Practical TensorFlow Repository

• deep_ctr： DeepFM/wide_n_deep/FNN/PNN/NFM/AFM/Deep & Cross Network等CTR预估相关深度学习算法
• DeepRL： Deep-Reinforcement Learing
• DeepMTL： Multi-task Learning
• DeepTXT： DSSM等文本相关深度学习算法

Welcome to pull requests!

tf_repos 快速上手指南

tf_repos 是一个实用的 TensorFlow 算法仓库，涵盖了 CTR 预估（如 DeepFM、Wide&Deep）、深度强化学习（DeepRL）、多任务学习（DeepMTL）以及文本深度学习（如 DSSM）等主流模型。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux (推荐 Ubuntu 18.04+)、macOS 或 Windows (需配置 WSL2)
• Python 版本：Python 3.6 - 3.9
• 核心依赖：
  • TensorFlow 2.x (建议 2.4+)
  • NumPy
  • Pandas
  • Scikit-learn

国内加速建议： 推荐使用清华或阿里镜像源安装 Python 依赖，以提升下载速度：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple <package_name>

安装步骤

1. 克隆项目代码 使用 Git 将仓库克隆到本地：

   git clone https://github.com/shenweichen/tf_repos.git
   cd tf_repos
   

   (注：如果访问 GitHub 较慢，可使用国内镜像源如 Gitee 同步后的地址)

2. 安装依赖包 进入项目目录并安装所需库：

   pip install -r requirements.txt
   

   若项目中未提供 requirements.txt，请手动安装核心依赖：

   pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow numpy pandas scikit-learn
   

基本使用

本项目按功能模块划分目录，以下以 deep_ctr 模块中的 DeepFM 模型为例，展示最简调用流程。

1. 准备数据 确保你有一份包含特征列和标签列的 CSV 数据文件（例如 data.csv）。

2. 运行示例代码 进入对应模块目录，编写或运行以下 Python 脚本：

   import pandas as pd
   from deepctr.models import DeepFM
   from deepctr.feature_column import SparseFeat, DenseFeat, get_feature_names
   
   # 1. 加载简单示例数据
   data = pd.read_csv('your_data.csv') 
   sparse_features = ['feat_1', 'feat_2']
   dense_features = ['feat_3']
   target = ['label']
   
   # 2. 定义特征列
   feature_columns = [SparseFeat(feat, vocabulary_size=1000, embedding_dim=4) for feat in sparse_features] + \
                     [DenseFeat(feat, 1,) for feat in dense_features]
   
   # 3. 构建模型
   model = DeepFM(feature_columns, feature_columns, task='binary')
   
   # 4. 编译与训练
   model.compile("adam", "binary_crossentropy", metrics=['binary_accuracy'])
   history = model.fit(data[get_feature_names(feature_columns)], data[target], batch_size=256, epochs=5)
   

3. 探索其他模块

   • DeepRL: 进入 DeepRL/ 目录查看强化学习示例。
   • DeepMTL: 进入 DeepMTL/ 目录查看多任务学习实现。
   • DeepTXT: 进入 DeepTXT/ 目录查看 DSSM 等文本匹配算法。

直接参考各子目录下的具体脚本即可快速复现相应论文算法。