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》。

• 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。