深度学习baseline模型_深度学习分布式训练及CTR预估模型应用

前言：我在github上创建了一个新的repo：PaddleAI, 准备用Paddle做的一系列有趣又实用的案例，所有的案例都会上传数据代码和预训练模型，下载后可以在30s内上手，跑demo出结果，让大家尽快看到训练结果，用小批量数据调试，再用全量数据跑模型，当然，也可以基于我上传的预训练模型进行迁移学习，如果大家有需要的话。今天刚写好第一个项目，用Paddle做广告CTR预估，来源于Kaggle的比赛Display Advertising Challenge, 感兴趣的读者往下看～(也可以留言期待的todo案例)

欢迎大家star、fork、提issue和贡献新案例～

数据准备

数据说明

数据来源：Kaggle公司举办的展示广告竞赛中所使用的Criteo数据集。该数据包含数百万展示广告的特征值和点击反馈，目的是对点击率(CTR)的预测做基准预测。

数据背景：Criteo是在线效果类数字营销厂商，于2005年在法国巴黎成立，目前的核心业务是重定向广告(retargeting)。Criteo在全球范围内共有31间办事处，有6间位于欧洲，有5间位于北美，有1间在巴西，在亚太地区总共有5间办事处。Criteo是在线效果类展示广告厂商于2014年5月13日宣布启动在中国的业务和运营，并将北京设为中国区总部所在地。Criteo的核心产品主要包括访客广告、流失客户广告、移动应用内效果型广告和AD-X 移动广告跟踪分析产品等。Criteo拥有世界领先的自主学习式推荐引擎和预测引擎，能够通过其对于市场的洞察提供可评估的结果，因而能够在正确的时间通过推送广告，将对的产品推荐给对的用户。并且，随着每一条广告的交付，Criteo的引擎在预测和推荐方面的精确性也不断提高。

数据格式：

格式：… 。共计39个特征，13个数值特征(int)，26个类别特征。若value为空值，则为空白

训练数据：train.txt：Criteo 公司在七天内的部分流量。每行对应的是Critio的展示广告，第一列代表该广告是否被点击。我们对正样本(已点击)的和负样本(未点击)均做了子采样来减少数据量。类别特征的值已经过哈希处理为64位来进行脱敏。特征的语义没有公开，并且有些特征有缺失值。行按照时间排序。

示例(只显示了前20列)

测试数据：test.txt：测试集于训练集的计算方式相同，但对应的是训练集时间段的后一天的事件。并且第一列(label)已被移除。

示例(只显示了前20列)

数据处理

下载数据

cd data && ./download.sh && cd ..

数据读取

code：reader.py

原始数据中前13个feature为int型，通过reader.py将其做了数据归一化处理为float型，避免过大和过小的数据在模型训练中的影响。

.── CriteoDataset

│

├── train

│

├── test

│

├── infer

具体代码：

1 classCriteoDataset(Dataset):2 def __init__(self, sparse_feature_dim):3 self.cont_min_ = [0, -3, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]4 self.cont_max_ = [20, 600, 100, 50, 64000, 500, 100, 50, 500, 10, 10, 10, 50]5 self.cont_diff_ = [20, 603, 100, 50, 64000, 500, 100, 50, 500, 10, 10, 10, 50]6 self.hash_dim_ =sparse_feature_dim7 #here, training data are lines with line_index < train_idx_

8 self.train_idx_ = 41256555

9 self.continuous_range_ = range(1, 14)10 self.categorical_range_ = range(14, 40)11

12 def_reader_creator(self, file_list, is_train, trainer_num, trainer_id):13 defreader():14 for file infile_list:15 with open(file, 'r') as f:16 line_idx =017 for line inf:18 line_idx += 1

19 if is_train and line_idx >self.train_idx_:20 break

21 elif not is_train and line_idx <=self.train_idx_:22 continue

23 if line_idx % trainer_num !=trainer_id:24 continue

25 features = line.rstrip('\n').split('\t')26 dense_feature =[]27 sparse_feature =[]28 for idx inself.continuous_range_:29 if features[idx] == '':30 dense_feature.append(0.0)31 else:32 dense_feature.append((float(features[idx]) - self.cont_min_[idx - 1]) / self.cont_diff_[idx - 1])33 for idx inself.categorical_range_:34 sparse_feature.append([hash(str(idx) + features[idx]) %self.hash_dim_])35

36 label =[int(features[0])]37 yield [dense_feature] + sparse_feature +[label]38

39 return reader

模型训练

网络结构

code: network_conf.py (只用到ctr_dnn_model) 详细讲解

训练方式

单机训练

python train.py \--train_data_path data/raw/train.txt \2>&1 | tee train.log

分布式训练

运行方式

sh cluster_train.sh

调用接口

1 pe =fluid.ParallelExecutor(2 use_cuda=False,3 loss_name=loss.name,4 main_program=train_program,5 build_strategy=build_strategy,6 exec_strategy=exec_strategy)7 logger.info("run dist training")8 t =fluid.DistributeTranspiler()9 t.transpile(args.trainer_id, pservers=args.endpoints, trainers=args.trainers)10 if args.role == "pserver" or args.role == "PSERVER":11 logger.info("run pserver")12 prog =t.get_pserver_program(args.current_endpoint)13 startup = t.get_startup_program(args.current_endpoint, pserver_program=prog)14 exe =fluid.Executor(fluid.CPUPlace())15 exe.run(startup)16 exe.run(prog)17 elif args.role == "trainer" or args.role == "TRAINER":18 logger.info("run trainer")19 train_prog =t.get_trainer_program()20 train_loop(args, train_prog, py_reader, loss, auc_var, batch_auc_var,21 args.trainers, args.trainer_id)

