RTP FG

RTP FG能够以比较高的效率生成一些复杂的特征，如MatchFeature和LookupFeature, 线上线下使用同一套代码保证一致性.
其生成的特征可以接入EasyRec进行训练，从RTP FG的配置(fg.json)可以生成EasyRec的配置文件(pipeline.config).
线上部署的时候提供带FG功能的EAS processor，一键部署.

训练

编写配置 fg.json

包含了features配置和全局配置两个部分, 示例:

{
  "features": [
     {"expression": "user:user_id", "feature_name": "user_id", "feature_type":"id_feature", "value_type":"String", "combiner":"mean", "hash_bucket_size": 100000, "embedding_dim": 16, "group":"user"},
     {"expression": "user:cms_segid", "feature_name": "cms_segid", "feature_type":"id_feature", "value_type":"String", "combiner":"mean", "hash_bucket_size": 100, "embedding_dim": 16, "group":"user"},
     ...
     {"expression": "item:price", "feature_name": "price", "feature_type":"raw_feature", "value_type":"Integer", "combiner":"mean", "group":"item"},
     {"expression": "item:pid", "feature_name": "pid", "feature_type":"id_feature", "value_type":"String", "combiner":"mean", "hash_bucket_size": 100000, "embedding_dim": 16, "group":"item"},
     {"expression": "user:tag_category_list", "feature_name": "user_tag_cate", "feature_type":"id_feature", "hash_bucket_size":100000, "group":"user"},
     {"map": "user:tag_brand_list", "key":"item:brand", "feature_name": "combo_brand", "feature_type":"lookup_feature",  "needDiscrete":true, "hash_bucket_size":100000, "group":"combo"},
     {"map": "user:tag_category_list", "key":"item:cate_id", "feature_name": "combo_cate_id", "feature_type":"lookup_feature",  "needDiscrete":true, "hash_bucket_size":10000, "group":"combo"}
 ],


