在模型训练和推理场景使用EAS弹性服务 - 人工智能平台 PAI

EAS弹性Job服务支持训练和推理场景。在训练场景中，支持一个实例（Job）内循环执行任务，根据队列长度自动扩缩容。在推理场景中，能感知每个请求的执行进度，做到更公平的任务调度。本文为您介绍如何使用弹性Job服务。

使用场景

训练场景

弹性Job服务用于训练场景：

功能实现：前后端分离架构，支持部署常驻的前端服务与弹性Job服务。
架构优势：前端服务通常资源需求低，价格低廉，常驻前端服务可避免频繁创建前端服务，减少等待时间。后端弹性Job服务支持在一个实例（Job）内循环执行训练任务，避免实例（Job）被反复拉起和释放，提升吞吐效率。同时，后端弹性Job服务会在队列长度过长或过短时自动进行扩缩容，保证资源高效利用。

推理场景

弹性Job服务在模型推理场景中，能感知每个请求的执行进度，实现更公平的任务调度。

对于响应时间较长的推理服务，建议使用EAS异步推理服务，但异步服务存在以下问题：

队列服务推送请求时不能保证优先推送给空闲的实例，导致资源利用不足。
服务实例缩容时不能保证当前实例退出时内部请求已处理完毕，可能导致请求中断重新调度。

针对这些问题，弹性Job服务进行了优化：

优化订阅逻辑，优先推送请求到空闲实例。实例退出前阻塞等待当前请求处理完毕。
提高扩缩容效率，不同于定期上报机制，队列服务内置监控服务，快速触发扩容，将扩缩容的响应时间从分钟级降低到10秒左右。

基本架构

整体框架由队列服务、HPA控制器和弹性Job服务三部分组成，如下图所示。

实现逻辑如下：

队列服务解耦请求和任务的下发与执行，使一个弹性Job服务可以处理多个不同请求或任务。

HPA控制器监听队列服务中待执行的训练任务和请求的数量，实现弹性Job服务实例的弹性伸缩。弹性Job服务自动扩缩容的默认配置如下，更多参数说明，请参见水平自动扩缩容功能。

{
    "behavior":{
        "onZero":{
            "scaleDownGracePeriodSeconds":60    # 缩容到0的生效时间（秒）。
        },
        "scaleDown":{
            "stabilizationWindowSeconds":1    # 缩容的生效时间（秒）。
        }
    },
    "max":10,    # 实例（Job）的最大个数。
    "min":1,     # 实例（Job）的最小个数。
    "strategies":{
        "avg_waiting_length":2    # 每个实例（Job）的平均负载阈值。
    }
}

服务部署

部署推理服务

类似于创建异步推理服务，参照以下示例内容准备服务配置文件：

{ 
  "containers": [
    {
      "image": "registry-vpc.cn-shanghai.aliyuncs.com/eas/eas-container-deploy-test:202010091755",
      "command": "/data/eas/ENV/bin/python /data/eas/app.py",
      "port": 8000,
    }
  ],
  "metadata": {
    "name": "scalablejob",
    "type": "ScalableJob",
    "rpc.worker_threads": 4,
    "instance": 1,
  }
}

其中，type配置为ScalableJob，推理服务就会以弹性Job服务的形式部署。其他参数配置详情，请参见服务模型所有相关参数说明。关于如何部署推理服务，请参见部署写真相机在线推理服务。

