--- title: DLRM-PyTorch-模型库-ModelZoo-昇腾社区 description: 生态贡献模型 keywords: DLRM,PyTorch,模型库,ModelZoo,昇腾社区,概述,简述,准备训练环境 url: https://www.hiascend.com/software/modelzoo/models/detail/55841658efc640d9aff25ce57117a909 section: (其他) --- # DLRM-PyTorch-模型库-ModelZoo-昇腾社区 URL: https://www.hiascend.com/software/modelzoo/models/detail/55841658efc640d9aff25ce57117a909 描述: 生态贡献模型 关键词: DLRM,PyTorch,模型库,ModelZoo,昇腾社区,概述,简述,准备训练环境 ModelZoo主页 主页 [了解详情](https://www.hiascend.com/software/modelzoo)大模型 [了解详情](https://www.hiascend.com/software/modelzoo/big-models)模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models)工具库 [了解详情](https://www.hiascend.com/software/modelzoo/tools)权重库 [了解详情](https://www.hiascend.com/software/modelzoo/datasets)ModelShow [了解详情](https://www.hiascend.com/software/modelzoo/modelshow)DeepSeek专区HOT [了解详情](https://www.hiascend.com/developer/deepseek)文档中心 [了解详情](https://www.hiascend.com/document/detail/zh/ModelZoo/Documentation/overview/overview_0001.html)论坛交流 [了解详情](https://www.hiascend.com/forum/forum-0140120119986591009-1.html) 主页 [了解详情](https://www.hiascend.com/software/modelzoo)大模型 [了解详情](https://www.hiascend.com/software/modelzoo/big-models)模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models)工具库 [了解详情](https://www.hiascend.com/software/modelzoo/tools)权重库 [了解详情](https://www.hiascend.com/software/modelzoo/datasets)ModelShow [了解详情](https://www.hiascend.com/software/modelzoo/modelshow)DeepSeek专区HOT [了解详情](https://www.hiascend.com/developer/deepseek)文档中心 [了解详情](https://www.hiascend.com/document/detail/zh/ModelZoo/Documentation/overview/overview_0001.html)论坛交流 [了解详情](https://www.hiascend.com/forum/forum-0140120119986591009-1.html) 模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models) DLRM-PyTorch ## DLRM-PyTorch 推荐PyTorch训练578次浏览2025/12/29更新 5.0 查看模型源码 DLRM-PyTorch 查看模型源码 模型使用 版本信息 模型使用 版本信息 ... # 概述 ## 简述 DLRM（Deep Learning Recommendation Model）是深度学习推荐模型的实现，用于个性化推荐。该模型的输入分为稀疏特征和密集特征，同时该模型使用embedding来处理稀疏特征，使用多层感知机（MLP）来处理密集特征；并将这两个结果融合后再输入到多层感知机（MLP）中，来得到最终的结果。 - 参考实现： ``` url=https://github.com/facebookresearch/dlrm commit_id=adb39923b2e670bf8b7bde694de2a84396e818fa ``` - 适配昇腾 AI 处理器的实现： ``` url=https://gitee.com/ascend/ModelZoo-PyTorch.git code_path=PyTorch/contrib/others/ ``` # 准备训练环境 ## 准备环境 - 当前模型支持的 Pytorch 版本和已知已知三方库依赖如下所示。 表 1版本支持表 | Torch_Version | 三方库依赖版本 | | --- | ---| | Pytorch 1.5 | scikit-learn==0.20.4 | | Pytorch 1.8 | scikit-learn==0.20.4 | - 环境准备指导。 请参考《Pytorch框架训练环境准备 [了解详情](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/ptes)》。 - 安装依赖： 在模型源码包根目录下执行命令，安装模型需要的依赖。 ``` pip install -r requirements.txt ``` - 安装mlperf-logging： ``` git clone https://github.com/mlperf/logging.git mlperf-logging pip install -e mlperf-logging ``` ## 准备数据集 1. 获取数据集 用户自行获取原始数据集，数据集为kaggle所提供的Criteo数据集，将获得的数据集上传到服务器的任意路径，数据集目录结构参考如下： ``` $data_path └── train.txt └── test.txt ``` 说明：该数据集的训练过程脚本只作为一种参考示例。 2. 数据集预处理 参照源码包目录下的data_utils.py文件进行数据集的预处理。脚本如下： ``` python data_utils.py --raw-data-file="" ``` `--raw-data-file`参数填写train.txt文件实际所在的路径。 # 开始训练 ## 训练模型 1. 进入解压后的源码包根目录。 ``` cd /${模型文件名称} ``` 2. 运行训练脚本。 该模型支持单机单卡训练。 - 单机单卡训练 启动单卡训练。 ``` bash ./test/train_full_1p.sh --data_path=$data_path # 单卡精度训练 bash ./test/train_performance_1p.sh --data_path=$data_path # 单卡性能 ``` `--data_path`参数填写数据集的路径，需写到数据集的一级目录。 模型训练脚本参数说明如下。 ``` 公共参数： --data_path //训练集路径 --test-freq //每多少step进行eval --loss-function //损失函数 --learning-rate //学习率 --mini-batch-size //batchsize --print-freq //每多少step打印一次 --nepochs //训练的epoch数 --local_rank //使用哪张卡进行训练 --use-npu //是否使用NPU进行训练 ``` 训练完成后，权重文件保存在当前路径下，并输出模型训练精度和性能信息。 # 训练结果展示 表 2训练结果展示表 | NAME | ACC | FPS | Epoch | AMP_Type | Torch_Version | | --- | --- | --- | --- | --- | ---| | 1p-竞品V | 0.8024 | 8344.198 | 1 | O1 | 1.5 | | 1p-NPU | 0.8024 | 3655.054 | 1 | O1 | 1.8 | # 版本说明 ## 变更 2022.03.18：首次发布。 2023.02.21：更新内容，重新发布。 ## FAQ 无。 | 版本 | 更新时间 | 精度 | 处理器 | CANN版本 | 操作 | | --- | --- | --- | --- | --- | ---| | 5.0.RC1 | 2023/08/19 | Mixed | Ascend 910 | 6.3.RC1 | modelzoomodelzoo | 使用模型资源和服务前，请您仔细阅读并理解透彻《昇腾深度学习模型许可协议 3.0》 [了解详情](https://www.hiascend.com/legal/modelzoo_models_license)