基于PaddlePaddle的点击率的深度学习方法尝试

  • 时间:
  • 浏览:4
  • 来源:极速快3_快3彩神8_极速快3彩神8

前言

朋友在分享点击率相关的所以文章时,输出过一篇常见计算广告点击率预估算法总结,参考了所以广告点击率的文章,从最经典的Logistic Regression到Factorization Machined,FFM,FNN,PNN到今年的DeepFM,还有文章里面没法讲的gbdt+lr类似于,一个劲 想找时间实践下,正好这次在学习paddle的以后 在它的models目录下看完了DeepFM的实现,以后 以后 对DeepFM有过比较全版的描述,这里稍微复习一下:

DeepFM更有意思的地方是WDL和FM结合了,其实就说 把PNN和WDL结合了,PNN即将FM用神经网络的方法构造了一遍,作为wide的补充,原始的Wide and Deep,Wide的每段就说 LR,构造线性关系,Deep每段建模更高阶的关系,所以在Wide and Deep中还前要做所以价值形式的东西,如Cross Column的工作,而朋友知道FM是能才能建模二阶关系达到Cross column的效果,DeepFM就说 把FM和NN结合,不必再对价值形式做诸如Cross Column的工作了,这个是我感觉最吸引人的地方,其实FM的每段感觉就说 PNN的一次描述,这里只描述下价值形式图,PNN的每段前面都描述, FM每段:

Deep每段:

DeepFM相对于FNN、PNN,才能利用其Deep每段建模更高阶信息(二阶以上),而相对于Wide and Deep才能减少价值形式工程的每段工作,wide每段类似于FM建模一、二阶价值形式间关系, 是否NN和FM的原先更完美的结合方向,另外不同的是如下图,DeepFM的wide和deep每段共享embedding向量空间,wide和deep均能才能更新embedding每段,虽说wide每段纯是PNN的工作,但感觉还是蛮有意思的。

本文相关代码每段都有来自于paddlepaddle/model, 我这里走一遍流程,学习下,另外要我了解算法原理的能才能仔细再看看里面的文章,今天朋友来paddlepaddle上做下实验,来从代码程度学习下DeepFM为什么会实现的:

数据集说明(关注知乎专栏作者:想飞的石头 https://zhuanlan.zhihu.com/burness-DL 查看源代码)

criteo Display Advertising Challenge,数据主要来criteolab一周的业务数据,用来预测用户在访问页面时,是否会点击某广告。

wget --no-check-certificate https://s3-eu-west-1.amazonaws.com/criteo-labs/dac.tar.gz tar zxf dac.tar.gz rm -f dac.tar.gz  mkdir raw mv ./*.txt raw/

数据不得劲大, 最少 4.26G,慢慢等吧,数据下载完成以后 ,解压出train.csv,test.csv,其中训练集 45840617 条样本数,测试集 45840617 条样本,数据量还是蛮大的。 数据主要有三每段组成:

  • label: 广告是否被点击;

  • 连续性价值形式: 1-13,为各维度下的统计信息,连续性价值形式;

  • 离散型价值形式:所以被脱敏解决的类目价值形式

Overview

整个项目主要由十几块 每段组成:

数据解决

这里数据解决主要包括原先每段:

  1. 连续值价值形式值解决:

  • 滤除统计次数95%以上的数据,原先能才能滤除大每段异值数据,这里的解决方法和以后 我在 1 号店做相关工作时一致,代码里面以后 做了这每段工作,直接给出了这每段的价值形式阈值;

  • 归一化解决,这里andnew ng的课程有张图很明显,表明不同的价值形式的值域范围,会使得模型寻优走『之』字形,原先会增加收敛的计算和时间;

2.离散价值形式值解决:

  1. one-hot: 对应价值形式值映射到指定维度的必须原先值为 1 的稀疏变量;

  2. embedding: 对应价值形式值映射到指定的价值形式维度上;

具体朋友来研究下代码:(关注知乎专栏作者:想飞的石头 https://zhuanlan.zhihu.com/burness-DL 查看源代码)

连续价值形式是在1- 13 的位置,读取文件,以后 值大于对应维度的价值形式值的95%阈值,则该价值形式值置为该阈值,并计算价值形式维度的最大、最小值,在gen时归一化解决。

类目价值形式的解决相对比较麻烦,前要遍历,否则得到对应维度上所有老出 值的所有状态,对打上对应id,为后续类目价值形式赋予id。这每段耗时好大,另外强烈希望paddlepaddle的小伙伴能在输出解决期间打印下提示信息,我以后 有时间看看能才能提提pr。

经过里面的价值形式解决以后 ,训练集的值变为:

reader

paddle里面reader的文件,自由度很高,被委托人能才能写生成器,否则使用batch的api,完成向网络传入batchsize大小的数据:

主要逻辑在兑入文件,否则yield对应的网络数据的输入格式。

模型构造

模型构造,DeepFM在paddlepaddle里面比较简单,以后 有专门的fm层,这个据我所知在TensorFlow或MXNet里面没法专门的fm层,否则值得注意的是,在paddlepaddle里面的fm层,只建模二阶关系,前要加在入fc才是全版的fm,实现代码如下:

否则就说 构造DeepFM,这里根据下面的代码画出前面的图,除去数据解决的每段,就说 DeepFM的网络价值形式:(关注知乎专栏作者:想飞的石头 https://zhuanlan.zhihu.com/burness-DL 查看源代码)

其中,主要包括原先每段,原先是多个fc组成的deep每段,第一两个是sparse fm每段,否则是dense fm每段,如图:

这里蛮简单的,具体的api去查下文档就能才能了,这里稍微说明一下的是,sparse feature这块有两每段一块是embedding的解决,这里是先生成对应的id,否则用id来做embedding,用作里面fc的输出,否则sparse_input是onehot表示用来作为fm的输出,fm来计算一阶和二阶隐变量关系。

