=====================
通用作业(Experimental)
=====================

SDK提供了HighLevel的通用任务API： :class:`~pai.processor.Processor` 支持用户提交通用作业到PAI，使用示例如下。

.. code-block:: python

    from pai.processor import Processor

    # 通过 Processor 配置通用作业的信息
    processor = Processor(
        command="<LaunchCommand>"
        source_dir="<SourceCodeDirectory>"
        image_uri="<ImageUri>"
        instance_type="<InstanceType>",
        parameters={
            "interval": 500,
            "max_retry": 5,
        },
    )

    # 指定作业的输入和输出，并提交作业
    processor.run(
        inputs={
            "inputs": "oss://<YourOssBucket>/path/to/input/",
        },
        outputs={
            "outputs": "oss://<YourOssBucket>/path/to/output/",
        },
    )

用户可以通过提交通用作业来完成自定义训练、数据处理等一系列任务，本文档将介绍如何通过 Processor 来提交通用作业。

.. note:: 通用作业为实验性功能，在未来版本中可能会变更或者移除。

准备作业脚本
*****************

通过 :class:`~pai.processor.Processor` 的 ``source_dir`` 参数，
开发者可以配置需要上传执行的代码目录。在通用作业提交之后，
相应的代码会被上传到用户OSS，并在作业启动之前被下载到作业的执行环境中。

用户代码目录示例:

.. code-block:: shell

    |-- code_dir         # 用户指定上传的代码目录
        `-- main.py        # 作业脚本，用户可以通过 python main.py 的命令拉起脚本
        `-- utils.py


通过 ``Processor`` 设置使用的代码目录，可以是绝对路径或是相对路径。

.. code-block:: python

    processor = Processor(
        command="python main.py",
        # 可以通过相对路径或是绝对路径的方式指定代码.
        source_dir="code_dir/",
        # source_dir="/home/foo/code_dir/",
    )

作业代码会被下载到作业执行环境的 ``/ml/usercode`` 目录下，作业启动前会切换 working directory 至 ``/ml/usercode`` 目录。

.. code-block:: shell

    |-- /ml/usercode/       # 作业代码所在目录
        `-- main.py
        `-- utils.py

用户也可以通过传递一个OSS Bucket路径，作为作业代码路径。

.. code-block:: python

    from pai.common.oss_utils import upload

    # 上传代码到OSS，返回一个OSS URI
    code_uri = upload(
        local_path="./code_dir/",
        oss_path="path/for/code/"
    )
    # code_uri: oss://<YourOssBucket>/path/for/code/

    processor = Processor(
        command="python main.py",
        # 使用OSS上的作业代码
        source_dir=code_uri,
    )


配置作业镜像
*****************

在提交执行作业时，用户需要配置作业运行使用的镜像 ( :class:`~pai.processor.Processor` 的 ``image_uri``
参数），镜像内包含作业执行所需的依赖，例如Python、CUDA、机器学习框架、以及依赖的第三方库等，从而支持代码运行。

用户可以配置使用阿里云镜像仓库内的镜像，也可以使用PAI提供的公共镜像（推荐）。对于常见的机器学习框架，PAI提供了公共镜像供用户使用，用户可以通过以下的代码获取镜像信息：

.. note::

    用户可以通过PAI `公共镜像文档 <https://help.aliyun.com/zh/pai/user-guide/public-images>`_ 查看PAI提供的镜像内安装的Python三方库信息。

.. note::

    企业版容器镜像服务ACR默认需要通过用户的VPC访问镜像仓库，具体请参考文档： `配置专有网络的访问控制 <https://help.aliyun.com/zh/acr/user-guide/configure-access-over-vpcs>`_。
    作业的机器实例位于云产品PAI的VPC环境内，需要通过配置 :class:`~pai.processor.Processor` 的 ``user_vpc_config`` 参数，将作业实例与用户VPC网络进行连接，作业才能通过用户VPC访问到企业版镜像仓库，拉取镜像。

