--- title: DCN-PyTorch-模型库-ModelZoo-昇腾社区 description: Deep & Cross Network（DCN），是谷歌和斯坦福大学在2017年提出的用于Ad Click Prediction的模型，通过结合DNN和cross network，更加高效的学习特定阶数的组合特征。 keywords: DCN,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/c1a1ad0d18db4625b27ad11b7b842371 section: (其他) --- # DCN-PyTorch-模型库-ModelZoo-昇腾社区 URL: https://www.hiascend.com/software/modelzoo/models/detail/c1a1ad0d18db4625b27ad11b7b842371 描述: Deep & Cross Network（DCN），是谷歌和斯坦福大学在2017年提出的用于Ad Click Prediction的模型，通过结合DNN和cross network，更加高效的学习特定阶数的组合特征。 关键词: DCN,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) DCN-PyTorch ## DCN-PyTorch 推荐PyTorch训练293次浏览2026/01/19更新 查看模型源码 DCN-PyTorch 查看模型源码 ... # 概述 ## 简述 Deep & Cross Network（DCN），是谷歌和斯坦福大学在2017年提出的用于Ad Click Prediction的模型，通过结合DNN和cross network，更加高效的学习特定阶数的组合特征。相比于DNN，DCN的logloss更低，而且参数的数量将近少了一个数量级。 - 参考实现： ``` url=https://github.com/shenweichen/DeepCTR-Torch 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。 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 ``` ## 准备数据集 1. 下载数据集。 请用户自行获取数据集kaggle-display-advertising-challenge-dataset.tar.gz，上传到服务器任意路径下并解压，解压后文件目录结构参考如下所示。 ``` ├── train.txt # train数据集，含有标注 ├── test.txt # test数据集，没有标注，由于没有标注，这个数据集不使用 ├── readme.txt # 说明 ``` 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。 将模型根目录下的criteo_preprocess.py拷贝到数据集目录，然后进行预处理。 ``` python3 criteo_preprocess.py train.txt ``` 运行上述脚本后，将在train.txt的同级目录下生成 train_after_preprocess_trainval_0.93.txt 和 train_after_preprocess_test_0.07.txt两个文件。 # 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： --amp //是否使用混合精度 --addr //主机地址 --npu_id //npu训练卡id --dist //8卡分布式训练 --device_num //npu训练卡数 --trainval_path //训练和验证数据集路径 --test_path //测试数据集路径 --lr //训练学习率 --use_fp16 //使用半精度进行训练 ``` 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 | AUC | FPS | Epochs | AMP_Type | Torch_Version | | --- | --- | --- | --- | --- | ---| | NPU-1p | - | 4693.515 | 2 | O1 | 1.8 | | NPU-8p | 80.75 | 12288.429 | 2 | O1 | 1.8 | # 版本说明 ## 变更 2023.03.09：更新readme，重新发布。 2021.07.08：首次发布。 ## FAQ 无。 # 公网地址说明 代码涉及公网地址参考`./public_address_statement.md` | 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)