[feat] add doc for training with maxcompute tables on DLC

docs/source/quick_start/training_on_reading_MC_tables_in_dlc.md

@@ -0,0 +1,126 @@
+# 使用TorchEasyRec读取MaxCompute表进行模型训练
+
+此文档提供在阿里云的PAI-DLC（分布式训练容器）中使用TorchEasyRec读取MaxCompute（MC）表进行模型训练的步骤和配置示例。
+
+## 环境准备
+
+### 创建数据集
+1. 登录[PAI控制台](https://pai.console.aliyun.com/)。
+2. 点击 **AI资源管理 - 数据集 -> 创建数据集**。
+3. 选择数据存储为 **阿里云文件存储(NAS)**，并挂载到 `/mnt/data` 下。
+
+### TorchEasyRec安装
+确保已安装TorchEasyRec的**Nightly版本**。可以通过以下命令确认可用版本：
+
+```plain
+pip index versions tzrec -f http://tzrec.oss-cn-beijing.aliyuncs.com/release/nightly/repo.html --trusted-host tzrec.oss-cn-beijing.aliyuncs.com
+```
+
+### 配置文件
+一个最简单的数据配置如下：
+
+```plain
+data_config {
+    batch_size: 8192
+    dataset_type: OdpsDataset
+    fg_encoded: true
+    label_fields: "clk"
+    num_workers: 8
+}
+```
+
+- `dataset_type`: 设置为 `OdpsDataset` 以读取MaxCompute表。
+- `fg_encoded`: 如果输入数据已通过特征生成器编码，则设为 `true`。
+- `label_fields`: 指定标签字段，通常是点击率（clk）。
+
+### 前置条件
+- 在[MaxCompute控制台](https://maxcompute.console.aliyun.com/)的「租户管理」->「租户属性」页面打开**开放存储(Storage API)开关**。
+- 根据需要赋予用户权限，具体参考[租户权限](https://help.aliyun.com/zh/maxcompute/user-guide/perform-access-control-based-on-tenant-level-roles#section-mt7-tmu-f49)。
+
+```plain
+{
+    "Version": "1",
+    "Statement": [
+        {
+            "Action": "odps:Usage",
+            "Effect": "Allow",
+            "Resource": [
+                "acs:odps:*:regions/*/quotas/pay-as-you-go"
+            ]
+        }
+    ]
+}
+```
+
+## 创建DLC任务
+
+### 配置任务
+1. 进入[PAI控制台](https://pai.console.aliyun.com/)，选择工作空间，点击 **模型开发与训练-分布式训练(DLC)**，创建新的训练任务。
+2. **节点镜像**选择 `torcheasyrec:latest`（或具体版本）。
+3. **资源配置**选择框架为PyTorch，任务资源可以选择单机8卡V100或更高性能的机器。
+4. 在 **执行命令** 中填入以下命令：
+
+### 训练命令
+设置`ODPS_ENDPOINT`为对应的MaxCompute服务地址，执行训练命令：
+
+```plain
+cd /mnt/data
+export ODPS_ENDPOINT=http://service.{region}.maxcompute.aliyun-inc.com/api
+torchrun --master_addr=$MASTER_ADDR --master_port=$MASTER_PORT \
+--nnodes=$WORLD_SIZE --nproc-per-node=$NPROC_PER_NODE --node_rank=$RANK \
+-m tzrec.train_eval \
+--pipeline_config_path /mnt/data/multi_tower_din_odps.config \
+--train_input_path odps://{project_name}/tables/{your_table_name} \
+--eval_input_path odps://{project_name}/tables/{your_eval_table_name} \
+--model_dir /mnt/data/multi_tower_din_odps_dlc
+```
+
+- `--pipeline_config_path`: 训练用的配置文件路径。
+- `--train_input_path`: 指定MaxCompute的表。
+- `--eval_input_path`: 指定评估用的MaxCompute表。
+
+## 评估与导出模型
+
+### 评估命令
+完成模型训练后，进行模型评估：
+
+```plain
+ODPS_ENDPOINT=http://service.{region}.maxcompute.aliyun-inc.com/api \
+torchrun --master_addr=$MASTER_ADDR --master_port=$MASTER_PORT \
+--nnodes=$WORLD_SIZE --nproc-per-node=$NPROC_PER_NODE --node_rank=$RANK \
+-m tzrec.eval \
+--pipeline_config_path /mnt/data/multi_tower_din_odps.config \
+--eval_input_path odps://{project_name}/tables/{your_eval_table_name}
+```
+
+### 导出模型
+导出训练好的模型：
+
+```plain
+ODPS_ENDPOINT=http://service.{region}.maxcompute.aliyun-inc.com/api \
+torchrun --master_addr=$MASTER_ADDR --master_port=$MASTER_PORT \
+--nnodes=$WORLD_SIZE --nproc-per-node=$NPROC_PER_NODE --node_rank=$RANK \
+-m tzrec.export \
+--pipeline_config_path /mnt/data/multi_tower_din_odps.config \
+--export_dir /mnt/data/exported_model
+```
+
+## 预测
+使用导出的模型进行预测：
+
+```plain
+ODPS_ENDPOINT=http://service.{region}.maxcompute.aliyun-inc.com/api \
+torchrun --master_addr=$MASTER_ADDR --master_port=$MASTER_PORT \
+--nnodes=$WORLD_SIZE --nproc-per-node=$NPROC_PER_NODE --node_rank=$RANK \
+-m tzrec.predict \
+--scripted_model_path /mnt/data/exported_model \
+--predict_input_path odps://{project_name}/tables/{your_predict_table_name} \
+--predict_output_path /mnt/data/predict_result \
+--reserved_columns user_id,adgroup_id,clk
+```
+
+## 注意事项
+1. 确保在MaxCompute控制台中已为相关用户授予必要的权限以访问数据表。
+2. 在训练命令中，`ODPS_ENDPOINT`环境变量需设置为对应的MaxCompute服务地址。
+3. 配置文件的 `data_config.dataset_type`需设置为 `OdpsDataset`。
+4. 根据实际需求调整配置文件中的字段名和模型参数。