.. code-block:: python

    from pai.image import retrieve, list_images

    # 获取PAI提供的最新的PyTorch的GPU镜像
    # 通过参数 framework_version="latest"，retrieve 方法会返回最新的 PyTorch 镜像
    print(retrieve(framework_name="TensorFlow", framework_version="latest",
        accelerator_type="GPU"))

    # 获取PAI提供的所有PyTorch镜像
    for image_info in list_images(framework_name="PyTorch"):
        print(image_info)


安装代码依赖
************************************************

当代码有额外的Python包依赖，可以通过在代码目录下编写 `requirements.txt <https://pip.pypa.io/en/stable/reference/requirements-file-format/>`_ ，相应的三方库依赖会在用户脚本执行前被安装到作业环境中。

配置使用 ``requirements.txt`` 的作业代码目录示例如下：

.. code-block:: shell

    |-- code_dir                       # 作业配置使用的脚本目录
        |-- requirements.txt           # 作业的requirements信息
        `-- main.py
        `-- utils.py


执行作业
*****************

用户通过构建 :class:`~pai.processor.Processor` 指定作业的脚本目录、启动脚本、参数、机器资源等，
然后通过 :meth:`~pai.processor.Processor.run` 方法提交作业。在提交作业之后，SDK会打印作业的控制台URL，
并持续打印作业的输出日志信息，直到作业结束退出（作业状态为成功，失败，或是被停止）。

用户可以通过作业URL，去控制台查看作业执行详情、日志、机器的资源使用情况、以及作业的Metrics等信息。
在作业执行完成之后退出，可以通过 :meth:`~pai.processor.Processor.get_outputs_data` 方法获得提交作业的产出的模型的OSS路径。

示例代码如下：

.. code-block:: python

    from pai.processor import Processor
    from pai.image import retrieve

    # 获取PAI支持的最新 PyTorch 镜像
    image_uri = retrieve("PyTorch", accelerator_type="GPU").image_uri

    processor = Processor(
        # 作业的启动命令
        command="python main.py",
        # 作业脚本所在目录
        source_dir="./code_dir/",
        # 作业使用的镜像
        image_uri=_image_uri,
        # 作业使用的机器类型， 支持的机器类型见文档 https://help.aliyun.com/document_detail/171758.html#section-55y-4tq-84y
        instance_type="ecs.c6.xlarge",
        # 作业的参数
        parameters={
            "interval": 500,
            "max_retry": 5,
        },
        # 作业名称前缀，用户提交的作业使用的Name为 `{base_job_name}_{submitted-datetime}`
        base_job_name="example_processing_job",
    )

    # 提交作业，同时打印作业的Web详情页URL。
    # run 方法默认等待到作业终止（成功，失败，会是被停止）。
    processor.run(
        inputs={
            "inputs": "oss://<YourOssBucket>/path/to/input/",
        },
        outputs={
            "outputs": "oss://<YourOssBucket>/path/to/output/",
        },
    )


下载作业输出
*****************

作业执行完成之后，用户可以通过 :meth:`pai.processor.Processor.get_outputs_data`
获得提交作业输出的OSS路径。用户可以通过SDK提供的
``download`` 方法下载模型到本地，也可以使用 ``ossutil`` 命令行工具下载模型。


使用 ``pai.common.oss_utils.download`` 方法下载模型到本地:

.. code-block:: python

    from pai.common.oss_utils import download

    outputs = processor.get_outputs_data()

    # 下载模型到本地
    download(oss_path=outputs["outputs"], local_path="./outputs/")


通过 ``ossutil`` 命令行工具下载模型到本地。

.. code-block:: shell

    ossutil cp -r <YourOutputDataOssURI> ./outputs/

对于 ``ossutil`` 命令行工具的使用，可以参考 `ossutil工具使用文档 <https://help.aliyun.com/document_detail/120075.html>`_ 。