服务部署成功后，会自动创建队列服务和弹性Job服务，同时默认启用Autoscaler（水平自动扩缩容）的功能。

部署训练服务

支持集成部署与独立部署两种方式。具体的实现逻辑和配置详情说明如下，具体部署方法，请参见部署弹性伸缩的Kohya训练服务。

实现逻辑
- 集成部署：EAS除了创建队列服务和弹性Job服务外，还会创建一个前端服务。前端服务主要负责接收用户请求，并将用户请求转发到队列服务中。您可以将前端服务理解成弹性Job服务的客户端。在此模式下，弹性Job服务会被绑定到唯一的前端服务上，此时弹性Job服务只能执行当前前端服务下发的训练任务。
- 独立部署：独立部署适用于多用户场景，在此模式下弹性Job服务作为公共的后端服务，可以和多个前端服务绑定，每个用户都可以在自己的前端服务下发训练任务，后端Job服务会创建对应的Job实例来执行训练任务，并且每个Job实例可以依次执行不同的训练任务，实现多个用户共享训练资源。不用多次创建训练任务，有效降低使用成本。
配置说明
在部署弹性Job服务时，您需要提供一个自定义镜像环境（kohya场景可直接使用EAS预置的kohya_ss镜像）。该镜像需包含执行训练任务的所有依赖，只是作为训练任务的执行环境，因此不需要配置启动命令和端口号。如果您需要在训练任务开始前执行一些初始化任务，可以配置初始化命令，EAS会在实例（Job）内部单独创建一个进程来执行初始化任务。如何准备自定义镜像，请参见服务部署：自定义镜像。EAS的预置镜像地址为：eas-registry-vpc.cn-shanghai.cr.aliyuncs.com/pai-eas/kohya_ss:2.2。
集成部署
参照下方示例准备服务配置文件，以EAS提供的预置镜像（kohya_ss）为例：
```
{
    "containers": [
        {
            "image": "eas-registry-vpc.cn-shanghai.cr.aliyuncs.com/pai-eas/kohya_ss:2.2"
        }
    ],
    "metadata": {
        "cpu": 4,
        "enable_webservice": true,
        "gpu": 1,
        "instance": 1,
        "memory": 15000,
        "name": "kohya_job",
        "type": "ScalableJobService"
    },
    "front_end": {
        "image": "eas-registry-vpc.cn-shanghai.cr.aliyuncs.com/pai-eas/kohya_ss:2.2",
        "port": 8001,
        "script": "python -u kohya_gui.py --listen 0.0.0.0 --server_port 8001 --data-dir /workspace --headless --just-ui --job-service"
    }
}
```
其中关键配置说明如下，其他参数配置说明，请参见服务模型所有相关参数说明。
- 将type配置为ScalableJobService。
- 前端服务使用的资源组默认和弹性Job服务相同，系统默认分配的资源为2核CPU和8 GB内存。
  - 参考以下示例自定义配置资源组或资源：
    { "front_end": { "resource": "", # 修改前端服务使用专属资源组。 "cpu": 4, "memory": 8000 } }
  - 参考以下示例自定义配置部署的机型：
    { "front_end": { "instance_type": "ecs.c6.large" } }
独立部署
参照下方示例准备服务配置文件，以EAS提供的预置镜像（kohya_ss）为例：
```
{
  "containers": [
    {
      "image": "eas-registry-vpc.cn-shanghai.cr.aliyuncs.com/pai-eas/kohya_ss:2.2"
    }
  ],
  "metadata": {
    "cpu": 4,
    "enable_webservice": true,
    "gpu": 1,
    "instance": 1,
    "memory": 15000,
    "name": "kohya_job",
    "type": "ScalableJob"
  }
}
```
其中，type需要配置为ScalableJob，其他参数配置说明，请参见服务模型所有相关参数说明。
在此模式下，需要用户手动部署前端服务，并在前端服务内部实现请求的代理，将接收到的请求转发到弹性Job服务的队列内部，完成前端服务和后端Job服务的绑定，详情请参见向队列服务发送数据。

服务调用

为了区分训练场景和推理场景，在调用弹性Job服务时，需设置taskType为command或query来标识。其中：

command：用来标识训练服务。
query：用来标识推理服务。

调用服务时需显式地指定taskType，示例如下：

HTTP调用：如果是推理服务，Wanted_TaskType替换为query。

curl http://166233998075****.cn-shanghai.pai-eas.aliyuncs.com/api/predict/scalablejob?taskType={Wanted_TaskType} -H 'Authorization: xxx' -D 'xxx'

SDK调用时需要指定tags，通过该参数来配置taskType。下面示例中，如果是推理服务，将 wanted_task_type替换为query。

# 创建输入队列，用于发送任务或请求。
queue_client = QueueClient('166233998075****.cn-shanghai.pai-eas.aliyuncs.com', 'scalabejob')
queue_client.set_token('xxx')
queue_client.init()

tags = {"taskType": "wanted_task_type"}
# 向输入队列发送任务或请求。
index, request_id = inputQueue.put(cmd, tags)

获取结果：

推理服务：通过EAS队列服务的SDK来获取输出队列的结果，详情请参见队列服务订阅推送。
训练服务：建议部署服务时配置OSS挂载，将训练结果直接保存到OSS路径中做持久化存储，详情请参见部署弹性伸缩的Kohya训练服务。

配置日志收集

EAS弹性Job服务提供了enable_write_log_to_queue配置，通过该配置可以将实时日志写入队列。

{
  "scalable_job": {
    "enable_write_log_to_queue": true
  }
}

训练场景：默认开启，实时日志回写到输出队列，您可通过EAS队列服务SDK实时获取训练日志。详情请参见自定义前端服务镜像调用弹性Job服务。
推理场景：默认关闭，日志只能通过stdout输出。

人工智能平台 PAI：弹性Job服务功能介绍