TensorFlow搭建"简易"Wide and Deep 模型

TensorFlow搭建"简易"Wide and Deep 模型

标签：推荐算法

[TOC]

---

Wide & Deep 模型是谷歌在2016年发表的论文中所提到的模型。在论文中，谷歌将 LR 模型与 深度神经网络 结合在一起作为 Google Play 的推荐获得了一定的效果。

官方提供的 Wide & Deep 模型的（简称，WD 模型）教程 都是使用 TensorFlow （简称，TF ）自带的函数来做的特征工程，并且模型也进行了封装，所以如果要简单验证这个模型的话，自己用tf直接搭建一个或许是一个更好的主意。

所以本文就向您展示了如何自己用 TF 搭建一个结构清晰，定制性更高的 WD 模型。

---

1.先让我们来看看wide_deep模型是如何工作的：

上图左边是wide模型，对于右边是deep模型。可见wide模型就是一个RL模型，而右边的deep网络隐藏层有三层，神经元个数分别为256,128,64。

谷歌教程的图

上面的图示谷歌教程里，可见最后将wide的输出和deep的输出进行相加。最后用一个Relu激活函数，然后输出最终预测。

我自己写了一个小小的demo,可以展示这个过程，思路还是很清晰的，下面我将用自己的demo来解释这个过程。

2. demo解析

outline:
我用了三个函数，分别为：
wide_model：来建立wide模型
deep_model: 来建立deep模型
build_w_d : 来结合上面二者进行预测与反向传播

1. wide_model函数解析

下面是我的代码，用的是TensorFlow框架：
我再代码内部已经给了一些注释，有一定解释作用

def wide_model(data) :

    #得到数据的长度，即每个样例有多少个输入
    len = np.shape(data)[1]

    #随机初始化参数
    tf.set_random_seed(1)
    W = tf.get_variable("W" , [len , 1] , initializer = tf.contrib.layers.xavier_initializer())
    b = tf.get_variable("b" , [1 , 1] , initializer = tf.zeros_initializer())

    #前向传播：
    Z = tf.add(tf.matmul(data , W) , b)
    A = tf.nn.relu(Z) #这个Relu我不知道要不要用。。。


    # 输出每个样本经过计算的值
    output = tf.reshape(A, [-1, 1])

    return output

    #======分割线由于不要反向传播,这里wide就写完了============

值得注意的是：
1.我用的是随机初始化，但是我见过用修正方式初始化权重的，我不知道这个模型，用那种方式是不是会更好，所以这里可能会有错误。
2.对于前向传播完成后，是否需要用一个relu激活函数，我也没有查到什么确切的资料，这也是个问题。

2. deep_model函数解析

这里我只做了个demo,所以我直接用了和之前图中一样的隐藏层网络层数（3层），然后神经元节点数目，我还是用的参数形式表示，以便于扩展。

下面是我的代码：

def deep_model(data , hidden1 , hidden2 , hidden3) :
    len = np.shape(data)[1]

    #随机初始化参数
    W1 = tf.get_variable("W1", [len , hidden1], initializer=tf.contrib.layers.xavier_initializer())
    b1 = tf.get_variable("b1", [hidden1 , 1], initializer=tf.zeros_initializer())
    W2 = tf.get_variable("W2", [hidden1 , hidden2], initializer=tf.contrib.layers.xavier_initializer())
    b2 = tf.get_variable("b2", [hidden2 , 1], initializer=tf.zeros_initializer())
    W3 = tf.get_variable("W3", [hidden2 , hidden3], initializer=tf.contrib.layers.xavier_initializer())
    b3 = tf.get_variable("b3", [hidden3 , 1], initializer=tf.zeros_initializer())

    # 前向传播
    Z1 = tf.add(tf.matmul(data, W1), b1)  # Z1 = np.dot(W1, X) + b1
    A1 = tf.nn.relu(Z1)  # A1 = relu(Z1)
    Z2 = tf.add(tf.matmul(A1, W2), b2)  # Z2 = np.dot(W2, a1) + b2
    A2 = tf.nn.relu(Z2)  # A2 = relu(Z2)
    Z3 = tf.add(tf.matmul(A2, W3), b3)  # Z3 = np.dot(W3,Z2) + b3
    output = tf.nn.relu(Z3) #这个Relu我不知道要不要用。。。

    return output

问题：同样，，，这个最后的relu我不知道要不要用。

3. build_w_d函数解释

下面是代码：

def build_w_d(deep_input, wide_input, y):

    dmodel = deep_model(deep_input, 256, 128, 64)
    wmodel = wide_model(wide_input)

    #初始化参数（就是类似于前面函数的b）
    central_bias = tf.Variable([np.random.randn()], name="central_bias")

    # 使用 LR 将两个模型组合在一起
    dmodel_weight = tf.Variable(tf.truncated_normal([1, 1]), name="dmodel_weight")
    wmodel_weight = tf.Variable(tf.truncated_normal([1, 1]), name="wmodel_weight")

    #将wide和deep的输出结合起来
    network = tf.add(tf.matmul(dmodel , dmodel_weight) , tf.matmul(wmodel, wmodel_weight))

    prediction = tf.add(network, central_bias)

    #计算cost函数
    cost = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(labels=y , logits=prediction))

    #反向传播，用了Adam优化
    train_step = tf.train.AdamOptimizer(0.001).minimize(cost)

    return train_step , cost , prediction

好了，结合起来就是这样，这展现了wide_deep模型的基本结构，当然，需要得到一个很厉害的，应用级的模型的话，还需要很多的优化与连接措施。

下面贴出几个参考资料：
https://www.tensorflow.org/tutorials/wide_and_deep
https://research.google.com/pubs/pub45413.html
https://research.googleblog.com/2016/06/wide-deep-learning-better-together-with.html