DCN for PyTorch

• 概述
• 准备训练环境
• 开始训练
• 训练结果展示
• 版本说明

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://gitcode.com/ascend/ModelZoo-PyTorch.git
  code_path=PyTorch/built-in/others
  

准备训练环境

该模型为不随版本演进模型（随版本演进模型范围可在此处查看），未在最新昇腾配套软件中适配验证，您可以：

1. 根据下面提供PyTorch版本在软件版本配套表中选择匹配的CANN等软件下载使用。
2. 查看软件版本配套表后确认对该模型有新版本PyTorch和CANN中的适配需求，请在modelzoo/issues中提出您的需求。自行适配不保证精度和性能达标。

准备环境

• 当前模型支持的 PyTorch 历史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。

  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