你好，请问一下特征不用经过处理直接扔进去模型训练就可以吗？离散特征和连续特征需不需要不同的处理

按照我的理解您代码中的w1表示一阶信息，应该logit=w1+w3，但是好像您代码中w1后面都没用到

第一次开源https://www.kaggle.com/guoday/nffm-baseline-0-690-on-lb
的时候能正常使用
最近开源https://www.kaggle.com/guoday/xdeepfm-baseline之后，
重新运行代码，运行报错了，
python 3.6
tensorflow-gpu 1.4.0,

Traceback (most recent call last):
File "gd_nffm.py", line 167, in
dev_data=(train.iloc[dev_index][features], train.iloc[dev_index]['HasDetections']))
File "/home/yuqing/tsf/kaggle/mmp/models/nffm.py", line 106, in train
if idx*hparams.batch_size>=len(train_data[0]) or ('steps' in hparams and hparams.steps==idx):
TypeError: argument of type 'HParams' is not iterable

hi,dear大佬，
由于FFM数据格式的确难以理解，请问有没有试过movielens-1M或类似的数据集进行FFM模型测试？因为每行数据都是field:feature:value这种，实在不知道怎么将movielens数据进行转换，user或movie特征该怎么转换呢？模型又是怎么输入和输出呢？
多谢

poch 0 step 100 lr 0.001 logloss 0.365111 gN 0.56, Wed Jul 3 17:12:50 2019
epoch 0 step 200 lr 0.001 logloss 0.191605 gN 0.28, Wed Jul 3 17:13:58 2019
epoch 0 step 300 lr 0.001 logloss 0.182971 gN 0.25, Wed Jul 3 17:15:06 2019
epoch 0 step 400 lr 0.001 logloss 0.175328 gN 0.23, Wed Jul 3 17:16:19 2019
epoch 0 step 500 lr 0.001 logloss 0.167133 gN 0.21, Wed Jul 3 17:17:36 2019

Epcho-time 355.16s Eval AUC 0.982286. Best AUC 0.982286.

epoch 0 step 600 lr 0.001 logloss 0.173233 gN 0.20, Wed Jul 3 17:19:29 2019
epoch 0 step 700 lr 0.001 logloss 0.169078 gN 0.19, Wed Jul 3 17:20:41 2019
epoch 0 step 800 lr 0.001 logloss 0.166135 gN 0.18, Wed Jul 3 17:21:52 2019
epoch 0 step 900 lr 0.001 logloss 0.161865 gN 0.17, Wed Jul 3 17:23:02 2019
epoch 0 step 1000 lr 0.001 logloss 0.158251 gN 0.17, Wed Jul 3 17:24:11 2019

Epcho-time 750.18s Eval AUC 0.464652. Best AUC 0.982286.

epoch 0 step 1100 lr 0.001 logloss 0.161384 gN 0.17, Wed Jul 3 17:25:25 2019
epoch 0 step 1200 lr 0.001 logloss 0.158918 gN 0.16, Wed Jul 3 17:26:41 2019
epoch 0 step 1300 lr 0.001 logloss 0.157845 gN 0.15, Wed Jul 3 17:28:13 2019
epoch 0 step 1400 lr 0.001 logloss 0.154907 gN 0.15, Wed Jul 3 17:29:35 2019
epoch 0 step 1500 lr 0.001 logloss 0.157655 gN 0.15, Wed Jul 3 17:30:52 2019

脚本 baseline_model 第76,77行

def _cross_l_loss(self, hparams):
cross_l_loss = tf.zeros([1], dtype=tf.float32)
for param in self.cross_params:
cross_l_loss = tf.add(cross_l_loss, tf.multiply(hparams.cross_l1, tf.norm(param, ord=1)))
cross_l_loss = tf.add(cross_l_loss, tf.multiply(hparams.cross_l2, tf.norm(param, ord=1)))
return cross_l_loss

加了两次L1损失，而第二个参数是hparams.cross_l2

是不是可以只传入一个参数,比如 preds=model.infer(dev_data=(test[features])) 我看代码示例dev_data需要传入label? 还是说dev_data，必须传入label像这样 preds=model.infer(dev_data(test[features],test['HasDetections']))

请问如何保存和加载模型呢？