 "reserves": [
   "user_id", "campaign_id", "clk"
 ],
 "multi_val_sep": "|"
}

Feature配置说明：
- IdFeature
  - is_multi: id_feature是否是多值属性
    - 默认是true, 转换成EasyRec的config时会转成TagFeature
    - 如果设成false, 转换成EasyRec的config时会转成IdFeature, 可以减少字符串分割的开销
    - 多值分隔符使用chr(29)[ctrl+v ctrl+].
    - 多值类型说明
  - vocab_file: 词典文件路径，根据词典将对应的输入映射成ID.
  - vocab_list: 词典list，根据词典将对应的输入映射成ID.
  - num_buckets: 当输入是unsigned int类型的时候，并且输入有界的时候，可以指定num_bucket为输入的最大值.
  - hash_bucket_size: 对应EasyRec feature_config.features的hash_bucket_size.
    - 和vocab_file, vocab_list相比，优势是不需要词典，词典可以是不固定的.
    - 劣势是需要设置的容量比较大，容易导致hash冲突.
  - embedding_dimension/embedding_dim: 对应EasyRec feature_config.features里面的embedding_dim.
- RawFeature
  - bucketize_boundaries: 会生成离散化的结果, 在生成EasyRec config的时候:
  - 设置feature_config.features.num_buckets = len(boundaries) + 1
  - value_dimension > 1时, feature_type = TagFeature
  - value_dimension = 1时, feature_type = IdFeature
  - boundaries: 生成的还是连续值，但在生成EasyRec config的时候:
```
会配置离散化的bucket, 如:
feature_config: {
  features: {
    input_names: "hour"
    feature_type: RawFeature
    boundaries: [1,5,9,15,19,23]
    embedding_dim: 16
  }
}
```
  - 设置bucketize_boundaries/boundaries的同时需要设置embedding_dimension.
  - value_dimension: 连续值的维度，>1时表示有多个连续值, 也就是一个向量.
    - 比如ctr_1d,ctr_2d,ctr_3d,ctr_12d可以放在一个RawFeature里面.
    - 该选项对生成数据有影响.
    - 该选项对生成EasyRec config也有影响, 对应到feature_config.raw_input_dim
- ComboFeature
  - 需要设置embedding_dimension和hash_bucket_size. 方法一：在fg中生成combo特征，见ComboFeature
```
{"expression": "user:user_id", "feature_name": "user_id", "feature_type":"id_feature", "value_type":"String", "combiner":"mean", "hash_bucket_size": 100000, "embedding_dim": 16, "group":"user"},
{"expression": "user:occupation", "feature_name": "occupation", "feature_type":"id_feature", "value_type":"String", "combiner":"mean", "hash_bucket_size": 10, "embedding_dim": 16, "group":"user"},
{"expression" : ["user:user_id", "user:occupation"], "feature_name" : "combo__occupation_age_level", "feature_type" : "combo_feature", "hash_bucket_size": 10, "embedding_dim": 16}
```
  - fg.json需进行三项配置，生成三列数据
  方法二：在参与combo的特征配置中加入extra_combo_info配置，fg会生成两列数据，在easyrec层面进行combo.
```
 {"expression": "user:user_id", "feature_name": "user_id", "feature_type":"id_feature", "value_type":"String", "combiner":"mean", "hash_bucket_size": 100000, "embedding_dim": 16, "group":"user"},
 {"expression": "user:occupation", "feature_name": "occupation", "feature_type":"id_feature", "value_type":"String", "combiner":"mean", "hash_bucket_size": 10, "embedding_dim": 16, "group":"user",
   "extra_combo_info": {
     "final_feature_name": "combo__occupation_age_level",
     "feature_names": ["user_id"],
     "combiner":"mean", "hash_bucket_size": 10, "embedding_dim": 16
   }
 }
```
  - 最终会生成两列数据（user_id和occupation），config中生成三个特征配置，分别是user_id，occupation，combo__occupation_age_level.
  - final_feature_name: 该combo特征的名字.
  - feature_names: 除当前特征外，参与combo的特征，至少一项.
  - combiner, hash_bucket_size, embedding_dim 配置与上述一致.
- LookupFeature
  - 根据id查找对应的value.
- MatchFeature
  - 双层查找, 根据category和item_id查找value.
  - match Feature里面多值分隔符可以使用chr(29) (ctrl+v ctrl+])或者逗号[,]，如:
```
  50011740^107287172:0.2^]36806676:0.3^]122572685:0.5|50006842^16788816:0.1^]10122:0.2^]29889:0.3^]30068:19
```
  - needWeighting: 生成特征权重，即kv格式, kv之间用[ctrl+v ctrl+e]分割, 转换成TagFeature.
- SequenceFeature
  - 序列特征用于对用户行为建模, 通常应用于DIN和Transformer模型当中
  - sequence_pk: 行为序列的特征名, 如点击序列, 购买序列等, 一般保存在item侧, 如user:clk_seq_50
    - 离线格式: item_id和属性拼在一起, 通过#分隔
      - 示例: item__id:11#item__price:2.0;item_id:22#item__price:4.0
    - 在线格式: 只保留item_id
      - 示例: 11;22
  - sequence_table: 一般都是item, online serving时从item表中根据item_id查询item信息, 离线时没有用
  - Note: item_seq(如item的图片列表)目前还不支持
- OverLapFeature
- 针对EasyRec的扩展字段:
  - group: feature所属的分组
    - 对于WideAndDeep/DeepFM是wide/deep.
    - 对于MultiTower可以自定义分组名称，如user/item/combo.
  - combiner: 默认是mean, 也可以是sum.
    - 影响数据生成和 EasyRec feature_config 生成, 主要是多值Feature.
全局配置说明:
- reserves: 要在最终表里面要保存的字段，通常包括label, user_id, item_id等
- separator: sparse格式里面，特征之间的分隔符，不指定默认是","，
  - 训练时，对稠密格式没有影响，对稀疏格式有影响
  - 预测时，item feature在redis里面存储的是稀疏格式，因此是有影响的
```
i_item_id:10539078362,i_seller_id:21776327,...
```
- multi_val_sep: 多值特征的分隔符，不指定默认是chr(29) 即"u001D"
- kv_separator: 多值有权重特征的分隔符，如”体育:0.3|娱乐:0.2|军事:0.5”，不指定默认None，即没有权重
- model_dir: 模型目录，仅仅影响EasyRec config生成.
- num_steps: 训练的轮数，仅仅影响EasyRec config生成.
- embedding_dim: 全局的embedding dimension.
  - 适合DeepFM等需要所有的feature都使用统一的embedding_dim.
  - 如果feature字段没有单独设置embedding_dimension, 将使用统一的embedding_dim.
  - 配置里面的embedding_dim会覆盖从命令行easy_rec.python.tools.convert_rtp_fg传入的embedding_dim.
- model_type: 模型的类型，当前支持WideAndDeep/MultiTower/DeepFM.
  - 暂未支持的EasyRec模型，可以不指定model_type，在生成EasyRec config之后添加相应的部分.
- label_fields: label数组，针对多目标模型需要设置多个label fields.
- model_path: 定义模型部分的config文件, 适用于暂未支持的EasyRec模型或自定义模型.
- edit_config_json: 对EasyRec config的修改, 如修改dnn的hidden_units
```
"edit_config_json": [{"model_config.wide_and_deep.dnn.hidden_units": [48, 24]}]
```

