模型服务

TorchEasyRec Processor是一套高性能的Torch推荐模型的推理服务，可以在阿里云模型在线服务(PAI-EAS)来部署。TorchEasyRec Processor联合优化了特征生成(FG)、FeatureStore特征缓存和TorchEasyRec的模型推理，在保证离在线一致性的同时，提供了高性能的推理。

部署服务

cat << EOF > tzrec_rank.json
{
  "metadata": {
    "cpu": 16,
    "instance": 1,
    "memory": 20000,
    "name": "tzrec_rank",
    "resource": "eas-r-xxx",
    "resource_burstable": false,
    "rpc": {
      "enable_jemalloc": 1,
      "max_queue_size": 256,
      "worker_threads": 16
    }
  },
  "model_config": {
    "fg_mode": "normal",
    "fg_threads": 8,
    "region": "YOUR_REGION",
    "fs_project": "YOUR_FS_PROJECT",
    "fs_model": "YOUR_FS_MODEL",
    "fs_entity": "item",
    "load_feature_from_offlinestore": true,
    "access_key_id":"YOUR_ACCESS_KEY_ID",
    "access_key_secret":"YOUR_ACCESS_KEY_SECRET"
  },
  "storage": [
    {
      "mount_path": "/home/admin/docker_ml/workspace/model/",
      "oss": {
        "path": "oss://xxx/xxx/export",
        "readOnly": false
      },
      "properties": {
        "resource_type": "code"
      }
    }
  ],
  "processor":"easyrec-torch-1.11"
}
EOF

### 创建服务
eascmd -i <AccessKeyID> -k <AccessKeySecret> -e <EndPoint> create alirec_rank.json

### 更新服务
eascmd -i <AccessKeyID> -k <AccessKeySecret> -e <EndPoint> modify alirec_rank -s alirec_rank.json

模型服务参数

其中关键参数说明如下，其他参数说明，请参见服务模型所有相关参数说明。

参数	是否必选	描述	示例
fg_mode	否	特征生成(FG)模式，取值如下： • bypass（默认值）：不使用FG • normal：使用FG	“fg_mode”: “normal”
fg_threads	否	单请求执行FG的并发线程数	“fg_threads”: 15
outputs	否	模型预测的输出变量名，如probs_ct，多个输出用逗号分隔。默认输出所有的输出变量	“outputs”:“probs_ctr,probs_cvr”
item_empty_score	否	item id不存在时，默认的打分情况。默认值为0	“item_empty_score”: -1
FeatureStore相关参数
fs_project	否	FeatureStore 项目名称，使用 FeatureStore 时需指定该字段	“fs_project”: “fs_demo”
fs_model	否	FeatureStore模型特征名称	“fs_model”: “fs_rank_v1”
fs_entity	否	FeatureStore实体名称	“fs_entity”: “item”
region	否	FeatureStore所在的地区	“region”: “cn-beijing”
access_key_id	否	FeatureStore的access_key_id。	“access_key_id”: “xxxxx”
access_key_secret	否	FeatureStore的access_key_secret。	“access_key_secret”: “xxxxx”
load_feature_from_offlinestore	否	离线特征是否直接从FeatureStore OfflineStore中获取数据，取值如下： • True：会从FeatureStore OfflineStore中获取数据 • False（默认值）：会从FeatureStore OnlineStore中获取数据	“load_feature_from_offlinestore”: True
featuredb_username	否	featuredb用户名	“featuredb_username”:“xxx”
featuredb_password	否	featuredb密码	“featuredb_password”:“xxx”
特征自动扩展相关参数
INPUT_TILE	否	对User侧特征自动扩展，开启可减少请求大小、网络传输时间和计算时间。必须在fg_mode=normal下使用，并且TorchEasyRec导出时需加上此环境变量 • INPUT_TILE=2：user侧特征fg仅计算一次 • INPUT_TILE=3：user侧embedding计算仅一，适用于user侧特征比较多的情况	“processor_envs”: [{“name”: “INPUT_TILE”, “value”: “2”}]
NO_GRAD_GUARD	否	推理时禁止梯度计算。当设置为1时，可能会出现部分模型不兼容的情况。如果在第二次运行推理过程中遇到卡顿问题，可以通过添加环境变量PYTORCH_TENSOREXPR_FALLBACK=2来解决，这样可以跳过编译步骤，同时保留一定的图优化功能。	“processor_envs”: [{“name”: “NO_GRAD_GUARD”, “value”:“1”}]
向量召回相关参数
faiss_nprobe	否	向量检索时的检索簇数	“faiss_nprobe”: 100
faiss_neigh_num	否	向量检索时的召回数	“faiss_neigh_num”: 200
TDM召回相关参数
tdm_retrieval_num	否	TDM召回检索时的召回数	“tdm_retrieval_num”: 200

服务调用

通过PAI-REC引擎调用模型服务（建议）

PAI-REC引擎是一款基于 go 的在线推荐服务引擎的框架，用户可以基于此框架快速搭建推荐在线服务。

基于PAI-REC引擎调用模型服务，可以简化我们的请求构造方式，参考精排配置进行简单的配置就可以实现调用。并且PAI-REC还可以支持进一步对模型服务做离在线一致性诊断，AB实验等。

直接调用TorchEasyRec Processor

TorchEasyRec Processor的请求是proto格式定义，定义如下。可参考TorchEasyRec Processor文档的调用服务章节使用sdk进行调用