前面在团队内部分享点击率相关的一些文章时，输出了一篇常见计算广告点击率预估算法总结,看了一些广告点击率的文章，从最经典的Logistic Regression到Factorization Machined，FFM，FNN，PNN到今年的DeepFM，还有文章里面没有讲的gbdt+lr这类，一直想找时间实践下，正好这次在学习paddle的时候在它的models目录下看到了DeepFM的实现，因为之前对DeepFM有过比较详细的描述，这里稍微复习一下：

DeepFM更有意思的地方是WDL和FM结合了，其实就是把PNN和WDL结合了，PNN即将FM用神经网络的方式构造了一遍，作为wide的补充，原始的Wide and Deep，Wide的部分只是LR，构造线性关系，Deep部分建模更高阶的关系，所以在Wide and Deep中还需要做一些特征的东西，如Cross Column的工作，而我们知道FM是可以建模二阶关系达到Cross column的效果，DeepFM就是把FM和NN结合，无需再对特征做诸如Cross Column的工作了，这个是我感觉最吸引人的地方，其实FM的部分感觉就是PNN的一次描述，这里只描述下结构图，PNN的部分前面都描述, FM部分：

Deep部分：

DeepFM相对于FNN、PNN，能够利用其Deep部分建模更高阶信息（二阶以上），而相对于Wide and Deep能够减少特征工程的部分工作，wide部分类似FM建模一、二阶特征间关系， 算是NN和FM的一个更完美的结合方向，另外不同的是如下图，DeepFM的wide和deep部分共享embedding向量空间，wide和deep均可以更新embedding部分，虽说wide部分纯是PNN的工作，但感觉还是蛮有意思的。

本文相关代码部分都是来自于paddlepaddle/model, 我这里走一遍流程，学习下，另外想要了解算法原理的可以仔细再看看上面的文章，今天我们来paddlepaddle上做下实验，来从代码程度学习下DeepFM怎么实现的：

数据集说明

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/

数据有点大， 大概4.26G，慢慢等吧，数据下载完成之后，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。 数据主要有三部分组成：

label: 广告是否被点击；

连续性特征: 1-13，为各维度下的统计信息，连续性特征；

离散型特征：一些被脱敏处理的类目特征

Overview

整个项目主要由几个部分组成:

数据处理

这里数据处理主要包括两个部分：

连续值特征值处理：

滤除统计次数95%以上的数据，这样可以滤除大部分异值数据，这里的处理方式和以前我在1号店做相关工作时一致，代码里面已经做了这部分工作，直接给出了这部分的特征阈值；

归一化处理，这里andnew ng的课程有张图很明显，表明不同的特征的值域范围，会使得模型寻优走『之』字形，这样会增加收敛的计算和时间；

离散特征值处理：

one-hot: 对应特征值映射到指定维度的只有一个值为1的稀疏变量；

embedding: 对应特征值映射到指定的特征维度上；

具体我们来研究下代码：

class ContinuousFeatureGenerator:

"""

Normalize the integer features to [0, 1] by min-max normalization

"""

def __init__(self, num_feature):

self.num_feature = num_feature

self.min = [sys.maxint] * num_feature

self.max = [-sys.maxint] * num_feature

def build(self, datafile, continous_features):

with open(datafile, 'r') as f:

for line in f:

features = line.rstrip('\n').split('\t')

for i in range(0, self.num_feature):

val = features[continous_features[i]]

if val != '':

val = int(val)

if val > continous_clip[i]:

val = continous_clip[i]

self.min[i] = min(self.min[i], val)

self.max[i] = max(self.max[i], val)

def gen(self, idx, val):

if val == '':

return 0.0

val = float(val)

return (val - self.min[idx]) / (self.max[idx] - self.min[idx])

连续特征是在1-13的位置，读取文件，如果值大于对应维度的特征值的95%阈值，则该特征值置为该阈值，并计算特征维度的最大、最小值，在gen时归一化处理。

class CategoryDictGenerator:

"""

Generate dictionary for each of the categorical features

"""

def __init__(self, num_feature):

self.dicts = []

self.num_feature = num_feature

for i in range(0, num_feature):

self.dicts.append(collections.defaultdict(int))

def build(self, datafile, categorial_features, cutoff=0):

with open(datafile, 'r') as f:

for line in f:

features = line.rstrip('\n').split('\t')

for i in range(0, self.num_feature):

if features[categorial_features[i]] != '':

self.dicts[i][features[categorial_features[i]]] += 1

for i in range(0, self.num_feature):

self.dicts[i] = filter(lambda x: x[1] >= cutoff,

self.dicts[i].items())

self.dicts[i] = sorted(self.dicts[i], key=lambda x: (-x[1], x[0]))

vocabs, _ = list(zip(*self.dicts[i]))

self.dicts[i] = dict(zip(vocabs, range(1, len(vocabs) + 1)))

self.dicts[i][''] = 0

def gen(self, idx, key):

if key not in self.dicts[idx]:

res = self.dicts[idx]['']

else:

res = self.dicts[idx][key]

return res

def dicts_sizes(self):

return map(len, self.dicts)

