DCN-PyTorch

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：
```
[object Object]
```
适配昇腾 AI 处理器的实现：
```
[object Object]
```

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。

在模型源码包根目录下执行命令，安装模型需要的依赖。
```
[object Object]
```

准备数据集

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。
```
[object Object]
```
说明： 该数据集的训练过程脚本只作为一种参考示例。
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。
```
[object Object]
```
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

进入解压后的源码包根目录。
```
[object Object]
```
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。
```
[object Object]
```
- 单机8卡训练
  
  启动8卡训练。
```
[object Object]
```
--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。
```
[object Object]
```
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

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》