深度学习推荐模型的实现(DLRM)源码

【实例简介】
个性化和推荐系统的深度学习推荐模型,这是一个深度学习推荐模型（DLRM）的实现。该模型输入包括稠密特征和稀疏特征。前者是浮点值向量，后者是稀疏索引列表，指向包含浮点值向量的嵌入表。所选向量被传递给三角形表示的mlp网络，在某些情况下，这些向量通过运算符（Ops）进行交互。输出是点击的概率。
【实例截图】
【核心代码】
文件清单
└── dlrm-10e8e19c0560d4d570cd98a0c27afea21fc059cc
    ├── bench
    │   ├── dlrm_s_benchmark.sh
    │   ├── dlrm_s_criteo_kaggle.sh
    │   ├── dlrm_s_criteo_terabyte.sh
    │   └── run_and_time.sh
    ├── CODE_OF_CONDUCT.md
    ├── CONTRIBUTING.md
    ├── cython
    │   ├── cython_compile.py
    │   └── cython_criteo.py
    ├── data_loader_terabyte.py
    ├── data_utils.py
    ├── dlrm_data_caffe2.py
    ├── dlrm_data_pytorch.py
    ├── dlrm_s_caffe2.py
    ├── dlrm_s_pytorch.py
    ├── Dockerfile
    ├── extend_distributed.py
    ├── input
    │   ├── dist_emb_0.log
    │   ├── dist_emb_1.log
    │   ├── dist_emb_2.log
    │   └── trace.log
    ├── kaggle_dac_loss_accuracy_plots.png
    ├── LICENSE
    ├── mlperf_logger.py
    ├── optim
    │   └── rwsadagrad.py
    ├── README.md
    ├── requirements.txt
    ├── terabyte_0875_loss_accuracy_plots.png
    ├── test
    │   └── dlrm_s_test.sh
    ├── tools
    │   └── visualize.py
    ├── torchrec_dlrm
    │   ├── aws_component.py
    │   ├── data
    │   │   ├── dlrm_dataloader.py
    │   │   ├── __init__.py
    │   │   └── multi_hot_criteo.py
    │   ├── dlrm_main.py
    │   ├── Dockerfile
    │   ├── __init__.py
    │   ├── lr_scheduler.py
    │   ├── md5sums_MLPerf_v2_synthetic_multi_hot_sparse_dataset.txt
    │   ├── md5sums_preprocessed_criteo_click_logs_dataset.txt
    │   ├── multi_hot.py
    │   ├── README.MD
    │   ├── requirements.txt
    │   ├── scripts
    │   │   ├── download_Criteo_1TB_Click_Logs_dataset.sh
    │   │   ├── materialize_synthetic_multihot_dataset.py
    │   │   └── process_Criteo_1TB_Click_Logs_dataset.sh
    │   └── tests
    │       └── test_dlrm_main.py
    └── tricks
        ├── md_embedding_bag.py
        └── qr_embedding_bag.py

12 directories, 48 files