加入CODE CHINA

· 不限速    · 不限空间    · 不限人数    · 私仓免费

免费加入
    README.md

    ElasticCTR

    ElasticCTR是分布式训练CTR预估任务和Serving流程一键部署的方案,用户只需配置数据源、样本格式即可完成一系列的训练与预测任务

    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,主要特点如下:

    1.快速部署

    ElasticCTR当前提供的方案是基于百度云的Kubernetes集群进行部署,用户可以很容易扩展到其他原生的Kubernetes环境运行ElasticCTR。

    2.高性能

    ElasticCTR采用PaddlePaddle提供的全异步分布式训练方式,在保证模型训练效果的前提下,近乎线性的扩展能力可以大幅度节省训练资源。在线服务方面,ElasticCTR采用Paddle Serving中高吞吐、低延迟的稀疏参数预估引擎,高并发条件下是常见开源组件吞吐量的10倍以上。

    3.可定制

    用户可以通过统一的配置文件,修改训练中的训练方式和基本配置,包括在离线训练方式、训练过程可视化指标、HDFS上的存储配置等。除了通过修改统一配置文件进行训练任务配置外,ElasticCTR采用全开源软件栈,方便用户进行快速的二次开发和改造。底层的Kubernetes、Volcano可以轻松实现对上层任务的灵活调度策略;基于PaddlePaddle的灵活组网能力、飞桨的分布式训练引擎Fleet和远程预估服务Paddle Serving,用户可以对训练模型、并行训练的模式、远程预估服务进行快速迭代;MLFlow提供的训练任务可视化能力,用户可以快速增加系统监控需要的各种指标。

    本方案整体结构请参照这篇文章 ElasticCTR架构



    2. 配置集群

    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,百度云上创建k8s的方法用户可以参考这篇文档百度云创建k8s教程及使用指南。此外,Elastic CTR还支持在其他云上部署,可以参考以下两篇文档华为云创建k8s集群aws创建k8s集群.

    准备好K8S集群之后,我们需要配置HDFS作为数据集的来源HDFS配置教程

    3. 一键部署教程

    您可以使用我们提供的脚本elastic-control.sh来完成部署,在运行脚本前,请确保您的机器装有python3并通过pip安装了mlflow,安装mlflow的命令如下:

    python3 -m pip install mlflow -i https://pypi.tuna.tsinghua.edu.cn/simple

    脚本的使用方式如下:

    bash elastic-control.sh [COMMAND] [OPTIONS]

    其中可选的命令(COMMAND)如下:

    • -c|--config_client 检索客户端二进制文件用于发送预测服务请求并接收预测结果
    • -r|--config_resource 定义训练配置
    • -a|--apply 应用配置并启动训练
    • -l|--log 打印训练状态,请确保您已经启动了训练

    在定义训练配置时,您需要添加附加选项(OPTIONS)来指定配置的资源,可选的配置如下:

    • -u|--cpu 每个训练节点的CPU核心数
    • -m|--mem 每个节点的内存容量
    • -t|--trainer trainer节点的数量
    • -p|--pserver parameter-server节点的数量
    • -b|--cube cube分片数
    • -hd|--hdfs_address 存储数据文件的HDFS地址

    注意:您的数据文件的格式应为以下示例格式:

    $show $click $feasign0:$slot0 $feasign1:$slot1 $feasign2:$slot2......

    举例如下:

    1 0 17241709254077376921:0 132683728328325035:1 9179429492816205016:2 12045056225382541705:3
    • -f|--datafile 数据路径文件,需要指明HDFS地址并指定起始与截止日期(截止日期可选)
    • -s|--slot_conf 特征槽位配置文件,请注意文件后缀必须为'.txt'

    以下是data.config文件,其中START_DATE_HREND_DATE_HR就是我们在上一步配置HDFS的路径。

    export HDFS_ADDRESS="hdfs://${IP}:9000" # HDFS地址
    export HDFS_UGI="root,i" # HDFS用户名密码
    export START_DATE_HR=20200401/00 # 训练集开始时间,代表2020年4月1日0点
    export END_DATE_HR=20200401/03 # 训练集结束时间,代表2020年4月1日3点
    export DATASET_PATH="/train_data" # 训练集在HDFS上的前缀
    export SPARSE_DIM="1000001" # 稀疏参数维度,可不动

    脚本的使用示例如下:

    bash elastic-control.sh -r -u 4 -m 20 -t 2 -p 2 -b 5 -s slot.conf -f data.config
    bash elastic-control.sh -a
    bash elastic-control.sh -l
    bash elastic-control.sh -c

    4. 训练进度追踪

    我们提供了两种方法让用户可以观察训练的进度,具体方式如下:

    1.命令行查看

    在训练过程中,用户可以随时输入以下命令,将Trainer0和file server的状态日志打印到标准输出上以便查看

    bash elastic-control.sh -l

    5. 预测服务

    用户可以输入以下指令查看file server日志:

    bash elastic-control.sh -l

    当发现有模型产出后,可以进行预测,预测的方法是输入以下命令

    bash elastic-control.sh -c

    并按照屏幕上打出的提示继续执行即可进行预测,结果会打印在标准输出 infer_help.png

    项目简介

    ElasticCTR,即飞桨弹性计算推荐系统,是基于Kubernetes的企业级推荐系统开源解决方案。该方案融合了百度业务场景下持续打磨的高精度CTR模型、飞桨开源框架的大规模分布式训练能力、工业级稀疏参数弹性调度服务,帮助用户在Kubernetes环境中一键完成推荐系统部署,具备高性能、工业级部署、端到端体验的特点,并且作为开源套件,满足二次深度开发的需求。

    发行版本

    当前项目没有发行版本

    贡献者 4

    开发语言

    • Python 65.7 %
    • Shell 34.3 %