文件名称：wide_deep：张量流中CTR预测的广泛和深度学习
文件大小：7.94MB
文件格式：ZIP
更新时间：2024-02-26 22:59:44
tensorflow wide-and-deep ctr-prediction TensorflowPython
张量流中CTR预测的广泛和深度学习 总览 一个通用的广泛和深度联合学习框架。 较深的部分可以是简单的Dnn，Dnn变体（ResDnn，DenseDnn），MultiDnn，甚至可以与Cnn（Dnn-Cnn）组合。 在这里，我们使用来预测点击标签。 宽泛的模型能够记住与具有大量功能的数据的交互，但是不能将这些学习到的交互归纳为新数据。 深度模型可以很好地概括，但无法学习数据中的异常。 广泛和深入的模型结合了这两种模型，并且能够在学习异常时进行概括。 该代码使用高级tf.estimator.Estimator API。 该API非常适合快速迭代，并且可以快速对模型进行调整以适应您自己的数据集，
【文件预览】：
wide_deep-master
----conf()
--------model.yaml(3KB)
--------serving.yaml(964B)
--------data_process.yaml(517B)
--------feature.yaml(7KB)
--------hdfs.path(501B)
--------train.yaml(4KB)
--------schema.yaml(941B)
--------cross_feature.yaml(3KB)
----data()
--------eval()
--------spark()
--------train()
--------image()
--------test()
--------pred()
----python()
--------eval.py(3KB)
--------pred.py(3KB)
--------spark()
--------train.py(11KB)
--------lib()
--------tensorflow_serving()
----LICENSE(1KB)
----requirements.txt(59B)
----.gitignore(77B)
----README.md(3KB)
----scripts()
--------run_data_process.sh(927B)
--------train.sh(713B)
--------test.sh(670B)
--------load_raw_data.sh(799B)
--------load_process_data.sh(1KB)
--------kill_ps.sh(109B)
--------run_serving.sh(2KB)
--------run_ps.sh(648B)