在百度云分布式训练CTR

Fluid支持数据并行的分布式训练，也支持基于Kubernetes的分布式部署。本文以百度云为例，说明如何通过在云服务器上分布式训练Click-Through-Rate（以下简称ctr）任务。

1. 使用前的准备

百度云容器引擎的使用流程基本概念可以参考 官网文档 做了解

2. 创建集群

具体请参考 帮助文档 说明文档来建立一个集群。

集群配置需要满足如下要求

• CPU核数 > 4示例图创建完成后，即可查看 集群信息 。

3. 操作集群

集群的操作可以通过百度云web或者通过kubectl工具进行，推荐用 kubectl工具 。

从Kubernetes 版本下载页面下载对应的 kubectl 客户端，关于kubectl 的其他信息，可以参见kubernetes官方安装和设置 kubectl文档。

• 注意：本操作指南给出的操作步骤都是基于linux操作环境的。

• 解压下载后的文件，为kubectl添加执行权限，并放在PATH下

cd kubernetes/client/bin && chmod +x ./kubectl && sudo mv ./kubectl /usr/local/bin/kubectl

• 配置kubectl，下载集群凭证。在集群界面下载集群配置文件，放在kubectl的默认配置路径（请检查~/.kube 目录是否存在，若没有请创建）

mv kubectl.conf  ~/.kube/config

• 配置完成后，您即可以使用 kubectl 从本地计算机访问 Kubernetes 集群

kubectl get node

4. 设置访问权限

建立分布式任务需要pod间有API互相访问的权限，可以按如下步骤

sudo kubectl create rolebinding default-view --clusterrole=view --serviceaccount=default:default --namespace=default

• 注意： –namespace 指定的default 为创建集群时候的名称

5. 部署任务

任务的所有脚本文件可以访问 这里 获取。

• ctr：ctr任务对应的python脚本

• ps-train：k8s任务对应的yaml文件

• pserver.yaml: 部署psever任务
• trainer.yaml: 部署trainer任务

• Dockerfile：pod文件的docker镜像生成文件

• Script：pod文件docker镜像中包含的脚本

通过执行

kubectl apply -f ps-train

即可以成功提交任务

6. 查看结果

百度云容器引擎CCE提供了web操作台方便查看pod的运行状态。

本次训练任务将启动2个pserver节点，2个trainer节点，示例图如下可以通过检查pserver和trainer的log来检查任务运行状态。Trainer日志示例：pserver日志示例：