类目特征的处理相对比较麻烦，需要遍历，然后得到对应维度上所有出现值的所有情况，对打上对应id，为后续类目特征赋予id。这部分耗时好大，慢慢等吧，另外强烈希望paddlepaddle的小伙伴能在输出处理期间打印下提示信息，算了，我之后有时间看看能不能提提pr。

经过上面的特征处理之后，训练集的值变为：

reader

paddle里面reader的文件，自由度很高，自己可以写生成器，然后使用batch的api，完成向网络传入batchsize大小的数据：

class Dataset:

def _reader_creator(self, path, is_infer):

def reader():

with open(path, 'r') as f:

for line in f:

features = line.rstrip('\n').split('\t')

dense_feature = map(float, features[0].split(','))

sparse_feature = map(int, features[1].split(','))

if not is_infer:

label = [float(features[2])]

yield [dense_feature, sparse_feature

] + sparse_feature + [label]

else:

yield [dense_feature, sparse_feature] + sparse_feature

return reader

def train(self, path):

return self._reader_creator(path, False)

def test(self, path):

return self._reader_creator(path, False)

def infer(self, path):

return self._reader_creator(path, True)

主要逻辑在兑入文件，然后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，因为有专门的fm层，这个据我所知在TensorFlow或MXNet里面没有专门的fm层，但是值得注意的是，在paddlepaddle里面的fm层，只建模二阶关系，需要再加入fc才是完整的fm，实现代码如下：

def fm_layer(input, factor_size, fm_param_attr):

first_order = paddle.layer.fc(

input=input, size=1, act=paddle.activation.Linear())

second_order = paddle.layer.factorization_machine(

input=input,

factor_size=factor_size,

act=paddle.activation.Linear(),

param_attr=fm_param_attr)

out = paddle.layer.addto(

input=[first_order, second_order],

act=paddle.activation.Linear(),

bias_attr=False)

return out

然后就是构造DeepFM，这里根据下面的代码画出前面的图，除去数据处理的部分，就是DeepFM的网络结构：

def DeepFM(factor_size, infer=False):

dense_input = paddle.layer.data(

name="dense_input",

type=paddle.data_type.dense_vector(dense_feature_dim))

sparse_input = paddle.layer.data(

name="sparse_input",

type=paddle.data_type.sparse_binary_vector(sparse_feature_dim))

sparse_input_ids = [

paddle.layer.data(

name="C" + str(i),

type=s(sparse_feature_dim))

for i in range(1, 27)

]

dense_fm = fm_layer(

dense_input,

factor_size,

fm_param_attr=paddle.attr.Param(name="DenseFeatFactors"))

sparse_fm = fm_layer(

sparse_input,

factor_size,

fm_param_attr=paddle.attr.Param(name="SparseFeatFactors"))

def embedding_layer(input):

return paddle.layer.embedding(

input=input,

size=factor_size,

param_attr=paddle.attr.Param(name="SparseFeatFactors"))

sparse_embed_seq = map(embedding_layer, sparse_input_ids)

sparse_embed = paddle.layer.concat(sparse_embed_seq)

fc1 = paddle.layer.fc(

input=[sparse_embed, dense_input],

size=400,

act=paddle.activation.Relu())

fc2 = paddle.layer.fc(input=fc1, size=400, act=paddle.activation.Relu())

fc3 = paddle.layer.fc(input=fc2, size=400,            act=paddle.activation.Relu())

predict = paddle.layer.fc(

input=[dense_fm, sparse_fm, fc3],

size=1,

act=paddle.activation.Sigmoid())

if not infer:

label = paddle.layer.data(

name="label", type=paddle.data_type.dense_vector(1))

cost = paddle.layer.multi_binary_label_cross_entropy_cost(

input=predict, label=label)

paddle.evaluator.classification_error(

name="classification_error", input=predict, label=label)

paddle.evaluator.auc(name="auc", input=predict, label=label)

return cost

else:

return predict

其中，主要包括三个部分，一个是多个fc组成的deep部分，第二个是sparse fm部分，然后是dense fm部分，如图：

这里蛮简单的，具体的api去查下文档就可以了，这里稍微说明一下的是，sparse feature这块有两部分一块是embedding的处理，这里是先生成对应的id，然后用id来做embedding，用作后面fc的输出，然后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