上传数据(如果已经有数据，可以跳过这一步)

支持两种格式: 稀疏格式和稠密格式, 根据表的schema自动识别是哪一种格式, 包含user_feature和item_feature则识别成稀疏格式.

稀疏格式的数据: user特征, item特征, context特征各放一列；特征在列内以kv形式存储, 如：

label	user_id	item_id	context_feature	user_feature	item_feature
0	122017	389957		tag_category_list:4589,new_user_class_level:,...,user_id:122017	adgroup_id:539227,pid:430548_1007,...,cate_id:4281

-- taobao_train_input.txt oss://easyrec/data/rtp/
-- wget http://easyrec.oss-cn-beijing.aliyuncs.com/data/rtp/taobao_train_input.txt
-- wget http://easyrec.oss-cn-beijing.aliyuncs.com/data/rtp/taobao_test_input.txt
drop table if exists taobao_train_input;
create table if not exists taobao_train_input(`label` BIGINT,user_id STRING,item_id STRING,context_feature STRING,user_feature STRING,item_feature STRING);
tunnel upload taobao_train_input.txt taobao_train_input -fd=';';
drop table if exists taobao_test_input;
create table if not exists taobao_test_input(`label` BIGINT,user_id STRING,item_id STRING,context_feature STRING,user_feature STRING,item_feature STRING);
tunnel upload taobao_test_input.txt taobao_test_input -fd=';';

稠密格式的数据，每个特征是单独的一列，如：

label	user_id	item_id	tag_category_list	new_user_class_level	age_level
1	122017	389957	4589		0

  drop table if exists taobao_train_input;
  create table taobao_train_input_dense(label bigint, user_id string, item_id string, tag_category_list bigint, ...);

Note: 特征列名可以加上prefix: "user__", "item__", "context__"

  如: 列名ctx_position也可以写成 context__ctx_position

生成样本

下载rtp_fg jar 包
生成特征

add jar target/fg_on_odps-1.3.59-jar-with-dependencies.jar -f;
add file fg.json -f;

set odps.sql.planner.mode=sql;
set odps.isolation.session.enable=true;
set odps.sql.counters.dynamic.limit=true;

drop table if exists taobao_fg_train_out;
create table taobao_fg_train_out(label bigint, user_id string, item_id string,  features string);
jar -resources fg_on_odps-1.3.59-jar-with-dependencies.jar,fg.json -classpath fg_on_odps-1.3.59-jar-with-dependencies.jar com.taobao.fg_on_odps.EasyRecFGMapper -i taobao_train_input -o taobao_fg_train_out -f fg.json;
drop table if exists taobao_fg_test_out;
create table taobao_fg_test_out(label bigint, user_id string, item_id string,  features string);
jar -resources fg_on_odps-1.3.59-jar-with-dependencies.jar,fg.json -classpath fg_on_odps-1.3.59-jar-with-dependencies.jar com.taobao.fg_on_odps.EasyRecFGMapper -i taobao_test_input -o taobao_fg_test_out -f fg.json;

--下载查看数据(可选)
tunnel download taobao_fg_test_out taobao_fg_test_out.txt -fd=';';

EasyRecFGMapper参数格式:
- -i, 输入表
  - 支持分区表，分区表可以指定partition，也可以不指定partition，不指定partition时使用所有partition
  - 分区格式示例: my_table/day=20201010,sex=male
  - 可以用多个-i指定多个表的多个分区
- -o, 输出表，如果是分区表，一定要指定分区，只能指定一个输出表
- -f, fg.json
- -m, mapper memory的大小，默认可以不设置
EasyRecFGMapper会自动判断是稠密格式还是稀疏格式
- 如果表里面有user_feature和item_feature字段，那么判定是稀疏格式
- 否则，判定是稠密格式
生成的特征示例(taobao_fg_train_out):

label	user_id	item_id	features
0	336811	100002	user_id_100002^Bcms_segid_5^Bcms_group_id_2^Bage_level_2^Bpvalue_level_1^Bshopping_level_3^Boccupation_1^B...

