DLRM 介绍
DLRM（Deep Learning Recommendation Model）是深度学习推荐模型的实现，用于个性化推荐。
该模型输入有密集和稀疏的特性，前者是浮点值的向量，后者是嵌入表的稀疏索引列表，嵌入表由浮点值向量组成。所选择的矢量被传递到由三角形表示的 mlp
网络，在一些情况下，矢量通过操作符（Ops）进行交互。
output:
probability of a click
model: |
/\
/__\
|
_____________________> Op <___________________
/ | \
/\ /\ /\
/__\ /__\ ... /__\
| | |
| Op Op
| ____/__\_____ ____/__\____
| |_Emb_|____|__| ... |_Emb_|__|___|
input:
[ dense features ] [sparse indices] , ..., [sparse indices]
更精确的模型层定义：
- 完全连接的 mlp 层
z = f(y)
y = Wx + b
- 嵌入查找（对于稀疏索引列表 p=[p1,…,pk]）
z = Op(e1,…,ek)
obtain vectors e1=E[:,p1], …, ek=E[:,pk]
- Operator Op 可以是以下之一
Sum(e1,…,ek) = e1 + … + ek
Dot(e1,…,ek) = [e1’e1, …, e1’ek, …, ek’e1, …, ek’ek]
Cat(e1,…,ek) = [e1’, …, ek’]’
其中，’ 表示转置操作
要求：
- pytorch-nightly ( 6/10/19 )
- onnx ( 可选 )
- torchviz ( 可选 )
DLRM 官网
https://github.com/facebookresearch/dlrm
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 [email protected] 举报，一经查实，本站将立刻删除。