模型训练

数据量过多,单机上跑是没法问题图片报告 ,能才能正常运行成功,在我实物机器上,能才能运行成功,否则有原先问题图片报告 :

  • fm以后 解决的价值形式为稀疏表示,而paddlepaddle在这块的FM层的支持必须在cpu上,带宽没法来越快,分析意味着其实都有fm的带宽的问题图片报告 ,以后 deepfm有设计多个fc,应该是这里的带宽影响, 在paddlepaddle github上有提原先issue,得知暂时paddlepaddle必须把每段装到gpu里面跑,给了原先解决方案把所有的sparse改成dense,发现在这里gpu显存hold不住;

  • 机器太渣,以后 有开发任务必须长期占用;

所以综上,我打算研究下在百度云上为什么会通过k8s来布置paddlepaddle的分布式集群。

文档https://cloud.baidu.com/doc/CCE/GettingStarted.html#.E9.85.8D.E7.BD.AEpaddlecloud

提了原先issue: https://github.com/PaddlePaddle/cloud/issues/542,等里面解决了再来更新分布式训练的每段。

单机的训练没哪些地方地方大的问题图片报告 ,由里面所说,以后 fm的sparse不支持gpu,所以没法来越快,拉的百度云上 16 核的机器,最少 36s/50 batch,总共样本 500 多w,原先epoch预计 4 个小时,MMP,等吧,分布式的必要性就在这里。

另外有在paddlepaddle里面提原先issue:

https://github.com/PaddlePaddle/Paddle/issues/7010,说把sparse转成dense说说能才能直接在gpu上跑起来,这个看起来不值得去尝试,sparse整个维度还是挺高的,期待对sparse op 有更好的解决方案,更期待在才能把单层单层的装到gpu,多设备一同跑,这方面,TensorFlow和MXNet要好过多。

这里我遇到原先问题图片报告 ,我使用paddle的docker镜像的以后 ,能才能很稳定的占用 16 个cpu的大每段计算力,否则我在云主机上被委托人装的以后 ,cpu占用率很低,以后 是和我环境配置不得劲问题图片报告 ,这个问题图片报告 不大,以后 为了不污染环境主要用docker来做相关的开发工作,所以这里问题图片报告 不大。

cpu占有率有比较明显的跳动,这里从主观上比TensorFlow稳定性要差所以,不排除是sparse op的影响,印象中,TensorFlow cpu的占用率很稳定。

到发这篇文章位置,跑到 1750 个batch,基本能达到auc为0. 8 左右,loss为0. 208 左右。

预测

预测代码和前一篇将paddle里面的demo一样,只前要,重新定义一下网络,否则绑定好模型训练得到的参数,否则传入数据即可完成inference,paddle,有专门的Inference接口,否则我传入output_layer,和训练学习到的parameters,就能才能很容易的新建原先模型的前向inference网络。

总结

DeemFM是 17 年高度学习在点击率预估、推荐这块的新的方法,不得劲类似于于deep and wide的思想,将传统的fm来nn化,利用神经网络强大的建模能力来挖掘数据中的有效信息,paddlepaddle在这块有现成的deepfm模型,单机部署起来比较容易,分布式,这里我按照百度云上的教程还未成功,后续会持续关注。另外,以后 最近在做大规模机器学习框架相关的工作,越发其实别说心智心智心智心智性成熟图片 图片 的句子的句子是什么是什么是什么的,仅仅才能work的框架就很不错了,而比较好用的如现在的TensorFlow\MXNet,开发起来真的难加在难,以后 光是做调包侠时没法体验,现在深入到这块的工作时,才知道其中的难度,也从原先高度现在现在开始 审视现在的各种大规模机器学习框架,比如TensorFlow、MXNet,在高度学习的支持上,其实很棒,否则都有瓶颈,对于大规模海量的feature,尤其是sparse op的支持上,最少 现在还未看完不得劲好的支持,就比如这里的FM,以后 朋友前会吐槽为什么会没法慢,没做框架以后 ,我也会吐槽,否则现在现在开始 接触了所以的以后 ,才知道FM,主要focus在sparse相关的数据对象,而这每段数据不难 在gpu上完成比较高性能的计算,所以后 面经过paddle的开发者解释sparse相关的计算不支持gpu的以后 ,才感同身受,原先好的大规模机器学习框架前要要未必同目标来评价,以后 需求是大规律数据,那稳定性、可扩展性是重点,以后 是更多算法、模型的支持,以后 现在的TensorFlow、MXNet才是标杆,多么希望现在大规模机器学习框架才能多元化的发展,有高度学习支持力度大的,都有传统算法上,把数据量、训练规模、并行化加速并做到极致的,原先的发展才或许称得上百花齐放,其实朋友不前要过多不同长相的TensorFlow、MXNet锤子,有以后 朋友就前要把镰刀而已,希望大规模机器学习框架的发展,不应该仅仅像TensorFlow、MXNet一样,希望有原先专注把做大规模、大数据量、极致并行化加速作为roadmap的新标杆。

(关注知乎专栏作者:想飞的石头 https://zhuanlan.zhihu.com/burness-DL 查看源代码)

本文由站长之家用户投稿,未经站长之家同意,严禁转载。如广大用户朋友,发现稿件发生不实报道,欢迎读者反馈、纠正、举报问题图片报告 (反馈入口)。

免责声明:本文为用户投稿的文章,站长之家发布此文仅为传递信息,不代表站长之家赞同其观点,不对对内容真实性负责,仅供用户参考之用,不构成任何投资、使用建议。请读者自行核实真实性,以及以后 发生的风险,任何后果均由读者自行承担。