PaddlePaddle分散式訓練及CTR預估模型應用

　　前言：我在github上建立了一個新的repo：PaddleAI, 準備用Paddle做的一系列有趣又實用的案例，所有的案例都會上傳資料程式碼和預訓練模型，下載後可以在30s內上手，跑demo出結果，讓大家儘快看到訓練結果，用小批量資料除錯，再用全量資料跑模型，當然，也可以基於我上傳的預訓練模型進行遷移學習，如果大家有需要的話。今天剛寫好第一個專案，用Paddle做廣告CTR預估，來源於Kaggle的比賽Display Advertising Challenge, 感興趣的讀者往下看～（也可以留言期待的todo案例）

 　　github：https://github.com/huxiaoman7/PaddleAI  

　　Paddle models：https://github.com/PaddlePaddle/models

　　歡迎大家star、fork、提issue和貢獻新案例～

 

---

資料準備

資料說明

• 資料來源：Kaggle公司舉辦的展示廣告競賽中所使用的Criteo資料集。該資料包含數百萬展示廣告的特徵值和點選反饋，目的是對點選率（CTR）的預測做基準預測。

• 資料背景：Criteo是線上效果類數字營銷廠商，於2005年在法國巴黎成立，目前的核心業務是重定向廣告（retargeting）。Criteo在全球範圍內共有31間辦事處，有6間位於歐洲，有5間位於北美，有1間在巴西，在亞太地區總共有5間辦事處。Criteo是線上效果類展示廣告廠商於2014年5月13日宣佈啟動在中國的業務和運營，並將北京設為中國區總部所在地。Criteo的核心產品主要包括訪客廣告、流失客戶廣告、移動應用內效果型廣告和AD-X 移動廣告跟蹤分析產品等。Criteo擁有世界領先的自主學習式推薦引擎和預測引擎，能夠通過其對於市場的洞察提供可評估的結果，因而能夠在正確的時間通過推送廣告，將對的產品推薦給對的使用者。並且，隨著每一條廣告的交付，Criteo的引擎在預測和推薦方面的精確性也不斷提高。

• 資料格式：

  • 格式：… 。共計39個特徵，13個數值特徵（int），26個類別特徵。若value為空值，則為空白

• 訓練資料：train.txt：Criteo 公司在七天內的部分流量。每行對應的是Critio的展示廣告，第一列代表該廣告是否被點選。我們對正樣本（已點選）的和負樣本（未點選）均做了子取樣來減少資料量。類別特徵的值已經過雜湊處理為64位來進行脫敏。特徵的語義沒有公開，並且有些特徵有缺失值。行按照時間排序。

  • 示例（只顯示了前20列）

• 測試資料：test.txt：測試集於訓練集的計算方式相同，但對應的是訓練集時間段的後一天的事件。並且第一列（label）已被移除。
  • 示例（只顯示了前20列）

資料處理

• 下載資料

  cd data && ./download.sh && cd .. 

• 資料讀取

• code：reader.py

• 原始資料中前13個feature為int型，通過reader.py將其做了資料歸一化處理為float型，避免過大和過小的資料在模型訓練中的影響。

  .── CriteoDataset
  │
  ├── train
  │
  ├── test
  │
  ├── infer

• 具體程式碼：

class CriteoDataset(Dataset):
    def __init__(self, sparse_feature_dim):
        self.cont_min_ = [0, -3, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
        self.cont_max_ = [20, 600, 100, 50, 64000, 500, 100, 50, 500, 10, 10, 10, 50]
        self.cont_diff_ = [20, 603, 100, 50, 64000, 500, 100, 50, 500, 10, 10, 10, 50]
        self.hash_dim_ = sparse_feature_dim
        # here, training data are lines with line_index < train_idx_
        self.train_idx_ = 41256555
        self.continuous_range_ = range(1, 14)
        self.categorical_range_ = range(14, 40)

    def _reader_creator(self, file_list, is_train, trainer_num, trainer_id):
        def reader():
            for file in file_list:
                with open(file, 'r') as f:
                    line_idx = 0
                    for line in f:
                        line_idx += 1
                        if is_train and line_idx > self.train_idx_:
                            break
                        elif not is_train and line_idx <= self.train_idx_:
                            continue
                        if line_idx % trainer_num != trainer_id:
                            continue
                        features = line.rstrip('\n').split('\t')
                        dense_feature = []
                        sparse_feature = []
                        for idx in self.continuous_range_:
                            if features[idx] == '':
                                dense_feature.append(0.0)
                            else:
                                dense_feature.append((float(features[idx]) - self.cont_min_[idx - 1]) / self.cont_diff_[idx - 1])
                        for idx in self.categorical_range_:
                            sparse_feature.append([hash(str(idx) + features[idx]) % self.hash_dim_])

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

        return reader

---

模型訓練

網路結構

• code: network_conf.py (只用到ctr_dnn_model) 詳細講解

訓練方式

單機訓練

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

分散式訓練

執行方式

sh cluster_train.sh

呼叫介面

pe = fluid.ParallelExecutor(
        use_cuda=False,
        loss_name=loss.name,
        main_program=train_program,
        build_strategy=build_strategy,
        exec_strategy=exec_strategy)
logger.info("run dist training")
        t = fluid.DistributeTranspiler()
        t.transpile(args.trainer_id, pservers=args.endpoints, trainers=args.trainers)
        if args.role == "pserver" or args.role == "PSERVER":
            logger.info("run pserver")
            prog = t.get_pserver_program(args.current_endpoint)
            startup = t.get_startup_program(args.current_endpoint, pserver_program=prog)
            exe = fluid.Executor(fluid.CPUPlace())
            exe.run(startup)
            exe.run(prog)
        elif args.role == "trainer" or args.role == "TRAINER":
            logger.info("run trainer")
            train_prog = t.get_trainer_program()
            train_loop(args, train_prog, py_reader, loss, auc_var, batch_auc_var,
                       args.trainers, args.trainer_id)

