DeepFM-Guide

从零开始运行DeepFM项目。

实验准备

安装pycharm

1. 简介
   Jetbrains家族和Pycharm版本划分：
   pycharm是Jetbrains家族中的一个明星产品，Jetbrains开发了许多好用的编辑器，包括Java编辑器（IntelliJ IDEA）、JavaScript编辑器（WebStorm）、PHP编辑器（PHPStorm）、Ruby编辑器（RubyMine）、C和C++编辑器（CLion）、.Net编辑器（Rider）、iOS/macOS编辑器（AppCode）等。pycharm现在在官网[https://www.jetbrains.com/pycharm/download/#section=windows]是分为两个版本，第一个版本是Professional(专业版本)，这个版本功能更加强大，主要是为Python和web开发者而准备，是需要付费的。第二个版本是社区版，一个专业版的阉割版，比较轻量级，主要是为Python和数据专家而准备的。一般我们做开发，下载专业版本比较合适。
2. 下载
   这是 PyCharm 的下载地址：PyCharm下载地址
   进入该网站后，我们会看到如下界面:
   
   professional 表示专业版，community 是社区版，推荐安装专业版，然后通过学生身份免费激活。
   点击Download下载。
3. 安装
   打开下载的安装包，点击Next：
   
   自定义安装路径后，点击Next:
   
   勾选后，点击Next:
   
   点击Install进行安装：
   

安装python

1. 下载
   进入python官方网站：//www.python.org/
   
   点击Downloads,进入选择下载界面。
   
   选择3.6.5版本的python，点击Download。
   
   进入该界面后，点击Windows x86-64 executable installer.因为我们需要用到的是Windows下的解释器，所以在Operating System中可以选择对应的Windows版本，有64位和32位可以选择，我选择的是画红框的这个，executable表示可执行版，需要安装后使用，embeddable表示嵌入版，就是解压以后就可以使用的版本。
   可执行版安装比较简单，一直默认就好了。embeddable需要注意，当我们解压这个文件也是需要解压到同一路径的，这里面放着pip、setuptools等工具，如果不解压，我们将无法在pycharm中更新模块，比如需要用到pymysql，就无法下载。虽然也能用，但是就是"阉割版"的python解释器了。
   如果是embeddable版，记得把解释器所在的路径添加到环境变量里，不然pycharm无法自动获得解释器位置。
2. 安装
   点击下载的安装包，选择Install Now，注意勾选红框中的两个选项，这样就不需要手动添加python的系统环境变量。等待安装完成就好了。
   
   验证python是否成功安装，代开cmd控制台，输入：

python

出现以下结果，便说明python成功安装，其中，红框标记的是安装的python版本号。

tensorflow基础知识

1.tensorflow简介
TensorFlow是采用数据流图（data　flow　graphs）来计算, 所以首先我们得创建一个数据流流图,然后再将我们的数据（数据以张量(tensor)的形式存在）放在数据流图中计算. 节点（Nodes）在图中表示数学操作,图中的边（edges）则表示在节点间相互联系的多维数据数组, 即张量（tensor).训练模型时tensor会不断的从数据流图中的一个节点flow到另一节点, 这就是TensorFlow名字的由来.
张量（Tensor):张量有多种. 零阶张量为 纯量或标量 (scalar) 也就是一个数值. 比如 [1],一阶张量为 向量 (vector), 比如 一维的 [1, 2, 3],二阶张量为 矩阵 (matrix), 比如 二维的 [[1, 2, 3],[4, 5, 6],[7, 8, 9]],以此类推, 还有 三阶 三维的 …
2.从一个例子讲起
首先，我们来看一个简单的例子：

import tensorflow as tf
import numpy as np
#tensorflow中大部分数据是float32

#create real data
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data * 0.1 + 0.3

### create tensorflow structure start ###

#定义变量
Weights = tf.Variable(tf.random_uniform([1],-1.0,1.0))
biases = tf.Variable(tf.zeros([1]))

#如何计算预测值
y = Weights * x_data + biases

# loss function
loss = tf.reduce_mean(tf.square(y-y_data))

#梯度下降优化器，定义learning rate
optimizer = tf.train.GradientDescentOptimizer(0.5)

#训练目标是loss最小化
train = optimizer.minimize(loss)

#初始化变量，即初始化 Weights 和 biases
init = tf.global_variables_initializer()

#创建session，进行参数初始化
sess = tf.Session()
sess.run(init)

#开始训练200步，每隔20步输出一下两个参数
for step in range(201):
    sess.run(train)
    if step % 20 == 0:
        print(step,sess.run(Weights),sess.run(biases))
### create tensorflow structure end ###

在上面的例子中，我们想要预测的方程式y=0.1*x + 0.3,给定训练样本，通过梯度下降法来预测参数W和偏置b，我们使用numpy生成了我们的训练数据：

x_data = np.random.rand(100).astype(np.float32)
y_data = x_data * 0.1 + 0.3

随后，我们使用tf.Variable定义了我们的变量Weights和biases(以下简称w和b），Weights通过一个均匀分布随机产生，而bias则设置为0，同时二者的形状均为1维，因为只有一个数：

Weights = tf.Variable(tf.random_uniform([1],-1.0,1.0))
biases = tf.Variable(tf.zeros([1]))

好了，有了变量，我们想要学习w和b，只需要用训练数据x来得到预测值，最小化预测值和实际值的差距就好，所以，我们定义了损失函数为平方损失函数，并通过0.5学习率的梯度下降法来进行参数调整：

#如何计算预测值
y = Weights * x_data + biases

# loss function
loss = tf.reduce_mean(tf.square(y-y_data)