2023入门LightCTR指南：从安装到训练FM模型的完整步骤

【免费下载链接】LightCTRLightweight and Scalable framework that combines mainstream algorithms of Click-Through-Rate prediction based computational DAG, philosophy of Parameter Server and Ring-AllReduce collective communication.项目地址: https://gitcode.com/gh_mirrors/li/LightCTR

LightCTR是一个轻量级且可扩展的点击率预测框架，它结合了基于计算DAG的主流点击率预测算法、参数服务器理念和Ring-AllReduce集体通信技术，非常适合处理稀疏数据和大规模分布式模型训练。本指南将帮助新手用户快速掌握LightCTR的安装和FM模型训练流程。

LightCTR框架简介 🚀

LightCTR具有以下核心特性：

• 基于参数服务器和Ring-AllReduce集体通信的分布式训练
• 自动梯度计算的有向无环图(DAG)
• 梯度裁剪、 stale同步并行(SSP)和带延迟补偿的异步SGD
• 半精度和量化(PQ或Int8)压缩神经网络
• 共享内存中DHT存储的共享参数键值对
• 无锁多线程训练和SIMD操作
• Mini-Batch GD、Adagrad、FTRL、Adam等优化器实现

支持的算法包括Factorization Machine (FM)、Field-aware Factorization Machine (FFM)、Neural Factorization Machine (NFM)等主流点击率预测模型。

安装LightCTR的准备工作

环境要求

• C++11编译器
• ZeroMQ库（项目已包含在third/zeromq目录中）

获取源代码

git clone https://gitcode.com/gh_mirrors/li/LightCTR cd LightCTR

编译LightCTR框架 ⚙️

LightCTR提供了两种主要的编译方式，可以根据需要选择：

单机模式编译

make

分布式Ring-AllReduce模式编译

./build_ring.sh

编译完成后，将生成可执行文件，用于后续的模型训练。

配置FM模型训练参数

LightCTR的配置非常简单，只需修改主程序文件中的参数：

1. 打开配置文件：

vim main.cpp

2. 设置FM模型相关参数：
   • 学习率（Learning Rate）
   • 数据来源（Data source）
   • 特征维度（Feature dimensions）
   • 迭代次数（Number of iterations）
   • 其他超参数

准备训练数据 📊

LightCTR支持多种格式的输入数据，项目中提供了示例数据文件：

• data/train_sparse.csv：稀疏特征训练数据
• data/train_dense.csv：稠密特征训练数据
• data/test_sparse.csv：稀疏特征测试数据

如果需要处理自己的数据，可以使用提供的数据处理脚本：

• data/proc_file_split.py：文件分割工具
• data/proc_text_topic.py：文本主题处理工具

训练FM模型的完整步骤

单机模式训练

./LightCTR_BIN

分布式模式训练

1. 启动主节点：

./LightCTR_BIN_Master

2. 启动参数服务器：

./LightCTR_BIN_PS

3. 启动工作节点：

./LightCTR_BIN_Worker

LightCTR性能优势展示

LightCTR在性能上相比传统框架有显著优势，以下是一些关键的性能对比：

LightCTR与LibFM性能对比

上图展示了在不同交互维度下，LightCTR与LibFM训练1000个epochs的时间成本对比。可以看出，随着维度增加，LightCTR的性能优势更加明显，在64维时LightCTR仅需29.94秒，而LibFM需要453.84秒。

LightCTR与LibFFM性能对比

在Field-aware Factorization Machine的实现上，LightCTR同样表现出色。当交互维度为16时，LightCTR训练100个epochs仅需114.82秒，而LibFFM需要216秒。

LightCTR与TensorFlow(CPU)性能对比

即使与TensorFlow在CPU上的表现相比，LightCTR也具有明显的速度优势。当批处理大小为400时，LightCTR训练5000个epochs仅需202.23秒，而TensorFlow需要281.76秒。

分布式训练扩展性

LightCTR的分布式训练支持Ring-AllReduce模式，上图显示了1节点和4节点配置下的损失和准确率曲线。可以看出，4节点配置在保持相似准确率的同时，显著加快了训练速度。

总结与下一步学习

通过本指南，你已经掌握了LightCTR的安装和FM模型训练的基本步骤。LightCTR的轻量级设计和高效性能使其成为点击率预测任务的理想选择。

下一步，你可以探索：

• 尝试其他算法如FFM、NFM：train/
• 深入了解分布式训练机制：distribut/
• 探索模型评估工具：util/evaluator.h

LightCTR是一个持续发展的开源项目，欢迎通过贡献代码、创建issue或pull request来参与项目发展。

【免费下载链接】LightCTRLightweight and Scalable framework that combines mainstream algorithms of Click-Through-Rate prediction based computational DAG, philosophy of Parameter Server and Ring-AllReduce collective communication.项目地址: https://gitcode.com/gh_mirrors/li/LightCTR