注：batch_size由預設的1000修改為64，可提高auc

訓練結果

• 單機訓練

  • 速度太慢，迭代到第1輪batch= 4919時就停住了

• 分散式訓練

  • 設定：2pserver、2trainer

  • 訓練日誌：alldata/log/trainer0.log 、alldata/log/trainer1.log 

  • 訓練結果：　　

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

模型預測

預測方式

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

預測結果：

• log：alldata/log/infer.txt

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

---

實驗對比

原始資料情況

	label	數量	比例
負樣本	0	34095179	0.74377662
正樣本	1	11745438	0.25622338

實驗資料：

• mini-demo：1%的全量資料
• demo：10%的全量資料
• raw：全量資料

BaseLine實驗

• 資料說明： mini-data(1%全量資料)

• 網路配置：一層網路，batch_size =1000

• 修改方式：

  • 在network_conf.py 第151行修改,如下如所示，將input=fc3 修改為input=fc1

  • 在cluster_train.sh 裡第35行和第47行將batch_size=64 修改為batch_size=1000

• 執行方式：

  • 修改完以上兩個檔案後，執行：sh cluster_train.sh

• 輸出日誌：

  • pserver：pserver0.log、pserver1.log 引數伺服器的輸出日誌
  • trainer：trainer0.log、trainer1.log 每個trainer的輸出日誌 可以通過 tail -f trainer0.log -n 999 檢視輸出結果

• 實驗效果

  • 訓練時間：33s（一輪迭代）
  • auc：0.50234167

優化實驗（一）：優化網路層

• 資料說明： mini-data(1%全量資料)

• 網路配置：三層網路，batch_size =1000

• 修改方式：

  • 在network_conf.py 第151行修改,如下如所示，將input=fc1 修改為input=fc3

  • 在cluster_train.sh 裡第35行和第47行將batch_size=64 修改為batch_size=1000

• 執行方式：

  • 修改完以上兩個檔案後，執行：sh cluster_train.sh

• 輸出日誌：

  • pserver：pserver0.log、pserver1.log 引數伺服器的輸出日誌
  • trainer：trainer0.log、trainer1.log 每個trainer的輸出日誌 可以通過 tail -f trainer0.log -n 999 檢視輸出結果

• 實驗效果

  • 訓練時間：35s（一輪迭代）
  • auc：0.54893279

優化實驗（二）：調整batch_size

• 資料說明： mini-data(1%全量資料)

• 網路配置：三層網路，batch_size =64

• 修改方式：

  • 在network_conf.py 第151行修改,如下如所示，將input=fc1 修改為input=fc3

  • 在cluster_train.sh 裡第35行和第47行將batch_size=1000 修改為batch_size=64

• 執行方式：

  • 修改完以上兩個檔案後，執行：sh cluster_train.sh

• 輸出日誌：

  • pserver：pserver0.log、pserver1.log 引數伺服器的輸出日誌
  • trainer：trainer0.log、trainer1.log 每個trainer的輸出日誌 可以通過 tail -f trainer0.log -n 999 檢視輸出結果

• 實驗效果

  • 訓練時間：103s（一輪迭代）
  • auc：0.74322927

優化實驗（三）：增加資料集

• 資料說明： 全量資料

• 網路配置：三層網路，batch_size =64，資料量由10%資料（demo_data）擴充到全量資料

• 修改方式：

  • 在network_conf.py 第151行修改,如下如所示，將input=fc1 修改為input=fc3

  • 在cluster_train.sh 裡第35行和第47行將batch_size=1000 修改為batch_size=64

  • 在cluster_train.sh 裡將連個pserver和兩個trainer的train_data_path地址修改為raw_data的地址，如下圖所示，注意：一共需要修改四個地址

• 執行方式：

  • 修改完以上兩個檔案後，執行：sh cluster_train.sh

• 輸出日誌：

  • pserver：pserver0.log、pserver1.log 引數伺服器的輸出日誌
  • trainer：trainer0.log、trainer1.log 每個trainer的輸出日誌 可以通過 tail -f trainer0.log -n 999 檢視輸出結果

• 實驗效果

  • 訓練時間：3150s（一輪迭代）
  • auc：0.81093872

優化實驗對比結果

• 表格1:對mini_demo(1%全量資料)做訓練，採取不同的優化方式，得到最後的優化方案的實驗結果

評估	batch_size	batch_1000	batch_1000	batch_64	batch_64
優化方式	評估	一層網路	三層網路	一層網路	三層網路
mini_demo	time	33s	35s	97s	103s
	auc	0.50234167	0.54893279	0.721332392	0.74322927

• 表格2: 增加資料集對模型精度的提升

	batch_size	time	auc
demo	64	1133s	0.73777626
全量	64	3150s	0.81093872

 

優化方案總結

由以上兩個表格可知：

• batch 大小的改變：在資料集和其他引數不變的情況下，batch_size由1000變為64.可以提升20%的模型精度
• 網路結構的改變：在資料集和batch_size等引數不變的情況，由一層網路變為三層網路結構，大約可提升2～4%的模型精度
• 資料集的改變：由demo資料（10%全量資料）擴充到全量資料，採用同樣的batch_size，同樣的迭代次數和其他超引數，大約可提升7%的精度