hadoop SequenceFile格式，传输给cube建库流程构建索引和灌cube；二是除embedding之外的参数文件，连同save_program.py裁剪后的program，一起配合传输给Serving加载。save_program.py裁剪原始模型的具体背景和详细步骤请参考文档[Paddle Serving CTR预估模型说明](https://github.com/PaddlePaddle/Serving/blob/develop/doc/CTR_PREDICTION.md)。 本文介绍Serving使用上述模型参数和program加载模型提供预测服务的流程。 #### 1.1 Cube服务 假设Cube服务已经成功部署，用于cube客户端API的配置文件如下所示： ```json [{ "dict_name": "dict", "shard": 2, "dup": 1, "timeout": 200, "retry": 3, "backup_request": 100, "type": "ipport_list", "load_balancer": "rr", "nodes": [{ "ipport_list": "list://192.168.1.1:8000" },{ "ipport_list": "list://192.168.1.2:8000" }] }] ``` 上述例子中，cube提供外部访问的表名是`dict`，有2个物理分片，分别在192.168.1.1:8000和192.168.1.2:8000 **注意事项：** nodes中的ipport_list需要按照分片的顺序(参考cube-transfer配置文件)填写。 #### 1.2 Serving编译 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。 ```bash $ git clone https://github.com/PaddlePaddle/Serving.git $ cd Serving $ makedir build $ cd build $ cmake -DWITH_GPU=OFF .. # 不需要GPU $ 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 ``` #### 1.3 配置修改 ##### 1.3.1 conf/gflags.conf 将--enable_cube改为true: ```json --enable_cube=true ``` ##### 1.3.2 conf/model_toolkit.prototxt Paddle Serving自带的model_toolkit.prototxt如下所示，如有必要可只保留ctr_prediction一个： ``` engines { name: "image_classification_resnet" type: "FLUID_CPU_NATIVE_DIR" reloadable_meta: "./data/model/paddle/fluid_time_file" reloadable_type: "timestamp_ne" model_data_path: "./data/model/paddle/fluid/SE_ResNeXt50_32x4d" runtime_thread_num: 0 batch_infer_size: 0 enable_batch_align: 0 } engines { name: "text_classification_bow" type: "FLUID_CPU_ANALYSIS_DIR" reloadable_meta: "./data/model/paddle/fluid_time_file" reloadable_type: "timestamp_ne" model_data_path: "./data/model/paddle/fluid/text_classification_lstm" runtime_thread_num: 0 batch_infer_size: 0 enable_batch_align: 0 } engines { name: "ctr_prediction" type: "FLUID_CPU_ANALYSIS_DIR" reloadable_meta: "./data/model/paddle/fluid_time_file" reloadable_type: "timestamp_ne" model_data_path: "./data/model/paddle/fluid/ctr_prediction" runtime_thread_num: 0 batch_infer_size: 0 enable_batch_align: 0 sparse_param_service_type: REMOTE sparse_param_service_table_name: "dict" } ``` **注意事项：** ctr_prediction model有如下2行配置： ```json sparse_param_service_type: REMOTE sparse_param_service_table_name: "dict" ``` ##### 1.3.3 conf/cube.conf conf/cube.conf是一个完整的cube配置文件模板，其中只要修改nodes列表为真实的物理节点IP:port列表即可。例如 （与第1节cube配置文件内容一致）： ```json [{ "dict_name": "dict", "shard": 2, "dup": 1, "timeout": 200, "retry": 3, "backup_request": 100, "type": "ipport_list", "load_balancer": "rr", "nodes": [{ "ipport_list": "list://192.168.1.1:8000" },{ "ipport_list": "list://192.168.1.2:8000" }] }] ``` **注意事项：** 如果修改了`dict_name`，需要同步修改1.3.2节中`sparse_param_service_table_name`字段 ##### 1.3.4 模型文件 Paddle Serving自带了一个可以工作的CTR预估模型，是从BCE上下载下来的，其制作方法为： 1. 分布式训练CTR预估任务，保存模型program和参数文件 2. 用save_program.py保存一份用于预测的program (文件名为**model**)。save_program.py随trainer docker image发布 3. 第2步中保存的program (**model**) 覆盖到第1步保存的模型文件夹中**model**文件，打包成.tar.gz上传到BCE 如果只是为了验证demo流程，serving此时已经可以用自带的CTR模型加载模型并提供预测服务能力。 为了应用重新训练的模型，只需要从k8s集群暴露的http服务下载新的ctr_model.tar.gz，解压到data/model/paddle/fluid下，并将内容移至原来的ctr_prediction目录即可： ```bash $ cd data/model/paddle/fluid $ wget http://${HTTP_SERVICE_IP}:${HTTP_SERVICE_PORT}/data/ctr_model.tar.gz $ tar zxvf ctr_model.tar.gz # 假设解压出一个inference_only目录 $ rm -rf ctr_prediction # 删除旧的ctr_prediction目录下内容 $ cp -r inference_only/* ctr_prediction $ cd ../../../../ # 切换至serving所在目录 $ ls bin conf data kvdb log $ killall serving # 杀死旧的serving进程 $ bin/serving & # 重启serving ``` 从K8S集群暴露的http服务下载训练模型，请参考文档[PaddlePaddle分布式训练和Serving流程化部署](http://icode.baidu.com/repos/baidu/personal-code/wangguibao/blob/master:ctr-embedding-to-sequencefile/path/to/doc/DISTRIBUTED_TRANING_AND_SERVING.md) #### 1.4 启动Serving 执行`./bin/serving `启动serving服务，在./log路径下可以查看serving日志。 ### 2、Client端 参考[从零开始写一个预测服务：client端]([https://github.com/PaddlePaddle/Serving/blob/develop/doc/CREATING.md#3-client%E7%AB%AF](https://github.com/PaddlePaddle/Serving/blob/develop/doc/CREATING.md#3-client端))文档，实现client端代码。 文档中使用的CTR预估任务client端代码存放在Serving代码库demo-client路径下，链接[ctr_prediction.cpp](https://github.com/PaddlePaddle/Serving/blob/develop/demo-client/src/ctr_prediction.cpp)。 #### 2.1 测试数据 CTR预估任务样例使用的数据来自于[原始模型](https://github.com/PaddlePaddle/models/tree/develop/PaddleRec/ctr)的测试数据，在样例中提供了1000个测试样本，如果需要更多样本可以参照原始模型下载数据的[脚本](https://github.com/PaddlePaddle/models/blob/develop/PaddleRec/ctr/data/download.sh)。 #### 2.2 Client编译与部署 按照1.2Serving编译部分完成编译后，client端文件在output/demo/client/ctr_prediction路径下。 ##### 2.2.1 配置修改 修改conf/predictors.prototxt文件ctr_prediction_service部分 ``` predictors { name: "ctr_prediction_service" service_name: "baidu.paddle_serving.predictor.ctr_prediction.CTRPredictionService" endpoint_router: "WeightedRandomRender" weighted_random_render_conf { variant_weight_list: "50" } variants { tag: "var1" naming_conf { cluster: "list://127.0.0.1:8010" } } } ``` 配置Server端ip与端口号，默认为本机ip、8010端口。 ##### 2.2.2 运行服务 执行`./bin/ctr_predictoin`启动client端，在./log路径下可以看到client端执行的日志。