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
• 2. 配置集群
• 3. 一键部署教程
• 4. 训练进度追踪
• 5. 预测服务

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_HR和END_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