---
title: Wide&Deep-PyTorch-模型库-ModelZoo-昇腾社区
description: Wide&Deep是一个同时具有Memorization和Generalization功能的CTR预估模型。
keywords: Wide,Deep,PyTorch,模型库,ModelZoo,昇腾社区,概述,简述
url: https://www.hiascend.com/software/modelzoo/models/detail/afafc707dbff4897984ae8992da6a2d4
section: (其他)
---

# Wide&Deep-PyTorch-模型库-ModelZoo-昇腾社区

URL: https://www.hiascend.com/software/modelzoo/models/detail/afafc707dbff4897984ae8992da6a2d4
描述: Wide&Deep是一个同时具有Memorization和Generalization功能的CTR预估模型。
关键词: Wide,Deep,PyTorch,模型库,ModelZoo,昇腾社区,概述,简述

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)文档中心论坛交流

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)文档中心论坛交流

模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models)

Wide&Deep-PyTorch

## Wide&Deep-PyTorch

推荐PyTorch训练468次浏览2026/02/02更新

查看模型源码

Wide&Deep-PyTorch

查看模型源码

...

# 概述

## 简述

Wide&Deep是一个同时具有Memorization和Generalization功能的CTR预估模型，该模型主要由广义线性模型（Wide网络）和深度神经网络（Deep网络）组成，对于推荐系统来说，Wide线性模型可以通过交叉特征转换来记忆稀疏特征之间的交互，Deep神经网络可以通过低维嵌入来泛化未出现的特征交互。与单一的线性模型（Wide-only）和深度模型（Deep-only）相比，Wide&Deep可以显著提高CTR预估的效果，从而提高APP的下载量。

- 参考实现：

```
url=https://github.com/shenweichen/DeepCTR-Torch.git
commit_id=8265c75237e473c7f238fd6ba44cb09f55d1d9a9
```
- 适配昇腾 AI 处理器的实现：

```
url=https://gitee.com/ascend/ModelZoo-PyTorch.git
code_path=PyTorch/built-in/others
```

# 准备训练环境

## 准备环境

- 当前模型支持的 PyTorch 版本和已知三方库依赖如下表所示。

表 1版本支持表

| Torch_Version | 三方库依赖版本 |
| --- | ---|
| PyTorch 1.5 | - |
| PyTorch 1.8 | - |
- 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。

```
pip install -r requirements.txt
```

## 准备数据集

1. 获取数据集。

用户自行获取`criteo`数据集，将数据集上传到服务器任意路径下并解压。

数据集目录结构参考如下所示。

```
├── criteo
      ├──criteo-research-kaggle-display-advertising-challenge-dataset.tar.gz # 原始数据集文件                 
      ├──train.txt                                                           # 解压后生成
      ├──test.txt                                                            # 解压后生成
      ├──readme.txt                                                          # 解压后生成       
```

说明：该数据集的训练过程脚本只作为一种参考示例。
2. 数据预处理。

- 将源码包根目录下的`criteo_preprocess.py`拷贝到数据集路径。
- 进入数据集目录并执行如下命令。

```
python3 criteo_preprocess.py train.txt
```
- 执行上述脚本后，在当前路径下生成`wdl_trainval.pkl`,`wdl_test.pkl`,`wdl_infer.txt`。

# 开始训练

## 训练模型

1. 进入解压后的源码包根目录。

```
cd /${模型文件夹名称}
```
2. 运行训练脚本。

该模型支持单机单卡训练和单机8卡训练。

- 单机单卡训练

启动单卡训练。

```
bash ./test/train_full_1p.sh --data_path=/data/xxx/  # 单卡精度
bash ./test/train_performance_1p.sh --data_path=/data/xxx/ # 单卡性能
```
- 单机8卡训练

启动8卡训练。

```
bash ./test/train_full_8p.sh --data_path=/data/xxx/  # 8卡精度
bash ./test/train_performance_8p.sh --data_path=/data/xxx/ # 8卡性能   
```

--data_path参数填写数据集路径，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：
--seed                              //初始化训练的种子，默认：1234
--device_id                         //设备id，默认：0  
--rank                              //分布式训练的节点等级，默认：0
--dist                              //8卡分布式训练，默认：False
--device_num                        //用于训练的npu设备数量，默认：1
--amp                               //是否使用混合精度，默认：False
--loss_scale                        //混合精度lossscale大小
--opt_level                         //apex opt level，默认：01
--data_path                         //数据集路径
--resume                            //最新checkpoint的路径，默认值：无
--checkpoint_save_path              //保存最新checkpoint的路径，默认值：./(当前路径)
--lr                                //初始学习率，默认：0.0001
--batch_size                        //训练批次大小，默认：1024
--eval_batch_size                   //测试批次大小，默认：16000
--epochs                            //重复训练次数，默认：3
--start_epoch                       //开始训练记录，默认：0
--sparse_embed_dim                  //The embedding dims for sparse features，默认：4
--steps                             //训练步数，默认：0

```

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@1 | FPS | Epochs | AMP_Type | Torch_version |
| --- | --- | --- | --- | --- | ---|
| 1p-竞品V | - | - | 3 | - | 1.5 |
| 8p-竞品V | - | - | 3 | - | 1.5 |
| 1p-NPU | - | 51883.6480 | 3 | O1 | 1.8 |
| 8p-NPU | 0.7961 | 214769.5062 | 3 | O1 | 1.8 |

# 版本说明

## 变更

2022.08.17：更新torch1.8版本，重新发布。

2021.03.18：首次发布。

## FAQ

无。

| 版本 | 更新时间 | 精度 | 处理器 | CANN版本 | 操作 |
| --- | --- | --- | --- | --- | ---|

暂无数据

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)