从配置文件[fg.json]生成EasyRec的config

从Git克隆EasyRec

git clone https://github.com/alibaba/EasyRec.git

python -m easy_rec.python.tools.convert_rtp_fg  --label clk --rtp_fg fg.json --model_type multi_tower --embedding_dim 10  --output_path fg.config --selected_cols "label,features"

多目标模型写法

python -m easy_rec.python.tools.convert_rtp_fg  --label is_product_detail is_purchase --rtp_fg fg.json --model_type dbmtl --embedding_dim 10  --output_path fg.config --selected_cols "is_product_detail,is_purchase,features"

--model_type: 模型类型, 可选: multi_tower, deepfm, essm, dbmtl 其它模型暂时不能设置，需要在生成的config里面增加model_config的部分
--embedding_dim: embedding dimension, 如果fg.json里面的feature没有指定embedding_dimension, 那么将使用该选项指定的值
--batch_size: batch_size, 训练时使用的batch_size
--label: label字段, 可以指定多个
--num_steps: 训练的步数,默认1000
--output_path: 输出的EasyRec config路径
--separator: feature之间的分隔符, 默认是CTRL_B(u0002)
--selected_cols: 指定输入列，包括label、[sample_weight]和features，其中label可以指定多列，表示要使用多个label(一般是多任务模型), 最后一列必须是features, 如:
```
label0,label1,sample_weight,features
```
- 注意不要有空格，其中 sample_weight 列是可选的，可以没有
--incol_separator: feature内部的分隔符，即多值分隔符，默认是CTRL_C(u0003)
--input_type: 输入类型，默认是OdpsRTPInput, 如果在EMR上使用或者本地使用，应该用RTPInput, 如果使用RTPInput那么--selected_cols也需要进行修改, 使用对应的列的id:
```
0,4
```
- 其中第0列是label, 第4列是features
- 还需要指定--rtp_separator，表示label和features之间的分隔符, 默认是";"
--train_input_path, 训练数据路径
- MaxCompute上不用指定，在训练的时候指定
--eval_input_path, 评估数据路径
- MaxCompute上不用指定，在训练的时候指定

启动训练

上传fg.config到oss
启动训练

pai -name easy_rec_ext
-Dversion='0.4.5'
-Dcmd=train
-Dconfig=oss://bucket-name/easy_rec_test/fg.config
-Dtrain_tables=odps://project-name/tables/taobao_fg_train_out
-Deval_tables=odps://project-name/tables/taobao_fg_test_out
-Dcluster='{"ps":{"count":1, "cpu":1000}, "worker" : {"count":3, "cpu":1000, "gpu":100, "memory":40000}}'
-Darn=acs:ram::xxx:role/ev-ext-test-oss
-Dbuckets=oss://bucket-name/
-DossHost=oss-cn-xxx.aliyuncs.com
-Deval_method=separate;

参数说明: 请参考

模型导出

pai -name easy_rec_ext
    -Dversion='0.4.5'
    -Dcmd=export
    -Dconfig=oss://easyrec/easy_rec_test/fg.config
    -Dexport_dir=oss://<bucket-name>/export_dir
    -Dbuckets=oss://<bucket-name>/
    -Darn=acs:ram::xxx:role/aliyunodpspaidefaultrole
    -DossHost=oss-hangzhou-internal.aliyuncs.com
    -Dedit_config_json='{"export_config.multi_placeholder":true, "feature_config.features[:].max_partitions":1}';

参数说明: 请参考
注意事项:
- 请检查fg.config, 保证导出的模型是支持多个placeholder的输入[每个特征一个placeholder]
```
export_config {
  multi_placeholder: true
}
```
  如果不是, 可以通过-Dedit_config_json='{"export_config.multi_placeholder":true}' 进行修改
- 如果有设置feature_config.features.max_partitions, 请加入下面的命令重置:
  - -Dedit_config_json='{"feature_config.features[:].max_partitions":1}'进行修改, 可以获得更好的性能

