训练篇
TorchEasyRec 训练阶段的完整流程，从初始化到模型构建、特征处理、嵌入管理、扩展开发、数据管线与采样器，以及训练附属组件（损失函数、评估指标、优化器）。
| 章节 | 标题 | 简介 |
|---|---|---|
| 04 | 初始化流程 | 从 CLI 到可训练模型的完整序列 |
| 05 | 训练流程 | 单步数据流、两阶段初始化、混合精度、Pipeline、optimizer 层级 |
| 06 | 训练部署 | Docker 镜像、torchrun 启动、PAI-DLC 集成、分布式运行时、拓扑约束 |
| 07 | 模型系统 | BaseModel 层级、20+ 模型目录、模型选择决策树、导出兼容矩阵 |
| 08 | 特征系统 | 12 种特征类型、4 种 FG 模式、纯 Python FG 迁移方案 |
| 09 | 嵌入系统 | EmbeddingGroup、TorchRec 分片、ZCH、DenseEmbeddingCollection |
| 10 | DynamicEmb 集成 | NVIDIA GPU 哈希表嵌入后端的双视角深度解析 |
| 11 | 损失函数 | BinaryFocalLoss、JRCLoss、ParetoEfficientMultiTaskLoss |
| 12 | 评估指标 | GroupedAUC、XAUC、DecayAUC、Recall@K、NormalizedEntropy、UniqueRatio |
| 13 | 优化器与学习率调度器 | 稀疏/稠密优化器类型、5 种 LR 调度器、混合精度与梯度配置 |
| 19 | 扩展机制与自定义模型 | 元类注册机制 vs if-elif 硬编码、完整扩展步骤、Proto 生成流程 |
| 20 | 数据管线：Dataset 体系 | BaseDataset 基类、5 种 Dataset 类型、DataLoader 配置、Batch 数据结构 |
| 21 | Sampler 采样体系 | 5 种采样器、graphlearn 框架、分布式协同、Batch 注入 |
| 22 | Feature Group 与 Sequence Encoder | 三种 group_type、5 种 Sequence Encoder、embedding_name_suffix |