转载出处:http://blog.csdn.net/zc02051126/article/details/54614230
符号说明:
- x表示样本特征数据
- y表示样本目标数据
- 第i个训练样本为(xi,yi),为了方便也可以用x=xi表示第i个样本
1 基于域的分解机模型(FFM)
1.1 线性模型
C1表示x中非零元素索引的集合
1.2 二次多项式模型
C2表示x中非零的组合元素索引的集合
1.3 分解机模型
w是二维矩阵,wi表示第i行向量,长度为k,k是用户自定义的参数,也称之为隐变量
1.4 域分解机模型
因为线性项
1.5 基于FFM的逻辑回归模型
1.5.1 -1,1损失的逻辑回归模型
其中
令
其为每个样本的损失函数。
L(xp,yp)对参数w的导数为:
在式(8)的导数计算公式中,
1.5.2 ∅(w,xp) 的求导过程$
为了便于理解首先对
训练模型时需要注意的问题:在式(12)和式(13)中会存在
wj,fp,i(xt,ixt,j+xq,ixq,j+⋯)
在训练时不需要合并这些项,只要把这些项当成更新参数
wj,fp,i
的多个样本即可,这在编程实现中将非常有用。 |
---|
假设有如下的例子,五个特征,两个域
图1
按照式(7),去掉下标p,计算图1中所示的分解模型,如下
从上式中抽取i=1,fj=1和i=3,fj=2
在模型学习时,需要迭代公式
方式1:
方式2:
因为采用的是AdaGrad所以学习率η在方式二中是变化的。
在学习过程中是采用方式1还是方式2哪。答案是方式2。因为在计算实际问题时可能特征分布在多个域中,如果按照方式1则需要把每个域中的信息累加起来,结果是编程上非常麻烦,如果按照方式2,非常符合SGD的思想,把 w4,f1x3x4 和 w5,f1x3x5 看成两个样本,再带回到 x3x4 组合时更新下 w3,f2 ,当访问到 x3x5 组合时再次更新下 w3,f2 ,在实际编程中,具体更新哪些参数可以通过相应的索引进行访问,非常方便。
2 libFFM介绍
2.1 使用介绍
1)编译
下载libffm-1.13.tar.gz,解压,在libffm-1.13下直接make,会产生两个可执行的文件ffm-train和ffm-predict分别用于训练和预测结果。
2)输入数据格式
- 1
- 2
- 3
- 4
- 5
- 1
- 2
- 3
- 4
- 5
3)命令行调用方式
训练:ffm-train [options] training_set_file [model_file]
options控制参数如下表
-l | 惩罚参数,缺省值0.00002 |
---|---|
-k | 隐变量的个数,缺省值4 |
-t | 模型训练时的迭代次数,缺省值15 |
-r | 初始学习率,缺省值0.2 |
-s | OpenMP的线程数,缺省值1 |
-p | Validation数据的路径 |
-v | 交叉验证中的折数 |
–quiet | 控制是否输出运行时信息 |
–no-norm | 关闭归一化功能,缺省是对样本进行归一化处理 |
–no-rand | 关闭随机更新功能 |
–on-disk | 当有这个参数时,不会将数据全部读入内存,而是将训练数据存储在磁盘,此时产生一个临时文件.bin |
–auto-stop: | 当达到最优的validation损失时自动停止,必须与-p参数一同使用 |
说明:
- –no-norm:缺省状态时用每个样本向量的2范数对样本中的每个元素进行归一化,如果设置了这个参数,则不进行归一化处理。
- –no-rand:缺省状态训练时随机从数据中选取训练样本,如果不想随机的抽取训练样本,而是想按照数据集中的样本顺序训练,则可以使用此参数,同时还要配合参数”-s
1”使用。 - –on-disk:如果训练数据较大内存无法加载全量数据,则可以使用此参数。需要注意的是,这种训练模式下不支持随机的抽取训练数据,所以此时需要设置参数“—no-rand”,同时这种模式下不支持交叉验证。同时还会在磁盘上产生临时的二进制文件[training_set_file].bin。
“`
预测:
ffm-predict test_file model_file output_file
作者给的几个例子
-
使用缺省参数训练模型
- ffm-train bigdata.tr.txt model
-
使用如下参数训练模型
- regularization cost = 0.001
- latent factors = 16
- iterations = 30
- learning rate = 0.05
- threads = 4
- ffm-train -l 0.001 -k 16 -t 30 -r 0.05 -s 4 bigdata.tr.txt model
- 使用bigdata.te.txt作为validation数据
- ffm-train -p bigdata.te.txt bigdata.tr.txt model
- 使用5折交叉验证
- ffm-train -v 5 bigdata.tr.txt
- 用–quiet参数训练时不打印训练信息
- ffm-train –quiet bigdata.tr.txt
-
预测
-ffm-predict bigdata.te.txt model output -
基于磁盘的训练
ffm-train –no-rand –on-disk bigdata.tr.txt
- 使用–auto-stop参数,当达到最优的validation损失时停止训练
ffm-train -p bigdata.te.txt -t 100 bigdata.tr.txt
2.2 源码分析
2.2.1 存储模型用到的数据结构
- 存储特征的结构体如下
f表示域id,j表示特征id,v表示特征的值
图2
- 存储整个训练数据集的结构体如下
m表示特征个数;l表示样本可是,即训练数据的行数;m表示域的个数;X存储训练数据中非零特征;P用来记录X中每个样本数据的起始位置和结束位置;Y存储样本数据的标签值
图3 - 下面介绍X和Y的存储格式
图4
- 存储模型结构体如下:下面会主要介绍W的结构
图5
-
W的存储格式如下
图6
2.2.2 训练
- 主要的训练方法为
shared_ptr train(ffm_problem *tr,vector &order, ffm_parameter param, ffm_problem *va=nullptr)
在该方法中采用AdaGrad对每个样本进行训练。值得一提的是该方法中采用OpenMP和SSE进行加速,为了理解加速的位置,下面将伪码写出
for i = 0:l //l为特征个数
ffm_float t = wTx(xi, model);
ffm_float expnyt = exp(-y*t);
tr_loss += log(1+expnyt);
ffm_float kappa = -y*expnyt/(1+expnyt);
wTx(begin, end, r, *model, kappa, param.eta, param.lambda, true);
end
- 下面两条获得进程数
ffm_int old_nr_threads = omp_get_num_threads();
omp_set_num_threads(param.nr_threads);
下面的指令使多线程中的ffm_float t = wTx(xi, model);
ffm_float expnyt = exp(-y*t);结果,在tr_loss += log(1+expnyt);出合并然后继续下面的过线程
#pragma omp parallel for schedule(static) reduction(+: tr_loss)
- libFFM中加速技术概述
图7
OpenMP
代码被多个线程并行执行
图8
for循环被发送到多个线程执行
图9
for循环先被发送到多个线程,接着合并,然后再次被分发
图10
对比加速图
图11
SSE
SSE(Streaming SIMD Extensions)/AVX(Advanced Vector Extensions)是Intel公司设计,对其X86体系的SIMD扩展指令集,它基于SIMD向量化技术,增强X86多核处理器的图像和视频处理能力
常用指令如下
_mm_load_ps 从数组中读取向量到寄存器
_mm_store_ps 将寄存器中的向量存储到数组
_mm_add_ps 寄存器中的向量相加
_mm_sub_ps 寄存器中的向量相减
_mm_mul_ps 寄存器中的向量相乘
_mm_rsqrt_ps 寄存器中的向量开方倒数
图12