增加特征

增加特征可以用原来的样本表A left outer join 新增的特征表B 生成表C

  create table C
  as select * from A
  left outer join B
  on A.req_id = B.req_id and A.item_id = B.item_id

表C使用增量incre_fg.json生成表incre_fea_table, incre_fg.json定义了新增的特征

  jar -resources fg_on_odps-1.3.59-jar-with-dependencies.jar,incre_fg.json -classpath fg_on_odps-1.3.59-jar-with-dependencies.jar com.taobao.fg_on_odps.EasyRecFGMapper -i taobao_test_input -o taobao_fg_test_out -f incre_fg.json;

生成新的样本表D:

  create new_feature_table as
  select A.*, wm_concat(fea_table.features, chr(2), incre_fea_table.features) as features
  from A
    inner join fea_table
  on A.req_id = fea_table.req_id and A.item_id = fea_table.item_id
    inner join incre_fea_table
  on A.req_id = incre_fea_table.req_id and A.req_id = incre_fea_table.item_id

特征筛选

可以筛选fg.json里面的部分特征用于训练
方法: 在fg.config的model_config.feature_groups里面把不需要的特征注释掉即可

预测

服务部署

部署的 service.json 示例如下

bizdate=$1
cat << EOF > echo.json
{
  "name":"ali_rec_rnk",
  "metadata": {
    "resource": "eas-r-xxxx",
    "cpu": 8,
    "memory": 20000,
    "instance": 2,
    "rpc": {
      "enable_jemalloc": 1,
      "max_queue_size": 100
    }
  },
  "model_config": {
    "remote_type": "hologres",
    "url": "postgresql://<AccessKeyID>:<AccessKeySecret>@<域名>:<port>/<database>",
    "tables": [{"name":"<schema>.<table_name>","key":"<index_column_name>","value": "<column_name>"}],
    "period": 2880,
    "fg_mode": "tf",
    "outputs":"probs_ctr,probs_cvr",
  },
  "model_path": "",
  "processor_path": "http://easyrec.oss-cn-beijing.aliyuncs.com/processor/LaRec-0.9.5d-b1b1604-TF-2.5.0-Linux.tar.gz",
  "processor_entry": "libtf_predictor.so",
  "processor_type": "cpp",
  "storage": [
    {
      "mount_path": "/home/admin/docker_ml/workspace/model/",
      "oss": {
        "endpoint": "oss-cn-hangzhou-internal.aliyuncs.com",
        "path": "oss://easyrec/ali_rec_sln_acc_rnk/20221122/export/final_with_fg"
      }
    }
  ]
}

EOF
# 执行部署命令。
#/home/admin/usertools/tools/eascmd -i <AccessKeyID>  -k  <AccessKeySecret>   -e pai-eas.us-west-1.aliyuncs.com create echo.json
/home/admin/usertools/tools/eascmd -i <AccessKeyID>  -k  <AccessKeySecret>   -e pai-eas.us-west-1.aliyuncs.com update easyrec_processor -s echo.json

processor_path, processor_entry, processor_type: 自定义processor配置，与示例保持一致即可
model_config: eas 部署配置。主要控制把 item 特征加载到内存中。目前数据源支持redis和holo
- period: item feature reload period, 单位minutes
- url: holo url
- fg_mode: 支持tf和normal两种模式, tf模式表示fg是以TF算子的方式执行的, 性能更好
- tables: holo item tables, support multiple tables
  - key: name of the column store item_ids
  - value: select column names, joined by comma
  - condition: where subsql to filter some items
  - timekey: update time column, the column type should be timestamp or int
  - static: if true, this table will not be updated periodically
storage: 将oss的模型目录mount到docker的指定目录下
- mount_path: docker内部的挂载路径, 与示例保持一致即可
- 配置了storage就不需要配置model_path了
- 优点: 部署速度快
- 缺点: 仅适用于专有资源组, 不适用于公共资源组
model_path: 将模型拷贝到docker内部, 在公共资源组时使用
- 优点: 公共资源组的资源池大, 方便动态伸缩
- 缺点: 部署速度慢, 需要将模型保存到docker内部

客户端访问

同eas sdk 中的TFRequest类似，easyrec 也是使用ProtoBuffer 作为传输协议. proto 文件定义：

syntax = "proto3";

package com.alibaba.pairec.processor;

import "tf_predict.proto";