注：batch_size由默认的1000修改为64，可提高auc

训练结果

单机训练

速度太慢，迭代到第1轮batch= 4919时就停住了

分布式训练

设置：2pserver、2trainer

训练日志：alldata/log/trainer0.log 、alldata/log/trainer1.log

训练结果：

2019-05-11 08:34:19,678-INFO: TRAIN --> pass: 9 batch: 2577 loss: 0.467225006104 auc: 0.787909292672, batch_auc: 0.797377570934pass_id:0, pass_time_cost: 3150.447569pass_id:1, pass_time_cost: 3177.322331pass_id:2, pass_time_cost: 3174.676812pass_id:3, pass_time_cost: 3209.558880pass_id:4, pass_time_cost: 3134.910369pass_id:5, pass_time_cost: 3202.956675pass_id:6, pass_time_cost: 3169.575809pass_id:7, pass_time_cost: 3210.294044pass_id:8, pass_time_cost: 3039.102302pass_id:9, pass_time_cost: 3036.933163

模型预测

预测方式

python infer.py \--model_path models/pass-0/\--data_path data/raw/valid.txt

预测结果：

log：alldata/log/infer.txt

2019-05-13 09:35:49,177-INFO: TEST --> batch: 4500 loss: [0.46127334] auc: [0.78797872]

实验对比

原始数据情况

label数量比例

负样本

0

34095179

0.74377662

正样本

1

11745438

0.25622338

实验数据：

mini-demo：1%的全量数据

demo：10%的全量数据

raw：全量数据

BaseLine实验

数据说明： mini-data(1%全量数据)

网络配置：一层网络，batch_size =1000

修改方式：

在network_conf.py 第151行修改,如下如所示，将input=fc3 修改为input=fc1

在cluster_train.sh 里第35行和第47行将batch_size=64 修改为batch_size=1000

运行方式：

修改完以上两个文件后，执行：sh cluster_train.sh

输出日志：

pserver：pserver0.log、pserver1.log 参数服务器的输出日志

trainer：trainer0.log、trainer1.log 每个trainer的输出日志 可以通过 tail -f trainer0.log -n 999 查看输出结果

实验效果

训练时间：33s(一轮迭代)

auc：0.50234167

优化实验(一)：优化网络层

数据说明： mini-data(1%全量数据)

网络配置：三层网络，batch_size =1000

修改方式：

在network_conf.py 第151行修改,如下如所示，将input=fc1 修改为input=fc3

在cluster_train.sh 里第35行和第47行将batch_size=64 修改为batch_size=1000

运行方式：

修改完以上两个文件后，执行：sh cluster_train.sh

输出日志：

pserver：pserver0.log、pserver1.log 参数服务器的输出日志

trainer：trainer0.log、trainer1.log 每个trainer的输出日志 可以通过 tail -f trainer0.log -n 999 查看输出结果

实验效果

训练时间：35s(一轮迭代)

auc：0.54893279

优化实验(二)：调整batch_size

数据说明： mini-data(1%全量数据)

网络配置：三层网络，batch_size =64

修改方式：

在network_conf.py 第151行修改,如下如所示，将input=fc1 修改为input=fc3

在cluster_train.sh 里第35行和第47行将batch_size=1000 修改为batch_size=64

运行方式：

修改完以上两个文件后，执行：sh cluster_train.sh

输出日志：

pserver：pserver0.log、pserver1.log 参数服务器的输出日志

trainer：trainer0.log、trainer1.log 每个trainer的输出日志 可以通过 tail -f trainer0.log -n 999 查看输出结果

实验效果

训练时间：103s(一轮迭代)

auc：0.74322927

优化实验(三)：增加数据集

数据说明： 全量数据

网络配置：三层网络，batch_size =64，数据量由10%数据(demo_data)扩充到全量数据

修改方式：

在network_conf.py 第151行修改,如下如所示，将input=fc1 修改为input=fc3

在cluster_train.sh 里第35行和第47行将batch_size=1000 修改为batch_size=64

在cluster_train.sh 里将连个pserver和两个trainer的train_data_path地址修改为raw_data的地址，如下图所示，注意：一共需要修改四个地址

运行方式：

修改完以上两个文件后，执行：sh cluster_train.sh

输出日志：

pserver：pserver0.log、pserver1.log 参数服务器的输出日志

trainer：trainer0.log、trainer1.log 每个trainer的输出日志 可以通过 tail -f trainer0.log -n 999 查看输出结果

实验效果

训练时间：3150s(一轮迭代)

auc：0.81093872

优化实验对比结果

表格1:对mini_demo(1%全量数据)做训练，采取不同的优化方式，得到最后的优化方案的实验结果

评估batch_sizebatch_1000batch_1000batch_64batch_64

优化方式

评估

一层网络

三层网络

一层网络

三层网络

mini_demo

time

33s

35s

97s

103s

auc

0.50234167

0.54893279

0.721332392

0.74322927

表格2: 增加数据集对模型精度的提升

batch_sizetimeauc

demo

64

1133s

0.73777626

全量

64

3150s

0.81093872

优化方案总结

由以上两个表格可知：

batch 大小的改变：在数据集和其他参数不变的情况下，batch_size由1000变为64.可以提升20%的模型精度

网络结构的改变：在数据集和batch_size等参数不变的情况，由一层网络变为三层网络结构，大约可提升2～4%的模型精度

数据集的改变：由demo数据(10%全量数据)扩充到全量数据，采用同样的batch_size，同样的迭代次数和其他超参数，大约可提升7%的精度