在PAI-DLC环境训练EasyRec模型_智能推荐 AIRec(AIRec)-阿里云帮助中心

1、进入阿里云人工智能平台PAI 分布式训练（DLC）

2、创建任务

填写镜像地址

区域	tf版本	资源	镜像地址
北京	tf1.12	cpu	mybigpai-public-registry.cn-beijing.cr.aliyuncs.com/easyrec/easyrec:py27-tf1.12-0.8.5
北京	tf1.15	cpu	mybigpai-public-registry.cn-beijing.cr.aliyuncs.com/easyrec/easyrec:py36-tf1.15-0.8.5
北京	tf2.12	cpu	mybigpai-public-registry.cn-beijing.cr.aliyuncs.com/easyrec/easyrec:py38-tf2.12-0.8.5
北京	tf2.12	gpu	mybigpai-public-registry.cn-beijing.cr.aliyuncs.com/easyrec/easyrec:py38-tf2.12-gpu-0.8.5

注意0.8.5指的是EasyRec版本。

挂载OSS

将OSS bucket 路径挂载在DLC上用于存储训练模型和config。如果训练数据在OSS上，也需要从OSS获取训练数据。如果训练数据在MaxCompute上，也可以直接从MaxCompute获取训练数据。

任务命令

示例

cat  << EOF >> odps_conf
access_id=****************
access_key=****************
end_point=http://service.cn-hangzhou.maxcompute.aliyun.com/api

EOF

export ODPS_CONFIG_FILE_PATH=odps_conf
python -m easy_rec.python.train_eval --pipeline_config_path /mnt/data/dwd_avazu_ctr_deepmodel_ext.config --continue_train --train_input_path odps://pai_online_project/tables/dwd_avazu_ctr_deepmodel_train --eval_input_path odps://pai_online_project/tables/dwd_avazu_ctr_deepmodel_test --model_dir /mnt/data/dlc_demo/ --edit_config_json='{"data_config.num_epochs":1, "data_config.input_type":"OdpsInputV3"}'

设置任务资源

根据数据量和模型大小选择适合的资源

根据MaxCompute训练的CU数量，选择核数相当的资源。或者参照下表进行估计

3、训练

配置完成点击完成就开始训练任务。

4、部署

训练模型成功，就可以将上面的DLC训练任务导入到DataWorks中做周期性调度，具体步骤如下：

步骤一：创建DLC任务

登录PAI控制台，进入分布式训练任务页面并创建DLC任务。

步骤二：创建PAI DLC节点

进入数据开发页面。

登录DataWorks控制台，单击左侧导航栏的数据建模与开发 > 数据开发，在下拉框中选择对应工作空间后单击进入数据开发。

右键单击目标业务流程，选择新建节点 > 算法 > PAI DLC。
在新建节点对话框输入节点名称，单击确认，完成节点创建。后续您可在节点中进行对应任务的开发与配置。

在节点的编辑页面，从下拉列表中选择已创建的DLC任务。

任务载入后，DLC节点编辑器会根据PAI中该任务的配置生成相应节点代码，您可基于该代码编辑修改任务。更多详细内容，请参见开发PAI DLC任务。

也可以直接编写DLC任务代码：

dlc submit tfjob \
    --name=dlc_test_clone${train_ymd} \
    --command='
cat  << EOF >> odps_conf
access_id=****************
access_key=****************
end_point=http://service.cn-hangzhou.maxcompute.aliyun.com/api

EOF

export ODPS_CONFIG_FILE_PATH=odps_conf
python -m easy_rec.python.train_eval \
--pipeline_config_path /mnt/data/dwd_avazu_ctr_deepmodel_ext.config \
--continue_train --train_input_path odps://pai_online_project/tables/dwd_avazu_ctr_deepmodel_train \
--eval_input_path odps://pai_online_project/tables/dwd_avazu_ctr_deepmodel_test \
--model_dir /mnt/data/dlc_demox${train_ymd}/ \
--edit_config_json='\''{"data_config.input_type":"OdpsInputV3"}'\''' \
    --workspace_id=${pai_workspace_id} \
    --priority=1 \
    --workers=3 \
    --worker_image=mybigpai-public-registry.cn-beijing.cr.aliyuncs.com/easyrec/easyrec:py36-tf1.15-0.8.5 \
    --worker_spec=ecs.g6.2xlarge \
    --ps=1 \
    --ps_image=mybigpai-public-registry.cn-beijing.cr.aliyuncs.com/easyrec/easyrec:py36-tf1.15-0.8.5 \
    --ps_spec=ecs.g6.2xlarge \
    --chief=true \
    --chief_image=mybigpai-public-registry.cn-beijing.cr.aliyuncs.com/easyrec/easyrec:py36-tf1.15-0.8.5 \
    --chief_spec=ecs.g6.large \
    --data_sources=${oss_sources_id}

说明

为避免使用DataWorks周期性调度DLC节点在PAI产生较多不易区分的同名任务，建议在任务名称中增加日期时间变量，并通过调度配置为该变量赋值时间调度参数，实现任务命名增加日期时间。详情请参见开发PAI DLC任务。

步骤三：配置任务调度

单击节点编辑区域右侧的调度配置，在调度配置面板中，包含基础属性、参数、时间属性、资源属性和调度依赖等配置项。您可以在时间属性区域配置调度周期，后续DataWorks会根据配置的调度周期自动调度运行节点任务。详情请参见任务调度属性配置概述。

说明

您需设置节点的重跑属性和依赖的上游节点，才可提交节点。
为避免使用DataWorks周期性调度DLC节点在PAI产生较多不易区分的同名任务，建议在DataWorks开发DLC任务时根据实际需要合理设置调度周期。

步骤四：调试任务代码

您可根据需要执行如下调试操作，查看任务是否符合预期。

（可选）选择运行资源组、赋值自定义参数取值。

单击工具栏的图标，在参数对话框选择调试运行需使用的调度资源组。
如您的任务代码中有使用调度参数变量，可在此处为变量赋值，用于调试。参数赋值逻辑详情请参见调度参数。

保存并运行SQL语句。

单击工具栏的图标，保存编写的SQL语句，单击图标，运行创建的SQL任务。

（可选）冒烟测试。

如您希望在开发环境进行冒烟测试，查看调度节点任务的执行是否符合预期，则可在节点提交时，或节点提交后执行冒烟测试，操作详情请参见执行冒烟测试。

步骤五：提交发布任务

节点任务配置完成后，需执行提交发布操作，提交发布后节点即会根据调度配置内容进行周期性运行。

单击工具栏中的图标，保存节点。

单击工具栏中的图标，提交节点任务。

提交时需在提交新版本对话框中输入变更描述，并根据需要选择是否在节点提交后执行代码评审。

说明

您需设置节点的重跑属性和依赖的上游节点，才可提交节点。
代码评审可对任务的代码质量进行把控，防止由于任务代码有误，未经审核直接发布上线后出现任务报错。如进行代码评审，则提交的节点代码必须通过评审人员的审核才可发布，详情请参见代码评审。

如您使用的是标准模式的工作空间，任务提交成功后，需单击节点编辑页面右上方的发布，将该任务发布至生产环境执行，操作请参见发布任务。

步骤六：查看操作日志

任务提交发布后，会基于节点的配置周期性运行，您可单击编辑界面右上角的运维，进入运维中心查看周期任务的调度运行情况。详情请参见查看并管理周期任务。