// context features
message ContextFeatures {
  repeated PBFeature features = 1;
}

message PBFeature {
  oneof value {
    int32 int_feature = 1;
    int64 long_feature = 2;
    string string_feature = 3;
    float float_feature = 4;
  }
}

// PBRequest specifies the request for aggregator
message PBRequest {
  // debug mode
  // 0: score output
  // 1: only fg output, in kv format
  // 2: score output and fg output
  // 3: fg output, in dense array format, used to build online sample stream
  // 4: write fg output(in dense array format) to datahub
  // 100: reserved for save request on eas
  // 101: reserved for save timeline on eas
  int32 debug_level = 1;

  // user features
  map<string, PBFeature> user_features = 2;

  // item ids
  repeated string item_ids = 3;

  // context features for each item
  map<string, ContextFeatures> context_features = 4;
}

// return results
message Results {
  repeated double scores = 1 [packed = true];
}

enum StatusCode {
  OK = 0;
  INPUT_EMPTY = 1;
  EXCEPTION = 2;
}

// PBResponse specifies the response for aggregator
message PBResponse {
  // results
  map<string, Results> results = 1;

  // item features
  map<string, string> item_features = 2;

  // generate features
  map<string, string> generate_features = 3;

  // context features
  map<string, ContextFeatures> context_features = 4;

  string error_msg = 5;

  StatusCode status_code = 6;

  repeated string item_ids = 7;
  repeated string outputs = 8;

  // all fg input features
  map<string, string> raw_features = 9;

  // tf output tensors
  map<string, tensorflow.eas.ArrayProto> tf_outputs = 10;
}

提供了 java 的客户端实例，客户端 jar 包地址. 下载后的 jar 通过下面命令安装到本地 mvn 库里.

mvn install:install-file -Dfile=easyrec-eas-client-0.0.2-jar-with-dependencies.jar -DgroupId=com.alibaba.pairec -DartifactId=easyrec-eas-client -Dversion=0.0.2 -Dpackaging=jar

然后在pom.xml里面加入:

<dependency>
    <groupId>com.alibaba.pairec</groupId>
    <artifactId>easyrec-eas-client</artifactId>
    <version>0.0.2</version>
</dependency>

java 客户端测试代码参考：

import com.alibaba.pairec.processor.client.*;

PaiPredictClient client = new PaiPredictClient(new HttpConfig());
client.setEndpoint(cmd.getOptionValue("e"));
client.setModelName(cmd.getOptionValue("m"));

EasyrecRequest easyrecRequest = new EasyrecRequest(separator);
easyrecRequest.appendUserFeatureString(userFeatures);
easyrecRequest.appendContextFeatureString(contextFeatures);
easyrecRequest.appendItemStr(itemIdStr, ",");

PredictProtos.PBResponse response = client.predict(easyrecRequest);

for (Map.Entry<String, PredictProtos.Results> entry : response.getResultsMap().entrySet()) {
    String key = entry.getKey();
    PredictProtos.Results value = entry.getValue();
    System.out.print("key: " + key);
    for (int i = 0; i < value.getScoresCount(); i++) {
        System.out.format(" value: %.4f ", value.getScores(i));
    }
}

验证特征一致性

...
easyrecRequest.setDebugLevel(1);
PredictProtos.PBResponse response = client.predict(easyrecRequest);
Map<String, String> genFeas = response.getGenerateFeaturesMap();
for(String itemId: genFeas.keySet()) {
    System.out.println(itemId);
    System.out.println(genFeas.get(itemId));
}

Note: 生产环境调用的时候设置debug_level=0，否则会导致rt上升, qps下降.

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

rtp_fg.md

rtp_fg.md

RTP FG

训练

编写配置 fg.json

上传数据(如果已经有数据，可以跳过这一步)

生成样本

从配置文件[fg.json]生成EasyRec的config

启动训练

模型导出

增加特征

特征筛选

预测

服务部署

客户端访问

Files

rtp_fg.md

Latest commit

History

rtp_fg.md

File metadata and controls

RTP FG

训练

编写配置 fg.json

上传数据(如果已经有数据，可以跳过这一步)

生成样本

从配置文件[fg.json]生成EasyRec的config

启动训练

模型导出

增加特征

特征筛选

预测

服务部署

客户端访问