数据量太大，单机上跑是没有问题，可以正常运行成功，在我内部机器上，可以运行成功，但是有两个问题：

fm由于处理的特征为稀疏表示，而paddlepaddle在这块的FM层的支持只有在cpu上，速度很慢，分析原因其实不是fm的速度的问题，因为deepfm有设计多个fc，应该是这里的速度影响， 在paddlepaddle github上有提一个issue，得知暂时paddlepaddle不能把部分放到gpu上面跑，给了一个解决方案把所有的sparse改成dense，发现在这里gpu显存hold不住；

我的机器太渣，因为有开发任务不能长期占用；

所以综上，我打算研究下在百度云上怎么通过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

研究来研究去，第一步加卡主了，不知道怎么回事，那个页面就是出不来...出师未捷身先死，提了个issue: https://github.com/PaddlePaddle/cloud/issues/542，等后面解决了再来更新分布式训练的部分。

单机的训练没有什么大的问题，由上面所说，因为fm的sparse不支持gpu，所以很慢，拉的百度云上16核的机器，大概36s/100 batch，总共样本4000多w，一个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里面提一个issue：

https://github.com/PaddlePaddle/Paddle/issues/7010，说把sparse转成dense的话可以直接在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，更期待在能够把单层单层的放在gpu，多设备一起跑，这方面，TensorFlow和MXNet要好太多。

这里我遇到一个问题，我使用paddle的docker镜像的时候，可以很稳定的占用16个cpu的大部分计算力，但是我在云主机上自己装的时候，cpu占用率很低，可能是和我环境配置有点问题，这个问题不大，之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稳定性要差一些，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17300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，只需要，重新定义一下网络，然后绑定好模型训练得到的参数，然后传入数据即可完成inference，paddle，有专门的Inference接口，只要传入output_layer，和训练学习到的parameters，就可以很容易的新建一个模型的前向inference网络。

def infer():

args = parse_args()

paddle.init(use_gpu=False, trainer_count=1)

model = DeepFM(args.factor_size, infer=True)

parameters = paddle.parameters.Parameters.from_tar(

gzip.open(args.model_gz_path, 'r'))

inferer = paddle.inference.Inference(

output_layer=model, parameters=parameters)

dataset = reader.Dataset()

infer_reader = paddle.batch(dataset.infer(args.data_path),  batch_size=1000)

with open(args.prediction_output_path, 'w') as out:

for id, batch in enumerate(infer_reader()):

res = inferer.infer(input=batch)

predictions = [x for x in itertools.chain.from_iterable(res)]

out.write('\n'.join(map(str, predictions)) + '\n')

总结

照例总结一下，DeemFM是17年深度学习在点击率预估、推荐这块的新的方法，有点类似于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，因为最近在做大规模机器学习框架相关的工作，越发觉得别说成熟的，仅仅能够work的框架就很不错了，而比较好用的如现在的TensorFlow\MXNet，开发起来真的难上加难，以前光是做调包侠时没有体验，现在深入到这块的工作时，才知道其中的难度，也从另一个角度开始审视现在的各种大规模机器学习框架，比如TensorFlow、MXNet，在深度学习的支持上，确实很棒，但是也有瓶颈，对于大规模海量的feature，尤其是sparse op的支持上，至少现在还未看到特别好的支持，就比如这里的FM，可能大家都会吐槽为啥这么慢，没做框架之前，我也会吐槽，但是开始接触了一些的时候，才知道FM，主要focus在sparse相关的数据对象，而这部分数据很难在gpu上完成比较高性能的计算，所以前面经过paddle的开发者解释sparse相关的计算不支持gpu的时候，才感同身受，一个好的大规模机器学习框架必须要从不同目标来评价，如果需求是大规律数据，那稳定性、可扩展性是重点，如果是更多算法、模型的支持，可能现在的TensorFlow、MXNet才是标杆，多么希望现在大规模机器学习框架能够多元化的发展，有深度学习支持力度大的，也有传统算法上，把数据量、训练规模、并行化加速并做到极致的，这样的发展才或许称得上百花齐放，其实我们不需要太多不同长相的TensorFlow、MXNet锤子，有时候我们就需要把镰刀而已，希望大规模机器学习框架的发展，不应该仅仅像TensorFlow、MXNet一样，希望有一个专注把做大规模、大数据量、极致并行化加速作为roadmap的新标杆，加油。

作者：想飞的石头